Morans I
2.
Gearys C
3.
LISA
Pengujian adanya autokorelasi spasial dilakukan dengan cara membentuk matrik bobot
spasial terlebih dahulu.
Jika ada pola yang sistematik dalam sebaran spasial suatu atribut, maka dapat
dikatakan bahwa ada autokorelasi spasial dalam atribut tersebut. Jika dalam suatu daerah
yang saling berdekatan mempunyai nilai yang sangat mirip, menunjukkan autokorelasi
spasial positif. Jika nilai di daerah yang berdekatan tidak mirip, menunjukkan autokorelasi
spasial negatif. Nilai yang acak menunjukkan tidak adanya autokorelasi spasial. Secara visual
dapat dilihat pada Gambar 1a s.d Gambar 1c. Konsep dasar dalam analisis autokorelasi
spasial untuk data area adalah matriks pembobot spasial.
di mana:
ci. = total nilai baris ke-i
Page 2 Spatial Autocorrelation
Matriks pembobot spasial dapat dikatakan juga sebagai matriks yang menggambarkan
kekuatan interaksi antar lokasi. Pada dasarnya terdapat 3 prinsip kebertetanggaan
(neighbourhood) . Prinsip kebertetanggaan tersebut antara lain adalah
1. Rook Contiguity
Dua daerah saling bertetangga jika saling bertetangga sebagian pada satu batas (sembarang
sisi)
2. Bishop Contiguity
Dua wilayah merupakan tetangga spasial jika mereka bertemu pada satu titik (point)
3. Queen Contiguity
Perpaduan antara Rook Contiguity dan Bishop Contiguity. Dua wilayah saling bertetangga
jika mereka saling membagi sembarang bagian dari batasan umumnya, tidak peduli
seberapa pendek bagian tersebut.
Berikut ilustrasi gambar tentang Rook Contiguity, Bishop Contiguity dan Queen
Contiguity
Salah satu metode penentuan matriks pembobot dalam penelitian ini adalah Queen
Contiguity, dengan setiap elemen matriksnya menggambarkan kedekatan antara i dan j yang
berukuran
ini
.
(4)
(3)
(5)
(2)
(1)
0
0
0
[0
0]
) (
di mana:
= matriks pembobot spasial terstandarisasi
xi = nilai pada lokasi ke-j
xj = nilai pada lokasi ke-i
= rata-rata pada baris ke-i dan kolom ke-j
Nilai I sama dengan koefisien korelasi yaitu diantara -1 sampai 1. Nilai yang tinggi
mengartikan bahwa korelasinya tinggi, sedangkan nilai 0 mengartikan tidak adanya
autokorelasi. Akan tetapi untuk mengatakan ada atau tidak adanya autokorelasi perlu
dibandingkan nilai statistik I dengan nilai harapannya. Nilai harapan dari I adalah sebagai
berikut:
( )
(
)
Statistik uji yang digunakan diturunkan dari sebaran normal baku, yaitu :
( )
( )
( )
di mana:
I = indeks moran
Z(I) = nilai statistik uji indeks Moran
E(I) = nilai harapan dari indeks Moran
Var (I) = simpangan baku dari indeks Moran
Persamaan unuk Var (I),
( )
dan
2. Gearys C
Gearys C didasarkan pada perbandingan berpasangan dari nilai pada variabel X yang diamati
untuk mengukur spatial autocorrelation.
Rumus Gearys C dengan matriks bobot spasial terstandarisasi W adalah sebagai berikut:
(
(
)
di mana:
n = banyaknya pengamatan
= nilai rata-rata dari {xi} dari n lokasi j
xj = nilai pada lokasi ke-i
xi = nilai pada lokasi ke-j
wij = matriks pembobot spasial terstandarisasi
Range dari indeks Gearys C adalah [0; 2], dan nilai harapan C berdasarkan keindependenan
adalah: E( C)=1
Spatial autocorrelation positif terjadi ketika indeks Gearys C bernilai 0 C < 1 sedangkan
spatial autocorrelation negatif terjadi ketika 1 < C 2.
3. Getis-Ord G statistics
Autokorelasi spasial adalah metode statistik yang dapatdigunakan untuk perangkuman
informasi spasial dari dalam suatu peta. Informasi diperoleh melalui mekanisme
perbandingan nilai wilayah yang diobservasi dengan nilai wilayah yang mengelilinginya.
Ada dua pendekatan dalam autokorelasi spasial, pendekatan pertama untuk mendeteksi
pengelompokan data secara global seperti data rerata morbiditas dan rerata mortalitas
menggunakan statsitik I yang dikembangkan oleh Moran dan Geary. Pendekatan kedua
adalah untuk mendeteksi terbentuknya pengelompokan secara lokal (hotspot) yang dapat
diinterpretasikan sebagai asosiasi antar nilai wilayah yang diobervasi dengan
sekelilingnya menggunakan statistik G* yang dikembangkan oleh Getis dan
Ord(Rezaeian dkk, 2007). Selama ini statistik G* telah banyak diterapkan untuk
menentukan asosiasi spasial antar wilayah yang diobservasi. Adapun persamaan umum
G* adalah sebagai berikut :
( )
( )
Getis-Ord G statistics
( )
( )
Peta Tematik
Peta merupakan bahan dasar dalam analisis spasial, sebagaimana namanya yaitu
analisa kewilayahan. Kegunaan peta dalam analisis spasial diantaranya adalah:
- Melihat kedekatan posisi antar wilayah,
- Menentukan pembobot spasial yang mencerminkan ketersinggungan antar wilayah.
Hal menarik lainnya yang dapat dilakukan guna mendukung proses analisis spasial adalah
pembuatan peta tematik. Peta tematik merupakan gambaran pengelompokan atau
pengklasifikasian wilayah. Misal: pengelompokan tingkat kepadatan penduduk per
kecamatan. Peta tematik tersebut tentunya dapat menggambarkan sesuatu dengan lebih baik
bila disertai penjelasan (ringkas atau mendalam). Untuk itu diperlukan kemampuan atau
pemahaman dari keilmuan lainnya.
Kabupaten/Kota
1
2
3
4
5
6
7
8
9
Kabupaten Buleleng
Kabupaten Tabanan
Kabupaten Jembrana
Kabupaten Bangli
Kabupaten Klungkung
Kabupaten Karangasem
Kabupaten Gianyar
Kabupaten Badung
Kota Denpasar
56.54
102.06
71.4
55.13
36.96
68.57
90.74
22.94
7.2
0
70.76
114.8
79.09
103.55
91.67
104.55
71.32
78
70.76
0
74.28
60.53
60.79
81
48.98
14.38
20.88
114.8
74.28
0
136.55
134.86
172.76
121.89
86.66
95.16
79.09
60.53
136.55
0
17.29
37.5
13.24
33.15
41.39
91.67
81
172.76
37.5
20.21
0
32.06
53.62
77.6
104.55
48.98
121.89
13.24
11.85
32.06
0
21.56
26.73
71.32
14.38
86.66
33.15
33.41
53.62
21.56
0
6.5
78
20.88
95.16
41.39
39.7
77.6
26.73
6.5
0
PROVINSI BALI
Kabupaten.shp
Badung
Bangli
Buleleng
Denpasar
Gianyar
Jembrana
Karangasem
Kelun gkung
Tabanan
N
W
E
S
Contiguity
(Matriks
Pembobot)
diperoleh
berdasarkan
prinsip
di mana:
ci. = total nilai baris ke-i
cij= nilai pada baris ke-i kolom ke-j
Total nilai baris ke-i pada matriks pembobot terstandarisasi adalah samadengan 1.
3. Menghitung Cross Pruduct
Cross Product dihitung berdasarkan persamaan sebagai berikut :
) (
di mana:
xi = nilai pada lokasi ke-j
xj = nilai pada lokasi ke-i
= rata-rata pada baris ke-i dan kolom ke-j
4. Menghitung Weighted Cross Product
Weighted Cross Product dihitung berdasarkan persamaan sebagai berikut :
) (
di mana:
xi = nilai pada lokasi ke-j
xj = nilai pada lokasi ke-i
= rata-rata pada baris ke-i dan kolom ke-j
= matriks pembobot spasial terstandarisasi
5. Menghitung Sum of Squared Deviation
Sum of Squared Deviation dihitung berdasarkan persamaan sebagai berikut :
(
di mana:
xi = nilai pada lokasi ke-j
= rata-rata pada baris ke-i dan kolom ke-j
6. Menghitung Indeks Morans (Morans I)
) (
di mana:
xi = nilai pada lokasi ke-j
xj = nilai pada lokasi ke-i
buleleng
tabanan
jembrana
bangli
klungkung
karangasem
gianyar
badung
denpasar
1
2
3
4
5
6
7
8
9
Pembobot Terstandarisasi
buleleng
tabanan
jembrana
bangli
klungkung
karangasem
gianyar
badung
denpasar
1
2
3
4
5
6
7
8
9
CROSS PRODUCT (
data
56.54
102.06
71.4
55.13
36.96
68.57
90.74
22.94
7.2
1
2
3
4
5
6
7
8
9
)(
56.54
1
0.09
-13.566
-4.368
0.513
5.964
-3.519
-10.17
10.17
14.892
)
102.06
2
-13.566
2044.848
658.4032
-77.3262
-898.974
530.4306
1532.958
-1532.96
-2244.72
1
2
3
4
5
6
7
8
9
1
0
-13.566
-4.368
0.513
0
-3.519
0
10.17
0
2
-13.566
0
0
0
0
0
0
-1532.96
0
3
-4.368
658.4032
0
0
0
0
0
0
0
71.4
3
-4.368
658.4032
211.9936
-24.8976
-289.453
170.7888
493.584
-493.584
-722.758
)(
4
0.513
0
0
0
33.9948
-20.0583
-57.969
57.969
0
55.13
36.96
4
5
0.513
5.964
-77.3262 -898.974
-24.8976 -289.453
2.9241 33.9948
33.9948 395.2144
-20.0583 -233.192
-57.969 -673.932
57.969 673.932
84.8844 986.8432
68.57
6
-3.519
530.4306
170.7888
-20.0583
-233.192
137.5929
397.647
-397.647
-582.277
90.74
7
-10.17
1532.958
493.584
-57.969
-673.932
397.647
1149.21
-1149.21
-1682.8
22.94
7.2
8
9
10.17
14.892
-1532.96 -2244.72
-493.584 -722.758
57.969 84.8844
673.932 986.8432
-397.647 -582.277
-1149.21
-1682.8
1149.21 1682.796
1682.796 2464.13
)
5
0
0
0
33.9948
0
-233.192
-673.932
0
0
6
-3.519
0
0
-20.0583
-233.192
0
0
0
0
7
8
0
10.17
0 -1532.96
0
0
-57.969
57.969
-673.932
0
0
0
0 -1149.21
-1149.21
0
-1682.8 1682.796
9
0
0
0
0
0
0
-1682.8
1682.796
0
1
2
3
4
5
6
7
8
9
1
0
-4.522
-4.368
0.1026
0
-1.173
0
2.034
0
2
3
-2.7132
-0.8736
0 219.4677
0
0
0
0
0
0
0
0
0
0
-306.592
0
0
0
)(
4
0.1026
0
0
0
11.3316
-6.6861
-14.4923
11.5938
0
5
0
0
0
6.79896
0
-77.7308
-168.483
0
0
6
-0.7038
0
0
-4.01166
-77.7308
0
0
0
0
7
0
0
0
-11.5938
-224.644
0
0
-229.842
-841.398
8
9
2.034
0
-510.986
0
0
0
11.5938
0
0
0
0
0
-287.303 -420.699
0 336.5592
841.398
0