LAPORAN PRAKTIKUM VII

STATISTIKA SPASIAL
INTERPOLASI
Dosen Pengampu:
Ike Sari Astuti, S.P,M.Nat.Res.St.

Disusun Oleh:

Nama : MUHAMMAD FATKHUL NAJIB

NIM : 170722637011
Off/Thn : H/2017
Asisten : Mohammad Irvan Aditya

PROGRAM STUDI GEOGRAFI

JURUSAN GEOGRAFI
FAKULTAS ILMU SOSIAL
UNIVERSITAS NEGERI MALANG
2019
 ACARA VII
INTERPOLASI
I. TUJUAN
Adapun tujuan dari penulisan pada laporan ini supaya praktikan mampu :
1. Analisis data eksplorasi dan interpolasi non geo-statistik menggunakan software R
Studio
2. Estimasi korelasi spasial dan prediksi spasial menggunakan software R Studio
3. Memodelkan diagnostik dan simulasi geostatistik menggunakan software R Studio

II. LANGKAH KERJA

a. LANGKAH KERJA
1. Analisis data eksplorasi
a. Lakukan install paket lattice dan sp, dengan memasukkan kode berikut,
kemudian klik Run.

b. Lakukan input data yang akan digunakan dalam interpolasi dan plotting
data, masukkan kode sesuai dibawah, lalu klik Run.

Maka akan muncul hasil hasil seperti dibawah :

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 :

Maka akan muncul hasil seperti dibawah :

2. Interpolasi non geo statistik
a. Lakukan input data yang akan diinterpolasi. Lalu lakukan load paket yang
akan digunakan untuk melakukan interpolasi dengan memasukkan kode
sesuai dibawah, lalu klik Run.

b. Lakukan perintah untuk melakukan proses interpolasi menggunakan

metode IDW, dengan memasukkan kode sesuai dibawah, lalu klik Run.

Maka akan muncul hasil koordinat X dan Y seperti dibawah

x y var1.pred var1.var
1 181180 333740 701.9621 NA
2 181140 333700 799.9616 NA
3 181180 333700 723.5780 NA
4 181220 333700 655.3131 NA
5 181100 333660 942.0218 NA

c. Untuk menggunakan data meuse, masukkan kode sesuai dibawah, lalu klik
Run.

d. Untuk mengetahui prediksi atau interval kepercayaan pada tingkat

kepercayaan tertentu, masukkan kode sesuai dibawah, lalu klik Run.

e. Untuk prediksi spasial menggunakan model linier sederhana, masukkan

kode sesuai dibawah, lalu klik Run.

Maka akan munul hasil seperti dibawah :

 Call:
lm(formula = log(zinc) ~ I(x^2) + I(y^2) + I(x * y) + x + y,
data = meuse)
Coefficients:
(Intercept) I(x^2) I(y^2) I(x * y) x y
2.395e+04 8.575e-07 8.467e-07 -1.623e-06 2.279e-01 -2.684e-01

3. Estimasi korelasi spasial : Variogram

a. Lakukan analisis variogram untuk mengetahui korelasi spasial
menggunakan data meuse dengan memasukkan kode sesuai dibawah lalu
klik Run.

Maka akan muncul hasil seperti dibawah :

b. Untuk membuat variogram yang berbeda berdasarkan data diatas, lakukan

Load paket gstat dengan memasukkan kode sesuai dibawah lalu klik Run
:

Maka akan muncul hasil seperti berikut :

c. Untuk mendetailkan variogram dengan menampilkan variabelitas

tertinggi/terendah, masukkan kode sesuai dibawah, lalu klik Run.

Maka akan muncul hasil seperti berikut :

d. Untuk membuat permodelan pada variogram dengan menggunakan data
meuse, masukkan kode sesuai dibawah, lalu klik Run

Maka akan muncul hasil seperti berikut :

e. Untuk memvalidasi model variogram yang telah dibuat, masukkan kode

sesuai dibawah lalu klik Run.

Maka akan muncul hasil seperti berikut :

vgm(1,"Sph",300)
model psill range
1 Sph 1 300
> v1<-vgm(1,"Sph",300,0.5)
> v1
model psill range
1 Nug 0.5 0
2 Sph 1.0 300
> v2<-vgm(0.8,"Sph",800,add.to=v1)
> v2
model psill range
1 Nug 0.5 0
2 Sph 1.0 300
3 Sph 0.8 800
> vgm(0.5, "Nug", 0)
model psill range
1 Nug 0.5 0
f. Untuk mengload list tipe model dari data variogram lakukan perintah
dengan memasukkan kode sesuai dibawah, lalu klik Run.

Maka akan muncul hasil seperti berikut :

> vgm()
short
long
1 Nug Nug
(nugget)
2 Exp Exp (exp
onential)
3 Sph Sph (s
pherical)
4 Gau Gau (
gaussian)
5 Exc Exclass (Exponential clas
s/stable)
6 Mat Mat
(Matern)
7 Ste Mat (Matern, M. Stein's paramete
rization)
8 Cir Cir (
circular)
9 Lin Lin
(linear)
10 Bes Bes
(bessel)
11 Pen Pen (pentas
pherical)
12 Per Per (
periodic)
13 Wav W
av (wave)
14 Hol H
ol (hole)
15 Log Log (log
arithmic)
16 Pow Po
w (power)
17 Spl Spl
(spline)
18 Leg Leg (
Legendre)
19 Err Err (Measureme
nt error)
20 Int Int (I
ntercept)

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.

Maka akan muncul hasil seperti berikut :

h. Untuk melakukan uji kecocokan variogram pada hasil diatas, dilakukan
dengan cara memasukkan kode sesuai dibawah, lalu klik Run

Maka akan muncul hasil seperti berikut :

i. Untuk menguji kecocokan variogram dengan menggunakan paket geoR,

masukkan kode sesuai dibawah, lalu Klik Run

Maka akan muncul hasil seperti berikut :

j. Untuk menguji kecocokan model secara parsial atau variabel tertentu

dengan menggunakan fungsi fit.variogram.reml, masukkan kode sesuai
dibawah lalu klik Run.

Maka akan muncul hasil seperti berikut :

 k. Untuk mengatur informasi yang tersedia dengan perintah gstat, dapat
dilakukan dengan memasukkan kode sesuai dibawah lalu klik Run

Maka akan muncul hasil sebagai berikut :

l. Buatlah plot dari data diatas pada sebuat variogram, dengan memasukkan
kode sesuai dibawah lalu klik Run

Maka akan muncul hasil seperti berikut :

m. Untuk membuktian kekuatan korelasi silang pada variogram yang telah

dibuat diatas, maka masukkan kode sesuai dibawah lalu klik Run.

Maka akan muncul hasil seperti berikut :

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 :

b. Untuk mengisikan perintah secara bergantian untuk mengethaui jenis

kriging yang palig sesuai untuk digunakan dengan zinc, masukkan kode
seperti berikut, lalu klik Run :

Maka akan muncul hasil seperti berikut :

c. Untuk mendapatkan gambaran terkait variasi kesalahan prediksi dan

kovariansi, masukkan kode seperti berikut, lalu klik Run :

Maka akan muncul hasil seperti berikut :

d. Untuk menguji model linier coregional guna menjamin variasi non negatif
pada cokriging, maka masukkan kode dibawah, lalu klik Run :

e. Jika terjadi error menggunakan cara, maka lakukan cara lain untuk
melakukan uji model linier, dengan memasukkan kode sebagai berikut ,
lalu klik Run :

f. Untuk menentukan metode cokriging paling sesuai, masukkan kode

sebagai berikut, lalu klik Run :

g. Untuk melakukan block kriging laukan dengan menginstal paket

predict.gstat berikut

h. Lakukan perintah untuk menentukan model prediksi pada blok ukuran

40,40, menetukan model prediksi untuk data melingkar dengan jari-jari 20,
berpusat pada titik meuse.grid maka masukkan kode sesuai berikut, lalu
klik Run

i. Untuk menemukan sel-sel grid pengamatan, kemudian lakukan kriging

masing-masing sub-domain lalu simpan dengan nama x1 dan x2, lakukan
dengan memasukkan kode sebagai berikut :
j. Untuk mengetahui nilai data pada kondisi nol varian serta komponen tren
kuadrat terkecil yang digeneralisasikan, masukkan kode berikut, lalu klik
Run

Maka akan muncul hasil seperti berikut :

k. Tentukan koefisien regeresi dan kesalahan standarnya dengan

menggunakan gstat, dengan memasukkan kode berikut lalu klik Run

Maka akan muncul hasil seperti berikut :

l. Untuk menentuka koefisien regresi, dapat dilakukan dengan memasukkan

kode berikut, lalu klik Run

Maka akan muncul hasil seperti berikut :

m. Buatlah plot profil kemungkinan untuk lambda dengan menggunakan
metode boxcox pada paket MASS, dengan memasukkan kode berikut lalu
klik Run

Maka akan muncul hasil seperti berikut :

n. Untuk merubah variabel kontinu dan mengurangi variabel kategori

menjadi variabel biner yang berfungsi untuk memperoleh indikator
kriging, dilakukan dengan memasukkan kode berikut lalu klik Run :

Maka akan muncul hasil seperti berikut :

o. Untuk mengetahui kesalahan dalam matriks tunggal, lakukan dengan

memasukkan kode berikut lalu klik Run :

Maka akan muncul hasil seperti berikut :

 p. Untuk menemukan pengamatan duplikat terhadap kumpulan data,
masukkan kode berikut lalu klik Run

Maka akan muncul hasil seperti berikut :

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 :

Maka akan muncul hasil seperti berikut :

c. Untuk membuat peta berdasarkan nilai residu validasi silang, lakukan

dengan memasukkan kode berikut, lalu klik Run

Maka akan muncul hasil seperti berikut :

d. Lakukanlah langkah yang sama seperti poin c diatas terhadap semua data
pengamatan yang digunakan, dengan memasukkan kode berikut, lalu klik
Run :

Maka akan muncul hasil seperti berikut :

e. Untuk memperoleh nilai z-skor, maka masukkan kode berikut, lalu klik
Run

Maka akan muncul hasil seperti berikut :

 f. Untuk memvalidasi silang pada data meuse, masukkan kode berikut lalu
klik Run

Maka akan muncul hasil seperti berikut :

g. Untuk menilai kesesuaian pada hasil perhitungan diatas, lakukan dengan

metode berbeda (block kriging) pada data yang sudah disediakan, dengan
memasukkan kode berikut laku klik Run

Maka akan muncul hasil seperti berikut :

6. Simulasi geotatistik
a. Untuk melakukan simulasi berurutan, kemudian buatlah plot dari data
tersebut dengan masukkan kode berikut lalu klik Run

Maka akan muncul hasil seperti berikut

III. HASIL DAN PEMBAHASAN
Praktikum ke 7 ini merupakan acara yang membahas mengenai Interpolasi yang
mana metode ini merupakan metode untuk mendapatan sebuah data berdasarkan
beberapa data yang telah ada dan sudah diketahui. Pada praktikum ini sendiri
interpolasi digunakan untuk mengetahui estimasi korelasi spasial dan prediksi spasial
yang terdapat pada sebuah sebaran data. Adapun juga hasil lainnya setelah dilakukan
interpolasi adalah :
1. Analisi data eksplorasi

Hasil ini merupakan menunjukkan plotting berdasarkan variabel terukur, selain

itu sebaran titik-titik menunjukan bahwasannya nilai data yang ada dari plotting
tersebut tersebar sesuai dengan koordinat yang telah diinput saat olah data. Sebaran
data dari hasil ini di wujudkan dalam bentuk titik-titik bulat berwaran hijau yang
juga membedakan satu data dengan data yang lainnya.
Penggunaan plot diatas memiliki beberapa kelemahan antara lain simbol
bubble yang disajikan kurang begitu efektif jika terdapat perbedaan antar nilai yang
besar kecil nilai hanya di bedakan berdasarkan ukuran titiknya, dimana semakin
besar bubble semakin besar pula nilainya dan semkain kecil bubble semakin kecil
nilainya.
2. Ploting nilai residual
 Hasil plotting residual ini menunjukkan nilai yang sesuai dengan residu serta
hubungan konsentrasi tanah dan jarak ke sungai. Perbedaan warna dalam plot
diatas merupakan hubungan konsentrasi antara zinc tanah dengan jarak ke sungai.
Hubungan konsentrasi tersebut tervisualisasikan kedalam lima kelas warna dengan
semakin gelap warna memiliki rentang nilai semakin kecil begitu sebaliknya.
3. Hasil Proses Metode Interpolasi Non Geostatistik

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

Hasil variogram paket gstat merupakan variogram yang menampilkan titik-titik

data meuse yang telah dilakukan sebelumnya. Variogram diatas menunjukkan
 persebaran titik hubungan antara konsentrasi zinc dengan jarak ke sungai
membentuk suatu pola. Pada plot diatas menunjukkan titk-titik yang berdekatan,
hal ini menunjukkan bahwasannya data korelasi memiliki jarak yang dekat ke
sungai dengan titik yang bernilai rendah.
6. Variasi bentuk variogram

Hasil variogram diatas merupakan wujud perbaikan dari variogram

dikarenakan variogram sebelumnya terlalu general sehingga sulit dipahami.
Dengan adannya perbaikan tersebut maka akan diketahui variabilitas data
tertinggi/terendah. Varidibilitas dalam variogram diatas menunjukkan semakin
kecil nilai variabilitas menunjukkan semakin kecil penyebaran suatu kelompok data
(homogenitas). Terlihat dari hasil diatas menunjukkan kerapatan titik hitam yang
mana hal itu menunjukkan vaiabilitasnya rendah, sedangkan yang memiliki warna
putih dan tidak terlalu rapat antar titiknya memiliki niali variabilitas yang
cenderung tinggi.
7. Pemodelan variogram

Hasil diatas merupakan hasil pemodelan variogram sederhana, yang

menunjukkan konsentrasi sejumlah elemen kimia yang diambil dari sungai meuse
yang menunjukkan arah persebaran titik data yang ditarik garis secara linier
sehingga membentuk kurva yang bervariasi bergantung pada persebaran data yang
ada. Ada beberapa macam model variogram yang terbentuk diatas yaitu model
spherical, gaussian dan kubik.

8. variasi kesalahan prediksi dan kovariansi

 Hasil gambar diatas merupakan pemetaan dari beberapa layer dengan satu
legenda, menunjukkan gambaran terkait variasi kesalahan prediksi dan kovariansi..
Gambar tersebut menunjukan 16 variasi warna yang merupakan kombinasi linear
antara bobot dan data yang berasal dari 2 variabel yang diukur, yaitu sebaran
konsentrasi zinc dengan jarak ke sungai meuse, ke-16 variaisi warna yang
tergambar mendefinisikan kumpulan sampel Data spasial yang ada dirubah menjadi
peta spasial dengan polygon berwarna pada variogram yang merupakan represntasi
dari komponen data frame
9. Boxcox paket MASS

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.