Pemodelan Spasial Menggunakan Geographically Weighted Regression dengan Pembobot Fixed Kernel Gaussian dan Adaptive Kernel Bisquare

Yuninda Diah Pratiwi; Scolastika Mariani; Putriaji Hendikawati

doi:10.15294/ujm.v8i1.24017

Anselin, L & Getis, A. 1992. Spatial Statistical Analysis and Geographic Information Systems. The Annals of Regional Science, 26: 19-33.
Ayuni, N. W. D. 2015. Pemodelan Angka Harapan Hidup Di Jawa Timur Dengan Menggunakan Metode Feed Forward Neural Network. Soshum Jurnal Sosial dan Humaniora, 5(2): 103-113.
BPS. 2017. Angka Harapan Hidup Penduduk Beberapa Negara tahun 1995-2015. Tersedia di https://www.bps.go.id/statictable/2014/09/22/1517/angka-harapan-hidup-penduduk-beberapa-negara-tahun-1995-2015.html.
BPS. 2017. Provinsi Jawa Tengah Dalam Angka Jawa 2017. Semarang: BPS Provinsi Jawa Tengah.
Chatterjee, S & Hadi, A. S. 2006. Regression Analysis by Example. Canada: John Wiley & Sons, Inc.
Fotheringham, A. S., Brundson, C., & Charlton, M. 2002. Geographically Weighted Regression: the analysis of spatially varying relationships. England: John Wiley & Sons Ltd.
Guo, L., Ma, Z., & Zhang, L. 2008. Comparison of Bandwidth Selection in Application of Geographically Weighted Regression: a Case Study. Canadian Journal of Forest Research, 38(9):2526-2534.
Mariani, S., Wardono, Masrukan & Fauzi, F. 2017. The ArcView And Geoda Apllication In Optimization Of Spatial Regression Estimate. Journal Of Theoretical Aand Applied Information Technology, 95(5): 1102-1115.
Rahmawati, R & Djuraidah, A. 2010. Regresi Terboboti Geografis dengan Pembobot Kernel Kuadrat Ganda untuk Data Kemiskinan di Kabupaten Jember (Geographically Weighted Regression with Kernel Bi-Square Weighting for Poverty Data in Jember Regency). Forum Statistika dan Komputasi, 15(2): 32-37.
Ramadhan, R. F & Kurniawan, R. 2016. Pemodelan Data Kematian Bayi Dengan Geographically Weighted Negative Binomial Regression. Media Statistika, 9(2): 95-106.
Saefuddin, A., Setiabudi, N. A., & Achsani, N. A. 2011. On Comparison Between Ordinary Linier Regression and Geographically Weighted Regression: with Application to Indonesian Provety Data. European Journal of Scientific Research, 57(2) : 275-285.
Yuhan, R. J. & Sitorus, J. R. H. 2017. Metode Geographically Weighted Regression Pada Karakteristik Penduduk Hampir Miskin Di Kabupaten/Kota Pulau Jawa. Jurnal Ilmiah Widya Eksakta, 1(1): 41-47.

Abstract viewed - 756 times
PDF downloaded - 1048 times

Affiliations

Yuninda Diah Pratiwi
Universitas Negeri Semarang

Scolastika Mariani
Universitas Negeri Semarang

Putriaji Hendikawati
Universitas Negeri Semarang

Content Top

Pemodelan Spasial Menggunakan Geographically Weighted Regression dengan Pembobot Fixed Kernel Gaussian dan Adaptive Kernel Bisquare

Yuninda Diah Pratiwi ,
Scolastika Mariani ,
Putriaji Hendikawati

Vol 8 No 1 (2019)

DOI 10.15294/ujm.v8i1.24017

Submitted: Jul 20, 2018

Published: Jun 25, 2019

Abstract

Abstrak

Model regresi linier secara umum bersifat global, dimana estimasi parameternya bernilai sama untuk semua lokasi. Pada kenyataannya, antara lokasi satu dengan lainnya memiliki kondisi yang berbeda, sehingga data antar pengamatan sulit dianalisis menggunakan regresi linier. Mengabaikan uji keragaman spasial dalam model regresi akan mengakibatkan hasil yang diperoleh kurang sesuai. GWR merupakan metode statistika yang digunakan dalam menganalisis keragaman spasial. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi AHH dengan membandingkan model terbaik dari regresi linier dengan GWR pada pembobot fixed kernel gaussian dan adaptif kernel bisquare. Data yang digunakan bersumber dari Profil Kesehatan Provinsi Jawa Tengah Tahun 2016 dan Provinsi Jawa Tengah Dalam Angka 2017. Software yang digunakan adalah R.3.4.3 dan ArcView GIS 3.3. Hasil penelitian menunjukkan model GWR dengan fungsi pembobot fixed kernel gaussian merupakan model terbaik dilihat dari AIC terkecil sebesar dan ( terbesar sebesar . Terbentuk 8 kelompok lokasi yang memiliki peubah penjelas sama yang signifikan terhadap AHH.

Abstract

Linear regression model is generally global, its parameter estimates the same value for all locations. In fact, the location with others has different conditions, so the data between observations was difficult to be analyzed using linear regression. Ignoring the spatial diversity test in the regression model will give less well-matched results. GWR is one of a statistical method used in analyzing spatial diversity. This study aims to analyze the factors that influence AHH by comparing the best model of linear regression with GWR in fixed kernel gaussian and adaptive kernel bisquare. The data that used cofmes from Health Profile of Central Java Province in 2016 and Central Java Province In 2017. Software that used is R.3.4.3 and ArcView GIS 3.3. The result shows that GWR model with fixed kernel gaussian weighting function is the best model that can be seen from the smallest AIC of and the biggest ( is . There were location groups having the same independent variables that were significant to AHH.