Basis Data Spasial

(1)

E-mail : apriyanimuntika@gmail.com

BASIS DATA SPASIAL

Apriyani Muntikawati Universitas Negeri Surabaya

Jl. Ketintang, Ketintang, Kec. Gayungan, 60231, Surabaya

Abstrak : Sebagian data yang diolah dalam Sistem Informasi Geografi (SIG) merupakan data spasial yaitu sebuah data yang berorientasi geografis. Data atau informasi geografi diturunkan dari peta-peta tematik, pengukurannya mengandung lebih dari satu atribut yang diasosiasikan dengan lokasi spasialnya. Manfaat data spasial untuk mitigasi bencana dapat di implementasikan dalam upaya penanganan bencana kekeringan. Tujuan utama dari studi ini adalah untuk mendeskribsikan data spasial serta pemanfaatannya.

Kata kunci : Sistem Informasi Geografi, Data Spasial, Kekeringan

A. PENDAHULUAN

Basis data spasial adalah kumpulan dari tipe data spasial, operator, indeks, strategi pemrosesan. Basis data spasial yang khusus menyimpan data geografis terdapat pada Sistem Informasi Geografi (SIG). SIG mengintregasi sumber data dari penginderaan jauh yang bermanfaat dalam mitigasi bencana.

Penginderaan jauh dan SIG adalah alat yang kuat untuk menangani data dalam jumlah besar dan kompleks (Chowdary et al., 2009; Singh et al., 2019) dan menyediakan data dalam skala luas dari distribusi ruang-waktu (Jha et al. ., 2007). Fitur permukaan yang disiapkan dengan data ini berfungsi sebagai indikator untuk melacak tren jangka panjang kondisi kekeringan.

Untuk menilai kondisi kekeringan di suatu daerah, indeks kekeringan yang berbeda digunakan. Banyak indeks kekeringan berbasis penginderaan jauh telah dibuat untuk mencerminkan kondisi kekeringan. Salah satu

yang paling banyak digunakan adalah indeks vegetasi beda normal (NDVI). Namun, ketika melakukan pemantauan kekeringan di wilayah yang tidak homogen, NDVI kurang dapat diandalkan karena pengaruh lokasi geografis, sistem ekologi, dan kondisi tanah. Untuk mengatasi masalah tersebut, Kogan mengusulkan indeks kondisi vegetasi (VCI) dengan menormalkan nilai NDVI ke kisaran maksimum suatu daerah tertentu. Komponen NDVI yang terkait dengan cuaca lebih kecil dari yang terkait dengan ekosistem; oleh karena itu, normalisasi berhasil meminimalkan komponen ekosistem. VCI telah diterapkan secara luas untuk pemantauan dan analisis kekeringan, dan keandalannya telah diverifikasi oleh banyak penelitian. VCI secara individual dapat memantau pengaruh kekeringan pada kesehatan vegetasi tetapi tidak mencukupi karena hanya menunjukkan satu kondisi kelembaban.

Mempertimbangkan bahwa suhu juga dapat mencerminkan kondisi kekeringan sampai batas tertentu, Kogan mengembangkan lebih lanjut indeks kondisi suhu (TCI) dengan menormalkan

(2)

nilai suhu permukaan tanah (LST) ke kisaran maksimum area tertentu sebagai indikator kekeringan. Indeks kesehatan vegetasi (VHI), yang rata-rata dari jumlah VCI dan TCI, juga diperkenalkan oleh Kogan. VHI juga telah sering digunakan untuk tujuan pertanian, seperti estimasi hasil panen. Prinsip penggunaan VHI untuk pemantauan kekeringan adalah bahwa penilaian kondisi suhu membantu mengidentifikasi perubahan halus pada kesehatan vegetasi karena efek kekeringan lebih drastis jika kekurangan kelembaban disertai dengan suhu yang berlebihan. Kelayakan menggunakan VHI telah divalidasi di semua negara agrikultur utama.

Defisit curah hujan merupakan kondisi penting untuk pembentukan kekeringan; Oleh karena itu, indeks kondisi presipitasi (PCI) dapat mencerminkan kondisi kekeringan. Karena kekeringan biasanya disebabkan oleh defisit curah hujan dan kenaikan suhu dan menimbulkan ancaman bagi kesehatan vegetasi, indeks kondisi kekeringan berskala (SDCI), yang menggabungkan PCI, TCI, dan VCI, diusulkan. Indeks yang disebutkan di atas dapat dihitung dari data penginderaan jauh satelit yang tersedia dengan mudah. Peneliti lain mengusulkan indeks suhu-kekeringan vegetasi (TVDI) menggunakan hubungan spasial antara LST dan NDVI didasarkan pada reflektansi spektral inframerah-dekat (NIR) dan saluran merah untuk menunjukkan kekeringan dan kondisi kelembaban tanah Indeks ini memanfaatkan satu atau lebih aspek kekeringan

untuk mencerminkan kondisi kekeringan;

Akibatnya, indeks ini memiliki karakteristik berbeda yang membuatnya sesuai untuk skenario yang berbeda.

Tujuan dari penelitian ini adalah mengkaji dan menyusun basis data SIG terkait dengan berbagai indeks kekeringan.

B. METODE PENELITIAN

Adapun metode penelitian dilakukan dengan kajian pustaka atau studi kepustakaan, yaitu didasarkan pada literatur yang tersedia, terutama dari artikel-artikel yang dipublikasikan dalam berbagai jurnal ilmiah.

C. HASIL DAN PEMBAHASAN

`

DATA SPASIAL

Data spasial adalah sebuah data yang berorientasi geografis dan memiliki sistem koordinat tertentu sebagai dasar referensinya. Sebagian besar data yang akan ditangani dalam SIG merupakan data spasial yaitu sebuah data yang berorientasi geografis, memiliki sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (atribut) yang dijelaskan berikutini:

1. Informasi lokasi (spasial) merupakan

informasi yang berkaitan dengan suatu

koordinat baik koordinat geografi

(lintang dan bujur) maupun koordinat

Cartesian XYZ (absis, ordinat dan

(3)

ketinggian), termasuk diantaranya sistem proyeksi.

2. Informasi deskriptif (atribut) atau

informasi non-spasial merupakan informasi suatu lokasi yang memiliki beberapa keterangan yang berkaitan dengan lokasi tersebut, contohnya jenis vegetasi, populasi, luasan, kode pos, dan sebagainya. Informasi atribut seringkali digunakan pula untuk menyatakan kualitas dari lokasi

Secara sederhana format dalam bahasa komputer berarti bentuk dan kode penyimpanan data yang berbeda antara file satu dengan lainnya. Dalam SIG, data spasial dapat direpresentasikan dalam dua format yaitu:

1.

Model Data Raster

Data raster atau disebut juga dengan sel grid adalah data yang dihasilkan dari sistem penginderaan jauh. Pada data raster, obyek geografis direpresentasikan sebagai struktur sel grid yang disebut dengan piksel (picture element). Pada data raster, resolusi tergantung pada ukuran piksel-nya.

Dengan kata lain, resolusi piksel menggambarkan ukuran sebenarnya di permukaan bumi yang diwakili oleh setiap piksel pada citra. Semakin kecil ukuran permukaan bumi yang direpresentasikan oleh satu sel, semakin tinggi resolusinya. Data raster sangat baik untuk merepresentasikan batas- batas yang berubah secara gradual, seperti jenis tanah, kelembaban tanah, vegetasi, suhu tanah dan sebagainya.

Keterbatasan utama dari data raster adalah besarnya ukuran file, semakin tinggi resolusi grid-nya semakin besar pula ukuran filenya dan sangat tergantung pada kapasistas perangkat keras yang tersedia. Masing-masing format data mempunyai kelebihan dan kekurangan. Pemilihan format data yang digunakan sangat tergantung pada tujuan penggunaan, data yang tersedia, volume data yang dihasilkan, ketelitian yang diinginkan, serta kemudahan dalam analisa.

2.

Model Data Vektor

Data vektor merupakan bentuk bumi yang direpresentasikan ke dalam kumpulan garis, area (daerah yang dibatasi oleh garis yang berawal dan berakhir pada titik yang sama), titik dan nodes (merupakan titik perpotongan antara dua buah garis). Keuntungan utama dari format data vektor adalah ketepatan dalam merepresentasikan fitur titik, batasan dan garis lurus. Hal ini sangat berguna untuk analisa yang membutuhkan ketepatan posisi, misalnya pada basis data batas-batas kadaster. Contoh penggunaan lainnya adalah untuk mendefinisikan hubungan spasial dari beberapa fitur. Kelemahan data vektor yang utama adalah ketidak mampuannya dalam mengakomodasi perubahan gradual.

KEKERINGAN

Kekeringan merupakan fenomena alam yang berbahaya dan lambat yang berdampak buruk terhadap perekonomian, kehidupan sosial dan lingkungan suatu negara atau wilayah. Karena fenomena ini

(4)

E-mail : apriyanimuntika@gmail.com bersifat lambat, maka sulit untuk mempelajari dan membedakan jenis kekeringan (Hammouri dan El-Naqa, 2007). Kekeringan dikaitkan dengan curah hujan yang rendah (Rathore, 2005).

Kekeringan dibedakan menjadi kelas-kelas berikut (1). Kekeringan meteorologi, (2). kekeringan hidrologi, (3). kekeringan sosial ekonomi, dan (4).

kekeringan pertanian (Panu dan Sharma, 2002). Kekeringan meteorologi diukur dengan defisiensi curah hujan yang dapat diamati dalam periode yang lebih lama (Wilhite, 2000). Kekeringan pertanian diukur dalam hal kekurangan kelembaban tanah, curah hujan, air tanah dan

penurunan hasil tanaman (Chopra, 2006).

Kekeringan hidrologi diukur dari defisiensi ketersediaan air di

penampungan air permukaan dan bawah permukaan. Kekeringan sosial ekonomi merupakan fase terakhir dari kekeringan yang disebabkan oleh kekurangan produksi pertanian dan pangan yang berkepanjangan, sehingga mempengaruhi perekonomian secara keseluruhan

(Wardlow et al., 2012; Mala et al., 2014) INDEKS KEKERINGAN

Enam indeks kekeringan yang banyak digunakan ini (PCI, VCI, TCI, VHI, SDCI, dan TVDI) dapat dikategorikan menjadi tiga jenis. Satu jenis terdiri dari indeks faktor tunggal, termasuk PCI, TCI, dan VCI, yang dihitung hanya dari salah satu dari tiga — presipitasi, LST, dan

NDVI (Tabel 2). Jenis kedua adalah indeks yang terdiri dari kombinasi faktor- faktor; Contoh dari jenis ini adalah VHI dan SDCI, yang dihitung dari kombinasi tertimbang dari beberapa indeks faktor tunggal (Tabel 3). Yang lainnya adalah TVDI, yang menggunakan hubungan spasial antara LST dan NDVI untuk mencerminkan informasi kekeringan

D. KESIMPULAN

Terdapat kesamaan focus penelitian dalam hal meningkatkan pemahaman konsep data spasial dan pemanfaatannya.

DAFTAR PUSTAKA

Yang Han Dkk, Monitoring Droughts in the Greater Changbai Mountains Using Multiple Remote Sensing-Based Drought Indices, Remote Sens. 2020, 12, 530;

doi:10.3390/rs12030530

Hong Wan Dkk, DROUGHT MONITORING IN SHANDONG PROVINCE BASED ON MODIFIED TEMPERATURE- VEGETATION-SOIL MOISTURE DRYNESS INDEX (TVMDI), Remote Sensing and Spatial Information Sciences, Volume XLII- 3/W10, 2020 International Conference on Geomatics in the Big Data Era (ICGBD), 15–17 November 2019.

Muhammad Khubaib Abuza Dkk, Drought Risk Assessment in the Khushab Region of Pakistan Using Satellite Remote Sensing and Geospatial Methods, Int. J.

Econ. Environ. Geol. Vol. 10 (1)48-56, 2019 Charles Serele Dkk, Mapping of groundwater

potential zones in the drought-prone areas of south Madagascar using geospatial

techniques, European Commission, Joint Research

(5)

Centre (JRC), Via E. Fermi 2749, I-21027, Ispra, VA, Italy

Md. Latifur R. Sarker Dkk, An Integrated Method for Identifying Present Status and Risk of Drought in Bangladesh,

Humam Abdurrasyid Afif, PEMETAAN WILAYAH POTENSI KEKERINGAN MENGGUNAKAN SISTEM

INFORMASI GEOGRAFI DAN PENGINDERAAN JAUH (Studi Kasus Kabupaten Brebes)

Indrianawati, Penyusunan Basis Data untuk Identifikasi Daerah Rawan Banjir Dikaitkan dengan Infrastruktur Data Spasial, Vol. XVII ISSN: 1410-3125

-