3maisyawirdatamaputri_1314619035@mhs.unj.ac.id,
4haninurafify_1314619037@mhs.unj.ac.id,
Copyright © 2022 Annisah Nurul Safira, Ishmah Azzah Kameela, Maisy Wirdatama Putri, and Hani
Nur Afify. This is an open-access article distributed under the Creative Commons Attribution
License, which permits unrestricted use, distribution, and reproduction in any medium, provided the
original work is properly cited.
Abstrak
Kata Kunci: Regresi Spasial, Regresi Spasial Lag, Regresi Spasial Error,
Autokorelasi, Indeks Moran
1. Pendahuluan
Sejak akhir tahun 2019, seluruh dunia dilanda pandemi COVID-19. Ini mengubah
hidup secara dramatis, mempengaruhi perilaku sosial dan bisnis, dan memberikan
tekanan ekonomi yang sangat besar pada dunia. WHO menyatakan bahwa virus ini
1
2 Safira et al.
merupakan pandemi global setelah jumlah infeksi di seluruh dunia mencapai lebih
dari 121.000 kasus, dengan adanya pernyataan ini maka kondisi saat ini tidak boleh
disepelekan karena dalam sepanjang sejarah hanya terdapat beberapa virus yang
digolongkan sebagai pandemi (Ilpaj & Nurwati, 2020).
COVID-19 telah banyak berdampak pada pola kehidupan masyarakat, baik
secara ekonomi, pendidikan maupun kesehatan. Penyebaran Virus COVID 19
dipengaruhi oleh salah satu faktor diantaranya yaitu adanya kontak langsung dan
faktor wilayah atau keterkaitan secara spasial. Faktor-faktor penduga tersebut perlu
diketahui agar pemerintah dapat mengambil kebijakan public untuk mengurangi
penyebaran Virus COVID-19
Pemantauan penyebaran COVID-19 menggunakan data spasial bertujuan untuk
menginformasikan kepada masyarakat tentang penyebaran virus, sehingga
diharapkan pemantauan penyebaran COVID-19 di Jawa Timur untuk memutus mata
rantai penyebaran. Pendekatan spasial yang memungkinkan untuk mengetahui
variabel yang mempengaruhi penyebaran COVID-19 di Jawa Timur, disajikan dalam
bentuk visualisasi, memberikan informasi yang mudah dipahami dan dianalisis.
Data spasial merupakan data yang mengacu pada posisi objek dan hubungan
diantaranya dalam ruang bumi beberapa data yang termasuk dalam data spasial
diantaranya penyebaran penyakit, pertanian, kedokteran. Pemeriksaan autokorelasi
spasial perlu dilakukan karena melihat bahwa tidak semua peristiwa memperhatikan
objek wilayahnya. Menurut Gujarati (1991), autokorelasi dapat diartikan sebagai
korelasi beberapa anggota pengamatan yang diurutkan menurut waktu (time series)
atau ruang (cross-section). Beberapa pengujian dalam autokorelasi spasial adalah
Indeks Moran, Rasio Geary’s, dan Local Indicator of Spatial Autocorrelation (LISA)
(Bekti, 2012).
Pemodelan spasial adalah pemodelan yang berhubungan dengan pendekatan
titik dan area. Dalam penelitian ini dilakukan 2 model pemodelan spasial yaitu Spatial
Autoregressive Model (SAR) dan Spatial Error Model (SEM). Spatial Autoregressive
Model (SAR) disebut juga Spatial Lag Model (SLM) adalah salah satu model spasial
dengan pendekatan area dengan memperhitungkan pengaruh spasial lag pada
variabel dependen saja. Model ini dinamakan juga Mixed Regressive Autoregressive
karena mengkombinasikan model regresi biasa dengan model regresi spasial lag
pada variabel dependen (Anselin, 1988). Sedangkan, Spatial Error Model (SEM)
dapat digunakan saat nilai error pada suatu lokasi berkorelasi dengan nilai error
dengan lokasi sekitarnya atau dengan kata lain terdapat korelasi spasial antar error.
Pada model SEM, bentuk error pada lokasi i merupakan fungsi dari error pada lokasi
j dimana j merupakan suatu lokasi yang terletak disekitar lokasi i.
Untuk mengatasi masalah penyebaran COVID-19, kita perlu mengetahui apa
penyebabnya. Salah satu cara untuk mengidentifikasi faktor penyebaran COVID-19
adalah dengan analisis model regresi spasial. Namun, aspek distribusi kemungkinan
besar dipengaruhi tidak hanya oleh variabel penjelas, tetapi juga oleh berbagai aspek
lokasi. Analisis regresi untuk mengetahui faktor-faktor apa saja yang mempengaruhi
penyebaran COVID-19 sangat penting, dipengaruhi oleh kekhususan wilayah.
Pengamatan di wilayah tertentu dipengaruhi oleh pengamatan di lokasi lain seperti
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022), 000 - 001 3
yang dinyatakan pada hukum pertama tentang geografi yang dikemukakan oleh W
Tobbler dalam anselin (1988) segala sesuatu saling berhubungan satu dengan yang
lainnya, tetap sesuatu yang dekat lebih mempunyai pengaruh dari pada suatu yang
jauh.
2. Metodelogi
Analisis yang digunakan dalam penelitian ini adalah analisis regresi spasial. Analisis
regresi spasial merupakan pengembangan dari analisis regresi yang mengakomodir
permasalahan yang timbul pada data spasial. Pada saat data mempunyai komponen
lokasi, terdapat dua masalah yang muncul yaitu adanya ketergantungan spasial
antar pengamatan (spatial dependence) dan heterogenitas spasial (spatial
heterogenity) dalam proses pemodelan (LeSage, 1999). Spatial dependence
mengakibatkan terjadinya autokorelasi spasial (spatial autocorrelation) sedangkan
spatial heterogeneity mengakibatkan varians yang tidak konstan.
Dapat terlihat pada tabel terdiri dari satu variabel terikat (𝑌) yakni jumlah kasus
penyebaran Covid-19 setiap kota/kabupaten di Jawa Timur dengan rata–rata 4553.
jumlah kasus dan 6 variabel bebas (𝑋) sebagai faktor–faktor yang mempengaruhi
penyebaran Covid-19 di Jawa Timur yaitu (𝑋1) dengan rata-rata 533989 kasus, (𝑋2 )
dengan rata-rata 536161 kasus, (𝑋3 ) dengan rata-rata 200556 kasus, (𝑋4 ) dengan
ratarata 296 kasus, (𝑋5 ) dengan rata-rata 467 kasus dan (𝑋6 ) dengan rata-rata 11
kasus.
> win.graph()
Residuals:
Min 1Q Median 3Q Max
-2400.3 -809.4 119.0 683.8 2933.4
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 948.93312 548.66986 1.730 0.0937 .
X1 0.02713 0.02493 1.088 0.2849
X2 -0.02592 0.02534 -1.023 0.3142
X3 1.08654 0.44736 2.429 0.0211 *
X4 -1.23865 4.41311 -0.281 0.7808
X5 7.96675 4.18452 1.904 0.0662 .
X6 -164.59643 83.53475 -1.970 0.0578 .
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022), 000 - 001 7
1 2 3 4 5 6 7 8 9
8 6 5 7 2 6 2 1 1
8 least connected regions:
143 146 155 162 164 170 173 177 with 1 link
1 most connected region:
161 with 9 links
> covid.listw <- nb2listw(covid.nb) #convert nb to listw type
> covid.listw
Characteristics of weights list object:
Neighbour list object:
Number of regions: 38
Number of nonzero links: 140
Percentage nonzero weights: 9.695291
Average number of links: 3.684211
8 Safira et al.
Weights style: W
Weights constants summary:
n nn S0 S1 S2
W 38 1444 38 26.78738 169.3149
Berdasarkan output diatas, menunjukkan bahwa pembobot spasial dengan 38
Kabupaten, yaitu jumlah link sebanyak 140 (9,69%) dengan rata-rata link adalah
3,68. Dengan weights style W diperoleh ringkasan konstanta S0, S1, dan S2.
3.5 Moran I
Statistik uji Moran I untuk autokorelasi spasial yang diterapkan pada residual
regresi diimplementasikan oleh fungsi lm.morantest. Fungsi ini beroperasi pada
objek lm dan mengharuskan objek bobot spasial ditentukan. Tes untuk korelasi
spasial membutuhkan objek listw, yang berisi bobot spasial.
> # Moran I
> lm.morantest(covid.lm, covid.listw, zero.policy = T)
Global Moran I for regression residuals
data:
model: lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6, data = covid)
weights: covid.listw
Coefficients:
(Intercept) covid$residuals
-221.2464 0.2595
Moran's I adalah kemiringan garis regresi antara spatial lagged values dan
nilai yang diamati (0.2595).
data:
model: lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6, data = covid)
weights: covid.listw
> summary(covid.slm)
Call:lagsarlm(formula = reg.eq, data = covid, listw = covid.listw,
zero.policy = TRUE)
Residuals:
Min 1Q Median 3Q Max
-2283.85 -902.27 179.58 617.07 2928.71
Type: lag
Coefficients: (numerical Hessian approximate standard errors)
Estimate Std. Error z value Pr(>|z|)
(Intercept) 367.649174 726.367691 0.5061 0.612753
X1 0.021695 0.022733 0.9543 0.339912
X2 -0.020217 0.023144 -0.8735 0.382383
X3 1.084264 0.396918 2.7317 0.006301
X4 -0.759617 3.879873 -0.1958 0.844779
X5 7.549612 3.684569 2.0490 0.040464
X6 -190.616075 77.687249 -2.4536 0.014142
Nilai koefisien spasial lag (𝑈𝑖 = 0,14782) artinya menunjukkan bahwa nilai
Penyebaran Covid-19 di suatu Kabupaten/Kota Jawa Timur akan naik sebesar kali
rata-rata Penyebaran Covid-19 dari daerah yang menjadi tetangga/bersinggungan
langsung dengan daerah tersebut, dengan asumsi variabel lain bersifat tetap.
data:
model: lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6, data = covid)
weights: covid.listw
Residuals:
Min 1Q Median 3Q Max
-2080.31 -922.39 175.35 562.98 2567.03
Type: error
Coefficients: (asymptotic standard errors)
Estimate Std. Error z value Pr(>|z|)
(Intercept) 958.182462 519.422744 1.8447 0.065080
X1 0.021821 0.024001 0.9092 0.363268
X2 -0.020257 0.024442 -0.8288 0.407235
X3 1.124449 0.352182 3.1928 0.001409
X4 -3.698160 3.670980 -1.0074 0.313741
X5 9.208393 3.554049 2.5910 0.009571
X6 -127.120629 68.917413 -1.8445 0.065105
3.8 Perbandingan Spatial Lag Model dan Spatial Error Model Melalui Linear
Regresi Model
> #Perhitungan AIC
> AIC(covid.lm)
[1] 666.1071
> AIC(covid.slm)
[1] 666.9547
> AIC(covid.sem)
[1] 663.7603
Nilai AIC dari model SLM (666.9547) yang lebih besar dari model Linear
Regresi Model (666.1071). Dengan demikian, dapat dikatakan bahwa model LM
lebih baik/lebih sesuai untuk menggambarkan model Penyebaran Covid-19 di Jawa
Timur. Sedangkan jika dibandingkan dengan Nilai AIC dari model SEM (663.7603)
nilainya lebih kecil. Sehingga, dapat dikatakan bahwa model SEM adalah model yang
terbaik untuk menggambarkan model Penyebaran Covid-19 di Jawa Timur.
> #Likelihood ratio
> LR.Sarlm(covid.lm, covid.slm)
Likelihood ratio for spatial linear models
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022), 000 - 001 13
data:
Likelihood ratio = -1.1525, df = 1, p-value = 0.283
sample estimates:
Log likelihood of covid.lm Log likelihood of covid.slm
-325.0536 -324.4773
> LR.Sarlm(covid.lm, covid.sem)
Likelihood ratio for spatial linear models
data:
Likelihood ratio = -4.3468, df = 1, p-value = 0.03708
sample estimates:
Log likelihood of covid.lm Log likelihood of covid.sem
-325.0536 -322.8802
Bila dibandingkan dengan model LM, model SLM dapat dikatakan lebih baik
karena nilai statistik Likelihood Ratio Test menunjukkan angka -1,1525 dengan sig.
0,283. Begitu juga dengan model SEM bila dibandingkan dengan model LM, dapat
dikatakan lebih baik karena nilai statistik Likelihood Ratio Test menunjukkan angka -
4.3468 dengan sig. 0,03708.
Berdasarkan hasil analisis serta kesimpulan yang diperoleh, terdapat saran untuk
penelitian selanjutnya dapat melakukan penelitian dengan menggunakan variabel
seperti stasiun, terminal dan kovariat lokasi kerumunan lainnya, ataupun
menggunakan metode yang lain seperti Gery’s C dan Getis-Ord G sehingga
didapatkan lebih banyak informasi mengenai risiko persebaran COVID-19 di Jawa
Timur.
Sedangkan untuk Pemerintah diharapkan memberikan perhatian khusus kepada
14 Safira et al.
daerah dengan risiko penambahan kasus COVID-19 yang tinggi seperti menerapkan
strategi khusus untuk mengendalikan masyarakat yang masih beraktifitas di lokasi
kerumunan dan tidak menerapkan protokol kesehatan.
Daftar Pustaka
Ilpaj, S. M., dan Nurwati, N. 2020.Analisis Pengaruh Tingkat Kematian Akibat Covid-19
Terhadap Kesehatan Mental Masyarakat Di Indonesia. Focus : Jurnal Pekerjaan
Sosial, 3(1), 16. https://doi.org/10.24198/focus.v3i1.2812
LeSage, J.P. (1999). The Theory and Practice of Spatial Econometrics. Department of
Economics University of Toledo.
Maknunah. 2021. Model Regresi Spasial Pada Penyebaran COVID-19 di Jawa Timur
Dengan Pemeriksaan Autokorelasi Spasial Melalui Uji Indeks Moran . Universitas
Islam Negeri Maulana Malik Ibrahim Malang.
Yasin, H., Hakim, A.R., dan Warsito, B. 2020. Regresi Spasial (Aplikasi dengan R).
Wade Group National Publishing. ISBN: 978-623-7548-64-5
Virania, T. A., Choiruddin, A., & Ratnasari, V. (2021). Analisis Risiko Penyebaran
Kasus Covid-19 di Surabaya Raya Menggunakan Model Thomas Cluster
Process. InferenVirania, T. A., Choiruddin, A., & Ratnasari, V. (2021). Analisis
Risiko Penyebaran Kasus Covid-19 di Surabaya Raya Menggunakan Model
Thomas Cluster Process. Inferensi, 4(1), 57-67.si, 4(1), 57-67.