Alya Chairunnisa - PPT Semhas

Seminar Hasil Tugas Akhir
ANALISIS SOCIO-SPATIAL TERHADAP

PERSEBARAN COVID-19 MENGGUNAKAN METODE
SISTEM INFORMASI GEOGRAFIS (SIG)
(STUDI KASUS: KOTA SURABAYA)
Disusun Oleh:
Alya Chairunnisa | 03311840000005
Dosen Pembimbing: <<

Nurwatik, ST, MSc
TABLE OF CONTENTS
01 PENDAHULUAN
02 METODOLOGI PENELITIAN
03 HASIL DAN PEMBAHASAN

04 KESIMPULAN DAN SARAN
2
PENDAHULUAN
LATAR BELAKANG
Covid-19 per
16/01/22: 4.271.649 positif Covid-19
(Indonesia) (Satgas Covid-19,2022)
Covid-19 per
16/01/22: 67,108 positif Covid-19
(Satgas Covid-19 Surabaya,2022)
(Surabaya)
Faktor yang menyebabkan: Geographically

Weighted Regression
Ordinary Least
GIS Squares
Spatial
Autocorrelation
4
BATASAN MASALAH
1. Wilayah studi berada di Kota Surabaya dengan berbasis variasi kasus Covid-19 per kelurahan.
2. Karakteristik analisis socio-spatial yang digunakan adalah fasilitas umum (pasar/pusat niaga lainnya, terminal bus, stasiun),
fasilitas kesehatan, kepadatan bangunan, total penduduk, kepadatan penduduk, data mobilitas penduduk, kelompok usia 0-17
tahun, kelompok usia 18-40 tahun, kelompok usia 41-60, dan kelompok usia > 60 tahun di Kota Surabaya.
3. Analisis menggunakan metode Geographically Weighted Regression (GWR), Ordinary Least Square (OLS), dan autokorelasi
spasial.
4. Data kasus positif Covid-19 di Kota Surabaya yang digunakan adalah data yang diperoleh melalui laman https://
lawancovid-19.surabaya.go.id/
5
TUJUAN PENELITIAN
Melakukan perbandingan hasil pemetaan

korelasi parameter socio-spatial terhadap
persebaran Covid-19 dengan
menggunakan metode GWR dan OLS di
Kota Surabaya
1 3
Menghitung korelasi parameter socio-
spatial terhadap persebaran Covid-19 2 Mengidentifikasi parameter socio-spatial
dengan menggunakan metode GWR dan
terhadap penyebaran covid-19
OLS di Kota Surabaya.
berdasarkan pola spasialnya menggunakan
autokorelasi spasial
6
MANFAAT PENELITIAN
1. Dapat mengidentifikasi mengenai korelasi antara hubungan parameter socio-spatial terhadap penyebaran Covid-19 di Kota
Surabaya
2. Dapat mengidentifikasi parameter socio-spatial yang memiliki pengaruh besar terhadap penyebaran COVID-19 di Kota
Surabaya, sehingga diharapkan dapat membantu para pengambil kebijakan dalam menganalisis kondisi daerahnya dan
menentukan langkah yang tepat dalam menangani penyebaran COVID-19.
7
METODOLOGI
PENELITIAN
LOKASI PENELITIAN
KOTA SURABAYA
Secara astronomis, Kota Surabaya terletak antara 07° 9’ s.d 07°

21’ Lintang Selatan dan 112° 36’ s.d 112° 54’ Bujur Timur, terbagi
dalam 31 Kecamatan dan 154 Kelurahan.
9
DATA
1. Peta Batas Administrasi Kota Surabaya yang diperoleh dari Ina-Geoportal

2. Data jumlah penduduk Kota Surabaya per kelurahan tahun 2021 yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Surabaya
3. Data kepadatan penduduk Kota Surabaya per kelurahan tahun 2021 yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Surabaya
4. Data penduduk berdasarkan kelompok usia per kelurahan tahun 2021 yang diperoleh dari Dinas Kependudukan dan Pencatatan Sipil Kota Surabaya
5. Data mobilitas penduduk Kota Surabaya yang diperoleh dari Data for Good by Facebook, diakses melalui laman https://dataforgood.facebook.com/
6. Data kasus positif Covid-19 di Kota Surabaya yang diperoleh dari https://lawancovid-19.surabaya.go.id/
7. Data detail bangunan Kota Surabaya yang diperoleh dari Open Street Map (OSM)
8. Data fasilitas kesehatan di Kota Surabaya yang diperoleh dari Open Street Map (OSM)
9. Data fasilitas umum di Kota Surabaya yang diperoleh dari Open Street Map (OSM)
10
PERALATAN
a. Perangkat Keras (Hardware)
1. Laptop
2. Mouse
b. Perangkat Lunak (Software)

3. Software pengolah data spasial
4. Microsoft Word 2010 untuk pembuatan laporan
5. Microsoft Power Point 2010 untuk pembuatan presentasi
11
PENGOLAHAN DATA
1. Pengumpulan data yang akan digunakan dalam penelitian ini. Data yang diperlukan dalam penelitian ini adalah Peta Batas Administrasi Kota
Surabaya, data kasus positif Covid-19, data faktor-faktor socio-spatial di Kota Surabaya. Adapun data faktor socio spatial yang akan
digunakan terbagi menjadi tiga kategori, yaitu:
a. Lingkungan
Kategori lingkungan merupakan karakteristik spasial yang digunakan dalam penelitian ini. Kategori ini meliputi Fasilitas umum
(pasar/pusat niaga lainnya, terminal bus, stasiun), fasilitas kesehatan, dan kepadatan bangunan di Kota Surabaya.
b. Demografi
Total penduduk, kepadatan penduduk, dan kelompok usia 0-17 tahun, kelompok usia 18-40 tahun, kelompok usia 41-60, dan
kelompok usia > 60 tahun.
c. Human Mobility
Data mobilitas penduduk, yang digunakan merupakan Data for Good by Facebook yang menunjukkan berapa banyak pengguna
riwayat lokasi Facebook yang berpindah dari satu area ke area lain.
12
PENGOLAHAN DATA
2. Input Data to Field. Kemudian, data Lingkungan, Demografi, dan Human Mobility dihubungkan dengan data spasial poligon batas
kelurahan, dengan cara melakukan penambahan tabel atribut pada data spasial tersebut dengan keterangan nilai masing-masing parameter
tersebut. Selanjutnya, dilakukan input nilai masing-masing parameter tersebut sesuai dengan kolom tabel atribut yang tersedia.
3. Ordinary Least Squares (OLS) dan Geographically Weighted Regression (GWR). Metode regresi spasial diterapkan dalam penelitian ini.
Data yang terkait dengan faktor lingkungan, demografi dan mobilitas penduduk dikumpulkan dan dianalisis untuk menjelaskan variabilitas
spasial kejadian penyakit ini. Dua model regresi yaitu Ordinary Least Squares (OLS) dan Geographically Weighted Regression (GWR)
dikembangkan dalam penelitian ini. Kasus positif COVID-19 dianggap sebagai variabel dependen untuk tujuan pemodelan dan
interpretasi. Sedangkan faktor socio-spatial dianggap sebagai variabel independen untuk pengembangan model.
13
PENGOLAHAN DATA
4. Autokorelasi Spasial. Kemudian, mengidentifikasi parameter socio-spatial menggunakan autokorelasi spasial. Dalam penelitian ini
dilakukan dengan menggunakan metode Average Nearest Neighbour.
5. Analisis hasil modelling OLS, GWR, Autokorelasi Spasial. Dari hasil modelling dengan GWR dan OLS akan diperoleh distribusi spasial
nilai koefisien setiap komponen socio-spatial terhadap penyebaran kasus covid-19. Selanjutnya, melakukan analisis hasil identikasi pola
spasial parameter socio-spatial berdasarkan prinsip autokorelasi secara spasial.
14
HASIL DAN
PEMBAHASAN
A. Kasus Covid-19 di Surabaya
Penelitian ini mengambil waktu penelitian pada 3 hari berbeda yaitu, 30 Januari
2022, 19 Februari 2022, dan 09 Maret 2022. Berdasarkan data dari Satgas Covid
19 Surabaya, tercatat bahwa angka terkonfirmasi Covid-19 di Kota Surabaya per
30 Januari 2022, yaitu sebanyak 67.836. Selanjutnya, angka meningkat pada 19
Februari 2022, yaitu sebanyak 88.982 kasus Covid-19 di Surabaya. Pada bulan
selanjutnya, angka kasus Covid-19 menjadi 112.467 per 09 Maret 2022.
16
B. Kondisi Eksisting Parameter Socio-Spatial
di Surabaya
Parameter Nilai Klasifikasi
<5 unit Rendah
Fasilitas
5-10 unit Sedang
Kesehatan
>10 unit Tinggi
<5 unit Rendah
Fasilitas
5-10 unit Sedang
umum
>10 unit Tinggi
Berikut rentang nilai untuk klasifikasi kondisi Sangat
< 10 bangunan/ha
Rendah
eksisting masing-masing parameter Socio-spatial 11 – 40 bangunan/ha Rendah
Kepadatan
41 – 60 bangunan/ha Sedang
Bangunan
61 – 80 bangunan/ha Tinggi
Sangat
> 81 bangunan/ha
Tinggi
< 150 jiwa/ha Rendah
Kepadatan
151 – 200 jiwa/ha Sedang
Penduduk
> 201 jiwa/ha Tinggi
<3000 jiwa Rendah
Kelompok
3000-4999 jiwa Sedang
usia
>4500 jiwa Tinggi
17
di Surabaya
1. Fasilitas Kesehatan 2. Fasilitas Umum 3. Kepadatan Penduduk
18
di Surabaya
4. Kepadatan Bangunan 5. Kelompuk usia 6. Kelompuk usia
0-17 Tahun 18-40 Tahun
19
di Surabaya
7. Kelompuk usia 8. Kelompuk usia
41-60 Tahun >60 Tahun
20
di Surabaya
9. Mobilitas Penduduk
Berdasarkan data yang diperoleh dari Data for Good by Facebook, mobilitas yang terjadi pada pukul 00.00, 08.00, dan 16.00 bervariasi.
Pada pukul 00.00 pengguna riwayat lokasi Facebook yang berpindah dari satu area ke area lain adalah 33 titik perpindahan - 732 titik
perpindahan per kelurahannya. Pada pukul 08.00 pengguna riwayat lokasi Facebook yang berpindah dari satu area ke area lain adalah 79
titik perpindahan - 681 titik perpindahan per kelurahannya. Pada pukul 16.00 pengguna riwayat lokasi Facebook yang berpindah dari satu
area ke area lain adalah 38 titik perpindahan - 410 titik perpindahan per kelurahannya.
21
C. Regresi Spasial Parameter Socio Spatial terhadap Persebaran
Covid-19 menggunakan OLS dan GWR
1. Ordinary Least Squares (OLS)

a. Pukul 00.00
Berikut hasil pengolahan OLS parameter socio-spatial terhadap persebaran Covid-19:
Peta OLS 30 Januari 2022 Peta OLS 19 Februari 2022 Peta OLS 09 Maret 2022
(Pukul 00.00) (Pukul 00.00) (Pukul 00.00)
22
Berdasarkan Tabel (2), dapat dilihat bahwa koefisien perkiraan adalah campuran
nilai positif dan negatif. Berdasarkan estimasi koefisien pada tabel tersebut, pada
Tabel 2. Nilai Coefficient [a] parameter socio-spatial pukul 00.00
tanggal 30 Januari parameter socio spatial yang memiliki perkiraan positif yaitu
Kepadatan bangunan, kelompok usia 0-17 tahun, kelompok usia >60 tahun, dan
mobilitas penduduk. Hal ini menunjukkan bahwa, pada tanggal 30 Januari,
parameter tersebut memiliki keterkaitan dengan peningkatan tingkat kejadian
persebaran Covid-19. Parameter yang memiliki koefisien positif paling tinggi
adalah mobilitas penduduk yaitu sebesar 0,815638. Hal ini menunjukkan bahwa
parameter mobilitas penduduk memiliki hubungan paling kuat dengan variable
dependen (kasus Covid-19). Berarti bahwa seiring dengan banyaknya terjadi
mobilitas penduduk, maka akan juga terjadi peningkatan kasus Covid-19 di
Surabaya.
23

b. Pukul 08.00
24
Tabel 3 . Nilai Coefficient [a] parameter socio-spatial pukul 08.00
Berdasarkan pengolahan yang telah dilakukan dapat dilihat bahwa pada tanggal 30
Januari, 19 Februari, dan 09 Maret 2022 pukul 08.00, parameter yang memiliki koefisien
positif pada semua waktu adalah parameter kelompok usia 18-40 tahun, kelompok usia
41-60 tahun kelompok usia >60 tahun, fasilitas umum, dan parameter mobilitas
penduduk. Hal ini menunjukkan bahwa parameter tersebut yang memiliki keterkaitan
dengan peningkatan kejadian persebaran Covid-19. Seiring dengan meningkatnya
parameter-parameter tersebut, maka akan memiliki dampak juga terhadap meningkatnya
penyebaran kasus Covid-19 di Surabaya. .
25

c. Pukul 16.00
26
Tabel 4 . Nilai Coefficient [a] parameter socio-spatial pukul 16.00
Berdasarkan pengolahan yang telah dilakukan dapat dilihat bahwa pada tanggal 30
Januari, 19 Februari, dan 09 Maret 2022 pukul 16.00, parameter yang memiliki koefisien
positif adalah parameter kelompok usia 18-40 tahun, kelompok usia 41-60 tahun
kelompok usia >60 tahun, fasilitas umum, dan parameter mobilitas penduduk. Hal ini
menunjukkan bahwa parameter tersebut yang memiliki keterkaitan dengan peningkatan
kejadian persebaran Covid-19. Persebaran kasus Covid-19 di Surabaya akan meningkat,
dipengaruhi oleh parameter kelompok usia 18-40 tahun, kelompok usia 41-60 tahun
kelompok usia >60 tahun, fasilitas umum, dan parameter mobilitas penduduk pada
tanggal 30 Januari, 19 Februari, dan 09 Maret 2022 pukul 16.00.
27
2. Geographically Weighted Regression (GWR)

1. Pukul 00.00
Berikut hasil pengolahan GWR parameter socio-spatial terhadap persebaran Covid-19:
Peta GWR 30 Januari 2022 Peta OLS 19 Februari 2022 Peta OLS 09 Maret 2022
28

2. Pukul 08.00
29

3. Pukul 16.00
30
Berdasarkan tabel (5), menunjukkan bahwa pada tanggal 30 Januari pukul 00.00 nilai R² adalah
0,577743 hal ini berarti bahwa sebanyak 58% dari variable independen dapat dijelaskan oleh
Tabel 5. Nilai R²
variable socio spatial. Sedangkan sisanya 42% dijelaskan oleh variable lain diluar model. [10]
R² 00.00 08.00 16.00 Untuk pukul 08.00 nilai R² adalah 0,594765 dan pukul 16.00 adalah 0,594548, hal ini
30 Januari
0,577743 0,594765 0,594548 menunjukkan bahwa sebanyak 59% dari variable independen dapat dijelaskan oleh variable socio
2022
19 Februari spatial.
0,497321 0,56855 0,476498
2022
Selanjutnya, pada tanggal 19 Februari pada pukul 08.00 memiliki nilai tertinggi untuk variable
09 Maret
0,511325 0,492265 0,480392
2022 independen dapat menjelaskan variable dependen, yaitu sebanyak 57%, yang menunjukkan bahwa
sebanyak 57% variable independen memiliki pengaruh terhadap variable dependen (kasus covid-
19). Kemudian, pada tanggal 09 Maret pada pukul 00.00 memiliki nilai tertinggi untuk variable
independen dapat menjelaskan variable dependen, yaitu sebanyak 51%. Sedangkan, pada pukul
08.00 nilai R² = 0,492265 dan pukul 16.00 = 0,480392 hanya sebanyak 49% dan 48% variable
independen yang mempengaruhi variable dependen.
31
Nilai R² yang kecil atau mendekati nol berarti kemampuan variabel bebas dalam menjelaskan
Perbandingan Nilai R² dan AICc model OLS dan GWR. Berikut nilai
variabel tak bebas sangat terbatas, sedangkan nilai R² mendekati satu berarti kemampuan dari
R² dan AICc model OLS dan GWR yang diperoleh: variable bebas dalam menjelaskan variabel tak bebas sangat kuat, sehingga mengidentifikasikan
Tabel 6. Nilai R² dan AICc bahwa model mampu menjelaskan variabilitas data. Nilai R² OLS adalah 0,791603 dan nilai R²
GWR 0,594765, hal ini menunjukkan bahwa nilai R² OLS yang lebih mendekati 1 berarti
kemampuan dari variable bebas dalam menjelaskan variabel tak bebas model OLS lebih kuat
R² dan AICc Nilai dibandingkan dengan model GWR.
Model dengan nilai AICc (yang lebih rendah memberikan kesesuaian yang lebih baik dengan data
R² OLS 0,791603
yang diamati. Nilai AICc OLS adalah 2000,738625 dan nilai AICc GWR 2081,535132 , hal ini
R² GWR 0,594765 menunjukkan bahwa Model OLS lebih cocok untuk memodelkan analisis regresi spasial pada
AICc OLS 2000,738625 parameter Socio-spatial terharap persebaran Covid-19 di Surabaya.
AICc GWR 2081,535132
32
D. Autokorelasi spasial Parameter Socio-spatial
Berdasarkan pengolahan data OLS sebelumnya, dapat dilihat bahwa parameter yang memiliki koefisien
positif pada semua tanggal dan juga pada semua waktu adalah parameter mobilitas penduuk. Oleh karena
itu, akan dilakukan proses analisis autokorelasi spasial terhadap kedua parameter tersebut, dan dianalisis
bagaimana korelasi antara variable dengan dirinya sendiri berdasarkan ruang atau dapat juga diartikan
suatu ukuran kemiripan dari objek di dalam suatu ruang (jarak, waktu dan wilayah). Adapun metode
yang digunakan adalah Metode Average Nearest Neighbor (ANN). Jika indeks kurang dari 1, pola
menunjukkan pengelompokan; jika indeks lebih besar dari 1, trennya menuju dispersi. [4]. Diperoleh pada
pengolahan bahwa indeks nya adalah 1,329, hal ini menunjukkan bahwa parameter mobilitas penduduk
menunjukkan tren dispersi. Tren disperse menunjukkan bahwa sebaran atau pola spasial dari mobilitas
penduduk tersebut adalah sebaran yang seragam.
33
KESIMPULAN DAN
SARAN
KESIMPULAN
1. Parameter yang memiliki koefisien positif pada tanggal pada tanggal 30 Januari, 19 Februari, dan 09 Maret 2022 pukul 00.00 adalah
parameter kelompok usia >60 tahun dan parameter mobilitas penduduk. Selanjutnya, pada tanggal 30 Januari, 19 Februari, dan 09
Maret 2022 pukul 08.00, parameter yang memiliki koefisien positif adalah parameter kelompok usia 18-40 tahun, kelompok usia 41-60
tahun kelompok usia >60 tahun, fasilitas umum, dan parameter mobilitas penduduk. Sedangkan, 30 Januari, 19 Februari, dan 09 Maret
2022 pukul 16.00, adalah parameter kelompok usia 18-40 tahun, kelompok usia 41-60 tahun kelompok usia >60 tahun, fasilitas umum,
dan parameter mobilitas penduduk. Hal ini menunjukkan bahwa parameter tersebut yang memiliki keterkaitan dengan peningkatan
kejadian persebaran Covid-19.
35
KESIMPULAN
2. Pada tanggal 30 Januari pukul 00.00 sebanyak 58% dari variable independen dapat dijelaskan oleh variable socio spatial. Sedangkan,
untuk pukul 08.00 dan pukul 16.00 menunjukkan bahwa sebanyak 59% dari variable independen dapat dijelaskan oleh variable socio
spatial. Selanjutnya, pada tanggal 19 Februari pada pukul 08.00 memiliki nilai tertinggi untuk variable independen dapat menjelaskan
variable dependen, yaitu sebanyak 57%. Kemudian, pada tanggal 09 Maret pada pukul 00.00 memiliki nilai tertinggi untuk variable
independen yaitu sebanyak 51%. Sedangkan, pada pukul 08.00 dan pukul 16.00 hanya sebanyak 49% dan 48% variable independen
yang mempengaruhi variable dependen.
36
KESIMPULAN
3. Berdasarkan perhitungan indeks Average Nearest Neighbor (ANN), mobilitas penduduk memiliki indeks sebesar
1,329, hal ini menunjukkan bahwa parameter mobilitas penduduk menunjukkan tren dispersi.
37
SARAN
Adapun saran yang diberikan untuk penelitian selanjutnya yaitu :
1. Memastikan ketersediaan data pada semua parameter yang akan digunakan
2. Jika ingin mendapatkan hasil pengolahan data OLS dan GWR yang lebih baik dan lebih detail sebaiknya dilakukan
dengan melibatkan hari yang lebih banyak lagi dan menggunakan parameter yang sekiranya dapat berubah dari waktu
ke waktu agar terdapat perbedaan yang lebih signifikan.
38
DAFTAR
PUSTAKA
DAFTAR PUSTAKA
[1] Almohamad, H., Knaack, A. L., & Habib, B. M. (2018). Assessing spatial equity and accessibility of public green spaces in
Aleppo City, Syria. Forests, 9(11).
[2] Dahlia, S. (2021). Analisis Pola Spasial Pesebaran Kasus Covid-19 Menggunakan Sistem Informasi Geografis di DKI Jakarta.
Jurnal Geografi, Edukasi dan Lingkungan (JGEL), 5(2), 101–108
[3] Dong Y, Mo X, Hu Y, et al. (2020). Epidemiology of Covid-19 Among Children in China. American Academy of Pediatrics, DOI:
10.1542/peds.2020- 0702
[4] ESRI. (2014). Desktop ArcGIS 10.3. <URL:
https://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-toolbox/hot-spotanalysis.html >, diakses pada 24 Januari 2022,
jam 9.00.
[5] Kartika, S., Sufri, Gusmi K. (2020). Penggunaan Metode Geograhically Weighted Regression (GWR) Untuk Mengestimasi
Faktor Dominan yang Mempengaruhi Penduduk Miskin di Provinsi Jambi. Journal of Mathematics: Theory and Applications, 2(2)
[6] Ghanbari, A., et al. (2020). The Spatial Predicting of COVID-19 Incidence and Its Mortality Based On OLS and GWR Models in
Iran. DOI: 10.21203/rs.3.rs-297401/v1
40
DAFTAR PUSTAKA
[7] Mansour, S., Al Kindi, A., Al-Said, A., Al-Said, A., & Atkinson, P. (2021). Sociodemographic determinants of COVID-19
incidence rates in Oman: Geospatial modelling using multiscale geographically weighted regression (MGWR). Sustainable Cities
and Society, 65
[8] Satuan Tugas Penanganan COVID-19. (2021). <URL: https://covid19.go.id/>. Dikunjungi pada tanggal 16 Januari 2021, jam
10.00.
[9] Satuan Tugas Penanganan COVID-19 Surabaya. (2021). <URL: https://lawancovid19.surabaya.go.id/>.Dikunjungi pada tanggal
16 Januari 2021, jam 10.30.
[10] Solikhah, Septiani D. (2010). Analisis Pola Spasial Pusat Perbelanjaan dan Pengaruhnya Terhadap NilaiTanah di Kota
Surakarta Tahun 2008. Universitas Sebelas Maret. Surakarta.
[11] Wu, X., & Zhang, J. (2021). Exploration of spatial-temporal varying impacts on COVID-19 cumulative case in Texas using
geographically weighted regression (GWR). Environmental Science and Pollution Research, 28(32), 43732–43746
[12] Xie, Z., Qin, Y., Li, Y., Shen, W., Zheng, Z., & Liu, S. (2020). Spatial and temporal differentiation of COVID19 epidemic
spread in mainland China and its influencing factors. Science of the Total Environment, 744, 140929.
41
TERIMA
KASIH

Alya Chairunnisa - PPT Semhas

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Alya Chairunnisa - PPT Semhas

Diunggah oleh

Hak Cipta:

Format Tersedia

Seminar Hasil Tugas Akhir

ANALISIS SOCIO-SPATIAL TERHADAP

Dosen Pembimbing: <<

03 HASIL DAN PEMBAHASAN

Faktor yang menyebabkan: Geographically

Melakukan perbandingan hasil pemetaan

menentukan langkah yang tepat dalam menangani penyebaran COVID-19.

Secara astronomis, Kota Surabaya terletak antara 07° 9’ s.d 07°

1. Peta Batas Administrasi Kota Surabaya yang diperoleh dari Ina-Geoportal

b. Perangkat Lunak (Software)

dilakukan dengan menggunakan metode Average Nearest Neighbour.

spasial parameter socio-spatial berdasarkan prinsip autokorelasi secara spasial.

1. Fasilitas Kesehatan 2. Fasilitas Umum 3. Kepadatan Penduduk

4. Kepadatan Bangunan 5. Kelompuk usia 6. Kelompuk usia

0-17 Tahun 18-40 Tahun

7. Kelompuk usia 8. Kelompuk usia

41-60 Tahun >60 Tahun

1. Ordinary Least Squares (OLS)

1. Ordinary Least Squares (OLS)

Tabel 3 . Nilai Coefficient [a] parameter socio-spatial pukul 08.00

1. Ordinary Least Squares (OLS)

Tabel 4 . Nilai Coefficient [a] parameter socio-spatial pukul 16.00

2. Geographically Weighted Regression (GWR)

2. Geographically Weighted Regression (GWR)

2. Geographically Weighted Regression (GWR)

AICc OLS 2000,738625 parameter Socio-spatial terharap persebaran Covid-19 di Surabaya.

AICc GWR 2081,535132

penduduk tersebut adalah sebaran yang seragam.

kejadian persebaran Covid-19.

yang mempengaruhi variable dependen.

1. Memastikan ketersediaan data pada semua parameter yang akan digunakan

ke waktu agar terdapat perbedaan yang lebih signifikan.

Anda mungkin juga menyukai