1 PENDAHULUAN

1.1 Latar Belakang

Ketahanan pangan merupakan salah satu indikator penting dalam pembangunan wilayah. Indeks Ketahanan Pangan merupakan ukuran dari beberapa indikator yang menghasilkan nilai komposit untuk mencerminkan status ketahanan pangan suatu wilayah. Ketahanan pangan juga berperan penting dalam pembangunan berkelanjutan karena berkaitan dengan ketersediaan pangan, keseimbangan ekonomi, pencegahan kemiskinan, dan pengurangan ketimpangan sosial (Badan Pangan Nasional, 2025).

Wilayah Papua memiliki karakteristik geografis yang kompleks, meliputi wilayah pesisir, kepulauan, dataran rendah, dan wilayah pegunungan yang relatif sulit dijangkau. Kondisi geografis tersebut dapat menyebabkan perbedaan capaian ketahanan pangan antar kabupaten/kota. Penelitian Hastuti & Yulianto (2024) menunjukkan bahwa Papua dan Papua Barat termasuk wilayah dengan Indeks Ketahanan Pangan rendah, serta terdapat kecenderungan wilayah dengan kategori IKP tinggi berdekatan dengan wilayah kategori tinggi, sedangkan wilayah dengan kategori rendah juga cenderung berdekatan dengan wilayah kategori rendah.

Pendekatan spasial diperlukan karena nilai suatu variabel pada satu wilayah dapat berkaitan dengan nilai variabel pada wilayah sekitarnya. Hastuti & Yulianto (2024) menjelaskan bahwa spatial dependency menunjukkan adanya hubungan antar lokasi objek penelitian, sehingga kondisi Indeks Ketahanan Pangan pada suatu wilayah dapat berhubungan dengan kondisi wilayah sekitarnya.

Penelitian ini menggunakan pendekatan Spatial Econometrics dengan model utama Spatial Durbin Model (SDM). Model SDM dipilih karena dapat memasukkan pengaruh variabel dependen wilayah tetangga melalui komponen \(WY\) dan pengaruh variabel independen wilayah tetangga melalui komponen \(WX\). Elhorst (2010) menegaskan bahwa Spatial Durbin Model penting dalam spatial econometrics karena memungkinkan pembahasan efek tidak langsung sebagai dasar untuk menguji ada atau tidaknya spatial spillover.

1.2 Rumusan Masalah

Penelitian ini memiliki beberapa rumusan masalah sebagai berikut.

Bagaimana sebaran spasial Indeks Ketahanan Pangan kabupaten/kota di Wilayah Papua tahun 2024?
Apakah terdapat autokorelasi spasial pada Indeks Ketahanan Pangan kabupaten/kota di Wilayah Papua tahun 2024?
Bagaimana hasil estimasi Spatial Durbin Model dalam menjelaskan faktor-faktor yang memengaruhi IKP?
Bagaimana efek langsung, efek tidak langsung, dan efek total dari variabel penjelas terhadap IKP?

1.3 Tujuan Penelitian

Penelitian ini bertujuan mendeskripsikan sebaran spasial IKP kabupaten/kota di Wilayah Papua tahun 2024, membentuk matriks bobot spasial \(W\), menguji autokorelasi spasial menggunakan Moran’s I, mengestimasi Spatial Durbin Model, serta menginterpretasikan efek langsung, efek tidak langsung, dan efek total dari variabel penjelas terhadap IKP.

2 DATA DAN METODE

2.1 Data Penelitian

Data yang digunakan dalam penelitian ini merupakan data sekunder tahun 2024 dengan unit observasi sebanyak 42 kabupaten/kota di Wilayah Papua. Variabel dependen dalam penelitian ini adalah Indeks Ketahanan Pangan. Variabel independen meliputi Umur Harapan Hidup, Rata-rata Lama Sekolah, prevalensi stunting, persentase penduduk miskin, dan log PDRB per kapita. Pemilihan variabel tersebut merujuk pada penelitian Hastuti & Yulianto (2024), yang menggunakan variabel kesehatan, stunting, kemiskinan, pengangguran, dan pendidikan dalam analisis spasial terhadap Indeks Ketahanan Pangan di Papua dan Papua Barat.

Data IKP diperoleh dari publikasi Badan Pangan Nasional. Data UHH, RLS, persentase penduduk miskin, dan PDRB per kapita diperoleh dari Badan Pusat Statistik. Data prevalensi balita stunting diperoleh dari Survei Status Gizi Indonesia tahun 2024. Data batas administrasi kabupaten/kota diperoleh dari geoBoundaries ADM2 Indonesia.

kable_clean(var_tbl, "Tabel 1. Variabel Penelitian")

Tabel 1. Variabel Penelitian
Simbol	Variabel	Keterangan	Satuan
Y	IKP	Indeks Ketahanan Pangan kabupaten/kota	Indeks
X1	UHH	Umur Harapan Hidup saat lahir	Tahun
X2	RLS	Rata-rata Lama Sekolah	Tahun
X3	Stunting	Prevalensi balita stunting	Persen
X4	Kemiskinan	Persentase penduduk miskin	Persen
X5	Log PDRB	Logaritma natural PDRB per kapita	Log ribu rupiah

2.2 Matriks Bobot Spasial W

Matriks bobot spasial \(W\) digunakan untuk merepresentasikan hubungan kedekatan antarwilayah. Hastuti & Yulianto (2024) menjelaskan bahwa matriks bobot spasial menggambarkan kedekatan atau hubungan antar lokasi pengamatan, dengan informasi kedekatan yang dapat dibentuk berdasarkan hubungan ketetanggaan atau jarak. Matriks \(W\) dalam penelitian ini dibentuk menggunakan K-Nearest Neighbors dengan \(k = 4\). Pembobot KNN dipilih karena Wilayah Papua memiliki karakteristik geografis yang kompleks, terdiri atas wilayah daratan, kepulauan, dan pegunungan, sehingga hubungan spasial lebih sesuai dibangun berdasarkan kedekatan jarak antar pusat wilayah.

Matriks bobot spasial kemudian disimetriskan dan distandardisasi per baris atau row-standardized. Standardisasi baris dilakukan agar total bobot pada setiap wilayah bernilai satu, sehingga pengaruh spasial dari wilayah tetangga dapat diinterpretasikan sebagai rata-rata tertimbang dari wilayah sekitar.

2.3 Moran’s I

Moran’s I digunakan untuk menguji apakah nilai IKP antarwilayah memiliki pola spasial atau tersebar secara acak. Hastuti & Yulianto (2024) menjelaskan bahwa Moran’s I digunakan untuk mendeteksi pola spatial dependency, yaitu kondisi ketika nilai suatu variabel pada satu wilayah berkaitan dengan nilai variabel pada wilayah sekitarnya. Apabila p-value Moran’s I lebih kecil dari 0,05, maka terdapat autokorelasi spasial yang signifikan.

Rumus Moran’s I adalah:

\[I = \frac{n}{S_0} \frac{\sum_{i=1}^{n}\sum_{j=1}^{n} w_{ij}(x_i-\bar{x})(x_j-\bar{x})} {\sum_{i=1}^{n}(x_i-\bar{x})^2}\]

dengan \(n\) adalah jumlah wilayah, \(w_{ij}\) adalah elemen matriks bobot spasial, \(x_i\) adalah nilai IKP wilayah ke-i, \(\bar{x}\) adalah rata-rata IKP, dan \(S_0\) adalah jumlah seluruh elemen bobot spasial.

2.4 Spatial Durbin Model

Model utama dalam penelitian ini adalah Spatial Durbin Model. Model SDM digunakan karena mampu memasukkan pengaruh spasial dari variabel dependen dan variabel independen wilayah tetangga. Elhorst (2014) menjelaskan bahwa model ekonometrika spasial perlu diperhatikan bukan hanya dari sisi spesifikasi dan estimasi, tetapi juga dari interpretasi efek spasialnya. Spatial Durbin Model sesuai digunakan ketika peneliti ingin melihat pengaruh variabel pada wilayah itu sendiri sekaligus potensi spillover dari wilayah tetangga.

Bentuk umum Spatial Durbin Model adalah:

\[Y = \rho WY + X\beta + WX\theta + \varepsilon\]

Komponen \(WY\) menunjukkan spatial lag dari variabel dependen, sedangkan \(WX\) menunjukkan spatial lag dari variabel independen. Komponen \(\rho\) menunjukkan koefisien dependensi spasial pada variabel dependen, \(\beta\) menunjukkan koefisien pengaruh variabel independen pada wilayah itu sendiri, dan \(\theta\) menunjukkan koefisien pengaruh variabel independen dari wilayah tetangga.

Model ini memungkinkan interpretasi direct effect, indirect effect, dan total effect. LeSage & Pace (2009) menjelaskan bahwa interpretasi model spasial tidak cukup hanya berdasarkan koefisien regresi, karena perubahan pada suatu wilayah dapat memengaruhi wilayah lain melalui struktur spasial. Direct effect menunjukkan pengaruh variabel pada wilayah itu sendiri, indirect effect menunjukkan pengaruh tidak langsung atau spillover dari wilayah tetangga, sedangkan total effect merupakan gabungan direct effect dan indirect effect.

3 HASIL DAN PEMBAHASAN

3.1 Deskripsi Data dan Peta IKP

Data terdiri atas 42 kabupaten/kota di Wilayah Papua. Peta IKP digunakan untuk melihat sebaran spasial ketahanan pangan. Secara umum, wilayah seperti Kabupaten Merauke, Kabupaten Mimika, Kota Jayapura, dan Kota Sorong memiliki IKP relatif tinggi. Sebaliknya, beberapa wilayah pegunungan seperti Kabupaten Intan Jaya, Nduga, Lanny Jaya, Tolikara, Paniai, dan Mamberamo Tengah memiliki IKP relatif rendah.

plot_map(papua_sf, "ikp", "Peta IKP Kabupaten/Kota di Wilayah Papua Tahun 2024", "IKP")

Gambar 1. Peta IKP Wilayah Papua Tahun 2024

Interpretasi Gambar 1. Gambar 1 menunjukkan bahwa wilayah dengan IKP rendah cenderung terkonsentrasi pada wilayah pegunungan. Pola ini mengindikasikan adanya ketimpangan spasial dalam capaian ketahanan pangan.

3.2 Matriks Bobot Spasial W

Matriks bobot spasial dibentuk menggunakan KNN k = 4 dan disimetriskan sehingga hubungan ketetanggaan lebih stabil. Terdapat 42 wilayah dengan 216 hubungan tetangga. Bobot kemudian distandardisasi per baris agar total bobot setiap wilayah bernilai satu.

kable_clean(w_tbl, "Tabel 2. Ringkasan Matriks Bobot Spasial W")

Tabel 2. Ringkasan Matriks Bobot Spasial W
Komponen	Nilai
Jenis pembobot	K-Nearest Neighbors
Nilai k	4
Jumlah wilayah	42
Jumlah hubungan tetangga	216
Rata-rata jumlah tetangga	5,142857
Jumlah tetangga minimum	4
Jumlah tetangga maksimum	8
Standardisasi bobot	Row-standardized

Interpretasi Tabel 2. Matriks bobot spasial KNN k = 4 menghasilkan rata-rata jumlah tetangga sebesar 5,142857. Jumlah tetangga minimum adalah 4, sedangkan jumlah tetangga maksimum adalah 8.

3.3 Hasil Uji Autokorelasi Spasial Moran’s I

Pengujian autokorelasi spasial dilakukan menggunakan Moran’s I guna mengetahui apakah nilai Indeks Ketahanan Pangan antar kabupaten/kota di Wilayah Papua membentuk pola spasial atau tersebar secara acak. Hasil uji Moran’s I pada variabel IKP disajikan pada Tabel 3.

kable_clean(moran_tbl, "Tabel 3. Hasil Moran’s I IKP")

Tabel 3. Hasil Moran’s I IKP
Statistik	Nilai
Moran’s I	0,133022578
Expected value	-0,024390244
Variance	0,008428964
Standard deviate	1,7146
p-value	0,043213

Interpretasi Tabel 3. Nilai Moran’s I sebesar 0,1330 dengan p-value 0,043213. Karena p-value lebih kecil dari 0,05, maka terdapat autokorelasi spasial positif yang signifikan pada IKP kabupaten/kota di Wilayah Papua tahun 2024.

3.4 Hasil Estimasi Spatial Durbin Model

Estimasi Spatial Durbin Model dilakukan guna menganalisis pengaruh UHH, RLS, stunting, kemiskinan, dan log PDRB terhadap IKP dengan mempertimbangkan keterkaitan spasial antarwilayah. Model ini memasukkan pengaruh variabel independen pada wilayah itu sendiri serta pengaruh variabel independen dari wilayah tetangga melalui komponen lag spasial. Hasil estimasi Spatial Durbin Model disajikan pada Tabel 4.

kable_clean(sdm_tbl, "Tabel 4. Estimasi Spatial Durbin Model")

Tabel 4. Estimasi Spatial Durbin Model
Variabel	Koefisien	p-value	Interpretasi
Intercept	39,45990	< 0,001	Signifikan
UHH	3,25514	0,054737	Signifikan lemah 10%
RLS	2,80884	0,389897	Tidak signifikan
Stunting	-2,53256	0,233390	Tidak signifikan
Kemiskinan	-12,19208	< 0,001	Negatif signifikan
Log PDRB	0,69366	0,772729	Tidak signifikan
Lag UHH	0,70438	0,859364	Tidak signifikan
Lag RLS	0,65203	0,927052	Tidak signifikan
Lag Stunting	-0,90505	0,873337	Tidak signifikan
Lag Kemiskinan	7,44431	0,091726	Signifikan lemah 10%
Lag Log PDRB	0,62765	0,904470	Tidak signifikan

Interpretasi Tabel 4. Hasil estimasi SDM menunjukkan bahwa kemiskinan memiliki koefisien sebesar -12,19208 dengan p-value < 0,001. Artinya, kemiskinan berpengaruh negatif signifikan terhadap IKP. Nilai rho model SDM sebesar 0,090264 dengan p-value 0,697606.

3.5 Efek Langsung dan Tidak Langsung SDM

Hasil Spatial Durbin Model tidak hanya dilihat dari koefisien estimasi, tetapi juga melalui efek langsung, efek tidak langsung, dan efek total. Efek langsung menunjukkan pengaruh variabel terhadap IKP pada wilayah itu sendiri, sedangkan efek tidak langsung menunjukkan kemungkinan pengaruh spillover dari wilayah tetangga. Ringkasan efek spasial SDM disajikan pada Tabel 5.

Tabel 5. Efek Spasial SDM
Variabel	Direct	p-Direct	Indirect	p-Indirect	Total	p-Total
UHH	3,2734782	0,054423	1,0789121	0,809784	4,3523903	0,402262
RLS	2,8254721	0,385331	0,9787877	0,911237	3,8042598	0,680328
Stunting	-2,5533801	0,250443	-1,2253013	0,860892	-3,7786814	0,659148
Kemiskinan	-12,0755603	< 0,001	6,8567263	0,137430	-5,2188340	0,279781
Log PDRB	0,7063411	0,810597	0,7460693	0,897612	1,4524104	0,839318

Interpretasi Tabel 5. Direct effect kemiskinan sebesar -12,0755603 dengan p-value < 0,001 , sehingga signifikan pada taraf 5%. Indirect effect kemiskinan sebesar 6,8567263 dengan p-value 0,137430 . Nilai p-value indirect effect yang lebih besar dari 0,05 menunjukkan bahwa belum terdapat bukti kuat adanya spillover kemiskinan dari wilayah tetangga terhadap IKP.

3.6 Peta Prediksi dan Residual SDM

Peta prediksi SDM digunakan untuk melihat nilai IKP yang diperkirakan oleh model berdasarkan variabel penjelas dan struktur spasial. Peta residual digunakan untuk melihat apakah masih terdapat pola kesalahan model yang mengelompok secara spasial.

plot_map(papua_sf, "prediksi_sdm", "Peta Prediksi IKP Berdasarkan Spatial Durbin Model", "Prediksi IKP")

Gambar 2. Peta Prediksi IKP SDM

Interpretasi Gambar 2. Gambar 2 menunjukkan pola prediksi IKP berdasarkan model SDM. Secara umum, wilayah dengan karakteristik sosial ekonomi lebih baik cenderung memiliki prediksi IKP lebih tinggi, sedangkan wilayah pegunungan dengan kemiskinan tinggi cenderung memiliki prediksi IKP lebih rendah.

plot_map(papua_sf, "residual_sdm", "Peta Residual Spatial Durbin Model", "Residual", residual = TRUE)

Gambar 3. Peta Residual SDM

Interpretasi Gambar 3. Gambar 3 menunjukkan sebaran residual dari hasil estimasi Spatial Durbin Model. Residual positif mengindikasikan bahwa nilai IKP aktual lebih tinggi dibandingkan nilai prediksi model, sedangkan residual negatif menunjukkan bahwa nilai IKP aktual lebih rendah dibandingkan nilai prediksi model. Secara visual, residual menyebar pada berbagai wilayah tanpa membentuk pengelompokan spasial yang sangat jelas.

Pengujian lanjutan terhadap residual dilakukan menggunakan Moran’s I residual guna memastikan ada atau tidaknya autokorelasi spasial yang masih tersisa pada kesalahan model. Hasil pengujian tersebut disajikan pada Tabel 6.

kable_clean(moran_res_tbl, "Tabel 6. Moran’s I Residual SDM")

Tabel 6. Moran’s I Residual SDM
Statistik	Nilai
Moran’s I residual	0,032950548
Expected value	-0,024390244
Variance	0,007970653
p-value	0,260349

Interpretasi Tabel 6. Hasil Moran’s I residual SDM menunjukkan nilai sebesar 0,032950548 dengan p-value 0,260349. Karena p-value lebih besar dari 0,05, residual SDM tidak memiliki autokorelasi spasial yang signifikan.

3.7 Keterbatasan Penelitian

Penelitian ini memiliki beberapa keterbatasan. Pertama, data yang digunakan merupakan data cross-section tahun 2024, sehingga belum menggambarkan perubahan ketahanan pangan dari waktu ke waktu. Kedua, variabel yang digunakan terbatas pada UHH, RLS, stunting, kemiskinan, dan log PDRB per kapita. Ketiga, matriks bobot spasial menggunakan KNN k = 4, sehingga hasil dapat berbeda apabila menggunakan pembobot lain seperti queen contiguity, rook contiguity, atau inverse distance.

4 KESIMPULAN

Penelitian ini menganalisis faktor-faktor yang memengaruhi IKP kabupaten/kota di Wilayah Papua tahun 2024 menggunakan Spatial Durbin Model. Output yang dihasilkan meliputi peta variabel, matriks bobot spasial W, Moran’s I, estimasi model, dan interpretasi efek spasial.

Hasil Moran’s I menunjukkan nilai sebesar 0,1330 dengan p-value 0,043213. Karena p-value lebih kecil dari 0,05, maka terdapat autokorelasi spasial positif yang signifikan pada IKP.

Hasil estimasi SDM menunjukkan bahwa persentase penduduk miskin berpengaruh negatif signifikan terhadap IKP. Koefisien kemiskinan sebesar -12,19208 dengan p-value < 0,001. Hasil efek spasial menunjukkan bahwa direct effect kemiskinan sebesar -12,0755603 dan signifikan. Namun, indirect effect kemiskinan tidak signifikan, sehingga belum terdapat bukti kuat bahwa kemiskinan wilayah tetangga memberikan efek spillover yang signifikan terhadap IKP.

Secara umum, ketahanan pangan kabupaten/kota di Wilayah Papua tahun 2024 lebih kuat dipengaruhi oleh karakteristik internal wilayah, terutama kemiskinan dan kondisi kesehatan penduduk, dibandingkan oleh pengaruh wilayah tetangga. Oleh karena itu, kebijakan peningkatan ketahanan pangan perlu diarahkan pada penurunan kemiskinan, peningkatan kesehatan masyarakat, perbaikan akses layanan dasar, dan prioritas intervensi pada wilayah pegunungan dengan IKP rendah.

5 DAFTAR PUSTAKA

Badan Pangan Nasional. (2025). Statistik Ketahanan Pangan 2024 (K. A. Bowo, Ed.). Pusat Data dan Informasi Pangan Badan Pangan Nasional.

Elhorst, J. P. (2010). Applied spatial econometrics: raising the bar. Spatial Economic Analysis, 5(1), 9–28.

Elhorst, J. P. (2014). Spatial econometrics: from cross-sectional data to spatial panels (Vol. 479). Springer.

Hastuti, D. S., & Yulianto, S. (2024). Factors affecting the resilience index food in Papua Province and West Papua Province using a spatial model approach. J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, 17(1), 635–644.

LeSage, J., & Pace, R. K. (2009). Introduction to spatial econometrics. Chapman and Hall/CRC.

6 LAMPIRAN

6.1 Lampiran A. Peta Variabel Tambahan

Peta variabel tambahan ditempatkan pada lampiran karena bagian utama makalah difokuskan pada peta IKP, peta prediksi IKP, dan peta residual SDM.

plot_map(papua_sf, "uhh", "Peta UHH Kabupaten/Kota di Wilayah Papua Tahun 2024", "UHH")

Gambar A1. Peta UHH Wilayah Papua 2024

plot_map(papua_sf, "rls", "Peta RLS Kabupaten/Kota di Wilayah Papua Tahun 2024", "RLS")

Gambar A2. Peta RLS Wilayah Papua 2024

plot_map(papua_sf, "stunting", "Peta Stunting Kabupaten/Kota di Wilayah Papua Tahun 2024", "Stunting")

Gambar A3. Peta Stunting Wilayah Papua 2024

plot_map(papua_sf, "persentase_penduduk_miskin", "Peta Kemiskinan Kabupaten/Kota di Wilayah Papua Tahun 2024", "Kemiskinan")

Gambar A4. Peta Kemiskinan Wilayah Papua 2024

plot_map(papua_sf, "log_pdrb", "Peta Log PDRB Kabupaten/Kota di Wilayah Papua Tahun 2024", "Log PDRB")

Gambar A5. Peta Log PDRB Wilayah Papua 2024

6.2 Lampiran B. Output Tambahan

Bagian ini menampilkan output tambahan secara langsung dari objek hasil analisis R. Output tidak hanya ditulis sebagai nama file, tetapi ditampilkan dalam bentuk tabel dan output teks.

6.2.1 B.1 Matriks Bobot Spasial W

Tabel berikut menampilkan matriks bobot spasial \(W\) yang dibentuk menggunakan K-Nearest Neighbors dengan \(k = 4\), kemudian disimetriskan dan distandardisasi per baris.

Tabel B1. Matriks Bobot Spasial W
Wilayah	W1	W2	W3	W4	W5	W6	W7	W8	W9	W10	W11	W12	W13	W14	W15	W16	W17	W18	W19	W20	W21	W22	W23	W24	W25	W26	W27	W28	W29	W30	W31	W32	W33	W34	W35	W36	W37	W38	W39	W40	W41	W42
Kabupaten Manokwari	0.0000	0.0000	0.1667	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Fakfak	0.0000	0.0000	0.2500	0.2500	0.2500	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Teluk Bintuni	0.1429	0.1429	0.0000	0.1429	0.1429	0.1429	0.1429	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Teluk Wondama	0.0000	0.2500	0.2500	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Kaimana	0.0000	0.2500	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Manokwari Selatan	0.2000	0.0000	0.2000	0.2000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Pegunungan Arfak	0.2500	0.0000	0.2500	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Sorong	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.2000	0.2000	0.2000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Sorong Selatan	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.1667	0.1667	0.1667	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Raja Ampat	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Tambrauw	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.1667	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Maybrat	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.1667	0.1667	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kota Sorong	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.2000	0.2000	0.2000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Jayapura	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000
Kabupaten Kepulauan Yapen	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Biak Numfor	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Sarmi	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.2000	0.0000	0.0000	0.0000
Kabupaten Keerom	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000
Kabupaten Waropen	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.1667	0.0000	0.1667	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Supiori	0.2500	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Mamberamo Raya	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000
Kota Jayapura	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000
Kabupaten Merauke	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Boven Digoel	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Mappi	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.2500	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Asmat	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.1667
Kabupaten Nabire	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.2000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Puncak Jaya	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.2000	0.2000
Kabupaten Paniai	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.1429	0.1429	0.1429	0.1429	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Mimika	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.0000	0.2500	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Puncak	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.1667	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Dogiyai	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.2000	0.0000	0.0000	0.0000	0.2000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Intan Jaya	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.1429	0.1429	0.1429	0.1429	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Deiyai	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2500	0.2500	0.0000	0.2500	0.2500	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000
Kabupaten Jayawijaya	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1250	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1250	0.1250	0.1250	0.1250	0.1250	0.1250	0.1250
Kabupaten Pegunungan Bintang	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.1667	0.0000	0.0000	0.1667	0.0000	0.0000
Kabupaten Yahukimo	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000	0.1667	0.1667	0.0000	0.0000
Kabupaten Tolikara	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.1429	0.0000	0.1429	0.1429
Kabupaten Mamberamo Tengah	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1667	0.0000	0.1667	0.1667	0.0000	0.1667	0.1667	0.0000
Kabupaten Yalimo	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.1429	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.1429	0.1429	0.1429	0.0000	0.1429	0.0000	0.0000	0.0000
Kabupaten Lanny Jaya	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.2000	0.2000	0.0000	0.0000	0.2000
Kabupaten Nduga	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.2000	0.0000	0.0000	0.0000	0.0000	0.0000	0.0000	0.2000	0.0000	0.0000	0.2000	0.0000	0.0000	0.2000	0.0000

6.2.2 B.2 Daftar Tetangga Setiap Wilayah

Tabel berikut menampilkan daftar tetangga setiap kabupaten/kota berdasarkan pembobot spasial yang digunakan dalam model.

Tabel B2. Daftar Tetangga Setiap Wilayah
Wilayah	Jumlah Tetangga	Tetangga
Kabupaten Manokwari	6	Kabupaten Teluk Bintuni, Kabupaten Manokwari Selatan, Kabupaten Pegunungan Arfak, Kabupaten Tambrauw, Kabupaten Biak Numfor, Kabupaten Supiori
Kabupaten Fakfak	4	Kabupaten Teluk Bintuni, Kabupaten Teluk Wondama, Kabupaten Kaimana, Kabupaten Sorong Selatan
Kabupaten Teluk Bintuni	7	Kabupaten Manokwari, Kabupaten Fakfak, Kabupaten Teluk Wondama, Kabupaten Kaimana, Kabupaten Manokwari Selatan, Kabupaten Pegunungan Arfak, Kabupaten Maybrat
Kabupaten Teluk Wondama	4	Kabupaten Fakfak, Kabupaten Teluk Bintuni, Kabupaten Kaimana, Kabupaten Manokwari Selatan
Kabupaten Kaimana	4	Kabupaten Fakfak, Kabupaten Teluk Bintuni, Kabupaten Teluk Wondama, Kabupaten Dogiyai
Kabupaten Manokwari Selatan	5	Kabupaten Manokwari, Kabupaten Teluk Bintuni, Kabupaten Teluk Wondama, Kabupaten Pegunungan Arfak, Kabupaten Supiori
Kabupaten Pegunungan Arfak	4	Kabupaten Manokwari, Kabupaten Teluk Bintuni, Kabupaten Manokwari Selatan, Kabupaten Tambrauw
Kabupaten Sorong	5	Kabupaten Sorong Selatan, Kabupaten Raja Ampat, Kabupaten Tambrauw, Kabupaten Maybrat, Kota Sorong
Kabupaten Sorong Selatan	6	Kabupaten Fakfak, Kabupaten Sorong, Kabupaten Raja Ampat, Kabupaten Tambrauw, Kabupaten Maybrat, Kota Sorong
Kabupaten Raja Ampat	4	Kabupaten Sorong, Kabupaten Sorong Selatan, Kabupaten Maybrat, Kota Sorong
Kabupaten Tambrauw	6	Kabupaten Manokwari, Kabupaten Pegunungan Arfak, Kabupaten Sorong, Kabupaten Sorong Selatan, Kabupaten Maybrat, Kota Sorong
Kabupaten Maybrat	6	Kabupaten Teluk Bintuni, Kabupaten Sorong, Kabupaten Sorong Selatan, Kabupaten Raja Ampat, Kabupaten Tambrauw, Kota Sorong
Kota Sorong	5	Kabupaten Sorong, Kabupaten Sorong Selatan, Kabupaten Raja Ampat, Kabupaten Tambrauw, Kabupaten Maybrat
Kabupaten Jayapura	4	Kabupaten Sarmi, Kabupaten Keerom, Kota Jayapura, Kabupaten Yalimo
Kabupaten Kepulauan Yapen	4	Kabupaten Biak Numfor, Kabupaten Waropen, Kabupaten Supiori, Kabupaten Nabire
Kabupaten Biak Numfor	4	Kabupaten Manokwari, Kabupaten Kepulauan Yapen, Kabupaten Waropen, Kabupaten Supiori
Kabupaten Sarmi	5	Kabupaten Jayapura, Kabupaten Mamberamo Raya, Kota Jayapura, Kabupaten Tolikara, Kabupaten Mamberamo Tengah
Kabupaten Keerom	4	Kabupaten Jayapura, Kota Jayapura, Kabupaten Pegunungan Bintang, Kabupaten Yalimo
Kabupaten Waropen	6	Kabupaten Kepulauan Yapen, Kabupaten Biak Numfor, Kabupaten Nabire, Kabupaten Paniai, Kabupaten Puncak, Kabupaten Intan Jaya
Kabupaten Supiori	4	Kabupaten Manokwari, Kabupaten Manokwari Selatan, Kabupaten Kepulauan Yapen, Kabupaten Biak Numfor
Kabupaten Mamberamo Raya	4	Kabupaten Sarmi, Kabupaten Puncak Jaya, Kabupaten Puncak, Kabupaten Tolikara
Kota Jayapura	4	Kabupaten Jayapura, Kabupaten Sarmi, Kabupaten Keerom, Kabupaten Yalimo
Kabupaten Merauke	4	Kabupaten Boven Digoel, Kabupaten Mappi, Kabupaten Asmat, Kabupaten Pegunungan Bintang
Kabupaten Boven Digoel	4	Kabupaten Merauke, Kabupaten Mappi, Kabupaten Asmat, Kabupaten Pegunungan Bintang
Kabupaten Mappi	4	Kabupaten Merauke, Kabupaten Boven Digoel, Kabupaten Asmat, Kabupaten Yahukimo
Kabupaten Asmat	6	Kabupaten Merauke, Kabupaten Boven Digoel, Kabupaten Mappi, Kabupaten Jayawijaya, Kabupaten Yahukimo, Kabupaten Nduga
Kabupaten Nabire	5	Kabupaten Kepulauan Yapen, Kabupaten Waropen, Kabupaten Paniai, Kabupaten Dogiyai, Kabupaten Intan Jaya
Kabupaten Puncak Jaya	5	Kabupaten Mamberamo Raya, Kabupaten Puncak, Kabupaten Tolikara, Kabupaten Lanny Jaya, Kabupaten Nduga
Kabupaten Paniai	7	Kabupaten Waropen, Kabupaten Nabire, Kabupaten Mimika, Kabupaten Puncak, Kabupaten Dogiyai, Kabupaten Intan Jaya, Kabupaten Deiyai
Kabupaten Mimika	4	Kabupaten Paniai, Kabupaten Puncak, Kabupaten Intan Jaya, Kabupaten Deiyai
Kabupaten Puncak	6	Kabupaten Waropen, Kabupaten Mamberamo Raya, Kabupaten Puncak Jaya, Kabupaten Paniai, Kabupaten Mimika, Kabupaten Intan Jaya
Kabupaten Dogiyai	5	Kabupaten Kaimana, Kabupaten Nabire, Kabupaten Paniai, Kabupaten Intan Jaya, Kabupaten Deiyai
Kabupaten Intan Jaya	7	Kabupaten Waropen, Kabupaten Nabire, Kabupaten Paniai, Kabupaten Mimika, Kabupaten Puncak, Kabupaten Dogiyai, Kabupaten Deiyai
Kabupaten Deiyai	4	Kabupaten Paniai, Kabupaten Mimika, Kabupaten Dogiyai, Kabupaten Intan Jaya
Kabupaten Jayawijaya	8	Kabupaten Asmat, Kabupaten Pegunungan Bintang, Kabupaten Yahukimo, Kabupaten Tolikara, Kabupaten Mamberamo Tengah, Kabupaten Yalimo, Kabupaten Lanny Jaya, Kabupaten Nduga
Kabupaten Pegunungan Bintang	6	Kabupaten Keerom, Kabupaten Merauke, Kabupaten Boven Digoel, Kabupaten Jayawijaya, Kabupaten Yahukimo, Kabupaten Yalimo
Kabupaten Yahukimo	6	Kabupaten Mappi, Kabupaten Asmat, Kabupaten Jayawijaya, Kabupaten Pegunungan Bintang, Kabupaten Mamberamo Tengah, Kabupaten Yalimo
Kabupaten Tolikara	7	Kabupaten Sarmi, Kabupaten Mamberamo Raya, Kabupaten Puncak Jaya, Kabupaten Jayawijaya, Kabupaten Mamberamo Tengah, Kabupaten Lanny Jaya, Kabupaten Nduga
Kabupaten Mamberamo Tengah	6	Kabupaten Sarmi, Kabupaten Jayawijaya, Kabupaten Yahukimo, Kabupaten Tolikara, Kabupaten Yalimo, Kabupaten Lanny Jaya
Kabupaten Yalimo	7	Kabupaten Jayapura, Kabupaten Keerom, Kota Jayapura, Kabupaten Jayawijaya, Kabupaten Pegunungan Bintang, Kabupaten Yahukimo, Kabupaten Mamberamo Tengah
Kabupaten Lanny Jaya	5	Kabupaten Puncak Jaya, Kabupaten Jayawijaya, Kabupaten Tolikara, Kabupaten Mamberamo Tengah, Kabupaten Nduga
Kabupaten Nduga	5	Kabupaten Asmat, Kabupaten Puncak Jaya, Kabupaten Jayawijaya, Kabupaten Tolikara, Kabupaten Lanny Jaya

6.2.3 B.3 Output Moran’s I IKP

Output berikut merupakan hasil uji autokorelasi spasial Moran’s I pada variabel IKP.


    Moran I test under randomisation

data:  papua_sf$ikp  
weights: listw    

Moran I statistic standard deviate = 1.7146, p-value = 0.04321
alternative hypothesis: greater
sample estimates:
Moran I statistic       Expectation          Variance 
      0.133022578      -0.024390244       0.008428964

6.2.4 B.4 Output Estimasi Spatial Durbin Model

Output berikut merupakan ringkasan hasil estimasi Spatial Durbin Model.


Call:spatialreg::lagsarlm(formula = formula_sdm, data = data_model, 
    listw = listw, type = "mixed", method = "eigen", zero.policy = TRUE)

Residuals:
      Min        1Q    Median        3Q       Max 
-17.61787  -5.49423  -0.76858   4.36936  25.85130 

Type: mixed 
Coefficients: (asymptotic standard errors) 
                  Estimate Std. Error z value    Pr(>|z|)
(Intercept)       39.45990   10.19675  3.8699   0.0001089
z_uhh              3.25514    1.69454  1.9210   0.0547374
z_rls              2.80884    3.26684  0.8598   0.3898971
z_stunting        -2.53256    2.12521 -1.1917   0.2333897
z_kemiskinan     -12.19208    2.59732 -4.6941 0.000002678
z_log_pdrb         0.69366    2.40182  0.2888   0.7727289
lag.z_uhh          0.70438    3.97545  0.1772   0.8593643
lag.z_rls          0.65203    7.12178  0.0916   0.9270517
lag.z_stunting    -0.90505    5.67708 -0.1594   0.8733372
lag.z_kemiskinan   7.44431    4.41442  1.6864   0.0917258
lag.z_log_pdrb     0.62765    5.22970  0.1200   0.9044705

Rho: 0.090264, LR test value: 0.11209, p-value: 0.73778
Asymptotic standard error: 0.23231
    z-value: 0.38855, p-value: 0.69761
Wald statistic: 0.15097, p-value: 0.69761

Log likelihood: -147.0778 for mixed model
ML residual variance (sigma squared): 64.341, (sigma: 8.0213)
Number of observations: 42 
Number of parameters estimated: 13 
AIC: 320.16, (AIC for lm: 318.27)
LM test for residual autocorrelation
test value: 6.7389, p-value: 0.0094335

6.2.5 B.5 Output Efek Spasial SDM

Output berikut menampilkan direct effect, indirect effect, dan total effect dari model SDM.

Impact measures (mixed, exact):
                        Direct   Indirect     Total
z_uhh dy/dx          3.2734782  1.0789121  4.352390
z_rls dy/dx          2.8254721  0.9787877  3.804260
z_stunting dy/dx    -2.5533801 -1.2253013 -3.778681
z_kemiskinan dy/dx -12.0755603  6.8567263 -5.218834
z_log_pdrb dy/dx     0.7063411  0.7460693  1.452410
========================================================
Simulation results ( variance matrix):
========================================================
Simulated standard errors
                     Direct Indirect    Total
z_uhh dy/dx        1.677363 4.820667 5.237288
z_rls dy/dx        3.345622 8.710712 9.406060
z_stunting dy/dx   2.238306 7.232734 8.705419
z_kemiskinan dy/dx 2.518075 4.735848 4.728116
z_log_pdrb dy/dx   2.534894 6.319338 7.006439

Simulated z-values:
                       Direct   Indirect      Total
z_uhh dy/dx         1.9234565  0.2407041  0.8375880
z_rls dy/dx         0.8681154  0.1114790  0.4120160
z_stunting dy/dx   -1.1492732 -0.1752382 -0.4410903
z_kemiskinan dy/dx -4.8231160  1.4854296 -1.0808112
z_log_pdrb dy/dx    0.2396553  0.1286785  0.2027655

Simulated p-values:
                   Direct       Indirect Total  
z_uhh dy/dx        0.054423     0.80978  0.40226
z_rls dy/dx        0.385331     0.91124  0.68033
z_stunting dy/dx   0.250443     0.86089  0.65915
z_kemiskinan dy/dx 0.0000014133 0.13743  0.27978
z_log_pdrb dy/dx   0.810597     0.89761  0.83932

6.2.6 B.6 Output Moran’s I Residual SDM

Output berikut merupakan hasil uji Moran’s I terhadap residual model SDM.


    Moran I test under randomisation

data:  papua_sf$residual_sdm  
weights: listw    

Moran I statistic standard deviate = 0.64227, p-value = 0.2603
alternative hypothesis: greater
sample estimates:
Moran I statistic       Expectation          Variance 
      0.032950548      -0.024390244       0.007970653

6.2.7 B.7 Data Aktual, Prediksi, dan Residual

Tabel berikut menampilkan nilai IKP aktual, hasil prediksi model SDM, dan residual untuk setiap kabupaten/kota.

Tabel B3. Data Aktual, Prediksi, dan Residual SDM
No	Wilayah	IKP	Prediksi SDM	Residual SDM	UHH	RLS	Stunting	Kemiskinan	Log PDRB
1	Kabupaten Manokwari	71,81	65,7474	6,0626	69,80	8,67	23,50	18,45	10,9198
2	Kabupaten Fakfak	48,20	57,2398	-9,0398	69,16	9,32	21,00	20,86	11,1560
3	Kabupaten Teluk Bintuni	43,12	45,0079	-1,8879	62,04	8,67	22,30	26,99	13,2621
4	Kabupaten Teluk Wondama	36,76	36,6471	0,1129	61,08	7,38	29,20	28,47	10,6149
5	Kabupaten Kaimana	48,19	65,8079	-17,6179	65,86	8,97	20,20	14,41	10,7460
6	Kabupaten Manokwari Selatan	74,91	49,0587	25,8513	68,26	7,17	26,40	26,83	10,1745
7	Kabupaten Pegunungan Arfak	35,53	34,5949	0,9351	67,84	5,72	39,30	31,76	9,0667
8	Kabupaten Sorong	50,88	46,3880	4,4920	67,12	8,74	25,10	25,71	11,5243
9	Kabupaten Sorong Selatan	40,39	55,8861	-15,4961	67,14	7,76	31,30	17,83	10,6331
10	Kabupaten Raja Ampat	54,42	55,9566	-1,5366	65,56	8,40	37,40	15,83	10,9781
11	Kabupaten Tambrauw	45,92	29,2927	16,6273	61,35	5,89	37,90	29,88	9,1826
12	Kabupaten Maybrat	41,27	37,4254	3,8446	65,97	7,44	30,70	29,18	9,8070
13	Kota Sorong	76,32	70,3958	5,9242	71,97	11,57	29,30	13,67	10,9571
14	Kabupaten Jayapura	66,89	67,7798	-0,8898	68,08	10,57	22,50	11,60	11,0811
15	Kabupaten Kepulauan Yapen	46,80	54,3646	-7,5646	69,83	9,71	33,50	25,69	10,2026
16	Kabupaten Biak Numfor	49,23	60,2907	-11,0607	68,97	10,55	20,60	23,46	10,1732
17	Kabupaten Sarmi	63,07	62,2927	0,7773	67,38	9,61	31,60	14,05	10,7742
18	Kabupaten Keerom	54,21	59,3987	-5,1887	67,44	8,58	24,40	15,84	10,4501
19	Kabupaten Waropen	47,38	48,8379	-1,4579	67,11	9,42	22,30	29,85	10,6965
20	Kabupaten Supiori	32,69	29,8249	2,8651	66,93	9,21	37,50	37,72	10,4482
21	Kabupaten Mamberamo Raya	23,09	30,2742	-7,1842	58,71	6,49	33,80	30,29	10,2702
22	Kota Jayapura	78,35	72,7905	5,5595	71,41	12,07	24,10	10,72	11,0187
23	Kabupaten Merauke	84,07	71,2957	12,7743	67,77	9,37	18,50	10,19	10,8102
24	Kabupaten Boven Digoel	43,19	48,7861	-5,5961	61,21	9,42	30,20	19,24	10,8224
25	Kabupaten Mappi	35,44	41,1586	-5,7186	66,01	7,16	29,90	25,70	9,8165
26	Kabupaten Asmat	45,99	37,7072	8,2828	59,36	5,82	28,30	24,50	9,6344
27	Kabupaten Nabire	66,97	59,7838	7,1862	69,02	10,42	21,70	24,00	10,7796
28	Kabupaten Puncak Jaya	24,19	26,4601	-2,2701	66,04	4,42	36,30	35,94	8,4138
29	Kabupaten Paniai	22,27	30,8165	-8,5465	67,38	4,81	29,60	37,07	9,5579
30	Kabupaten Mimika	83,64	79,6385	4,0015	73,06	10,72	28,40	14,18	12,5317
31	Kabupaten Puncak	30,12	22,7596	7,3604	66,53	2,39	42,50	37,49	8,8982
32	Kabupaten Dogiyai	31,37	31,7139	-0,3439	66,50	4,98	55,80	30,03	8,9371
33	Kabupaten Intan Jaya	14,14	15,8965	-1,7565	66,18	3,28	48,40	41,42	8,6493
34	Kabupaten Deiyai	21,35	23,6710	-2,3210	66,07	3,29	30,60	39,01	9,0584
35	Kabupaten Jayawijaya	30,40	26,6267	3,7733	60,65	5,99	41,30	32,28	9,8806
36	Kabupaten Pegunungan Bintang	25,07	29,6518	-4,5818	65,17	3,51	41,40	28,95	9,8521
37	Kabupaten Yahukimo	25,62	27,5539	-1,9339	66,55	4,35	37,70	33,82	8,4251
38	Kabupaten Tolikara	22,83	28,8586	-6,0286	66,53	3,69	46,40	31,22	8,4845
39	Kabupaten Mamberamo Tengah	21,51	22,1573	-0,6473	64,18	3,70	42,00	35,27	9,6656
40	Kabupaten Yalimo	37,80	30,7140	7,0860	66,12	3,55	35,10	30,02	9,0107
41	Kabupaten Lanny Jaya	21,33	29,6211	-8,2911	66,62	3,83	35,40	34,12	8,8016
42	Kabupaten Nduga	17,10	13,6567	3,4433	55,74	1,92	36,00	36,28	8,9846

6.2.8 B.8 Ringkasan Output Tambahan

Ringkasan berikut memuat ukuran utama dari proses analisis spasial.

Tabel B4. Ringkasan Output Tambahan
Output	Nilai
Jumlah wilayah tergabung	42
Jumlah hubungan tetangga	216
Rata-rata jumlah tetangga	5,142857
Moran’s I IKP	0,133022578
p-value Moran’s I IKP	0,043213
Rho SDM	0,090264
p-value rho SDM	0,697606
Moran’s I residual SDM	0,032950548
p-value Moran residual SDM	0,260349

6.3 Lampiran C. Script Lengkap

Script lengkap analisis Spatial Durbin Model ditampilkan pada lampiran ini. Script ini memuat seluruh tahapan analisis, mulai dari pemanggilan package, pembacaan data, penggabungan data atribut dengan GeoJSON, pembentukan matriks bobot spasial, pengujian Moran’s I, estimasi Spatial Durbin Model, perhitungan efek spasial, pembuatan peta, hingga penyimpanan output hasil analisis.

# ============================================================
# ANALISIS SPASIAL IKP WILAYAH PAPUA 2024
# Metode utama: Spatial Durbin Model (SDM)
# Nama: Mahdayani Putri Yunizar
# NPM : 14072025004
# ============================================================

# 1. Package: memuat package yang dibutuhkan
packages <- c(
  "readxl", "readr", "janitor", "sf", "dplyr", "stringr", "ggplot2",
  "spdep", "spatialreg", "tibble", "tidyr", "tools", "grid"
)

new_packages <- setdiff(packages, rownames(installed.packages()))
if (length(new_packages) > 0) install.packages(new_packages, dependencies = TRUE)
invisible(lapply(packages, library, character.only = TRUE))

options(scipen = 999)
set.seed(123)

# 2. Fungsi bantu: membersihkan data dan membuat key wilayah
clean_number <- function(x) {
  if (is.numeric(x)) return(x)
  x <- as.character(x) |> stringr::str_squish() |> stringr::str_replace_all("\\s+", "")
  if (any(stringr::str_detect(x, ","), na.rm = TRUE)) {
    x <- x |> stringr::str_replace_all("\\.", "") |> stringr::str_replace_all(",", ".")
  }
  as.numeric(x)
}

make_region_key <- function(x) {
  x |>
    as.character() |>
    stringr::str_squish() |>
    stringr::str_replace("^Kabupaten\\s+", "") |>
    stringr::str_to_lower() |>
    stringr::str_replace_all("[^a-z0-9]", "")
}

read_attribute_data <- function(path) {
  ext <- tolower(tools::file_ext(path))
  if (ext %in% c("xlsx", "xls")) {
    readxl::read_excel(path, sheet = 1) |> janitor::clean_names()
  } else if (ext == "csv") {
    readr::read_csv(path, show_col_types = FALSE) |> janitor::clean_names()
  } else {
    stop("File data harus berformat .xlsx, .xls, atau .csv")
  }
}

plot_map <- function(data, var, title, legend_title, file_name, residual = FALSE) {
  scale_fill <- if (residual) {
    ggplot2::scale_fill_gradient2(
      na.value = "grey85",
      guide = guide_colorbar(
        title.position = "top", title.hjust = 0.5,
        barwidth = grid::unit(8, "cm"), barheight = grid::unit(0.45, "cm")
      )
    )
  } else {
    ggplot2::scale_fill_viridis_c(
      option = "C", na.value = "grey85",
      guide = guide_colorbar(
        title.position = "top", title.hjust = 0.5,
        barwidth = grid::unit(8, "cm"), barheight = grid::unit(0.45, "cm")
      )
    )
  }

  p <- ggplot2::ggplot(data) +
    ggplot2::geom_sf(ggplot2::aes(fill = .data[[var]]), color = "white", linewidth = 0.25) +
    scale_fill +
    ggplot2::coord_sf(xlim = c(128.8, 141.6), ylim = c(-9.6, 1.4), expand = FALSE) +
    ggplot2::labs(title = title, fill = legend_title, caption = "Sumber: data sekunder tahun 2024, diolah.") +
    ggplot2::theme_minimal(base_size = 12) +
    ggplot2::theme(
      plot.title = ggplot2::element_text(color = "#2f5f88", face = "bold", size = 14, hjust = 0.5),
      plot.caption = ggplot2::element_text(color = "#5f7180", size = 9, hjust = 0),
      legend.position = "bottom",
      legend.title = ggplot2::element_text(face = "bold", size = 10),
      legend.text = ggplot2::element_text(size = 9),
      axis.title = ggplot2::element_blank(),
      axis.text = ggplot2::element_blank(),
      axis.ticks = ggplot2::element_blank(),
      panel.grid = ggplot2::element_blank(),
      plot.margin = ggplot2::margin(15, 20, 15, 20)
    )

  print(p)
  ggplot2::ggsave(file.path("output_peta", file_name), p, width = 12, height = 7.2, dpi = 300)
  invisible(p)
}

# 3. Input data: memilih file data atribut dan file GeoJSON
message("Pilih file data atribut (.xlsx/.xls/.csv)")
file_data <- file.choose()

message("Pilih file GeoJSON batas wilayah")
file_geojson <- file.choose()

# 4. Baca data atribut: membaca dan merapikan data penelitian
data_ikp <- read_attribute_data(file_data)

names(data_ikp) <- names(data_ikp) |>
  stringr::str_replace("^log_pdrb.*$", "log_pdrb") |>
  stringr::str_replace("^log_pdrb_per_kapita.*$", "log_pdrb") |>
  stringr::str_replace("^presentase_penduduk_miskin$", "persentase_penduduk_miskin") |>
  stringr::str_replace("^persen_penduduk_miskin$", "persentase_penduduk_miskin") |>
  stringr::str_replace("^penduduk_miskin$", "persentase_penduduk_miskin")

if (!"log_pdrb" %in% names(data_ikp) && "pdrb" %in% names(data_ikp)) {
  data_ikp <- data_ikp |> dplyr::mutate(pdrb = clean_number(pdrb), log_pdrb = log(pdrb))
}

required_vars <- c("no", "wilayah", "ikp", "uhh", "rls", "stunting", "persentase_penduduk_miskin", "log_pdrb")
missing_vars <- setdiff(required_vars, names(data_ikp))
if (length(missing_vars) > 0) stop(paste("Kolom belum tersedia:", paste(missing_vars, collapse = ", ")))

data_ikp <- data_ikp |>
  dplyr::mutate(
    no = clean_number(no),
    ikp = clean_number(ikp),
    uhh = clean_number(uhh),
    rls = clean_number(rls),
    stunting = clean_number(stunting),
    persentase_penduduk_miskin = clean_number(persentase_penduduk_miskin),
    log_pdrb = clean_number(log_pdrb),
    wilayah = stringr::str_squish(wilayah),
    nama_key = make_region_key(wilayah)
  ) |>
  dplyr::arrange(no)

# 5. Baca data spasial: membaca GeoJSON dan membuat key wilayah
geo <- sf::st_read(file_geojson, quiet = TRUE) |> sf::st_make_valid()

geo_name_col <- dplyr::case_when(
  "shapeName" %in% names(geo) ~ "shapeName",
  "shape_name" %in% names(geo) ~ "shape_name",
  TRUE ~ names(geo)[names(geo) != attr(geo, "sf_column")][1]
)

geo <- geo |>
  dplyr::mutate(nama_key = make_region_key(.data[[geo_name_col]]))

# 6. Join data: menggabungkan data atribut dengan batas wilayah
cek_tidak_match <- dplyr::anti_join(data_ikp, sf::st_drop_geometry(geo), by = "nama_key")
if (nrow(cek_tidak_match) > 0) {
  print(cek_tidak_match |> dplyr::select(wilayah, nama_key))
  stop("Ada nama wilayah yang belum cocok antara data atribut dan GeoJSON")
}

papua_sf <- geo |>
  dplyr::inner_join(data_ikp, by = "nama_key") |>
  dplyr::arrange(no)

message("Jumlah wilayah tergabung: ", nrow(papua_sf))
if (nrow(papua_sf) != 42) warning("Jumlah wilayah bukan 42. Periksa kembali data dan GeoJSON.")

# 7. Peta variabel: menyimpan peta IKP dan variabel penjelas
dir.create("output_peta", showWarnings = FALSE)

plot_map(papua_sf, "ikp", "Peta IKP Kabupaten/Kota di Wilayah Papua Tahun 2024", "IKP", "peta_ikp.png")
plot_map(papua_sf, "uhh", "Peta UHH Kabupaten/Kota di Wilayah Papua Tahun 2024", "UHH", "peta_uhh.png")
plot_map(papua_sf, "rls", "Peta RLS Kabupaten/Kota di Wilayah Papua Tahun 2024", "RLS", "peta_rls.png")
plot_map(papua_sf, "stunting", "Peta Stunting Kabupaten/Kota di Wilayah Papua Tahun 2024", "Stunting", "peta_stunting.png")
plot_map(papua_sf, "persentase_penduduk_miskin", "Peta Kemiskinan Kabupaten/Kota di Wilayah Papua Tahun 2024", "Kemiskinan", "peta_kemiskinan.png")
plot_map(papua_sf, "log_pdrb", "Peta Log PDRB Kabupaten/Kota di Wilayah Papua Tahun 2024", "Log PDRB", "peta_log_pdrb.png")

# 8. Bobot spasial: membentuk matriks W KNN k = 4
papua_proj <- sf::st_transform(papua_sf, 3857)
coords <- sf::st_coordinates(sf::st_point_on_surface(sf::st_geometry(papua_proj)))

nb_knn <- spdep::knn2nb(spdep::knearneigh(coords, k = 4), row.names = papua_sf$wilayah)
nb_use <- spdep::make.sym.nb(nb_knn)
listw <- spdep::nb2listw(nb_use, style = "W", zero.policy = TRUE)
W_matrix <- spdep::listw2mat(listw)

write.csv(W_matrix, "matriks_bobot_W_SDM_Papua_2024.csv")

neighbor_table <- data.frame(
  wilayah = papua_sf$wilayah,
  jumlah_tetangga = spdep::card(nb_use),
  tetangga = sapply(nb_use, function(x) paste(papua_sf$wilayah[x], collapse = ", "))
)
write.csv(neighbor_table, "daftar_tetangga_SDM_Papua_2024.csv", row.names = FALSE)

# 9. Moran's I: menguji autokorelasi spasial IKP
moran_ikp <- spdep::moran.test(papua_sf$ikp, listw, zero.policy = TRUE)
print(moran_ikp)
capture.output(print(moran_ikp), file = "hasil_moran_IKP_SDM_Papua_2024.txt")

png("moran_plot_IKP_SDM_Papua_2024.png", width = 1000, height = 750)
spdep::moran.plot(papua_sf$ikp, listw, labels = papua_sf$wilayah, pch = 19, main = "Moran Plot IKP Wilayah Papua 2024", zero.policy = TRUE)
dev.off()

# 10. Model SDM: menyiapkan variabel z-score dan estimasi model
papua_sf <- papua_sf |>
  dplyr::mutate(
    z_uhh = as.numeric(scale(uhh)),
    z_rls = as.numeric(scale(rls)),
    z_stunting = as.numeric(scale(stunting)),
    z_kemiskinan = as.numeric(scale(persentase_penduduk_miskin)),
    z_log_pdrb = as.numeric(scale(log_pdrb))
  )

data_model <- sf::st_drop_geometry(papua_sf)
formula_sdm <- ikp ~ z_uhh + z_rls + z_stunting + z_kemiskinan + z_log_pdrb

model_sdm <- spatialreg::lagsarlm(
  formula_sdm,
  data = data_model,
  listw = listw,
  type = "mixed",
  method = "eigen",
  zero.policy = TRUE
)

print(summary(model_sdm))
capture.output(summary(model_sdm), file = "hasil_estimasi_SDM_Papua_2024.txt")

coef_sdm <- as.data.frame(coef(summary(model_sdm))) |>
  tibble::rownames_to_column("variabel")
write.csv(coef_sdm, "tabel_estimasi_SDM_Papua_2024.csv", row.names = FALSE)

# 11. Efek spasial: menghitung direct, indirect, dan total effect
effect_sdm <- spatialreg::impacts(model_sdm, listw = listw, R = 999)
print(summary(effect_sdm, zstats = TRUE, short = TRUE))
capture.output(summary(effect_sdm, zstats = TRUE, short = TRUE), file = "hasil_efek_spasial_SDM_Papua_2024.txt")

# 12. Prediksi dan residual: menghitung hasil model dan Moran residual
papua_sf$prediksi_sdm <- as.numeric(suppressMessages(suppressWarnings(fitted(model_sdm))))
papua_sf$residual_sdm <- as.numeric(residuals(model_sdm))

moran_res_sdm <- spdep::moran.test(papua_sf$residual_sdm, listw, zero.policy = TRUE)
print(moran_res_sdm)
capture.output(print(moran_res_sdm), file = "hasil_moran_residual_SDM_Papua_2024.txt")

# 13. Peta hasil model: menyimpan peta prediksi dan residual SDM
plot_map(papua_sf, "prediksi_sdm", "Peta Prediksi IKP Berdasarkan Spatial Durbin Model", "Prediksi IKP", "peta_prediksi_sdm.png")
plot_map(papua_sf, "residual_sdm", "Peta Residual Spatial Durbin Model", "Residual", "peta_residual_sdm.png", residual = TRUE)

# 14. Simpan hasil: menyimpan data hasil dan ringkasan output
dir.create("output_hasil", showWarnings = FALSE)

data_hasil <- papua_sf |>
  sf::st_drop_geometry() |>
  dplyr::select(
    no, wilayah, ikp, uhh, rls, stunting,
    persentase_penduduk_miskin, log_pdrb,
    prediksi_sdm, residual_sdm
  )

write.csv(
  data_hasil,
  file = file.path("output_hasil", "data_hasil_SDM_Papua_2024.csv"),
  row.names = FALSE
)

summary_output <- tibble::tibble(
  output = c(
    "Jumlah wilayah",
    "Jumlah hubungan tetangga",
    "Rata-rata tetangga",
    "Moran's I IKP",
    "p-value Moran's I IKP",
    "Rho SDM",
    "p-value rho SDM",
    "Moran's I residual SDM",
    "p-value residual SDM"
  ),
  nilai = c(
    nrow(papua_sf),
    sum(spdep::card(nb_use)),
    mean(spdep::card(nb_use)),
    unname(moran_ikp$estimate[["Moran I statistic"]]),
    moran_ikp$p.value,
    model_sdm$rho,
    summary(model_sdm)$Wald1$p.value,
    unname(moran_res_sdm$estimate[["Moran I statistic"]]),
    moran_res_sdm$p.value
  )
)

write.csv(
  summary_output,
  file = file.path("output_hasil", "ringkasan_output_SDM_Papua_2024.csv"),
  row.names = FALSE
)

message("Analisis selesai. Output tersimpan di folder: output_hasil")

Analisis Spasial Faktor-Faktor yang Memengaruhi Indeks Ketahanan Pangan Kabupaten/Kota di Wilayah Papua Tahun 2024 Menggunakan Spatial Durbin Model

Nama: Mahdayani Putri Yunizar
NPM: 14072025004

14 June 2026

1 PENDAHULUAN

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

2 DATA DAN METODE

2.1 Data Penelitian

2.2 Matriks Bobot Spasial W

2.3 Moran’s I

2.4 Spatial Durbin Model

3 HASIL DAN PEMBAHASAN

3.1 Deskripsi Data dan Peta IKP

3.2 Matriks Bobot Spasial W

3.3 Hasil Uji Autokorelasi Spasial Moran’s I

3.4 Hasil Estimasi Spatial Durbin Model

3.5 Efek Langsung dan Tidak Langsung SDM

3.6 Peta Prediksi dan Residual SDM

3.7 Keterbatasan Penelitian

4 KESIMPULAN

5 DAFTAR PUSTAKA

6 LAMPIRAN

6.1 Lampiran A. Peta Variabel Tambahan

6.2 Lampiran B. Output Tambahan

6.2.1 B.1 Matriks Bobot Spasial W

6.2.2 B.2 Daftar Tetangga Setiap Wilayah

6.2.3 B.3 Output Moran’s I IKP

6.2.4 B.4 Output Estimasi Spatial Durbin Model

6.2.5 B.5 Output Efek Spasial SDM

6.2.6 B.6 Output Moran’s I Residual SDM

6.2.7 B.7 Data Aktual, Prediksi, dan Residual

6.2.8 B.8 Ringkasan Output Tambahan

6.3 Lampiran C. Script Lengkap

Analisis Spasial Faktor-Faktor yang Memengaruhi Indeks Ketahanan Pangan Kabupaten/Kota di Wilayah Papua Tahun 2024 Menggunakan Spatial Durbin Model

Nama: Mahdayani Putri Yunizar NPM: 14072025004

14 June 2026

1 PENDAHULUAN

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

2 DATA DAN METODE

2.1 Data Penelitian

2.2 Matriks Bobot Spasial W

2.3 Moran’s I

2.4 Spatial Durbin Model

3 HASIL DAN PEMBAHASAN

3.1 Deskripsi Data dan Peta IKP

3.2 Matriks Bobot Spasial W

3.3 Hasil Uji Autokorelasi Spasial Moran’s I

3.4 Hasil Estimasi Spatial Durbin Model

3.5 Efek Langsung dan Tidak Langsung SDM

3.6 Peta Prediksi dan Residual SDM

3.7 Keterbatasan Penelitian

4 KESIMPULAN

5 DAFTAR PUSTAKA

6 LAMPIRAN

6.1 Lampiran A. Peta Variabel Tambahan

6.2 Lampiran B. Output Tambahan

6.2.1 B.1 Matriks Bobot Spasial W

6.2.2 B.2 Daftar Tetangga Setiap Wilayah

6.2.3 B.3 Output Moran’s I IKP

6.2.4 B.4 Output Estimasi Spatial Durbin Model

6.2.5 B.5 Output Efek Spasial SDM

6.2.6 B.6 Output Moran’s I Residual SDM

6.2.7 B.7 Data Aktual, Prediksi, dan Residual

6.2.8 B.8 Ringkasan Output Tambahan

6.3 Lampiran C. Script Lengkap

Nama: Mahdayani Putri Yunizar
NPM: 14072025004