PENGEMBANGAN MODEL

SOSIAL EKONOMI:

PENGGUNAAN METODE
GEOGRAPHICALLY WEIGHTED
REGRESSION (GWR) UNTUK ANALISIS
DATA SOSIAL DAN EKONOMI

Subdirektorat Pengembangan Model Statistik

Direktorat Analisis dan Pengembangan Statistik

PENGEMBANGAN MODEL
SOSIAL EKONOMI:
Penggunaan Metode Geographically
Weighted Regression (GWR) untuk Analisis
Data Sosial dan Ekonomi

ISBN

: 978-979-064-651-3

No Publikasi

: 07340.1302

Katalog BPS

: 1306036

Ukuran Buku

: 17,5 cm x 25 cm

Jumlah Halaman

: viii + 140

Naskah :
Subdirektorat Pengembangan Model Statistik
Gambar Kulit :
Subdirektorat Pengembangan Model Statistik
Diterbitkan Oleh :
Badan Pusat Statistik, Jakarta Indonesia
Dicetak oleh :
CV. Nario Sari

PENGEMBANGAN MODEL
SOSIAL EKONOMI:

Penggunaan Metode Geographically

Weighted Regression (GWR) untuk Analisis
Data Sosial dan Ekonomi
Pengarah :
J Bambang Kristianto
Editor :
Muchammad Romzi
Usman Bustaman
Penulis :
Usman Bustaman
Wahyuni Andriana Sofa
Dhiar Niken Larasati
Arbaatun Kurnia Sari
Yuniarti
Zulfa Hidayah S.P
Siska Oktaviana D.A
Veronika Ratih Andriani
Saryono
Pengolahan Data / Penyiapan Draft :
Wahyuni Andriana Sofa
Dhiar Niken Larasati
Yuniarti
Zulfa Hidayah S.P
Siska Oktaviana D.A
Veronika Ratih Andriani
Saryono
Layout :
Wahyu Kurnianto
Harris Simamora
Tigor Nirman Simanjuntak

Kata Pengantar
Masyarakat yang adil dan makmur merupakan tujuan yang ingin
dicapai oleh Pembangunan Nasional Indonesia. Terkait hal ini pemerintah telah mempertimbangkan pembangunan berbasis kewilayahan
dengan menetapkan Masterplan Percepatan dan Perluasan Pembangunan Ekonomi Indonesia (MP3EI) 2011-2025. MP3EI mengutamakan
konektivitas spasial di Indonesia untuk mencapai visi Indonesia Yang
Mandiri, Maju, Adil Dan Makmur.
Penulisan kajian ini merupakan sebuah upaya untuk mengenalkan
metode analisis yang dapat digunakan sebagai alat untuk mengevaluasi
hasil-hasil pembangunan dengan memperhatikan aspek keterkaitan
antar wilayah. Sebagai contoh analisis digunakan Angka Melek Huruf
dan Nilai Tambah Industri Besar Sedang sebagai salah satu indikator
yang merefleksikan hasil pembangunan. Diharapkan tulisan ini akan
melengkapi khazanah perstatistikan Indonesia dengan menampilkan
angka-angka menjadi sebuah informasi yang mudah dipahami oleh
masyarakat.
Ucapan terima kasih dan penghargaan ditujukan kepada tim
penyusun dan semua pihak yang telah berpartisipasi dalam penulisan
kajian ini. Tulisan ini merupakan sebuah kajian awal dan tentu masih
terdapat kekurangan, oleh karena itu kritik dan saran perbaikan dari
berbagai pihak sangat diharapkan.
Jakarta, Desember 2013
Deputi Bidang Neraca dan
Analisis Statistik,

Dr. Suhariyanto
NIP: 196106151983121001

Daftar Isi
Kata Pengantar ........................................................................................................... i
Daftar Isi ...................................................................................................................... iii
Daftar Gambar .......................................................................................................... vi
Daftar Tabel ............................................................................................................. viii
Bab 1. Pendahuluan ................................................................................................. 1
1.1 Latar Belakang .............................................................................................. 3
1.2 Tujuan Penulisan .......................................................................................... 7
1.3 Ruang Lingkup.............................................................................................. 8
1.4 Sistematika Penulisan ................................................................................ 9
Bab 2. Pengaruh Spasial pada Model Regresi ............................................ 13
2.1 Model Regresi Linier Klasik dan Keterbatasannya ....................... 15
2.1.1 Model Regresi Linier Klasik ......................................................... 15
2.1.2 Keterbatasan Model Regresi Klasik .......................................... 22
2.2 Model Regresi Spasial............................................................................. 25
2.2.1 Keterkaitan Spasial.......................................................................... 26
2.2.2 Kriteria Ketetanggaan .................................................................... 29
2.2.3 Matriks Penimbang Spasial ......................................................... 33
2.2.4 Model Regresi Spasial ................................................................... 34
2.2.5 Keterbatasan Model Regresi Spasial........................................ 36
2.2.6 Diagnosis Residual Model Regresi ........................................... 38
Bab 3. Model Geographically Weighted Regression (GWR) .................... 41
3.1 Pengertian Model GWR ......................................................................... 43
3.2 Penimbang Spasial dalam Model GWR ........................................... 44
iii

3.2.1 Fungsi Kebalikan Jarak ................................................................... 45

3.2.2 Fungsi Kernel ..................................................................................... 46
3.3 Kalibrasi Model dan Pemilihan Bandwidth ...................................... 50
3.4 Estimasi Parameter ................................................................................... 53
3.5 Uji Kecocokan Model (Goodness of Fit Test) ................................... 54
3.6 Interpretasi Parameter ............................................................................ 56
Bab 4. Aplikasi Model GWR untuk Analisis Data Angka Melek
Huruf ............................................................................................................ 59
4.1 Pengertian Angka Melek Huruf ........................................................... 61
4.2 Sumber Data ............................................................................................... 65
4.3 Hasil dan Pembahasan ............................................................................ 68
4.3.1 Pola Sebaran Angka Melek Huruf Menurut
Kabupaten/kota di Indonesia..................................................... 68
4.3.2 Transformasi Variabel .................................................................... 70
4.3.3 Deteksi Keterkaitan Spasial .......................................................... 70
4.3.4 Pembentukan dan Pemilihan Model Geographically
Weighted Regression (GWR) ....................................................... 75
4.3.5 Hasil Estimasi Model GWR secara keseluruhan ................... 81
4.3.6 Uji Kecocokan Model GWR .......................................................... 82
4.3.6 Hasil Estimasi model GWR secara lokal................................... 83
4.3.7 Faktor-Faktor yang Mempengaruhi AMH Menurut
Koridor MP3EI .................................................................................. 94
4.3.8 Prediksi Angka Melek Huruf ........................................................ 97
Bab 5. Aplikasi Model GWR untuk Analisis Data Industri Besar
Sedang (IBS) ........................................................................................... 101
5.1 Pengertian Nilai Tambah IBS dan Produktivitas IBS ................. 103

iv

5.2 Fungsi Cobb Douglas ............................................................................. 106

5.3 Sumber Data ............................................................................................. 108
5.4 Profil IBS di Pulau Jawa ......................................................................... 111
5.5 Pembentukan Model GWR.................................................................. 119
5.5.1 Seleksi Variabel .............................................................................. 119
5.5.2 Deteksi Dini Keterkaitan Spasial Industri Besar Sedang . 120
5.5.3 Pemilihan Model Terbaik ........................................................... 123
5.6 Hasil dan Pembahsan ...................................................................... 125
5.6.1 Model GWR di Pusat-pusat IBS di Pulau Jawa ................... 125
5.6.2 Analisis Menggunakan Peta Tematik..................................... 126
Bab 6. Penutup ..................................................................................................... 133
Daftar Pustaka ....................................................................................................... 137

Daftar Gambar
Gambar 1. 1 Koridor Ekonomi Indonesia dalam MP3EI ................. 4
Gambar 1. 2 Ilustrasi Heterogenitas Spasial ....................................... 5
Gambar 1. 3 Ilustrasi Fenomena Paradoks Simpson7
Gambar 2. 1 Contoh Spasial dari Paradox Simpson ..................... 24
Gambar 2. 2 Moran Scatterplot ............................................................. 28
Gambar 2. 3 (i) Linear Contiguity, (ii) Rook Contiguity,
(iii) Bishop Contiguity, (iv) Double Linear
Contiguity, (v) Double Rook Contiguity,
(vi) Queen Contiguity..................................................... 30
Gambar 2. 4 Penentuan Wilayah Tetangga dengan
Kriteria (a) Nearest Neighbors, dan
(b) K-nearest Neighbors ................................................ 32
Gambar 3. 1 Ilustrasi Fungsi Kernel Spasial Tetap (Fixed) .......... 48
Gambar 3. 2 Ilustrasi Fungsi Kernel Spasial Adaptif ..................... 49
Gambar 3. 3 Ilustrasi Fungsi Penimbang dalam model GWR ... 50
Gambar 4. 1 Peta Sebaran Angka Melek Huruf Menurut
Kabupaten/Kota di Indonesia Tahun 2010 ........... 69
Gambar 4. 2 Morans Scatter Plot Angka Melek Huruf
Kabupaten/Kota di Indonesia .................................... 71
Gambar 4. 3 Peta Persebaran Centroid ............................................. 77
Gambar 4. 4 Pengaruh Angka Partisipasi Murni SD
terhadap Angka Melek Huruf di Indonesia........... 85
Gambar 4. 5 Pengaruh Penyelenggaraan Program
Keaksaraan Fungsional terhadap Angka
Melek Huruf Indonesia ................................................. 87

vi

Gambar 4. 6 Pengaruh Rata-Rata Lama Sekolah terhadap

Angka Melek Huruf di Indonesia .............................. 89
Gambar 4. 7 Pengaruh Angka Harapan Hidup terhadap
Angka Melek Huruf di Indonesia .............................. 90
Gambar 4. 8 Pengaruh Angka Gizi Buruk terhadap Angka
Melek Huruf di Indonesia ............................................ 91
Gambar 4. 9 Pengaruh Persentase Penduduk Miskin
terhadap Angka Melek Huruf di Indonesia ........... 93
Gambar 4. 10 Pengaruh Tingkat Pengangguran Terbuka
terhadap Angka Melek Huruf di Indonesia ........ 93
Gambar 4. 11 Struktur Model GWR AMH pada Koridor
MP3EI..................................................................................... 97
Gambar 4. 12 Sebaran Residual Model Geographically
Weighting Regression Angka Melek Huruf ............ 98
Gambar 5. 1 Persentase Jumlah IBS di Pulau Jawa ..................... 113
Gambar 5. 2 Komposisi Tenaga Kerja IBS di Pulau Jawa........... 114
Gambar 5. 3 Komposisi Tenaga Kerja IBS Menurut
Bidang Kerja ................................................................... 115
Gambar 5. 4 Produktifitas TK Setiap Provinsi di Jawa ................ 118
Gambar 5. 5 Global Morans I Scatterplot dari Ln(NTB).............. 121
Gambar 5. 6 Sebaran Residual Model GWR .................................. 126
Gambar 5. 7 Sebaran Estimasi Nilai Tambah Bruto .................... 127
Gambar 5. 8 Sebaran Angka Return to Scale ................................. 128
Gambar 5. 9 Sebaran Angka Elastisitas Upah Tenaga Kerja .... 128
Gambar 5. 10 Sebaran Angka Elastisitas Modal ........................... 129
Gambar 5. 11 Sebaran Angka Elastisitas Input ............................. 130
Gambar 5. 12 Sebaran Angka Elastisitas Tenaga Kerja .............. 131

vii

Daftar Tabel
Tabel 4.1. Perbandingan Indeks Morans Angka Melek
Huruf dengan Tiga Jenis Penimbang ........................... 72
Tabel 4.2. Regresi Spasial Dengan Penimbang Queen ................ 73
Tabel 4.3. Pemilihan Model GWR Terbaik ........................................ 79
Tabel 4.4. Estimasi Parameter Model GWR dan RLB .................... 81
Tabel 4.5 Analysis of Variance (ANOVA) ........................................... 82
Tabel 4.6 Geographical Variability Test

83

Tabel 5. 1 Potensi Industri dan Pusat Industri di Jawa .............. 116

Tabel 5. 2 Variabel yang Mempengaruhi NTB IBS ...................... 120
Tabel 5. 3 Diagnosa Residual .............................................................. 122
Tabel 5. 4 Hasil Uji Variabilitas Terhadap Parameter Lokal ...... 123
Tabel 5. 5 Nilai Estimasi Parameter Variabel Model ................... 124
Tabel 5. 6 ANOVA ................................................................................... 125

viii

Bab 1.
Pendahuluan

1
2

Bab 1. Pendahuluan
1.1 Latar Belakang
Dalam rangka mencapai visi Pembangunan Nasional
menuju Indonesia yang mandiri, maju, adil dan makmur,
pemerintah telah menetapkan Masterplan Percepatan dan
Perluasan Pembangunan Ekonomi Indonesia (MP3EI) 20112025 yang mengutamakan konektivitas spasial (keterkaitan
antar wilayah) di Indonesia (Kemenko Perekonomian, 2011).
Konektivitas

spasial

tersebut

tertuang

dalam

strategi

pelaksanaan MP3EI yang terdiri dari:

(1) mengembangkan potensi ekonomi wilayah di 6 (enam)
Koridor

Ekonomi

Indonesia,

yaitu:

Sumatera,

Jawa,

Kalimantan, Sulawesi, BaliNusa Tenggara, dan Papua

Kepulauan Maluku (lihat Gambar 1.1);
(2) memperkuat konektivitas nasional yang terintegrasi secara
lokal dan terhubung secara global (locally integrated,
globally connected);
(3) memperkuat kemampuan SDM dan IPTEK nasional untuk
mendukung pengembangan program utama di setiap
koridor ekonomi.
Dengan ditetapkannya MP3EI berarti pemerintah telah
menekankan pentingnya konektivitas antar wilayah dalam
mendukung proses pembangunan. Rencana ini menghendaki
bahwa seluruh wilayah Negara Kesatuan Republik Indonesia
harus terkoneksi secara spasial dalam suatu koridor ekonomi,
dimana

masing-masing

koridor

memiliki

peran

dalam

1
membangun perekonomian negara Indonesia. Dampak dari
penyusunan rencana pembangunan tersebut semestinya dapat
terlihat dalam proses pembangunan yang dilakukan, yakni
saling terkaitnya pembangunan di satu wilayah dengan pembangunan di wilayah lain. Dalam kacamata neraca perekonomian
(analisis input-output) keterkaitan tersebut dapat dianalogikan
dengan keterkaitan ke depan (forward linkage), yakni output
suatu komoditi/sektor yang dihasilkan dari suatu wilayah
dimanfaatkan oleh (menjadi input) komoditi/sektor lainnya (di
wilayah lain) atau keterkaitan ke belakang (backward linkage),
dimana suatu komoditi/sektor dari suatu wilayah membutuhkan input yang berasal dari komoditi/sektor di wilayah lain.

Sumber: Kemenko Perekonomian (2011)

Gambar 1. 1 Koridor Ekonomi Indonesia dalam MP3EI

Terkait dengan hal tersebut di atas, maka stimulus yang
diberikan oleh pemerintah akan memberikan respon yang
berbeda pada setiap wilayah. Dengan karakteristiknya masingmasing

dalam

merespon

stimulus

pembangunan

yang

diberikan, ada wilayah yang berhasil memanfaatkan proses

forward atau backward linkage dengan baik hingga berhasil

1
mengembangkan stimulus tersebut dan memberikan output
yang cukup besar bagi pembangunan di wilayahnya. Di lain
pihak, ada wilayah yang belum dapat memanfaatkan proses
forward

atau

backward

linkage

secara

optimal

hingga

memberikan output berupa hasil pembangunan yang tidak

cukup menggerakkan perekonomian dan kesejahteraan di
wilayahnya. Respon yang berbeda terhadap stimulus pembangunan hingga memberikan output (hasil pembangunan) yang
berbeda di masing-masing wilayah disebut sebagai heterogenitas spasial (lihat Gambar 1.2). Kata heterogen memberikan
gambaran bahwa terdapat variasi yang cukup signifikan antara
hasil pembangunan di satu wilayah dengan hasil pembangunan
di wilayah lainnya. Sementara kata spasial merujuk pada posisi
wilayah tersebut secara geografis (sehingga mempengaruhi
karakteristik wilayah tersebut).

Output Wilayah:

Input

Proses
MP3EI

Gambar 1. 2 Ilustrasi Heterogenitas Spasial

Oleh karena itu, analisis yang berbasis spasial sangat
dibutuhkan sebagai alat untuk mengevaluasi dan juga memonitor capaian MP3EI. Akan tetapi saat ini masih belum banyak
kajian mengenai capaian pembangunan di Indonesia yang
dilakukan dengan mempertimbangkan pengaruh spasial (keterkaitan antar wilayah). Monitoring dan evaluasi dengan tanpa

1
mempertimbangkan pengaruh konektivitas spasial dalam
proses pembangunan dapat menghasilkan kesimpulan yang
keliru (yang kadangkala digunakan sebagai dasar pengambilan
kebijakan). Dengan mempertimbangkan pengaruh spasial, bisa
jadi indikator yang tengah diteliti memberikan kesimpulan
yang berbeda arah (berbanding terbalik). Sebagai contoh,
korelasi spasial yang positif menggambarkan bahwa disparitas antar wilayah secara keseluruhan tidak menunjukkan perbedaan yang nyata. Dengan demikian korelasi positif dapat
bermakna bahwa keberhasilan pembangunan dapat dirasakan
secara merata pada seluruh

wilayah. Sementara itu korelasi

spasial negatif memberikan gambaran disparitas yang cukup

besar dalam pencapaian hasil pembangunan antar wilayah
secara keseluruhan. Oleh karena itu korelasi negatif bisa
menjadi sinyal yang menunjukkan bahwa capaian hasil
pembangunan tidak secara merata dirasakan pada seluruh
wilayah. Gambaran korelasi spasial positif bisa saja terjadi pada
data yang diteliti dan dianalisis secara global (keseluruhan),
sementara jika data yang diteliti dianalisis secara lokal (dengan
mempertimbangkan posisi geografis dari setiap unit penelitian)
bisa jadi memberikan gambaran korelasi spasial yang negatif.
Fenomena seperti ini sering disebut sebagai paradoks Simpson
(lihat Gambar 1.3).
Jika data dengan fenomena heterogenitas spasial dimodelkan secara salah, maka disamping menimbulkan resiko
terjadinya kesimpulan yang keliru (paradoks Simpson), residual
(kesalahan prediksi) dari model yang dihasilkan juga akan
semakin tinggi (karena pengaruh spasial tidak terakomodasi di
dalam model). Oleh karena itu, perlu dikaji metode statistik
yang dapat menganalisis dampak pembentukan konektivitas

1
spasial yang memungkinkan terjadinya heterogenitas spasial
pada hasil pembangunan. Sebagai dasar pengembangan
metode ini kaidah geografi dari Tobler (1970) sangat menginspirasi, yaitu:
Everything is related to everything else, but near things
are more related than distant things.

Lag Spasial AHH Wanita

= Provinsi di wilayah barat Indonesia plus Papua

= Provinsi di wilayah timur Indonesia

Angka Harapan Hidup (AHH) Wanita

Sumber: BPS (2012)

Gambar 1. 3 Ilustrasi Fenomena Paradoks Simpson

1.2 Tujuan Penulisan
Selanjutnya tulisan ini bertujuan untuk mengeksplorasi
metode yang dapat mengakomodir fenomena heterogenitas
spasial di dalam modelnya. Metode ini sebenarnya merupakan

1
pengembangan dari metode analisis regresi klasik1 yang dapat
memberikan estimasi model regresi yang spesifik untuk setiap
unit wilayah yang diteliti. Model regresi yang telah dikembangkan ini dipopulerkan oleh Fotheringham, et al (2002) dengan
nama Model Geographically Weighted Regression

(GWR).

Eksplorasi model GWR yang dilakukan pada tulisan ini bersifat

teoretis terkait konsep, tahapan-tahapan yang dilakukan dalam
proses estimasi, asumsi yang mendasari model dan kerangka
analisis yang dapat dilakukan. Disamping itu untuk lebih
memperjelas pemahaman tentang model GWR, pada tulisan ini
juga disertakan contoh penerapan metode analisis dengan
menggunakan model GWR. Panduan pengolahan data untuk
keperluan analisis menggunakan model GWR disertakan pada
buku panduan yang terpisah dari penulisan tulisan ini2.
1.3 Ruang Lingkup
Metode analisis spasial telah mengalami perkembangan
yang cukup pesat, dan oleh karenanya tersedia banyak metode
yang bisa dimanfaatkan untuk melakukan analisis. Metode
yang

dipilih

Geographically

dalam

kajian

Weighted

ini

dikenal

Regression

dengan

(GWR).

Meski

nama
pada

penemuan awalnya model GWR merupakan pengembangan

dari model regresi linier berganda, pada perkembangan
1

Yang dimaksud model regresi klasik dalam tulisan ini adalah model regresi linier
berganda. Disebut demikian karena ia merupakan model dasar yang menginspirasi
banyak pengembangan model regresi lainnya.
2
Buku panduan pengolahan dipublikasikan secara terpisah dengan judul: Panduan
Pengolahan Data dengan Model GWR.

1
selanjutnya model GWR sudah mencakup juga pengembangan
model regresi logistik, model regresi poisson, dan beberapa
model analisis multivariat (Fotheringham, et al, 2002). Dalam
tulisan ini pembahasan hanya mencakup model GWR yang
merupakan pengembangan dari model regresi linier berganda.
Hal ini dilakukan dengan maksud memberikan pemahaman
yang mendasar kepada pembaca tentang bagaimana membangun model GWR dan melakukan analisis menggunakan model
ini.
Sebagai contoh aplikasi, tulisan ini menggunakan data
yang bersumber dari survey sosial ekonomi nasional (SUSENAS)
dan survei industri besar sedang (IBS) yang pelaksanaannya
dilakukan oleh BPS. Kedua survey ini dilakukan di seluruh
wilayah Indonesia dan angka estimasi yang dihasilkan sampai
pada level kabupaten/kota. Menyesuaikan dengan kelengkapan
data yang tersedia, kajian ini menggunakan data dari kedua
survey tersebut untuk tahun 2010.

1.4 Sistematika Penulisan

Kajian ini terdiri dari lima bab dan disusun dengan
sistematika sebagai berikut:
Bab 1 Pendahuluan menguraikan tentang latar belakang,
tujuan, ruang lingkup serta sistematika penulisan.
Bagian pertama dari Bab 2 Pengaruh Spasial Pada Model
Regresi menjelaskan tentang konsep dan prosedur dalam
model regresi klasik yang belum mampu menjelaskan adanya
pengaruh spasial di dalam data yang dianalisis. Model regresi

1
klasik kemudian dikembangkan menjadi model regresi spasial
untuk mengakomodasi adanya pengaruh spasial pada data
yang diteliti ke dalam model yang dibangun. Pembahasan
mengenai model regresi spasial diuraikan di dalam bagian
kedua dari bab ini.
Baik model regresi klasik maupun model regresi spasial
yang dibahas pada Bab 2 masih bersifat global. Artinya model
tersebut berlaku sama untuk setiap observasi di dalam data
yang diamati. Padahal seringkali analisis berbasis lokal sangat
diperlukan karena bisa jadi hasilnya akan bervariasi antara satu
wilayah dengan wilayah yang lain. Dengan kata lain, modelmodel tersebut belum mengakomodasi adanya heterogenitas
yang mungkin timbul secara spasial. Oleh karena itu, pada Bab
3 Model Geographically Weighted Regression (GWR) diuraikan
sebuah model yang dapat mengakomodasi heterogenitas
spasial di dalam data yang diamati. Analisis di dalam model ini
menjadi lebih luas karena dapat menggambarkan pengaruh
dari variabel-variabel yang diamati dalam bentuk peta tematik
yang akan dapat menjelaskan secara visual adanya pengaruh
spasial di dalam data yang diamati.
Pembahasan mengenai model GWR selanjutnya diperjelas
dalam Bab 4 Aplikasi Model GWR untuk Analisis Data Angka
Melek Huruf dan Bab 5 Aplikasi Model GWR untuk Analisis
Data Industri Besar Sedang. Pada kedua bab ini prosedur
pemakaian model GWR dijelaskan dengan menggunakan
contoh aplikatif untuk data sosial dan ekonomi. Harapannya
dengan memberikan contoh aplikatif, pembaca dapat menjadi
lebih mengerti bagaimana melakukan analisis data menggunakan model GWR.

10

1
Kajian ini ditutup dengan suatu kesimpulan yang
dituliskan dalam Bab 6 Penutup.

11

12

Bab 2. Pengaruh
Spasial pada
Model Regresi

2
Bab 2. Pengaruh Spasial pada Model
Regresi
2.1 Model Regresi Linier Klasik dan Keterbatasannya
2.1.1 Model Regresi Linier Klasik
Pada saat melakukan analisis data, seringkali ingin diketahui adanya hubungan antara satu variabel yang diteliti
dengan variabel lain yang mempengaruhinya. Tujuan yang
diharapkan antara lain untuk mengetahui determinan (faktorfaktor yang mempengaruhi) variabel yang tengah diteliti, atau
untuk melakukan prediksi terhadap variabel yang diteliti
dengan menggunakan informasi dari variabel yang mempengaruhinya. Sejauh ini, metode analisis yang umum dilakukan
untuk mencapai tujuan tersebut adalah dengan membangun
model regresi yang menggambarkan hubungan antara satu
atau lebih variabel bebas (independent variables) dengan
variabel tak bebasnya (dependent variable).
Secara umum, persamaan model regresi linier dinyatakan
sebagai berikut:

di mana
ke- ,
dan

adalah nilai variabel tak bebas pada pengamatan

adalah nilai variabel bebas ke- pada pengamatan ke- ,
adalah koefisien regresi yang secara berturut-turut

biasa disebut sebagai konstanta (intercept) dan koefisien

15

2
kemiringan

(slope),

independen dan

menunjukkan

banyaknya

variabel

adalah random error yang diasumsikan

berdistribusi Normal dengan rata-rata nol dan varians konstan.

Model regresi linier tersebut juga dapat ditulis dalam bentuk
matriks sebagai berikut:

dengan:

[ ]

,
[

]
[ ]

Model regresi dengan bentuk persamaan seperti di atas

sering disebut sebagai model regresi klasik. Untuk menduga
parameter-parameter

dalam

model

regresi

klasik

dapat

digunakan metode Ordinary Least Square (OLS), yaitu dengan

meminimumkan jumlah kuadrat residual3 dari persamaan
model regresinya. Estimasi parameter dengan metode ini
dalam bentuk matriks dirumuskan sebagai berikut:

Menurut teorema Gauss-Markov, metode pendugaan OLS ini

dapat menghasilkan penduga parameter yang mempunyai
varians minimum di antara semua penduga linier tak bias (Best
3

Nilai residual menyatakan selisih nilai prediksi dari nilai observasinya.

16

2
Linear Unbiased Estimator/BLUE) jika memenuhi asumsi klasik
yang terbagi menjadi empat hal sebagai berikut:
1. Asumsi tentang bentuk model. Model yang menghubungkan variabel tak bebas dengan variabel bebas diasumsikan
linier dalam parameter. Asumsi ini dikenal dengan sebutan
asumsi linieritas. Pemeriksaan terhadap asumsi ini pada
regresi sederhana dengan mudah dapat dilakukan melalui
scatter plot antara Y (variabel tak bebas) dan X (variabel
bebas). Sedangkan, pada regresi berganda dapat digunakan
Residual Plus Component Plot, yaitu plot antara residual
) dengan
ditambah dengan komponen regresi (
variabel bebas

. Salah satu cara untuk mengatasi masalah

jika asumsi ini tidak terpenuhi yaitu dengan melakukan

transformasi data.
2. Asumsi tentang residual (selisih antara nilai observasi
dengan nilai prediksinya). Residual-residual dalam model
diasumsikan

berdistribusi

Independen (

Normal

yang

Identik

dan

) Asumsi ini berimplikasi pada

empat asumsi lainnya, yaitu:

Asumsi kenormalan. Pemeriksaan terhadap asumsi ini

dapat dilakukan salah satunya dengan Normal Probability Plot atau dengan melakukan pengujian secara
statistik (Jarque Berra Test, Liliefors, dan sebagainya).

Rata-rata dari nilai residual

sama dengan 0

(nol).

Asumsi

homoskedastisitas,

atau

varians

residual

bernilai konstan. Asumsi ini dapat dideteksi

baik dengan metode grafik (yaitu dengan membuat plot
antara nilai-nilai kuadrat residual dengan variabel bebas
X), maupun dengan pengujian secara statistik (Whites

17

2
General Heteroscedasticity Test, Breusch-Pagan-Godfrey
Test, dan sebagainya). Pelanggaran terhadap asumsi ini,
atau biasa disebut sebagai heteroskedastisitas, berakibat
pada interval kepercayaan yang semakin lebar, uji
hipotesis

yang

tidak

akurat

dan

pada

akhirnya

membawa dampak pula pada keakuratan kesimpulan.

Asumsi residual

saling independen. Ketika

asumsi ini tidak dipenuhi maka model dikatakan

memiliki masalah autokorelasi. Pelanggaran terhadap
asumsi ini memberikan beberapa dampak yang cukup
serius pada analisis, antara lain estimasi kuadrat terkecil
untuk koefisien regresi masih bersifat unbiased tetapi
tidak efisien, dalam artian tidak lagi memiliki varians
yang minimum; estimasi varians dan standar error untuk
koefisien yang lebih kecil dari nilai sebenarnya (underestimate), sehingga memberikan kesan akurasi yang palsu;
serta interval kepercayaan (confidence intervals) dan
berbagai uji signifikansi secara umum menjadi tidak
berlaku lagi.
3. Asumsi tentang variabel bebas. Terdapat beberapa asumsi
mengenai hal ini, yaitu:

Variabel bebas

bersifat nonrandom atau

fixed. Asumsi ini tentu saja tidak dapat dipenuhi ketika

data yang digunakan adalah data observasi, bukan data
eksperimen. Ketika variabel bebas yang digunakan
adalah random variable, semua inferensia bersifat
kondisional, tergantung pada data observasi.

Nilai-nilai variabel bebas

, ,

diukur tanpa ada kesalahan (error). Asumsi ini sangat

jarang dapat dipenuhi dalam kehidupan nyata. Kesala-

18

2
han pengukuran dapat mempengaruhi varians residual,
korelasi antara variabel tak bebas dengan variabelvariabel bebasnya dan estimasi koefisien regresi.

Antar variabel bebas

diasumsikan bersifat

independen linier, artinya tidak ada hubungan linier

antar

variabel bebas (No

multicollinearity).

Untuk

mendeteksi bahwa asumsi ini dapat dipenuhi atau tidak,

dapat digunakan berbagai cara antara lain dengan:
Eigenvalues

dan Conditional

Index,

nilai VIF

dan

Tolerance, atau nilai korelasi antar variabel. Dampak

yang ditimbulkan oleh kolinieritas antara lain varians
koefisien regresi menjadi besar, interval kepercayaan
yang semakin lebar, estimasi koefisien regresi banyak
yang tidak signifikan dan bahkan kadang tidak sesuai
dengan

substansi

sehingga

menyesatkan

dalam

interpretasi hasil.
4. Asumsi tentang observasi. Asumsi ini mensyaratkan bahwa
seluruh

observasi

memiliki

tingkat

keterandalan

dan

peranan yang sama dalam menentukan hasil regresi dan

mempengaruhi kesimpulan.
Di dalam model regresi dikenal dua jenis pengujian
parameter, yaitu pengujian masing-masing parameter/koefisien
regresi secara individu dan pengujian parameter secara
bersama-sama (simultan). Pengujian parameter regresi secara
individu ( ) digunakan untuk menguji hipotesis
dan

dengan statistik uji sebagai berikut:

19

2
Statistik ini berdistribusi t-Student dengan derajat bebas
(

. Dengan membandingkan nilai statistik uji tersebut

dengan nilai kritisnya4

, dapat diketahui apakah

hipotesis nol (H0: Nilai koefisien regresi sama dengan

nol)

diterima atau tidak. Dengan kata lain, pengujian ini dapat

digunakan untuk melihat signifikansi pengaruh masing-masing
variabel bebas terhadap variabel tak bebas.
pada tingkat signifikansi

akan ditolak

jika nilai peluang statistik uji

(p-

value) lebih kecil atau sama dengan .

Pengujian

lain

yang

tidak

kalah

pentingnya

yaitu

pengujian parameter regresi secara bersama-sama (simultan).

Sesuai dengan namanya, pengujian ini digunakan untuk
melihat pengaruh seluruh variabel bebas terhadap variabel tak
bebas secara bersama-sama. Hipotesis yang digunakan adalah
dan

: minimal ada satu

, dengan

statistik uji sebagai berikut: 6

Nilai kritis adalah suatu nilai yang dibutuhkan untuk menerima atau menolak
.
Besarnya nilai ini pada dasarnya ditentukan oleh besarnya tingkat signifikansi yang
diinginkan dan distribusi yang digunakan. Selain nilai kritis, hasil uji hipotesis dapat
juga disajikan dalam bentuk nilai peluang (p-value, dinotasikan sebagai (| |)),
Untuk menyederhanakan interpretasi hasil uji hipotesis, beberapa software statistik
termasuk SPSS lebih sering menyajikan nilai (| |) atau p-value dibanding nilai
kritisnya.
5
Tingkat signifikansi dimaksudkan sebagai besarnya tingkat kesalahan yang dapat
ditolerir. Umumnya, untuk ilmu sosial, termasuk ekonomi dan keuangan, besarnya
adalah 5% (Nachrowi et.al, 2006).
6
Di dalam regresi dikenal tiga jenis jumlah kuadrat (sum of square) yang merupakan
sumber variasi data yaitu Sum of Square Total (SST), Sum of Square Error (SSE) dan
Sum of Square Regression (SSR). Untuk keperluan pengujian parameter secara
simultan (overall test), nilai SSR dan SSE masing-masing dibagi dengan derajat
bebasnya untuk memperoleh nilai rata-ratanya (yakni MSR dan MSE).
4

20

2
Statistik uji mengikuti distribusi
(

dengan derajat bebas

. Uji hipotesis biasanya disajikan dalam bentuk

tabel Anova. Analog dengan pengujian parameter secara

individu, dengan statistik uji ini
signifikansi
sama dengan

akan ditolak pada tingkat

jika nilai peluang statistik uji

kurang dari atau

; atau jika nilai statistik uji

lebih besar atau

sama dengan nilai kritisnya

Untuk mengukur kesesuaian model regresi (goodness of

fit) dengan datanya, ukuran yang lazim digunakan adalah
koefisien determinasi (dinotasikan dengan simbol R2). Koefisien
ini mengukur kecocokan antara garis regresi dengan data yang
diteliti. Secara verbal, R2 mengukur persentase dari keragaman
nilai variabel tak bebas (disebut sebagai Variasi Total) yang
dapat dijelaskan oleh model regresi. Secara matematis,
koefisien determinasi didefinisikan sebagai berikut:7

Nilai R2 berkisar antara 0 dan 1. Nilai 0 menunjukkan bahwa

model regresi yang diperoleh sama sekali tidak cocok dalam
melakukan prediksi dibandingkan dengan nilai rata-rata
variabel tak bebas yang diteliti, sementara nilai 1 menunjukkan
kecocokan yang sempurna sehingga semua pengamatan
terletak pada garis regresi.
Nilai

akan cenderung meningkat seiring dengan

bertambahnya jumlah variabel bebas dalam model regresi.

7

SST mengukur seberapa jauh data menyimpang dari rata-ratanya dan SSE
mengukur seberapa jauh data menyimpang dari nilai prediksi model. Selisih dari SST
dan SSE disebut sebagai SSR yang menjelaskan seberapa baik nilai prediksi model
dibandingkan dengan rata-rata sebenarnya.

21

2
Oleh karena itu , terdapat ukuran kesesuaian model regresi
yang lebih robust terhadap jumlah variabel bebas yang
digunakan,

dikenal

dinotasikan sebagai

dengan

sebutan

adjusted

yang

. Ukuran ini menggabungkan nilai-nilai

derajat bebas dalam model, secara matematis didefinisikan

sebagai berikut:

Nilai

akan meningkat apabila penambahan variabel bebas

dalam model mampu menggantikan derajat bebas yang hilang

dan sebaliknya.

sering digunakan untuk membandingkan

dua atau lebih model regresi dengan jumlah variabel bebas

yang berbeda-beda. Hampir semua aplikasi untuk analisis
regresi memberikan kedua ukuran kesesuaian ini, baik
maupun

2.1.2 Keterbatasan Model Regresi Klasik

Model regresi klasik menjadi sangat populer untuk
analisis data karena prosedur pengolahannya yang mudah dan
interpretasi parameternya yang sederhana. Namun demikian,
model ini ternyata masih memiliki keterbatasan. Penjelasan
mengenai keterbatasan model regresi klasik dalam tulisan ini
difokuskan pada ketidaksesuaiannya ketika diterapkan pada
data geografis, atau yang selanjutnya disebut sebagai data
spasial. Dalam menganalisis data spasial, jika efek spasial
diabaikan maka hasil analisis akan menjadi bias. Sebagaimana
pernah dikemukakan oleh Anselin (1993) bahwa lokasi suatu

22

2
wilayah paling tidak menghasilkan dua tipe efek spasial, yaitu
ketergantungan spasial (spatial dependence) dan heterogenitas
spasial (spatial heterogeneity).
Model
observasi

regresi
haruslah

klasik

mengasumsikan

bersifat

independen

bahwa
(tidak

antar
saling

berkorelasi). Asumsi ini sulit dipenuhi jika data observasi

berasal dari unit-unit geografis. Anselin (1988) menjelaskan
bahwa data spasial memiliki karakteristik dimana error-nya
saling berkorelasi (spatial dependence), sesuai kaidah geografi
yang

diungkapkan

Tobler

(kejadian)

relatif

sesuatu
geografis).

Jika

(1970) mengenai
terhadap

karakteristik

ini

keterkaitan

posisinya (secara

diabaikan,

maka

akan

menimbulkan dampak yang cukup serius pada hasil analisis.

Selain masalah asumsi, keterbatasan model regresi klasik
juga tercermin dari estimasi parameter yang dihasilkan. Dengan
metode

kuadrat

terkecil

(OLS),

model

regresi

klasik

menghasilkan nilai estimasi parameter yang bersifat global.

Dengan kata lain, estimasi parameter yang dihasilkan berlaku
sama untuk setiap unit observasi. Pada kenyataannya, seringkali
analisis dengan model yang berbasis lokal kewilayahan sangat
diperlukan karena bisa jadi hasilnya akan bervariasi dari satu
wilayah ke wilayah yang lain. Variasi semacam ini menurut
Anselin (1993) merupakan efek dari heterogenitas wilayah
(spatial heterogeneity). Lebih dari itu, hasil estimasi parameter
model yang bersifat global bisa saja sangat bertentangan
dengan hasil estimasi parameter model yang bersifat lokal,
sehingga menuntut kehati-hatian pada saat menginterpretasikannya. Situasi ini pertama kali diungkapkan oleh Simpson

23

2
(1951)8, yang menyoroti masalah perbedaan hasil ketika data
dianalisis

secara

parsial

dan

dianalisis

secara

agregat.

Permasalahan seperti ini selanjutnya dikenal sebagai Paradox

Simpson (Simpsons Paradox). Untuk lebih jelasnya, contoh
Paradox Simpson digambarkan melalui dua grafik hubungan
antara harga rumah dan kepadatan penduduk (Fotheringham,
et.al., 2002) sebagai berikut.

Sumber: Fotheringham, et.al., 2002

Gambar 2. 1 Contoh Spasial dari Paradox Simpson

Contoh di atas menjelaskan dengan baik mengenai
Paradox Simpson. Pada data yang dianalisis secara agregat
(gambar sebelah kiri) terlihat adanya hubungan yang positif
antara kepadatan penduduk dengan harga rumah. Namun
ketika data dipisahkan menurut lokasi (gambar sebelah kanan),
hubungan antara kepadatan penduduk dan harga rumah justru
menjadi negatif di kedua kelompok lokasi. Berdasarkan contoh
Paradox Simpson ini ditekankan kembali bahayanya melakukan
Paradox Simpson didasarkan pada temuan E.H Simpson pada saat mengamati
hubungan antar variabel pada tabel kontingensi 2x2x2 yang dikemukakan dalam
jurnalnya yang berjudul The Interpretation of Interaction in Contingency Tables,
Journal of the Royal Statistical Society. Series B (Methodological), Vol. 13, No. 2 (1951),
pp. 238-241.
8

24

2
analisis secara agregat karena akan memberikan informasi yang
menyesatkan pada saat interpretasi.

2.2 Model Regresi Spasial

Hukum Tobler I yang menyatakan bahwa segala sesuatu
saling terkait namun sesuatu yang lebih dekat memiliki
keterkaitan yang lebih besar juga dikuatkan dengan teori
ekologi dimana setiap elemen pada ekosistem yang saling
berdekatan memiliki kesamaan sebagai hasil dari proses yang
sama (Shrestha, 2006). Fenomena ini kemudian melahirkan isu
mengenai

autokorelasi

spasial

dan

pada

akhirnya

memunculkan model regresi spasial. Model regresi spasial yang

muncul berdasarkan fenomena tersebut merupakan model
regresi

spasial

untuk

mengakomodir

terjadinya

spatial

dependencies (bahwa perubahan variabel di suatu wilayah

dipengaruhi oleh perubahan variabel di wilayah lain yang
berdekatan). Sebagai contoh, meningkatnya pertumbuhan
ekonomi di suatu wilayah disebabkan oleh meningkatnya
pertumbuhan ekonomi di wilayah lain yang berdekatan.
Pada subbab ini akan dijelaskan mengenai autokorelasi
spasial, kriteria yang digunakan pada analisis spasial dalam
penentuan ketetanggaan, matrik penimbang spasial sebagai
dasar untuk mendeteksi keterkaitan spasial, dan pembahasan
beberapa metode regresi spasial.

25

2
2.2.1 Keterkaitan Spasial
Keterkaitan Spasial Global (Global Morans I)
Keterkaitan spasial global merupakan statistik yang
digunakan untuk mengukur keterkaitan wilayah secara umum.
Nilai statistik yang dihasilkan mewakili kondisi rata-rata dari
seluruh wilayah. Salah satu alat statistik yang digunakan untuk
mengukur keterkaitan spasial global adalah statistik Global
Morans I. Statistik Global Morans I diformulasikan sebagai
berikut

dimana adalah rata-rata pengamatan di seluruh wilayah dan

adalah penimbang keterkaitan antara wilayah i dan j.
Nilai indeks Global Morans I berada pada interval
. Nilai

positif menunjukkan terjadinya pengelom-

pokan wilayah dengan karakteristik sama. Sedangkan, nilai

negatif

menunjukkan

terjadinya

pengelompokan

dengan karakteristik berbeda. Nilai

wilayah

yang mendekati nol

menunjukkan tidak terjadi keterkaitan antar wilayah.

Keterkaitan Spasial Lokal (Local Morans I)
Keterkaitan Spasial Lokal digunakan untuk pengukuran
keterkaitan spasial yang lebih detail. Alat statistik ini dapat
mengukur keterkaitan spasial dari setiap wilayah yang menjadi
unit amatan. Indeks Local Morans I merupakan salah satu
statistik yang dapat digunakan untuk mengukur keterkaitan
spasial lokal. Melalui indeks Local Morans I, dapat dijelaskan

26

2
secara rinci wilayah mana saja yang memberikan pengaruh
signifikan terhadap keterkaitan spasial secara umum. Indeks
Local Morans I diformulasikan sebagai berikut

Besaran nilai

berada pada interval -1 sampai 1. Seperti

pada interpretasi indeks Global Morans I, nilai

positif

menunjukkan bahwa wilayah i berada pada lingkungan dengan

karakteristik yang sama dengan wilayah tersebut. Sedangkan
nilai

negatif mengindikasikan bahwa wilayah i memiliki

karakteristik yang berbeda dengan wilayah-wilayah disekitarnya.

Moran Scatterplot
Moran

scatterplot

merupakan

diagram

visualisasi

terbentuknya klaster spasial. Moran scatterplot pada dasarnya

adalah grafik hubungan linear antara nilai pengamatan wilayah
(Y) dengan nilai rata-rata tertimbang wilayah tetangga (WY).
Sumbu horisontal pada scatterplot menyatakan nilai Y,
sedangkan sumbu vertikal pada scatterplot menyatakan nilai
WY, dimana kedua nilai tersebut sudah distandardisasi9. Anselin
(1995)

menyatakan

diinterpretasikan

bahwa

sebagai

indeks

koefisien

Morans
regresi

(slope)

dapat
dari

hubungan regresi linear WY terhadap Y.

Dalam konteks ini proses standarisasi mengacu pada penghitungan nilai

skor normal (z-score) dari masing-masing variabel Y dan WY.

27

Gambar 2. 2 Moran Scatterplot

Terdapat empat kuadran pengelompokan wilayah pada
Moran scatterplot. Setiap kuadran dibatasi oleh rata-rata nilai
WY dan dibatasi oleh rata-rata nilai Y. Keempat kuadran dari
Moran scatterplot tersebut mengidentifikasikan hubungan
ketetanggaan yang dapat dijelaskan sebagai berikut.
Kuadran I, disebut juga dengan hot-spot, terletak di
bagian atas sebelah kanan. Wilayah-wilayah yang terletak pada
kuadran ini merupakan wilayah yang memiliki nilai karakteristik
tinggi dan dikelilingi oleh tetangga yang juga memiliki nilai
karakteristik tinggi. Hal ini ditunjukan oleh letak nilai amatan
yang berada di atas rata-rata Y dan WY. Untuk selanjutnya,
pengelompokan pada kuadran I disebut dengan high-high
clustering.
Kuadran II, terletak di bagian atas sebelah kiri. Kuadran
ini merupakan pengelompokan bagi wilayah yang memiliki nilai
karakteristik rendah namun dikelilingi oleh tetangga dengan
nilai karakteristik tinggi. Pengelompokan pada kuadran II
disebut dengan low-high clustering.

28

2
Kuadran III, merupakan kelompok yang terdiri atas
wilayah dengan nilai karakteristik rendah dan dikelilingi oleh
tetangga dengan karakteristik rendah (low-low clustering).
Kuadran ini terletak di bagian bawah sebelah kiri.
Kuadran IV, terletak di bagian bawah sebelah kanan.
Kuadran ini disebut dengan istilah high-low clustering karena
pada kuadran ini terdapat wilayah-wilayah dengan nilai
karakteristik tinggi yang dikelilingi oleh tetangga dengan nilai
karakteristik rendah.

2.2.2 Kriteria Ketetanggaan

Di dalam analisis data spasial, keterkaitan antar wilayah
disebut

dengan

istilah

hubungan ketetanggaan.

Kriteria

hubungan ketetanggaan dapat dilihat dari dua sisi, yaitu

hubungan ketetanggaan yang dilihat dari sisi persinggungan
perbatasan (contiguity) dan dilihat dari sisi jarak (distance).
Persinggungan perbatasan
Persinggungan perbatasan merupakan salah satu kriteria
penentuan hubungan ketetanggan dengan cara melihat
wilayah-wilayah yang berbatasan (darat) secara langsung
dengan wilayah lain. Wilayah yang memiliki hubungan
perbatasan secara langsung diasumsikan memiliki pengaruh
yang signifikan demikian sebaliknya. Beberapa cara untuk
menentukan tetangga dengan kriteria ini ditunjukan melalui
gambar berikut:

29

Gambar 2. 3 (i) Linear Contiguity, (ii) Rook Contiguity, (iii) Bishop

Contiguity, (iv) Double Linear Contiguity, (v) Double Rook
Contiguity, (vi) Queen Contiguity
i. Linear Contiguity
Ketetanggaan diihat dari persinggungan batas suatu wilayah
dengan wilayah lain yang berada di sisi barat dan timur.
ii. Rook Contiguity
Ketetanggaan diihat dari persinggungan batas suatu wilayah
dengan wilayah lain yang berada di sisi barat, timur, utara,
dan selatan.
iii. Bishop Contiguity
Ketetanggaan diihat dari persinggungan ujung perbatasan
suatu wilayah dengan wilayah lain.
iv. Double Linear Contiguity
Ketetanggaan diihat dari persinggungan batas suatu wilayah
dengan dua wilayah lain yang berada di sisi barat dan timur.

30

2
v. Double Rook Contiguity
Ketetanggaan diihat dari persinggungan batas suatu wilayah
lain dengan dua wilayah yang berada di sisi barat, timur,
utara, dan selatan
vi. Queen Contiguity
Ketetanggaan diihat dari persinggungan batas dan ujung
perbatasan yang berada di semua sisi.
Persinggungan jarak
Penentuan tetangga berdasarkan persinggungan jarak
dilakukan dengan cara mengukur jarak antara dua wilayah
dengan menarik garis lurus antara titik pusat kedua wilayah.
Titik pusat wilayah dapat berupa ibukota wilayah atau pusat
pemerintahan

dan

dinyatakan

dalam

bentuk

koordinat

kartesius. Misal koordinat titik pusat wilayah i adalah

(

) dan koordinat titik pusat wilayah j adalah

), maka jarak antara wilayah i dan j adalah jarak

Euclidean yang dinyatakan sebagai berikut:

Ada beberapa metode untuk menentukan tetangga suatu

wilayah berdasarkan kriteria persinggungan jarak. Beberapa
metode tersebut adalah:
1) Distance to All Neighbors
Metode ini mengasumsikan bahwa semua wilayah yang
berada dalam suatu kawasan (semesta analisis spasial)
adalah tetangga dan memberikan pengaruh terhadap
wilayah lain.

31

2
2) Nearest Neighbors
Tetangga pada metode ini ditentukan berdasarkan jaraknya
pada radius tertentu. Jika jarak antara dua wilayah kurang
dari radius yang ditentukan, kedua wilayah tersebut
dikatakan bertetangga. Besarnya radius atau sering disebut
jarak maksimum ditentukan berdasarkan kebijakan peneliti.

dimana

adalah jarak antara wilayah i dan j,

adalah

jarak maksimum.

(a)

(b)

Gambar 2. 4 Penentuan Wilayah Tetangga dengan Kriteria (a)

Nearest Neighbors, dan (b) K-nearest Neighbors

3) K-nearest Neighbors
Pada metode ini, jumlah tetangga terdekat ditentukan
sendiri berdasarkan asumsi tertentu. Misalkan

jumlah

tetangga terdekat yang ditentukan adalah sebanyak k

wilayah. Jadi, sejumlah k wilayah yang memiliki jarak
terdekat dengan wilayah yang menjadi amatan dikatakan
sebagai tetangga.

32

2
dimana

adalah jarak antara wilayah i dan j,

adalah

jarak wilayah i dan j pada urutan ke-k.

2.2.3 Matriks Penimbang Spasial

Penentuan kriteria ketetanggaan digunakan sebagai dasar
untuk

pembentukan

matrik

penimbang

spasial.

Matriks

penimbang spasial adalah matrik yang menggambarkan

interaksi

spasial

yang

penimbang/pembobot.

dikuantifikasikan
Elemen

pada

dalam

matriks

bentuk

penimbang

spasial dapat disusun sebagai berikut :

Baris dan kolom pada matrik penimbang menyatakan

wilayah yang menjadi unit analisis.
keterkaitan wilayah ke-i dan ke-j, dimana
untuk

adalah penimbang
dan

Untuk menghilangkan ketergantungan terhadap skala

data, elemen pada matrik penimbang spasial perlu dilakukan
standardisasi. Standardisasi yang dimaksud di sini adalah
dengan membuat modifikasi pada setiap elemen matrik agar
jumlah setiap baris pada matrik penimbang spasial sama
dengan satu. Modifikasi yang dilakukan adalah sebagai berikut:

33

2
Dari modifikasi tersebut dihasilkan matrik penimbang
terstandardisasi baris sebagai berikut

dimana

2.2.4 Model Regresi Spasial

Model regresi spasial merupakan pengembangan dari
model

regresi

klasik

dengan

mempertimbangkan

efek

keterkaitan spasial di dalamnya. Dalam perkembangannya,

dikenal

beberapa

jenis

efek

keterkaitan

spasial

yang

dipertimbangkan dalam model regresi spasial, yaitu efek

keterkaitan spasial yang terjadi pada variabel dependen, efek
keterkaitan spasial yang terjadi pada variabel independen, dan
efek keterkaitan spasial yang terjadi pada error.
Model regresi yang mempertimbangkan efek spasial pada
variabel dependen disebut dengan model regresi spasial lag.
Pada model ini, diasumsikan variabel dependen suatu wilayah
dipengaruhi oleh variabel dependen di wilayah lain. Oleh
karena itu, model regresi spasial lag disebut dengan mixed
regressive-spatial autoregressive (SAR). Efek keterkaitan spasial
pada variabel dependen atau dapat disebut dengan lag spasial
pada model ini dinotasikan dengan

. Formula model regresi

spatial lag dapat ditunjukkan sebagai berikut.

34

2
Dimana

adalah parameter model regresi,

matrik variabel dependen berukuran

variabel independen berukuran

,
,

matrik penimbang spasial

adalah matrik
adalah perkalian

dengan matrik

merupakan representasi dari lag spasial,

banyaknya observasi,

adalah

yang

menunjukkan

adalah banyaknya variabel, dan

merupakan eror random yang berdistribusi normal dengan

rata-rata 0 dan variansi

Model regresi spatial lag kemudian dikembangkan untuk

mengakomodir

efek

keterkaitan

spasial

pada

variabel

independen. Model ini disebut dengan model spasial Durbin

atau Spatial Durbin Model (SDM). Pada model ini, variabel lag
spasial

selain

direpresentasikan

direpresentasikan dengan
matrik penimbang spasial

dengan

juga

yang merupakan perkalian

dengan matrik

. Model

regresi spasial Durbin dapat diformulasikan menjadi

;
dimana

adalah parameter model regresi.

Dalam penerapannya, terkadang ditemui efek keterkaitan

spasial yang tidak terukur dalam model seperti terjadinya
bencana alam di suatu daerah yang berdampak pada kondisi
perekonomian wilayah lain atau adanya variabel yang memiliki
keterkaitan spasial namun tidak teramati dalam model. Efek
keterkaitan spasial seperti ini disebut dengan efek keterkaitan
spatial error. Untuk mengakomodir terjadinya efek keterkaitan
spatial error, Ramirez dan Loboguerrero (2002) menyarankan
untuk menggunakan model spatial error yang diformulasikan
seperti berikut.

35

dimana

adalah parameter model regresi. Semua

parameter pada model regresi spasial di atas dapat diestimasi

menggunakan metode estimasi Maximum Likelihood.

2.2.5 Keterbatasan Model Regresi Spasial

Pada data yang berbasis kewilayahan, model regresi spasial
akan lebih tepat untuk diterapkan dibandingkan dengan model
regresi klasik . Model regresi klasik tidak cocok diterapkan pada
data yang berbasis kewilayahan antara lain karena model
regresi klasik tidak mempertimbangkan keterkaitan spasial dan
tidak dapat menangkap unsur ketidakstabilan karakteristik
wilayah (space instability) dari koefisien yang diestimasi (Anselin
dan Griffith, 1988; Fotheringham, Brunson, dan Charlton, 1996).
Walaupun model regresi spasial lebih tepat diterapkan
pada data berbasis kewilayahan, model ini memiliki sifat yang
sama dengan model regresi klasik yaitu sama-sama merupakan
model regresi global. Hal ini berarti setiap wilayah yang
menjadi amatan diasumsikan bersifat stasioner atau memiliki
karakteristik yang sama.
Pada kenyataannya, menurut Anselin (1993), setiap wilayah
mungkin memiliki karakteristik yang berbeda-beda (disebut
dengan istilah heterogenitas spasial).

Hal ini terjadi akibat

perbedaan antara satu wilayah dengan wilayah lain

yang

ditunjukkan oleh keunikan masing-masing wilayah (Husna,

36

2
2012). Kondisi ini juga dikenal dengan istilah spatial nonstationarity.
Berdasarkan penjelasan tersebut, keterkaitan spasial yang
terjadi

pada

analisis

kewilayahan

bukan

hanya

berupa

dependensi spasial tetapi juga berupa heterogenitas spasial.

Sebagai gambaran, angka harapan hidup di suatu daerah
dipengaruhi oleh variabel lain pada wilayah yang berdekatan.
Di sisi lain, angka harapan hidup di setiap wilayah memiliki
variasi yang berbeda-beda dalam hubungannya dengan
variabel independen yang mempengaruhinya.
Uraian di atas menunjukkan bahwa penerapan model
regresi global, baik model spasial maupun non-spasial masih
belum cukup untuk mengakomodir fenomena keterkaitan
spasial yang terjadi. Jika model regresi spasial yang bersifat
global diterapkan pada kondisi yang bersifat spatial nonstationarity, akan dihasilkan kesimpulan yang kurang tepat, bias
pada estimasi parameter,

dan residual yang memiliki

autokorelasi spasial yang tinggi. Selain itu, keberadaan spatial

non-stationarity yang tidak diakomodir akan menyebabkan
pelanggaran

dalam

asumsi

klasik

yaitu

pada

asumsi

homoskedastisitas.
Oleh karena alasan tersebut, dibutuhkan adanya teknik
regresi spasial baru yang dapat menanggulangi permasalahan
pada analisis kewilayahan. Fotheringham, Brunsdon, dan
Charlton (2002) menyarankan sebuah model yang dinamakan
Geographically Weighted Regression (GWR) dimana model
tersebut merupakan model yang bersifat lokal dan dapat
mengakomodir keterkaitan spasial, baik dilihat dari sisi
dependensi spasial maupun heterogenitas spasial.

37

2
2.2.6 Diagnosis Residual Model Regresi
Uji Normalitas Error (Jarque-Bera)
Statistik uji Jarque-Bera digunakan untuk mengidentifikasi
apakah error pada model regresi berdistribusi normal. JarqueBera merupakan statistik uji yang menggabungkan skala
kemencengan (skewness) dan skala keruncingan (kurtosis). Skala
kemencengan (skewness) memberikan ukuran seberapa simetris
objek amatan terhadap mean, dinotasikan dengan S. Untuk
distribusi normal, nilai skala kemencengan adalah 0. Skala
keruncingan (kurtosis) memberikan ukuran ketebalan pada
fungsi

kepadatan

peluang

(probability

density

function),

dinotasikan dengan K. Untuk distribusi normal, nilai skala

keruncingan adalah 3.
Pengujian normalitas error Jarque-Bera menggunakan
hipotesis sebagai berikut.
H0: S=0 dan K=3 (error berdistribusi normal)
H1: S0 dan K3 (error tidak berdistribusi normal)
Formula statistik uji yang digunakan adalah:
[

Statistik uji Jarque Bera sebanding dengan distribusi Chi-Square

dengan derajat bebas 2.

38

2
Uji Heteroskedastisitas (Breusch-Pagan)
Salah satu asumsi yang harus dipenuhi dalam pemodelan
regresi klasik adalah asumsi homoskedastisitas. Homoskedastisitas adalah keadaan dimana error pada model memiliki ragam
yang konstan dan kovarian error sama dengan nol. Salah satu
alat statistik yang digunakan untuk menguji apakah sebuah
model bersifat homoskedastis adalah uji statistik BreuschPagan. Breusch-Pagan sebanding dengan distribusi chi-square
dengan degrees of freedom K-1, dimana K adalah banyaknya
parameter dalam model.

39

40

Bab 3. Model
Geographically
Weighted
Regression (GWR)

41

3
Bab 3. Model Geographically Weighted
Regression (GWR)
3.1 Pengertian Model GWR
Salah satu hal yang harus mendapat perhatian pada
penanganan data spasial adalah munculnya

heterogenitas

spasial (Yasin, 2011). Heterogenitas spasial terjadi karena

adanya perbedaan kondisi wilayah baik dari segi geografis,
sosial-budaya maupun hal-hal lain yang melatarbelakanginya.
Terkait dengan model regresi yang digunakan sebagai alat
analisis, penerapan metode ini pada data spasial dapat
menimbulkan nonstasioneritas spasial pada parameter regresi,
yaitu kondisi dimana parameter regresi bervariasi secara spasial
karena adanya pengaruh heterogenitas spasial.
Model regresi global atau dikenal sebagai model regresi
linier klasik mengasumsikan bahwa nilai estimasi parameter
regresi bersifat umum dan berlaku sama di setiap wilayah yang
diteliti. Bila terjadi heterogenitas spasial pada parameter
regresi, maka informasi yang tidak dapat ditangani oleh
metode regresi klasik akan ditampung sebagai error (galat
pengukuran). Akibatnya, model regresi linier klasik menjadi
kurang tepat jika digunakan untuk menjelaskan fenomena yang
sebenarnya. Untuk mengatasi masalah heterogenitas spasial
tersebut, regresi linier klasik kemudian dikembangkan menjadi
model Geographically Weighted Regression (GWR).
Dalam model GWR, parameter regresi diasumsikan
bersifat lokal atau bervariasi secara spasial. Dengan kata lain,

43

3
GWR mampu menghasilkan estimasi parameter untuk setiap
titik lokasi (wilayah) yang diteliti. Model GWR secara matematis
dapat dituliskan sebagai berikut:
(4.1)

Dimana,
= nilai variabel dependen pada wilayah ke-i

= nilai variabel independen ke-j pada wilayah ke-i

= titik koordinat lokasi wilayah ke-i
= konstanta/intercept pada wilayah ke-i
= parameter variabel prediktor ke-j (

) pada wilayah

ke-i
= banyaknya variabel prediktor
= random

error

yang

diasumsikan

berdistribusi

3.2 Penimbang Spasial dalam Model GWR

Dalam mengatasi masalah heterogenitas spasial, pada
model GWR digunakan penimbang untuk setiap lokasi
(wilayah) yang diteliti. Secara umum diasumsikan bahwa
wilayah yang dekat dengan suatu wilayah ke-i

akan

memberikan pengaruh yang lebih besar dibandingkan dengan

wilayah lain yang lebih jauh. Dengan demikian, penimbang
untuk wilayah-wilayah yang berdekatan secara geografis akan
bernilai lebih besar dibandingkan dengan penimbang untuk
wilayah-wilayah yang berjauhan secara geografis. Terdapat
beberapa jenis penimbang yang dapat digunakan, antara lain
sebagai berikut.

44

3
3.2.1 Fungsi Kebalikan Jarak
Salah satu cara untuk mendapatkan penimbang adalah
dengan mencari kebalikan dari jarak. Dengan cara ini maka
penimbang yang merepresentasikan keterkaitan antara wilayah
ke-i dan ke-j adalah 1/

, dimana

adalah jarak euclidean

antara wilayah ke-i dan ke-j, yang didefinisikan dengan:

Dimana

nilai

dan

masing-masing

menunjukkan titik koordinat lokasi wilayah ke-i dan ke-j.

Penimbang tersebut di atas menunjukkan bahwa semakin
jauh jarak antar wilayah, maka nilai penimbangnya akan
semakin kecil. Di samping itu, salah satu kelemahan dari
penimbang ini adalah self-weight (besarnya penimbang suatu
wilayah relatif terhadap wilayah itu sendiri) nilainya tidak
berhingga (). Oleh karena itu, alternatif penimbang lain
adalah dengan menyisihkan observasi yang lokasinya terlalu
jauh dari lokasi yang diamati dengan menetapkan batasan
radius (r) tertentu. Jika jarak lokasi wilayah ke-i dan ke-j lebih
besar dari r, maka nilai penimbang yang merepresentasikan
keterkaitan antara wilayah ke-i dan ke-j diberi nilai nol, atau
secara matematis dituliskan:
{
Fungsi penimbang di atas masih memiliki masalah
diskontinuitas wilayah, karena terhadap beberapa wilayah (di
luar radius r dari wilayah ke-i) keterkaitan spasial antara wilayah
ke-i dan ke-j seakan menghilang begitu saja.

45

3
3.2.2 Fungsi Kernel
Untuk mengatasi masalah tersebut, penimbang
diubah menjadi sebuah fungsi dari jarak

dapat

yang bersifat

kontinu dan turun secara monoton. Fungsi Kernel dapat

digunakan untuk keperluan tersebut, dimana pada fungsi ini
terdapat nilai konstanta b yang mengontrol seberapa jauh jarak
(radius) yang masih mempengaruhi wilayah ke-i. Fungsi kernel
yang biasa digunakan sebagian besar adalah Fungsi Kernel
Gaussian dan fungsi Bisquare/Tricube.
a. Fungsi Kernel Gaussian
Fungsi ini didefinisikan sebagai berikut (Fotheringham,
Brunsdon, dan Charlton, 2002):
[

) ]

Dimana b adalah sebuah parameter nonnegatif, biasa

disebut sebagai bandwidth, yang berarti jarak (radius) yang
masih memberikan pengaruh pada suatu wilayah tertentu.
Jika indeks i dan j bernilai sama, maka nilai penimbangnya
akan sama dengan 1. Sementara itu jika nilai i dan j tidak
sama, maka penimbang

antara wilayah ke-i dan ke-j

nilainya akan semakin menurun mengikuti kurva Normal

(Gaussian) seiring dengan semakin jauhnya jarak antara
wilayah ke-i dan ke-j.
b. Fungsi Kernel bisquare/tricube
Secara spesifik, persamaan fungsi penimbang bisquare
adalah sebagai berikut (Fotheringham, Brunsdon, dan
Charlton, 2002):

46

3
{[

) ]

Fungsi ini merupakan fungsi penimbang yang kontinu

dan nilainya menyerupai kurva Normal (Gaussian) untuk
wilayah yang radiusnya maksimum sejauh b dari wilayah kei dan bernilai nol untuk wilayah yang radiusnya dari wilayah
ke-i lebih besar daripada b. Jika bandwidth b bernilai sangat
besar (mendekati tak terhingga), maka fungsi penimbang ini
akan cenderung bernilai sama untuk semua pasang nilai
indeks (i, j ) sehingga estimasi parameter yang dihasilkan
akan menjadi seragam untuk semua wilayah dan model
GWR menjadi ekuivalen dengan model regresi linier klasik.
Sebaliknya, jika nilai bandwidth b semakin kecil, estimasi
parameter akan semakin dipengaruhi oleh lokasi wilayah
yang berdekatan dengan wilayah ke-i dengan nilai varians
yang semakin meningkat.
Selain itu, ada juga fungsi kernel tricube yang diajukan
oleh

McMillen

(1996)

sebagai

penimbang

dengan

persamaan yang mirip dengan bisquare, yaitu:

{[

) ]

c. Penimbang Adaptif (Adaptive Weighting)

Berdasarkan pada nilai bandwidth yang digunakan,
fungsi kernel spasial dibagi menjadi dua kategori, yaitu
fungsi kernel spasial yang tetap (fixed) atau adaptif

47

3
(adaptive). Pada fungsi kernel spasial tetap, satu nilai
bandwidth optimum ditetapkan dan kemudian diberlakukan
di seluruh wilayah yang diteliti seperti ilustrasi pada gambar
dibawah ini.

Weighting function

d
d
6 tetangga

2 tetangga

Fixed Bandwidth

Gambar 3. 1 Ilustrasi Fungsi Kernel Spasial Tetap (Fixed)

Pendekatan ini kurang cocok untuk diterapkan pada
wilayah-wilayah dengan lokasi yang relatif berjauhan satu
sama lain (sparse), karena model regresi lokal (GWR) bisa
jadi akan diestimasi menggunakan data yang relatif sedikit
(karena banyaknya wilayah yang tercakup dalam bandwidth
relatif sedikit). Oleh karena itu estimasi yang dihasilkan juga
akan relatif bervariasi sehingga mengesankan adanya
heterogenitas spasial yang tinggi pada data yang diteliti.
Sebaliknya untuk wilayah-wilayah dengan lokasi yang relatif
berdekatan (dense), pendekatan ini dapat menutup kesan
adanya heterogenitas spasial pada data yang diteliti
(Fotheringham et al, 2002; Paez et al, 2002).

48

3
Untuk mengatasi masalah tersebut, fungsi kernel adaptif
dapat diterapkan pada model GWR. Nilai bandwidth pada
fungsi ini ditetapkan berdasarkan pada proporsi (persentase
dari total wilayah yang diteliti) atau banyaknya tetangga
wilayah terdekat. Dengan kata lain, penimbang spasial
adaptif menerapkan bandwidth yang relatif kecil di wilayahwilayah dengan lokasi yang relatif berdekatan (dense), dan
bandwidth yang relatif besar di wilayah-wilayah dengan
lokasi yang relatif berjauhan satu sama lain (sparse). Ilustrasi
fungsi kernel adaptif diperlihatkan dalam gambar dibawah
ini.
Weighting function

d1

3 tetangga
d2
3 tetangga

Adaptive Bandwidth

Gambar 3. 2 Ilustrasi Fungsi Kernel Spasial Adaptif

Contoh fungsi penimbang adaptif bisquare adalah
sebagai berikut,
{[

) ]

49

3
dimana bi merupakan nilai bandwidth yang berbeda-beda
untuk

setiap

wilayah

ke-i

sesuai

dengan

proporsi

(persentase dari total wilayah yang diteliti) atau banyaknya

tetangga wilayah terdekat yang telah ditetapkan.

3.3 Kalibrasi Model dan Pemilihan Bandwidth

Dalam prakteknya, hasil estimasi model GWR tidak terlalu
sensitif terhadap pemilihan fungsi penimbang. Akan tetapi
model GWR tersebut justru sangat sensitif terhadap pemilihan
bandwidth dari fungsi penimbang yang dipilih. Oleh karena itu,
penentuan nilai optimal bandwidth sangat diperlukan sebagai
bagian dari penyusunan model GWR (Fotheringham, Brunsdon, dan Charlton, 2002).

x = titik regresi

= penimbang bagi titik data ke-j pada titik regresi ke-i

= titik data

= jarak antara titik regresi ke-i dan titik data ke-j

Gambar 3. 3 Ilustrasi Fungsi Penimbang dalam model GWR

Gambar 3.3 diatas menunjukkan bahwa bandwidth adalah
sebuah

pengukuran

yang

bersifat

distance-decay

(yang

menunjukkan penurunan nilai penimbang seiring dengan

50

3
semakin jauhnya jarak antar wilayah). Nilai penimbang
mengikuti suatu fungsi (berbentuk kurva tertentu) yang bernilai
antara nol sampai dengan satu. Nilai penimbang akan semakin
besar jika posisi wilayah ke-i dan ke-j semakin dekat, sebaliknya
nilai penimbang akan semakin kecil dengan semakin jauhnya
jarak antar wilayah ke-i dan ke-j.
Salah satu contoh fungsi penimbang adalah yang
mengikuti fungsi Gaussian misalnya, dengan formula sebagai
berikut:
[

) ]

Dimana b menunjukkan nilai bandwidth. Jika nilai b terlalu

besar (mendekati tak terhingga), nilai penimbang akan
mendekati satu untuk semua lokasi penelitian sehingga
estimasi parameter akan menjadi konstan dan GWR menjadi
setara dengan OLS. Sebaliknya, jika bandwidth semakin kecil
(hingga mendekti nol), maka estimasi parameter untuk setiap
wilayah ke-i akan semakin variatif hingga berdampak pada nilai
varians yang semakin besar. Oleh karena itu pemilihan nilai
bandwidth yang tepat atau optimal untuk model GWR
sangatlah diperlukan.
Terdapat beberapa metode yang dapat digunakan dalam
menentukan nilai

bandwidth optimum, antara lain metode

Cross Validation (CV), Generalised Cross

Validation

(GCV),

Akaike Information Criterion (AIC), dan Bayesian Information

Criterion (BIC).

51

3
Metode Cross Validation (CV) disarankan oleh Cleveland
(1979) dan Bowman (1984) dalam Fotheringham, et al (2002).
Bandwidth optimum diperoleh jika nilai CV

yang dihasilkan

adalah yang paling minimum. Nilai CV dapat diperoleh dari

persamaan berikut
[
Dimana
dimana

adalah nilai prediksi dari

nilai

pengamatan

untuk

(fitted value)

wilayah

ke-i

tidak

diikutsertakan dalam proses penghitungan jumlah kuadrat

(kalibrasi model). Proses untuk meminimumkan CV bisa
dilakukan dengan menggunakan teknik Golden Section Search.
Disamping itu terdapat juga kriteria Generalised Cross
Validation (GCV)

yang dijelaskan oleh Loader (1999) dalam

Fotheringham, et al (2002). Rumus GCV adalah sebagai berikut:

dimana

adalah jumlah parameter yang terdapat dalam

model.
Selain itu, metode lain yang dapat digunakan untuk
menentukan

bandwidth

meminimumkan

nilai

yang

Akaike

optimum
Information

adalah

dengan

Criterion

(AIC).

Menurut Huvrich et.al. (1998), formula AIC untuk GWR adalah

sebagai berikut:

Dimana

menunjukkan banyaknya sampel, adalah estimasi

nilai standard error, dan

52

adalah trace dari hat matrix.

3
Kriteria AIC lebih umum digunakan dan mudah dalam
aplikasinya. Semakin kecil nilai AIC maka model prediksi yang
dilakukan model GWR akan semakin baik.
Kriteria lain yang dapat digunakan untuk memilih
badwidth optimal adalah dengan menggunakan Bayesian
Information Criterion (BIC) (Fotheringham, 2002). Formula BIC
dapat dituliskan sebagai berikut:

Dimana L adalah nilai fungsi likelihood dari model, k

adalah banyaknya parameter dalam model dan n adalah
ukuran sampel.

3.4 Estimasi Parameter

Dengan memperhatikan rumusan fungsi dalam model
GWR, jumlah parameter yang tidak diketahui lebih banyak
dibandingkan

dengan

jumlah

derajat

bebasnya.

Untuk

mengatasi permasalahan tersebut, estimasi parameter model

GWR

dihitung

sebagaimana

model

regresi

tertimbang

(weighted regression) dengan penimbang untuk setiap unit

wilayah

pengamatan

berupa

fungsi

jarak

dari

titik

sebagaimana telah dijelaskan pada subbab sebelumnya. Nilai

estimator dari model GWR dirumuskan sebagai berikut:

Dimana

53

3
dan
[

wij adalah penimbang untuk wilayah pengamatan ke-j

pada kalibrasi model untuk wilayah ke-i. Penimbang ini nilainya
berviariasi untuk masing-masing wilayah ke-i. Hal inilah yang
membedakan model GWR dari model WLS (Weighted Least
Squares) yang memiliki matriks penimbang konstan (fixed).

3.5 Uji Kecocokan Model (Goodness of Fit Test)

Pembentukan model GWR mempertimbangkan efek spasial di dalam data yang diteliti sehingga model ini memiliki
parameter yang bersifat lokal (spesifik untuk masing-masing
unit wilayah pengamatan). Keragaman nilai parameter yang
bersifat lokal ini disebut dengan istilah non stasionaritas spasial
atau heterogenitas spasial. Dengan pertimbangan ini diharapkan model GWR mampu memberikan nilai prediksi yang lebih
baik jika dibandingkan dengan model regresi linier klasik (RLB).
Disamping itu perlu juga dilakukan pengujian terhadap heterogenitas spasial dari parameter model yang didapat untuk
mengetahui kecocokan model GWR dengan data yang diteliti.
Untuk keperluan ini dapat dilakukan beberapa uji sebagai
berikut:
Menguji kecocokan model GWR secara keseluruhan:
Hipotesis: Model GWR memberikan prediksi yang lebih baik
daripada model RLB

54

3
Pengujian terhadap hipotesis ini dapat dilakukan
dengan melakukan penghitungan tabel analisis varians
(ANOVA) untuk kemudian melakukan uji F (Chasco, et al,
2007). Tabel ANOVA digunakan untuk membandingkan
jumlah kuadrat residual yang dihasilkan oleh model GWR
dengan jumlah kuadrat residual yang dihasilkan oleh model
RLB. Model GWR akan memberikan jumlah kuadrat residual
yang relatif lebih baik (kecil nilainya) dibandingkan dengan
model RLB jika nilai statistik uji F (F ratio) yang dihasilkan
lebih besar dari nilai F teoretis.
Menguji koefisien variabel bebas secara keseluruhan:
Hipotesis: Koefisien variabel bebas berlaku lokal (spesifik)
untuk masing-masing wilayah penelitian
Pengujian terhadap hipotesis di atas dilakukan dengan
membandingkan 2 model (yang disebut original GWR dan
switched GWR) menggunakan kriteria tertentu (antara lain:
AICc, AIC, BIC, atau CV). Jika original GWR model adalah:

Maka, model switched GWR adalah sebagai berikut,

- Fixed Constant Model untuk menguji local constant:

- Fixed Slope Model untuk menguji local slope:

Jika nilai kriteria, misalnya AIC, untuk original GWR

lebih kecil daripada Fixed Slope Model, maka koefisien

55

3
signifikan bervariasi secara spasial, dan sebaliknya.
Beberapa perangkat lunak seperti GWR4 menghitung
pengurangan nilai kriteria model original GWR dengan nilai
kriteria model Fixed Constant atau Fixed Slope dengan nama
Difference Criterion. Sehingga jika Difference Criterion
bernilai negatif maka Koefisien variabel bebas berlaku lokal
(spesifik) untuk masing-masing wilayah penelitian.

3.6 Interpretasi Parameter

Model regresi global dengan metode estimasi parameter
OLS akan menghasilkan estimasi parameter yang sifatnya
umum (konstan) untuk seluruh wilayah penelitan. Setiap nilai
parameter yang diestimasi tersebut masing-masing memiliki
tanda dan ukuran. Tanda positif pada estimasi parameter
regresi memberikan arti bahwa ketika terjadi peningkatan nilai
variabel bebas yang diukur oleh parameter tersebut, akan
menyebabkan

peningkatan

nilai

variabel

tak

bebasnya.

Sebaliknya, tanda negatif pada estimasi parameter regresi

memberikan arti bahwa ketika terjadi peningkatan nilai variabel
bebas

yang

diukur

oleh

parameter

tersebut,

akan

menyebabkan penurunan nilai variabel tak bebasnya. Besarnya

perubahan nilai variabel tak bebas tersebut tergantung pada
besarnya nilai estimasi parameter. Sebagai contoh, sebuah
model dengan bentuk
bahwa ketika

memberikan informasi

berniai nol,

setip perubahan 1 unit

diduga bernilai 0,5. Selanjutnya,

akan menurunkan nilai

sebesar 0,7.

Model GWR merupakan pengembangan dari model

regresi dimana parameter model bersifat lokal. Artinya, masing-

56

3
masing lokasi penelitian memiliki persamaan regresi yang
parameternya berbeda-beda antar lokasi. Dengan demikian,
interpretasi parameter model GWR di masing-masing lokasi
penelitian sama dengan interpretasi prameter pada model
regresi global. Kelebihan dari model GWR ini adalah peneliti
bisa memetakan hasil dari estimasi parameter di masingmasing lokasi penelitian sehingga fenomena heterogenitas
spasial akan nampak terjelaskan.

57

58

Bab 4. Aplikasi
Model GWR untuk
Analisis Data
Angka Melek
Huruf

59

60

4
Bab 4. Aplikasi Model GWR untuk
Analisis Data Angka Melek Huruf
4. 1 Pengertian Angka Melek Huruf

Melek huruf adalah kemampuan membaca dan menulis.

Melek huruf juga dapat diartikan sebagai kemampuan untuk
menggunakan bahasa dan menggunakannya untuk mengerti
sebuah bacaan, mendengarkan perkataan, mengungkapkannya
dalam bentuk tulisan, dan berbicara. Dalam perkembangan
modern kata ini lalu diartikan sebagai kemampuan untuk
membaca dan menulis pada tingkat yang baik untuk
berkomunikasi dengan orang lain, atau dalam taraf bahwa
seseorang dapat menyampaikan idenya dalam masyarakat
yang mampu baca-tulis, sehingga dapat menjadi bagian dari
masyarakat tersebut (Wikipedia).
Organisasi PBB untuk Pendidikan, Ilmu Pengetahuan dan
Kebudayaan (UNESCO) memiliki definisi sebagai berikut:
Melek huruf adalah kemampuan untuk mengidentifikasi,
mengerti, menerjemahkan, membuat, mengkomunikasikan dan
mengolah isi dari rangkaian teks yang terdapat pada bahanbahan cetak dan tulisan yang berkaitan dengan berbagai
situasi.
Angka Melek Huruf (AMH) merupakan salah satu
indikator penting dalam mengukur tingkat pendidikan. AMH

61

4
mengindikasikan kemampuan penduduk untuk membaca dan
menulis. Bagaimanapun juga kemampuan dasar pertama kali
yang dimiliki seseorang untuk dapat menambah dan mengasah
ilmu pengetahuan adalah dengan membaca dan menulis (IPM
Provinsi Papua Barat, 2010).
Menurut Badan Pusat Statistik (2010), AMH didefinisikan
sebagai persentase penduduk usia 15 tahun ke atas yang dapat
membaca dan menulis huruf latin dan atau huruf lainnya.
Dalam perhitungan Indeks Pembangunan Manusia (IPM),
AMH digunakan sebagai salah satu indikator yang digunakan
untuk mengukur tingkat pembangunan manusia di bidang
pendidikan bersama dengan indikator Rata-rata Lama Sekolah
(RLS). Indikator AMH ini mempunyai bobot dua kali lebih besar
dari indikator RLS.
AMH digunakan untuk melihat pencapaian indikator dasar
yang telah dicapai oleh suatu daerah, karena membaca
merupakan dasar utama dalam memperluas ilmu pengetahuan.
AMH merupakan indikator penting untuk melihat sejauh mana
penduduk suatu daerah terbuka terhadap pengetahuan.
Sebagai indikator tunggal, AMH dapat digunakan untuk:
a) menunjukkan kemampuan penduduk di suatu wilayah
dalam menyerap informasi dari berbagai media.
b) mengukur keberhasilan program-program pemberantasan
buta huruf, terutama di daerah pedesaan di Indonesia
dimana masih tinggi jumlah penduduk yang tidak pernah
bersekolah atau tidak tamat SD.
c) menunjukkan kemampuan untuk berkomunikasi secara
lisan dan tertulis. Sehingga angka melek huruf dapat

62

4
berdasarkan

kabupaten

mencerminkan

potensi

perkembangan intelektual sekaligus kontribusi terhadap

pembangunan daerah.
Cara menghitung AMH adalah dengan membagi jumlah
penduduk usia 15 tahun ke atas yang dapat membaca dan
menulis dengan jumlah penduduk usia 15 tahun ke atas
kemudian hasilnya dikalikan dengan seratus.
Secara matematis, rumusnya adalah sebagai berikut:

dimana:
= angka melek huruf (penduduk usia 15 tahun ke
atas) pada tahun t
= jumlah penduduk (usia 15 tahun ke atas) yang
bisa membaca dan menulis pada tahun t
= jumlah penduduk usia 15 tahun ke atas
Data yang diperlukan dalam penghitungan AMH adalah
data jumlah penduduk berumur 15 tahun ke atas yang bisa
membaca dan menulis dan jumlah penduduk umur 15 tahun ke
atas secara keseluruhan. Berdasarkan rumusan di atas, maka
batas maksimum untuk AMH, adalah 100 sedangkan batas
minimum 0 (sesuai dengan standar UNDP).
Menurut Kusnadi dalam Ahdinilla (2005), faktor-faktor
yang mempengaruhi buta huruf terdiri dari kemiskinan
penduduk; putus sekolah dasar (SD); drop out program
Pendidikan Luar Sekolah (PLS); kondisi sosial masyarakat yang

63

4
meliputi kesehatan dan gizi masyarakat, demografis dan
geografis, aspek sosiologis, issue gender, serta penyebab
struktural (baik dalam skala makro, mikro, maupun aspek
kebijakan).
Beberapa penelitian terkait diantaranya: Anindita dalam
Pradipta (2010), meneliti variabel-variabel yang mempengaruhi
AMH dan RLS dengan menggunakan Regresi Multivariat. Hasil
penelitian menunjukkan bahwa persentase penduduk yang
tinggal di perkotaan, persentase penduduk yang berpendidikan
di atas SLTP, penduduk usia > 15 tahun yang belum atau tidak
sekolah, pendapatan per kapita, Angka Partisipasi Sekolah
(APS) SD, dan persentase penduduk miskin berpengaruh
terhadap AMH dan RLS.
Sementara itu, Firmansyah dan Sutikno (2010) menduga
kepadatan penduduk, rasio penduduk miskin per Jumlah
Penduduk, rasio anggaran pendidikan per APBD, rasio tenaga
pendidik SD per jumlah siswa SD, rasio tenaga pendidik SMP
per Jumlah siswa SMP, rasio fasilitas fisik pendidikan SD per
Jumlah siswa SD, rasio fasilitas fisik pendidikan SMP per jumlah
siswa SMP, angka partisipasi murni usia 7-12 tahun, dan angka
partisipasi murni Usia 13-15 tahun berpengaruh terhadap AMH.
Hasil penelitian menunjukkan bahwa AMH dipengaruhi secara
signifikan oleh rasio penduduk miskin, rasio tenaga pendidik
SD, rasio tenaga pendidik SMP, dan angka partisipasi
murni 13-15 tahun.
Lailiyah

dan

Purhadi

(2012),

dalam

penelitiannya

menggunakan variabel prediktor persentase penduduk miskin,

persentase daerah berstatus kota, tingkat pengangguran
terbuka, persentase pekerja sosial masyarakat, dan angka

64

4
partisipasi murni SD, menyatakan bahwa persentase daerah
berstatus kota dan angka partisipasi murni Sekolah Dasar merupakan
faktor yang mempengaruhi tingkat buta huruf tiap kabupaten/kota di
Jawa Timur. Kedua faktor tersebut berpengaruh secara positif
terhadap model.

4. 2 Sumber Data

Berdasarkan pada faktor-faktor yang mempengaruhi AMH

di atas, dilakukan pengumpulan data yang berasal dari survey
yang telah dilaksanakan oleh Badan Pusat Statistik (BPS).
Beberapa faktor-faktor tersebut dapat dipenuhi datanya dari
Survey Sosial Ekonomi Nasional (SUSENAS). Untuk memenuhi
kelengkapan data dalam lingkup kabupaten/kota di seluruh
wilayah Indonesia, dalam penelitian ini digunakan data yang
diperoleh dari hasil Susenas tahun 2010.
Variabel-variabel yang telah tersedia secara lengkap
datanya untuk wilayah kabupaten/kota di seluruh Indonesia
dan digunakan dalam penelitian ini adalah sebagai berikut:
1.

Angka Melek Huruf tahun 2010 per kabupaten

Angka Melek Huruf didefinisikan sebagai proporsi penduduk usia 15 tahun ke atas yang mempunyai kemampuan
membaca dan menulis huruf latin dan huruf lainnya, tanpa
harus mengerti apa yang di baca/ditulisnya terhadap
penduduk usia 15 tahun ke atas.

2.

Tingkat Pengangguran Terbuka (TPT)

65

4
Tingkat

Pengangguran

persentase

jumlah

Terbuka

didefinisikan

pengangguran

terhadap

sebagai
jumlah

angkatan kerja.
3.

Angka Partisipasi Murni SD (APM SD)

Angka Partisipasi Murni SD didefinisikan sebagai proporsi
penduduk pada kelompok umur jenjang pendidikan SD
(usia 7-12 tahun) yang masih bersekolah terhadap
penduduk pada kelompok umur tersebut.

4.

Angka Partisipasi Murni SMP (APM SMP)

Angka Partisipasi Murni SMP didefinisikan sebagai proporsi
penduduk pada kelompok umur jenjang pendidikan SMP
(usia 13-15 tahun) yang masih bersekolah terhadap
penduduk pada kelompok umur tersebut.

5.

Angka Gizi Buruk

Gizi buruk adalah keadaan kurang gizi yang disebabkan
karena kekurangan asupan energi dan protein juga
mikronutrien dalam jangka waktu lama. Anak disebut gizi
buruk apabila berat badan dibanding umur tidak sesuai
(selama 3 bulan berturut-turut tidak naik) dan tidak disertai
tanda-tanda bahaya. Angka gizi buruk didefinisikan sebagai
persentase jumlah balita gizi buruk terhadap seluruh
jumlah balita.

6.

Produk Domestik Regional Bruto (PDRB) Perkapita

PDRB perkapita didefinisikan sebagai nilai PDRB dibagi
jumlah penduduk dalam suatu wilayah per periode
tertentu.

66

4
7.

Rata-rata Lama Sekolah (RLS)

Rata-rata Lama Sekolah didefinisikan sebagai jumlah tahun
belajar penduduk usia 15 tahun ke atas yang telah
diselesaikan dalam pendidikan formal (tidak termasuk
tahun yang mengulang).

8.

Persentase Penduduk Miskin

Persentase

Penduduk

persentase penduduk

Miskin
yang

didefinisikan

berada

sebagai

di bawah

garis

kemiskinan.
9.

Persentase

Desa

Menggalakkan

Program

Keaksaraan

Desa

Menggalakkan

Program

Keaksaraan

Fungsional
Persentase

Fungsional didefinisikan sebagai perbandingan antara

jumlah desa yang menyelenggarakan program keaksaraan
fungsional

dengan

jumlah

total

desa

dalam

satu

kabupaten/kota yang dinyatakan dalam bentuk persentase.

10. Persentase Desa dgn jarak SMP terdekat >10 km
Perbandingan

antara

jumlah

desa

yang

jarak

SMP

terdekatnya lebih dari 10 km dengan jumlah total desa

dalam satu kabupaten/kota yang dinyatakan dalam bentuk
persentase.
11. Persentase Desa dgn jarak SD terdekat >10 km
Persentase Desa dgn jarak SD terdekat >10 km did
efinisikan sebagai perbandingan antara jumlah desa yang
jarak SD terdekatnya lebih dari 10 km dengan jumlah total

67

4
desa dalam satu kabupaten/kota yang dinyatakan dalam
bentuk persentase.
12. Angka Harapan Hidup (AHH)
Angka Harapan Hidup didefinisikan sebagai rata-rata tahun
hidup yang masih akan dijalani oleh seseorang yang telah
berhasil mencapai umur x, pada suatu tahun tertentu,
dalam situasi mortalitas yang berlaku di lingkungan
masyarakatnya.

4. 3 Hasil dan Pembahasan

4.3.1 Pola Sebaran Angka Melek Huruf Menurut Kabupaten/kota di Indonesia
Angka melek huruf dipandang sebagai indikator utama
tingkat pendidikan masyarakat terbukti dari kontribusinya yang
paling dominan dalam mengukur kualitas pembangunan
manusia dibandingkan indikator pendidikan lainnya yaitu ratarata lama sekolah. Dalam cakupan yang lebih sempit, angka
melek huruf dapat mencerminkan potensi perkembangan
intelektual sekaligus kontribusi terhadap pembangunan daerah.
Seringkali kesenjangan angka melek huruf antar daerah
memicu

terjadinya

kesenjangan

intelektual

yang

dapat

berujung berujung pada masalah sosial, politik bahkan

ekonomi.

68

Gambar 4. 1 Peta Sebaran Angka Melek Huruf Menurut

Kabupaten/Kota di Indonesia Tahun 2010
Di tingkat nasional, capaian angka melek huruf Indonesia
terbilang cukup memuaskan, bahkan sudah layak disejajarkan
dengan negara maju seperti Singapura dan Malaysia, yakni
mencapai 92,91 persen (BPS 2010). Namun jika ditelusuri lebih
lanjut di level kabupaten/kota, kemajuan ini ternyata belum
dapat dirasakan secara merata di setiap wilayah. Terlebih
dengan diberlakukannya sistem desentralisasi, di satu sisi
berdampak

positif

bagi

daerah

untuk

berlomba-lomba

meningkatkan seluruh potensi yang dimiliki, namun tidak bisa

bisa dipungkiri

bahwa di sisi lain persoalan kesenjangan

menjadi isu yang tidak bisa terhindarkan hingga tahun 2010.

Sebaran angka melek huruf tahun 2010 menunjukkan adanya
kecenderungkan bahwa angka melek huruf wilayah timur
Indonesia masih jauh lebih rendah dibandingkan dengan
wilayah barat dengan rentang capaian antar kabupaten/kota
mendekati 87 persen.
Tentunya telah banyak program-program pemberantasan
buta huruf yang dilakukan pemerintah. Namun melihat

69

4
kesenjangan angka melek huruf yang masih sangat lebar di
level

kabupaten/kota,

perbaikan

mekanisme

kebijakan

nampaknya masih terus diperlukan hingga tercapai kemajuan

yang lebih merata. Dengan memperhatikan pola sebaran angka
melek huruf antar wilayah di atas, perbaikan ini dirasa akan
lebih

efektif

jika

didasarkan

pada

hasil

analisis

yang

mempertimbangkan aspek konektivitas antar wilayah.

4.3.2 Transformasi Variabel

Terdapat satu karakteristik yang harus diperhatikan ketika
melakukan analisis angka melek huruf, terutama untuk
keperluan estimasi parameter. Sesuai dengan standar baku
UNDP, nilai angka melek huruf dibatasi pada rentang nilai 0
hingga 100 dalam satuan % (persen). Dengan mempertimbangkan karateristik ini, maka dilakukan modifikasi dengan
melakukan transformasi angka melek huruf ke dalam bentuk
fungsi logit agar hasil estimasi tidak keluar dari rentang nilai
tersebut. Transformasi yang dilakukan adalah sebagai berikut:
(

dimana indeks i menunjukkan wilayah kabupaten/kota ke-i.

4.3.3 Deteksi Keterkaitan Spasial
- Angka Global Morans
Banyak ukuran yang bisa digunakan untuk mengetahui
seberapa besar keterkaitan suatu variabel antar wilayah, salah
satunya adalah nilai Morans I. Tinjauan terhadap hasil analisis
morans I juga dilakukan untuk membuktikan keberadaan efek

70

4
spasial pada data angka melek huruf. Hasil penghitungan
statistik ini secara umum memperlihatkan adanya keterkaitan
spasial dalam capaian angka melek huruf antar kabupaten/kota
di Indonesia. Hal ini ditunjukkan melalui nilai Morans I yang
signifikan mencapai 0.6463 seperti terlihat pada Gambar 4.2.
Morans I yang bernilai positif menandakan kemajuan suatu
wilayah atas capaian angka melek huruf memberikan andil
yang positif terhadap kemajuan wilayah di sekitarnya, dan
sebaliknya.

Gambar 4. 2 Morans Scatter Plot Angka Melek Huruf

Kabupaten/Kota di Indonesia
Sebagai perbandingan, nilai korelasi spasial ini juga
dihitung menggunakan beberapa jenis penimbang baik dengan
pendekatan persinggungan perbatasan (rook dan queen
contiguity) maupun jarak (17 Nearest Neighbors) untuk
dibandingkan efek spasialnya. Dari ketiga pendekatan ini,
penimbang dengan pendekatan queen contiguity menghasilkan

71

4
nilai autokorelasi spasial terbesar di antara yang lain, meski
perbedaan di antara ketiganya tidak terlalu jauh. Secara umum
nilai-nilai Morans I dengan berbagai jenis penimbang ini dapat
digunakan sebagai indikasi awal adanya keterkaitan spasial
pada angka melek huruf.
Tabel 4.1. Perbandingan Indeks Morans Angka Melek Huruf
dengan Tiga Jenis Penimbang
Penimbang

Moran's I

17-Nearest Neighbors

0,531939

Queen

0,646306

Rook

0,644525

- Seleksi Variabel
Sesuai dengan teori yang dikemukakan sebelumnya,
identifikasi awal terhadap keterkaitan spasial secara statistik
tidak cukup dengan hanya menganalisis nilai Morans I. Pada
kajian ini dilakukan pula analisis regresi spasial dengan
memperhitungkan variabel-variabel yang diduga berpengaruh
terhadap angka melek huruf kabupaten/kota. Seleksi terhadap
variabel yang berpengaruh terhadap angka melek huruf ini
dilakukan terhadap 12 variabel independen dengan metode
Stepwise Regresssion, yang sekaligus mencakup proses cleaning
data dari nilai outlier dan missing value. Pada tahapan ini
diperoleh sebanyak 476 dari 497 data kabupaten/kota di
Indonesia yang siap untuk dianalisis dan 7 variabel independen
terpilih yaitu:

72

Angka Partisipasi Murni SD (APMSD),

Persentase Desa yang Menggalakkan Program Keaksaraan

Fungsional (PROGRAM),

Rata-Rata Lama Sekolah (RLS),

Angka Harapan Hidup (AHH),

Angka Gizi Buruk (GIBUR),

Persentase Penduduk Miskin (PRSNMIS) dan

Tingkat Pengangguran Terbuka (TPT).

- Penerapan Model Regresi Spasial

Terdapat tiga kemungkinan keterkaitan antar wilayah
dalam model regresi spasial, yaitu keterkaitan antar variabel
dependen, independen, atau error. Untuk mengakomodasi
keterkaitan spasial antar variabel dependen, digunakan model
regresi spasial lag, sementara untuk keterkaitan spasial pada
komponen error digunakan model spasial error. Tabel 4.2
memperlihatkan perbandingan antara regresi klasik (tanpa efek
spasial), regresi spasial lag dan regresi spasial error.
Tabel 4.2. Regresi Spasial Dengan Penimbang Queen
Variabel
Constant
APMSD
PROGRAM
RLS
AHH
GIBUR
PRSNMIS
TPT
LAG
ERROR
Goodnes of Fit Test
Jarque-Bera
Breusch-Pagan test
Moran's I (Error)
Note : ** signifikan pada
* signifikan pada

RLB
1,28936
0.01485**
-0.00936**
0.43297**
-0.03986**
0.03531**
-0.02985**
0.05860**
12.02939**
36.4689**
0.533845**
5%
10%

Spatial lag
0,73966
0.01063**
-0.00778**
0.42364**
-0.03745**
0.03598**
-0.01625**
0.05604**
0.23414**
-

Spatial error
-0,67765
0.00791**
-0.00228**
0.42752**
-0,00451
0.02501**
-0.01079**
0.02482**
0.70653**

77.01694**
0.344261**

78.08625**
-0.0505233*

73

4
Keterkaitan antar wilayah dengan mempertimbangkan
variabel-variabel lain ditunjukkan secara berturut-turut melalui
signifikansi variabel LAG dan ERROR yang terlihat pada kolom 3
dan 4 baris LAG dan ERROR. Indikasi awal terjadinya korelasi
antar wilayah yang tinggi dan positif pada angka melek huruf
antar kabupaten/kota diperkuat dengan signifikasi pengaruh
variabel-variabel tambahan ini di dalam model. Dengan kata
lain, sebenarnya bukan hanya angka melek huruf yang terkena
dampak korelasi spasial, tetapi juga variabel-variabel lain yang
tidak dimasukkan di dalam model yang ditampung dalam
komponen error. Namun demikian, meski sudah diupayakan
untuk mengakomodir masalah ini dengan kedua bentuk model
di atas, model angka melek huruf ini tampaknya masih belum
terbebas dari pengaruh autokorelasi spasial, terlihat dari hasil
diagnosa residual yang menunjukkan Moran's I (error)10 yang
signifikan.
Sementara di sisi lain hasil uji Breusch-Pagan juga
menunjukkan hasil yang signifikan di ketiga model. Secara
umum, uji ini dilakukan untuk mendeteksi adanya varians
residual yang tidak konstan (heteroskedastisitas). Dalam
konteks analisis spasial, munculnya kasus varians residual yang
tidak konstan ini disinyalir akibat pengaruh heterogenitas
spasial dalam data. Meski masih perlu diuji lebih lanjut,
heterogenitas spasial dalam data dapat berakibat fatal jika
diabaikan. Karena jika memang masih mengandung efek
10

Formula yang digunakan dalam penghitungan nilai Morans I (error) pada

dasarnya sama dengan penghitungan Morans I biasa (dapat dilihat pada
Bab 2). Perbedaannya hanya pada data yang digunakan. Morans I (error)
dihitung dari nilai residual yang diperoleh setelah masing-masing model
regresi spasial selesai dibentuk, sedangkan Morans I sebelumnya dihitung
dari variabel tak bebas, dalam hal ini adalah angka melek huruf.

74

4
heterogenitas spasial, regresi global11 tidak lagi sesuai untuk
diterapkan pemodelan angka melek huruf.
Dengan memperhatikan uraian di atas, dapat ditarik
kesimpulan bahwa model regresi spasial biasa belum mampu
mengatasi permasalahan efek spasial dalam data, baik
permasalahan autokorelasi maupun heterogenitas spasial.
Diperlukan penyempurnaan model lebih lanjut agar hal ini
tidak berdampak pada masalah yang lebih serius dalam
analisis.

4.3.4 Pembentukan dan Pemilihan Model Geographically

Weighted Regression (GWR)
Hasil permodelan angka melek huruf dengan regresi
spasial menunjukkan bahwa terdapat fenomena heterogenitas
spasial yang nyata dalam data. Jika model tersebut digunakan
dalam proses prediksi, akan menghasilkan kesimpulan yang
salah dimana kesalahan prediksi atau residual yang dihasilkan
semakin

tinggi.

permodelan

Untuk

dengan

mengatasi

Geographically

masalah
Weighted

tersebut,
Regression

(GWR) akan sangat baik dilakukan mengingat model GWR

mampu menghasilkan parameter yang bersifat lokal untuk
setiap wilayah penelitian.

11

Penggunaan istilah regresi global ditujukan untuk menyatakan model

regresi yang belum memperhitungkan aspek variasi dan heterogenitas
spasial. Regresi global dalam tulisan ini mencakup regresi linier klasik,
regresi spasial lag dan regresi spasial error.

75

4
- Pembentukan Model GWR
Pembentukan model GWR dilakukan pada tujuh buah
variabel

hasil

seleksi

mempengaruhi

angka

memperhatikan

karakteristik

permodelan

GWR

yang

secara

melek

dilakukan

statistik

huruf.

dari

Dengan

tetap

melek

huruf,

angka

pada

signifikan

data

yang

telah

ditransformasi ke dalam fungsi logit sehingga model GWR

menjadi:
(

dimana: AMH dinyatakan dalam bentuk persentase

Untuk memprediksi angka melek huruf dari model yang
diperoleh diperlukan proses reparameterisasi sebagai berikut:
(

Proses reparametrisasi tersebut berlaku juga untuk hasil

estimasi koefisien regresi lokal model GWR.
- Penentuan Bandwidth
Terdapat

dua

hal

yang

perlu

diperhatikan

dalam

membentuk model GWR. Pertama, perihal pemilihan bandwidth

optimum yang akan digunakan dalam pembentukan model
GWR. Pemilihan bandwidth ini mencakup kriteria apa yang akan
digunakan dalam menentukan bandwidth optimum. Kriteria
tersebut adalah kriteria Cross Validation (CV), Generalised Cross
Validation (GCV), Akaike Information Criterion (AIC), atau
Bayesian Information Criterion (BIC). Kedua, perihal pemilihan

76

4
fungsi penimbang. Pemilihan fungsi penimbang ini mencakup
lebarnya bandwidth dan formula yang akan digunakan dalam
proses permodelan.

Gambar 4. 3 Peta Persebaran Centroid

Lebar bandwidth akan digunakan dalam model GWR
sangat tergantung dari bentuk sebaran amatan, apakah amatan
menyebar merata atau menyebar tak beraturan. Jika sebaran
amatan merata di seluruh lokasi penelitian, maka diterapkan
bandwidth yang sama atau fixed. Sebaliknya, lebar bandwidth
yang berbeda (addaptive bandwidht) digunakan jika sebaran
amatan tak beraturan. Gambar 4.3 menunjukkan sebaran
centroid

kabupaten/kota

persebaran

di

centroid tersebut,

Indonesia.

Setelah

maka dalam

melihat

penelitian

ini

digunakan adaptive bandwidth. Dalam adaptive bandwidth,

bandwidth

yang

kecil

akan diterapkan pada lokasi yang

distribusi centroid-nya rapat dan bandwidth yang lebar akan

diterapkan pada lokasi yang distribusi centroid-nya jarang
(Yrigoyen, 2008). Berdasarkan metode atau formula fungsi
penimbang, akan digunakan fungsi penimbang gaussian atau
fungsi

penimbang

bi-square.

Pemilihan

kedua

fungsi

77

4
penimbang ini didasarkan pada kondisi data, lokasi penelitian,
dan kebijakan peneliti.
- Pemilihan Model Terbaik
Dalam memodelkan suatu fenomena, tentunya peneliti
mengharapkan hasil model yang terbaik, yakni model dengan
nilai dugaan yang memiliki kesalahan minimum dan nilai
keragaman yang kecil. Model terbaik hanya akan diperoleh dari
beberapa kali proses uji coba, yaitu dengan membandingkan
kriteria dari beberapa kemungkinan model yang dapat
dibentuk.

Kriteria

yang

dapat

dijadikan

ukuran

dalam

menentukan model terbaik antara lain koefisien determinasi

(

atau

), Sum Square Error (SSE), dan Akaike Information

Criterion (AIC).
Koefisien determinasi

merupakan suatu ukuran untuk

menghitung berapa besar variabel terikat mampu dijelaskan

oleh variabel bebas yang ada di dalam model. Dalam regresi
linear berganda, dikenal pula istilah kofisien determinasi yang
disempurnakan (adjusted-

, yaitu koefisien determinasi yang

sudah memperhatikan penambahan variabel bebas di dalam

model. Semakin besar

dan

, semakin baik suatu model.

Untuk melihat seberapa besar perbedaan nilai dugaan

hasil permodelan dengan nilai observasi atau kesalahan dalam
permodelan digunakan Sum Square Error (SSE). Dengan
demikian, model terbaik akan diperoleh jika nilai SSE semakin
kecil. Akaike Information Criterion (AIC) digunakan untuk
memperhitungkan seberapa besar efektivitas dan kompleksitas
suatu model. Semakin kecil nilai AIC menunjukkan semakin baik
suatu model.

78

4
Namun pada prakteknya, pemilihan model terbaik tidak
harus selalu berpatokan pada model dengan kriteria statistik
terbaik. Pemilihan dapat pula dilakukan dengan mempertimbangkan apakah model tersebut logis, bermakna dan berguna
dalam menjelaskan suatu fenomena. Proses uji coba yang
dilakukan dalam penelitian ini adalah mencari metode pemilihan bandwidth optimum dan fungsi penimbang dengan
atau

terbesar, AIC terkecil, dan Sum Square Error (SSE)

terkecil.

Proses

pemilihan

model

GWR

terbaik

dengan

menggunakan software GWR 4 diuraikan pada tabel berikut:

Tabel 4.3. Pemilihan Model GWR Terbaik
Fungsi
KritePenimbang
ria
AICc
AICc
AIC
AIC
Adaptive
Bisquare
BIC
BIC
CV
CV
AICc
AIC
Addaptive
BIC
Gaussian

Metode

BO

Adj_R

AIC

SSE

IS (1-38)
9
1
1 -9605,14
0
SB
38 0,9445 0,8918 502,20 35,655
IS (1-38)
9
1
1 -9605,14
0
SB
15 0,9913 0,9207
14,85
5,606
IS (1-38)
9
1
1 -9605,14
0
SB
10 0,9991 0,8337 -920,40
0,565
IS (1-38)
38 0,9445 0,8919 502,20 35,655
IS (1-50)
50 0,9259 0,8795 555,34 47,598
IS (1-38)
19 0,9002 0,8580 615,90 64,091
IS (1-38)
4
0,9860 0,9124 159,93
9,017
IS(1-38)
38 0,8466 0,8175 718,67 98,527
IS (1-50)
50 0,8236 0,7988 759,26 113,351
CV
IS (1-38)
9
0,9469 0,8873 500,14 34,090
Keterangan: BO = Bandwidth Optimum; IS = Interval Search;
SB = Single Bandwidth

Awal proses permodelan GWR dilakukan pemilihan

bandwidth dengan metode interval search, yaitu mencari
kemungkinan bandwidth optimum

dalam rentang nilai 1

hingga 38. Batas nilai maksimum 38 merupakan jumlah

79

4
kabupaten/kota terbanyak di salah satu provinsi di Indonesia
yang dianggap sebagai batas maksimal tetangga suatu wilayah.
Pada tabel diatas terlihat bahwa hasil uji coba model pada
fungsi penimbang adaptive bi-square dengan kriteria AICc, AIC,
dan BIC menghasilkan nilai R2 sebesar 1, AIC yang bernilai
negatif, dan Sum Square Error (SSE) bernilai 0. Angka tersebut
berarti bahwa model yang terbentuk sama sekali tidak
mengandung kesalahan atau dengan kata lain fenomena
dimodelkan secara tepat dengan yang sebenarnya. Hal tersebut
sangat tidak logis dan berdasarkan formulasinya nilai AIC
mestinya bernilai positif.
Selanjutnya, batas interval bandwidth diperlebar dengan
lebar interval sebesar 1 hingga 50. Penentuan batasan lebar
interval tersebut masih bersifat subjektif dengan pertimbangan-pertimbangan tertentu sesuai dengan kondisi yang ada.
Namun, jika ternyata masih saja yang terpilih adalah batas
maksimum, maka proses dapat dihentikan dan diasumsikan
bahwa tidak ada bandwidth optimum untuk kriteria tersebut.
Selain itu, dilakukan pula permodelan dengan memasukkan
suatu nilai bandwidth tertentu (single bandwidth) dengan
kriteria AICc dan AIC. Nilai bandwidth yang dimasukkan
merupakan nilai bandwidth dengan kriteria positif terkecil
sebelum nilai kriteria tersebut bernilai negatif (lihat Tabel 4.3).
Setelah melalui beberapa kali proses uji coba, terpilih
model terbaik dengan fungsi penimbang adaptive bi-square
dan kriteria AIC. Model terpilih tersebut cukup logis dan
memiliki nilai R2 terbesar, AIC terkecil, dan Sum Square Error
(SSE) terkecil dari berbagai kemungkinan model yang ada.
Proporsi keragaman variabel AMH dapat dijelaskan oleh

80

4
variabel bebas yang ada di dalam model sebesar 99,13%,
dimana sisanya dipengaruhi oleh variabel bebas lain di luar
model. Bandwidth

yang digunakan pada model tersebut

sebesar 15. Artinya, terdapat 15 tetangga (kabupaten/kota)

terdekat yang signifikan mempengaruhi suatu kabupaten/kota.

4.3.5 Hasil Estimasi Model GWR secara keseluruhan

Sifat lokal dari model GWR dapat ditunjukkan dari hasil
nilai estimasi parameternya. Hasil nilai estimasi parameter
model GWR akan berbeda-beda untuk setiap lokasi penelitian.
Secara

ringkas,

nilai

estimasi

parameter

pada

wilayah

kabupaten/kota yang diteliti dapat dilihat pada Tabel 4.4.

Tabel 4.4. Estimasi Parameter Model GWR dan RLB

Intersep
APMSD

Koefisien GWR
Nilai
Min
Max
Tengah
-0.3470
3.0119 11.0252
-4.3794
0.0726
5.6808

Koefisien
RLB
2.9690
0.1103

PROGRAM

-2.2834

-0.0693

6.6519

-0.2608

RLS

-0,6353

0.7000

3.1125

0.6717

AHH

-1,3991

-0.0215

2.3282

-0.1110

GIBUR

-5,8202

0.0225

16.2127

0.0868

PRSNMIS

-3,1032

-0.0928

3.8397

-0.2598

TPT

-1,9325

0.0766

1.7529

0.2149

Variabel

Tabel 4.4 menunjukkan hasil estimasi parameter menggunakan model GWR dan model RLB. Model GWR menghasilkan
etimasi parameter

yang

berbeda-beda di setiap

lokasi

penelitian. Sebaliknya, estimasi parameter model RLB akan

konstan di setiap lokasi penelitian. Dengan demikian, model

81

4
GWR dapat menjelaskan lebih banyak fenomena dibandingkan
dengan model RLB yang hanya menghasilkan satu estimasi
parameter pada setiap variabel.

4.3.6 Uji Kecocokan Model GWR

- Uji F (ANOVA)
Untuk melihat apakah model GWR lebih baik dari model
RLB, dilakukan Uji F yang diperoleh dari tabel ANOVA berikut
ini:
Tabel 4.5 Analysis of Variance (ANOVA)
Source
Global Residuals
GWR Improvement
GWR Residuals

SS
173,905
168,299
5,606

DF
8,00
414,74
53,26

MS

0,406
0,105

3,855

p-value

0,0000

Nilai p-value pada Tabel 4.5 menunjukkan angka yang

sangat signifikan dan dapat diambil kesimpulan bahwa model
GWR secara statistik lebih baik dibandingkan model RLB dalam
menjelaskan hubungan antara AMH dan faktor-faktor yang
mempengaruhinya.
- Uji Heterogenitas Spasial
Keunggulan dari model GWR dibandingkan dengan
model RLB adalah model GWR mampu melakukan prediksi
pada data yang mengandung heterogenitas spasial. Pengujian
terhadap fenomena heterogenitas spasial tersebut dapat
dilakukan pada masing-masing variabel bebas model GWR.
Software GWR 4 menyediakan output untuk pengujian heterogenitas spasial, yaitu dengan uji perbedaan kriteria (difference
of criterion). Suatu variabel dikatakan memiliki heterogenitas

82

4
spasial jika nilai difference of criterion yang dihasilkan negatif.
Sebaliknya, nilai positif pada difference of criterion menunjukkan bahwa variabel bebas tersebut bersifat global. Secara
lengkap, nilai difference of criterion dari masing-masing variabel
bebas disajikan pada tabel berikut:
Tabel 4.6 Geographical Variability Test
Variabel
Intersep
APMSD
PROGRAM
RLS
AHH
GIBUR
PRSNMIS
TPT

F
19.3871
4.5536
1.5174
13.0382
33.3323
1.3165
24.2049
14.3149

DOF for F test

27.393
30.921
26.222
29.013
27.766
26.388
26.522
28.299

87.884
87.884
87.884
87.884
87.884
87.884
87.884
87.884

Difference
of Criterion
-874.3809
-393.3727
-125.3213
-736.1921
-1108.3111
-105.7790
-954.5614
-764.2479

Tabel 4.6 kolom 5 diatas menunjukkan nilai difference of

criterion dari masing-masing variabel bebas yang mempengaruhi angka melek huruf. Terlihat bahwa seluruh variabel
tersebut memiliki nilai difference of criterion yang negatif.
Dengan demikian, seluruh variabel bebas tersebut secara
signifikan memiliki heterogenitas spasial atau bersifat lokal
pada masing-masing kabupaten/kota di Indonesia.

4.3.6 Hasil Estimasi model GWR secara lokal

Pada model regresi global, peneliti mungkin lebih tertarik
untuk menganalisis estimasi parameter yang menyediakan
informasi tentang fenomena yang dimodelkan. Hal tersebut
tidak selalu berlaku pada model GWR karena tujuan utama dari
permodelan GWR adalah untuk memperoleh nilai prediksi yang

83

4
lebih baik, ketika terjadi fenomena heterogenitas spasial.
Namun, tidak ada salahnya jika peneliti ingin melakukan
pengecekan koefisien regresi lokal pada masing-masing
wilayah (Charlton dan Foteringham, 2009).
Seperti yang telah dijelaskan pada bagian sebelumnya,
masalah heterogenitas spasial mampu diatasi oleh model GWR,
yaitu dengan menghasilkan persamaan regresi untuk setiap
wilayah

penelitian.

Pada

penelitian

ini,

dihasilkan

476

persamaan regresi yang mewakili hubungan antar variabel

bebas dengan angka melek huruf kabupaten/kota di Indonesia.
Persamaan regresi tersebut mampu menjelaskan fenomena
yang terjadi di wilayah kabupaten/kota, seperti bentuk
hubungan antar variabel dan besarnya pengaruh yang
diberikan oleh masing-masing variabel bebas terhadap angka
melek huruf.
Merujuk pada pembentukan model GWR pada sub
bahasan sebelumnya, hasil estimasi parameter model GWR
harus direparameterisasi terlebih dahulu mengingat telah
dilakukannya modifikasi model terhadap nilai angka melek
huruf. Akibat dari proses reparameterisasi tersebut, arah
hubungan dari variabel bebas yang mempengaruhi angka
melek huruf tidak dapat terdeteksi. Analisis hanya sebatas pada
besarnya hubungan masing-masing variabel bebas terhadap
angka

melek

huruf

masing-masing

kabupaten/kota

di

Indonesia yang akan dijelaskan pada bagian selanjutnya.

- Pengaruh Partisipasi Murni Sekolah Dasar
Angka Partisipasi Murni pada penjang pendidikan Sekolah
Dasar (APM SD) mengukur proporsi anak yang bersekolah

84

4
tepat waktu pada jenjang pendidikan yaitu SD untuk penduduk
usia 7-12 tahun. Angka partisipasi pendidikan, salah satunya
angka partisipasi murni SD merupakan salah satu indikator
yang dapat mengindikasikan tingkat keberhasilan pembangunan pendidikan. Itulah sebabnya, angka partisipasi murni SD
diduga memiliki pengaruh terhadap salah satu indikator
pembentuk Indeks Pembangunan Manusia (IPM) di suatu
daerah, yaitu angka melek huruf. Seberapa besar pengaruh
yang diberikan angka partisipasi murni SD terhadap angka
melek huruf dapat dilihat pada sebaran peta pengaruh dibawah
ini.

Gambar 4. 4 Pengaruh Angka Partisipasi Murni SD terhadap

Angka Melek Huruf di Indonesia
Dari Gambar 4.4 di atas terlihat bahwa pada sebagian
besar wilayah di Indonesia, angka partisipasi murni SD memiliki
pengaruh yang besar terhadap angka melek huruf penduduknya, terutama di Papua dan Kalimantan. Pada daerah dengan
tingkat pembangunan dan kesadaran akan pentingnya pendidikan rendah, peran pendidikan formal bisa sangat mempengaruhi melek huruf di daerah tersebut, dibandingkan dengan
program nonformal yang organisasi dan pelaksana-annya

85

4
kurang jelas. Sementara itu, pada Pulau Sumatera, terlihat jelas
bahwa sebagian besar daerahnya memiliki pengaruh angka
partisipasi murni SD yang kecil terhadap angka melek huruf,
seperti pada Provinsi Lampung, Aceh, dan Jambi yang memang
memiliki Angka Buta Huruf yang cukup tinggi. Kecilnya
pengaruh angka partisipasi murni SD pada wilayah-wilayah
tersebut bisa disebabkan banyaknya program pemberantasan
buta huruf yang diadakan baik formal maupun nonformal atau
dipengaruhi oleh faktor lainnya.
- Pengaruh Penyelenggaraan Program Keaksaraan Fungsional
Dewasa ini program pemberantasan buta huruf usia
dewasa umumnya dijalankan melalui kelompok-kelompok
belajar yang lebih dikenal dengan program Keaksaraan
Fungsional (KF). Program ini secara kelembagaan diusung oleh
Direktorat Pendidikan Masyarakat (Dikmas) dan Direktorat
Jenderal Pendidikan Luar Sekolah (Ditjen PLS) dan dilaksanakan
oleh Pusat Kegiatan Belajar Masyarakat (PKBM) kabupaten/kota
dan propinsi. Program dengan sasaran kelompok usia dewasa
(15-45 tahun) ini menekankan pada fungsi program secara
fungsional dengan strategi membaca, menulis, berhitung dan
aksi (Calistungdasi) serta diskusi yang proses belajarnya
disesuaikan oleh konteks warga belajar (Depdiknas, 2006).
Merujuk pada fungsi tersebut, keberhasilan program ini
tentunya sangat diharapkan demi terwujudnya pemberdayaan
masyarakat, khususnya bagi penduduk buta huruf. Namun
beberapa fakta menyebutkan bahwa dalam pelaksanaanya
program ini tidak berjalan secara efektif di beberapa daerah,
bahkan

86

ditemukan

pula

banyak

laporan

fiktif

atas

4
terselenggaranya

program

kelompok

belajar

Keaksaraan

Fungsional (Aminullah, 2006).

Gambar 4. 5 Pengaruh Penyelenggaraan Program Keaksaraan

Fungsional terhadap Angka Melek Huruf Indonesia
Gambar

4.5

secara

implisit

menunjukkan

tingkat

keberhasilan program Keaksaraan Fungsional dalam rangka

menentukan capaian angka melek huruf suatu wilayah di tahun
2010. Setidaknya, terdapat dua hal yang dapat disimpulkan dari
gambar di atas. Pertama, sebagai program nasional yang
dilaksanakan secara serentak di setiap wilayah di Indonesia,
pengaruh penyelenggaraan program KF terhadap capaian
angka melek huruf dirasakan hampir sama di sebagian besar
kabupaten/kota, kecuali daerah-daerah di sebagian besar
wilayah Papua yang memang diprioritaskan sebagai daerah
dengan AMH yang perlu ditingkatkan.
Kedua, kecilnya sumbangsih penyelenggaraan program
ini terhadap pencapaian angka melek huruf mengindikasikan
bahwa penyelenggaraan program KF di banyak daerah belum
berjalan secara efektif. Kurangnya anggaran pemerintah,
sibuknya tenaga pendidik, kurangnya motivasi dan kesibukan
warga belajar, serta ketidakberlanjutan program menjadi alasan

87

4
masalah buta huruf belum sepenuhnya tuntas diselesaikan dan
menjadi salah satu pemicu terjadinya masalah buta huruf
kembali (replaced illiterate).
- Pengaruh Masa Mengikuti Sekolah Formal
Rata-rata

lama

sekolah

(RLS)

merupakan

indikator

pendidikan yang digunakan untuk melihat kualitas penduduk

dalam hal mengenyam pendidikan formal. Semakin tinggi
angka rata-rata lama sekolah maka semakin lama atau tinggi
jenjang pendidikan yang ditamatkan oleh seseorang. Rata-rata
lama sekolah bersama dengan angka melek huruf digunakan
sebagai

ukuran

komponen

pengetahuan

dalam

proses

penyusunan Indeks Pembangunan Manusia (IPM).

Dilihat dari hubungannya, penduduk yang pernah duduk
di bangku sekolah tentunya diharapkan memiliki kemampuan
baca

dan

tulis.

Semakin

tinggi

seseorang

mengenyam

pendidikan, dapat dipastikan bahwa seseorang tersebut

mampu membaca dan menulis. Suatu wilayah dengan nilai
rata-rata lama sekolah yang tinggi relatif memiliki nilai angka
melek huruf yang tinggi juga. Namun, belum dapat dipastikan
apakah hubungan antara rata-rata lama sekolah dan angka
melek huruf tersebut apakah bersifat searah atau positif kecuali
dengan sebuah pengujian statistik.

88

Gambar 4. 6 Pengaruh Rata-Rata Lama Sekolah terhadap

Angka Melek Huruf di Indonesia
Dilihat pada Gambar 4.6 diatas, pengaruh rata-rata lama
sekolah terhadap angka melek huruf relatif besar hampir di
seluruh wilayah di Indonesia. Seluruh kabupaten/kota di Pulau
Kalimantan, Sulawesi, dan Papua memiliki pengaruh rata-rata
lama sekolah yang besar. Sebaliknya, pengaruh yang kecil
ditunjukkan oleh sebagian kabupaten/kota di Halmahera, Aceh,
Bengkulu, Bangka Belitung, Lampung, Banten, dan Jawa Barat.
- Pengaruh Angka Harapan Hidup
Faktor kesehatan turut berperan dalam menentukan
kualitas pendidikan seseorang. Semakin sadar seseorang akan
kesehatan, menunjukkan semakin tinggi derajat pendidikannya.
Salah satu indikator yang dapat digunakan untuk mengukur
derajat kesehatan suatu wilayah adalah angka harapan hidup
(AHH). Angka harapan hidup yang semakin tinggi di suatu
wilayah menunjukkan adanya peningkatan kehidupan dan
kesejahteraan di wilayah tersebut. Sebaliknya, angka harapan
hidup yang rendah di suatu wilayah harus diikuti dengan
peningkatan program pembangunan kesehatan dan program
sosial lainnya termasuk kesehatan lingkungan, kecukupan gizi

89

4
dan kalori, pemberantasan kemiskinan, dan pemberantasan
buta aksara.

Gambar 4. 7 Pengaruh Angka Harapan Hidup terhadap Angka

Melek Huruf di Indonesia
Secata umum, pengaruh angka harapan hidup terhadap
angka melek huruf ditunjukkan pada Gambar 4.7 diatas.
Pengaruh yang besar diberikan secara merata di seluruh
koridor mulai dari sumatera hingga maluku dan papua. Di
koridor sumatera, pengaruh yang besar terdapat di hampir
seluruh wilayah Aceh, Sumatera Utara, Riau, Kepulauan Riau,
dan di sebagian wilayah Sumatera Selatan, Bangka Belitung,
dan Lampung. Pengaruh yang besar juga diberikan hampir di
seluruh koridor Jawa, terutama di Banten dan sebagian wilayah
Jawa Timur. Sejalan dengan Pulau Jawa, pola pengaruh angka
harapan hidup yang besar juga diberikan di seluruh wilayah
Bali, Nusa Tenggara Timur, dan Papua. Di Kalimantan, Sulawesi
dan Maluku, pengaruh besar lebih banyak terdapat di wilayah
bagian utara.
- Pengaruh Angka Gizi Buruk
Selain dengan angka harapan hidup, derajat kesehatan
suatu wilayah dapat pula dinilai dengan menggunakan angka

90

4
gizi buruk. Kasus gizi buruk yang terjadi di suatu wilayah
mencerminkan kondisi kesehatan lingkungan yang kurang baik.
Kondisi kesehatan lingkungan suatu wilayah erat kaitannya
dengan kondisi sosial-ekonomi masyarakat yang tinggal di
dalamnya. Masyarakat yang berpendidikan (melek huruf) akan
lebih

sadar

tentang

kesehatan

dibandingkan

dengan

masyarakat yang kurang dalam hal pendidikan. Dengan

demikian, semakin tinggi kasus gizi buruk yang terjadi di suatu
wilayah mencerminkan rendahnya angka melek huruf wilayah
tersebut. Namun, untuk memastikan arah hubungan kedua
variabel tersebut apakah berlawanan arah, perlu dilakukan
analisis secara statistik.

Gambar 4. 8 Pengaruh Angka Gizi Buruk terhadap Angka Melek

Huruf di Indonesia
Nilai pengaruh gizi buruk terhadap angka melek huruf di
Indonesia dapat dilihat pada Gambar 4.8. Terlihat bahwa
pengaruh yang diberikan oleh variabel gizi buruk terhadap
angka melek huruf pada setiap kabupaten/kota di Indonesia
menunjukkan pola yang berbeda-beda. Gizi buruk memiliki
pengaruh yang besar terhadap angka melek huruf hampir di
seluruh kabupaten/kota di Pulau Kalimantan dan Provinsi

91

4
Papua Barat. Pengaruh yang besar juga terlihat pada Provinsi
Papua khususnya bagian selatan dan Sumatera bagian selatan,
seperti Provinsi Lampung, Sumatera Selatan, dan Bengkulu.
Pengaruh gizi buruk terhadap angka melek huruf di Pulau Jawa
lebih besar di bagian timur dibandingkan dengan di bagian
barat. Selajutnya, pengaruh besar juga terlihat di Pulau Bali dan
Kepulauan Nusa Tenggara.

- Pengaruh Penduduk Miskin

Tingkat kemiskinan penduduk sangat erat kaitannya
dengan tingkat melek huruf. Ketidakberdayaan masyarakat
dalam memenuhi kebutuhan hidupnya menjadi hambatan
dalam hal peningkatan kapasitas pegetahuan, ketrampilan,
serta sikap mental pembaharuan dan pembangunan. Dengan
demikian, kemiskinan penduduk yang tinggi di suatu wilayah
dapat disertai dengan rendahnya angka melek huruf di wilayah
tersebut. Secara umum, pengaruh persentase penduduk miskin
terhadap angka melek huruf ditunjukkan pada Gambar 4.9.
Pada Gambar 4.9 terlihat bahwa hampir sebagian besar
kabupaten/kota di Indonesia memiliki pengaruh pengaruh
persentase penduduk miskin yang kecil terhadap angka melek
huruf. Pengaruh yang kecil terdapat di sebagian besar wilayah
Kalimantan

Utara,

Kalimantan

Timur,

Kepulauan

Nusa

Tenggara, dan Pulau Papua. Sebaliknya, persentase penduduk

miskin memiliki pengaruh yang besar terhadap nilai angka
melek huruf di Jawa Barat dan DKI Jakarta.

92

Gambar 4. 9 Pengaruh Persentase Penduduk Miskin terhadap

Angka Melek Huruf di Indonesia
- Pengaruh Tingkat Pengangguran
Penduduk buta aksara umumnya tinggal di perdesaan
seperti petani kecil, buruh, nelayan dan kelompok miskin
perkotaan yang berpenghasilan rendah dan penganggur.
Tingginya tingkat pengangguran dapat menjadi indikasi
rendahnya tingkat melek huruf di suatu wilayah. Gambar 4.10
berikut ini menunjukkan pengaruh tingkat pengangguran
terbuka

terhadap

angka

melek

huruf

pada

setiap

kabupaten/kota di Indonesia.

Gambar 4. 10 Pengaruh Tingkat Pengangguran Terbuka

terhadap Angka Melek Huruf di Indonesia

93

4
Terlihat bahwa variabel tingkat pengangguran terbuka
memiliki pengaruh yang besar terhadap angka melek huruf di
sebagian besar kabupaten/kota di Pulau Sumatera, Kalimantan,
Sulawesi, Bali dan Papua. Pengaruh yang besar diberikan oleh
tingkat pengangguran terbuka di Pulau Jawa bagian barat,
sebagian Provinsi Jawa Tengah dan Jawa Timur. Sebaliknya,
pengaruh yang kecil terlihat di Kalimantan bagian utara, dan
sebagian Nusa Tenggara Timur.

4.3.7 Faktor-Faktor yang Mempengaruhi AMH Menurut

Koridor MP3EI
Sebagaimana telah dikemukakan di awal pembahasan,
kelebihan model GWR dibandingkan model regresi linier klasik
yaitu

bahwa

GWR

mampu

mengakomodir

masalah

heterogenitas spasial dalam data. Esensi dari heterogenitas

spasial ini terlihat pada struktur model yang bervariasi antar
wilayah. Perbedaan nilai estimasi parameter dari suatu wilayah
ke wilayah yang lain menjadikan hasil model GWR semakin
menarik

untuk

dikaji

lebih

lanjut.

Banyak

cara

untuk

memperlihatkan efek dari heterogenitas spasial pada data,

salah satunya melalui peta tematik estimasi parameter. Selain
itu juga dapat dilakukan pengelompokan wilayah berdasarkan
hasil estimasi parameter atau melalui perbandingan struktur
model hasil agregasi di level tertentu.
Dalam konteks pemodelan angka melek huruf, analisis
data dikaitkan dengan keberadaan koridor yang dituangkan
dalam MP3EI. Dengan sedikit mengesampingkan potensipotensi ekonomi yang ada di setiap koridor, analisis akan lebih

94

4
difokuskan pada struktur model GWR yang dapat menjelaskan
secara umum pemicu kesenjangan capaian angka melek huruf
antar koridor. Mengingat level yang digunakan adalah koridor
yang terdiri dari 1 atau 2 pulau, maka digunakan nilai tengah
(median)

dari

masing-masing

estimasi

parameter

yang

diharapkan dapat merepresentasikan keseluruhan nilai kabupaten/kota di setiap koridor. Pemodelan angka melek huruf
dengan GWR dalam kajian ini dilakukan menggunakan
variabel-variabel independen terstandarisasi, sehingga dapat
dilakukan perbandingan secara langsung baik performa setiap
variabel dalam mempengaruhi angka melek huruf di dalam
suatu wilayah, maupun struktur model antar wilayah.
Gambar 4.11 memperlihatkan perbedaan struktur model
di setiap koridor ekonomi. Terlihat kesamaan di hampir seluruh
koridor ekonomi kecuali koridor Bali dan Nusa Tenggara dalam
hal variabel dengan kontribusi terbesar terhadap capaian angka
melek huruf suatu wilayah. Variabel tersebut adalah rata-rata
lama sekolah (RLS). Tingginya rata-rata lama sekolah memiliki
andil cukup besar terhadap capaian angka melek huruf yaitu
berkisar antara 60 hingga 70 persen. Dengan demikian, dalam
rangka mengurangi kesenjangan angka melek huruf antar
wilayah di Indonesia, kemajuan rata-rata lama sekolah
semestinya juga mendapat perhatian lebih, utamanya di
wilayah-wilayah dengan rata-rata lama sekolah yang masih
rendah.
Jika diamati lebih jauh, hasil kalibrasi model GWR di
koridor Jawa dan Sulawesi ternyata menunjukkan struktur
model yang hampir sama. Variabel rata-rata lama sekolah
memberikan kontribusi terbesar terhadap capaian AMH

95

4
kabupaten/kota, lalu diikuti oleh Angka Partispasi Murni SD,
persentase kemiskinan, angka gizi buruk, angka harapan hidup,
penyelenggaraan

program

keaksaraan

fungsional

dan

kontribusi terkecil diberikan oleh variabel tingkat pengangguran terbuka. Selain kedua koridor tersebut, kemiripan
struktur model lainnya juga ditunjukkan oleh koridor Sumatera,
Kalimantan serta Maluku dan Papua. Secara umum hal ini
menunjukkan adanya pengelompokan wilayah-wilayah berdasarkan struktur model yang dihasilkan.
Di samping itu, spasial outlier tampak terjadi di koridor
Bali dan Nusa Tenggara, di mana koridor ini memiliki struktur
model yang sangat berbeda dari koridor yang lain. Di koridor
Bali dan Nusa Tenggara, variabel angka gizi buruk memiliki
pengaruh terbesar terhadap pencapaian angka melek huruf
dibandingkan variabel lainnya, yaitu mencapai 80 persen.
Sumbangsih variabel rata-rata lama sekolah terhadap capaian
angka melek huruf dikalahkan oleh tingginya peran gizi buruk
di wilayah ini. Sementara di urutan terendah, angka partisipasi
murni SD hanya memberikan andil kurang dari 50 persen,
paling kecil dibandingkan variabel-variabel yang lain.
Gambaran di atas membuktikan bahwa variasi spasial
dalam data berperan dalam menentukan performa setiap
variabel di dalam model. Perbedaan struktur model yang terjadi
antar koridor mengindikasikan bahwa setiap wilayah memiliki
karateristik yang berbeda-beda sehingga kebutuhan masingmasing wilayah dan perbaikan yang harus dilakukan pun juga
berbeda-beda. Dengan model GWR, kebijakan yang lebih tepat
di setiap wilayah dapat dilakukan berdasarkan struktur model
yang dihasilkan.

96

Gambar 4. 11 Struktur Model GWR AMH pada Koridor MP3EI

4.3.8 Prediksi Angka Melek Huruf

Salah satu tujuan dari pemodelan angka melek huruf
dengan model GWR adalah untuk memprediksi angka melek
huruf. Prediksi hanya dapat dilakukan jika model GWR terpilih
mampu menjelaskan fenomena hubungan antar variabel
dengan baik. Kesesuaian model GWR untuk prediksi dapat

97

4
dilihat dari nilai koefisien determinasi yang tinggi dan residual
yang minimum. Di samping itu dapat pula dilakukan pengujian
kesesuaian

model

GWR

dengan

melihat

pola

sebaran

residualnya yang bersifat acak (tidak memiliki pola tertentu).

Mengingat pentingnya melihat pola sebaran residual
model sebelum melakukan proses prediksi, berikut disajikan
gambar sebaran residual dari model GWR angka melek huruf.
Pada Gambar 4.12 di bawah ini, terlihat bahwa sebaran residual
model GWR angka melek huruf cenderung acak, menyebar di
seluruh wilayah Indonesia, dan tidak memiliki pola spasial
tertentu. Dengan demikian, model GWR tersebut sesuai untuk
memprediksi angka melek huruf kabupaten/kota di Indonesia.

Gambar 4. 12 Sebaran Residual Model Geographically

Weighting Regression Angka Melek Huruf

Selain itu model GWR juga mampu melakukan prediksi

angka melek huruf tidak hanya pada wilayah yang diteliti,

98

4
tetapi juga pada wilayah baru yang tidak diteliti (wilayah non
sampel). Sesuai dengan konsep dasar regresi, prediksi pada
suatu wilayah kabupaten/kota, baik wilayah yang diteliti
maupun

wilayah

nonsampel

dapat

dilakukan

dengan

memasukkan nilai masing-masing variabel bebas dari model

GWR yang diperoleh.
Permasalahan yang dihadapi dalam penelitian ini adalah
tidak semua wilayah memiliki data yang dibutuhkan untuk
kepentingan proses prediksi. Hal tersebut terjadi terutama pada
wilayah-wilayah non sampel karena banyak mengandung
informasi yang tidak tersedia

(missing) dan diluar batas

(outlier). Akan tetapi khusus untuk wilayah nonsampel tersebut

masih dapat diperoleh persamaan regresi lokalnya dengan
memasukkan informasi posisi geografis (bujur dan lintang) dari
wilayah tersebut.

99

100

Bab 5. Aplikasi
Model GWR untuk
Analisis Data
Industri Besar
Sedang (IBS)

5
Bab 5. Aplikasi Model GWR untuk
Analisis Data Industri Besar Sedang
(IBS)
5.1 Pengertian Nilai Tambah IBS dan Produktivitas IBS
Sejak Revolusi Industri pada akhir abad ke-18, dunia
perindustrian mengalami perkembangan yang sangat pesat.
Pada masa tersebut, untuk pertama kalinya diperkenalkan
penggunaan mesin uap, mesin-mesin untuk produksi tekstil,
kapal tenaga uap, rel, pembangkit tenaga listrik, dan lain
sebagainya.

Penemuan

tersebut

sangat

mempermudah

perusahaan industri untuk melakukan kegiatannya yang

mencakup semua kegiatan manusia dalam bidang ekonomi
yang sifatnya produktif dan komersial.
Tahun 2004, menurut Fajriyanto industri merupakan
proses pemanfaatan sumber daya alam dan sumberdaya
manusia untuk menaikkan nilai tambah dari bahan baku
menjadi produk. Sementara itu, Badan Pusat Statistik (BPS)
mendefinisikan industri pengolahan dengan lebih kompleks
yaitu suatu kegiatan ekonomi yang mengubah suatu barang
dasar secara mekanis, kimia, atau dengan tangan sehingga
menjadi barang jadi atau setengah jadi atau dari barang yang
kurang nilainya menjadi barang yang lebih tinggi nilainya, dan
sifatnya lebih dekat kepada pemakai akhir.
Pada umumnya, semakin maju perkembangan perindustrian di suatu wilayah, makin kompleks pula jumlah dan jenis
industri yang terdapat di wilayah tersebut. Oleh karena itu

103

5
pengklasifikasian industri pun harus di standarkan menurut
kriteria-kriteria tertentu. BPS berpedoman pada Klasifikasi Baku
Lapangan

Usaha

Indonesia

(KBLI)

yang

diadopsi

dari

International Standard Industrial Classification Of All Economic

Activities (ISIC) revisi 3. KBLI telah disesuaikan dengan kondisi
perindustrian di Indonesia. Pedoman ini membagi suatu
perusahaan industri berdasarkan hasil produksi utamanya, yaitu
komoditi yang menghasilkan nilai paling besar (BPS), misalnya
industri makanan dan minuman, industri tembakau, industri
tekstil, dan sebagainya.
Penggolongan lain, menurut jumlah tenaga kerja yang
digunakan

misalnya,

membagi

industri

menjadi

empat.

Penggolongan ini sama sekali tidak memperhatikan jenis mesin

apa yang digunakan untuk berproduksi, maupun besar modal
yang

digunakan

perusahaan

industri

tersebut

(BPS).

Pembagiannya sebagai berikut:

1. Industri Rumah Tangga (menggunakan tenaga kerja < 5
orang)
2. Industri Kecil (menggunakan tenaga kerjanya 5-19 orang)
3. Industri Sedang (menggunakan tenaga kerja 20-99 orang)
4. Industri Besar (menggunakan tenaga kerja 100 orang atau
lebih).
Industri kecil dan rumah tangga menyerap tenaga kerja
lebih besar dibandingkan industri besar dan sedang (IBS). Akan
tetapi, justru industri besar dan sedanglah yang mempunyai
kontribusi yang lebih besar terhadap Produk Domestik
Regional Bruto (PDRB). PDRB adalah salah satu indikator
penting untuk mengetahui kondisi ekonomi di suatu daerah
dalam periode tertentu. PDRB merupakan penjumlahan dari

104

5
seluruh nilai tambah (value added) yang dihasilkan oleh semua
industri dalam suatu daerah.
Pengertian nilai tambah sendiri adalah pertambahan nilai
suatu produk atau komoditas karena mengalami proses
pengolahan, pengangkutan ataupun penyimpanan dalam suatu
produksi. Dalam tiap satuan produksi, nilai tambah diukur
dengan perbedaan antara nilai output perusahaan dan nilai
seluruh input yang dibeli dari luar perusahaan.

Salah satu faktor yang mempengaruhi nilai tambah adalah

penyusutan, yaitu biaya penggantian untuk keausan dan
kelapukan modal dalam produksi. Penyusutan dalam arti ini
yaitu

konsumsi

modal

dan

pemakaian

modal.

Dengan

demikian, ada 2 konsep nilai tambah yaitu nilai tambah neto

dan nilai tambah bruto. Nilai tambah neto adalah nilai yang
memperhitungkan penyusutan yang terjadi, sedangkan nilai
tambah

bruto

adalah

nilai

yang

tidak

memperhatikan

penyusutan (Sicat dan Arndt, 1991).

Dalam pembahasan ini, nilai tambah yang dimaksud
adalah nilai tambah bruto (NTB). NTB sangat penting untuk
menghitung PDRB dari suatu daerah. Dalam IBS, nilai tambah
berarti ukuran untuk menyatakan sumbangan proses produksi
terhadap nilai jual produk industri besar sedang. Menurut
Soeharjo (1991), faktor yang mempengaruhi nilai tambah
dalam proses produksi dikelompokkan menjadi dua, yaitu
faktor teknis dan faktor pasar. Faktor teknis yang berpengaruh
adalah kapasitas produksi, jumlah bahan baku yang digunakan
dan tenaga kerja. Sedangkan faktor pasar yang berpengaruh

105

5
adalah harga output, upah kerja, harga bahan baku, dan nilai
input lain (selain bahan baku dan tenaga kerja).

5.2 Fungsi Cobb Douglas

Secara umum, fungsi produksi didefinisikan sebagai suatu
fungsi yang menggambarkan besarnya maksimum output yang
dapat diperoleh dari kombinasi input yang digunakan dalam
suatu proses produksi dengan menggunakan suatu teknologi
tertentu (Eric, 2008). Tahun 1928, Cobb dan Douglas berupaya
untuk menjelaskan perekonomian yang terjadi di Amerika
Serikat pada suatu kurun waktu tertentu dalam rangka
menganalisis hubungan antara perekonomian sebagai sebuah
output dengan input berupa tenaga kerja dan kapital.
Fungsi produksi Cobb-Douglas adalah suatu fungsi atau
persamaan yang melibatkan dua atau lebih variabel, dimana
variabel yang satu disebut variabel dependen (Y) yang
dijelaskan, dan variabel lain yang disebut variabel independen
(X) yang menjelaskan (Soekartawi, 1990). Fungsi produksi
tersebut

diterapkan

terhadap

lebih

dari

satu

perusahaan/industri, bahkan terhadap suatu perekonomian.

Bentuk umum dari fungsi produksi Cobb-Douglas adalah
(Fraser, 2002):

dimana:
Q

: variabel

output/nilai

perekonomian,

106

tambah

dalam

suatu

5
A

: parameter yang memperlihatkan teknologi yang

berdampak pada produktivitas secara umum,

K dan L : variabel input yang berupa modal dan tenaga kerja,

serta
dan : parameter yang memperlihatkan elastisitas modal
dan elastisitas tenaga kerja terhadap output/nilai
tambah.
Berdasarkan persamaan diatas, terlihat bahwa fungsi
produksi Cobb-Douglas memiliki bentuk yang sederhana,
mudah digunakan, mampu menggambarkan keadaan skala
hasil (return to scale) dan elastisitas produksi dari setiap input
yang digunakan serta koefisien intersep yang merupakan
indeks

Cobb-Douglas

dan

menggambarkan

efisiensi

penggunaan input dalam menghasilkan output dari sistem

produksi yang sedang dikaji. Oleh karena hal-hal tersebut,
fungsi produksi Cobb-Douglas sering dipergunakan.
Untuk tujuan analisis GWR dalam penelitian ini, maka
dilakukan modifikasi fungsi Cobb-Douglas di atas sesuai
dengan variabel yang akan digunakan sebagai berikut:

atau,

dimana:
Q

: variabel output/nilai tambah dalam suatu

perekonomian,

: konstanta,

X1, X3, . . . , Xn : variabel-variabel

yang

mempengaruhi

output/nilai tambah,

107

5
1, 2, . . . , n : parameter yang memperlihatkan elastisitas variabel-variabel yang mempengaruhi output/nilai tambah.
Interpretasi model di atas menggunakan suatu nilai yang
disebut Return to Scale. Nilai ini bisa untuk mengetahui
besarnya tambahan hasil produksi akibat bertambahnya faktor
produksi secara proporsional. Ada tiga jenis Return to Scale,
yaitu:
1. Constant

returns

penambahan

to

input

scale,
akan

yang
sama

berarti

persentase

dengan

persentase

pertambahan outputya. Contoh: jika input naik 10%, maka

outputnya juga naik 10%.
2.

Increasing returns to scale,

penambahan

input

akan

yang

berarti

persentase

menghasilkan

persentase

pertambahan output yang lebih besar. Contoh: jika input

naik 10%, maka output dapat meningkat sebesar 14%.
3. Decreasing returns to scale,
penambahan

input

akan

yang

berarti

persentase

menghasilkan

persentase

pertambahan output yang lebih kecil. Contoh: jika input naik

10% sementara output hanya naik sebesar 7%.

5.3 Sumber Data

Penelitian ini menggunakan data yang berasal dari Survei
Tahunan Perusahaan Industri Pengolahan Besar dan Sedang
yang dilakukan oleh Badan Pusat Statistik pada tahun 2010.
Konsep definisi dari variabel yang digunakan meliputi:

108

5
1. Nilai Tambah Bruto (NTB) adalah besarnya nilai output
dikurangi besarnya nilai input.
Output adalah nilai keluaran yang dihasilkan dari proses
kegiatan industri. Komposisi nilai output adalah persentase
dari masing-masing komponen nilai output terhadap nilai
output. Komponen nilai output terdiri dari:

Barang yang dihasilkan dari proses produksi

Tenaga listrik yang dijual yaitu tenaga listrik yang

dibangkitkan

sendiri

oleh

perusahaan

dan

sebagiannya dijual kepada pihak lain.

Jasa industri yang diterima dari pihak lain adalah

kegiatan industri yang melayani keperluan pihak lain.
Pada kegiatan ini bahan baku disediakan oleh pihak
lain sedangkan pihak pengolah hanya melakukan
pengolahannya dengan mendapat imbalan sejumlah
uang atau barang sebagai balas jasa (upah makloon).

Selisih nilai stok barang setengah jadi akhir tahun

dikurangi dengan stok awal tahun.

Penerimaan lain dari jasa non industri

2. Upah (Salary) adalah imbalan atas jasa-jasa yang telah

dikorbankan oleh pekerja untuk pihak lain yang meliputi
upah/gaji, upah lembur, hadiah, bonus, dan sejenisnya, iuran
dana pensiun, tunjangan sosial, tunjangan kecelakaan, dan
lainnya.
3. Modal (Capital) adalah modal kerja ang dapat digunakan
lebih dari satu tahun
4. Input (Biaya Antara) adalah biaya yang dikeluarkan dalam
proses produksi.

109

5
Komposisi biaya input adalah merupakan persentase dari
masing-masing komponen biaya input terhadap biaya input.
Komponen biaya input terdiri dari:

Bahan baku yaitu semua jenis bahan baku dan bahan

penolong yang digunakan dalam proses produksi dan
tidak termasuk: pembungkus, pengepak, pengikat
barang jadi, bahan bakar yang dipakai habis, perabot/
peralatan.

Bahan bakar (yang digunakan selama proses produksi

yang berupa: bensin, solar, minyak tanah, batubara
dan lainnya), tenaga listrik dan gas.

Sewa gedung, mesin dan alat-alat.

Jasa non industri yang tidak berkaitan dengan proses

produksi

5. Tenaga Kerja (Labour) adalah banyaknya pekerja/karyawan

rata-rata perhari kerja baik pekerja yang dibayar maupun
pekerja yang tidak dibayar. Tenaga kerja terdiri dari:

Pekerja Produksi adalah pekerja yang langsung

bekerja dalam proses produksi atau berhubungan
dengan

itu,

termasuk

pekerja

yang

langsung

mengawasi proses produksi, mengoperasikan mesin,

mencatat bahan baku yang digunakan dan barang
yang dihasilkan.

Pekerja

lainnya

adalah

pekerja

yang

tidak

berhubungan langsung dengan proses produksi,

pekerja ini biasanya sebagai pekerja pendukung
perusahaan, seperti manager (bukan produksi), kepala
personalia, skretaris, tukang ketik, penjaga malam,
sopir perusahaan, dll.

110

5
5.4 Profil IBS di Pulau Jawa
Pembangunan ekonomi di Indonesia khususnya di Pulau
Jawa tidak terlepas dari dukungan sektor industri. Aktifitas
penyediaan

barang dan

jasa

bagi masyarakat

semakin

menggeliat seiring menurunnya aktifitas bercocok tanam

karena berkurangnya lahan pertanian. Saat ini, sektor industri
menjadi salah satu sektor utama yang diandalkan pemerintah
untuk meningkatkan kesejahteraan masyarakat. Indikator yang
sering digunakan untuk mencerminkan kondisi ini adalah
melalui peningkatan PDRB atau pendapatan per kapita. Oleh
karena itu, dukungan terhadap kegiatan industri baik dari
pemerintah maupun swasta sangat menentukan keberhasilan
tujuan tersebut.
Keberadaan IBS di banyak Kabupaten/Kota di Pulau Jawa
merupakan bukti bahwa arus ekonomi mengalir dengan cepat
di wilayah ini.

IBS mampu menyerap tenaga kerja dalam

jumlah yang banyak, paling tidak 20 orang untuk setiap

perusahaan. Tentunya hal ini sangat membantu program
pemerintah dalam menekan angka pengangguran secara
signifikan. Untuk itu, benar jika dikatakan bahwa Jawa sebagai
tulang punggung pembangunan ekonomi nasional di sektor
industri.
Berdasarkan

Survei

Tahunan

Perusahaan

Industri

Pengolahan 2010, Pulau Jawa memiliki 11.71612 perusahaan IBS

12

Angka 11.716 diperoleh dari perusahaan yang memberikan respon

terhadap kuesioner survei.

111

5
yang tersebar di 117 Kabupaten/Kota13. Dari angka tersebut,
sekitar 77 persen merupakan industri sedang dan sisanya
adalah industri besar. Hal ini menunjukkan bahwa industri
sedang di Jawa jauh lebih berkembang dari pada industri besar
jika dilihat dari sisi jumlah perusahaan, kecuali di Kabupaten
Bekasi. Kabupaten Bekasi memiliki potensi yang cukup baik
untuk mengembangkan industri besarnya. Karena saat ini, 70
persen perusahaan IBS yang ada di daerah ini bergerak pada
industri berskala besar.
Jika dilihat secara umum, wilayah yang menjadi pusat
pembangunan IBS di Jawa adalah Provinsi Jawa Timur, Jawa
Tengah, dan Jawa Barat (Gambar 5.1). Ketiga Provinsi ini
memiliki luas wilayah yang lebih besar dibandingkan dengan
yang lain. Hal ini cukup memberikan alasan yang tepat bagi
pengembangan

pembangunan

IBS.

Walaupun

demikian,

tumbuhnya IBS di Jawa tampaknya cukup merata di semua

Provinsi.

Setiap

(Kabupaten/Kota)

Provinsi
tertentu

memiliki

yang

menjadi

wilayah-wilayah
sentral

untuk

pengembangan industrinya.

13

Pulau Jawa memiliki 118 Kabupaten/Kota pada tahun 2010. Akan tetapi,
Kepulauan seribu tidak diikutsertakan dalam kajian GWR ini

112

5
Tangerang
7%

Jakarta
7%

Jawa Timur
32%

Yogyakarta
3%

Jawa Barat
23%

Jawa
Tengah
28%

Gambar 5. 1 Persentase Jumlah IBS di Pulau Jawa

Provinsi DKI Jakarta mengandalkan Jakarta Utara karena

hampir 43 persen perusahaan IBS dibangun di sini. Jawa Barat
cenderung mengkonsentrasikan IBS di Majalengka (persen
14,71 persen) dan Bandung (9,54 persen). Sementara Jawa
Tengah mempercayakan pembangunan IBS di Klaten (8,04
persen) dan Pekalongan (8,31 persen), Yogyakarta lebih
memilih Kabupaten Sleman (37,22) dan Bantul (30,6 persen)
sebagai tempat tumbuhnya IBS. Surabaya menaungi lebih dari
11 persen IBS di Jawa Timur, sedangkan IBS Banten terpusat di
Kota Tangerang dan Kabupaten Tangerang masing-masing
sekitar 37 persen.

113

5
100%

80%
60%
40%

Perempuan

Laki-laki
20%
0%

Gambar 5. 2 Komposisi Tenaga Kerja IBS di Pulau Jawa

Melihat banyaknya tenaga kerja yang diberdayakan pada

perusahaan IBS di Jawa, ternyata komposisi tenaga kerja di
setiap Provinsi sangat mirip baik menurut gender maupun
bidang kerja. Gambar 5.2 menunjukkan bahwa proporsi jumlah
pekerja laki-laki lebih banyak dibandingkan perempuan di
setiap Provinsi. Selisihnya sekitar 10 persen, terkecuali untuk
Provinsi Jawa Tengah. Jawa Tengah menunjukkan fenomena
yang berbeda yakni jumlah pekerja perempuan sekitar 17
persen lebih banyak dibanding laki-laki.

114

5
100%
80%
60%
Lainnya

40%

Produksi
20%
0%

Gambar 5. 3 Komposisi Tenaga Kerja IBS Menurut Bidang Kerja

Sama halnya dengan kebutuhan tenaga kerja produksi
dan non-produksi, kemiripan pola penyerapannya juga terjadi
di seluruh Provinsi (Gambar 5.3). Tenaga kerja di perusahaan
IBS lebih banyak diserap sebagai tenaga produksi (lebih dari 80
persen). Kurang dari 20 persen tenaga kerja ditempatkan di
bagian non-produksi, seperti tenaga administrasi dan lainnya.
Kenyataan ini seharusnya dapat menjadi bahan evaluasi bagi
setiap perusahaan (khususnya IBS) sebagai pelaku bisnis dan
pemerintah sebagai pengontrol. Apakah proporsi pegawai nonproduksi yang kurang dari 20 persen tersebut telah memadai
untuk menunjang kinerja perusahaan atau belum. Hal ini untuk
menghindarkan perusahaan agar tidak hanya berorientasi pada
hasil produksi saja, melainkan seluruh kegiatan/ proses terkait
usaha tersebut. Misalnya kegiatan administrasi terkait proses
produksi,

penggajian

pegawai,

pengembangan

pegawai,

maupun pembayaran pajak usaha.

115

5
Salah satu indikator kinerja suatu usaha adalah dengan
melihat besarnya nilai tambah yang mampu dihasilkan selama
proses produksi. Nilai tambah merupakan besarnya output
produksi setelah dikurangi biaya input (faktor produksi). Selain
itu, nilai tambah juga dapat menunjukkan potensi industri
suatu wilayah, yaitu dengan melihat sektor yang memberikan
nilai

tambah

paling

besar.

Tabel

5.1

dibawah

ini

memperlihatkan sektor industri IBS yang paling dominan dalam

penciptaan nilai tambah di setiap Provinsi.
Tabel 5. 1 Potensi Industri dan Pusat Industri di Jawa
Provinsi
DKI Jakarta

Pusat
Industri
Jakarta Utara

Jawa Barat

Karawang

Jawa Tengah
Yogyakarta
Jawa Timur
Banten

Kudus
Sleman
Kediri
Kab. Serang

Potensi Industri
Industri kendaraan bermotor,
trailer dan semi trailer
Industri kendaraan bermotor,
trailer dan semi trailer
Pengolahan tembakau
Pakaian jadi
Pengolahan tembakau
Industri bahan kimia dan
barang dari bahan kimia

DKI Jakarta dan Jawa Barat masih dipercaya pemerintah

untuk mengelola industri berat di lingkup Jawa, yaitu Industri
kendaraan bermotor, trailer dan semi trailer. Kegiatannya
mencakup

pembuatan

kendaraan

bermotor

baik

untuk

angkutan penumpang maupun barang beserta suku cadang

dan

aksesorisnya.

Pengolahan

tembakau

lebih

banyak

dilakukan di Jawa Tengah dan Jawa Timur karena kedua

Provinsi ini merupakan penghasil rokok utama di Pulau Jawa.

116

5
Pakaian Jadi khususnya pakaian batik masih menjadi komoditas
penting bagi Yogyakarta. Industri batik inilah yang banyak
memutar roda pekekonomian masyarakat Yogyakarta sampai
saat ini. Sementara Provinsi Banten, khususnya di Kabupaten
Serang lebih berfokus pada produksi bahan kimia maupun
barang-barang berasal dari bahan kimia.
Berbicara potensi industri wilayah, maka tidak akan
terlepas dari menyoroti produktifitas tenaga kerja sebagai
penggerak utama industri. Produktifitas tenaga kerja dikatakan
tinggi apabila dengan jumlah sumber daya manusia yang
terbatas mampu diciptakan suatu nilai tambah industri yang
besar. Artinya ada mekanisme modernisasi dalam proses
industri tersebut. Penggantian sebagian tenaga manusia
dengan mesin merupakan salah satu upaya modernisasi
industri. Melibatkan mesin dalam kegiatan ini tentunya akan
mampu menaikkan produktifitas dari pada penggunaan tenaga
manual saja.
Gambar
produktifitas

5.4
TK

berikut
di

setiap

ini

menunjukkan

Provinsi

sekaligus

besarnya
urutan

peringkatnya di Pulau Jawa. Jakarta masih menjadi leader

dalam hal produktifitas TK dibandingkan Provinsi yang lain.
Namun jika dilihat lebih ke dalam lagi, Jakarta Timur
merupakan wilayah dengan produktifitas TK paling tinggi di
Jakarta meskipun pusat industrinya berada di Jakarta Utara.
Begitu pula dengan Jawa Barat, Jawa Timur, Jawa Tengah, dan
Yogyakarta. Produktifitas pekerja industri paling besar justru di
Kabupaten Bogor, Tuban, Cilacap, dan Kota Yogyakarta yang
notabene bukan wilayah yang menjadi pusat industri.

117

5
Fenomena ini seharusnya menjadi perhatian bagi pihak
terkait, baik pengelola industri maupun pemerintah. Harus
dilihat lagi alasan-alasan mengapa di daerah pusat industri
justru tidak menunjukkan produktifitas pekerja yang lebih kuat
dibandingkan daerah lain. Perlu tidaknya tindakan evaluasi
guna penyeimbangan jumlah tenaga kerja dan mesin harus
dipikirkan. Terdapat kemungkinan tenaga mesin canggih yang
dapat dilibatkan dalam proses produksi memang berharga
mahal

sehingga

perusahaan

cenderung

mengoptimalkan

tenaga manusia.

Kota
Yogyakarta

Yogyakarta

Cilacap

Jawa Tengah

Tuban

Jawa Timur
Banten

Kab. Serang

Jawa Barat

Kab. Bogor
Jakarta Timur

DKI Jakarta
0

100000

200000

300000

400000

500000

Produktifitas (Ribu)

Gambar 5. 4 Produktifitas TK Setiap Provinsi di Jawa

118

5
5.5

Pembentukan Model GWR

5.5.1 Seleksi Variabel

Pada proses deteksi outlier dan seleksi variabel, terpilih
114 dari 118 kabupaten/kota di pulau Jawa untuk digunakan
sebagai objek penelitian dan dua variabel bebas yang secara
parsial signifikan mempengaruhi nilai tambah industri besar
sedang yaitu variabel upah dan variabel input (Tabel 5.2 kolom
3). Di samping itu, dilakukan proses pemilihan variabel normatif
(compulsory variable). Variabel normatif yang dimaksud pada
penelitian ini adalah variabel bebas yang secara normatif
dianggap memiliki pengaruh terhadap besarnya nilai tambah
industri

besar

sedang

walaupun

secara

statistik

tidak

menunjukan hasil yang signifikan. Variabel normatif yang

terpilih adalah variabel tenaga kerja dan variabel modal
dimana variabel modal yang dimaksud merupakan banyaknya
biaya yang dikeluarkan untuk penggunaan faktor produksi
mesin dan kendaraan.
Walaupun secara parsial tidak semua variabel signifikan
mempengaruhi nilai tambah industri besar sedang, variabelvariabel tersebut jika dilihat secara bersama-sama menunjukan
hasil yang signifikan mempengaruhi nilai tambah industri besar
sedang. Hal tersebut ditunjukkan melalui hasil uji kesesuaian
(goodness of fit test) model regresi global pada baris terakhir.
Koefisien determinasi yang sudah disesuaikan dari model
regresi

global

yang

dibangun

menunjukan

nilai

0,925.

Berdasarkan hal tersebut, dapat disimpulkan bahwa besarnya

nilai tambah industri besar sedang dapat dijelaskan melalui
model regresi global sebesar 92,5 persen.

119

5
Dengan menggunakan nilai VIF, diperoleh hasil bahwa
tidak terjadi multikolinearitas antar variabel bebas dalam model
regresi global. Hal ini ditunjukkan melalui VIF dari setiap
variabel bebas bernilai kurang dari 10.
Tabel 5. 2 Variabel yang Mem/pengaruhi NTB IBS
Variabel Independen
Intercept
Ln(Upah)
Ln(Input)
Ln(Modal)
Ln(TK)
Adj. R2
Goodness of fit (F-stat)

Koefisien

p-value

VIF

-0,472
0,405
0,563
-0,002
0,138

0,545
0,000
0,000
0,961
0,122

8,722
6,202
3,313
5,426

0,925
351,322

p-value

0,000

5.5.2 Deteksi Dini Keterkaitan Spasial Industri Besar Sedang

Sebelum menerapkan teknik pemodelan geographically
weighted regression perlu dilakukan pengujian deteksi dini
keterkaitan spasial dari objek yang diteliti. Uji deteksi dini
bertujuan untuk menentukan apakah teknik pemodelan
geographically weighted regression sesuai diterapkan pada
sebuah penelitian dilihat dari aspek keterkaitan antar wilayah.
Pada penelitian ini, uji deteksi dini dilakukan melalui identifikasi
autokorelasi spasial menggunakan indeks Global Morans I,
identifikasi asumsi normalitas error menggunakan indeks
Jarque-Bera,

dan

identifikasi

asumsi

homoskedastisitas

menggunakan indeks Breusch-Pagan.

Dengan menggunakan matrik penimbang spasial Queen
Contiguity, dilakukan penghitungan indeks Global Morans I
dari logaritma nilai tambah industri besar sedang. Gambar 5.5

120

5
menunjukkan bahwa indeks Global Morans I pada variabel
logaritma nilai tambah industri besar sedang bernilai positif
sebesar 0,3008 dan signifikan. Hal ini mengindikasikan bahwa
pada penelitian ini terjadi pengelompokan wilayah-wilayah
dengan karakteristik sama. Wilayah yang memiliki sektor
industri besar sedang dengan total nilai tambah yang tinggi
cenderung

mengelompok

dengan

wilayah-wilayah

yang

W. Ln(NTB)

memiliki karakteristik sejenis, demikian sebaliknya.

Ln(NTB)

Gambar 5. 5 Global Morans I Scatterplot dari Ln(NTB)

Berdasarkan model regresi global yang telah dibangun,
dilakukan deteksi dini terhadap pelanggaran asumsi normalitas
error, pelanggaran terhadap asumsi homoskedastisitas, dan
autokorelasi spasial pada residual model.

121

5
Tabel 5. 3 Diagnosa Residual
Statistik

Nilai

p-value

adj-R
SSE
Normality Test (Jarque-Bera)
Heteroskedasticity Test (Breusch-Pagan)
Moran's I (error)

0.925
0.232
4.474
9.359
0.144

.107
.053
.027

LM (Lag)

1.018

.313

Robust LM (Lag)

0.493

.483

LM (Error)

3.689

.055

Robust LM (Error)

3.165

.075

Tabel 5.3 memperlihatkan hasil beberapa uji deteksi dini

dari model regresi global yang telah dibangun. Uji Jarque-Bera
memberikan hasil p-value yang tidak signifikan dan dapat
disimpulkan bahwa model yang dibangun tidak melanggar
asumsi normalitas error. Dari uji Breusch-Pagan, nilai p-value
yang rendah menunjukkan indikasi adanya heteroskedastisitas
pada error. Hal ini dapat dipahami karena ragam error mungkin
saja dipengaruhi oleh

autokorelasi spasial dalam data.

Keberadaan autokorelasi spasial dalam data dibuktikan melalui

nilai indeks Global Morans I dari error model yang signifikan.
Nilai Lagrange Multiplier Error yang signifikan dibandingkan
dengan Lagrange Multiplier Lag semakin menguatkan pendapat
bahwa keterkaitan spasial untuk pemodelan nilai tambah
industri besar sedang terjadi pada error dan bukan pada
variabel dependen.

122

5
5.5.3 Pemilihan Model Terbaik
Berdasarkan hal tersebut di atas, penyusunan model GWR
dapat dilakukan dengan menentukan bandwith optimum.
Dengan menggunakan kernel adaptive Gaussian dan kriteria
statistik CV, diperoleh bandwith optimum sebanyak 14
tetangga terdekat.
Pemodelan data IBS menggunakan GWR ini pada awalnya
diasumsikan seluruh variabel independen yang terlibat dalam
model sebagai variabel lokal,

yaitu

Ln_Upah,

Ln_Input,

Ln_Modal, dan Ln_TK. Setelah diperoleh estimasi parameter

model, barulah diketahui suatu variabel independen termasuk
dalam variabel lokal atau global melalui uji variabilitas
parameter lokal. Hasilnya ditunjukkan pada tabel berikut:
Tabel 5. 4 Hasil Uji Variabilitas Terhadap Parameter Lokal
Variabel

Nilai F

Derajat Bebas

DIFF of Criterion

Intercept

3.875728**

3.744, 87.628

-0.041781

Ln_Upah

7.897365**

3.449, 87.628

-0.061979

Ln_Input

4.101946**

4.023, 87.628

-0.005669

Ln_Modal

5.472559**

3.919, 87.628

-0.029141

Ln_Tk

3.149804**

3.845, 87.628

-0.016398

Tabel 5.4 memperlihatkan nilai statistik uji F untuk setiap

variabel adalah signifikan. Dengan didukung nilai statistk DIFF
of Criterion yang seluruhnya bernilai negatif, dapat ditarik
kesimpulan bahwa seluruh variabel dalam model merupakan
variabel lokal. Artinya, setiap Kabupaten/Kota di Jawa memiliki
model GWR yang berbeda satu sama lain. Hasil estimasi
parameter model dirangkum dalam Tabel 5.5

123

5
Tabel 5. 5 Nilai Estimasi Parameter Variabel Model
Variabel
Intercept
Ln_Upah
Ln_Input
Ln_Modal
Ln_Tk

Minimum
19.62305
-0.057021
0.312965
-0.322406
0.028773

Maksimum
20.228
0.9706
1.604
0.3374
0.7325

Standar Deviasi
0.229799
0.261661
0.295355
0.15685
0.14731

Secara umum, model GRW yang menggambarkan kondisi

IBS setiap Kabupaten/Kota di Jawa adalah

atau

dimana, a, b1, b2, b3, b4, dan A merupakan parameter model

GWR

yang

nilainya

bergantung

pada

posisi

geografis

Kabupaten/Kota di pulau Jawa,

Model GWR yang diperoleh di atas ternyata cukup baik
untuk menjelaskan kondisi IBS di Pulau Jawa. Nilai adjusted R2
model sebesar 0,94 mampu menggambarkan kondisi IBS lebih
dari 90 persen melalui model yang dibangun. Kesimpulan ini
dipertegas melalui uji F pada table ANOVA (Tabel 5.6) yang
menyatakan bahwa model GWR lebih baik dari pada model
regresi linier (RLB).

124

5
Tabel 5. 6 ANOVA
Sumber
Global Residuals
GWR
Improvement
GWR Residuals

5.6

SS
25.253
10.302

DF
5
29.294

MS
0.352

14.951

79.706

0.188

1.874851**

Hasil dan Pembahsan

5.6.1 Model GWR di Pusat-pusat IBS di Pulau Jawa

Pada pembahasan profil IBS di Jawa, telah didaftar
wilayah-wilayah yang menjadi pusat IBS. Berikut ini adalah
model GWR Kabupaten/Kota yang menjadi pusat industri di
setiap Provinsi di Jawa.

Jakarta Timur14

Karawang

Kudus

Sleman

14

Pusat industri di Jakarta adalah Jakarta Utara. Namun dalam kajian ini,
Jakarta Utara menjadi pengamatan outlier sehingga tidak dimasukkan
dalam analisis. Oleh karena itu, wilayah yang dianggap menjadi pusat
industri di Jakarta adalah Jakarta Timur.

125

Kota Surabaya15

Kabupaten Serang

Setelah mengamati ke enam model diatas, dapat

diketahui bahwa nilai return to scale di setiap pusat industri
lebih dari 1. Artinya, di setiap wilayah pusat industri proses
produksi yang dilakukan bersifat increasing return to scale. Jika
nilai total faktor produksi dinaikkan 1% maka akan memberikan
peningkatan NTB di Jakarta Timur, Karawang, Kudus, Sleman,
Kota Surabaya, dan Kabupaten Serang berturut-turut sebesar
1,79%, 1.91%, 1.78%, 1.69%, 1,58%, dan 1,38%.

5.6.2 Analisis Menggunakan Peta Tematik

-

Residual Model

Gambar 5. 6 Sebaran Residual Model GWR

15

Pusat Industri di Jawa Timur adalah Kota Kediri. Namun dengan alasan
yang sama dengan di atas, wilayah yang dianggap pusat industry di Jawa
Timur adalah Kota Surabaya.

126

5
Berdasarkan gambar di atas, kita dapat mengetahui
bahwa residual model yang dihasilkan tersebar secara acak
antar wilayah. Hal ini menunjukkan bahwa pengaruh korelasi
dan heterogenitas spasial sudah terakomodasi dengan baik ke
dalam model sehingga pola spasial tidak nampak dalam
residual yang dihasilkannya.
-

Estimasi Nilai Tambah Bruto IBS

Gambar 5. 7 Sebaran Estimasi Nilai Tambah Bruto

Berdasarkan gambar di atas, dapat diketahui bahwa IBS di
Pulau Jawa diperkirakan mempunyai NTB antara 8,3 juta
sampai 2,58 milyar rupiah. NTB yang cukup besar berada di
kawasan Jabodetabek. Hal ini sejalan dengan kenyataan di
lapangan bahwa daerah Jabodetabek merupakan daerah
industri yang maju, sehingga produktivitasnya juga tentu akan
lebih tinggi dibandingkan daerah lainnya.

127

5
Return to Scale

Gambar 5. 8 Sebaran Angka Return to Scale

Berdasarkan gambar di atas dapat diketahui bahwa
proses produksi industri besar sedang di semua wilayah
mengalami increasing return to scale. Artinya, penambahan
upah, modal, input, dan tenaga kerja sebesar 1% mampu
meningkatkan nilai tambahnya lebih dari 1,5 %. Bahkan, di Jawa
Barat dan Jawa Tengah bagian barat serta bagian timur laut,
nilai return to scale-nya mendekati 2 yang berarti penambahan
faktor-faktor produksi tersebut dapat meningkatkan proporsi
penambahan nilai tambahnya hampir dua kali lipat.
Elastisitas upah tenaga kerja

Gambar 5. 9 Sebaran Angka Elastisitas Upah Tenaga Kerja

128

5
Dari gambar di atas dapat diketahui bahwa nilai elastisitas
upah tenaga kerja di seluruh wilayah bernilai kurang dari 1.
Artinya, pengeluaran untuk upah tenaga kerja masih belum
efisien karena peningkatan upah tenaga kerja tersebut belum
bisa meningkatkan nilai tambah yang sebanding. Bahkan di
sebagian wilayah provinsi Banten, peningkatan biaya untuk
upah tenaga kerja justru akan menurunkan nilai tambahnya.
-

Elastisitas modal

Gambar 5. 10 Sebaran Angka Elastisitas Modal

Berbicara mengenai elastisitas modal, terlihat bahwa
peningkatan modal usaha di sebagian besar wilayah Jawa
Timur serta sebagian kecil Jawa Barat dan Jawa Tengah mampu
meningkatkan nilai tambah usahanya. Akan tetapi, peningkatan
modal ternyata tidak sebanding dengan peningkatan nilai
tambah karena elastisitasnya kurang dari 1. Berbeda halnya
dengan wilayah lain, kebijakan peningkatan modal justru akan
menurunkan

nilai

tambah

industrinya.

Sehingga

justru

penggunaan modal ini berlebihan.

129

5
-

Elastisitas input

Gambar 5. 11 Sebaran Angka Elastisitas Input

Berdasarkan gambar di atas dapat diketahui bahwa di
separuh wilayah pulau Jawa, yaitu DKI Jakarta, Banten, sebagian
besar Jawa Tengah, dan sebagian kecil Jawa Barat, peningkatan
nilai input akan dapat meningkatkan nilai tambahnya pada
proporsi yang lebih besar (nilai elastisitas > 1). Sehingga dapat
diyakini bahwa penggunaan input di wilayah ini sudah cukup
efisien. Sebaliknya di separuh wilayah lainnya yaitu sebagian
besar Jawa Barat dan Jawa Timur, peningkatan nilai input
memang

mampu

meningkatkan

nilai

tambah,

tetapi

peningkatan ini masih belum mampu pada skala yang sama

atau lebih tinggi (nilai elastisitas < 1). Sehingga dapat
dikatakan bahwa penggunaan input di wilayah ini belum
efisien.

130

5
-

Elastisitas tenaga kerja

Gambar 5. 12 Sebaran Angka Elastisitas Tenaga Kerja

Berdasarkan gambar di atas, dapat diketahui bahwa
semua wilayah di Pulau Jawa memiliki nilai elastisitas tenaga
kerja kurang dari 1 yang berarti bahwa peningkatan tenaga
kerja tidak mampu meningkatkan produktivitas pada skala
yang sama. Atau, bisa dikatakan bahwa penggunaan tenaga
kerja dalam industri besar sedang belum efisien. Bahkan,
sebagian besar nilainya mendekati nol. Artinya, peningkatan
tenaga kerja hanya mampu meningkatkan produktivitas sedikit
saja atau bisa dikatakan tidak berubah. Hal ini menunjukkan
bahwa penggunaan tenaga kerja pada industri besar sedang di
Pulau Jawa masih belum efisien.

131

132

Bab 6. Penutup

6
Bab 6. Penutup
Masterplan Percepatan dan Perluasan Pembangunan
Ekonomi Indonesia (MP3EI) menghendaki seluruh wilayah NKRI
harus terkoneksi secara spasial dalam suatu koridor ekonomi.
Hal ini berdampak pada

proses pembangunan hingga

menimbulkan pengaruh spasial (saling terkaitnya satu wilayah

dengan wilayah lainnya). Disamping itu, dengan adanya
konektivitas spasial, stimulus yang sama yang diberikan oleh
pemerintah dapat memberikan hasil pembangunan yang
berbeda antara satu wilayah dengan wilayah lainnya. Dengan
kata lain konektivitas spasial juga menimbulkan heterogenitas
spasial.
Jika kondisi korelasi dan heterogenitas spasial dimodelkan
secara salah (tidak diakomodasi ke dalam model), maka bisa
jadi menimbulkan kesimpulan yang salah (seperti pada
fenomena paradoks Simpson) dan tentu akan mengakibatkan
pula residual/kesalahan prediksi yang dihasilkan menjadi
semakin tinggi.
Tulisan

ini

mengkaji

sebuah

metode

yang

dapat

menganalisis dampak konektivitas spasial yang memungkinkan

terjadinya korelasi dan heterogenitas spasial. Model ini
dinamakan model Geographically Weighted Regression (GWR).
Eksplorasi model GWR yang dilakukan bersifat teoretis terkait
konsep,

tahapan-tahapan

yang

dilakukan

dalam

proses

estimasi, asumsi yang mendasari model dan kerangka analisis

yang dapat dilakukan, dengan maksud memberikan pemahaman yang mendasar kepada pembaca tentang bagaimana

135

6
membangun model GWR dan melakukan analisis menggunakan model ini.
Untuk lebih memperjelas pemahaman tentang model
GWR, disertakan juga contoh penerapan metode analisis
dengan menggunakan model GWR. Terdapat dua contoh
analisis yang diberikan yakni analisis pada data Angka Melek
Huruf (AMH) dan analisis pada data Industri Besar Sedang (IBS).
Pada kedua contoh tersebut diperlihatkan bahwa konektivitas
spasial memberikan pengaruh yang signifikan, dan oleh
karenanya model bagi kedua data tersebut bersifat lokal, yakni
bersifat spesifik untuk masing-masing wilayah yang diamati.

136

Daftar Pustaka
Akmal, Yori.2006. Analisis Faktor-Faktor yang Mempengaruhi
Produktivitas Tenaga Kerja Industri Kecil Sanjai di Kota
Bukittinggi. Bogor: IPB.
Anselin, Luc. 1993. The Moran Scatterplot as an ESDA Tool to
Assess Local Instability in Spatial Association. Research
Paper 9330. Netherland
Anselin, Luc. 1999. Spatial Econometrics. Dallas: University of
Texas
Badan Penelitian dan Pengembangan Kesehatan. 2007.Laporan
Hasil Riset Kesehatan Dasar (RISKESDAS) Nasional.
Jakarta
Badan Pusat Statistik. 2012. Pengembangan Model Sosial:
Analisis

Spasial

Angka

Harapan

Hidup

Penduduk

Indonesia Hasil Sensus Penduduk 2010. Jakarta: Badan

Pusat Statistik.
BPS Provinsi Papua Barat. 2010. Indeks Pembangunan Manusia
(IPM) Provinsi Papua Barat. Manokwari
BPS. 2010. Panduan Penghitungan Indeks Pembangunan
Manusia (IPM). Jakarta
Charlton,

Martin

dan

Fotheringham

Stewart.

2009.

Gographically Weighted Regression White Paper. Science

Foundation, Ireland.

137

Chatterjee, Samprit and Ali S. Hadi (2006) Regression Analysis

by Example, 4th Ed. (Wiley Series in Probability and
Statistics): John Wiley & Sons, Inc., Hoboken, New Jersey.
E. H. Simpson. 1951. The Interpretation of Interaction in
Contingency Tables. Journal of the Royal Statistical
Society. Series B (Methodological), Vol. 13, No. 2 (1951).
pp. 238-241. Blackwell Publishing for the Royal Statistical
Society.
Fotheringham, A. Stewart; Chris Brunsdon; and Martin Charlton.
2002. Geographically Weighted Regression the analysis of
spatially varying relationships. University of Newcastle,
UK.
Husna, Lilis Nurul. 2012. GWR dengan Pembobot Adaptive
Gaussian Kernel Bandwidth untuk Penentuan Desa
Tertinggal di Provinsi DIY Tahun 2011. Jakarta : Sekolah
Tinggi Ilmu Statistik.
Karen,

Assessing

The

Fit

Of

Regression

Models.

www.theanalysisfactor.com/assessing-the-fit-ofregression-models/
Lloyd, Christopher D. 2007. Local Models for Spatial Analysis.
London: Taylor & Francis Group.
Merna Kumalasari. 2011. Analisis Pertumbuhan Ekonomi, Angka
Harapan Hidup, Angka Melek Huruf, Rata-Rata Lama
Sekolah, Pengeluaran Perkapita Dan Jumlah Penduduk
Terhadap Tingkat Kemiskinan Di Jawa Tengah. Undip

138

NACHROWI,

Nachrowi

D.

dan

USMAN,

Hardius.

2006.

Pendekatan Populer dan Praktis: Ekonometrika untuk

Analisis Ekonomi dan Keuangan. Lembaga Penerbit FEUI
Jakarta.
Nakaya,

Tomoki.

2012.

GWR4

User

Manual.

GWR4

Development Team.
Nur Lailiyah dan Purhadi. 2012.

Jurnal Sains & Seni Institut

Teknologi Sepuluh November (ITS): Pemodelan FaktorFaktor

Yang

Mempengaruhi

Tingkat

Buta

Huruf

Kabupaten/kota di Jawa Timur dengan Geographically

Weighted Ordinal Logistic Regression.
Ramadhani, Yuliastuti. 2011. Analisis Efisiensi, Skala dan
Elastisitas Produksi dengan Pendekatan Cobb-Douglas
dan Regresi Berkala. Jurnal Teknologi, 4 (1), 61-68.
Shrestha, Prasanna Man. 2006. omparison of Ordinary Least
Square

Regression,

Spatial

Autoregression,

and

Geographically Weighted Regression for Modeling Forest

Structural Attributes Using a Geographical Information
System (GIS)/Remote Sensing (RS) Approach. Calgary:
Department of Geography.
Thadewald, Thorsten dan Herbert Biining. 2004. Jarque-Bera
Test and its Competitors for Testing Normality - A Power
Comparison. School of Business & Economics Discussion
Paper: Economics, No. 2004/9.
Yrigoyen, C.C., Isabel Gracia Rodriguez dan Jose Vicens Otero.
2007.

Modeling

Spatial

Variations

in

Household

139

Disposable

Income

with

Geographically

Weighted

Regression. MPRA Paper No.1682 (12).

Zaman, Asad. 2008. On the Inconsistency of the Breusch-Pagan
Test. MPRA Paper No.9904 (12).

140

141