Dalam analisis spasial, selain mengetahui adanya autokorelasi, penting juga untuk mengidentifikasi lokasi spesifik yang menjadi pusat konsentrasi nilai tinggi (hotspot) atau rendah (coldspot).

Metode Getis-Ord Gi* digunakan untuk mendeteksi cluster lokal signifikan berdasarkan intensitas nilai di suatu wilayah dan tetangganya.

Tujuan Analisis

Persiapan Data

data <- read.csv("D:/Youtube/Spasial/LISA.csv")
data
##              wilayah Kemiskinan
## 1           Bantaeng        7.2
## 2              Barru        7.5
## 3               Bone        9.5
## 4          Bulukumba       11.1
## 5           Enrekang       10.5
## 6               Gowa        7.8
## 7          Jeneponto       12.5
## 8  Kepulauan Selayar       10.8
## 9               Luwu       11.0
## 10        Luwu Timur       11.8
## 11        Luwu Utara       12.2
## 12          Makassar        4.5
## 13             Maros        6.9
## 14            Palopo        9.3
## 15           Pangkep        8.2
## 16          Parepare        6.5
## 17           Pinrang        8.3
## 18            Sidrap        7.9
## 19            Sinjai        9.8
## 20           Soppeng        8.7
## 21           Takalar        9.0
## 22       Tana Toraja       12.7
## 23      Toraja Utara       13.0
## 24              Wajo       10.2

Persiapan Peta

library(sf)
## Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUE
library(dplyr)
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
shp <- st_read("D:/Youtube/Spasial/SHP/sulsel.shp")
## Reading layer `sulsel' from data source `D:\Youtube\Spasial\SHP\sulsel.shp' using driver `ESRI Shapefile'
## Simple feature collection with 24 features and 13 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 117.0385 ymin: -7.758941 xmax: 121.8402 ymax: -1.895236
## Geodetic CRS:  WGS 84
shp$kemiskinan <- data$Kemiskinan
shp$wilayah <- shp$NAME_2

Matriks Pemobobot

library(spdep)
## Loading required package: spData
## To access larger datasets in this package, install the spDataLarge
## package with: `install.packages('spDataLarge',
## repos='https://nowosad.github.io/drat/', type='source')`
nb <- poly2nb(shp, queen = TRUE)
## Warning in poly2nb(shp, queen = TRUE): some observations have no neighbours;
## if this seems unexpected, try increasing the snap argument.
## Warning in poly2nb(shp, queen = TRUE): neighbour object has 2 sub-graphs;
## if this sub-graph count seems unexpected, try increasing the snap argument.
lw <- nb2listw(nb, style = "W", zero.policy = TRUE)

Hitung Getis-Ord Gi*

gi <- localG(shp$kemiskinan, lw, zero.policy = TRUE)

# Simpan hasil
shp$GiZ <- as.numeric(gi)

Klasifikasi Hotspot & Coldspot

shp$kategori <- "Not Significant"

shp$kategori[shp$GiZ > 1.96]  <- "Hotspot (95%)"
shp$kategori[shp$GiZ > 2.58]  <- "Hotspot (99%)"

shp$kategori[shp$GiZ < -1.96] <- "Coldspot (95%)"
shp$kategori[shp$GiZ < -2.58] <- "Coldspot (99%)"

Visualisasi Peta Panas

library(ggplot2)

ggplot(shp) +
  geom_sf(aes(fill = kategori), color = "black", size = 0.2) +
  scale_fill_manual(values = c(
    "Hotspot (99%)" = "darkred",
    "Hotspot (95%)" = "red",
    "Coldspot (99%)" = "darkblue",
    "Coldspot (95%)" = "blue",
    "Not Significant" = "grey80"
  )) +
  labs(
    title = "Peta Hotspot Getis-Ord Gi*",
    subtitle = "Kabupaten/Kota Sulawesi Selatan",
    fill = "Kategori"
  ) +
  theme_minimal()

1. Identifikasi Hotspot (Warna Merah)

Area berwarna merah menunjukkan Hotspot dengan tingkat kepercayaan 95%.

  • Wilayah di bagian Utara Sulawesi Selatan (termasuk Luwu Utara dan sekitarnya) secara konsisten teridentifikasi sebagai pusat kemiskinan yang tinggi.

  • Statistik \(G_i^*\) yang positif dan signifikan di sini menunjukkan bahwa wilayah-wilayah tersebut memiliki nilai kemiskinan tinggi dan dikelilingi oleh nilai-nilai yang juga tinggi secara ekstrem, melebihi apa yang bisa dianggap sebagai kebetulan acak.

2. Identifikasi Coldspot (Warna Biru)

Area berwarna biru menunjukkan Coldspot dengan tingkat kepercayaan 95%.

  • Terlihat di wilayah Selatan (sekitar Makassar dan daerah penyangganya).

  • Statistik \(G_i^*\) yang negatif dan signifikan menunjukkan area ini memiliki tingkat kemiskinan yang sangat rendah dan dikelilingi oleh tetangga yang juga memiliki nilai rendah. Area ini merupakan zona dengan tingkat kesejahteraan relatif paling stabil di provinsi tersebut.

3. Area Tidak Signifikan (Warna Abu-abu)

Sebagian besar wilayah tengah dan pesisir barat Sulawesi Selatan berada pada kategori Not Significant. Hal ini berarti di wilayah tersebut tidak ditemukan pengelompokan nilai tinggi atau rendah yang cukup ekstrem untuk dianggap sebagai hotspot/coldspot pada level kepercayaan 95%.