Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60
PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI
PROVINSI SUMATERA UTARA MENGGUNAKAN METODE
GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
Siti Hartina Daulay Universitas Negeri Medan Elmanani Simamora Universitas Negeri Medan Korespondensi penulis: sitihartinadaulayshd@gmail.
Abstract.
Poverty is a complex multidimensional problem and includes various aspects.
Due to its complexity, poverty alleviation requires programs that are integrated and not The purpose of this research is to focus on analyzing the factors that cause poverty in North Sumatra Province by considering the spatial aspect using the Geographically Weighted Regression (GWR) method.
This study uses poverty data for North Sumatra Province in 2018.
Based on testing of spatial heterogeneity and spatial dependencies it can be concluded that poverty is influenced by spatial aspects so that this research can be analyzed using the GWR method.
Modeling using the GWR method produces a value of =0.
7111 which is greater than the global regression which produces =0.
Then the GWR method produces an AIC value = 171,123 which is smaller than the global regression model with an AIC value = 185,909.
The results of the analysis show the characteristics of the percentage of poverty in groups.
The areas classified as having the highest percentage are in the Nias archipelago.
Keywords: Poverty.
Spatial Dependency.
Spatial Heterogeneity.
Geographically Weighted Regression (GWR).
Abstrak.
Kemiskinan merupakan permasalahan multidimensi yang kompleks dan mencakup berbagai aspek.
Akibat kompleksitas yang dimilikinya, penanggulangan kemiskinan memerlukan program yang terintegrasi dan tidak tumpang tindih.
Tujuan dari penelitian ini terfokus pada analisis faktor-faktor penyebab kemiskinan di Provinsi Sumatera Utara dengan mempertimbangkan aspek spasial menggunakan metode Geographically Weighted Regression (GWR).
Penelitian ini menggunakan data kemiskinan Provinsi Sumatera Utara pada tahun 2018.
Berdasarkan pengujian heterogenitas spasial dan dependensi spasial dapat disimpulkan bahwa kemiskinan dipengaruhi oleh aspek spasial sehingga penelitian ini dapat dianalisis menggunakan metode GWR.
Pemodelan dengan menggunakan metode GWR menghasilkan nilai 7111 yang lebih besar dari regresi global yang mengahasilkan = 0.
Kemudian metode GWR menghasilkan nilai AIC = 171.
123 yang lebih kecil Received Febuari 07, 2023.
Revised Maret 2, 2023.
April 01, 2023 * Siti Hartina Daulay, sitihartinadaulayshd@gmail.
PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA
MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
dibandingkan dengan model regresi global dengan nilai AIC = 185.
Hasil analisis menunjukkan karakteristik persentase kemiskinan mengelompok.
Daerah-daerah yang tergolong memiliki persentase tertinggi berada di daerah kepulauan Nias.
Kata kunci: Kemiskinan.
Dependensi Spasial.
Heterogenitas Spasial.
Geographically Weighted Regression (GWR).
LATAR BELAKANG
Latar belakang penelitian ini adalah bahwa kemiskinan merupakan permasalahan multidimensi yang kompleks dan mencakup berbagai aspek.
Akibat kompleksitas yang dimilikinya, penanggulangan kemiskinan memerlukan program yang terintegrasi dan tidak tumpang tindih.
Badan Pusat Statistik (BPS) menyatakan kemiskinan merupakan ukuran standar hidup minimum pada besarnya jumlah rupiah yang dikeluarkan perkapita/bulan dalam mencukupi kebutuhan dasar.
Kemiskinan sering dipandang sebagai ketidakmampuan untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran.
Secara umum ada tiga indeks yang digunakan untuk mengukur tingkat kemiskinan yaitu, persentase kemiskinan, indeks kedalaman kemiskinan dan indeks keparahan kemiskinan.
Sumatera Utara merupakan Provinsi keempat dengan jumlah penduduk terbesar di Indonesia setelah Jawa Barat.
Jawa Timur, dan Jawa Tengah.
Sampai dengan bulan Desember 2018.
Provinsi Sumatera Utara terdiri dari 33 kabupaten/kota.
Pada tahun 2018 jumlah penduduk Sumatera Utara berjumlah 14.
391 jiwa yang terdiri dari 7.
jiwa laki-laki dan 7.
191 jiwa perempuan.
Penduduk Sumatera Utara yang dikategorikan sebagai penduduk miskin pada September 2018 mencapai 9.
22% atau berjumlah sekitar 1,32 juta jiwa (BPS, 2.
Tujuan yang ingin dicapai dalam penelitian ini adalah memodelkan tingkat kemiskinan untuk tiap kabupaten/kota di Provinsi Sumatera Utara menggunakan metode Geographically Weighted Regression (GWR).
Ada beberapa penelitian yang membahas tentang metode Geographically Weighted Regression (GWR) antara lain yang dilakukan oleh Abdul dan Kartiko .
untuk menganalisis tingkat kemiskinan di Provinsi Sulawesi Tenggara, penelitian ini menggunakan Persentase Kemiskinan tahun 2017.
Penelitian yang dilakukan oleh (Sukanto dkk, 2.
tentang Analisis Spasial Kemiskinan Dengan Pendekatan Geographically Weighted Regression: Studi Kasus Kabupaten Pandeglang Dan Lebak.
JURRIMIPA - VOLUME 2.
NO.
APRIL 2023
Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60 Penelitian menggunakan metode GWR juga dilakukan oleh (Amalia & Sari, 2.
dengan judul Analisis Spasial Untuk Mengidentifikasi Tingkat Pengangguran Terbuka Berdasarkan Kabupaten/Kota Di Pulau Jawa Tahun 2017.
KAJIAN TEORITIS
Kemiskinan Kemiskinan merupakan kondisi ketika seseorang atau sekelompok orang tidak mampu memenuhi hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yang bermartabat.
Faktor-faktor penyebab kemiskinan yang digunakan dalam penilitian ini, yaitu jumlah Penduduk.
Tingkat Pengangguran Terbuka(TPT).
Produk Domestik Regional Bruto (PDRB).
Indeks Pembangunan Manusia (IPM) dan Upah Minimum.
Regresi Linier Berganda Regresi Linier berganda merupakan regresi dengan dua atau lebih variabel prediktor dan merupakan perluasan dari regresi linear sederhana.
Regresi berganda berguna untuk mendapatkan pengaruh antar variabel atau mencari hubungan fungsional dua variabel prediktor atau lebih dengan variabel respon, atau meramalkan dua variabel prediktor atau lebih dengan respon (Agustianto dkk, 2.
Model persamaan regresi untuk pengamatan pebanyak dengan variabel prediktor sebanyak maka dapat dituliskan dalam persamaan sebagai berikut.
: nilai observasi variabel terikat ke-i .
: nilai observasi variabel bebas ke-k pada pengamatan ke-i : nilai konstanta atau intercept model regresi
: koefisien regresi variabel penjelas ke-k
: error pada pengamatan ke-i, dengan diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan konstanta
PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA
MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
Heterogenitas Spasial Heterogenitas spasial merujuk kepada adanya keberagaman dalam hubungan secara kewilayahan.
Uji heterogenitas spasial dilakukan untuk mengetahui apakah terdapat karakteristik atau keunikan sendiri di setiap lokasi pengamatan.
Adanya heterogenitas spasial dapat menghasilkan parameter regresi yang berbeda-beda disetiap lokasi pengamatan.
Heterogenitas spasial dapat diidentifikasi menggunakan pengujian Breusch-Pagan.
Hipotesis yang digunakan :
=U=
idak terdapat heterogenitas spasia.
O Statistik uji:
dengan elemen faktor .
da heterogenitas spasia.
Oe 1, dimana metode OLS.
Z merupakan matriks berukuran dinormal standarkan untuk setiap observasi.
Oe yang diperoleh dari y ( .
yang berisi vektor yang sudah Daerah Keputusan:
Tolak apabila nilai ( ) atau jika dengan p adalah banyaknya Dependensi Spasial Dependensi spasial terjadi akibat adanya dependensi wilayah.
Dependensi spasial muncul berdasarkan hukum Tobler I .
yaitu Segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang lebih dekat mempunyai pengaruh yang besar dari pada sesuatu yang jauh.
Uji dependensi spasial dilakukan dengan menggunakan metode MoranAos I.
Uji MoranAos I dilakukan untuk melihat apakah pengamatan disuatu lokasi berpengaruh terhadap pengamtan di lokasi lain yang letaknya saling berdekatan.
Hipotesis yang digunakan untuk MoranAos I adalah sebagai berikut:
H0 : I = 0 .
idak ada autokorelasi antar ruang/lokas.
H1 : I O 0 .
erdapat autokorelasi antar ruang/lokas.
Statistik uji : Zhitung = ( ) ( ) JURRIMIPA - VOLUME 2.
NO.
APRIL 2023
Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60
dengan : = Oc
( )=
=Oe =Oc Oc
( )=
= Oc =Oc Oc Oe [ ( )] .
Zhitung : nilai statistik uji MoranAos I E(I) : nilai ekspektasi dari MoranAos I var (I) : nilai varians dariMoranAos I : Residual regresi Ordinary Least Square (OLS) : Matriks Pembobot spasial Daerah keputusan : H0 ditolak jika terdapat dependensi spasial antar lokasi.
Oe yang berarti Geographically Weighted Regression (GWR) Geographically Weigthed Regression (GWR) adalah metode yang digunakan untuk mengolah data yang bersifat spasial.
Geographically Weigthed Regression (GWR) merupakan perkembangan dari analisis regresi linier berganda dengan memberikan pembobot yang berbeda untuk setiap lokasi pengamatan.
Menurut Fotheringham, dkk .
GWR adalah metode statistika yang digunakan untuk menganalisis heterogenitas Model GWR menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi di mana data tersebut diamati.
Dalam model GWR, variabel dependen y ditaksir dengan variabel prediktor yang masing-masing koefisien regresinya tergantung pada lokasi di mana data tersebut diamati.
Model GWR dapat ditulis sebagai ( , ) Oc
( ,
= 1,2.
A ,
PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA
MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
: nilai observasi variabel respon ke Aei : konstanta atau intersep pada pengamatan ke-i ( , : titik koordinat letak geografis .
ongitude, latitud.
dari lokasi pengamatan ke-i ( , : nilai observasi variabel prediktor ke-k pada lokasi pengamatan ke-i : nilai observasi variabel prediktor ke-k pada lokasi pengamatan ke-i : error pengamatan ke-I yang diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan variansi konstan (Caraka & Yasin, 2.
Metode penaksiran parameter model GWR adalah dengan menggunkan metode Weighted Least Square (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap lokasi dimana data tersebut dikumpulkan.
Misalkan pembobot untuk setiap lokasi
( ,
) maka parameter lokasi ( , =Oc ke-i adalah ) diestimasi dengan menambahkan unsur pembobot dan kemudian meminimumkan jumlah kuadrat error berikut ini:
( ,
( ,
( ,
UOe
( ,
( ,
( ,
)[ Oe
( ,
( ,
) Oe )Oe ( .
Oe( , .
( , ) Oe Penyelesaian persamaan diatas dalam bentuk matriks adalah:
( ,
=[ Oe
( ,
( ,
( ,
) Oe maka persamaan diatas menjadi:
( ,
) =
( ,
( ,
( ,
( ,
( ,
( ,
( ,
( ,
)Oe ( , jika persamaan diatas dideferensialkan terhadap matriks disamakan dengan nol maka diperoleh Oe2
( ,
) 2
untuk memperoleh ( , ( , ( , ( , ) , ) ( , ( , )=0 ( , .
( ,
( ,
) dan hasilnya .
( , .
) persamaan .
diatas dikalikan dengan invers JURRIMIPA - VOLUME 2.
NO.
APRIL 2023
Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60
( ,
( ,
) sebagai berikut ) ) ( , ( , )=( ( , ) ) ( , .
sehingga diperoleh estimasi parameter model GWR untuk setiap lokasinya adalah sebagai ( , )=[ ( , ) ] ( , .
Karena terdapat n lokasi sampel maka penaksir ini merupakan penaksir setiap baris dari matriks lokal parameter seluruh lokasi penelitian.
Matriksnya adalah:
( , )
a , ) =a U a , ) a U pada setiap elemen a )au au )a : matriks berordo : matriks berordo ( , ( , y ( .
y1 ) : vektor penduga parameter GWR ) : matriks pembobot diagonal berukuran pengamatan ke-i atau dinyatakan dengan Pembobot Model GWR Pembobot spasial merupakan pembobot yang menjelaskan letak data yang satu dengan yang lainnya.
Pembobotan model GWR merupakan komponen penting, karena nilai pembobotan ini mewakili letak data observasi satu dengan lainnya.
Skema pembobotan dalam GWR dapat menggunakan beberapa metode berbeda-beda.
Salah satunya dengan menggunakan fungsi kernel.
Fungsi kernel digunakan untuk memperkirakan parameter dalam model GWR.
Beberapa fungsi pembobot yang terbentuk dari fungsi kernel terdiri dari:
Fungsi Fixed Gaussian ( .
( ,
Fungsi Fixed Bisquare OEa >Ea .
PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA
MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
Fungsi Fixed Tricube ( , 1Oe OEa >Ea .
: parameter non negative yang disebut dengan parameter penghalus .
: jarak Euclidean antar lokasi ( , (Agustianto, 2.
Oe Oe )yang didefenisikan sebagai berikut:
METODE PENELITIAN
Jenis penelitian yang digunakan adalah penelitian kuantitatif.
Penelitian kuantitatif dalam penelitian ini menggunakan adalah data sekunder yang diperoleh dari publikasi Badan Pusat Statistik (BPS) Sumatera Utara.
Langkah-langkah yang dilakukan untuk melakukan penelitian ini adalah sebagai berikut:
Melakukan studi kepustakaan dengan mencari dan membaca bahan-bahan pustaka yang relevan dengan topik penelitian baik berupa buku, jurnal maupun artikel.
Melakukan penelitian di perpustakaan Unimed dengan mengumpulkan dan menginput data tentang Kemiskinan dan faktor-faktor penyebabnya pada tahun Setelah menemukan data penelitian, kemudian mendeskripsikan variabel dependen(Y) dan variabel independen(X) yang akan dilibatkan dalam pembentukan model regresi.
Melakukan pemodelan menggunakan regresi linear berganda Menganalisis model regresi linier klasik dengan langkah sebagai berikut :
Melakukan uji asumsi .
ormalitas, multikolinieritas, heteroskedastisitas, dan Menaksir parameter model regresi linier berganda dengan OLS Melakukan uji keberartian model regresi berganda .
ji f dan uji .
Analisis pengaruh spasial dengan menggunakan uji heterogenitas spasial dan dependensi spasial.
JURRIMIPA - VOLUME 2.
NO.
APRIL 2023
Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60 Menganalisis Geographically Weighted Regression (GWR) dengan langkah :
menginput data kemiskinan di kabupaten/Kota Provinsi Sumatera Utara tahun Menentukan titik koordinat dari garis lintang .
dan garis bujur .
di tiap kabupaten/kota .
ilayah pengamata.
Menghitung jarak euclidean antar titik wilayah pengamatan berdasarkan garis lintang .
dan garis bujur .
Menentukan bandwidth optimum .
embobot terbai.
yang akan digunkan pada model GWR berdasarkan nilai Cross Validation (CV) minimum diantara fungsi pembobot Menghitung matriks pembobot di tiap titik lokasi pengamatan Melakukan estimasi parameter untuk model GWR dengan Weighted Least Square(WLS) pada masing-masing lokasi pengamatan menguji parameter setiap model GWR secara serentak dan parsial Penarikan kesimpulan HASIL DAN PEMBAHASAN Penelitian ini menggunakan data persentase kemiskinan di Provinsi Sumatera Utara tahun 2018.
Lokasi yang digunakan terdiri dari 33 kabupaten/kota.
Variabel yang digunakan dalam penelitian ini yaitu variabel dependen (Y) adalah persentase Sedangkan variabel independen (X) adalah jumlah penduduk (X .
Tingkat Pengangguran Terbuka/TPT (X.
Produk Domestik Regional Bruto/PDRB (X.
Indeks Pembangunan Manusia/IPM (X.
dan Upah Minimum (X.
Tahapan awal sebelum membentuk model Geographically Weighted Regression (GWR) adalah meregresikan persentase kemiskinan di provinsi Sumatera Utara dengan lima variabel independen.
Model yang digunakan adalah model Ordinary Least Square (OLS).
Hasil pengolahan data dari model OLS dengan alpha lima persen ( = 5%) menunjukkan bahwa = 2.
472, artinya paling sedikit ada satu variabel bebas yang memiliki pengaruh yang signifikan terhadap terhadap variabel respons dan sebaliknya.
Selain uji F pada model OLS ini dilakukan uji parsial dengan menggunakan uji t.
Berdasarkan hasil
uji tesebut dengan alpha lima persen ( = 5%) diperoleh bahwa variabel upah minimum
PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA
MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
(X.
berpengaruh secara signifikan terhadap persentase kemiskinan di Provinsi Sumatera Utara pada tahun 2018.
Uji Asumsi Klasik Uji normalitas pada penelitian ini yaitu menggunakan metode KolmogorovSmirnov Test.
Kriteria pengujian yang dilakukan adalah jika p Oe Ou maka data berdistribusi normal.
Berdasarkan uji Kolmogorov-Smirnov, diperoleh nilai p Oe 0,4336 > 0,05 yang berarti data berdistribusi normal.
Selanjutnya dilakukan uji multikolinearitas dengan memperhatikan nilai Variance Influence Factor (VIF).
Jika nilai VIF > 10 maka data mengandung multikolinearitas demikian juga sebaliknya.
Hasil uji VIF ini pada penelitian ini menunjukkan bahwa data tidak terjadi multikolinearitas, karena nilai VIF < 10 yang bahwa tidak terdapat hubungan linier yang kuat antara variabel independen pada penelitian.
Selanjutnya dilakukan uji glejser, untuk menunjukkan bahwa data tersebut tidak memenuhi asumsi homokedastisitas.
Dalam penelitian menggunakan metode GWR, keputusan yang diharapkan yaitu model regresi mengandung heteroskedastisitas.
Dengan = 0.
menggunakan uji glejser diperoleh bahwa = 0.
05, yang berarti bahwa terjadi masalah heteroskedastisitas.
Oleh karena itu untuk menganalisis variabelvariabel yang berpengaruh terhadap persentase keluarga hampir miskin diKabupaten/Kota Pulau Jawa akan digunakan metode GWR.
Uji Heterogenitas Spasial Uji heterogenitas spasial diperlukan dalam rangka mengetahui adanya keragaman spasial pada pengamatan.
Adanya hetorogenitas spasial dapat menghasilkan parameter regresi yang berbeda-beda untuk setiap lokasi pengamatan.
Untuk mengidentifikasi adanya keragaman spasial dapat menggunakan uji Breusch-Pagan.
Hasil analisis menggunakan uji Breusch-Pagan adalah sebagai berikut.
Tabel 1.
Uji Breusch-Pagan Breusch-Pagan (BP) p-value 11,937 0,03566 Berdasarkan tabel diatas dengan menggunakan taraf signifikasi
= 0,03566 <
heterogenitas spasial.
= 0.
JURRIMIPA - VOLUME 2.
NO.
APRIL 2023
= 5%, maka diperoleh Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60 Uji Dependensi Spasial Dependensi spasial terjadi karena adanya ketergantungan wilayah.
Untuk menganalisis ada atau tidak dependensi spasial dilakukan dengan uji MoranAos I.
Uji MoranAos I digunakan untuk mengidentifikasi suatu lokasi dari pengelompokan spasial atau autokorelasi spasial.
Autokorelasi spasial adalah korelasi antar variabel berdasarkan Hipotosis yang digunakan adalah : = 0 .
idak ada autokorelasi spasia.
: O 0 .
erdapat autokorelasi spasia.
Statistik uji : Z
( )
( )
= 0,56959208Oe(Oe0,03125.
0,03919935 = 3,036 Daerah keputusan: tolak H0 jika analisis diperoleh nilai dari = 3,036 > Oe
( ) = 1,96
< .
Berdasarkan hasil Oe = 0,05, yang berarti terdapat dependensi spasial antar lokasi penelitian.
= 0,001204 <
Pemodelan Geographically Weighted Regression (GWR) Berikut merupakan peta persentase kemiskinan yang mengandung aspek spasial.
Gambar 1.
Peta Persentase Kemiskinan PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA
MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
Langkah pertama dalam pemodelan Geographically Weighted Regression (GWR) adalah menghitung jarak antar lokasi pengamatan .
arak Euclidea.
berdasarkan garis bujur .
dan garis lintang .
tiap kabupaten/kota di provinsi Sumatera Utara.
Selanjutnya menentukan bandwidth optimum dengan menggunakan fungsi pembobot fixed Gaussian.
Bandwidth optimum ditentukan dari nilai bandwidth yang menghasilkan nilai CV minimum.
Diperoleh nilai bandwidth optimum sebesar 195.
dengan CV sebesar 657.
5274, hal ini menunjukkan bahwa daerah disekitar wilayah dalam 11360 akan dianggap memiliki pengaruh lokasi.
Semakin dekat wilayah dengan daerah pusat akan memberikan pengaruh yang lebih besar.
Selanjutnya melakukan perhitungan matriks pembobot untuk tiap lokasi pengamatan.
Kemudian langkah selanjutnya adalah melakukan estimasi parameter model GWR untuk tiap lokasi pengamatan dengan menggunakan metode Weighted Least Square (WLS).
Nilai estimasi parameter model GWR diperoleh sebagai berikut.
Tabel 2.
Nilai Estimasi Parameter Model GWR Variabel Minimal Median Maksimal Global Intersep JURRIMIPA - VOLUME 2.
NO.
APRIL 2023
Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA) Vol.
No.
1 April 2023 e-ISSN: 2828-9390.
p-ISSN: 2828-9382.
Hal 47-60
KESIMPULAN DAN SARAN
Kesimpulan Berdasarkan penelitian yang telah dilakukan, penulis dapat menarik kesimpulan sebagai berikut:
Berdasarkan data yang digunakan dalam penelitian ini, aspek heterogenitas spasial dan dependensi spasial terpenuhi sehingga data pada penelitian ini dapat di analisis menggunakan metode GWR.
Hasil analisis menunjukkan karakteristik persentase kemiskinan mengelompok.
Daerah-daerah yang tergolong memiliki persentase tertinggi berada di daerah kepulauan Nias.
Saran Pada penelitian ini penulis menggunakan fungsi pembobot adaptive kernel gaussian, sehingga bagi peneliti selanjutnya dapat menggunakan fungsi pembobot lainnya.
Untuk peneliti selanjutnya diharapkan untuk pemilihan variabel lain yang lebih bervariasi dengan melakukan kajian yang lebih baik mengenai variabel bebas yang signifikan.
UCAPAN TERIMA KASIH