MAKALAH PERKULIAHAN TEKNIK ANALISIS

DATA

Diajukan untuk memenuhi tugas pengganti UAS

Mata Kuliah GD5102 Teknik Anakisis Data
oleh :
Bagoes Dwi Ramdhani

15112065

TEKNIK GEODESI DAN GEOMATIKA

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
INSTITUT TEKNOLOGI BANDUNG
2015

STATISTIK
Statistik adalah kumpulan angka yang sering disusun, diatur,
atau disajikan ke dalam bentuk daftar/tabel, sering pula daftar atau
tabel tersebut disertai dengan gambar-gambar yang biasa disebut
diagram atau grafik. Data yang diperoleh itu dapat berupa bilangan
yang melukiskan suatu persoalan.
Nilai
5
7

Frekuen
si
3

Banyak Pengunjung

Hari

10

6
8

ips
matemtika
ipa
bahasa

Statistika adalah pengetahuan yang berhubungan dengan

cara-cara pengumpulan data, pengolahan atau penganalisaannya
dan penarikan kesimpulan atau interprestasi terhadap hasil analisis
kumpulan data tersebut. Statistika dikelompokkan

dalam

kelompok yaitu statistika deskriptif

dan statistika

Statistika

yang

deskriptif

pengumpulan
memberikan

dan

adalah

metode

penyajian

informasi

suatu

inferensia.

berkaitan

gugus

data

dua

dengan
sehingga

yang berguna. Statistika deskriptif ini

menggambarkan dan menganalisa data dalam suatu kelompok

tanpa

membuat/

menarik

kesimpulan

kelompok yang lebih besar.

inferensia

tentang

Sedangkan

populasi

pengertian

atau

statistika

adalah metode yang berhubungan dengan analisis

sebagian data untuk kemudian sampai pada peramalan atau

penarikan kesimpulan tentang seluruh gugus data induknya. Dalam
statitistik inferensial berkaitan dengan kondisi-kondisi dimana data
dari sampel dianalisis tersebut ditarik kesimpulan untuk populasi
dari mana sampel tersebut diambil.

Statistik tidak lepas dari istilah data. Data adalah ukuran dari
variabel yang diperoleh dengan mengukur nilai satu atau lebih
variabel dalam sampel (atau populasi). Data dapat diklasifikasikan
menurut jenis, menurut dimensi waktu, dan menurut sumbernya.
Menurut jenisnya, data terdiri dari data kuantitatif dan data
kualitatif.
a. Data kuantitatif adalah data yang diukur dalam suatu skala
numerik (angka). Data kuantitatif dapat dibedakan menjadi:
1) Data interval, yaitu data yang diukur dengan jarak di
antara dua titik pada skala yang sudah diketahui.
Sebagai contoh: IPK mahasiswa (interval 0 hingga 4);

usia produktif (interval 15 hingga 55 tahun); suhu udara

dalam Celcius (interval 0 hingga 100 derajat).
2) Data rasio, yaitu data yang diukur dengan suatu
proporsi.

Sebagai

contoh:

persentase

jumlah

pengangguran di Propinsi Sumatera Utara; tingkat inflasi

Indonesia
miskin

pada

di

tahun

Sumatera

2000;
Utara;

persentase
pertumbuhan

penduduk
ekonomi

Sumatera Utara
b. Data kualitatif, adalah data yang tidak dapat diukur dalam
skala numerik. Namun karena dalam statistik semua data
harus dalam bentuk angka, maka data kualitatif umumnya
dikuantifikasi

agar

dapat

diproses.

Kuantifikasi

dapat

dilakukan dengan mengklasifikasikan data dalam bentuk

kategori. Data kualitatif dapat dibedakan menjadi:
1) Data nominal, yaitu data yang dinyatakan dalam bentuk
kategori. Sebagai contoh, industri di Indonesia oleh Biro
Pusat Statistik digolongkan menjadi:
a)

Industri rumah tangga, dengan jumlah tenaga

kerjanya 1-4 orang, yang diberi kategori 1.

b) Industri kecil, dengan jumlah tenaga 5-19 orang,

yang diberi kategori 2.
c) Industri menengah, dengan jumlah tenaga kerja
20-100 orang, yang diberi kategori 3.
d) Industri besar, dengan jumlah tenaga kerja lebih
dari 100 orang, yang diberi kategori 4.
Angka yang menyatakan kategori ini menunjukkan
bahwa posisi data sama derajatnya. Dalam contoh di
atas, angka 4 tidak berarti industri besar nilainya lebih
tinggi dibanding industri kecil yang angkanya 1. Angka
ini sekedar menunjukkan kode kategori yang berbeda.
2) Data ordinal, yaitu data yang dinyatakan dalam bentuk
kategori, namun posisi data tidak sama derajatnya

karena dinyatakan dalam skala peringkat. Sebagai

contoh, dalam skala likert.
Berdasarkan cara perolehannya data kuantitatif dibedakan
menjadi

data diskrit dan data kontinu. Data-data yang diperoleh

dari hasil menghitung atau membilang termasuk dalam data

diskrit, sedangkan data-data yang diperoleh dari hasil mengukur
termasuk dalam data kontinu.
Menurut sumbernya kita mengenal data intern dan data
ekstern. Data intern adalah data yang diperoleh dari perusahaan
atau instansi yang bersangkutan. Sedangkan data ekstern diperoleh
dari

luar

instansi

atau

perusahaan

tersebut.

Data

ekstern

dibedakan menjadi data primer dan data sekunder. Data primer

adalah data yang dikeluarkan oleh badan sejenis. Sedangkan data
lainnya termasuk data sekunder. Semua data-data
dikumpulkan

dan

belum pernah

diolah

yang beru

disebut sebagai data

mentah.
Sebelum menggunakan statistika ada beberapa konsep atau
pengertian dasar yang perlu diketahui. Hal ini sangat dibutuhkan
dalam rangka memudahkan memahami proses, teknik-teknik, dan
prosedur

yang

tersedia.

Selain

itu,

akan

memudahkan

pula

manakala kita harus memilih dan menggunakan teknik-teknik yang

paling

tepat

dilaksanakan,

serta

sesuai

sehingga

tidak

dengan
akan

disain
terjadi

penelitian
kesalahan

yang
dalam

menginterpretasikan hasil-hasil pengujiannya. Beberapa konsep dan

pengertian-pengertian yang perlu dipahami antara lain:
a. Variabel : Adalah karakteristik dari obyek penelitian yang
memiliki nilai bervariasi. Misalnya, jenis kelamin: laki-laki dan
perempuan. Status ekonomi: tinggi, sedang, rendah.
b. Variabel Bebas/Independent : Dalam hubungan antar dua atau
lebih variabel, variable bebas merupakan variabel yang dapat
mempengaruhi variabel lainnya. Misalnya; variabel X dengan
variabel Y, yang menggambarkan variabel X mempengaruhi
variabel Y, maka X disebut variabel bebas.

c. Variabel Tak Bebas/Dependent : Dalam hubungan antar dua atau

lebih variabel, variable tak bebas merupakan variabel yang
dipengaruhi oleh variabel lainnya. Misalnya; variabel X dengan
variabel Y, yang menggambarkan variabel Y dipengaruhi oleh
variabel X, maka Y disebut variabel tak bebas.
d. Data : fakta, baik berbentuk kualitatif maupun kuantitatif. Data
kualitatif diperoleh melalui pengamatan, misalnya pemilikan
lahan petani di suatu desa cukup tinggi. Data kuantitatif
diperoleh melalui pengukuran.
e. Pengukuran : suatu proses kuantifikasi atau mencantumkan
bilangan kepada variabel tertentu. Misalnya, berat badan secara
kualitatif bisa dibedakan sebagai ringan, sedang, atau berat, dan
melalui proses pengukuran dengan cara menimbang kita dapat
menyatakan berat badan: 50 kg, 60 kg, 70 kg.
f. Skala Pengukuran : bilangan yang dicantumkan kepada variabel
berdasarkan aturan-aturan yang telah ditentukan dan disepakati.
Dikenal 4 macam skala pengukuran yaitu: nominal, ordinal,
interval,

dan

rasio.

Skala

nominal

hanya

dipakai

untuk

membedakan, skala ordinal mengisyaratkan adanya peringkat,

skala interval menunjukkan adanya jarak yang tetap tetapi tidak
memiliki titik nol mutlak, dan skala rasio memiliki titik nol mutlak.
g. Populasi : himpunan yang lengkap dan sempurna dari semua unit
penelitian. Lengkap dan sempurna, artinya harus ada pernyataan
sedemikian rupa dalam mendefinisikannya populasi agar tidak
menimbulkan salah pengertian. Misalnya, kita menyebutkan
bahwa populasi adalah peternak ayam. Dalam kaitan ini, batasan
populasi belum bisa menjelaskan; peternak ayam di wilayah
mana, apakah peternak ayam ras, broiler, atau ayam buras.
Sehingga lebih baik disebutkan misalnya , peternak ayam ras di
desa X.
h. Populasi

Sampel

Misalnya

kita

ingin

meneliti

tentang

pendapatan petani tembakau dikabupaten X dengan mengambil

3 kecamatan A, B, dan C di kabupaten tersebut sebagai tempat

penelitian

yang

dipilih.

Populasinya

adalah

seluruh

petani

tembakau yang ada di kabupaten X, sedangkan yang ada di

kecamatan A, B, dan C disebut populasi sampel.
i. Sampel : Adalah himpunan unit penelitian yang memberikan
informasi atau data yang diperlukan dalam penelitian. Jadi,
sampel merupakan himpunan bagian dari populasi. Misalnya
dalam contoh di atas petani tembakau yang ada di kecamatan A,
B, dan C merupakan populasi sampel, dan sampelnya adalah
hanya petani tembakau yang terpilih untuk diteliti setelah
melalui proses sampling.
j. Sampling : Sampling adalah suatu proses memilih n buah obyek
dari sebuah populasi berukuran N.
k. Validitas : Istilah validitas dipakai berkaitan dengan kriteria hasil
pengukuran. Apakah kategori/skor/nilai yang diperoleh benarbenar menyatakan hasil pengukuran? Pada umumnya validitas
dipermasalahakan

pada

pengukuran-pengukuran

non

fisik,

seperti dalam pengukuran, sikap dan minat.

l. Reliabilitas : Istilah reliabilitas dipakai berkaitan dengan kriteria
alat pengukuran
Misalnya untuk mengukur minat, sehingga kita memperoleh
angka-angka skor untuk menyatakan minatnya rendah, minatnya
sedang,

atau

minatnya

tinggi,

alat

pengukuran

yang

menghasilkan skor-skornya tersebut sering dipermasalahkan.

Setelah data kuantitatif diperoleh, maka dilakukan pengolahan data dan

pengujian beberapa hipotesis. Pengolahan data yang dilakukan adalah
mencari ukuran pemusatan data, dalam hal ini adalah mean dan mencari
ukuran penyebaran data dalam hal ini variance dan simpangan baku.
Setelah itu, baru dilakukan pengujian normalitas, homogenitas dan uji
hipotesis. Ketika data terdistribusi normal maka dapat dilakukan pengujian
parametik dan sebaliknya ketika data tidak terdistribusi normal maka
dapat dilakukan pengujian nonparametik Pada praktisnya, momen-momen

fungsi distribusi (mean, variansi, skewness, dan kurtosis) akan bergantung

pada banyaknya sampel yang diambil. Jika populasinya terdistribusi
normal, maka momen-momen tersebut akan mendekati distribusi normal
untuk sampel.
Gambar 1 . Kurva Distribusi
Untuk ukuran sampel yang kecil, maka kurva tersebut akan menyimpang
dari keadaan
normal. Beberapa fungsi distribusi :

1. t - students
2. ^2 chi squares
3. Fisher
Distribusi t-student merupakan uji statistik yang meninjau distribusi mean
dari sample populasi tersebut. Nilai t untuk sebarang populasi didefinsikan
sebagai:
t =( p )/ X

(1)

Kita tahu bahwa nilai mean dan standar deviasi dari suatu sampel akan
berbeda untuk setiap ukuran sampel N, sehingga nilai t akan bergantung
pada nilai N.

1
[ ( N +1)]
2 ( N+1)/ 2
2
t
f (t)=
[1+ ]
1
N
N

(
N
)

(2)

Dengan variansi :
2t =N (N2)

(3)

Gambar 2. Kurva t untuk N=8

Distribusi t banyak digunakan untuk hal-hal mengenai mean suatu

populasi juga mengenai perbandingan mean-mean beberapa sampel.
Distribusi X^2 chi square merupakan uji statistik yang meninjau distribusi
variansi

dari

sample

populasi.

Untuk

distribusi

X^2

didefinisikan sebagai :
N

= ( X j j)2 / 2j

(4)

2=N 2 / 2

(5)

j=1

chi

square

v=

2/ v

Bentuk Umum fungsi distribusi

(6)
2 adalah

2N / 2

f ( 2)=

Gambar 3. Kurva

(6)

chi square untuk N=10

Untuk uji statistik Fisher akan meninjau perubahan relatif distribusi

variansi dari dua sample populasi dalam satu populasi yang sama, dengan
menggunakan distribusi F dapat menarik kesimpulan mengenai variansi
populasi dari variansi dua sample tersebut. Nilai F didefinisikan sebagai :
2N / 2

f ( 2)=

(6)

2 /v 2
()=

2v 1

( )
2

v 2

(7)

( 21 /v 1)

F 12 =

Dengan bentuk fungsi umum :

N
N
(N 1)
1
2
2
[ ( N 1 + N 2 )] N 12 N 12
F 12
2
f (F )=
1
(N +N )
1
1
2
( N 1) ( N 2 )(N 1 F + N 2) F 12
2
2
1

Gambar 4. Kurva F untuk N1=3 N2=5

(8)

STATISTIK SPASIAL
Statistik

spasial

merupakan

sekumpulan

teknik

untuk

mendeskrpsikan dan memodelkan data spasial (Fischer and Getis,

2010). GIS Dictionary (Wade and Sommer, 2006) mendeskripsikan
statistic spasial sebagai bagian dari ilmu yang mempelajari metode
statistic yang menggunakan unsur keruangan dan hubungan spasial
(contoh : jarak, area, volume, panjang, tinggi, orientasi, dan/atau
karakter spasial data laiannya) secara langsung dalam perhitungan
matematisnya. Statistik spasial merujuk pada aplikasi dari konsep
statistic dan metode untuk mendekati atau memahami data yang
secara eksplisit memeiliki struktur spasial (Ribeiro and Diggle, 2001).
Perbedaaan yang pasti dari statistik spasial dan statistik secara
umum adalah bahwa statistic spasial digunakan untuk menganalisis
data yang memiliki unsur spasial. Statistik sasial memberikan datadata spasial seperti lokasi, pola spasial, jarak, dan sebagainya.
Dimensi spasial ini membuat statistik spasial lebih kompleks daripada
statistik biasa.

Beriukut adalah istilah - istilah dalam proses statistik spasial yang

harus dipahami untuk mempermudah dalam pemhaman konsep
statistik spasial

Autokorelasi Spasial
Autokorelasi secara bahasa berarti suatu variabel memiliki korelasi
terhadap dirinya sendiri. Definisi paling sederhana dari autokorelasi
adalah sepasang objek yang jaraknya dekat lebih mungkin memiliki
nilai yang mirip, sedangkan objek dengan jarak yang jauh akan
memiliki nilai yang jauh dari mirip. Struktur spasial dari data
bervariasi pada pola apapun yang ada, contohnya gradien atau
clusters memiliki autokorelasi positif, sedangkan korelasi negatif akan
terjadi apabila terdapat pola checkerboard. Ketika suatu data
terautokorelasi secara spasial, menjadi mungkin untuk memprediksi
nilai suatu lokasi berdasarkan nilai yang diambil dekat dengan lokasi
data tersebut. Tidak adanya autokorelasi menandakan bahwa datadata yang ada merupakan data independen.
Terdapat dua alasan mengapa terjadi autokorelasi. Yang pertama
merupakan alasan spurious. Spurious autocorrelation merupakan
hasil ketika pada suatu desain percobaan, sampel tidak dipilih secara
benar-benar random. Real autocorrelation dapat didefinisikan sebagai
alasan dari interkasi dari suatu variabel dengan dirinya sendiri
(univariate) atau dengan variabel indepen (multivariate) berdasarkan
sifat-sifat dasar variabel tersebut.

Hubungan antara Variansi, Kovariansi dan Korelasi

Autuokorelasi spasial biasa didefinisikan dan memiliki hubungan erat
dengan variansi, kovariansi serta korelasi. Variansi merupakan ukuran
persebaran suatu populasi, sementara kovariansi merupakan ukuran
dari asosiasi antar dua variabel. Hubungan antara variansi dan
kovariansi, nilai harapan dari hasil variansi dua vairabel dapat
diketahui melalui persamaan berikut

(x ix )2

S 2x = i=1

(9)

n1

(x ix )( yi y )

S 2xy = i=1

Dimana

(10)

n1

S 2x = sampel variansi dari variabel x i. xi = nilai dari variabel

x

x dari i hingga n,
banyaknya sampel,

= rata-rata sampel dari variabel x, n =

S 2xy = sampel kovariansi antara variabel x dan y,

yi = nilai dari variabel y dari i hingga n,

= rata-rata sampel dari

variabel y.
Koefisien korelasi juga menunjukkan nilai yang mengindikasikan
betapa besar dua variabel saling terasosiasi. Membagi hasil variansi
dari setiap variabel akan menghasilkan nilai antara -1 sampai 1,
dimana nlai antara 0 dan 1 mengindikasikan asosiasi positif antar
variabel dan nilai antara 0 dan -1 mengindikasikan asosasi negatif
sedangkan 0 berarti tidak ada korelasi antar variabel. Koefisien
korelasi biasanya menggunakan koefisen korelasi Pearson yaitu
N

( xi x )( y i y )

r= i=1

(11)

sxsy

dengan r = sampel dari koefisien korelasi antara variabel x dan y dan

dan sxsy = produk dari variansi variabel x dan y.
Sedangkan karena tujuan dari autokorelasi spasial adalah untuk
menentukan apakah suatu sampel berjauhan atau berdekatan antara
satu sama lain, dibentuk fungsi yang memperhitungan jarak antara
sampel. Dibandingkan mengukur perbedaan antara suatu nilai
sampel

dan

perhitungan

nilai

rata-ratanya

variansi

dan

sebagaimana

fungsi

korelasi,

dilakukan
fungsi

pada
spasial

memperhitungan perbedaan nilai antar seluruh sampel berdasarkan

jarak yang diberikan.
Perhitungan dan pengeplotan suatu nilai sampel berdasarkan interval
jarak yang berbeda-beda akan menjadi lebih informative. Jarak antar
sampel, biasa disebut lag, ditentukan oleh peneliti berdasarkan priori.
Hal ini akan memberikan informasi mengenai struktur data spasial.
Setiap titik pada hasil plot merepresentasikan variansi atau korelasi
untuk seluurh titik lainnya pada interval jarak tertentu. Pengeplotan
semi-variansi dikatakan variogram, sedangkan pengeplotan dari
koefisien

korelasi

dikatakan

correlograms.

Untuk

membentuk

variogram atau correlograms, dibentuk suatu matriks jarak antara

tiap titik.

Semi-Variansi dan Variogram

Semi-variogram atau variogram merupakan plot dari semivariansi
terhadap fungsi jarak. Semivarianse mengukur perbedaan daris uatu
subjek diantara satu variabel, dibandingkan dengan kovariansi yang
mengukur hubungan antara satu atau lebih variabel. Tidak seperti
koefisien korelasi, semi-variansi tidak dinormalisasi. Rumus variogram
yang dirumuskan Gearys C adalah
N
N
1
2
(d )=
w hi ( y h y i )

2W h=1 i=1
dengan

(12)

(d ) = semi-variansi sebagai fungsi dari jarak, W = jumlah

dari seluruh nilai whi pada matriks bobot, n = jumlah sampel, whi =
elemen bobot sebagai matriks dari jarak, yh, yi = sepasang poin
sampel.
Vairogram klasik seperti pada Gambar 2 dihitung berdasarkan data
inependen, dimana semi-variansi meningkat seiring dengan jarak
antara titik/lag meningkat. Terdapat beberapa istilah, yaitu range
sebagai

jarak

lag

ketika

data

menjadi

independen,

sill

merepresentasikan nilai variansi yang berkorespondesi terhadap

range, nugget adalah jarak pada sumbu y antara 0 dan perpotongan

dengan y, merepresentasikan variabilitas yang tidak dapat dihitung
karena ada error.

Gambar 5. Semi-variansi dari rata-rata suhu suatu daerah pada lokasi

yang berbeda
Gambar 1(a) menunjukkan bahwa suhu bergantung pada ketinggian.
Seiring dengan jarak antara titik meningkat, tinggi menjadi tidak
terlalu signifikan dan autokorelasi menurun. Sedangkan Gambar 1(b),
ketika nilai diganti dengan nilai random, menunjukkan bahwa data
merupakan data independen.
Sedangkan rumus untuk menghitung autokorelasi spasial pada suatu
variabel kuantitatif tunggal dirmuskan oleh Morans I sebagai
N

I ( d)=

1
w ( y y )( y i y )
W h =1 i=1 hi h

(13)

1
( y i y )2

n i=1

dengan I(d) = koefisien korelasi sebagai fungsi dari jarak.

Statistik spasial seringkali digunakan untuk mendeteksi, melihat

karakteristik dan memahami pola spasial, biasanya dalam kasus
geografi maupun ekologi (Archbald, 2015). Statistik spasial digunakan
pada

berbagai

jenis

analisis,

termasuk

analisis

pola,

bentuk,

pemodelan dan prediksi permukaan, regresi spasial, komparasi

statistik antara dua set data, pemodelan statistik, prediksi dari

interaksi spasial dan banyak lagi. Tipe dari statistik spasial adalah
deskriptif, inferential, exploratory, geostatistical, dan economoctric.

Tujuan utama statistik spasial adalah :

1. Mendeksripsikan pola spasial (exploration)
2. Mengetes hipotesis suatu pola (inference)
3. Memprediksi pola (mapping atau interpolation)

Bagaimana Statistik Spasial Digunakan?

Balley dan Gatrell (1995) membagi teknik statistik spasial menjadi 4
kategori berdasarkan tipe datanya yaitu
1. Point Pattern Data
Point pattern statistics dugnakan untuk menganalisis distribusi
spasial dari suatu fenomena yang dapat dimodelkan secara diskrit.
Terdapat beberapa metode yaitu
o Quadrat analysis
o Kernel estimation
o Nearest neighbor analysis
o K-function
Perhitungan
digunakan

statistik
untuk

menggunakan

mengetes

metode-metode

hipotesa

dari

ini

Complete

biasa
Spatial

Randomness (CSR). Terapat beberapa metode lain yang telah

dikembangkan untuk mengetahui interaksi antara beberapa tipe
kejadian, space-time clustering, clustering antara titik-titik dari suatu
objek, dan sebagainya.

2. Spatially Continuous Data

Terkadang disebut juga sebagai random field data/geostatistics yang
merujuk pada suatu sekelompok statistik spasial yang digunakan
untuk menganalisis data kontinu pada suatu unsur spasial. Metode
yang dikembangkan adalah
o Spatial moving averages
o Trend surface analysis
o Delauney triangulation / Thiesen polygons / TINs
o Kernel estimation
o Variograms / covariograms / kriging
o Principal components analysis / factor analysis
o Procrustes analysis
o Cluster analysis
o Canonical correlation

3. Areal Data
Terdapat metode untuk menganalisis data atribut yang merujuk pada
suatu poligon (area) yaitu
o Spatial moving averages
o Kernel estimation
o Spatial autocorrelation (Morans I, Gearys c)
o Spatial correlation and regression
Bermacam model dikembangkan untuk spatial correlation dan
regression. Berbagai metode juga dikembangkan untuk tipe-tipe
khusus dari suatu data area (misalnya : counts, proportions).

4. Interaction Data

Kebanyakan metode dikembangkan untuk interaks berdasarkan

model gravitasi, yang menyatakan bahwa tingkat interaksi antar dua
tempat adalah fungsi dari ukurannya dan berbanding terbalik dengan
jarak antar keduanya. Jarak dapat diukur dengan suatu garis lurus
pada suatu jaringan.

Sedangkan berdasarkan fungsinya, statistik spasial dapat digunakan

dengan rincian sebagai berikut :

Deskripsi Pola Spasial (Exploration)

Terdapat

beberapa

metode

yang

telah

dikembangkan

untuk

mendeskripsikan pola spasial dari suatu titik-titik lokasi atau kejadian.

Suatu keajadian didefinisikan sebagai fenomena apapun yang terjadi
pada lokasi dan waktu yang spesifik.
Mengidentifikasi pola dari suatu kejadian adalah langkah pertama
untuk memahami proses yang membentuk pola tersebut. Suatu
kejadian mungkin saja terpisah satu sama yang lain, berkelompok,
atau justru terpisah secara acak seperti diilustrasikan pada Gambar
1. Contohnya, suatu penyakit misalnya kanker paru-paru, dapat
terjadi pada suatu kelompok area karena lingkungan lokal yang ada
di daerah tersebut. Mengetahui hubungan antara pola dan proses
adalah tujuan dari identifikasi pola spasial suatu kejadian (Legendre,
1993).

Gambar 6. Jenis pola spasial

Pola spasial dapat diidentifikasi menggunakan analisis average
nearest neighbor (Fortin et al, 2002). Metode ini mengurur jarak rata-

rata terdekat untuk semua titik dan mengasumsikan semua titik pada
area survei telah diukur. Setelah itu, jarak rata-rata terdekat tersebut
dibandingan dengan nilai rata-rata-rata dari hipotesa awal dimana
distribusi poinnya masih dalam bentuk acak. Hasil dari nilai rata-rata
hasil observasi dapat bervariasi dari nilai rata-rata hipotesa awal. Hal
ini menggambarkan apakah titik tersebut terpisah, acak, atau
terkelompok. Suatu nilai z digunakan untuk mengetes apakah suatu
pola spasial dikatakan acak atau justru jauh dari kata acak.

Mengetes Hiptesis Suatu Pola (Inference)

Terdapat tes-tes yang telah dikembangkan untuk mengevaluasi hasil
dari data spasial yang berautokorelasi. Terdapat dua cara untuk
mengukur autokorelasi spasial dari suatu data yang biasa digunakan
yaitu Morans dan Gearys. Kedua cara tersebut mengukur korelasi
antara lokasi spasial dari titik-titik sampel dan nilai dari titik-titik
tersebut. Mantel Test bisa digunakan untuk mengevaluasi atau
melakukan tes untuk mengetahui korelasi antara dua matriks yang
mirip menggunakan autokorelasi spasial.
Apabila dilakukan perhitungan menggunakan autokorelasi spasial dan
dibutuhkan parameter untuk mengetes hipotesa tersebut secara
statistik, perlu dilakukan koreksi untuk perhitungan autokorelasi
spasial tersebut. Salah satu cara untuk melakukan hal ini adalah
dengan analisis regresi.

Memprediksi Pola (Mapping/Interpolation)

Berbeda dengan metode yang dikembangkan untuk menganalisis
pola dari suatu kejadian, telah dikembangkan seperangkat alat untuk
memprebdiksi

distribusi

dari

variable

yang

kontinu

seperti

temperature, dari titik-titik sampel yang terbatas. Metode interpolasi

ini menghasilkan suatu peta dengan nilai-nilai kontinu dimana nilai-

nilai yang tadinya tidak diketahui diinterpolasi dari nilai-nilai yang

telah diketahui.
Interpolasi menggunakan asumsi awal yaitu nilai-nilai ada pada suatu
fenomena kontinu tersebut semuanya berautokorelasi secara spasial
dengan lokasi mereka. Dengan kata lain, nilai untuk sesuatu yang
lokasinya tidak terlalu jauh diprediksi akan memiliki nilai yang lebih
mirip daripada nilai pada lokasi yang lebih jauh. Suatu model
maematika digunakan dan dibandingkan dengan nilai hasil observasi
pada suatu lokasi yang telah ditentukan. Model ini kemudian
digunakan untuk menginterpolasi nilai diantara nilai yang telah
diketahui.
Metode untuk menginterpolasi ini bervariasi mulai dari kriging,
splining, inverse distance weighting dan trend surface analysis.
Kriging menginterpolasi berdasarkan nilai variogram yang mengukur
tingkat autokorelasi spasial antara titik-titik yang ada dan kemudian
digunakan untuk memprediksi nilai yang belum diketahui. Karena
digunakan prediksi berdasarkan autokorelasi spasial, nilai hasil
prediksi pasti memiliki error standar. Sebaliknya, inverse distance
weighting

dan

splining

menggunakan

fungsi

spesifik

untuk

memprediksi bagaimana suatu nilai berubah berdasarkan jarak.

Mereka mengasumsikan autokorelasi spasial generik dibandingkan
pengukuran suatu nilai berdasarkan suatu set data autokorelasi
spasial. Metode yang paling general adalah trend analysis yang
mencocokkan suatu polynomial terhadap titik-titik hasil observasi
untuk menghasilkan permukaan yang bagus. Metode-metode ini
dapat digunakan dengan mudah menggunakan software yang telah
berkembang, salah satunya ArcGIS.

WAVELET
Wavelet merupakan suatu model matematika yang digunakan untuk
memperlajari fenomena fisik yang ada di dunia dengan konsep
matematik. Konsep ini dapat melihat sebuah fenomena menjadi hal
yang lebih sederhana dan menggunakan perangkat matematik untuk
mendapatkan pemahaman yang lebih baik dari perbedaan fenomena
yang terjadi di dunia ini.
Konsep tentang penyederhanaan suatu fenomena menggunakan
konsep

matematika

yang

kemudian

direpresentasikan

dan

direkonstruksi menggunakan suatu fungsi dapat dilihat pada Gambar

1 di bawah ini.

Gambar 7. Penyederhanaan fenomena menggunakan konsep

matematika.
Berdasarkan gambar di atas fungsi dari wavelet yang terkait dengan
penyederhanaan fenomena menggunakan konsep matematika dapat
dibedakan menjadi dua hal yaitu representasi dan rekonstruksi fungsi
serta representasi multi resolusi.
Wavelet dikembangkan karena dapat memberikan solusi yang lebih
kuat dan fleksibel dalam mendiskritasi fungsi dan merekonstruksi
ulang. Wavelet dikembangkan sebagai suatu solusi yang lebih untuk
menanggulangi keterbatasan dari transformasi fourier. Transformasi
wavelet merupakan pengembangan dari STFT (Short Time Fourier
Transform). Hal ini terjadi karena untuk melakukan pengamatan pada
komponen spektral berbeda, STFT menggunakan fungsi jendela
dengan lebar yang sama sehingga resolusi waktu dan frekuesni yang
buruk pada komponen berfrekuensi tinggi. Secara umum perbedaan
dari Fourier transform, wavelet transform, dan STFT dapat dilihat
pada table 1.

Table 1. Perbandingan transformasi Fourier (FT), transformasi Fourier

jangka pendek (STFT), dan transformasi wavelet (WT)
Komponen
Domain

FT
frekuensi

STFT
Waktu-

WT
Skala-

frekuesi

pergesera

Fungsi

Sinusoid

Sinusoid

n
Fungsi

Basis

kompleks

kompleks

wavelet

dimodulasi

induk

fungsi

(mother

jendela

function)

sembaran
Resolusi

Tidak ada

Waktu

g
Konstan

Baik untuk

untuk

skala

semua

rendah

frekuensi

(frekuensi

Resolusi

Sangat

Konstan

tinggi)
Baik untuk

Frekuensi

baik

untuk

skala

semua

rendah

frekuensi

(frekuensi
tinggi)

Wavelet

merupakan

suatu

gelombang

dengan

durasi

terbatas

sebagai sebuah fungsi osilasi dari waktu (space) yang memiliki nilai
rata-rata nol. Karakteristik dari wavelet antara lain adalah berosilasi
singkat, translasi (pergeseran), dilatasi (skala), dapat berbentuk tidak
simetris, iiregular, dan durasinya terbatas. Sebagai sebuah fungsi
matematika wavelet dapat menguraikan data atau fungsi menjadi
komponen-komponen frekuensi yang berbeda-beda.

Gambar 8. Perbedaan antara gelombang sinus yang tak berhingga

dan wavelet dengan panjang berhingga

Transformasi wavelet merujuk pada aproksimasi sinyal menggunakan

suatu gelombang singkat yang mengalami translasi dan dilatasi untu
keperluan analisis frekuensi temporal sinyal. Analisis temporal
dilakukan menggunakan variasi lokal gelombang singkat pada waktu
tertentu

dan

analisis

frekuensi

menggunakan

variasi

dilatasi

gelombang singkat yang sama.

Wavelet menggunakan suatu fungsi dasar atau fungsi induk (mother
function) yang memiliki skala yang bervariasi. Fungsi induk ini akan
digunakan sebagai dasar untuk menurunkan fungsi-fungsi lainnya
untuk analisis lokasi dan frekuensi tertentu. Berberapa fungsi induk
yang sering digunakan adalah wavelet Haar dan Daubechies. Fungsi
tersebut dapat digambarkan dalam domain frekuensi seperti Gambar
3 di bawah ini.

(b)

(c)

Gambar 9. (a) Wavelet Induk Haar, (a) Wavelet Induk Daubechies-2,

(c) Wavelet Induk Daubechies-3
Funsi induk dapat didefinisikan dalam lebar dari fungsi modulasi
sehingga akan mempunyai skala yang tidak pasti serta lokalisasi
waktu yang baik. Selanjutnya perlu mendefinisikan sebuah fungsi
sebagai kandidat dari fungsi modulasi dengan menentukan > 0 dan
untuk semua s , s 0 yaitu :
p

s ( u )=|s|

( us )=|s1| ( us )
p

(14)

Jika memiliki lebar T sehingga lebar dari s = sT. Fungsi modulasi

dengan faktor 1/|s| akan bertambah amplitudonya ketika skalanya s

berkurang atau sebaliknya. Dalam konteks frekuensi, untuk skala

yang kecil s, fungsi modulasi akan memiliki frekuensi yang besar atau
sebaliknya.
Fungsi

hasil

turunan

merupakan

fungsi

wavelet

induk

yang

mengalami translasi atau dilatasi atau telah dilokalisasi dalam waktu.

Untuk menyatakan hubungan antara induk wavelet dan fungsi
turunannya dapat diberlakukan persamaan 2 dibawah ini:
p

s ,t ( u )= s ( ut )=|s|

dimana L2 ( R ) , sehingga

( uts )=|s1| ( uts )

(15)

s ,t

L2 ( R )

Berdasarkan persamaan di atas sebuah transformasi pada L 2 ( R )

dapat didefinisikan menggunakan fungsi dari s,t sebagai fungsi
modulasinya maka akan didapatkan persamaan di bawah ini
+

f ( s , t ) = f ( u ) s , t ( u ) du= s ,t , f >

Persamaan

di

atas

merupakan

formulasi

(16)

matematika

dari

representasi sinyal yang dikenal dengan transformasi wavelet.

Transformasi ini sendiri dilakukan dengan menguraikan sinyal dengan
menggunakan suatu himpunan fungsi basis ortonormal yang disebut
wavelet.
Transformasi wavelet pada umumnya mempunyai 3 sifat utama yaitu:

Self-similarity
Wavelet melakukan konvolusi yaitu penggabungan sinyal antara
fungsi asli dengan mother function dan menggeser fungsi basis
untuk mencari korelasi yang paling dekat antara kedua fungsi
tersebut. Dalam melihat korelasi tersebut akan didapatkan nilai yang
besarnya menunjukkan tingkat korelasi atau kemiripan pada 2 fungsi
tersebut.

Well localized
Wavelet

dapat

mengaproksimasi

sinyal

menggunakan

suatu

gelombang singkat yang mengalami translasi dan dilatasi untuk

keperluan analisis frekuensi-frekuensi sinyal.

Multi resolution
Sinyal yang asli dapat direkonstruksi menggunakan koefisien yang
dihasilkan dari proses filtering dalam frekuensi tertentu. Hal ini dapat
dilakukan dengan memotong nilai koefisien tersebut dalam ambang
batas (threshold) tertentu. Kemampuan ini biasa disebut multi
resolution yang dilakukan dengan memperbesar dan memperkecil
matriks fungsi basis dari wavelet.
Pada dasarnya transformasi wavelet dapat dibedakan menjadi 2 tipe
berdasarkan nilai parameter translasi dan dilatasinya. Tipe dari
transformasi wavelet tersebut adalah sebagai berikut:

Discrete Wavelet Transform (DWT)

o Undecimated Discrete Wavelet Transform (UDWT)

o Conventional Discrete Wavelet Transform (CDWT)

Continuous Wavelet Transform (CWT)

Transformasi wavelet diskrit menggunakan 3 filter yaitu low pass
decomposition

filter,

reconstruction

filter.

menggunakan

faktor

high

pass

Dilatasi

dan

integer

decomposition
translasi

pangkat

filter,

dilakukan
yaitu

dan

dengan

2,4,8,16,dst.

Transformasi ini memiliki kemampyan untuk menganalisis suatu data

dalam domain waktu dan frekuensi secara simultan. Analisis data
dapat dilakukan dengan mendekomposisikan suatu sinyal ke dalam
komponen-komponen frekuensi yang berbeda-beda yang selanjutnya
dapat dianalisis sesuai dengan skala resolusi atau level dekomposisi
yang digunakan. Hal ini dapat digunakan untuk melihat dimana sinyal
tersebut dalam domain waktu dapat dilewatkan ke dalam high pass
atau low pass untuk memisahkan komponen frekuensi tinggi dan
rendahnya.

Koefisien dari transformasi wavelet diskrit secara matematis dapat

dinyatakan sebagai berikut:
C ( a , b ) = s (t )

1
tb

dt ; a=2 j , b=k 2 j , ( j , k ) Z z
a
a

( )

(17)

Dimana : a = 2j = dyadic scale; b = k2j = dyadic translation; j = level

decomposition, k = discrete time constant.
Transformasi wavelet diskrit dapat dilakukan dalam dua tahap yaitu
dekomposisi dan rekonstruksi. Proses dekomposisi adalah mengurai
suatu sinyal ke dalam komponen-komponen subband frekuensi yang
berbeda

dan

selanjutnya

masing-masing

komponen

tersebut

dianalisis sesuai dengan skala resolusinya atau level dekomposisinya.

Pada prosesnya sinyal akan dilewatkan pada wavelet decomposition
filter yaitu high dan low. Hasil keluaran yang didapat dari Low pass
filter adalah koefisien cA dan untuk high pass filter adalah koefisien
cD. Proses filtering dapat dilihat pada skema seperti yang tersaji pada
gambar 4 di bawah ini.

Gambar 10. Skema dekomposisi pada transformasi wavelet diskrit

Berdasarkan gambar di atas terlihat bahwa bagian aproksimasi A(t)
mengandung nilai frekuensi yang rendah, sedangkan untuk bagian
D(t) mengandung nilai frekuensi yang tinggi.
Proses rekonstruksi adalah menggabungkan kembali komponenkomponen

subband

frekuensi

yang

berasal

dari

hasil

proses

dekomposisi. Proses yang dilakukan adalah melewatkan komponen

tersebut pada wavelet reconstruction filter yaitu high pass dan low

pass reconstruction filter. Proses rekonstruksi ini sering disebut

inverse discrete wavelet transform. Keberhasilannya ditentukan oleh
nilai kesalahan yang berasal dari selisih sinyal S. semakin kecil nilai
kesalahannya

semakin

sempurna

hasil

rekosntruksinya.

Secara

lengkap proses dekomposisi dan rekonstruksi sinyal disajikan pada

gambar 5 di bawah ini.

Gambar 11. Skema dekomposisi dan rekonstruksi sinyal dengan

menggunakan DWT.
Menurut D Lee Fugal, High pass reconstruction filter sering disebut
wavelet function sedangkan untuk low pass reconstruction filter
disebut scaling factor. Perbedaan diantara keduanya dapat dilihat
dalam Tabel 2 di bawah ini.
Tabel 2. Komponen fungsi transformasi wavelet diskrit
Kompon

Scaling Function

Wavelet Function

en
Nama

Low Pass

High Pass

Reconstruction Filter
1
x
j , k ( x )= j j k ,
2 2

Reconstruction Filter
1
x
j , k ( x )= j j k ,
2 2

Lain
Persam
aan

Sifat
Fungsi

jZ,k Z

jZ,k Z

( x ) dx=1

( x ) dx=0

Menentukan

Menentukan detail

aproksimasi (A)

(D)

Continuous Wavelet Transform (CWT) menganalisis sinyal dengan

perubahan skala pada jendela yang dianalisis, pergeseran jendela
dalam waktu dan perkalian sinyal serta mengintegral semuanya
sepanjang waktu. Secara matematis transformasi wavelet kontinyu
dapat dirumuskan sebgai berikut:
C ( a , b ) = s (t )

1
tb

dt ; a >0 ,(a , b) R
a
a

( )

(18)

Dimana transformasi ini ditentukan oleh nilai parameter dilatasi (a)

dan translasi (b) yang bervariasi secara kontinyu.
Dilatasi dilakukan dengan ukuran skala untuk mendapatkan frekuesni
yang sama dengan anomali atau kejadian lain. Sedangkan translasi
atau pergerseran dilakukan dalam domain waktu sehingga dapat
sejajar dengan kejadian yang dianalisis. Informasi tentang kapan dan
frekuenis

dari

suatu

kejadian

dalam

sinyal

diperoleh

dengan

mengetahui skala dilatasi dan besar pergeseran saat wavelet

tersebut sejajar dan berkorelasi dengan kejadian tersebut. Hal ini
dapat ditunjukkan dengan nilai korelasi (C(a,b)):
C ( a , b ) = x n (a ,b)

(19)

Dimana a merupakan faktor skala (dilatasi) dan b merupakan faktor

translasi.
Aplikasi dari wavelet ini mencakup beberapa bidang diantaranya
untuk memperbaiki komposisi citra misalnya untuk mempertajam
citra, memperbaiki data radar misalnya untuk mendapatkan nilai
reflektansi pada daerah yang tertutup awan, peramalan gempa bumi,
dll.

KALMAN FILTER
Kalman filter adalah suatu alat yang digunakan untuk mengestimasi
linear-quadratic problem yang mana inti permasalahannya adalah
mengestimasi nilai/keadaan (state) dari sistem dinamik linier dari
pengukuran yang berhubungan linier dengan nilai state yang
dimaksud

(Grewal,

2001).

Kalman

filter

digunakan

untuk

mengestimasi nilai yang dianggap benar dari suatu data dari mulai
data masih dikumpulkan (co-processing) dengan parameter berupa
hasil

ukuran

dan

ketidakpastiannya

(uncertainty).

Kalman

filter

disusun oleh persamaan-persamaan matematika yang digunakan

untuk menghitung nilai state secara rekursif dengan prinsip kuadrat
terkecil atau least squares (Welch, 2006). Dari penjelasan di atas,
dapat diperoleh prinsip-prinsip matematika yang digunakan untuk
membentuk Kalman filter seperti yang digambarkan pada Gambar 1.

Gambar 13. Konsep dasar pembentuk Kalman filter

Kalman filter dalam mengestimasi nilai/keadaan dari suatu sistem

dinamik memperhitungkan seluruh data ukuran yang telah ada
beserta karakteristik statistiknya seperti kovariansi. Di samping
mengestimasi keadaan yang sekarang (current state), Kalman filter
juga dapat menghitung nilai/keadaan pada waktu yang akan datang
sesuai dengan model proses dan kontrol yang digunakan. Kemudian
nilai prediksi ini akan dibandingkan dengan data ukuran yang baru,
dan digunakan untuk menghitung estimasi nilai state yang aktual.
Proses ini akan terus berulang (rekursif) sehingga Kalman filter disebut
sebagai sistem yang belajar.
Kalman filter menjadi satu penemuan yang sangat penting dalam teori
estimasi. Kalman filter dapat digunakan untuk kontrol dari suatu
sistem dinamik yang kompleks seperti proses-proses manufaktur.
Kalman filter dan variannya seperti extended Kalman filter pada
awalnya sangat popular digunakan untuk navigasi Apollo. Di samping
itu, Kalman filter juga dapat digunakan untuk tracking objek bergerak,
misal dalam keilmuan geodesi dan geomatika, hal ini digunakan untuk
tracking satelit GPS. Dalam kaitannya dengan tracking posisi satelit
GPS, Gambar 2 menjelaskan bagaimana Kalman filterdigunakan. Nilai
posisi awal GPS misal menggunakan data broadcast ephemeris,
kemudian data ini dibandingkan dengan data aktual hasil pengukuran.
Dengan algoritma tertentu, Kalman akan memberikan koreksi untuk

data pengukuran sehingga menjadi nilai state yang baru dan

ketidakpastiannya. Nilai state baru yang baru tersebut kemudian
digunakan untuk prediksi nilai state pada selang waktu berikutnya.
Proses ini terus berulang (rekursif) sampai didapatkan nilai state yang
dianggap benar.

Gambar 14. Ilustrasi penggunaan Kalman filter pada tracking GPS

Kalman filter memiliki berbagai manfaat dan keunggulan di antaranya

adalah kemampuannya untuk menyelesaikan masalah untuk multivariabel

serta

kombinasinya.

Metode

ini

memungkinkan

untuk

pemrosesan data secara real time karena tidak perlu menunggu

hingga data pengukuran cukup atau fix, proses ini bahkan dapat
mengaktualkan sistem filtering-nya setiap kali pengukuran dilakukan
(Zaknich, 2005). Di samping keunggulannya, Kalman filter juga
memiliki beberapa kekurangan di antaranya adalah hanya dapat
digunakan pada sistem dengan distribusi error Gaussian atau distribusi
normal (white noise) dan sistem yang linear.
Terdapat 3 proses penting dalam algoritma perhitungan Kalman filter,
yaitu: 1) Perhitungan Kalman gain, 2) Perhitungan current state (nilai

aktual), 3) Perhitungan New Error. Sebagaimana telah dijelaskan di

atas bahwa proses ini adalah proses yang berulang dan rekursif. Proses
ini diperlihatkan pada Persamaan 1, 2, dan 3.
KG=

Eest
E est + Emea

(20)

EST t =EST t 1+ KG ( MEAEST t 1)

(21)

Eest =(1KG)( EST t 1)

(22)

di mana KG adalah Kalman gain, Eest dan Emea berturut-turut adalah

error atau ketidakpastian dari nilai estimasi dan nilai ukuran, ESTt
adalah nilai state pada saat t, MEA adalah hasil ukuran.
Kalman gain adalah bobot yang didapat dari perbandingan nilai error
estimasi dengan nilai error total (error estimasi + error pengukuran)
seperti pada Persamaan 1. Nilai Kalman gain ini yang bervariasi dari
0 sampai 1 menandakan kualitas pengukuran dan stabilitas sistem
kemudian digunakan untuk menghitung nilai aktual berdasarkan nilai
sebelumnya dengan Persamaan 2. Perhatikan jika error pengukuran
sangat kecil maka KG akan mendekati 1, dengan bobot besar, maka
pengukuran akan dianggap benar sehingga nilai state yang baru
akan mendekati hasil ukuran. Dengan semakin banyaknya data
ukuran, maka Kalman gain

akan semakin menurun seiring dengan

konvergennya estimasi state pada suatu nilai/harga. Kemudian, nilai

error estimasi yang baru dihitung lagi dengan Persamaan 3. Secara
konseptual, proses ini telah menggambarkan bagaimana Kalman
filter bekerja.
Penjelasan yang lebih analitis dijelaskan sebagai berikut. Kalman
filter mencoba mengestimasi nilai state yang baru berdasarkan
suatu model proses
x kp= A x k1 +B u k1+ wk1

(23)

dan suatu model pengukuran

z k =H x k + v k

(24)

di mana xk adalah vektor state yang mengandung parameter sistem

yang ingin diestimasi, uk adalah vektor kontrol yang mengandung
variable yang mengontrol state, wk adalah vektor yang menyatakan
noise pada modelestimasi

tersebut,

A adalah matriks

yang

menghubungkan estimasi pada k-1 dengan estimasi pada k, B adalah

matriks yang menghubungkan state dengan input u atau perubahan
x terhadap u. Sementara zk adalah vektor pengukuran, vk adalah
vektor

noise

pada

pengukuran

dan

adalah

matrik

yang

mentransformasikan ukuran state dari pengukuran.

Konsep Kalman filter yang dijelaskan sebelumnya bahwa Kalman
menestimasi state beserta ketidakpastiannya. Misalkan Pk adalah
matriks kovariansi proses yang menyatakan kovariansi antara nilainilai parameter state yang mana secara rekursif dinyatakan sebagai
Pkp =A P k1 AT + Qk

(6)

yang mana jika dianalogikan degan sitem Persmaan 1, 2, dan 3, nilai

Pk adalah nilai error dalam estimasi Eest.
Estimasi nilai Kalman gain seperti pada Persamaan 1, ditulis sebagai
berikut
K=

Pk H
H Pk HT + R

(25)

di mana R menyatakan matriks kovariansi dari pengukuran atau

sensor.

Kemudian persamaan 2 dan 3 untuk mengupdate nilai state dan

kovariansinya dianalogikan sebagai berikut

x k =x kp + K (z k H x kp )

(26)

Pk =(1KH ) Pkp

(27)

Pada dasarnya persamaan-persamaan di atas, terdiri dari dua grup:

persamaan time update dan persamaan measurement update.
Persamaan time update bertugas untuk menentukan estimasi nilai
state

beserta

persamaan

kovariansi

measurement

pada

waktu

update

berikutnya,

bertugas

untuk

sementara
menghitung

estimasi aposteriori nilai state dan kovariansi berdasarkan estimasi

apriori dan data ukuran. Berikut adalah ilustrasi dari proses time dan
measurement update pada Gambar 3.

Gambar 15.Ilustrasi time dan measurement update.

Berikut adalah contoh langsung penerapan Kalman filter. Contoh ini

disadur

seluruhnya

http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx.

dari
Pada

contoh ini beberapa persamaan disimplifikasi dengan beberaa asumsi

sehingga menjadi

Gambar 16. Persamaan hasil simplifikasi

Misal persamaan di atas akan digunakan untuk menestimasi nilai
voltase berdasarkan data ukuran seperti pada Tabel 1. Data ukuran
diasumsikan memiliki ketidakpastian (uncertainty) sebesar 0.1. Nilai
awal estimasi untuk hitungan ditetapkan xk = 0, dan Pk = 1

Dengan algoritma perhitungan pada Gambar 4, didapat nilai state

dan uncertainty-nya pada setiap saat iterasi pada Gambar 5. Tampak
bahwa voltase semakin konvergen menuju 0.4 V saat error nya
mendekati nol.
0.5
0.4
0.3
Voltase (Xk)

0.2

Error (Pk)

0.1
0
0

10

12

Gambar 17. Hasil hitungan dengan Kalman filter

Kalman filter dianggap sebagai penemuan yang sangat berpengaruh
di abad ke-20 karena kemampuannya mengatasi masalah-masalah
pada sistem dinamik. Dalam kaitannya dengan teknik analisis data,
Kalman filter dapat digunakan sebagai tool untuk menganalisi data

yang

sifatnya

deret

waktu

dan

juga

untuk

memaksimalkan

generation daripada informasi yang terkandung pada data (data

mining).

DAFTAR PUSTAKA
Bogdan, Robert, C., Biklen, Sari, K. 1998. Qualitative Research in
Education, an Introduction toTheory and Methods, Third Edition, Boston,
Allyn and Bacon.
Faragher, R. 2012 Understanding the Basis of the Kalman Filter Via a
Simple and Intuitive Derivation. IEEE Signal Processing Magazine pp128132
Grewal et al. 2001. Kalman Filtering: Theory and Practice Using MATLAB
2nd Ed.
http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx diakses 15
Desember 2015

http://ilecturesonline.com Special Topics : Kalman Filtering, diakses 14

Desember 2015
Welch, G and Bishop, G. 2006. An Introduction to the Kalman Filter. Dept
of Computer Science, University of North Carolina
Zaknich, Anthony. 2005. Principle of Adaptive Filters and Self-learning
Systems. Leipzig: Springer-Verlag
Fischer, Manfred M and Arthur Getis. 2010. Handbook of Applied Spatial
Analysis : Software Tools, Methods and Applications. New York : Springer
Fischer, Manfred M. and Jinfeng Wang. 2011. Spatial Data Analysis Models,
Methods, Techniques.
Bailet, T.C. and Gatrell, A. C. 1995. Interactive Spatial Data Analysis.
Longman : Harlow
Fortin, Marie-Josee, M. Dale and J. Hoeff, 2002. Spatial Analysis in Ecology.
Encyclopedia of Environmetrics, 4: 2051-2058.
Legrendre,

Pierre,

1993.

Spatial

Autocorrelation:

Trouble

or

New

Paradigm? Ecology, 74(6): 1659- 1673.

Legrendre, Pierre and M.J. Fortin, 1989. Spatial pattern and ecological
analysis. Vegetation 80: 107-138.
Lichstein, Jeremy, T.R. Simons, S.A. Shriner and K.E. Franzreb, 2002.
Spatial Autocorrelation and Autoregressive Models in Ecology. Ecological
Monographs 73(3): 445-463.