TUGAS 4

STATISTIKA SPASIAL

PUTU SUMARIANI PRATIWI

1917141026

PUTU SUMARIANI PRATIWI

pratiwiputusumariani@gmail.com
 PRODI 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")
# atau
View(Map_Mks) # menampilkan shape file Map_Mks

# Input Data Kasus Covid Makassar

ModelLocal<- read_excel("ModelLocal.xlsx")
ModelLocal# menampilkan data
head(ModelLocal)# menampilkan Sebagian data teratas

Digunakan untuk menginput data dalam format excel pada lokasi folder
penyimpanan matakuliah analisis spasial.
 PRODI STATISTIKA

> # Input Data Kasus Covid Makassar

> ModelLocal<- read_excel("ModelLocal.xlsx")
> ModelLocal
# A tibble: 15 x 6
ID Kecamatan Konfirmasi_Covid Population Kepadatan Jarak
<dbl> <chr> <dbl> <dbl> <dbl> <dbl>
1 1 Mamajang 1884 56049 24911 2.9
2 2 Manggala 5042 146724 6078 11
3 3 Mariso 1648 57426 31553 2.9
4 4 Sangkarrang 38 14125 9172 20
5 5 Rappocini 6602 144587 15665 7.5
6 6 Tamalate 5497 180824 8947 6.2
7 7 Makasar 2010 82067 32566 1.8
8 8 Ujung Pandang 1323 24526 9325 0
9 9 Panakukkang 5064 139590 8180 8
10 10 Bontoala 1184 54996 26189 1.9
11 11 Wajo 1106 29972 15061 2.9
12 12 Ujung Tanah 639 35789 8134 4.3
13 13 Tallo 2093 144977 24867 4.7
14 14 Tamalanrea 4507 103177 3240 13
15 15 Birigkanaya 6166 209048 4335 21
>
> head(ModelLocal)
# A tibble: 6 x 6
ID Kecamatan Konfirmasi_Covid Population Kepadatan Jarak
<dbl> <chr> <dbl> <dbl> <dbl> <dbl>
1 1 Mamajang 1884 56049 24911 2.9
2 2 Manggala 5042 146724 6078 11
3 3 Mariso 1648 57426 31553 2.9
4 4 Sangkarrang 38 14125 9172 20
5 5 Rappocini 6602 144587 15665 7.5
6 6 Tamalate 5497 180824 8947 6.2

# A binary neighbord matrix W

d <- data.frame(Districts = Map_Mks@data$NAMOBJ, neigh = rep(0,

length(Map_Mks@polygons))) # mendefinisikan d dan pembentukan
matriks W
d # menampilkan variable d yang telah terdifinisi

Map_Mks <- SpatialPolygonsDataFrame(Map_Mks, d, match.ID =

FALSE) # mendefinisikan Map_Mks sebagai variable
SpatialPolygonsDataFrame yang membentuk matriks W

library(spdep) # untunk membentuk matriks W

nb <- poly2nb(Map_Mks)
W <- nb2mat(nb, style="B", zero.policy=TRUE)
W # menampilkan matriks W
 PRODI STATISTIKA

> d <- data.frame(Districts = Map_Mks@data$NAMOBJ, neigh = rep(0,

length(Map_Mks@polygons)))
> d
Districts 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
> Map_Mks <- SpatialPolygonsDataFrame(Map_Mks, d, match.ID = FALSE)
> library(spdep)
Loading required package: spData
To access larger datasets in this package, install the spDataLarge package with:
`install.packages('spDataLarge', repos='https://nowosad.github.io/drat/',
type='source')`
Loading required package: sf
Linking to GEOS 3.9.1, GDAL 3.2.1, PROJ 7.2.1; sf_use_s2() is TRUE
> nb <- poly2nb(Map_Mks)
> W <- nb2mat(nb, style="B", zero.policy=TRUE)
> W
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14]
[,15]
0 0 0 1 0 1 1 1 1 0 0 0 0 0 0
0
1 0 0 0 0 1 0 0 0 1 0 0 0 0 1
0
2 1 0 0 0 0 1 0 1 0 0 0 0 0 0
0
3 0 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
0
5 1 0 1 0 1 0 0 0 0 0 0 0 0 0
0
6 1 0 0 0 1 0 0 1 1 1 0 0 0 0
0
7 1 0 1 0 0 0 1 0 0 1 1 0 0 0
0
8 0 1 0 0 1 0 1 0 0 1 0 0 1 1
0
9 0 0 0 0 0 0 1 1 1 0 1 1 1 0
0
10 0 0 0 0 0 0 0 1 0 1 0 1 0 0
0
11 0 0 0 0 0 0 0 0 0 1 1 0 1 0
0
12 0 0 0 0 0 0 0 0 1 1 0 1 0 1
0
13 0 1 0 0 0 0 0 0 1 0 0 0 1 0
1
14 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0
attr(,"call")
nb2mat(neighbours = nb, style = "B", zero.policy = TRUE)
 PRODI STATISTIKA

Dari hasil output diatas dapat diketahui pada kolom dan baris ke empat dalam
matriks W terdapat nilai 0, hal ini di sebabkan karena kecamatan berada sangat jauh
dari kecamatan lain. Solusi yang dapat diterapkan adalah melakukan pendefinisian
tetangga secara manual.
#Wilayah yang tdk ada tetangganya
W[4,c(6,3,8,11,12)]<-1 #wilayah 4 dengan 6,3,8,11 dan 12.
W[c(6,3,8,11,12),4]<-1 #mendifinisikan wilayah bertetangga dengan bilangan
biner 1
W # menampilkan matriks w

WW<-W/rowSums(W) # mencari invers matriks

coord <- coordinates(Map_Mks)# mendefinisikan koordinat dari data Map_Mks
Map_Mks$long <- coord[, 1]
Map_Mks$lat <- coord[, 2]
Map_Mks$ID <- 1:dim(Map_Mks@data)[1]

> #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] [,15]
0 0 0 1 0 1 1 1 1 0 0 0 0 0 0 0
1 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0
2 1 0 0 1 0 1 0 1 0 0 0 0 0 0 0
3 0 0 1 0 0 1 0 1 0 0 1 1 0 0 0
4 1 1 0 0 0 1 1 0 1 0 0 0 0 0 0
5 1 0 1 1 1 0 0 0 0 0 0 0 0 0 0
6 1 0 0 0 1 0 0 1 1 1 0 0 0 0 0
7 1 0 1 1 0 0 1 0 0 1 1 0 0 0 0
8 0 1 0 0 1 0 1 0 0 1 0 0 1 1 0
9 0 0 0 0 0 0 1 1 1 0 1 1 1 0 0
10 0 0 0 1 0 0 0 1 0 1 0 1 0 0 0
11 0 0 0 1 0 0 0 0 0 1 1 0 1 0 0
12 0 0 0 0 0 0 0 0 1 1 0 1 0 1 0
13 0 1 0 0 0 0 0 0 1 0 0 0 1 0 1
14 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
attr(,"call")
nb2mat(neighbours = nb, style = "B", zero.policy = TRUE)
> WW<-W/rowSums(W)
> coord <- coordinates(Map_Mks)
> Map_Mks$long <- coord[, 1]
> Map_Mks$lat <- coord[, 2]
> Map_Mks$ID <- 1:dim(Map_Mks@data)[1]

# Calculate Moran's I menghitung dan menampilkan nilai Moran’s I

library(ape)
Moran.I(ModelLocal$Konfirmasi_Covid,WW)
 PRODI STATISTIKA

> # Calculate Moran's I

> library(ape)
Registered S3 method overwritten by 'ape':
method from
plot.mst spdep
> Moran.I(ModelLocal$Konfirmasi_Covid,WW)
$observed
[1] 0.463854
$expected
[1] -0.07142857
$sd
[1] 0.1614302
$p.value
[1] 0.0009135611

Dari hasil output diatas, diperoleh nilai Moran’s I 0,46 dengan P-value 0,0009, hal
ini menunjukkan bahwa terdapat autokorelasi spasial positif pada data observasi.

# Run Localised Model

# packages yang digunakan untuk membentuk Model Localised
library(CARBayes)
library(MASS)
COVID2020<-ModelLocal #mendefinisikan Model Localised Menjadi
COVID2020
COVID2020$Exp<-
(sum(COVID2020$Konfirmasi_Covid)/sum(COVID2020$Population)*COVID2020$P
opulation) #mencari nilai expected value

> # Run Leroux Model

> library(CARBayes)
Loading required package: MASS
Loading required package: Rcpp
Registered S3 method overwritten by 'GGally':
method from
+.gg ggplot2
> library(MASS)
> COVID2020<-ModelLocal
>
> COVID2020$Exp<-
(sum(COVID2020$Konfirmasi_Covid)/sum(COVID2020$Population)*COVID2020$
Population)
 PRODI STATISTIKA

#Formula tanpa covariat

Formula <-COVID2020$Konfirmasi_Covid~offset(log(COVID2020$Exp))
# Formula dengan Covariat
Formula2 <-COVID2020$Konfirmasi_Covid~offset(log(COVID2020$Exp))+
COVID2020$Kepadatan + COVID2020$Jarak

Pada pemodelan ini digunakan hyperprior (1, 0.01) dengan pengelompokan G = 2

dan G = 3. Maka
jika dijabarkan, maka akan terbentuk model berikut:
1. Model Localised 1 : Model tanpa kovariat dengan G = 2.
2. Model Localised 2 : Model tanpa kovariat dengan G = 3
3. Model Localised 3 : Model dengan kovariat jarak dan density dengan G = 2.
4. Model Localised 4 : Model dengan kovariat jarak dan density dengan G = 3.

# Digunakan agar jika menjalankan ulang syntax maka hasil yang

didapatkan akan tetap sama.
set.seed(1)
#model tanpa Covariat
ModelLocal1 <-S.CARlocalised(formula=Formula,
data=ModelLocal,
family="poisson",
W=W,
burnin=10000,
G=2,
prior.tau2=c(1,0.01),
#prior.tau2=c(1,0.1),
#prior.tau2=c(0.1,0.01),
#prior.tau2=c(0.5,0.05),
n.sample=15000)
ModelLocal1
ModelLocal1$fitted.values
ModelLocal1$modelfit
ModelLocal1$residuals[,1]
ModelLocal1$localised.structure
 PRODI STATISTIKA

> #Formula tanpa covariat

> Formula <-COVID2020$Konfirmasi_Covid~offset(log(COVID2020$Exp))
> # Formula dengan Covariat
> Formula2 <-COVID2020$Konfirmasi_Covid~offset(log(COVID2020$Exp))+ COVID2020$Kepadatan
+ COVID2020$Jarak
> set.seed(1)
> #model tanpa Covariat
> ModelLocal1 <-S.CARlocalised(formula=Formula,
+ data=ModelLocal,
+ family="poisson",
+ W=W,
+ burnin=10000,
+ G=2,
+ prior.tau2=c(1,0.01),
+ #prior.tau2=c(1,0.1),
+ #prior.tau2=c(0.1,0.01),
+ #prior.tau2=c(0.5,0.05),
+ n.sample=15000)
Setting up the model.
Generating 5000 post burnin and thinned (if requested) samples.
|================================================================================|
100%
Summarising results.
Finished in 4 seconds.
> ModelLocal1

#################
#### Model fitted
#################
Likelihood model - Poisson (log link function)
Random effects model - Localised CAR model
Regression equation - COVID2020$Konfirmasi_Covid ~ offset(log(COVID2020$Exp))
Number of missing observations - 0

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

Median 2.5% 97.5% n.effective Geweke.diag

lambda1 -2.3203 -2.9103 -2.0713 4.6 0.1
lambda2 -0.0340 -0.0463 -0.0206 762.2 -1.0
tau2 0.4642 0.2484 1.0323 4617.3 0.3
delta 1.0676 1.0031 1.3175 548.3 0.0

DIC = 175.5596 p.d = 17.21067 LMPL = -97.19

Number of clusters with the number of data points in each one

group1 group2
1 14
> ModelLocal1$fitted.values
[1] 1883.78077 5041.97448 1648.44261 42.24101 6596.87037 5496.11557 2015.41962
[8] 1314.95201 5063.72332 1185.79451 1102.72915 643.39990 2096.98007 4502.52501
[15] 6165.48421
> ModelLocal1$modelfit
DIC p.d WAIC p.w LMPL loglikelihood
175.559642 17.210670 172.365808 9.955494 -97.194079 -70.569151
> ModelLocal1$residuals[,1]
[1] 0.21923154 0.02551902 -0.44261045 -4.24101345 5.12963287 0.88442680 -5.41961808
[8] 8.04799251 0.27667967 -1.79451140 3.27084861 -4.39990273 -3.98007452 4.47499349
[15] 0.51579256
> ModelLocal1$localised.structure
[1] 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2
 PRODI STATISTIKA

Dari hasil output dapat diketahui nilai interval kredibel pesterios untuk
koefisien tidak termasuk 0 hal ini menunjukkan bahwa model signifikan. dengan
pengelompokkan model 1 G=2, terdapat 1 wilayah pada group 1 dan 14 wilayah
pada group 2, pada model ini diperoleh nilai DIC 175,559642 dan WAIC
172,365808.

ModelLocal2 <-S.CARlocalised(formula=Formula,
data=ModelLocal,
family="poisson",
W=W,
burnin=10000,
G=3,
prior.tau2=c(1,0.01),
#prior.tau2=c(1,0.1),
#prior.tau2=c(0.1,0.01),
#prior.tau2=c(0.5,0.05),
n.sample=15000)

ModelLocal2
ModelLocal2$fitted.values
ModelLocal2$modelfit
ModelLocal2$residuals[,1]
ModelLocal2$localised.structure

> ModelLocal2 <-S.CARlocalised(formula=Formula,

+ data=ModelLocal,
+ family="poisson",
+ W=W,
+ burnin=10000,
+ G=3,
+ prior.tau2=c(1,0.01),
+ #prior.tau2=c(1,0.1),
+ #prior.tau2=c(0.1,0.01),
+ #prior.tau2=c(0.5,0.05),
+ n.sample=15000)
Setting up the model.
Generating 5000 post burnin and thinned (if requested) samples.
|================================================================================|
100%
Summarising results.
Finished in 2.8 seconds.
> ModelLocal2

#################
#### Model fitted
#################
Likelihood model - Poisson (log link function)
Random effects model - Localised CAR model
Regression equation - COVID2020$Konfirmasi_Covid ~ offset(log(COVID2020$Exp))
Number of missing observations - 0

############
#### Results
############
 PRODI STATISTIKA

Posterior quantities and DIC

Median 2.5% 97.5% n.effective Geweke.diag

lambda1 -2.4308 -2.7146 -1.9953 3.1 1.4
lambda2 -0.4947 -0.5247 -0.4609 312.9 -0.4
lambda3 0.1506 0.1372 0.1628 820.0 1.2
tau2 0.1511 0.0811 0.3374 4069.7 -0.5
delta 1.1302 1.0046 1.6353 586.1 0.6

DIC = 175.2037 p.d = 16.97866 LMPL = -108.93

Number of clusters with the number of data points in each one

group1 group2 group3

1 4 10
> ModelLocal2$fitted.values
[1] 1893.07744 5048.04208 1659.18822 40.51251 6596.22246 5499.76130 2003.70248
[8] 1307.82096 5065.37597 1181.28175 1109.78793 639.12227 2103.53986 4500.32649
[15] 6167.51437
> ModelLocal2$modelfit
DIC p.d WAIC p.w LMPL loglikelihood
175.20370 16.97866 175.38938 11.69492 -108.93110 -70.62319
> ModelLocal2$residuals[,1]
[1] -9.0774417 -6.0420793 -11.1882228 -2.5125142 5.7775362 -2.7613009 6.2975237
[8] 15.1790372 -1.3759683 2.7182526 -3.7879280 -0.1222721 -10.5398575 6.6735097
[15] -1.5143705
> ModelLocal2$localised.structure
[1] 3 3 3 1 3 3 2 3 3 2 3 2 2 3 3

Dari hasil output dapat diketahui bahwa interval kredibel posterior untuk
koefisien tidak termasuk 0, yang menunjukan bahwa model signifikan.
pengelompokkan model yang terbentuk dengan G=3, terdapat 1 wilayah yang
berada pada group 1, 4 wilayah pada group 2, dan 10 wilayah pada group 3. Dari
model ini diperoleh nilai DIC 175,20370 dan WAIC 175,38938.
# model dengan Covariat
ModelLocal3 <-S.CARlocalised(formula=Formula2,
data=ModelLocal,
family="poisson",
W=W,
burnin=10000,
G=2,
prior.tau2=c(1,0.01),
#prior.tau2=c(1,0.1),
#prior.tau2=c(0.1,0.01),
#prior.tau2=c(0.5,0.05),
n.sample=15000)
ModelLocal3
ModelLocal3$fitted.values
ModelLocal3$modelfit
ModelLocal3$residuals[,1]
ModelLocal3$localised.structure
 PRODI STATISTIKA
> # model dengan Covariat
> ModelLocal3 <-S.CARlocalised(formula=Formula2,
+ data=ModelLocal,
+ family="poisson",
+ W=W,
+ burnin=10000,
+ G=2,
+ prior.tau2=c(1,0.01),
+ #prior.tau2=c(1,0.1),
+ #prior.tau2=c(0.1,0.01),
+ #prior.tau2=c(0.5,0.05),
+ n.sample=15000)
Setting up the model.
Generating 5000 post burnin and thinned (if requested) samples.
|================================================================================|
100%
Summarising results.
Finished in 3 seconds.
> ModelLocal3

#################
#### Model fitted
#################
Likelihood model - Poisson (log link function)
Random effects model - Localised CAR model
Regression equation - COVID2020$Konfirmasi_Covid ~ offset(log(COVID2020$Exp)) +
COVID2020$Kepadatan +
COVID2020$Jarak
Number of missing observations - 0

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

Median 2.5% 97.5% n.effective Geweke.diag

COVID2020$Kepadatan 0.0000 0.0000 0.0000 4.0 -1.4
COVID2020$Jarak 0.0135 -0.0173 0.0316 3.0 -3.5
lambda1 -2.7867 -3.1099 -2.1981 3.7 9.5
lambda2 -0.0156 -0.0372 0.0067 15.1 -7.1
tau2 0.3291 0.1684 0.6960 1171.7 -7.0
delta 1.0735 1.0015 1.3515 610.9 -0.8

DIC = 173.2499 p.d = 16.16117 LMPL = -98.33

Number of clusters with the number of data points in each one

group1 group2
1 14
> ModelLocal3$fitted.values
[1] 1884.47272 5044.87569 1646.96007 37.82659 6593.17494 5501.02968 2009.40649
[8] 1316.44985 5062.58716 1185.16760 1101.54845 646.44220 2095.68130 4501.50727
[15] 6170.43696
> ModelLocal3$modelfit
DIC p.d WAIC p.w LMPL loglikelihood
173.24990 16.16117 169.73292 8.96275 -98.33409 -70.46378
> ModelLocal3$residuals[,1]
[1] -0.4727245 -2.8756929 1.0399291 0.1734109 8.8250646 -4.0296839 0.5935122
[8] 6.5501471 1.4128385 -1.1675975 4.4515478 -7.4421996 -2.6813027 5.4927269
[15] -4.4369614
> ModelLocal3$localised.structure
[1] 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2

Berdasarkan output di atas, maka dapat dilihat nilai DIC 173,24990 dan
WAIC 169,73292. Dapat dilihat pula pada output localized structure, kecamatan
 PRODI STATISTIKA

yang berada pada group 1 yaitu Sangkarrang sedangkan yang lainnya berada pada
group 2.
ModelLocal4 <-S.CARlocalised(formula=Formula2,
data=ModelLocal,
family="poisson",
W=W,
burnin=10000,
G=3,
prior.tau2=c(1,0.01),
#prior.tau2=c(1,0.1),
#prior.tau2=c(0.1,0.01),
#prior.tau2=c(0.5,0.05),
n.sample=15000)

ModelLocal4
ModelLocal4$fitted.values
ModelLocal4$modelfit
ModelLocal4$residuals[,1]
ModelLocal4$localised.structure

> ModelLocal4 <-S.CARlocalised(formula=Formula2,

+ data=ModelLocal,
+ family="poisson",
+ W=W,
+ burnin=10000,
+ G=3,
+ prior.tau2=c(1,0.01),
+ #prior.tau2=c(1,0.1),
+ #prior.tau2=c(0.1,0.01),
+ #prior.tau2=c(0.5,0.05),
+ n.sample=15000)
Setting up the model.
Generating 5000 post burnin and thinned (if requested) samples.

|============================================================================
====| 100%
Summarising results.
Finished in 3.2 seconds.
> ModelLocal4

#################
#### Model fitted
#################
Likelihood model - Poisson (log link function)
Random effects model - Localised CAR model
Regression equation - COVID2020$Konfirmasi_Covid ~ offset(log(COVID2020$Exp))
+ COVID2020$Kepadatan +
COVID2020$Jarak
Number of missing observations - 0

############
#### Results
############
 PRODI STATISTIKA

Posterior quantities and DIC

Median 2.5% 97.5% n.effective Geweke.diag

COVID2020$Kepadatan 0.0000 0.0000 0.0000 4.2 -3.6
COVID2020$Jarak -0.0131 -0.0449 0.0175 2.0 -9.7
lambda1 -2.4348 -2.8198 -2.1657 5.4 3.6
lambda2 -0.3646 -0.4281 -0.3055 4.2 -7.5
lambda3 0.1545 0.1188 0.1810 27.4 -8.2
tau2 0.1284 0.0663 0.2954 453.2 2.6
delta 1.1524 1.0045 1.6947 623.6 0.1

DIC = 175.0311 p.d = 16.948 LMPL = -114.8

Number of clusters with the number of data points in each one

group1 group2 group3

1 5 9
> ModelLocal4$fitted.values
[1] 1880.96320 5037.80112 1642.20750 38.80256 6595.80369 5499.12376 2008.04547
[8] 1319.61202 5052.82701 1196.14217 1104.10239 650.05965 2094.46371 4508.63417
[15] 6166.50922
> ModelLocal4$modelfit
DIC p.d WAIC p.w LMPL loglikelihood
175.03105 16.94800 172.24600 11.46519 -114.80327 -70.56753
> ModelLocal4$residuals[,1]
[1] 3.0368000 4.1988807 5.7924977 -0.8025575 6.1963079 -2.1237567 1.9545286
[8] 3.3879768 11.1729908 -12.1421676 1.8976061 -11.0596497 -1.4637094 -1.6341704
[15] -0.5092236
> ModelLocal4$localised.structure
[1] 3 2 3 1 3 2 3 3 2 3 3 2 2 3 3

Dari output di atas dapat dilihat bahwa interval kredibel posterior untuk
koefisien termasuk 0 yang artinya model ini tidak signifikan. Dapat pula dilihat
untuk pengelompokan model 1 dengan G = 3, terdapat 1 wilayah yang berada pada
group 1, 2 wilayah pada group 2, dan 12 wilayah pada group 3. Berdasarkan output
di atas, maka dapat dilihat nilai DIC 175,03105 dan WAIC 172,24600. Dapat
dilihat pula pada output localized structure, kecamatan yang berada pada group 1
yaitu Sangkarrang; pada group 2 yaitu Ujung Tanah, dan Tallo; dan pada group 3
yaitu Mamajang, Manggala, Mariso, Rappocini, Tamalate, Makassar, Ujung
Pandang, Panakkukang, Bontoala, Wajo, Tamalanrea, dan Biringkanaya.

Pemilihan Model Terbaik

Banyaknya jumlah kasus terkonfirmasi Covid-19 adalah sebanyak 44.803
kasus, dimana kasus tertinggi terdapat pada kecamatan Rappocini dan terendah
pada Sangkarrang. Pengujian untuk melihat ada tidaknya autokorelasi spasial antara
wilayah di Kota Makassar dilakukan dengan menggunakan statistic Moran’s I
untuk data kasus Covid-19 dan diperoleh Nilai Moran’s I sebesar 0.46 dengan nilai
p-value = 0,0009. Hal ini menunjukkan bahwa terdapat autokorelasi positif pada
data. Hasil dari pengujian kecocokan model dengan menggunakan Deviance
Information Criterion (DIC) dan Watanabe Akaike Information Criterion (WAIC)
ditampilkan pada tabel berikut.
 PRODI STATISTIKA

Group Model DIC WAIC

Without Covariate (Model Local1) 175,55 172,36
2
With Jarak + Density (Model Local3) 173,24 169,73
Without Covariate (Model Local2) 175,20 175,38
3
With Jarak + Density (Model Local4) 175,03 172,24

Berdasarkan tabel di atas, dapat dilihat bahwa model localised 3 dan 4

memiliki nilai DIC dan WAIC terendah untuk pengelompokan berurut G = 2 dan
G = 3. Selanjutnya akan ditentukan nilai relative risk untuk setiap kecamatan
berdasarkan model terbaik yaitu model CAR localised 3 dengan G = 2 dan localised
4 dengan G = 3 sebagai berikut.
# Relativ Risk covariat G=2
COVID2020$RR_Mks<-ModelLocal3$fitted.values/COVID2020$Exp
COVID2020$RR_Mks

RR <-COVID2020$RR_Mks
RR
# Relativ Risk covariat G=3
COVID2020$RR_Mks<-ModelLocal4$fitted.values/COVID2020$Exp
COVID2020$RR_Mks

RR <-COVID2020$RR_Mks
RR

> # Relativ Risk covariat G=2

> COVID2020$RR_Mks<-ModelLocal3$fitted.values/COVID2020$Exp
> COVID2020$RR_Mks
[1] 1.06853159 1.09273459 0.91146476 0.08510873 1.44920803 0.96683708 0.77815233
[8] 1.70585839 1.15261319 0.68487931 1.16802802 0.57404444 0.45940055 1.38656566
[15] 0.93807008
> RR <-COVID2020$RR_Mks
> RR
[1] 1.06853159 1.09273459 0.91146476 0.08510873 1.44920803 0.96683708 0.77815233
[8] 1.70585839 1.15261319 0.68487931 1.16802802 0.57404444 0.45940055 1.38656566
[15] 0.93807008

> # Relativ Risk covariat G=3

> COVID2020$RR_Mks<-ModelLocal4$fitted.values/COVID2020$Exp
> COVID2020$RR_Mks
[1] 1.06654163 1.09120222 0.90883458 0.08730463 1.44978584 0.96650210 0.77762527
[8] 1.70995594 1.15039107 0.69122124 1.17073609 0.57725676 0.45913364 1.38876090
[15] 0.93747296
> RR <-COVID2020$RR_Mks
> RR
[1] 1.06654163 1.09120222 0.90883458 0.08730463 1.44978584 0.96650210 0.77762527
[8] 1.70995594 1.15039107 0.69122124 1.17073609 0.57725676 0.45913364 1.38876090
[15] 0.93747296
 PRODI STATISTIKA

Selanjutnya, banyaknya kasus terkonfirmasi Covid-19, nilai relative risk (RR) dan struktur
pengelompokan untuk setiap kecamatan berdasarkan model terbaik dapat dilihat pada tabel
berikut.

G=2 G=3
ID Kecamatan Konfirmasi_Covid
RR LS RR LS
1 Mamajang 1884 1.06 2 1.06 3
2 Manggala 5042 1.09 2 1.09 3
3 Mariso 1648 0.91 2 0.91 3
4 Sangkarrang 38 0.08 1 0.09 1
5 Rappocini 6602 1.45 2 1.44 3
6 Tamalate 5497 0.96 2 0.96 3
7 Makasar 2010 0.77 2 0.77 3
8 Ujung Pandang 1323 1.70 2 1.70 3
9 Panakukkang 5064 1.15 2 1.15 3
10 Bontoala 1184 0.68 2 0.69 3
11 Wajo 1106 1.17 2 1.17 3
12 Ujung Tanah 639 0.57 2 0.56 2
13 Tallo 2093 0.46 2 0.45 2
14 Tamalanrea 4507 1.38 2 1.38 3
15 Birigkanaya 6166 0.93 2 0.93 3

Berdasarkan tabel di atas, diperoleh bahwa nilai relative risk yang tertinggi
berdasarkan model Bayesian CAR localised dengan G = 2 (RR = 1.70) dan model
Bayesian CAR localised dengan G = 3 (RR = 1.70) adalah Kecamatan Ujung
Pandang. Sedangkan untuk nilai relative risk yang terendah berdasarkan model
Bayesian CAR localised dengan G = 2 (RR = 0.08) dan model Bayesian CAR
localised dengan G = 3 (RR = 0.09) adalah Pulau Sangkarrang. Sangkarrang.
Selanjutnya, diperoleh bahwa berdasarkan model Bayesian CAR localised dengan
G=2 pada kolom Localised Structure (LS) diperoleh 2 kelompok dimana Kelompok
1 terdiri dari 1 wilayah yaitu Pulau Sangkarrang, dan kelompok 2 terdiri dari 14
Kecamatan selain Pulau Sangkarrang. Untuk model Bayesian CAR localised
dengan G=3 pada kolom Localised Structure (LS) diperoleh 3 kelompok dimana
kelompok 1 terdiri dari 1 wilayah yaitu Pulau Sangkarrang, kelompok 2 terdiri dari
2 Kecamatan yaitu Kecamatan Ujung Tanah, dan Kecamatan Tallo, sedangkan
kelompok 3 terdiri dari 12 Kecamatan yaitu Kecamatan Mamajang, Manggala,
Mariso, Rappocini, Tamalate, Makassar, Ujung Pandang, Panakkukang, Bontoala,
Wajo, Tamalanrea, dan Biringkanya. Untuk lebih jelasnya, hasil pengelompokkan
dapat ditampilkan secara visualisasi. Pemetaan hasil pengelompokan kasus
terkonfirmasi Covid-19 di Kota Makassar dengan menggunakan model Bayesian
Spasial CAR localised dengan G=2 dan model Bayesian Spasial CAR localised
dengan G=3 dapat dilihat sebagai berikut.
 PRODI STATISTIKA

> library(sf) # memunculkan peta spasial Kota Makassar

> library(ggplot2)
> Group1 <- ModelLocal1$localised.structure
> #Peta Tematik
> Peta_mks <- merge(Map_Mks,d)
> Peta_mks # mendefinisikan Peta_Mks sebagai peta Spasial RR
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 : 5
names : Districts, neigh, long, lat, ID
min values : Biringkanaya, 0, 119.094438741248, -5.18811199005331, 1
max values : Wajo, 0, 119.515650528044, -5.03213945329693, 15
> cols <- c("1"="green", "2"="purple")
> mksrsf <- st_as_sf(Peta_mks)
> ggplot(mksrsf) + geom_sf(aes(fill = as.factor(Group1))) +
+ scale_fill_manual(values = cols) +
+ geom_text(aes(long, lat, label = ID), color = "black") + theme_bw()
> View(Map_Mks)
 PRODI STATISTIKA

> Group2 <- ModelLocal4$localised.structure

> #Peta Tematik
> Peta_mks <- merge(Map_Mks,d)
> 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 : 5
names : Districts, neigh, long, lat, ID
min values : Biringkanaya, 0, 119.094438741248, -5.18811199005331, 1
max values : Wajo, 0, 119.515650528044, -5.03213945329693, 15
> cols <- c("1"="grey", "2"="purple","3"="green")
> mksrsf <- st_as_sf(Peta_mks)
> ggplot(mksrsf) + geom_sf(aes(fill = as.factor(Group2))) +
+ scale_fill_manual(values = cols) +
+ geom_text(aes(long, lat, label = ID), color = "black") + theme_bw()
> View(Map_Mks)

Berdasarkan peta di atas, maka dapat kita simpulkan bahwa kecamatan yang
memiliki risiko relatif yang tertinggi dengan menggunakan model Bayesian CAR
localised adalah kecamatan Ujung Pandang, diikuti oleh Rappocini dan Tamalanrea
yang dikategorikan dalam kelompok 3. Sebaliknya, kecamatan yang memiliki
risiko relatif terendah dengan menggunakan model Bayesian CAR localized adalah
kecamatan Pulau Sangkarrang yang dikategorikan dalam kelompok 1.