LAPORAN PRAKTIKUM STATISTIKA SPASIAL

ACARA II

SPATIAL DATA EXPLORATORY & POINT DATA PLOTTING/ SCATTER PLOT

Dosen Pengampu:

Ike Sari Astuti, S.P, M. Nat. Res.St., Ph. D

Oleh:

Kelompok 11

Nama : Amin Kresnajaya (190722638045)

: Fatimatuzahroh (190722638017)

: M. Idham Akmalani (190722638008)

Offering/Tahun : G / 2019

Asisten Praktikum : Imam Abdul Gani Alfarizi

JURUSAN GEOGRAFI

FAKULTAS ILMU SOSIAL

UNIVERSITAS NEGERI MALANG

2021
I. TUJUAN
1. Mahasiswa dapat melakukan pengujian data Spatial Data Exploratory
2. Mahasiswa dapat melakukan pengujian nilai normalitas menggunakan Metode
Kolmogorov-Smirnov dan Metode Shapiro-Francia
3. Mahasiswa dapat menampilkan data plotting/scatter plotting

II. DASAR TEORI

R merupakan suatu sistem analisis data statistik yang komplet sebagai hasil dari
kolaborasi penelitian berbagai ahli statistik (statistisi) di seluruh dunia. R adalah sebuah
program komputasi statistika dan grafis (R Core Team 2020). Versi awal dari R dibuat pada
tahun 1992 di Universitas Auckland, New Zealand oleh Ross Ihaka dan Robert Gentleman.
Pada saat ini, source code kernel R dikembangkan terutama oleh R Core Team yang
beranggotakan 17 orang statistisi dari berbagai penjuru dunia. Selain itu, para statistisi lain
pengguna R di seluruh dunia juga memberikan kontribusi berupa kode, melaporkan bug,
dan membuat dokumentasi untuk R. Paket statistik R bersifat multiplatforms, dengan file
instalasi binary/file tar tersedia untuk sistem operasi Windows, Mac OS, Mac OS X, Linux,
Free BSD, NetBSD, irix, Solaris, AIX, dan HPUX.

Statistika spasial adalah metode statistika yang digunakan untuk menganalisis data
spasial. Data spasial adalah data yang memuat informasi lokasi. Data-data spasial dapat
berupa informasi mengenai lokasi geografi seperti letak garis lintang dan garis bujur dari
masing-masing wilayah dan perbatasan antar daerah. Dalam bentuk yang lain, data spasial
dinyatakan dalam bentuk grid koordinat seperti dalam sajian peta ataupun dalam bentuk
pixel seperti dalam bentuk citra satelit. Dengan demikian pendekatan analisis statistika
spasial biasa disajikan dalam bentuk peta tematik.

Spatial Data Exploratory atau eksporasi data spasial merupakan ekspansi dari analisis
data eksplorasi karena secara eksplisit berfokus pada data geografis. Teknik analisis ini
berbasis Sistem Informasi Geografis (SIG) yang semakin populer yang memungkinkan
pengguna untuk mendeskripsikan dan memvisualisasikan distribusi spasial,
mengidentifikasi lokasi yang bervariasi/tidak sama, menemukan pola asosiasi spasial,
kluster, dan heterogenitas spasial. Eksplorasi data spasial dapat dilakukan untuk
menentukan nilai data maksimal, minimal, rata-rata, median, dan menampilkannya dalam
bentuk grafik. Eksplorasi data spasial bergantung pada kapasitas “data mining” yang sangat
berguna ketika tidak ada kerangka teoritis sebelumnya, seperti yang sering terjadi pada
bidang ilmu sosial yang multidisiplin. Data mining adalah analisa terhadap data untuk
menemukan hubungan yang jelas serta menyimpulkannya yang belum diketahui
sebelumnya dengan cara terkini dipahami dan berguna bagi pemilik data tersebut (Widodo,
2013). Analisis eksplorasi data spasial menyarankan berbagai macam metode grafis yang
mengeksplorasi properti set data tanpa perlu membangun model data secara formal.

Ada dua macam statistik yaitu statistik deskriptif dan statistik inferensial. Baik
statistik dekriptif maupun statistik inferensial, keduanya tidak seluruhnya dapat dipisahkan
satu dengan yang lain. Statistika deskriptif merupakan kumpulan kegiatan yang mencakup
tentang pengumpulan data, pengolahan, dan penyajian data dalam bentuk yang baik
(Syamsudin, 2002). Uji normalitas merupakan analisis uji untuk mengukur apakah data
yang digunakan terdistribusi secara normal sehingga dapat dipakai dalam statistika
parametrik atau statisik infernsial. Terdapat banyak metode untuk melakukan uji normalitas
dengan hasil analisis yang berbeda beda sehingga perlu dipilih disesuaikan dengan data
yang akan dianalisis. Pengujian normalitas data dapat dilakukan dengan beberapa metode
seperti: Anderson-Darling test, Kolmogorov-Smirnovtest, Pearson Chi-Square test, Cramer-
von Mises test, Shapiro-Wilktest, Fisher’s cumulate test (Wahjudi, 2007). Selain itu,
mengemukakan bahwa ada dua pengujian normalitas yang digunakan untuk pendekatan
statistik parametrik yaitu uji Lilliefors dan uji Chi-Kuadrat (Matondang, 2012).

Perintah plot (Scatter Plot) digunakan untuk menampilkan plot dari suatu data. Data
package R, perintah plot ini dapat membuat plot/grafik yang bersesuaian dengan tipe dari
data. R menyediakan pilihan diagram pencar (Scatterplot) pada menu grafik untuk membuat
tampilan diagram pencar dari suatu data. Perintah plot (x,y) dapat digunakan untuk
membuat diagram pencar dari data x dan y. Diagram pencar bertujuan untuk mengetahui
hubungan antara variabel yang digambarkan dalam suatu plot(titik) pada suatu grafik.
Diagram pencar juga dapat digunakan untuk melihat trend jumlah suatu data lebih besar di
variabel mana.
 Scatterplot

III. ALAT & BAHAN

1. Alat:
a. Laptop
b. Software R
2. Bahan:
a. SHP DAS Gunting
b. Data curah hujan rata-rata
c. Citra Landsat 8
d. Script analisis data

IV. LANGKAH KERJA

A. Spatial Data Explarotary

1. Menginstal paket sebagai pendukung dalam pengolahan data. Setelah itu, melakukan
pemanggilan terhadap paket yang telah terinstal.

2. Membuka data Shapefile ke R

3. Melakukan uji normalitas dengan metode Kolmogorov-Smirnov dan metode Shapiro-

Francia

4. Menampilkan statistika deskriptif dengan command summary dan sd

 5. Menampilkan sebaran data dengan menggunakan boxplot, lalu menemukan dan
membuang data yang melebihi nilai deviasi.

B. Point Data Plotting/Scatter Plot

1. Menginstal paket sebagai pendukung dalam pengolahan data. Setelah itu, melakukan
pemanggilan terhadap paket yang telah terinstal.

2. Menambahkan memory.limit

3. Mengkonversi data DN menjadi TOA Reflectance, setelah itu melakukan values from
metafile

4. Mengalkulasi LST to kelvin, setelah itu konversi LST kelvin menjadi celcius. Lalu
masking nilai di bawah 0 menjadi NA
 5. Mengubah nama data menjadi LST_Gunting, lalu menampilkan data LST. Setelah itu,
eksport data menjadi file ekstensi .tif

6. Import data DEM dan SHP, setelah itu melakukan stack DEM dan LST

7. Mengkonversi raster data to datafarame, setelah itu mengubah nama kolom

8. Menghapus data dengan NA value, setelah itu subset row 1 sampai 500

9. Melakukan scatter plot one variable dan two variable

10. Eksport data csv st_sub.csv

 11. Melakukan pixelwise correlation metode spearman, setelah itu kalkulasi correaltion dan
p-value. Setelah itu eksport data p-value.tif

12. Menampilkan histogram

V. HASIL PRAKTIKUM
1. Boxplot rerata hujan DAS Gunting (terlampir).
2. Boxplot rerata hujan DAS Gunting find outlier (terlampir).
3. Boxplot rerata hujan DAS Gunting setelah dibuang data yang melebihi nilai deviasi
(terlampir).
4. TOA Reflectance DAS Gunting (terlampir).
5. Land Surface Temperature Celcius DAS Gunting (terlampir).
6. Land Surface Temperature Celcius DAS Gunting rentang 15-30 derajat celcius
(terlampir).
7. Land Surface Temperature Celcius DAS Gunting rentang 0-30 derajat celcius
(terlampir).
8. Stack DEM_gunting dan LST_gunting (terlampir).
9. One Variabel Plotting dengan x=Sequence dan y=Elevation (terlampir).
10. Two Variabel Plotting dengan x= Elevation dan y=LST (terlampir).
11. Two Variabel Plotting metode loess (terlampir).
12. Two Variabel Plotting metode lm (terlampir).
13. Two Variabel Plotting metode lm dengan fill merah (terlampir).
14. Spearman Coefficient Correlation DAS Gunting (terlampir).
15. Spearman Coefficient Correlation and p-value DAS Gunting (terlampir).
16. Histogram spearman Coefficient Correlation and p-value DAS Gunting (terlampir).
VI. PEMBAHASAN

Eksplorasi data spasial merupakan salah satu teknik yang digunakan untuk memahami
data sebelum dilakukannya pemrosesan data. Pemahaman terhadap data sebelum
dilakukannya pemrosesan data penting sebelum analisis data dilakukan. Eksplorasi data
spasial dilakukan dengan menentukan nilai data maksimal, minimal, rata-rata, median, dan
menampilkannya dalam bentuk boxplot. Data yang digunakan untuk eksplorasi data spasial
merupakan data plot hujan yang telah diolah pada praktikum pertama. Dalam melakukan
data eksplorasi pada software RStudio dibutuhkan paket nortest, dplyr, dan rgdal. Data
hujan yang dipakai dalam eksplorasi data berjumlah 27 data hujan dengan rata-rata hujan
juga berjumlah 27 data. Rata-rata hujan tertinggi adalah 21,032258 dan rata-rata hujan
terendah adalah 5,548387. Eksplorasi data spasial juga dilakukan dengan melakukan uji
normalitas data, uji normalitas dilakukan untuk melakukan penilaian terhadap sebaran data
pada sebuah populasi, uji ini dilakukan untuk mengetahui data tersebar secara normal atau
tidak. Data dikatakan terdistribusi secara normal jika nilai p-value lebih besar dari 0,05 dan
data dikatakan tidak terdistribusi secara normal jika nilai p-value kurang dari 0,05.

Uji normalitas data plot hujan dilakukan dengan menggunakan metode kolmogrov-
Smirnov dan Shapiro francia, uji normalitas dengan metode ini menggunakan fungsi dari
paket nortest. Uji normalitas Kolmogrov-Smirnof dilakukan dengan membandingkan
distribusi data yang diuji normalitasnya dengan distribusi normal baku. Distribusi normal
baku merupakan data yang telah ditransformasikan ke dalam bentuk z-score dan
diasumsikan normal. Saphiro francia merupakan uji normalitas pada sebuah data populasi
yang didasarkan atas data sampel. Uji normalitas Shapiro francia diperkenalkan oleh SS
Saphiro dan RS Francia pada tahun 1972. Meode Shapiro francia merupakan
penyderhanaan dari uji saphiro-wilk. Hasil uji normalitas data plot hujan dengan
menggunakan metode kolmogrov-Smirnov menghasilkan p-value 0,976 dan termasuk
dalam sebaran data normal. Untuk uji normalitas data plot hujan menggunakan metode
saphiro francia menghasilkan p-value 0,9603 dan merupakan data yang terdistribusi normal.
Nilai data minimal adalah 5,548, nilai kuartil satu 11,032, median 12,968, mean 13,110,
kuartil tiga memiliki nilai 15,323, dan nilai maksimal data adalah 21,032. Nilai standar
deviasi pada data plot hujan adalah 3,443273.

Data plot hujan digambarkan dalam bentuk boxplot, bentuk boxplot ini merupakan
cara menampilkan data dalam statistik dengan menggambarkan dengan grafik suatu data
numeric dengan menggunakan lima ukuran, yaitu nilai minimal, kuartil satu, median, kuartil
tiga, dan nilai maksimal. Data plot hujan digambarkan secara grafik dengan judul Boxplot
Rerata Hujan DAS Gunting. Boxplot juga digunakan untuk mengetahui posisi data yang
melebihi standar deviasi. Nilai minimal data adalah 5, kuartil satu 11, median 13, kuartil
tiga 15, dan nilai maksimal data adalah 21. Untuk data plot hujan tidak ditemukan posisi
data yang melebihi standar deviasi. Jika dalam data ditemukan posisi data yang di luar batas
standar deviasi maka dapat dihilangkan dengan menambah kata FALSE dalam script yang
ditulis pada software RStudio.

Plotting data merupakan cara untuk merepresentasikan kumpulan data dalam bentuk
grafik, grafik ini menunjukkan hubungan antara dua variabel atau lebih. Paket dalam
software RStudio yang dibutuhkan untuk plotting data diantaranya ggplot2, raster, sp, dan
rgdal. Plotting data yang pertama dilakukan adalah melakukan convert digital number ke
Top Of Atmosphere Reflectance. Convert data ini dilakukan pada band 11. Band 11
memiliki nilai radiasi baik yang multiband maupun add band, radiasi dari multiband 11
adalah 3,3420E-04 sedangkan add band 11 memiliki radiasi 0,10000. Radiasi multiband 11
dan radiasi add band 11 dikalkulasi sehingga menghasilkan toa band 11. Toa band 11 ini
termasuk kelas layer raster, resolusi 30 meter, dan memiliki nilai minimal 7.624179 serta
nilai maksimal 8,983036. Band 11 memiliki k1 konstan dan k2 konstan, nilai dari k1
konstan adalah 480,883 sedangkan nilai dari k2 konstan adalah 1201,1442. Pada band 11
dilakukan kalkulasi LST ke dalam suhu kelvin, kalkulasi ini menghasilkan temp11 kelvin
dengan nilai minimal 288,7345 serta nilai maksimalnya adalah 300,3766. LST kelvin dapat
diubah menjadi celcius dengan menggunakan fungsi (x-273,15). LST celcius memiliki nilai
minimal 15,58454 dan nilai maksimal 27,22661. Dari nilai suhu LST celcius ini dapat
diketahui bahwa suhu di DAS Gunting paling rendah adalah 15 derajat dan paling tinggi
adalah 27 derajat. Suhu paling rendah ditandai dengan warna putih kemerahan sedangkan
suhu paling tinggi ditandai dengan warna hijau. Suhu celcius terkadang memiliki nilai di
bawah 0, oleh karena itu dilakukan masking agar nilai yang dibawah nol dijadikan NA atau
dihilangkan.

Masking dilakukan juga pada band 11 dengan DAS Gunting, masking ini
menghasilkan data shp Batas DAS Gunting. Perubahan nama dilakukan pada LST celcius
untuk menjadikan data suhu pada wilayah DAS Gunting, nama LST celcius menjadi LST
Gunting. Dilakukan plot suhu celcius dengan nilai suhu yang ditampilkan pada plot yaitu
15, 20, 25, dan 30. Dalam 4 angka pemisahan suhu ini memberikan 3 warna yang berbeda
pada grafik, warna hijau mewakili suhu rendah, kuning mewakili suhu sedang, dan merah
muda mewakili suhu tinggi. Data LST Gunting dapat dieksport ke dalam data bentuk tif
dengan melakukan writeraster. Sebelum melakukan stack pada data DEM dan LST maka
data batas DAS Gunting dan DEM Gunting harus diimport terlebih dahulu. Stack data DEM
dan LST dilakukan untuk menggabungkan data LST ke dalam DEM Gunting. Untuk
menampilkan scatter plot maka data harus berbentuk tabular sehingga data raster diubah
menjadi data frame dengan menggunakan perintah as.data.frame. Nama pada kolom st_da
dirubah menjadi DEM dan LST untuk memperjelas informasi yang ingin disampaikan yaitu
elevasi dan suhu. Data yang telah dirubah nama kolomnya akan memunculkan data NA
sehingga perlu dihilangkan dengan perintah complete.cases. Data DEM dan LST yang
ditampilkan hanya 500 poin untuk mempercepat proses running data.

Untuk membuat scatter plot single variable, langkah pertama yang perlu dilakukan
adalah mendefinisikan formula terlebih dahulu menggunakan command ggplot, kemudian
memasukkan dataframe yg digunakan (st_sub). Kode aes selanjutnya digunakan untuk
memasukkan formula dimana x merupakan seq (sequence / urutan) data dem, dan y
merupakan nilai DEM . Untuk menampilkan plot, panggil kembali nama file formula
kemudian + geom_point(). Jika ingin menambahkan keterangan label x dan y bisa
menggunakan kode labs kemudian masukkan keterangan untuk sumbu x dan y. Pada scatter
plot tunggal dilakukan perbandingan antara urutan data dengan elevasi. Pada elevasi 37,5
memiliki urutan data ke 60 hingga 175 dan urutan 260. Elevasi 40 memiliki urutan data 10
hingga 50, 90, 190, 210, 240, 260-270, 290-300, 340, 360, 400, 440, dan 475.Elevasi dari
40 hingga 42,5 memiliki urutan data dari 10 hingga 480. Elevasi 42,5 hingga 45 memiliki
urutan data dari 1 hingga 500, dan elevasi 45 ke atas memiliki urutan data dari 1 hingga
490. Data terbanyak terdapat pada elevasi 40 hingga 42,5.

Untuk membuat scatter plot dua variabel langkah yang perlu dilakukan sama dengan
cara diatas, hanya perlu mengubah sumbu x menjadi DEM dan y menjadi LST. Untuk
menampilkan trend line menggunakan kode geom_smooth kemudian masukkan kode
method. Terdapat beberapa metode fitting yg tersedia antara lain loess, lm, glm, dan gam.
Untuk menampilkan atau menghilangkan confindence interval pada trend line digunakan
kode se = TRUE atau FALSE. Metode yang dipakai dalam scatter plot dua variabel pada
DEM Gunting adalah metode loess. Metode loess merupakan salah satu metode regresi
yang digunakan untuk memperhalus kurva pada scatter plot. Scatter plot dua variabel
membandingkan antara elevasi dan LST, elevasi merupakan sumbu x dan LST merupakan
sumbu y. Tingkat kepercayaan pada kurva dapat dihilangkan dengan menggunakan kode
TRUE atau FALSE. Kurva yang ditunjukkan pada scatter plot merupakan nilai rata-rata
suhu pada suatu elevasi. Pada elevasi 40 mdpl suhunya mulai dari 18 derajat celcius hingga
23,5 derajat celcius. Pada elevasi 40 mdpl hingga 42,5 mdpl suhunya mulai dari 21,1 derajat
celcius hingga 24,3 derajat celcius. Elevasi 42,5 mdpl hingga 45 mdpl menunjukkan suhu
22,1 derajat celcius hingga 24,5 derajat celcius, dan pada elevasi 45 mdpl ke atas
menunjukkan suhu dari 22,9 derajat celcius hingga 24,8 derajat celcius. Pada metode loess
menunjukkan bahwa elavasi yang semakin tingga diiringi dengan rata-rata LST yang juga
semakin tinggi. Scatter plot dua variabel tanpa menggunakan nilai kepercayaan yang
dilakukan pada DEM Gunting menunjukkan kurva yang semakin meningkat, hal ini
menunjukkan bahwa LST di DEM Gunting mengalami peningkatan seiring dengan
peningkatan elevasi. Kurva pada scatter plot dapat diatur warnanya dengan menambahkan
kata colours. Scatter plot pada DEM Gunting juga dapat menampilkan kurva yang disertai
dengan selaput atau banyangan di sekitar garis kurva, selaput atau bayangan ini dapat
dimunculkan dengan menambah kata alpha pada script.

Pixelwise correlation bertujuan untuk mengukur hubungan antar dua variabel yang
berbeda pada level grid atau pixel. Hubungan antar dua variabel diukur melalui koefisien
korelasi (r) yang memiliki rentangan nilai -1 sampai 1. Semakin mendekati nilai -1 atau 1
maka hubungan antar dua variabel semakin tinggi, sementara jika mendekati nilai 0 maka
hubungan semakin tidak ada. Untuk mengukur hubungan antar dua variabel raster dapat
menggunakan command corLocal kemudian memasukkan variabel x dan y, dalam kasus ini
variabel x menggunakan dem dan y menggunakan lst. Metode estimasi koefisien korelasi
yang tersedia antara lain pearson, spearman, dan kendall. Untuk mendapatkan nilai p-value
sekaligus hanya perlu menambahkan kode test = TRUE. Untuk melihat distribusi koefisien
baik r maupun p-value dapat di visualisasikan dengan histogram. Perlu dicatat bahwa dalam
melakukan uji korelasi level pixel alangkah baiknya menggunakan data time series sehingga
hasilnya akan lebih realistis. Metode yang dipakai untuk pixelwise correlation di dua
variabel yaitu DEM Gunting dan LST adalah metode spearman. Dalam korelasi spearman
dengan x adalah variabel dem dan y variabel LST menunjukkan bahwa dua variabel
menunjukkan korelasi yang baik pada suhu yang paling tinggi ditandai dengan warna merah
muda dan pada suhu yang paling rendah ditandai dengan warna hijau. P-value pada korelasi
person menunjukkan nilai 0 hingga 1, nilai 0 menunjukkan suhu paling tinggi dan nilai 1
menunjukkan suhu paling rendah. Korelasi pearson menunjukkan frekuensi 0 hingga 15.000
 dan p-value menunjukkan frekuensi 0 hingga 100.000. Dalam korelasi pearson suhu paling
tinggi dan paling rendah menunjukkan frekuensi yang mendekati 0 dan 1, sedangkan pada
p-value 0 hingga 1 menunjukkan frekuensi dari yang paling tinggi ke yang terendah.

VII. KESIMPULAN
1. Eksplorasi data spasial dilakukan pada data hujan dengan rata-rata hujan tertinggi 21
dan terendah 5.
2. Uji normalitas data plot hujan dilakukan dengan menggunakan metode kolmogrov-
Smirnov dan Shapiro francia. Data plot hujan menunjukkan sebaran normal dari dua
pengujian normalitas menggunakan metode kolmogrov-Smirnov dan Shapiro francia.
3. Pada data plot hujan tidak ditemukan posisi data yang melebihi nilai standar deviasi,
nilai standar deviasi plot hujan adalah 3,443273.
4. Toa band 11 memiliki nilai minimal 7.624179 serta nilai maksimal 8,983036.
5. Kalkulasi Band 11 menghasilkan data LST kelvin dan LST celcius. LST kelvin
memiliki nilai minimal 288,7345 serta nilai maksimalnya adalah 300,3766, sedangkan
LST celcius memiliki nilai minimal 15,58454 dan nilai maksimal 27,22661.
6. Data DEM dan LST yang ditampilkan hanya 500 poin untuk mempercepat proses
running data.
7. Pada scatter plot tunggal dilakukan perbandingan antara urutan data dengan elevasi,
data terbanyak terdapat pada elevasi 40 hingga 42,5.
8. metode loess menunjukkan bahwa elavasi yang semakin tingga diiringi dengan rata-rata
LST yang juga semakin tinggi.
9. Dua variabel menunjukkan korelasi yang baik pada suhu yang paling tinggi ditandai
dengan warna merah muda dan pada suhu yang paling rendah ditandai dengan warna
hijau. P-value pada korelasi person menunjukkan nilai 0 hingga 1, nilai 0 menunjukkan
suhu paling tinggi dan nilai 1 menunjukkan suhu paling rendah.
VIII. DAFTAR RUJUKAN

Bookdown. (2020, 13 Juli). Pengantar Pemrograman R dan RStudio. Diakses pada Minggu
15 November 2020, dari https://bookdown.org/aepstk/intror/intro.html
Gio, Prana U. & Effendi, Adhitya R. 2017. Belajar Bahasa Pemrograman R (Dilengkapi
Cara Membuat Aplikasi Olah Data Sederhana dengan R Shiny). Medan: USU
Press
Oktaviani, M. A., & Notobroto, H. B. (2014). Perbandingan tingkat konsistensi normalitas
distribusi metode kolmogorov-smirnov, lilliefors, shapiro-wilk, dan skewness-
kurtosis. Jurnal Biometrika dan Kependudukan, 3(2), 127-135.
Suhartono. 2008. ANALISIS DATA STATISTIK DENGAN R. Surabaya: Lab. Statistik
Komputasi, ITS
Widhiarso, W. (2017). Uji normalitas
IX. LAMPIRAN

1. Boxplot rerata hujan DAS Gunting

2. Boxplot rerata hujan DAS Gunting find outlier

3. Boxplot rerata hujan DAS Gunting setelah dibuang data yang melebihi nilai deviasi

4. TOA Reflectance DAS Gunting

5. Land Surface Temperature Celcius DAS Gunting

6. Land Surface Temperature Celcius DAS Gunting rentang 15-30 derajat celcius

7. Land Surface Temperature Celcius DAS Gunting rentang 0-30 derajat celcius

8. Stack DEM_gunting dan LST_gunting

9. One Variabel Plotting dengan x=Sequence dan y=Elevation

10. Two Variabel Plotting dengan x= Elevation dan y=LST

11. Two Variabel Plotting metode loess

12. Two Variabel Plotting metode lm

13. Two Variabel Plotting metode lm dengan fill merah

14. Spearman Coefficient Correlation DAS Gunting

15. Spearman Coefficient Correlation and p-value DAS Gunting

16. Histogram spearman Coefficient Correlation and p-value DAS Gunting

17. Data raster LST_Gunting.tif

18. Data raster p-value.tif