Pemodelan Indeks Pembangunan Manusia di Indonesia dengan Geographically Weighted Regression (GWR)

Muhammad Marizal, Hayatul Atiqah

Abstract


Indeks Pembangunan Manusia (IPM) merupakan indikator penting untuk mengukur keberhasilan dalam upaya membangun kualitas hidup manusia. IPM menjelaskan bagaimana penduduk dapat mengakses hasil pembangunan dalam hal pendapatan, kesehatan dan pendidikan. Penelitian ini bertujuan untuk mendapatkan pemodelan IPM serta melihat faktor-faktor apa saja yang mempengaruhi IPM di Indonesia tahun 2020. Data pada penelitian ini berupa data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Pemodelan dengan menggunakan regresi linier belum tentu cocok diterapkan diseluruh provinsi yang ada di Indonesia karena kondisi pendapatan, kesehatan dan pendidikan di provinsi di Indonesia berbeda-beda. Oleh karena itu, pada penelitian ini digunakan pendekatan geografis yaitu Geographically Weighted Regression (GWR) dalam memodelkan IPM dengan menggunakan variabel bebas yaitu Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), Umur Harapan Hidup (UHH) dan Pengeluaran Per Kapita (PPK). Model GWR merupakan pengembangan dari model regresi spasial dimana setiap parameter dihitung setiap lokasi pengamatan, sehingga setiap lokasi akan memiliki interpretasi yang berbeda-beda. Pada pemodelan GWR membutuhkan fungsi pembobot, adapun fungsi pembobot yang digunakan pada penelitian ini yaitu Adaptive Kernel Gaussian. Hasil penelitian ini menunjukkan bahwa semua variabel bebas berpengaruh terhadap IPM. Model GWR merupakan model terbaik dibandingkan regresi linier dengan standar pemilihan nilai koefisien determinasi terbesar dan nilai Akaike Information Criterion (AIC) terkecil.    


Full Text:

PDF

References


S. Joanne, L. Ronald, and J. Djami, “Menggunakan Metode Stepwise (Model of Ambon City Human Development Index ( HDI ) Using Stepwise Method ) Variabel Penelitian,” Journal Of Statistics and Its Applications, vol. 2, pp. 45–52, 2010.

A. Maulana, R. Meilawati, and V. Widiastuti, “Pemodelan Indeks Pembangunan Manusia (IPM) Metode Baru Menurut Provinsi Tahun 2015 Menggunakan Geographically Weighted Regression (GWR),” Indonesian Journal of Applied Statistics, vol. 2, no. 1, p. 21, 2019, doi: 10.13057/ijas.v2i1.26170.

Y. Karyono, E. Tusianti, I. G. N. A. R. Gunawan, A. Nugroho, and A. Clarissa, Indeks Pembangunan Manusia 2020. Jakarta: Badan Pusay Statistik, 2021.

A. C. Rencher and G. B. Schaalje, Linear Models in Statistics. Singapore: John Wiley & Sons Inc, 2008.

S. Haryanto and G. A. Andriani, “Pemodelan Jumlah Penduduk Miskin Di Jawa Tengah Menggunakan Geographically Weighted Regression (Gwr),” Litbang Sukowati, vol. 4, no. 2, p. 10, 2019, doi: 10.32630/sukowati.v4i2.122.

M. F. Agustina, R. Wasono, and M. Y. Darsyah, “Pemodelan Geographically Weighted Regression (GWR) Pada Tingkat Kemiskinan di Provinsi Jawa Tengah,” Statistika, vol. 3, no. 2, pp. 67–74, 2015.

K. Amelia, L. O. Asril, and L. Febrianti, “Pemodelan Incident Rate Demam Berdarah Dengue Di Indonesia Yang Berkaitan Dengan Faktor Lingkungan Menggunakan Metode Geographically Weighted Regression (Gwr),” Ekologia, vol. 20, no. 2, pp. 64–73, 2020, doi: 10.33751/ekologia.v20i2.2167.

N. Lutfiani, Sugiman, and S. Mariani, “Pemodelan Geographically Weighted Regression (GWR) dengan Fungsi Pembobot Kernel Gaussian dan Bi-Square,” Unnes Journal of Mathematics, vol. 8, no. 1, pp. 82–91, 2019, doi: 10.15294/ujm.v8i1.17103.

I. Maggri and D. Ispriyanti, “Pemodelan Data Kemiskinan Di Provinsi Sumatera Barat Dengan Metode Geographically Weighted Regression (GWR),” Media Statistika, 2005.

I. F. Mahdy, “Pemodelan Jumlah Kasus Covid-19 Di Jawa Barat Menggunakan Geographically Weighted REgression,” Seminar Nasional Official Statistics, 2020.

V. S. Ratnasari Panji Anugrah, P. A. Simamora, and V. Ratnasari, “Pemodelan Persentase Kriminalitas Dan Faktor-Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan Geographically Weighted Regression (GWR),” Jurnal Sains dan Seni ITS, vol. 3, no. 1, pp. D18–D23, 2014, [Online]. Available: http://ejurnal.its.ac.id/index.php/sains_seni/article/view/6107.

A. R. Tizona, R. Geojantoro, and Wasono, “Pemodelan Geographically Weighted Regression (Gwr) Dengan Fungsi Pembobot Adaptive Kernel Bisquare Untuk Angka Kesakitan Demam Berdarah di Kalimantan Timur Tahun 2015,” Jurnal Eksponensial, vol. 8, no. 1, pp. 87–94, 2017.

I. Sartika and N. N. Debataraja, “Analisis Regresi Dengan Metode Least Absolute Shrinkage And Selection Operator (LASSO) Dalam Mengatasi Multikolinieritas,” Buletin Ilmiah Math Stat dan Terapan (Bimaster), vol. 09, no. 1, pp. 31–38, 2020.

T. W. Utami, A. Rohman, and A. Prahutama, “Pemodelan Regresi Berganda Dan Geographically Weighted Regression Pada Tingkat Pengangguran Terbuka Di Jawa Tengah,” Media Statistika, vol. 9, no. 2, p. 133, 2017, doi: 10.14710/medstat.9.2.133-147.

K. Isbiyantoro, Y. Wilandari, and Sugito, “Perbandingan Model Pertumbuhan Ekonomi Di Jawa Tengah Dengan Metode Regresi Linier Berganda dan Metode Geographically Weighted Regression,” Jurnal Gaussian, vol. 35, no. 3, pp. 461–469, 2014.

G. Mardiatmoko, “Pentingnya Uji Asumsi Klasik Pada Analisis Regresi Linier Berganda,” Barekeng: Jurnal Ilmu Matematika dan Terapan, vol. 14, no. 3, pp. 333–342, 2020, doi: 10.30598/barekengvol14iss3pp333-342.

B. S. Yandell and L. Anselin, Spatial Econometrics: Methods and Models., vol. 85, no. 411. 1990.

R. W. Elzati, A. Adnan, R. Yendra, and M. N. Muhaijir, “The analysis relationship of poverty, unemployment and population with the rates of crime using geographically weighted regression (GWR) in Riau province,” Applied Mathematical Sciences, vol. 14, no. 6, pp. 291–299, 2020, doi: 10.12988/ams.2020.914196.

A. S. Fotheringham, C. Brunsdon, and M. Charlton, Geographically Weighted Regression. England: John Wiley & Sons, Ltd, 2002.

A. Maulani, N. Herrhyanto, and M. Suherman, “Aplikasi Model Geographically Weighted Regression (Gwr) Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Kasus Gizi Buruk Anak Balita Di Jawa Barat,” Jurnal EurekaMatika, vol. 4, no. 1, pp. 46–63, 2016.

A. Ramadan, R. D. Bekti, and J. Statistika, “Analisis Indeks Pembangunan Manusia Di Kabupaten Dan Kota Provinsi Jawa Tengah Tahun 2014 Menggunakan Metode Geographically Weighted Regression ( Studi Kasus Pada Data Indeks Pembangunan Manusia Tahun 2014 Di Provinsi Jawa Tengah ),” Jurnal Statistika Industri dan Komputasi, vol. 2, no. 2, pp. 59–66, 2017.

Z. Putri, Pemodelan Indeks Pembangunan Manusiia Menggunakan Geographically Weighted Regression (GWR). Yogyakarta: Universitas Islam Indonesia, 2018.




DOI: http://dx.doi.org/10.24014/jsms.v8i2.17886

Refbacks

  • There are currently no refbacks.


Jurnal JSMS

p-ISSN     : 2460-4542 (print)
e-ISSN     : 2615-8663 (online)
Alamat   : Program Studi Matematika
                   Fakultas Sains dan Teknologi, UIN Suska Riau
                   Jl. H.R Soebrantas, No. 155, Tampan, Pekanbaru.
Website : http://ejournal.uin-suska.ac.id/index.php/JSMS
e-mail    : jsmsfst@uin-suska.ac.id