Menghitung Map Resolution

Map resolution maksudnya adalah berapa resoluti suatu map yang tepat dimana tidak ada titik yang tak tercantum di map yang kita buat. Perhatikan tabel di bawah ini, jika kita diminta menentukan berapa resolusi peta yang harus kita buat?

Area diketahui dalam km persegi. Di sini kita harus mencari harga terkecil dari perbandingan luas dengan jumlah rumah sakit. Sebab jika tidak mengambil yang terkecil, ketika peta dibuat, ada rumah sakit yang tidak jelas tergambar di peta tersebut. Langkah pertama adalah kita menambah satu kolom baru yang merupakan perbandingan luas dengan jumlah hospital, perhatikan gambar berikut ini.

Map Resolution diambil dari rumus = 0.5 * sqrt((A/n)). Jadi resolusi yang kita gunakan adalah 12.6 km. Pertanyaan berikutnya berapakah Mimimum Map Unit? MMU adalah dua kali Map Resolution jadi sebesar 25.2 x 25.2 karena jika kita tetap menggunakan nilai 12.6 sebagai MMU jika lokasi suatu titik berada di tengah-tengah antara dua pixel maka titik tersebut akan tidak tampak.

 

 

Network Analysis dengan ArcView

Untuk mempelajari bagaimana Arcview melakukan komputasi untuk mencari jalur tercepat dan terpendek dari berbagai alternatif jalan, tersedia contoh project sederhana yang termasuk satu paket ketika menginstal program ini. Set terlebih dahulu extensiannya dengan menceklis “network analysis”.

Dengan network analysis kita akan mencari jalur terpendek dan tercepat daru satu titik ke titik tujuan. Buka view “delivery route” yang sudah dibuatkan oleh vendor Arcview untuk latihan mengetahui fungsi-fungsi yang tersedia di ArcView.

Titik hijau merupakan pusat pengiriman yang nanti akan dianalisis jalur-jalur mana saja yang ditempuh untuk menghasilkan nilai optimal (kecepatan dan jarak tempuh). Terkadang kita memerlukan optimasi dengan pertimbangan waktu tempuh karena bisa jadi jalur yang terpendek justru malah lebih lama tiba di lokasi tujuan. Perhatikan munculnya menu “network” di ArcView karena kita menceklis pilihan “network analysis”. Pelajari apa yang ada di dalamnya, berikut contoh menentukan jarak terpendek dan waktu tercepat untuk mencapai suatu lokasi.

Setelah memasukan alamat address awal, kita menentukan lokasi tujuan sesuai dengan tempat-tempat yang harus disinggahi. Isi pilihan “find best order” dan “return to origin” jika kita ingin kembali ke tempat semula setelah singgah di berbagai pusat delivery.

Lalu lakukan simulasi dengan menekan tombol di pojok kanan atas, tunggu beberapa saat hingga diperolah hasil di View, berupa jalur optimal. Untuk mengetahui jalur detilnya, tekan tombol “Directions…” dan perhatikan jalur-jalur singgah dan berangkatnya, diakhiri dengan jarak tempuh total.

Terakhir lakukan hal yang sama untuk kasus jalur yang tercepat, tanpa memandang jarak tempuhnya. Jika sempat, lakukan sedikit penelitian mengenai atribut-atribut jalan dan lokasi yang disinggahi agar mengetahui prinsip kerja ArcView untuk mengetahui jalur tercepat dengan Network Analysis.

 

Setelah itu lakukan proses simulasi seperti yang telah dilakukan untuk perhitungan jarak tempuh. Setelah itu tampak di layar View dua jalur optimasi yaitu yang berwarna merah muda adalah jarak tempuh terpendek dan yang berwarna biru waktu tempuh tercepat.

Di sample data ArcView ada juga contoh data tentang rumah sakit (hospital), dan coba mencari lokasi terdekat suatu wilayah dengan rumah sakit yang ada di wilayah tersebut. Fungsi terdapat di menu “Network” kemudian Anda diminta menentukan lokasi terdekat. Pertama-tama tentukan lokasi kita, misalnya di Polk & Lombard. Seperti biasa, karena waktu sangat penting bagi yang perlu perawatan, kita pilih optimasi terhadap waktu tempuh. Hasilnya dapat dilihat di ArcView dimana lokasi kita (diberi simbol lingkaran bertitik) diberi arah dengan garis hijau ke rumah sakit terdekat (California Pacific Medical).

Entropy

Entropy mengukur ketidakpastian suatu variabel acak. Istilah ini pertama kali saya kenal di mata pelajaran kimia. Misal kita punya uang logam, jika kita lempar kita tidak memiliki kepastian apakah yang diperoleh gambar atau angka. Bagaimana dengan dadu? Tentu saja memiliki ketidak pastian, bahkan melebihi ketidakpastian dari uang logam yang dilempar. Masalahnya jika dadu yang dilempar memiliki ketidakpastian yang lebih tinggi dari uang logam yang dilempar, berapa besar? Nah kita akan coba bahas dengan konsep entropy. Manfaatnya adalah, konsep ini diterapkan untuk pembuatan pohon keputusan (decision tree).

Rumus Entropy

Entropy menggunakan konsep probabilitas dalam menentukan besar entropy suatu kejadian. Misal probabilitas uang yang normal adalah ½ untuk gambar dan ½ untuk angka, sementara untuk dadu tiap angka memiliki peluang yang sama yaitu 1/6 dengan anggapan dadunya normal (fair). Rumus entropy adalah sebagai berikut:

Berapakah entropy fair coin?

Masukan saja rumus di atas, maka diperoleh

H(x)=-( 0.5 * log(0.5) + 0.5 * log(0.5)) = 1.

Oiya, logaritmic yang digunakan adalah basis 2 (bukan sepuluh). Nah bagaimana jika coinnya tidak normal, misal peluang muncul gambar = 0.75 dan angka =0.25? Jawabannya adalah dengan rumusan di atas juga,

H(x) = – (0.75*log(0.75)+0.25*log(0.25)) = -(-0.3112-0.5)=0.8112.

Berapakah entropy fair dice (dadu normal)?

Entropy ini akan digunakan untuk menentukan percabangan pohon keputusan. Misalnya ada data dengan atribut usia, pelajar/tidak, income, dan credit rating yang menentukan seseorang membeli barang. Pertama-tama dihitung entropy atribut-atribut itu untuk mencari information gained berdasarkan entropy itu, jadi logikanya makin rendah entropy-nya maka makin kuat atribut itu menjadi akar.