ADLN - Perpustakaan Universitas Airlangga
BAB IV HASIL DAN PEMBAHASAN
4.1
Identifikasi Variabel Prediktor pada Model MGWR Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih
dahulu untuk mengetahui variabel prediktor yang berpengaruh secara global maupun variabel prediktor yang berpengaruh secara lokal. Untuk mengidentifikasi variabel prediktor dilakukan pengujian pengaruh lokasi terhadap setiap variabel prediktor (Mei dkk, 2004) pengujian ini ditunjukkan dengan hipotesis berikut: (variabel bersifat global) Tidak semua
adalah sama (variabel
bersifat lokal)
Langkah-langkah yang dilakukan untuk menguji hipotesis adalah menentukan varians sampel dari
yang dinotasikan sebagai berikut : (4.1)
Misalkan
dan
satuan yang berdimensi
adalah matriks
, maka persamaan (4.1) diperoleh
28 Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
29
(4.2) Dibawah kondisi
,
asumsikan bahwa mean dari estimasi parameter
yang bersesuaian adalah sama, yaitu (4.3) dari persamaan (4.3) dapat dituliskan (4.4) dengan
adalah vektor kolom satuan. Dari persamaan (4.4) dengan fakta bahwa dan
, maka persamaan (4.2) diperoleh
(4.5) Selanjutnya, menyusun kembali estimator parameter model GWR dari persamaan (2.8) sebagai berikut :
(4.6) Persamaan (4.6) adalah estimasi dari vektor koefisien di lokasi estimasi dari koefisien ke-
Skripsi
pada
di
. Nilai
lokasi dimana data diamati
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
30
adalah (4.7) dengan
adalah vektor kolom berdimensi p yang bernilai satu untuk elemen
ke-k dan nol untuk lainnya, maka persamaan (4.7) dapat dijabarkan sebagai berikut
dengan
, sehingga diperoleh
(4.8)
dengan
Dengan mensubstitusikan persamaan (4.8) ke persamaan (4.5), maka diperoleh
(4.9) dengan
Skripsi
dan
adalah matriks semi definit positif.
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Langkah selanjutnya adalah mencari ekspektasi dari
31
sebagai berikut :
(4.10) dengan
sehingga dari persamaan (4.10) diperoleh
estimator untuk
sebagai berikut : (4.11)
Persamaan (4.11) adalah estimator tak bias bagi Distribusi dari Misalkan
.
dapat dicari dengan langkah-langkah sebagai berikut.
adalah bentuk kuadratik dari variabel normal standart dimana dan
adalah matriks simetri dengan rank , maka
chi-square dengan derajat bebas
jika dan hanya jika
berdistribusi
adalah matriks yang
idempotent (Rencher, 2000). Dari persamaan (4.9), kita ketahui bahwa
juga
merupakan bentuk kuadratik dari variabel normal dengan adalah matriks simetri dan semi definit positif. Jika
dibagi dengan
maka
persamaan (4.9) menjadi (4.12)
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Distribusi dari
32
, tetapi matriks
bukan matriks
yang idempoten karena mengandung matriks pembobot nilai berbeda-beda di setiap lokasinya. Oleh karena itu square
yang memiliki tidak berdistribusi chi-
. Terdapat beberapa pendekatan yang dapat digunakan untuk mengetahui
distribusi bentuk kuadratik
dari variabel normal dimana
matriks simetri
tetapi bukan matriks idempoten. Salah satu metode yang digunakan untuk mengetahui distribusi bentuk kuadratik
ini adalah dengan menggunakan
teorema 2.4. Dari persamaan (4.12) dengan menggunakan teorema 2.8 diperoleh dengan rata-rata
dan varians
;
.
Dari persamaan (4.10) diperoleh
Sehingga rata-ratanya adalah
.
Diketahui bahwa simetri dan semi definit positif . Jika
dan
adalah matriks
adalah matriks orthogonal berordo n
berdasarkan teorema 2.2 maka diperoleh (4.13) dengan
adalah nilai-nilai eigen dari matriks Misalkan
dimana
variabel acak yang berdistribusi iid
Skripsi
. adalah
. Sehingga tranformasi orthogonal
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
33
persamaan (4.12) diperoleh
, dengan (4.13) maka
Karena varians dari
dengan rata-rata 1 dan
maka
. Sehingga
adalah
(4.14) Karena
adalah nilai eigen dari matriks
maka nilai
adalah nilai eigen dari matriks
sehingga
persamaan (4.14) menjadi
(4.15) , dengan Jika suatu variabel acak berdistribusi variabel acak tersebut adalah acak
dan
dengan rata-rata
maka rata-rata dan varians
. Dengan teorema 2.4 diperoleh variabel dan variansnya
. Akibatnya diperoleh (4.16)
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
34
(4.17) Persamaan (4.16) disubtitusikan ke persamaan (4.17) sehingga diperoleh
Sedangkan nilai r adalah sebagai berikut :
Sehingga
(4.18)
dengan derajat bebas Langkah mendapatkan
selanjutnya dibawah
adalah pembulatan ke atas dari adalah
mendapatkan
, yaitu dengan mendapatan
.
statistik
uji
dengan
pada model GWR
yang dapat dilakukan dengan mengkuadratkan jumlah kuadrat error pada persamaan (2.12) sehingga menjadi
(4.19) Berdasarkan asumsi pada model GWR diperoleh
(4.20)
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
35
Sedangkan varians dari errornya adalah
, karena (4.21) Sehingga dengan mensubtitusikan persamaan (4.20) pada persamaan (4.19), maka diperoleh
(4.22) Langkah selanjutnya adalah mencari ekspektasi dari
sebagai berikut
(4.23) Dengan cara yang sama seperti pada saat menentukan distribusi dari
pada
persamaan (4.10) maka diperoleh bahwa (4.24) dengan derajat
Skripsi
bebas
adalah
pembulatan ke atas
Estimasi Model Mixed Geographically Weighted....
dari
dan
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Jika
36
adalah benar berdasarkan data yang diberikan, maka nilai
sama dengan nilai
. Akibatnya ukuran
satu. Sebaliknya, jika
akan
akan mendekati
salah maka maka nilainya semakin kecil (Leung dkk,
2000a). Oleh karena itu dibentuk statistik uji sebagai berikut
(4.25)
Jika nilai
menghasilkan nilai yang relatif kecil, maka dapat dikatakan
variabel prediktor bersifat lokal. Sebaliknya, jika nilai
menghasilkan nilai
yang relatif besar, maka dapat dikatakan variabel prediktor pada model bersifat berdistribusi F dengan derajat bebas
global. Berdasarkan Teorema 2.10, dan
. Jika diberikan taraf nyata jika nilai
maka keputusan diambil dengan menolak .
Algoritma program untuk mengidentifikasi variabel prediktor model MGWR dalam software S-Plus 2000 adalah sebagai berikut : a. Mendefinisikan variabel respon
dan variabel prediktor
b. Menghitung jarak Euclid
.
, dengan
.
c. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i,yaitu
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
37
d. Menentukan pembobot tanpa pengamatan pada lokasi ke-i
adalah
matrik diagonal yang diperoleh dengan menghapus baris ke-i dan kolom ke-i dari matrik
.
e. Menentukan matrik
dengan menghapus baris ke-i dari matrik .
f. Menentukan vektor
dengan menghapus baris ke-i dari vektor .
g. Menghitung
.
h. Menghitung
.
i. Menentukan bandwidth yang optimal dari lokasi ke-i dengan metode Cross Validation (CV), yaitu
.
j. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan menggunakan bandwidth optimal
,yaitu
j. Merumuskan hipotesis
Tidak semua
adalah sama
k. Menghitung
dengan
l. Menghitung
dan
m. Menghitung
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
38
dengan
n. Menghitung
dan
o. Menghitung statistik uji kaidah keputusan :
ditolak jika
p. Mendapatkan variabel prediktor yang berpengaruh global dan variabel prediktor yang berpengaruh lokal.
4.2
Estimasi Model MGWR Estimasi model MGWR dilakukan setelah mengidentifikasi variabel global
dan variabel lokal pada model MGWR. Model MGWR persamaan (2.17) dapat dinyatakan dalam bentuk matriks sebagai berikut : (4.26) dengan : matriks variabel prediktor yang bersifat global : vektor parameter variabel prediktor yang bersifat global : matriks variabel prediktor yang bersifat lokal : vektor parameter variabel prediktor yang bersifat lokal
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
39
, dan
Persamaan (4.26) dapat dituliskan dalam bentuk GWR sebagai berikut : (4.27) dengan asumsi Dengan menggunakan teknik estimasi seperti model GWR, parameter dalam model (4.27) diestimasi secara lokal dengan menggunakan metode Weighted Least Square (WLS) dengan memberikan pembobot di setiap lokasi
adalah fungsi jarak dari
ke lokasi lain dimana pengamatan
tersebut dilakukan. Misalkan pembobot di lokasi , maka estimasi parameter di lokasi
adalah
,
diperoleh dengan
meminimumkan fungsi (4.28) dengan mendefinisikan matriks pembobot
maka dari persamaan (4.27) dan persamaan (4.28) diperoleh
Syarat perlu agar fungsi Q mencapai nilai minimum adalah
Skripsi
Estimasi Model Mixed Geographically Weighted....
0
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Sehingga estimator bagi parameter di lokasi
40
pada model MGWR adalah
(4.29) adalah elemen baris ke–i dari matriks
Misalkan , maka nilai penduga untuk
pada
dapat diperoleh dengan cara
berikut :
Sehingga untuk seluruh pengamatan dapat dituliskan sebagai berikut : (4.30) dengan
Dengan mensubstitusikan
ke persamaan (4.27), maka diperoleh
= =
+ +
= =
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Untuk mengestimasi parameter
41
digunakan metode Ordinary Least Square
(OLS) sebagai berikut :
Jika persamaan
diturunkan terhadap
dan hasilnya disamadengankan nol
maka diperoleh :
Sehingga estimator parameter bagi
adalah
(4.31) Dengan mensubstitusikan parameter di lokasi
ke persamaan (4.29) maka didapatkan estimator bagi
adalah
(4.32) Sehingga persamaan (4.30) menjadi sebagai berikut (4.33)
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Misalkan
42
adalah vektor penduga nilai
pada
lokasi,
sehingga diperoleh estimasi model MGWR sebagai berikut
(4.34) dengan penduga dari vektor erornya adalah (4.35) Setelah diperoleh estimator
dan
maka akan dicari sifat-sifat
dari estimator tersebut. Untuk menunjukkan sifat dari estimator
diperoleh
dengan cara sebagai berikut :
Ini menunjukkan bahwa varians covarians dari
Skripsi
merupakan estimator tak bias untuk
. Matriks
adalah sebagai berikut :
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
43
dengan
(4.36)
Selanjutnya akan ditunjukkan sifat dari estimator
Ini menunjukkan bahwa
merupakan estimator tak bias untuk
Untuk menentukan matriks varians covarians menggunakan
sebagai berikut :
pada persamaan (4.31) dan
.
, maka dengan
pada persamaan (4.35) diperoleh
sehingga,
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
44
dengan
(4.37)
Algoritma program untuk estimasi model MGWR dalam software S-Plus 2000 adalah sebagai berikut : a. Menentukan variabel respon
, variabel prediktor yang berpengaruh lokal
, dan variabel prediktor yang berpengaruh global
.
b. Menentukan bandwidth optimal , dengan
b. Menghitung jarak Euclid
.
c. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan menggunakan bandwidth optimal
,yaitu
d. Menghitung
Skripsi
,
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
45
dengan
e. Menghitung f. Menghitung g. Menghitung estimasi model MGWR : dengan
4.3
Inferensi Model MGWR Pengujian parameter model dilakukan dengan uji signifikansi parameter.
Pengujian ini dilakukan untuk mengetahui parameter mana saja yang signifikan berpengaruh terhadap variabel respon. 4.3.1 Uji Parsial Parameter Variabel Global Model MGWR Pengujian ini dilakukan untuk mengetahui variabel global yang berpengaruh signifikan terhadap variabel respon pada model MGWR. Uji parsial parameter variabel global
menggunakan hipotesis sebagai berikut:
(variabel global
tidak signifikan)
(variabel global
signifikan)
Oleh karena dengan rata-rata
pada persamaan (4.31) akan mengikuti distribusi normal dan matriks varians covarian
, dengan
seperti pada
persamaan (4.36) maka dengan teorema limit pusat diperoleh (4.38) dengan
Skripsi
adalah elemen diagonal ke- dari matriks
Estimasi Model Mixed Geographically Weighted....
.
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
46
Langkah selanjutnya adalah mendapatkan Sum Square Error (SSE) pada model MGWR yang dapat dilakukan dengan mengkuadratkan kuadrat eror pada persamaan (4.35) sehingga menjadi
(4.39) Berdasarkan asumsi pada model MGWR diperoleh
(4.40) Sedangkan varians dari errornya adalah
, karena (4.41) Sehingga dengan menstubstitusikan persamaan (4.40) pada persamaan (4.39), maka diperoleh
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
47
(4.42) Langkah selanjutnya adalah mencari ekspektasi
(4.43) Dengan cara yang sama seperti pada saat menentukan distribusi dari
pada
persamaan (4.10) maka diperoleh bahwa (4.44) dengan derajat
bebas
adalah
pembulatan ke atas
dari
dan
Berdasarkan persamaan (4.38) dan persamaan (4.44) diperoleh statistik uji sebagai berikut :
(4.45) Dibawah hipotesis
benar, maka dari (4.45) diperoleh : (4.46)
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
48
Jika diberikan taraf nyata , maka keputusan diperoleh berdasarkan daerah kritis menolak
jika nilai
.
Dari persamaan (4.46) diperoleh selang kepercayaan
bagi
adalah :
Sehingga selang kepercayaan
bagi parameter
adalah (4.47)
Algoritma program untuk uji parsial parameter variabel global model MGWR dalam software S-Plus 2000 adalah sebagai berikut : a. Menentukan variabel respon
, variabel prediktor yang berpengaruh lokal
, dan variabel prediktor yang berpengaruh global
.
b. Menentukan bandwidth optimal , dengan
c. Menghitung jarak Euclid
.
d. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan menggunakan bandwidth optimal
,yaitu
e. Menghitung
Skripsi
,
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
49
dengan
f. Menghitung
,
dengan g. Menghitung
dan
h. Merumuskan hipotesis (variabel global
tidak signifikan)
(variabel global
signifikan)
i. Menghitung
dan
adalah elemen diagonal ke-k dari matriks
,
dengan j. Menghitung statistik uji kaidah keputusan :
ditolak jika
k. Menghitung selang kepercayaan
bagi
4.3.2 Uji Parsial Parameter Variabel Lokal Model MGWR Pengujian ini dilakukan untuk mengetahui variabel lokal yang berpengaruh signifikan terhadap variabel respon pada model MGWR. Uji parsial parameter variabel lokal
Skripsi
menggunakan hipotesis sebagai berikut : (variabel lokal
pada lokasi ke-i tidak signifikan)
(variabel lokal
pada lokasi ke-i signifikan)
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Oleh karena dengan rata-rata
50
dalam persamaan (4.32) berdistribusi normal dan matriks covarian
, dengan
seperti pada
persamaan (4.37) maka dengan teorema limit pusat diperoleh (4.48) dengan
adalah elemen diagonal ke-k dari matriks
. Dari persamaan
berdistribusi chi-square dengan derajat bebas
(4.44) diketahui , sehingga diperoleh :
(4.49) Dibawah hipotesis
benar, maka dari (4.49) diperoleh : (4.50)
Jika diberikan taraf nyata , maka keputusan diperoleh berdasarkan daerah kritis menolak
jika nilai
.
Dari persamaan (4.50) diperoleh selang kepercayaan
bagi
adalah :
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Sehingga selang kepercayaan
51
bagi parameter
adalah (4.51)
Algoritma program untuk uji parsial parameter variabel lokal model MGWR dalam software S-Plus 2000 adalah sebagai berikut : a. Menentukan variabel respon
, variabel prediktor yang berpengaruh lokal
, dan variabel prediktor yang berpengaruh global
.
b. Menentukan bandwidth optimal , dengan
b. Menghitung jarak Euclid
.
c. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan menggunakan bandwidth optimal
,yaitu
d. Menghitung
,
dengan
e. Menghitung f. Menghitung g. Menghitung
,
dengan h. Menghitung
dan
i. Merumuskan hipotesis
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
52
(variabel lokal
pada lokasi ke-i tidak signifikan)
(variabel lokal
pada lokasi ke-i signifikan)
j. Menghitung
dan
adalah elemen diagonal ke-k dari matriks
, dengan j. Menghitung statistik uji kaidah keputusan :
ditolak jika
k. Menghitung selang kepercayaan
4.4
bagi
Penerapan Model MGWR
4.4.1 Sumber Data Data yang digunakan untuk penerapan model MGWR adalah data sekunder yang diperoleh dari buku yang berjudul Hasil Susenas 2009 Provinsi Jawa Timur Badan Pusat Statistik (Lampiran 1). Data tersebut diperoleh dari dengan jumlah lokasi yang diamati sebanyak 38 lokasi. Variabel respon adalah persentase penduduk miskin di provinsi Jawa Timur tahun 2009 dan variabel prediktornya meliputi persentase penduduk yang tamat SD/MI
,
persentase penduduk usia 10 tahun ke atas yang tidak bisa baca tulis huruf
,
persentase rumah tangga yang status rumah yang ditempati bukan milik sendiri , persentase rumah tangga yang jenis dinding terluas rumahnya bukan tembok/kayu/bambu
, persentase rumah tangga yang tidak mempunyai
fasilitas tempat buang air besar
Skripsi
, persentase penduduk yang pengangguran
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
53
, persentase rumah tangga yang mendapatkan Askeskin rumah tangga mendapatkan pelayanan kesehatan gratis tangga yang pernah membeli beras murah/raskin yang bekerja di sektor pertanian
, persentase
, persentase rumah
, dan persentase penduduk
.
4.4.2 Analisis Hasil Penerapan Data Langkah pertama untuk menganalisis data dengan MGWR adalah menentukan bandwidth optimal berdasarkan koordinat lokasi pengamatan dengan menggunakan metode CV (program lihat pada Lampiran 2). Berdasarkan output pada Lampiran 3, diperoleh CV minimum sebesar 3432,05307011615 pada saat nilai bandwidth sebesar 0,11. Setelah mendapatkan nilai bandwidth optimal, selanjutnya adalah mendapatkan matriks pembobot setiap lokasi dengan menggunakan pembobot fungsi kernel gauss dengan mencari jarak euclid lokasi terhadap seluruh lokasi pengamatan. Langkah kedua yang dilakukan adalah mengidentifikasi variabel prediktor mana yang berpengaruh global dan variabel prediktor yang berpengaruh secara lokal pada model MGWR, maka dilakukan pengujian pengaruh lokasi terhadap setiap variabel prediktor (program lihat pada Lampiran 4). Hipotesis yang digunakan adalah sebagai berikut : (variabel
bersifat
global ) Tidak semua
Skripsi
adalah sama (variabel
Estimasi Model Mixed Geographically Weighted....
bersifat lokal)
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
54
Hasil pengolahan data untuk identifikasi variabel prediktor pada Lampiran 5 menunjukkan bahwa dengan tingkat signifikan
5% diperoleh sebagai berikut:
Tabel 4.1 Identifikasi variabel prediktor model MGWR Variabel x ke-
Fhitung
1 2 3 4 5 6 7 8 9 10
8,1758017 5,2231985 7,5596768 4,9693182 21,4128111 11,5524809 11,3290735 9,9503076 14,3745052 4,9148712
Falpha
Keputusan
10,6685623 10,9324049 10,9252270 10,8456200 10,5673088 10,7001810 10,6630196 10,7223755 10,5885767 10,7725997
Terima H0 Terima H0 Terima H0 Terima H0 Tolak H0 Tolak H0 Tolak H0 Terima H0 Tolak H0 Terima H0
Kesimpulan Global Global Global Global Lokal Lokal Lokal Global Lokal Global
Berdasarkan Tabel 4.1 diperoleh variabel prediktor yang berpengaruh secara global adalah
dan variabel prediktor
berpengaruh secara lokal adalah
yang
Karena tidak semua variabel
prediktor berpengaruh secara lokal, tetapi sebagian berpengaruh secara global maka data presentase penduduk miskin di provinsi Jawa Timur tahun 2009 beserta variabel
prediktor
yang
mempengaruhinya
memenuhi
model
Mixed
Geographically Weighted Regressiom (MGWR). Sehingga diperoleh model MGWR sebagai berikut :
Langkah selanjutnya adalah uji signifikansi variabel global untuk mengetahui variabel global mana yang berpengaruh signifikan terhadap respon
Skripsi
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
55
(program lihat pada Lampiran 8). Hipotesis yang digunakan adalah sebagai berikut : ( variabel global
tidak signifikan )
( variabel global
signifikan )
Hasil pengolahan data untuk uji parsial parameter variabel global pada Lampiran 9 menunjukkan bahwa dengan tingkat signifikan
5% diperoleh sebagai
berikut: Tabel 4.2 Uji parsial parameter variabel global pada model MGWR Variabel x ke1 2 3 4 8 10
0,3311379 0,2280765 -0,5770533 0,0639198 -0,4853199 1,6030208
thitung
Keputusan
Kesimpulan
3,5754920 0,8097202 -3,3190934 0,8720306 -1,7281741 2,9287015
Tolak H0 Terima H0 Tolak H0 Terima H0 Terima H0 Tolak H0
Signifikan Tidak Signifikan Signifikan Tidak Signifikan Tidak Signifikan Signifikan
Berdasarkan Tabel 4.2 dapat disimpulkan bahwa variabel global yang berpengaruh signifikan terhadap persentase penduduk miskin di provinsi Jawa Timur tahun 2009 adalah persentase penduduk yang tamat SD/MI
,
persentase rumah tangga yang status rumah yang ditempati bukan milik sendiri , dan persentase penduduk yang bekerja di sektor pertanian Sedangkan untuk
.
mengetahui variabel lokal mana yang berpengaruh
signifikan terhadap respon maka dilakukan uji signifikansi variabel lokal secara parsial (program lihat pada Lampiran 8) dengan hipotesis sebagai berikut : ( variabel lokal
pada lokasi ke-i tidak
signifikan ) ( variabel lokal
Skripsi
pada lokasi ke-i signifikan )
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
56
Hasil pengolahan data (Lampiran 9) menunjukkan bahwa dengan tingkat signifikan
5% diperoleh variabel lokal yang signifikan pada masing-masing
kabupaten/kota di provinsi Jawa Timur sebagai berikut : Tabel 4.3 : Variabel lokal yang signifikan Kab/Kota Kabupaten Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep Kota Kediri Blitar Malang Probolinggo Pasuruan
Skripsi
Variabel Signifikan -
-
-
-
Estimasi Model Mixed Geographically Weighted....
Dewi, Anggun Kurnia
ADLN - Perpustakaan Universitas Airlangga
Mojokerto Madiun Surabaya Batu
57
-
Dari hasil pengolahan data, masing-masing kabupaten/kota di provinsi Jawa Timur akan memiliki model MGWR yang berbeda-beda yang bergantung pada variabel prediktor yang signifikan terhadap variabel respon. Berdasarkan output pada Lampiran 7 kita dapat mengetahui koefisien masing-masing variabel global dan lokal yang signifikan mempengaruhi variabel respon. Misalkan pada lokasi pengamatan ke-37, yaitu kota Surabaya, model MGWR yang dihasilkan adalah sebagai berikut : 0,3311379 0,4801993
0,5770533
0,5256012
1,6030208
Model MGWR di kota Surabaya tersebut dapat diinterprestasikan bahwa setiap kenaikan kenaikan persentase penduduk yang tamat SD/MI sebesar 1 satuan maka persentase penduduk miskin di kota Surabaya tahun 2009 akan bertambah sebesar 0,3311379 persen dengan menganggap variabel
Skripsi
Estimasi Model Mixed Geographically Weighted....
tetap.
Dewi, Anggun Kurnia