Regresi Spasial (GWR)

26NOVBy richie
Pada artikel sebelumnya kita sudah banyak membahas pola hubungan antar
variabel yang asimetris salah satu diantaranya adalah analisis regresi linear
baik itu dalam konsep linear sederhana ataupun multivariat (lebih dari satu
variabel bebas). Dalam analisis regresi linear, kita sudah membahas pula
beberapa asumsi regresi linear klasik yang berguna dalam memastikan
bahwa model yang dihasilkan oleh data “baik”, baik itu dari segi penaksiran
parameter yang dihasilkan (nilai beta) dan proporsionalnya selang
kepercayaan dalam pengujian hipotesis (uji F dan t).

Pada kesempatan kali ini kita akan sedikit membahas analisis regresi dari
perspektif kewilayahan (spasial). Pada bahasan pengujian
heteroskedastisitas pada model regresi, sudah sedikit dibahas adanya
pengaruh heteroskedastisitas pada model regresi yang dihasilkan, yaitu
adanya keberagaman varians dari faktor gangguan yang akan mengganggu
pada hasil penaksiran yang dihasilkan oleh model regresi. Salah satu faktor
yang memungkinkan yang dapat menyebabkan heteroskedastisitas pada
model adalah faktor kewilayahan atau spasial. Sehingga perlakuan pada
data yang akan dibentuk menjadi sebuah model regresi terdapat
penyesuaian diantaranya pada pembahasan sebelumnya (artikel : Asumsi
Non Heteroskedastisitas Pada Model Regresi), pada poin pertama, dengan
menggunakan nilai koefisien regresi b yang dihasilkan dari kuadrat terkecil
tertimbang/terboboti (weighted least square-WLS)
Data Spasial
Data spasial merupakan data yang memuat informasi tentang atribut dan
informasi lokasi. Sedangkan data bukan spasial hanya memuat informasi
tentang atribut saja. Sebagai ilustrasi, data produk yang dihasilkan oleh
suatu perusahaan berdasarkan banyaknya karyawan merupakan contoh data
bukan spasial. Banyaknya orang yang bertahan dari suatu penyakit di
berbagai daerah di suatu negara merupakan contoh data spasial
(Fortheringham et al, 2002).

Data spasial merupakan sebuah data yang berorientasi geografis, memiliki

sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua
bagian penting yang membuatnya berbeda dari data lain, yaitu informasi
lokasi (spatial) dan deskriptif (attribute) yang dijelaskan sebagai berikut :
1. Informasi lokasi (spatial) berkaitan dengan suatu koordinat geografi
yaitu lintang (latitude) dan bujur (longitude)
2. Informasi deskriptif (attribute) atau informasi non-spasial, suatu lokasi
yang memiliki beberapa keterangan seperti populasi atau jenis vegetasi.
(Fikri, dkk, 2009)
Data spasial secara sederhana dapat diartikan sebagai data yang memiliki
referensi keruangan (geografi). Setiap bagian dari data tersebut selain
memberikan gambaran tentang suatu fenomena, juga dapat memberikan
informasi mengenai lokasi dan juga persebaran dari fenomena tersebut
dalam suatu ruang (wilayah). Apabila dikaitkan dengan cara penyajian data,
maka peta merupakan bentuk/cara penyajian data spasial yang paling tepat.
Analisis terhadap data spasial memerlukan perhatian lebih dibandingkan
dengan analisis terhadap data bukan spasial. Kondisi dari suatu lokasi
pengamatan akan berbeda dengan lokasi pengamatan yang lain. Meskipun
demikian, kondisi disuatu lokasi pengamatan akan memiliki hubungan yang
erat dengan lokasi pengamatan lain yang berdekatan.

Hal tersebut sesuai dengan hukum I Tobler yang dikemukakan oleh Tobler
(Tobler’s first law of geography) dalam Schanbenberger dan Gotway (2005),
yaitu “Everything is related to everything else, but near thing are more
related than distant thing.” Yang berarti “Segala sesuatu saling berhubungan
satu dengan yang lainya, tetapi sesuatu yang dekat lebih mempunyai
pengaruh daripada sesuatu yang jauh.”
Hubungan tersebut dinamakan efek spasial. Efek spasial di sini terkait
dengan perbedaan karakteristik lingkungan dan geografis antar lokasi
pengamatan sehingga masing-masing pengamatan kemungkinan memiliki
variasi yang berbeda atau terdapat perbedaan pengaruh variabel prediktor
terhadap variabel respon untuk setiap lokasi pengamatan. Efek spasial ini
kemudian disebut sebagai keragaman spasial atau heterogenitas spasial.

Oleh karena itu, diperlukan sebuah metode statistika yang diharapkan dapat
mengantisipasi heterogenitas spasial. Metode statistika tersebut yaitu
metode regresi terboboti geografis atau Geographically Weighted
Regression (GWR).
Geographically Weighted Regression (GWR)
Model regresi terbboboti geografi (RTG) atau Geographically Weighted
Regression (GWR) pertama kali diperkenalkan oleh Fotheringham pada tahun
1967. Model GWR adalah pengembangan dari model regresi linear klasik
atau ordinary linear regression (OLR). Model GWR adalah model regresi yang
dikembangkan untuk memodelkan data dengan variabel respon yang
bersifat kontinu dan mempertimbangkan aspek spasial atau lokasi.
Pendekatan yang dilakukan dalam GWR adalah pendekatan titik. Setiap
nilai parameter ditaksir pada setiap titik lokasi pengamatan,
sehingga setiap titik lokasi pengamatan mempunyai nilai parameter yang
berbeda-beda.
Penaksiran Keofisien Regresi GWR
Penaksiran regresi pada Geographically Weighted Regression (GWR)
dilakukan dengan menggunakan metode kuadrat terkecil terboboti
atau Weighted Least Square (WLS), yaitu metode kuadrat terkecil dengan
memberikan pembobotan yang berbeda pada setiap titik lokasi pengamatan.
Pembobotan tersebut berupa matriks diagonal dimana elemen-elemen
diagonalnya merupakan sebuah fungsi pembobot dari titik lokasi
pengamatan.
Misalkan pembobot untuk setiap titik lokasi pengamatan (ui, vj) adalah Wij,
maka koefisien regrei pada titik lokasi pengamatan (ui,vj) ditaksir dengan
menambahkan pembobot Wij pada persamaan regresi dan meminimumkan
jumlah kuadrat error-nya.
(perhitungan manual penaksir regresi linear dapat diaplikasikan dengan
menggunakan matriks –lebih dari 2 variabel bebas, dengan adanya
pembobotan spasial maka fungsi matriks awal digabung dengan matriks
bobot spasial-Wij)
Pembobot Model GWR
Peran pembobot dalam GWR merupakan aspek penting. Pembobot tersebut
bergantung pada jarak antar titik lokasi pengamatan. Seperti penjelasan
sebelumnya, pembobot tersebut berupa berupa matriks diagonal dimana
elemen-elemen diagonalnya merupakan sebuah fungsi pembobotan dari
setiap titik lokasi pengamatan. Fungsi dari matriks pembobot adalah untuk
menentukan atau menaksir parameter yang berbeda pada setiap titik lokasi
pengamatan.

Matriks pembobot pada GWR merupakan matriks pembobot berbasis pada

kedekatan titik lokasi pengamatan ke-i dengan titik lokasi pengamatan
lainnya. Pengamatan terdekat ke titik lokasi pengamatan ke-i umumnya
diasumsikan memiliki pengaruh paling besar terhadap penaksiran parameter
di titik lokasi pengamatan ke-i. Oleh karena itu, matriks pembobot W (ui,vj)
akan semakin besar seperti jarak yang semakin dekat.
Terdapat beberapa cara yang dapat digunakan untuk menentukan nilai
pembobot. Pertama, yang paling sederhana adalah dengan memberikan
bobot sebesar 1 untuk setiap titik lokasi pengamatan i dan j. Sehingga,
model yang dihasilkan apabila menggunakan fungsi pembobot ini adalah
model regresi linear klasik (OLR). Kedua, pembobot dalam GWR juga dapat
ditentukan dengan menggunakan fungsi invers jarak yang melibatkan
dij (jarak euclidean antara titik lokasi pengamatan ke-i dengan titik
pengamatan ke-j dan b (bandwidth) yang dianalogikan sebagai radius (b)
suatu lingkaran, sehingga sebuah titik lokasi pengamatan yang berada
dalam radius lingkaran masih dianggap berpengaruh dalam membentuk
parameter di titik lokasi pengamatan ke-i. Fungsi invers jarak akan
memberikan bobot = 1, jika titik lokasi ke-j berada di dalam radius b.
Sedangkan jika titik lokasi ke-j berada di luar radius b dari titik lokasi ke-i,
maka fungsi invers jarak akan memiliki bobot = 0. Ketiga, matriks
pembobot W (ui,vj) dapat ditentukan dengan menggunakan fungsi Kernel.
Fungsi Kernel memberikan pembobotan sesuai bandwidth optimum yang
nilainya bergantung pada kondisi data. Terdapat dua jenis fungsi Kernel
dalam GWR, yaitu fungsi Kernel tetap atau fixed Kernel dan fungsi Kernel
adaptif atau adaptif Kernel (Wheeler dan Antonio, 2010).
1. Fungsi Kernel Tetap : memiliki bandwidth yang sama pada setiap titik
lokasi pengamatan. Diantaranya : fungsi Kernel Gaussian dan
fungsi Kernel Bi-square.
2. Fungsi Kernel adaptif : memiliki bandwidth yang berbeda untuk setiap
lokasi pengamatan. Hal ini disebabkan kemampuan fungsi Kernel adaptif
yang dapat disesuaikan dengan kondisi titik-titik pengamatan. Bila titik-
titik lokasi pengamatan tersebar secara padat disekitar lokasi pengamatan
ke-i maka bandwidth yang diperoleh relatif sempit. Sebaliknya jika titik-
titik lokasi pengamatan memiliki jarak yang relatif jauh dari titik lokasi ke-i
maka bandwidth yang diperoleh akan semakin luas (Dwinata,2012).
Diantaranya : fungsi Kernel Gaussian dan fungsi Kernel Bi-square.
Bandwidth pada GWR
Dalam fungsi Kernel di atas, terdapat parameter bandwitdh yang nilainya
tidak diketahui. Sehingga perlu dilakukan penaksiran terhadap
parameter bandwidth tersebut. Bandwidth dapat dianalogikan
sebagai radius (b) suatu lingkaran, sehingga sebuah titik lokasi pengamatan
yang berada dalam radius (b) lingkaran masih dianggap berpengaruh dalam
membentuk parameter di titik lokasi pengamatan ke-i.
Pemilihan bandwidth optimum dalam GWR merupakan hal yang penting
karena akan mempengaruhi ketepatan model terhadap data.
Nilai bandwidth yang sangat kecil akan mengakibatkan penaksiran
parameter di lokasi pengamatan ke-i semakin bergantung pada titik lokasi
pengamatan lain yang memiliki jarak terdekat dengan lokasi pengamatan
ke-i, sehingga varians yang dihasilkan akan semakin besar. Sebaliknya, jika
nilai bandwidth sangat besar makan akan mengakibatkan bias semakin
besar, sehingga model yang diperoleh terlalu halus (Dwinata, 2012).
Metode yang digunakan untuk menentukan bandwidth optimum adalah
metode validasi silang atau cross validation (CV). Nilai bandwidth optimum
diperoleh ketika CV minimum (Fotheringham, 2002).
Langkah-langkah analisis
Adapun langkah-langkah analisis yang dilakukan dengan
menggunakan Geographically Weighted Regression (GWR) adalah :
1. Mendeskripsikan variabel respon (Y) dan variabel-variabel prediktor (X)
yang akan dilibatkan dalam pembentukan model regresi
2. Menganalisis model regresi linear klasik atau Ordinary Linear
Regression (OLR) dengan langkah-langkah sebagai berikut :
 Melakukan uji asumsi residual atau asumsi regresi linear klasik
(normalitas, multikolinearitas, heteroskedastisitas, autokorelasi)
 Menaksir parameter model regresi linear klasik dengan metode
kuadrat terkecil atau Ordinary Least Square (OLS)
 Melakukan uji keberartian model regresi linear berganda (uji F
dan uji t)
3. Menganalisis model Geographically Weighted Regression (GWR)
dengan langkah-langkah sebagai berikut :
 Menentukan koordinat longitude-latitude tiap titik wilayah
pengamatan
 Menghitung jarak eculidean dij antar titik wilayah pengamatan
 Menentukan bandwidth berdasarkan kriteria CV minimum
  Menghitung matriks pembobot (Wij) tiap titik wilayah
pengamatan dengan fungsi Kernel
 Menaksir parameter GWR dengan
menggunakan bandwidth optimum
4. Membandingkan jumlah kuadrat residual atau residual sum of
square dan koefisien determinasi R2model dari OLS dan model GWR
dengan pembobot fixed Kernel Gaussian dan GWR dengan
pembobot adaptive Kernel Gaussian.
5. Menginterpretasi dan menyimpulkan hasil yang diperoleh.
 

Dari uraian secara konsep, terlihat begitu kompleks perhitungan regresi

dengan menggunakan Geographically Weighted Regression (GWR). Yang
perlu diperhatikan oleh peneliti dan data analis adalah dari tahapan atau
proses perhitungan dari Geographically Weighted Regression (GWR) itu
sendiri agar tidak menimbulkan kebingungan. Pemahaman terhadap detail
dari komponen penyusun uji Geographically Weighted Regression (GWR)
dapat dipahami secara bertahap sesuai dengan urutan tahapan analisis
dengan mempertimbangkan peran dan fungsi komponen tersebut dalam
analisi Geographically Weighted Regression (GWR).
Keterbatasan dari peneliti atau data analis dalam meng-olahdata hasil
pengumpulan data dari lapangan mungkin akan ditemui. Akan tetapi kini
sudah tersedia banyak software pendukung yang dapat digunakan peneliti
atau data analis untuk memudahkan dalam men-generate model
dari Geographically Weighted Regression (GWR). Beberapa diantaranya
adalah software GRW, OpenJump, OpenGeoDa atau karena biasanya
analisis Geographically Weighted Regression (GWR) bersinggungan dengan
proses mapping atau pemetaan, bagi peneliti atau data analis dapat
menggunakan pula software dalam rumpun ArcGis, ArcView untuk
menghasilkan peta tematik sesuai dengan kasus yang sedang diteliti.
Pada kesempatan selanjutnya kita coba akan ulas secara singkat software
pendukung dalam analisis Geographically Weighted Regression (GWR).
SEMANGAT MEMAHAMI !!!

———————————————————————————————————————
————————————-

1. Jika rekan peneliti memerlukan bantuan survey lapangan, data entry

ataupun olahdata dapat menghubungi mobilestatistik.com :
 Phone/WA/Line : 081321709749
 Email : welcome@mobilestatistik.com
2. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi
terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian,
aplikasi software statistik ataupun olahdata.
 “1st Kirim Pertanyaan, Pasti Kami Jawab . . . InsyaAllah”