laporan penelitian hibah binus 2013 tahun anggaran...
TRANSCRIPT
1
LAPORAN PENELITIAN
HIBAH BINUS 2013
Tahun Anggaran 2013
PERANCANGAN PERANGKAT LUNAK
PEMODELAN STATISTIKA SPASIAL DAN KRIGING
BERBASIS R LANGUAGE
Peneliti Utama :
Rokhana Dwi Bekti, S.Si, M.Si (NIDN : 0306038601)
Anggota :
Edy Irwansyah, ST., M.Si (NIDN : 0326107005)
Jurusan Statistika
School of Computer Science
Universitas Bina Nusantara
November 2013
STATISTIKA
2
HALAMAN PENGESAHAN
Judul : PERANCANGAN PERANGKAT LUNAK
PEMODELAN STATISTIKA SPATIAL DAN
KRIGING BERBASIS R LANGUAGE
Peneliti/Pelaksana
Nama Lengkap : Rokhana Dwi Bekti, S.Si., M.Si.
NIDN : 0306038601
Jabatan Fungsional : Asisten Ahli 150
Program Studi : Statistika
Nomor HP : 085711739250
Alamat suratl (e-mail) : [email protected]
Anggota (1)
Nama Lengkap : Edy Irwansyah, ST., M.Si
NIDN : 0326107005
Perguruan Tinggi : Universitas Bina Nusantara
Institusi Mitra (jika ada) : -
Nama Institusi Mitra : -
Alamat : -
Penanggung Jawab : Rokhana Dwi Bekti, S.Si, M.Si
Tahun Pelaksanaan : Tahun ke 1 dari rencana 1 tahun
Biaya Tahun Berjalan : Rp 8.000.000,-
Biaya Keseluruhan : Rp 8.000.000,-
Jakarta, 30 November 2013
Mengetahui,
Head of Mathematics Department
Rojali, S.Si., M.Si.
NIDN : 0301047802
Ketua,
Rokhana Dwi Bekti, S.Si, M.Si
NIDN : 0314065402
Mengetahui,
Dean of School of Computer Science
Fredy Purnomo, S. Kom., M.kom.
NIDN : 0305107401
Mengetahui,
Director of Research & Intellectual
Capital BINUS University
Prof. Bahtiar S. Abbas, Ph.D.
NIDN : 0306038601
3
RINGKASAN
Pengaplikasikan statistika terhadap permasalahan sains, industri, sosial, atau
lainnya memerlukan perhitungan statistika modern yang dilakukan oleh komputer.
Beberapa perangkat lunak untuk tools statistik telah berkembang untuk memberi
kemudahan bagi pengguna, salah satunya adalah R Software. R-software merupakan
suatu software statistik open source yang memiliki kelebihan selalu update terhadap
metode-metode baru dan dan memberikan fasilitas yang mudah bagi developer untuk
membuat Graphical User Interface (GUI). Pemodelan spasial, khususnya
Geographically Weighted Regression (GWR), dan kriging merupakan analisis data
spasial dan geostatistik yang memperhitungkan pengaruh lokasi. Metode ini telah
dikembangkan di R, namun masih diperlukan suatu rangkaian aplikasi untuk analisis.
Oleh karena itu, penelitian ini bertujuan untuk mendapatkan perancangan perangkat
lunak statistika untuk pemodelan spatial dan kriging dengan basis R language.
Perangkat lunak tersebut dibentuk ke aplikasi program plug-in di R Deducer.
Kata Kunci : pemodelan statistika spasial, kriging, R Language
4
PRAKATA
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena atas
rahmat dan karunia-Nya sehingga skripsi dengan judul “Perancangan Perangkat
Lunak Pemodelan Statistika Spatial dan Kriging Berbasis R Language” ini dapat
selesai tepat waktu. Penelitian ini bertujuan untuk memperoleh aplikasi program
untuk analisis pemodelan spasial, khususnya Geographically Weighted Regression
(GWR), dan kriging.
Sebagai peneliti kami sangat berterima kasih kepada Universitas Bina
Nusantara yang telah mendanai penelitian kami dengan Surat Perjanjian Pelaksanaan
Pelaksanaan Penelitian Hibah BINUS Nomor: 005A/Dir.RIC/IV/2013.
Hormat kami,
Rokhana Dwi Bekti, S.Si, M.Si
5
DAFTAR ISI
HALAMAN PENGESAHAN ....................................................................................... 2 PRAKATA ..................................................................................................................... 4 DAFTAR GAMBAR ..................................................................................................... 6
DAFTAR TABEL .......................................................................................................... 8 BAB I. PENDAHULUAN ............................................................................................. 9
1.1 Latar Belakang .................................................................................................. 9 1.2 Tujuan Khusus ................................................................................................ 10
BAB II. TINJAUAN PUSTAKA ................................................................................ 11
2.1. State of the Art Bidang yang Diteliti ............................................................. 11 2.2. Geographically Weighted Regression (GWR) .............................................. 12
2.3. Kriging .......................................................................................................... 16
2.4. R Language ................................................................................................... 16 BAB III. METODE PENELITIAN ............................................................................. 18
3.1 Tahapan Penelitian ......................................................................................... 18 3.2 Perancangan Aplikasi Program ...................................................................... 18 3.3 Perancangan Layar .......................................................................................... 19
3.4 Objek Data Penelitian ..................................................................................... 20
BAB IV. IMPLEMENTASI DAN EVALUASI ......................................................... 21 4.1. Implementasi ................................................................................................. 21
4.1.1 Spesifikasi Sistem .............................................................................. 21
4.1.2 Petunjuk Instalasi ............................................................................... 21 4.2. Membangun GUI dan R Package .................................................................. 22
4.2.1 Membangun GUI di Deducer ............................................................. 22
4.2.2 Membangun Kriging Package............................................................ 26
4.3. Petunjuk Pemakaian Sistem .......................................................................... 31 4.3.1 Petunjuk Entri Data ............................................................................ 31
4.3.2 Petunjuk Pemakaian Kriging ............................................................. 33 4.3.3 Petunjuk Pemakaian Geographically Weighted Regression (GWR) . 38
4.4. Evaluasi Program .......................................................................................... 43
4.4.1 Ordinary Kriging ................................................................................ 43 4.4.2 GWR .................................................................................................. 46
BAB V. KESIMPULAN DAN SARAN ..................................................................... 49 5.1. Kesimpulan.................................................................................................... 49
5.2. Saran .............................................................................................................. 49 DAFTAR PUSTAKA .................................................................................................. 50
LAMPIRAN ................................................................................................................. 52
6
DAFTAR GAMBAR
Gambar 3.2 Diagram Pembuatan Aplikasi Program.................................................... 19
Gambar 3.3 Rancangan Tampilan Kriging .................................................................. 19 Gambar 3.4 Rancangan Tampilan GWR ..................................................................... 20 Gambar 4.1. Syntax untuk membuat Dialog Kriging ................................................. 22 Gambar 4.2. Syntax untuk membuat Dialog GWR .................................................... 22 Gambar 4.3. Dialog Box Kriging ................................................................................. 23
Gambar 4.4. Dialog Box GWR .................................................................................... 23 Gambar 4.5. Syntax untuk membuat Fungsi Cek ....................................................... 24 Gambar 4.6. Dialog Box Message untuk Cek.............................................................. 24
Gambar 4.7. Syntax untuk menambahkan Dialog Kriging di Deducer ...................... 24 Gambar 4.8. Dialog Kriging di Deducer ..................................................................... 25 Gambar 4.9. Syntax untuk memanggil fungsi Ordinary Kriging dan GWR ............... 25 Gambar 4.10. Menu Project > Create Project .............................................................. 26 Gambar 4.11. Kotak Dialog Create Project ................................................................. 26
Gambar 4.12. Kotak Dialog Create Project ................................................................. 27 Gambar 4.13. Folder Package ...................................................................................... 27 Gambar 4.14. DESCRIPTION package SpatialAnalysis2 .......................................... 28 Gambar 4.15. File SpatialAnalysis2 ............................................................................ 28
Gambar 4.16. File NAMESPACE ............................................................................... 28 Gambar 4.17. Menu Build > Build&Reload ................................................................ 29
Gambar 4.18. Output Build Package ........................................................................... 29 Gambar 4.19. Menu Build > More > Build Binary Package ....................................... 29
Gambar 4.20. Output Build Package ........................................................................... 30 Gambar 4.21. DESCRIPTION package SpatialAnalysis ............................................ 30
Gambar 4.22. DESCRIPTION package SpatialAnalysis3 .......................................... 31 Gambar 4.23. Menu Spatial Analysis pada Deducer ................................................... 31 Gambar 4.24 Menu File > Open Data .......................................................................... 31
Gambar 4.24. Dialog Box Load Data .......................................................................... 32 Gambar 4.25. Dialog Box Read Delimited File ........................................................... 32
Gambar 4.26. Dialog Box Data Viewer ....................................................................... 33 Gambar 4.27. Menu Spatial Analysis > Kriging ......................................................... 33
Gambar 4.28. Dialog Box Kriging ............................................................................... 34 Gambar 4.29 Dialog Box Kriging:Semivariogram ...................................................... 35 Gambar 4.30 Dialog Box Kriging:Ordinary Kriging ................................................... 36
Gambar 4.31 Output Ordinary Kriging ........................................................................ 36 Gambar 4.32 Output Plot Semivariogram ................................................................... 37 Gambar 4.33 Output Plot Semivariogram ................................................................... 37 Gambar 4.34 Dialog Box Help:Ordinary Kriging ....................................................... 38
Gambar 4.35. Menu Spatial Analysis > Geographically Weighted Regression .......... 38 Gambar 4.36 Dialog Box Geographically Weighted Regression ................................ 39 Gambar 4.37. Dialog Box GWR:Weighted ................................................................. 40 Gambar 4.38. Dialog Box GWR:Bandwidth ............................................................... 40 Gambar 4.39. Dialog Box GWR:Methods of Bandwidth ............................................ 41
Gambar 4.40. Dialog Box GWR:Save output local model .......................................... 41 Gambar 4.41 Output model GWR di Deducer Console .............................................. 42 Gambar 4.42. Output model GWR di file .csv ............................................................ 42
Gambar 4.43. Dialog Box GWR:Help. ........................................................................ 43
7
Gambar 4.44 Plot Semivariogram................................................................................ 44 Gambar 4.45 Output Pengelompokan Data ................................................................. 45 Gambar 4.46. Output Prediksi PGA ............................................................................ 45 Gambar 4.47. Output Bandwidth Optimum ................................................................. 46 Gambar 4.49. Output Bobot Setiap Lokasi .................................................................. 47
Gambar 4.50. Output Estimasi Parameter.................................................................... 47 Gambar 4.41 Output Standard Error Estimasi Parameter ............................................ 48 Gambar 4.42 Output Residual, Prediksi, standard error prediksi, dan local R2. .......... 48
8
DAFTAR TABEL
Tabel 2.1 Roadmap Penelitian Statistika 2013-2016 .................................................12
9
BAB I. PENDAHULUAN
1.1 Latar Belakang
Statistik adalah suatu ilmu dan seni mengumpulkan data, menyajikan,
menginterpretasikan untuk menguji teori dan membuat simpulan tentang seluruh
fenomena (Andersom, Sweeney, dan Williams, 2011). Dalam mengaplikasikan
statistika terhadap permasalahan sains, industri, sosial, atau lainnya diperlukan
perhitungan statistika modern banyak dilakukan oleh komputer, dan bahkan beberapa
perhitungan hanya dapat dilakukan oleh komputer berkecepatan tinggi. Beberapa
piranti lunak statistika yang banyak digunakan antara lain MATLAB, Minitab, SPSS,
SAS, S Plus, Add-in Excel, Stata, dan R Software.
R-software merupakan suatu software statistik open source dan dibuat pertama
kali pada tahun 1992 oleh Ross Ihaka dan Robert Gentleman di Universitas Auckland,
New Zealand. Menurut Torgo (2011), R adalah bahasa pemrograman yang baik untuk
komputasi statistik. Sumber kode dari setiap komponen R tersedia secara bebas
sehingga dapat diadaptasikan dengan baik. Software ini memiliki banyak kelebihan
lain, diantaranya selalu update dengan cepat terhadap metode-metode baru dan
memberikan fasilitas yang mudah bagi developer untuk membuat graphical user
interface (GUI) di package Deducer. Fasilitas GUI ini dapat diakses melalui java
language (Fellows, 2012).
Beberapa tools statistik sebagai pengembangan R software diantaranya rattle
untuk statistik datamining dikembangkan oleh Williams (2011), Deducer yang
dikembangkan Fellows (2012), dan Glotaran yang dikembangkan oleh Snellenburg,
Laptenok, Seger, Mullen, dan Stokkum (2012). Selain itu, beberapa perancangan
aplikasi program yang telah dilakukan melalui R software dan Java adalah Andiyono
(2011). Penelitian tersebut membuat aplikasi untuk analisis statistik pemodelan spatial
Geographically Weighted Regression (GWR).
Pemodelan spasial dan kriging merupakan analisis data spasial dan geostatistik
yang memperhitungkan pengaruh lokasi. Hal ini didasarkan pada hukum pertama
tentang geografi dikemukakan oleh Tobler I dalam Anselin dan Rey (2010:17)
menyatakan bahwa segala sesuatu saling berhubungan satu dengan yang lainnya,
tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh.
Pada data spasial, seringkali pengamatan di suatu lokasi bergantung pada pengamatan
10
di lokasi lain yang berdekatan (neighboring). Pemodelan spatial dikembangkan pada
kasus pemodelan Ordinary Least Square (OLS), dimana terdapat dependensi antar
amatan (lokasi) yang menyebabkan beberapa asumsi tidak terpenuhi. Sementara itu,
kriging digunakan untuk prediksi dan interpolasi suatu amatan (lokasi).
Metode pemodelan spasial, khususnya GWR, telah dikembangkan di R,
namun diperlukan suatu rangkaian aplikasi untuk analisis pemodelan tersebut
sehingga memudahkan pengguna dalam menganalisis model spasial. Selain itu, untuk
memprediksi data spatial missing dapat digunakan metode kriging. Oleh karena itu,
penelitian ini bertujuan untuk membuat perancangan perangkat lunak statistika
berbasis R language. Perancangan tersebut adalah berupa plug-in di R Deducer.
Software yang dibangun tersebut akan memberi kemudahan pengguna dalam
melakukan analisis GWR dan kriging karena bersifat open source dan disesuaikan
dengan kebutuhan analisis pemodelan dan kriging.
1.2 Tujuan Khusus
Penelitian ini bertujuan untuk mendapatkan perancangan perangkat lunak
statistik untuk pemodelan spatial dan kriging
1.3 Urgensi (Keutamaan) Peneilitan
Keutamaan dari penelitian ini adalah akan diperolehnya aplikasi program
untuk pemodelan berbasis R language. Aplikasi program yang dibangun tersebut akan
memberi kemudahan pengguna dalam melakukan analisis GWR dan kriging karena
bersifat open source dan disesuaikan dengan kebutuhan analisis pemodelan. Sasaran
atau pengguna adalah akademisi dan industri.
11
BAB II. TINJAUAN PUSTAKA
2.1. State of the Art Bidang yang Diteliti
Pemodelan spasial telah berkembang berdasarkan tipe datanya, yaitu
pemodelan dengan pendekatan titik dan area. Beberapa diantaranya telah
dikembangkan oleh peneliti. Bekti (2010, 2011) telah melakukan penelitian
pemodelan Spatial Autoregressive (SAR), Spatial Error Model (SEM), dan GWR
untuk mendapatkan hubungan antara asset sosial dan kemiskinan. Selanjutnya Bekti
(2012) juga menggunakan pemodelan SDM untuk mendapatkan hubungan antara
kejadian diare dan faktor lingkungan yang mempengaruhi. Selanjutnya Irwansyah,
Winarko, Rasjid, dan Bekti (2013) juga melakukan penelitian zonasi daerah rawan
gempa dengan pendekatan peak ground acceleration (PGA). Penyusunan zona bahaya
kegempaan tersebut adalah dengan algoritma kriging.
Beberapa pengembangan R software untuk analisis siatistik diantaranya
Deducer yang dikembangkan oleh Fellows (2012), Glotaran oleh Snellenburg et
al.(2012), dan Rattle untuk statistik datamining oleh Williams (2011). Sementara itu
untuk analisis spasial juga dikembangkan Deducer Spatial oleh Fellows (2012),
Andiyono (2012) tentang aplikasi program untuk pemodelan GWR, dan Theodorick
(2013) tentang aplikasi program untuk Ordinary Kriging.
Hasil yang sudah Dicapai :
Penelitian ini merupakan pengembangan dari penelitian pemodelan GWR dan
kriging yang telah dilakukan sebelumnya. Pengembangannya berupa aplikasi program
(plug-in) di R Deducer dari metode-metode yang dikembangkan tersebut. Metode
Kriging tersebut telah terdaftar di International Conference Aero Earth pada 23-24
Desember 2013, dengan judul Ordinary Kriging and Spatial Autocorrelation to
Predict Peak Ground Acceleration in Banda Aceh.
Roadmap Penelitian :
Roadmap penelitian Jurusan Statistika Bina Nusantara University 2013-2015
disajikan pada Tabel 2.1.
12
Tabel 2.1 Roadmap Penelitian Statistika 2013-2016
TOPIK
Target Keluaran
Tahun 2013 Tahun 2014 Tahun 2015 Tahun 2016
Rancang Bangun dan
Rekayasa sistem untuk
pemantauan dan prediksi
riset pasar dan deteksi
bencana alam
PRODUK TARGET:
Aplikasi peramalan
untuk riset pasar dan
bencana alam
O: Spesifikasi
sistem untuk
pemantauan dan
prediksi riset
pasar dan deteksi
bencana alam
O: Model
Statistika untuk
pemantauan dan
prediksi riset
pasar dan
deteksi bencana
alam
O: Rancangan
Program sistem
pemantauan dan
prediksi riset
pasar dan
deteksi bencana
alam
O: Prototipe
sistem
pemantauan &
prediksi riset
pasar dan
deteksi
bencana alam
Pengembangan Model
Stokastik dan Teori Resiko
untuk Efisiensi Kinerja &
Analisis Bisnis
PRODUK TARGET:
Permodelan Dan Sistem
Informasi Ekonomi &
Bisnis
O: Model Stokastik
utk efisiensi kinerja
& analisis bisnis
O: Model Teori
resiko untuk
efisiensi kinerja &
analisis bisnis
O: Prototipe sistem
model stokastik &
Teori resiko untuk
efisiensi kinerja &
analisis bisnis
O: Model
simulasi stokastik
& terori resiko
untuk efisiensi
kinerja Analisis
bisnis
Open Source Software
Statistik untuk analisis
pemodelan, peramalan, dan
pengelompokan berbasis R
PRODUK TARGET: F.
Aplikasi FOOS Untuk
Edukasi
O: Modul program
pengelompokan data
peramalan
menggunakan
statistika berbasis R
dan Java
O: Modul program
Pemodelan
peramalan
sederhana (moving
average dll)
O: Modul program
Pemodelan
peramalan lanjutan
(Regresi, dll)
O: Protipe
Program (OSP)
model Peramalan
berbasis R dan
Java
Analisis senyawa kimia
pada air
PRODUK TARGET:
Peta kualitas air di
Jabodetabek
O: Hasil analisis
senyawa kimia
hasil pemrosesan
air minum.
O: Hasil analisis
senyawa kimia
yang terkandung
dalam air tanah
di Bekasi dan
Tangerang
O: Analisis
senyawa kimia
yang terkandung
dalam air tanah
di Depok dan
Jakarta.
O: Analisis
senyawa kimia
yang
terkandung
dalam air
tanah di
Bogor.
2.2. Geographically Weighted Regression (GWR)
Model GWR adalah suatu model regresi klasik yang diubah menjadi model
regresi yang terboboti (Fotheringham, Brunsdon, Charlton, 2002). Setiap nilai
parameter akan dihitung pada setiap titik lokasi geografis sehingga setiap titik lokasi
geografis mempunyai nilai parameter regresi yang berbeda-beda. Hal ini akan
13
memberikan variasi pada nilai parameter regresi di suatu kumpulan wilayah geografis.
Jika nilai parameter regresi konstan pada tiap-tiap wilayah geografis, maka model
GWR adalah model global. Artinya tiap-tiap wilayah geografis mempunyai model
yang sama.
Model umum ntuk model GWR adalah
p
k
iikiikiii xvuvuy1
0 ,, (2.1)
Keterangan:
yi = variabel dependen pada lokasi ke-i (i = 1, 2, ... , n)
xik = variabel independen ke-k pada lokasi ke-i (i = 1, 2, ... , n)
(ui,vi) = koordinat longitude latitude dari titik ke-i pada suatu lokasi geografis.
k (ui,vi) = koefisien regresi ke-k pada masing-masing lokasi
i = error yang diasumsikan identik, independen, dan berdistribusi Normal
dengan mean nol dan varians konstan 2
Model GWR di persamaan 2.1 dapat ditransformasikan ke dalam bentuk
matriks seperti di bawah ini :
XY ( )1 (2.2)
Pada model GWR diasumsikan bahwa data observasi yang dekat dengan titik
ke-i mempunyai pengaruh yang besar pada estimasi dari ),( iik vuβ daripada data
yang berada jauh dari titik ke-i. Menurut Fotheringham, Brunsdon dan Charlton
(2002), lokal parameter ),( iik vuβ diestimasi menggunakan Weighted Least Squared
(WLS). Pada GWR sebuah observasi diboboti dengan nilai yang berhubungan dengan
titik ke-i. Bobot wij, untuk j = 1, 2, ... , n, pada tiap lokasi ),( ii vu diperoleh sebagai
fungsi yang kontinu dari jarak antara titik ke-i dan titik data lainnya.
Estimasi parameter
Estimasi parameter pada masing-masing lokasi ke-I melalui WLS adalah
sebagai berikut :
yWXXWXβ )()()(ˆ 1iii TT
(2.3)
Keterangan :
X = matrik data dari variabel bebas
14
y = vektor variabel respon
W(i) = matriks pembobot
ni
i
i
W
W
W
iW
...00
0...0
0...0
)(2
1
nknn
k
k
xxx
xxx
xxx
21
22221
11211
1
1
1
X
Tnyyy ,...,y 21
nnpnnnn
p
vuvuvu
vuvuvu
,β...,β,β
...
...
...
,β...,β,β
10
11111110
Bandwidth
Bandwidth adalah ukuran jarak fungsi pembobot dan sejauh mana pengaruh
lokasi terhadap lokasi lain. Secara teoritis bandwidth merupakan lingkaran dengan
radius b dari titik pusat lokasi, dimana digunakan sebagai dasar menentukan bobot
setiap pengamatan terhadap model regresi pada lokasi tersebut. Untuk pengamatan-
pengamatan yang terletak dekat dengan lokasi i maka akan lebih berpengaruh dalam
membentuk parameter model pada lokasi i. (Fotheringham, Brunsdon, dan Charlton,
2002, p45).
Untuk mendapatkan bandwidth optimum, dapat dilakukan dengan menghitung
cross validation (CV). Jika nilai CV semakin kecil, maka didapatkan bandwidth yang
optimum (Fotheringham, Brunsdon, dan Charlton, 2002, p60) dengan menggunakan
rumus sebagai berikut:
2
1
)(ˆ
n
i
ii byyCV (2.4)
Keterangan:
i = lokasi ke-i
b = bandwidth
)(ˆ by i = nilai prediksi dari model regresi tanpa pengamatan ke-i
15
Pembobot
Pembobot W(i) dihitung untuk tiap i dan wij mengindikasikan kedekatan atau
bobot tiap titik data dengan lokasi i. Hal ini yang membedakan GWR dengan
tradisional WLS yang mempunyai matrik bobot yang konstan. Peran pembobot sangat
penting karena nilai pembobot tersebut mewakili letak data observasi satu dengan
lainnya sehingga sangat dibutuhkan ketepatan cara pembobotan.
Beberapa jenis fungsi pembobot yang dapat dipergunakan menurut
Fotheringham, Brunsdon, dan Charlton (2002, p56-57) antara lain:
1 Fungsi Inverse Jarak
Fungsi tersebut dapat dinotasikan sebagai berikut:
1
2 5
ij
j i i
ij
, jika d b
w (u ,v ) ( . )
0 , jika d b
Fungsi inverse jarak akan memberi bobot nol ketika lokasi j berada diluar
radius b dari lokasi i, sedangkan apabila lokasi j berada didalam radius b
maka akan mendapat bobot satu.
22 )()( jijiij vvuud (2.6)
2 Fungsi Kernel Gauss
Bentuk fungsi kernel gauss adalah
])/(2/1[exp)v,(uw 2
iij bd ij
(2.18)
Fungsi Kernel Gauss akan memberi bobot yang akan semakin menurun
mengikuti fungsi gaussian ketika dij semakin besar.
3 Fungsi Kernel Bi-square
Fungsi tersebut dapat dinotasikan sebagai berikut:
2 7
2 2
ij ij
j i i
ij
[1 (d /b) ] , jika d b
w (u ,v ) ( . )
0 , jika d b
16
Fungsi Kernel Bi-square akan memberi bobot nol ketika lokasi j berada pada atau
diluar radius b dari lokasi i, sedangkan apabila lokasi j berada didalam radius b maka
akan mendapat bobot yang mengikuti fungsi bi-square.
2.3. Kriging
Kriging merupakan salah satu metode prediksi dan interpolasi dalam
geostatistika. Terdiri dari dua jenis yaitu ordinary kriging ketika hanya satu variabel
dan cokriging ketika terdapat lebih dari satu variabel yang diamati. Definisi
interpolation dalam hal ini adalah metode untuk menghasilkan sebuah prediction
surface yang bersifat kontinyu dari sekelompok sampel data. Interpolation analysis
diperlukan karena data tidak mungkin diambil dari semua lokasi yang ada. Teknik
interpolasi mengambil data di sebagian lokasi dan menghasilkan nilai prediksi untuk
lokasi lainnya.
Suatu sampel data pada lokasi 1,2…,n adalah V(x1), V(x2), … , V(xn), maka
untuk menduga V(x0) adalah (Fischer and Getis, 2010)
n
i
ii xVwxV1
0 )()(ˆ
(2.8)
Dimana wi diduga melalui matrik berikut :
DCw 1 (2.9)
nw
w
w
....
2
1
w
1...
...
1...
1...
21
22221
11211
nnnn
n
n
CCC
CCC
CCC
C
1
....
0
20
10
nC
C
C
D
nnC merupakan nilai kovarian antar masing-masing amatan dan 0nC
merupakan nilai
kovarian antar amatan dengan amatan yang akan diduga.
2.4. R Language
Menurut Torgo (2011, p1), R adalah bahasa pemrograman yang baik untuk
komputasi statistik. Hal ini mirip dengan bahasa S yang dikembangkan oleh AT&T
Bell Laboratories oleh Rick Becker, John Chambers dan Allan Wilks. Ada beberapa
macam versi untuk R antara lain R untuk Unix, Windows, dan berbagai macam Mac.
17
Selain itu R juga dapat berjalan di berbagai arsitektur komputer seperti Intel,
PowerPC, Alpha sistem, dan sistem Sparc. Sumber kode dari setiap komponen R
tersedia secara bebas sehingga dapat diadaptasikan dengan baik. R memiliki
keterbatasan dalam penanganan dataset yang sangat besar karena semua perhitungan
dilakukan dalam memori utama komputer.
R software memiliki beberapa kelebihan selain yang bersifar open source,
yaitu bersifat multiplatforms dengan file instalasi binary/file tar yang tersedia untuk
sistem operasi Windows, Mac OS, Mac OS X, Linux, Free BSD, NetBSD, irix,
Solaris, AIX, HPUX, dan lain-lain. Selain itu juga memiliki bahasa yang sama dengan
S Plus, fungsi dan kemampuan dari R sebagian besar dapat diperoleh melalui add-on
packages/library, menyediakan fasilitas untuk membuat fungsi yang didefinisikan
user, selalu update dengan cepat terhadap metode-metode baru, dan tersedia petunjuk
dan contoh-contoh analisis.
Dalam pengembangannya, R software memberi kemudahan bagi developer
untuk membuat graphical user interface (GUI) yang dapat diakses melalui java
language. Salah satunya adalah untuk TIMP. TIMP adalah R package untuk modeling
multi-way spectroscopic measurements. Java GUI untuk package ini adalah Glotaran.
Interaksi kerja antara Glotaran dan TIMP disajikan pada Gambar 2.1.
Sumber : Snellenburg. et al, 2012
Gambar 2.1. Diagram Interaksi antara Glotaran, R, dan Java untuk TIMP
18
BAB III. METODE PENELITIAN
3.1 Tahapan Penelitian
Tahapan kegiatan ini disajikan pada Gambar 3.1. Tahapan meliputi persiapan,
studi literatur, perancangan, implementasi dan evaluasi, hingga kesimpulan.
Gambar 3.1. Diagram Alur Tahapan Penelitian
3.2 Perancangan Aplikasi Program
Langkah-langkah pembuatan aplikasi program secara umum adalah 1)
menganalisis kebutuhan dan pendefinisian tentang pemodelan spatial dan kriging, 2)
perancangan sistem dan perangkat lunak, 3) implementasi dari perangkat lunak yang
telah dirancang, 4) integrasi dan pengujian sistem menggunakan data kasus, dan 5)
pengoperasian hasil perangkat lunak (lihat Gambar 3.2).
Persiapan
Studi literatur
Pengumpulan data sekunder
GWR dan kriging
Plug-in Kriging dan GWR di R Deducer
Perancangan aplikasi
Implementasi dan Evaluasi
Kesimpulan
19
Gambar 3.2 Diagram Pembuatan Aplikasi Program
3.3 Perancangan Layar
Perancangan layar yang akan dibuat disajikan pada Gambar 3.3 - Gambar 3.4.
Gambar 3.3 Rancangan Tampilan Kriging
Spatial Analysis : Kriging
data
Dependent Variable
Latitute
Run Cancel
Longtitude
Help
Analisis Kebutuhan dan pendefinisiannya
Perancangan Sistem dan Perangkat Lunak
Implementasi
Integrasi dan pengujian sistem
Pengoperasian
20
Gambar 3.4 Rancangan Tampilan GWR
3.4 Objek Data Penelitian
Data yang digunakan sebagai studi kasus atau evaluasi dalam penelitian ini
adalah data sekunder.
- Kriging : penelitian Sengara(2006) untuk Peak Ground Acceleration
(PGA), latitude dan longtitude.
- GWR : Badan Pusat Statistik (BPS) Provinsi Jawa Timur 2009.
Variabel dependen (Y) : Angka Buta Huruf (ABH)
Variabel independen (X) : Teknologi, informasi, dan komunikasi (TIK),
yang terdiri dari:
X1/TeleponRumah = Persentase rumah tangga yang memiliki telepon
rumah
X2/TeleponSelular = Persentase anggota rumah tangga yang memiliki
telepon selular
X3/Komputer = Persentase anggota rumah tangga yang memiliki
komputer
X4/Internet = Persentase anggota rumah tangga yang mengakses internet
di Sekolah dalam sebulan terakhir
Spatial Analysis : Geographicaly Weighted Regression
data
Dependent Variable
Latitute
Run Cancel
Longtitude
Independent Variable
Help
Weighted Bandwidth
21
BAB IV. IMPLEMENTASI DAN EVALUASI
Pada bab ini membahas pembentukan GUI di Deducer, R Package di RStudio,
dan Implementasi hasil di plug-in Deducer.
4.1. Implementasi
4.1.1 Spesifikasi Sistem
Dalam melakukan implementasi program spesifikasi perangkat keras yang
disarankan adalah:
Processor : Intel Pentium Core i-3
Memory : 4 GB
Harddisk : 250 GB
VGA : 256 MB
Monitor : Resolusi 1366 x 768
Keyboard : Ya
Mouse : Ya
Spesifikasi perangkat lunak untuk implementasi program adalah:
Microsoft Office Excel minimal versi 1997.
R untuk Deducer yang lengkap dengan RJava
RStudio
Rtools
4.1.2 Petunjuk Instalasi
Berikut adalah petunjuk instalasi yang harus dilakukan :
1. Instal R untuk Deducer seperti di link http://www.deducer.org/pmwiki/
pmwiki.php?n=Main.WindowsInstallation
2. Load Package JGR
> library(JGR)
> JGR()
3. Setelah hasil plug-in di Deducer sukses dibentuk maka dilakukan:
- Instal package ‘SpatialAnalysis’ di Deducer
- Load package :
> library(SpatialAnalysis)
22
4.2. Membangun GUI dan R Package
4.2.1. Membangun GUI di Deducer
Proses pembuatan GUI dilakukan di Deducer dengan langkah-langkah sebagai
berikut:
Langkah 1 : Membentuk window dialog dengan syntax seperti pada Gambar 4.1
untuk Kriging dan Gambar 4.2 untuk GWR, sehingga didapatkan seperti pada
Gambar 4.3 dan Gambar 4.4. Detail syntax seperti pada Lampiran 4.
Gambar 4.1. Syntax untuk membuat Dialog Kriging
Gambar 4.2. Syntax untuk membuat Dialog GWR
makeKrigingDialog <- function(){
#make dialog
dialog <- new(SimpleRDialog)
dialog$setSize(400L,600L)
dialog$setTitle("Kriging")
…..
dialog$setCheckFunction(".VariablesCheckFunction1")
dialog$setRunFunction("KrigingRunFunction")
return(dialog)
dialog$setRunFunction(toJava(KrigingRunFunction))
}
makeGWRDialog<-function(){
#make dialog
dialog <- new(SimpleRDialog)
dialog$setSize(550L,700L)
dialog$setTitle("Geographically Weighted Regression2")
JLabel <- J("javax.swing.JLabel")
…..
dialog$setRunFunction("GWRrunfunction")
return(dialog)
dialog$setRunFunction(toJava(GWRrunfunction))
}
23
Gambar 4.3. Dialog Box Kriging
Gambar 4.4. Dialog Box GWR
24
Langkah 2 : Membuat Fungsi Cek dengan syntax seperti pada Gambar 4.5 dan
dihasilkan seperti pada Gambar 4.6. Detail syntax ada di Lampiran 5.
Gambar 4.5. Syntax untuk membuat Fungsi Cek
Gambar 4.6. Dialog Box Message untuk Cek
Langkah 3 : Membuat syntax untuk menambahkan Dialog Spatial Analysis yang
terdiri dari Kriging dan GWR pada system Deducer. Syntax seperti pada Gambar 4.7
dan dihasilkan pada Gambar 4.8. Detail syntax dapat dilihat di Lampiran 4.
Gambar 4.7. Syntax untuk menambahkan Dialog Kriging di Deducer
.VariablesCheckFunction1 <- function(state){
if(state$Prediction <0)
return("Please Enter the name of output")
return("")
}
.onLoad<-function(libname,pkgname){
.registerDialog("Kriging", makeKrigingDialog)
deducer.addMenu("Spatial Analysis")
deducer.addMenuItem("Kriging",,".getDialog('Kriging')$run()","Spatial
Analysis")
.registerDialog("Geographically Weighted Regression", makeGWRDialog)
deducer.addMenuItem("Geographically Weighted
……
winMenuAddItem("Spatial Analysis", "Geographically Weighted
Regression", "deducer('Geographically Weighted Regression')")
}else if(.jgr){
jgr.addMenu("Spatial Analysis")
jgr.addMenuItem("Spatial Analysis", "Geographically Weighted
Regression", "deducer('Geographically Weighted Regression')")
}
}
25
Gambar 4.8. Dialog Kriging di Deducer
Langkah 4 : Membuat Syntax (Gambar 4.9) untuk fungsi analisis ordinary Kriging
dan GWR. Hal ini dilakukan supaya Dialog Kriging dan GWR dapat memanggil
fungsi package yang telah tersedia di R. Detail syntax dapat dilihat pada Lampiran 5.
Gambar 4.9. Syntax untuk memanggil fungsi Ordinary Kriging dan GWR
KrigingRunFunction <- function(state){
#Define variable
form1 <-
paste(state$data,"$",state$variables1[1],"~","1",",","loc=~",sta
te$latitude1,"+",state$longitude1,",","data=",state$data)
#Button Variogram
script1 <- paste("variogram(",form1,")")
script3 <-
paste("vgm(","psill=",state$Sill,",","range=",state$Range,",","n
ugget=",state$Nugget)
………………
#save output
form10<-paste("data.frame(",form7,")")
form11<-
paste("write.table(",form10,",","'Desktop/",state$Prediction,".c
sv',sep=',',col.names=TRUE, row.names=FALSE, quote=TRUE,
na='NA')")
execute(form11)
}
GWRrunfunction<- function (state){
form1<-
paste(state$data,"$",state$Dependent[1],"~",state$data,"$",state
$Independent[1])
for(var in state$Independent[-1])
form1 <- paste(form1,"+",state$data,"$",var)
……………
form10<-
paste("print(","gwr(",form1,",",form4,",","coords=",form3,"),hat
matrix=TRUE))")
execute(form10)
}
26
4.2.2 Membangun Kriging Package
Setelah didapatkan pembuatan Dialog Box di Deducer, langkah selanjutnya
adalah membuat package yang dilakukan di RStudio. Package tersebut adalah
SpatialAnalysis2 untuk fungsi Ordinary Kriging, SpatialAnalysis3 untuk fungsi
GWR, dan SpatialAnalysis untuk gabungan keduanya. Langkah-langkahnya adalah
sebagai berikut :
Langkah 1 : Install software R, Deducer, RStudio, Rtools
Langkah 2 : Membuat package pertama di RStudio, yaitu SpatialAnalysis2
a. Pilih Menu Project > Create Project
Gambar 4.10. Menu Project > Create Project
b. Selanjutnya muncul kotak dialog Create Project dan Pilih Menu New Project
Gambar 4.11. Kotak Dialog Create Project
27
Pada dialog box Create Project, pilih Type Package dan ketik nama
SpatialAnalysis2
Hasil package akan tersimpan di C:/Users/Samsung/Desktop
Gambar 4.12. Kotak Dialog Create Project
c. Sehingga terbentuk file seperti berikut
Gambar 4.13. Folder Package
28
d. Edit file DESCRIPTION
Gambar 4.14. DESCRIPTION package SpatialAnalysis2
e. Edit file SpatialAnalysis2 di folder R. Isi dari file ini adalah syntax dari Gambar
4.5 dan Ordinary Kriging di Gambar 4.9.
Gambar 4.15. File SpatialAnalysis2
f. Delete file SpatialAnalysis2-package.Rd di folder “man”
g. Edit file NAMESPACE
Gambar 4.16. File NAMESPACE
Package: SpatialAnalysis2
Type: Package
Title: SpatialAnalysis2 Package
Version: 1.0
Date: 2013-11-10
Author: Rokhana DB and Edy Irwansyah
Maintainer: Rokhana DB <[email protected]>
depends: SpatialAnalysis
Description: Package for Kriging Function
License: GPL-2
.VariablesCheckFunction1 <- function(state){
if(state$Prediction <0)
return("Please Enter the name of output")
return("")
}
KrigingRunFunction <- function(state){
formlib1 <- paste("library(gstat)")
………….
#save output
form10<-paste("data.frame(",form7,")")
form11<-
paste("write.table(",form10,",","'Desktop/",state$Predicti
on,".csv',sep=',',col.names=TRUE, row.names=FALSE,
quote=TRUE, na='NA')")
execute(form11)
}
export(KrigingRunFunction,.VariablesCheckFunction1)
29
h. Pilih menu Build > Build&Reload
Gambar 4.17. Menu Build > Build&Reload
Apabila sukses maka didapatkan seperti berikut:
Gambar 4.18. Output Build Package
i. Pilih menu Build > More > Build Binary Package
Gambar 4.19. Menu Build > More > Build Binary Package
30
Apabila sukses maka didapatkan seperti berikut:
Gambar 4.20. Output Build Package
j. Apabila pembuatan package sukses maka akan mucul SpatialAnalysis2_1.0 di
desktop.
Langkah 3 : Dengan cara yang sama membuat package SpatialAnalysis dan Spatial
Analysis3.
Package SpatialAnalysis :
- Merupakan package yang berfungsi untuk memanggil package
SpatialAnalysis2 dan SpatialAnalysis3.
- Merupakan package utama yang diinstal di Deducer
- Berisi Syntax Gambar 4.8
- File DESCRIPTION adalah
Gambar 4.21. DESCRIPTION package SpatialAnalysis
Package: SpatialAnalysis
Type: Package
Title: Spatial Analysis Package
Version: 1.0
Date: 2013-11-09
Author: Rokhana DB and Edy Irwansyah
Maintainer: Rokhana DB <[email protected]>
depends: Deducer,DeducerPlugInExample,gstat,maptools,
spgwr,lattice, rJava,JGR,
SpatialAnalysis2,SpatialAnalysis3
Imports:Deducer,DeducerPlugInExample,gstat,maptools,
spgwr,lattice, rJava,JGR,
SpatialAnalysis2,SpatialAnalysis3
Description: Spatial Analysis
License: GPL-2
31
Package SpatialAnalysis3 :
- Merupakan package yang berfungsi untuk fungsi GWR
- Berisi Syntax GWR di Gambar 4.9
- File DESCRIPTION adalah
Gambar 4.22. DESCRIPTION package SpatialAnalysis3
4.3. Petunjuk Pemakaian Sistem
Petunjuk pemakaian sistem yang dibuat dimulai setelah menjalankan
library(SpatialAnalysis) sehingga akan muncul Plug-in Spatial Analysis
di Deducer seperti pada Gambar berikut.
Gambar 4.23. Menu Spatial Analysis pada Deducer
4.3.1. Petunjuk Entri Data
Entri data dilakukan dengan langkah-langkah :
a. Pilih menu File > Open Data
Gambar 4.24 Menu File > Open Data
Package: SpatialAnalysis3
Type: Package
Title: SpatialAnalysis3 Package
Version: 1.0
Date: 2013-11-10
Author: Rokhana DB and Edy Irwansyah
Maintainer: Rokhana DB <[email protected]>
depends: SpatialAnalysis
Description: Syntax for GWRModel
License: GPL-2
32
b. Pilih File, misalnya dataPGA.txt. dan klik Open
Selanjutnya akan muncul dialog box Read Delimited File.
Pada menu Record Separator, pilih Space(\w) karena data berbentuk .txt.
Selanjutnya klik Load dan akan didapatkan data seperti di dialog box Data Viewer
(Gambar 4.26)
Gambar 4.24. Dialog Box Load Data
Gambar 4.25. Dialog Box Read Delimited File
33
Gambar 4.26. Dialog Box Data Viewer
4.3.2. Petunjuk Pemakaian Kriging
Langkah-langkah untuk menggunakan menu analisis Ordinary Kriging
disajikan pada Gambar 4.27 – Gambar 4.34.
a. Pilih menu Spatial Analysis > Kriging, sehingga akan muncuk dialog box
Kriging
Gambar 4.27. Menu Spatial Analysis > Kriging
- Data : Pilih data untuk membuat model variogram, misalnya dataPGA. Data
tersebut harus terdiri dari lokasi titik (latitude dan longitude) dan variabel data
aktual
34
- Actual Data : Pilih Variabel data aktual yang berfungsi untuk membangun
model variogram, misalnya PGA
- Latitute : Pilih koordinat bujur, misalnya latitute
- Longitude : Pilih koordinat lintang, misalnya longtitude
- Prediction : Ketik nama output hasil prediksi, yang akan disimpan
di Desktop dalam bentuk .csv. Misalnya outputKriging
Gambar 4.28. Dialog Box Kriging
b. Pilih button Variogram untuk input model variogram. Sehingga akan muncul
dialog box seperti Gambar 4.29.
a. Sill : Masukkan nilai sill, misalnya 0.004
35
b. Range : Masukkan nilai range, misalnya 0.008
c. Nugget : Masukkan nilai nugget, misalnya 0.0001
d. SemiVarioram Model : Pilih jenis model semivariogram : Spherical,
Exponential, atau Gaussian. Default dari model ini adalah Gaussian
Selanjutnya klik OK
Gambar 4.29 Dialog Box Kriging:Semivariogram
c. Pilih button Ordinary Kriging untuk input data lokasi yang akan diprediksi.
Sehingga akan muncul dialog box seperti Gambar 4.30
e. Data : Pilih data yang akan di prediksi, misalnya PGA_n.
Data tersebut harus terdiri dari lokasi titik (latitude dan
longitude). Urutan kolom-kolom dan penamaan data
disini harus sama dengan data yang dientri di dialog box
Kriging
- Latitute : Pilih koordinat bujur, misalnya latitute
- Longitude : Pilih koordinat lintang, misalnya longtitude
Selanjutnya klik OK.
36
Gambar 4.30 Dialog Box Kriging:Ordinary Kriging
d. Klik Run pada dialog box Kriging, sehingga didapatkan output di Deducer
Console seperti Gambar 4.31 dan Gambar 4.32
Gambar 4.31 Output Ordinary Kriging
37
Gambar 4.32 Output Plot Semivariogram
Output dalam file outputKriging.csv dapat dilihat di Gambar 4.33.
File ini memberikan hasil lokasi (lintang-bujur), prediksi (var1.pred), dan varians
prediksi (var1.var).
Gambar 4.33 Output Plot Semivariogram
e. Menu Help di dialog box Kriging dapat membantu pengguna untuk menganalisis
Ordinary Kriging dengan package ini (lihat Gambar 4.34).
38
Gambar 4.34 Dialog Box Help:Ordinary Kriging
4.3.3. Petunjuk Pemakaian Geographically Weighted Regression (GWR)
Langkah-langkah untuk menggunakan menu analisis Geographically
Weighted Regression disajikan pada Gambar 4.35 – Gambar 4.43..
a. Pilih menu Spatial Analysis > Geographically Weighted Regression, sehingga
akan muncuk dialog box Geographically Weighted Regression
Gambar 4.35. Menu Spatial Analysis > Geographically Weighted Regression
39
Gambar 4.36 Dialog Box Geographically Weighted Regression
- Data : Pilih data untuk membuat model GWR, misalnya
dataGWR. Data tersebut harus terdiri variabel dependent, independent, garis
lintang, dan garis bujur.
- Dependent Variable : Masukkan satu Variabel Dependent, misalnya ABH
- Independent Variable : Masukkan satu atau lebih Variabel Independent,
misalnya TeleponRumah, TeleponSelular., Komputer, dan
PenggunaanInternet.
- Latitude : Pilih koordinat lintang, misalnya Laatitude
- Longitude : Pilih koordinat lintang, misalnya Longtitude
40
b. Pilih button Weighted untuk input model, sehingga akan muncul dialog box
seperti Gambar 5.3.
- Weighted Bandwidth : pilih jenis pembobot yang digunakan untuk
mendapatkan bandwith optimum, Kernel Bi-Square atau Kernel Gauss
- Weighted GWR : pilih jenis pembobot yang digunakan untuk
mendapatkan model GWR, Kernel Bi-Square atau Kernel Gauss
Selanjutnya klik OK
Gambar 4.37. Dialog Box GWR:Weighted
c. Pilih button Bandwidth untuk memilih kriteria bandwidth optimum, Global atau
Adaptive. Sehingga akan muncul dialog box seperti Gambar 4.38.
Selanjutnya klik OK
Gambar 4.38. Dialog Box GWR:Bandwidth
41
d. Pilih button Methods untuk memilih kriteria bandwidth optimum, yaitu Cross
Validation (CV) atau Akaike Information Criterion (AIC). Sehingga akan muncul
dialog box seperti Gambar 4.39.
Selanjutnya klik OK
Gambar 4.39. Dialog Box GWR:Methods of Bandwidth
e. Pilih button Save untuk menyimpan hasil local model, sehingga akan muncul
dialog box seperti Gambar 4.40. Output tersebut akan tersimpan dalam file .csv di
Desktop. Misalnya ‘outputGWR’.
Selanjutnya klik OK
Gambar 4.40. Dialog Box GWR:Save output local model
42
f. Klik Run, sehingga didapatkan output di Deducer Console dan file .csv.
File outputGWR.csv (lihat Gambar 4.41) memberikan hasil local model yang
terdiri dari estimasi parameter, standar error estimasi parameter, local R2, dan total
bobot perlokasi.
Gambar 4.41 Output model GWR di Deducer Console
Gambar 4.42. Output model GWR di file .csv
g. Menu Help di dialog box Geographically Weighted Regression dapat membantu
pengguna untuk menganalisis Geographically Weighted Regression dengan
package ini.
43
Gambar 4.43. Dialog Box GWR:Help.
4.4. Evaluasi Program
Aplikasi program plug-in ini dapat memberikan hasil prediksi menggunakan
Ordinary Kriging dan model GWR. Evaluasi program dilakukan dengan
mensimulasikan dua jenis metode terebut. Ordinary Kriging menggunakan data PGA.
GWR menggunakan kasus data Angka Buta Huruf (ABH) dan indikator-indikator
TIK.
4.4.1. Ordinary Kriging
a. Model Semivariogram
Salah satu proses Ordinary Kriging adalah membuat plot semivariogram.
Semivariogram mempunyai fungsi untuk menentukan karakteristik korelasi spasial
antar lokasi. Pada semivariogram tersebut terdapat nilai jarak dan semivariance yang
menunjukkan suatu jarak dimana nilai pada data pengamatan menjadi tidak saling
berhubungan atau tidak ada korelasinya. Hasil tersebut akan mendapatkan suatu
kelompok data yang berdekatan pada suatu titik.
44
Hasil yang didapat dari plot semivariogram disajikan pada Gambar 4.44. Plot
ini menggunakan model Gaussian dengan Sill 0.004, Range 0.008, dan Nugget
0.0001. Model Gaussian pada data PGA yang digunakan adalah:
Nilai siil pada model Gaussian sebesar 0.004, memiliki arti nilai variance pada model
Gaussian akan konstan sebesar 0.004. Nilai range pada model Gaussian sebesar 0.008,
memiliki arti jarak nilai variogram pada model Gaussian saat mencapai siil sebesar
0.008.
Gambar 4.44 Plot Semivariogram
Hasil pengelompokan data ada di Gambar 4.45. Hasil ini menunjukkan adanya
14 kelompok pada plot semivariogram interpolasi. Kelompok satu terdiri dari satu
titik yang mempunyai jarak 0.0022. Kelompok lima terdiri dari 9 titik yang
salingberdekatan dengan jarak 0.0066.
45
Gambar 4.45 Output Pengelompokan Data
b. Prediksi
Setelah ditentukan model semivariogram, langkah selanjutnya adalah
melakukan prediksi PGA. Hasil prediksi beserta titik-titiknya dapat dilihat pada
Gambar 4.47 atau file outputGWR.csv.
Gambar 4.46. Output Prediksi PGA
46
4.4.2. GWR
Langkah-langkah dalam pemodelan GWR adalah menentukan bandwidth
optimum, pembobot dan penaksiran parameter GWR. Dari model GWR ini akan
didapatkan faktor–faktor TIK yang berpengaruh secara lokal terhadap ABH.
a. Penentuan Bandwidth Optimum
Simulasi ini menggunakan jenis bandwidth Global dan kriteria optimum
bandwidth CV. Hasil CV adalah 553.6011 dan bandwidt optimum adalah 1.226 (lihat
Gambar 4.47). Fungsi dari bandwidth adalah untuk menentukan bobot dari suatu
lokasi terhadap lokasi lain yang digunakan sebagai pusat. Sebagai contoh Kabupaten
Pacitan, nilai 1,226 menunjukkan bahwa daerah sekitarnya dalam radius 1,226o akan
dianggap masih memiliki pengaruh lokasi dari Kabupaten Pacitan. Semakin dekat
wilayah dengan daerah pusat, akan semakin besar pula pengaruh yang diberikan.
Gambar 4.47. Output Bandwidth Optimum
b. Penentuan Pembobot
Setelah mendapatkan nilai bandwidth, langkah selanjutnya adalah mencari
nilai pembobot di masing-masing lokasi. Output dapt dilihat di file outputGWR.csv
seperti Gambar 4.48.
47
Gambar 4.49. Output Bobot Setiap Lokasi
c. Penaksiran Parameter GWR
Hasil panaksiran parameter GWR dapat dilihat pada Gambar 4.50. Estimasi
parameter dan faktor-faktor yang mempengaruhi nilai ABH di tiap kabupaten adalah
dapat berbeda–beda. Sebagai contoh Kabupaten Pacitan memiliki model lokal:
Paciy 33 144 0 052x1 0 454x2 0 073x3 0 584x4tan , , , , ,
Gambar 4.50. Output Estimasi Parameter
Output standard error untuk estimasi parameter disajikan pada Gambar 4.41.
Sedangkan output residual, prediksi, standard error prediksi, dan local R2 disajikan
pada Gambar 4.42.
48
Gambar 4.41 Output Standard Error Estimasi Parameter
Gambar 4.42 Output Residual, Prediksi, standard error prediksi, dan local R2.
49
BAB V. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil pembahasan pada bab sebelumnya tentang implementasi dan
evaluasi aplikasi program pada kriging dan Geographically Weighted Regression
(GWR), dapat disimpulkan sebagai berikut :
1. Program aplikasi kriging dapat menghasilkan nilai prediksi suatu titik lokasi
tertentu berdasarkan lokasi lain yang telah diketahui.
2. Program aplikasi GWR dapat menghasilkan model GWR lokal.
5.2. Saran
Beberapa saran yang dapat digunakan untuk pengembangan program lebih lanjut.
1. Mengembangkan penggunaan metode kriging untuk prediksi suatu titik
lokasi tertentu berdasarkan lokasi lain yang telah diketahui.
2. Mengembangkan penggunaan metode GWR untuk mendapatkan model
lokal di setiap lokasi
3. Penelitian selanjutnya dapat membuat aplikasi program untuk model
spasial berbasis area dan hasil pemetaan melalui pemodelan.
50
DAFTAR PUSTAKA
Anderson R.A, D.J Sweeney, T.A Williams., 2011, Statistics For Business And
Economics. [S.N]. United States, ISBN: 13-978-0-538-47188-6
Andiyono, 2012, Analisis Angka Buta Huruf di Jawa Timur Menggunakan
Geographically Weighted Regression Berbasis Komputer, [Skripsi], Jakarta :
Bina Nusantara University.
Anselin, L., 1988. Spatial Econometrics: Methods and Models. Ist Edn., Kluwer
Academic Publishers, Netherlands, ISBN-10: 9024737354, pp: 304.
Anselin, L dan Rey S.J., 2010, Perspectives on Spatial Data Analysis. Santa Barbara,
CA, USA.
Bekti, R.D dan Sutikno, 2010, Permodelan Spasial pada Hubungan antara Aset
Kehidupan Masyarakat Jawa Timur dalam Memenuhi Kebutuhan Pangan
terhadap Kemiskinan, Seminar Nasional Pascasarjana X – ITS, Surabaya 4
Agustus 2010, ISBN No. 979-545-0270-1
Bekti, R.D. and Sutikno, 2011, Spatial Modeling on the Relationship between asset
society and poverty in East Java, J. Matematika Sains, 16: 140-146.
Bekti, R.D and Sutikno, 2012, Spatial Durbin Model to Identify Influential Factors of
Diarrhea, Journal of Mathematics and Statistics, 8 (3): 396-402.
Bohling, Geoff.(2005). Kriging. Diperoleh pada tanggal 24-11-2012 dari
http://people.ku.edu/~gbohling/cpe940/Kriging.pdf
Fellows, I. 2012. Deducer: A Data Analysis GUI for R. Journal of Statistical
Software, Vol 49 : 1-15.
Fischer, MM and Getis, A.,2010, Handbook of applied spatial snalysis: software
tools, method, and applications, New York : Sprinegr.
Fotheringham, Brunsdon, dan Charlton (2002). Geographically Weighted Regression
: the analysis of spatially varying relationships. UK : John Wiley & Sons, Ltd.
Irwansyah, E., Winarko, E., Rasjid, ZE., and Bekti, RD., 2013,. Earthquake hazard
zonation using Peak Ground Acceleration (PGA) approach. Journal of Physic
Conference Series (indexed by SCOPUS, online publication max on March
2013).
LeSage, J.P., 1999. The theory and practice of spatial econometrics. University of
Toledo.
51
Sengara, I Wayan et al. 6-7 Desember (2006). Microzonation and Hazard Mapping of
Meuraxa District-Banda Aceh. Learning from the Recovery and Reconstructio
of Banda Aceh and Other Tsunami-Striken Regions.
Snellenburg, JJ., Laptenok, SP., Seger, R., Mullen, KM., and Stokkum, IHMV. ,2012,
Glotaran: A Java-Based Graphical User Interface for the R Package TIMP.
Journal of Statistical Software, Vol 49 : 1-22.
Theodorick, 2013, Metode Kriging untuk Prediksi Peak Ground Acceleration
Berbasis Komputer (Studi Kasus : Kota Banda Aceh), [Skripsi], Jakarta : Bina
Nusantara University.
Torgo, L. (2011). Data Mining with R : Learning with Case Studies. USA : Taylor
and Francis Group, LLC.
Williams, Graham, 2011, Data Mining with Rattle and R: The Art of Excaviting Data
for Knowledge Discovery. Springer. USA. ISBN : 9781441998897
52
LAMPIRAN
Lampiran 1 : Laporan Dana Penelitian
Rekapitulasi Biaya No Uraian Jumlah
1 Gaji dan Upah Rp 3,200,000
2 Perjalanan dan seminar Rp 4,500,000
3
Bahan Habis Pakai, ATK, dan lain-lain
Rp 300,000
Total Rp 8,000,000
1.1 Gaji dan Upah
No Jenis Pelaksana Satuan Honor/jam/org Jumlah
1 Ketua Peneliti 8 bulan x 4 minggu x 5
jam Rp 10,000 Rp 1,600,000
2 Anggota Peneliti (1 orang) 8 bulan x 4 minggu x 5
jam Rp 10,000 Rp 1,600,000
Rp 3,200,000
1.2 Perjalanan dan Seminar
No Jenis Pengeluaran Satuan Jumlah
1
Seminar international Aero Earth
1 paket Rp 4,500,000
Rp 4,500,000
1.3 Bahan Habis Pakai, ATK, dan lain-lain
No Jenis Pengeluaran Satuan Jumlah
1 Cetak dan jilid proposal 3 buah x 50000 Rp 150,000
2 Cetak dan jilid laporan 3 buah x 50000 Rp 150,000
Rp 300,000
53
Lampiran 3. Susunan Organisasi Team Peneliti dan Pembagian Tugas
No Nama NIDN Bidang Ilmu Alokasi Waktu
(Jam/minggu)
Uraian
Tugas
1. Rokhana Dwi Bekti,
M.Si
0306038601 Statistika
Komputasi
15 jam/mg Ketua
2. Edy Irwansyah, ST,
M.Si
0326107005 Teknologi
Informasi
15 jam/mg Anggota
54
Lampiran 2 : Biodata Penelitian
1. Peneliti Utama
Nama Lengkap (dengan gelar) : Rokhana Dwi Bekti, S.Si., M.Si. L/P
Jabatan Fungsional : Asisten Ahli 150
NIDN :
Tempat dan Tanggal Lahir : Bojonegoro, 6 Maret 1986
Alamat Rumah : Ds Bondol 149, Ngambon, Bojonegoro
Nomor Telepon/Faks : 085730128701
Nomor HP : 085730128701
Alamat Kantor : Jl. K.H. Syahdan No. 9 Palmerah Jakarta Barat
Nomor Telepon/Faks : 021-5345830/021-5300244
Alamat e-mail : [email protected]
Mata Kuliah yg diampu :
1. Scientific Computation
2. Survival Analysis
3. Econometrics
4. Statistik Probabilitas
5. Statistika
6. Statistik Nonparametrik
7. Model Linear
Riwayat Pendidikan :
S-1 S-2
Nama PT Institut Teknologi Sepuluh
Nopember Surabaya
Institut Teknologi Sepuluh
Nopember Surabaya
Bidang Ilmu Statistika Statistika
Tahun Masuk-Lulus 2005-2009 2009-2011
Judul Tugas Akhir
Model Hubungan Anomali Luas
Panen Padi dan Curah Hujan
Terboboti (Weighted Rainfall Index)
dengan Regresi Robust
Spatial Durbin Model (SDM) untuk
Mengidentifikasi Faktor-Faktor yang
berpengaruh terhadap Kejadian Diare
di Kabupaten Tuban
Pengalaman Penelitian :
Penelitian Tahun
Perancangan Perangkat Lunak Pemodelan Statistika Spatial Dan Kriging Berbasis R
Language (Hibah Binus)
2013
Estimasi Jumlah Kelahiran Bayi Melalui Model Stokastik dan
Cluster Spasial (Hibah Binus)
2012
Pengembangan Model Pemberdayaan Masyarakat untuk Pengentasan Kemiskinan:
Studi Kasus Di Kabupaten Magetan dan Kabupaten Gresik
2009
Innovative Decision Making for Sustainable Water Management (Dim-Sum) 2009
Pemetaan Sosial Masyarakat Di Lokasi Pembangunan dan Operasional Pasar
Modern Sudirman Square Kota Kediri
2010
Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal :
No. Tahun Judul Artikel Ilmiah Volume/ Nomor Nama Jurnal
1 2012 Spatial Durbin Model to Identify Influential
Factors of Diarrhea Vol 8 no 3
Journal of
Mathematics and
Statistics
55
2 2013
Edy Irwansyah, Edy Winarko, Zulfany E.
Rasjid and Rokhana D. Bekti, Earthquake
hazard zonation using Peak Ground
Acceleration (PGA) approach, International
Conference on Science & Engineering in
Mathematics, Chemistry and Physics
(ScieTech 2013), 24- 25 January 2013.
Published by Journal of Physics : Conference
Series (JPCS), Indexed by SCOPUS
3 2013
Stochastic Growth Model for Spatial Cluster
Birth and Death Process With Migration in
Bogor, West Java
Journal of
Mathematics and
Statistics
4 2012 Autokorelasi Spasial Untuk Identifikasi Pola
Hubungan Kemiskinan di Jawa Timur Comtecth
5 2012
Prediksi Dan Interpolasi Melalui
Ordinary Kriging (Studi Kasus : Kemiskinan
Di Provinsi Jawa Timur)
Comtecth
6 2011 Spatial Modeling on the Relationship between
Asset Society and Poverty in East Java Vol. 16 Nomor 3
Jurnal matematik
dan sains ITB
7 2010
Prakiraan Cuaca Dengan Metode
Autoregressive Integrated Moving Average,
Neural Network, Dan Adaptive Splines
Threshold Autoregression di Stasiun Juanda
Surabaya
Vol. 8 No. 1
Desember 2010
:43-61
Jurnal Sains
Dirgantara
Jakarta, 30 November 2013
Pengusul,
Rokhana Dwi Bekti, M.Si
56
2. Anggota Peneliti
1.1. Nama Lengkap (Dengan Gelar) Edy Irwansyah, ST, M.Si L/P
1.2 Jabatan Fungsional Tenaga Pengajar
1.3 NIP/NIK/No. Identitas lainnya D3338
1.4 Tempat dan Tanggal Lahir Manado, 26 Oktober 1970
1.5 Alamat Rumah Perumahan Taman Tanah Baru Blok A No.7 Tanah
Baru, Beji, Depok 16426
1.6 Nomor Telepon/Faks 021 – 772 14771
1.7 Nomor HP 081 - 586182752
1.8 Alamat Kantor Jurusan Teknik Informatika - Kampus Syahdan-
Bina Nusantara University Jl. KH. Syahdan no. 9
Kemanggisan, Jakarta Barat 11480
1.9 Nomor Telepon/Faks (021) 534 5830/ (021) 530 0244
1.10 Alamat e-mail [email protected], [email protected]
1.11 Mata Kuliah Yang Diampu 1. Sistem Informasi Geografis
2.Pengantar Teknologi Informasi
3.Intelegensia Semu
Riwayat Pendidikan
2.1 Program: S1 S2 S2
2.2 Nama PT Universitas Pembangunan
Nasional Veteran
Universitas Indonesia Universitas Salzburg
Austria
2.3 Bidang Ilmu Teknik Geologi Geografi (Peminatan
Sistem Informasi
Geografis)
Geographic Information
System And Science
2.4 Tahun Masuk 1989 1999 2006
2.5 Tahun Lulus 1996 2001 2008
2.6 Judul Skripsi/
Tesis/Disertasi
Geologi dan Studi Kontrol
Litologi Terhadap Kualitas
Air Tanah
Morfodinamika
Laguna Segara
Anakan
Buiilding Damage
Information System
(BDIS): Application of
BDIS in Banda Aceh
City – Indonesia After
Sumatera Earthquake
2.7 Nama Pembim-
bing/ Promotor
Prof. Dr. Ir. Sari Bahagiarti
M.Sc
Prof. Dr. Ir. Indroyono
Soesilo, M.Sc/Dr.
rer.nat. Eko
Kusratmoko.
Dr. Shahnawaz/Dr.
Mahendar Kotha
Pengalaman Penelitian
No Tahun Judul Penelitian Pendanaan
Sumber Jml (Juta Rp)
1 2013 Model Zonasi Daerah Bahaya Kerusakan
Bangunan Akibat Gempa Bumi dengan
Algoritma FKCN dan Algoritma Kriging
(No Kontrak : 005B/Dir.RIC/IV/2013)
Hibah Mandiri Univ.
Bina Nusantara 2013
35,000,000
2 2013 Atlas Digital Arahan Struktur Drain Spacing
untuk Budidaya Kelapa Sawit di Lahan
Rawa Waterlogging
Hibah DIKTI
(Desentralisasi) 2013
40,000,000
3 2013 Perancangan Perangkat Lunak Pemodelan
Statistika Spasial & Kriging Berbasis R
Language (No. Kontrak :
005A/Dir.RIC/IV/2013)
Hibah Univ. Bina
Nusantara
8,000,000
4 2012 Pengembangan Atlas Digital Arahan
Struktur Drain Spacing untuk Budidaya
Kelapa Sawit di Lahan Rawa Waterlogging
(No Kontrak : 1160/LB.620/I.1/3/2012)
Hibah KKP3T 2012
Kementrian Pertanian
80,000,000
5 2012 Pengembangan Model Spasial Dengan Hibah BINUS berbasis 9,439,000
57
Sistem Informasi Geografis (SIG) Untuk
Zonasi Daerah Rawan Kerusakan Bangunan
Akibat Gempa Bumi (No Kontrak :
113/DRIC/IV/2012)
roadmap dan RIP
6 2011 Segmentasi dan Penentuan Klas Kerusakan
Bangunan Akibat Gempa Bumi Dengan
Algoritma Region Growing Menggunakan
Data Citra Satelit Resolusi Besar (No
Kontrak : 031/DRIC/II/2011)
Hibah Dosen Muda
UBinus
4,830,000
7 2008 Pengembangan Aplikasi GIS Berbasis Web
“Sulawesi GIS”
Canadian International
Development Agency
(CIDA)
350,000,000
Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal/Buku :
NO PENULIS NAMA KRITERIA
1 Edy Irwansyah
Sistem Informasi Geografis: Prinsip Dasar
dan Pengembangan Aplikasi ISBN 978-
602-97979-7-8 Buku Ajar
2 Edy Irwansyah, Edi Winarno,
Zulfany E. Rashid, Rokhana D. Bekti
Journal of Physic Conference Series
(Scopus, Impact Factor 0.25), Jan 2013
Jurnal
International
3 Edy Irwansyah
Geographic Information System (GIS)
Using IDRISI Software-Application in
Coastal Management” GeoInforma
Publisher-Indonesia 2011 – ISBN 978-
602-19333-1-2
International
Book
4 Edy Irwansyah
“Geographic Information System (GIS)
Using IDRISI Software-Application in
Forest Management” GeoInforma
Publisher-Indonesia 2011 – ISBN 978-
602-19333-0-5
International
Book
5 Edy Irwansyah, William Santoso,
Henry Kamdani, Pandu P. Dewanata
Jurnal ComTech Volume 2 No.1 2011 –
ISSN 2087-1244
Jurnal Lokal
6 Edy Irwansyah, Tri Buana Saputra,
Lim Piu, Krisna Wirangga
Jurnal Informatika Universitas Petra,
ISSN 1411-0105
Jurnal
Nasional
7 Djunaidy Santoso, Zulfany Erlisa
Rasjid, Edy Irwansyah
Jurnal ComTech Volume 2 No.2 2011 –
ISSN 2087-1244
Jurnal Lokal
8 Edy Irwansyah
Majalah Ilmiah Globe Volume 12 No.1
Juni 2010/ h.21-27. No Akreditasi :
253/Akred-LIPI/P2MBI/05/2010/
Majalah Ilmiah
9 Edy Irwansyah
Sub Bab Buku “GIS Applications for
Sustainable Development and Good
Governance in Eastern Indonesia and
Timor Leste”) Charles Darwin University
Press-Australia 2009 – ISBN
9781921576065 (pbk.
International
Book
10 Edy Irwansyah Jurnal Geografi Volume 1 No.2 Juli 2008
(ISSN 0216-1517)/h.101-105
Jurnal
Nasional
11 Edy Irwansyah, Indroyono Soesilo,
Eko Kusratmoko
Jurnal Geografi Volume 05 Januari
2003/h.1-10 – ISSN 1410-1378
Jurnal
Nasional
Jakarta, 30 November 2013
Pengusul,
Edy Irwansyah, ST, M.Si
58
Lampiran 3. Data
Data PGA :
Lokasi latitude longtitude PGA
1 5.563625 95.293275 0.33
2 5.560917 95.287667 0.32
3 5.558844 95.283581 0.33
4 5.554 95.285056 0.36
5 5.562431 95.3345 0.32
6 5.558406 95.288717 0.41
7 5.561494 95.293897 0.33
8 5.555583 95.316933 0.32
9 5.562014 95.303181 0.42
10 5.558744 95.308153 0.41
11 5.555683 95.290947 0.32
12 5.550811 95.286725 0.4
13 5.541394 95.293836 0.31
14 5.542781 95.286889 0.41
15 5.547439 95.295306 0.35
16 5.546425 95.306511 0.37
17 5.556369 95.295892 0.34
18 5.556025 95.313914 0.32
19 5.553439 95.307222 0.35
20 5.549742 95.301164 0.35
59
Koordinat kabupaten/kota Provinsi Jawa Timur
No Kabupaten/Kota Longitude Latitude
1 Kabupaten Pacitan 111,18 -8,13
2 Kabupaten Ponorogo 111,50 -7,93
3 Kabupaten Trenggalek 111,63 -8,16
4 Kabupaten Tulungagung 111,89 -8,11
5 Kabupaten Blitar 112 -8,03
6 Kabupaten Kediri 112,03 -7,47
7 Kabupaten Malang 112,64 -8,11
8 Kabupaten Lumajang 113,14 -8,13
9 Kabupaten Jember 113,67 -8,23
10 Kabupaten Banyuwangi 114,21 -8,36
11 Kabupaten Bondowoso 113,95 -7,94
12 Kabupaten Situbondo 114,05 -7,80
13 Kabupaten Probolinggo 113,32 -7,87
14 Kabupaten Pasuruan 112,83 -7,74
15 Kabupaten Sidoarjo 112,70 -7,45
16 Kabupaten Mojokerto 112,28 -7,32
17 Kabupaten Jombang 112,26 -7,55
18 Kabupaten Nganjuk 111,94 -7,60
19 Kabupaten Madiun 111,65 -7,63
20 Kabupaten Magetan 111,36 -7,66
21 Kabupaten Ngawi 111,35 -7,44
22 Kabupaten Bojonegoro 111,81 -7,26
23 Kabupaten Tuban 111,89 -6,95
24 Kabupaten Lamongan 112,30 -7,13
25 Kabupaten Gresik 112,54 -7,14
26 Kabupaten Bangkalan 112,93 -7,04
27 Kabupaten Sampang 113,25 -7,05
28 Kabupaten Pamekasan 113,50 -7,07
29 Kabupaten Sumenep 113,88 -7,01
30 Kota Kediri 112,02 -7,83
31 Kota Blitar 112,09 -8,04
32 Kota Malang 112,63 -7,97
33 Kota Probolinggo 113,21 -7,77
34 Kota Pasuruan 112,90 -7,65
35 Kota Mojokerto 112,45 -7,42
36 Kota Madiun 111,53 -7,63
37 Kota Surabaya 112,72 -7,28
38 Kota Batu 112,31 -7,51
60
Karakteristik ABH dan Indikator TIK di Provinsi Jawa Timur
61
Lampiran 4. Syntax di File SpatialAnalysis.R
makeKrigingDialog <- function(){
#make dialog
dialog <- new(SimpleRDialog)
dialog$setSize(400L,600L)
dialog$setTitle("Kriging")
JLabel <- J("javax.swing.JLabel")
#add variable selector
variableSelector <- new(VariableSelectorWidget)
variableSelector$setTitle("data")
addComponent(dialog,variableSelector,25,400,900,25)
# add a list for the Actual Data (variables)
vardep <-"Actual Data:"
label1 <- new(JLabel,vardep)
addComponent(dialog, label1,100,800,120,500)
variableList1<- new(SingleVariableWidget,variableSelector)
variableList1$setTitle("variables1")
addComponent(dialog, variableList1,130,975,200,400)
# add latitude and longitude
latitude1 <-"Latitude:"
label2 <- new(JLabel,latitude1)
addComponent(dialog, label2,230,800,250,500)
variableList2<- new(SingleVariableWidget,variableSelector)
variableList2$setTitle("latitude1")
addComponent(dialog, variableList2,260,975,330,400)
# add longitude
longitude1<-"Longitude:"
label3 <- new(JLabel,longitude1)
addComponent(dialog, label3,350,800,370,500)
variableList3<- new(SingleVariableWidget,variableSelector)
variableList3$setTitle("longitude1")
addComponent(dialog, variableList3,380,975,450,400)
#Add a Variogram button
JButton <- J("javax.swing.JButton")
button1 <- new(JButton,"Variogram")
addComponent(dialog,button1,500,900,550,600)
#make Variogram Dialog
subDialog1 <- new(SimpleRSubDialog,dialog,"Kriging: Semivariogram")
setSize(subDialog1,300L,300L)
#make entry sill, range, and nugget
txt1 <- new(TextAreaWidget, "Sill")
addComponent(subDialog1, txt1, 50, 900, 200, 100, rightType = "REL")
txt2 <- new(TextAreaWidget, "Range")
addComponent(subDialog1, txt2, 220, 900, 370, 100, rightType = "REL")
txt3 <- new(TextAreaWidget, "Nugget")
addComponent(subDialog1, txt3, 390, 900, 540, 100, rightType = "REL")
#make choose of semivariogram model
model <- new(CheckBoxesWidget,"SemiVariogram Model",c("Spherical","Exponential",
"Gaussian"))
addComponent(subDialog1, model,560,900,810,100)
model$setDefaultModel(c("Gaussian"))
#Listen for the button1 to be pressed
ActionListener <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction <- function(script5,ActionEvent){
subDialog1$setLocationRelativeTo(button1)
subDialog1$run()
}
listener <- new(ActionListener)
listener$setFunction(toJava(actionFunction))
button1$addActionListener(listener)
#Add a Ordinary Kriging button
JButton2 <- J("javax.swing.JButton")
button2 <- new(JButton2,"Ordinary Kriging")
addComponent(dialog,button2,570,900,620,600)
#make Variogram Dialog
subDialog2 <- new(SimpleRSubDialog,dialog,"Kriging: Ordinary Kriging")
setSize(subDialog2,400L,500L)
#add variable selector
62
variableSelector2 <- new(VariableSelectorWidget)
variableSelector2$setTitle("dataprediction")
addComponent(subDialog2,variableSelector2,25,400,900,25)
# add a list for the Predicting
pred <-"Location for prediction:"
label4 <- new(JLabel,pred)
addComponent(subDialog2, label4,50,800,120,500)
# add latitude
latitude2 <-"Latitude:"
label5 <- new(JLabel,latitude2)
addComponent(subDialog2, label5,130,800,150,500)
variableList5<- new(SingleVariableWidget,variableSelector2)
variableList5$setTitle("latitude2")
addComponent(subDialog2, variableList5,170,975,250,400)
# add longitude
longitude2<-"Longitude:"
label6 <- new(JLabel,longitude2)
addComponent(subDialog2, label6,270,800,290,500)
variableList6<- new(SingleVariableWidget,variableSelector2)
variableList6$setTitle("longitude2")
addComponent(subDialog2, variableList6,310,975,390,400)
#Listen for the button2 to be pressed
ActionListener2 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction2 <- function(form7,ActionEvent){
subDialog2$setLocationRelativeTo(button2)
subDialog2$run()
}
listener2 <- new(ActionListener2)
listener2$setFunction(toJava(actionFunction2))
button2$addActionListener(listener2)
#Add a Lokasi Output
saveoutput <-"Name of output:"
labelsave <- new(JLabel,saveoutput)
addComponent(dialog, labelsave,650,700,670,400)
saveoutput1 <- new(TextAreaWidget, "Prediction")
addComponent(dialog, saveoutput1, 700,975,800,400, rightType = "REL")
#Add button help
JButton3 <- J("javax.swing.JButton")
button3 <- new(JButton3,"Help")
addComponent(dialog,button3,850,900,900,600)
#make Help Dialog
subDialog3 <- new(SimpleRSubDialog,dialog,"Help:Ordinary Kriging")
setSize(subDialog3,600L,500L)
help1 <-"The steps for predicting data: "
label7 <- new(JLabel,help1)
addComponent(subDialog3, label7,50,800,80,100)
help2 <-"A. Input Data:Use menu Packages&Data > data viewer in Deducer Console"
label8 <- new(JLabel,help2)
addComponent(subDialog3, label8,90,800,120,100)
help3 <-"The data for ordinary kriging consist of "
label9 <- new(JLabel,help3)
addComponent(subDialog3, label9,130,800,160,100)
help4 <- "- Actual data : actual data, latitude, and longitude"
label10 <- new(JLabel,help4)
addComponent(subDialog3, label10,170,800,200,100)
help5 <- "- Predicting data : latitude and longitude (in button 'Ordinary Kriging')"
label11 <- new(JLabel,help5)
addComponent(subDialog3, label11,210,800,240,100)
help6 <- "B. Variogram"
label12 <- new(JLabel,help6)
addComponent(subDialog3, label12,250,800,280,100)
help7 <- "Press Button 'Variogram', then Entri the value of Sill, Range, and Nugget"
label13 <- new(JLabel,help7)
addComponent(subDialog3, label13,290,800,320,100)
help8 <- "Select one of semivariogram methods, Spherical, Expponential, or
Gaussian."
label14 <- new(JLabel,help8)
addComponent(subDialog3, label14,330,800,360,100)
63
help9 <- "This menu is perform a Semivariogram plot and the characteristics of
autocorrelation in semivariogram"
label15 <- new(JLabel,help9)
addComponent(subDialog3, label15,370,800,400,100)
help10 <- "C. Ordinary Kriging"
label16 <- new(JLabel,help10)
addComponent(subDialog3, label16,410,800,440,100)
help11 <- "Select the location of data for prediction (latitude and longitude)"
label17 <- new(JLabel,help11)
addComponent(subDialog3, label17,450,800,480,100)
help12 <- "The name of latitude and longitude must be same as name of latitude-
longitude in actual data"
label18 <- new(JLabel,help12)
addComponent(subDialog3, label18,490,800,520,100)
help13 <- "D. Save output"
label19 <- new(JLabel,help13)
addComponent(subDialog3, label19,530,800,560,100)
help14 <- "In menu 'Prediction', Entri the name of prediction output file. "
label20 <- new(JLabel,help14)
addComponent(subDialog3, label20,570,800,600,100)
help15 <- "The file name can be in string and numeric, example : 01, 02, output,
etc. The output will be save on Desktop .csv."
label21 <- new(JLabel,help15)
addComponent(subDialog3, label21,610,800,640,100)
help16 <- "The next step is klik 'Run'"
label22 <- new(JLabel,help16)
addComponent(subDialog3, label22,650,800,680,100)
help17 <- "Or download in =
http://rapidshare.com/share/4EA0332A88CE8FF0B1437CEC2E4C1D3A"
label23 <- new(JLabel,help17)
addComponent(subDialog3, label23,690,800,720,100)
#Listen for the button help to be pressed
ActionListener3 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction3 <- function(form10,ActionEvent){
subDialog3$setLocationRelativeTo(button3)
subDialog3$run()
}
listener3 <- new(ActionListener3)
listener3$setFunction(toJava(actionFunction3))
button3$addActionListener(listener3)
#dialog$addHelpButton("pmwiki.php")
dialog$setCheckFunction(".VariablesCheckFunction1")
dialog$setRunFunction("KrigingRunFunction")
dialog$setRunFunction(toJava(KrigingRunFunction))
return(dialog)
}
makeGWRDialog<-function(){
#make dialog
dialog <- new(SimpleRDialog)
dialog$setSize(550L,700L)
dialog$setTitle("Geographically Weighted Regression")
JLabel <- J("javax.swing.JLabel")
#add variable selector
variableSelector <- new(VariableSelectorWidget)
variableSelector$setTitle("data")
addComponent(dialog,variableSelector,20,400,850,20)
#add a list for the variables
vardep <- "Dependent Variable"
label1 <- new(JLabel,vardep)
addComponent(dialog,label1, 1,800,200,550)
variableList1<- new(SingleVariableWidget,variableSelector)
variableList1$setTitle("Dependent")
addComponent(dialog,variableList1, 105,950,200,420)
varindep <- "Independent Variable(s)"
label2 <- new(JLabel,varindep)
addComponent(dialog,label2, 120,800,325,550)
64
variableList2<- new(VariableListWidget,variableSelector)
variableList2$setTitle("Independent")
addComponent(dialog,variableList2, 240,950,440,420)
latitude <- "Latitude"
label3 <- new(JLabel,latitude)
addComponent(dialog,label3, 420,800,500,550)
variableList3<- new(SingleVariableWidget,variableSelector)
variableList3$setTitle("Latitude")
addComponent(dialog,variableList3, 465,950,560,420)
longitude <- "Longitude"
label4 <- new(JLabel,longitude)
addComponent(dialog,label4, 335,800,800,550)
variableList4<- new(SingleVariableWidget,variableSelector)
variableList4$setTitle("Longitude")
addComponent(dialog,variableList4, 575,950,670,420)
#Add Weighted button
JButton1 <- J("javax.swing.JButton")
button1 <- new(JButton1,"Weighted")
addComponent(dialog,button1,685,800,730,600)
#make Options Dialog
subDialog1 <- new(SimpleRSubDialog,dialog,"GWR: Weighted")
setSize(subDialog1,300L,300L)
transBoxes1 <- new(CheckBoxesWidget,"Weighted Bandwidth",c("Kernel Bi-
Square","Kernel Gauss"))
addComponent(subDialog1,transBoxes1,50,900,300,100)
transBoxes1$setDefaultModel(c("Kernel Bi-Square"))
transBoxes12 <- new(CheckBoxesWidget,"Weighted GWR",c("Kernel Bi-Square","Kernel
Gauss"))
addComponent(subDialog1,transBoxes12,350,900,600,100)
transBoxes12$setDefaultModel(c("Kernel Bi-Square"))
#Listen for the button1 to be pressed
ActionListener1 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction1 <- function(form4,ActionEvent){
subDialog1$setLocationRelativeTo(button1)
subDialog1$run()
}
listener1 <- new(ActionListener1)
listener1$setFunction(toJava(actionFunction1))
button1$addActionListener(listener1)
#Add Bandwidth button
JButton2 <- J("javax.swing.JButton")
button2 <- new(JButton2,"Bandwidth")
addComponent(dialog,button2,740,800,785,600)
subDialog2 <- new(SimpleRSubDialog,dialog,"GWR: Bandwidth")
setSize(subDialog2,300L,300L)
transBoxes2<- new(CheckBoxesWidget,"Bandwidth",c("Global","Adaptive"))
addComponent(subDialog2,transBoxes2,50,900,300,100)
transBoxes2$setDefaultModel(c("Global"))
#Listen for the button2 to be pressed
ActionListener2 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction2 <- function(form4,ActionEvent){
subDialog2$setLocationRelativeTo(button2)
subDialog2$run()
}
listener2 <- new(ActionListener2)
listener2$setFunction(toJava(actionFunction2))
button2$addActionListener(listener2)
# Add Methods button
JButton3 <- J("javax.swing.JButton")
button3 <- new(JButton3,"Methods")
addComponent(dialog,button3,795,800,840,600)
subDialog3 <- new(SimpleRSubDialog,dialog,"GWR:Methods of Bandwidth")
setSize(subDialog3,300L,300L)
transBoxes3<- new(CheckBoxesWidget,"Methods for Optimum Bandwidth",c("CV","AIC"))
addComponent(subDialog3,transBoxes3,50,900,300,100)
transBoxes3$setDefaultModel(c("CV"))
#Listen for the button3 to be pressed
ActionListener3 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction3 <- function(form4,ActionEvent){
subDialog3$setLocationRelativeTo(button3)
subDialog3$run()
}
65
listener3 <- new(ActionListener3)
listener3$setFunction(toJava(actionFunction3))
button3$addActionListener(listener3)
# Add Save button
JButton4 <- J("javax.swing.JButton")
button4 <- new(JButton4,"Save Output")
addComponent(dialog,button4,850,800,895,600)
subDialog4 <- new(SimpleRSubDialog,dialog,"GWR:Save output local model")
setSize(subDialog4,300L,300L)
#Add a Lokasi Output
saveoutput <-"Name of output:"
labelsave <- new(JLabel,saveoutput)
addComponent(subDialog4, labelsave,50,900,100,100)
saveoutput1 <- new(TextAreaWidget, "output")
addComponent(subDialog4, saveoutput1, 150,975,350,400, rightType = "REL")
#Listen for the button4 to be pressed
ActionListener4 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction4 <- function(form4,ActionEvent){
subDialog4$setLocationRelativeTo(button4)
subDialog4$run()
}
listener4 <- new(ActionListener4)
listener4$setFunction(toJava(actionFunction4))
button4$addActionListener(listener4)
# Add Help button
JButton5 <- J("javax.swing.JButton")
button5 <- new(JButton5,"Help")
addComponent(dialog,button5,935,400,980,50)
subDialog5 <- new(SimpleRSubDialog,dialog,"GWR:Help")
setSize(subDialog5,600L,600L)
help1 <-"The steps for GWR model: "
label7 <- new(JLabel,help1)
addComponent(subDialog5, label7,50,800,80,100)
help2 <-"A. Input Data"
label8 <- new(JLabel,help2)
addComponent(subDialog5, label8,90,800,120,100)
help3 <-"Use menu Packages&Data > data viewer in Deducer Console"
label9 <- new(JLabel,help3)
addComponent(subDialog5, label9,130,800,160,100)
help4 <- "The data consist of : "
label10 <- new(JLabel,help4)
addComponent(subDialog5, label10,170,800,200,100)
help5 <- "- Dependent Variable"
label11 <- new(JLabel,help5)
addComponent(subDialog5, label11,210,800,240,100)
help6 <- "- Independent Variable"
label12 <- new(JLabel,help6)
addComponent(subDialog5, label12,250,800,280,100)
help7 <- "- Location : latitude and longitude "
label13 <- new(JLabel,help7)
addComponent(subDialog5, label13,290,800,320,100)
help8 <- "B. Weighted"
label14 <- new(JLabel,help8)
addComponent(subDialog5, label14,330,800,360,100)
help9 <- "Press button 'Weighted' to determine the weighted in bandwidth and GWR
model calculation. "
label15 <- new(JLabel,help9)
addComponent(subDialog5, label15,370,800,400,100)
help10 <- "The types of weighted are kernel Bi-Square and Kernel Gauss."
label16 <- new(JLabel,help10)
addComponent(subDialog5, label16,410,800,440,100)
help11 <- "C.Bandwidth"
label17 <- new(JLabel,help11)
addComponent(subDialog5, label17,450,800,480,100)
help12 <- "Press button 'Bandwidth' to determine the type of bandwidth calculation.
"
label18 <- new(JLabel,help12)
addComponent(subDialog5, label18,490,800,520,100)
help13 <- "The types of bandwidth are Global and Adaptive."
label19 <- new(JLabel,help13)
addComponent(subDialog5, label19,530,800,560,100)
help14 <- "D.Methods"
label20 <- new(JLabel,help14)
addComponent(subDialog5, label20,570,800,600,100)
66
help15 <- "Press button 'Methods' to determine the methods of optimum bandwidth"
label21 <- new(JLabel,help15)
addComponent(subDialog5, label21,610,800,640,100)
help16 <- "calculation, Cross Validation (CV) or Akaike Criterion (AIC)"
label22 <- new(JLabel,help16)
addComponent(subDialog5, label22,650,800,680,100)
help17 <- "E.Save output"
label23 <- new(JLabel,help17)
addComponent(subDialog5, label23,690,800,720,100)
help18 <- "Entry the name of output file from GWR Model"
label24 <- new(JLabel,help18)
addComponent(subDialog5, label24,730,800,760,100)
help19 <- "The file name can be in string or numeric, example : 01, 03,output, etc.
"
label25 <- new(JLabel,help19)
addComponent(subDialog5, label25,770,800,800,100)
help20 <- "The output will be save on Desktop in .csv."
label26 <- new(JLabel,help20)
addComponent(subDialog5, label26,810,800,840,100)
help21 <- "The next step is klik 'Run'"
label27 <- new(JLabel,help21)
addComponent(subDialog5, label27,850,800,880,100)
#Listen for the button4 to be pressed
ActionListener5 <- J("org.rosuda.deducer.widgets.event.RActionListener")
actionFunction5 <- function(form4,ActionEvent){
subDialog5$setLocationRelativeTo(button5)
subDialog5$run()
}
listener5 <- new(ActionListener5)
listener5$setFunction(toJava(actionFunction5))
button5$addActionListener(listener5)
dialog$setCheckFunction("CheckDependent")
dialog$setRunFunction("GWRrunfunction")
return(dialog)
dialog$setRunFunction(toJava(GWRrunfunction))
}
.onLoad<-function(libname,pkgname){
.registerDialog("Kriging", makeKrigingDialog)
deducer.addMenu("Spatial Analysis")
deducer.addMenuItem("Kriging",,".getDialog('Kriging')$run()","Spatial Analysis")
.registerDialog("Geographically Weighted Regression", makeGWRDialog)
deducer.addMenuItem("Geographically Weighted
Regression",,".getDialog('Geographically Weighted Regression')$run()","Spatial
Analysis")
if(.windowsGUI){
winMenuAdd("Spatial Analysis")
winMenuAddItem("Spatial Analysis", "Kriging", "deducer('Kriging')")
}else if(.jgr){
jgr.addMenu("Spatial Analysis")
jgr.addMenuItem("Spatial Analysis", "Kriging", "deducer('Kriging')")
}
if(.windowsGUI){
winMenuAdd("Spatial Analysis")
winMenuAddItem("Spatial Analysis", "Geographically Weighted Regression",
"deducer('Geographically Weighted Regression')")
}else if(.jgr){
jgr.addMenu("Spatial Analysis")
jgr.addMenuItem("Spatial Analysis", "Geographically Weighted Regression",
"deducer('Geographically Weighted Regression')")
}
}
67
Lampiran 5. Syntax di File SpatialAnalysis2.R
.VariablesCheckFunction1 <- function(state){
if(state$Prediction <0)
return("Please Enter the name of output")
return("")
}
KrigingRunFunction <- function(state){
formlib1 <- paste("library(gstat)")
formlib2 <- paste("library(maptools)")
formlib3 <- paste("library(lattice)")
formlib4 <- paste("library(spgwr)")
execute(formlib1)
execute(formlib2)
execute(formlib3)
execute(formlib4)
#Define variable
form1 <-
paste(state$data,"$",state$variables1[1],"~","1",",","loc=~",state$latitude1,"+",state
$longitude1,",","data=",state$data)
#Button Variogram
script1 <- paste("variogram(",form1,")")
script3 <-
paste("vgm(","psill=",state$Sill,",","range=",state$Range,",","nugget=",state$Nugget)
if("Spherical" %in% state $ "SemiVariogram Model")
script3 <- paste("fit.variogram(",script1,",",script3,",","model='Sph'",")")
if("Exponential" %in% state $ "SemiVariogram Model")
script3 <- paste("fit.variogram(",script1,",",script3,",", "model='Exp'",")")
if("Gaussian" %in% state $ "SemiVariogram Model")
script3 <- paste("fit.variogram(",script1,",",script3,",", "model='Gau'",")")
script3 <- paste(script3,")")
script5 <- paste("plot(",script1,",",script3,",","main='Semivariogram Plot')")
execute(script5)
form6 <-paste(form1,",","newd=",state$dataprediction)
script4 <-
paste("vgm(","psill=",state$Sill,",","range=",state$Range,",","nugget=",state$Nugget)
if("Spherical" %in% state $ "SemiVariogram Model")
form7 <-paste("krige(",form6,",","model=",script4,",","model='Sph')")
if("Exponential" %in% state $ "SemiVariogram Model")
form7 <-paste("krige(",form6,",","model=",script4,",","model='Exp')")
if("Gaussian" %in% state $ "SemiVariogram Model")
form7 <-paste("krige(",form6,",","model=",script4,",","model='Gau')")
form7 <-paste(form7,")")
form8 <-paste("print(",script1,")")
execute(form8)
form9 <-paste("print(",form7,")")
execute(form9)
#save output
form10<-paste("data.frame(",form7,")")
form11<-
paste("write.table(",form10,",","'Desktop/",state$Prediction,".csv',sep=',',col.names=
TRUE, row.names=FALSE, quote=TRUE, na='NA')")
execute(form11)
}
68
Lampiran 6. Syntax di File SpatialAnalysis3.R
CheckDependent<- function(state){
if(length(state$Dependent)<1)
return("Please Entry the Dependent Variable")
if(length(state$Dependent)>1)
return("Please Entry one Dependent Variable")
if(length(state$Independent)<1)
return("Please Entry the Independent Variable")
if(length(state$Latitude)<1)
return("Please Entry the Latitude")
if(length(state$Longitude)<1)
return("Please Entry the Longitude")
return("")
}
GWRrunfunction<- function (state){
formlib1 <- paste("library(gstat)")
formlib2 <- paste("library(maptools)")
formlib3 <- paste("library(lattice)")
formlib4 <- paste("library(spgwr)")
execute(formlib1)
execute(formlib2)
execute(formlib3)
execute(formlib4)
form1<-
paste(state$data,"$",state$Dependent[1],"~",state$data,"$",state$Independent[1])
for(var in state$Independent[-1])
form1 <- paste(form1,"+",state$data,"$",var)
form2<-paste(state$data,"$",state$Latitude,",",state$data,"$",state$Longitude)
form3<-paste("cbind(",form2)
form4<-paste(form1,",","coords=",form3,")",",")
if("Global" %in% state $ "Bandwidth")
form4 <- paste(form4,"adapt=FALSE",",")
if("Adaptive" %in% state $ "Bandwidth")
form4 <- paste(form4,"adapt=TRUE",",")
if("CV" %in% state $ "Methods")
form4 <- paste(form4,"method='cv',")
if("AIC" %in% state $ "Methods")
form4 <- paste(form4,"method='aic',")
if("Kernel Bi-Square" %in% state $ "Weighted Bandwidth")
form4 <- paste("bandwidth=gwr.sel(",form4,"gweight=gwr.bisquare",")")
if("Kernel Gauss" %in% state $ "Weighted Bandwidth")
form4 <- paste("bandwidth=gwr.sel(",form4,"gweight=gwr.Gauss",")")
if("Kernel Bi-Square" %in% state $ "Weighted GWR")
form4 <- paste(form4,",gweight=gwr.bisquare")
if("Kernel Gauss" %in% state $ "Weighted GWR")
form4 <- paste(form4,",gweight=gwr.Gauss")
form6 <- paste("gwr(",form1,",",form4,",","coords=",form3,"),hatmatrix=TRUE)")
form7 <- paste(form6,"$SDF")
form8<-paste("data.frame(",form7,")")
form9<-
paste("write.table(",form8,",","'Desktop/",state$output,".csv',sep=',',col.names=TRUE,
row.names=FALSE, quote=TRUE, na='NA')")
execute(form9)
form10<-
paste("print(","gwr(",form1,",",form4,",","coords=",form3,"),hatmatrix=TRUE))")
execute(form10)
}