Proposal tugas akhir

IDENTIFIKASI AUTOKORELASI SPASIAL PADA PENYEBARAN COVID-19

DI INDONESIA MENGGUNAKAN INDEKS MORAN DAN
LOCAL INDICATOR OF SPATIAL ASSOCIATION (LISA)

LINDA YANA SARAGIH

170803067

DEPARTEMEN MATEMETIKA
FAKULTAS MAEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2021
A. Rencana Judul
Identifikasi autokorelasi spasial penyebaran Covid-19 di Indonesia menggunakan Indeks
Moran daan LISA (local indicator of spatial associaton) berdasarkan data tahun 2020

B. Bidang Ilmu
Matematika-Statistika

C. Latar belakang
Analisis spasial merupakan analisis data dalam penelitian yang mempertimbangkan
lokasi atau jarak antar objek (Xu dan Eugene,2015). Seperti dikatakan oleh Waldo
Tobler dalam Anselin “ segala sesuatu saling berhubungan satu dengan yang lainya,
tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh”. Pada
data spasial, seringkali sampel yang diambil dari lokasi terdekat terkait satu sama lain.
keterkaitan antar lokasi inilah yang disebut autokorelasi spasial.

Autokorelasi spasial merupakan salah satu analisis spasial untuk mengetahui pola
hubungan atau korelasi antar lokasi terhadap lokasi yang sedang diamati. Indikator
autokorelasi spasial dapat dibagi menjadi dua kategori yaitu indeks global dan indeks
lokal(6). Indeks Moran, Rasio Geary’s digunakan untuk menghitung autokorelasi spasial
secara global sedangkan LISA untuk menghitung autokorelasi spasial secara lokal.

Indeks Moran adalah ukuran autokorelasi spasial yang dikembangkan oleh Patrick Alfred
Pierrce Moran pada tahun 1950. Metode ini digunakan untuk melakukan uji depedensi
spasial atau autokorelasi antar lokasi pengamatan.terdapat 3 bentuk pola spasial yang
diamati yakni pemusatan (clustering), acak (random), dan terpisah (uniform).

Indeks Moran cenderung megabaikan pola lokal hubungan spasial dengan kata lain tidak
memberikan informasi pola spasial pada wilayah tertentu. Oleh karena itu, diperlukan
kecenderungan adanya hubungan spasial di setiap lokasi dengan LISA. (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.
 World Health Organization (who) menjelaskan bahwa covid-19 adalah penyakit menular
yang disebabkan oleh virus korona baru yang di temukan. Virus ini pertama kali muncul
di Wuhan. Kebanyakan orang yang terinfeki virus Covid-19 akan mengalami penyakit
pernafasan ringan hingga sedang. virus ini menyebar dari orang ke orang melalui tetesan
kecil dari hidung atau mulut yang menyebar ketika seseorang batuk atau
menghembuskan nafas. Tetesan ini kemudian jatuh ke benda yang disentuh oleh orang
lain.

Menurut data dari satuan tugas penangan Covid-19 jumlah kasus yang terjangkit Covid-
19 di indonesia pada 31 desember 2020 mencapai 1.078.314 jiwa, dengan rata rata
pertahambahan 5.958 kasus per minggunya. Melihat meningkatnya jumlah penderita
covid-19 setiap harinya maka WHO memutuskan covid-19 sebagai pandemi (wabah
yang berjangkit serempak dimana mana-mana). Sehingga di perlukannya analisis yang
dapat digunakan untuk melihat pola penyebaran virus covid-19 secara spasial di
Indonesia

Pada penelitian ini akan dilakukan analisis spasial dengan menggunakan matriks
contiguity yang menggambarkan hubungan antar lokasi. Matriks contiguty yang
digunakan yaitu tipe Queen Contiguity. Alasan dipilih matriks pembobot tipe Queen
Contiguity adalah karena provinsi-provinsi di wilayah indonesia saling bersinggungan
sisi dan titik sudut. Sehingga matriks pembobot tipe Queen Contiguity dinilai cocok
dengan keadaan tersebut untuk melihat autokorelasi spasial menggunakan metode Indeks
Moran dan LISA pada penyebaran Covid-19 di indonesia dengan memperhatikan lokasi
(provinsi) pada tahun 2020.

D. Rumusan Masalah
Bagaimna hubungan lokasi(autokorelasi spasial) penyebaran Covid-19 di Indonesia
dengan menggunakan Indeks Moran dan LISA.

E. Batasan Masalah
Batasan msalah dalam penalitian ini adalah :
1. Penyebaran Covid-19 dengan di indonesia tahun 2020 dengan menggunakan matriks
pembobot tipe Queen contuiguty
2. Autokorelasi spasial dengan statistik pengukuran indeks moran dan LISA
F. Tujuan penelitian
a. Mengetahui pola penyebaran Covid-19 di Indonesia tahun 2020 dengan
menggunakan matriks pembobot tipe queen contiguity
b. Mengidentifikasi autokorelasi spasial dengan statiatiik pengukuran indeks moran dan
Lisa pada virus Covid-19 di Indonesia.

G. Manfaat Penelitian
1. Memberikan informasi tentang bagaimana pola penyebaran Covid-19 di Indonesia
2. Sebgai referensi untuk pihak tertentu dalam menindaklanjuti penyakit ovid-19 dilihat
dari pola penyebarannya

H. Tinjauan Pusataka
Statistika spasial adalah metode statistika yang digunakan untuk menganalisis data
spasial. Metode spasial merupakan metode untuk mendapatkan informasi pengamatan
yang dipengaruhi efek ruang atau lokasi. Metode ini telah digunakan dalam berbagai
bidang antara lain sosial, ekonomi, alam dan lingkungan, kesehatan, meteorologi, serta
klimatologi. Data spasial adalah data yang memuat informasi lokasi atau geografis dari
suatu wilayah. “Data spasial adalah data yang memuat informasi “lokasi”, jadi tidak
hanya “apa” yang diukur tetapi menunjukkan lokasi dimana data itu berada” (Banerjee,
2004).

Data spasial adalah data yang memuat adanya informasi lokasi lokasi atau geografis
suatu wilayah,jadi tidak hanya memuat apa yang diukur. Data spasial terdiri atas
observasi beberapa fenomena yang memiliki kecendrungan spasial (Fotheringham, A.S
et al,200) Sebagian besar pendekatan analisisnya merupakan eksplorasi data yang
disajikan dalam bentuk peta tematik.
Peta tematik disebut juga peta statistik, menghasilkan gambaran penggunaan ruangan
pada tempat tertentu sesuai dengan tema yang diinginkan. Lokasi pada data spasial
dihitung agar dapat mengetahui hubungan spasial yang terjadi.
Autotokorelasi spasial merupakan ukuran kemiripan objek di dalam suatu ruang yang
saling berhubungan. Pada kasus spasial, penggunaan istilah asosiasi mengacu pada data
berbasis area dan memiliki hubungan yang bersifat kedekatan daerah.autokorelasi
berbasis pada data area(lokasi) ada yang bersifat positif dan negatif. Otokorelasi spasial
bersifat positif jika dalam suatu daerah yang saling berdekatan mempunyai nilai yang
mirip dan bersifat menggerombol. Sebaliknya, autokorelasi spasial bersifat negatif jika
dalam suatu daerah yang berdekatan nilainya berbeda dan tidak mirip (Silk 1979).
Adanya autokorelasi spasial mengindikasikan bahwa nilai atribut pada daerah tertentu
terkait oleh nilai atribut pada daerah lain yang letaknya berdekatan (bertetangga).
Autokorelasi spasial digunakan untuk menganalisis pola spasial dari penyebaran titik-
titik dengan membedakan lokasi dan atributnya. Permulaan dari keacakan spasial
mengindikasikan pola spasial seperti clustered (berkelompok), dispersed (menyebar),
dan random (acak) (Lee and wong,2001)

Kosfled(2006) menyakakan Karakteristik dari autokorelasi spasial adalah sebagai

berikut. Pertama, jika terdapat pola sistematis pada distribusi spasial dari variabel yang
diamati, maka terdapat autokorelasi spasial. Kedua, jka variabel daerah terdekat
(neighbouring regions) memliki kemiripan karakteristik, maka terdapat aotokorelasi
spasial positif. Ketiga, jka variabel daerah terdekat (neighbouring regions) tidak memliki
kemiripan karakteristik, maka terdapat aotokorelasi spasial negatif. Dan keempat, pola
random/acak menunjukkan bahwa tidak ada aotokorelasi spasial.

Pengukuran autokorelasi spasial untuk data area dapat dihitung menggunakan metode
Indeks Moran, Rasio Geary’s, dan LISA. Pada penelitian ini akan dibatasi pada metode
Indeks Moran dan LISA.

Indeks Moran merupakan metode paling sering digunakan untuk mengukur autokorelasi
spasial global dan mengkuantifikasi kesamaan dari variabel hasil antar wilayah(area)
yang diidentifikasikan sebagai spasial terkait. Hal tersebut dapat diterapkan untuk
mendeteksi permulaan dari keacakan spasial. Permulaan dari keacakan spasial
mengidentifikasikan pola spasial seperti berkelompok atau membentuk tren terhadap
ruang (Pfeiffer dkk,2008).
Perhitungan autokorelasi spasial menggunakan Indeks Moran dapat diukur dengan
menggunakan persamaan sebagai berikut :

∑ ∑ ( ̅ )( ̅)
( )
∑ ( ̅)
Dengan :
: nilai dari variabel pada lokasi ke-i
: nilai dari variabel pada lokasi ke-j
̅ : rata rata dari variabel
: elemen dari matriks pembobot
: pemjumlan dari elemen matriks pembobot; ∑ ∑

Nilai yang dihhasilkan dalam perhitungan Indeks Moran berkisar antara -1 sampai 1.
Nilai indeks moran bernilai nol mengidentifikasikan tidak berkelompok (tidak terdapat
autokorelasi). Nilai indeks moran yang positif mengindikasikan autokoreelasi spasial
yang positif yang berarti lokasi yangberdekatan mempunyai nilai yang mirip dan
cenderung berkelompok, dan nilai indeks moran yang negatif mengidentifikasikan
autikorelasi spasial negatif yang berarti lokasi yang berdekatan mempunyai nilai yang
berbeda (Pfeiffer dkk,2008)

Uji signifikansi Indeks Moran dilakuan untuk meliahat adanya autokorelasi spasial atau
tidak dengan langkah langkah sebagai berikut :
i. Hipotesis
H0 : I = 0
H1 : I
ii. Tingkat signifikansi ( )
iii. Statistik uji
( )
( ) ( )
√ ( )
Dengan,
( )

( ) ( )
( ) ( )
( )( )
 Dengan,
∑ ∑ (4)

∑ ∑ ( ) (5)

∑ (∑ ∑ ) (6)

iv. Kriteria uji:

Tolak pada taraf signifikasi jika | | > Z( )

v. kesimpulan
Jika nilai berarti terjadi autokorelasi positif saat bernilai positif
menunjukkan pola mengelompok. Sebaliknya terdapat autokorelasi negatif saat
bernilai negatif yang menunjukkan bahwa pola cenderung menyebar. Jika
maka tidak terdapat autokorelasi atau memiliki pola menyebar tidak merata

Pengujian autokorelasi spasial secara lokal biasa disebut dengan LISA dinotasikan
sebagai . Analisis autokorelasi spasial secara global bertujuan meringkas kekuatan
dependensi spasial dengan statistik, informasi rinci tentang pengelompokan spasial dapat
diperoleh dari LISA (Anselin, 1995). LISA digunakan untuk dua tujuan yaitu mencari
indikator dari cluster spasial lokal serta untuk mendiagnosa adanya outlier dalam spatial
pattern secara global. Statistik uji LISA adalah sebagai berikut,

( ̅) ∑ ( ̅)
( )
∑ ( ̅)

Hubungan antara indeks moran dan lisa adalah

∑ (8)

uji signifikakansi indeks LISA dapat dilakukan dengan langkah langkah sebagai berikut

i. Hipotesis
H0 : I = 0
H1 : I
ii. Tingkat signifikansi ( )
iii. Statistik uji
 ( )
( ) ( )
√ ( )
Dengan

( ) ( )

iv. Kriteria uji :

Tolak H0 pada taraf signifikansi jika | ( )

v. Kesimpulan

Dalam pengujian autokorelasi spasial menggunakan Indeks Moran dan LISA dibutuhkan
matriks pembobot spasial. Matriks pembobot spasial dinotasikan dengan W dan Wij yang
artinya matriks yang menggambarkan kekuatan interaksi antar lokasi.Menurut Anselin
(1995), matriks pembobot dapat dibedakan menjadi tiga pendekatan, diantaranya :

1. Rook Contiguity, daerah pengamatannya ditentukan berdasarkan sisi-sisi yang saling

bersinggungan dan sudut tidak diperhitungkan.

2. Bishop Contiguity, daerah pengamatannya ditentukan berdasarkan sudut-sudut yang

saling bersinggungan dan sisi tidak diperhitungkan.

3. Queen Contiguity, daerah pengamatannya ditentukan berdasarkan sisi-sisi yang saling

bersinggungan dan sudut juga diperhitungkan.

Matriks pembobot spasial W dapat diperoleh dari dua cara yaitu matriks pembobot
terstandarisasi dan matriks bobot tidak terstandarisasi. Matriks pembobot terstandarisasi
merupakan matriks pembobot yang diperoleh dengan cara memberikan bobot yang sama
rata terhadap tetangga lokasi terdekat dan yang lainnya nol, sedangkan matriks pembobot
tak terstandarisasi merupakan matriks pembobot yang diperoleh dengan cara
memberikan bobot satu bagi tetangga terdekat dan yang lainnya nol.

Bentuk umum matriks spasial W adalah

( )

Selanjutnya, isi dari matriks pembobot spasial baris ke –i dan kolom ke-j yakni wij
sebagai berikut :
Dengan :

= Nilai matriks pembobot spasial pada baris ke-i

1 = Total nilai matriks contiguity baris ke-i

= Nilai matriks contiguity pada baris ke-i dan ke-j

Untuk melihat pola penyebaran atau pengelompokan antar lokasi dapat diamati melalui
Moran’s Scatterplot. Moran’s Scatterplot adalah salah satu cara untuk
menginterpretasikan Indeks Moran. Scatterplot Moran merupakan alat untuk melihat
hubungan antara Zstd (nilai pengamatan yang distandarisasi) dengan nilai rata rata yang
dihitung dari matriks pembobot WZstd (nilai mariks lokal yang dihitung dari mariks
pembobot spasial). Untuk lebih jelas dapat dilihat pada gambar 1.

Gambar 1

Moran’s Scatterplot terbagi atas 4 kuadran. Kuadran I (terletak di kanan atas)

disebut High-High (HH), menunjukan daerah yang mempunyai nilai pengamatan
tinggi dikelilingi oleh daerah yang mempunyai nilai pengamatan tinggi. Kuadran II
(terletak di kiri atas) disebut Low-High (LH), menunjukan daerah dengan
pengamatan rendah tapi dikelilingi oleh daerah dengan nilai pengamatan tinggi.
Kuadran III (terletak di kiri bawah) disebut Low-Low (LL), menunjukan daerah
dengan nilai pengamatan rendah dan dikelilingi oleh daerah dengan nilai pengamatan
rendah. Kuadran IV (terletak di kanan bawah) disebut High-Low (HL), menunjukan
daerah dengan nilai pengamatan tinggi yang dikelilingi oleh daerah dengan nilai
pengamatan rendah (kartika,2007).
Moran’s Scetterplot yang banyak menempatkan pengamatan di kuadran HH dan
kuadran LL akan cenderung mempunyai nilai autokorelasi spasial yang positif.
Sedangkan Moran’s Scatterplot yang banyak menempatkan pengamatan di kuadran
HL dan LH akan cenderung mempunyai nilai atokorelasi spasial yang negatif.
Untuk memperjelas hasil analisis, maka posisi masing-masing pengamatan pada
Moran’s Sceterrplot dapat dipetakan pada masing-masing letak geografis daerah
dalam suatu peta tematik.

Peta tematik disebut juga peta statistik yakni peta yang menyajikan patron penggunaan
ruangan pada tempat tertentu sesuai dengan tujuan tertentu pula.peta tematik lebih
menekankan variasi penggunaan ruangan daripada sebuah jumlah atau lebih dari
distribusi geografis (wikipedia,2016)

Berikut peta Indonesia yang akan digunaka sebgai referensi penelitian.

Gambar 2. Peta Indonesia

Co Coronavirus merupakan keluarga besar virus yang menyebabkan penyakit pada

manusia dan hewan. Pada manusia biasanya menyebabkan penyakit infeksi saluran
pernapasan, mulai flu biasa hingga penyakit yang serius seperti Middle East Respiratory
Syndrome (MERS) dan Sindrom Pernafasan Akut Berat/ Severe Acute Respiratory
Syndrome (SARS). Coronavirus jenis baru yang ditemukan pada manusia sejak kejadian
 luar biasa muncul di Wuhan Cina, pada Desember 2019, kemudian diberi nama Severe
Acute Respiratory Syndrome Coronavirus 2 (SARS-COV2), dan menyebabkan
penyakit Coronavirus Disease-2019 (COVID-19).(kemenkes,2019)

Covid-19 merupakan penyakit yang menular. Kebanyakan orang yang terinfeki virus
Covid-19 akan mengalami penyakit pernafasan ringan hingga sedang. virus ini menyebar
dari orang ke orang melalui tetesan kecil dari hidung atau mulut yang menyebar ketika
seseorang batuk atau menghembuskan nafas. Tetesan ini kemudian jatuh ke benda yang
disentuh oleh orang lain.

COVID-19 dapat menyebabkan gejala ringan hingga berat. Sekitar 80% kasus dengan
gejala ringan (pilek, sakit tenggorokan, batuk, dan demam) dapat pulih tanpa perlu
perawatan khusus. Namun, sekitar 1 dari setiap 5 orang mungkin akan menderita sakit
yang parah, seperti disertai pneumonia atau kesulitan bernafas, yang biasanya muncul
secara bertahap. Orang yang berusia lanjut, dan orang-orang dengan kondisi medis yang
sudah ada sebelumnya (seperti diabetes, tekanan darah tinggi dan penyakit jantung, paru-
paru, atau kanker), mereka biasanya lebih rentan untuk menjadi sakit parah. Melihat
perkembangan hingga saat ini, lebih dari 50% kasus konfirmasi telah dinyatakan
membaik, dan angka kesembuhan akan terus meningkat. (kemenkes,2019) meru

pakan kel

I. Metodologi Penelitian
Metode penelitian yang digunakan untuk melihat pola penyebaran dan autokorelasi
spasial (hubungan lokasi) pada kasus Covid-19 adalah dengan menggunakan metode
Indeks Moran dan LISA. Pengujian tersebut diolah dengan bantuan software Microsoft
Excel, R, Geoda dan ArcGis 10.3. Dalam analisis spasial, untuk menentukan adanya
autokorelasi spasial komponen utama yang diperlukan adalah peta lokasi. Peta digunakan
untuk menentukan hubungan kedekatan antar provinsi di Indonesia. Dengan demikian
akan lebih mudah untuk memberi pembobot pada masing-masing lokasi.
Langkah–langkah analisis data adalah sebagai berikut :
1. Menentukan matriks pembobot spasial tipe Queen Contiguity
2. Menghitung statistik Indeks Moran dan LISA
3. Mengidentifikasi hasil pengujian autokorelasi spasial
4. Membuat Scatterplot Moran
5. Membuat peta tematik hasil Scatterplot Moran
J. Kerangka Penelitian

Mengumpulkan referensi berupa buku dan jurnal nasional

maupun internasional

Mengumpulkan data kasus Covid-19

Pengolahan data menggunakan matriks pembobot spasial

Mengjitung statisatik Indekas Moran dan LISA

Mengidentifikasi hasil pengujian autokorelasi spasial

Membuat scatterplot Moran

Membuat peta tematik hasil scatterplot Moran

Kesimpulan dan saran

 K. Jadwal penelitian

Januari 2021 Februari 2021 Maret 2021 April 2021 Mei 2021
No Nama Kegiatan

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Mengumpulkan
referensi berupa buku
1 dan jurnal nasional
maupun internasional.

2 Penyusunan proposal

Mengumpulkan data
3
kasus Covid-19

Pengumpulan data
4
pembobot spasial

Menerapkan analisis
5
autokorelasi spasial

Mencatat hasil dan

6 kesimpulan
 Daftar pustaka

Anselin, L. (1993). Exprolatory Spatial Data Analysis and Geographic Information. National
Center for Geographic Information and Analysis of California Santa Barbara:
CA93106.

Anselin, L. (1995). Spatial Econometrics: Methods and Models. Dordrecht: Kluwer

Academic Publishers.

Banerje, S. (2004). Hierarchical Modeling and Analysis for Spatial Data. Boca raton:
Chapman and Hall/CRC.

Infeksiemerging. (2019). Apa itu Virus Corona. Jakarta: Kementrian Kesehatan Republik
Indonesia.

Kosfeld, R. (2006). Spasial Econometric. URL: http//www.scribd.com.

Lee, J. a. (2001). Statistical Analysis with Arcview GIS. New York: John Willey & Sons. Inc,
Unitec State of America.

Nias, G. K. (2007). Modul Pelatihan ArcGis Tingkat Dasar. Banda Aceh: Pemerintah Kota
Banda Aceh.

Pfeffer, D. e. (2008). Spatial Analysis in Epidemiologi. New York: Oxford University Pers.

WHO. (2019). Corona Virus Diseace 19 (Covid-19). Geneva: World Health Organization.