Proyeksi beberapa Time-series Secara Bersamaan

Postingan terdahulu membahas proyeksi data time-series yang berjumlah hanya satu. Jika data time-series tersebut banyak, apakah satu narxnet mampu menangani data yang lebih dari satu? Berikut ini akan kita coba. Buka Matlab dan tambahkan dua data serial yang mudah saja (minimal sepuluh buah). Data eksogennya adalah variable X, dari 11 sampai 20.

  • T=[1:10];
  • t=T*3; %contoh time-series kedua (kelipatan 3 dari T)
  • T=[T;t];
  • T=con2seq(T);
  • X=[11:20]; %variabel eksogen
  • X=con2seq(X); %variabel eksogen

Ada dua time-series satu hingga 10 sedangkan yang kedua kelipatan tiganya. Kita coba buat JST untuk dua data tersebut. T adalah gabungan dua time-series. Gunakan script berikut untuk merakit narxnet.

  • net = narxnet(1:2,1:2,10);
  • [x,xi,ai,t] = preparets(net,X,{},T);
  • net = train(net,x,t,xi,ai);

Tunggu sesaat hingga narxnet selesai melakukan pelatihan (training). Lanjutkan dengan kode berikut jika sudah selesai.

  • nets = removedelay(net);
  • [xs,xis,ais,ts] = preparets(nets,X,{},T);
  • ys = nets(xs,xis,ais);
  • cell2mat(ys)

ans =

  • 3.0000 4.0000 5.0977 6.0064 7.0000 8.0000 9.0000 10.0000 11.1804
  • 9.0000 12.0000 15.7688 18.9107 21.0000 24.0000 27.0000 30.0000 32.6386

Jika dilihat hasilnya yang berwarna merah, tampak mendekati seharusnya yaitu 11 dan 33. Tigapuluh tiga di sini dari perkalian 3×11. Untuk multistep beberapa data ke depan sudah dibahas pada postingan sebelumnya. Apakah dengan GUI juga bisa? Kita coba, masuk ke ntstool.

Teruskan hingga selesai, dan jangan lupa menyimpan network yang dihasilkan, misalnya net1 (karena net sudah dibuat ketika mentraining non-GUI sebelumnya. Pastikan training berjalan dengan baik dan akurat.

Masukan kode berikut, seperti kode sebelumnya hanya saja “net” diganti dengan “net1” yang baru saja dibuat dengan GUI.

  • nets = removedelay(net1);
  • [xs,xis,ais,ts] = preparets(nets,X,{},T);
  • ys = nets(xs,xis,ais);
  • cell2mat(ys)

ans =

  • 3.0000 4.0000 5.0000 6.0000 7.0000 8.0000 9.0002 10.0000 10.9972
  • 9.0000 12.0000 15.0000 18.0002 21.0000 24.0000 27.0008 30.0000 32.9884

Hasilnya adalah yang berwarna merah dan sepertinya tidak jauh berbeda dengan sebelumnya. selamat mencoba.

If – then – Else dalam Kehidupan

Ternyata banyak hal-hal menarik dari dunia ilmu komputer yang bisa dijadikan solusi terhadap masalah dalam kehidupan kita. Salah satunya adalah konsep if-then-else. Bagi yang sudah belajar pemrograman pasti memahami fungsi logika itu yang membuat komputer berbeda dengan alat hitung lainnya seperti kalkulator, sempoa, dan sejenisnya. Sedikit banyak postingan ini bermaksud menganalogikan fungsi dalam komputer tersebut dengan kehidupan manusia.

Sehebat apapun suatu aplikasi jika tidak memiliki if-then-else akan berhenti (hang) ketika tidak sanggup menghitung atau memproses suatu kondisi di luar kriteria. Tentu saja tidak akan ada yang tertarik dengan aplikasi tersebut. Dengan if-then-else, suatu alur proses akan diarahkan ke kondisi lain jika dijumpai kondisi yang tidak sanggup atau diluar spesifikasi yang ada. Dalam kehidupan juga sering kita jumpai orang-orang hebat yang gagal menghadapi if-then-else karena memaksakan diri dan enggan mengambil jalur lain. Berapa banyak perusahaan-perusahaan yang dahulu besar, kini hanya tinggal nama karena ketidaksanggupan menghadapi kondisi kritis yang membutuhkan if-then-else.

Kita mungkin bukan orang besar, atau bekerja di perusahaan besar tetapi jika sanggup menghadapi kondisi yang membutuhkan if-then-else, maka bisa jadi kita tidak hanya sekedar survive, malah bisa meningkatkan kinerja tempat kita bekerja, atau membantu pihak-pihak lain. Karena kita semua tidak mungkin hidup tanpa kondisi yang memerlukan peralihan, keluar dari jalur, mencari alternatif, dan ide-ide kreatif lainnya. Entah profesi kita sebagai pelajar, pegawai, dokter, dosen, atau yang lainnya pasti menghadapi kondisi yang membutuhkan if-then-else ini. Mungkin dengan kadar yang tidak terlalu beresiko, atau bisa saja tetap bertahan tetapi dengan kondisi yang agak dipaksakan. Jangan-jangan memang kita diminta menjawab if-then-else: harus beralih profesi, pindah ke tempat kerja yang baru yang bisa mengembangkan dan mengaktualisasi diri kita, atau hal-hal lain yang mengharuskan kita “berbelok”.

Kita sering menghadapi kondisi yang meminta kita memilih jalur lain di luar jalur yang semestinya. Jika merasa tidak pernah menjumpai hal itu, justru malah sangat berbahaya menurut saya. Mungkin Anda bisa sukses dan berhasil dengan mulus, tetapi belum teruji untuk kondisi tertentu. Dalam dunia teknik dikenal dengan istilah robust yang artinya tangguh. Tangguh dalam artian tetap berfungsi normal ketika menghadapi kondisi extreem yang diluar kondisi normal.

Terkadang sistem yang sederhana tetapi tangguh lebih bisa diandalkan karena dilengkapi dengan if-then-else yang dengan lentur menghadapi kondisi apapun: jika tidak bisa dengan ini, lakukan itu, jika tidak bisa juga, lakukan yang lainnya (else). Lebih baik kita jadi orang sederhana yang tangguh, daripada orang hebat yang menghadapi kasus tertentu langsung jatuh. Sebenarnya orang-orang besar yang kita kenal saat ini adalah orang-orang sederhana yang tangguh dan teruji (silahkan baca kembali kitab suci masing-masing). Boleh saja setuju dengan slogan Om Mario Teguh .. Super .. tetapi super yang tangguh (robust).

Peramalan Beberapa Data ke Depan dengan Multistep NARNET

Nonlinear Autoregressive Network (NARNET) merupakan metode peramalan dengan jaringan syaraf tiruan (JST). Untuk perakitannya Matlab menyediakan GUI melalui fungsi ntstool. Data minimal yang diperbolehkan untuk memprediksi sebanyak 10 buah. Untuk gampangnnya sebagai contoh data 1 sampai 10 seperti contoh-contoh sebelumnya. Lihat postingan tentang NARNET sebelumnya. Tanya-jawab seputar narnet masih hangat berlangsung di situs resmi Matlab ini.

>> T=1:10;

>> T=con2seq(T);

Gunakan tipe data sequence dengan fungsi con2seq. Latih dengan GUI hingga diperoleh performance yang bagus dengan seminim mungkin error (MSE) yang dihasilkan training. Contoh performa training dapat dilihat berikut:

Teruskan hingga diakhiri dengan menyimpan JST yang sudah dilatih dengan nama “net“. Buka editor, dan isi kode berikut ini dengan fungsi removedelay yang sudah dibahas pada postingan yg lalu, tetapi disini menggunakan kalang for-end untuk beberapa prediksi ke depan.

  • Told=T;
  • nets = removedelay(net);
  • result=[]
  • for i=1:10
  • [xs,xis,ais,ts] = preparets(nets,{},{},T);
  • ys = nets(xs,xis,ais);
  • T(1,end+1) = ys(1,end);
  • size(T)
  • T=T(2:end)
  • result=[result;ys(1,end)]
  • end
  • result=cell2mat(result)
  • figure
  • t=cell2mat(Told)
  • plot([t transpose(result)])

Namun hasilnya tampak kurang baik untuk data yang melebihi time series ke 12:

Sepertinya hanya dua prediksi ke depan yang akurat; memang time-series untuk peramalan membutuhkan data yang besar, sepuluh sepertinya tidak bisa diandalkan, apalagi hingga meramalkan seri ke-20. Mungkin men-training network dengan tambahan satu atau dua data baru hasil peramalan sebelumnya bisa jadi pilihan. Network tersebut kemudian digunakan untuk memprediksi satu atau dua data berikutnya. Kecuali mungkin untuk tipe narxnet dengan data exogenous mampu memprediksi lebih jauh ke depan.

Display Format for Numeric Value in Matlab

I have just interpolated a time-series data to fill the missing values in Matlab. The function interp1 did that task well, but I did not like the number format which was not in ordinary form. (See how to interpolate in Matlab)

Since I wanted to copy the result to Excel worksheet, the result format was difficult to capture. But Matlab provides the format function for converting a number format into another (see Matlab official site). To see the available format, come into Matlab help by typing help format in command window. Here is the format with the result samples:

1. Format SHORT (Scaled fixed point format with 5 digits)

2. Format LONG (Scaled fixed point format with 15 digits for double and 7 digits for single)


3. Format SHORTE (Floating point format with 5 digits)


4. Format LONGE (Floating point format with 15 digits for double and 7 digits for single)


5. Format SHORTG (Best of fixed or floating point format with 5 digits)


6. Format LONGG (Best of fixed or floating point format with 15 digits for double and 7 digits for single)


7. Format SHORTENG (Engineering format that has at least 5 digits and a power that is a multiple of three)


8. Format LONGENG (Engineering format that has exactly 16 significant digits and a power that is a multiple of three)


Hmm, I prefer to use no. 6, FORMAT LONGG, because it is easy to understand. However, the other might be better, it depends on your computation problem.

Interpolasi, Curve Fitting, Proyeksi dan Prediksi

Bagi mahasiswa jurusan statistik sepertinya tidak asing dengan istilah interpolasi, Curve Fitting, dan proyeksi. Bahkan materi ini telah dipelajari ketika duduk di bangku sekolah menengah. Tetapi karena jarang atau tidak pernah dipergunakan, terkadang kita lupa apa maksudnya. Begitu juga ketika harus mengolah data, saya harus melakukan pekerjaan-pekerjaan statistik tersebut.

Keempat istilah itu memiliki perbedaan, walaupun sama-sama tidak pasti. Tidak pasti di sini maksudnya adalah angka yang dihasilkan tidak seratus persen tepat. Bisa saja angka tersebut tidak sesuai dengan kenyataan yang ada. Statistik di sini bermaksud meminimalkan error yang dihasilkan dari interpolasi, curve fitting, prediksi dan proyeksi. Berikut ini adalah data statistik populasi kota Bekasi sebagai contoh yang diambil dari situs resmi kota Bekasi.

Interpolasi

Interpolasi adalah membuat suatu fungsi dari beberapa titik yang tersedia. Fungsinya bisa garis lurus, tetapi polynomial lebih baik hasilnya. Tabel pada gambar di atas dengan interpolasi dapat dibuat persamaan berdasarkan data dari tahun 2003 sampai 2015. Dari hasil interpolasi kita akan memperolah data tahun 2006 dan 2008 yang masih kosong. Silahkan lihat postingan terdahulu untuk melakukan interpolasi di Matlab.

Curve Fitting

Berbeda dengan interpolasi yang harus mengenai titik yang menjadi patokan interpolasi, pada kurve fitting kurva yang dibuat tidak harus mengenai titik acuan. Contoh dari situs ini sepertinya cukup jelas untuk membedakan interpolasi dan curve fitting.

Proyeksi (Projection)

Proyeksi sering disebut peramalan, atau prediksi terhadap data time-series. Syarat wajibnya adalah data yang bergerak sepanjang alur waktu dan menunjukan tren tertentu. Di matlab ada fungsi con2seq yang fungsinya adalah mengkonversi data bilangan ril menjadi bilangan berurutan (sequence) untuk digunakan dalam peramalan (tersedia juga GUI untuk peramalan, ntstool). Untuk menghasilkan peramalan yang tepat, makin banyak data time-series akurasinya makin baik. Lihat postingan sebelumnya untuk proyeksi (menggunakan jaringan syaraf tiruan – NARX).

Prediksi (Prediction)

Nah, mungkin yang agak membingungkan adalah prediksi. Sebenarnya peramalan juga merupakan prediksi, tetapi khusus data yang bertipe time-series. Sementara prediksi menggunakan beberapa variabel untuk memprediksi suatu hasil tertentu. Biasanya dengan dua jenis mekanisme yaitu dengan logika fuzzy (lihat postingan fuzzy) atau dengan pelatihan (training). Training bisa dengan ANFIS atau Jaringan Syaraf Tiruan (lihat postingan ANFIS, dan JST). Sebagai contoh lihat data berikut:

Data berwarna kuning disebut dengan data training dan di sebelah kanannya adalah target (untuk ANFIS di Matlab dijadikan satu antara data training dan target). Data berwarna abu-abu adalah data yang akan diuji untuk memprediksi hasilnya (kolom tanda tanya).

Semoga sedikit ada gambaran perbedaannya.

Konversi Format Desimal Titik ke Koma di Excel

Mudah-mudahan pembaca postingan ini memahami maksud dari judul di atas dan sesuai dengan kata kunci yang disearching di google hingga mampir ke blog ini. Maksud dari judul di atas adalah bagaimana mengkonversi format bilangan bertitik standar Indonesia menjadi koma agar bisa dimanipulasi di Excel. Masalah ini kadang menjengkelkan ketika mengkopi-paste data dari internet atau sumber lain, ketika dipindahkan ke Excel tidak bisa dimanipulasi (kali, bagi, tambah, dll) karena dianggap bukan bilangan. Gambar dibawah mengilustrasikan bagaimana angka hasil copas tidak bisa dimanipulasi (hasilnya dalam excel #VALUE!). Hal ini karena Indonesia memisahkan jutaan, ribuan, dan ratusan dengan titik, sementara desimal dengan koma. Agar bisa di manipulasi di Excel saya, jutaan, ribuan dan ratusa harus dipisah dengan koma, dan desimal dipisah dengan titik.

Cara penyelesaiannya mirip ketika kita memindahkan suatu tabel dari internet (agar terpisah menjadi kolom-kolom) yaitu dengan fungsi Text to Column yang berada di menu Data. Sorot terlebih dahulu cell yang akan dimanipulasi (2.127.902), lalu tekan

Pilih Fixed Width (jarang saya menggunakan ini, biasanya Delimited) dilanjutkan dengan menekan Next. Kemudian pada step 2 of 3 tekan Next sekali lagi.

Tekan Advanced.. pada step 3 of 3 untuk mengeset standar bilangan menjadi standar internasional.

Indonesia memecah antara jutaan, ribuan dan ratusan dengan titik sementara standar internasional dengan koma. Untuk mengikuti Excel yang sebelumnya berstandar internasional tukar titik dan koma.

Tekan OK lalu Finish dan jika dilihat pada worksheet, cell sudah bisa dimanipuasi (saya coba kalikan dua), tanda “#VALUE!” Sudah menjadi angka lagi. Sedikit banyak semoga bermanfaat.

Kata-kata Penghubung Penting Bahasa Inggris – “Signal Word”

Berbeda dengan bahasa Indonesia yang sederhana, bahasa Inggris memiliki kata penghubung yang spesifik dalam penerapannya. Dari situs yang bergerak dalam bidang penulisan ini, dicatat ada sekitar 40 frasa yang disebut “paling top (top-notch)”. Tetapi karena saya hanya menggunakan bahasa Inggris untuk tulisan-tulisan ilmiah yang singkat dan sederhana, saya hanya memerlukan frasa-frasa berikut ini. Silahkan kunjungi situs asalnya untuk memperoleh frasa/kata-kata lainnya. Gunakan kata-kata ini untuk diterapkan di dalam paragraf, lihat panduan komposisi kalimat pada postingan terdahulu.

Penjelasan Umum (general explaining). Untuk penjelasan umum saya lebih tertarik dengan kata “in order to” dan “In other words”. Yang pertama dalam bahasa kita berarti “untuk …” sementara yang kedua berarti “dengan kata lain”. Keduanya berbeda penggunaan, biasanya tulisan ilmiah banyak menggunakan “in order to” sementara “in other words” cenderung jarang karena seolah-olah menjelaskan dua kali. Tapi untuk speaking sering digunakan untuk memperjelas ide.

  • Example: “In order to understand X, we need first to understand Y.”

Menambah informasi tambahan. Frasa ini sangat penting karena untuk menghindari kalimat kompleks yang tidak disukai pembaca. Suatu informasi dipecah menjadi informasi utama dan tambahannya pada kalimat berikutnya. Yang sering dan mudah saya gunakan adalah “Moreover” dan “Furthermore”. Jika “moreover” berfungsi mendukung point penting, “furthermore” hanya memberi tambahan informasi. Semuanya diletakan di awal kalimat.

  • Example: “Moreover, the results of a recent piece of research provide compelling evidence in support of…”
  • Example: “Furthermore, there is evidence to suggest that…”

Mengekspresikan Ide yang Berlawanan. Untuk frasa ini idola saya hanya tiga yaitu “however”, “in the other hand”, dan “yet”. Untuk ketidaksetujuan terhadap statement yang baru saja diutarakan, “however” digunakan sementara “in the other hand” untuk interpretasi yang berlawanan terhadap suatu hal yang sama.

  • Example: “Scholar A thinks this. However, Scholar B reached a different conclusion.”
  • Example: “The historical evidence appears to suggest a clear-cut situation. On the other hand, the archaeological evidence presents a somewhat less straightforward picture of what happened that day.”

Memberi contoh/ilustrasi. Di sini hanya satu yang saya sering gunakan yaitu “for instance”. Tetapi kenapa “for example” tidak dicantumkan ya? Sementara “to give an ilustration” menurut saya untuk speaking oke lah, tetapi untuk tulisan kayaknya kepanjangan deh.

  • Example: “Some birds migrate to avoid harsher winter climates. Swallows, for instance, leave the UK in early winter and fly south…”

Menunjukan suatu hal yang penting. Kata yang terkenal adalah “significantly”, “notably”, dan “importantly”. Yang sering saya jumpai sepertinya “notably” dalam tulisan ilmiah. Ketiganya memiliki makna yang sama.

  • Example: “Actual figures are notably absent from Scholar A’s analysis.”

Menyimpulkan. Kata yang terkenal tentu saja “in conclusion” yang langsung memberi tahu pembaca bahwa berikutnya adalah akan dibahas kesimpulan. Ada frasa lain yang tidak dicantumkan dalam situs tersebut yaitu “in summary”, bisa juga sebagai alternatif supaya tidak monoton.

  • Example: “In conclusion, the evidence points almost exclusively to Argument A.”

Set Alarm Laptop Ketika 100% Pengecasan dengan Battery Limiter

Setelah tiga tahun lebih akhirnya baterai laptop saya minta diganti. Sebenarnya belum harus diganti tetapi karena kapasitas tinggal beberapa menit dan cenderung harus dicharge terus akhirnya saya mengambil keputusan untuk menggantinya. Sebenarnya baterai laptop saat ini mampu bertahan ketika kondisi pengecasan 100% walaupun kabel power terhubung. Tetapi tetap saja panas yang tercipta mengurangi umur baterai. Oleh karena itu perlu dicabut ketika indikator charging sudah 100%. Dulu saya pernah memposting cara membunyikan alarm ketika baterai mau habis. Sekarang bagaimana membuat alarm berbunyi ketika pengecasan sudah mendekati 100%?

Setelah browsing, akhirnya saya menemukan informasi dari situs ini yang menggiring saya ke software Battery Limiter. Silahkan download software ini di situs freeware ini. Setelah diekstrak, instal software itu. Jika Anda punya antivirus sebaiknya aktifkan. Trend Micro di laptop saya kebetulan tidak mendeteksi adanya virus yang menempel di software itu.

Berikut ini adalah tampilan software tersebut. Anda bisa mengganti warna background agar terlihat jelas. Saya lebih suka warna kuning. Untuk mengeset alarm, geser simbul “sasaran” yang terletak di garis di atas indikator kapasitas baterai.

Sudah saya cek dan berjalan dengan baik, silahkan lihat bagaimana perangkat lunak ini bekerja di youtube yang saya posting ini.

Atau jika Anda khawatir dengan virus, atau laptop anda tidak bisa menginstal program tersebut karena win 10 misalnya, gunakan kode berikut yang Anda ketik dengan notepad dan disimpan dengan nama Battery.vbs. NOTE: jangan lupa mengetik “.vbs” di belakang Battery saat menyimpan agar tidak berekstensi defaultnya (“.txt”).

set oLocator = CreateObject("WbemScripting.SWbemLocator")
 set oServices = oLocator.ConnectServer(".","root\wmi")
 set oResults = oServices.ExecQuery("select * from batteryfullchargedcapacity")
 for each oResult in oResults
 iFull = oResult.FullChargedCapacity
 next

while (1)
 set oResults = oServices.ExecQuery("select * from batterystatus")
 for each oResult in oResults
 iRemaining = oResult.RemainingCapacity
 bCharging = oResult.Charging
 next
 iPercent = ((iRemaining / iFull) * 100) mod 100
 if bCharging and (iPercent > 95) Then msgbox "Battery is at " & iPercent & "%",vbInformation, "Battery monitor"
 wscript.sleep 30000 ' 5 minutes
 wend

Simpan di desktop supaya mudah dijalankan (tinggal dobel klik). Atau diletakan di folder start-up agar setiap laptop direstart, kode tersebut dijalankan. Sudah saya coba dan ketika lebih besar dari 95 persen muncul pesan peringatan di layar dan di taskbar seperti berikut ini:

alarm.JPG

Land Change Modeler – Change Analysis

Langkah terpenting dalam pembuatan Land Change Modeler (LCM) adalah menganalisa perubahan yang ada antara dua peta di tahun yang berbeda. Langkah ini dikenal dengan nama Change Analysis (CA). CA sendiri dalam IDRISI menjadi satu dengan LCM. Sebelumnya siapkan peta yang akan dikelola dengan LCM. Lihat tata cara untuk menyamakan dua simbol dalam peta tersebut pada postingan sebelumnya.

Ketika tombol Continue ditekan maka IDRISI akan memproses dua peta tersebut dan memberitahu jika ada sesuatu yang harus diperbaiki agar bisa diteruskan untuk membuat model. Biasanya muncul pesan yang memberitahukan ada sesuatu yang harus diperbaiki terlebih dahulu.

Tampak dua pesan yaitu: 1) karakteristik spasila tidak cocok, dan 2) kedua peta land use (LU) memiliki symbol legend yang berbeda. Tekan Yes untuk melanjutkan memperbaiki yang kurang tersebut. IDRISI memiliki fasilitas yang dikenal dengan nama Harmonize untuk menyesuaikan secara otomatis hal-hal yang tidak sinkron antara dua peta yang akan dibandingkan selama tidak terlalu jauh menyimpangnya.

Ada dua pilihan pada Spatial Characteristic untuk mensinkronkan kedua peta LU, yaitu apakah peta LU pertama sebagai patokan ataukah peta LU kedua. Karena perkembangan LU dari peta pertama ke peta kedua, ada baiknya kita menjadikan peta LU pertama menjadi patokan peta. Isi legend dengan Id dan Nama yang secara otomatis sama. Jika dirasa sudah semua diisi maka lanjutkan dengan menekan tombol Run untuk mengeksekusi Harmonize. Jangan lupa, nama file output bisa juga dirubah sesuai dengan keinginan yang secara default ditambahkan _new di belakangnya.

Hasil CA dapat dilihat di tab berikutnya. Tampak ada Gain dan Loss antara tahun 2000 dan 2010. Hmm .. sepertinya harus di potong peta yang kebesaran itu dan fokus di satu kota saja misalnya Bekasi.

Konversi File ArcGIS – IDRISI

IDRISI memiliki kemampuan khusus dalam pemodelan Land Use (LU) sementara ArcGIS memiliki kemudahan dalam mengoperasikan proses-proses dasar Sistem Informasi Geografi (SIG) seperti Clip, Buffer, Intersect, Union, Dissolve dan lain-lain. Kita ingin mengelola peta dengan ArcGis tetapi untuk pengolahan citra, pemodelan, klasifikasi, dan fungsi lain dengan IDRISI. Masalahnya adalah bagaimana mengkompatibelkan dua vendor SIG tersebut? Postingan ini bermaksud sharing pengalaman ketika mengolah suatu peta LU dengan ArcGis lalu berganti diolah dengan IDRISI dan sebaliknya.

A. ArcGis ke IDRISI

Di antara tiga tipe data dalam SIG (vektor, raster, dan atribut) yang paling sering digunakan ArcGis dan IDRISI adalah tipe data raster yang biasanya berupa citra satelit (lihat postingan yang lalu untuk mengunduhnya). Sementara untuk tipe data vektor dapat dengan mudah dengan masuk ke jendela SHAPEIDR dengan menekan File – Import – Software-spesific Format – ESRI Format – SHAPEIDR. Lalu tinggal memilih pilihan Shapefile to Idrisi dilanjutkan dengan memilih file yang akan dikonversi dan nama file keluaran beserta lokasinya masalah sudah selesai. Untuk tipe data raster agak sedikit rumit karena jendela khusus impor data dari ArcGis ke IDRISI pada software IDRISI tidak mengenali data raster dari ArcGIS. IDRISI hanya mengenal data ASCII dengan extensi “.txt”. Oleh karena itu data raster yang akan dibuka di IDRISI harus dikonversi terlebih dahulu menjadi ASCII.

Untuk mempraktekannya, buka terlebih dahulu peta raster yang akan dikonversi ke format ASCII. Masuk ke menu “Searching” dan cari toolbox dengan kata kunci “raster to ascii”.

Jangan terbalik (ASCII to Raster). Pilih file yang akan dikonversi dan beri nama hasil output-nya. Tekan OK dan tunggu beberapa saat hingga ArcGis selesai mengkonversi menjadi file ascii berekstensi “.txt”.

Setelah selesai tugas berikutnya adalah mengimpor file ASCII itu lewat IDRISI. Caranya adalah sama seperti ketika menampilkan SHAPEIDR hanya saja dipilih ARCRASTER.

Terkadang anda diminta menekan “Output reference information” karena tombol OK tidak menyala. Ikuti saja dan setelah tombol “OK” dapat menyala, tekan dan tunggu beberapa saat. Jangan lupa mencentang “Convert output file from real to integer” agar nanti hasil konversi berbentuk klasifikasi. Jangan khawatir jika tampilan hasil konversi masih berformat kontinyu. Untuk mengatasi hal ini buka kembali jendela reclass.

Pilih “Equal-interval reclass” untuk menghilangkan interval dari peta LU. Tekan OK dan tunggu sesaat hingga muncul gambar hasil klasifikasinya. Jika masih berformat kontinyu, buka lagi saja dengan jendela Display Launcher. Pastikan peta LU sudah terklasifikasi seperti gambar berikut ini.

B. IDRISI ke ArcGis

Bagian ini membahas konversi data raster dari IDRISI ke ArcGis. Data raster yang dihasilkan IDRISI biasanya dari pengolahan citra, salah satunya adalah klasifikasi (unsupervised). Karena ArcGis sangat baik dalam hal presentasi (map creation) maka hasil pengolahan citra harus dibuka dengan ArcGis.

Jika data berekstensi “.rst” IDRISI dibuka langsung dengan ArcGis akan muncul permasalahan-permasalahan yaitu proyeksi dan struktur piramida. Bisa saja dilanjutkan dengan menekan “yes” ketika muncul pesan dari jendela Create pyramids dari ArcGis.

Saya seharian utak-atik proyeksi selalu gagal. File raster dari IDRISI sulit menyatu dengan gambar lain yang sudah terproyeksi walaupun berkali-kali saya setting proyeksinya. Jika hanya ingin membuat presentasi satu gambar itu saja sepertinya tidak masalah, tetapi tidak mungkin berjalan jika ada overlay dengan peta-peta lain yang sudah terproyeksi. Mungkin ada pembaca yang expert dalam mengutak-atik tipe data di ArcGis mau membantu memberikan solusi pada kolom komentar.

Life must go on dan kerjaan harus selesai. Langkah yang saya lakukan sementara ini adalah dengan fasilitas Raster Clip pada ArcGis. Cara ini cukup baik bekerja. Pertama-tama memasukan peta yang akan dijadikan acuan proyeksi, di sini diambil contoh shapefile wilayah kota Bekasi. Masuk ke kolom “Searching” dan cari dengan kata kunci “Raster Clip”. Setelah muncul daftar toolbox yang tersedia pilih Clip (Data Management).

Ambil file “.rst” yang berasal dari IDRISI, Output Extent diisi dengan shapefile yang sudah terproyeksi ceklis pada perintah “Use input Feature for Clipping Geometry (optional)”. Jangan ditekan “OK” terlebih dahulu, masuk ke “Environment“. Isi dengan langkah-langkah seperti yang sudah pernah saya posting (isi processing extent dan mask pada raster analysis). Hasilnya tampak seperti gambar berikut ini dan sudah terintegrasi dengan peta-peta lainnya.

Interpolasi dengan Matlab

Ketika mencoba melakukan peramalan dengan nonlinear autoregressive with external (NARX) lewat GUI (ntstool), ternyata data minimal untuk meramal adalah sepuluh titik, sementara data yang tersedia hanya lima buah. Sebenarnya bisa dengan NARX versi command window (lihat postingan yang lalu tentang peramalan), tetapi jika lebih suka dengan GUI apa boleh buat tambahkan data dengan interpolasi.

Interpolasi bermaksud membuat garis antara beberapa titik yang telah diketahui. Garis di sini bisa berupa garis lurus, bisa juga berupa garis lengkung (non-linear). Caranya adalah dengan menambah titik-titik baru di dekat titik-titik yang telah ada sebelumnya. Berikut ini contoh lima data yang akan digunakan untuk meramal data selanjutnya.

Data time series itu berjarak tiga tahun dari tahun 2003 hingga 2015. Kita akan menyisipkan data baru di antara tahun-tahun tersebut dengan cara interpolasi. Buka command window Matlab, masukan data tersebut:

  • >> data=[245 276 309 325 344]; %data utama
  • >> t=[2003:3:2015]; %waktu
  • >> new_t=[2004 2007 2008 2010 2014]; %data yg akan dicari interpolasinya
  • >> new_data=interp1(t,data,new_t) %interpolasi satu dimensi (default: linear)

new_data =

255.3333 287.0000 298.0000 314.3333 337.6667

Tampak lima data baru (di sini sengaja new_t saya tambah tahun 2008 supaya genap sepuluh data untuk peramalan). Script di atas untuk tipe interpolasi linear. Jika ingin interpolasinya nonlinear, tambahkan atribut ‘spline’ pada instruksi interp1.

  • >> new_data2=interp1(t,data,new_t,’spline’) %interpolasi nonlinear (spline)

new_data2 =

253.3364 288.1975 299.5525 315.8364 335.4969

Grafik di bawah ini menunjukkan data awal, perbandingan data awal dengan hasil interpolasi linear dan dengan hasil interpolasi nonlinear.

Bagaimana membuat grafik seperti di atas? Sepertinya harus dibuat postingan khusus tentang presentasi grafik dengan Matlab. Sampai jumpa lagi.

Mengatur Simbol di IDRISI Selva

Tiap peta harus memiliki keterangan mengenai simbol-simbol yang digunakan yang disebut Legend. Salah satu simbol yang penting adalah pewarnaan, yang dalam IDRISI dikenal dengan istilah Pallete. Selain memudahkan pembaca untuk memahami suatu peta, simbol sangat penting dalam pengolahan Land Change Modeler (LCM) dimana antara dua peta yang akan diolah harus memiliki simbol yang sama, selain juga proyeksi, extent, dan dasar-dasar pemetaan yang lain. Tekan tombol layer properties pada jendela composer IDRISI setelah peta dibuka.

Tetapi sebelum memilih pallete yang diinginkan terlebih dahulu kita membuat file pallete-nya dengan membuka jendela Display Symbol Workshop. Buat file baru bertipe pallete kemudian simpan dengan nama yang mudah dikenali.

Isilah warna yang sesuai dengan kelas menurut selera. Tentu saja sebaiknya menggunakan warna yang familiar dengan pembaca misalnya vegetation dengan warna hijau, lahan kosong dengan warna coklat muda, dan seterusnya. Simpan jika sudah selesai dengan menekan tombol File Save (Ctrl-S). Tutup jendela Symbol Workshop jika sudah selesai.

Kembali ke jendela Layer Properties untuk memanggil file pallete agar peta otomatis berwarna sesuai dengan pallete. Pastikan peta yang dibuat sudah sesuai simbolnya. Terapkan pallete ini terhadap peta lainnya yang ingin diolah dengan LCM.

Tampak dua peta Jakarta dan sekitarnya di tahun yang berbeda (2000 dan 2010) sudah memiliki simbol yang sama. Dari mana peta itu didapat? Coba download sendiri di situs USGS yang tatacara-nya sudah dibahas pada postingan yang lalu. Jika tidak maka ketika akan diproses oleh LCM, akan muncul peringatan.

Menyisipkan Video dari Youtube pada Blog

Saat ini peran Youtube sebagai situs penyedia video gratis belum tertandingi. Peran situs tersebut ditunjang oleh kian murahnya bandwidth yang tersedia di negara-negara besar seperti di Indonesia. Walaupun banyak dampak negatif seperti pornografi dan konten tidak mendidik lainnya, ada baiknya para blogger memanfaatkan Youtube untuk sesuatu yang bermanfaat. Situs ini ternyata dapat dimanfaatkan untuk memperjelas postingan kita. Tulisan singkat ini bermaksud menginformasikan cara yang sangat sederhana untuk memasukan video dari Youtube pada postingan blog. Di sini contoh blog yang digunakan adalah WordPress. Untuk mempraktekannya buka sembarang postingan yang telah dibuat, lalu masuk ke mode sunting atau edit.

Masuk ke mode HTML karena kita akan menyisipkan link Youtube di postingan yang telah dibuat. Link akan diletakan rencananya di tengah-tengah tulisan. Untuk mengetahui link video yang akan kita sisipkan, buka Youtube. Setelah video dijalankan (play) tekan Share di bagian bawah jendela video yang sedang diputar.

Setelah menekan Embed maka akan muncul script yang siap di-copy dan paste di lokasi yang akan disisipkan video pada postingan. Jangan sampai salah meletakan lokasi video karena akan membuat tulisan sebelumnya berantakan.

Hasilnya dapat dilihat seperti video dari Youtube yang disisipkan di bawah ini. Sangat mudah dan praktis, semoga bermanfaat.

Selamat mencoba.

Land Change Modeler dengan IDRISI Selva – Pengenalan

Land change modeler (LCM) adalah memodelkan perubahan lahan pada suatu area tertentu. LCM memiliki manfaat untuk memprediksi perubahan lahan ke depan sehingga dapat diketahui dampak yang muncul akibat perubahan tersebut. Dengan mengetahui perkembangan di masa yang akan datang, pengambil kebijakan akan mampu membuat kebijakan-kebijakan saat ini untuk menghindari dampak negatif ke depan. Kebijakan yang melihat dan memperhatikan kualitas suatu wilayah di masa yang akan datang dikenal dengan istilah pembangunan berkelanjutan (sustainable development).

Untuk mengetahui perubahan lahan ke depan, diperlukan perangkat lunak khusus yang sering diistilahkan dengan aplikasi vertikal (vertical application). Salah satu perangkat lunak yang terkenal adalan IDRISI, dengan versi yang terbaru diberi nama Selva. Untuk lebih jelasnya masuk saja ke situs resminya di clarklabs.org. Gambar di bawah ini tampilan IDRISI Selva. Untuk membuka jendela Modeling tekan menu Modeling – Environmental/Simulation Models – Land Chang Modeler: ES.

Sebelum masuk ke pemodelan ada baiknya mempelajari dasar-dasar penggunaan IDRISI Selva. Untuk pemodelan, blog ini dapat jadi rujukan karena menggunakan bahasa Indonesia. Hanya saja, contoh yang digunakan menggunakan data vektor padahal kenyataan di lapangan data yang tersedia dengan gratis adalah data citra satelit. Silahkan baca postingan saya terdahulu untuk memperoleh citra satelit Landsat ETM+ untuk wilayah manapun di seluruh dunia. Setelah mengunduh lakukan klasifikasi dengan ISOCLAS agar menjadi mudah mengetahui jenis lahannya (land cover). Lihat postingan sebelumnya untuk klasifikasi lahan.

Jika sudah bisa membuat klasifikasi lahan dari citra satelit, untuk bahan belajar dengan cepat lihat video berikut yang dipublish oleh Clark Labs.

Tonton juga yang Part-2.

Karena aplikasi vertikal mengharuskan spesialisasi pada bidang yang akan diterapkan, ada baiknya juga buka-buka lagi teori dasar tentang Remote Sensing & Geographic Information System (GIS). Selamat Belajar.

Menulis Kalimat yang Efektif

Untuk memudahkan komunikasi, diperlukan sarana yang tepat. Walaupun saat ini multimedia yang melibatkan suara, visual, dan tulisan sudah banyak diterapkan, tetap saja tulisan menjadi bagian pokok dari multimedia karena sifatnya yang murah. Untungnya kita sudah diajari membuat komposisi tulisan sejak bangku sekolah dasar. Kita sudah mempelajari kata, kalimat, paragraf, bab, dan seterusnya. Untuk mengerti makna kata sepertinya tidak ada masalah, banyak kamus yang tersedia, termasuk juga google jika malas membuka-buka buku. Sementara itu untuk kalimat, paragraf, bab, dan sterusnya mau tidak mau harus mempelajari teknik-teknik dasarnya.

Banyak buku-buku yang memberikan panduan menulis. Semuanya baik dan dapat dijadikan rujukan. Salah satu buku rujukan yang saya miliki adalah “Writing Science” karya Joshua Schimel. Cukup banyak nasehat yang ditulis dalam buku itu, mana yang baik dan mana yang kurang tepat dari suatu contoh komposisi. Di sini satu hal yang bagi saya menarik adalah konsep “Flow” atau dalam bahasa kita “mengalir”. Untuk masalah struktur yang tepat dalam suatu paragraf atau makalah, lihat postingan sebelumnya.

Dalam buku itu mengalir berarti antara satu kalimat dengan kalimat lainnya terkait satu sama lain, juga antara satu paragraf dengan paragraf lain, dan satu bab dengan bab lainnya. Gambaran untuk hal ini mirip dengan dewa zaman Yunani yakni dewa Janus yang berkepala dua.

Di sini kepala dua berarti ketika melihat ke belakang, kita juga melihat ke depan sekaligus, begitu juga halnya ketika menulis sebuah kalimat. Ketika sedang menulis satu kalimat, kita harus melihat kalimat sebelumnya dan juga kalimat berikutnya. Dengan demikian, ada “Flow” antara satu kalimat dengan kalimat lainnya. Kalau begitu sepertinya langsung ke contoh lebih baik. Perhatikan paragraf berikut yang diambil dari buku Writing Science tersebut.

Molecules are comprised of covalently bonded atoms. Molecules‘ reactions
are controlled by the strength of the bonds. Molecules, however, sometimes
react slower than bond strength would predict.

Kelihatannya tidak ada masalah, tetapi dari sisi flow tampak kurang mengalir dari satu kalimat ke kalimat lainnya. Disebut kurang mengalir karena paragraf tersebut seperti sekumpulan fakta, dan pembaca harus bersusah payah mengkaitkan antara satu kalimat dengan kalimat yang lain. Padahal salah satu syarat tulisan yang baik adalah “mudahkan pembaca dalam memahami tulisan kita”. Perhatikan kalimat versi kedua berikut ini:

Molecules are comprised of covalently bonded atoms. Bond strength controls a molecule’s reactions. Sometimes however, those reactions are slower than bond strength would predict.

Jika dibaca, pembaca akan mudah mengikuti alur dari paragraf tersebut. Mengapa ini terjadi? Pengarang buku tersebut memberi pengertian terlebih dahulu mengenai konsep topic dan stress. Tiap kalimat harus memiliki topic dan stress. Topic pada kalimat pertama di atas adalah molecules sementara stress-nya adalah covalently bonded atoms. Kalimat berikutnya silahkan cari sendiri. Untuk mudahnya membedakan paragraf pertama dan kedua contoh di atas adalah bagan berikut ini.

Yang atas adalah contoh paragraf yang tidak mengalir sementara yang bawah adalah perbaikan dari yang atas dan menghasilkan paragraf yang mengalir dengan baik. Topic terhubung dengan stress dan sebaliknya stress dengan topic. Akan tetapi tidak harus topic yang terhubung dengan stress (dan sebaliknya) itu adalah kata yang sama persis, bisa juga berupa konteks lain yang tidak jauh berbeda. Selain itu terkadang Opening yang terletak di awal kalimat terkadang boleh berupa rangkaian topic-topic karena membutuhkan lebih dari satu kalimat, khususnya ketika memperkenalkan sesuatu yang banyak. Contohnya berikut ini:

Salvage logging is an increasingly common way of harvesting forests that
have been attacked by insect pests. In salvage logging, trees that have been
attacked are selectively harvested. The dead trees that are harvested, however,
can provide cavities that are nesting sites for birds. The population biology of
cavity-nesting birds is therefore likely affected by salvage logging.”

Di sini “salvage logging” pada kalimat pertama dan sekaligus menjadi topic terangkai dengan “salvage logging” lagi di kalimat kedua. Hal ini tidak mengganggu karena penjelasan kalimat pertama dirasa belum cukup sehingga harus dilanjutkan lagi dengan kalimat kedua dengan topic yang sama. Silahkan baca sendiri buku yang lumayan bagus itu. Yang ingin mengetahui “signal word” apa saja yg sering dipakai silahkan lihat postingan tentang kata/frasa penghubung.