See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/269762881

Package Plagin R Untuk Pemetaan Autokorelasi Spasial Pada Kualitas Air

Conference Paper · November 2014

DOI: 10.13140/2.1.1413.0242

CITATIONS READS

0 741

3 authors:

Heruna Tanty Rokhana dwi Bekti

Binus University Institut Sains and Teknologi Akprind Yogyakarta
14 PUBLICATIONS   5 CITATIONS    11 PUBLICATIONS   17 CITATIONS   

SEE PROFILE SEE PROFILE

Edy Irwansyah
Binus University
30 PUBLICATIONS   47 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Image segmentation model using region growing algorithm for land cover identification and classification View project

Model for Earthquake Non-Engineered Building House Damage Hazard Determination View project

All content following this page was uploaded by Edy Irwansyah on 20 December 2014.

The user has requested enhancement of the downloaded file.

Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 ISSN: 1979-911X
Yogyakarta,15 November 2014

PACKAGE PLGUN-IN R UNTUK PEMETAAN AUTOKORELASI SPASIAL

PADA KUALITAS AIR

Heruna Tanty1,Rokhana Dwi Bekti2, Edy Irwansyah3

1
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 :1herunatanty@yahoo.com,2groo_jgroo@yahoo.com,3edirwan@binus.ac.id

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 Į=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
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 ISSN: 1979-911X
Yogyakarta,15 November 2014

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 plug-
in tersebut dilakukan di R Deducer dan RStudio, yang meliputi pembuatan GUI di Deducer dan
pembuatan package di RStudio.

North Jakarta

West Central
Jakarta Jakarta

East
South Jakarta
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
Ii z i ¦ wij z j
i 1

zi dan z j adalah z i xi  x  dan x j  x (1)

zj
Vx Vx
V x adalah nilai standar deviasi dari variabel x.
C-270
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 ISSN: 1979-911X
Yogyakarta,15 November 2014

Pengujian terhadap parameter ୧ dapat dilakukan sebagai berikut :

Ho : Ii = 0 (tidak ada autokorelasi antar lokasi)
H1 : Ii z 0 (ada autokorelasi antar lokasi)
Statistik uji :
I i - E I i 
Z hitung (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 D / 2 atau P value< Į=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:
x Microsoft Office Excel minimal versi 1997 dan notepad
x R untuk Deducer yang lengkap dengan RJava
x RStudio-0.98.1062
x 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 <groo_jgroo@yahoo.com>
depends: AutocorrelationTest1
Description: Autocorrelation Test for Spatial Analysis
License: GPL-2

Gambar 2. DESCRIPTION package AutocorrelationTest

C-271
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 ISSN: 1979-911X
Yogyakarta,15 November 2014

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
Į=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
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 ISSN: 1979-911X
Yogyakarta,15 November 2014

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

Tabel 2. Hasil uji LISA Cd di DKI Jakarta

No Wilayah Latitude Longitude Cd Ii Zi Pvalue
Sampel
1 Jakarta Barat -6.14539 106.782909 0.007 -0.6428 -2.07534 0.038*
2 Jakarta -6.22945 106.768001 0.006 -0.0625 0.312134 0.755
Selatan
3 Jakarta Utara -6.14626 106.854466 0.006 -0.0079 1.008996 0.313
4 Jakarta Timur -6.22264 106.865716 0.005 -0.1269 -0.15523 0.877
5 Jakarta Pusat -6.20585 106.806651 0.005 -0.1269 -0.15523 0.877
6 Jakarta Barat -6.18427 106.812615 0.006 -0.0079 1.008996 0.313
7 Jakarta Tmur -6.19633 106.912183 0.007 -0.7959 -3.34171 0.000*
8 Jakarta -6.27109 106.846428 0.006 -0.0306 0.392817 0.694
Selatan
9 Jakarta Utara -6.13137 106.81672 0.005 -0.2857 -0.85203 0.394
10 Jakarta selatan -6.25791 106.855645 0.005 -0.0816 0.143849 0.887
Ket : *) signifikan pada Į=5%.
C-273
 Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 ISSN: 1979-911X
Yogyakarta,15 November 2014

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

View publication stats