Pemodelan Angka Harapan Hidup Propinsi Jawa Timur dan Jawa Tengah Dengan Metode Geographically Weighted Regression

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)


Kesehatan

Salah satu aspek penting kualitas sumber daya manusia (SDM)

SDM

Sehat (secara fisik) Berpotensi (dapat diharapkan)

Berperan aktif dalam pembangunan mewujudkan

Kesejahteraan Masyarakat


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


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


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


Batasan Masalah Data yang digunakan dalam penelitian ini adalah angka harapan hidup yaitu untuk wilayah Propinsi Jawa Timur dan Jawa Tengah tahun 2007.

BACK


Next

Tinjauan Pustaka • • • •

BACK

Regresi Linier Geographically Weighted Regression Uji Kolinearitas Angka Harapan Hidup


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 X1 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


Pengujian Signifikansi Parameter : H0 : k  0

H1 :  k  0

dengan k = 1, 2, ... , 11 Statistik uji : t  rk

n2k ~ t n 2k 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 .


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


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).


 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 


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


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.


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


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


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


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


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


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


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


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


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


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


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 


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:


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


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


Perbandingan Kesesuaian Model Model

SS

Regresi Linier (OLS)

79,59179

GWR

63,29941 *

Ket : *) Model Terbaik


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


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


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


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


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 


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:


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


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


Perbandingan Kesuaian Model Model

SS

Regresi Linier (OLS)

20,56622

GWR

18,03745 *

Ket : *) Model Terbaik


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.


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

Pemodelan Angka Harapan Hidup Propinsi Jawa Timur dan Jawa Tengah Dengan Metode Geographically Weighted Regression

Recommend Documents