autokorelasi
DESCRIPTION
Mengidentifikasi Pola Spasial dan Autokorelasi Spasial Tingkat Pengangguran Terbuka Kabupaten/Kota di Kalimantan Selatan Tahun 2014TRANSCRIPT
-
1
AbstrakTujuan dari penelitian ini adalah mengidentifikasi pola spasial dan autokorelasi spasial tingkat
pengangguran terbuka antar kabupaten/kota di Kalimantan
Selatan. Pola spasial atau Spatial pattern adalah sesuatu yang
berhubungan dengan penempatan objek atau susunan benda di
permukaan bumi. Autokorelasi spasial merupakan analisis
untuk spatial pattern penyebaran titik dengan membedakan
lokasi dan atributnya yang dapat dilakukan secara global
maupun lokal. Berdasarkan perhitungan VTMR disimpulkan
bahwa tingkat pengangguran terbuka antar kabupaten/kota di
Kalimantan Selatan memiliki pola random. Identifikasi
dependensi wilayah kabupaten/kota di Kalimantan Selatan
berdasarkan tingkat pengangguran terbuka menggunakan
metode MoranI dan Gearys C secara global. Hasil perhitungan menunjukan bahwa tidak ada autokorelasi spasial.
Kata KunciPola, Autokorelasi, Spasial, VTMR, Morans I, Gearys C.
I. PENDAHULUAN
i Indonesia tidak asing lagi dengan istilah
pengangguran. Setiap provinsi di Indonesia memiliki
jumlah presentase yang berbeda-beda. Pengangguran
atau tuna karya adalah istilah untuk orang yang tidak bekerja
sama sekali, sedang mencari kerja, bekerja kurang dari dua
hari selama seminggu, atau seseorang yang sedang berusaha
mendapatkan pekerjaan yang layak[1]. Pengangguran
umumnya disebabkan karena jumlah angkatan kerja atau para
pencari kerja tidak sebanding dengan jumlah lapangan kerja
yang ada yang mampu menyerapnya. Pengangguran
seringkali menjadi masalah dalam perekonomian karena
dengan adanya pengangguran, produktivitas dan pendapatan
masyarakat akan berkurang sehingga dapat menyebabkan
timbulnya kemiskinan dan masalah-masalah sosial lainnya.
Pengangguran terbuka adalah angkatan kerja yang sama
sekali tidak mempunyai pekerjaan. Pengangguran ini terjadi
karena angkatan kerja tersebut belum mendapat pekerjaan
padahal telah berusaha secara maksimal atau dikarenakan
faktor malas mencari pekerjaan atau malas bekerja.
Kalimantan Selatan merupakan salah satu provinsi di
Indonesia yang masih terbelenggu dengan permasalahan
sosial pengangguran. Terdapat 13 kabupaten/kota di Provinsi
Kalimantan Selatan. Setiap kabupaten/kota memiliki
persentase pengangguran yang berbeda-beda[2]. Tingkat
pengangguran dapat dihitung dengan cara membandingkan
jumlah pengangguran dengan jumlah angkatan kerja yang
dinyatakan dalam persen.
Pola spasial atau spatial pattern adalah sesuatu yang
berhubungan dengan penempatan objek atau susunan benda
di permukaan bumi. Setiap perubahan spatial pattern akan
mengilustrasikan proses spasial yang ditunjukkan oleh faktor
lingkungan atau budaya spatial pattern suatu objek geografis
merupakan hasil dari proses fisik atau sosial di suatu lokasi
dipermukaan bumi. Spatial pattern akan menjelaskan tentang
distribusi dari fenomena geografis serta perbandingannya
dengan fenomena lainnya[3].
Autokorelasi spasial merupakan analisis untuk spatial
pattern penyebaran titik dengan membedakan lokasi dan
atributnya yang dapat dilakukan secara global maupun lokal.
Untuk pengecekan secara global dapat menggunakan Morans I, Gearys C, dan Getis G. Namun untuk pengecekan secara lokal biasa disebut dengan LISA (Local indicators of spatial
association) dengan ukuran Morans Ii dan Getis Gi[4]. Sehingga dalam penelitian ini dibahas pola spasial dan
autokorelasi spasial tingkat pengangguran terbuka
kabupaten/kota di Kalimantan Selatan. Pola spasial
menunjukan pola pesebaran data dan autokorelasi
menunjukan dependensi data antar wilayah pengamatan.
II. TINJAUAN PUSTAKA
A. Pola Spasial atau Spatial Pattern Pola spasial atau spatial pattern adalah sesuatu yang
berhubungan dengan penempatan objek atau susunan benda
di permukaan bumi. Setiap perubahan spatial pattern akan
mengilustrasikan proses spasial yang ditunjukkan oleh faktor
lingkungan atau budaya spatial pattern suatu objek geografis
merupakan hasil dari proses fisik atau sosial di suatu lokasi
dipermukaan bumi. Spatial pattern akan menjelaskan tentang
distribusi dari fenomena geografis serta perbandingannya
dengan fenomena lainnya. Spatial pattern dapat disajikan
dalam bentuk pola titik (point pattern) dan pola area,
sedangkan bentuk distribusi data pada spatial pattern antara
lain adalah random, uniform, dan clustered. Beberapa metode untuk mendeteksi pola spasial pada data titik, diantaranya
adalah Quadrat Analysis, Kernel Density Estimation (K
means), dan Nearest Neighbor Distance. Terdapat beberapa
pendekatan untuk mengetahui pola spasial melalui quadrat
analysis, diantaranya pendekatan Variance-to-Mean Ratio
(VTMR).
VTMR menggunakan perhitungan rasio antara mean
dan variance dengan menggunakan rumus berikut.
Mengidentifikasi Pola Spasial dan Autokorelasi Spasial Tingkat Pengangguran Terbuka Kabupaten/Kota di Kalimantan Selatan
Tahun 2014
Muktar Redy Susila,
Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
Email : [email protected]
D
-
2
2( )
12
1
1
mx xi
iSmVTMR
m xxi
i
m
(1)
Dengan m merupakan quadrat dan xi adalah jumlah titik
pada quadrat ke-i. Keputusannya jika VTMR >1 maka
cenderung berpola clustered, sedangkan jika VTMR
mendekati 1 akan cenderung berpola random dan bila VTMR
mendekati 0 cenderung berpola uniform. Untuk mengetahui
signifikansi pola pengelompokkan pada metode ini maka
dilakukan pengujian hipotesis berikut.
H0 : Data tidak berpola mengelompok (clustered)
H1 : Data berpola mengelompok (clustered)
Statistik uji: 2( 1)m S
x
(2)
Keputusan adalah Tolak H0 jika nilai statistik uji lebih dari 2
( 1),m dengan =5%.
B. Autokorelasi Spasial Autokorelasi spasial merupakan analisis untuk spatial
pattern penyebaran titik dengan membedakan lokasi dan
atributnya yang dapat dilakukan secara global maupun lokal.
Untuk pengecekan secara global dapat menggunakan Morans I, Gearys C, dan Getis G. Namun untuk pengecekan secara lokal biasa disebut dengan LISA (Local indicators of spatial
association) dengan ukuran Morans Ii dan Getis Gi. Maka sebelum melakukan pengecekan autokorelasi ditentukan
terlebih dahulu susunan matriks pembobot (W). Matriks
pembobot secara umum dibedakan menjadi tiga, yakni
continguity, distance, serta bobot berdasarkan akses dan
potensial. Matriks pembobot continguity sendiri dibedakan
menjadi tiga yaitu rook, bishop, serta queen.
i. Global Morans I, Gearys C, dan Getis G
Pengecekan secara global menggunakan Morans I menggunakan persamaan berikut.
*
1 1
2
1
( )( )
( )
n n
ij i j
i j
n
i
i
W x x x x
I
x x
(3)
Untuk mengetahui apakah indeks Morans I menunjukan adanya autokorelasi spasial maka dilakukan pengujian
Morans I dengan hipotesis. H0: Tidak terdapat autokorelasi spasial
H1: Terdapat autokorelasi spasial
Statistik Uji :
( )
var( )I
I E IZ
I
(4)
Dengan 1
( )1
E In
(5)
2 221 2 0
2 20
3var( ) ( )
( 1)
n S nS SI E I
n S
(6)
0
1 1
n n
ij
i j
S w
(7)
2
1
1 1
1
2
n n
ij ji
i j
S w w
(8)
22 .1
n
i i
i
S w w
(9)
Keputusan adalah Tolak H0 jika nilai statistik uji lebih dari
1Z .
Interpretasi Morans I dapat dilihat melalui garis regresi yang menggambarkan hubungan linear melalui scatterplot
antara kejadian atau kasus dengan pembobotnya[5]. Morans scatter atau Morans scatterplot juga dapat digunakan untuk mengidentifikasi tipe hubungan spasial lokal yang
digambarkan pada Tabel 1.
Tabel 1. Tipe Hubungan Spasial Lokal
HIGH LOW
Variabel (X) HIGH Kuadran I: HH Kuadran IV: HL
LOW Kuadran II: LH Kuadran III: LL
Untuk pengecekan secara global dengan menggunakan
Gearys C adalah sebagai berikut.
2
1 1
2
1
( 1) ( )
2 ( )
n n
ij i j
i j
n
i
i
n W x x
C
n x x
(10)
Jika 0 C < 1 maka dapat disimpulkan autokorelasi positif dan 0 < C 2 maka dapat disimpulkan autokorelasi negatif.
ii. LISA Morans I
Analisis autokorelasi spasial global bertujuan meringkas
kekuatan dependensi spasial dengan statistik, informasi rinci
tentang pengelompokan spasial dapat diperoleh dari Local
indicators of spatial association (LISA). Ukuran LISA yang
paling sering digunakan adalah Morans Ii. Statistik lokal Morans digunakan untuk dua tujuan yaitu mencari Indikator dari cluster spasial lokal serta untuk mendiagnosa adanya
outlier dalam spatial pattern secara global. Statistik uji
Morans lokal adalah[4]
1
2
1
( ) ( )
( )
n
i ij j
ji n
j
j
x x W x x
I
x x
n
(11) Sedangkan hubungan antara statistik Morans global dan lokal yaitu
1
1n
i
i
I In
(12)
-
3
III. METODOLOGI
A. Data Penelitian
Data yang digunakan dalam penelitian adalah data tingkat
pengangguran terbuka kabupaten/kota di Kalimantan Selatan.
Data yang digunakan merupakan data sekunder yang
diperoleh dari BPS Kalimantan Selatan tahun 2014.
Tabel 2. Variabel Data Bulanan
No Daerah Tingkat Pengangguran
Terbuka (TPT)
1 Kab. Tanah Laut 2,93
2 Kab. Kotabaru 3,94
3 Kab. Banjar 3,29
4 Kab. Barito Kuala 2,21
5 Kab. Tapin 1,79
6 Kab. Hulu Sungai Selatan 2,64
7 Kab. Hulu Sungai Tengah 4,05
8 Kab. Hulu Sungai Utara 3,37
9 Kab. Tabalong 4,12
10 Kab. Tanah Bumbu 4,76
11 Kab. Balangan 1,34
12 Kota Banjarmasin 6,02
13 Kota Banjarbaru 5,35
B. Langkah Analisis
Langkah-langkah analisis yang dilakukan dalam
penelitian ini adalah sebagai berikut.
1. Mendeskripsikan data tingkat pengangguran terbuka di Kalimanatan Selatan tahun 2014.
2. Mencari pola spasial atau spatial pattern. 3. Melakukan pengujian autokorelasi spasial.
IV. ANALISIS DAN PEMBAHASAN
A. Karakteristik Tingkat Pengangguran Terbuka di Kalimantan Selatan
Tingkat pengangguran terbuka antar kabupaten/kota di
Kalimantan Selatan memiliki variansi yang cukup tinggi,
artinya tingkat pengangguran terbuka antar kabupaten/kota
berbeda-beda.
Tabel 3. Statistika Deskriptif Tingkat Penganguran Terbuka
Rata-rata Varians Minimum Maksimum
3,524 1,884 1,34 6,02
Rata-rata tingkat pengangguran terbuka di Kalimantan
Selatan yaitu 3,524. Tingkat pengangguran terbuka paling
tinggi pada tahun 2014 terdapat di Kota Banjarmasin.
Sedangkan tingkat pengangguran terbuka paling rendah yaitu
Kabupaten Balangan.
B. Identifikasi Pola Spasial
Beberapa metode untuk mendeteksi pola spasial pada data
titik, diantaranya adalah Quadrat Analysis, Kernel Density
Estimation (K means), dan Nearest Neighbor Distance.
Terdapat beberapa pendekatan untuk mengetahui pola spasial
melalui quadrat analysis, diantaranya pendekatan Variance-
to-Mean Ratio (VTMR). VTMR menggunakan perhitungan
rasio antara mean dan variance. Keputusannya jika VTMR >1
maka cenderung berpola clustered, sedangkan jika VTMR
mendekati 1 akan cenderung berpola random dan bila VTMR
mendekati 0 cenderung berpola uniform. Berdasarkan data
tingkat pengangguran terbuka di Kalimantan Selatan
didapatkan perhitungan VTMR sebagai berikut:
0,535VTMR
Didapat nilai VTMR cenderung mendekati 1, sehingga dapat
disimpulkan bahwa sebaran tingkat penganguran di
Kalimantan Selatan berpola random. Selain berdasarkan nilai
VTMR, pola sebaran dapat diuji dengan persamaan berikut.
2( 1)6,42
m S
x
Keputusan adalah data tidak berpola mengelompok pada taraf
=5%. Karena nilai statistik uji kurang dari 2( 1), 21,06m .
C. Identifikasi Autokorelasi Spasial
Autokorelasi spasial merupakan analisis untuk spatial
pattern penyebaran titik dengan membedakan lokasi dan
atributnya yang dapat dilakukan secara global maupun lokal.
Sebelum melakukan pengecekan autokorelasi ditentukan
terlebih dahulu susunan matriks pembobot (W). Matriks
pembobot secara umum dibedakan menjadi tiga, yakni
continguity, distance, serta bobot berdasarkan akses dan
potensial. Matriks pembobot continguity sendiri dibedakan
menjadi tiga yaitu rook, bishop, serta queen. Untuk
identifikasi autokorelasi spasial dengan metode Morans I dan Gearys C digunakan matriks pembobot spasial continguity queen yang berbasis sudut dan sisi berdasarkan pada peta
Provinsi Kalimantan Selatan.
Gambar 1. Peta Provinsi Kalimantan selatan
i. Identifikasi Autokorelasi dengan Global Morans I
Pengecekan secara global menggunakan Morans I merupakan pengecekan autokorelasi dengan asumsi lokasi
sama tetapi variabel berbeda dan berbasis covarians. Matrik
pembobot yang digunakan yaitu matrik pembobot yang
terstandarisasi.
-
4
1 1
2
1
( )( )
4,6670,206
22,6( )
n n
ij i j
i j
n
i
i
W x x x x
I
x x
Untuk mengetahui apakah indeks Morans I menunjukan adanya autokorelasi spasial maka dilakukan pengujian
Morans I.
( ) 0,206 ( 0,08)0,124
var( ) 1,044I
I E IZ
I
Nilai ZI dibandingkan dengan nilai Z1-. Dengan nilai = 5%
maka dipeoleh nilai Z1- tabel sebesar 1,6449. Sehingga dapat
diputuskan bahwa tidak terdapat aotukorelasi spasial, karena
nilai |ZI|< Z1- tabel.
ii. Identifikasi Autokorelasi dengan Global Gearys C
Analisis autokorelasi spasial global bertujuan meringkas
kekuatan dependensi spasial dengan statistik, secara umum
perhitungan atau pengecekan secara global dengan
menggunakan Gearys C berbasis pada varians. Matrik pembobot yang digunakan yaitu matrik pembobot yang
terstandarisasi.
2
1 1
2
1
( 1) ( )
(13 1)(49,13)1,003
(2)(13)(22,61)2 ( )
n n
ij i j
i j
n
i
i
n W x x
C
n x x
Didapatkan 0 < C 2 maka dapat disimpulkan autokorelasi negatif. Sehingga tidak ada autokorelasi spasial tingkat
pengangguran terbuka antar kabupaten/kota di Kalimantan
Selatan.
iii. Scatterplot Morans I
Interpretasi Morans I dapat dilihat melalui garis regresi yang menggambarkan hubungan linear melalui scatterplot
antara kejadian atau kasus dengan pembobotnya. Berikut ini
disajikan Morans Scatterplot untuk melihat sebaran tingkat pengangguran terbuka di beberapa lokasi ke dalam empat
kuadran.
Gambar 2. Scatterplot Morans I Tingkat Pengangguran Terbuka
Berdasarkan gambar 2 kuadran I (kanan atas) menunjukkan
kuadran dengan tingkat pengangguran terbuka tinggi
sementara kuadran III (kiri bawah) menunjukkan kuadran
dengan tingkat pengangguran terbuka rendah. Berikut adalah
pengelompokan kabupaten/kota berdasarkan scatterplot
tersebut.
Tabel 4. Tipe Hubungan Spasial Lokal
L X
X
High Kuadran I : HH Kuadran IV : HL
Kab.Tanah Laut, Kab. Balangan,
Kab. Barito Kuala, Kab. Banjar,
Kab. Hulu Sungai Selatan
Low Kuadran II : LH Kuadran III : LL
Kab. Kota Baru, Kab.
Tanah Bumbu, Kota
Banjarbaru, Kota
Banjarmasin, Kab.
Hulu Sungai Tengah,
Kab. Tabalong.
Kab. Tapin, Kab. Hulu Sungai
Utara
Kabupaten/kota yang kuadran III (kiri bawah) yaitu
Kabupaten Tapin dan Kabupaten Hulu Sungai Utara
merupakan kabupaten dengan tingkat pengangguran terbuka
rendah.
iv. Identifikasi Secara Lokal Menggunakan Morans I
Analisis autokorelasi spasial global bertujuan meringkas
kekuatan dependensi spasial dengan statistik, informasi rinci
tentang pengelompokan spasial dapat diperoleh dari Local
indicators of spatial association (LISA). Ukuran LISA yang
paling sering digunakan adalah Morans Ii. Statistik lokal Morans digunakan untuk dua tujuan yaitu mencari Indikator dari cluster spasial lokal serta untuk mendiagnosa adanya
outlier dalam spatial pattern secara global.
Tabel 5. Nilai Local Morans I
Kabupaten/Kota Local Moran
Kab. Tanah Laut -0,32
Kab. Kotabaru -0,08
Kab. Banjar -0,02
Kab. Barito Kuala -0,13
Kab. Tapin 0,81
Kab. Hulu Sungai Selatan 0,00
Kab. Hulu Sungai Tengah -0,21
Kab. Hulu Sungai Utara 0,04
Kab. Tabalong -0,40
Kab. Tanah Bumbu -0,23
Kab. Balangan -0,44
Kota Banjarmasin -1,12
Kota Banjarbaru -0,44
Dipeoleh nilai rata-rata dari local Morans I sebesar -0,20. Kabupaten/Kota yang memiliki nilai local Morans I negatif merupakan outlier.
V. KESIMPULAN
Berdasarkan hasil analisis dan pembahasan yang telah
dilakukan maka dapat ditarik kesimpulan bahwa pola sebaran
dari tingkat pengangguran terbuka di Kalimantan Selatan
yaitu random. Tingkat pengangguran terbuka di Kalimantan
Selatan tidak berautokorelasi spasial. Sehingga tingkat
654321
4.5
4.0
3.5
3.0
2.5
Xi
Lxi
3.524
3.264Kota Banjarbaru
Kota Banjarmasin
Kab. Balangan
Kab. Tanah Bumbu
Kab. Tabalong
Kab. Hulu Sungai Utara
Kab. Hulu Sungai Tengah
Kab. Hulu Sungai Selatan
Kab. Tapin
Kab. Barito Kuala Kab. Banjar
Kab. Kotabaru
Kab. Tanah Laut
-
5
pengangguran terbuka tidak ada hubungan antar wilayah
kabupaten/kota di Kalimantan Selatan.
DAFTAR PUSTAKA
[1] Badan Pusat Statistik (2015). Tingkat Pengangguran Terbuka[On-line]
diakses 28 Maret 2015, tersedia di http://www.sirusa.bps.go.id.
[2] Badan Pusat Statistik Kalimantan Selatan(2015). Tenaga Kerja[On-line]
diakses 28 Maret 2015, tersedia di http://www.kalsel.bps.go.id.
[3] Anselin, L. dan Sergio, J.R.(2010). Perspectives Spatial Data Analysis.
New York: Springer.
[4] Anselin L (1995) Local indicators of spatial association LISA. Geogr Anal 27(2):93-115.
[5] Anselin L (1996) The moran scatterplot as an esda tool to assess local
instability in spatial association. In Fischer MM, Scholten HJ, Unwin D
(eds) Spatial analytical perspectives on GIS. CRC Press (Taylor and
Francis Group), Boca Raton [FL], London and New York, pp.111-125.