STATISTIKA SPASIAL
Digunakan untuk menginput data dalam format excel pada lokasi folder
penyimpanan matakuliah analisis spasial.
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
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.
#################
#### 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
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
#################
#### 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
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
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
|============================================================================
====| 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
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.
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
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
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.