LAPORAN VI

PRAKTIKUM STATISTIKA SPASIAL

“PENENTUAN KLUSTER (CLUSTERING)”
Tanggal Penyerahan : 15 Desember 2018

Disusun Oleh : Efrila Aji Ratnawati (23-2015-059)

Dosen : Dr. Dewi Kania Sari, Ir., M.T.

Asisten Dosen : 1. Arifian Kusuma Hapsari 23-2017-082

2. Pachira Eizza Paramitha 23-2017-086

LABORATORIUM SISTEM INFORMASI SPASIAL

JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2018
 Laporan Praktikum Statistika Spasial

DAFTAR ISI

DAFTAR ISI ....................................................................................................... i

PENDAHULUAN .............................................................................................. 1
1.1. Maksud dan Tujuan ............................................................................... 1
1.2. Waktu Pelaksanaan Praktikum ............................................................... 1
DASAR TEORI .................................................................................................. 2
2.1. Mapping Cluster .................................................................................... 2
2.1.1 Cluster and Outlier Analysis ........................................................... 2
2.1.2 Hotspot Analysis (Getis – Ord Gi*) ................................................ 3
PELAKSANAAN PRAKTIKUM...................................................................... 4
3.1. Langkah Praktikum ................................................................................ 4
3.1.1 Cluster and Outlier Analysis ........................................................... 5
3.1.2 Hot Spot Analysis (Getis – Ord Gi*) ............................................... 7
3.1.3 HTML Popup ................................................................................. 9
HASIL DAN ANALISIS .................................................................................. 11
4.1. Cluster and Outlier Analysis ................................................................ 11
4.2. Hot Spot Analysis (Getis – Ord Gi*) .................................................... 12
KESIMPULAN ................................................................................................ 13
5.1. Kesimpulan.......................................................................................... 13
DAFTAR PUSTAKA

Efrila Aji Ratnawati /232015059 i

 Laporan Praktikum Statistika Spasial

BAB I
PENDAHULUAN

1.1. Maksud dan Tujuan

Maksut dan tujuan dilakukannya praktikum Pengukuran Distribusi Geografis
ini adalah:

1. Agar mahasiswa mampu mengetahui pola pengelompokkan data dengan

menggunakan dua cara yaitu metode Cluster and Outlier Analysis dan
metode Hot Spot Analysis (Getis – Ord Gi*).
2. Mencari penentuan klaster (Clustering) dan mengetahui bagaimana cara
pelaksanaannya untuk penentuan klaster (Clustering)

1.2. Waktu Pelaksanaan Praktikum

Pelaksanaan praktikum ini dilakukan pada waktu dan tempat sebagai berikut:
Hari, Tanggal : Kamis, 6 Desember 2018
Jam : 11.00 – 13.00 WIB
Tempat : Ruang 18306, Itenas

Efrila Aji Ratnawati /232015059 1

 Laporan Praktikum Statistika Spasial

BAB II
DASAR TEORI

2.1. Mapping Cluster

Toolset mapping cluster melakukan analisis klaster untuk mengidentifikasi
lokasi hot spot yang signifikan secara statistik, titik-titik dingin, pencilan spasial,
dan fitur-fitur serupa. Toolset mapping cluster sangat berguna ketika tindakan
diperlukan berdasarkan lokasi satu atau lebih kluster. Contohnya adalah penugasan
petugas polisi tambahan untuk menangani sekelompok perampokan. Penentuan
lokasi klaster spasial juga penting ketika mencari penyebab potensial
pengelompokan; di mana wabah penyakit sering dapat memberikan petunjuk
tentang apa yang mungkin menyebabkannya (Esri, An overview of the Mapping
Clusters toolset, 2018).

2.1.1 Cluster and Outlier Analysis

Anselin (1995) menyarankan lokal Moran 's I indeks asosiasi spasial untuk
mengidentifikasi kelompok lokal dan outlier spasial yang dapat dihitung sebagai
berikut (Anselin, 1995):

dimana x i adalah atribut untuk fitur i; X adalah mean dari atribut yang sesuai,
dan ω i , j adalah berat spasial antara fitur i dan j . Nilai-nilai positif untuk Anselin
Moran lokal 's indeks saya menunjukkan bahwa fitur memiliki fitur tetangga dengan
nilai atribut yang sama tinggi atau rendah; suasana ini adalah bagian dari sebuah
kelompok. Nilai negatif untuk indeks ini, di sisi lain, menunjukkan nilai yang tidak
sama dari fitur yang berdekatan, yang dianggap sebagai outlier. Dalam kedua kasus,
nilai p untuk acara harus cukup kecil ( p <0,05) untuk cluster atau outlier dianggap
signifikan secara statistik.

Efrila Aji Ratnawati /232015059 2

 Laporan Praktikum Statistika Spasial

2.1.2 Hotspot Analysis (Getis – Ord Gi*)

The Getis - Ord Statistik Gi* (Ord dan Getis 1995; Getis dan Ord 1992;
Mitchell 2005) mengidentifikasi secara statistik signifikan hot spot dan cold spots
dalam konteks fitur tetangga dan dihitung sebagai berikut (Mitchelle, 2005):

dimana x j adalah nilai atribut untuk fitur, j , dan ω i , j adalah berat spasial antara
fitur i dan j untuk n fitur. Gi * menggunakan lingkungan berdasarkan fitur yang
berdekatan atau pada jarak tertentu dan mengembalikan skor Z. Untuk skor Z positif
yang signifikan secara statistik , semakin besar skor Z , semakin tinggi
pengelompokan nilai tinggi (yaitu, titik panas). Untuk skor Z negatif yang
signifikan secara statistik , semakin kecil skor Z , semakin kuat pengelompokan
nilai rendah (yaitu, titik dingin). Nilai Gi * mendekati nol menunjukkan tidak
adanya pengelompokan nilai tinggi atau rendah di sekitar fitur target. Ini terjadi
ketika nilai sekitarnya mendekati mean, atau ketika fitur target dikelilingi oleh
campuran nilai tinggi dan rendah.

Efrila Aji Ratnawati /232015059 3

 Laporan Praktikum Statistika Spasial

BAB III
PELAKSANAAN PRAKTIKUM

3.1. Langkah Praktikum

Langkah – langkah praktikum Clustering akan dijelakan beserta contoh
gambarnya sebagai berikut:
1. Buka software ArcGIS kemudian masukkan data Desa Tanggamus
dengan cara klik icon “Add Data…” seperti pada gambar di bawah.

2. Setelah muncul tempat penyimpanan data Desa Tanggamus, klik pada

data tersebut kemudian pilih “Add”. Contoh dapat dilihat pada gambar
di bawah.

3. Jika berhasil maka akan muncul tampilan seperti pada tampilan gambar
di bawah. Yaitu tampilan poligon Desa Tanggamus.

Efrila Aji Ratnawati /232015059 4

 Laporan Praktikum Statistika Spasial

3.1.1 Cluster and Outlier Analysis

Berikut adalah langkah-langkah untuk melakukan clustering metode Cluster
and OutlierAnalysis:
1. Lakukan proses clustering dengan cara klik menu ArcToolbox kemudian
pilih Spatial Statistic Tools  Mapping Clusters  Cluster and Outlier
Anlysis. Isikan Input Feature Class dengan “Desa Tanggmus”, pilih
tempat penyimpanan hasil output pada Output Feature Class kemudian
isi Conseptualization of Spatial Relationship dengan
“INVERSE_DISTANCE” dan Distance Method dengan
“EUCLIDIAN_DISTANCE” seperti pada gambar di bawah.

2. Jika berhasil maka akan muncul seperti gambar di bawah.

3. Untuk melihat hasil dari identifikasi yang sudah dilakukan dengan cara
klik menu Geoprocessing  Result seperti gambar pertama pada
halaman selanjutnya.

Efrila Aji Ratnawati /232015059 5

 Laporan Praktikum Statistika Spasial

4. Hasil dari identifikasi akan menjadi atribut, hasil tersebut dapat dibuka
dengan cara klik kanan pada layer hasil output kemudian pilih Open
Attribute Table seperti pada gambar di bawah.

5. Tampilan tabel atribut seperti gambar di bawah.

Efrila Aji Ratnawati /232015059 6

 Laporan Praktikum Statistika Spasial

3.1.2 Hot Spot Analysis (Getis – Ord Gi*)

Berikut adalah langkah-langkah untuk melakukan clustering metode Hot Spot
Analysis (Getis – Ord Gi*):
1. Lakukan proses clustering dengan cara klik menu ArcToolbox kemudian
pilih Spatial Statistic Tools  Mapping Clusters  Hot Spot Analysis
(Getis – Ord Gi*). Isikan Input Feature Class dengan “Desa Tanggmus”,
pilih tempat penyimpanan hasil output pada Output Feature Class
kemudian isi Conseptualization of Spatial Relationship dengan
“FIXED_DISTANCE_BAND” dan Distance Method dengan
“EUCLIDIAN_DISTANCE” seperti pada gambar di bawah.

2. Jika berhasil maka akan muncul seperti gambar di bawah.

6. Untuk melihat hasil dari identifikasi yang sudah dilakukan dengan cara
klik menu Geoprocessing  Result seperti gambar pertama pada
halaman selanjutnya.

Efrila Aji Ratnawati /232015059 7

 Laporan Praktikum Statistika Spasial

7. Hasil dari identifikasi akan menjadi atribut, hasil tersebut dapat dibuka
dengan cara klik kanan pada layer hasil output kemudian pilih Open
Attribute Table seperti pada gambar di bawah.

8. Tampilan tabel atribut seperti gambar di bawah.

Efrila Aji Ratnawati /232015059 8

 Laporan Praktikum Statistika Spasial

3.1.3 HTML Popup

Untuk melihat informasi hasil peng-cluster-an yang sudah dilakukan, dapat
menggunakan icon HTML Popup, berikut caranya:
1. Hidukan layer hasil peng-cluster-an Cluster and Outlier Analysis
kemudian klik icon HTML Popup seperti gambar dibawah.

2. Klik muka peta yang diinginkan seperti gambar di bawah.

3. Hidukan layer hasil peng-cluster-an Hot Spot Analysis (Getis – Ord Gi*)
kemudian klik icon HTML Popup seperti gambar dibawah.

Efrila Aji Ratnawati /232015059 9

 Laporan Praktikum Statistika Spasial

4. Klik muka peta yang diinginkan seperti gambar di bawah.

Efrila Aji Ratnawati /232015059 10

 Laporan Praktikum Statistika Spasial

BAB IV
HASIL DAN ANALISIS

4.1. Cluster and Outlier Analysis

Cluster and Outlier Analysis mengidentifikasi titik panas yang signifikan
secara statistik, titik dingin, dan pencilan spasial menggunakan statistik Anselin
Local Moran. Tools ini menciptakan fitur kelas output baru dengan atribut berikut
untuk setiap fitur dalam fitur kelas input: Indeks Moran lokal I, skor-z, pseudo p-
value, dan jenis kluster / pengali ( COType ). Skor-z dan nilai-p adalah ukuran
signifikansi statistik yang memberi tahu apakah hipotesis nol ditolak atau tidak.
Akibatnya, mereka menunjukkan apakah kesamaan yang tampak (pengelompokan
spasial baik nilai tinggi atau rendah) atau ketidaksamaan (pencilan spasial) lebih
jelas daripada yang diharapkan dalam distribusi acak. Nilai-p dan skor-z dalam fitur
kelas output tidak mencerminkan koreksi FDR (False Discovery Rate). Skor z
positif yang tinggi untuk fitur menunjukkan bahwa fitur-fitur di sekitarnya memiliki
nilai yang sama (baik nilai tinggi atau nilai rendah). Bidang COType di fitur kelas
output akan menjadi HH untuk kelompok nilai-nilai tinggi yang signifikan secara
statistik dan LL untuk kelompok nilai-nilai rendah yang secara statistik signifikan.
Skor z negatif rendah (misalnya, kurang dari -3,96) untuk fitur menunjukkan
pencilan data spasial yang signifikan secara statistik. Bidang COType di fitur kelas
output akan menunjukkan jika fitur memiliki nilai tinggi dan dikelilingi oleh fitur
dengan nilai rendah (HL) atau jika fitur memiliki nilai rendah dan dikelilingi oleh
fitur dengan nilai tinggi (LH) (Esri, Cluster and Outlier Analysis (Anselin Local
Moran's I), 2018).

Efrila Aji Ratnawati /232015059 11

 Laporan Praktikum Statistika Spasial

4.2. Hot Spot Analysis (Getis – Ord Gi*)

Hot Spot Analysis (Getis – Ord Gi*) mengidentifikasi klaster spasial yang
signifikan secara statistik dari nilai tinggi (titik panas) dan nilai rendah (titik
dingin). Ini menciptakan fitur kelas output baru dengan z-skor, p-nilai, dan tingkat
kepercayaan bin ( Gi_Bin ) untuk setiap fitur di fitur kelas input. Skor-z dan nilai-
p adalah ukuran signifikansi statistik yang memberi tahu apakah hipotesis nol
ditolak atau tidak. Akibatnya, mereka menunjukkan apakah pengelompokan spasial
yang diamati dari nilai tinggi atau rendah lebih jelas daripada yang diekspektasikan
dalam distribusi acak dari nilai-nilai yang sama. Bidang z-score dan p-value tidak
mencerminkan koreksi FDR (False Discovery Rate) apa pun. Skor z yang tinggi
dan nilai p kecil untuk suatu fitur menunjukkan pengelompokan spasial dari nilai-
nilai tinggi. Skor z negatif rendah dan nilai p kecil menunjukkan pengelompokan
spasial dengan nilai rendah. Semakin tinggi (atau lebih rendah) skor-z, semakin
kuat pengelompokan. Skor-z mendekati nol menunjukkan tidak ada
pengelompokan spasial yang jelas (Esri, Hot Spot Analysis (Getis-Ord Gi*), 2018).

Efrila Aji Ratnawati /232015059 12

 Laporan Praktikum Statistika Spasial

BAB V
KESIMPULAN

5.1. Kesimpulan
Kesimpulan dari praktikum ini adalah dapat ditentukan suatu kluster tempat
dengan beberapa metode, yaitu metode Cluster and Outlier Analysis dan Hot Spot
Analysis (Getis – Ord Gi*). Semakin tinggi nilai z-score (+) maka nilai hot spot
yang tinggi akan semakin mengklaster, sebaliknya semakin rendah nilai z-score (-)
maka nilai clod spot yang rendah akan semakin mengklaster.

5.2. Saran
-

Efrila Aji Ratnawati /232015059 13

 Laporan Praktikum Statistika Spasial

DAFTAR PUSTAKA

Anselin, L. (1995). Local indicators of spatial association. LISA Geogr.

Esri. (2018, Desember 17). An overview of the Mapping Clusters toolset. Retrieved
from ArcGIS Pro: http://pro.arcgis.com/en/pro-app/tool-reference/spatial-
statistics/an-overview-of-the-mapping-clusters-toolset.htm
Esri. (2018, Desember 17). Cluster and Outlier Analysis (Anselin Local Moran's I).
Retrieved from ArcGIS Pro: http://pro.arcgis.com/en/pro-app/tool-
reference/spatial-statistics/cluster-and-outlier-analysis-anselin-local-
moran-s.htm
Esri. (2018, Desember 17). Hot Spot Analysis (Getis-Ord Gi*). Retrieved from
ArcGIS Pro: http://pro.arcgis.com/en/pro-app/tool-reference/spatial-
statistics/hot-spot-analysis.htm
Mitchelle, A. (2005). The ESRI guide to GIS analysis, spatial measure-ments and
statistics. Redlands, CA: ESRI.

Efrila Aji Ratnawati /232015059