ANALISIS SEDIMEN DI TELUK KENDARI MENGGUNAKAN GWR BERDASARKAN KOMPOSISI LOGAM BERAT Pb,Cd, DAN Cr
SKRIPSI
Untuk memenuhi sebagian persyaratan Mencapai derajat sarjana (S-1)
KADEK AYU PUSPITA SARI F1A1 12 074
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS HALU OLEO KENDARI 2016
KATA PENGANTAR Om Swastyastu puji dan syukur penulis haturkan ke ajeng Ida Shang Hyang Widhi wase ( Tuhan Yang Maha Esa) atas asung kerta wara nugrahaNya sehingga penyusunan tugas akhir yang berjudul โAnalisis Sedimen Diteluk Kendari Menggunakan GWR Berdasarkan Komposisi Logam Berat Pb, Cd Dan Crโ dapat terselesaikan dan tersusun sebagaimana mestinya. Tugas akhir ini sebagai persyaratan dalam menyelesaikan tahap pendidikan sarjana S-1 pada Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo. Tugas akhir ini dilakuan berdasarkan penelitian yang telah dilakukan selama kurang lebih tiga bulan, yaitu dari bulan juni hingga bulan agustus tahun 2016 yang bertempat di Laboratorium Komputasi Matematika FMIPA UHO. Penulis sepenuhnya menyadari bahwa seluruh rangkaian kegiatan, dimulai dari awal penyusunan tugas akhir hingga penyelesaian penulisan tugas akhir ini, senantiasa mendapat bantuan dan petunjuk - petunjuk dari berbagai pihak. Oleh karena itu, penulis mengucapkan terima kasih dan penghargaan yang setinggitingginya kepada Bapak Dr. Mukhsar, S.Si., M.Si selaku pembimbing I dan Bapak Armid, S.Si, M.Sc, D. Sc selaku pembimbing II, yang dengan penuh keikhlasan dan kesungguhan telah meluangkan waktunya, memberi petunjuk, arahan dan bimbingan sejak awal penyusunan hingga selesainya penulisan tugas akhir ini. Penulis juga mengucapkan terima kasih kepada Bapak La Gubu, S.Si., M.Si., Ibu Agusrawati,S.Si.,M.Si., Dan Bapak L.M. Umar Recky R.,S.Si.,M.Si. selaku tim
iii
penguji yang telah memberikan saran dan kritik sehingga tugas akhir ini menjadi lebih baik. Melalui hasil karya ini secara khusus dan dengan hati yang tulus penulis persembahkan untuk ayahanda I Made Mirta, dan ibundaku tersayang Gusti Ayu Srinadi atas segala pengorbanan dan doโanya yang tulus, serta dukungan baik moril maupun materi demi kesuksesan penulis. Tak terlupa, terima kasih buat adekadekku tersayang (Komang Redi Yoga Tama dan Ketut Sahrul Adiaksa) atas segala dukungan dan motivasi selama penulis menempuh studi. Ucapan terima kasih juga penulis hanturkan kepada: 1.
Bapak Prof. Dr. Ir. H. Usman Rianse, M.S. selaku Rektor Universitas Halu Oleo
2.
Bapak Dr. Muh. Zamrun F, S.Si., M.Si., M.Sc. selaku Dekan FMIPA UHO.
3.
Bapak La Gubu, S.Si., M.Si., dan Bapak Rasas Raya, S.Si., M.Si., selaku Ketua Jurusan dan Sekretaris Jurusan Matematika FMIPA UHO.
4.
Bapak Dr.rer.nat. Wayan Somayasa, S.Si., M.Si., selaku Kepala Jaminan Mutu FMIPA UHO
5.
Ibu Norma Muhtar, S.Si., M.Si., selaku kepala Laboratorium Komputasi Matematika Jurusan Matematika FMIPA UHO
6.
Bapak La Gubu, S.Si., M.Si., selaku Penasehat Akademik yang selalu membimbing dan memberikan arahan
7.
Bapak dan Ibu Dosen Jurusan Matematika Fakultas MIPA UHO yang selalu membimbing dan memberikan dorongan motivasi
8.
Seluruh Staf dan Tata Usaha di lingkungan Fakultas MIPA UHO.
iv
9.
Segenap keluarga besar I made mirta dan gusti ayu srinadi terima kasih atas nasehat, doa, kasih sayang ,motivasi, semangat dan kerja samanya yang selama ini diberikan kepada penulis.
10. Keluarga-keluarga yang telah memberi bantuan dan sumbangsih baik material maupun non material.Terutama kepada keluarga bapak haerudin dan ibu yang telah memberi tempat tinggal selama penulis menyelesaikan studi. 11. Teman-teman seperjuanganku Math-12 Tubong (Uli, Ana, Nisar, Ila, Virda, Rajab, Rifky, Rizwan, Gede, & Jio), Teman-teman Cingu (Diana, Desi, Nury, Eka fitria, Wiwin, & Eka wati) Dkk (Igo, Bertin, Obil, Astrid, Fuad, Arisandi, Windi Dan Dani) Egi, Evi, Nella, Hajar, Muh. Galih, Ayu, Indi, (S.Mat) dan teman-teman yang tidak dapat penulis sebutkan satu persatu yang selalu memberi semangat dan dukungan selama penulis menyelesaikan tugas akhir dan menempuh studi. 12. Rekan-rekan senior angkatan Math11 syafar, arfan, wayan eka, ayu, citra edikun,rahmat (S.Mat) dan segenap teman-teman seangkatan Math11 yang tidak dapat penulis sebutkan satu-persatu yang telah banyak memberi semangat dan motivasi selama penulis menempu studi. 13. Rekan-rekan junior Math13, Math14, Math15, Math16, dan segenap adik-adik yang tidak dapat penulis sebutkan satu persatu yang telah banyak memberi semangat, dan sumbangsih dalam berbagai bentuk dan terima kasih atas kebersamaan kita selama ini. Penulis menyadari bahwa penyusunan tugas akhir ini masih jauh dari kesempurnaan. Oleh karena itu, kritik dan saran yang sifatnya membangun, penulis
v
terima dengan tangan terbuka. Akhir kata, semoga skripsi ini bermanfaat dan memberikan sumbangan yang berharga serta amal kebaikan.
Kendari, 28 Oktober 2016
Penulis
vi
DAFTAR ISI
Halaman HALAMAN JUDUL...............................................................................
i
HALAMAN PENGESAHAN ................................................................
ii
KATA PENGANTAR ............................................................................
iii
DAFTAR ISI ...........................................................................................
vii
DAFTAR GAMBAR ..............................................................................
ix
DAFTAR TABEL ...................................................................................
x
DAFTAR LAMPIRAN ...........................................................................
xi
ABSTRAK .............................................................................................
xii
ABSTRACT ...........................................................................................
xiii
BAB I PENDAHULUAN 1.1
Latar Belakang.................................................................
1
1.2
Rumusan Masalah ...........................................................
3
1.3
Tujuan Penelitian .............................................................
3
1.4
Manfaat Penelitian ...........................................................
3
BAB II TINJAUAN PUSTAKA 2.1
Data Spasial .....................................................................
4
2.2
Analisis Regresi ...............................................................
5
2.2.1 Pengujian Asumsi Klasik .......................................
6
Geographically Weighted Regression (GWR) ...............
9
2.3.1 Estimasi Parameter .................................................
10
2.3.2 Uji Signifikansi .......................................................
13
2.3.3 Uji Signifikansi Parsial ...........................................
15
2.3.2 Koefisien Determinasi Lokal ..................................
17
2.4
Bandwith..........................................................................
18
2.5
Pembobot .........................................................................
18
2.3
BAB III METODE PENELITIAN 3.1
Waktu dan Tempat Penelitian .........................................
20
3.2
Sumber Data ....................................................................
20 vii
3.3
Prosedur Penelitian .........................................................
21
BAB IV HASIL DAN PEMBAHASAN 4.1
Deskripsi Data .................................................................
22
4.2
Uji Asumsi Data ..............................................................
24
4.2.1 Uji Normalitas ........................................................
24
4.2.2 Uji Heteroskedastisitas ...........................................
25
4.2.3 Uji Multikolinieritas ...............................................
26
Analisis Data ...................................................................
26
4.3.1 Model GWR ...........................................................
27
4.3.2 Pengujian Kesesuaian Model .................................
29
4.3.3 Pengujian Paramter Model GWR ...........................
30
4.3
4.3.3.1 uji signifikansi parameter parsial model lengkap..31 4.3.3.2 uji signifikansi parameter parsial model Terbaik..35 4.3.4 interpretasi parameter model Terbaik .....................
37
BAB V PENUTUP 5.1
Kesimpulan ......................................................................
39
5.2
Saran ................................................................................
40
DAFTAR PUSTAKA LAMPIRAN
viii
DAFTAR GAMBAR
Gambar 4.1 Titik sampling di teluk Kendari ...................................................
22
Gambar 4.2 Konsenterasi rata-rata logam berat ...............................................
23
ix
DAFTAR TABEL
Tabel 4.1 Statistik Deskriptif ...........................................................................
24
Tabel 4.2 Uji heteroskedastisitas .....................................................................
25
Tabel 4.3 Nilai VIF variabel prediktor .............................................................
26
Tabel 4.4 Nilai maksimum dan minimum Estimasi Parameter........................
28
Tabel 4.5 Uji Kesesuaian model .....................................................................
29
Tabel 4.6 Nilai parameter Model GWR per titik sampling ..............................
31
Tabel 4.7 Nilai Residual dan Koefisien Determinasi (R2 ) ..............................
33
Tabel 4.8 Parameter Signifikan model GWR per titik sampling .....................
34
Tabel 4.9 Beberapa Nilai Estimasi model GWR terbaik .................................
35
x
DAFTAR LAMPIRAN
Lampiran 1. Data Penelitian ........................................... .......................
41
Lampiran 2. Uji Kolmogorov-Smirnov ..................................................
42
Lampiran 3. Uji Heteroskedastisitas ......................................................
42
Lampiran 4. Uji Multikolinieritas ..........................................................
43
Lampiran 5. Hasil Estimasi Model GWR Lengkap ...............................
43
Lampiran 6. Hasil Estimasi Model GWR Terbaik .................................
47
xi
ANALISIS SEDIMEN DI TELUK KENDARI MENGGUNAKAN GWR BERDASARKAN KOMPOSISI LOGAM BERAT Pb, Cd, DAN Cr OLEH: KADEK AYU PUSPITA SARI F1A1 12 074 ABSTRAK Analisis regresi adalah suatu analisis statistik yang memodelkan hubungan antara variabel respon dan variabel prediktor. Geographically Weighted Regression (GWR) adalah pengembangan dari regresi linier dengan menambahkan faktor letak geografis di mana variabel respon diambil sehingga parameter yang dihasilkan akan bersifat lokal. Metode untuk mengestimasi parameter model GWR yaitu menggunakan metode Weighted Least Square (WLS) dan pemilihan bandwidth optimum menggunakan metode Cross Validation (CV). Tujuan dari penelitian ini adalah untuk mengestimasi dan mengetahui faktor yang mempengaruhi konsenterasi pencemaran endapan di Teluk Kendari menggunakan software R versi 1386 3.1.1. Data yang digunakan dalam penerapan model GWR adalah distribusi logam berat pada endapan di Teluk Kendari tahun 2014 dengan konsentrasi endapan sebagai variabel respon (๐), berdasarkan jurnal penelitian yang diterbitakn oleh Armid, dkk. Sedangkan untuk variabel prediktor terdiri atas konsentrasi logam Pb (๐1), konsentrasi logam Cd (๐2), konsentrasi logam Cr (๐3). Hasil analisis menunjukkan bahwa hanya variabel konsenterasi logam Cr (๐3) yang berpengaruh terhadap variabel respon untuk setiap titik sampling. Interpretasi model menunjukkan bahwa apabila konsenterasi logam Cr bertambah satu satuan dalam suatu titik sampling, maka jumlah konsenterasi pencemaran endapan teluk akan bertambah. Sebagai contoh diambil hasil estimasi model GWR global dengan koefsien sebesar 0,0212. Koefisien konsenterasi logam Cr bernilai positif artinya peningkatan satu satuan TOC persen konsenterasi logam Cr akan meningkatkan konserterasi endapan sebesar 0,0212. Kata Kunci: Teluk Kendari, Endapan, Logam Berat, Cross Validation, Geographically Weighted Rregression, Weighted Least Square.
xii
ANALYSIS OF SEDIMENTS IN KENDARI BAY BY GWR TECHNIQUE BASE ON THE COMPOSITION OF HEAVY METALS Pb, Cd, AND Cr BY: KADEK AYU PUSPITA SARI F1A1 12 074
ABSTRACT Regression analysis is a statistical analysis that models the relationship between the response and the predictor variables. Geographically Weighted Regression (GWR) is the development of a linear regression by adding the geographical location factor where the response variable is taken, then the generated parameters have local characteristics. Methods for estimating model parameters GWR was performed by using Weighted Least Square (WLS) and the selection of the optimum bandwidth using the Cross Validation (CV). The objective of this research is to estimate and determine factors that controlling the pollutant concentration in the sediment of Kendari Bay using the R software version 3.1.1 1386. The GWR application in the present study used the data of the heavy metals distribution in the sediment of Kendari Bay in 2014 where the sediment concentration is picked up to be response variable (Y), based on the published paper by Armid et al. (2014). The predictor variables comprised of Pb concentration (๐1), Cd concentration (๐2), and Cr concentration (๐3). Results showed that the concentration of Cr only (๐3) has significant effect on the response variable in each sampling point. Model interpretation confirmed that for the increase of Cr concentration in one unit resulting to the rise of the concentration of pollutant in the study area. For instance, taken the estimation results of GWR model globally with the coefficient 0.0212. The coefficient of Cr concentration has positive value means that for the increase of TOC in one unit the Cr concentration shall the enhancement of sediment concentration by 0.0212. Keywords:
Kendari Bay, Sediment, Heavy Metals, Cross Validation, Geographically Weighted Rregression, Weighted Least Square.
xiii
BAB I PENDAHULUAN 1.1
Latar Belakang Dalam beberapa tahun terakhir permasalahan polutan (seperti logam berat)
dalam sistem perairan telah menjadi bagian dari kepedulian lingkungan hidup yang penting karena adanya toksisitas elemen. logam berat dapat mempengaruhi kehidupan organisme air dan kesehatan manusia. Transportasi fisikokimia dan interaksi biogeokimia dapat berperan penting dalam mengendalikan sirkulasi logam berat pada wilayah muara dan pesisir. Keberadaan logam berat dalam sedimen pantai dapat menimbulkan masalah lingkungan yang serius karena berhubungan dengan kualitas air dan bioakumulasi dalam organisme laut. Oleh karena itu, sedimen pesisir adalah komponen geokimia penting dalam lingkungan kelautan karena memberikan informasi yang berguna untuk lingkungan itu sendiri dan penelitian geokimia akibat adanya pencemaran laut (Yulianto, dkk., 2006). Teluk Kendari adalah teluk yang terletak di Kota Kendari, Provinsi Sulawesi Tenggara. Teluk ini telah menjadi pusat pariwisata, transportasi, tempat memancing dan pelabuhan sepanjang wilayah pesisir kota Kendari. Muara Sungai Wanggu dan tiga pelabuhan terletak di dalam teluk (Ferry, Perikanan Samudera dan pelabuhan Nusantara) dapat mempengaruhi karakteristik kimia dari logam dalam air dan sedimen di teluk. Sampai saat ini, penelitian mengenai distribusi logam dari sedimen di lokasi ini masih langka. Dengan demikian, pemahaman distribusi logam berat dan status polusi geokimia dalam sedimen di Teluk Kendari penting untuk mengelola kualitas air di muara dan pesisir. Penelitian sebelumnya meneliti tentang
1
konsentrasi logam berat seperti Timbal (Pb), Cadmium Cd dan Kromium (Cr) di daerah pesisir dari sedimen Teluk Kendari dan menyelidiki tingkat pencemaran dengan membandingkan daerah pesisir lainnya di seluruh dunia. Pengaruh sifat sedimen (Total ukuran butir dan bahan organik) pada konsentrasi logam juga menjadi bagian penelitian sebelumnya. Dengan menggunakan geoaccumulation Indeks (Igeo) dapat mengukur perkirakan status pencemaran sedimen Teluk Kendari yang diukur dari endapan (TOC) (Armid dkk, 2014). Pada penelitian yang dilakukan oleh Armid, dkk (2014), terdapat 25 titik pengambilan sampel yang masing-masing dipetakan berdasarkan 6 titik kelompok sampel perairan di sekitar Teluk Kendari. Tata letak pengambilan sampel yang berbeda-beda juga berpengaruh terhadap pemodelan konsenterasi pencemaran sedimen dikarenakan perbedaan letak titik sampling secara geografis akan mempengaruhi kuantitas toksisitas elemen. Oleh sebab itu perlu adanya suatu pemodelan statistik yang memperhatikan letak titik sampling berdasarkan lokasi dimana data tersebut diambil. Banyak metode atau cara yang dapat digunakan untuk mengolah tipe data spasial. Salah satunya dengan metode Geographically Weighted Regression (GWR).GWR merupakan pengembangan dari regresi linier dengan menambahkan faktor letak geografis dimana data tersebut diambil sehingga estimasi parameter yang dihasilkan akan bersifat lokal (Fotheringham, dkk, 2002). Berdasarkan uraian di atas, penulis tertarik untuk melakukan penelitian tentang
โAnalisis
Sedimen
Diteluk
Kendari
Menggunakan
GWR
Berdasarkan Komposisi Logam Berat Pb, Cd, dan Crโ.
2
1.2
Rumusan Masalah Berdasarkan uraian latar belakang maka rumusan masalah yang dikaji pada
penelitian ini yaitu bagaimana model GWR dan faktor apa yang mempengaruhi secara signifikan terjadinya pencemaran endapan dari Teluk ? 1.3
Tujuan Penelitian Berdasarkan rumusan masalah diatas, tujuan yang ingin dicapai dalam
penelitian ini yaitu Mengetahui model GWR dan faktor yang mempengaruhi secara signifikan terjadinya pencemaran endapan dari teluk kendari. 1.4
Manfaat Penelitian Adapun manfaat dari penulisan kajian ini dibagi menjadi dua, yaitu :
1. Manfaat Teoritis Secara teoritis, kajian ini membahas tentang konsep-konsep regresi linier klasik dan regresi terboboti geografis atau Geographically Weighted Regression (GWR), sehingga diharapkan dapat memberikan manfaat sebagai bahan rujukan untuk pengembangan analisis regresi di masa yang akan datang, khususnya tentang Geographically Weighted Regression (GWR). 2. Manfaat Praktis Penulisan ini diharapkan dapat menjadi informasi dan masukan bagi seluruh lapisan masyarakat kota Kendari tantang bagaiman pengaruh logam berat terhadap pencemaran di sekitar Teluk Kendari.
3
BAB II TINJAUAN PUSTAKA 2.1
Data Spasial Cressie (1993) menyatakan bahwa data spasial merupakan data yang
dikumpulkan dari lokasi spasial berbeda dan memiliki sifat ketergantungan antara pengukkuran data dengan lokasi. Data spasial diasumsikan berdistribusi normal dan memiliki hubungan secara spasial untuk dapat dianalisis secara spasial. Pada saat ini data spasial mennjadi media yang penting dalam pengambilan kebijakn perencanaan pembangunan dan pengolahan sumber daya alam. Pemanfaatan data spasial
semakin
pemanfaatannya
berkembang pada
Sistem
yang
dikarenakan
Informasi
adanya
Geografis
teknologi
(SIG).
dan
Umumnya
gambaran/deskripsi yang digunakan adalah berupa peta atau gambar dengan format digital yang memiliki titil koordinat tertentu. Prahasta (2009) mendefinisikan data spasial adalah daya yang berorientasi geografis, memiliki sistem koordinat tertentu sebagai dasat referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data yang lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (atribut). a. Informasi lokasi (spasial), berkaitan dengan suatu koordinat baik koordinat geografis (kintang dan bujur) atau kooordinat XYZ, termasuk di antaranya informasi datum dan proyeksi. Informasi lokasi atau geometri milik suatu objek spasial dapat dimasukkan ke dalam beberapa bentuk sperti titik (dimensi nolpoint), garis (satu dimensi-line atau polyline), polygon (dua dimensi-area), dan permukaan (3D).
4
b. Informasi deskriptif (atribut) merupakan informasi nonspasial suatu lokasi yang memiliki beberapa keterangan yang berkaitan denganya, seperti jenis vegetasi, populasi, luasan, dan parameter lainnya. Data nonspasial dapat disajikan dalam beberapa bentuk sepertu format tabel, format laporan, format pengukuran, ataupun format grafik. 2.2
Analisis Regresi Suatu metode digunakan untuk menyatakan hubungan antara sebuah variabel
dependen atau respon (y) dengan beberapa variabel independent atau prediktor (x) adalah metode regresi. Model regresi linier berganda untuk k variabel prediktor dan jumlah pengamatan sebanyak n dapat ditulis: ๐ฆ๐ = ๐ฝ0 + ๐ฝ1 ๐ฅ๐1 + ๐ฝ2 ๐ฅ๐2 + โฏ + ๐ฝ๐ ๐ฅ๐๐ + ๐๐ . Atau ๐ฆ๐ = ๐ฝ0 + โ๐๐=1 ๐ฝ๐ ๐ฅ๐๐ + ๐๐ ; ๐ = 1,2,3, . . . , ๐,
(2.1)
dengan : ๐ฆ๐
=
variabel dependen pada pengamatan keโ๐ (๐ = 1, 2, . . . , ๐)
๐ฝ0
=
konstanta
๐ฝ๐
=
koefisien regresi ke โ ๐ (๐ = 1,2, โฆ , ๐)
๐ฅ๐๐
=
variabel independen ke-j pada pengamatan keโ๐ (๐ = 1, 2, . . . , ๐)
๐๐
=
error yang diasumsikan identik, independen, dan berdistribusi normal dengan mean nol dan varians ๐ 2 .
5
Apabila disajikan dalam bentuk matriks maka persamaan (2.1) akan berbentuk: 1 ๐ฅ11 ๐ฆ1 ๐ฆ2 1 ๐ฅ21 [โฎ]=[ โฎ โฎ ๐ฆ๐ 1 ๐ฅ๐1
๐ฅ12 โฆ ๐ฅ22 โฆ โฎ ๐ฅ๐2 โฆ
๐ฅ1๐ ๐ฝ0 ๐1 ๐ ๐2๐ ๐ฝ1 2 ][ ]+ [ โฎ ] โฎ โฎ ๐๐ ๐๐๐ ๐ฝ๐
dengan bentuk sederhana, dapat dinotasikan sebagai berikut: ๐ = ๐ ๐ + ๐, ๐ฆ1 ๐ฆ2 dengan ๐ = [ โฎ ], ๐ฆ๐ ๐ฝ0 ๐ฝ ๐ = [ 1] , โฎ ๐ฝ๐
(2.2) 1 ๐ฅ11 1 ๐ฅ21 ๐=[ โฎ โฎ 1 ๐ฅ๐1
๐ฅ12 ๐ฅ22 โฎ ๐ฅ๐2
โฆ ๐ฅ1๐ โฆ ๐2๐ ], โฎ โฆ ๐๐๐
๐1 ๐2 dan ๐ = [ โฎ ] ๐๐
dimana: ๐
: vektor variabel respon berukuran ๐ ร 1
๐
: matriks variabel prediktor berukuran ๐ ร (๐ + 1)
๐
: matriks koefisien regresi berukuran (๐ + 1) ร 1
๐
: matriks error berukuran ๐ ร 1
dimana fungsi error diasumsikan memiliki sifat (Johnson & Wichern, 1996): 1. ๐ธ(๐๐ ) = 0, 2. ๐ฃ๐๐(๐๐ ) = ๐ 2 (konstan), dan 3. ๐๐๐ฃ(๐๐ , ๐๐ ) = 0, untuk ๐ โ ๐ 2.2.1 Pengujian Asumsi Klasik Model Regresi Dengan melakukan pengujian asumsi-asumsi, dapat dilihat bahwa penaksir kuadrat terkecil dari koefisien regresi adalah penaksir yang tak bias.
6
1. Uji Distribusi Data Uji Normalitas data dilakukan sebelum data diolah berdasarkan model-model penelitian yang diajukan. Uji normalitas data bertujuan untuk mendeteksi distribusi data dalam suatu variabel yang akan digunakan dalam penelitian. Data yang baik dan layak untuk membuktikan model-model penelitian tersebut adalah data yang memiliki distribusi normal. Ada bermacam-macam cara untuk mendeteksi normalitas distribusi data, salah satunya menggunakan uji Kolmogorov-Smirnov. Hipotesis yang diajukan adalah sebagai berikut: ๐ป0 : Data X berdistribusi normal. ๐ป1 : Data X tidak berdistribusi normal. Pengambilan keputusan: Jika ๐๐๐. (๐) > 0,05 maka Ho diterima Jika ๐๐๐. (๐) < 0,05 maka Ho ditolak.
Statistik uji Kolmogorov Smirnov seperti pada rumus ๐ท = ๐๐๐ฅ|๐น0 (๐ฅ๐ ) โ ๐๐ (๐ฅ๐ )|, ๐ = 1,2, โฆ , ๐. Selanjutnya nilai ๐ท ini dibandingkan dengan nilai ๐ท๐ก๐๐๐๐ atau dengan signifikansi ๐ผ = 0,05 (tabel Kolmogorov-Smirnov). Apabila nilai ๐ท > ๐ท๐ก๐๐๐๐ atau nilai signifikansinya di bawah ๐ผ, maka H0 ditolak (Steel & Torrie, 1993). 2. Homokedastisitas Asumsi homokedastisitas, atau penyebaran sama, yaitu varians yang sama, terjadi apabila variasi ฮตi berubah-ubah secara sistematik seiring berubahnya nilai prediktor variabel. Uji statistik yang digunakan adalah uji Glejser. Pengujian ini dilakukan dengan meregresikan nilai absolut dari ๐๐ , yaitu |๐๐ | terhadap semua 7
variabel prediktor yang digunakan. Jika variabel prediktornya signifikan mempengaruhi nilai absolut error, berarti bahwa dalam data terdapat kasus heterokedastisitas. Sebaliknya, jika tidak signifikan berarti bahwa asumsi homokedastisitas terpenuhi. 3. Multikolinieritas Multikolinieritas berarti adanya hubungan linier yang โsempurnaโ atau pasti diantara semua variabel yang menjelaskan dari model regresi. Ada beberapa metode mendeteksi multikolinieritas, diantaranya ialah menghitung nilai Variance Inflation Factors (VIF) dengan rumus : (๐๐ผ๐น)๐ =
1 1โ๐
๐2
,
(2.3)
dengan ๐
๐2 adalah nili koefisien determinsi variabel ke-j. Jika (๐๐ผ๐น)๐ > 10 maka mengindikasikan adanya multikolinearitas. 2.3 Geographically Weighted Regression (GWR) Model GWR adalah suatu model regresi sederhana yang diubah menjadi model regresi yang terboboti (Fotheringham, dkk, 2002). Setiap nilai parameter akan dihitung pada setiap titik lokasi geografis sehingga setiap titik lokasi geografis mempunyai nilai parameter regresi yang berbeda-beda. Hal ini akan memberikan variasi pada nilai parameter regresi di suatu kumpulan wilayah geografis. Jika nilai parameter regresi konstan pada tiap-tiap wilayah geografis, maka model GWR adalah model global. Artinya tiap-tiap wilayah geografis mempunyai model yang sama. Model umum untuk model GWR adalah ๐ฆ๐ = ๐ฝ0 (๐ข๐ , ๐ฃ๐ ) + โ๐๐=1 ๐ฝ๐ (๐ข๐ , ๐ฃ๐ )๐ฅ๐๐ + ๐๐ ,
(2.4)
8
dengan: ๐ฆ๐
= variabel dependen pada lokasi ke-i (i = 1, 2, ... , n)
๐ฅ๐๐
= variabel independen ke-k pada lokasi ke-i (i = 1, 2, ... , n)
(๐ข๐ , ๐ฃ๐ ) = koordinat longitude latitude dari titik ke-i pada suatu lokasi geografis. ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) = koefisien regresi ke-k pada masing-masing lokasi ๐๐ = error yang diasumsikan identik, independen, dan berdistribusi Normal dengan mean nol dan varians konstan ๏ณ 2 Pada model GWR diasumsikan bahwa data observasi yang dekat dengan titik ke-i mempunyai pengaruh yang besar pada penaksiran dari ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) daripada data yang berada jauh dari titik keโ๐. Menurut Fotheringham, dkk (2002), lokal parameter ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) ditaksir menggunakan Weighted Least Squared (WLS). Pada GWR sebuah observasi diboboti dengan nilai yang berhubungan dengan titik keโ๐. Bobot ๐ค๐๐ , untuk ๐ = 1, 2, . . . , ๐, pada tiap lokasi (๐ข๐ , ๐ฃ๐ ) diperoleh sebagai fungsi yang kontinu dari jarak antara titik ke-i dan titik data lainnya (Fotheringham dkk, 2002). 2.3.1 Estimasi parameter Estimasi parameter model GWR dilakukan dengan metode Weighted Least Squares (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap lokasi dimana data diamati. Pemberian bobot ini sesuai dengan Hukum I Tobler: โ Everything is related to everything else, but near thing are more related than distant thingsโ yang berarti โsegala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu yang jauhโ (Chasco & Vicens, 2007). Sehingga pada model GWR diasumsikan bahwa daerah
9
yang dekat dengan lokasi pengamatan ke-๐ mempunyai pengaruh yang besar terhadap estimasi parameternya dari
pada daerah yang lebih jauh. Misalkan
pembobot untuk setiap lokasi (๐ข๐ , ๐ฃ๐ ) adalah ๐ค๐ (๐ข๐ , ๐ฃ๐ ), ๐ = 1,2, โฆ , ๐ maka parameter pada lokasi pengamatan (๐ข๐ , ๐ฃ๐ ) diestimasi dengan menambahkan unsur pembobot ๐ค๐ (๐ข๐ , ๐ฃ๐ ), pada persamaan (1) dan kemudian meminimumkan jumlah kuadrat residual berikut ini : ๐
2
๐
๐
โ ๐ค๐ (๐ข๐ , ๐ฃ๐ ) ๐๐2 = โ ๐ค๐ (๐ข๐ , ๐ฃ๐ ) [๐ฆ๐ โ ๐ฝ0 (๐ข๐ , ๐ฃ๐ ) โ โ ๐ฝ๐ (๐ข๐ , ๐ฃ๐ )๐ฅ๐๐ ] . ๐=1
๐=1
๐=1
Atau dalam bentuk matriks jumlah kuadrat residualnya adalah (misalkan ๐ = (๐ข๐ , ๐ฃ๐ )): ๐๐ ๐๐ ๐ = (๐ฆ โ ๐๐ฝ๐ )๐ ๐๐ (๐ฆ โ ๐๐ฝ๐ ) = (๐ฆ ๐ โ ๐ฝ๐๐ ๐ ๐ )๐ ๐๐ (๐ฆ โ ๐๐ฝ๐ ) = ๐ฆ ๐ ๐๐ ๐ โ ๐๐ ๐ฆ ๐ ๐๐ฝ๐ โ ๐ฝ๐๐ ๐ ๐ ๐๐ ๐ + ๐ฝ๐๐ ๐ ๐ ๐๐ ๐๐ฝ๐ = ๐ฆ ๐ ๐๐ ๐ โ ๐๐ (๐ฆ ๐ ๐๐ฝ๐ )๐ โ ๐ฝ๐๐ ๐ ๐ ๐๐ ๐ + ๐ฝ๐๐ ๐ ๐ ๐๐ ๐๐ฝ๐ = ๐ฆ ๐ ๐๐ ๐ โ ๐ฝ๐๐ ๐ ๐ ๐๐ ๐ โ ๐ฝ๐๐ ๐ ๐ ๐๐ ๐ + ๐ฝ๐๐ ๐ ๐ ๐๐ ๐๐ฝ๐ = ๐ฒ ๐ ๐๐ ๐ฒ โ 2๐๐๐ ๐ ๐ ๐๐ ๐ฒ + ๐ฝ๐๐ ๐ ๐ ๐๐ ๐๐ฝ๐
(2.5)
dengan: ๐ฝ0 (๐ข๐ , ๐ฃ๐ ) ๐ฝ (๐ข , ๐ฃ ) ๐๐ = ( 1 ๐ ๐ ) dan ๐๐ = diag (๐ค1 (๐ข๐ , ๐ฃ๐ ), ๐ค2 (๐ข๐ , ๐ฃ๐ ), โฆ , ๐ค๐ (๐ข๐ , ๐ฃ๐ )). โฎ ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) Jika perasamaan (2.5) diturunkan terhadap ๐๐ (๐ข๐ , ๐ฃ๐ ) dan hasilnya disamakan dengan nol maka diperoleh estimator parameter model GWR:
10
๐๐๐ ๐๐ ๐ ๐(๐ฒ ๐ ๐๐ ๐ฒ โ 2๐๐๐ ๐ ๐ ๐๐ ๐ฒ + ๐ฝ๐๐ ๐ ๐ ๐๐ ๐๐ฝ๐ ) = ๐๐๐ ๐๐๐ = 0 โ 2๐ ๐ ๐๐ ๐ฒ + ๐ ๐ ๐๐ ๐๐ฝ๐ + ๐๐ (๐ ๐ ๐ฝ๐๐ ๐)๐ = โ2๐ ๐ ๐๐ ๐ฒ + ๐ ๐ ๐๐ ๐๐ฝ๐ + ๐ ๐ ๐๐ ๐๐ฝ๐ = โ2๐ ๐ ๐๐ ๐ฒ + ๐๐ ๐ ๐๐ ๐๐ฝ๐ 2๐ ๐ ๐๐ ๐ฒ = ๐๐ ๐ ๐๐ ๐๐ฝ๐ ๐ ๐ ๐๐ ๐ฒ = ๐ ๐ ๐๐ ๐๐ฝ๐ [๐ ๐ ๐๐ ๐]โ1 ๐ ๐ ๐๐ ๐๐ฝ๐ = [๐ ๐ ๐๐ ๐]โ1 ๐ ๐ ๐๐ ๐ฒ ๐ฝ๐ = [๐ ๐ ๐๐ ๐]โ1 ๐ ๐ ๐๐ ๐ฒ. Sehingga didapatkan estimator parameter model GWR berikut: ฬ (๐ข๐ , ๐ฃ๐ ) = (๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐๐ (๐ข๐ , ๐ฃ๐ )๐ฒ, ๐
(2.6)
dengan : X
= matrik data dari variabel bebas
๐
= vektor variabel respon
๐(๐)
= matriks pembobot
๐ค๐ 0 ๐ค(๐) = [ โฎ 0
0 ๐ค12 โฎ 0
1 ๐ฅ11 โฆ 0 1 ๐ฅ21 โฆ 0 ];๐ฅ=[ โฎ โฎ โฎ โฎ โฆ ๐ค๐๐ 1 ๐ฅ๐1
๐ฅ12 ๐ฅ22 โฎ ๐ฅ๐2
โฆ ๐ฅ1๐ ๐ฆ1 โฆ ๐ฅ2๐ ๐ฆ2 ] ; ๐ฆ = [ โฎ ], โฎ โฑ ๐ฆ๐ โฆ ๐ฅ๐๐
๐ฝ0 (๐ข1 , ๐ฃ1 ) ๐ฝ1 (๐ข1 , ๐ฃ1 ) โฆ ๐ฝ๐ (๐ข1 , ๐ฃ1 ) . . . . . . ๐ฝ= . . . . [๐ฝ0 (๐ข๐ , ๐ฃ๐ ) ๐ฝ1 (๐ข๐ , ๐ฃ๐ ) โฆ ๐ฝ๐ (๐ข๐ , ๐ฃ๐ )] ฬ (๐ข๐ , ๐ฃ๐ ) pada persamaan (2.6) merupakan estimator tak bias dan Estimator ๐ konsisten yakni dengan bukti:
11
ฬ (๐ข๐ , ๐ฃ๐ )) = ๐ธ[(๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐๐ (๐ข๐ , ๐ฃ๐ )๐ฒ] ๐ธ (๐ = ๐ธ[(๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐๐ (๐ข๐ , ๐ฃ๐ )]๐ธ(๐ฆ) = ๐ธ[(๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐๐ (๐ข๐ , ๐ฃ๐ )]๐ธ(๐๐ฝ(๐ข๐ , ๐ฃ๐ ) + ๐) = ((๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐๐ (๐ข๐ , ๐ฃ๐ ))(๐๐ฝ(๐ข๐ , ๐ฃ๐ )) = ((๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 (๐ ๐ ๐๐ (๐ข๐ , ๐ฃ๐ )๐))(๐ฝ(๐ข๐ , ๐ฃ๐ )) = ๐ผ๐ฝ(๐ข๐ , ๐ฃ๐ ) = ๐ฝ(๐ข๐ , ๐ฃ๐ ). ฬ (๐ข๐ , ๐ฃ๐ )) = ๐ฝ(๐ข๐ , ๐ฃ๐ ), maka terbukti bahwa penaksir ๐ฝ(๐ข๐ , ๐ฃ๐ ) adalah Karena ๐ธ (๐ takbias (Yasin, 2011). Misalkan ๐ฑ ๐๐ = (1, ๐ฅ๐1 , ๐ฅ๐2 , โฆ , ๐ฅ๐๐ ) adalah elemen baris ke-๐ dari matriks ๐. Maka nilai prediksi untuk ๐ฆ pada lokasi pengamatan (๐ข๐ , ๐ฃ๐ ) dapat diperoleh dengan cara berikut : ฬ (๐ข๐ , ๐ฃ๐ ) = ๐ฑ ๐๐ (๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐ฒ. ๐ฆฬ๐ = ๐ฑ ๐๐ ๐ Sehingga untuk seluruh pengamatan dapat dituliskan sebagai berikut: ๐ฒฬ = (๐ฒฬ1 , ๐ฒฬ2 , โฆ , ๐ฒฬ๐ )๐ = ๐๐ฒ dan ๐ฬ = (๐ฬ1 , ๐ฬ2 , โฆ , ๐ฬ๐ )๐ = ๐ฆ โ ๐ฒฬ = (๐ โ ๐), dengan ๐ adalah matriks identitas berukuran ๐ ร ๐ dan ๐ฑ1๐ (๐ ๐ ๐(๐ข1 , ๐ฃ1 )๐)โ1 ๐ ๐ ๐(๐ข1 , ๐ฃ1 ) ๐ (๐ ๐ ๐(๐ข2 , ๐ฃ2 )๐)โ1 ๐ ๐ ๐(๐ข2 , ๐ฃ2 ) ). ๐ = ( ๐ฑ2 โฎ ๐ฑ ๐๐ (๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐)โ1 ๐ ๐ ๐(๐ข๐ , ๐ฃ๐ ) ฬ (๐ข๐ , ๐ฃ๐ ) pada persamaan (2.6) merupakan estimator tak bias dan Estimator ๐ konsisten untuk ๐(๐ข๐ , ๐ฃ๐ ).
12
2.3.2
Uji signifikansi Pengujian hipotesis dilakukan setelah menghitung estimasi terhadap
parameter populasi yang benar dengan serangkaian pertanyaan-pertanyaan yang jauh lebih rumit. Pendekatan yang kita gunakan adalah pendekatan alamiah klasik (classical in nature), yaotu dengan mengasumsikan bahwa data sampel adalah terbaikdan merupakan satu-satunya informasi tentang populasi. Menurut Yasin (2011).Pengujian hipotesis pada model GWR terdiri dari pengujian kesesuaian model GWR dan pengujian parameter model. Pengujian kesesuaian model GWR (goodness of fit) dilakukan dengan hipotesis sebagai berikut: ๐ป0 : ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) = ๐ฝ๐ untuk setiap ๐ = 0,1,2, โฆ , ๐, dan ๐ = 1,2, โฆ , ๐ (tidak ada perbedaan yang signifikan antara model regresi global dan GWR) ๐ป1 : Paling sedikit ada satu ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) โ ๐ฝ๐ , ๐ = 0,1,2, โฆ , ๐ (ada perbedaan yang signifikan antara model regresi global dan GWR). Menurut Yasin (2011), penentuan statistik uji berdasarkan pada nilai Jumlah Kuadrat Residual (Residual Sum of Square/RSS) yang diperoleh masing-masing dibawah ๐ป0 dan ๐ป1 . Dibawah kondisi ๐ป0 , dengan menggunakan metode OLS diperoleh nilai RSS berikut: RSS(H0 ) = ๐ฬ๐ ๐ฬ = (๐ฒ โ ๐ฒฬ)๐ (๐ฒ โ ๐ฒฬ) ๐
= ((๐ผ โ ๐ป)๐ฆ) ((๐ผ โ ๐ป)๐ฆ) = ๐ฒ ๐ (๐ผ โ ๐ป)๐ (๐ผ โ ๐ป)๐ฆ = ๐ฒ ๐ (๐ โ ๐)๐ฒ.
(2.7)
13
dengan ๐ = ๐(๐ ๐ ๐)โ1๐ ๐ yang bersifat idempotent artinya (๐ผ โ ๐ป)๐ (๐ผ โ ๐ป) = (๐ผ โ ๐ป). Dibawah kondisi ๐ป1 , koefisien regresi yang bervariasi secara spasial pada persamaan (2.7) ditentukan dengan metode GWR, sehingga diperoleh nilai SSR berikut: SSR(H1 ) = ๐ฬ๐ ๐ฬ = (๐ฒ โ ๐ฒฬ)๐ (๐ฒ โ ๐ฒฬ) = (๐ฒ โ ๐ฟ๐ฆ)๐ (๐ฒ โ ๐ฟ๐ฆ) ๐
= ((๐ โ ๐)๐ฒ) (๐ โ ๐)๐ฒ = ๐ฒ ๐ (๐ โ ๐)๐ (๐ โ ๐)๐ฒ,
(2.8)
dengan menggunakan selisih jumlah kuadrat residual dibawah H0 dan dibawah H1 diperoleh (Leung & Zhang, 2000):
๐น=
=
(RSS(H0 ) โ RSS(H1 ))โ๐1 RSS(H1 )โ๐ฟ1 ๐ฒ ๐ [(๐ โ ๐) โ (๐ โ ๐)๐ (๐ โ ๐)๐ฒ]โ๐1 , ๐ฒ ๐ (๐ โ ๐)๐ (๐ โ ๐)๐ฒ/๐ฟ1
(2.9)
๐2
di bawah H0 , ๐น akan mengikuti distribusi F dengan derajat bebas ๐๐1 = ๐1 dan 2
๐ฟ2
๐๐2 = (๐ฟ1 ), dengan: ๐๐ = ๐ก๐([(๐ โ ๐) โ (๐ โ ๐)๐ (๐ โ ๐)]๐ ), ๐ = 1,2 โฆ , ๐. Jika 2
diambil taraf signifikan ๐ผ maka tolak H0 jika ๐น โฅ ๐น๐ผ,๐๐1 ,๐๐2 .
14
2.3.3
Uji signifikansi Parsial Koefisien GWR Pengujian parameter model GWR dilakukan untuk mengetahui faktor-
faktor yang mempengaruhi kasus sedimentasi di teluk Kendari . Perumusan hipotesis yang digunakan adalah : ๐ป0 โถ ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) = 0 ; ๐ = 1,2, โฆ , ๐; ๐ = 1,2, โฆ , ๐, (tidak ada perbedaan pengaruh signifikan dari varibel prediktor ๐ฅ๐ antara satu lokasi satu dengan lokasi lainnya). ๐ป1 โถ ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) โ 0, atau minimal ada satu ๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) yang berbeda. (ada perbedaan pengaruh signifikan dari varibel prediktor ๐ฅ๐ antara satu lokasi satu dengan lokasi lainnya). Statitik uji yang digunakan adalah : ๐กโ๐๐ก =
๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ ) , ๐๐ธ[๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )]
(2.10)
dimana ๐๐ธ[๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )] merupakan standar error yang diperoleh dari akar posistif varians [๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )]. Perhatikan persamaan (2.10), yaitu penaksir parameter lokal untuk model GWR. Persaman (2.11) dapat ditulis dalam bentuk sederhana sebagai berikut ๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ ) = ๐ถ๐ฒ,
(2.11)
dengan :๐ถ = [๐ ๐ ๐(๐ข๐ , ๐ฃ๐ )๐]โ1 ๐ ๐ ๐(๐ข๐ , ๐ฃ๐ ) Varians dari penaksir parameter GWR adalah: ๐๐๐[๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )] = ๐ถ๐ถ ๐ ๐ 2 ,
(2.12)
dengan ๐ 2 adalah jumlah kuadrat residual normal dari regresi lokal dan didefenisikan sebagai berikut:
15
2 โ๐๐=1(๐๐ โ ๐ฬ๐ ) ๐ = , (๐ โ 2๐ฃ1 + ๐ฃ2 ) 2
(2.13)
dengan ๐ฃ1 = ๐ก๐(๐), dan ๐ฃ2 = ๐ก๐(๐T ๐),
Sehingga, ๐๐ธ[๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )] = โ๐๐๐[๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )] = โ๐ถ๐ถ ๐ ๐ 2 . Kriteria pengujian yang digunakan yaitu, jika |๐กโ๐๐ก | > ๐ก๐ผ,(๐โ๐โ1) maka ๐ป0 ditolak. 2
Artinya ๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ ) โ 0 atau dengan kata lain koefisien regresi lokal ๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ ) yang diperoleh untuk model GWR tersebut berarti. Nilai ๐ก1โ๐ผ,(๐โ๐โ1) diperoleh dari 2
Tabel ๐ก โ ๐ ๐ก๐ข๐๐๐๐ก dengan taraf signifikansi ๐ผ = 10% dan ๐๐ = (๐ โ ๐ โ 1). 2.3.4
Koefisien determinasi (๐น๐ ) lokal Dalam model regresi global yaitu model regresi linier klasik, koefisein
determinasi (๐
2 ) digunakan untuk mengukur proporsi dari variasi dalam data pengamatan yang dapat dijelaskan oleh model. Sedangkan dalam GWR, koefisien determinasi lokal (๐
๐ 2 ) ditentukan untuk menentukan bauk tidaknya sebuah model pada suatu titik lokasi pengamatan (๐
๐2 ) dapat ditentukan dengan menggunakan parsamaan sebagai berikut :
๐
๐2 =
๐ฝ๐พ(๐)๐บ๐๐
โ ๐ฝ๐พ(๐)๐บ๐๐
. ๐ฝ๐พ(๐)๐บ๐๐
(2.14)
16
dengan ๐ฝ๐พ(๐)๐บ๐๐
adalah jumlah kuadrat total model GWR yang dinyatakan sebagai berikut :
๐ฝ๐พ(๐)๐บ๐๐
= โ
๐ ๐=1
2 ๐ค๐๐ (๐๐ โ ๐ฬ๐ ) .
(2.15)
Sedangkan ๐ค๐๐ adlah pembobot pada titik lokasi pengamatan ke-๐ dari titik lokasi pangamatan ke-๐, dengan ๐, ๐ = 1,2, โฆ , ๐ (Fotheringham, dkk , 2002). 2.4 Bandwith Bandwith adalah ukuran jarak fungsi pembobot dan sejauh mana pengaruh lokasi terhadap lokasi lain. Secara teoritis bandwidth merupakan lingkaran dengan radius b dari titik pusat lokasi, dimana digunakan sebagai dasar menentukan bobot setiap pengamatan terhadap model regresi pada lokasi tersebut. Untuk pengamatanpengamatan yang terletak dekat dengan lokasi i maka akan lebih berpengaruh dalam membentuk parameter model pada lokasi ๐ (Fotheringham, dkk, 2002). Untuk mendapatkan bandwidth optimum, dapat dilakukan dengan menghitung cross validation (CV). Jika nilai CV semakin kecil, maka didapatkan bandwidth yang optimum (Fotheringham, dkk, 2002) dengan menggunakan rumus sebagai berikut: ๐ถ๐ = โ๐๐=1[๐ฆ๐ โ ๐ฆฬโ ๐ (๐)]2 ,
(2.16)
dengan: ๐
= lokasi ke-i
๐
= bandwidth
๐ฆฬโ ๐ (๐)= nilai prediksi dari model regresi tanpa pengamatan keโ๐
17
2.5
Pembobot Pembobot ๐(๐) dihitung untuk tiap i dan wij mengindikasikan kedekatan atau
bobot tiap titik data dengan lokasi ๐. Hal ini yang membedakan GWR dengan WLS pada umumnya yang mempunyai matrik bobot yang konstan. Peran pembobot sangat penting karena nilai pembobot tersebut mewakili letak data observasi satu dengan lainnya sehingga sangat dibutuhkan ketepatan cara pembobotan. Beberapa jenis fungsi pembobot yang dapat dipergunakan menurut Fotheringham, dkk (2002) antara lain: 1
Fungsi Inverse Jarak Fungsi tersebut dapat dinotasikan sebagai berikut: ๐ค๐ (๐ข๐ , ๐ฃ๐ ) = {
1, ๐๐๐๐ ๐๐๐ < ๐ 0, ๐๐๐๐๐๐๐ โฅ ๐,
(2.17)
Fungsi inverse jarak akan memberi bobot nol ketika lokasi ๐ berada diluar radius ๐ dari lokasi ๐, sedangkan apabila lokasi ๐ berada didalam radius ๐ maka akan mendapat bobot satu. ๐๐๐ = โ(๐ข๐ โ ๐ข๐ )2 + (๐ฃ๐ โ ๐ฃ๐ )2 . 2
(2.18)
Fungsi Kernel Gauss Bentuk fungsi kernel gauss adalah 1 ๐
2
๐ค๐ (๐ข๐ , ๐ฃ๐ ) = exp (โ 2 ( ๐๐๐ ) ).
(2.19)
Fungsi kernel gauss akan memberi bobot yang akan semakin menurun mengikuti fungsi gaussian ketika dij semakin besar.
18
3
Fungsi Kernel Bi-square Fungsi tersebut dapat dinotasikan sebagai berikut: ๐ค๐ (๐ข๐ , ๐ฃ๐ ) = {
[1 โ
๐๐๐ 2 ๐
0
2
] , ๐๐๐๐ ๐๐๐ < ๐
,
(2.20)
๐๐๐๐ ๐๐๐ โฅ ๐,
Fungsi kernel bi-square akan memberi bobot nol ketika lokasi j berada pada atau diluar radius b dari lokasi i, sedangkan apabila lokasi j berada didalam radius b maka akan mendapat bobot yang mengikuti fungsi kernel bi-square. 4
Fungsi Kernel Tricube 2 2
๐
๐ค๐ (๐ข๐ , ๐ฃ๐ ) = {
5
(1 โ ( ๐๐๐ ) ) , ๐๐๐๐ ๐๐๐ < ๐ 0
,
(2.21)
๐๐๐๐ ๐๐๐ โฅ ๐.
Fungsi Kernel Fixed Gaussian 2
๐
๐ค๐ (๐ข๐ , ๐ฃ๐ ) = exp [โ (( ๐๐๐ )) ],
(2.22)
di mana ๐ merupkan bandwith yang fixed atau bandwith yang sama digunakan untuk setiap lokasi. 6
Fungsi Kernel Adaptive Gaussian ๐๐๐
๐ค๐ (๐ข๐ , ๐ฃ๐ ) = exp [โ ((๐
๐(๐)
2
)) ],
(2.23)
dengan ๐ adalah parameter penghalus (bandwith) dan ๐๐(๐) adalah bandwith adaptive atau bandwith yang berbeda untuk lokasi yang menetapkan ๐ sebagai jarak tetangga terdekat (nearest neighbor) dari lokasi ๐.
19
BAB III METODELOGI PENELITIAN 3.1
Waktu Dan Tempat Penelitian Penelitian ini dilakukan pada bulan Juni sampai bulan Oktober 2016.
Kegiatan penelitian bertempat di Laboratorium Komputasi Matematika Fakultas Matematika
dan
Ilmu
Pengetahuan
Alam
Universitas
Haluoleo,dengan
menggunakan data dari artikel. 3.2
Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari artikel Armid dkk, (2014), berupa distribusi logam berat Pb, Cd dan Cr diteluk kendari. Adapun variabel-variabel yang dilibatkan dalam penelitian ini antara lain: a. Variabel Respon (๐) ๐ = Konsenterasi sedimen (berdasarkan persentase TOC) b. Variabel Prediktor (๐) ๐1 = Konsenterasi logam (Pb) ๐2 = Konsenterasi logam (Cd) ๐3 = Konsenterasi logam (Cr) 3.3
Prosedur Penelitian Adapun prosedur dalam penelitian ini yaitu:
1.
Mendeskripsikan variabel respon dan variabel prediktor.
2.
Melakukan pengujian asumsi data sebagai berikut : a. Melakukan pengujian normalitas data dengan uji Kolmogorov-Smirnov.
20
b. Melakukan pengujian heteroskedastisitas menggunakan uji korelasi Rank Spearman. c. Melakukan pengujian multikolinieritas dengan melihat nilai VIF. 3.
Menerapkan model Geographically Weighted Regression dengan langkahlangkah sebagai berikut : a. Melakukan pengujian estimasi parameter dengan weighted least square (WLS). b. Melakukan pengujian Goodness of fit dari model GWR atau uji kesesuaian model. c. Melakukan pengujian signifikansi parameter per titik sampling. d. Melakukan interpretasi model berdasarkan parameter yang signifikan.
4.
Menarik kesimpulan dari hasil yang diperoleh.
21
BAB IV HASIL DAN PEMBAHASAN 4.1
Deskripsi Data Data yang digunakan berdasarkan penelitian Armid, dkk (2014) tentang
kontribusi endapan logam berat (Pb, Cd, dan Cr) terhadap pencemaran di teluk Kendari dengan pengambilan 25 titik sampling mulai dari hilir sungai Wanggu sampai lepas pantai teluk Kendari. Titik sampling dikelompokkan menjadi 6 wilayah pengambilan sampel: Sungai Wanggu sebanyak 5 titik sampling yaitu A1, A2, B1, B2 dan B3, muara sebanyak 5 titik sampling yaitu A3, A4, B4, B5 dan B6, teluk dalam sebanyak 5 titik sampling yaitu A5, A6, A7, B7 dan B8 , pelabuhan sebanyak 6 titik sampling yaitu A8, A9, A10, A11, A12 dan A13, teluk luar sebanyak 2 titik sampling yaitu B9 dan B10 serta daerah lepas pantai sebanyak 2 titik sampling yaitu A14 dan A15.
Gambar 4.1 Titik sampling di teluk Kendari (Sumber: Armid, dkk 2014) Konsentrasi rata-rata logam berat di Teluk Kendari berada pada endapan secara bertahap bergerak dari sungai Wanggu ke dalam teluk. Ada peningkatan
22
endapan dari teluk dalam ke daerah pelabuhan, sehingga konsentrasi logam berat berkurang pada daerah lepas pantai. Tingkat konsenterasi logam Pb terkait dengan kelompok sampel mengikuti urutan sebagai berikut: Sungai Wanggu โ muara โ Pelabuhan โ teluk luar โ teluk dalam โ lepas pantai. Logam Cd mengikuti urutan berikut: Pelabuhan โ Sungai Wanggu โ teluk luar โ muara โ teluk dalam โ lepas pantai. Logam Cr mengikuti urutan berikut: Sungai Wanggu โ muara โ Pelabuhan โ teluk luar โ teluk dalam โ lepas pantai. Gambar 4.2 menunjukkan konsentrasi rata-rata logam berat berdasarkan setiap kelompok sampel.
Gambar 4.2 Konsentrasi rata-rata logam berat berdasarkan kelompok sampel Gambar 4.2 diketahui berdasarkan geoaccumulation indices (Igeo ) logam berat (satuan ๐๐โ๐) dari permukaan endapan teluk Kendari hasil penelitian Armid, dkk (2014). Secara umum, sungai Wanggu mengandung konsentrasi logam berat yang tinggi, kecuali titik sampel A8 dan A9. Salah satu kontributor paling tinggi terhadap akumulasi logam dari sedimen sungai Wanggu kemungkinan disebabkan limbah dari aktivitas pertambangan dan industri, limbah pertanian dan rumah
23
tangga. Kegiatan pertambangan di Provinsi Sulawesi Tenggara telah meningkat sangat cepat selama kurun waktu 10 tahun terakhir. Adapun variabel respon yang digunakan adalah konsentrasi endapan (๐). Sedangkan variabel prediktor dalam penelitian ini terdiri atas konsentrasi logam Pb (๐1), konsentrasi logam Cd (๐2), konsentrasi logam Cr (๐3), diuraikan dalam Tabel 4.1: Tabel 4.1. Statistik Deskriptif
4.2
Variabel
Rata-Rata
Minimal
Maksimal
Prediktor
(mean)
(min)
(max)
Y
2,1376
1,23
2,66
X1
10,5864
0,84
17,02
X2
0,0604
0,02
0,17
X3
25,5332
1,92
40,11
Uji Asumsi Data
4.2.1 Uji Normalitas Asumsi pertama yang harus dipenuhi pada model GWR adalah memeriksa apakah data tersebut berdistribusi normal atau tidak, pengujian yang akan dilakukan menggunakan uji Kolmogorov-Smirnov. Uji bekerja dengan cara membandingkan dua distribusi/sebaran data, yaitu distribusi yang dihipotesiskan dan distribusi yang teramati. Hipotesis untuk menguji apakah data mengikuti distribusi normal atau tidak adalah sebagai berikut: H0 : Data berdistribusi normal H1 : Data tidak berdistribusi normal
24
Kriteria penolakan H0 pada uji Kolmogorov-Smirnov menunjukkan nilai ๐ท > ๐ท๐ก๐๐๐๐ atau nilai signifikansinya di bawah ๐ผ maka H0 ditolak (Steel & Torrie, 1993). Dengan menggunakan software SPSS 17.0 diperoleh nilai signifikansinya untuk uji Kolmogorov Smirnov sebesar 0.135 > 0.05. Dimana taraf signifikansi ฮฑ adalah 0.05 (Lampiran 2). Hasil uji menunjukan bahwa H0 diterima atau data mengikuti distribusi normal. 4.2.2 Uji Heteroskedastisitas Uji asumsi ini bertujuan untuk mengetahui apakah dalam sebuah model regresi terjadi ketidaksamaan variasi dari residual antara satu pengamatan ke pengamatan lain. Jika variasi dari residual antara satu pengamatan ke pengamatan lain berbeda maka disebut heteroskedastisitas. Uji yang digunakan adalah uji korelasi Rank Spearman,yakni mengkorelasikan antara absolute residual hasil regresi dengan semua variabel bebas. Bila signifikan hasil korelasi lebih kecil dari 0,05 maka persamaan regresi tersebut mengandung heteroskedastisitas. Dengan menggunakan program SPSS 17.0, hasil uji heteroskedastisitas ditunjukkan pada Tabel 4.2. Tabel 4.2 Uji heteroskedastisitas Variabel
Koefisien Korelasi
Signifikan
Keterangan
๐1
0.036
0.941
Homoskedastisitas
๐2
-0.331
0.124
Homoskedastisitas
๐3
0.775
0.124
Homoskedastisitas
25
Dari Tabel 4.2 dapat diketahui bahwa nilai signifikansinya lebih dari 0,05, dan pada ๐1 , ๐2 dan ๐3 nilai signifikansinya lebih dari 0,05, sehingga dapat disimpulkan bahwa pada model regresi tersebut mengandung homoskedastisitas. 4.2.3 Uji Multikolinieritas Asumsi selanjutnya yang harus terpenuhi adalah pegujian multikolinieritas. Pemeriksaan multikolinieritas perlu dilakukan guna mengetahui apakah terdapat korelasi antar variabel prediktor yang diduga mempengaruhi variabel ๐. Salah satu cara yang dapat digunakan untuk memeriksa ada tidaknya multikolinieritas adalah dengan melihat nilai VIF dari masing-masing variabel prediktor tersebut.. Berdasarkan program SPSS pada Lampiran 4, diperoleh nilai VIF variabel prediktor ๐ dapat dilihat pada Tabel 4.3. Tabel 4.3. Nilai VIF Variabel Prediktor (๐ ๐ ) Variabel Prediktor
VIF
๐1
8.569
๐2
1.594
๐3
8.771
Tabel 4.3 menunjukkan bahwa ketiga variabel prediktor memiliki nilai VIF kurang dari 10, sehingga dapat dikatakan tidak ada kasus multikolinieritas antar variabel prediktor.
26
4.3
Analisis Data Proses analisis menggunakan metode Geographically Weighted Regression
(GWR) yang akan diolah menggunakan software R versi 1386 3.1.1. Variabel respon yang digunakan pada penelitian ini adalah konsenterasi endapan (๐) dari tiap titik sampling sedangkan variabel prediktor yang digunakan pada penelitian ini adalah konsenterasi logam Pb (๐1 ), Cd (๐2 ), dan Cr (๐3 ) di tiap-tiap titik sampling. 4.3.1 Model Geographically Weighted Regression (GWR) Model GWR adalah pengembangan dari model regresi dimana setiap parameter dihitung pada setiap titik lokasi, sehingga setiap titik lokasi geografis mempunyai nilai parameter regresi yang berbeda-beda. Langkah pertama untuk analisis GWR adalah menentukan bandwith yang akan digunakan dalam fungsi pembobot. Dalam penelitian ini untuk menentukan bandwith optimum menggunakan nilai CV minimum yang nantinya akan digunakan dalam fungsi pembobot kernel Gaussian diperoleh nilai AIC sebesar 13,5138 dan nilai bandwith sebesar 0,999919 km dengan nilai CV minimum sebesar 3,474931. Nilai bandwith optimum tersebut kemudian disubtitusikan kedalam fungsi pembobot kernel Gaussian sehingga fungsi pembobotnya menjadi (Fotheringnam, dkk (2002)): 2
๐ ๐ค๐ (๐ข๐ , ๐ฃ๐ ) = exp (โ (( ๐๐โ0,999919)) ). Persamaan di atas menunjukkan bahwa pada fungsi pembobot kernel Adaptive Gaussian ini menggambarkan batas jarak suatu wilayah yang masih memberikan pengaruh cukup besar terhadap wilayah lain di sekitarnya. Jika jarak antara lokasi (๐) ke-๐ dengan lokasi ke-๐ lebih besar atau sama dengan 0,999919
27
km, maka lokasi tersebut akan diberi bobot nol, sedangkan jika jarak antar lokasi ke-๐ dengan lokasi ke-๐ kurang dari 0,999919 km akan diberi bobot mendekati satu seiring semakin dekatnya jarak antara lokasi ke-๐ dengan lokasi ke-๐. Tabel 4.4 Nilai Minimum dan Maksimum Estimasi Parameter Model GWR Koefisien Parameter (๐ท(๐๐ , ๐๐ ))
Variabel (Estimator)
Minimum
Median
Global
Maksimum
Intersep
1,6060
1,6150
1,6410
1,6251
๐1
-0,0029
0,00015
0,0089
0,0026
๐2
-3,6490
-3,5010
-3,3350
-3,4066
๐3
0,0243
0,0288
0,0302
0,0271
SSE
2,0905
R2
45,58%
Tabel 4.4 menunjukkan estimasi parameter global. Variabel Pb (๐ฅ1 ) memiliki koefisien parameter global bernilai positif sebesar 0,0026. Hal ini berarti bahwa bertambahnya konsenterasi logam Pb pada setiap titik sampling akan menambah konsenterasi endapan dalam kelompok sampling. Variabel konsenterasi logam Cd (๐ฅ2 ) memiliki koefisien parameter bernilai negative sebesar โ3,4066. Hal ini berarti berkurangnya konsenterasi logam Cd pada suatu kelompok sampling akan mengurangi konsenterasi endapan pada suatu kelompok sampling.Variabel logam Cr (๐ฅ3 ) memiliki koefisien parameter bernilai positif sebesar 0,0271. Ini berarti Penambahan konsenterasi logam Cr pada titik sampling akan menambah
28
konsenterasi sedimentasi disuatu kelompok sampling. Secara umum, persamaan global yang terbentuk dari hasil analisis menunjukkan bahwa apabila setiap koefisien parameter diakumulasi persatu satuan maka koefisien parameternya sebesar โ1,7518. Artinya bahwa berkurangnya satu satuan TOC konsenterasi logam berat di teluk Kendari akan mengurangi konsenterasi endapan sebesar 1,7518. Nilai R2 yang diperoleh dari model GWR pada Tabel 4.4 sebesar 45,58%. Hal ini berarti keragaman konsenterasi endapan yang menimbulkan pencemaran disebabkan oleh konsenterasi logam Pb, Cd dan Cr sebesar 45,58%, sedangkan 54,42 % sisanya disebabkan oleh adanya faktor lainnya. 4.3.2 Pengujian Kesesuaian Model Goodness of fit dari model GWR atau pengujian kesesuaian untuk model GWR dilakukan untuk mengetahui faktor lokasi yang berpengaruh terhadap konsenterasi endapan di sekitar perairan teluk Kendari. Adapun kriteria pengujian, jika H0 ditolak hal ini menginterprestasi bahwa model sesuai. Jika H0 diterima maka model tidak sesuai. Hipotesis yang digunakan sebagai berikut. ๐ป0 : ๐ฝ๐ (๐๐ , ๐๐ ) = ๐ฝ๐ , (tidak ada perbedaan yang siginfikan antara model regresi global dan GWR) ๐ป1 : ๐ฝ๐ (๐๐ , ๐๐ ) โ ๐ฝ๐ , (ada perbedaan yang siginfikan antara model regresi global dan GWR)
29
Tabel 4.5 Uji Kesesuaian Model GWR
Model GWR
SSE
Df
Fhitung
Pvalue
2,090518
20,3964
5,466
0,0062
Berdasarkan Tabel 4.5 di atas didapatkan nilai Fhitung pada model GWR sebesar 5,466 dengan nilai pvalue (0,0062) yang berarti nilai pvalue kurang dari taraf nyata 10% (0,006 < 0,1). Hal ini berarti tolak ๐ป0 karena nilai ๐๐ฃ๐๐๐ข๐ lebih kecil dari taraf nyata 10%, yang artinya ada faktor pengaruh geografis pada model. 4.3.3 Pengujian Parameter Model GWR Pengujian parameter model pada GWR bertujuan untuk mengetahui faktorfaktor yang berpengaruh terhadap konsenterasi endapan yang mengakibatkan pencemaran logam berat di teluk kendari dan sekitarnya. Pengujian ini dilakukan agar diperoleh variabel prediktor yang signifikan terhadapa variabel respon secara terpisah (parsial). Oleh karena itu, setiap titik sampling mewakili kelompok sampling memiliki model dengan karakteristik parameter yang berbeda dengan wilayah lainnya. Adapun bentuk umum model GWR yang terbentuk. ๐
๐ฆ๐ = ๐ฝ0 (๐ข๐ , ๐ฃ๐ ) + โ ๐ฝ๐ (๐ข๐ , ๐ฃ๐ )๐ฅ๐๐ , ๐=1
dengan: ๐ฆ๐
= Variabel dependen pada lokasi ke-i (i = 1, 2, ... , 25)
๐ฅ๐๐
= Variabel independen ke-k pada lokasi ke-i (i = 1, 2, ... , 25)
(๐ข๐ , ๐ฃ๐ )
= Koordinat longitude (๐ข๐ ), latitude (๐ฃ๐ ) dari titik ke-i pada suatu lokasi geografis. 30
๐ฝ๐ (๐ข๐ , ๐ฃ๐ ) = Koefisien regresi ke-k pada masing-masing lokasi (๐ = 1,2,3). Atau ๐ฆ1 ๐ฆ2 ๐ฆ๐ = [ โฎ ]; ๐ฆ25 ๐ฝ0 (๐ข1 , ๐ฃ1 ) ๐ฝ (๐ข , ๐ฃ ) ๐ฝ๐ = [ 0 2 2 โฎ ๐ฝ0 (๐ข25 , ๐ฃ25 )
๐ฅ๐๐
1 ๐ฅ11 1 ๐ฅ21 =[ โฎ โฎ 1 ๐ฅ(25)1
๐ฝ2 (๐ข1 , ๐ฃ1 ) ๐ฝ1 (๐ข1 , ๐ฃ1 ) ๐ฝ2 (๐ข2 , ๐ฃ2 ) ๐ฝ1 (๐ข2 , ๐ฃ2 ) โฎ โฎ ๐ฝ1 (๐ข25 , ๐ฃ25 ) ๐ฝ2 (๐ข25 , ๐ฃ25 ) ๐ฅ12 ๐ฅ22 โฎ
๐ฅ(25)2
๐ฝ3 (๐ข1 , ๐ฃ1 ) ๐ฝ3 (๐ข2 , ๐ฃ2 ) ], โฎ ๐ฝ3 (๐ข25 , ๐ฃ25 )
๐ฅ13 ๐ฅ23 โฎ ]. ๐ฅ(25)3
4.3.3.1 Uji Signifikansi Parameter Parsial Model Lengkap Suatu parameter dikatakan signifikan jika nilai t hitung lebih besar dari t tabel ๐ผ 2
, (๐ โ ๐ โ 1) dengan taraf nyata 10%. Nilai t tabel (tabel t-student) yang diperoleh
adalah sebesar 1,7207. Hal ini berarti, jika nilai t hitung pada masing-masing parameter lebih besar dari 1,7207 maka parameter tersebut berpengaruh terhadap konsenterasi endapan. Taksiran parameter dari konsenterasi endapan terhadap konsenterasi logam berat di teluk Kendari oleh Tabel 4.6.
31
Tabel 4.6 Nilai parameter pada model GWR per titik sampling Titik sampling A1 A2 B1 B2 B3 A3 A4 B4 B5 B6 A5 A6 A7 B7 B8 A8 A9 A10 A11 A12 A13 B9 B10 A14 A15
Intersep 1,6122 1,6153 1,6316 1,6156 1,6127 1,6330 1,6064 1,6060 1,6173 1,6060 1,6115 1,6309 1,6240 1,6120 1,6067 1,6174 1,6414 1,6060 1,6057 1,6078 1,6313 1,6141 1,6290 1,6175 1,6193
๐1
๐2
๐3
๐ก๐1
๐ก๐2
๐ก๐3
0,000324 0,000004 0,005623 0,000058 -0,00134 0,006967 -0,00144 -0,00287 0,002046 -0,00108 0,000929 0,006193 0,003361 -0,00128 -0,00294 0,000147 0,008681 -0,00113 -0,00226 -0,00285 0,006480 -0,00078 0,006244 0,002444 0,003229
-3,3347 -3,6494 -3,6024 -3,6468 -3,6089 -3,4065 -3,3587 -3,4901 -3,3390 -3,4226 -3,4349 -3,3746 -3,6422 -3,6366 -3,5007 -3,6075 -3,5095 -3,5216 -3,5209 -3,5377 -3,3975 -3,6283 -3,4153 -3,3705 -3,4059
0,0279 0,0292 0,0263 0,0292 0,0297 0,0249 0,0288 0,0300 0,0270 0,0289 0,0280 0,0251 0,0276 0,0298 0,0301 0,0290 0,0243 0,0293 0,0298 0,0302 0,0251 0,0296 0,0253 0,0270 0,0267
0,009316 0,000115 0,162467 0,001669 -0,03832 0,199799 -0,04128 -0,08223 0,058895 -0,03098 0,026734 0,177806 0,097364 -0,03667 -0,08414 0,004219 0,24817 -0,03249 -0,06491 -0,0838 0,185993 -0,02234 0,179322 0,070351 0,092974
-1,56618 -1,71253 -1,69365 -1,71123 -1,69265 -1,59967 -1,57715 -1,64132 -1,56827 -1,60768 -1,61414 -1,58477 -1,71188 -1,70572 -1,64599 -1,69199 -1,64835 -1,65528 -1,65565 -1,66206 -1,59552 -1,70111 -1,60411 -1,58329 -1,55962
1,638285 1,716637 1,551622 1,715629 1,734813 1,456992 1,68717 1,755413 1,586369 1,693029 1,644157 1,470416 1,63217 1,74371 1,760234 1,70088 1,419393 0,416193 1,747801 1,76196 1,470416 1,732007 1,482132 1,585437 1,568743
Hipotesis yang digunakan dalam pengujian signifikansi model GWR lengkap adalah : ๐ป0 : ๐ฝ๐ (๐๐ , ๐๐ ) = 0, (tidak ada pengaruh signifikan dari variabel prediktor ๐ฅ๐ terhadap titik sampling). ๐ป1 : ๐ฝ๐ (๐๐ , ๐๐ ) โ 0, atau minimal ada satu ๐ฝ๐ (๐๐ , ๐๐ ) yang berbeda. (ada pengaruh signifikan dari variabel prediktor ๐ฅ๐ terhadap titik sampling).
32
Statistik uji dirumuskan sebagai: ๐กโ๐๐ก =
๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ ) ; ๐ = 1,2, โฆ ,25 ; ๐ = 1,2,3. ๐๐ธ[๐ฝฬ๐ (๐ข๐ , ๐ฃ๐ )]
Tabel 4.6 menunjukkan statistik uji untuk setiap parameter. Berdasarkan uji hipotesis dari ketiga variabel hanya variabel ๐3 yang memiliki pengaruh lokal terhadap konseterasi endapan kare na Terdapat 7 titik sampling yang signifikan dengan statistik uji
๐กโ๐๐ก๐ข๐๐ > ๐ก๐ก๐๐๐๐ dan Sebanyak 18 titik sampling tidak
berpengaruh. Hal ini diduga karena ada variabel lain yang lebih signifikan selain variabel konsenterasi logam berat (Pb, Cd, Cr) terhadap konsenterasi endapan yang mengakibatkan pencemaran di teluk Kendari. Ke-7 Titik sampling yang dipengaruhi oleh adanya konsenterasi logam Cr adalah titik sampling B3 di Sungai Wanggu, titik sampling B4 di daerah Muara, titik sampling B7 dan B8 di daerah teluk dalam, titik sampling A11 dan A12 di sekitar pelabuhan serta titik sampling B9 di daerah teluk luar. Berikut ini beberapa hasil estimasi model lengkap GWR lokal: Titik sampling B3 di sungai Wanggu, ๐ฆฬ5 = 1,6127 โ 0,001134๐51 โ 3,6089๐52 + 0,0297๐53 . Titik sampling B4 di sekitar Muara, ๐ฆฬ8 = 1,6060 โ 0,00287๐81 โ 3,64901๐82 + 0,0300๐83 . Titik sampling B7 di teluk bagian dalam, ๐ฆฬ(14) = 1,6120 โ 0,00128๐(14)1 โ 3,6366๐(14)2 + 0,0298๐(14)3 . Titik sampling A11 di sekitar Pelabuhan, ๐ฆฬ(19) = 1,6057 โ 0,00226๐(19)1 โ 3,5209๐(19)2 + 0,0298๐(19)3 .
33
Titik sampling B9 di sekitar teluk bagian luar, ๐ฆฬ(22) = 1,6141 โ 0,00078๐(22)1 โ 3,6283๐(22)2 + 0,0296๐(22)3 . Tabel 4.7 Nilai residual dan ๐๐ pada masing-masing titik sampling NO. Sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
KELOMPOK SAMPLING Sungai Wanggu Sungai Wanggu Sungai Wanggu Sungai Wanggu Sungai Wanggu Muara Muara Muara Muara Muara Teluk Dalam Teluk Dalam Teluk Dalam Teluk Dalam Teluk Dalam Pelabuhan Pelabuhan Pelabuhan Pelabuhan Pelabuhan Pelabuhan Teluk Luar Teluk Luar Lepas Pantai Lepas Pantai
Titik sampling
Residual
R2
A1 A2 B1 B2 B3 A3 A4 B4 B5 B6 A5 A6 A7 B7 B8 A8 A9 A10 A11 A12 A13 B9 B10 A14 A15
-4.29414 -2.7541 -3.37592 -3.78973 -3.33173 3.089226 2.394105 2.776703 2.588876 2.875829 -2.5282 -1.92505 -0.17841 -0.51219 -0.86459 0.817288 -0.34713 1.313432 1.518274 2.545583 2.676629 0.678564 0.028258 -0.27101 -0.1473
0,4528 0,4903 0,4669 0,4900 0,4910 0,4390 0,4604 0,4798 0,4479 0,4657 0,4609 0,4383 0,4784 0,4929 0,4817 0,4872 0,4445 0,4763 0,4804 0,4863 0,4397 0,4915 0,4423 0,4497 0,4509
Dari Tabel 4.7 diketahui rata-rata koefisien determinasi sebesar 0,467392. Ini berarti persentase variasi variabel-variabel bebas mempunyai pengaruh sebesar 46,74% terhadap variabel terikatnya. Hal ini menunjukkan bahwa proporsi pengaruh variabel konsenterasi logam berat Pb, Cd, dan Cr terhadap konsenterasi
34
pencemaran endapan di teluk Kendari sebesar 46,74% sedangkan sisanya 53,26% (100% - 46,74%) dipengaruhi oleh variabel lain yang tidak ada didalam model GWR. 4.3.3.2 Uji Signifikansi Parameter Parsial Model Terbaik Selanjutnya dibentuk model regresi GWR baru berdasarkan variabel yang signifikan. Variabel ๐1 dan ๐2 dikeluarkan dari model karena tidak signifikan untuk setiap titik sampling. Sehingga didapatkan model GWR untuk parameter yang signifikan terhadap konsenterasi endapan di teluk Kendari yang hanya memuat variabel ๐3. Beberapa nilai estimasi parameter model GWR terbaik pada Tabel 4.8 berikut: Tabel 4.8 Beberapa Nilai Estimasi Parameter Model GWR terbaik Koefisien Parameter (๐ท(๐๐ , ๐๐ ))
Variabel (Estimator)
Minimum
Median
Global
Maksimum
Intersep
1,4830
1,5970
1,6300
1,5957
๐3
0,01948
0,02154
0,0227
0,0212
Model terbaik GWR global: ๐ฆฬ = 1,5957 + 0,0212๐3 Pembentukan model dimulai dari estimasi model GWR lokal. Estimasi parameter mengahasilkan perbedaan nilai-nilai koefisien untuk setiap titik sampling. Sehingga dengan model GWR yang berbeda-beda mengakibatkan pengaruh signifikan juga berbeda- beda. Hasil uji t menunjukkan bahwa variabel ๐3 berpengaruh terhadap model. Semua titik sampling menunjukkan nilai ๐กโ๐๐ก๐ข๐๐ > ๐ก๐ก๐๐๐๐ = 1.7139. Ini berarti, variabel konsenterasi logam berat Cr untuk semua titik
35
sampling mempunyai pengaruh signifikan terhadap variabel respon. Hasil estimasi model terbaik untuk variabel signifikan di tunjukkan pada Tabel 4.9. Tabel 4.9 Parameter signifikan pada model GWR terbaik per titik sampling No. sampel 1
Titik sampling A1
intersep
๐3
SE-๐3
๐ก๐3
1,535924
0.02170612
0.006200165
3.50089393
2
A2
1,609648
0.02172827
0.006828172
3.18215036
3
B1
1,607270
0.02168702
0.005986208
3.62283101
4
B2
1,607036
0.02180589
0.006760462
3.22550293
5
B3
1,609221
0.02165695
0.007149802
3.02902794
6
A3
1,598855
0.02072832
0.006056758
3.42234575
7
A4
1,504587
0.02195831
0.006531303
3.36201061
8
B4
1,602539
0.01971553
0.006145645
3.20804895
9
B5
1,506533
0.02236441
0.006689005
3.34345841
10
B6
1,510249
0.02128584
0.006490027
3.2797768
11
A5
1,525116
0.02153835
0.006209527
3.46859753
12
A6
1,593080
0.02072763
0.006138296
3.37677264
13
A7
1,600102
0.02187199
0.006119843
3.57394626
14
B7
1,620416
0.02128531
0.007252543
2.93487539
15
B8
1,618697
0.01947523
0.006356104
3.06402003
16
A8
1,597262
0.02208233
0.006474909
3.41044639
17
A9
1,613838
0.02104314
0.005829997
3.60945983
18
A10
1,560743
0.02091372
0.005910897
3.5381635
19
A11
1,586680
0.02001158
0.006034688
3.3160919
20
A12
1,630197
0.01972471
0.006755502
2.9197993
21
A13
1,592901
0.02076435
0.006120973
3.39232831
22
B9
1,604449
0.02192142
0.006950931
3.15373869
23
B10
1,584776
0.02088212
0.006182411
3.37766609
24
A14
1,483192
0.02272121
0.006876831
3.30402332
25
A15
1,501208
0.02215873
0.006708678
3.30299502
36
Berikut ini beberapa model terbaik GWR lokal yang berpengaruh terhadap tingkat pencemaran logam berat di sekitar teluk Kendari: Titik sampling A1 di sungai Wanggu: ๐ฆฬ1 = 1,5359 + 0.0217๐(1)3 . Titik sampling A3 di muara sungai Wanggu: ๐ฆฬ6 = 1,5988 + 0.0207๐(6)3 . Titik sampling A5 di sekitar teluk dalam Kendari: ๐ฆฬ11 = 1,5251 + 0.0215๐(11)3 . Titik sampling A8 di pelabuhan: ๐ฆฬ16 = 1,5972 + 0.0221๐(16)3 . Titik sampling B9 di sekitar teluk bagian luar: ๐ฆฬ(22) = 1,6044 + 0.0219๐(22)3 . Titik sampling A14 di sekitar lepas pantai Kendari: ๐ฆฬ24 = 1,4832 + 0.0227๐(24)3 . 4.3.4 Interpretasi Parameter Model Terbaik Setelah dilakukan uji asumsi klasik dan kelayakan model selanjutnya dilakukan penafsiran koefisien model signifikan. Penafsiran atau interpretasi model dilakukan untuk mengetahui tingkat pengaruh variabel prediktor terhadap variabel respon. Interpretasi terhadap koefisien GWR signifikan meliputi dua hal yaitu tanda dan besaran. Tanda menunjukkan arah hubungan dan besaran dapat menjelaskan interpretasi nilai koefisien dari setiap variabel. Karena nilai koefisien parameter ๐ฅ3 semua bernilai positif maka penambahan konsentrasi logam Cr
37
sebesar satu satuan akan menambah beban konsenterasi endapan. Sementara interpretasi besaran dapat dijelaskan dari setiap koefisien variabel konsenterasi logam Cr. Sebagai contoh di ambil hasil estimasi model GWR global dengan koefsien sebesar 0,0212. Koefisien konsenterasi logam Cr bernilai positif artinya pertambahan satu satuan TOC persen konsenterasi logam Cr akan meningkatkan konsentrasi endapan sebesar 0,012. Secara umum, pemodelan konsenterasi endapan di teluk Kendari yang mengakibatkan pencemaran air menggunakan metode GWR menunjukkan bahwa ada satu variabel prediktor yang berpengaruh terhadap konsenterasi endapan yaitu variabel konsenterasi logam Cr. Hal ini diduga karena banyaknya aktivitas industri dan limbah masyakrakat dengan jumlah residu yang berlebihan. Selain itu keluar masuknya kapal-kapal besar dengan berbagai jenis muatan seperti minyak bumi, logam-logam berat, bahan-bahan kimia, dll, menambah beban toksinasi air di teluk Kendari. Titik sampling dengan model terbaik berada pada titik B9 di daerah teluk luar, karena nilai R2 sebesar 50,84%. Hal ini berarti keragaman konsenterasi endapan pada titik B9 disebabkan oleh konsenterasi logam berat Cr sebesar 50,84%, sedangkan 49,16 % sisanya disebabkan oleh adanya faktor lain. Adapun titik sampling dengan konsenterasi terendah berada pada titik A6 di daerah teluk dalam, dengan nilai R2 sebesar 37,77%. Artinya keragaman konsenterasi endapan disebabkan oleh konsenterasi logam berat Cr sebesar 37,77%, sedangkan 62,23% sisanya disebabkan oleh faktor yang lain.
38
BAB V PENUTUP 5.1
Kesimpulan Berdasarkan hasil dan pembahasan yang telah dilakukan sebelumnya maka
dapat ditarik kesimpulan sebagai berikut : 1. Hasil estimasi pemodelan GWR global dengan melibatkan variabel ๐ฅ1 , ๐ฅ2 dan ๐ฅ3 adalah ๐ฆฬ = 1,6127 โ 0,001134๐1 โ 3,6089๐2 + 0,0297๐3 . 2. Hasil uji signifikansi parameter model diatas diperoleh hanya variabel konsenterasi logam Cr (๐3) yang berpengaruh terhadap variabel respon untuk setiap titik sampling. 3. Hasil estimasi model GWR terbaik hanya melibatkan variabel ๐3 yaitu konsenterasi logam berat Cr sebagai berikut: ๐ฆฬ = 1,5957 + 0,0212๐3 , dengan model terbaik berada pada daerah teluk luar, karena nilai R2 sebesar 50,84%. Hal ini berarti keragaman konsenterasi endapan daerah teluk luar disebabkan oleh konsenterasi logam berat Cr sebesar 50,84%, sedangkan 49,16 % sisanya disebabkan oleh adanya faktor lain. Adapun titik sampling dengan konsenterasi terendah berada pada daerah teluk dalam, dengan nilai R2 sebesar 37,77%. Artinya keragaman konsenterasi endapan daerah teluk dalam disebabkan oleh konsenterasi logam berat sebesar 37,77%, sedangkan 62,23% sisanya disebabkan oleh faktor yang lain.
39
5.2
Saran Berdasarkan analisis yang telah dilakukan terdapat beberapa masalah yang
dapat menjadi saran untuk penelitian selanjutnya yaitu perlu dilakukan penambahan variabel yang diduga mempengaruhi konsenterasi pencemaran endapan di Teluk Kendari.
Selanjutnya
jika
ditemukan
masalah
maka
perlu
dilakukan
penanggulangan terhadap pencemaran atas terganggunya kualitas mutu air di sekitar Teluk Kendari berdasarkan manfaat praktis.
40
DAFTAR PUSTAKA Armid, A., Shinjo, R., Zaeni, A., Asrul, S., dan Ruslan. 2014. The Distribution of Heavy metals including Pb, Cd, and Cr in Kendari Bay Surficial Sediments. Marine Pollution Bulletin, Volume 84: Elsevier Ltd. B. Yulianto. Penelitian Tingkat Pencemaran Logam Berat Di Pantai Utara Jawa Tengah. Badan Penelitian dan Pengembangan Jawa Tengah; 2006. Chasco, C., Garcia, I., dan Vicens, J., Modeling Spastial Variations in Household Disposible Income with Geographically Weighted Regression, Munich Personal RePEc Arkhive (MPRA), Working Papper, 2007, No. 1682. Cressie, N.A.C. 1993. Statistics for Spatial Data Revised ed. New York: John Wiley and Sons. Fotheringham,A.S., Brundson, C., dan Charlton, M. 2002. Geographically Weighted Regression: the analysis of spatially varying relationships, England: John Wiley & Sons Ltd. Johnson dan Wichern. 1996. Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey. Leung, Y., Mei, C.L., dan Zhang, W.X. 2000. Statistic Tests for Spatial NonStationarity Based on the Geographically Weighted Regression Model, Environment and Planning A. Prahasta, E. 2009. Sistem Informasi Geografis: Konsep-konsep Dasar (Perspektif Geodesi & Geomatika). Bandung: Penerbit Informatika. Steel, R. G. D. dan J. H. Torrie., 1993. Prinsip dan Prosedur Statistika (Pendekatan Biometrik) Penerjemah B. Sumantri. Gramedia Pustaka Utama, Jakarta. Yasin, H. 2011. Pemilihan Variabel Model Geographically Weighted Regression. Media Statistika, 4 (2):111-129.
41
LAMPIRAN
LAMPIRAN 1. Data Penelitian No.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Kelompok sampling Sungai Wanggu Sungai Wanggu Sungai Wanggu Sungai Wanggu Sungai Wanggu Muara Muara Muara Muara Muara Teluk Dalam Teluk Dalam Teluk Dalam Teluk Dalam Teluk Dalam Pelabuhan Pelabuhan Pelabuhan Pelabuhan Pelabuhan Pelabuhan Teluk Luar Teluk Luar Lepas Pantai Lepas Pantai
Titik sampling
longitude (๐ข๐ )
latitude (๐ฃ๐ )
๐
๐1
๐2
๐3
A1
3,11
`
2,54
16,44
0,08
37,69
A2
46,39
45,88
2,65
16,63
0,06
38,48
B1
58,04
26,85
2,59
17,02
0,09
40,11
B2
47,2
46,5
2,66
16,32
0,1
39,23
B3
46,3
57,41
2,63
16,29
0,08
38,2
A3
34,2
6,43
2,6
14,45
0,05
30,39
A4
7,07
33,14
2,11
15,77
0,05
32,48
B4
22,92
50,43
2,18
14,81
0,05
31,99
B5
9,44
17,4
2,13
14,49
0,04
30,98
B6
19,3
32,88
2,13
10,29
0,05
29,48
A5
23,2
28,42
2,17
4,15
0,03
14,58
A6
28,58
3,56
2,64
3,95
0,05
14,35
A7
5019
34,97
2,15
3,97
0,03
13,48
B7
43,57
49,96
2,16
4,75
0,04
15,24
B8
24,43
55,7
2,15
4,56
0,03
14,97
A8
58,02
59,97
2,11
12,05
0,03
23,11
A9
56,68
6,82
2,16
12,62
0,04
20,46
A10
27,73
35,45
2,13
15,51
0,17
33,56
A11
27,17
42,02
1,69
16,2
0,17
34,89
A12
31,11
59,44
2,16
10,12
0,05
32,12
A13
31,66
7,28
1,73
9,86
0,07
33,95
B9
49,01
54,33
1,72
7,23
0,05
18,09
B10
32,06
11,37
1,7
5,34
0,06
15,23
A14
17,66
19,97
1,23
0,84
0,02
1,92
A15
23,95
20,7
1,32
1
0,02
3,35
(Sumber: Penelitian Armid, dkk (2014))
42
LAMPIRAN 2. Uji Kolmogorov-Smirnov One-Sample Kolmogorov-Smirnov Test Y N
25
Normal Parametersa,,b
Most Extreme Differences
Mean
2.1376
Std. Deviation
.40009
Absolute
.233
Positive
.178
Negative
-.233
Kolmogorov-Smirnov Z
1.163
Asymp. Sig. (2-tailed)
.134
a. Test distribution is Normal. b. Calculated from data.
LAMPIRAN 3. Uji Heteroskedastisitas Correlations X1 Spearman's rho
X1
.940**
.036
.
.017
.760
.941
25
25
25
25
.748**
1.000
.832**
-.331
.091
.
.054
.124
25
25
25
25
.940**
.832**
1.000
.775
.359
.851
.
.124
25
25
25
25
Correlation Coefficient
.036
-.331
.775
1.000
Sig. (2-tailed)
.941
.124
.124
.
25
25
25
25
Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N
abres
abres
.748**
N
X3
X3
1.000
Correlation Coefficient Sig. (2-tailed)
X2
X2
N **. Correlation is significant at the 0.01 level (2-tailed).
43
LAMPIRAN 4. Uji Multikolinieritas Coefficientsa
a. Dependent Variable: Y
LAMPIRAN 5. Hasil Estimasi Model GWR Lengkap R version 3.3.1 (2016-06-21) -- "Bug in Your Hair" Copyright (C) 2016 The R Foundation for Statistical Computing Platform: i386-w64-mingw32/i386 (32-bit) R is free software and comes with ABSOLUTELY NO WARRANTY. You are welcome to redistribute it under certain conditions. Type 'license()' or 'licence()' for distribution details. R is a collaborative project with many contributors. Type 'contributors()' for more information and 'citation()' on how to cite R or R packages in publications. Type 'demo()' for some demos, 'help()' for on-line help, or 'help.start()' for an HTML browser interface to help. Type 'q()' to quit R. [Previously saved workspace restored] > ?read.csv starting httpd help server ... done > dataq <- read.csv(file.choose(), header=TRUE) > dataq kelompok longitude.s latitude.e y x1 x2 x3 1 sungai wanggu 3.11 24.75 2.54 16.44 0.08 37.69 2 sungai wanggu 46.39 45.88 2.65 16.63 0.06 38.48 3 sungai wanggu 58.04 26.85 2.59 17.02 0.09 40.11 4 sungai wanggu 47.20 46.50 2.66 16.32 0.10 39.23 5 sungai wanggu 46.30 57.41 2.63 16.29 0.08 38.20 6 Muara 34.20 6.43 2.60 14.45 0.05 30.39 7 Muara 7.07 33.14 2.11 15.77 0.05 32.48 8 Muara 22.92 50.53 2.18 14.81 0.05 31.99 9 Muara 9.44 17.40 2.13 14.49 0.04 30.98 10 Muara 19.30 32.88 2.13 10.29 0.05 29.48 11 Teluk dalam 23.20 28.42 2.17 4.15 0.03 14.58
44
12 Teluk dalam 28.58 3.56 2.64 3.95 0.05 14.35 13 Teluk dalam 50.19 34.97 2.15 3.97 0.03 13.48 14 Teluk dalam 43.57 49.96 2.16 4.75 0.04 15.24 15 Teluk dalam 24.43 55.70 2.15 4.56 0.03 14.97 16 pelabuhan 58.02 59.07 2.11 12.05 0.03 23.11 17 pelabuhan 56.68 6.82 2.16 12.62 0.04 20.46 18 pelabuhan 27.73 35.45 2.13 15.51 0.17 33.56 19 pelabuhan 27.17 42.02 1.69 16.20 0.17 34.89 20 pelabuhan 31.11 59.44 2.16 10.12 0.05 32.12 21 pelabuhan 31.66 7.28 1.73 9.86 0.07 33.95 22 Teluk luar 49.01 54.33 1.72 7.23 0.05 18.09 23 Teluk luar 32.06 11.37 1.70 5.34 0.06 15.23 24 lepas pantai 17.66 19.97 1.23 0.84 0.02 1.92 25 lepas pantai 23.95 20.70 1.32 1.00 0.02 3.35 > library(spgwr) Loading required package: sp NOTE: This package does not constitute approval of GWR as a method of spatial analysis; see example(gwr) > attach(dataq) > model <- lm(y~x1+x2+x3) > summary(model) Call: lm(formula = y ~ x1 + x2 + x3) Residuals: Min 1Q Median 3Q Max -0.6008 -0.2345 0.0850 0.2102 0.7867 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.625087 0.164411 9.884 2.37e-09 *** x1 0.002567 0.034476 0.074 0.941 x2 -3.406598 2.124348 -1.604 0.124 x3 0.027067 0.016909 1.601 0.124 --Signif. codes: 0 โ***โ 0.001 โ**โ 0.01 โ*โ 0.05 โ.โ 0.1 โ โ 1 Residual standard error: 0.3205 on 21 degrees of freedom Multiple R-squared: 0.4385, Adjusted R-squared: 0.3582 F-statistic: 5.466 on 3 and 21 DF, p-value: 0.006168 > plot(model, which=3) > GWRbandwidth <- gwr.sel(y~x1+x2+x3, data=dataq, coords=cbind(longitude.s,latitude.e),adapt=T) Adaptive q: 0.381966 CV score: 3.855723 Adaptive q: 0.618034 CV score: 3.677472 Adaptive q: 0.763932 CV score: 3.569154 Adaptive q: 0.854102 CV score: 3.524942
45
Adaptive q: 0.9098301 CV score: 3.509705 Adaptive q: 0.9739245 CV score: 3.488712 Adaptive q: 0.9494426 CV score: 3.499517 Adaptive q: 0.9838845 CV score: 3.483176 Adaptive q: 0.9900401 CV score: 3.479916 Adaptive q: 0.9938444 CV score: 3.477962 Adaptive q: 0.9961956 CV score: 3.476776 Adaptive q: 0.9976488 CV score: 3.476051 Adaptive q: 0.9985469 CV score: 3.475606 Adaptive q: 0.9991019 CV score: 3.475333 Adaptive q: 0.999445 CV score: 3.475164 Adaptive q: 0.999657 CV score: 3.47506 Adaptive q: 0.999788 CV score: 3.474996 Adaptive q: 0.999869 CV score: 3.474956 Adaptive q: 0.999919 CV score: 3.474931 Adaptive q: 0.999919 CV score: 3.474931 Warning message: In gwr.sel(y ~ x1 + x2 + x3, data = dataq, coords = cbind(longitude.s, : Bandwidth converged to upper bound:1 > gwr.model=gwr(y~x1+x2+x3, data=dataq,coords=cbind(longitude.s,latitude.e),adapt=GWRbandwidth,hatmatrix=TRUE ,se.fit=TRUE) > gwr.model Call: gwr(formula = y ~ x1 + x2 + x3, data = dataq, coords = cbind(longitude.s, latitude.e), adapt = GWRbandwidth, hatmatrix = TRUE, se.fit = TRUE) Kernel function: gwr.Gauss Adaptive quantile: 0.999919 (about 24 of 25 data points) Summary of GWR coefficient estimates at data points: Min. 1st Qu. Median 3rd Qu. Max. Global X.Intercept. 1.6060000 1.6080000 1.6150000 1.6240000 1.6410000 1.6251 x1 -0.0029500 -0.0012820 0.0001479 0.0033610 0.0088620 0.0026 x2 -3.6490000 -3.6080000 -3.5010000 -3.4060000 -3.3350000 -3.4066 x3 0.0243900 0.0267700 0.0288700 0.0296100 0.0302100 0.0271 Number of data points: 25 Effective number of parameters (residual: 2traceS - traceS'S): 5.137544 Effective degrees of freedom (residual: 2traceS - traceS'S): 19.86246 Sigma (residual: 2traceS - traceS'S): 0.3244222 Effective number of parameters (model: traceS): 4.603541 Effective degrees of freedom (model: traceS): 20.39646 Sigma (model: traceS): 0.3201471 Sigma (ML): 0.2891725 AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 24.14028 AIC (GWR p. 96, eq. 4.22): 13.51387 Residual sum of squares: 2.090518 Quasi-global R2: 0.4558289 > results <- as.data.frame(gwr.model$SDF)
46
x1_se x2_se x3_se gwr.e pred pred.se localR2 1 0.03478102 2.129219 0.01703383 0.13698180 2.403018 0.09675726 0.4528162 2 0.03475064 2.131017 0.01701842 0.12624884 2.523751 0.11532126 0.4903689 3 0.03461577 2.127024 0.01695483 0.12901709 2.460983 0.10610415 0.4669130 4 0.03475571 2.131127 0.01702055 0.26013250 2.399867 0.10667794 0.4900990 5 0.03497123 2.132179 0.01712050 0.18995812 2.440042 0.09884481 0.4910014 6 0.03487550 2.129578 0.01709067 0.27939096 2.320609 0.10308957 0.4390545 7 0.03488789 2.129640 0.01707481 -0.24354153 2.353542 0.11990861 0.4604930 8 0.03490458 2.126494 0.01709000 -0.16946128 2.349461 0.10250318 0.4798517 9 0.03474855 2.129120 0.01702696 -0.22267927 2.352679 0.11332570 0.4479095 10 0.03486337 2.128952 0.01707225 -0.14708472 2.277085 0.10459170 0.4657723 11 0.03475060 2.128093 0.01703139 0.24914949 1.920851 0.10343419 0.4609800 12 0.03483539 2.129436 0.01707345 0.79202726 1.847973 0.11027031 0.4383091 13 0.03452605 2.127650 0.01691743 0.24929960 1.900700 0.10240437 0.4784094 14 0.03491654 2.132001 0.01709409 0.24446126 1.915539 0.09668855 0.4929323 15 0.03494466 2.126862 0.01710978 0.21112137 1.938879 0.09901837 0.4817746 16 0.03484155 2.132189 0.01705964 -0.07310730 2.183107 0.12773795 0.4872257 17 0.03498307 2.129144 0.01712062 0.04820227 2.111798 0.17098510 0.4445447 18 0.03478094 2.127591 0.01704083 0.15562150 1.974379 0.21390021 0.4763165 19 0.03482514 2.126699 0.01705584 -0.32235348 2.012353 0.21074131 0.4804717 20 0.03501897 2.128523 0.01714527 -0.21223418 2.372234 0.14780080 0.4863103 21 0.03484716 2.129418 0.01707893 -0.58035390 2.310354 0.17779843 0.4397103 22 0.03492564 2.132909 0.01709732 -0.24262429 1.962624 0.07846456 0.4915696 23 0.03482593 2.129158 0.01707015 -0.14384364 1.843844 0.10066269 0.4423021 24 0.03474901 2.128842 0.01703099 -0.37411934 1.604119 0.15489332 0.4497887 25 0.03473551 2.128382 0.01702897 -0.32414035 1.644140 0.14416886 0.4509227 X.Intercept._se_EDF x1_se_EDF x2_se_EDF x3_se_EDF pred.se_EDF longitude.s 1 0.1678474 0.03524546 2.157651 0.01726129 0.09804930 3.11 2 0.1678273 0.03521468 2.159473 0.01724568 0.11686119 46.39 3 0.1671230 0.03507801 2.155427 0.01718124 0.10752099 58.04 4 0.1678642 0.03521982 2.159585 0.01724783 0.10810245 47.20 5 0.1682711 0.03543821 2.160651 0.01734912 0.10016472 46.30 6 0.1676951 0.03534120 2.158015 0.01731889 0.10446616 34.20 7 0.1679493 0.03535376 2.158077 0.01730282 0.12150979 7.07 8 0.1672683 0.03537067 2.154890 0.01731821 0.10387194 22.92 9 0.1678192 0.03521256 2.157551 0.01725432 0.11483898 9.44 10 0.1678457 0.03532891 2.157381 0.01730022 0.10598835 19.30 11 0.1676788 0.03521464 2.156510 0.01725881 0.10481538 23.20 12 0.1677210 0.03530056 2.157871 0.01730144 0.11174279 28.58 13 0.1671259 0.03498709 2.156061 0.01714333 0.10377182 50.19 14 0.1681105 0.03538280 2.160471 0.01732236 0.09797967 43.57 15 0.1673667 0.03541129 2.155263 0.01733826 0.10034059 24.43 16 0.1682190 0.03530680 2.160660 0.01728744 0.12944368 58.02 17 0.1675008 0.03545021 2.157575 0.01734924 0.17326832 56.68 18 0.1674046 0.03524539 2.156001 0.01726838 0.21675650 27.73 19 0.1672134 0.03529017 2.155098 0.01728359 0.21355542 27.17 20 0.1676968 0.03548659 2.156946 0.01737421 0.14977444 31.11
47
21 0.1677010 0.03531248 22 0.1683388 0.03539202 23 0.1676658 0.03529097 24 0.1677918 0.03521303 25 0.1676899 0.03519935 latitude.e 1 24.75 2 45.88 3 26.85 4 46.50 5 57.41 6 6.43 7 33.14 8 50.53 9 17.40 10 32.88 11 28.42 12 3.56 13 34.97 14 49.96 15 55.70 16 59.07 17 6.82 18 35.45 19 42.02 20 59.44 21 7.28 22 54.33 23 11.37 24 19.97 25 20.70
2.157853 0.01730699 2.161391 0.01732562 2.157589 0.01729809 2.157270 0.01725841 2.156803 0.01725637
0.18017263 0.07951232 0.10200687 0.15696167 0.14609400
31.66 49.01 32.06 17.66 23.95
LAMPIRAN 6. Hasil Estimasi Model GWR Terbaik R version 3.3.1 (2016-06-21) -- "Bug in Your Hair" Copyright (C) 2016 The R Foundation for Statistical Computing Platform: i386-w64-mingw32/i386 (32-bit) [Previously saved workspace restored] > ?read.csv starting httpd help server ... done > dataq <-read.csv(file.choose(), header=TRUE) > library(spgwr) Loading required package: sp NOTE: This package does not constitute approval of GWR as a method of spatial analysis; see example(gwr) > attach(dataq) > model <-lm(y~X3)
48
Error in eval(expr, envir, enclos) : object 'X3' not found > model <-lm(y~x3) > summary(model) Call: lm(formula = y ~ x3) Residuals: Min 1Q Median 3Q Max -0.64619 -0.17796 0.02383 0.23660 0.73976 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 1.59567 0.16123 9.897 9.29e-10 *** x3 0.02122 0.00578 3.672 0.00127 ** --Signif. codes: 0 โ***โ 0.001 โ**โ 0.01 โ*โ 0.05 โ.โ 0.1 โ โ 1 Residual standard error: 0.3245 on 23 degrees of freedom Multiple R-squared: 0.3696, Adjusted R-squared: 0.3421 F-statistic: 13.48 on 1 and 23 DF, p-value: 0.001266 > GWRbandwith
gwr.model=gwr(y~x3,data=dataq,coords=cbind(longitude.s,latitude.e),adapt=GWRband with,hatmatrix=TRUE,se.fit=TRUE)
49
> gwr.model Call: gwr(formula = y ~ x3, data = dataq, coords = cbind(longitude.s, latitude.e), adapt = GWRbandwith, hatmatrix = TRUE, se.fit = TRUE) Kernel function: gwr.Gauss Adaptive quantile: 0.3600053 (about 9 of 25 data points) Summary of GWR coefficient estimates at data points: Min. 1st Qu. Median 3rd Qu. Max. Global X.Intercept. 1.48300 1.53600 1.59700 1.60700 1.63000 1.5957 x3 0.01948 0.02076 0.02154 0.02187 0.02272 0.0212 Number of data points: 25 Effective number of parameters (residual: 2traceS - traceS'S): 4.862882 Effective degrees of freedom (residual: 2traceS - traceS'S): 20.13712 Sigma (residual: 2traceS - traceS'S): 0.3270699 Effective number of parameters (model: traceS): 3.754796 Effective degrees of freedom (model: traceS): 21.2452 Sigma (model: traceS): 0.3184262 Sigma (ML): 0.2935413 AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 22.01328 AIC (GWR p. 96, eq. 4.22): 13.41488 Residual sum of squares: 2.154163 Quasi-global R2: 0.439262 > results<-as.data.frame(gwr.model$SDF) > results sum.w X.Intercept. x3 X.Intercept._se x3_se gwr.e 1 13.68745 1.535924 0.02170612 0.1709424 0.006200165 0.185972000 2 12.24613 1.609648 0.02172827 0.1926295 0.006828172 0.204248124 3 14.23370 1.607270 0.02168702 0.1648241 0.005986208 0.112863856 4 12.57521 1.607036 0.02180589 0.1905144 0.006760462 0.197518535 5 11.72203 1.609221 0.02165695 0.2039380 0.007149802 0.193483559 6 13.83564 1.598855 0.02072832 0.1684811 0.006056758 0.371211160 7 11.11546 1.504587 0.02195831 0.1789793 0.006531303 -0.107792571 8 12.99703 1.602539 0.01971553 0.1726703 0.006145645 -0.053238821 9 11.33201 1.506533 0.02236441 0.1825183 0.006689005 -0.069382768 10 11.24120 1.510249 0.02128584 0.1799275 0.006490027 -0.007755464 11 13.17029 1.525116 0.02153835 0.1733393 0.006209527 0.330855230 12 13.51005 1.593080 0.02072763 0.1705192 0.006138296 0.749478929 13 13.91577 1.600102 0.02187199 0.1690440 0.006119843 0.255063359 14 11.45304 1.620416 0.02128531 0.2066094 0.007252543 0.215196029 15 12.24086 1.618697 0.01947523 0.1796963 0.006356104 0.239758633 16 13.03738 1.597262 0.02208233 0.1822572 0.006474909 0.002415258 17 14.93729 1.613838 0.02104314 0.1620118 0.005829997 0.115618865 18 14.26452 1.560743 0.02091372 0.1649008 0.005910897 -0.132607493 19 13.15902 1.586680 0.02001158 0.1679944 0.006034688 -0.594883770 20 11.69429 1.630197 0.01972471 0.1920231 0.006755502 -0.103754189 21 13.59188 1.592901 0.02076435 0.1700651 0.006120973 -0.567850866 22 12.28029 1.604449 0.02192142 0.1973883 0.006950931 -0.281007744
50
23 13.08324 1.584776 0.02088212 0.1714627 0.006182411 -0.202810753 24 10.65516 1.483192 0.02272121 0.1882384 0.006876831 -0.296817114 25 10.74130 1.501208 0.02215873 0.1849565 0.006708678 -0.255439742 pred pred.se localR2 X.Intercept._se_EDF x3_se_EDF pred.se_EDF 1 2.354028 0.10537784 0.4549415 0.1755827 0.006368469 0.10823833 2 2.445752 0.11405764 0.5039689 0.1978584 0.007013524 0.11715375 3 2.477136 0.11196473 0.4547791 0.1692983 0.006148704 0.11500403 4 2.462481 0.11703666 0.5045437 0.1956860 0.006943976 0.12021363 5 2.436516 0.11534909 0.5040875 0.2094740 0.007343884 0.11848026 6 2.228789 0.07665585 0.3799808 0.1730546 0.006221169 0.07873668 7 2.217793 0.09137628 0.4847958 0.1838377 0.006708596 0.09385670 8 2.233239 0.08170972 0.4474489 0.1773574 0.006312469 0.08392773 9 2.199383 0.08787954 0.4542026 0.1874728 0.006870578 0.09026503 10 2.137755 0.08149046 0.4655105 0.1848116 0.006666199 0.08370252 11 1.839145 0.09812833 0.4550149 0.1780446 0.006378085 0.10079203 12 1.890521 0.09756925 0.3777929 0.1751480 0.006304920 0.10021777 13 1.894937 0.09938471 0.4818188 0.1736327 0.006285967 0.10208252 14 1.944804 0.11269039 0.4961252 0.2122179 0.007449414 0.11574938 15 1.910241 0.10056555 0.4453578 0.1845741 0.006528641 0.10329541 16 2.107585 0.07437116 0.5023534 0.1872045 0.006650671 0.07638997 17 2.044381 0.07237426 0.4100124 0.1664096 0.005988253 0.07433886 18 2.262607 0.08368682 0.4584619 0.1693770 0.006071349 0.08595851 19 2.284884 0.09155057 0.4491346 0.1725547 0.006198500 0.09403572 20 2.263754 0.08589245 0.4555625 0.1972356 0.006938881 0.08822401 21 2.297851 0.08865330 0.3793003 0.1746816 0.006287127 0.09105980 22 2.001008 0.09496392 0.5084557 0.2027465 0.007139614 0.09754173 23 1.902811 0.09455336 0.3819823 0.1761170 0.006350233 0.09712002 24 1.526817 0.17635758 0.4593892 0.1933482 0.007063504 0.18114483 25 1.575440 0.16478756 0.4350853 0.1899771 0.006890786 0.16926074 longitude.s latitude.e 1 3.11 24.75 2 46.39 45.88 3 58.04 26.85 4 47.20 46.50 5 46.30 57.41 6 34.20 6.43 7 7.07 33.14 8 22.92 50.53 9 9.44 17.40 10 19.30 32.88 11 23.20 28.42 12 28.58 3.56 13 50.19 34.97 14 43.57 49.96 15 24.43 55.70 16 58.02 59.07 17 56.68 6.82
51
18 19 20 21 22 23 24 25
27.73 27.17 31.11 31.66 49.01 32.06 17.66 23.95
35.45 42.02 59.44 7.28 54.33 11.37 19.97 20.70
52