Novrianti Khairunnisa, 2015 PEMODELAN DATA PDRB, PENGANGGURAN, DAN AMH TERHADAP KEMISKINAN DI PROVINSI
JAWA BARAT DENGAN MENGGUNAKAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION MGWR
Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
[ ]
[ ]
[ ]
Chang-Lin Mei , GWR Technique for Spatial Data Analysis Halaman 9
̃ ∑
∑
3.15 Estimator parameter untuk model GWR adalah
̂ [
] ̃ 3.16
Dengan W adalah diagonal matrik pembobot berukuran n x n . 3.17
Journal of regional science : A note on the MGWR Model, Changlin Mei, 2004 :145.
Misalkan adalah elemen baris ke-i dari matriks
. Maka nilai prediksi untuk
̃
pada untuk seluruh pengamatan dapat
dituliskan sebagai berikut :
̃̂ ̃̂
̃̂ ̃̂
̃
3.18 Dimana :
3.19
Setelah itu disubtitusikan elemen dari
̂
kedalam model MGWR pada persamaan berikut :
̃
3.20 Menurut metode Ordinary Least SquaresOLS diperoleh estimasi
koefisien konstan, sehingga diperoleh untuk estimasi parameter bersifat global adalah
̂ [
]
3.21
Novrianti Khairunnisa, 2015 PEMODELAN DATA PDRB, PENGANGGURAN, DAN AMH TERHADAP KEMISKINAN DI PROVINSI
JAWA BARAT DENGAN MENGGUNAKAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION MGWR
Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Dengan mensubstitusikan
̂
kedalam persamaan 3.16 maka akan diperoleh estimasi untuk koefisien lokal pada lokasi
adalah
̂ [
] ̂
3.22 Untuk i = 1 , 2 , ... , n dengan
̃̂ ̃
̂
3.33 Oleh karena itu, nilai fitted-value dari dependen untuk n lokasi
pengamatan adalah
̂
, dengan ]
. Estimator
̂
merupakan estimator tak bias dan efisien untuk .
Sedangkan estimator
̂
merupakan estimator tak bias dan efisien untuk . Purhadi dan Yasin, 2012 : 531.
63
Novrianti Khairunnisa, 2015 PEMODELAN DATA PDRB, PENGANGGURAN, DAN AMH TERHADAP KEMISKINAN DI PROVINSI
JAWA BARAT DENGAN MENGGUNAKAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION MGWR
Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Model yang paling baik untuk menggambarkan persentase penduduk miskin
kabupaten dan kota di provinsi Jawa Barat adalah model MGWR. Pada metode MGWR fungsi pembobot yang digunakan adalah Fixed Gaussian,
Fixed bi-square, Adaptive bi-square, dan Adaptive Gaussian. Berdasarkan model MGWR, fungsi pembobot yang terbaik adalah kernel Fixed bi-square
yang memiliki nilai AICc paling kecil. Model MGWR dengan melibatkan semua variabel dirumuskan berikut :
̂
= 10,208602 - 1,514814 PDRB + 0,199544 TPT - 1,467771 AMH + residual
2. Hasil pengujian bahwa terdapat variabel global dan lokal dalan model regresi
ini.
Tabel 5.1
Hasil Ringkasan Pengujian Variabilitas Spasial untuk Model GWR
Variabel DIFF of Criterion Bernilai Kesimpulan Intercept
PDRB TPT
AMH -1,380347
0,158551 0,233536
-0,619069 Negatif
Positif Positif
Negatif Variabel Lokal
Variabel Global Variabel Global
Variabel Lokal
Maka untuk variabel global yaitu : PDRB dan TPT. Sedangkan untuk variabel lokal yaitu : AMH. Pada studi kasus dengan sampel 26 kabupaten
dan kota di provinsi Jawa Barat Tahun 2012 ternyata PDRB, TPT, dan AMH berpengaruh sebesar 28,8 terhadap Penduduk Miskin sedangkan sisanya
71,2 dipengaruhi oleh faktor lain. Berdasarkan hasil analisis dengan MGWR terhadap studi kasus dengan
mengambil observasi 26 kabupaten dan kota, ternyata ada 16 kabupaten dan kota untuk AMH Angka Melek Huruf yang menjadi faktor pengaruh
persentase penduduk miskin kabupaten dan kota di provinsi Jawa Barat
Novrianti Khairunnisa, 2015 PEMODELAN DATA PDRB, PENGANGGURAN, DAN AMH TERHADAP KEMISKINAN DI PROVINSI
JAWA BARAT DENGAN MENGGUNAKAN MIXED GEOGRAPHICALLY WEIGHTED REGRESSION MGWR
Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Tahun 2012. Sedangkan untuk PDRB dan TPT berpengaruh secara menyeluruh di setiap kabupatenkota di provinsi Jawa Barat.
5.2 Saran
1. Model MGWR dengan fungsi pembobot yang lainnya yang belum digunakan
pada skripsi ini yaitu fungsi kernel Tricube. 2.
Dalam menganalisis metode MGWR dapat juga menggunakan software R untuk memodelkan data pada metode tersebut.
3. Untuk penelitian selanjutnya mengenai studi kasus di Jawa Barat disarankan
dari tahun 2013 ke atas. Karena tahun 2013 provinsi Jawa Barat jumlah kabupatenkota bertambah menjadi 27 kabupatenkota. Yang bertambah yaitu
kabupaten pangandaran. 4.
Pada penelitian selanjutnya disarankan dengan satuan variabel yang sama agar memudahkan dalam menganalisis data serta menambahkan variabel
yang lainnya yang lebih berbeda.
