Pemodelan Indeks Pembangunan Manusia Provinsi Jawa Barat Tahun 2018 Menggunakan Geographically Weighted Regression dengan Pembobotan Kernel Gaussian

Retnowati Sulastri, Nusar Hajarisman

Abstract


Abstract, Modeling on the Human Development Index in West Java province. Location differences, of course, also provide various location characteristics. One method to determine the factors that affect the Human Development Index is to use linear regression analysis. Spatial data regression analysis can be used because it has a dependency between data measurement and location. The local form of spatial regression analysis is Geographically Weighted Regression (GWR). GWR shows spatial heterogeneity (location). This GWR model is used to consider elements of geography or location as weighting in estimating model parameters. In the GWR model, the estimation of the model parameters is obtained using the Weighted Least Square (WLS), namely by giving different weights at each location where the data is collected. In 2018 the HDI of West Java Province has reached 71.30. This figure increased by 0.61 points compared to the HDI of West Java Province in 2017 which was 70.69. The parameter estimator model with the GWR method produces = 99.68% and SSE = 1.899759. The GWR model is proven to be able to increase the value and decrease the AIC value. So it can be said that the GWR model is the most appropriate model that can be used in estimating the District /City Level Human Development Index in West Java Province in 2018.

Keywords: Human Development Index Modeling. Spatial data. Regression. Geographically Weighted Regression. Gaussian Kernel.

Abstrak, Pemodelan pada Indeks Pembangunan Manusia di provinsi Jawa Barat. Perbedaan lokasi tentunya juga memberikan karakteristik lokasi yamg beragam. Salah satu metode untuk mengetahui faktor yang berpengaruh terhadap Indeks Pembangunan Manusia adalah menggunakan analisis regresi linear. Analisis regresi  data spasial dapat digunakan karena memiliki sifat ketergantungan antara pengukuran data dengan lokasi. Bentuk lokal dari analisis regresi spasial adalah Geographically Weighted Regression (GWR). GWR menunjukkan adanya heterogenitas secara spasial(lokasi) Model GWR ini digunakan untuk mempertimbangkan unsur geografi atau lokasi sebagai pembobot dalam menaksir parameter modelnya.  Dalam model GWR penaksiran parameter modelnya diperoleh dengan menggunakan Weighted Least Square (WLS) yaitu dengan memberikan pembobot yang berbeda pada setiap lokasi di mana data tersebut dikumpulkan. pada tahun 2018 IPM Provinsi Jawa Barat telah mencapai 71.30 .Angka ini meningkat sebesar 0.61 poin dibandingkan dengan IPM Provinsi Jawa Barat pada tahun 2017 yang sebesar 70.69. Model penduga parameter dengan metode GWR menghasilkan  = 99.68% dan SSE = 1.899759. Model GWR terbukti mampu meningkatkan nilai   dan menurunkan nilai  AIC. Sehingga dapat dikatakan model GWR merupakan model yang paling sesuai yang dapat digunakakn dalam pendugaan terhadap Indeks Pembangunan Manusia Tingkat Kabupaten/Kota di Provinsi Jawa Barat pada Tahun 2018.

Kata Kunci : Pemodelan Indeks Pembangunan Manusia. Data spasial. Regresi. Geographically Weighted Regression. Kernel Gaussian.


Keywords


Pemodelan Indeks Pembangunan Manusia. Data spasial. Regresi. Geographically Weighted Regression. Kernel Gaussian.

Full Text:

PDF

References


Caraka.R.E..Yasin.H.2017.Geographically Weighted Regression(GWR) Sebuah Pendekatan Regresi Geografis.Yogyakarta:Mobius

Fortheringham. A. S.. Brunsdon. C.. & Charlton. M. E. 2002. Geographically Weighted Regression : The Analysis of Spatially Varying Relationships. England: John Wiley and Sons Ltd.

Hajarisman, Nusar, &Anneke Iswani Achmad. (2011). Analisis Regresi Lanjut. Bandung: Universitas Islam Bandung.




DOI: http://dx.doi.org/10.29313/.v6i2.22881

Flag Counter