Analisis Regresi Spasial

1. Metode Kuadrat Terkecil

Analisis regresi merupakan analisis untuk mendapatkan hubungan dan model matematis antara
variabel terikat (Y) dan variabel bebas (X). Hubungan antara satu variabel terikat dengan satu atau
lebih variabel bebas dapat dinyatakan dalam model regresi linier (Draper dan Smith, 1992). Secara
umum hubungan tersebut dapat dinyatakan dengan model sebagai berikut:

Jika dilakukan pengamatan sebanyak n, maka model persamaan regresi linier berganda ke-i yaitu:

Secara umum bentuk matriks penaksir kuadrat terkecil (least square) dari parameter tersebut
adalah:

uji simultan merupakan suatu uji statistik F pada dasarnya menunjukkan apakah semua variabel
independen atau bebas yang dimasukkan kedalam model mempunyai pengaruh secara bersama-
sama terhadap variabel dependen atau terikat (Imam Ghozali, 2011). Hipotesis yang digunakan
adalah

Apabila |F hitung|> F α(k,n-k-1) maka keputusannya tolak Ho, artinya semua variabel independen
(bebas) secara simultan atau keseluruhan merupakan penjelas yang signifikan terhadap variabel
dependen.

Uji signifikansi parsial merupakan suatu uji statistik t yang pada dasarnya menunjukkan seberapa
jauh pengaruh variabel independen secara individual dalam menerangkan variasi variabel dependen.

2. Matriks Keterkaitan Spasial (Spatial Weight Matrices)

Spatial Weight Matrices atau Matriks Keterkaitan Spasial sering disebut juga matriks W, dimana
pembentukan matrik W tersebut dapat dilakukan dengan bebrapa pendekatan. Menurut Anselin,
(Ratih, 2013) mengusulkan tiga pendekatan untuk mendefiniskan matriks W yaitu contiguity,
distance, dan general. Matriks W berdasarkan pendekatan contiguity menyatakan bahwa interaksi
spasial antar wilayah yang bertetangga, yaitu interaksi yang memiliki persentuhan batas wilayah
(common boundary). Matriks W yang terbentuk selalu simetris dan diagonal utama selalu bernilai
nol seperti jika Wmn diberi nilai 1, maka Wmn bernilai 1 juga. Secara umum terdapat beberapa tipe
interaksi dalam penentuan matriks W yaitu Rook countiguity, Bishop contiguity dan Queen
contiguity. Berikut adalah ilustrasi gambar pendekatan contiguity untuk matriks W.

Gambar 3.1 ilustrasi pendekatan contiguity

a. Rook Countiguity merupakan persentuhan sisi wilayah satu dengan sisi wilayah yang lain yang
bertetangga. Seperti pada gambar 3.1 diatas, bahwa wilayah 1 bersentuhan dengan wilayah 2
sehingga W12=1 dan yang lainnya atau pada wilayah 3 bersentuhan dengan wilayah 4 dan 5 sehingga
W34, W35=1 dan yang lainnya bernilai 0.

b. Bishop Contiguity merupakan suatu persentuhan titik vertek wilayah satu dengan wilayah yang
lain. Seperti yang ada pada gambar ilustrasi diatas, dimana wilayah 2 bersentuhan dengan wilayah 3
sehingga W23=1 dan yang lainnya 0.

c. Queen Contiguity merupakan suatu persentuhan baik sisi maupun titik vertek wilayah satu
dengan wilayah yang lainnya yaitu gabungan antara pendekatan Rook Contiguity dan Bishop
Contiguity.

Berikut ini adalah matriks W yang merefleksikan Queen Countiguity pada gambar 3.1 diatas.
Matriks Queen Contiguity atau Rook Contiguity yang sudah diperoleh kemudian dibentuk kedalam
bentuk matriks normalitas. Matriks Normalitas merupakan matriks yang dari setiap barisnya bernilai
satu, sehingga matriks normalitas dari matriks Wqueen tersebut antara lain sebagai berikut.

3. Model Regresi Spasial

Regresi Spasial merupakan suatu metode dalam memodelkan suatu data yang memiliki unsur
spasial. Model umum regresi spasial atau biasa disebut Spatial Autoregressive Moving Average
(SARMA) dalam bentuk matriks (Lesage, 1999 dan Anselin, 2004) dapat disajikan sebagai berikut:
Dari persamaan (9) dan (10) kemudian disubstitusikan, hasilnya anatara lain sebagai berikut:

Berdasarkan persamaan diatas dapat diambil atau dibentuk persamaan regresi spasial dalam bentuk
matrik (Anselin. 1988).
4. Spatial Autoregresive Model (SAR)

Model Spatial Autoregresive adalah model regresi linier yang pada peubah responnya terdapat
korelasi spasial menurut (Anselin, 1988). Model SAR merupakan model yang terbentuk dari
kombinasi antara model regresi linier sederhana dengan lag spasial variabel independen dengan
menggunakan data cross section. Model SAR terbentuk apabila nilai ρ≠1 dan =0 Menurut (Anselin,
1988) berikut ini adalah model umum SAR.

5. Efek Spasial

5.1 Spatial Heterogenity

Efek heterogenitas adalah efek yang menunjukkan adanya keragaman antar lokasi. Jadi setiap
lokasi mempunyai struktur dan parameter hubungan yang berbeda. Pengujian efek spasial
dilakukan dengan uji heterogenitas yaitu menggunakan uji Breusch-Pagan test (BP test).
Pembentukan model yang dilakukan adalah dengan menggunakan pendekatan titik. Regresi
spasial pendekatan titik yaitu Geographically Weighted Regression (GWR), dimana rumus
persamaan Geographically Weighted Regression (GWR) adalah sebagai berikut:
5.2 Spatial Dependence

Dependensi spasial terjadi akibat adanya dependensi dalam data wilayah. Spatial dependence
muncul berdasarkan hukum Tobler I (1979) yaitu segala sesuatu saling berhubungan dengan
hal yang lain tetapi sesuatu yang lebih dekat mempunyai pengaruh yang besar. Penyelesaian
yang digunakan jika ada efek dependensi spasial, adalah dengan pendekatan area.

Menurut (Anselin, 1988) menyatakan bahwa uji yang digunakan untuk mengetahui spatial
dependence di dalam error suatu model adalah dengan menggunakan statistik Moran’s I dan
Langrange Multiplier (LM).

1) Moran’s I

Uji Moran’s I biasanya banyak digunakan dalam pengujian melihat autokorelasi spasial yang
dikembangkan dalam ilmu statistic oleh Morans’s pada tahun 1948 (Anselin, 1999). (clif, 1973 & Ord,
1981) menyajikan uji statistik Moran’s I seperti fomulasi berikut ini
Apabila I>I0 maka nilai autokorelasi bernilai positif, hali ini berarti pola data membentu kelompok.
Apabila Apabila I=I0 tidak terdapat autokorelasi spasial sedangkan apabila Apabila I<I0 artinya nilai
autokorelas bersifat negative, hal ini berarti pola datanya menyebar. Moran’s I scatterplot adalah
sebuah diagram untuk melihat hubungan antara nilai amatan pada suatu lokasi (distandarisasi)
dengan rata-rata nilai amatan dari lokasi-lokasi yang bertetanggan dengan lokasi yang
bersangkutan Lee & Wong, (Ratih, 2013). Berikut adalah pembagian kuadrannya menurut Perobelli
& Haddad, (Ratih, 2013).

Gambar 3.2 ilustrasi scatter plot Moran’s I

Kuadran I disebut High-High, menunjukkan nilai observasi tinggi dikelilingi oleh daerah yang
mempunyai nilai observasi yang tinggi berlawanan dengan Kuadran III disebut Low-Low,
menunjukkan nilai observasi rendah dikelilingi oleh daerah yang mempunyai nilai observasi
rendah. Kuadran II disebut Low-High menunjukan nilai observasi rendah dikelilingi oleh daerah
yang mempunyai nilai observasi tinggi berkebalikan dengan kuadran IV disebut High-Low,
menunjukkan nilai observasi tinggi dikelilingi oleh daerah yang mempunyai nilai observasi yang
rendah menurut Kartika, (Ratih, 2013).

2) Lagrange Multiplier (LM) Test

Efek spasial yaitu ketergantungan spasial terjadi akibat adanya korelasi antara wilayah. Efek
ketergantungan spasial yaitu ketergantungan lag dan sisaan spasial dapat diuji dengan menggunakan
uji LM. Hasil yang diperoleh dari uji LM akan di jadikan dasar dalam pembentukan model regrei
spasial. Hipotesis yang digunakan pada uji LM khususnya untuk model SAR adalah sebagai berikut:

Yang mana error ɛ adalah vector sisaan dari model regresi klasik berukuran nx1, “tr” diperoleh dari
model regresi klasik, dan σ2 adalah kuadrat tengah sisaan dari model regresi klasik, dengan “tr”
menyatakan operasi teras matriks yaitu penjumlahan elemen diagonal suatu matriks (Anselin, 2009).
Keputusan tolak H0 dilakukan jika nilai statistika uji LM lebih besar dari X2(2), dengan q adalah
banyaknya parameter spasial. Jika H0 ditolak maka model regresi spasial dibuat dalam model SAR.