MODUL PEMBELAJARAN

PRAKTIKUM ANALISIS DATA SPASIAL

(kodeMK)

2021 MODUL PERKULIAHAN

PRAKTIKUM
N

ANALISIS DATA SPASIAL

0,92

0,61

1,18 0,57
3,13

0,35
(Kode123) 0,37

0,21
0,37 0,28
0,50
0,69 0,44 0,67
0,42 0,40 2,97
0,30
0,49
0,60 1,05
1,15 0,39
LEGENDA: 0,39
Rendah 0,48
1,13
Sedang 1000 0 1000 2000 Kilometers

Tinggi

PROGRAM STUDI D-IV STATISTIKA

POLITEKNIK STATISTIKA STIS

Copyright © Politeknik Statistika STIS

13/01/2021
MODUL
PRAKTIKUM ANALISIS DATA SPASIAL
(kodeMK)

Disusun oleh:
Dr. Ernawati Pasaribu, S.Si., M.E.
Dr. Rindang Bangun Prasetyo, S.ST, M.Si.

Hak Cipta 2021 pada penulis.

Edisi Pertama,
Cetakan Pertama: 2021

Penerbit:
Politeknik Statistika STIS
Jl. Otto Iskandardinata No. 64C Jakarta Timur 13330
Telpon. (021) 8508812, 8191437,
Facs (021) 8197577

Hak cipta dilindungi Undang-Undang. Dilarang memperbanyak sebagian atau seluruh isi bahan
ajar ini dalam bentuk apa pun, baik secara elektronik maupun mekanik, termasuk mempotokopi,
merekap, atau menggunakan sistem penyimpanan lainnya, tanpa izin tertulis dari Penerbit.

UNDANG-UNDANG NOMOR 19 TAHUN 2002 TENTANG HAK CIPTA

1. Barang siapa dengan sengaja dan tanpa hak mengumukan atau memperbanyak suatu
ciptaan atau member izin untuk itu, dipidana dengan penjara paling lama 7 (tujuh) tahun
dan atau denda paling banyak Rp. 5.000.000.0000,00 (lima miliar rupiah)
2. Barang siapa dengan sengaja menyiarkan, memamerkan, mengedarkan atau menjual
kepada umum suatu ciptaan atau barang hasil pelanggaran Hak Cipta atau Hak Terkait
sebagaimana dimaksud pada ayat (1), dipidana dengan pidana penjara paling lama 5
(lima) tahun dan atau denda paling banyak Rp. 5.000.000.000,00 (lima miliar rupiah)

i
 KATA PENGANTAR

Puji syukur kami panjatkan ke hadirat Tuhan Yang Maha Esa karena dengan rahmat,
karunia, serta taufik dan hidayah-Nya kami dapat menyelesaikan modul Praktikum
Analisis Data Spasial ini dengan baik meskipun banyak kekurangan di dalamnya. Kami
juga mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang
telah membantu penyusunan modul ini.

Kami sangat berharap modul ini dapat berguna dalam mengantarkan mahasiswa
Program D-IV Statistika Politeknik Statistika STIS dalam memahami dan menerapkan
mata kuliah Analisis Data Spasial. Kami juga menyadari sepenuhnya bahwa modul ini
terdapat kekurangan dan jauh dari kata sempurna. Oleh sebab itu, kami berharap
adanya kritik, saran dan usulan demi perbaikan modul yang telah kami buat di masa
yang akan datang, mengingat tidak ada sesuatu yang sempurna tanpa saran yang
membangun.

Akhir kata, semoga modul ini dapat bermanfaat dan dipahami bagi siapapun yang
membacanya. Tak lupa kami mohon maaf apabila terdapat kesalahan kata-kata yang
kurang berkenan dan kami memohon kritik dan saran yang membangun dari pembaca
demi perbaikan modul ini di waktu yang akan datang. Terima kasih.

Jakarta, Januari 2021

Tim Penulis

iii
 DAFTAR ISI

KATA PENGANTAR .............……………...........…………......………………...…...... iii

DAFTAR ISI …………………………………………………………………..……………………… v
MODUL 1. PENGENALAN SOFTWARE GEODA ............................................... 1
1.1. Deskripsi Singkat ...................................................................... 1
1.2. Tujuan Praktikum ..................................................................... 1
1.3. Material Praktikum .................................................................. 1
1.4. Kegiatan Praktikum .................................................................. 1
1.5. Penugasan ................................................................................ 4
MODUL 2. PENGENALAN SOFTWARE GWR4 ................................................. -
2.1 Deskripsi Singkat ....................................................................... -
2.2 Tujuan Praktikum ...................................................................... -
2.3 Material Praktikum .................................................................. -
2.4 Kegiatan Praktikum .................................................................. -
2.5 Penugasan ................................................................................ -
MODUL 3. PENGECEKAN KORELASI/ HETEROGENITAS SPASIAL ................... 5
3.1 Deskripsi Singkat ....................................................................... 5
3.2 Tujuan Praktikum ...................................................................... 5
3.3 Material Praktikum .................................................................. 6
3.4 Kegiatan Praktikum .................................................................. 6
3.5 Penugasan ................................................................................ 11

.
.
.

MODUL 14. PEMODELAN SPASIO TEMPORAL ............................................... -

14.1 Deskripsi Singkat ....................................................................... -
14.2 Tujuan Praktikum ...................................................................... -
14.3 Material Praktikum .................................................................. -
14.4 Kegiatan Praktikum .................................................................. -
14.5 Penugasan ................................................................................ -

DAFTAR PUSTAKA .......................................................................................... 12

v
MODUL
PENGENALAN SOFTWARE GEODA

1.1 Deskripsi Singkat

GeoDa merupakan software tidak berbayar (freeware) yang dapat digunakan
untuk melakukan analisis spasial, visualisasi geografis (geovisualizations), autokorelasi
spasial, dan pemodelan regresi spasial. GeoDa merupakan versi open source dari
Legacy GeoDa. Keunggulan dari Geoda yakni dapat dapat berjalan pada berbagai
platform system operasi yaitu Linux, Windows dan Mac OS. Geoda juga sangat baik
untuk berbagai analisa spasial, exploratory multivariate analysis, dan regresi
sederhana.
1.2 Tujuan Praktikum
Tujuan pembelajaran pada modul 1 ini adalah memberikan pengetahuan tentang
software GeoDa serta menyiapkan perangkat komputer atau laptop agar dapat
digunakan untuk analisis data spasial. Mahasiswa diharapkan dapat melakukan
instalasi dan menerapkan menu (fasilitas-fasilitas) dasar yang ada pada GeoDa.

1.3 Material Praktikum

Pada kegiatan modul 1 diperlukan beberapa material berupa file, yaitu:
1) File instalasi GeoDa-1.18.0.0-Windows-64bit.exe atau GeoDa-1.18.0.0-Windows-
32bit.exe.
2) Satu set file shapefile peta Provinsi Jawa Timur menurut kabupaten/kota
(35jatimdatagabung.shp dkk).
TIPS GeoDa bisa didapatkan di http://geodacenter.github.io/download.html

1.4 Kegiatan Praktikum

Kegiatan praktikum pada modul 1 dimulai dari instalasi software dan membuka
file shapefile.
A. Instalasi Geoda
Setelah file instaler didownload, selanjutnya proses instalasi pada perangkat
keras dapat mengikuti langka-langkah berikut ini:

Tampilan Windows Langkah

1. Klik ganda pada file installer Geoda
sesuai platform windows yang
digunakan, apakah 32-bit atau 64 bit.

1
Tampilan Windows Langkah
2. Muncul dialog-dialog
informasi installasi Geoda,
tekan tombol Next untuk
melanjutkan.

3. Klik Browse dan pilih

direktori instalasi jika ingin
mengubah direktori, jika
tidak ingin mengubah
lansung klik Next.

4. Proses installasi sedang

berjalan yang ditunjukkan
dengan progress bar.

5. Proses install selesai,

tekan tombol Finish.

2
B. Membuka Peta Shapefile
Untuk memastikan program GeoDa sudah terinstal dengan baik kita coba dengan
membuka peta shapefile, dengan cara buka aplikasi GeoDa dengan double click pada
file exe atau shortcutnya, langkah selanjutnya adalah:

Tampilan Windows Langkah

1. Tampilan window utama

Geoda yaitu window
Connect to Data Source.
Untuk membuka peta
(shapefile) isikan Input
file dengan klik icon
folder pada samping
kanan Input file,
kemudian pilih ESRI
Shapefile (*.shp).

2. Muncul dialog Choose a

spatial file to open. Pilih
direktori penyimpanan
dan shapefile dari
tahapan sebelumnya,
yaitu
35jatimdatagabung.shp,
kemudian klik Open.

3. File akan terbuka pada

jendela Map.

3
1.5 Penugasan
1. Buka shapefile peta Indonesia menurut provinsi, kemudian buat peta tematik
dengan 5 kategori menggunakan metode natural breaks dan equal intervals untuk
salah satu variabel yang ada pada peta, bandingkan hasilnya!
2. Buat grafik histogram dan box plot untuk salah satu variabel yang ada, melalui
menu Explore!

4
MODUL
PENGECEKAN KORELASI/ HETEROGENITAS SPASIAL

3.1 Deskripsi Singkat

Pengecekan korelasi/ heterogenitas spasial dilakukan untuk menguji adanya

pengaruh spasial (hubungan antar wilayah) di dalam variabel respon yang sedang
diteliti. Hal ini merupakan prasyarat untuk dapat melakukan pemodelan regresi
spasial. Jika terdapat pengaruh spasial, maka penggunaan model regresi linier biasa
tidak cukup baik untuk menjelaskan fenomena yang terjadi pada variabel tersebut.
Proses pengecekan korelasi/ heterogenitas spasial dilakukan dengan alur sesuai
gambar berikut:

Dengan menggunakan file peta (shapefile) yang diperoleh dari tahapan sebelumnya,
pengecekan korelasi/heterogenitas spasial dilakukan dengan terlebih dahulu
menentukan matriks penimbang spasial (Spatial Weight Matrix) yang akan digunakan.
Pengujian terhadap adanya pengaruh spasial sangat dipengaruhi oleh penentuan
matriks penimbang ini. Oleh karena itu proses yang pertama kali harus dilakukan
adalah menentukan matriks penimbang yang tepat. Pembuatan matriks serta
pengujian adanya pengaruh spasial dalam contoh ini dilakukan dengan menggunakan
perangkat lunak Geoda. Indeks Global Moran’s I dari variabel respon dan juga diagnosa
dari residual model regresi yang sudah tersedia dalam Geoda dapat dimanfaatkan
untuk keperluan pengecekan adanya pengaruh spasial pada variabel yang sedang
diteliti.

5
3.2 Tujuan Praktikum
Modul ketiga ini bertujuan untuk memberikan latihan pengecekan efek spasial
baik korelasi spasial maupun heterogenitas spasial. Mahasiswa diharapkan
mempunyai kompetensi dalam pendeteksian ada atau tidaknya efek spasial pada
data yang sedang diamati.

3.3 Material Praktikum

Pada kegiatan modul 1 diperlukan beberapa material berupa file, yaitu:
1) Satu set file shapefile peta Provinsi Jawa Timur menurut kabupaten/kota
(35jatimdatagabung.shp dkk).
2) Satu set file shapefile peta Indonesia menurut provinsi (indonesia.shp dkk).
3) File excel data kemiskinan Indonesia menurut provinsi (kemiskinan.xlsx).

3.4 Kegiatan Praktikum

Berikut ini langkah-langkah yang perlu dilakukan untuk melakukan pengecekan
korelasi/ heterogenitas spasial menggunakan perangkat lunak Geoda:

A. Membuat file matriks penimbang spasial (spatial weight matrix)

Tampilan Windows Langkah

1. Klik Tools → Weights
Manager atau klik
shortcutnya pada huruf W
besar. Kemudian muncul
window Weights Manager,
klik Create untuk membuat
baru atau Load untuk
memanggil yang sudah ada.
2. Muncul window Weights File
Creation, pada isian Select ID
Variable pilih nama variabel
identitas kabupaten/kota
yakni “KODE_KAB”. Pilih
Category Wieght misalkan
dengan Rook Category pada
tab Continguity Weight.
Selanjutnya klik Create.

6
 TIPS Untuk Pilihan Weight, Geoda menyediakan beberapa jenis penimbang
(Queen Contiguity, Rook Contiguity, Threshold Distance, k-Nearest
Neighbors). Pemilihan jenis penimbang ditentukan bisa berdasarkan
teori dan/ atau pertimbangan peneliti.

Tampilan Windows Langkah

3. Muncul dialog
penyimpanan file
penimbang. Pilih direktori
penyimpanan dan isi
nama file misalnya
dengan nama:
35jatimdatagabung.gal
selanjutnya Klik Save

4. Geoda akan melakukan

proses pembuatan
matriks penimbang

B. Menghitung Indeks Global Moran’s I

Statistik Global Moran’s I mengukur besarnya korelasi antara satu wilayah dengan
wilayah tetangganya berdasarkan matriks penimbang spasial yang telah ditentukan
pada proses sebelumnya.

Tampilan Windows Langkah

1. Klik Space → Univariate Moran’s I

2. Muncul dialog Variable Setting. Klik

nama variabel yang akan dihitung
indeks Global Moran’s I nya. Dalam
contoh ini variabel yang dipilih adalah
variabel BBLR (persentase bayi dengan
berat bayi lahir rendah). Kemudian klik
tombol OK untuk memulai proses
penghitungan indeks.

7
 Tampilan Windows Langkah
3. Geoda akan menghitung nilai indeks
Global Moran’s I dan menampilkannya
dalam bentuk grafik di sebelah kiri.
Untuk menampilkan uji signifikansi dari
nilai indeks tersebut klik kanan pada
area sekitar grafik kemudian klik
“Display Statistics”.

4. Khusus Geoda versi 1.4.6, Geoda akan

menampilkan hasil uji signifikansi di
bagian bawah grafik.
Perhatikan nilai “p-value b”. Mialkan
nilai yang tercantum menunjukkan
besarnya level signifikan dari indeks
Global Moran’s I yang dihasilkan. Pada
contoh ini nilai indeks Global Moran’s I
sebesar 0,251 dan memiliki level
signifikan sebesar 0,0245 atau
signifikan pada taraf 5%. Hal ini
menunjukkan bukti adanya pengaruh
spasial dalam variabel Y.

C. Mengestimasi Model Regresi Clasik

Univariate Moran’s I hanya dapat mendeteksi adanya pengaruh efek spasial pada
satu variabel bukan pada suatu model regresi. Pendeteksian efek spasial pada model
regresi dilakukan dengan melakukan model regresi yang diberikan penimbang
(pembobot) spasial melalui menu Methods → Regression. Langkah awalnya yaitu
melakukan regresi linier global terlebih dahulu.
Sebelumnya akan disampaikan definisi operasional dari setiap variabel yang digunakan
dalam model pada data contoh.
Variabel respon: AKI = Angka Kematian Ibu
Variabel bebas: AHH = Angka Harapan Hidup
PERSALINAN = Persentase penolong persalinan dokter/ bidan
FE13 = Persentase pemberian zat besi (FE)

8
 RLS = Rata-rata Lama Sekolah
Kemudian lakukan langkah-langkah sebagai berikut:
Tampilan Windows Langkah
1. Klik menu Methods → Regression

2. Muncul window Regression.

Masukkan variabel respon (AKI)
ke dalam kotak isian Dependent
Variable, dan variabel-variabel
bebas (AHH, PERSALINAN, FE13,
RLS) ke dalam kotak isian
Covariates. Selanjutnya beri tanda
cek pada kotak pilihan “Weights
File” dan pastikan nama file sudah
sesuai dengan nama file
penimbang spasial yang
digunakan. Jika belum, klik tombol
untuk memilih file penimbang
yang sesuai. Pada grup Models
kita dapat memilih salah satu dari
tiga model regresi (Classic, Spatial
Lag, atau Spatial Error). Pada
tahap awal ini pilih Classic. Klik
tombol “Run” untuk memulai
proses estimasi model regresi.
3. Muncul jendela yang
menampilkan output estimasi
model regresi dan diagnosa
terhadap residual model regresi
yang dihasilkan

D. Melakukan Diagnosa Residual Model Regresi

Berikut ini adalah contoh output hasil proses estimasi Geoda. Beberapa hal yang
perlu diperhatikan dalam membaca output terutama terkait diagnosa residual adalah
sebagai berikut:

9
SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION

Data set : 35jatimdatagabung

Dependent Variable : AKI Number of Observations: 38
Mean dependent var : 99.8947 Number of Variables : 5
S.D. dependent var : 42.2659 Degrees of Freedom : 33

R-squared : 0.328977 F-statistic : 4.04466 1

Adjusted R-squared : 0.247641 Prob(F-statistic) : 0.00889711
Sum squared residual: 45551.4 Log likelihood : -188.611
Sigma-square : 1380.35 Akaike info criterion : 387.222
S.E. of regression : 37.153 Schwarz criterion : 395.41
Sigma-square ML : 1198.72
S.E of regression ML: 34.6226

-----------------------------------------------------------------------
Variable Coefficient Std.Error t-Statistic Probability
-----------------------------------------------------------------------
CONSTANT 1423.364 349.5325 4.072194 0.0002740
AHH -11.17795 4.392218 -2.544945 0.0157895
PERSALINAN -5.129694 2.201771 -2.329804 0.0260816
FE13 -1.060372 1.549327 -0.684408 0.4984964
RLS 7.206579 5.692519 1.265974 0.2143871
-----------------------------------------------------------------------

REGRESSION DIAGNOSTICS
MULTICOLLINEARITY CONDITION NUMBER 167.740180
TEST ON NORMALITY OF ERRORS
TEST DF VALUE PROB
Jarque-Bera 2 19.03234 0.0000737

DIAGNOSTICS FOR HETEROSKEDASTICITY 2

RANDOM COEFFICIENTS
TEST DF VALUE PROB
Breusch-Pagan test 4 10.8681 0.0280871
Koenker-Bassett test 4 5.190093 0.2683430
SPECIFICATION ROBUST TEST
TEST DF VALUE PROB
White 14 11.27334 0.6644419

DIAGNOSTICS FOR SPATIAL DEPENDENCE 3

FOR WEIGHT MATRIX : 35jatimdatagabung.gal
(row-standardized weights)
TEST MI/DF VALUE PROB
Moran's I (error) -0.305698 -2.0068187 0.0447688
Lagrange Multiplier (lag) 1 1.4598835 0.2269487
Robust LM (lag) 1 2.9450917 0.0861388
Lagrange Multiplier (error) 1 4.9633259 0.0258904
Robust LM (error) 1 6.4485340 0.0111044
Lagrange Multiplier (SARMA) 2 7.9084176 0.0191738
========================= END OF REPORT ==============================

1. Berdasarkan hasil regresi clasik, Nilai R-squared yang diperoleh yaitu 0,329
dan nilai AIC sebesar 387,22. Dua variabel bebas (AHH dan PERSALINAN)
yang memberikan pengaruh nyata terhadap variabel respon pada tingkat
kepercayaan 95%. Pada akhirnya model yang dihasilkan yaitu:
AKI i = 1423, 4 − 11, 2 AHH i − 5,13PERSALINANi − 1, 06 FE13i + 7, 21RLSi

10
 2. Adanya pengaruh spasial dalam variabel yang diteliti dapat diamati dari
output dibawah judul “Diagnostic for heteroskedasticity” yang menguji
permasalahan heteroskedastisitas (varians residual yang tidak konstan dan
diduga terkait dengan heterogenitas spasial). Nilai PROB Breusch–Pagan test
di bawah 0,05 menunjukkan adanya pengaruh heterogenitas spasial dalam
model.
3. Hasil Diagnostic for spatial dependence digunakan untuk mengetahui
permasalahan korelasi spasial. Nilai PROB 0,05 untuk Uji Lagrange Multiplier
(error) dan Robust LM (error) menunjukkan bukti yang signifikan bahwa
terdapat pengaruh korelasi spasial dalam error model yang diteliti.

Berdasarkan hasil diagnosa residual model regresi diketahui bahwa terdapat efek
korelasi spasial (error). Oleh karena itu penyelesaian yang akan dilakukan yaitu
memodelkan dengan Spatial Error Model (SEM) untuk menangani efek korelasi spasial.
Untuk pengolahan model SEM akan digunakan software Geoda.

3.5 Penugasan
1. Dengan menggunakan peta Indonesia per provinsi buat matriks penimbang
spasial dengan fasilitas Weights Manager gunakan contiguity weight dan
distance weight, amati perbedaannya.
2. Hitung indeks Moran’s I untuk variabel Y (kemiskinan) dan lakukan pengecekan
efek spasial untuk model faktor-faktor yang mempengaruhi kemiskinan!

11
12
 DAFTAR PUSTAKA

Anselin Luc, 2005, Exploring Spatial Data with GeoDaTM: A Workbook, Spatial Analysis
Laboratory Department of Geography University of Illinois, Urbana.

BPS, 2013, Panduan Pengolahan Data dengan Metode Geographically Weighted

Regression (GWR), Badan Pusat Statistik RI, Jakarta.

Chen Daoyi, Shams Shahriar, Moreno C.C., Leone Andrea, 2010, Assessment of
opensource GIS software for water resources management in developing
countries, Journal of Hydro-environment, Research 4 (2010) 253-264.

Fotheringham, A.S., Brunsdon, C., & Charlton, M. (2002), Geographically Weighted

Regression, Jhon Wiley & Sons, Chichester, UK.

Nakaya Tomoki, 2012, GWR4 User Manual, GWR4 Development Team.

13