LAPORAN PENELITIAN HIBAH BINUS 2013 Tahun Anggaran …repository.akprind.ac.id/sites/files/Hibah...

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

http://evaluasi.dikti.go.id/epsbed/datadosen/0318054703

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

http://id.wikipedia.org/w/index.php?title=Piranti_Lunak_Statistika&action=edit&redlink=1

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)

http://www.deducer.org/pmwiki/

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$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




return("")

}


formlib1 <- paste("library(gstat)")

………….

#save output


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



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



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.

http://people.ku.edu/~gbohling/cpe940/Kriging.pdf

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

mailto:[email protected]

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


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


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$setTitle("Kriging")


#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)



variableList2$setTitle("latitude1")


# add longitude

longitude1<-"Longitude:"

label3 <- new(JLabel,longitude1)



variableList3$setTitle("longitude1")


#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")


txt3 <- new(TextAreaWidget, "Nugget")


#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")


#make Variogram Dialog

subDialog2 <- new(SimpleRSubDialog,dialog,"Kriging: Ordinary Kriging")



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)


variableList5<- new(SingleVariableWidget,variableSelector2)

variableList5$setTitle("latitude2")

addComponent(subDialog2, variableList5,170,975,250,400)

# add longitude

longitude2<-"Longitude:"

label6 <- new(JLabel,longitude2)


variableList6<- new(SingleVariableWidget,variableSelector2)

variableList6$setTitle("longitude2")

addComponent(subDialog2, variableList6,310,975,390,400)


ActionListener2 <- J("org.rosuda.deducer.widgets.event.RActionListener")

actionFunction2 <- function(form7,ActionEvent){


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


button3 <- new(JButton3,"Help")


#make Help Dialog

subDialog3 <- new(SimpleRSubDialog,dialog,"Help:Ordinary Kriging")


help1 <-"The steps for predicting data: "

label7 <- new(JLabel,help1)


help2 <-"A. Input Data:Use menu Packages&Data > data viewer in Deducer Console"



help3 <-"The data for ordinary kriging consist of "



help4 <- "- Actual data : actual data, latitude, and longitude"



help5 <- "- Predicting data : latitude and longitude (in button 'Ordinary Kriging')"



help6 <- "B. Variogram"



help7 <- "Press Button 'Variogram', then Entri the value of Sill, Range, and Nugget"



help8 <- "Select one of semivariogram methods, Spherical, Expponential, or

Gaussian."



63

help9 <- "This menu is perform a Semivariogram plot and the characteristics of

autocorrelation in semivariogram"



help10 <- "C. Ordinary Kriging"



help11 <- "Select the location of data for prediction (latitude and longitude)"



help12 <- "The name of latitude and longitude must be same as name of latitude-

longitude in actual data"



help13 <- "D. Save output"



help14 <- "In menu 'Prediction', Entri the name of prediction output file. "



help15 <- "The file name can be in string and numeric, example : 01, 02, output,

etc. The output will be save on Desktop .csv."



help16 <- "The next step is klik 'Run'"



help17 <- "Or download in =

http://rapidshare.com/share/4EA0332A88CE8FF0B1437CEC2E4C1D3A"



#Listen for the button help to be pressed




subDialog3$run()

}




#dialog$addHelpButton("pmwiki.php")

dialog$setCheckFunction(".VariablesCheckFunction1")

dialog$setRunFunction("KrigingRunFunction")

dialog$setRunFunction(toJava(KrigingRunFunction))

return(dialog)

}

makeGWRDialog<-function(){

#make dialog



dialog$setTitle("Geographically Weighted Regression")



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$setTitle("Dependent")

addComponent(dialog,variableList1, 105,950,200,420)

varindep <- "Independent Variable(s)"

label2 <- new(JLabel,varindep)


64

variableList2<- new(VariableListWidget,variableSelector)

variableList2$setTitle("Independent")


latitude <- "Latitude"

label3 <- new(JLabel,latitude)



variableList3$setTitle("Latitude")


longitude <- "Longitude"

label4 <- new(JLabel,longitude)



variableList4$setTitle("Longitude")


#Add Weighted button


button1 <- new(JButton1,"Weighted")


#make Options Dialog

subDialog1 <- new(SimpleRSubDialog,dialog,"GWR: Weighted")


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"))


transBoxes12$setDefaultModel(c("Kernel Bi-Square"))





subDialog1$run()

}




#Add Bandwidth button


button2 <- new(JButton2,"Bandwidth")


subDialog2 <- new(SimpleRSubDialog,dialog,"GWR: Bandwidth")


transBoxes2<- new(CheckBoxesWidget,"Bandwidth",c("Global","Adaptive"))


transBoxes2$setDefaultModel(c("Global"))





subDialog2$run()

}




# Add Methods button


button3 <- new(JButton3,"Methods")


subDialog3 <- new(SimpleRSubDialog,dialog,"GWR:Methods of Bandwidth")


transBoxes3<- new(CheckBoxesWidget,"Methods for Optimum Bandwidth",c("CV","AIC"))


transBoxes3$setDefaultModel(c("CV"))





subDialog3$run()

}

65




# Add Save button


button4 <- new(JButton4,"Save Output")


subDialog4 <- new(SimpleRSubDialog,dialog,"GWR:Save output local model")


#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")





subDialog4$run()

}




# Add Help button


button5 <- new(JButton5,"Help")


subDialog5 <- new(SimpleRSubDialog,dialog,"GWR:Help")


help1 <-"The steps for GWR model: "



help2 <-"A. Input Data"



help3 <-"Use menu Packages&Data > data viewer in Deducer Console"



help4 <- "The data consist of : "



help5 <- "- Dependent Variable"



help6 <- "- Independent Variable"



help7 <- "- Location : latitude and longitude "



help8 <- "B. Weighted"



help9 <- "Press button 'Weighted' to determine the weighted in bandwidth and GWR

model calculation. "



help10 <- "The types of weighted are kernel Bi-Square and Kernel Gauss."



help11 <- "C.Bandwidth"



help12 <- "Press button 'Bandwidth' to determine the type of bandwidth calculation.

"



help13 <- "The types of bandwidth are Global and Adaptive."



help14 <- "D.Methods"



66

help15 <- "Press button 'Methods' to determine the methods of optimum bandwidth"



help16 <- "calculation, Cross Validation (CV) or Akaike Criterion (AIC)"



help17 <- "E.Save output"



help18 <- "Entry the name of output file from GWR Model"



help19 <- "The file name can be in string or numeric, example : 01, 03,output, etc.

"



help20 <- "The output will be save on Desktop in .csv."



help21 <- "The next step is klik 'Run'"







subDialog5$run()

}




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.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.addMenuItem("Spatial Analysis", "Geographically Weighted Regression",

"deducer('Geographically Weighted Regression')")

}

}

67

Lampiran 5. Syntax di File SpatialAnalysis2.R




return("")

}



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


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){


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")


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)

}

LAPORAN PENELITIAN HIBAH BINUS 2013 Tahun Anggaran …repository.akprind.ac.id/sites/files/Hibah...

Documents

Transcript of LAPORAN PENELITIAN HIBAH BINUS 2013 Tahun Anggaran …repository.akprind.ac.id/sites/files/Hibah...