LAPORAN PRAKTIKUM
PERTEMUAN I
PENGANTAR STATISTIKA SPASIAL

Logo UNIB



Oleh:
Nama: Risfa Fadila
NPM: F1F022015


Dosen Pengampu:
Dr. Pepi Novianti, S.Si., M.Si


Asisten Praktikum:
1. Avrillia Permata Hati (F1F021008)
2. Desvin Sitohang (F1F021029)




LABORATORIUM MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2025

BAB 1 PENDAHULUAN

Latar Belakang

Perkembangan teknologi digital dalam beberapa tahun terakhir telah menyebabkan peningkatan volume data secara signifikan dan berlangsung sangat cepat. Sebagian besar data yang dihasilkan saat ini memiliki komponen spasial atau geografis, yakni informasi yang menunjukkan lokasi atau posisi suatu objek di permukaan bumi. Data spasial memiliki peran penting dalam berbagai bidang seperti pengelolaan lingkungan, epidemiologi, perencanaan wilayah, hingga kegiatan bisnis dan logistik. Menurut Meidodga (2023), pemanfaatan data geospasial mampu mendukung pengambilan keputusan lintas sektor melalui integrasi informasi lokasi dengan data atribut lainnya.

Meskipun begitu, data spasial yang masih mentah—terdiri hanya dari angka, koordinat, dan atribut—seringkali sulit untuk langsung diinterpretasikan. Agar pemahaman menjadi lebih optimal, data tersebut perlu divisualisasikan. Visualisasi data spasial lewat peta tematik adalah salah satu cara paling efektif untuk menampilkan pola, mengenali tren, mendeteksi anomali, dan memahami hubungan antarvariabel dalam kerangka tempat geografis.

Dalam konteks analisis data, bahasa pemrograman R telah menjadi alat yang kuat dan fleksibel baik untuk analisis statistik maupun visualisasi. R dilengkapi dengan sejumlah paket tambahan yang dikembangkan oleh komunitas – termasuk komunitas Indonesia – yang memungkinkan pengolahan data spasial, analisis, dan pembuatan visualisasi baik yang statis maupun interaktif. Contoh penerapan yang ditemukan di Indonesia menunjukkan bahwa visualisasi sebaran sekolah menggunakan R (Alyudin et al., 2024) dan komparasi paket-R untuk analisis spasial (Widodo, 2024) telah memanfaatkan kemampuan R dalam pemrosesan dan visualisasi spasial. Oleh karena itu, bagi mahasiswa di bidang statistika dan data science, penguasaan visualisasi data spasial menggunakan R merupakan keterampilan penting untuk menjembatani teori analisis dengan praktik di lapangan.

Rumusan Masalah

Adapun rumusan masalah dari praktikum kali ini adalah sebagai berikut:

  1. Bagaimana cara membuat peta dengan paket pemrograman R?
  2. Bagaimana cara membuat peta dengan titik spasial pada R?

Tujuan Penelitian

Berdasarkan rumusan masalah didapatkan tujuan dari penelitian adalah sebagai berikut:

  1. Mahasiswa dapat membuat peta dengan paket pemrograman R.
  2. Mahasiswa dapat membuat peta dengan titik spasial pada R.

Batasan Masalah

Adapun batasan masalah pada penelitian ini yaitu:

  1. Buatlah peta epicenter gempa bumi di Indonesia pada tahun 2024 (gunakan packages Ryang 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 2 PEMBAHASAN

Statistk Deskriptif

Melakukan input data file shp dengan menggunakan library sf

setwd("D:/Praktikum/Praktikum Spasial") 
library(sf)
## Warning: package 'sf' was built under R version 4.5.2
## Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUE
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
shp <- st_read("RBI_50K_2023_Sulawesi Tenggara.shp")
## Reading layer `RBI_50K_2023_Sulawesi Tenggara' from data source 
##   `D:\Praktikum\Praktikum Spasial\RBI_50K_2023_Sulawesi Tenggara.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 23 features and 25 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 120.8645 ymin: -6.213078 xmax: 124.6169 ymax: -2.773289
## Geodetic CRS:  WGS 84
Provinsi_target <- "Sulawesi Tenggara"
shp_prov <- shp |>
  filter(WADMPR == Provinsi_target )

Input Data Gempa

Melakukan input data gempa dengan format CSV sebagai berikut:

data <- read.csv("gempa_sultra.csv")
head(data)
summary(data[,c(2,3,4,5)])
##     latitude        longitude         depth              mag       
##  Min.   :-5.983   Min.   :123.3   Min.   :  9.119   Min.   :4.100  
##  1st Qu.:-3.406   1st Qu.:123.4   1st Qu.: 10.000   1st Qu.:4.250  
##  Median :-3.281   Median :123.4   Median : 10.000   Median :4.600  
##  Mean   :-3.569   Mean   :123.6   Mean   : 62.979   Mean   :4.609  
##  3rd Qu.:-3.235   3rd Qu.:123.5   3rd Qu.: 14.304   3rd Qu.:4.750  
##  Max.   :-2.833   Max.   :124.9   Max.   :576.000   Max.   :6.100

Batasan Masalah 1

Buatlah peta epicenter gempa bumi di Indonesia pada tahun 2024 (gunakan packages R yang dianggap gampang).

Konversi menjadi data spasial (sf)

gempa_sf <- st_as_sf(data, coords = c("longitude", "latitude"), crs = 4326)

Plot Gempa

Berikut adalah plot Gempa:

library(ggplot2)
## Warning: package 'ggplot2' was built under R version 4.5.2
library(viridis)
## Warning: package 'viridis' was built under R version 4.5.2
## Loading required package: viridisLite
## Warning: package 'viridisLite' was built under R version 4.5.2
library(ggplot2)
library(viridis)

ggplot(shp_prov) +
  # Provinsi berwarna ungu muda seragam
  geom_sf(fill = "#DCC9E2", color = "grey50", size = 0.3) +
  
  # Titik gempa tetap dengan skala warna & ukuran
  geom_sf(
    data = gempa_sf,
    aes(size = mag, color = depth),
    alpha = 0.7
  ) +
  
  # Gradasi warna kedalaman tetap plasma (ungu ke oranye)
  scale_color_viridis(
    option = "plasma",
    name = "Kedalaman (km)"
  ) +
  
  scale_size_continuous(
    name = "Magnitudo",
    range = c(2, 6)
  ) +
  
  labs(
    title = "Sebaran Gempa di Provinsi Sulawesi Tenggara 2024",
    subtitle = "Sumber: USGS",
    x = "Longitude", y = "Latitude"
  ) +
  
  theme_minimal() +
  theme(
    plot.background = element_rect(fill = "#F8F4FB", color = NA), # latar lembut
    panel.background = element_rect(fill = "#F8F4FB", color = NA),
    plot.subtitle = element_text(color = "#7A5195"),
    legend.position = "right"
  )

Interpretasi

Berdasarkan visualisasi peta “Sebaran Gempa Utama di Provinsi Sulawesi Tenggara” ini mengilustrasikan dua pola aktivitas seismik yang jelas dan berbeda. Mayoritas kejadian gempa pada Tahun 2024 terkonsentrasi (membentuk klaster) di perairan sebelah timur laut daratan utama, sekitar koordinat 3,5°LS dan 123,5°BT. Gempa-gempa dalam klaster ini didominasi oleh kedalaman yang relatif dangkal (ditunjukkan oleh warna titik biru dan ungu, berkisar 100-200 km) dengan kekuatan magnitudo yang bervariasi antara 4,5 hingga 5,5. Di sisi lain, terdapat satu kejadian gempa yang sangat menonjol dan terisolasi jauh di wilayah tenggara (sekitar 6,0°LS, 124,9°BT). Gempa ini memiliki karakteristik yang sangat kontras, yaitu berkekuatan paling besar (terlihat dari ukuran lingkarannya, sekitar magnitudo 6,0) dan berada pada kedalaman yang sangat dalam (ditandai dengan warna kuning, sekitar 500 km)

Batasan Masalah 2

Buatlah peta semua provinsi di Indonesia dengan memberikan warna yang berbeda pada setiap kabupaten/kota.

library(ggplot2)
library(viridis)
ggplot(shp_prov) + 
  geom_sf(aes(fill = WADMKK), color = "black", size = 0.3)  + 
  scale_fill_viridis(discrete = TRUE, option = "cividis", name = "Kabupaten/Kota")  + 
  labs(title = "Batas Administrasi Provinsi Sulawesi Tenggara",
       x = "Longitude", y = "Latitude") + 
  theme_minimal() + 
  theme(plot.title = element_text(face = "bold", size = 13), 
        legend.position = "right")

Interpretasi

Peta ini menampilkan visualisasi batas administrasi kabupaten/kota di Provinsi Sulawesi Tenggara. Berdasarkan label pada legenda (Bombana, Buton, Kolaka, Konawe, Wakatobi, dan Kota Kendari), data geografis yang dipetakan adalah wilayah Provinsi Sulawesi Tenggara. Peta ini menggunakan skema warna kategoris dari palet “cividis” (viridis) yang berubah dari biru ke kuning, di mana setiap kabupaten/kota diberi warna isian yang berbeda dan unik untuk membedakan batas wilayahnya secara visual. Setiap poligon wilayah juga diberi garis batas hitam tipis untuk mempertegas pemisahan.

BAB 3 Kesimpulan

Berdasarkan hasil analisis yang telah dilakukan, dapat disimpulkan bahwa pemrograman R memiliki kemampuan yang sangat baik dalam pembuatan dan visualisasi data spasial, baik dalam bentuk poligon maupun titik. Membuat peta dengan paket pemrograman R, digunakan kombinasi paket sf dan ggplot2. Paket sf berfungsi untuk membaca serta mengelola data spasial seperti shapefile, sedangkan ggplot2 digunakan untuk menampilkan data tersebut dalam bentuk visual yang informatif. Melalui fungsi geom_sf(), pengguna dapat menampilkan batas administrasi wilayah, memberikan warna yang berbeda untuk setiap kabupaten atau kota, dan menambahkan elemen visual seperti legenda dan judul peta.

Selanjutnya pembuatan peta dengan titik spasial, digunakan pendekatan pemetaan data berbasis koordinat lintang dan bujur. Penerapan ini ditunjukkan pada peta “Sebaran Gempa Utama di Provinsi Sulawesi Tenggara Tahun 2024”, yang menampilkan lokasi episentrum gempa selama tahun 2024. Berdasarkan hasil visualisasi, tampak dua pola aktivitas seismik yang berbeda. Sebagian besar gempa membentuk klaster di perairan timur laut daratan utama dengan magnitudo 4,5–5,5 dan kedalaman sekitar 100–200 km. Selain itu, terdapat satu kejadian gempa besar di wilayah tenggara dengan magnitudo sekitar 6,0 dan kedalaman hingga 500 km. Dalam peta tersebut, variabel magnitudo dipetakan pada ukuran titik, sedangkan kedalaman gempa digambarkan melalui gradasi warna, sehingga informasi yang disajikan lebih komprehensif dan mudah dipahami secara visual.

Secara keseluruhan, analisis ini menunjukkan bahwa R merupakan alat yang sangat efektif untuk analisis dan visualisasi data spasial. Kombinasi antara paket sf dan ggplot2 tidak hanya memudahkan proses pengolahan dan pemetaan data, tetapi juga memungkinkan pengguna untuk mengintegrasikan berbagai atribut data ke dalam peta yang informatif, menarik, serta mampu menggambarkan fenomena geografis secara jelas dan akurat.

References

Alyudin, D. R., Manurung, P., & Manessa, M. D. (2024). Visualisasi dan Analisis Sebaran Data Sekolah (SD, SMP dan SMA) di Kota Bengkulu Menggunakan Geocoding R. JUSTEK: Jurnal Sains dan Teknologi, 7(2), 139–147. Jurnal UMMAT., Widodo, B. (2024). Komparasi Paket R untuk Analisis Data Spasial dalam Penelitian Sosial. Jurnal Sosial Terapan, 2(2). Jurnal IPB., Meidodga, I. S. (2023). Pemanfaatan Data Geospasial dalam Mewujudkan Sistem Informasi Pertanahan Multiguna bagi Multipihak. Widya Bhumi, 3(1), April 2023.