REGRESI

S PA S I A L
PROSEDUR ANALISIS
 PROSEDUR ANALISIS REGRESI SPASIAL

2. STATISTIKA
4. PEMERIKSAAN
DESKRIPTIF 3. ANALISIS REGRESI
1. SUMBER DATA ASUMSI DALAM
(VISUALISASI: LINIER BERGANDA
ANREG
BOXPLOT DAN PETA)

5. PENGUJIAN 7. MEMERIKSA
DEPENDENSI SPASIAL 6. PEMODELAN MODEL TERBAIK
UNTUK SEMUA BEBERAPA REGRESI (UKURAN KEBAIKAN
VARIABEL DAN SPASIAL MODEL DAN PETA
RESIDUALNYA RESIDULAL)
1. SUMBER DATA
Sumber dan tahun data dalam tulisan ilmiah wajib dicantumkan, termasuk link sumber data.
Berikan penjelasan mengenai variabel-variabel penelitian, satuan pengamatan, populasi, dan hal-hal
lain yang berkaitan dengan data.
2. STATISTIKA DESKRIPTIF
Eksplorasi data meliputi penyajian data secara visual dan numerik. Pada eksplorasi data kita dapat
melihat kondisi data, apakah ada pengamatan pencilan atau tidak; apakah data cukup bervariasi atau
cenderung homogen.
Pada data jenis lattice, eksplorasi visual dapat dilakukan dengan menampilkan nilai-nilai setiap
variabel pada setiap lokasi.
Nilai-nilai variabel dapat ditampilkan melalui peta dengan warna yang degradasi. Umumnya lokasi
dengan nilai besar diberi warna yang lebih gelap, dan lokasi dengan nilai kecil diberi warna yang
lebih terang.
3. ANALISIS REGRESI LINIER BERGANDA
▪ Pada langkah ini, data dianalisis menggunakan model regresi linier barganda tanpa memasukkan
unsur lokasi.
▪ Memeriksa signifikansi setiap variabel independen terhadap variabel dependen (uji t). Jika
variabel-variabel independennya signifikan dan tidak terjadi multikolinearitas berarti variabel-
variabel tersebut dapat dilanjutkan ke analisis regresi spasial.
▪ Melakukan uji kecocokan model (uji F)
4. PEMERIKSAAN ASUMSI DALAM ANREG
Diagnostik model meliputi pemeriksaan
apakah ada multikolinearitas (dengan menampilkan matriks korelasi dan uji korelasi),
apakah error berdistribusi IID Normal(0, 𝜎 2 ) (dengan menampikan NPP plot dan uji kenormalan
residual)
apakah variansi error seragam (plot residual vs nilai prediksi y), bisa ditambahkan uji kesamaan
variansi.
apakah terjadi autokorelasi (Uji Durbin Watson).
Apabila variansi error tidak seragam, atau ada autokorelasi pada error, ini merupakan salah satu
indikasi terjadi dependensi spasial, sehingga analisis regresi linier biasa tidak dapat dilakukan.
4.
Apabila hasil diagnostik model menunjukkan bahwa semua asumsi pemodelan regresi linier
berganda terpenuhi, maka data tidak perlu dianalisis menggunakan Regresi Spasial.
Jadi dengan perkataan lain, regesi spasial adalah pemodelan statistika yang memberikan solusi untuk
pemodelan regresi linier biasa apabila data tidak memenuhi asumsi pada regresi linier biasa, dimana
asumsi yang tidak terpenuhi ini mengarah kepada terjadinya dependensi antar pengamatan
(dependensi spasial).
Regresi spasial dilakukan untuk data spasial.
Matriks pembobot spasial
5. PENGUJIAN DEPENDENSI SPASIAL UNTUK
SEMUA VARIABEL DAN RESIDUALNYA
Pengujian dependensi spasial menggunakan Uji Moran I
Indeks Moran I
Kejadian pada lokasi tertentu cenderung dipengaruhi oleh kejadian disekitarnya (Cressie, 1993). Salah satu
cara untuk mengetahui apakah ada korelasi spasial yaitu menggunakan uji Moran I.
Ide dasar dari tes Moran I adalah memperhatikan hasil kali selisih nilai-nilai suatu variabel pada suatu
daerah dengan nilai rata-rata variabel tersebut. Semakin besar selisih dari nilai rata-rata, semakin besar
hasil perkaliannya. Jika nilai-nilai dalam data cenderung memiliki korelasi spasial (nilai tinggi mengelompok
di dekat nilai-nilai yang tinggi lainnya; nilai rendah klaster dekat nilai rendah lainnya), nilai Indeks Moran
akan menjadi positif.
Ketika nilai-nilai yang tinggi cenderung dekat dengan nilai-nilai yang rendah, nilai Indeks Moran akan
negatif.
Jika jumlah hasil perkalian yang positif berimbang dengan hasil perkalian yang negatif, indeks akan
mendekati nol.
Nilai yang mungkin untuk Moran I berada pada [−1,1]. Jika 𝐼=0, artinya tidak
ada korelasi spasial, sementara jika 𝐼=−1, artinya terdapat korelasi spasial dan
intensitas yang tinggi di suatu lokasi dikelilingi oleh intensitas yang rendah, dan
jika 𝐼=1, artinya terdapat korelasi spasial dan intensitas yang tinggi di suatu
lokasi dikelilingi oleh intensitas yang tinggi. Gambar berikut mengilustrasikan
tiga macam nilai Moran’s I tersebut dengan menggunakan matriks pembobot
spasial queen contiguity.
illustrasi 3 macam nilai Moran’s I. Daerah berwarna hitam merupakan daerah dengan intensitas
tinggi dan daerah berwarna putih merupakan daerah dengan intensitas rendah . Misalkan wilayah
yang diamati adalah 𝐴, maka (a) menyatakan nilai Moran’s I =0, (b) menyatakan nilai Moran’s I
=−1, dan (c) menyatakan nilai Moran’s I =1.
Uji Moran I

Uji Moran I digunakan untuk mengetahui apakah nilai-nilai variabel penelitian berkaitan antar kabupaten/kota di study
area.
Hipotesis statistiknya adalah sebagai berikut:
H0 : Tidak ada korelasi spasial (tidak terdapat dependensi spasial)
H : Terdapat korelasi spasial (terdapat dependensi spasial)
Uji Moran I dilakukan untuk semua variabel dan residual dari model regresi linier berganda, untuk menentukan model
mana yang kira-kira paling cocok untuk data.
Walaupun sudah ditentukan model yang sesuai dengan dependensi variabel dan residual, sebaiknya dicoba uga model lain
untuk menunjukkan bahwa model yang paling sesuai dengan kondisi data adalah model terbaik yang dapat ditunjukkan
melalui ukuran kebaikan model (AIC, BIC dan lain-lain) dan juga kecocokan model dapat ditunjukkan secara visual
melalui peta residual. Pembuatan peta residual disarankan menggunakan 2 warna degradasi biru (untuk nilai-nilai positif)
dan merah (untuk nilai-nilai negative). Sehingga untuk nilai mendekati nol, cenderung berwarna putih. Model terbaik akan
memiliki peta residual dengan warna yang paling pucat. Contoh peta Residual dapat dilihat pada Gambar …
6. PEMODELAN BEBERAPA REGRESI SPASIAL
6.1 Spatial Autoregressive (Spatial Lag Model)
Pada analisis regresi yang menggunakan data mengenai lokasi/area, seringkali
dijumpai adanya ketergantungan antar lokasi (dependensi spasial) pada nilai
observasinya, dengan kata lain, misalkan lokasi i berhubungan dengan lokasi j
maka nilai observasi pada lokasi i merupakan fungsi dari nilai observasi pada
lokasi j, dengan i  j. Model regresi yang memperhatikan efek dependensi
spasial pada nilai observasinya disebut model Spatial Autoregressive.
Struktur data
Data yang digunakan adalah data spasial yang mengandung besarnya nilai
pengamatan untuk setiap lokasi. Misalkan terdapat n lokasi dan setiap lokasi
mempunyai k variabel penjelas, maka xik menyatakan variabel penjelas ke k pada
lokasi ke i.
Pada model ini variabel respon pada lokasi j digunakan sebagai variabel
penjelas untuk memprediksi nilai dari variabel respon pada lokasi i. Misalkan Yi
merupakan variabel respon pada lokasi i, maka dalam model Spatial
Autoregressive untuk Yi , akan terdapat variabel penjelas yang merupakan rata-rata
terbobot (weighted means) dari Yj (variabel respon pada lokasi j) dan variabel
penjelas lainnya, X.
Model spatial autoregressive individual pada lokasi ke-i dinyatakan dengan
persamaan berikut:
Fungsi Likelihood
Berikut ini akan dibahas fungsi likelihood dari model Spatial Autoregressive.
Model spatial autoregressive adalah
Penaksiran Parameter
Untuk mendapatkan taksiran parameter pada persamaan di atas digunakan metode Maximum Likelihood
Estimator (MLE).
6.2 SEM
7. MEMERIKSA MODEL TERBAIK (UKURAN
KEBAIKAN MODEL DAN PETA RESIDULAL)
Pemilihan model terbaik dapat dilakukan menggunakan nilai-nilai AIC, BIC, MSE, dan peta
Residual.
R S C RI P T
MODEL SAR atau Spatial Lag Model
C O N T O H P E TA R E S I D UA L
PETA RESIDUAL

……