Pemodelan Geographically Weighted Regression (GWR) dengan Fungsi Pembobot Kernel Gaussian dan Bi-Square

  • Nurul Lutfiani Universitas Negeri Semarang
  • Sugiman Sugiman Universitas Negeri Semarang
  • Scolastika Mariani Universitas Negeri Semarang
Keywords: spatial regression, geographically weighted regression, Gaussian Kernel, Bi-square Kernel

Abstract

Model spasial Geographically Weighted Regression (GWR) adalah salah satu metode statistika yang dapat digunakan untuk menganalisis faktor risiko secara spasial dengan pendekatan titik. Fungsi pembobot yang digunakan untuk model GWR adalah fungsi kernel gaussian dan bi-square. Langkah analisis yang dilakukan yaitu melakukan pengujian dengan metode OLS. Dalam pengujian diperoleh 2 variabel yang signifikan, selanjutnya melakukan pengujian menggunakan metode GWR. Membandingkan nilai R2 dan AIC antara model GWR dengan fungsi pembobot kernel gaussian dan bi-square menggunakan Program R. Berdasarkan hasil penelitian yang diperoleh Tabel ANOVA untuk menguji kebaikan GWR secara global, model GWR lebih efektif daripada OLS. Diperoleh model GWR dengan fungsi pembobot gaussian di Kabupaten Cilacap yi  = 0,017574 – 0,714742X1  + 0,812049X3 , nilai R2 sebesar 77,47% , nilai AIC sebesar 53,44198 dan model GWR dengan fungsi pembobot bi-square di Kabupaten Cilacap yi = -0,024805 -0,716867X1 +0,832846X3,  nilai R2 sebesar 76,19%, nilai AIC sebesar 54,64947. Nilai R2 terbesar dan nilai AIC terkecil dimiliki oleh model GWR dengan kernel gaussian.

References

Azkiyah, A. 2016. Pemodelan Regresi Spasial Untuk Analisis Faktor-Faktor Jumlah Penduduk Miskin. Unnes Journal of Mathematics 5(1) : 1-10
Brunsdon, Ch., Fotheringham, S. & Charlton, M. 1996. Geographically Weighted Regression : A Method For Exploring Spatial Nonstationarity. Geographical Anaysis. 28: 281-298.
Kurniawan, I. 2017. Model Regresi Poisson Terbaik Menggunakan Zero-Inflated Poisson (Zip) Dan Zero-Inflated Negative Binomial (Zinb). Unnes Journal of Mathematics 5(1) : 1-10
Lin, C.H, &Wen, T.H. 2011. Using Geographically Weighted Regression (GWR) to Explore Spatial Varying Relationships of Immature Mosquitoes and Human Densities with the Incidence of Dengue. International Journal of Environmental Research and Public Health 8: 2798-2815
Putri, A., & Salamah, M. (2013). Pemodelan Kasus Balita Gizi Buruk di Kabupaten Bojonegoro dengan Geographically Weighted Regression. Jurnal Sains dan Seni ITS, 2(1): D106-D111.
Salamah M, Pertiwi L.D & Sutikno. 2012. Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur. Jurnal Sains dan Seni ,1(1): D165-D170.
Walter, J., Carsten, R. & Jeremy, W. L. 2005. Local and Global Approaches to Spatial Data Analysis in Ecology. Global Ecology and Biogeography, 14: 97-98
Wang, C. 2016. The Impact of car ownership and public transport usage on cancer screening coverage : Empirical evidence using a spatial analysis in England. Journal of transport geography, 56:15-22.
Published
2019-06-27
Section
Articles