Geographically Weighted Principal Component Analysis pada Data Sumber Pendapatan Daerah Kabupaten dan Kota di Jawa Barat Tahun 2019

Abstract

Abstract. Principal Component Analysis (PCA) is a multivariate analysis that transforms correlated original variables into new uncorrelated variables. This modeling method uses spatial data because each region has different characteristics and the problem of regional income will be different in each region. Geographically Weighted Principal Component Analysis is an extension of the Principal Components Analysis (PCA) method, where the multivariate data used contains spatial (local) effects. GWPCA will calculate the main components of each observation location with the output of local components, namely variance and loading (coefficient). GWPCA is structured by weighting the kernel functions and bandwidth. For this problem, secondary data is used, namely district/city regional income data in West Java Province 2019. The use of GWPCA for regional revenue source data, based on the largest loading coefficient PC1 there are 4 large groups that have an influence on local revenue sources in West Java Province in 2019 which comes from the X8 variable (other regional income) followed by the X2 variable (regional levies), the X8 variable (other regional income) followed by the X1 variable (local taxes), the X8 variable (other regional income) followed by variable X5 (tax revenue sharing) and variable X7 (Special Allocation Fund) followed by X8 (other regional income). The number of main components that can be used to replace the original variables are 3 main components, namely PC1, PC2 and PC3 with a total variance that can be explained by the three main components is around 80%. Based on the selection of the largest loading coefficient, it can be analyzed that by using the largest loading coefficient selected the main component PC1 because PC1 is able to describe the largest variance of about 50% of the original data.

Keywords: Principal Component Analysis, Geographically Weighted Principal Component Analysis, Regional Income

Abstrak. Principal Component Analysis (PCA) adalah analisis multivariat yang mentransformasi variabel asal yang saling berkorelasi menjadi variabel baru yang tidak saling berkorelasi. Metode pemodelan ini menggunakan data spasial karena setiap masing-masing wilayah memiliki karakteristik yang berbeda dan permasalahan pendapatan daerah pun akan berbeda disetiap wilayah. Geographically Weighted Principal Component Analysis merupakan perluasan dari metode Principal Components Analysis (PCA), dimana data multivariat yang digunakan mengandung efek spasial (lokal). GWPCA akan menghitung komponen utama setiap lokasi observasi dengan output komponen lokal yaitu varian dan loading (koefisien). GWPCA idisusun dengan menggunakan pembobot dari fungsi kernel dan bandwithnya. Untuk masalah ini digunakan pada data sekunder yaitu data pendapatan daerah kabupaten/kota di Provinsi Jawa Barat 2019. Penggunaan GWPCA untuk data sumber pendapatan daerah, berdasarkan koefisien (loading) terbesar PC1 terdapat 4 kelompok besar yang berpengaruh dalam sumber pendapatan daerah di Provinsi Jawa Barat tahun 2019 yaitu berasal dari variabel X8 (lain-lain pendapatan daerah) diikuti variabel X2 (retribusi daerah), variabel X8 (lain-lain pendapatan daerah) diikuti oleh variabel X1 (pajak daerah), variabel X8 (lain-lain pendapatan daerah) diikuti oleh variabel X5 (bagi hasil pajak) dan variabel X7 (Dana Alokasi Khusus) diikuti oleh X8 (lain-lain pendapatan daerah). Jumlah komponen utama yang dapat digunakan untuk mengganti variabel-variabel asli adalah 3 komponen utama yaitu PC1, PC2 dan PC3 dengan total varian yang mampu dijelaskan oleh ketiga komponen utama tersebut adalah sekitar 80%. Berdasarkan pemilihan koefisien (loading) terbesar, dapat dianalisis bahwa dengan menggunakan koefisien (loading) terbesar dipilih pada komponen utama PC1 karena PC1 mampu menggambarkan variansi terbesar sekitar 50% dari data asli.

Kata Kunci: Principal Component Analysis, Geographically Weighted Principal Component Analysis, Pendapatan Daerah