Anda di halaman 1dari 35

Analisis Spasial

IDENTIFIKASI SPATIAL
PATTERN DAN
AUTOKORELASI SPATIAL
(STUDI KASUS: JUMLAH KASUS
KEMATIAN BARU KARENA AIDS DI
PROVINSI DAERAH ISTIMEWA
YOGYAKARTA TAHUN 2012)

INTERPOLASI SPASIAL
DISUSUN OLEH
FARISCA SUSIANI
(1314201029)
RORY
(1314201711)
VIVIN NOVITA DEWI
(1314201719)

Program
Pascasarjana
Statistika
Fakultas
Matematika dan
Ilmu Pengetahuan
Alam
Institut Teknologi
Sepuluh
Nopember

DOSEN

INTERPOLASI SPASIAL DENGAN PENDEKATAN ORDINARY


KRIGING
(Studi Kasus KANDUNGAN DEBU KOTA SEMARANG TAHUN 2012)

ABSTRAK
Pencemaran udara merupakan masalah yang sangat serius untuk ditangani
karena udara adalah elemen dasar dan berpengaruh langsung terhadap kesehatan
manusia. Selain berpengaruh ke kesehatan, pencemaran udara dapat mengganggu
keseimbangan alam khususnya atmosfer. Diantara sekian banyak bahan yang
menyebabkan pencemaran udara adalah partikel/debu. Dalam upaya untuk
menanggulangi pencemaran udara maka ketersediaan informasi mengenai tingkat
pencemaran udara di suatu lokasi dalam penelitian ini Kota Semarang menjadi suatu
keharusan. Dalam pengukuran data pencemaran udara, tidak semua titik terdapat alat
pengukur karena adanya suatu keterbatasan. Dengan adanya keterbatasan tersebut,
dibutuhkan suatu metode untuk dapat menaksir suatu nilai untuk titik yang tidak
terukur, yaitu ordinary kriging. Dalam penelitian ini dilakukan estimasi kandungan
debu di Kota Semarang. Model semivariogram terbaik yang digunakan adalah model
Spherical dengan parameter variogramnya adalah Sill = 24490, Range = 31100, dan
Nugget = 2610. Hasil interpolasi kandungan debu tiap Kecamatan di Kota Semarang
tahun 2012 menunjukkan bahwa estimasi kandungan debu tertinggi sebesar 215,6 dan
terendah sebesar 144,2 dengan rataan estimasi kandungan debu sebesar 179, hasil
estimasi kandungan debu ini tidak melebihi batas atas mutu baku yang telah ditetapkan.
Dua kecamatan yang memiliki kandungan debu tertinggi sebesar 215,6 jika melihat
dari titik lokasi adalah Kecamatan Semarang Barat dan Kecamatan Mijen.
Kata Kunci: debu, semivariogram, spherical, ordinary kriging

1. PENDAHULUAN
Pencemaran udara merupakan masalah yang sangat serius dan darurat untuk ditangani
karena udara adalah elemen dasar dan berpengaruh langsung terhadap kesehatan manusia.
Selain berpengaruh ke kesehatan, pencemaran udara dapat mengganggu keseimbangan
alam khususnya atmosfer. Diantara sekian banyak bahan yang menyebabkan pencemaran
udara adalah partikel/debu. Debu/partikel adalah benda padat yang terjadi karena proses
mekanis (pemecahan reduksi) terhadap massa padat yang masih dipengaruhi oleh gaya
gravitasi. Partikel/debu dapat terhirup melalui saluran pernafasan. Partikel yang berukuran
lebih besar dari 0,6 akan tertahan pada saluran nafas bagian atas, sedangkan yang
dibawah 0,3 akan mengikuti gerakan brown, yaitu keluar masuk, dan hanya yang
memiliki ukuran antara 0,3 0,6 akan sampai pada bagian alveoli paru (BPPT dalam
Prayudi, T. dan Susanto, J.P., 2001).
Kota Semarang sebagai ibukota propinsi dan industri mempunyai mobilitas yang tinggi
dimana angka peningkatan jumlah kendaraan bermotor rata-rata pertahun mencapai 5-9
persen (Fikri, 2011). Peningkatan kendaraan bermotor ini tergolong cukup tinggi dan bisa
menjadi salah satu sebabterjadinya pencemaran udara di Kota Semarang. Pada Tahun
2012, terlihat (lampiran 1) masih terdapat kecamatan di Kota Semarang yang memiliki
kandungan debu melebihi ambang batas atas mutu baku yang ditetapkan Gubernur tahun
2008. Maka menjadi sangat penting dilakukan upaya-upaya untuk mengurangi
pencemaran udara karena partikel/debu. Dalam upaya untuk menanggulangi pencemaran
udaramaka ketersediaan informasi mengenai tingkat pencemaran udara di suatu lokasi
(Kota Semarang) menjadi suatu keharusan.
Menurut Noll dan Miller (1977) dalam Rachmawati (2009) konsentrasi kualitas udara
dekat dengan sumbernya akan tinggi dan mulai menurun seiring bertambahnya jarak. Hal
ini mengindikasikan adanya pengaruh spasial dalam pendugaan tingkat pencemaran udara,
begitupula dengan kadar debu di suatu lokasi.Metode kriging merupakan suatu metode
interpolasi spasial untuk menduga nilai suatu peubah di lokasi tertentu, berdasarkan nilai
2

terboboti dari peubah yang sama pada lokasi lainnya untuk memprediksi nilai pada lokasi
lain yang belum ada atau tidak tersampel. Beberapa penelitian terkait pencemaran udara
dengan menggunakan metode kriging yaituRachmawati (2009) melakukan pendugaan
kadar NO2 dengan membandingkan metode ordinary kriging dan co kriging di kota
Bogor. Puspita, W., Rachmatin, D., dan Suherman, M. (2012) menggunakan metode
ordinary kriging untuk menghitung estimasi kandungan sulfur dalam lapisan batubara.
Metode ordinary kriging digunakan ketika rata-rata populasi tidak diketahui.
2. TINJAUAN PUSTAKA
2.1. Metode Kriging
Metode kriging digunakan oleh G. Matheron pada tahun 1960-an, untuk menonjolkan
metode khusus dalam moving average terbobot (weighted moving average) yang
meminimalkan variansi dari hasil estimasi. Kriging adalah suatu teknik perhitungan untuk
estimasi dari suatu variabel terregional yang menggunakan pendekatan bahwa data yang
dianalisis dianggap sebagai suatu realisasi dari suatu variabel acak dan keseluruhan
variabel acak yang dianalisis tersebut akan membentuk suatu fungsi acak menggunakan
struktur model struktural variogram.
Secara umum, kriging merupakan suatu metode yang digunakan untuk menganalisis
data geostatistik, yaitu untuk menginterpolasi suatu nilai kandungan mineral berdasarkan
data sampel. Data sampel pada ilmu kebumian biasanya diambil di lokasi-lokasi atau titiktiitk yang tidak beraturan. Dengan kata lain, metode ini digunakan untuk mengestimasi
^
besarnya nilai karakteristik Z pada titik tidak tersampel berdasarkan informasi dari
karakteristik titik-titik tersampel Z yang berada di sekitarannya
mempertimbangkan korelasi spasial yang ada dalam data tersebut.
^
Estimator kriging Z ( s ) dan Z(s) dapat dituliskan sebagai berikut:
Z

i
n

Z^ ( s )m ( s )=

dengan

(1)

i=1

dengan:
s
s, i : lokasi untuk estimasi dan salah satu lokasi dari data yang berdekatan, dinyatakan
m(s)
m ( si )

dengan i
: nilai ekspektasi dari Z(s)
: nilai ekspektasi dari Z ( si )

: faktor pembobot

: banyaknya data sampel yang digunakan untuk estimasi (Bohling, 2005)


Z ( s)

dianggap sebagai bidang acak dengan suatu komponen trend m(s) dan

komponen sisa e(s) = Z(s) m(s). Estimasi kriging untuk sisa pada s adalah jumlah

terbobot dari sisa pada sekitar data titik. Nilai

diturunkan dari fungsi kovarian atau

semivariogram, yang harus mencirikan komponen sisa.


i
Tujuan kriging adalah menentukan nilai
yang meminimalkan variansi pada
estimator, dapat dinyatakan sebagai berikut:
^ 2e =var { ^Z ( s )

Z(s)}

(2)

2.2. Ordinary Kriging


Ordinary kriging adalah salah satu metode yang terdapat pada metode kriging yang
sering digunakan pada geostatistika. Pada metode ini, memiliki asumsi khas untuk
penerapan yang mudah digunakan ordinary kriging adalah intrinsic stationarity dari
bidang dan pengamatan yang cukup untuk mengestimasi variogram. Ordinary kriging juga
memiliki asumsi matematika dalam penerapannya, asumsi tersebut adalah sebagai berikut:
1. Rata-rata E[Z(x)] = tidak diketahui tetapi konstan,
Z^ ( x )Z( y)

2. Variogram
untuk Z ( x ) diketahui.
( x , y )=E
Pada Cressie (1993) dijelaskan bahwa ordinary kriging berhubungan dengan
prediksi spasial dengan dua asumsi.
Asumsi Model:
Z ( s )=+ e ( s ) , s D , R dan tidak diketa h ui
(3)
Asumsi Prediksi:
Z (si )
i
n

Z^ ( s )=

dengan

i=1
i=1

(4)

i=1

dengan:
e(s)
: nilai error pada Z(s)
n
: banyaknnya data sampel yang digunakan untuk estimasi
Karena koefisien dari hasil penjumlahan prediksi linier adalah 1 dan memiliki
^
syarat tak bias maka E( Z ( s) = = E(Z(s)), untuk setiap R dan karena Z(s)
^
merupakan suatu konstanta maka E( Z (s) = Z(s).Jika terdapat estimator eror e^ (s )
^
pada setiap lokasi, maka e^ (s ) merupakan perbedaan antara nilai estimasi Z (s)
dengan nilai sebenarnya Z(s), yang didefinisikan sebagai berikut :
e^ ( s ) =Z^ ( s )Z (s)
(5)
dengan E( e^ ( s ) =0

Dengan menggunakan persamaan (5) dapat dibuktikan bahwa

Z^ ( s )

merupakan

estimator tak bias. Buktinya adalah sebagai berikut :


^ ( s )Z (s)
e^ ( s ) =Z
E( e^ ( s ))=E( ^Z ( s )Z ( s ))
E( e^ ( s ))=E( ^Z ( s ) )E(Z ( s ))

karena E( e^ ( s ) =0 , maka diperoleh:


0=E( ^Z ( s ) )E(Z ( s ))

E ( Z^ ( s ) )=E (Z ( s ) )
Z^ ( s )=Z ( s )
berdasarkan pembuktian diatas terbukti bahwa

^ (s )
Z

merupakan estimator tak bias dari

Z (s )
Ordinary kriging juga akan meminimalkan rata-rata estimator eror kuadrat. Dengan
persamaan berikut ini :
2

Var ( e^ ( s ) ) =E ( e^ ( s )2 ) [ E ( e^ ( s ) ) ]

E ( e^ ( s ) ) =Var ( e^ ( s ) ) +[ E ( e^ ( s ) ) ]

2
karena E( e^ ( s ) =0 , maka [E ( e^ ( s ) ) ] =0 , sehingga diperoleh:

E ( e^ ( s )2) =Var ( e^ ( s ) ) +0
Var ( e^ ( s ) )
Metode kriging bertujuan menghasilkan estimator yang bersifat Best Linear Unbiased
Estimator (BLUE). Dan ordinary kriging juga mempunyai sifat estimator yang BLUE
(Puspita, 2013).
2.3. Variogram atau Semivariogram
Variogram adalah suatu fungsi acak intrinsik yang menunjukkan seberapa besar
perubahan perbedaan sebanding dengan peningkatan jarak (Fridayani, 2012). Apabila
variabel pengukuran z (s 1) dan z (s 2) semakin jauh maka nilai z (s 1) - z (s 2)
akan semakin besar. Tujuan utama dari variogram adalah untuk memahami perbedaan
kuadrat antar setiap titik :
( z (s 1)z(s 1))2

(6)

Jika varians dari perbedaan


(s 1s2 )

[z ( s 1 )z ( s2 ) ]2

hanya tergantung pada perbedaan

2
maka: Var [ z ( s1 ) z ( s2 ) ] =2 ( s 1s 2) . Fungsi

sedangkan fungsi

disebut variogram

disebut semivariogram.Semivariogram eksperimental adalah

semivariogram yang diperoleh dan dihitung dari sampel. Semivariogram ini dapat dihitung
dengan menggunakan persamaan:
N (h)

^ ( h )=
dengan
si

1
2
[z ( s i +h ) z ( si ) ]

2 N (h) i=1

(7)

: lokasi titik sampel

z ( si )

: nilai pengamatan pada lokasi

: jarak antara dua titik sampel

( si , s i+ h )

: pasangan titik sampel yang berjarak h

N (h)

: banyaknya pasangan berbeda yang memiliki jarak h

Beberapa model variogram anisotropik yaitu (GS+ Users Guide, 2008 dalam
Rachmawati, 2009):
a. Model linier
C
C0 0 ; C C 0
( h )=C 0+h( )
dimana
A
b. Model Eksponensial
( h )=C 0+C[1exp

( hA )]

A
dimana C0 0 ; C C 0 dan range ( A ) sama dengan 3 A 1 atau 3 2 .
c. Model Spherikal
h
h
C +C
( h )= 0
1,5
0,5
A
A
C0 +C

{ [ ( ) ( )]

Dimana

C0 0 ; C C 0

h A , h> A

dan range (A) sama dengan

A1

atau

A2

d. Model Gaussian
( h )=C 0+ C[1exp

Dimana

h 2
]
A2

( )

C0 0 ; C C 0

0,5
0,5
dan range(A) sama dengan 3 A 1 atau 3 A 2 .

3. METODOLOGI
Data pada penelitian ini diperoleh dari data sekunder (BPS, 2015) dengan sumber dari
Badan Lingkungan Hidup (BLH) Kota Semarang. Titik atau sampel yang menjadi
penelitian adalah seluruh kecamatan di Kota Semarang yaitu sebanyak 16 Kecamatan.
3
Kandungan udara yang diteliti adalah debu ( gr/ m di Kota Semarang pada tahun
2012.
Langkah-langkah yang dilakukan untuk melakukan estimasi menggunakan ordinary
kriging yaitu:
Misalnya memperoleh data

[] [] []

x11
y 11
s 11
X = , Y = , dan S=
xn 1
yn 1
sn 1

a. Hitung nilai minimum, maksimum dan median dari X,Y, dan S


n
1
si
b. Hitung nilai rata-rata sampel E ( Z ( s ) )= n
i=1
c. Plotkan antara S (kandungan debu), jika plot tidak terdapat trend, maka data
dikatakan stasioner.
d. Menentukan pasangan data, kemudian hitung jaraknya.
e. Hitung nilai semivariogram eksperimental. Dari semivariogram akan diperoleh nilai
sill dan range.
f. Mencocokkan semivariogram eksperimental dengan semivariogram teoritis dengan
melihat nilai MSE terkecil.
g. Setelah memperoleh semivariogram teoritis yang sesuai dengan data, selanjutnya
semivariogram digunakan untuk estimasi data.
h. Kemudian buat plot hasil estimasi data.
4. HASIL DAN PEMBAHASAN
Pada tahun 2012, terdapat empat kecamatan dimana kandungan debunya melebihi
3
batas atas (230 gr/ m ) mutu baku (Keputusan Gubernur Jawa Tengah Nomor: 8
Tahun 2001) yaitu Kecamatan Semarang barat, Kecamatan Mijen, Kecamatan Tembalang,
3
3
dan Kecamatan Ngalian yaitu masing-masing 337,8 gr/ m ; 312,8 gr/ m ; 314,9
3
3
gr/ m ; dan 275,1 gr/ m

(Lampiran 1). Pada analisis ordinary kriging terdapat

beberapa asumsi yang dipenuhi, diantaranya stationeritas dan normalitas. Sebelumnya


akan dibahas mengenai eksplorasi data untuk mengetahui karakteristik kandungan debu
4.1. Karakteristik Kandungan Debu di Kota Semarang Th. 2012
Karakteristik kandungan debu di Kota Semarang dilihat berdasarkan nilai
maksimum, minumum, rata-rata dan varians yang telah tersajikan pada Tabel 1.
Tabel 1. Karakteristik Kandungan Debu
Variabel
Debu

Nilai
Minimum
58,93

Nilai
Maksimum
337,8

RataRata
173,6

Varians
8927,67

Berdasarkan Tabel 1 diketahui bahwa karakteristik kandungan debu tertinggi


bernilai 337,8 yaitu Kecamatan Semarang Barat, sedangkan untuk kandungan debu
terendah sebesar 58,93 yaitu Kecamatan Semarang Timur. Secara keseluruhan rata-rata
kandungan debu di Kota Semarang sebesar 173,6 dimana masih dalam batas muku baku
Keputusan Gubernur Jawa Tengah No. 8 Th. 2001. Namun nilai varians yang sangat besar
menunjukkan masih adanya kesenjangan kandungan debu di setiap Kecamatan di Kota
Semarang.
Selanjutnya dilakukan analisis outlier menggunakan box plot pada Minitab 16
untuk mengetahui ada tidaknya data pencilan pada kandungan debu, karena adanya data
yang mengandung outlier akan membuat lonjakan pada variogram eksperimental. Pada
Gambar 1. terlihat tidak terdapat data pencilan pada kandungan debu di Kota Semarang
tahun 2012. Selain itu secara visual tampak kandungan debu yang melebihi rata-rata lebih
banyak daripada yang berada di bawah rata-rata. Hal tersebut ditunjukkan oleh lebih
besarnya kotak bagian atas dibandingkan kotak bagian bawah pada box plot kandungan
debu.
350

300

debu (2012)

250

200

150

100

50

Gambar 1. Boxplot Data Kandungan Debu

4.2. Pengujian Stasioneritas dan Normalitas Kandungan Debu


Stasioneritas merupakan suatu syarat data geostatistik dapat dianalisis
menggunakan kriging maupun cokriging. Data dikatakan bersifat stasioner jika tidak
memiliki kecenderungan terhadap trend tertentu, atau data berada disekitar nilai rata-rata
yang konstan Kestationeran data kandungan debu dapat diamati melalui time series plot
dengan bantuan program Minitab pada Gambar 2. berikut ini.
350

300

debu (2012)

250

200

150

100

50
2

8
Index

10

12

14

16

Gambar 2. Time Series Plot Data Kandungan Debu

Sebuah variabel stasioner tidak memiliki sebuah trend sedangkan variabel nonstasioner jika dilihat secara visual terdapat lengkungan dari semua variabelnya, hal itulah
yang kemudian dinamakan trend dari variabel non-stasioner. Pada plot di Gambar 2, pola
data tidak memiliki trend, sehingga secara kualitatif dapat disimpulkan data bersifat
stationer. Oleh karena itu data tersebut dapat diestimasi menggunakan metode ordinary
kriging.
Selanjutnya menguji asumsi kedua, yaitu normalitas data kandungan debu.
Pengujian asumsi dilakukan menggunakan Shapiro-Wilk Normality Test yang terdapat
pada paket program R 2.14.0, pengujian ini terbatas untuk ukuran sampel 3-50. Dengan
menggunakan signifikansi sebesar 0,05 dan statistik uji P-value pada output R digunakan
kriteria tolak hipotesis kenormalan jika P-value < . Hasil dari pengujian menunjukkan
bahwa nilai Shapiro-Wilk sebesar 0,9023 dan P-value sebesar 0,08753, nilai tersebut lebih
dari 0,05 sehingga data berdistribusi normal.
4.3. Semivariogram Eksperimental Kandungan Debu
Setelah asumsi stasioneritas dan normalitas terpenuhi maka dilakukan perhitungan
semivariogram eksperimental untuk kandungan debu, model yang digunakan adalah
isotropi. Perhitungan dilakukan menggunakan paket program R 2.14.0. Berikut adalah
hasil perhitungan semivariogram eksperimental pada kandungan batubara.
Tabel 2. Semivariogram Eksperimental Kandungan Debu
Kelas

N(h)
1
2
3
4
5
6
7
8
9
10
11
12
13

Semivariogram ((h))

Jarak (h)
2
2
4
5
5
4
3
8
2
5
6
7
5

1302.551
1699.847
2263.162
2779.643
3229.229
3799.247
4296.77
4742.108
5146.359
5703.562
6118.393
6709.3
7232.227

2962.213
7498.792
8256.891
5893.95
7824.719
5439.96
11405.77
3259.768
1225.418
13649.02
5859.285
13489.46
971.6335

Selanjutnya, dilakukan analisis struktural untuk menentukan semivariogram teoritis


yang sesuai dan digunakan pada analisis lebih lanjut. Dari hasil perhitungan
semivariogram eksperimental diperoleh jumlah pasangan data pada masing-masing kelas
dan jarak dari setiap pasangan data beserta nilai semivariogramnya. Jumlah total pasangan
data sebanyank 58, Sedangkan plot semivariogramnya sebagai berikut.

Gambar 3. Semivariogram Eksperimental Data Kandungan Debu

4.4. Menentukan Model Semivariogram Kandungan Debu


Pembentukan model semivariogram teoritis membutuhkan penentuan parameter.
Parameter yang akan dicari adalah Sill, Nugget, dan Range. Nilai parameter yang
digunakan dalam perhitungan ini diperoleh melalui analisis menggunakan program GS+ 9.
Sehingga didapat parameter masing-masing model semivariogram sebagai berikut.

Tabel 3. Parameter Model


Model
Linear
Exponensial
Spherical
Gaussian

Sill

Nugget
2600,33
2660
2610
4640

12405,96
24490
24490
30380

Range
9409,14
31100
31100
25963,44

Jika ditulis dalam bentuk persamaan berikut beberapa model semivariogram teoritis
a. Model Linear
C
(
[ 9409,14 )]

( h )=2600,328+ h

b. Model Eksponensial

( h )=24490 1exp 31100 ; h 0


c. Model Spherical
( h )=

h
h
0,5
31100
31100
24490; h>31100

24490 1,5

) ) ; h 31100

d. Model Gaussian

10

[ (

( h )=30380 1exp

)]

h2
;h 0
2
25963,44

Pada beberapa penelitian, terdapat peneliti yang mencari nilai sill dari variasi
sampel, nilai range yang dihitung dengan meminimumkan residual dari hasil perhitungan
estimasi dengan menggunakan range yang ada pada semivariogram eksperimental dan
menetapkan nilai nugget adalah 0 (Bahtiyar, Hoyyi, dan Yasin, 2014).
4.5. Pengujian dan Pemilihan Model Semivariogram Kandungan Debu
Setelah semua model didapatkan, langkah selanjutnya adalah melakukan uji
kecocokan model untuk setiap model tersebut dengan tujuan mendapatkan model yang
valid dan dapat digunakan untuk melakukan pendugaan. Sebelum melakukan kecocokan
model, terlebih dahulu akan dilakukan uji normalitas residual menggunakan Shapiro-Wilk
Normality Test dengan bantuan paket program R 2.14.0. Selanjutnya dengan menggunakan
signifikansi sebesar 0,05 dan statistik uji P-value pada output R digunakan kriteria tolak
hipotesis kenormalan jika P-value < . Nilai dari masing-masing model ditunjukkan dalam
Tabel 4.
Tabel 4. Pengujian Normalitas Residual
Model
Linear
Eksponensial
Spherical
Gaussian

Shapiro-Wilks
0,8982
0,8917
0,8929
0,8963

P-value
0,07519
0,05918
0,06195
0,07014

Keputusan
Residual Berdistribusi Normal
Residual Berdistribusi Normal
Residual Berdistribusi Normal
Residual Berdistribusi Normal

Berdasarkan Tabel 4. terlihat bahwa residual pada semua model berdistribusi normal.
Setelah dilakukan uji normalitas residual, langkah selanjutnya memilih model
semivariogram terbaik. Model semivariogram terbaik dipilih berdasarkan kriteria Root
Mean Square Deviation (RMSD), R-Square, dan Residual Sum Square (RSS).
RMSD adalah perbedaan antara nilai prediksi dan nilai-nilai yang diamati
sebenarnya, Nilai kecil pada RSMD menunjukkan, semakin baik prediksi tersebut. RMSD
digunakan untuk membandingkan berbagai model spasial dan mengukur keakuratan
prediksi. Adapun rumus dari RMSD adalah sebagai berikut.

z
1
RMSD [ ^z (x)z( x) ]
n i=1

Perhitungan RMSD, R-square, dan RSS menggunakan paket program R.2.14.0


menghasilkan nilai-nilai sebagai berikut untuk setiap model.
Tabel 5. Pemilihan Model Semivariogram
Model
Linear
Eksponensial
Spherical
Gaussian

RMSD
101,2308
100,1453
98,98015
99,21945

R-square
0,0000001
0,2683773
0,1334445
0,1000547

RSS
163962,9
160465,2
156753,1
157512

Kriteria yang dipilih adalah nilai RMSD terkecil, R-square terbesar dan RSS
terkecil. Berdasarkan kedua kriteria tersebut terlihat bahwa pada Tabel 5 Model Spherical
dengan sill sebesar 24490; nugget sebesar 2610; dan range sebesar 31100 adalah
variogram teoritis yang sesuai dengan variogram eksperimental meskipun nilai R-square

11

Model Spherical lebih kecil daripada Model Eksponensial namun secara keseluruhan
Model Spherical adalah yang sesuai. Berikut adalah plot model semivariogram Spherical.

Gambar 4. Model Semivariogran Spherical Data Kandungan Debu

4.6. Interpolasi Kandungan debu


Setelah memperoleh model semivariogram yang sesuai dengan data kandungan
debu, selanjutnya semivariogram tersebut akan digunakan untuk interpolasi kandungan
debu. Pada penyelesaian kasus ini estimasi akan dilakukan untuk 972 lokasi dengan
dibantu oleh paket program R.2.14.0. Berikut ini adalah plot hasil estimasi besarnya
kandungan debu dari yang terendah hingga terendah beserta plot interpolation grid dan
lokasi pengamatan.

Gambar 5. Interpolation Grid dan Lokasi Pengamatan

Pada Gambar 5 menunjukkan terdapat 6052 lokasi yang digunakan untuk interpolasi dan
letak 16 lokasi pengamatan dalam estimasi kandungan debu di Kota Semarang. Hal
tersebut berfungsi untuk lebih menggambarkan kondisi kandungan debu yang nantinya
dapat memudahkan interpretasi pada Gambar 6 di bawah ini.

12

Gambar 6. Plot Estimasi Kandungan Debu Kota Semarang

Berdasarkan hasil estimasi yang tersajikan pada Gambar 6. kandungan debu


tertinggi sebesar 215,6 dan terendah sebesar 144,2 dengan rataan estimasi kandungan debu
sebesar 179, hasil estimasi kandungan debu ini tidak melebihi batas atas mutu baku yang
telah ditetapkan. Dua kecamatan yang memiliki kandungan debu tertinggi sebesar 215,6
jika melihat dari titik lokasi adalah Kecamatan Semarang Barat dan Kecamatan Mijen.
5. KESIMPULAN
Berdasarkan analisis yang telah dilakukan terhadap kandungan debu di Kota
Semarang tahun 2012 menggunakan metode kriging didapatkan dua kesimpulan sebagai
berikut.
1) Model semivariogram terbaik yang digunakan adalah model Spherical dengan
parameter variogramnya adalah Sill = 24490, Range = 31100, dan Nugget = 2610.
Sehingga persamaan model semivariogram yang digunakan adalah
( h )=

h
h
0,5
31100
31100
24490; h>31100

24490 1,5

) ) ; h 31100

2) Hasil interpolasi kandungan debu tiap Kecamatan di Kota Semarang tahun 2012
menunjukkan bahwa estimasi kandungan debu tertinggi sebesar 215,6 dan terendah
sebesar 144,2 dengan rataan estimasi kandungan debu sebesar 179, hasil estimasi
kandungan debu ini tidak melebihi batas atas mutu baku yang telah ditetapkan. Dua
kecamatan yang memiliki kandungan debu tertinggi sebesar 215,6 jika melihat dari
titik lokasi adalah Kecamatan Semarang Barat dan Kecamatan Mijen.
6. DAFTAR PUSTAKA
Aisyiah, K., Sutikno, dan Latra, I.N. (2014), Pemodelan Konsentrasi Partikel Debu (
(PM 10 )
Pada Pencemaran Udara di Kota Surabaya denan Metode
Geographically-Temporal Weighted Regression, Jurnal Sains dan Seni POMITS,
Vol. 2, No. 1 (2014).
Bohling, G. (2005), Kriging, C&PE 940, [online], tersedia tanggal 28 Maret 2015.

13

Bahtiyar, A.D.R, Hoyyi, A., dan Yasin, H. (2014). Ordinary Kriging dalam Estimasi
Curah Hujan di Kota Semarang. Jurnal Gaussian, Vol 3, No. 2, hal 151-159.
Cressie, Noel A.C. (1993), Statistics for Spatial Data, John Wiley & Sons, Inc., New
York.
Fikri, Erlando. (2011), Analisis Perbedaan Kapasitas Fungsi Paru Pada Pedagang
Kaki Lima Berdasarkan Kadar Debu Total Ambien di Jalan Nasional Kota
Semarang Tahun 2010, Skripsi, Universitas Diponegoro, Semarang.
Fridayani, N.M.S., Kencana, I.P.E., dan Sukarsa, K.G. (2012), Perbandingan
Interpolasi Spasial Dengan Metode Ordinary dan Robust Kriging Pada Data
Spasial Berpencilan, e-Jurnal Matematika, Vol. 1, No. 1, Agustus 2012, hal. 68-74.
Lichtenstern, A. (2013), Kriging Methods in Spatial Statistics, Bachelors Thesis,
Technische Universitat Munchen, Munchen.
Ligas, M. dan Kulezyeki, M. (2010), Simple spatial prediction-least squares
prediction, simple kriging and conditional expectation of normal vector, Geodesy
and Cartography, Vol. 59, No. 2, hal. 69-81.
Puspita, W., Rachmatin, D., dan Suherman, M. (2012), Analisis Data Geostatistik
Menggunakan Metode Ordinary Kriging [online], tersedia tanggal 28 Maret 2015.
Prayudi, T., Susanto, J.P. (2001), Kualitas Debu Dalam Udara Sebagai Dampak
Industri Pengecoran Logam Ceper, Jurnal Teknologi Lingkungan, Vol. 2, No. 2,
Mei 2012, hal. 158-174.
NO2
Racmawati, D. (2009), Pendugaan Kadar
Dengan Metode Ordinary dan
Cokriging (Studi Kasus: Pencemaran udara di Kota Bogor), Skripsi, Institut
Pertanian Bogor, Bogor.

7. LAMPIRAN
Lampiran 1. Data Kandungan Debu Kota Semarang
N
o

LOKASI

NO2
[gr/m3
]

SO2
[gr/m3
]

Kantor Kec Gayam Sari

< 0,67

< 26

Kantor Kec Banyumanik

< 0,67

< 26

Kantor Kec Tugu

7,92

< 26

Kantor Kec Semarang Barat

4,13

<26

Kantor Kec Semarang Utara

1,38

< 26

1,22

< 26

1,11

< 26

3.07

< 26

6
7
8

Kantor Kec Semarang


Tengah
Kantor Kec Semarang
Selatan
Kantor Kec Semarang Timur

14

HASIL ANALISA
H 2S
NH3
Ox
[ppm] [ppm [gr/m3
]
]
<0,00
0,12
674
3,46
6
2
<0,00
0,08
354
2,52
6
5
<0,00
0.01
880
2,80
6
7
<0,00
0,33
1086
2,11
6
6
<0,00
0,12
388
2,51
6
3
<0,00
0.09
194
15,0
6
8
<0,00
0,10
377
2,71
6
3
<0,00
0,13
754
4,97
6
6

CO
[gr/m3
]

Debu
[gr/m3
]
130.3
74.5
166.9
337.8
144.6
137.6
187.2
58.93

N
o

LOKASI

NO2
[gr/m3
]

SO2
[gr/m3
]

Kantor Kec Gajah Mungkur

5,66

< 26

10

Kantor Kec Tembalang

1,26

< 26

11

Kantor Kec Gunung Pati

2,08

< 26

12

Kantor Kec Mijen

5,56

< 26

13

Kantor Kec Genuk

< 0,67

< 26

14

Kantor Kec Pedurungan

3,22

< 26

15

Kantor Kec Candisari

3,27

30,1

16

Kantor Kec Ngalian

5,12

< 26

BAKU MUTU
(Kep Gubernur Jawa Tengah
Nomor : 8 Tahun 2001)

316

632

HASIL ANALISA
H 2S
NH3
Ox
[ppm] [ppm [gr/m3
]
]
<0,00
0,05
1109
2,04
6
6
<0,00
0,12
902
32,0
6
3
<0,00
34,9
0,05
25,6
6
<0,00
0,22
320
15,4
6
3
<0,00
0,07
9,52
10,0
6
7
<0,00
0,10
297
9,53
6
9
<0,00
0,16
194
3,38
6
8
<0,00
0,04
217
8,84
6
7

CO
[gr/m3
]

15.000

0,02

200

Debu
[gr/m3
]
227.1
81.9
78.47
312.8
74.74
175.3
314.9
275.1
230*)

Lampiran 2. Syntax program R Analisis Ordinary Kriging


library(rgdal)
library(maptools)
library(gstat)
library(sp)
library(spacetime)
library(xts)
library(lattice)
setwd("D:\\Kriging")
#Let's first create a prediction grid for the interpolation, starting from the shape file
data<-read.table("data.txt",sep="",header=T) #read txt file
coordinates(data) <- ~ x + y
bubble(data, zcol='debu.2012', fill=FALSE, do.sqrt=FALSE, maxsize=3)
x.range <- as.integer(range(data@coords[,1]))
y.range <- as.integer(range(data@coords[,2]))
grd <- expand.grid(x=seq(from=x.range[1], to=x.range[2], by=200), y=seq(from=y.range[1],
to=y.range[2], by=200))
pts <- SpatialPoints(coordinates(grd))
pts1 <- SpatialPointsDataFrame (as.data.frame(pts), data = as.data.frame
(rep(1,nrow(as.data.frame(pts)))))
e <- na.exclude(as.data.frame(pts1))
coordinates(e)=~x+y
gridded(e) <- TRUE
plot(grd, cex=0.5)
points(data, pch=1, col='red', cex=0.7)
title("Interpolation Grid and Sample Points")
# update the gstat object
g<-gstat(id="ID",formula=debu.2012~1,data=data)
15

pts2<-list("sp.points",data,pch=0.7,col="black",cex=0.5)
pr<-readShapePoly("semarang.shp")
pr.reg<-spsample(pr,16,type="regular")
pr.grid<-SpatialPixels(pr.reg)
xyplot(y ~ x, as.data.frame(data), asp="iso",
panel = function(x, ...) {
panel.points(coordinates(data),
cex=0.01*(data$debu.2012 - 0.01),
pch=100, col="blue");
panel.points(coordinates(data),
cex=0.01*(data$debu.2012 - 0.01),
pch=20, col="red");
panel.grid(h=-1, v=-1, col="darkgrey")
})
#Fitting the variogram
#first plot the variogram
variogram.debu2012.c <- variogram(g, cloud=T)
variogram.debu2012<- variogram(g)
plot(variogram.debu2012, pl=T)
#then, create a variogram model
mod.Lin<-vgm(psill=12405.96, model="Lin",range=9409.1407,nugget=2600.327598)
mod.Exp<-vgm(psill=24490, model="Exp",range=31100,nugget=2660)
mod.Sph<-vgm(psill=24490, model="Sph",range=31100,nugget=2610)
mod.Gau<-vgm(psill=30380, model="Gau",range=25963.4416,nugget=4640)
#second, fit the variogram
#let's start trying to fit it the weighted Least Square model
fit_wls.Lin<-fit.variogram(variogram(debu.2012~1,data),model=mod.Lin,fit.method=1)
fit_wls.Sph<-fit.variogram(variogram(debu.2012~1,data),model=mod.Sph,fit.method=1)
fit_wls.Gau<-fit.variogram(variogram(debu.2012~1,data),model=mod.Gau,fit.method=1)
fit_wls.Exp<-fit.variogram(variogram(debu.2012~1,data),model=mod.Exp,fit.method=1)
plot(variogram(debu.2012~1,data),fit_wls.Lin,main="WLS Model Linear")
plot(variogram(debu.2012~1,data),fit_wls.Exp,main="WLS Model Exponential")
plot(variogram(debu.2012~1,data),fit_wls.Sph,main="WLS Model Spherical")
plot(variogram(debu.2012~1,data),fit_wls.Gau,main="WLS Model Gaussian")
#Kriging 1-out Cross Validation
cross_wls.Lin<-krige.cv(debu.2012~1,data,model=fit_wls.Lin)
cross_wls.Exp<-krige.cv(debu.2012~1,data,model=fit_wls.Exp)
cross_wls.Sph<-krige.cv(debu.2012~1,data,model=fit_wls.Sph)
cross_wls.Gau<-krige.cv(debu.2012~1,data,model=fit_wls.Gau)
#Goodness of Fit of the Cross Validation
#R-Square
RSQR_wls.Lin<-as.numeric(cor.test(data$debu.2012,cross_wls.Lin$var1.pred)$estimate)^2
RSQR_wls.Exp<-as.numeric(cor.test(data$debu.2012,cross_wls.Exp$var1.pred)$estimate)^2
RSQR_wls.Sph<-as.numeric(cor.test(data$debu.2012,cross_wls.Sph$var1.pred)$estimate)^2
RSQR_wls.Gau<-as.numeric(cor.test(data$debu.2012,cross_wls.Gau$var1.pred)$estimate)^2
#Root-Mean Square Deviation
RMSD_wls.Lin<-sqrt(sum((cross_wls.Lin$residual)^2)/length(data$debu.2012))
RMSD_wls.Exp<-sqrt(sum((cross_wls.Exp$residual)^2)/length(data$debu.2012))
16

RMSD_wls.Sph<-sqrt(sum((cross_wls.Sph$residual)^2)/length(data$debu.2012))
RMSD_wls.Gau<-sqrt(sum((cross_wls.Gau$residual)^2)/length(data$debu.2012))
#RSS
RSS.Lin<-sum(cross_wls.Lin$residual^2)
RSS.Exp<-sum(cross_wls.Exp$residual^2)
RSS.Sph<-sum(cross_wls.Sph$residual^2)
RSS.Gau<-sum(cross_wls.Gau$residual^2)
#Interpolation and Map creation
#now that we finished the cross-validation part we can proceed to the creation of the map
map_wls.Lin<-krige(debu.2012~1,data,model=fit_wls.Lin,newdata=e)
map_wls.Exp<-krige(debu.2012~1,data,model=fit_wls.Exp,newdata=e)
map_wls.Sph<-krige(debu.2012~1,data,model=fit_wls.Sph,newdata=e)
map_wls.Gau<-krige(debu.2012~1,data,model=fit_wls.Gau,newdata=e)
#Plot Map
spplot(map_wls.Lin,"var1.pred",col.regions=terrain.colors(50),contour=T,sp.layout=list(pts2))
spplot(map_wls.Exp,"var1.pred",col.regions=terrain.colors(50),contour=T,sp.layout=list(pts2))
spplot(map_wls.Sph,"var1.pred",col.regions=terrain.colors(50),contour=T,sp.layout=list(pts2))
spplot(map_wls.Gau,"var1.pred",col.regions=terrain.colors(50),contour=T,sp.layout=list(pts2))

IDENTIFIKASI SPATIAL PATTERN DAN


AUTOKORELASI SPATIAL
(Studi Kasus JUMLAH KASUS KEMATIAN BARU KARENA AIDS DIY 2012)

17

ABSTRAK
AIDS pertama kali ditemukan di Amerika Serikat tahun 1981 dan telah menjadi
pandemik yang sangat serius karena telah menginfeksi sebagian besar negara di dunia.
Daerah Istimewa Yogyakarta (DIY) saat ini telah menempati urutan ke 17 provinsi
dengan penderita penyakit HIV/AIDS terbesar. Dari kasus yang ditemukan sejumlah
831 kasus diantaranya telah memasuki fase AIDS sedangkan sisanya 1.110 kasus masih
dalam fase HIV positif (DinKes DIY, 2013). Salah satu tujuan dari Milenium
Development Goals (MDGs) adalah memerangi HIV/AIDS dengan target
mengendalikan penularan dan penyebaran HIV/AIDS sehingga tercapai penurunan
jumlah kasus baru pada 2015. Berdasarkan kondisi tersebut diperlukan identifikasi
pola spasial dan autokorelasi spasial persebaran kasus kematian baru karena AIDS di
Provinsi DIY. Data yang digunakan adalah kasus kematian baru karena AIDS
berdasarkan Kabupaten/Kota Tahun 2012. Hasil analisis menunjukkan bahwa sebaran
kasus kematian baru karena AIDS di Provinsi DIY 2012 tidak berpola clustered.
Kemudian dari hasil perhitungan signifikansi autokorelasi spasial secara global, baik
menggunakan Morans I, Gearys, dan Getis Ord G didapatkan hasil bahwa antar
Kabupaten/Kota satu dengan yang lainnya tidak memiliki kemiripan atau
mengindikasikan bahwa tidak terdapat autokorelasi spasial pada sebaran kasus
kematian baru karena AIDS di Provinsi DIY tahun 2012.
Kata Kunci: HIV, AIDS, DIY, Pola Spasial, Morans I, Gearys, Getis Ord G

1. PENDAHULUAN
AIDS merupakan pandemik yang sangat serius karena telah menginfeksi sebagian
besar negara di dunia. Menurut Permenkes RI No. 21 Th. 2013 Acquired Immuno
Deficiency Syndrome yang selanjutnya disingkat AIDS adalah suatu kumpulan gejala
berkurangnya kemampuan pertahanan diri yang disebabkan oleh masuknya virus Human
Immunodeficiency Virus (HIV) dalam tubuh seseorang. telah menginfeksi jutaan orang di
dunia. AIDS pertama kali ditemukan di Amerika Serikat tahun 1981 (Chin dan Kandun,
2000). HIV dapat ditularkan dari orang ke orang melalui kontak seksual, penggunaan
jarumdan syringes yang terkontaminasi, transfusi darah atau komponen-komponennya
yang terinfeksi; transplantasi dari organ dan jaringan yang terinfeksi HIV (Chin dan
Kandun, 2000).
Data World Health Organization (WHO) secara global menunjukkan bahwa orang
yang hidup dengan HIV sampai akhir tahun 2011 mencapai 34 juta orang dan 1,7 juta
orang meninggal karena AIDS (UNAIDS, 2012 dalam Setyaningrum, 2014).
Perkembangan di Indonesia sendiri tercatat menurut data UNAIDS (2012) dalam
Setyaningrum (2014) menunjukkan terjadi peningkatan angka infeksi baru HIV lebih dari
25% dalam kurun waktu 2001 sampai 2011. Jumlah kumulatif kasus AIDS di Indonesia
sejak pertama kali ditemukan, 1 April 1987 sampai Juni 2013 sebesar 108.600 kasus HIV
dan 43.667 kasus AIDS, dengan kasus kematian akibat AIDS sebesar 8.340 kasus. Saat ini
kasus HIV/AIDS telah tersebar di 341 dari 497 kabupaten/kota di seluruh propinsi di
Indonesia (Setyaningrum, 2014).
Daerah Istimewa Yogyakarta (DIY) saat ini telah menempati urutan ke 17 provinsi
dengan penderita penyakit HIV/AIDS terbesar. Penularan telah berubah dengan dominasi
dari jarum suntik pengguna narkoba. Penderita HIV/AIDS terbanyak adalah kelompok
usia 20-26 tahun. Laporan program P2M tahun 2012 menunjukkan bahwa penemuan kasus
HIV/AIDS dicapai 1.940 kasus. Dari kasus yang ditemukan sejumlah 831 kasus
diantaranya telah memasuki fase AIDS sedangkan sisanya 1.110 kasus masih dalam fase
HIV positif (DinKes DIY, 2013). Salah satu tujuan dari Milenium Development Goals
(MDGs) adalah memerangi HIV/AIDS dengan target mengendalikan penularan dan

18

penyebaran HIV/AIDS sehingga tercapai penurunan jumlah kasus baru pada 2015.
Berdasarkan kondisi tersebut diperlukan identifikasi pola spasial dan autokorelasi spasial
persebaran kasus kematian baru karena AIDS di Provinsi DIY.
2. TINJAUAN PUSTAKA
2.1.
Pola Spasial
Data spasial muncul pertama kali dalam statistik berupa bentuk peta data. Dalam
data spasial terdapat dua informasi, yaitu informasi mengenai lokasi dan informasi
mengenai pengamatan (respon). Informasi mengenai lokasi dinyatakan dalam bentuk titik,
garis, dan luasan (Setiyowati dan Sutiko, 2014). Menurut Cressie (1993), berdasarkan jenis
data terdapat 3 (tiga) tipe data spasial yaitu : data geostatistik (geostatistical data), data
area (lattice area), dan pola titik (point pattern). pola titik digunakan ketika variabel
penting yang dianalisis adalah lokasi dari suatu kejadian (events). Pola titik ini digunakan
untuk mengetahui adanya hubungan ketergantungan antar titik. Pola titik dapat berbentuk
acak (random pattern), mengelompok (clustered pattern), atau uniform.
Beberapa metode untuk mendeteksi pola spasial pada data titik, diantaranya adalah
Quadrat Analysis, Kernel Density Estimation (K means), dan Nearest Neighbor Distance.
Terdapat beberapa pendekatan untuk mengetahui pola spasial melalui quadrat analysis,
diantaranya pendekatan Variance-to-Mean Ratio (VTMR) dan pendekatan distribusi
frekuensi menggunakan uji Kolmogorov Smirnov.
a. Variance-to-Mean Ratio (VTMR)
VTMR menggunakan perhitungan rasio antara mean dan variancedengan
menggunakan rumus berikut.
m

2
( xi x )

i 1

VTMR

m 1
m

xi

S2
x

i 1

(1)
dengan m merupakan quadrat dan xi adalah jumlah titik pada quadrat ke-i. Apabila
VTMR >1 maka cenderung berpola clustered, sedangkan jika VTMR mendekati 1 akan
cenderung berpola random dan bila VTMR mendekati 0 cenderung berpola uniform.
Pengujian hipotesis juga dapat dilakukan untuk mengetahui signifikansi pola
pengelompokkan pada metode ini dengan hipotesis berikut.
H0 : data tidak berpola mengelompok (clustered)
H1 : data berpola mengelompok (clustered)
Statistik uji:
( m 1) S 2
x

Pengambilan keputusan adalah Ho ditolak apabila nilai statistik uji lebih dari

19

(2)

( m1 ) ,

b. Kolmogorov Smirnov (K-S test)


Metode Kolmogorov Smirnov menggunakan metode perbandingan antara distribusi
frekuensi amatan dan distribusi frekuensi teoritik (Lee dan Wong, 2001) dengan hipotesis
berikut.
H0 : tidak ada perbedaan distribusi frekuensi amatan dan teoritik
H1 : ada perbedaan distribusi frekuensi amatan dan teoritik
D=max |OiEi|
Stat uji:
(3)
dengan Oi adalah distribusi frekuensi amatan dan Ei adalah distribusi frekuensi teoritik
berdasarkan pola spasial yang di uji.
1,36
D =5 =
Pengambilan keputusan adalah H0 ditolak jika D >
m , dengan m adalah
jumlah quadrat.

2.2.

Autokorelasi Spasial
Autokorelasi spasial adalah taksiran dari korelasi antar nilai amatan yang berkaitan
dengan lokasi spasial pada variabel yang sama. Autokorelasi spasial positif menunjukkan
adanya kemiripan nilai dari lokasi-lokasi yang berdekatan dan cenderung berkelompok.
Sedangkan autokorelasi spasial yang negatif menunjukkan bahwa lokasi-lokasi yang
berdekatan mempunyai nilai yang berbeda dan cenderung menyebar. Karekteristik dari
autokorelasi spasial yang diungkapkan oleh Kosfeld (2006) dalam , yaitu:
a) Jika terdapat pola sistemat is pada distribusi spasial dari variabel yang diamati,
maka terdapat autokorelasi spasial.
b) Jika kedekatan atau ketetanggaan antar daerah lebih dekat, maka dapat dikatakan
ada
c) autokorelasi spasial positif.
d) Autokorelasi spasial negatif menggambarkan pola ketetanggaan yang tidak
sistematis.
e) Pola acak dari data spasial menunjukkan tidak ada autokorelasi spasial.
Autokorelasi spasial dilakukan secara global maupun lokal. Untuk pengecekan
secara global dapat menggunakan Morans I, Gearys C, dan Getis G. Sedangkan
pengecekan secara lokal biasa disebut dengan LISA (Local indicators of spatial
association) dengan ukuran Morans Ii. Sebelum masuk pada pengecekan autokorelasi
ditentukan terlebih dahulu susunan matriks pembobot (W). Matriks pembobot spasial
digunakan untuk menentukan bobot antar lokasi yang diamati berdasarkan hubungan
ketetanggaan antar lokasi. Menurut Kosfeld (2006), matriks pembobot dapat dibedakan
menjadi tiga, yaitu.
a) Rook continguity: Daerah pengamatannya ditentukan berdasarkan sisi-sisi yang
saling bersinggungan dan sudut tidak diperhitungkan.
b) Bishop continguity: Daerah pengamatannya ditentukan berdasarkan sudut-sudut
yang saling bersinggungan dan sisi tidak diperhitungkan.
c) Queen continguity: Daerah pengamatannya ditentukan berdasarkan sisi-sisi yang
saling bersinggungan dan sudut juga diperhitungkan.

20

Pengukuran autokorelasi spasial untuk data spasial dapat dihitung menggunakan


metode Morans Index (Indeks Moran), Gearys C, dan Getis Ord G.
a. Morans Index
Menurut Kosfeld (2006), perhitungan autokorelasi spasial dengan metode Indeks
Moran dapat dilakukan dengan dua cara, yaitu
Wij *

1) Indeks Moran dengan matriks pembobot spasial tak terstandarisasi


n n

n
S0

*
Wij ( xi x )( x j x )

i 1 j 1

2
( xi x )

i 1

(4)

n n

S 0 Wij
i 1 j 1

dimana
berikut.

, atau dapat dinotasikan secara matriks menjadi persamaan


I

n ( x x )T W ( x x )
S 0 ( x x )T ( x )

(5)
Wij

2) Indeks Moran dengan matriks pembobot spasial terstandarisasi


n n

*
Wij ( xi x )( x j x )

i 1 j 1

2
( xi x )

i 1

(6)
dapat dinotasikan secara matriks menjadi persamaan (7).
I

( x x )T W * ( x x )
( x x )T ( x )

(7)
Rentang nilai dari Indeks Moran dalam kasus matriks pembobot spasial
terstandarisasi adalah -1 I 1.Nilai -1 I < 0 menunjukkan adanya autokorelasi
spasial negatif, sedangkan nilai 0 < I 1 menunjukkan adanya autokorelasi spasial
positif. Untuk mengetahui apakah Morans I menunjukan adanya autokorelasi spasial
maka dilakukan pengujian Morans I dengan hipotesis.
H0: Tidak terdapat autokorelasi spasial
H1: Terdapat autokorelasi spasial
Pada uji signifikansi digunakan pendekatan normal untuk mengetahui apakah terdapat
autokorelasi spasial atau tidak dengan statistik uji :
ZI

I E(I )
var(I )

(8)

21

dimana
S1

1
E(I )
n 1

1
wij w ji
2 i 1 j 1
n n

var(I )

n 2 S1 nS2 3S 02
(n

1) S 02

E ( I ) 2

n n

S 0 wij
i 1 j 1

S 2 wi. wi 2
i 1

, serta

Kriteria Uji:
Tolak H0 pada taraf signifikasi jika Z(I) > Z1- .
b. Gearys C
Analisis autokorelasi spasial global bertujuan meringkas kekuatan dependensi
spasial dengan statistik, secara umum perhitungan atau pengecekan secara global dengan
menggunakan Gearys C berbasis pada varians dengan persamaan (9).
n n

( n 1) Wij ( xi x j ) 2
C

i 1 j 1
n

2n ( xi x ) 2
i 1

(9)
dimana: 0 C < 1 Autokorelasi Positif
1 < C 2 Autokorelasi Negatif
c. Getis Ord G
Getis dan Ord telah menyarankan pendekatan yang agak berbeda dalam
menidentifikasi autokorelasi spasisl menggunakan kedekatan matriks berdasarkan jarak
dengan persamaan.
n n

Wij ( d ) xi x j

G (d )

i 1 j 1
n n

xi x j

i 1 j i

(10)
Statistik G mengukur proporsi jumlah masing-masing

xi

xj

dengan nilai

dalam

xi x j

jarak d dari I terhadap total jumlah semua produk


. Rentang nilai dari Indeks Moran
dalam kasus matriks pembobot spasial terstandarisasi adalah 0 G 1. Pada uji
signifikansi digunakan pendekatan normal untuk mengetahui apakah terdapat autokorelasi
spasial atau tidak dengan statistik uji.
Z (G )

G E (G )
var(G )

(11)

22

E (G (d ))

W
n(n 1)

Varians dari G(d)


S1

1 n n
wij w ji
2 i 1 j 1

S 2 wi. wi 2
i 1

B 0=( n 23 n+3 ) S1n S2 +3 W 2


B 1=[ ( n2n ) S 12 n S 2+ 3W 2 ]
B 2=[ 2 n S1 ( n+3 ) S 2 +6 W 2 ]
+1
n S

B 3=4 (n1)S12
B 4=S 1S 2 +W

m1= x 1i
i=1
n

m 2= x i

i=1

m3= x 3i
i=1
n

m 4 = xi

i=1

B0 m22 + B1 m4+ B 2 m21 m2 + B3 m1 m3+ B 4 m41


1
E ( G 2 )= 2

2
(m1 m2 ) n ( n1 ) ( n2 )( n3 )
2

var ( G )=E ( G 2) [E ( G ) ]

Kriteria Uji:
Tolak H0 pada taraf signifikasi jika Z(G) > Z1- .
d. Scatterplot Morans I

23

Moran Scatterplot adalah alat yang digunakan untuk melihat hubungan antara nilai
pengamatan yang terstandarisasi dengan nilai rata-rata tetangga yang sudah terstandarisasi. Jika
digabungkan dengan garis regresi maka hal ini dapat digunakan untuk mengetahui derajat
kecocokan dan mengidentifikasi adanya outlier. Morans scatterplot juga dapat digunakan

untuk mengidentifikasi tipe hubungan spasial lokal yang digambarkan pada Tabel 1.
Tabel 1. Tipe Hubungan Spasial Lokal

Variabel
(X)

HIG
H
LOW

HIGH

LOW

Kuadran I: HH

Kuadran IV: HL

Kuadran II: LH

Kuadran III: LL

Menurut Zhukov (2010), kuadran-kuadran dalam Moran Scatterplot adalah


sebagai berikut:
1) Pada kuadran I, HH (High-High) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan tinggi dikelilingi oleh daerah yang mempunyai nilai pengamatan tinggi.
2) Pada kuadran II, LH (Low-High) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan rendah dikelilingi oleh daerah yang mempunyai nilai pengamatan tinggi.
3) Pada kuadran III, LL (Low-low) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan rendah dikelilingi oleh daerah yang mempunyai nilai pengamatan rendah.
4) Pada kuadran IV, HL (High-Low) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan tinggi dikelilingi oleh daerah yang mempunyai nilai pengamatan rendah.
e. LISA Morans I
Analisis autokorelasi spasial global bertujuan meringkas kekuatan dependensi
spasial dengan statistik, informasi rinci tentang pengelompokan spasial dapat diperoleh
dari Local indicators of spatial association (LISA) (Anselin, 1995). Ukuran LISA yang
paling sering digunakan adalah Morans Ii. Statistik lokal Morans digunakan untuk dua
tujuan yaitu mencari Indikator dari cluster spasial lokal serta untuk mendiagnosa adanya
outlier dalam spatial pattern secara global. Statistik uji Morans local adalah.
n

( xi x ) Wij ( x j x )
Ii

j 1

2
(x j x)

j 1

(12)

Sedangkan hubungan antara statistik Morans global dan lokal yaitu


I

1 n
Ii
n i 1

(13)

3. METODOLOGI
Data yang digunakan dalam Tugas ini merupakan data sekunder yang diperoleh
dari laporan Dinas Kesehatan Provinsi Daerah Istimewa Yogyakarta dalam buku nya yang
berjudul Profil Kesehatan Provinsi D.I. Yogyakarta Tahun 2013. Buku tersebut
dipublikasikan secara gratis melalui media elektronik. Data yang digunakan adalah kasus
kematian baru karena AIDS berdasarkan Kabupaten/Kota Tahun 2012. Adapun data yang
digunakan dapat dilihat pada Tabel 2.
24

Tabel 2 Kasus Kematian Baru Karena AIDS Provinsi DIY Tahun 2012
No

Kabupaten/Kota

1
2
3
4
5

Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

Kasus
AIDS
2
0
5
5
4

Langkah-langkah yang dilakukan untuk melakukan estimasi menggunakan identifikasi


pola spasial dan autokorelasi spasial sebagai berikut.
a. Menghitung nilai VTMR, jika VTMR >1 maka cenderung berpola clustered,
sedangkan jika VTMR mendekati 1 akan cenderung berpola random dan bila
VTMR mendekati 0 cenderung berpola uniform. Selanjutnya melakukan pengujian
hipotesis untuk mengetahui signifikansi pola pengelompokkan pada metode
VTMR.
b. Melakukan pengujian signifikansi pola menggunakan metode Kolmogorov
Smirnov
c. Menentukan matriks pembobot yang sesuai.
d. Melakukan identifikasi dependensi antar lokasi secara global dengang Morans I,
Indeks Geary C, dan Getis G.
e. Membuat Scatterplot Morans I dengan bantuan Minitab 14.
f. Menghitung nilai LISA Morans I dan identifikasi lokasi yang merupakan outlier.
4. HASIL DAN PEMBAHASAN
Pembahasan pada tugas ini mencakup dua hal utama, yaitu identifikasi pola spasial
dan identifikasi dependensi (autokorelasi spasial). Identifikasi pola spasial menggunakan
pendekatan VTMR dan distribusi frekuensi (K-S Test). Sedangkan autokorelasi spasial
menggunakan Morans I, Gearys C, Getis G, Scatterplot Morans I, dan LISA Morans I.
4.1.

Identifikasi Pola Persebaran Kasus Baru AIDS


Pola spasial merupakan sesuatu yang berhubungan dengan penempatan objek atau
susunan benda di permukaan bumi. Terdapat beberapa pendekatan untuk mengetahui pola
spasial melalui quadrat analysis, diantaranya pendekatan Variance-to-Mean Ratio
(VTMR) dan pendekatan distribusi frekuensi menggunakan uji Kolmogorov Smirnov.
a. Variance-to-Mean Ratio (VTMR)
Untuk mengidentifikasi pola sebaran kasus kematian baru karena AIDS di Provinsi
DIY dengan menggunakan VTMR, diasumsikan bahwa suatu Kabupaten/Kota merupakan
sebuah kuadran dengan bentuk yang tidak beraturan.
Diketahui :
m

xi

x i 1
m

20554
3,2
5

25

2
( xi x )

S 2 i 1

m 1

(2 3,2) 2 (0 3,2) 2 (5 3,2) 2 (5 3,2) 2 ( 4 3,2) 2


4,7
5 1
VTMR

S 2 4,7

1,47
x
3,2

Nilai VTMR sebesar 1,47 artinya VTMR >1 maka sebaran kasus kematian baru karena
AIDS di Provinsi DIY berpola clustered. Untuk lebih membuktikan hal tersebut digunakan
pengujian Chi-square dengan hipotesis
H0 : data tidak berpola mengelompok (clustered)
H1 : data berpola mengelompok (clustered)
Statistik uji:
(m 1) S 2 (5 1) * 4,7

5,875
x
3,2

sehingga dapat diperoleh nilai statistik uji sebesar 5,875 nilai chi-square hitung tersebut
2 (51);0,05 9,49

kurang dari nilai chi-square tabel


sehingga dapat disimpulkan bahwa
Gagal Tolak H0 ditolak yang artinya bahwa data sebaran kasus kematian baru karena AIDS
di Provinsi DIY tidak berpola clustered.
b. Kolmogorov Smirnov (K-S test)
Pada metode VTMR terlihat bahwa data tidak berpola cluster sehingga
kemungkinan data dapat berpola random, pengujian ini menggunakan K-S Tes dengan
hipotesis berikut.
H0 : tidak ada perbedaan distribusi frekuensi amatan dan teoritik
H1 : ada perbedaan distribusi frekuensi amatan dan teoritik
D=max|OiEi|=0,4585
Stat uji:

Tabel 3. Perhitungan Nilai K-S test


Jumlah
titik
per
quadrat

Jumlah
quadrat

Probabilitas
amatan

Komulatif
probabilitas
amatan
(Oi)

Probabilitas
Poisson

Kumulatif
Probabilitas
poisson
(p(x))

0
2
4
5

1
1
1
2

0.2
0.2
0.2
0.4

0.2
0.4
0.6
1

0.0408
0.2087
0.1781
0.1140

0.0408
0.2495
0.4276
0.5415

26

abs
(D)

0.1592
0.1505
0.1724
0.4585

0.1592
0.1505
0.1724
0.4585

Pengambilan keputusan adalah H0 ditolak jika D >

D =5 =

dengan m adalah jumlah quadrat, yaitu 5. Karena D (0,4585) <

1,36 1,36
=
=0,608
,
m 5
D =5

(0,608) maka

keputusannya adalah Gagal Tolak H0 yang artinya terdapat tidak terdapat perbedaan antara
distribusi frekuensi amatan dan teoritik atau data berpola random.
4.2.

Identifikasi Dependensi Antar Kabupaten di DIY


Sebelum masuk pada pengecekan autokorelasi ditentukan terlebih dahulu susunan
matriks pembobot (W). Matriks pembobot spasial W dapat diperoleh dari dua cara yaitu
matriks pembobot terstandarisasi (standardize continguity matrix Wstandardize) dan matriks
pembobot tak terstandarisasi (unstandardize continguity matrix Wunstandardize). Pada tugas
ini digunakan matriks pembobot spasial continguity queen yang berbasis sudut dan sisi
berdasarkan Peta Jawa Timur yang disajikan pada Gambar 1.

Gambar 1. Peta Administrasi Provinsi Jawa Timur

Matriks pembobot terstandarisasi (standardize continguity matrix Wstandardize)


merupakan matriks pembobot yang diperoleh dengan cara memberikan bobot yang sama
rata terhadap tetangga lokasi terdekat dan yang lainnya nol. Bentuk matriks pembobot
terstandarisasi ditampilkan pada Tabel 4.
Tabel 4. Matriks Pembobot W unstandardized
Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

Kulon Progo
0
1
0
1
0

Bantul
1
0
1
1
1

Gunung Kidul
0
1
0
1
0

Sleman
1
1
1
0
1

Yogyakarta
0
1
0
1
0

Sedangkan matriks pembobot tak terstandarisasi (unstandardize continguity matrix


Wunstandardize) merupakan matriks pembobot yang diperoleh dengan cara memberikan bobot
satu bagi tetangga terdekat dan yang lainnya nol. Bentuk matriks pembobot tak
terstandarisasi ditampilkan pada Tabel 5.
Tabel 5. Matriks Pembobot W standardized
Kulon Progo
Bantul

Kulon Progo
0
0.25

Bantul
0.5
0

Gunung Kidul
0
0.25

27

Sleman
0.5
0.25

Yogyakarta
0
0.25

0
0.25
0

Gunung Kidul
Sleman
Yogyakarta

0.5
0.25
0.5

0
0.25
0

0.5
0
0.5

0
0.25
0

a. Pengecekan secara Global Menggunakan Morans I dengan Wunstandardized


Pengecekan secara global menggunakan Morans I merupakan pengecekan
autokorelasi dengan asumsi lokasi sama tetapi variabel berbeda dan berbasis covarians
dengan persamaan.
n n

n
S0

Wij ( xi x )( x j x )

i 1 j 1

2
( xi x )

5 15,44
x
0,293
14
18,8

i 1

n n

S 0 Wij 14
i 1 j 1

dimana
Jadi nilai Morans I dengan Wunstandardized diperoleh nilai sebesar -0,293.
b. Pengecekan secara Global Menggunakan Morans I dengan Wstandardized
Pengecekan secara global menggunakan Morans I dengan
menggunakan persamaan berikut.

Wstandardized

n n

*
Wij ( xi x )( x j x )

i 1 j 1

2
( xi x )

4,35
0,231
18,8

i 1

Jadi nilai Morans I dengan Wstandardized diperoleh nilai sebesar -0,231.


Indeks Moran (Morans I) adalah salah satu teknik analisis spasial yang dapat
digunakan untuk menentukan adanya autokorelasi spasial antar lokasi pengamatan.
Perhitungan Morans I telah dijabarkan sebelumnya baik dengan menggunakan
Wunstandardized maupun Wstandardized. Untuk mengetahui apakah Morans I menunjukan adanya
autokorelasi spasial maka dilakukan pengujian Morans I dengan hipotesis.
H0: Tidak terdapat autokorelasi spasial
H1: Terdapat autokorelasi spasial
Dalam kasus ini diperoleh nilai-nilai
n n

1
1
E(I )

0,25
n 1
5 1
S1

1 n n
wij w ji
2 i 1 j 1

S 0 wij 5
i 1 j 1

2 3,469

S 2 wi. wi 2 21,875
i 1

28

var(I )

ZI

n 2 S1 nS 2 3S 02
(n 2 1) S 02

I E(I )
var(I )

E ( I ) 2

( 0,231) ( 0,25)
0,0245

5 2 (3,469 ) 5(21,875) 3(5) 2


(5 2 1)(5) 2

(0,25) 2 0,0245

0,118

Dari hasil perhitungan dapat diketahui bahwa nilai Z(I) = 0,118 < Z0,95 = 1,645,
maka Gagal Tolak H0, artinya tidak terdapat autokorelasi spasial pada kasus kematian baru
karena AIDS di Provinsi DIY Tahun 2012.
Secara keseluruhan dari pengujian Morans I diperoleh kesimpulan bahwa pada
taraf signifikansi 5% dinyatakan tidak terdapat autokorelasi spasial tehadap kasus
kematian baru karena AIDS di DIY pada tahun 2012. Nilai Morans I sebesar -0,231
berada pada rentang -1 I < 0 menunjukkan adanya autokorelasi spasial negatif. Berarti
disimpulkan bahwa antar kabupaten satu dengan yang lainnya tidak memiliki kemiripan
nilai atau mengindikasikan bahwa data tidak berkelompok.
c. Pengecekan secara Global Menggunakan Gearys C dengan Wstandardized
Secara umum perhitungan atau pengecekan secara global dengan menggunakan
Gearys C berbasis pada varians dengan persamaan.
n n

(n 1) Wij ( xi x j ) 2
C

i 1 j 1
n

2 n ( xi x ) 2

(5 1)(4,35)
0,0926
2(5)(18,8)

i 1

Sehingga dari perhitungan C yang sudah diperoleh dapat disimpulkan bahwa C < 0 artinya
Autokorelasi Negatif.
d. Pengecekan secara Global Menggunakan Getis G dengan Wstandardized
Jarak antar daerah diukur dengan jarak antara pusat masing-masing. Dalam contoh
lima wilayah di Provinsi DIY perhitungan jarak antara pusat adalah sebagai berikut (dalam
km).
Tabel 6. Matriks Jarak D
Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

Kulon Progo
0
30
70
34
22

Bantul
30
0
40
20
12

Gunung Kidul
70
40
0
39
30

Sleman
34
20
39
0
9

Yogyakarta
22
12
30
9
0

Dalam tugas ini ditentukan jark kritis sebesar 30 km, maka matrik pembobot W(d) sesuai
dengan d = 30, adalah.
Tabel 7. Matriks Jarak W(D=30)
Kulon Progo

Bantul

Gunung Kidul

29

Sleman

Yogyakarta

Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

0
1
0
0
1

1
0
0
1
1

0
0
0
0
1

0
1
0
0
1

1
1
1
1
0

Sehingga nilai dari Getis Ord G adalah


n n

Wij ( d ) xi x j

G (d )

i 1 j 1
n n

xi x j

96
0,516
186

i 1 j i

Untuk mengetahui apakah Getis Ord (G) menunjukan adanya autokorelasi spasial
maka dilakukan pengujian Getis Ord (G) dengan hipotesis.
H0: Tidak terdapat autokorelasi spasial
H1: Terdapat autokorelasi spasial
E (G (d ))

W
12

0,6
n(n 1) 5(5 1)

Varians dari G(d)


S1

1 n n
wij w ji
2 i 1 j 1

2 20

S 2 wi. wi 2 136
i 1

B 0=( n 23 n+3 ) S1n S2 +3 W 2 =12


B 1=[ ( n2n ) S 12 n S 2+ 3W 2 ]=528
B 2=[ 2 n S1 ( n+3 ) S 2 +6 W 2 ]=24
+1
n S

B 3=4 (n1)S12
2

B 4=S 1S 2 +W =28
n

m 1= x i =16
1

i=1

m2= x 2i =70
i=1

30

m3= x 3i =322
i=1
n

m 4= xi =1522
4

i=1

B 0 m22 + B1 m4 + B2 m21 m2 +B 3 m1 m3 + B4 m41 =( 2,409E-07 ) ( 2303184 ) =0,5548


1
E ( G2 )= 2

2
( m1 m2 ) n ( n1 )( n2 )( n3 )
2

var ( G )=E ( G 2) [ E ( G ) ] =0,5548( 0,6)2=0,1948


Statistik Uji

Z (G )

G E (G )
var(G )

(0,516 ) (0,6)
0,1948

0,190

Dari hasil perhitungan dapat diketahui bahwa nilai Z(G) = -0,190 < Z0,95 = 1,645,
maka Gagal Tolak H0, artinya tidak terdapat autokorelasi spasial pada kasus kematian baru
karena AIDS di Provinsi DIY Tahun 2012.
e. Scatterplot Morans I
Selanjutnya melakukan perhitungan Morans Scatter dan persamaan regresinya
untuk melihat sebaran kasus kematian baru karena AIDS di beberapa lokasi DIY ke dalam
empat kuadran. Hasil perhitungan persamaan regresi tersebut disajikan pada Tabel 8.
Tabel 8. Perhitungan untuk Persamaan Regresi
i
1
2
3
4
5

Xi
2
0
5
5
4

Lxi
2.5
4
2.5
2.75
2.5

Xi Lxi
5
0
12.5
13.75
10

Xi2
4
0
25
25
16

Jumlah

16

14.25

41.25

70

Sehingga diperoleh estimasi sebagai berikut.


xi

2
x i
n
n x i . Lx i x i Lx i
b1 =

31

b0 =

Lx i b x i =3,59
1

^
Lxi =3,590,231 x i

Maka menghasilkan garis regresi

Setelah mendapatkan garis regresi kemudian melakukan perhitungan untuk


residual regresi seperti pada Tabel 9.
Tabel 9. Perhitungan untuk Residual regresi
Xi
2
0
5
5
4

Lxi
2.5
4
2.5
2.75
2.5

L Xi hat
3.12766
3.590426
2.433511
2.433511
2.664894

ei
-0.627659574
0.409574468
0.066489362
0.316489362
-0.164893617

ei2
0.393957
0.167751
0.004421
0.100166
0.02719

Terakhir adalah menggambar Morans Scatter untuk melihat sebaran kasus


kematian baru karena AIDS di beberapa lokasi ke dalam empat kuadran pada Gambar 3.
Berdasarkan Gambar 2. diperoleh hasil sebagai berikut.
1. Pada kuadran I, HH (High-High) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan tinggi dikelilingi oleh daerah yang mempunyai nilai pengamatan tinggi.
Tidak terdapat Kabupaten yang berada dalam kuadran I.
2. Pada kuadran II, LH (Low-High) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan rendah dikelilingi oleh daerah yang mempunyai nilai pengamatan tinggi.
Kabupaten yang berada dalam kuadran II adalah Bantul.
3. Pada kuadran III, LL (Low-Low) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan rendah dikelilingi oleh daerah yang mempunyai nilai pengamatan rendah.
Kabupaten yang berada dalam kuadran III adalah Kulon Progo.
4. Pada kuadran IV, HL (High-Low) menunjukkan bahwa daerah yang mempunyai nilai
pengamatan tinggi dikelilingi oleh daerah yang mempunyai nilai pengamatan rendah.
Kabupaten yang berada dalam kuadran IV adalah Sleman, Gunung Kidul, dan Kota
Yogyakarta.
4.00

Bantul

3.75

LXi

3.50
3.25
3.00

Sleman

2.75

Kulon Progo

2.50
0

Yogyakarta Gunung Kidul

Xi

Gambar 2. Morans Scatterplot antara Jumlah Kasus dengan Pembobotnya

32

f. Pengecekan LISA Morans I dengan Wstandardized


Informasi rinci tentang pengelompokan spasial dapat diperoleh dari Local
indicators of spatial association (LISA). Ukuran LISA yang paling sering digunakan
adalah Morans Ii. Nilai lokal Morans I dapat disajikan pada Tabel 10.
Tabel 10. Perhitungan Nilai Morans I Lokal
Kabupaten/Kota
Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

Jumlah
2
0
5
5
4

Xi-Xbar
-1.2
-3.2
1.8
1.8
0.8

Weighted SD
-0.7
0.8
-0.7
-0.45
-0.7

Local Morans
0.223404
-0.68085
-0.33511
-0.21543
-0.14894

Average LISA

-0.23138

Dari hasil perhitungan rata-rata dari nilai Morans Ii adalah -0,231. Hasil yang sama
ditunjukkan pula oleh perhitungan autokorelasi spasial secara global. Lokasi yang
merupakan outlier adalah Kabupaten Kulon Progo karena nilai Moranss I yang berada
pada rentang 0 < I 1 menunjukkan adanya autokorelasi spasial positif, sedangkan untuk
lokasi lainnya menunjukkan bahwa tidak adanya autokorelasi spasial positif.
5. KESIMPULAN
Berdasarkan hasil analisis yang telah dilakukan mengenai pola spasial dan
autokorelasi spasial dapat disimpulkan bahwa sebaran kasus kematian baru karena AIDS
di Provinsi DIY 2012 tidak berpola clustered. Kemudian dari hasil perhitungan
signifikansi autokorelasi spasial secara global, baik menggunakan Morans I, Gearys, dan
Getis Ord G didapatkan hasil bahwa antar Kabupaten/Kota satu dengan yang lainnya tidak
memiliki kemiripan atau mengindikasikan bahwa tidak terdapat autokorelasi spasial pada
sebaran kasus kematian baru karena AIDS di Provinsi DIY tahun 2012.
6. DAFTAR PUSTAKA
Anselin, L. (1995). Spatial Econometrics: Methods and Models. Dordrecht: Kluwer
Academic Publishers.
Cressie, N. A. C., (1993). Statistics for Spatial Data, revised edition. New York: Wiley.
Dinas Kesehatan Daerah Istimewa Yogyakarta. (2013). Profil Kesehatan Provinsi
Daerah Istimewa Yogyakarta Tahun 2013. URL: www.depkes.go.id
Chin, J., dan Kandun, I. N. (2000). Manual Pemberantasan Penyakit Menular Edisi 17.
Jakarta: CV. Infomedika.
Kosfeld, R. (2006). Spatial Econometric. URL: http://www.scribd.com
Setyaningrum, R. A. (2014). Pengetahuan Dan Sikap Tenaga Kesehatan Puskesmas
Kota Yogyakarta Dalam Meningkatkan Cakupan Tes Hiv Dengan Pendekatan
Provider Initiated Hiv Testing And Counseling (Pitc). Skripsi: Ilmu Keperawatan.
Yogyakarta: Universitas Gadjah Mada. URL: http://etd.ugm.ac.id
Setyowati, D. dan Sutikno. (2014). Estimasi Konsentrasi SO2 dan NO2 di Jakarta
Menggunakan Cokriging. Tesis: Pascasarjana Statistika, FMIPA. Surabaya: Institut
Teknologi Sepuluh November [Tidak di publikasikan]
33

Zhukof, Y. (2012). Spatial Autocorrelation, IQQS, Harvard University, Amerika.


7. LAMPIRAN
Lampiran 1. Matriks Cross Product
Kulon Progo
Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

1.44
3.84
-2.16
-2.16
-0.96

Cross Product
Bantul
Gunung Kidul
3.84
10.24
-5.76
-5.76
-2.56

Sleman

Yogyakarta

-2.16
-5.76
3.24
3.24
1.44

-0.96
-2.56
1.44
1.44
0.64

Sleman
-2.16
-5.76
3.24
0
1.44

Yogyakarta
0
-2.56
0
1.44
0

Jumlah

-15.44

Sleman

Yogyakarta

-1.08
-1.44
1.62
0
0.72
Jumlah

0
-0.64
0
0.36
0
-4,35

-2.16
-5.76
3.24
3.24
1.44

Lampiran 2. Perkalian Wunstandardized dengan Matriks Cross Product

Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

Wij*Cross Product (unstandardize)


Kulon Progo
Bantul
Gunung Kidul
0
3.84
0
3.84
0
-5.76
0
-5.76
0
-2.16
-5.76
3.24
0
-2.56
0

Lampiran 3. Perkalian Wstandardized dengan Matriks Cross Product


WijCross Product (standardize)
Kulon Progo
Bantul
Gunung Kidul
Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

0
0.96
0
-0.54
0

1.92
0
-2.88
-1.44
-1.28

0
-1.44
0
0.81
0

Lampiran 4. Perhitungan

( x i x )2
i=1

Xi

x ix

( x ix )

Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

2
0
5
5
4

-1.2
-3.2
1.8
1.8
0.8

1.44
10.24
3.24
3.24
0.64

Rata-rata

3.2

Jumlah

18.8

34

n n

xi x j

i 1 j i

Lampiran 5. Perhitungan

Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

Kulon Progo
0
0
10
10
8

Xi.Xj
Bantul
Gunung Kidul
0
10
0
0
0
0
0
25
0
20

Sleman
10
0
25
0
20

Yogyakarta
8
0
20
20
0

Jumlah

186

Sleman

Yogyakarta

0
0
0
0
20
Jumlah

8
0
20
20
0
96

n n

Wij (d ) xi x j

i 1 j 1

Lampiran 6. Perhitungan
Kulon Progo
Kulon Progo
Bantul
Gunung Kidul
Sleman
Yogyakarta

0
0
0
0
8

Wij.Xi.Xj
Bantul
Gunung Kidul
0
0
0
0
0

0
0
0
0
20

35