STATISTIKA SPASIAL
INTERPOLASI
Dosen Pengampu:
Ike Sari Astuti, S.P,M.Nat.Res.St.
Disusun Oleh:
b. Lakukan input data yang akan digunakan dalam interpolasi dan plotting
data, masukkan kode sesuai dibawah, lalu klik Run.
c. Lakukan plotting nilai hasil data diatas yang sesuai serta residu untuk
mengetahui tren spasial serta hubungan antara konsentrasi seng tanah dan
jarak ke sungai, dengan memasukkan kode sesuai berikut dibawah, lalu
klik Run :
c. Untuk menggunakan data meuse, masukkan kode sesuai dibawah, lalu klik
Run.
g. Dari beberapa model variogram yang ada, dapat dibuat sebuah visiogram
yang paling tepat untuk menggambarkan data penelitian di sungai meuse,
dengan cara memasukkan kode sesuai dibawah kemudian klik Run.
l. Buatlah plot dari data diatas pada sebuat variogram, dengan memasukkan
kode sesuai dibawah lalu klik Run
4. Prediksi spasial
a. Untuk mengetahui residual variogram modeling dengan tren data berupa
linier sederhana dilakukan dengan memasukkan kode sesuai berikut, lalu
klik Run :
Maka akan muncul hasil seperti berikut :
e. Jika terjadi error menggunakan cara, maka lakukan cara lain untuk
melakukan uji model linier, dengan memasukkan kode sebagai berikut ,
lalu klik Run :
5. Model diagnostik
a. Untuk menentukan jenis kriging yang sesuai dengan data, masukkan
kode seperti berikut lalu Klik Run
b. Untuk menghitung nilai residu data diatas, masukkan kode berikut lalu
klik Run :
e. Untuk memperoleh nilai z-skor, maka masukkan kode berikut, lalu klik
Run
6. Simulasi geotatistik
a. Untuk melakukan simulasi berurutan, kemudian buatlah plot dari data
tersebut dengan masukkan kode berikut lalu klik Run
Hasil diatas merupakan nilai X dan Y yang mana nilai ini hasil dari proses input
data berupa data koordinat yang yang diolah menggunakan metode Inverse Distance
Weighted (IDW). Asumsi IDW pada hasil diatas data yang di olah sangat berpengaruh
terhadap jarak dengan data, hal ini dikarenakan pada metode ini perhitungan dan
diestimasikan dengan data (sample) memiliki pengaruh besar terhadap jarak.
4. Viriogram korelasi spasial
Hasil viriogram korelasi spasial merupakan suatu model korelasi spasial yang
menggunakan data yang sudah ada, akan tetapi data korelasi ini bisa dilakukan
harus memiliki data pasangan/berpasangan (x/y) untuk menampilkan memunculkan
sebaran data. Data yang digunakan untuk mengetahui korelasi spasial ini yaitu data
meuse. Variogram ini memiliki kegunaan untuk menunjukkan adanya korelasi atau
tidak, ketika data memiliki korelasi maka sebaran data tersebut akan mengikuti
garis miring atau linier trend. Sedangkan data yang tidak memiliki korelasi maka
data tersebut akan menyebar.
5. Viriogram paket gstat
Gambar diatas merupakan hasil plot profil lambda yang dibuat dengan metode
boxcox menunjukkan transformasi non-linear menggunakan. Transformasi Box
Cox yaitu transformasi pangkat berparameter tunggal λ(lambda), terhadap Variabel
Y, maka dapat dilakukan transfomasi terhadap Y yang dipangkatkan dengan
parameter λ, sehingga menjadi Yλ . nilai λ biasanya antara -5 sampe 5. Pendugaan
parameter dapat dicari dengan menggunakan Metode Kemungkinan Maksimum (
Maximum Likehood Method). dari banyak nilai λ dipilih sedemikian sehingga
didapat jumlah kuadrat sisaan paling minimum yang diharapkan memperoleh
transformasi terbaik.
10. Hasil Proses Model Diagnostik : Plotting nilai residu validasi silang
Hasil diatas merupakan plotting data dari proses Model Duagnostik yang
menunjukkan distribusi nilai residu validasi silang dari perkumpulan data yang
menunjukan pola persebaran pemodelan variogram dan kriging. Tujuan dari
validasi silang ini adalah mendifinisikan hasil uji model untuk mengurangi masalah
seperti terjadinya overfitting. Nilai dari masing-masing data residu dipresentasikan
menggunakan ukuran dan warna. Disini terbagi menjadi dua yang berarti pesebaran
data hasil dari dua variable.
11. Hasil Proses Model Diagnostik : Plotting untuk semua data pengamatan
Hasil diatas merupakan plotting dari proses Model Diagnostik terhadap semua
data hasil pengamatan, baik data hasil analisis maupun residual. Data yang
ditampilkan menunjukkan variasi yang beragam karena menggunakan semua data
hasil pengamatan, variasi tersebut ditampilkan denggan ukuran dan warna yang
beragam sesuai kelas kalisifikasinya.
12. Hasil Proses Simulasi Geostatistik
Hasil yang terakhir pada praktikum kali ini adalah Geostatistik, metode ini
merupakan metode yang memiliki kegunaan untuk melihat hubungan antar variabel
yang diukur pada titik tertentu dengan variabel yang sama diukur pada titik dengan
jarak tertentu dari titik pertama dan digunakan untuk mengestimasi parameter di
tempat yang tidak diketahui datanya. Simulasi geostatistik pada hasil diatas, dimana
metode kriging menunjukkan hasil yang tidak dapat dibuktikan kebenarannya.
Visualisasi data tersebut menggunakan data sample sebaran konssentrasi zinc
tanah. Gradasi warna pada plot menunjukkan lokasi dan tingkat persebaran
konsentrasi kandungan zinc pada sungai muse.