Membuat Peta Jarak Lokasi Tertentu dengan ArcGIS

Jika pada tulisan sebelumnya menggunakan ArcView, di sini kita coba dengan ArcGIS. Misalnya jarak tertentu terhadap lokasi pusat polusi (suara, udara, tanah, bau, dll). Kebetulan saya adanya untuk wilayah kota bekasi. Buka shapefile peta lokasi yang akan kita buat jaraknya. Cara terbaik buat orang awam atau pelupa seperti saya adalah dengan search lewat windowssearch (Ctrl-F).

Cari “distance” di kolom search yang akan memunculkan seluruh toolbox yang berhubungan dengan jarak. Pilih euclidean distance yang artinya metoda yang dipakai adalah jarak euclidean yaitu jarak geometris antara satu titik dengan titik lainnya. Emang ada jarak yg lain? ya ada banyak, mahalanobis, manhattan, dll atau juga istilah jarak ketika sesorang bilang ” sebaiknya kita jaga jarak” ..

Masukan sumber lokasi, beri nama target shapefile dan lanjut dengan mengisi environment. Kenapa harus masuk ke environment? Alasannya bisa liat di tulisan sebelumnya (sorry bhs inggris). Masuk environment dst … (lihat link itu), hasilnya adalah seperti ini.

Untuk apa sih itu? Ya untuk pemodelan. Setelah direclasify kemudian di overlay dengan faktor-faktor lain yang menentukan kelayakan suatu lokasi, misalnya perumahan.

Mengenal ArcCatalog

Salah satu keunggulan ArcGIS adalah pemodelan dan spatial analysisnya. Software yang harga lisensinya puluhan ribu dollar ini terus mengembangkan diri dengan versi-versi terbarunya. Sepertinya perorangan tidak efektif jika membeli lisensi sendiri, khusus pelajar biasanya numpang di kampus masing-masing yang sudah membeli lisensi. Gambar berikut merupakan contoh pembuatan model yang jika dirunning akan melakukan proses analisa spasial.

Perhatikan elips yang berwarna biru merupakan hasil proses dari segiempat (reclassify, raster to polygon dan weighted overlay). Di sini bobot kita isi dengan mengklik ganda proses weighted overlay, tetapi tidak bisa dirunning karena target sudah terisi oleh proses sebelumnya (lihat cara menghitung bobot dengan AHP). Nah, disitulah peranan arc Catalog, kita dapat merename file overlay dengan yg lain, atau bahkan mendelete-nya jika mau. Buka Arc Catalog dengan menekan simbol atau di menuwindowsCatalog.

Sebenarnya prinsipnya sama dengan folder/file explorer, tapi di sini lebih praktis menurut saya, karena hanya cukup membuka satu aplikasi di saat yang sama. Tetapi jika ingin mendelete lewat folder juga ga masalah, hanya saja repot karena ada tujuh file yang harus dihapus (*.dbf, *.shx, *.prj, *.sbn, *.shp, *.shp.xml, dan *.sbx), sementara lewat arc catalog hanya sekali klik.

Membuat Kuesioner di Google Form

Saat ini survey lewat online banyak dilakukan oleh para periset karena kemudahannya dibanding lewat paper-based. Bahkan teknik Delphi yang melakukan kuesioner berulang, bisa juga lewat mekanisme online atau email (Skumolski et al, 2007), juga metode Analytic Hierarchy Process (AHP) di tulisan yang lalu. Saat ini, aplikasi kuesioner yang terkenal adalah google form yang dapat Anda akses di tautan berikut ini. Anda harus login google terlebih dahulu, karena fasilitas form ini masuk dalam lingkungan google docs.

Di sini saya akan membuat kuesioner untuk menentukan kompatibilitas dan dependensi (ketergantungan) antara satu tipe lahan dengan tipe lahan lainnya. Misalnya tempat tinggal akan kompatible dengan rumah sakit, sekolah, dan lain-lain tetapi tidak dengan industri dan sejenisnya. Tekan tombol create new form.

Jika ingin membuat tulisan saja, misalnya judul atau penjelasan dapat dengan memilih Section Header. Berikutnya jika berupa multiple choice tinggal pilih jenis pertanyaannya. Jika tidak pilih yang sesuai.

Saya menggunakan Grid karena berupa skala dari berbagai pilihan. Terakhir, untuk mempermanis tampilan, Anda dapat memanfaatkan fasilitas Theme yang tersedia, berikut hasil yang saya buat.

Selamat mencoba kemudahan yang diberikan oleh Google, Oiya, hasilnya dapat Anda lihat berupa aplikasi online yang mirip Excel yang sepertinya harus diunduh dan dimodifikasi terlebih dahulu untuk diolah.

Mengolah Data dengan Metode Analtytic Hierarchy Process (AHP)

Dulu sempat mengambil mata kuliah Decision Support System (DSS) dan memperoleh materi khusus AHP dan sekarang ternyata “butuh lagi”. Ketika membuka lagi folder-folder lama dan ternyata masih ada. Sayang softwarenya tidak bisa diinstal di laptop saya karena versi yang sekarang windows 64 bit. Untung ada yang “share” program aplikasi tersebut di internet, ya sudah saya “pinjam”.

AHP biasanya dipergunakan untuk memilih pilihan yang tepat dari kriteria-kriteria tertentu. Tetapi disertasi saya hanya membutuhkan berapa bobot yang tepat untuk menentukan goal-nya nanti, tidak dengan AHP melainkan algoritma tertentu. Oke lah, saya sebar kuesioner ke beberapa responden yang mengerti masalah urban, lingkungan, atau optimasi pengalokasian lahan. Kuesioner dibuat dengan menggunakan google form.

Buka expert choice dilanjutkan dengan memberi nama project yang akan dibuat di software tersebut. AHP ini idenya dicetuskan oleh Saaty dan Vargas tahun 2000, silahkan unduh sendiri jurnalnya. Berikutnya adalah kita masukan variabel-variabel pendukung keputusan di menu edit (Ctrl-H).

Setelah variabel-variabelnya dimasukan, isi data hasil kuesioner ke expert choice untuk mengetahui berapa bobot yang diperoleh berdasarkan jawaban dari responden. Berikutnya adalah mengisi data dari hasil kuesioner yang disebar. Tekan simbol 3:1 untuk mengisi pairwise comparison.

Isi satu persatu dengan hati-hati karena excel hasil jawaban dari google form kurang rapi dan dikhawatirkan jawaban tertukar. Biasanya agar tidak tertukar saya mengurutkan variabel dan tiap pergantian variabel saya batasi dengan warna.

Pilih responden yang mengisi kuesionar dengan benar sesuai dengan formatnya. AHP melarang nilai konsistensi yang kurang dari 0.1. Konsistensi bisa saja terjadi jika banyak variabel yang terlibat. Maksud dari konsistensi adalah misal jika A > B dan B > C maka C > A tentu saja tidak konsisten, walaupun bisa saja terjadi (wanita berani dengan kucing, kucing berani dengan tikus, tetapi wanita takut dengan tikus, misalnya). Klik simbol ABC, maka kita akan menemukan skala, dan sebaiknya kuesioner menyesuaikan dengan skala ini.

Jadi jika responden menjawab very strong, maka kita pilih nilai 7, equal nilainya satu, dan seterusnya. Jawab untuk satu responden hingga menghasilkan skor di bawah ini misalnya.

residential

Perhatikan konsistensinya lebih besar dari 0.1, tetapi jangan khawatir, ini masih responden pertama, kita masukan responden yang lainnya. Tetapi dicatat saja, jika konsistensi akhir di atas 0.1 maka responden ini menjadi kandidat untuk tidak diikutsertakan. Jangan lupa, arah skornya ke kanan apa ke kiri (tulisan angka BERWARNA MERAH atau HITAM), karena salah geser, ke arah lawannya. Lanjutkan hingga seluruh responden dimasukan. Klik simbol participant terlebih dahulu (gambar dua orang) di bagian menu, tambahkan berapa responden yang akan dimasukan ke expert choice.

Pilih participant yang akan dimasukan skor hasil kuesionernya. Pilih P2 di bagian menu participant. Lanjutkan dengan mengisi data seperti langkah sebelumnya. Untuk responden kedua, nilai agak mendingan (konsistensi 0.17).

residential

Combine data Anda baik (both data and judgment) untuk menghasilkan total bobot seperti gambar di atas. Dan coba jangan sampai inconsistency di atas 0.1, jika lebih buang yang scor inconsistency-nya buruk (tapi jangan utak-atik data ya, karena melanggar prinsip riset ilmiah – namanya fabrikasi). Karena Expert choice, maka tidak perlu data sampel yang banyak, tetapi yang mengisi adalah pakar di bidangnya.

Prediksi dengan Jaringan Syaraf Tiruan (Dasar-dasar)

Jaringan Syaraf Tiruan (JST) merupakan metode komputasi yang meniru perilaku kerja otak makhluk hidup dalam merespon masukan. Dengan data berupa variabel-variabel masukan, JST memproses kemudian menghasilkan output tertentu sesuai dengan proses pembelajaran sebelumnya. JST telah banyak diterapkan di berbagai bidang antara lain:  kedokteran, keuangan, sistem kontrol, data mining, dan lain-lain. Lalu muncul pertanyaan, apakah bisa juga digunakan untuk prediksi?

Secara filosofis karena JST adalah usaha untuk meniru otak, maka tentu saja diharapkan dapat digunakan untuk prediksi karena otak kita juga bisa memprediksi sesuatu kan? Situs yang cukup baik menurut saya dalam menjelaskan peramalan dengan JST adalah berikut ini. Atau berikut penjelasannya bagi yang malas baca tulisan panjang ditambah bahasa Inggris pula.

Sebelumnya kita bahas terlebih dahulu JST yang tidak digunakan untuk meramal (forecast), misalnya penentuan harga baru berdasarkan jumlah penjualan dan pesanan. Jika penjualan meningkat dan pesanan meningkat sekian, maka harga baru naik sekian. Jika penjualan menurun dan pesanan menurun sekian maka harga baru turun sekian. Jadi JST akan menerima masukan jumlah penjualan periode tertentu dan berapa pesanan baru, maka JST akan menyarankan untuk menaikan atau menurunkan harga dengan prosentase tertentu berdasarkan informasi data yang lalu. Jadi jika perusahaan tersebut ditinggal oleh manajer pemasaran karena gaji kecil, ga dapet THR, ga dihargai, dll, manajer baru tinggal memakai data lama untuk mengambil keputusan ke depan.

Sementara itu peramalan menggunakan data lama sebagai variabel masukan, biasanya periodik, perbulan atau pertahun, yang tentu saja banyak (tidak hanya satu tahun/bulan). Untuk kasus penentuan harga barang, JST bisa digunakan untuk meramalkan kenaikan harga di masa yang akan datang. Termasuk variabel-variabel yang sebelumnya jadi masukan juga bisa diramal untuk ikut andil memprediksi yang dikenal dengan istilah variabel intervensi (intervening). Berikut satu ilustrasi yang cukup baik dari referensi yang disebutkan di awal.

Jika diperhatikan ada lima input untuk memprediksi satu keluaran. Tentu saja jumlah input harus tetap, jika ketika pelatihan ada lima tahun sebelumnya untuk memprediksi, maka JST akan error jika hanya empat atau tiga masukan yang tersedia. Salah satu kehebatan JST dibanding regressi yang lain adalah dengan mudah dapat ditambah variabel intervensi seperti gambar berikut. Kalau di kasus contoh sebelumnya misalnya jumlah penjualan dan pesanan baru yang masuk.

Disebutkan bahwa jumlah variabel intervensi (intervention indicator) jangan terlalu banyak karena akan mengganggu masukan yang lain yang utama (data history periode yang lampau). Untuk penerepannya dapat Anda lihat di postingan saya yang lain. Untuk yang lagi skripsi atau tesis tentang peramalan, tetap semangat !!!

Referensi:

JST, FIS, atau ANFIS?

Berikut kritik dan saran dari pembaca buku data mining dengan matlab, terutama di bab 3 (halaman 49) dan bab 4 (halaman 74) yang membahas mengenai Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Jaringan Syaraf Tiruan (JST). Sebenarnya buku ini kelanjutan dari buku sebelumnya tentang soft computing, jadi beberapa bagian memang ada yang sama, terutama JST dan ANFIS yang berbasis machine learning. Maksudnya dimodif sedikit supaya beda sama yang dulu malah ada yang lupa diganti.

Di kode di atas halaman 49, harusnya tm bukan keuangan. Variabel tm sendiri maksudnya singkatan dari tingkat kemiskinan agar makin besar nilai variabel ini tm makin besar pula, maksudnya makin miskin agar untuk menjumlahkan nanti jadi besar (IPK besar TM juga besar) yang berpeluang mendapat beasiswa. Walaupun bisa saja dirancang dengan tk, tingkat kekayaan, makin besar makin kaya, tetapi walaupun bisa berjalan, bagi programmer yang ingin “testing”, logic error sedikit ribet. O iya, logic error berbeda dengan syntax error (akan diberitahu bahwa baris sekian ada kesalahan) karena sistem berjalan tetapi tidak sesuai dengan kenyataan, lebih berbahaya.

Berikutnya juga di halaman 74 ada beberapa bagian yang tidak saya tulis kodenya karena GUI bisa menggunakan GUI yang lain (FIS atau ANFIS). Memang harusnya buku itu disertai CD untuk kode program agar tidak perlu “latihan mengetik sepuluh jari” :D. Tetapi saya berikan di sini kode sumber untuk satu GUI yang berisi Decision Support System dengan tiga metode tersebut. Download dulu kodenya.

Ekstrak di satu folder, kemudian Matlab arahkan current directory-nya ke folder tersebut lalu jalankan dengan mengetik nama folder yang berekstensi .m di command window. Untuk melihat kodenya ketik edit disertai nama file berekstensi .m tersebut. Oiya, sesuaikan huruf besar dan huruf kecilnya karena Matlab case sensitive.

Tentu saja kalau data mining jumlah datanya ya tidak hanya segelintir seperti contoh (dengan excel), apalagi big data trend-nya sudah mulai, excel tentu saja tidak sanggup mengolah data hingga jutaan record. Buku berikutnya sudah sampai ke penerbit tentang data mining tetapi fokus ke penanganan Matlab untuk sistem basis data (database management system – DBMS) dengan Microsoft Access (sebagai perwakilan desktop DBMS) dan MySQL (perwakilan web-based) dengan bantuan ODBC.

Sustainable Development

Istilah sustainable development belakangan ini sering muncul setelah isu global warming sepertinya menjadi kenyataan. Istilah ini sebenarnya sudah muncul lama ketika munculnya World Commission on Environment and Development (dikenal dengan istilah Brundtland Commission) yang menerbitkan laporannya berjudul “Our Common Future (masa depan kita)” pada tahun 1987 (dikenal dengan istilah WCED 1987) dan memunculkan definisi terkenal dari sustainable development yaitu “development that meets the needs of the present without compromising the ability of future generations to meet their own needs (perkembangan yang memenuhi kebutuhan saat ini tanpa mengurangi kemampuan generasi yang akan datang memenuhi kebutuhannya)” (Steiner, 2008, Leitmann, 1999, Curwell, 2005).

Definisi tersebut ketika pertama kali membaca sangat membingungkan bagi saya dan belum begitu jelas. Ternyata bukan saya saja, ketika definisi tersebut dicetuskan, banyak ketidaksetujuan dari saintis yang menekuni bidang urban/city planning karena memang saat itu masih banyak yang beranggapan bahwa kota atau daerah urban adalah musuh dari lingkungan (Curwell, 2005,p.22). Menghabiskan banyak sumber daya, membuang banyak limbah, merusak lingkungan, dan tuduhan-tuduhan yang terelakan lainnya. Memang waktu itu komisi dikuasai oleh para pakar lingkungan yang dunia terpolarisasi, yang satu berusaha memakmurkan desa (rural) dan satunya lagi mengatasi masalah-masalah daerah urban (city). Akhirnya saya iseng-iseng ke perpustakaan, maklum orang yang sempat 6 tahun kuliah mesin dan dua tahun kuliah IT, mana ngerti masalah seperti itu. Akhirnya dapatlah dua buku yang habis saya lahap dalam dua hari.

Akhirnya muncul konverensi di Rio de Jeneiro Brazil tahun 1992, yang dikenal dengan Earth Summit (UNCED 1992). Dimunculkanlah istilah Agenda 21 “Policy plan for environment and sustainable development in the 21st Century”. Jadi 21 itu ternyata maknanya abad 21. Tetapi tetap saja kritik tetap saja bermunculan (ternyata tidak hanya ke Jokowi saja kritik). Kritiknya adalah Agenda 21 terlalu berfokus pada manusia (Curwell, 2005).

Ok, lama-lama juga paham. Tadinya saya fikir sustainable development itu suatu wilayah harus mampu mensuplai sendiri kebutuhannya baik pangan (dengan agriculture), energi (pembangkit listrik), dan membuang/mengolalah sampai yang dihasilkan dari proses kesehariannya (dibakar, diolah, atau dijadikan pupuk). Tetapi, kian lama, dan diperkirakan di tahun 2050, seluruh bagian di dunia 80% adalah kota atau daerah urban. Maka mau tidak mau perhatian utama haru tertuju ke daerah perkotaan, disamping memang kebanyakan muncul masalah di sana, tetapi kota adalah tempat dimana perekonomian, pendidikan, dan pengambil keputusan berada sehingga harus diberdayakan dengan baik. Jadi konsep urban tidak hanya dibatasi secara geografis di daerah urban saja, melainkan daerah pinggirannya baik rural maupun peri-urban. Misal Jakarta, tentu saja tidak bisa menghasilkan beras, buah dan sayur-sayuran sendiri, melainkan harus menjamin pasokannya dari daerah sekitar. Sampah harus diatasi, jangan sampai laju angkutan ke TPA bantar gebang terganggu, dan lain-lain. Singapura misalnya, masalah polusi, air bersih, energi dan sebagainya, untuk mencapai kondisi sustainable mau tidak mau harus menekan polusi, memiliki kilang minyak (yang katanya lebih banyak dari Indonesia), menjaga suplai air bersih dari Malaysia, dan lain-lain yang dengan teknik terkenalnya, yaitu fine policy (kebijakan denda berat). Seperti jantung di tubuh kita, agar bisa sustainable maka pasokan makanan dari darah harus terjamin, pengeluaran kotoran ke ginjal lewat pembuluh balik dan suplai oksigen dari paru-paru lewat darah juga harus terjaga. Gituuuu …

NB: Oiya, ada istilah Urban Oktober. Dirayakan tiap senin pertama bulan Oktober, tahun ini bertema public space for all, selengkapnya lihat situs ini.

Land Price Map

There is a transition in land tax in Indonesia from tax department to local district. Land prices in Indonesia called NJOP which mean selling point of tax payer of his/her building. There were many problems with the accuracy of NJOP. The value usually below the real value based on the selling transaction. When NJOP is handled by local government, the situation still the same since the local government human resources is not sufficient.

In order to fix this situation, the government tries to make a relation with MAPPI, the organization of price estimator in Indonesia, to get the near exact value of NJOP. The nominal may be do not accurate for NJOP but for whole region, the comparison value may be more accuracy. For example is land price in Bekasi City.

We have the prediction NJOP for every region in bekasi city. After we create the map, we try to make a presentation about NJOP comparison for every region in sub-district. Right click on the shapefile that we already have and come to Symbology in layer properties.

There are many choices for the quantities, for example graduated colors. After you choose it, you have to select the value. I already have land prices, so I chose it. Click Apply, you will get the land price map below.

Don’t worry, the land price in Bekasi is still low .. but the yellow area near the Bantar Gebang .. final garbage location :).

Global Variable in Matlab

I still learn Matlab code, and always finding some problems related to script creation. This time I want to share about what in Matlab called “global variable”. This kind of variable at the first time did not attractive to me because I did not find the usefulness of it. Now I understand the important of understanding the global variable.

I have created some algorithms such as genetic algorithms for my dissertation. When I try to create the function having many variables, I always been annoyed with an error “undefined variable …” and I revised the code with that variable included. But the declaration seems strange to me, like this.

So, I try to solve that problem by searching in the internet. I found that I have to use global variable that used everytime when some function called the variable. Explanation in web officially from mathworks is here. For everyone who like video in youtube, this problem is explained clearly here. Now I try to fix my function using global variables, and I do not have to delcare many variables in my function.

Let’s we try some simple function. We have to create main function and other function to calculate something from main function. For example we name the main function “energy” that called other function to calculate the internal energy “calc”. Type in the command window >> edit calc to create calc.m function. The message will be opened:

Just click “Yes” because it only informed that calc.m does not exist. But becarefull if the message does not shows to us. It means the name of our function has been used in Matlab, so we have to change to other names.

Now in the same way, create new m-file for main function with the name e.g “main”. Make sure your m-file name is not Matlab built-in functions.

Now try to run the m-file by clicking the run icon (green triangle). There is an error message:

You have to include the variable c in your calc function or you have to declare that variable in your main file as global variable. Add c as our global variable in the main function. Revise your main and calc file to include global variable c:

And try to run again, you have to get the result without error message (don’t forget to save your m-file everytime you edit it). No need to include c in calc variable function anymore 🙂.

  • E =
  • 1.8000e+018
  • ans =
  • 1.8000e+018

NOTE: future of Matlab said that … Ok, I paste the warning:

Warning: The value of local variables may have been changed to match the
globals.  Future versions of MATLAB will require that you
declare
a variable to be global before you use that variable.

So, we have to declare global c first before declare c=300000000;

Raster Analysis to Produce a Larger Extent in Arcgis

If you have a problem like this (picture below when you create a new map, for example distance from specifik line or polygon), you are new in ArcGis 😀 like me.

It’s ok, back to euclidean distance toolbox there are environment button that you have to fill.

You have to fill the processing extent to other map that cover the rectangle of it e.g Bekasi city. Thanks to someone that give the solution in the link here.

Do not stop here, you also have to fill in raster analysis form filling Bekasi city as analysis of mask in order to get the exact match like the result below.

Map Digitalization Using ArcGIS

In the last post we have learned how to create digitalize map from scanned map of open space. Now we are going to try creating a digitalize map of flood zone in bekasi city, Indonesia. Fortunately some blogger has upload the scanned flood zone, such as link here. Many sources for downloading Bekasi city shapefile e.g here. Officially you can buy thematic map on bakosurtanal site.

Of course you should have Bekasi City shapefile that have already been digitized. The bekasi city map can be download here. Start your ArcGIS with new project and open bekasi city shapefile. You have to match the shapefile to flood zone. The pdf file have to be converted first into image. If you do not have the conversion tool to image you can use online version e.g link here.

Add shapefile from menu/icon and chose the image to be matched with the bekasi city region shapefile. Some image may be contain band_1, band_2, and band_3, but others may just one image. You have to activate georeferencing menu toolbar.

Choose at least two point from image that match the shapefile. Arcgis will automatically match the two maps. And now we start to draw the flood region. Use zoom to layer for helping you finding point to match.

I think the map we have just drawn is very important, especially for someone who want to buy or build house in Bekasi city. No one want water in his/her house 😀. I have lived in the location shown below for 2 years and now move to another place, of course without terrible flood.

Menentukan Satu Titik Apakah di Dalam Beberapa Region

Jika pada tulisan yang lalu untuk satu region dengan instruksi inpoly dapat diketahui apakah titik tersebut di dalam atau di luar region, ternyata mengalami error ketika region yang diambil dari shapefile lebih dari satu dengan dibatasi oleh beberapa koordinat kosong “NaN”.

Salah satu fungsi Matlab yang bisa mengatasi masalah ini adalah fungsi inpolygon. Fungsi ini berbeda dengan fungsi inpoly yang hanya satu region dan harus diunduh dulu karena tidak tersedia di Matlab. Pada fungsi bawaan Matlab, Inpolygon, region tidak dinyatakan dalam satu variabel melainkan menjadi dua sumbu yaitu sumbu x yang dinyatakan dengan xv dan sumbu y yang dinyatakan dengan yv, seperti dari sumber tulisan ini.

Jika polygon yang anda miliki di ekspor dalam format kolom (baris menyatakan point) maka harus di convert dengan fungsi transpose. Saya memiliki region jalan dan danau kota bekasi dengan format baris, maka saya harus konversi menjadi format kolom kemudian memisahkan menjadi dua (xv dan yv).

  • >> xv=transpose(y(:,1));
  • >> yv=transpose(y(:,2));

Dua kode di atas adalah membuat variabel x dan y dari region. Berikutnya kita akan mengecek apakah suatu titik, misalnya rumah sakit di kab bekasi apakah terletak di jalan, sungai atau danau? .. (pertanyaan yg aneh .. he he). Kita impor lokasi rumah sakit dulu:

  • >> data2=impor(‘xxxxxxx.shp’);
  • >> y2=transpose([data2.X;data2.Y]);
  • >> tes=transpose(y2);
  • >> inpolygon(tes(1,:),tes(2,:),xv,yv)
  • ans =
  • 0 0 0 0 0 0 0 0 0 0 0 0

Variabel yang akan diuji ditranspose dan diberi nama tes, kemudian dicek dengan fungsi inpolygon. Hasilnya bener kan .. tidak ada rumah sakit yang berada di jalan, sungai atau danau. Kayak kurang kerjaan aja ya. Tapi itu berguna untuk program penataan ruang (pabrik, geografi, dll). Mengapa bangsa eropa maju, ya mungkin karena “They think everyting”. O iya, untuk melihat region di Matlab dengan toolbox “mapview“, masukan koordinatnya. Penggunaan secara detail dapat dilihat di tulisan sebelumnya.

Membuat Shapefile Kecamatan dari Kabupaten (Clipping)

Salah satu keterampilan terpenting dari pengguna GIS adalah kemampuan membuat satu peta dari data peta yang tersedia. Misalnya kita diminta membuat peta kecamatan bekasi selatan dari peta kota bekasi maka kita harus sanggup membuatnya, bisa dengan ArcGIS, ArcView atau aplikasi GIS lainnya. Di sini kita coba dengan ArcGIS.

Langkah pertama adalah siapkan shapefile kota bekasi, dilanjutkan dengan membuat satu project baru atau “menumpang” dari project yang ada. Proses yang dilakukan adalah clipping kota bekasi dengan pengguntingan pada kecamatan bekasi selatan.

Setelah peta kota bekasi dibuka, buka data dengan klik kanan di table of content pilih open attribut table. Sorot kecamatan yang akan diclip. Berikutnya adalah masuk ke menu clip yang berada di menu geoprocessing.

Isi baik input features dan clip features dengan shapefile yang sama. Tentu saja jangan lupa men-select di table kecamatan bekasi selatan, kalo tidak ya akan menghasilkan sama dengan shapefile kota bekasi (tidak ada yang digunting). Jika sudah tekan OK, tunggu hingga selesai dan pastikan tidak ada warning pertanda ada yang salah. Semoga bermanfaat.

 

Mengidentifikasi Pola Citra dengan Jaringan Syaraf Tiruan

Sebelum membahas identifikasi perlu diketahui ada dua jenis pengecekan suatu citra yaitu identitikasi (identification) dan pencocokan (verification). Pada sistem pencocokan prinsipnya sama dengan mengecek password, misalnya mengecek tanda tangan, sistem akan membandingkan identitas orang yang malakukan tanda tangan dengan citra tanda tangannya. Mirip ketika mau log-in, kita memasukan user id dan kemudian password, tetapi di sini passwordnya diganti dengan sidik jari, tanda tangan, retina, dll. Tetapi sistem identifikasi sedikit lebih rumit karena sistem tidak diberitahu identitas yang melakukan biometrik. Sistem harus mengetahui siapa pemilik citra yang ditangkap sistem. Jadi ketika kita ingin memasuki gedung yang diberi pengaman sistem identifikasi, pengguna hanya memberikan sidik jari, retina, tanda tangan, dan biometrik lainnya yang biasanya non-destruktif (kalo kesetrum mungkin sedang sial aja .. he he).

Untuk identifikasi tanda tangan dibutuhkan pengolahan citra sebelum masuk ke sistem identifikasi. Untuk belajar sebaiknya kita coba sistem yang sederhana misalnya membedakan angka 1,2, dan 3 saja dan tanpa pengolahan citra, alias kita beri tahu langsung vektornya. Gambar berikut ini menunjukan angka 1, 2, dan 3 di pixel berukuran 5×3.

Angka satu di sini menunjukan adanya pola sementara nol tidak. Data tersebut data utama yang akan ditraining dengan Jaringan Syaraf Tiruan (JST). Tentu saja jika hanya data itu yang diberikan, hasilnya kurang bagus karena sistem membutuhkan data lain untuk menjaga masukan yang agak menyimpang misalnya gambar di bawah untuk angka 1.

Untuk angka-angka yang lain, coba buat sendiri deviasinya. Kalo tanda tangan, untuk training user diminta melakukan beberapa tanda tangan, karena kebetulan hampir tidak mungkin melakukan tanda tangan beberapa kali hasilnya sama persis.

Langkah pertama adalah membuat vektor tanda tangan, caranya adalah mengkonversi matriks tanda tangan menjadi vektor dengan fungsi reshape di Matlab. Buka command window, kita coba untuk angka satu terlebih dahulu.

  • >> satu=[0 1 0;0 1 0;0 1 0;0 1 0;0 1 0]
  • satu =
  • 0 1 0
  • 0 1 0
  • 0 1 0
  • 0 1 0
  • 0 1 0
  • >> satu=reshape(satu,1,15)
  • satu =
  • Columns 1 through 12
  • 0 0 0 0 0 1 1 1 1 1 0 0
  • Columns 13 through 15
  • 0 0 0

Perhatikan fungsi reshape di atas, matriks 5×3 diubah menjadi 1×15 dimana 15 dari perkalian 3×5 (masukan angka 3, kali dan angka 5 di calculator iphone 6 Anda, nanti keluar deh angka 15 .. he he). Lakukan untuk tiga deviasi dari angka satu di gambar atas. Lakukan juga hal yang sama untuk angka 2 dan angka 3. Bagaimana jika tanpa deviasi? Ya bisa saja, tapi yang namanya belajar/training membedakan monyet dengan bukan monyet aja ga bisa kan trainingnya dengan gambar monyet saja, harus dengan gambar yang lain, bisa dengan foto teman anda, atau foto anda juga boleh. Ok, kita beri label saja monyet, eh angka satu, dua, dan tiga berturut-turut 1,2,3 walau boleh saja 0, 10, 20. Tetapi supaya gampang mengenali yang pertama saja. Supaya cepat, ok 2 dan 3 untuk training tidak perlu deviasi. Angka satu dengan tiga deviasi. Secara prinsipnya adalah gambar berikut:

Kolom terakhir merupakan label/target, sementara vector1 sampai 3 berukuran 1×15. Buka lagi command window, lakukan cara yang sama dengan variabel satu di atas, beri nama saja berikutnya dengan satua, satub, satuc, dua, dan tiga.

  • >> satua=reshape(satua,1,15);
  • >> satub=reshape(satub,1,15);
  • >> satuc=[0 0 1;0 0 1;0 1 0;0 1 0;0 1 0];
  • >> dua=[1 1 1;0 0 1;1 1 1;1 0 0;1 1 1];
  • >> tiga=[1 1 1;0 0 1;0 1 1;0 0 1;1 1 1];
  • >> satua=reshape(satua,1,15);
  • >> satub=reshape(satub,1,15);
  • >> satuc=reshape(satuc,1,15);
  • >> dua=reshape(dua,1,15);
  • >> tiga=reshape(tiga,1,15);
  • >> datalatih=[satu;satua;satub;satuc;dua;tiga];
  • >> target=[1;1;1;1;2;3];

Latih dengan toolbox JST di Matlab dimana data pelatihannya datalatih dan targetnya target. Format di nntool sedikit berbeda dengan data di atas dimana kolom jadi baris dan baris jadi kolom. Gunakan newdatalatih dan newtarget di toolboxnya.

  • >> newdatalatih=transpose(datalatih);
  • >> newtarget=transpose(target);

Oke, kita cek hasilnya yuukk. O iya, kalo masih bingung utak-atik toolbox JST (nntool) bisa dibuka di link sebelumnya, gampang kok. Kita uji dengan angka satu, dua dan tiga.

  • >> tessatu=transpose(satu);
  • >> sim(network1,tessatu)
  • ans =
  • 1.0000
  • >> tesdua=transpose(dua);
  • >> sim(network1,tesdua)
  • ans =
  • 2.0000
  • >> testiga=transpose(tiga);
  • >> sim(network1,testiga)
  • ans =
  • 1.5786
  • >> tessatua=transpose(satua);
  • >> sim(network1,tessatua)
  • ans =
  • 1.0000

Gimana .. ada yang ngaco ga? … ternyata, A D A. Angka tiga dites kok keluarnya 1,58 (saya beri warna merah). Makanya ngajarin bedain monyet atau bukan jangan hanya data monyet saja yang dilatih. Ok, selamat berpusing-pusing ria yang dapat skripsi atau tesis tentang identifikasi tanda tangan ya (jadi inget kerjaan saya dulu) ..

Jika Anda bisa membuat pengolahan citra di bawah ini berarti sudah siap nih untuk sistem identifikasi pola .. Gambar di bawah ini hasil keluaran angka dua (lihat bagian putihnya, karena angka 1 berwarna putih dan angka nol berwarna hitam).

Oiya, kalo bisa gunakan Matlab 7 sepertinya lebih ampuh. Bukan Cuma tanda tangan, bisa juga mengenali grafik lho, lihat di sini.

Mengenal Streetdirectory Untuk Melihat Penataan Ruang di Suatu Wilayah

Melanjutkan tulisan yang lalu yang bercerita seputar pembuatan data vektor dari google maps di sini saya temukan cara mudah untuk mengetahui tipe lahan suatu bangunan. Sebenarnya dengan google maps bisa lewat bantuan tag/pin yang telah dibuat orang lain, tetapi kebanyakan kurang akurat. Sementara data resmi tata ruang hanya bersifat global seperti lahan kosong, perumahan, sawah, dan sejenisnya. Jika saya akan membagi menjadi komersil, sekolah dasar/menengah, tempat ibadah dan lain-lain terpaksa harus mencari data resmi di instansi yang berkaitan, misalnya untuk sekolah dapat dilihat di situs kemendikbud ini. Namun sayangnya hampir semua sembarangan mengisi menu “MAP”-nya. Masih belum jelas siapa yang ditugasi untuk mengarahkan lokasi, jika yang bertugas adalah staf dari pengelola situs, tentu saja kesulitan, termasuk saya sendiri ketika ingin mencari lokasi pastinya.

Untungnya ketika iseng-iseng browsing di internet, saya menemukan situs streetdirectory yang berisi lokasi-lokasi bisnis, rumah sakit, dan peruntukan lahan spesifik lainnya. Tentu saja dapat dijadikan bahan referensi jika ingin membuat data vektor sendiri dengan arcview/gis.

Sangat menarik dan walaupun hanya lokasi-lokasi global dan penting saja, di kemudian hari bisa saja suatu saat akan lengkap dengan sistem partisipatif dari para pengguna (crowd source).