AUTOKORELASI

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