JOURNAL DARISPATIALSAYAINFORMASISILMU

Nomor 26 (2023), hlm. 79–98 doi:10.5311/JOSIS.2023.26.254 RPENELITIANARTIKEL

Memetakan luasan objek spasial

yang tidak pasti dari sampel titik
menggunakan bentuk alfa fuzzy
Thomas R.Etherington
Landcare Research, Selandia Baru

Diterima: 8 September 2022; dikembalikan: 21 November 2022; direvisi: 4 Desember 2022; diterima: 11 Desember 2022.

Abstrak:
Pemetaan luas objek spasial dari sampel titik merupakan proses mendasar dalam analisis
geografis. Metode geometri komputasi umum digunakan, dan salah satu metode yang telah
diusulkan adalah bentuk alfa karena tidak peka terhadap bias dan kesalahan yang umum
terjadi pada data geografis crowdsourced dan data geografis besar secara umum. Namun,
banyak objek spasial yang sifatnya tidak pasti, dengan batas yang tidak jelas yang tidak
terwakili dengan baik oleh penggunaan bentuk alfa diskrit saat ini. Bentuk alfa fuzzy disajikan
sebagai metodologi yang sangat umum dan dapat diadaptasi yang dapat menghasilkan peta
objek spasial yang mengenali sifat tidak jelas dan tidak pasti dari banyak geografi.
Serangkaian percobaan geografi virtual menunjukkan bahwa bentuk alfa fuzzy menghindari
kebutuhan ambang biner, membuat model yang lebih baik mewakili batas-batas yang tidak
pasti dari beberapa objek spasial, sementara juga mempertahankan kekokohan terhadap
kesalahan dan bias yang memotivasi penggunaan awal alfa- bentuk untuk memetakan objek
spasial.

Kata kunci:bias, biogeografi, distribusi, entitas, kesalahan, geografis, geometri, jangkauan,

wilayah, spesies

1. Perkenalan
Pemetaan luas objek spasial yang mewakili pola geografis, wilayah, atau distribusi merupakan
komponen sentral dari studi geografi [38]. Misalnya, ahli biogeog memiliki sejarah panjang
dalam menggunakan sampel titik data lokasi spesies untuk menggambarkan objek spasial
yang mewakili rentang geografis (atau distribusi) suatu spesies [48]. Lokasi dan objek spasial
yang diberikan adalah konsep informasi spasial transdisipliner inti [33]

c oleh penulis Berlisensi di bawah Lisensi Creative Commons Attribution 3.0CC

80DANTHERINGTON

menganalisis data titik untuk menghasilkan objek areal merupakan proses mendasar dalam
analisis geografis [44]. Oleh karena itu, sementara makalah ini akan terus berfokus pada
contoh-contoh biogeografis, ini adalah masalah geografis umum yang relevan dengan studi
banyak geografi. Sebagai contoh, jika kita mempertimbangkan ruang Euclidean dua
dimensiR2, kita mungkin ingin menentukan subsetS ⊂R2ditentukan oleh suatu
himpunanP={P1, P2, P3, . . . , PN}poin diR2. Salah satu kerangka kerja untuk mencapai hal ini
adalah melalui teknik geometri komputasi yang telah diadopsi secara luas dalam perangkat
lunak sistem informasi geografis (SIG), contoh sederhananya adalah menghitung convex hull
(atau minimum convex polygon) dariP[10]. Wilayah ruang di dalam lambung cembung akan
membentuk objek spasial yang dipetakan (Gambar 1a). Namun, lambung cembung akan
menjadi model objek geografis yang tidak sesuai seperti jangkauan spesies karena bentuk
lambung cembung tidak memungkinkan untuk bentuk terputus-putus atau cekung yang akan
terjadi karena pulau, teluk, dan semenanjung [48].
Teknik geometri komputasi yang lebih kompleks yang disebut bentuk alfa adalah metode
lain untuk menggambarkan luas suatu wilayah ruangS ⊂R2didefinisikan olehP[13]. Bentuk alfa
telah diusulkan sebagai peningkatan pada lambung cembung untuk memetakan rentang
spesies dari serangkaian titik [5], dan bentuk alfa juga telah digunakan di area geografis
lainnya [9]. Bentuk alfa terkait erat dengan triangulasi Delaunay [10, 11], dan salah satu cara
untuk mendefinisikan bentuk alfa (membingungkan ada definisi alternatif) adalah menganggap
bentuk alfa sebagai gabungan dari subhimpunan simplis yang dibentuk oleh triangulasi
Delaunay [14]. Setiap simpleks (atau segitiga) dari triangulasi Delaunay memiliki lingkaran
luar terkait yang memiliki pusat lingkaran dan jari-jari lingkaran (Gambar 1b). Dengan
menentukan sebuahAnilai, himpunan bagian dari segitiga triangulasi Delaunay dibentuk
dengan mempertahankan hanya segitiga triangulasi Delaunay yang radius kelilingnya≤ a.
Subhimpunan dari simplis triangulasi Delaunay ini disebut kompleks-alfa, dan gabungan
kompleks-alfa mendefinisikan bentuk-alfa. KapanA=∞kompleks alfa setara dengan triangulasi
Delaunay dan bentuk alfa yang dihasilkan setara dengan lambung cembung (Gambar 1c).
Kemudian sebagaiAdikurangi bentuk alfa menjadi lebih kecil (Gambar 1d) dan lebih kecil
(Gambar 1e) berpotensi mencapai bentuk kompleks yang tidak bersebelahan [14].
Manfaat analitik utama dari bentuk alfa untuk memetakan jangkauan spesies adalah
ketidakpekaan terhadap bias dan kesalahan [5]. Kesalahan terkait dengan akurasi spasial dan
tematik dari titik data individual. Misalnya, kesalahan terjadi jika suatu titik untuk objek spasial
direkam di lokasi yang salah, atau jika suatu titik berada di lokasi yang benar tetapi untuk
objek spasial yang salah. Bias berkaitan dengan seberapa baik sampel titik mewakili
keseluruhan objek spasial, dan pengambilan sampel ideal yang bebas dari bias sering kali
mengikuti desain acak atau sistematis. Namun, pengambilan sampel yang bias terjadi ketika
beberapa bagian ruang diambil sampelnya lebih intensif daripada yang lain. Bias adalah
masalah khusus untuk data besar tidak terstruktur yang tidak memiliki desain pengambilan
sampel, karena meskipun data bebas dari kesalahan, bias dapat menyebabkan kesimpulan
yang salah. Oleh karena itu, ketidakpekaan bentuk alfa terhadap bias dan kesalahan [5]
merupakan manfaat yang sangat menarik karena data riwayat alam yang diandalkan untuk
pemetaan rentang spesies diketahui mengandung kesalahan [43, 60] dan bias yang signifikan
[27, 40]. Tapi sekali lagi, sementara berfokus di sini pada contoh biogeografis, masalah bias
dan kesalahan ini bersifat transdisipliner dan akan relevan untuk data geografis crowdsourced
[3] atau data geografis besar secara lebih umum [23].
Tantangan analitik utama untuk bentuk alfa adalah menentukan sebuahAnilai. Penerapan
bentuk alfa sebelumnya, termasuk penerapan geografis, telah melibatkan upaya yang benar,
atau setidaknya optimal,Anilai [4, 5, 9, 21, 24]. Namun, penggunaan tunggalAnilai mungkin
tidak selalu sesuai untuk aplikasi geografis karena jangkauan objek spasial mungkin tidak
memiliki batas tegas [33] yang dihasilkan dari penggunaan satuAnilai

www.josis.org
FALPHA UZZY-BENTUK81

● ● ●
100(A) ● ● ●

● ● α=∞
● ●
80 (B) (C) ●
●
60 40 20 0 ●
●
●
●
●
●
●● ●
●
●
●
●
●
● ● ● ●●
● ●
● ● ●

100 80 ●
●
α = 30 ●
●
Lambung cembung
● ●
Simpleks triangulasi
60 ● ● Delaunay
(D) ●
● ●
α = 20
(Dia) ●
●
Poin

40 20 0 ● ● ●
●
●
● Simplex circumcircle Simplex
●
● ● circumcentre Alpha−complex
●
●
● simplex Alpha−shape

0 20 40 60 80 100 0 20 40 60 80 100

Gambar 1: Contoh konstruksi alfa-kompleks dalam konteks konsep geometri komputasi

terkait. (a) Mengingat sekumpulan titik, lambung cembung dapat menentukan wilayah ruang
yang membungkus titik-titik tersebut. (b) Titik-titik yang sama dapat digunakan untuk
membangun segitiga Delaunay yang setiap simpleks (atau segitiga) memiliki lingkaran luar
dan pusat lingkaran yang terkait. Dengan menentukan (c)A=∞, (D)A= 30, dan (e)A= 20,
berbagai kompleks alfa dapat dihasilkan yang hanya mempertahankan kesederhanaan
dengan jari-jari keliling≤ adan ketika digabungkan kompleks-alfa ini menghasilkan bentuk-alfa.

dan yang menghasilkan klasifikasi ruang biner baik di dalam maupun di luar bentuk-alfa
(Gambar 1). Banyak geografi yang tidak jelas dan untuk geografi yang tidak jelas ini batas-
batas objek spasial tidak pasti [18].
Bagi para biogeografer tentu saja kasus bahwa kisaran suatu spesies merupakan konsep
yang kabur dengan batas-batas yang tidak pasti. MacArthur [36] mencatat bahwa “Meskipun
kami telah menyajikan diskusi tentang batas-batas distribusi [rentang] spesies seolah-olah
batas-batas ini tetap tidak dapat diubah . . . batas-batas ini bisa sangat renggang” dan Gaston
[22] “ituitutepi rentang geografis tidak ada” yang keduanya mengenali ketidakjelasan rentang
spesies sebagai objek spasial.
Deskripsi objek spasial dengan batas-batas yang tidak pasti ini dapat lebih baik diwakili
oleh himpunan fuzzy yang memiliki fungsi keanggotaanMdigunakan untuk menentukan
keanggotaan set untuk satu set kondisiXsebagai kemungkinan mulai dari nol sampai satu
[59]. Seperti teori himpunan tegas klasik, kapanM(X) = 1 makaXada di set, kapanM(X) = 0
makaXtidak di set, tapi

JOSIS, Nomor 26 (2023), hlm. 79–98

82DANTHERINGTON

ketika 0<m(X)<1 kemudianXmemiliki sebagian keanggotaan himpunan untuk mengenali

ketidakpastian keanggotaan himpunan.
Penggunaan himpunan fuzzy dalam geometri [54] dan geografi [18, 52] telah dianjurkan
untuk beberapa waktu. Makalah ini menunjukkan bagaimana bentuk-alfa dan himpunan fuzzy
 dapat diintegrasikan dalam metodologi yang sangat umum dan dapat diadaptasi yang dapat
memetakan jangkauan objek spasial dari sampel titik yang mengenali sifat samar dan tidak
pasti dari banyak geografi.

2 Kompleks alfa kabur

Kegunaan himpunan fuzzy untuk merepresentasikan ketidakpastian di sekitar objek geometri
telah diperkenalkan beberapa waktu lalu [54], dan bahkan telah diterapkan pada alfa-hull [37]
yang terkait dengan bentuk alfa [13]. Dalam konteks bentuk alfa konsep keanggotaan
himpunan fuzzy dapat diterapkan dengan mudah menggunakan fungsi keanggotaanM(R)
untuk radius kelilingRdari setiap simpleks dalam kompleks alfa untuk membuat kompleks alfa
fuzzy di mana simpleks dapat memiliki keanggotaan parsial fuzzy.
Aplikasi geografis himpunan fuzzy telah menggunakan berbagai macam fungsi
keanggotaan fuzzy dan pilihannya harus ditentukan oleh aplikasi spesifik [52]. Dalam konteks
bentuk alfa ini, diperlukan fungsi keanggotaan yang memilikiM(R) = 1 untuk radius kecil
dengan yang berkurang menjadiM(R) = 0 untuk radius besar.
Salah satu cara untuk mendekati masalah ini adalah dengan menggunakan fungsi
keanggotaan asimetris yang memiliki dua fungsi keanggotaan yang berbeda di sekitar nilai
kritis [7]. Dalam teks con bentuk alfa, nilai kritis ini akan terus berlanjutA, denganM(R) = 1
dimanar ≤ a. Untuk membuat fungsi keanggotaan menurun di manar > asalah satu pilihan
adalah dengan menggunakan bentuk distribusi normal. Distribusi normal umumnya digunakan
sebagai dasar untuk fungsi keanggotaan dalam aplikasi geografis, mungkin karena parameter
rata-rata dan standar deviasi dipahami dengan baik dan dinyatakan dalam satuan yang sama
dengan nilai yang membentuk dasar fungsi keanggotaan [52] - sebagai lawan dari parameter
yang merupakan indeks tanpa unit. Dengan menggunakan pendekatan ini rata-rata ditetapkan
sebagaiAdan standar deviasiPdipilih untuk mengontrol kemiringan fungsi keanggotaan di
manar > a. Pendekatan ini menciptakan fungsi keanggotaan dari

(
1r ≤ a
M(R) =
P )2r > a(1)Dia−12(r−a

yang dapat diadaptasi untuk menghasilkan berbagai bentuk (Gambar 2a). Efek penerapan
fungsi keanggotaan fuzzy yang berbeda ini ke kompleks alfa dari sampel titik yang sama
menunjukkan bahwa di mana sampel titik lebih padat, simplis kompleks alfa menjadi lebih
kecil dan keanggotaan kompleks alfa fuzzy meningkat, dan di mana sampel titik lebih jarang.
simplis kompleks alfa menjadi lebih besar dan kapal anggota kompleks alfa fuzzy berkurang.
Oleh karena itu, kompleks alfa fuzzy ini dapat mewakili objek spasial dengan gradasi
keanggotaan yang dapat mewakili ketidakpastian yang terkait dengan penggambaran wilayah
ruang yang dimiliki oleh objek spasial dari sampel titik (Gambar 2b-c).

www.josis.org

pi M

Dia
H

M
R

Dia

B
 α = 2000, σ = 1000
Dan

Dengan

Dengan

di dala m

F
0,6
FALPHA UZZY-BENTUK83

0,4

0,2
(A)
1.0
0,0
0 2000 4000 6000 8000 10000 Keliling

α = 4000, σ = 2000
α = 2000 , σ = 2000
0,8

20000 10000 0 ●
●
●
●
●
●
● ●
●
● ●
●
● ●
● ● (d) α = 2000 , σ = 1000
●
●
●
(b) α = 4000 , σ = 2000 ●

●
●
●
●
●
● ●
● ●
●
● ●
● ● ●
● ● ●
● ● ●
● ●
● ● ●
● ● ●
● ●
● ●
● ●
● ●
● ●
● ● ●
● ●
● ● ●
● ● ●
● (c) α = 2000 , σ = 2000 ●
● ●
●
●
● ●
● ●
● ● ●
● ●
● ● ●
● ● ●
● ●
● ●
● ● ●
●
●
●
●
●
●
●
●
●
●
● ●
●
● ●
●
● ●
●
● ●
●
● ●
● ● ●
● ● ●
● ●
● ●
● ●
● ●
●
● ●
●
● ●
●
● ●
●
●
●
●
●

0 10000 20000●Poin 0 10000 20000 0 10000 20000

Simpleks triangulasi Delaunay 0,0 0,2 0,4 0,6 0,8 1,0 Keanggotaan fuzzy

Gambar 2: Contoh fungsi keanggotaan fuzzy asimetris (Persamaan 1) untuk membuat

kompleks alfa fuzzy. Bentuk setiap fungsi keanggotaan dikontrol oleh parameterAyang
menentukan ambang batas keanggotaan, danPsebagai standar deviasi dari distribusi normal
dengan nilai yang lebih kecil dariPmenghasilkan kurva yang lebih curam di atas ambang
keanggotaan.

3 Bentuk alfa kabur

Sementara kompleks alfa fuzzy memberikan gradasi keanggotaan, bentuk segitiga sederhana
dengan sisi keras tidak menghasilkan batas fuzzy spasial. Ini bisa menjadi masalah karena
menggunakan garis tajam untuk mewakili batas geografis dapat menghasilkan kesimpulan
yang menyesatkan karena pendekatan fuzzy harus menyampaikan informasi tentang laju
perubahan batas [58].

JOSIS, Nomor 26 (2023), hlm. 79–98

84DANTHERINGTON

20000 (A) ●
(C)
(B)
● ●
● ● ●
● ●
●

10.000
●
●

●
●
●●
●
●

●
●
●●
●●
●●
●●

●●
●
●
●
●
●

●
●
●

●
●
●
●
●
●
●
●
●

●
●
●

●
●
●
●
●
●
●
●

0
●●

●●
●
●●
●
●●
●●
●●
●

●●
●●
●●
●

●
●●
●
●
●
●●

●
●
●

●
●●
●
●
●
●●

●
●

0 10000 20000●Poin 0 10000 20000 0 10000 20000

Simpleks triangulasi Delaunay 0,0 0,2 0,4 0,6 0,8 1,0 Keanggotaan fuzzy

Gambar 3: Contoh konstruksi bentuk alfa fuzzy. (a) Kompleks alfa fuzzy dihasilkan denganA=
4000 danP= 2000 adalah (b) didigitalkan sehingga (c) filter low-pass Gaussian denganP=
2000 dapat diterapkan untuk menghasilkan bentuk alfa fuzzy.
 Langkah pertama untuk mengatasi masalah ini adalah mengadopsi pendekatan geometri
digital untuk menghasilkan kompleks alfa fuzzy. Dalam kerangka geometri digital, algoritma
geometri komputasi menghitung sifat geometris dari kisi (atau kisi) titik dalam ruang
Euclidean, dan ini biasanya melibatkan digitalisasi objek geometris diskrit [55]. Dalam konteks
geografis, digitalisasi terjadi dengan merepresentasikan ruang menggunakan struktur data
raster, dan di mana setiap sel memiliki koordinat untuk pusatnya dan nilai yang dapat berupa
nilai keanggotaan 0 atau 1 biner, atau nilai keanggotaan fuzzy 0 hingga 1 untuk menunjukkan
jika elemen milik objek geometris digital [31, 54]. Oleh karena itu, ini adalah proses yang
sangat sederhana untuk mengubah kompleks alfa fuzzy diskrit (Gambar 3a) menjadi
kompleks alfa fuzzy digital (Gambar 3b).
Setelah mengadopsi pendekatan geometri digital, masalah batas geografis yang tegas
antara simplisia alfa-kompleks fuzzy dapat didekati melalui generalisasi raster. Dalam aplikasi
ini menggunakan bentuk-bentuk alfa fuzzy untuk memetakan objek spasial yang tidak pasti,
transisi tajam antara simplis kompleks alfa fuzzy mewakili informasi yang tidak relevan, dan
informasi untuk meningkatkan adalah tingkat perubahan batas menjadi tween simplices [58].
Generalisasi dengan data raster biasanya berupa semacam filter spasial low-pass (atau
jendela bergerak) yang memperhalus data numerik dalam raster dengan beberapa bentuk
rata-rata tertimbang dua dimensi [39]. Salah satu filter low-pass yang digunakan secara luas
dalam pemrosesan citra digital untuk penginderaan jauh adalah filter Gaussian yang
menggunakan distribusi normal bivariat sebagai filter untuk menggeneralisasi data dalam
raster [35]. Setelah mendefinisikan rata-rataAdan standar deviasiPdengan fungsi keanggotaan
fuzzy (Persamaan 1) filter smoothing low-pass Gaussian dapat dengan mudah diterapkan
menggunakan nilai parameter yang sama. Hal ini menghasilkan batas-batas tegas antara
kesederhanaan dari

www.josis.org
FALPHA UZZY-BENTUK85

kompleks alfa fuzzy digital (Gambar 3b) digeneralisasi sedemikian rupa sehingga bentuk alfa
fuzzy yang dihasilkan (Gambar 3c) lebih sesuai dengan persyaratan untuk batas fuzzy [58]
karena bentuk amorf dan gradien halus lebih baik mengkomunikasikan sifat data yang tidak
pasti. Visualisasi bentuk alfa fuzzy yang dihasilkan dapat dicapai dengan menggunakan
metode seperti skala warna monokromatik atau multikromatik, kontur, model tiga dimensi [30]
atau beberapa kombinasinya.

4 Eksperimen geografi virtual

Salah satu keuntungan asli menggunakan bentuk alfa untuk memetakan rentang spesies
adalah ketidakpekaan terhadap bias dan kesalahan [5]. Setelah mengembangkan metodologi
bentuk alfa lebih lanjut untuk membuat bentuk alfa fuzzy, penting untuk memastikan bahwa
kekokohan terhadap bias dan kesalahan tetap ada. Untuk menilai apakah sifat-sifat ini masih
berlaku, serangkaian percobaan geografi virtual dilakukan.

4.1 Eksperimen dasar

Set percobaan dasar pertama berusaha untuk memahami seberapa baik bentuk alfa fuzzy
akan mewakili objek spasial yang tidak pasti dengan kondisi pengambilan sampel yang ideal.
Ini dilakukan untuk menetapkan kinerja dasar untuk membandingkan eksperimen selanjutnya
yang memperkenalkan kesalahan dan bias.
Virtual, dan karena itu diketahui dan benar, objek spasial dengan batas yang tidak pasti
dihasilkan menggunakan satu oktaf tiga periode kebisingan Perlin [15] yang diskalakan ulang
dengan fungsi logistik
 F(X) =1
−20(x−0.75)
1 +Dia (2)
untuk menghasilkan pola distribusi yang kompleks secara spasial dan berpotensi terputus-
putus yang nilainya berkisar dari nol hingga satu sepanjang gradien halus. Proses ini diulangi
untuk menghasilkan 100 distribusi sebenarnya yang berbeda, area fuzzy [53] yang mencakup
median 15% (kisaran 5% hingga 28%) dari ruang eksperimen (Gambar 4).
Kumpulan poin data yang mewakili pengetahuan tentang distribusi sebenarnya kemudian
disimulasikan. Setiap titik data hanya terdiri dari koordinat tempat objek spasial hadir dan tidak
memiliki nilai atau atribut terkait. Sampel ideal disimulasikan melalui proses titik Poisson yang
homogen [12] yang diambil sampelnya secara acak di seluruh ruang eksperimen tetapi hanya
mempertahankan titik data dengan probabilitas yang sama dengan distribusi sebenarnya yang
mendasarinya. Apa yang tidak diketahui adalah ukuran sampel ideal minimum yang
diperlukan untuk bentuk alfa fuzzy untuk mencapai estimasi yang baik dari distribusi
sebenarnya. Menjaga parameter dariA= 5 danP= 2 konstanta, untuk masing-masing dari 100
distribusi sebenarnya, bentuk alfa fuzzy dihitung untuk ukuran sampel ideal 10, 50 (Gambar
5a), 100, 150 (Gambar 5b), 200, dan 250 (Gambar 5c) poin.
Kemiripan antara distribusi virtual sebenarnya dan bentuk alfa fuzzy dari setiap sampel titik
diukur menggunakan indeks kesamaan Ružiˇcka (atau Jaccard berbobot) [56]. Indeks
kesamaan RužiˇckaRuntuk dua kisi spasial 2 dimensi (atau: larik, matriks) A dan B dihitung
sebagai

JOSIS, Nomor 26 (2023), hlm. 79–98

86DANTHERINGTON

100(a) 13 % (b) 16 % (c) 22 % (d) 16 % (e) 26 % 50

100 50 0 50 100 0 50 100 0 50 100 0 50 100 0 50 100

(g) 18 % (h) 13 % (j) 11 %

0 0,0 0,5 1,0

(f) 13 % Distribusi benar
(i) 12%

Gambar 4: 10 contoh pertama dari 100 distribusi virtual true yang disimulasikan melalui noise
Perlin. Dalam setiap kasus, persentase ruang eksperimen yang dicakup oleh area fuzzy dari
distribusi dicatat.

P P Danmin(Ax, y,Bx, y)
R(A,B) = P P
xx Danmaks(Ax, y,Bx, y)(3)

yang menghasilkan nilai berkisar antara nol dan satu, dengan nol untuk grid yang tidak
memiliki kesamaan dan satu untuk grid yang identik.
Hasil eksperimen dasar ini menunjukkan bahwa dalam kondisi eksperimen ini, kesamaan
antara distribusi virtual true dan bentuk alfa fuzzy meningkat seiring bertambahnya ukuran
sampel, tetapi dengan kinerja yang stabil setelah ukuran sampel mencapai 150 (Gambar 5g).
Hal ini penting untuk dipahami karena ini berarti bahwa untuk sampel ideal 150 poin, kami
dapat menambahkan hingga 100 poin tambahan yang merupakan kesalahan atau bias dan
jika tidak berpengaruh, kami mengharapkan kinerja tetap sama seperti sebelumnya.
pengambilan sampel ideal tambahan. Oleh karena itu, setiap perubahan kinerja yang diamati
dari penambahan titik yang salah atau bias tidak akan menjadi fungsi peningkatan ukuran
sampel, melainkan dimasukkannya kesalahan atau bias dalam sampel yang diperluas.

4.2 Eksperimen kesalahan

Eksperimen kesalahan menggunakan pendekatan yang sama dengan eksperimen baseline
karena mereka juga didasarkan pada 100 distribusi virtual true masing-masing dengan 150
titik sampel ideal semuanya disimulasikan dengan cara yang sama seperti pada eksperimen
baseline. Namun, sampel ideal kemudian rusak dengan kesalahan yang dihasilkan sebagai
Poisson yang homogen

www.josis.org
FALPHA UZZY-BENTUK87

50 (Dia)R= 0,68 (F)R= 0,65 10 50 100 200 150

)

100(A)
R

250 Ukuran
(

Dan

sampel
T

Saya

0
A

50
l

Saya

0 50 100 Sampling M

Saya

0,8 0,7 0,6 0,5 0,4

acak
0
0,3 0,2 0,1 0
(B) 0 50 100 0 50 100
(D)R= 0,46
100 (G)
0,0 0,5 1,0 0,0 0,5 1,0
Distribusi benar Keanggotaan
(C) Fuzzy

Gambar 5: Contoh dan hasil percobaan geografi virtual dasar yang digunakan untuk
menetapkan kinerja bentuk alfa fuzzy dengan pengambilan sampel ideal dari ukuran sampel
yang berbeda. Untuk distribusi benar virtual yang sama, peningkatan ukuran sampel dari (a)
50, (b) 150, dan (c) 250 poin menghasilkan pengelompokan poin yang lebih padat yang
terkonsentrasi dalam distribusi sebenarnya. Kemiripan antara distribusi sejati dan nilai
keanggotaan fuzzy bentuk alfa fuzzy diukur menggunakan indeks Ružiˇcka (R) yang berkisar
dari nol hingga satu. Meningkatkan ukuran sampel dari (d) 50 menjadi (e) 150 menghasilkan
peningkatan bentuk alfa fuzzy, sementara tidak ada peningkatan yang terlihat dengan
meningkatkan ukuran sampel dari (e) 150 menjadi (f) 250. Mereplikasi proses ini 100 kali
menghasilkan (g) distribusi yang menunjukkan median, rentang antarkuartil, dan rentang nilai
kesamaan di semua 100 percobaan.

titik proses [12] dan karenanya hanyalah lokasi acak dalam ruang eksperimental yang
mengabaikan distribusi sebenarnya yang mendasarinya.
Kisaran ukuran kesalahan yang dieksplorasi adalah 0, 5 (Gambar 6a), 10, 20 (Gambar
6b), 50, dan 100 (Gambar 6c), dengan peningkatan kesalahan memiliki efek yang jelas pada
bentuk alfa fuzzy yang dihasilkan (Gambar 6d –f) dibandingkan dengan sampel ideal saja
(Gambar 5e). Seperti pada eksperimen dasar, kesamaan antara distribusi virtual sebenarnya
dan bentuk alfa fuzzy diukur menggunakan indeks kesamaan Ružiˇcka (R), dan efek kesalahan
 diukur sebagai ∆Ritulah perbedaan antaraRuntuk sampling idealisasi saja dan untuk sampling
ideal ditambah kesalahan.
Contoh menunjukkan bahwa ketika kesalahan terjadi baik di dalam cluster yang ada dari
titik data yang benar, atau terjadi sebagai titik terisolasi yang jauh dari titik lain, kesalahan
memiliki efek minimal (Gambar 6d–e). Ini berlaku untuk 100 replikasi, sementara kesalahan
selalu cenderung menghasilkan efek negatif, bahkan dengan 10 kesalahan yang membuat
9.5% dari data, median ∆R=−0.03 yang merupakan perubahan yang dapat diabaikan untuk
indeks yang berkisar dari nol hingga satu (Gambar

JOSIS, Nomor 26 (2023), hlm. 79–98

88DANTHERINGTON

(e) ∆R= −0,08 0,4 0

)

100(A)
R

(C) ∆(

0,3

0,2
Dia

50 G

C
0,1

0
Dan

(G)
(d) ∆R= −0,01
100 0,5
(f) ∆R= −0,41
(B)

50 0 50 100 0 50 100 −0,5

0,0 0,5 1,0 Distribusi benar 0,0 0,5 1,0 Keanggotaan

0
Fuzzy
T

0 50 100
Saya

−0.1
R

Saya

Sampling acak Sampling M

−0.2
kesalahan
Saya

−0.3

−0,4 0 5 10 20 50 100
Jumlah kesalahan

Gambar 6: Contoh dan hasil eksperimen geografi virtual yang digunakan untuk menetapkan kinerja
bentuk alfa fuzzy dengan pengambilan sampel ideal yang terkontaminasi kesalahan. Distribusi virtual
true yang sama dan 150 sampel ideal terkontaminasi dengan (a) 5, (b) 20, dan (c) 100 kesalahan.
Pengaruh kontaminasi diukur sebagai ∆Ritu adalah perbedaan antara indeks kesamaan Ružiˇcka
untuk pengambilan sampel ideal saja dan untuk pengambilan sampel ideal ditambah
kesalahan. Kesalahan secara konsisten memiliki efek negatif pada kesamaan yang meningkat
karena jumlah kesalahan meningkat dari (d) 5 menjadi (e) 20 menjadi (f) 100 kesalahan.
Mereplikasi proses ini 100 kali menghasilkan (g) distribusi yang menunjukkan median, rentang
antarkuartil, dan rentang perubahan kesamaan di seluruh 100 percobaan.

6g). Dengan 100 kesalahan membuat 40.0% dari poin data, kinerjanya sangat buruk karena
kesalahan menjadi cukup padat secara spasial untuk dimasukkan ke dalam bentuk alfa fuzzy (Gambar
6f), dan sementara ada berbagai efek di seluruh replikasi median ∆R=−0.35 adalah efek yang cukup
besar (Gambar 6g). Meskipun mungkin kesalahan tidak akan membentuk proporsi dataset
yang begitu besar, masih berguna untuk melihat bahwa bentuk alfa fuzzy dapat berkinerja
buruk karena hal ini menunjukkan bahwa eksperimen geografi virtual menggunakan ukuran
sampel yang memberikan pengujian yang kuat terhadap metodologi.
4.3 Eksperimen bias
Eksperimen bias mengikuti pendekatan yang mirip dengan eksperimen kesalahan, dengan
100 distribusi virtual true masing-masing dengan 150 titik sampel ideal semuanya
disimulasikan dengan cara yang sama seperti pada eksperimen dasar. Mirip dengan
percobaan kesalahan, sampel ideal ini kemudian dikorupsi dengan pengambilan sampel yang
bias. Karena bukan jumlah data yang bias, melainkan tingkat bias yang merupakan faktor
bermasalah, semua percobaan bias menggunakan metode bias.

www.josis.org
FALPHA UZZY-BENTUK89

(e) ∆R= −0,01 0,4 0

)

100(A)
R

(C) ∆(

0,3

0,2
Dia

50 G

C
0,1

0
Dan

(G)
(d) ∆R= −0,04
100 0,5
(f) ∆R= 0,00
(B)

50 0 50 100 0 50 100 −0,5

0,0 0,5 1,0 Distribusi benar 0,0 0,5 1,0 Keanggotaan

0
Fuzzy
T

0 50 100
Saya

−0.1
R

Saya

Sampling acak Sampling M

−0.2
bias
Saya

−0.3

−0,4 1 5 10 20 50 100
Pengelompokan bias

Gambar 7: Contoh dan hasil percobaan geografi virtual yang digunakan untuk menetapkan kinerja
bentuk alfa fuzzy dengan pengambilan sampel ideal yang terkontaminasi dengan pengambilan sampel
yang bias. Distribusi virtual true yang sama dan 150 sampel ideal terkontaminasi dengan 100 sampel
bias yang dihasilkan dari proses titik klaster Poisson dengan (a) 5, (b) 20, dan (c) 100 titik keturunan.
Pengaruh kontaminasi diukur sebagai ∆Ritulah perbedaan antara indeks kesamaan Ružiˇcka
untuk pengambilan sampel ideal saja dan untuk pengambilan sampel ideal ditambah
pengambilan sampel bias. Pengambilan sampel bias secara konsisten memiliki efek negatif
yang sangat minimal pada kesamaan terlepas dari apakah proses titik klaster Poisson
memiliki (d) 5 hingga (e) 20 hingga (f) 100 keturunan. Replikasi proses ini 100 kali
menghasilkan (g) distribusi yang menunjukkan median, rentang antarkuartil, dan rentang
perubahan kesamaan di seluruh 100 percobaan.

sampel 100 titik, yang pengelompokan spasial titik-titik ini bervariasi secara sistematis. Ini
dilakukan dengan menggunakan proses titik klaster Poisson [12] di mana lokasi acak dalam
ruang eksperimen dipilih untuk bertindak sebagai titik induk untuk menghasilkan klaster titik
 keturunan berdasarkan distribusi normal bivariat dengan standar deviasi 10 Setiap poin
keturunan kemudian dinilai pada gilirannya dan menjadi bagian dari sampel yang bias dengan
probabilitas yang sama dengan distribusi sebenarnya yang mendasarinya. Oleh karena itu,
meskipun setiap titik pengambilan sampel yang bias itu sendiri merupakan catatan yang
akurat dan benar dari distribusi sebenarnya yang mendasarinya, sampel yang bias secara
keseluruhan menyediakan lebih banyak data untuk beberapa bagian ruang eksperimen.
Proses ini dilanjutkan sampai 100 titik bias telah dihasilkan. Ukuran cluster yang dieksplorasi
adalah 1 (yang intinya setara dengan idealized sampling), 5 (Gambar 7a), 10, 20 (Gambar
7b), 50, dan 100 (Gambar 7c) yang mengakibatkan sampel yang bias menjadi semakin
terkonsentrasi menjadi area lokal dari ruang percobaan.

JOSIS, Nomor 26 (2023), hlm. 79–98

90DANTHERINGTON

Seperti eksperimen kesalahan, efek pengambilan sampel yang bias diukur sebagai ∆Ritulah
perbedaan antaraRuntuk sampling ideal saja dan untuk sampling ideal ditambah sampling
bias. Contoh-contoh menunjukkan bahwa karena data yang bias benar dalam kaitannya
dengan distribusi sebenarnya yang mendasarinya, data yang bias sebagian besar terjadi
dalam kelompok pengambilan sampel ideal yang ada dan dengan demikian efek pengambilan
sampel yang bias minimal (Gambar 7d-e). Hasil ini konsisten di semua 100 replikasi dengan
tingkat pengambilan sampel yang bias menghasilkan rata-rata penurunan kinerja yang sangat
kecil (Gambar 7g).

4.4 Eksperimen sensitivitas

Eksperimen sejauh ini telah mempertahankan parameter bentuk alfa fuzzy konstanA= 5
danP= 2. Namun, penting untuk memahami seberapa sensitif metodologi terhadap variasi
parameter. Serangkaian eksperimen sensitivitas dilakukan dengan menggunakan pendekatan
yang sama dengan eksperimen baseline yang juga didasarkan pada 100 distribusi virtual true.
Untuk setiap distribusi sejati, bentuk alfa fuzzy dibuat untuk 600 kombinasiADanPnilai-nilai,
denganAnilai mulai dari 0,5 sampai 15 danPnilai mulai dari 0,5 hingga 10 baik dalam langkah
0,5. Performa fuzzy alpha-shape untuk setiap parameter kombinasi diukur sebagai indeks
¯
kesamaan Ružiˇcka rata-rataR untuk semua 100 distribusi virtual true. Untuk memeriksa
apakah sensitivitas bervariasi dengan ukuran sampel, pendekatan ini diulang untuk sampel
ideal 50, 150, dan 250 poin.
Hasil sensitivitas menunjukkan adanya variasi yang optimalADanPantara ukuran sampel
yang berbeda (Gambar 8). Namun, setelah ukuran sampel yang masuk akal tercapai, variasi
ini minimal, hanya ada sedikit perbedaan antara analisis sensitivitas untuk sampel ideal 150
(Gambar 8b) atau 250 poin (Gambar 8c). Untuk semua ukuran sampel, terdapat respons yang
halus dan bertahap terhadap perubahan dalamADanPparameter (Gambar 8). Oleh karena itu,
meskipun akan selalu ada kombinasi optimal dari nilai parameter, kinerja bentuk alfa fuzzy
tampaknya tidak terlalu sensitif terhadap sedikit variasi di sekitar nilai optimal ini, dan masih
mampu menghasilkan model yang masuk akal dari distribusi sebenarnya jika parameter yang
dipilih mendekati parameter optimal.

5 Diskusi
Tidak mungkin ada satu metode universal terbaik untuk memetakan distribusi [20], tetapi di
mana pertanyaan dan data cocok, bentuk alfa fuzzy harus memberikan pendekatan yang
berguna. Dibandingkan dengan pendekatan bentuk alfa diskrit untuk pemetaan distribusi [5]
bentuk alfa fuzzy menghindari kebutuhan untuk memilih nilai 'terbaik' tunggal dariAdan
memungkinkan ketidakpastian yang melekat di sekitar jangkauan distribusi untuk dimasukkan
ke dalam model distribusi dan divisualisasikan untuk pembaca peta.
Eksperimen geografi virtual menunjukkan dengan jelas bahwa metode fuzzy alpha-shape
sangat kuat untuk pengambilan sampel yang bias (Gambar 7), yang merupakan masalah
penting untuk data sejarah alam yang digunakan untuk memetakan distribusi spesies [43] dan
untuk data crowdsourced dan geografi besar secara lebih umum. [3, 23]. Jika pengambilan
sampel yang bias tidak menjadi masalah dan kepadatan sampel titik merupakan indikasi yang
dapat diandalkan dari kemungkinan yang lebih besar dari objek spasial, maka ada metode
berbasis kepadatan yang ada untuk pemetaan fuzzy objek spasial, seperti pengelompokan
puncak kepadatan [25] dan kepadatan pengelompokan spasial berbasis kebisingan [45], yang
juga dapat dipertimbangkan.

www.josis.org
FALPHA UZZY-BENTUK91

A 5 1 2 3 4 5 6 7 8 9 10 hal 1 2 3 4 5 6 7 8 9 10 hal 1 2 3 4 5 6 7 8 9 10 hal

15 14 13 12 11 10 9 4 (B)
8 3
0,00 0,25 0,50 0,75R
7 2 (C)
6 1
(A)

Gambar 8: Hasil analisis sensitivitas fuzzy alpha-shape yang kinerja dari berbagaiADanPnilai
parameter dieksplorasi. Untuk setiap kombinasi dariADanP100 distribusi virtual true yang
sama digunakan untuk menghasilkan bentuk-bentuk alfa fuzzy dari sampel ideal dari (a) 50,
(b) 150, dan (c) 250 poin. Performa dari setiap kombinasi dariADanPdihitung sebagai indeks
¯
kesamaan Ružiˇcka rata-rataR antara 100 distribusi virtual sejati dan bentuk alfa fuzzy.

Eksperimen geografi virtual juga menunjukkan bahwa metode bentuk alfa fuzzy kuat untuk
tingkat kesalahan yang rendah, dengan hampir tidak berpengaruh pada kinerja ketika
kesalahan terdiri dari sekitar 3% dari sampel, dan efek minimal pada kinerja ketika kesalahan
terdiri dari sekitar 6% sampel (Gambar 6). Tentu saja sangat sulit untuk mengetahui dengan
tepat berapa banyak kesalahan yang terkandung dalam sampel, karena jelas agar kesalahan
dapat dihitung, kesalahan tersebut perlu diidentifikasi pada titik mana kesalahan tersebut
dapat diperbaiki atau dihapus. Setidaknya untuk data sejarah alam ada beberapa bukti yang
menunjukkan bahwa tingkat kesalahan sekitar 4% dapat diharapkan [60] dan dalam konteks
ini setidaknya metode fuzzy alpha-shape diharapkan cukup kuat. Jelas dalam konteks lain
seorang analis perlu membuat keputusan tentang kualitas datanya karena berdasarkan
eksperimen geografi virtual, metode fuzzy alpha-shape akan mulai berkinerja buruk ketika
kesalahan terdiri dari sekitar 25% sampel (Gambar 6). Tentu saja, di bawah tingkat kesalahan
 seperti itu akan dipertanyakan apakah ada analisis data yang direkomendasikan.
Singkatnya, dengan mengembangkan pendekatan bentuk alfa diskrit ke dalam
pendekatan bentuk alfa fuzzy untuk pemetaan distribusi, kami telah menghindari kebutuhan
ambang batas biner, membuat model yang lebih mewakili batas tidak pasti dari beberapa
objek spasial,

JOSIS, Nomor 26 (2023), hlm. 79–98

92DANTHERINGTON

sementara juga mempertahankan kekokohan terhadap kesalahan dan bias yang memotivasi
proposal awal bentuk alfa untuk pemetaan distribusi.
Metode fuzzy alpha-shape juga sangat adaptif karena ada banyak fungsi anggota fuzzy,
dan filter yang dapat digunakan untuk menggeneralisasi. Jadi, sementara bentuk alfa fuzzy
telah disajikan di sini berdasarkan parameter dari rata-rata dan standar deviasi dari distribusi
normal untuk fungsi keanggotaan fuzzy (Persamaan 1) dan generalisasi raster (Gambar 3b-c),
banyak pendekatan lain yang dapat digunakan sama-sama dapat dibenarkan mengingat data
dan pertanyaan yang ada. Fleksibilitas fungsi keanggotaan dan generalisasi fuzzy berarti
bahwa parameterisasi bentuk alfa fuzzy memberikan tantangan, tetapi tantangan ini juga
menghadirkan peluang untuk memodifikasi metode agar paling sesuai dengan data dan
pertanyaan yang ada. Tantangan seperti itu juga bukan masalah baru dalam analisis
geografis karena estimasi densitas kernel adalah metode analitik yang digunakan secara luas
yang juga memerlukan pilihan bentuk kernel dan parameter bandwidth yang dapat berubah-
ubah [44].
Terlepas dari fungsi keanggotaan fuzzy dan filter generalisasi yang dipilih, akan ada
potensi masalah dalam menentukan nilai parameter yang diperlukan. Analisis sensitivitas
menunjukkan bahwa bentuk alfa fuzzy cukup kuat untuk sedikit variasi di sekitar parameter
optimal (Gambar 8), tetapi pertimbangan yang cermat jelas perlu diberikan pada spesifikasi
parameter. Jadi bagaimana seharusnya peneliti memilih parameter sepertiADanPnilai yang
digunakan dalam fungsi keanggotaan fuzzy dan filter generalisasi yang digunakan di sini?
Mungkin saja ada data kuantitatif yang tersedia yang dapat memandu keputusan ini. Untuk
aplikasi biogeografis, jika kemungkinan jarak penyebaran suatu spesies diketahui, maka
dimungkinkan untuk menggunakan informasi semacam ini untuk menentukan jarak spasial di
mana keberadaan suatu spesies di antara titik pengambilan sampel dapat diasumsikan lebih
aman. Pendekatan serupa dapat diambil dalam konteks geografis lain jika data tentang
mobilitas atau autokorelasi spasial dari objek spasial yang dimodelkan diketahui.
Dengan tidak adanya data untuk memandu parametrisasi, metode elisitasi pendapat ahli
formal dapat digunakan. Misalnya, metode Delphi [42] dapat digunakan untuk membentuk
beberapa konsensus di antara para ahli seputar parameter yang diperlukan. Pendekatan
semacam itu telah digunakan sebelumnya dalam konteks geografis dengan menanyakan
berbagai pendapat tentang sejauh mana batas spasial yang tidak pasti untuk membuat objek
spasial fuzzy [41] dan bahkan telah diotomatisasi melalui penggunaan interaksi manusia-
mesin [50, 51]. Untuk mencoba dan mengilustrasikan bagaimana hal ini dapat didekati dalam
konteks bentuk alfa fuzzy, mengingat bahwa kompleks alfa terdiri dari serangkaian simplis
segitiga yang dimasukkan berdasarkan jarak cir cumradii mereka (Gambar 1), pertanyaan
seperti “Diberikan kehadiran yang diketahui di sudut-sudut segitiga sama sisi, pada jarak
berapa Anda merasa nyaman sehingga kami dapat menganggap kehadiran di pusat segitiga?
bisa diajukan. Ini kemudian akan menimbulkan berbagai tanggapan potensial, dan deviasi
rata-rata dan standar dari tanggapan tersebut kemudian dapat digunakan
sebagaiADanPmasing-masing untuk membuat fungsi keanggotaan fuzzy (Persamaan 1).
Setelah ditetapkan, bentuk alfa fuzzy dapat membentuk dasar dari berbagai pertanyaan
analitis tentang objek spasial yang diwakilinya. Misalnya, pengukuran spasial sederhana
seperti luas [19, 53], jarak, dan arah [1] dapat dihitung untuk atau di antara objek spasial
fuzzy. Penyatuan atau perpotongan himpunan fuzzy [59] ketika diterapkan dalam konteks
spasial juga memungkinkan dilakukannya analisis evaluasi multi-kriteria objek spasial fuzzy
[6, 34]. Mengingat pilihan analitis objek spasial fuzzy telah diterapkan untuk mempelajari
berbagai domain geografis seperti tanah [6], iklim [34], dan daerah perkotaan [41]. Mengingat
inti tanah, stasiun cuaca, dan data media sosial biasanya membuat data titik di dalamnya

www.josis.org
FALPHA UZZY-BENTUK93

masing-masing domain geografis, ada potensi bentuk alfa fuzzy untuk digunakan dalam
berbagai domain geografis.
Dalam hal pengembangan pendekatan ini di masa depan, ada ketidakpastian yang tak
terelakkan terkait dengan data kejadian spesies yang berkaitan dengan sampel yang tersedia
dan akurasi lokasi [20] yang idealnya juga harus dimasukkan ke dalam estimasi distribusi
spesies. Salah satu cara agar hal ini dapat dicapai dengan mudah adalah melalui
penggunaan metode Monte Carlo yang sederhana, fleksibel, dan dapat diskalakan [32].
Misalnya, jika titik data yang tersedia memiliki ketidakpastian lokasi, maka metode Monte
Carlo dapat diterapkan dimana titik data digeser secara acak dalam ruang oleh ketidakpastian
spasialnya sebelum mengembangkan bentuk alfa fuzzy. Proses ini kemudian dapat diulang
berkali-kali, dengan keluaran rata-rata di semua simulasi Monte Carlo. Pengembangan asli
dari bentuk alfa adalah untuk geometri planar [13] sehingga dalam konteks geografis metode
ini hanya cocok untuk data koordinat yang diproyeksikan di mana asumsi geometri planar di
sekitar jarak dan sudut berlaku secara wajar. Persyaratan ini untuk memenuhi asumsi
geometri planar dalam sistem koordinat yang diproyeksikan kemungkinan akan membatasi
penerapan bentuk alfa fuzzy untuk mempelajari distribusi pada tingkat nasional dan
kemungkinan benua. Namun, mungkin untuk memperluas pendekatan bentuk alfa fuzzy ke
data koordinat geografis menggunakan geometri bola, karena triangulasi Delaunay yang
membentuk dasar bentuk alfa dapat dihitung untuk bola [29, 49].
Untuk memungkinkan penggunaan dan pengembangan teknik bentuk-alfa fuzzy yang
diusulkan, fungsi untuk menghasilkan bentuk-bentuk alfa fuzzy telah dikembangkan dalam
bahasa pemrograman R [47] dan Python [46] dan tersedia di bawah lisensi permisif dari
https:// doi.org/10.7931/kg7v-k118. Paket R spatstat [2], compGeometeR [17], dan extrafont
[8] dan paket Python NumPy [26], SciPy [57], matplotlib [28], dan NLMpy [16] digunakan
dalam pengembangan kode dan untuk menghasilkan contoh-contoh yang digunakan dalam
makalah ini.

Terima kasih
Penelitian ini didanai oleh investasi internal oleh Manaaki Whenua - Landcare Research dan
oleh Kementerian Bisnis, Inovasi, dan Ketenagakerjaan Selandia Baru melalui program
penelitian Beyond Myrtle Rust (#C09X1806).

Referensi
[1] SEBUAHLTMAN, D. Fuzzy menetapkan pendekatan teoritis untuk menangani
ketidaktepatan dalam analisis spasial.Jurnal Internasional Sistem Informasi Geografis 8,
3 (1994), 271–289. doi:10.1080/02693799408902000.

[2] BADDELEY, A., RMENGUBAH, DAN.,DANTURNER, R.Pola Titik Spasial: Metodologi dan
Aplikasi dengan R. Chapman dan Hall/CRC Press, London, 2015.

[3] BRAHASIA, AHAKLAY, M., FOODY, G.,DANMOONEY, P. Kualitas data geospasial

crowdsourced: tantangan dan arah masa depan.International Journal of Geographical
Information Science 33, 8 (2019), 1588–1593. doi:10.1080/13658816.2019.1593422.
 JOSIS, Nomor 26 (2023), hlm. 79–98
94DANTHERINGTON

[4] BRASSEY, C.A.,DANGARDINER, J. D. Algoritme penyesuaian bentuk canggih yang

diterapkan pada mamalia berkaki empat: meningkatkan estimasi massa volumetrik.Ilmu
Terbuka Royal Society 2, 8 (2015), 150302.doi:10.1098/rsos.150302.

[5] BURGMAN, M.A.,DANFSAPI, J. C. Bias dalam perkiraan kisaran spesies dari poligon
cembung minimum: implikasi untuk konservasi dan opsi untuk perencanaan yang lebih
baik.Pelestarian Satwa 6, 1 (2003), 19–28. doi:10.1017/S1367943003003044.

[6] BURRUGH, P. A. Metode matematika fuzzy untuk survei tanah dan evaluasi tanah.Jurnal
Ilmu Tanah 40, 3 (1989), 477–492. doi:10.1111/j.1365-2389.1989.tb01290.x.

[7]BURRUGH, P.A.,DANMCDSEMOGA BERUNTUNG, R.A.Prinsip-prinsip sistem informasi

geografis. Oxford University Press, Oxford, 1998.

[8] CMENGGANTUNG, DI DALAM.extrafont: Alat untuk menggunakan font, 2014. Paket R versi
0.17.

[9] CINDUK AYAM, M., AKE ATAS-BDIA, D.,DANSINGLETON, A. Memahami dinamika wilayah
perkotaan yang diminati melalui informasi geografis sukarela.Jurnal Sistem Geografis 21,
1 (2019), 89–109. doi:10.1007/s10109-018-0284-3.

[10]DARIBSANGAT, M., CHEONG, O.,OLEHKREVELD, M.,DANHAIVERMARS, M.Geometri Komputasi,

edisi ke-3. Springer, Berlin, 2008. doi:10.1007/978-3-540-77974-2.

[11] DELAUNAY, B. Di bola kosong.Buletin Akademi Ilmu Pengetahuan Uni Soviet, Kelas
Matematika dan Ilmu Pengetahuan Alam 6(1934), 793–800.

[12]DTOLONG, P.J.Analisis statistik pola titik spasial, edisi ke-2. Arnold, London, 2003.

[13] DanDELSBRUNNER,H.,KIRKPATRICK, D.,DANSKOSONG, R. Pada bentuk himpunan titik-titik

pada bidang.Transaksi IEEE pada Teori Informasi 29, 4 (1983), 551–559.
doi:10.1109/TIT.1983.1056714.

[14] DanDELSBRUNNER, H.,DANMÜCKE, E.P. Bentuk alfa tiga dimensi.Tindakan ACM Trans
pada Grafik 13, 1 (1994), 43–72. doi:10.1145/174462.156635.

[15] DanTHERINGTON, T. R. Perlin noise sebagai model lanskap netral hierarkis.Ekologi Web
22, 1 (2022), 1–6. doi:10.5194/we-22-1-2022.

[16] DanTHERINGTON, T.R., HBELANDA, E.P.,DANSUMBUULLIVAN, D.NLMpy: paket perangkat

lunak Python untuk pembuatan model lanskap netral dalam kerangka numerik
umum.Metode dalam Ekologi dan Evolusi 6, 2 (2015), 164–168. doi:10.1111/2041-
210X.12308.

[17] DanTHERINGTON, T.R.,DANHAIMONDIABE, O. P. compGeometeR: paket R untuk geometri

komputasi.Pracetak OSF(2021). doi:10.31219/osf.io/b4zvr.

[18] FISHER, P. Sorites paradoks dan geografi yang tidak jelas.Himpunan dan Sistem Fuzzy
113, 1 (2000), 7–18. doi:10.1016/S0165-0114(99)00009-3.

[19] FKEMARIN, C.C.,DANLODWICK, W. A. Area entitas geografis kabur.Jurnal Internasional Ilmu

Informasi Geografis 18, 2 (2004), 127–150. doi:10.1080/13658810310001620933.

www.josis.org
FALPHA UZZY-BENTUK95
 [20] FORTIN, M.-J., KSATU, T.H., MAURAS, B.A., TAPER, M.L., KPADA MAN, D.M.,DANBLACKBURN,
T. M. Jangkauan geografis dan batas distribusi spesies: analisis pola dan masalah
statistik.Oikos 108, 1 (2005), 7–17. doi:10.1111/j.0030-1299.2005.13146.x.

[21] GARDINER, J.D., BEHNSEN, J.,DANBRASSEY, Bentuk C. A. Alpha: menentukan kompleksitas

bentuk 3d di seluruh struktur yang beragam secara morfologis.Biologi Evolusi BMC 18, 1
(2018), 184.doi:10.1186/s12862-018-1305-z.

[22] GASTON, K.J.Struktur dan Dinamika Rentang Geografis. Oxford University Press, Oxford,
2003.

[23] GHUTAN, S. P. Bahaya episteme data besar dan kebutuhan untuk mengembangkan
sistem informasi geografis.Dialog dalam Geografi Manusia 3, 3 (2013), 285–291.
doi:10.1177/2043820613513394.

[24] GRUSIA, H. Estimasi volume warna sebagai hipervolume cekung menggunakanA-

bentuk.Metode dalam Ekologi dan Evolusi 11, 8 (2020), 955–963. doi:10.1111/2041-
210X.13398.

[25] GTEMAN-TEMAN, J.,DANDDI DALAM, S. Membangun objek geografis area fuzzy dari set
titik.Tindakan trans dalam GIS 25, 6 (2021), 3067–3087. doi:10.1111/tgis.12808.

[26] HARRIS, C.R., MIMAN, KJ,DARIDI DALAMSEMUANYA, S.J., GKESELURUHAN, R., VIMPERIAL,
P., COURNAPEAU, D., WIESER,E.,TAYLOR, J., BSANGAT, S., SMITOS, N.J., KERN, R., PICUS,
M.,HOYER, S.,OLEHKBENGKEL, M.H., BLURUS, M.,HALDANE, A.,DARIRIO, J.F., WIEBE, M.,
PETERSON, P., GERARD-MARCHANT, P., SHEPPARD, K., REDDY, T., WECKESSER, W., ABBASI,
HGOHLKE, C.,DANHAILIPHANT, T.E. Program array ming dengan NumPy.Alam 585, 7825
(2020), 357–362. doi:10.1038/s41586-020-2649-2.

[27] HUGHES, A.C., ORR, M.C., MA, K., CASRAMA, M.J., WPERGI, J., PDARI SUNGAI, P., danITU,
Q., ZHU, C.,DANQYA, H. Sampling bias membentuk pandangan kita tentang alam.Ekologi
44, 9 (2021), 1259–1269. doi:10.1111/ecog.05926.

[28] HDI BAWAH, J. D. Matplotlib: lingkungan grafis 2D.Komputasi dalam Sains & Teknik 9, 3
(2007), 90–95. doi:10.1109/MCSE.2007.55.

[29] JACOBS, D.W., GUNZBURGER, TNINGLER, T., BURKARDT, J.,DANPETERSON, J. Paralel

algoritma untuk konstruksi Delaunay planar dan bola dengan aplikasi untuk tessellation
Voronoi centroidal.Pengembangan Model Geosains 6, 4 (2013), 1353–1365.
doi:10.5194/gmd-6-1353-2013.

[30] JIANG, B. Visualisasi batas kabur objek geografis.Kartografi 27, 2 (1998), 41–46.
doi:10.1080/00690805.1998.9714275.

[31] KMUDAH, R.,DANROSENFELD, A.Geometri Digital. Morgan Kaufmann, San Francisco, 2004.
doi:10.1016/B978-1-55860-861-0.X5000-7.

[32] KROESE, D.P., BRARETON, T., TAIMRE, T.,DANBOTEV, Z. I. Mengapa metode Monte Carlo
sangat penting saat ini.Statistik Komputasi WIRE 6, 6 (2014), 386–392.
doi:10.1002/wics.1314.

JOSIS, Nomor 26 (2023), hlm. 79–98

96DANTHERINGTON

[33] KUHN, W. Konsep inti informasi spasial untuk penelitian transdisipliner.Jurnal

Internasional Ilmu Informasi Geografis 26, 12 (2012), 2267–2276.
doi:10.1080/13658816.2012.722637.
[34] Lharimau, Y. Tentang ketidaktepatan batas.Analisis Geografis 19, 2 (1987), 125–
151.doi:10.1111/j.1538-4632.1987.tb00120.x.

[35] LILLESAND, T.M.,DANKIEFER, R.W.Penginderaan Jauh dan Interpretasi Gambar, edisi ke-4.
John Wiley & Sons , New York , 2000 .

[36] MACARTHUR, R.H.Ekologi Geografis: pola dalam distribusi spesies. Harper & Row, New
York, 1972.
[37] MANDAL, D.P.,DANMURTHY, C.A. PemilihanAuntukA-hull dan perumusan fuzzyA-lambung
masukR2.Jurnal Internasional Ketidakpastian, Ketidakjelasan, dan Sistem Berbasis
Pengetahuan 3, 4 (1995), 401–417. doi:10.1142/S0218488595000207.

[38] MATTHEWS, JA,DANHERBERT, D.T.Geografi: pengantar yang sangat singkat. Oxford

University Press, Oxford, 2008. doi:10.1093/actrade/9780199211289.001.0001.

[39] MCMASTER, R.B.,DANMONMONIER, M. Kerangka kerja konseptual untuk generalisasi mode

raster kuantitatif dan kualitatif.Prosiding GIS/LIS’89 2(1989), 390–403.

[40] MPELANA, C., WTELUR, P.,DANKREF, H. Bias multidimensi, kesenjangan, dan

ketidakpastian dalam informasi kejadian tanaman global.Surat Ekologi 19, 8 (2016),
992–1006. dua:10.1111/ele.12624.

[41] MONTELLO, D.R., GOOCHILD, M.F., GANUGERAH, J.,DANFOHL, P. Where's Downtown?:

metode perilaku untuk menentukan referensi kueri spasial yang tidak jelas.Kognisi &
Komputasi Spasial 3, 2-3 (2003), 185–204. doi:10.1080/13875868.2003.9683761.

[42] MUKHERJEE,N.,HPEKAN, J.,SUTHERLAND, W.J., MCNLAIN, J., VSEBUAHHAIPSTAL, M.,

DAHDOUH-GUEBAS, F.,DANKKITA, N. Teknik Delphi dalam ekologi dan konservasi biologi:
aplikasi dan pedoman.Metode dalam Ekologi dan Evolusi 6, 9 (2015), 1097–1109.
doi:10.1111/2041-210X.12387.

[43] NEWBOLD, T. Aplikasi dan batasan data museum untuk konservasi dan ekologi, dengan
perhatian khusus pada model distribusi spesies.Kemajuan Geografi Fisik 34, 1 (2010),
3–22. doi:10.1177/0309133309355630.

[44] AduhULLIVAN, D.,DANDI DALAMNWIN, D.J.Analisis Informasi Geografis, edisi ke-2. John
Wiley & Sons, Hoboken, 2010.

[45] HalLEMBAR, J.K.,DANDMILIK, J. A. Pembuatan jejak menggunakan pengelompokan

lingkungan kabur.GeoInformatika 17, 2 (2013), 285–299. doi:10.1007/s10707-012-0152-0.

[46] HalYACBIJIHTDIA.Python: Bahasa pemrograman open source yang dinamis. Yayasan

Perangkat Lunak Python, 2021.

[47] R CBIJIHTDIA.R: Bahasa dan Lingkungan untuk Komputasi Statistik. Yayasan R untuk
Komputasi Statistik, Wina, Austria, 2019.

www.josis.org
FALPHA UZZY-BENTUK97

[48] RAPOPORT, E.H.Areografi: strategi geografis spesies. Pergamon Press, Oxford, 1982.

[49] RLAJANG, R.J. Algorithm 772: STRIPACK: Delaunay triangulation dan Voronoi di agram
pada permukaan bola.Transaksi ACM pada Perangkat Lunak Matematika 23, 3 (1997),
416–434. doi:10.1145/275323.275329.

[50] ROBINSON, V. B. Akuisisi mesin interaktif dari hubungan spasial fuzzy.Komputer &
Geosains 16, 6 (1990), 857–872. doi:10.1016/0098-3004(90)90008-H.
 [51] ROBINSON, V. B. Hubungan spasial fuzzy individu dan multipersonal mengakuisisi
˘
kamiinteraksi manusia-mesin. Himpunan dan Sistem Fuzzy 113, 1 (2000), 133–145.
doi:10.1016/S0165-0114(99)00017-2.

[52] ROBINSON, V.B. Perspektif tentang dasar-dasar himpunan fuzzy dan penggunaannya
dalam sistem informasi geografis.Transaksi di GIS 7, 1 (2003), 3–30. doi:10.1111/1467-
9671.00127.

[53] ROSENFELD, A. Diameter himpunan fuzzy.Himpunan dan Sistem Fuzzy 13, 3 (1984), 241–
246. doi:10.1016/0165-0114(84)90059-9.

[54] ROSENFELD, A. Fuzzy geometri ikhtisar yang diperbarui.Ilmu Informasi 110, 3-4 (1998),
127–133. doi:10.1016/S0020-0255(98)10038-5.

[55] ROSENFELD, A.,DANMMeremas, R.A. Geometri digital.Kecerdasan Matematika 11, 3 (1989),

69–72. doi:10.1007/BF03025195.

ˇ
[56] RUZICKA , M. Penerapan metode matematika-statistik dalam geobotani.Biologi, Bratislava
13(1958), 647–661.

[57] VIMPERIAL, P., GKESELURUHAN, R., OLIPHANT, T.E., HABERLAND, TNEDDY, T., CKITA NAPEAU,
D., BUROVSKI,E.,PETERSON, P., WECKESSER, W., BBENAR, J.,DARIDI DALAMSEMUANYA,
S.J., BLURUS, M., WILSON, J., MIMAN, K.J., MAYOROV, N., NELSON, A.R.J., JSATU,E.,KERN,
R., LPEMBARUAN,E.,CArey, C.J., POLAT, JIKAEN, Y., MBERKAH, EW, VLAINNYAPITU, J.,
LAXALDE, D., PERKTOLD, J., CIMRMAN,R.,HENRIKSEN, I., QUINTERO, E.A., HARRIS, C.R.,
ARCHIBALD, A.M., RIBEIRO, A.H., PEDREGOSA, F.,OLEHMLUAR BIASA, P., VIJAYKUMAR, A.,
BARDELLI, A.P., ROTBERG, AHSEPAK BOLA, A., KLOECKNER, SEBAGAICOPATZ, KEPADAEE,
A., RDENGAN MATA, A., WOODS, C.N., FULTON, C., MASSON, C.,HAGGSTROM, C.,
FITZGERALD, C., NICHOLSON, D.A., HAGEN, D.R., PASECNIK, D.V.,
OLIVETTI,E.,Mseni,E.,WIESER,E.,SILVA, F., LAKHIR, F., WILHELM, F., YOUNG, G., PBERAS,
G.A., INGOLD, G.-L., ATIRAI, G.E., LEE, G.R., AUDREN,H.,PROBST, PENGENALIETRICH,
J.P., SILTERRA, J., WEBBER, J.T., SJALAN, J.,NOTHMAN, J., BUCHNER, J., KULICK,
J.,SCHÖNBERGER, JL,DARIMDI IRANCDENGAN DOSO, J.V.,
RKERANJANG,J.,HARRINGTON,J.,RODRÍGUEZ, JLC, NSEKARANG-SAYAGLESIAS, J.,
KUCZYNSKI, J., TRITZ, K., THOMA, M NEWVILLE, M., KEMMERER, M., BAMBIL BANGKRUT, M.,
TSENI, M., PDAN, MSMITOS, N.J., NOWACZYK, N., SHEBANOV, N., PAVLYK, O., BRODTKORB,
P.A., LEE, PMCGMEMBELI, R.T., FPEMBANGUN API, R., LEWIS, S., TYGIER, S., SIEVERT, S.,
VJARUM, S., PETERSON, S., MBIJIH, S., PUDLIK, T.,DANHAIJUGA, T. SciPy 1.0: algoritme
fundamental untuk komputasi ilmiah dengan Python.Metode Alam 17, 3 (2020), 261–
272. doi:10.1038/s41592-019-0686-2.

JOSIS, Nomor 26 (2023), hlm. 79–98

98DANTHERINGTON

[58] WITU, F.,DANHSEMUA, G. B. Fuzzy representasi batas-batas geografis di GIS.Jurnal

Internasional Sistem Informasi Geografis 10, 5 (1996), 573–590.
doi:10.1080/02693799608902098.
[59] ZLUAR BIASA, L.A. Himpunan fuzzy.Informasi dan Kontrol 8, 3 (1965), 338–353.
doi:10.1016/S0019-9958(65)90241-X.
[60] ZIZKA, A ANTUNESCARVAL, F., CALVENT, A., RKEMALASANBAEZ-LTIBA, M., CABRAL, A.,
COELHO, J.F.R., CDULU-SILVA, M., FKUNO, M.R., FHERNANDEZ, M.F., Fke jalur-ARAÚJO, T.,
Gaku bersumpahLAMBERMJIKA TIDAK, F., SMENDERITA, N.M.C., SMENDERITA,
T.A.B.,DARISMENDERITA-CMEMBELI, R.C., SERRANO, F.C., ALVES DASILVA,
A.P.,DARISUZASOARE, A., CJAMINANSUZA, P.G., CSIAPTYA AMPUN,E.,VTETAPI, V.F., VIEIRA,
T.L.,DANANTONELLI, A. Tidak ada solusi satu ukuran untuk semua untuk membersihkan
GBIF.TemanJ 8(2020), e9916. doi:10.7717/peerj.9916.

www.josis.org