Pemodelan Spasial Tingkat Pengangguran Terbuka di Jawa Timur dengan Geographically Weighted Regression
DOI:
https://doi.org/10.29313/statistika.v21i2.295Keywords:
Geographically Weighted Regression, Spasial, Tingkat Pengangguran TerbukaAbstract
Penelitian ini menerapkan metode regresi spasial dengan pembobot letak geografis yang merupakan pengembangan dari metode regresi linier berganda dan diterapkan dalam mengukur faktor-faktor yang diduga berpengaruh terhadap tingkat pengangguran terbuka di Jawa Timur. Regresi linier berganda yang digunakan untuk memodelkan hubungan antara variabel prediktor dan variabel respon dimana koefisien parameter regresi yang dihasilkan bersifat global, yang artinya bahwa semua objek penelitian akan tergeneralisasi hasil yang sama. Adanaya kondisi heterogenitas objek pengamatan yang diamati dengan mempertimbangkan letak geografis, maka pendekatan metode yang tepat adalah metode geographically weighted regression. Nilai koefisien parameter geographically weighted regression bersifat lokal dimana setiap objek penelitian akan memiliki nilai koefisien parameter regresi yang berbeda-beda. Hasil analisis geographically weighted regression menunjukkan bahwa fungsi kernel yang paling tepat untuk analisis adalah adaptive bisquare dengan nilai koefisien determinasi sebesar 98,3629%. Ukuran kebaikan model geographically weighted regression lebh baik dibandingkan ukuran kebaikan model regresi berganda yakni 66,5%. Hasil analisis juga menunjukkan bahwa dengan menggunakan metode geographically weighted regression, variabel prediktor yang berpengaruh secara signifikan hampir di semua objek penelitian adalah jumlah penduduk miskin (dalam ratus ribu jiwa). Pengelompokkan kabupaten/kota di Jawa Timur juga terbentuk 9 cluster bedasarkan variabel predikor yang berpengaruh secara signifikan guna memberikan gambaran program pemerintah yang lebih tepat sasaran dalam menekan tingkat pengangguran terbuka di Jawa Timur.
References
Caraka, R,E, & Yasin, H, (2017), Geographically Weighted Regression (GWR); Sebuah Pendekatan Regresi Geografis, Yogyakarta: Mobius,
Dong, G, Nakaya, T, & Brundon, C, (2018), Geographically weighted regression models for ordinal categorical response variables: An application to geo-referenced life satisfaction data, Computers, Environment and Urban Systems,
Fotheringham, A,S, Brunsdon, C, & Charlton, M, (2002), Geographically Weighted Regression : the Analysis of Spatially Varying Relationships, Chichester: Wiley,
Lu, B, Harris, P, Chartlon, M, & Brunsdon, C, (2015), Calibrating a Geographically Weighted Regression Model with Parameter-Specific Distance Metrics, Procedia Environmental Sciences, 26, 109-114,
Novitasari, D, & Khikmah, L, (2019), Penerapan Model Regresi Spasial pada Indeks Pembangunan Manusia (IPM) di Jawa Tengah, Statistika, 19(2), 123-134,
Prasanti, A,T, Wuryandari, T, & Rusgiyono, A, (2015), Aplikasi Regresi Data Panel Untuk Pemodelan Tingkat Pengangguran Terbuka Kabupaten/Kota Di Provinsi Jawa Tengah, Jurnal Gaussian, 4(2), 687-696,
Rizqi, U,A,A, (2019), Aplikasi Regresi Spasial Untuk Menganalisis Pengaruh Indikator Pendidikan Terhadap Tingkat Pengangguran Terbuka Di Jawa Tengah Tahun 2018, JIEP, 19(2), 139-148
Safitri, D,W, Darsyah, M,Y, & Utami, T,W, (2014), Pemodelan Spatial Error Model (SEM) Untuk Indeks Pembangunan Manusia (IPM) Di Provinsi Jawa Tengah, Statistika, 2(2), 9-14,
Sari, R,S, & Budiantara, I,N, (2012), Pemodelan Penggangguran Terbuka di Jawa Timur dengan Menggunakan Spline Multivariabel, Jurnal Sains Dan Seni ITS, 1(1), 236-241,