Pengenalan Data Spasial untuk Analisis Sosio-Ekonomi

Oleh

Gigih Fitrianto & Rizqi Surya Pamungkas

Data spasial atau yang juga dikenal sebagai data geospasial merupakan jenis geo-referenced based data yang digunakan untuk menggambarkan kondisi dan informasi pada setiap unit spasial. Unit spasial tersebut sendiri mencakup beberapa tingkatan, yakni kabupaten, kota, ataupun kombinasinya dalam bentuk data grid.

Adapun pendekatan analisis spasial dalam konteks sosial dan ekonomi dapat dilakukan dengan mempertimbangkan adanya interaksi antarwilayah yang disebabkan oleh asumsi bahwa terdapat dependensi yang berbasis spasial (Anselin, 1990; Elhorst, 2018).

Bersamaan dengan pondasi interaksi antarwilayah tersebut, analisis spasial juga semakin berkembang pada beberapa tahun terakhir karena ketersediaan dataset dan database berbasis data spasial yang semakin banyak serta semakin tersedianya platform dengan tampilan antarmuka yang semakin mudah digunakan dan dipelajari (Anselin, 2012). Terlebih, banyak perangkat lunak yang juga mengintegrasikan data geospasial dalam kerangka analisis ekonometrika spasial. Beberapa diantaranya ialah R, Stata, GIS, dan LiSA.

Penggunaan Data Spasial

Data spasial dapat digunakan untuk menganalisis pertumbuhan ekonomi di sebuah wilayah. Salah satunya ialah studi yang menemukan bahwa pertumbuhan ekonomi di suatu daerah juga bisa dipengaruhi oleh pertumbuhan ekonomi dari wilayah yang berada di sekitarnya (Olejnik, 2008). Adapun dalam konteks lingkungan. data spasial juga dapat digunakan untuk melihat hubungan antara aktivitas perekonomian dengan kualitas vegetasi serta dampaknya terhadap lingkungan (Liu et al, 2018). Dalam skala yang lebih spesifik, data spasial juga dapat digunakan untuk menentukan tingkat nitrogen yang harus disiapkan dalam upaya memperoleh hasil panen yang maksimal. Sebab, hasil panen berupa jagung akan menghasilkan kualitas dan kuantitas yang berbeda dan bergantung pada jumlah nitrogen yang diaplikasikan tetapi akan menghasilkan panen yang serupa jika lahannya diplot berdekatan secara spasial (Trevisan et al, 2021; Smith et al, 2022).

Jenis Data Spasial

Secara garis besar, terdapat dua bentuk data berbasis spasial, yakni data vektor dan data raster.

Data Vektor dan Data Raster

Data jenis pertama, yakni data vektor, merupakan data yang menggunakan titik, garis, dan poligon untuk mewakili fitur spasial suatu objek atau area. Jenis data ini bisa digunakan untuk melakukan analisis dan operasi ruang yang kompleks dan membutuhkan ruang penyimpanan yang lebih sedikit dibandingkan data raster untuk tingkat detail yang sama. Namun, data jenis ini sulit untuk menggambarkan fenomena yang berkelanjutan, rentan terhadap kesalahan topologi seperti gaps dan overlaps, serta lambat dalam melakukan proses render dan proses pengumpulan data besar dengan banyak fitur.

Selanjutnya, data raster merupakan data berbasis piksel. Adapun setiap piksel pada jenis data ini memiliki nilai yang mewakili informasi. Data raster sendiri sangat berguna untuk mewakili data yang bervariasi secara kontinu dalam ruang. Secara alamiah, data raster juga lebih untuk dianalisis dalam format kisi atau grid.

Data raster juga sesuai untuk jenis analisis yang dilakukan secara terus-menerus serta rentan akan perubahan atau bersifat kontinu. Analisis data raster sangat sesuai dengan penggunaan gambar berbasis satelit, model elevasi digital, dan model iklim. Keuntungan penggunaan data raster ini ialah perannya dalam menangkap variasi dan distribusi data serta cepat dalam memproses kumpulan data besar dengan operasi sederhana. Selain itu, analisis spasial berbasis data raster ini juga dapat dilakukan untuk berbagai jenis data geospasial yang tersedia.

Akan tetapi, data raster juga memiliki beberapa kelemahan, seperti halmya rentan untuk kehilangan akurasi dan detail dikarenakan ukuran sel dan resolusi. Selain itu, data raster ini juga relatif lebih sulit digunakan untuk melakukan analisis spasial yang rumit serta memerlukan lebih banyak ruang penyimpanan daripada data vektor untuk tingkat detail yang sama.

Penyusunan Data Berbasis Spasial untuk Analisis Ekonomi

Sebelum melakukan pengolahan data spasial untuk analisis ekonomi, diperlukan penyusunan set data maupun basis data terlebih dahulu dalam suatu struktur. Beberapa metode yang umum dilakukan ialah penyusunan struktur basis data berbasis grid dan non-grid.

Data spasial yang terstruktur dalam bentuk kisi atau grid disebut juga sebagai lattice data. Selain itu, data jenis ini juga dikenal sebagai grid-cell data. Dalam penerapannya, struktur data spasial ini membagi permukaan bumi menjadi beberapa sel yang memiliki seragam secara geometris.

Contoh lattice data

Selanjutnya, penyusunan data spasial juga dapat dilakukan tanpa strukturisasi berupa kisi maupun grid, melainkan berdasarkan pada pembagian administratif. Jenis data ini disebut sebagai non-lattice data atau yang dikenal juga sebagai administrative-based data.

Contoh non-lattice data

Pada umumnya, informasi data spasial dari sebuah wilayah dapat diolah dengan menggunakan teknik grid interpolation. Secara konsep, teknik ini menerapkan proses untuk menghitung atau memperkirakan nilai-nilai di antara titik-titik data yang ditempatkan dalam suatu grid atau jaringan sebelum melakukan konversi maupun analisis keterkaitan antara data grid ke data non-grid dan sebaliknya.

Keterkaitan Struktur Antara Lattice & Non-Lattice Data

Sumber Data Spasial

Terdapat beberapa situs maupun platform yang dapat diakses untuk memperoleh data berbasis spasial yang digunakan dalam analisis sosial ekonomi.

Pertama, GeoPackage yang merupakan platform yang bersifat independen, portabel, mandiri tetapi memiliki standard. Platform yang berformat terbuka ini dapat digunakan untuk mentransfer informasi geospasial. Adapun jenis data yang tersedia di platform ini ialah data vektor.

Kedua, Socioeconomic Data and Applications Center (SEDAC) yang dikembangkan oleh NASA yang bekerjasama dengan pihak akademisi. SEDAC sendiri berfokus pada interaksi manusia dalam lingkungan. Selain itu, SEDAC juga memiliki misi untuk mengembangkan dan mengoperasikan aplikasi yang mendukung integrasi data berbasis sosial ekonomi dan data yang berbasis ilmu sains dan kebumian serta dapat berperan menjadi “Gerbang Informasi” yang menjembatani antara ilmu sosial dengan sains, terutama kebumian. Jenis data yang digunakan oleh SEDAC ialah data raster.

Ketiga, INA-Geoportal yang merupakan platform geoportal nasional di Indonesia. Adapun platform ini utamanya ditujukan untuk menjembatani berbagai Kementerian, Lembaga, Provinsi, dan Daerah yang dikelola oleh Badan Informasi Geospasial (BIG). Melalui INA-Geoportal, pengguna dapat mengakses, berbagi, dan mengintegrasikan data geospasial dari berbagai sumber. Platform ketiga ini juga ditujukan untuk memfasilitasi kolaborasi dan koordinasi lintas sektor yang selanjutnya dapat digunakan dalam pengelolaan informasi geospasial secara efektif. Adapun jenis data yang tersedia dalam platform ini ialah data vektor dan data raster.

Referensi

Anselin, L. (1990). Spatial dependence and spatial structural instability in applied regression analysis*. Journal of Regional Science, 30(2), 185–207. https://doi.org/10.1111/j.1467-9787.1990.tb00092.x

Anselin, L. (2012). From spacestat to cybergis. International Regional Science Review, 35(2), 131–157. https://doi.org/10.1177/0160017612438615

Elhorst, J. P. (2018). Spatial econometrics: From cross-sectional data to spatial panels. Lightning Source UK Ltd.

Liu, C., & Nie, G. (2022). Spatial effects and impact factors of food nitrogen footprint in China based on Spatial Durbin Panel model. Environmental Research, 204, 112046. https://doi.org/10.1016/j.envres.2021.112046

Liu, R., Xiao, L., Liu, Z., & Dai, J. (2018). Quantifying the relative impacts of climate and human activities on vegetation changes at the regional scale. Ecological Indicators, 93, 91–99. https://doi.org/10.1016/j.ecolind.2018.04.047

Olejnik, A. (2008). Using the spatial autoregressively distributed lag model in assessing the regional convergence of per‐capita income in the EU25. Papers in Regional Science, 87(3), 371–385. https://doi.org/10.1111/j.1435-5957.2008.00190.x

Smith, E. M., Vargas, R., Guevara, M., Tarin, T., & Pouyat, R. V. (2022). Spatial variability and uncertainty of soil nitrogen across the conterminous United States at different depths. Ecosphere, 13(7). https://doi.org/10.1002/ecs2.4170

Trevisan, R. G., Bullock, D. S., & Martin, N. F. (2021). Spatial variability of crop responses to agronomic inputs in on-farm precision experimentation. Precision Agriculture, 22(2), 342–363. https://doi.org/10.1007/s11119-020-09720-8