Gis Recap
Gis Recap
Topology Rule
Point Line Polygon
Must Not Overlap Must Not Overlap
Must be Coincident With
(Subtract) (Subtract,Merge,Create Features)
(point snap)
Relationship Class
Origin to destination
one-to-one = parcel - legal description
one-to-many = parcel - buildings
many-to-many = parcel - owner
M-Value (Measure)
1. Menyimpan dimensi tambahan yang mewakili value yang bisa berbeda sepanjang geometri
2. Menyimpan value jarak dari titik awal, waktu pengukuran, atau nilai linear lainnya.
Multipart Features
Representasi digital dari suatu tempat atau benda yang memiliki lebih dari satu bagian tapi
didefinisikan sebagai satu kelompok
karena merujuk pada satu set atribut.
Session 8
Spatial data analysis adalah penerapan operasi yang melibatkan perhitungan terhadap koordinat atau
atribut data untuk memecahkan suatu masalah
Biasanya menggunakan data dari satu atau lebih layer untuk menghasilkan satu atau lebih output.
satu lokasi input → lokasi output yang sesuai satu lokasi input + nearby locations → output value Seluruh input layer → beberapa output value.
(Local Operations) (Neighborhood Operations) (Global Operations)
Generalisasi
Content Operations = Mengubah tampilan feature atau layer yang tampil pada peta (add, eliminate, Reclassify, Reorder)
Geometry Operations = Mengubah tampilan feature pada peta menjadi lebih atau kurang detail
(Aggregate,Collapse,Merge,Displace, Exaggerate, Simplify, Combine, Smooth)
Symbology Operations = Mengubah tampilan dari detail dengan tidak mengubah data yang sedang ditampilkan (Adjust
color, Adjust Pattern, Enhance, Rotate, Adjust size, Adjust shape, Typify, Refine, Adjust Transparency)
Tiga cara mendefinisikan Fixed Distance = Menentukan jarak misal 50 m, setiap entitas yang berada dalam jarak
yang ditentukan dianggap tetangga
neighborhood (lingkungan sekitar) Contiguity = keterhubungan spasial antar entitas (berbagi line atau berbagi point)
dalam analisis spasial. Weighted distance = memberi bobot pada jarak antar entitas
Neighborhood Functions
Memiliki konsep moving window, dimana window adalah konfigurasi cell yang berdekatan sebagai input untuk sebuah operasi
misal menggunakan grid 3x3 sebagai window, dari window tersebut kita dapat melakukan operasi yang menghasilkan output
seperti mean, median, modus, max, min, range, sum, dll
Cost Surface
Hitunglah biaya travel dari sel A ke sel B, jika biaya per satuan jarak adalah 6, dengan jarak Euclidean dan
Manhattan, sesuai rute yang ditunjukkan oleh gambar:
Euclidean Manhattan
distance = akar (40^2 + 24^2) = 46,6 distance = 4 + 8 + 8 + 8 + 8 + 8 + 8 + 8 + 4 = 64
cost = 46,6 x 6 = 279,8 atau 280 cost = 64 x 6 = 384
Hitunglah biaya travel dari sel A ke sel B, di atas raster friksi berikut, dengan jarak Euclidean dan
Manhattan, sesuai rute yang ditunjukkan oleh gambar:
Euclidian Manhattan
pitagoras untuk mencari jarak total a ke b = 28^2 + 44^2 = 52 (4x3) + (8x5) + (8x10) + (8x7) + (8x5) + (8x6) +
bagi sesuai jumlah cell yang dilewati untuk mendapat aproksimasi (8x2) + (8x1) + (4x6)
jarak tiap sel = 52 / 8 = 6,5 12 + 40 + 80 + 56 + 40 + 48 + 16 + 8 + 24 = 324
kali jarak dengan cost tiap sel
(6,5 x 3) + (6,5 x 5) + (6,5 x 10) + (6,5 x 7) + (6,5 x 6) + (6,5 x 2) + (6,5 x 1) +
(6,5 x 6)
19,5 + 32,5 + 65 + 45,5 + 39 + 13 + 6,5 + 39 = 260
Session 10
Models
Simple Spatial
Cartographic Spatio-temporal
Models
Models Models
Mengotomatiskan analisis
dan pemrosesan peta fokus pada penerapan hukum Dinamis dari segi waktu
manual matematika dan tempat
Biasanya menerapkan
serangkaian persamaan untuk
variabel yang akan
Sebagian besar bersifat diselesaikan secara spasial.
sementara dan statis karena Persamaan dikembangkan dari Memasukkan proses
mewakili fitur spasial pada data pada serangkaian berbasis waktu dalam
titik waktu tertentu pengamatan di titik atau sub kerangka model
wilayah, dan kemudian
diterapkan di wilayah
geografis UAS GIS 11 yang
lebih luas.
Menyediakan informasi
melalui kombinasi kumpulan Lebih terbatas dalam
data spasial, fungsi, dan rentang dan jumlah tema
operasi yang sering kali spasial yang dianalisis,
mencakup reclassification, namun memberi
overlay, interpolation, representasi proses
terrain analyses, buffering, dinamis yang lebih
dll mekanistik ?
Contoh
Pemerintah ingin mencari lokasi baru untuk membangun vila peristirahatan. Lokasi tersebut memiliki
3 kriteria berikut, diurutkan
dari kriteria yang dianggap paling penting:
a. Berada di dataran tinggi, untuk mendapatkan pemandangan yang bagus dan udara segar
b. Jauh dari pusat keramaian, untuk menjamin privasi dan ketenangan
c. Berada di lahan hijau
Berkaitan dengan kasus di atas: 3.Berikan contoh penentuan skor dari setiap kriteria,
1. Tentukanlah bobot setiap kriteria menggunakan tiga macam skala
menggunakan metode yang berdasarkan berikut:
pada importance ranking. a. skala biner (1 atau 0)
wi = n - ri + 1 / jumlah(n-rk+1) b. skala diskrit (bilangan bulat)
n = jumlah kriteria c. skala kontinyu (bilangan desimal)
k = summing across all kriteria
ri = rank kriteria 4. Gambarlah bagan alir cartographic model untuk
wi = numerator / jumlah semua numerator masalah pemilihan lokasi tersebut.
Bagan alir tersebut menggambarkan input,
2. Kriteria di atas masih diekspresikan secara intermediate output, final output, dan proses dari
kualitatif. Ubahlah menjadi ekspresi kuantitatif. model.
Session 11 Spatial Sampling Design
Interpolasi Spasial Metode Interpolasi paling sederhana, menggunakan fungsi persamaan sederhana, dan hanya satu titik terdekat yang
digunakan untuk memberi nilai pada lokasi baru.
merupakan prediksi variabel pada interpolasi ini rentan terhadap outlier dan mungkin tidak memberikan gambaran yang tentang pola spasial area studi, dan
mungkin tidak menangkap perubahan bertahap di permukaan.
lokasi yang baru berdasarkan Estimasi akurasi = nilai yang diamati - nilai yang diinterpolasi
sample variabel yang sama pada
2. Fixed Radius - Local Averaging
lokasi yang telah diketahui Grid Raster pada wilayah yang diinginkan. Nilai cell diperkirakan berdasarkan rata - rata sample terdekat
Sample terdekat ditentukan berdasarkan lingkaran dengan radius tertentu yang berpusat pada tiap sel. Tiap titik sample
Interpolasi Spasial perlu dilakukan yang masuk kedalam lingkaran dicari rata - ratanya untuk menjadi nilai titik sel.
Spatial Prediction
berdasarkan model matematika yang biasanya dibentuk dari proses statistik yang menggunakan koordinat lokasi dan variabel independen terukur untuk memprediksi nilai variabel
dependen yang tidak diketahui. Spatial prediction dan interpolation digunakan untuk mengestimasi nilai dari target variabel di lokasi baru. Namun ada perbedaan dimana metode
prediction biasanya mengatasi adanya spatial autocorrelation. Autocorrelation adalah kecenderungan objek sekitar untuk memiliki nilai atau karakteristik yang serupa atau mirip satu
sama lain. Nilai tinggi ditemukan di dekat nilai yang tinggi, dan sebaliknya Selain Autocorrelation ada juga cross-correlation yang berarti kecenderungan variabel untuk berubah
bersamaan atau bergerak ke arah yang sama. Autocorrelation dapat diukur dengan Moran’s I dan cross-correlation dapat diukur dengan Cross Correlation Function
Moran’s I
Indeks mengukur tingkat spatial autocorrelation dari suatu variabel yang
memberi informasi tentang tingkat kemiripan atau
ketidakmiripan nilai-nilai berdekatan.
Jika positif mirip, jika negatif tidak mirip, jika 0 tidak ada pola.
Interpolation Accuracy
Root Mean Squared Error
Positional Accuracy
Ketepatan feature spasial dengan lokasi sebenarnya
Attribute Accuracy
Ketepatan informasi attribute terkait feature spasial dengan karakteristik di dunia nyata
Logical Consistency
Tidak ada logical error dalam dataset dan feature spasial yang dibuat
Completeness
Semua feature dan attribute ada dalam dataset, tidak ada gap atau missing info
Pengukuran Akurasi
Akurasi = ketepatan titik dengan lokasi yang benar
Presisi = sebaran titik (jika titik semakin menyebar maka presisi rendah)
tidak ada standar nasional untuk mengukur keakuratan attribut tapi berikut yang dapat digunakan
Variabel kontinyu = RMSE atau MAE
Akurasi posisi untuk data garis dan poligon
Variabel Kategorikal = Jumlah benar / total
a. Euclidean Distance
b. Overlay Analysis
c. Mean Offset → Rata - Rata pemindahan
d. Epsilon band
Hitunglah Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE)
berdasarkan data pengukuran akurasi posisi di 5 titik uji berikut ini. e = akar [(xt - xd)^2 + (yt-yd)^2]
e1 = akar[9+100] = 10,44
e1^2 = 109
e2 = akar[1+1] = 1,41
e2^2 = 2
e3 = akar[1+1] = 1,41
e3^2 = 2
e4 = akar[25+4] = 5,38
e4^2 = 29
e5 = akar[36+4] = 6,32
e5^2 = 40
RMSE = akar[(Jumlah e)^2 / n]
Comission error dan omission error dihitung untuk setiap nilai, dinyatakan dalam persen. RMSE = akar [182/5] = 6.03
MAE = (jumlah abs (e)) / n
Comission error A: True-nya bukan A, tapi di data A
= 24,96 / 5 = 4.99 atau 5
Omission error A: True-nya A, tapi di data bukan