LAPORAN PRAKTIKUM 1 POINT PATTERN

LAPORAN PRAKTIKUM 1
SISTEM INFORMASI GEOGRAFIS TERAPAN
“Point Pattern Analysis”
Disusun oleh:
Dennis Euro Pongdatu 03311840000047

Izzah Aryana Kumalasari 03311840000054
Ghinaa Gooniyyah Z.V. 03311840000089
Dosen Pengampu:
Dr-Ing.Ir.Teguh Hariyanto.M.Sc
Nurwatik.S.T.,M.Sc
DEPARTEMEN TEKNIK GEOMATIKA

FAKULTAS TEKNIK SIPIL, PERENCANAAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA 2021
KATA PENGANTAR
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:
1. Bapak Dr-Ing.Ir.Teguh Hariyanto.M.Sc. selaku dosen pengampu mata kuliah Sistem

Informasi Geografis Terapan.
2. Ibu Nurwatik.S.T., M.Sc. selaku dosen responsi mata kuliah Sistem Informasi
Geografis Terapan.
3. Teman-teman Angkatan 2018 Teknik Geomatika ITS yang memberi masukan dan
saran kepada Kami.
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.
Surabaya, 19 September 2021
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 2.29 Tool High/Low Clustering (Getis-Ord General G).......................................................14
Gambar 2.30 High/Low Clustering (Getis-Ord General G)...............................................................14
Gambar 2.32 Result High/Low Clustering (Getis-Ord General G)....................................................15
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 2.38 Tool Spatial Autocorrelation (Morans I)......................................................................18
Gambar 2.39 Spatial Autocorrelation (Morans I)...............................................................................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
Tabel 1 Perbandingan Analisa Point Pattern Pada Semua Data..........................................................36
v
1. BAB I
PENDAHULUAN
1.1 Latar Belakang

Kota metropolitan merupakan kontributor utama ekonomi nasional serta memainkan
peran kunci di pasar global. Seiring dengan perkembangan dunia dan ekonomi
menyebabkan meningkatnya persaingan untuk melakukan investasi, utama di wilayah
metropolitan yang telah menjadi sasaran berbagai intervensi publik. Maka dari itu,
kebijakan pembangunan perkotaan berupaya mengatasi berbagai masalah – mulai dari
mengelola perluasan dan kemacetan perkotaan hingga mendorong daya saing, inovasi,
inklusi sosial, dan kelestarian lingkungan. Pembangunan perkotaan meliputi infrastruktur
untuk pendidikan, kesehatan, keadilan, persampahan, pasar, trotoar jalan dan
perlindungan cagar budaya. Konstruksi ini biasanya merupakan bagian dari program
sektor tertentu, termasuk langkah-langkah peningkatan kapasitas. Perhatian khusus juga
diberikan pada daerah kumuh di kota-kota besar. Rehabilitasi dan rekonstruksi terutama
mencakup infrastruktur sosial pasca bencana alam atau konflik.
Kota Surabaya sebagai salah satu kota metropolitan terbesar di Indonesia memerlukan
beragam perencanaan pengembangan kota yang ideal dan optimal. Persebaran antara
fasilitas pendidikan, fasilitas pemerintahan serta data kependudukan perlu untuk dianalisa
lebih lanjut. Analisis ini akan menunjukkan suatu fasilitas apakah tersebar secara ter
kluster, tersebar atau acak. Hal ini disebut juga pola spasial objek.
Pada praktikum ini, dilakukan analisis spasial dengan metode point pattern analysis
terhadap fasilitas pendidikan, fasilitas pemerintahan dan data kependudukan di Kota
Surabaya, Provinsi Jawa Timur. Analisis ini dilakukan berdasarkan perangkat lunak
pengolahan data spasial, yaitu pengolah Sistem Informasi Geografis seperti ArcGIS.
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 Batasan Masalah

Adapun Batasan masalah pada praktikum ini adalah :
1. Data yang digunakan adalah shapefile dari fasilitas pendidikan, fasilitas
pemerintahan dan data kependudukan yang diambil dari openstreet map, world
pop dan InaGeoportal.
2. Metode yang digunakan adalah point pattern analysis.
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
2.1 Area Studi

Lokasi yang digunakan pada pembuatan Laporan “Point Pattern dan Mapping
Cluster” Sistem Informasi Geografis Terapan adalah Kota Surabaya yang terletak di
antara 7° 9' - 7° 21' Lintang Selatan dan 112° 36' - 112° 57' Bujur Timur.
Gambar 2.1 Studi Area: Kota Surabaya, Jawa Timur
2.2 Alat dan Bahan

1. Perangkat Keras
a. Laptop
Gambar 2.2 Laptop
b. Mouse
Gambar 2.3 Mouse
3
2. Perangkat Lunak
a. ArcMap 10.4
Gambar 2.4 ArcMap
b. Microsoft Office 365
Gambar 2.5 Microsoft Office 365
3. Bahan
a. Data WorldPop Indonesia berformat raster yang sudah di clip untuk wilayah
Kota Surabaya
Gambar 2.6 Data WorldPop Kota Surabaya Format Raster
b. Shapefile Kota Surabaya
Gambar 2.7. Shapefile Kota Surabaya
4
c. Shapefile Pendidikan Kota Surabaya
Gambar 2.8 Shapefile Fasilitas Pendidikan Kota Surabaya
d. Shapefile Pemerintahan Kota Surabaya
Gambar 2.9 Shapefile Pemerintahan Kota Surabaya
5
2.3 Diagram Alir Praktikum
Gambar 2.10 Diagram Alir Praktikum
2.4 Langkah Pengerjaan

Langkah pengerjaan untuk tugas praktikum ini sebagai berikut:
2.4.1 Pengumpulan dan Persiapan Data
a. Download data-data yang akan digunakan, yaitu data raster WorldPop
Indonesia pada situs https://www.worldpop.org/ , data shapefile point
pendidikan Kota Surabaya pada situs pen Street Map, dan data shapefile point
pemerintahan Kota Surabaya pada situs Inageoportal.
6
Gambar 2.11 Download Data WorldPop Indonesia
Gambar 2.12 Download Data Shapefile Kota Surabaya dari Inageoportal
Gambar 2.13 Download Data Shapefile Kota Surabaya dari Open Street Map
7
b. Selanjutnya, Buka ArcMap. Add data yang akan digunakan.
Gambar 2.14 Add Data yang akan Digunakan
c. Masing-masing data selanjutnya diproyeksikan menggunakan sistem proyeksi

UTM zona 49S.
d. Berikutnya, khusus untuk data WorldPop, dikarenakan masih cakupan
Indonesia, maka harus di-clip terlebih dahulu sesuai dengan batas administrasi
Kota Surabaya. Bisa menggunakan tool clip maupun
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.
Gambar 2.16 Tool 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.
Gambar 2.18 Hasil Fishnet
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.
Gambar 2.19 Tool 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.
Gambar 2.20 Extract Values to Points
Setelah proses selesai maka setiap point akan memiliki nilai raster pada bagian atribut
tabel RASTERVALUE seperti berikut.
Gambar 2.21 Nilai Atribut Tabel
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
2.4.2 Average Nearest Neighbor

a. Add data yang akan digunakan
Gambar 2.23 Add Data yang akan Diproses
b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à Average

Nearest Neighbor
Gambar 2.24 Tool Average Nearest Neighbor
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.
Gambar 2.25 Average Nearest Neighbor
d. Untuk melihat hasil dari tools Average Nearest Neighbor klik

geoprocessing à result. Lalu klik Lalu klik current session à average
nearest neighbor à klik 2x pada report file.
Gambar 2.26 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 biru yang lebih tebal.
12
Gambar 2.27 Result Average Nearest Neighbor
f. Lakukan hal yang sama pada point “Pendidikan” dan “Jumlah

Penduduk / WorldPop Kota Surabaya”
2.4.3 High/Low Clustering (Getis-Ord General G)
13
b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à High/Low
Clustering (Getis-Ord General G)
Gambar 2.29 Tool High/Low Clustering (Getis-Ord General G)
c. Setelah itu akan muncul kotak dialog High/Low Clustering (Getis-Ord

General G), dan inputkan dengan point shapefile yang akan dianalisis,
pada gambar dibawah ini digunakan shapefile “pemerintahan”. Untuk field
lainnya dibiarkan default seperti gambar dibawah ini, kemudian centang
bagian Generate Report à Ok.
Gambar 2.30 High/Low Clustering (Getis-Ord General G)
d. Untuk melihat hasil dari tools High/Low Clustering (Getis-Ord General G)

klik geoprocessing à result. Lalu klik Lalu klik current session à high/low
clustering (Getis-Ord General G) à klik 2x pada report file
14
diberi kotak dengan frame jingga yang lebih tebal.
Gambar 2.32 Result High/Low Clustering (Getis-Ord General G)

15
2.4.4 Multi-Distance Spatial Cluster Analysis (Ripleys K Function)
b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à Multi-

Distance Spatial Cluster Analysis (Ripleys K Function)
Gambar 2.34 Tool Multi-Distance Spatial Cluster Analysis (Ripleys K Function)
c. Setelah itu akan muncul kotak dialog Multi-Distance Spatial Cluster

Analysis (Ripleys K Function) dan inputkan dengan point shapefile yang
16
akan dianalisis, pada gambar dibawah ini digunakan shapefile
“pemerintahan”. Untuk field lainnya diisikan seperti gambar dibawah ini à
Ok
Gambar 2.35 Multi-Distance Spatial Cluster Analysis (Ripleys K Function)
d. Setelah proses selesai akan muncul gambar grafik K Function seperti

gambar dibawah ini
Gambar 2.36 Grafik K Function
e. Lakukan hal yang sama pada point “Pendidikan” dan “Jumlah

17
2.4.5 Spatial Autocorrelation (Morans l)
b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à Spatial

Autocorrelation (Morans I)
Gambar 2.38 Tool Spatial Autocorrelation (Morans I)
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
Gambar 2.39 Spatial Autocorrelation (Morans I)
d. Untuk melihat hasil dari tools Spatial Autocorrelation (Morans l) klik

geoprocessing à result. Lalu klik current session à Spatial Autocorrelation
(Morans l) à klik 2x pada report file.
diberi kotak dengan frame kuning yang lebih tebal.
19
Gambar 2.41 Result Spatial Autocorrelation (Morans I)

20
3. BAB III
ANALISA DAN PEMBAHASAN
3.1 Hasil Point Pattern

Beriikut adalah hasil dari proses Point Pattern, baik untuk shapefile Fasilitas Pendidikan,
pemerintahan dan data jumlah penduduk / WorldPop.
3.1.1 Hasil Average Nearest Neighbor
a) Fasilitas Pendidikan
Gambar 3.42 Average Nearest Neighbor Fasilitas Pendidikan
Pada Gambar 3.1 diketahui bahwa point pattern (pola point) menggunakan tools
Average Nearest Neighbor untuk fitur fasilitas pendidikan adalah clustered
(berkelompok).
b) Pemerintahan
Gambar 3.43 Average Nearest Neighbor Fasilitas 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
Gambar 3.44 Average Nearest Neighbor Jumlah Penduduk/WorldPop
Average Nearest Neighbor untuk fitur jumlah penduduk / WorldPop adalah
dispersed (berpencar).
3.1.2 Hasil High/Low Clustering (Getis-Ord General G)

Gambar 3.45 High / Low Clustering Fasilitas Pendidikan
22
High/Low Clustering untuk fitur fasilitas pendidikan termasuk pada High-Clusters.
b) Pemerintahan
Gambar 3.46 High / Low Clustering Fasilitas Pemerintahan
High/Low Clustering untuk fitur fasilitas pemerintahan termasuk pada High-
Clusters.
Gambar 3.47 High / Low Clustering Jumlah Penduduk/WorldPop
23
High/Low Clustering untuk fitur jumlah penduduk / WorldPop termasuk pada High-
Clusters.
3.1.3 Hasil Multi-Distance Spatial Cluster Analysis (Ripleys K-Function)

Gambar 3.48 Multi-Distance Spatial Cluster Analysis Fasilitas Pendidikan
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
Gambar 3.49 Multi-Distance Spatial Cluster Analysis Fasilitas 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.
3.1.4 Hasil Spatial Auotcorrelation (Morans I)

Gambar 3.51 Spatial Autocorrelation Fasilitas Pendidikan
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
pattern (pola point) untuk fitur fasilitas pemerintahan termasuk pada Random (acak).
Gambar 3.53 Spatial Autocorrelation Jumlah Penduduk/WorldPop
26
pattern (pola point) untuk fitur jumlah penduduk / WorldPop termasuk pada
Clustered (berkelompok).
3.2 Analisis Point Pattern

3.2.1 Analisis Tools Average Nearest Neighbor
Gambar 3.54 Average Nearest Neighbor Summary Fasilitas Pendidikan
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.
Gambar 3.55 Korelasi Z-Score, p-value, dan confidence level
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.
Gambar 3.57 Average Nearest Neighbor Summary Jumlah Penduduk / WorldPop
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.
3.2.2 Analisis Tools High/Low Clustering (Getis-Ord General G)

Gambar 3.58 General G Summary Fasilitas Pendidikan
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.
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.
Gambar 3.60 General G Summary Jumlah Penduduk / WorldPop
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)
Gambar 3.61 Grafik K-Function 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.
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.
Gambar 3.63 Grafik K-Function Jumlah Penduduk / WorldPop
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.
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.
3.2.4 Analisis Tools Spatial Auotcorrelation (Morans I)

Gambar 3.64 Global Moran’s I Summary Fasilitas Pendidikan
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.
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
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.
Gambar 3.66 Global Moran’s I Summary 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
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.
Berdasarkan keempat hasil point pattern analysis di atas, dapat ditemukan

beberapa perbedaan antar keempat tools yang digunakan sebagai berikut:
1. Multi-Distance Spatial Cluster Analysis tool, berdasarkan fungsi K Ripley, adalah

cara lain untuk menganalisis pola spasial data titik insiden. Metode ini merangkum
ketergantungan spasial (pengelompokan fitur atau dispersi fitur) pada rentang jarak.
Fungsi K Ripley menggambarkan bagaimana pengelompokan spasial atau dispersi
fitur centroid berubah ketika ukuran lingkungan berubah.
2. Spatial Autocorrelation tool (Global Moran's I) mengukur autokorelasi spasial

berdasarkan lokasi fitur dan nilai fitur secara bersamaan. Diberikan satu set fitur dan
atribut yang terkait, itu mengevaluasi apakah pola yang diekspresikan berkerumun,
tersebar, atau acak. Alat ini menghitung nilai Indeks I Moran dan nilai-z dan nilai-p
untuk mengevaluasi signifikansi Indeks tersebut. Nilai-P adalah perkiraan numerik
dari area di bawah kurva untuk distribusi yang diketahui, dibatasi oleh statistik uji.
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).
4. High/Low Clustering (Getis-Ord General G) merupakan statistik inferensial,

artinya hasil analisis diinterpretasikan dalam konteks hipotesis nol. Hipotesis nol
untuk statistik High/Low Clustering (General G) menyatakan bahwa tidak ada
clustering spasial dari nilai fitur. Ketika nilai p yang dikembalikan oleh alat ini kecil
dan signifikan secara statistik, hipotesis nol dapat ditolak. Jika hipotesis nol ditolak,
tanda z-score menjadi penting. Jika nilai z-score positif, indeks General G yang
diamati lebih besar dari indeks General G yang diharapkan, menunjukkan bahwa
nilai atribut yang tinggi terkelompok di wilayah studi. Jika nilai z-score negatif,
indeks General G yang diamati lebih kecil dari indeks yang diharapkan,
menunjukkan bahwa nilai yang rendah mengelompok di wilayah studi.
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:
Tabel 1 Perbandingan Analisa Point Pattern Pada Semua Data

Data Jumlah
Data Fasilitas Data
Analisa Tools Penduduk
Pendidikan Pemerintahan
(WorldPop)
Average Nearest Clustered Clustered Dispersed
Neighbor (berkelompok) (berkelompok) (menyebar)
High/Low
Clustering (Getis- High Cluster High Cluster High Cluster
Ord General G)
Nilai K yang Nilai K yang Nilai K yang
diamati lebih diamati lebih diamati lebih
besar daripada besar daripada besar daripada
Point Multi-Distance nilai K yang nilai K yang nilai K yang
Spatial Cluster diharapkan diharapkan diharapkan
Pattern
untuk jarak untuk jarak untuk jarak
Analysis (Ripleys tertentu. Hal ini tertentu. Hal ini tertentu. Hal ini
K Function) berarti berarti berarti
distribusi distribusi distribusi
datanya lebih datanya lebih datanya lebih
mengelompok. mengelompok. mengelompok.
Spatial
Clustered Random Clustered
Autocorrelation
(mengelompok) (acak) (mengelompok)
(Morans I)
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
How Spatial Autocorrelation (Global Moran’s I) Works.

https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/h-how-
spatial-autocorrelation-moran-s-i-spatial-st.htm diakses pada 19 September 2021
pukul 11.00 WIB.
How Multi-Distance Spatial Cluster Analysis: Ripley’s K-Function (Spatial Statistics) Works.
http://webhelp.esri.com/arcgisdesktop/9.3/index.cfm?TopicName=How+Multi-
Distance+Spatial+Cluster+Analysis:+Ripley%27s+k-function+(Spatial+Statistics)
+works diakses pada 19 September 2021 pukul 11.00 WIB.
How High/Low Clustering (Getis-Ord General G) Works. https://pro.arcgis.com/en/pro-
app/latest/tool-reference/spatial-statistics/h-how-high-low-clustering-getis-ord-
general-g-spat.htm. Diakses pada 19 september 2021 11.00 WIB
How Average Nearest Neighbor Works. https://pro.arcgis.com/en/pro-app/latest/tool-
reference/spatial-statistics/h-how-average-nearest-neighbor-distance-spatial-
st.htm#:~:text=The%20average%20nearest%20neighbor%20ratio,covering%20the
%20same%20total%20area). Diakses pada 19 september 2021 11.00 WIB
Hot Spot Analysis (Getis-Ord Gi*) (Spatial Statistics). https://pro.arcgis.com/en/pro-
app/latest/tool-reference/spatial-statistics/hot-spot-analysis.htm. Diakses pada 19
september 2021 11.00 WIB
How Cluster and Outlier Analysis (Anselin Local Moran's I) Works.
https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/h-how-
cluster-and-outlier-analysis-anselin-local-m.htm#:~:text=The%20cluster%2Foutlier
%20type%20(COType,by%20high%20values%20(LH). Diakses pada 19 september
2021 11.00 WIB
38

LAPORAN PRAKTIKUM 1 POINT PATTERN

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

LAPORAN PRAKTIKUM 1 POINT PATTERN

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN PRAKTIKUM 1

SISTEM INFORMASI GEOGRAFIS TERAPAN

“Point Pattern Analysis”

Dennis Euro Pongdatu 03311840000047

DEPARTEMEN TEKNIK GEOMATIKA

1. Bapak Dr-Ing.Ir.Teguh Hariyanto.M.Sc. selaku dosen pengampu mata kuliah Sistem

Surabaya, 19 September 2021

Tabel 1 Perbandingan Analisa Point Pattern Pada Semua Data..........................................................36

1.1 Latar Belakang

1.3 Batasan Masalah

2.1 Area Studi

Gambar 2.1 Studi Area: Kota Surabaya, Jawa Timur

2.2 Alat dan Bahan

Gambar 2.2 Laptop

Gambar 2.3 Mouse

Gambar 2.4 ArcMap

b. Microsoft Office 365

Gambar 2.5 Microsoft Office 365

Gambar 2.6 Data WorldPop Kota Surabaya Format Raster

b. Shapefile Kota Surabaya

Gambar 2.7. Shapefile Kota Surabaya

Gambar 2.8 Shapefile Fasilitas Pendidikan Kota Surabaya

d. Shapefile Pemerintahan Kota Surabaya

Gambar 2.9 Shapefile Pemerintahan Kota Surabaya

Gambar 2.10 Diagram Alir Praktikum

2.4 Langkah Pengerjaan

Gambar 2.12 Download Data Shapefile Kota Surabaya dari Inageoportal

Gambar 2.14 Add Data yang akan Digunakan

c. Masing-masing data selanjutnya diproyeksikan menggunakan sistem proyeksi

Gambar 2.16 Tool Create Fishnet

Gambar 2.18 Hasil Fishnet

Gambar 2.19 Tool Extract Values to Points

Gambar 2.20 Extract Values to Points

Gambar 2.21 Nilai Atribut Tabel

2.4.2 Average Nearest Neighbor

Gambar 2.23 Add Data yang akan Diproses

b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à Average

Gambar 2.24 Tool Average Nearest Neighbor

Gambar 2.25 Average Nearest Neighbor

d. Untuk melihat hasil dari tools Average Nearest Neighbor klik

Gambar 2.26 Option untuk melihat Result

f. Lakukan hal yang sama pada point “Pendidikan” dan “Jumlah

Gambar 2.28 Add Data yang akan Diproses

Gambar 2.29 Tool High/Low Clustering (Getis-Ord General G)

c. Setelah itu akan muncul kotak dialog High/Low Clustering (Getis-Ord

Gambar 2.30 High/Low Clustering (Getis-Ord General G)

d. Untuk melihat hasil dari tools High/Low Clustering (Getis-Ord General G)

Gambar 2.32 Result High/Low Clustering (Getis-Ord General G)

f. Lakukan hal yang sama pada point “Pendidikan” dan “Jumlah

Gambar 2.33 Add Data yang akan Diproses

b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à Multi-

Gambar 2.34 Tool Multi-Distance Spatial Cluster Analysis (Ripleys K Function)

c. Setelah itu akan muncul kotak dialog Multi-Distance Spatial Cluster

Gambar 2.35 Multi-Distance Spatial Cluster Analysis (Ripleys K Function)

d. Setelah proses selesai akan muncul gambar grafik K Function seperti

Gambar 2.36 Grafik K Function

e. Lakukan hal yang sama pada point “Pendidikan” dan “Jumlah

Gambar 2.37 Add Data yang akan Diproses

b. Klik ArcToolbox à Spatial Statistic Tools à Analyzing Pattern à Spatial

Gambar 2.38 Tool Spatial Autocorrelation (Morans I)

Gambar 2.39 Spatial Autocorrelation (Morans I)

d. Untuk melihat hasil dari tools Spatial Autocorrelation (Morans l) klik

Gambar 2.40 Option untuk melihat Result