Dokumen tersebut membahas konsep autokorelasi spasial, yang menggambarkan hubungan antara unit spasial yang berdekatan. Dibahas pula berbagai pengukuran autokorelasi spasial seperti Gamma, joint count, Moran's I, Geary's C, variogram, dan fungsi Ripley K beserta rumusan dan penjelasan singkat mengenai masing-masing pengukuran. Diuraikan pula matriks bobot spasial dan non-spasial yang digunakan dalam mengukur
Dokumen tersebut membahas konsep autokorelasi spasial, yang menggambarkan hubungan antara unit spasial yang berdekatan. Dibahas pula berbagai pengukuran autokorelasi spasial seperti Gamma, joint count, Moran's I, Geary's C, variogram, dan fungsi Ripley K beserta rumusan dan penjelasan singkat mengenai masing-masing pengukuran. Diuraikan pula matriks bobot spasial dan non-spasial yang digunakan dalam mengukur
Dokumen tersebut membahas konsep autokorelasi spasial, yang menggambarkan hubungan antara unit spasial yang berdekatan. Dibahas pula berbagai pengukuran autokorelasi spasial seperti Gamma, joint count, Moran's I, Geary's C, variogram, dan fungsi Ripley K beserta rumusan dan penjelasan singkat mengenai masing-masing pengukuran. Diuraikan pula matriks bobot spasial dan non-spasial yang digunakan dalam mengukur
SPASIAL FAIQOTUL MALA 176090500011001 B.3.1. PENDAHULUAN
• Meninjau konsep autokorelasi spasial dan
atributnya. • Menguraikan berbagai formulasi dan langkah- langkah hubungan autokorelasi spasial dan untuk menunjukkan bagaimana konsep membantu menilai sifat spasial data georeferensi. • Menjelaskan secara singkat literatur sehingga konsep autokorelasi spasial • Menjelaskan atribut konsep dan penggunaan di Section B.3.2. • Membahas matriks yang harus dibuat untuk menilai sebagian besar pengukuran dalam konsep autokorelasi spasial. • Menguraikan berbagai formulasi autokorelasi spasial dalam Bagian B.3.4. • Diskusi singkat dari masalah dalam menerapkan konsep dalam situasi penelitian. • Memberikan penjelasan singkat dari yang tersedia software autokorelasi spasial. DEFINISI
• Definisi paling sederhana dari konsep autokorelasi
spasial adalah merepresentasikan hubungan antara unit spasial berdekatan, seperti yang terlihat di peta, di mana setiap unit dikodekan dengan realisasi variabel tunggal. PENGEMBANGAN KONSEP
• Tiga statistisian menata karakteristik matematika
dari hubungan autokorelasi spasial, meskipun mereka menggunakan istilah rasio kedekatan untuk menggambarkan pekerjaan mereka. Moran (1948), Krishna-Iyer (1949), dan Geary (1954) mengembangkan bergabung hitungan statistik yang didasarkan pada probabilitas yang bergabung unit spasial yang dari jenis nominal yang sama (hitam atau putih) • Geary, membuat titik bahwa residual dipetakan dari analisis kuadrat regresi kuadrat biasa harus menampilkan karakteristik kebebasan. • Dacey memperluas jumlah warna dipelajari dari dua sampai k, dan jelas menunjukkan hubungan antara menggunakan data nominal dan selang • Di bidang geostatistik, Matheron (1963) menemukan correlogram (kebalikan dari semivariogram), diciptakan untuk mewakili stasioneritas intrinsik, kesamaan penurunan nilai variabel diasumsikan ada di antara unit spasial sebagaimana meningkatnya jarak satu sama lain. B.3.2 ATRIBUT DAN PENGGUNAAN KONSEP AUTOKORELASI SPASIAL Konsep-konsep dasar analisis data georeferensi atau data spasial : • Pengujian pada model mis-spesifikasi. • Pengukuran kekuatan pengaruh spasial pada setiap variabel. • Pengujian asumsi stasioneritas spasial dan heterogenitas spasial. • Cara untuk mengidentifikasi kelompok/cluster spasial. • Cara untuk mengidentifikasi peran dimana peluruhan jarak atau interaksi spasial mungkin terdapat pada model autoregressive spasial. • Cara untuk memahami pengaruh bahwa unit spasial geometri terdapat dalam variabel. • Pengujian pada hipotesis keberadaan hubungan spasial. • Cara menimbang pentingnya efek temporal. • Fokus pada efek unit spasial tunggal terhadap unit lain dan sebaliknya. • Cara untuk mengidentifikasi outlier, baik spasial dan non-spasial. • Bantuan dalam merancang sampel spasial yang tepat. B.3.3 REPRESENTASI AUTOKORELASI SPASIAL Cross-product Statistic 𝛤𝑖𝑗 = σ𝑛𝑖=1 σ𝑛𝑗=1 𝑊𝑖𝑗 𝑌𝑖𝑗 (B.3.1) dimana Γ : ukuran autokorelasi spasial untuk n pengamatan georeferensi. W : matriks nilai-nilai yang mewakili hubungan spasial dari setiap lokasi i untuk semua lokasi lain j (matriks bobot spasial) Y : matriks menunjukkan hubungan non-spasial realisasi dari variabel Y di lokasi i dengan semua realisasi lain di semua lokasi lainnya j. • Ketika W, dan Y, matriks variabel memiliki struktur yang sama [misalnya, keduanya memiliki nilai yang tinggi di sel (i,j) sama dalam matriks mereka masing- masing dan nilai-nilai rendah yang sel sama (i,j) dapat dikatakan bahwa ada derajat tinggi autokorelasi spasial • Persamaan (B.3.1), seperti yang disajikan, bukan uji autokorelasi spasial, tetapi hanya pengukuran. MATRIKS W
Matriks W memiliki elemen sbb:
−𝑎 𝑊𝑖𝑗 = 𝑑𝑖𝑗 𝑑𝑒𝑛𝑔𝑎𝑛 𝛼 ≥ 1 (B.3.2)
bobot dalam sel (i,j) merupakan kebalikan dari jarak
d antara dua lokasi, i dan j, diturunkan oleh eksponen α. BEBERAPA SKEMA MATRIKS BOBOT W (GETIS DAN ALDSTADT 2004) : Beberapa skema matriks bobot W (Getis dan Aldstadt 2004) : • Spatially Continguous Neighbors • Inverse Distance (fungsi penurunan jarak), • Lenghts of Shared Borders (pandangan geometris), • Bandwidth sebagai jarak n tetangga terdekat, • Ranked Distances (pendekatan non-Cartesian), • Semua centroid dalam jarak d, • n Nearest Neighbors, • Bandwidth Distance Decay (diperlukan untuk regresi geografis tertimbang), • Gaussian Distance Decline, • Derived spasial autocorelation. Pengembangan model spasial mempertimbangkan matriks bobot spasial menjadi salah satu dari tiga jenis representasi berikut: 1. gagasan teoritis asosiasi spasial, seperti penurunan fungsi jarak, 2. indikator geometris kedekatan spasial, seperti representasi unit spasial yang berdekatan, 3. beberapa ekspresi deskriptif asosiasi spasial yang sudah ada dalam satu set data. MATRIKS Y
Matriks non-spasial Y realisasi dari variabel yang
berhubungan satu sama lainnya. Y merupakan interaksi antar elemen yij. Mereka dapat berinteraksi dengan proses aditif (yi + yj), perkalian (yiyj), pengurangan (yi - yj), atau pembagian (yi / yj). Tipe matriks perkalian yang berguna adalah matriks kovarians 𝑦𝑖 − 𝑦ത 𝑦𝑗 − 𝑦ത . B.3.4PENGUKURAN DAN UJI AUTOKORELASI SPASIAL • Pengukuran dan Uji Global • Global yang menyiratkan bahwa semua elemen dalam matriks W dan Y yang diambil bersama- sama dibawa untuk menhasilkan penilaian autokorelasi spasial, yaitu, semua asosiasi-asosiasi unit spasial satu dengan yang lain termasuk dalam perhitungan autokorelasi spasial. GAMMA (Γ)
• Semua pengukuran dan uji autokorelasi spasial
adalah terstruktur. Sebuah uji terhadap signifikansi statistik dari Γ dibuat praktis dengan mengacak nilai-nilai Y dalam sejumlah simulasi. Γ teramati kemudian dapat dibandingkan dengan sampul yang diciptakan oleh hasil simulasi. Signifikansi statistik menunjukkan bahwa terdapat autokorelasi spasial. JOINT-COUNT
• Tujuannya adalah untuk mengidentifikasi untuk klasifikasi
nominal yang lengkap dari unit spasial, seperti untuk jenis penggunaan lahan Perumahan (A), industry (B), komersial (C)- apakah terdapat sejumlah hubungan spasial yang signifikan secara statistik dari kejadian AA, AB, AC, BB, BC, dan / atau CC. Di sini kita menggunakan uji free sampling (Cliff dan Ord 1981). • Nilai harapan gabungan tipe yang sama adalah 1 • 𝐸 𝐽 = σ𝑛𝑖=1 σ𝑛𝑗=1 𝑊𝑖𝑗 𝑝𝑟2 (B.3.3) 2 • Untuk jenis yang berbeda, harapannya adalah • 𝐸 𝐽 = σ𝑛𝑖=1 σ𝑛𝑗=1 𝑊𝑖𝑗 𝑝𝑟 𝑝𝑠 (B.3.4) MORAN’S I
Statistik ini disusun sebagai koefisien korelasi moment
product Pearson. 𝑛 σ𝑛 𝑛 𝑖=1 σ𝑗=1 𝑊𝑖𝑗 𝑦𝑖 −𝑦ത − 𝑦𝑗 −𝑦ത 𝐼= σ𝑛 𝑛 σ𝑛 ത 2 𝑖≠𝑗 𝑖=1 σ𝑗=1 𝑊𝑖𝑗 𝑖=1 𝑦𝑖 −𝑦 (B.3.7) nilai harapannya adalah E(I) = -1 /(n - 1) Dapat dituliskan sebagai berikut : 𝑛 𝜀 𝑇 𝑊𝜀 𝐼= σ𝑛 𝑛 𝑇 𝑖=1 σ𝑗=1 𝑊𝑖𝑗 𝜀 𝜀 (B.3.8) dimana ε adalah vektor residual OLS dan εT adalah matriks transpose. GEARY’S C
• Dalam kasus Moran I, hipotesis nol didasarkan pada
struktur kovarians, yaitu harapan bahwa tetangga terkait bervariasi sekali dalam cara yang tidak konsisten. Untuk Geary c, hipotesis nol adalah bahwa unit spasial terkait tidak berbeda satu sama lain. Implikasi dari hipotesis ini adalah bahwa tidak ada konsistensi untuk perbedaan antara tetangga; kadang-kadang perbedaan besar dan kadang- kadang kecil. Dengan demikian, kita memiliki 2 𝑛−1 σ𝑛 𝑛 𝑖=1 σ𝑗=1 𝑊𝑖𝑗 𝑦𝑖 −𝑦𝑗 𝑐= 𝑖≠𝑗 2𝑊 σ𝑛 ത 2 𝑖=1 𝑊𝑖𝑗 𝑦𝑖 −𝑦 Dalam pengujian, nilai-nilai kurang dari satu menunjukkan autokorelasi spasial positif (perbedaan kecil) dan nilai lebih besar dari satu berarti autokorelasi spasial negatif (perbedaan secara konsisten besar). Geary c berhubungan negatif dengan Moran I. VARIOGRAM
Inti dari bidang geostatistik adalah semivariogram.
Semivariogram adalah distribusi perbedaan antara spasial unit terkait dan oleh karena itu terkait dengan Geary c. Perbedaan utamanya adalah pada hipotesis semivariogram bahwa perbedaan menurun dengan jarak satu sama lain dengan cara yang sistematis. Semivariogram memiliki bentuk 𝑛 𝑛 1 2 𝛾 𝑎𝑑 = 𝑊𝑖𝑗 𝑦𝑖 − 𝑦𝑗 2 𝑖=1 𝑗=1 • Tampilan dari autokorelasi spasial disebut correlogram, sebuah fungsi yang menurun dengan jarak hingga kisaran tercapai. Kisaran merepresentasikan jarak di mana varians global tidak terpengaruh oleh efek jarak. Skala semivariogram, 1/2, adalah pengenalan bahwa ada penghitungan ganda, perbedaan antara i dan j adalah sama seperti antara j dan i. FUNGSI RIPLEY K
• Menekankan hanya lokasi dan bukan atribut lainnya
dari suatu variabel acak. Jadi di sini kita dibatasi pada pola titik berdasarkan sejumlah pasangan titik-titik yang ditemukan pada serangkaian jarak dari masing-masing titik ke-i. • tujuannya adalah untuk menghitung semua pasangan titik di setiap jarak. Jika ada lebih banyak pasangan titik dari peluang acak spasial (distribusi spasial Poisson) akan memilikinya, terdapat pengelompokan signifikan secara statistik; sepasang titik yang lebih sedikit menyiratkan dispersi titik signifikan secara statistik, kebalikan dari clustering. • Hipotesis nol diperoleh ketika ada sekitar banyak pasang titik sebagai salah satu yang mungkin ditemukan dalam distribusi titik yang tersususn oleh proses acak. • Statistik diperkirakan dengan cara berikut 𝑛 𝑛 𝑅 𝑊𝑖𝑗 𝐾 𝑑 = 2 𝑖≠𝑗 𝑛 𝑒𝑖𝑗 𝑖=1 𝑗=1 KOEFISIEN AUTOKORELASI SPASIAL
• Dependensi spasial dapat dimasukkan dengan
menciptakan model autoregressive spasial dari satu jenis atau yang lain. Dua model autoregressive populer adalah (i) Model autoregressive spasial campuran, sering disebut model spasial lag, 𝑦 = 𝜌 𝑊𝑦 + 𝑋 𝛽 + 𝜀 • dan (ii) regresi linear dengan error autoregressive spasial, atau Model autoregressive simultan (SAR), sering disebut spasial error model 𝑦 = 𝑋𝛽 + 𝐼 − 𝜆𝑊 −1 𝜇 Pada intinya, koefisien mengungkapkan kekuatan atau pengaruh yang dari matriks W. Koefisien autokorelasi spasial; nilai-nilai positif atau negatif yang tinggi merupakan efek spasial yang kuat dan yang rendah sebaliknya. Ketika ρ, λ adalah nol, tidak ada efek spasial. Hal ini berlaku selama error ε dan 𝜇 masing-masing didistribusikan secara acak dalam ruang. Jika, dalam estimasi model, kesalahan secara spasial berkorelasi, model tidak dapat ditentukan. PENGUKURAN DAN PENGUJIAN LOKAL • Pengukuran lokal terfokus, bahwa penilaian autokorelasi spasial terkait dengan satu unit spasial tertentu. Dengan demikian, hanya satu baris dari W dan baris yang cocok dari Y matriks merefleksikan pengukuran autokorelasi spasial meskipun interaksi semua elemen 'dapat digunakan sebagai skalar. • Dasar untuk pengukuran dan uji lokal dari autokorelasi spasial berasal dari statistik cross product. Kali ini bentuk strukturalnya adalah • 𝛤𝑖 = σ𝑛𝑗=1 𝑊𝑖𝑗 𝑌𝑖𝑗 𝑖 ≠ 𝑗 (B.3.15) • Perhatikan bahwa di sini kita menemukan interaksi antara bobot spasial hanya pada vector ke-i dan nilai- nilai y pada vector ke-i dari Y. Γi memungkinkan untuk membandingkan autokorelasi antara dua vektor untuk lokasi tertentu i. STATISTIK LOKAL GETIS DAN ORD
Statistik ini merupakan tambahan, fokusnya adalah pada
jumlah nilai-nilai j di sekitar i. Fakta bahwa ada dua statistik, 𝐺𝑖 dan 𝐺𝑖∗ , memungkinkan peneliti untuk memilih hipotesis berdasarkan kedekatan (𝐺𝑖 ) atau pengelompokan (𝐺𝑖∗ ). 𝐺𝑖∗ ditulis sebagai σ𝑛 ∗ 𝑗=1 𝑊𝑖𝑗 𝑑 𝑦𝑗 −𝑊𝑖 𝑦ത 𝐺𝑖∗ 𝑑 = ∗ 1/2 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑚𝑢𝑎 𝑗 𝑠 𝑛𝑆1𝑖 −𝑊𝑖∗2 /(𝑛−1) (B.3.16a) dimana 𝑊𝑖∗ = 𝑊𝑖 + 𝑊𝑖𝑖 𝑑𝑎𝑛 𝑆1𝑖 ∗ = σ𝑛𝑗=1 𝑊𝑖𝑗2 𝑢𝑛𝑡𝑢𝑘 𝑠𝑒𝑚𝑢𝑎 𝑗 (B.3.16b) dan 𝑦ത dan s masing-masing adalah rataan dan standar deviasi. INDIKATOR LOKAL ASOSIASI SPASIAL- LISA • Statistik LISA diciptakan oleh Anselin (1995), yang motivasinya adalah untuk menguraikan statistik global seperti Moran’s I dan Geary c ke dalam komponen lokal untuk tujuan mengidentifikasi pengamatan berpengaruh dan outlier. Lokal Moran’s Ii didefinisikan sebagai 𝑦𝑖 −𝑦ത 𝑛 𝐼𝑖 = 1 𝑛 2 σ 𝑗=1 𝑊𝑖𝑗 (𝑦𝑖 − 𝑦𝑗 ) 𝑖≠ σ 𝑦𝑖 −𝑦ത 𝑛 𝑖=1 𝑗, 𝑢𝑛𝑡𝑢𝑘 𝑗 𝑑𝑎𝑙𝑎𝑚 𝑑 𝑑𝑎𝑟𝑖 𝑖 (B.3.17) dan faktor proporsionalitas adalah 1 𝑛 2 𝛾= σ𝑖=1 σ𝑛𝑗=1 𝑊𝑖𝑗 𝑦𝑖 − 𝑦𝑗 (B .3.18) 𝑛 nilai harapannya 1 𝐸 𝐼𝑖 = − σ𝑛𝑗=1 𝑊𝑖𝑗 (B.3.19) 𝑛−1 • Lokal Geary c, didefinisikan sebagai 1 𝑛 2 𝑐𝑖 = 1 𝑛 2 σ 𝑖=1 𝑊𝑖𝑗 𝑦𝑖 − 𝑦ത − 𝑦𝑗 − 𝑦ത σ 𝑦 −𝑦ത 𝑛 𝑖=1 𝑖
• Berikut faktor proporsionalitas
2𝑛 𝛾= σ𝑛𝑖=1 σ𝑛𝑗=1 𝑊𝑖𝑗 (B.3.21) (𝑛−1) Statistik LISA sangat berguna untuk mengidentifikasi kelompok spasial. Nilai-nilai autokorelasi spasial tinggi menunjukkan kelompok nilai tinggi atau rendah. REGRESI GEOGRAFIS TERTIMBANG
Poin regresi geografis tertimbang (GWR) adalah
bahwa parameter regresi tidak konstan atas ruang yang ditandai dengan model regresi tradisional dan variasi yang dapat secara eksplisit dimodelkan. Bentuk GWR dapat ditulis sebagai 𝑌 = 𝜷⨂𝑿 𝟏 + 𝜺 (B.3.22) di mana operator logis (produk Kronecker) ⊗ mengharuskan elemen yang berhubungan di setiap matriks dikalikan dengan satu sama lain. • Beta diperkirakan dengan penggunaan W untuk setiap i. d untuk semua W adalah yang dipilih diawal atau diperkirakan dari data. Matriks W khusus didasarkan pada pra-pemilihan bandwidth b jarak terluar : 2 𝑑𝑖𝑗 2 • 𝑊𝑖𝑗 = 1− 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 < 𝑏 𝑏 0 𝑠𝑒𝑙𝑎𝑖𝑛𝑛𝑦𝑎 (B.3.23) • Hasil dari GWR adalah peta yang disebut 'ruang parameter.' Daerah dengan nilai parameter tinggi menunjukkan hubungan korelatif sangat kuat antara regressor dan respon variabel, tetapi parameter tidak secara langsung menunjukkan autokorelasi spasial. Karena nilai-nilai beta meruapakan fungsi dari skema pembobotan spasial, sejauh W menangkap efek autokorelasi spasial dalam setiap variabel, adalah wajar untuk mengatakan bahwa nilai-nilai beta tinggi merefleksikan pola autokorelasi spasial dalam sistem. Pengujian O oleh Ord dan Getis (2001) memberikan pengujian, yang disebut O, yang mencakup informasi yang terpisah dari pengamatan dalam d dari i ( daerah teratur atau tidak teratur) merepresentasikan hipotesis hotspot, dan pada observasi langsung di luar hot spot. Statistiknya adalah 𝑂𝑖 𝑑 = 𝑌ത𝑑 − 𝑌ത0 (B.3.24) di mana 𝑌ത𝑑 adalah rata-rata dari observasi n(d) dalam d dan 𝑌ത0 adalah rata-rata dari pengamatan m = M - n(d) B.3.5 MASALAH DALAM PENANGANAN AUTOKORELASI SPASIAL • Autokorelasi spasial tdk dapat didefinisikan tidak selalu jelas apakah berbagai langkah dan tes benar-benar dapat menemukan autokorelasi spasial dalam data georeferensi. • Lebih baik atau lebih buruk tergantung pada cara di mana W dan Y yang ditentukan. • Apa yang bertanggung jawab atas autokorelasi spasial yang muncul dalam suatu set data tertentu? Apakah dengan cara batas-batas unit spasial ditarik (geometri dan / atau skala unit spasial yang diteliti) atau apakah berupa fungsi dari sifat variabel yang diteliti? B.3.6 SOFTWARE AUTOKORELASI SPASIAL • Pengukuran dan pengujian autokorelasi spasial tersedia di sejumlah paket perangkat lunak : • GeoDa. • Paket R. • PPA (Analisis Pola Titik). • SANET • STARS (Space-Time Analysis of Regional System) • ArcGIS. • ClusterSeer2 • Le Sage Ekonometrika Spasial Toolbox • Statistik Spasial dan SAS