i

TUGAS KELOMPOK
MATA KULIAH ANALISIS SPASIAL (SEMESTER GANJIL 2019)

ANALISIS RIPLEY’S K FUNCTION

OLEH
1. NAMA : RIZKY WIDYASARI SYAM
NIM : P022191025

2. NAMA : RONALD JUNEDIE ANENG

NIM : P022191031

PROGRAM STUDI PERENCANAAN PENGEMBANGAN WILAYAH

PROGRAM PASCASARJANA
UNIVERSITAS HASANUDDIN
MAKASSAR
2019
 ii

TABEL PENILAIAN

KRITERIA PORSI CAPAIAN TUGAS NILAI

(%) (0-100)
1 2 3 2x3
Kesesuaian isi materi kajian 30
Sumber pustaka 30
Keragaman data (gambar, 20
table, persamaan, dst)
Originalitas (teknik sitasi 20
dari materi yang ditulis)
TOTAL PEROLEHAN NILAI (0 – 100)
 iii

DAFTAR ISI

TABEL PENILAIAN.............................................................................................. ii
DAFTAR ISI .......................................................................................................... iii
DAFTAR GAMBAR ............................................................................................. iv
1. PENDAHULUAN ...............................................................................................1
2. ANALISIS RIPLEY’S K FUNCTION ...............................................................6
2.1 Konsep Dasar Ripley’s K Function ..............................................................6
2.2 Analisis Pola Ripley’s K Function di ArcGis .............................................7
2.3 Cara Menafsirkan Hasil Ripley’s K Function ..............................................8
3. SIMULASI RIPLEY’S K FUNCTION ..............................................................9
4 JURNAL/PENELITIAN ANALISIS RIPLEY’S K FUNCTION ....................13
DAFTAR PUSTAKA ............................................................................................29
 iv

DAFTAR GAMBAR

Gambar 1. Peta Leukimia Anak Dengan Pola Titik Claster ................................2

Gambar 2. Posisi 99 Genotipe Dewasa (Lingkaran Lebih Besar) dan 100
Anakan. Ketinggian Ditunjukkan Dalam Meter. (Pola Tersebar
/Dispersed) ..........................................................................................3
Gambar 3. Pola Hubungan Distribusi Titik Tipikal dan Kurva Fungsi K ............3
Gambar 4. Alur Kerja Sistem Informasi Geografi................................................5
Gambar 5. Peta Sekelompok Serigala di Central Arctic Region pada Tahun
1998. ...................................................................................................6
Gambar 6. Contoh Grafik Hasil Analisis Ripley’s K Function ............................8
Gambar 7. Peta Penyebaran Pohon .....................................................................10
Gambar 8. Proses Analisis Ripley’s K Function di ArcMap ..............................11
Gambar 9. Grafik Hasil Analisis Ripley’s K Function .......................................11
 v

DAFTAR TABEL

Tabel 1. Daftar Nilai Koordinat Per Jenis Pohon .................................................... 9

Tabel 2. Hasil Analisis Ripley’s K Function ........................................................ 12
 1

1. PENDAHULUAN

Untuk dipahami bahwa analisis spasial adalah bidang akademik yang terpisah,
faktanya bahwa dalam dua puluh tahun terakhir analisis spasial telah menjadi bagian
yang penting dalam hal keinginan dan kebutuhan untuk memahami data yang bersifat
georeferensi (Fischer & Getis, 2010). Analisis spasial adalah suatu cara atau berbagai
macam teknis yang menggunakan data spasial dan digunakan dalam menganalisa
yang diposes menggunakan SIG. Lloyd (2010) menyebutkan bahwa model data yang
tersedia menentukan pilihan metode analisis spasial seperti apa yang digunakan serta
sesuai dengan karakteristik data tertentu. Analisis spasial memiliki berbagai teknik
atau proses analisis, hal tersebut disesuaikan dengan kepentingan dan tujuan
penggunanya. Statistik spasial satu diantara sekian banyak teknik analisis spasial
yang dapat digunakan.
Statistik spasial berkaitan dengan studi data yang direferensikan secara spasial
dan terkait dengan model dan proses statistik. Oleh karena itu penggunaan statistik
spasial sangat relevan digunakan berbagai penelitian ilmiah dan teknologi. (Gelfand,
Diggle, Fuentes, & Guttorp, 2010) mengatakan bahwa fitur mendasar dari statistik
spasial adalah perhatiannya pada fenomena yang lokasi bersifat spasial adalah
kepentingan intrinsik atau berkontribusi langsung ke model stokastik untuk
fenomena yang dimaksud.
Lebih lanjut dalam dalam statistik spasial terdapat beberapa cara yang dapat
dilakukan untuk menganalisis suatu peristwa atau kejadian menggunakan data
spasial, satu diantaranya adalah Ripley’s K Function. Ripley’s K Function awal mula
dikembangkan pada tahun 1977 oleh Brian D. Ripley. Saat ini,Ripley’s K Function
dianggap sebagai sebuah standar dalam analisis spasial data titik. Alat paling umum
digunakan untuk mengkarakterisasi struktur spasial sekumpulan titik adalah statistik
Ripley serta telah banyak digunakan dalam ekologi dan bidang ilmiah lainnya dan
juga dirujuk dalam buku pegangan (Marcon et al., 2013). Penggunaan Ripley’s K
Function saat ini telah digunakan pada berbagai bidang ilmu penelitian diantaranya
seperti epidemologi, geografi, lingkungan, dan ekonomi. Menurut Dixon (2002)
Ripley’s K Function (t) adalah alat untuk menganalisis data proses titik spasial yang
sepenuhnya dipetakan. Proses titik spasial data berasal dari lokasi kejadian. Data
biasanya direkam dalam 2 dimensi, tetapi data dapat juga dalam bentuk garis atau
 2

poligon. Hasil dari analisis Ripley’s K Function adalah melihat pola penyebaran titik
apakah berkelompok (claster) atau tersebar (dispersed). Kemudian menurut Byrd
(2016) Ripley’s K Function biasanya digunakan untuk secara kuantitatif menilai
pengelompokan spasial kebeberapa skala. Fungsi ini membandingkan jumlah
tetangga yang diharapkan untuk masing-masing fitur (x) terhadap jumlah tetangga
aktual dalam jarak yang ditentukan (r) dari x.
Cuzick & Edward (dalam Marcon & Puech, 2009) telah memperkenalkan cara
formal pertama untuk berurusan dengan non-homogen proses titik. Mereka
menggunakan kumpulan data (diterbitkan dengan kertas) tentang lokasi 62 kasus
leukemia masa kanak-kanak antara tahun 1974 dan 1986 di daerah Humberside
Utara, Inggris. Satu kumpulan kontrol dari 141 anak yang mewakili seluruh populasi
terkait dipilih dari daftar kelahiran. Mereka dapat menyimpulkan bahwa kasus-kasus
tersebut secara signifikan berumpun (claster).

Gambar 1. Peta Leukimia Anak Dengan Pola Titik Claster

Sumber : Cuzick & Edwards ( dalam Marcon & Puech, 2009)

 3

Gambar 2. Posisi 99 Genotipe Dewasa (Lingkaran Lebih Besar) dan 100 Anakan.
Ketinggian Ditunjukkan Dalam Meter. (Pola Tersebar /Dispersed)

Sumber : (Schroeder, Tran, & Dick, 2014).

Gambar 3. Pola Hubungan Distribusi Titik Tipikal dan Kurva Fungsi K

3.a 3.b

Sumber : (Ren & Li, 2018)

Pada gambar 3.a menunjukkan pola titik-titik dan kurva yang didistribusikan
secara acak, sedangkan pada gambar 3.b cenderung menunjukan pola titik-titik dan
 4

kurva yang didistribusikan secara berlompok. Bentuk paling sederhana dari data
spasial adalah pola titik spasial, meskipun pendekatan mereka analisis tidak lebih
sederhana daripada halnya dengan data yang memiliki atribut (Lloyd, 2010).
Law & Collins (2018) menyatakan sistem informasi geografis (SIG)
memungkinkan anda untuk belajar dan menjelajahi segala sesuatu tentang suatu
tempat. Dengan SIG, anda dapat mengidentifikasi dan menganalisis tanah fitur,
iklim, batas, populasi, sumber daya, dan banyak hal lainnya tentang tempat-tempat
yang menarik bagi anda. Di masa lalu, Anda perlu menggunakan peta kertas, bola
dunia, dan berbagai sumber data hard copy untuk melakukan analisis ini. Sekarang,
SIG membuat peta, bola dunia, data, dan alat analisis tersedia komputer Anda,
memungkinkan Anda untuk melakukan analisis canggih, memetakan Anda hasil, dan
simpan serta bagikan informasi Anda secara digital.Sesuai dengan perkembangan
ilmu pengetahuan yang semakin maju, sehingga proses pengolahan data untuk
analisis spasial dapat menggunakan SIG.
Widayani & Kusuma (2014) mengatakan Geographic Information System
(GIS) atau Sistem Informasi Geografis (SIG) diartikan sebagai sistem informasi yang
digunakan untuk memasukkan, menyimpan, memanggil kembali, mengolah,
menganalisis dan menghasilkan data bereferensi geografis atau data geospatial, untuk
mendukung pengambilan keputusan dalam perencanaan dan pengelolaan penggunaan
lahan, sumber daya alam, lingkungan transportasi, fasilitas kota, dan pelayanan
umum lainnya. Sedangkan Price (2016) menyatakan GIS adalah seperangkat alat
komputer yang memungkinkan orang untuk bekerja dengan data yang terikat pada
lokasi tertentu di bumi. Walapun kebanyakan orang menganggap bahwa GIS hanya
sebatas sebagai sistem pemetaan komputer, namun pada kenyataannya GIS memiliki
fungsi yang lebih luas dan lebih canggih. Sistem GIS adalah database yang dirancang
untuk bekerja dengannya data peta atau disebut juga data spasial.
 5

Gambar 4. Alur Kerja Sistem Informasi Geografi

Sumber : (Câmara, et all.)

 6

2. ANALISIS RIPLEY’S K FUNCTION

2.1 Konsep Dasar Ripley’s K Function

Untuk memudahkan pemahaman tentang Ripley’s K Function, Smith (2014))
memberikan contoh yang melibatkan sekelompok serigala. Sebuah peta ditunjukkan
pada Gambar 5.a di bawah ini yang mewakili lokasi relatif sekelompok serigala
dalam pada sebagian Wilayah Arktik Tengah pada tahun 1998. Kemudian pada
Gaambar 5.b merupakan bagian peta yang diperbesar dengan menggambarkan
serigala individu dalam empat kelompok.

Gambar 5. Peta Sekelompok Serigala di Central Arctic Region pada Tahun 1998.

5.a 5.b

Sumber : (Smith, 2014).

Dari Gambar 5 tersebut dapat dijelaskan bahwa tingkat individual serigala pada
Gambar 5.b, ada pola terisolasi berrumpun,sehingga dapat dikatakan, pola ini akan
memenuhi syarat sebagai sangat terkelompok. Tetapi jika kita mempertimbangkan
dan memperhatikan peta yang lebih besar pada Gambar 5.a, gambar yang berbeda
muncul. Di sini, fitur yang dominan adalah dispersi yang luar biasa dari kelompok
serigala. Setiap kelompok membentuk wilayah perburuan yang luas cukup untuk
bertahan hidup (berdiameter sekitar 15 hingga 20 km), dan secara aktif mencegah
kelompok serigala lain menyerang wilayahnya. Sehingga pola lokasi serigala ini
sangat berkerumun di skala kecil, namun sangat tersebar pada skala besar.
 7

2.2 Analisis Pola Ripley’s K Function di ArcGis

Analisis Multi-Distance Spatial Cluster, berdasarkan pada Ripley's K-
Function, adalah cara lain untuk menganalisis pola spasial data titik kejadian. Fitur
yang membedakan metode ini dari yang lain dalam perangkat ini (Autokorelasi
Spasial, Analisis Hot Spot) adalah bahwa fitur merangkum ketergantungan spasial
(pengelompokan fitur atau dispersi fitur) pada berbagai jarak. Dalam banyak studi
analisis pola fitur, pemilihan skala analisis yang sesuai diperlukan. Misalnya,
ambang batas jarak atau pita jarak sering diperlukan untuk analisis. Ketika
menjelajahi pola spasial pada berbagai jarak dan skala spasial, pola berubah,
seringkali mencerminkan dominasi proses spasial tertentu yang sedang terjadi.
Ripley's K-Function menggambarkan bagaimana pengelompokan spasial atau
dispersi fitur centroid berubah ketika ukuran lingkungan berubah. Saat menggunakan
alat ini, tentukan jumlah jarak untuk mengevaluasi dan, secara opsional, jarak awal
dan / atau kenaikan jarak. Dengan informasi ini, alat menghitung jumlah rata-rata
fitur tetangga yang terkait dengan setiap fitur; fitur tetangga adalah yang lebih dekat
daripada jarak yang dievaluasi. Dengan meningkatnya jarak evaluasi, setiap fitur
biasanya akan memiliki lebih banyak tetangga. Jika jumlah rata-rata tetangga untuk
jarak evaluasi tertentu lebih tinggi / lebih besar dari konsentrasi rata-rata fitur di
seluruh wilayah studi, gangguan dianggap dianggap berkerumun pada jarak itu.
Gunakan alat ini ketika Anda tertarik untuk memeriksa bagaimana pengelompokan /
dispersi fitur Anda berubah pada jarak yang berbeda atau skala analisis yang berbeda
(ESRI, 2007)). Formula perhitungan yang digunakan dalam dalam fitur di ArcGis
menerapkan transformasi umum dari K-Function, adalah :

∑ ∑
( ) √ (1)
( )

Sumber : (ESRI, 2007)

Penjelasan rumus (1) d adalah jarak, n sama dengan jumlah total fitur, A
mewakili total area fitur dan k i j adalah bobot. jika tidak ada koreksi tepi, maka
beratn ya akan sama dengan satu ketika jarak antara i dan j kurang dari d, dan akan
sama dengan nol jika tidak ada koreksi tepi. Menggunakan metode koreksi tepi yang
diberikan akan mengubah k i j sedikit.
 8

2.3 Cara Menafsirkan Hasil Ripley’s K Function

Hasil analisis Ripley’s K Function dapat dilihat pada Gambar 6 berikut ini.
Gambar 6. Contoh Grafik Hasil Analisis Ripley’s K Function
.

Sumber : Esri (dalam Byrd, 2016)

Ketika nilai K yang diamati lebih besar dari nilai K yang diharapkan untuk
jarak tertentu, distribusi lebih berkerumun daripada distribusi acak pada jarak itu
(skala analisis). Ketika nilai K yang diamati lebih kecil dari nilai K yang diharapkan,
distribusi lebih tersebar daripada distribusi acak pada jarak itu. Ketika nilai K yang
diamati lebih besar dari nilai HiConfEnv, pengelompokan spasial untuk jarak itu
secara statistik signifikan. Ketika nilai K yang diamati lebih kecil dari nilai
LwConfEnv, pola menyebar untuk jarak itu secara statistik signifikan.
Ketika tidak ada field bobot yang ditentukan, maka amplop kepercayaan
dibangun dengan mendistribusikan poin secara acak di area studi dan menghitung k
untuk distribusi tersebut. Setiap distribusi acak dari titik-titik ini disebut "permutasi".
Jika 99_PERMUTATIONS dipilih, misalnya, alat ini akan secara acak
mendistribusikan set poin 99 kali untuk setiap iterasi. Setelah mendistribusikan poin
99 kali, alat memilih, untuk setiap jarak, nilai k yang menyimpang di atas dan di
bawah nilai k yang diharapkan dengan jumlah terbesar; nilai-nilai ini menjadi
interval kepercayaan. Amplop kepercayaan cenderung mengikuti (memiliki bentuk
dan lokasi yang sama) dengan garis K biru yang diharapkan untuk K tidak berbobot.
 9

3. SIMULASI RIPLEY’S K FUNCTION

Pada bagian ini akan dilakukan simulasi analisis Ripley’s K Function

menggunakan software ArcGis 10.1. Simulasi dilakukan untuk mengetahui pola
penyebaran pohon di wilayah Kampus Universitas Hasanuddin. Proses pengumpulan
data menggunakan metode survey yaitu dengan mengambil nilai koordinat pohon
menggunakan alat reciver Global Positioning System (GPS). Nilai koordinat tersebut
terdapat pada Tabel 1 berikut :
Tabel 1. Daftar Nilai Koordinat Per Jenis Pohon
Koordinat UTM Zona 50 S Koordinat UTM Zona 50 S
No Jenis Pohon No Jenis Pohon
X Y X Y

1 Angsana 775.748,22 9.432.654,04 26 Mahoni 775.479,94 9.432.667,53

2 Angsana 775.776,01 9.432.646,10 27 Mahoni 775.529,94 9.432.652,45
3 Angsana 775.842,68 9.432.522,27 28 Mahoni 775.755,37 9.432.673,88
4 Angsana 775.889,51 9.432.407,97 29 Mahoni 775.808,55 9.432.602,44
5 Angsana 775.661,71 9.432.406,70 30 Mahoni 775.786,32 9.432.599,27
6 Angsana 775.758,54 9.432.429,72 31 Mahoni 775.856,17 9.432.387,33
7 Angsana 775.597,41 9.432.460,68 32 Mahoni 775.870,46 9.432.436,55
8 Angsana 775.462,47 9.432.517,03 33 Mahoni 775.697,42 9.432.401,94
9 Angsana 775.472,79 9.432.367,81 34 Mahoni 775.468,03 9.432.595,61
10 Angsana 775.563,28 9.432.317,01 35 Mahoni 775.723,62 9.432.349,55
11 Angsana 775.838,71 9.432.217,00 36 Mahoni 775.911,74 9.432.281,29
12 Angsana 775.676,79 9.432.227,31 37 Mahoni 775.872,05 9.432.283,67
13 Angsana 775.681,55 9.432.267,80 38 Mahoni 775.683,14 9.432.291,61
14 Angsana 775.504,54 9.432.491,63 39 Mahoni 775.667,26 9.432.345,58
15 Angsana 775.547,41 9.432.436,07 40 Mahoni 775.525,97 9.432.459,09
16 Angsana 775.565,81 9.432.481,46 41 Sengon 775.641,07 9.432.678,64
17 Angsana 775.511,57 9.432.614,24 42 Sengon 775.634,72 9.432.639,75
18 Jati 775.460,89 9.432.652,45 43 Sengon 775.730,76 9.432.666,74
19 Jati 775.602,97 9.432.673,09 44 Sengon 775.786,32 9.432.567,52
20 Jati 775.601,38 9.432.598,47 45 Sengon 775.853,00 9.432.414,32
21 Jati 775.757,75 9.432.627,05 46 Sengon 775.882,37 9.432.479,41
22 Jati 775.896,66 9.432.438,13 47 Sengon 775.459,30 9.432.325,74
23 Jati 775.699,01 9.432.437,66 48 Sengon 775.585,51 9.432.413,85
24 Jati 775.614,08 9.432.485,28 49 Sengon 775.705,30 9.432.592,18
25 Jati 775.522,01 9.432.381,30 50 Sengon 775.709,26 9.432.552,49
Sumber : Data Simulasi

Jumlah pohon yang akan dianalisis polanya berjumlah 50 dengan luas areal
pengamatan 24,80 ha. Keseluruhan data tersebut harus telah dibuat dalam format
shapefile (shp). Tahapan selanjutnya nilai koordinat tersebut kemudian dipetakan
menggunakan ArcGis dengan hasil sebagaimana pada Gambar 7 berikut.
 10

Gambar 7. Peta Penyebaran Pohon

Kemudian dengan menggunakan tools spatial statistik yang terdapat pada

ArcGis dilakukan proses analisis dengan tahapan sebagai berikut :
1. Buka ArcMap kemudian pilih ArcToolbox setelah itu pilih Spatial Statistic
Tools lalu pilih Analyzing Patterns, kemudian pilih Multi-Distance Spatial
Cluster Analysis (Ripleys K Function).
2. Setelah Multi-Distance Spatial Cluster Analysis (Ripleys K Function) terbuka
maka akan muncul kolom-kolom yang harus diisi.
3. Dalam simulasi ini kolom pertama yaitu input feature class adalah data shp
pohon, kemudian kolom Output Table pilih tempat penyimpanan table hasil
proses pengolahan data.
4. Dalam pengaturan lainnya [ada simulasi ini adalah pada kolom Number of
Distance Bands dipilih 10, lalu kolom Compute Confidence Envelope dipilih
99 Permuttaions, kolom Weight Field dikosongkan, Beginning Distance diisi
20, kolom Distance Increment diisi 20. Selanjutnya kolom Boundary
Correction Method dikosongkan, lalu kolom Study Area Method dipilih
USER PROVIDED STUDY AREA FEATURE CLASS. Kolom terakhir harus
adalah Study Area Feature Class yang kita isi dengan shp plot atau areal
pengamatan dari titik-titik pohon.
 11

Gambar 8. Proses Analisis Ripley’s K Function di ArcMap

Hasil proses pengolahan data melalui tools Multi-Distance Spatial Cluster

Analysis (Ripleys K Function) kemudian berbentuk grafik dan tabel sebagaimana
Gambar 9 dan Tabel 2.

Gambar 9. Grafik Hasil Analisis Ripley’s K Function

 12

Tabel 2. Hasil Analisis Ripley’s K Function

Objectid ExpectedK ObservedK DiffK LwConfEnv HiConfEnv

1 20 0,0000 -20,0000 11,3541 31,0945
2 40 43,2351 3,2351 27,8118 52,0310
3 60 62,7051 2,7051 46,8142 66,2052
4 80 79,8832 -0,1168 66,2052 83,0481
5 100 94,3142 -5,6858 81,4810 102,1869
6 120 110,0821 -9,9179 96,0076 117,1730
7 140 121,4942 -18,5058 112,6862 136,4856
8 160 138,8268 -21,1732 125,9231 152,5427
9 180 152,3313 -27,6687 136,0125 170,8783
10 200 168,4085 -31,5915 148,2569 186,0480

Berdasarkan grafik dan data tabel 2 tersebut dapat intrepetasikan bahwa pada
jarak 0-39 m pola pohon lebih bersifat tersebar (dispersed), namun pada jarak 0-30
bersifat signifikan. Kemudian pada jarak 40-79 m pola pohon lebih bersifat
berkelompok (clustered) serta secara statistik tidak signifikan. Lebih lanjut pada
jarak 80-200 m pola pohon lebih bersifat tersebar (dispersed) namun secara statistik
tidak signifikan. Melihat hasil tersebut dapat disimpulkan bahwa terdapat perbedaan
pola distribusi yang berbeda pada skala jarak-jarak tertentu. Hasil akan dapat berbeda
pula apabila parameter yang digunakan dalam melakukan analisis juga berbeda.

4 JURNAL/PENELITIAN ANALISIS RIPLEY’S K FUNCTION
Nama Peneliti
No. Judul Penelitian Tujuan
/ Tahun
1. (Jafari- Spatial point pattern Tujuan dari makalah ini adalah
Mamaghani, analysis of neurons untuk menerapkan alat statistik
Andersson, & using Ripley’s K- non-parametrik, fungsi Ripley,
Krieger, 2010) function in 3D untuk menganalisis distribusi 3
dimensi neuron piramidal.
Fungsi-K Ripley adalah alat
yang banyak digunakan dalam
analisis pola titik spasial. Ada
beberapa pendekatan dalam
domain 2D di mana fungsi ini
dieksekusi dan dianalisis.
Menarik kesimpulan yang
konsisten tentang distribusi pola
titik 3D yang mendasari dalam
berbagai aplikasi sangat penting
karena akuisisi data biologis 3D
kini menjadi tantangan yang
lebih kecil karena kemajuan
teknologi. Sampai sekarang,
sebagian besar aplikasi fungsi-K
Ripley di domain 3D tidak
fokus pada fenomena koreksi
tepi, yang dibahas secara
Metode Analisis
Alat analisis penyaringan yang dijelaskan
digunakan untuk menyelidiki distribusi 3D
dari dua berbeda. jenis lapisan 5 neuron
piramidal. Jenis sel ini dan perolehan data
sebelumnya telah dijelaskan dalam Groh et
al. (2010). Secara singkat, distribusi
lapisan 5 (L5) dan neuron piramidal
ekspresif (etv-piramida) dan L5 glt-
expressing neuron piramidal (glt-piramida)
ditentukan oleh penghitungan sel secara
manual dari semua sel berlabel EGFP di
area tertentu dari lapisan 5 di mouse
korteks barel somatosensorik dalam irisan
tebal 50 hingga 100 µm
13
Hasil
Kesimpulan Analisis secara umum mengungkapkan
distribusi pola titik agregat dari sampel etv dan glt-
piramida. Agregasi ini signifikan untuk nilai yang lebih
besar dari 47 μm antara etv-piramida dan nilai lebih dari
38 µm di antara glt-piramida. Namun, kecenderungan
piramida glt yang lebih kuat untuk menunjukkan perilaku
teragregasi adalah tidak signifikan. Kami menyajikan
kerangka kerja di mana fungsi-K Ripley dan istilah
koreksi tepi yang sesuai dapat digunakan untuk
menganalisis distribusi spasial peristiwa (seperti neuron)
dalam ruang 3D. Kami mencontohkan penggunaan
metode ini dengan menganalisis distribusi sel piramidal
lapisan 5 berlabel genetik dalam korteks barel
somatosensori tikus. Asumsi stasioneritas setelah
menyesuaikan dan membagi sampel awal menjadi yang
lebih kecil ternyata sangat solid. Ini, seperti ditekankan
sebelumnya, adalah batu penjuru yang sangat penting
dari desain teoritis kami ketika kami ingin menggunakan
intensitas konstan dalam estimasi fungsi-K. Asumsi
isotropi, bagaimanapun, diyakini dipenuhi dalam
pengaturan standar sampel. Menggunakan K fungsi
dalam bentuk global menyiratkan membangun istilah
koreksi tepi yang solid untuk menghindari meremehkan
 14

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
menyeluruh dalam makalah ini. jumlah peristiwa dalam pola titik yang mendasarinya
Tujuan utamanya adalah untuk
memperluas pemanfaatan
teoritis dan praktis fungsi-K
Ripley dan pengujian terkait
berdasarkan bootstrap
resampling dari domain 2D ke
3D
2. (Kiskowski, On the Use of Ripley’s Tujuan dari makalah ini adalah Metodenya dengan memodelkan domain Kesimpulan kami menggambarkan kegunaan
Hancock, & K-Function and Its menguji kemampuan berbentuk cakram ideal . Dengan pemeriksaan kasus penyederhanaan dan melakukan
Kenworthy, Derivatives to pengukuran menganggap distribusi domain ideal dari analisis kebisingan sistematis untuk melihat batas yang
2009) AnalyzeDomain Size untuk secara akurat melaporkan radius R dipisahkan jarak, dimana Jarak mendasari alat analitis seperti Ripley's K. Memprediksi
radius domain dalam kondisi antara pusat domain yang berdekatan. atau mengeksplorasi hasil teoretis di hadapan kebisingan
ideal. Domain digambar pada kisi persegi di dipersulit oleh fakta bahwa sumber kebisingan sangat
Kami menemukan bahwa untuk mana setiap kisi sesuai dengan area 1 nm tergantung pada kasus. ; setiap skenario lingkungan akan
domain yang dipisahkan dengan 1 nm. Dalam setiap Monte Carlo realisasi memiliki kombinasi efek noise yang unik. Pekerjaan
baik dari radius R, the pola titik, node kisi secara acak ditugaskan sebelumnya telah mengambil keuntungan dari simulasi
radius agregasi maksimal 'probe' pada kepadatan 0,05 probe nm2, yang meniru data eksperimen aktual (17). Di sini, Monte
bervariasi antara R dan 2R. menghasilkan pekerjaan 5% dari node kisi Carlo models memungkinkan kami untuk dan mematikan
Kami menunjukkan radius dengan domain. Ketika ditunjukkan, node sumber kebisingan. Oleh karena itu kami mengusulkan
domain mungkin lebih tepat di luar domain dihuni pada kepadatan 1 x untuk melakukan simulasi Monte Carlo untuk setiap
diidentifikasi 10-3 probes nm2 untuk mensimulasikan percobaan eksperimentasi yang sedang dipelajari untuk
dengan menemukan batas fraksi monomer. Gambar 1B menunjukkan mengevaluasi kinerja statistik yang digunakan dalam
domain tempat kerapatan titik snapshot acak dari sebuah kisi dengan konteks itu.
tetes. Kesimpulan teoritis ini domain probe diisi pada kepadatan 0,05
memberikan pemahaman yang nm2 dan probe domain tidak diisi pada
berguna tentang keterbatasan kepadatan 1 x 10-3 probes nm2. Kami
dan potensi Ripley's K hanya mempertimbangkan nilai S lebih
 15

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
dalam skenario kasus terbaik. besar atau sama dengan 4R Jadi domain
Berisi data eksperimental dan yang berdekatan dipisahkan oleh
digunakan simulasi Monte Carlo setidaknya satu diameter domain.
untuk memisahkan efek dari
berbagai jenis eksperimen
kebisingan.
3. (De Oliveira Classification of Breast Makalah ini bertujuan sebagai Fitur dari masing-masing gambar nodul Hasil terbaik yang dicapai adalah akurasi 94,94%,
Martins, Junior, Masses in cara baru dalam menerapkan diperoleh melalui penghitungan fungsi. sensitivitas 92,86% dan spesifisitas 93,33%
Da Silva, Silva, Mammogram Images fungsi K Ripley untuk Kemudian, sampel yang didapat
& De Paiva, Using Ripley’s K mengklasifikasikan massa diklasifikasikan melalui Mesin Vector
2007) Function and Support payudara dari gambar Support (SVM) sebagai massa jinak atau
Vector Machine mammogram massa ganas. SVM adalah metode
pembelajaran mesin, berdasarkan prinsip
minimalisasi risiko struktural, yang
berkinerja baik ketika diterapkan pada data
di luar rangkaian pelatihan.
4. (Zhang, Xiao, Spatial Point Pattern Makalah ini bertujuan untuk Metodologinya adalah pendekatan Sistem Hasil menunjukkan bahwa pemukiman manusia
Shortridge, & Analysis of Human memahami pola titik spasial Informasi Geografis (SIG), fungsi Ripley's menampilkan pola cluster biasa-kecil dari skala kecil ke
Wu, 2014) Settlements and permukiman manusia dan K dan simulasi Monte Carlo digunakan besar. Sebagian besar pemukiman yang terletak di
Geographical asosiasi geografisnya penting untuk menyelidiki pola titik pemukiman dataran pantai menunjukkan pola biasa atau acak,
Associations in Eastern untuk memahami pendorong manusia. Alat penginderaan jauh dan sementara yang di daerah perbukitan menunjukkan pola
Coastal China — A penggunaan lahan dan model regresi digunakan untuk berkelompok. Selain itu, pemukiman berkerumun lebih
Case Study perubahan tutupan lahan serta mengidentifikasi efek dari penentu disukai terletak di ketinggian yang lebih tinggi dengan
hubungan antara proses geografis pada lokasi pemukiman di kemiringan yang lebih curam dan aspek yang menghadap
lingkungan dan ekologis di satu wilayah Wen-Tai di pesisir timur ke selatan daripada pemukiman acak atau reguler.
sisi dan budaya serta gaya hidup Tiongkok Regresi menunjukkan bahwa pengaruh faktor topografi
di sisi lain. Makalah ini (ketinggian, kemiringan dan aspek) pada lokasi
membahas bagaimana implikasi pemukiman lebih kuat di wilayah perbukitan. Studi ini
 16

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
Ripley’s K function dan metode menunjukkan pendekatan baru untuk menganalisis pola
simulasi Monte Carlo dalam spasial permukiman manusia dari prospektif geografis
menganalisis pola titik yang luas. Kami berpendapat bahwa pola titik spasial
permukiman di peisisir timur pemukiman, di samping karakteristik pemukiman
Tiongkok, tepatnya di Region manusia, seperti luas, kepadatan dan bentuk, harus
Wen-Tai, Provinsi Zhejiang, dipertimbangkan di masa depan, dan perencana tanah
Tiongkok dan pengambil keputusan harus lebih memperhatikan
perencanaan dan pengelolaan kota. Jembatan konseptual
dan metodologis yang menghubungkan pola pemukiman
dengan karakteristik geografis regional dan spesifik
lokasi akan menjadi kunci untuk studi pemukiman
manusia dan perencanaan

5. (Giuliani, Weighting Ripley’s K- Makalah ini bertujuan untuk
Arbia, & Espa, function to account for mengatasi masalah fenomena
2014) the firm dimension in pengelompokan perusahaan dan
the analysis of spatial pengelompokan kegiatan
concentration ekonomi dengan mengadaptasi
K function populer (Ripley,
1977) untuk menjelaskan
dimensi titik menggunakan
kerangka titik yang ditandai.
teori proses (Penttinen, 2006).
Metodologinya dengan model stokastik Hasil penelitian ini membuktikan bahwa alat ini
yang diperkenalkan di sini kami mewakili sarana yang tepat untuk mendeteksi
memperoleh tanda yang sesuai. keberadaan konsentrasi absolut dari perusahaan-
tertimbang fungsi-K dan, dengan perusahaan dengan mempertimbangkan dimensi mereka.
memanfaatkan beberapa pola yang
disimulasikan, kami menyajikan bukti
bahwa alat ini mewakili sarana yang tepat
untuk mendeteksi keberadaan konsentrasi
absolut dari perusahaan-perusahaan
dengan mempertimbangkan dimensi
mereka.

6. (Veen & Assessing Spatial Point Makalah ini bertujuan Data tentang gempa bumi California Hasil Penelitian menunjukkan bahwa perkiraan tingkat
Schoenberg, Process Models Using menyajikan aplikasi Selatan dikompilasi oleh Pusat Gempa latar belakang spasial yang menggabungkan kedua
2006) Weighted K-functions: penggunaan fungsi-K Bumi California Selatan (SCEC). Data kemungkinan ini dapat memberikan peningkatan
 17

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
Analysis of California tertimbang untuk menilai good- tersebut mencakup waktu kemunculan, kesesuaian dengan model yang ada untuk bahaya
Earthquakes of-fit dari kelas model proses besaran, lokasi, dan sering kali bentuk seismik.
titik untuk distribusi spasial gelombang dan solusi momen momen, Modifikasi seperti itu mungkin sangat relevan mengingat
gempa bumi di California berdasarkan rekaman pada serangkaian kejadian di California dari kesalahan buta (yaitu
Selatan ratusan stasiun seismografik yang sebelumnya tidak diketahui) seperti yang pecah selama
berlokasi di seluruh California Selatan, gempa North-ridge pada tahun 1994, menyebabkan
termasuk lebih dari 50 stasiun di Los setidaknya 33 kematian dan 138 luka-luka serta
Angeles County saja. Katalog ini dikelola kerusakan properti.
oleh Southern California Seismic Network
(SCSN), sebuah proyek kerja sama dari
California Institute of Technology dan
United States Geological Survey. Data
tersedia untuk umum; informasi disediakan
di http://www.data.scec.org. Kami fokus di
sini pada lokasi spasial dari himpunan
bagian dari data SCEC-
cincin antara 01/01/1984 dan 06/17/2004
di daerah persegi panjang di sekitar Los
Angeles, California, antara garis bujur
−122◦ dan −114◦ dan garis lintang 32◦ dan
37◦ (sekitar 733 km × 556 km). Set data
terdiri dari gempa bumi dengan kekuatan
tidak lebih kecil dari 3.0, di mana 6.796
terjadi dalam periode 21.5 tahun yang
diberikan.
7. (French et al., K-function Analysis: Makalah ini bertujuan untuk Metodologinya adalah dengan Studi-studi ini menunjukkan bahwa uji Monte Carlo
2006) Recent Developments memeriksa sejauh mana analisis Mengkaji efek kurang pelaporan pada untuk pengelompokan ruang-waktu kuat untuk sebagian
and Novel Applications menggunakan ruang-waktu K- fungsi-ruang-waktu K: Kumpulan data besar jenis penipisan, baik acak maupun non-acak
 18

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
fungsi yang kuat untuk disimulasikan di wilayah satuan-satuan (misalnya tergantung posisi), tetapi diagnostik yang
`penipisan 'poin acak atau non- dan satuan-interval-waktu pertama di digunakan untuk menggambarkan sifat dan skala
acak. Situasi ini akan muncul bawah hipotesis nol dari tidak ada interaksi pengelompokan dapat dibuat bias oleh proses-proses ini.
jika ada pelaporan penyakit ruang-waktu, dan kedua dengan interaksi Kami juga melaporkan aplikasi baru dari fungsi K yang
yang kurang baik secara acak, ruang-waktu menyajikan. Data kemudian tidak homogen untuk mendeteksi perbedaan dalam pola
atau variabel sesuai dengan diencerkan menggunakan sejumlah lesi otak yang dihasilkan oleh ensefalopati spongiformis
lokasi geografis; misalnya yang mekanisme penipisan tergantung lokasi. menular (TSEs): keduanya bovine spongiform
terakhir dapat terjadi jika Ini sepenuhnya acak (A), tergantung posisi encephalopathy (BSE) dan berbagai jenis scrapie. Ketika
tingkat pelaporan penyakit yang tetapi netral sementara (B dan C) dan dikombinasikan dengan model intensitas dan ukuran
dapat diberitahukan bervariasi tergantung posisi dan waktu (D) vakuolaasi, metode ini dapat digunakan sebagai alternatif
berdasarkan pusat diagnostik untuk metode yang lebih subyektif berdasarkan profil
lesi, dan berkontribusi untuk pemahaman kita tentang
epidemiologi molekuler TSE pada sapi dan domba
8. (Kosarevych & Application of the Makalah ini bertujuan untuk Metodenya adalah dengan Terlihat bahwa segmentasi gambar dimungkinkan
Rusyn, 2012) Ripley’s K-function menampilkan metode mempertimbangkan pola titik sebagai dengan penerapan fungsi-Ripley yang mencerminkan
For Image segmentasi gambar dengan himpunan lokasi (s1, s2, dll.) Di wilayah R pengelompokan atau tolakan untuk titik-titik pola yang
Segmentation penerapan karakteristik pola yang ditentukan, di mana titik telah diperoleh dengan fragmentasi gambar dan penentuan
titik diamati. Model teoretis yang paling intensitas dominan.
sederhana untuk pola titik spasial adalah
pola keacakan spasial yang lengkap, di
mana peristiwa-peristiwa didistribusikan
secara independen sesuai dengan distribusi
probabilitas yang seragam di seluruh
wilayah R. Untuk setiap pola titik muncul
satu pertanyaan penting: apakah titik yang
diamati menampilkan spasial sistematis
apa pun pola atau penyimpangan dari
keacakan ke arah pengelompokan atau
 19

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
keteraturan.
9. (Haase, 1995) Spatial pattern analysis Makalah ini menjelaskan Metodologinya dengan Akuisisi data Hasil analisis pola spasial plot yang disimulasikan oleh
in ecology based on analisis pola spa univariat lapangan. Plot sampel biasanya persegi lima metode berbeda koreksi tepi yang dibahas di atas
Ripley’s K-function: (spesies tunggal) berdasarkan panjang, karena mereka lebih mudah pada dasarnya menunjukkan bentuk yang sama untuk
Introduction and fungsi K Ripley, berfokus pada ditandai dan dicatat di lapangan daripada kurva statistik sampel turunan √ [K (t) / π] - t (Gbr. 6).
methods of edge tes untuk keacakan spasial, dan plot melingkar, tetapi analisis pola titik Semua plot menunjukkan pola distribusi yang mendekati
correction memberikan informasi rinci spasial dapat diterapkan pada salah satu keacakan spasial lengkap, kecuali untuk nilai t = 1, yang
tentang latar belakang statistik. bentuk. Ukuran plot tergantung pada tepat di luar amplop kepercayaan diri (Gbr. 6).
Metode untuk koreksi tepi kepadatan spesies yang diselidiki; sering Penyimpangan yang signifikan ini dari keacakan diambil
dievaluasi dalam tes komparatif, hanya spesimen di atas kelas ukuran oleh semua lima metode. Metode mempertimbangkan
menggunakan sebagai contoh tertentu yang dipertimbangkan. zona penyangga memberikan hasil yang hampir sama
pola acak yang dihasilkan dengan Getis & Franklin, dan Haase
komputer dan pola distribusi
nyata semak belukar
Mediterania
10. (Amgad, Itoh, Extending Ripley’s K- Penelitian ini bertujuan Metodologinya menggunakan simulasi Hasilnya menunjukkan bahwa fungsi-K Ripley adalah
& Tsui, 2015) Function to Quantify menjelaskan ekstensi fungsi-K distribusi Poisson homogen peristiwa, ukuran statistik abstrak yang valid yang utilitasnya
Aggregation in 2-D Ripley untuk memungkinkan serta simulasi pengelompokan peristiwa melampaui kuantifikasi pengelompokan peristiwa yang
Grayscale Images terjadinya tumpang tindih event dalam kondisi yang berbeda, kami tidak tumpang tindih. Manfaat potensial dari pekerjaan
pada kepadatan event yang menyelidiki berbagai aspek fungsi, ini termasuk kuantifikasi protein dan agregasi kromatin
sangat tinggi. Kami termasuk bentuk-ketergantungan dan dalam gambar mikroskopis neon. Selain itu, fungsi ini
menunjukkan bahwa efek tepi korespondensi antara jari-jari cluster sejati berpotensi menjadi salah satu dari berbagai deskriptor
bermasalah memperkenalkan dan jari-jari di mana fungsi-K tekstur abstrak yang digunakan dalam diagnostik
bias yang signifikan terhadap dimaksimalkan. Selanjutnya, kami berbantuan komputer dalam patologi anatomi dan
fungsi pada kepadatan yang memvalidasi kegunaan fungsi dalam radiologi diagnostik.
sangat tinggi dan jari-jari kecil, mengukur clustering dalam gambar
dan mengusulkan metode grayscale 2-D menggunakan tiga
koreksi sederhana yang berhasil modalitas: (i) Simulasi clustering partikel;
 20

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
mengembalikan sentralisasi (ii) Eksperimental ekspresi protein larut
fungsi dan difus pada berbagai rasio; (iii)
Mengkuantifikasi pengelompokan
kromatin dalam inti sel tanaman mutan
Arabidoptis
11. (Albert & Distance-Based Penelitian ini bertujuan untuk Metodologinya adalah perpanjangan Hasilnya dapat disimpulkan bahwa penggunaan dan
Casanova, Methods: An menunjukkan fungsi non- langsung dari 'fungsi K Ripley yang interpretasi simultan dari kami berdua langkah-langkah,
2013) improvement of kumulatif untuk mengevaluasi dimodifikasi', diubah menjadi fungsi non- yaitu fungsi M di tingkat dan tingkat variasinya (fungsi
Ripley’s K function vs. konsentrasi spasial kegiatan kumulatif dan lebih mirip dengan fungsi marginal M), memenuhi semua properti yang dijelaskan
the K density function ekonomi. Fungsi ini, yang kita Duranton dan Kdensity Overman. Selain oleh Marcon dan Puech (2010). Karena itu,penggunaan
sebut fungsi marginal M, itu, memenuhi semua persyaratan yang bersama dari fungsi M dan fungsi marginal M
berasal dari tradisi statistik telah diakui oleh literatur tentang geografi menyediakan hal yang sama informasi seperti yang
spasial tetapi, pada saat yang ekonomi sebagai persyaratan yang harus diberikan oleh penggunaan komplementer dari fungsi
sama, menggabungkan beberapa dipenuhi oleh segala ukuran lokalisasi. kumulatif diperkenalkan oleh Marcon dan Puech (2010)
fitur utama dari pendekatan Fungsi marginal M ini cukup untuk dan fungsi K-density
geografi ekonomi untuk memberikan pandangan global tentang
mengukur kecenderungan struktur spasial kegiatan ekonomi, untuk
aktivitas ekonomi untuk berkelo menguji lokalisasi dan untuk memperoleh
mpok informasi yang jauh lebih terperinci
tentang struktur cluster pada jarak yang
cukup pendek. Akhirnya, dua metode
berbasis jarak diimplementasikan pada set
komprehensif data mikro-geografis dari
sektor manufaktur Spanyol untuk hasilnya.
12. (Kaur, Kaur, & Improving Cluster Tujuan penelitian ini adalah Metodologinya adalah dengan Hasilnya dapat disimpulkan bahwa k-mean tertimbang
Kamal, 2015) Quality by using untuk menganalisis komparatif menggunakan parameter Entropy, kombinasional dan k-fungsi Ripley menghasilkan nilai
Ripley’s K-Function dari algoritma clustering k-mean Accuracy, Precision, Recall, dan F- entropi yang berkurang untuk cluster log web. Akurasi
yang dikombinasikan dengan Measure. File log web mentah yang ditemukan meningkat. Masing-masing nilai Precision,
 21

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
fungsi-k Ripley dan algoritma digunakan dalam percobaan ini berukuran recall dan F-Measure telah diawasi dan ditetapkan lebih
clustering k-rata berbobot yang 1MB Berisi informasi seperti alamat IP, efisien sambil membandingkan dengan fungsi k-mean
dikombinasikan dengan fungsi- tanggal dan waktu permintaan, halaman dan k-Ripley. Pengujian telah dilakukan pada dataset file
k Ripley. Idenya adalah untuk yang diminta, pengarah, domain server, log yang berbeda dan hasilnya ditemukan konsisten.
menentukan algoritma respons server, ukuran, log agen. Sebelum Pekerjaan penelitian saat ini telah memperluas aspek
pengelompokan optimal dalam menggunakan data log web untuk proses masa depan untuk hal yang sama. Pekerjaan penelitian di
hal melakukan pengelompokan penambangan, perlu diolah terlebih dahulu masa depan mungkin dapat mencoba mengoptimalkan
file log web. Algoritma dan dikonversi ke dalam format yang dapat hasil saat ini menggunakan beberapa teknik cerdas
pengelompokan k-mean dimasukkan ke dalam algoritma clustering. segerombolan seperti PSO atau hierarki algoritma
berbobot mengubah data Interval waktu habis sesi 30 menit genetika
menjadi format bobot menengah dipertimbangkan untuk menghasilkan sesi
yang lebih kompatibel dengan akhir. Dengan menerapkan kedua
kluster data daripada membaca algoritma tersebut, kita dapat melihat
data menjadi string, tidak, dan bahwa cluster dengan kesamaan di antara
format lainnya. sesi telah diperoleh dan dapat digunakan
untuk prediksi halaman untuk pengguna
dengan minat yang sama. Lalu kami
menerapkan fungsi-k Ripley untuk
menyaring cluster asli. Kualitas cluster
yang diperoleh dievaluasi menggunakan
metrik evaluasi seperti Entropy dan
Accuracy bersama dengan ukuran kualitas
eksternal seperti Precision, Recall, dan F-
Measure.
13. (Deng et al., An optimized sampling Makalah ini bertujuan untuk Metode penelitian adalah dengan model Hasilnya dapat disimpulkan bahwa dengan
2011) model in the survey of mempelajari variabilitas pengambilan sampel acak stratifikasi mengoptimalkan model pengambilan sampel dan
groundwater resource kandungan nitrat air tanah membagi ansambel menjadi beberapa mempertimbangkan
nitrate content of rural Berdasarkan hasil survei lapisan (atau zona), dan pengambilan variasi keseluruhan, serta berdasarkan pada persyaratan
 22

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
areas in the Shandong kandungan nitrat sampel air sampel dilakukan akurasi survei, ukuran sampel survei yang diperlukan
province tanah di provinsi Shandong oleh dilakukan secara independen di setiap dihitung
Hui menggunakan model lapisan. Ketika properti statistik dalam dalam kondisi kesalahan relatif kurang dari 10% dan
pengambilan sampel yang suatu layer menunjukkan kesamaan, dan probabilitas kepercayaan 95%, diperlukan 482 sampel
dioptimalkan. Sementara itu, ia varians survei.
juga menghitung ukuran sampel dalam lapisan kecil dan varians antara Metode uji yang berbeda digunakan untuk menguji pola
yang dibutuhkan lapisan besar, pengambilan sampel acak spasial sampel. Tes distribusi spasial tingkat pertama
oleh survei berdasarkan presisi bertingkat dapat sangat meningkatkan pada
(kesalahan relatif) dan tingkat efisiensi pengambilan sampel, sbb : situs perumahan dilakukan dengan menggunakan metode
probabilitas penjaminan 1. Perhitungan ukuran sampel area NNI, untuk menganalisis hubungan spasial antara situs
penelitian tetangga terdekat.
2. Alokasi sampel Distribusi sampling dengan indikator NNI lebih besar
3. Alokasi sampel untuk setiap zona dari 1 dipilih, untuk lokasi pengambilan sampel yang
4. Alokasi sampel untuk setiap daerah sesuai dengan menghabiskan banyak waktu. Oleh karena
5. Spasialisasi sampel itu, perlu dilakukan penelitian lebih lanjut untuk
6. Uji distribusi spasial situs sampel meningkatkan efisiensi pengambilan sampel.
7. Tes distribusi spasial tingkat pertama
8. Uji distribusi spasial multi-tahap, fungsi
K Ripley

14. (Xu, Gu, Meng, Spatial pattern analysis Penelitian ini bertujuan untuk Metodologinya adalah dengan Hasilnya adalah tujuh indeks vegetasi yang berbeda
Cheng, & Liu, of Haloxylon mendapatkan gambar menggunakan Unmanned Aerial Vehicle digunakan dan dibandingkan dengan ekstrak
2019) ammodendron using penginderaan jauh presisi tinggi (UAV) ketinggian rendah posisi spasial vegetasi di daerah gurun menggunakan
UAV imagery - A case regional untuk Haloxylon teknologi penginderaan jauh, dengan UAV, yang
study in the ammodendron metodologi sebagai berikut : menyediakan pendekatan cepat dan ekonomis untuk
Gurbantunggut Desert ( H. ammodendron ) hutan di 1. Indeks vegetasi survei vegetasi gurun
Gurbantunggut Desert barat 2. Metode evaluasi dan pemantauan. Menerapkan tes peringkat yang
daya, dan mengekstraksi 3. Metode Analisis Pola Spasial ditandatangani Wilcoxon ke yang diekstraksi

Nama Peneliti
No. Judul Penelitian Tujuan
/ Tahun
informasi posisi spasial
untuk menganalisis pola spasial
menggunakan fungsi L
( r ) Ripley
15. (Chen & Ge, Spatial point pattern makalah ini bertujuan untuk
2015) analysis on the villages pertama-tama menganalisis
in China’s poverty- karakteristik variasi pola spasial
stricken areas desa dengan perubahan jarak
di setiap daerah yang dilanda
kemiskinan oleh fungsi K
Ripley dan memperkirakan pola
spasial desa di masing-masing
kabupaten dengan rata-rata
Rasio tetangga
terdekat. Kemudian hubungan
Metode Analisis
Metodologinya adalah :
1. Deskripsi area studi dan data
2. Fungsi K Ripley dan rasio
Tetangga Terdekat Rata-Rata.
adalah alat untuk menganalisis
pola spasial dari proses titik pada
banyak jarak timbangan. Ini telah
digunakan dalam berbagai
analisis pola spasial (Diggle,
1983; Liu et al.,
2007). Fungsi K umumnya
23
Hasil
pengukuran tanaman dari indeks vegetasi, kami
menemukan akurasi
indeks RGRI adalah yang tertinggi untuk area cakupan
vegetasi H.ammodendron , diikuti oleh indeks NGBDI,
dan akurasi penggunaan Indeks ExGR adalah yang
terendah. Selain itu, tidak ada perbedaan yang signifikan
meningkatkan ekstraksi lokasi spasial antara indeks
RGRI dan NGBDI, membandingkannya dengan
pengukuran tanah. Hasil spasial analisis pola titik adalah
keseluruhan acak, terdiri dari tren. Namun, hanya dalam
sampel 4, ada distribusi agregasi parsial di skala 0–5
m. Integrasi teknologi penginderaan jauh UAV dan
Fungsi L ( r ) Ripley dapat mewujudkan presisi tinggi
yang cepat dan akurat ekstraksi vegetasi di daerah gurun
untuk penentuan posisi spasial dan spasial
analisis pola.
Hasilnya adalah memberikan pemahaman yang baik
tentang pola tata ruang desa di berbagai daerah yang
dilanda kemiskinan
wilayah dan kabupaten serta hubungan antara distribusi
desa dan faktor dampaknya, yang memberikan keputusan
penting
dasar untuk “Kemajuan Seluruh Desa” dalam
pengentasan kemiskinan
 24

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
antara desa-desa yang dilanda diperkirakan dalam Persamaan (1)
kemiskinan dan faktor-faktor dari titik yang diamati. Secara
dampaknya dari DEM, air, umum, fungsi K disajikan
kereta api sebagai fungsi L
dan jalan utama diselidiki lebih yang dilinearisasi.
lanjut

16. (Vacchiano, Point pattern analysis Tujuan penelitian ini adalah Metodologinya adalah membangun empat Lapisan kanopi atas di mana-mana didominasi oleh pinus
Castagneri, of crown-to-crown untuk menguji hipotesis bahwa petak penelitian 70x70m di hutan dewasa Skotlandia, terhitung 75% (Saint Denis)
Meloni, & interactions in pola spasial pusat mahkota dan genap yang didominasi oleh pinus 99% (Toceno) dari total area dasar (Tabel 2). Spesies
Lingua, 2011) mountain forests berbeda dari basis batang, dan Skotlandia, ( Pinus sylvestris L.). Spesies lain adalah tumbuhan runjung ( Picea abies (L.)
khususnya ini dipilih karena penyebarannya yang luas Karst., Larix
lebih teratur karena mencari di Pegunungan Alpen Eropa,Semua batang decidua Mill.), oak berbulu halus ( Quercus
makan yang optimal. Juga untuk pohon hidup dengan diameter setinggi pubescens Willd.) dan berdaun lebar yang terjadi secara
mendalilkan bahwa pergeseran dada (dbh)> 2,5 cm dipetakan dengan sporadis. Challand, Morgex, dan Toceno adalah tegakan
ke keteraturan dalam pola spasial yang sudah berumur dan sudah matang (sekitar 100
spasial mahkota secara langsung resolusi 10 cm. Untuk setiap pohon, kami tahun sejak didirikan).
terkait dengan asimetri mahkota mencatat spesies, dbh, tinggi total, dan Kepadatan relatif adalah sekitar 50% di Challand dan
individu dan intensitas proyeksi mahkota relatif Morgex, sementara itu mendekati SDI maksimum di
persaingan di tribun. Kami ke pangkal batang di empat arah ortogonal Toceno.
menghitung pola titik (ke 0,1 m terdekat). Kami menggambar
statistik di empat plot poligon mahkota dengan pas
pemantauan hutan jangka bidimensional splines ke empat titik akhir
panjang, didirikan di hutan proyeksi mahkota dalam sistem desain
pinus Skotlandia di Pegunungan berbantuan komputer (CAD)
Alpen, dan intensitas (AutoCAD, Autodesk Inc., Sausalito,
asosiasi spasial centroid CA). Kami mengekspor poligon ke
 25

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
mahkota versus lokasi ArcGIS 9.3 (ESRI Inc.,Redlands, CA), dan
batang. Asimetri mahkota menghitung koordinat x, y dari poligon
berkorelasi signifikan terhadap centroid relatif terhadap asal plot. Mahkota
status kompetitif. Mahkota lebih kayu multi-batang digabung menjadi satu
sering didistribusikan daripada Untuk setiap pohon kami menghitung arah
batang di tegakan dewasa, tetapi dan panjang vektor perpindahan yang
tidak demikian pada tegakan menghubungkan pangkal batang centroid
muda mahkota. Karena pemanjangan cabang
di mana kompetisi berada pada sebanding dengan ukuran pohon, kami
intensitas yang lebih menghitung indeks relatif
rendah. Pada tingkat tegakan, mahkota asimetri dengan mengambil rasio
pergeseran menuju keteraturan perpindahan absolut ke pohon dbh. Untuk
terkait dengan relatif menguji hipotesis (1), kami meneliti
kerapatan dan asimetri mahkota korelasi momen produk Pearson antara
rata-rata asimetri dan tinggi-ke-diameter (H /
D)rasio, indikator status persaingan pohon
[9]. Intensitas kompetisi di setiap stand
dihitung
dengan persen Indeks Kepadatan Berdiri
(SDI), ukuran kepadatan tegakan tegakan
yang bebas-usia dan tidak tergantung
lokasi

17. (Rifaie, Where did Venomous Tujuan dari penelitian ini adalah Metodologinya adalah menggunakan tiga Hasilnya menunjukkan bahwa lima
Maharani, & Snakes Strike? A untuk mengevaluasi ringkasan statistik spasial untuk Kabupaten-kabupaten di Bondowoso memiliki jumlah
Hamidy, 2017) Spatial Statistical pola spasial kasus gigitan ular di menganalisis pola spasial kasus gigitan ular yang lebih banyak daripada daerah
Analysis of Snakebite Bondowoso, Indonesia dan insiden gigitan ular. Perbandingan antara lain. Ini
Cases in Bondowoso Indonesia fungsi statistik dan model teoritis acak Temuan menunjukkan potensi aplikasi statistik spasial
 26

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
Regency, Indonesia menganalisis implementasinya distribusi menunjukkan pola untuk strategi memerangi gigitan ular di ini
untuk pencegahan dan pengelompokan peristiwa yang signifikan daerah dengan mengidentifikasi lokasi prioritas dari
manajemen menganalisis pola spasial kejadian gigitan kasus gigitan ular
bahaya ini. ular berdasarkan pada datapada rumah
sakit
di Bondowoso, Indonesia. Studi
epidemiologi
kasus gigitan ular di satu kabupaten di
Indonesia akan menjadi inisial langkah
menuju mengungkap gambaran nyata dari
masalah ini di seluruh dunia. Apalagi
implementasi analisis pola spasial
kejadian gigitan ular di Bondowoso dapat
mengarah pada integrasi
rencana aksi memerangi masalah gigitan
ular di wilayah yang lebih luas di
Indonesia.

18. (Ren & Li, Characterizing air Tujuan dari penyelidikan ini Metodologinya adalah .Hasilnya mengungkapkan karakteristik yang berbeda
2018) traffic networks via adalah untuk Bagian 1 mengkuantifikasi wilayah udara dari kedua jaringan ini.
large-scale aircraft mengembangkan kerangka kerja ketersediaan rute; Bagian 2 menganalisis Ketersediaan ruang udara untuk penerbangan komersial
tracking data: A berbasis data untuk struktur jaringan lalu lintas udara; dan jauh lebih terbatas di Cina daripada AS. Jaringan di
comparison between menganalisis jaringan lalu lintas Bagian China
China and the US udara menggunakan 3 mengungkapkan pola pemanfaatan memiliki struktur yang jelas dengan pola pemanfaatan
networks data pelacakan pesawat, jaringan. Dengan rincian sbb : yang berbeda, sedangkan jaringan di AS memiliki
termasuk ketersediaan rute, 1. Hitung ketersediaan rute wilayah struktur yang lebih fleksibel
struktur jaringan, udara menampilkan dinamika yang kompleks. Perbedaan-
dan pola 2. Memfilter dan resampling perbedaan operasional ini menunjukkan bahwa Cina
 27

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
pemanfaatan. Kerangka kerja ini 3. Modi fi ed Ripley K-fungsi menghadapi kemungkinan lebih besar dalam perjalanan
mencakup statistik inovatif 4. Menganalisis struktur jaringan kemacetan jika dibandingkan dengan AS. Hasilnya juga
ukuran tical - fungsi-K Ripley lalu lintas udara menunjukkan bahwa pendekatan berbasis data efektif
yang dimodifikasi - untuk 5. Pengelompokan lintasan untuk mengidentifikasi perilaku aktual dan kompleksitas
menilai rute udara 6. Penggabungan rute udara jaringan lalu lintas udara, yang tidak ditangkap oleh yang
ketersediaan, teknik 7. Analisis struktur jaringan ada
pengelompokan untuk 8. Mengungkapkan pola metode.
mengidentifikasi rute udara pemanfaatan jaringan
utama, jaringan
analisis untuk mengukur
struktur jaringan lalu lintas
udara aktual, dan spa-
analisis temporal untuk
mengungkap pola pemanfaatan
wilayah udara
19. (Marcon & Generalizing Ripley’s Tujuan dari penelitian ini adalah Metodologinya adalah Hasilnya adalah sbb:
Puech, 2009) K function to untuk memberikan matematika generalisasi fungsi K Ripley untuk • Pertama-tama karena jumlah situasi di mana struktur
inhomogeneous kerangka kerja ukuran baru, memungkinkan penerapannya ruang dapat berada
populations yaitu fungsi M , yang proses poin tidak homogen dan untuk dianalisis secara dramatis akan meningkat (sayangnya,
melampaui batas-batas ini dan mempertimbangkan bobot poin akun. proses titik tidak homogen
sebenarnya mendeteksi struktur dengan merumuskan yang tidak biasa) jika kita bandingkan dengan
spasial dari populasi titik kembali fungsi K untuk memahaminya kemungkinan aplikasi K .
tertimbang yang tidak homogen sebagai rasio probabilitas, dan mengoreksi • M lebih kuat daripada D karena M tidak mengabaikan
bias tetap dalam definisinya meskipun bagian dari data.
upaya sesekali untuk • M lebih nyaman digunakan daripada K karena tidak
menghilangkannya. Juga diperlukan koreksi efek tepi.
harus memilih metode koreksi efek tepi Lebih dari ini, batas domain tidak harus diketahui, lokasi
yang definitif untuk membuat keseluruhan titiknya
 28

Nama Peneliti
No. Judul Penelitian Tujuan Metode Analisis Hasil
/ Tahun
teori konsisten. cukup. Oleh karena itu, set data geografis yang lengkap
Pendekatan probabilistik memungkinkan dapat diperlakukan tanpa
mempertimbangkan heterogenitas spasial menyederhanakan bentuk domain dan menghilangkan
banyak titik perbatasan.

20. (Fisher, Kelly, Scales of Makalah ini bertujuan untuk Metodologinya adalah Menggunakan Hasilnya adalah Kota
& Romm, environmental justice: pola titik spasial zat beracun spasial metode analisis yang disebut Oakland — menunjukkan dua area tempat fasilitas
2006) Combining GIS and industri dan yang terkait Ripley's K. Kita menilai keadilan berada berletak. Distribusi intensitas menunjukkan
spatial analysis for air implikasi keadilan lingkungan lingkungan di berbagai skala spasial, dan sebuah cluster di mana West Oakland didefinisikan, dan
toxics in West di Wilayah Teluk San kitamemverifikasi dan mengukur lainnya puncak intens (fasilitas dikelompokkan lebih
Oakland, California Francisco, California, AS. lingkungan Oakland Barat sebagai situs dekat
keadilan lingkungan sebagaimana bersama) lebih jauh ke selatan. Plot Ripley's K tidak
ditentukan oleh jelas pada skala ini karena data miliki
Badan Perlindungan Lingkungan AS. menjadi sangat jarang dibandingkan dengan skala yang
Selanjutnya, kami mengintegrasikan model lebih besar.
dispersi udara ISCST3 dengan Seperti data bahaya EPA lainnya, ada
Sistem Informasi Geografis (SIG) untuk keterbatasan yang diakui untuk data TRI. Di
mengidentifikasi jumlah orang yang Selain tidak memberikan paparan manusia
berpotensi terkena dampak a informasi, data dibatasi hingga besar
fasilitas tertentu, dan melibatkan masalah fasilitas manufaktur dan mengecualikan rilis dari
sumber emisi non-point diesel dengan perusahaan kecil, tempat pembuangan sampah dan
analisis industri yang ditinggalkan
jaringan jalan. lokasi, fasilitas limbah berbahaya, dan pembangkit listrik
(Bolin et al. 2000)
 29

DAFTAR PUSTAKA

Albert, J. M., & Casanova, M. R. (2013). An improvement of Ripley’s K function vs.

the K density function.
Amgad, M., Itoh, A., & Tsui, M. M. K. (2015). Extending Ripley’s K-function to
quantify aggregation in 2-D grayscale images. PLoS ONE, 10(12), 1–22.
https://doi.org/10.1371/journal.pone.0144404
Byrd, A. M. (2016). A GIS-Based Investigation Into Social Violence and Settlemetn
Patterns in the Gallina Area of the American Southwest. Retrieved from
https://digitalrepository.unm.edu/anth_etds/11%0AThis
Câmara, G., Monteiro, A. M., Fucks, S. D., & Sá, M. (n.d.). Spatial Analysis and
GIS : A Primer. 1–30.
Chen, Y., & Ge, Y. (2015). Spatial point pattern analysis on the villages in China ’ s
poverty-stricken areas. Procedia Environmental Sciences, 27, 98–105.
https://doi.org/10.1016/j.proenv.2015.07.098
De Oliveira Martins, L., Junior, G. B., Da Silva, E. C., Silva, A. C., & De Paiva, A.
C. (2007). Classification of breast tissues in mammogram images using Ripley’s
K function and support vector machine. Lecture Notes in Computer Science
(Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes
in Bioinformatics), 4633 LNCS, 899–910. https://doi.org/10.1007/978-3-540-
74260-9_80
Deng, H., Wang, L., Liu, J., Zou, J., Li, D., & Zhou, Q. (2011). An optimized
sampling model in the survey of groundwater resource nitrate content of rural
areas in the Shandong province. Mathematical and Computer Modelling, 54(3–
4), 956–964. https://doi.org/10.1016/j.mcm.2010.11.022
Dixon, P. M. (2002). Ripley’s K Function. In Encyclopedia of Environmetrics (Vol.
3, pp. 1796–1803). https://doi.org/10.1002/9781118445112.stat07751
ESRI. (2007). How Multi-Distance Spatial Cluster Analysis: Ripley’s K-Function
(Spatial Statistics) Works. ArcGIS 9.2 Algorithm Documentation.
Fischer, M. M., & Getis, A. (2010). Handbook of Applied Spatial Analysis.
https://doi.org/10.1007/978-3-642-03647-7_17
Fisher, J. B., Kelly, M., & Romm, J. (2006). Scales of environmental justice :
Combining GIS and spatial analysis for air toxics in West Oakland , California.
 30

12, 701–714.
French, N., Webster, S., Zheng, P., Fenton, S., Clough, H., & Diggle, P. (2006). K-
function Analysis : Recent Developments and Novel Applications.
Gelfand, A. E., Diggle, P. J., Fuentes, M., & Guttorp, P. (2010). Handbook of Spatial
Statistics. Boca Raton: CRC Press Taylor & Francis Group.
Giuliani, D., Arbia, G., & Espa, G. (2014). Weighting Ripley’s K-Function to
Account for the Firm Dimension in the Analysis of Spatial Concentration.
International Regional Science Review, 37(3), 251–272.
https://doi.org/10.1177/0160017612461357
Haase, P. (1995). Spatial pattern analysis in ecology based on Ripley’s K-function:
Introduction and methods of edge correction. Journal of Vegetation Science,
6(4), 575–582. https://doi.org/10.2307/3236356
Jafari-Mamaghani, M., Andersson, M., & Krieger, P. (2010). Spatial point pattern
analysis of neurons using Ripley’s K-function in 3D. Frontiers in
Neuroinformatics, 4(May), 1–10. https://doi.org/10.3389/fninf.2010.00009
Kaur, M., Kaur, U., & Kamal, R. (2015). Improving Cluster Quality by using
Ripley’s K-Function. International Journal of Computer Applications, 125(2),
39–43. https://doi.org/10.5120/ijca2015905849
Kiskowski, M. A., Hancock, J. F., & Kenworthy, A. K. (2009). On the use of
Ripley’s K-function and its derivatives to analyze domain size. Biophysical
Journal, 97(4), 1095–1103. https://doi.org/10.1016/j.bpj.2009.05.039
Kosarevych, R., & Rusyn, B. (2012). Application of the Ripley’s k-function for
image segmentation. Modern Problems of Radio Engineering,
Telecommunications and Computer Science - Proceedings of the 11th
International Conference, TCSET’2012, 51(2), 412.
Law, M., & Collins, A. (2018). Getting To Know ArcGIS Desktop (Fifth Edit).
Retrieved from http://www.ghbook.ir/index.php?name=‫یاه هناسر و گنهرف‬
koobd_moc=noitpo&‫&ن وی ن‬task=readonline&book_id=13650&page=73&chkh
ashk=ED9C9491B4&Itemid=218&lang=fa&tmpl=component
Lloyd, C. D. (2010). Spatial Data Analysis : an introduction for GIS users.
https://doi.org/10.1007/springerreference_63471
Marcon, E., & Puech, F. (2009). Generalizing Ripley ’ s K function to
inhomogeneous populations To cite this version : HAL Id : halshs-00372631.
Marcon, E., Traissac, S., Lang, G., Marcon, E., Traissac, S., Lang, G., … Lang, G.
 31

(2013). A statistical test for ripley ’ s K function rejection of poisson null

hypothesis. ISRN Ecology, 2013.
Price, M. H. (2016). Mastering ArcGIS (Seventh Ed).
https://doi.org/10.1021/ja036022d
Ren, P., & Li, L. (2018). Journal of Air Transport Management Characterizing air tra
ffi c networks via large-scale aircraft tracking data : A comparison between
China and the US networks. Journal of Air Transport Management,
67(September 2017), 181–196. https://doi.org/10.1016/j.jairtraman.2017.12.005
Rifaie, F., Maharani, T., & Hamidy, A. (2017). Where did Venomous Snakes Strike ?
A Spatial Statistical Analysis of Snakebite Cases in Bondowoso Regency ,
Indonesia. HAYATI Journal of Biosciences, 24(3), 142–148.
https://doi.org/10.1016/j.hjb.2017.09.001
Schroeder, J. W., Tran, H. T., & Dick, C. W. (2014). Fine scale spatial genetic
structure in Pouteria reticulata (Engl.) Eyma (Sapotaceae), a dioecious,
vertebrate dispersed tropical rain forest tree species. Global Ecology and
Conservation, 1, 43–49. https://doi.org/10.1016/j.gecco.2014.07.002
Smith, T. E. (2014). Notebook On Spatial Data Analysis. Retrieved from
http://www.seas.upenn.edu/~ese502/#notebook%0AINTRODUCTION
Vacchiano, G., Castagneri, D., Meloni, F., & Lingua, E. (2011). Point pattern
analysis of crown-to-crown interactions in mountain forests. Procedia
Environmental Sciences, 7(0), 269–274.
https://doi.org/10.1016/j.proenv.2011.07.047
Veen, A., & Schoenberg, F. P. (2006). Assessing Spatial Point Process Models Using
Weighted K-functions: Analysis of California Earthquakes. Case Studies in
Spatial Point Process Modeling, 293–306. https://doi.org/10.1007/0-387-31144-
0_16
Widayani, P., & Kusuma, D. (2014). PEMODELAN SPASIAL KERENTANAN
WILAYAH TERHADAP PENYAKIT LEPTOSPIROSIS BERBASIS
EKOLOGI. Jurnal Geogarfi, 11(1), 71–83.
Xu, J., Gu, H., Meng, Q., Cheng, J., & Liu, Y. (2019). Int J Appl Earth Obs
Geoinformation Spatial pattern analysis of Haloxylon ammodendron using
UAV imagery - A case study in the Gurbantunggut Desert. Int J Appl Earth
Obs Geoinformation, 83(February), 101891.
https://doi.org/10.1016/j.jag.2019.06.001
 32

Zhang, Z., Xiao, R., Shortridge, A., & Wu, J. (2014). Spatial point pattern analysis of
human settlements and geographical associations in eastern coastal China - A
case study. International Journal of Environmental Research and Public
Health, 11(3), 2818–2833. https://doi.org/10.3390/ijerph110302818