Klasifikasi Data - ArcGIS.pdf PDF

Preview

Summary

R. Stevanus Fahrezza Pramainanta (15115041) Geodesy and Geomatics Engineering Faculty of Earth Sciences and Technology, Institute of Technology Bandung, Indonesia [email protected] I. Ringkasan Materi Pada dasarnya, data yang diperoleh dari pengukuran atau suatu pengamatan merupak...

Description

R. Stevanus Fahrezza Pramainanta (15115041) Geodesy and Geomatics Engineering Faculty of Earth Sciences and Technology, Institute of Technology Bandung, Indonesia [email protected] I.

Ringkasan Materi Pada dasarnya, data yang diperoleh dari pengukuran atau suatu pengamatan merupakan data mentah (raw data) yang mana berisikan deretan-deretan angka yang acak dan sulit dimengerti. Agar data mentah ini menghasilkan informasi yang mudah untuk didaptkan, maka perlu dilakukan klasifikasi data. Klasifikasi data adalah pengelompokan data sesuai karakteristik yang dimiliki dengan keperluan pengelompokan data (www.depkop.go.id). Tujuan dari klasifikasi data adalah sebagai berikut: 1. Mengelempokkan sifa-sifat yang sama ke dalam kelompok atau kelas yang sama 2. Memudahkan perbandingan 3. Mengelompokkan informasi penting dan menghilangkan hal-hal yang tidak perlu 4. Menunjukkan sifat yang menonjol sehingga mudah dilihat sekilas 5. Memudahkan perlakukan statistik selanjutnya atas data yang telah dikumpulkan, misalnya untuk analisis, interpretasi, atau penyusunan laporan Ada beberapa metode standart dalam klasifikasi yang digunakan dalam perangkat lunak ArcGIS sebagai berikut (ESRI, 2006): 1. Equal Interval Metode equal interval membagi interval yang sama pada masing-masing kelas. Klasifikasi equal interval digunakan untuk menekankan jumlah relatif nilai atribut terhadap nilai lain, contoh terdapat nilai attribute 0 sampai 300 dan memiliki 3 kelas. Pada setiap kelasnya memiliki jangkauan 100, maka nilai interval menjadi 0-100, 101-200, dan 201-300. Klasifikasi equal interval ideal untuk data yang mempunyai jangkauan yang familiar, misal persentase atau suhu. Keuntungan: Menyajikan informasi kepada user non-teknis dan lebih mudah untuk mengerti nilai-nilai. 2. Quantile Pada metode klasifikasi Quantile, setiap kelas mempunyai jumlah fitur yang sama. Klasifikasi Quantile cocok untuk data yang mempunyai distribusi linear. 3. Natural Breaks (Jenks) Metode ini menentukan titik pada data dengan melihat pengelompokan dan pola data. Data yang digunakan mempunyai jangkauan dari yang terkecil sampai yang besar. Data kemudian dibagi-bagi dengan batas-batas yang ditentukan berdasarkan nilai jangkauan terbesar. 4. Standart Deviasi (Standart Deviation) Metode standart deviasi menunjukkan perbedaaan nilai atribut terhadap mean. Jika data diklasifikasi menggunakan standard deviasi, ArcGIS mencari nilai mean dan menempatkan kelas diatas dan dibawah mean pada interval 1; 0,5; dan 0,25 dari standard deviasi sampai semua nilai data dimasukkan dalam kelas. 5. Geometric Interval Jenis skema klasifikasi untuk mengklasifikasikan berbagai nilai berdasarkan perkembangan geometrik. Dalam skema klasifikasi ini, kelas didasarkan pada interval kelas yang memiliki deret geometris. Metode klasifikasi ini berguna untuk memvisualisasikan data yang tidak terdistribusi secara normal, atau bila distribusinya sangat miring. Klasifikasi interval Geometris lebih baik daripada kuantil untuk memvisualisasikan prediksi prediksi, yang seringkali tidak memiliki distribusi data normal. Interval geometrik bekerja paling baik bila data tersebar di area yang luas dan tidak terdistribusi dengan baik. 6. Defined Interval Merupakan metode equal interval, namun ukuran interval yang dipilih didapatkan dengan rumus (High - Low)/N, yang dipilih oleh pengguna dan disesuaikan sehingga memiliki interval angka yang terlihat bagus.

II. Metodologi Berikut ditampilkan dalam flow chart metodologi dari praktikum ini:

Menyiapkan data teks batimetricongkak

Import data text btimetricongkak ke ArcGIS End

Konversi data text dan tabular menjadi vector, dengan membuat shapefile pada ARCGIS Pembuatan laporan

Visualisasi data shapefile, berupa depth sounding Hasil klasifikasi berupa histogram, kelas, dan visualisasi interpolasinya Melakukan interpolasi data depth menggunakan metode krigging

Visualisasi interpolasi data vektor depth

Mengimport hasil interpolasi menjadi data raster

Kalsifikasi data dengan menggunakan metodemetode yang ditentukan, dengan jumlah kelas 6 (kecuali untuk metode standar deiasi)

Visualisasi interpolasi data raster depth

III. Hasil 1.

Dari praktikum ini, didapatkan histogram dari kelima data, sebagai berikut: Equal Interval

2.

Defined Interval

3.

Quantile

4.

Natural Breaks (Jenks)

5.

Geometrical Interval

6.

Standard Deviation

IV. Analisis Diketahui, pada praktikum ini digunakan set data dengan karakteristik berbentuk J Shape Left Peak yang terlihat pada histogram (dari masing-masing metode), yang mana dapat disimpulkan sebaran data pada dataset ini tidak normal. Dari bab “Ringkasan Materi”, sudah dapat kita ketahui bahwa metode terbaik untuk suatu set data yang tidak normal adalah metode klasifikasi Geometrical Interval, yang mana klasifikasi ini meitikberatkan pada bentukan geometri suatu data set. Dari bab “Hasil” kita juga dapat melihat bahwa visualisasi yang cukup detail terdapat pada klasifikasi Geometrical Interval dan metode Quantile. Namun pada kedua metode tersebut, terdapat perbedaan pada pendefinisan kelas, yang mengakibatkan perbedaan sejumlah area yang digambarkan dalam symbol warna. Pembagian kelas pada metode quantile mengakibatkan kesamaan jumlah data pada setiap kelas, namun dengan interval kelas yang berbeda-beda. Metode ini dinilai masih memiliki kekurangan untuk data set ini, karena dengan jumlah data yang sama untuk setiap kelasnya, memungkinkan adanya ketidaksamaan sifat distribusi data pada suatu kelas. Kemudian jika dilihat pada metode Equal Interval, diperoleh hasil visualisasi yang kurang begitu detail, karena memang metode ini sesuai apabila data set bersifat normal. Dengan metode ini, interval dari setiap kelas memiliki nilai yang sama, dan memungkinkan adanya data dengan sifat distribusi yang sama terbagi-bagi dalam kelas yang berbeda, sehingga pada bentukan visualisasi diperoleh hasil yang kurang „ekstream‟ pada distribusi frekuensinya. Pada metode Natural Break juga tidak ditemukan kesesuaian dengan data set ini, karena metode ini pada hakikatnya menggunakan jangkauan terbesar sebagai patokan pembuatan kelas, yang mana pada data set ini jangkauan terbesar ada pada left peak yang bersifat ekstream, sehingga pembagian kelas pada metode ini pun tidak memperlihatkan distribusi data pada frekuensi yang kecil. Pada metode Standar Deviation, meskipun metode ini memperhatikan sebaran data, namun karena pembagian kelas didasarkan pada uji statistic 0.25; 0.5; 0.75; dan 1 sigma, yang mana hanya menghasilkan empat kelas, maka metode ini bersifat sebagai penyederhanaan dari distribusi data yang ada (kurang detail pada frekuensi tertentu). Kemudian pada metode Defined Interval diperoleh visualisasi yang cukup detail, yang kemungkinan terjadi karena pembagaian kelas yang cukup sesuai dengan data set ini. Pada dasarnya metode ini sama dengan metode Equal Interval, namun dengan interval yang bernilai bulat/baik, yang didasarkan atas range data.

V. Kesimpulan

1. 2.

Dari praktikum ini, maka dapat disimpulkan beberapa hal sebagai berikut: Metode Geometrical Interval merupakan metode yang paling sesuai dengan data set ini. Dari hasil visualisasi metode lainnya, didapatkan:  Metode Quantile, jumlah data yang sama pada setiap interval memungkinkan ketidaksamaan distribusi data pada suatu kelas  Equal Interval, interval data yang sama, cocok digunakan pada distribusi data yang normal  Natural Break, dengan pola data yang ekstream di sisi kiri (left peak) maka data-data dengan distribusi yang kecil tidak terlihat  Standar Deviation, kurang memperlihatkan frekuensi data yang kecil akibt penyederhanaan 4 kelas (0.25; 0.5; 0.75; dan 1 sigma)  Defined Interval, memiliki konsep yang serupa dengan equal interval.

VI. Daftar Pustaka Wiki.GIS. 2017. Classification. http://wiki.gis.com/wiki/index.php/Geometric_Interval_Classificationl. Diakses pada 14 Februari 2018. Tomaskumoro, Gilang. 2012. Metode Klasifikasi Data. http://gilangtomaskumoro.blogspot .co.id/2012/04/metode-klasifikasi-data.html. Diakses pada 14 Februari 2018. Wikipedia. 2014. Klasifikasi. https://id.wikipedia.org/wiki/Klasifikasi. Diakses pada 14 Februari 2018....