Praktikum ini membahas analisis kluster dengan dua metode yaitu Cluster and Outlier Analysis untuk mengidentifikasi pola kluster dan Hot Spot Analysis untuk mengidentifikasi lokasi yang memiliki nilai tinggi dikelilingi oleh nilai-nilai yang tinggi juga pada data luasan desa di Kabupaten Tanggamus menggunakan ArcGIS.

1. Praktikum Statistika Spasial : Cluster
1
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
BAB I
PENDAHULUAN
1.1 Maksud dan Tujuan Praktikum
Praktikum Cluster dalam mata kuliah Statistika Spasial ini dilakukan
dengan maksud agar :
a. Mahasiswa mampu dan dapat menganalisis pola spasial, dengan cara
mengkluster data dengan metode Cluster and Outlier Analysis (Anselin Local
Moran 1) dan Hot spot Analysis (Getis - Ord Gi*)
b. Mahasiswa dapat memahami kegunaan dari masing-masing tools untuk
pengukuran pola spasial dengan berbagai permasalahan yang ada, terutama
dengan software ArcGIS.
1.2 Tempat dan Waktu Pelaksanaan Praktikum
Waktu : Senin, 4 Desember 2017
Tempat : Ruangan 18302 Itenas Bandung

2. Praktikum Statistika Spasial : Cluster
2
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
BAB II
DASAR TEORI
Statistik Spasial adalah segala teknik analisis untuk mengukur distribusi suatu
kejadian berdasarkan keruangan (Scott & Warmerdam, 2006). Keruangan yang
dimaksud disini adalah variabel yang ada di permukaan bumi seperti kondisi topografi,
vegetasi, perairan, dll. Berbeda dengan statistik non-spasial yang tidak memasukkan
unsur keruangan dalam analisisnya. Dalam pengukuran distribusi suatu kejadian
berdasarkan keruangan dibedakan berdasarkan dua kategori yaitu (Scott & Warmerdam,
2006):
•Identifikasi karakteristik dari suatu distribusi
•Kuantifikasi pola geografi dari suatu distribusi.
Pola distribusi spasial secara umum terbagi menjadi tiga (Briggs, 2007):
•Mengelompok (Clustered) yaitu beberapa titik terkonsentrasi berdekatan satu sama lain
dan ada area besar yang berisi sedikit titik yang sepertinya ada jarak yang tidak
bermakna.
•Menyebar (Dispersed) yaitu setiap titik berjauhan satu sama lain atau secara jarak tidak
dekat secara bermakna
•Acak (Random) yaitu titik-titik muncul pada lokasi yang acak dan posisi satu titik
dengan titik lainnya tidak saling terkait.
2.1 Kluster
Analisis Cluster termasuk dalam teknik analisis multivariate metode
interdependen. Teknik ini bertujuan untuk mengatur informasi / meringkas data dengan
cara mengelompokkan objek-objek berdasarkan kesamaan karakteristik tertentu.
Dengan demikian, Cluster analisis atau clustering memiliki tujuan untuk
mengelompokkan data dari serangkaian pengamatan ke subset (disebut cluster).
Kluster spasial adalah autokorelasi spasial positif ketika ada nilai yang mirip
mengelompokkan menjadi satu, sedangkan kebalikannya jika terdapat nilai yang
terpisah-pisah disebut autokorelasi negative (Boots et al.1988). Dengan adanya kluster
spasial dapat membantu pemahaman proses geografis yang mendasari hubungan dengan
fenomena yang diteliti.

3. Praktikum Statistika Spasial : Cluster
3
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
Clustering merupakan suatu metode pengelompokan berdasarkan ukuran
kedekatan (kemiripan). Clustering beda dengan group, kalau group berarti kelompok
yang sama, kondisinya kalau tidak ya pasti bukan kelompoknya. Tetapi kalau cluster
tidak harus sama akan tetapi pengelompokannya berdasarkan pada kedekatan dari suatu
karakteristik sample yang ada, salah satunya dengan menggunakan rumus jarak
ecluidean. Aplikasinya cluster ini sangat banyak, karena hampir dalam mengidentifikasi
permasalahan atau pengambilan keputusan selalu tidak sama persis akan tetapi
cenderung memiliki kemiripan saja.
Analisis cluster mempunyai peran penting dalam pembangunan model spasial
dan ESDA. Model Konstruksi yang memerlukan pemahaman tentang pola variasi
spasial. Untuk menentukan cluster spasial harus mempertimbangkan jenis data yang
sedang diteliti.
2.2. Metode Penentuan Kluster
Single linkage (tetangga terdekat). Dalam metode ini jarak antara dua cluster
ditentukan oleh jarak dari dua obyek terdekat (tetangga terdekat) dalam cluster yang
berbeda.
Complete linkage (furthest neighbor). Dalam metode ini, jarak antara cluster
ditentukan oleh jarak terbesar antara dua obyek dalam cluster yang berbeda (yaitu, oleh
“tetangga jauh”). Metode ini biasanya melakukan cukup baik dalam kasus-kasus ketika
obyek benar-benar terbentuk secara alami berbeda. Jika cluster cenderung memanjang
entah bagaimana atau yang bersifat tipe “rantai”, maka metode ini adalah kurang baik
dilakukan.
Unweighted pair-group average. Dalam metode ini, jarak antara dua cluster
dihitung sebagai jarak rata-rata antara semua pasangan obyek dalam dua kelompok yang
berbeda. Metode ini juga sangat efisien ketika objek bentuk alami yang berbeda.
Weighted pair-group average. Metode ini identik dengan metode rata-rata
kelompok pasangan unweighted, kecuali bahwa dalam perhitungan, ukuran cluster
masing-masing (yaitu, jumlah objek yang terkandung di dalamnya) digunakan sebagai
pemberat. Sneath dan Sokal (1973) memperkenalkan WPGMA untuk menyebut metode
ini sebagai pasangan kelompok tertimbang metode menggunakan rata-rata aritmatika..

4. Praktikum Statistika Spasial : Cluster
4
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
2.2.1. Cluster and Outlier Analysys (Anselin Local Moran 1)
Indeks I Moran lokal (I) adalah ukuran relatif dan hanya dapat ditafsirkan
dalam konteks z-score dihitung atau p-value. Hasilnya hanya handal jika kelas fitur
masukan, mengandung setidaknya 30 fitur.
Cluster dan alat Analisis Outlier mengidentifikasi kelompok spasial fitur
dengan atribut nilai-nilai yang sama besarnya. Alat ini juga mengidentifikasi outlier
spasial. Untuk melakukan metode ini,dan menghitung nilai. Moran lokal, skor-z, nilai-p,
dan kode mewakili tipe klaster untuk setiap fitur. Z-skor p-nilai mewakili signifikansi
statistik dari nilai indeks dihitung.
Fitur tetangga dengan nilai atribut yang sama tinggi atau rendah, merupakan
bagian dari sebuah cluster. Sebuah nilai negatif untuk menunjukkan bahwa fitur
memiliki fitur tetangga dengan nilai-nilai yang berbeda dan fitur ini adalah outlier.
Dalam kedua contoh, nilai p untuk fitur tersebut harus cukup kecil untuk cluster atau
outlier harus dianggap signifikan secara statistik.
2.2.2. Hot Spot Analysys (Getis- Ord Gi*)
Hot Spot Analisis yaitu menghitung Getis - Ord Gi *, statistik untuk setiap
fitur dalam dataset. Z skor yang dihasilkan, di mana fitur yang baik nilai-nilai tinggi
atau rendah mengelompok spasial . Alat ini bekerja dengan melihat setiap fitur dalam
konteks fitur tetangga . Sebuah fitur dengan nilai tinggi menarik, dan tidak menjadi hot
spot yang signifikan secara statistik . Untuk menjadi hot spot yang signifikan secara
statistik, fitur akan memiliki nilai yang tinggi dan dikelilingi oleh fitur-fitur lainnya
dengan nilai-nilai yang tinggi juga. Jumlah lokal untuk fitur dan tetangganya
dibandingkan secara proporsional dengan jumlah dari semua fitur ketika jumlah lokal
jauh berbeda dari yang diharapkan, dan perbedaan yang terlalu besar merupakan hasil
dari kesempatan acak , hasil Z skor yang signifikan secara statistik.

5. Praktikum Statistika Spasial : Cluster
5
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
BAB III
PELAKSANAAN PRAKTIKUM
3.1 Langkah Penentuan klaster
3.1.1. Cluster and Outlier Analysys (Anselin Local Moran 1)
1. Membuka software Arc GIS dengan double klik pada ikon di dekstop.
Kemudian akan terbuka jendela utama Arc GIS seperti berikut:
2. Tampilkan data desa tanggamus.shp dengan cara klik ikon Add Data
sehingga muncul tampilan berikut ini :
Dan menghasilkan :

6. Praktikum Statistika Spasial : Cluster
6
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
3. Untuk menjalankan metode Pola spasial, tampilkan menu tools Arc toolbox,
sehingga muncul tampilan berikut :
4. Kemudian pada arc toolbox klik menu Spatial Statistic tools  mapping cluster
 pilih cluster and outlier analysys (anslin local moran 1) :
5. Selanjutnya untuk Input Feature class : masukkan data tanggamus , pada input
field pilih luas kmudian pilih ok.
Maka akan keluar hasilnya

7. Praktikum Statistika Spasial : Cluster
7
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
3.1.2. Hot Spot Analysys (Getis- Ord Gi*)
1. Tampilkan data desa tanggamus.shp dengan cara klik ikon Add Data
sehingga muncul tampilan berikut ini :
Dan menghasilkan :
2. Untuk menjalankan metode Pola spasial, tampilkan menu tools Arc toolbox,
sehingga muncul tampilan berikut :

8. Praktikum Statistika Spasial : Cluster
8
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
3. Kemudian pada arc toolbox klik menu Spatial Statistic tools  mapping cluster
 pilih Hot Spot Analysys (Getis- Ord Gi*):
4. Selanjutnya untuk Input Feature class : masukkan data tanggamus , pada input
field pilih luas kmudian pilih ok.
Maka akan keluar hasilnya

9. Praktikum Statistika Spasial : Cluster
9
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
BAB IV
HASIL DAN ANALISIS
4.1. Cluster and Outlier Analysys (Anselin Local Moran 1)
Hasil :
Analisis :
Pada Cluster and Outlier Analysys (Anselin Local Moran 1) analisis pola spasial
menggunakan data luas dari kabupaten Tanggamus, berdasarkan hasil dapat dilihat
pengelompokan berdasarkan Not Significant, HH, HL, LH, dan LL.
Dimana dari data luasan tersebut diperoleh kelas not significant dan HH. Not significant
artinya luasan nya seimbang (tidak terlalu jauh perbedaanya dan danggap masih sama)
sedangkan untuk HH (Height Height) artinya luasan tersebut lebih tinggi besarnya dari
tetangga sekitarnya.

10. Praktikum Statistika Spasial : Cluster
10
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
4.2. Hot Spot Analysys (Getis- Ord Gi*)
Hasil :
Analisis :
Pada Hot Spot Analysys (Getis- Ord Gi*) analisis pola spasial menggunakan data
luas dari kabupaten Tanggamus, berdasarkan hasil dapat dilihat pengelompokan
berdasarkan nilai standar deviasi nya, dimana untuk yang warna merah artinya luasan
diklompokkan dengan standar deviasi > 2.58, untuk yang warna kuning standar deviasi
dari -1.96 sampai -1.65. untuk warna coklat standar deviasi 1.96 sampai 2.58.

11. Praktikum Statistika Spasial : Cluster
11
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
4.2. Perbedaan Cluster and Outlier Analysys (Anselin Local Moran 1) dan Hot Spot
Analysys (Getis- Ord Gi*)
Perbedaan :
Pada metode Cluster and Outlier Analysys (Anselin Local Moran 1) berdasarkan hasil
dapat dilihat pengelompokan berdasarkan nilai luas nya itu sendiri dan dikelaskan ke
dalam Not Significant, HH, HL, LH, dan LL, sdangkan pada metode Hot Spot Analysys
(Getis- Ord Gi*) pengelompokan berdasarkan nilai standar deviasi nya.

12. Praktikum Statistika Spasial : Cluster
12
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
BAB V
KESIMPULAN
Dari praktikum yang telah terlaksana, bahwa mahasiswa dapat dan mampu
melakukan dan menganalisis Metode Cluster and Outlier Analysys (Anselin Local
Moran 1) dengan Hot Spot Analysys (Getis- Ord Gi*) Dengan menggunakan Spatial
Statistic dan mengetahui Perbedaan Cluster and Outlier Analysys (Anselin Local Moran
1) dan Hot Spot Analysys (Getis- Ord Gi*) Tools pada arc ToolBox pada software
arcgis.

13. Praktikum Statistika Spasial : Cluster
13
M Zakir Tazkiatun Naf/23-2014-110/Kelas C
Daftar Pustaka
Mitchell, Andy. The ESRI Guide to GIS Analysis, Volume 2. ESRI Press, 2005.
Burt, J. E., and G. Barber. (1996). Elementary statistics for geographers. Guilford, New
York.