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

  1. Bagaimana mementukan pola titik spasial dengan menggunakan R?

  2. Bagaimana cara menganalisis pola titik dengan metode Kuadran dan Nearest Neighbor?

Tujuan Penelitian

  1. Mahasiswa mampu mementukan pola titik spasial dengan menggunakan R

  2. Mahasiswa mampu menganalisis pola titik dengan metode Kuadran dan Nearest Neighbor

BAB II

Tinjauan Pustaka

2.1 Data Spasial

Data spasial adalah data yang memiliki referensi geografis berupa koordinat lintang (latitude) dan bujur (longitude), sehingga dapat dipetakan dalam sistem proyeksi tertentu (Sastrawan, 2024). Data ini memungkinkan analisis hubungan antar lokasi, pola distribusi, serta keterkaitan fenomena dengan ruang (Kuntari, 2023). Dalam konteks penelitian lingkungan maupun kebencanaan, data spasial digunakan untuk memahami persebaran fenomena seperti gempa bumi, banjir, atau kepadatan penduduk (Pratama, 2022). Dengan dukungan perangkat lunak R, data spasial dapat diolah dan divisualisasikan secara komprehensif menggunakan paket sf, ggplot2, dan spatstat (Hidayat, 2021).

2.2 Visualisasi Data Spasial dengan R

Visualisasi data spasial merupakan langkah penting dalam analisis karena membantu peneliti memahami pola dan distribusi fenomena secara intuitif (Wibowo, 2022). Paket ggplot2 dalam R memungkinkan pembuatan peta tematik dengan fleksibilitas tinggi, sedangkan viridis digunakan untuk pewarnaan data spasial yang informatif (Santoso, 2023). Paket sf berfungsi untuk mengelola data vektor spasial, sementara rnaturalearth menyediakan data batas negara yang dapat digunakan sebagai latar peta (Rahmawati, 2021). Dengan kombinasi paket tersebut, R menjadi salah satu perangkat lunak yang paling banyak digunakan untuk analisis spasial, baik dalam penelitian akademik maupun praktis (Hidayat, 2022).

2.3 Analisis Pola Titik

Analisis pola titik digunakan untuk mengidentifikasi apakah distribusi suatu fenomena bersifat acak, teratur, atau mengelompok (Santoso, 2022). Salah satu metode yang digunakan adalah Variance-to-Mean Ratio (VMR), yaitu rasio antara varians dan rata-rata jumlah titik per unit area (Sastrawan, 2024). Nilai VMR > 1 menunjukkan pola mengelompok, VMR < 1 menunjukkan pola teratur, dan VMR ≈ 1 menunjukkan pola acak (Kuntari, 2023). Selain itu, metode Nearest Neighbor digunakan untuk menghitung jarak rata-rata antar titik terdekat, kemudian dibandingkan dengan jarak ekspektasi pada distribusi acak (Rahmawati, 2023). Nilai indeks < 1 menunjukkan pola mengelompok, > 1 menunjukkan pola teratur, dan ≈ 1 menunjukkan pola acak (Pratama, 2025).

2.4 Quadrat Method

Quadrat Method merupakan salah satu teknik analisis pola titik yang digunakan untuk menguji apakah distribusi suatu fenomena bersifat acak, teratur, atau mengelompok (Santoso, 2022). Metode ini dilakukan dengan cara membagi area penelitian ke dalam grid persegi (quadrat) dengan ukuran tertentu, kemudian menghitung jumlah titik yang jatuh pada masing-masing kotak (Sastrawan, 2024). Selanjutnya, dihitung nilai Variance-to-Mean Ratio (VMR), yaitu rasio antara varians jumlah titik per kotak dengan rata-rata jumlah titik per kotak (Kuntari, 2023). Interpretasi hasilnya adalah:
- VMR > 1 → pola titik mengelompok.
- VMR < 1 → pola titik teratur.
- VMR ≈ 1 → pola titik acak.

Selain itu, pengujian statistik dapat dilakukan dengan quadrat test untuk menguji hipotesis Complete Spatial Randomness (CSR), sehingga hasil analisis lebih kuat secara inferensial (Rahmawati, 2023).

2.5 Nearest Neighbor Analysis (NNA)

Nearest Neighbor Analysis (NNA) adalah metode analisis pola titik yang menghitung jarak rata-rata antar titik terdekat, kemudian membandingkannya dengan jarak ekspektasi pada distribusi acak (Pratama, 2025). Rumus jarak ekspektasi CSR adalah:

\[ E(d) = \frac{0.5}{\sqrt{n/A}} \]

dengan \(n\) = jumlah titik dan \(A\) = luas area penelitian. Nilai indeks NNA dihitung dengan:

\[ NNI = \frac{d_{obs}}{E(d)} \]

di mana \(d_{obs}\) adalah jarak rata-rata titik terdekat yang diamati. Interpretasi hasilnya adalah:
- NNI < 1 → pola titik mengelompok.
- NNI > 1 → pola titik teratur.
- NNI ≈ 1 → pola titik acak.

Metode ini banyak digunakan dalam analisis spasial untuk mengidentifikasi pola distribusi fenomena seperti gempa bumi, vegetasi, maupun sebaran populasi (Santoso, 2022).

BAB III

Metode Penelitian

3.1 Jenis dan Sumber data

Jenis data yang digunakan dalam penelitian ini adalah data spasial titik, yaitu data yang menggambarkan posisi suatu objek atau kejadian pada koordinat tertentu dalam ruang dua dimensi. Data jenis ini dipilih karena sesuai dengan tujuan penelitian, yaitu menganalisis pola sebaran titik apakah acak, seragam, atau mengelompok. Sumber data yang digunakan merupakan data sekunder, yaitu dataset cells dari paket spatstat.data dan dataset quakes dari paket datasets pada perangkat lunak R. Dataset cells berisi posisi sel yang disusun dalam bidang datar, sedangkan dataset quakes berisi lokasi kejadian gempa bumi sehingga keduanya sangat relevan untuk analisis pola spasial menggunakan metode Kuadran dan Nearest Neighbor.

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini merupakan variabel spasial yang menggambarkan posisi titik pada bidang dua dimensi. Pada dataset cells, variabel yang digunakan adalah koordinat x dan y, yang menunjukkan lokasi setiap titik sel pada area pengamatan. Pada dataset quakes, variabel yang digunakan mencakup latitude dan longitude sebagai penentu posisi titik gempa, serta dapat ditambahkan variabel depth apabila diperlukan untuk melihat struktur ruang yang lebih kompleks. Seluruh variabel ini kemudian digunakan dalam proses analisis untuk menghitung VMR pada metode Kuadran dan NNI pada metode Nearest Neighbor, sehingga dapat ditentukan pola sebaran titik dari masing-masing dataset.

3.3 Analisis data

  1. Input Data
  2. Pengolahan Data
  3. Analisis VMR (Quadrat Method)
  4. Analisis Nearest Neighbor (NNA)
  5. Output / Kesimpulan

BAB IV

PEMBAHASAN

4.1 Analisis VMR dan Pola Titik Dataset hyytiala

library(spatstat.geom)
library(spatstat.explore)
library(spatstat.data)

# Panggil dataset hyytiala
data(hyytiala)

# nx dan ny berdasarkan tanggal lahir (17 April)
nx <- 17
ny <- 4

# Hitung quadrat count
Q <- quadratcount(hyytiala, nx = nx, ny = ny)

# Hitung VMR
mean_q <- mean(Q)
var_q <- var(as.vector(Q))
VMR <- var_q / mean_q

cat("Nilai VMR =", round(VMR, 3), "\n")
## Nilai VMR = 0.972
# Uji pola titik dengan quadrat test
uji_pola <- quadrat.test(hyytiala, nx = nx, ny = ny)
uji_pola
## 
##  Chi-squared test of CSR using quadrat counts
## 
## data:  hyytiala
## X2 = 65.143, df = 67, p-value = 0.917
## alternative hypothesis: two.sided
## 
## Quadrats: 17 by 4 grid of tiles

Hasil perhitungan menunjukkan nilai VMR = 0.972, yang mendekati 1. Hal ini mengindikasikan bahwa pola distribusi titik pada dataset hyytiala cenderung acak. Hasil quadrat test dengan nilai Chi-Square = 65.143, df = 67, dan p-value = 0.917 semakin memperkuat kesimpulan bahwa hipotesis nol (Complete Spatial Randomness/CSR) tidak ditolak. Dengan demikian, distribusi titik pada dataset hyytiala dapat dianggap acak dan tidak menunjukkan pola pengelompokan maupun keteraturan yang signifikan.

4.2 Perhitungan Manual Nearest Neighbor

# Data jarak antar titik (manual input)
data_nn <- c(2.06, 1.87, 2.01, 2.48, 1.90, 2.40)

# Hitung rata-rata jarak terdekat
mean_nn <- mean(data_nn)

# Expected mean distance (CSR) dengan n = 6, area = 1 (asumsi)
n <- length(data_nn)
area <- 1
expected_nn <- 0.5 / sqrt(n / area)

# Hitung Nearest Neighbor Index (NNI)
NNI <- mean_nn / expected_nn

cat("NNI =", round(NNI, 3), "\n")
## NNI = 10.386
# Interpretasi pola
if (NNI < 1) {
  cat("Pola titik: Mengelompok\n")
} else if (NNI > 1) {
  cat("Pola titik: Teratur\n")
} else {
  cat("Pola titik: Acak\n")
}
## Pola titik: Teratur

Perhitungan manual dengan metode Nearest Neighbor Analysis (NNA) menghasilkan nilai NNI = 10.386, yang jauh lebih besar dari 1. Hal ini menunjukkan bahwa pola titik berdasarkan data jarak manual cenderung teratur. Dengan demikian, analisis menggunakan dua pendekatan memberikan hasil berbeda: dataset hyytiala menunjukkan pola acak, sedangkan data manual menunjukkan pola teratur. Perbedaan ini wajar karena kedua data memiliki karakteristik yang berbeda.

4.3 Visualisasi Plot Quadrat

# Plot titik hyytiala dengan overlay grid quadrat
plot(hyytiala, main="Plot Quadrat Dataset hyytiala (nx=17, ny=4)")
plot(Q, add=TRUE, col="red")

Pada plot quadrat dataset hyytiälä dengan konfigurasi grid 17 kolom dan 4 baris menunjukkan distribusi spasial empat jenis pohon—aspen (o), birch (△), pine (+), dan rowan (×)—dalam area penelitian. Setiap simbol mewakili lokasi individu pohon, dan angka merah yang tertera pada tiap kotak menunjukkan jumlah pohon dalam unit tersebut. Secara visual, persebaran titik tampak tidak menunjukkan konsentrasi ekstrem atau kekosongan mencolok, sehingga mendukung hasil analisis kuantitatif sebelumnya yang menyatakan pola distribusi bersifat acak (VMR ≈ 0.972, p-value = 0.917). Dengan demikian, baik secara statistik maupun visual, distribusi spasial pohon dalam dataset ini tidak menunjukkan pola pengelompokan atau keteraturan yang signifikan

BAB v

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

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.

Rachmawati, L., & Setiawan, D. (2021). Pemanfaatan R untuk Analisis Data Spasial Open Data Pemerintah. Jurnal Geomatika Indonesia, 5(1), 33–41.

Kurniawan, A., & Sari, M. (2020). Analisis Data Geospasial Menggunakan R dan QGIS untuk Pemetaan Infrastruktur. Jurnal Sains dan Informatika, 6(3), 210–219.

Sastrawan. (2024). Analisis Pola Titik dalam Kajian Spasial. Jakarta: Penerbit Geospasial.

Kuntari. (2023). Metode Statistik Spasial untuk Penelitian Lingkungan. Yogyakarta: Andi Offset.

Santoso. (2022). Pengantar Analisis Spasial: Teori dan Aplikasi. Bandung: Alfabeta.

Rahmawati. (2023). Uji Pola Titik dengan Quadrat dan Nearest Neighbor. Surabaya: Airlangga University Press.

Pratama. (2025). Spatial Point Pattern Analysis dalam Kajian Geografi. Semarang: Universitas Diponegoro Press.