Panduan Operasional Analisis Data Spasia

PANDUAN OPERASIONAL
PENGOLAHAN DATA SPASIAL
Dengan Software:
N

OpenJump
OpenGeoDa
GWR4
ArcView

Rindang Bangun Prasetyo
18/05/2014

Panduan Operasional Pengolahan Data Spasial
Software yang digunakan:
1. OpenJump: untuk proses penyimpanan/ penggabungan data (format csv, comma
delimited) ke dalam file peta (shapefile).
2. OpenGeoDa: untuk pengecekan korelasi spasial dan heterogenitas serta untuk regresi
Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM).
3. GWR4: untuk estimasi model Geographically Weighted Regression (GWR).
4. ArcView: untuk pembuatan peta tematik.

2.1. OpenJump
Tahap 1. Menyiapkan file peta (shapefile)
Tampilan Windows

Langkah
1. Buka aplikasi OpenJUMP
dengan double click pada
sortcut

2. Pilih menu File  Open atau
icon

3. Muncul dialog Open file, Pilih
direktori penyimpanan file,
kemudian ubah pilihan “Files
of type” menjadi “Esri
Shapefile (*.shp)” kemudian
klik nama file peta yang
sesuai. Pada contoh ini nama
file yang kita pilih adalah:

“3517desa.shp”. Kemudian
klik Finish

4. File peta akan dimunculkan
pada folder working

1

Tahap 2. Menyiapkan file data (file *.csv)
TIPS

File data yang digunakan berekstensi csv (comma delimited), dapat diperoleh
dari menu File Save As pada SPSS dan File Save As Ms. Excel.

Tampilan Windows

Langkah

1. Pilih menu File  Open atau
icon

2. Ubah pilihan “Files of type”
menjadi “Csv (auto)”. Cari
nama file data yang disimpan.
Pada contoh ini pilih
“data279.csv” pada folder
DataPelatihan kemudian klik
Finish

3. Pada Folder working akan
bertambah file bernama “data
279”

4. Klik
untuk melihat data
pada file tersebut.

2

Tahap 3. Menggabungkan data pada peta

Tampilan Windows

Langkah
1. Klik kanan pada data klik
“Editable”. Selanjutnya klik kanan
kembali pada data dan pilih
“View/Edit Schema”

2. Ubah Data Type pada variabel
“kode” (variabel yang dijadikan kunci
untuk matching dengan data di file
shapefile) menjadi “Integer”,
sementara variabel lainnya (Y, X1,
X2, X3, X4, X5, X6) diubah Data
Type-nya menjadi “Double”, dan
biarkan variabel “Geometry”
(variabel ini dibuat oleh OpenJump
untuk digunakan sebagai informasi
geografis). Kemudian klik Apply
Changes, dan tutup dialog tersebut.

3. Pilih file “3517desa” dibawah
folder “Working” dengan cara klik
pada nama tersebut.

4. Selanjutnya klik Menu Tools
Edit Attributes  Join Table.

5. Muncul window Join Table, pilih
Base layer dengan nama shapefile
yaitu “3517desa” dengan unik ID
dipilih “KODE_DES” dan pilih atribut
layer yang akan dijoin “Data 279”
dengan unik ID “Kode”. Kemudian
klik OK.

3

Tampilan Windows

Langkah

6. Setelah selesai akan tampil di
folder Result dua file yakni join
result dan unmatched items.

TIPS

Unique IDs harus diisi dengan variabel yang menjadi kunci untuk proses
matching (pada file peta bernama “KODE_DES” pada file data bernama “kode”).

Tahap 4. Menghapus data yang unmatched dengan fasilitas “Query”
Tampilan Windows

Langkah
1. Pilih file “3517desa – join result”
pada folder “Result”, selanjutnya
klik

2. Muncul jendela Attributes
dimana terlihat kode desa yang
tidak match tidak ada isian

datanya (blank). Kita akan
melakukan penghapusan
terhadap observasi (desa) yang
seperti ini dari dalam file hasil
penggabungan (join result).

3. Klik menu Tools  Simple
Query

4

Tampilan Windows

Langkah
4. Muncul kotak dialog Query Builder.

 Beri tanda cek hanya pada pilihan “Create a
New Layer” dalam grup Results.

 Pastikan isian pada kotak pilihan Layer berisi

nama file hasil penggabungan data (dalam
hal ini bernama “3517desa – join result”).
Kemudian pilih isian pada kotak pilihan
Attribute dengan nama variabel kunci pada
proses matching (dalam hal ini bernama
“Kode (INTEGER)”).

 Berikutnya isikan kotak Function dengan
pilihan “is null”, kotak Operator pada pilihan
“=”, dan kotak Value pada pilihan “false”.

 Klik tombol Valid untuk mengeksekusi
proses penghapusan data yang tidak match.
5. OpenJump
menambahkan
satu
bernama:
“3517desa - joinresult_kode_=_false”

file

6. Untuk melihat hasilnya dapat diklik

Tahap 5. Menyimpan file hasil “Query” dalam format file peta.
Tampilan Windows

Langkah
1. Klik kanan file “3517joinresult_Kode_=_false”

5

Tampilan Windows

Langkah
2. Muncul menu popup selanjutnya pilih dan
klik pada menu “Save Dataset As”

3. Pada window Save Dataset As:

 Pilih Format “ESRI Shapefile”. Pilihan ini

memastikan bahwa file peta yang akan kita
simpan adalah dalam format .shp

 Selanjutnya pada kotak isian File name
isikan nama file: misalkan dengan
“3517desaJoin.shp”. Perhatikan bahwa
OpenJump menghendaki penulisan nama
lengkap dengan extension-nya (dalam hal
ini extension berupa “.shp”). Jika tidak,
OpenJump akan menampilkan pesan error.

 Klik tombol OK. OpenJump selanjutnya
akan melakukan proses penyimpanan.

2.2. OpenGeoDa
Tahap 1. Membuka Shapefile yang sudah berisi data pengamatan (hasil join)
Tampilan Windows

Langkah
1. Buka GeoDa dengan double

click pada file.
2. Klik File  Open Shapefile

6

Tampilan Windows

Langkah
3. Muncul dialog open shapefile,
pilih direktori penyimpanan dan
shapefile dari tahapan sebelumnya (3517desaJoin.shp),
Klik Open.

4. File akan terbuka pada jendela
Map.

Tahap 2. Membuat file matriks penimbangspasial (spatial weight matrix)
Tampilan Windows

Langkah
1. Klik Tools  Weight  Create

2. Muncul window Weights File
Creation, pada isian Weights
File ID Variable pilih nama
variabel
identitas
desa/kelurahan yakni “Kode”.
Pilih Category Wieght misalkan
dengan
Queen
Category.
Selanjutnya klik Create.

7

Tampilan Windows

Langkah
3. Muncul dialog penyimpanan
file penimbang. Pilih direktori
penyimpanan dan isi nama file
misalnya dengan nama:
3517desaJoin.gal
selanjutnya Klik Save

4. OpenGeoda akan melakukan
proses pembuatan matriks
penimbang

Tahap 3. Menghitung Indeks Global Moran’s I
Tampilan Windows

Langkah
1. Klik Space  Univariate Moran’s I

2. Muncul dialog Variable Setting. Klik nama
variabel yang akan dihitung indeks Global
Moran’s I nya. Dalam contoh ini variabel
yang dipilih adalah variabel respon Y
(persentase RT miskin). Kemudian klik
tombol OK untuk memulai proses
penghitungan indeks.

8

3. OpenGeoda akan menghitung nilai indeks
Global Moran’s I dan menampilkannya
dalam bentuk grafik di sebelah kiri.
Untuk menampilkan uji signifikansi dari
nilai indeks tersebut klik kanan pada area
sekitar grafik kemudian klik “Display
Statistics”.

Tahap 4. Mengestimasi Model Regresi Clasik
Variabel respon

: Y = Persentase rumah tangga miskin

Variabel bebas

: X1 = Status kepemilikan bangunan
X2 = Jenis atap bangunan tempat tinggal
X3 = Jenis lantai bangunan tempat tinggal
X4 = Sumber penerangan
X5 = Tingkat pendidikan Kepala Rumah Tangga
X6 = Kepemilikan Aset

Tampilan Windows

Langkah
1. Klik menu Methods  Regression

2. Muncul window Regression. Masukkan
variabel respon (Y) ke dalam kotak isian
Dependent Variable, dan variabelvariabel bebas (X1-X6) ke dalam kotak
isian Covariates.
Selanjutnya beri tanda cek pada kotak
pilihan “Weights File” dan pastikan
nama file sudah sesuai dengan nama
file penimbang spasial yang digunakan.
Jika belum, klik tombol
untuk
memilih file penimbang yang sesuai.
Pada grup Models kita dapat memilih
salah satu dari tiga model regresi
(Classic, Spatial Lag, atau Spatial
Error). Pada tahap awal ini pilih Classic.
Klik tombol “Run” untuk memulai proses
estimasi model regresi

9

Tampilan Windows

Langkah
3. Muncul jendela yang menampilkan
output estimasi model regresi dan
diagnosa terhadap residual model
regresi yang dihasilkan

Tahap 5. Melakukan Diagnosa Residual Model Regresi
SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION
Data set
: 3517desaJoin
Dependent Variable :
Y Number of Observations: 279
Mean dependent var : 22.0354 Number of Variables : 7
S.D. dependent var : 7.97753 Degrees of Freedom : 272

1

R-squared
: 0.365500 F-statistic
:
26.114
Adjusted R-squared : 0.351504 Prob(F-statistic) :1.74999e-024
Sum squared residual: 11266.1 Log likelihood
: -911.802
Sigma-square
: 41.4194 Akaike info criterion :
1837.6
S.E. of regression : 6.43579 Schwarz criterion : 1863.02
Sigma-square ML : 40.3802
S.E of regression ML: 6.35454
----------------------------------------------------------------------Variable Coefficient
Std.Error t-Statistic Probability
----------------------------------------------------------------------CONSTANT
53.88923
7.001124
7.697226 0.0000000
X1 -0.2062281 0.05416338
-3.807519 0.0001735
X2 -1.075101
0.2418714
-4.444929 0.0000128
X3 0.1010237 0.01793762
5.631947 0.0000000
X4 0.4324189
0.1871115
2.311023 0.0215796
X5 -0.281028 0.07636555
-3.680036 0.0002811
X6 -0.0694462 0.03461881
-2.006025 0.0458434
----------------------------------------------------------------------REGRESSION DIAGNOSTICS
MULTICOLLINEARITY CONDITION NUMBER 57.046727
TEST ON NORMALITY OF ERRORS
TEST
DF
VALUE
PROB
Jarque-Bera
2
22.04446
0.0000163
DIAGNOSTICS FOR HETEROSKEDASTICITY
RANDOM COEFFICIENTS
TEST
DF
VALUE
PROB
Breusch-Pagan test 6
19.86236
0.0029300
Koenker-Bassett test 6
13.95524
0.0301401
SPECIFICATION ROBUST TEST
TEST
DF
VALUE
PROB
White
27
35.56384
0.1251504

2

3
DIAGNOSTICS FOR SPATIAL DEPENDENCE
FOR WEIGHT MATRIX : 3517desaJoin.gal (row-standardized weights)
TEST
MI/DF
VALUE
PROB
Moran's I (error)
0.266089 7.2349091
0.0000000
Lagrange Multiplier (lag)
1
34.0857466
0.0000000
Robust LM (lag)
1
0.8493971
0.3567230
Lagrange Multiplier (error) 1
46.5922056
0.0000000
Robust LM (error)
1
13.3558561
0.0002576
Lagrange Multiplier (SARMA) 2
47.4416027
0.0000000
========================= END OF REPORT ==============================
1. Berdasarkan hasil regresi clasik, Nilai R-squared yang diperoleh yaitu 0,3655 dan
nilai AIC sebesar 1837,6. Seluruh variabel bebas memberikan pengaruh yang nyata
terhadap variabel respon pada tingkat kepercayaan 95% sehingga model yang
dihasilkan yaitu:
yˆi  53,89  0, 21X1i  1,07 X2i  0,10 X3i  0, 43 X4i  0, 28 X5i  0,07 X6i

10

2. Adanya pengaruh spasial dalam variabel yang diteliti dapat diamati dari output
dibawah judul “Diagnostic for heteroskedasticity” yang menguji permasalahan
heteroskedastisitas (varians residual yang tidak konstan dan diduga terkait dengan
heterogenitas spasial). Nilai PROB Breusch–Pagan test di bawah 0,05 menunjukkan
bukti yang signifikan adanya pengaruh heterogenitas spasial dalam model.
3. Hasil Diagnostic for spatial dependence digunakan untuk mengetahui permasalahan
korelasi spasial. Nilai PROB di bawah 0,05 Uji Lagrange Multiplier baik untuk lag
maupun error menunjukkan bukti yang signifikan bahwa terdapat pengaruh korelasi
spasial dalam model yang diteliti.
Tahap 6. Model Regresi Spatial Lag atau Spatial Autoregressive Model (SAR)
Tampilan Windows

Langkah
1 Melalui klik sub menu Regression
pada Methods, muncul window
Regression. Masukkan variabel respon
(Y) ke dalam kotak isian Dependent
Variable, dan variabel-variabel bebas
(X1-X6) ke dalam kotak isian
Covariates.
Sebagaimana
pada
pembahasan
sebelumnya, beri tanda cek pada
kotak
pilihan
“Weights
File”.
Selanjutnya pada grup Models kita
pilih Spatial Lag. Kemudian klik tombol
“Run” untuk memulai proses estimasi
model regresi Spatial Lag.

5. Muncul jendela yang menampilkan
output estimasi model regresi Spatial
Lag

Output SAR:
SUMMARY OF OUTPUT: SPATIAL LAG MODEL - MAXIMUM LIKELIHOOD ESTIMATION
Data set
: 3517desaJoin
Spatial Weight
: 3517desaJoin.gal
Dependent Variable :
Y Number of Observations: 279
Mean dependent var : 22.0354 Number of Variables : 8
S.D. dependent var : 7.97753 Degrees of Freedom : 271

11

Lag coeff. (Rho) :

0.323243

R-squared
: 0.439787 Log likelihood
: -897.625
Sq. Correlation : Akaike info criterion : 1811.25
Sigma-square
: 35.6525 Schwarz criterion :
1840.3
S.E of regression : 5.97097
----------------------------------------------------------------------Variable Coefficient Std.Error
z-value Probability
----------------------------------------------------------------------W_Y
0.323243 0.06215227
5.200823 0.0000002
CONSTANT
45.35567
6.678984
6.790804 0.0000000
X1 -0.1747721 0.05033122
-3.47244 0.0005158
X2 -0.8999638
0.2259566
-3.982905 0.0000681
X3 0.07046762 0.01793892
3.928198 0.0000856
X4 0.3742023
0.1736292
2.155181 0.0311476
X5 -0.2648372
0.0709371
-3.733409 0.0001890
X6 -0.06337455 0.03212145
-1.972967 0.0484992
REGRESSION DIAGNOSTICS
DIAGNOSTICS FOR HETEROSKEDASTICITY
RANDOM COEFFICIENTS
TEST
DF VALUE
PROB
Breusch-Pagan test
6
25.18306 0.0003158
DIAGNOSTICS FOR SPATIAL DEPENDENCE
SPATIAL LAG DEPENDENCE FOR WEIGHT MATRIX : 3517desaJoin.gal
TEST
DF
VALUE
PROB
Likelihood Ratio Test
1
28.35501 0.0000001
========================= END OF REPORT==============================

1. Model yang dihasilkan yaitu:

yˆi  45,36  0,32


n

j 1,i  j

wij y j  0,17 X1i  0,9 X 2i  0, 07 X3i  0,37 X 4i  0, 26 X5i  0, 06 X6i

2. Pada model regresi Spatial Lag, pengaruh korelasi spasial diakomodir dalam model
dengan memasukkan variabel penimbang spasial (dalam contoh ini variabel tersebut
bernama W_Y). Perhatikan nilai di bawah kolom Probability untuk variabel ini. Nilai <
0,05 menunjukkan bukti bahwa penambahan variabel ini signifikan berpengaruh dalam
model. Di samping itu pada output Diagnostic for Spatial Dependence nilai di bawah
kolom PROB yang juga menunjukkan angka < 0,05 menunjukkan bukti bahwa model
regresi spasial memberikan penjelasan lebih baik daripada model regresi Classic. Selain
itu berdasarkan Nilai R-squared dan AIC, R-squared dari model Spatial Lag (0.439787)
lebih besar dari pada regresi clasik (0,3655) dan nilai AIC model Spatial Lag (1811.25)
lebih kecil dari pada regresi clasik (1837,6) sehingga dapat disimpulkan Model SpaTial
Lag memberikan hasil estimasi yang lebih baik.
3. Perhatikan nilai di bawah kolom PROB pada output Diagnostic for heteroskedasticity.
Statistik: Breusch–Pagan test dengan nilai PROB