SPATIAL DATA MANIPULATION CHAPTER

BAB I
PENDAHULUAN
1.1 Latar Belakang

Data spasial menjadi data yang mempunyai esensi penting untuk diketahui
banyak orang atau pihak saat ini. Hal itu dikarenakan data spasial dapat untuk
memecahkan berbagai masalah yang berkaitan dengan keruangan zaman
sekarang. Data spasial saat ini sudah dapat diakses oleh berbagai pihak, tetapi data
spasial yang didapat belum dapat dipublikasikan jika hanya menampilkan data
mentah saja. Oleh sebab itu, diperlukan suatu pengolahan atau manipulasi data
agar produk yang dihasilkan dari data tersebut dapat dipublikasikan dan
dimengerti oleh berbagai pihak. Salah satu cara untuk melakukan pengolahan atau
manipulasi data tersebut adalah dengan proses SIG Manipulasi Data.
SIG Manipulasi Data mampu digunakan dalam mengolah data spasial yang
nantinya akan diaplikasikan dan dimanfaatkan dalam berbagai bidang. Banyak
pengaplikasian SIG Manipulasi Data untuk pengolahan data spasial, sebagai
contoh untuk Generalisasi, Proximity Analysis, Analisis Overlay, Analisis
Klastering dan Jangkauan Pelayanan, Analisis Interpolasi untuk Model Elevasi
Digital, Analisis dan Pemodelan SIG Berbasis Raster, Analisis Kepadatan
(Density Analysis), dan masih banyak lagi. Pengaplikasian tersebut mampu untuk
memberikan manfaat dalam pertimbangan permasalahan yang dihadapi terkait
dengan keruangan
Manfaat dari SIG Manipulasi Data pada pengolahan data spasial banyak
sekali. Pemanfaatan yang banyak digunakan saat ini adalah peta. Peta yang
didapat dari data yang benar dan diolah dengan benar data menghasilkan peta
yang bermanfaat untuk berbagai pihak. Selain itu, SIG Manipulasi Data juga
memberikan manfaat dalam pemecahan masalah. Seperti dikutip dari suatu
pernyataan “Modern problem need modern solution”. Itulah suatu pernyataan
yang menguatkan bahwa perlunya SIG Manipulasi Data untuk memecahkan
permasalahan pada zama yang sudah modern ini.
1
1.2 Tujuan
1.2.1 Tujuan Umum
1. Memiliki pengetahuan terkait dengan SIG Manipulasi Data dan
dapat mengaplikasikan SIG Manipulasi Data untuk dapat
memberikan manfaat dan memecahkan berbagai permasalahan
terkait dengan data spasial.
1.2.2 Tujuan Khusus
1.2.2.1 Acara 1
1. Mampu membuat analisis Simplify, Smooth dan
Aggregate
2. Mengetahui dan memahami mengenai penerapan
Simplify, Smooth dan Aggregate dalam sebuah kasus
1.2.2.2 Acara 2
1. Mampu membuat analisis Buffer (sigle and multiple)
2. Mengetahui penerapan analisis Buffer (sigle and
multiple) dalam sebuah kasus
1.2.2.3 Acara 3
1. Mampu membuat analisis overlay dari data vektor
2. Mampu mengetahui penerapan dari analisis overlay
kedalam sebuah kasus.
1.2.2.4 Acara 4
1. Mampu menganalisis pengelompokan data (klastering)
dan jangkauan pelayanan data spasial titik melalui
teselasi dan polygon thiessen
1.2.2.5 Acara 5
1. Mampu menyusun model elevasi digital menggunakan
analisis interpolasi
2. Mampu melakukan proses evaluasi akurasi model
elevasi digital
2
1.2.2.6 Acara 6
1.2.2.6.1 Pengenalan data DEM dan turunannya
1. Mampu mengetahui teknis berbagai model
turunan Digital Elevation Model (DEM) dan
metode pembuatannya.
2. Mampu membuat beberapa model medan
digital dari Digital Elevation Model (DEM)
serta teknik pengolahannya.
1.2.2.6.2 Persiapan data raster untuk pemodelan
tsunami
1. Mampu mengetahui teknis persiapan datan
dan konversi data vektor menjadi data raster
untuk melakukan input data pemodelan
tsunami
2. Mampu membuat alur pemodelan dengan
menggunakan model builder pada perangkat
lunak ArcGIS 10.8
1.2.2.6.3 Pemodelan tsunami
1. Mampu membuat pemodelan tsunami dan
melakukan penghitungan penggunaan lahan
1.2.2.7 Acara 7
1. Mampu menganalisis sebaran data menggunakan kernel
density
2. Mampu menganalisis sebaran data menggunakan point
density
3
BAB II
DASAR TEORI
2.1 Generalisasi
Generalisasi merupakan hal yang kompleks karena mengandung
subjektivitas berbeda antar kartografer maupun antar algoritma dalam hasil
generalisasi (Kraak dan Ferjan, 1996). Perlunya generalisasi karena Peta terbatas
ruang buatnya, sehingga objek/unsur yang ada di permukaan bumi tidak dapat
dimasukkan semuanya di ruang peta (Hisanah et al, 2015). Menurut
(Bakosurtanal, 2005), menyebutkan bahwa generalisasi terdiri dari pemilihan jenis
kenampakan, penyederhanaan tampilan, dan mempertahankan corak pada wilayah
yang dipetakan.
2.2 Proximity Analysis

Analisis proximity merupakan analisis dalam geografi yang berbasis pada
jarak antar layer (Husein, 2006). Menurut (Aqli, 2010), analisis proximity
merupakan proses analisis yang biasa digunakan dalam penentuan site/lahan untuk
keperluan strategi pemasaran dalam bisnis/perdagangan. Menurut (Wardhani,
2021), Proximity mempunyai beberapa tools yang dibagi menjadi dua kategori
berdasarkan tipe input yang diterima yaitu features-based dan raster-based dan
masing-masing memiliki kegunaan masing-masing.
2.3 Analisis Overlay

Overlay merupakan kemampuan dalam menempatkan grafis satu peta diatas
grafis peta yang lain dan menampilkan hasilnya pada layar (Darmawan et al,
2017). Menurut (Dede et al, 2018), analisis overlay dapat digunakan dalam
menentukan sektor unggulan dan kajian suatu fenomena dengan menggabungkan
tool analisis dalam menyaring hasil analisis yang baik. Pengaplikasian analisis
overlay salah satunya kajian limpasan permukaan/surface runoff yang merupakan
air hujan yang tidak dapat tertampung oleh tanah, vegetasi, atau cekungan yang
akhirnya mengalir langsung ke sungai atau laut (Gafuri et al, 2016).
4
2.4 Analisis Klastering dan Jangkauan Pelayanan
Analisis klastering merupakan metode yang digunakan untuk
mengklasifikasikan objek ke dalam kelompok yang relatif homogen (Sitepu et al,
2011). Analisis klastering dan jangkauan pelayanan dapat dilakukan dengan
beberapa tool antara lain teselasi dan polygon thiessen. Teselasi adalah proses
mengubah entitas kontinu yang ada pada dunia nyata ke dalam entitas diskrit
dengan cara melakukan klasifikasi ruang ke dalam unit tile (Gold, 2016). Polygon
Thiessen merupakan poligon yang dihasilkan dari sekumpulan titik sampel.
Konsep dari polygon thiessen adalah setiap poligonnya mendefinisikan area
pengaruh di sekitar titik sampelnya, sehingga setiap kolasi pada poligon itu lebih
dekat ke titik itu daripada titik sampel lain (ESRI, 2021).
2.5 Analisis Interpolasi untuk Model Elevasi Digital

Interpolasi merupakan proses estimasi nilai pada wilayah yang tidak diukur,
sehingga terbuatlah peta atau sebaran nilai pada seluruh wilayah (Gamma Design
Software, 2005). Menurut (Hadi, 2013), Analisis interpolasi merupakan proses
estimasi nilai pada wilayah-wilayah yang tidak disampel untuk keperluan
penyusunan peta atau sebaran nilai pada seluruh wilayah yang dipetakan. Salah
satu pengaplikasian analisis interpolasi untuk pengolahan data DEM (Digital
Elevation Model). Menurut (Sobatnu, 2014), Model elevasi digital atau Digital
Elevation Model (DEM) merupakan model untuk menggambarkan bentuk
topografi permukaan bumi yang mampu divisualkan dalam bentuk 3D.
2.6 Analisis dan Pemodelan SIG Berbasis Raster

Menurut (Winoto, 2020), Data raster merupakan data yang menampilkan
permukaan bumi dalam bentuk pixel yang membentuk grid/petak dan data ini
dihasilkan dari pengambilan data melalui penginderaan jauh. Data raster yang
didapat belum dapat sepenuhnya untuk dipublikasikan untuk umum karena belum
dapat memberikan informasi secara jelas. Agar data raster tersebut dapat
memberikan informasi yang jelas dapat dilakukan proses pengolahan data dan
permodelan. Pengolahan data raster contohnya DEM dapat dilakukan melalui
5
pembuatan Hillshade, Contour, Slope, Aspect, Curvature, Viewshed, Volume (cut
and fill), dan dapat juga dibuat 3D visualization dengan data DEM tersebut
(Wibowo et al, 2019). Data raster yang dapat diolah dapat dilakukan pemodelan
salah satunya pemodelan tsunami yaitu permodelan untuk mengestimasi potensi
penjalaran gelombang tsunami pada suatu wilayah dan mengestimasi kerugian
yang akan ditimbulkan jika terjadi tsunami (Pratiwi, et al, 2021).
2.7 Analisis Kepadatan (Density Analysis)

Analisis density merupakan analisis yang mengacu pada keluasan dan
kelengkapan relasi dalam jaringan (Mona, 2020). Analisis density menurut (ESRI,
2021) terdapat tiga jenis tool dalam ArcGIS, yaitu kernel density, line density, dan
point density. Menurut (Nanda, 2019), Kernel density merupakan pengelompokan
data berdasarkan kerapatan suatu fenomena berdasarkan radius tertentu. Menurut
(ESRI, 2021), line density merupakan pengelompokan line dengan menghitung
luas per satuan besaran dari fitur polyline yang berada dalam radius di sekitar
setiap sel dan point density merupakan metode untuk menghitung kepadatan fitur
titik di sekitar setiap sel raster, dan jumlah titik yang termasuk dalam lingkungan
dijumlahkan dan dibagi dengan luas lingkaran.
6
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA I
76
GENERALISASI
Dibuat oleh :
Nama : Fakhri Raihan
NIM : 20/464125/SV/18444
Hari/Jam : Kamis/13.00-15.00
Kelompok : SMD B
Asisten : 1. Chintya Prasetya
2. Seskonita Zachroh Dien S. M.
PROGRAM STUDI SARJANA TERAPAN SISTEM INFORMASI

GEOGRAFIS
DEPARTEMEN TEKNOLOGI KEBUMIAN
SEKOLAH VOKASI
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2021
7
LEMBAR KERJA PRAKTIKUM
I. TUJUAN 3
1. Membuat analisis Simplify, Smooth dan Aggregate.
2. Mengetahui penerapan Simplify, Smooth dan Aggregate dalam sebuah
kasus.
II. ALAT DAN BAHAN

No Nama Alat Keterangan
1 Laptop Asus Tuf A15 Alat untuk melakukan kegiatan praktikum.
dengan spesifikasi:
- AMD Ryzen 5
- RAM 8 GB
- SSD 512 GB
- Windows 10
2 Perangkat lunak ArcGIS Perangkat lunak untuk melakukan
10.6 dan ArcToolBox kegiatan praktikum SIG Manipulasi Data
acara 1
3 Microsoft Word Untuk membuat laporan praktikum
4 Indonesia Geospatial Web untuk mencari bahan praktikum
Portal
No Nama Bahan Keterangan

1 Modul praktikum acara Bahan ajar untuk melaksanakan kegiatan
1 praktikum acara 1
2 Lembar kerja praktikum Lembar untuk mengisikan hasil kerja
praktikum yang telah dilakukan
3 Data shapefile (.shp) Data untuk melakukan kegiatan praktikum
Kota Jakarta Pusat SIG Manipulasi Data acara 1
6 Jurnal/referensi Referensi dalam pembuatan laporan
8
III. LANGKAH KERJA 18
A. Diagram alir
ArcGIS 10.6 ArcTool Data shapefile Kota

Box Jakarta Pusat
Cari data shapefile kabupaten/kota di InaGeoPortal
Add data shapefile sungai, jalan, dan pemukiman ke ArcGIS
Olah data sungai dan jalan di simplify line dengan metode

Point Remove di ArcToolBox
Olah data pemukiman di Aggregate Polygons
Olah data sungai dan jalan di simplify line dengan metode

Bend-Simplify di ArcToolBox
Olah data pemukiman di Simplify Polygon dengan metode

Point Remove
Olah data pemukiman di Simplify Polygon dengan metode

Bend-Simplify
Olah data jalan dan sungai di smooth line. Jalan metode

PAEK, sungai metode Bezier Interpolation
Olah data pemukiman di Smooth Polygon dengan PAEK
Generalisasi
Keterangan : Input Proses Output
9
B. Langkah kerja, step by step
1. Membuka website Indonesia Geospasial Portal dan mengunduh
shapefile melalui menu Download → Peta Per Wilayah.
2. Memilih wilayah yang akan di unduh shapefile-nya (Kota

Jakarta Pusat) dan melakukan unduh dengan klik kanan
wilayah.
3. Membuka ArcGIS 10.6 dan menambahkan data shapefile

sungai, jalan, dan pemukiman yang sudah diunduh.
10
4. Melakukan generalisasi jalan dan sungai dengan cara buka
ArcToolBox → Cartography Tools → Generalization →
Simplify Line.
5. Mengatur generalisasi sungai dengan Simplify Line dengan

memasukkan data sungai dan mengatur metodenya dengan
point remove dan simplification tolerance-nya 100 meter.
6. Menganalisis hasil generalisasi jaringan sungai.
11
7. Melakukan generalisasi jalan dengan cara yang sama seperti
sungai.
8. Menganalisis hasil generalisasi jaringan jalan.
9. Melakukan generalisasi untuk area pemukiman dengan buka

ArcToolbox → Cartography Tools → Generalization →
Aggregate Polygons.
12
10. Mengatur generalisasi area pemukiman dengan menambahkan
data pemukiman.
11. Menganalisis hasil generalisasi area pemukiman.
12. Melakukan generalisasi sungai dengan menggunakan Simplify

Line dengan metode Bend-Simplify.
13
14. Melakukan generalisasi dengan cara sama untuk jaringan jalan.
14
16. Melakukan generalisasi area pemukiman dengan Simplify
Polygon dengan metode Point Remove.
18. Melakukan generalisasi area pemukiman dengan Simplify

Polygon dengan metode Bend-Simplify.
15
20. Melakukan generalisasi jalan dengan Smooth Line dengan

metode PAEK.
16
22. Melakukan generalisasi sungai dengan Smooth Line dengan
metode Bezier Interpolation.
24. Melakukan generalisasi area pemukiman dengan Smooth

Polygon dengan metode PAEK.
17
IV. HASIL PRAKTIKUM 18

1. Screencapture perbandingan data input dan simplify menggunakan
point remove. (Terlampir)
bend simplify pada fitur jalan/sungai. (Terlampir)
point remove pada fitur penggunaan lahan. (Terlampir)
bend simplify pada fitur penggunaan lahan. (Terlampir)
5. Screencapture perbandingan data input dan smooth menggunakan
PAEK atau Bezier Interpolation pada fitur jalan/sungai.
(Terlampir)
6. Screencapture perbandingan data input dan aggregate pada salah
satu jenis pengggunaan lahan. (Terlampir)
V. PEMBAHASAN
1. Jelaskan mengapa generalisasi perlu dilakukan 10
Pembuatan peta dilakukan untuk mendapatkan gambaran dari kondisi nyata
permukaan bumi. Untuk dapat menampilkan objek/unsur yang ada di
18
permukaan bumi, perlu adanya penyederhanaan objek/unsur untuk
mendapatkan hasil peta yang lebih jelas. Peta terbatas ruang buatnya,
sehingga objek/unsur yang ada di permukaan bumi tidak dapat dimasukkan
semuanya di ruang peta (Hisanah, Subiyanto, & Nugraha Arief Laila, 2015).
Kemampuan melihat manusia pun belum bisa untuk melihat objek/unsur jika
objek/unsur tersebut dimasukkan dalam peta semua. Untuk itu perlu
dilakukan penyederhanaan atau generalisasi. Generalisasi merupakan proses
penyederhanaan yang terjadi karena adanya pengecilan atas turunan peta
dari skala besar ke kecil untuk mendapatkan peta yang lebih jelas dan tetap
mempertahankan ciri atau karakter utama dari peta. Peta yang di generalisasi
akan memudahkan manusia dalam memahami isi dari peta tersebut.
2. Jelaskan masing-masing generalisasi yang diterapkan pada data dan

perbandingannya. 10
Generalisasi merupakan hal yang kompleks karena mengandung
subjektivitas berbeda antar kartografer maupun antar algoritma dalam hasil
generalisasi (Kraak dan Ferjan, 1996). Cara melakukan generalisasi dapat
dilakukan dengan banyak cara. Generalisasi yang dilakukan pada praktikum
ini adalah generalisasi dengan menggunakan analisis simplify, analisis
smooth, dan analisis aggregate. Ketiga analisis itu dilakukan pada perangkat
lunak ArcGIS. Generalisasi yang dilakukan secara manual dengan
menggunakan perangkat lunak berbeda hasilnya. Generalisasi dengan
analisis simplify dapat digunakan pada data garis dan poligon. Generalisasi
dengan analisis simplify menggunakan ArcGIS bisa dilakukan dengan dua
pilihan. Pilihan pertama dengan menggunakan point remove, pilihan kedua
dengan menggunakan bend simplify. Data yang menggunakan point remove
dapat lebih cepat dalam eksekusi, tetapi hasilnya kurang halus. Data yang
menggunakan bend simplify lebih lambat eksekusinya, tetapi hasilnya
menyerupai dengan fitur aslinya.
Generalisasi dapat juga dengan analisis smooth yang bertujuan untuk
19
menghilangkan variasi kecil pada geometri fitur garis atau poligon untuk
meningkatkan kenampakan visualnya. Pilihan pada metode smoothing ada 2
macam. Pilihan pertama menggunaka PAEK dan pilihan kedua
menggunakan Bezier Interpolation. Pilihan PAEK berguna dalam
menghaluskan garis berdasarkan dari smoothing tolerance yang diberikan.
Pilihan menggunakan Bezier interpolation dapat menghaluskan
garis/poligon dengan membuat garis lengkung yang menyerupai fitur asli.
Generalisasi berikutnya dengan menggunakan analisis Aggregate yang
artinya gabungan dari beberapa objek individu yang disederhanakan (Smith
and Smith, 1977). Tool Aggregate berguna dalam proses perubahan skala
peta dari besar ke yang lebih kecil. Penggunaan tools aggregate juga
dikarenakan ruang yang tersedia pada skala yang lebih kecil tidak mampu
merepresentasikan fitur-fitur secara individual atau detail.
3. Jelaskan aplikasi/pemanfaatan dari salah satu jenis generalisasi. 5

Salah satu metode yang digunakan untuk generalisasi pada ArcGIS adalah
generalisasi dengan analisis smoothing dengan pilihan metode PAEK.
Metode PAEK (Polynomial Approximation With Exponential Kernel) dapat
menghaluskan garis berdasarkan dari smoothing tolerance. Penggunaan
metode PAEK pada jaringan jalan dapat membuat jaringan jalan yang
awalnya kaku menjadi halus. Setiap corner atau pojokan yang kaku dapat
dibuat halus dengan melengkungkan pojokannya sehingga terlihat lebih
halus. Pemanfaatan analisis smoothing dengan metode PAEK adalah pada
data garis yang dapat membuat lebih halus dan jika dimasukkan ke peta
terlihat menjadi lebih halus.
VI. KESIMPULAN 7
1. Analisis simplify dapat menggunakan dua metode yaitu dengan
metode point remove dan bend simplify. Analisis smooth dapat
menggunakan du acara juga yaitu dengan metode PAEK dan Bezier
20
interpolation. Analisis Aggregate merupakan analisis untuk
gabungan dari beberapa objek individu yang disederhanakan.
2. Analisis simplify yaitu dengan metode point remove lebih cepat
dalam eksekusi, tetapi hasilnya kurang halus. Data yang
menggunakan bend simplify lebih lambat eksekusinya, tetapi
hasilnya menyerupai dengan fitur aslinya. Analisis smooth dengan
metode PAEK dapat menghaluskan garis berdasarkan dari smoothing
tolerance yang diberikan. Menggunakan Bezier interpolation dapat
menghaluskan garis/poligon dengan membuat garis lengkung yang
menyerupai fitur asli. Analisis Aggregate berguna dalam proses
perubahan skala peta dari besar ke yang lebih kecil.
VII. SARAN
Praktikum SIG Manipulasi Data kali ini berjalan dengan lancar sehingga
belum ada saran yang perlu untuk ditinjau. Semoga praktikum berikutnya
berjalan dengan lancar juga.
VIII. DAFTAR PUSTAKA 5

Hisanah, N., Subiyanto, S., & Nugraha Arief Laila. (2015). Kajian Teknis
Penerapan Generalisasi Peta Rupabumi Indonesia (RBI) dari Skala
1:50.000 Menjadi Skala 1:250.000. Jurnal Geodesi Undip, 248-256.
Kraak, Menno-Jan dan Ferjan Ormeling. 1996. Cartography Visualization of

Spatial Data. Pearson Education. Edinburgh
Smith, JM., and Smith, DP.1977. Database Abstractions:

Aggregation”,Communications of the ACM, 20(6),
21
LAMPIRAN
1. Screencapture perbandingan data input dan simplify menggunakan point

remove.
Sebelum Sesudah
2. Screencapture perbandingan data input dan simplify menggunakan bend

simplify pada fitur jalan/sungai.
a. Jalan
Sebelum Sesudah
22
b. Sungai
Sebelum Sesudah
3. Screencapture perbandingan data input dan simplify menggunakan point

remove pada fitur penggunaan lahan.
Sebelum Sesudah
23
4. Screencapture perbandingan data input dan simplify menggunakan bend
simplify pada fitur penggunaan lahan.
Sebelum Sesudah
5. Screencapture perbandingan data input dan smooth menggunakan PAEK

atau Bezier Interpolation pada fitur jalan/sungai.
a. Jalan (PAEK)
Sebelum Sesudah
24
b. Sungai (Bezier Interpolation)
Sebelum Sesudah
6. Screencapture perbandingan data input dan aggregate pada salah satu

jenis pengggunaan lahan.
Sebelum Sesudah
25
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA II pretest: 64 -5 (telat<15 mnt)

= 59
PROXIMITY ANALYSIS
UKURAN LOGO
DIBUAT 5x5 yaa
Dibuat oleh :
NIM : 20/464125/SV/18444
Kelompok : SMD B
Asisten : 1. Chintya Prasetya Chyntia Prasetya N
PROGRAM STUDI SARJANA TERAPAN SISTEM INFORMASI

GEOGRAFIS
SEKOLAH VOKASI
YOGYAKARTA
2021
26
I. TUJUAN 5/5
1. Membuat analisis Buffer (single and multiple).
2. Mengetahui penerapan analisis Buffer (single and multiple) dalam
sebuah kasus.
II. ALAT DAN BAHAN

Laptop Asus Tuf A15 dengan spesifikasi:
AMD Ryzen 5, RAM 8 GB, SSD 512 GB,
Windows 10
10.6 kegiatan praktikum. Digunakan ArcMap
10.6 dan ArcToolbox.
4 Browser (Chrome) Aplikasi untuk mencari bahan dan
referensi

1 Modul praktikum Bahan ajar untuk melaksanakan kegiatan
praktikum
3 Data shapefile (.shp) Data untuk melakukan kegiatan praktikum
DKI Jakarta SIG Manipulasi Data
27
III. LANGKAH KERJA
1. Diagram alir 4/5
ArcMap 10.6 ArcToolbox Data shapefile

DKI Jakarta
Tambahkan data shapefile berupa titik, garis, poligon
Lakukan buffer pada ketiga data
Lakukan multiple buffer pada data titik dan garis
Layouting data yang sudah di multiple buffer
1) SS hasil single buffer pada fitur poin

outputnya dipisah ya
dijabarin jangan di jadiin 1 2) SS hasil single buffer pada fitur line
shape
3) SS hasil single buffer pada fitur
polygon
4) Peta multiple buffer pada fitur fasilitas

kesehatan
5) Peta multiple buffer pada fitur sungai
Keterangan :
Input Proses Output
28
dibagi per sub bab kalo bisa ya
A. persiapan data
B. proses Single buffer
C. proses multiple buffer
D. layouting peta
2. Langkah kerja, step by step 10/15
1. Menambahkan data yang diperlukan untuk melakukan
praktikum pada ArcMap.
2. Membuka ArcToolbox dan cari analysis tools → proximity →

buffer.
3. Masukkan data titik yang akan dilakukan buffer contohnya titik

pendidikan. Atur jarak yang dibutuhkan sesuai dengan regulasi.
29
4. Memastikan regulasi terkait jarak pada buku SNI 03-1733-
2004, Tata cara perencanan lingkungan perumahan di
perkotaan.
5. Memastikan hasil dari dilakukannya buffer pada data titik

pendidikan.
30
6. Melakukan hal yang sama dengan no 2-5 dengan data garis
yaitu jaringan jalan.
31
7. Melakukan hal yang sama dengan no 2-5 untuk data poligon
yaitu pemukiman.
32
8. Melakukan multiple buffer untuk data titik fasilitas kesehatan
dengan cara masuk ArcToolbox → pilih analysis tools →
proximity → multiple ring buffer.
9. Memasukkan data titik fasilitas kesehatan untuk dilakukan

multiple buffer. Atur jarak sesuai dengan regulasi.
10. Memastikan regulasi terkait jarak data titik fasilitas kesehatan

pada buku SNI 03-1733-2004, Tata cara perencanan lingkungan
perumahan di perkotaan.
33
11. Memastikan hasil dari dilakukannya multiple buffer pada data
titik fasilitas kesehatan.
12. Melakukan hal yang sama dengan no 8-9, tetapi dengan data
jaringan sungai.
13. Memastikan regulasi terkait jarak data jaringan sungai pada

Permen PUPR RI Nomor 28/PRT/M/2015 Tentang Penetapan
Garis Sempadan Sungai dan Garis Sempadan Danau.
34
14. Memastikan hasil dari dilakukannya multiple buffer pada data
jaringan sungai
15. Melakukan layouting untuk data yang sudah di multiple buffer.
35
IV. HASIL PRAKTIKUM
1. SS hasil single buffer pada fitur titik pendidikan di Kota Jakarta
Pusat (Terlampir)
2. SS hasil single buffer pada fitur jaringan jalan di Kota Jakarta Pusat
(Terlampir)
3. SS hasil single buffer pada fitur area pemukiman di Kota Jakarta
Pusat (Terlampir)
4. Peta multiple buffer fasilitas kesehatan Kota Jakarta Pusat
(Terlampir)
5. Peta multiple buffer jaringan sungai Kota Jakarta Pusat (Terlampir)
V. PEMBAHASAN
1. Jelaskan mengapa analisis proximity perlu dilakukan 3/5
Analisis proximity merupakan analisis dalam geografi yang berbasis
pada jarak antar layer (Husein, 2006). Analisis tersebut dapat dilakukan baik
secara manual ataupun secara komputer (otomatis). Analisis proximity yang
dilakukan dengan menggunakan komputer (otomatis) dapat menggunakan
perangkat lunak ArcGIS. Tools proximity analysis yang terdapat pada
perangkat lunak ArcGIS dapat melakukan beberapa cara/metode analisis
proximity. Cara/metode yang ada antara lain, buffer, create thiessen
polygons, generate near table, graphic buffer, multiple ring buffer, near,
point distance, dan polygon neighbors.
Cara/metode tersebut semuanya berguna dalam analisis kedekatan
jarak secara fisik (proximity). Ada beberapa alasan kenapa analisis proximity
perlu dilakukan, yaitu perlunya analisis data untuk menunjukkan jarak
terdekat dari fitur, perlunya data untuk melakukan pengembangan lebih
lanjut terhadap proyek yang akan dan sudah terlaksana, perlunya data untuk
analisis suatu kerawanan dari suatu wilayah, dan masih banyak lagi. Analisis
proximity memang diperlukan untuk dapat menunjukkan jarak dari suatu
fitur.
36
2. Jelaskan aplikasi/pemanfaatan dari buffer yang Saudara lakukan pada
data saudara. 13/15
Buffer merupakan analisis yang mampu untuk mengukur efektivitas
lebih baik keberadaan fitur dalam hal cakupan/distribusi pelayanan (Aqli, 2010).
kalo
Analisis buffer dalam SIG mampu digunakan dalam perencanaan wilayah
disertakan
gambar dan Kawasan dalam konteks mulai dari tahap persiapan sampai memperoleh
keputusan spasial. Aplikasi/pemanfaatan data yang di buffer pada praktikum
kali ini adalah sebagai berikut.
Data titik fasilitas pendidikan yang dilakukan buffer dapat
dimanfaatkan untuk analisis daerah daerah yang dekat dan masuk ke dalam
cakupan jarak fasilitas pendidikan. Jarak yang digunakan pada data tersebut
ditentukan dari regulasi SNI 03-1733-2004, Tata cara perencanaan
lingkungan perumahan di perkotaan. Data selanjutnya adalah data jaringan
jalan yang di buffer dapat dimanfaatkan dalam koordinasi perencanaan
pembangunan dan mengevaluasi pembangunan. Jarak yang digunakan pada
data tersebut ditentukan dari regulasi SNI 03-1733-2004, Tata cara
perencanaan lingkungan perumahan di perkotaan. Data pemukiman yang
sudah di buffer dapat dimanfaatkan untuk analisa suatu daerah pemukiman
terdapat suatu kondisi, contohnya bencana. Jarak yang digunakan pada data
tersebut ditentukan dari regulasi SNI 03-1733-2004, Tata cara perencanaan
lingkungan perumahan di perkotaan.
Selain dilakukan buffer, data shapefile dapat dilakukan analisa
proximity dengan cara multiple buffer. Data yang dilakukan analisa dengan
multiple buffer adalah data titik fasilitas kesehatan dan jaringan sungai. Data
titik fasilitas kesehatan yang jarak buffer-nya menggunakan regulasi SNI 03-
1733-2004, Tata cara perencanaan lingkungan perumahan di perkotaan dapat
dimanfaatkan untuk melihat persebaran dan cakupan fasilitas kesehatan dari
suatu wilayah. Data jaringan sungai yang jarak buffer-nya menggunakan
regulasi Permen PUPR RI Nomor 28/PRT/M/2015 Tentang Penetapan Garis
Sempadan Sungai dan Garis Sempadan Danau dapat dimanfaatkan dalam
mengevaluasi wilayah dan juga sebagai rencana pembangunan.
37
3. Berikan analisis spasial terkait dengan buffer yang anda sajikan! 7/10
Data yang dilakukan analisa dengan buffer ada tiga yaitu data titik
fasilitas pendidikan, jaringan jalan, dan pemukiman. Ada juga data yang
dianalisa proximity-nya dengan multiple buffer yaitu data titik fasilitas
kesehatan dan jaringan sungai. Multiple buffer digunakan untuk membuat
beberapa buffer pada jarak tertentu di sekitar fitur yang diinput (ESRI,
2021).
Data tersebut merupakan data titik fasilitas pendidikan. Jarak yang

dibuat untuk buffer tersebut berdasar regulasi adalah 0,5 km. Terlihat buffer
yang terbentuk dari titik fasilitas pendidikan bahwa terdapat beberapa
wilayah yang mempunyai fasilitas pendidikan banyak dan ada wilayah yang
tidak masuk cakupan.
Data jaringan jalan diatas dilakukan buffer untuk mengetahui jarak

jalan dengan bangunan di sekitarnya. Jarak yang terbentuk berdasarkan
regulasi adalah 4 meter. Setelah dilakukan analisis terlihat ada beberapa
bangunan di Kota Jakarta Pusat yang belum sesuai dengan regulasi.
38
Data tersebut merupakan data pemukiman yang sudah dilakukan
buffer. Jarak yang digunakan untuk buffer sesuai dengan regulasi/standar
adalah 4 meter dari jalan. Setelah dilakukan buffer, terlihat bahwa Kota
Jakarta Pusat memiliki pemukiman yang padat penduduk dan jarak antara
jalan dengan pemukiman terlalu dekat.
Data tersebut merupakan data persebaran titik fasilitas kesehatan di

Kota Jakarta Pusat yang dilakukan analisis proximity menggunakan multiple
buffer. Jarak yang digunakan untuk membentuk buffer sesuai dengan
regulasi adalah 0,5 km dan 1,5 km. Terlihat bahwa sebagian besar wilayah di
Kota Jakarta Pusat sudah masuk dalam cakupan titik fasilitas pendidikan dan
juga berarti bahwa persebaran fasilitas kesehatan di Jakarta Pusat merata.
39
Peta diatas menggunakan data jaringan sungai di Kota Jakarta Pusat
yang sudah dilakukan analisis proximity menggunakan multiple buffer. Jarak
yang digunakan untuk membentuk buffer sesuai dengan regulasi adalah 3
meter dan 6 meter karena sungai tersebut merupakan sungai bertanggul.
Terlihat bahwa masih ada beberapa pemukiman di Jakarta Pusat yang
berdekatan dengan sungai.
VI. KESIMPULAN 6/10

1. Pembuatan analisis buffer berupa single dan multiple dapat dilakukan
melalui ArcGIS. Pembuatannya menggunakan tools yang ada pada
ArcToolbox. Proses pembuatannya harus sesuai dengan regulasi
yang sudah ada.
2. Penerapan/pemanfaatan analisis buffer (single dan multiple) ada
banyak sekali. Contoh pemanfaatan data yang sudah di-buffer adalah
analisis data untuk menunjukkan jarak terdekat dari fitur, analisis
data untuk melakukan pengembangan lebih lanjut terhadap proyek
yang akan dan sudah terlaksana, Melakukan analisis kerawanan suatu
di suatu wilayah, dan masih banyak lagi.
40
VII. SARAN 3/3
VIII. DAFTAR PUSTAKA 7/7

Aqli, W. (2010). Analisa Buffer Dalam Sistem Informasi Geografis Untuk
Perencanaan Ruang Kawasan. INERSIA, 192-201.
ESRI. (2021). Multiple Ring Buffer (Analysis). Retrieved from ArcGIS Pro:
https://pro.arcgis.com/en/pro-app/latest/tool-
reference/analysis/multiple-ring-buffer.htm
Husein, R. (2006). Konsep Dasar Sistem Informasi Geografis (Geographics
Information System). Retrieved from IlmuKomputer.com:
http://www.ilmukomputer.com
41
LAMPIRAN
1. SS hasil single buffer pada titik pendidikan di Kota Jakarta Pusat 2/3
untuk hasil SS bsk

bisa disertakan zoom
in zoom out dan
keterangan simbolnya
ya terutama pada
hasil yg cukup padat
seperti punyamu.
lebih baik lg kalau tiap
hasil buffer diberi
outline
2. SS hasil single buffer pada jaringan jalan Kota Jakarta Pusat 3/3
3. SS hasil single buffer pada area pemukiman Kota Jakarta Pusat 2/3
42
4. Peta multiple buffer fasilitas kesehatan Kota Jakarta Pusat 5/8
satuan koordinatnya
dibuat BT LS dan
warna koordinat
geografisnya biru ya
seperti pada RBI,
wilayah admin tidak

perlu di beri warna
ya cukup di kasi
warna putih saja
lebih baik untuk

judul di taro diatas
ya
tiap segmen
keterangan peta
diberi garis biar jelas
untuk simbol batas

kecamatan
sesuaikan dengan yg
ada di RBI
43
5. Peta multiple buffer jaringan sungai Kota Jakarta Pusat 4/8
koreksi hampir sama

dengan atas dan
interval
koordinatnya terlalu
jauh
44
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA III
OVERLAY ANALYSIS
Dibuat oleh :
NIM : 20/464125/SV/18444
Kelompok : SMD B
PROGRAM STUDI SARJANA TERAPAN

SISTEM INFORMASI GEOGRAFIS
SEKOLAH VOKASI
YOGYAKARTA
2021
45
I. TUJUAN
1. Membuat analisis Overlay data vektor
2. Mengetahui penerapan analisis Overlay dalam sebuah kasus
II. ALAT DAN BAHAN

dengan spesifikasi:
- AMD Ryzen 5
- RAM 8 GB
- SSD 512 GB
- Windows 11
10.8 kegiatan praktikum SIG Manipulasi Data
referensi

1 Data shapefile (.shp) Data shapefile untuk praktikum berupa :
DAS Comal Kabupaten data batas DAS, sungai, penggunaan
Pemalang lahan, Tanah dan simpanan permukaan
Kecamatan Comal.
praktikum
46
III. LANGKAH KERJA
1. Diagram alir
ArcMap 10.8 Data shapefile (.shp)

DAS Comal Kabupaten
Pemalang
Persiapan alat dan bahan
Analisis slope DAS
Analisis soil DAS
Analisis penggunaan lahan DAS
Analisis simpanan permukaan DAS
Analisis Run-Off
layouting
Peta skor parameter Peta Run-Off (skor

lereng, tanah, parameter total dan
penggunaan lahan, dan kelas Run-Off )
simpanan permukaan
Keterangan :
Input Proses Output
47
2. Langkah Kerja
A. Persiapan Alat dan Bahan
1. Membuka ArcMap dan lakukan add data bahan yang sudah
diunduh pada ELOK UGM.
2. Membaca dan mencermati tabel untuk pemberian parameter

masing-masing data
48
B. Analisis Slope DAS
1. Melakukan pengecekan atribut layer slope dan melihat kelas
kemiringannya. Buat field baru dengan nama “Skor_lereng”
dan isikan nilainya berdasar tabel parameter.
2. Men-visualisasikan data slope DAS dengan menggunakan

field Skor_lereng.
C. Analisis Soil DAS

1. Melakukan pengecekan atribut layer soil dan melihat kelas
tekstur. Buat field baru dengan nama “Skor_tanah” dan
isikan nilainya berdasar tabel parameter.
49
2. Mengisikan nilai field Skor_tanah berdasar tabel berikut
sampai semua terisi.
50
3. Melakukan pengisian nilai dengan field calculator seperti
berikut.
4. Melakukan visualisasi dengan mengurutkan nilai dan beri

warna.
51
5. Menampilkan hasil dari analisis soil DAS.
D. Analisis Penggunaan Lahan DAS

1. Melakukan langkah yang sama seperti analisis soil DAS
dengan tabel parameter penggunaan lahan berikut.
2. Menampilkan hasil analisis penggunaan lahan DAS.
52
E. Analisis Simpanan Permukaan DAS
1. Memastikan tabel atribut untuk layer simpanan permukaan
dan pastikan sudah terdapat field skor simpanan permukaan.
2. Melakukan visualisasi berdasar skor dan beri keterangan

warna.
F. Analisis Run-Off
1. Melakukan intersect data yang sudah dibuat skor parameter
dengan cara berikut.
53
2. Melakukan input data dan memilih lokasi penyimpanan
serta beri nama “Run_Off”
3. Memastikan tabel atribut hasil intersect yaitu layer

Run_Off.
4. Membuat field baru (“Skor_total”) pada tabel atribut layer

Run_Off.
54
5. Melakukan pengisian field “Skor_total” dengan
menggunakan field calculator. Lakukan pengisian dengan
cara berikut.
6. Melakukan visualsasi layer Run-Off berdasar skor

parameter total yang sudah didapat dan beri keterangan
warna.
55
7. Menampilkan visualisasi hasil pembuatan Run-Off.
8. Membuka kembali tabel atribut dan buat field baru

“Run_Off” dengan tipe teks.
9. Melakukan pembagian skor untuk mendapat beberapa kelas.

Pembagian skor dan kategorinya dapat dilihat di tabel
parameter ( 0-25, rendah; 26-50, sedang; 51-75, tinggi;
76-100, ekstrem)
56
10. Melakukan pengisian field “Run_Off” sesuai pembagian.
11. Melakukan visualiasi berdasarkan kelas Run-Off yang

sudah dibuat.
57
12. Menampilkan hasil visualisasi kelas Run-Off.
13. Melakukan layouting pada ArcMap untuk membuat peta

DAS berdasar masing-masing data.
IV. HASIL PRAKTIKUM (TERLAMPIR)

1. Peta skor parameter lereng.
2. Peta skor parameter tanah.
3. Peta skor parameter penggunaan lahan.
4. Peta skor parameter simpanan permukaan.
5. Peta skor parameter total.
6. Layout peta Kelas Aliran Permukaan/ Run Off.
V. PEMBAHASAN
1. Jelaskan mengapa analisis overlay perlu dilakukan!
Overlay merupakan kemampuan dalam menempatkan grafis satu
peta diatas grafis peta yang lain dan menampilkan hasilnya pada layar
(Darmawan et al, 2017). Overlay dilakukan untuk menggabungkan dua
atau lebih peta menjadi satu peta beserta atribut-atributnya. Overlay
menjadi prosedur penting dalam analisis SIG (sistem informasi
geografis). Hal ini dikarenakan ada beberapa analisis yang memerlukan
penyatuan peta untuk menganalisis secara menyeluruh tanpa perlu
menganalisis satu-satu data.
58
Analisis overlay perlu dilakukan karena analisis ini dapat
membantu memecahkan permasalahan data spasial. Terkadang data
yang didapat terpisah-pisah padahal peta tersebut lokasi dan batasnya
sama. Peta yang terpisah-pisah tesebut jika banyak akan sulit dalam
menganalisis karena harus satu-satu. Oleh sebab itu, diperlukan analisis
overlay untuk menyatukan data-data tersebut agar dapat melakukan
analisis yang cepat. Penyatuan dengan analisis overlay menghasilkan
informasi baru yang lebih kompleks dan lengkap sehingga memudahkan
dalam mendapatkan informasi dan membuat keputusan.
2. Jelaskan aplikasi/pemanfaatan dari overlay yang dilakukan pada data

yang digunakan!
Pemanfaatan overlay sudah banyak diguanakan untuk
kepentingan umum contohnya seperti pemetaan kesesuaian lahan,
pemetaan bencana, dan lain sebaginya. Praktikum kali ini melakukan
analisis overlay dengan menggunakan data slope DAS, soil DAS,
penggunaan lahan, dan simpanan permukaan. Masing masing data dapat
direpresentasikan sendiri-sendiri, tetapi untuk mendapatkan informasi
lebih dilakukan analisis overlay yang menyatukan data-data tersebut.
Pemanfaatan analisis overlay dari data yang digunakan dapat
bermanfaat salah satunya untuk kajian limpasan permukaan/surface
runoff. Limpasan permukaan merupakan air hujan yang tidak dapat
tertampung oleh tanah, vegetasi, atau cekungan yang akhirnya mengalir
langsung ke sungai atau laut (Gafuri et al, 2016). Limpasan permukaan
tersebut dapat dikelaskan untuk lebih mengetahui daerah-daerah yang
rawan. Metode yang diambil untuk mengkelaskan area limpasan
permukaan dapat menggunakan metode cook yang mempertimbangkan
topografi, infiltrasi tanah, tutupan vegetasi, dan simpanan permukaan
kemudian dilakukan penggabungan untuk mendapat koefisien limpasan.
Berikut merupakan tabel untuk mendapat parameter masing-masing
data.
59
Sumber : Chow, 1998
Pembobotan (scoring) dari masing-masing karakteristik digabung
untuk mendapat koefisien limpasan. Scoring tersebut mempermudah
dalam mengambil keputusan terkait dengan daerah-daerah yang rawan.
Pengambilan keputusan berdasar besar-kecilnya skor yang didapat dan
dibaginya skor. Pembagian skor tersebut untuk mendapat kelas-kelas
daerah kerawanan limpasan permukaan.
3. Berikan analisis spasial terkait dengan hasil overlay skor total yang
disajikan!
Salah satu hasil dari overlay pada praktikum kali ini adalah skor
total dari limpasan permukaan (surface run-off). Skor total tersebut
didapat dari penggabungan pembobotan (skor) masing-masing
karakteristik DAS yaitu topografi, infiltrasi tanah, tutupan vegetasi, dan
simpanan permukaan. Skor total divisualisasikan dalam peta dan terlihat
kerawanan daerah-daerah berdasar skor total. Namun hal tersebut masih
berupa angka dan untuk memastikannya diperlukan pengkelasan agar
hasil yang didapat lebih jelas. Skor total hanya menvisualkan berdasar
total pembobotan dan belum dapat dijadikan pertimbangan. Berikut
merupakan visualisasi dari skor total.
60
Pembuatan kelas dari masing-masing skor total untuk
mendapatkan pertimbangan yang pasti terkait daerah-daerah yang
rawan. Jika dilihat pada gambar diatas hasil skor total belum dapat untuk
dijadikan pertimbangan jika untuk analisis spasial. Pengkelasan
dilakukan berdasar dari skor total dengan pembagian dan kategorinya
sebagai berikut. (0-25, rendah; 26-50, sedang; 51-75, tinggi; 76-100,
ekstrem). Jika sudah dikelaskan seperti itu, analisis dapat dilakukan
lebih mudah. Sebagai contoh jika daerah mendapat rentang skor tinggi
berarti daerah tersebut kerawanannya ekstrem maka diperlukan
perhatian lebih untuk daerah tersebut.
61
VI. KESIMPULAN
1. Pembuatan analisis overlay dari data vektor dilakukan dengan
menggabungkan dua atau lebih peta untuk mendapat koefisien yang
memudahkan dalam menampilkan dan menganalisis data. Pembuatan
dilakukan dengan menggabungkan data melalui tool intersect pada
ArcMap. Data vektor sebelumnya sudah diberi pembobotan (scoring)
berdasarkan klasifikasinya. Setelah digabungkan skor tersebut
digabung untuk mendapat skor total (koefisien total). Skor total
tersebutlah yang dapat digunakan untuk analisis overlay.
2. Penerapan analisis overlay dapat digunakan untuk mengetahui
kerawanan limpahan permukaan suatu daerah. Pembuatan kajian
tersebut memerlukan data vektor berupa topografi, infiltrasi tanah,
tutupan vegetasi, dan simpanan permukaan. Masing-masing data
diberi pembobotan dengan metode cook dan setelah itu dilakukan
penggabungan untuk mendapat skor total. Skor total tersebut dibagi
dalam beberapa kelas yaitu (0-25, rendah; 26-50, sedang; 51-75,
tinggi; 76-100, ekstrem). Kelas tersebut untuk memudahkan dalam
mengetahui tingkat kerawanan suatu daerah berdasar dari skor total
yang didapat.
VII. SARAN
Terdapat beberapa saran dari praktikan untuk meningkatkan praktikum
SIGMD antara lain :
1. Sebaiknya untuk pelaksanaan acara yang tertinggal tiddak dilakukan
pada minggu tenang sebelum ujian.
2. Sebaiknya ada contoh untuk hasil praktikum agar praktikan lebih
mengerti tentang gambaran hasil dan maksud dari praktikum ini.
62
VIII. DAFTAR PUSTAKA
Chow, V.T. 1988. Applied Hydrology. New York : Mc. Graw-Hill
Book Company
Darmawan, K., & Suprayogi, A. (2017). Analisis tingkat kerawanan
banjir di kabupaten sampang menggunakan metode overlay dengan scoring
berbasis sistem informasi geografis. Jurnal Geodesi Undip, 6(1), 31-40.
Gafuri, R., Ridwan, I., & Nurlina, N. (2016). Analisis Limpasan
Permukaan (Runoff) Pada Sub-Sub Das Riam Kiwa Menggunakan Metode
Cook. Jurnal Fisika Flux: Jurnal Ilmiah Fisika FMIPA Universitas
Lambung Mangkurat, 13(1), 89-100.
63
LAMPIRAN
1. Peta skor parameter lereng.
2. Peta skor parameter tanah.
64
3. Peta skor parameter penggunaan lahan.
4. Peta skor parameter simpanan permukaan.
65
5. Peta skor parameter total.
6. Layout peta Kelas Aliran Permukaan/ Run Off.
66
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA IV
ANALISIS KLASTERING DAN JANGKAUAN PELAYANAN
64
Dibuat oleh :
NIM : 20/464125/SV/18444
Kelompok : SMD B

SEKOLAH VOKASI
YOGYAKARTA
2021
67
I. TUJUAN 5
1. Menganalisis pengelompokkan data (klastering) dan jangkauan
pelayanan data spasial titik melalui teselasi dan polygon Thiessen.
II. ALAT DAN BAHAN

dengan spesifikasi:
- AMD Ryzen 5
- RAM 8 GB
- SSD 512 GB
- Windows 10
referensi

praktikum
3 Data shapefile Data untuk melakukan kegiatan praktikum
bangunan (area) SIG Manipulasi
4 Data shapefile fasilitas Data untuk melakukan kegiatan praktikum
pelayanana (titik) SIG Manipulasi
5 Data shapefile Data untuk melakukan kegiatan praktikum
68
Administrasi SIG Manipulasi
Kecamatan Ngaglik
III. LANGKAH KERJA 18

A. Diagram alir
ArcGIS 10.8
Lakukan analisis teselasi untuk mendapat titik bangunan
Pilih lokasi yang akan digunakan
Lakukan spatial join untuk mendapatkan data bangunan
Edit tabel atribut dengan melakukan pengkelasan
Pengulangan langkah untuk mendapat teselasi hexagon,

square, dan triangle
Lakukan create thiessen polygon untuk fasilitas pelayanan
Lakukan clip dan spatial join
Lakukan simbolisasi dan layouting
69
1. Layout peta kepadatan bangunan
menggunakan teselasi hexagon,
square, dan triangle.
2. Layout peta jangkauan pelayanan
fasilitas kesehatan, keamanan, dan
pendidikan menggunakan polygon
Thiessen.
Keterangan :
Input Proses Output
B. Langkah kerja, step by step

1. Membuka ArcMap dan menambahkan data yang sudah di
unduh dari elok.
2. Melakukan analisis teselasi dengan mencari di search yaitu tool

feature to point dan mengisikan feature dengan layer polygon
bangunan.
70
3. Mengamati hasil feature to point.
4. Membuka menu “Tessellation” pada menu Search.
5. Mengisikan output dan extent pada tool generate tessellation.
6. Memilih teselasi yang bertampalan dengan batas administrasi

menggunakan fitur “select by location”
71
7. Melakukan pengaturan pada select by location.
8. Melakukan export data dengan cara klik kanan pada layer →

data → export data.
9. Melakukan spatial join dengan memilih tool pada search.
72
10. Mengisikan feature hasil export dan dijoin dengan hasil feature
to point.
11. Melihat attribute tabel yang sudah di join. Lihat apakah sudah
ada field join count atau belum.
73
12. Menambahkan field pada layer hasil join berupa Kelas_Pdd dan
Kpdt_Bngn.
13. Mengisi field Kpdt_Bngn dengan field calculator dan masukkan

rumus [join count]/10.
74
14. Melakukan select by attribute dan lakukan pengisian field
Kelas_Pdd.
15. Melakukan pengulangan langkah no 1-20 untuk membuat

tessellation square dan triangle.
16. Melakukan search create thiessen polygon.
17. Mengisikan feature yang akan dilakukan analisis →

environment → processing extent → mengisikan admin
kecamatan nganglik.
75
18. Melakukan clip area fasilitas kesehatan dengan cara klik
geoprocessing → clip.
19. Mengatur feature yang akan di clip.
76
20. Melakukan spatial join data hasil clip dengan polygon
bangunan.
21. Melakukan simbolisasi hasil yang sudah didapat untuk

memperjelas informasi.
77
22. Melakukan layouting untuk mendapatkan peta beserta informasi
tepinya.

1. Layout peta kepadatan bangunan menggunakan teselasi hexagon,
square, dan triangle.
2. Layout peta jangkauan pelayanan fasilitas kesehatan, keamanan, dan
pendidikan menggunakan polygon Thiessen.
V. PEMBAHASAN
1. Jelaskan kondisi nilai dan sebaran kepadatan bangunan melalui teselasi
hexagon, square, dan triangle! 3
Teselasi adalah proses mengubah entitas kontinu yang ada pada dunia
nyata ke dalam entitas diskrit dengan cara melakukan klasifikasi ruang ke
dalam unit tile (Gold, 2016). Pelaksanaan teselasi dilakukan dengan tiga
bentuk, yaitu hexagon, square, dan triangle. Setiap bentuk mempunyai
kondisi nilai dan sebaran data yang berbeda.
Kondisi nilai dan sebaran kepadatan bangunan pada teselasi hexagon
di praktikum ini dapat menghasilkan tiga kondisi nilai dan sebaran
kepadatan penduduk yang lebih banyak pada kelas sangat rendah dan
rendah. Kondisi nilai dan sebaran kepadatan bangunan pada bentuk square
78
menunjukkan dua kondisi nilai dan sebaran kepadatan bangunan yang
hampir sama antara kelas sangat rendah dan rendah. Kondisi nilai dan
sebaaran kepadatan bangunan pada bentuk triangle menghasilkan kondisi
nilai dan sebaran yang sama seperti bentuk square.
2. Jelaskan kemampuan masing-masing bentuk geometri teselasi dalam

melakukan klastering kepadatan bangunan! 3
Masing-masing bentuk geometri mempunyai kelebihannya sendiri. Teselasi
dibagi menjadi dua jenis, yaitu teselasi teratur dan tidak teratur. Teselasi
teratur contohnya adalah bentuk hexagon, square, dan triangle. Teselasi
tidak teratur bentuknya tidak teratur. Kelebihan geometri teselasi teratur
dalam klastering kepadatan bangunan disesuaikan dengan bentuk. Bentuk
hexagon dapat menunjukkan kondisi nilai lebih banyak dan sebaran data
yang menunjukkan secara lebih detil. Bentuk square dan triangle
mempunyai hampir sama kelebihannya yaitu pada kondisi nilai dan sebaran
data yang imbang.
3. Jelaskan kondisi luas jangkauan fasilitas kesehatan, keamanan, dan

pendidikan menggunakan polygon Thiessen! 2
Polygon Thiessen merupakan poligon yang dihasilkan dari
sekumpulan titik sampel. Konsep dari polygon thiessen adalah setiap
poligonnya mendefinisikan area pengaruh di sekitar titik sampelnya,
sehingga setiap kolasi pada poligon itu lebih dekat ke titik itu daripada titik
sampel lain (ESRI, 2021). Hal ini berguna untuk melakukan analisis dan
riset suatu daerah terhadap cakupan lokasi fasilitas pelayanan (Moise et al.,
2011).
Luas jangkauan fasilitas kesehatan pada praktikum ini terlihat bahwa
jangkauan fasilitas kesehatan di Kecamatan Ngaglik ada beberapa daerah
yang kepadatan bangunannya kurang padat belum ada fasilitas kesehatan.
Untuk fasilitas keamanan pada Kecamatan Ngaglik baru ada satu fasilitas
79
yaitu Polsek. Untuk fasilitas pendidikan di Kecamatan Ngaglik hampir di
beberapa daerah sudah mempunyai fasilitas pendidikan berupa SMA dan
SMK.
4. Jelaskan cara kerja penyusunan teselasi dan polygon Thiessen! 4

Penyusunan teselasi dilakukan menggunakan aplikasi ArcMap dengan
melakukan search dan mengatur layer yang akan di teselasi. Jika sudah akan
tertampil bentuk teselasi yang sudah diatur. Untuk simbolisasi diperlukan
pemotongan area dan penggabungan dengan data lainnya. Penyusunan
poligon thiessen dilakukan di perangkat lunak ArcMap juga dengan cara
mencari tools create thiessen polygon. Cara kerjanya hampir sama seperti
penyusunan teselasi. Namun, untuk hasilnya berbeda.
VI. KESIMPULAN 2
1.Penganalisisan pengelompokan data (klastering) dan jangkauan pelayanan
data spasial titik melalui teselasi dan poligon thiessen dilakukan dengan
perangkat lunak ArcMap. Penganalisisan tersebut digunakan untuk
melakukan analisis dan riset suatu daerah terhadap cakupan lokasi fasilitas
pelayanan dan sebaran kepadatan bangunan.
VII. SARAN

ESRI. 2021. Polygon Thiessen. Diakses tanggal 13 Oktober 2021, dari
https://support.esri.com/en/other-resources/gis-
dictionary/term/edebba87-b3f8-4af8-a07e-1548d1082802
80
Gold, C. 2016. Tesselation in GIS: Part I-putting it all together. Geo-Spatial
Information Science, 19(1), 9-25.
Moise, I.K., Kalipeni, E., & Zulu, L.C. (2011). Analyzing geographical
access to HIV sentinel clinics in relation to other health clinics in
Zambia. Journal of Map and Geography Libraries, 7(3), 254-281.
81
LAMPIRAN 23
1. Layout peta kepadatan bangunan menggunakan teselasi hexagon
2. Layout peta kepadatan bangunan menggunakan teselasi square
82
3. Layout peta kepadatan bangunan menggunakan teselasi triangle
4. Layout peta jangkauan pelayanan fasilitas Kesehatan menggunakan

polygon Thiessen.
83
5. Layout peta jangkauan pelayanan fasilitas Keamanan menggunakan
polygon Thiessen.
6. Layout peta jangkauan pelayanan fasilitas Pendidikan menggunakan

polygon Thiessen.
84
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA V
ANALISIS INTERPOLASI UNTUK
MODEL ELEVASI DIGITAL
Dibuat oleh :
NIM : 20/464125/SV/18444
Kelompok : SMD B
Asisten : 1. Chintya Prasetya Chyntia Prasetya Ningrum

SEKOLAH VOKASI
YOGYAKARTA
2021
85
I. TUJUAN 5/5
1. Menyusun model elevasi digital menggunakan analisis interpolasi.
2. Mengevaluasi akurasi model elevasi digital.
II. ALAT DAN BAHAN

dengan spesifikasi:
- AMD Ryzen 5
- RAM 8 GB
- SSD 512 GB
- Windows 10
2 Perangkat lunak Perangkat lunak untuk melakukan
ArcGIS 10.8 kegiatan praktikum
3 Perangkat lunak QGIS Perangkat lunak untuk melakukan
3.16 kegiatan praktikum
referensi

1 Data shapefile titik Bahan untuk melakukan kegiatan
model ketinggian praktikum
2 Data shapefile garis Bahan untuk melakukan kegiatan
kontur praktikum
3 Foto udara format kecil Bahan untuk melakukan kegiatan
praktikum
praktikum
86
III. LANGKAH KERJA

1. Diagram alir
3/5 ArcGIS 10.8 Foto udara Data titik
dan QGIS 3.16 format kecil ketinggian dan
garis kontur
Lakukan Analisis Interpolasi dan analisis TIN
Pembuatan Hillshade
Analisis Histogram
Pembuatan Profil elevasi
Perhitungan RMSE
1. Layout peta model elevasi digital

2. Histogram data dan nilai statistik
masing- masing model.
3. Grafik perbandingan model elevasi
digital.
4. Tabel perhitungan RMSE.
Keterangan :
Input Proses Output
87
2. Langkah kerja, step by step
14/15
A. Analisis Interpolasi
1. Membuka ArcMap 10.8 dan masukkan data titik ketinggian,
garis kontur, dan foto udara.
2. Mencari tool IDW pada ArcToolbox untuk melakukan

analisis interpolasi IDW.
88
3. Mengisi pengaturan untuk analisis interpolasi IDW dengan
memasukkan input model titik tinggi dan Z value field-nya
grid_code. Jangan lupa memilih penyimpanan dan mengatur
output cell size-nya 1.
4. Melihat hasil analisis interpolasi IDW.
5. Melakukan analisis interpolasi seperti langkah 2-4

dengan metode spline, natural neighbor, topo to raster
(biasa dan kontur).
89
B. Analisis TIN
1. Mencari tool Create TIN pada ArcToolbox → 3D analyst
tools → data management → TIN → Create TIN.
2. Mengatur pembuatan TIN dengan memasukkan data model

titik tinggi dan mengatur sistem koordinat. Jangan lupa
untuk memilih penyimpanan.
90
3. Mengatur pembuatan TIN kontur dengan memasukkan data
model titik tinggi dan garis kontur kemudian mengatur
sistem koordinat. Jangan lupa untuk memilih penyimpanan.
4. Mengaktifkan extension 3D analyst pada tab costumize →

3D analyst.
5. Mencari tool Tin to Raster pada search untuk melakukan

pengubahan data TIN ke Raster.
91
6. Mengatur pembuatan TIN to Raster dengan melakukan
input data TIN (biasa atau kontur) yang sudah dibuat dan
memilih penyimpanan. Atur XY Resolution and Tolerence 1
meter.
92
C. Pembuatan Hillshade
1. Melakukan pembuatan hillshade pada data hasil analisis
interpolasi dan TIN dengan mencari tool hillshade pada
ArcToolbox.
2. Memasukkan data hasil analisis interpolasi dan tin

kemudian memilih penyimpanan dan centang model
shadow.
93
3. Melakukan pembuatan hillshade seperti langkah 1-2
pada hasil analisis interpolasi dan TIN yang lain.
D. Analisis Histogram
1. Melakukan analisis histogram pada data IDW yang sudah
dibuat dengan cara masuk ke layer properties → symbology
→ classified → classify.
94
2. Membuka classify untuk melakukan analisis histogram pada
data IDW.
3. Melakukan langkah yang sama seperti langkah 1-2

untuk data raster DEM lain yang sudah dibuat (spline,
natural neighbor, topo to raster (biasa dan kontur), tin to
raster (biasa dan kontur).
E. Pembuatan Profil Elevasi

1. Membuka QGIS 3.16 kemudian membuka manage and
install plugins untuk menginstal plugin profile tool.
95
2. Menginstal plugin profile tool untuk mengetahui ketinggian
(profile) data hillshade yang sudah dibuat.
3. Memasukkan data hillshade IDW, spline, natural neighbor,

topo to raster, dan topo to raster contour.
4. Membuka plugin profile tool yang bertanda merah.
5. Membuat garis profile untuk mengetahui ketinggian.
96
6. Melakukan add layer untuk menambahkan layer hillshade
IDW dan lihat nilai dan grafik yang terbentuk dari garis
profile.
7. Melihat nilai dan grafik pada data hillshade yang lain

(spline, natural neighbor, topo to raster, dan topo to raster
contour).
F. Perhitungan RMSE
1. Mencari tool extract multi values to points pada ArcToolbox
untuk melakukan ekstrak data DEM ke titik.
97
2. Memasukkan data titik tinggi (TES) dan memasukkan data
raster (IDW, Spline, Natural neighbor, dan Topo to Raster)
3. Melihat hasil dari extract multi values to points pada tabel

atribut.
98
4. Melakukan copy data pada tabel atribut yang sudah
dilakukan extract multi values to points kemudian paste-kan
ke Excel.
5. Mengatur angka pada data agar angka dibelakang koma (,)

hanya dua. Hal ini untuk mempermudah dalam perhitungan.
6. Menambahkan filter pada nama kolom data IDW, spline,

natural neighbor, dan topo to raster.
99
7. Melakukan unchecklist nilai negatif dengan filter.
8. Melakukan copy nilai FID, pointid, dan grid_code kemudian

ganti nama FID menjadi nomor dan grid_code menjadi
Value (A). copy juga nilai topo to raster kemudian ganti
namanya menjadi Model (F).
9. Menambahkan kolom error, abs.error, dan sqr.error.
100
10. Melakukan perhitungan pada error dengan mengurangkan
value dengan model.
11. Melakukan perhitungan pada abs.error dengan

menggunakan rumus “=ABS(nilai error)”.
12. Melakukan perhitungan pada sqr.error dengan

menguadratkan nilai abs.error.
13. Melakukan penjumlahan nilai sqr.error dengan menjumlah

semua nilai.
14. Melakukan perhitungan RMSE dengan rumus

“=SQRT(jumlah sqr.error/jumlah titik)”.

1. Layout peta model elevasi digital
2. Screen capture histogram data dan nilai statistik masing- masing
model.
3. Screen capture grafik perbandingan model elevasi digital.
4. Tabel perhitungan RMSE.
101
V. PEMBAHASAN
1. Jelaskan hasil pembuatan model elevasi digital meliputi histogram nilai
statistik, kenampakan visual (dari peta), dan nilai RMSE!
Pembuatan model elevasi digital menghasilkan histogram nilai
statistik, kenampakan visual berupa bentuk topografi permukaan bumi, dan
nilai RMSE. Model elevasi digital atau Digital Elevation Model (DEM)
merupakan model untuk menggambarkan bentuk topografi permukaan bumi
yang mampu divisualkan dalam bentuk 3D (Sobatnu, 2014). Pembuatan
DEM dapat dilakukan dengan melakukan analisis interpolasi dan analisis
TIN. Interpolasi merupakan proses estimasi nilai pada wilayah yang tidak
diukur, sehingga terbuatlah peta atau sebaran nilai pada seluruh wilayah
(Gamma Design Software, 2005). Analisis Interpolasi yang dilakukan pada
praktikum kali ini meliputi metode IDW (Inverse Distance Weighted),
spline, natural neighbor, dan topo to raster. TIN merupakan data digital
untuk merepresentasikan suatu permukaan. Data TIN merepresentasikan
permukaan sebagai suatu kesatuan yang berlanjut tanpa ada segitiga yang
saling menampal (USGS, 2010).
Data DEM yang sudah dibuat dengan menggunakan analisis
interpolasi dan TIN akan menghasilkan histogram nilai statistik. Histogram
nilai statistik jika pada perangkat lunak ArcMap dapat dilihat pada classify.
Histogram data DEM yang dibuat dengan dengan menggunakan berbagai
analisis interpolasi dan TIN akan menunjukkan nilai minimum, maksimum,
jumlah, rata-rata, dan standar deviasi yang berbeda-beda. Terlihat pada
histogram bahwa permukaan bumi yang tertampil didominasi oleh
ketinggian dataran dengan nilai antara 46,17 – 52,65.
Gambar Histogram IDW
102
Pembuatan DEM juga menghasilkan kenampakan visual berupa
bentuk topografi permukaan bumi. Kenampakan visual yang terlihat
menunjukkan adanya perbedaan ketinggian permukaan yang ditunjukkan
dengan perbedaan warna. Untuk data DEM hasil analisis interpolasi pada
praktikum ini, daerah yang lebih rendah akan berwarna hijau yang semakin
gelap dan daerah yang lebih tinggi akan berwarna merah yang semakin
gelap. Untuk data DEM hasil analisis TIN pada praktikum ini, daerah yang
lebih rendah akan berwarna hitam yang semakin gelap dan daerah yang lebih
tinggi akan berwarnaa semakin putih.
Kenampakan visual DEM IDW
Kenampakan visual DEM TIN
Data DEM juga menghasilkan nilai RMSE atau Root Mean Square
Error. Nilai RMSE yang terbentuk dari data DEM hasil analisis interpolasi
berbeda-beda. Hasil RMSE yang berbeda-beda dari setiap analisis
interpolasi menunjukkan perbedaan kualitas transformasi geometrik dari
masing-masing analisis interpolasi.
Hasil RMSE metode IDW
103
2. Jelaskan hasil perbandingan model, berdasarkan pengamatan profil!
Hasil pengamatan profil yang dilakukan pada perangkat lunak QGIS
3.16 dengan menggunakan data hillshade IDW, spline, natural neighbor,
topo to raster, dan topo to raster contour menunjukkan hasil yang berbeda-
beda. Hasil yang berbeda tersebut terlihat dari nilai ketinggian masing-
masing metode di titik yang sama. Model IDW menunjukkan hasil nilai
ketinggian pada suatu titik lebih rendah dari model lain seperti berikut.
Warna merah merupakan model IDW, warna biru merupakan model spline,
warna kuning merupakan model natural neighbor, warna pink merupakan
model topo to raster contour, dan warna hijau merupakan topo to raster.
Namun, pada titik yang lebih rendah model IDW mempunyai nilai yang
lebih tinggi dan mendominasi.
3. Jelaskan hasil perhitungan RMSE, metode mana yang paling akurat?

Hasil perhitungan RMSE menunjukkan metode yang paling akurat adalah
metode spline. Hal ini ditunjukkan dengan nilai RMSE yang lebih kecil dari
metode yang lain. Nilai RMSE yang didapat dari metode spline adalah 1,02.
Semakin kecil nilai RMSE berarti menunjukkan akurasi yang semakin baik.
Menurut (Artanto, 2015) dalam penelitiannya, metode spline memiliki nilai
akurasi terbaik pada relief berombak, berombak hingga bergelombang,
berbukit hingga perbukitan, perbukitan hingga bergunung, serta bergunung.
104
VI. KESIMPULAN 6/10
1. Menyusun model elevasi digital (DEM) menggunakan analisis
interpolasi dapat menggunakan metode IDW, spline, natural
neighbor, dan topo to raster. Proses penyusunannya sama, tetapi
hasil yang dihasilkan berbeda.
2. Akurasi model elevasi digital (DEM) yang memiliki akurasi terbaik
pada praktikum ini ditunjukkan dengan metode spline, sedangkan
metode yang mempunyai akurasi lebih rendah adalah metode IDW.
VII. SARAN 3/3

1. Sebaiknya diberikan contoh hasil praktikum agar praktikan
mempunyai gambaran dalam pembuatannya.
VIII. DAFTAR PUSTAKA 6/7

Artanto, Adi (2015). Perbandingan Metode Interpolasi Berdasarkan Variasi
Relief Dalam Pembuatan Digital Elevation Model di Sebagian
Wilayah Jawa Timur. Fakultas Geografi Universitas Gadjah Mada.
Yogyakarta.
Sobatnu, F. (2014). Permodelan elevasi digital pada lahan
rawa. Intekna, 14(2), 102-109.
Gamma Design Software. (2005). Interpolation in GS+.
http://www.geostatistics.com/ OverviewInterpolation.html.
USGS. (2010). Digital Elevation Model (DEM) Creation and Analysis.
Science Education Lesson.
105
LAMPIRAN
1. Layout peta model elevasi digital 7/8
106
107
108
TIN Raster
109
TIN Raster Kontur
2. Screen capture histogram data dan nilai statistik masing- masing model. 5/5
a. IDW
110
b. SPLINE
c. NATURAL NEIGHBOR
111
d. TOPO TO RASTER
e. TOPO TO RASTER CONTOUR
112
f. TIN RASTER
g. TIN RASTER CONTOUR
113
3. Screen capture grafik perbandingan model elevasi digital. 3/5
a. IDW
b. SPLINE
c. NATURAL NEIGHBOR
d. TOPO TO RASTER
e. TOPO TO RASTER CONTOUR
114
4. Tabel perhitungan RMSE. 6/9
a. IDW
No pointid Value (A) Model (F) Error Abs.Error Sqr.Error
1 138 50,8568 50,59 0,27 0,27 0,07
2 148 49,943 50,11 -0,16 0,16 0,03
3 169 53,2892 52,84 0,45 0,45 0,20
4 181 49,0561 49,12 -0,07 0,07 0,00
5 190 50,324 50,37 -0,04 0,04 0,00
6 204 53,9293 53,27 0,66 0,66 0,43
7 207 56,5161 57,97 -1,45 1,45 2,11
8 232 49,8421 49,83 0,01 0,01 0,00
9 275 54,7635 55,00 -0,24 0,24 0,06
10 279 53,6132 54,17 -0,55 0,55 0,30
11 329 64,6541 59,51 5,14 5,14 26,43
12 335 50,0782 50,26 -0,18 0,18 0,03
13 344 49,8544 49,99 -0,13 0,13 0,02
14 359 50,3548 50,47 -0,12 0,12 0,01
15 362 50,6544 50,58 0,08 0,08 0,01
16 366 50,6452 50,64 0,01 0,01 0,00
17 376 51,1188 54,49 -3,37 3,37 11,35
18 426 50,6913 51,02 -0,32 0,32 0,11
19 427 50,8214 51,44 -0,62 0,62 0,38
20 455 49,8845 50,32 -0,43 0,43 0,19
21 476 50,5705 50,79 -0,22 0,22 0,05
22 481 50,1019 50,14 -0,04 0,04 0,00
23 510 49,4992 51,49 -1,99 1,99 3,96
24 536 50,6725 50,65 0,02 0,02 0,00
25 585 50,4843 50,64 -0,16 0,16 0,02
26 597 52,9088 51,74 1,17 1,17 1,36
27 616 54,0539 51,98 2,07 2,07 4,30
28 669 49,8704 49,94 -0,07 0,07 0,00
29 672 50,0346 49,92 0,12 0,12 0,01
30 705 50,4209 50,44 -0,02 0,02 0,00
31 707 52,1741 50,91 1,27 1,27 1,60
32 717 52,0503 52,77 -0,72 0,72 0,53
33 723 54,0988 53,28 0,81 0,81 0,66
34 739 49,9376 49,86 0,08 0,08 0,01
35 753 50,6101 50,61 0,01 0,01 0,00
36 776 51,4085 52,39 -0,98 0,98 0,96
37 794 50,7154 50,24 0,47 0,47 0,22
38 796 50,6832 50,46 0,22 0,22 0,05
39 824 49,6464 51,07 -1,43 1,43 2,04
115
40 864 50,7136 50,73 -0,02 0,02 0,00
41 876 51,0031 51,10 -0,09 0,09 0,01
42 881 51,2626 51,28 -0,02 0,02 0,00
43 892 49,8487 49,86 -0,01 0,01 0,00
44 894 49,9475 49,90 0,04 0,04 0,00
45 921 51,2394 51,12 0,12 0,12 0,01
46 927 50,4854 50,57 -0,08 0,08 0,01
47 947 51,1835 52,05 -0,87 0,87 0,75
48 954 49,5616 49,83 -0,27 0,27 0,07
49 963 50,1824 50,17 0,01 0,01 0,00
50 1010 49,9403 49,89 0,05 0,05 0,00
51 1031 50,8532 51,06 -0,21 0,21 0,04
52 1083 50,8177 50,70 0,12 0,12 0,01
53 1097 50,4294 50,00 0,43 0,43 0,19
54 1122 49,7525 49,81 -0,06 0,06 0,00
55 1128 49,8499 49,83 0,02 0,02 0,00
56 1152 49,6338 49,76 -0,13 0,13 0,02
57 1181 50,1677 50,76 -0,60 0,60 0,36
58 1183 50,3465 50,28 0,06 0,06 0,00
59 1225 49,1478 49,24 -0,09 0,09 0,01
60 1302 50,8012 50,65 0,15 0,15 0,02
61 1307 47,9158 48,49 -0,57 0,57 0,33
62 1314 42,7045 44,26 -1,55 1,55 2,41
63 1372 49,2955 49,61 -0,31 0,31 0,10
64 1399 59,8211 57,50 2,32 2,32 5,37
65 1402 62,6937 54,37 8,33 8,33 69,35
66 1410 50,8059 49,61 1,20 1,20 1,43
67 1470 49,4889 49,54 -0,05 0,05 0,00
68 1535 43,2864 43,23 0,05 0,05 0,00
69 1538 42,3137 42,61 -0,29 0,29 0,09
70 1541 42,3213 42,28 0,04 0,04 0,00
71 1546 43,2488 43,64 -0,39 0,39 0,15
72 1552 46,4859 46,05 0,44 0,44 0,19
73 1562 48,8748 49,04 -0,16 0,16 0,03
74 1570 49,2228 49,31 -0,08 0,08 0,01
75 1678 48,8187 49,03 -0,21 0,21 0,04
76 1721 49,1746 49,75 -0,57 0,57 0,33
77 1722 49,2073 49,70 -0,49 0,49 0,24
78 1731 49,3507 49,21 0,14 0,14 0,02
79 1734 48,8562 48,28 0,58 0,58 0,34
80 1744 41,599 42,68 -1,08 1,08 1,16
81 1756 42,1648 42,20 -0,03 0,03 0,00
82 1821 49,3903 49,34 0,05 0,05 0,00
116
83 1831 49,3487 49,13 0,22 0,22 0,05
84 1833 48,8209 48,88 -0,06 0,06 0,00
85 1861 41,7875 41,91 -0,13 0,13 0,02
86 1871 43,3339 43,04 0,29 0,29 0,09
87 1900 48,7997 48,79 0,01 0,01 0,00
88 1911 49,4616 49,57 -0,11 0,11 0,01
89 1957 41,472 43,02 -1,55 1,55 2,40
90 1959 41,2511 41,91 -0,66 0,66 0,44
91 1989 42,4468 42,68 -0,24 0,24 0,06
92 1996 43,5349 43,59 -0,05 0,05 0,00
94 2000 41,0883 42,18 -1,10 1,10 1,20
95 2016 49,372 49,06 0,32 0,32 0,10
96 2036 49,6513 50,29 -0,64 0,64 0,41
97 2082 42,727 42,39 0,34 0,34 0,12
98 2092 43,3396 42,99 0,35 0,35 0,12
99 2103 42,2045 42,41 -0,21 0,21 0,04
100 2122 47,4218 46,34 1,08 1,08 1,16
101 2124 49,7634 47,77 2,00 2,00 3,99
102 2129 49,0084 48,90 0,11 0,11 0,01
103 2165 41,6317 43,27 -1,64 1,64 2,70
104 2187 42,3079 42,52 -0,21 0,21 0,04
105 2189 42,4703 42,71 -0,24 0,24 0,06
106 2218 42,5126 42,79 -0,28 0,28 0,08
107 2247 49,3539 49,10 0,25 0,25 0,06
108 2249 49,3091 49,21 0,10 0,10 0,01
109 2250 49,7917 49,24 0,55 0,55 0,31
110 2255 50,1278 50,35 -0,22 0,22 0,05
111 2282 41,8285 42,39 -0,56 0,56 0,32
112 2283 41,4557 42,29 -0,83 0,83 0,69
113 2289 41,1363 41,13 0,01 0,01 0,00
114 2292 41,5841 41,55 0,04 0,04 0,00
115 2303 43,3809 43,04 0,34 0,34 0,12
116 2346 44,519 44,15 0,37 0,37 0,14
117 2349 44,1088 45,44 -1,33 1,33 1,76
118 2357 47,6866 47,36 0,32 0,32 0,10
119 2360 49,3403 47,84 1,50 1,50 2,24
120 2375 49,1372 48,90 0,24 0,24 0,06
121 2406 42,4214 42,22 0,20 0,20 0,04
122 2419 44,038 43,75 0,29 0,29 0,09
123 2423 43,6761 43,42 0,26 0,26 0,07
124 2450 40,5378 40,55 -0,01 0,01 0,00
125 2460 42,5556 42,78 -0,23 0,23 0,05
126 2464 43,3422 43,87 -0,53 0,53 0,28
117
127 2486 48,4495 47,15 1,30 1,30 1,68
128 2508 40,6063 40,77 -0,17 0,17 0,03
130 2555 40,5329 40,51 0,02 0,02 0,00
131 2578 42,3274 43,10 -0,77 0,77 0,60
132 2591 45,0188 46,78 -1,76 1,76 3,10
133 2626 41,447 41,60 -0,15 0,15 0,02
134 2662 43,142 43,20 -0,06 0,06 0,00
135 2668 40,31 40,50 -0,19 0,19 0,04
136 2689 41,7771 41,75 0,02 0,02 0,00
137 2702 41,8353 42,46 -0,62 0,62 0,39
138 2705 42,0697 43,16 -1,09 1,09 1,19
139 2722 40,9599 40,88 0,07 0,07 0,01
140 2740 42,0556 42,10 -0,04 0,04 0,00
141 2744 44,0604 43,45 0,61 0,61 0,37
142 2752 44,1985 44,18 0,01 0,01 0,00
143 2769 43,0313 43,08 -0,05 0,05 0,00
144 2773 42,9603 43,07 -0,11 0,11 0,01
145 2889 40,8864 41,29 -0,40 0,40 0,16
146 2902 40,5009 40,52 -0,02 0,02 0,00
147 2903 40,6251 40,62 0,01 0,01 0,00
148 2915 41,3423 41,34 0,00 0,00 0,00
149 2920 41,533 41,51 0,02 0,02 0,00
150 2942 41,4161 41,19 0,22 0,22 0,05
151 2955 43,7519 43,50 0,25 0,25 0,06
152 2957 44,4179 43,87 0,54 0,54 0,30
153 2959 44,7491 44,04 0,71 0,71 0,50
154 2983 43,6729 43,58 0,09 0,09 0,01
155 2985 43,5022 43,41 0,09 0,09 0,01
156 3005 40,4026 40,58 -0,17 0,17 0,03
157 3008 39,8461 40,04 -0,20 0,20 0,04
158 3045 40,5149 40,59 -0,07 0,07 0,01
159 3051 41,0608 41,06 0,00 0,00 0,00
160 3055 41,7667 42,21 -0,45 0,45 0,20
161 3130 40,5223 40,55 -0,03 0,03 0,00
162 3153 40,6013 40,61 -0,01 0,01 0,00
163 3163 41,4976 41,80 -0,31 0,31 0,09
164 3175 48,0635 47,13 0,94 0,94 0,88
165 3177 46,5233 46,63 -0,11 0,11 0,01
166 3193 42,5103 42,85 -0,34 0,34 0,11
167 3216 46,678 46,58 0,10 0,10 0,01
168 3247 40,5202 40,74 -0,22 0,22 0,05
169 3253 40,8984 40,87 0,03 0,03 0,00
170 3283 47,6562 47,86 -0,20 0,20 0,04
118
171 3295 45,2794 46,05 -0,77 0,77 0,59
172 3296 45,1204 45,77 -0,65 0,65 0,43
174 3348 40,0827 40,49 -0,41 0,41 0,17
175 3354 40,4038 40,42 -0,02 0,02 0,00
176 3355 40,4662 40,54 -0,08 0,08 0,01
177 3364 40,7177 40,69 0,02 0,02 0,00
178 3382 43,0494 43,24 -0,19 0,19 0,04
179 3390 47,55 47,19 0,36 0,36 0,13
180 3403 47,1647 47,54 -0,37 0,37 0,14
181 3409 46,5527 46,72 -0,17 0,17 0,03
182 3410 45,455 46,20 -0,74 0,74 0,55
184 3451 47,9851 47,09 0,90 0,90 0,81
185 3536 46,4245 46,59 -0,16 0,16 0,03
186 3558 49,6057 49,41 0,20 0,20 0,04
187 3565 48,3257 47,38 0,94 0,94 0,89
188 3578 40,5101 42,61 -2,10 2,10 4,41
189 3613 48,3016 48,57 -0,27 0,27 0,07
190 3625 49,8018 49,75 0,05 0,05 0,00
191 3633 50,6552 51,06 -0,40 0,40 0,16
192 3662 51,4856 52,00 -0,51 0,51 0,26
193 3710 47,2963 46,52 0,78 0,78 0,60
194 3742 50,7306 51,97 -1,24 1,24 1,54
195 3765 51,2237 51,49 -0,26 0,26 0,07
196 3784 61,2544 57,54 3,71 3,71 13,78
197 3802 55,5382 48,79 6,75 6,75 45,57
198 3805 50,7095 48,09 2,62 2,62 6,85
199 3811 47,8712 46,32 1,55 1,55 2,41
200 3813 43,6243 43,87 -0,24 0,24 0,06
201 3828 48,9993 48,52 0,48 0,48 0,23
202 3837 50,1156 49,88 0,24 0,24 0,06
203 3852 51,2644 51,68 -0,42 0,42 0,18
204 3880 51,9129 52,28 -0,37 0,37 0,14
205 3925 46,6978 46,73 -0,03 0,03 0,00
206 3927 48,0237 47,37 0,66 0,66 0,43
207 3933 48,4861 48,59 -0,10 0,10 0,01
208 3959 50,3588 50,42 -0,06 0,06 0,00
209 3961 50,331 50,68 -0,35 0,35 0,12
210 3971 51,2244 51,63 -0,40 0,40 0,16
211 3985 53,2476 52,46 0,79 0,79 0,62
212 4012 54,3317 55,45 -1,11 1,11 1,24
213 4015 51,3421 51,89 -0,55 0,55 0,30
214 4037 48,1584 48,41 -0,25 0,25 0,06
215 4048 49,2246 49,15 0,08 0,08 0,01
119
216 4076 51,7113 51,55 0,16 0,16 0,03
217 4080 51,5825 51,32 0,27 0,27 0,07
218 4093 52,5614 53,50 -0,94 0,94 0,88
219 4114 59,8902 60,29 -0,40 0,40 0,16
220 4137 47,0133 48,41 -1,40 1,40 1,95
221 4160 49,2439 49,54 -0,29 0,29 0,09
222 4230 69,7711 69,24 0,53 0,53 0,28
223 4261 49,8209 50,81 -0,98 0,98 0,97
224 4301 51,8029 51,58 0,23 0,23 0,05
225 4303 52,0615 51,87 0,19 0,19 0,04
226 4333 71,6119 66,53 5,08 5,08 25,85
227 4335 66,7635 67,95 -1,19 1,19 1,40
228 4336 69,8952 67,22 2,68 2,68 7,17
229 4347 62,1762 62,86 -0,69 0,69 0,47
230 4381 51,0485 50,84 0,21 0,21 0,04
231 4593 51,0044 51,72 -0,72 0,72 0,51
232 4676 75,2267 74,35 0,88 0,88 0,77
233 4708 52,2414 51,89 0,35 0,35 0,12
234 4709 52,2216 51,89 0,33 0,33 0,11
235 4738 51,3381 53,14 -1,80 1,80 3,23
236 4756 55,2961 55,22 0,08 0,08 0,01
237 4771 56,6667 58,26 -1,59 1,59 2,54
238 4787 76,8414 76,77 0,07 0,07 0,01
239 4816 55,4913 53,27 2,22 2,22 4,91
240 4836 52,8896 53,06 -0,17 0,17 0,03
241 4846 52,9306 55,07 -2,14 2,14 4,56
242 4902 75,4348 82,65 -7,21 7,21 52,05
243 4949 54,6042 54,46 0,14 0,14 0,02
244 4962 59,2232 58,26 0,96 0,96 0,93
245 4963 58,4977 58,67 -0,17 0,17 0,03
246 5021 70,6691 75,53 -4,86 4,86 23,61
247 5029 70,5117 68,54 1,97 1,97 3,89
248 5031 66,9682 65,39 1,58 1,58 2,48
249 5053 53,5445 52,89 0,65 0,65 0,42
250 5099 59,8557 60,39 -0,54 0,54 0,29
∑ 393,22
RMSE 1,25
120
b. SPLINE
1 138 50,8568 50,87 -0,01 0,01 0,00
2 148 49,943 50,17 -0,22 0,22 0,05
3 169 53,2892 51,95 1,33 1,33 1,78
4 181 49,0561 49,13 -0,07 0,07 0,01
5 190 50,324 50,27 0,05 0,05 0,00
6 204 53,9293 53,42 0,51 0,51 0,26
7 207 56,5161 59,61 -3,09 3,09 9,58
8 232 49,8421 49,78 0,06 0,06 0,00
9 275 54,7635 52,96 1,80 1,80 3,24
10 279 53,6132 54,39 -0,78 0,78 0,61
11 329 64,6541 59,94 4,72 4,72 22,26
12 335 50,0782 50,09 -0,02 0,02 0,00
13 344 49,8544 49,79 0,07 0,07 0,00
14 359 50,3548 50,56 -0,20 0,20 0,04
15 362 50,6544 50,69 -0,03 0,03 0,00
16 366 50,6452 50,62 0,02 0,02 0,00
17 376 51,1188 53,36 -2,25 2,25 5,04
18 426 50,6913 50,97 -0,28 0,28 0,08
19 427 50,8214 49,96 0,86 0,86 0,74
20 455 49,8845 50,18 -0,29 0,29 0,09
21 476 50,5705 50,81 -0,24 0,24 0,06
22 481 50,1019 49,94 0,16 0,16 0,03
23 510 49,4992 51,61 -2,11 2,11 4,44
24 536 50,6725 50,59 0,08 0,08 0,01
25 585 50,4843 50,52 -0,04 0,04 0,00
26 597 52,9088 54,11 -1,20 1,20 1,44
27 616 54,0539 53,93 0,12 0,12 0,01
28 669 49,8704 49,88 -0,01 0,01 0,00
29 672 50,0346 49,89 0,15 0,15 0,02
30 705 50,4209 50,35 0,07 0,07 0,01
31 707 52,1741 51,42 0,76 0,76 0,57
32 717 52,0503 54,04 -1,99 1,99 3,97
33 723 54,0988 54,58 -0,48 0,48 0,23
34 739 49,9376 50,01 -0,07 0,07 0,01
35 753 50,6101 50,58 0,03 0,03 0,00
36 776 51,4085 50,68 0,73 0,73 0,53
37 794 50,7154 50,73 -0,01 0,01 0,00
38 796 50,6832 50,73 -0,05 0,05 0,00
39 824 49,6464 50,48 -0,84 0,84 0,70
40 864 50,7136 50,78 -0,06 0,06 0,00
121
41 876 51,0031 51,03 -0,03 0,03 0,00
42 881 51,2626 51,33 -0,07 0,07 0,00
43 892 49,8487 49,85 0,00 0,00 0,00
44 894 49,9475 49,92 0,02 0,02 0,00
45 921 51,2394 51,01 0,23 0,23 0,05
46 927 50,4854 50,76 -0,27 0,27 0,07
47 947 51,1835 50,66 0,52 0,52 0,27
48 954 49,5616 48,98 0,58 0,58 0,34
49 963 50,1824 50,03 0,15 0,15 0,02
50 1010 49,9403 49,95 -0,01 0,01 0,00
51 1031 50,8532 51,10 -0,25 0,25 0,06
52 1083 50,8177 50,75 0,07 0,07 0,00
53 1097 50,4294 50,68 -0,25 0,25 0,06
54 1122 49,7525 49,73 0,02 0,02 0,00
55 1128 49,8499 49,82 0,03 0,03 0,00
56 1152 49,6338 49,68 -0,05 0,05 0,00
57 1181 50,1677 49,26 0,91 0,91 0,82
58 1183 50,3465 50,81 -0,46 0,46 0,21
59 1225 49,1478 49,18 -0,04 0,04 0,00
60 1302 50,8012 50,79 0,02 0,02 0,00
61 1307 47,9158 48,47 -0,56 0,56 0,31
62 1314 42,7045 43,61 -0,91 0,91 0,82
63 1372 49,2955 49,29 0,01 0,01 0,00
64 1399 59,8211 62,45 -2,63 2,63 6,90
65 1402 62,6937 59,46 3,23 3,23 10,46
66 1410 50,8059 51,07 -0,26 0,26 0,07
67 1470 49,4889 49,50 -0,01 0,01 0,00
68 1535 43,2864 43,66 -0,38 0,38 0,14
69 1538 42,3137 42,27 0,05 0,05 0,00
70 1541 42,3213 42,10 0,23 0,23 0,05
71 1546 43,2488 43,11 0,14 0,14 0,02
72 1552 46,4859 46,05 0,43 0,43 0,19
73 1562 48,8748 49,05 -0,17 0,17 0,03
74 1570 49,2228 49,19 0,03 0,03 0,00
75 1678 48,8187 48,98 -0,16 0,16 0,03
76 1721 49,1746 49,98 -0,81 0,81 0,65
77 1722 49,2073 49,69 -0,48 0,48 0,23
78 1731 49,3507 49,80 -0,45 0,45 0,20
79 1734 48,8562 49,35 -0,50 0,50 0,25
80 1744 41,599 41,85 -0,25 0,25 0,06
81 1756 42,1648 41,92 0,24 0,24 0,06
82 1821 49,3903 49,40 -0,01 0,01 0,00
83 1831 49,3487 49,03 0,31 0,31 0,10
122
84 1833 48,8209 49,24 -0,42 0,42 0,17
85 1861 41,7875 41,48 0,31 0,31 0,09
86 1871 43,3339 44,06 -0,73 0,73 0,53
87 1900 48,7997 48,64 0,16 0,16 0,03
88 1911 49,4616 49,51 -0,05 0,05 0,00
89 1957 41,472 42,22 -0,75 0,75 0,56
90 1959 41,2511 41,34 -0,09 0,09 0,01
91 1989 42,4468 42,65 -0,20 0,20 0,04
92 1996 43,5349 43,47 0,06 0,06 0,00
94 2000 41,0883 40,87 0,21 0,21 0,05
95 2016 49,372 48,96 0,41 0,41 0,17
96 2036 49,6513 48,59 1,07 1,07 1,14
97 2082 42,727 42,64 0,08 0,08 0,01
98 2092 43,3396 43,02 0,32 0,32 0,10
99 2103 42,2045 42,22 -0,01 0,01 0,00
100 2122 47,4218 47,09 0,34 0,34 0,11
101 2124 49,7634 48,21 1,55 1,55 2,41
102 2129 49,0084 49,10 -0,10 0,10 0,01
103 2165 41,6317 40,35 1,28 1,28 1,65
104 2187 42,3079 42,24 0,07 0,07 0,00
105 2189 42,4703 42,56 -0,09 0,09 0,01
106 2218 42,5126 42,57 -0,05 0,05 0,00
107 2247 49,3539 49,04 0,31 0,31 0,10
108 2249 49,3091 49,40 -0,09 0,09 0,01
109 2250 49,7917 49,72 0,08 0,08 0,01
110 2255 50,1278 50,79 -0,66 0,66 0,43
111 2282 41,8285 42,51 -0,68 0,68 0,47
112 2283 41,4557 41,85 -0,40 0,40 0,16
113 2289 41,1363 41,11 0,02 0,02 0,00
114 2292 41,5841 41,71 -0,12 0,12 0,01
115 2303 43,3809 43,41 -0,03 0,03 0,00
116 2346 44,519 44,21 0,31 0,31 0,10
117 2349 44,1088 44,44 -0,33 0,33 0,11
118 2357 47,6866 48,26 -0,58 0,58 0,33
119 2360 49,3403 48,44 0,90 0,90 0,81
120 2375 49,1372 48,99 0,15 0,15 0,02
121 2406 42,4214 42,35 0,07 0,07 0,00
122 2419 44,038 44,23 -0,19 0,19 0,04
123 2423 43,6761 43,71 -0,03 0,03 0,00
124 2450 40,5378 40,60 -0,06 0,06 0,00
125 2460 42,5556 42,59 -0,04 0,04 0,00
126 2464 43,3422 43,28 0,07 0,07 0,00
127 2486 48,4495 48,39 0,06 0,06 0,00
123
128 2508 40,6063 40,75 -0,14 0,14 0,02
130 2555 40,5329 40,37 0,16 0,16 0,03
131 2578 42,3274 42,26 0,06 0,06 0,00
132 2591 45,0188 44,66 0,36 0,36 0,13
133 2626 41,447 41,38 0,07 0,07 0,00
134 2662 43,142 43,37 -0,22 0,22 0,05
135 2668 40,31 40,45 -0,14 0,14 0,02
136 2689 41,7771 41,70 0,07 0,07 0,01
137 2702 41,8353 41,91 -0,08 0,08 0,01
138 2705 42,0697 42,64 -0,57 0,57 0,33
139 2722 40,9599 40,59 0,37 0,37 0,14
140 2740 42,0556 41,92 0,13 0,13 0,02
141 2744 44,0604 43,44 0,62 0,62 0,39
142 2752 44,1985 44,23 -0,03 0,03 0,00
143 2769 43,0313 42,99 0,04 0,04 0,00
144 2773 42,9603 43,02 -0,06 0,06 0,00
145 2889 40,8864 40,86 0,03 0,03 0,00
146 2902 40,5009 40,52 -0,02 0,02 0,00
147 2903 40,6251 40,53 0,09 0,09 0,01
148 2915 41,3423 41,37 -0,03 0,03 0,00
149 2920 41,533 41,47 0,06 0,06 0,00
150 2942 41,4161 41,29 0,13 0,13 0,02
151 2955 43,7519 43,31 0,44 0,44 0,20
152 2957 44,4179 44,34 0,08 0,08 0,01
153 2959 44,7491 44,65 0,10 0,10 0,01
154 2983 43,6729 43,66 0,01 0,01 0,00
155 2985 43,5022 43,57 -0,06 0,06 0,00
156 3005 40,4026 40,39 0,01 0,01 0,00
157 3008 39,8461 39,89 -0,04 0,04 0,00
158 3045 40,5149 40,47 0,05 0,05 0,00
159 3051 41,0608 41,10 -0,04 0,04 0,00
160 3055 41,7667 41,85 -0,08 0,08 0,01
161 3130 40,5223 40,53 -0,01 0,01 0,00
162 3153 40,6013 40,61 -0,01 0,01 0,00
163 3163 41,4976 41,30 0,19 0,19 0,04
164 3175 48,0635 47,70 0,37 0,37 0,13
165 3177 46,5233 47,08 -0,56 0,56 0,31
166 3193 42,5103 42,75 -0,24 0,24 0,06
167 3216 46,678 46,57 0,11 0,11 0,01
168 3247 40,5202 40,77 -0,25 0,25 0,06
169 3253 40,8984 40,89 0,01 0,01 0,00
170 3283 47,6562 48,34 -0,68 0,68 0,47
171 3295 45,2794 45,58 -0,30 0,30 0,09
124
172 3296 45,1204 45,66 -0,54 0,54 0,29
174 3348 40,0827 40,38 -0,29 0,29 0,09
175 3354 40,4038 40,43 -0,02 0,02 0,00
176 3355 40,4662 40,34 0,12 0,12 0,02
177 3364 40,7177 40,79 -0,07 0,07 0,01
178 3382 43,0494 43,09 -0,04 0,04 0,00
179 3390 47,55 47,64 -0,09 0,09 0,01
180 3403 47,1647 47,60 -0,44 0,44 0,19
181 3409 46,5527 45,72 0,83 0,83 0,69
182 3410 45,455 45,67 -0,21 0,21 0,05
184 3451 47,9851 47,36 0,62 0,62 0,39
185 3536 46,4245 46,64 -0,22 0,22 0,05
186 3558 49,6057 49,48 0,12 0,12 0,02
187 3565 48,3257 48,28 0,04 0,04 0,00
188 3578 40,5101 39,96 0,55 0,55 0,30
189 3613 48,3016 48,59 -0,29 0,29 0,08
190 3625 49,8018 49,91 -0,11 0,11 0,01
191 3633 50,6552 51,64 -0,98 0,98 0,97
192 3662 51,4856 51,31 0,17 0,17 0,03
193 3710 47,2963 46,91 0,38 0,38 0,15
194 3742 50,7306 51,96 -1,23 1,23 1,50
195 3765 51,2237 51,26 -0,04 0,04 0,00
196 3784 61,2544 58,78 2,48 2,48 6,13
197 3802 55,5382 52,25 3,29 3,29 10,82
198 3805 50,7095 51,15 -0,44 0,44 0,19
199 3811 47,8712 47,83 0,04 0,04 0,00
200 3813 43,6243 43,72 -0,10 0,10 0,01
201 3828 48,9993 48,67 0,33 0,33 0,11
202 3837 50,1156 50,14 -0,02 0,02 0,00
203 3852 51,2644 52,04 -0,77 0,77 0,60
204 3880 51,9129 51,54 0,37 0,37 0,14
205 3925 46,6978 46,66 0,04 0,04 0,00
206 3927 48,0237 47,62 0,40 0,40 0,16
207 3933 48,4861 48,49 0,00 0,00 0,00
208 3959 50,3588 50,34 0,02 0,02 0,00
209 3961 50,331 50,56 -0,23 0,23 0,05
210 3971 51,2244 51,81 -0,59 0,59 0,35
211 3985 53,2476 52,74 0,51 0,51 0,26
212 4012 54,3317 55,29 -0,96 0,96 0,92
213 4015 51,3421 50,73 0,62 0,62 0,38
214 4037 48,1584 48,34 -0,19 0,19 0,03
215 4048 49,2246 49,08 0,15 0,15 0,02
216 4076 51,7113 51,44 0,27 0,27 0,07
125
217 4080 51,5825 51,37 0,21 0,21 0,04
218 4093 52,5614 50,16 2,40 2,40 5,74
219 4114 59,8902 59,82 0,07 0,07 0,00
220 4137 47,0133 48,99 -1,98 1,98 3,92
221 4160 49,2439 49,29 -0,04 0,04 0,00
222 4230 69,7711 69,43 0,34 0,34 0,12
223 4261 49,8209 50,97 -1,15 1,15 1,33
224 4301 51,8029 51,49 0,31 0,31 0,10
225 4303 52,0615 51,97 0,10 0,10 0,01
226 4333 71,6119 69,51 2,11 2,11 4,44
227 4335 66,7635 70,57 -3,80 3,80 14,46
228 4336 69,8952 69,34 0,56 0,56 0,31
229 4347 62,1762 64,16 -1,98 1,98 3,92
230 4381 51,0485 50,89 0,16 0,16 0,03
231 4593 51,0044 51,39 -0,39 0,39 0,15
232 4676 75,2267 75,58 -0,36 0,36 0,13
233 4708 52,2414 52,13 0,11 0,11 0,01
234 4709 52,2216 52,21 0,01 0,01 0,00
235 4738 51,3381 50,89 0,45 0,45 0,20
236 4756 55,2961 55,45 -0,15 0,15 0,02
237 4771 56,6667 62,62 -5,95 5,95 35,45
238 4787 76,8414 76,81 0,04 0,04 0,00
239 4816 55,4913 53,89 1,60 1,60 2,57
240 4836 52,8896 52,88 0,01 0,01 0,00
241 4846 52,9306 54,71 -1,78 1,78 3,17
242 4902 75,4348 83,08 -7,65 7,65 58,45
243 4949 54,6042 54,62 -0,01 0,01 0,00
244 4962 59,2232 58,62 0,60 0,60 0,36
245 4963 58,4977 57,75 0,75 0,75 0,57
246 5021 70,6691 73,55 -2,88 2,88 8,29
247 5029 70,5117 70,46 0,05 0,05 0,00
248 5031 66,9682 67,19 -0,23 0,23 0,05
249 5053 53,5445 52,87 0,67 0,67 0,45
250 5099 59,8557 58,50 1,36 1,36 1,85
∑ 261,83
RMSE 1,02
126
c. NATURAL NEIGHBOR
1 138 50,8568 50,67 0,19 0,19 0,04
2 148 49,943 50,11 -0,16 0,16 0,03
3 169 53,2892 52,55 0,74 0,74 0,55
4 181 49,0561 49,13 -0,07 0,07 0,01
5 190 50,324 50,34 -0,01 0,01 0,00
6 204 53,9293 53,34 0,59 0,59 0,35
7 207 56,5161 58,89 -2,37 2,37 5,62
8 232 49,8421 49,81 0,03 0,03 0,00
9 275 54,7635 54,60 0,16 0,16 0,03
10 279 53,6132 54,08 -0,47 0,47 0,22
11 329 64,6541 59,48 5,17 5,17 26,76
12 335 50,0782 50,23 -0,15 0,15 0,02
13 344 49,8544 49,87 -0,02 0,02 0,00
14 359 50,3548 50,48 -0,12 0,12 0,02
15 362 50,6544 50,60 0,05 0,05 0,00
16 366 50,6452 50,62 0,03 0,03 0,00
17 376 51,1188 54,42 -3,30 3,30 10,92
18 426 50,6913 51,04 -0,34 0,34 0,12
19 427 50,8214 51,02 -0,20 0,20 0,04
20 455 49,8845 50,25 -0,36 0,36 0,13
21 476 50,5705 50,77 -0,20 0,20 0,04
22 481 50,1019 50,07 0,03 0,03 0,00
23 510 49,4992 51,30 -1,80 1,80 3,23
24 536 50,6725 50,64 0,03 0,03 0,00
25 585 50,4843 50,59 -0,11 0,11 0,01
26 597 52,9088 52,37 0,54 0,54 0,29
27 616 54,0539 52,28 1,78 1,78 3,16
28 669 49,8704 49,92 -0,05 0,05 0,00
29 672 50,0346 49,91 0,13 0,13 0,02
30 705 50,4209 50,44 -0,02 0,02 0,00
31 707 52,1741 51,23 0,95 0,95 0,89
32 717 52,0503 53,13 -1,08 1,08 1,17
33 723 54,0988 53,68 0,42 0,42 0,18
34 739 49,9376 49,90 0,03 0,03 0,00
35 753 50,6101 50,59 0,02 0,02 0,00
36 776 51,4085 51,59 -0,18 0,18 0,03
37 794 50,7154 50,39 0,33 0,33 0,11
38 796 50,6832 50,54 0,15 0,15 0,02
39 824 49,6464 50,95 -1,30 1,30 1,70
40 864 50,7136 50,72 -0,01 0,01 0,00
127
41 876 51,0031 51,10 -0,10 0,10 0,01
42 881 51,2626 51,34 -0,08 0,08 0,01
43 892 49,8487 49,89 -0,04 0,04 0,00
44 894 49,9475 49,91 0,04 0,04 0,00
45 921 51,2394 51,10 0,14 0,14 0,02
46 927 50,4854 50,63 -0,14 0,14 0,02
47 947 51,1835 51,62 -0,43 0,43 0,19
48 954 49,5616 49,58 -0,01 0,01 0,00
49 963 50,1824 50,14 0,04 0,04 0,00
50 1010 49,9403 49,90 0,04 0,04 0,00
51 1031 50,8532 51,11 -0,25 0,25 0,06
52 1083 50,8177 50,74 0,08 0,08 0,01
53 1097 50,4294 50,22 0,21 0,21 0,04
54 1122 49,7525 49,81 -0,05 0,05 0,00
55 1128 49,8499 49,83 0,02 0,02 0,00
56 1152 49,6338 49,74 -0,10 0,10 0,01
57 1181 50,1677 50,16 0,00 0,00 0,00
58 1183 50,3465 50,31 0,04 0,04 0,00
59 1225 49,1478 49,22 -0,07 0,07 0,00
60 1302 50,8012 50,82 -0,02 0,02 0,00
61 1307 47,9158 48,53 -0,61 0,61 0,37
62 1314 42,7045 43,91 -1,21 1,21 1,46
63 1372 49,2955 49,51 -0,22 0,22 0,05
64 1399 59,8211 59,24 0,58 0,58 0,34
65 1402 62,6937 55,74 6,95 6,95 48,32
66 1410 50,8059 49,89 0,92 0,92 0,84
67 1470 49,4889 49,53 -0,04 0,04 0,00
68 1535 43,2864 43,42 -0,13 0,13 0,02
69 1538 42,3137 42,45 -0,13 0,13 0,02
70 1541 42,3213 42,13 0,19 0,19 0,04
71 1546 43,2488 43,46 -0,21 0,21 0,04
72 1552 46,4859 46,04 0,45 0,45 0,20
73 1562 48,8748 49,04 -0,16 0,16 0,03
74 1570 49,2228 49,28 -0,06 0,06 0,00
75 1678 48,8187 48,99 -0,17 0,17 0,03
76 1721 49,1746 49,77 -0,60 0,60 0,36
77 1722 49,2073 49,60 -0,40 0,40 0,16
78 1731 49,3507 49,29 0,06 0,06 0,00
79 1734 48,8562 48,58 0,27 0,27 0,07
80 1744 41,599 42,38 -0,78 0,78 0,60
81 1756 42,1648 42,05 0,12 0,12 0,01
82 1821 49,3903 49,36 0,03 0,03 0,00
83 1831 49,3487 49,18 0,17 0,17 0,03
128
84 1833 48,8209 49,11 -0,29 0,29 0,09
85 1861 41,7875 41,76 0,03 0,03 0,00
86 1871 43,3339 43,33 0,00 0,00 0,00
87 1900 48,7997 48,73 0,07 0,07 0,00
88 1911 49,4616 49,55 -0,09 0,09 0,01
89 1957 41,472 42,65 -1,18 1,18 1,38
90 1959 41,2511 41,61 -0,36 0,36 0,13
91 1989 42,4468 42,69 -0,24 0,24 0,06
92 1996 43,5349 43,50 0,04 0,04 0,00
94 2000 41,0883 41,80 -0,71 0,71 0,50
95 2016 49,372 49,04 0,33 0,33 0,11
96 2036 49,6513 49,80 -0,15 0,15 0,02
97 2082 42,727 42,45 0,28 0,28 0,08
98 2092 43,3396 42,96 0,38 0,38 0,14
99 2103 42,2045 42,35 -0,15 0,15 0,02
100 2122 47,4218 46,77 0,65 0,65 0,42
101 2124 49,7634 47,95 1,81 1,81 3,29
102 2129 49,0084 49,02 -0,01 0,01 0,00
103 2165 41,6317 42,45 -0,82 0,82 0,67
104 2187 42,3079 42,44 -0,14 0,14 0,02
105 2189 42,4703 42,68 -0,21 0,21 0,04
106 2218 42,5126 42,72 -0,21 0,21 0,04
107 2247 49,3539 49,24 0,11 0,11 0,01
108 2249 49,3091 49,46 -0,15 0,15 0,02
109 2250 49,7917 49,58 0,21 0,21 0,05
110 2255 50,1278 50,40 -0,28 0,28 0,08
111 2282 41,8285 42,45 -0,63 0,63 0,39
112 2283 41,4557 42,18 -0,72 0,72 0,52
113 2289 41,1363 41,12 0,02 0,02 0,00
114 2292 41,5841 41,59 0,00 0,00 0,00
115 2303 43,3809 43,12 0,26 0,26 0,07
116 2346 44,519 44,20 0,32 0,32 0,10
117 2349 44,1088 44,89 -0,79 0,79 0,62
118 2357 47,6866 47,72 -0,03 0,03 0,00
119 2360 49,3403 48,63 0,71 0,71 0,51
120 2375 49,1372 48,98 0,16 0,16 0,03
121 2406 42,4214 42,27 0,15 0,15 0,02
122 2419 44,038 43,86 0,17 0,17 0,03
123 2423 43,6761 43,47 0,20 0,20 0,04
124 2450 40,5378 40,53 0,00 0,00 0,00
125 2460 42,5556 42,78 -0,22 0,22 0,05
126 2464 43,3422 43,65 -0,31 0,31 0,10
127 2486 48,4495 47,85 0,60 0,60 0,36
129
128 2508 40,6063 40,73 -0,13 0,13 0,02
130 2555 40,5329 40,48 0,05 0,05 0,00
131 2578 42,3274 42,46 -0,13 0,13 0,02
132 2591 45,0188 44,78 0,24 0,24 0,06
133 2626 41,447 41,52 -0,07 0,07 0,00
134 2662 43,142 43,20 -0,05 0,05 0,00
135 2668 40,31 40,49 -0,18 0,18 0,03
136 2689 41,7771 41,76 0,02 0,02 0,00
137 2702 41,8353 42,35 -0,51 0,51 0,26
138 2705 42,0697 42,98 -0,91 0,91 0,84
139 2722 40,9599 40,80 0,16 0,16 0,03
140 2740 42,0556 42,02 0,03 0,03 0,00
141 2744 44,0604 43,46 0,60 0,60 0,36
142 2752 44,1985 44,20 -0,01 0,01 0,00
143 2769 43,0313 43,05 -0,02 0,02 0,00
144 2773 42,9603 43,01 -0,05 0,05 0,00
145 2889 40,8864 41,11 -0,22 0,22 0,05
146 2902 40,5009 40,53 -0,03 0,03 0,00
147 2903 40,6251 40,59 0,04 0,04 0,00
148 2915 41,3423 41,35 -0,01 0,01 0,00
149 2920 41,533 41,48 0,05 0,05 0,00
150 2942 41,4161 41,22 0,20 0,20 0,04
151 2955 43,7519 43,52 0,24 0,24 0,06
152 2957 44,4179 44,01 0,41 0,41 0,17
153 2959 44,7491 44,27 0,48 0,48 0,23
154 2983 43,6729 43,62 0,06 0,06 0,00
155 2985 43,5022 43,47 0,03 0,03 0,00
156 3005 40,4026 40,47 -0,07 0,07 0,00
157 3008 39,8461 39,97 -0,12 0,12 0,02
158 3045 40,5149 40,55 -0,04 0,04 0,00
159 3051 41,0608 41,06 0,00 0,00 0,00
160 3055 41,7667 42,10 -0,33 0,33 0,11
161 3130 40,5223 40,54 -0,02 0,02 0,00
162 3153 40,6013 40,60 0,00 0,00 0,00
163 3163 41,4976 41,62 -0,12 0,12 0,01
164 3175 48,0635 47,39 0,67 0,67 0,45
165 3177 46,5233 46,81 -0,29 0,29 0,08
166 3193 42,5103 42,77 -0,26 0,26 0,07
167 3216 46,678 46,54 0,14 0,14 0,02
168 3247 40,5202 40,73 -0,21 0,21 0,05
169 3253 40,8984 40,86 0,03 0,03 0,00
170 3283 47,6562 48,03 -0,37 0,37 0,14
171 3295 45,2794 45,84 -0,56 0,56 0,31
130
172 3296 45,1204 45,72 -0,60 0,60 0,36
174 3348 40,0827 40,37 -0,29 0,29 0,08
175 3354 40,4038 40,38 0,02 0,02 0,00
176 3355 40,4662 40,42 0,04 0,04 0,00
177 3364 40,7177 40,74 -0,02 0,02 0,00
178 3382 43,0494 43,15 -0,10 0,10 0,01
179 3390 47,55 47,36 0,19 0,19 0,03
180 3403 47,1647 47,67 -0,50 0,50 0,25
181 3409 46,5527 46,41 0,14 0,14 0,02
182 3410 45,455 46,03 -0,58 0,58 0,33
184 3451 47,9851 47,19 0,80 0,80 0,64
185 3536 46,4245 46,57 -0,15 0,15 0,02
186 3558 49,6057 49,39 0,22 0,22 0,05
187 3565 48,3257 47,47 0,86 0,86 0,73
188 3578 40,5101 41,88 -1,37 1,37 1,87
189 3613 48,3016 48,60 -0,30 0,30 0,09
190 3625 49,8018 49,79 0,01 0,01 0,00
191 3633 50,6552 51,26 -0,60 0,60 0,36
192 3662 51,4856 51,70 -0,21 0,21 0,05
193 3710 47,2963 46,67 0,63 0,63 0,39
194 3742 50,7306 52,06 -1,33 1,33 1,76
195 3765 51,2237 51,41 -0,19 0,19 0,04
196 3784 61,2544 58,07 3,19 3,19 10,16
197 3802 55,5382 49,90 5,64 5,64 31,78
198 3805 50,7095 49,05 1,66 1,66 2,75
199 3811 47,8712 46,85 1,03 1,03 1,05
200 3813 43,6243 44,08 -0,46 0,46 0,21
201 3828 48,9993 48,54 0,45 0,45 0,21
202 3837 50,1156 49,96 0,16 0,16 0,02
203 3852 51,2644 51,92 -0,66 0,66 0,44
204 3880 51,9129 52,10 -0,19 0,19 0,04
205 3925 46,6978 46,64 0,06 0,06 0,00
206 3927 48,0237 47,45 0,57 0,57 0,33
207 3933 48,4861 48,58 -0,09 0,09 0,01
208 3959 50,3588 50,36 0,00 0,00 0,00
209 3961 50,331 50,61 -0,27 0,27 0,08
210 3971 51,2244 51,69 -0,46 0,46 0,22
211 3985 53,2476 52,51 0,74 0,74 0,54
212 4012 54,3317 55,39 -1,06 1,06 1,11
213 4015 51,3421 51,53 -0,19 0,19 0,04
214 4037 48,1584 48,36 -0,20 0,20 0,04
215 4048 49,2246 49,11 0,12 0,12 0,01
216 4076 51,7113 51,45 0,26 0,26 0,07
131
217 4080 51,5825 51,33 0,26 0,26 0,07
218 4093 52,5614 52,65 -0,09 0,09 0,01
219 4114 59,8902 60,27 -0,38 0,38 0,15
220 4137 47,0133 48,42 -1,41 1,41 1,98
221 4160 49,2439 49,44 -0,20 0,20 0,04
222 4230 69,7711 69,56 0,21 0,21 0,04
223 4261 49,8209 50,87 -1,05 1,05 1,10
224 4301 51,8029 51,52 0,29 0,29 0,08
225 4303 52,0615 51,80 0,26 0,26 0,07
226 4333 71,6119 67,78 3,83 3,83 14,69
227 4335 66,7635 68,49 -1,73 1,73 2,98
228 4336 69,8952 67,96 1,93 1,93 3,73
229 4347 62,1762 63,31 -1,13 1,13 1,27
230 4381 51,0485 50,85 0,20 0,20 0,04
231 4593 51,0044 51,52 -0,51 0,51 0,26
232 4676 75,2267 74,74 0,49 0,49 0,24
233 4708 52,2414 51,83 0,41 0,41 0,17
234 4709 52,2216 51,88 0,34 0,34 0,12
235 4738 51,3381 52,61 -1,27 1,27 1,61
236 4756 55,2961 55,37 -0,07 0,07 0,01
237 4771 56,6667 59,30 -2,63 2,63 6,94
238 4787 76,8414 76,34 0,50 0,50 0,25
239 4816 55,4913 53,47 2,02 2,02 4,09
240 4836 52,8896 52,98 -0,09 0,09 0,01
241 4846 52,9306 55,12 -2,19 2,19 4,80
242 4902 75,4348 82,67 -7,24 7,24 52,35
243 4949 54,6042 54,44 0,16 0,16 0,03
244 4962 59,2232 58,37 0,85 0,85 0,72
245 4963 58,4977 58,26 0,24 0,24 0,06
246 5021 70,6691 75,06 -4,39 4,39 19,31
247 5029 70,5117 69,68 0,83 0,83 0,69
248 5031 66,9682 66,53 0,44 0,44 0,20
249 5053 53,5445 52,92 0,62 0,62 0,39
250 5099 59,8557 60,04 -0,18 0,18 0,03
∑ 297,26
RMSE 1,09
132
d. TOPO TO RASTER
1 138 50,8568 50,38 0,48 0,48 0,23
2 148 49,943 50,07 -0,12 0,12 0,01
3 169 53,2892 52,05 1,24 1,24 1,53
4 181 49,0561 49,13 -0,07 0,07 0,01
5 190 50,324 50,34 -0,02 0,02 0,00
6 204 53,9293 53,21 0,72 0,72 0,51
7 207 56,5161 59,27 -2,76 2,76 7,60
8 232 49,8421 49,70 0,14 0,14 0,02
9 275 54,7635 55,56 -0,79 0,79 0,63
10 279 53,6132 52,98 0,63 0,63 0,40
11 329 64,6541 59,60 5,06 5,06 25,56
12 335 50,0782 49,85 0,22 0,22 0,05
13 344 49,8544 49,81 0,05 0,05 0,00
14 359 50,3548 50,37 -0,02 0,02 0,00
15 362 50,6544 50,48 0,18 0,18 0,03
16 366 50,6452 50,57 0,08 0,08 0,01
17 376 51,1188 55,37 -4,25 4,25 18,05
18 426 50,6913 50,83 -0,14 0,14 0,02
19 427 50,8214 50,75 0,07 0,07 0,00
20 455 49,8845 50,26 -0,37 0,37 0,14
21 476 50,5705 50,79 -0,22 0,22 0,05
22 481 50,1019 50,03 0,07 0,07 0,00
23 510 49,4992 50,89 -1,39 1,39 1,94
24 536 50,6725 50,46 0,21 0,21 0,04
25 585 50,4843 50,52 -0,03 0,03 0,00
26 597 52,9088 52,88 0,02 0,02 0,00
27 616 54,0539 51,83 2,23 2,23 4,96
28 669 49,8704 48,50 1,37 1,37 1,89
29 672 50,0346 49,25 0,79 0,79 0,62
30 705 50,4209 50,13 0,29 0,29 0,09
31 707 52,1741 51,46 0,72 0,72 0,52
32 717 52,0503 53,66 -1,61 1,61 2,60
33 723 54,0988 54,15 -0,05 0,05 0,00
34 739 49,9376 49,88 0,06 0,06 0,00
35 753 50,6101 50,60 0,01 0,01 0,00
36 776 51,4085 51,58 -0,18 0,18 0,03
37 794 50,7154 50,46 0,25 0,25 0,06
38 796 50,6832 50,60 0,08 0,08 0,01
39 824 49,6464 51,04 -1,39 1,39 1,93
40 864 50,7136 50,72 0,00 0,00 0,00
133
41 876 51,0031 50,11 0,89 0,89 0,80
42 881 51,2626 51,43 -0,17 0,17 0,03
43 892 49,8487 50,08 -0,23 0,23 0,05
44 894 49,9475 49,80 0,15 0,15 0,02
45 921 51,2394 50,98 0,26 0,26 0,07
46 927 50,4854 50,81 -0,32 0,32 0,11
47 947 51,1835 51,28 -0,09 0,09 0,01
48 954 49,5616 49,26 0,30 0,30 0,09
49 963 50,1824 50,02 0,16 0,16 0,03
50 1010 49,9403 49,94 0,00 0,00 0,00
51 1031 50,8532 51,24 -0,39 0,39 0,15
52 1083 50,8177 50,78 0,03 0,03 0,00
53 1097 50,4294 50,51 -0,08 0,08 0,01
54 1122 49,7525 49,39 0,36 0,36 0,13
55 1128 49,8499 49,77 0,08 0,08 0,01
56 1152 49,6338 49,75 -0,11 0,11 0,01
57 1181 50,1677 49,34 0,82 0,82 0,68
58 1183 50,3465 50,15 0,19 0,19 0,04
59 1225 49,1478 49,29 -0,14 0,14 0,02
60 1302 50,8012 51,20 -0,40 0,40 0,16
61 1307 47,9158 48,76 -0,84 0,84 0,71
62 1314 42,7045 43,35 -0,65 0,65 0,42
63 1372 49,2955 49,48 -0,18 0,18 0,03
64 1399 59,8211 60,45 -0,63 0,63 0,39
65 1402 62,6937 56,68 6,01 6,01 36,13
66 1410 50,8059 50,02 0,79 0,79 0,62
67 1470 49,4889 49,55 -0,06 0,06 0,00
68 1535 43,2864 43,87 -0,58 0,58 0,34
69 1538 42,3137 42,21 0,10 0,10 0,01
70 1541 42,3213 41,83 0,49 0,49 0,24
71 1546 43,2488 43,34 -0,09 0,09 0,01
72 1552 46,4859 45,84 0,64 0,64 0,41
73 1562 48,8748 49,02 -0,15 0,15 0,02
74 1570 49,2228 49,31 -0,09 0,09 0,01
75 1678 48,8187 48,72 0,10 0,10 0,01
76 1721 49,1746 49,74 -0,56 0,56 0,32
77 1722 49,2073 49,51 -0,30 0,30 0,09
78 1731 49,3507 49,25 0,10 0,10 0,01
79 1734 48,8562 48,70 0,16 0,16 0,03
80 1744 41,599 42,17 -0,57 0,57 0,33
81 1756 42,1648 41,91 0,25 0,25 0,06
82 1821 49,3903 49,42 -0,03 0,03 0,00
83 1831 49,3487 49,22 0,13 0,13 0,02
134
84 1833 48,8209 49,22 -0,39 0,39 0,16
85 1861 41,7875 41,58 0,20 0,20 0,04
86 1871 43,3339 43,51 -0,18 0,18 0,03
87 1900 48,7997 48,33 0,47 0,47 0,22
88 1911 49,4616 49,25 0,22 0,22 0,05
89 1957 41,472 42,42 -0,95 0,95 0,91
90 1959 41,2511 41,24 0,01 0,01 0,00
91 1989 42,4468 42,68 -0,24 0,24 0,06
92 1996 43,5349 43,52 0,02 0,02 0,00
94 2000 41,0883 41,39 -0,30 0,30 0,09
95 2016 49,372 48,96 0,41 0,41 0,17
96 2036 49,6513 49,52 0,13 0,13 0,02
97 2082 42,727 42,51 0,22 0,22 0,05
98 2092 43,3396 42,75 0,59 0,59 0,35
99 2103 42,2045 42,26 -0,05 0,05 0,00
100 2122 47,4218 45,31 2,11 2,11 4,47
101 2124 49,7634 48,59 1,17 1,17 1,37
102 2129 49,0084 49,27 -0,27 0,27 0,07
103 2165 41,6317 42,02 -0,39 0,39 0,15
104 2187 42,3079 42,44 -0,14 0,14 0,02
105 2189 42,4703 42,74 -0,27 0,27 0,08
106 2218 42,5126 42,72 -0,21 0,21 0,04
107 2247 49,3539 49,11 0,24 0,24 0,06
108 2249 49,3091 49,85 -0,54 0,54 0,29
109 2250 49,7917 49,17 0,62 0,62 0,39
110 2255 50,1278 50,38 -0,25 0,25 0,06
111 2282 41,8285 42,48 -0,65 0,65 0,42
112 2283 41,4557 41,96 -0,50 0,50 0,25
113 2289 41,1363 41,07 0,07 0,07 0,00
114 2292 41,5841 41,58 0,01 0,01 0,00
115 2303 43,3809 42,85 0,53 0,53 0,28
116 2346 44,519 44,29 0,23 0,23 0,05
117 2349 44,1088 45,23 -1,12 1,12 1,25
118 2357 47,6866 46,44 1,25 1,25 1,55
119 2360 49,3403 49,17 0,17 0,17 0,03
120 2375 49,1372 49,06 0,07 0,07 0,01
121 2406 42,4214 42,42 0,00 0,00 0,00
122 2419 44,038 43,89 0,15 0,15 0,02
123 2423 43,6761 42,97 0,70 0,70 0,50
124 2450 40,5378 40,48 0,06 0,06 0,00
125 2460 42,5556 42,69 -0,13 0,13 0,02
126 2464 43,3422 43,55 -0,21 0,21 0,04
127 2486 48,4495 48,15 0,30 0,30 0,09
135
128 2508 40,6063 40,61 -0,01 0,01 0,00
130 2555 40,5329 40,43 0,10 0,10 0,01
131 2578 42,3274 42,22 0,11 0,11 0,01
132 2591 45,0188 44,75 0,27 0,27 0,07
133 2626 41,447 41,41 0,04 0,04 0,00
134 2662 43,142 43,41 -0,27 0,27 0,07
135 2668 40,31 40,41 -0,10 0,10 0,01
136 2689 41,7771 41,69 0,09 0,09 0,01
137 2702 41,8353 42,14 -0,30 0,30 0,09
138 2705 42,0697 43,00 -0,93 0,93 0,86
139 2722 40,9599 40,71 0,25 0,25 0,06
140 2740 42,0556 41,84 0,22 0,22 0,05
141 2744 44,0604 43,56 0,50 0,50 0,25
142 2752 44,1985 44,24 -0,05 0,05 0,00
143 2769 43,0313 42,53 0,50 0,50 0,25
144 2773 42,9603 43,05 -0,09 0,09 0,01
145 2889 40,8864 40,81 0,07 0,07 0,01
146 2902 40,5009 40,57 -0,07 0,07 0,01
147 2903 40,6251 40,61 0,02 0,02 0,00
148 2915 41,3423 41,38 -0,04 0,04 0,00
149 2920 41,533 41,44 0,09 0,09 0,01
150 2942 41,4161 41,24 0,18 0,18 0,03
151 2955 43,7519 43,34 0,41 0,41 0,17
152 2957 44,4179 43,54 0,88 0,88 0,77
153 2959 44,7491 44,38 0,37 0,37 0,14
154 2983 43,6729 43,69 -0,02 0,02 0,00
155 2985 43,5022 43,56 -0,06 0,06 0,00
156 3005 40,4026 40,28 0,12 0,12 0,01
157 3008 39,8461 39,92 -0,07 0,07 0,01
158 3045 40,5149 40,54 -0,03 0,03 0,00
159 3051 41,0608 41,08 -0,02 0,02 0,00
160 3055 41,7667 42,07 -0,31 0,31 0,09
161 3130 40,5223 40,53 -0,01 0,01 0,00
162 3153 40,6013 40,57 0,03 0,03 0,00
163 3163 41,4976 41,39 0,11 0,11 0,01
164 3175 48,0635 46,69 1,38 1,38 1,90
165 3177 46,5233 46,92 -0,40 0,40 0,16
166 3193 42,5103 42,62 -0,11 0,11 0,01
167 3216 46,678 46,27 0,41 0,41 0,16
168 3247 40,5202 40,57 -0,05 0,05 0,00
169 3253 40,8984 40,86 0,03 0,03 0,00
170 3283 47,6562 48,35 -0,70 0,70 0,49
171 3295 45,2794 45,52 -0,24 0,24 0,06
136
172 3296 45,1204 45,49 -0,37 0,37 0,14
174 3348 40,0827 39,89 0,20 0,20 0,04
175 3354 40,4038 40,17 0,24 0,24 0,06
176 3355 40,4662 40,28 0,19 0,19 0,04
177 3364 40,7177 40,75 -0,03 0,03 0,00
178 3382 43,0494 42,83 0,22 0,22 0,05
179 3390 47,55 47,51 0,04 0,04 0,00
180 3403 47,1647 47,37 -0,20 0,20 0,04
181 3409 46,5527 45,93 0,62 0,62 0,38
182 3410 45,455 45,47 -0,02 0,02 0,00
184 3451 47,9851 47,21 0,78 0,78 0,61
185 3536 46,4245 46,33 0,10 0,10 0,01
186 3558 49,6057 47,83 1,78 1,78 3,16
187 3565 48,3257 47,01 1,32 1,32 1,74
188 3578 40,5101 41,49 -0,98 0,98 0,96
189 3613 48,3016 48,59 -0,29 0,29 0,08
190 3625 49,8018 49,32 0,49 0,49 0,24
191 3633 50,6552 51,39 -0,73 0,73 0,53
192 3662 51,4856 51,66 -0,17 0,17 0,03
193 3710 47,2963 46,95 0,35 0,35 0,12
194 3742 50,7306 52,26 -1,53 1,53 2,34
195 3765 51,2237 51,18 0,05 0,05 0,00
196 3784 61,2544 58,56 2,69 2,69 7,26
197 3802 55,5382 50,86 4,67 4,67 21,84
198 3805 50,7095 49,23 1,48 1,48 2,20
199 3811 47,8712 45,14 2,73 2,73 7,46
200 3813 43,6243 43,67 -0,05 0,05 0,00
201 3828 48,9993 48,44 0,56 0,56 0,31
202 3837 50,1156 50,03 0,08 0,08 0,01
203 3852 51,2644 52,21 -0,94 0,94 0,89
204 3880 51,9129 51,87 0,04 0,04 0,00
205 3925 46,6978 46,71 -0,01 0,01 0,00
206 3927 48,0237 47,49 0,53 0,53 0,28
207 3933 48,4861 48,54 -0,05 0,05 0,00
208 3959 50,3588 50,18 0,18 0,18 0,03
209 3961 50,331 49,82 0,51 0,51 0,26
210 3971 51,2244 51,00 0,23 0,23 0,05
211 3985 53,2476 52,55 0,70 0,70 0,49
212 4012 54,3317 55,03 -0,70 0,70 0,49
213 4015 51,3421 51,10 0,24 0,24 0,06
214 4037 48,1584 48,57 -0,41 0,41 0,17
215 4048 49,2246 48,97 0,25 0,25 0,06
216 4076 51,7113 50,90 0,81 0,81 0,66
137
217 4080 51,5825 50,50 1,08 1,08 1,16
218 4093 52,5614 52,86 -0,30 0,30 0,09
219 4114 59,8902 59,66 0,23 0,23 0,05
220 4137 47,0133 48,16 -1,15 1,15 1,32
221 4160 49,2439 49,35 -0,10 0,10 0,01
222 4230 69,7711 70,51 -0,74 0,74 0,55
223 4261 49,8209 51,10 -1,28 1,28 1,64
224 4301 51,8029 51,12 0,68 0,68 0,46
225 4303 52,0615 51,63 0,43 0,43 0,19
226 4333 71,6119 68,74 2,87 2,87 8,24
227 4335 66,7635 68,42 -1,66 1,66 2,74
228 4336 69,8952 67,54 2,35 2,35 5,52
229 4347 62,1762 63,66 -1,49 1,49 2,21
230 4381 51,0485 50,77 0,28 0,28 0,08
231 4593 51,0044 51,26 -0,26 0,26 0,07
232 4676 75,2267 75,20 0,02 0,02 0,00
233 4708 52,2414 51,50 0,74 0,74 0,55
234 4709 52,2216 51,79 0,43 0,43 0,19
235 4738 51,3381 52,04 -0,70 0,70 0,49
236 4756 55,2961 55,64 -0,35 0,35 0,12
237 4771 56,6667 59,64 -2,97 2,97 8,84
238 4787 76,8414 76,78 0,06 0,06 0,00
239 4816 55,4913 53,72 1,77 1,77 3,13
240 4836 52,8896 52,86 0,03 0,03 0,00
241 4846 52,9306 55,13 -2,20 2,20 4,83
242 4902 75,4348 81,48 -6,04 6,04 36,52
243 4949 54,6042 54,32 0,28 0,28 0,08
244 4962 59,2232 58,45 0,77 0,77 0,60
245 4963 58,4977 58,43 0,07 0,07 0,01
246 5021 70,6691 74,89 -4,22 4,22 17,78
247 5029 70,5117 70,08 0,43 0,43 0,19
248 5031 66,9682 66,76 0,20 0,20 0,04
249 5053 53,5445 52,68 0,87 0,87 0,75
250 5099 59,8557 58,69 1,17 1,17 1,36
∑ 284,52
RMSE 1,07
138
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA VI
ANALISIS DAN PERMODELAN SIG BERBASIS RASTER
(STUDI KASUS PEMODELAN TSUNAMI)
76
Dibuat oleh :
NIM : 20/464125/SV/18444
Kelompok : SMD B

SEKOLAH VOKASI
YOGYAKARTA
2021
139
I. TUJUAN 5
A. Pengenalan data DEM dan turunannya.

1. Memberikan pengetahuan teknis berbagai model turunan digital
elevation model (DEM) dan metode pembuatannya.
2. Memberikan keterampilan kepada mahasiswa untuk mampu
membuat beberapa model medan digital dari digital elevation
model (DEM) serta Teknik pengolahannya.
B. Persiapan data raster untuk pemodelan tsunami.
1. Memberikan pengetahuan teknis persiapan data dan konversi data
vektor menjadu data raster untuk input data pemodelan tsunami.
2. Memberikan ketrampilan untuk mampu membuat alur pemodelan
dengan ‘model builder’ di ArcGIS.
3. Pembuatan Pemodelan Tsunami
1. Membuat pemodelan tsunami dan menghitung penggunaan lahan.
II. ALAT DAN BAHAN

dengan spesifikasi:
- AMD Ryzen 5
- RAM 8 GB
- SSD 512 GB
- Windows 11
2 Perangkat lunak Perangkat lunak untuk melakukan
ArcGIS 10.8 kegiatan praktikum.
3 Perangkat Lunak Perangkat lunak untuk melakukan
ArcScene 10.8 kegiatan praktikum.
140
referensi

1 Data shapefile sebagian Bahan untuk melakukan kegiatan
wilayah Lombok praktikum
2 Data DEM sebagian Bahan untuk melakukan kegiatan
wilayah Lombok praktikum
3 Data shapefile sebagian Bahan untuk melakukan kegiatan
wilayah Pantai praktikum
Parangtritis
4 Data DEM sebagian Bahan untuk melakukan kegiatan
wilayah Pantai praktikum
Parangtritis
5 Data Foto Udara Bahan untuk melakukan kegiatan
sebagian wilayah Pantai praktikum
Parangtritis
praktikum acara 1
141
III. LANGKAH KERJA
1. Diagram alir
A. Pengenalan Data DEM dan Turunannya.
ArcGIS 10.8 DEM sebagian AOI, SHP, titik
wilayah lombok pengamatan,
tambang topo
Pencarian tool pada arctoolbox
Penggunaan tools pada 3D Analyst Tool
Pembuatan data hillshade, contour, slope, aspect, curvature,

viewshed, volume
Buka ArcScene
Pembuatan turunan DEM 3D visualization
Turunan DEM
142
B. Persiapan Data Raster Untuk Pemodelan Tsunami
- 4,2
- 10,4
C. Permodelan Tsunami
ArcGIS 10.8 Data hasil

pembuatan alur
permodelan
Jalankan model builder
Penghitungan area terdampak
Pemisahan poligon
Pengecekan tabel atribut
Area terdampak tsunami
Keterangan : Input Proses Output
143
2. Langkah Kerja, Printscreen
Pengenalan Data DEM dan Turunannya
A. Persiapan Data
1. Melakukan add data pada ArcMap 10.8 dengan data
praktikum acara 6 yang sudah diunduh pada ELOK UGM
B. Hillshade
1. Melakukan pengisian data untuk pembuatan hillshade
dengan data DEM spline tension berformat tif.
2. Menampilkan hasil pembuatan hillshade.
144
C. Contour
1. Membuat kontur dengan cara melakukan search “contour”.
Lakukan pengisian pengaturan pembuatan kontur.
2. Menampilkan hasil pembuatan kontur.
3. Menambahkan field baru pada tabel atribut kontur bernama

“panjang_m”.
145
4. Melakukan calculate geometry pada field panjang_m untuk
mendapat data panjang kontur.
5. Mengurutkan data panjang dengan cara berikut.
6. Melakukan select by attribute untuk mendapat data panjang

kontur kurang dari 200 m dan lakukan penghapusan data
yang panjangnya kurang dari 200 m.
146
7. Mencari tool “smooth line” pada search dan lakukan
pengisian data untuk membuat smooth line pada kontur.
147
8. Menampilkan hasil kontur.
D. Slope
1. Mencari tool “Slope” pada search.
2. Melakukan pengisian data untuk membuat data slope

dengan data DEM spline tension sebagai berikut.
148
3. Melakukan klasifikasi data slope yang telah dibuat dan
lakukan klasifikasi dengan metode manual berjumlah 5
kelas dan atur nilainya sebagai berikut.
4. Melakukan simbolisasi pada kelas yang telah dibuat.
5. Menampilkan hasil pembuatan data slope.
149
6. Mencari tool “Reclassify” pada search.
7. Melakukan pengisian data untuk melakukan reclassify pada

data slope sebagai berikut.
8. Melakukan simbolisasi sebagai berikut.
150
9. Menampilkan hasil pembuatan reclassify.
10. Mencari tool “Majority” pada search.
11. Melakukan pengisian data untuk melakukan majority pada

data slope yang sudah di reclassify sebagai berikut.
151
12. Melakukan import symbology dari data slope yang sudah di
reclassify sebagai berikut.
152
13. Membandingkan hasil sebelum majority dan sesudahnya.
- Sebelum Majority
- Sesudah Majority
E. ViewShed
1. Mencari tool “ViewShed” pada search seperti berikut.
153
2. Melakukan pengisian data untuk melakukan pengaturan
ViewShed dengan data shapefile titik pengamatan.
3. Melihat hasil dari pembuatan ViewShed.
F. Aspect
1. Mencari tool “Aspect” pada search.
154
2. Melakukan pengisian data untuk pengaturan Aspect sebagai
berikut.
3. Menampilkan hasil dari pembuatan aspect.
G. Curvature
1. Mencari tool “Curvature” pada search.
155
2. Melakukan pengisian data untuk pengaturan curvature
sebagai berikut.
3. Melakukan klasifikasi dengan metode manual dengan kelas

berjumlah tiga dan nilainya sebagai berikut.
4. Melakukan simbolisasi dengan memberikan label dan

mengubah warnanya.
156
5. Menampilkan hasil dari pembuatan curvature.
H. Volume (Cut and Fill)

1. Melakukan pencarian tool “cut fill” pada menu search
sebagai berikut.
2. Melakukan pengisian data untuk melakukan cut fill sebagai

berikut.
157
3. Menampilkan hasil dari cut fill dan memberikan kotak pada
area tersebut.
158
I. 3D Visualization
1. Membuka ArcScene 10.8 sebagai berikut.
2. Menambahkan data AOI dan data DEM spline Tension

berformat tif.
159
3. Melakukan pengaturan pada layer DEM dengan masuk ke
properties → pilih floating on a custom surface → ganti
“factor to convert layer elevation values to scene units”
menjadi custom dengan nilai 2.
160
4. Mengatur layer AOI dengan masuk ke properties → pilih
“Extrude features in layer,..” → masukkan nilai 8000 pada
“Extrusion values or expression” → pilih “adding it to each
feature’s base height” pada “Apply extrusion by”.
5. Mengatur layer AOI kembali pada tab base heights sebagi

berikut.
161
6. Melakukan copy layer AOI sebagai berikut.
7. Mengatur layer AOI hasil copy dengan mengatur Extrusion-

nya sebagai berikut.
8. Menampilkan hasil 3D Visualization.
162
Persiapan Data Raster Untuk Permodelan Tsunami
A. Persiapan Data
1. Menambahkan data Foto Udara dan shapefile wilayah
sekitar Pantai Parangtritis.
2. Melakukan pembuatan hillshade untuk data DEM.
163
3. Membuat data slope dengan menggunakan data DEM.
4. Mengaktifkan layer landuse dan foto udara parangtritis.tif.
164
5. Mengubah warna dari layer landuse menjadi hollow.
6. Menambahkan field baru pada tabel atribut landuse dengan

nama “n”.
165
7. Melakukan editing pada data landuse.
8. Melakukan pencarian feature attribute dengan cara

melakukan select by attribute
9. Melakukan pengisian tiap feature dengan nilai seperti pada

tabel berikut.
166
10. Mengisikan nilai n pada feature yang terpilih dan lakukan
pengisian.
11. Melakukan langkah yang sama untuk feature yang lain

sesuai tabel yang sudah ditampilkan pada langkah 9.
12. Menambahkan field baru yaitu n2
13. Membuka field calculator dan isikan nilainya.
167
14. Melakukan proses feature to raster seperti berikut.
168
B. Perancangan alur model dengan model builder
1. Mencari tools Model Builder pada tab geoprocessing dan
membukanya.
2. Mencari toolbox times dan drag ke model builder.
169
3. Menambahkan hasil dari feature to raster yaitu landuse_n2.
4. Menambahkan input raster or consutant value 1.
5. Mengisikan nilai pada input dengan nilai 167 seperti

berikut.
6. Melakukan rename input yang diisikan nilai tadi dengan

nama 167.
170
7. Melakukan koneksi landuse_n2 ke times dan akan otomatis
berubah warna. Melakukan pengaturan output dengan nama
berikut.
8. Melakukan langkah no 2-7 untuk pembuatan model builder

seperti ini.
9. Melakukan run untuk membuat output.
171
10.Melakukan langkah yang sama juga untuk proses cost
distance.
172
11. Melakukan run jika sudah.
173
C. Permodelan Tsunami
1. Melakukan pencarian raster calculator pada search
kemudian mengatur dan menuliskan rumus seperti berikut
174
2. Membuka layer landuse dan melakukan seleksi ‘settlement,
built-up area’ → export → mengatur direktori
penyimpanan.
175
3. Melakukan start editing pada layer rice field dan settlement,
built area.
4. Melakukan pemisahan polygon dengan menggunakan tools
explode multipart feature dengan cara memilih rice field
atau settlement, build area kemudian memilih tools tersebut
176
maka akan terpecah.
5. Menambahkan field bernama area pada attribute table pada

rice field dan settlement, built-up area.
6. Melakukan calculate geometry pada field area.
7. Membuka tools Reclassify dan memasukkan input raster,

yaitu RasCalc.tif yang sudah ada sebelumnya > mengatur
reclassification dengan banyak kelas.
177
178
8. Mengubah inundarea104.tif menjadi shp dengan
menggunakan tools raster to polygon.
9. Melakukan clip settlement-built-up dan rice field dengan

inundated_area104.
179
10. Mengubah polygon menjadi titik pada layer settlement-
built-up menggunakan tools feature to point.
11. Melakukan pengecekan bangunan yang terdampak dengan

membuka attribute table → mengeklik kanan pada field
area → statistics. Count merupakan jumlah bangunan yang
terdampak.
18
180
1. Turunan DEM
a. Hillshade (dengan elevasi)
b. Contour (Sebelum dan sesudah smoothing)
c. Slope (slope awal, dikelaskan, dan setelah generalisasi)
d. ViewShed
e. Aspect
f. Curvature (Sebelum dan sesudah dikelaskan)
g. Volume (Cut and Fill)
h. 3D Visualization
2. Persiapan data raster untuk pemodelan tsunami
a. Data raster parameter pemodelan tsunami
b. Ekstraksi slope
c. Model builder untuk perhitungan Hloss
3. Perhitungan area terdampak tsunami.
V. PEMBAHASAN
1. Berikan deskripsi tiap hasil turunan DEM, serta contoh
pemanfaatannya (beri contoh tambahan yang sudah dijelaskan di
video)!
DEM atau Digital Elevation Model merupakan model permukaan
digital dengan referensi permukaan ellipsoid (Julzarika, 2010). Data DEM
yang diperoleeh dapat dibuat beberapa turunan seperti Hillshade, Contour,
Slope, Aspect, Curvature, Viewshed, Volume (cut and fill), dan dapat juga
dibuat 3D visualization. Hillshade merupakan metode yang menghasilkan
topografi peta yang akan memperjelas peta (Wibowo et al, 2019). Hillshade
tersebut dapat dimanfaatkan untuk mengetahui dengan lebih jelas topografi
suatu wilayah dan dapat juga untuk mengetahui secara lebih jelas batass-
batas daerah.
Menurut (Julzarika, 2010), contour merupakan metode yang
digunakan untuk merepresentasikan keadaan suatu wilayah dengan
181
menggunakan garis yang menunjukkan nilai akurasi ketinggian. Data kontur
ini dapat dimanfaatkan untuk mengetahui ketinggian dari suatu bentuk
topografi atau mengetahui keadaan alam dari wilayah yang ditampilkan
dalam data DEM. Turunan DEM berikutnya yaitu slope yang merupakan
metode untuk menunjukkan data kemiringan lereng pada permukaan bumi.
Hasil dari slope dapat dimanfaatkan dalam proses untuk membuat model
builder terkait dengan bencana longsor yang dapat diketahui melalui
kemiringan lereng.
Turunan DEM Aspect merupakan sel terhadap mata angin yaitu secara
relative dengan satuan derajat (Hargo, 2015). Data dari turunan DEM ini
dapat dimanfaatkan dalam analisis arah dari suatu titik. Turunan DEM
curvature merupakan turunan kedua dari suatu permukaan, atau slope of
slope. Curvature dapat dimanfaatkan dalam mengidentifikasi area yang
memiliki perubahan dan perbedaan kemiringan lereng serta arah hadap
lereng yang signifikan tinggi (Raharja, 2020). Turunan DEM viewshed
merupakan turunan DEM untuk analisis terhadap wilayah yang bisa
dijangkau maupun yang tidak bisa dijangkau berdasar suatu titik
pengamatan.
Turunan DEM cut and fill merupakan metode pengolahan untuk
analisis jumlah volume suatu wilayah kajian. Turunan DEM terakhir yaitu
3D Visualization atau penyajian data DEM dalam bentuk 3D. Pengolahan
ini dapat dilakukan dengan menggunakan ArcScene. Pengolahan 3D
visualization dari data DEM bermanfaat untuk menyajikan bentuk
permukaan bumi seperti nyata. 7
182
2. Apabila dalam 1 turunan DEM terdapat pengolahan lebih lanjut,
bandingkan kedua hasil tersebut, misalnya pada slope sebelum dan
setelah generalisasi (Majority Filter).
Pengolahan lanjutan terjadi pada turunan DEM metode contour dan
slope. Turunan DEM contour memerlukan proses smoothing dalam
menghasilkan data contour yang lebih halus. Pengolahan data DEM untuk
menghasilkan contour diawali dengan pembuatan kontur kemudian kontur
tersebut dilakukan proses smoothing untuk mendapat garis kontur yang
lebih halus. Selain itu, dalam proses ini garis kontur yang panjangnya
sedikit dieliminasi. Berikut merupakan perbandingan hasil kontur sebelum
dan sesudah smoothing.
Pembuatan turunan DEM dengan metode slope juga mempunyai

proses lanjutan setelah dibuatnya data slope. Proses lanjutannya merupakan
reclassify dan majority. Proses reclassify ini dilakukan untuk mendapatkan
kelas dari pembuatan data slope. Proses majority berguna dalam
memperhalus hasil data slope sehingga data yang terlihat kasar dapat
diperhalus dalam majority. Berikut merupakan perbandingannya.
183
6
3. Sebutkan tools yang digunakan dalam persiapan data untuk

modelling tsunami ini, serta jelaskan fungsi tools yang digunakan.
Susunlah dalam tabel.
NO Tools Fungsi
1 Feature to Raster Untuk melakukan konversi data shapefile

menjadi raster.
2 Hillshade Untuk mempresentasikan gambaran

ketinggian topografi.
3 Slope Untuk melakukan perhitungan kemiringan

suatu wilayah.
4 Times Untuk melakukan perkalian kedua

parameter.
5 Divide Untuk melakukan pembagian kedua

parameter.
184
6 Plus Untuk melakukan perkalian parameter.
7 Sin Untuk melakukan konversi nilai piksel ke

nilai sin.
8 Reclassify Untuk melakukan klasifikasi baru.
9 Cost Distance Untuk melakukan perhitungan jarak dari

nilai cost.
10 Raster calculator Untuk melakukan loperasi pada beberapa

parameter.
11 Clip Untuk memotong dan menggabungkan dua

data.
12 Merge Untuk melakukan penggabungan data.
13 Feature to point Untuk melakukan konversi data vector

(geometri poligon) ke data titik.
8
VI. KESIMPULAN 5
1. DEM atau Digital Elevation Model merupakan model permukaan

digital dengan referensi permukaan ellipsoid. Data DEM yang
diperoleh dapat dibuat beberapa turunan seperti Hillshade, Contour,
Slope, Aspect, Curvature, Viewshed, Volume (cut and fill), dan dapat
juga dibuat 3D visualization.
2. Pembuatan turunan DEM dapat dilakukan dengan menggunaan
berbagai tools pada ArcMap dan pada ArcToolbox. Setiap turunan
mempunyai tools masing-masing. Pembuatannya pun ada yang
mempunyai proses lanjutan seperti turunan contour dan slope.
3. Pembuatan data vector menjadi data raster dapat dilakukan dengan
tool feature to raster. Data input yang diperlukan adalah data vector
185
yang nantinya memliki output berupa data raster. Dapat juga
menggunakan metode hillshade dan slope dalam pengolahannya.
4. Pembuatan alur permodelan dengan menggunakan model builder
memerlukan beberapa tools dan beberapa input yang berisi nilai
untuk menghasilkan data output yang dapat merepresentasikan suatu
hasil prediksi.
5. Permodelan tsunami dapat dilakukan dengan menggunakan model
builder pada ArcGIS dan akan menghasilkan suatu prediksi
jangkauan tsunami yang dapat terjadi. Hasil tersebut dapat
memprediksikan pengguanaan lahan yang terkena tsunami dengan
menggunakan data penggunaan lahan dan dilihat count-nya.
VII. SARAN

Hargo, Aryasandah. (2015). Analisis Luas Daerah Potensi Genangan Air
ROB Akibat Kenaikan Muka Air Laut dengan Data Satelit Altimetri.
Tugas Akhir. Institut Sepuluh Nopember, Surabaya
Julzarika, A. (2010). Pemodelan 3D Pulau Batu Mandi menggunakan digital
elevation model (DEM) turunan digital surface model (DSM) shuttle
radar tophography mission (SRTM) 90 dengan interpolasi
cokriging. Jurnal Penginderaan Jauh dan Pengolahan Data Citra
Digital, 6.
Raharja, B., Setianto, A., & Titisari, A. D. (2020). Ekstraksi Informasi Dari
DEM SRTM Untuk Pemetaan Struktur Geologi Studi Kasus: Kokap,
Kulon Progo, Daerah Istimewa Yogyakarta.
Wibowo, T. W., Ambhika, N., & Pratama, A. P. (2019). Teknik
Geovisualisasi Untuk Percepatan Pemetaan Batas Desa di Daerah
Berbukit. Majalah Ilmiah Globe, 21(1), 35-44.
186
LAMPIRAN
1. Turunan DEM
a. Hillshade (dengan elevasi)
b. Contour (Sebelum dan sesudah smoothing)

Tumpang
Tindih
Sebelum
187
Sesudah
c. Slope (slope awal, dikelaskan, dan setelah generalisasi)

Awal
Reclassify
Majority
188
d. ViewShed
e. Aspect
189
f. Curvature (Sebelum dan sesudah dikelaskan)
Sebelum
Sesudah
g. Volume (Cut and Fill)
190
h. 3D Visualization
2. Persiapan data raster untuk pemodelan tsunami

a. Data raster parameter pemodelan tsunami
b. Ekstraksi slope
191
c. Model builder untuk perhitungan Hloss
- 4,2
- 10,4
3. Perhitungan area terdampak tsunami.
22
192
LAPORAN PRAKTIKUM
SIG MANIPULASI DATA
(SVIG213216)
ACARA VII
ANALISIS KEPADATAN (DENSITY ANALYSIS)
Dibuat oleh :
NIM : 20/464125/SV/18444
Kelompok : SMD B

SEKOLAH VOKASI
YOGYAKARTA
2021
193
I. TUJUAN
1. Menganalisis sebaran data menggunakan kernel density
2. Menganalisis sebaran data menggunakan point density
II. ALAT DAN BAHAN

dengan spesifikasi:
- AMD Ryzen 5
- RAM 8 GB
- SSD 512 GB
- Windows 11
referensi

1 Data shp titik bangunan Bahan untuk melakukan kegiatan
Kecamatan Ngaglik praktikum
2 Data shp titik Bahan untuk melakukan kegiatan
perdagangan dan jasa praktikum
Kecamatan Ngaglik
3 Data shp admin Bahan untuk melakukan kegiatan
Kecamatan Ngaglik praktikum
praktikum
194
III. LANGKAH KERJA

1. Diagram alir
ArcGIS 10.8 Data shp titik Data shp admin

bangunan serta Kecamatan
perjas Ngaglik Ngaglik
Input data titik dan admin Kecamatan Ngaglik
Analisis kernel density sesuai data dan radius
Analisis point density sesuai data dan radius
Analisis histogram dan nilai statistik masing-masing model
Layouting peta masing-masing model
1. Layout peta kernel density dan point density

2. Screen capture histogram data dan nilai statistik
(maks, min, mean) masing-masing model.
3. Tabel perbandingan nilai statistik data raster
seluruh model
Keterangan :
Input Proses Output
195
2. Langkah Kerja
A. Kernel Density
1. Melakukan add data titik dan admin Kecamatan Ngaglik.
2. Melakukan pencarian tool kernel density pada search.
196
3. Melakukan pengisian form kernel density sebagai berikut.
Masukkan input titik, mengatur penyimpanan, mengatur
output of cell sebagai berikut, dan mengatur radius yang
diinginkan. Atur environments sebagai berikut.
4. Melihat tampilan dari pembuatan kernel density.
197
5. Melakukan masking dengan cara mencari tool “extract by
mask” dan atur pengisian form sebagai berikut dan
tampilannya akan seperti gambar dibawah ini.
198
6. Melakukan simbolisasi untuk hasil dari masking kernel
density.
7. Melakukan langkah no 2-6 untuk kernel density radius

(100m, 500m, dan 1000m).
8. Melakukan langkah yang sama seperti langkah 1-7 untuk
pembuatan kernel density perdagangan dan jasa.
B. Point Density
1. Melakukan pencarian tool point density pada search.
199
2. Melakukan pengisian form point density sebagai berikut.
Masukkan input data titik yang diinginkan, mengatur
penyimpanan, mengatur output cell size, dan mengatur
radius yang diinginkan. Jangan lupa untuk mengatur
environments-nya seperti berikut.
3. Melihat hasil pembuatan point density.
200
4. Melakukan masking hasil point density dengan admin
Kecamatan Ngaglik seperti berikut ini.
5. Melakukan simbolisasi untuk hasil masking point density.
6. Melakukan langkah yang sama seperti no 1-5 untuk

pembuatan point density dengan radius 100m, 500m, dan
1000m.
7. Melakukan langkah yang sama seperti no 1-6 untuk
pembuatan point density perdagangan dan jasa.
201
C. Analisis Histogram
1. Membuka properties pada masing-masing model dan klik
histogram pada tab symbology.
2. Mengamati dan mencatat hasil dari histogram masing-

masing model.
202
3. Mengisikan data sesuai dengan histogram masing-masing
model pada tabel berikut.
4. Melakukan layouting masing-masing model.
203
2. Screen capture histogram data dan nilai statistik (maks, min, mean)
masing-masing model.
3. Tabel perbandingan nilai statistik data raster seluruh model
V. PEMBAHASAN
1. Jelaskan pengaruh search radius terhadap model yang dihasilkan! Pada
radius berapakah model dinilai “sesuai” dalam memetakan fenomena
yang ada?
Proses analisis density pada suatu wilayah memerlukan nilai radius
untuk mendapatkan suatu besaran yang diketahui dari beberapa
fenomena dan menyebarkannya ke seluruh bentang alam. Hal itu
berkaitan dengan besaran yang diukur pada setiap lokasi dan hubungan
spasial lokasi-lokasi besaran yang diukur. Setiap jenis analisis density
pasti ada proses pengisian search radius. Hal itu berkaitan dengan
penjelasan diatas, bahwa radius tersebut untuk mendapatkan besaran
dari suatu fenomena sehingga analisis tersebut akan menunjukkan
kepadatan pada wilayah kajian (ESRI, 2021). Besaran radius juga
berpengaruh, karena hal ini dapat untuk merepresentasikan kepadatan
dengan radius yang sesuai untuk analisis. Berikut merupakan gambar
perbedaan analisis density bangunan dengan radius 100 m dan 500 m.
Radius 100 m
204
Radius 500 m
Terlihat perbedaan yang muncul dikarenakan perbedaan pengisian
nilai besaran radius. Radius 100 m mampu untuk menganalisis bangunan
lebih mendetail, sedangkan radius 500 m dapat menganalisis daerah
yang memiliki kepadatan bangunan lebih banyak dan lebih sedikit.
Besaran radius tersebut dapat digunakan sebagai panduan jika seseorang
berada pada suatu daerah dan dia ingin melihat suatu kepadatan dengan
dia berdiri saat itu, maka dapat digunakan analisis density. Dalam
memetakan fenomena kepadatan bangunan serta perdagangan dan jasa
besaran nilai radius yang sesuai adalah 100 meter. Hal itu dikarenakan
dalam radius 100 m, dapat dianalisis secara mendetail terkait kepadatan
bangunan pada Kecamatan Ngaglik.
205
2. Jelaskan perbedaan hasil antara kernel density dan point density ditinjau
dari kehalusan gradasi nilai kepadatan yang dihasilkan, distribusi nilai
kepadatan dan nilai statistik model.
Kernel density merupakan pengelompokan data berdasarkan
kerapatan suatu fenomena berdasarkan radius tertentu (Nanda, 2019).
Point density merupakan metode untuk menghitung kepadatan fitur titik
di sekitar setiap sel raster, dan jumlah titik yang termasuk dalam
lingkungan dijumlahkan dan dibagi dengan luas lingkaran (ESRI, 2021).
Kehalusan gradasi nilai kepadatan yang dihasilkan antara kernel density
dan point density menunjukkan kernel density lebih halus untuk
gradasinya. Hal ini dikarenakan kernel density menghasilkan permukaan
melengkung yang halus dipasang setiap titik.
Distribusi nilai kepadatan dan nilai statistik dapat dilihat pada
histogram masing-masing model. Terdapat perbedaan antara kernel
density dan point density. Perbedaan tersebut berkaitan dengan metode
dan radius yang digunakan. Metode kernel density mempunyai nilai
yang lebih tinggi dibanding dengan point density. Hal ini dikarenakan
satu titik mewakili beberapa volume/pengamatan tertentu.
VI. KESIMPULAN
1. Kernel density merupakan pengelompokan data berdasarkan
kerapatan suatu fenomena berdasarkan radius tertentu. Nilai yang
dihasilkan metode ini menunjukkan nilai yang lebih besar
dikarenakan satu titik mewakili beberapa volume/pengamatan
tertentu.
2. Point density merupakan metode untuk menghitung kepadatan fitur
titik di sekitar setiap sel raster, dan jumlah titik yang termasuk dalam
lingkungan dijumlahkan dan dibagi dengan luas lingkaran. Metode
ini pada setiap titiknya mungkin memeiliki bobot, sehingga titik
dengan nilai “dua” akan dihitung dua kali.
206
VII. SARAN
VIII. DAFTAR PUSTAKA

ESRI. 2021. Differences between point, line, and kernel density. Diakses
tanggal 25 November 2021, dari
https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-
toolbox/differences-between-point-line-and-kernel-density.htm
ESRI. 2021. How Point Density works. Diakses tanggal 25 November 2021,
dari https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-
toolbox/how-point-density-works.htm
Nanda, C. A., Nugraha, A. L., & Firdaus, H. S. (2019). ANALISIS
TINGKAT DAERAH RAWAN KRIMINALITAS
MENGGUNAKAN METODE KERNEL DENSITY DI WILAYAH
HUKUM POLRESTABES KOTA SEMARANG. Jurnal Geodesi
Undip, 8(4), 50-58.
207
LAMPIRAN

a. Kernel density bangunan radius 100 m
b. Kernel density bangunan radius 500 m
208
c. Kernel density bangunan radius 1000 m
d. Kernel density perdagangan dan jasa radius 100 m
209
e. Kernel density perdagangan dan jasa radius 500 m
f. Kernel density perdagangan dan jasa radius 1000 m
210
g. Point density bangunan radius 100 m
h. Point density bangunan radius 500 m
211
i. Point density bangunan radius 1000 m
j. Point density perdagangan dan jasa radius 100 m
212
k. Point density perdagangan dan jasa radius 500 m
l. Point density perdagangan dan jasa radius 1000 m
213
2. Screen capture histogram data dan nilai statistik (maks, min, mean)
masing-masing model.
a. Kernel density bangunan
214
b. Kernel density Perjas
215
c. Point density Bangunan
216
d. Point density Perjas
217
3. Tabel perbandingan nilai statistik data raster seluruh model
a. Kernel Density
No Data Raster maks min mean Std.
deviation
1 KD_Bangunan_100m 11752,02 0 1180,94 1274,96
2 KD_Bangunan_500m 4346,14 0 1086,01 675,91
3 KD_Bangunan_1000m 2192,10 11,81 996,17 471,08
4 KD_Perjas_100m 1673,84 0 22,65 94,42
5 KD_Perjas_500m 244,95 0 21,21 34,12
6 KD_Perjas_1000m 107,89 0 19,24 19,97
b. Point density
No Data Raster maks min mean Std.
deviation
1 PD_Bangunan_100m 10536,06 0 1168,53 1140,70
2 PD_Bangunan_500m 2948,82 0 1039,42 556,09
3 PD_Bangunan_1000m 1864,34 69,39 929,72 402,70
4 PD_Perjas_100m 1018,59 0 22,59 77
5 PD_Perjas_500m 157,88 0 20,25 26,47
6 PD_Perjas_1000m 61,43 0 17,67 14,01
Note : KD = kernel density

PD = point density
218
BAB IV
KESIMPULAN DAN SARAN
4.1 Kesimpulan
4.1.1 Umum
1. SIG Manipulasi Data merupakan pengetahuan dan
pengaplikasian terkait dengan pengolahan data spasial.
Pengaplikasian SIG Manipulasi Data untuk pengolahan data
spasial, sebagai contoh untuk Generalisasi, Proximity
Analysis, Analisis Overlay, Analisis Klastering dan Jangkauan
Pelayanan, Analisis Interpolasi untuk Model Elevasi Digital,
Analisis dan Pemodelan SIG Berbasis Raster, Analisis
Kepadatan (Density Analysis), dan masih banyak lagi.
Pengaplikasian tersebut mampu untuk memberikan manfaat
dalam pertimbangan permasalahan yang dihadapi terkait
dengan keruangan. Seperti dikutip dari suatu pernyataan
“Modern problem need modern solution”. Itulah suatu
pernyataan yang menguatkan bahwa perlunya SIG Manipulasi
Data untuk memecahkan permasalahan pada zaman yang
sudah modern ini.
4.1.2 Khusus
4.1.2.1 Acara 1
1. Analisis simplify dapat menggunakan dua metode yaitu
dengan metode point remove dan bend simplify.
Analisis smooth dapat menggunakan du acara juga
yaitu dengan metode PAEK dan Bezier interpolation.
Analisis Aggregate merupakan analisis untuk gabungan
dari beberapa objek individu yang disederhanakan.
2. Analisis simplify yaitu dengan metode point remove
lebih cepat dalam eksekusi, tetapi hasilnya kurang
halus. Data yang menggunakan bend simplify lebih
lambat eksekusinya, tetapi hasilnya menyerupai dengan
219
fitur aslinya. Analisis smooth dengan metode PAEK
dapat menghaluskan garis berdasarkan dari smoothing
tolerance yang diberikan. Menggunakan Bezier
interpolation dapat menghaluskan garis/poligon dengan
membuat garis lengkung yang menyerupai fitur asli.
Analisis Aggregate berguna dalam proses perubahan
skala peta dari besar ke yang lebih kecil.
4.1.2.2 Acara 2
1. Pembuatan analisis buffer berupa single dan multiple
dapat dilakukan melalui ArcGIS. Pembuatannya
menggunakan tools yang ada pada ArcToolbox. Proses
pembuatannya harus sesuai dengan regulasi yang sudah
ada.
2. Penerapan/pemanfaatan analisis buffer (single dan
multiple) ada banyak sekali. Contoh pemanfaatan data
yang sudah di-buffer adalah analisis data untuk
menunjukkan jarak terdekat dari fitur, analisis data
untuk melakukan pengembangan lebih lanjut terhadap
proyek yang akan dan sudah terlaksana, Melakukan
analisis kerawanan suatu di suatu wilayah, dan masih
banyak lagi.
4.1.2.3 Acara 3
1. Pembuatan analisis overlay dari data vektor dilakukan
dengan menggabungkan dua atau lebih peta untuk
mendapat koefisien yang memudahkan dalam
menampilkan dan menganalisis data. Pembuatan
dilakukan dengan menggabungkan data melalui tool
intersect pada ArcMap. Data vektor sebelumnya sudah
diberi pembobotan (scoring) berdasarkan
klasifikasinya. Setelah digabungkan skor tersebut
digabung untuk mendapat skor total (koefisien total).
220
Skor total tersebutlah yang dapat digunakan untuk
analisis overlay.
2. Penerapan analisis overlay dapat digunakan untuk
mengetahui kerawanan limpahan permukaan suatu
daerah. Pembuatan kajian tersebut memerlukan data
vektor berupa topografi, infiltrasi tanah, tutupan
vegetasi, dan simpanan permukaan. Masing-masing
data diberi pembobotan dengan metode cook dan
setelah itu dilakukan penggabungan untuk mendapat
skor total. Skor total tersebut dibagi dalam beberapa
kelas yaitu (0-25, rendah; 26-50, sedang; 51-75,
tinggi; 76-100, ekstrem). Kelas tersebut untuk
memudahkan dalam mengetahui tingkat kerawanan
suatu daerah berdasar dari skor total yang didapat.
4.1.2.4 Acara 4
1. Penganalisisan pengelompokan data (klastering) dan
jangkauan pelayanan data spasial titik melalui teselasi
dan poligon thiessen dilakukan dengan perangkat lunak
ArcMap. Penganalisisan tersebut digunakan untuk
melakukan analisis dan riset suatu daerah terhadap
cakupan lokasi fasilitas pelayanan dan sebaran
kepadatan bangunan.
4.1.2.5 Acara 5
1. Menyusun model elevasi digital (DEM) menggunakan
analisis interpolasi dapat menggunakan metode IDW,
spline, natural neighbor, dan topo to raster. Proses
penyusunannya sama, tetapi hasil yang dihasilkan
berbeda.
2. Akurasi model elevasi digital (DEM) yang memiliki
akurasi terbaik pada praktikum ini ditunjukkan dengan
221
metode spline, sedangkan metode yang mempunyai
akurasi lebih rendah adalah metode IDW.
4.1.2.6 Acara 6
4.1.2.6.1 Pengenalan data DEM dan turunannya
1. DEM atau Digital Elevation Model
merupakan model permukaan digital dengan
referensi permukaan ellipsoid. Data DEM
yang diperoleh dapat dibuat beberapa turunan
seperti Hillshade, Contour, Slope, Aspect,
Curvature, Viewshed, Volume (cut and fill),
dan dapat juga dibuat 3D visualization.
2. Pembuatan turunan DEM dapat dilakukan
dengan menggunaan berbagai tools pada
ArcMap dan pada ArcToolbox. Setiap
turunan mempunyai tools masing-masing.
Pembuatannya pun ada yang mempunyai
proses lanjutan seperti turunan contour dan
slope.
4.1.2.6.2 Persiapan data raster untuk pemodelan
tsunami
1. Pembuatan data vector menjadi data raster
dapat dilakukan dengan tool feature to raster.
Data input yang diperlukan adalah data
vector yang nantinya memliki output berupa
data raster. Dapat juga menggunakan metode
hillshade dan slope dalam pengolahannya.
2. Pembuatan alur permodelan dengan
menggunakan model builder memerlukan
beberapa tools dan beberapa input yang
berisi nilai untuk menghasilkan data output
222
yang dapat merepresentasikan suatu hasil
prediksi.
4.1.2.6.3 Pemodelan tsunami
1. Permodelan tsunami dapat dilakukan dengan
menggunakan model builder pada ArcGIS
dan akan menghasilkan suatu prediksi
jangkauan tsunami yang dapat terjadi. Hasil
tersebut dapat memprediksikan pengguanaan
lahan yang terkena tsunami dengan
menggunakan data penggunaan lahan dan
dilihat count-nya.
4.1.2.7 Acara 7
1. Kernel density merupakan pengelompokan data
berdasarkan kerapatan suatu fenomena berdasarkan
radius tertentu. Nilai yang dihasilkan metode ini
menunjukkan nilai yang lebih besar dikarenakan satu
titik mewakili beberapa volume/pengamatan tertentu.
2. Point density merupakan metode untuk menghitung
kepadatan fitur titik di sekitar setiap sel raster, dan
jumlah titik yang termasuk dalam lingkungan
dijumlahkan dan dibagi dengan luas lingkaran. Metode
ini pada setiap titiknya mungkin memeiliki bobot,
sehingga titik dengan nilai “dua” akan dihitung dua
kali.
223
4.2 Saran
Pelaksanaan praktikum SIG Manipulasi Data selama satu semester telah
berakhir dan berjalan dengan lancar. Namun selama praktikum tersebut
tentu ada saran yang nantinya dapat dipertimbangkan untuk praktikum
SIG Manipulasi Data angkatan berikutnya. Berikut beberapa saran yang
dapat dipertimbangkan :
1. Pelaksanaan praktikum masih ada yang belum sesuai dengan jadwal,
sebaiknya untuk penjadwalan ulang dapat didiskusikan dengan
mahasiswa dan jangan bertepatan dengan agenda lain.
2. Hasil praktikum sebaiknya diberikan contoh agar praktikan mengerti
akan hasil yang akan dibuat dan seperti apa contoh hasil yang baik itu.
3. Pemberian nilai sebaiknya diberikan kepada praktikan seminggu
setelah praktikan selesai mengerjakan laporan agar praktikan juga
dapat mengerti kesalahan apa saja yang dapat diperbaiki.
224
DAFTAR PUSTAKA
Bakosurtanal. 2005. SPR-72 Spesifikasi Generalisasi Data Rupabumi. Bogor :

Cibinong
Dede, M., Sewu, R. S. B., Yutika, M., & Ramadhan, F. (2018). Analisis potensi
perekonomian sektor pertanian, kehutanan, dan perikanan serta
pertambangan dan penggalian di Pantura Jawa Barat.
ESRI. 2021. Differences between point, line, and kernel density. Diakses tanggal
3 Desember 2021, dari
https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-
toolbox/differences-between-point-line-and-kernel-density.htm
ESRI. 2021. Polygon Thiessen. Diakses tanggal 3 Desember 2021, dari
https://support.esri.com/en/other-resources/gis-dictionary/term/edebba87-
b3f8-4af8-a07e-1548d1082802
Gafuri, R., Ridwan, I., & Nurlina, N. (2016). Analisis Limpasan Permukaan
(Runoff) Pada Sub-Sub Das Riam Kiwa Menggunakan Metode
Cook. Jurnal Fisika Flux: Jurnal Ilmiah Fisika FMIPA Universitas
Lambung Mangkurat, 13(1), 89-100.
Gold, C. 2016. Tesselation in GIS: Part I-putting it all together. Geo-Spatial
Information Science, 19(1), 9-25.
Hadi, B. S. (2013). Metode Interpolasi Spasial Dalam Studi Geografi (Ulasan
Singkat dan Contoh Aplikasinya). Geomedia: Majalah Ilmiah dan Informasi
Kegeografian, 11(2).
Hisanah, N., Subiyanto, S., & Nugraha Arief Laila. (2015). Kajian Teknis
Penerapan Generalisasi Peta Rupabumi Indonesia (RBI) dari Skala 1:50.000
Menjadi Skala 1:250.000. Jurnal Geodesi Undip, 248-256.
Husein, R. (2006). Konsep Dasar Sistem Informasi Geografis (Geographics
Information System). Retrieved from IlmuKomputer.com:
http://www.ilmukomputer.com
Kraak, Menno-Jan dan Ferjan Ormeling. 1996. Cartography Visualization of
Spatial Data. Pearson Education. Edinburgh
Mona, N. (2020). Konsep isolasi dalam jaringan sosial untuk meminimalisasi efek
contagious (kasus penyebaran virus corona di Indonesia). Jurnal Sosial
Humaniora Terapan, 2(2).
Nanda, C. A., Nugraha, A. L., & Firdaus, H. S. (2019). Analisis Tingkat Daerah
Rawan Kriminalitas Menggunakan Metode Kernel Density Di Wilayah
Hukum Polrestabes Kota Semarang. Jurnal Geodesi Undip, 8(4), 50-58.
Sobatnu, F. (2014). Permodelan elevasi digital pada lahan rawa. Intekna, 14(2),
102-109.
Pratiwi, D., & Fitri, A. (2021). Analisis Potensial Penjalaran Gelombang Tsunami
di Pesisir Barat Lampung, Indonesia. Jurnal Teknik Sipil, 8(1), 29-37.
225
Wardhani, D. P. (2021). Penentuan Jalur Alternatif Menghindari Daerah Rawan
Longsor Menggunakan Sistem Informasi Geografis (Studi Kasus:
Kabupaten Pesisir Selatan, Sumatera Barat) (Doctoral dissertation, Institut
Teknologi Sepuluh Nopember).
Wibowo, T. W., Ambhika, N., & Pratama, A. P. (2019). Teknik Geovisualisasi
Untuk Percepatan Pemetaan Batas Desa di Daerah Berbukit. Majalah Ilmiah
Globe, 21(1), 35-44.
Winoto, S., Fadlil, A., & Umar, R. (2020). Penerapan Haversine Formula Pada
Penerimaan Peserta Didik Baru Jalur Zonasi. Jurnal Media Informatika
Budidarma, 4(1), 103-109.
226

SPATIAL DATA MANIPULATION CHAPTER

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

SPATIAL DATA MANIPULATION CHAPTER

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB I

1.1 Latar Belakang

2.2 Proximity Analysis

2.3 Analisis Overlay

2.5 Analisis Interpolasi untuk Model Elevasi Digital

2.6 Analisis dan Pemodelan SIG Berbasis Raster

2.7 Analisis Kepadatan (Density Analysis)

PROGRAM STUDI SARJANA TERAPAN SISTEM INFORMASI

II. ALAT DAN BAHAN

No Nama Bahan Keterangan

ArcGIS 10.6 ArcTool Data shapefile Kota

Cari data shapefile kabupaten/kota di InaGeoPortal

Add data shapefile sungai, jalan, dan pemukiman ke ArcGIS

Olah data sungai dan jalan di simplify line dengan metode

Olah data pemukiman di Aggregate Polygons

Olah data sungai dan jalan di simplify line dengan metode

Olah data pemukiman di Simplify Polygon dengan metode

Olah data pemukiman di Simplify Polygon dengan metode

Olah data jalan dan sungai di smooth line. Jalan metode

Olah data pemukiman di Smooth Polygon dengan PAEK

Keterangan : Input Proses Output

2. Memilih wilayah yang akan di unduh shapefile-nya (Kota

3. Membuka ArcGIS 10.6 dan menambahkan data shapefile

5. Mengatur generalisasi sungai dengan Simplify Line dengan

6. Menganalisis hasil generalisasi jaringan sungai.

8. Menganalisis hasil generalisasi jaringan jalan.

9. Melakukan generalisasi untuk area pemukiman dengan buka

11. Menganalisis hasil generalisasi area pemukiman.

12. Melakukan generalisasi sungai dengan menggunakan Simplify

14. Melakukan generalisasi dengan cara sama untuk jaringan jalan.

15. Menganalisis hasil generalisasi jaringan jalan.

17. Menganalisis hasil generalisasi area pemukiman.

18. Melakukan generalisasi area pemukiman dengan Simplify

20. Melakukan generalisasi jalan dengan Smooth Line dengan

21. Menganalisis hasil generalisasi jaringan jalan.

23. Menganalisis hasil generalisasi jaringan sungai.

24. Melakukan generalisasi area pemukiman dengan Smooth

IV. HASIL PRAKTIKUM 18

2. Jelaskan masing-masing generalisasi yang diterapkan pada data dan

3. Jelaskan aplikasi/pemanfaatan dari salah satu jenis generalisasi. 5

VIII. DAFTAR PUSTAKA 5

Kraak, Menno-Jan dan Ferjan Ormeling. 1996. Cartography Visualization of

Smith, JM., and Smith, DP.1977. Database Abstractions:

1. Screencapture perbandingan data input dan simplify menggunakan point

2. Screencapture perbandingan data input dan simplify menggunakan bend

3. Screencapture perbandingan data input dan simplify menggunakan point

5. Screencapture perbandingan data input dan smooth menggunakan PAEK

6. Screencapture perbandingan data input dan aggregate pada salah satu

ACARA II pretest: 64 -5 (telat<15 mnt)

PROGRAM STUDI SARJANA TERAPAN SISTEM INFORMASI

II. ALAT DAN BAHAN

No Nama Bahan Keterangan

ArcMap 10.6 ArcToolbox Data shapefile

Tambahkan data shapefile berupa titik, garis, poligon

Lakukan buffer pada ketiga data

Lakukan multiple buffer pada data titik dan garis

Layouting data yang sudah di multiple buffer

1) SS hasil single buffer pada fitur poin

4) Peta multiple buffer pada fitur fasilitas

5) Peta multiple buffer pada fitur sungai

2. Membuka ArcToolbox dan cari analysis tools → proximity →

3. Masukkan data titik yang akan dilakukan buffer contohnya titik

5. Memastikan hasil dari dilakukannya buffer pada data titik