ANALISIS STATISTIK SPASIAL

PANGGILAN DARURAT (911 CALL)

MENGGUNAKAN HOT SPOT ANALYSIS
SIGIT KURNIAWAN
6016211006

Dosen Pengampu :
Hepi Hapsari Handayani, P. hD.
 Latar Belakang
01
Sistem Informasi Geografis
merupakan sistem informasi yang
berbasiskan komputer untuk
menyimpan, mengelola, dan
menganalisis, serta memanggil data
bereferensi geografis
02
Diperlukan analisis hotspot dalam
penentuan area dengan volume
panggilan tinggi untuk melakukan
antisipasi dan supaya terjadi
penanganan yang baik terhadap
peningkatan kesiapsiagaan situasi
darurat di dunia
03
Analisis Hot Spot Statistik Spasial
menggunakan algoritma Getis-Ord
Gi* dapat digunakan untuk
mengidentifikasi klaster spasial
yang signifikan secara statistik dari
panggilan darurat 911 di area studi
Tujuan
1. Memahami konsep dasar dari hot spot analysis pada Sistem Informasi Geografis
2. Mengolah dan menganalisis sebaran spasial hot spot analysis
3. Mengolah dan menganalisis hasil perhitungan spatial auto correlation
Dasar Teori
Hot Spot Analysis
Metode analisis dengan mengidentifikasi kelompok spasial yang signifikan secara statistik dari nilai tinggi (hot spot) dan nilai rendah (cold spot), dimana
outputnya berupa z score dan p value pada setiap Kelas Fitur.
Z score dan p value merupakan ukuran signifikansi statistik yang memberi tahu apakah akan menolak hipotesis nol atau tidak, pada setiap fitur demi fitur.
Skor z yang tinggi dan nilai p kecil untuk suatu fitur menunjukkan pengelompokan spasial dengan nilai tinggi. Skor z negatif rendah dan nilai p kecil
menunjukkan pengelompokan spasial nilai rendah. Semakin tinggi (atau lebih rendah) z-score, semakin intens pengelompokan. Z-score mendekati nol
menunjukkan tidak ada pengelompokan spasial yang jelas.
Hot Spot Analysis mengidentifikasi hot spot dan cold spot yang signifikan menggunakan Statistik Getis-Ord Gi* menggunakan serangkaian fitur pembobotan.
Fitur pembobotan didasarkan pada bidang atribut yang dipilih dari layer yang dianalisis. Neightborhood dari setiap fitur dibandingkan dengan area studi untuk
menentukan nilai dari setiap fitur (Santoso & Papilaya, 2019).

Spatial Autocorrelation
Pengukuran hubungan spasial untuk variabel tertentu ini disebut autokorelasi spasial.
Ini mengukur arah hubungan linier antara variabel dan derajat intensitas pola spasial variabel tertentu dengan variabel yang sama, tetapi untuk lingkungan yang
ditentukan (Dubé & Legros, 2014). Autokorelasi spasial didefinisikan sebagai penilaian korelasi antar pengamatan atau lokasi pada suatu variabel. Jika
pengamatan y1, y2, ..., yn menunjukkan saling ketergantungan terhadap ruang, maka data tersebut dikatakan terautokorelasi secara spasial (Asmarani, 2018).
Autokorelasi spasial merupakan salah satu analisis spasial untuk mengetahui pola hubungan atau korelasi antar lokasi (amatan). Beberapa pengujian dalam
spasial autokorelasi spasial adalah Moran’s I, Rasio Geary’s, dan Local Indicator of Spatial Autocorrelation (LISA). Metode ini sangat penting untuk
mendapatkan informasi mengenai pola penyebaran karakteristik suatu wilayah dan keterkaitan antar lokasi didalamnya. Selain itu, metode ini juga digunakan
untuk identifikasi pemodelan spasial (Bekti, 2012).
 Lokasi Penelitian
SEBARAN PANGGILAN DARURAT
DAN STASIUN LAYANANNYA
Lokasi untuk Analisis Spasial Persebaran dan
Kepadatan Titik Panggilan Darurat (Emergency
Call 911) menggunakan Hot Spot Analysis yakni
bera di di wilayah Portland, Oregon
Tahapan 1
Projection

Agregate Insiden Data

Pengolahan data Analisis Spasial 2
Persebaran dan Kepadatan Titik
Panggilan Darurat (Emergency
Run Hot Spasial Analysis
Call 911) menggunakan Hot 3
Spot Analysis

Visualize Result
4

Analysis
5
 Projection
1. Open Investigating911Calls.mpk 1
2. Cek Proyeksi Data Cells

3. Apabila proyeksi dalam system Geografis, lakukan proyeksi ke UTM

4. Update Symbology mengikuti data vector “Cells”
 5. Create a copy of the Calls_Projected dataset Agregate Insiden Data
2
6. Update Symbology mengikuti vector “Cells”
7. Run Integrate, dengan XY tolerance = 30 feet agar
dapat menyamakan lokasi dalam 30 feet untuk
mengantisipasi kemungkinan fitur calls berada pada
alamat yang sama karena tingkat keakuratan yang
lemah
8. Collect Event, hasil integrasi feature-feature pada
jarak 30 feet tersebut akan menjadi 1 titik dengan
pembobotan
 Run Hot Spasial Analysis
9. Open Hot Spot Analysis Tool (Getis-Ord Gi*)
3
10. Open Incremental Spatial Autocorrelation, untuk
menemukan pita jarak yang mencerminkan autokorelasi

Puncak pertama terjadi

pada nilai z-score 3,546559
pada jarak 1.416,32 m
 Visualize Result
4
11. Open Hot Spot Analysis Tool (Getis-Ord Gi*), dengan
memasukkan distance band or threshold distance sebesar
1.400 m
12. Create a Visualization Surface

Visualize Result
4
 Analysis
5

Berdasarkan permodelan hot spot analysis secara visual

menunjukkan pengelompokan spasial yang signifikan
secara statistik dari nilai tinggi (hot spot) ditunjukkan
pada gradasi warna merah dan dari nilai rendah (cold
spot) ditunjukkan pada gradasi warna biru.
Dimana warna kuning menunjukkan tidak signifikan atau
tidak mengelompok baik nilai rendah maupun nilai tinggi
atau “Random”.

Hot Spot -> pengelompokan aktvitas panggilan darurat

dimana titik panggilan darurat dengan sekitarnya
signifikan secara statistic dengan nilai tinggi

Cold Spot -> pengelompokan aktvitas panggilan darurat

dimana titik panggilan darurat dengan sekitarnya
signifikan secara statistic dengan nilai rendah
 Analysis
5

Berdasarkan permodelan hotspot, lokasi stasiun

1 layanan sudah berada pada lokasi dengan Hot Spot
atau wilayah dengan aktivitas panggilan darurat
yang tinggi (Beverton City).

2 Terdapat juga lokasi stasiun layanan yang berada

pada Cold Spot atau wilayah dengan aktivitas
3 panggilan darurat yang rendah (Cooper Mountain
Park).
ANALISA AUTO KORELASI SPASIAL
Analysis
5
Hipotesis
H0 : Tidak terdapat autokorelasi spasial
H1 : Terdapat autokorelasi spasial

Nilai P-value menunjukan valid yaitu lebih kecil dari α =

5% (tingkatkepercayaan 95%), bahkanlebihkecildariα = 1%
(tingkatkepercayaan 99%).
Sehingga dapat dikatakan H0 ditolak atau kesimpulan
bahwa terdapat autokorelasi spasial pada taraf signifikan
1%.

Berdasarkan nilai z score pada table berada di >2.58 yang

artinya pola distribusinya signifikan mengelompok
(Clustered) .
Z score yang tinggi dan p- value yang kecil untuk suatu
fitur menunjukkan pengelompokan spasial nilai tinggi.
Z score negative rendah dan p- value yang kecil untuk
suatu fitur menunjukkan pengelompokan spasial nilai
rendah.
ANALISA AUTO KORELASI SPASIAL
Analysis
5

Dari grafik hubungan jarak dengan p-value, nilai

probabilitas (p-value) dapat diartikan sebagai besarnya
peluang (probabilitas) yang diamati dari statistik uji. Nilai α
(alpha) adalah kesalahan maksimal yang ditentukan oleh
peneliti, sedangkan p-value adalah nilai kesalahan yang di
dapat peneliti dari hasil perhitungan statistik. Arah dari
grafik p-value menunjukkan arah negatif.

Sedangkan untuk grafik hubungan jarak dengan Z Score

bernilai positif yang berarti bahwa suatu ukuran
penyimpangan data dari nilai rata-ratanya yang diukur
dalam satuan standar deviasinya. Nilainya terletak diatas
rata-rata maka Z score-nya yang menyebabkan grafi
bernilai positif. Z Score ini juga disebut dengan Nilai
Standar atau Nilai Baku.
 Kesimpulan
1. Permodelan Panggilan Darurat Tinggi (Hot Spot) yang dibentuk berdasarkan auto korelasi
Moran's I terdapat korelasi spasial dengan tingkat kepercayaan 99%, dimana polanya signifikan
mengelompok (kluster).
2. Puncak pertama terjadi pada nilai z-score 3,546559, sedangkan puncak kedua terjadi pada nilai
z-score 3,635945. Pada puncak pertama ditinjau dengan jarak sebesar 1.416,32 m digunakan
untuk hot spot analysis.
3. Korelasi Moran’s I ditinjau dari penurunan trend data p-value dan kenaikan trend data z-score
dapat diartikan bahwa dapat menolak null hipotesis. Penolakan null hipotesis diidentifikasikan
bahwa terdapat hubungan konsekuensial antara dua fenomena tersebut yaitu pada grafik z-score
dan p-value.
4. Mengetahui lokasi optimal stasiun layanan darurat (Response Station) di wilayah metropolitan
Portland, Oregon berdasarkan permodelan Hot Spot, yaitu di Baverton City.
 Daftar Pustaka
Asmarani, R. A. (2018). Pengujian Autokorelasi Spasial pada Refresi Spasial Lag dengan Local Indicator of Spatial Autocorrelation (LISA). Universitas Islam
Negeri Maulana Malik Ibrahim.

Bekti, R. D. (2012). Autokorelasi Spasial untuk Identifikasi Pola Hubungan Kemiskinan di Jawa Timur. ComTech: Computer, Mathematics and Engineering
Applications , 217- 227.

Dubé, J., & Legros, D. (2014). Spatial Autocorrelation. Spatial Econometrics Using Microdata, 59-91.

https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/hot-spot-analysis.htm (diakses 24 Maret 2022)

Santoso, B. A., & Papilaya, F. S. (2019). PERANCANGAN MODEL UNTUK ANALISA DATA CALON MAHASISWA DENGAN MENGGUNAKAN OPTIMIZED
HOT SPOT ANALYSIS DAN KERNEL DENSITY STUDI KASUS: FTI UKSW. PROSIDING SEMINAR NASIONAL GEOTIK 2019 (pp. 2580-8796). Salatiga:
Fakultas Teknologi Informasi UKSW.
Thank You