ANALISIS DATA SPASIAL MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (Studi Kasus Data PDRB per Kapita di Provinsi Jawa Timur) Wahyu Sri Lestari1), Gandhi Pawitan2), Mindra Jaya3) 1)
Mahasiswa Program Magister Statistika Terapan Universitas Padjadjaran 2) Staf Pengajar Universitas Katolik Parahyangan 3) Staf Pengajar Universitas Padjadjaran 1) Email :
[email protected],2)
[email protected], 3)
[email protected]
Abstrak PDRB per kapita suatu wilayah dapat dijadikan indikator untuk mengukur kesejehteraan masyarakat pada wilayah tersebut, sehingga penting untuk mengetahui faktor-faktor yang dapat mempengaruhi PDRB per kapita. Terdapat berbagai metode dalam melakukan analisis tersebut, diantaranya analisis regresi maupun analisis geographically weighted regression (GWR). Analisis regresi adalah suatu metode yang umum digunakan untuk menentukan faktor-faktor yang mempengaruhi PDRB per kapita apabila karakteristik antar daerah homogen dan bersifat bebas. Analisis regresi memiliki sifat global dan diberlakukan pada seluruh lokasi yang diamati. Namun pertumbuhan PDRB per kapita pada kabupaten/kota di provinsi Jawa Timur tentunya memiliki karakteristik yang berbeda-beda, melihat kondisi geografis, potensi wilayah, keadaan sosial-budaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul heterogenitas spasial. Salah satu dampak yang ditimbulkan dari munculnya heterogenitas spasial adalah parameter regresi bervariasi secara spasial. Jika terjadi heterogenitas spasial pada parameter regresi, maka informasi yang tidak dapat ditangani oleh metode regresi global akan ditampung sebagai galat. Bila kasus semacam itu terjadi, regresi global menjadi kurang mampu dalam menjelaskan fenomena data yang sebenarnya. Pendekatan model global akan memberikan informasi yang andal untuk wilayah lokal jika tidak ada atau hanya ada sedikit keragaman antar wilayah lokalnya (Fotheringham et al. 2002). Analisis Geographically Weighted Regression (GWR) dapat digunakan untuk mengatasi masalah heterogentitas spasial tersebut. GWR merupakan bagian dari analisis spasial yang bersifat lokal dengan pembobotan berdasarkan posisi atau jarak dari satu lokasi pengamatan dengan lokasi pengamatan lainnya. Penelitian ini bertujuan menganalisis faktor-faktor yang mempengaruhi PDRB per kapita di provinsi Jawa Timur. Hasil penelitian menunjukkan terdapat 4 variabel yang diduga mempengaruhi PDRB per kapita di Jawa Timur yaitu banyaknya fasilitas kesehatan(X1), indeks kesehatan(X2), persentase penduduk miskin (X3) dan persentase keluarga pengguna listrik (X4). Kata kunci: Geographically Weighted Regression, PDRB per kapita, heterogenitas spasial, analisis data spasial
I.
PENDAHULUAN
Salah satu tujuan pembangunan Negara Kesatuan Republik Indonesia (NKRI) yang termaktub dalam Pembukaan Undang-Undang Dasar 1945 adalah memajukan kesejahteraan umum. Untuk mewujudkan tujuan tersebut maka disusunlah rancangan pembangunan ekonomi yang salah satu tujuannya adalah pengurangan tingkat kemiskinan. Program pengurangan tingkat kemiskinan sudah menjadi isu global sehingga United Nation (UN) menempatkannya sebagai tujuan pertama dalam Millenium Development Goals (MDGs). Kemiskinan erat kaitannya dengan PDRB per kapita suatu wilayah yang menunjukkan pertumbuhan ekonomi. Bila pertumbuhan ekonomi telah merata pada semua wilayah dan lapisan masyarakat, maka akan berkuranglah kemiskinan dan kesejahteraan masyarakat dapat dicapai. PDRB per kapita suatu wilayah dapat dijadikan indikator untuk mengukur kesejehteraan masyarakat pada wilayah tersebut, sehingga penting untuk mengetahui faktorfaktor yang dapat mempengaruhi PDRB per kapita. Terdapat berbagai metode dalam melakukan analisis tersebut, diantaranya analisis regresi maupun analisis geographically weighted regression (GWR). Analisis regresi adalah 1
suatu metode yang umum digunakan untuk menentukan faktor-faktor yang mempengaruhi PDRB per kapita apabila karakteristik antar daerah homogen dan bersifat bebas. Analisis regresi memiliki sifat global dan diberlakukan pada seluruh lokasi yang diamati. Namun pertumbuhan PDRB per kapita pada kabupaten/kota tentunya memiliki karakteristik yang berbeda-beda, melihat kondisi geografis, potensi wilayah, keadaan sosialbudaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul heterogenitas spasial. Salah satu dampak yang ditimbulkan dari munculnya heterogenitas spasialadalah parameter regresi bervariasi secara spasial. Analisis Geographically Weighted Regression (GWR) dapat digunakan untuk mengatasi masalah heterogentitas spasial tersebut. GWR merupakan bagian dari analisis spasial yang bersifat lokal dengan pembobotan berdasarkan posisi atau jarak dari satu lokasi pengamatan dengan lokasi pengamatan lainnya. Parameter regresi pada model GWR diasumsikan bervariasi secara spasial, sehingga interpretasi yang berbeda dan berharga dapat diperoleh untuk setiap titik lokasi yang diteliti. Dalam penelitain ini akan digunakan model GWR dengan pembobot kernel gaussuntuk menyelidiki variabel-variabel yang berpengaruh terhadap PDRB per kapita di Provinsi Jawa Timur.
II. METODOLOGI 2.1 Model GWR dan BGWR Analisis regresi merupakan analisis statistika yang bertujuan untuk memodelkan hubungan antara peubah respon Y dengan peubah penjelas X, di mana dugaan parameter persamaan berlaku untuk semua lokasi pengamatan. Model GWR merupakan pengembangan dari model regresi, tapi pada model GWR parameter persamaan untuk setiap lokasi pengamatan berbeda dengan lokasi lainnya, sehingga banyaknya vektor parameter yang diduga sama dengan banyaknya lokasi pengamatan yang digunakan dalam data. Model yang dihasilkan pada analisis GWR juga tidak dapat digunakan untuk menduga parameter selain parameter di lokasi pengamatan (Walter et al. 2005). Secara umum model GWR dapat ditulis dalam bentuk matriks berikut: = + dimana adalah vektor dari variabel dependent yang berukuran nx1; merupakan matriks variabel penjelas yang berukuran nxk; merupakan vector dari disturbance yang berukuran nx1; dan merupakan vektor parameter berukuran kx1 pada pengamatan ke- .Matriks Wi dapat
⋯ 0 ⋱ ⋮ digambarkan sebagai berikut: = ⋮ 0 ⋯ Pendugaan parameter model untuk setiap lokasi pengamatan dengan metode kuadrat terkecil terboboti untuk lokasi ke- , yaitu: = ( ) dengan =diag[wi1,wi2,…,win] dan 0 ≤ wij ≤ 1 (i, j= 1,2, …, n) adalah matriks diagonal berukuran nxn (n = banyaknya pengamatan) yang merupakan matriks pembobot spasial lokasi ke- (spatial weighting). Unsur-unsur diagonal matriks diambil dari vektor baris atau kolom ke- dari matriks pembobot W. Nilai unsur-unsur diagonal ditentukan oleh kedekatan pengamatan (lokasi) ke- dengan lokasi lainnya (lokasi ke- ). Semakin dekat lokasinya, semakin besar nilai pembobot pada unsur yang bersesuaian.
2
2.2 Pembobot Spasial Fungsi pembobot spasial yang digunakan dalam penelitian ini adalah fungsi kernel normal (Gaussian), yaitu : 2 d ij 1 − dengan adalah jarak dari lokasi- ke lokasi- dan wij = exp 2 θ adalah lebar jendela, yaitu suatu nilai parameter penghalus fungsi yang nilainya selalu positif. Salah satu cara yang dapat digunakan untuk mendapatkan nilai lebar jendela optimum yaitu dengan validasi silang (cross validation). Lebar jendela optimum yang digunakan adalah yang menghasilkan nilai koefisien validasi silang minimum, dengan rumus koefisiennya adalah: n CV = ∑i =1[ y i − yˆ ≠i (θ )]2 dengan yˆ ≠i (θ ) adalah nilai dugaan yi (fitting value) dengan pengamatan di lokasike- dihilangkan dari proses prediksi (Fotheringham et al. 2002). Lebar jendelaoptimum diperoleh dengan proses iterasi hingga didapatkan CV minimum. 2.4 Tahapan Penelitian Prosedur penelitian dilakukan melalui beberapa tahapan, yaitu sebagai berikut: 1. Mengeksplorasi data a. Sebelum melakukan pendugaan parameter, variabel-variabel penjelas harus dipastikan berpengaruh terhadap variabel respon. Selain itu, antar variabel penjelas tidak saling berkorelasi atau saling bebas. Untuk menunjukkan hal tersebut, digunakan analisis korelasi Pearson (r) dengan rumus : ! ∑ & # $ − ∑ & # ∑ & $ = '! ∑ & # ( − (∑ & # )( '! ∑ & $ ( − (∑ & $ )( dimana r adalah nilai korelasi antar peubah penyerta (xi) dengan peubah respon (yi). Dari nilai r tersebut dilakukan uji korelasi Pearson untuk menguji apakah r tersebut signifikan atau tidak. Jika r dianggap signifikan, disimpulkan bahwa antar peubah berkorelasi. Jika hasil uji menunjukkan hasil yang tidak signifikan, maka antar peubah dianggap tidak berkorelasi. Dalam uji ini digunakan hipotesis sebagai berikut: • H0 : ρ = 0 • H1 : ρ ≠ 0 +√(
Statistik uji yang digunakan adalah: )* = (+- )
H0 ditolak jika t0> ttabel dengan derajat bebas v = n atau nilai p (p-value) yang diperoleh kurang dari α = 0,10. Jika H0 ditolak berarti terdapat korelasi antara dua peubah yang dibandingkan. b. Memeriksa keragaman spasial menggunakan Breusch-Pagan.Hipotesisnya dapat dituliskan sebagai berikut: H0: σ 2 (u1 , v1 ) = ⋯ = σ 2 (u n , v n ) = σ 2 (Keragaman antar wilayah sama) H1 : minimal ada satu σ 2 (u1 , v1 ) = σ 2 (u j , v j ) = σ 2 untuk i≠ j , dengan I,j=1,2,…,n (Terdapat keragaman antar wilayah) dengan statistik uji sebagai berikut: 1 BP = f T Z ( Z T Z ) −1 Z T f ~ χ 2 ( p ) 2 dengan: 3
ei = y i − yˆ i f = ( f1 , f 2 , ⋯, f n )' e2 fi = i 2 − 1 σ Z = matriks berukuran n×(p+1) yang berisi vektor yang sudah di normal bakukan (z) untuk setiap pengamatan. Tolak H0jika BP > χ 2 ( p ) dengan p adalah banyaknya peubah bebas (Anselin 1988). 2. Melakukan analisis GWR a. Menentukan lebar jendela optimum dengan melihat CV yang minimum. Salah satu cara yang dapat digunakan untuk mendapatkan nilai lebar jendela optimum yaitu dengan validasi silang (cross validation). Lebar jendela optimum yang digunakan adalah yang menghasilkan nilai koefisien validasi silang minimum, dengan rumus koefisiennya adalah: n CV = ∑i =1[ y i − yˆ ≠i (θ )]2
dengan yˆ ≠i (θ ) adalah nilai dugaan yi (fitting value) dengan pengamatan di lokasike- dihilangkan dari proses prediksi (Fotheringham et al. 2002). Lebar jendelaoptimum diperoleh dengan proses iterasi hingga didapatkan CV minimum.
b. Menentukan matriks pembobot (W) dengan fungsi kernel normal, yaitu sebagai berikut: 2 d wij = exp − 1 ij dengan adalah jarak dari lokasi- ke lokasi- dan 2 θ adalah lebar jendela, yaitu suatu nilai parameter penghalus fungsi yang nilainya selalu positif dengan wij adalah elemen matriks pembobot spasial baris ke-I dan kolom ke-j. c. Menduga parameter model GWR. d. Pengujian Kesesuaian Model (Goodness of fit) antara regresi global dan GWR. Pengujian ini dilakukan dengan menguji kesesuaian dari koefisien parameter secara serentak, yaitu dengan mengkombinasikan uji regresi linier pada model regresi global dengan model GWR. untuk data spasial. H 0 : β k ( ui , vi ) = β k , k = 1, 2,..., p (tidak ada perbedaan yang signifikan antara model regresi global dengan GWR), untuk setiap i, i = 1, 2,3,..., n H1 : paling sedikit ada satu β k ( ui , vi ) yang berhubungan dengan lokasi ( ui , vi ) (ada perbedaan yang signifikan antara model regresi global dan GWR) Secara sistematis nilai statistik uji dapat ditulis sebagai berikut: ( SSEOLS − SSEGWR ) v1 F= SSEGWR
δ1
2 2 Statistik Uji F akan mendekati sebaran F dengan derajat bebas ν 1 , δ1 v δ 2 2 dengan SSEOLS : jumlah kuadrat dari model OLS
SSEGWR : jumlah kuadrat dari model GWR
ν1
: nilai dari n − p − 1 − δ1 4
ν2
: nilai dari n − p − 1 − 2δ1 + δ 2 dengan i
δ i = tr (1 − S ) (1 − S ) , i = 1, 2 T
S : hat matrix dari model GWR Kriteria Uji, Tolak H0 jika F hitung ≥ F
2 2 α ν 1 v ,δ1 δ
2
. Terima dalam hal lainnya.
2
Jika H0 ditolak, maka ada perbedaan yang signifikan antara model regresi global dan GWR dengan kata lain terdapat efek spatial dalam data. Selanjutnya untuk mengetahui variabel-variabel bebas yang berpengaruh terhadap variabel tak bebas pada setiap lokasi, maka digunakan uji keberartian parameter model. e.
Menguji penduga koefisien regresi secara parsial di tiap kabupaten di provinsi Jawa Timur. Hipotesisnya dapat dituliskan sebagai berikut : H0: β k (u i , vi ) = 0 H1 : β k (u i , vi ) ≠ 0 , k=1,2, …, p
⌢
β k (u i , vi ) dengan statistik uji t yang digunakan sebagai berikut: t k (u i , vi ) = ⌢ se( β k (u i , vi )) dengan: ⌢ ⌢ se( β k (u i , vi ) = cov β k (u i , vi ) ⌢ Cov β k (u i , vi ) = unsur diagonal ke-k matriks ragam-peragam ⌢ Cov β k (u i , vi ) = CCT
( (
) )
(
)
C = ( X T W (u i , vi ) X ) −1 X T W (u i , vi ) Tolak H0 jika nilai t k (u i , vi ) > t ( v ;α / 2 ) ,dengan v adalah derajatbebas (n-k-1) dan k adalah banyaknya peubah bebas yang digunakan (Nakaya et al. 2005).gi
III. HASIL DAN PEMBAHASAN Data yang akan digunakan dalam penelitian ini adalah data sekunder yang bersumber dari Badan Pusat Statistik (BPS). Data yang digunakan dalam penelitian ini bersumber dari Badan Pusat Statistik (BPS), yaitu publikasi PDRB Provinsi Jawa Timur tahun 2011, Jawa Timur Dalam Angka tahun 2012, dan Podes 2011, yaitu data pada 38 kabupaten/kota di provinsi Jawa Timur. Variabel dependen (Y) dan variabel independen (X) adalah sebagai berikut: Y : PDRB per kapita atas dasar harga berlaku (ribu rupiah) X1 : Banyaknya fasilitas kesehatan (unit) X2 : Indeks kesehatan (persentase) X3 : Persentase penduduk miskin (persentase) : Persentase keluarga pengguna listrik (persentase) X4
3.1
Model GWR Langkah awal dalam pembentukan model GWR adalah dengan menghitung bandwidth dengan menggunakan Cross Validation. Nilai bandwidth setiap lokasi digunakan untuk membentuk matriks pembobot untuk setiap daerah ke-i. Dengan menggunakan 5
software GWR4, diperoleh nilai bandwith sebesar 0.497. Kemudian nilai pembobot dihitung untuk setiap lokasi dengan metode Kernel-Gauss.Secara ringkas, nilai taksiran parameter lokal untuk model output sektor Industri M/B dilihat pada Tabel 3.1
Tabel 3.1Ringkasan Nilai Taksiran Parameter Lokal Model PDRB per kapita No 1 2 3 4 5
Parameter / 0 1 2
Minimum 12623.03 -3104.00 -8316.64 -12787.42 -8056.62
Maksimum 28294.10 8618.75 10633.49 -1464.86 -13.71
Range 15671.07 11722.75 18950.13 11322.56 8042.91
Setelah diperoleh hasil estimasi dengan menggunakan GWR, selanjutnya dilakukan pengujian kesesuaian model dengan menggunakan uji F sebagai berikut:
Tabel 3.2 Tabel Anova GWR Model Global Model GWR
SS 4594908332.910 1357770607.889
df 5.000 17.465
F 2.87
Berdasarkan tabel di atas, nilai Fhitung= 2.87 lebih besar dari F tabel = 3(*.*5,5,7.895) =2,79. Dari pengujian tersebut dapat disimpulkan bahwa terdapat pengaruh spasial antara PDRB per kapita dan variabel-variabel yang mempengaruhinya. Pengujian parameter model dilakukan untuk mengetahui variabel-variabel yang berpengaruh terhadap model PDRB per kapita di setiap lokasi (: , ; ) . Dengan < = 0,05 diperoleh nilai t-tabel= )(*.*(5,>() =2,038. Dengan membandingkan nilai t hitung dengan ± nilai t tabel, maka akan diperoleh variabel-variabel yang berpengaruh terhadap model PDRB per kapita di setiap lokasi, seperti terlihat dalam Tabel 3.4. Secara lengkap nilai thitung untuk setiap variabel disetiap lokasi dapat dilihat pada Lampiran 2.
Tabel 3.3 Faktor-Faktor yang Mempengaruhi Model PDRB per kapita pada Kabupaten/kota di Jawa Timur No 1 2 3 4 5 6 7 8
Kabupaten/Kota Kab.Bangkalan Kab. Sidoarjo, Kab. Tuban, Kab. Lamongan, dan Kota Mojokerto Kab. Pasuruan dan Kota Pasuruan Kab. Sampang, Kab. Pamekasan, dan Kab. Sumenep Kab. Malang, Kota Malang, Kota Batu, Kab. Mojokerto, dan Kab. Ngawi Kab. Jombang, Kab. Tuban, Kab. Lamongan, dan Kota Mojokerto Kab. Bojonegoro Kota Probolinggo
6
Variabel yang berpengaruh X1, X2, dan X4 X1, X2, X3 dan X4 X2, X3, dan X4 X1 dan X2 X, dan X4 X1, X3, dan X4 X1 dan X3 X2, dan X4
9 10 11
Kab. Lumajang, Kab. Jember, dan Kab. Probolinggo Kab. Ponorogo, Kab. Trenggalek, Kab. Tulungagung, Kab. Blitar, Kota Blitar, Kab. Kediri, Kab. Nganjuk, Kab. Madiun, Kota Madiun, danKab. Magetan Kab. Pacitan, Kab. Banyuwangi, Kab. Bondowoso dan Kab Situbondo
X4 X3 Tidak ada variabel yang berpengaruh
Berdasarkan tabel di atas, faktor spasial berpengaruh terhadap penentuan model PDRB per kapita. Terlihat bahwa pada kabupaten/kota yang berdekatan, mempunyai variabel-yang mempengaruhi terhadap PDRB hampir sama, misalnya pada wilayah Madura untuk Kabupaten Sampang, Pamekasan, dan Sumenep variabel X1 (banyaknya fasilitas kesehatan) dan X2 (indeks kesehatan) sama-sama mempengaruhi PDRB. Sebaran masing-masing nilai koefisien parameter dapat dilihat pada lampiran.
IV. KESIMPULAN Analisis regresi kurang tepat apabila digunakan pada data yang terdapat heterogenitas spasial, sehingga perlu digunakan analisis GWR.
DAFTAR PUSTAKA Bhinadi, A. 2003. Disparitas Pertumbuhan Ekonomi Jawa dengan Luar Jawa. Jurnal Ekonomi Pembangunan, 8 : 39-48. Brunsdon, C., Fotheringham A.S. & Charlton M. 1998. Geographically Weighted Regression : a Method for Exploring Spatial Nonstationarity. Geographical Analysis 28:281-298. Fotheringham, A.S., Brunsdon, C. & Charlton, M. 2002. Geographically Weighted Regression, the analysis of spatially varying relationships. John Wiley & Sons, LTD. Lesage, J.P. 1998. Spatial Econometrics. Department of Economics, University of Toledo. _________. 2001. A Family of Geographically Weighted Regression Models. Paper. Department of Economics, University of Toledo. Rahmawati, R. 2010. Model Regresi Terboboti Geografis dengan Pembobot Kernel Normal dan Kernel Kuadrat Ganda untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember). Tesis. Institut Pertanian Bogor. Schabenberger, O. & Gotway, C.A. 2005. Statistical Methods for Spatial Data Analysis, Chapman & Hall/CRC. Sofiagy, Y. 2010. Faktor-Faktor Yang Mempengaruhi Disparitas Pendapatan Antar Kabupaten/Kota di Provinsi Jawa Barat. Tesis. Universitas Indonesia. Yusnita. 2012. Model Regresi Terboboti Geografis Bayes Untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten Jember). Tesis. Institut Pertanian Bogor.
7
LAMPIRAN 1 Nilai Taksiran Parameter Lokal Model PDRB per kapita pada 38 kabupaten/Kota di Jawa Timur Kode 3501 3502 3503 3504 3505 3506 3507 3508 3509 3500 3501 3502 3503 3504 3505 3506 3507 3508 3509 3520 3521 3522 3523 3524 3525 3526 3527 3528 3529 3572 3573 3574 3575 3576 3577 3578 3579
Kabupaten/Kota Kab. Pacitan Kab. Ponorogo Kab. Trenggalek Kab. Tulungagung Kab. Blitar Kab. Kediri Kab. Malang Kab. Lumajang Kab. Jember Kab. Banyuwangi Kab. Bondowoso Kab. Situbondo Kab. Probolinggo Kab. Pasuruan Kab. Sidoarjo Kab. Mojokerto Kab. Jombang Kab. Nganjuk Kab. Madiun Kab. Magetan Kab. Ngawi Kab. Bojonegoro Kab. Tuban Kab. Lamongan Kab. Gresik Kab. Bangkalan Kab. Sampang Kab. Pamekasan Kab. Sumenep Kota Blitar Kota Malang Kota Probolinggo Kota Pasuruan Kota Mojokerto Kota Madiun Kota Surabaya Kota Batu
/ 15045.32 16669.88 14917.03 13645.42 12623.03 14822.73 15973.19 21380.18 20521.13 19285.81 19833.41 18157.2 23160.85 22114.32 21683.61 18569.69 17253.91 16550.12 18036.3 18818.18 20175.06 19281.58 20999.17 20574.9 22084.98 25254.5 27108.71 27937.04 28294.1 13075.98 17391.43 23509.42 22332.81 19264.53 18500.19 22879.95 17120.12
-3104 -719.412 -801.07 595.2242 431.0123 3267.716 -899.693 -1761.14 -2181.72 -2503.46 -1653.45 -1505.71 -272.573 966.4535 3954.594 3443.992 4732.807 3457.516 2551.377 -321.229 1489.942 6468.307 8166.585 6876.338 6459.134 6423.171 7179.553 7901.254 8618.751 1164.033 302.5714 734.4539 2029.166 4601.608 1306.984 5114.696 1741.831
8
0 -5396.02 -5745.71 -4003.87 -1723.58 -647.157 470.3775 1754.052 4634.954 3960.932 2649.906 3243.553 2398.794 5791.204 6090.592 6152.769 3977.805 2493.288 -2559.5 -5172.85 -7841.31 -8316.64 -2793.51 -2275.91 4781.317 6708.061 9379.405 10600.08 10633.49 10123.06 133.1242 3057.577 6727.264 6473.709 4224.545 -6530.87 7141.72 3155.961
1 -9789.66 -10130 -9758.79 -10339.4 -10544 -11019.7 -7965.88 -4321.51 -4552.94 -1867.82 -2508.22 -2391.23 -3396.4 -5206.74 -6507.46 -8469.77 -10029.6 -11505.6 -11585.5 -10677.6 -11669.5 -12584.8 -12787.4 -8225.43 -6602.65 -3838.63 -2230.41 -1622 -1464.86 -10748.1 -7799.01 -4070.13 -5444.5 -8472.71 -11226.1 -5863.66 -8648.55
2 -1519.65 -1605.44 -1709.83 -1974.31 -2448.27 -2713.8 -5520.62 -8056.62 -7862.43 -4399.05 -3288.5 -2119.16 -6126.44 -7948.04 -7435.91 -6235.62 -4442.62 -1534.24 -1243.95 -1454.6 -1119.13 -1243.79 -892.88 -5853.17 -7030.38 -6198.09 -3685.93 -1613.53 -13.708 -2848.41 -6373.11 -7367.48 -7804.37 -6178.76 -1305.56 -7354.66 -5939.07
A 7356.667 15689.67 7609.293 21678.96 15778.06 22452.25 16153.72 19832.17 15230.65 16793.94 11160.05 13473.27 9238.898 9800.509 30672.26 25269.16 19188.63 15697.05 14160.37 13400.88 9798.779 16128.39 13711.97 20677.62 24395.77 14055.77 -1306.12 10141.68 15169.59 20488.6 30524.47 20660.51 11736.77 28113.07 26984.86 64924.77 23129.6
LAMPIRAN 2 Variabel-variabel yang Mempengaruhi Model PDRB per kapita pada Kabupaten/Kota di Jawa Timur Kode 3501 3502 3503 3504 3505 3506 3507 3508 3509 3510 3511 3512 3513 3514 3515 3516 3517 3518 3519 3520 3521 3522 3523 3524 3525 3526 3527 3528 3529 3572 3573 3574 3575 3576 3577 3578 3579
Kabupaten/Kota Kab. Pacitan Kab. Ponorogo Kab. Trenggalek Kab. Tulungagung Kab. Blitar Kab. Kediri Kab. Malang Kab. Lumajang Kab. Jember Kab. Banyuwangi Kab. Bondowoso Kab. Situbondo Kab. Probolinggo Kab. Pasuruan Kab. Sidoarjo Kab. Mojokerto Kab. Jombang Kab. Nganjuk Kab. Madiun Kab. Magetan Kab. Ngawi Kab. Bojonegoro Kab. Tuban Kab. Lamongan Kab. Gresik Kab. Bangkalan Kab. Sampang Kab. Pamekasan Kab. Sumenep Kota Blitar Kota Malang Kota Probolinggo Kota Pasuruan Kota Mojokerto Kota Madiun Kota Surabaya Kota Batu
B/ 2.634085 4.04294 3.842867 5.018022 5.377568 6.956163 7.795227 8.503561 8.033655 3.512478 5.195621 3.833484 8.794237 11.03489 11.37965 10.26112 9.093977 5.826934 5.162173 4.407515 4.813988 6.332654 6.175106 10.06831 10.65313 11.41611 11.48306 10.94976 10.03703 6.120277 9.258144 10.43709 11.55458 10.36377 4.787673 11.34396 9.502194
B -0.62922 -0.2053 -0.25423 0.247098 0.181559 1.72853 -0.42501 -0.85268 -1.02075 -0.39296 -0.48001 -0.29264 -0.13164 0.517874 2.104061 1.904534 2.548338 1.513529 0.892205 -0.08084 0.392044 2.676231 3.166941 3.203785 2.98206 3.016129 3.102504 2.986497 2.787242 0.553332 0.161439 0.37451 1.096966 2.449753 0.394453 2.577562 0.970513
B0 -0.68405 -0.93808 -0.70057 -0.44742 -0.20148 0.169816 0.665185 1.700723 1.429349 0.52811 0.857236 0.527313 2.020309 2.406397 2.366689 1.586318 0.961821 -0.6609 -1.00639 -1.16508 -1.21366 -0.612 -0.39003 1.43792 2.059324 3.232824 3.787651 3.656295 3.23473 0.046573 1.239215 2.52875 2.569895 1.608956 -1.10951 2.584311 1.293868
9
B1 -1.9346 -2.45131 -2.40606 -3.11457 -3.22768 -4.39776 -2.81529 -1.44927 -1.45118 -0.19589 -0.61155 -0.35436 -1.25334 -2.14763 -2.82593 -3.67683 -4.23818 -4.00442 -3.28712 -2.41029 -2.57526 -3.88339 -3.11283 -3.06969 -2.49971 -1.52852 -0.82036 -0.53701 -0.43154 -3.77706 -3.12729 -1.6006 -2.33698 -3.60118 -2.83999 -2.46207 -3.67792
B2 -0.496 -0.66315 -0.70287 -0.83128 -0.98241 -1.27251 -2.33648 -3.11084 -2.87598 -0.4844 -0.87028 -0.41342 -2.58121 -3.88631 -3.7388 -3.22858 -2.28481 -0.71151 -0.55601 -0.5686 -0.42819 -0.58755 -0.36284 -3.00564 -3.45229 -2.93303 -1.64637 -0.63366 -0.0047 -1.21387 -3.06299 -3.47167 -3.90524 -3.19795 -0.55658 -3.60213 -2.9896
Variabel yang berpengaruh Tidak ada X3 X3 X3 X3 X3 X3, X4 X4 X4 Tidak ada Tidak ada Tidak ada X4 X2, X3, dan X4 X1, X2, X3, dan X4 X3, dan X4 X1, X3, dan X4 X3 X3 X3 X3, dan X4 X1, X3 X1, X3, dan X4 X1, X3, dan X4 X1, X2, X3, dan X4 X1, X2, dan X4 X1, X2 X1, X2 X1, X2 X3 X3, dan X4 X2 dan X4 X2, X3, dan X4 X1, X3, dan X4 X3 X1, X2, X3, dan X4 X3, dan X4
LAMPIRAN 3 Peta Hasil Model GWR Legend
35kabkot
e_faskes / none -3103.99566 - -1505.71280 -1505.71279 - 431.012294 431.012295 - 2551.37737 2551.37738 - 5114.69567 5114.69568 - 8618.75131
3525
3529 3523 3526
3521
3529
3576 3515 3517 3516
3518
3575 3514
35713506
3574
3579
3502 3501
3528
3524 3525 3578
3522
3577 3519 3520
3529
3527
3512
3513
3511
3573 3504
3503
35723505
3508 3509
3507
3510
Gambar 1. Koefisien parameter fasilitas kesehatan
Legend
35kabkot
e_ikes / none -8316.64145 - -4003.87357 -4003.87356 - 470.377519 470.377520 - 4781.31688 4781.31689 - 7141.72017 7141.72018 - 10633.4861
3525
3529 3523 3526
3527
3524 3525 3522
3518
3576 3515 3517 3516 3575 3514
35713506 3502 3501
3503
3529
3578
3521 3577 3519 3520
3529 3528
3579
3574
3512
3513
3511
3573 3504
35723505
3508 3507
3509 3510
Gambar 2. Koefisien parameter indeks kesehatan
10
Legend
35kabkot
e_%miskin / none -12787.4254 - -11226.0598 -11226.0597 - -9758.78795 -9758.78794 - -7799.01158 -7799.01157 - -3838.63353 -3838.63352 - -1464.86168
3525
3529 3523 3526 3522
3576 3515 3517 3516
3518
3575 3514
3571350
3574
3579
3502 3501
3529
3578
3521 3577 3519 3520
3529
3527 3528
3524 3525
3512
3513
351
3573 3504
3503
35723505
3508 3509
3507
3510
Gambar 3. Koefisien parameter persentase jumlah penduduk miskin
Legend
35kabkot
e_listrik / none -8056.61859 - -7030.37713 -7030.37712 - -5520.62091 -5520.62090 - -3288.50146 -3288.50145 - -1454.60012 -1454.60011 - -13.7079880
3525
3529 3523 3526 3524 3525 3578
3522 3521 3577 3519 3520
3518
3575 3514
350 3503
3529 3529
3576 3515 3517 3516
357 3506
3501
3527 3528
3579
3574
3512
3513
3511
3573 3504
35723505
3508 3507
3509 3510
Gambar 4. Koefisien parameter persentase keluarga pengguna listrik
11
