ULANGAN TENGAH SEMESTER

STATISTIKA SPASIAL

Dosen:
Muhammad Ihwal, S.Pd., M.Si.

OLEH :
SASKYA LIDAYANI (F1A220099)
DAHRUL ILHAM KALENGGO (F1A220071)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDARI
2023
 UTS STATISTIKA SPASIAL
A. Autokorelasi Spasial
Autokorelasi spasial adalah korelasi antara variabel dengan dirinya sendiri
berdasarkan ruang atau dapat juga diartikan suatu ukuran kemiripan dari
objek di dalam suatu ruang (jarak, waktu dan wilayah). Jika terdapat pola
sistematik di dalam penyebaran sebuah variabel, maka terdapat autokorelasi
spasial. Adanya autokorelasi spasial mengindikasikan bahwa nilai atribut
pada daerah tertentu terkait oleh nilai atribut tersebut pada daerah lain yang
letaknya berdekatan atau bertetangga (Lembo, 2006).
Autokorelasi spasial pada suatu titik yaitu sejauh mana suatu titik saling
berhubungan atau hal-hal yang terjadi pada titik-titik ini mirip dengan titik
lain atau fenomena apa yang terjadi pada titik tersebut. Autokorelasi spasial
positif menunjukkan adanya signifikansi pada titik distribusi memiliki
karakteristik yang sama, dimana cenderung dekat satu sama lain. Jika
autokorelasi spasial negatif, titik distribusi yang berdekatan cenderung
memiliki karakteristik yang berbeda.Apabila titik berdistribusi acak maka
tidak ada autokorelasi spasial.
Berdasarkan data yang digunakan dalam penelitian ini merupakan data
sekunder yang diperoleh dari website BPS tentang data Banyaknya Petugas
RT & RW Menurut Kelurahan di Kecamatan Kadia Kota Kendari tahun 2020.
No Kelurahan Petugas RT & RW
1 Bende 49
2 Kadia 37
3 Anawoi 16
4 Wowanggu 20
5 Podambea 18
Total 140
B. Matriks Contyguity
Matriks contiguity adalah matriks yang menggambarkan hubungan antar
daerah atau matriks yang menggambarkan hubungan kedekatan antar daerah.
Jika daerah i saling berdekatan atau berbatasan langsung dengan daerah j,
maka unsur (i,j) diberi nilai 1. Jika daerah i tidak saling berdekatan dengan
daerah j, maka unsur (i,j) diberi nilai 0. Matriks contiguity dinotasikan
dengan C, dan cij merupakan nilai dalam matriks baris ke-i dan kolom ke-j
(Lee dan Wong, 2001).
Matriks contiguity ini memiliki grid umum kedekatan/ketetanggaan yang
dapat didefinisikan dalam beberapa cara (Lesage, 1999):
a. Persinggungan sisi (rook contiguity)
b. Persinggungan sudut (bhisop contiguity)
c. Persinggungan sisi sudut (queen contiguity)
C. Matriks Pembobot Spasial
Dalam perhitungan matriks pembobot spasial atau matriks contiguity yang
terstandarisasi diperlukan proses standarisasi terhadap matriks pembobot
spasial untuk mendapatkan jumlah baris yang unity, yaitu jumlah barisnya
sama dengan satu.
D. Hasil Analisis
1. Matriks Pembobot

5
1
2

3 4

Matriks pembobot menggunakan queen Contiguityyan dapat

terbentuk dari Gambar diatas adalah sebagai berikut.
 [ ]
0 1 1 1 1
1 0 1 0 1
C= 1 1 0 1 0
1 0 1 0 0
1 1 0 0 0

[ ]
1 1 1 1
0
4 4 4 4
1 1 1
0 0
3 3 3
1 1 1
W ij = 0 0
3 3 3
1 1
0 0 0
2 2
1 1
0 0 0
2 2

2. Moran’s I
2
Kelurahan x d=(x i−x ) d ( x i−x )
Bende 49 (49−28) 21 441
Kadia 37 (37−28) 9 81
Anawoi 16 (16−28) −12 144
Wowanggu 20 (20−28) −8 64
Podambea 18 (18−28) −10 100
Total x=28 830

i,j 1 2 3 4 5
1 0 d1 d2 d1 d3 d1 d4 d1 d5
2 d2 d1 0 d2 d3 0 d2 d5
3 d3 d1 d3 d2 0 d3 d4 0
4 d4 d1 0 d4 d3 0 0
5 d5 d1 d5 d2 0 0 0

i,j 1 2 3 4 5
1 0 189 -252 -168 -210
 2 189 0 -108 0 -90
3 -252 -108 0 96 0
4 -168 0 96 0 0
5 -210 -90 0 0 0

Program Manual Menggunakan RStudio

> # Memuat data
> spatial_data=c(49,37,16,20,18)
> spatial_data
[1] 49 37 16 20 18
> dist_matrix=matrix(c(189,-252,-168,-210,189,-108,-90,-
252,-108,96,-168,96,-210,-90,1), nrow=5, ncol=3, byrow=T)
> dist_matrix
[,1] [,2] [,3]
[1,] 189 -252 -168
[2,] -210 189 -108
[3,] -90 -252 -108
[4,] 96 -168 96
[5,] -210 -90 1
> mean<- mean(spatial_data)
> mean
[1] 28
> var<- var(spatial_data)
> var
[1] 207.5
> n <- length(spatial_data)
> n
[1] 5
> w <- dist_matrix^-1/rowSums(dist_matrix^-1)
> w
[,1] [,2] [,3]
[1,] -1.14285714 0.85714286 1.2857143
[2,] 0.54545455 -0.60606061 1.0606061
[3,] 0.45652174 0.16304348 0.3804348
[4,] 0.70000000 -0.40000000 0.7000000
[5,] -0.00483871 -0.01129032 1.0161290
> z <- spatial_data - mean
> z
[1] 21 9 -12 -8 -10
> I <- (n/sum(w)) * sum(w*z)*z/var
> I
[1] 0.258454e-16
> E_I <- -1 / (n - 1)
> E_I
[1] -0.25
> V_I <- (n * n - 3 * n + 3) / ((n - 1) * (n - 2)) *
E_I^2
> V_I
[1] 0.06770833
> z_I <- (I - E_I) / sqrt(V_I)
> z_I
[1] 0.9607689
 > p_I <- 2 * pnorm(abs(z_I), lower.tail = FALSE)
> p_I
[1] 0.3366684
> cat("Moran's I =", round(I, 4), "\n")
Moran's I = 0.25845
> cat("z-score =", round(z_I, 4), "\n")
z-score = 0.9608
> cat("p-value =", format(p_I, scientific = FALSE, digits
= 4), "\n")
p-value = 0.3367

Pada uji Moran’s I, Tolak H0 pada taraf signifikasi α jika

Z ( I )> Z 1−α =Z 0.95=1.645. dari hasil perhitungan dapat diketahui bahwa
nilai Z ( I )=0.9608< Z 0.95=1.645. sehingga H0 diterima atau kesimpulan
bahwa tidak terdapat autokorelasi spasial.
Dari pengujian Indeks Moran diperoleh kesimpulan bahwa pada
taraf signifikansi 5% dinyatakan tidak terdapat autokorelasi spasial
tehadap banyaknya Petugas RT&RW menurut Kelurahan Kecamatan
Kadia Kota Kendari. Nilai Indeks Moran sebesar 0,25845 berada pada
rentang 0 < I ≤ 1 dan menunjukkan adanya autokorelasi spasial positif
namun korelasinya dapat dikatakan lemah karena mendekati nol. Berarti
disimpulkan bahwa antar kelurahan satu dengan yang lainnya tidak
memiliki kemiripan nilai atau mengindikasikan bahwa data tidak
berkelompok.

3. Geary’s Ratio
2
Kelurahan x d=(x i−x ) d (x i−x )
Bende 49 (49−28) 21 441
Kadia 37 (37−28) 9 81
Anawoi 16 (16−28) −12 144
Wowanggu 20 (20−28) −8 64
Podambea 18 (18−28) −10 100
Total x=28 830

i,j 1 2 3 4 5
1 0 2 2 2
( x ¿ ¿ 1−x 2) ¿ ( x ¿ ¿ 1−x 3) ¿ (x ¿ ¿ 1−x 4 ) ¿ ( x ¿ ¿ 1−x 5) ¿
2

2 (x ¿ ¿ 2−x 1)2 ¿ 0 ( x ¿ ¿ 2−x 3)2 ¿ (x ¿ ¿ 2−x 4 )2 ¿ ( x ¿ ¿ 2−x 5)2 ¿

3 2
(x ¿ ¿ 3−x 1 ) ¿ ( x ¿ ¿ 3−x 2 ) ¿
2
0 2 2
( x ¿ ¿ 3−x 4 ) ¿ ( x ¿ ¿ 3−x 5 ) ¿
4 (x ¿ ¿ 4−x 1)2 ¿ ( x ¿ ¿ 4−x 2)2 ¿ ( x ¿ ¿ 4−x 3)2 ¿ 0 ( x ¿ ¿ 4−x 5)2 ¿
5 2 2 2
(x ¿ ¿ 5−x 1) ¿ ( x ¿ ¿ 5−x 2 ) ¿ (x ¿ ¿ 5−x 3 ) ¿ (x ¿ ¿ 5−x 4 ) ¿
2
0

i,j 1 2 3 4 5
1 0 144 1089 841 961
2 144 0 441 289 361
3 1089 441 0 16 4
4 841 289 16 0 4
5 961 361 4 4 0

Program Manual Menggunakan RStudio

> # Memuat data
> spatial_data=c(49,37,16,20,18)
> spatial_data
[1] 49 37 16 20 18
>
dist_matrix=matrix(c(144,1089,841,961,144,441,289,361,1089
,441,16,4,841,289,16,4,961,361,4,4), nrow=5, ncol=5,
byrow=T)
> dist_matrix
[,1] [,2] [,3] [,4] [,5]
[1,] 144 1089 841 961 144
[2,] 441 289 361 1089 441
[3,] 16 4 841 289 16
[4,] 4 961 361 4 4
[5,] 144 1089 841 961 144
> mean<- mean(spatial_data)
> mean
[1] 28
> var<- var(spatial_data)
> var
[1] 207.5
> n <- length(spatial_data)
> n
[1] 5
> w <- dist_matrix^-1 / rowSums(dist_matrix^-1)
> w
[,1] [,2] [,3] [,4]
[,5]
[1,] 0.4076142 0.05389940 0.069793637 0.061078510
0.4076142
[2,] 0.1940799 0.29615654 0.237089305 0.078594343
0.1940799
[3,] 0.1646256 0.65850252 0.003131998 0.009114222
0.1646256
[4,] 0.3316483 0.00138043 0.003674773 0.331648266
0.3316483
[5,] 0.4076142 0.05389940 0.069793637 0.061078510
0.4076142
> z <- spatial_data - mean
> z
[1] 21 9 -12 -8 -10
> C <- sum(w * (z^2)) / (2 * var * sum(w))
> C
[1] 0.4
> E_C <- (n - 1) / (2 * (n - 2))
> E_C
[1] 0.6666667
> V_C <- (n * n - 5 * n + 6) / ((n - 1) * (n - 2)) * E_C^2
> V_C
[1] 0.2222222
> z_C <- (C - E_C) / sqrt(V_C)
> z_C
[1] -0.5656854
> p_C <- 2 * pnorm(abs(z_C), lower.tail = FALSE)
> p_C
[1] 0.5716076
> cat("Geary's C =", round(C, 4), "\n")
Geary's C = 0.4
> cat("z-score =", round(z_C, 4), "\n")
z-score = -0.5657
> cat("p-value =", format(p_C, scientific = FALSE, digits
= 4), "\n")
p-value = 0.5716

Pada uji Geary’s Rasio, Tolak H0 pada taraf signifikasi α jika

Z ( I )> Z 1−α =Z 0.95=1.645. dari hasil perhitungan dapat diketahui bahwa
nilai Z ( C )=−0 , 5657< Z 0.95=1.645. sehingga H0 diterima atau kesimpulan
bahwa tidak terdapat autokorelasi spasial.
Dari pengujian Geary’s Rasio diperoleh kesimpulan bahwa pada
taraf signifikansi 5% dinyatakan tidak terdapat autokorelasi spasial
tehadap banyaknya Petugas RT&RW menurut Kelurahan Kecamatan
Kadia Kota Kendari. Nilai Indeks Moran sebesar 0,4 berada pada rentang
0 < C ≤ 2 dan menunjukkan adanya autokorelasi spasial positif namun
korelasinya dapat dikatakan lemah karena mendekati nol. Berarti
disimpulkan bahwa antar kelurahan satu dengan yang lainnya tidak
memiliki kemiripan nilai atau mengindikasikan bahwa data tidak
berkelompok.