Analisis Data dan Spasial Eksploratory
LAPORAN PRAKTIKUM
PRAKTIKUM STATISTIKA SPASIAL
ANALISIS DATA SPASIAL EKSPLORATORI
Tanggal Penyerahan : 17 Oktober 2016
Disusun Oleh :
Khaerul Pratama / 23 – 2016 – 11
Kelas A
Nama Asisten :
Nadhea Arta Y.
Ganny Indrajid
LABORATORIUM SISTEM INFORMASI SPASIAL
JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIOANAL
BANDUNG
2016
1. PENDAHULUAN
1.1 Latar Belakang
Tanah atau lahan merupakan salah satu sumber daya yang mempunyai peranan strategis
dalam pembangunan perkotaan. Perkembangan pembangunan kota semakin pesat dan
tingginya laju pertumbuhan penduduk merupakan faktor pemicu meningkatnya kebutuhan
tanah di perkotaan. Sementara itu, tanah yang tersedia di daerah perkotaan terbatas. Hal ini
menimbulkan permasalahan tanah perkotaan, seperti peningkatan harga tanah yang tidak
terkendali.
Informasi harga tanah yang akurat dan mutakhir diperlukan dalam pengendalian harga
tanah yang selalu berubah akibat dari berbagai kepentingan dalam penggunaan tanah.
Informasi harga tanah dapat diamati menggunakan Analisis Data Spasial Eksploratori (ADSE).
Analisis ini merupakan metode eksplorasi data menggunakan teknik aritmatika sederhana dan
teknik grafis dalam meringkas data pengamatan. kontribusi utama dari pendekatan data secara
eksploratori terletak pada penyajian seluruh ringkasan statistik secara visual. ADSE
memungkinkan untuk memahami lebih mendalam fenomena yang sedang di analisis, sehingga
keputusan yang diambil akan lebih cepat dan tepat. ADSE dapat digunakan untuk memplotkan
distribusi data, melihat kecenderungan global dan lokal, mengevaluasi auto-korelasi spasial
(spasial autocorelation), memahami covarian diantara beberapa seri data (De Smith et. Al,
2007). Analisis yang paling sederhana di dalam ADSE adalah membuat ringkasan nilai statistik
dari suatu seri data atau dalam konteks data spasial adalah membuat ringkasan dari atribut tabel
atau nilai grid.
1.2
Maksud dan Tujuan
Praktikum kali ini bermaksudkan untuk meningkatkan keterampilan, pemahaman, dan
pengetahuan dalam analisis data spasial.
Tujuan melakukan praktikum ialah mahasiswa dapat melakukan analisis dan pengamatan
data menggunakan metode Analisis Data Spasial Eksploratori (ADSE) menggunakan
perangkat lunak ArcGIS.
1.3
Waktu dan Tempat
Waktu dan tempat pelaksanaan praktikum dilaksanakan pada :
Hari, Tanggal
: Senin, 9 Oktober 2016
Pukul
: 09.00 – 11.00
Tempat
: Laboratorium Informasi Spasial, Teknik Geodesi Itenas
2. DASAR TEORI
2.1 Geostatistika
Geostatistika adalah studi variasi parameter dalam domain ruang dan atau waktu dalam
hubungannya dengan bumi. Geostatistika berhubungan dengan data-data yang saling
berkorelasi secara spasial.
2.2 Analisis Data Spasial Eksploratori (ADSE)
Exploratory Spatial Data Analysis (ESDA) atau dalam bahasa indonesia dikenal dengan
nama Analisis Data Spasial Eksploratori (ADSE) adalah eksplorasi terhadap satu set data
spasial dengan berbagai cara yang berbeda untuk memperoleh pemahaman yang lebih
mendalam terhadap fenomena yang sedang diteliti agar bisa dibuat keputusan yang lebih baik
terhadap masalah – masalah yang berkaitan dengan data tersebut.
ESDA adalah kumpulan teknik untuk menjelaskan dan menggambarkan (Visualisasi)
distribusi spasial, mengidentifikasi lokasi atau spasial outlie, menemukan pola asosiasi spasial
(Anselin, 1998).
Konsep ESDA merupakan analogi dari EDA (Exploratory Data Analysis). EDA dan
ESDA pada prinsipnya sama-sama merupakan alat analisa statistik. Perbedaanya, pada ESDA
nilai dan visualisasi statistik terintegrasi dengan nilai dan visualisasi peta yang di analisa.
Sementara, perangkat lunak EDA umumnya tidak menyediakan alat untuk visualisasi data
secara spasial. ESDA dapat digunakan untuk menganalisa data dalam berbagai cara. Sebelum
membentuk luasan, ESDA memungkinkan untuk memahami lebih mendalam fenomena yang
sedang di analisa, sehingga keputusan yang diambil terkait dengan data yang lebih tepat (De
Smith et. al,2007).
Fasilitas seperti diatas tersebut telah diimplementasikan pada beberapa perangkat lunak,
misalnya
ArcGIS
Geostatistical
Analyst
(Johnston
K
et
al,
2001),
GeoDa
(https://geoda.uiuc.edu), GS+TM (Robertson, 2006), SatScan (http://www.satscan.org), dan
STARS (http://regal.sdsu.edu/index.php/main/STARS).
Perangkat ADSE pada perangkat lunak ArcGIS dalam extension Geostatistical Analyst
antara lain :
1. Histogram
2. Normal QQ Plot dan General QQ Plot
3. Trend Analysis
4. Voronoi Map
5. Semivariogram/Covariance Cloud
6. Crosscovariance Cloud
2.1.1 Histogram
Histogram adalah tampilan grafik dari tabulasi frekuensi yang digambarkan dengan
grafis batang yang menggambarkan jumlah data pengamatan yang terdapat dalam setiap
interval atau kelas. Histogram pada dasarnya memberikan deskripsi univariat (satu variabel)
dari set data.
Statistika distribusi pada histogram antara lain :
-
Mean adalah teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari
kelompok data tersebut.
-
Standar deviasi atau simpangan baku adalah ukuran sebaran statistika yang paling
lazim, singkatnya simpangan baku itu mengukur bagaimana nilai-nilai data tersebar.
Simpangan baku disebut sebagai akar kuadrat dari varian.
-
Kurtosis adalah derajat keruncingan (biasanya diukur relatif terhadap distribusi
normal). Kurtosis dihitung dari momen keempat terhadap mean.
-
Skewness adalah derajat ketidaksemetrisan suatu distribusi. Jika kurva frekuensi
suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari mean) ,
maka dikatakan menceng ke kanan (positif) dan sebaliknya. Secara perhitungan,
skewness adalah momen ketiga terhadap momen.
-
Quartile adalah nlai-nilai yang membagi segugus pengamatan menjadi empat bagian
sama besar. Nilai-nilai itu, yang dilambangkan dengan Q1, Q2, dan Q3, yang
mempunyai sifat bahwa 25% data jatuh dibawah Q1, 50% data jatuh di Q2, dan 75%
data jatuh di Q3.
2.1.2 Normal QQ Plot dan General QQ Plot
QQ Plot menganalisis plot grafik antara variabel quantile dengan quantile setiap
anggota/case nya. Quantile merupakan nilai yang akan membagi case dalam jumlah tertentu
yang besarnya sama pada setiap kelompoknya.
2.1.3 Trend Analysis
Analisis Trend merupakan suatu metode analisis statistika yang ditujukan untuk
melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan
peramalan dengan baik, maka dibutuhkan berbagai macam informasi (data) yang cukup banyak
dan diamati dalam periode waktu yang relatif cukup panjang, sehingga hasil analisis tersebut
dapat mengetahui sampai berapa besar fluktuasi yang terjadi dan fakto-faktor apa saja yang
mempengaruhi terhadap perubahan tersebut (wikipedia.org).
2.1.4 Voronoi Map
Diagram Voronoi merupakan serangkaian bentuk poligon yang terbentuk di sekitar
lokasi titik sampel. Poligon voronoi dibuat sedemikian rupa sehingga setiap lokasi di dalam
sebuah poligon lebih dekat ke titik sampel di dalam poligon tersebut dibandingkan titik-titik
sampel lainnya.
Setelah poligon terbentuk, dapat didefinisikan tetangga (neighbors) dari sebuah sampel,
yaitu semua titik sampel lain yang poligonnya berbatasan dengan poligon titik sampel yang
dipilih.
2.1.5 Semivariogram/Covariance Cloud
Variogram merupakan alat dalam geostatistika yang berguna untuk menunjukan korelasi
spasial antara data yang diukur. Jika memetakan hasil pengukuran nilai densitas suatu batuan,
maka dapat terlihat bahwa nilai yang rendah akan berada dekat dengan nilai rendah lainnya
begitu pula dengan nilai yang besar cenderung berada di dekat nilai yang besar lainnya.
Perbedaan data tersebut dapat dituangkan dalam bentuk suatu grafik variogram sebagai fungsi
jarak. Semivariogram adalah setengah dari variogram, dengan simbol γ. Variogram digunakan
untuk menentukan jarak dimana nilai-nilai atau pengamatan menjadi tidak saling tergantung
atau tidak ada korelasinya. Simbol dari variogram adalah 2 γ. Semivariogram digunakan untuk
mengukur korelasi spasial.
Karakteristik semivariogram, diantaranya :
- Still merupakan harga / nilai semivarian pada bagian variogram teratas (level off),
dapat diartikan juga sebagai “ámplitudo” suatu komponen tertentu dari variogram.
- Range merupakan jarak lag ketika semivariogram mencapai still, diartikan
autokorelasi sama dengan nol pada jarak tersebut.
- Nugget merupakan secara teori nilai awal semivariogram ialah nol. Ketika lag
mendekati nol nilai semivariogram disebut sebagai nugget. Nugget mewakili variasi
pada jarak (lag) yang sangat kecil, atau lebih kecil dari sampel rate / spacing, termasuk
eror dalam pengukuran.
2.1.6 Crosscovariance Cloud
Menunjukkan crosscovariance empiris untuk semua pasangan dari lokasi antara dua
dataset dan plot sebagai fungsi dari jarak antara dua lokasi. Digunakan dalam mengkaji
karakteristik lokal dari korelasi spasial antara dua set data, dan mencari pergeseran spasial di
dalam korelasi antara dua set data.
3. PELAKSANAAN PRAKTIKUM
3.1
Alat dan Data
Alat yang digunakan dalam praktikum ini adalah satu unit laptop / notebook dan
perangkat lunak ArcGIS. Data atau bahan yang digunakan dalam praktikum ini meliputi :
- data sampel harga tanah yang tersebar di Kota Bandung dalam format .xls. Sampel
data harga tanah berjumlah 451.
- Peta administratif Kota Bandung.
Data yang digunakan dalam praktikum ini menggunakan sistem koordinat UTM dengan
datum WGS 1984.
3.2
Langkah Praktikum
Praktikum ini menggunakan perangkat lunak ArcGIS, adapun langkah-langkah
praktikum ini sebagai berikut :
1. Buka perangkat lunak ArcGIS.
2. Buka data ‘Bandung.shp‘ dengan cara pilih
add
data – pilih ‘Bandung.shp’
3. Kemudian buka ‘daftar harga tanah.xls’ dengan cara
membuka dengan add data lalu pilih ‘daftar harga
tanah.xls.
4. Klik kanan pada layer ‘Data All$’ – pilih Display X Y
Data – muncul tampilan Display X Y Data. Pada
kolom Z Field, ubah menjadi field ‘Harga Tanah’.
5. Pada lembar kerja akan terlihat seperti berikut.
6. Sebelum melakukan analisis geostatistik, terlebih
dahulu mengaktifkan extensions:Geostatistical
Analyst dengan cara, pada main menu pilih
Costumize
–
Extensions.
Centang
pada
Geostatistical Analyst.
7. Kemudian aktifkan menu Toolbar: Geostatistical
Analyst, dengan cara klik kanan sembarang pada
daerah menu-menu utama lalu pilih Geostatistical
Analyst.
8. Pada toolbar Geostatistical Analyst, pilih Explore Data kemudian tertampil beberapa
alat-alat analisis geostatistika seperti Histogram, Normal QQ Plot, Voronoi Map,
Trend Analysis, Semivariogram/Covariance Cloud, General QQ Plot, dan
Crossvariance Cloud.
9. Analisa data tersebut berdasarkan alat analisis geostatistika tersebut.
4. HASIL DAN PEMBAHASAN
4.1
Histogram
Pada histogram diatas, sumbu X merupakan interval range harga tanah dan sumbu Y
menunjukan jumlah data range data tersebut di setiap interval. Hasil dari analisis menggunakan
histogram terlihat nilai skewness +1.928 dan nilai kurtosis + 7.194.
Grafik condong ke kanan – kiri (right- skewed distribution) artinya distribusi tidak
simetris (asimetris) sama dengan mean > modus. Hal ini dikarenakan terjadi jumlah data tidak
menentu pada masing-masing kelas, terdapat kecenderungan pengumpulan/pembulatan data
yang kurang tepat.
Nilai kurtosis bernilai (k > 3) maka, disebut juga leptokurtic artinya bagian tengah
distribusi data memiliki puncak yang lebih runcing.
4.2 Normal QQ Plot
Terlihat pada QQ plot, sebaran titik terdapat titik yang menjauhi garis linear normal.
Sehingga data tersebut kemungkinan tidak terdsitribusi normal. Bila ingin pengujian lanjutan,
gunakan detrended normal QQ. Pada detrended normal QQ, bila semakin banyak titik-titik
yang tersebar jatuh pada garis yang menunjukan garis 0,0 maka menunjukan bahwa data
semakin normal, dan bila titik-titik bersebaran jauh dari garis linear di 0,0 maka data semakin
jauh dari normal (tidak normal).
4.3 Trend Analysis
Dari hasil tren yang terlihat, kecenderungan nilai terdapat di tengah-tengah yang artinya
prediksi mendatang akan nilai tersebut akan semakin meningkat. Tetapi terlihat tren
membentuk non-linear, sehingga teknik korelasi cenderung melakukan underestimasi kekuatan
hubungan anatara dua variabel. Jadi sangat mungkin sebenarnya kedua variabel memiliki
hubungan yang kuat tetapi diestimasi oleh momen sebagai tidak ada hubungan atau memiliki
hubungan lemah.
4.4 Voronoi Map
Diagram Voronoi merupakan serangkaian bentuk poligon yang terbentuk di sekitar
lokasi titik sampel.
4.5 Semivariogram
Semivariogram adalah setengah dari variogram, dengan simbol γ. Variogram digunakan
untuk menentukan jarak dimana nilai-nilai atau pengamatan menjadi tidak saling tergantung
atau tidak ada korelasinya. Simbol dari variogram adalah 2 γ. Semivariogram digunakan untuk
mengukur korelasi spasial.
5. KESIMPULAN
Dari hasil praktikum, maka diberikan kesimpulan bahwa data persebaran harga tanah di
kabupaten kota bandung merupakan kebanyakan hasil estimasi. Pada trend analisis terlihat
terdapat garis non-linear yang menunjukan nilai distribusi yang lemah. Lalu pada histogram
terdapat nilai skewness dan kurtosis (nilai skewness +1.928 dan nilai kurtosis + 7.194), yang
artinya memiliki kecenderungan condong kekanan dan tingkat keruncingan yang runcing
sehingga nilai distribusi tidak normal.
Pada QQ plot, sebaran titik terdapat titik yang menjauhi garis linear normal. Sehingga
data tersebut kemungkinan tidak terdsitribusi normal. Semakin banyak titik yang menjauhi
garis linear, maka data tersebut semakin tidak terdistribusi normal.
DAFTAR PUSTAKA
Kania Sari, Dewi., 2010. Pemodelan Harga Tanah Perkotaan Menggunakan Metode
Geostatistika;Daerah Studi Kota Bandung. Jurnal. Jurusan Teknik Geodesi Fakultas
Teknik Sipil dan Perencanaan Institut Teknologi Nasional.
Indarto ., dan Soesanto, Boedi. Variabilitas Spasial Hujan Tahunan Di Jawa Timur;Aplikasi
ESDA. Jurnal. Program Studi Teknik Pertanian Universitas Jember.
http://statistikceria.blogspot.co.id/2012/12/tutorial-uji-normalitas-dengan-spss.html
https://dualilin.wordpress.com/2013/05/11/menguji-asumsi-kenormalan-data-univariatedengan-qq-plot-quantile-quantile-plot/
http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/
http://siembah.com/cara-analisa-candlestick
PRAKTIKUM STATISTIKA SPASIAL
ANALISIS DATA SPASIAL EKSPLORATORI
Tanggal Penyerahan : 17 Oktober 2016
Disusun Oleh :
Khaerul Pratama / 23 – 2016 – 11
Kelas A
Nama Asisten :
Nadhea Arta Y.
Ganny Indrajid
LABORATORIUM SISTEM INFORMASI SPASIAL
JURUSAN TEKNIK GEODESI
FAKULTAS TEKNIK SIPIL DAN PERENCANAAN
INSTITUT TEKNOLOGI NASIOANAL
BANDUNG
2016
1. PENDAHULUAN
1.1 Latar Belakang
Tanah atau lahan merupakan salah satu sumber daya yang mempunyai peranan strategis
dalam pembangunan perkotaan. Perkembangan pembangunan kota semakin pesat dan
tingginya laju pertumbuhan penduduk merupakan faktor pemicu meningkatnya kebutuhan
tanah di perkotaan. Sementara itu, tanah yang tersedia di daerah perkotaan terbatas. Hal ini
menimbulkan permasalahan tanah perkotaan, seperti peningkatan harga tanah yang tidak
terkendali.
Informasi harga tanah yang akurat dan mutakhir diperlukan dalam pengendalian harga
tanah yang selalu berubah akibat dari berbagai kepentingan dalam penggunaan tanah.
Informasi harga tanah dapat diamati menggunakan Analisis Data Spasial Eksploratori (ADSE).
Analisis ini merupakan metode eksplorasi data menggunakan teknik aritmatika sederhana dan
teknik grafis dalam meringkas data pengamatan. kontribusi utama dari pendekatan data secara
eksploratori terletak pada penyajian seluruh ringkasan statistik secara visual. ADSE
memungkinkan untuk memahami lebih mendalam fenomena yang sedang di analisis, sehingga
keputusan yang diambil akan lebih cepat dan tepat. ADSE dapat digunakan untuk memplotkan
distribusi data, melihat kecenderungan global dan lokal, mengevaluasi auto-korelasi spasial
(spasial autocorelation), memahami covarian diantara beberapa seri data (De Smith et. Al,
2007). Analisis yang paling sederhana di dalam ADSE adalah membuat ringkasan nilai statistik
dari suatu seri data atau dalam konteks data spasial adalah membuat ringkasan dari atribut tabel
atau nilai grid.
1.2
Maksud dan Tujuan
Praktikum kali ini bermaksudkan untuk meningkatkan keterampilan, pemahaman, dan
pengetahuan dalam analisis data spasial.
Tujuan melakukan praktikum ialah mahasiswa dapat melakukan analisis dan pengamatan
data menggunakan metode Analisis Data Spasial Eksploratori (ADSE) menggunakan
perangkat lunak ArcGIS.
1.3
Waktu dan Tempat
Waktu dan tempat pelaksanaan praktikum dilaksanakan pada :
Hari, Tanggal
: Senin, 9 Oktober 2016
Pukul
: 09.00 – 11.00
Tempat
: Laboratorium Informasi Spasial, Teknik Geodesi Itenas
2. DASAR TEORI
2.1 Geostatistika
Geostatistika adalah studi variasi parameter dalam domain ruang dan atau waktu dalam
hubungannya dengan bumi. Geostatistika berhubungan dengan data-data yang saling
berkorelasi secara spasial.
2.2 Analisis Data Spasial Eksploratori (ADSE)
Exploratory Spatial Data Analysis (ESDA) atau dalam bahasa indonesia dikenal dengan
nama Analisis Data Spasial Eksploratori (ADSE) adalah eksplorasi terhadap satu set data
spasial dengan berbagai cara yang berbeda untuk memperoleh pemahaman yang lebih
mendalam terhadap fenomena yang sedang diteliti agar bisa dibuat keputusan yang lebih baik
terhadap masalah – masalah yang berkaitan dengan data tersebut.
ESDA adalah kumpulan teknik untuk menjelaskan dan menggambarkan (Visualisasi)
distribusi spasial, mengidentifikasi lokasi atau spasial outlie, menemukan pola asosiasi spasial
(Anselin, 1998).
Konsep ESDA merupakan analogi dari EDA (Exploratory Data Analysis). EDA dan
ESDA pada prinsipnya sama-sama merupakan alat analisa statistik. Perbedaanya, pada ESDA
nilai dan visualisasi statistik terintegrasi dengan nilai dan visualisasi peta yang di analisa.
Sementara, perangkat lunak EDA umumnya tidak menyediakan alat untuk visualisasi data
secara spasial. ESDA dapat digunakan untuk menganalisa data dalam berbagai cara. Sebelum
membentuk luasan, ESDA memungkinkan untuk memahami lebih mendalam fenomena yang
sedang di analisa, sehingga keputusan yang diambil terkait dengan data yang lebih tepat (De
Smith et. al,2007).
Fasilitas seperti diatas tersebut telah diimplementasikan pada beberapa perangkat lunak,
misalnya
ArcGIS
Geostatistical
Analyst
(Johnston
K
et
al,
2001),
GeoDa
(https://geoda.uiuc.edu), GS+TM (Robertson, 2006), SatScan (http://www.satscan.org), dan
STARS (http://regal.sdsu.edu/index.php/main/STARS).
Perangkat ADSE pada perangkat lunak ArcGIS dalam extension Geostatistical Analyst
antara lain :
1. Histogram
2. Normal QQ Plot dan General QQ Plot
3. Trend Analysis
4. Voronoi Map
5. Semivariogram/Covariance Cloud
6. Crosscovariance Cloud
2.1.1 Histogram
Histogram adalah tampilan grafik dari tabulasi frekuensi yang digambarkan dengan
grafis batang yang menggambarkan jumlah data pengamatan yang terdapat dalam setiap
interval atau kelas. Histogram pada dasarnya memberikan deskripsi univariat (satu variabel)
dari set data.
Statistika distribusi pada histogram antara lain :
-
Mean adalah teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari
kelompok data tersebut.
-
Standar deviasi atau simpangan baku adalah ukuran sebaran statistika yang paling
lazim, singkatnya simpangan baku itu mengukur bagaimana nilai-nilai data tersebar.
Simpangan baku disebut sebagai akar kuadrat dari varian.
-
Kurtosis adalah derajat keruncingan (biasanya diukur relatif terhadap distribusi
normal). Kurtosis dihitung dari momen keempat terhadap mean.
-
Skewness adalah derajat ketidaksemetrisan suatu distribusi. Jika kurva frekuensi
suatu distribusi memiliki ekor yang lebih memanjang ke kanan (dilihat dari mean) ,
maka dikatakan menceng ke kanan (positif) dan sebaliknya. Secara perhitungan,
skewness adalah momen ketiga terhadap momen.
-
Quartile adalah nlai-nilai yang membagi segugus pengamatan menjadi empat bagian
sama besar. Nilai-nilai itu, yang dilambangkan dengan Q1, Q2, dan Q3, yang
mempunyai sifat bahwa 25% data jatuh dibawah Q1, 50% data jatuh di Q2, dan 75%
data jatuh di Q3.
2.1.2 Normal QQ Plot dan General QQ Plot
QQ Plot menganalisis plot grafik antara variabel quantile dengan quantile setiap
anggota/case nya. Quantile merupakan nilai yang akan membagi case dalam jumlah tertentu
yang besarnya sama pada setiap kelompoknya.
2.1.3 Trend Analysis
Analisis Trend merupakan suatu metode analisis statistika yang ditujukan untuk
melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan
peramalan dengan baik, maka dibutuhkan berbagai macam informasi (data) yang cukup banyak
dan diamati dalam periode waktu yang relatif cukup panjang, sehingga hasil analisis tersebut
dapat mengetahui sampai berapa besar fluktuasi yang terjadi dan fakto-faktor apa saja yang
mempengaruhi terhadap perubahan tersebut (wikipedia.org).
2.1.4 Voronoi Map
Diagram Voronoi merupakan serangkaian bentuk poligon yang terbentuk di sekitar
lokasi titik sampel. Poligon voronoi dibuat sedemikian rupa sehingga setiap lokasi di dalam
sebuah poligon lebih dekat ke titik sampel di dalam poligon tersebut dibandingkan titik-titik
sampel lainnya.
Setelah poligon terbentuk, dapat didefinisikan tetangga (neighbors) dari sebuah sampel,
yaitu semua titik sampel lain yang poligonnya berbatasan dengan poligon titik sampel yang
dipilih.
2.1.5 Semivariogram/Covariance Cloud
Variogram merupakan alat dalam geostatistika yang berguna untuk menunjukan korelasi
spasial antara data yang diukur. Jika memetakan hasil pengukuran nilai densitas suatu batuan,
maka dapat terlihat bahwa nilai yang rendah akan berada dekat dengan nilai rendah lainnya
begitu pula dengan nilai yang besar cenderung berada di dekat nilai yang besar lainnya.
Perbedaan data tersebut dapat dituangkan dalam bentuk suatu grafik variogram sebagai fungsi
jarak. Semivariogram adalah setengah dari variogram, dengan simbol γ. Variogram digunakan
untuk menentukan jarak dimana nilai-nilai atau pengamatan menjadi tidak saling tergantung
atau tidak ada korelasinya. Simbol dari variogram adalah 2 γ. Semivariogram digunakan untuk
mengukur korelasi spasial.
Karakteristik semivariogram, diantaranya :
- Still merupakan harga / nilai semivarian pada bagian variogram teratas (level off),
dapat diartikan juga sebagai “ámplitudo” suatu komponen tertentu dari variogram.
- Range merupakan jarak lag ketika semivariogram mencapai still, diartikan
autokorelasi sama dengan nol pada jarak tersebut.
- Nugget merupakan secara teori nilai awal semivariogram ialah nol. Ketika lag
mendekati nol nilai semivariogram disebut sebagai nugget. Nugget mewakili variasi
pada jarak (lag) yang sangat kecil, atau lebih kecil dari sampel rate / spacing, termasuk
eror dalam pengukuran.
2.1.6 Crosscovariance Cloud
Menunjukkan crosscovariance empiris untuk semua pasangan dari lokasi antara dua
dataset dan plot sebagai fungsi dari jarak antara dua lokasi. Digunakan dalam mengkaji
karakteristik lokal dari korelasi spasial antara dua set data, dan mencari pergeseran spasial di
dalam korelasi antara dua set data.
3. PELAKSANAAN PRAKTIKUM
3.1
Alat dan Data
Alat yang digunakan dalam praktikum ini adalah satu unit laptop / notebook dan
perangkat lunak ArcGIS. Data atau bahan yang digunakan dalam praktikum ini meliputi :
- data sampel harga tanah yang tersebar di Kota Bandung dalam format .xls. Sampel
data harga tanah berjumlah 451.
- Peta administratif Kota Bandung.
Data yang digunakan dalam praktikum ini menggunakan sistem koordinat UTM dengan
datum WGS 1984.
3.2
Langkah Praktikum
Praktikum ini menggunakan perangkat lunak ArcGIS, adapun langkah-langkah
praktikum ini sebagai berikut :
1. Buka perangkat lunak ArcGIS.
2. Buka data ‘Bandung.shp‘ dengan cara pilih
add
data – pilih ‘Bandung.shp’
3. Kemudian buka ‘daftar harga tanah.xls’ dengan cara
membuka dengan add data lalu pilih ‘daftar harga
tanah.xls.
4. Klik kanan pada layer ‘Data All$’ – pilih Display X Y
Data – muncul tampilan Display X Y Data. Pada
kolom Z Field, ubah menjadi field ‘Harga Tanah’.
5. Pada lembar kerja akan terlihat seperti berikut.
6. Sebelum melakukan analisis geostatistik, terlebih
dahulu mengaktifkan extensions:Geostatistical
Analyst dengan cara, pada main menu pilih
Costumize
–
Extensions.
Centang
pada
Geostatistical Analyst.
7. Kemudian aktifkan menu Toolbar: Geostatistical
Analyst, dengan cara klik kanan sembarang pada
daerah menu-menu utama lalu pilih Geostatistical
Analyst.
8. Pada toolbar Geostatistical Analyst, pilih Explore Data kemudian tertampil beberapa
alat-alat analisis geostatistika seperti Histogram, Normal QQ Plot, Voronoi Map,
Trend Analysis, Semivariogram/Covariance Cloud, General QQ Plot, dan
Crossvariance Cloud.
9. Analisa data tersebut berdasarkan alat analisis geostatistika tersebut.
4. HASIL DAN PEMBAHASAN
4.1
Histogram
Pada histogram diatas, sumbu X merupakan interval range harga tanah dan sumbu Y
menunjukan jumlah data range data tersebut di setiap interval. Hasil dari analisis menggunakan
histogram terlihat nilai skewness +1.928 dan nilai kurtosis + 7.194.
Grafik condong ke kanan – kiri (right- skewed distribution) artinya distribusi tidak
simetris (asimetris) sama dengan mean > modus. Hal ini dikarenakan terjadi jumlah data tidak
menentu pada masing-masing kelas, terdapat kecenderungan pengumpulan/pembulatan data
yang kurang tepat.
Nilai kurtosis bernilai (k > 3) maka, disebut juga leptokurtic artinya bagian tengah
distribusi data memiliki puncak yang lebih runcing.
4.2 Normal QQ Plot
Terlihat pada QQ plot, sebaran titik terdapat titik yang menjauhi garis linear normal.
Sehingga data tersebut kemungkinan tidak terdsitribusi normal. Bila ingin pengujian lanjutan,
gunakan detrended normal QQ. Pada detrended normal QQ, bila semakin banyak titik-titik
yang tersebar jatuh pada garis yang menunjukan garis 0,0 maka menunjukan bahwa data
semakin normal, dan bila titik-titik bersebaran jauh dari garis linear di 0,0 maka data semakin
jauh dari normal (tidak normal).
4.3 Trend Analysis
Dari hasil tren yang terlihat, kecenderungan nilai terdapat di tengah-tengah yang artinya
prediksi mendatang akan nilai tersebut akan semakin meningkat. Tetapi terlihat tren
membentuk non-linear, sehingga teknik korelasi cenderung melakukan underestimasi kekuatan
hubungan anatara dua variabel. Jadi sangat mungkin sebenarnya kedua variabel memiliki
hubungan yang kuat tetapi diestimasi oleh momen sebagai tidak ada hubungan atau memiliki
hubungan lemah.
4.4 Voronoi Map
Diagram Voronoi merupakan serangkaian bentuk poligon yang terbentuk di sekitar
lokasi titik sampel.
4.5 Semivariogram
Semivariogram adalah setengah dari variogram, dengan simbol γ. Variogram digunakan
untuk menentukan jarak dimana nilai-nilai atau pengamatan menjadi tidak saling tergantung
atau tidak ada korelasinya. Simbol dari variogram adalah 2 γ. Semivariogram digunakan untuk
mengukur korelasi spasial.
5. KESIMPULAN
Dari hasil praktikum, maka diberikan kesimpulan bahwa data persebaran harga tanah di
kabupaten kota bandung merupakan kebanyakan hasil estimasi. Pada trend analisis terlihat
terdapat garis non-linear yang menunjukan nilai distribusi yang lemah. Lalu pada histogram
terdapat nilai skewness dan kurtosis (nilai skewness +1.928 dan nilai kurtosis + 7.194), yang
artinya memiliki kecenderungan condong kekanan dan tingkat keruncingan yang runcing
sehingga nilai distribusi tidak normal.
Pada QQ plot, sebaran titik terdapat titik yang menjauhi garis linear normal. Sehingga
data tersebut kemungkinan tidak terdsitribusi normal. Semakin banyak titik yang menjauhi
garis linear, maka data tersebut semakin tidak terdistribusi normal.
DAFTAR PUSTAKA
Kania Sari, Dewi., 2010. Pemodelan Harga Tanah Perkotaan Menggunakan Metode
Geostatistika;Daerah Studi Kota Bandung. Jurnal. Jurusan Teknik Geodesi Fakultas
Teknik Sipil dan Perencanaan Institut Teknologi Nasional.
Indarto ., dan Soesanto, Boedi. Variabilitas Spasial Hujan Tahunan Di Jawa Timur;Aplikasi
ESDA. Jurnal. Program Studi Teknik Pertanian Universitas Jember.
http://statistikceria.blogspot.co.id/2012/12/tutorial-uji-normalitas-dengan-spss.html
https://dualilin.wordpress.com/2013/05/11/menguji-asumsi-kenormalan-data-univariatedengan-qq-plot-quantile-quantile-plot/
http://desktop.arcgis.com/en/arcmap/latest/extensions/geostatistical-analyst/
http://siembah.com/cara-analisa-candlestick