MODUL PRAKTIKUM

STATISTIKA SPASIAL
APLIKASI K MEANS DENGAN MODEL BUILDER
(Case Study: Menghitung Kepadatan Penduduk)

PROGRAM STUDI SAINS INFORMASI GEOGRAFI

FAKULTAS PENDIDIKAN ILMU PENGETAHUAN SOSIAL
UNIVERSITAS PENDIDIKAN INDONESIA
2023
A. Topik

Aplikasi K Means untuk Mendeteksi Pola Spasial

B. Tujuan Praktikum

1. Mahasiswa mampu menganalisa spatial pattern dari penyebaran titik.

2. Memahami perhitungan kepadatan yang bergantung pada jarak yang akurat dan
perhitungan luas.
3. Memahami salah satu metode clustering dalam memilih target jumlah kelas dan maksimum
standar deviasi.

C. Teori Dasar
K – means Clustering adalah salah satu bagian dari metode data mining yaitu clustering.
Metode clustering merupakan suatu metode yang mengelompokkan beberapa data ke dalam
suatu grup ataupun cluster. Metode cluster memanfaatkan kemiripan objek
dalam mengelompokan data, sehingga dalam satu cluster berisisikan data yang mempunyai
kemiripan satu sama lain. Kemiripan yang digunakan dalam metode clustering adalah fungsi
jarak. K – means clustering termasuk dalam jenis algoritma yang akan mengelompokkan data
atau objek ke dalam k buah kelompok (cluster). Pada setiap cluster terdapat titik pusat
(centroid) yang merepresentasikan cluster tersebut dan dihitung dari nilai rata-rata pada cluster.
Pada metode ini operator memilih target jumlah kelas dan maksimum standar deviasi,
kemudian komputer akan mengelompokkan data ke dalam kelas kelompok yang telah
ditentukan.
Menurut MacQueen JB (1967), langkah – langkah dari algoritma K Means sebagai
berikut.
1) Menentukan banyak grup (cluster) yang ingin dibentuk.
2) Mengalokasikan data ke dalam kelompok secara acak
3) Menghitung pusat kelompok (centroid/rata-rata) dari data yang ada di masing – masing
grup
4) Mengalokasikan masing-masing data ke (centroid/rata-rata) terdekat
5) Jika masih ada data yang berpindah grup, perubahan nilai centroid di atas nilai ambang
yang ditentukan, perubahan nilai pada fungsi objektif yang digunakan masih di atas
nilai ambang yang ditentukan, silahkan ulangi langkah nomor 3.

Metode K – Means memiliki beberapa kelebihan dari metode cluster yang lain, yaitu
mudah untuk dilakukan atau diaplikasikan, relatif lebih cepat dalam menganalisis sehingga
tidak perlu memakan waktu yang lama, dan yang terakhir adalah mudah diadaptasi.

D. Metodologi

Alat dan bahan:

1. Data SHP (Kali ini menggunakan data Batas Administrasi dan Jumlah Penduduk)
2. Perangkat lunak ArcGIS
Tugas:
1. Lakukan klasifikasi objek pada suatu wilayah berdasarkan metode clustering K Means
2. Lakukan Analisa Spatial Pattern dari data SHP atau data lainnya yang memuat
penyebaran titik/objek akibat fenomena tertentu di suatu daerah.

Tahapan Kerja
Menyiapkan Data dan Model Builder
1) Proyeksikan layer yang akan digunakan sesuai dengan Zona UTM untuk kooordinat
system data yang akan kita panggil.

2) Masukan data, pilih icon (Contoh data yang diinput: data batas administrasi dan
Landuse-> memuat data penduduk).

3) Pastikan atribut pada data lengkap, khususnya pada kepadatan penduduk dan data yang
terkait dengan analisis yang akan dilakukan (Kelurahan, luas, dll).
4) Untuk menyiapkan Model Builder, Pilih Catalog
a. Pilih folder penyimpanan, pilih new -> toolbox,
b. Klik kanan pada toolbox pilih model

5) Kemudian drag dua data dasar, save sewaktu-waktu untuk mencegah kehilangan data
apabila model builder kita mengalami crash/force close.
Tahapan Aplikasi Kernel
Select Layer by Attribute
1. Tahap pertama adalah Select Layer by Attribute yaitu menyeleksi data yang kita
inginkan untuk dianalisis (polygon pemukiman).
2. Pertama ketik pada search “Select Layer by Attribute”, kemudian drag ke dalam box
Model.

3. Klik icon Connect untuk menghubungkan data landsuse dengan analisisnya.

4. Pilih Layer Name, kemudian double klik dan muncul box baru, sudah benar apabila
pada selection type muncul NEW_SELECTION
5. Kemudian klik icon SQL , Lalu akan muncul Query Builder,

• pilih Nama_Unsur (double klik)

• klik sama dengan (=)
• pilih Pemukiman -> OK

6. Klik Run pada Model, bila selesai klik close, dan kemudian Save .
Make Feature Layer
1. Ketik Make Feature Layer pada search, tools ini berfungsi untuk menjadikan polygon
yang sudah terseleksi tadi menjadi layer tersendiri.
2. Lalu Drag ke dalam Model Builder
3. Kemudian kita hubungkan antara hasil ‘select by attribute’ yang sebelumnya dengan

‘fungsi make feature layer’ dengan tools Connect .

4. Pastikan fungsi Nama_Unsur sudah tercentang (V), karna kita akan memakai kolom
“Nama_Unsur” Pemukiman di dalam Kernel density
5. Klik Run pada Model Builder, bila selesai klik close dan save
Identity (+ .shp Administrasi)
1. Ketik Identity pada search. Tools ini digunakan untuk memberikan identitas
pemukiman berdasarkan kecamatan/kelurahannya

2. Drag ke dalam Model Builder

3. Kemudian kita hubungkan antara hasil fungsi “Make Feature Layer’’ yang

sebelumnya dengan ‘Identity’ dengan tools Connect . Klik input feature.

4. Kemudian kita memerlukan layer ‘administrasi’, klik Identity Feature.

5. Klik Identity dalam Model Builder, pastikan atur lokasi penyimpanan sesuai folder
yang kita pilih, klik save lalu klik OK
6. Klik Run pada Model Builder, bila selesai klik Close dan Save .
Dissolve
1. Ketik Dissolve pada search
2. Drag ke dalam Model Builder yang sudah tersusun sebelumnya.

3. Kemudian kita hubungkan antara hasil ‘‘Indentity’’ yang sebelumnya dengan fungsi

‘Dissolve’ dengan tools Connect . Klik input feature

4. Kemudian klik fungsi Dissolve tersebut dan centang data yang akan kita olah (Contoh
data yang digunakan: data kecamatan dan jumlah penduduk. Data pemukiman
berbasis jumlah penduduk di setiap kecamatan).
5. Pastikan atur lokasi penyimpanan sesuai folder yang kita pilih, klik Save lalu klik OK

6. Klik Run pada Model Builder, bila selesai klik Close dan Save .

Berikut adalah hasil Model Builder sampai tahapan Dissolve.

Feature To Point
1. Ketik Feature to Point pada search
2. Drag ke dalam Model Builder

3. Kemudian kita hubungkan/input hasil ‘‘Dissolve’’ yang sebelumnya dengan fungsi

‘Feature to Point’ dengan tools Connect .

• Klik input feature.

4. Kemudian klik fungsi Dissolve tersebut dan centang Fungsi Inside (Berfungsi untuk
memastikan bahwa titik pusat pemukiman yang akan kita ekstraksi akan berada
dalam polygon pemukiman)
5. Pastikan atur lokasi penyimpanan sesuai folder yang kita pilih, klik Save lalu klik OK

6. Klik Run pada Model Builder, bila selesai klik Close dan Save
Kernel Density (Extent shp “Administrasi”)
1. Ketik Kernel Density pada search.
2. Drag ke dalam Model Builder

3. Kemudian kita hubungkan/input hasil ‘‘Feature to Point’’ yang sebelumnya dengan

fungsi ‘Kernel Density’ dengan tools Connect . Klik input point.

4. Kemudian masukkan administrasi kecamatan sebagai Extent

5. Kemudian double klik pada fungsi Kernel Density dan isi jumlah penduduk pada
Population Field. Pastikan atur lokasi penyimpanan sesuai folder yang kita pilih.

6. Ketikkan 1500 (sesuaikan dengan jarak wilayah administrasi) pada isian Search
Radius, lalu klik OK
7. Klik Run pada Model Builder, bila selesai klik Close dan Save

Berikut adalah hasil Model Builder sampai tahapan Kernel Density.

Clip (Extent shp “Administrasi”)
1. Pilih Clip pada Data Management tools untuk memotong hasil Kernel Density.
2. Drag ke dalam Model Builder

3. Kemudian kita hubungkan/input hasil ‘‘Kernel Density’’ yang sebelumnya dengan

fungsi ‘Clip’ dengan tools Connect . Klik input Raster.

4. Kemudian masukkan administrasi kecamatan sebagai output extent

5. Kemudian double klik pada fusngsi Clip dan centang use Input Features for Clipping
Geometry ( agar hasil clipnya sesuai dengan deliniasi wilayah studi)

6. Pastikan atur lokasi penyimpanan sesuai folder yang kita pilih, klik Save

7. Klik Run pada Model Builder, bila selesai klik Close dan Save .
8. Berikut adalah hasil Model Builder sampai proses selesai, selanjutnya klik Close pada
Model
Mengeksport dan Mendisplay Hasil
1. Untuk Mengeksport Hasil Kerja, Klik kanan pada hasil akhir dalam Model Builder
2. Klik Add to Display untuk menampilkan hasilnya dalam lembar kerja

3. Klik kanan pada layer hasil kemudian kita Export Data supaya hasilnya berbentuk
.Tiff

4. Pilih lokasi penyimpanan hasil, ganti nama (optional) Kemudian Save agar muncul di
lembar kerja, maka akan muncul tampilan seperti contoh berikut.
5. Untuk Membuat Display hasil kerja, klik kanan pada layer, pilih Symbology, lalu pilih
Classify

6. Atur jumlah kelas pada Classify, Klik Ok

7. Atur warna untuk menunjukkan tingkat kepadatan, maka akan muncul tampilan seperti
contoh berikut

8. Untuk Menambah Titik Pusat Pemukiman/Data, buka Model Builder kembali, klik
kanan pada hasil Feature to point
9. Klik Add to Display untuk memunculkan point pada lembar kerja

10. Maka tampilan titik-titik pemukiman akan muncul seperti contoh di bawah

- Selamat Mengerjakan –
 DAFTAR PUSTAKA

https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-toolbox/kernel-density.htm
Ficher MM and Getis A. 2010. Handbook of Applied Spatial Analysis Software Tools,
Methods and Applications. Springer-Verlag Berlin Heidelberg
Gaetan C and Guyon X. 2010. Spatial Statistics and Modelling. Springer
Kushardono, D. 2017. Klasifikasi Digital pada Penginderaan Jauh. PT Penerbit IPB Press.
Anggota IKAPI. ISBN: 978-602-440-198-6
Lee, J. dan Wong, D. W. S. (2001), Statistical Analysis with Arcview GIS, John Wiley and
Sons, New York.