Mengunduh Shapefile di ArcGis.com

ArcGIS tidak hanya desktop melainkan juga online. Buka browser dan ketik www.arcgis.com. Tentu saja harus memiliki akun untuk login. Tetapi jika hanya ingin mengunduh tidak perlu login. Postingan ini mencoba mengunduh batas kecamatan wilayah kota Bogor.

Jika sudah masuk ke situs arcgis cari simbol kaca pembesar yang artinya searching. Ketik kata kuncinya, misalnya “kecamatan kota bogor”. Berikut tampilan ketika data tersebut ditemukan.

Jika Anda beruntung peta yang Anda cari tampil di halaman hasil pencarian. Terkadang terdapat lebih dari satu hasil pencarian. Kebetulan data spasial kecamatan di kota bogor ada yang sudah mengeshare, Alhamdulillah. Pilih peta hasil pencarian tersebut.

Klik “Download” untuk mengunduh peta kecamatan di kota Bogor dalam format shapefile yang di-rar. Buka dengan ArcGIS hasil ekstraknya. Tampak seperti gambar di bawah ini hasilnya.

Agak sulit melihat secara real peta tersebut. Jika Anda memiliki Google Earth Pro, silahkan impor peta tersebut agar dapat melihat secara detil akurasinya terhadap citra satelit berikut ini.

Terima kasih untuk rekan-rekan kartografer yang sudah sukarela membagikan peta-nya di arcgis.com. Oiya, terkadang shapefile tidak bisa diunduh melainkan dibuka langsung lewat ArcGIS. Sekian semoga bermanfaat.

Konversi UTM ke Latitude – Longitude (Terapan)

Ada tugas revisi buku, dan rencananya ada tambahan di bagian implementasi Matlab dengan sistem basis data (Access dan MySQL) yaitu data spasial dan pemrosesan teks. Cukup menarik ternyata Matlab memiliki banyak fasilitas, bahkan sistem informasi geografis (SIG) pun dilayani. Postingan singkat ini (lanjutan dari post yang lalu) menggambarkan bagaimana mengutak atik SIG dengan Matlab.

Salah satu komponen penting dari SIG adalah proyeksi. Salah satu proyeksi yang terkenal adalah Universal Transverse Mecartor (UTM) yang membagi bumi menjadi zona-zona. Untuk komputasi lebih mudah menggunakan jenis koordinat desimal ini, dibanding dengan jam, menit, detik atau lintang dan bujur. Repotnya ketika selesai melakukan kalkulasi dengan Matlab terkadang untuk menampilkan ke SIG berbasis web (Web SIG) perlu dikonversi ke latitude (lintang) dan longitude (bujur).

Setelah searching seharian dari situs yang remeh temeh hingga yang serius, ternyata situs Matlab sudah menyediakannya (lihat link ini). Karena tidak tersedia di instalasi Matlab, mau tidak mau harus membuat M-file yang dikopi dari situs tersebut. Untuk teori dasar silahkan lihat link ini (sebaiknya jangan deh, ntar pusing he he).

Jadi prinsipnya setelah matlab mengolah data spasial, kemudian hasilnya sebelum dikirim ke Web SIG dikonversi terlebih dahulu dari UTM ke lintang bujur karena Google Map API (lihat caranya) memerlukan data lintang bujur bukan UTM (kabarnya ada juga gmap4 yang bisa menggunakan UTM). Walau singkat semoga bermanfaat.

Sustainable Urban Form

Riset tata kota fokus ke bentuk urban yang mendukung pembangunan berkelanjutan, pembangunan yang bukan hanya memenuhi kebutuhan generasi sekarang, melainkan juga generasi yang akan datang (Steiner, 2008). Banyak sekali perdebatan mengenai bentuk urban yang cocok dengan konsep pembangunan berkelanjutan. Di sini saya ingin memperkenalkan bentuk-bentuk sustainable urban yang diusulkan oleh peneliti.

Penelitian oleh (Jabareen, 2006) menjelaskan beragam bentuk urban yang sustainable. Berikut contoh-contohnya.

1. Neotraditional Development

Jika kita perhatikan kota Jakarta, terjadi perubahan dari urbanisasi menjadi kebalikannya, dikenal dengan istilah “post-suburbanization” (Firman, 2004; Firman & Fahmi, 2017). Maka para pakar urban berusaha mengurangi dampaknya dengan konsep tersebut, yaitu bagaimana menjaga penurunan penduduk “inner city” dan membangun juga kota-kota penyangga.

2. Urban Containment

Munculnya daerah-daerah “Sprawl” baru (saat ini Meikarta contohnya) membuat khawatir pemerhati tata kota akan dampaknya. Di Amerika konsep urban containment dimaksudkan untuk menghindari proses “sprawl” yang tidak baik. Walaupun ada juga sprawl yang baik, misalnya daerah industri khusus yang jauh dari pemukiman.

3. Compact City

Kota kompak (compact city) disukai oleh penata kota dari Eropa dan Amerika karena dapat mengurangi dampak negatif dari transportasi. Kota yang kompak membuat jarak tempuh menjadi rendah dan penggunaan kendaraan berpolusi menjadi berkurang. Bahkan orang cenderung berjalan kaki karena jarak antara satu tempat dengan tempat penting lainya dekat.

Kota kompak mengharuskan diversifikasi, artinya harus ada variasi dalam satu lokasi. Misalnya harus ada sekolah, pasar, tempat ibadah, dll. Jadi orang cukup berjalan kaki sudah bisa sampai ke lokasi tujuan. Bentuk-bentuk segregasi, misalnya kompleks khusus agama tentu, dll sebaiknya dihindari.

4. Eco City

Bentuk kota ini berpatokan dengan konservasi alam, ekologi, dan juga aspek sosial. Biasanya diterapkan di negara maju yang kesadaran warga dan keseriusan pemerintahnya tinggi akan faktor lingkungan. Walaupun demikian sebaiknya negara-negara yang kurang maju, atau ga maju-maju (berkembang terus), tetap mencontoh jenis kota ini mengingat makin puaanas aja tempat tinggal kita, contohnya saya yang di Bekasi. Semoga bermanfaat.

Referensi

Firman, T. (2004). New town development in Jakarta Metropolitan Region : a perspective of spatial segregation, 28, 349–368. http://doi.org/10.1016/S0197-3975(03)00037-7

Firman, T., & Fahmi, F. Z. (2017). The Privatization of Metropolitan Jakarta’s (Jabodetabek) Urban Fringes: The Early Stages of “Post-Suburbanization” in Indonesia. Journal of the American Planning Association, 83(1), 68–79. http://doi.org/10.1080/01944363.2016.1249010

Jabareen, Y. R. (2006). Sustainable Urban Forms: Their Typologies, Models, and Concepts. Journal of Planning Education and Research, 26(1), 38–52. http://doi.org/10.1177/0739456X05285119

Steiner, F. (2008). The living landscape – An Ecological Approach to Landscape Planning – Second Edition. Washington DC: ISLAND PRESS.

Penerapan Spatial Metrics

Spatial metrics (lihat post yang lalu) merupakan alat bantu analisa lansekap (landscape) lewat bantuan statistik khusus data spasial. Penggunaannya untuk analisa kondisi suatu wilayah tentang sebaran Patch. Patch adalah homogenous region dari suatu lansekap tertentu seperti taman, perumahan, wilayah urban dan lain-lain. Misalnya dari citra satelit kita bisa melihat dengan mata kepala, ternyata patch-nya ga beraturan, jarang-jarang, terisolir dan sudutnya (edge) runcing, bergerombol dan sebagainya. Berikut contoh tulisan sederhana saya bagaimana menganalisa spatial metrics dengan software free FRAGSTATS.

Spatial metrics ada banyak, terkadang ada yang mirip satu sama lain. Jadi ketika menggunakan harus memperhatikan aspek redundansi, dan juga berakibat lamanya perhitungan metric pada FRAGSTATS. Berikut ini penjelasan satu persatu spatial metrics yang digunakan.

1. Patch Density (PD)

Sesuai dengan namanya, adalah kepadatan patch, misalnya patch di sini daerah urban. Satuannya adalah jumlah patch per 100 hektar.

Makin homogen nilai PD makin besar. Ketika suatu wilayah urban terpisah-pisah dan heterogen, nilai PD atau kerapatan patch nya rendah.

2. Landscape Shape Index (LSI)

LSI mengukur tingkat ireguleritas suatu lansekap. Rumusnya adalah sebagai berikut:

Makin tidak beraturan nilai LSI makin kecil. Maka ketika suatu wilayah urban berkembang dan mekin teratur, nilai LSI membesar. Variabel min e adalah panjang (keliling) terkecil, yang dari sisi geometri adalah lingkaran, yaitu bentuk yang reguler dan kompak.

3. Euclidean Nearest-Neighbor Distance (ENN)

Metric ini mengukur panjang antara satu patch dengan patch lainnya. Ketika antara satu patch dengan lainnya berjauhan maka nilai ENN akan besar, dan mengecil ketika di sela-selanya muncul patch baru.

4. Percentage of Like-Adjacency (PLADJ)

Metric ini sangat terkenal karena kemudahannya. Prinsipnya adalah ketika satu patch dikelilingi oleh patch lain yang berbeda, maka nilainya berkurang.

Seandainya suatu wilayah urban tidak memiliki bangunan (urban area), maka PLADJ maksimum karena pembilang dan penyebut sama. Ketika jumlah gik (like adjacency) yang berbeda jenis patch maka pembilang membesar maka PLADJ turun terus hingga jumlah patch I dan k sama, jika hanya ada dua patch. Jadi biasanya urban area bertambah, PLADJ turun, hingga jumlah urban dan non urban kira-kira sama. Selanjutnya PLADJ naik ketika wilayah non urban berubah jadi wilayah urban.

Kebanyakan riset tentang urban growth mengenal proses pertumbuhan urban dari didominasi oleh tipe outlying (terisolasi), kemudian bergeser ke edge expansion (bertambah di ujung patch) dan infilling (mengisi ruang kosong antara patach). Semoga bermanfaat.

Metode Menentukan Bobot pada Multi-Criteria Selain Pairwise Comparison (AHP)

Untuk mencari lokasi yang cocok untuk penggunaan lahan tertentu, optimasi rancangan, dan sejenisnya ada empat metode yang terkenal: ranking, rating, trade-off, dan pairwise. Cara penggunaannya dapat dilihat pada artikel berikut ini, dalam jurnal teknik sipil.

Di bagian kesimpulan, ketika faktor biaya, waktu dan kemudahan penggunaan menjadi perhatian maka metode ranking, rating, dan trade-off layak untuk digunakan. Tetapi ketika faktor akurasi dan fondasi teoritis yang menjadi perhatian maka metode pairwise yang biasanya dengan analytic hierarchy process (AHP) digunakan, dengan software yang terkenalnya “expert choice”.

Kelemahan multi-criteria dalam menentukan kesesuaian (suitability) terhadap suatu hal adalah sangat bergantung dengan penentuan bobot seperti diutarakan dalam presentasi oleh ESRI (vendor dari ArcGIS) berikut ini:

Semoga postingan ini bisa bermanfaat, terutama saya sendiri baru saja menjawab pertanyaan mengapa menggunakan metode pairwise tidak dengan metode yang lainnya.

Referensi:

http://www.iaeme.com/MasterAdmin/UploadFolder/IJCIET_06_11_012-2/IJCIET_06_11_012-2.pdf

https://maps.uky.edu/esri-uc/esri_uc_2k12/Files/130.pdf

Revisi Lagi .. LiDAR vs RADAR

Kejadian tahun lalu terulang lagi dimana ketika asyik liburan ada tulisan yang harus direvisi. Kalau dulu artikel di jurnal internasional, kali ini disertasi yang dicek oleh external examiner, yaitu profesor dari luar kampus. Lumayan banyak, walaupun secara keseluruhan disetujui (satisfactory and meets the normal requirements for a doctoral dissertation), tetapi ada hal-hal yang perlu pemikiran karena bukan bidang saya.

Sebagai contoh, pada revisi keenam diminta menjelaskan maksud LiDAR (light Imaging Detection and Ranging) “more accuracy and wider range” dibanding RADAR (Radio Detection and Ranging). Sebenarnya saya mensitasi dari text book, tetapi ternyata tidak hanya mensitasi, harus tahu juga maksudnya. Untungnya banyak referensi yang beredar.

Panjang Gelombang RADAR dan LiDAR

LiDAR dikatakan lebih akurat dibanding RADAR karena bisa mendeteksi obyek yang kecil karena penggunaan spektrum panjang gelombang yang lebih pendek (short wavelength). Gambar di bawah saya unduh dari sini, lumayan jelas perbandingan antara microwave yang digunakan RADAR dengan infra-red yang digunakan LiDAR.

Jika microwave jangkauannya dari 1 mm hingga 1 meter, ternyata infra merah lebih pendek lagi yaitu antara 1 mikrometer hingga 1 mm, artinya lebih pendek dari microwave yang digunakan RADAR. Sementara maksud “wider range” artinya pandangan yang lebih luar (large field of view) yang dimiliki LiDAR: lebih lebar dari RADAR. Informasi ini saya ambil dari situs ini.

Yah, begitulah, ikuti saja, namanya IT kan pensuport bidang lainnya. Terkadang ke GIS, environment, hingga penginderaan jarak jauh (remote sensing). Ada informasi ternyata RADAR dan LiDAR sedang berkompetisi untuk digunakan oleh mobil tanpa awak, dimana Tesla dengan RADAR sementara Google dengan LiDAR walau dipasang juga RADAR karena mampu menembus kabut (Jadi inget waktu kuliah 6 tahun di mesin UGM dulu).

Konversi Universal Transverse Mercator (UTM) ke Latitude – Longitude

Repot juga kalau berhubungan dengan sistem proyeksi. Biro Informasi Geospasial (BIG) atau yang dulu dikenal dengan Bakosurtanal terkadang menyediakan dua versi koordinat yaitu UTM dan lintang/bujur. Ketika memperoleh file SHP yang berformat UTM, mudah untuk dimanipulasi (misalnya untuk optimasi), tetapi harus dikonversi kembali ke lintang dan bujur jika ingin ditampilkan di Googla Map yang berformat lintang dan bujur (lihat post sebelumnya).

Untungnya Matlab menyediakan konversi dari UTM ke lintang/bujur yang cukup akurat di situs resminya. Berikut ini contoh fungsi utm2ll yang tinggal dicopas dan simpan dengan nama utm2ll.m:

Misalnya saya impor dengan fungsi shaperead file SHP yang berkoordinat UTM (lihat cara menggunakan shaperead). Kemudian saya jalankan fungsi UTM2LL tersebut yang berisi parameter sumbu x,y zona (untuk contoh ini 48S yang diisi dengan -48, negatif karena di selatan). Sementara datumnya ‘wgs84’. Ambil satu contoh titik pertama:

>> real(1,:)
ans =
-6.2620 106.9955

Di ArcGIS sebenarnya ada fasilitas mengkonversi langsung, tetapi ketika saya impor ke Matlab shapefile-nya, angkanya masih tetap UTM. Tetapi bisa digunakan untuk menguji apakah hasil konversinya benar. Perhatikan jawaban titik pertama di atas (-6.2620 106.9955) yang ditunjukan pada (1) sama dengan koordinat lintang/bujur (2) pada gambar di bawah ini.

Selesai juga masalah konversi dari UTM (720779.301055732, 9307408.86579029) menjadi Latitude-Longitude (-6.2620 106.9955). Semoga bermanfaat.

Menampilkan Data Spasial Web-based dengan Google Map API

Google menyediakan fasilitas online untuk melihat peta lokasi suatu wilayah. Banyak fasilitas yang diberikan baik dalam format peta biasa (Map) maupun citra satelit (Satellite). Bahkan bisa juga melihat lokasi jalan dengan memanfaatkan fasilitas Google Street View yang menempel di Application Programming Interface (API) Google Map.

Membuat Kode Sederhana

Sebelum masuk ke sistem basis data, ada baiknya bisa menampilkan terlebih dahulu Google map pada aplikasi web-based yang akan kita buat. Buka saja teks editor ringan, notepad untuk mengetikan kode HTML singkatnya. Copas saja kode berikut dalam notepad:

Ketika menyimpan, seperti biasa pilih ekstension “All”, jangan gunakan defaultnya (*.txt). Kemudian beri nama dengan tambahan di belakangnya .html.

Setelah disimpan, buka file HTML tersebut. Jangan lupa program yang membukanya adalah browser (ie, mozilla, chrome, dll). Kalau tidak otomatis terbuka, klik kanan dan pilih “open with” yang sesuai.

Tombol (1) untuk menampilkan format satelit atau peta biasa dan tombol (2) untuk melihat Street View dengan men-drag simbol orang ke jalan yang ingin dilihat citranya.

Ketika men-drag simbol orang, tampak jalan berwarna kebiruan. Itu tandanya lokasi yang sudah difoto oleh mobil Google. Hasilnya tampak seperti gambar di bawah ini:

Tinggal berikutnya adalah mengkoneksikan ke sistem basis data, misalnya mysql, untuk menampilkan lokasi-lokasi yang ada di database kita. Semoga bermanfaat.

Spatial Metrics – Statistik untuk Landscape dan Data Spasial

Semua orang biasanya sudah belajar tentang statistik. Dari dulu sampai sekarang ya isinya begitu saja, tidak ada yang berubah dan tidak ada pula silang pendapat di antaranya. Karena ilmunya yang sudah “established” statistik menjadi alat bantu untuk riset di bidang lainnya, salah satunya adalah landscape, cabang dari arsitektur dan perencanaan wilayah. Tetapi orang komputer pun ikut nimbrung di dalamnya, termasuk saya.

Spatial sendiri dalam bahasa Indonesianya “spasial” yang berarti data yang berisi selain atribut juga koordinat/lokasi. Jadi data spasial harus menyimpan informasi lokasi suatu record (isi data). Jadi spatial metrics berarti ukuran tentang suatu data spasial, satuannya bermacam-macam hasil dari rumus yang telah disepakati bersama.

Spatial Metrics dan Landscape Metrics

Spatial metrics sejatinya sama dengan landscape metrics. Istilah “landscape metrics” muncul karena metrik ini dikembangkan oleh ilmu tentang landscape (terutama ekologi), geometri fraktal dan ilmu informatika [1]. Unik juga informatika nempel di mana-mana. Namun selama perjalanannya, para peneliti lebih suka menyebutnya dengan spatial metrics [2]–[4].

Pembagian Spatial Metrics

Tidak ada kesepakatan mengenai pembagian terhadap spatial metrics. Namun ada pembahasan yang baik dari McGarigal yang bisa diunduh [5]. Pembagian spatial metrics biasanya dibagi tiga level yaitu level patch, level kelas, dan level lanskap yang telah diterapkan dalam software FRAGSTATS yang juga dikembangkan oleh McGarigal dan kawan-kawan [6]. Tiap level memiliki variabel-variabel tentang:

Area & edge metrics
Shape metrics
Core area metrics
Contrast metrics
Aggregation metrics
Subdivision metrics
Isolation metrics
Diversity metrics

Peran Ilmu Statistik

Ilmu statistik berperan dalam perhitungan variabel-variabel di atas. Yang digunakan pun yang sering kita pelajari di bangku sekolah/kuliah: Median, Mean, Area-Weighted Mean, Range, Standar deviasi, dan covarian.

Source: [5]

Silahkan orang-orang IT yang tertarik untuk membantu para perencana kota/urban dalam melaksanakan risetnya.

Ref:

1. E. J. Gustafson, “Quantifying Landscape Spatial Pattern: What Is the State of the Art?,” Ecosystems, vol. 1, no. 2, pp. 143–156, 1998.

2. C. Sun, Z. Wu, Z. Lv, N. Yao, and J. Wei, “Quantifying different types of urban growth and the change dynamic in Guangzhou using multi-temporal remote sensing data,” Int. J. Appl. Earth Obs. Geoinf., vol. 21, pp. 409–417, 2013.

3. H. M. Pham and Y. Yamaguchi, “Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi , Vietnam,” Int. J. Remote Sens., vol. 32, no. May 2015, pp. 37–41, 2011.

4. Herlawati and R. T. Handayanto, “Mengenali Karakteristik Penggunaan Lahan dengan Statistika Spasial ( Spatial Metrics ),” INFORMATICS Educ. Prof., vol. 1, no. 2, pp. 227–232, 2017.

5. K. Mcgarigal, “Landscape metrics for categorical map aatterns,” vol. 2001, no. Chapter 5, pp. 1–77, 2001.

6. K. Mcgarigal, S. Cushman, and E. Ene, “FRAGSTATS v4: Spatial Pattern Analysis Program for Categorical and Continuous Maps,” 2015. [Online]. Available: http://www.umass.edu/landeco/research/fragstats/fragstats.html.

Mengeset Referensi Koordinat pada Image di IDRISI

Terkadang untuk melakukan manipulasi diperlukan penyamaan koordinat dan proyeksi dua image atau lebih yang terlibat. Misalnya untuk operasi Window (lihat post tentang window ini) dalam rangka memotong suatu image mengikuti image lainnya (dalam ArcGIS diistilahkan dengan nama clipping). Obyek yang memotong dan dipotong tentu saja harus memiliki proyeksi koordinat yang sama.

Menggunakan Metadata

Selain untuk mengeset proyeksi, metadata ini sering digunakan untuk mengeset legend terutama untuk memodelkan land use (LCM). Misalnya gambar peta urban di sekitar Jabotabek di bawah ini yang akan dicrop untuk Bekasi.

Gambar di atas adalah hasil klasifikasi (unsupervised) dengan IDRISI. Perhatikan di bagian metadata di bawah kiri. Pada isian ref system pilih proyeksi yang sesuai.

Selain ref. system yang perlu diperhatikan juga adalah Min/Max X dan Y. Permasalahan muncul ketika ref. system sudah sama tetapi Min/Max X,Y tidak sama. Jika dua gambar yang ingin disamakan memang berukuran sama tidak masalah (dengan copy dan paste). Tetapi jika tidak sama ukurannya maka perlu menggunakan trik lain. (Bersambung).

Menyelesaikan masalah “Architecture Mismatch Driver & Application” ketika mengakses Database di Matlab

Melanjutkan postingan yang lalu tentang problematika explore database di Matlab yang melibatkan versi 64 atau 32 bit. Masalah incompatible ini sepertinya tidak direspon dengan baik. Baik oleh Windows maupun Matlab. Sepertinya ada sedikit “paksaan” bagi pengguna versi 32 bit untuk beralih ke versi 64 bit. Padahal banyak yang masih menerapkan versi 32 bit di sistem yang sedang berjalan.

Install Microsoft Access Versi 64 Bit

Pengguna Matlab 64 bit sepertinya sudah harus beralih ke versi 64 bit untuk semua hal yang terlibat dengan Matlab (environment), seperti OS dan sistem basis data-nya. Jika tidak maka akan muncul peringatan adanya ketidaksesuaian dari sisi arsitektur antara driver ODBC dan aplikasi. Perbedaan arsitektur merupakan perbedaan yang tidak sepele dalam suatu sistem perangkat lunak.

Repotnya untuk Microsoft Access, tidak bisa langsung memasang yang 64 bit tanpa meng-uninstall versi yang sebelumnya. Perlu diperhatikan jika ada visio versi 32 bit, windows meminta uninstall juga. Jadi kalau sayang dengan visio yang 32 bit atau tidak punya installer visio yang 64 bit, sebaiknya difikirkan terlebih dahulu, atau siapkan dulu visio versi 64 bitnya.

Tadinya saya masih ragu, jangan-jangan ketika uninstall yang 32 bit dan install yang 64 bit tetap saja database tidak bisa diakses Matlab 64 bit, tetapi ternyata Alhamdulillah bisa. Mungkin ini bisa menjawab pertanyaan dari pembeli buku saya tentang database di Matlab yang tidak bisa terkoneksi dengan access karena beda versi “bit”nya. Oiya, jangan khawatir, semua settingan di office 32 bit yang lalu tetap otomatis terbawa di versi 64 bit yang baru.

Mengecek Koneksi Database di Matlab

Ketika sudah menginstall versi 64 bit, pastikan di ODBC yang 64 bit terisi driver dan platform-nya yang baru (64 bit). Selalu gunakan driver untuk kedua versi access (*.mdb dan *.accdb). Pastikan ketika mengklik Configure… tida ada pesan “architecture mismatch ..” lagi.

Tambahkan satu User DSN baru dan coba buka dengan Matlab 64 bit. Setelah mengetik dexplore di command window Matlab, cari ODBC yang baru saja dibuat. Pastikan database yang dibuat dengan Access dapat dilihat isinya.

Sekian dulu info singkat ini, semoga bermanfaat dan semoga pula naskah tentang data spasial dan bigdata dengan Matlab dapat rampung secepatnya.

Export ArcGIS beserta Basemap ke Format Lain

Salah satu fungsi ArcGIS adalah untuk presentasi. Presentasi di sini bisa berupa cetakan (print out) atau file. Terkadang karena tidak semua orang memiliki ArcGIS, maka perlu mengkonversi file project ArcGIS ke format lain. Salah satu format yang terkenal adalah gambar (JPG, BMP, dan TIFF) dan PDF. Ada format-format lain yang bertipe vektor. Di sini akan dibahas untuk yang tipe gambar atau dikenal dengan istilah raster.

Salah satu fasilitas yang cukup penting untuk presentassi dan pembuatan peta pada ArcGIS adalah basemap. Kita coba tambahkan basemap, untuk memperjelas peta yang akan dikonversi ke gambar. Ada beragam basemap yang tersedia di ArcGIS. Untuk mengaksesnya silahkan masuk ke menu tambah layer pada gambar di bawah ini.

Salah satu yang terkenal adalah OpenStreetMap yang menunjukan jalan-jalan di seluruh dunia. Pilih dengan mouse lalu tekan Add untuk menambahkan basemap di layer. Oiya, saya mencoba Streets ternyata hasilnya tidak sedetil OpenStreetMap.

Jika sudah maka masuk ke file dilanjutkan dengan export map untuk mengisi pilihan format yang cocok. Lanjutkan dengan mengisi nama file beserta formatnya. Untuk informasi detilnya silahkan kunjungi situs resminya.

Untuk PDF sepertinya banyak fasilitas yang dapat digunakan, misalnya jika layout yang dibuat di arcGIS lebih dari satu halaman (lihat cara membuat layout). Resolusi yang pas untuk peta seukuran Bekasi adalah kira-kira 200 dot per in (dpi). Jika kurang maka basemap kurang jelas (blur), tetapi kalau kebesaran bisa hang pabila komputer tidak kuat (ram dan prosesor-nya). Hasilnya dapat dilihat sebagai berikut:

Sayangnya untuk basemap Google atau Bing tidak bisa dikonversi ke JPG (hanya gambar shapefilenya saja yang tercetak) padahal baik Bing maupun Google memiliki fasilitas yang lengkap untuk citra satelitnya (lihat cara menginstall plugin Bingmap/Google). Tetapi untuk menunjukan jalan dan wilayah tertentu sepertinya fasilitas bawaan ArcGIS sudah ampuh. Selamat mencoba.

Perbedaan Penggunaan Lahan dan Penutupan Lahan

Penggunaan lahan dan penutupan lahan (land use and land cover) merupakan bidang riset yang saat ini gencar diteliti dari berbagai disiplin ilmu. Mulai dari geografi, lingkungan, kesehatan, bahkan saya sendiri dari informatika ikut juga berpartisipasi. Bidang riset ini bercirikan data spasial dan temporal. Untuk yang baru kenal ada baiknya bisa membedakan istilah-istilah itu, terutama padanannya dengan bahasa Indonesia yang baku.

Penggunaan Lahan (Land Use)

Penggunaan lahan sering diistilahkan dengan peruntukan lahan atau juga tata guna lahan (Baja, 2012). Artinya adalah bentuk penggunaan lahan oleh masyarakat. Apakah digunakan untuk pertanian, perkebunan, perumahan, atau dibiarkan saja (tidak digunakan). Bagi yang kurang begitu mengetahui perbedaan penggunaan dengan penutupan lahan, biasanya lebih aman menggunakan istilah penggunaan lahan, walaupun sebenarnya ada sedikit perbedaan dengan penutupan lahan.

Penutupan Lahan (Land Cover)

Berbeda dengan penggunaan lahan, penutupan lahan lebih memaknai lahan dari sisi bio-fisikanya, yaitu jenis bio-fisika yang ada di suatu lokasi tertentu, seperti tumbuhan, air, pertanian, bangunan, dan sebagainya. Berbeda dengan penggunaan lahan, penutupan lahan mudah dideteksi dengan penginderaan jarak jauh. Frekuensi tertentu dari sensor pada satelit dapat membedakan tanaman dengan bangunan, air, atau bahkan antara tumbuh-tumbuhan hutan dengan pertanian (agriculture). Penggunaan lahan tertentu seperti sekolah, rumah sakit, hotel, dan industri masuk dalam jenis ‘bangunan’ dari sisi penutupan lahan. Citra satelit sangat sulit mendeteksi perbedaan penggunaan lahan berjenis bangunan itu. Tetapi riset sedang berjalan untuk mengatasinya. Beberapa penggunaan lahan misalnya pertanian dan kehutanan (agriculture vs vegetation), dapat dibedakan dengan teknik pengolahan citra terkini. Konvensi standar pewarnaan pun sudah ada untuk tiap-tiap penggunaan dan penutupan lahan (Anderson, Hardy, & Roach, 1976).

Saat ini alih guna lahan (land use change) banyak diteliti, dan menjadi materi wajib mahasiswa jurusan remote sensing and Geographic Information System (RS-GIS). Software yang bisa digunakan pun beragam dari Dyna Clue hingga IDRISI Selva (Eastman, 2012). Silahkan dicoba.

Referensi:

Anderson, J. T., Hardy, E. E., & Roach, J. T. (1976). A Land use and Land Cover Classification System for Use with Remote Sensing Data. United States of America. Retrieved from https://pubs.usgs.gov/pp/0964/report.pdf

Baja, S. (2012). Perencanaan Tata Guna Lahan dalam Pengembangan Wilayah – Pendekatan Spasial & Aplikasinya. Yogyakarta: Andi Offset.

Eastman, J. (2012). IDRISI selva tutorial. Idrisi production. Clark Labs-Clark Universit. Retrieved May 1, 2017, from https://clarklabs.org/wp-content/uploads/2016/10/TerrSet-Tutorial.pdf

Memecah Kelas Hasil Klasifikasi di ArcGIS

Salah satu tugas penting penelitian mengenai land use adalah klasifikasi citra satelit. Biasanya hasil pengolahan citra yang utama adalah unsupervised classification yang harus dicek lagi akurasinya dengan data real yang lebih akurat (ground view), misalnya aerial view, study lapangan dengan GPS, ataupun cara lain (Google earth, bing aerial, dll). Hasil klasifikasi perlu dipilah misalnya builtup saja, vegetasi saja, dan kelas-kelas lainnya. Dengan ArcGIS untuk memilahnya tidak terlalu sukar, hanya dengan simbologi sudah cukup untuk memisahkan satu kelas dengan kelas lainnya. Misalnya gambar di bawah ini adalah kelas-kelas hasil unsupervised classification pada IDRISI yang diekspor ke ArcGIS.

Dobel klik saja pada peta klasifikasi yang sudah di-geret dari file-nya lewat Catalog. Selanjutnya misalnya yang berwarna merah mudah adalah air, dan akan kita pisahkan dengan yang lain. Tinggalkan saja air dan yang lainnya remove dari symbology.

Jangan lupa konversi dahulu menjadi Unique Values agar bisa dipilah kelasnya. Tekan OK dan peta hasilnya dapat dilihat di bawah ini. Setelah itu jika akan dikonversi ke Google Earth pro dalam format KMZ atau KML tinggal konversi saja seperti dibahas pada postingan yang lalu. Selamat mencoba.

Cluster Data dari ArcGIS ke Matlab

Postingan kali ini bermaksud mencoba membuat video tutorial bagaimana mengkluster data dari arcgis dengan software matlab. Iseng-iseng dengan pengisi suara dari translate google, ternyata oke juga. Hasilnya pun lumayan jelas dibanding saya yang ngomong .. haha.

Ada dua kandidat software perekam yang digunakan yaitu ‘screen-o-matic’ dan ‘microsoft expression’ yang keduanya gratis untuk menggunakannya. Hanya saja microsoft expression kali ini unggul karena bisa merekam suara dari ‘translate google’ dan saya belum berhasil dengan ‘screen-o-matic’ yang unggul jika ingin ada cam-nya. Silahkan lihat videonya.