TUGAS PORTOFOLIO ETS

RM185202 – SISTEM INFORMASI GEOGRAFIS LANJUT

Dosen : Hepi Hapsari Handayani, ST., M.Sc., Ph.D

ANALISIS HOTSPOT UNTUK MENGIDENTIFIKASI

HUBUNGAN KASUS COVID19 DI KOTA SURABAYA

Disusun Oleh
Sigit Kurniawan, ST.
(6016211006)

PROGRAM MAGISTER
TEKNIK GEOMATIKA
FAKULTAS TEKNIK SIPIL PERENCANAAN & KEBUMIAN
INSTITUS TEKNOLOGI SEPULUH NOPEMBER
2022
 BAB 1. PENDAHULUAN

1.1 Latar Belakang

Berdasarkan penelitian mengenai hubungan kepadatan penduduk dengan epidemi yang
dilakukan tahun 2018 adalah ada korelasi yang lemah antara kepadatan penduduk dengan kematian
akibat wabah (Lie et al, 2018). Berdasarkan data angka kematian, ditemukan bahwa wilayah
dengan kepadatan penduduk rendah menghalangi penyebaran epidemi itu sendiri. Studi yang sama
menunjukkan bahwa ada korelasi antara kepadatan penduduk dan wabah. Hal ini, sementara
bertentangan dengan kondisi yang terjadi di Jakarta sampai saat ini dimana wilayah dengan
kepadatan penduduk tinggi tidak berbanding lurus dengan penyebaran wabah Covid-19. Kondisi
ini bisa saja terjadi akibat minimnya test yang terjadi, terutama di kota yang memiliki kepadatan
tinggi seperti DKI Jakarta, Bandung, dan Surabaya.
Hal ini merujuk pada kenyataan bahwa memang kawasan perkotaan yang padat penduduk
tentu akan menyebabkan transmisi penyakit lebih cepat dengan rantai penyebaran yang lebih
kompak dan kompleks. Kawasan sub-urban memiliki keterjangkitan yang lebih rendah, tapi
kawasan sub-urban juga memiliki fasilitas kesehatan yang tidak memadai untuk menghadapi
wabah penyakit, apalagi Covid-19 yang merupakan penyakit baru.
Penduduk yang tinggal di kawasan pinggiran memiliki tantangan berupa akses yang jauh
ke rumah sakit dengan fasilitas lengkap dan kapasitas memadai. Kawasan perkotaan dapat dengan
mudah menerapkan kebijakan seperti pembatasan fisik (physical distancing) dan pelarangan
kumpulan massa untuk mengakali kepadatan penduduk; namun tidak demikian untuk kawasan
pinggiran. Kawasan pinggiran dapat mengalami kesulitan saat mengakali disparitas fasilitas
kesehatan yang dialaminya. Selain itu, penyebaran Covid-19 juga dipengaruhi oleh aktivitas
ekonomi salah satunya adalah perdagangan.
Analisis hot spot dalam studi kasus hubungan sosial ekonomi dengan kasus positif Covid-
19. Selain itu, dalam kajian ini ditinjau bagaimana faktor tersebut memengaruhi jumlah panggilan.
Data yang digunakan data kasus positif, data jumlah penduduk, dan jumlah pusat perdagangan
yang dikumpulkan di Kota Surabaya. Dari analisis tersebut diperoleh analisis data spasial dalam
studi kasus hubungan sosial ekonomi dengan kasus positif Covid-19.

1.2 Rumusan Masalah

Berdasarkan kajian pada penelitian ini, berikut batasan masalah pada kajian ini:
1. Mengetahui sebaran secara spasial melalui metode Hot spot Analysis dan autocorrelation
2. Mengetahui hubungan jumlah penduduk d a n perdagangan dengan jumlah kejadian kasus
positif Covid-19 di Kota Surabaya

1.3 Tujuan dan Manfaat

Tujuan dan manfaat dari kajian ini sebagai berikut:
1. Dapat melakukan analisis sebaran secara spasial melalui metode Hot spot Analysis dan
autocorrelation
2. Dapat menganalisis hubungan antara data parameter sosial dan ekonomi seperti data
kasus positif Covid-19, data jumlah penduduk, dan jumlah pusat perdagangan
 BAB 2. TINJAUAN PUSTAKA

2.1 Covid-19
Corona Virus Disease 2019 atau yang biasa disingkat Covid-19 adalah penyakit menular
yang disebabkan oleh SARS-CoV-2, salah satu jenis koronavirus. Penderita Covid-19 dapat
mengalami demam, batuk kering, dan kesulitan bernafas. Infeksi menyebar dari satu orang ke
orang lain melalui percikan (droplet) dari saluran pernapasan yang sering dihasilkan saat batuk
atau bersin. Jarak jangkauan droplet biasanya hingga 1 meter. Droplet bisa menempel di benda,
namun tidak akan bertahan lama di udara. Waktu dari paparan virus hingga timbulnya gejala klinis
antara 1-14 hari dengan rata-rata 5 hari. Maka, orang yang sedang sakit diwajibkan memakai
masker guna meminimalisir penyebaran droplet.
Sampai saat ini belum diketahui penyebab dari virus Corona, tetapi diketahui virus ini
disebarkan oleh hewan dan mampu menjangkit dari satu spesies ke spesies lainnya, termasuk
manusia. Diketahui virus Corona berasal dari Kota Wuhan di China dan muncul pada Desember
2019. Orang yang terinfeksi memiliki gejala ringan seperti demam, batuk, dan kesulitan bernafas.
Gejala dapat berkembang menjadi pneumonia berat. Tindakan pencegahan untuk mengurangi
kemungkinan infeksi antara lain tetap berada di rumah, menghindari bepergian dan beraktivitas di
tempat umum, sering mencuci tangan dengan sabun dan air, tidak menyentuh mata, hidung, atau
mulut dengan tangan yang tidak dicuci.

2.2 Hot Spot Analysis (Getis-Ord Gi*)

Hot spot Analysis dihitung secara statistik dengan Getis-Ord Gi dalam pengumpulan data.
Berdasarkan resultan skor-z dan nilai-p yang dihasilkan dapat menghasilkan nilai tinggi atau
rendah pdalam pengelompokkan spasial. Sistem ini meninjau setiap fitur neighboring. Fitur dengan
nilai tinggi belum tentu dapat diidentifikasikan sebagai hot spot secara statistik. Dalam
mengidentifikasikan sebagai hot spot dapat ditinjau secara statistik.Apabila fitur tersebut memiliki
nilai tinggi dan dikelilingi oleh fitur lain yang memiliki nilai tinggi juga. Ketika koreksi FDR
diterapkan, signifikasi statistik disesuaikan dalam perhitungan beberapa uji dan korelasi secara
spasial.

Berikut persamaan yang digunakan:

(1)

(2)

(3)
 Dengan xj sebagai attribut fitur j, wij sebagai bobot spasial antara fitur i dan j, n sebagaitotal
jumlah fitur. G*i statistik sebagai skor-z dengan ketentuan tertentu (Abdullah & Barua, 2022; Li &
Liang, 2018; Yahya et al., 2021).

2.3 Spatial Pattern

Spatial Pattern atau pola spasial sebagai identifikasi penempatan atau susunan benda di
permukaan bumi. Perubahan Spatial Pattern menggambarkan proses spasial yangditunjukkan oleh
beberapa faktor lingkungan dan budaya. Dalam objek geografis, SpatialPattern sebagai hasil proses
fisik atau sosial di dalam lokasi pada permukaan bumi. SpatialPattern sebagai salah satu konsep
statistik dengan meninjau bagaimana objek geografis tersebar pada suatu waktu tertentu. Spatial
Pattern meninjau titik statistik spasial dimana alat yang banyak digunakan dalam deskripsi
bagaimana objek geografis terjadi danberubah di suatu lokasi. Dalam perbandingan objek pada
suatu lokasi dengan pola objek yang diidentifikasikan di lokasi lain dapat ditinjau melalui Spatial
Pattern (Lai et al., 2017;Schlögl et al., 2021; Thomas et al., 1993).

2.4 High-low Clustering (Getis-ord General G)

Analisis high-low clustering mengukur konsentasi tinggi atau rendah pada area studi.
Analisis ini merupakan inferential statistic, yang artinya hasil dari analisis akan diinterpretasikan
dalam konteks null hypothesis. Null hypothesisnya adalah tidak ada pengelompokan secara spasial
dari nilai data. Null hypothesis ditolak jika p-value hasil analisis kecil atau tidak signifikan secara
statistik. Jika null hypothesis ditolak, maka tanda dari z-score menjadi penting. Jika z-score positif
mengindikasikan cluster nilai tinggi, sebaliknya jika negative mengindikasikan cluster nilai
rendah.
2.5 Analisis Regresi
Analisis regresi dalam statistika adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain. Variabel “penyebab”
disebut dengan bermacam-macam istilah: variabel penjelas, variabel eksplanatorik, variabel
independen, atau secara bebas, variabel X (karena seringkali digambarkan dalam grafik sebagai
absis, atau sumbu X). Variabel terkena akibat dikenal sebagai variabel yang dipengaruhi, variabel
dependen, variabel terikat, atau variabel Y. Kedua variabel ini dapat merupakan variabel acak
(random), namun variabel yang dipengaruhi harus selalu variabel acak.
 BAB 3. METODE

3.1 Data
Data yg digunakan dalam analisis ini adalah:
Jenis Data Format Data Sumber Data
Batas administrasi kecamatan Shapefile (.shp) GADM
Data Jumlah Penduduk Tabel (.xls) BPS Kota Surabaya
Data Jumlah COVID-19 2022
Tabel (.xls) https://lawanCovid-19.surabaya.go.id/
Data Jumlah Pusat Perdagangan Tabel (.xls) BPS Kota Surabaya

Tabel 1. Data yang digunakan

Gambar 1. Layout Peta Kota Surabaya

Positif Covid Jumlah Jumlah
Kecamatan
2022 Penduduk Swalayan
Asem Rowo 831 45547 7
Benowo 2233 69038 9
Bubutan 3037 90646 17
Bulak 1458 43764 12
Dukuh Pakis 3143 56707 24
Gayungan 2749 41289 32
Genteng 2576 52924 21
Gubeng 7150 123961 28
Gunung Anyar 3307 62482 23
 Jambangan 2610 50470 19
Karangpilang 3351 75481 17
Kenjeran 3472 181325 25
Krembangan 3118 109027 12
Lakarsantri 2707 59296 17
Mulyorejo 5609 86545 42
Pabean Cantian 1756 70808 18
Pakal 2012 59971 17
Rungkut 7361 123757 44
Sambikerep 2988 63778 16
Sawahan 6707 188693 32
Semampir 2329 172669 23
Simokerto 2583 86897 15
Sukolilo 6107 110557 34
Sukomanunggal 9044 101259 23
Tambaksari 8358 214966 51
Tandes 3221 87511 19
Tegalsari 3565 92014 20
Tenggilis
Mejoyo 2914 61187 18
Wiyung 4068 71605 17
Wonocolo 3931 75315 28
Wonokromo 6432 144650 48

Tabel 2. Data kecamatan kasus positif Covid-19, jumlah penduduk,

dan jumlah Swalayan Kota Surabaya

III.2 Tahapan Pengolahan Data

Gambar 2. Diagram Alir Analisis Data

Proses analisis data dilakukan dengan tahapan:
1. Analisis high-low clustering dengan Getis-ord General G untuk mendapatkan gambaran
cluster dari data.
2. Untuk mendapatkan parameter jarak yang signifikan dari data kasus Covid-19 per
kecamatan, gunakan incremental spatial autocorrelation
3. Hot Spot Analysis menggunakan Getis-ord Gi* untuk mendapatkan cluster data
4. Analisis regresi linier untuk mengetahui korelasi antar variabel
 BAB 4. HASIL DAN PEMBAHASAN

4.1 Analisis High/ Low Clustering Analysis

Dalam pengujian statistika pada kajian ini digunakan Getis-Ord General G dengan
meninjau keterkaitan antar variabel dan pengelompokkan. High/Low Clustering (Getis- Ord
General G) merupakan tools analisis statistic secara global, tools ini menganalisis pola dan tren
dari keseluruhan data. Metode ini menjelaskan secara lokal pengelompokan spasial dari suatu
daerah dengan daerah-daerah yang bertetangga terdekat dengannya pada periode waktu tertentu.

Gambar 3. High-Low Clustering Covid-19 Gambar 4. High-Low Clustering Jumlah Penduduk

Gambar 5. High-Low Clustering Jumlah Swalayan

4.2 Analisis Spatial Autocorrelation
Metode analisis spasial ini digunakan dalam perhitungan auto korelasi spasial secara
global. Metode ini dapat digunakan untuk mendeteksi permulaan dari keacakan spasial. Keacakan
spasial ini dapat mengindikasikan adanya pola-pola yang mengelompok atau membentuk tren
terhadap ruang.
Hasil yang diperoleh dari analisis ini berupa informasi pola persebaran dari kasus
konfirmasi positif COVID-19, jumlah penduduk, dan jumlah Swalayan. Ketika z-score atau p-
value menunjukkan signifikansi statistik, nilai indeks Moran positif mengindikasikan
kecenderungan pengelompokan, sedangkan nilai indeks Moran negative mengindikasikan
kecenderungan menyebar.

Gambar 6. Hasil Report Spatial Autocorrelation by Distance Data Covid-19

Gambar 7. Hasil Report Spatial Autocorrelation by Distance Data Jumlah Penduduk

 Gambar 8. Hasil Report Spatial Autocorrelation by Distance Data Jumlah Swalayan

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.

4.3 HotSpot Analysis (Getis-Ord Gi*)

Hotspot Analisis menganalisis data secara lokal. Pada tahapan ini digunakan untuk menilai
tiap fitur atau obyek secara ketetanggaan (neihgborhood) dan membadingkan situasi lokal tersebut
dengan situasi globalnya (hasil Getis-ord General G).

Gambar 9. Peta Hotspot Covid-19 Kota Surabaya

 Peta cluster menunjukan seberapa signifikan pengelompakan nilai high-high ataupun low-
low. Pada data kasus Covid-19 terjadi high cluster pada 6 kecamatan, yaitu high cluster dengan
confidence level 99% yaitu Kecamatan Rungkut dan Wokokromo, high cluster dengan confidence
level 95% yaitu Kecamatan Gunung Anyar, Tenggilis Mejoyo, Wonocolo, dan Tambaksari.
Sedangkan low cluster dengan confidence level 90% terjadi di Kecamatan Gubeng dan Sukolilo.

Gambar 10. Peta Hotspot Jumlah Penduduk Kota Surabaya

Pada data jumlah penduduk terjadi high cluster pada 7 kecamatan, yaitu high cluster
dengan confidence level 99% yaitu Kecamatan Tambaksari, high cluster dengan confidence level
95% yaitu Kecamatan Mulyorejo, Krembangan, Pabean Cantian, Simokerto, Semampir, dan
Kenjeran. Sedangkan low cluster dengan confidence level 90% terjadi di 3 Kecamatan, yaitu
Kecamatan Gubeng, Bubutan dan Bulak.
 Gambar 11. Peta Hotspot Jumlah Swalayan Kota Surabaya

Pada data data jumlah swalayan terjadi high cluster pada 3 kecamatan, yaitu high cluster
dengan confidence level 99% yaitu Kecamatan Sukolilo dan Gubeng, high cluster dengan
confidence level 95% yaitu Kecamatan Mulyorejo.Sedangkan low cluster dengan confidence level
90% terjadi di Kecamatan, Rungkut.

4.4 Analisis Regresi Linier

Regresi linier merupakan salah satu model analisis sederhana dengan jenis data interval
atau rasio. Melalui analisis ini, peneliti dapat melakukan prediksi berdasarkan data-data yang
didapatkan.
Secara umum, regresi linier digunakan untuk mengetahui apakah variabel bebas yang
diteliti memiliki korelasi yang signifikan terhadap variabel terikat. Selain itu, analisis ini juga dapat
digunakan untuk mengetahui variabel mana saja yang berpengaruh signifikan terhadap variabel
terikat.

4.4.1 Korelasi Covid-19 dengan Jumlah Penduduk

Dari analisis regresi linier didapatkan persamaan regresi 1247,558 + 0,0285X, dimana Y
jumlah kasus Covid-19 dan X adalah jumlah penduduk. Sedangkan R² atau koefisien
determinasinya adalah 0,38506.
Nilai koefisien determinasi (R²) sebesar 0,38506 menunjukkan rendahnya korelasi antara
jumlah penduduk dengan kasus Covid-19 di Kota Surabaya.
 Korelasi Jumlah Covid-19 terhadap Jumlah Penduduk
10.000
Y = 1247,558 + 0,0285X
9.000
8.000
R² = 0,38506
7.000
Jumlah Covid-19

6.000
5.000
Y
4.000
Predicted Y
3.000
2.000
1.000
-
- 50.000 100.000 150.000 200.000 250.000
Jumlah Penduduk

Gambar 12. Grafik Hubungan Data Jumlah Positif Covid-19 dan Data Jumlah Penduduk

Gambar 13. Perhitungan Statistik Hubungan Data Jumlah Positif Covid-19

dan Data Jumlah Penduduk
4.4.2 Korelasi Covid-19 dengan Jumlah Swalayan
Dari analisis regresi linier didapatkan persamaan regresi 490,2617 + 144,957X, dimana Y
jumlah kasus Covid-19 dan X adalah jumlah swalayan. Sedangkan R² atau koefisien
determinasinya adalah 0,573297.
Nilai koefisien determinasi (R²) sebesar 0,573297 menunjukkan korelasi sedang antara
jumlah penduduk dengan kasus Covid-19 di Kota Surabaya.

Korelasi Jumlah Covid-19 terhadap Jumlah Minimarket

10.000 Y = 490,2617 + 144,957X
9.000
8.000
7.000
Positif Covid-19

R² = 0,573297
6.000
5.000
Y
4.000
3.000 Predicted Y
2.000
1.000
-
- 10 20 30 40 50 60
Jumlah Minimarket

Gambar 12. Grafik Hubungan Data Jumlah Positif Covid-19 dan Data Jumlah Swalayan

Gambar 13. Perhitungan Statistik Hubungan Data Jumlah Positif Covid-19

dan Data Jumlah Swalayan
 BAB. 5 KESIMPULAN

Kesimpulan yang dapat diambil dari hasil analisis sebagai berikut:

1. Analisis high-low clustering dapat membantu untuk menganalisa sebaran data sehingga
dengan nilai statistic z-score dan p-value dapat disimpulkan sebaran data secara
keseluruhan terjadi pengelompokan (clustering) atau tidak. Nilai statistik dapat membantu
secara obyektif proses penentuan katageri tersebut.

Table 4. Hasil Analisis High-Low Clustering

2. Analisis hotspot (Getis-ord Gi*) menghasilkan peta cluster menunjukan seberapa

signifikan pengelompakan nilai high-high ataupun low-low. Pada data kasus Covid-19
terjadi high cluster pada 6 kecamatan, yaitu high cluster dengan confidence level 99% yaitu
Kecamatan Rungkut dan Wokokromo, high cluster dengan confidence level 95% yaitu
Kecamatan Gunung Anyar, Tenggilis Mejoyo, Wonocolo, dan Tambaksari. Sedangkan low
cluster dengan confidence level 90% terjadi di Kecamatan Gubeng dan Sukolilo.
3. Analisis hotspot (Getis-ord Gi*) pada data jumlah penduduk terjadi high cluster pada 7
kecamatan, yaitu high cluster dengan confidence level 99% yaitu Kecamatan Tambaksari,
high cluster dengan confidence level 95% yaitu Kecamatan Mulyorejo, Krembangan,
Pabean Cantian, Simokerto, Semampir, dan Kenjeran. Sedangkan low cluster dengan
confidence level 90% terjadi di 3 Kecamatan, yaitu Kecamatan Gubeng, Bubutan dan
Bulak.
4. Analisis regresi menunjukkan rendahnya korelasi antara jumlah kasus Covid-19 dengan
banyaknya jumlah penduduk. Sedangkan jumlah Covid-19 dengan jumlah swalayan
menunjukkan nilai korelasi yang sedang. Hal ini dapat memberikan kesimpulan bahwa
dengan jumlah penduduk yang banyak dan diberlakukannya pembatasan kegiatan serta
disiplinnya protokol kesehatan di masyakarat terutama di pusat perbelanjaan yang
memungkinkan berkumpulnya orang banyak dapat berjalan efektif. Sehingga meskipun
ada banyak penduduk dan banyak swalayan sebagai pusat perbelanjaan tetapi tidak
signifkan terhadap penyebab Covid-19.
 DAFTAR PUSTAKA

Abdullah, S., & Barua, D. (2022). Combining Geographical Information System (GIS) and
machine learning to monitor and predict vegetation vulnerability: An Empirical Study on
Nijhum Dwip, Bangladesh. Ecological Engineering, 178(January), 106577.
https://doi.org/10.1016/j.ecoleng.2022.106577
Kurniawan, A., & Sadali, M. I. (2015). Pemanfaatan Analisis Spasial Hot spot (Getis Ord Gi*)
untuk Pemetaan Klaster Industri di Pulau Jawa dengan Memanfaatkan Sistem Informasi
Geografi. Hibah Penelitian Dosen Sekolah Vokasi Universitas Gadjah Mada, 1–21.
Ruqili, Richmond, P., Roehner, M. B. (2018). Effect of Population Density on Epidemics
(November 2018). https://doi.org/10.1016/j.physa.2018.07.025
Schlögl, M., Widhalm, B., & Avian, M. (2021). Comprehensive time-series analysis of bridge
deformation using differential satellite radar interferometry based on Sentinel-1. ISPRS
Journal of Photogrammetry and Remote Sensing, 172(September 2020), 132–146.
https://doi.org/10.1016/j.isprsjprs.2020.12.001
Thomas B. McKee, N. J. D. and J. K. (1993). Analysis of Standardized Precipitation Index (SPI)
data for drought assessment. Water (Switzerland), 26(2), 1–72.
https://doi.org/10.1088/1755-1315/5