ESTIMASI MODEL MIXED GEOGRAPHICALLY WEIGHTED REGRESSION BERDASARKAN ESTIMATOR WEIGHTED LEAST SQUARE Repository - UNAIR REPOSITORY
Lampiran 1. Data Letak Koordinat, Data Persentase Kemisikinan di Provinsi Jawa Timur Tahun 2009 beserta Variabel-variabel Prediktornya
KAB/KOTA Longitude Latitude Kabupaten
10,13 10,68 8,77 16,70
30,95 20,95 25,15 16,75 20,58 28,29 37,64 42,32 13,94
11,02 6,98 8,29 6,86
13,30 9,63 8,01 6,05 4,66 4,96 7,69 15,42
12,44 5,07 6,11 9,98 6,34 18,11 8,73 14,37
8,86 3,97 9,15 4,30 9,03 5,79 4,28 9,33
2,64 3,67 3,63 7,08 3,46 2,62 3,55 2,10 2,03 4,39
14,34 13,13 12,75 5,17 22,43 28,44 17,61 21,38
9,34 2,94 6,59 7,28
Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep
16,19 15,34 12,16 20,91 20,38 20,92
13,17 6,79 6,04 7,36 6,93 9,32
28,28 39,01 34,15 33,11 32,74 32,36 35,83 27,77 30,98 31,91 26,69 30,55 33,45 20,07 30,39 28,55 29,75 28,86 32,21 30,39 34,03 37,10 28,30 25,53 28,38 26,34 28,55 29,14 20,29 20,13 19,87 23,25 26,35 21,15 15,09 18,33 30,16 8,39
5,58 21,06 9,34 7,19 5,93 6,27 4,81 37,67
14,63 18,27 10,60 13,19 17,05 13,57 15,83 15,43 12,16 20,18 15,99 27,69 15,58 6,91 13,24 14,46 17,22 16,97 13,97 19,01 21,27 23,01 20,47 19,14 30,45 31,94 24,32 26,89 10,41 7,56
111,57 111,42 111,53 112,00 112,03 112,37 113,13 113,32 114,21 113,49 113,56 112,92 112,74 112,42 112,28 112,13 111,53 111,26 111,19 111,26 111,53 112,01 112,24 112,24 112,44 113,15 113,28 113,51 112,00 112,09 112,38 113,12 112,54 112,25 111,30 112,44 112,31 19,01
7,52 8,02 8,03 8,03 7,47 7,59 8,08 8,16 8,10 7,54 7,43 7,57 7,47 7,27 7,32 7,32 7,36 7,34 7,39 7,24 7,09 6,52 7,07 7,09 7,02 7,12 7,10 7,00 7,49 8,04 7,58 7,45 7,38 7,28 7,37 7,14 7,51 111,06
Kota
Kediri Blitar Malang Probolinggo Pasuruan Mojokerto Madiun Surabaya Batu 8,11
KAB/KOTA Kabupaten
Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep
10,44 8,53 7,57 9,30 Keterangan : = persentase penduduk miskin di provinsi Jawa Timur tahun 2009 = persentase penduduk yang tamat SD/MI = persentase penduduk usia 10 tahun ke atas yang tidak bisa baca tulis huruf = persentase rumah tangga yang status rumah yang ditempati bukan milik sendiri = persentase rumah tangga yang jenis dinding terluas rumahnya bukan tembok/kayu/bambu = persentase rumah tangga yang tidak mempunyai fasilitas tempat buang air besar = persentase penduduk yang pengangguran = persentase rumah tangga yang mendapatkan Askeskin
= persentase rumah tangga mendapatkan pelayanan kesehatan gratis
= persentase rumah tangga yang pernah membeli beras murah/raskin
Provinsi Jawa Timur.
3,97 4,08 4,12 4,32 3,07 4,60 5,15 3,22 4,36 3,91 4,98 3,27 3,17 5,63 3,51 4,60 3,33 3,88 3,31 3,24 2,32 3,02 4,43 5,57 3,11 2,93 3,79 2,89 8,21 7,03 7,97 6,42 8,69 8,34 8,93 6,68 4,15 Sumber : BPS, 2009, Hasil Susenas 2009 Provinsi Jawa Timur. Surabaya : BPS
9,40 87,95 77,09 91,07 65,62 78,61 70,13 63,50 69,65 60,93 57,51 85,09 76,52 68,45 55,30 19,53 54,08 72,32 75,32 61,39 53,04 71,70 86,67 86,06 74,74 40,99 45,36 84,06 83,65 59,97 37,02 38,59 27,84 37,00 37,57 38,03 26,06 29,38 38,10 4,01
7,59 8,06 11,33 8,09 15,63 20,17 14,89 12,67 13,75 23,94 17,79 17,95
6,32 11,73 18,92 15,16
8,41 4,87 15,25 14,94 16,29 20,18 12,46 13,07
9,87 10,55 11,95 11,34 19,53 20,44 14,05 10,60
7,89 9,24 12,25 11,19
62,25 77,53 63,53 35,34 50,45 46,80 64,76 61,70 40,39 90,66 55,21 57,75 58,38 42,26 46,21 75,66 53,07 45,80 53,92 72,69 77,87 84,31 48,16 46,66 63,96 74,16 73,85 58,04 56,04 31,78 34,48 48,65 41,91 31,34 64,17 63,19 57,29 16,37
11,27 8,63 7,51 64,54
3,45 3,91 4,54 3,00 5,10 6,35 2,24 4,42 4,05 2,88 2,28 2,60 5,03 10,19 5,54 6,19 3,98 6,04 3,82 4,49 4,52 4,22 4,92 7,01 5,01 1,70 2,18 2,27 8,32 8,47
Kediri Blitar Malang Probolinggo Pasuruan Mojokerto Madiun Surabaya Batu 29,17
13,06 3,11 0,16 0,18 2,68 1,32
2,35 4,06 2,85 13,44
8,83 15,70 33,21 36,61 13,16 2,69 17,25 35,26 25,04 26,96
26,27 43,85 33,00 64,47 54,53 49,94 29,14 10,99 26,61 15,48 11,84 14,34
6,55 14,79 7,44 7,15
4,91 3,38 11,75 18,22
3,28 4,69 1,87 5,61 3,97 6,24 2,96 5,36
5,67 51,92 64,83 48,68 43,08 16,94 35,64 61,39 32,81 12,50
15,67 50,02 53,21 29,30 10,81 1,28 11,27 17,18 17,25 15,44
6,34 12,51 9,59 19,15
13,33 13,45 11,27 13,73
Kota
= persentase penduduk yang bekerja disektor pertanian
Lampiran 2. Program 1, Penentuan Bandwidth Optimal dengan Metode CV
#PROGRAM PENENTUAN BANDWIDTH OPTIMAL DENGAN METODE CV# bandwidth<-function(Data) { cat("\n \t PENENTUAN BANDWIDTH OPTIMAL \n") cat(" ******************************************* \n") y<-as.numeric(readline(" y berada pada kolom ke- = ")) xa<-as.numeric(readline(" x akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = ")) va<-as.numeric(readline(" v berada pada kolom ke- = ")) h<-as.numeric(readline(" bandwidth awal = ")) dh<-as.numeric(readline(" selisih bandwidth = ")) cat(" ========================= \n") cat(" h \t\t CV \n") cat(" ========================= \n") u<-Data[,ua] v<-Data[,va] n<-length(u) d<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2)
} Xs<-Data[,2:xa] p<-ncol(Xs) X<-matrix(0,n,p) for(i in 1:n) { for(j in 1:p)
{ X[i,j]<- Xs[i,j]
} } y<-matrix(0,n,1) for(i in 1:n) { y[i,1]<-Data[i,1] } n<-length(y) hakhir<-2*h vh<-seq(h,hakhir,by=dh) nk<-length(vh) vCV<-rep(0,nk) for(z in 1:nk) { w<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n)
{ w[i,j]<-exp(-(d[i,j]/vh[z])^2)
} } Ytopi<-matrix(0,n,1) for(s in 1:n) {
W<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n)
{ if(i==j) W[i,j]<-w[s,i]
} } Wpot<-W[-s,-s] Xpot<-X[-s,] Ypot<-matrix(0,n-1,1) ypot<-y[-s,] for(i in 1:n-1) {
Ypot[i,1]<-ypot[i] } beta<-ginverse((t(Xpot)%*%Wpot)%*%Xpot)%*%t(Xpot)%*%Wpot%*%Ypot Ytopi[s]<-t(X[s,])%*%beta
} vCV[z]<-sum((y-Ytopi)^2) cat(" ",vh[z],"\t",vCV[z],"\n")
} CVtopi<-min(vCV) for(i in 1:nk) { if(vCV[i] == CVtopi)
{ htopi<-vh[i] break
} } cat(" ========================= \n") cat(" h \t\t CV \n") cat(" =====KONDISI OPTIMAL===== \n") cat(" ",htopi,"\t",CVtopi,"\n") cat(" ========================= \n")
}
Lampiran 3. Output Program 1
> bandwidth(miskin) PENENTUAN BANDWIDTH OPTIMAL
- y berada pada kolom ke- = 1 x akhir berada pada kolom ke- = 11 u berada pada kolom ke- = 12 v berada pada kolom ke- = 13 bandwidth awal = 0.1 selisih bandwidth = 0.01 ========================= h CV ========================= 0.1 3799.54109776379 0.11 3432.05307011615
0.12 9987.26433027476 0.13 7801.29430118161 0.14 7228.75150365714 0.15 6160.38685875141 0.16 8100.72165427531 0.17 7347.35554048139 0.18 7032.39412421144 0.19 6943.34329254403 0.2 6079.54817383412 ========================= h CV =====KONDISI OPTIMAL===== 0.11 3432.05307011615 =========================
Lampiran 4. Program 2, Identifikasi Variabel Prediktor Model MGWR
#PROGRAM IDENTIFIKASI VARIABEL PREDIKTOR MODEL MGWR# identifikasi<-function(Data) { cat("\n \t\t IDENTIFIKASI VARIABEL PREDIKTOR MODEL MGWR \n") cat("
- \n") y<-as.numeric(readline(" y berada pada kolom ke- = ")) xa<-as.numeric(readline(" x akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = ")) va<-as.numeric(readline(" v berada pada kolom ke- = ")) htopi<-as.numeric(readline(" bandwidth optimum = ")) alpha<-as.numeric(readline(" alpha = ")) u<-Data[,ua] v<-Data[,va] n<-length(u) y<-matrix(0,n,1) for(i in 1:n) { y[i,1]<-Data[i,1]
} Xs<-Data[,2:xa] p<-ncol(Xs) X<-matrix(0,n,p) for(i in 1:n) { for(j in 1:p)
{ X[i,j]<- Xs[i,j]
} } d<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2)
} w<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) w[i,j]<-exp(-(d[i,j]/htopi)^2)
} I<-diag(n) J<-matrix(1,n,n) Vk<-matrix(0,1,p) gamma1<-matrix(0,1,p) gamma2<-matrix(0,1,p) for(a in 1:p) { e<-matrix(0,p,1) e[a,1]<-1 K<-matrix(0,n,n) for(i in 1:n) { k<-t(e)%*%ginverse(t(X)%*%diag(w[i,])%*%X)%*%t(X)%*%diag(w[i,])
K[,i]<-as.matrix(k) } Vk[1,a]<-1/n*t(K%*%y)%*%(I-1/n*J)%*%K%*%y gamma1[1,a]<-sum(diag(1/n*t(K)%*%(I-1/n*J)%*%K)) gamma2[1,a]<-sum(diag(1/n*t(K)%*%(I-1/n*J)%*%K)^2)
} L<-matrix(0,n,n) for(i in 1:n) { l<- t(X[i,])%*%ginverse(t(X)%*%diag(w[i,])%*%X)%*%t(X)%*%diag(w[i,])
L[i,]<-as.vector(l) } SSEH1<-t(y)%*%t(I-L)%*%(I-L)%*%y delta1<-sum(diag(t(I-L)%*%(I-L))) delta2<-sum(diag(t(I-L)%*%(I-L))^2) SSEH1<-SSEH1[1,1] Fk<-(delta1/gamma1)*(Vk/SSEH1) v1<-(gamma1^2)/gamma2 v2<-(delta1^2)/delta2 Ftabel<-qf(1-alpha,v1,v2) Ftabel <- t(as.matrix(Ftabel)) cat("\n Hipotesis yang digunakan adalah \n") cat(" H0 : variabel Xk bersifat global \n") cat(" H1 : variabel Xk bersifat lokal \n") cat("\n Daerah Kritis : Fhitung >= Falpha \n") cat("\n Tabel Hasil Uji Identifikasi Variabel Prediktor Model MGWR \n") cat(" =========================================================== \n") cat(" X ke- \t Fhitung \t Falpha \t Keputusan \t Kesimpulan \n") cat(" =========================================================== \n") lokal <- 0 for(i in 1:p) { if(Fk[1,i] >= Ftabel[1,i])
{ cat(" ",i,"\t",round(Fk[1,i],7),"\t",round(Ftabel[1,i],7),"\t Tolak H0 \t LOKAL \n") lokal <- lokal+1
} else { cat(" ",i,"\t",round(Fk[1,i],7),"\t",round(Ftabel[1,i],7),"\t
Terima H0 \t GLOBAL \n") }
} cat(" =========================================================== \n") global<-p-lokal Xv<-matrix(0,n,lokal) Xc<-matrix(0,n,global) a<-1 b<-1 tanda1<-rep(0,lokal) tanda2<-rep(0,global) for(i in 1:p) { if(Fk[1,i] > Ftabel[1,i])
{ Xv[,a]<-X[,i] tanda1[a]<-i a<-a+1
} else {
Xc[,b]<-X[,i] tanda2[b]<-i b<-b+1
} } cat("\n Dari tabel diatas dapat disimpulkan bahwa \n") cat(" Variabel global adalah X ke- : ",tanda2," \n") cat(" Variabel lokal adalah X ke- : ",tanda1," \n") if(lokal==0) cat("\n Data bersifat global sehingga diselesaikan dengan regresi global \n") else if(lokal==p) cat("\n Data bersifat lokal sehingga diselesaikan dengan GWR \n") else if(lokal<p) cat("\n Data bersifat lokal dan global sehingga diselesaikan dengan MGWR \n")
}
Lampiran 5. Output Program 2
> identifikasi(miskin)
IDENTIFIKASI VARIABEL PREDIKTOR MODEL MGWR
- y berada pada kolom ke- = 1 x akhir berada pada kolom ke- = 11 u berada pada kolom ke- = 12 v berada pada kolom ke- = 13 bandwidth optimum = 0.11 alpha = 0.05 Hipotesis yang digunakan adalah H0 : variabel Xk bersifat global H1 : variabel Xk bersifat lokal Daerah Kritis : Fhitung >= Falpha
Tabel Hasil Uji Identifikasi Variabel Prediktor Model MGWR ===================================================================
X ke- Fhitung Falpha Keputusan Kesimpulan =================================================================== 1 8.1758017 10.6685623 Terima H0 GLOBAL 2 5.2231985 10.9324049 Terima H0 GLOBAL 3 7.5596768 10.925227 Terima H0 GLOBAL 4 4.9693182 10.84562 Terima H0 GLOBAL 5 21.4128111 10.5673088 Tolak H0 LOKAL 6 11.5524809 10.700181 Tolak H0 LOKAL 7 11.3290735 10.6630196 Tolak H0 LOKAL 8 9.9503076 10.7223755 Terima H0 GLOBAL 9 14.3745052 10.5885767 Tolak H0 LOKAL 10 4.9148712 10.7725997 Terima H0 GLOBAL =================================================================== Dari tabel diatas dapat disimpulkan bahwa Variabel global adalah X ke- : 1 2 3 4 8 10 Variabel lokal adalah X ke- : 5 6 7 9 Data bersifat lokal dan global sehingga diselesaikan dengan MGWR
Lampiran 6. Program 3, Estimasi Model MGWR
#ESTIMASI MODEL MGWR# estimasi<-function(Data) { cat("\n \t ESTIMASI MODEL MGWR \n") cat(" ***************************************** \n") y<-as.numeric(readline(" y berada pada kolom ke- = ")) xc<-as.numeric(readline(" x global akhir berada pada kolom ke- = ")) xv<-as.numeric(readline(" x lokal akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = ")) va<-as.numeric(readline(" v berada pada kolom ke- = ")) htopi<-as.numeric(readline(" bandwidth optimum = ")) u<-Data[,ua] v<-Data[,va] n<-length(u) y<-matrix(0,n,1) for(i in 1:n) { y[i,1]<-Data[i,1] } Xglobal<-Data[,2:xc] global<-ncol(Xglobal) Xc<-matrix(0,n,global) for(i in 1:n) { for(j in 1:global)
{ Xc[i,j]<-Xglobal[i,j]
} } Xlokal<-Data[,8:xv] lokal<-ncol(Xlokal) Xv<-matrix(0,n,lokal) for(i in 1:n) { for(j in 1:lokal)
{ Xv[i,j]<- Xlokal[i,j]
} } d<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2)
} w<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) w[i,j]<-exp(-(d[i,j]/htopi)^2)
}
I<-diag(n) Sv<-matrix(0,n,n) i<-1 repeat { if(i==n) break ss<- t(Xv[i,])%*%ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])
Sv[i,]<-as.vector(ss) i<-i+1 } betactopi<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I- Sv)%*%(I-Sv)%*%y cat("\n betactopi : \n") print(betactopi) ytilda<-y-(Xc%*%betactopi) betavtopi<-matrix(0,n,lokal) for(i in 1:n) { bv<- ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])%*%ytilda betavtopi[i,]<-as.vector(bv) } cat("\n betavtopi : \n") print(betavtopi) S<-Sv+(I-Sv)%*%Xc%*%ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*% t(I-Sv)%*%(I-Sv) ytopi<-S%*%y cat("\n ytopi : \n") print(ytopi) error<-y-ytopi MSE<-sum((y-ytopi)^2)/n cat("\n MSE = ",MSE,"\n")
}
Lampiran 7. Output Program 3
> estimasi(miskintopi) ESTIMASI MODEL MGWR
- y berada pada kolom ke- = 1 x global akhir berada pada kolom ke- = 7 x lokal akhir berada pada kolom ke- = 11 u berada pada kolom ke- = 12 v berada pada kolom ke- = 13 bandwidth optimum = 0.11 betactopi : [,1] [1,] 0.33113790 [2,] 0.22807648 [3,] -0.57705327
[4,] 0.06391983 [5,] -0.48531993 [6,] 1.60302080 betavtopi : [,1] [,2] [,3] [,4] [1,] -0.21206881 -0.0355552813 -0.061564550 0.131266304 [2,] -1.74231051 5.0968825104 -1.009324812 0.904215093 [3,] -0.13372527 -0.0689001671 -0.161368521 0.201994705 [4,] 0.05065446 -0.0095259666 -0.016494772 0.039223060 [5,] -0.17329858 0.2876745107 0.518057258 -0.202917057 [6,] -0.11191806 1.7776518113 0.001776991 0.013942996 [7,] 0.30390218 1.1403945567 -0.148699469 -0.022632871 [8,] 0.35962965 0.0439398095 -0.017908667 -0.125090412 [9,] 0.35962965 0.0439398095 -0.017908667 -0.125090412 [10,] 0.04255376 0.0052225063 0.052083218 0.074159590 [11,] -0.56025283 0.3335648268 0.294847070 0.195708389 [12,] -0.04229836 0.0002199659 0.230940819 -0.117357054 [13,] 2.34333599 5.1056796768 0.190996465 -1.822351805 [14,] 0.69714560 1.7218524753 -0.536842292 0.121263402 [15,] -0.72309998 -0.6781281719 0.295204579 0.289644974 [16,] -0.20410854 0.8835622512 -0.241436191 0.359456615 [17,] -0.08148289 1.3260184754 0.009495522 0.038328964 [18,] 0.06460698 5.1222227052 -0.865821265 0.517051671 [19,] -0.20730710 2.0705719700 -0.198029338 0.206269223 [20,] -0.18859060 2.0713258472 -0.195580336 0.199919615 [21,] -0.21315681 2.0658464667 -0.197883574 0.207966435 [22,] -0.30811097 2.4388222274 -0.328061164 0.338976685 [23,] 0.01921857 0.0022153063 0.044258880 0.045177550 [24,] -0.21143199 0.4736112771 0.305323609 -0.030510748 [25,] -0.27973621 0.5173212026 0.281144813 -0.005768058 [26,] -0.46363249 -1.2053683704 0.512699159 -0.001124361 [27,] 0.31974730 0.3596598602 0.481751008 -0.375474816 [28,] 0.31037293 0.1635930532 0.513936561 -0.395973713
[29,] 0.20004454 0.1694598302 0.707302513 -0.533804357 [30,] -0.07595944 1.8757670361 -0.014530352 0.014742685 [31,] -0.17329859 0.2876745556 0.518057289 -0.202917070 [32,] 0.28624280 1.1417931906 -0.149922961 -0.019871215 [33,] -0.05010989 2.6029816509 -0.647098607 0.726007682 [34,] -0.28090954 -0.3553987144 0.238356255 0.014138722 [35,] -0.21907311 0.9065394410 -0.154432291 0.285141145 [36,] -0.32005013 2.0725270542 -0.213718205 0.244449079 [37,] -0.52560122 -1.1891849410 0.480199266 0.062452102 [38,] 0.36691971 1.1365474879 -0.147920183 -0.027080060 ytopi : [,1] [1,] 19.010000 [2,] 14.630093 [3,] 18.270000 [4,] 10.600000 [5,] 13.190000 [6,] 17.048477 [7,] 13.571648 [8,] 15.830000 [9,] 15.430000 [10,] 12.160000 [11,] 20.180000 [12,] 15.989999 [13,] 27.690000 [14,] 15.580042 [15,] 6.884481 [16,] 13.220734 [17,] 14.480568 [18,] 17.168364 [19,] 16.974955 [20,] 13.970578 [21,] 19.006484 [22,] 21.269978 [23,] 23.010000 [24,] 20.486168 [25,] 19.144838 [26,] 30.438922 [27,] 31.940000 [28,] 24.320011 [29,] 26.890003 [30,] 10.405389 [31,] 7.560000 [32,] 5.577485 [33,] 21.059969 [34,] 9.311391 [35,] 7.179293 [36,] 5.918812 [37,] 6.288481 [38,] 4.810367 MSE = 0.00015760654754548
Lampiran 8. Program 4, Uji Parsial Parameter Variabel Prediktor Model MGWR
#PROGRAM UJI PARSIAL PARAMETER VARIABEL PREDIKTOR MODEL MGWR# ujiparsial<-function(Data) { cat("\n \t\t\t UJI PARSIAL PARAMETER VARIABEL PREDIKTOR MODEL MGWR
\n") cat(" *********************************************************** \n") y<-as.numeric(readline(" y berada pada kolom ke- = ")) xc<-as.numeric(readline(" x global akhir berada pada kolom ke- = ")) xv<-as.numeric(readline(" x lokal akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = ")) va<-as.numeric(readline(" v berada pada kolom ke- = ")) htopi<-as.numeric(readline(" bandwidth optimum = ")) alpha<-as.numeric(readline(" alpha = ")) u<-Data[,ua] v<-Data[,va] n<-length(u) y<-matrix(0,n,1) for(i in 1:n) { y[i,1]<-Data[i,1] } Xglobal<-Data[,2:xc] global<-ncol(Xglobal) Xc<-matrix(0,n,global) for(i in 1:n) { for(j in 1:global)
{ Xc[i,j]<-Xglobal[i,j]
} } Xlokal<-Data[,8:xv] lokal<-ncol(Xlokal) Xv<-matrix(0,n,lokal) for(i in 1:n) { for(j in 1:lokal)
{ Xv[i,j]<- Xlokal[i,j]
} } d<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2)
} w<-matrix(0,n,n) for(i in 1:n) { for(j in 1:n) w[i,j]<-exp(-(d[i,j]/htopi)^2)
} I<-diag(n) Sv<-matrix(0,n,n) i<-1 repeat { if(i==n) break ss<-t(Xv[i,])%*%ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*% diag(w[i,])
Sv[i,]<-as.vector(ss) i<-i+1 } betactopi<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv)
%*%(I-Sv)%*%y ytilda<-y-(Xc%*%betactopi) betavtopi<-matrix(0,lokal,n) for(i in 1:n) { bv<-ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])%*%ytilda betavtopi[,i]<-as.vector(bv)
} S<-Sv+(I-Sv)%*%Xc%*%ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*% t(I-Sv)%*%(I-Sv) SSE<-t(y)%*%t(I-S)%*%(I-S)%*%y teta1<-sum(diag(t(I-S)%*%(I-S))) teta2<-sum(diag((t(I-S)%*%(I-S))^2)) sigmatopi<-sqrt(SSE/teta1) sigmatopi<-as.vector(sigmatopi) #Uji Parsial Parameter Variabel Global g<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv)%*%(I-Sv) g2<-g%*%t(g) gkk<-as.matrix(diag(g2)) thitc<-betactopi/(sigmatopi*sqrt(gkk)) ttabel<-qt(1-(alpha/2),round((teta1^2)/teta2)) cat("\n\n Uji Parsial Parameter Variabel Global Model MGWR \n") cat(" ************************************************* \n") cat(" Hipotesis yang digunakan adalah \n") cat(" H0 : betac ke-k = 0 \n") cat(" H1 : betac ke-k != 0 \n") cat(" Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2) \n") cat(" talpha/2 = ",ttabel,"\n") cat("\n Tabel Hasil Uji Parsial Parameter Variabel Global : \n") cat(" ============================================================ \n") cat(" X ke- \t betactopi \t SK Bawah \t SK Atas \t thitung \t
Keputusan \t Kesimpulan \n") cat(" ============================================================ \n") for(i in 1:global) {
BB <- betactopi[i,1]-ttabel*sigmatopi*sqrt(gkk[i,1]) BA <- betactopi[i,1]+ttabel*sigmatopi*sqrt(gkk[i,1]) if((thitc[i,1] <= -ttabel) || (thitc[i,1] >= ttabel))
{ cat(" ",i,"\t",round(betactopi[i],7),"\t",round(BB,7),"\t", round(BA,7),"\t",round(thitc[i,1],7),"\t Tolak H0 \t SIGNIFIKAN \n")
} else { cat(" ",i,"\t",round(betactopi[i],7),"\t",round(BB,7),"\t", round(BA,7),"\t",round(thitc[i,1],7),"\t Terima H0 \t TIDAK SIGNIFIKAN \n")
} } cat(" ============================================================ \n") #Uji Parsial Parameter Variabel Lokal g<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv)%*%(I-Sv) mkk<-matrix(0,lokal,n) for(i in 1:n) { m<-ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])%*%(I-Xc%*%g) m2<-m%*%t(m) mkk[,i]<-as.matrix(diag(m2))
} thitv<-matrix(0,lokal,n) for(i in 1:lokal) { for(j in 1:n)
{ thitv[i,j]<-betavtopi[i,j]/(sigmatopi*sqrt(mkk[i,j])) }
} ttabel<-qt(1-alpha/2,(teta1^2)/teta2) cat("\n\n Uji Parsial Parameter Variabel Lokal Model MGWR \n") cat(" ************************************************* \n") cat(" Hipotesis yang digunakan adalah \n") cat(" H0 : betav ke-k lokasi ke-i = 0 \n") cat(" H1 : betav ke-k lokasi ke-i != 0 \n") cat(" Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2) \n") cat(" talpha/2 = ",ttabel,"\n") cat(" \n Tabel Hasil Uji Parsial Parameter Variabel Lokal Model MGWR : \n") cat(" ============================================================ \n") cat(" X ke- lokasi \t betavtopi \t SK Bawah \t SK Atas \t thitung \t
Keputusan \t Kesimpulan \n") cat(" ============================================================ \n") sign<-rep(0,lokal) for(i in 1:lokal) { jml<-0 for(j in 1:n) {
BB <- betavtopi[i,j]-ttabel*sigmatopi*sqrt(mkk[i,j]) BA <- betavtopi[i,j]+ttabel*sigmatopi*sqrt(mkk[i,j]) if((thitv[i,j] <= -ttabel) || (thitv[i,j] >= ttabel)) { cat(" ",i,"\t",j,"\t",round(betavtopi[i,j],7),"\t", round(BB,7),"\t",round(BA,7),"\t",round(thitv[i,j],7),
"\t Tolak H0 \t SIGNIFIKAN \n") jml<-jml+1 } else { cat(" ",i,"\t",j,"\t",round(betavtopi[i,j],7),"\t", round(BB,7),"\t",round(BA,7),"\t",round(thitv[i,j],7), "\t Terima H0 \t TIDAK SIGNIFIKAN \n")
} } sign[i]<-jml
} cat(" ============================================================ \n") cat("\n Variabel lokal yang signifikan : \n") cat(" ============ \n") cat(" X ke- \t Ada \n") cat(" ============ \n") for(i in 1:lokal) { cat(" ",i,"\t",sign[i],"\n") } cat(" ============ \n")
}
Lampiran 9. Output Program 4
ujiparsial(miskintopi) UJI PARSIAL PARAMETER VARIABEL PREDIKTOR MODEL MGWR
- y berada pada kolom ke- = 1 x global akhir berada pada kolom ke- = 7 x lokal akhir berada pada kolom ke- = 11 u berada pada kolom ke- = 12 v berada pada kolom ke- = 13 bandwidth optimum = 0.11 alpha = 0.05 Uji Parsial Parameter Variabel Global Model MGWR
- Hipotesis yang digunakan adalah H0 : betac ke-k = 0 H1 : betac ke-k != 0 Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2) talpha/2 = 2.44691185114497 Tabel Hasil Uji Parsial Parameter Variabel Global :
================================================================================== X ke- betactopi SK Bawah SK Atas thitung Keputusan Kesimpulan ================================================================================== 1 0.3311379 0.1045215 0.5577543 3.575492 Tolak H0 SIGNIFIKAN 2 0.2280765 -0.461153 0.917306 0.8097202 Terima H0 TIDAK SIGNIFIKAN 3 -0.5770533 -1.0024702 -0.1516364 -3.3190934 Tolak H0 SIGNIFIKAN 4 0.0639198 -0.1154388 0.2432784 0.8720306 Terima H0 TIDAK SIGNIFIKAN 5 -0.4853199 -1.1724816 0.2018418 -1.7281741 Terima H0 TIDAK SIGNIFIKAN 6 1.6030208 0.2637069 2.9423347 2.9287015 Tolak H0 SIGNIFIKAN ================================================================================== Uji Parsial Parameter Variabel Lokal Model MGWR
- Hipotesis yang digunakan adalah H0 : betav ke-k lokasi ke-i = 0 H1 : betav ke-k lokasi ke-i != 0 Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2) talpha/2 = 2.48938788526251
Tabel Hasil Uji Parsial Parameter Variabel Lokal Model MGWR : ===================================================================================== X ke- lokasi betavtopi SK Bawah SK Atas thitung Keputusan Kesimpulan ===================================================================================== 1 1 -0.2120688 -0.6106651 0.1865275 -1.3244516 Terima H0 TIDAK SIGNIFIKAN 1 2 -1.7423105 -3.1924523 -0.2921687 -2.9909397 Tolak H0 SIGNIFIKAN 1 3 -0.1337253 -0.6834456 0.4159951 -0.6055699 Terima H0 TIDAK SIGNIFIKAN 1 4 0.0506545 -0.3816595 0.4829684 0.2916829 Terima H0 TIDAK SIGNIFIKAN 1 5 -0.1732986 -0.3193713 -0.0272258 -2.9533735 Tolak H0 SIGNIFIKAN 1 6 -0.1119181 -0.3517912 0.127955 -1.1614786 Terima H0 TIDAK SIGNIFIKAN 1 7 0.3039022 0.0454751 0.5623293 2.9274422 Tolak H0 SIGNIFIKAN 1 8 0.3596296 0.0496177 0.6696416 2.8878169 Tolak H0 SIGNIFIKAN 1 9 0.3596296 0.0496177 0.6696416 2.8878169 Tolak H0 SIGNIFIKAN 1 10 0.0425538 -0.0304325 0.11554 1.4514076 Terima H0 TIDAK SIGNIFIKAN 1 11 -0.5602528 -0.8968906 -0.2236151 -4.1429894 Tolak H0 SIGNIFIKAN 1 12 -0.0422984 -0.1358665 0.0512697 -1.1253517 Terima H0 TIDAK SIGNIFIKAN 1 13 2.343336 1.0464625 3.6402095 4.4981042 Tolak H0 SIGNIFIKAN 1 14 0.6971456 0.2288194 1.1654718 3.7056775 Tolak H0 SIGNIFIKAN 1 15 -0.7231 -1.0700115 -0.3761884 -5.1888626 Tolak H0 SIGNIFIKAN 1 16 -0.2041085 -0.4262557 0.0180386 -2.2872465 Terima H0 TIDAK SIGNIFIKAN 1 17 -0.0814829 -0.3548464 0.1918806 -0.7420249 Terima H0 TIDAK SIGNIFIKAN 1 18 0.064607 -0.4779246 0.6071385 0.296447 Terima H0 TIDAK SIGNIFIKAN 1 19 -0.2073071 -2.1680675 1.7534533 -0.2631978 Terima H0 TIDAK SIGNIFIKAN 1 20 -0.1885906 -2.2176776 1.8404964 -0.2313726 Terima H0 TIDAK SIGNIFIKAN 1 21 -0.2131568 -2.0021725 1.5758589 -0.2966044 Terima H0 TIDAK SIGNIFIKAN 1 22 -0.308111 -0.9947383 0.3785163 -1.1170656 Terima H0 TIDAK SIGNIFIKAN 1 23 0.0192186 -0.0035356 0.0419728 2.1025776 Terima H0 TIDAK SIGNIFIKAN 1 24 -0.211432 -0.4638945 0.0410305 -2.0848099 Terima H0 TIDAK SIGNIFIKAN 1 25 -0.2797362 -0.5102557 -0.0492167 -3.0208805 Tolak H0 SIGNIFIKAN 1 26 -0.4636325 -0.7413814 -0.1858836 -4.1554116 Tolak H0 SIGNIFIKAN 1 27 0.3197473 -0.434112 1.0736066 1.0558669 Terima H0 TIDAK SIGNIFIKAN 1 28 0.3103729 -0.4304458 1.0511917 1.0429523 Terima H0 TIDAK SIGNIFIKAN 1 29 0.2000445 -0.3418874 0.7419764 0.9189134 Terima H0 TIDAK SIGNIFIKAN 1 30 -0.0759594 -0.3193826 0.1674637 -0.7768056 Terima H0 TIDAK SIGNIFIKAN 1 31 -0.1732986 -0.3193714 -0.0272258 -2.9533735 Tolak H0 SIGNIFIKAN 1 32 0.2862428 0.035432 0.5370536 2.8410634 Tolak H0 SIGNIFIKAN 1 33 -0.0501099 -0.2690458 0.168826 -0.5697693 Terima H0 TIDAK SIGNIFIKAN 1 34 -0.2809095 -0.5127872 -0.0490319 -3.0157839 Tolak H0 SIGNIFIKAN 1 35 -0.2190731 -0.446643 0.0084968 -2.396441 Terima H0 TIDAK SIGNIFIKAN 1 36 -0.3200501 -1.8857013 1.2456011 -0.5088802 Terima H0 TIDAK SIGNIFIKAN 1 37 -0.5256012 -0.8078857 -0.2433167 -4.6351299 Tolak H0 SIGNIFIKAN 1 38 0.3669197 0.0766929 0.6571465 3.1472123 Tolak H0 SIGNIFIKAN
2 1 -0.0355553 -0.1026823 0.0315718 -1.3185577 Terima H0 TIDAK SIGNIFIKAN 2 2 5.0968825 2.3274028 7.8663622 4.5814084 Tolak H0 SIGNIFIKAN 2 3 -0.0689002 -0.1876528 0.0498524 -1.4443409 Terima H0 TIDAK SIGNIFIKAN 2 4 -0.009526 -0.1051128 0.0860609 -0.2480868 Terima H0 TIDAK SIGNIFIKAN 2 5 0.2876745 0.0415911 0.533758 2.9101243 Tolak H0 SIGNIFIKAN 2 6 1.7776518 0.2377631 3.3175405 2.8737564 Tolak H0 SIGNIFIKAN 2 7 1.1403946 -0.1906908 2.4714799 2.1327591 Terima H0 TIDAK SIGNIFIKAN 2 8 0.0439398 0.0056736 0.082206 2.8584843 Tolak H0 SIGNIFIKAN 2 9 0.0439398 0.0056736 0.082206 2.8584842 Tolak H0 SIGNIFIKAN 2 10 0.0052225 -0.0037349 0.0141799 1.4514076 Terima H0 TIDAK SIGNIFIKAN 2 11 0.3335648 0.1015555 0.5655742 3.5790465 Tolak H0 SIGNIFIKAN 2 12 0.00022 -0.0024685 0.0029084 0.203677 Terima H0 TIDAK SIGNIFIKAN 2 13 5.1056797 2.4942589 7.7171004 4.867089 Tolak H0 SIGNIFIKAN 2 14 1.7218525 -0.0535659 3.4972708 2.414281 Terima H0 TIDAK SIGNIFIKAN 2 15 -0.6781282 -1.5611422 0.2048858 -1.911775 Terima H0 TIDAK SIGNIFIKAN 2 16 0.8835623 -0.0586754 1.8257999 2.3343677 Terima H0 TIDAK SIGNIFIKAN 2 17 1.3260185 0.0678094 2.5842276 2.6235499 Tolak H0 SIGNIFIKAN 2 18 5.1222227 2.3563832 7.8880622 4.6102455 Tolak H0 SIGNIFIKAN 2 19 2.070572 0.5826956 3.5584483 3.4643045 Tolak H0 SIGNIFIKAN 2 20 2.0713258 0.5837991 3.5588526 3.4663802 Tolak H0 SIGNIFIKAN 2 21 2.0658465 0.5824287 3.5492642 3.4667869 Tolak H0 SIGNIFIKAN 2 22 2.4388222 0.606629 4.2710154 3.3136104 Tolak H0 SIGNIFIKAN 2 23 0.0022153 -0.0004075 0.0048382 2.1025776 Terima H0 TIDAK SIGNIFIKAN 2 24 0.4736113 -0.3854406 1.3326631 1.3724459 Terima H0 TIDAK SIGNIFIKAN 2 25 0.5173212 -0.3454725 1.3801149 1.4926084 Terima H0 TIDAK SIGNIFIKAN 2 26 -1.2053684 -2.4077368 -0.003 -2.495599 Tolak H0 SIGNIFIKAN 2 27 0.3596599 0.1510334 0.5682863 4.2915597 Tolak H0 SIGNIFIKAN 2 28 0.1635931 -0.3688851 0.6960712 0.7648137 Terima H0 TIDAK SIGNIFIKAN 2 29 0.1694598 -0.1312401 0.4701597 1.4028978 Terima H0 TIDAK SIGNIFIKAN 2 30 1.875767 0.2913029 3.4602312 2.9470605 Tolak H0 SIGNIFIKAN 2 31 0.2876746 0.0415911 0.533758 2.9101243 Tolak H0 SIGNIFIKAN 2 32 1.1417932 -0.1901767 2.473763 2.1339568 Terima H0 TIDAK SIGNIFIKAN 2 33 2.6029817 1.4036067 3.8023566 5.4026731 Tolak H0 SIGNIFIKAN 2 34 -0.3553987 -1.1388184 0.428021 -1.129312 Terima H0 TIDAK SIGNIFIKAN 2 35 0.9065394 -0.0495302 1.8626091 2.3604224 Terima H0 TIDAK SIGNIFIKAN 2 36 2.0725271 0.5852395 3.5598147 3.4689483 Tolak H0 SIGNIFIKAN 2 37 -1.1891849 -2.3912821 0.0129122 -2.4626484 Terima H0 TIDAK SIGNIFIKAN 2 38 1.1365475 -0.1775991 2.450694 2.152962 Terima H0 TIDAK SIGNIFIKAN 3 1 -0.0615646 -0.2065902 0.0834611 -1.056765 Terima H0 TIDAK SIGNIFIKAN 3 2 -1.0093248 -1.6741552 -0.3444945 -3.7793115 Tolak H0 SIGNIFIKAN 3 3 -0.1613685 -0.4999964 0.1772593 -1.1862842 Terima H0 TIDAK SIGNIFIKAN 3 4 -0.0164948 -0.3221156 0.2891261 -0.1343556 Terima H0 TIDAK SIGNIFIKAN
3 5 0.5180573 0.0682774 0.9678371 2.8672814 Tolak H0 SIGNIFIKAN 3 6 0.001777 -0.1963582 0.1999121 0.0223263 Terima H0 TIDAK SIGNIFIKAN 3 7 -0.1486995 -0.4180155 0.1206166 -1.3744842 Terima H0 TIDAK SIGNIFIKAN 3 8 -0.0179087 -0.1072161 0.0713988 -0.4991926 Terima H0 TIDAK SIGNIFIKAN 3 9 -0.0179087 -0.1072161 0.0713988 -0.4991926 Terima H0 TIDAK SIGNIFIKAN 3 10 0.0520832 -0.0372475 0.141414 1.4514076 Terima H0 TIDAK SIGNIFIKAN 3 11 0.2948471 0.0746372 0.5150569 3.333133 Tolak H0 SIGNIFIKAN 3 12 0.2309408 -0.0166829 0.4785646 2.3216728 Terima H0 TIDAK SIGNIFIKAN 3 13 0.1909965 0.0423373 0.3396557 3.1983507 Tolak H0 SIGNIFIKAN 3 14 -0.5368423 -1.1707632 0.0970786 -2.1081633 Terima H0 TIDAK SIGNIFIKAN 3 15 0.2952046 0.0729834 0.5174257 3.3069704 Tolak H0 SIGNIFIKAN 3 16 -0.2414362 -0.5474742 0.0646019 -1.9639007 Terima H0 TIDAK SIGNIFIKAN 3 17 0.0094955 -0.1914112 0.2104022 0.1176568 Terima H0 TIDAK SIGNIFIKAN 3 18 -0.8658213 -1.4504965 -0.2811461 -3.6864313 Tolak H0 SIGNIFIKAN 3 19 -0.1980293 -0.6101886 0.2141299 -1.1960713 Terima H0 TIDAK SIGNIFIKAN 3 20 -0.1955803 -0.6163532 0.2251925 -1.1570977 Terima H0 TIDAK SIGNIFIKAN 3 21 -0.1978836 -0.6038334 0.2080662 -1.2134726 Terima H0 TIDAK SIGNIFIKAN 3 22 -0.3280612 -0.6917114 0.035589 -2.2457612 Terima H0 TIDAK SIGNIFIKAN 3 23 0.0442589 -0.0081423 0.09666 2.1025776 Terima H0 TIDAK SIGNIFIKAN 3 24 0.3053236 0.0817245 0.5289227 3.3992484 Tolak H0 SIGNIFIKAN 3 25 0.2811448 0.0616735 0.5006161 3.1889291 Tolak H0 SIGNIFIKAN 3 26 0.5126992 0.218608 0.8067903 4.3398346 Tolak H0 SIGNIFIKAN 3 27 0.481751 0.2164941 0.7470079 4.5211454 Tolak H0 SIGNIFIKAN 3 28 0.5139366 -0.950328 1.9782011 0.8737407 Terima H0 TIDAK SIGNIFIKAN 3 29 0.7073025 -0.4719715 1.8865765 1.4930799 Terima H0 TIDAK SIGNIFIKAN 3 30 -0.0145304 -0.2124132 0.1833525 -0.1827934 Terima H0 TIDAK SIGNIFIKAN 3 31 0.5180573 0.0682774 0.9678372 2.8672814 Tolak H0 SIGNIFIKAN 3 32 -0.149923 -0.4197574 0.1199114 -1.3831313 Terima H0 TIDAK SIGNIFIKAN 3 33 -0.6470986 -1.0989953 -0.195202 -3.5647076 Tolak H0 SIGNIFIKAN 3 34 0.2383563 -0.0182291 0.4949416 2.3125295 Terima H0 TIDAK SIGNIFIKAN 3 35 -0.1544323 -0.4531771 0.1443126 -1.2868569 Terima H0 TIDAK SIGNIFIKAN 3 36 -0.2137182 -0.5715821 0.1441457 -1.4866756 Terima H0 TIDAK SIGNIFIKAN 3 37 0.4801993 0.1997145 0.760684 4.2619154 Tolak H0 SIGNIFIKAN 3 38 -0.1479202 -0.4141665 0.1183261 -1.3830452 Terima H0 TIDAK SIGNIFIKAN 4 1 0.1312663 -0.0855501 0.3480827 1.5071406 Terima H0 TIDAK SIGNIFIKAN 4 2 0.9042151 0.3179222 1.4905079 3.8392795 Tolak H0 SIGNIFIKAN 4 3 0.2019947 -0.0897966 0.493786 1.7232973 Terima H0 TIDAK SIGNIFIKAN 4 4 0.0392231 -0.1508952 0.2293414 0.5135824 Terima H0 TIDAK SIGNIFIKAN 4 5 -0.2029171 -0.3807307 -0.0251034 -2.8408349 Tolak H0 SIGNIFIKAN 4 6 0.013943 -0.1833348 0.2112208 0.1759424 Terima H0 TIDAK SIGNIFIKAN 4 7 -0.0226329 -0.2536072 0.2083415 -0.2439319 Terima H0 TIDAK SIGNIFIKAN 4 8 -0.1250904 -0.2924843 0.0423035 -1.8602742 Terima H0 TIDAK SIGNIFIKAN
4 9 -0.1250904 -0.2924843 0.0423035 -1.8602742 Terima H0 TIDAK SIGNIFIKAN 4 10 0.0741596 -0.0530355 0.2013547 1.4514076 Terima H0 TIDAK SIGNIFIKAN 4 11 0.1957084 -0.1536805 0.5450973 1.3944179 Terima H0 TIDAK SIGNIFIKAN 4 12 -0.1173571 -0.3029186 0.0682045 -1.5743953 Terima H0 TIDAK SIGNIFIKAN 4 13 -1.8223518 -2.7631012 -0.8816025 -4.8222627 Tolak H0 SIGNIFIKAN 4 14 0.1212634 -0.2193953 0.4619221 0.886141 Terima H0 TIDAK SIGNIFIKAN 4 15 0.289645 -0.0299282 0.6092182 2.2562553 Terima H0 TIDAK SIGNIFIKAN 4 16 0.3594566 0.0402897 0.6786236 2.8036329 Tolak H0 SIGNIFIKAN 4 17 0.038329 -0.1534118 0.2300697 0.4976285 Terima H0 TIDAK SIGNIFIKAN 4 18 0.5170517 0.1345559 0.8995474 3.365115 Tolak H0 SIGNIFIKAN 4 19 0.2062692 -0.5356792 0.9482176 0.6920752 Terima H0 TIDAK SIGNIFIKAN 4 20 0.1999196 -0.5673867 0.967226 0.6486033 Terima H0 TIDAK SIGNIFIKAN 4 21 0.2079664 -0.4920745 0.9080073 0.7395412 Terima H0 TIDAK SIGNIFIKAN 4 22 0.3389767 0.0790206 0.5989327 3.2461043 Tolak H0 SIGNIFIKAN 4 23 0.0451775 -0.0083113 0.0986664 2.1025776 Terima H0 TIDAK SIGNIFIKAN 4 24 -0.0305107 -0.2599088 0.1988873 -0.3310973 Terima H0 TIDAK SIGNIFIKAN 4 25 -0.0057681 -0.2412616 0.2297255 -0.0609738 Terima H0 TIDAK SIGNIFIKAN 4 26 -0.0011244 -0.2296888 0.2274401 -0.0122459 Terima H0 TIDAK SIGNIFIKAN 4 27 -0.3754748 -0.6492964 -0.1016532 -3.413545 Tolak H0 SIGNIFIKAN 4 28 -0.3959737 -1.6016412 0.8096937 -0.8175821 Terima H0 TIDAK SIGNIFIKAN 4 29 -0.5338044 -1.5648655 0.4972568 -1.288814 Terima H0 TIDAK SIGNIFIKAN 4 30 0.0147427 -0.1824764 0.2119618 0.1860888 Terima H0 TIDAK SIGNIFIKAN 4 31 -0.2029171 -0.3807307 -0.0251034 -2.8408349 Tolak H0 SIGNIFIKAN 4 32 -0.0198712 -0.2507314 0.210989 -0.2142732 Terima H0 TIDAK SIGNIFIKAN 4 33 0.7260077 0.300445 1.1515704 4.2468825 Tolak H0 SIGNIFIKAN 4 34 0.0141387 -0.3363581 0.3646355 0.1004196 Terima H0 TIDAK SIGNIFIKAN 4 35 0.2851411 -0.018089 0.5883713 2.340885 Terima H0 TIDAK SIGNIFIKAN 4 36 0.2444491 -0.3438465 0.8327447 1.0343926 Terima H0 TIDAK SIGNIFIKAN 4 37 0.0624521 -0.1754772 0.3003814 0.653419 Terima H0 TIDAK SIGNIFIKAN 4 38 -0.0270801 -0.2581388 0.2039787 -0.291756 Terima H0 TIDAK SIGNIFIKAN variabel lokal yang signifikan : ============ X ke- Ada ============
1
16
2
19
3
13
4
9 ============