ITN MALANG
PRAKTEK & IMPLEMENTASI PERENCANAAN
KERNEL
DENSITY
MARIA CHRISTINA ENDARWATI
LATAR BELAKANG
Membantu dalam perencanaan dan pengambilan keputusan berbasis spasial dengan
memberikan gambaran distribusi kepadatan suatu fenomena.
Berguna dalam berbagai aspek tata ruang, seperti :
• Kepadatan Penduduk: Memetakan distribusi populasi untuk mengoptimalkan
perencanaan pemukiman dan infrastruktur.
• Distribusi Fasilitas Umum: Membantu menentukan lokasi strategis untuk fasilitas publik
seperti rumah sakit, sekolah, dan transportasi umum.
• Mitigasi Bencana: Menganalisis daerah rawan bencana seperti gempa bumi, banjir, dan
kebakaran untuk perencanaan tanggap darurat yang lebih efektif.
• Pengembangan Wilayah: Menunjang kebijakan tata ruang dalam pembangunan
ekonomi dan sosial berbasis data kepadatan.
KONSEP KERNEL DENSITY
• Definisi: Kernel Density Estimation (KDE) adalah metode yang menghitung
kepadatan suatu fenomena berdasarkan distribusi titik dalam ruang.
• Cara kerja:
⚬ Setiap titik dalam dataset diberi bobot berdasarkan fungsi kernel tertentu.
⚬ Bobot dihitung berdasarkan jarak titik ke lokasi yang dianalisis.
• Hasil:
⚬ Peta kepadatan yang menunjukkan area dengan nilai tinggi dan rendah.
PARAMETRIC VS NON-
PARAMETRIC ESTIMATION
1 2
Estimasi kepadatan probabilitas
Estimasi densitas probabilitas
nonparametrik melibatkan
parametrik melibatkan pemilihan
penggunaan teknik untuk
distribusi umum dan memperkirakan
menyesuaikan model dengan
parameter untuk fungsi densitas dari
distribusi data yang sembarangan,
sampel data.
seperti estimasi kepadatan kernel.
PARAMETRIC VS NON-
PARAMETRIC ESTIMATION
1 2
Estimasi Kepadatan Kernel: Metode
Mungkin pendekatan
nonparametrik untuk menggunakan
nonparametrik yang paling umum
dataset dalam memperkirakan
untuk memperkirakan fungsi
probabilitas untuk titik-titik baru.
kepadatan probabilitas dari variabel
acak kontinu disebut kernel
smoothing, atau estimasi kepadatan
kernel, disingkat KDE.
KERNEL DENSITY ESTIMATION (KDE)
[Link] kernel memberikan bobot pada kontribusi observasi dari sampel data
berdasarkan hubungan mereka.
[Link] parameter, yang disebut parameter pemulusan atau bandwidth,
mengontrol cakupan, atau jendela observasi, dari sampel data yang berkontribusi
untuk memperkirakan probabilitas untuk sampel tertentu. Dengan demikian,
estimasi kepadatan kernel kadang-kadang disebut sebagai jendela Parzen-
Rosenblatt, atau cukup jendela Parzen, setelah pengembang metode tersebut.
[Link] Pelunakan (bandwidth): Parameter yang mengontrol jumlah sampel
atau jendela sampel yang digunakan untuk memperkirakan probabilitas untuk titik
baru.
KERNEL DENSITY ESTIMATION (KDE)
[Link] sampel dalam jendela dapat dibentuk menggunakan berbagai fungsi,
kadang-kadang disebut sebagai fungsi dasar, misalnya normal seragam, dll., dengan
efek yang berbeda pada kelancaran fungsi kepadatan yang dihasilkan.
[Link] Basis (kernel): Fungsi yang dipilih digunakan untuk mengontrol kontribusi
sampel dalam dataset terhadap memperkirakan probabilitas titik baru. Di sini kami
mempertimbangkan kernel Gaussian.
RUMUS KERNEL DENSITY
(x1, x2, …, xn) menjadi sampel independen dan identik yang
diambil dari beberapa distribusi univariat dengan densitas yang
tidak diketahui ƒ pada titik x mana pun.
04 Analisis
Analisis Penentuan Sistem Pusat Pelayanan
Tahap 2 : Kernel Density + Tren Pelayanan + Kedekatan dengan Fasilitas
Pusat Pergerakan Per Kelurahan Kernel Density (Pemusatan Permukiman) Tren Perubahan (Polinomial)
Potensi Keterbangunan (Encludien Distance)
pusat pusat pergerakan per
kelurahan
Dikonfirmasi kernel density (pemusatan
dengan permukiman) nilai
Hasil analisis analisis gabungan
skalogram spasial (4 tren perubahan (polynomial)
variabel)
potensi keterbangunan
(Encludien Distance)
12
04 Analisis
Analisis Penentuan Sistem Pusat Pelayanan
Tahap 2 : Gabungan (Kernel Density + Trend + Encludien Distance)
• Hasil berupa peringkat tertinggi dan penyatuan
(konurbasi) perkotaan antar kelurahan
• Wilayah yang memiliki nilai tertinggi akan
menjadi PPK, di urutan selanjutnya menjadi
SPPK, dan terakhir PPL
• Jika ada nilai tinggi dengan cakupan luas maka
akan perkotaannya akan digabungkan
13
04 Analisis
Analisis Penentuan Sistem Pusat Pelayanan
Rekomendasi Sistem Perkotaan
ORDE I: embrio untuk menjadi PPK/Pusat
Pelayanan Kota
PPK Rengel
ORDE II: embrio untuk menjadi SPPK/Sub
Pusat Pelayanan Kota
SPPK Banjararum-Campurejo
SPPK Maibit Pekuwon
SPPK Punggulrejo
ORDE III: embrio untuk menjadi PPL
PPL Banjaragung
PPL Kebonagung-Bulurejo
PPL Prambonwetan
PPL Ngadirejo
14
TERIMAKASIH
ATAS PERHATIANNYA