(Sistem Informasi Data Spasial) Analisis Data Spasial Eksploratori (ADSE)

Assalamu'alaikum Wr. Wb

            Selamat malam, salam sejahtera bagi kita semua. Untuk postingan kali ini masih mengenai tentang analisis spasial, lebih tepatnya Analisis Data Spasial Eksploratori. Apa itu ? Langsung saja simak di bawah ini.

A.        Pengertian Analisis Data Spasial Eksploratory

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

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          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.

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).

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.

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 2γ. 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.

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