Analisis Data Spasial
description
Transcript of Analisis Data Spasial
Agenda
Pendahuluan Type data spasial Spatial Pattern Autokorelasi Spasial Pembobot Spasial Pemodelan Data Spasial Pengujian Efek Spasial Geostatistika Referensi Software
Pendahuluan
Hukum pertama tentang geografi dikemukakan oleh Tobler, menyatakan bahwa segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauh (Anselin, 1988)
Metode spasial merupakan metode untuk mendapatkan informasi pengamatan yang dipengaruhi efek ruang atau lokasi
Type data spasial
Data Titik (Point Pattern Analysis)Menunjukkan lokasi yang berupa titik, misalnya
berupa : Longitude dan latitude x and y
Data line (Geostatistical Data) Continuous spatial surface
Data area (Polygons or Lattice Data)Menunjukkan lokasi yang berupa luasan, seperti
suatu negara, kabupaten, kota, dan sebagainya.
Spatial Pattern
Spatial pattern atau pola spasial adalah sesuatu yang menunjukkan penempatan atau susunan benda-benda di permukaan bumi (Lee & Wong, 2001).
Spatial pattern akan menjelaskan bagaimana fenomena geografis terdistribusi dan bagaimana perbandingannya dengan fenomena-fenomena lainnya.
Spasial statistik merupakan alat yang banyak digunakan untuk mendeskripsikan dan menganalisis spatial pattern tersebut, yaitu bagaimana objek-objek geografis terjadi dan berubah di suatu lokasi. Selain itu juga dapat membandingkan pola objek-objek tersebut dengan pola objek-objek yang ditemukan di lokasi lain.
Spatial Pattern Bentuk-bentuk pola spasial
uniform clusteredrandom
uniform clustered
clustered
random
Spatial Pattern Beberapa metode untuk mendeteksi pola spasial: • Quadran Analysis• Kernel Density Estimation (K means)• Nearest Neighbor Distance. Metode-metode tersebut hanya menganalisai
penyebaran lokasi dari suatu titik namun tidak membedakan titik berdasakan atributnya.
Autokorelasi spasial merupakan analisis yang akan menganalisis spatial pattern dari penyebaran titik-titik dengan membedakan lokasinya dan atributnya.
Autokorelasi Spasial Autokorelasi spasial didefinisikan sebagai
penilaian korelasi antar pengamatan/lokasi pada suatu variabel
Jika pengamatan x1, x2, …, xn menunjukkan saling ketergantungan terhadap ruang, maka data tersebut dikatakan terautokorelasi secara spasial
Beberapa metode (Lee&Wong, 2001) : Moran’s I Geary’s C LISA
Matriks Bobot Hubungan kedekatan (neighbouring) antar lokasi dinyatakan
dalam matrik pembobot spasial W
Matriks Bobot Tipe data spasial Point:• Inverse jarak• Kernel Gaussian • Fungsi pembobotan bisquare• Binary
Matriks Bobot Tipe data Spasial Area (LeSage, 1999):• Rook Contiguity (Persinggungan sisi)• Queen Contiguity (Persinggungan sisi-sudut)• Linear Contiguity (Persinggungan tepi)• Bhisop Contiguity (Persinggungan sudut)• Double Linear Contiguity (Persinggungan dua tepi)• Double Rook Contiguity (Persinggungan dua sisi)
nn3n2nn1
ij
n2231321
1n131211
wwww
w
wwww
wwww
W
Metode regresi Metode regresi sederhana adalahsederhana adalah metode yang metode yang memodelkan hubungan antara variabel respon (memodelkan hubungan antara variabel respon (yy) dan ) dan variabel bebas (variabel bebas (xx11, x, x22, , ... , ... , xxpp)), dinyatakan:, dinyatakan:
Pada metode penduga parameter OLS, asumsi residual Pada metode penduga parameter OLS, asumsi residual yang harus dipenuhi adalah yang harus dipenuhi adalah identik, independen, dan identik, independen, dan berdistribusi normal.berdistribusi normal.
NamunNamun sering terjadi pelanggaran asumsi sering terjadi pelanggaran asumsi identik dan identik dan independenindependen Ada indikasi pengaruh spasialAda indikasi pengaruh spasial
p
kiikki xy
10
Pemodelan Spasial
Berdasarkan Tipe Data spasial Titik:a. Data cross-sectinal
Geographically Weighted Regression (GWR) Y ~ N( µ, σ2)
Geographically Weighted Poisson Regression (GWPR) Y ~ Poisson ( )
b. Data Time-Series STAR (Space-Time Autoregressive) GSTAR (Generalized Space TimeAutregressive )
Berdasarkan Tipe Data Spasial Area:a. Data cross-sectinal
SAR : Spatial Autoregressive Models
SEM : Spatial Error Models
CAR : Conditional Autoregressive Models
SDM : Spatial Durbin Model
SARMA: Spatial Autoregressive Moving Average
b. Data Time-Series Panel Data
Pemodelan Spasial
Autoregressive Model :
y : vektor berukuran p x 1,
ρ : koefisien dari variabel dependen spasial lag.
u : vektor error,
W: matrik terbobot dengan ukuran nxn.
β : vektor kx1 parameter regresi.
X : matrik berukuran nxk variabel prediktor
λ : koefisien dalam struktur spasial autoregressive
Contoh Pemodelan Spasial Area
Pengujian Efek Spasial
Spatial Dependence• Uji Moran’s I• Uji Lagrange Multiplier (LM): LMerror untuk uji dependensi spasial dalam error dan LMlag untuk uji dependensi spasial dalam lag
Spatial Heterogeneity Uji Breusch-Pagan
Model Umum :
Model Regresi Linear
i
p
kikki xy
10
p
kiiikikiii vuxvuy
10 ),(),(
Model GWR
Menyatakan titik koordinat (longitude/bujur, latitude/lintang) lokasi ke-i),( ii vu
Pembobot :
Pada jenis data titik, pembobot untuk setiap lokasi ke-i pada koordinat dinyatakan dengan
Sehingga bobot lokasi j pada lokasi i dinyatakan dengan
),( ii vu
),( ii vuW
),( iij vuw
),v(uw),v(uw),v(uwdiagvu iiniiii ,...,,),( 21ii W
Pembobot :Jenis-jenis : Fungsi invers jarak (inverse distance function)
dengan r adalah radisus dan
Fungsi Kernel Gauss
Bisquare h = bandwitch
rdjika
rdjika),v(uw
ij
ij
iij ,0
,1
2
ji
2
ji )()( vvuud ij
2
2
1exp
h
d),v(uw ij
iij
hdjika
hdjikahd),v(uw
ij
ijij
iij,0
,)/(122
Pembobot :Jenis-jenis : Tricube
Adaptif Bisquare Kernel
hdjika
hdjikahd),v(uw
ij
ijij
iij,0
,)/(133
hdjika
hdjikahd),v(uw
ij
ijiij
iij,0
,)/(122
Pembobot : Bandwidth dapat dianalogikan sebagai radius dari suatu lingkaran,
sehingga sebuah titik yang berada di dalam radius lingkaran masih dianggap memiliki pengaruh
Nilai bandwidth yang sangat kecil akan menyebabkan varians menjadi semakin besar, sebaliknya nilai bandwidth yang besar dapat menimbulkan bias yang semakin besar
Metode pemilihan bandwitch :
1. Cross Validation (CV)
2. Akaike Information Criterion (AIC)
3. Generalized Cross Validation (GCV)
4. Bayesian Information Criterion (BIC).
Geostatistika: Prediksi dan Interpolasi
Proses estimasi (pendugaan) data pada suatu lokasi yang tidak dapat disampling (data missing) membutuhkan suatu model.
Namun pada beberapa penelitian memiliki permasalahan diantaranya tidak ada model, hanya ada satu sampel data atau tidak ada teknik inferensia yang dapat digunakan untuk mengestimasi data yang tidak dapat disampling.
Geostatistik sangat berperan dalam hal tersebut, yaitu menggunakan metode estimasi dengan tetap didasarkan pada model.
Pendugaan/prediksi data missing:Pendugaan/prediksi data missing:• Tetangga terdekat (nearest neighbour)Tetangga terdekat (nearest neighbour)• Inverse distanceInverse distance• Tri anggulasiTri anggulasi• Tren surface analysisTren surface analysis• KrigingKriging• Co KrigingCo KrigingVariogram dan SemivariogramVariogram dan Semivariogram
untuk memodelkan data yang akan di digauntuk memodelkan data yang akan di diga
Referensi Noel Cressie .1993. Statistics for Spatial Data.Wiley & Sons. Wackernagel H.1995. Multivariate Geostatistics, An Introduction with Applications.
Springer-Verlag. Sandra LA.1996.Practical handbook of Spatial Statistics.CRC Press.Inc.USA. Isaaks EH, Srivastava RH. 1989.Applied Geostatistics.. Oxford University Press. Roger et al. 2008. Applied Spatial Data Analysis with R. Springer-Verlag Anselin, L. 1988.Spatial Econometrics: Methods and Models”, Kluwer Academic
Publishers, Dordrecht. Arbia, G. 2006. Spatial Econometrics: Statistical Foundations and pplications to Regional
Convergence.Springer, Berlin Arbia G and Baltagi BH.2009. Spatial Econometrics. Method and Application. Physica-
Verlag. Springer, New York USA Gaetan C and Guyon X. 2010. Spatial Statistics and Modelling. Springer Anselin L, Rey SJ. 2010. Perspective on Spatial Data Analysis. Springer Ficher MM and Getis A. 2010. Handbook of Applied Spatial Analysis Software Tools,
Methods and Applications. Springer-Verlag Berlin Heidelberg Lee, J. dan Wong, D. W. S. (2001), Statistical Analysis with Arcview GIS, John Wiley and
Sons, New York. LeSage, J.P. dan Pace, R.K. (2009), Introduction to Spasial Econometrics, R Press, Boca
Ration. Fotheringham, A.S., Brundson, C., dan Charlton, M. (2002) “Geographically Weighted
Regression: the analysis of spatially varying relationships”, John Wiley & Sons Ltd, England.