STATISTIK SPASIAL DI

&

ArcGIS

PENGANTAR ANALISIS DATA SPASIAL

Oleh
Nadia Savitri
(156090500111004)

Pokok Bahasan
PENDAHULUAN

PEMODELAN HUBUNGAN
SPASIAL

PENGUKURAN DISTRIBUSI
PENGEMBANGAN ALAT
MENGANALISIS POLA
KOMENTAR PENUTUP
PEMETAAN CLUSTER

Pokok Bahasan
Multivariat EDA

PENDAHULUAN

ANALISIS
AUTOKORELASI
SPASIAL

DESAIN DAN
FUNGSIONALITAS
GEODA
PEMETAAN DAN
GEOVISUALISASI

REGRESI SPASIAL

ARAH MASA DEPAN

Pendahuluan
Teknologi GIS memungkinkan organisasi,
manipulasi, analisis, dan visualisasi data
spasial, seringkali mengungkap hubungan,
pola, dan tren.
Statistik spasial terdiri dari satu set teknik
untuk
menggambarkan dan pemodelan data spasial.
Pada tahun 2004, satu set baru alat statistik
spasial dirancang untuk menggambarkan pola
fitur telah ditambahkan ke ArcGIS 9.

Alat untuk melakukan analisis spasial

telah diperpanjang selama bertahuntahun untuk menyertakan teknik
geostatistik (Smith et al. 2006), analisis
raster (Tomlin 1990), metode analisis
untuk bisnis (Pilih 2008), analisis 3D
(Abdul-Rahman et al. 2006) , analisis
jaringan (Okabe et al. 2006), dinamika
ruang-waktu (Peuquet 2002), dan
teknik-teknik khusus untuk berbagai
industri (misalnya, Miller dan Shaw
2001).

Perangkat Statistik Spasial meliputi

fungsi statistik dan generalisasi tujuan
penggunaan. Dengan rilis terbaru dari
ArcGIS 9.3, fungsi statistik
dikelompokkan menjadi empat toolsets:
Mengukur Geografis Distribusi
Menganalisis Pola
Pemetaan Cluster
Hubungan Model Spasial dalam
geofilasafat.

Pengukuran Distribusi
Alat
Central feature

Deskripsi
Mengidentifikasi fitur paling berlokasi di titik,
garis, atau polygon fitur kelas

Directional distribution (standard deviational

Mengukur bagaimana fitur terkonsentrasi di

ellipse)

sekitar mean geografis, dan apakah atau tidak

mereka menunjukkan tren yang berhubungan
dengan arah.

Linear directional mean

Mengidentifikasi umum (mean) arah dan berarti

panjang untuk satu set vektor berarti pusat
Mengidentifikasi pusat geografis untuk satu set

Mean center

fitur
Mengukur jarak standard sejauh mana fitur

Standard distance

terkonsentrasi atau tersebar di sekitar mean

geografis pusat

Alat Mean Pusat adalah ukuran

tendensi sentral, menghitung pusat
geometris rata-rata X dan rata-rata
koordinat Y untuk satu set fitur
geografis.

Contoh: Rata-Rata Tertimbang Populasi

Daerah California 1910-2000

Daerah Inti selama 5 gerombolan

berdasarkan Graffiti Penandaan

Standar

deviasi elips dan alat standard

jarak mengukur distribusi spasial fitur
geografis di sekitar pusat geometrisnya
dan memberikan informasi tentang fitur
dispersi dan orientasi. Gerombolan
sering menandai wilayah negaranya
dengan grafiti.

standar

deviasi elips dihitung, oleh

gerombolan afiliasi, untuk insiden grafiti
di kota.
Elips memberikan perkiraan daerah inti
yang terkait dengan rumput masingmasing gerombolan.
Potensi peningkatan konflik
penyerangan oleh dan kekerasan
tertinggi di daerah di mana elips
tumpang tindih.

Menganalisis Pola
Global Moran I alat menghitung nilai
ringkasan tunggal, z-skor,
menggambarkan tingkat konsentrasi
spasial atau dispersi untuk variabel
yang diukur

Ringkasan Alat dalam Pola Analisis Toolset

Alat
Rata-rata tetangga terdekat

Deskripsi
Menghitung jarak rata-rata dari
setiap fitur untuk tetangga terdekat
berdasarkan centroid

Fitur tinggi / pengelompokan rendah

Mengukur konsentrasi nilai-nilai yang

(Getis-Ord General G )

tinggi atau rendah untuk daerah

penelitian autokorelasi spasial (global
yang Moran I)

Spasial autokorelasi (global morans I) Mengukur autokorelasi spasial

(pengelompokan atau dispersi)
berdasarkan lokasi fitur dan atribut
Analisis klaster spasial multi distance

nilai.

(Ripley K fungsi)

Menilai spasial pengelompokan /

dispersi untuk satu set ciri-ciri
geografis lebih berbagai jarak

Komponen Fungsi K Output Grafis

K

Keterangan :
Output dari fungsi K adalah grafik garis
Garis diagonal gelap merupakan pola
yang diharapkan, jika fitur dibagikan
secara acak dalam wilayah studi.
X axis mencerminkan meningkatnya
jarak
Garis melengkung yang solid mewakili
pola spasial diamati untuk fitur yang
dianalisis.

Keterangan:
Ketika garis melengkung berjalan di atas
garis diagonal, pola lebih berkerumun di
jarak dari yang kita harapkan dengan
pola acak.
Ketika garis melengkung berjalan di
bawah garis diagonal, pola lebih
terpencar dari yang diharapkan.
Ketika garis melengkung di luar
kepercayaan, pengelompokan atau
dispersi statistik signifikan.

Contoh
Peta tematik dari pendapatan per kapita
(PCR) 1 di New York untuk serangkaian
tahun , sulit untuk menentukan apakah
negara kaya dan miskin menjadi lebih
atau kurang spasial terpisah. Memplot
resultan z-skor dari Autokorelasi Spasial
(Global Moran I), mengungkapkan
penurunan nilai yang menunjukkan bahwa
pengelompokan spasial kaya dan miskin
telah hilang antara tahun 1969 dan 2002.

Pendapatan Per kapita Relatif untuk

New York, 1969-2002

Pemetaan Cluster
Alat

Deskripsi

Cluster dan analisis outlier (Anselin ini Mengingat satu set fitur tertimbang,
lokal Moran I)

mengidentifikasi kelompok nilai tinggi

Analisis Hhot spot (Getis-Ord G *i)

atau rendah serta outlier spasial

Mengingat satu set fitur tertimbang,
mengidentifikasi kelompok fitur
dengan nilai-nilai yang tinggi (hot
spot) dan cluster fitur dengan nilainilai yang rendah (titik-titik dingin)

Alat Lokal Moran digunakan untuk

menganalisis kemiskinan di Ekuador

Contoh Analisis Hot Spot

Keterangan:
Analisis hot spot (Getis-Ord Coln, Nebraska
dalam G * I pertama) alat peta diterapkan
(kiri), data vandalisme untuk linier jumlah
vandalisme baku untuk setiap blok sensus
dianalisis.
Lebih sedikit kasus vandalisme yang terkait
dengan kepadatan kota pinggiran rendah
dalam peta kedua (kanan), namun,
vandalisme dinormalkan oleh insiden
kejahatan secara keseluruhan sebelum
analisis.

Pemodelan Hubungan
Spasial

Perangkat dalam pemodelan hubungan spasial

toolset dalam dua kategori, meliputi
Alat yang dirancang untuk membantu pengguna
menentukan model konseptual hubungan spasial.
Model konseptual merupakan komponen integral
dari pemodelan spasial dan harus dipilih sehingga
paling mewakili struktur ketergantungan spasial
antara fitur yang dianalisis (Getis dan Ald- stadt
2004).
Alat dalam memodelkan spasial hubungan toolset
di metode kuadrat biasa (OLS) (Woolridge 2003),
dan regresi geografis tertimbang (GWR)
(Fortheringham et al. 2002 dan Bab C.5).

Pilihan yang tersedia untuk pemodelan

hubungan spasial mencakup
Inverse
Jarak tetap
polygon persentuhan
k tetangga terdekat
Delaunay triangulasi
Waktu perjalanan dan jarak perjalanan.

Ringkasan Alat dalam Pemodelan Hubungan Spasial

Toolset
Alat

Deskripsi

Generate network spatial weights

Membangun spasial berkas bobot matriks

menentukan hubungan spasial antara fitur-fitur di
kelas fitur berdasarkan pada jaringan dataset
Membangun spasial berkas bobot matriks

Generate spatial weights matrix

Menentukan hubungan spasial antara fitur-fitur di
Geographically weighted regression

kelas fitur regresi geografis tertimbang

suatu bentuk lokal dari regresi linear digunakan
untuk model spasial bervariasi kapal hubungan
antara himpunan variabel data biasa regresi
kuadrat terkecil.
Melakukan regresi linear global untuk memodelkan

Ordinary least squares regression

hubungan antara satu set variabel data

Analisis

regresi dapat digunakan untuk

model, memeriksa, dan menjelajahi
hubungan spasial, dalam rangka untuk
lebih memahami faktor-faktor di balik pola
spasial yang diamati atau untuk
memprediksi hasil spasial.
Model global, seperti OLS, didasarkan
pada asumsi bahwa hubungan yang statis
dan konsisten di seluruh wilayah studi.
Ketika hubungan berperilaku berbeda di
bagian terpisah dari wilayah studi model
global menjadi kurang efektif.

Alat OLS secara otomatis memeriksa

mulitikolinieritas menghitung probabilitas
koefisien, kesalahan standar, dan indeks
signifikansi model secara keseluruhan yang kuat
untuk heteroskedastisitas. Online dokumentasi
bantuan untuk alat ini memberikan panduan
pemula untuk analisis regresi, disarankan
petunjuk langkah demi langkah untuk proses
pembentukan model, tabel menguraikan dan
hati-hati menjelaskan tantangan dan potensi
jebakan yang terkait dengan menggunakan
analisis regresi dengan data spasial, dan
rekomendasi untuk bagaimana mengatasi
masalah potensial.

Model

lokal, seperti GWR, membuat

persamaan untuk setiap fitur dalam
dataset, kalibrasi masing-masing
menggunakan fitur target dan
tetangganya. Fitur terdekat memiliki
berat yang lebih tinggi di kalibrasi dari
fitur-fitur yang lebih jauh.
GWR mengakomodasi jenis timbulnya
perbedaan regional dalam regresi

Default Output dari Alat Regresi Adalah

Peta Model di Atas dan Bawah Prediksi

Pengembangan Alat
Custom

alat dalam perangkat

Statistik Spasial dikembangkan
menggunakan metode yang sama
dan teknik pengguna ArcGIS
mungkin mengadopsi untuk
membuat sendiri alat khusus.
Menggambarkan extendibility dari
ArcGIS, dan komitmen ESRI untuk
menyediakan kerangka kerja untuk
pengembangan alat khusus.

Cara

termudah untuk membuat alat

baru dalam rangka geoprocessing
adalah dengan menggunakan Model
Builder untuk alat yang ada. Alat Model
yang dihasilkan kemudian dapat
diekspor ke Python dan diperpanjang
dengan kode custom.
Untuk pengembang perangkat lunak,
kerangka geoprocessing menawarkan
pilihan canggih untuk pengembangan
alat khusus.

Alat skrip python dapat dijalankan

dalam proses , sehingga antarmuka
kohesif yang meningkatkan kinerja dan
kegunaan. Numerik Python (NumPy)
memberikan jalan untuk melakukan
operasi matematika yang rumit
(Oliphant 2006), dan saat ini bagian dari
pemasangan perangkat lunak ArcGIS.

Halaman Web Geoprocessing Pusat

Sumber Daya

Komentar Penutup
Perangkat Statistik Spasial memberikan analisis dan
analisis regresi kemampuan pola fitur dalam ArcGIS
mana pengguna dapat memanfaatkan, langsung,
semua manajemen database yang kuat dan fungsi
kartografi. Kode sumber untuk alat ini disediakan
dalam kerangka geoprocessing yang mendorong
pembangunan dan berbagi alat custom dan metode.
Orang dan organisasi mengembangkan alat Python
custom dapat memanfaatkan perpustakaan yang
ada, pemikiran-dokumen, skrip sampel, dan
dukungan dari komunitas pengembang di seluruh
dunia software Python.

Pendahuluan
Perkembangan perangkat lunak khusus
untuk analisis data spasial telah
memperlihatkan pertumbuhan yang cepat
sebagai kurangnya alat-alat seperti itu
sangat disesalkan di akhir 1980an
Perhatian cenderung berfokus pada isu-isu
konseptual, seperti bagaimana
mengintegrasikan metode statistik spasial
dan lingkungan GIS dan teknik yang akan
paling berhasil termasuk dalam kerangka
tersebut.

Berkembang

usaha open source

menggunakan lingkungan software seperti
R, Java, dan Python.
Instrumen utama dalam mensosialisasikan
dan memfasilitasi analisis data spasial
akan menjadi paket perangkat lunak yang
mudah digunakan, visual, dan interaktif
yang ditujukan untuk pengguna non-GIS
dan membutuhkan sesedikit mungkin
dalam hal perangkat lunak lainnya (seperti
sebagai GIS atau paket statistik). GeoDa
adalah hasil dari upaya ini.

Tujuan utama dari GeoDa adalah untuk

menyediakan pengguna dengan jalur alami
melalui data spasial latihan analisis empiris,
dimulai dengan pemetaan sederhana dan
geovisualisasi, pindah ke eksplorasi, analisis
autokorelasi spasial, dan berakhir dengan
regresi spasial.
GeoDa adalah penciptaan kembali dari
SpaceStat paket asli (Anselin 1992), yang
sekarang telah menjadi cukup tanggal, dengan
hanya antarmuka pengguna yang belum
sempurna, arsitektur kuno, dan kendala
kinerja untuk media dan set data yang besar.

Penggunaan

menghubungkan dinamis dan

brushing sebagai teknik pengorganisasian
sentral untuk data visualisasi memiliki
tradisi kuat dalam analisis data eksplorasi
(EDA), akan kembali ke gagasan terkait plot
pencar brushing (Stuetzle 1987) dan
berbagai Spasial Luc Anselin et al.
Beberapa toolkit modern untuk eksplorasi
analisis data spasial (ESDA) juga
menggabungkan dan menghubungkan
dinamis, dan, pada tingkat lebih rendah,
brushing.

GeoDa

ini menghubungkan dalam

implementasi ini dibatasi oleh arsitektur
GIS, yang membatasi proses
menghubungkan ke peta tunggal (di
GeoDa, tidak ada batasan pada jumlah
peta terkait).
GeoDa adalah (masih) kotak tertutup,
tetapi paket ini menyediakan bentuk
paling luas dan fleksibel
menghubungkan dinamis dan menyikat
untuk kedua grafik dan peta.

Statistik

autokorelasi spasial umum,

seperti Moran I dan bahkan Moran lokal,
semakin bagian dari perangkat lunak
analisis spasial, mulai dari CrimeStat
(Levine 2006), ke spdep dan paket
DCluster tersedia pada luas jaringan R
arsip open source (CRAN), 3 serta paket
komersial, seperti statistik spasial
toolbox dari rilis mendatang ArcGIS 9.0
(ESRI 2004).

Desain dan Fungsionalitas

Desain GeoDa terdiri dari lingkungan
yang interaktif yang
menggabungkan peta dengan grafik
statistik, menggunakan teknologi
dari jendela terkait secara dinamis.
Hal ini ditujukan untuk analisis data
geospasial diskrit, yaitu, objek yang
ditandai dengan lokasi mereka
dalam ruang baik sebagai poin
(koordinat titik) atau poligon (batas
poligon koordinat).

Fungsionalitas yang analitis diimplementasikan

secara modular, sebagai koleksi kelas C++ dengan
metode terkait.
Dalam arti luas, fungsi tersebut dapat
diklasifikasikan ke dalam enam kategori:
Manipulasi data spasial dan utilitas: data input,
output, dan konversi.
Data transformasi variabel dan penciptaan
variabel baru.
Pemetaan: peta choropleth, cartogram dan peta
animasi.
EDA: grafis statistik.
Autokorelasi spasial: statistik autokorelasi spasial
global dan lokal, dengan kesimpulan dan
visualisasi.

Sebagian

besar antarmuka grafis

mengimplementasikan lima kelas dasar jendela:
histogram, kotak peta plot, scatter plot (termasuk
Moran scatter plot), dan grid (untuk pemilihan
tabel dan perhitungan).
Peta choropleth, termasuk makna dan klaster peta
untuk indikator lokal autokorelasi spasial (LISA),
yang berasal dari kelas MapObjects.
Tiga jenis tambahan peta dikembangkan dari awal
dan tidak menggunakan MapObjects: film peta
(peta animasi), cartogram, dan peta bersyarat. Plot
pencar tiga dimensi diimplementasikan dengan
perpustakaan OpenGL.

Ikhtisar Fungsi GeoDa

Kategori

Fungsi

Data spasial

Input data dari file bentuk (titik,

poligon)
Input data dari teks (ke titik atau
bentuk poligon)
Data output ke teks (data atau
bentuk file) Membuat jaringan
bentuk poligon file dari input teks
perhitungan centroid
Thiessen poligon

Transformasi data

Variabel transformasi (log, exp,

dll) query, variabel dummy
(variabel rezim) variabel aljabar
(penjumlahan, perkalian, dll) lag
spasial perhitungan tingkat
konstruksi variabel dan
merapikan data yang bergabung.

Kategori

Fungsi

Pemetaan

Generik kuantil peta choropleth.

Standar deviasi peta
Peta persentil
Peta outlier (kotak peta)
Cartogram circular
Peta film
Peta kondisi
Merapikan peta tingkat (EB, halus
spasial) Kelebihan peta rata (tingkat
kematian standar, SMR) histogram.

EDA

Kotak petak
scatter plot
paralel mengkoordinasikan rencana
tiga dimensi scatter plot alur
bersyarat (histogram, box plot,
scatter plot)

Kategori

Fungsi

Spasial autokorelasi

Spasial bobot penciptaan (benteng,

queen, jarak, k-terdekat) yang lebih
tinggi bobot spasial tata ruang bobot
karakteristik (keterhubungan
histogram)
Moran scatter plot dengan inferensi
bivariat Moran scatter plot dengan
inferensi scatter plot Moran untuk
tarif (EB standardisasi) lokal Moran
signifikansi peta lokal
Moran lokal peta kluster
Moran lokal bivariat
Moran untuk dasar (EB
standardisasi)

Regresi Spasial

OLS dengan diagnostik (misalnya,

uji LM, MOTAN I)
Maximum Likelihood Spasial Model
Lag
Maximum Likelihood Spasial Error
Model
Prediksi nilai peta

Pemetaan dan Geovisualisasi

Sebagian

besar pemetaan dan

fungsi geovisualisasi terdiri dari
kumpulan peta choropleth khusus,
difokuskan pada menyoroti outlier
dalam data , apa yang disebut peta
box (Anselin 1999). Selain itu,
kemampuan yang cukup disertakan
untuk menangani ketidakstabilan
varians intrinsik dari dasar, dalam
bentuk empiris Bayes (EB) atau
spasial smoothers.

Seperti disebutkan dalam '' Desain dan

fungsi, '' operasi pemetaan
menggunakan kelas yang terkandung di
ESRI MapObjects, diperpanjang dengan
kemampuan untuk menghubungkan
dan brushing.
GeoDa juga termasuk cartogram
melingkar, 7 peta animasi dalam
bentuk film peta, dan peta bersyarat.

Pembukaan Layar dengan Item Menu dan

Tombol Toolbar

Contoh : Linked peta box, box plot, dan

cartogram, angka kematian kanker prostat
baku .

Keterangan:
Analisis data yang kita membangun
peta kotak dengan menentukan jumlah
kematian sebagai pembilang dan
penduduk sebagai denominator. Peta
yang dihasilkan sebagai dasar mentah
(yaitu, tanpa penyesuaian untuk
berbeda distribusi usia atau faktor lain
yang relevan) ditampilkan sebagai kiri
atas panel

Tiga

negara bagian yang diidentifikasi

sebagai outlier dan ditampilkan warna
merah tua ini cocok dengan outlier yang
dipilih dalam kotak petak di panel kiri
bawah gambar.
Menghubungkan semua peta dan hasil
grafik di daerah tersebut juga menjadi
lintasan pada peta.

Panel

kanan pada gambar merupakan peta tingkat

smoothing, di mana dasar diubah dengan cara
prosedur empiris Bayes untuk menghilangkan efek
dari berbagai populasi yang berisiko.
outlier atas adalah hampir tidak dibedakan, karena
daerah kecil dari daerah yang
bersangkutancartogram melingkar ditampilkan di
panel kanan bawah, di mana area lingkaran
sebanding dengan nilai tingkat merapikan EB. Outlier
atas ditampilkan sebagai lingkaran merah, yang lebih
rendah sebagai lingkaran biru. Lingkaran kuning
adalah daerah yang outlier dalam peta tingkat dasar,
disorot di sini sebagai akibat dari menghubungkan
dengan peta lain dan grafik.

Multivariate EDA
Analisis data multivariat eksplorasi
diimplementasikan dalam GeoDa
dengan menghubungkan dan
brushing antara koleksi grafik
statistik. Ini termasuk histogram
biasa, box plot, dan scatter plot,
tetapi juga paralel koordinat plot
(PCP) dan tiga dimensi scatter plot,
serta plot bersyarat (histogram
bersyarat, box plot, dan scatter
plot).

Multivariat Analisis Data Eksplorasi

dengan Menghubungkan dan Brushing

Analisis Autokorelasi Spasial

Analisis autokorelasi spasial meliputi tes dan
visualisasi baik global (uji untuk clustering) dan
lokal (tes untuk cluster) Moran I statistik. Tes
global divisualisasikan dengan cara scatter plot
Moran (Anselin 1996), di mana kemiringan garis
regresi sesuai dengan Moran I. Signifikansi
didasarkan pada tes permutasi. Tradisional
univariat Moran scatter plot telah diperpanjang
untuk menggambarkan autokorelasi spasial
bivariat juga, yaitu korelasi antara satu variabel
di lokasi, dan variabel yang berbeda di lokasi
tetangga (Anselin, Syabri, dan Smirnov 2002a).

Indikator Lokal dari Peta Autokorelasi

Klaster Spasial dan Peta signifikansi.

Regresi Spasial
Pada versi 0.9.5-i, GeoDa juga mencakup
tingkat yang terbatas dari fungsi regresi
spasial. Diagnostik dasar untuk
autokorelasi spasial, heteroskedastisitas
dan nonnormalitas, diterapkan untuk OLS
biasa. Estimasi lag spasial dan model
spasial error didukung oleh sarana metode
maksimum likelihood (ML) . Selain estimasi
sendiri, diperkirakan nilai-nilai dan residual
dihitung dan dibuat tersedia untuk
pemetaan.

Estimasi ML di GeoDa membedakan dirinya dengan

menggunakan algoritma yang sangat efisien yang
memungkinkan estimasi model untuk set data yang
sangat besar. Penyederhanaan nilai eigen standar
digunakan untuk data set hingga 1000
pengamatan. Di luar itu, algoritma jarang yang
digunakan, yang mengeksploitasi polinomial
karakteristik yang terkait dengan bobot matriks
spasial. Algoritma ini memungkinkan estimasi set
data yang sangat besar dalam waktu yang cukup
beralasan. Selain itu, GeoDa mengimplementasikan
algoritma baru untuk menghitung matriks varians
asimtotik untuk semua koefisien model (yaitu,
termasuk kedua koefisien spasial dan nonspatial).

Estimasi Maksimum Likelihood dari

Model Spasial Error

Arah Masa Depan

GeoDa adalah pekerjaan yang sedang
berjalan dan masih dalam pengembangan
aktif. Pertama dan terpenting adalah upaya
untuk membuat kode platform yang lintas dan
open source. Hal ini membutuhkan perubahan
yang cukup besar dalam antarmuka grafis,
bergerak dari MFC yang standar dalam
berbagai rasa MS Windows, untuk alternatif
cross-platform.Membuat kode open source
saat ini dilarang oleh ketergantungan pada
kode berpemilik di ESRI MapObjects.