Spatial Autocorrelation

Hukum pertama tentang geografi menyatakan bahwa segala sesuatu saling

berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat mempunyai pengaruh lebih
besar daripada sesuatu yang jauh (Anselin, 1988). Hukum tersebut merupakan dasar
pengkajian permasalahan berdasarkan efek lokasi atau metode spasial. Metode spasial
merupakan metode untuk mendapatkan informasi pengamatan yang dipengaruhi efek ruang
atau lokasi. Pengaruh efek ruang tersebut disajikan dalam bentuk koordinat lokasi (longitude,
latitude) atau pembobotan.
Pola spasial menjelaskan tentang bagaimana fenomena geografis terdistribusi dan
bagaimana perbandingan dengan fenomena-fenomena lainnya. Dalam hal ini, spasial statistik
merupakan alat yang banyak digunakan untuk mendeskripsikan dan menganalisis pola
spasial, yaitu bagaimana objek-objek geografis terjadi dan berubah di suatu lokasi. Selain itu
juga dapat membandingkan pola objek-objek yang ditemukan di lokasi lain. Pola spasial
dapat ditunjukkan dengan autokorelasi spasial. Menurut Lembo (2006) dalam Kartika (2007)
autokorelasi spasial adalah korelasi antara variabel dengan dirinya sendiri berdasarkan ruang
atau dapat juga diartikan suatu ukuran kemiripan dari objek di dalam suatu ruang (jarak,
waktu dan wilayah). Jika terdapat pola sistematik di dalam penyebaran sebuah variabel, maka
terdapat autokorelasi spasial. Adanya 2 autokorelasi spasial mengindikasikan bahwa nilai
atribut pada daerah tertentu terkait oleh nilai atribut tersebut pada daerah lain yang letaknya
berdekatan (bertetangga). Ada beberapa cara yang dilakukan untuk mendeteksi adanya
autokorelasi spasial yaitu:
1.

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.

Page 1 Spatial Autocorrelation

Matriks pembobot digunakan untuk menghitung koefisien autokorelasi. Matriks

pembobot yaitu matriks yang elemen-elemennya adalah nilai pembobot yang diberikan untuk
perbandingan setiap daerah tertentu. Matriks bobot tipe data spasial area (LeSage, 1999)
terdiri dari: Rook Contiguity (persinggungan sisi), Queen Contiguity (persinggungan sisi
sudut), Linear Contiguity (persinggungan tepi), Bhisop Contiguity (persinggungan sudut),
Double Linear Contiguity (persinggungan dua tepi) Double Rook Contiguity (persinggungan
dua sisi). Lee dan Wong (2001) menyebutkan Matriks contiguity adalah matriks yang
menggambarkan hubungan antar daerah, nilai 1 diberikan jika daerah-i berdekatan dengan
daerah-j, sedangkan nilai 0 diberikan jika daerah-i tidak berdekatan dengan daerah-j. Lee
matriks ini juga disebut dengan binary matrix, dan juga disebut connectivity matrix, yang
dinotasikan dengan C, dan cijmerupakan nilai dalam matriks baris ke-i dan kolom ke-j.
Matriks C mempunyai beberapa karakteristik. Pertama, elemen diagonal matriks C bernilai 0,
karena diasumsikan bahwa suatu daerah tidak berdekatan dengan dirinya sendiri. Kedua,
matriks C merupakan matriks simetrik, matriks segitiga atas merupakan cermin dari matriks
segitiga bawah. Ketiga, jumlah nilai pada baris ke-imerupakan jumlah tetangga yang dimiliki
oleh daerah ke-i. Notasi penjumlahan baris:

di mana:
ci. = total nilai baris ke-i
Page 2 Spatial Autocorrelation

cij= nilai pada baris ke-i kolom ke-j

Matriks contiguity juga dapat dinyatakan sebagai berikut
(

Matriks pembobot spasial terstandarisasi pada dasarnya merupakan martiks contiguity

yang distandardisasi. Pada matriks contiguity, nilai 1 menunjukkan daerah yang
bertetanggaan satu sama lain. Untuk melihat seberapa besar pengaruh masing-masing
tetangga terhadap suatu daerah dapat dihitung dari rasio antara nilai pada daerah tertentu
dengan total nilai daerah tetangganya. Hasilnya merupakan nilai pembobotan (wij) untuk
setiap kebertetanggaan. Matriks pembobot spasial terstandarisasi dapat dinyatakan sebagai
berikut :

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

Page 3 Spatial Autocorrelation

Salah satu metode penentuan matriks pembobot dalam penelitian ini adalah Queen
Contiguity, dengan setiap elemen matriksnya menggambarkan kedekatan antara i dan j yang
berukuran

. Definisi metode Queen Contiguity yaitu

sudutnya bertemu dengan lokasi yang menjadi perhatian,

untuk lokasi yang titik

untuk lokasi lainnya.

Gambar 2.2 merupakan ilustrasi mengenai perhitungan matriks pembobot Queen

Contiguity yang menggunakan lima daerah sebagai pengamatannya. Untuk tiga lokasi
didapatkan

dan yang lain sama dengan nol. Matriks

memiliki ukuran matriks

ini

.
(4)
(3)
(5)

(2)
(1)

Sumber: LeSage (1999)

Gambar 2.2 Ilustrasi Contiguity (persinggungan)

Matriks pembobot yang dapat terbentuk dari Gambar 2.2 adalah sebagai berikut.

0
0

0
[0

0]

1. Indeks Morans (Morans I)

Anselin (1988) menyatakan bahwa uji untuk mengetahui autokorelasi spasial di dalam
error suatu model dengan menggunakan statistik Morans I.
Range dari indeks Morans I dengan matriks bobot terstandarisasi adalah -1 I 1
Sedangkan uji signifikansi Morans I untuk pendekatan normal adalah sebagai berikut:
: Tidak terdapat spatial autocorrelation
: ada spatial autocorrelation
Indeks moran (Morans I) adalah ukuran dari korelasi (hubungan) antara pengamatan
yang saling berdekatan. Statistik ini membandingkan nilai pengamatan di suatu daerah
dengan nilai pengamatan di daerah lainnya. Menurut Lee dan Wong (2001) Morans I
terstandarisasi dapat diukur dengan menggunakan persamaan :

Page 4 Spatial Autocorrelation

) (

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

adalah sebagai berikut :

Daerah kritis: dengan uji dua arah Ho akan ditolak jika | )( )|

Page 5 Spatial Autocorrelation

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 :

Page 6 Spatial Autocorrelation

( )

( )

C. Perhitungan Local Moran I (Local Indicators Of Spatial Autocorrelation/LISA)

Pengidentifikasian koefisien autocorrelation secara lokal dalam artian menemukan
korelasi spasial pada setiap daerah, dapat digunakan Morans I. Morans Ipada LISA
mengindikasikan local autocorrelation. LISA disini mengidentifikasi bagaimana hubungan
antara suatu lokasi pengamatan terhadap lokasi pengamatan yang lainnya. Adapun indeksnya
adalah sebagai berikut
(

Rata rata dengan Morans I

Getis-Ord G statistics

( )

( )

Peta Tematik

Page 7 Spatial Autocorrelation

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.

Page 8 Spatial Autocorrelation

Data dan Pembahasan

Data yang digunakan adalah Angka Kematian Bayi (AKB) per 1000 kelahiran hidup
di 9 kabupaten/Kota Provinsi Bali tahun 2013. Data tersebut antara lain adalah sebagai
berikut:
No.

Kabupaten/Kota

1
2
3
4
5
6
7
8
9

Angka Kematian Bayi

(AKB) per 1000 kelahiran
hidup

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

Jarak Antar Kabupaten/kota di Provinsi Bali

Buleleng Tabanan Jembrana Bangli
Buleleng
Tabanan
Jembrana
bangli
klungkung
Karangasem
Gianyar
Badung
Denpasar

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

Klungkung Karangasem Gianyar Badung Denpasar

103.55
60.79
134.86
17.29
0
20.21
11.85
33.41
39.7

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

Page 9 Spatial Autocorrelation

78
20.88
95.16
41.39
39.7
77.6
26.73
6.5
0

PETA PROVINSI BALI 9 KABUPATEN/KOTA

PROVINSI BALI
Kabupaten.shp
Badung
Bangli
Buleleng
Denpasar
Gianyar
Jembrana
Karangasem
Kelun gkung
Tabanan
N
W

E
S

Page 10 Spatial Autocorrelation

Perhitungan Manual Indeks Morans (Morans I)

1. Menghitung Matriks Contiguity (Matriks Pembobot)
Matriks

Contiguity

(Matriks

Pembobot)

diperoleh

berdasarkan

prinsip

kebertetanggaan (neighbourhood). Nilai 1 diberikan jika daerah-i yang bersinggungan

secara garis dengan daerah-j, sedangkan nilai 0 diberikan jika daerah-i tidak yang
bersinggungan secara garis dengan daerah-j.
2. Menghitung Matriks Pembobot Terstandarisasi
Matriks pembobot terstandarisasi dihitung berdasarkan persamaan sebagai berikut :

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 :

Page 11 Spatial Autocorrelation

(
di mana:
xi = nilai pada lokasi ke-j
= rata-rata pada baris ke-i dan kolom ke-j
6. Menghitung Indeks Morans (Morans I)

Indeks Morans (Morans I) dihitung berdasarkan persamaan sebagai berikut :

) (

di mana:
xi = nilai pada lokasi ke-j
xj = nilai pada lokasi ke-i

= matriks pembobot spasial terstandarisasi

= rata-rata pada baris ke-i dan kolom ke-j

Page 12 Spatial Autocorrelation

Matriks Contiguity (Matriks Pembobot)

buleleng
tabanan
jembrana
bangli
klungkung
karangasem
gianyar
badung
denpasar

1
2
3
4
5
6
7
8
9

buleleng tabanan jembrana bangli

klungkung karangasem gianyar badung denpasar
1
2
3
4
5
6
7
8
9
0
1
1
1
0
1
0
1
0
1
0
1
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
1
0
0
0
1
1
1
1
0
0
0
0
1
0
1
1
0
0
1
0
0
1
1
0
0
0
0
0
0
0
1
1
0
0
1
1
1
1
0
1
0
0
1
0
1
0
0
0
0
0
0
1
1
0

Pembobot Terstandarisasi

buleleng
tabanan
jembrana
bangli
klungkung
karangasem
gianyar
badung
denpasar

1
2
3
4
5
6
7
8
9

buleleng tabanan jembrana bangli

klungkung karangasem gianyar
badung
denpasar
1
2
3
4
5
6
7
8
9
0
0.2
0.2
0.2
0
0.2
0
0.2
0
0.333333
0 0.333333
0
0
0
0 0.333333
0
1
0
0
0
0
0
0
0
0
0.2
0
0
0
0.2
0.2
0.2
0.2
0
0
0
0 0.333333
0
0.333333 0.333333
0
0
0.333333
0
0 0.333333 0.333333
0
0
0
0
0
0
0
0.25
0.25
0
0
0.25
0.25
0.2
0.2
0
0.2
0
0
0.2
0
0.2
0
0
0
0
0
0
0.5
0.5
0

Page 13 Spatial Autocorrelation

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

WEIGHTED CROSS PRODUCT

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

Page 14 Spatial Autocorrelation

WEIGHTED CROSS PRUDUCT

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

Page 15 Spatial Autocorrelation