IoT spasial memberikan informasi lokasi dan waktu yang unik bersama
dengan data lain tentang item yang dipantau. Apa yang membuat IoT dan
IoT spasial berguna adalah sifat sensor yang berbiaya rendah dan bahwa
sensor ini dapat digunakan secara real-time. Dengan menghubungkan
sensor di rumah, bisnis, dan lokasi lainnya, maka perusahaan, peneliti,
dan lainnya dapat memiliki kemampuan untuk melacak berbagai
informasi secara real-time dan menerapkan operasi spasial yang berbeda.
Informasi Geospasial dalam Era Industri 4.0
Maps
Data
Smart Objects
Visuali-
Analytics
sation
Kementerian ESDM
http://geoportal.esdm.go.id/monaresia/sharing/rest
http://gisportal.esdm.go.id
http://203.189.89.41:6080/arcgis/rest/services
Pemanfaatan Data Geospasial
Pembangunan Berkelanjutan (SDG)
LOKASI: Konektor antara data-data
Sosial, Ekonomi dan Lingkungan.
Integrasi data
Spasial dan Statistik untuk
pencapaian Tujuan, Target
dan Indikator
Pembangunan
Berkelanjutan
(SDG)”
Ref: UN-GGIM (2018)
Kegiatan Pembaharuan
Geodatabase Geodatabase
Infrastuktur Pemulihan
Infrastuktur
Saat bencana
Pemaanfatan Data Geospasial untuk
Pemetaan Tingkat Kerawanan Covid-19
Latar Belakang
Pandemi Covid-19 telah menyebar di seluruh dunia,
tidak ketinggalan juga sudah memasuki ruang-ruang
yang ada di Manado ini. Dari 11 Kecamatan, sudah 10
Kecamatan terpapar Covid-19 ini. Pertanyaannya
Apakah Wilayah Manado ini Rawan Penyebaran Covid-
19? Untuk menjawabnya maka diperlukan serangkaian
analisis yang mendalam.
Kondisi Kota Manado
Jumlah Penduduk
No. KEC TOTAL PDD P L
1 BUNAKEN 26089 12719 13370
2 BUNAKEN KEPULAUAN 6686 3296 3390
3 MALALAYANG 67138 33246 33892
4 MAPANGET 63690 31631 32059
5 PAAL DUA 47600 23598 24002
6 SARIO 24036 12020 12016
7 SINGKIL 56135 27891 28244
8 TIKALA 33062 16290 16772
9 TUMINTING 56672 28143 28529
10 WANEA 65443 32447 32996
11 WENANG 35997 17937 18060
TOTAL 482548 239218 243330
Jumlah Kecamatan : 11
Jumlah Kelurahan : 87
Luas Kota Manado 15726 Ha
Kondisi Covid Manado
R = H x V/C
R : Risiko Bencana
H : Ancaman (Hazard), adalah suatu kejadian yang mempunyai potensi untuk menyebabkan terjadinya
kecelakaan, cedera, hilangnya nyawa atau kehilangan harta benda
V : Kerentanan (Vulnerability), adalah rangkaian kondisi yang menentukan apakah bahaya (baik bahaya alam
maupun bahaya buatan) yang terjadi akan dapat menimbulkan bencana (disaster) atau tidak
C : Kapasitas (Capacity), adalah kapasitas yang tersedia untuk pemulihan kembali setelah terjadi bencana
Sumber : Peraturan Kepala Badan Nasional Penanggulangan Bencana Nomor 02 Tahun 2012 Tentang Pedoman Umum
Pengkajian Risiko Bencana
Tingkat Risiko adalah perbandingan antara Tingkat Kerugian dengan Kapasitas Daerah
untuk memperkecil Tingkat Kerugian dan Tingkat Ancaman akibat bencana.
Ancaman Bahaya yang dipertimbangkan dalam pemetaan Risiko Covid 19 ini
berupa : Kasus Covid (Positiv, PDP, ODP); Pusat-Pusat Transportasi (terminal,
bandara, Pelabuhan); Tempat Ibadah (masjid, gereja, pura, klentheng, vihara);
Pusat perbelanjaan (Indomaret, Alfamaret, Supermarket, Pasar Tradisional);
Perbankan (Bank, ATM), tempat pariwisata.
Kapasitas tercermin dari keberadaan rumah sakit, kapasitas rumah sakit, dan
Puskesmas.
DATA SPASIAL
Jumlah Kasus Interpolasi
Analisis Spasial
Dengan Rumus:
Pos, ODP, PDP Krigging
Bahaya (60%) = Kasus Positif (60%) + Pusat Keramaian (20%) + Hub
Transportasi (20%)
Kerentanan (40%) = Kepadatan Penduduk (60%) + Usia Rentan (40%)
Euclidean
Hub Transportasi Distance
Perbankan
Peta
Risiko
Kepadatan Covid 19
Penduduk dan Normali Kerentanan
Usia Rentan sasi
Fuzzy
Topo to Logic
Kapasitas RS Kapasitas
Raster
Pembobotan dan pengolahan data
Bahaya (H) Kerentanan (V) Kapasitas (C) Risiko (R)
Bobot Bobot
𝑽
Parameter \ Sub- Bobot Bobot Sub- Bobot Total per Parameter \ Sub-
Parameter \ Sub-
parameter Paremeter parameter Sub-parameter Paremeter / Paremeter /
Kasus Covid-19 80%
parameter
sub-parameter
parameter
sub-parameter H= 𝑯 ∗
Positif
PDP
90%
6%
72.00%
4.80%
Kependudukan
Kepadatan penduduk
100%
80%
Fasilitas
Rumah sakit
100%
25%
𝑪
ODP 4% 3.20% Kelompok umur 10% Kapasitas rumah 25%
Hub transportasi 7% Rasio jenis kelamin 10% Puskesmas 25%
Terminal 15% 1.05%
Faskes lainnya 25%
Stasiun 20% 1.40%
Pelabuhan 5% 0.35% Pengolahan data
Bandara 60% 4.20%
Tempat ibadah 3%
Overlay dengan
Masjid 60% 1.80% Analisis density Normalisasi
pembobotan
Gereja 30% 0.90%
Pura 5% 0.15%
Kernel density 𝑛 − 𝑛 m𝑖n
Klenteng 5% 0.15%
Analisis v = (w.Pop) + (w.Umur) + …n
Pusat perbelanjaan 6% 𝑛m𝑎𝑥− 𝑛m𝑖n
Indomaret 25% 1.50%
Alfamaret 25% 1.50% Output Nilai density
Nilai indeks (0 – 1) Nilai indeks (0 – 1)
Pasar Tradisional 20% 1.20%
Department store 30% 1.80%
Perbankan 4%
Bank 40% 1.60%
ATM 60% 2.40%
Positif PDP ODP
Kerentanan
Kapasitas
Peta Bahaya
- Kasus Covid19:
Positive, PDP, ODP
- Hub transportasi:
terminal, bandara,
pelabuhan, halte, stasiun
- Tempat Ibadah: masjid,
gereja, klenteng, pura
- Tempat
perbelanjaan:
minimarket, pasar
tradisional, dept. Store
- Perbankan: bank,
ATM
Peta Kerentanan
- Kepadatan penduduk
- Kelompok umur (< 5 dan > 65)
- Rasio jenis kelamin
Kerentanan x Bahaya
Peta Kapasitas
Fasilitas kesehatan:
- Rumah Sakit (RS),
- Kapasitas RS( jumlah
kamar)
- Puskesmas,
- Fasilitas Kesehatan lainnya
(i.e. klinik)
Peta Kapasitas
Fasilitas kesehatan:
- Rumah Sakit (RS),
- Kapasitas RS( jumlah
kamar)
- Puskesmas,
- Fasilitas Kesehatan lainnya
(i.e. klinik)
Peta Risiko
R = H x V/C
Kendala :
Data kasus Covid – 19 di setiap Kabupaten/Kota disamarkan lokasi penderita nya menyebabkan
akurasi analisis kurang bagus Alasan disamarkan karena alasan HAM
Kesimpulan
- hasil dipengaruhi oleh ketersediaan dan kualitas data sebaran Kasus Positif,
PDP, dan ODP
- Perubahan pada sebaran (penambahan atau pengurangan) dapat merubah
zonasi bahaya
- Diperlukan update berkala menyesuaikan dengan ketersediaan data kasus
untuk keperluan Monitoring
Saran :
Pemda sudah seharusnya memetakan wilayahnya dan mempunyai data Digital Geospasial Skala Detail
yang up to date Dari waktu ke waktu, sehingga bisa untuk membantu dalam membuat keputusan secara
cepat dan akurat, Pemda Seharusnya mempunyai SDM Bidang Geospasial yang mumpuni
Pemetaan Banjir Genangan menggunakan Metode
Topographic Wetness Index (TWI) dengan ArcGIS
• Banjir merupakan kejadian bencana yang paling sering terjadi di negara kita ini.
• Kejadian banjir mengakibatkan kerugian dan kerusakan bagi masyarakat dan lingkungan.
• Banjir dipicu oleh beberapa faktor antara lain faktor hidrometeorologi, topografi, geologi, tanah dan
aktivitas manusia.
• Perhitungan topografi untuk deteksi kerawanan banjir genangan dapat dilakukan dengan metode
Topographic Wetness Index (TWI).
Sumber Data Spasial :
https://tanahair.indonesia.go.id/demnas/#/
https://tanahair.indonesia.go.id/portal-web/downloadpetacetak?skala=25K
http://geoportal.manadokota.go.id/layers/?limit=20&offset=0
DEM Alur Perhitungan TWI
nilai TWI menggambarkan
tingkat kebasahan lahan yang
Fill
diasumsikan berasosiasi
Slope degree dengan kerawanan terhadap
bencana banjir khususnya
Flowdirection (Fd) banjir genangan.
Slope_Radian Tan((“Slope”*1.570796)/90)
Flowaccumulation (Fa)