Persiapan Data

suppressPackageStartupMessages({
  library(sf)
  library(readxl)
  library(tidyverse)
  library(spdep)
  library(spatialreg)
  library(MuMIn)
  library(patchwork)
})


folder_dasar <- "Regspas_11"

lokasi_cn_shp   <- file.path(folder_dasar, "data china", "China29", "China29.shp")
lokasi_cn_xlsx  <- file.path(folder_dasar, "data china", "Data_China.xlsx")
lokasi_jb_shp   <- file.path(folder_dasar, "JABAR", "Jabar2", "Jabar2.shp")
lokasi_jb_xlsx  <- file.path(folder_dasar, "JABAR", "data_jabar.xlsx")

A. Model Prediksi GRP Provinsi di China

A.1 Persiapan Data

Data terdiri atas peta 29 provinsi (shapefile) dan tabel atribut berisi koordinat, GRP, serta tingkat urbanisasi (%). Keduanya digabung berdasarkan nama provinsi (NAME_1 pada peta dan Region pada tabel).

peta_cn  <- st_read("C:\\Users\\MIFTA INDIRA\\Downloads\\China29", quiet = TRUE)
tabel_cn <- read_excel("C:\\Users\\MIFTA INDIRA\\Downloads\\Data_China.xlsx", sheet = "Data")

cn_gabung <- peta_cn %>%
  left_join(tabel_cn, by = c("NAME_1" = "Region"))

# Pastikan semua provinsi berhasil digabung (tidak ada NA pada peubah utama)
colSums(is.na(cn_gabung[, c("GRP", "Level_of_Urbanization")] %>% st_drop_geometry()))
##                   GRP Level_of_Urbanization 
##                     0                     0
glimpse(st_drop_geometry(cn_gabung[, c("NAME_1", "Long", "Lat", "GRP", "Level_of_Urbanization")]))
## Rows: 29
## Columns: 5
## $ NAME_1                <chr> "Anhui", "Beijing", "Chongqing", "Fujian", "Gans…
## $ Long                  <dbl> 117.22623, 116.41067, 107.87484, 117.98151, 100.…
## $ Lat                   <dbl> 31.82579, 40.18491, 30.05865, 26.08641, 37.82079…
## $ GRP                   <dbl> 28792, 87475, 38914, 52763, 21978, 54095, 27952,…
## $ Level_of_Urbanization <dbl> 46.50000, 86.20000, 56.98000, 59.60000, 38.75000…

Seluruh 29 provinsi berhasil digabung dan tidak ada data hilang pada peubah GRP maupun tingkat urbanisasi, sehingga data siap dianalisis tanpa penghapusan amatan.

A.2 Eksplorasi Data

summary(st_drop_geometry(cn_gabung[, c("GRP", "Level_of_Urbanization")]))
##       GRP        Level_of_Urbanization
##  Min.   :19710   Min.   :36.41        
##  1st Qu.:31499   1st Qu.:46.50        
##  Median :36584   Median :51.26        
##  Mean   :44472   Mean   :54.55        
##  3rd Qu.:54095   3rd Qu.:59.60        
##  Max.   :93173   Max.   :89.30
gambar_grp <- ggplot(cn_gabung) +
  geom_sf(aes(fill = GRP), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(option = "magma", name = "GRP") +
  labs(title = "Gross Regional Product", subtitle = "Per provinsi") +
  theme_minimal() +
  theme(legend.position = "bottom", plot.title = element_text(face = "bold"))

gambar_urb <- ggplot(cn_gabung) +
  geom_sf(aes(fill = Level_of_Urbanization), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(option = "magma", name = "Urbanisasi (%)") +
  labs(title = "Tingkat Urbanisasi", subtitle = "Per provinsi") +
  theme_minimal() +
  theme(legend.position = "bottom", plot.title = element_text(face = "bold"))

gambar_grp | gambar_urb

ggplot(st_drop_geometry(cn_gabung), aes(Level_of_Urbanization, GRP)) +
  geom_point(size = 2.5, color = "#b5367a") +
  geom_smooth(method = "lm", se = TRUE, color = "#2c3e50") +
  labs(x = "Tingkat urbanisasi (%)", y = "GRP",
       title = "Hubungan urbanisasi dan GRP") +
  theme_minimal()

Provinsi dengan GRP dan urbanisasi tinggi terkonsentrasi di pesisir timur dan kota-kota besar (Beijing, Tianjin, Shanghai), sedangkan nilai rendah berkumpul di wilayah barat dan tengah-selatan. Kemiripan dua peta tersebut menunjukkan hubungan positif antara urbanisasi dan GRP, yang diperkuat oleh diagram pencar: titik-titik tersusun mendekati garis lurus naik.

A.3 Regresi OLS

Model dasar: \(GRP_i = \beta_0 + \beta_1 \, Urbanisasi_i + \varepsilon_i\).

reg_ols_cn <- lm(GRP ~ Level_of_Urbanization, data = cn_gabung)
summary(reg_ols_cn)
## 
## Call:
## lm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -12050.9  -4410.4   -374.8   2961.6  14948.1 
## 
## Coefficients:
##                       Estimate Std. Error t value Pr(>|t|)    
## (Intercept)           -31895.5     5197.6  -6.137 1.48e-06 ***
## Level_of_Urbanization   1400.0       92.6  15.118 1.06e-14 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 6595 on 27 degrees of freedom
## Multiple R-squared:  0.8944, Adjusted R-squared:  0.8904 
## F-statistic: 228.6 on 1 and 27 DF,  p-value: 1.064e-14
  • Koefisien urbanisasi sekitar 1.400 dan sangat signifikan (p < 0,001): setiap kenaikan 1 poin persen tingkat urbanisasi dikaitkan dengan kenaikan GRP sekitar 1.400 satuan, dengan asumsi faktor lain tetap.
  • Intersep sekitar −31.895 (signifikan) hanya berfungsi sebagai konstanta model; urbanisasi 0% berada di luar rentang data sehingga nilainya tidak perlu ditafsirkan secara substantif.
  • \(R^2\) = 0,894 (adjusted 0,890): sekitar 89% keragaman GRP antarprovinsi dapat dijelaskan oleh urbanisasi. Uji simultan (F = 228,6; p ≈ 1e-14) juga signifikan.

A.4 Matriks Pembobot Spasial (Inverse Jarak Kereta Api)

jarak_mentah <- read_excel("C:\\Users\\MIFTA INDIRA\\Downloads\\Data_China.xlsx", sheet = "Railway Distance", skip = 1)

mat_jarak <- as.matrix(jarak_mentah[, 3:31])
storage.mode(mat_jarak) <- "numeric"
dimnames(mat_jarak) <- list(tabel_cn$Region, tabel_cn$Region)   # urutan sheet Data

# samakan urutan dengan baris peta
urutan_peta <- match(cn_gabung$NAME_1, tabel_cn$Region)
mat_jarak   <- mat_jarak[urutan_peta, urutan_peta]
stopifnot(identical(rownames(mat_jarak), cn_gabung$NAME_1))

# inverse jarak, diagonal nol, lalu standarisasi baris
mat_invers <- 1 / mat_jarak
diag(mat_invers) <- 0
mat_baku   <- mat_invers / rowSums(mat_invers)

lw_cn <- mat2listw(mat_baku, row.names = cn_gabung$NAME_1, style = "W")

dim(mat_baku)
## [1] 29 29
range(rowSums(mat_baku))   # setiap baris harus berjumlah 1
## [1] 1 1

Matriks bobot berukuran 29 × 29 dengan jumlah tiap baris tepat 1. Semua provinsi saling terhubung dengan bobot yang mengecil seiring bertambahnya jarak rel; provinsi yang dekat secara jaringan kereta api memiliki pengaruh lebih besar. Karena bobotnya inverse jarak untuk seluruh provinsi lain, “tetangga” di sini bukan hanya provinsi yang bersinggungan batas.

A.5 Uji Moran’s I pada Sisaan OLS

\(H_0\): tidak ada autokorelasi spasial pada sisaan; \(H_1\): ada autokorelasi spasial positif.

moran_cn <- lm.morantest(reg_ols_cn, lw_cn)
moran_cn
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung)
## weights: lw_cn
## 
## Moran I statistic standard deviate = -0.12783, p-value = 0.5509
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I      Expectation         Variance 
##     -0.045955969     -0.041108750      0.001437895

Nilai Moran’s I sisaan sekitar −0,046 (hampir sama dengan nilai harapannya, −0,041) dengan p-value ≈ 0,55 (> 0,05) sehingga \(H_0\) tidak ditolak. Secara global tidak ada bukti sisaan model OLS mengelompok menurut kedekatan jarak kereta api. Namun Moran’s I hanya menguji pola global; untuk mengetahui jenis dependensi (lag atau error) tetap diperlukan uji Lagrange Multiplier.

A.6 Uji Lagrange Multiplier

# lm.LMtests menampilkan pesan agar memakai lm.RStests, namun hasilnya sama
lm_cn <- lm.LMtests(reg_ols_cn, lw_cn,
                    test = c("LMerr", "RLMerr", "LMlag", "RLMlag", "SARMA"))
summary(lm_cn)
##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung)
## test weights: listw
##  
##          statistic parameter  p.value   
## RSerr      0.51957         1 0.471025   
## adjRSerr   4.16751         1 0.041206 * 
## RSlag      3.17647         1 0.074706 . 
## adjRSlag   6.82441         1 0.008992 **
## SARMA      7.34398         2 0.025426 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Uji Statistik p-value Keputusan (α = 5%)
LM-Error (RSerr) 0,520 0,471 tidak signifikan
LM-Lag (RSlag) 3,176 0,075 tidak signifikan (signifikan pada 10%)
Robust LM-Error (adjRSerr) 4,168 0,041 signifikan
Robust LM-Lag (adjRSlag) 6,824 0,009 signifikan
SARMA 7,344 0,025 signifikan

Uji LM biasa belum meyakinkan, tetapi uji robust dan SARMA signifikan. Uji robust lebih dapat dipercaya ketika kedua bentuk dependensi mungkin hadir bersamaan karena masing-masing dikoreksi terhadap pengaruh lainnya.

Statistik robust LM-Lag (6,82) lebih besar daripada robust LM-Error (4,17) dan p-valuenya lebih kecil, sehingga dependensi yang dominan mengarah ke bentuk lag (jalur SAR/SDM pada diagram penentuan model). Hal ini sejalan dengan sifat uji Moran yang tidak signifikan: Moran’s I mengukur pola pada sisaan, sedangkan efek lag spasial dapat ikut diserap oleh koefisien regresi sehingga sisaannya tampak acak.

A.7 Pemodelan Spasial

Model SAR dan SDM (jalur lag)

sar_cn <- lagsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
                   zero.policy = TRUE)
sdm_cn <- lagsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
                   Durbin = TRUE, zero.policy = TRUE)
summary(sar_cn)
## 
## Call:lagsarlm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung, 
##     listw = lw_cn, zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -13225.28  -3591.62    220.52   2370.96  14730.81 
## 
## Type: lag 
## Coefficients: (numerical Hessian approximate standard errors) 
##                         Estimate Std. Error z value  Pr(>|z|)
## (Intercept)           -51496.982  10159.911 -5.0686 4.007e-07
## Level_of_Urbanization   1291.118     96.788 13.3396 < 2.2e-16
## 
## Rho: 0.5564, LR test value: 3.7071, p-value: 0.05418
## Approximate (numerical Hessian) standard error: 0.25647
##     z-value: 2.1694, p-value: 0.030049
## Wald statistic: 4.7065, p-value: 0.030049
## 
## Log likelihood: -293.288 for lag model
## ML residual variance (sigma squared): 34754000, (sigma: 5895.2)
## Number of observations: 29 
## Number of parameters estimated: 4 
## AIC: 594.58, (AIC for lm: 596.28)
summary(sdm_cn)
## 
## Call:lagsarlm(formula = GRP ~ Level_of_Urbanization, data = cn_gabung, 
##     listw = lw_cn, Durbin = TRUE, zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -13588.75  -2981.15    169.33   2232.95  13778.90 
## 
## Type: mixed 
## Coefficients: (numerical Hessian approximate standard errors) 
##                              Estimate  Std. Error z value  Pr(>|z|)
## (Intercept)               -120812.863   31627.705 -3.8198 0.0001335
## Level_of_Urbanization        1289.826      94.464 13.6541 < 2.2e-16
## lag.Level_of_Urbanization    2334.127    1071.593  2.1782 0.0293924
## 
## Rho: -0.74883, LR test value: 1.1206, p-value: 0.28978
## Approximate (numerical Hessian) standard error: 0.71772
##     z-value: -1.0433, p-value: 0.29679
## Wald statistic: 1.0886, p-value: 0.29679
## 
## Log likelihood: -290.6908 for mixed model
## ML residual variance (sigma squared): 29022000, (sigma: 5387.2)
## Number of observations: 29 
## Number of parameters estimated: 5 
## AIC: 591.38, (AIC for lm: 590.5)

Model SLX

Model SLX menambahkan rata-rata tertimbang urbanisasi provinsi lain (\(WX\)) sebagai peubah penjelas: \(GRP_i = \beta_0 + \beta_1 X_i + \gamma\,(WX)_i + \varepsilon_i\).

slx_cn <- lmSLX(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
                Durbin = TRUE)
summary(slx_cn)
## 
## Call:
## lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1], collapse = "+"))), 
##     data = as.data.frame(x), weights = weights)
## 
## Coefficients:
##                            Estimate    Std. Error  t value     Pr(>|t|)  
## (Intercept)                -9.645e+04   2.329e+04  -4.142e+00   3.227e-04
## Level_of_Urbanization       1.256e+03   9.690e+01   1.297e+01   7.404e-13
## lag.Level_of_Urbanization   1.307e+03   4.620e+02   2.829e+00   8.884e-03

Model SEM, SDEM, dan SARMA (sebagai pembanding)

sem_cn   <- errorsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
                       zero.policy = TRUE)
sdem_cn  <- errorsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
                       Durbin = TRUE, zero.policy = TRUE)
sarma_cn <- sacsarlm(GRP ~ Level_of_Urbanization, data = cn_gabung, listw = lw_cn,
                     zero.policy = TRUE)

A.8 Uji Rasio Kemungkinan (Likelihood Ratio)

Fungsi pembantu untuk menghitung LR antara model yang lebih lengkap dan model yang lebih sederhana (bersarang):

uji_lr <- function(model_lengkap, model_ringkas) {
  ll_besar  <- logLik(model_lengkap)
  ll_kecil  <- logLik(model_ringkas)
  stat_lr   <- 2 * (as.numeric(ll_besar) - as.numeric(ll_kecil))
  derajat   <- attr(ll_besar, "df") - attr(ll_kecil, "df")
  data.frame(LR = round(stat_lr, 4), df = derajat,
             p_value = signif(pchisq(stat_lr, df = derajat, lower.tail = FALSE), 4))
}
rekap_lr_cn <- rbind(
  "SLX vs OLS (H0: gamma = 0)"        = uji_lr(slx_cn, reg_ols_cn),
  "SDM vs SAR (H0: gamma = 0)"        = uji_lr(sdm_cn, sar_cn),
  "SDM vs SLX (H0: rho = 0)"          = uji_lr(sdm_cn, slx_cn),
  "SDEM vs SEM (H0: gamma = 0)"       = uji_lr(sdem_cn, sem_cn),
  "SAR vs OLS (H0: rho = 0)"          = uji_lr(sar_cn, reg_ols_cn)
)
rekap_lr_cn
  • SLX vs OLS: LR ≈ 7,78 dengan p ≈ 0,005 → \(H_0\) ditolak. Komponen spasial pada peubah penjelas (\(WX\)) memberikan peningkatan kecocokan yang nyata dibandingkan OLS biasa.
  • SDM vs SAR: p ≈ 0,023 → menambahkan \(WX\) pada model SAR juga bermanfaat, artinya model dengan efek limpahan (\(WX\)) lebih baik daripada SAR murni.
  • SDM vs SLX: p ≈ 0,29 → \(H_0: \rho = 0\) tidak ditolak. Setelah \(WX\) masuk model, lag pada peubah dependen (\(Wy\)) tidak lagi memberi tambahan berarti, sehingga SDM dapat disederhanakan menjadi SLX.
  • SDEM vs SEM: p ≈ 0,011 → \(WX\) penting, namun jalur error tidak menjadi pilihan utama karena uji LM robust condong ke lag, dan kriteria AICc di bawah juga lebih menyukai SLX.

A.9 Perbandingan AICc

aicc_cn <- data.frame(
  Model = c("OLS", "SAR", "SEM", "SLX", "SDM", "SDEM", "SARMA"),
  AICc  = c(AICc(reg_ols_cn), AICc(sar_cn), AICc(sem_cn), AICc(slx_cn),
            AICc(sdm_cn), AICc(sdem_cn), AICc(sarma_cn))
) %>% arrange(AICc) %>% mutate(AICc = round(AICc, 3))
aicc_cn

AICc terkecil dimiliki SLX (≈ 592,17), lebih rendah sekitar 5 poin dari OLS (≈ 597,24). Selisih lebih dari 2 poin menandakan dukungan yang cukup jelas. SDM (≈ 593,99) dan SDEM (≈ 595,02) lebih besar karena menambah parameter tanpa peningkatan kecocokan yang sebanding. Hasil AICc ini konsisten dengan uji LR sehingga SLX dipilih sebagai model terbaik untuk data China.

A.10 Model Terbaik: SLX

summary(slx_cn)
## 
## Call:
## lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1], collapse = "+"))), 
##     data = as.data.frame(x), weights = weights)
## 
## Coefficients:
##                            Estimate    Std. Error  t value     Pr(>|t|)  
## (Intercept)                -9.645e+04   2.329e+04  -4.142e+00   3.227e-04
## Level_of_Urbanization       1.256e+03   9.690e+01   1.297e+01   7.404e-13
## lag.Level_of_Urbanization   1.307e+03   4.620e+02   2.829e+00   8.884e-03
b_slx <- coef(slx_cn)
cat("Pengaruh langsung urbanisasi provinsi sendiri :", round(b_slx[2], 1), "\n")
## Pengaruh langsung urbanisasi provinsi sendiri : 1256.3
cat("Pengaruh limpahan (WX)                         :", round(b_slx[3], 1), "\n")
## Pengaruh limpahan (WX)                         : 1306.8
cat("Jumlah pengaruh (langsung + limpahan)          :", round(b_slx[2] + b_slx[3], 1), "\n")
## Jumlah pengaruh (langsung + limpahan)          : 2563.1
# Apakah sisaan SLX masih berautokorelasi spasial?
lm.morantest(slx_cn, lw_cn)
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1],
## collapse = "+"))), data = as.data.frame(x), weights = weights)
## weights: lw_cn
## 
## Moran I statistic standard deviate = 0.87729, p-value = 0.1902
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I      Expectation         Variance 
##     -0.013842047     -0.046237895      0.001363612
  • Urbanisasi provinsi sendiri berkoefisien sekitar 1.256 (p < 0,001): kenaikan 1 poin persen urbanisasi di suatu provinsi menaikkan GRP provinsi tersebut sekitar 1.256 satuan.
  • Limpahan dari provinsi lain (lag.Level_of_Urbanization) berkoefisien sekitar 1.307 dan signifikan (p ≈ 0,009): kenaikan 1 poin persen rata-rata tertimbang urbanisasi provinsi lain yang terhubung rel kereta api dikaitkan dengan kenaikan GRP sekitar 1.307 satuan. Jadi urbanisasi di wilayah yang terhubung baik tidak hanya menguntungkan wilayahnya sendiri, tetapi juga wilayah-wilayah yang dilayani jaringan kereta api yang sama.
  • Kedua pengaruh bernilai positif dan berorde setara sehingga jumlah pengaruhnya sekitar 2.563 satuan GRP.
  • \(R^2\) naik menjadi sekitar 0,919 (adjusted 0,913) dari 0,894 pada OLS, dan Moran’s I sisaan SLX tidak signifikan (p ≈ 0,19) sehingga ketergantungan spasial telah tertangani.

Catatan: pada pemodelan sebelumnya yang matriks bobotnya tidak sejajar dengan data, efek limpahan ini tidak terdeteksi. Kesejajaran urutan antara data dan matriks bobot sangat menentukan hasil.


B. Model Dependensi Spasial: Kemiskinan Kabupaten/Kota Jawa Barat

B.1 Persiapan Data

peta_jb  <- st_read("C:\\Users\\MIFTA INDIRA\\Downloads\\Jabar2", quiet = TRUE)
tabel_jb <- read_excel("C:\\Users\\MIFTA INDIRA\\Downloads\\data_jabar.xlsx", sheet = "data")

# Kunci penggabungan: KODE2010 (teks di shapefile, angka di Excel)
tabel_jb$KODE2010 <- as.character(tabel_jb$KODE2010)

# Buang kolom identitas di tabel yang sudah ada di peta agar tidak ganda (.x / .y)
tabel_jb_ringkas <- tabel_jb %>%
  select(-PROVNO, -KABKOTNO, -PROVINSI, -KABKOT, -IDSP2010)

jb_gabung <- peta_jb %>%
  left_join(tabel_jb_ringkas, by = "KODE2010")

nrow(jb_gabung)
## [1] 26
sum(!complete.cases(st_drop_geometry(jb_gabung)))   # jumlah baris dengan NA
## [1] 0
colnames(jb_gabung)
##  [1] "PROVNO"     "KABKOTNO"   "KODE2010"   "PROVINSI"   "KABKOT"    
##  [6] "SUMBER"     "IDSP2010"   "Long"       "Lat"        "p.miskin15"
## [11] "p.miskin16" "j.miskin15" "j.miskin16" "AHH2015"    "AHH2016"   
## [16] "EYS2015"    "EYS2016"    "MYS2015"    "MYS2016"    "EXP2015"   
## [21] "EXP2016"    "APM.SD15"   "APM.SMP15"  "APM.SMA15"  "APM.PT15"  
## [26] "APK.SD15"   "APK.SMP15"  "APK.SMA15"  "APK.PT15"   "APS.USIA15"
## [31] "APS.USIA2"  "APS.USIA3"  "APS.USIA4"  "geometry"

Seluruh 26 kabupaten/kota (17 kabupaten dan 9 kota) tergabung tanpa data hilang. Peubah dependen adalah persentase penduduk miskin 2015 (p.miskin15); peubah lainnya (angka harapan hidup, harapan dan rata-rata lama sekolah, pengeluaran per kapita, angka partisipasi murni/kasar, dan angka partisipasi sekolah) menjadi kandidat peubah penjelas.

B.2 Eksplorasi Data

peta_miskin <- ggplot(jb_gabung) +
  geom_sf(aes(fill = p.miskin15), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(option = "magma", direction = -1, name = "% miskin") +
  labs(title = "Penduduk Miskin 2015 (%)") +
  theme_void() + theme(legend.position = "bottom", plot.title = element_text(face = "bold"))

peta_eys <- ggplot(jb_gabung) +
  geom_sf(aes(fill = EYS2015), color = "white", linewidth = 0.2) +
  scale_fill_viridis_c(option = "viridis", name = "tahun") +
  labs(title = "Harapan Lama Sekolah 2015") +
  theme_void() + theme(legend.position = "bottom", plot.title = element_text(face = "bold"))

peta_miskin | peta_eys

plot(jb_gabung[, c("p.miskin15", "AHH2015", "EYS2015", "MYS2015", "EXP2015",
                   "APM.SD15", "APM.SMP15", "APM.SMA15", "APM.PT15")],
     max.plot = 9)

Persentase kemiskinan tertinggi muncul di kabupaten bagian timur dan selatan (misalnya Indramayu, Cirebon, Kuningan, Majalengka, Garut), sedangkan kota-kota (Depok, Bandung, Bekasi, Cimahi) memiliki kemiskinan terendah. Warna yang serupa pada wilayah berdekatan mengisyaratkan adanya pengelompokan spasial. Pola kebalikannya tampak pada harapan lama sekolah yang cenderung tinggi di wilayah dengan kemiskinan rendah.

B.3 Matriks Pembobot Spasial (Queen Contiguity)

nb_jb <- poly2nb(jb_gabung, queen = TRUE)
lw_jb <- nb2listw(nb_jb, style = "W", zero.policy = TRUE)

summary(nb_jb)
## Neighbour list object:
## Number of regions: 26 
## Number of nonzero links: 102 
## Percentage nonzero weights: 15.08876 
## Average number of links: 3.923077 
## Link number distribution:
## 
## 1 2 3 4 5 6 7 8 
## 4 2 6 4 3 5 1 1 
## 4 least connected regions:
## 18 19 21 26 with 1 link
## 1 most connected region:
## 1 with 8 links
card(nb_jb)    # banyak tetangga tiap wilayah
##  [1] 8 3 6 7 4 5 5 3 4 6 6 4 6 5 4 3 6 1 1 3 1 3 2 3 2 1
titik_pusat <- st_centroid(st_geometry(jb_gabung))
plot(st_geometry(jb_gabung), border = "grey60", main = "Jaringan ketetanggaan Queen")
plot(nb_jb, st_coordinates(titik_pusat), add = TRUE, col = "red", pch = 19, cex = 0.6)

Dengan seluruh 26 wilayah, tidak ada wilayah yang terisolasi (setiap kabupaten/kota memiliki setidaknya satu tetangga). Kota yang dikelilingi kabupaten, misalnya Kota Bogor, Kota Sukabumi, dan Kota Cirebon, hanya memiliki satu atau dua tetangga, sedangkan Kabupaten Bogor memiliki delapan tetangga. Bobot setiap baris dibakukan sehingga berjumlah 1.

B.4 Penentuan Peubah Penjelas dengan Indeks Moran

daftar_peubah <- c("p.miskin15", "AHH2015", "EYS2015", "MYS2015", "EXP2015",
                   "APM.SD15", "APM.SMP15", "APM.SMA15", "APM.PT15",
                   "APK.SD15", "APK.SMP15", "APK.SMA15", "APK.PT15",
                   "APS.USIA15", "APS.USIA2", "APS.USIA3", "APS.USIA4")

peubah_respon <- "p.miskin15"
kandidat_x    <- setdiff(daftar_peubah, peubah_respon)
data_tanpa_geom <- st_drop_geometry(jb_gabung)

penampung <- list()
no_simpan <- 0

for (jumlah in 1:6) {
  semua_kombinasi <- combn(kandidat_x, jumlah, simplify = FALSE)

  for (pilihan_x in semua_kombinasi) {
    teks_formula <- paste(peubah_respon, "~", paste(pilihan_x, collapse = " + "))

    baris_hasil <- tryCatch({
      model_coba <- lm(as.formula(teks_formula), data = data_tanpa_geom)
      uji_coba   <- lm.morantest(model_coba, lw_jb, zero.policy = TRUE)
      data.frame(Formula  = teks_formula,
                 Jumlah_X = jumlah,
                 Moran_I  = unname(uji_coba$estimate["Observed Moran I"]),
                 P_Value  = uji_coba$p.value)
    }, error = function(e) NULL)

    if (!is.null(baris_hasil) && isTRUE(baris_hasil$P_Value < 0.05)) {
      no_simpan <- no_simpan + 1
      penampung[[no_simpan]] <- baris_hasil
    }
  }
}

hasil_seleksi <- bind_rows(penampung) %>% arrange(P_Value)
nrow(hasil_seleksi)     # banyaknya kombinasi dengan Moran signifikan
## [1] 11095
head(hasil_seleksi, 8)
terbaik_jb <- hasil_seleksi %>% slice(1)
cat("Formula     :", terbaik_jb$Formula, "\n")
## Formula     : p.miskin15 ~ EYS2015
cat("Jumlah X    :", terbaik_jb$Jumlah_X, "\n")
## Jumlah X    : 1
cat("Moran's I   :", round(terbaik_jb$Moran_I, 5), "\n")
## Moran's I   : 0.50011
cat("P-Value     :", format(terbaik_jb$P_Value, scientific = FALSE), "\n")
## P-Value     : 0.00005963082
rumus_jb <- as.formula(terbaik_jb$Formula)

Dari 14.892 kombinasi yang diuji, sebanyak 11095 kombinasi menghasilkan sisaan dengan autokorelasi spasial signifikan. Kombinasi dengan p-value terkecil adalah p.miskin15 ~ EYS2015 (Moran’s I ≈ 0,500; p ≈ 0,00006), yaitu model yang hanya memakai harapan lama sekolah sebagai peubah penjelas. Nilai Moran’s I yang positif dan sangat signifikan berarti kabupaten/kota dengan sisaan tinggi cenderung bertetangga dengan wilayah bersisaan tinggi juga (dan sebaliknya), sehingga model OLS belum menangkap struktur spasial kemiskinan dan pemodelan regresi spasial dibutuhkan.

Karena sangat banyak kombinasi yang signifikan, selisih p-value antarkombinasi teratas sangat kecil; pemilihan ini bersifat prosedural untuk keperluan praktikum, bukan pemilihan model prediktif terbaik.

B.5 Regresi OLS

reg_ols_jb <- lm(rumus_jb, data = jb_gabung)
summary(reg_ols_jb)
## 
## Call:
## lm(formula = rumus_jb, data = jb_gabung)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.8378 -2.4262  0.2295  1.9214  8.3997 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept)  37.8359    10.1294   3.735  0.00103 **
## EYS2015      -2.2405     0.8134  -2.755  0.01103 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.185 on 24 degrees of freedom
## Multiple R-squared:  0.2402, Adjusted R-squared:  0.2086 
## F-statistic: 7.588 on 1 and 24 DF,  p-value: 0.01103

Harapan lama sekolah berpengaruh negatif dan signifikan terhadap persentase penduduk miskin (koefisien ≈ −2,24; p ≈ 0,011): tambahan satu tahun harapan lama sekolah dikaitkan dengan turunnya persentase penduduk miskin sekitar 2,24 poin. \(R^2\) hanya ≈ 0,24 (adjusted ≈ 0,21), artinya model OLS baru menjelaskan sekitar seperempat keragaman kemiskinan; sisanya kemungkinan terkait struktur spasial yang belum dimodelkan.

moran_jb <- lm.morantest(reg_ols_jb, lw_jb, zero.policy = TRUE)
moran_jb
## 
##  Global Moran I for regression residuals
## 
## data:  
## model: lm(formula = rumus_jb, data = jb_gabung)
## weights: lw_jb
## 
## Moran I statistic standard deviate = 3.8476, p-value = 5.963e-05
## alternative hypothesis: greater
## sample estimates:
## Observed Moran I      Expectation         Variance 
##       0.50010831      -0.05107053       0.02052090
moran.plot(residuals(reg_ols_jb), lw_jb, zero.policy = TRUE,
           xlab = "Sisaan OLS", ylab = "Lag spasial sisaan",
           main = "Moran scatterplot sisaan OLS")

Moran’s I sisaan ≈ 0,50 dengan p < 0,001, sehingga \(H_0\) ditolak: sisaan OLS memiliki autokorelasi spasial positif yang kuat. Moran scatterplot memperlihatkan titik-titik terkonsentrasi di kuadran High-High dan Low-Low, yang artinya wilayah bersisaan tinggi dikelilingi wilayah bersisaan tinggi, dan sebaliknya.

B.6 Uji Lagrange Multiplier

lm_jb <- lm.LMtests(reg_ols_jb, lw_jb,
                    test = c("LMerr", "RLMerr", "LMlag", "RLMlag", "SARMA"))
summary(lm_jb)
##  Rao's score (a.k.a Lagrange multiplier) diagnostics for spatial
##  dependence
## data:  
## model: lm(formula = rumus_jb, data = jb_gabung)
## test weights: listw
##  
##          statistic parameter  p.value   
## RSerr     10.43736         1 0.001235 **
## adjRSerr   2.70477         1 0.100048   
## RSlag      8.09967         1 0.004427 **
## adjRSlag   0.36708         1 0.544602   
## SARMA     10.80444         2 0.004507 **
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Uji Statistik p-value Keputusan (α = 5%)
LM-Error (RSerr) 10,437 0,0012 signifikan
LM-Lag (RSlag) 8,100 0,0044 signifikan
Robust LM-Error (adjRSerr) 2,705 0,100 tidak signifikan (signifikan pada 10%)
Robust LM-Lag (adjRSlag) 0,367 0,545 tidak signifikan
SARMA 10,804 0,0045 signifikan

Uji LM biasa untuk error maupun lag sama-sama signifikan, sehingga dependensi spasial memang ada. Karena kedua bentuk signifikan, dilanjutkan ke uji robust: statistik robust LM-Lag turun tajam (p = 0,545), sedangkan robust LM-Error masih jauh lebih besar (2,70 dibanding 0,37; p = 0,100). Artinya signifikansi LM-Lag sebagian besar “terbawa” oleh dependensi error. Meskipun robust LM-Error belum signifikan pada 5%, statistiknya lebih dominan sehingga dependensi paling masuk akal bersumber dari komponen error (jalur SEM pada diagram).

B.7 Pemodelan Spasial

Model SEM

\(y = \beta_0 + X\beta + u,\quad u = \lambda W u + \varepsilon\)

sem_jb <- errorsarlm(rumus_jb, data = jb_gabung, listw = lw_jb, zero.policy = TRUE)
summary(sem_jb)
## 
## Call:errorsarlm(formula = rumus_jb, data = jb_gabung, listw = lw_jb, 
##     zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -4.417017 -1.337621  0.043828  1.440601  7.157161 
## 
## Type: error 
## Coefficients: (asymptotic standard errors) 
##             Estimate Std. Error z value  Pr(>|z|)
## (Intercept) 36.62520    8.30861  4.4081 1.043e-05
## EYS2015     -2.14859    0.64336 -3.3397 0.0008388
## 
## Lambda: 0.67018, LR test value: 11.172, p-value: 0.00083046
## Asymptotic standard error: 0.1432
##     z-value: 4.6801, p-value: 2.868e-06
## Wald statistic: 21.903, p-value: 2.868e-06
## 
## Log likelihood: -60.38973 for error model
## ML residual variance (sigma squared): 5.2704, (sigma: 2.2957)
## Number of observations: 26 
## Number of parameters estimated: 4 
## AIC: 128.78, (AIC for lm: 137.95)
  • Lambda (\(\lambda\)) ≈ 0,67 dan signifikan (LR test p ≈ 0,0008): komponen error kabupaten/kota berkorelasi positif kuat dengan rata-rata error tetangganya. Faktor tak teramati (misalnya kondisi ekonomi regional, infrastruktur, dan kebijakan daerah) menyebar secara spasial.
  • Harapan lama sekolah tetap berpengaruh negatif dan signifikan (p < 0,001) dengan koefisien ≈ −2,15, yang sangat dekat dengan OLS (−2,24). Pengaruh substantifnya stabil; yang berubah adalah galat baku yang kini dihitung lebih tepat karena autokorelasi error diperhitungkan.
  • AIC turun dari ≈ 137,95 (OLS) menjadi ≈ 128,78 (SEM): penambahan parameter spasial memperbaiki kecocokan.

Model SAR (pembanding jalur lag)

sar_jb <- lagsarlm(rumus_jb, data = jb_gabung, listw = lw_jb, zero.policy = TRUE)
summary(sar_jb)
## 
## Call:lagsarlm(formula = rumus_jb, data = jb_gabung, listw = lw_jb, 
##     zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -4.298851 -1.482013 -0.017143  1.262834  7.931650 
## 
## Type: lag 
## Coefficients: (asymptotic standard errors) 
##             Estimate Std. Error z value Pr(>|z|)
## (Intercept) 26.20501    8.05521  3.2532 0.001141
## EYS2015     -1.83923    0.61604 -2.9855 0.002831
## 
## Rho: 0.64204, LR test value: 9.7485, p-value: 0.0017947
## Asymptotic standard error: 0.14393
##     z-value: 4.4609, p-value: 8.1622e-06
## Wald statistic: 19.899, p-value: 8.1622e-06
## 
## Log likelihood: -61.10145 for lag model
## ML residual variance (sigma squared): 5.6496, (sigma: 2.3769)
## Number of observations: 26 
## Number of parameters estimated: 4 
## AIC: 130.2, (AIC for lm: 137.95)
## LM test for residual autocorrelation
## test value: 0.0043564, p-value: 0.94738

Model SLX, SDEM, dan SDM

slx_jb  <- lmSLX(rumus_jb, data = jb_gabung, listw = lw_jb, Durbin = TRUE)
sdem_jb <- errorsarlm(rumus_jb, data = jb_gabung, listw = lw_jb,
                      Durbin = TRUE, zero.policy = TRUE)
sdm_jb  <- lagsarlm(rumus_jb, data = jb_gabung, listw = lw_jb,
                    Durbin = TRUE, zero.policy = TRUE)
summary(slx_jb)
## 
## Call:
## lm(formula = formula(paste("y ~ ", paste(colnames(x)[-1], collapse = "+"))), 
##     data = as.data.frame(x), weights = weights)
## 
## Coefficients:
##              Estimate  Std. Error  t value   Pr(>|t|)
## (Intercept)  28.76404  18.85252     1.52574   0.14071
## EYS2015      -2.45664   0.90687    -2.70891   0.01252
## lag.EYS2015   0.95769   1.66872     0.57391   0.57160

Pada model SLX, koefisien lag.EYS2015 (≈ 0,96) tidak signifikan (p ≈ 0,57), sedangkan EYS2015 sendiri tetap signifikan negatif. Rata-rata harapan lama sekolah di kabupaten/kota tetangga tidak terbukti berpengaruh terhadap kemiskinan suatu wilayah (\(\gamma = 0\)), sehingga model SDEM tidak diperlukan dan SEM sudah memadai.

Model SARMA

sarma_jb <- sacsarlm(rumus_jb, data = jb_gabung, listw = lw_jb, zero.policy = TRUE)
summary(sarma_jb)
## 
## Call:sacsarlm(formula = rumus_jb, data = jb_gabung, listw = lw_jb, 
##     zero.policy = TRUE)
## 
## Residuals:
##       Min        1Q    Median        3Q       Max 
## -4.273712 -1.195483  0.079832  1.368563  6.859251 
## 
## Type: sac 
## Coefficients: (asymptotic standard errors) 
##             Estimate Std. Error z value  Pr(>|z|)
## (Intercept) 37.69685    8.66397  4.3510 1.355e-05
## EYS2015     -2.13392    0.63883 -3.3404 0.0008366
## 
## Rho: -0.1273
## Asymptotic standard error: 0.38775
##     z-value: -0.3283, p-value: 0.74269
## Lambda: 0.72691
## Asymptotic standard error: 0.20996
##     z-value: 3.4622, p-value: 0.00053578
## 
## LR test value: 11.275, p-value: 0.0035619
## 
## Log likelihood: -60.33822 for sac model
## ML residual variance (sigma squared): 5.0536, (sigma: 2.248)
## Number of observations: 26 
## Number of parameters estimated: 5 
## AIC: 130.68, (AIC for lm: 137.95)

Interpretasi. Pada SARMA (tipe sac) parameter lag spasial \(\rho\) ≈ −0,13 tidak berarti dan hampir nol, sedangkan \(\lambda\) ≈ 0,73 mendominasi. Pola “\(\rho\) tidak berarti, \(\lambda\) kuat” menunjukkan bahwa dependensi spasial pada data ini hadir melalui komponen error, sehingga SEM lebih tepat daripada SARMA.

B.8 Uji Rasio Kemungkinan

rekap_lr_jb <- rbind(
  "SEM vs OLS (H0: lambda = 0)"    = uji_lr(sem_jb, reg_ols_jb),
  "SLX vs OLS (H0: gamma = 0)"     = uji_lr(slx_jb, reg_ols_jb),
  "SDEM vs SEM (H0: gamma = 0)"    = uji_lr(sdem_jb, sem_jb),
  "SARMA vs SEM (H0: rho = 0)"     = uji_lr(sarma_jb, sem_jb),
  "SDM vs SAR (H0: gamma = 0)"     = uji_lr(sdm_jb, sar_jb)
)
rekap_lr_jb
anova(sem_jb, sarma_jb)
  • SEM vs OLS: LR ≈ 11,17 dengan p ≈ 0,0008 → komponen error spasial signifikan; SEM lebih baik daripada OLS.
  • SLX vs OLS: p ≈ 0,54 → penambahan \(WX\) tidak memperbaiki OLS.
  • SDEM vs SEM: p ≈ 0,74 → \(\gamma = 0\) tidak ditolak, SDEM tidak lebih baik dari SEM.
  • SARMA vs SEM: p ≈ 0,75 → penambahan parameter lag \(\rho\) tidak memberikan peningkatan kecocokan yang berarti, sehingga model yang lebih sederhana (SEM) dipertahankan.

B.9 Perbandingan AICc

aicc_jb <- data.frame(
  Model = c("OLS", "SEM", "SAR", "SLX", "SDEM", "SDM", "SARMA"),
  AICc  = c(AICc(reg_ols_jb), AICc(sem_jb), AICc(sar_jb), AICc(slx_jb),
            AICc(sdem_jb), AICc(sdm_jb), AICc(sarma_jb))
) %>% arrange(AICc) %>% mutate(AICc = round(AICc, 3))
aicc_jb

SEM memiliki AICc terkecil (≈ 130,68), jauh di bawah OLS (≈ 139,04). SAR (≈ 132,11) berada cukup dekat dengan selisih sekitar 1,4 poin, sehingga SAR tidak bisa dikesampingkan sepenuhnya jika yang diutamakan adalah kecocokan saja. SEM tetap dipilih karena uji robust LM lebih condong ke error, AICc-nya terkecil, dan model-model yang lebih kompleks (SLX, SDEM, SDM, SARMA) bernilai AICc lebih besar.


Kesimpulan

1. Data China (urbanisasi dan GRP).

  • Urbanisasi berpengaruh positif sangat kuat terhadap GRP pada OLS (\(R^2\) ≈ 0,89; koefisien ≈ 1.400).
  • Moran’s I sisaan tidak signifikan (p ≈ 0,55), namun uji LM robust (lag dan error) serta SARMA signifikan, dengan dominasi bentuk lag, yang mengarahkan pengujian ke model yang memuat efek limpahan.
  • Uji LR (SLX vs OLS, p ≈ 0,005) dan AICc (SLX ≈ 592,2 vs OLS ≈ 597,2) menetapkan SLX sebagai model terbaik. Lag peubah dependen (\(\rho\)) tidak diperlukan setelah \(WX\) masuk (SDM vs SLX, p ≈ 0,29).
  • Urbanisasi provinsi sendiri menaikkan GRP sekitar 1.256 satuan per poin persen, dan urbanisasi provinsi lain yang terhubung jaringan kereta api menambah sekitar 1.307 satuan (signifikan). Interaksi ekonomi antarprovinsi melalui konektivitas kereta api nyata, sehingga kebijakan urbanisasi dan infrastruktur transportasi sebaiknya dirancang sebagai satu paket regional.

2. Data Jawa Barat (kemiskinan).

  • Dari kombinasi peubah yang diuji, model dengan harapan lama sekolah (EYS2015) menghasilkan autokorelasi spasial sisaan terkuat (Moran’s I ≈ 0,50; p < 0,001).
  • Uji LM dan LM robust mengindikasikan dependensi bersumber dari komponen error; SEM signifikan terhadap OLS (LR p ≈ 0,0008) dan lebih unggul menurut AICc (≈ 130,7 vs 139,0).
  • Tidak ada bukti efek limpahan peubah penjelas (SLX/SDEM tidak signifikan) maupun lag peubah dependen yang berarti (SARMA tidak lebih baik dari SEM), sehingga SEM adalah model terbaik.
  • Harapan lama sekolah berpengaruh negatif signifikan terhadap kemiskinan (≈ −2,15 poin persen per tahun), dan faktor tak teramati yang berkorelasi spasial (\(\lambda\) ≈ 0,67) menunjukkan bahwa kemiskinan cenderung mengelompok antarwilayah bertetangga. Kebijakan pengentasan kemiskinan perlu mempertimbangkan koordinasi lintas kabupaten/kota, bukan hanya intervensi di tingkat wilayah masing-masing.

3. Keterbatasan.

  • Pemilihan peubah pada data Jawa Barat memakai p-value Moran terkecil sehingga model akhir hanya memuat satu peubah (\(R^2\) OLS ≈ 0,24); hasilnya cocok untuk latihan alur penentuan model, tetapi bukan model prediksi kemiskinan yang komprehensif.
  • Ukuran sampel kecil (29 dan 26 amatan) membuat uji dan estimasi model spasial kurang stabil; selisih AICc yang kecil (misalnya SEM vs SAR) perlu ditafsirkan dengan hati-hati.
  • Hasil analisis bersifat asosiatif, bukan sebab-akibat.