Session 7

3 Model Representasi data elevasi

Digital Elevation Triangulated
Contours
Model Irregular Network

Garis Contours biasanya

Setiap sel dalam grid mewakili Menghubungkan titik ketinggian
digambarkan dengan
posisi tertentu dan berisi nilai yang berjarak tidak seragam. Sangat
jarak tertentu (Contours
ketinggian (direpresentasikan berguna untuk mewakili medan
Interval) dapat digunakan
dengan warna tertentu) untuk lokasi yang bentuknya tidak beraturan.
untuk menampilkan
tersebut untuk memberi
perubahan medan
representasi data ketinggian yang
berkesinambungan.

Kapan harus buat feature dataset ?

Memudahkan Migrasi dan pengelolaan data Ingin menerapkan aturan topologi

Manajemen keamanan lebih mudah Ingin menggunakan coordinate system konsisten

Topology Rule
Point Line Polygon
Must Not Overlap Must Not Overlap
Must be Coincident With
(Subtract) (Subtract,Merge,Create Features)
(point snap)

Must Not Intersect Must Not have gaps

Must be Disjoint (Create Features)
(Substract, Split)
(Delete, Move)

Relationship Class
Origin to destination
one-to-one = parcel - legal description
one-to-many = parcel - buildings
many-to-many = parcel - owner

Z dan M Feature Class

Z-Value (3D)
1. Menyimpan info ketinggian
2. Pemodelan permukan bumi, visualisasi 3D, analisis topografi

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)

Set Algebra (<,>,=,<>, AND, OR, NOT)

Selection Adjacency = features that “touch” other features (berbagi batas garis atau titik)
Topological Relationship
Containment = semua feature yang memiliki atau mengelilingi sebuah target feature Cross
(saling berpotongan namun tidak sepenuhnya beririsan)
ex : Mencari jalan-jalan yang terhubung dengan Jalan Gatot Subroto ,
Mencari kelurahan-kelurahan yang dilalui oleh Jalan tol cipularang
Classfication Touches
Kriteria Metode (Bersentuhan tanpa beririsan)
K-Means Clustering ex : Mencari kelurahan-kelurahan yang bertetangga dengan Kel.Lebak
-Memberikan hasil pemisahan jelas dapat Siliwangi
diinterpretasikan. Decision Tree
-Relevan dengan tujuan analisis Equal Interval Within
-Hasil konsisten dan tidak mudah dipengaruhi Equal Frequency (Terletak dalam batas)
ex : Mencari restoran yang berada di Kel. Lebak Siliwangi
variabilitas kecil Natural Breaks
Nested Means
Region A B C D E F G H I J K L M N Overlap
(Beririsan)
Nilai 1 3 11 12 14 17 18 19 26 27 29 38 39 43 ex : Mencari jalan-jalan yang terhubung dengan Jalan Gatot Subroto

Klasifikasikan data berikut ke dalam 4 kelas b. Equal frequency

menggunakan metode: Jumlah data per kelas = 14 / 4 = 3,5
a. Equal interval (ambil 3 ada yang terbuang) d. Nested means
Interval = (43 -1) / 4 = 11 1. A,B,C m1 = 21
Kelas : 2. D,E,F 1 3 11 12 14 17 18 19 | 26 27 29 38 39 43
1. 1-12 3. G,H,I m2 = 12
2. 13-24 4. J,K,L 1 3 11 12 | 14 17 18 19 | 26 27 29 38 39 43
3. 25-36 m3 = 33
c. Natural breaks
4. 37-48 1 3 11 12 | 14 17 18 19 | 26 27 29 | 38 39 43
Varians rendah dalam kelas, tinggi antar kelas
Anggota: Kelas :
1. A,B
1. A,B,C,D 1. 1,3,11,12
2. C,D,E,F,G,H
2. E,F,G,H 2. 14,17,18,19
UAS GIS 6
3. I,J,K 3. 26,27,29
3. I,J,K
4. L,M,N 4. 38.39.43
4. L,M,N

Intersect = Membuat lapisan baru dengan bagian dan

Clip = Bagian Features yang beririsan yang akan dipertahankan
atribut yang beririsan yang dipertahankan
A clip B
A intersect B
Pertahankan informasi A yang memenuhi B
Vector Overlay

Pertahankan informasi yang ada di A dan B

Union = Mengabungkan features dari 2 layer menjadi satu layer

Erase = Menghapus bagian feature yang overlapping
baru
dengan feature di layer lain
Merge = menggabungkan features dari 2 layer dengan
Symmetrical Difference = membuat layer baru dengan
mempertahankan bentuk dari kedua layer
feature yang unik dari setiap input layer, tanpa
memasukkan common
Identity = Mirip dengan intersect namun mempertahankan semua parts
atribut dari kedua lapisan
Split = membagi features pada satu layer
Update = update attributes dari features pada satu layer
berdasarkan batas dari features di layer lain.
berdasarkan attributes dari layer lain sesuai spasial relationshipnya

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)

Menghilangkan poligon-poligon kecil dalam proses Eliminate untuk generalisasi peta.

→ Berdasarkan ukuran, Berdasarkan resolusi, Berdasarkan kepentingan

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

Thiessen Polygon (Voroni Polygon, Dirichlet Polygon)

Metode dalam analisis spasial yang digunakan untuk membagi suatu wilayah menjadi sejumlah poligon non-overlapping
berdasarkan lokasi atau distribusi titik-titik referensi. Setiap poligon dalam Thiessen Polygon berisi satu titik referensi dan
mencakup semua area yang lebih dekat ke titik tersebut dibandingkan dengan titik referensi lainnya.
1. Ambil sejumlah titik referensi yang tersebar di dalam wilayah tertentu.
2. Untuk setiap titik referensi, tentukan garis batas yang berada di tengah-tengah antara titik tersebut dan titik referensi terdekat lainnya.
3. Gabungkan garis-garis batas yang saling berdekatan untuk membentuk poligon-poligon, yang dikenal sebagai Thiessen
Polygon.
 Session 9
Local Functions Use only data in single cell to calculate output value
multilayer overlay reclassification
Empat class Overlay pada raster data adalah pengabungan tabel reclass by table = in 0 = out a ,etc
informasi reclass by range = in range 0 to 15 = out a
Mathematical Functions grid cell berisi ID dari sebuah tabel dan output layer ,etc
+,-,*,/, abs, exp, ln, sincostan, adalah gabungan kedua tabel dan diberi Out-ID untuk reclass by condition = CON(LayerA < 3,
asin,acos,atan, int, trunc, mod, isi cell LayerB, LayerC)
Out-ID bisa juga berisi penjumlahan dari grid 2 layer, Nested Function = CON(ISNULL(LayerA),
round, sqrt, root, power
namun hasilnya bisa saja ambigu, karena 1+2 = 3+0 = 3 LayerB, LayerC)
Boolean operations Clip
AND, OR, NOT source x template = template 0 dan 1, source x 0 jadi N,
less than, equal, isnull source x 1 = source
bisa juga source x 0 = 0

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

Global Menggunakan seluruh data dari

raster data layer
Zonal Functions Dapat menghasilkan output

Functions yang seragam, atau dapat

Contoh output seragam :
mengembalikan satu nilai yang juga menghasilkan nilai
akan ditempatkan di setiap sel
yang berbeda untuk tiap sel
Melakukan operasi misal nilai max global
berdasarkan cell dengan ID Contoh output yang berbeda : Out_num = globalmax(In_layer)
yang sama mengembalikan jarak dari nilai tiap sel
ke max global

Tuliskan output raster dengan

ekspresi kondisional berikut.
Con(Layer1 = 1 XOR Layer2 = ‘S’, 5, 2)
XOR, jika kembar maka false

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

Sebagian besar bersifat
sementara dan statis karena
mewakili fitur spasial pada
titik waktu tertentu
Biasanya menerapkan
serangkaian persamaan untuk
variabel yang akan
diselesaikan secara spasial.
Persamaan dikembangkan dari Memasukkan proses
data pada serangkaian berbasis waktu dalam
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 ?

Sering kali diwakili dengan

flowchart

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:
1. Tentukanlah bobot setiap kriteria
menggunakan metode yang berdasarkan
pada importance ranking.
wi = n - ri + 1 / jumlah(n-rk+1)
n = jumlah kriteria
k = summing across all kriteria
ri = rank kriteria
wi = numerator / jumlah semua numerator
2. Kriteria di atas masih diekspresikan secara
kualitatif. Ubahlah menjadi ekspresi kuantitatif.
3.Berikan contoh penentuan skor dari setiap kriteria,
menggunakan tiga macam skala
berikut:
a. skala biner (1 atau 0)
b. skala diskrit (bilangan bulat)
c. skala kontinyu (bilangan desimal)
4. Gambarlah bagan alir cartographic model untuk
masalah pemilihan lokasi tersebut.
Bagan alir tersebut menggambarkan input,
intermediate output, final output, dan proses dari
model.
 Session 11 Spatial Sampling Design

Sampling = Estimasi berdasarkan sampel titik - titik yang diketahui

Tujuannya untuk memperkirakan nilai di suatu lokasi yang tidak diketahui berdasarkan nilai dari lokasi sampel

Empat Macam Sampling Design

1. Systematic
Titik lokasi sample dipilih secara sistematis dengan sistem tertentu (Sejajar dan merata)
2. Random
Titik lokasi sampel dipilih secara acak dari seluruh area studi
3. Cluster
Area studi dibagi menjadi cluster atau kelompok dan beberapa cluster dipilih secara acak kemudian semua
lokasi dalam
cluster diambil sebagai sample
4. Adaptive
Menyesuaikan desain pengambilan sampel berdasarkan karakteristik, pola, atau informasi yang didapat
sepanjang proses Teknik Interpolasi Spasial
1. Nearest Neighbor Interpolation
pengumpulan data. Dikenal juga sebagai Thiessen Polygon Interpolation (Sesi 8)

Interpolasi Spasial
merupakan prediksi variabel pada
lokasi yang baru berdasarkan
sample variabel yang sama pada
lokasi yang telah diketahui
Interpolasi Spasial perlu dilakukan
Metode Interpolasi paling sederhana, menggunakan fungsi persamaan sederhana, dan hanya satu titik terdekat yang
digunakan untuk memberi nilai pada lokasi baru.
interpolasi ini rentan terhadap outlier dan mungkin tidak memberikan gambaran yang tentang pola spasial area studi, dan
mungkin tidak menangkap perubahan bertahap di permukaan.
Estimasi akurasi = nilai yang diamati - nilai yang diinterpolasi
2. Fixed Radius - Local Averaging
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
yang masuk kedalam lingkaran dicari rata - ratanya untuk menjadi nilai titik sel.

karena beberapa alasan: 3. Inverse Distance Weighted Interpolation

Memperkirakan nilai pada titik baru menggunakan nilai sampel dan jarak ke titik - titik terdekat yang diketahui
1. Harga
2. Data terbatas ( Beberapa area n = eksponen yang ditentukan user
Penentuan nilai n dapat mempengaruhi besarnya nilai estimasi. Semakin tinggi n maka estimasi akan semakin tinggi
mungkin sulit atau tidak dapat Jika nilai eksponen = 0 maka hasilnya akan sama / mirip dengan saat kita menghitung dengan menggunakan fixed radius
(tergantung jumlah titik yang diambil).
dikunjungi atau mungkin tidak Local Influences are stronger as the exponent increases and the number of sample point decreases
aman untuk mengumpulkan 4. Splines
Penggaris fleksibel yang biasa digunakan untuk membuat kurva halus melalui serangkaian titik.
data di beberapa lokasi ) Fungsi matematika digunakan untuk melakukan interpolasi sepanjang kurva halus
5. Kringing
3. Untuk melakukan analisis pola Weight bergantung pada jarak dan local spatial autocorrelation. Kita perlu menyesuaikan model semivariogram ke data
dan pemetaan point kita. model semivariogram menggambarkan spatial autocorrelation dari sampel point.
Grafik semivariogram menggambarkan variabilitas antar titik sample dan jarak antar mereka. variabilitas meningkat jika
4. Membantu pengambilan titik sampel jauh.
Range = ketika kurva mulai mendatar
keputusan pasangan sebelum titik range berkolerasi sedangkan yang sesudah tidak berkolerasi spasial
5. Koreksi Spasial Sill = nilai ketika semivariogram mencapai range
Nugget = nilai semivariogram ketika jarak antar titik titik adalah 0
6. Memahami distribusi spasial 6. `Trend Surface Interpolation

dalam suatu wilayah Menggunakan model - model polinomial untuk prediksi

orde atau pangkat pada polinomial yang berbeda beda akan menghasilkan tampilan permukaan yang berbeda beda juga

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

Mean Absolute Error

Soal
Hitunglah estimasi nilai Z di titik P berdasarkan data dari lima sampel berikut ini,
menggunakan metode:
a. Nearest neighbor
b. Local averaging with fixed radius, dengan radius r = 15
c. Inverse Distance Weighting (IDW) dengan eksponen 1, dan hanya
menggunakan tiga sampel terdekat.
1. Nearest Neighbor
Distance to P terkecil = 8
Z value di P = 12
2. Fixed Radius, r = 15
Sample yang diambil = 1,2, dan 4
Z value = (34 + 12 + 28) / 3 = 24,6
3. IDW, n =1, sampel = 3
Sample yang diambil = 1,2, dan 4
Z value
= (34/12 + 12/8 + 28/10) /
(1/12 + 1/8 + 1/10)
= (2,83 + 1,5 + 2,8) / 0.3
= 23,8
Hitunglah nilai Moran’s I dari sel yang berwarna kuning (2), hijau (3), dan biru (7), pada
raster berikut, menggunakan dua metode
penentuan neighbor:
a. Rook’s case contiguity
b. Queen’s case (atau King’s case) contiguity
Mean = 143 / 25 = 5.72
1. Rook’s case
a. 3 (0,0)
= 2[1(3-5.72)(9-5.72)+1(3-5.72)(5-5.72)] / (3-5.72)^2 . 2
= -13,94 / 14,8
= -0.94 (tidak ada korelasi)
b. 7 (4,1)
= 4 [(1(7-5.72)(2-5.72)+1(7-5.72)(11-5.72)+1(7-5.72)(8-5.72)+1(7-5.72)(3-5.72)] / (7-5.72)^2 . 4
= 4 [-4,76 + 6,75 + 2,91 - 3,48] / 6,55
= 5,68 / 6,55 = 0,86 (ada korelasi)
c. 2 (3,3)
= 4 [(1(2-5.72)(3-5.72)+1(2-5.72)(9-5.72)+1(2-5.72)(5-5.72)+1(2-5.72)(7-5.72)] / (2-5.72)^2 . 4
2. Queen’s case
Sama dengan rook case bedanya diagonal juga diambil
Session 12 Spatial Data Accuracy

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

Hitunglah overall accuracy dari seluruh nilai atribut.

Overall Accuracy = 13 / 20 = 65%

Hitunglah comission error dari masing-masing nilai atribut.

comission error A = 3 / 8 = 37.5%
comission error B = 2 / 6 = 33.3%
comission error C = 2 / 6 = 33.3%

Hitunglah omission error dari masing-masing nilai atribut.

Comission error A = 2/7 = 28.5%
UAS GIS 20
omission error B = 3/7 = 42.8%
omission error C = 2/6 = 33.3%