SIG Terapan Geostatistik

LAPORAN KEGIATAN PRAKTIKUM
SISTEM INFORMASI GEOGRAFIS TERAPAN

Analisis Geostatistik
Oleh :
Akram Sripandam Prihanantya
17/415135/TK/46424
PROGRAM STUDI SARJANA TEKNIK GEODESI

DEPARTEMEN TEKNIK GEODESI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
2020
Mata Kuliah Sistem Informasi Geografis Terapan
I. Judul Praktikum
II. Tujuan Praktikum
- Agar mahasiswa mampu melakukan analisis geostatistik
- Agar mahasiswa mampu menggunakan tools yang berkaitan dengan analisis geostatistik
- Agar mahasiswa mampu melakukan akuisis data dan mengesktrak informasi dari citra
satelit
III. Alat dan bahan Praktikum
- Komputer/laptop
- Perangkat lunak ArcGIS
- Batas daerah (dalam laporan ini digunakan batas Kabupaten Gunung Kidul)
- Platform Google Earth Engine (GEE)
IV. Langkah Kerja (sekaligus hasil dan analisis)
1. Akuisisi data dari GEE
a. Membuka GEE, melakukan pemotongan citra sesuai dengan daerah yang akan
dianalisis, dan mengekspor citra sebagai file offline pada resolusi 1000 m/px
2
b. Mengunduh data DEMNAS dari http://tides.big.go.id/DEMNAS/DEMNAS.php sesuai

dengan daerah yang akan dianalisis
2. Membuat sebaran titik acak yang memiliki nilai raster

a. Membuka perangkat lunak ArcMap lalu memuat data raster NO2 dan vektor batas
administrasi
b. Membuat titik acak sejumlah 400 – 500 menggunakan menu create random points
c. Membuat setiap titik memiliki nilai raster dengan cara extraction values to points lalu
menghapus data null pada field raster values agar semua data yang ada memiliki nilai
raster. Dari 500 titik yang dibuat, tersisa 306 titik yang memiliki nilai raster.
3
3. Latihan Pertama (Analisis Geostatistik – Teknik kriging default)

Teknik ini mengasumsikan setidaknya beberapa variasi dari fenomena alam yang
diamati dapat dimodelkan oleh proses acak dengan metode ‘autokorelasi spasial’, secara
sederhana hal ini berarti objek yang saling berdekatan nilainya akan cenderung sama
dibandingkan dengan objek yang saling berjauhan. Teknik kriging dapat digunakan untuk
menjelaskan pola model spasial, memprediksi nilai pada lokasi yang tidak diukur, dan
menilai ketidakpastian nilai prediksi pada lokasi yang tidak diukur. Langkah melakukan
proses kriging adalah sebagai berikut:
a. Mengaktifkan ekstensi dan toolbar geostatistical analyst dengan cara customize >
Extensions lalu pilih ekstensi yang akan diaktifkan.
b. Pada toolbar geostatistical analyst memilih geostatistical wizard lalu memilih metode
kriging/coKriging. Memasukkan input dataset yaitu titik acak yang telah dibuat
sebelumnya dan raster values sebagai input data field > next.
4
c. Memilih tipe kriging yaitu ordinary lalu next hingga selesai.
5
Step 3 – semivariogram
γ ·10 12
2.515
2.286
2.058
1.829
1.6
1.372
1.143
0.914
0.686
0.457
0.229
0 0.865 1.729 2.594 3.459 4.323 5.188 6.053 6.917 7.782 8.647 9.511
Model Binned Averaged Distance (Degree), h ·10 3
Pada grafik diatas, terlihat bahwa terdapat beberapa pasang data yang
memiliki nilai semivariogram tinggi hal ini berarti nilai korelasi antar data tersebut
rendah. Namun mayoritas dari data yang ada memiliki korelasi yang tinggi, terlihat
dari banyaknya data di sekitar garis biru. Beberapa data juga sudah diluar jangkauan
autokorelasi, hal ini terlihat dari adanya data yang terletak pada saat grafik
semivariogram mencapai titik tertinggi lalu mulai mendatar.
6
Step 4 – Searching Neighborhood
Pada hasil kriging diatas, dapat dengan mudah dipahami bahwa hasil prediksi
sebaran NO2 terlihat pada interval warna biru tua-merah tua. Biru tua menyatakan
konsentrasi NO2 yang rendah, sebaliknya warna merah tua menyatakan konsentrasi
NO2 yang tinggi. Daerah yang diprediksi oleh metode ini adalah seluas cakupan segi-
empat dari data sampel terluar.
7
Step 5 – Cross Validation
Dari 306 sampel titik yang dijadikan sebagai sampel pengujian, terlihat bahwa
pada tab predicted, grafik yang menunjukkan prediksi (garis biru) memiliki sedikit
perbedaan dengan data aslinya (garis abu-tipis), namun cenderung memiliki trend
yang hampir sama. Cross validation berfungsi untuk melakukan uji akurasi hasil
prediksi.
8
4. Latihan kedua
a. Memilih histogram pada Geospatial Analyst > Explore data > Histogram lalu memilih
juga Normal QQ Plot. Dua grafik ini menjelaskan distribusi data yang dijadikan sampel.
Histogram
Histogram menyatakan data statistik sederhana dari layer dan field yang
ditentukan pengguna. Diagram batang diatas berisi mengenai perbandingan antara
nilai dataset (nilai NO2 pada setiap titik) pada sumbu X dengan frekuensinya pada
sumbu Y. Selain itu, terlihat pada kotak di ujung kanan atas bahwa terdapat hasil
operasi statistika sederhana seperti jumlah data, nilai minimal, nilai maksimal, nilai
rerata, standar deviasi, nilai puntiran (skewness), nilai keruncingan (kurtosis), kuartil
ke 1, nilai median, dan nilai kuartil ke 3.
Normal Q-Q Plot
9
Data yang baik semestinya terdistribusi normal, pada grafik Normal QQ Plot
data dapat dikatakan terdistribusi normal apabila berhimpit pada garis diagonal.
Sementara pada gradik diatas, terlihat bahwa data tidak terdistribusi normal,
walaupun juga tidak dapat dikatakan terdapat outlier. Pemilihan sampel yang
terdistribusi normal membantu prediksi berjalan lebih baik.
b. Memilih trend analysis pada Geospatial Analyst > Explore data > trend analysis. Dengan
memilih layer dan field yang sesuai, maka didapatkan hasil tren sebagai berikut :
Trend on XZ-Axis
Tren pertama adalah garis hijau pada sumbu XZ, dimana garis tersebut
memiliki ujung dengan ketinggian (z) yang sama yaitu pada kisaran 1 satuan grid dan
tengahnya menggelembung ke atas sehingga membentuk seperti lonceng. Hal ini
berarti data pada sumbu tersebut terdistribusi normal walaupun tidak sempurna,
karena cembungan yang ada tidak terlalu signifikan.
10
Trend on YZ-Axis
Tren kedua adalah garis biru pada sumbu YZ, sama halnya dengan trend
pertama dimana garis tersebut memiliki ujung dengan ketinggian (z) yang sama yaitu
pada kisaran 1 satuan grid dan tengahnya menggelembung ke atas sehingga
membentuk seperti lonceng. Hal ini berarti data pada sumbu tersebut terdistribusi
normal walaupun tidak sempurna, karena cembungan yang ada tidak terlalu
signifikan.
c. Memilih Semivariogram/Covariance Cloud pada Geospatial Analyst > Explore data >
Semivariogram/Covariance Cloud. Dengan memilih layer dan field yang sesuai, maka
didapatkan hasil tren sebagai berikut :
11
Grafik ini menunjukkan sebaran seluruh pasangan data pada semua arah.
Grafik ini berfungsi untuk mengetahui pasangan data yang saling berkorelasi.
Misal pada percobaan pertama, yaitu memilih 2 pasang data yang memiliki
jarak berjauhan namun memiliki nilai korelasi yang hampir sama namun nilai
semivariogramnya tinggi.
12
Misal pada percobaan kedua, yaitu memilih 2 pasang data yang memiliki jarak
berdekatan, memiliki nilai korelasi yang hampir sama, dan nilai semivariogramnya
rendah.
Pada percobaan ketiga dengan menyalakan pencarian berdasarkan arah,

mempermudah analisis karena hanya pada arah tertentu (dapat diubah sesuai
keinginan) yang ditampilkan pada grafik. Misalkan diatur ke arah ± 45° azimuth maka
data yang ditampikan adalah hanya data yang memiliki sudut korelasi ± 45°
13
5. Latihan ketiga
a. Melakukan transformasi sesuai dengan kecenderungan distribusi data pada hasil
Latihan kedua (trend analysis) dengan cara mengubah orde transformasi, dalam hal
ini dipilih orde 2.
Step 3 of 6
Hasil Langkah ke-3 memperlihatkan hasil transformasi, dimana sebaran warna

lebih teratur dan terarah dibandingkan hasil sebelumnya.
14
b. Memilih model type yaitu spherical lalu pada view setting mengubah show search
direction dan show all lines menjadi true dan mengubah arah atau angle sehingga
memenuhi ketentuan :
- Melewati tengah – tengah dari kumpulan titik yang telah dikelompokkan (binned
values) yaitu titik-titik merah.
- Sedekat mungkin dengan nilai rerata (titik-titik biru)
- Sedekat mungkin dengan garis hijau
Step 4 of 6 – Semivariogram/Covariance Modelling
γ ·10 12
6.819
6.199
5.579
4.959
4.339
3.719
3.099
2.48
1.86
1.24
0.62
0 0.142 0.284 0.426 0.568 0.71 0.851 0.993 1.135 1.277 1.419 1.561
Model Binned Averaged All lines Distance (Degree), h ·10 1
Pada grafik diatas, terlihat bahwa pada azimuth 44,6°, grafik telah memenuhi
ketentuan yang disyaratkan.
15
Step 5 of 6 – Searching Neighborhood
Mengatur neighbors atau “tetangga” yang akan digunakan untuk prediksi.

Dalam hal ini, mengisi nilai maksimum dengan angka 5 dan nilai minimum dengan
angka 2.
Step 5 of 6 – Cross Validation
Pada cross validation ini, didapatkan nilai dari Root-Mean-Square standardized

adalah sebesar 0,9311481 atau dibawah batas maksimal yaitu 1.
16
Brief Report atau Laporan Singkat dari hasil analisis
6. Latihan keempat
Membandingkan model pada Latihan ketiga dengan Latihan sebelumnya
dengan cara memilih compare pada layer yang akan dibandingkan. RMS standardized
antara model kriging Latihan ketiga (kiri) lebih kecil dibandingkan dengan model
kriging pada Latihan pertama (kanan).
Predicted
17
Error
Standardized Error
18
Normal QQ Plot
Dengan hasil perbandingan diatas, disimpulkan bahwa hasil kriging pada hasil
Latihan ketiga lebih baik dibandingkan Latihan pertama.
19
7. Latihan Kelima : Layouting

SIG Terapan Geostatistik

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

SIG Terapan Geostatistik

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN KEGIATAN PRAKTIKUM

SISTEM INFORMASI GEOGRAFIS TERAPAN

PROGRAM STUDI SARJANA TEKNIK GEODESI

b. Mengunduh data DEMNAS dari http://tides.big.go.id/DEMNAS/DEMNAS.php sesuai

2. Membuat sebaran titik acak yang memiliki nilai raster

3. Latihan Pertama (Analisis Geostatistik – Teknik kriging default)

c. Memilih tipe kriging yaitu ordinary lalu next hingga selesai.

Step 4 – Searching Neighborhood

Step 5 – Cross Validation

Normal Q-Q Plot

Pada percobaan ketiga dengan menyalakan pencarian berdasarkan arah,

Hasil Langkah ke-3 memperlihatkan hasil transformasi, dimana sebaran warna

Step 4 of 6 – Semivariogram/Covariance Modelling

Step 5 of 6 – Searching Neighborhood

Mengatur neighbors atau “tetangga” yang akan digunakan untuk prediksi.

Step 5 of 6 – Cross Validation

Pada cross validation ini, didapatkan nilai dari Root-Mean-Square standardized

Brief Report atau Laporan Singkat dari hasil analisis

Anda mungkin juga menyukai