LAPORAN PRAKTIKUM

ANALISIS GEOSPASIAL
Minggu ke-10

Topik: : Analisis Geostatistik

Disusun oleh:
Fairus Naveel Mubarok
20/460249/TK/50838
Kelas B

PROGRAM STUDI SARJANA TEKNIK GEODESI

DEPARTEMEN TEKNIK GEODESI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2023
 Daftar Isi

A. Tujuan ................................................................................................................................. 3
B. Lokasi dan Waktu Pengerjaan ............................................................................................ 3
C. Landasan Teori (minimal 3 pustaka berbeda) .................................................................... 3
D. Alat dan Bahan ................................................................................................................... 4
E. Langkah Pengerjaan ........................................................................................................... 4
F. Hasil dan Pembahasan ........................................................................................................ 6
G. Kesimpulan ....................................................................................................................... 16

2
A. Tujuan
Tujuan praktikum ini adalah mahasiswa memahami cara menggunakan
perangkat pada ekstensi Geostatistical Analyst untuk memvisualisasi, menganalisis,
dan memahami fenomena spasial yang terjadi.

B. Lokasi dan Waktu Pengerjaan

Hari/tanggal : Senin, 8 Mei 2023
Pukul : 07.15 – 09.15 WIB
Tempat : Lab. Geokomputasi, Departemen Teknik Geodesi, FT UGM

C. Landasan Teori
a. Multi Cirteria Decision Making
Geostatistika merupakan studi terhadap fenomena alam serta persebarannya
dalam dimensi spasial melalui analisis matematis dengan komponen utama berupa
variogram, kriging, dan simulasi stokastik (Bohling, 2005). Bidang geostatistik dan
analisis spasial sangat terkait karena sama-sama menekankan pada penggunaan
pendekatan untuk menggambarkan menganalisis, dan memvisualisasikan variabilitas
spasial dari fenomena yang terjadi secara alami (Oyana & Margai, 2014). Analisis
geostatistik menyediakan banyak metode interpolasi yang berbeda. Tujuan dari
Analisis Geostatistik adalah memodelkan dan menemukan pola dari fenomena
geografis. Analisis Geostatistik dapat menyelesaikan masalah dengan kita bisa
mendapatakan surface yang berisis nilai nilai yang diteliti dengan hanya beberapa titik
sampel saja.
Metode kriging dikembangkan oleh George Matheron sebagai theory of
regionalized variables dan D.G. Krige sebagai sebuah metode interpolasi yang optimal
untuk digunakan di dalam ilmu kebumian. Dasar dari teknik kriging adalah laju
perubahan antar titik di dalam ruang yang dapat di representasi kan dengan variogram.
Analisis geostatistik menyediakan banyak metode interpolasi yang berbeda, salah
satunya adalah metode ordinary kriging.
Metode ordinary kriging merupakan metode estimasi suatu peubah acak pada
suatu titik (lokasi) tertentu dengan mengamati data yang sejenis dilokasi lain dengan
mean data diasumsikan konstan tetapi tidak diketahui nilainya (Yulianti, 2015) . Pada
metode ordinary kriging, nilai-nilai sampel yang diketahui dijadikan kombinasi linier
untuk menaksir titik-titik disekitar daerah (lokasi) sampel.

3
D. Alat dan Bahan
Alat dan bahan yang digunakan pada praktikum kali ini adalah sebagai berikut.
1. Laptop
2. Sofware ArcMAP 10.8
3. Modul praktikum minggu ke-10
4. Google Earth Engine

Bahan untuk analisis vektor sebagai berikut.

1. Data vektor batas administrasi Kabupaten Cilacap

2. Data raster NO2 Kabupaten Cilacap, diunduh dari GEE
3. Data DEM, diunduh dari situs SRTM BIG

E. Langkah Pengerjaan
1. Menampilkan konsentrasi NO2 dengan Google Earth Engine.
link GEE:
https://code.earthengine.google.com/bcc2580f2e2bcb766cf6d8f15ccf0d24
2. Lakukan filter data untuk waktu satu bulan.
3. Menambahkan assets batas administrasi ke dalam script.
4. Potong data raster sesuai batas administrasi Kabupaten Cilacap tersebut dengan
menggunakan fungsi Clip to Collection.
5. Atur tampilan layer supaya tepat di wilayah lokasi Kabupaten Cilacap.
6. Jalankan dan download data raster tersebut.
7. Sebaran titik sesuai batas administrasi yang mengandung nilai raster.
8. Jalankan ArcMap dan tambahkan data batas administrasi dan raster konsentrasi
NO2.
9. Jalankan menu Data Management Tools → Sampling → Create Random Points
(pada pilihan Number of Points: Long, isikan 1 atau setelah dicek titiknya
berjumlah 400 s.d. 500 titik sampel).
10. Jalankan menu Spatial Analyst Tools → Extraction → Extract Values to Points.
11. Hapus titik yang mengandung nilai null pada field raster values.
12. Simpan data titik tersebut yang kemudian akan digunakan untuk melakukan
analisis geostatistik.

4
Latihan pertama

1. Membuat dan menampilkan surface dari konsentrasi NO2 menggunakan

ekstensi Geostatistical Analyst dengan metode Kriging dan parameter dibuat
default.
2. Aktifkan ekstensi Geostatistical Analyst pada Customize→ Extensions. Klik
Geostatistical Wizard. Input data titik. Pilih atribut raster values.
3. Klik Kriging untuk metode yang dipilih.
4. Pilih Kriging Type Ordinary Kemudian klik Next hingga selesai.

Latihan kedua

1. Melakukan investigasi statistik dari data yang ditampilkan.

2. Memeriksa distribusi data dan menjelaskan setiap tampilan dari data yang
diperoleh.
3. Explore Data → Histogram.
4. Explore Data → Normal QQPlot.
5. Mengidentifikasi kecerendungan distribusi data.
6. Explore Data → Trend Analysis.
7. Memahami autokorelasi spasial dan melihat arah distribusi data.
8. Explore Data → Semivariogram/Covariance Cloud.

Latihan ketiga

1. Memilih model yang sesuai untuk surface yang telah dibuat sebelumnya. Untuk
memudahkan memilih model yang sesuai, gunakan hasil kesimpulan dari
latihan sebelumnya: Latihan pertama dan Latihan kedua.
2. Aktifkan ekstensi Geostatistical Analyst pada Customize→ Extensions. Klik
Geostatistical Wizard. Input data titik. Pilih atribut raster values.
3. Klik Kriging untuk metode yang dipilih.
4. Pilih Kriging Type Ordinary.
5. Pilih orde transformasi sesuai kecerendungan distribusi data hasil latihan
sebelumnya.
6. Pada tahap Semivariogram/Covariance Modeling, pillih Model Type Spherical,
7. Model semivariogram / kovarian yang Anda buat seharusnya mendekati
ketentuan berikut.
• Pass through the center of the cloud of binned values (red dots).
5
 • Pass as closely as possible to the averaged values (blue crosses).
• Pass as closely as possible to the lines (green lines).

Latihan keempat

Pada langkah ini, melihat perbandingan dari kedua model terutama untuk nilai RMS
dan Mean Prediction Errors. Dengan membandingkan kedua model, Anda dapat
memilih mana model yang lebih akurat untuk menampilkan prediksi dari konsentrasi
NO2.

1. Klik kanan pada model hasil latihan ketiga pilih Compare.

2. Pada isian To, pilih model yang dibuat pada latihan pertama.

Latihan kelima

Membuat visualisasi peta final yang menampilkan hasil pemodelan prediksi

konsentrasi NO2 yang sudah dibuat. Tambahkan hillshade dan atur transparansinya.

F. Hasil dan Pembahasan

Pada praktikum kali ini, terdapat tiga data utama yang digunakan yaitu data
vektor batas administrasi Kabupaten Cilacap, Data raster sebaran konsentrasi NO2 di
Kabupaten Cilacap, dan data raster elevasi berupa Digital Elevation Model (DEM) di
Kabupaten Cilacap. Sebelum melakukan pengolahan data, proses awal adalah dengan
melakukan pengumpulan dan pengunduhan data. Data raster sebaran konsentrasi gas
NO2 bulan di Kabupaten Cilacap yang diunduh dari platform Google Earth Engine.
Proses pengunduhan data sebaran gas NO2 dilakukan dengan eksekusi kode JavaScript
sebagai berikut.

6
 Gambar 1. Script GEE yang digunakan untuk mengunduh raster sebaran NO2

Data raster elevasi berupa Digital Elevation Model (DEM) di Kabupaten Cilacap
dengan resolusi 8 meter diunduh dari web tanahair.indonesia.go.id.

Pada langkah awal, data yang sudah dilakukan pengunduhan dimasukkan ke

dalam perangkat lunak ArcMap 10.8. Data tersebut, terlebih dahulu dilakukan proses
clipping data raster menjadi seluas batas administrasi Kabupaten Cilacap. Selanjutnya
adalah pembuatan titik-titik sampel sebanyak 400-500 titik dengan fitur extract random
point. Lalu melakukan ekstraksi data raster ke dalam titk-titik sampel yang sebelumnya
telah dibuat. Berikut adalah tampilan data raster persebaran NO2 di kabupaten Cilacap.

Gambar 2. Data raster persebaran NO2 di Kabupaten Cilacap

7
Latihan I: Visualisasi Data dalam Bentuk Peta Konsentrasi NO2 secara Default

hasil ekstraksi data raster yang disimpan dalam titik-titik sampel dilakukan proses
interpolasi dengan metode Ordinary Kriging. Pertama adalah memasukkan data input
berupa data titik sampel dengan hasil nilai ekstraksi data raster. Berikutnya melakukan
pengaturan dataset secara default pada halaman berikutnya. Hasil parameter tersebut
akan memvisualisasikan semivariogram yang ditunjukkan pada gambar berikut.

Gambar 3. Grafik semi-variogram yang dihasilkan

Grafik semivariogram yang didapatkan bertipe Gaussian. Dari semivariogram tersebut,

dihasilkan interpolasi metode Ordinary Kriging yang ditunjukkan pada gambar sebagai
berikut.

Gambar 4. Hasil interpolasi kriging

8
 Gambar 5. Hasil statistik

Gambar 6. Hasil report

Latihan II

Pada Latihan II, hasil ektraksi raster NO2 yang telah masuk kedalam data titik-titik
sampel sebelumnya dilakukan analisis geostatistik berdasarkan histogram, normalQQ
plot, voronoi, trend analysis, dan semivariogram.

Berikut merupakan hasil histogram dari data titik sampel.

9
 Gambar 7. Histogram dari data sampel

Distribusi data sampel digambarkan dengan histogram dengan rentang nilai yang
dipisahkan menjadi 10 kelas. Secara umum, ciri-ciri penting dari distribusi adalah nilai
sentralnya, penyebarannya, dan kesimetriannya. Sebagai pemeriksaan cepat, jika nilai
rata-rata dan median kira-kira sama. Dari tampilan histogram tersebut, dapat diketahui
bahwa bentuk distribusi data sudah masih belum mendekati bentuk persebaran normal.
Namun demikian, bentuk histogram haruslah diubah menjadi bentuk distribusi normal
agar hasil interpolasi dapat lebih representatif.

Berikutnya adalah Grafik Normal QQPlot yang ditunjukkan pada gambar berikut ini.

Gambar 8. Grafik Normal QQPlot

Normal QQPlot adalah perbandingan distribusi data dengan distribusi normal standar,
memberikan ukuran lain dari normalitas data. Semakin dekat titik-titik tersebut untuk
membuat garis lurus, semakin dekat distribusi tersebut dengan distribusi normal. Dari
tampilan Normal QQPlot di atas, menunjukkan terjadinya penyimpangan sehingga
dapat dikatakan bahwa data kurang terdistribusi normal. Oleh karena itu, diperlukan

10
normalisasi data dengan melakukan transformasi log atau arcsin; dan/atau pilihan kedua
dengan menggunakan metode interpolasi Simple Kriging.

Selanjutnya adalah melakukan trend analysis yang ditampilkan pada gambar berikut.

Gambar 9. Hasil trend analysis

Trend analysis bertujuan untuk melihat data memiliki trend tertentu atau tidak. Data
yang baik adalah data yang tidak memiliki trend apapun. Pada gambar tersebut, dari
hasil trend analysis menunjukkan terdapatnya suatu trend tertentu pada data. Trend
tersebut perlu dihilangkan terlebih dahulu dengan memilih konsep interpolasi metode
Universal Kriging.

Terakhir, hasil grafik semi-variogram yang ditunjukkan pada gambar berikut.

Gambar 10. Grafik semi-variogram

11
 Gambar 11. Kovarian

Semivariogram/Covariance Cloud memungkinkan untuk memeriksa autokorelasi

spasial antara titik sampel yang diukur. Dalam autokorelasi spasial, diasumsikan bahwa
hal-hal yang dekat satu sama lain lebih mirip. Setiap titik merah di
Semivariogram/Covariance Cloud mewakili sepasang lokasi. Karena lokasi yang lebih
dekat harus lebih mirip, dalam semivariogram lokasi yang dekat (paling kiri pada
sumbu x) harus memiliki nilai semivariogram yang kecil (rendah pada sumbu y). Saat
jarak antara pasangan lokasi meningkat (bergerak ke kanan pada sumbu x), nilai
semivariogram juga harus meningkat (bergerak ke atas pada sumbu y). Namun, jarak
tertentu tercapai saat awan mendatar, menunjukkan bahwa hubungan antara pasangan
lokasi di luar jarak tersebut tidak lagi berkorelasi. Bentuk dari semivariogram ini harus
disesuaikan dengan keadaan data yang ada sehingga dapat dihasilkan hasil interpolasi
yang paling representatif.

Latihan III

Berdasarkan hasil eksplorasi data, maka berikutnya akan dilakukan visualisasi data
kriging berdasarkan input parameter sesuai dengan keadaan data. Dari hasil Histogram
dan Normal QQ Plot menunjukkan bahwa terdapat nilai data yang tidak terdistribusi
normal, maka perlu dilakukan normalisasi dengan transformasi Log atau Arcsin. Pada
kasus data yang digunakan, dipilih transformasi Log karena hasil histogram lebih
mendekati ke bentuk normal. Berikutnya, berdasarkan hasil Trend Analysis, terdapat
dua trend yang diwakilkan oleh garis biru dan hijau yang berbentuk huruf ‘U’. Oleh
karena itu, perlu dilakukan penghapusan kedua trend tersebut dengan memilih metode

12
2nd Order Polynomial. Selanjutnya parameter-parameter tersebut dimasukkan kedalam
interpolasi kriging yang sesuai. Berikut adalah tampilan parameter yang diinput
kedalam interpolasi kriging.

Gambar 12. Parameter transformasi dan order of trend removal yang dipilih

Selanjutnya adalah melakukan visualisasi data semivariogram dengan model Spherical.

Hasil semivariogram sudah menunjukkan data terdistribusi normal dengan baik seperti
pada tampilan berikut.

Gambar 13. Hasil semivariogram

Terakhir adalah visualisasi data hasil interpolasi kriging yang telah di-input-kan
parameter dari tahap eksplorasi data. Berikut adalah hasil interpolasi kriging.

13
 Gambar 14. Hasil kriging dengan parameter tertentu

Latihan IV

Perbandingan antara dua model hasil interpolasi kriging, yaitu hasil interpolasi kriging
dengan parameter default dan hasil interpolasi kriging dengan parameter hasil
eksplorasi data (transformasi Log, penghapusan trend dengan Second Order
Polynomial, dan bentuk semivariogram Gaussian).

Gambar 15. Hasil kriging dengan parameter default

14
Gambar 15. Hasil kriging dengan parameter yang sesuai

Gambar 16. Hasil compare prediksi

Gambar 17. Hasil compare Normal QQPlot

15
 Dari hasil-hasil yang ditampilkan pada gambar tersebut menunjukkan bahwa hasil akhir
sudah menghasilkan interpolasi kriging yang lebih interpretatif. Ditinjau dari data
RMS, hasil interpolasi kriging dengan parameter yang benar (kriging 2) memiliki nilai
RMS yang lebih kecil dari hasil interpolasi kriging dengan parameter default (kriging).
Selain itu, dari grafik prediksi dan Normal QQPlot menunjukkan bahwa hasil kriging
dengan parameter yang benar memiliki penyimpangan yang lebih sedikit dari pada hasil
kriging dengan parameter default.

Latihan V

Pada latihan v dilakukan layouting peta konsentrasi NO2 yang berlokasi di Kabupaten
Cilacap. Data hasil kriging dengan parameter yang benar dilakukan cliping dengan data
batas administrasi Kabupaten Cilacap. Layouting peta tersebut telampir pada bagian
lampiran.

G. Kesimpulan
Pada praktikum minggu ke-10 didapatkan kesimpulan bahwa tahap eksplorasi data
sangat mempengaruhi kualitas hasil akhir dari interpolasi kriging. Eksplorasi data
bertujuan untuk menginvestigasi statistik dari data yang ditampilkan. Selain itu,
eksplorasi data juga bertujuan untuk mengetahui apakah data sampel yang akan
digunakan sudah terdistribu normal atau belum. Jika data belum terdistribusi normal,
maka perlu dilakukan normalisasi dengan parameter-parameter yang sesuai agar data
yang di hasilkan lebih representatif.

16
 Daftar Pustaka

Bohling, G.: Stochastic Simulation and Reservoir Modeling Workflow. Kansas Geological
Survey. (2005)

Oyana, T. J., & Margai, F. M. 2014. Spatial Analysis Statistics, Visualization, and
Computational Methods. In Hazards Analysis: Reducing the Impact of Disasters, Second
Edition.

Yulianti, R: Perhitungan Sumberdaya Batubara dengan Menggunakan Metode Ordinary

kriging dan Metode Poligon pada Pit Area 1 PT. Indo Mining Resources, Kabupaten
Dharmasraya, Provinsi Sumatera Barat. Skripsi. (2015)

17
Lampiran

18