Kind: captions
Language: id
Asalamualaikum warahmatullahi
wabarakatuh. Selamat siang Bapak, Ibu,
dan rekan-rekan sekalian. Selamat datang
kembali di webinar Eko ke-134.
Dan saya ucapkan terima kasih kepada
Bapak Ibu semua yang sudah selalu setia
untuk mengikuti acara webinar ini. Dan
hari ini webinar Ekoedu akan mengangkat
tema aplikasi GIS dan remote sensing
teknologi pada penataan ruang berbasis
hidrologi. Dan perkenalkan saya Dini
yang akan bertugas sebagai moderator
pada acara ini. Dan baik Bapak Ibu
semuanya sebelum kita mulai webinar pada
siang ini, alangkah baiknya kita berdoa
bersama-sama sesuai dengan agama dan
kepercayaan masing-masing. Untuk itu
berdoa dipersilakan.
Berdoa dicukupkan.
Untuk acara selanjutnya, mari kita
menyanyikan lagu Indonesia Raya secara
bersama-sama. Diharapkan kepada Bapak
Ibu untuk duduk tegak.
[musik]
Baik ee Bapak Ibu semuanya untuk
selanjutnya izinkan saya untuk
mempromosikan tiga pelatihan dalam waktu
dekat ini yang akan diselenggarakan oleh
kami
yaitu yang pertama adalah pelatihan
penunjang dokumen AMDAL terkait
persetujuan teknis untuk limbah B3
gelombang 11 akan dilaksanakan pada
tanggal 11 hingga 21 November 2025.
Kemudian di minggu selanjutnya yaitu
adalah pelatihan pemodelan dispersi
udara air mood kalp dan high split
gelombang 20 yang akan dilaksanakan pada
tanggal 24 sampai dengan 28 November
2025. Dan apabila Bapak Ibu berminat
pada dua pelatihan tersebut dan jika
Bapak Ibu melakukan pembayaran pada
hak-in satu pelatihan Bapak Ibu akan
mendapatkan diskon 10% dari biaya
investasi. Lalu kemudian di awal
Desember nanti kami akan mengadakan
pelatihan penyusunan AMDAL gelombang 2
yang dilaksanakan pada tanggal 1
Desember 2025 hingga 3 Januari 2025. Dan
untuk biaya investasinya yaitu sebesar
Rp12.500.000.
Dan untuk pelatihan ini ada kuotanya ya
Bapak Ibu yaitu ee sebanyak 30 peserta.
Jadi ee dipersilakan kepada Bapak Ibu
untuk mendaftar.
Dan untuk informasi lebih lanjutnya
dapat menghubungi admin kami yaitu di
Riris dan Nisa. Dan Bapak Ibu juga bisa
mengunjungi sosial media kami yaitu ada
Instagram, YouTube channel, Facebook,
dan juga website resmi kami di
www.ecoedu.co.id.
Dan juga apabila Bapak Ibu tertarik
langsung untuk mendaftar, silakan
diakses saja pada pendaftaran.co.id.
Dan selain itu juga kami terdapat
inhouse training yang dapat dilaksanakan
secara offline maupun juga online sesuai
dengan permintaan dari instansi atau
perusahaan Bapak Ibu semuanya. Jadi ee
kami tunggu di pelatihan
dan ee baik Bapak Ibu semuanya,
selanjutnya kita akan langsung saja
masuk pada kegiatan utama kita yang di
mana webinar kali ini kita akan
berdiskusi tentang aplikasi GIS dan
remote sensing teknologi pada penataan
ruang berbasis hidrologi.
Dan tentu saja kami juga telah
menghadirkan narasumber yang sangat
kompeten di bidangnya untuk memberikan
materi dan wawasan yang bermanfaat ini.
Dan ee langsung saja perkenankan saya
untuk memperkenalkan narasumber kita
hari ini yaitu adalah Ibu Ir. Sinta
Primawidowati Gunawan, ST, M.Sc., PhD.
Beliau merupakan dosen Teknik Lingkungan
Kebumian di UPN Veteran Yogyakarta. Dan
mungkin saya akan menyapa terlebih
dahulu kepada Ibu Sinta. Selamat siang,
Bu Sinta.
Selamat siang. Ini udah udah siang ya,
Mbak ini ya? Masih jam 10. Loh,
[tertawa]
I selamat siang, Mbak. Bagaimana
kabarnya, Bu?
Alhamdulillah. Ee ya baik.
Alhamdulillah, Bu. Mungkin ee sebelum
kita mulai, izinkan saya menyampaikan
beberapa teknis terlebih dahulu. yaitu
yang pertama untuk pemaparan akan
dilaksanakan selama 1,eng jam lalu
kemudian dilanjutkan dengan sesi tanya
jawab dengan menggunakan aplikasi Slido.
Lalu dilanjutkan juga dengan tanya jawab
secara langsung pada ee peserta Zoom.
Dan baik untuk mengefektifkan waktu saya
serahkan ruangan Zoom ini kepada Bu
Sinta dan kepada Bapak Ibu semuanya.
Selamat mengikuti acara webinar.
Baik, terima kasih Mbak Dini. Ee
asalamualaikum warahmatullahi
wabarakatuh. Selamat pagi. Sepertinya
masih pagi ya Bapak, Bapak, Ibu
semuanya. Biar kita semangat gitu ya.
Selamat pagi ee Bapak Ibu peserta
webinar Eko Edu yang saya hormati. Ee
puji syukur kita bisa berkumpul ee pagi
ini. Ee izinkan saya untuk membagikan ee
sedikit dari ee ilmu yang sudah saya
dapatkan pada saat saya ee apa ee
belajar di ee jenjang ee S3 saya begitu.
Ee ini untuk slide share itu saya
sendiri atau bagaimana ya, Mbak Dini ya?
Ee boleh dibantu, Bu.
Oh, I
kalau Ibu mau
Iya boleh dibantu aja kalau begitu ya.
Mohon mohon sebentar ya Bu ya.
Iya. Baik.
Baik. Sambil menunggu ya Bapak Ibu
memang ee untuk GIS dan eh remote
sensing technology ini mungkin sudah
sangat sering ya ee kita jumpai dan
pemanfaatannya juga sangat luas begitu
dalam bidang apapun itu. sekarang kita
ee harus memanfaatkan ee teknologi
tersebut karena ee itu lumayan cepat ya
ee sebuah teknologi yang lumayan cepat
untuk mengejar ee apa ketertinggalan
kita dalam penyediaan data baik untuk ee
apapun ya dalam kita assesment apapun.
Kebetulan kalau di penataan ruang itu
sangat-sangat ee signifikan penggunaan
remote sensing itu karena ee untuk data
penggunaan lahan dan ee apa ruang bumi
ini ya itu ee Indonesia mungkin masih
sangat kurang up to date begitu ya.
Sehingga ee bahkan di rencana tata ruang
pun kadang-kadang ee apa namanya? Kurang
up to date juga begitu. sehingga
penggunaan remote sensing technology ini
bisa sangat membantu. Begitu.
Baik, jadi ee ee untuk hari ini kita
akan membahas mengenai apa sebenarnya
isu permasalahan tata ruang yang
berkaitan dengan hidrologi tentunya ya.
Kemudian bagaimana isu eksploitasi
sumber daya air di ee rata-rata di
daerah-daerah di Indonesia. Kemudian
saya juga akan mungkin memperkenalkan
basic-basic dari model hidrologi yaitu
model ee apa? neraca air ya yang ee ada.
Kemudian juga sedikit perkenalan
mengenai remote sensing technology dan
Jware. Dan apa yang akan kita gunakan
untuk ee apa namanya ee untuk penataan
ruang nantinya. Kemudian nanti sedikit
aplikasi pada studi kasus yang sudah
saya ee lakukan. Begitu. Next.
Baik, untuk isu permasalahan tata ruang
sendiri seperti saya sudah kemukakan
tadi ya, bahwa ee dalam memonitoring
urbanisasi yang terjadi di Indonesia
saat ini juga mengenai kebutuhan air
bersihnya itu sangat membutuhkan
informasi mengenai perubahan lahannya
baik secara statistik maupun spasial.
Nah, selama ini mungkin yang ada itu
yang sangat up to date itu mungkin baru
secara statistik. Namun secara
spasialnya itu masih sangat kurang gitu
ya. Ini jadi ini merupakan tantangan
berat terutama pada negara-negara yang
basis datanya itu kurang lengkap begitu
ya. Ya mungkin ee apa namanya ee kalau
secara statistik mungkin sudah ada
angkanya. Tapi ee dalam penataan ruang
itu kan yang dibutuhkan juga kita harus
paham mengenai distribusi spasial dari
penggunaan lahannya. Begitu. Nah,
kemudian ee informasi yang diperlukan
untuk kita mengetahui sumber daya air
karena kita harus ee dalam ee apa
mendukung pembangunan berkelanjutan kita
juga harus memahami ee berapa sih
cadangan sumber daya air kita gitu.
Sehingga kita harus memahami tingkat
urbanisasi dan juga bagaimana kondisi
siklus hidologi di ee lokasi kita.
begitu mungkin lanjut.
Baik. Ee kemudian kalau untuk isu
eksploitasinya sendiri selama ini
Indonesia sudah mengguna ee sudah
memiliki PDAM ya, perusahaan daerah air
ee atau perusahaan air minum di
tiap-tiap daerah, perusahaan PDAM yang
ee mengatur ee mengelola ya atau
memberikan servis pelayanan ee air
bersih kepada ee penduduk, kepada
masyarakat dan warga ee sekitar semua
gitu ya. Namun ee nah di sini kan kalau
PDAM itu juga mengambil air dari ee
berapa sumber alami dari akiver dalam
maupun akiver dangkal dari mata air
maupun ada beberapa juga malah dari
sungai yang kemudian diolah kembali gitu
ya dipurifikasi ee dan kemudian
penggunaan air bersih pun dinominasi
oleh ee penggunaan air ee domestik
begitu ya. Namun ee berdasarkan ee Jaik
Report bahkan ini Jaica Report itu sudah
lama sekali ya sebenarnya tapi
sepertinya kok masih sangat ee
signifikan juga maksudnya masih sangat
relate gitu ya. Masih sangat ee bisa
kita lihat bahwa eh service ratio yang
ada di ee penduduk itu masih sangat
rendah ee antara 6% sampai 40% bahkan
begitu. Nah, sehingga banyak ee apa ee
karena dilihat dari praktiknya itu
banyak ee masyarakat itu hanya
menggunakan sumur begitu ya, sum
langsung langsung menggali sumur,
membuat sumur daripada
mendaftarkan
ee sumber airnya pada pemerintah gitu.
Artinya ee untuk mendapatkan sumber air
mereka bergantung pada
ee
sumur setempat begitu ya menggali. Nah,
hal iniat berbahaya bagi pembangunan
berkelanjutan. Karena apa? Karena kita
tidak bisa mengukur ee berapa jumlah air
yang ee diambil begitu. Berapa jumlah
air yang kemudian digunakan, dikonsumsi
setiap harinya ee dari sumur-sumur ini
karena dia tidak tercatat ya. Kalau PDAM
pasti ada pencatatan ee pada
watermeternya ya, watermeter di setiap
rumah. Sehingga mungkin dari segi
manajemen pengelolaan itu monitoringnya
mungkin bisa tercatat air yang digunakan
setiap harinya itu berapa begitu. Tapi
kalau misalnya dengan sumur ini sangat
susah gitu mengidentifikasi atau
mengestimasi berapa ya ee secara akurat
gitu ee ini air yang digunakan setiap
harinya. Begitu. Next.
Nah, untuk itu ee karena sumber daya air
ini sangat-sangat
penting ya, air itu ee di apa dibentuk
pembentukan air itu juga tidak cepat ya.
pembentukan air bersih itu tidak cepat
sehingga ee kita dalam ee penataan
ruang, dalam pemanfaatan ruang itu harus
selaras dengan ee pola pengelolaan
sumber daya air. Nah, bagaimana kita
bisa mengelola sumber daya air? Ya, kita
harus paham mengenai siklus hidologi di
sebuah area, begitu. Nah, di sini kalau
ee untuk pendekatan secara cepatnya ya
sebenarnya karena siklus hidrologi itu
ada siklus panjang dan siklus pendek.
begitu ya. Ada siklus panjang, siklus
pendek. Kalau siklus panjang itu nanti
sampai ke ee akver yang terdalam gitu
ya, akver tertekan gitu. Kalau misalnya
siklus pendek kita hanya menghitung
sampai akver bebas dan kemudian air
permukaan. Nah, memang untuk asesmen
secara cepat memang lebih
ee apa ee di lebih nyaman atau lebih
bisa dihitung dengan menggunakan batasan
unit analisis hidrologi yaitu daerah
aliran sungai gitu ya dengan model
siklus hidrologinya dengan rainfall run
off model begitu. Nah, ini seperti dapat
dilihat ya ee gambaran sebuah ee unit
daerah aliran sungai itu adalah ee area
yang dibatasi oleh dua bukit yang
kemudian airnya akan mengalir ke satu ee
air ee satu aliran air sungai yang besar
yang kemudian akan bermuara di ee laut
begitu ya. Dan di situ terlihat bahwa
dalam satu DAS itu ee banyak sekali
pemanfaatan ruang yang bisa dilakukan
gitu. Nah, sehingga tergantung dari
kegiatan apa yang ada dalam unit DAS
tersebut sehingga nanti bisa
menganalisis bagaimana ee pola
pengelolaan sumber daya air yang ee bisa
dilakukan begitu. Nanti kaitannya dengan
perencanaan tata ruangnya begitu. bahwa
kalau misalnya area yang merupakan area
catchment ya, catchment area daerah
tangkapan air hujan berarti kan tidak
boleh dilakukan pembangunan yang masif,
tidak boleh dilakukan perkerasan yang
masif agar air masih bisa meresap dan
kemudian bisa turun ke area discharge
begitu. Baik, lanjut.
Ee nah ini beberapa model yang bisa saya
perkenalkan. Ini diambil dari ee IPA
juga. ya dari USPA bahwa ee ada
model-model rainfall runof itu dari yang
paling sederhana sampai ke yang paling
ee kompleks begitu ya. Tentunya semakin
kompleks ee modelnya akan semakin banyak
pula parameter yang akan dibutuhkan
dalam perhitungan ee sumber daya airnya.
Begitu. Nah, semak namun dengan semakin
kompleks juga akan semakin akurat ee
perhitungannya
begitu. Nah, yang pertama
itu adalah lel di tanpa kita
membeda-bedakan karakter masing-masing
areanya
begitu ya masing-masing area. Jadi, ini
area itu karakternya sama begitu. Jadi
hanya membutuhkan parameter air hujan
yang kemudian akan dihitung sebagai
luaran air limpasan dan ee air yang ee
discharge gitu ya, debit discharge di
titik outlet terakhir di muaranya
begitu. Nah, sehingga ee apa model ini
sangat simpel ini nanti bisa ada ee
selanjutnya ada lebih ada keterangannya
lebih ee lengkap ya. Yang kemudian yang
kedua adalah semiistributed model. Di
sini ee digambarkan semidistributed-nya
sudah terlihat bahwa dia ee dibuat
karakter-karakter khusus per subd gitu
ya, per subd outlet-outlet kecil di
setiap pertemuan eh streamline,
pertemuan arus liar sungai begitu. Nah,
jadi di sini sudah sedikit mulai ada
perbedaan begitu ya, tidak disamaatakan
begitu. Nah, kemudian yang ketiga ini
yang lebih sangat ee apa detail lagi
yaitu distributed model. Nah,
distributed model ini menghitung eh apa?
Menghitung
debit air di setiap piksel begitu. Jadi
setiap piksel, piksel ini adalah eh
picture eh elemen ya, picture elemen
yang eh ada di
gambar ya, gambar. Nah, terutama di sini
adalah tentunya nanti akan dikaitkan
dengan gambar dari remote sensing
imagery begitu ya. Nah, jadi distributed
model ini sangat akurat karena dia akan
memperhatikan karakter ee lahan karakter
lahan di setiap pikselnya begitu. Jadi
tidak lagi tidak lagi ee dipukul rata
gitu ya, tapi sudah memperhatikan
karakter di setiap pikselnya. Sehingga
eh hal kalau dengan distributed model
ini dapat dibedakan area lokasinya.
Apakah dia punya kemiringan lereng,
apakah dia datar, apakah dia punya ee
apa karakteristik lain yang ee khusus
begitu sehingga akan berbeda ee apa
namanya? Pencirinya. Ada penciri di
sini, ada penciri geografisnya begitu.
Sangat berbeda dengan yang ee model A
tadi ya. Model A lamp model di mana
semua eh areanya dianggap sama begitu.
Nah, sehingga di distributed model ini
benar-benar dihitung karena seperti tadi
misalnya kita ee kembali apa maksudnya
kita melihat penggunaan ee sumur sebagai
sumber air bersih ya itu kan kita tidak
bisa tidak bisa ee memukul rata juga ya.
Mungkin ada sumur itu ada di lereng yang
tinggi, ada sumur di lereng yang rendah.
Sehingga mungkin di situ kalau kita
tidak melihat bypixel, kalau kita tidak
melihat ee lebih detail lagi, kita tidak
bisa memetakan gitu di mana sebenarnya
potensi air yang ee masih bisa naik
maupun ee yang turun. Begitu. Begitu ya.
Next.
Baik. Ini ee ini hanya keterangan juga
dari tadi ya. Jadi dari lel
semidistributed dan distributed dari
metodenya bahwa pada lam model ini
memang tidak ada ee di apa tidak
dipertimbangkan ee unsur-unsur
spasialnya gitu ya. Jadi seperti saya
jelaskan tadi bahwa seluruh area itu
dimodelkan sebagai satu unit yang sama
gitu ya sehingga dan inputnya juga hujan
di area tersebut dan kemudian ya
langsung saja diketahui bahwa di situ ee
akan ada debit discharge ee tertentu
begitu. Di sini memang dia itu akan
waktunya akan lebih cepat dalam
menghitung. Jadi ini hanya menghitung
estimasi begitu ya. Menghitung estimasi.
Tapi kalau estimasi kan mungkin untuk
perencanaan itu estimasi itu kurang
bagus ya. Karena kita nanti ketika
berbicara waktu, ketika berbicara jumlah
penduduk itu kita harus berbicara ee apa
namanya? Angka begitu ya, jumlah angka
sehingga kebutuhan air dari penduduk itu
juga tidak ter ee apa ya ter ee tidak
beresiko gitu ya. Tidak beresiko
kekurangan air gitu.
Jadi di sini memang banyak asumsi ya
kelemahannya. Dia memiliki banyak dia ee
banyak asumsinya karena kita tidak tahu
ya apa yang terjadi dalam satu area DAS
itu kan banyak sekali faktornya yang
seharusnya bisa apa mempengaruhi ee
hasil dari debit discharge-nya begitu.
Nah, di sini memang model-model ini
biasanya digunakan pada jenis model
empiris begitu ya. empiris dan
konseptual ee biasanya digunakan
masering karena dia adalah ee
menggunakan data driven ya. Nanti
selanjutnya mungkin akan lebih kami
jelaskan, saya jelaskan lagi mengenai
apa itu empirical, konseptual, dan
physical ya untuk contohnya. Nah, untuk
semistributed juga dia peralihan ya
peralihan antara eh lum dan distributed
dia sudah agak spesifik untuk inputnya.
beberapa sudah mungkin ee apa
membutuhkan beberapa parameter yang
spesifik ee dan bisa ee
mempertimbangkan subd-subdas kecil
begitu sehingga sedikit agak lebih
detail gitu ya. Eh, cuman ya tetap ya
weakness-nya ini juga masih eh
average data masih data yang eh
rata-rata pada satu subd karena dalam
satu subd pun kadang punya karakteristik
yang juga mungkin unik bisa unik begitu
ya. Kemudian kalau yang distributed ini
memang benar-benar ee setiap pikelnya ya
benar-benar mempertimbangkan spatial
variability. Jadi elemen ee unsur
geografisnya, unsur spasialnya di tempat
tersebut itu sangat di ee perhatikan
begitu ya. Jadi memang spesifik data
perselnya. Walaupun mungkin bisa sama
ya, curah hujan mungkin bisa sama, tapi
mungkin dari karakteristik lahannya itu
ee
mungkin ada perbedaan karena kemiringan
lereng, bentuk ee permukaan dan
sebagainya begitu ya. Nah, ini biasanya
harus dikaitkan dengan ee benar-benar
dengan hukum fisika ya, hukum fisika
dari proses hidrologi itu sendiri. Cuman
ya makanya kelemahannya karena ini
adalah proses hidrologi yang benar-benar
sesuai dengan hukum fisika. Jadi, setiap
tetes aliran airnya itu memiliki ee apa
ya, memiliki perhitungan gitu ya,
bagaimana air ini mengalir di batuan,
bagaimana sifat kelistrikan antar batuan
di akvernya begitu. Nah, itu
sangat-sangat menjadi concern dalam eh
distributed model ini. Oleh karena itu,
ya weakness-nya ya eh kelemahannya tentu
saja data itu harus ee harus masif gitu
ya, harus lengkap, harus ada gitu ya.
Dan tentu ee perhitungannya membutuhkan
waktu yang tidak sebentar begitu ya.
Next.
Baik. Nah, ini tadi ya ee jadi empirical
konseptual dan fysikal ini hanya
berdasarkan struktur matematisnya,
struktur perhitungannya. Nah, kalau
empirical ini memang ee datanya itu
nonlinear karena kita semacam kayak ee
kita melihat banyak kejadian. Jadi kita
mengumpulkan data misal data 10 tahun
terakhir kemudian kita
olah di ee machine learning ya. Ini jadi
empirical ini lebih ke data driven ya.
Data driven. Jadi kita mengumpulkan data
hidrologi selama sekian tahun kemudian
kita masukkan dalam machine learning dan
membiarkan machine learning ini yang
membaca data tersebut gitu. Yang
membiarkan machine learning ini membaca
data tersebut. Namun kita sendiri tidak
mendapatkan data-data seperti tadi
seperti yang misal ee kelistrikan antar
batuan ee koefisien infiltrasi ee
tutupan lahan yang berapa persen gitu
ya. Tidak ada tidak ada pengetahuan
tersebut sehingga ini benar-benar
seperti ya black box gitu. Kita kita
memasukkan data hujan sekian puluh tahun
kita ee olah di machine learning
kemudian kita dapat nih debit
discharge-nya berapa ee ee di area
tersebut gitu ya. ini karena small part
ee apa memang tadi parameternya hanya
sedikit ya ee dia nah jadi dia cepat.
Nah, cuman ya ini tadi dia tidak ada
pengetahuan mengenai hal-hal yang
terjadi dalam proses ideologi yang
mempengaruhi dalam suatu ee unit
analisis DAS tersebut. Begitu. Nah, di
sini memang bisa digunakan untuk
perhitungan cepat, estimasi di
tempat-tempat yang datanya kurang, data
pengukurannya kurang, begitu ya. Dan dan
hanya memang untuk melihat saja estimasi
run off di area tersebut itu berapa
begitu. Nah, ini memang ee
contoh-contohnya ini eh seperti curve
number dan artificial network. Ini
adalah ee contoh dari tadi penggunaan
machine learning untuk ee data driven eh
model begitu. Nah, kalau di konseptual,
konseptual itu ee ada sudah ada sedikit
formula ya, rumus yang ee memperhatikan
dari proses ee hidrologi gitu ya. Ee
jadi modelnya cukup simpel gitu ya. Jadi
model cukup simpel ee walaupun juga
tidak ee tidak banyak menggunakan
parameter, tapi sudah sedikit memikirkan
proses hidrologinya gitu walaupun tidak
selengkap di fysikal ya. Kalau di
fysikal ini benar-benar tadi ya
benar-benar ee lengkap begitu, lengkap
sekali. Nah, di sini ee konseptual ini
menjadi jalan tengah sebenarnya, jalan
tengah ketika ee ingin sedikit memaham
apa memberikan pemahaman mengenai proses
hidrologinya dan dan juga kita hanya
memiliki waktu yang sedikit untuk waktu
perhitungannya. Kita hanya memiliki
waktu sedikit untuk menghitung ee ee
rainfall runof ini begitu. Jadi, nah
model-model ini digunakan untuk ee
kenapa sih kita harus menggunakan model
ya? Karena kita itu kan tidak bisa. Iya,
silakan ada yang raise hand mungkin.
Ee izin Bu Sinta nanti aja.
Oh, begitu. Iya, ini soalnya ada yang
resnya jadi saya gimana? E, saya ngikut
ee Mbak Dini aja mungkin nanti ya, Pak
Bapak atau Ibu ya. Ini Bu Eber Delk 21.
Iya. Baik, saya lanjutkan dulu ya. Nanti
mungkin ee yang pertama akan bertanya
mungkin Pak Eber ini ya. Jadi ee mungkin
lanjut saja
ee ya. Jadi model ini kenapa kita harus
menggunakan model? Ya, karena kita itu
harus eeemp
me me apa namanya? mensimulasikan ya
mensimulasikan kejadian alam supaya kita
bisa memprediksikan kejadian ke depannya
itu bagaimana sehingga harus dipilih
model yang mendekati dengan ee kejadian
sesungguhnya. Begitu. Nah, di sini model
hidrologi ini ee apa namanya?
Menggambarkan atau mensimulasikan
kejadian siklus hidrologi yang ada di
alam tentunya. Begitu ya. Lanjut.
Baik, ini hanya sekedar gambaran saja
untuk konseptual model itu. Ee jadi
sudah sedikit memberikan gambaran
mengenai bagaimana sih proses hidrologi
itu dari mulai ada presepitasi yang
kemudian dipengaruhi dengan ee evapor
transpirasi dan kemudian masuk
infiltrasi yang akan disimpan dalam zona
ee ee storage eh soil storage gitu ya.
kemudian akan turun lagi ke bawah ke
akver ee tertekan begitu sehingga di
sini ada ee sudah ada sedikit prosesnya
gitu. Lanjut.
Nah, kalau di sini yang physical model
ini benar-benar melihat setiap proses
dari ee siklus hidrologi itu sendiri
bahkan sampai ke siklus yang panjang
begitu ya. di mana di situ setelah ada
prespitasi itu kan presipitasi pun masih
dipengaruhi dengan ee radiasi sinar
matahari. Kemudian di bawah itu nanti
dipengaruhi di lahannya infiltrasi akan
dipengaruhi dari jenis tanah, kemudian
dari koefisien infiltrasinya berdasarkan
penggunaan lahan dari kemiringan
lerengnya. Kemudian ketika masuk ke
Akiver bebas itu nanti ee kelistrikan
dari ee antar batuannya bagaimana. Jadi
ini benar-benar super detail dan harus
ee apa namanya? Menggunakan data yang
intens tadi ya. Datanya harus
benar-benar lengkap begitu. Baik,
lanjut.
Baik, kita sekarang akan masuk ke ee
pengenalan dengan ee ee kepada remote
sensing proses ya. Tapi sepertinya ini
juga sudah sangat ee mungkin sudah
sangat sering dibahas ya. Saya hanya
sedikit saja karena apa sih sebenarnya
data yang diambil dari ee remote sensing
tersebut gitu ya. Jadi remote sensing
ini kan memang dia dia ee adalah ee
hasil dari rekaman satelit ya, sensor
satelit ya yang diolah kemudian jadi
sebuah gambar. Jadi kalau kita melihat
gambar ee satelit ya, citra satelit itu
kan kita pasti ini gambar apa sih gitu
ya, kok gambar enggak ada bagus bagusnya
gitu ya. Hanya kadang hitam putih kadang
ya kalau sudah diatur bandnya bisa
berwarna gitu ya. Padahal di situ
mengandung data yang sangat-sangat ee
bermanfaat, yang sangat-sangat
signifikan bagi ee pembangunan
berkelanjutan begitu ya. Jadi di sini
setelah ee data tersebut diambil ee bisa
diolah dengan G software dan beberapa
formula kemudian bisa memberikan produk
ee informasi spasial ya, informasi
spasial apapun ya, dalam bidang apapun
begitu ya. Nah, saat ini mungkin yang
memiliki yang ee beberapa negara
atau area ee apa yang
ee produk dari citra satelit Jepang ya.
Jepang juga mulai
ee
ee Halo. Masih terdengar ya.
Nah, jadi di sini ee kita juga perlu
tahu ya artinya apa, kenapa kita perlu
tahu ee negara apa saja, kemudian
aerospace agency-nya apa, produknya apa,
resnya itu sepertinya lebih ke ini ya.
Kita kita dulu itu kalau di kalau saya
ingat ya, kita dulu punya ya lembaga
antariksa nasional ya, lembaga
penelitian antariksa nasional gitu. Nah,
itu kita punya delapan itu sebenarnya
ini aerospace agency-nya itu seperti
delapan gitu. Yang kemudian berkembang
pesat ya. NASA ini dia mengeluarkan
lansa ee apa lansat dari satelit 1
sampai satelit sekarang ini sudah
keesembilan ya dan semakin memperbaiki
ee resolusi dari gambarnya dan
memperbanyak band-bandnya ya. band ee
apa untuk ee channel-channel-nya yang
untuk merekam berbagai macam ee apa ter
ee apa ee benda di terestrial gitu ya,
di atas ee di permukaan bumi gitu ya.
Mungkin nanti suatu saat NASA juga akan
mengembangkan satelit yang sudah bisa ee
apa melihat sampai ke subtirrain gitu
ya. ee ini ee Jepang pun sekarang sudah
naik gitu ya, sudah mulai ee juga naik
gitu ya dengan ee Jaksa ya, Japan
Aerospace eh Agency dan juga punya
produk AOS ya. Ee ini juga sudah eh
resolusinya juga semakin diperbaiki gitu
ya. Kemudian eh Europe Union, European
Union e dia punya Kopernikus dengan
produknya Sentinel yang juga sering
dipakai oleh ee ee apa orang-orang ya
karena ini produk-produk ini eh free
gitu ya, free for free gitu. Jadi kita
bisa menggunakannya, memanfaatkannya
untuk kepentingan negara kita juga gitu.
cuman ya itu ketakutannya kan
sebenarnya. Wah ternyata Amerika,
Jepang, EU itu sudah punya juga ya ee
data-data mengenai negara kita gitu.
Nah, ini kan ee apa? Bahkan mereka punya
sampai yang pedalaman gitu. Nah, ini ee
mungkin ini kalau ada Bapak Ibu yang ee
bekerja di an mungkin ini menjadi apa ya
menjadi sebuah ee apa ya? Pemicu lah ya
seharusnya. e penginnya tuh kita juga
punya nih Indonesia punya gitu. Kita
bisa bersaing juga di eh aerospace e
produk gitu ya ee e citra produk-produk
citra satelit begitu. Baik, lanjut.
Baik. Nah, ini tadi ya ee ini secara
simpel saja bahwa tadi ya ee si satelit
tadi sensornya akan merekam ee beberapa
benda yang ada di permukaan bumi ya.
mulai dari hijauan ya, air, kemudian ee
baren land ya, bear soil yang lahan
terbuka, perkerasan, kemudian juga ada
area terbangun ya. Area terbangun pun
kalau rumah penduduk dengan gedung
mungkin ee apa namanya? Pancaran
elektromagnetiknya akan beda gitu. Nah,
apa sih sebenarnya yang perlu dilihat
dari sini? Nah, ini next coba.
Nah, ini ya. Jadi data atau informasi
apa sih yang perlu kita ambil dari
sebuah citra gitu ya. Nah, ini saya
contohkan sebenarnya dari citra lensat
saja gitu ya karena ee kebetulan saya e
bekerjanya sering dengan lensat begitu.
Nah, di sini di di dalam citra jadi
sebelah kiri ini ya yang ada hijau
keunguan, ada biru gitu ya. Ini adalah
hasil dari perekaman sensor satelit
LANSAT begitu ya. sehingga dinamakan
lenset image. Nah, lenset image ini
bahkan sudah dikoreksi oleh US eh GS ya,
USG ee jadi yang apa namanya yang
mengolah ee data lenset ini USJS karena
ketika kita merekam itu kan tidak smooth
ya. Kita ee sebuah satelit mengitari
bumi itu kan tidak smooth. Jadi ada
awannya, ada ee apa atmospheric
error-nya gitu ya. di ee berbagai macam
ee penutup di situ ya. Kalau kita naik
pesawat aja kita juga tahu bahwa oh kita
menembus awan ketika kita ngelihat ke
bawah kadang-kadang ketutupan awan. Nah,
sama dengan sensor satelit ini juga ee
apa kadang-kadang tertutup awan ee
citranya. Nah, itu mempengaruhi dari
ini. Ee jadi dari image tadi itu kan
terdiri dari picture elemen ya, piksel
tadi yang ee ini yang dinamakan. Nah,
yang dinamakan resolusi tadi adalah
ukuran kotak piksel tersebut. Kalau
lansat resolusinya 30 m, berarti satu
pikselnya, satu kotak ini itu berukuran
30 * 30 m, ya. 30 m * 30 m itu
resolusinya begitu. Termasuk medium
resolution gitu ya. Artinya medium
resolution ya bisa dipakai untuk
kajian-kajian studi ee urbanisasi gitu
ya. Masih bisa dipakai dengan skala yang
ee 30 m * 30 m tadi. Nah, apa yang di
apa yang menjadi ee hal penting dalam
piksel tersebut? Yaitu namanya ee
metadata yang berupa digital number gitu
ya. Apa sih digital number gitu ya?
digital number itu yaitu nilai
keterangan ya brightness ya brightness
value di permukaan bumi yang terekam
pada setiap band di setiap piksel. Jadi
ee di Lanset Image ini dia kalau di
Lanset 8 itu ada tergantung dari
formatnya ya. Kalau yang lama lanset 1
sampai 7 masih format 8 bit. Digital
number yang tersimpan itu masih berkisar
antara 0 sampai 255. di mana setiap
digital number itu menggambarkan tadi
apakah dia tumbuhan, apakah dia air,
apakah dia perkerasan atau hanya lahan
tanah terbuka begitu ya. Nah, sama kalau
yang terbaru Lansat 89 sudah menggunakan
format 16 bit sehingga DN-nya lebih
range-nya lebih besar yaitu 0 sampai
65.500 sekian gitu ya. Jadi itu lebih
lebih detail lagi gitu untuk ee apa
perekaman
ee benda yang ada di permukaan bumi
gitu. Nah, ini akan berbeda di setiap
band ya. Jadi band 1 misalnya band 1 ini
lebih sensitif merekam air band 2 lebih
sensitif merekam tanaman band 3 gitu ya.
Jadi setiap jadi dalam satu Lansat Image
ini dia punya beberapa layer channel
gitu, beberapa layer channel yang nanti
ee lebih apa namanya? channel tersebut
akan ada yang lebih sensitif merekam ee
permukaan bumi tertentu begitu ya. Kalau
2 3 4 5 itu masih bisa di ee apa
kelembaban tanah dilihat terlihat
kelembaban tanahnya dan vegetasinya
begitu sehingga terlihat di situ juga
air dan sebagainya begitu. Jadi di sini
jadi setiap piksel ini dia memiliki
nilai yang bisa memperlihatkan
apa yang ada di permukaan bumi tersebut.
Nah, sehingga data digital number inilah
yang sangat penting dalam ee kita
menggunakan data citra karena nanti
digital number ini yang akan diolah
secara statistik dan kemudian akan di
proyeksikan kembali pada ee secara
spasial menggunakan GIS software begitu
ya. Lanjut.
Nah, kemudian sekarang kita masuk pada
aplikasi ee studi kasusnya ya untuk
mengidentifikasi potensi sumber daya air
di ee Daerah Istimewa Yogyakarta dengan
satuan unit analisis ee wilayah
kecamatan pada area Subdas Opak begitu
ya. Nah, di sini terlihat ee area
studinya. Nah, di sini kenapa saya
berikan ini sebenarnya karena ini ee apa
namanya? pertama itu kita memang harus
melihat apa yang menjadi ee driver
change gitu ya dalam urbanisasi. Nah,
kalau di area ini kebetulan driver
change-nya adalah banyaknya kampus gitu
ya, banyaknya kampus ee di lokasi yang
kemudian ee memicu perkembangan atau
pertumbuhan perkotaan. Jadi
urbanisasinya dipicu oleh ee banyaknya
kampus yang tersebar di ee lokasi studi.
Begitu. Lanjut.
Nah, dalam dalam mengidentifikasi
potensi sumber daya air kita harus ee
melihat dulu karena tadi ya dengan
adanya proses hidrologi yang masuk
melalui daerah ee lahan terbuka ya lahan
hijau sehingga dipertimbangkan untuk ee
klasifikasi lahannya hanya dua yaitu
untuk lahan terbuka yaitu non urban dan
urban area. Nah, di sini saya mengambil
ee tiga citra, tiga citra Lansat ya.
Saya menggunakan Lansat 5 karena memang
ee menyesuaikan dengan data yang ada di
Indonesia. Jadi, studi saya ini pada
tahun 2020
sebenarnya, tapi karena data ee apa
namanya? data yang ada itu data
hidrologi ya, terutama data hidrologi
yang ada itu hanya 2012 dan 2013
sehingga melihat ee klasifikasinya 10
tahun terakhir dari data yang tersedia
begitu. Nah, di sini yang diambil adalah
ee tahun 99, tahun 2005, dan tahun 2011
untuk melihat
ee bagaimana perkembangannya begitu.
bagaimana perkembangannya. Nah, ini
diambil dari ee dari USGS juga ya. Jadi,
Citra Lansat ini dapat diambil dari ee
USGS gitu. Nah, di sini klasifikasi.
Untuk klasifikasi lahan sendiri
menggunakan citra itu dengan mudah
sebenarnya kita bisa menggunakan ee
banyak GIS software ya. termasuk salah
satu yang paling kuat tentunya ACMAP
yang punya versi eh outsource yaitu
Quantum GIS ya. Nah, di situ ada dua
macam juga ada dua macam ee tools ya ee
apa ee alat untuk mengklasifikasi yaitu
supervise dan unsupervised ya supervise
dengan maximum likelihood classification
dan dengan unsupervised classification
begitu. Nah, namun kalau dengan
menggunakan ee metode tersebut ya ee
secara
sebenarnya sebenarnya ya ini kalau
secara karena itu memang sudah sangat
sering dilakukan ya, tapi secara
benar-benar kajian ilmiah itu mungkin
agak kurang di bisa
dipertanggungjawabkan secara ilmiah.
artinya ee karena itu bersifat subjektif
ya dalam melakukan supervised eh
classification itu kan kita mengambil
contoh-contoh dari class signature
begitu ya, class signature. Jadi kita
mengambil ee
apa sampling-sampling dari masing-masing
kelas yang kita
pahami
di area tersebut gitu ya untuk
dimasukkan sebagai training ee nanti
pada saat ee dimasukkan ke tools
tersebut begitu ya. Nah, pada saat kita
mengambil sampling tersebut itu kan
sifatnya sangat subjektif ya, sangat
subjektif. ee sehingga kita kayak hanya
kita yang paham, hanya kita yang tahu
bahwa
ee sampling tersebut sesuai gitu.
Misalnya saya ambil, oh di sini urban
area gitu ya. Misalnya saya ambil di
sini ee apakah ee mouse saya terlihat?
Pergerakan mouse saya terlihat enggak
ya?
Ee enggak ya, Bu ya?
Oh, enggak. [tertawa] Baik, baik. Ee
baik. Saya inikan aja ya. Saya
deskripsikan. Misal nih ee kalau dari
hasil ini ya, kalau dari hasil itu kan
dilihat bahwa yang orange itu bagian
tengah itu kan memang ee apa namanya?
Kelihatan sekali dia padat ya, padat
perumahannya. Tapi kemudian ketika kita
ke atas lagi atau ke bawah lagi gitu ya,
di situ sudah mulai tercampur antara ee
area urban dan nonurban begitu. Nah,
bagaimana kita bisa yakin bahwa itu
class signature-nya kita masukkan
sebagai nonurban begitu kan. Itu kita
juga tidak yakin ya ke keakuratannya
masih dipertanyakan begitu. Masih
dipertanyakan sehingga ee apa namanya?
sehingga saya kemudian ya ini dengan
supervisi juga menggunakan metode
menggunakan ee data driven
classification ya menggunakan machine
learning tadi. Jadi kita ekstrak tadi
digital number-nya. Kita ekstrak digital
number dari eh masing-masing lanset dan
kemudian kita training dengan
menggunakan metode stokastic gradient
boosting gitu ya. Jadi pada saat ee ini
pada saat ee saya membuat ini, ini ada
sekitar 800.000 piksel gitu ya. 800.000
piksel yang saya gunakan dari band 2, 3,
4, dan 5. Band 2, 3, 4, 5 gitu ya. Untuk
melihat tadi ee apa kelembaban tanah
sehingga bisa terlihat apakah dia
perkerasan, apakah dia itu vegetasi, ee
apakah dia air begitu ya. di situ ee
dari 800.000
piksel tadi kemudian di ee apa namanya?
Diolah dalam ee
machine learning eh algoritm gitu ya.
Jadi memang pakai coding begitu. Nah,
ininya namanya stokasi gradient
boosting. Nah, ini ini ee kalau secara
detailnya bisa dibaca pada paper saya ya
yang tertera di bawah sendiri ya. locasi
gradient boosting algorithm for line
change line change detection using multi
temporal eh set eh lens set five gitu
ya. Nah, dari sini, nah, dari ee metode
tersebut, machine learning tersebut,
akhirnya bisa terlihat pembagian atau
klasifikasi yang cukup ee
signifikan terlihatnya ya. ee yaitu ee
sebenarnya ini saya bagi menjadi 11
kelas ya, yaitu perkotaan, kemudian ada
sawah, ada ee tegalan, ada kebun dan
lain-lain. Cuman kemudian sawah,
Tegalan, kebun itu saya jadikan satu
jadi ee nonurban begitu ya. Sedangkan
permukiman, gedung, dan lain-lain itu
saya jadikan satu menjadi urban begitu.
Karena kita secara siklus ideologi kita
hanya menentukan lahan terbuka dan lahan
perkerasan gitu ya. Nah, namun di sini
pun masih terlihat ya, di sini sangat
terlihat yang di 2011 itu di sebelah
pojok kanan atas itu ada gangguan berupa
cloud cover gitu ya di pojok kanan atas
itu sehingga hasilnya ya blank pikel
karena tidak ada piksel yang bisa karena
dia semacam zero gitu ya semacam zero
sehingga hasilnya pun terlihat di sini
ada gangguan cloud cover-nya gitu di
pojok kanan atas di ee Lans 2011 memang
itu kekurangannya ya, kekurangannya ee
pada saat kita bermain-main atau
menggunakan data citra begitu ya.
Mengata citra kalau memang cloud
cover-nya ee apa agak
tebal gitu ya, nah maka hasilnya juga
tidak akan terbaca ya. Itu juga terjadi
di ee ini di 2005. di 2005 di kiri bawah
ya itu cloud cover juga sehingga
terlihat hasilnya kosong begitu di sini
ya hasilnya kosong. Nah, sebenarnya ini
memang bisa dikoreksi bisa ya dikoreksi
cuman mengoreksinya itu membutuhkan data
yang juga tidak sedikit begitu ya.
Atmospheric correction ini menggunakan
data yang data tampalan ya, data overlay
yang tidak sedikit. Nah, itu jadi agak
membutuhkan waktu ee yang cukup panjang
ya. Sehingga ee di sini saya
diperbolehkan untuk menggunakan data
yang ada saja. Begitu. Nah, kemudian di
sini juga ee terlihat ada ee apa ee
piksel piksel urban yang hilang ya di
2011. bisa terlihat di kotak merah dan
kotak biru. Jadi, kotak merah dan kotak
biru itu adalah posisi kampus ee di di
Jogja ya, ada Universitas Islam
Indonesia yang merah dan ee ee saya lupa
ya yang AIA ini apa ya akademi akademi
apa gitu saya maaf saya lupa. Nah, itu
jadi ini hilang karena dimungkinkan ee
pengambilan data ini adalah pada saat ee
tutupan vegetasinya sudah cukup rimbun
gitu. Sudah cukup rimbun dan menutupi ee
piksel-piksel
ee apa namanya? Piksel lahan
terbangunnya gitu ya. Memang itu
kekurangan dari ee medium spatial
resolution ya. Kalau kita bermain dengan
medium spatial resolution itu
kemungkinan terjadinya mix piksel itu
sangat tinggi. Karena bisa dibayangkan
satu pikselnya itu kan berukuran 30 *
30. Bisa dibayangkan dalam kenyataan
dalam ee kotak 30 * 30 m itu kan
penggunaan lahannya sangat-sangat
bercampur gitu ya. Jadi tidak mungkin ee
apa kalau memang dia pemukian padat
tentu bisa dikatakan bisa dilihat bahwa
dalam kotak dalam plot 3030 itu ee
adalah lahan perkerasan. Tapi ketika ada
sebuah area dengan pepohonan yang rimbun
ya ada bangunan dengan pepohonan yang
rimbun dalam dalam piksel 30 * 30 ini,
maka akan terjadi yang eh namanya
fenomena mix sel ya. Mix sel itu mix
pixel. di mana ya digital number yang
terekam itu bingung gitu ya. Dia bingung
ini dia bingung antara ini itu
separuhnya kok lahan perkerasan tapi
separuhnya juga ee vegetasi gitu
sehingga berapa yang harus di ee yang
harus direkam. Nah, itu sehingga terjadi
mix pxel ini sehingga kadang-kadang
kalau memang kalau memang vegetasinya
itu menutupi bangunannya ya yang terjadi
adalah ee yang teridentifikasi ya
rimbunannya ya kerapatan dari ee
vegetasinya begitu
ya. Lanjut
ya. di sini ee ini saya hanya share saja
di sini ee ee website yang untuk ee
men-download ya mengambil ee apa bisa
mengunduh mengunduh berbagai macam data
sebenarnya tidak hanya lanset ya jadi
bisa di disesuaikan dengan kepentingan
kita di sini bisa diotak-atik sendiri di
sini banyak sekali ini di sini ada
search di pojok kiri atas ya pojok kiri
atas itu ada search criteria ada data
set additional criteria jadi di search
kriteria ini nanti kita memasukkan ee
apa namanya? Posisi gitu ya, posisi baik
secara geografis maupun bisa ee secara
nama gitu ya. Nanti akan kemudian muncul
posisinya. Kemudian data set ini jenis
data yang akan di-download apakah LANSAT
atau land global gitu ya. Landuse eh
global land use gitu. Kemudian
additional criteria ini bisa memilih
berapa tutupan cloud cover yang
diinginkan ya. Tapi ee paling kecil
hanya 10%. Jadi tidak bisa kurang dari
10%. Nah, dari Nah, dari situ memang
agak tricky ya. Ketika sudah memilih 10%
tuh pasti nanti sedikit sekali data yang
dapat dipilih dan kita harus cek
satu-satu itu sesuai dengan kebutuhan
kita, area studinya mana yang akan di ee
pilih begitu. Memang triky-nya seperti
itu, tapi ya bisa masih bisa diusahakan
begitu gitu ya. Next.
Baik. Nah, kemudian selanjutnya ee
bagaimana kita memprediksi ee apa
namanya penggunaan air itu kita juga
memprediksikan penggunaan lahannya ee
beberapa puluh tahun ke depan. Nah, di
sini ada salah satu G software juga yang
namanya LAN Change Modeller gitu ya dari
Terset Software dari ClockLABS. Nah, ini
juga salah satu aplikasi untuk
menganalisis perubahan lahan dan
mensimulasikan variabel-variabel apa
yang terkait untuk ee memicu perubahan
tersebut, gitu. Nah, di sini ee cukup ee
apa namanya? Cukup rumit ya. Nah, di
sini sebenarnya kalau dilihat dari ee
ini kalau dilihat dari diagram
sebenarnya kayak simpel ya, tapi di sini
cukup rumit juga karena dari apa kita
harus menghasilkan tadi harus
menghasilkan ee apa namanya peta
penggunaan lahan yang sudah ee ada pada
slide sebelumnya. Nah, di sini yang saya
gunakan adalah peta penggunaan lahan
yang 99 dan 2005 untuk memprediksikan
ee penggunaan lahan di 2030. Ya, pada
diagram bisa dilihat ee di tengah itu
ada ee yang di yang dimasukkan dalam LCM
dalam line change model ini adalah data
99 dan data 2005 untuk memprediksikan
yang di akhir ini 2030, 2040, dan 2050.
Nah, kenapa saya harus buat tiga ya yang
di atas tadi? Karena yang dua yang 99
dan 2005 itu untuk ee apa?
mensimulasikan prediksi ke depannya.
Nah, yang satunya yang 20110 ya itu
untuk memvalidasi apakah prediksi dari
LCM ini sudah acceptable atau belum
persentase validasinya begitu ya.
sehingga kalau sudah acceptable maka
bisa dibuat untuk memprediksikan eh land
use map atau land cover map di 2030,
2040, 2050 bahkan sampai 2
begitu ya. Tergantung dari ee apa
namanya
ee disesuaikan dengan kebutuhan studinya
begitu. Lanjut
ya. ini hanya sedikit saja sedikit ee
share juga bahwa LCM ini juga bekerja
dengan algoritma machine learning ya. Di
sini masih ANN dan Mark of Chain ya. ANN
ini seperti maksimum likelihood dalam
AKMAP gitu ya. Jadi nilai parameter apa
yang membuat fungsi kemungkinan yang
paling besar maksimumnya apa, yang
paling cocok gitu sehingga nanti dapat
memberikan gambaran tren perubahan lahan
beserta matriksnya gitu. Begitu. Lanjut.
Nah, ini juga ya ini hanya mark of chain
bahwa mark of chain ini juga prediksi
berdasarkan probability gitu sehingga
bisa memprediksikan ee beberapa variabel
yang dimasukkan. Kalau saya tadi
memasukkannya salah satunya ee karena
ada karena ee driver dari pembangunan
itu kan kita bisa apa ya estimasikan
juga atau kita bisa cari melalui studi
literatur ya bisa area komersil atau
bangunan komersil bisa sekolah bisa ee
mungkin rumah sakit mungkin ee kampus
gitu ya. Nah itu semua variabel itu
prediksi itu kita masukkan. Nah,
ternyata pada pada prediksi saya yang
paling ber apa? Yang paling memicu itu
adalah kampus. Begitu ya. Dari LCM ini
bisa diketahui bahwa pemicunya yang
paling besar adalah keberadaan kampus.
Begitu. Baik, next.
Nah, ini adalah eh userface-nya ya eh
interface sori interface dari ee si eh
terset tadi. Jadi di terset ini
sebenarnya juga banyak sekali bisa ee
ada banyak ee apa tools-nya, ada banyak
model gitu ya yang bisa kita gunakan.
Nah, di sini saya menggunakan yang
paling atas ini ya, di line change
model. Tapi di sini ada image processing
pun. Jadi, ini mirip dengan arc map,
tapi dia sudah lebih ter ee
terklasifikasikan. Kalau kalau di artmap
itu kan semua tools-nya itu bercampur
ya, bercampur sehingga kita juga agak
kadang masih agak bingung dalam memilih.
Nah, kalau di terset ini dia sudah ee
apa namanya? Sudah di ee kondisikan satu
demi satu begitu. Nah, di sini saya
menggunakan yang line change modeller.
Oke, next.
Nah, ini ini adalah hasil ini interface
juga saja ya. Begini hasil dari ee
projection tadi, prediksi ee perubahan
penggunaan lahan gitu ya. Ini adalah
data yang dimasukkan ya sebelah kiri
atas itu yang peta layer itu ya.
Kemudian nanti terlihat juga eh line
transition-nya itu akan terlihat
seberapa yang berubah gitu ya. Seberapa
yang berubah, seberapa yang tidak
berubah di situ terlihat gitu ya.
Kemudian nanti bisa memproyeksikan untuk
beberapa puluh tahun ke depan gitu ya.
Lanjut.
Nah, ini ee ini adalah hasil ya, hasil
tadi ee jadi hasil dari LCM-nya, hasil
dari line change modeller. Nah, kenapa
ini kayak bolong-bolong ya? Itu karena
dipilih tentu yang data yang valid.
Artinya kita ee ini kan model
pembelajaran ya. Sehingga di sini yang
terpenting adalah validity of data gitu
ya. Kalau kita memprediksi tapi dasarnya
tidak valid, maka prediksinya tidak akan
valid dan tidak bisa
dipertanggungjawabkan. Begitu ya.
Sehingga data yang digunakan harus
dipilih area-area yang datanya itu
valid, begitu. Sehingga ini hanya ee ada
di beberapa ee area tersebut begitu ya.
Nah, ini makanya bolong-bolong karena
memang di sini yang valid hanya
data-data di area tersebut untuk
prediksinya begitu.
ya. Next.
Nah, kemudian ini kita melangkah ke ee
aspek hidrologinya ya. Kalau tadi kita
sudah mengetahui ee perubahan penggunaan
lahannya, nah di sini kita mulai dengan
menghitung ee daur hidrologinya berapa.
Jadi remote sensing yang remote sensing
data dan ji software yang digunakan
dalam mendelineasi ini di sini saya
menggunakan
ee alos ya menggunakan alos karena
kebetulan memang studi saya di Jepang
jadi ee diarahkan untuk menggunakan alos
dan kemudian saya hanya menggunakan QG
untuk membuat ee apa mengidentifikasi
subd-nya begitu. Di sini ada modul saga
untuk mengidentifikasi
eh subd-nya.
Nah, di sini piksel yang terekstrak
yaitu sejumlah 34.000 saja yang terjadi
karena ini dibatasi kan untuk dibatasi
subdas dan kemudian dari atasnya pun
dibatasi karena diasumsikan
presipitasi e di sini ya. Kita lihat
gambar di kiri di bagian kiri ini di
atas kiri atas ya di kontur line 500 m
ini adalah batas dari catchment area
subd yang akan ada di lokasi studi gitu
karena diasumsikan yang di atas 500 ini
ee presipitasinya akan masuk ke ee akver
yang tertekan gitu. Dia tidak akan masuk
ke akiver bebas yang jadi dia hanya
mempengaruhi di siklus panjang daur
hidrologi yang siklus panjang. sehingga
digunakan pembatasan di ee area 500 m.
Ini juga berdasarkan ee studi literatur
ya gitu.
Kemudian
untuk ee tadi ya, jadi ketika kita
membuat model itu pasti harus ada data
untuk memvalidasi gitu ya, memvalidasi
model tersebut sehingga model tersebut
bisa dipertanggungjawabkan hasilnya
gitu. Apabila tidak valid ya kita tidak
bisa menggunakan data tersebut gitu.
Nah, sehingga di sini yang memiliki data
discharge begitu ya, di sini hanya C2,
C5, dan C4. Begitu dia memiliki data
discharge. Jadi subdas C2, C4, dan C5
lah yang digunakan sebagai ee apa? Data
untuk optimasi dan validasi model.
Begitu. Next.
Nah, ini ee saya share saja ee bahwa
alos itu bisa di ee apa diunduh atau
dicari di sini begitu ya. Next.
Baik. Nah, ini mungkin agak lebih ee apa
namanya? Ee sebenarnya ini modelingnya
agak rumit gitu ya, tapi secara prinsip
saja bahwa tadi berdasarkan beberapa
model hidrologi ya yang digunakan di
sini water balance modelnya yang
digunakan adalah perpaduan antara
konseptual model dan physical model gitu
ya. Agar apa ya? Agar kita bisa
menggunakan data yang ee ada begitu.
Nah, di sini konseptual modelnya
menggunakan top model yang
mempertimbangkan spatial variability
berupa topographic index, gitu ya. Jadi
dari konseptual model ini nanti akan
dihitung eh topographic index-nya begitu
yang kemudian akan menjadi index of
relative difficulty infation.
Nah, indeks. Jadi indeks di mana
apa namanya air ini tidak akan menjadi
run off begitu dengan adanya topographic
index. Jadi topografic index ini dinilai
dari kelerengan ya dari tangen dari
tangen ya tangen ya bahasa Indonesia
tangen dari sudut lereng tersebut dan
dihitung tidak menghitung satu-satu ya
karena 3.400 piksel gitu ya. itu
dihitung dengan tools the wetness index
di ACMAP version 10.8 begitu. Di the
dietness index ini, ini bisa dihitung eh
topographic index-nya yang kemudian akan
menjadi indeks ee ini kesusahan untuk
menjadi run off gitu ya untuk jadi
istilahnya dia ee seberapa besar satu
piksel ini bisa menahan air begitu.
Begitu ya. Ee jadi pengertiannya begitu.
Nah, itu ternyata dari IRDG ini, IRDG
ini sangat berhubungan dengan physical
model dari Sinanjiang Model di mana di
situ Sinanjiang model ini
mempertimbangkan mengenai ee kelembaban
tanah ya, karakteristik kelembaban tanah
gitu di situ. Nah, di Sinanjiang model
ini ada kurva kurva parabolik yang
merepresentasikan variasi spasial dari
kejenuhan kejenuhan kelembaban tanah.
Jadi, seberapa
jenuh tanah dapat menghold
me apa ya menyimpan menyimpan air. Nah,
jadi nah inilah yang menjadi proxi
indikator dari ground water recharge-nya
di ee studi ini. Begitu. Nah, jadi IRDG
ini akan dihubungkan dengan parabolic
curve dari si eh soil moisture tadi,
kelembaban tanah tadi yang kemudian
menjadi proxi indikator atau indikator
pendekatan ya kepada untuk melihat
ground water recharge-nya begitu. Nah,
yang di sebelah kanan yang eh projected
urbanization ini tadi eh digunakan untuk
menghitung konsumsi ee domestik,
konsumsi kebutuhan air domestik gitu ya.
Jadi di situ ee tadi dilihat berapa
berapa urban pikselnya kemudian
dikonversi menjadi per capita water
consumption gitu ya. J di ee apa
namanya? dikonversi dihitung menjadi
kebutuhan air per kapitanya begitu untuk
di integrasikan
dengan water balance model begitu.
Lanjut.
Nah, ini ini yang tadi di Sinanjiang ya.
Di ini parabolic curve-nya Sinanjiang.
Jadi di sini nanti si IRDG itu
diasumsikan dengan parabolic curve ini
yang W aks ini ya yang parabolik yang
bersifat parabolik ini itu diasumsikan
dengan IRDG dengan index of relativity
eh eh difficulty of run of generation
gitu ya. itu. Jadi di sini bisa
memperlihatkan di mana ee
area jenuh dan area yang masih belum
jenuh. Di situ bisa terlihat dengan
membuat parabolic curve dari IR. Nilai
IRDG tadi dari 34.000 1000 piksel tadi
bisa ditemukan ee dengan parabolic curve
ini bisa ditemukan nilai kejenuhan itu
ada di mana yang kemudian nanti
dimasukkan dalam model perhitungannya
gitu. Lanjut mungkin.
Nah, ini jadi ee
apa model ini dirunning-nya hanya di
Excel ya dengan macros gitu ya. hanya di
Excel dengan makros dengan ee memasukkan
ee ini tadi elemen-elemen tiap elemen
dari ee tiap parameter dari ee neraca
air ya. Jadi dari top model tadi ada
yang kemudian digabungkan dengan eh
curve paraboliknya soil moisture ya.
Jadi si eh W ini adalah soil moisture
ya. WT ini soil moisture yang kemudian
nanti akan jadi hasil akhirnya adalah
soil moisture yang akan di buat peta
saturation map begitu ya yang ee WT ini
ya. WT itu akan hasil dari WT itu nanti
akan di ee petakan kembali secara
spasial ya. Jadi kita bisa melihat
bagaimana distribusi pikselnya dari ee
apa kelembaban si tanah tadi atau ground
water recharge areanya tadi. Begitu.
Jadi, nah di sini di dari apa? Modified
water balance yang top model dan sinjang
tadi ee saya tambah e di sini kami
tambahkan di dalam studi ini ditambahkan
ini eh consumption ya. di sebelah kanan
ini ada U itu menggambarkan bahwa air
itu tidak hanya run off dan discharge
ya, tapi juga habis oleh konsumsi.
Begitu
begitu ya. Jadi ini ditambahkan
diintegrasikan. Jadi faktor U
diintegrasikan untuk mengurangi juga
berapa air yang masih bisa untuk ground
water recharge. Begitu
begitu. Lanjut.
Nah, ini hanya data ya. Jadi, data
presipitasi memang ee penelitian ini
sangat terbatas dengan ee