Upload
vuongphuc
View
238
Download
0
Embed Size (px)
Citation preview
Pemodelan Angka Harapan HidupPropinsi Jawa Timur dan Jawa Tengah
Dengan MetodeGeographically Weighted Regression
Oleh : Lusi Firdial (1307030020)
Dosen Pembimbing :Dr. Purhadi, M. Sc
Geographichally Weighted Regression
LATAR BELAKANG
Geographichally Weighted Regression
Kesejahteraan masyarakat meningkat
(Tujuan utama)
Pelaksanaan pembangunan di segala bidang (yang dilakukan pemerintah)
(Terdapat indikator keberhasilan)
Salah satunya : Indikator Kesehatan
Angka Harapan Hidup (AHH)
Penelitian dipilih untuk dilakukan
Pendugaan model pola hubungan antara AHH dan faktor-faktor yang mempengaruhinya
Pelaksanaan pembangunan disesuaikan dengan potensi yang ada di daerah
(berhubungan dengan letak geografis)
Faktor spasial (letak geografis) perlu diperhitungkan
Geographically Weighted Regression (GWR)
BACK
Geographichally Weighted Regression
Kesehatan
Salah satu aspek penting kualitas sumber daya manusia (SDM)
Hak asasi manusia
SDM Sehat (secara fisik)
Berpotensi (dapat diharapkan)
Berperan aktif dalam pembangunan
Kesejahteraan Masyarakat
mewujudkan
Geographichally Weighted Regression
Propinsi
Periode
2000-2005 2005-2010
(2002) (2007)
(1) (2) (3)
11. NANGGROE ACEH DARUSSALAM 67.2 67.3
12. SUMATERA UTARA 68.6 70.5
13. SUMATERA BARAT 66.8 69.2
14. RIAU 68.0 70.1
15. JAMBI 67.0 69.1
16. SUMATERA SELATAN 66.9 69.2
17. BENGKULU 66.8 68.9
18. LAMPUNG 67.9 70.1
19. KEPULAUAN BANGKA BELITUNG 66.9 69.0
31. DKI JAKARTA 73.0 74.0
32. JAWA BARAT 66.6 69.0
33. JAWA TENGAH 68.9 71.0
34. D I YOGYAKARTA 73.0 74.0
35. JAWA TIMUR 67.8 70.0
36. BANTEN 64.6 67.3
51. B A L I 70.6 72.4
52. NUSA TENGGARA BARAT 60.9 64.4
53. NUSA TENGGARA TIMUR 66.1 68.4
61. KALIMANTAN BARAT 66.1 68.5
62. KALIMANTAN TENGAH 67.8 70.0
63. KALIMANTAN SELATAN 64.1 66.9
64. KALIMANTAN TIMUR 69.6 71.6
71. SULAWESI UTARA 72.3 73.6
72. SULAWESI TENGAH 64.5 67.0
73. SULAWESI SELATAN 66.3 68.8
74. SULAWESI TENGGARA 66.9 69.1
75. GORONTALO 66.3 68.7
81. M A L U K U 65.3 67.7
82. MALUKU UTARA 63.3 66.3
94. PAPUA 66.1 68.4
Data Statistik Indonesia
1. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Timur dengan pendekatan Geographically Weighted Regression (GWR) serta faktor yang berpengaruh secara signifikan ?
2. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Tengah dengan pendekatan Geographically Weighted Regression (GWR) serta faktor yang berpengaruh secara signifikan ?
Rumusan Masalah
1. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan Geographically Weighted Regression (GWR) terhadap data angka harapan hidup di Propinsi Jawa Timur.
2. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan Geographically Weighted Regression (GWR) terhadap data angka harapan hidup di Propinsi Jawa Tengah.
Tujuan Penelitian
Geographichally Weighted Regression
BACK
NEXT
Manfaat Penelitian
• Penelitian ini diharapkan dapat memberikanalternatif model angka harapan hidup denganmemperhatikan variasi spasial dimana data tersebut diperoleh.
• Sebagai masukan bagi pemerintahpusat/daerah, khususnya Dinas Kesehatan, dalam rangka pengambilan kebijakan programpeningkatan derajat kesehatan masyarakat
Geographichally Weighted Regression
BACk
NEXT
Batasan Masalah
Data yang digunakan dalam penelitian iniadalah angka harapan hidup yaitu untukwilayah Propinsi Jawa Timur dan Jawa Tengah tahun 2007.
Geographichally Weighted RegressionBACK Next
Tinjauan Pustaka
• Regresi Linier
• Geographically Weighted Regression
• Uji Kolinearitas
• Angka Harapan Hidup
Geographichally Weighted RegressionBACK
Regresi Linier
Model regresi linier :
dimana i = 1, 2, ... , n dan error-nya diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan varians konstan
(Myers, 1990)
bentuk penaksir dari parameter tersebut :
dengan: vektor dari parameter yang ditaksir (p+1) x 1
X : matriks variabel bebas berukuran n x (p+1)
y : vektor observasi dari variabel respon berukuran (n x 1)
k : banyaknya variabel bebas (k = 1, 2, ... , p)
Geographichally Weighted Regression
iik
p
k
ki xy 1
0
yXXXβT1T
ˆ
β
Pengujian kesesuaian model secara serentak :
H0 :
H1 : Paling sedikit ada satu
Statistik uji :
Keputusan:
tolak H0 jika nilai Fhit > dimana v1 = p dan v2 = (n-p-1)
Geographichally Weighted Regression
0...21 p
0k
MSE
MSRFhitung
21 ,; vvF
Pengujian Signifikansi Parameter :
dengan k = 1, 2, ... , 11
Statistik uji :
Keputusan :
tolak H0 jika nilai dimana df = n-2-k
n ~ jumlah pengamatan
k ~ jumlah variabel bebas
Geographichally Weighted Regression
0:0 kH
0:1 kH
kn
k
k tr
knrt
2~
1
2
)2
1;(
dftt
Geographically Weighted Regression(GWR)
Model GWR :
dimana
yi : nilai observasi variabel respon ke-i (i = 1, 2, ... , n)
xik : nilai observasi variabel prediktor k pada pengamatan ke-i
: vektor koefisien regresi
(ui, vi) : menyatakan titik koordinat (longitude, latitude) lokasi ke-i
: error yang diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan varians konstan .
Geographichally Weighted Regression
iik
p
k
iikiii xvuvuy 1
0 ,,
k
i
Penaksir parameter :
Fungsi pembobot yang digunakan adalah fungsi Kernel Gaussian :
h : parameter non negatif yang diketahui / parameter penghalus (bandwidth)
dij : jarak Euclidean antara i dan j.
Metode yang digunakan untuk memilih bandwidthoptimum adalah :
Cross Validation (CV),
Geographichally Weighted Regression
yvuWXXvuWXvu ii
T
ii
T
ii
1,,ˆ
2
2
1exp
h
dW
ij
ij
n
i
ii hyyCV1
2ˆ
Pengujian kesesuaian model GWR :
H0 :
H1 : Paling sedikit ada satu yang berhubungan dengan lokasi (ui, vi)
Statistik Uji :
Tolak H0 jika F* > Ftabel (dengan derajat bebas dan (n-k-1).
Geographichally Weighted Regression
kiik vu ,
iik vu ,
1)(
/
0
2
2
11
*
knHSSE
HSSE
F
2
2
1
Pengujian parameter model :
dengan k = 1, 2, ... , p
Statistik uji :
Pengambilan Keputusan :
Tolak H0 jika dimana
Geographichally Weighted Regression
0,:0 iik vuH
0,:1 iik vuH
kk
iik
g
vuT
ˆ
,ˆ
dbhit tT ;2/
2
2
1
db
Uji Kolinieritas
1. VIF (Variance Inflation Factors) > 10
2. Koefisien Korelasi Pearson (rij) antar variabel bebas > 0,95
Geographichally Weighted Regression
jjj
j rVIF 2
ˆvar
2
11
2
2
11
2
111
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
ii
yynxxn
yxyxn
r
Angka Harapan Hidup
Definisi :
Rata-rata tahun hidup yang akan dijalani oleh seseorang pada
suatu tahun tertentu dalam situasi mortalitas (kematian) yang berlaku di lingkungan masyarakat tertentu.
Kegunaan :untuk mengevaluasi kinerja pemerintah dalam meningkatkankesejahteraan penduduk pada umumnya, dan meningkatkanderajat kesehatan pada khususnya.
Geographichally Weighted Regression
Metodologi Penelitian
• Sumber Data :Survey Sosial Ekonomi Nasional (SUSENAS) tahun 2007 untuk Propinsi Jawa Timur dan Jawa Tengah
• Variabel Penelitian
• Metode Analisis
• Langkah Analisis
Geographichally Weighted RegressionNEXT BACK
Variabel Penelitian
Geographichally Weighted Regression
No. Nama Variabel Tipe Variabel Satuan
(1) (2) (3) (4)
1 Y Angka harapan hidup pada tiap kabupaten/kota Kontinu Tahun
2 X1 Angka kematian bayi pada tiap kabupaten/kota KontinuBayi per seribu
kelahiran hidup
3 X2
Persentase persalinan yang dilakukan dengan bantuan non medis
(dukun bayi) pada tiap kabupaten/kotaKontinu persen
4 X3 Rata-rata usia perkawinan pertama pada tiap kabupaten/kota Kontinu tahun
5 X4
Rata-rata lama sekolah wanita berstatus kawin pada tiap
kabupaten/kotaKontinu tahun
6 X5
Rata-rata jumlah pengeluaran rumah tangga (dalam rupiah) pada
tiap kabupaten/kotaKontinu rupiah
7 X6 Persentase daerah yang berstatus desa pada tiap kabupaten/kota Kontinu persen
8 X7
Rata-rata lama pemberian ASI eksklusif pada tiap
kabupaten/kotaKontinu bulan
9 X8
Persentase rumah tangga yang memiliki air bersih pada tiap
kabupaten/kotaKontinu persen
10 X9 Persentase penduduk miskin pada tiap kabupaten/kota Kontinu persen
11 X10 Jumlah tenaga kesehatan Diskrit orang
12 X11 Jumlah sarana kesehatan Diskrit satuan
13 ui Letak astronomi (lintang/ longitude) tiap kabupaten/kota Kontinu derajat
14 vi Letak astronomi (bujur/latitude) tiap kabupaten/kota Kontinu derajat
15 dij Jarak antar kota/kabupaten di Tiap Propinsi Kontinu kilometer
Struktur Data
Geographichally Weighted Regression
Kab/Kota Y X1 X2 X3 … X10 X11
(1) (2) (3) (4) (5) … (12) (13) (14) (15)
1
2
3
4
.
.
.
n
y1
y2
y3
y4
.
.
.
.
yn
x11
x12
x13
x14
.
.
.
.
x1n
x21
x22
x23
x24
.
.
.
.
x2n
x31
x32
x33
x34
.
.
.
.
x3n
…
…
…
…
.
.
.
...
x101
x102
x103
x104
.
.
.
.
x10n
x111
x112
x113
x114
.
.
.
.
x11n
u1
u2
u3
u4
.
.
.
.
un
v1
v2
v3
v4
.
.
.
.
vn
Metode Analisis
Geographichally Weighted Regression
Model Linier
Asumsi :
Hubungan antara variabel respon dan prediktor tetap
Parameter yang diestimasi nilainya sama untuk semua
tempat dimana data tersebut diamati
Mungkin saja model tersebut tidak cocok
diterapkan di setiap wilayah di Jatim dan Jateng
Mengingat faktor yang signifikan berpengaruh terhadap AHH di suatu
wilayah belum tentu signifikan berpengaruh di
wilayah lain
Hal ini terjadi karena adanya faktor spasial, seperti : faktor ekonomi, sosial,
budaya, letak geografis, dll.
Alternatif model yang dapat digunakan dalam analisis
yakni Geographically Weighted Regreesion.
Langkah Analisis1.Membuat model regresi linier untuk Angka
Harapan Hidup di tiap Propinsi
1. Menghitung Nilai Statistika Deskriptif dan mengidentifikasi adanya kasus
multikolinieritas
2. Memodelkan variabel respon (y) dengan variabel prediktor (x)
3. Menaksir parameter model regresi linier dengan pendekatan least square.
4. Menguji kesesuaian model regresi linier secara serentak dan parsial
2. Membuat model GWR untuk Angka Harapan Hidup di tiap Propinsi
a. Menentukan bandwith yang optimum berdasarkan nilai yang minimum dari hasil
iterasi.
b. Menentukan pembobot dengan menggunakan fungsi Kernel Gaussian, baik
dengan menggunakan bobot euclid maupun jarak yang sebenarnya.
c. Menaksir parameter model GWR dengan menggunakan metode Weighted Least
Square (WLS).
d. Menguji kesesuaian model GWR (goodness of fit)
e. Menguji parameter model tiap daerah di masing-masing propinsi
f. Melakukan pengelompokan kabupaten/kota di masing-masing propinsi berdasarkan
persamaan variabel yang signifikan
Geographichally Weighted RegressionBACK
Analisis Data dan Pembahasan
1. Model Angka Harapan Hidup di Jawa Timur– Statistika Deskriptif
– Model Regresi Linier
– Geographically Weighted Regression
– Perbandingan Kesesuaian Model
2. Model Angka Harapan Hidup di Jawa Tengah– Statistika Deskriptif
– Model Regresi Linier
– Geographically Weighted Regression
– Perbandingan Kesesuaian Model
Geographichally Weighted Regression BACk
Statistika Deskriptif
Geographichally Weighted Regression
Variabel Total count Rata-rata
Standar
Deviasi Minimum Maximum
Y 38 67,542 3,223 60,33 71,44
X1 38 0,02103 0,0191 0 0,06
X2 38 15,11 17,37 0,49 68,31
X3 38 19,65 0,965 18 21,54
X4 38 6,758 1,782 2,45 10,22
X5 38 265744 67469 191840 456992
X6 38 55,25 31,06 0 91,67
X7 38 8,956 1,547 6,68 12,49
X8 38 62,15 12,29 40,56 99,11
X9 38 15,93 9,3 2,03 35,88
X10 38 439,6 381,5 97 2314
X11 38 116,32 56,61 33 259
Identifikasi Multikolinieritas
Geographichally Weighted Regression
Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
X1 -0,021
X2 -0,847 0,064
X3 0,782 -0,152 -0,774
X4 0,769 -0,128 -0,801 0,935
X5 0,532 -0,146 -0,551 0,82 0,846
X6 -0,436 0,161 0,501 -0,841 -0,864 -0,893
X7 -0,204 0,088 0,091 -0,07 -0,136 -0,107 -0,063
X8 0,3 0,129 -0,297 0,397 0,362 0,428 -0,331 -0,323
X9 -0,601 0,102 0,707 -0,688 -0,764 -0,796 0,694 0,113 -0,367
X10 0,002 -0,118 -0,07 0,117 0,112 0,265 -0,159 -0,111 0,509 -0,15
X11 -0,287 -0,086 0,124 -0,242 -0,229 -0,129 0,179 0,047 0,159 0,147 0,798
Nilai VIF
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
1,222 9,759 12,871 22,036 9,641 14,597 1,75 2,288 5,105 6,524 5,459
Setelah dilakukan Proses Restrict variabel
Geographichally Weighted Regression
Y X1 X2 X5 X7 X8 X9 X10
X1 -0,021
X2 -0,847 0,064
X5 0,532 -0,146 -0,551
X7 -0,204 0,088 0,091 -0,107
X8 0,3 0,129 -0,297 0,428 -0,323
X9 -0,601 0,102 0,707 -0,796 0,113 -0,367
X10 0,002 -0,118 -0,07 0,265 -0,111 0,509 -0,15
X11 -0,287 -0,086 0,124 -0,129 0,047 0,159 0,147 0,798
Nilai VIF
X1 X2 X5 X7 X8 X9 X10 X11
1,152 2,036 3,62 1,174 2,134 3,831 6,339 4,934
BACK
Model Regresi Linier
Geographichally Weighted Regression
= 72,6 + 7,3 X1 – 0,158 X2 + 0,000003 X5 – 0,217 X7 – 0,0141 X8
+ 0,0514 X9 + 0,00254 X10 – 0,0238 X11
Y
Jawa Timur
Fhitung 13,88
db 8;29
2,28)29,8;05,0(f
Prediktor Koefisien T P-value kesimpulan
Konstan 72,61 18,31 0 signifikan
X1 7,34 0,48 0,635 tidak signifikan
X2 -0,15826 -0,708 0 signifikan
X5 0,00000309 0,4 0,691 tidak signifikan
X7 -0,2172 0,1908 0,264 tidak signifikan
X8 -0,01411 -0,44 0,666 tidak signifikan
X9 0,05142 0,05733 0,377 tidak signifikan
X10 0,002544 1,42 0,168 tidak signifikan
X11 -0,02379 -2,23 0,034 signifikan
S = 1,65667 ; R2 = 79,3% ; R2 (adj) = 73,6%
BACK
Geographically Weighted Regression
Geographichally Weighted Regression
Daerah Bandwidth Daerah Bandwidth
Pacitan 3,148727 Magetan 3,100289
Ponorogo 2,701017 Ngawi 3,070659
Trenggalek 2,789844 Bojonegoro 2,861821
Tulungagung 2,679657 Tuban 2,706873
Blitar 2,210036 Lamongan 2,221196
Kediri 2,267202 Gresik 2,211989
Malang 1,907972 Bangkalan 2,072594
Lumajang 2,070186 Sampang 2,311682
Jember 2,264894 Pamekasan 2,438034
Banyuwangi 3,149882 Sumenep 2,688777
Bondowoso 2,495422 Kota Kediri 2,290667
Situbondo 2,590213 Kota Blitar 2,119839
Probolinggo 1,936249 Kota Malang 1,901102
Pasuruan 1,797221 Kota Probolinggo 2,162496
Sidoarjo 1,97202 Kota Pasuruan 1,818127
Mojokerto 2,0799 Kota Mojokerto 2,122732
Jombang 2,2193 Kota Madiun 2,998097
Nganjuk 2,778191 Kota Surabaya 2,012664
Madiun 3,044242 Kota Batu 1,98781
Nilai bandwith yang diperoleh dari hasil iterasi : 1,199972 dengan nilai kriteria CV: 113.386
Geographichally Weighted Regression
6185,07161,09037,08749,08262,09229,0
9200,08862,09270,09082,08918,09542,09305,09019,0
9406,09332,09214,09656,09557,09618,09640,09649,0
9884,09793,09921,09913,09896,09917,09869,09970,0
9954,09949,09970,09975,09983,09992,09999,00000,1
, 11 diagvuW
000000
00000000
00000000
00000000
00000000000,1
, 11 diagvuW
matriks pembobot yang dibentuk dengan fungsi kernel gauss pada lokasi (u1, v1) yaituKabupaten Pacitan adalah : (dengan jarak euclid)
Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai berikut :
Geographichally Weighted Regression
SSE d.f F P-value
Model GWR 63,29941 25 1,2574 0,2823
Model Linier 79,59179 29
Penaksiran Parameter :ANOVA Fotheringham :
SSE d.f F P-value
Model GWR 63,29941 27.536 0.9224 0.417
Model Linier 79,59179 29.000
ANOVA LEUNG :
Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi . Apabila digunakan nilai sebesar 5% maka nilai , Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada tabel berikut:
ii vu ,
22,045T(0,025;29)
Nilai
Minimum Maksimum
Intercept 66300,00 75800,00
X1 2590,00 18200,00
X2 -169,00 -146,00
X5 0,00 0,01
X7 -216,00 -185,00
X8 -52,70 31,60
X9 23,50 87,00
X10 0,77 3,06
X11 -24,50 -14,30
Geographichally Weighted Regression
Id Kab/Kota Variabel yang signifikan berpengaruh Id Kab/Kota Variabel yang signifikan berpengaruh
0Pacitan X2 19 Magetan X2
1Ponorogo X2, X11 20 Ngawi X2, X11
2Trenggalek X2, X11 21 Bojonegoro X2, X11
3Tulungagung X2, X11 22 Tuban X2, X11
4Blitar X2, X11 23 Lamongan X2, X11
5Kediri X2, X11 24 Gresik X2, X11
6Malang X2, X11 25 Bangkalan X2, X11
7Lumajang X2 26 Sampang X2
8Jember X2 27 Pamekasan X2
9Banyuwangi X2 28 Sumenep X2
10Bondowoso X2 29 Kota Kediri X2, X11
11Situbondo X2 30 Kota Blitar X2, X11
12Probolinggo X2, X11 31 Kota Malang X2, X11
13Pasuruan X2, X11 32 Kota Probolinggo X2
14Sidoarjo X2, X11 33 Kota Pasuruan X2, X11
15Mojokerto X2, X11 34 Kota Mojokerto X2, X11
16Jombang X2, X11 35 Kota Madiun X2, X11
17Nganjuk X2, X11 36Kota Surabaya X2, X11
18Madiun X2, X11 37 Kota Batu X2, X11
Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Variabel yang Signifikan
Dengan Menggunakan Pembobot Fungsi Kernel Gauss
Geographichally Weighted Regression
Kabupaten/Kota Variabel yang signifikan
Pacitan, Lumajang, Jember,
Banyuwangi, Bondowoso, Situbondo,
Magetan, Sampang, Pamekasan,
Sumenep, Kota Probolinggo
X2 : Persentase persalinan yang
dilakukan dengan bantuan non medis
(dukun bayi)
Ponorogo, Trenggalek, Tulung
Agung,
Blitar, Kediri, Malang,
Probolinggo, Pasuruan, Sidoarjo,
Mojokerto, Jombang, Nganjuk,
Madiun, Ngawi, Bojonegoro,
Tuban, Lamongan, Gresik,
Bangkalan, Kota Kediri,
Kota Blitar, Kota Malang,
Kota Pasuruan, Kota Mojokerto,
Kota Madiun, Kota Surabaya, Kota
Batu
X2 : Persentase persalinan yang
dilakukan dengan bantuan non medis
(dukun bayi)
X11 : Jumlah sarana kesehatan
BACK
Perbandingan Kesesuaian Model
Geographichally Weighted Regression
Model SS
Regresi Linier (OLS) 79,59179
GWR 63,29941 *
Ket : *) Model Terbaik
STATISTIKA DESKRIPTIF
Geographichally Weighted Regression
Variabel
Total
count Rata-rata
Standar
Deviasi Minimum Maximum
Y 35 69,946 1,547 66,75 72,62
X1 35 0,01697 0,01215 0,002 0,043
X2 35 17,7 11,87 1,02 44,59
X3 35 19,426 0,968 18,123 21,785
X4 35 6,525 1,162 4,969 9,4
X5 35 257176 56641 186487 436905
X6 35 54,32 27,74 0 86
X7 35 7,945 1,215 6 10,376
X8 35 60,02 13,32 41,92 96,38
X9 35 17,27 8,84 3,75 36,66
X10 35 438 123,5 195 768
X11 35 118,31 42,43 35 215
Identifikasi Multikolinieritas
Geographichally Weighted Regression
Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
X1 -0,129
X2 -0,528 0,182
X3 0,401 -0,261 -0,682
X4 0,352 -0,307 -0,649 0,878
X5 0,26 -0,247 -0,662 0,792 0,863
X6 -0,027 0,233 0,655 -0,751 -0,836 -0,851
X7 -0,185 -0,039 0,091 -0,233 -0,194 -0,16 0,199
X8 0,326 -0,309 -0,577 0,539 0,626 0,653 -0,569 -0,016
X9 -0,236 0,215 0,746 -0,52 -0,543 -0,72 0,607 0,095 -0,527
X10 0,077 0,019 -0,242 0,1 0,089 0,031 -0,041 0,08 0,13 -0,169
X11 0,161 0,064 -0,239 -0,026 0,013 -0,072 0,095 0,221 0,137 -0,117 0,814
Nilai VIF
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
1,226 3,934 5,619 8,831 8,35 4,831 1,175 2,075 3,629 3,433 4,206
BACK
Regresi Linier
Geographichally Weighted Regression
= 62,1 - 5,3 X1 - 0,124 X2 - 0,019 X3 + 0,776 X4 + 0,000010 X5 + 0,0721 X6
- 0,260 X7 + 0,0088 X8 + 0,0569 X9 - 0,00100 X10 - 0,00104 X11
Y
Jawa Tengah
Fhitung 6,18
db 11;23
2,24)23,11;05,0(f
Prediktor Koefisien T P-value kesimpulan
Konstan 62,101 9,17 0 signifikan
X1 -5,3 -0,36 0,723 tidak signifikan
X2 -0,12427 -4,59 0 signifikan
X3 -0,0194 -0,05 0,961 tidak signifikan
X4 0,7757 1,87 0,074 signifikan
X5 0,00001031 1,25 0,225 tidak signifikan
X6 0,07208 5,61 0 signifikan
X7 -0,2601 -1,8 0,086 signifikan
X8 0,0088 0,5 0,621 tidak signifikan
X9 0,05689 1,63 0,117 tidak signifikan
X10 -0,001001 -0,41 0,685 tidak signifikan
X11 -0,001036 -0,13 0,896 tidak signifikan
S = 0,945826 ; R2 = 74,7 % ; R2 (adj) = 62,6%
BAck
Geographically Weighted Regression
Geographichally Weighted Regression
no Kabupaten/Kota Bandwidth no Kabupaten/Kota Bandwidth
1 Cilacap 2,979429 19 Kudus 2,979491
2 Banyumas 2,688279 20 Jepara 2,242840
3 Purbalingga 2,845353 21 Demak 1,970174
4 Banjarnegara 2,114054 22 Semarang 1,697305
5 Kebumen 2,107114 23 Temanggung 1,803337
6 Purworejo 1,871240 24 Kendal 1,735039
7 Wonosobo 1,854839 25 Batang 1,854478
8 Magelang 1,544733 26 Pekalongan 2,076594
9 Boyolali 1,850778 27 Pemalang 2,466662
10 Klaten 1,903346 28 Tegal 2,560634
11 Sukoharjo 1,735467 29 Brebes 2,792161
12 Wonogiri 2,352900 30 Kota Magelang 1,560498
13 Karanganyar 2,162165 31 Kota Surakarta 2,087133
14 Sragen 2,181186 32 Kota Salatiga 1,733541
15 Grobogan 1,586967 33 Kota Semarang 1,708253
16 Blora 2,822221 34 Kota Pekalongan 2,040180
17 Rembang 2,500770 35 Kota Tegal 2,603301
18 Pati 2,429986
Nilai bandwith yang diperoleh dari hasil iterasi : 1.655447 dengan nilai kriteria CV : 44.41073
matriks pembobot dengan fungsi kernel gauss pada lokasi (u1, v1) yaitu KabupatenCilacap adalah :
Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai berikut :
Geographichally Weighted Regression
4133,08160,08291,0
8275,08071,09369,08843,08378,08827,08510,09307,0
9153,09406,09541,09579,09204,09492,09818,09647,0
9446,09623,09625,09682,09854,09810,09827,09773,0
9874,09818,09885,09948,09917,09945,09986,01
, 11 diagvuW
000
00000000
00000000
00000000
00000000000,1
, 11 diagvuW
Penaksiran Parameter :
Geographichally Weighted Regression
Nilai
Minimum Maksimum
Intercept 61220,000000 66730,000000
X1 9884,000000 3950,000000
X2 141,300000 112,200000
X3 395,700000 205,200000
X4 417,300000 866,800000
X5 0,008290 0,015940
X6 59,010000 78,670000
X7 342,600000 272,500000
X8 5,680000 14,100000
X9 27,770000 103,500000
X10 3,734000 2,977000
X11 10,350000 2,846000
ANOVA Fotheringham :
SSE d.f F P-value
Model GWR 18,03745 19,93 1,1402 0,3864
Model Linier 20,56622 23
ANOVA LEUNG :
SSE d.f F P-value
Model GWR 18,03745 23 1,0121 0,5121
Model Linier 20,56622 23
Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi . Apabila digunakan nilai sebesar 5% maka nilai , Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada tabel berikut:
Geographichally Weighted Regression
Id Kab/Kota
Variabel yang
signifikan
berpengaruh Id Kab/Kota
Variabel yang
signifikan
berpengaruh
0 Cilacap X2, X6, X9 18 Kudus X2, X6
1 Banyumas X2, X6, X9 19 Jepara X2, X6
2 Purbalingga X2, X6, X9 20 Demak X2, X6
3 Banjarnegara X2, X6 21 Semarang X2, X6
4 Kebumen X2, X6 22 Temanggung X2, X6
5 Purworejo X2, X6 23 Kendal X2, X6
6 Wonosobo X2, X6 24 Batang X2, X6
7 Magelang X2, X6 25 Pekalongan X2, X6
8 Boyolali X2, X6 26 Pemalang X2, X6
9 Klaten X2, X6 27 Tegal X2, X6, X9
10 Sukoharjo X2, X6 28 Brebes X2, X6, X9
11 Wonogiri X2, X6 29 Kota Magelang X2, X6
12 Karanganyar X2, X6 30 Kota Surakarta X2, X6
13 Sragen X2, X6 31 Kota Salatiga X2, X6
14 Grobogan X2, X6 32 Kota Semarang X2, X6
15 Blora X2, X6 33 Kota Pekalongan X2, X6
16 Rembang X2, X6 34 Kota Tegal X2, X6, X9
17 Pati X2, X6
Geographichally Weighted Regression
Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Variabel yang Signifikan
Dengan Menggunakan Pembobot Fungsi Kernel Gauss
Kabupaten/Kota Variabel yang signifikan
Cilacap, Banyumas, Purbalingga,
Brebes, Kabupaten Tegal dan Kota Tegal
X2 : Persentase persalinan yang dilakukan
dengan bantuan non medis (dukun bayi)
X6 : Persentase daerah yang berstatus desa
X9 : Persentase penduduk miskin
Banjarnegara, Kebumen, Purworejo,
Wonosobo, Magelang, Boyolali, Klaten,
Sukoharjo, Wonogiri, Karanganyar, Sragen,
Grobogan, Blora, Rembang, Pati, Kudus,
Jepara, Demak, Semarang, Temanggung,
Kendal, Batang, Pekalongan, Pemalang, Kota
Magelang,
Kota Surakarta, Kota Salatiga,
Kota Semarang, Kota Pekalongan
X2 : Persentase persalinan yang dilakukan
dengan bantuan non medis (dukun bayi)
X6 : Persentase daerah yang berstatus desa
BACK
Perbandingan Kesuaian Model
Geographichally Weighted Regression
Model SS
Regresi Linier (OLS) 20,56622
GWR 18,03745 *
Ket : *) Model Terbaik
Kesimpulan
1. Faktor-faktor yang berpengaruh terhadap AHH di Jatim berdasarkan model GWR adalah Persentase persalinan yang dilakukan dengan tenaga non medis (X2) dan jumlah tenaga medis (X11). Terdapat dua kelompok yang terbentuk berdasarkan variabel yang signifikan pada masing-masing model di Jawa Timur. Kelompok yang pertama masalah yang signifikan berpengaruh terhadap AHH yaitu X2 dan untuk kelompok yang kedua masalah yang signifikan berpengaruh terhadap AHH yaitu X2 dan X11.
Geographichally Weighted Regression
BACK
Kesimpulan
2. Faktor-faktor yang mempengaruhi angka harapan hidup di Jawa Tengah adalah persentase persalinan yang dilakukan oleh bantuan non medis (X2), persentase daerah yang berstatus desa (X6), dan persentase penduduk miskin (X9). Berdasarkan variabel yang signifikan, maka kabupaten/kota di Jawa Tengah dapat dikelompokkan menjadi dua kelompok. Pada kelompok pertama masalah yang signifikan berpengaruh yaitu X2, X6, dan X9. Sedangkan kelompok kedua masalah yang berpengaruh terhadap AHH yaitu X2 dan X6
Geographichally Weighted Regression
Next
Saran
1. Dalam melakukan analisis agar lebih memperhatikan asumsi residual yang harus dipenuhi yaitu asumsi residual berdistribusi normal, karena hal itu berpengaruh terhadap hasil analisis. Apabila data yang digunakan tidak berdistribusi normal maka dapat digunakan model regresi lokal yang lain.
2. Selain menggunakan program R 2.9.1, disarankan untuk menggunakan program lain untuk melakukan analisis seperti program GWR4 agar lebih praktis, atau mungkin dengan menggunakan program Matlab
3. Model GWR sangat sesuai apabila diterapkan di Indonesia, karena kondisi setiap daerah di Indonesia sangat beragam (berbeda satu sama lain). Sehingga dengan adanya variabel-variabel yang digunakan dalam analisis yang menggunakan model GWR diharapkan mampu menerangkan kondisi lokal daerah tersebut.
Geographichally Weighted Regression
Daftar Pustaka
Draper, N.R. and Smith, H. 1981. Applied Regression Analysis, Second Edition. John Wiley and sons, Inc. New York.
Fotheringham, A.S., Brundson, C., dan Charlton, M. 2002. Geographically Weighted Regression : the analysis of spatially varying relationship. John Wiley & Sons Ltd, England.
Myers, R.H. 1990. Classical and Modern Regression with Application, Second Edition. PWS-Kent Publishing Company. Boston.
Sugiyanto. 2008. Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression (Studi Kasus Data Kemiskinan di Propinsi Papua). Program Magister. Institut Teknologi Sepuluh Nopember. Surabaya.
Tim Penyusunan Laporan Tujuan Pembangunan Milenium Indonesia tahun 2007. 2007. Laporan Pencapaian Milenium Development Goals Indonesia 2007. Jakarta : Kementrian Negara Perencanaan Pembangunan Nasional.
Geographichally Weighted Regression