Penkasiran Koefisien Regresi GWR

Atiya Maulani, 2013 Efektivitas Penggunaan Thoriqoh Mubasyiroh Terhadap Peningkatan Penguasaan Kosa Kata Bahasa Arab Universitas Pendidikan Indonesia | repository.upi.edu dimana : nilai variabel respon pada titik lokasi pengamatan ke-i : nilai variabel prediktor ke-k pada titik lokasi pengamatan ke-i , : koordinat titik lokasi pengamatan ke-i longitude, latitude , : konstantaintercept GWR , : koefisien regresi ke-k pada titik lokasi pengamatan ke-i � : error pada titik lokasi ke-i yang diasumsikan independen, identik, dan berdistribusi normal dengan rata-rata nol dan varians � 2 Persamaan 3.1 dapat ditulis dalam bentuk matriks sebagai berikut : = ⨂ 1 + � 3.2 dengan ⨂ merupakan operator perkalian logika dimana setiap elemen dari dikalikan dengan elemen dari secara berpasangan. Jika terdapat data pengamatan dan buah variabel prediktor, maka hasil kali antara dengan akan menghasilkan matriks berukuran × + 1 , dan 1 adalah vektor satuan berukuran + 1 × 1 . Matriks memuat himpunan parameter lokal dan dinyatakan sebagai berikut : = 1 , 1 1 1 , 1 2 1 , 1 1 , 1 2 , 2 1 2 , 2 2 2 , 2 2 , 2 ⋱ , 1 , 2 , , 3.3

3.2.1 Penkasiran Koefisien Regresi GWR

Penaksiran koefisien regresi pada Geographically Weighted Regression GWR dilakukan dengan menggunakan metode kuadrat terkecil terboboti atau Weighted Least Square WLS, yaitu metode kuadrat terkecil dengan memberikan pembobot yang berbeda pada setiap titik lokasi pengamatan. Pembobot tersebut berupa matriks diagonal dimana elemen-elemen diagonalnya merupakan sebuah fungsi pembobot dari titik lokasi pengamatan. Atiya Maulani, 2013 Efektivitas Penggunaan Thoriqoh Mubasyiroh Terhadap Peningkatan Penguasaan Kosa Kata Bahasa Arab Universitas Pendidikan Indonesia | repository.upi.edu Misalkan pembobot untuk setiap titik lokasi pengamatan , adalah , = 1,2, , , maka koefisien regresi pada titik lokasi pengamatan , ditaksir dengan menambahkan pembobot pada Persamaan 3.1 dan meminumkan jumlah kuadrat error-nya seperti pada penaksiran koefisien regresi linear klasik sebagai berikut : � 2 =1 = − , − , =1 2 =1 3.4 Misalkan matriks pembobot pada titik lokasi pengamatan ke-i adalah , dan dinyatakan sebagai berikut : , = 1 2 ⋱ 3.5 , merupakan matriks diagonal × dengan setiap elemen diagonalnya adalah pembobot untuk masing-masing titik lokasi pengamatan , atau . Persamaan 3.4 dapat ditulis dalam bentuk matriks sebagai berikut : � ′ , � = ′ , − 2 ′ , ′ , + ′ , ′ , , 3.6 Jumlah kuadrat error akan minimum dengan mendiferensialkan Persamaan 3.6 terhadap ′ , sebagai berikut : � � ′ , � ′ , � = 0 − 2 ′ , + 2 ′ , , = 0 3.7 Penyelesaian Persamaan 3.7 sebagai berikut : − 2 ′ , + 2 ′ , , = 0 −2 ′ , + 2 ′ , , = 0 Atiya Maulani, 2013 Efektivitas Penggunaan Thoriqoh Mubasyiroh Terhadap Peningkatan Penguasaan Kosa Kata Bahasa Arab Universitas Pendidikan Indonesia | repository.upi.edu 2 ′ , , = 2 ′ , ′ , , = ′ , 3.8 Untuk memperoleh nilai taksiran koefisien regresi , , kalikan kedua ruas dari sebelah kiri pada Persamaan 3.8 dengan invers dari ′ , sehingga : ′ , −1 ′ , , = ′ , −1 ′ , 3.9 karena ′ , −1 ′ , = , maka : , = ′ , −1 ′ , atau , = ′ , −1 ′ , 3.10 , merupakan penaksir yang tak bias, efisien, dan konsisten bagi , . Misalkan ′ = 1, 1 , 2 , , adalah elemen baris ke-i dari matriks , maka nilai taksiran untuk pada titik lokasi pengamatan , adalah : = ′ , = ′ ′ , −1 ′ , 3.11 Misalkan ′ ′ , −1 ′ , adalah elemen baris ke-i dari matriks 1 , sehingga nilai taksiran untuk buah pengamatan dapat ditentukan sebagai berikut : = 1 3.12 dengan 1 = 1 ′ ′ 1 , 1 −1 ′ 1 , 1 2 ′ ′ 2 , 2 −1 ′ 2 , 2 ′ ′ , −1 ′ , 3.13 Atiya Maulani, 2013 Efektivitas Penggunaan Thoriqoh Mubasyiroh Terhadap Peningkatan Penguasaan Kosa Kata Bahasa Arab Universitas Pendidikan Indonesia | repository.upi.edu

3.2.2 Pembobot Model GWR

Dokumen yang terkait

this PDF file APLIKASI MODEL WEIGHTED REGRESSION (GWR) UNTUK MENENTUKAN FAKTORFAKTOR YANG MEMPENGARUHI KASUS GIZI BURUK ANAK BALITA DI JAWA BARAT | Maulani | Jurnal EurekaMatika 1 SM

1 2 18

Pemetaan Hasil Pemodelan Faktor-Faktor yang Berpengaruh Terhadap Prevalensi Balita Gizi Buruk di Provinsi Jawa Timur Tahun 2014 dengan Mixed Geographically Weighted Regression (MGWR)

0 0 6

Pemodelan Penduduk Miskin di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

2 2 6

Pemodelan Angka Prevalensi Kusta dan Faktor- Faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically Weighted Regression (GWR)

0 0 7

Faktor-faktor yang Mempengaruhi Morbiditas Penduduk Jawa Timur dengan Multivariate Geographically Weighted Regression (MGWR)

0 1 6

Pemodelan Kasus Balita Gizi Buruk di Kabupaten Bojonegoro dengan Geographically Weighted Regression

1 1 6

Pemetaan Angka Gizi Buruk pada Balita di Jawa Timur dengan Geographically Weighted Regression

1 2 6

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Penyakit Tuberkulosis di Jawa Timur dengan Pendekatan Generalized Poisson Regression dan Geographically Weighted Poisson Regression

2 5 6

Identifikasi Faktor-Faktor yang Mempengaruhi Pneumonia pada Balita di Surabaya Menggunakan Geographically Weighted Negative Binomial Regression

0 2 6

Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tuberkulosis di Jawa Timur Menggunakan Metode Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression - ITS Repository

1 4 102