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 adanya data ya
sehingga yang digunakan hanya mengguna
untuk presipitasi sendiri dan data evapo
transpirasi itu menggunakan data 24
bulan selama 2012-2013
dari BBWSO dan beberapa stasiun cuaca
begitu ya. Kemudian yang data urban
areanya tadi ya menggunakan line change
modeller. Kemudian populasi ee
menggunakan BPS gitu. Kemudian dari ee
konsumsi air bersihnya juga ee
dikonversi berdasarkan SNI ee sumber
daya air spasial begitu ya. Kemudian
data debit bulanan untuk validasi juga
diambil dari ee stasiun cua stasiun ee
apa? Discharge ya. Ee pencatatan
discharge
ya. Next.
Baik. Nah, ini tadi ee adalah validasi
dari hasil model ya dan ee menggunakan
ee yang merah garis merah ini adalah
hasil dari modelnya. Yang biru adalah
hasil dari ee stasiun pengamat
discharge, debit discharge ya. Nah, di
sini terlihat bahwa ee cukup signifikan
ya dengan R dibuktikan dengan R = 0,77
ya walaupun mungkin masih ee ya
rata-rata mungkin 0, apa 0,8 seharusnya
ya kalau yakin begitu ya. Tapi di atas
0,75 saya rasa modelnya juga sudah cukup
valid begitu.
Baik, next.
Nah, dari model tersebut maka dihasilkan
ee
apa? neraca air bulanan begitu ya pada
wet season pada musim ee penghujan
maupun musim kering gitu ya. Sehingga
terlihat eh saturation-nya terlihat di
sini memang ee apa namanya di 2050 gitu
ya, di 2050
itu ee apa ground water recharge-nya
sangat menurun gitu ya. Tapi saturation
per pikelnya masih eh sebenarnya masih
hampir sama pada saat wet season-nya,
hanya yang berkurang pada saat ee dry
season, pada saat musim kering itu
sangat-sangat berkurang ee lumayan ya
0,03 itu ee apa berkurang. Nah, sehingga
kalau di wet season itu kan ee saturasi
saturasi
ee ee tanah itu
dianggap sama ya karena kan hujan terus
ya sehingga pasti tanahnya ini jenuh
terus kita tidak bisa membandingkan
gitu. Nah, maka yang dibandingkan adalah
yang di dry season begitu. Next
ya. Nah, jadi di sini ee yang
dibandingkan secara spasial itu adalah
data pada musim kering gitu ya, musim
kering. Jadi bisa dilihat ee memang
slightly different ya, tapi bisa kita
lihat yang di peta 2010 itu ee masih ee
apa area sat apa ee saturasinya masih
cukup masih cukup besar ya di 2010. Nah,
di 2050 ini mulai birunya ini mulai
memudar begitu ya di atas dan dan yang
di bawah area bawah ini area discharge
ini semakin merahnya semakin ee
terlihat begitu ya. Nah, di sini maka di
sini terlihat bahwa ee kita bisa
prediksikan di setiap piksel itu untuk
bagaimana potensi sumber daya air di
masing-masing
distrik level, masing-masing kecamatan
begitu ya. Tinggal kita ee dari peta
ini, dari peta distributed eh water ini
ya, water potential ini ya, kita bisa ee
overlay itu tampalkan dengan peta ee
administrasi begitu ya. Silakan next.
Nah, di sini ee ini hanya memperlihatkan
ya bagaimana menurunnya tadi bagaimana
menurun nya potensi sumber daya air pada
urban area yang ee meningkat gitu ya.
Kemudian sumber airnya akan drop begitu
ya. ini menjadi alarm aja, menjadi alarm
bahwa ya masing-masing kecamatan juga
harus sedia atau bahkan di tingkat
kabupaten ya yang membawahi e yang
kecamatannya berada di alarming level
mungkin menjadi bisa menjadi eh warning
begitu ya. Oke, next.
Nah, di sini akhir ee di sini bisa
dilihat ee dari peta tadi ketika sudah
dioverlay dengan urbanisasi dan juga
dengan peta ee administrasi kecamatan
ya, dapat dilihat bahwa mana ya yang
daerah-daerah yang ee tadi berpotensi
mengalami penurunan ee ground water
recharge yang cukup signifikan dengan
adanya urbanisasi yang meningkatnya juga
cukup signifikan. Jadi urbanisasinya
meningkat signifikan, namun sumber daya
airnya juga mengalami ee penurunan yang
cukup signifikan ya. Jadi di sini dapat
dilihat bahwa untuk area kota ya, kota
Jogja sendiri itu ada di
ee Umbulharjo ya, Kecamatan Umbulharjo
begitu. Ini ee ini tadi berdasarkan
penamaan distriknya ee tadi di judul
yang aplikasi studi ya. Nah, kemudian
kalau untuk di area suburb-nya sendiri
yang di area di luar kota, di luar
perkotaan, namun sudah terindikasi
adanya urbanisasi itu ada di justru ada
di ee Seyegan. Nah, ini. Nah, ini
sebenarnya juga bisa dilihat karena
mungkin kondisinya Seyegan ini dia
akvernya juga kurang bagus begitu ya.
Namun, nah distrik-distrik selanjutnya
yaitu Sleman, Ngaglik, Depok, dan
Gamping ini adalah daerah-daerah dengan
akver yang bagus tapi juga dia mengalami
ee degradasi dalam ee ground water
recharge-nya gitu. Jadi, ini bagi
pemerintah ini bisa menjadikan apa ya eh
assesment begitu ya. assesment bagaimana
kita bisa mengantisipasi dengan
integrated water resource management
misalnya bahwa area-area yang seharusnya
menjadi rearge area berarti harus lebih
diperketat lagi dalam perencanaan tata
ruangnya gitu. ee sehingga ketika ada
usaha atau kegiatan yang ingin ee
mengajukan izin untuk membangun di area
situ harus diberi ee apa ya seperti
peraturan atau ee apa ya mungkin Perda
atau apa mungkin yang bisa
lebih menegaskan bahwa
ee beberapa ee guidance-guidance atau
arahan ketika akan membangun di situ itu
harus lebih ketat lagi karena ini dalam
rangka integrated water resource
management. Karena air itu kan tidak
bisa perkecam per wilayah ya, tapi dia
adalah satu kesatuan unit analisis ya.
Yang mana hulu, yang mana hilir. Nah,
berarti ee manajemen di hulu harus
bagaimana supaya ee yang dihilir juga
tidak mendapatkan ee bahaya gitu ya.
Tidak bahaya baik bahaya kekeringan
maupun bahaya polusi pencemaran air
begitu. Next. Mungkin sudah terakhir ini
ya.
Ya, saya kira cukup sekian ya. Masih
sisa 13 menit saya rasa enggak [tertawa]
apa-apa ya.
Ya, terima kasih waktu dan tempat saya
kembalikan pada Mbak Dini.
Iya. Baik. Ee terima kasih
Bu Sinta atas pemaparan materinya yang
sangat informatif dan membuka wawasan
kita semuanya. Dan baik Bapak Ibu
peserta pelatihan tadi juga kita sudah
ee mendengarkan penjelasan bagaimana
penggunaan JIS dan RAT sangsing dapat
membantu pengambilan keputusan untuk
penataan ruang berbasis hidrologi.
Baik, kita akan lanjutkan pada sesi
tanya jawab dari aplikasi Slido terlebih
dahulu. Mohon ditunggu di sini saya akan
menampilkannya.
Bagaimana penataan ee dari awal ya, dari
yang pertama ini ya,
bagaimana penataan saluran air pada
permukiman perumahan yang saat ini masih
banyak tidak terkoneksi antar permukiman
utamanya di perkotaan. Ee ee mohon maaf
ya kalau
ini akan dijawab satu-satu nggih ya.
Untuk pertanyaan ini saya rasa ini di
luar kemampuan saya untuk menjawab ya.
Tentunya kalau secara karena kalau untuk
akademisi tentunya ya ee secara teori
tentunya
ee pembuatan saluran drainase perkotaan
itu sudah menjadi tanggung jawab dari
pemerintah begitu ya. sehingga
ya itu saya kembalikan lagi mungkin
apabila ada dari Dinas ee PU atau
Kementerian PU PR begitu yang bisa
menjawab ini saya mohon maaf sekali ya
untuk ini mungkin saya tidak bisa
menjawab ya kalau tidak terkoneksi ya
tentunya kan memang harus dikoneksikan
ya artinya karena apa ya karena
ee apabila tidak terkonek apa ee Ee
salah satunya mungkin begini, kalau saya
mungkin begini, ketika ada ee developer
yang akan ee mengajukan izin untuk
membuat perumahan tentunya sudah harus
menyertakan
ee rencana DEED dari saluran drainase di
dalam permukiman tersebut. Begitu ya.
itu salah satu cara untuk mengantisipasi
bahwa ee permukimannya
ee tidak kemudian
membiarkan air limpasan
yang masuk ke dalam permukiman tersebut.
Sehingga dalam mengajukan izin harus ee
disertai dengan rencana DEED dari
saluran drainase di dalam tapak begitu.
sehingga nanti namun begitu keluar ya
drainase tersebut mau enggak mau akan
tersambung pada drainase ee umum ya
drainase perkotaan milik pemerintah
begitu
memang ya berarti memang dari pemerintah
juga harus punya ee apa ya ee
ee ke apa ya harus juga menyadari bahwa
penting sekali saluran drainase
perkotaan ini. Begitu begitu. apakah
menjawab
atau saya lanjut ke pertanyaan
selanjutnya atau ada diskusi ini
bagaimana ya Mbak Dini?
Halo.
Oke, sambil menunggu ya saya jawab dulu
yang pertanyaan selanjutnya. Apakah saat
ini sudah ada regulasi yang mengatur
tentang tata laksana air dari pasca
penggunaan baik rumah tangga? Sudah ada.
Sudah ada ya, Bapak, Ibu. Saat ini sudah
ada regulasi yang mengatur tentang tata
laksana air. Artinya bagaimana ee itu
dicantumkan dalam ee persetujuan teknis
pemenuhan baku mutu air limbah. ya. Saya
lupa ee nomor PP-nya ya. Ee oh PP22
tahun 2021 ya. Di situ salah satunya ya
mengatur bahwa tata laksana air pasca
penggunaan ya pasca penggunaan itu baik
untuk rumah tangga. Kalau rumah tangga
memang tidak ada belum ada ya
regulasinya untuk rumah tangga. Hanya
mungkin ee sedikit sosialisasi saja
bahwa rumah tangga itu wajib ee kalau ee
ee apa namanya? Kalau areanya
memungkinkan wajib membuat septic tank
gitu ya. Kalau tidak ya akan langsung
masuk ke dalam saluran IPAL ee terpadu
begitu ya. Nah, kalau perusahaan sudah
ada sesuai PP 22 tahun 2021 ya tentang
tata laksana pengelolaan itu ada namanya
pada saat mengajukan izin lingkungan itu
ada ee dilampiri dengan persetujuan
teknis pengguna ee pemenuhan baku mutu
air limbah sehingga air yang dibuang
oleh ee kegiatan atau usaha tersebut itu
sudah memenuhi baku mutu yang ditetapkan
oleh pemerintah.
begitu. Terutama dari ini dari Permen LH
dan ee dari Permen CAS ya. Untuk air ini
untuk air ini ada peraturan air
bersihnya dari Permen CAS. Sedangkan
baku mutu air limbahnya ee sebenarnya
dari Permen LH ya saya agak lupa antara
PP2 atau Permen LH begitu. Begitu cukup.
Oke sambil saya lanjutkan pertanyaan
berikutnya.
Terkait pemanfaatan teknologi tersebut,
apakah membutuhkan lisensi khusus jika
akan diaplikasikan, diadopsi oleh
corporate dalam operasional
operasionalnya?
Jawabannya adalah yes, of course. Begitu
ya. Memang teknologi itu tidak datang
dengan murah. Belum artinya belum karena
teknologinya termasuk baru sehingga ini
masih lumayan mahal ya. AKMAP saja eh
AKMP software ya, software eh AGJIS AMAP
AKMAP Pro itu masih berbayar sampai hari
ini masih berbayar walaupun dia ee sudah
cukup lama beredar ya tapi dia masih
berbayar sehingga ee ada
yang kemudian ee apa membuat quantum
GIS. Quantum GIS untuk menyamai. Namun
ee dari alat ee tools-nya ya dari di
dalam itu untuk estimasi perhitungannya
masih belum se powerful AKMAP tentunya
begitu ya. Tapi ya memang AKMAP ini
berbayar begitu ya. Ee kebanyakan memang
GIS software ini berbayar begitu yang
powerful ya artinya yang bisa
menunjukkan hasilnya juga lumayan akurat
begitu. Begitu.
Baik saya lanjut pertanyaan berikutnya.
Mengapa penggunaan batas kontur 500 M
sebagai area research dapat menyebabkan
bias dalam estimasi? Oh ya, ini tadi ee
seperti saya ee jelaskan ya dari
literatur ee studi literatur sebelumnya
bahwa dari jenis batuannya ee karena
kalau di DIY ini kan dia sistem
hidrologinya ikut ee formasi Merapi Muda
ya. Nah, dalam batuan formasi Merapi
Muda itu yang di atas 500 itu masih
batuan beku begitu. Sehingga akivernya
itu melalui rekahan ya sekunder. Jadi
hanya melalui rekahan yang kemudian
masuk ke dalam akver tertekannya.
Sedangkan yang akver bebasnya itu baru
masuk di batas kontur 500 m begitu.
Sehingga ee untuk menghilangkan bias
tadi ee maka konturnya dibatasi dari 500
m. Subdnya dibatasi dari batas kontur
500 m. Begitu.
Begitu ya.
Kemudian eh selanjutnya, apakah GIS dan
remote sensing technology sudah bisa
digunakan untuk memantau potensi
kemungkinan limbah dan potensi banjir
pada Sudah ya, sudah bisa ee ee saya
lupa software-nya namanya apa ya, tapi
ada ee apa namanya?
Ada yang namanya usle. USLE ini aduh eh
universal soil loss eh aduh t-nya saya
eh estimation equation atau estimation
begitu ya. Nah di situ sudah bisa
menghitung ee erosi tanah juga ee
sedimentasi begitu ya. Nah kalau potensi
banjir ini memang ee bisa juga
tapi memang tools-nya itu ee apa
namanya? integrated begitu ya.
integrated. Karena apa? Ya, karena di
situ ee sebenarnya dari water balance
itu tadi juga bisa dari model water
balance itu juga bisa ee memprediksikan
digabungkan dengan ee beberapa formula
dari debit air rancangan. debit air
rancangan menggunakan prediksi mungkin
rumus mononob begitu ya yang di pakar
hidrologi mungkin ee ee juga sudah
memahami bahwa nanti ada debit hujan
rancangan. Jadi kita bisa menggunakan
data hujan minimal 10 tahun untuk
membuat debit hujan rancangan kemudian
dimasukkan dalam ee water balance model
tersebut sehingga bisa dilihat potensi
banjirnya itu seberapa. Kalau limbah,
kalau potensi kemungkinan limbah ya
memang ee ini
tidak bisa hanya dengan siklus pendek
begitu ya, tapi bisa juga dengan siklus
pendek. Namun untuk secara pastinya itu
ada software-nya tersendiri. E saya agak
lupa ya software-nya apa gitu, tapi ada
software tersendiri yang dia ee
mempertimbangkan dari kemiringan lereng,
kemudian arah aliran air tanah. Karena
arah aliran air tanah ini sangat-sangat
detail ya. Dalam satu piksel, pikselnya
ini bisa pikselnya ini misal bisa jejer
begini ya. Tapi arah aliran air tanahnya
itu mungkin bisa berbeda. Bisa dia sama,
bisa dia bisa berlawanan begitu.
Sehingga di situ ee di AKMAP pun ada di
AKMAP pun ada ya pada saat kita membuat
membuat delineasi DAS di AKMAP itu juga
ada untuk aliran air tanahnya. Cuman
mungkin secara
presisinya untuk persebaran limbah
mungkin ya. Persebaran limbah itu ee
sudah ada software-nya tersendiri
begitu.
Oke, saya lanjutkan. Dalam penerapannya
di lokasi kerja, apakah cara kerjanya
dalam peran apakah cara kerjanya full
menggunakan
ee mohon maaf ini penerapannya di lokasi
kerja untuk apa ya? untuk software-nya
atau untuk remote sensing-nya atau
bagaimana
kalau software-nya? Kalau G eh kalau
AKMP dan eh terset tadi dia harus ee
connect ke internet begitu ya, harus
connect ke internet. Jadi selama ada
internet ee dia bisa jalan untuk ee
tools-tools-nya begitu.
Tidak usah menggunakan GPS begitu ya.
GPS itu
hanya untuk mencari data di lapangan ya.
Cuman nanti dimasukkan tentu tentu
data-data dari GPS koordinatkoordinat
itu akan dimasukkan ke dalam AKMAP
tentunya. Karena bekerja dengan GIS
software itu kita harus memahami
proyeksinya apa. Jadi proyek e lokasi
itu adalah benar-benar lokasi secara as
astronomis
ya secara astronomisnya. Jadi ada
koordinatnya, ada proyeksinya apa
begitu. di situ ada proyeksinya
macam-macam ya, ada UTM, ada eh word eh
sare gitu, macam-macam. Nanti itu harus
dipastikan. Nah, kalau di Indonesia
selama ini mungkin kebanyakan UTM ya,
universal transfer Mercator begitu.
Oke. Ee selanjutnya ee apakah jumlah air
di bumi tetap? Bagaimana menghitung
jumlah air tanah untuk daya dukung air?
Pulau Jawa defisit air? Iya. ee jumlah
air di bumi sepertinya tetap ya. Jadi
dia hanya siklus saja namanya. Makanya
ee siklus hidologi karena jumlahnya
tetap gitu ya. Ee bisa bertambah dari
berbagai macam presipitasi. Jadi ee
artinya begini, kalau jumlah airnya
tetap, cuman untuk presipitasi ini masih
bisa bertambah karena di beberapa area.
Kalau Indonesia kebetulan karena negara
tropis prespitasinya dari hujan ya,
sehingga siklusnya itu semacam bisa kita
prediksikan gitu. Tapi kalau di
negara-negara yang punya glasier, yang
punya permafrost begitu ya, eh itu kan
presipitasinya adalah c apa pelelehan
atau pencairan dari glasier ataupun
melelehnya si permafrost tersebut
begitu. Nah, itu nanti lebih susah lagi
perhitungannya karena bagaimana sifat
permafrost tersebut, bagaimana sifat
pencairan ee glasier tersebut gitu. Nah,
untungnya di Indonesia ini masih
presipitasinya itu air hujan. Jadi
perhitungannya masih lumayan mudah
begitu ya. Apalagi ya Jawa ini banyak
sekali data di Pulau Jawa ini termasuk
yang paling lengkap daripada pulau-pulau
lainnya. Pulau Kalimantan itu agak susah
datanya. Sulawesi apalagi Papua waduh
masyaallah ya astagfirullah gitu.
Nah Pulau Jawa defisit air metode remot
ah metode remoteining dengan ground
check lebih bagus. Artinya ground check
ini adalah untuk validasi begitu ya.
Ground check ini untuk validasi
ee apakah model yang digunakan itu tepat
atau tidak. Nah, ketika itu tepat
berarti model ini bisa direplikasi
begitu loh. Jadi kita bisa melakukan
satu penelitian kemudian ketika sudah
digunch itu validasinya itu mungkin 90%
gitu ya. Berarti kan model ini apa?
mendekati akurat ya. Sehingga model ini
bisa di direplikasi di tempat-tempat
yang kiranya memiliki karakteristik yang
mirip begitu. Kalau di Indonesia juga
kan tempatnya tidak terlalu jauh ya
perbedaannya begitu. Jadi ee modeling
ini ee keuntungannya adalah kalau dengan
ground check itu untuk validasi. Kalau
validasinya tinggi berarti modelnya bisa
direplikasi di tempat yang
karakteristiknya mirip begitu.
Kalau untuk menghitung jumlah air
tanahnya tadi dengan neraca massa air
tadi ya. Jadi berapa jumlah
presipitasinya, berapa yang menguap
evapo transpirasi, kemudian berapa yang
infiltrasi, berapa yang perkolasi
begitu, terus berapa yang ee
apa namanya? Tersimpan. Nah, itu itu
bisa diestimasikan bisa dengan ee
perhitungan tadi, bisa dengan modeling,
bisa juga dengan ee kalau misal ground
check ya dengan survei geolistrik,
dengan survei ee muka tanah ee muka air
tanah begitu ya. Bisa dihitung dan
dipetakan begitu. Begitu.
Ee baik. Ee selanjutnya data RST
terkadang daerah tidak mengupdate ke
bakurtanal ya. Apakah untuk analisa ee
kalau Nah, ini tergantung tadi data apa
yang akan kita butuhkan begitu. Kalau
kita membutuhkan data digital number,
artinya eh data elektromagnetik yang
tersimpan dalam pikselnya untuk
pengolahan statistik atau untuk
perhitungan matematis ee kita tidak bisa
menggunakan image Google Earth. Kalau
Google Earth,
kalau Google Earth itu untuk hanya untuk
lokasi saja.
Terus kalau misalnya untuk data
penggunaan lahan mungkin ya, kalau data
penggunaan lahan ee
yang kita perlu lihat adalah
tahun di-upload-nya di Google Earth.
Artinya begini, selama
ee image yang di-upload di Google Earth
ini masih mendekati tahun-tahun
terbaru begitu ya, mungkin masih bisa
digunakan untuk ee apa? Studi begitu ya.
Cuman memang artinya ini ee level
studinya itu di mana begitu. Kalau
kadang kalau studi kita untuk studi yang
akademisi itu kita tidak bisa
menggunakan Google Earth begitu ya. Tapi
kalau mungkin untuk analisa sementara ee
mungkin di ya saya juga kurang tahu ya
ee tentunya lebih akurat yang ee apa
produk-produk satelit dari ee
negara-negara tadi gitu. Nah, tapi kalau
misalnya untuk analisa sementara ya
enggak apa-apa nanti kita bisa ee
gunakan ee dari Google Earth begitu.
Nah, kemudian kemudian ee yang
selanjutnya apakah data remote sensing
yang dihasilkan data potensi saja karena
diguna karena data digunakan dari pihak
tiga akan beda analisisnya.
Eh, UAV ini adalah model terbaru eh
bukan model terbaru ya, perkembangan
perkembangan dari remote sensing.
Artinya
kalau remote sensing ini kan mencakup
seluruh permukaan bumi kan remote ya.
Remote itu kan artinya jauh. Sensing itu
merekam gitu ya. merekam. Jadi perekaman
jarak jauh begituing
ini kelebihannya adalah dia lebih
lengkap karena dia akan merekam di
seluruh permukaan bumi di negara apapun,
di wilayah apapun itu sudah terekam.
Nah, kalau UAV, UAV ini adalah ee
perekaman jarak dekat. Begitu ya. UAV
ini perekaman jarak dekat tentunya dia
memiliki keterbatasan dari wilayah gitu.
Jadi memang kalau kalau ee bisa memang
UF itu bagus gitu ya. Karena UFI ini ee
apa namanya? Semacam foto ya. Jadi
semacam hanya foto saja eh drone gitu
ya. Semacam drone cuman dia lebih lebih
kuat dari drone dan resolusinya juga
lebih tinggi gitu. Nah, bagus kalau
memang bisa UFV. UF ini perekaman jarak
dekat. Kalau remote sensing perekaman
jarak jauh. Sehingga ya ada kelebihan
dan kekurangan masing-masing. Kalau
memang studinya menghitung misalnya
menghitung penyerapan karbon berdasarkan
tegakan ee apa? pohon DBH ya, diameter
batang ee batang ee pohon gitu
berdasarkan tegakannya, berdasarkan
jenisnya. Nah, itu mungkin studinya
harus pakai UF karena kita membutuhkan
detail the detailest gitu ya, the most
detail eh pixel gitu ya. Karena kan
berbeda ya NDVI yang akan dihasilkan.
Misalnya kita menghitung NDVI-nya
mungkin akan beda yang dihasilkan dari
data remote sensing dengan eh UAV
product begitu. Begitu
begitu ya ee kira-kira penjelasannya.
Adakah rekomendasi software untuk kajian
pemodelan khusus aliran air tanah?
Bagaimana validasi hasil interpretasi
seperti parameter run off? Nah, oke.
Untuk yang pertama rekomendasi software
untuk kajian pemodelan khusus aliran air
tanah ini ada cuman saya lupa ya saya
lupa sebenarnya ada. Nanti kalau ini
bisa ee japri saya ee atau lewat ee
admin nanti disampaikan ke saya nanti
saya sampaikan ya. Saya lupa, lupa
banget gitu. Ee kemudian bagaimana eh
sori kayak ini namanya mod flow. Mod
flow mod Flow W. Mod flow untuk ee
pemodelan khusus air tanah. H tiba-tiba
teringat ya ee suka gitu nih suka ada
jumping memory. Ee begitu. Jadi
bagaimana validasi hasil interpretasi
seperti parameter run off? Untuk
validasinya tadi kita perlu debit
discharge, pencatatan debit discharge di
sebuah eh sungai, di sebuah streamline
begitu ya. Ee di satu titik streamline
itu bisa digunakan untuk validasi dari
hasil modeling eh neraca air dari
modeling eh water balance tadi itu bisa
divalidasi
dengan eh data debit discharge begitu.
Begitu ya.
Eh, kemudian dalam jurnal IB menggunakan
citra lensat apakah relevan juga?
Relevan. Sangat relevan. Jadi stok
gradien boosting ini bisa digunakan
untuk data citra apapun menggunakan band
apapun. Yang harus diperhatikan
band antar tahunnya itu harus sama ee
histogramnya.
Histogram ini kan menentukan kejelasan
dari citra ya.
Kalau histogramnya tidak sama, maka
tidak bisa dibandingkan. Kan tadi saya
membandingkan tiga lansat ya. Tiga
lansat dari 99 sampai 2011 ya. 99, 2005,
dan 2011. Nah, dengan sebelum masuk di
stocastic gradient boosting algorithm
ini itu histogram dari digital number
masing-masing citra itu harus sama,
harus disamakan namanya dinormalisasi.
Jadi, histogram normalization.
Jadi harus dinormalisasi dulu sehingga
bisa dibandingkan
pikselnya, DM-nya bisa dibandingkan
begitu. Itu pakai citra apa saja bisa
begitu ya.
Ee di mana kita bisa mendapatkan ya
pertanyaan selanjutnya di mana kita bisa
mendapatkan data validasi discharge? Eh
saya pengin jawab tuh hanya Tuhan yang
tahu sebenarnya ya. Tapi tapi kok ee ini
kalau kalau dari di saya ya memang ee
seharusnya kita mendapatkannya di
stasiun
pencatatan debit discharge dari BBWS
tentunya ya dari BBWS yang ee berkaitan
yang sesuai. Nah, mereka itu punya alat
pencatat. Jadi punya alat pencatat debit
discharge ya ee di sungai gitu. di
sungai itu selalu dipasang alat pencatat
debit. Tapi kadang-kadang ketika kita ya
ini berdasarkan ya saya mohon maaf ya no
offense eh no offense to eh to those
yang bekerja di eh BBWS ataupun eh
pihak-pihak manapun. Sebenarnya saya
juga tidak mendiskreditkan atau
bagaimana. Tapi ketika saya pernah saya
bertanya saya mau ee mencari data untuk
ee discharge ini katanya alatnya hanyut
gitu. alatnya hanyut sehingga tidak ada
pencatatan gitu. Jadi itu saya juga
sedih gitu ya kan kita kan ee ee artinya
kita ini pengin Indonesia ini kan
semakin bagus begitu ya. Nah, sehingga
ee apa sehingga data-data seperti ini
kan seharusnya itu sudah ada. Jadi kita
bisa mengembangkan penelitian lagi
supaya lebih maju lagi ke depannya
begitu. Begitu aja sih. Jadi di stasiun
pencatatan data discharge dari BBWS ya,
tergantung dari BBWS itu punya berapa
stasiun di ee titik-titik streamline ee
mana begitu. Begitu kira-kira jawabannya
ya. Baik eh Bu Sinta terima kasih atas
jawaban-jawabannya. Tadi juga saya mohon
maaf ee sempat hilang karena ada kendala
internet Bu.
Oh iya. Ini masih ada yang rise hand
gimana ya, Mbak ya?
Ya. Baik, Bu Sinta ini selanjutnya kita
akan masuk pada ee pertanyaan secara
langsung dari peserta Zoom. Di sini juga
kebetulan sudah ada empat orang yang
raise hand Bu Sinta.
Dan mungkin ee mungkin izin dulu kepada
penanya saya berikan masing-masing hanya
satu pertanyaan saja ya karena di sini
juga ada keterbatasan waktu. Takutnya
tidak cukup pada empat penanya ini.
Mungkin saya ee persilakan pertama
kepada Pak Mas
ya. dipersilakan Pak Mas Syawar
ya. Baik. Ee asalamualaikum
warahmatullahi wabarakatuh. Kedengaran
suara saya Mbak? Ya.
Iya terdengar Bapak. Waalaikumsalam
warahmatullahi wabak.
Mbak Sinta kedengaran, ya, Mbak?
Iya, iya kedengaran.
Baik. Ee saya jujur saja saya di bidan
kelautan, Mbak ya.
Iya.
Tapi kami juga sering ee menggunakan
informasi-informasi lewat by citra
satelit dan paling akrab kita sering
gunakan adalah aquamodis. Saya kira
salah satu satelit milik NASA, Mbak ya.
Iya.
Nah, kadang kala kita dari beberapa saya
kali melakukan overlay kadang kala itu
tidak sesuai dengan ee kondisi yang kita
inginkan sebenarnya. Saya cera, apakah
koreksinya yang tidak pas, terutama
koreksi geometriknya
atau faktor lain. Nah, biasanya kan
kelihat kita tahu bahwa untuk akomodis
itu resolusinya mulai dari 1/4 sampai 1
km. Kemudian resolusi spektralnya itu
kan sekitar 36 bandnya ya. Mestinya jauh
lebih akurat gitu mestinya ya menurut
saya gitu. Nah, gimana bisa terjadi
seperti itu, Mbak? Kemudian yang kedua
saja saya seukan masalah model. Kalau
nilai R-nya itu di bawah 80% Pak, itu
masih dihesitate kan? Apakah model itu
bisa menjust eh dunia nyatanya, re-nya
gitu? Itu pengalaman saya di dalam dunia
pemodelan matematical modeling, Pak.
Terima kasih banyak, Pak. Ya.
Iya. Ya. Ya, terima kasih. ini langsung
dijawab, Mbak Dini.
Ee boleh, Bu,
ya. Ya, Bapak ee terima kasih sekali ya.
Ee ee memang kalau ee apa kendalanya ya
kita bermain dengan data remote sensing
ini itu banyak sekali ya Bapak antara
koreksi atmosfernya kemudian mungkin
dari resolusi ee tadi kesulitannya Bapak
itu menampal
dengan
pada saat kita mau overlay Mbak
overlay dengan apa, Pak? Karena saya
curiganya citranya belum ditegaskan gitu
dengan RBI atau dengan apa, Pak? Dengan
ditampalnya dengan apa?
Dengan peta yang saya bikin gitu, Mbak.
Yang saya mau bikin kan saya harus.
Oh iya. Karena gini, kadang-kadang itu
citra harus di reproject. Reproject ya,
Pak ya? Iya. Reproject atau re eh jadi
eh kemudian kita cek juga eh atmosferic
correction-nya. Kemudian ee ya itu tadi
ya proyeksinya antara geografis dengan
yang proyeksi gitu. Nah ee agak susah ya
kalau kita tidak menghadapi langsung
gitu apa?
Heeh. Karena ketika mungkin kita bikin
shp misalnya kita mau bikin untuk
menampal itu kan kita bikin shap file
baru gitu ya untuk kemudian menampal
dengan itu. Nah
ketika kita bikin shap file baru itu kan
potongan masking-nya itu mungkin harus
sama persis gitu Pak. Terus kemudian
harus dibuat semacam eh data driven page
gitu yang apa namanya yang berisi grid
sehingga mengekstrak si aquamodis ini
mau dijadikan yang resolusi berapa
begitu, Pak.
Iya, betul. Betul.
Nah, sehingga shap file-nya pun shap
file-nya pun harus berupa data grid
gitu, Pak.
Iya, benar. Memang syaratnya data grid
memang. Betul.
Iya, Pak. Itu jadi yang emang kita
agak-agak gimana ya, Pak ya? itu memang
harus otak-atik ya. [tertawa]
Jadi kalau data grid-nya itu kita mau
pakai resolusi yang sesuai dengan
kebutuhan kita, baru kita bisa meng
sebenarnya bukan menampal jatuhnya ya,
jadi mengekstrak si aquamodis tersebut
lewat data grid tersebut, data defent
page tersebut Pak gitu. Seperti itu
sepertinya, Pak. Tapi memang harus dicek
semua ya, Pak. projection. Kemudian ee
apa eh ini, Pak? Ketika kita mau potong
si aquamodis ini misalnya sesuai dengan
wilayah kita itu ya, itu menampalnya itu
eh sori memotongnya itu pun
pilihanpilihan tools-nya itu
macam-macam, Pak. Kalau memang mau aman,
mendingan kalau raster ya kan raster itu
pakai strak by mask aja, Pak. Jadi,
extract by mask itu nanti mask-nya
masking-nya itu pakai si poligon batasan
wilayah studi kita. Nah, nanti rasternya
si raster aquamodisnya. Nah, kalau
ekstrak by mask dia akan mengekstraksi
keseluruhan spektralnya. Enggak enggak
usah satu-satu gitu, Pak. Tapi kalau
hanya potong, hanya klip atau hanya apa
ya? Ee saya lupa yang alat potong lagi
apa ya. Nah, hanya itu itu kayaknya
tidak ter tidak bisa semua terpotong
gitu datanya tidak terikut gitu, Pak.
Nah,
gitu
ya. Terus kemudian yang masukan terhadap
ee anu tadi ya, yang terhadap ee
validasi tadi ya memang betul Pak,
memang harusnya 80% ya tapi ini karena
untuk kepentingan studi dulu gitu. Jadi
ya istilahnya ee ini kita memodifikasi
model dengan mengikutkan parameter baru
begitu, Pak. Jadi ee e sudah dimasuk ke
pe review juga sudah masuk jurnal PR
review. Jadi ee alhamdulillahnya sih
masih diterima begitu. Cuman mungkin ya
memang perlu ditingkatkan lagi karena
tadi keterbatasan data ya, Pak ya. Jadi
mungkin kalau datanya itu super lengkap
ya itu akan lebih bagus lagi modelnya
begitu, Pak. Oke, baik Mbak kasih banyak
infonya.
Iya, baik Pak. Terima kasih
pertanyaannya.
Baik, ee terima kasih, Pak Syahoro. Dan
kita akan lanjutkan pada penanya kedua,
yaitu ada Ibu Irma dari DLHK Jateng.
Dipersilakan kepada Bu Irma untuk
menyampaikan pertanyaannya.
Izin Bu Irma, apakah sudah ada?
Saya sudah menyampaikan untuk tidak
di-unmute.
Mungkin next dulu. Oh
iya kita next dulu aja ke ini mungkin
Bapak atau Ibu Tata dari DLHK Aceh
ya. Terima kasih eh peratannya Bu
moderator.
Terima kasih Bu eh Sinta atas materinya.
Saya Ralf Fattah dari Dinas Lukan Hidup
dan Keutanan Aceh.
Ee
ada dua pertanyaan kalau boleh. Yang
pertama
ada
saya
melihat presentasi tentang GIS dan
remote sensing ini ee aplikasinya itu
bisa mendeteksi
kadar air katakanlah kadar air sungai
seperti pH, TSS, parameternya itu kan
ada BOD, ada COD dan lain-lain. Nah,
saya ingin menanyakan kepada Bu Sinta ee
pengetahuan Bu Sinta apakah hasil dari
ee pencitraan ini terhadap analisis
kualitas air sungailah kita misalkan itu
kayak PH, COD dan lainnya itu seberapa
akuratengahan Bu Sinta? karena ee bisa
dibilang yang lebih akurat itu adalah ee
dari hasil analisis laboratorium. Nah,
itu yang pertama ee berapa persen
akurasinya ee data dari yang diperoleh
dari eh J atau remote sensing ini. Yang
kedua
ee aplikasi
untuk ee pengindraan jauh ini kan ada
beberapa ada banyak Arjis.
macam-macam. Ada ada Google Pro. Ah,
jadi pertanyaannya
terkait dengan real time.
Kadang-kadang ee ada suatu aplikasi ini
ee akurasi terhadap tanggal misalnya
kita input tanggal sekian kita citrakan
dia ee pada tanggal bulan April misalnya
April 2025
itu bangunan itu seharusnya sudah ada.
Nah, kadang-kadang di satu aplikasi
belum kelihatan gitu. Nah, peranan saya
pengalaman Bu Sinta mana yang lebih
akurat real time? Maksudnya dia sudah
bangun-bangunan itu bulan 4 betul-betul
sudah dapat bulan 4 apakah Arjis atau ee
aplikasi lainnya. Mohon pencerahan.
Terima kasih. Wasalamualaikum
warahmatullahi wabarakatuh.
Iya. Waalaikumsalam warahmatullahi
wabarakatuh. Baik, Bapak terima kasih
pertanyaannya ya. Yang pertama saya
jawab cukup singkat ya, Pak ya. bahwa ee
AKMAP dan GIS Software ini tidak bisa
mengidentifikasi kualitas air, Bapak.
Jadi, tidak bisa untuk mengidentifikasi
kualitas air. Nanti laboratorium enggak
enggak laku dong, Bapak kalau bisa
ya. Jadi, tetap kita harus masukkan
sampling air itu ke laboratorium ya.
Nanti DLH kan juga punya laboratorium
ya, Bapak ya. Jadi biar laboratorium
laboratorium DLH-nya juga maju terus,
Bapak. Jadi ee aplikasi GIS Software ini
tidak bisa
mengidentifikasi
selama ini ya. Yang saya tahu selama ini
belum bisa Bapak, belum bisa ya. Nanti
enggak tahu ya suatu saat namanya
teknologi mungkin akan bisa, tapi selama
ini belum, Bapak. Jadi tetap harus masuk
ke laboratorium ya begitu. Karena kan
ada SNI-nya juga ya Bapak dalam rangka
pengambilan samplingnya begitu ya.
Enggak bisa sembarangan begitu. Nah,
kemudian ee yang kedua tadi yang mana
yang paling akurat begitu ya, Pak ya.
Kalau saya ditanya yang paling akurat
adalah UAV, Pak.
UAV. UAV itu foto. Jadi ee apakah Bapak
pernah lihat mobil Google mondar-mandir
gitu, Pak?
Mobil Google yang memfoto kemudian kan
jadi GMAP ya. Jadi GMP itu kan GMAP itu
kan sangat mendekati akurat ya. Itu kan
karena ada mobil Google yang
mondar-mandir. Itu salah satu contoh UAV
Bapak eh Universal Arial View apa kayak
ya ininya singkatannya Universal Arial
View. Jadi memang harus diambil
perekaman jarak dekat
gitu ya. Jadi untuk ee jadi begini Bapak
untuk mengantisipasinya
ya memang kita mungkin harus perlu
menganggarkan sedikit ya Pak ya.
menganggarkan atau malah menganggarkan
lebih. Kalau kita mau akurat begitu kan
nanti tinggal dibagi-bagi nih misalnya
kabupaten ya udah Pemkap ini kamu
areanya ini nih untuk UF. Pemkap ini
areanya ini nih untuk UF kemudian
dibikin semacam jadwal begitu per bulan,
per 3 bulan gitu ya. Tergantung dari
kondisi anggarannya begitu ya. Kalau mau
mau enak sih ya udah pakai aja Google
Earth. Tadi seperti tadi saya katakan
Google Earth itu bagus tapi dia tidak
bisa diolah Bapak. Dia harus digitasi
manual.
Digitasi man jadi beda dengan ee beda
dari otomasi dan digitasi manual ya
Bapak. Kalau kalau digitasi manual kita
ngelihat citra Google Earth kemudian
kita gambarkan, kita bikin
poligon-poligon. Oh ini pemukiman, oh
ini industri begitu. itu manual. Bisa di
arjis juga bisa, di AKMEP bisa itu
manual. Tapi untuk akurasinya kan juga
tidak belum tentu tepat. Karena pada
saat kita menarik garis itu
jangan-jangan kita menutupi piksel yang
lain. Begitu, Bapak. Paham, ya? Jadi di
kalau di kalau di Google kalau di Google
Map itu kan sudah kelihatan
garis-garisnya, garis jalan, garis
bangunan, gitu. Nah, kalau kalau kita
mau membuat peta penggunaan lahan dari
manual itu ya kita lihat Google Earth,
kita lihat citra, kemudian kita bikin
poligon-poligon sendiri pakai digitasi
gitu. Nah, tapi itu tidak akurat sama
sekali gitu loh karena kita tidak tahu
batasan tepatnya sehingga harus ada yang
namanya pengolahan automatik.
Nah, kalau pengolahan automatik memang
tadi kendalanya
keupdate-an data begitu, Bapak. Jadi
mungkin ee data terupdate itu baru 2022
yang lengkap yang direkam oleh remote
sensing tadi yang diambil dari Lansat,
yang diambil dari eh Sentinel, yang
diambil dari Alos begitu. Kalau memang
butuh yang akurat ya berarti memang kita
yang harus sedikit menyisihkan anggaran
atau lebih menyisihkan anggaran untuk
metode UAV tadi. Begitu. Begitu ya,
Bapak.
Cukup jelas ya?
Ya, terima kasih
ya.
Baik ee terima kasih Pak Tata atas
pertanyaannya. Kita akan lanjutkan lagi
ee pada penanya selanjutnya. Mungkin
saya lanjutkan dulu kepada Pak Herman.
Dipersilakan Pak Herman.
Ee bisa terdengar?
Iya, Bapak. Terdengar.
Oh, I. Baiklah. Terima kasih Bu Sinta
atas ee apa namanya? atas sampeannya ee
yang barusan.
Jadi saya itu ee di beberapa waktu yang
lalu mungkin sekitar
15 tahun yang lalu pernah melakukan
kegiatan penelitian Bu berkenaan
mengenai kekritisan lahan di mana
kekritisan lahan itu kan ee itu yang
menjadikan ee apa namanya? Menjadikan
barometer akan ketersediaan air ee
permukaan surface run off. baik itu air
permukaannya berupa badan sungai dan
lain-lainnya. Jadi kan ada beberapa
parameter Bu karena sekarang kan ee
seperti jenis penutupan lahan yang kita
ambil dari citra lenset kemudian tingkat
ee kelerengan yang kita waktu itu saya
menggunakan eh citra radar ya SRTM radar
topographic mission yang punya NASA itu
I
kemudian ada jenis tanah dan curah
hujan. Dari situ saya coba
mengkombinasikan untuk sistem scoring.
Jadi sistem scoring sehingga kita bisa
mendapatkan range kekritisan di daerah
ini yang berupa poligon-poligon kan ada
ada sebarannya dengan geoprocessing Bu
ya.
Eh yang mana pasti eh database-nya juga
ikut baik processing eh click iris,
intersect, soft dan segala macam. Nah,
yang menjadi pertanyaan ada saya waktu
itu kan memang saya menggunakan ini Bu
untuk ee batasan ee pengamatan saya
gunakan mungkin Bu Sinta pernah gunakan
eh WMS ya Bu ya.
Watership Modeling System Bu. Ada salah
satu program hidrologi yang dari Inggris
itu.
Oh iya lama ya yang lama banget itu dah
ya.
Iya
dia lama cuman sekarang sudah
rilis-rilis terus itu.
Oh diperbarui lagi ya Pak ya?
Iya sampai 12 dulu saya masih pakai yang
tuuh. Iya,
itu pun udah masih agak krek-krek gitu
gitu [tertawa]
karena kan mahal banget Bu di tahun
Iya betul.
Di tahun berapa? Tahun 2000-an tuh
harganya Rp0 juta kalau enggak salah
itu.
Iya.
Nah, terus saya yang pertanyaan saya,
Bu, apakah begini, apakah ee
air-air aliran permukaan itu,
airan-airan permukaan itu ee
sepengetahuan Bu Sinta dalam prosesnya
itu akan sejajar enggak dengan
aliranaliran air bawah tanah juga
seperti itu, Bu?
Mm
ee sejajarnya mung ee ini langsung
dijawab ya, Pak ya.
Iya, boleh, boleh. Silakan, Bu. Belum.
Iya. Jadi gini, Pak. Kalau aliran air
bawah tanah ya, Pak ya, untuk akver
tertekan Pak ya.
Atau untuk akver bebasnya?
Untuk yang bebasnya, Bu.
Oh, kalau bebasnya bebasnya insyaallah
sih insyaallah ee
bukan sejajar terus sama ya. Tapi kan
karena kan begini, Pak. Karena ada yang
ke sungai begini ya, Pak ya. Tapi kan
ada yang dia
tetap lurus ke arah muara gitu ya. Gitu.
Jadi
artinya dia selaras, Pak. mungkin
selaras tidak selalu sejajar ya karena
kan dia akan ada mungkin akan ada masuk
ke sungai-sungai gitu ya Pak ya tapi dia
akan tetap ada yang jalan lurus terus
begitu
jadi selaras aja Pak selaras kalau untuk
siklus pendek ya kalau untuk akverir
bebas
ee saya rasa sih sepengetahuan saya itu
masih selaras begitu Pak Beda dengan
akver tertekannya ya karena kan ada
kalau sudah di bawah itu kan ada posisi
batuannya ya posisi batuannya jadi
ketika mungkin ada sesar ada kekal dan
kemudian kemiringan batuannya itu kan
kita
belum tahu ya, Pak. Tidak terlihat untuk
akver tertekan ini. Sehingga alirannya
aliran dari air tanah di bawah itu belum
tentu sejajar dengan ee run off begitu.
Tapi kalau run off itu kan ee tergantung
topografi ya sehingga terlihat gitu.
Nah, kalau air air kalau akifer bebas
ee sepertinya sih masih selaras begitu.
Selaras dengan ee arah aliran ee run
off-nya begitu.
Iya. Karena kan bentangan sungainya itu
dia kan ee pastilah yang di atas
permukaan itu pasti akan membentuk
formasi batuan yang mirip dengan apa
yang di bawah ya Bu ya. Karena kan
memang
Iya.
Iya betul Pak. Jadi nanti kalau kalau
yang siklus pendek ya yang dengan akver
bebas ini kalaupun ada sesar kekar yang
naik tentunya kan ee bentuk topografinya
akan diikuti oleh si run off tersebut
gitu.
Jadi sudah terlihat gitu di permukaan
begitu.
Baik. sependek pengetahuan saya ya, Pak
ya.
Mungkin nanti kalau ada yang mau
mengoreksi monggo. Saya kan biasanya
belajar ya, Pak ya. Karena di JS ini kan
kadang setiap orang kan punya kasus
beda-beda seperti itu, Bu. Punya
pengalaman beda-beda seperti itu, Bu.
Nah, kalau
karena kan dinamis ilmu lingkungan kan
dinamis.
Kalau di ini, kalau di AKMP dia ada ini,
Pak. Ada bahkan ada ee pada saat kita
mendelineasi DAS lewat GIS ya, eh lewat
ACMAP ya. Saya pakai ARM. Di situ nanti
kan ada ketika kita fill accumulation,
fill gitu ya, di situ ada
panah-panahnya per piksel itu dia
kecenderungan airnya itu mengalir ke
mana itu terlihat gitu.
Iya. Di WMS juga begitu, Bu. Jadi, WMS
itu kan ketika data radar itu dibawa ke
raster dia kan salah syaratnya kan harus
UTM
diaembang dia sama model yang tadi
presentasikan ketika dia mendelineasi
apa namanya mendelasi subd-nya itu
iya iya
dia akan berbentuk kotak-kotak piksel
seperti itu. Tinggal kita bikin smooth
aja di
ya rata-rata rata-rata mirip kok Pak.
Sekarang ada HEC HMS juga ya. HCMS yang
juga bisa mendelineasi das gitu.
Perkembangannya banyak ya. Cuman ya ini
tergantung ini aja tergantung kita itu
ee lebih nyaman pakai yang mana gitu ya.
[tertawa]
Iya. Sedobel dari WMS baru saya
pindahkan ke J program.
Oh iya.
Ini
baik terima kasih ya Bu Sinta. Terima
kasih Bapak pertanyaannya.
Baik, ee terima kasih Pak Herman atas
pertanyaannya dan untuk selanjutnya
mungkin untuk selanjutnya mungkin satu
pertanyaan lagi ya Bu Sinta ya.
Iya. [tertawa]
Ini kepada Bu
Semoga bisa dipercepat ya. Saya mau
berangkat ke bandara ini.
Mepet enggak, Bu?
Ee iya enggak apa-apa kalau cepat sih.
Oke, ya. Silakan, Bu Irma. mungkin
ee mungkin ditunggu. Oh, oh ya. Silakan
Bu Irma bisa langsung saja to the poin
untuk pertanyaannya.
Iya. Terima kasih waktunya.
Asalamualaikum warahmatullahi
wabarakatuh.
Di baw sistem ini ya.
Ee izin Bu, suaranya tidak terdengar ya
Bu Irma.
Oh iya. Eh, apakah suara saya bisa
terdengar? Tes. Tes.
Iya, agak kurang
kurang kencang ya. [tertawa] Masih.
Sudah jelas sekarang, Bu.
Iya. Iya boleh. Ibu.
Ini terkait ee metode ini apakah bisa
dipergunakan untuk menghitung daya
dukung lain?
Suaranya hilang lagi ya, Bu Irma ya?
Iya.
Tes. Tes.
Sangat sangat kecil, Bu Suaranya. 75.
Tes. Tes. Apakah suara saya bisa
terdengar? Tes.
Iya. I saya dengarkan.
Sudah jelas. Iya jelas. I
ya. Baik.
Sistem informasi melalui ini untuk eir.
Selama ini yang masih menggunakan air
permukaan. Sementara potensi ee aur
bawah tanah itu kan juga cukup besar.
Itu yang pertama bagaimana
PLCM ini bisa dipergunakan. Kebetulan
tadi juga ada beberapa blind spot ya
karena eh validity of datanya tidak
enggak ada atau mungkin datanya tidak
valid. Nah, ini bagaimana si kendala
ini? Karena di lapangan memang kita
sering menikan ini, Bu. Kesulitan
datanya tidak ada. Bahkan kami
menghitung mencari data detik air itu
agak kesulitan gitu ya ee data yang
berjalan gitu ya.
Ee kemudian yang terakhir terkait tetap
di karena biasanya di spot itu kalau
kita cek ke lapangan itu biasanya ee
kondisinya berbeda. Bisa jadi nanti ee
metode prediksi penggunaan lahannya
tidak sesuai
dan tingkat eh margin errornya itu
sekitar ee berapa persen. Kemudian dari
persep itu juga menarik di situ ada ee
prediksi habitat ya biodiversitas
modelnya itu ee implementasinya seperti
apa. Terima kasih. Asalamualaikum
warahmatullahi wabarakatuh.
Waalaikumsalam warahmatullahi
wabarakatuh. Iya, Ibu terima kasih
banyak ya pertanyaannya. [tertawa] Baik,
yang pertama tuh ee LCM tadi tidak
menghitung sumber daya air ya, Ibu ya.
Jadi, LCM itu hanya memprediksi ee
perubahan lahan begitu. Baru nanti
dikaitkan dengan water balance. Baru
setelah hasil dari LCM itu akan
dikaitkan dengan eh water balance model
yang dihitung dari ee
parameter-parameter sumber daya air yang
ada, Ibu. Jadi, memang harus ada dulu
parameternya. Misal presipitasi itu ada
datanya, kemudian kalau evapor
transpirasi kan bisa kita hitung dari
suhu ya. Kemudian eh ground water misal
mau ditambahkan. Jadi di situ bisa
diinclude kan Ibu kalau memang mau
menghitung sumber daya air atau daya
dukung air ya untuk KLHs misalnya. Nah,
itu bisa juga diintegrasikan dengan data
ee potensi ground water nya. Jadi ee
sudah ada perhitungan melalui geolistrik
ataupun dari survei muka air tanah
begitu ya. memang harus ada datanya dulu
begitu baru kemudian diprediksikan
berapa cadangan air yang dipunyai begitu
gitu ya Bu. Terus yang kedua tadi
validasi
ee data ya Ibu ya kayaknya validasi
dari
ee data yang tidak ada begitu ya Bu ya.
Kalau memang kita ee jadi begini, Bu,
istilahnya kalau kita mau prinsipnya
begini. Kalau kita mau membandingkan
sesuatu itu tolong bandingkan di ee di
periode yang sama gitu. Karena kalau
kita membandingkannya di periode yang
berbeda, tentu ada abnormality ya di
situ yang mungkin ada eksternalitas yang
cukup besar. Misalnya kita bandingin
2000 kondisi pas COVID dengan kondisi
pas normal kan beda gitu ya. Jadi kalau
memang datanya kurang maka k
challenge-nya tantangannya adalah kita
harus mencari data-data yang tahunnya
itu bersinggungan atau yang tahunnya itu
selaras begitu. Kalau di dalam
penelitian beda-beda setahun, 2 tahun
sebenarnya enggak apa-apa begitu ya.
Tapi kalau memang ada kejadian
signifikan misalnya COVID dan normal itu
kan misalnya 2002,
2019 dan 2020 itu walaupun beda setahun
tapi kan mungkin kondisinya sangat
berbeda begitu ya. Nah, itu juga perlu
kehati-hatian begitu Ibu. Tapi pada
prinsipnya sih yang penting kita
berusaha mencari data yang periodenya
itu bersamaan sehingga ee perhitungannya
bisa sinkron begitu.
Ee kemudian tadi yang ketiga apa ya,
Ibu? Saya agak lupa.
Halo,
silakan Bu Irma.
Ee terkait eh blank spot tadi ya, Bu.
Data kemudian yang ke hati tadi tadi.
Oh, iya ya. Iya. Tadi yang I ya kalau
yang blind spot itu memang ya memang
pemilihan data ya, Ibu ya. pemilihan
data itu yang kita ee harus apa ya jeli
ya memang tantangan sekali ini pemilihan
data ini dan metode koreksi itu juga
banyak sekali Ibu tapi itu kan jelimet
ya metode koreksi itu sangat jelimet dan
sangat membutuhkan ee data-data yang
lebih masif lagi gitu misalnya kita mau
mengoreksi data Lansat tapi kita harus
membutuhkan data SRTM kemudian data
panchromatik data data night vision gitu
ya Bu untuk memperbaiki piksel dari
lanset tersebut gitu. Dan itu malah
justru lebih jelimet lagi nyari datanya
untuk mengoreksi pikselnya begitu, Ibu.
Makanya memang ee metode koreksi
atmosferik ini memang ee masih juga
menjadi penelitian di banyak ee ini ya
penggiat remote sensing technology dan
GIS begitu. Kemudian untuk yang eh
habitat eh diversity tadi ya untuk di
terset tadi eh ya itu bisa di lakukan
tapi datanya juga lagi-lagi masalah data
Ibu misalnya bagaimana pergerakan
habitat ee pertama jumlah mungkin ya
kita harus paham jumlah fauna dan
floranya kemudian bagaimana pergerakan
flora fauna tersebut per musim begitu
kemudian nanti itu baru dipetakan
kemudian baru bisa dimasukkan ke dalam
ee software tersebut begitu Jadi memang
namanya model ini dia tuh data driven eh
estimation gitu ya. Data driven itu
berarti dia memang harus sangat
bergantung pada data yang diinputkan
begitu Ibu. Jadi kalau misal ya kita mau
memprediksi kan di situ kan kita kalau
habitat itu habitat diversity itu kita
biasanya memprediksi nih berapa ya flora
fauna ini nanti pada saat ee beberapa
puluh tahun ke depan mungkin seperti itu
kan. Nah, jadinya memang kita perlu
survei awal gitu ya, rona lingkungan
awalnya bagaimana baru kita bisa
masukkan. Kemudian dari kondisi tersebut
diprediksikan nanti 50 tahun ke depan,
100 tahun ke depan itu bagaimana
kondisinya. Begitu Ibu kayaknya.
Baik, Bu Sinta mungkin ee sudah
dicukupkan ya untuk
ya untuk diskusinya ya. Baik, mungkin
terima kasih banyak kepada para peserta
yang ada di webinar ini. Mohon maaf juga
apabila dari Bapak Ibu peserta yang
tidak mendapatkan kesempatan untuk
bertanya. Ee mungkin untuk selanjutnya
kita akan dokumentasi terlebih dahulu.
Dipersilakan kepada Bapak Ibu yang bisa
mengaktifkan kameranya.
Baik Bapak Ibu semuanya, kita akan
langsung saja untuk melakukan
dokumentasi.
Saya akan mulai melakukan perhitungan
mundur. Dimulai dari angka 3.
2 1.
Mungkin sekali lagi. 3 2 1.
Oke. Baik. Ee untuk dokumentasinya sudah
dicukupkan dan saya ucapkan terima kasih
banyak kepada Bu Sinta atas pemaparan
materinya yang sangat membuka wawasan
kita semuanya dan mudah-mudahan nanti di
kesempatan lain kita dapat bertemu
kembali untuk berdiskusi dan juga
bertemu dalam kegiatan berikutnya.
Sama-sama. Saya juga mengucapkan terima
kasih dan mohon maaf ya apabila
penjelasannya mungkin agak kurang,
[tertawa]
kurang tepat dan kurang berkenan. Saya
mohon maaf.
Baik, Bu Sinta. Mungkin apabila ingin Bu
Sinta ingin meninggalkan ruangan Zoom
sudah dipersilakan dan ee hati-hati di
jalan Bu Sinta
ya. Terima kasih. Saya izin duluan ngih.
Monggo Bapak Ibu selamat siang.
Asalamualaikum warahmatullahi
wabarakatuh.
Waalaikumsalam wabarakatuh.
Waalaikumsalam warahmatullahi
wabarakatuh.
Ya. Baik, ee Bapak Ibu semuanya, demi
berakhir sudah acara webinar di hari ini
dan bagi Bapak Ibu yang ingin
mendapatkan e-sertifikat, Bapak Ibu
dapat mengisi link presensi kehadiran
yang tertera di layar ini.
Dan ketika Bapak, Ibu mengisi
presensinya, pastikan nama email sudah
diketik dengan benar karena hal ini juga
akan mempengaruhi pengiriman
e-sertifikatnya.
Dan baik Bapak Ibu, saya akhiri kegiatan
webinar di hari ini. Mohon maaf apabila
ada salah sikap dan ucap. Wabillahi
taufik wal hidayah. Wasalamualaikum
warahmatullahi wabarakatuh. Selamat
siang dan selamat melanjutkan aktivitas
lainnya.