BAB I PENDAHULUAN

Latar Belakang

Statistika spasial merupakan cabang ilmu statistika yang fokus pada analisis data yang memiliki komponen lokasi geografis atau kewilayahan. Perkembangannya semakin pesat seiring meningkatnya kebutuhan untuk memahami pola, hubungan, dan keterkaitan antarwilayah yang tidak dapat dijelaskan hanya melalui analisis statistik konvensional. Berbeda dengan statistika klasik yang mengasumsikan independensi antarobservasi, statistika spasial mengakomodasi adanya autokorelasi spasial, yaitu kondisi ketika suatu wilayah dapat dipengaruhi oleh karakteristik wilayah di sekitarnya (Aswi & Sukarna, 2022). Tipe data spasial terbagi atas data vektor dan data raster. Data vektor mencakup data titik, data garis, dan data poligon yang masing-masing merepresentasikan posisi, hubungan, serta batas wilayah secara geografis (Modul Praktikum, 2025). Dengan memanfaatkan teknik kuantitatif pada data spasial tersebut, pengguna dapat menggali wawasan yang tidak tampak dari analisis tabular biasa, seperti kecenderungan clustering atau keterkaitan spasial yang signifikan.

Visualisasi data spasial menggambarkan pola sebaran suatu kejadian atau objek di permukaan bumi melalui representasi peta yang memudahkan interpretasi data kompleks dengan atribut geografis. Pendekatan ini membantu penyampaian informasi secara lebih cepat dan mudah dipahami dibandingkan hanya menggunakan tabel atau angka statistik. Indonesia sebagai negara kepulauan dengan aktivitas seismik tinggi memiliki tingkat kerentanan yang besar terhadap bencana gempa bumi, terutama pada wilayah yang berada di zona pertemuan lempeng tektonik. Dalam konteks tersebut, visualisasi data spasial menjadi instrumen penting untuk mengidentifikasi pola distribusi episenter gempa, menganalisis zona rawan, dan memahami karakteristik seismisitas wilayah.

Pemanfaatan program R dalam visualisasi data spasial memberikan kemudahan untuk mengolah, menganalisis, dan menampilkan informasi geografis secara efektif. Beragam package seperti sf, ggplot2, dan rnaturalearth memungkinkan pengguna untuk mengimpor data koordinat, mengonversinya menjadi objek spasial, serta menampilkan peta tematik yang informatif dan estetik. Melalui program R, analisis spasial seperti sebaran titik gempa, kedalaman, maupun magnitudo dapat divisualisasikan secara interaktif sehingga pola ruang lebih mudah dikenali. Pendekatan ini tidak hanya meningkatkan pemahaman terhadap fenomena geografis, tetapi juga mendukung penyusunan kebijakan berbasis data yang lebih akurat dan transparan (Widodo, 2024).

Rumusan Masalah

  1. Bagaimana cara membuat peta menggunakan bahasa pemrograman R?
  2. Bagaimana cara menampilkan data titik spasial pada peta menggunakan R?

Tujuan Praktikum

  1. Dapat membuat peta dengan paket pemrograman R
  2. Dapat membuat peta dengan data titik spasial pada R

Batasan Masalah

  1. Buatlah peta epicenter gempa bumi di Indonesia pada tahun 2024 (gunakan packages R yang dianggap gampang, setiap praktikan menggambarkan peta provinsi yang berbeda).
  2. Buatlah peta semua provinsi di Indonesia dengan memberikan warna yang berbeda pada setiap kab/kota (setiap praktikan membuat peta provinsi yang berbeda).


BAB II HASIL DAN PEMBAHASAN

Sintaks dan Output

Pemanggilan library

library(sf)
library(ggplot2)
library(dplyr)
library(rnaturalearth)
library(rnaturalearthdata)
library(viridis)
library(RColorBrewer)

Import data gempa dan Konversi ke data spasial

knitr::opts_chunk$set(echo = TRUE)
data <- read.csv("D:/PRAKTIKUM/SMT 7/Data Praktikum/data gempa sumbar 2024.csv")
head(data[, c("time", "latitude", "longitude", "depth", "mag")])
##                       time latitude longitude   depth mag
## 1 2024-01-03T19:11:18.148Z   0.7080  100.4740 222.317 4.3
## 2 2024-01-08T09:51:30.178Z  -2.2840   99.6708  17.148 5.2
## 3 2024-01-18T22:05:35.793Z  -0.4098   99.1052  55.463 4.6
## 4 2024-01-20T16:35:40.192Z  -0.2108  100.8363 194.620 4.4
## 5 2024-01-23T09:05:01.768Z  -1.5186  100.5675  88.018 4.6
## 6 2024-01-24T03:58:55.498Z  -3.3874  100.4953  26.641 4.2
gempasf_sumbar <- st_as_sf(data, coords = c("longitude", "latitude"), crs = 4326)

Mengambil batas administrasi Indonesia dan filter untuk Provinsi Sumatera Barat

knitr::opts_chunk$set(echo = TRUE)
indo <- ne_states(country = "indonesia", returnclass = "sf")
sumbar <- indo %>% filter(name == "Sumatera Barat")

Membuat visualisasi sebaran titik gempa di wilayah Sumatera Barat tanpa shapefile

knitr::opts_chunk$set(echo = TRUE)
# Plot peta sebaran gempa tanpa shp hanya packages dari sf
ggplot() +
  geom_sf(data = sumbar, fill = "gray", color = "black") +
  geom_sf(data = gempasf_sumbar, aes(size = mag, color = depth), alpha = 0.7) + 
  scale_color_viridis(option = "plasma", name = "Kedalaman (km)") +
  scale_size_continuous(name = "Magnitudo", range = c(2, 6)) +
  labs(title = "Sebaran Gempa di Provinsi Sumatera Barat Tahun 2024",
       subtitle = "Sumber: USGS",
       x = "Longitude", y = "Latitude",
       caption = "Visualisasi: ggplot2 + sf") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 14),
        legend.position = "right")

Pemanggilan shapefile Sumatera Barat

knitr::opts_chunk$set(echo = TRUE)
setwd("D:/PRAKTIKUM/SMT 7/Data Praktikum/gadm41_IDN_shp")
indonesia_shp <- st_read("gadm41_IDN_2.shp")
## Reading layer `gadm41_IDN_2' from data source 
##   `D:\PRAKTIKUM\SMT 7\Data Praktikum\gadm41_IDN_shp\gadm41_IDN_2.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 502 features and 13 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 95.00971 ymin: -11.00761 xmax: 141.0194 ymax: 6.076941
## Geodetic CRS:  WGS 84
sumbar_shp <- indonesia_shp %>%
  filter(NAME_1 == "Sumatera Barat")  # Filter hanya Provinsi Sumatera Barat
sumbar_shp <- subset(sumbar_shp, NAME_2 != "Danau")
head(sumbar_shp)
## Simple feature collection with 6 features and 13 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 98.59668 ymin: -3.350002 xmax: 101.8929 ymax: 0.4243829
## Geodetic CRS:  WGS 84
##        GID_2 GID_0   COUNTRY    GID_1         NAME_1 NL_NAME_1
## 1 IDN.30.1_1   IDN Indonesia IDN.30_1 Sumatera Barat        NA
## 2 IDN.30.2_1   IDN Indonesia IDN.30_1 Sumatera Barat        NA
## 4 IDN.30.4_1   IDN Indonesia IDN.30_1 Sumatera Barat        NA
## 5 IDN.30.5_1   IDN Indonesia IDN.30_1 Sumatera Barat        NA
## 6 IDN.30.6_1   IDN Indonesia IDN.30_1 Sumatera Barat        NA
## 7 IDN.30.7_1   IDN Indonesia IDN.30_1 Sumatera Barat        NA
##               NAME_2 VARNAME_2 NL_NAME_2    TYPE_2 ENGTYPE_2 CC_2   HASC_2
## 1               Agam        NA        NA Kabupaten   Regency 1307 ID.SB.AG
## 2        Bukittinggi        NA        NA      Kota      City 1375 ID.SB.BU
## 4        Dharmasraya        NA        NA Kabupaten   Regency 1311 ID.SB.DH
## 5 Kepulauan Mentawai        NA        NA Kabupaten   Regency 1301 ID.SB.KM
## 6         Kota Solok        NA        NA      Kota      City 1372 ID.SB.SM
## 7    Lima Puluh Kota        NA        NA Kabupaten   Regency 1308 ID.SB.LP
##                         geometry
## 1 MULTIPOLYGON (((100.3766 -0...
## 2 MULTIPOLYGON (((100.3906 -0...
## 4 MULTIPOLYGON (((101.6276 -1...
## 5 MULTIPOLYGON (((100.3405 -3...
## 6 MULTIPOLYGON (((100.6731 -0...
## 7 MULTIPOLYGON (((100.8435 -0...
print(unique(sumbar_shp$NAME_2)) # Lihat daftar kabupaten/kota
##  [1] "Agam"               "Bukittinggi"        "Dharmasraya"       
##  [4] "Kepulauan Mentawai" "Kota Solok"         "Lima Puluh Kota"   
##  [7] "Padang"             "Padang Panjang"     "Padang Pariaman"   
## [10] "Pariaman"           "Pasaman"            "Pasaman Barat"     
## [13] "Payakumbuh"         "Pesisir Selatan"    "Sawahlunto"        
## [16] "Sijunjung"          "Solok"              "Solok Selatan"     
## [19] "Tanah Datar"

Membuat peta sebaran gempa dengan batas kabupaten/kota dari shapefile serta titik lokasi gempa

knitr::opts_chunk$set(echo = TRUE)
ggplot(sumbar_shp) +
  geom_sf(aes(fill = NAME_2), color = "black", size = 0.4) +
  geom_sf(data = gempasf_sumbar, aes(size = mag, color = depth), alpha = 0.7) +
  guides(fill = "none") +
  scale_color_viridis(option = "plasma", name = "Kedalaman (km)") +
  scale_size_continuous(name = "Magnitudo", range = c(2, 6)) +
  labs(title = "Sebaran Gempa Utama di Provinsi Sumatera Barat 2024",
       subtitle = "Sumber: USGS",
       x = "Longitude", y = "Latitude",
       caption = "Visualisasi: ggplot2 + sf") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 14),
        legend.position = "right")

Pembahasan

Pada batasan masalah nomor 1, diperintahkan untuk membuat peta episentrum gempa bumi di Indonesia tahun 2024 dengan menggunakan packages R yang dianggap paling efisien. Berdasarkan output peta 1, ditampilkan visualisasi sebaran episentrum gempa di Provinsi Sumatera Barat tahun 2024 yang bersumber dari data USGS. Setiap titik pada peta menggambarkan lokasi episentrum gempa, di mana ukuran lingkaran merepresentasikan besarnya magnitudo dan gradasi warna menunjukkan kedalaman gempa dalam satuan kilometer. Sebaran episentrum tampak dominan di wilayah pesisir barat dan sebagian area tengah provinsi. Berdasarkan hasil visualisasi, kedalaman gempa berkisar antara 30 hingga lebih dari 200 km, dengan dominasi warna ungu hingga merah muda yang merepresentasikan gempa menengah hingga dalam, sementara gempa dangkal berwarna kuning relatif lebih sedikit namun berpotensi menimbulkan dampak yang lebih besar. Kisaran magnitudo gempa umumnya berada antara 4,0 hingga 5,0 Skala Richter, dengan beberapa kejadian bermagnitudo lebih tinggi yang terlihat dari simbol berukuran lebih besar.

Pada batasan masalah nomor 2, diperintahkan untuk membuat peta seluruh provinsi di Indonesia dengan perbedaan warna pada setiap kabupaten atau kota. Berdasarkan output peta 2, divisualisasikan batas administratif Provinsi Sumatera Barat dengan pewarnaan berbeda pada tiap kabupaten/kota, kemudian dioverlay dengan titik episentrum gempa tahun 2024. Setiap wilayah administratif memiliki warna tersendiri untuk menonjolkan perbedaan batas wilayah dan memudahkan identifikasi persebaran gempa berdasarkan konteks administratif. Dari hasil visualisasi, terlihat bahwa wilayah pesisir provinsi menunjukkan frekuensi kejadian gempa yang lebih tinggi dibandingkan dengan kabupaten/kota di bagian pedalaman.



BAB III KESIMPULAN

Data spasial merupakan jenis data yang memiliki informasi posisi geografis dan dapat digunakan untuk memahami pola, persebaran, serta hubungan antar fenomena di permukaan bumi. Visualisasi data spasial menggunakan R memungkinkan pengolahan dan penyajian informasi geografis menjadi bentuk peta yang mudah dibaca dan dianalisis. Melalui pemetaan ini, data yang semula berupa koordinat atau atribut numerik dapat diubah menjadi representasi visual yang memberikan gambaran nyata mengenai karakteristik wilayah, sehingga membantu proses analisis geospasial secara lebih efektif dan terarah.

Pembuatan peta dan penampilan titik spasial pada praktikum ini dilakukan menggunakan library sf, ggplot2, dan rnaturalearth. Hasil visualisasi menunjukkan sebaran episentrum gempa bumi di Provinsi Sumatera Barat tahun 2024 yang terkonsentrasi di wilayah pesisir barat dan sebagian wilayah tengah, dengan variasi kedalaman gempa antara 30 hingga lebih dari 200 km. Peta administratif menampilkan batas kabupaten/kota dengan warna berbeda dan memperlihatkan bahwa daerah pesisir memiliki intensitas gempa lebih tinggi dibandingkan pedalaman. Visualisasi ini memberikan gambaran yang jelas mengenai distribusi gempa di wilayah Sumatera Barat dan menunjukkan efektivitas R dalam menampilkan data spasial secara informatif serta analitis.



DAFTAR PUSTAKA

Aswi, A., & Sukarna, S. (2022). Pemodelan Bayesian Spasial Conditional Autoregressive (CAR) Pada Kasus Demam Berdarah Dengue Di Indonesia. JMSA: Jurnal Matematika dan Statistika serta Aplikasinya, 10(1), 32-39.

Program Studi Statistika. (2025). Modul Praktikum Pengantar Statistika Spasial Pertemuan 1: Visualisasi Data Spasial dengan R. Universitas Bengkulu.

Widodo, B., Sastrawan, U., & Kuntari, W. (2024). Comparison of R Packages for Spatial Data Analysis in Social Research. Jurnal Sosial Terapan, 2(2), 46-52.