Tugas Statistika Spasial

Resume Perangkat ADSE (Analisis Data Spasial Exploratori)

Dibuat Oleh :

Yusuf Hary Saputro (NRP: 23-2017-078, Kelas C)

Muhammad Reza Chandra Kusuma (NRP: 23-2017-090, Kelas C)

ADSE adalah kumpulan teknik untuk menjelaskan dan menggambarkan (Visualisasi)

distribusi spasial, mengidentifikasi lokasi atau spasial outlier, menemukan pola asosiasi
spasial (Anselin, 1998). ADSE dapat digunakan untuk menganalisa data dalam berbagai cara.
Sebelum membentuk luasan, ADSE memungkinkan untuk memahami lebih mendalam
fenomena yang sedang di analisa, sehingga keputusan yang diambil terkait dengan data yang
lebih tepat (De Smith et. al,2007). Perangkat ADSE pada perangkat lunak dalam extension
Geostatistical Analyst yaitu :

1. Histogram
Histogram pada perangkat ADSE pada dasarnya memberikan deskripsi
univariat (satu-variabel) dari set data. Bentuk analisis spasial dari histogram
berupa grafik distribusi frekuensi, ringkasan statistik (letak data, variasi, atau
sebaran data, bentuk data). Interpolasi dan transformasi dari histogram terbaik
apabila data terdistribusi normal, semakin dekat nilai rata-rata dan median data
tersebut akan membentuk kurva seperti lonceng (kurva distribusi normal) dan
juga semakin normal data-data miring dapat ditransformasikan dengan operasi
log atau box-cox. Berikut contoh tampilan data dengan menggunakan
histogram:

1
2. Normal QQ Plot
Normal QQ Plot dibuat dengan mengeplot nilai-nilai kuantil distribusi data
versus nilai distribusi normal baku dimana distribusi kumulatifnya sama.
Normal QQ Plot digunakan untuk menganalisis distribusi data, semakin dekat
titik-titik yang diplot ke garis lurus semakin normal distribusi data tersebut.
Berikut contoh tampilan data dengan menggunakan Normal QQ Plot :

3. Trend Analysis
Trend Analysis merupakan suatu metode analisis statistika yang ditujukan untuk
mengidentifikasi trend global pada set data input dan sangat bermanfaat apabila
ingin memetakan suatu trend atau menghilangkan suatu trend dari set data
sebelum menggunakan kriging. Trend Analysis juga memberikan perpektif tiga
dimensi dari set data. Lokasi titik-titik sampel diplot pada bidang ( X dan Y),
diatas setiap titik sampel diberikan nilai berupa ketinggian suatu tongkat dalam
dimensi Z. Berikut contoh tampilan data dengan menggunakan Normal QQ
Plot:

2
4. Voronoi Map
Voronoi Map merupakan peta tetangga terdekat untuk data titik. Setiap region
atau area mengandung titik-titik yang mendekati titik input daripada input
lainnya. Interpretasi dari Voronoi Map adalah membantu memvisualisasikan
nilai relatif, daerah dengan standar deviasi yang tinggi dan sebagainya.
Berdasarkan definisi tetangga pada voronoi map dapat dihitung berbagai
statistik voronoi yaitu nilai simple, mean, mode, cluster, entropy, median,
standar deviation, interquartile range. Statistik voronoi dikelompokkan
berdasarkan fungsinya yaitu local smoothing local variation, local outliers, local
influence. Berikut contoh tampilan data dengan menggunakan Voronoi Map:

5. Semivariogram/Covariance Cloud
Semivariogram/Covariance Cloud memperlihatkan semivariogram empiris
(setengah dari kuadrat selisih nilai data) dan covariance untuk semua pasangan
lokasi yang ada di dalam suatu set data dan mengeplotnya sebagai fungsi dari
jarak antara kedua lokasi tersebut. Analisis spasial dari
Semivariogram/Covariance Cloud dapat digunakan untuk mengkaji
karakteristik local dari autokorelasi spasial dalam suatu set data dan mencari
outliers. Berikut contoh tampilan data dengan menggunakan
Semivariogram/Covariance Cloud:

3
6. General QQ Plot
General QQ Plot merupakan plot dari dua dataset dimana distribusinya sama.
Interpretasi dan transformasi dari General QQ Plot dengan cara semakin dekat
plot mendekati garis lurus maka semakin mirip dengan distribusi datasetnya.
Berikut contoh tampilan data dengan menggunakan General QQ Plot:

4
7. Crosscovariance Cloud
Menunjukkan crosscovariance empiris untuk semua pasangan dari lokasi antara
dua dataset dan plot sebagai fungsi dari jarak antara dua lokasi.
Crosscovariance Cloud dapat diguakan untuk mengkaji karakteristik lokal dari
korelasi spasial antara dua set data, dan untuk mencari pergeseran spasial di
dalam korelasi antara dua set data. Berikut contoh tampilan data dengan
menggunakan Crosscovariance Cloud :