Escolar Documentos
Profissional Documentos
Cultura Documentos
DOSEN PENGAMPU
Prof. Dr. Ir. Henny Pramoedyo, MS
Oleh :
Ikin Sodikin (156090500111001)
DAFTAR ISI
DAFTAR ISI.........................................................................................................................................ii
B.2. Eksplorasi Analisis Data Spasial....................................................................................................1
B.2.1. Pendahuluan............................................................................................................................1
B.2.2 Plotting and Analisis Data Eksplorasi......................................................................................1
B.2.3 Geovisualisasi..........................................................................................................................3
B.2.4 Menjelajahi pola titik dan geostatistik......................................................................................4
B.2.5 Eksplorasi areal data................................................................................................................5
B.2.6 Penutup....................................................................................................................................7
B.3. Autokorelasi Spasial.......................................................................................................................8
B.3.1. Pendahuluan............................................................................................................................8
B.3.2 Atribut dan Penggunaan Konsep Autokorelasi Spasial...........................................................10
B.3.3 Representasi autokorelasi spasial...........................................................................................10
B.3.4Pengukuran dan Uji Autokorelasi Spasial...............................................................................12
B.3.5 Masalah dalam Penanganan Autokorelasi Spasial..................................................................19
B.3.6 Software Autokorelasi Spasial................................................................................................20
B.2.1. Pendahuluan
Eksplorasi analisis data spasial (ESDA) seperti yang digunakan dalam statistik spasial,
ekonometrik spasial dan geostatistik, dikembangkan dari analisis data eksplorasi
(EDA).
Bab ini akan menyajikan beberapa hal yang mendasari ESDA dan survei survey
beberapa outcome. Dan melibatkan penggunaan software (R-2.8.0 (Tim R
Pengembangan Inti 2008), karena sebagian besar EDA dan ESDA menggukanan teknik
yang terbaik dan paling menyeluruh dari eksplorasi data yang mungkin."
Cox dan Jones (1981), juga menyampaikan bahwa masalah penelitian substantif:
'Seperti John Tukey sering mengatakan, lebih baik menduga jawaban atas pertanyaan
yang tepat daripada jawaban yang tepat untuk pertanyaan yang salah'
Cressie (1993), dan Bailey dan Gatrell (1995), menunjukkan bahwa kedua EDA dan
ESDA telah lama memainkan peran penting dalam menemukan 'pertanyaan yang tepat'.
Masalah penelitian memfokuskan perhatian pada komponen variasi dalam variabel
respon, pada variabel atau lokasi spasial yang menjelaskan variabilitas yang diamati.
Dalam bab ini, akan bekerja dengan contoh untuk menunjukkan beberapa metode yang
tersedia yang dibangun melalui pendekatan EDA untuk analisis data. Contoh
menggunakan kumpulan data 'Moral Statistik' Perancis yang dibahas secara rinci oleh
Ramah (2007) dan diambil sehubungan dengan visualisasi geografis oleh Dykes dan
Brunsdon (2007).
Cox dan Jones (1981, p.135) menjelaskan salah satu sikap dasar analisis data eksplorasi
sebagai: 'petakan/plot baik data maupun hasil analisis data' - menunjuk langsung
Perangkat lunak visualisasi data yang lain telah memilih untuk menggunakan Java
sebagai platform virtual, seperti yang akan kita lihat dalam Bagian B.2.2 dalam kasus
dengan menggunakan R.
Kumpulan data berisi kualitas skor program Medicaid pada 48 negara bagian US yang
bersebelahan tahun 1986, di sini disimpan secara eksternal dalam shapefile, dan
B.2.3 Geovisualisasi
-
Geovisualisasi tidak terpisah dari eksplorasi analisis data spasial, melainkan merupakan
tulang punggung ESDA, bergabung dengan berbagai macam teknik yang diusulkan
untuk memeriksa data spasial dalam kerangka visualisasi bersama dan mudah
dipahami.
2
pada 1990-an diringkas oleh Andrienko dan Andrienko (1999) dan Gahegan (1999).
Seperti Mondrian, GeoVISTA studio (Takatsuka dan Gahegan 2002) menggunakan
Java untuk mengintegrasikan kerangka lintas-platform yang menghubungkan tampilan
Eksplorasi pola titik. paket spatstat untuk R menyediakan banyak cara untuk
Ini berarti bahwa kita dapat memperlakukannya sebagai pola titik yang telah ditandai,
pada bujur dan lintang pada kondisi tertentu pada shingle dalam.
Ditunjukkan bagaimana magnitude juga dapat divisualisasikan pada scatterplots
dikondisikan melalui shingle lanjut, atau simbol berbayang. Di sini kita akan
mempertimbangkan bagaimana kita bisa mengekspresikan intensitas relatif dari pola
bandwidth yang dipilih, dan menetapkan nilai-nilai kernel mendekati nol untuk NA.
Eksplorasi Geostatistik. Besar kemungkinan lebih eksplorasi analisis data spasial
berbeda jauh dari tetangga dekat mereka. Perhatikan bahwa sebagian besar stasiun
dibedakan berada di tepi daerah studi.
Diagnostik variogram. Diagnostik variogram terkait dengan langkah-langkah lain yang
Sebagian besar literatur tentang ruang eksplorasi analisis data telah difokuskan pada
dengan menggunakan median smoothing Polandia dan pemetaan Moran vektor eigen.
diagnosa regresi untuk model regresi spasial (Haining 1994);
sedangkan pengguna tampaknya ingin standar error heteroskedastisitas-dikoreksi,
hanya sedikit yang menyadari bahwa salah spesifikasi bisa dibilang lebih baik
ditangani jika metode diagnostik telah digunakan (lihat juga Mur dan Lauridsen
2007).
Median smoothing polish. Cressie (1993, pp.46-48, pp.393-400) membahas secara
rinci bagaimana smoothing dapat digunakan untuk partisi variasi data ke halus dan
kasar.
Indikator
lokal
asosiasi
spasial
(LISA).
Sementara
pengukuran
global
memungkinkan kita untuk menguji pola spasial atas wilayah yang dipelajari, mungkin
kasus bahwa ada autokorelasi yang signifikan hanya ada dalam bagian yang lebih
kecil. Kedua statistik jarak (Getis dan Ord 1992, 1996; Ord dan Getis 1995), dan
indikator lokal asosiasi spasial yang diperoleh Anselin (1995), mirip melewati
windows bergerak di data, dan memeriksa ketergantungan dalam wilayah yang dipilih
untuk situs di mana windows berpusat. Spesifikasi untuk windows dapat bervariasi,
5
mungkin menggunakan kedekatan atau jarak di beberapa lag spasial dari zona atau
-
berdasarkan tempat.
Penggunaan statistik lokal yang telah dimasukkan adalah mengidentifikasi 'hot-spot',
untuk menilai stasioneritas sebelum penggunaan metode dengan asumsi bahwa data
telah sesuai dengan asumsi ini, dan pemeriksaan lainnya untuk heterogenitas dalam
seri data (Getis dan Ord 1996). Masalah pelik adalah bahwa indikator lokal yang
mengambil pola global hadir karena alasan apapun (Ord dan Getis 2001). Ukuran
B.2.6 Penutup
-
EDA, geovisualisasi, serta alat dan teknik ESDA, sudah banyak diimplementasikan
dan tersedia. Namun masih ada dua masalah yang harus ditangani: kecenderungan
untuk analisis eksplorasi - mencari pertanyaan yang benar - meluncur ke kesimpulan,
B.3.1. Pendahuluan
untuk menunjukkan bagaimana konsep membantu menilai sifat spasial data georeferensi.
Menjelaskan secara singkat literatur sehingga konsep autokorelasi spasial dapat diakses
oleh mereka yang (i) baru untuk berurusan dengan data georeferensi dalam kerangka
penelitian atau (ii) telah bekerja dengan data geografis direferensikan sebelumnya tapi
tanpa pengetahuan eksplisit tentang bagaimana konsep dapat bermanfaat bagi mereka
Definisi
Pengembangan konsep
Notasi ini telah diringkas dengan baik oleh Hukum Pertama Tobler, 'Segala sesuatunya
berhubungan dengan sesuatu yang lain, tapi hal-hal yang dekat lebih terkait daripada halhal yang jauh' (Tobler 1970, p.234).
Sampai tahun 1964, dalam ilmu dan statistik sosial literatur, telah disebut 'ketergantungan
spasial yang dari jenis nominal yang sama (hitam atau putih)
Geary, membuat titik bahwa residual dipetakan dari analisis kuadrat regresi kuadrat biasa
Cross-product Statistic
n
ij = W ij Y ij
i=1 j=1
(B.3.1)
dimana
: 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
- Hubungan spasial tertentu tergantung pada jarak, jika diasumsikan bahwa hubungan
spasial menurun dalam kekuatan sebagai jarak meningkat dari lokasi tertentu, maka
10
W ij =d ij dengan 1
(B.3.2)
bobot dalam sel (i,j) merupakan kebalikan dari jarak d antara dua lokasi, i dan j,
diturunkan oleh eksponen .
-
proporsional.
Pengembangan model spasial mempertimbangkan matriks bobot spasial menjadi salah
satu dari tiga jenis representasi berikut:
i.
gagasan teoritis asosiasi spasial, seperti penurunan fungsi jarak,
ii.
indikator geometris kedekatan spasial, seperti representasi unit spasial yang
iii.
berdekatan,
beberapa ekspresi deskriptif asosiasi spasial yang sudah ada dalam satu set
data.
Sifat dari variabel sedang dipelajari untuk efek spasial adalah kunci untuk W yang
tepat. Skala karakteristik data merupakan elemen penting dalam penyusunan W.
Semakin besar suatu unit spasial, maka ketergantungan spasial antar unit cenderung
11
aditif (yi + yj), perkalian (yiyj), pengurangan (yi - yj), atau pembagian (yi / yj). Tipe
y y ) ( y j y )
matriks perkalian yang berguna adalah matriks kovarians ( i
.
Pengukuran dan uji autokorelasi spasial dapat dibedakan dari lingkup atau skala analisis.
Secara tradisional, mereka dipisahkan menjadi kategori 'global dan ' lokal '.
a) 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 (). Semua pengukuran dan uji autokorelasi spasial adalah terstruktur. Sebuah uji
terhadap signifikansi statistik dari dibuat praktis dengan mengacak nilai-nilai Y dalam
sejumlah simulasi. 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
n
E ( J )=
1
W p2
2 i=1 j=1 ij r
(B.3.3)
E ( J )= W ij pr ps
i=1 j=1
12
(B.3.4)
Nilai-nilai p biasanya diperkirakan dari data (nr/n). Matriks W terdiri dari satu dan
nol mewakili unit spasial gabungan (satu) dan bukan unit spasial gabungan (nol).
Serta serangkaian matriks Y, satu untuk setiap uji, di mana masing-masing terdiri dari
satu dan nol mewakili jenis tertentu dari unit spasial terkait (misalnya, AB adalah satu
dan non-AB adalah nol) dan diringkas sebagai probabilitas kejadian dari A dan B (pr
dan ps). Dalam rangka untuk melakukan tes pada autokorelasi spasial, varians harus
diketahui dan asumsi dipanggil dari sebuah frekuensi sel berdistribusi normal
I=
W ij ( y i y )( y j y )
n
n
i=1 j=1
i j
W ij
( y i y )
i=1 j=1
(B.3.7)
i=1
n
n
W ij
T W
T
(B.3.8)
i=1 j=1
Gearys 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
n
( n1 ) W ij ( y i y j )2
c=
i=1 j=1
n
2 W W ij ( y i y )
i=1
13
i j
2
(B.3.9)
Dalam pengujian, nilai-nilai kurang dari satu menunjukkan autokorelasi spasial positif
(perbedaan kecil) dan nilai lebih besar dari satu berarti autokorelasi spasial negatif
1
2
( ad )= W ij ( y i y j )
2 i=1 j=1
(B.3.10)
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. Cressie (1993) memberikan perlakuan yang komprehensif dari
geostatistik, dan Rosenberg et al. (1999) menekankan aspek analisis autokorelasi
spasial.
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
-
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
14
n
n
W
R
^
K ( d )= 2 ij i j
n i=1 j=1 eij
(B.3.11)
model.
Efek spasial dapat didiagnosis melalui uji Morans I pada residual atau terhadap
(B.3.13)
dan (ii) regresi linear dengan error autoregressive spasial, atau Model autoregressive
simultan (SAR), sering disebut spasial error model
y= X+ ( I W )1
(B.3.14)
dalam kedua kasus ini, parameter yang mewakili efek spasial, dan harus
ditentukan.
-
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 , adalah nol, tidak ada
efek spasial. Hal ini berlaku selama error dan
masing-masing didistribusikan
secara acak dalam ruang. Jika, dalam estimasi model, kesalahan secara spasial
15
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
i= W ij Y ij i j
(B.3.15)
j=1
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. i 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
pengelompokan ( Gi ). Gi
dan
Gi ,
Gi
) atau
ditulis sebagai
n
Gi ( d )=
W ij ( d ) y j W i y
j =1
s [ ( n S ) W
1i
2
i
1 /2
] /(n1)}
untuk semua j
(B.3.16a)
dimana
n
dan
1i
j=1
16
(B.3.16b)
Statistik LISA diciptakan oleh Anselin (1995), yang motivasinya adalah untuk
menguraikan statistik global seperti Morans I dan Geary c ke dalam komponen lokal
y i y
n
1
2
( y i y )
n
i=1
(B.3.17)
1
2
W ij ( y i y j )
n i=1 j=1
(B .3.18)
nilai harapannya
n
E ( Ii ) =
1
W
n1 j=1 ij
(B.3.19)
1
n
W ij [ ( y i y ) ( y j y ) ]
1
i=1
( y y )2
n i=1 i
(B.3.20)
2n
=
W
(n1) i=1 j=1 ij
(B.3.21)
(1995).
Poin regresi geografis tertimbang (GWR) adalah bahwa parameter regresi tidak
konstan atas ruang yang ditandai dengan model regresi tradisional dan variasi yang
Y =( X ) 1+
(B.3.22)
slope dan intersep untuk masing-masing variabel independen untuk setiap lokasi i.
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 :
{[
( )]
d ij 2
1
jika d ij <b
W ij =
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
18
(B.3.24)
di mana Y d
dari pengamatan m = M - n(d), dimana M menjadi satu set dipartisi secara regional
dari observasi yang menampilkan 'homogenitas relatif. M harus jauh lebih besar dari
n(d) [setidaknya 10 kali lipat] tapi jauh lebih kecil dari semua n pengamatan di daerah
penelitian. M dapat dipilih untuk memasukkan semua pengamatan dari i [(kecuali
n(d)] hingga rentang (dalam arti geostatistik) berasal dari semua pengamatan. Ide
statistiknya adalah untuk membandingkan karakteristik data pada dua skala spasial;
E[Oi(d)] = 0.
Autokorelasi spasial tdk dapat didefinisikan tidak selalu jelas apakah berbagai langkah dan
unit spasial yang diteliti) atau apakah berupa fungsi dari sifat variabel yang diteliti?
Ketika autokorelasi spasial tertanam dalam variabel, apakah itu karena geometri dari unit
demikian jumlah derajat kebebasan dipengaruhi oleh tingkat spasial daerah studi.
Apakah jarak d mencakup jumlah pengamatan yang sesuai yang memungkinkan untuk
tingkat kepercayaan yang dapat diterima dalam hasil?
19
Bagaimana d dipilih? Perhatian khusus harus diberikan kepada pengaruh berbagai d pada
hasil. Sebuah teknik yang menjanjikan analisis, spasial filtering, mungkin sangat berguna
dalam menjawab banyak pertanyaan-pertanyaan ini (Getis 1990, 1995; Griffith 1996,
2003; Griffith 2002).
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
20