際際滷

際際滷Share a Scribd company logo

MANADO Corona1 - COVID RISK MAPPING

Download as PPTX, PDF
Agus Budiharso
Agus Budiharso

1) The document discusses using GIS mapping to analyze the vulnerability and risk of COVID-19 cases in Manado City, Indonesia. 2) It presents data on Manado's population distribution, number of sub-districts and villages, COVID-19 cases by sub-district, and health facilities. 3) The analysis involves mapping hazard levels based on COVID-19 cases, population density, and other factors, vulnerability based on population density and demographics, and capacity based on health facilities to calculate risk levels for each area.

1 of 26
Download to read offline
APLIKASI GIS UNTUK PEMETAAN KERENTANAN DAN RISIKO COVID 19 KASUS COVID 19 KOTA MANADO Oleh : Drs. Agus Santoso Budiharso, M.Sc Disampaikan di BTKLPP MANADO
Latar Belakang Kondisi Kota Manado Kondisi Covid Manado Saat ini Data Geospasial Formula Perhitungan Risiko Bencana Analisis Spasial Materi Bahasan
Pandemi Covid-19 telah menyebar di seluruh dunia, tidak ketinggalan juga sudah memasuki ruang-ruang yang ada di Manado ini. Dari 11 Kecamatan, sudah 10 Kecamatan terpapar Covid-19 ini. Pertanyaannya Apakah Wilayah Manado ini Rawan Penyebaran Covid- 19? Untuk menjawabnya maka diperlukan serangkaian analisis yang mendalam. Latar Belakang
MANADO Corona1 - COVID RISK MAPPING
MANADO Corona1 - COVID RISK MAPPING
https://covid19.go.id/peta-risiko
No. KEC TOTAL PDD P L 1 BUNAKEN 26089 12719 13370 2 BUNAKEN KEPULAUAN 6686 3296 3390 3 MALALAYANG 67138 33246 33892 4 MAPANGET 63690 31631 32059 5 PAAL DUA 47600 23598 24002 6 SARIO 24036 12020 12016 7 SINGKIL 56135 27891 28244 8 TIKALA 33062 16290 16772 9 TUMINTING 56672 28143 28529 10 WANEA 65443 32447 32996 11 WENANG 35997 17937 18060 TOTAL 482548 239218 243330 Jumlah Penduduk Kondisi Kota Manado Jumlah Kecamatan : 11 Jumlah Kelurahan : 87 Luas Kota Manado 15726 Ha
Kondisi Covid Manado Saat ini
MANADO Corona1 - COVID RISK MAPPING
MANADO Corona1 - COVID RISK MAPPING
Data Geospasial adalah data tentang lokasi geografis, dimensi atau ukuran, dan/atau karakteristik objek alam dan/atau buatan manusia yang berada di bawah, pada, atau di atas permukaan bumi. Data Geospasial juga bisa menggambarkan kondisi/sebaran apa saja seperti sebaran Covid 19
R = H x V/C R : Risiko Bencana H : Ancaman (Hazard), adalah suatu kejadian yang mempunyai potensi untuk menyebabkan terjadinya kecelakaan, cedera, hilangnya nyawa atau kehilangan harta benda V : Kerentanan (Vulnerability), adalah rangkaian kondisi yang menentukan apakah bahaya (baik bahaya alam maupun bahaya buatan) yang terjadi akan dapat menimbulkan bencana (disaster) atau tidak C : Kapasitas (Capacity), adalah kapasitas yang tersedia untuk pemulihan kembali setelah terjadi bencana Sumber : Peraturan Kepala Badan Nasional Penanggulangan Bencana Nomor 02 Tahun 2012 Tentang Pedoman Umum Pengkajian Risiko Bencana Tingkat Risiko adalah perbandingan antara Tingkat Kerugian dengan Kapasitas Daerah untuk memperkecil Tingkat Kerugian dan Tingkat Ancaman akibat bencana. Formula Perhitungan Risiko Bencana
Ancaman Bahaya yang dipertimbangkan dalam pemetaan Risiko Covid 19 ini berupa : Kasus Covid (Positiv, PDP, ODP); Pusat-Pusat Transportasi (terminal, bandara, Pelabuhan); Tempat Ibadah (masjid, gereja, pura, klentheng, vihara); Pusat perbelanjaan (Indomaret, Alfamaret, Supermarket, Pasar Tradisional); Perbankan (Bank, ATM), tempat pariwisata. Kerentanan dipengaruhi oleh faktor kependudukan (Kepadatan Penduduk, Kelompok Umur dan Rasio Jenis kelamin) Kapasitas tercermin dari keberadaan rumah sakit, kapasitas rumah sakit, dan Puskesmas.
Analisis Spasial Jumlah Kasus Pos, ODP, PDP Pusat Keramaian/Niaga Hub Transportasi Interpolasi Krigging Euclidean Distance Index Kerentanan Bahaya Dengan Rumus: Bahaya (60%) = Kasus Positif (60%) + Pusat Keramaian (20%) + Hub Transportasi (20%) Kerentanan (40%) = Kepadatan Penduduk (60%) + Usia Rentan (40%) Kapasitas RS Topoto Raster Normali sasi Fuzzy Logic Kapasitas Peta Risiko Covid 19 Tempat Ibadah Perbankan Kernel Denity Normali sasi Fuzzy Logic Bahaya/Anca man Kepadatan Penduduk dan Usia Rentan Kerentanan DATA SPASIAL
Pembobotan dan pengolahan data Analisis density Normalisasi Overlay dengan pembobotan Bahaya (H) Kerentanan (V) Kapasitas (C) Risiko (R) Pengolahan data Kernel density Nilai density Nilai indeks (0 1) Nilai indeks (0 1) Output 鐃署鐃 鐃署モ 鐃署鐃 Analisis v = (w.Pop) + (w.Umur) + n Bobot Paremeter Bobot Sub- parameter Bobot Total per Sub-parameter 80% 90% 72.00% 6% 4.80% 4% 3.20% 7% 15% 1.05% 20% 1.40% 5% 0.35% 60% 4.20% 3% 60% 1.80% 30% 0.90% 5% 0.15% 5% 0.15% 6% 25% 1.50% 25% 1.50% 20% 1.20% 30% 1.80% 4% 40% 1.60% 60% 2.40% Pasar Tradisional Department store Bank ATM Klenteng Masjid Gereja Pura Indomaret Alfamaret Stasiun Pelabuhan Bandara Parameter Sub- parameter Kasus Covid-19 Hub transportasi Tempat ibadah Pusat perbelanjaan Perbankan Positif PDP ODP Terminal H= Bobot Paremeter / sub-parameter 100% 80% 10% 10% Parameter Sub- parameter Kependudukan Kepadatan penduduk Kelompok umur Rasio jenis kelamin Bobot Paremeter / sub-parameter 100% 25% 25% 25% 25% Parameter Sub- parameter Fasilitas Rumah sakit Kapasitas rumah Puskesmas Faskes lainnya
MANADO Corona1 - COVID RISK MAPPING
Positif PDP ODP Niaga Fasilitas Ibadah Perbankan Hub/Transportasi Di Overlay = Ruster Calcutor ------- peta Bahaya
Penduduk Usia 60 Tahun Sex ratio Kepadatan Penduduk Kapasitas Kerentanan
- Kasus Covid19: Positive, PDP, ODP - Hub transportasi: terminal, bandara, pelabuhan, halte, stasiun - Tempat Ibadah: masjid, gereja, klenteng, pura - Tempat perbelanjaan: minimarket, pasar tradisional, dept. Store - Perbankan: bank, ATM Peta Bahaya
- Kepadatan penduduk - Kelompok umur (< 5 dan > 65) - Rasio jenis kelamin Peta Kerentanan
Kerentanan x Bahaya
Fasilitas kesehatan: - Rumah Sakit (RS), - Kapasitas RS( jumlah kamar) - Puskesmas, - Fasilitas Kesehatan lainnya (i.e. klinik) Peta Kapasitas
Peta Kapasitas Fasilitas kesehatan: - Rumah Sakit (RS), - Kapasitas RS( jumlah kamar) - Puskesmas, - Fasilitas Kesehatan lainnya (i.e. klinik)
R = H x V/C Peta Risiko
Kesimpulan - hasil dipengaruhi oleh ketersediaan dan kualitas data sebaran Kasus Positif, PDP, dan ODP - Perubahan pada sebaran (penambahan atau pengurangan) dapat merubah zonasi bahaya - Diperlukan update berkala menyesuaikan dengan ketersediaan data kasus untuk keperluan Monitoring Saran : Pemda sudah seharusnya memetakan wilayahnya dan mempunyai data Digital Geospasial Skala Detail yang up to date Dari waktu ke waktu, sehingga bisa untuk membantu dalam membuat keputusan secara cepat dan akurat, Pemda Seharusnya mempunyai SDM Bidang Geospasial yang mumpuni Kendala : Data kasus Covid 19 di setiap Kabupaten/Kota disamarkan lokasi penderita nya menyebabkan akurasi analisis kurang bagus Alasan disamarkan karena alasan HAM
LEMBAGA GEOSPASIAL BUMI NUSANTARA

More Related Content

MANADO Corona1 - COVID RISK MAPPING

  • 1. APLIKASI GIS UNTUK PEMETAAN KERENTANAN DAN RISIKO COVID 19 KASUS COVID 19 KOTA MANADO Oleh : Drs. Agus Santoso Budiharso, M.Sc Disampaikan di BTKLPP MANADO
  • 2. Latar Belakang Kondisi Kota Manado Kondisi Covid Manado Saat ini Data Geospasial Formula Perhitungan Risiko Bencana Analisis Spasial Materi Bahasan
  • 3. Pandemi Covid-19 telah menyebar di seluruh dunia, tidak ketinggalan juga sudah memasuki ruang-ruang yang ada di Manado ini. Dari 11 Kecamatan, sudah 10 Kecamatan terpapar Covid-19 ini. Pertanyaannya Apakah Wilayah Manado ini Rawan Penyebaran Covid- 19? Untuk menjawabnya maka diperlukan serangkaian analisis yang mendalam. Latar Belakang
  • 7. No. KEC TOTAL PDD P L 1 BUNAKEN 26089 12719 13370 2 BUNAKEN KEPULAUAN 6686 3296 3390 3 MALALAYANG 67138 33246 33892 4 MAPANGET 63690 31631 32059 5 PAAL DUA 47600 23598 24002 6 SARIO 24036 12020 12016 7 SINGKIL 56135 27891 28244 8 TIKALA 33062 16290 16772 9 TUMINTING 56672 28143 28529 10 WANEA 65443 32447 32996 11 WENANG 35997 17937 18060 TOTAL 482548 239218 243330 Jumlah Penduduk Kondisi Kota Manado Jumlah Kecamatan : 11 Jumlah Kelurahan : 87 Luas Kota Manado 15726 Ha
  • 11. Data Geospasial adalah data tentang lokasi geografis, dimensi atau ukuran, dan/atau karakteristik objek alam dan/atau buatan manusia yang berada di bawah, pada, atau di atas permukaan bumi. Data Geospasial juga bisa menggambarkan kondisi/sebaran apa saja seperti sebaran Covid 19
  • 12. R = H x V/C R : Risiko Bencana H : Ancaman (Hazard), adalah suatu kejadian yang mempunyai potensi untuk menyebabkan terjadinya kecelakaan, cedera, hilangnya nyawa atau kehilangan harta benda V : Kerentanan (Vulnerability), adalah rangkaian kondisi yang menentukan apakah bahaya (baik bahaya alam maupun bahaya buatan) yang terjadi akan dapat menimbulkan bencana (disaster) atau tidak C : Kapasitas (Capacity), adalah kapasitas yang tersedia untuk pemulihan kembali setelah terjadi bencana Sumber : Peraturan Kepala Badan Nasional Penanggulangan Bencana Nomor 02 Tahun 2012 Tentang Pedoman Umum Pengkajian Risiko Bencana Tingkat Risiko adalah perbandingan antara Tingkat Kerugian dengan Kapasitas Daerah untuk memperkecil Tingkat Kerugian dan Tingkat Ancaman akibat bencana. Formula Perhitungan Risiko Bencana
  • 13. Ancaman Bahaya yang dipertimbangkan dalam pemetaan Risiko Covid 19 ini berupa : Kasus Covid (Positiv, PDP, ODP); Pusat-Pusat Transportasi (terminal, bandara, Pelabuhan); Tempat Ibadah (masjid, gereja, pura, klentheng, vihara); Pusat perbelanjaan (Indomaret, Alfamaret, Supermarket, Pasar Tradisional); Perbankan (Bank, ATM), tempat pariwisata. Kerentanan dipengaruhi oleh faktor kependudukan (Kepadatan Penduduk, Kelompok Umur dan Rasio Jenis kelamin) Kapasitas tercermin dari keberadaan rumah sakit, kapasitas rumah sakit, dan Puskesmas.
  • 14. Analisis Spasial Jumlah Kasus Pos, ODP, PDP Pusat Keramaian/Niaga Hub Transportasi Interpolasi Krigging Euclidean Distance Index Kerentanan Bahaya Dengan Rumus: Bahaya (60%) = Kasus Positif (60%) + Pusat Keramaian (20%) + Hub Transportasi (20%) Kerentanan (40%) = Kepadatan Penduduk (60%) + Usia Rentan (40%) Kapasitas RS Topoto Raster Normali sasi Fuzzy Logic Kapasitas Peta Risiko Covid 19 Tempat Ibadah Perbankan Kernel Denity Normali sasi Fuzzy Logic Bahaya/Anca man Kepadatan Penduduk dan Usia Rentan Kerentanan DATA SPASIAL
  • 15. Pembobotan dan pengolahan data Analisis density Normalisasi Overlay dengan pembobotan Bahaya (H) Kerentanan (V) Kapasitas (C) Risiko (R) Pengolahan data Kernel density Nilai density Nilai indeks (0 1) Nilai indeks (0 1) Output 鐃署鐃 鐃署モ 鐃署鐃 Analisis v = (w.Pop) + (w.Umur) + n Bobot Paremeter Bobot Sub- parameter Bobot Total per Sub-parameter 80% 90% 72.00% 6% 4.80% 4% 3.20% 7% 15% 1.05% 20% 1.40% 5% 0.35% 60% 4.20% 3% 60% 1.80% 30% 0.90% 5% 0.15% 5% 0.15% 6% 25% 1.50% 25% 1.50% 20% 1.20% 30% 1.80% 4% 40% 1.60% 60% 2.40% Pasar Tradisional Department store Bank ATM Klenteng Masjid Gereja Pura Indomaret Alfamaret Stasiun Pelabuhan Bandara Parameter Sub- parameter Kasus Covid-19 Hub transportasi Tempat ibadah Pusat perbelanjaan Perbankan Positif PDP ODP Terminal H= Bobot Paremeter / sub-parameter 100% 80% 10% 10% Parameter Sub- parameter Kependudukan Kepadatan penduduk Kelompok umur Rasio jenis kelamin Bobot Paremeter / sub-parameter 100% 25% 25% 25% 25% Parameter Sub- parameter Fasilitas Rumah sakit Kapasitas rumah Puskesmas Faskes lainnya
  • 17. Positif PDP ODP Niaga Fasilitas Ibadah Perbankan Hub/Transportasi Di Overlay = Ruster Calcutor ------- peta Bahaya
  • 18. Penduduk Usia 60 Tahun Sex ratio Kepadatan Penduduk Kapasitas Kerentanan
  • 19. - Kasus Covid19: Positive, PDP, ODP - Hub transportasi: terminal, bandara, pelabuhan, halte, stasiun - Tempat Ibadah: masjid, gereja, klenteng, pura - Tempat perbelanjaan: minimarket, pasar tradisional, dept. Store - Perbankan: bank, ATM Peta Bahaya
  • 20. - Kepadatan penduduk - Kelompok umur (< 5 dan > 65) - Rasio jenis kelamin Peta Kerentanan
  • 22. Fasilitas kesehatan: - Rumah Sakit (RS), - Kapasitas RS( jumlah kamar) - Puskesmas, - Fasilitas Kesehatan lainnya (i.e. klinik) Peta Kapasitas
  • 23. Peta Kapasitas Fasilitas kesehatan: - Rumah Sakit (RS), - Kapasitas RS( jumlah kamar) - Puskesmas, - Fasilitas Kesehatan lainnya (i.e. klinik)
  • 24. R = H x V/C Peta Risiko
  • 25. Kesimpulan - hasil dipengaruhi oleh ketersediaan dan kualitas data sebaran Kasus Positif, PDP, dan ODP - Perubahan pada sebaran (penambahan atau pengurangan) dapat merubah zonasi bahaya - Diperlukan update berkala menyesuaikan dengan ketersediaan data kasus untuk keperluan Monitoring Saran : Pemda sudah seharusnya memetakan wilayahnya dan mempunyai data Digital Geospasial Skala Detail yang up to date Dari waktu ke waktu, sehingga bisa untuk membantu dalam membuat keputusan secara cepat dan akurat, Pemda Seharusnya mempunyai SDM Bidang Geospasial yang mumpuni Kendala : Data kasus Covid 19 di setiap Kabupaten/Kota disamarkan lokasi penderita nya menyebabkan akurasi analisis kurang bagus Alasan disamarkan karena alasan HAM