BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Analisis pola titik spasial merupakan salah satu pendekatan dalam kajian keruangan yang digunakan untuk melihat bagaimana suatu fenomena yang direpresentasikan dalam bentuk titik tersebar di suatu wilayah. Pola persebaran titik dapat memberikan informasi awal mengenai karakteristik ruang, seperti adanya kecenderungan pengelompokan, penyebaran yang merata, atau distribusi acak. Informasi ini penting sebagai dasar pemahaman kondisi spasial suatu wilayah sebelum dilakukan analisis lanjutan (Faiz, 2024).

Dalam analisis spasial, identifikasi pola titik sering digunakan sebagai tahap awal untuk mengetahui kecenderungan distribusi fenomena secara keruangan. Pendekatan ini banyak digunakan dalam laporan dan kajian spasial karena mampu memberikan gambaran umum mengenai pola persebaran data berbasis lokasi. Dengan mengetahui pola awal tersebut, peneliti dapat memperoleh indikasi awal terkait kondisi spasial wilayah penelitian secara lebih sistematis (Amalia dkk., 2023).

Metode yang umum digunakan untuk analisis pola titik spasial antara lain metode Kuadran (Quadrat Analysis) dan Nearest Neighbor Analysis (NN). Kedua metode ini sering dipilih karena relatif sederhana, mudah diterapkan, dan cukup representatif untuk menggambarkan pola persebaran titik secara umum. Selain itu, analisis pola titik dapat dilakukan dengan bantuan perangkat lunak statistik dan spasial seperti R/RStudio, yang mendukung pengolahan data spasial secara efisien dan terstruktur (Sibly dkk., 2023).

1.2 Rumusan Masalah

Berdasarkan latar belakang diatas, rumusan masalah pada penelitian ini adalah sebagai berikut:

Bagaimana menentukan pola titik spasial dengan menggunakan R?
Bagaimana menganalisis pola titik dengan metode Kuadran dan Nearest-Neighbor?

1.3 Tujuan

Berdasarkan rumusan masalah, tujuan pada penelitian ini adalah sebagai berikut:

Mahasiswa mampu menentukan pola titik spasial dengan menggunakan R
Mahasiswan mampu menganalisis pola titik dengan metode Kuadran dan Nearest-Neighbor

BAB II TINJAUAN PUSTAKA

2.1 Pola Titik Spasial

Fenomena riil bidang spasial pada umumnya ditunjukkan oleh pola titik pada bidang spasial tersebut. Pola tersebut terbagi menjadi tiga yakni pola sangat regular (teratur), pola clustering (mengelompok) dan pola yang tidak beraturan (acak). Contoh pola titik yang mengelompok adalah titik-tik orang yang menyukai lukisan maka mereka akan mendatangi tempat pameran lukisan yang sedang berlangsung. Pola titik yang beraturan banyak dijumpaidalam tata kota saat ini yaitu pola perumahan cluster atau perumahan modern. Sedangkan pola penyebaran titik acak dapat dilihat dari pola penyebaran toko-toko di sebuah daerah (Novianti, 2025).

Pola titik spasial merupakan pendekatan dalam analisis keruangan yang digunakan untuk mengetahui karakteristik persebaran suatu fenomena yang direpresentasikan dalam bentuk titik di suatu wilayah. Analisis ini bertujuan untuk mengidentifikasi kecenderungan pola distribusi titik, apakah bersifat mengelompok (clustered), acak (random), atau menyebar teratur (dispersed). Pemahaman terhadap pola titik spasial penting sebagai gambaran awal kondisi keruangan suatu wilayah dan sering digunakan dalam laporan penelitian sebagai tahap eksplorasi sebelum analisis lanjutan dilakukan (Amalia dkk., 2023).

2.2 Analisis Pola Titik Spasial

Metode yang sering digunakan adalah metode Kuadran dan Nearest Neighbor (Tetangga Terdekat). Beberapa hal yang sangat menentukan dalam analisis Kuadran, yakni ukuran kuadran, jumlah kuadran dan bentuk kuadran. Ukuran kuadran yang terlalu kecil akan mengakibatkan pola titik lebih ke arah regular, sedangkan ukuran kuadran yang terlalu besar akan mengakibatkan pola titik seolah-olah menumpuk atau mengumpul di suatu area (Novianti, 2025).

2.2.1 Metode Kuadran

Metode Kuadran merupakan salah satu teknik analisis pola titik spasial yang dilakukan dengan membagi wilayah pengamatan menjadi petak-petak (kuadran) berukuran sama, kemudian menghitung jumlah titik pada setiap petak. Data tersebut digunakan untuk menghitung nilai rata-rata dan varians, yang selanjutnya dibandingkan melalui Variance to Mean Ratio (VMR) guna menentukan apakah pola sebaran titik bersifat acak, mengelompok, atau teratur. Metode ini banyak digunakan dalam penelitian spasial di Indonesia karena sederhana, mudah diimplementasikan, serta mampu memberikan gambaran awal mengenai struktur pola sebaran fenomena berbasis titik (Novitasari, 2024).

Dalam praktiknya, metode Kuadran sering dipadukan dengan uji statistik, seperti uji chi-kuadrat, untuk menguji hipotesis Complete Spatial Randomness (CSR). Pendekatan ini efektif dalam mengidentifikasi kecenderungan pengelompokan atau keteraturan titik dalam suatu wilayah, terutama pada studi geografi, lingkungan, dan pendidikan spasial. Oleh karena itu, metode Kuadran masih relevan digunakan sebagai alat analisis deskriptif dan inferensial dalam kajian pola spasial di berbagai penelitian terkini di Indonesia (Novitasari, 2024).

2.2.2 Metode Nearest-Neighbor

Metode Nearest-Neighbor Analysis (NNA) merupakan teknik analisis pola titik spasial yang didasarkan pada pengukuran jarak antara setiap titik dengan titik tetangga terdekatnya. Nilai jarak rata-rata yang diamati dibandingkan dengan jarak rata-rata yang diharapkan pada pola acak untuk memperoleh indeks tetangga terdekat (NNI atau ITT). Nilai indeks tersebut digunakan untuk menentukan apakah pola sebaran titik bersifat mengelompok, acak, atau tersebar merata, serta diperkuat dengan nilai z-score dan p-value sebagai dasar pengambilan keputusan statistik (Rahmah dkk., 2023).

Metode Nearest-Neighbor banyak digunakan dalam penelitian spasial di Indonesia karena mampu memberikan interpretasi kuantitatif yang jelas terhadap struktur sebaran titik berdasarkan hubungan jarak antar titik. Penelitian terkait persebaran fasilitas kesehatan dan pendidikan menunjukkan bahwa NNA efektif dalam mengungkap pola distribusi spasial serta faktor-faktor yang memengaruhi keteraturan atau pengelompokan lokasi titik dalam suatu wilayah. Dengan demikian, metode ini menjadi salah satu pendekatan utama dalam analisis spasial berbasis Sistem Informasi Geografis (SIG) dan perencanaan wilayah (Rahmah dkk., 2023; Sibly dkk., 2023).

BAB III METODE PENELITIAN

3.1 Sumber Data

Sumber data pada penelitian ini adalah data sekunder yang berasal dari dataset R. Dataset yang digunakan adalah dataset Cells dan Quakes dimana data tersebut merupakan data spasial berupa data pola titik spasial yang memiliki koordinat masing-masing pada bidang dua dimensi.

3.2 Variabel Penelitian

Variabel pada penelitian ini adalah koordinat lokasi titik yang memiliki komponen x dan y yang menunjukkan posisi data pada bidang dua dimensi. Data cells memiliki koordinat sel yang diamati dalam suatu area pengamatan, sedangkan data quakes memiliki data titik gempa bumi berkoordinat long dan lat yang dicatat di sekitar wilayah Fiji.

3.3 Langkah-langkah Analisis

Langkah-langkah yang dilakukan dalam penelitian ini dilakukan dengan 2 metode yaitu metode Kuadran dan metode NN, dimana langkah penelitian sebagai berikut:

3.3.1 Metode Kuadran

Berikut langkah dalam metode Kuadran:

Bagilah daerah pengamatan menjadi beberapa sel (𝑚) yang berukuran sama. Ukuran sel ditentukan oleh skala yang diinginkan
Hitunglah total kejadian pada area tersebut, katakan n \[ \bar{x} = \frac{n}{m} \]
Tentukan nilai rata-rata banyaknya titik per sel \[ s^2 = \frac{\sum_{i=1}^{m} (x_i - \bar{x})^2}{m - 1} \]
Tentukan nilai ragam banyaknya titik per sel \[ \text{VMR} = \frac{s^2}{\bar{x}} \]
Hitung perbandingan nilai ragam dan nilai rata-rata atau Variance/Mean Ratio (VMR)

Interpretasi nilai VMR adalah sebagai berikut:

𝑉𝑀𝑅 = 0, konfigurasi titik dalam ruang lebih ke arah regular (uniform)

𝑉𝑀𝑅 = 1, konfigurasi titik dalam ruang lebih ke arah acak

𝑉𝑀𝑅 > 1, konfigurasi titik dalam ruang lebih ke arah cluster
Pengujian hipotesis

3.3.2 Metode Nearest-Neighbor

Dalam metode tetangga terdekat menggunakan perbandingan antara nilai rata-rata jarak terhadap titik pengamatan tetangga terdekatnya dengan nilai harapan rata-rata jarak yang terjadi jika titik-titik tersebut menyebar spasial secara acak.

Tahapan yang dilakukan adalah sebagai berikut:

Hitung jarak terdekat titik-titik pengamatan \[ d_o = \frac{1}{n} \sum_{i=1}^{n} d_i \] dengan \(d_i\) menyatakan jarak antara titik ke-\(i\) dengan titik tetangga terdekatnya dan \(n\) adalah jumlah titik pengamatan.
Hitung nilai harapan jarak tetangga terdekat \[ d_e = \frac{1}{2\sqrt{\frac{n}{A}}} \]

𝐴 adalah luas wilayah pengamatan
Tentukan Indeks Tetangga Terdekat (ITT) \[ \text{ITT} = \frac{d_o}{d_e} \] Interpretasi ITT secara teori adalah

\[ 0 \leq \text{ITT} \leq 2{,}14 \]

𝐼𝑇𝑇 = 0 artinya semua titik pada satu lokasi

𝐼𝑇𝑇 = 1.00 konfigurasi titik dalam ruang adalah acak

𝐼𝑇𝑇 = 2.14 konfigurasi perfect uniform atau perfect regular atau perfect systematic atau titik menyebar pada wilayah dengan luasan tak hingga

Pengujian hipotesis

BAB IV HASIL DAN PEMBAHASAN

4.1 Statistik Deskriptif

Berdasarkan data yang tersedia, dilakukan analisis statistik deskriptif dengan memanggil terlebih dahulu package yang dibutuhkan, hasil analisis adalah sebagai berikut:

library(spatstat)

## Loading required package: spatstat.data

## Loading required package: spatstat.univar

## spatstat.univar 3.1-5

## Loading required package: spatstat.geom

## spatstat.geom 3.6-1

## Loading required package: spatstat.random

## spatstat.random 3.4-3

## Loading required package: spatstat.explore

## Loading required package: nlme

## spatstat.explore 3.6-0

## Loading required package: spatstat.model

## Loading required package: rpart

## spatstat.model 3.5-0

## Loading required package: spatstat.linnet

## spatstat.linnet 3.4-0

## 
## spatstat 3.5-0 
## For an introduction to spatstat, type 'beginner'

library(spatstat.data)
library(sp)
library(spatstat.geom)
data(cells)
data1 <- spatstat.data::cells
summary(data1)

## Planar point pattern:  42 points
## Average intensity 42 points per square unit
## 
## Coordinates are given to 3 decimal places
## i.e. rounded to the nearest multiple of 0.001 units
## 
## Window: rectangle = [0, 1] x [0, 1] units
## Window area = 1 square unit

Data yang dianalisis berupa pola titik dua dimensi dengan jumlah 42 titik yang tersebar di dalam suatu area berbentuk persegi. Luas wilayah pengamatan adalah 1 satuan luas, sehingga kepadatan atau intensitas rata-rata titik di wilayah tersebut adalah 42 titik per satuan luas. Artinya, dalam area penelitian ini titik-titik yang diamati tergolong cukup padat dan tersebar di seluruh wilayah yang telah ditentukan.

Koordinat setiap titik dicatat hingga tiga angka di belakang koma, yang menunjukkan bahwa posisi titik sudah direkam dengan ketelitian yang cukup baik. Seluruh titik berada di dalam batas wilayah 0–1 pada sumbu X dan 0–1 pada sumbu Y, sehingga tidak ada titik yang berada di luar area penelitian.

data("quakes")
summary(quakes)

##       lat              long           depth            mag      
##  Min.   :-38.59   Min.   :165.7   Min.   : 40.0   Min.   :4.00  
##  1st Qu.:-23.47   1st Qu.:179.6   1st Qu.: 99.0   1st Qu.:4.30  
##  Median :-20.30   Median :181.4   Median :247.0   Median :4.60  
##  Mean   :-20.64   Mean   :179.5   Mean   :311.4   Mean   :4.62  
##  3rd Qu.:-17.64   3rd Qu.:183.2   3rd Qu.:543.0   3rd Qu.:4.90  
##  Max.   :-10.72   Max.   :188.1   Max.   :680.0   Max.   :6.40  
##     stations     
##  Min.   : 10.00  
##  1st Qu.: 18.00  
##  Median : 27.00  
##  Mean   : 33.42  
##  3rd Qu.: 42.00  
##  Max.   :132.00

Dari hasil summary data quakes menunjukkan bahwa titik-titik kejadian gempa bumi tersebar di wilayah yang cukup luas, dengan rentang lintang dari sekitar −38,6 hingga −10,7 dan bujur antara 165,7 hingga 188,1, yang menandakan sebaran lokasi berada di belahan bumi selatan dan memanjang ke arah timur. Variasi koordinat lintang dan bujur yang relatif besar menunjukkan bahwa kejadian tidak terkonsentrasi pada satu lokasi tertentu, melainkan tersebar secara geografis. Selain itu, adanya variasi kedalaman yang cukup lebar mengindikasikan perbedaan karakteristik kejadian pada tiap lokasi, namun secara spasial data ini sudah memenuhi syarat untuk dianalisis lebih lanjut menggunakan pendekatan pola titik spasial guna mengetahui kecenderungan persebaran titik di wilayah penelitian.

4.2 Metode Kuadran pada Data Cells

## Pembuatan Grafik dari data titik yang tersedia
plot(data1)

plot(density(data1, 3))

Berdasarkan gambar penyebaran data 1, Pola sebaran titik pada gambar menunjukkan bahwa titik-titik tersebar di seluruh area pengamatan tanpa adanya konsentrasi yang menonjol pada lokasi tertentu. Jarak antar titik relatif seragam dan tidak terlihat adanya pengelompokan yang jelas maupun area kosong yang dominan. Secara visual, pola ini mengindikasikan bahwa distribusi titik cenderung acak hingga mendekati teratur, dengan penyebaran yang relatif merata di dalam batas wilayah penelitian. Kondisi ini menunjukkan bahwa tidak terdapat pusat aktivitas atau klaster spasial yang kuat, sehingga pola titik dapat diasumsikan bersifat homogen secara spasial pada tahap pengamatan awal.

Berdasarkan peta hasil density(data1, 3) ini menunjukkan variasi kepadatan titik secara spasial di dalam wilayah pengamatan. Gradasi warna memperlihatkan adanya perbedaan tingkat kepadatan, di mana area berwarna kuning–oranye merepresentasikan kepadatan titik yang lebih tinggi, sedangkan area biru–ungu menunjukkan kepadatan yang lebih rendah. Pola perubahan warna yang halus dan berangsur dari satu sisi ke sisi lain menandakan bahwa kepadatan titik tidak terpusat pada satu lokasi tertentu, melainkan membentuk gradien kepadatan di dalam area studi. Secara spasial, hal ini mengindikasikan bahwa titik-titik cenderung lebih terkonsentrasi di bagian wilayah tertentu, namun tanpa batas klaster yang tajam, sehingga pola sebarannya cenderung bertahap dan menyebar seragam diseluruh wilayah.

## Pembagian data titik ke dalam sel-sel
Q <- quadratcount(data1, nx=4, ny=3)
plot(data1)
plot(Q, add=TRUE, cex=2)

Hasil pembagian wilayah pengamatan ke dalam 12 kuadran (4 × 3) menunjukkan bahwa jumlah titik pada setiap sel bervariasi, dengan nilai berkisar antara 2 hingga 5 titik per kuadran. Variasi ini menandakan bahwa titik-titik tidak tersebar secara benar-benar merata pada seluruh sel, namun perbedaannya juga tidak terlalu ekstrem karena setiap kuadran tetap terisi oleh titik. Secara spasial, kondisi ini mengindikasikan bahwa persebaran titik bersifat relatif homogen dengan variasi lokal ringan, tanpa adanya kuadran yang sangat padat atau kosong sama sekali. Dengan demikian, berdasarkan pengamatan awal menggunakan metode Kuadran, pola sebaran titik cenderung mendekati acak, meskipun terdapat sedikit perbedaan kepadatan antar bagian wilayah penelitian yang masih wajar dalam distribusi spasial.

## Penghitungan nilai VMR
rt2 <- mean(Q)
var <- sd(Q)^2
VMR <- var/rt2
VMR

## [1] 0.3376623

Nilai Variance to Mean Ratio (VMR) yang diperoleh sebesar 0,34. Nilai ini lebih kecil dari 1 (VMR < 1), sehingga berdasarkan kriteria metode Kuadran, pola sebaran titik menunjukkan kecenderungan menyebar teratur (dispersed). Artinya, jumlah titik pada setiap kuadran relatif seragam dan tidak terdapat pengelompokan titik yang kuat pada area tertentu. Secara spasial, hasil ini sejalan dengan pengamatan visual sebelumnya, di mana titik-titik tampak tersebar cukup merata di seluruh wilayah penelitian. Dengan demikian, berdasarkan analisis kuadran, pola titik pada data ini dapat dikategorikan sebagai pola menyebar teratur, bukan mengelompok

## Pengujian pola titik
uji <- quadrat.test(Q)

## Warning: Some expected counts are small; chi^2 approximation may be inaccurate

uji

## 
##  Chi-squared test of CSR using quadrat counts
## 
## data:  
## X2 = 3.7143, df = 11, p-value = 0.04492
## alternative hypothesis: two.sided
## 
## Quadrats: 4 by 3 grid of tiles

Hipotesis

H₀ : Pola sebaran titik bersifat acak (Complete Spatial Randomness / CSR)

H₁ : Pola sebaran titik tidak bersifat acak
Taraf nyata

\[ \alpha = 0{,}05 \]

Statistik Uji

\[ \chi^2 = (m - 1)\text{VMR} = (m - 1)\frac{s^2}{\bar{x}}, \quad m \le 30 \] 4. Kriteria Penolakan

Tolak H₀ apabila Z-hitung > Z-tabel

Kesimpulan Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa dengan taraf nyata alpha = 0,05, mendapatkan p-value = 0,04492. Artinya, terdapat cukup bukti bahwa pola titik sebaran tidak bersifat acak.

4.3 Metode Nearest-Neighbor pada Data Quakes

## Pendefisian koordinat
coordinates(quakes) <- ~ long + lat

Berdasarkan pendefinisian koordinat geografis pada data quakes. Kolom long ditetapkan sebagai koordinat bujur (longitude) dan kolom lat sebagai koordinat lintang (latitude), sehingga data quakes diubah menjadi objek spasial bertipe titik.

## Penghitungan Nearest-Neighbor
nni <- function(x, win = c("hull","extent")){
  win <- match.arg(win)
  W <- if (win=="hull") convexhull.xy(coordinates(x)) else {
    e <- as.vector(bbox(x))
    as.owin(c(e[1], e[3], e[2], e[4]))
  }
  p <- as.ppp(coordinates(x), W = W)
  A <- area.owin(W)
  o <- mean(nndist(p))
  e <- 0.5 * sqrt(A / p$n)
  se <- 0.26136 * sqrt(A) / p$n
  z <- (o - e)/se; p2 <- 2*pnorm(-abs(z))
  list(NNI = o/e, z = z, p.value = p2,
       expected.mean.distance = e, observed.mean.distance = o)
}

nni(quakes)

## Warning: data contain duplicated points

## $NNI
## [1] 0.5470358
## 
## $z
## [1] -27.40279
## 
## $p.value
## [1] 2.540433e-165
## 
## $expected.mean.distance
## [1] 0.2998562
## 
## $observed.mean.distance
## [1] 0.1640321

INTERPRETASI

Berdasarkan hasil perhitungan Nearest Neighbor Index (NNI), diperoleh nilai NNI = 0,5470. Nilai NNI < 1 menunjukkan bahwa pola sebaran titik cenderung mengelompok (clustered). Langkah hipotesis yang dilakukan adalah sebagai berikut:

Hipotesis

H₀ : Pola sebaran titik bersifat acak (Complete Spatial Randomness / CSR)

H₁ : Pola sebaran titik tidak bersifat acak
Taraf nyata

\[ \alpha = 0{,}05 \]

Statistik Uji

\[ Z_{hitung} = \frac{d_o - d_e}{\sqrt{\frac{(4 - \pi)A}{4\pi n^2}}} \] 4. Kriteria Penolakan

Tolak H₀ apabila Z-hitung > Z-tabel

Kesimpulan

Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa dengan taraf nyata alpha = 0,05, mendapatkan Z-hitung = -27,40 dengan p-value = 2,540433e-165 (~0) < 0,05. Artinya, terdapat cukup bukti bahwa pola titik sebaran tidak bersifat acak.

Jarak rata-rata titik yang diamati sebesar 0,1640, lebih kecil dibandingkan jarak rata-rata yang diharapkan pada pola acak, yaitu 0,2999. Kondisi ini mengindikasikan bahwa titik-titik berada lebih dekat satu sama lain daripada yang diharapkan jika sebarannya acak.

BAB V KESIMPULAN

5.1 Kesimpulan

Berdasarkan penelitian diatas, pola titik spasial dapat ditentukan menggunakan R dengan mengubah data koordinat menjadi objek spasial, kemudian menerapkan metode analisis pola titik seperti Quadrat Analysis dan Nearest Neighbor Analysis. R menyediakan berbagai paket, seperti sp, spatstat, dan sf, yang memungkinkan pengguna untuk menghitung statistik uji, memvisualisasikan sebaran titik, serta melakukan pengujian hipotesis terhadap pola Complete Spatial Randomness (CSR). Dengan memanfaatkan fungsi-fungsi tersebut, pola titik dapat diidentifikasi apakah bersifat acak, mengelompok, atau teratur secara sistematis dan objektif.

Analisis pola titik menggunakan metode Kuadran dilakukan dengan membagi wilayah pengamatan ke dalam beberapa petak dan membandingkan varians serta rata-rata jumlah titik di setiap petak untuk menilai tingkat keacakan pola sebaran. Sementara itu, metode Nearest-Neighbor menganalisis jarak antar titik terdekat untuk menentukan kecenderungan pola spasial berdasarkan nilai NNI, statistik Z, dan p-value. Kedua metode ini saling melengkapi, di mana metode Kuadran lebih menekankan distribusi jumlah titik dalam ruang, sedangkan Nearest-Neighbor berfokus pada hubungan jarak antar titik, sehingga bersama-sama memberikan gambaran yang lebih komprehensif tentang pola titik spasial.

Berdasarkan teladan yang dikerjakan, dapat disimpulkan bahwa pola data pada dataset Cells dan Quakes adalah pola sebaran titik tidak bersifat acak, dimana nilai p-value < 0,05. Hal ini menunjukkan bahwa pada data cells, pengelompokan titik dapat mengindikasikan adanya interaksi biologis atau mekanisme pertumbuhan tertentu, misalnya proses pembelahan sel, ketergantungan antar sel, atau pengaruh lingkungan mikro yang menyebabkan sel cenderung muncul berdekatan. Sementara itu, pada data quakes, pola sebaran yang tidak acak mengindikasikan bahwa kejadian gempa bumi dipengaruhi oleh faktor geologis tertentu, seperti keberadaan sesar aktif, batas lempeng tektonik, atau zona subduksi, sehingga gempa cenderung terjadi pada lokasi-lokasi tertentu dan membentuk klaster spasial.

DAFTAR PUSTAKA

Amalia, D. F., Nugraha, Q. S., & Negara, A. S. (2023). Analisis pola spasial fasilitas publik menggunakan pendekatan nearest neighbor. Jurnal Sains Geografi, 1(2), 39–45.

Baddeley, A., Rubak, E., & Turner, R. (2021). Spatial Point Patterns: Methodology and Applications with R. Boca Raton: CRC Press.

Faiz, O. E. (2024). Analisis pola sebaran titik dalam kajian spasial wilayah. Jurnal Gravity, 10(1), 15–24.

Novianti, P. (2025). Modul Praktikum Pengantar Analisis Spasial. Laboratorium FMIPA. Bengkulu: Universitas Bengkulu.

Novitasari. (2024). Identifikasi spatial pattern menggunakan variance to mean ratio dalam analisis pola titik. Journal on Education, 6(2), 1234–1245.

Pebesma, E., & Bivand, R. (2023). Spatial Data Science with Applications in R. Boca Raton: CRC Press.

Rahmah, I. M., Anggraeni, F. N., & Andita, W. A. N. (2023). Analisis pola sebaran dan keterjangkauan fasilitas kesehatan terhadap permukiman menggunakan Nearest Neighbor Analysis. Jurnal Sains Geografi, 1(1), 104–116.

Sibly, M., Deffry, M., & Khairunnisa, N. F. (2023). Pendekatan analisis spasial untuk identifikasi pola persebaran objek geografis. Jurnal Sains Geografi, 1(2), 78–84.

LAPORAN PRAKTIKUM PERTEMUAN II

Istiqomah Rabithah Alam Islami

2025-12-15