Neighbourhood Structure and Crime: A Spatial Analysis

A. Pendahuluan
Analisis spasial (spatial analysis) merupakan metode yang
digunakan untuk memahami hubungan didalam struktur keruangan.
Analisis spasial lebih berkembang daripada statistik spasial dan
analisis data (Manfred, Ficher, Getis, 1997: 1). Analisis spasial dan
temporal dari harga lahan (MEDV) menjadi topik yang penting untuk
dikaji, terlebih analisis dari distribusi harga lahan di Boston. Sebuah
analisis harga lahan berdasarkan karakteristik tetangga memiliki
peran penting. Hal ini dikarenakan kondisi serta karakteristik dari
tetangga, turut mempengaruhi harga suatu lahan, seperti yang
dikemukakan oleh Tobler bahwa everything is related to everything
else, but near things are more related than distant things..
sehingga dapat disimpulkan bahwa efek spasial merupakan suatu
hal yang wajar terjadi dan saling mempengaruhi antara satu daerah
dengan daerah yang lain.

Gambar 1. Points Boston (Sumber: GeoDa)

B. Statement of Problem
Hipotesis didalam kajian ini terdiri dari:
Ho = semua data adalah random, tidak ada hubungan antara MEDV
dengan variabel lainnya;
Ha = data tidak random, ada keterkaitan antara MEDV dengan
variabel lain.

Didalam menganalisa hubungan antara MEDV dengan variabel lain

didalam suatu ruang, GeoDa dapat dijadikan sebagai sebuah
metode analisis yang terdiri dari visualisasi, eksplorasi, dan
eksplanasi dari pola didalam data geografis (Anselin, Syabri, Kho,
2010: 73-75). Kemudian untuk melihat points-points tersebut
sebagai centroids, maka dapat menggunakan peta Thiessen Polygon
seperti yang ditunjukkan oleh gambar 2. Polygon ini menjelaskan
titik seimbang dari area yang terwakili oleh masing-masing centroid.

Gambar 2. Centroids Boston menggunakan Thiessen Polygon

(Sumber: GeoDa)
Setelah mendapatkan polygon, alat yang dapat digunakan untuk
mengetahui dan menganalisa pola-pola spasial adalah
Tabel 1. Alat didalam menganalisa pola-pola spasial
Alat
Deskripsi
Average nearest neighbor
Menghitung
jarak
rata-rata
setiap titik pengamatan kepada
tetangga
terdekatnya
berdasarkan
karakteristik
centroid-nya
Spatial autocorrelation (global Mengukur autokorelasi spasial
Morans I)
(kluster
atau
dispersi)
berdasarkan karakteristik lokasi
dan nilai data atribut.

Sumber: (Lauren, 2010, hal: 31)

C. Hasil Analisis
1. Analisis Cluster
Alat untuk menganalisis pola clustering dapat menggunakan
pendekatan-pendekatan seperti local Morans I dan Getis-Ord Gi*.
Alat
Cluster analysis (Local Morans I)

Hot spot analysis (Getis-Ord Gi*)

Deksripsi
sudah
disediakan
fitur
pembobotan,
mengidentifikasi
tinggi atau rendahnya kluster
berdasarkan spatial outlier**
Sudah disediakan sebuah fitur
pembobotan,
yang
mengidentifikasi kluster dengan
nilai tinggi (hot spots) dan nilai
rendah (cold spots)

**spatial outlier: pengamatan yang terletak jauh dari pusat data, dan mungkin
berpengaruh terhadap koefisien regresi (Sembiring, 1995). Dampak dari outlier ini
membuat estimasi parameter menjadi bias.

Gambar 3. Univariate Morans Index (Sumber: GeoDa)

Gambar 4. Sebuah analisis hot-spot (menggunakan Gi*)

Dengan menggunakan analisis hotspot (Getis-Ord G i*), kita dapat
mengetahui distribusi serta hubungan antar titik pengamatan
dengan tetangganya (spatial lag). Morans I menunjukkan bahwa
High-high (kuadran I) dan low-low (kuadran III)
=
Spatial
Clusters
High-low (kuadran IV) dan low-high (kuadran II)
=
Spatial
Outliers
Cluster spasial pada gambar 4 menunjukkan inti dari cluster. Cluster
diklasifikasikan ketika nilai pada suatu lokasi pengamatan (high atau
low) sama atau mirip dengan tetangganya (spatial lag). Berdasarkan
gambar 4, hubungan antar pengamatan dengan tetangga nya yang
high (+,+) cenderung berkumpul di sebelah timur dari Boston,
sedangkan distribusi hubungan yang low (-,-) cenderung berkumpul
di sebelah barat. Akan tetapi, Peta ini tidak dapat menjelaskan
clustering dengan baik, dengan alasan nilai Morans I nya 0.230376
dan banyak sekali spatial outliers yang terbentuk (sebanyak 161
buah).