PANDUAN OPERASIONAL PENGOLAHAN DATA SPASIAL Persentase Rumah Tangga Miskin Kabupaten Jombang N
Dengan Software: OpenJump OpenGeoDa GWR4 ArcView
10
0
10
20 Kilometers
Persentase Rumah Tangga Miskin 5.56 - 18.65 18.65 - 28.31 28.31 - 55.58
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 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
1
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 X 2i 0,10 X 3i 0, 43 X 4i 0, 28 X 5i 0,07 X 6i
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 X 1i 0,9 X 2i 0, 07 X 3i 0,37 X 4i 0, 26 X 5i 0, 06 X 6i
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 <0,05 menunjukkan bukti masih adanya pengaruh heterogenitas spasial dalam model.
12
Tahap 7. Model Regresi Spatial Error Model (SEM) 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 variabelvariabel 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 Error. Kemudian klik tombol “Run” untuk memulai proses estimasi model regresi Spatial Error.
6. Muncul jendela yang menampilkan output estimasi model regresi Spatial Error
Output SEM: SUMMARY OF OUTPUT: SPATIAL ERROR MODEL - MAXIMUM LIKELIHOOD ESTIMATION Data set : 3517desaJoin Spatial Weight : 3517desaJoin.gal Dependent Variable : Y Number of Observations: 279 Mean dependent var : 22.035448 Number of Variables : 7 S.D. dependent var : 7.977528 Degrees of Freedom : 272 Lag coeff. (Lambda) : 0.497145 R-squared : 0.483599 R-squared (BUSE) :Sq. Correlation : Log likelihood : -891.219086 Sigma-square : 32.8643 Akaike info criterion : 1796.44 S.E of regression : 5.73274 Schwarz criterion : 1821.86 ----------------------------------------------------------------------Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------CONSTANT 48.66178 6.559592 7.418415 0.0000000 X1 -0.133644 0.0500235 -2.671624 0.0075486 X2 -0.8084231 0.2313124 -3.49494 0.0004743 X3 0.09833107 0.0221224 4.444865 0.0000088 X4 0.3236585 0.1518081 2.132024 0.0330047 X5 -0.2454122 0.07214629 -3.401592 0.0006700 X6 -0.05783839 0.03008888 -1.922251 0.0545740 LAMBDA 0.4971452 0.06720224 7.397748 0.0000000 -----------------------------------------------------------------------
13
REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 6 25.7535 0.0002475 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL ERROR DEPENDENCE FOR WEIGHT MATRIX : 3517desaJoin.gal TEST DF VALUE PROB Likelihood Ratio Test 1 41.16613 0.0000000 ========================= END OF REPORT==============================
1. Model regresi SEM yang dihasilkan yaitu:
yˆi 48, 66 0,13 X 1i 0,81X 2i 0,1X 3i 0,32 X 4i 0, 24 X 5i 0, 06 X 6i ui dimana: ui 0,5
n
j 1,i j
wij j
2. Pada model regresi Spatial Error, pengaruh korelasi spasial diakomodir dalam model dengan memasukkan variabel penimbang spasial LAMBDA. Perhatikan nilai 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 error memberikan penjelasan lebih baik daripada model regresi Classic. Selain itu berdasarkan Nilai R-squared dan AIC, Rsquared dari model Spatial Error yaitu 0.483599 lebih besar dari pada R-squared Spatial Lag (0.439787) dan regresi clasik (0,3655) dan nilai AIC model Spatial Lag yaitu 1796.44 lebih kecil dari pada regresi Spatial Lag (1811.25) dan clasik (1837,6) sehingga dapat disimpulkan Model SpaTial Error 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 <0,05 menunjukkan bukti masih adanya pengaruh heterogenitas spasial dalam model.
2.3. GWR4 Tahap 1. Penyiapan data Tampilan Windows
Langkah 1. Buka aplikasi GWR4 dengan double click pada sortcut.
14
2. Window GWR4 muncul. Pada tab “Step 1: Data” digunakan untuk mengeset data yang akan dianalisis. Selanjutnya lakukan: Tuliskan opsional)
judul
(bersifat
Klik tombol Browse untuk menentukan file data yang akan digunakan.
3. Akan muncul kotak dialog Open. Tipe file yang akan dipilih yaitu csv file (*.csv). Pilih folder tempat menyimpan file, kemudian klik nama file yang sesuai. Dalam contoh ini file data yang akan digunakan yaitu file data yang sudah terdapat variabel lintang dan bujur “3517desajoinXY.csv” Selanjutnya Klik Open Untuk memastikan bahwa file yang akan digunakan berhasil dibaca oleh aplikasi GWR4 klik tombol Open pada tab “Step 1: Data”. Jika file berhasil dibaca, GWR4 akan menampilkan angka pada kotak isian Number of fileds (banyaknya kolom/ variabel) dan Number of areas (banyaknya baris/observasi) dari data yang tersedia. Kita dapat meng-klik tombol View Data untuk melihat data tersebut secara lebih detil. Tahap 2: Penentuan variabel-variabel yang akan dimasukkan ke dalam model Tampilan Windows
Langkah 1. Klik pada tab “Step 2: Model” untuk menentukan model GWR
15
2. Tampilan akan berubah menjadi Step 2: Pada window ini Nama-nama variabel yang tersedia dalam file data dituliskan dalam kotak Variable (Field) list. Kita dapat memilih nama variabel yang diinginkan sebagai input dengan mengklik tombol “<” atau mengembalikan (tidak memilih) dengan mengklik “<” yang terletak di samping kotak-kotak isian yang disediakan.
Beberapa yang harus disetting pada tab Step 2 yaitu:
Pada tab Locatoinal Variabel, isikan sebagai berikut: ID Key (optional) yaitu kode identitas dari masing-masing wilayah, dalam contoh ini bernama KODE, X coordinate (Lon) variabel dari koordinat bujur dalam contoh ini bernama X_COORD_ dan Y coordinate (Lat) yaitu variabel dari koordinat lintang dalam contoh ini bernama Y_COORD_. Pilih Radio Button “Spherical” karena kita menggunakan variabel bujur dan lintang sebagai posisi geografis suatu wilayah.
Pilih Radio Button Gaussian pada grup Model Type karena kita akan menggunakan model regresi linier GWR.
Pada kotak grup Option beri tanda cek : “Geographical variability test” untuk keperluan uji koefisien model yang didapat dan “Standardization of independent variables” jika ingin menstandarkan nilai-nilai observasi dari variabel bebas.
Pada grup Regression variables, masukkan variabel respon (Y) ke dalam kotak isian Dependent variable dan semua variabel bebas (X1-X6) ke dalam grup Independent variables pada kotak isian Local (L).
Tahap 3: Penentuan “bandwidth” Tampilan Windows
Langkah 1. Klik pada tab “Step 3: Kernel” untuk menentukan kernel dan bandwidth yang digunakan.
16
2. Tampilan menjadi Step 3. Dalam tab ini kita akan memilih jenis penimbang (kernel type) dan metode pemilihan bandwith optmimum berdasarkan Selection Criteria. Pada contoh ini digunakan penimbang dari jenis Adaptive Gausssian (NN) dan dengan metode pemilihan bandwidth “Golden section search” Kemudian menggunakan kriteria AICc.
Tahap 4: Penyimpanan output hasil estimasi model GWR. Tampilan Windows
Langkah 1. Klik pada tab “Step 4: Output” untuk menentukan file output hasil estimasi.
2. Tampilan akan berubah seperti di samping. Pada tab ini kita akan menentukan lokasi dan nama output hasil estimasi. Klik tombol Browse pada grup Common outputs.
17
3. Akan muncul kotak dialog Save As. Pastikan kotak isian Save as type berisi Sgwr control file (*.ctl). kemudian ketik nama file, misalnya diberi nama GWRkemiskinan. Kotak dialog GWR4 tab Step 4 akan kembali aktif, Output pada grup Common outputs akan terisi keterangan file yang telah kita isikan (lihat tampilan di atas.
Tahap 5. Proses estimasi model. Tampilan Windows
Langkah 1. Klik pada tab “Step 5: Execute” untuk memulai proses estimasi. 2. Klik tombol “Execute this session”. Selanjutnya GWR4 akan melakukan proses estimasi.
3. Tunggu beberapa saat sampai GWR4 memunculkan informasi dengan teks “Program terminated” pada kotak hasil. Kita dapat melihat hasil estimasi pada kotak hasil dan juga melihat nilai estimasi koefisien variabel bebas pada model GWR dengan mengklik tombol “View the parameter estimates”. Hasil tersebut juga dapat dibuka pada file output yang kita set pada tab Step 4.
18
Output GWR: Melihat bandwith terbaik (Best Bandwidth) dan kriteria kebaikan model ***************************************************************************** GWR (Geographically weighted regression) result ***************************************************************************** Bandwidth and geographic ranges Bandwidth size: 54.000000 Coordinate Min Max Range --------------- --------------- --------------- --------------X-coord 112.106900 112.414660 33.923878 Y-coord -7.759780 -7.361630 44.272323 (Note: Ranges are shown in km.) Diagnostic information Residual sum of squares: 9048.099087 Effective number of parameters (model: trace(S)): 19.860615 Effective number of parameters (variance: trace(S'S)): 12.646332 Degree of freedom (model: n - trace(S)): 259.139385 Degree of freedom (residual: n - 2trace(S) + trace(S'S)): 251.925101 ML based sigma estimate: 5.694775 Unbiased sigma estimate: 5.992982 -2 log-likelihood: 1762.436095 Classic AIC: 1804.157326 AICc: 1807.704242 BIC/MDL: 1879.906638 CV: 42.100947 R square: 0.490415 Adjusted R square: 0.435431
Best Bandwidth dapat dilihat pada output dengan judul Bandwith and geographic ranges. Best Bandwidth yang dihasilkan adalah 54 yang artinya terdapat 54 tetangga yang signifikan memiliki hubungan spasial dengan suatu wilayah. Pada hasil GWR, Residual sum of squares sebesar 9048,099. Semakin kecil nilai Residual sum of squares , maka akan semakin baik model yang terbentuk. Pemilihan model terbaik dapat dilihat dari nilai residual sum of square, classic AIC, dan R square. Nilai Classic AIC sebesar 1804,157. Semakin kecil nilai AIC suatu model, maka semakin baik model yang terbentuk. Selain itu, AIC juga mempertimbangkan kesederhanaan model yang dibentuk. Semakin besar nilai R square, maka semakin baik model yang terbentuk. Nilai R square sebesar 0.4904 artinya variabel bebas yang ada dalam model dapat menjelaskan Y (kemiskinan) sebagai variabel respon sebesar 49,04%dan sisanya dijelaskan oleh variabel lain di luar model.
Melihat apakah model GWR lebih baik dari model OLS ***************************************************************************** GWR ANOVA Table ***************************************************************************** Source SS DF MS F ----------------- ------------------- ---------- --------------- ---------Global Residuals 11266.070 272.000 GWR Improvement 2217.971 20.075 110.485 GWR Residuals 9048.099 251.925 35.916 3.076214
Informasi tabel GWR ANNOVA digunakan untuk melihat apakah model GWR lebih baik dari
19
model OLS (regresi global). Model GWR lebih baik dari model OLS jika nilai sum square GWR residuals lebih kecil dari sum square global residuals. Hal ini dapat dibuktikan pula dengan uji F, yaitu dengan membandingkan nilai F hitung dengan F tabel apakah signifikan atau tidak. Pada hasil di atas, nilai F hitung sebesar 3,076214 dengan degree of freedom (20,075 ; 251,925) dan dengan tingkat signifikansi 0,05 maka diperoleh nilai F tabel sebesar 1,612557 atau dengan memasukkan nilai F hitung maka diperoleh p-value sebesar 0,00002 (diperoleh dari fungsi excel). Nilai tersebut berada dibawah tingkat singnifikasi 0,05 yang artinya model GWR signifikan lebih baik dari model OLS.
Melihat apakah variabel bebas secara signifikan bervariasi secara spasial ************************************************************************* Geographical variability tests of local coefficients ************************************************************************* Variable F DOF for F test DIFF of Criterion -------------------- ------------------ ---------------- ----------------Intercept 2210.079727 1.053 259.139 -639.499404 X1 6.057418 1.884 259.139 -7.635222 X2 3.202073 1.691 259.139 -1.828644 X3 6.904280 1.487 259.139 -7.373935 X4 10.346442 2.241 259.139 -18.696173 X5 60.673513 1.805 259.139 -94.134378 X6 10.066201 2.151 259.139 -17.384672 -------------------- ------------------ ---------------- ----------------Note: positive value of diff-Criterion (AICc, AIC, BIC/MDL or CV) suggests no spatial variability in terms of model selection criteria.
Untuk menguji apakah variabel bebas secara signifikan bervariasi secara spasial dapat dilihat pada informasi Geographical variability test of local coefficients. Nilai DIFF of criterion yang bernilai negatif menunjukkan bahwa variabel bebas tersebut signifikan memiliki variabilitas spasial atau heterogenitas spasial secara lokal. Output pada GWRkemiskinan_listwise.csv:
20
1.4. ArcView Tahap 1. Menjalankan software ArcView dan tampilan (window) utamanya. Tampilan Windows
Langkah 1. Buka aplikasi ArcView dengan klik pada sortcut. 2. Muncul window Welcome to ArcView GIS. Jika akan membuat suatu project baru, maka bisa memilih radio button with a new View atau as a blank project. Sedangkan jika akan membuka project yang sudah ada, bisa memilih Open an existing project. Misalnya kita pilih membuat project baru dengan memilih Create a new project with a new View, kemudian klik tombol OK. 3. Berikut tampilan dari ArcView dengan window utama yang aktif yaitu View.
4. Untuk menyimpan project, bisa dilakukan dengan mengklik tombol (Save Project) atau bisa juga melalui menu File Save Project, sehingga akan muncul window seperti di samping
21
Dalam satu project terdapat 5 tampilan (window) utama, yaitu: a. Views Digunakan untuk menampilkan dan memanipulasi peta. Window view merupakan lembar kerja kita untuk melakukan berbagai hal terkait dengan peta (themes) kita, tampilan window views seperti pada Tahap 1 Tampilan Windows 3. Tombol-tombol yang ada merupakan fasilitas khusus untuk tampilan view. Tombol tesebut tidak aktif sebelum kita menambahkan peta (themes) ke dalam window views. Untuk menambahkan peta dapat dilakukan melalui menu View Add Theme atau menekan tombol . Lakukan Add Theme untuk peta Kabupaten Jombang, setelah menekan tombol tersebut selanjutnya: Tampilan Windows
Langkah 1. Muncul window Add Theme. Tentukan lokasi drive dan folder yang berisi file peta (shapefile) yang akan kita buka. Selanjutnya pilih nama peta pada panel sebelah kiri, kemudian klik tombol OK (atau langsung double click pada nama file peta). 2. Sehingga peta tersebut akan muncul sebagai theme pada View. Untuk menampilkan peta pada View, bisa dilakukan dengan cara memberi tanda cek pada kotak di samping nama file
TIPS
22
Jumlah peta (theme) yang ditampilkan pada window view bisa lebih dari satu theme. Misalnya akan menambahkan theme baru berupa peta Jawa Timur atau peta Indonesia, bisa juga menambahkan peta yang sama yang ditambahkan kembali (berguna untuk membuat beberapa jenis tematik pada satu peta). Langkah-langkah yang dilakukan sama dengan langkah-langkah untuk menambahkan theme seperti di atas.
Tombol-tombol yang merupakan fasilitas dari window view akan aktif. Icon
Nama tombol Save Project
Fungsi Menyimpan project
Add Theme
Menambahkan theme (peta/gambar) ke dalam View
Theme Properties
Menampilkan properties dari suatu theme
Edit Legend
Mengedit legenda
Open Theme Table
Menampilkan tabel dari suatu theme
Find
Melakukan pencarian
Query Builder
Melakukan query
Zoom to Full Extent
Memperbesar/memperkecil sampai seluruh theme terlihat
Zoom to Active Theme(s)
Memperbesar/memperkecil sesuai theme yang sedang aktif
Zoom to Selected
Memperbesar/memperkecil sesuai feature yang dipilih
Zoom In
Memperbesar
Zoom Out
Memperkecil
Zoom to Previous Extent
Memperbesar/memperkecil sesuai view sebelumnya
Clear Selected Features
Menghilangkan pemilihan feature
Help
Bantuan
Identify
Menampilkan keterangan dari suatu feature
Pointer
Sebagai penunjuk (bisa untuk memilih feature)
Vertex Edit
Mengedit vertex (polyline/polygon)
Select Feature
Zoom Out
Memilih feature Memperbesar (bisa untuk memperbesar sesuai pemilihan melalui click and drag) Memperkecil
Pan
Menggeser View (click and drag)
Measure
Menghitung jarak
Label
Menampilkan label
Text Draw Point/Line/…/ Rectangle
Menambahkan tulisan/text Menambahkan/mengedit feature berupa titik/garis/lingkaran/ kotak dll.
Zoom In
b. Tables Digunakan untuk menampilkan tabel, baik tabel baru maupun tabel dari peta (theme) sedang aktif yang ada pada views. Tampilan tabel disampaikan pada Tahap 3. c. Charts Digunakan untuk menampilkan atau membuat grafik berdasarkan data yang terdapat pada peta atau tabel yang sedang aktif. d. Layouts Digunakan untuk membuat tampilan, terutama digunakan pada saat membuat output berupa print-out. Pembuatan layout akan dibahas pada tahap 4. e. Scripts Digunakan untuk membuat script program.
23
Tahap 2. Membuat peta tematik Window Legend Editor dapat dipanggil pada saat tampilan utama yang aktif adalah view: 1. Melalui menu Theme Edit Legend 2. Menekan (klik) tombol 3. Double click pada nama theme yang berada di sebelah kiri Beberapa type Legend yang dapat dibuat: a. Single Symbol Pastikan pada Legend type pada window Legend Editir dipilih Single Symbol. Tampilan Window, Langkah-langkahnya, dan Hasilnya
1. double-click pada symbol 2. klik pada color palette
3. klik warna yang diinginkan
4. klik untuk menerapkan warna baru
Untuk mengubah warna theme, lakukan double click pada kotak warna di bawah tulisan Symbol, sehingga akan muncul window Fill Palette. Pilih tab Color Palette, lalu klik warna yang diinginkan, kemudian klik tombol Apply. Maka warna pada theme akan berubah sesuai warna yang diinginkan.
24
b. Graduated Color Untuk membuat gradasi warna pilih Legend type sebagai Graduated Color. Tampilan Window, Langkah-langkahnya, dan Hasilnya 1. pilih Graduated Color
4. tentukan jumlah kelas
2. pilih dasar klasifikasi 5. klik OK
3. klik untuk menentukan jumlah kelas 6. pilih jenis warna
7. klik untuk menerapkan jenis legenda baru
Penentuan dasar klasifikasi dapat dipilih pada pop-up menu Classification Field. Field yang dapat dipilih sebagai dasar klasifikasi adalah field yang berisi angka (ber-type Number) misalnya Rumah Tangga miskin, jumlah penduduk, luas area dan lain sebagainya. Tipe dan jumlah klasifikasi default-nya adalah Natural Breaks dengan 5 kelas. Jika ingin mengubahnya, bisa dengan cara meng-klik tombol Classify, kemudian tentukan tipe dan jumlah kelas sesuai keinginan. Sedangkan warna dapat diubah dengan memilih jenis warna pada pop-up menu Color Ramps. TIPS: kita juga bisa merubah setiap warna pada klas sesuai selera kita dengan cara double click pada warna di bawah kolom symbol.
c. Unique Value Untuk membuatnya set Legend type pada window Legend Editir sebagai Unique Value.
25
Tampilan Window, Langkah-langkahnya, dan Hasilnya 1. Pilih Unique Value
2. Pilih field atau variabel
3. Pilih Jenis Warna
4. Apply untuk menerapkan tipe lengenda baru
Penentuan nilai tersebut dapat dipilih pada pop-up menu Values Field. Setiap feature yang memiliki nilai yang sama akan memiliki warna yang sama pada theme. Jenis warna yang digunakan dapat diubah dengan memilih jenis warna pada pop-up menu Color Schemes. Misalnya pada contoh, setiap feature desa pada setiap kecamatan yang sama akan memiliki warna yang sama, dan akan memiliki warna yang berbeda dengan warna feature desa pada kecamatan lain.
Tahap 3. Melakukan edit tabel data Kita dapat melakukan editing tabel dari peta yang sedang dibuka, yang meliputi kegiatan: menambahkan field atau variabel, mengisi dan mengubah isi cell, menghapus field, dan lain sebagainya. Untuk dapat melakukan proses edit tabel maka kita harus set window Table
26
sebagai tampilan utama yang aktif melalui menu Theme Table atau mengklik tombol (Open Theme Table). Tampilan window Table (Attributes) yaitu sebagai berikut:
Beberapa proses dalam kegiatan editing tabel yaitu sebagai berikut: Proses 1. Memulai editing tabel dengan Start Editing
2. beberapa sub-menu pada menu Edit akan aktif
1. klik menu Start Editing
Untuk mulai mengedit suatu tabel, setelah menampilkan tabel dari suatu theme menggunakan Open Theme Table, pilih menu Table Start Editing. Setelah proses Start Editing aktif, maka beberapa sub-menu pada menu Edit akan aktif pula. Proses 2. Menambahkan field pada tabel
field baru yang sudah ditambahkan
27
Untuk menambahkan suatu field ke dalam tabel, pilih menu Edit Add Field, sehingga muncul window Field Definition. Misalnya kita akan menambahkan field yang berisi jumlah penduduk dan nama kepala daerah. Untuk jumlah penduduk, maka kita dapat mendefinisikan Field Name: Jml_Pddk, Type: Number, Width: 10, dan Decimal Places: 0. Sedangkan untuk nama kepala daerah, kita dapat mendefinisikan Field Name: Kpl_Daerah, Type: String, dan Width: 25 (jumlah maksimum nama field adalah sebanyak 10 karakter). Kemudian klik tombol OK, sehingga field baru tersebut akan muncul pada tabel pada kolom terakhir. Proses 3. Mengisi atau mengubah isi cell Untuk mengisi/mengubah isi cell, kita dapat menggunakan tombol (Edit), kemudian taruh kursor pada cell yang dituju untuk mulai mengisi/mengubah isi cell tersebut.
1. klik untuk mengaktifkan fasilitas Edit
2. taruh kursor pada cell yang akan diedit
Proses 4. Menghapus field 1. klik header field yg akan dihapus
2. klik Delete Field untuk menghapus
Untuk menghapus suatu field dari tabel, pertama yaitu pilih field yang akan dihapus dengan cara meng-klik header field pada tabel supaya aktif, misalnya yaitu field Kpl_Daerah, kemudian pilih menu Edit Delete Field, maka field tersebut akan terhapus dari tabel.
TIPS
28
Untuk memunculkan atau mengganti tampilan (window) yang aktif dapat dilakukan melalui menu Window, selanjutnya pilih tampilan utama yang akan dimunculkan.
Tahap 4. Membuat layout dan export peta tematik 1. Langkah awal melakukan pengaturan terhadap peta
2. klik menu Theme Properties
3. ganti Theme Name sesuai dengan data yang akan ditampilkan pada layout
1. klik untuk mengaktifkan theme
Melalui menu theme, ubah Theme Name sesuai data yang akan ditampilkan melalui menu Theme Properties. Misalnya akan menampilkan peta mengenai Persentase Rumah Tangga Miskin di Kabupaten Jombang, maka Theme Name-nya diubah menjadi Persentase Rumah Tangga Miskin. TIPS
Jika ingin memberikan label (nama wilayah atau bisa juga nilai suatu variabel) pada peta dapat melalui menu Theme Auto-Label. Pemberian label tentunya akan menambah kesan “crowded” jika kita menggunakan peta dengan level kecil
Proses membuat layout melalui Template Manager Layout dengan memilih menu View Layout (saat tampilan utama yang aktif adalah window View)
2. Proses Pembuatan dan Edit Layout 2. klik OK
1. Pada window Template Manager pilih jenis orientasi apakah landscape atau portrait. Untuk peta yang memanjang lebih cocok menggunakan orientasi portrait.
29
Dengan menggunakan Template Manager maka layout yang dihasilkan sudah memuat seluruh komponen yang meliputi: Judul, gambar peta, legenda, skala, dan arah mata angin. Kita dapat menghapus atau mengedit (mengganti text, menggeser, memperbesar atau memperkecil dan lainnya) untuk setiap komponen sesuai keinginan kita. 1. Untuk mengganti text judul atau properti dari suatu objek dapat dilakukan dengan double click pada text atau objek tersebut. 2. Jika ingin menggeser klik pada objek kemudian drag menuju tempat yang diinginkan. 3. Untuk memperbesar atau memperkecil objek dapat dilakukan dengan pilih objek kemudian klik pojok dari objek tersebut dan drag kedalam (untuk memperkecil) atau keluar (untuk memperbesar).
3. Ekspor Peta Tematik Layout yang telah dibuat dapat disimpan/diekspor ke dalam format lain, salah satunya yaitu format JPEG (disarankan menggunakan format WMF karena lebih fleksibel). Caranya yaitu dengan memilih menu File Export pada saat tampilan utama yang aktif window Layout. Kemudian pada window Export, tentukan drive dan folder tempat menyimpan file baru serta type file dan nama file baru tersebut. Pada Options, kita bisa mengatur kualitas dari gambar yang dihasilkan sehingga sebaiknya dipilih resolusi dan kualitas sesuai dengan kebutuhan. Kemudian klik OK, maka file baru hasil ekspor dari layout akan terbentuk.
30
2. Nama File
4. Tekan OK
1. Tentukan drive dan folder 3. Tipe File
31