RESUME KELOMPOK 29 (VORONOI DIAGRAMS AND SPATIAL ANALYSIS OF CRIME)

ABSTRAK

    Berbagai analisis spasial yang digunakan dalam sebuah pemetaan kejahatan, seperti kepadatan estimasi Kernel, K-fungsi Ripley, dan autokorelasi spasial, tetapi ada penggunaan Voronoi diagram (VDS) yang terbatas. Tujuan dari artikel ini adalah untuk memberikan kontribusi pada analisis spasial kejahatan melalui penggunaan VDS. Kami menggunakan data empat tahun perampokan komersial dari Campinas, Brazil, dan mempekerjakan beberapa pekerja teknik VD: (1) kita menganalisis konsentrasi kejahatan melalui sifat-sifat VDS - wilayah dan jumlah simpul - dan kurva cakupan; (2) kami memperkenalkan geovisualization kejahatan baru dengan VD dalam tiga dimensi; dan (3) kita menerapkan teknik jaringan VD untuk analisis kejahatan. Hasil penelitian menunjukkan hubungan antara teknik VD ini dan kemampuan peneliti untuk mengenali pola kejahatan yang berhubungan dengan konsentrasi kejahatan, kejahatan sepanjang jalur, dan distribusi yang sangat regularized kejahatan di daerah terbatas spasial. Kata kunci: konsentrasi kejahatan, lokasi kejahatan, analisis spasial, diagram Voronoi.

PENDAHULUAN

Voronoi Diagram(VDS) adalah suatu diagram yang lazim dalam pembuatan suatu peta dan objek spasial lainnya karena diagram ini mewakili hubungan spasial antar objek yang ada. VDS membagi area ruang ke dalam bentuk daerah, yang disebut sel Voronoi, yang berisi semua ruang yang paling dekat dengan objek (lokasi kejahatan). Ukuran sel-sel ini memberikan indikasi tentang seberapa padat daerah pada obyek tertentu atau seberapa besar sebuah benda.

Pemetaan Kejahatan telah meningkat dalam beberapa tahun terakhir di berbagai bidang, seperti dalam pengembangan perangkat lunak, teknik geovisualisasi, akurasi dalam kejahatan geocoding, dan regresi spasial dengan variabel waktu. Kejahatan terjadi di lokasi geografis tertentu dan salah satu cara spasial terbaik untuk mewakili pola kejahatan di suatu ruang adalah kerangka kerja berbasis titik. Ketika kita melakukan kerangka kerja berbasis wilayah untuk menganalisis kejahatan, kita juga menyadari keterbatasan metodologi ini bila dibandingkan dengan analisis point lainnya. 

METODE

1. Berdasarkan Format Vektor

  Area dan jumlah veriks adalah dua properti sel VD yang dapat digunakan untuk mengidentifikasi hot spot menggunakan sistem informasi geografis (SIG). 

2.   Peta Estimasi Voronoi Cells and Kens Density

    KD dikembangkan secara matematis untuk memperkirakan variabel kontinu di atas suatu permukaan, tetapi ketika digunakan untuk data titik, permukaan halus KD menunjukkan bahwa kejahatan terjadi di daerah di mana tidak ada kejahatan yang dilaporkan.

3. Kejahatan Geovisualisasi melalui VDs 

  Meskipun dengan hasil yang lebih baik secara kuantitatif, VDmaps menunjukkan keterbatasan kualitatif bila dibandingkan dengan peta KD dalam dua dimensi. Namun, pada bagian ini, kami mengusulkan perwakilan kejahatan tiga dimensi (3D) melalui penggunaan 

HASIL

   Tujuan artikel ini adalah untuk berkontribusi pada spatialanalysis of crime melalui penggunaan VDs. Oleh karena itu, menggunakan empat tahun data perampokan komersial dari Campinas, Brasil, kami mempekerjakan beberapa teknik VD. Pertama, kami menganalisis konsentrasi kejahatan melalui properti VD — area dan jumlah simpul — dan kurva cakupan. Kami kemudian secara resmi membandingkan perbedaan antara peta KD tradisional dan peta VD dalam menggambarkan konsentrasi kejahatan. Kedua, kami memperkenalkan geovisualisasi kejahatan baru dengan dimensi VD di tiga. Ketiga, kami menerapkan teknik N-VD untuk kebijakan pencegahan kejahatan. Hasil dari teknik ini dapat diterapkan dalam banyak teori tentang kriminologi lingkungan dan geografi kejahatan. 

   Sebagai percobaan kami menerapkan teknik N-VD di kantor polisi Campinas (sebagai generator titik) untuk mengusulkan yang lebih optimal patroli polisi. Dalam contoh ini, manajemen patrol dapat dibuat lebih mudah, dengan mempertimbangkan jaringan jalan yang tergambar di peta.

KESIMPULAN

Pertama, sel Voronoi dibuat berdasarkan hanya satu generator titik per lokasi, artinya mengulangi kesalahan sekaligus lokasi tidak diperhitungkan. Sebisa mungkin solusi untuk visualisasi dua dimensi, masing-masing lokasi kejahatan dapat dengan sengaja dipindahkan oleh beberapa meter, tetapi perlu untuk memeriksa kualitas representasi ini dan hasilnya bentuk kartografi.

Kedua, dalam perbandingan formal antara peta KD dan peta VD, kami hanya menggunakan tiga metode interval — kuantil, Jenks atau istirahat alami, dan interval geometris. Penting untuk menilai mereka dengan metode lain seperti standar deviasi.

Ketiga, elemen warna dalam peta 3D terkait dengan hanya satu titik generator, yang berarti bahwa periode setiap perampokan komersial tidak dapat ditafsirkan dengan benar. Pembatasan ini dapat dengan mudah diatasi dengan data set dengan informasi lebih lanjut, seperti dengan sensus. Batasan ini dibiarkan untuk pekerjaan di masa depan. 

RESUME KELOMPOK 21 Penentuan Zona Bahaya Banjir di Wilayah Yasooj, Iran, Menggunakan GIS dan Analisis Keputusan Multi-Kriteria

PENDAHULUAN

  

  Banjir adalah luapan air yang merendam tanah, dan dapat menyebabkan kerusakan pada alam dan bahkan dapat mengakibatkan hilangnya nyawa. Peta bahaya banjir adalah alat yang berguna untuk merencanakan arah pertumbuhan kota di masa depan, dan biasanya digunakan untuk mengidentifikasi daerah yang rawan banjir. Sistem informasi geografis (SIG) dan teknik penginderaan jauh (RS) telah membuat kontribusi yang signifikan dalam analisis bahaya alam. Analisis keputusan multi-kriteria (MCDA) telah diakui sebagai alat penting untuk menganalisis masalah keputusan yang kompleks, yang sering melibatkan data atau kriteria yang tidak dapat dibandingkan. Metode MCDA dapat digunakan untuk mengintegrasikan tujuan teknis, lingkungan dan sosial ekonomi untuk mencapai keputusan yang optimal. 

METODOLOGI

HASIL

Area tergenang ( Model hidrolik) dan hampir Punah ( berdasarkan MCDA )

a. Periode pengembalian 50 tahun

b. Pembuangan periode kembali 100 tahun

Peta kedalaman banjir yang di stimulasikan

a. Periode pengembalian 50 tahun

b. Periode pengembalian 100 tahun

KESIMPULAN

  Terdapat 4 parameter untuk menentukan zona bahaya banjir yaitu jarak ke saluran pembuangan, penggunaan lahan, ketinggian dan kemiringan lahan.  Selai itu, model hidrolik HEC-RAS dapat digunakan untuk mensimulasikan area yang tergenang menggunakan geometri lintas-bagian saluran, koefisien kekasaran Manning dan debit puncak sebagai input model. Keluaran dari HEC-RAS dan DEM digunakan untuk menyediakan peta banjir 50 dan 100 tahun yang tergenang. Baik peta zonasi bahaya banjir dan peta genangan banjir 50 dan 100 tahun dilapis dan dibandingkan. Oleh karena itu teknik AHP dan GIS dapat menjanjikan untuk membuat prediksi yang cukup andal untuk tingkat banjir dan dapat disarankan untuk penilaian potensi bahaya banjir khususnya didaerah tanpa data.

RESUME KELOMPOK 22 PENDEKATAN GIS DALAM MENGIDENTIFIKASI KERENTANAN SOSIAL TERHADAP BENCANA GEMPA DI ITALIA

Tulisan ini menganalisis hubungan antara proses lingkungan (bencana gempa bumi) dan ilmu sosial (kerentanan sosial) yang dapat diadaptasikan pada setiap lokasi geografi. Evaluasi kerentanan sosial sangatlah penting dalam memahami kemampuan masyarakat dalam mengantisipasi peristiwa bencana alam. Geographic Information System (GIS) diterapkan untuk mengidentifikasi keberagaman spasial atas kerentanan sosial terhadap bencana seismik.

PENDAHULUAN

    Italia merupakan salah satu dari lima negara di Eropa dengan tingkat kerentanan bencana alam yang tinggi yang disebabkan oleh manajemen lingkungan yang kurang baik. Di Italia umumnya hanya membahas seputar metodologi dalam mengurangi dampak bencana pada elemen-elemen yang berfokus pada kerusakan infrastruktur dan bangunan saja. Namun, pada kenyataannya nilai-nilai sosial-ekonomi juga sangat berpengaruh dalam mengatasi bencana alam yang ada.

METODOLOGI

1. Menentukan indikator kerentanan sosial
2. Melakukan analisis statistik multivariat pada indikator yang dpilih
3. Merencanakan dan memetakkan Social Vulnerability Index (SVI) atau indeks kerentanan sosial
4. Mendapatkan peta kerentanan sosial yang digabung dengan peta SVI dan bencana seismik

HASIL

    Wilayah dengan tingkat kerentanan sosial yang tinggi dan dengan bahaya seismik terbesar terletak di kotak B dan C yaitu wilayah Friuli Venezia Giulia dan wilayah perbatasan diantara wilayah Liguria, Emilia Romagna, dan Tuscany. Kondisi yang sama, tetapi dengan nilai eksposur yang lebih tinggi terletak pada zona tengah-selatan Apennine yang berada pada kotak D. Wilayah Sisilia yang berada pada kotak F juga memiliki tingkat kerentanan sosial dengan bahaya seismik yang sangat besar dan jumlahnya signifikan. Sementara daerah Apulia (Kotak E), Piedmont dan Veneto (Kotak A), serta Sardinia (pulau di sebelah kiri kotak F) memiliki tingkat kerentanan dan bahaya yang sangat rendah

KESIMPULAN

    Metodologi yang dilakukan dalam jurnal ini terbukti mampu mengidentifikasi daerah-daerah dengan karakteristik yang berbeda-beda dalam menghadapi bencana alam. Selain itu, penelitian ini juga berguna untuk memahami kondisi sosial ekonomi Italia yang dapat menyebabkan wilayah tersebut lebih rentan terhadap bencana dari yang lainnya

RESUME KELOMPOK 23 KEKERINGAN BANGLADESH : MENILAI, MENGANALISIS DAN PEMETAAN BAHAYA MENGGUNAKAN SPI, GIS DAN DATA CURAH HUJAN BULANAN

PENDAHULUAN

  Kekeringan merupakan fenomena alam yang berulang dan kompleks yang merupakan kondisi kering bersama dengan curah hujan yang tidak memadai. Hal ini terjadi ketika penguapan dan transpirasi melampaui tingkat curah hujan untuk periode waktu tertentu. Iklim Bangladesh pada dasarnya dipengaruhi oleh monsun, pra-monsun dan pasca-monsoon sirkulasi.  Secara umum, tiga musim iklim dapat dibedakan dalam negeri: kering dan musim dingin ringan (post-monsoon) yang berlangsung dari bulan November sampai Februari, musim panas atau pra-monsun dari Maret sampai Mei dan musim panas lembab atau monsoon (hujan) diamati dari bulan Juni sampai Oktober. 

METODOLOGI

1. Dengan menggunakan SPI dan dianalisis melalui luasan spasial, tingkat keparahan dan frekuensi terjadinya kekeringan dalam penelitian ini. Untuk perhitungan SPI, hanya data curah hujan diperlukan, dan karena itu, saat curah hujan series dataset bulanan selama periode tersebut 1971-2010 diperoleh dan dianalisis. Data visual diperiksa menggunakan histogram untuk setiap outlier potensi serta dibandingkan dengan tetangga stasiun cuaca untuk memeriksa kualitas data, ada anomali signifikan yang ditemukan dalam dataset.
2. Menghitung SPI dengan memasang distribusi gamma seperti yang telah ditemukan agar sesuai dengan distribusi curah hujan cukup baik. Kemudian, nilai dinormalisasi diubah kembali ke distribusi normal dengan mean nol dan varians dari satu.Skala waktu 6 bulan dianggap SPI menghitung untuk skala waktu yang singkat-dan menengah mulai dari November hingga April, yang merupakan periode kering di Bangladesh. 3 bulan SPI dihitung Januari (menggunakan November, Desember dan Januari curah hujan) dan April (menggunakan Februari, Maret dan April curah hujan) dan SPI 6 bulan untuk bulan April (menggunakan November curah hujan April).
3. Untuk menghasilkan peta bahaya kekeringan, proses hierarki analitik (AHP), metode jumlah terbobot dan kekeringan terjadi pada skala waktu yang berbeda dengan tingkat kekeringan yang digunakan dan indeks bahaya kekeringan terpadu (DHI) dihitung. 

KESIMPULAN

  

    Dampak kekeringan luar biasa di Bangladesh, terutama karena sektor pertanian dan airnya adalah dua sektor yang paling terkena dampak. Karenanya, praktik pertanian, pemanenan air permukaan dan penggunaan air tanah secara optimal perlu dimasukkan ke dalam kebijakan dan program mitigasi untuk memerangi dampak kekeringan di masa depan, terutama di zona bahaya tinggi dan sangat tinggi

   Dengan menggunakan teknik SPI dan GIS, dimana SPI dan GIS dapat diterapkan dengan sukses untuk mengidentifikasi kekeringan meteorologis secara spasial dan pemantauan kekeringan di negara ini di masa depan. Selain itu, studi ini menunjukkan metode sederhana namun efektif untuk perhitungan DHI secara kuantitatif. Peta DHI yang dihasilkan dapat digunakan untuk menggambarkan zona bahaya kekeringan secara geografis. Peta bahaya juga dapat menjadi alat penting di daerah rawan kekeringan karena peta ini menjelaskan dan menampilkan distribusi bahaya kekeringan dan daerah yang kemungkinan akan terkena dampak dengan besaran yang berbeda. Selain itu, berdasarkan kejadian kekeringan, keparahan, pola spasial dan zonasi bahaya, akan mungkin untuk merumuskan strategi manajemen yang tepat dan perencanaan untuk mengelola kekeringan secara efektif

RESUME KELOMPOK 24 SMART VILLAGES THROUGH INFORMATION TECHNOLOGY-NEED OF EMERGENCING INDIA

PENDAHULUAN

  Pembangunan pedesaan di negara berkembang bertujuan untuk mengangkat mata pencaharian massa pedesaan dan untuk 'melihat ke depan' pada perkembangan ilmiah dan teknologi yang mungkin berpengaruh selama 10 -20 tahun ke depan. Di India, pertanian didaerah perdesaan adalah sumber mata pencaharian utama bersama dengan perikanan, industri rumahan, tembikar, dll. Pembangunan pedesaan terutama berfokus pada pengentasan kemiskinan, peluang mata pencaharian yang lebih baik, penyediaan fasilitas dasar dan fasilitas infrastruktur melalui program inovatif wirausaha. 

METODOLOGI

1. Kebutuhan akan adanya konsep smart village 
2. Pengembangan desa pintar
3. Teknologi informasi dan komputer untuk pengembangan desa cerdas

HASIL

1. Terciptanya teknologi - teknologi penunjang Smart Vilagge
2. Desa berkelanjutan

KESIMPULAN

SmartVillage adalah kebutuhan sebagai pengembangan untuk daerah pedesaan dan perkotaan dari segi mata pencaharian yang lebih baik dan teknologi informasi yang akan menawarkan solusi yang efektif. Smart Village tidak hanya akan mengurangi migrasi ini tetapi juga mengairi aliran populasi dari perkotaan ke daerah pedesaan.Konsep Smart Village memiliki potensi tinggi di negara lain di dunia berkembang

RESUME KELOMPOK 25 SMART VILLAGES THROUGH INFORMATION TECHNOLOGY-NEED OF EMERGENCING INDIA

PENDAHULUAN

  Pembangunan pedesaan di negara berkembang bertujuan untuk mengangkat mata pencaharian massa pedesaan dan untuk 'melihat ke depan' pada perkembangan ilmiah dan teknologi yang mungkin berpengaruh selama 10 -20 tahun ke depan. Di India, pertanian didaerah perdesaan adalah sumber mata pencaharian utama bersama dengan perikanan, industri rumahan, tembikar, dll. Pembangunan pedesaan terutama berfokus pada pengentasan kemiskinan, peluang mata pencaharian yang lebih baik, penyediaan fasilitas dasar dan fasilitas infrastruktur melalui program inovatif wirausaha. 

METODOLOGI

1. Kebutuhan akan adanya konsep smart village 
2. Pengembangan desa pintar
3. Teknologi informasi dan komputer untuk pengembangan desa cerdas

HASIL

1. Terciptanya teknologi - teknologi penunjang Smart Vilagge
2. Desa berkelanjutan

KESIMPULAN

SmartVillage adalah kebutuhan sebagai pengembangan untuk daerah pedesaan dan perkotaan dari segi mata pencaharian yang lebih baik dan teknologi informasi yang akan menawarkan solusi yang efektif. Smart Village tidak hanya akan mengurangi migrasi ini tetapi juga mengairi aliran populasi dari perkotaan ke daerah pedesaan. Konsep Smart Village memiliki potensi tinggi di negara lain di dunia berkembang

RESUME KELOMPOK 26 ANALISIS SIG INSIDENSI KEJAHATAN DAN VARIASI RUANG DI KOTA THIRUVANANTHAPURAM

PENDAHULUAN

     Beberapa tahun terakhir, gangguan sosial ekonomi di beberapa Negara bahkan seluruh dunia mengarah pada peningkatan tingkat kejahatan. Dengan demikian, teknologi baru diadopsi untuk mendapatkan informasi tentang kriminalitas dan mengurangi tingkat kejahatan. Sistem Informasi Geografis (SIG) adalah salah satu cara di antara perkembangan teknologi baru-baru ini yang dapat bertindak sebagai sistem pendukung keputusan untuk menemukan solusi yang lebih baik untuk mengurangi kemungkinan terburuk kejahatan. 

METODOLOGI

   Analisis SIG : Untuk mengidentifikasi hot spot dan cold spot yang signifikan secara statistik, analisis Getis-Ord Hotspot dilakukan. Analisis hotspot mendapatkan skor-Z dan skor-P. Skor z tinggi dan nilai p kecil untuk fitur menunjukkan pengelompokan spasial dari nilai tinggi.  Skor z negatif rendah dan nilai p kecil menunjukkan pengelompokan spasial dari nilai rendah. 

HASIL

     Mulai dari 2010 hingga 2014, terdapat 60 pembunuhan yang  terjadi di kota lokasi studi. Daerah ini adalah jantung kota dan bangunan-bangunan dan kegiatan-kegiatan utama berlokasi di sini. Vatiyurkav, Museum, Poojapura, Thiruvallom, Karamana, Thampanoor dan kantor polisi Cantonment berada di bawah wilayah ini. Kantor polisi perguruan tinggi Sreekariyam dan Medis adalah zona aman pembunuhan di kota Thiruvananthapuram. Statistik pembunuhan menunjukkan bahwa beberapa tahun terakhir menyaksikan penurunan bertahap tingkat pembunuhan. Aspek sosial ekonomi daerah ini baik.

KESIMPULAN

   Kota Thiruvananthapuram memegang posisi kedua dalam kota-kota dengan catatan kejahatan tertinggi di negara bagian. Tidak dapat menunjukkan penurunan kejahatan bertahap, namun histogram perampokan menunjukkan tren menurun sejak 2012. Tingkat perampokan sangat tinggi di kota Thiruvananthapuram. Rata-rata 77 kasus dilaporkan setiap tahun.