Panduan Operasional Analisis Data Spasia

(1)

PANDUAN OPERASIONAL

PENGOLAHAN DATA SPASIAL

R i n d a n g B a n g u n P r a s e t y o

Dengan Software:

OpenJump

OpenGeoDa

GWR4

ArcView

(2)

(3)

Panduan Operasional Pengolahan Data Spasial

Software yang digunakan:

1. OpenJump: untuk proses penyimpanan/ penggabungan data (format csv, comma delimited) ke dalam file peta (shapefile).

2. OpenGeoDa: untuk pengecekan korelasi spasial dan heterogenitas serta untuk regresi

Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM).

3. GWR4: untuk estimasi model Geographically Weighted Regression (GWR). 4. ArcView: untuk pembuatan peta tematik.

2.1. OpenJump

Tahap 1. Menyiapkan file peta (shapefile)

Tampilan Windows Langkah

1. Buka aplikasi OpenJUMP dengan double click pada sortcut

2. Pilih menu File  Open atau icon

3. Muncul dialog Open file, Pilih direktori penyimpanan file, kemudian ubah pilihan “Files

of type” menjadi “Esri Shapefile (*.shp)” kemudian

klik nama file peta yang sesuai. Pada contoh ini nama file yang kita pilih adalah:

“3517desa.shp”. Kemudian

klik Finish

(4)

Tahap 2. Menyiapkan file data (file *.csv)

TIPS File data yang digunakan berekstensi csv (comma delimited), dapat diperoleh dari menu File Save As pada SPSS dan File Save As Ms. Excel.

1. Pilih menu File  Open atau icon

2. Ubah pilihan “Files of type”

menjadi “Csv (auto)”. Cari

nama file data yang disimpan. Pada contoh ini pilih

“data279.csv” pada folder DataPelatihan kemudian klik Finish

3. Pada Folder working akan

bertambah file bernama “data 279”

(5)

Tahap 3. Menggabungkan data pada peta

1. Klik kanan pada data klik

“Editable”. Selanjutnya klik kanan

kembali pada data dan pilih

“View/Edit Schema”

2. Ubah Data Type pada variabel

“kode” (variabel yang dijadikan kunci untuk matching dengan data di file

shapefile) menjadi “Integer”,

sementara variabel lainnya (Y, X1, X2, X3, X4, X5, X6) diubah Data Type-nya menjadi “Double”, dan biarkan variabel “Geometry”

(variabel ini dibuat oleh OpenJump untuk digunakan sebagai informasi geografis). Kemudian klik Apply Changes, dan tutup dialog tersebut.

3. Pilih file “3517desa” dibawah folder “Working” dengan cara klik

pada nama tersebut.

4. Selanjutnya klik Menu Tools

Edit Attributes  Join Table.

5. Muncul window Join Table, pilih Base layer dengan nama shapefile

yaitu “3517desa” dengan unik ID dipilih “KODE_DES” dan pilih atribut layer yang akan dijoin “Data 279” dengan unik ID “Kode”. Kemudian

(6)

6. Setelah selesai akan tampil di folder Result dua file yakni join result dan unmatched items.

TIPS Unique IDs harus diisi dengan variabel yang menjadi kunci untuk proses

matching (pada file peta bernama “KODE_DES” pada file data bernama “kode”).

Tahap 4. Menghapus data yang unmatched dengan fasilitas “Query”

1. Pilih file “3517desa– join result”

pada folder “Result”, selanjutnya

klik

2. Muncul jendela Attributes dimana terlihat kode desa yang tidak match tidak ada isian datanya (blank). Kita akan melakukan penghapusan terhadap observasi (desa) yang seperti ini dari dalam file hasil penggabungan (join result).

(7)

4. Muncul kotak dialog Query Builder.

 Beri tanda cek hanya pada pilihan “Create a

New Layer” dalam grup Results.

 Pastikan isian pada kotak pilihan Layer berisi nama file hasil penggabungan data (dalam

hal ini bernama “3517desa – join result”). Kemudian pilih isian pada kotak pilihan Attribute dengan nama variabel kunci pada proses matching (dalam hal ini bernama

“Kode (INTEGER)”).

 Berikutnya isikan kotak Function dengan pilihan “is null”, kotak Operator pada pilihan

“=”, dan kotak Value pada pilihan “false”.

 Klik tombol Valid untuk mengeksekusi proses penghapusan data yang tidak match. 5. OpenJump menambahkan satu file

bernama:

“3517desa - joinresult_kode_=_false”

6. Untuk melihat hasilnya dapat diklik

Tahap 5. Menyimpan file hasil “Query” dalam format file peta.

1. Klik kanan file “3517

(8)

2. Muncul menu popup selanjutnya pilih dan

klik pada menu “Save Dataset As”

3. Pada window Save Dataset As:

Pilih Format “ESRI Shapefile”. Pilihan ini

memastikan bahwa file peta yang akan kita simpan adalah dalam format .shp

 Selanjutnya pada kotak isian File name isikan nama file: misalkan dengan

“3517desaJoin.shp”. Perhatikan bahwa

OpenJump menghendaki penulisan nama lengkap dengan extension-nya (dalam hal

ini extension berupa “.shp”). Jika tidak,

OpenJump akan menampilkan pesan error.

 Klik tombol OK. OpenJump selanjutnya akan melakukan proses penyimpanan.

2.2. OpenGeoDa

Tahap 1. Membuka Shapefile yang sudah berisi data pengamatan (hasil join)

1. Buka GeoDa dengan double click pada file.

(9)

3. Muncul dialog open shapefile, pilih direktori penyimpanan dan shapefile dari tahapan sebe-lumnya (3517desaJoin.shp), Klik Open.

4. File akan terbuka pada jendela Map.

Tahap 2. Membuat file matriks penimbangspasial (spatial weight matrix)

1. Klik Tools  Weight  Create

2. Muncul window Weights File Creation, pada isian Weights File ID Variable pilih nama variabel identitas

desa/kelurahan yakni “Kode”.

(10)

3. Muncul dialog penyimpanan file penimbang. Pilih direktori penyimpanan dan isi nama file misalnya dengan nama: 3517desaJoin.gal selanjutnya Klik Save

4. OpenGeoda akan melakukan proses pembuatan matriks penimbang

Tahap 3. Menghitung Indeks Global Moran’s I

1. Klik Space Univariate Moran’s I

2. Muncul dialog Variable Setting. Klik nama variabel yang akan dihitung indeks Global

Moran’s I nya. Dalam contoh ini variabel

(11)

3. OpenGeoda akan menghitung nilai indeks

Global Moran’s I dan menampilkannya

dalam bentuk grafik di sebelah kiri.

Untuk menampilkan uji signifikansi dari nilai indeks tersebut klik kanan pada area sekitar grafik kemudian klik “Display

Statistics”.

Tahap 4. Mengestimasi Model Regresi Clasik

Variabel respon : Y = Persentase rumah tangga miskin Variabel bebas : X1 = Status kepemilikan bangunan

X2 = Jenis atap bangunan tempat tinggal X3 = Jenis lantai bangunan tempat tinggal X4 = Sumber penerangan

X5 = Tingkat pendidikan Kepala Rumah Tangga X6 = Kepemilikan Aset

1. Klik menu Methods  Regression

2. Muncul window Regression. Masukkan variabel respon (Y) ke dalam kotak isian Dependent Variable, dan variabel-variabel bebas (X1-X6) ke dalam kotak isian Covariates.

Selanjutnya beri tanda cek pada kotak

pilihan “Weights File” dan pastikan

nama file sudah sesuai dengan nama file penimbang spasial yang digunakan. Jika belum, klik tombol untuk memilih file penimbang yang sesuai. Pada grup Models kita dapat memilih salah satu dari tiga model regresi (Classic, Spatial Lag, atau Spatial Error). Pada tahap awal ini pilih Classic.

Klik tombol “Run” untuk memulai proses

(12)

3. Muncul jendela yang menampilkan output estimasi model regresi dan diagnosa terhadap residual model regresi yang dihasilkan

Tahap 5. Melakukan Diagnosa Residual Model Regresi

SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION Data set : 3517desaJoin

MULTICOLLINEARITY CONDITION NUMBER 57.046727 TEST ON NORMALITY OF ERRORS

TEST DF VALUE PROB Jarque-Bera 2 22.04446 0.0000163

DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS

DIAGNOSTICS FOR SPATIAL DEPENDENCE

(13)

2. Adanya pengaruh spasial dalam variabel yang diteliti dapat diamati dari output

dibawah judul “Diagnostic for heteroskedasticity” yang menguji permasalahan heteroskedastisitas (varians residual yang tidak konstan dan diduga terkait dengan heterogenitas spasial). Nilai PROB Breusch–Pagan test di bawah 0,05 menunjukkan bukti yang signifikan adanya pengaruh heterogenitas spasial dalam model.

3. Hasil Diagnostic for spatial dependence digunakan untuk mengetahui permasalahan korelasi spasial. Nilai PROB di bawah 0,05 Uji Lagrange Multiplier baik untuk lag maupun error menunjukkan bukti yang signifikan bahwa terdapat pengaruh korelasi spasial dalam model yang diteliti.

Tahap 6. Model Regresi Spatial Lag atau Spatial Autoregressive Model (SAR)

1 Melalui klik sub menu Regression pada Methods, muncul window Regression. Masukkan variabel respon (Y) ke dalam kotak isian Dependent Variable, dan variabel-variabel bebas (X1-X6) ke dalam kotak isian Covariates.

Sebagaimana pada pembahasan sebelumnya, beri tanda cek pada

kotak pilihan “Weights File”.

Selanjutnya pada grup Models kita pilih Spatial Lag. Kemudian klik tombol

“Run” untuk memulai proses estimasi

model regresi Spatial Lag.

5. Muncul jendela yang menampilkan output estimasi model regresi Spatial Lag

Output SAR:

SUMMARY OF OUTPUT: SPATIAL LAG MODEL - MAXIMUM LIKELIHOOD ESTIMATION Data set : 3517desaJoin

Spatial Weight : 3517desaJoin.gal

(14)

Lag coeff. (Rho) : 0.323243

SPATIAL LAG DEPENDENCE FOR WEIGHT MATRIX : 3517desaJoin.gal TEST DF VALUE PROB

Likelihood Ratio Test 1 28.35501 0.0000001

========================= END OF REPORT==============================

1. Model yang dihasilkan yaitu:

1 2 3 4 5 6 dengan memasukkan variabel penimbang spasial (dalam contoh ini variabel tersebut bernama W_Y). Perhatikan nilai di bawah kolom Probability untuk variabel ini. Nilai < 0,05 menunjukkan bukti bahwa penambahan variabel ini signifikan berpengaruh dalam model. Di samping itu pada output Diagnostic for Spatial Dependence nilai di bawah kolom PROB yang juga menunjukkan angka < 0,05 menunjukkan bukti bahwa model regresi spasial memberikan penjelasan lebih baik daripada model regresi Classic. Selain itu berdasarkan Nilai R-squared dan AIC, R-squared dari model Spatial Lag (0.439787) lebih besar dari pada regresi clasik (0,3655) dan nilai AIC model Spatial Lag (1811.25) lebih kecil dari pada regresi clasik (1837,6) sehingga dapat disimpulkan Model SpaTial Lag memberikan hasil estimasi yang lebih baik.

(15)

Tahap 7. Model Regresi Spatial Error Model (SEM)

1. Melalui klik sub menu Regression pada Methods, muncul window Regression. Masukkan variabel respon (Y) ke dalam kotak isian Dependent Variable, dan variabel-variabel bebas (X1-X6) ke dalam kotak isian Covariates.

Sebagaimana pada pembahasan sebelumnya, beri tanda cek pada

kotak pilihan “Weights File”.

Selanjutnya pada grup Models kita pilih Spatial Error. Kemudian klik

tombol “Run” untuk memulai proses estimasi model regresi Spatial Error.

6. Muncul jendela yang menampilkan output estimasi model regresi Spatial Error

Output SEM:

(16)

REGRESSION DIAGNOSTICS

DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS

TEST DF VALUE PROB Breusch-Pagan test 6 25.7535 0.0002475

DIAGNOSTICS FOR SPATIAL DEPENDENCE

SPATIAL ERROR DEPENDENCE FOR WEIGHT MATRIX : 3517desaJoin.gal TEST DF VALUE PROB

Likelihood Ratio Test 1 41.16613 0.0000000

========================= END OF REPORT==============================

1. Model regresi SEM yang dihasilkan yaitu:

1 2 3 4 5 6

2. Pada model regresi Spatial Error, pengaruh korelasi spasial diakomodir dalam model dengan memasukkan variabel penimbang spasial LAMBDA. Perhatikan nilai Probability untuk variabel ini. Nilai < 0,05 menunjukkan bukti bahwa penambahan variabel ini signifikan berpengaruh dalam model. Di samping itu pada output Diagnostic for Spatial Dependence nilai di bawah kolom PROB yang juga menunjukkan angka < 0,05 menunjukkan bukti bahwa model regresi spasial error memberikan penjelasan lebih baik daripada model regresi Classic. Selain itu berdasarkan Nilai squared dan AIC, R-squared dari model Spatial Error yaitu 0.483599 lebih besar dari pada R-R-squared Spatial Lag (0.439787) dan regresi clasik (0,3655) dan nilai AIC model Spatial Lag yaitu 1796.44 lebih kecil dari pada regresi Spatial Lag (1811.25) dan clasik (1837,6) sehingga dapat disimpulkan Model SpaTial Error memberikan hasil estimasi yang lebih baik. 3. Perhatikan nilai di bawah kolom PROB pada output Diagnostic for heteroskedasticity.

Statistik: Breusch–Pagan test dengan nilai PROB <0,05 menunjukkan bukti masih adanya pengaruh heterogenitas spasial dalam model.

2.3. GWR4

Tahap 1. Penyiapan data

1. Buka aplikasi GWR4 dengan

(17)

2. Window GWR4 muncul.

Pada tab “Step 1: Data”

digunakan untuk mengeset data yang akan dianalisis. menyimpan file, kemudian klik nama file yang sesuai.

Untuk memastikan bahwa file yang akan digunakan berhasil dibaca oleh aplikasi GWR4 klik

tombol Open pada tab “Step 1: Data”. Jika file berhasil dibaca, GWR4 akan menampilkan

angka pada kotak isian Number of fileds (banyaknya kolom/ variabel) dan Number of areas (banyaknya baris/observasi) dari data yang tersedia. Kita dapat meng-klik tombol View Data untuk melihat data tersebut secara lebih detil.

Tahap 2: Penentuan variabel-variabel yang akan dimasukkan ke dalam model

1. Klik pada tab “Step 2:

Model” untuk menentukan

(18)

2. Tampilan akan berubah variabel yang diinginkan sebagai input dengan

mengklik tombol “<” atau

mengembalikan (tidak memilih) dengan mengklik

“<” yang terletak di samping kotak-kotak isian yang disediakan.

Beberapa yang harus disetting pada tab Step 2 yaitu:

 Pada tab Locatoinal Variabel, isikan sebagai berikut: ID Key (optional) yaitu kode identitas dari masing-masing wilayah, dalam contoh ini bernama KODE, X coordinate (Lon) variabel dari koordinat bujur dalam contoh ini bernama X_COORD_ dan Y coordinate (Lat) yaitu variabel dari koordinat lintang dalam contoh ini bernama Y_COORD_. Pilih Radio Button “Spherical” karena kita menggunakan variabel bujur dan lintang sebagai posisi geografis suatu wilayah.

 Pilih Radio Button Gaussian pada grup Model Type karena kita akan menggunakan model regresi linier GWR.

 Pada kotak grup Option beri tanda cek : “Geographical variability test” untuk keperluan uji koefisien model yang didapat dan “Standardization of independent

variables” jika ingin menstandarkan nilai-nilai observasi dari variabel bebas.

 Pada grup Regression variables, masukkan variabel respon (Y) ke dalam kotak isian Dependent variable dan semua variabel bebas (X1-X6) ke dalam grup Independent variables pada kotak isian Local (L).

Tahap 3: Penentuan “bandwidth”

(19)

2. Tampilan menjadi Step 3. Dalam tab ini kita akan memilih jenis penimbang (kernel type) dan metode pemilihan bandwith optmimum berdasarkan Selection Criteria.

Pada contoh ini digunakan penimbang dari jenis Adaptive Gausssian (NN) dan dengan metode pemilihan bandwidth

“Golden section search”

Kemudian menggunakan kriteria AICc.

Tahap 4: Penyimpanan output hasil estimasi model GWR.

1. Klik pada tab “Step 4:

Output” untuk menentukan

file output hasil estimasi.

(20)

3. Akan muncul kotak dialog Save As. Pastikan kotak isian Save as type berisi Sgwr control file (*.ctl). kemudian ketik nama file, misalnya diberi nama GWRkemiskinan.

Kotak dialog GWR4 tab Step 4 akan kembali aktif, Output pada grup Common outputs akan terisi keterangan file yang telah kita isikan (lihat tampilan di atas.

Tahap 5. Proses estimasi model.

Tampilan Windows Langkah akan melakukan proses estimasi.

3. Tunggu beberapa saat sampai GWR4 memuncul-kan informasi dengan teks

“Program terminated” pada

kotak hasil. Kita dapat melihat hasil estimasi pada kotak hasil dan juga melihat nilai estimasi koefisien variabel bebas pada model GWR dengan mengklik

(21)

Output GWR:

Melihat bandwith terbaik (Best Bandwidth) dan kriteria kebaikan model

***************************************************************************** GWR (Geographically weighted regression) result

***************************************************************************** Bandwidth and geographic ranges

Bandwidth size: 54.000000

 Best Bandwidth dapat dilihat pada output dengan judul Bandwith and geographic ranges. Best Bandwidth yang dihasilkan adalah 54 yang artinya terdapat 54 tetangga yang signifikan memiliki hubungan spasial dengan suatu wilayah. Pada hasil GWR, Residual sum of squares sebesar 9048,099. Semakin kecil nilai Residual sum of squares , maka akan semakin baik model yang terbentuk. Pemilihan model terbaik dapat dilihat dari nilai residual sum of square, classic AIC, dan R square.

 Nilai Classic AIC sebesar 1804,157. Semakin kecil nilai AIC suatu model, maka semakin baik model yang terbentuk. Selain itu, AIC juga mempertimbangkan kesederhanaan model yang dibentuk.

 Semakin besar nilai R square, maka semakin baik model yang terbentuk. Nilai R square sebesar 0.4904 artinya variabel bebas yang ada dalam model dapat menjelaskan Y (kemiskinan) sebagai variabel respon sebesar 49,04%dan sisanya dijelaskan oleh variabel lain di luar model.

Melihat apakah model GWR lebih baik dari model OLS

*****************************************************************************

(22)

model OLS (regresi global). Model GWR lebih baik dari model OLS jika nilai sum square GWR residuals lebih kecil dari sum square global residuals. Hal ini dapat dibuktikan pula dengan uji F, yaitu dengan membandingkan nilai F hitung dengan F tabel apakah signifikan atau tidak. Pada hasil di atas, nilai F hitung sebesar 3,076214 dengan degree of freedom (20,075 ; 251,925) dan dengan tingkat signifikansi 0,05 maka diperoleh nilai F tabel sebesar 1,612557 atau dengan memasukkan nilai F hitung maka diperoleh p-value sebesar 0,00002 (diperoleh dari fungsi excel). Nilai tersebut berada dibawah tingkat singnifikasi 0,05 yang artinya model GWR signifikan lebih baik dari model OLS.

Melihat apakah variabel bebas secara signifikan bervariasi secara spasial

************************************************************************* Geographical variability tests of local coefficients

************************************************************************* Variable F DOF for F test DIFF of Criterion --- --- --- ---

Intercept 2210.079727 1.053 259.139 -639.499404 X1 6.057418 1.884 259.139 -7.635222 X2 3.202073 1.691 259.139 -1.828644 X3 6.904280 1.487 259.139 -7.373935 X4 10.346442 2.241 259.139 -18.696173 X5 60.673513 1.805 259.139 -94.134378 X6 10.066201 2.151 259.139 -17.384672 --- --- --- ---

Note: positive value of diff-Criterion (AICc, AIC, BIC/MDL or CV) suggests no spatial variability in terms of model selection criteria.

Untuk menguji apakah variabel bebas secara signifikan bervariasi secara spasial dapat dilihat pada informasi Geographical variability test of local coefficients. Nilai DIFF of criterion yang bernilai negatif menunjukkan bahwa variabel bebas tersebut signifikan memiliki variabilitas spasial atau heterogenitas spasial secara lokal.

(23)

1.4. ArcView

Tahap 1. Menjalankan software ArcView dan tampilan (window) utamanya.

1. Buka aplikasi ArcView dengan klik pada sortcut.

2. Muncul window Welcome to ArcView GIS. Jika akan membuat suatu project baru, maka bisa memilih radio button with a new View atau as a blank project. Sedangkan jika akan membuka project yang sudah ada, bisa memilih Open an existing project. Misalnya kita pilih membuat project baru dengan memilih Create a new project with a new View, kemudian klik tombol OK.

3. Berikut tampilan dari ArcView dengan window utama yang aktif yaitu View.

(24)

Dalam satu project terdapat 5 tampilan (window) utama, yaitu:

a. Views

Digunakan untuk menampilkan dan memanipulasi peta. Window view merupakan lembar kerja kita untuk melakukan berbagai hal terkait dengan peta (themes) kita, tampilan window views seperti pada Tahap 1 Tampilan Windows 3.

Tombol-tombol yang ada merupakan fasilitas khusus untuk tampilan view. Tombol tesebut tidak aktif sebelum kita menambahkan peta (themes) ke dalam window views. Untuk menambahkan peta dapat dilakukan melalui menu View  Add Theme atau menekan tombol . Lakukan Add Theme untuk peta Kabupaten Jombang, setelah menekan tombol tersebut selanjutnya:

1. Muncul window Add Theme. Tentukan lokasi drive dan folder yang berisi file peta (shapefile) yang akan kita buka. Selanjutnya pilih nama peta pada panel sebelah kiri, kemudian klik tombol OK (atau langsung double click pada nama file peta).

2. Sehingga peta tersebut akan muncul sebagai theme pada View. Untuk menampilkan peta pada View, bisa dilakukan dengan cara memberi tanda cek pada kotak di samping nama file

(25)

Tombol-tombol yang merupakan fasilitas dari window view akan aktif.

Icon Nama tombol Fungsi

Save Project Menyimpan project

Add Theme Menambahkan theme (peta/gambar) ke dalam View

Theme Properties Menampilkan properties dari suatu theme

Edit Legend Mengedit legenda

Open Theme Table Menampilkan tabel dari suatu theme

Find Melakukan pencarian

Query Builder Melakukan query

Zoom to Full Extent Memperbesar/memperkecil sampai seluruh theme terlihat

Zoom to Active Theme(s) Memperbesar/memperkecil sesuai theme yang sedang aktif

Zoom to Selected Memperbesar/memperkecil sesuai feature yang dipilih

Zoom In Memperbesar

Zoom Out Memperkecil

Zoom to Previous Extent Memperbesar/memperkecil sesuai view sebelumnya

Clear Selected Features Menghilangkan pemilihan feature

Help Bantuan

Identify Menampilkan keterangan dari suatu feature

Pointer Sebagai penunjuk (bisa untuk memilih feature) Vertex Edit Mengedit vertex (polyline/polygon)

Select Feature Memilih feature

Zoom In Memperbesar (bisa untuk memperbesar sesuai pemilihan melalui click and drag)

Zoom Out Memperkecil

Pan Menggeser View (click and drag)

Measure Menghitung jarak

Label Menampilkan label

Text Menambahkan tulisan/text

Draw Point/Line/…/

Rectangle

Menambahkan/mengedit feature berupa titik/garis/lingkaran/ kotak dll.

b. Tables

Digunakan untuk menampilkan tabel, baik tabel baru maupun tabel dari peta (theme) sedang aktif yang ada pada views. Tampilan tabel disampaikan pada Tahap 3.

c. Charts

Digunakan untuk menampilkan atau membuat grafik berdasarkan data yang terdapat pada peta atau tabel yang sedang aktif.

d. Layouts

Digunakan untuk membuat tampilan, terutama digunakan pada saat membuat output berupa print-out. Pembuatan layout akan dibahas pada tahap 4.

e. Scripts

(26)

Tahap 2. Membuat peta tematik

Window Legend Editor dapat dipanggil pada saat tampilan utama yang aktif adalah view: 1. Melalui menu Theme  Edit Legend

2. Menekan (klik) tombol

3. Double click pada nama theme yang berada di sebelah kiri Beberapa type Legend yang dapat dibuat:

a. Single Symbol

Pastikan pada Legend type pada window Legend Editir dipilih Single Symbol.

Tampilan Window, Langkah-langkahnya, dan Hasilnya

Untuk mengubah warna theme, lakukan double click pada kotak warna di bawah tulisan Symbol, sehingga akan muncul window Fill Palette. Pilih tab Color Palette, lalu klik warna yang diinginkan, kemudian klik tombol Apply. Maka warna pada theme akan berubah sesuai warna yang diinginkan.

1. double-click pada symbol

2. klik pada color palette

3. klik warna yang diinginkan

(27)

b. Graduated Color

Untuk membuat gradasi warna pilih Legend type sebagai Graduated Color. Tampilan Window, Langkah-langkahnya, dan Hasilnya

Penentuan dasar klasifikasi dapat dipilih pada pop-up menu Classification Field. Field yang dapat dipilih sebagai dasar klasifikasi adalah field yang berisi angka (ber-type Number) misalnya Rumah Tangga miskin, jumlah penduduk, luas area dan lain sebagainya. Tipe dan jumlah klasifikasi default-nya adalah Natural Breaks dengan 5 kelas. Jika ingin mengubahnya, bisa dengan cara meng-klik tombol Classify, kemudian tentukan tipe dan jumlah kelas sesuai keinginan. Sedangkan warna dapat diubah dengan memilih jenis warna pada pop-up menu Color Ramps. TIPS: kita juga bisa merubah setiap warna pada klas sesuai selera kita dengan cara double click pada warna di bawah kolom symbol.

c. Unique Value

Untuk membuatnya set Legend type pada window Legend Editir sebagai Unique Value.

1. pilih Graduated Color

2. pilih dasar klasifikasi

3. klik untuk menentukan jumlah kelas

4. tentukan jumlah kelas

5. klik OK

6. pilih jenis warna

7. klik untuk menerapkan jenis

(28)

Tampilan Window, Langkah-langkahnya, dan Hasilnya

Penentuan nilai tersebut dapat dipilih pada pop-up menu Values Field. Setiap feature yang memiliki nilai yang sama akan memiliki warna yang sama pada theme. Jenis warna yang digunakan dapat diubah dengan memilih jenis warna pada pop-up menu Color Schemes. Misalnya pada contoh, setiap feature desa pada setiap kecamatan yang sama akan memiliki warna yang sama, dan akan memiliki warna yang berbeda dengan warna feature desa pada kecamatan lain.

1. Pilih Unique Value

2. Pilih field atau variabel

3. Pilih Jenis Warna

4. Apply untuk menerapkan tipe

(29)

sebagai tampilan utama yang aktif melalui menu Theme  Table atau mengklik tombol (Open Theme Table). Tampilan window Table (Attributes) yaitu sebagai berikut:

Beberapa proses dalam kegiatan editing tabel yaitu sebagai berikut: Proses 1. Memulai editing tabel dengan Start Editing

Untuk mulai mengedit suatu tabel, setelah menampilkan tabel dari suatu theme menggunakan Open Theme Table, pilih menu Table  Start Editing. Setelah proses Start Editing aktif, maka beberapa sub-menu pada menu Edit akan aktif pula.

Proses 2. Menambahkan field pada tabel

1. klik menu Start Editing

2. beberapa sub-menu pada menu Edit akan

aktif

(30)

Untuk menambahkan suatu field ke dalam tabel, pilih menu Edit  Add Field, sehingga muncul window Field Definition. Misalnya kita akan menambahkan field yang berisi jumlah penduduk dan nama kepala daerah. Untuk jumlah penduduk, maka kita dapat mendefinisikan Field Name: Jml_Pddk, Type: Number, Width: 10, dan Decimal Places: 0. Sedangkan untuk nama kepala daerah, kita dapat mendefinisikan Field Name: Kpl_Daerah, Type: String, dan Width: 25 (jumlah maksimum nama field adalah sebanyak 10 karakter). Kemudian klik tombol OK, sehingga field baru tersebut akan muncul pada tabel pada kolom terakhir.

Proses 3. Mengisi atau mengubah isi cell

Untuk mengisi/mengubah isi cell, kita dapat menggunakan tombol (Edit), kemudian taruh kursor pada cell yang dituju untuk mulai mengisi/mengubah isi cell tersebut.

Proses 4. Menghapus field

Untuk menghapus suatu field dari tabel, pertama yaitu pilih field yang akan dihapus dengan cara meng-klik header field pada tabel supaya aktif, misalnya yaitu field Kpl_Daerah,

1. klik untuk mengaktifkan

fasilitas Edit

2. taruh kursor pada cell yang akan diedit

1. klik header field yg akan dihapus

(31)

Tahap 4. Membuat layout dan export peta tematik

1. Langkah awal melakukan pengaturan terhadap peta

Melalui menu theme, ubah Theme Name sesuai data yang akan ditampilkan melalui menu Theme Properties. Misalnya akan menampilkan peta mengenai Persentase Rumah Tangga Miskin di Kabupaten Jombang, maka Theme Name-nya diubah menjadi Persentase Rumah Tangga Miskin.

TIPS Jika ingin memberikan label (nama wilayah atau bisa juga nilai suatu variabel) pada peta dapat melalui menu Theme  Auto-Label. Pemberian label tentunya

akan menambah kesan “crowded” jika kita menggunakan peta dengan level kecil

Proses membuat layout melalui Template Manager Layout dengan memilih menu View  Layout (saat tampilan utama yang aktif adalah window View)

2. Proses Pembuatan dan Edit Layout

3. ganti Theme Name sesuai dengan data yang akan ditampilkan

pada layout 2. klik menu Theme

 Properties

1. klik untuk mengaktifkan theme

1. Pada window Template Manager pilih jenis orientasi apakah landscape atau portrait. Untuk peta yang memanjang lebih cocok menggunakan

(32)

Dengan menggunakan Template Manager maka layout yang dihasilkan sudah memuat seluruh komponen yang meliputi: Judul, gambar peta, legenda, skala, dan arah mata angin. Kita dapat menghapus atau mengedit (mengganti text, menggeser, memperbesar atau memperkecil dan lainnya) untuk setiap komponen sesuai keinginan kita.

1. Untuk mengganti text judul atau properti dari suatu objek dapat dilakukan dengan double click pada text atau objek tersebut.

2. Jika ingin menggeser klik pada objek kemudian drag menuju tempat yang diinginkan. 3. Untuk memperbesar atau memperkecil objek dapat dilakukan dengan pilih objek

kemudian klik pojok dari objek tersebut dan drag kedalam (untuk memperkecil) atau keluar (untuk memperbesar).

3. Ekspor Peta Tematik

(33)

2. Nama File

3. Tipe File

1. Tentukan drive dan folder