LOAD DATA
- Tujuan
-
membaca data Tingkat Pengangguran Terbuka (TPT) dan data spasial batas administrasi kabupaten/kota di Provinsi Jawa Barat serta melakukan penyesuaian nama wilayah agar kedua data dapat diintegrasikan.
## # A tibble: 27 × 5
## KAB_KOTA TPT TPAK PDRB PENGELUARAN
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Bogor 7.69 64.7 34188. 11933
## 2 Sukabumi 7.23 69.7 20649. 10244
## 3 Cianjur 6.17 68.9 15479. 9173
## 4 Bandung 6.68 67 27403. 11619
## 5 Garut 6.54 68.3 17836. 9479
## 6 Tasikmalaya 3.69 69.2 15726. 9258
## 7 Ciamis 4.08 66.2 21935. 10406
## 8 Kuningan 7.59 69.3 17901. 10707
## 9 Cirebon 6.42 69.3 17348. 11769
## 10 Majalengka 3.62 72.6 21500. 11094
## # ℹ 17 more rows## Simple feature collection with 27 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 106.3703 ymin: -7.82099 xmax: 108.8468 ymax: -5.806538
## Geodetic CRS: WGS 84
## First 10 features:
## KDPKAB KDPPUM WADMKK WADMPR
## 1 32.01 32 Bogor Jawa Barat
## 2 32.02 32 Sukabumi Jawa Barat
## 3 32.03 32 Cianjur Jawa Barat
## 4 32.04 32 Bandung Jawa Barat
## 5 32.05 32 Garut Jawa Barat
## 6 32.06 32 Tasikmalaya Jawa Barat
## 7 32.07 32 Ciamis Jawa Barat
## 8 32.08 32 Kuningan Jawa Barat
## 9 32.09 32 Cirebon Jawa Barat
## 10 32.10 32 Majalengka Jawa Barat
## METADATA UPDATED
## 1 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 2 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 3 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 4 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 5 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 6 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 7 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 8 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 9 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## 10 TASWIL1000020230928_DATA_BATAS_KABUPATEN Lapak GIS - 2024
## geometry
## 1 MULTIPOLYGON (((106.9709 -6...
## 2 MULTIPOLYGON (((106.581 -7....
## 3 MULTIPOLYGON (((107.2302 -6...
## 4 MULTIPOLYGON (((107.75 -6.8...
## 5 MULTIPOLYGON (((107.8994 -7...
## 6 MULTIPOLYGON (((108.3231 -7...
## 7 MULTIPOLYGON (((108.358 -7....
## 8 MULTIPOLYGON (((108.4456 -6...
## 9 MULTIPOLYGON (((108.5391 -6...
## 10 MULTIPOLYGON (((108.1225 -6...GRID PETA
- Tujuan
-
menggabungkan data atribut dengan data spasial sehingga diperoleh objek spasial yang memuat informasi karakteristik setiap wilayah beserta koordinat pusat wilayah yang digunakan dalam visualisasi.
PETA = merge(
shp,
TPT,
by = "KAB_KOTA"
)
koordinat = st_coordinates(
st_centroid(
st_geometry(PETA)
)
)
PETA$X = koordinat[,1]
PETA$Y = koordinat[,2]
PETA$NOMOR = 1:nrow(PETA)
GRID = ggplot(data = PETA) +
geom_sf(
fill = "#F5F5F5",
color = "black",
linewidth = 0.3
) +
geom_text(
aes(
x = X,
y = Y,
label = NOMOR
),
color = "#1D3557",
fontface = "bold",
size = 4
) +
theme_minimal() +
theme(
panel.border = element_rect(
colour = "black",
fill = NA,
linewidth = 0.6
)
) +
labs(
title = "Peta Batas Wilayah Kabupaten/Kota Jawa Barat",
x = NULL,
y = NULL
)
GRID
PETA VARIABEL
- Tujuan
-
menggambarkan sebaran spasial variabel penelitian sehingga dapat diketahui pola distribusi Tingkat Pengangguran Terbuka (TPT), Tingkat Partisipasi Angkatan Kerja (TPAK), Produk Domestik Regional Bruto (PDRB), dan Pengeluaran Riil Per Kapita pada masing-masing kabupaten/kota.
buat_peta = function(data, variabel, judul, legenda){
ggplot(data = data) +
geom_sf(
aes(fill = .data[[variabel]]),
color = "black",
linewidth = 0.2
) +
scale_fill_viridis_c(
option = "mako",
name = legenda
) +
geom_text(
aes(
x = X,
y = Y,
label = NOMOR
),
color = "white",
fontface = "bold",
size = 2.5
) +
theme_minimal() +
theme(
legend.position = "right",
plot.title = element_text(
size = 10,
face = "bold"
),
panel.border = element_rect(
color = "black",
fill = NA,
linewidth = 0.5
)
) +
labs(
title = judul,
x = NULL,
y = NULL
)
}
p_tpt = buat_peta(
PETA,
"TPT",
"A. Tingkat Pengangguran Terbuka (TPT)",
"%"
)
p_tpak = buat_peta(
PETA,
"TPAK",
"B. Tingkat Partisipasi Angkatan Kerja (TPAK)",
"%"
)
p_pdrb = buat_peta(
PETA,
"PDRB",
"C. Produk Domestik Regional Bruto (PDRB)",
"Nilai"
)
p_pengeluaran = buat_peta(
PETA,
"PENGELUARAN",
"D. Pengeluaran Riil Per Kapita",
"Nilai"
)
(p_tpt + p_tpak) /
(p_pdrb + p_pengeluaran) +
plot_layout(
widths = c(1, 1),
heights = c(1, 1)
)
KETETANGGAAN
- Tujuan
-
mendefinisikan hubungan spasial antarwilayah menggunakan Queen Contiguity yang selanjutnya digunakan dalam pembentukan matriks bobot spasial.
tetangga = poly2nb(
PETA,
queen = TRUE
)
W_matriks <- nb2listw(
tetangga,
style = "W",
zero.policy = TRUE
)
W_sparse <- as(W_matriks, "CsparseMatrix")
W_sparse## 27 x 27 sparse Matrix of class "dgCMatrix"##
## 1 . 0.1428571 . . . 0.1428571 .
## 2 0.1666667 . . . . 0.1666667 .
## 3 . . . 0.3333333 . . .
## 4 . . 0.1250000 . . 0.1250000 .
## 5 . . . . . . .
## 6 0.1666667 0.1666667 . 0.1666667 . . .
## 7 . . . . . . .
## 8 0.2500000 . . . . 0.2500000 .
## 9 . . . . . . 0.2500000
## 10 . . 0.2500000 0.2500000 . . .
## 11 0.3333333 0.3333333 . . . . .
## 12 . . . . 1.0000000 . .
## 13 . . 0.3333333 0.3333333 . . .
## 14 . . . 1.0000000 . . .
## 15 0.3333333 0.3333333 . . . . .
## 16 . . . . . . 1.0000000
## 17 . . . 0.5000000 . . .
## 18 . . . . . . .
## 19 . . . . 0.5000000 . .
## 20 . . . . 0.3333333 . 0.3333333
## 21 . . . . 0.1666667 . 0.1666667
## 22 . . . . 0.5000000 . .
## 23 . 0.2000000 . 0.2000000 . 0.2000000 .
## 24 0.1666667 0.1666667 . . . . .
## 25 . . . 0.3333333 . 0.3333333 .
## 26 0.1666667 . . . . . .
## 27 . . . . 0.1666667 . .
##
## 1 0.1428571 . . 0.1428571 . . . 0.1428571
## 2 . . . 0.1666667 . . . 0.1666667
## 3 . . 0.3333333 . . 0.3333333 . .
## 4 . . 0.1250000 . . 0.1250000 0.125 .
## 5 . . . . 0.1666667 . . .
## 6 0.1666667 . . . . . . .
## 7 . 0.2500000 . . . . . .
## 8 . . . . . . . .
## 9 . . . . . . . .
## 10 . . . . . . . .
## 11 . . . . . . . 0.3333333
## 12 . . . . . . . .
## 13 . . . . . . . .
## 14 . . . . . . . .
## 15 . . . 0.3333333 . . . .
## 16 . . . . . . . .
## 17 . . . . . 0.5000000 . .
## 18 . . . . . . . .
## 19 . . . . . . . .
## 20 . . . . . . . .
## 21 . 0.1666667 . . . . . .
## 22 . . . . . . . .
## 23 . . 0.2000000 . . . . .
## 24 . 0.1666667 0.1666667 . . . . .
## 25 . . . . . . . .
## 26 0.1666667 0.1666667 . . . . . .
## 27 0.1666667 . . . . . . .
##
## 1 . . . . . . . .
## 2 . . . . . . . 0.1666667
## 3 . . . . . . . .
## 4 . 0.1250000 . . . . . 0.1250000
## 5 . . . 0.1666667 0.1666667 0.1666667 0.1666667 .
## 6 . . . . . . . 0.1666667
## 7 0.25 . . . 0.2500000 0.2500000 . .
## 8 . . . . . . . .
## 9 . . . . . 0.2500000 . .
## 10 . . . . . . . 0.2500000
## 11 . . . . . . . .
## 12 . . . . . . . .
## 13 . 0.3333333 . . . . . .
## 14 . . . . . . . .
## 15 . . . . . . . .
## 16 . . . . . . . .
## 17 . . . . . . . .
## 18 . . . . . . . .
## 19 . . . . . . . .
## 20 . . . . . 0.3333333 . .
## 21 . . . . 0.1666667 . . .
## 22 . . . . . . . .
## 23 . . . . . . . .
## 24 . . . . . . . 0.1666667
## 25 . . 0.3333333 . . . . .
## 26 . . . . . 0.1666667 . .
## 27 . . . 0.1666667 . 0.1666667 0.1666667 .
##
## 1 0.1428571 . 0.1428571 .
## 2 0.1666667 . . .
## 3 . . . .
## 4 . 0.1250000 . .
## 5 . . . 0.1666667
## 6 . 0.1666667 . .
## 7 . . . .
## 8 . . 0.2500000 0.2500000
## 9 0.2500000 . 0.2500000 .
## 10 0.2500000 . . .
## 11 . . . .
## 12 . . . .
## 13 . . . .
## 14 . . . .
## 15 . . . .
## 16 . . . .
## 17 . . . .
## 18 . 1.0000000 . .
## 19 . . . 0.5000000
## 20 . . . .
## 21 . . 0.1666667 0.1666667
## 22 . . . 0.5000000
## 23 0.2000000 . . .
## 24 . . 0.1666667 .
## 25 . . . .
## 26 0.1666667 . . 0.1666667
## 27 . . 0.1666667 .edges = lapply(1:length(tetangga), function(i) {
tetangga_i <- tetangga[[i]]
if(tetangga_i[1] > 0) {
data.frame(
x = PETA$X[i],
y = PETA$Y[i],
xend = PETA$X[tetangga_i],
yend = PETA$Y[tetangga_i]
)
}
}) %>% do.call(rbind, .)
TETANGGA = ggplot(data = PETA) +
geom_sf(
fill = "#F5F5F5",
color = "black",
linewidth = 0.3
) +
geom_segment(
data = edges,
aes(x = x, y = y, xend = xend, yend = yend),
color = "grey40",
linewidth = 0.6,
alpha = 0.8
) +
geom_text(
aes(
x = X,
y = Y,
label = NOMOR
),
color = "#1D3557",
fontface = "bold",
size = 4,
vjust = -0.5
) +
theme_minimal() +
theme(
panel.border = element_rect(
colour = "black",
fill = NA,
linewidth = 0.6
)
) +
labs(
title = "Matriks Ketetanggaan (Queen Contiguity) Jawa Barat",
x = NULL,
y = NULL
)
TETANGGA
OLS
- Tujuan
-
memperoleh model regresi linier awal yang menggambarkan hubungan antara Tingkat Pengangguran Terbuka (TPT) dengan variabel-variabel prediktor yang digunakan dalam penelitian.
TPT_OLS = lm(
TPT ~ TPAK +
scale(PDRB) +
scale(PENGELUARAN),
data = PETA
)
summary(TPT_OLS)##
## Call:
## lm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN), data = PETA)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.6628 -0.5925 0.0339 0.7178 1.8770
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 26.14133 5.40361 4.838 6.98e-05 ***
## TPAK -0.28998 0.07977 -3.635 0.00139 **
## scale(PDRB) 0.52449 0.29159 1.799 0.08520 .
## scale(PENGELUARAN) -0.10086 0.31523 -0.320 0.75190
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.184 on 23 degrees of freedom
## Multiple R-squared: 0.5253, Adjusted R-squared: 0.4634
## F-statistic: 8.484 on 3 and 23 DF, p-value: 0.000563DIAGNOSTIK
- Tujuan
-
mengevaluasi pemenuhan asumsi klasik model regresi yang meliputi normalitas residual, homoskedastisitas, tidak adanya multikolinearitas, dan tidak adanya autokorelasi.
shapiro.test(
residuals(TPT_OLS)
)##
## Shapiro-Wilk normality test
##
## data: residuals(TPT_OLS)
## W = 0.9762, p-value = 0.7683bptest(
TPT_OLS
)##
## studentized Breusch-Pagan test
##
## data: TPT_OLS
## BP = 3.3723, df = 3, p-value = 0.3377vif(
TPT_OLS
)## TPAK scale(PDRB) scale(PENGELUARAN)
## 1.299502 1.576261 1.842194durbinWatsonTest(
TPT_OLS
)## lag Autocorrelation D-W Statistic p-value
## 1 -0.04577525 1.959047 0.768
## Alternative hypothesis: rho != 0MORAN I
- Tujuan
-
mengidentifikasi keberadaan autokorelasi spasial secara global pada residual model OLS sehingga dapat diketahui apakah terdapat ketergantungan spasial antarwilayah.
MORAN = lm.morantest(
TPT_OLS,
W_matriks,
zero.policy = TRUE
)
MORAN##
## Global Moran I for regression residuals
##
## data:
## model: lm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN), data
## = PETA)
## weights: W_matriks
##
## Moran I statistic standard deviate = 2.6847, p-value = 0.00363
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I Expectation Variance
## 0.3135718 -0.0585038 0.0192082moran.plot(
residuals(TPT_OLS),
W_matriks,
labels = PETA$KAB_KOTA,
zero.policy = TRUE
)
LISA
- Tujuan
-
mengidentifikasi pola autokorelasi spasial lokal serta mendeteksi klaster wilayah High-High, Low-Low, High-Low, dan Low-High berdasarkan nilai Tingkat Pengangguran Terbuka.
LISA = localmoran(
PETA$TPT,
W_matriks,
zero.policy = TRUE
)
PETA$LOCAL_I = LISA[,1]
PETA$P_VALUE = LISA[,5]
mean_tpt = mean(PETA$TPT)
lag_tpt = lag.listw(
W_matriks,
PETA$TPT,
zero.policy = TRUE
)
mean_lag = mean(lag_tpt)
PETA$QUADRANT = "Not Significant"
# High-High
PETA$QUADRANT[
PETA$TPT > mean_tpt &
lag_tpt > mean_lag &
PETA$P_VALUE < 0.05
] <- "High-High"
# Low-Low
PETA$QUADRANT[
PETA$TPT < mean_tpt &
lag_tpt < mean_lag &
PETA$P_VALUE < 0.05
] <- "Low-Low"
# High-Low
PETA$QUADRANT[
PETA$TPT > mean_tpt &
lag_tpt < mean_lag &
PETA$P_VALUE < 0.05
] <- "High-Low"
# Low-High
PETA$QUADRANT[
PETA$TPT < mean_tpt &
lag_tpt > mean_lag &
PETA$P_VALUE < 0.05
] <- "Low-High"
table(PETA$QUADRANT)##
## High-High High-Low Low-Low Not Significant
## 1 1 4 21PETA %>%
filter(
QUADRANT != "Not Significant"
) %>%
st_drop_geometry() %>%
select(
KAB_KOTA,
QUADRANT,
LOCAL_I,
P_VALUE
) %>%
arrange(QUADRANT)## KAB_KOTA QUADRANT LOCAL_I P_VALUE
## 1 Bogor High-High 0.43020037 0.0437556311
## 2 Kuningan High-Low -0.77204368 0.0462754869
## 3 Ciamis Low-Low 1.70986328 0.0009520995
## 4 Kota Tasikmalaya Low-Low 0.09022557 0.0186530299
## 5 Pangandaran Low-Low 4.81603181 0.0022858464
## 6 Tasikmalaya Low-Low 1.95362951 0.0008325864PETA_LISA <- ggplot(PETA) +
geom_sf(
aes(fill = QUADRANT),
color = "black",
linewidth = 0.3
) +
scale_fill_manual(
values = c(
"High-High" = "#3F4A80",
"Low-Low" = "#75D0B3",
"High-Low" = "#359FB1",
"Low-High" = "#1A102F",
"Not Significant" = "#F1F1F1"
),
name = "Klaster"
) +
geom_text(
aes(
x = X,
y = Y,
label = NOMOR
),
color = "black",
fontface = "bold",
size = 3
) +
theme_minimal() +
theme(
legend.position = "right",
panel.border = element_rect(
colour = "black",
fill = NA,
linewidth = 0.5
)
) +
labs(
title = "Peta Klaster Local Moran's I (LISA)",
x = NULL,
y = NULL
)
PETA_LISA
RAO-SCORE TEST
- Tujuan
-
menentukan bentuk ketergantungan spasial yang terdapat pada data serta memberikan dasar pemilihan model regresi spasial yang sesuai.
LMTEST = lm.RStests(
TPT_OLS,
W_matriks,
test = "all"
)
summary(LMTEST)## Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
## dependence
## data:
## model: lm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN), data
## = PETA)
## test weights: W_matriks
##
## statistic parameter p.value
## RSerr 4.2831405 1 0.03849 *
## RSlag 6.0156207 1 0.01418 *
## adjRSerr 0.0045095 1 0.94646
## adjRSlag 1.7369898 1 0.18752
## SARMA 6.0201302 2 0.04929 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1PEMODELAN
Tahap ini bertujuan untuk membentuk model Spatial Autoregressive (SAR), Spatial Error Model (SEM), Spatial Autoregressive Combined (SAC), dan Spatial Durbin Model (SDM) untuk memenuhi pengaruh spasial antarwilayah.
SAR
TPT_SAR = lagsarlm(
TPT ~ TPAK +
scale(PDRB) +
scale(PENGELUARAN),
data = PETA,
listw = W_matriks,
zero.policy = TRUE
)
summary(TPT_SAR)##
## Call:lagsarlm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN),
## data = PETA, listw = W_matriks, zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.035997 -0.435911 -0.021032 0.534446 2.319424
##
## Type: lag
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 19.428194 4.743095 4.0961 4.202e-05
## TPAK -0.231240 0.065302 -3.5411 0.0003985
## scale(PDRB) 0.378373 0.235215 1.6086 0.1076979
## scale(PENGELUARAN) -0.182870 0.256321 -0.7134 0.4755733
##
## Rho: 0.43289, LR test value: 5.9196, p-value: 0.014974
## Asymptotic standard error: 0.16582
## z-value: 2.6105, p-value: 0.0090408
## Wald statistic: 6.8147, p-value: 0.0090408
##
## Log likelihood: -37.75272 for lag model
## ML residual variance (sigma squared): 0.91115, (sigma: 0.95454)
## Number of observations: 27
## Number of parameters estimated: 6
## AIC: 87.505, (AIC for lm: 91.425)
## LM test for residual autocorrelation
## test value: 0.038646, p-value: 0.84415moran.test(
residuals(TPT_SAR),
W_matriks,
zero.policy = TRUE
)##
## Moran I test under randomisation
##
## data: residuals(TPT_SAR)
## weights: W_matriks
##
## Moran I statistic standard deviate = 0.15721, p-value = 0.4375
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## -0.01678608 -0.03846154 0.01901038SEM
TPT_SEM = errorsarlm(
TPT ~ TPAK +
scale(PDRB) +
scale(PENGELUARAN),
data = PETA,
listw = W_matriks,
zero.policy = TRUE
)
summary(TPT_SEM)##
## Call:errorsarlm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN),
## data = PETA, listw = W_matriks, zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.38417 -0.53169 0.16709 0.55395 2.10661
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 22.123945 4.413107 5.0132 5.352e-07
## TPAK -0.228354 0.064683 -3.5304 0.000415
## scale(PDRB) 0.310849 0.250608 1.2404 0.214834
## scale(PENGELUARAN) -0.070947 0.266434 -0.2663 0.790022
##
## Lambda: 0.43773, LR test value: 4.1157, p-value: 0.042488
## Asymptotic standard error: 0.19465
## z-value: 2.2488, p-value: 0.024523
## Wald statistic: 5.0573, p-value: 0.024523
##
## Log likelihood: -38.65467 for error model
## ML residual variance (sigma squared): 0.97287, (sigma: 0.98634)
## Number of observations: 27
## Number of parameters estimated: 6
## AIC: 89.309, (AIC for lm: 91.425)moran.test(
residuals(TPT_SEM),
W_matriks,
zero.policy = TRUE
)##
## Moran I test under randomisation
##
## data: residuals(TPT_SEM)
## weights: W_matriks
##
## Moran I statistic standard deviate = 0.12217, p-value = 0.4514
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## -0.02158913 -0.03846154 0.01907215SAC
TPT_SAC = sacsarlm(
TPT ~ TPAK +
scale(PDRB) +
scale(PENGELUARAN),
data = PETA,
listw = W_matriks,
zero.policy = TRUE
)
summary(TPT_SAC)##
## Call:sacsarlm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN),
## data = PETA, listw = W_matriks, zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.979060 -0.442427 -0.066581 0.522966 2.326151
##
## Type: sac
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 19.187866 5.484516 3.4986 0.0004678
## TPAK -0.230693 0.068013 -3.3919 0.0006941
## scale(PDRB) 0.387707 0.233379 1.6613 0.0966584
## scale(PENGELUARAN) -0.195611 0.257973 -0.7583 0.4482952
##
## Rho: 0.46289
## Asymptotic standard error: 0.27155
## z-value: 1.7046, p-value: 0.088267
## Lambda: -0.060144
## Asymptotic standard error: 0.42001
## z-value: -0.1432, p-value: 0.88613
##
## LR test value: 5.9472, p-value: 0.051119
##
## Log likelihood: -37.73892 for sac model
## ML residual variance (sigma squared): 0.90198, (sigma: 0.94973)
## Number of observations: 27
## Number of parameters estimated: 7
## AIC: 89.478, (AIC for lm: 91.425)moran.test(
residuals(TPT_SAC),
W_matriks,
zero.policy = TRUE
)##
## Moran I test under randomisation
##
## data: residuals(TPT_SAC)
## weights: W_matriks
##
## Moran I statistic standard deviate = 0.28083, p-value = 0.3894
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0002702349 -0.0384615385 0.0190217610SDM
TPT_SDM = lagsarlm(
TPT ~ TPAK +
scale(PDRB) +
scale(PENGELUARAN),
data = PETA,
listw = W_matriks,
type = "mixed",
zero.policy = TRUE
)
summary(TPT_SDM)##
## Call:lagsarlm(formula = TPT ~ TPAK + scale(PDRB) + scale(PENGELUARAN),
## data = PETA, listw = W_matriks, type = "mixed", zero.policy = TRUE)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.043563 -0.544727 -0.080524 0.451277 2.474128
##
## Type: mixed
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) 17.491587 11.696307 1.4955 0.1347894
## TPAK -0.241868 0.067840 -3.5653 0.0003635
## scale(PDRB) 0.290252 0.242726 1.1958 0.2317730
## scale(PENGELUARAN) -0.099007 0.267809 -0.3697 0.7116129
## lag.TPAK 0.045712 0.144609 0.3161 0.7519217
## lag.scale(PDRB) 1.118844 0.718284 1.5577 0.1193134
## lag.scale(PENGELUARAN) -0.690133 0.674381 -1.0234 0.3061386
##
## Rho: 0.3714, LR test value: 3.4007, p-value: 0.065167
## Asymptotic standard error: 0.20092
## z-value: 1.8485, p-value: 0.064531
## Wald statistic: 3.4169, p-value: 0.064531
##
## Log likelihood: -36.62262 for mixed model
## ML residual variance (sigma squared): 0.85029, (sigma: 0.92211)
## Number of observations: 27
## Number of parameters estimated: 9
## AIC: 91.245, (AIC for lm: 92.646)
## LM test for residual autocorrelation
## test value: 0.059237, p-value: 0.80771moran.test(
residuals(TPT_SDM),
W_matriks,
zero.policy = TRUE
)##
## Moran I test under randomisation
##
## data: residuals(TPT_SDM)
## weights: W_matriks
##
## Moran I statistic standard deviate = 0.2034, p-value = 0.4194
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## -0.01070172 -0.03846154 0.01862671PERBANDINGAN MODEL
- Tujuan
-
menentukan model yang memiliki kemampuan terbaik dalam menjelaskan variasi Tingkat Pengangguran Terbuka berdasarkan kriteria pemilihan model yang digunakan.
PERBANDINGAN = data.frame(
Model = c(
"OLS",
"SAR",
"SEM",
"SAC",
"SDM"
),
AIC = c(
AIC(TPT_OLS),
AIC(TPT_SAR),
AIC(TPT_SEM),
AIC(TPT_SAC),
AIC(TPT_SDM)
),
BIC = c(
BIC(TPT_OLS),
BIC(TPT_SAR),
BIC(TPT_SEM),
BIC(TPT_SAC),
BIC(TPT_SDM)
),
LogLik = c(
as.numeric(logLik(TPT_OLS)),
as.numeric(logLik(TPT_SAR)),
as.numeric(logLik(TPT_SEM)),
as.numeric(logLik(TPT_SAC)),
as.numeric(logLik(TPT_SDM))
)
)
PERBANDINGAN## Model AIC BIC LogLik
## 1 OLS 91.42502 97.90420 -40.71251
## 2 SAR 87.50545 95.28047 -37.75272
## 3 SEM 89.30935 97.08437 -38.65467
## 4 SAC 89.47783 98.54869 -37.73892
## 5 SDM 91.24525 102.90778 -36.62262AIC_BEST = PERBANDINGAN[which.min(PERBANDINGAN$AIC), "Model"]
BIC_BEST = PERBANDINGAN[which.min(PERBANDINGAN$BIC), "Model"]
LOGLIK_BEST = PERBANDINGAN[which.max(PERBANDINGAN$LogLik), "Model"]
KESIMPULAN_MODEL <- data.frame(
Kriteria = c(
"AIC",
"BIC",
"LogLik"
),
Model_Terpilih = c(
AIC_BEST,
BIC_BEST,
LOGLIK_BEST
)
)
KESIMPULAN_MODEL## Kriteria Model_Terpilih
## 1 AIC SAR
## 2 BIC SAR
## 3 LogLik SDMBEST_MODEL = names(which.max(table(c(AIC_BEST, BIC_BEST, LOGLIK_BEST))))
BEST_MODEL## [1] "SAR"EFEK MODEL
- Tujuan
-
menginterpretasikan pengaruh langsung (direct effect), pengaruh tidak langsung (indirect effect), dan pengaruh total (total effect) dari variabel-variabel prediktor terhadap Tingkat Pengangguran Terbuka.
OBJEK = paste0("TPT_", BEST_MODEL)
MODEL_TERPILIH = get(OBJEK)
if (BEST_MODEL %in% c("SAR", "SAC", "SDM")) {
EFEK <- impacts(
MODEL_TERPILIH,
listw = W_matriks,
R = 1000
)
summary(
EFEK,
zstats = TRUE,
short = TRUE
)
} else if (BEST_MODEL == "SEM") {
summary(MODEL_TERPILIH)
} else {
summary(MODEL_TERPILIH)
}## Impact measures (lag, exact):
## Direct Indirect Total
## TPAK dy/dx -0.2443203 -0.1634285 -0.4077488
## scale(PDRB) dy/dx 0.3997751 0.2674139 0.6671890
## scale(PENGELUARAN) dy/dx -0.1932137 -0.1292427 -0.3224564
## ========================================================
## Simulation results ( variance matrix):
## ========================================================
## Simulated standard errors
## Direct Indirect Total
## TPAK dy/dx 0.06804577 0.1512811 0.1890925
## scale(PDRB) dy/dx 0.25908873 0.3825364 0.5841754
## scale(PENGELUARAN) dy/dx 0.28079700 0.3261582 0.5693486
##
## Simulated z-values:
## Direct Indirect Total
## TPAK dy/dx -3.5988350 -1.2490829 -2.294370
## scale(PDRB) dy/dx 1.5451488 0.8368064 1.233259
## scale(PENGELUARAN) dy/dx -0.6561403 -0.5159745 -0.619184
##
## Simulated p-values:
## Direct Indirect Total
## TPAK dy/dx 0.00031965 0.21163 0.021769
## scale(PDRB) dy/dx 0.12231027 0.40270 0.217479
## scale(PENGELUARAN) dy/dx 0.51173387 0.60587 0.535795PETA RESIDUAL
- Tujuan
-
memvisualisasikan sebaran residual model terbaik sehingga dapat diketahui wilayah yang masih memiliki galat prediksi relatif besar maupun kecil.
PETA$RESIDUAL_TERBAIK <- residuals(MODEL_TERPILIH)
PETA_RESIDUAL = ggplot(data = PETA) +
geom_sf(
aes(
fill = RESIDUAL_TERBAIK
),
color = "black",
linewidth = 0.3
) +
scale_fill_viridis_c(
option = "mako",
name = "Residual"
) +
geom_text(
aes(
x = X,
y = Y,
label = NOMOR
),
color = "white",
fontface = "bold",
size = 2.5
) +
theme_minimal() +
theme(
legend.position = "right",
panel.border = element_rect(
colour = "black",
fill = NA,
linewidth = 0.6
)
) +
labs(
title = paste("Peta Residual (Model:", BEST_MODEL, ")"),
x = NULL,
y = NULL
)
PETA_RESIDUAL