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 <groo_jgroo@yahoo.com>

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