Autokorelasi Spasial (Moran’s I, Geary’s C)

Pendahuluan

Pada pelajaran ini Anda akan mempelajari cara menganalisis autokorelasi spasial secara efektif menggunakan Moran’s I dan Geary’s C, dua metode klasik namun sangat penting untuk memahami pola keterkaitan antar lokasi.

Di konteks strategi jaringan perbankan, analisis ini memungkinkan Anda untuk:

  • Mengidentifikasi apakah performa cabang mengelompok (cluster), merata, atau acak.
  • Menentukan area yang membutuhkan intervensi khusus (operasional, pemasaran, atau ekspansi).
  • Mendeteksi pola risiko, potensi peluang, dan anomali performa.

Prasyarat Pengetahuan:

  • Dasar-dasar GIS (layer, atribut, proyeksi).
  • Dasar statistik (mean, variance).
  • Pemahaman konsep tetangga spasial (spatial weights).

Software yang Dibutuhkan:

  • ArcGIS Pro atau QGIS 3.x
  • Data: titik/area (shapefile/GeoPackage) berisi atribut performa cabang bank (misalnya: jumlah transaksi, DPK, kredit, NPF, akuisisi, dsb.)

Langkah-langkah Utama

1. Siapkan Data dan Struktur Tetangga Spasial

Data yang rapi dan bobot spasial (spatial weight matrix) adalah fondasi perhitungan Moran’s I dan Geary’s C.

Instruksi Detail:

  1. Import layer cabang bank (point atau polygon) ke QGIS/ArcGIS.
    (Visual Hint: Tampilkan tampilan layer di panel kiri dan map view berisi titik-titik cabang.)
  2. Periksa dan bersihkan atribut, terutama variabel analisis (misal: volume transaksi).
    (Visual Hint: Screenshot tabel atribut dengan kolom target disorot.)
  3. Buat spatial weights matrix (W) menggunakan salah satu metode:
    • Queen contiguity (untuk polygon)
    • Rook contiguity (untuk polygon)
    • K-Nearest Neighbors (KNN) (untuk titik)
    • Distance-based threshold
  4. Simpan hasil bobot sebagai file .GAL atau .GWT sesuai software.
    (Visual Hint: Dialog pembuatan spatial weights dengan opsi KNN atau threshold.)

Tips Penting:

  • Gunakan KNN = 8 atau 10 untuk data titik cabang.
  • Jangan gunakan threshold jarak terlalu kecil karena dapat menghasilkan orphan points (tanpa tetangga).
  • Sebelum menghitung autokorelasi, standarkan data (Z-score) untuk kestabilan output.

2. Hitung Global Moran’s I (Mengukur Pola Secara Keseluruhan)

Moran’s I mengukur apakah nilai tinggi/ rendah cenderung berkelompok atau acak.

Instruksi Detail:

  1. Buka Spatial Statistics → Global Moran’s I.
    (Visual Hint: Panel tool berisi input layer, field, dan weight file.)
  2. Pilih:
    • Layer: cabang bank
    • Field: atribut performa
    • Weights: W hasil Langkah 1
  3. Aktifkan pilihan permutation test (999x) untuk signifikansi lebih kuat.
  4. Klik Run.

Interpretasi:

  • Moran’s I > 0 dan signifikan → pola cluster.
  • Moran’s I < 0 dan signifikan → pola dispersed (nilai kontras berdekatan).
  • Moran’s I mendekati 0 → pola acak.
  • Lihat juga Z-score dan p-value.

(Visual Hint: Grafik distribusi permutasi Moran’s I dengan garis nilai observasi.)

Peringatan:

  • Hasil tidak valid jika spatial weights salah atau data memiliki skewness ekstrem.
  • Moran’s I global bersifat rata-rata, sehingga bisa “menyembunyikan” hotspot lokal.

3. Hitung Local Moran’s I (LISA) untuk Mendapatkan Cluster Lokal

Local Moran’s I memberikan wawasan lokasi-lokasi mana yang membentuk pola penting.

Instruksi Detail:

  1. Buka Cluster and Outlier Analysis (LISA).
    (Visual Hint: Panel tools dengan ikon peta cluster merah-biru.)
  2. Pilih atribut performa.
  3. Masukkan file bobot W.
  4. Klik Run.

Hasil peta biasanya berupa kategori:

  • High-High (HH) → cabang berkinerja tinggi dikelilingi tinggi (peluang upscale).
  • Low-Low (LL) → cabang lemah dikelilingi lemah (prioritas intervensi).
  • High-Low (HL) → anomali, cabang kuat di area lemah (potensi anchor branch).
  • Low-High (LH) → cabang lemah di area kuat (kasus underperformer penting).

(Visual Hint: Peta LISA berwarna merah-biru dengan legenda HH/HL/LH/LL.)

Tips:

  • Fokuskan analisis bisnis pada HH untuk ekspansi dan LL untuk intervensi.
  • Gunakan threshold signifikansi 0.05 atau 0.01 untuk hasil tepercaya.

4. Hitung Geary’s C untuk Mengukur Perbedaan Antar Lokasi Secara Detail

Geary’s C lebih sensitif terhadap perbedaan nilai antar tetangga.

Instruksi Detail:

  1. Buka Spatial Statistics → Geary’s C.
    (Visual Hint: Kotak dialog mirip Moran’s I.)
  2. Pilih atribut performa.
  3. Pilih bobot W.
  4. Aktifkan 999 permutations.
  5. Klik Run.

Interpretasi:

  • C < 1 → nilai tetangga mirip (cluster).
  • C > 1 → nilai tetangga tidak mirip (dispersed).
  • C ≈ 1 → acak.

(Visual Hint: Tabel statistik hasil Geary’s C.)

Penting:

  • Geary lebih sensitif dibanding Moran — cocok untuk mendeteksi anomali performa cabang.
  • Gunakan keduanya untuk diagnosa lebih akurat.

5. Integrasikan Hasil untuk Pengambilan Keputusan Perbankan

Gabungkan interpretasi Global Moran, Local Moran, dan Geary’s C.

Instruksi Detail:

  • Jika Moran’s I Global tinggi + HH cluster banyak, pertimbangkan strategi:
    • Pembukaan cabang baru di area penguatan
    • Penambahan ATM/agen
    • Pemasaran area khusus
  • Jika LL cluster dominan, lakukan:
    • Audit operasional
    • Perbaikan performa SDM
    • Program pemasaran lokal
  • Jika banyak HL atau LH, analisis lebih dalam untuk mendeteksi:
    • Cabang penopang (anchor)
    • Cabang bermasalah
    • Area kompetisi tinggi
  • Jika Geary’s C > 1, ini sinyal adanya risk pockets atau market disruption.

(Visual Hint: Peta ringkasan dengan anotasi cluster HH/LL/HL/LH.)

Strategi Profesional:

  • Selalu gabungkan peta analisis dengan data demografi, potensi ekonomi, dan kompetitor.
  • Hasil autokorelasi spasial tidak boleh digunakan sendirian untuk keputusan investasi besar.

Ringkasan & Tugas

3 Poin Penting

  1. Moran’s I memberikan gambaran global apakah performa cabang membentuk pola cluster atau random.
  2. Local Moran’s I (LISA) sangat penting untuk menemukan wilayah prioritas tindakan (HH/LL/HL/LH).
  3. Geary’s C lebih sensitif terhadap perbedaan nilai antar lokasi dan berguna untuk mendeteksi anomali.

Tugas Praktis

Lakukan analisis berikut pada data cabang bank Anda:

  1. Hitung Moran’s I Global untuk atribut performa utama (misal: DPK atau kredit).
  2. Buat peta LISA dan identifikasi minimal 5 cluster HH dan 5 cluster LL lengkap dengan interpretasinya.
  3. Jalankan Geary’s C dan bandingkan hasilnya dengan Moran’s I:
    • Apakah keduanya konsisten?
    • Cabang mana yang menjadi outlier?
Previous Lesson
Back to Course
Next Lesson