Laporan Pengantar Statstika Spasial
Muhammad Hafiz
2025-11-10
BAB I PENDAHULUAN
Latar Belakang
Dalam era transformasi digital saat ini, visualisasi data spasial memiliki peranan penting dalam memahami berbagai fenomena alam dan sosial yang terjadi di permukaan bumi. Data spasial tidak hanya berfungsi untuk menggambarkan lokasi geografis, tetapi juga untuk menganalisis hubungan antarwilayah serta dinamika perubahan yang terjadi dari waktu ke waktu. Bahasa pemrograman R menjadi salah satu alat yang banyak digunakan untuk mendukung analisis tersebut karena memiliki kemampuan dalam mengolah, menganalisis, dan memvisualisasikan data spasial secara komprehensif. Dengan berbagai pustaka seperti sf, sp, dan ggplot2, proses pengolahan data dapat dilakukan secara sistematis dan efisien sehingga mendukung pengambilan keputusan berbasis data spasial (Yuniarti, Prasetyo, & Rahmawati, 2022).
Penerapan R dalam bidang analisis spasial di Indonesia telah banyak dilakukan dalam berbagai disiplin ilmu, mulai dari pemetaan infrastruktur, sebaran penyakit, hingga pengelolaan sumber daya alam. Menurut Rachmawati dan Setiawan (2021), penggunaan R memungkinkan integrasi data spasial dari sumber terbuka pemerintah untuk menghasilkan peta tematik yang informatif. Selain itu, Kurniawan dan Sari (2020) menegaskan bahwa kombinasi R dengan perangkat lunak lain seperti QGIS mampu meningkatkan ketepatan visualisasi serta mempermudah eksplorasi data geospasial. Hal ini membuktikan bahwa R tidak hanya berperan sebagai alat analisis, tetapi juga sebagai sarana edukatif dan kolaboratif dalam mengembangkan sistem informasi geografis yang transparan dan mudah diakses.
Rumusan Masalah
Bagaimana cara membuat peta dengan paket pemograman R?
Bagaimana cara membuat peta dengan data titik spasial pada R?
Tujuan Penelitian
Mahasiswa dapat membuat peta dengan paket pemograman R
Mahasiswa dapat membuat peta dengan data titik spasial pada R
BAB II TINJUAN PUSTAKA
2.1 Data Spasial
Data spasial merupakan data yang memiliki referensi geografis sehingga dapat dipetakan dalam bentuk koordinat atau sistem proyeksi tertentu (Sastrawan, 2024). Keberadaan data spasial memungkinkan analisis hubungan antar lokasi, pola distribusi, serta keterkaitan fenomena dengan ruang (Kuntari, 2023). Dalam penelitian sosial maupun lingkungan, data spasial digunakan untuk memahami persebaran fenomena seperti kepadatan penduduk, kualitas lingkungan, atau aksesibilitas layanan publik (Pratama, 2022). R sebagai perangkat lunak statistik menyediakan berbagai paket untuk mengolah data spasial, seperti sp, sf, dan raster, yang mendukung manipulasi data vektor maupun raster (Hidayat, 2021). Analisis spasial dengan R juga memudahkan integrasi data spasial dengan data non-spasial, sehingga menghasilkan informasi yang lebih komprehensif (Sastrawan, 2024). Dengan demikian, data spasial tidak hanya berfungsi sebagai representasi lokasi, tetapi juga sebagai dasar analisis hubungan antar variabel dalam konteks ruang (Kuntari, 2023).
2.2 Visualisasi Data Spasial dengan R
Visualisasi data spasial merupakan langkah penting dalam analisis karena membantu peneliti memahami pola dan distribusi fenomena secara lebih intuitif (Wibowo, 2022). Paket ggplot2 dalam R memungkinkan pembuatan visualisasi spasial yang fleksibel dan siap publikasi, dengan dukungan berbagai layer grafis (Santoso, 2023). Selain itu, paket plotly memberikan kemampuan interaktif sehingga pengguna dapat mengeksplorasi data spasial secara dinamis (Rahmawati, 2021). Penggunaan paket sf memudahkan integrasi data spasial dengan tidyverse, sehingga analisis dan visualisasi dapat dilakukan secara konsisten dalam satu ekosistem R (Hidayat, 2022). Paket terra dan raster juga berperan penting dalam pengolahan data raster, seperti citra satelit atau peta digital, yang kemudian divisualisasikan dalam bentuk peta tematik (Wibowo, 2022). Dengan kombinasi berbagai paket tersebut, R menjadi salah satu perangkat lunak yang paling banyak digunakan untuk visualisasi data spasial dalam penelitian akademik maupun praktis (Santoso, 2023).
2.3 Praktik Penggunaan R untuk Visualisasi Spasial
Dalam praktiknya, penggunaan R untuk visualisasi data spasial dimulai dengan pengolahan data mentah yang kemudian dimodelkan sesuai kebutuhan penelitian (Pratama, 2025). Lingkungan kerja R Studio menyediakan fitur environment yang menampilkan informasi data spasial yang sedang dianalisis, sehingga memudahkan peneliti dalam memantau hasil pemrograman (Rahmawati, 2023). Proses visualisasi biasanya melibatkan transformasi data spasial ke dalam format yang sesuai, misalnya konversi dari shapefile ke objek sf (Hidayat, 2024). Selanjutnya, data tersebut dapat divisualisasikan dalam bentuk peta tematik, peta interaktif, atau grafik spasial yang menggambarkan distribusi fenomena (Santoso, 2022). Visualisasi ini tidak hanya berfungsi sebagai alat presentasi, tetapi juga sebagai sarana eksplorasi untuk menemukan pola dan anomali dalam data (Pratama, 2025). Oleh karena itu, praktik penggunaan R dalam visualisasi spasial menjadi semakin populer di kalangan peneliti, akademisi, dan praktisi (Rahmawati, 2023).
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini terdiri atas dua jenis utama, yaitu data gempa bumi dan data spasial wilayah administrasi. Data gempa bumi diperoleh dari website katalog gempa yang dikelola oleh Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) serta United States Geological Survey (USGS), yang menyediakan informasi kejadian gempa secara historis maupun real-time. Data gempa tersebut mencakup variabel koordinat geografis berupa latitude dan longitude, serta waktu kejadian (time) yang direkam secara sistematis.
3.2 variabel Penelitian
Variabel penelitian yang digunakan dalam analisis ini meliputi latitude sebagai penunjuk posisi lintang utara–selatan, longitude sebagai penunjuk posisi bujur timur–barat, serta time yang merekam waktu kejadian gempa bumi baik tanggal maupun jam, yang semuanya diperoleh dari katalog gempa resmi BMKG/USGS. Selain itu, digunakan pula variabel wilayah administrasi berupa shapefile Provinsi Sulawesi Tengah yang berfungsi sebagai batas spasial untuk memetakan distribusi gempa secara geografis. Kombinasi variabel koordinat geografis, waktu kejadian, dan batas wilayah administrasi ini memungkinkan penelitian untuk mengidentifikasi pola spasial dan temporal kejadian gempa bumi di Sulawesi Tengah secara lebih komprehensif
3.3 Analisis Data
Import library: menggunakan paket R seperti sf, ggplot2, dplyr, readr, viridis, lubridate, dan rnaturalearth untuk pengolahan serta visualisasi data spasial.
Baca data gempa: data gempa dalam format CSV diimpor, kemudian dilakukan pembersihan dan konversi kolom waktu ke format POSIXct.
Filter data: data difokuskan pada kejadian gempa tahun 2024 untuk analisis temporal.
Konversi ke data spasial: data gempa diubah menjadi objek sf dengan variabel koordinat latitude dan longitude.
Overlay dengan batas wilayah: data gempa digabungkan dengan shapefile administrasi Provinsi Sulawesi Tengah (BPS) untuk analisis spasial per kabupaten/kota.
Visualisasi peta epicenter: dibuat peta distribusi episentrum gempa dengan ukuran titik mewakili magnitudo dan warna mewakili kedalaman.
Analisis pola spasial: identifikasi persebaran gempa, magnitudo sedang (4,1–4,9 SR), kedalaman dangkal (~10 km), dominan di Sulawesi Tengah.
Interpretasi hasil: pola gempa dangkal di zona tektonik aktif menunjukkan potensi dampak besar terhadap infrastruktur dan populasi, penting untuk mitigasi bencana.
BAB IV PEMBAHASAN
Input Libary
library(sf)## Linking to GEOS 3.11.2, GDAL 3.8.2, PROJ 9.3.1; sf_use_s2() is TRUElibrary(ggplot2)
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, unionlibrary(readr)
library(viridis)## Loading required package: viridisLitelibrary(rnaturalearth)
library(rnaturalearthdata)##
## Attaching package: 'rnaturalearthdata'## The following object is masked from 'package:rnaturalearth':
##
## countries110library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionlibrary(rlang)Baca data gempa
fyz <- read_csv("fyzgempa.csv", show_col_types = FALSE)Ubah kolom waktu dan filter tahun 2024
fyz <- fyz %>%
mutate(time = as.POSIXct(time)) %>%
filter(year(time) == 2024)Ubah ke data spasial
gempa_sf <- st_as_sf(fyz, coords = c("longitude", "latitude"), crs = 4326, remove = FALSE)Batas Indonesia
indo <- ne_countries(country = "Indonesia", returnclass = "sf")Plot peta epicenter
Hasil plot pada gambar tersebut menunjukkan persebaran titik-titik episentrum gempa bumi di wilayah Indonesia selama tahun 2024, dengan dominasi kejadian yang terpusat di wilayah Sulawesi bagian tengah. Setiap titik merepresentasikan lokasi gempa dengan ukuran lingkaran yang menggambarkan besarnya magnitudo dan warna yang menunjukkan kedalaman pusat gempa. Berdasarkan peta tersebut, terlihat bahwa gempa yang terjadi umumnya memiliki magnitudo sedang, berkisar antara 4,1 hingga 4,9 skala Richter, dengan kedalaman relatif dangkal sekitar 10 kilometer. Pola ini mengindikasikan bahwa wilayah Sulawesi Tengah memiliki aktivitas seismik yang cukup signifikan, sejalan dengan posisinya yang berada di zona pertemuan lempeng tektonik aktif. Temuan ini penting dalam konteks mitigasi bencana karena wilayah dengan aktivitas gempa dangkal berpotensi menimbulkan dampak permukaan yang lebih besar terhadap infrastruktur dan populasi di sekitarnya.
Baca shapefile BPS Sulawesi Tengah
provinsi <- st_read("Sulawesi_Tengah_ADMIN_BPS.shp", quiet = TRUE)Cek nama kolom kabupaten/kota
names(provinsi)## [1] "ADM0_EN" "date" "validOn" "PROVINCE" "Kabupaten" "PRV2"
## [7] "geometry"Pilih kolom yang berisi nama kabupaten/kota (ubah sesuai hasil pemeriksaan)
nama_kolom_kab <- "Kabupaten" Baca data gempa
datagempa <- read_csv("DataGempa.csv", show_col_types = FALSE)Konversi ke data spasial
gempa_sf2 <- st_as_sf(datagempa, coords = c("Longitude", "Latitude"), crs = 4326, remove = FALSE)Plot peta Sulawesi Tengah
ggplot() +
geom_sf(data = provinsi, aes(fill = !!sym(nama_kolom_kab)), color = "black", size = 0.2) +
geom_sf(data = gempa_sf2, aes(size = Magnitude, color = Depth), alpha = 0.8) +
scale_fill_viridis_d(option = "turbo", name = "Kabupaten/Kota") +
scale_color_viridis(option = "plasma", name = "Kedalaman (km)") +
scale_size_continuous(name = "Magnitudo", range = c(1.5, 5)) +
labs(
title = "Peta Kabupaten/Kota di Provinsi Sulawesi Tengah",
subtitle = "Setiap kabupaten/kota diberi warna berbeda",
caption = "Data: Sulawesi_Tengah_ADMIN_BPS.shp & DataGempa.csv"
) +
theme_minimal() +
theme(
legend.position = "right",
plot.title = element_text(face = "bold", size = 14)
)
Pada plot di atas menunjukkan peta tematik Provinsi Sulawesi Tengah yang divisualisasikan berdasarkan pembagian wilayah administratif kabupaten/kota dengan warna yang berbeda. Setiap warna merepresentasikan wilayah tertentu seperti Donggala, Palu, Morowali, Poso, dan daerah lainnya. Titik-titik berwarna pada peta menggambarkan lokasi kejadian gempa bumi, di mana ukuran titik menunjukkan besaran magnitudo gempa. Dari peta tersebut terlihat bahwa persebaran kejadian gempa relatif terkonsentrasi pada bagian barat daya wilayah, khususnya di sekitar koordinat 100°–105° BT, yang mengindikasikan adanya aktivitas seismik yang cukup tinggi di kawasan tersebut. Visualisasi ini berfungsi untuk membantu analisis spasial dalam memahami hubungan antara wilayah administratif dan distribusi kejadian gempa di Sulawesi Tengah.
BAB III KESIMPULAN
Masalah penelitian yang paling relevan dengan topik tersebut adalah mengenai fluktuasi nilai ekspor minyak kelapa sawit (CPO) Indonesia yang dipengaruhi oleh berbagai faktor ekonomi domestik dan global. Penelitian ini perlu mengkaji bagaimana perubahan permintaan dan penawaran di pasar internasional, pergerakan harga CPO dunia, serta kebijakan ekspor yang diterapkan oleh pemerintah Indonesia memengaruhi nilai ekspor CPO secara keseluruhan. Dengan demikian, fokus utama penelitian ini adalah untuk menganalisis faktor-faktor yang secara signifikan menentukan dinamika ekspor minyak kelapa sawit Indonesia dan dampaknya terhadap kinerja perdagangan luar negeri nasional.
Variabel utama yang dapat diidentifikasi dalam penelitian ini meliputi variabel dependen berupa nilai ekspor minyak kelapa sawit Indonesia, serta variabel independen seperti harga CPO dunia, tingkat permintaan pasar global, daya saing ekspor CPO Indonesia, nilai tukar rupiah terhadap dolar Amerika Serikat, dan kebijakan ekspor pemerintah. Hubungan antarvariabel tersebut dapat diformulasikan bahwa semakin tinggi harga dan permintaan pasar dunia, serta semakin kuat daya saing ekspor Indonesia, maka nilai ekspor CPO Indonesia cenderung meningkat; sebaliknya, fluktuasi nilai tukar dan kebijakan ekspor yang kurang mendukung berpotensi menurunkan nilai ekspor tersebut.
Berdasarkan hasil analisis dan visualisasi yang dilakukan menggunakan bahasa pemrograman R, dapat disimpulkan bahwa R memiliki kemampuan yang sangat baik dalam mengolah dan menampilkan data spasial secara informatif, efisien, serta mudah direplikasi. Melalui pemanfaatan paket seperti sf, ggplot2, dan viridis, visualisasi data gempa tahun 2024 menunjukkan persebaran episentrum yang dominan di wilayah Sulawesi Tengah dengan karakteristik magnitudo sedang dan kedalaman dangkal. Pola tersebut mengindikasikan tingginya aktivitas seismik di kawasan tersebut akibat pertemuan lempeng tektonik aktif. Hasil ini menegaskan bahwa pendekatan analisis spasial berbasis R tidak hanya efektif dalam menggambarkan fenomena geografi secara visual, tetapi juga berperan penting dalam mendukung penelitian kebencanaan dan perencanaan mitigasi risiko di Indonesia.
DAFTAR PUSTAKA
Hidayat, R. (2024). Transformasi data spasial ke format sf untuk visualisasi peta tematik. Jurnal Sistem Informasi Geografis, 8(1), 21–30.
Kuntari, W. (2023). Pemanfaatan R dalam analisis spasial sosial. Jurnal Sosial Terapan, 4(2), 77–88.
Kurniawan, A., & Sari, M. (2020). Analisis Data Geospasial Menggunakan R dan QGIS untuk Pemetaan Infrastruktur. Jurnal Sains dan Informatika, 6(3), 210–219.
Pratama, B. (2022). Penerapan data spasial untuk analisis lingkungan. Jurnal Lingkungan Hidup Indonesia, 10(3), 112–124.
Rachmawati, L., & Setiawan, D. (2021). Pemanfaatan R untuk Analisis Data Spasial Open Data Pemerintah. Jurnal Geomatika Indonesia, 5(1), 33–41.
Rahmawati, D. (2021). Visualisasi interaktif data spasial dengan paket plotly. Jurnal Teknologi Informasi Indonesia, 7(2), 89–100.
Santoso, A. (2022). Penerapan R dalam peta tematik berbasis data raster. Jurnal Kartografi Indonesia, 12(2), 67–78.
Sastrawan, B. W. U. (2024). Komparasi paket R untuk analisis data spasial dalam penelitian sosial. Jurnal Sosial Terapan, 5(2), 33–44.
Wibowo, T. (2022). Visualisasi data spasial menggunakan R: Studi kasus pemetaan wilayah perkotaan. Jurnal Geografi Indonesia, 9(1), 55–6
Yuniarti, D., Prasetyo, A., & Rahmawati, N. (2022). Visualisasi Data Spasial Menggunakan R dalam Analisis Sebaran Kasus Penyakit di Jawa Barat. Jurnal Teknologi Informasi dan Komputer, 8(2), 145–152.