Pemodelan Angka Harapan Hidup Propinsi Jawa Timur dan Jawa Tengah Dengan Metode Geographically Weighted Regression Oleh : Lusi Firdial
(1307030020)
Dosen Pembimbing : Dr. Purhadi, M. Sc
Geographichally Weighted Regression
BACK
LATAR BELAKANG Pelaksanaan pembangunan di segala bidang (yang dilakukan pemerintah) (Tujuan utama)
meningkat
Kesejahteraan masyarakat
(Terdapat indikator keberhasilan)
Salah satunya : Indikator Kesehatan
Angka Harapan Hidup (AHH)
Geographically Weighted Regression (GWR)
Penelitian dipilih untuk dilakukan
Faktor spasial (letak geografis) perlu diperhitungkan
Pendugaan model pola hubungan antara AHH dan faktor-faktor yang mempengaruhinya
Pelaksanaan pembangunan disesuaikan dengan potensi yang ada di daerah (berhubungan dengan letak geografis)
Geographichally Weighted Regression
Kesehatan
Salah satu aspek penting kualitas sumber daya manusia (SDM)
SDM
Sehat (secara fisik) Berpotensi (dapat diharapkan)
Berperan aktif dalam pembangunan mewujudkan
Kesejahteraan Masyarakat
Geographichally Weighted Regression
Hak asasi manusia
Periode Propinsi
(1) 11. NANGGROE ACEH DARUSSALAM 12. SUMATERA UTARA 13. SUMATERA BARAT 14. RIAU 15. JAMBI 16. SUMATERA SELATAN 17. BENGKULU 18. LAMPUNG 19. KEPULAUAN BANGKA BELITUNG 31. DKI JAKARTA 32. JAWA BARAT 33. JAWA TENGAH 34. D I YOGYAKARTA 35. JAWA TIMUR 36. BANTEN 51. B A L I 52. NUSA TENGGARA BARAT 53. NUSA TENGGARA TIMUR 61. KALIMANTAN BARAT 62. KALIMANTAN TENGAH 63. KALIMANTAN SELATAN 64. KALIMANTAN TIMUR 71. SULAWESI UTARA 72. SULAWESI TENGAH 73. SULAWESI SELATAN 74. SULAWESI TENGGARA 75. GORONTALO 81. M A L U K U 82. MALUKU UTARA 94. PAPUA
2000-2005 (2002) (2) 67.2 68.6 66.8 68.0 67.0 66.9 66.8 67.9 66.9 73.0 66.6 68.9 73.0 67.8 64.6 70.6 60.9 66.1 66.1 67.8 64.1 69.6 72.3 64.5 66.3 66.9 66.3 65.3 63.3 66.1
2005-2010 (2007) (3) 67.3 70.5 69.2 70.1 69.1 69.2 68.9 70.1 69.0 74.0 69.0 71.0 74.0 70.0 67.3 72.4 64.4 68.4 68.5 70.0 66.9 71.6 73.6 67.0 68.8 69.1 68.7 67.7 66.3 68.4
Geographichally Weighted Regression
Data Statistik Indonesia
BACK
Rumusan Masalah
1. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Timur dengan pendekatan Geographically Weighted Regression (GWR) serta faktor yang berpengaruh secara signifikan ?
Tujuan Penelitian
2. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Tengah dengan pendekatan Geographically Weighted Regression (GWR) serta faktor yang berpengaruh secara signifikan ?
NEXT
Geographichally Weighted Regression
1. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan Geographically Weighted Regression (GWR) terhadap data angka harapan hidup di Propinsi Jawa Timur. 2. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan Geographically Weighted Regression (GWR) terhadap data angka harapan hidup di Propinsi Jawa Tengah.
BACk
Manfaat Penelitian • Penelitian ini diharapkan dapat memberikan alternatif model angka harapan hidup dengan memperhatikan variasi spasial dimana data tersebut diperoleh. • Sebagai masukan bagi pemerintah pusat/daerah, khususnya Dinas Kesehatan, dalam rangka pengambilan kebijakan program peningkatan derajat kesehatan masyarakat NEXT
Geographichally Weighted Regression
Batasan Masalah Data yang digunakan dalam penelitian ini adalah angka harapan hidup yaitu untuk wilayah Propinsi Jawa Timur dan Jawa Tengah tahun 2007.
BACK
Geographichally Weighted Regression
Next
Tinjauan Pustaka • • • •
BACK
Regresi Linier Geographically Weighted Regression Uji Kolinearitas Angka Harapan Hidup
Geographichally Weighted Regression
Regresi Linier Model regresi linier : p
y i 0 k xik i k 1
dimana i = 1, 2, ... , n dan error-nya diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan varians konstan (Myers, 1990) bentuk penaksir dari parameter tersebut : ˆβ XT X1 XT y dengan ˆ : vektor dari parameter yang ditaksir (p+1) x 1 β X : matriks variabel bebas berukuran n x (p+1) y : vektor observasi dari variabel respon berukuran (n x 1) k : banyaknya variabel bebas (k = 1, 2, ... , p) Geographichally Weighted Regression
Pengujian kesesuaian model secara serentak : H0 : ... 0 H1 : Paling sedikit ada satu 0 Statistik uji : 1
2
p
k
Fhitung
MSR MSE
Keputusan: tolak H0 jika nilai Fhit > F ;v ,v dimana v1 = p dan v2 = (n-p-1) 1
2
Geographichally Weighted Regression
Pengujian Signifikansi Parameter : H0 : k 0
H1 : k 0
dengan k = 1, 2, ... , 11 Statistik uji : t rk
n2k ~ t n 2k 1 rk
Keputusan : tolak H0 jika nilai t t( df ;1 ) dimana df = n-2-k 2 n ~ jumlah pengamatan k ~ jumlah variabel bebas Geographichally Weighted Regression
Geographically Weighted Regression (GWR) Model GWR :
p
yi 0 u i , vi k u i , vi xik i k 1
dimana yi : nilai observasi variabel respon ke-i (i = 1, 2, ... , n) xik : nilai observasi variabel prediktor k pada pengamatan ke-i k : vektor koefisien regresi (ui, vi) : menyatakan titik koordinat (longitude, latitude) lokasi ke-i i : error yang diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan varians konstan .
Geographichally Weighted Regression
Penaksir parameter : ˆ ui , vi X T W ui , vi X X T W ui vi y 1
Fungsi pembobot yang digunakan adalah fungsi Kernel Gaussian : d 2
1 ij Wij exp 2 h
h : parameter non negatif yang diketahui / parameter penghalus (bandwidth) dij : jarak Euclidean antara i dan j. Metode yang digunakan untuk memilih bandwidth optimum adalah : Cross Validation (CV), CV y yˆ h n
i 1
2
i
i
Geographichally Weighted Regression
Pengujian kesesuaian model GWR : H0 : k ui , vi k H1 : Paling sedikit ada satu k ui , vi yang berhubungan dengan lokasi (ui, vi) Statistik Uji :
12 SSE H 1 / 2 F* SSE ( H 0 ) n k 1
Tolak H0 jika F* > Ftabel (dengan derajat bebas (n-k-1).
Geographichally Weighted Regression
12 2
dan
Pengujian parameter model : H 0 : k ui , vi 0
H1 : k ui , vi 0
Statistik uji :
dengan k = 1, 2, ... , p
ˆ k u i , vi T ˆ g kk
Pengambilan Keputusan : Tolak H0 jika T t dimana hit
/ 2;db
2 db 1 2
Geographichally Weighted Regression
Uji Kolinieritas 1. VIF (Variance Inflation Factors) > 10 VIF j
r
var ˆ j
jj
2
2. Koefisien Korelasi Pearson (rij) antar variabel bebas > 0,95 n n n xi y i xi y i i 1 i 1 i 1 n
r
2 n 2 n 2 n 2 n n xi xi n y i y i i 1 i 1 i 1 i 1
Geographichally Weighted Regression
Angka Harapan Hidup Definisi : Rata-rata tahun hidup yang akan dijalani oleh seseorang pada suatu tahun tertentu dalam situasi mortalitas (kematian) yang berlaku di lingkungan masyarakat tertentu.
Kegunaan : untuk mengevaluasi kinerja pemerintah dalam meningkatkan kesejahteraan penduduk pada umumnya, dan meningkatkan derajat kesehatan pada khususnya.
Geographichally Weighted Regression
Metodologi Penelitian • Sumber Data : Survey Sosial Ekonomi Nasional (SUSENAS) tahun 2007 untuk Propinsi Jawa Timur dan Jawa Tengah
• Variabel Penelitian • Metode Analisis • Langkah Analisis
NEXT
BACK
Geographichally Weighted Regression
Variabel Penelitian No. (1) 1
Y
Nama Variabel (2) Angka harapan hidup pada tiap kabupaten/kota
Tipe Variabel (3) Kontinu
2
X1
Angka kematian bayi pada tiap kabupaten/kota
Kontinu
3
X2
4
X3
5
X4
6
X5
7
X6
8
X7
9
X8
10 11 12 13 14 15
X9 X10 X11 ui vi dij
Persentase persalinan yang dilakukan dengan bantuan non medis (dukun bayi) pada tiap kabupaten/kota Rata-rata usia perkawinan pertama pada tiap kabupaten/kota Rata-rata lama sekolah wanita berstatus kawin pada tiap kabupaten/kota Rata-rata jumlah pengeluaran rumah tangga (dalam rupiah) pada tiap kabupaten/kota Persentase daerah yang berstatus desa pada tiap kabupaten/kota Rata-rata lama pemberian ASI eksklusif pada tiap kabupaten/kota Persentase rumah tangga yang memiliki air bersih pada tiap kabupaten/kota Persentase penduduk miskin pada tiap kabupaten/kota Jumlah tenaga kesehatan Jumlah sarana kesehatan Letak astronomi (lintang/ longitude) tiap kabupaten/kota Letak astronomi (bujur/latitude) tiap kabupaten/kota Jarak antar kota/kabupaten di Tiap Propinsi
Geographichally Weighted Regression
Satuan (4) Tahun Bayi per seribu kelahiran hidup
Kontinu
persen
Kontinu
tahun
Kontinu
tahun
Kontinu
rupiah
Kontinu
persen
Kontinu
bulan
Kontinu
persen
Kontinu Diskrit Diskrit Kontinu Kontinu Kontinu
persen orang satuan derajat derajat kilometer
Struktur Data Kab/Kota (1) 1 2 3 4 . . . n
Y (2) y1 y2 y3 y4
X1 (3) x11 x12 x13 x14
X2 (4) x21 x22 x23 x24
X3 (5) x31 x32 x33 x34
. . .
. . .
. . .
. . .
.
.
.
.
yn
x1n
x2n
x3n
… … … … … … . . . ...
X10 (12) x101 x102 x103 x104
X11 (13) x111 x112 x113 x114
(14) u1 u2 u3 u4
(15) v1 v2 v3 v4
. . .
. . .
. . .
. . .
.
.
.
.
x10n
x11n
un
vn
Geographichally Weighted Regression
Metode Analisis Model Linier
Asumsi : Hubungan antara variabel respon dan prediktor tetap
Parameter yang diestimasi nilainya sama untuk semua tempat dimana data tersebut diamati
Hal ini terjadi karena adanya faktor spasial, seperti : faktor ekonomi, sosial, budaya, letak geografis, dll.
Mengingat faktor yang signifikan berpengaruh terhadap AHH di suatu wilayah belum tentu signifikan berpengaruh di wilayah lain
Mungkin saja model tersebut tidak cocok diterapkan di setiap wilayah di Jatim dan Jateng
Geographichally Weighted Regression
Alternatif model yang dapat digunakan dalam analisis yakni Geographically Weighted Regreesion.
Langkah Analisis 1.Membuat model regresi linier untuk Angka Harapan Hidup di tiap Propinsi 1. Menghitung Nilai Statistika Deskriptif dan mengidentifikasi adanya kasus multikolinieritas 2. Memodelkan variabel respon (y) dengan variabel prediktor (x) 3. Menaksir parameter model regresi linier dengan pendekatan least square. 4. Menguji kesesuaian model regresi linier secara serentak dan parsial
2. Membuat model GWR untuk Angka Harapan Hidup di tiap Propinsi a. Menentukan bandwith yang optimum berdasarkan nilai yang minimum dari hasil iterasi. b. Menentukan pembobot dengan menggunakan fungsi Kernel Gaussian, baik dengan menggunakan bobot euclid maupun jarak yang sebenarnya. c. Menaksir parameter model GWR dengan menggunakan metode Weighted Least Square (WLS). d. Menguji kesesuaian model GWR (goodness of fit) e. Menguji parameter model tiap daerah di masing-masing propinsi f. Melakukan pengelompokan kabupaten/kota di masing-masing propinsi berdasarkan persamaan variabel yang signifikan
BACK
Geographichally Weighted Regression
Analisis Data dan Pembahasan 1. Model Angka Harapan Hidup di Jawa Timur – – – –
Statistika Deskriptif Model Regresi Linier Geographically Weighted Regression Perbandingan Kesesuaian Model
2. Model Angka Harapan Hidup di Jawa Tengah – – – –
Statistika Deskriptif Model Regresi Linier Geographically Weighted Regression Perbandingan Kesesuaian Model Geographichally Weighted Regression
BACk
JAWA TIMUR Geographichally Weighted Regression
Statistika Deskriptif Variabel
Total count
Rata-rata
Standar Deviasi
Y
38
67,542
3,223
60,33
71,44
X1
38
0,02103
0,0191
0
0,06
X2
38
15,11
17,37
0,49
68,31
X3
38
19,65
0,965
18
21,54
X4
38
6,758
1,782
2,45
10,22
X5
38
265744
67469
191840
456992
X6
38
55,25
31,06
0
91,67
X7
38
8,956
1,547
6,68
12,49
X8
38
62,15
12,29
40,56
99,11
X9
38
15,93
9,3
2,03
35,88
X10
38
439,6
381,5
97
2314
X11
38
116,32
56,61
33
259
Geographichally Weighted Regression
Minimum
Maximum
Identifikasi Multikolinieritas Y
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X1
-0,021
X2
-0,847
0,064
X3
0,782
-0,152
-0,774
X4
0,769
-0,128
-0,801
0,935
X5
0,532
-0,146
-0,551
0,82
0,846
X6
-0,436
0,161
0,501
-0,841
-0,864
-0,893
X7
-0,204
0,088
0,091
-0,07
-0,136
-0,107
-0,063
X8
0,3
0,129
-0,297
0,397
0,362
0,428
-0,331
-0,323
X9
-0,601
0,102
0,707
-0,688
-0,764
-0,796
0,694
0,113
-0,367
X10
0,002
-0,118
-0,07
0,117
0,112
0,265
-0,159
-0,111
0,509
-0,15
X11
-0,287
-0,086
0,124
-0,242
-0,229
-0,129
0,179
0,047
0,159
0,147
0,798
Nilai VIF X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
1,222
9,759
12,871
22,036
9,641
14,597
1,75
2,288
5,105
6,524
5,459
Geographichally Weighted Regression
BACK
Setelah dilakukan Proses Restrict variabel Y
X1
X2
X5
X7
X8
X9
X1
-0,021
X2
-0,847
0,064
X5
0,532
-0,146
-0,551
X7
-0,204
0,088
0,091
-0,107
X8
0,3
0,129
-0,297
0,428
-0,323
X9
-0,601
0,102
0,707
-0,796
0,113
-0,367
X10
0,002
-0,118
-0,07
0,265
-0,111
0,509
-0,15
X11
-0,287
-0,086
0,124
-0,129
0,047
0,159
0,147
X10
0,798
Nilai VIF X1
X2
X5
X7
X8
X9
X10
X11
1,152
2,036
3,62
1,174
2,134
3,831
6,339
4,934
Geographichally Weighted Regression
Model Regresi Linier Yˆ = 72,6 + 7,3 X1 – 0,158 X2 + 0,000003 X5 – 0,217 X7 – 0,0141 X8
+ 0,0514 X9 + 0,00254 X10 – 0,0238 X11 Jawa Timur Fhitung
13,88
db
8;29
f ( 0,05;8, 29)
2,28
Prediktor
Koefisien
T
P-value
kesimpulan
Konstan
72,61
18,31
0
signifikan
X1
7,34
0,48
0,635
tidak signifikan
X2
-0,15826
-0,708
0
signifikan
X5
0,00000309
0,4
0,691
tidak signifikan
X7
-0,2172
0,1908
0,264
tidak signifikan
X8
-0,01411
-0,44
0,666
tidak signifikan
X9
0,05142
0,05733
0,377
tidak signifikan
X10
0,002544
1,42
0,168
tidak signifikan
X11
-0,02379
-2,23
0,034
signifikan
S = 1,65667 ; R2 = 79,3% ; R2 (adj) = 73,6%
BACK
Geographichally Weighted Regression
Geographically Weighted Regression Daerah Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun
Bandwidth 3,148727 2,701017 2,789844 2,679657 2,210036 2,267202 1,907972 2,070186 2,264894 3,149882 2,495422 2,590213 1,936249 1,797221 1,97202 2,0799 2,2193 2,778191 3,044242
Daerah Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep Kota Kediri Kota Blitar Kota Malang Kota Probolinggo Kota Pasuruan Kota Mojokerto Kota Madiun Kota Surabaya Kota Batu
Bandwidth 3,100289 3,070659 2,861821 2,706873 2,221196 2,211989 2,072594 2,311682 2,438034 2,688777 2,290667 2,119839 1,901102 2,162496 1,818127 2,122732 2,998097 2,012664 1,98781
Geographichally Weighted Regression
Nilai bandwith yang diperoleh dari hasil iterasi : 1,199972 dengan nilai kriteria CV: 113.386
matriks pembobot yang dibentuk dengan fungsi kernel gauss pada lokasi (u1, v1) yaitu Kabupaten Pacitan adalah : (dengan jarak euclid) 1,0000 0,9970 W u1 , v1 diag 0,9649 0,9019 0,9229
0,9999 0,9992 0,9983 0,9975 0,9970 0,9949 0,9954 0,9869 0,9917 0,9896 0,9913 0,9921 0,9793 0,9884 0,9640 0,9618 0,9557 0,9656 0,9214 0,9332 0,9406 0,9305 0,9542 0,8918 0,9082 0,9270 0,8862 0,9200 0,8262 0,8749 0,9037 0,7161 0,6185
Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai berikut : 1,0000 0 W u1 , v1 diag 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Geographichally Weighted Regression
Penaksiran Parameter :
ANOVA Fotheringham : SSE
Nilai Minimum Maksimum Intercept X1 X2 X5 X7 X8 X9 X10 X11
66300,00 75800,00 2590,00 18200,00 -169,00 -146,00 0,00 0,01 -216,00 -185,00 -52,70 31,60 23,50 87,00 0,77 3,06 -24,50 -14,30
d.f
Model GWR
63,29941
25
Model Linier
79,59179
29
F
P-value 1,2574 0,2823
ANOVA LEUNG : Model GWR Model Linier
SSE 63,29941 79,59179
d.f 27.536 29.000
F 0.9224
P-value 0.417
Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi ui , vi . Apabila digunakan nilai sebesar 5% maka nilai T(0,025;29) 22,045, Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada tabel berikut:
Geographichally Weighted Regression
Id
Kab/Kota Variabel yang signifikan berpengaruh Id Kab/Kota 0 Pacitan X2 19 Magetan 1 Ponorogo X2, X11 20 Ngawi 2 Trenggalek X2, X11 21 Bojonegoro 3 Tulungagung X2, X11 22 Tuban 4 Blitar X2, X11 23 Lamongan 5 Kediri X2, X11 24 Gresik 6 Malang X2, X11 25 Bangkalan 7 Lumajang X2 26 Sampang X2 8 Jember 27 Pamekasan 2 9 Banyuwangi X 28 Sumenep 2 X 10 Bondowoso 29 Kota Kediri 11 Situbondo X2 30 Kota Blitar 12 Probolinggo X2, X11 31 Kota Malang 13 Pasuruan X2, X11 32 Kota Probolinggo 14 Sidoarjo X2, X11 33 Kota Pasuruan 15 Mojokerto X2, X11 34 Kota Mojokerto 16 Jombang X2, X11 35 Kota Madiun 17 Nganjuk X2, X11 36 Kota Surabaya 18 Madiun X2, X11 37 Kota Batu
Geographichally Weighted Regression
Variabel yang signifikan berpengaruh X2 X2, X11 X2, X11 X2, X11 X2, X11 X2, X11 X2, X11 X2 X2 X2 X2, X11 X2, X11 X2, X11 X2 X2, X11 X2, X11 X2, X11 X2, X11 X2, X11
Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Variabel yang Signifikan Dengan Menggunakan Pembobot Fungsi Kernel Gauss Kabupaten/Kota
Variabel yang signifikan
Pacitan, Lumajang, Jember, X2 : Persentase persalinan yang Banyuwangi, Bondowoso, Situbondo, dilakukan dengan bantuan non medis Magetan, Sampang, Pamekasan, (dukun bayi) Sumenep, Kota Probolinggo Ponorogo, Trenggalek, Tulung Agung, Blitar, Kediri, Malang, Probolinggo, Pasuruan, Sidoarjo, Mojokerto, Jombang, Nganjuk, X2 : Persentase persalinan yang Madiun, Ngawi, Bojonegoro, dilakukan dengan bantuan non medis Tuban, Lamongan, Gresik, (dukun bayi) Bangkalan, Kota Kediri, X11 : Jumlah sarana kesehatan Kota Blitar, Kota Malang, Kota Pasuruan, Kota Mojokerto, Kota Madiun, Kota Surabaya, Kota Batu
BACK
Geographichally Weighted Regression
Perbandingan Kesesuaian Model Model
SS
Regresi Linier (OLS)
79,59179
GWR
63,29941 *
Ket : *) Model Terbaik
Geographichally Weighted Regression
JAWA TENGAH Geographichally Weighted Regression
STATISTIKA DESKRIPTIF Variabel Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
Total count 35 35 35 35 35 35 35 35 35 35 35 35
Rata-rata 69,946 0,01697 17,7 19,426 6,525 257176 54,32 7,945 60,02 17,27 438 118,31
Standar Deviasi 1,547 0,01215 11,87 0,968 1,162 56641 27,74 1,215 13,32 8,84 123,5 42,43
Geographichally Weighted Regression
Minimum 66,75 0,002 1,02 18,123 4,969 186487 0 6 41,92 3,75 195 35
Maximum 72,62 0,043 44,59 21,785 9,4 436905 86 10,376 96,38 36,66 768 215
Identifikasi Multikolinieritas X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
X1 1,226
BACK
Y -0,129 -0,528 0,401 0,352 0,26 -0,027 -0,185 0,326 -0,236 0,077 0,161
X2 3,934
X1
X2
X3
X4
X5
X6
0,182 -0,261 -0,307 -0,247 0,233 -0,039 -0,309 0,215 0,019 0,064
-0,682 -0,649 -0,662 0,655 0,091 -0,577 0,746 -0,242 -0,239
0,878 0,792 -0,751 -0,233 0,539 -0,52 0,1 -0,026
0,863 -0,836 -0,194 0,626 -0,543 0,089 0,013
-0,851 -0,16 0,653 -0,72 0,031 -0,072
0,199 -0,569 0,607 -0,041 0,095
X3 5,619
X4 8,831
Nilai VIF X5 X6 X7 8,35 4,831 1,175
X7
X8
X9
X10
-0,016 0,095 -0,527 0,08 0,13 -0,169 0,221 0,137 -0,117 0,814
X8 2,075
Geographichally Weighted Regression
X9 3,629
X10 3,433
X11 4,206
Regresi Linier Yˆ
= 62,1 - 5,3 X1 - 0,124 X2 - 0,019 X3 + 0,776 X4 + 0,000010 X5 + 0,0721 X6 - 0,260 X7 + 0,0088 X8 + 0,0569 X9 - 0,00100 X10 - 0,00104 X11 Jawa Tengah
Prediktor
Koefisien
T
P-value
kesimpulan
Konstan
62,101
9,17
0
signifikan
Fhitung
6,18
X1
-5,3
-0,36
0,723
tidak signifikan
db
11;23
X2
-0,12427
-4,59
0
signifikan
X3
-0,0194
-0,05
0,961
tidak signifikan
X4
0,7757
1,87
0,074
signifikan
X5
0,00001031
1,25
0,225
tidak signifikan
X6
0,07208
5,61
0
signifikan
X7
-0,2601
-1,8
0,086
signifikan
X8
0,0088
0,5
0,621
tidak signifikan
X9
0,05689
1,63
0,117
tidak signifikan
X10
-0,001001
-0,41
0,685
tidak signifikan
X11
-0,001036
-0,13
0,896
tidak signifikan
f ( 0,05;11, 23)
2,24
S = 0,945826 ; R2 = 74,7 % ; R2 (adj) = 62,6%
BAck
Geographichally Weighted Regression
Geographically Weighted Regression no 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Kabupaten/Kota Cilacap Banyumas Purbalingga Banjarnegara Kebumen Purworejo Wonosobo Magelang Boyolali Klaten Sukoharjo Wonogiri Karanganyar Sragen Grobogan Blora Rembang Pati
Bandwidth 2,979429 2,688279 2,845353 2,114054 2,107114 1,871240 1,854839 1,544733 1,850778 1,903346 1,735467 2,352900 2,162165 2,181186 1,586967 2,822221 2,500770 2,429986
no 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
Kabupaten/Kota Kudus Jepara Demak Semarang Temanggung Kendal Batang Pekalongan Pemalang Tegal Brebes Kota Magelang Kota Surakarta Kota Salatiga Kota Semarang Kota Pekalongan Kota Tegal
Bandwidth 2,979491 2,242840 1,970174 1,697305 1,803337 1,735039 1,854478 2,076594 2,466662 2,560634 2,792161 1,560498 2,087133 1,733541 1,708253 2,040180 2,603301
Geographichally Weighted Regression
Nilai bandwith yang diperoleh dari hasil iterasi : 1.655447 dengan nilai kriteria CV : 44.41073
matriks pembobot dengan fungsi kernel gauss pada lokasi (u1, v1) yaitu Kabupaten Cilacap adalah : 1 0,9773 W u1 , v1 diag 0,9647 0,9307 0,8291
0,9986 0,9945 0,9917 0,9948 0,9885 0,9818 0,9874 0,9827 0,9810 0,9854 0,9682 0,9625 0,9623 0,9446 0,9818 0,9492 0,9204 0,9579 0,9541 0,9406 0,9153 0,8510 0,8827 0,8378 0,8843 0,9369 0,8071 0,8275 0,8160 0,4133
Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai berikut :
1,0000 0 W u1 , v1 diag 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Geographichally Weighted Regression
Penaksiran Parameter :
ANOVA Fotheringham :
Nilai Intercept X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11
Minimum Maksimum 61220,000000 66730,000000 9884,000000 3950,000000 141,300000 112,200000 395,700000 205,200000 417,300000 866,800000 0,008290 0,015940 59,010000 78,670000 342,600000 272,500000 5,680000 14,100000 27,770000 103,500000 3,734000 2,977000 10,350000 2,846000
Model GWR Model Linier
SSE d.f F P-value 18,03745 19,93 1,1402 0,3864 20,56622 23
ANOVA LEUNG : Model GWR Model Linier
SSE 18,03745 20,56622
d.f 23 23
F 1,0121
P-value 0,5121
Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi . Apabila digunakan nilai sebesar 5% maka nilai , Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada tabel berikut:
Geographichally Weighted Regression
Variabel yang signifikan Id Kab/Kota berpengaruh 0 Cilacap X2, X6, X9 1 Banyumas X2, X6, X9 2 Purbalingga X2, X6, X9 X2, X6 3 Banjarnegara X2, X6 4 Kebumen X2, X6 5 Purworejo X2, X6 6 Wonosobo X2, X6 7 Magelang X2, X6 8 Boyolali X2, X6 9 Klaten X2, X6 10 Sukoharjo X2, X6 11 Wonogiri X2, X6 12 Karanganyar X2, X6 13 Sragen X2, X6 14 Grobogan X2, X6 15 Blora X2, X6 16 Rembang X2, X6 17 Pati
Id 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Variabel yang signifikan Kab/Kota berpengaruh X2, X6 Kudus X2, X6 Jepara X2, X6 Demak X2, X6 Semarang X2, X6 Temanggung X2, X6 Kendal X2, X6 Batang X2, X6 Pekalongan X2, X6 Pemalang X2, X6, X9 Tegal X2, X6, X9 Brebes X2, X6 Kota Magelang X2, X6 Kota Surakarta X2, X6 Kota Salatiga X2, X6 Kota Semarang X2, X6 Kota Pekalongan Kota Tegal X2, X6, X9
Geographichally Weighted Regression
Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Variabel yang Signifikan Dengan Menggunakan Pembobot Fungsi Kernel Gauss Kabupaten/Kota Cilacap, Banyumas, Purbalingga, Brebes, Kabupaten Tegal dan Kota Tegal Banjarnegara, Kebumen, Purworejo, Wonosobo, Magelang, Boyolali, Klaten, Sukoharjo, Wonogiri, Karanganyar, Sragen, Grobogan, Blora, Rembang, Pati, Kudus, Jepara, Demak, Semarang, Temanggung, Kendal, Batang, Pekalongan, Pemalang, Kota Magelang, Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Pekalongan
BACK
Variabel yang signifikan X2 : Persentase persalinan yang dilakukan dengan bantuan non medis (dukun bayi) X6 : Persentase daerah yang berstatus desa X9 : Persentase penduduk miskin
X2 : Persentase persalinan yang dilakukan dengan bantuan non medis (dukun bayi) X6 : Persentase daerah yang berstatus desa
Geographichally Weighted Regression
Perbandingan Kesuaian Model Model
SS
Regresi Linier (OLS)
20,56622
GWR
18,03745 *
Ket : *) Model Terbaik
Geographichally Weighted Regression
BACK
Kesimpulan 1. Faktor-faktor yang berpengaruh terhadap AHH di Jatim berdasarkan model GWR adalah Persentase persalinan yang dilakukan dengan tenaga non medis (X2) dan jumlah tenaga medis (X11). Terdapat dua kelompok yang terbentuk berdasarkan variabel yang signifikan pada masing-masing model di Jawa Timur. Kelompok yang pertama masalah yang signifikan berpengaruh terhadap AHH yaitu X2 dan untuk kelompok yang kedua masalah yang signifikan berpengaruh terhadap AHH yaitu X2 dan X11. Geographichally Weighted Regression
Next
Kesimpulan
2. Faktor-faktor yang mempengaruhi angka harapan hidup di Jawa Tengah adalah persentase persalinan yang dilakukan oleh bantuan non medis (X2), persentase daerah yang berstatus desa (X6), dan persentase penduduk miskin (X9). Berdasarkan variabel yang signifikan, maka kabupaten/kota di Jawa Tengah dapat dikelompokkan menjadi dua kelompok. Pada kelompok pertama masalah yang signifikan berpengaruh yaitu X2, X6, dan X9. Sedangkan kelompok kedua masalah yang berpengaruh terhadap AHH yaitu X2 dan X6 Geographichally Weighted Regression
Saran 1.
2.
3.
Dalam melakukan analisis agar lebih memperhatikan asumsi residual yang harus dipenuhi yaitu asumsi residual berdistribusi normal, karena hal itu berpengaruh terhadap hasil analisis. Apabila data yang digunakan tidak berdistribusi normal maka dapat digunakan model regresi lokal yang lain. Selain menggunakan program R 2.9.1, disarankan untuk menggunakan program lain untuk melakukan analisis seperti program GWR4 agar lebih praktis, atau mungkin dengan menggunakan program Matlab Model GWR sangat sesuai apabila diterapkan di Indonesia, karena kondisi setiap daerah di Indonesia sangat beragam (berbeda satu sama lain). Sehingga dengan adanya variabel-variabel yang digunakan dalam analisis yang menggunakan model GWR diharapkan mampu menerangkan kondisi lokal daerah tersebut.
Geographichally Weighted Regression
Daftar Pustaka Draper, N.R. and Smith, H. 1981. Applied Regression Analysis, Second Edition. John Wiley and sons, Inc. New York. Fotheringham, A.S., Brundson, C., dan Charlton, M. 2002. Geographically Weighted Regression : the analysis of spatially varying relationship. John Wiley & Sons Ltd, England. Myers, R.H. 1990. Classical and Modern Regression with Application, Second Edition. PWS-Kent Publishing Company. Boston. Sugiyanto. 2008. Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression (Studi Kasus Data Kemiskinan di Propinsi Papua). Program Magister. Institut Teknologi Sepuluh Nopember. Surabaya. Tim Penyusunan Laporan Tujuan Pembangunan Milenium Indonesia tahun 2007. 2007. Laporan Pencapaian Milenium Development Goals Indonesia 2007. Jakarta : Kementrian Negara Perencanaan Pembangunan Nasional. Geographichally Weighted Regression
TERIMA KASIH Geographichally Weighted Regression