Disusun oleh:
Dosen Pengampu:
Dr-Ing.Ir.Teguh Hariyanto.M.Sc
Nurwatik.S.T.,M.Sc
Puji syukur Kami panjatkan kepada Tuhan Yang Maha Esa, karena berkat rahmat dan
karunia-Nya, Kami dapat menyelesaikan laporan Praktikum “Pattern Analysis” untuk Mata
Kuliah Sistem Informasi Geografis Terapa ini.
Tidak lupa Kami juga mengucapkan terima kasih kepada pihak-pihak yang telah
membantu dan membimbing Kami selama pelaksanaan praktikum sampai ke tahap
penyelesaian laporan, diantaranya:
Untuk perbaikan penulisan laporan di kemudian hari, kritik dan saran yang membangun
akan diterima dengan senang hati. Semoga laporan ini dapat memberikan manfaat dan
menambah wawasan pembaca.
Penyusun
i
DAFTAR ISI
KATA PENGANTAR..........................................................................................................................i
DAFTAR ISI........................................................................................................................................ii
DAFTAR GAMBAR..........................................................................................................................iii
DAFTAR TABEL................................................................................................................................v
BAB I PENDAHULUAN....................................................................................................................1
1.1 Latar Belakang...........................................................................................................................1
1.2 Tujuan........................................................................................................................................1
1.3 Batasan Masalah.........................................................................................................................1
BAB II METODOLOGI.....................................................................................................................3
2.1 Area Studi..................................................................................................................................3
2.2 Alat dan Bahan...........................................................................................................................3
2.3 Diagram Alir Praktikum.............................................................................................................6
2.4 Langkah Pengerjaan...................................................................................................................6
2.4.1 Pengumpulan dan Persiapan Data........................................................................................6
2.4.2 Average Nearest Neighbor.................................................................................................11
2.4.3 High/Low Clustering (Getis-Ord General G)....................................................................13
2.4.4 Multi-Distance Spatial Cluster Analysis (Ripleys K Function)..........................................16
2.4.5 Spatial Autocorrelation (Morans l)....................................................................................18
BAB III ANALISA DAN PEMBAHASAN......................................................................................21
3.1 Hasil Point Pattern...................................................................................................................21
3.1.1 Hasil Average Nearest Neighbor.......................................................................................21
3.1.2 Hasil High/Low Clustering (Getis-Ord General G)............................................................22
3.1.3 Hasil Multi-Distance Spatial Cluster Analysis (Ripleys K-Function)................................24
3.1.4 Hasil Spatial Auotcorrelation (Morans I)...........................................................................25
3.2 Analisis Point Pattern..............................................................................................................27
3.2.1 Analisis Tools....................................................................................................................27
3.2.2 Analisis Tools High/Low Clustering (Getis-Ord General G).............................................29
3.2.3 Analisis Tools Multi-Distance Spatial Cluster Analysis (Ripleys K-Function)..................31
3.2.4 Analisis Tools Spatial Auotcorrelation (Morans I)............................................................33
BAB IV PENUTUP............................................................................................................................36
4.1 Kesimpulan..............................................................................................................................36
4.2 Saran........................................................................................................................................37
DAFTAR PUSTAKA........................................................................................................................38
ii
DAFTAR GAMBAR
Gambar 2.1 Studi Area: Kota Surabaya, Jawa Timur...........................................................................3
Gambar 2.2 Laptop..............................................................................................................................3
Gambar 2.3 Mouse...............................................................................................................................3
Gambar 2.4 ArcMap............................................................................................................................4
Gambar 2.5 Microsoft Office 365........................................................................................................4
Gambar 2.6 Data WorldPop Kota Surabaya Format Raster.................................................................4
Gambar 2.7. Shapefile Kota Surabaya.................................................................................................4
Gambar 2.8 Shapefile Fasilitas Pendidikan Kota Surabaya..................................................................5
Gambar 2.9 Shapefile Pemerintahan Kota Surabaya............................................................................5
Gambar 2.10 Diagram Alir Praktikum.................................................................................................6
Gambar 2.11 Download Data WorldPop Indonesia.............................................................................7
Gambar 2.12 Download Data Shapefile Kota Surabaya dari Inageoportal...........................................7
Gambar 2.13 Download Data Shapefile Kota Surabaya dari Open Street Map....................................7
Gambar 2.14 Add Data yang akan Digunakan.....................................................................................8
Gambar 2.15 Hasil Clip Data Raster WorldPop Sesuai Wilayah Kota Surabaya.................................8
Gambar 2.16 Tool Create Fishnet........................................................................................................8
Gambar 2.17 Create Fishnet.................................................................................................................9
Gambar 2.18 Hasil Fishnet...................................................................................................................9
Gambar 2.19 Tool Extract Values to Points.........................................................................................9
Gambar 2.20 Extract Values to Points...............................................................................................10
Gambar 2.21 Nilai Atribut Tabel.......................................................................................................10
Gambar 2.22 Hasil Akhir Point Setelah Diseleksi..............................................................................11
Gambar 2.23 Add Data yang akan Diproses......................................................................................11
Gambar 2.24 Tool Average Nearest Neighbor...................................................................................11
Gambar 2.25 Average Nearest Neighbor...........................................................................................12
Gambar 2.26 Option untuk melihat Result.........................................................................................12
Gambar 2.27 Result Average Nearest Neighbor................................................................................13
Gambar 2.28 Add Data yang akan Diproses......................................................................................13
Gambar 2.29 Tool High/Low Clustering (Getis-Ord General G).......................................................14
Gambar 2.30 High/Low Clustering (Getis-Ord General G)...............................................................14
Gambar 2.31 Option untuk melihat Result.........................................................................................15
Gambar 2.32 Result High/Low Clustering (Getis-Ord General G)....................................................15
Gambar 2.33 Add Data yang akan Diproses......................................................................................16
Gambar 2.34 Tool Multi-Distance Spatial Cluster Analysis (Ripleys K Function)............................16
Gambar 2.35 Multi-Distance Spatial Cluster Analysis (Ripleys K Function)....................................17
Gambar 2.36 Grafik K Function.........................................................................................................17
Gambar 2.37 Add Data yang akan Diproses......................................................................................18
Gambar 2.38 Tool Spatial Autocorrelation (Morans I)......................................................................18
Gambar 2.39 Spatial Autocorrelation (Morans I)...............................................................................19
Gambar 2.40 Option untuk melihat Result.........................................................................................19
Gambar 2.41 Result Spatial Autocorrelation (Morans I)....................................................................20
Gambar 3.1 Average Nearest Neighbor Fasilitas Pendidikan.............................................................21
Gambar 3.2 Average Nearest Neighbor Fasilitas Pemerintahan.........................................................21
Gambar 3.3 Average Nearest Neighbor Jumlah Penduduk/WorldPop...............................................22
Gambar 3.4 High / Low Clustering Fasilitas Pendidikan...................................................................22
Gambar 3.5 High / Low Clustering Fasilitas Pemerintahan...............................................................23
Gambar 3.6 High / Low Clustering Jumlah Penduduk/WorldPop......................................................23
Gambar 3.7 Multi-Distance Spatial Cluster Analysis Fasilitas Pendidikan........................................24
Gambar 3.8 Multi-Distance Spatial Cluster Analysis Fasilitas Pemerintahan....................................24
iii
Gambar 3.9 Multi-Distance Spatial Cluster Analysis Jumlah Penduduk/WorldPop..........................25
Gambar 3.10 Spatial Autocorrelation Fasilitas Pendidikan................................................................25
Gambar 3.11 Spatial Autocorrelation Fasilitas Pemerintahan............................................................26
Gambar 3.12 Spatial Autocorrelation Jumlah Penduduk/WorldPop..................................................26
Gambar 3.13 Average Nearest Neighbor Summary Fasilitas Pendidikan..........................................27
Gambar 3.14 Korelasi Z-Score, p-value, dan confidence level..........................................................27
Gambar 3.15 Average Nearest Neighbor Summary Fasilitas Pemerintahan.......................................28
Gambar 3.16 Average Nearest Neighbor Summary Jumlah Penduduk / WorldPop...........................28
Gambar 3.17 General G Summary Fasilitas Pendidikan....................................................................29
Gambar 3.18 General G Summary Fasilitas Pemerintahan................................................................30
Gambar 3.19 General G Summary Jumlah Penduduk / WorldPop.....................................................30
Gambar 3.20 Grafik K-Function Fasilitas Pendidikan.......................................................................31
Gambar 3.21 Grafik K-Function Fasilitas Pemerintahan....................................................................32
Gambar 3.22 Grafik K-Function Jumlah Penduduk / WorldPop........................................................32
Gambar 3.23 Global Moran’s I Summary Fasilitas Pendidikan.........................................................33
Gambar 3.24 Global Moran’s I Summary Fasilitas Pemerintahan.....................................................34
Gambar 3.25 Global Moran’s I Summary Jumlah Penduduk/WorldPop............................................34
iv
DAFTAR TABEL
v
1. BAB I
PENDAHULUAN
1.2 Tujuan
Adapun tujuan praktikum ini adalah :
1. Untuk mengetahui point pattern analysis dengan tools Average Nearest Neighbor,
High/Low Clustering (Getis-Ord General G), Multi-Distance Spatial Cluster
Analysis (Ripleys K Function), dan Spatial Autocorrelations pada fasilitas
pendidikan, fasilitas pemerintahan dan data kependudukan di Kota Surabaya.
2. Mengetahui perbedaan dari konsep dan penggunaan setiap tools analisa titik
1
3. Tools yang digunakan untuk point pattern analysis adalah Average Nearest
Neighbor, High/Low Clustering (Getis-Ord General G), Multi-Distance Spatial
Cluster Analysis (Ripleys K Function), dan Spatial Autocorrelations.
2
2. BAB II
METODOLOGI
b. Mouse
3
2. Perangkat Lunak
a. ArcMap 10.4
3. Bahan
a. Data WorldPop Indonesia berformat raster yang sudah di clip untuk wilayah
Kota Surabaya
4
c. Shapefile Pendidikan Kota Surabaya
5
2.3 Diagram Alir Praktikum
6
Gambar 2.11 Download Data WorldPop Indonesia
Gambar 2.13 Download Data Shapefile Kota Surabaya dari Open Street Map
7
b. Selanjutnya, Buka ArcMap. Add data yang akan digunakan.
Gambar 2.15 Hasil Clip Data Raster WorldPop Sesuai Wilayah Kota Surabaya
e. Untuk data WorldPop dikarenakan masih berformat raster, belum berupa fitur
point, maka dibuat fitur point menggunakan tool create fishnet, yaitu dengan
cara klik ArcToolbox à Data Management Tools à Sampling à Create Fishnet.
Setelah muncul kotak dialog Fishnet, pilih lokasi penyimpanan Output Feature
Class, kemudian pilih Template Extent isi Number of Rows dan Number of
Columns jika diperlukan.
8
Gambar 2.17 Create Fishnet
Setelah proses selesai dilakukan, maka akan terbentuk layer hasil Fishnet
berupa kotak-kotak serta point seperti berikut.
f. Melakukan Extract Values to Point agar nilai-nilai yang terdapat pada raster akan
dapat diwakili oleh point-point yang telah dibuat. Caranya, klik ArcToolbox à Spatial
Analyst Tools à Extraction à Extract Values to Points.
9
Setelah muncul kotak dialog Extract Values to Point, masukkan layer yang akan
dilakukan proses Extract Values to Point pada Input Features, masukkan layer raster
pada Input Raster lalu masukkan nama file dan tempat penyimpanan pada Output
Feature Class.
Setelah proses selesai maka setiap point akan memiliki nilai raster pada bagian atribut
tabel RASTERVALUE seperti berikut.
Kemudian seleksi point-point dengan tools select by attribute. Pilih point yang tidak
memiliki value (bernilai -9999) atau berada di luar wilayah Kota Surabaya, kemudian
delete. Hasilnya adalah sebagai berikut.
10
Gambar 2.22 Hasil Akhir Point Setelah Diseleksi
11
c. Selanjutnya akan muncul kotak dialog dan diisi point shapefile yang akan
dianalisis, pada gambar dibawah ini digunakan shapefile “pemerintahan”,
lalu ikuti pengisian seperti gambar dibawah ini.
e. Maka akan muncul gambar seperti di bawah ini pada format html. Untuk
mengetahui polanya, dapat dilihat dari pernyataan pada grafiknya yang
diberi kotak dengan frame biru yang lebih tebal.
12
Gambar 2.27 Result Average Nearest Neighbor
13
b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à High/Low
Clustering (Getis-Ord General G)
14
Gambar 2.31 Option untuk melihat Result
e. Maka akan muncul gambar seperti di bawah ini pada format html. Untuk
mengetahui polanya, dapat dilihat dari pernyataan pada grafiknya yang
diberi kotak dengan frame jingga yang lebih tebal.
15
2.4.4 Multi-Distance Spatial Cluster Analysis (Ripleys K Function)
a. Add data yang akan digunakan
16
akan dianalisis, pada gambar dibawah ini digunakan shapefile
“pemerintahan”. Untuk field lainnya diisikan seperti gambar dibawah ini à
Ok
17
2.4.5 Spatial Autocorrelation (Morans l)
a. Add data yang akan digunakan
18
c. Setelah itu akan muncul kotak dialog Spatial Autocorrelation (Morans l)
dan inputkan dengan point shapefile yang akan dianalisis, pada gambar
dibawah ini digunakan shapefile “pemerintahan”. Untuk field lainnya
diisikan seperti gambar dibawah ini à Ok
e. Maka akan muncul gambar seperti di bawah ini pada format html. Untuk
mengetahui polanya, dapat dilihat dari pernyataan pada grafiknya yang
diberi kotak dengan frame kuning yang lebih tebal.
19
Gambar 2.41 Result Spatial Autocorrelation (Morans I)
20
3. BAB III
ANALISA DAN PEMBAHASAN
Pada Gambar 3.1 diketahui bahwa point pattern (pola point) menggunakan tools
Average Nearest Neighbor untuk fitur fasilitas pendidikan adalah clustered
(berkelompok).
b) Pemerintahan
21
Pada Gambar 3.2 diketahui bahwa point pattern (pola point) menggunakan
tools Average Nearest Neighbor untuk fitur fasilitas pemerintahan adalah clustered
(berkelompok).
c) Data Jumlah Penduduk / WorldPop
Pada Gambar 3.3 diketahui bahwa point pattern (pola point) menggunakan tools
Average Nearest Neighbor untuk fitur jumlah penduduk / WorldPop adalah
dispersed (berpencar).
22
Pada Gambar 3.4 diketahui bahwa point pattern (pola point) menggunakan tools
High/Low Clustering untuk fitur fasilitas pendidikan termasuk pada High-Clusters.
b) Pemerintahan
Pada Gambar 3.5 diketahui bahwa point pattern (pola point) menggunakan tools
High/Low Clustering untuk fitur fasilitas pemerintahan termasuk pada High-
Clusters.
23
Pada Gambar 3.6 diketahui bahwa point pattern (pola point) menggunakan tools
High/Low Clustering untuk fitur jumlah penduduk / WorldPop termasuk pada High-
Clusters.
Dari analisa point pattern untuk fitur fasilitas pendidikan dengan tools Multi-
Distance Spatial Analysis (Ripleys K-Function), didapatkan hasil grafik seperti pada
Gambar 3.7 di atas.
b) Pemerintahan
Dari analisa point pattern untuk fitur fasilitas pemerintahan dengan tools Multi-
Distance Spatial Analysis (Ripleys K-Function), didapatkan hasil grafik seperti pada
Gambar 3.8 di atas.
24
Gambar 3.50 Multi-Distance Spatial Cluster Analysis Jumlah Penduduk/WorldPop
Dari analisa point pattern untuk fitur jumlah penduduk / WorldPop dengan tools
Multi-Distance Spatial Analysis (Ripleys K-Function), didapatkan hasil grafik seperti
pada Gambar 3.9 di atas.
Dari hasil Spatial Auotcorrelation (Morans I), dapat diketahui bahwa point
pattern (pola point) untuk fitur fasilitas pendidikan termasuk pada clustered
(berkelompok).
b) Pemerintahan
25
Gambar 3.52 Spatial Autocorrelation Fasilitas Pemerintahan
Dari hasil Spatial Auotcorrelation (Morans I), dapat diketahui bahwa point
pattern (pola point) untuk fitur fasilitas pemerintahan termasuk pada Random (acak).
26
Dari hasil Spatial Auotcorrelation (Morans I), dapat diketahui bahwa point
pattern (pola point) untuk fitur jumlah penduduk / WorldPop termasuk pada
Clustered (berkelompok).
Dari nilai di atas dapat dilihat bahwa z-score berada pada nilai -21.892550, yang
mana hal itu menyatakan bahwa standar deviasi nya berada pada -21.892550.
Sedangkan p-value berada pada nilai 0.000000. p-value menyatakan probabilitas
bahwa pola spasial yang diamati diciptakan oleh hasil proses acak. Apabila hasil z-
score yang sangat rendah dan p-value kecil menunjukkan bahwa pola spasial yang
diamati tidak mungkin mencerminkan pola acak yang diwakili oleh hipotesis nol
yang dapat ditolak. Berdasarkan kombinasi nilai z-score dan p-value yang dihasilkan,
maka dapat dinyatakan bahwa confidence level berada di angka 99%.
Hasil dari identifikasi Average Nearest Neighbor fasilitas pendidikan adalah
clustered dimana dapat dikatakan bahwa persebaran fasilitas pendidikan di Kota
Surabaya belum merata atau masih mengumpul di beberapa daerah tertentu. Maka
dalam pengembangan kota, perlu diperhatikan bahwa persebaran sekolah adalah
lebih baik untuk menyebar secara merata di seluruh kota Surabaya agar dapat
memastikan bahwa setiap penduduk memiliki akses terhadap Fasilitas Pendidikan.
b) Pemerintahan
27
Gambar 3.56 Average Nearest Neighbor Summary Fasilitas Pemerintahan
Dari hasil yang diperoleh didapatkan nilai Neareast Neighbor Ratio 0,909708
atau kurang dari 1 yang menunjukkan bahwa adanya pengelompokan (clustered)
antar data pemerintahan. Nilai z-score -3,684551 atau tidak mendekati 0
menunjukkan bahwa kemungkinan hasil data statistic merupakan peluang acak
adalah kurang dari 1% artinya pengelompokkannya dinyatakan signifikan secara
statistic. P-Value yang bernilai 0 atau tidak mendekati 1 menunjukkan bahwa
hipotesis nol ditolak atau kelayakan penggunaan data diterima. Level berada di angka
99%.
Hasil dari identifikasi Average Nearest Neighbor fasilitas pemerintahan adalah
clustered dimana dapat dikatakan bahwa persebaran fasilitas pemerintahan di Kota
Surabaya belum merata atau masih berkumpul di titik-titik tertentu, terutama pada
Surabaya Utara. Maka dalam pengembangan kota, perlu diperhatikan bahwa
persebaran fasilitas pemerintahan adalah lebih baik untuk menyebar secara merata di
seluruh kota Surabaya agar dapat memastikan bahwa setiap penduduk memiliki
akses terhadap Fasilitas Pemerintahan dengan baik.
Dari data hasil yang didapatkan seperti gambar diatas, diketahui Neareast
Neighbor Ratio 1,236946 atau lebih dari 1 yang menunjukkan bahwa data jumlah
penduduk memiliki pola persebaran yang menyebar (dispersed). Nilai Z-Score
15,471893 atau bernilai (+) menunjukkan bahwa pola persebaran titik adalah
“menyebar”. Pada pola yang menyebar, kebanyakan titik terkonsentrasi berdekatan,
dan ada area luas yang mengandung sangat sedikit titik. P-Value yang bernilai
0.000000 atau tidak mendekati 1 menunjukkan bahwa hipotesis nol ditolak atau
kelayakan penggunaan data diterima. (Untuk Tools ini, hipotesis nol menyatakan
bahwa pada data yang terkait yaitu WorldPop tidak terjadi pengelompokan).
28
Berdasarkan kombinasi nilai z-score dan p-value yang dihasilkan, maka dapat
dinyatakan bahwa confidence level berada di angka 99%.
Hasil dari identifikasi Average Nearest Neighbor data jumlah penduduk /
WorldPop Kota Surabaya memiliki pola dispered dimana dapat dikatakan bahwa
persebaran jumlah penduduk di Kota Surabaya cukup merata atau menyebar di
seluruh wilayah, dimana terdapat kecamatan dengan jumlah penduduk yang tinggi
ada pula kecamatan dengan jumlah penduduk yang rendah, atau dengan kata lain
jumlah penduduk tidak mengelompok di satu wilayah kecamatan saja. Maka dari itu,
dengan persebaran penduduk yang cukup merata, hal ini menjadi pedoman dalam
pemerataan fasilitas umum di Kota Surabaya.
Dari nilai diatas dapat dilihat bahwa z-score berada pada nilai 3.555698, yang
mana hal itu menyatakan bahwa standar deviasi nya berada pada +3.55598.
Sedangkan p-value berada pada nilai 0.000377. p-value menyatakan probabilitas
bahwa pola spasial yang diamati diciptakan oleh hasil proses acak. Karena nilai p
sangat kecil, berarti sangat kecil kemungkinannya bahwa pola spasial yang diamati
merupakan hasil dari proses acak, sehingga hipotesis nol dapat ditolak. Berdasarkan
kombinasi nilai z-score dan p-value yang dihasilkan, maka dapat dinyatakan bahwa
confidence level berada di angka 99%.
Hasil dari identifikasi High/Low Clustering fasilitas pendidikan adalah high
cluster dimana dapat dikatakan bahwa persebaran fasilitas pendidikan di kota
Surabaya memiliki pola ter kluster dengan intensitas tinggi. Hal ini dapat
mengisyaratkan bahwa fasilitas pendidikan sangat menumpuk atau sangat ter kluster
di wilayah tertentu. Idealnya dalam suatu kota, fasilitas pendidikan yang tersedia
tersebar secara merata, maka dari itu kondisi ter kluster dengan intensitas tinggi ini
dapat dianggap kurang baik.
b) Pemerintahan
29
Gambar 3.59 General G Summary Fasilitas Pemerintahan
Dari hasil yang didapatkan, maka nilai z-score yang diperoleh adalah
3,312460 atau tidak mendekati 0 menunjukkan bahwa pengelompokkan yang terjadi
dalam intensitas yang kuat (High Clustering). P-Value yang bernilai 0,000925 atau
tidak mendekati 1 menunjukkan bahwa hipotesis nol ditolak atau kelayakan
penggunaan data diterima. (Untuk Tools ini, hipotesis nol menyatakan bahwa data
yang terkait didistribusikan secara acak)
Hasil dari identifikasi High/Low Clustering fasilitas pemerintahan adalah high
cluster dimana dapat dikatakan bahwa persebaran fasilitas pemerintahan di kota
Surabaya memiliki pola ter kluster dengan intensitas tinggi. Hal ini membuktikan
bahwa fasilitas pemerintahan sangat ter kluster di wilayah tertentu, khususnya
Surabaya Utara. Idealnya dalam suatu kota, fasilitas pemerintahan yang tersedia
tersebar secara merata, maka dari itu kondisi ter kluster dengan intensitas tinggi ini
dapat dianggap kurang baik.
Dari data hasil yang didapatkan seperti gambar di atas, diketahui nilai Z-Score
30,112424 atau tidak mendekati 0 menunjukkan bahwa pengelompokkan yang terjadi
dalam intensitas kuat (High Clustering). P-Value yang bernilai 0.000000 atau tidak
mendekati 1 menunjukkan bahwa hipotesis nol ditolak atau kelayakan penggunaan
data diterima. Berdasarkan kombinasi nilai z-score dan p-value yang dihasilkan, maka
dapat dinyatakan bahwa confidence level berada di angka 99%.
Hasil dari identifikasi High/Low Clustering data jumlah penduduk / WoldPop
Kota Surabaya adalah high cluster dimana dapat dikatakan bahwa persebaran jumlah
penduduk di Kota Surabaya memiliki pola ter-kluster dengan intensitas tinggi. Hal
ini dapat mengisyaratkan bahwa terdapat jumlah penduduk yang menumpuk atau
terkluster hanya di wilayah tertentu. Idealnya dalam suatu kota, jumlah penduduk
tersebar merata, maka dari itu kondisi high cluster ini dapat dianggap kurang baik.
30
3.2.3 Analisis Tools Multi-Distance Spatial Cluster Analysis (Ripleys K-Function)
a) Fasilitas Pendidikan
Dapat dilihat dari grafik K Function fasilitas Pendidikan, nilai K observasi lebih
besar daripada nilai K yang diharapkan untuk jarak tertentu, maka distribusinya lebih
mengelompok daripada distribusi acak pada jarak itu (skala analisis). Hal ini
terepresentasi dari garis merah (Nilai K Observasi) yang selalu berada diatas garis
biru (Nilai K yang diharapkan). Namun dikarenakan nilai batas kepercayaan atas atau
upper confidence envelope (HiConfEnv) yang tidak diketahui menyebabkan tidak bisa
disimpulkan apakah pengelompokan data untuk jarak tersebut signifikan secara
statistik.
Tools ini digunakan untuk memeriksa bagaimana pengelompokan fitur berubah
pada jarak yang berbeda. Berdsarkan hasil dinyatakan point pattern fasilitas
pendidikan mengelompok, atau dengan kata lain fasilitas pendidikan Kota Surabaya
tetap mengelompok walau dalam jarak yang berbeda atau skala analisis yang berbeda.
b) Pemerintahan
31
Gambar 3.62 Grafik K-Function Fasilitas Pemerintahan
Hasil grafik K-Function untuk data fasilitas pemerintahan, dapat terlihat bahwa
garis observed (Merah) terletak tidak jauh di atas garis expected (Biru) menunjukkan
bahwa nilai K yang diamati memiliki nilai yang lebih besar daripada nilai K yang
diharapkan untuk jarak tertentu. Apabila nilai K yang diamati lebih besar dari nilai K
yang diharapkan untuk jarak tertentu, maka distribusi datanya lebih mengelompok.
Tools ini digunakan untuk memeriksa bagaimana pengelompokan fitur berubah
pada jarak yang berbeda. Berdasarkan hasil dinyatakan point pattern fasilitas
pemerintahan berkelompok, atau dengan kata lain fasilitas pemerintahan Kota
Surabaya tetap mengelompok walau dalam jarak yang berbeda atau skala analisis
yang berbeda.
Dari hasil grafik K-Function untuk data jumlah penduduk / WorldPop, dapat
terlihat bahwa garis observed (Merah) terletak tidak jauh di atas garis expected (Biru)
menunjukkan bahwa nilai K yang diamati sedikit lebih besar daripada nilai K yang
diharapkan untuk jarak tertentu. Apabila nilai K yang diamati lebih besar dari nilai K
32
yang diharapkan untuk jarak tertentu, maka distribusi datanya lebih mengelompok.
Namun dikarenakan nilai batas kepercayaan atas atau upper confidence envelope
(HiConfEnv) yang tidak diketahui menyebabkan tidak bisa disimpulkan apakah
pengelompokan data untuk jarak tersebut signifikan secara statistik.
Tools ini digunakan untuk memeriksa bagaimana pengelompokan fitur berubah
pada jarak yang berbeda. Berdsarkan hasil dinyatakan point pattern jumlah penduduk
adalah mengelompok, atau dengan kata lain jumlah penduduk di Kota Surabaya ter-
kluster (mengelompok) walau dalam jarak yang berbeda atau skala analisis yang
berbeda.
Dari nilai di atas dapat dilihat bahwa z-score berada pada nilai 12.036418, yang
mana hal itu menyatakan bahwa standar deviasi nya berada pada +12.036418.
Sedangkan p-value berada pada nilai 0.000000. p-value menyatakan probabilitas
bahwa pola spasial yang diamati diciptakan oleh hasil proses acak. Karena nilai p
sangat kecil, berarti sangat kecil kemungkinannya bahwa pola spasial yang diamati
merupakan hasil dari proses acak, sehingga hipotesis nol dapat ditolak. Berdasarkan
kombinasi nilai z-score dan p-value yang dihasilkan, maka dapat dinyatakan bahwa
confidence level berada di angka 99%. Dari data hasil yang didapatkan seperti
gambar diatas, diketahui nilai Morans I adalah 0,210969 atau berada pada 0 < 𝐼 ≤ 1
menunjukkan autokorelasi spasial positif, yaitu unit tetangga di seluruh daerah
pengamatan memiliki nilai yang relatif sama (saling mengelompok/Clustered).
Hasil dari identifikasi Spatial Auotcorrelation fasilitas pendidikan adalah
clustered dimana dapat dikatakan bahwa persebaran fasilitas pendidikan di kota
Surabaya belum merata atau masih mengumpul di beberapa daerah tertentu. Maka
dalam pengembangan kota, perlu diperhatikan bahwa persebaran sekolah adalah
lebih baik untuk menyebar secara merata di seluruh kota Surabaya agar dapat
memastikan bahwa setiap penduduk memiliki akses terhadap Fasilitas Pendidikan.
b) Pemerintahan
33
Gambar 3.65 Global Moran’s I Summary Fasilitas Pemerintahan
Dari hasil yang didapatkan, diketahui nilai Morans I adalah -0,036517 atau
berada pada −1 ≤ 𝐼 < 0 menunjukkan autokorelasi spasial negatif, yaitu unit tetangga
tidak memiliki nilai yang sama di seluruh daerah (acak/Random). Nilai z-score
-1,378904 atau mendekati 0 menunjukkan bahwa pola persebaran titik adalah
“menyebar” dalam intensitas pengelompokkan yang kuat maupun rendah. P-Value
yang bernilai 0,167924 atau tidak mendekati 1 menunjukkan bahwa hipotesis nol
ditolak atau kelayakan penggunaan data diterima.
Hasil dari identifikasi Spatial Auotcorrelation fasilitas pemerintahan adalah
random dimana dapat dikatakan bahwa persebaran fasilitas pemerintahan di kota
Surabaya belum merata atau masih mengumpul atau bahkan sepi di beberapa daerah
tertentu. Maka dalam pengembangan kota, perlu diperhatikan bahwa persebaran
fasilitas pemerintahan adalah lebih baik untuk menyebar secara merata di seluruh
kota Surabaya agar dapat memastikan bahwa setiap penduduk memiliki akses
terhadap Fasilitas Pemerintahan.
c) Data Jumlah Penduduk / WorldPop
Dari data hasil yang didapatkan seperti gambar diatas, diketahui nilai Morans I
adalah 0,785704 atau berada pada 0 < 𝐼 ≤ 1 menunjukkan autokorelasi spasial
positif, yaitu unit tetangga di seluruh daerah pengamatan memiliki nilai yang relatif
sama (saling mengelompok/Clustered). Nilai Z-Score 65,712372 atau tidak
mendekati 0 menunjukkan bahwa pola persebaran titik adalah “mengelompok”
dalam intensitas kuat. P-Value yang bernilai 0 atau tidak mendekati 1 menunjukkan
bahwa hipotesis nol ditolak atau kelayakan penggunaan data diterima. Berdasarkan
kombinasi nilai z-score dan p-value yang dihasilkan, maka dapat dinyatakan bahwa
confidence level berada di angka 99%.
Hasil dari identifikasi Spatial Auotcorrelation data jumlah penduduk / WorldPop
Kota Surabaya adalah clustered dimana dapat dikatakan bahwa persebaran jumlah
34
penduduk di Kota Surabaya belum merata atau masih mengumpul di beberapa
wilayah kecamatan tertentu. Maka diperlukan pemerataan jumlah penduduk agar
tidak terjadi kepadatan penduduk di satu wilayah tertentu.
3. Average Nearest Neighbor mengukur jarak antara setiap centroid fitur dan lokasi
centroid tetangga terdekatnya. Kemudian rata-rata semua jarak tetangga terdekat ini.
Jika jarak rata-rata kurang dari rata-rata untuk distribusi acak hipotetis, distribusi
fitur yang dianalisis dianggap berkerumun. Jika jarak rata-rata lebih besar dari
distribusi acak hipotetis, fitur dianggap tersebar. Rasio tetangga terdekat rata-rata
dihitung sebagai jarak rata-rata yang diamati dibagi dengan jarak rata-rata yang
diharapkan (dengan jarak rata-rata yang diharapkan didasarkan pada distribusi acak
hipotetis dengan jumlah fitur yang sama yang mencakup area total yang sama).
35
BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan praktikum point pattern analysis & mapping cluster analysis yang telah
dilakukan, diperoleh kesimpulan bahwa analisis pola titik (Point Pattern Analysis) adalah
evaluasi pola, atau distribusi, sekumpulan titik pada suatu permukaan. Keempat tools yang
digunakan pada praktikum ini, meskipun sama-sama termasuk point pattern analysis, namun
memiliki karakteristik dan fungsi penggunaan yang berbeda. Analisa Mapping Cluster
dilakukan untuk mengidentifikasi spatial outlier sebaran titik dan konsentrasi
pengelompokkan yang terjadi. Kedua tools yang digunakan juga memiliki fungsi yang
berbeda-beda dan penggunaannya disesuaikan dengan kebutuhan analisa.
Berikut adalah hasil dan perbandingan dari analisa point pattern dan mapping cluster data
fasilitas pendidikan, pemerintahan, dan jumlah penduduk / WorldPop:
36
4.2 Saran
Berdasarkan praktikum yang telah dilakukan, Penyusun memberikan saran:
1. Masing-masing tools pada point pattern analysis memiliki karakteristik dan fungsinya
masing-masing. Dengan demikian, usahakan penggunaan tools ini harus disesuaikan
dengan kebutuhan dan analisa yang diperlukan.
2. Lakukan studi literatur terlebih dahulu dan teliti dalam melakukan analisa point
pattern agar hasilnya sesuai.
37
DAFTAR PUSTAKA
38