KUIS III

STATISTIKA SPASIAL

PUTU SUMARIANI PRATIWI

1917141026

PRODI STATISTIKA FAKULTAS MATEMATIKA

DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
NEGERI MAKASSAR

2022
 STATISTIKA

# Read Shape File and Data

library(rgdal) #package untuk shapefile

library(readxl) # membaca data dalam format excel
# input Shape file Makassar
setwd("D:\\SEMESTER 6\\STATISTIKA SPASIAL")
#dsn (data source name)
#layer=layer name
Map_Mks=readOGR(dsn="Makassar1",layer="Makassar")

OGR data source with driver: ESRI Shapefile

Source: "D:\SEMESTER 6\STATISTIKA SPASIAL\Makassar1", layer:
"Makassar"
with 15 features
It has 6 fields
Warning messages:
1: In OGRSpatialRef(dsn, layer, morphFromESRI = morphFromESRI,
dumpSRS = dumpSRS, :
Discarded datum D_WGS984 in Proj4 definition: +proj=longlat
+ellps=WGS84 +vunits=m +no_defs
2: In readOGR(dsn = "Makassar1", layer = "Makassar") :
Z-dimension discarded

# atau

View(Map_Mks)
# Input Data Kasus Covid Makassar
Leroux_Mks<- read_excel("Covid4_19.xlsx")
Leroux_Mks
head(Leroux_Mks)
 STATISTIKA

# A tibble: 15 x 5
ID Distric Covid Penduduk Jarak
<dbl> <chr> <dbl> <dbl> <chr>
1 1 Mamajang 2434 56049 2.9
2 2 Manggala 6357 146724 11
3 3 Mariso 2143 57426 2.9
4 4 Sangkarrang 44 14125 20
5 5 Rappocini 8147 144587 7.5
6 6 Tamalate 6995 180824 6.2
7 7 Makassar 2637 82067 1.8
8 8 Ujung Pandang 1729 24526 0
9 9 Panakukkang 6350 139590 8
10 10 Bontoala 1545 54996 1.9
11 11 Wajo 1544 29972 2.9
12 12 Ujung Tanah 840 35789 4.3
13 13 Tallo 2686 144977 4.7
14 14 Tamalanrea 5664 103177 13
15 15 Biringkanya 7659 209048 21
>
> head(Leroux_Mks)
# A tibble: 6 x 5
ID Distric Covid Penduduk Jarak
<dbl> <chr> <dbl> <dbl> <chr>
1 1 Mamajang 2434 56049 2.9
2 2 Manggala 6357 146724 11
3 3 Mariso 2143 57426 2.9
4 4 Sangkarrang 44 14125 20
5 5 Rappocini 8147 144587 7.5
6 6 Tamalate 6995 180824 6.2

Dari hasil output di atas dapat kita ketahui bahwa dari data
Covid4_19 memiliki 15 kota sebagai objek pengambilan data dengan 3
variabel data yakni ( jarak, Populasi/Jumlah Penduduk, dan jumlah kasus
Covid). Dari tampilan data dapat di asumsikan bahwa jumlah penduduk
tidak selalu mempengaruhi tingginya tingkat kasus penyebaran Covid
disuatu daerah/wilayah.

Fungsi head digunakan untuk menampilkan Sebagian data awal

yang telah di import ke dalam software R studio. Terkonfirmasi terdapat tiga
wilayah dengan jumlah kasus Covid_19 tertinggi adalah Kecamatan
Rappocini (8147), Biringkanya (7659), Tamalate (6995). Dan lokasi yang
terkonfirmasi memiliki kasus Covid_19 terendah adalah Sangkarrang (44),
 STATISTIKA

Ujung Tanah (840), dan Wajo (1544). Dengan populasi jumlah penduduk
tertinggi adalah Biringkanya (209048), Tamalate (180824), dan Tallo
(144977). Dan populasi jumlah penduduk terendah adalah Sangkarrang
(14125),Ujung Pandang (24526) dan Wajo (29972).

# A binary neighbord matrix W

d <- data.frame(Kecamatan = Map_Mks@data$NAMOBJ, neigh = rep(0,
length(Map_Mks@polygons)))
d
Map_Mks <- SpatialPolygonsDataFrame(Map_Mks, d, match.ID =
FALSE)

Kecamatan neigh
1 Mamajang 0
2 Manggala 0
3 Mariso 0
4 Sangkarrang 0
5 Rappocini 0
6 Tamalate 0
7 Makasar 0
8 Ujung Pandang 0
9 Panakukkang 0
10 Bontoala 0
11 Wajo 0
12 Ujung Tanah 0
13 Tallo 0
14 Tamalanrea 0
15 Biringkanaya 0

Data di ubah kedalam bentuk karakteristik matriks atau table dengan

syntax data frame, atau membentuk susunan menyerupai baris dan kolom.

library(spdep)
nb <- poly2nb(Map_Mks)
W <- nb2mat(nb, style="B", zero.policy=TRUE)
W
 STATISTIKA

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13]
[,14]
0 0 0 1 0 1 1 1 1 0 0 0 0 0
0
1 0 0 0 0 1 0 0 0 1 0 0 0 0
1
2 1 0 0 0 0 1 0 1 0 0 0 0 0
0
3 0 0 0 0 0 0 0 0 0 0 0 0 0
0
4 1 1 0 0 0 1 1 0 1 0 0 0 0
0
5 1 0 1 0 1 0 0 0 0 0 0 0 0
0
6 1 0 0 0 1 0 0 1 1 1 0 0 0
0
7 1 0 1 0 0 0 1 0 0 1 1 0 0
0
8 0 1 0 0 1 0 1 0 0 1 0 0 1
1
9 0 0 0 0 0 0 1 1 1 0 1 1 1
0
10 0 0 0 0 0 0 0 1 0 1 0 1 0
0
11 0 0 0 0 0 0 0 0 0 1 1 0 1
0
12 0 0 0 0 0 0 0 0 1 1 0 1 0
1
13 0 1 0 0 0 0 0 0 1 0 0 0 1
0
14 0 0 0 0 0 0 0 0 0 0 0 0 0
1
[,15]
0 0
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
10 0
11 0
12 0
13 1
14 0
attr(,"call")
nb2mat(neighbours = nb, style = "B", zero.policy = TRUE)
 STATISTIKA

Dari susunan matriks di atas yang menggambarkan bubungan

antara wilayah satu dengan wilayah lainnya. Nilai (1) diperoleh bagi wilayah
yang berada sangat dekat satu sama lain dan nilai (0) diperoleh bagi
wilayah yang berada sangat jauh antara satu dengan yang lainya.

#Wilayah yang tdk ada tetanggamya

W[4,c(6,3,8,11,12)]<-1
W[c(6,3,8,11,12),4]<-1
W

[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14]
0 0 0 1 0 1 1 1 1 0 0 0 0 0
0
1 0 0 0 0 1 0 0 0 1 0 0 0 0
1
2 1 0 0 1 0 1 0 1 0 0 0 0 0
0
3 0 0 1 0 0 1 0 1 0 0 1 1 0
0
4 1 1 0 0 0 1 1 0 1 0 0 0 0
0
5 1 0 1 1 1 0 0 0 0 0 0 0 0
0
6 1 0 0 0 1 0 0 1 1 1 0 0 0
0
7 Untuk
1 0wilayah
1 yang1 tidak0memiliki
0 ketetanggaan
1 0 dituliskan
0 1 secara1 manual.
0 0
0
WW<-W/rowSums(W)
8 0 1 0 0 1 0 1 0 0 1 0 0 1
coord <- coordinates(Map_Mks)
1
Map_Mks$long <- coord[, 1]
9 0 0 0 0 0 0 1 1 1 0 1 1 1
Map_Mks$lat <- coord[, 2]
0
Map_Mks$ID <- 1:dim(Map_Mks@data)[1]
10 0 0 0 1 0 0 0 1 0 1 0 1 0
0
11 0 # Calculate
0 0 Moran's
1 0I 0 0 0 0 1 1 0 1
0 library(ape)
12 0 Moran.I(Leroux_Mks$Covid,WW)
0 0 0 0 0 0 0 1 1 0 1 0
1
13 0 $observed
1 0 0 0 0 0 0 1 0 0 0 1
0 [1] 0.4613659
14 0 0 0 0 0 0 0 0 0 0 0 0 0
1 $expected
[,15][1] -0.07142857
0 0
1 0$sd
2 0[1] 0.1615395
3 0
4 0$p.value
5 0[1] 0.0009729632
6 0
7 0
8 0
9 0
 STATISTIKA

Untuk menentukan nilai indeks moran I diperlukan syntax library ape

untuk menghitung indeks morans I dari suatu data yang telah di olah seperti
output diatas. Untuk hasil Indeks morans I output yang dikeluarkan berupa
nilai observased , expected, sd, dan nilai P-value. Dan untuk nilai Indeks
Morans I untuk data yang diamati adalah 0.0009729632 yang menunjukkan
bahwa terdapat autokorelasi spasial positif pada data yang di
observasi.

# Run Leroux Model

library(CARBayes)
library(MASS)

Covid2020<-Leroux_Mks
Covid2020$Exp<-
sum(Covid2020$Covid)*Covid2020$Penduduk/sum(Covid2020$Penduduk)

Formula <-Covid2020$Covid~offset(log(Covid2020$Exp))+
Covid2020$Jarak
set.seed(1)

ModelLeroux <-S.CARleroux(formula=Formula,
data=Leroux_Mks,
family="poisson",
W=W,
burnin=10000,
#prior.tau2=c(1,100),
n.sample=15000)

ModelLeroux
ModelLeroux$fitted.values
ModelLeroux$modelfit
ModelLeroux$residuals[,1]

Setting up the model.

Generating 5000 post burnin and thinned (if requested) samples.

|==============================================================
=========| 100%
Summarising results.
Finished in 2 seconds.
 STATISTIKA

> ModelLeroux

#################
#### Model fitted
#################
Likelihood model - Poisson (log link function)
Random effects model - Leroux CAR
Regression equation - Covid2020$Covid ~ offset(log(Covid2020$Exp)) +
Covid2020$Jarak
Number of missing observations - 0

############
#### Results
############
Posterior quantities and DIC

Median 2.5% 97.5% n.effective Geweke.diag

(Intercept) 0.5897 0.4394 0.6550 2.3 8.4
Covid2020$Jarak1.8 -0.7675 -0.9130 -0.5704 5.5 -2.2
Covid2020$Jarak1.9 -0.8941 -1.1325 -0.5923 3.1 -4.8
Covid2020$Jarak11 -0.5608 -0.7098 -0.3967 4.2 0.3
Covid2020$Jarak13 -0.2479 -0.4522 0.1534 2.4 -2.4
Covid2020$Jarak2.9 -0.4468 -0.5729 -0.2041 6.5 -3.9
Covid2020$Jarak20 -3.1502 -3.5322 -2.8621 4.4 2.8
Covid2020$Jarak21 -0.4350 -0.9641 -0.0151 1.7 -7.1
Covid2020$Jarak4.3 -1.1505 -1.3875 -0.8562 3.6 -0.6
Covid2020$Jarak4.7 -1.2702 -1.5349 -1.1068 4.3 -5.9
Covid2020$Jarak6.2 -0.6380 -0.8173 -0.5087 7.6 1.6
Covid2020$Jarak7.5 -0.2720 -0.4290 -0.1183 8.5 0.1
Covid2020$Jarak8 -0.4576 -0.7006 -0.1335 3.3 -4.7
tau2 0.0237 0.0075 0.1348 19.0 -2.2
rho 0.3658 0.0224 0.8916 773.7 0.7

DIC = 177.8281 p.d = 16.5497 LMPL = -101.9

Untuk menetukan nilai di atas atau melihat output diatas dapat dilihat
apakah data antara Jarak an Covid signifikan atau tidak maka dapat dilihat
dari signifikansinya. Salah satu ciri nilai signifikan dapat dilihat apakah ada
atau tidaknya nilai dari suatu interval kredibel posterior. Untuk output diatas
dapat dilihat interval di atas tidak terdapat nilai 0 yang menandakan
pengaruh Jarak antar wilayah berpegaruh signifikan terhdap Kasus Covid.
 STATISTIKA

> ModelLeroux$fitted.values
[1] 2434.16827 6356.28369 2161.38325 43.22871 8143.54932 6992.15202
2640.39449
[8] 1727.25644 6346.89270 1546.16954 1532.29536 837.80850 2687.78201
5663.50528
[15] 7659.17251
> ModelLeroux$modelfit
DIC p.d WAIC p.w LMPL
177.828125 16.549700 175.368513 9.858837 -101.904372
loglikelihood
-72.364362
> ModelLeroux$residuals[,1]
[1] -0.1682705 0.7163121 -18.3832481 0.7712937 3.4506831 2.8479768
[7] -3.3944920 1.7435583 3.1073016 -1.1695365 11.7046394 2.1915046
[13] -1.7820127 0.4947162 -0.1725057

# Relativ Risk
Covid2020$RR_Mks<-ModelLeroux$fitted.values/Covid2020$Exp
Covid2020$RR_Mks

RR <-Covid2020$RR_Mks

Peta_mks <- merge(Map_Mks,Covid2020)

Peta_mks

> # Relativ Risk

> Covid2020$RR_Mks<-ModelLeroux$fitted.values/Covid2020$Exp
> Covid2020$RR_Mks
[1] 1.08919518 1.08648840 0.94394393 0.07675502 1.41256183 0.96979016 0.80690655
[8] 1.76625368 1.14032811 0.70509720 1.28218220 0.58710824 0.46496249 1.37665588
[15] 0.91888004

Dari output diatas dapat dilihat bagaimana nilai Relative Risk dari
masing masing wilayah dimana menyatakan peluang terjadinya suatu
kejadian yang dalam kasus ini dinyatakan sebagai orang yang terpapar
Covid di dalam suatu wilayah
 STATISTIKA

> RR <-Covid2020$RR_Mks
>
> Peta_mks <- merge(Map_Mks,Covid2020)
>
> Peta_mks
class : SpatialPolygonsDataFrame
features : 15
extent : 119.0744, 119.5449, -5.234139, -4.974971 (xmin, xmax, ymin,
ymax)
crs : +proj=longlat +ellps=WGS84 +vunits=m +no_defs
variables : 11
names : ID, Kecamatan, neigh, long, lat,
Distric, Covid, Penduduk, Jarak, Exp, RR_Mks
min values : 1, Biringkanaya, 0, 119.094438741248, -5.18811199005331,
Biringkanya, 44, 14125, 0, 563.203668575305, 0.0767550154963883
max values : 15, Wajo, 0, 119.515650528044, -5.03213945329693,
Wajo, 8147, 209048, 8, 8335.33454926233, 1.7662536753214

Dari pemetaan diatas bisa diliihat untuk Class menggunakan (Spatial

Polygon Data.Frame) yang memiliki 15 pemetaan wilayah dengan nilai
values masing masing seperti min_values dari wilayah Biringkanaya
dengan nilai neight sebesar 0,119 dari 15 data min values untuk kasus
Covid-19 sebesar 44 dan Penduduk sebesar 14125 dan max.values untuk
kasus Covid-19 sebesar 8142 dan Penduduk sebesar 209048.

library(sf)
mksrsf <- st_as_sf(Peta_mks)
library(ggplot2)
ggplot(mksrsf) + geom_sf(aes(fill = RR)) +
scale_fill_gradient2(midpoint = 1, low = "blue", mid =
"white", high = "red") +
geom_text(aes(long, lat, label = ID), color = "black") +
theme_bw()
View(Map_Mks)
 STATISTIKA

Biringkanaya memiliki resiko relatif penyebaran kasus Covid-19

tertinggi berdasarkan jarak. Biringkanaya merupakan salah satu wilayah
yang memilki enam wilayah tetangga sehingga resiko penyebaran Covid-
19 rentan terjadi. Sebaliknya, Pulau Sangkarrang memiliki risiko relative
terendah terhadap Covid-19 karena terletak terpisah dengan jumlah kasus
sebesar 44.