IJSA (2022), Vol. 01, No.

01, 1-5 Indonesian Journal of Statistics and Its Applications

Analisis Regresi Spasial dengan Autokorelasi Spasial Melalui Uji

Indeks Moran serta Perbandingan Spatial Lag Model dan Spatial
Error Model (Studi Kasus Penyebaran COVID-19 di Jawa Timur)

Annisah Nurul Safira1, Ishmah Azzah Kameela 2, Maisy Wirdatama

Putri3, dan Hani Nur Afify 4

1,2,3,4Program Studi Statistika, Universitas Negeri Jakarta, Indonesia

Email: 1annisahnurulsafira_1314619004@mhs.unj.ac.id,
2ishmahazzahkameela_1314619012@mhs.unj.ac.id,

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

Regresi Spasial merupakan perkembangan dari model regresi klasik yang

mengasumsikan adanya hetrogenitas spasial. Autokorelasi spasial adalah perkiraan
dari hubungan antar nilai pengamatan yang berhubungan dengan lokasi spasial pada
variabel yang sama. Tujuan penelitian ini adalah untuk mengetahui bentuk model
regresi spasial dengan pemeriksaan autokorelasi spasial pada penyebaran Covid-19
di Jawa Timur. Penelitian menggunakan data jumlah penyebaran Covid-19 di Jawa
Timur.Dari hasil penelitian diperoleh hasil pemeriksaan autokorelasi spasial menggunakan
Indeks Moran pada taraf signifikan 𝛼 = 10% yang dapat disimpukan bahwa terdapat
autokorelasi spasial antar kabupaten pada jumlah penyebaran Covid-19 di Jawa Timur.
Selain itu dengan dilakukan perbandingan, diperoleh bentuk model regresi spasial lag, 𝑌𝑖 =
367,649 + 1,08426𝑋3 + 7,54961𝑋5 – 190,616𝑋6 + 0,14782𝑊𝑖𝑗𝑈𝑗 + 𝜀𝑖 dan diperoleh
juga model regresi spasial error yaitu 𝑌𝑖 = 958,128 + 1,12445 𝑋3 + 9,20839 𝑋5 −
127,121𝑋6 + 0,400546 𝑊𝑖𝑗𝑈𝑗 + 𝜀𝑖 . Diperoleh juga perbandingan nilai Linear Model dengan
model spasial lag dan spasial error, di dapatkan bahwa model spasial error menghasilkan
nilai AIC paling kecil. Sehingga, dapat dikatakan bahwa model SEM adalah model yang
terbaik untuk menggambarkan model Penyebaran Covid-19 di Jawa Timur.

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.

2.1 Bahan dan Data

Data yang digunakan merupakan data sekunder yang bersumber dari website
resmi pemerintah Jawa Timur yaitu data kasus Covid-19 yang terkonfirmasi di Jawa
Timur. Unit amatan pada data sebanyak 38 kabupaten/kota di Provinsi Jawa Timur.
Variabel yang digunakan terdapat satu variabel terikat (𝑌) dan enam variabel
bebas (𝑋). Dimana variabel terikat (𝑌) merupakan data jumlah kasus Covid-19 di
Jawa Timur per 30 Juni 2021 dengan 38 kabupaten/kota serta enam variabel terikat
yang disajikan dalam Tabel 1.
Tabel 1. Variabel Penelitian
Variabel Keterangan
Y Jumlah kasus Covid-19 di Jawa Timur
𝑋1 Jumlah Penduduk Laki- Laki per Kabupaten/Kota Provinsi
Jawa Timur
𝑋2 Jumlah Penduduk Perempuan per Kabupaten/Kota Provinsi
Jawa Timur
𝑋3 Jumlah Tenaga Kesehatan
𝑋4 Jumlah Tempat Tidur Kamar Covid-19
𝑋5 Jumlah Tempat Tidur Kamar ICU
𝑋6 Jumlah Fasilitas Kesehatan

2.2 Metode Penelitian

Pendekatan penelitian yang digunakan pada penelitian ini adalah studi literatur
dan deskriptif kuantitatif. Penggunaan studi literatur dengan mengumpulkan bahan
pustaka yang dibutuhkan peneliti sebagai acuan untuk menyelesaikan penelitian.
Sedangkan untuk pendekatan deskriptif kuantitatif dengan menyusun dan
menganalisis data penyebaran kasus Covid-19 di Jawa Timur dengan metode Indeks
Moran. Langkah–langkah yang dilakukan dalam penelitian ini adalah sebagai berikut:
1. Melakukan analisis deskriptif untuk mengetahui gambaran umum mengenai
penyebaran kasus Covid-19 di Jawa Timur.
4 Safira et al.

2. Uji dependensi spasial

3. Diagnosis ketergantungan spasial Linear Regresi Model
4. Menentukan matriks pembobotan spasial
Matriks yang digunakan dalam penelitian ini adalah matriks pembobotan tipe
queen contiguity (persinggungan sisi dan sudut).
5. Mendeteksi Autokorelasi Spasial dengan Indeks Moran dari data penyebaran
Covid-19 di Jawa Timur.
6. Membuat Scatterplot Indeks Moran dari Spatially Lagged Values
Wilayah yang rentan atau tidak terhadap penyebaran Covid-19 di Jawa Timur.
7. Membuat Model Regresi Spasial Lag
8. Membuat Model Regresi Spasial Error
9. Melihat perbandingan Model Regresi Spasial Lag dan Model Regresi Spasial
Error melalui Linear Regresi Model

3. Hasil dan Pembahasan

3.1 Analisis deskriptif
Penyebaran Covid-19 di Jawa Timur dapat dilihat pada Tabel 2. mengenai
data jumlah penyebaran Covid-19 di Jawa Timur dan faktor – faktor yang
mempengaruhi penyebaran Covid-19 di Jawa Timur yakni sebagai berikut:

Tabel 2. Analisis Deskriptif Penyebaran Covid-19 Di Jawa Timur

Variabel N Minimum Maximum Rata-Rata Std.Deviasi
Y 38 1221 25397 4553 4045,359
𝑋1 38 65685 1425168 533989,26 335136,676
𝑋2 38 66749 1449146 536160,63 333697,707
𝑋3 38 807 13107 20055,817 20055,817
𝑋4 38 76 2943 295,611 295,611
𝑋5 38 35 2721 467,402 467,402
𝑋6 38 2 60 11,21 11,053

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.

3.2 Aplikasi Uji Dependensi Spasial

Pertama-lama, lakukan pemanggilan packages yang akan digunakan dalam
melakukan analisis regresi spasial. Jika belum memiliki packages tersebut bisa
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022), 000 - 001 5

dengan penginstallan packages terlebih dahulu dengan cara

install.packages(‘nama packages‘)
> library(ggplot2) # untuk membuat grafik
> library(sf) # tipe dan penanganan data spasial
> library(mapview) # visualisasi data spasial
> library(spdep) # mendiagnosis ketergantungan spasial
> library(spatialreg) # spatial lag dan spatial error model
> library(readxl) # membaca file excel
> library(rgdal) # untuk operasi proyeksi dan transformasi GDAL
> library(sp) # kelas dan metode untuk data spasial
> library(tmap) # peta tematik visualisasi data spasial
> library(raster) # menganalisis dan memodelkan data spasial
> library(lmtest) # pengujian linear regresi model
Selanjutnya adalah pemanggilan data SHP yaitu geospatial vektor data format
untuk Provinsi Jawa Timur.
> #data shapefile kabupaten Indonesia
> shp <- readOGR(dsn = "D:/IDN_adm", layer = "IDN_adm2")
OGR data source with driver: ESRI Shapefile
Source: "D:\IDN_adm", layer: "IDN_adm2"
with 444 features
It has 11 fields
Integer64 fields read as strings: ID_0 ID_1 ID_2
> #data kabupaten provinsi Jawa Timur
> jatim <- shp [(shp$NAME_1 == "Jawa Timur"),]
> #mengurangi baris ke-10 karena tidak ada kotamadya Jember
> jatim <- jatim [-10, ]
Berikutnya, data penyebaran COVID-19 di Jawa Timur yang sudah
dimasukkan ke excel kemudian dipanggil dengan syntax berikut.
> #input data
> covid <- read_xlsx("D:/kapsel regresi spasial.xlsx")
> head(covid)
# A tibble: 6 x 9
`Kab/Kota` Y X1 X2 X3 X4 X5 X6 residuals
<chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Bangkalan 3527 522782 537595 2190 231 171 8 191.
2 Banyuwangi 7432 855220 852894 3602 308 154 14 2933.
3 Batu 1635 107301 105745 807 102 89 6 44.0
4 Blitar 6240 616511 607234 1863 218 153 8 2648.
5 Blitar 2839 74217 74932 1143 162 107 6 913.
6 Bojonegoro 2952 653686 647949 2815 321 254 10 -1975.
> #Menambahkan kolom variabel dalam file shp
> jatim$Y=covid$Y
> #Menampilkan Layout Peta Tiap Variabel
> projection(jatim) <- CRS("+init=epsg:3395")
> win.graph()
> tm_shape(jatim) + tm_polygons(col="Y")
6 Safira et al.

> win.graph()

Gambar 1: Peta Penyebaran Covid-19 di Jawa Timur

Pada gambar diatas menjelaskan bahwa terdapat 6 interval dari jumlah

penyebaran Covid-19 di Jawa Timur. Jika warna menunjukkan semakin gelap maka
frekuensi penyebaran Covid -19 di Kabupaten/Kota tersebut makin tinggi. Terdapat
warna paling gelap ada pada daerah Surabaya yang dapat diartikan bahwa jumlah
penyebaran Covid-19 daerah tersebut paling tinggi.

3.3 Linear Regression Model

Untuk dapat membandingkan model-model pada regresi spasial dibutuhkan
pembanding utama yaitu Linear Regresi atau metode Ordinary Least Square (OLS)
seperti pada regresi berganda. Model regresi linear sederhana yang mempresiksi
penyebaran Covid di Jawa Timur yang dipengaruhi oleh jenis kelamin, banyaknya
tenaga kesehatan, jumlah tempat tidur kamar Covid-19 dan jumlah tempat tidur
kamar ICU yang disediakan, serta banyaknya fasilitas kesehatan.
> #LINEAR REGRESSION MODEL
> covid.lm <- lm(Y ~ X1 + X2 + X3 + X4 + X5 + X6 , data=covid)
> summary(covid.lm)
Call:
lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6, data = covid)

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

Residual standard error: 1390 on 31 degrees of freedom

Multiple R-squared: 0.9011, Adjusted R-squared: 0.882
F-statistic: 47.08 on 6 and 31 DF, p-value: 3.159e-14
Pada output dapat di dapatkan model Linear Regresi untuk data penyebaran
Covid-19 di Jawa Timur adalah sebagai berikut:
𝑌 = 948,93312 + 0.02713 𝑋1 – 0,02592 𝑋2 + 1,08654𝑋3 – 1,23865 𝑋4 + 7,96675 𝑋5
– 164,59643 𝑋6 + 𝜀𝑖

3.4 Matriks Pembobot

Dalam analisis regresi, terkadang ditemukan adanya data yang memiliki efek
spasial sehingga memerlukan penanganan menggunakan analisis spasial. Menurut
Kosfeld dalam Wuryandari, et al. (2014), hal yang sangat penting dalam analisis
spasial adalah matriks pembobot spasial. Matriks pembobot spasial digunakan untuk
menentukan bobot antar lokasi yang diamati berdasarkan hubungan ketetanggaan
antar lokasi. Dalam kasus kali ini menggunakan pembobot Queen contiguity.
#Matriks Pembobot
> covid.nb <- poly2nb(jatim) #Pembobot queen
> covid.nb
Neighbour list object:
Number of regions: 38
Number of nonzero links: 140
Percentage nonzero weights: 9.695291
Average number of links: 3.684211
summary(covid.nb)
Neighbour list object:
Number of regions: 38
Number of nonzero links: 140
Percentage nonzero weights: 9.695291
Average number of links: 3.684211
Link number distribution:

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

Moran I statistic standard deviate = 2.382, p-value = 0.00861

alternative hypothesis: greater
sample estimates:
Observed Moran I Expectation Variance
0.25948522 -0.04686683 0.01654108
Uji Moran I menunjukkan autokorelasi spasial pada residual regresi (p <0,001).
Hasil perhitungan diketahui bahwa nilai 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 = 2,382 > 𝑍𝛼/2 = 1,645 pada taraf
signifikan 𝛼 = 10% sehingga keputusan yang diambil adalah Tolak 𝐻0 yang berarti
terdapat autokorelasi spasial, dengan nilai Indeks Moran sebesar 0,2595 berada
pada rentang 0 < 𝐼𝑚 ≤ 1 yang menunjukan adanya autokorelasi spasial positif dan
ditemukan pola penyebaran Covid-19 berkelompok.
Selanjutnya, dilakukan juga pengujian Moran I dengan Spatially Lagged
Values untuk mendapatkan scatterplot yang dapat mendeskripsikan Wilayah yang
rentan atau tidak terhadap penyebaran Covid-19 di Jawa Timur.
> #Understanding Moran I
> #Spatially lagged values
> covid$residuals <- residuals(covid.lm)
> par(mfrow=c(1,2))
> Inc.lag <- lag.listw(covid.listw, covid$residuals,
zero.policy=T)
> plot(covid$residuals, Inc.lag,
xlab = 'covid$residuals',
ylab = 'Inc.lag',
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022), 000 - 001 9

main = 'Spatially lagged values')

> moran.plot(covid$residuals, covid.listw, zero.policy = TRUE,
xlab = 'covid$residuals',
ylab = 'Spatially lagged covid$residuals',
main = 'Spatially lagged values')

Gambar 2: Scatterplot Spatially Lagged Values

Scatterplot mengungkapkan pola spasial dalam residual: residual yang

terlokalisasi cenderung lebih kecil untuk residual negatif dan lebih tinggi untuk
residual positif.
> lm(Inc.lag ~ covid$residuals)
Call:
lm(formula = Inc.lag ~ covid$residuals)

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).

3.6 Spatial Lag Model

> #PERSAMAAN REGRESI
> reg.eq <- Y~X1 + X2 + X3 + X4 + X5 + X6
> #Lagrange Multiplier Test
> lm.LMtests(covid.lm, covid.listw, test="LMlag", zero.policy =
T) # spatial lag model
Lagrange multiplier diagnostics for spatial dependence

data:
model: lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6, data = covid)
weights: covid.listw

LMlag = 0.80888, df = 1, p-value = 0.3685

> #SLM (Spatial Lag Model)
> covid.slm <- lagsarlm(reg.eq, data=covid, listw =
covid.listw, zero.policy = TRUE)
10 Safira et al.

> 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

Rho: 0.14782, LR test value: 1.1525, p-value: 0.28303

Approximate (numerical Hessian) standard error: 0.13656
z-value: 1.0825, p-value: 0.27904
Wald statistic: 1.1718, p-value: 0.27904

Log likelihood: -324.4773 for lag model

ML residual variance (sigma squared): 1519200, (sigma: 1232.6)
Number of observations: 38
Number of parameters estimated: 9
AIC: 666.95, (AIC for lm: 666.11)
Berdasarkan output tersebut, diperoleh informasi bahwa model Spatial Lag
Model yang diperoleh dapat dituliskan sebagai berikut:
𝑌𝑖 = 367,649 + 1,08426𝑋3 + 7,54961𝑋5 − 190,616𝑋6 + 𝑈𝑖
𝑈𝑖 = 0,14782𝑤𝑖𝑗 𝑈𝑗 + 𝜀𝑖
Model regresi spasial lag dapat diinterpretasikan bahwa pengaruh Jumlah
Tenaga Kesehatan (𝑋3) terhadap Y adalah sama untuk setiap kabupaten/kota
dengan elastisitas sebesar 1,08426 artinya jika nilai 𝑋3 di suatu kabupaten/kota naik
sebesar 1 satuan maka nilai 𝑋3 akan naik sebesar 1,08426. Pengaruh Jumlah
Tempat Tidur Kamar ICU (𝑋5) terhadap Y adalah sama untuk setiap kabupaten/kota
dengan elastisitas sebesar 7,54961 artinya jika nilai 𝑋5 di suatu kabupaten/kota naik
sebesar 1 satuan maka nilai 𝑋5 akan naik sebesar 7,54961. Koefisien pada variabel
(𝑋6) sebesar -190,616 betanda negatif menyatakan bahwa variabel Jumlah Fasilitas
Kesehatan (𝑋6) berpengaruh negatif terhadap Jumlah Penyebaran Covid-19 (Y)
artinya jika Jumlah Fasilitas Kesehatan (𝑋6) di suatu kabupaten/kota mengalami
penurunan sebesar 1 satuan maka Jumlah Penyebaran Covid-19 di Jawa Timur akan
bertambah sebesar 190,616.
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022), 000 - 001 11

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.

3.7 Spatial Error Model

> #PERSAMAAN REGRESI
> reg.eq <- Y~X1 + X2 + X3 + X4 + X5 + X6
> #Lagrange Multiplier Test
> lm.LMtests(covid.lm, covid.listw, test="LMerr", zero.policy =
T) # spatial error
Lagrange multiplier diagnostics for spatial dependence

data:
model: lm(formula = Y ~ X1 + X2 + X3 + X4 + X5 + X6, data = covid)
weights: covid.listw

LMlag = 0.80888, df = 1, p-value = 0.3685

> #SEM (Spatial Error Model)
> covid.sem <- errorsarlm(reg.eq, data=covid, listw =
covid.listw, zero.policy = TRUE)
> covid.sem
> summary(covid.sem)
Call:errorsarlm(formula = reg.eq, data = covid, listw = covid.listw,
zero.policy = TRUE)

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

Lambda: 0.40055, LR test value: 4.3468, p-value: 0.037078

Approximate (numerical Hessian) standard error: 0.1759
z-value: 2.2771, p-value: 0.02278
Wald statistic: 5.1852, p-value: 0.02278

Log likelihood: -322.8802 for error model

12 Safira et al.

ML residual variance (sigma squared): 1338400, (sigma: 1156.9)

Number of observations: 38
Number of parameters estimated: 9
AIC: 663.76, (AIC for lm: 666.11)
Berdasarkan output tersebut, diperoleh informasi bahwa model Spatial Error
Model yang diperoleh dapat dituliskan sebagai berikut:
𝑌𝑖 = 958,128 + 1,12445𝑋3 + 9,20839𝑋5 − 127,121𝑋6 + 𝑈𝑖
𝑈𝑖 = 0,40055𝑤𝑖𝑗 𝑈𝑗 + 𝜀𝑖
Model regresi spasial error dapat diinterpretasikan bahwa pengaruh Jumlah
Tenaga Kesehatan (𝑋3) terhadap Y adalah sama untuk setiap kabupaten/kota
dengan elastisitas sebesar 1,12445 artinya jika nilai 𝑋3 di suatu kabupaten/kota naik
sebesar 1 satuan maka nilai 𝑋3 akan naik sebesar 1,12445 . Pengaruh Jumlah
Tempat Tidur Kamar ICU (𝑋5) terhadap Y adalah sama untuk setiap kabupaten/kota
dengan elastisitas sebesar 9,20839 artinya jika nilai 𝑋5 di suatu kabupaten/kota naik
sebesar 1 satuan maka nilai 𝑋5 akan naik sebesar 9,20839. Koefisien pada variabel
(𝑋6) sebesar -127.121 betanda negatif menyatakan bahwa variabel Jumlah Fasilitas
Kesehatan (𝑋6) berpengaruh negatif terhadap Jumlah Penyebaran Covid-19 (Y)
artinya jika Jumlah Fasilitas Kesehatan (𝑋6) di suatu kabupaten/kota mengalami
penurunan sebesar 1 satuan maka Jumlah Penyebaran Covid-19 di Jawa Timur akan
bertambah sebesar 127.121.
Nilai koefisien spasial lag (𝑈𝑖 = 0,40055) 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.

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.

4. Simpulan dan Saran

Berdasarkan analisis dan hasil yang sudah dibahas sebelumnya, diperoleh

kesimpulan sebagai berikut:
1. Model regresi spasial pada jumlah penyebaran Covid-19 di jawa Timur
menggunakan Model Regresi Spasial Lag, berikut model yang terbentuk: 𝑌𝑖 =
367,649 + 1,08426𝑋3 + 7,54961𝑋5 – 190,616𝑋6 + 0,14782𝑊𝑖𝑗𝑈𝑗 + 𝜀𝑖 dan
diperoleh juga model regresi spasial error yaitu 𝑌𝑖 = 958,128 + 1,12445 𝑋3 +
9,20839 𝑋5 − 127,121𝑋6 + 0,400546 𝑊𝑖𝑗𝑈𝑗 + 𝜀𝑖 .
2. Diperoleh juga perbandingan nilai Linear Model dengan model spasial lag dan spasial
error, di dapatkan bahwa model spasial error menghasilkan nilai AIC paling kecil.
Sehingga, dapat dikatakan bahwa model SEM adalah model yang terbaik untuk
menggambarkan model Penyebaran Covid-19 di Jawa Timur.
3. Hasil pemeriksaan autokorelasi spasial dengan Uji Moran I menunjukkan
autokorelasi spasial pada residual regresi (p<0,001). Hasil perhitungan
diketahui bahwa nilai 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 = 2,382 > 𝑍𝛼/2 = 1,645 pada taraf signifikan 𝛼 =
10% sehingga keputusan yang diambil adalah Tolak 𝐻0 yang berarti terdapat
autokorelasi spasial, dengan nilai Indeks Moran sebesar 0,2595 berada pada
rentang 0 < 𝐼𝑚 ≤ 1 yang menunjukan adanya autokorelasi spasial positif dan
ditemukan pola penyebaran Covid-19 berkelompok.

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

Anselin, L. 1988. Spatial Econometrics: Methods and Models. Dordrecht: Kluwer

Academic Publishers.
Bekti, R. D. 2012. Autokorelasi Spasial untuk Identifikasi Pola Hubungan Kemiskinan di
Jawa Timur. ComTech: Computer, Mathematics and Engineering Applications,
3(1), 217. https://doi.org/10.21512/comtech.v3i1.2404.

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.