LAPORAN PRAKTIKUM PEMETAAN TEMATIK
POKOK BAHASAN MINGGU 2 – VISUALISASI TEMATIK : PEMBUATAN PETA TEMATIK DENGAN BERBAGAI MODEL VISUALISASI
Disusun Oleh : VINNA ANGGRAENY
121230068
PROGRAM STUDI TEKNIK GEOMATIKA
JURUSAN TEKNOLOGI INFRASTRUKTUR DAN KEWILAYAHAN INSTITUT TEKNOLOGI SUMATERA
2024/2025
A. MATA ACARA PRAKTIKUM
Mata acara pada Praktikum Pemetaan Tematik modul 1 ini dilaksanakan pada hari Jumat, 16 Februari 2024 pukul 08.00 WIB – Selesai secara luring di Laboratorium teknik 3, Ruang Geospasial Lantai 2.
B. TUJUAN PRAKTIKUM
Adapun tujuan dari praktikum sistem informasi geografis pada modul 5 yang membahas tentang “Visualisasi Tematik : Pembuatan Peta Tematik Dengan Berbagai Model Visualisasi”, sebagai berikut:
1. Mampu membuat peta tematik dengan model visualisasi 2. Mampu mencari informasi mengenai kepadatan penduduk 3. Mampu menggunakan google colab dan argcis dengan baik
C. ALAT DAN BAHAN
−
Modul Praktikum
−
Laptop/komputer
−
Aplikasi Argis
−
Google Colab
−
Data Spasial Tematik
D. LANDASAN TEORI
• DATA
Menurut Pendit (1992), data adalah hasil observasi langsung terhadap suatu
kejadian, yang merupakan perlambangan yang mewakili objek atau konsep
dalam dunia nyata. Hal ini dilengkapi dengan nilai tertentu. Menurut Ralston
dan Reilly (Chamidi, 2004: 314), data didefinisikan sebagai fakta atau apa yang
dikatakan sebagai hasil dari suatu observasi terhadap fenomena alam. Sebagai
hasil observasi langsung terhadap kejadian atau fakta dari fenomena di alam
nyata, data bisa berupa tulisan atau gambar yang dilengkapi dengan nilai
tertentu. Contohnya, daftar hadir siswa semester 1 Ilmu Perpustakaan dan
kearsipan adalah data. Daftar tersebut masih merupakan bentuk mentah karena belum memberikan informasi apa-apa. (Amin Taufik, 2018)
•
PETA TEMATIK
Peta tematik, adalah peta yang menggambarkan tema tertentu yang digunakan untuk pembuatan peta rencana tata ruang (PP RI No 08 tahun 2013).
Sedangkan menurut Bakosurtanal, peta tematik adalah peta yang menyajikan tema tertentu dan untuk kepentingan tertentu (land status, penduduk, transportasi dll) dengan menggunakan peta rupabumi yang telah disederhanakan sebagai dasar untuk meletakan informasi tematiknya. Beberapa contoh dari peta tematik:
(akbar, 2018)
−
Peta Choropleth
−
Kartogram
−
Peta Dasimetrik
−
Peta Titik Proporsional
−
Peta Dot
•
VISUALISASI
Menurut Keates (1973) penggunaan peta adalah proses komunikasi visual, karena visual itulah maka ia merupakan proses persepsi. Dari cahaya yang memantul dari peta dan diterima oleh mata, yang selanjutnya diteruskan ke otak yang menghasilkan suatu respon.
Persepsi yang ditimbulkan bergantung pada pemilihan variabel visual
pembuat peta. Penerapan variabel visual digunakan pada saat proses desain
simbol peta, dimana dari variabel visual tersebut akan ditinjau berdasarkan atas
karakteristik data yang digunakan. Berdasarkan atas pemilihan variabel visual
tersebut selanjutnya akan diterima oleh persepsi user untuk mendapatkan
informasi yang ditampilkan pada peta dari bahasa simbol tersebut. Terdapat
empat tingkatan mengenai persepsi visual, yaitu : asosiatif, selektif, bertingkat,
dan kuantitatif. (Dedy Miswar, 2020)
•
KEPADATAN PENDUDUK
Kepadatan penduduk adalah jumlah penduduk di suatu daerah persatuan luas. Kepadatan penduduk adalah perbandingan antara jumlah penduduk dengan luas wilayah yang dihuni. Permasalahan dalam kepadatan penduduk adalah persebaran yang tidak merata. Pada daerah dengan kepadatan yang tinggi, usaha peningkatan kualitas penduduk akan lebih sulit dilakukan. Hal ini menimbulkan permasalahan sosial ekonomi, kesejahteraan, Keamanan, ketersediaan lahan, air bersih dan kebutuhan pangan. Dampak yang paling besar adalah kerusakan lingkungan salah satunya yang disebabkan oleh sampah yang selalu meningkat setiap tahunnya (M. Agung Patra Yuda1*, 22)
E. LANGKAH KERJA 1. Buka aplikasi Argis 2. Lalu Input Shp Lampung
3. Kemudian buka open attribute tabel > add field > tambah kepadatan. Untuk jumlah kepadatan penduduk liahat di web BPS kabupaten bandar lampung
4. Buka google colab melalui google drive
5. Kemudian buat folder baru > upload file yang .dbf
6. Selanjutnya masuk ke bagian script yaitu serangkaian instruksi atau perintah yang ditulis dalam bahasa pemrograman pilih + Code lalu tulis script dibawah ini lalu run
7. Lalu masukan code seperti di bawah ini untuk menginstal versi phyton
8. Kemudian untuk memanggil data yang sudah kita tambahkan dengan menggunakan code berikut
9. Kemudian dari data di atas, lalu kita akan memplot histogram atau diagram batang dengan presentase kepadatan penduduk di atas
10. Kemudian melihat distribusi max dan min dari kepdatan penduduk tersebut menggunakan code berikit
11. Lalu lima kelas yang ada dapat diekstraksi dengan panggilan eksplisit ke fungsi hist, dengan code seperti dibawah:
12. Kemudian melihat Objek penghitungan menangkap berapa banyak pengamatan yang dimiliki setiap kategori dalam klasifikasi:
13. Selanjutnya adalah pada Objek bin menyimpan break point yang kita minati saat mempertimbangkan skema klasifikasi (objek patch dapat diabaikan dalam konteks ini, karena objek ini menyimpan geometri plot histogram):
14. Untuk menghitung klasifikasi, kami akan mengandalkan paket mapclassify dari Pysal family:
15. Kemudiann menghitung equal interval dengan code:
16. Untuk menghindari potensi masalah kelas yang jarang, kuantil distribusi dapat digunakan untuk mengidentifikasi batas kelas. Jika if k=5 kuintil sampel digunakan untuk menentukan batas atas setiap kelas sehingga menghasilkan klasifikasi berikut:
17. Kemudian Perhatikan jumlah nilai di setiap kelas kira-kira sama atau tidak, dengan code:
18. Lalu buat variabel sintetik dengan karakteristik berikut:
19. Kemudian kita akan memanggil atau menjalankan klasifikasi quantil
20. Kemudian melihat nilai unik dalam data yang sudah ada
21. Kemudian melihat standar deviasi mean dari data tersebut
22. Lalu melihat nilai interval maksimum breaks
23. Lalu melihat pengklasifikasian dari kuantil dan deviasi standar menggunakan Box Plot
24. Lalu menggunakan code di bawah ini untuk klasifikasi alternatif :
25. Kemudian lakukan Proses pemisahan terus dilakukan hingga distribusi dalam masing- masing kelas tidak lagi menampilkan distribusi heavy-tailed dalam artian terdapat keseimbangan antara jumlah nilai yang lebih kecil dan lebih besar yang diberikan pada setiap kelas.
26. Kemudian melakukan proses dengan Algoritme Jenks-Caspall yang digunakan untuk pengelompokan, yang akan kita lihat nanti di buku ini ketika kita membahas Pengelompokan dan Regionalisasi.
27. Lakukan Algoritma optimal kedua untuk mengadopsi pendekatan pemrograman dinamis untuk meminimalkan jumlah deviasi absolut di sekitar median kelas. Berbeda dengan algoritma Jenks-Caspall, aloritma Fisher-Jenks dijamin menghasilkan klasifikasi optimal untuk sejumlah kelas yang telah ditentukan sebelumnya:
28. Lalu lakukan pengklasifikasi max-p mengadopsi algoritma yang mendasari metode pembangunan wilayah max-p untuk kasus klasifikasi peta. Semangatnya serupa dengan Jenks-Caspall yang mempertimbangkan pertukaran serakah antara kelas-kelas yang berdekatan untuk meningkatkan fungsi tujuan. Namun, ini bersifat heuristik, jadi tidak
seperti Fisher-Jenks, tidak ada jaminan solusi optimal:
29. Lakukan convert ADCM yang akan memberi kita gambaran betapa “kompaknya” masing- masing kelompok.
30. Lakukan pengklasifikasian dari data yang su8dah ada dengan menambahkan atribut class bin (yb) yang dihasilkan oleh pengklasifikasi mapclassify sebagai kolom tambahan dalam kerangka data untuk memvisualisasikan bagaimana mereka dipetakan ke observasi:
31. Kemudian pengklasifikasian untuk data kependudukan
32. Melakukan pembedaan clas menjadi 5 class yang berisi objek seperti yang telah dideskripsikan
33. Kemudian membuat peta kuantil untuk mendefinisikan perbedaan data
34. Berikuit dengan collor palett yang berbeda
35. Kemudian lakukan dengan memasukan code dibawah ini
36. Kemudian Kita dapat menggunakan palet divergen untuk menandakan intensitas perubahan peringka
37. Lalu melakukan klasifikasi nilai yang menentukn bin
38. Lalu melakukan klasifikasi menggunakan pooled clasifications
39. Kemudian mengklasifikasi UserDefined yang telah kami lihat di bagian sebelumnya untuk membuat angka multi-panel yang menunjukkan pendapatan per kapita yang berubah seiring waktu
F. HASIL DAN PEMBAHASAN
G
Visualisasi tematik merupakan metode yang penting dalam menyajikan data spasial secara efektif. Melalui pemaparan berbagai model visualisasi seperti peta kuantitatif, peta kualitatif, peta dot, choropleth map, dan lainnya, makalah ini membahas pentingnya pemilihan model yang sesuai dengan tujuan komunikasi dan karakteristik data yang dipresentasikan. Dengan menggunakan teknik-teknik yang tepat, peta tematik dapat menjadi alat yang kuat dalam menganalisis dan mengkomunikasikan informasi geografis dengan lebih efisien dan efektif.
Dalam bab ini kita telah membahas konstruksi peta choropleth untuk visualisasi data spasial. Masalah utama dalam pemilihan skema klasifikasi, skala pengukuran variabel, konfigurasi spasial, dan palet warna diilustrasikan menggunakan modul klasifikasi peta Pysal bersama dengan paket terkait lainnya di tumpukan data Python. Peta Choropleth adalah alat utama dalam perangkat ilmu data geografis, karena memberikan visualisasi yang kuat tentang distribusi spasial nilai atribut. Kami hanya menyentuh konsep dasar dalam bab ini, karena masih banyak lagi yang bisa dikatakan tentang teori kartografi dan desain peta choropleth yang efektif.
G. REFERENSI
akbar, A. (2018). pendahuluan-pembuatan-peta-tematik-peta. Jurnal ITB, 30-31.
Amin Taufik, S. (2018). Pengantar Konsep Informasi, Data, dan Pengetahuan. Jurnal Ilmu Hukum, Humaniora dan Politik (JIHHP, 1.3.
Dedy Miswar, S. M. (2020). KARTOGRAFI TEMATIK. Jurnal fkip.unila, 20.
M. Agung Patra Yuda1*, I. (22). Analisis Kepadatan Penduduk, Pertumbuhan
Ekonomi dan Anggaran Lingkungan terhadap Kualitas Lingkungan Hidup di
Indonesia. Jurnal Kajian Ekonomi dan Pembangunan, 55
.