METODE

UNTUK ANALISIS DATA

MAKALAH

Digunakan untuk memenuhi tugas mata kuliah GD5102 Teknik Analisis Data

Disusun oleh:
Wachid Nuraziz Musthafa

15112043

PROGRAM STUDI TEKNIK GEODESI DAN GEOMATIKA

FAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
INSTITUT TEKNOLOGI BANDUNG
2015

BAB I
PENDAHULUAN

I.1 Latar Belakang

Sebuah penelitian dilakukan dengan menerapkan beberapa tahapan yang digunakan
untuk mencapai sebuah tujuan tertentu. Biasanya terdapat suatu siklus yang
digunakan dalam sebuah penelitian. Siklus tersebut terdiri dari beberapa tahapan
seperti menentukan persoalan riset (hipotesis), pengambilan data sistematis, analisis
data, dan menentukan kerangka konseptual yang digunakan (landasan teori dan
literatur).
Salah satu tahapan yang sangat penting dilaksanakan dalam sebuah penelitian adalah
analisis data. Analisis data digunakan sebagai sarana atau alat untuk mendeskripsikan
data dan mendapatkan pola-pola atau sebaran data yang didapat saat pengamatan atau
pengukuran. Selanjutnya dengan menggunakan metode analisis yang sudah
ditentukan, pola-pola tersebut digunakan untuk mendapatkan informasi sehingga
karakteristik dan sifat dari suatu fenomena dapat dipelajari untuk menjawab
pertanyaan-pertanyaan tentang masalah yang berkaitan dengan kegiatan penelitian
tersebut.
Beberapa metode dapat digunakan dalam analisis data yang secara umum terbagi
menjadi dua yaitu deskriptif dan inferesial. Teknik analisis data deskriptif
merupakan teknik

analisis

yang

dipakai

untuk

menganalisis

data

dengan

mendeskripsikan atau menggambarkan data-data yang sudah dikumpulkan seadanya

tanpa ada maksud membuat generalisasi dari hasil penelitian. Sedangkan teknik
analisis data inferensia merupakan statistik yang dipakai untuk melakukan analisis
data dengan cara membuat kesimpulan yang berlaku secara umum.

Dalam makalah ini akan dibahas mengenai beberapa metode yang cukup sering
digunakan dalam analisis data. Metode-metode ini juga sangat menunjang proses
pengolahan data yang berhubungan dengan data-data spasial. Metode-metode tersebut
diantaranya adalah statistik, statistik spasial, wavelet, dan kalman filter.
I.2 Rumusan Masalah
Berdasarkan latar belakang yang sudah diuraikan di atas, beberapa masalah yang
ingin dibahas dalam makalah ini adalah sebagai berikut:
1. Apa yang yang dimaksud dengan metode analisis data statistik, statistik
spasial, wavelet, dan kalman filter?
2. Mengapa metode-metode tersebut digunakan dalam analisis data?
3. Bagaimana metode-metode tersebut diterapkan dalam proses analisis data?

I.3 Tujuan
Makalah yang berjudul Metode Analisis Data ini memiliki tujuan yang ingin
dicapai yaitu mengetahui penggunaan metode-metode tersebut dalam analisis data
sesuai dengan pengertiannya, sebab digunakannya, dan cara penggunaannya.

BAB II
METODE ANALISIS DATA

II.1 Metode Statistik

Statistik merupakan kumpulan angka yang disusun, diatur, atau disajikan ke dalam
bentuk daftar atau tabel. Dalam perkembangannya penyajian data statistik ini juga
disertai dengan gambar-gambar yang biasa disebut diagram atau grafik.
Statistika

merupakan

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 dua kelompok yaitu statistika deskriptif
inferensia. Statistika

deskriptif

adalah

metode

yang

dan statistika

berkaitan

dengan

pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi

yang berguna atau dalam hal ini analisis data tidak dikuti dengan pembuatan
kesimpulan tentang populasi atau kelompok yang lebih besar. Sedangkan statistika
inferensia adalah metode yang berhubungan dengan analisis sebagian data untuk
kemudian sampai pada peramalan atau penarikan kesimpulan tentang seluruh gugus
data induknya
Metode statistik dikembangkan karena memiliki beberapa kegunaan diantaranya
dapat menjelaskan hubungan antarvariabel, melakukan estimasi dan perbandingan,
menyusun perencanaan dan ramalan, mengatasi berbagai perubahan, membuat
keputusan secara lebih baik, serta menampilkan hasil penelitian dan analisis praktis
dalam berbagi bentuk.
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: 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 usia kerja di Propinsi Sumatera Barta; tingkat pendidikan
rata-rataIndonesia pada tahun 2000.

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. Salah satu
contohnya adalah kategori untuk kota besar di Indonesia yaitu:

Kategori 4 untuk kota metropolitan

Kategori 3untuk kota besar

Kategori 2 untuk kota sedang

Kategori 1 untuk kota kecil

Angka yang menyatakan kategori ini menunjukkan bahwa posisi data sama
derajatnya. Dalam contoh di atas, angka 4 tidak berarti kota besar nilainya

lebih tinggi dibanding kota 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.

Data dalam statistik mempunyai karakteristik yang berbeda-beda . setiap data
mempunyai pola persebarannya masing-masing. 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.
Beberapa ukuran yang sering digunakan dalam pengolahan data statistik diantaranya
adalah ukuran gelaja pusat dan ukuran penyebaran. Ukuran gejala pusat bisa terdiri
dari mean, median, modus. Sedangkan untuk ukuran penyebaran dapat terdiri dari
range, distribusi antar kuantil, dan variansi.
Mean merupakan nilai rata-rata dari semua data observasi. Mean dapat digambarkan
pada persamaan 1 dibawah ini.

Dengan

(1)
, N adalah jumlah data,

dan adalah banyaknya data observasi.

adalah nilai data observasi

Median atau nilai-tengah adalah salah satu ukuran pemusatan data, yaitu, jika segugus
data diurutkan dari yang terkecil sampai yang terbesar atau yang terbesar sampai
yang terkecil, nilai pengamatan yang tepat di tengah-tengah bila jumlah datanya
ganjil, atau rata-rata kedua pengamatan yang di tengah bila banyaknya pengamatan
genap. Contoh perhitungannya Untuk data 9,10,8. Pertama data diurutkan menjadi 8,
9,10. Sehingga dengan mudah diketahui median adalah 9

Modus adalah nilai yang memiliki frekuensi terbanyak dalam seperangkat data.
Modus untuk data yang disusun dalam bentuk kelas interval (data berkelompok) bisa
ditentukan berdasarkan nilai tengah kelas interval yang memiliki frekuensi terbanyak.
(

(2)

Mo adalah modus, b adalah batas bawah kelas interval dengan frekuensi terbanyak, p
adalah panjang kelas interval, b1 = frekuensi terbanyak dikurangi frekuensi kelas
sebelumnya, b2 = frekuensi terbanyak dikurangi frekuensi kelas sesudahnya.

Hubungan dari mean, median dan modus dapat digunakan untuk mengetahui kurva
poligon distribusi frekuensi data observasi. Terdapat beberapa kondisi, yaitu :
a.
b.
c.
Ukuran penyebaran memberikan gambaran seberapa besara data menyebar dalam
kumpulannya. Melalui ukuran penyebaran dapat diketahui seberapa jauh data-data
menyebar dari titik pemusatannya. Ukuran-ukuran penyebaran yang sering digunakan
antara lain : range/jangkauan, jangkauan antar kuartil dan varians.
Range merupakan selisih data yang terbesar dengan yang terkecil, range cukup baik
digunakan untuk mengukur penyebaran data yang simetrik dan nilai datanya

menyebar merata. Ukuran ini menjadi tidak relevan jika nilai data maksimum dan
minimumnya merupakan data-data yang ekstrem.
Jangkauan antar kuartil mengukur penyebaran 50% data di tengah-tengah setelah data
diurutkan. Ukuran penyebaran ini meruapakan ukuran penyebaran data yang
terpangkas 25% yaitu membuang 25% data yang terbesar dan 25% data yang terkecil.
Jangkauan antar kuartil sangat baik digunakan bila data yang dkumpulkan banyaj
mengandung data pencicilan. Jangkauan antar kuartil merupakan selisih antara kuartil
atas dengan kuartil bawah. Ukuran ini biasanya dirumuskan seperti pada persamaan
di bawah ini:
JAK=k3-k1

(3)

Dimana, k3 adalah kuartil atas dan k1 adalah kuartil bawah.

Varians merupakan ukuran penyebaran data yang sering digunakan. Varians
merupakan ukuran penyebaran data yang mengukur rata-rata jarak kuadrat semua
titik pnegamatan terhadap titik pusat (rata-rata), jika x1,x2,x3,...xN adalah anggota
suatu populasi terhingga berukuran N, maka variansi populasinya adalah
=

, jika x1,x2,x3,...xN adalah anggota suatu sample terhingga

berukuran n, maka varians sample tersebut adalah adalah

N. Akar dari variansi adalah simpangan baku, dinotasikan dengan

dimana n <
. sedangkan

simpangan baku sample dinotasikan dengan s.

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
Untuk dapat melihat distribusi data terdapat 4 macam distribusi yaitu :
1. Distribusi gauss / distribusi normal

Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan
simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena
grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng.
Distribusi normal memodelkan fenomena kuantitatif pada ilmu alam maupun ilmu
sosial. Distribusi normal banyak digunakan dalam berbagai bidang statistika,
misalnya distribusi sampling rata-rata akan mendekati normal, meski distribusi
populasi yang diambil tidak berdistribusi normal. Distribusi normal juga banyak
digunakan dalam berbagai distribusi dalam statistika, dan kebanyakan pengujian
hipotesis mengasumsikan normalitas suatu data.
Contoh distribusi normal :

Gambar 1. Distribusi Normal

2. Distribusi chi- square
Distribusi X^2 chi square merupakan uji statistik yang meninjau distribusi variansi
dari sample populasi. Untuk distribusi X^2 chi square didefinisikan sebagai :

(4)

(5)
(6)
Dimana, 2 adalah distribusi chi-square, r adalah r = banyak ukuran lebih (degree of
freedom/derajat kebebasan) , S2 = variansi sampel, 2 = variansi populasi
Distribusi chi-square (2 ) digunakan untuk menentukan selang (range) di dalam
mana diharapkan nilai variansi populasi berada, berdasarkan :

Nilai prosentase probabilitas tertentu (tingkat kepercayaan)

Nilai variansi sampel

Banyak ukuran lebih

Bentuk Umum fungsi distribusi

adalah

Gambar 2. Kurva
3. Distribusi t (student)

chi square untuk N=10

(7)

Pola distribusi ini digunakan untuk membandingkan nilai rerata populasi dengan nilai
rerata sampel berdasarkan banyak ukuran lebih (degree of freedom) pada sampel.
Distribusi t banyak digunakan untuk hal-hal mengenai mean suatu populasi juga
mengenai perbandingan mean-mean beberapa sampel.
Karakteristik dari distribusi t (t-distribution)
Bentuk distribusi t mirip seperti distribusi Normal, berbentuk genta dan simetris
dengan nilai t = 0 pada titik tengahnya.
Distribusi t mempunyai ragam yang lebih lebar dibanding dengan distribusi
normal. Nilai ragamnya > 1 sedangkan ragam Distribusi Normal = 1.
Mempunyai derajat bebas (n-1), dimana n adalah ukuran sampel.
Apabila ukuran sampel semakin besar, bentuk distribusi-t hampir mendekati
distribusi Normal. Hal ini dikarenakan dengan semakin besarnya ukuran sampel,
maka nilai ragamnya akan mendekati 1.
Distribusi t-student merupakan uji statistik yang meninjau distribusi mean dari
sample populasi tersebut. Nilai t untuk sebarang populasi didefinsikan sebagai:
X

(8)

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.

Contoh kurva distribusi t untuk t untuk N=8

(9)

Gambar 3. Kurva distribusi t

4. Distribusi Fisher
Distribusi ini digunakan untuk membandingkan hasil hitungan variansi dari 2 set
sampel data. 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 :

(10)

(11)

Dengan bentuk fungsi umum :

(12)

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

Penyajian data merupakan sesuatu yang sangat penting dalam statistik. Karena
dengan penyajian data yang baik menyebabkan data tersebut lebih mudah untuk
dipahami. Suatu data yang telah diperoleh dan telah diolah, maka dilakukan
interpretasi dan penyajian data tersebut. Secara garis besar ada dua macam cara
penyajian data dalam statistika yaitu:
a.

Tabel

Tabel adalah daftar yang berisi ikhtisar sejumlah data-data informasi yang biasanya
berupa kata-kata maupun bilangan yang tersusun dengan garis pembatas. Tabel atau
daftar yang dapat berbentuk:
- Daftar baris kolom

- Daftar kontingensi

- Daftar distribusi frekuensi

Bentuk penyajian data dalam tabel dapat dilihat pada Tabel 1 di bawah ini.
Tabel 1. Data luas kecamatan di Kota Bandung

Kecamatan

Luas (m2)

Coblong

5600

Andir

3657

b. Diagram
Bagan / Diagram adalah suatu gambaran/sketsa buram untuk memperlihatkan atau
menerangkan sesuatu. Data maupun informasi yang ingin disampaikan direalisasikan
melalui

gambar. Bagan ada yang berbentuk diagram mempunyai bentuk yang

beragam, antara lain: lingkaran, garis, pohon, dan batang. Contoh dari penyajian data
dalam bentuk diagram dapat dilihat pada Gambar 5 di bawah ini.

Gambar 5. Contoh penyajian data dalam bentuk diagram batang

II.2 Metode Statistik Spasial

Statistik spasial merupakan aplikasi dari konsep statistik dan metode untuk mendekati
dan memahami yang secara eksplisit memiliki struktur spasial. Pemahaman mengenai

struktur spasial ini dapat dilakukan dengan mendeskripsikan dan memodelkan data
spasial. Selain itu digunakan juga unsur keruangan dan hubungan spasial seperti
jarak, luas, volume, panjang, tinggi, orientasi, dll secara langsung dalam perhitungan
matematisnya. Secara umum statistik spasial lebih memberikan data-data spasial dan
digunakan untuk mendeteksi pola-pola spasial, jarak yang lebih kompleks daripada
statistik biasa.
Seperti yang sudah dijelaskan sebelumnya bahwa statistik spasial dapat digunakan
untuk mendeskripsikan karakteristik, dan memahami pola spasial (Arcbald 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, geostatistikal, dan
economoctric.
Tujuan utama statistik spasial adalah :
1. Mendeksripsikan pola spasial (exploration)
2. Mengetes hipotesis suatu pola (inference)
3. Memprediksi pola (mapping atau interpolation)
Dalam mempelajari statistik spasial perlu diketahui beberapa konsep yang digunakan
sebagai dasar untuk menjelaskan fungsi dari statistik spasial itu sendiri diantaranya
sebagai berikut:

Autokorelasi spasial

Variansi, Kovariansi, dan Korelasi

Semi-Variansi dan Variogram

Autokorelasi sendiri dapat diartikan sebagai suatu variabel yang memiliki korelasi
terhadap dirinya sendiri. Ilustrasi sederhana dari konsep ini ditunjukkan oleh Gambar
6 di bawah ini.

Gambar 6. Konsep Autokorelasi

Berdasarkan Gambar 6 di atas sepasang objek dengan jarak yang dekat yaitu 1 dan 2
akan memiliki kemiripan yang lebih tinggi sedangkan untuk objek dengan jarak yang
lebih jauh yaitu 1 dan 3 akan memiliki nilai kemiripan yang lebih kecil.
Korelasi ini dapat bervariasi tergantung dari struktur dan pola dari data spasial.
Sebagai contoh 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 jika dekat dengan lokasi data tersebut. Data-data
spasial dapat bersifat independen jika tidak saling memiliki autokorelasi.
Autokorelasi dapat terjadi karena desain percobaan yang digunakan, sampel tidak
dipilih dengan benar-benar acak atau biasa disebut Spurious autocorrelation. Selain
itu juga terdapat Real autocorrelation yang didefinisikan sebagai alasan dari interaksi
dari suatu variabel dengan dirinya sendiri (univariate) atau dengan variabel
independen (lain) berdasarkan sifat dasar dari variabel tersebut.
Terdapat hubungan yang erat antara autokorelasi spasial dengan variansi, kovariansi,
serta korelasi. Variansi merupakan ukuran persebaran suatu populasi sedangkan
kovariansi merupakan ukuran dari hubungan antardua variabel. Berdasarkan

hubungan tersebut dapat diturunkan persamaan untuk mendapatkan nilai harapan dan
hasil variansi dari dua variabel seperti pada persamaan 13 di bawah ini.

Dimana

(13)

= sampel variansi dari variabel xi. xi = nilai dari variabel x dari i hingga n,

= rata-rata sampel dari variabel x, n = banyaknya sampel,

= sampel kovariansi

antara variabel x dan y, yi = nilai dari variabel y dari i hingga n, = rata-rata sampel
dari variabel y.
Di sisi lain koefisien korelasi juga dapat menunjukkan nilai yang mengindikasikan
betapa besar dua variabel saling berhubungan. Nilai ini biasanya ditunjukan dengan 0
sampai 1 untuk mengindikasikan asosiasi positif antarvariabel dan 0 sampai -1 untuk
asosiasi negative, serta 0 jika tidak ada korelasi antarvariabel. Persamaan 14 ini
menggambarkan koefesien korelasi Pearson.

(14)

Dimana r = sampel dari koefisien korelasi antara variabel x dan y dan dan sxsy =
produk dari variansi variabel x dan y.
Perhitungan dan representasi suatu nilai sampel berdasarkan interval jarak yang
berbeda-beda akan menjadi lebih informatif karena struktur spasial dari data tersebut
akan lebih terlihat. Jarak antarsampel ini biasa disebut lag yang ditentukan
berdasarkan priori. Setiap titik yang sudah digambarkan akan merepresentasikan
variansi atau korelasi untuk keseluruhan titik pada interval tertentu. Penggambaran
atau pengeplotan semi-variansi dikatakan sebagai variogram sedangkan pengeplotan

dari koefisien korelasi disebut dengan correlograms. Kedua hasil tersebut biasa
digambarkan dengan memberntuk suatu matriks jarak antartitik yang ada.
Hasil pengeplotan sebuah semivariansi terhadap fungsi jarak biasa disebut semivariogram. Semivariansi ini akan menunjukkan tentang perbedaan dari suatu subjek
diantara satu variabel dengan kovariansi yang mengukur hubungan anatar satu atau
lebih variabel. Semi-variansi biasanya tidak dinormalisasi seperti pada korelasi.
Variogram digambarkan oleh Grearys C melalui persamaan di bawah ini.

dengan

(15)

= 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.
Salah satu contoh dari variogram adalah variogram klasik yang dihitung berdasarkan
data independen dimana semi-variansinya meningkat seiring dengan jarak antartitik
atau lag yang bertambah. Istilah yang sering digunakan dalam konsep variogram
adala range yang menunjukkan jarak lag ketika data menjadi independen, sill yang
merepresentasikan nilai variansi yang berhubungan terhadap range, nugget adalah
jarak pada sumbu y antara titik 0 dan perpotongannya pada nilai y yang
merepresentasikan variabilitas yang tidak dapat dihitung karena masih terdapat error.
Sedangkan rumus untuk menghitung autokorelasi spasial pada suatu variabel
kuantitatif tunggal dirmuskan oleh Morans I sebagai

(16)

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

Berdasarkan tipe datanya Balley dan Gatrel (1995) membagi teknik analisis data
menjadi 4 kategori yaitu:
1. Point Pattern Data
Metode ini biasanya digunakan untuk menganalisis distribusi spasial dari
suatu fenomena yang dapat dimodelkan secara diskrit. Beberapa metode yang
dikembangkan diantaranya:

Quadrat analysis

Kernel estimation

Nearest neighbor analysis

K-function

2. Spatially Continuous Data

Metode ini digunakan untuk menganalisis data kontinu pada suatu unsur data
spasial. Beberapa metode yang dikembangkan diantaranya:

Spatial moving averages

Trend surface analysis

Delauney triangulation / Thiesen polygons / TINs

Kernel estimation

Variograms / covariograms / kriging

Principal components analysis / factor analysis

Procrustes analysis

Cluster analysis

Canonical correlation

3. Areal Data
Metode ini digunakan untuk menganalisis data atribut pada suatu poligon atau
area tertentu. Bebrapa metode yang dikembangkan diantaranya:

Spatial moving averages

Kernel estimation

Spatial autocorrelation (Morans I, Gearys c)

Spatial correlation and regression

4. Interaction Data
Metode ini dikembangkan untuk mempelajari interaksi 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 biasa digunakan dalam berbagai

hal sebagai berikut:

Deskripsi pola spasial (exploration)

Membuktikan hipotesis suatu pola (inference)

Memprediksi pola (mapping/interpolation)

Deskripsi pola spasial dikembangkan untuk mendefinisikan suatu fenomena yang

terjadi pada lokasi dan waktu yang spesifik. Indentifikasi pola ini dilakukan dengan
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 7. 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 7. Jenis pola spasial (Gavin, 2011)

Setelah mengetahui proses yang membentuk pola tersebut, pola spasial dapat
diidentifikasi menggunakan analisis average nearest neighbor (Fortin et al, 2002).
Metode ini akan mengukur jarak rata-rata terdekat untuk semua titik dan
mengasumsikan semua titik pada area survey telah diukur. Kemudian jarak rata-rata
tersbeut akan dibandingkan dengan nilai rata-rata hipotesis awal yang distribusinya
masih acak. Hasil dari nilai rata-rata pengamatan dapat bervariasi dari nilai hipotesis
awalnya. Hal ini menunjukkan bahwa titik tersebut terpisah secara acak atau
terkelompok. Suatu nilai z digunakan untuk mengetes apakah suatu pola spasial
dikatakan acak atau justru jauh dari kata acak.
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. Salah satu cara yang bisa
digunakan adalah dengan analisis regresi.
Prediksi pola dapat dilakukan dengan metode interpilasi yang dapat menghasilkan
nilai-nilai kontinu yang didasarkan pada nilai yang telah ada. Interpolasi ini
menggunakan asumsi awal yaitu nilai-nilai yang ada pada suatu fenomena kontinu
tersebut dan memiliki autokorelasi secara spasial dengan lokasinya. Hal ini dapat
menyebabkan nilai untuk sesuatu yang lokasinya tidak terlalu jauh dapat diprediksi
dan akan lebih mirip daripada nilai yang terlalu jauh. Dengan adanya model ini nilai
diantara nilai yang sudah diketahui bisa didapatkan.

Metode yang paling general adalah trend analysis yang mencocokkan suatu
polynomial terhadap titik-titik hasil observasi untuk menghasilkan permukaan yang
bagus. Metode lain untuk menginterpolasi ini bervariasi mulai dari kriging, splining

dan inverse distance weighting. 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. Metode ini
mengasumsikan autokorelasi spasial generik dibandingkan pengukuran suatu nilai
berdasarkan suatu set data autokorelasi spasial.

II.3 Metode 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 8 di bawah ini.

Gambar 8. 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 tabel 2 di bawah ini.
Table 2. Perbandingan transformasi Fourier (FT), transformasi Fourier jangka pendek
(STFT), dan transformasi wavelet (WT)
Komponen

FT

STFT

WT

Domain

Frekuensi

Waktu-frekuesi

Skala-pergeseran

Fungsi Basis

Sinusoid kompleks

Sinusoid kompleks Fungsi

wavelet

dimodulasi

(mother

fungsi induk

jendela sembarang
Resolusi Waktu

Tidak ada

Konstan

function)

untuk Baik untuk skala

semua frekuensi

rendah

(frekuensi

tinggi)
Resolusi Frekuensi

Sangat baik

Konstan

untuk Baik untuk skala

rendah

(frekuensi

semua 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 komponenkomponen frekuensi yang berbeda-beda.

Gambar 9. 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 10 di
bawah ini.

(a)

(b)

(c)

Gambar 10. (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 :
| |

( )

( )

| |

(17)

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 18 dibawah ini:
| |
dimana L2 ( R ) , sehingga

L2 ( R )

| |

(18)

Berdasarkan persamaan di atas sebuah transformasi pada L2 ( R ) dapat didefinisikan

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

(19)

Persamaan 19 di atas merupakan formulasi 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, high pass decomposition filter, dan reconstruction filter. Dilatasi dan translasi
dilakukan dengan menggunakan faktor integer pangkat 2 yaitu 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:

(20)

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 komponenkomponen 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 11 di bawah ini.

Gambar 11. 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 komponen-komponen 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 12 di bawah ini.

Gambar 20. 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 3 di bawah ini.
Tabel 3. Komponen fungsi transformasi wavelet diskrit
Komponen

Scaling Function

Wavelet Function

Nama Lain

Low Pass Reconstruction Filter

High Pass Reconstruction Filter

Persamaan

Sifat

Fungsi

Menentukan aproksimasi (A)

Menentukan detail (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 kontinu dapat dirumuskan sebgai berikut:

(21)

Dimana transformasi ini ditentukan oleh nilai parameter dilatasi (a) dan translasi (b)
yang bervariasi secara kontinu.
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)):

(22)

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.
II.4 Metode Kalman Filter
Kalman filtering dikembangkan untuk mengestimasi linear-quadratic problem. Inti
permasalahan yang ingin diselesaikan oleh metode ini adalah mengestimasi

nilai/keadaan (state) dari sistem dinamik linier dari pengukuran yang mempunyai
hubungan

linier

dengan

nilai

state

yang

sudah

dimaksud

sebelumnya

(Grewal,2011). Dengan metode ini nilai yang dianggap benar dari suatu data dari
pengumpulan (co-processing) dapat diestimasi dengan parameter berupa hasil ukuran
dan ketidakpastian (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). Gambar 13 di bawah ini dapat menunjukkan proses
terbentuknya Kalman filter yang diperoleh berdasarkan prinsip-prinsip matematika.

Gambar 13. Konsep dasar pembentuk Kalman filter

(Sumber : Grewal, 2001)
Suatu sistem dinamik dapat diestimasi nilai atau keadaannya dengan Kalman filter.
Proses ini dilakukan dengan memperhitungkan seluruh data ukuran yang telah ada
beserta karakteristik statistiknya misalnya kovariansi. Kalman filter juga digunakan
untuk menghitung nilai/keadaan pada waktu yang akan datang disesuaikan dengan
model proses dan kontrol yang digunakan. selanjutnya nilai prediksi yang didapatkan
akan dibandingkan dengan data ukuran yang baru, dan digunakan untuk
mengestimasi nilai state yang actual. Proses ini berlangsung secara berulang
(rekursif) sehingga Kalman filter disebut sistem yang belajar.

Kalman dikembangkan karena memiliki beberapa kegunaan yang sangat penting

terutama dalam teori estimasi. Beberapa kegunaan dari Kalman filter adalah sebagi
kontrol terhadap suatu sistem dinamik yang kompleks. Kalman filter juga bisa
digunakan dalam tracking objek yang bergerak seperti pada satelit GPS.
Beberapa keunggulan yang dimiliki Kalman filter adalah kemampuan untuk
menyelesaikan masalah untuk multi-variabel serta kombinasinya. Metode ini
memungkinkan untuk pemrosesan data secara real time karena tidak perlu menunggu
hingga data pengukuran cukup atau fix bahkan proses ini dapat mengaktualkan sistem
fitering-nya setiap kali pengukuran dilakukan (Zaknic, 2005).
Akan tetapi Kalman Filter juga memiliki beberapa kekurangan diantaranya hanya
dapat diguankan pada sistem dengan distribusi error Gaussian atau distribusi normal
dan sistem yang linier.
Algoritma perhitungan Klaman filter sendiri memiliki 3 proses penting. Proses
tersebut berlangsung secara berulang dan rekursif. Di bawah ini adalah ketiga proses
tersebut berserta persamaan yang dapat memperlihatkan prosesnya.
1. Perhitungan Kalman gain
(23)
2. Perhitungan current state (nilai aktual)
(24)
3. Perhitungan New Error
(25)
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 merupakan bobot yang didapatkan dari perbandingan nilai error
estimasi dengan nilai error total (error estimasi + error pengukuran) seperti yang
ditunjukkan persamaan 1. Nilai Kalman gain ini dapat bervariasi dari 0 sampai 1 yang
menandakan kualitas dari pengukuran dan stabilitas sistem. Nilai ini akan digunakan
untuk menghitung nilai aktual berdasarkan nilai sebelumnya seperti yang ditunjukkan
pada persamaan 2.
Sebagai contoh jika nilai error pengukuran kecil maka KG akan mendekati 1, dengan
bobot yang besar maka pengukuran akan dianggap benar. Hal ini menyebabkan nilai
state yang abru akan mendekati hasil ukuran. Nilai Kalman gain akan semakin
menurun sebanding dengan konvergennya estimasi state pada suatu nilai/ harga.
Setelah itu nilai error estimasi baru akan dihitung dengan persamaan 3. Proses
tersebut merupakan penggabaran dari bagaimana Kalman filter bekerja.
Berikut ini akan dijelaskan bagaimana Kalman filter mencoba mengestimasi nilai
state yang baru berdasarkan suatu model proses seperti yang ditunjukkan oleh
persamaan 26 dan 27 di bawah ini.
(26)
dan suatu model pengukuran
(28)
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.
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 nilai-nilai parameter state yang mana secara rekursif
dinyatakan sebagai
(29)
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
(30)
di mana R menyatakan matriks kovariansi dari pengukuran atau sensor.
Kemudian persamaan 2 dan 3 untuk mengupdate nilai state dan kovariansinya
dianalogikan sebagai berikut
(31)
(32)
Berdasarkan persamaan-persamaan di atas dapat dikelompokkan 2 grup persamaan
yaitu time update dan measurenment update. Persamaan time update bertugas untuk

menentukan estimasi nilai state beserta kovariansi pada waktu berikutnya,

sementara persamaan measurement update bertugas untuk menghitung estimasi
aposteriori nilai state dan kovariansi berdasarkan estimasi apriori dan data ukuran.
Pada Gambar 14 di bawah ini ditunjukkan bagaimana proses time dan measurenment
update dilakukan.

Gambar 14.Ilustrasi time dan measurement update.

(Sumber : Welch, 2006)

BAB III
PENUTUP

III.1

Kesimpulan

Berdasarkan uraian yang sudah dibahas pada Bab sebelumnya didapatkan beberapa
kesimpulan diantaranya sebagai berikut:
1.

Statistik merupakan kumpulan angka yang disusun, diatur, atau disajikan ke

dalam bentuk daftar atau tabel.

2.

Statistik spasial merupakan aplikasi dari konsep statistik dan metode untuk
mendekati dan memahami yang secara eksplisit memiliki struktur spasial.

3.

Wavelet merupakan suatu gelombang dengan durasi terbatas sebagai sebuah

fungsi osilasi dari waktu (space) yang memiliki nilai rata-rata nol.

4.

Kalman filter disusun oleh persamaan-persamaan matematika yang digunakan

untuk menghitung nilai state secara rekursif dengan prinsip kuadrat terkecil
atau least squares (Welch, 2006).

III.2

Saran

Proses analisis data yang dilakukan untuk mendapatkan suatu kesimpulan terhadap
suatu masalah harus dilakukan dengan menggunakan metode-metode yang ada
dengan mempertimbangkan karakteristik data yang didapat serta kesimpulan yang
akan diambil.

DAFTAR PUSTAKA

Bailet, T.C. and Gatrell, A. C. 1995. Interactive Spatial Data Analysis.

Longman : Harlow
Beylkin, G., Coifman, R., & Rokhlin, V. 1991a. Fast wavelet transforms and
numerical algorithms. Comm. in Pure and Applied Math., 44, 141{183
Bogdan, Robert, C., Biklen, Sari, K. 1998. Qualitative Research in Education, an
Introduction toTheory and Methods, Third Edition, Boston, Allyn and Bacon.

Chui, C. K. 1992. An introduction to wavelets. Academic Press.

Collins, George W. 2003. Fundamental Numerical Methods and Data Analysis.
Walpole et al. 2012. Probability and Statistiks for Enginners and Scientist 9th
ed. Pearson Education
Faragher, R. 2012 Understanding the Basis of the Kalman Filter Via a Simple
and Intuitive Derivation. IEEE Signal Processing Magazine pp128-132
Fardi, Adnan, dkk. 2012. Silabus dan Hand-Out Mata Kuliah Statistik.
Padang : UNP
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.
Fortin, Marie-Josee, M. Dale and J. Hoeff, 2002. Spatial Analysis in
Ecology. Encyclopedia of Environmetrics, 4: 2051-2058.
Grewal et al. 2001. Kalman Filtering: Theory and Practice Using MATLAB 2nd Ed.
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.
Ribeiro, Paulo and P.J. Diggle, 2001. geoR: A Package for Geostatistikal
Analysis. http://spatial.nhh.no/R/Rgeo/rnews1.2.15-18.pdf
Strang, Gilbert, & Strela, Vasily. 1994. Orthogonal multiwavelets with vanishing
moments. Optical Engineering, 33(7), 2104{2107.
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
http://bilgin.esme.org/BitsBytes/KalmanFilterforDummies.aspx diakses 15 Desember
2015
http://ilecturesonline.com Special Topics : Kalman Filtering, diakses 14 Desember
2015