TUGAS

STATISTIKA SPASIAL

Pola Spasial Data Angka Harapan Hidup di Sulawesi Selatan

Disusun Oleh:

Rahmi
1617140005

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI MAKASSAR
APRIL, 2019
 PENDAHULUAN

Angka Harapan Hidup merupakan alat untuk mengevaluasi kinerja pemerintah dalam
meningkatkan kesejahteraan penduduk pada umumnya, dan meningkatkan derajat kesehatan
pada khususnya. Angka Harapan Hidup yang rendah di suatu daerah harus diikuti dengan
program pembangunan kesehatan, dan program sosial lainnya termasuk kesehatan lingkungan,
kecukupan gizi dan kalori termasuk program pemberantasan kemiskinan. Menurut BPS, Angka
harapan hidup merupakan rata-rata jumlah tahun hidup yang akan dijalani oleh bayi yang baru
lahir pada suatu tahun tertentu. Manfaat mengetahui angka harapan hidup adalah untuk
menentukan tingkat kemakmuran penduduk dalam suatu daerah atau negara.

Angka harapan hidup menjadi salah satu indikator dalam mengukur indeks pembangunan
manusia. Adanya perbaikan pada pelayanan kesehatan melalui keberhasilan pembangunan pada
sektor kesehatan dapat diindikasikan dengan adanya peningkatan umur harapan hidup waktu
lahir. Meningkatnya umur harapan hidup waktu lahir memberikan gambaran tentang perbaikan
tingkat kesehatan dan tingkat sosial ekonomi masyarakat. Kepala Dinas Kesehatan (Dinkes)
Provinsi Sulawesi Selatan Rachmat Latief mengatakan usia harapan hidup masyarakat di Sulsel
meningkat. "Usia harapan hidup sebelumnya hanya 69,8 tahun, sekarang berdasarkan data tahun
2016 sudah mencapai 72,50 tahun," kata Rachmat pada Pemaparan Program Kerja Strategis
SKPD Lingkup Pemprov Sulsel.(Antarannews,16/02/17).

peneliti akan melakukan analisis statistika menggunakan data angka harapan hidup di
Sulawesi Selatan. Analisis yang dilakukan berdasarkan wilayahnya, salah satu analisis statistika
yang dapat digunakan yaitu analisis spasial. Metode spasial merupakan metode untuk
mendapatkan informasi pengamatan yang dipengaruhi efek ruang atau lokasi. Keterkaitan antar
wilayah tersebut disajikan dalam bentuk koordinat lokasi (logitude, latitude) atau pembobotan.
Keterkaitan antar wilayah satu dengan wilayah lainnya bisa diketahui dengan menggunakan
autokorelasi spasial.

Autokorelasi spasial merupakan teknik dalam analisis spasial untuk mengukur kemiripan
nilai atribut dalam suatu ruang (jarak, waktu dan area). Jika terdapat pola sistematik dalam nilai
atribut tersebut,maka terdapat autokorelasi spasial. Adanya autokorelasi spasial mengindikasikan
bahwa nilai atribut pada area tertentu terkait oleh nilai atribut tersebut pada area lain yang
letaknya saling berdekatan (bertetangga). Ketetanggaan tersebut diharapkan dapat mencerminkan
derajat ketergantungan area (spasial) yang tinggi apabila dibandingkan dengan area lain yang
letaknya terpisah jauh. Autokorelasi spasial diukur melalui dua indeks yaitu indeks moran global
dan indeks moran lokal. Indeks Moran Global membandingkan nilai atribut area dengan nilai
atribut area lainnya. Sementara, Local Indicator of Spatial Association (LISA) adalah indeks
lokal yang dipergunakan untuk mengevaluasi kecenderungan adanya pola secara lokal dengan
menunjukkan beberapa bentuk dari hubungan spasial. LISA juga berfungsi didalam menentukan
hotspot/coldspot pada data area diskret, selain itu jika ada pengelompokkan dari beberapa
hotspot/coldspot akan teridentifikasi sebagai gerombol local (local cluster). Selain itu, dibuat
juga Moran Scatterplot untuk membuat pemetaan daerah provinsi Sulawesi Selatan berdasarkan
data Angka Hapan hidup yang sudah distandarisasi.
 AUTOKORELASI SPASIAL

Autokorelasi Spasial adalah suatu korelasi sendiri (self-correlation) antara variabel

dengan dirinya sendiri atau dapat juga diartikan ukuran kemiripan dari objek dalam suatu ruang
(Anselin (1993), Griffith (2005)). Permulaan dari keacakan spasial mengindikasikan pola spasial
seperti clustered (berkelompok), dispersed (menyebar), atau random (acak). Autokorelasi spasial
positif mengindikasikan lokasi yang berdekatan mempunyai nilai yang mirip dan cenderung
berkelompok. Autokorelasi spasial negatif mengindikasikan lokasi yang berdekatan mempunyai
nilai yang berbeda dan cenderung menyebar. Dan tidak ada autokorelasi spasial mengindikasikan
pola lokasi acak (Lee dan Wong, 2001). Pengukuran Autokorelasi Spasial untuk data spasial area
dapat dihitung menggunakan metode Moran’s I (Indeks Moran), Geary’s c, dan Tango’s excess
(Preiffer, 2008). Di penelitian ini, pengukuran Autokorelasi Spasial yang digunakan yaitu
metode Moran’s I (Indeks Moran) didalam menentukan nilai Indeks Morannya, terlebih dahulu
ditentukan matriks pembobotnya.

Matriks Pembobot Spasial

Matriks pembobotan spasial 𝑊 yaitu matriks yang elemennya adalah nilai pembobotan yang
diberikan untuk perbandingan antar wilayah. Pembobotan tersebut didasarkan pada hubungan
spasial antar wilayah. Referensi (LeSage, 1999), menyatakan terdapat dua cara untuk
menentukan matriks pembobotan spasial 𝑊 yaitu phylogenetic distance dan taxonomic levels
yang diuraikan sebagai berikut.
a. Dengan phylogenetic distance yaitu Inverse Distance. Nilai pembobot spasial dalam hal
ini adalah
1
w ij =
dij
w ij menyatakan elemen pada matriks pembobotan spasial antara lokasi i dan j, d ij
menyatakan jarak antara lokasi i dan lokasi j sedangkan n menyatakan banyak lokasi
kejadian. Jarak antara lokasi i dan lokasi j adalah
d ij =√ (x i−x j)2 +( yi − y j )2
b. Dengan taxonomic levels yaitu Fixed Distance yaitu pembobotan dengan nilai 1, apabila
suatu daerah letaknya saling berdekatan (kelompok yang sama) dan nilai 0 utk selainnya.
Referensi (Gumpert, 2007) menyatakan bahwa terdapat 2 jenis fixed distance yaitu Rook
 contiguity matrix dan Queen contiguity matrix. Rook contiguity matrix adalah
pembobotan dengan nilai 1, apabila suatu daerah letaknya saling berdekatan di sebelah
kanan atau kiri dan atas atau bawah dengan daerah lain, Dan pembobotan dengan nilai 0,
apabila letaknya tidak berdekatan sebelah kanan atau kiri dan atas atau bawah dengan
daerah lain. Sedangkan Queen contiguity matrix merupakan pembobotan dengan nilai 1,
apabila suatu daerah letaknya saling berdekatan dengan daerah lain. Dan pembobotan
dengan nilai 0, apabila letaknya tidak berdekatan.
Matriks pembobot spasial antara daerah i dan j dinyatakan sebagai

W 11 W 12 ⋯ W 1n
W
W = 21
⋮
[W 22
⋮
W n1 W n2
⋯ W 2n
⋱ ⋮
⋯ W nn ]
Indeks Moran Global

Pengujian secara global melalui statistik Moran’s I merupakan pengujian adanya autokorelasi
dengan asumsi lokasi sama tetapi variabel berbeda dan berbasis kovarian. Menurut Lee dan
Wong (2001) statistic Moran’s I dapat diukur dengan rumus sebagai berikut.
n n

n
∑ ∑ w ij ( y i− ý ) ( y j− ý)
i j
I= n n
. n

∑ ∑ w ij ∑ ( y i− ý )2
i j i

Keterangan:
n = Banyaknya pengamatan (lokasi)
yi = Nilai pengamatan pada lokasi ke – i
yi = Nilai rata-rata dari n lokasi
W ij = Elemen matriks antara lokasi ke – i dan lokasi ke – j

Menurut (Gumpert (2007) dan Wen et al. (2010)), nilai yang dihasilkan dalam I adalah −1 < 𝐼 <
1. Nilai indeks Moran dapat digunakan untuk menentukan karakteristik dari pola spasial secara
umum yaitu bergerombol (clustered), random, dan menyebar (dispersed).
 −1
a. Jika nilai I > E ( I )= maka autokorelasi spasial positif dimana pola daerah sekitarnya
n−1
memiliki sifat yang sama satu sama lain atau clustered.
b. Jika nilai I < E(I ) maka autokorelasi spasial negatif dimana pola daerah disekitarnya
memiliki sifat yang berbeda satu sama lain atau dispersed.
−1
c. Jika nilai I sama dengan nilai E ( I )= yang menghampiri nol, maka tidak terdapat
n−1
autokorelasi spasial dimana polanya random (tidak menunjukkan pola yang sama maupun
berbeda).

Autokorelasi spasial bernilai positif berarti nilai-nilai yang tinggi berdekatan dengan nilai yang
tinggi atau nilai yang rendah berdekatan dengan nilai yang rendah. Autokorelasi spasial bernilai
negatif berarti nilai yang tinggi berdekatan dengan nilai yang rendah atau nilai rendah bedekatan
dengan nilai yang tinggi. Tidak terdapat autokorelasi spasial berarti bahwa kejadian tersebut
random atau acak.

Local Indicator of Spatial Association (LISA)

Autokorelasi spasial global dalam hal ini adalah indeks Moran tidak memberikan informasi pola
spasial pada wilayah tertentu. Oleh karena itu, diperlukan informasi kecenderungan adanya
hubungan spasial di setiap lokasi dengan LISA. Referensi (Anselin, 1995), mendefinisikan LISA
sebagai suatu statistik yang memenuhi dua kriteria berikut.

1) Nilai LISA setiap daerah dapat digunakan untuk memberikan petunjuk adanya
pengelompokan hubungan spasial yang signifikan dari nilai yang sama di sekitar daerah
tersebut.
2) Jumlah dari nilai LISA untuk seluruh wilayah sebanding dengan nilai indeks Moran.

LISA untuk setiap wilayah i ditulis sebagai:

Ii =zi ∑ wij zalignl¿ ij ¿ ¿ ¿

j
c ij
w ij=
∑ j c ij
z ij=( y i− ȳ )( y j − ȳ)
 Keterangan :
Zij = Nilai hasil stadarisasi dari peubah yang diamati pada lokasi ke-I dan lokasi lain
ke-j.
W ij = Ukuran pembobot antara wilayah ke-i dan wilayah ke-i dan wilayah ke-j.
Zi =Nilai hasil standarisasi dari peubah yang diamati pada lokasi ke-i.
yi = Nilai pengamatan pada lokasi ke-i.
yj = Nilai pengamatan pada lokasi lain ke-j.
ý = Nilai rataan dari variable pengamatan.
C ij = Nilai kolom ke-i dan ke-j.

Moran Scatterplot
Moran’s Scatterplot adalah salah satu cara untuk menginterpretasikan statistik Indeks Moran.
Moran’s Scatterplot merupakan alat untuk melihat hubungan antara (nilai pengamatan yang
sudah distandarisasi) dengan (nilai rata-rata daerah tetangga yang telah distandarisasi).
a. Kuadran I. Suatu daerah yang memiliki nilai tinggi dengan daerah-daerah disekitarnya yang
mempunyai nilai tinggi pula, termasuk dalam kuadran I yang terletak di bagian kanan atas.
Daerah yang termasuk dalam kuadran I merupakan daerah high-high (H-H).
b. Kuadran II. Suatu daerah dengan nilai yang rendah dikelilingi daerah-daerah yang mempunyai
nilai tinggi termasuk dalam kuadran II yang terletak di bagian kiri atas. Daerah yang termasuk
dalam kuadran II merupakan daerah low-high (L-H).
c. Kuadran III. Suatu daerah dengan nilai yang rendah dikelilingi daerah-daerah yang mempunyai
nilai rendah termasuk dalam kuadran III yang terletak di bagian kiri bawah. Daerah yang
termasuk dalam kuadran III merupakan daerah low-low (L-L).
d. Kuadran IV. Suatu daerah dengan nilai yang tinggi dikelilingi daerah-daerah yang mempunyai
nilai rendah termasuk dalam kuadran IV yang terletak di bagian kanan bawah. Daerah yang
termasuk dalam kuadran IV merupakan daerah high- low (H-L).

Moran scatterplot ditunjukkan pada berikut

Gambar 1. Moran Scatterplot
 KASUS SPASIAL

Pada penelitian ini, dilakukan analisis spasial pada data angka harapan hidup di Provinsi
Sulawesi Selatan tahun 2016. Berikut ini adalah data yang akan digunakan untuk analisis.

Tabel 1. Angka Harapan Hidup di Sulawesi Selatan Tahun 2016

Kabupaten Angka Harapan Hidup

BARRU 68.16
BONE 66.12
BULUKUMBA 66.84
ENREKANG 70.34
GOWA 69.92
JENEPONTO 65.57
LUWU TIMUR 69.71
LUWU UTARA 67.5
LUWU 69.52
MAKASSAR 71.49
MAROS 68.58
PALOPO 70.25
PANGKEP 65.77
PARE-PARE 70.64
PINRANG 68.55
SELAYAR 67.76
SIDRAP 68.69
SINJAI 66.54
SOPPENG 68.62
TAKALAR 66.29
TORAJA UTARA 72.87
TORAJA 72.48
WAJO 66.38
BANTAENG 69.84
Sumber data : Provinsi Sulawesi Selatan dalam Angka 2017

Berikut ini peta wilayah provinsi Sulawesi Selatan

 Gambar 2. Peta Provinsi Sulawesi Selatan

ANALISIS R
> setwd("D:/SPATIAL STATISTICS")
> library(rgdal)
> library(spdep)
> library(raster)
> library(gdata)
> library(gridExtra)
> library(classInt)
> library(lattice)
> library(RColorBrewer)
> library(sp)
> library(ape)
> data<-
c(68.16,66.12,66.84,70.34,69.92,65.57,69.71,67.5,69.52,71.49,68.58,7.25,65.77
,70.64,68.55,67.76,68.69,66.54,68.62,66.29,72.87,72.48,66.38,69.84)
> dataSulsel=readOGR(dsn="sulsel", layer="sul-sel")
OGR data source with driver: ESRI Shapefile
Source: "D:\SPATIAL STATISTICS\sulsel", layer: "sul-sel"
with 24 features
It has 4 fields
> k<-coordinates(dataSulsel)
> k
[,1] [,2]
0 119.6943 -4.441803
1 120.1293 -4.695400
2 120.2352 -5.431576
3 119.8720 -3.503724
4 119.7189 -5.309174
5 119.6986 -5.567493
6 121.1385 -2.550666
7 120.1609 -2.395264
8 120.2153 -3.333918
9 119.4660 -5.136616
10 119.7247 -5.000696
11 120.1479 -2.980485
12 119.6306 -4.790741
13 119.6616 -4.029351
14 119.5999 -3.622409
15 120.4963 -6.090579
16 119.9714 -3.807290
17 120.1349 -5.210239
18 119.8921 -4.339046
19 119.4921 -5.412292
20 119.8689 -2.888180
21 119.7124 -3.108512
22 120.1710 -4.006538
23 119.9869 -5.488190
(k merupakan nilai koordinat pada peta yang terdiri atas dua kolom, kolom pertama merupakan
nilai longitude sedangkan kolom kedua merupakan nilai latitude. k terdiri atas 24 baris karena
terdapat 24 kabupaten di Sulawesi Selatan )
> data.dist<-as.matrix(dist(cbind(k[,1],k[,2])))
> data.dist
0 1 2 3 4 5 6
7 8 9 10 11 12
0 0.0000000 0.5035321 1.1279500 0.9547767 0.8677201 1.1256975 2.3795606
2.0990681 1.2242903 0.7313342 0.5597242 1.5300996 0.3546966
1 0.5035321 0.0000000 0.7437594 1.2191222 0.7383321 0.9726507 2.3703341
2.3003536 1.3641971 0.7965844 0.5067895 1.7150156 0.5076991
2 1.1279500 0.7437594 0.0000000 1.9617604 0.5306297 0.5535803 3.0192112
3.0372213 2.0977532 0.8237816 0.6679919 2.4526471 0.8810292
3 0.9547767 1.2191222 1.9617604 0.0000000 1.8119344 2.0710465 1.5850274
1.1454826 0.3829590 1.6826092 1.5042000 0.5914866 1.3094673
4 0.8677201 0.7383321 0.5306297 1.8119344 0.0000000 0.2591164 3.1023782
2.9472460 2.0366784 0.3061162 0.3085337 2.3678709 0.5258958
5 1.1256975 0.9726507 0.5535803 2.0710465 0.2591164 0.0000000 3.3428616
3.2057442 2.2925667 0.4896164 0.5674012 2.6257326 0.7797194
6 2.3795606 2.3703341 3.0192112 1.5850274 3.1023782 3.3428616 0.0000000
0.9898913 1.2107205 3.0796680 2.8286731 1.0798914 2.7003281
7 2.0990681 2.3003536 3.0372213 1.1454826 2.9472460 3.2057442 0.9898913
0.0000000 0.9402279 2.8280487 2.6416863 0.5853666 2.4534745
8 1.2242903 1.3641971 2.0977532 0.3829590 2.0366784 2.2925667 1.2107205
0.9402279 0.0000000 1.9522050 1.7374624 0.3598081 1.5697762
9 0.7313342 0.7965844 0.8237816 1.6826092 0.3061162 0.4896164 3.0796680
2.8280487 1.9522050 0.0000000 0.2922493 2.2613674 0.3830286
10 0.5597242 0.5067895 0.6679919 1.5042000 0.3085337 0.5674012 2.8286731
2.6416863 1.7374624 0.2922493 0.0000000 2.0640419 0.2301006
11 1.5300996 1.7150156 2.4526471 0.5914866 2.3678709 2.6257326 1.0798914
0.5853666 0.3598081 2.2613674 2.0640419 0.0000000 1.8827061
12 0.3546966 0.5076991 0.8810292 1.3094673 0.5258958 0.7797194 2.7003281
2.4534745 1.5697762 0.3830286 0.2301006 1.8827061 0.0000000
13 0.4137422 0.8138336 1.5150063 0.5661839 1.2811035 1.5385852 2.0899263
1.7086667 0.8889275 1.1244039 0.9733952 1.1560965 0.7620209
14 0.8248064 1.1964590 1.9174631 0.2968708 1.6909543 1.9475830 1.8750815
1.3492927 0.6796363 1.5201145 1.3839283 0.8439787 1.1687344
15 1.8334891 1.4426418 0.7088303 2.6611060 1.1022349 0.9539117 3.5977049
3.7105017 2.7709442 1.4040730 1.3353188 3.1295489 1.5617167
16 0.6924112 0.9020255 1.6455634 0.3194249 1.5229696 1.7812268 1.7149948
1.4246822 0.5324924 1.4221580 1.2186334 0.8454187 1.0408373
17 0.8857942 0.5148701 0.2430163 1.7266370 0.4275884 0.5639053 2.8426498
2.8150960 1.8780445 0.6728711 0.4605438 2.2297923 0.6559455
18 0.2229522 0.4280519 1.1451334 0.8355630 0.9854742 1.2436014 2.1798699
1.9622782 1.0558046 0.9042476 0.6824892 1.3824218 0.5219386
19 0.9913270 0.9591447 0.7433850 1.9460240 0.2491558 0.2583197 3.3014734
3.0902763 2.2006120 0.2769019 0.4728161 2.5186797 0.6368023
20 1.5634133 1.8258737 2.5696331 0.6155521 2.4256404 2.6847246 1.3136817
0.5728968 0.5644828 2.2842503 2.1174314 0.2937944 1.9174322
21 1.3334142 1.6407330 2.3811691 0.4262413 2.2006712 2.4590190 1.5313640
0.8425550 0.5511122 2.0430104 1.8922242 0.4539055 1.6842154
22 0.6455587 0.6901254 1.4264838 0.5849827 1.3788682 1.6308833 1.7480428
1.6113055 0.6740763 1.3319385 1.0897207 1.0263138 0.9523727
23 1.0865421 0.8054682 0.2546570 1.9877881 0.3223185 0.2990576 3.1551932
3.0978157 2.1663430 0.6284268 0.5535148 2.5128637 0.7831960
13 14 15 16 17 18 19
20 21 22 23
0 0.4137422 0.8248064 1.8334891 0.6924112 0.8857942 0.2229522 0.9913270
1.5634133 1.3334142 0.6455587 1.0865421
1 0.8138336 1.1964590 1.4426418 0.9020255 0.5148701 0.4280519 0.9591447
1.8258737 1.6407330 0.6901254 0.8054682
2 1.5150063 1.9174631 0.7088303 1.6455634 0.2430163 1.1451334 0.7433850
2.5696331 2.3811691 1.4264838 0.2546570
3 0.5661839 0.2968708 2.6611060 0.3194249 1.7266370 0.8355630 1.9460240
0.6155521 0.4262413 0.5849827 1.9877881
4 1.2811035 1.6909543 1.1022349 1.5229696 0.4275884 0.9854742 0.2491558
2.4256404 2.2006712 1.3788682 0.3223185
5 1.5385852 1.9475830 0.9539117 1.7812268 0.5639053 1.2436014 0.2583197
2.6847246 2.4590190 1.6308833 0.2990576
6 2.0899263 1.8750815 3.5977049 1.7149948 2.8426498 2.1798699 3.3014734
1.3136817 1.5313640 1.7480428 3.1551932
7 1.7086667 1.3492927 3.7105017 1.4246822 2.8150960 1.9622782 3.0902763
0.5728968 0.8425550 1.6113055 3.0978157
8 0.8889275 0.6796363 2.7709442 0.5324924 1.8780445 1.0558046 2.2006120
0.5644828 0.5511122 0.6740763 2.1663430
9 1.1244039 1.5201145 1.4040730 1.4221580 0.6728711 0.9042476 0.2769019
2.2842503 2.0430104 1.3319385 0.6284268
10 0.9733952 1.3839283 1.3353188 1.2186334 0.4605438 0.6824892 0.4728161
2.1174314 1.8922242 1.0897207 0.5535148
11 1.1560965 0.8439787 3.1295489 0.8454187 2.2297923 1.3824218 2.5186797
0.2937944 0.4539055 1.0263138 2.5128637
12 0.7620209 1.1687344 1.5617167 1.0408373 0.6559455 0.5219386 0.6368023
1.9174322 1.6842154 0.9523727 0.7831960
13 0.0000000 0.4115907 2.2238068 0.3811857 1.2721914 0.3860632 1.3932944
1.1598533 0.9222377 0.5099087 1.4946687
14 0.4115907 0.0000000 2.6258898 0.4149713 1.6755210 0.7739155 1.7931293
0.7819617 0.5260582 0.6882526 1.9054922
15 2.2238068 2.6258898 0.0000000 2.3428316 0.9516345 1.8528001 1.2118137
3.2632658 3.0833747 2.1092710 0.7888670
16 0.3811857 0.4149713 2.3428316 0.0000000 1.4124366 0.5376380 1.6750590
0.9248077 0.7452503 0.2820090 1.6809705
17 1.2721914 1.6755210 0.9516345 1.4124366 0.0000000 0.9043819 0.6738088
2.3372375 2.1437702 1.2042441 0.3148740
18 0.3860632 0.7739155 1.8528001 0.5376380 0.9043819 0.0000000 1.1453813
1.4510511 1.2435902 0.4339824 1.1530477
19 1.3932944 1.7931293 1.2118137 1.6750590 0.6738088 1.1453813 0.0000000
2.5520928 2.3142902 1.5611228 0.5006369
20 1.1598533 0.7819617 3.2632658 0.9248077 2.3372375 1.4510511 2.5520928
0.0000000 0.2702909 1.1584338 2.6026852
21 0.9222377 0.5260582 3.0833747 0.7452503 2.1437702 1.2435902 2.3142902
0.2702909 0.0000000 1.0083580 2.3954608
22 0.5099087 0.6882526 2.1092710 0.2820090 1.2042441 0.4339824 1.5611228
1.1584338 1.0083580 0.0000000 1.4930442
23 1.4946687 1.9054922 0.7888670 1.6809705 0.3148740 1.1530477 0.5006369
2.6026852 2.3954608 1.4930442 0.0000000
> a<-mat2listw(data.dist,style = "B")
> a
Characteristics of weights list object:
Neighbour list object:
Number of regions: 24
Number of nonzero links: 552
Percentage nonzero weights: 95.83333
Average number of links: 23

Weights style: B
Weights constants summary:
n nn S0 S1 S2
B 24 576 759.2811 2840.613 101685.6
(data.dist merupakan matriks pembobot dengan jarak atau titik koordinat yang telah didapatkan,
matriks ini memiliki ukuran 24x24 dengan diagonal utamanya bernilai nol. sedangkan a
merupakan list dari matriks pembobotnya. List-list ini terdiri atas jumlah item data yaitu
sebanyak 24, jumlah item yang tidak nol pada matriks sebanyak 552 dan persentasenya sebesar
95,833%)
> Moran.I(data,data.dist)
$observed
[1] -0.1335944

$expected
[1] -0.04347826

$sd
[1] 0.02893168

$p.value
[1] 0.001840757
(nilai -0.1335944 merupakan nilai indeks global morannya, nilai I < E( I ) maka autokorelasi
spasial negatif dimana pola daerah disekitarnya memiliki sifat yang berbeda satu sama lain atau
dispersed dan nilai p.valuenya sebesar 0.001840757 lebih kecil daripada alpha yaitu 0.05 maka
nilai indeks moran ini signifikan)
> localmoran(data, a, zero.policy=NULL,na.action=na.fail,
alternative="two.side", p.adjust.method="none",
mlvar=TRUE,spChk=NULL,adjust.x =FALSE)
Ii E.Ii Var.Ii Z.Ii Pr(z < 0)
0 -0.781631170 -1.041387 7.942917 0.09216696 5.367173e-01
1 -7.634322930 -1.085113 8.396178 -2.26020640 1.190422e-02
2 -9.281730396 -1.410768 18.795425 -1.81552312 3.472178e-02
3 -5.518486665 -1.225489 11.990277 -1.23978404 1.075276e-01
4 5.539295777 -1.277801 19.615155 1.53923031 9.381260e-01
5 -16.074853788 -1.462894 22.904390 -3.05315688 1.132238e-03
6 -4.326646591 -2.306023 20.595737 -0.44524266 3.280722e-01
7 6.321646123 -2.059095 24.821420 1.68216697 9.537318e-01
8 -3.106543331 -1.353527 13.470656 -0.47763000 3.164568e-01
9 10.142683419 -1.271261 16.703462 2.79275285 9.973869e-01
10 -0.386772125 -1.134299 14.464220 0.19655275 5.779112e-01
11 -7.828743525 -1.561254 18.809502 -1.44512344 7.421161e-02
12 -8.763851524 -1.098397 11.457540 -2.26460368 1.176851e-02
13 -1.486010965 -1.086378 7.518034 -0.14575022 4.420593e-01
14 0.364720151 -1.230073 10.389667 0.49477031 6.896189e-01
15 -5.100111963 -2.028938 23.917366 -0.62798276 2.650076e-01
16 -0.008781075 -1.106956 8.564998 0.37523909 6.462587e-01
17 -9.896273355 -1.252472 16.013666 -2.16002807 1.538525e-02
18 -0.072761289 -1.018769 7.015185 0.35716996 6.395177e-01
19 -10.969311509 -1.411546 20.788904 -2.09623805 1.803054e-02
20 -23.243299114 -1.619586 20.021136 -4.83265630 6.736163e-07
21 -19.097620451 -1.482275 16.804453 -4.29713489 8.650996e-06
22 0.686848030 -1.097361 6.472642 0.70130169 7.584426e-01
23 5.813960289 -1.390562 21.242718 1.56314823 9.409911e-01
attr(,"call")
localmoran(x = data, listw = a, zero.policy = NULL, na.action = na.fail,
alternative = "two.side", p.adjust.method = "none",
mlvar = TRUE, spChk = NULL, adjust.x = FALSE)
attr(,"class")
[1] "localmoran" "matrix"
(Nilai indeks local moran selanjutnya dibandingkan dengan nilai ekspektasinya.. Data ke
0,4,7,9,10,14,16,22 dan 23 memiliki I > E ( I ) maka autokorelasi spasial positif dimana pola
daerah sekitarnya memiliki sifat yang sama satu sama lain atau clustered., sedangkan data ke
1,2,3,5,6,8,11,12,13,15,17,18,19 dan 20 memiliki nilai I < E( I ) maka autokorelasi spasial negatif
dimana pola daerah disekitarnya memiliki sifat yang berbeda satu sama lain atau dispersed..

Lalu selanjutnya input nilai Zscorenya lalu plotkan untuk membuat Moran Scatterplot)

> Zscore<-c(-0.002248377,-0.010627555,-0.007670198,0.006705842,0.004980718,-
0.012886647,0.004118155,-0.004959287,0.003337742,0.011429398,-
0.000523252,0.006336173,-0.012065159,0.007938074,-0.000646475,-0.003891353,-
7.14337E-05,-0.00890243,-0.000358955,-0.00992929,0.017097666,0.015495764,-
0.00955962,0.004652122)
> moran.plot(Zscore, a, labels=NULL)

(Gambar diatas merupakan Moran Scatterplot, dapat dilihat pada gambar plot data 20 dan 21
merupakan data pencilan. selanjutnya plot-plot diatas dibagi menjadi 4 kuadran. Yaitu kuadran I
HH (High-High), kuadran II HL (High-Low), kuadran III LL (Low-Low) dan kuadran IV LH
(Low-High). Pembagian kuadran dapat dilihat pada tabel dibawah ini.

Tabel 2. Pembagian kuadran berdasarkan Moran ScatterPlot

Kabupaten Zscore Kuadran

BARRU -0.002248377 LH
BONE -0.010627555 HL
BULUKUMBA -0.007670198 LL
ENREKANG 0.006705842 HL
GOWA 0.004980718 HH
JENEPONTO -0.012886647 HL
LUWU TIMUR 0.004118155 HL
LUWU UTARA -0.004959287 HL
LUWU 0.003337742 HL
MAKASSAR 0.011429398 HH
MAROS -0.000523252 HH
PALOPO 0.006336173 HL
PANGKEP -0.012065159 HL
PARE-PARE 0.007938074 LH
PINRANG -0.000646475 LH
SELAYAR -0.003891353 LL
SIDRAP -7.14337E-05 LH
SINJAI -0.00890243 LH
SOPPENG -0.000358955 LH
TAKALAR -0.00992929 LL
TORAJA UTARA 0.017097666 LH
TORAJA 0.015495764 LH
WAJO -0.00955962 LH
BANTAENG 0.004652122 LH

Berdasarkan tabel diatas, selanjutnya input data pembagian kuadran diatas kedalam file shp
menggunakan aplikasi ArcGIS sehingga sudah bisa dilakukan visualisasi kedalam peta
menggunakan software R. hasil visualisasinya adalah sebagai berikut. (sintaks R terlampir)
Gambar 3. Visualisasi Pemetaan Data Angka Harapan Hidup di Sulawesi Selatan
 Lampiran
> #VISUALISASI PETA
> data1<-read.csv("dataAHH.csv",sep=";")
> data1
BARRU..68.16
1 BONE,66.12
2 BULUKUMBA,66.84
3 ENREKANG,70.34
4 GOWA,69.92
5 JENEPONTO,65.57
6 LUWU TIMUR,69.71
7 LUWU UTARA,67.5
8 LUWU,69.52
9 MAKASSAR,71.49
10 MAROS,68.58
11 PALOPO,70.25
12 PANGKEP,65.77
13 PARE-PARE,70.64
14 PINRANG,68.55
15 SELAYAR,67.76
16 SIDRAP,68.69
17 SINJAI,66.54
18 SOPPENG,68.62
19 TAKALAR,66.29
20 TORAJA UTARA,72.87
21 TORAJA,72.48
22 WAJO,66.38
23 BANTAENG,69.84
> dataSulsel=readOGR(dsn="sulsel", layer="sul-sel")
OGR data source with driver: ESRI Shapefile
Source: "D:\SPATIAL STATISTICS\sulsel", layer: "sul-sel"
with 24 features
It has 4 fields
> plot(dataSulsel)
> View(dataSulsel)
> text(dataSulsel,"No", cex=0.5)
> display.brewer.all()
> my.palette<-brewer.pal(n=4, name="Paired")
> spplot(dataSulsel[,4], col.regions=my.palette, sub="y",
scales=list(draw=TRUE))
> text=list("sp.text", coordinates(dataSulsel), dataSulsel$No,cex=0.5)
> arrow=list("SpatialPolygonsRescale",layout.north.arrow(type =
1),offset=c(108.5227, -6.113123),scale=0.3)
> a<-
spplot(dataSulsel[,4],scales=list(draw=TRUE),col.regions=my.palette,main="SUl
awesi
Selatan",sp.layout=list(arrow,text),colorkey=list(space="right",height=0.4))
> args<-a$legend$right$args$key
> legendArgs<-list(fun=draw.colorkey,args=list(key=args),corner=c(1.50,0.25))
>
spplot(dataSulsel[,4],scales=list(draw=TRUE),col.regions=my.palette,main="Sul
awesi
Selatan",sp.layout=list(arrow,text),colorkey=FALSE,legend=list(inside=legendA
rgs))
 DAFTAR PUSTAKA
Badan Pusat Statistik Provinsi Sulawesi Selatan. (2017). Provinsi Sulawesi Selatan dalam Angka
2017. Makassar: Badan Pusat Statistik.
Saputro D.R.S. dkk. 2018. Proporsionalitas Autokorelasi Spasial dengan Indeks Global (Indeks
Moran) dan Indeks Lokal (Local Indicator of Spatial Association (LISA)). 2502:701-710.
Sistem Informasi Rujukan Statistik. 2018. Angka Harapan Hidup. Badan Pusat Statistik
Syaadah L. 2016. Spatial Autoregressive Model dan Matriks Pembobot Spasial Rook Contiguity
untuk Pemodelan Gini Ratio di Indonesia Tahun 2014.