Laporan1 - Septya Dwi Putri - 232016039 PDF

LAPORAN PRAKTIKUM I
STATISTIKA SPASIAL
ANALISIS DATA SPASIAL EKSPLORATORI (ADSE)
Tanggal Penyerahan: 22 Oktober 2019

Disusun Oleh :
Septya Dwi Putri / 23-2016-039
Kelas B
Nama Asisten :
Arif Ramdhani (23-2015-019)
Masyita (23-2015-081)
LABORATORIUM SISTEM INFORMASI SPASIAL

JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2019
Praktikum Statistika Spasial : Analisis Data Spasial Eksploratori
DAFTAR ISI
Halaman
DAFTAR ISI ................................................................................................................................................. i
BAB I PENDAHULUAN ............................................................................................................................ 1
1.1 Maksud dan Tujuan .......................................................................................................................... 1
1.2 Waktu Pelaksanaan Praktikum ....................................................................................................... 1
BAB II DASAR TEORI .............................................................................................................................. 2
2.1 Analisis Geostatistika ........................................................................................................................ 2
2.2 Analisis Data Spasial Eksploratori (ADSE) .................................................................................... 2
2.2.1 Histogram.................................................................................................................................... 3
2.2.2 Normal QQ Plot .......................................................................................................................... 5
2.2.3 Trend Analyst .............................................................................................................................. 6
2.2.4 Voronoi Maps ............................................................................................................................. 7
2.2.5 Semivariogram/ Covariance Cloud............................................................................................ 8
BAB IIIPELAKSANAAN PRAKTIKUM .............................................................................................. 10
3.1 Export Data Format Excel ke Shapefile ArcGIS ......................................................................... 10
3.2 Analisis Data Menggunakan Perangkat ADSE ............................................................................ 11
BAB IV HASIL DAN ANALISIS ............................................................................................................ 13
4.1 Perangkat ADSE ............................................................................................................................. 13
4.1.1 Histogram.................................................................................................................................. 13
4.1.2. Normal QQ Plot ........................................................................................................................ 16
4.1.3 Trend Analysis ........................................................................................................................... 18
4.1.4 Voronoi Map ............................................................................................................................. 22
4.1.5 Semivariogram/Covariance Cloud ......................................................................................... 25
BAB V KESIMPULAN............................................................................................................................. 27
5.1 Kesimpulan ...................................................................................................................................... 27
DAFTAR PUSTAKA
Septya Dwi Putri / 23-2016-039 / B i

BAB I
PENDAHULUAN
1.1 Maksud dan Tujuan

Maksud dari praktikum I Statistika Spasial ini adalah sebagai berikut:
• Memahami secara praktis penggunaan perangkat Analisis Data Spasial Eksploratori (ADSE)
di software ArcGIS yaitu Histogram, Normal QQ Plot, Voronoi Maps, Trend Analyst dan
Semivariogram/ Covariance Cloud.
Tujuan dari praktikum I Statistika Spasial ini adalah sebagai berikut:
• Menganalisis hasil dari perangkat ADSE berdasarkan praktikum yang diperoleh.
• Memahami perbedaan antar metode perangkat ADSE.
1.2 Waktu Pelaksanaan Praktikum

Praktikum I Statistika Spasial ini dilakukan pada:
Hari, tanggal : Rabu, 15 Oktober 2019
Pukul : 10-00 – 12.00 WIB
Tempat : Ruangan Laboratorium Sistem, Gedung 18, Institut Teknologi Nasional,
Bandung.
Septya Dwi Putri / 23-2016-039 / B 1

BAB II
DASAR TEORI
2.1 Analisis Geostatistika

Analisis geostatistik merupakan teknik geostatistik yang terfokus pada variable spasial, yaitu
hubungan antara variable yang diukur pada titik tertentu dengan variable yang sama diukur pada
titik dengan jarak tertentu dari titik pertama. Proses yang dilakukan dalam analisis geostatistik
adalah meregister seluruh data, mengeksplorasi data, membuat model, melakukan diagnostic dan
membandingkan model. Dalam aplikasi yang akan dijadikan contoh pemodelan geologi yaitu pada
lapangan gas Natuna di Laut Natuna yang meliputi data peta porositas, permeabilitas, saturasi, dan
net to gross yang dipakai untuk menghitung volumetric dan simulasi reservoir. Dalam prakteknya,
sebelum melakukan analisis geostatistika pada ArcGIS terlebih dahulu dilakukan ADSE yang dapat
dilakukan dengan beberapa cara yaitu : histogram, normal QQ plot, voronoi maps, trend analyst
dan variogram. Tujuan melakukan ADSE adalah untuk mendapatkan pemahaman yang lebih
mendalam terkait fenomena yang diamati. Manfaatnya adalah untuk membantu dalam mengambil
keputusan terbaik padafenomena tersebut.
2.2 Analisis Data Spasial Eksploratori (ADSE)

ADSE adalah kegiatan melakukan eksplorasi terhadap satu set data spasial dengan berbagai
cara yang berbeda untuk memperoleh pemahaman yang lebih mendalam terhadap fenomena yang
sedang diteliti agar bisa dibuat keputusan yang lebih baik terhadap masalah-masalah yang berkaitan
dengan data tersebut. Adapun perangkat untuk Analisis Data Spasial Eksploratori (ADSE)
digunakan untuk menganalisis sifat-sifat statistik data sampel yang digunakan untuk membuat
permukaan prediksi, seperti (Kania Sari, 2018):
• Variabilitas data spasial
• Ketergantungan data spasial
• Tren global
Dalam bidang pemetaan setelah melakukan pemetaan yang direpresentasikan dari data yang
kemudian dieksplorasi data tersebut dengan menggunakan perangkat ADSE. Perangkat ini
memungkinkan untuk melakukan pemeriksaan data dengan cara yang lebih kuantitatif daripada
memetakannya dan me

ndapatkan pemahaman yang lebih dalam tentang fenomena yang sedang diteliti sehingga dapat
membuat keputusan yang lebih tepat mengenai bagaimana model interpolasi harus dibangun
(ESRI, 2010).
Perangkat lunak seperti ArcGIS Geostatistical Analyst menyediakan fasilitas untuk melakukan
analisis data spasial eksploratori dalam ESDA (Exploratory Spatial Data Analysis), yang dibagi
dalam beberapa sub-bab berikut ini (yang hanya dilakukan dalam praktikum ini):
2.2.1 Histogram
Histogram pada dasarnya memberikan deskripsi univariat (satu variabel) dari suatu set data.
Pada extension Geostatistical Analyst ArcGIS, histogram akan menampilkan distribusi frekuensi
dari set data yang dipilih dan ringkasan hitungan statistik. Secara garis besar ringkasan hitungan
statistik mendeskripsikan tentang ukuran lokasi, persebaran, dan bentuk dari set data (ESRI, 2017).
Hal-hal penting mengenai fitur distribusi untuk merepresentasikan ringkasan statistik, yaitu (ESRI,
2017):
1. Ukuran lokasi (Measures of location)
Ukuran lokasi memberi gambaran tentang pusat dan bagian distribusi lainnya. Terdiri atas:
a. Mean adalah rata-rata aritmatika data. Rata-rata memberikan ukuran pusat distribusi.
b. Median adalah proporsi kumulatif 0,5. Jika data disusun secara meningkat, 50 persen nilai
akan berada di bawah median, dan 50 persen nilai akan berada di atas median. Median
memberikan ukuran lain dari pusat distribusi.
c. Kuartil pertama (Q1) dan ketiga (Q3) adalah proporsi kumulatif masing-masing 0,25 dan
0,75. Jika data disusun secara meningkat, 25 persen nilai akan berada di bawah kuartil
pertama dan 25 persen nilainya yang berada di atas kuartil ketiga. Kuartil pertama dan
ketiga adalah kasus khusus untuk suatu kuantil. Kuantil dapat dihitung sebagai berikut:

Dimana i adalah urutan ke-i dari data.

1. Ukuran persebaran (Measures of spread)
Persebaran titik-titik di sekeliling nilai rata-rata adalah karakteristik lain yang menunjukkan
distribusi frekuensi. Terdiri atas:
a. Variance atau varian data adalah kuadrat deviasi standar seluruh nilai dari rata-ratanya.
Karena melibatkan perbedaan kuadrat, varian dihitung biasanya terhadap nilai yang rendah
atau tinggi. Varian dihitung dengan menjumlahkan kuadrat deviasi standar dari rata-rata
dan membagi jumlahnya dengan (n – 1).
b. Standard deviation atau deviasi standar adalah akar kuadrat dari nilai varian dan
menggambarkan persebaran data terhadap nilai rata-rata. Semakin kecil varian dan deviasi
standar, semakin erat (terdistribusi normal) suatu pengkuran klaster terhadap nilai rata-rata.
Gambar distribusi standar deviasi.

(Sumber: ESRI, 2017)
Pada gambar diatas menggambarkan dua distribusi dengan standar deviasi yang berbeda.
Distribusi frekuensi mempresentasikan pada garis hitam lebih bervariasi dari pada distribusi
frekuensi pada garis merah. Variansi dan standar deviasi dari distribusi frekuensi garis hitam
lebih baik dari distribusi frekuensi dari garis merah.
2. Ukuran bentuk (Measures of shape)
a. Skewness adalah koefisien ukuran kesimetrisan distribusi. Untuk distribusi yang simetris,
nilai koefisien skewness-nya adalah nol. Jika distribusi memiliki ekor yang panjang ke
kanan (dilihat dari mean) dengan nilai yang besar, itu miring secara positif, dan jika
memiliki ekor yang panjang ke kiri (dilihat dari mean) dengan nilai kecil, maka hal itu
miring secara negatif. Mean lebih besar daripada median untuk distribusi miring positif dan
sebaliknya untuk distribusi miring negatif.

Gambar Skewness positif.

b. Kurtosis didasarkan pada ukuran ekor suatu distribusi dan memberikan ukuran seberapa
besar kemungkinan distribusi tersebut akan menghasilkan outlier atau kesalahan. Kurtosis
untuk distribusi normal memiliki nilai sama dengan tiga. Distribusi dengan ekor yang relatif
tebal disebut leptokurtik dan memiliki kurtosis lebih besar dari tiga. Distribusi dengan ekor
yang relatif tipis disebut platykurtic dan memiliki kurtosis kurang dari tiga.
Gambar distribusi normal dan tidak normal.

Pada gambar diatas dijelaskan bahwa distribusi normal direpresentasikan dengan garis
merah dan distribusi tebal (leptokurtik) di gambarkan dengan garis merah.
2.2.2 Normal QQ Plot
Quantile- Quantile (QQ) plot adalah grafik di mana kuantil dari dua distribusi diplot relatif
satu sama lain. Normal QQ Plot berekontruksi dengan cara Pertama, nilai-nilai data diperintahkan
dan nilai-nilai distribusi kumulatif dihitung sebagai (i-0,5) / n untuk nilai yang diurutkan dari n
nilai total (ini memberikan proporsi data yang jatuh di bawah nilai tertentu). Grafik distribusi
kumulatif dihasilkan dengan memplot data yang diperintahkan dengan nilai distribusi kumulatif
(grafik di kiri atas pada gambar di bawah). Proses yang sama dilakukan untuk distribusi normal
standar (distribusi Gaussian dengan rerata 0 dan deviasi standar 1, ditunjukkan dalam grafik di
kanan atas gambar di bawah). Setelah dua grafik distribusi kumulatif ini telah dihasilkan, nilai data
yang sesuai dengan kuantil tertentu dipasangkan dan diplot dalam plot QQ (grafik bawah pada
gambar di bawah) (ESRI, 2017).

Gambar Normal Q Plot

Artinya,
Normal QQ Plot adalah persebaran (plot) kuantil (suatu kelas nilai yang membagi data menjadi N
bagian yang sama) dari distribusi data terhadap standar distribusi normalnya. Karakteristik spasial
yang dianalisis menggunakan Normal QQ Plot yaitu distribusi data dan outlier (kesalahan).
Semakin berdekatan titik-titik yang tersebar pada garis lurus, maka semakin normal distribusi
datanya. Data yang miring atau tidak simetris (mengacu berdasarkan garis lurus) dapat diubah atau
transformasi menggunakan operasi Log dan Box Cox.
2.2.3 Trend Analyst

Trend Analyst tools bisa digunakan untuk menghapus tren dari kumpulan data saat
menggunakan interpolasi spasial seperti kriging. Tools ini juga dapat membantu mengidentifikasi
tren dalam kumpulan data masukan. Trend Analyst tools menyediakan perspektif tiga dimensi dari
data. Lokasi titik sampel diplot pada bidang x, y. Di atas setiap titik sampel, nilai diberikan oleh
ketinggian tongkat di z-dimensi. Fitur unik dari Trend Analyst tools adalah bahwa nilai-nilai
tersebut kemudian diproyeksikan ke x, z bidang dan y, z bidang sebagai scatterplots. Ini dapat
dianggap sebagai pandangan menyamping melalui data tiga dimensi. Polinomial kemudian masuk
melalui scatter plots pada bidang yang diproyeksikan. Fitur tambahan adalah kita dapat memutar
data untuk mengisolasi tren arah. Alat ini juga mencakup fitur lain yang memungkinkan untuk
memutar dan memvariasikan perspektif seluruh gambar, mengubah ukuran dan warna titik dan
garis, menghapus pesawat dan titik, dan memilih urutan polinomial yang sesuai dengan
scatterplots. Secara default, tools ini akan memilih polinomial urutan kedua untuk menunjukkan
tren dalam data, tetapi Anda mungkin ingin menyelidiki polinomial pesanan satu dan tiga untuk
menilai seberapa baik mereka sesuai dengan data (Kania Sari, 2018).

Gambar Trend Analysis pada Geostatistical Analyst Tools di ArcGIS.

2.2.4 Voronoi Maps

Peta Voronoi dibangun dari serangkaian poligon yang terbentuk di sekitar lokasi titik sampel.
Poligon Voronoi dibuat sehingga setiap lokasi dalam poligon lebih dekat ke titik sampel dalam
poligon itu daripada titik sampel lainnya. Setelah poligon dibuat, tetangga titik sampel
didefinisikan sebagai titik sampel lain yang poligonnya berbatasan dengan titik sampel yang
dipilih. Sebagai contoh, pada gambar berikut, titik contoh hijau terang diapit oleh poligon, diberi
warna merah. Setiap lokasi dalam poligon merah lebih dekat ke titik sampel hijau terang daripada
titik sampel lainnya (diberikan sebagai titik-titik biru gelap kecil). Poligon biru semua berbagi
perbatasan dengan poligon merah, sehingga titik sampel dalam poligon biru adalah tetangga titik
sampel hijau terang (ESRI, 2007).
Gambar Ilustrasi Voronoi Map

Dari Voronoi Map dapat dihitung berbagai statistik Voronoi, yaitu (Kania Sari, 2018):
1. Simple, nilai yang diberikan kepada sebuah sel adalah nilai hasil pengukuran di titik sampel
yang terdapat dalam sel tersebut.
2. Mean, nilai yang diberikan pada sebuah sel adalah nilai rata-rata yang dihitung dari sel
tersebut berdasarkan tetangganya.

3. Mode, semua sel dikelompokkan ke dalam lima interval kelas. Nilai yang diberikan pada
sebuah sel adalah modus/mode (kelas yang paling tinggi frekuensinya) dari sel tersebut beserta
tetangganya.
4. Cluster, semua sel ditempatkan ke dalam lima interval kelas. Jika interval kelas suatu sel
berbeda dengan setiap tetangganya, maka sel tersebut diberi warna abu-abu atau warna lain
untuk membedakannya dari tetangganya.
5. Entropy, semua sel ditempatkan ke dalam lima interval kelas berdasarkan pengelompokkan
nilai data secara alami (spt. smart quantiles). Nilai yang diberikan pada sebuah sel adalah
entropy yang dihitung dari sel tersebut berserta tetangganya.
6. Median, Nilai yang diberikan kepada sebuah sel adalah nilai median yang dihitung dari
distribusi frekuensi sel tersebut beserta tetangganya.
7. Standard Deviation, nilai yang diberikan kepada sebuah sel adalah simpangan baku dari sel
tersebut beserta tetangganya.
8. Interquartile Range (IQR):
- Quartile pertama (Q1) dan quartile ketiga (Q3) dihitung dari distribusi frekuensi suatu sel
beserta tetangganya.
- Nilai yang diberikan kepada sebuah sel dihitung dengan mengurangkan Q1 dari nilai Q3.
Statistik- statistik voronoi tersebut dikelompokkan menurut kategori fungsional sebagai berikut:
Gambar Kelompok Statistik Voronoi

2.2.5 Semivariogram/ Covariance Cloud

Semivariogram/Covariance cloud adalah persebaran (plot) fungsi jarak yang memisahkan
setiap pasang titik (pada sumbu X) terhadap beda kuadrat antara nilai dari setiap pasang titik (pada
sumbu Y) dalam suatu set data. Karakteristik spasial yang dianalisis adalah korelasi spasial di
dalam dan antar suatu set data. Semakin berdekatan suatu data maka akan cenderung sama. Lokasi
yang jauh (menjauhi sumbu X) harus mempunyai perbedaan nilai yang kecil (rendah pada sumbu
Y). Semakin meningkatnya jarak, nilai semivariogram seharusnya juga meningkat. Lokasi yang

dekat dengan nilai semivariogram tinggi dapat menjadi tidak akurat karena dapat mengandung
kesalahan atau outlier (ESRI, 2017).
Gambar Semivariogram/Covariance cloud pada Geostatistical Analyst Tools di ArcGIS.

Karakteristik semivariogram, diantaranya (ArcGIS Pro, Tahun tidak diketahui):

1. The Range and Sill
Ketika melihat model semivariogram, anda akan melihat bahwa pada jarak tertentu,
modelnya keluar. Jarak di mana model pertama mendatar dikenal sebagai range. Lokasi
sampel yang dipisahkan oleh jarak yang lebih dekat daripada kisaran secara autokorelasi
spasial sedangkan lokasi lebih jauh tidak memiliki kolerasi spasial. Nilai bahwa model
semivariogram mencapai pada kisaran (nilai pada sumbu y) disebut sill.
2. The Nugget
Secara teoritis, pada jarak pemisahan nol (lag = 0), nilai semivariogram adalah 0. Namun,
pada jarak pemisahan yang sangat kecil, semivariogram sering menunjukkan efek nugget,
yang beberapa nilai lebih besar dari 0. Sebagai contoh, jika model semivariogram memotong
sumbu y pada 2, maka nugget adalah 2. Efek nugget dapat dikaitkan dengan kesalahan
pengukuran atau sumber spasial variasi pada jarak yang lebih kecil dari interval sampling
atau keduanya. Kesalahan pengukuran terjadi karena kesalahan yang melekat pada alat ukur.
Fenomena alam dapat bervariasi secara spasial melalui berbagai skala. Variasi pada
mikroskala yang lebih kecil dari jarak sampling akan muncul sebagai bagian dari efek nugget.
Sebelum mengumpulkan data, penting untuk mendapatkan pemahaman tentang skala variasi
spasial.

BAB III
PELAKSANAAN PRAKTIKUM
3.1 Export Data Format Excel ke Shapefile ArcGIS

No Gambar Keterangan
1 Software ArcGIS
dibuka hingga
muncul blank map.
2 Data vektor kota

bandung dalam
format shapefile dan
dan file daftar harga
tanah di tambahkan
ke dalam layer.
3 Pada layer file daftar

harga tanah, diklik
kanan. Pilihlah
“Display XY Data”.

4 Setelah dipilih
“Display XY data”
maka akan muncul
dialog box, pilihlah
X field dengan
X_UTM, Y field
dengan Y_UTM dan
Z field dengan
“HARGA_TANAH”.
Kemudian, klik OK.
5 Maka, daftar titik-

titik harga tanah akan
muncul.
3.2 Analisis Data Menggunakan Perangkat ADSE

No Gambar Keterangan
1. Sebelum melakukan
analisis
Geostatistika,
terlebih dahulu
mengaktifkan
“Geostatistical
Analyst” pada
Extensions software
ArcGIS. Dengan cara
memilih menu bar
“customize” →
Extensions →
centang pada
“Geostatistical
Analyst”.

2. Extensions
“Geostatistical
Analyst” sudah
muncul pada menu
bar software
ArcGIS.
3. Pada tools
Geostatistical
Analyst pilihlah
Explore Data maka
semua Metode
Analisis Data
Spasial Eksploratori
di ArcGIS akan
muncul.
Metode Analisis Data Spasial yang dicoba dalam praktikum ini ada beberapa jenis yaitu
Histogram, Normal QQ Plot, Voronoi Map, Trend Analysis, Semivariogram/Covariance Cloud.

BAB IV
HASIL DAN ANALISIS
4.1 Perangkat ADSE

Adapun beberapa Perangkat ADSE sebagai berikut:
4.1.1 Histogram
Berdasarkan metode histogram yang terdapat gambar diatas (tanpa transofrmasi) , dapat
dianalisis:
a. Sumbu X mempresentasikan daftar harga tanah dimasing-masing kelas yang nilainya
direpresentasikan dengan skala 10-1 agar mudah dibaca. Jadi, batas atas dimasing-masing
kelas yang misalnya memiliki nilai 0,15 pada histogram nilai sebenarnya dalah 0,15/10-1
atau 1.5.
b. Sumbu Y mempresentasikan frekuensi dari masing-masing kelas data daftar harga tanah
dengan skala 10-2 . Frekuensi data dilihat dari tinggi diagram bar dimasing- masing kelas.
Contohnya, nilai harga tanah di kelas 0-0,15 mempunyai frekuensi 2,29 yang artinya nilai
sebenarnya adalah 229 jumlah data.
c. Hitungan Statistik, hitungan ini dapat dilihat pada ujung kanan atas.
1. Ukuran Pusat Lokasi (Measure of Central Location)
• Mean (rata-rata) : 2,9277
• Median (nilai tengah) : 1,5
• 1-st Quartile :1
• 3-rd Quartile :4

2. Ukuran Persebaran data (Measure of Spread)

• Standar Deviasi : 3,0171
3. Ukuran Bentuk Data (Measure of Shapes)
• Skewness. Skewness adalah kecenderungan untuk nilai-nilai menjadi lebih sering di
sekitar ujung tinggi atau rendah dari sumbu x. Skewness terbagi atas 2 yaitu skewness
positif dan skewness negatif. Berdasarkan gambar histogram diatas, nilai skewness
adalah +1,9286. Dimana, nilai skewness positif jika kurva frekuensi suatu distribusi
memiliki ekor (batang) yang lebih panjang di sisi kanan histogram dari pada di sisi kiri
dan dengan nilai mean lebih besar daripada median.
• Kurtosis. Kurtosis adalah derajat keruncingan suatu distribusi (biasanya diukur relatif
terhadap distribusi normal). Kurva yang lebih lebih runcing dari distribusi normal
disebut leptokurtik, lebih datar platikurtik dan distribusi normal disebut mesokurtik.
Distribusi normal memiliki kurtosis = 3, sementara distribusi yang leptokurtik biasanya
kurtosisnya > 3 dan platikurtik <>.
Berdasarkan gambar histogram di atas, nilai kurtosis adalah 7,1941.
Artinya, distribusi datanya >3 yang disebut leptokurtik.
Pada metode histogram terdapat dua cara transformasi, yaitu:

1. Transformasi Log
Pada transformasi log terdapat perubahan bentuk histogram, dataset sumbu x dan hitungan statistik
dari histogram yang tanpa mengalami transformasi.
a. Sumbu X dataset menunjukkan nilai sebenarnya dari batas atas masing-masing kelas.
b. Selain itu, juga ada perubahan mengenai hitungan statistik:

• 3-rd Quartile : 1,3863
• Berdasarkan histogram cara transformasi log, nilai skewnessnya adalah -0,27719.
Artinya, nilai skewness negatif dimana kurva frekuensi suatu distribusi memiliki ekor
(batang) yang lebih panjang di sisi kiri histogram dari pada di sisi kanan. Namun, nilai
skewness mendekati 0 yang berarti hampir mencapai distribusi normal.
• Berdasarkan histogram cara transformasi log, nilai kurtosisnya adalah 3,0617. Artinya,
nilai data distribusi >3 yang disebut leptokurtik. Kurtosis hampir mendekati 3 untuk
mencapai distribusi normal.
2. Transformasi Cox-Box
Berdasarkan metode histogram yang terdapat diatas, dapat dianalisis:

a. Sumbu X mempresentasikan nilai sebenarnya daftar harga tanah.
b. Sumbu Y mempresentasikan frekuensi dari masing-masing kelas data daftar harga tanah
dengan skala 10-2 . Frekuensi data dilihat dari tinggi diagram bar dimasing- masing kelas.
Contohnya, nilai harga tanah di kelas-0,33-0,25 mempunyai frekuensi 1,17 yang artinya
nilai sebenarnya adalah 117 jumlah data.
c. Hitungan Statistik, hitungan ini dapat dilihat pada ujung kanan atas.


• 3-rd Quartile : 1,487
• Skewness. Berdasarkan gambar histogram diatas, nilai skewness adalah +0,011648.
Yang mendekati 0, dan mendekati distribusi normal. Nilai skewness positif jika
kurva frekuensi suatu distribusi memiliki ekor (batang) yang lebih panjang di sisi
kanan histogram dari pada di sisi kiri.
• Kurtosis. Berdasarkan gambar histogram di atas, nilai kurtosis adalah 2,6709.
Artinya, distribusi datanya <3 yang disebut platikurtik yang artinya distribusi
datanya relatif datar.
4.1.2. Normal QQ Plot
Berdasarkan gambar Normal QQ Plot dapat dianalisis sebagai berikut:

a. Sumbu X (Standard Normal Value) merupakan nilai distribusi normal untuk setiap nilai-nilai
kuantil data. Kuantil merupakan nilai yang akan membagi case dalam jumlah tertentu yang
besarnya sama pada setiap kelompoknya.
b. Sumbu Y (Dataset) merupakan nilai data daftar harga tanah direpresentasikan dengan skala 10-
2
.

Dari Normal QQ Plot atas dapat disimpulkan bahwa distribusi data harga tanah tidak
terdistribusi normal, karena data harga tanah banyak menyimpang dari Standar Normal Value yang
ditentukan.
1. Transformasi Log
Pada gambar diatas merupakan distribusi data harga tanah setelah dilakukan transformasi
Log. Transformasi ini mendekati distribusi normal karena sudah mendekati Standar Normal
Value yang ditentukan karena distribusi data semakin berdekatan titik-titik yang tersebar
pada garis lurus. Namun di beberapa data awal dan diakhir mengalami outlier yaitu ada
titik-titik pada grafik plot tersebut keluar dari garis lurus (menjauhi nilai rata-rata).
2. Transformasi Box- Cox dengan memakai parameter 0.1 dan 0.2.

Pada gambar diatas menggambarkan distribusi data daftar harga tanah menggunakan
transformasi Box-Cox dengan parameter 0,1 dan 0,2 yang mendekati distribusi normal.
Walaupun masih ada beberapa data outlier di awal dan akhir titik-titik data.
4.1.3 Trend Analysis

Berikut adalah gambaran hasil Trend Analysis (secara 3 dimensi) dari daftar harga tanah dengan
input layer berupa shapefile daftar harga tanah bandung dengan atribut tanah:
Dari hasil Trend Analysis dapat dianalisis data sebagai berikut:

1. Menggambarkan nilai daftar harga tanah yang dengan sumbu X dan Y (UTM) dengan
menggambarkan lokasi daftar harga tanah dengan tinggi harga tanah digambarkan dalam
sumbu Z.
2. Menggambarkan sumbu Y UTM dan Z sebagai nilai harga tanah (Plane YZ).
3. Menggambarkan nilai sumbu X UTM dan Z sebagai nilai harga tanah (Plane XZ).

4. Pada trend on projections memakai polinomial orde 2 (kuadratik), dimana data cendrung
meningkat lalu menurun lagi seperti parabola diilustrasikan gambar berikut:
5. Pada gambar berikut adalah Trend Analysis harga tanah di bagian barat, bagian tengah
dan bagian timur.

(1) Bagian Barat
(2) Bagian Tengah
(3) Bagian Timur

4.1.4 Voronoi Map
Seperti yang dijelaskan pada Bab II, Voronoi Map adalah serangkaian poligon yang terbentuk di
sekitar lokasi titik sampel. Poligon yang terbentuk disesuaikan dengan type yang diinginkan, type
ini akan direpresentasikan di legenda di ujung kanan atas dengan mengatur simbologi warna kelas
kelasnya di color ramp. Untuk menyisipkan layer untuk membentuk wilayah dalam Voronoi Map
bisa dilakukan dengan memasukkan shapefile yang diinginkan, seperti praktikum ini menggunakan
batas administrasi Kota Bandung.
Dalam pembuatan peta voronoi praktikum ini dibutuhkan shapefile daftar harga tanah Kota
Bandung yang bisa disisipkan melalui data source layer dengan atribut yang dipilih adalah harga
tanah. Jika metode statistik peta voronoi telah dibuat, maka bisa ditambahkan ke layout ArcGIS
dengan cara memilih “Add to Layout”.

Jika ingin meng-export hasil peta Voronoi Map sebagai data berformat shapefile yang memiliki
data atribut berupa statistik Voronoi bisa memilih format type-nya dengan mengklik “Export”.
Jumlah data yang dihasilkan dari Voronoi Map yaitu sama dengan jumlah titik sampel yang ada.
Geometri Voronoi Map adalah berupa poligon. Berikut ini adalah visualisasi statistik Voronoi
untuk masing-masing type:
Berikut adalah macam-macam type dari statistik Voronoi Map, yaitu:

1. Mean
2. Mode

3. Cluster
4.1.5 Semivariogram/Covariance Cloud
Pada metode Semivariogram Cloud, persebaran (plot) fungsi jarak yang memisahkan setiap
pasang titik (pada sumbu X) terhadap beda kuadrat γ antara nilai dari setiap pasang titik (pada
sumbu Y) dalam suatu set data. Dimana h (Sb. X) direpresentasikan dengan 10-4 dan γ (Sb. Y)
direpresentasikan 10-2. Karakteristik spasial yang dianalisis adalah korelasi spasial di dalam dan
antar suatu set data. Semakin berdekatan suatu data maka akan cenderung sama (membentuk
klaster seperti awan) dengan lokasi yang jauh (menjauhi sumbu X) harus mempunyai perbedaan
nilai yang kecil (rendah pada sumbu Y). Kesalahan besar atau outlier juga terdeteksi dengan
memahami Semivariogram Cloud di mana nilai h dan γ mengandung kesalahan.

Pada metode Covariance Cloud, persebaran (plot) fungsi jarak yang memisahkan setiap pasang
titik (pada sumbu X) terhadap nilai kovarian C antara nilai dari setiap pasang titik (pada sumbu Y)
dalam suatu set data. Dimana (Sb. X) direpresentasikan dengan 10-4 dan C (Sb. Y)
direpresentasikan 10-2. Karakteristik spasial yang dianalisis adalah korelasi spasial di dalam dan
antar suatu set data. Semakin berdekatan suatu data maka akan cenderung sama (membentuk
klaster seperti awan) dengan lokasi yang jauh (menjauhi sumbu X) harus mempunyai perbedaan
nilai yang kecil (rendah pada sumbu Y). Kesalahan besar atau outlier juga terdeteksi dengan
memahami Semivariogram Cloud di mana nilai h dan C mengandung kesalahan.

BAB V
KESIMPULAN
5.1 Kesimpulan
Dari praktikum I Statistika Spasial mengenai Perangkat Analisis Data Spasial Eksploratori
(ADSE) menggunakan extension Geostatistical Analyst ArcGIS mempunyai metode yang berbeda-
beda seperti karakteristik spasial yang dikaji. Metode-metode ini dapat disimpulkan sebagai
berikut:
1. Histogram, pada dasarnya memberikan deskripsi univariat (satu variabel) dari suatu set data.
Pada extension Geostatistical Analyst ArcGIS, histogram akan menampilkan distribusi
frekuensi dari set data yang dipilih dan ringkasan hitungan statistik. Secara garis besar ringkasan
hitungan statistik mendeskripsikan tentang ukuran lokasi, persebaran, dan bentuk dari set data.
Ukuran lokasi bisa berupa mean, median, 1st and 3rd quartile.
2. Voronoi Map, pada dasarnya menggambarkan poligon dari nilai titik sampel beserta nilai
tetangganya yang membentuk poligon juga disetiap datanya. Beberapa tipe dalam Voronoi Map
bisa dilihat menggunakan statistiknya yaitu Simple, Mean, Cluster, Entropy, Median, Standar
Deviasi, dan Interquartile Range (IQR). Karakteristik spasial yang dianalisis dari Voronoi Map
yaitu variabilitas dan klaster lokal.
3. Normal QQ Plot, QQ Plot menganalisis plot grafik antara variabel quantile dengan quantile
setiap anggota/case-nya. Quantile merupakan nilai yang akan membagi case dalam jumlah
tertentu yang besarnya sama pada setiap kelompoknya. Karakteristik spasial yang dianalisis
menggunakan Normal QQ Plot yaitu distribusi data dan outlier (kesalahan). Semakin dekat titik-
titik yang diplot ke garis lurus, maka semakin normal distribusi datanya. Data yang miring atau
tidak simetris (mengacu berdasarkan garis lurus) dapat diubah atau transformasi menggunakan
operasi Log dan Box Cox.
4. Trend Analysis, digunakan untuk mengindentifikasi trend global pada set data input,
bermanfaat jika kita ingin memetakan suatu trend atau menghilangkan suatu trend dari set data
sebelum menggunakan kriging. Selain itu, Trend Analysis berguna untuk memberikan
perspektif tiga dimensi dari set data. Lokasi titik-titik sampel di-plot pada titik sampel diberikan
nilai berupa ketinggian suatu tongkat dalam dimensi z.
Fitur unik dalam Trend Analysis menggambarkan nilai-nilai data yang diproyeksikan ke bidang
(x,z) dan bidang (y,z) sebagai diagram pencar (scatter plots). Kemudian, fungsi polinomial

dicocokkan melalui scatter plots pada bidang- bidang proyeksi. Selain itu, fitur ini dalam Trend
Analysis adalah data dapat dirotasi untuk mengisolasi trend arah yang melalui nilai-nilai.
5. 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 meng-plotnya sebagai fungsi jarak anta kedua lokasi tersebut. Semivariogram/
Covariance Cloud dapat digunakan untuk mengkaji karakteristik lokal dari autokorelasi spasial
dalam suatu set data dan mencari outliers.
Dari hasil praktikum I ini pula dapat disimpulkan bahwa data daftar harga tanah di Kota
Bandung kurang sesuai dengan kondisi lapangan yang bisa dilihat dari hasil yang diperoleh dalam
Geostatistical Analyst ArcGIS yang telah dilakukan sebelumnya. Hal ini ditunjukkan karena
adanya ketidaknormalan dari distribusi data pada Histogram dan Normal QQ Plot walaupun sudah
ditransformasi, adanya tumpang tindih antara nilai harga tanah yang tinggi dan rendah akibat
variabilitas yang bisa dilihat dari Voronoi Map dalam berbagi tipe dan adanya pengklasteran harga
tanah yang bisa dilihat Trend Analysis dan Semivariogram/Covariance Cloud) di wilayah kota
Bandung serta beberapa data yang outliers multivariat (outlier yang disebabkan oleh sekumpulan
variabel bebas atau variabel independen).

DAFTAR PUSTAKA
ArcGIS Pro. Tahun tidak diketahui. Understanding a semivariogram the range sill and nugget.
http://pro.arcgis.com/en/pro- app/help/analysis/geostatistical-analyst/understanding-a-
semivariogram-the-range-sill-and- nugget.htm diakses pada 15 Oktober 2018 pukul
22:45 WIB.
ESRI, 2007. Voronoi Maps.

http://webhelp.esri.com/arcgisdesktop/9.2/index.cfm?TopicName=Voronoi_maps diakses
pada 15 Oktober 2018 pukul 22:33 WIB.
ESRI, 2010. Geostatistical Analyst Tutorial.

help.arcgis.com/en/arcgisdesktop/10.0/pdf/geostatistical-analyst-tutorial.pd diakses pada
13 Oktober 2018 pukul 22:32.
ESRI, 2017. Histograms. http://desktop.arcgis.com/en/arcmap/10.3/guide-
books/extensions/geostatistical-analyst/histograms.htm diakes pada 15 Oktober 2018
pukul 22:18.
ESRI, 2017. Normal QQ Plot dan General QQ Plot.

http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/normal-qq-
plot-and-general-qq-plot.htm diakses pada 15 Oktober 2018 pukul 22:15.
ESRI. 2017. The Semivariogram/ Covariance Cloud Tool.

http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/the-
semivariogram-covariance-cloud-tool.htm diakses pada 15 Oktober 2018 pukul 22:33.
ESRI, 2017. Trend Analysis. http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-

analyst/trend-analysis.htm diakses pada 15 Oktober 22: 26
Kania Sari, Dewi. 2018. Prinsip- prinsip Analisa Geostatistika ADSE Variogram. Powerpoint
Perkuliahan Statistika Spasial: Jurusan Teknik Geodesi. Institut Teknologi Nasional
Bandung.
Laerd Statistics. Tahun tidak diketahui. Measure of Central Tendency.
https://statistics.laerd.com/statistical-guides/measures-central-tendency-mean-mode-
median.php diakses pada 13 Oktober 2018 pukul 23:02.

Laporan1 - Septya Dwi Putri - 232016039 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan1 - Septya Dwi Putri - 232016039 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM I

Tanggal Penyerahan: 22 Oktober 2019

LABORATORIUM SISTEM INFORMASI SPASIAL

Septya Dwi Putri / 23-2016-039 / B i

1.1 Maksud dan Tujuan

1.2 Waktu Pelaksanaan Praktikum

Septya Dwi Putri / 23-2016-039 / B 1

2.1 Analisis Geostatistika

2.2 Analisis Data Spasial Eksploratori (ADSE)

Septya Dwi Putri / 23-2016-039 / B 2

Septya Dwi Putri / 23-2016-039 / B 3

Dimana i adalah urutan ke-i dari data.

Gambar distribusi standar deviasi.

Septya Dwi Putri / 23-2016-039 / B 4

Gambar Skewness positif.

Gambar distribusi normal dan tidak normal.

Septya Dwi Putri / 23-2016-039 / B 5

Gambar Normal Q Plot

2.2.3 Trend Analyst

Septya Dwi Putri / 23-2016-039 / B 6

Gambar Trend Analysis pada Geostatistical Analyst Tools di ArcGIS.

2.2.4 Voronoi Maps

Gambar Ilustrasi Voronoi Map

Septya Dwi Putri / 23-2016-039 / B 7

Gambar Kelompok Statistik Voronoi

2.2.5 Semivariogram/ Covariance Cloud

Septya Dwi Putri / 23-2016-039 / B 8

Gambar Semivariogram/Covariance cloud pada Geostatistical Analyst Tools di ArcGIS.

Karakteristik semivariogram, diantaranya (ArcGIS Pro, Tahun tidak diketahui):

Septya Dwi Putri / 23-2016-039 / B 9

3.1 Export Data Format Excel ke Shapefile ArcGIS

2 Data vektor kota

3 Pada layer file daftar

Septya Dwi Putri / 23-2016-039 / B 10

5 Maka, daftar titik-

3.2 Analisis Data Menggunakan Perangkat ADSE

Septya Dwi Putri / 23-2016-039 / B 11

Septya Dwi Putri / 23-2016-039 / B 12

4.1 Perangkat ADSE

Septya Dwi Putri / 23-2016-039 / B 13

2. Ukuran Persebaran data (Measure of Spread)

Pada metode histogram terdapat dua cara transformasi, yaitu:

• Mean (rata-rata) : 0,58059

Berdasarkan metode histogram yang terdapat diatas, dapat dianalisis:

Septya Dwi Putri / 23-2016-039 / B 15

1. Ukuran Pusat Lokasi (Measure of Central Location)

Berdasarkan gambar Normal QQ Plot dapat dianalisis sebagai berikut:

Septya Dwi Putri / 23-2016-039 / B 16

Septya Dwi Putri / 23-2016-039 / B 17

4.1.3 Trend Analysis

Dari hasil Trend Analysis dapat dianalisis data sebagai berikut:

Septya Dwi Putri / 23-2016-039 / B 18

Septya Dwi Putri / 23-2016-039 / B 19

Septya Dwi Putri / 23-2016-039 / B 20

(1) Bagian Barat

(2) Bagian Tengah

(3) Bagian Timur

Septya Dwi Putri / 23-2016-039 / B 21

4.1.4 Voronoi Map

Septya Dwi Putri / 23-2016-039 / B 22

Septya Dwi Putri / 23-2016-039 / B 23

Septya Dwi Putri / 23-2016-039 / B 24

4.1.5 Semivariogram/Covariance Cloud