package plug-in r untuk pemetaan autokorelasi...
TRANSCRIPT
1
STATISTIKA
LAPORAN PENELITIAN HIBAH BINUS
BINUS UNIVERSITY Tahun Anggaran 2014
PACKAGE PLUG-IN R UNTUK
PEMETAAN AUTOKORELASI SPASIAL KUALITAS AIR
Peneliti Utama : Dra. Heruna Tanty, M.Si
Anggota : Rokhana Dwi Bekti, S.Si, M.Si
Edy Irwansyah, ST., M.Si
Jurusan Statistika
School of Computer Science
BINUS UNIVERSITY
JAKARTA
2014
2
HALAMAN PENGESAHAN LAPORAN AKHIR
1. Judul Penelitian : Package Plug-In R untuk Pemetaan Autokorelasi Spasial
Kualitas Air
2. Ketua Peneliti
a. Nama Lengkap : Dra. Heruna Tanty, M.Si
b. Jenis Kelamin : L/P
c. NIP : 0315046201
d. Jabatan Fungsional : Lektor
e. Jabatan Struktural : FM
f. Fakultas/Jurusan : School of Computer Science/Mathematics
g. Perguruan Tinggi : Universitas Bina Nusantara
i. Tim Peneliti :
NAMA
BIDANG
KEAHLIAN
FAKULTAS/JUR. INSTANSI
1. Dra. Heruna Tanty,
M.Si
Kimia School of Computer
Science/Mathematics
Universitas Bina
Nusantara
2. Rokhana Dwi Bekti,
S.Si, M.Si
Statistika Spasial dan
Komputasi
School of Computer
Science/Statistics
Universitas Bina
Nusantara
3. Edy Irwansyah, ST,
M.Si
Teknik Informatika School of Computer
Science/Teknik
Informatika
Universitas Bina
Nusantara
3. Pendanaan dan jangka waktu penelitian :
a. Jangka waktu penelitian yang diusulkan : 1 tahun
b. Biaya total yang diusulkan : Rp. 46.440.000
c. Biaya yang disetujui tahun pertama : Rp. .......................
Jakarta.,6 Desember 2014
Mengetahui,
Rojali, M.Si
Kajur/KaProgram Studi
Dra. Heruna Tanty, M.Si
Ketua Peneliti
Mengetahui,
(Fredy Purnomo, S.Kom., M.Kom)
Head of School of Computer Science
Menyetujui,
Prof. Bahtiar Saleh Abbas, Ph.D
Direktur Riset & HKI
3
SUMMARY
This study aims to create a plug-in package R to give the user the ease of mapping
the spatial autocorrelation through LISA test. The spatial autocorrelation is one of the
spatial analyses to determine the pattern of the relationship or correlation between the
locations (observation). Characteristics of groundwater quality in some locations were
spatially interconnected. This is shown by the dependency among locations of the water
quality. Spatial autocorrelation would be more informative if presented in the form of
mapping that is made into the form of an application program. Program evaluation is
done using water quality (inorganic compound) in Jakarta. The inorganic compound was
Cadmium (Cd). Total sample were 10 locations. The results showed that the application
program can generate LISA test and mapping properly. The name of package is
AutocorrelationTest _1.0.zip which run in R Deducer. This package build in R Deducer
and R Studio, which supported by R and Rtools. LISA test results showed that the area of
in west, north, and east of Jakarta have a P value smaller than the other area. Therefore,
it can be conclude that Cd levels in the region have a dependency relationship between
locations. More detail, there are two sample locations that significantly affect other
locations at α = 5%, the first sample in West Jakarta and East Jakarta seventh sample.
Keywords: Package plug-in R, mapping, Autocorrelation test, LISA test, water quality
4
PRAKATA
Penelitian ini bertujuan untuk membuat package plug-in R untuk analisis
autokorelasi spasial dan pemetaannya. Hasil penelitian ini telah dipublikasikan di
Seminar Nasional Aplikasi Sains dan Teknologi (SNAST) 2014. Diharapkan software
yang dibangun tersebut akan memberi kemudahan pengguna dalam melakukan pemetaan
autokorelasi spasial dan analisis kualitas air.
Jakarta, 6 Desember 2014
Tim Peneliti
5
DAFTAR ISI
SUMMARY ........................................................................................................................ 3
PRAKATA .......................................................................................................................... 4
DAFTAR ISI ....................................................................................................................... 5
DAFTAR TABEL ............................................................................................................... 6
DAFTAR GAMBAR .......................................................................................................... 7
DAFTAR LAMPIRAN ....................................................................................................... 8
BAB I PENDAHULUAN .................................................................................................. 9
1.1 Latar Belakang .......................................................................................................... 9
1.2 Permasalahan .......................................................................................................... 10
BAB II TUJUAN DAN MANFAAT PENELITIAN ...................................................... 11
2.1 Tujuan ..................................................................................................................... 11
2.2 Manfaat Penelitian .................................................................................................. 11
BAB III TINJAUAN PUSTAKA .................................................................................... 12
3.1 State of the Art Bidang yang Diteliti ...................................................................... 12
3.2 Moran's I ................................................................................................................. 12
3.3 Local Indicatir of Spatial Autocorrelation (LISA).................................................. 13
BAB IV METODE PENELITIAN ................................................................................. 17
4.1 Tahapan Penelitian ................................................................................................. 17
4.2 Perancangan Aplikasi Program .............................................................................. 17
4.3 Perancangan Layar ................................................................................................. 19
4.4 Objek Data Penelitian ............................................................................................ 20
4.4 Metode Analisis ..................................................................................................... 21
BAB V HASIL DAN PEMBAHASAN .......................................................................... 22
5.1. Implementasi ...................................................................................................... 22
5.1.1 Spesifikasi Sistem ........................................................................................... 22
5.1.2 Petunjuk Instalasi ............................................................................................ 22
5.2 R Package............................................................................................................... 23
5.3 Plug-in di R Deducer .............................................................................................. 23
5.4. Evaluasi Program ................................................................................................... 24
BAB VI KESIMPULAN DAN SARAN ......................................................................... 28
6.1. Kesimpulan......................................................................................................... 28
6.2. Saran ................................................................................................................... 28
DAFTAR PUSTAKA ....................................................................................................... 29
LAMPIRAN ...................................................................................................................... 31
6
DAFTAR TABEL
Tabel 5.1. Hasil uji LISA Cd di DKI Jakarta .............................................................26
Tabel 5.2 Hasil uji Moran’s I di DKI Jakarta ............................................................27
7
DAFTAR GAMBAR
Gambar 5.1 DESCRIPTION package AutocorrelationTest ......................................23
Gambar 5.2. Menu Spatial Analysis pada Deducer ...................................................23
Gambar 5.3. Dialog Box Uji Autokorelasi Spasial ....................................................24
Gambar 5.4. Dialog Box uji LISA data Cd ................................................................25
Gambar 5.5. Output uji LISA data Cd .......................................................................25
Gambar 5.6. Pemetaan Uji LISA (P value) Cd di DKI Jakarta .................................26
8
DAFTAR LAMPIRAN
Lampiran 1. Syntax plug-in di Deducer .....................................................................31
Lampiran 2. Publikasi di SNAST 2014 .....................................................................34
9
BAB I
PENDAHULUAN
1.1 Latar Belakang
Autokorelasi spasial adalah penilaian korelasi antar pengamatan di setiap lokasi
pada suatu variabel. Autokorelasi spasial juga dapat dikatakan sebagai salah satu analisis
spasial untuk mengetahui pola hubungan atau korelasi antar lokasi (amatan). Beberapa
pengujian dalam spasial autokorelasi spasial adalah Moran’s I, Rasio Geary’s, dan Local
Indicator of Spatial Autocorrelation (LISA). Metode ini sangat penting untuk
mendapatkan informasi mengenai pola penyebaran karakteristik suatu wilayah dan
keterkaitan antar lokasi didalamnya.
Autokorelasi spasial akan lebih informatif apabila disajikan ke dalam bentuk peta.
Pemetaan dapat menunjukkan dan memvisualisasikan analisis spasial. Matthews dan
Yang (2012) yang menggunakan GWR model untuk pemetaan hasil model lokal. Mennis
(2006) menggunakan t-hitung hasil GWR untuk menunjukkan distribusi signifikansi
parameter. Pemetaan-pemetaan tersebut menunjukkan interpretasi yang sangat informatif.
Salah satu software statistic untuk analisis autokorelasi spasial dan pemetaan
adalah 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). Aplikasi pemetaan yang mudah digunakan dapat dibuat di
Deducer ini.
Air tanah merupakan sumber air utama untuk kebutuhan sehari-hari. Karakteristik
kualitas air tanah dibeberapa lokasi saling berhubungan secara spasial. Hal ini
ditunjukkan oleh bergantungnya kualitas air antar lokasi. Apabila salah satu lokasi
memiliki air tanah yang tercemar maka lokasi lain yang berdekatan akan ikut tercemar
10
pula. Untuk menggambarkan pola hubungan kualitas air antar lokasi dapat menggunakan
metode spasial, yaitu autokorelasi spasial. Karakteristik autokorelasi kualitas air akan
lebih informatif jika dibentuk ke dalam suatu pemetaan. Seperti penelitian yang
dilakukan oleh Arrowiyah (2011) tentang peta penyebaran kejadian penyakit DBD pada
periode 2006 sampai 2009 di Kota Surabaya dan Nurhadiyanti (2013) tentang pola
spasial kejadian diare melalui SAR danSEM di Kabupaten Bekasi.
Pemetaan autokorelasi spasial dapat dilakukan di R. Namun masih diperlukan
suatu rangkaian aplikasi untuk pemetaan tersebut sehingga memudahkan pengguna dalam
mendeskripsikan autokorelasi spasial. Oleh karena itu, penelitian ini bertujuan untuk
membuat package plug-in R. Software yang dibangun tersebut akan memberi kemudahan
pengguna dalam melakukan pemetaan autokorelasi spasial dan analisis kualitas air.
1.2 Permasalahan
Permasalahan dalam penelitian ini adalah :
1. Bagaimana package plug-in R untuk pemetaan autokorelasi spasial pada kualitas
air?
2. Bagaimana hasil autokorelasi spasial pada kualitas air?
11
BAB II
TUJUAN DAN MANFAAT PENELITIAN
2.1 Tujuan
Tujuan dari penelitian ini adalah
1. Mendapatkan package plug-in R untuk pemetaan autokorelasi spasial pada
kualitas air
2. Mendapatkan hasil autokorelasi spasial pada kualitas air?
2.2 Manfaat Penelitian
Keutamaan dari penelitian ini adalah akan diperolehnya package plug in di
Deducer R untuk pemetaan autokorelasi spasial pada kualitas air. Aplikasi program yang
dibangun tersebut akan memberi kemudahan pengguna dalam melakukan analisis
autokorelasi spasial, pemetaan, dan analisis pemetaan. Sasaran atau pengguna adalah
akademisi dan peneliti di bidang kualitas air.
12
BAB III
TINJAUAN PUSTAKA
3.1 State of the Art Bidang yang Diteliti
Penelitian autokorelasi spasial yang telah dilakukan oleh peneliti diantaranya
Bekti (2011) tentang Indeks moran untuk identifikasi dan pemetaan pola hubungan
kemiskinan di Jawa Timur. Selanjutnya Bekti dan Sutikno (2012) dalam menganalisis
faktor-faktor yang mempengaruhi kejadian diare di Kabupaten Tuban, Jawa Timur. Salah
satu faktor tersebut adalah ketersediaan fasilitas air bersih dan sumber air minum. Hal ini
menunjukkan bahwa kualitas air memiliki sifat saling berhubungan antar lokasi.
Penelitian tentang kualitas air diantaranya Heruna, Iwa, dan Edison (2010), serta Heruna,
Margaretha, Tati, dan Nurlelasari (2012).
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) juga
membuat aplikasi program untuk pemodelan GWR.
3.2 Moran’s I
Koefisien Moran's I merupakan pengembangan dari korelasi pearson pada data
univariate series. Koefisien Moran’s I digunakan untuk uji dependensi spasial atau
autokorelasi antar amatan atau lokasi. Koefisien Moran’s I digunakan untuk uji
dependensi spasial atau autokorelasi antar amatan atau lokasi.
Hipotesis yang digunakan adalah :
Ho : I = 0 (tidak ada autokorelasi antar lokasi)
H1 : I ≠ 0 (ada autokorelasi antar lokasi)
Statistik uji (Lee dan Wong, 2001) :
)1,0(~)Ivar(
I-o N
IZ
hitung=
(3.1)
13
Dimana nilai moran’s I :
∑
∑∑
∑∑=
= =
= =
−
−−
=n
1i
2
i
n
1i
n
1j
jiij
n
1i
n
1j
ij )(
))((n
xx
xxxxw
w
I (3.2)
Keterangan :
xi = data variabel lokasi ke-i ( i = 1, 2, ..., n)
xj = data variabel lokasi ke-j ( j = 1, 2, ..., n)
x = rata-rata data
w = matrix pembobot
var (I) = varians Moran’s I
E(I) = expected value Moran’s I
( )1n
1IE
−−== oI
22
2
21
2
)1n(
3nn)var(
o
o
S
SSSI
−
+−=
∑≠
+=n
ji
2
ijji1)(
2
1wwS ∑
=
+=n
1i
2
oiio2 )( wwS
∑∑= =
=n
1i
n
1j
ijwSo ∑=
=n
1j
ijio ww ∑=
=n
1j
jioi ww
Pengambilan keputusan Ho ditolak atau ada autokorelasi antar lokasi jika
2/αZZ hitung > . Nilai dari indeks I adalah antara -1 dan 1. Apabila I > Io maka data
memiliki autokorelasi positif, jika I < Io
3.3 Local Indicator of Spatial Autocorrelation (LISA)
Moran’s I juga dapat digunakan untuk pengidentifikasian koefisien
autocorrelation secara lokal (local autocorrelation) atau korelasi spasial pada setiap
daerah. Semakin tinggi nilai lokal Moran’s, memberikan informasi bahwa wilayah yang
berdekatan memiliki nilai yang hampir sama atau membentuk suatu penyebaran yang
mengelompok. Identifikasi Moran’s I tersebut adalah Local Indicator of Spatial
14
Autocorrelation (LISA), yang indeksnya dinyatakan dalam (Lee dan Wong, 2001) seperti
pada persamaan (3).
∑=
=n
1ijij
zwzii
I
iz dan jz adalah
( )
x
i
i
xxz
σ
−=
( )
x
j
j
xxz
σ
−=
(3.3)
xσ adalah nilai standar deviasi dari variabel x.
Pengujian terhadap parameter dapat dilakukan sebagai berikut :
Ho : Ii = 0 (tidak ada autokorelasi antar lokasi)
H1 : Ii ≠ 0 (ada autokorelasi antar lokasi)
Statistik uji :
( )
)var( iI
- ii
hitung
IEIZ =
(3.4)
Keterangan :
w = matrix pembobot
var (I) = varians Moran’s I
E(I) = expected value Moran’s I
( )( )( ) ( )2
2
,2
24)(
2
2
4
)2(
.121
/22
1)var(
−−
−−
−−
−
−
=n
w
nn
nmmw
n
m
mn
wIi
khiii
jiwwn
jiji
≠=∑=
,1
2)2(
.
2
1
2
.
= ∑
=
n
j
iji ww
∑∑≠ ≠
=n
ik
n
ih
ihikkhi www )(
( )1
.
−−=
n
wIE i
i
Pengujian ini akan menolak Ho jika 2/αZZ hitung > atau P value< α=5%. Positif
autokorelasi spasial megindikasikan bahwa antar lokasi pengamatan memiliki keeratan
hubungan.
15
3.4 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. 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 3.2.
16
Sumber : Snellenburg. et al, 2012
Gambar 3.1. Diagram Interaksi antara Glotaran, R, dan Java untuk TIMP
17
BAB IV
METODE PENELITIAN
4.1 Tahapan Penelitian
Tahapan kegiatan ini disajikan pada Gambar 4.1. Tahapan meliputi persiapan,
studi literatur, pembuatan plug-in, implementasi dan evaluasi, dan kesimpulan.
Gambar 4.1. Diagram Alur Tahapan Penelitian
4.2 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 4.2).
Persiapan
Studi literatur
Pengumpulan data sekunder
Analisis eksplorasi, uji autokorelasi spasial,
dan pemetaan
Plug-in pemetaan autokorelasi spasial di R
Pembuatan Plug-in
Implementasi dan Evaluasi
Kesimpulan
18
Gambar 4.2 Diagram Pembuatan Aplikasi Program
Selanjutnya Gambar 4.3 menunjukkan modul-modul pada aplikasi program yang
akan di bentuk. Meliputi input data, proses, dan output. Proses meliputi beberapa analisis
statistik, meliputi eksplorasi data, pemodelan OLS, pemodelan nonlinear, pemodelan
spatial, perbandingan model, dan kriging.
Gambar 4.3 Modul di setiap Metode Analisis Statistik
Analisis Kebutuhan dan pendefinisiannya
Perancangan Sistem, pembutan GUI di Deducer, Pembuatan package
Implementasi
Integrasi dan pengujian sistem
Pengoperasian
Pemetaan Akutokorelasi Data
Input Data Output
Proses
Eksplorasi data
menggunakan peta
Uji autokorelasi
spasial
Plot .shp
• Moran’s I
• LISA
• Indeks Geary
Pemetaan autokorelasi
spasial
19
4.3 Perancangan Layar
Perancangan layar yang akan dibuat disajikan pada Gambar 4.4 - Gambar 4.6.
Gambar 4.4 Rancangan Tampilan untuk Eksplorasi Data dengan Peta
Gambar 4.5 Rancangan Tampilan untuk Uji Autocorrelation
Variable :
R Statistics for Mapping of Spatial Autocorrelation
o Pb
o F
o Ph
o Mn
o …
Run
Moran’s I
LISA
Indeks Geary
Reset Cancel
Save output
Autocorrelation test :
Mapping
Water Quality:
Open .shp file
R Statistics for Mapping of Spatial Autocorrelation
Browse
Variable :
Colors :
20
Gambar 4.6 Rancangan Tampilan untuk Pemetaan Spatial Autocorrelation
4.4 Objek Data Penelitian
Data yang digunakan sebagai studi kasus atau evaluasi dalam penelitian ini adalah
data dari penelitian tentang kualitas air di DKI Jakarta oleh Tanty (2012). Kualitas air
meliputi kadar senyawa organik air tanah yang meliputi Cd, Cr, Mn, Pb dan CN-.
Gambar 4.7. Lokasi Sampel Penelitian
North Jakarta
East
Jakarta South
Jakarta
West
Jakarta
Central
Jakarta
R Statistics for Mapping of Spatial Autocorrelation
Colors : under 0.330.33 - 0.440.44 - 0.470.47 - 0.64over 0.64
Indeks
P-value
Mapping for:
21
4.4 Metode Analisis
Metode analisis autokorelasi spasial yang digunakan adalah Local Indicator of
Spatial Autocorrelation (LISA). Analisis ini melakukan pengidentifikasian koefisien
autocorrelation secara lokal (local autocorrelation) atau korelasi spasial pada setiap
daerah.
22
BAB V
HASIL DAN PEMBAHASAN
Pada bab ini membahas pembentukan plug-in di Deducer, R Package di RStudio,
dan Implementasi hasil di plug-in Deducer.
5.1. Implementasi
5.1.1 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 dan notepad
• R untuk Deducer yang lengkap dengan RJava
• RStudio -0.98.1062
• Rtools
5.1.2 Petunjuk Instalasi
Berikut adalah petunjuk instalasi yang harus dilakukan :
1. Instal dan run R untuk Deducer
2. Setelah hasil plug-in di Deducer sukses dibentuk maka dilakukan:
- Instal package ‘AutocorrelationTest’ di Deducer
- Load package :
> library(AutocorrelationTest)
23
5.2 R Package
Langkah pertama pembentukan plug-in untuk pemetaan adalah membentuk GUI
di Deducer. Selanjutnya membuat package di Rstudio. Detail langkah-langkah tersebut
dapat dilihat dari referensi Bekti dan Irwansyah (2013). Package R yang dihasilkan adalah
AutocorrelationTest _1.0.zip dengan deskripsi sebagai berikut :
Gambar 5.1 DESCRIPTION package AutocorrelationTest
5.3 Plug-in di R Deducer
Petunjuk pemakaian sistem yang dibuat dimulai setelah menjalankan library
(AutocorrelationTest) sehingga akan muncul Plug-in Spatial Analysis di Deducer seperti
pada Gambar 5.2. Dialog box untuk Uji Autokorelasi spasial disajikan di Gambar 5.3.
Gambar 5.2. Menu Spatial Analysis pada Deducer
Package: AutocorrelationTest
Type: Package
Title: Autocorrelation Test for Spatial Analysis
Version: 1.0
Date: 2014-09-25
Author: Rokhana DB, Edy Irwansyah, and Heruna T
Maintainer: Rokhana DB <[email protected]>
depends: AutocorrelationTest1
Description: Autocorrelation Test for Spatial Analysis
License: GPL-2
24
Gambar 5.3. Dialog Box Uji Autokorelasi Spasial
5.4. Evaluasi Program
Aplikasi program plug-in ini dapat memberikan hasil uji autokorelasi dan
pemetaan menggunakan uji LISA. Evaluasi program dilakukan dengan mensimulasikan
metode terebut. Data yang digunakan adalah 10 sampel di DKI Jakarta terhadap variabel
Mn. Tujuan dari uji LISA adalah untuk mengetahahui apakah ada dependensi spasial atau
autokorelasi kadar air tanah Mn antar amatan atau lokasi. Pembobot yang digunakan
adalah jenis matrix pembobot standardize, dimana lokasi sampel dengan jarak 0 o
hingga
0,13o dikoding 1. Jarak dihitung dengan metode Euclidean. Petunjuk penggunaan di plug-
in R disajikan pada Gambar 5.4. Output disajikan pada Gambar 5.5 dan 5.6.
25
Gambar 5.4. Dialog Box uji LISA data Cd
Output pengujian tersimpan dalam file .txt dengan nama output.txt seperti di
Gambar 5.6.
Gambar 5.5. Output uji LISA data Cd
26
Dari output Gambar 5.6, dapat disimpulkan seperti pada Tabel 2. Dapat diketahui
bahwa terdapat 2 lokasi sampel yang signifikan mempengaruhi lokasi lain, yaitu sampel
pertama di Jakarta Barat dan sampel ketujuh di Jakarta Timur. Hal ini ditunjukkan oleh
nilai P value yang kurang dari α=5%. Signifikan mempunyai arti bahwa adanya
autokorelasi spasial pada lokasi sampel yang terdekat. Seperti sampel pertama dengan Cd
0,007 yang relative lebih besar dibandingkan yang lain. Sampel tersebut mempengaruhi
sampel-sampel terdekat di sekitarnya.
Tabel 5.1. Hasil uji LISA Cd di DKI Jakarta No
Sampel
W i l a y a h Latitude Longitude Cd Ii Zi Pvalue
1 Jakarta Barat -6.145392 106.782909 0.007 -0.64286 -2.07534 0.038*
2 Jakarta Selatan -6.229456 106.768001 0.006 -0.0625 0.312134 0.755
3 Jakarta Utara -6.146263 106.854466 0.006 -0.00794 1.008996 0.313
4 Jakarta Timur -6.222646 106.865716 0.005 -0.12698 -0.15523 0.877
5 Jakarta Pusat -6.205858 106.806651 0.005 -0.12698 -0.15523 0.877
6 Jakarta Barat -6.184274 106.812615 0.006 -0.00794 1.008996 0.313
7 Jakarta Tmur -6.196331 106.912183 0.007 -0.79592 -3.34171 0.000*
8 Jakarta Selatan -6.271095 106.846428 0.006 -0.03061 0.392817 0.694
9 Jakarta Utara -6.131378 106.81672 0.005 -0.28571 -0.85203 0.394
10 Jakarta selatan -6.257913 106.855645 0.005 -0.08163 0.143849 0.887
Ket : *) signifikan pada α=5%.
Gambar 5.6. Pemetaan Uji LISA (P value) Cd di DKI Jakarta
27
Hasil pengujian LISA dapat disajikan pada pemetaan Gambar 5.6. Di wilayah
DKI Jakarta bagian barat, utara, dan timur cenderung memiliki P value lebih kecil
dibandingkan bagian lainnya. Oleh karena itu dapat dikatakan, kadar Cd di wilayah
tersebut memiliki hubungan dependensi antar lokasi.
Selanjutnya apabila menggunakan uji Moran’s I digunakan hipotesis :
Ho : I = 0 (tidak ada dependensi kadar air tanah antar lokasi)
H1 : I ≠ 0 (ada dependensi kadar air tanah antar lokasi)
Dengan α=10%, dapat diketahui bahwa P value kadar Cd 0,079 kurang dari 10%.
Maka kesimpulannya adalah ada dependensi kadar Cd. Kadar Cd di sepuluh sampel
saling berhubungan. Nilai koefisien moran’s I kadar ini adalah -0,217. Hal tersebut
menunjukkan bahwa ada autokorelasi negative antar lokasi. Lokasi yang mempunyai Cd
rendah dikelilingi oleh lokasi yang mempunyai Cd tinggi. Begitu juga sebaliknya, lokasi
yang mempunyai Cd tinggi dikelilingi oleh lokasi yang mempunyai Cd rendah.
Tabel 5.2 Hasil uji Moran’s I di DKI Jakarta
Kadar air tanah I P value
Cd -0.217 0.079*
28
BAB VI
KESIMPULAN DAN SARAN
6.1. Kesimpulan
Berdasarkan hasil proses perancangan, implementasi dan evaluasi aplikasi
program plug-in package AutocorrelationTest dapat disimpulkan sebagai berikut:
1. Program aplikasi tersebut dapat menghasilkan uji LISA dan pemetaanya dan
berjalan dengan baik
2. Pada evaluasi kadar zat anorganik Cd melalui aplikasi pemetaan, di wilayah DKI
Jakarta bagian barat, utara, dan timur cenderung memiliki P value lebih kecil
dibandingkan bagian lainnya. Oleh karena itu dapat dikatakan, kadar Cd di
wilayah tersebut memiliki hubungan dependensi antar lokasi
6.2. Saran
Beberapa saran yang dapat direkomendasikan untuk penelitian selanjutnya adalah:
1. Menambahkan pemetaan berupa peta dari .shp
2. Menggunakan plug-in pemetaan tersebut untuk menganalisis dan menyajikan
autokorelasi spasial ke bentuk visual (peta).
29
DAFTAR PUSTAKA
Andiyono, 2012, Analisis Angka Buta Huruf di Jawa Timur Menggunakan
Geographically Weighted Regression Berbasis Komputer, [Skripsi], Jakarta : Bina
Nusantara University.
Arrowiyah. (2011). Spatial Pattern Anlysis Kejadian Penyakit Demam Berdarah Dengue
untuk Informasi Early Warning Bencana Di Kota Surabaya. Skripsi S1
diterbitkan. Surabaya: Program Sarjana Universitas Institut Teknologi Sepuluh
Nopember.
Bekti, R.D dan Irwansyah, E. 2013. Perancangan Perangkat Lunak Pemodelan Statistika
Spasial dan Kriging Berbasis R Language. Hibah Binus.
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. (2011). Autokorelasi Spasial Untuk Identifikasi Pola Hubungan Kemiskinan
di Jawa Timur. Jurnal Comtech. (3):217-227.
Fellows, I. 2012. Deducer: A Data Analysis GUI for R. Journal of Statistical Software,
Vol 49 : 1-15.
Heruna T, Iwa S, Edison R. 2010. Analisis Kandungan Zat Kimia Anorganik pada
Beberapa Proses Air Minum Kemasan dan Isi Ulang menggunakan One-Way
Manova.ComTech , vol 1, No 1, p 48-60, ISSN: 2087-1244
Heruna T, Margaretha O, Tati H, dan Nurlelasari. 2012. Analisis Kandungan Senyawa
Anorganik Dalam Beberapa Proses Air Minum Menggunakan One Way Manova.
Hibah Pekerti DIkti.
Lee, J. dan Wong, D. W. S. 2001, Statistical Analysis with Arcview GIS, John Wiley and
Sons, New York.
Matthews, S.A, and T.C. Yang, 2012. Mapping the results of local statistics: Using
geographically weighted regression. Demographic Research, 26: 151-166. DOI:
10.4054/DemRes.2012.26.6
30
Mennis, J.L., 2006. Mapping the Results of geographically weighted regression. The
Cartographic Journal, 43(2): 171-179. DOI:10.1179/000870406X114658.
Nurhadiyanti, Gita,2013. Penentuan Pola Spasial Kejadian Diare Melalui Sar Dan Sem
Di Kabupaten Bekasi Berbasis Komputer. Skripsi. Jakarta:Universitas Bina
Nusantara.
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.
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
31
LAMPIRAN
Lampiran 1. Syntax plug-in di Deducer
makeMoranIDialog <- function(){
#make dialog
dialog <- new(SimpleRDialog)
dialog$setSize(500L,600L)
dialog$setTitle("Autocorrelation Test")
JLabel <- J("javax.swing.JLabel")
#add variable selector
variableSelector <- new(VariableSelectorWidget)
variableSelector$setTitle("data")
addComponent(dialog,variableSelector,25,400,900,25)
# add a list for the Actual Data (variables)
vardep <-"Variabel Dependen"
label1 <- new(JLabel,vardep)
addComponent(dialog, label1,100,800,120,500)
variableList1<- new(SingleVariableWidget,variableSelector)
variableList1$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$setTitle("latitude1")
addComponent(dialog, variableList2,260,975,330,400)
longitude1<-"Longitude:"
label3 <- new(JLabel,longitude1)
addComponent(dialog, label3,350,800,370,500)
variableList3<- new(SingleVariableWidget,variableSelector)
variableList3$setTitle("longitude1")
addComponent(dialog, variableList3,380,975,450,400)
#make choose of autocorelation test
choose1 <- new(CheckBoxesWidget,"Autocorrelation Test:",c("Morans
I","LISA", "Geary"))
addComponent(dialog, choose1,500,700,650,400)
choose1$setDefaultModel(c("Morans I"))
# make entri d1 dan d2
txt1 <- new(TextAreaWidget, "Entri_d1")
addComponent(dialog, txt1, 500, 950, 580, 700, rightType = "REL")
# make entri d1 dan d2
txt2<- new(TextAreaWidget, "Entri_d2")
addComponent(dialog, txt2, 590, 950, 670, 700, rightType = "REL")
#Add a Output Location
saveoutput <-"Name of output:"
labelsave <- new(JLabel,saveoutput)
32
addComponent(dialog, labelsave,660,700,690,420)
saveoutput1 <- new(TextAreaWidget, "Output")
addComponent(dialog, saveoutput1, 700,700,800,400, rightType =
"REL")
dialog$setRunFunction("MoranIFunction")
dialog$setRunFunction(toJava(MoranIFunction))
return(dialog)
}
MoranIFunction <- function(state){
formlib1<- paste("library(DeducerPlugInExample)")
formlib2<- paste("library(gstat)")
formlib3<- paste("library(maptools)")
formlib4<- paste("library(lattice)")
formlib5<- paste("library(spdep)")
formlib6<- paste("library(mapproj)")
formlib7<- paste("library(RColorBrewer)") # creates nice color schemes
formlib8<- paste("library(classInt)") # finds class intervals for
continuous variables
formlib9<- paste("library(fastshp)")
formlib10<- paste("library(ggplot2)")
execute(formlib1)
execute(formlib2)
execute(formlib3)
execute(formlib4)
execute(formlib5)
execute(formlib6)
execute(formlib7)
execute(formlib8)
execute(formlib9)
execute(formlib10)
#Define variable
#form1 <-
paste(state$data,"$",state$variables1[1],"~","1",",","loc=~",state$lati
tude1,"+",state$longitude1,",","data=",state$data)
form1 <-
paste(state$data,"$",state$latitude1,",",state$data,"$",state$longitude
1)
#coord<-cbind(Dataset$Latitude,Dataset$Longitude)
form2<- paste("cbind(",form1,")")
#a=dnearneigh(coord,d1=0,d2=0.11)
form3<-
paste("dnearneigh(",form2,",d1=",state$Entri_d1,",d2=",state$Entri_d2,"
)")
# b=nb2mat(a)
form4<- paste("nb2mat(",form3,")")
#c=mat2listw(b)
form5<- paste("mat2listw(",form4,")")
#data
form6<- paste(state$data,"$",state$variables1)
if("Morans I" %in% state $ "Autocorrelation Test:")
33
#moran.test(columbus$PLUMB, listw=c)
form7<-
paste("moran.test(",form6,",listw=",form5,",alternative='two.sided'")
if("LISA" %in% state $ "Autocorrelation Test:")
#lisa=localmoran(Dataset$Cd, listw=c,alternative="two.sided")
form7<-
paste("localmoran(",form6,",listw=",form5,",alternative='two.sided'")
if("Geary" %in% state $ "Autocorrelation Test:")
form7<-
paste("geary.test(",form6,",listw=",form5,",alternative='two.sided'")
form7<-paste(form7,")")
#form8<-paste("execute(form7)")
execute(form7)
form8<-paste("print(",form7,")")
execute(form8)
#save output
#form8<-paste("data.frame(",form7,")")
form9<-
paste("sink(file='",state$Output,".txt');print(",form7,");sink()")
execute(form9)
execute(form8)
#Map
form10<- paste(form8,"[,5]")
form11<- paste("Pvalue_LISA=",form10)
form12<-
paste("ggplot(data=",state$data,",aes(y=",state$data,"$",state$latitude
1,",x=",state$data,"$",state$longitude1,",color=Pvalue_LISA))+geom_poin
t()+scale_color_gradient2(low='yellow', mid='red', high='black',
midpoint=mean(Pvalue_LISA), space='rgb', guide ='colourbar')")
execute(form12)
execute(form11)
execute(form12)
}
.registerDialog("Autocorrelation Test", makeMoranIDialog)
deducer.addMenu("Spatial Analysis")
deducer.addMenuItem("Autocorrelation
Test",,".getDialog('Autocorrelation Test')$run()","Spatial Analysis")
if(.windowsGUI){
winMenuAdd("Spatial Analysis")
winMenuAddItem("Spatial Analysis", "Autocorrelation Test",
"deducer('Autocorrelation Test')")
}else if(.jgr){
jgr.addMenu("Spatial Analysis")
jgr.addMenuItem("Spatial Analysis", "Autocorrelation Test",
"deducer('Autocorrelation Test')")
}
34
Lampiran 2. Publikasi di SNAST 2014
35