PACKAGE PLGUN-IN R UNTUK PEMETAAN AUTOKORELASI SPASIAL PADA KUALITAS AIR

Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 Yogyakarta,15 November 2014

ISSN: 1979-911X

PACKAGE PLGUN-IN R UNTUK PEMETAAN AUTOKORELASI SPASIAL PADA KUALITAS AIR Heruna Tanty1,Rokhana Dwi Bekti2, Edy Irwansyah3 Jurusan Matematika, School of Computer Science, Universitas Bina Nusantara 2 Jurusan Statistika, School of Computer Science, Universitas Bina Nusantara 3 Jurusan Teknik Informatika, School of Computer Science, Universitas Bina Nusantara e-mail :[email protected],[email protected],[email protected] 1

ABSTRACT This study aims to create aplug-inpackage Rto give the user the ease of mapping thespatial auto correlation through LISA test. The spatial auto correlationis one of the spatial analyses to determine the pattern ofthe relationshipor correlation between the locations (observation). Characteristics ofgroundwater qualityin some locations were spatially interconnected. This is shown by the dependency among locations ofthe water quality. Spatial autocorrelation would be morei nformative if presented in theform ofmapping that is madeinto the form ofan application program. Program evaluationis doneusingwater quality (inorganic compound) in Jakarta. The inorganic compound was Cadmium (Cd). Total sample were 10 locations. The results showed thatthe application programcan generate LISA test and mapping properly. The name of package is Auto correlation Test _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 eas tof Jakarta have a Pvalue smaller thanthe otherarea. Therefore, itcan be conclude thatCdlevelsinthe regionhave adependency relationship between locations.More detail, there are two sample locations that significantly affect other locations at α=5%, the first samplein West Jakarta and East Jakarta seventh sample. Keywords: Package plug-in R, mapping, Autocorrelation test, LISA test, water quality PENDAHULUAN 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. Pemetaandapat menunjukkandanmemvisualisasikananalisis spasial. Matthewsdan Yang(2012) yangmenggunakanGWRmodel untuk pemetaanhasilmodel lokal.Mennis(2006) menggunakan t-hitung hasil GWRuntuk menunjukkan distribusisignifikansi 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. Bekti dan Irwansyah (2013) juga telah membuat aplikasi analisis GWR dan kriging di R software. Selain itu juga Andiyono (2012) telah membuat aplikasi untuk GWR. 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 C-269


ISSN: 1979-911X

yang berdekatan akan ikut tercemar 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 dan SEM di Kabupaten Bekasi. Bekti, Andiyono, dan Irwansyah (2014) yang melakukan pemetaan angka buta huruf melalui GWR. 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. METODE PENELITIAN Langkah-langkah pembuatan aplikasi program secara umum adalah 1) menganalisis kebutuhan dan pendefinisian tentang autokorelasi spasial, 2) perancangan sistem dan aplikasi program plug-in, 3) implementasi dari aplikasi program yang telah dirancang, 4) integrasi dan pengujian sistem menggunakan data kasus, dan 5) pengoperasian hasil aplikasi program. Perancangan sistem dan plugin tersebut dilakukan di R Deducer dan RStudio, yang meliputi pembuatan GUI di Deducer dan pembuatan package di RStudio.

North Jakarta West Jakarta

South Jakarta

Central Jakarta

East Jakarta

Gambar 1. Lokasi Sampel Penelitian Data yang digunakan sebagai studi kasus atau evaluasi dalam penelitian ini adalah data sekunder, yaitu dari penelitian Tanty, dkk (2014). Data tersebut adalah tentang kualitas air meliputi kadar senyawa organik air tanah, yaitu Cadmium (Cd), di wilayah DKI Jakarta. Lokasi sampel tersebut disajikan pada Gambar 1. 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. Semakin tinggi nilai lokal Moran’s, memberikan informasi bahwa wilayah yang berdekatan memiliki nilai yang hampir sama atau membentuk suatu penyebaran yang mengelompok. Indeksnya dinyatakan dalam seperti pada persamaan berikut (Lee dan Wong, 2001): n

I i = z i ∑ wij z j i =1

zi dan z j adalah z i = (xi − x ) dan σx

zj =

(x

j

− x)

σx

σ x adalah nilai standar deviasi dari variabel x. C-270

(1)


ISSN: 1979-911X

Pengujian terhadap parameter I dapat dilakukan sebagai berikut : Ho : Ii = 0 (tidak ada autokorelasi antar lokasi) H1 : Ii ≠ 0 (ada autokorelasi antar lokasi) Statistik uji :

Z hitung =

I i - E (I i )

(2)

var(I i )

Keterangan : w= matrix pembobot var (I)= varians Moran’s I E(I) = expected value Moran’s I Pengujian ini akan menolak Ho jika Z hitung > Z α / 2 atau P value< α=5%. Positif autokorelasi spasial megindikasikan bahwa antar lokasi pengamatan memiliki keeratan hubungan. PEMBAHASAN Hasil penelitian ini menjelaskan spesifikasi sitem yang digunakan untuk menggunakan package, petunjuk instalasi, dan hasil package dan evaluasinya.

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 Petunjuk Instalasi Berikut adalah petunjuk instalasi yang harus dilakukan : 1. Instal dan runR untuk Deducer 2. Setelah hasil plug-in di Deducer sukses dibentuk maka dilakukan: - Instal package ‘AutocorrelationTest’ di Deducer - Load package : > library(AutocorrelationTest) R Package Package R yang dihasilkan adalah AutocorrelationTest_1.0.zip dengan deskripsi sebagai berikut : 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 depends: AutocorrelationTest1 Description: Autocorrelation Test for Spatial Analysis License: GPL-2

Gambar 2. DESCRIPTION package AutocorrelationTest C-271


ISSN: 1979-911X

Plug-in di R Deducer Petunjuk pemakaian sistem yang dibuat dimulai setelah menjalankan library(AutocorrelationTest) sehingga akan muncul Plug-inSpatial Analysis di Deducer seperti pada Gambar 3. Dialog box untuk Uji Autokorelasi spasial disajikan di Gambar 4.

Gambar 3. Menu Spatial Analysis pada Deducer

Gambar 4. Dialog Box Uji Autokorelasi Spasial 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. Output disajikan pada Gambar 6 dan 7. Dari output Gambar 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.

C-272


ISSN: 1979-911X

Gambar 5. Dialog Box uji LISA data Cd Output pengujian tersimpan dalam file .txt dengan nama output.txt seperti di Gambar 6.

Gambar 6. Output uji LISA data Cd

No Sampel 1 2

Tabel 2. Hasil uji LISA Cd di DKI Jakarta Wilayah Latitude Longitude Cd Ii

Jakarta Barat -6.14539 Jakarta -6.22945 Selatan 3 Jakarta Utara -6.14626 -6.22264 4 Jakarta Timur 5 Jakarta Pusat -6.20585 6 Jakarta Barat -6.18427 -6.19633 7 Jakarta Tmur 8 Jakarta -6.27109 Selatan 9 Jakarta Utara -6.13137 10 Jakarta selatan -6.25791 Ket : *) signifikan pada α=5%.

Zi

Pvalue

106.782909 0.007 106.768001 0.006

-0.6428 -2.07534 -0.0625 0.312134

0.038* 0.755

106.854466 106.865716 106.806651 106.812615 106.912183 106.846428

0.006 0.005 0.005 0.006 0.007 0.006

-0.0079 1.008996 -0.1269 -0.15523 -0.1269 -0.15523 -0.0079 1.008996 -0.7959 -3.34171 -0.0306 0.392817

0.313 0.877 0.877 0.313 0.000* 0.694

106.81672 0.005 106.855645 0.005

-0.2857 -0.85203 -0.0816 0.143849

0.394 0.887

C-273


ISSN: 1979-911X

Hasil pengujian LISA dapat disajikan pada pemetaan Gambar 7. 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.

Gambar 7. Pemetaan Uji LISA (P value) Cd di DKI Jakarta KESIMPULAN Berdasarkan hasil proses perancangan, implementasi dan evaluasi aplikasi program plug-in packageAutocorrelationTestdapat disimpulkan sebagai berikut : 1. Program aplikasi tersebut dapat menghasilkan uji LISA dan pemetaanya . 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 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 and Irwansyah, E. (2013). Perancangan Perangkat Lunak Pemodelan Statistika Spasial dan Kriging Berbasis R Language. Hibah Binus 2013. Bekti, R.D, Andiyono, and Irwansyah, E. (2014). Mapping of Illiteracy and Information and Communication Technology Indicators using Geographically Weighted Regression. Journal of Mathematics and Statistics 10 (2): 130-138. Fellows, I. 2012. Deducer: A Data Analysis GUI for R. Journal of Statistical Software, Vol 49 : 1-15. 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 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 SemDi Kabupaten Bekasi Berbasis Komputer. Skripsi. Jakarta:Universitas Bina Nusantara. Tanty, H., Bekti, R.D., Herlina, T., andNurlelasari. MANOVA Statistical Analysis of Inorganic Compounds in Groundwater Indonesia. IOSR-JESTFT journal. Volume 8, Issue 4 Ver. I (Apr. 2014), PP 41-45. Torgo, L. (2011). Data Mining with R : Learning with Case Studies. USA : Taylor and Francis Group, LLC. C-274

PACKAGE PLGUN-IN R UNTUK PEMETAAN AUTOKORELASI SPASIAL PADA KUALITAS AIR

Recommend Documents