STATISTIKA SPASIAL
2022
STATISTIKA
# 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.
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).
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
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
[,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$p.value
5 0[1] 0.0009729632
6 0
7 0
8 0
9 0
STATISTIKA
Covid2020<-Leroux_Mks
Covid2020$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$residuals[,1]
|==============================================================
=========| 100%
Summarising results.
Finished in 2 seconds.
STATISTIKA
> ModelLeroux
#################
#### Model fitted
#################
Likelihood model - Poisson (log link function)
Random effects model - Leroux CAR
Regression equation - Covid2020$Covid ~ offset(log(Covid2020$Exp)) +
Covid2020$Jarak
Number of missing observations - 0
############
#### Results
############
Posterior quantities and DIC
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
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
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