1 Model Spasial Global

2 Pendahuluan

library(openxlsx)                                      # Untuk membuka data excel
data.jabar = read.xlsx("Jabar Data (gabung).xlsx")     # Membuka data excel
datatable(data.jabar, htmltools::em('Table data'),     # Menunjukan data
          extension = 'FixedColumns',
          options = list(scrollX = TRUE, fixedColums = TRUE))

Studi Kasus: Kemiskinan di Jawa Barat

  • Y : Persentase Penduduk Miskin Tahun 2016
  • X : Angka Melek Huruf Tahun 2016
Jabar2<-readOGR(dsn="petaJabar2", layer="Jabar2")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\handy\Desktop\Jeff\Teksam\petaJabar2", layer: "Jabar2"
## with 26 features
## It has 7 fields

2.1 Wujud Data

plot(data.jabar$EYS2016, data.jabar$p.miskin16,        # Memplot data dengan label x dan y seperti yang tertera dan desain yang diinginkan
  xlab="Angka Melek Huruf Thn.2016", 
  ylab="Persentase Penduduk Miskin Thn.2016",
  pch=20, col="orange", cex=2)
reg.klasik = lm(p.miskin16~EYS2016, data = data.jabar) # Membuat data linear
lines.lm(reg.klasik, col=2, add=T)                     # Membuat data linear dalam bentuk garis

Plot tersebut memperlihatkan adanya pola hubungan linear negatif antara angka melek huruf terhadap persentase penduduk miskin di Jawa Barat pada tahun 2016.

2.2 Plot peta data

k=16                                                   # Sebagai parameter jumlah warna yang digunakan
colfunc <- colorRampPalette(c("green", "yellow","red"))# Memilih skala warna
color <- colfunc(k)                                    # Memilih jumlah warna
library(sp)
Jabar2$miskin2<- data.jabar$p.miskin16
spplot(Jabar2, "miskin2", col.regions=color)           # Melakukan plot terhadap data

Berdasarkan plot di atas, dapat dilihat adanya kecenderungan pola bergerombol pada data persentase kemiskinan di kabupaten/kota di Jawa Barat. Hal ini tampak dari gradasi warna yang cenderung mengumpul, seperti pada warna merah dan oranye.

2.3 Moran Test

w<-poly2nb(Jabar2)
ww<-nb2listw(w)
moran(data.jabar$p.miskin16, ww, n=length(ww$neighbours), 
      S0=Szero(ww))
## $I
## [1] 0.3932657
## 
## $K
## [1] 2.403804
moran.test(data.jabar$p.miskin16, ww,randomisation=T,  # Melakukan Moran Test
           alternative="greater")
## 
##  Moran I test under randomisation
## 
## data:  data.jabar$p.miskin16  
## weights: ww    
## 
## Moran I statistic standard deviate = 3.0168, p-value = 0.001277
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##         0.3932657        -0.0400000         0.0206265

2.4 Moran Plot

moran.plot(data.jabar$p.miskin16, ww, labels=data.jabar$KABKOT) # Melakukan Moran Plot

3 Model

3.1 Model 1 : SEM Model

sem<-errorsarlm(p.miskin16~EYS2016,data=data.jabar,nb2listw(w))
summary(sem)
## 
## Call:errorsarlm(formula = p.miskin16 ~ EYS2016, data = data.jabar, 
##     listw = nb2listw(w))
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -4.24699 -1.36122 -0.13809  1.15579  7.03019 
## 
## Type: error 
## Coefficients: (asymptotic standard errors) 
##             Estimate Std. Error z value  Pr(>|z|)
## (Intercept) 36.88515    7.80246  4.7274 2.274e-06
## EYS2016     -2.17498    0.60042 -3.6224 0.0002919
## 
## Lambda: 0.61793, LR test value: 8.7676, p-value: 0.0030663
## Asymptotic standard error: 0.1576
##     z-value: 3.9208, p-value: 8.8267e-05
## Wald statistic: 15.372, p-value: 8.8267e-05
## 
## Log likelihood: -58.12466 for error model
## ML residual variance (sigma squared): 4.5459, (sigma: 2.1321)
## Number of observations: 26 
## Number of parameters estimated: 4 
## AIC: 124.25, (AIC for lm: 131.02)

3.2 Model 2 : SAR Model

sar<-lagsarlm(p.miskin16~EYS2016,data=data.jabar,nb2listw(w))
summary(sar)
## 
## Call:
## lagsarlm(formula = p.miskin16 ~ EYS2016, data = data.jabar, listw = nb2listw(w))
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -4.17670 -0.93185 -0.11318  0.91353  7.69131 
## 
## Type: lag 
## Coefficients: (asymptotic standard errors) 
##             Estimate Std. Error z value  Pr(>|z|)
## (Intercept) 28.22898    7.66250  3.6840 0.0002296
## EYS2016     -1.94997    0.57325 -3.4016 0.0006700
## 
## Rho: 0.59078, LR test value: 7.9343, p-value: 0.0048507
## Asymptotic standard error: 0.1559
##     z-value: 3.7894, p-value: 0.00015101
## Wald statistic: 14.36, p-value: 0.00015101
## 
## Log likelihood: -58.54132 for lag model
## ML residual variance (sigma squared): 4.7513, (sigma: 2.1798)
## Number of observations: 26 
## Number of parameters estimated: 4 
## AIC: 125.08, (AIC for lm: 131.02)
## LM test for residual autocorrelation
## test value: 0.036687, p-value: 0.8481

3.3 Model 3 : GSM/SARMA Model

gsm<-sacsarlm(p.miskin16~EYS2016,data=data.jabar,nb2listw(w))
summary(gsm)
## 
## Call:
## sacsarlm(formula = p.miskin16 ~ EYS2016, data = data.jabar, listw = nb2listw(w))
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.0817 -1.2815 -0.1627  1.1317  6.7128 
## 
## Type: sac 
## Coefficients: (asymptotic standard errors) 
##             Estimate Std. Error z value  Pr(>|z|)
## (Intercept) 38.02312    8.19667  4.6388 3.504e-06
## EYS2016     -2.15311    0.59378 -3.6261 0.0002877
## 
## Rho: -0.14689
## Asymptotic standard error: 0.38983
##     z-value: -0.3768, p-value: 0.70633
## Lambda: 0.69352
## Asymptotic standard error: 0.23014
##     z-value: 3.0135, p-value: 0.0025829
## 
## LR test value: 8.8931, p-value: 0.011719
## 
## Log likelihood: -58.06189 for sac model
## ML residual variance (sigma squared): 4.3254, (sigma: 2.0797)
## Number of observations: 26 
## Number of parameters estimated: 5 
## AIC: 126.12, (AIC for lm: 131.02)