NARNET Untuk Data Kecil (Non-GUI)

Untuk data yang besar, GUI pada NARNET, lihat tulisan sebelumnya, dapat dijadikan andalah untuk peramalan data deret waktu (time series). Tetapi jika data kurang dari sepuluh, GUI menolak untuk memprosesnya. Untungnya NARNET dengan command window masih dapat dilakukan meskipun datanya berukuran kecil. Siapkan data berikut ini:

T=[1845005 1873470 1882869 2334142 2733030];
T=con2seq(T);

Data yang digunakan berjumlah lima buah. Data ini kemudian dikonversi menjadi data sequence dengan instruksi con2seq. Siapkan network dengan nama misalnya, “net” dengan fungsi narnet. Jumlah neuron yang digunakan misalnya 10 dan delay 2. Fungsi preparets dan train berturut-turut berfungsi untuk menyiapkan parameter-parameter pelatihan dan melatih network yang sudah disiapkan sebelumnya.

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

Latih ulang jika hasil pelatihan di atas dirasa kurang memuaskan. Selain melihat performance sebaiknya lihat grafiknya dengan menekan tab performance dan juga regression. Contohnya adalah hasil regresi pada grafik berikut ini menunjukan data yang “fit” dengan persamaan regresi bentukan NARNET.

Berikutnya adalah memprediksi data keenam dan seterusnya. Fungsi yang digunakan adalah removedelay sebagai berikut:

nets = removedelay(net);
[xs,xis,ais,ts] = preparets(nets,{},{},T);
ys = nets(xs,xis,ais);
format longg
ys
ys =

[2140750.10017932] [2174736.34212479] [2732810.26058797] [2846162.67542468]

Variabel ys memunculkan empat data dimana data yang terakhir adalah data prediksi. Format longg sengaja digunakan agar format angkanya tidak berpangkat. Bila ragu dengan hasil peramalan, latih dan prediksi lagi saja. Berikutnya untuk memperoleh data ketujuh, libatkan data keenam pada pelatihan NARNET. Selamat mencoba.

Membuat Multi Grafik dengan Matlab

Maksud dari multi grafik (multiplot) di sini adalah satu gambar (figure) menampilkan lebih dari satu grafik. Matlab memiliki fasilitas untuk menangani multi grafik yaitu dengan fungsi subplot. Untuk memudahkan prakteknya, kita gunakan data seperti postingan sebelumnya.

Data=[0.1372 0.5860 0.1428; 0.1394 0.5811 0.1434; 0.1333 0.5906 0.1460];
X=Data(:,1);Y=Data(:,2);Z=Data(:,3);

Format dari subplot adalah jumlah baris, jumlah kolom, dan nomor subplot. Di sini nomor subplot dimulai dari kiri atas kekanan dan ke bawah. Misalnya kita akan merencanakan grafik dengan dua baris, tiga kolom, dan grafik pertama (nomor satu).

subplot(2,3,1)
subplot(2,3,2)
subplot(2,3,3)
subplot(2,3,4)
subplot(2,3,5)
subplot(2,3,6)

Secara sederhana, instruksi di atas adalah membuat enam grafik kosong seperti gambar di bawah ini. Untuk menambah deskripsi judul grafik, sumbu koordinta, dapat dilihat pada postingan yang lalu.

Misalnya kita akan mengisi subplot pertama yang terletak di kiri atas dengan grafik 3D dan subplot tengah bawah dengan grafik 2D yang berisi x, dan y saja.

subplot(2,3,1)
plot3(X,Y,Z)
grid
title ‘grafik 3D’
subplot(2,3,5)
plot(X,Y,’*’)
grid
title ‘contoh grafik 2D’

Hasilnya dapat dilihat di bawah ini. Silahkan isi grafik-grafik lainnya. Semoga dapat sedikit membantu, selamat mencoba.

Membuat Grafik 3D dengan Matlab

Grafik 3D sangat penting untuk menggambarkan bidang atau sekedar menampilkan titik yang terdiri dari tiga koordinat. Postingan kali ini bermaksud membuat grafik/plot 3D dengan menggunakan software Matlab. Buka Matlab dan masuk ke command window. Data yang digunakan untuk contoh adalah data berikut ini:

Data=[ 0.1372 0.5860 0.1428; 0.1394 0.5811 0.1434; 0.1333 0.5906 0.1460];

Dengan data tersebut kita coba untuk membuat grafik 3D-nya. Grafik 3D pada matlab dapat dibuat dengan menggunakan fungsi plot3. Tiga sumbu X, Y, dan Z pada di atas adalah berturut-turut kolom pertama, kedua, dan ketiga. Untuk itu perlu terlebih dahulu direpresentasikan dalam command window.

X=Data(:,1);Y=Data(:,2);Z=Data(:,3);
plot3(X,Y,Z)

Muncul grafik 3D yang masih sederhana. Anda dapat menggeser-geser ke atas, bawah, dan merotasi.

Untuk menambahkan atribut lainnya dapat dibuat dengan fungsi-fungsi tambahan antara lain: 1) xlabel, 2) ylabel, 3) zlabel, dan 4) title. Serta tambahan untuk membuat garis bantu grid.

title ‘contoh grafik 3D’;
xlabel ‘data X’;
ylabel ‘data Y’;
zlabel ‘data Z’;
grid

Sangat mudah untuk diterapkan. Jika ingin dijadikan sumber grafik di jurnal, ada baiknya tidak menggunakan print screen dari gambar di atas yang memang tidak dirancang untuk tampilan cetak. Tekan simbol printer di bagian menu jika ingin menampilkan presentasi hasil hanya berupa grafik 3D tanpa simbol-simbol dan menu. Cetak menjadi pdf atau jpg dengan bantuan software yang banyak beredar di pasaran. Tampilan hasilnya dapat dilihat pada gambar di bawah ini, selamat mencoba.

Penggunaan Tenses dalam Jurnal Ilmiah

Naskah ditolak publisher karena bahasa Inggris berantakan biasanya sering dialami kita yang pemula ketika mengirim naskah tulisan ilmiah ke jurnal internasional. Padahal sebelumnya tidak ada masalah ketika mengirim ke jurnal lokal yang menggunakan bahasa Indonesia. Hal ini terjadi karena bahasa Inggris memiliki tenses berbeda dengan bahasa kita. Beberapa rekan yang sudah mau lulus banyak memberi masukan, tetapi karena secara lisan dan sambil ngopi, terkadang ketika mulai menulis malah lupa lagi. Akhirnya secara tidak sengaja menemui situs yang berisi tatacara penulisan tenses dalam jurnal. Untungnya cuma dua halaman dan sudah dalam framework intro, method, result, and discussion (IMRaD). Silahkan diunduh di sini.

Tenses berhubungan dengan waktu dan open/closed suatu pernyataan. Waktu di sini bisa saat ini, lampau, atau yang akan datang. Simple past biasanya untuk pernyataan di waktu lampau dan closed. Sementara present perfect menyatakan kondisi saat ini dan open.

Simple past / closed event : the other person has already graduated.

How long have you been at Melbourne Uni?

Present perfect / open event: the other person is still engaged on his / her course.

Silahkan terus membaca tulisan menarik tersebut dan dilanjutkan dengan membuat paper ilmiah. Hal ini penting karena reviewer saat ini akan melihat bahasa Inggris sebelum melihat isi dari tulisan. Jika dirasa kesulitan memahaminya biasanya mereka menolak (reject), dan ini sangat disayangkan, padahal bisa jadi konten dari tulisan kita sebenarnya layak diterima. Situs ini bagus juga dijadikan rujukan.

Klasifikasi Lahan Menurut US Geological Survey (USGS)

Terkadang menjadi masalah jika tidak hanya diminta menjelaskan sesuatu tetapi juga dari mana sumber informasinya. Biasanya dijumpai dalam lingkungan ilmiah seperti skripsi, jurnal, dan sejenisnya. Dalam bidang sistem informasi geografis (SIG), untuk konsep-konsep tertentu, misalnya land cover, sepertinya USGS sudah menjadi patokan dan rujukan sebagian besar peneliti karena memang memiliki data yang lengkap dari satelit landsat.

Klasisfikasi lahan sendiri ternyata memiliki standar tertentu yang dapat diperoleh dari referensi yang diposting di situs resmi USGS dan bisa diunduh di sini. Silahkan baca sendiri jika membutuhkannya. Pertama-tama tulisan itu menjelaskan perbedaan antara land use dan land cover. Setelah itu perjalanan sejarah untuk menemukan standar klasifikasi dibahas rinci, yang dimulai sejak tahun 1970-an. Dan yang terpenting adalah klasifikasi land use yang sering digunakan perencana kota/wilayah, misalnya apa saja yang termasuk built-up, agriculture, forest, dan lain-lain. Semua dibahas di halaman 12:

“The definition of Urban or Built-up Land, for example, includes those uses similarly classified (Wooten and Anderson, 1957) by the U.S. Department of Agriculture, plus the built-up portions of major recreational sites, public installations, and other similar facilities. Agricultural land has been defined to include Cropland and Pasture; Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas; and Confined Feeding Operations as the principal components. Certain land uses such as pasture, however, cannot be separated consistently and accurately by using the remote sensor data sources appropriate to the more generalized levels of the classification. The totality of the category thus closely parallels the U.S. Department of Agriculture definition of agricultural land.”

Untuk lebih enaknya langsung lihat saja di tabel 2 yang sudah dirangkumkan. Misalnya yang masuk kategori urban atau built-up antara lain: perumahan, daerah komersial/jasa, kawasan industri, sarana transportasi dan komunikasi, dan lain-lain.

Sedikit banyak, semoga bermanfaat.

Instalasi Tool Pembuat Grafik Dinamis di ArcGIS

Selain sebagai pembuat peta (map creation) ArcGIS juga dapat digunakan sebagai media presentasi. Salah satu pendukung presentasi adalah menampilkan fakta dan informasi dari peta yang sudah dibuat sebelumnya dengan cara yang menarik. Salah satunya adalah dengan menampilkan grafik atau diagram, misalnya pie chart, histogram, dan lain-lain.

Salah satu cara yang mudah adalah dengan menginstal Add-in untuk diterapkan di ArcGIS. Selain itu komponen pendukung seperti misalnya Microsoft .NET bawaan microsoft harus sudah terinstal terlebih dahulu, biasanya jika sudah ada Matlab di laptop, Microsoft .NET sudah terinstal juga. Silahkan terlebih dahulu unduh file untuk membuat grafik dinamis di sini. Ikuti langkah berikut untuk instalasinya.

1. Pertama-tama ekstrak terlebih dahulu file Rar yang baru saja diunduh (Oiya, pasword-nya: 1) dan dilanjutkan dengan dobel klik ESRI.PrototypeLab.Geodesign10.

Muncul jendela peringatan bahwa Add-in bisa saja berisi virus jika tidak berasal dari sumber yang dipercaya. Aktifkan anti virus untuk jaga-jaga. Tetapi karena selama menggunakan tidak ada masalah sepertinya tidak mengandung virus. Tekan Install Add-In untuk melanjutkan proses instalasi yang cukup singkat.

2. Setelah menekan tombol OK buka ArcGIS dan perhatikan apakah Add-in sudah muncul di menu ArcGIS. Jika belum muncul, jangan khawatir, masuk ke menu Customize – Toolbars, lalu ceklis Dynamic Charting.

Selanjutnya akan muncul icon dynamic charting berukuran kecil berupa simbol pie chart. Jika tidak ada coba lihat langkah pertama, atau mungkin Microsoft .NET belum terinstal di windows Anda. Biasanya windows akan mengarahkan kita ke situs download microsoft .net untuk menginstalnya.

Semoga tidak ada masalah ketika menginstal Add-in tersebut. Sampai jumpa pada postingan berikutnya untuk mengetahui penggunaan Add-in ini. Atau lihat blog berikut ini.

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.

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.

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.”

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.