Panduan Operasional Analisis Data Spasial PDF

Preview

Summary

PANDUAN OPERASIONAL PENGOLAHAN DATA SPASIAL Persentase Rumah Tangga Miskin Kabupaten Jombang Dengan Software: OpenJump N OpenGeoDa GWR4 ArcView 10 0 10 20 Kilometers Persentase Rumah Tangga Miskin 5.56 - 18.65 18.65 - 28.31 28.31 - 55.58 Rindang Bangun Prasetyo 18/05/2014 Panduan Operasional Pengola...

Description

PANDUAN OPERASIONAL PENGOLAHAN DATA SPASIAL Persentase Rumah Tangga Miskin Kabupaten Jombang N

Dengan Software: OpenJump OpenGeoDa GWR4 ArcView

10

0

10

20 Kilometers

Persentase Rumah Tangga Miskin 5.56 - 18.65 18.65 - 28.31 28.31 - 55.58

Rindang Bangun Prasetyo 18/05/2014

Panduan Operasional Pengolahan Data Spasial Software yang digunakan: 1. OpenJump: untuk proses penyimpanan/ penggabungan data (format csv, comma delimited) ke dalam file peta (shapefile). 2. OpenGeoDa: untuk pengecekan korelasi spasial dan heterogenitas serta untuk regresi Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM). 3. GWR4: untuk estimasi model Geographically Weighted Regression (GWR). 4. ArcView: untuk pembuatan peta tematik. 2.1. OpenJump Tahap 1. Menyiapkan file peta (shapefile) Tampilan Windows

Langkah 1. Buka aplikasi OpenJUMP dengan double click pada sortcut 2. Pilih menu File  Open atau icon

3. Muncul dialog Open file, Pilih direktori penyimpanan file, kemudian ubah pilihan “Files of type” menjadi “Esri Shapefile (*.shp)” kemudian klik nama file peta yang sesuai. Pada contoh ini nama file yang kita pilih adalah: “3517desa.shp”. Kemudian klik Finish

4. File peta akan dimunculkan pada folder working

1

Tahap 2. Menyiapkan file data (file *.csv) TIPS

File data yang digunakan berekstensi csv (comma delimited), dapat diperoleh dari menu File Save As pada SPSS dan File Save As Ms. Excel.

Tampilan Windows

Langkah 1. Pilih menu File  Open atau icon

2. Ubah pilihan “Files of type” menjadi “Csv (auto)”. Cari nama file data yang disimpan. Pada contoh ini pilih “data279.csv” pada folder DataPelatihan kemudian klik Finish

3. Pada Folder working akan bertambah file bernama “data 279”

4. Klik untuk melihat data pada file tersebut.

2

Tahap 3. Menggabungkan data pada peta Tampilan Windows

Langkah 1. Klik kanan pada data klik “Editable”. Selanjutnya klik kanan kembali pada data dan pilih “View/Edit Schema”

2. Ubah Data Type pada variabel “kode” (variabel yang dijadikan kunci untuk matching dengan data di file shapefile) menjadi “Integer”, sementara variabel lainnya (Y, X1, X2, X3, X4, X5, X6) diubah Data Type-nya menjadi “Double”, dan biarkan variabel “Geometry” (variabel ini dibuat oleh OpenJump untuk digunakan sebagai informasi geografis). Kemudian klik Apply Changes, dan tutup dialog tersebut. 3. Pilih file “3517desa” dibawah folder “Working” dengan cara klik pada nama tersebut.

4. Selanjutnya klik Menu Tools Edit Attributes  Join Table.

5. Muncul window Join Table, pilih Base layer dengan nama shapefile yaitu “3517desa” dengan unik ID dipilih “KODE_DES” dan pilih atribut layer yang akan dijoin “Data 279” dengan unik ID “Kode”. Kemudian klik OK.

3

Tampilan Windows

Langkah 6. Setelah selesai akan tampil di folder Result dua file yakni join result dan unmatched items.

TIPS

Unique IDs harus diisi dengan variabel yang menjadi kunci untuk proses matching (pada file peta bernama “KODE_DES” pada file data bernama “kode”).

Tahap 4. Menghapus data yang unmatched dengan fasilitas “Query” Tampilan Windows

Langkah 1. Pilih file “3517desa – join result” pada folder “Result”, selanjutnya klik

2. Muncul jendela Attributes dimana terlihat kode desa yang tidak match tidak ada isian datanya (blank). Kita akan melakukan penghapusan terhadap observasi (desa) yang seperti ini dari dalam file hasil penggabungan (join result).

3. Klik menu Tools  Simple Query

4

Tampilan Windows

Langkah 4. Muncul kotak dialog Query Builder.  Beri tanda cek hanya pada pilihan “Create a New Layer” dalam grup Results.  Pastikan isian pada kotak pilihan Layer berisi nama file hasil penggabungan data (dalam hal ini bernama “3517desa – join result”). Kemudian pilih isian pada kotak pilihan Attribute dengan nama variabel kunci pada proses matching (dalam hal ini bernama “Kode (INTEGER)”).  Berikutnya isikan kotak Function dengan pilihan “is null”, kotak Operator pada pilihan “=”, dan kotak Value pada pilihan “false”.  Klik tombol Valid untuk mengeksekusi proses penghapusan data yang tidak match. 5. OpenJump menambahkan satu bernama: “3517desa - joinresult_kode_=_false”

file

6. Untuk melihat hasilnya dapat diklik

Tahap 5. Menyimpan file hasil “Query” dalam format file peta. Tampilan Windows

Langkah 1. Klik kanan file “3517joinresult_Kode_=_false”

5

Tampilan Windows

Langkah 2. Muncul menu popup selanjutnya pilih dan klik pada menu “Save Dataset As”

3. Pada window Save Dataset As:  Pilih Format “ESRI Shapefile”. Pilihan ini memastikan bahwa file peta yang akan kita simpan adalah dalam format .shp  Selanjutnya pada kotak isian File name isikan nama file: misalkan dengan “3517desaJoin.shp”. Perhatikan bahwa OpenJump menghendaki penulisan nama lengkap dengan extension-nya (dalam hal ini extension berupa “.shp”). Jika tidak, OpenJump akan menampilkan pesan error.  Klik tombol OK. OpenJump selanjutnya akan melakukan proses penyimpanan.

2.2. OpenGeoDa Tahap 1. Membuka Shapefile yang sudah berisi data pengamatan (hasil join) Tampilan Windows

Langkah 1. Buka GeoDa dengan double click pada file. 2. Klik File  Open Shapefile

6

Tampilan Windows

Langkah 3. Muncul dialog open shapefile, pilih direktori penyimpanan dan shapefile dari tahapan sebelumnya (3517desaJoin.shp), Klik Open.

4. File akan terbuka pada jendela Map.

Tahap 2. Membuat file matriks penimbangspasial (spatial weight matrix) Tampilan Windows

Langkah 1. Klik Tools  Weight  Create

2. Muncul window Weights File Creation, pada isian Weights File ID Variable pilih nama variabel identitas desa/kelurahan yakni “Kode”. Pilih Category Wieght misalkan dengan Queen Category. Selanjutnya klik Create.

7

Tampilan Windows

Langkah 3. Muncul dialog penyimpanan file penimbang. Pilih direktori penyimpanan dan isi nama file misalnya dengan nama: 3517desaJoin.gal selanjutnya Klik Save

4. OpenGeoda akan melakukan proses pembuatan matriks penimbang

Tahap 3. Menghitung Indeks Global Moran’s I Tampilan Windows

Langkah 1. Klik Space  Univariate Moran’s I

2. Muncul dialog Variable Setting. Klik nama variabel yang akan dihitung indeks Global Moran’s I nya. Dalam contoh ini variabel yang dipilih adalah variabel respon Y (persentase RT miskin). Kemudian klik tombol OK untuk memulai proses penghitungan indeks.

8

3. OpenGeoda akan menghitung nilai indeks Global Moran’s I dan menampilkannya dalam bentuk grafik di sebelah kiri. Untuk menampilkan uji signifikansi dari nilai indeks tersebut klik kanan pada area sekitar grafik kemudian klik “Display Statistics”.

Tahap 4. Mengestimasi Model Regresi Clasik Variabel respon

: Y = Persentase rumah tangga miskin

Variabel bebas

: X1 = Status kepemilikan bangunan X2 = Jenis atap bangunan tempat tinggal X3 = Jenis lantai bangunan tempat tinggal X4 = Sumber penerangan X5 = Tingkat pendidikan Kepala Rumah Tangga X6 = Kepemilikan Aset

Tampilan Windows

Langkah 1. Klik menu Methods  Regression

2. Muncul window Regression. Masukkan variabel respon (Y) ke dalam kotak isian Dependent Variable, dan variabelvariabel bebas (X1-X6) ke dalam kotak isian Covariates. Selanjutnya beri tanda cek pada kotak pilihan “Weights File” dan pastikan nama file sudah sesuai dengan nama file penimbang spasial yang digunakan. Jika belum, klik tombol untuk memilih file penimbang yang sesuai. Pada grup Models kita dapat memilih salah satu dari tiga model regresi (Classic, Spatial Lag, atau Spatial Error). Pada tahap awal ini pilih Classic. Klik tombol “Run” untuk memulai proses estimasi model regresi

9

Tampilan Windows

Langkah 3. Muncul jendela yang menampilkan output estimasi model regresi dan diagnosa terhadap residual model regresi yang dihasilkan

Tahap 5. Melakukan Diagnosa Residual Model Regresi SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION Data set : 3517desaJoin Dependent Variable : Y Number of Observations: 279 Mean dependent var : 22.0354 Number of Variables : 7 S.D. dependent var : 7.97753 Degrees of Freedom : 272 R-squared : 0.365500 F-statistic : 26.114 Adjusted R-squared : 0.351504 Prob(F-statistic) :1.74999e-024 Sum squared residual: 11266.1 Log likelihood : -911.802 Sigma-square : 41.4194 Akaike info criterion : 1837.6 S.E. of regression : 6.43579 Schwarz criterion : 1863.02 Sigma-square ML : 40.3802 S.E of regression ML: 6.35454 ----------------------------------------------------------------------Variable Coefficient Std.Error t-Statistic Probability ----------------------------------------------------------------------CONSTANT 53.88923 7.001124 7.697226 0.0000000 X1 -0.2062281 0.05416338 -3.807519 0.0001735 X2 -1.075101 0.2418714 -4.444929 0.0000128 X3 0.1010237 0.01793762 5.631947 0.0000000 X4 0.4324189 0.1871115 2.311023 0.0215796 X5 -0.281028 0.07636555 -3.680036 0.0002811 X6 -0.0694462 0.03461881 -2.006025 0.0458434 ----------------------------------------------------------------------REGRESSION DIAGNOSTICS MULTICOLLINEARITY CONDITION NUMBER 57.046727 TEST ON NORMALITY OF ERRORS TEST DF VALUE PROB Jarque-Bera 2 22.04446 0.0000163 DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 6 19.86236 0.0029300 Koenker-Bassett test 6 13.95524 0.0301401 SPECIFICATION ROBUST TEST TEST DF VALUE PROB White 27 35.56384 0.1251504

1

2

3 DIAGNOSTICS FOR SPATIAL DEPENDENCE FOR WEIGHT MATRIX : 3517desaJoin.gal (row-standardized weights) TEST MI/DF VALUE PROB Moran's I (error) 0.266089 7.2349091 0.0000000 Lagrange Multiplier (lag) 1 34.0857466 0.0000000 Robust LM (lag) 1 0.8493971 0.3567230 Lagrange Multiplier (error) 1 46.5922056 0.0000000 Robust LM (error) 1 13.3558561 0.0002576 Lagrange Multiplier (SARMA) 2 47.4416027 0.0000000 ========================= END OF REPORT ============================== 1. Berdasarkan hasil regresi clasik, Nilai R-squared yang diperoleh yaitu 0,3655 dan nilai AIC sebesar 1837,6. Seluruh variabel bebas memberikan pengaruh yang nyata terhadap variabel respon pada tingkat kepercayaan 95% sehingga model yang dihasilkan yaitu:

yˆi  53,89  0, 21X1i  1,07 X 2i  0,10 X 3i  0, 43 X 4i  0, 28 X 5i  0,07 X 6i

10

2. Adanya pengaruh spasial dalam variabel yang diteliti dapat diamati dari output dibawah judul “Diagnostic for heteroskedasticity” yang menguji permasalahan heteroskedastisitas (varians residual yang tidak konstan dan diduga terkait dengan heterogenitas spasial). Nilai PROB Breusch–Pagan test di bawah 0,05 menunjukkan bukti yang signifikan adanya pengaruh heterogenitas spasial dalam model. 3. Hasil Diagnostic for spatial dependence digunakan untuk mengetahui permasalahan korelasi spasial. Nilai PROB di bawah 0,05 Uji Lagrange Multiplier baik untuk lag maupun error menunjukkan bukti yang signifikan bahwa terdapat pengaruh korelasi spasial dalam model yang diteliti. Tahap 6. Model Regresi Spatial Lag atau Spatial Autoregressive Model (SAR) Tampilan Windows

Langkah 1 Melalui klik sub menu Regression pada Methods, muncul window Regression. Masukkan variabel respon (Y) ke dalam kotak isian Dependent Variable, dan variabel-variabel bebas (X1-X6) ke dalam kotak isian Covariates. Sebagaimana pada pembahasan sebelumnya, beri tanda cek pada kotak pilihan “Weights File”. Selanjutnya pada grup Models kita pilih Spatial Lag. Kemudian klik tombol “Run” untuk memulai proses estimasi model regresi Spatial Lag.

5. Muncul jendela yang menampilkan output estimasi model regresi Spatial Lag

Output SAR: SUMMARY OF OUTPUT: SPATIAL LAG MODEL - MAXIMUM LIKELIHOOD ESTIMATION Data set : 3517desaJoin Spatial Weight : 3517desaJoin.gal Dependent Variable : Y Number of Observations: 279 Mean dependent var : 22.0354 Number of Variables : 8 S.D. dependent var : 7.97753 Degrees of Freedom : 271

11

Lag coeff. (Rho) :

0.323243

R-squared : 0.439787 Log likelihood : -897.625 Sq. Correlation : Akaike info criterion : 1811.25 Sigma-square : 35.6525 Schwarz criterion : 1840.3 S.E of regression : 5.97097 ----------------------------------------------------------------------Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------W_Y 0.323243 0.06215227 5.200823 0.0000002 CONSTANT 45.35567 6.678984 6.790804 0.0000000 X1 -0.1747721 0.05033122 -3.47244 0.0005158 X2 -0.8999638 0.2259566 -3.982905 0.0000681 X3 0.07046762 0.01793892 3.928198 0.0000856 X4 0.3742023 0.1736292 2.155181 0.0311476 X5 -0.2648372 0.0709371 -3.733409 0.0001890 X6 -0.06337455 0.03212145 -1.972967 0.0484992 REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 6 25.18306 0.0003158 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL LAG DEPENDENCE FOR WEIGHT MATRIX : 3517desaJoin.gal TEST DF VALUE PROB Likelihood Ratio Test 1 28.35501 0.0000001 ========================= END OF REPORT==============================

1. Model yang dihasilkan yaitu:

yˆi  45,36  0,32

n



j 1,i  j

wij y j  0,17 X 1i  0,9 X 2i  0, 07 X 3i  0,37 X 4i  0, 26 X 5i  0, 06 X 6i

2. Pada model regresi Spatial Lag, pengaruh korelasi spasial diakomodir dalam model dengan memasukkan variabel penimbang spasial (dalam contoh ini variabel tersebut bernama W_Y). Perhatikan nilai di bawah kolom Probability untuk variabel ini. Nilai < 0,05 menunjukkan bukti bahwa penambahan variabel ini signifikan berpengaruh dalam model. Di samping itu pada output Diagnostic for Spatial Dependence nilai di bawah kolom PROB yang juga menunjukkan angka < 0,05 menunjukkan bukti bahwa model regresi spasial memberikan penjelasan lebih baik daripada model regresi Classic. Selain itu berdasarkan Nilai R-squared dan AIC, R-squared dari model Spatial Lag (0.439787) lebih besar dari pada regresi clasik (0,3655) dan nilai AIC model Spatial Lag (1811.25) lebih kecil dari pada regresi clasik (1837,6) sehingga dapat disimpulkan Model SpaTial Lag memberikan hasil estimasi yang lebih baik. 3. Perhatikan nilai di bawah kolom PROB pada output Diagnostic for heteroskedasticity. Statistik: Breusch–Pagan test dengan nilai PROB...