PEMODELAN PENDUDUK MISKIN

DI JAWA TENGAH MENGGUNAKAN METODE

GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
Dedi Setiawan1), Erlin Sukmaputri2), Muhammad Nasrudin3)
1)
1314100071, 2)1314100092, 3)131410068
1,2,3)
Statistika Spasial - A

Propinsi Jawa Tengah terbagi atas 35 kabupaten dan 6 kota atau secara
administratif terdapat 38 kabupaten/kota. Perkembangan Jumlah dan Persentase
Penduduk Miskin di Indonesia mengalami penurunan dari tahun 1976 ke tahun 1996.
Pada tahun 1998 hingga tahun 2005 terjadi penurunan jumlah penduduk miskin sebesar
14,40 juta jiwa. Jumlah penduduk miskin mengalami kenaikan sebesar 4,20 juta jiwa
pada tahun 2006. Namun, selama periode tahun 2007 hingga tahun 2012 mengalami
penurunan jumlah penduduk miskin secara berkala. Persentase penduduk miskin
kabupaten/kota di Propinsi Jawa Tengah berdasarkan penyebaranya menunjukkan
persentase penduduk miskin yang ada di kota cenderung sangat rendah antara lain Kota
Semarang, Kota Salatiga, Kabupaten Semarang, dan Kabupaten Kudus. Penduduk
miskin di perkotaan mengalami penurunan dikarenakan penduduk di kota cenderung
menjauhi dari garis kemiskinan. Sedangkan, kategori persentase sangat tinggi terdapat
di Kabupaten Purbalingga, Kabupaten Brebes, Kabupaten Rembang, Kabupaten
Kebumen, dan Kabupaten Wonosobo. Dengan kata lain, penduduk miskin yang
cenderung tinggi tersebut pendapatannya dibawah garis kemiskinan, yaitu sejumlah
rupiah yang dibutuhkan sangat kurang untuk membayar makanan setara 2100 kkal
sehari dan kebutuhan yang diperlukan agar hidup layak belum terpenuhi.
Variabel yang digunakan dalam penelitian ini terdiri dari satu variabel respon dan
lima variabel prediktor. Variabel respon pada penelitian ini adalah persentase penduduk
miskin dan variabel prediktor yang digunakan adalah sebagai berikut. Persentase
Penduduk usia 15 tahun ke atas yang bekerja di sektor pertanian (X1), Persentase
pengeluaran perkapita untuk makanan (X2), Persentase penduduk yang menggunakan
air bersih (X3), Pelayanan kesehatan Jamkesmas penduduk (X4), Persentase penduduk
yang pernah menerima beras raskin (X5). Berikut ini merupakan statistika deskriptif
untuk variabel respon dan semua variabel prediktor.
Variable Mean StDev Minimum Maximum
Y 13,858 4,463 5,250 (Kota Semarang) 22,080 (Kab. Wonosobo)
X1 35,28 12,79 15,29 (Kab. Wonogiri) 62,28 (Kota Surakarta)
X2 57,947 4,041 47,07 (Kota Semarang) 63,800 (Kab Batang)
X3 69,75 12,04 40,51 (Kab. Pemalang) 95,15 (Kab. Pemalang)
X4 58,49 12,91 34,18 (Kab. Kudus 91,02 (Kota Salatiga)
X5 84,71 13,50 46,17 (Kota pekalongan) 99,51 (Kab. Pemalang)

Pola hubugan variabel prediktor dengan variabel respon dilakukan sebelum

mendapatkan model regresi linier sederhana berikut ini merupakan pola hubungan
antara setiap variabel respon dan prediktor

Scatterplot of y vs x1; x2; x3; x4; x5

x1 x2 x3

20

15

10

5
y

20 40 60 50 55 60 50 75 100
x4 x5

20

15

10

5
40 60 80 50 75 100

Berdasarkan Gambar diatas dapat dilihat bahwa hubungan yang menunjukan

hubungan positif adalah hubungan antara variabel respon dengan variabel persentase
pengeluaran perkapita untuk makanan, persentase penduduk miskin pada pelayanan
kesehatan jamkesmas, dan penduduk miskin yang menerima beras raskin. Hal ini
menunjukan bahwa semakin tinggi Persentase pengeluaran perkapita untuk makanan,
persentase penduduk miskin, maka persentase pelayanan jamkesmas, dan penduduk
yang menerima raskin juga semakin tinggi.
Uji Normalitas
Pada bagian ini akan dilakukan pemodelan angka angka kemiskinan di Jawa Tengah
dengan menggunakan metode Geographically Weighted Regression (GWR). Data yang
digunakan dalam penelitian ini adalah data variabel respon yang telah memenuhi asumsi
Normal.
Hipotesis yang digunakan dalam pengujian asumsi respon berdistribusi Normal ini adalah
sebagai berikut.
H0 : () = 0() (respon berdistribusi Normal)
H1 : () 0() (respon tidak berdistribusi Normal)
Pengujian asumsi respon berdistribusi Normal menggunakan uji Kolmogorov Smirnov,
diperoleh P-value sebesar > 0,150 atau gagal tolak H 0 yang berarti respon telah berdistribusi
normal. Nilai p-value dapat dilihat pada gambar dibawah ini.

Probability Plot of y
Normal
99
Mean 13,86
StDev 4,463
95 N 35
KS 0,093
90
P-Value >0,150
80
70
Percent

60
50
40
30
20

10

1
5 10 15 20 25
y

Multokolinieritas
Sebelum melakukan pemodelan dengan menggunakan metode Ordinary Least Square
(OLS), dilakukan pengujian asumsi multikolinearitas dengan melihat nilai VIF (variance
inflation factors). Multikolinearitas merupakan suatu keadaan dimana nilai mutlak korelasi
antara variabel respon dengan variabel prediktor lebih kecil dibanding nilai mutlak korelasi
antara variabel prediktor. Nilai VIF yang kurang dari 10 menunjukkan bahwa tidak terdapat
korelasi antar variabel prediktor. dapat terlihat bahwa nilai VIF seluruh variabel kurang dari 10,
hal ini menunjukkan bahwa tidak terdapat multikolinearitas pada data yang digunakan, sehingga
dapat dilanjutkan pada pemodelan dengan menggunakan metode Ordinary Least Square (OLS).
 Variabl
VIF
e
X1 2,398
X2 3,936
X3 2,497
X4 1,193
X5 2,128

Ordinary Least Square (OLS)

Berikut merupakan hasil pemodelan menggunakan metode Ordinary Least Square
(OLS)

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 32.46807 21.35918 1.520 0.1393
x1 -0.14376 0.06807 -2.112 0.0434 *
x2 -0.22946 0.27596 -0.831 0.4125
x3 -0.15887 0.07380 -2.153 0.0398 *
x4 0.08090 0.04756 1.701 0.0996 .
x5 0.07210 0.06075 1.187 0.2450
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Residual standard error: 3.278 on 29 degrees of freedom

Multiple R-squared: 0.54, Adjusted R-squared: 0.4606
F-statistic: 6.807 on 5 and 29 DF, p-value: 0.000261

Berdasarkan hasil output pada R diatas maka dapat di dituliskan model regresi
sebagai berikut
y=32,50,144 x 10,229 x 20,159 x 3+0,0809 x 4 +0,0721 x 5
Hasil pengujian secara serentak pada pemodelan regresi liner diperoleh nilai F hitung
sebesar 6,807 dan P-value sebesar 0,000. Dengan menggunakan =0,1 maka dapat
disimpulkan H0 ditolak, yang berarti bahwa pemodelan dengan menggunakan regresi
linier berganda secara serentak menghasilkan parameter yang signifikan.

Pengujian Signifikansi Parameter

Berdasarkan hasil dari pengujian signifikansi parameter secara serentak, selanjutnya
dilakukan pengujian signifikansi parameter secara parsial untuk mengetahui variabel mana saja
yang berpengaruh secara signifikan terhadap variabel respon dengan hipotesis sebagai berikut
0: =0
1: 0; =1,2,,7
 Variabel P-value
Persentase Penduduk usia 15 tahun ke atas yang bekerja di sektor pertanian 0,0434*
Persentase pengeluaran perkapita untuk makanan 0,4125
Persentase penduduk yang menggunakan air bersih 0,0398*
Pelayanan kesehatan Jamkesmas penduduk 0,0996*
Persentase penduduk yang pernah menerima beras raskin 0,245
Dengan menggunakan =0,1 makan dapat disimpulkan bahwa parameter yang
berpengaruh terhadap variabel respon adalah variabel persentase pengeluaran perkapita
untuk makanan dan variabel persentase penduduk yang pernah menerima beras raskin
karena masing-masing variabel memiliki nilai P-value > 0,1.

Pengujian Heterogenitas Spasial

Pengujian heterogenitas spasial dilakukan untuk mengetahui adanya keberagaman
dalam hubungan secara kewilayahan. Heterogenitas spasial dapat diidentifikasi dengan
menggunakan pengujian Breusch Pagan. Hipotesis yang digunakan adalah sebagai
berikut.
H 0 : 21= 22== 235 (tidak terdapat heterogenitas spasial)
2 2
H1: minimal ada satu 1= 2 (ada heterogenitas spasial)

Berdasarkan perhitungan R diperoleh p-value pengujian Breusch Pagan sebesar

0,05413. Dengan menggunakan taraf signifikansi sebesar 0,1 maka diputuskan tolak H0
atau terdapat heterogenitas spasial pada data yang diamati.

Pengujian Dependensi Spasial

Pengujian Morans I merupakan pengujian yang dilakukan untuk melihat apakah
pengamatan di suatu lokasi berpengaruh terhadap pengamatan di lokasi lain yang
letaknya saling berdekatan. Hipotesis yang digunakan pada pengujian ini adalah sebagai
berikut.
H 0: I =0 (tidak ada dependensi spasial)

H 1 : I 0 (terdapat dependensi spasial)

Berdasarkan output R, diketahui bahwa pada penelitian ini diperoleh p-value

sebesar 0,0389 atau kurang dari sebesar 0,1 sehingga dapat disimpulkan bahwa tolak
H0 atau terdapat dependensi spasial pada pengamatan.karena aspek heterogenitas
spasial dan dependensi spasial terpenuhi sehingga dapat dilanjutkan untuk pemodelan
Geographically Weighted Regression. Regresi GWR

Geographically Weighted Regression (GWR

Pemodelan Geographically Weighted Regression (GWR) dilakukan dengan
memasukan pembobot spasial dengan metode weighted least square. Matrik pembobot
yang digunakan merupakan matrik yang elemenya merupakan fungsi kernel yang terdiri
dari jarak antar lokasi dan bandwidth. Fungsi kernel yang digunakan dalam pemodelan
GWR dipilih dengan melihat nilai AIC terkecil dari hasil pemodelanya.
Model AIC R-sq
Regresi Linier 189,8475 46,06%
GWR
Gaussian 182,214 52,5%
Bisquare 181,730 54,5%
Adaptive Gaussian 181,578 55,2%
Adaptive Bisquare* 181.579 55,2%
Keterangan: *) Pembobot terbaik

Nilai AIC terkecil diperoleh dari pemodelan dengan fungsi kernel Adaptive
Tricube. fungsi kernel adaptive memiliki bandwidth yang berbeda-beda di setiap lokasi
pengamatan. Setelah menentukan fungsi kernel yang digunakan, selanjutnya
menentukan bandwidth untuk setiap lokasi yang diamati. Setelah diperoleh nilai
bandwidth maka langkah yang perlu dilakukan berikutnya yaitu mencari matriks
pembobot.
Matrik pembobot yang diperoleh untuk tiap-tiap lokasi kemudian digunakan
untuk membentuk model sehingga tiap-tiap lokasi memiliki model yang berbeda-beda.
Rangkuman hasil estimasi parameter model GWR dapat dilihat pada tabel sebagai
berikut
Nilai (ui,vi)
Estimastor Global
Min Median Max
x,Inter 31,33 33,71 35,85 32,4681
x1 -0,1549 -0,1473 -0,1376 -0,1438
x2 -0,2694 -0,2473 -0,2255 -0,2295
x3 -0,1696 -0,1577 -0,1503 -0,1589
x4 0,07338 0,07659 0,08795 0,0809
x5 0,06479 0,07365 0,07792 0,0721
R-sq 55,2% 46,06%
 SSE 303,3914 311,5895

Nilai R-sq pemodelan GWR diperoleh sebesar 55,2%, hal ini berarti sebanyak
55,22 variabel respon dapat dijelaskan oleh variabel prediktor. Jika dibandingkan
dengan R-sq pemodelan dengan regresi linier berganda diperoleh sebesar 46,06%, maka
untuk sementara pemodelan dengan GWR dikatakan lebih baik.
Untuk melihat apakah pemodelan dengan menggunakan GWR menghasilkan
model yang lebih baik dilakukan pengujian kesesuaian model dengan hipotesis sebagai
berikut.

H 0 : k ( ui , v i ) = k

H 0 : k ( ui , v i ) k

Analysis of Variance Table

Df Sum Sq Mean Sq P value
OLS Residuals 6.0000 311.589
GWR Improvement 1.2592 8.198 6.5105
GWR Residuals 27.7408 303.391 10.9367 0.5953

Berdasarkan hasil uji F pada R diperoleh p-value sebesar 0,5953. Dengan

menggunakan =0,1 maka dapat disimpulkan H0 gagal ditolak, dengan kata lain tidak
terdapat perbedaan yang signifikan antara model GWR dan model regresi linier.

Pengujian Signifikansi Parameter

Pengujian signifikansi model GWR secara parsial dilakukan untuk mengetahui
parameter-parameter yang signifikan di setiap wilayah. Hipotesis yang digunakan dalam
pengujian signifikansi model GWR secara parsial adalah sebagai berikut.
H 0 : k ( ui , v i )=0

H 0 : k ( ui , v i ) 0

Berdasarkan hasil pengujian signifikansi parameter dengan diperoleh parameter yang

signifikan berbeda-beda untuk tiap kabupaten/kota dengan menggunakan = 10%,

 t 21
=t 0,05 ;27,74 =1,703
maka didapatkan 2 2
; . Hasil estimasi parameter GWR yang

signifikan setiap lokasi pengamatan dapat dilihat pada Tabel sebagai berikut.
Variabel Variabel
Kab/Kota Kab/Kota
Signifikan Signifikan
Kab. Cilacap X1, X3, X4 Kab. Kudus X1, X3,
Kab. Banyumas X1, X3, X4 Kab. Jepara X1, X3,
Kab. Purbalingga X1, X3, X4 Kab. Demak X1, X3,
Kab. Banjarnegara X1, X3, X4 Kab. Semarang X1, X3,
Kab.
kab. Kebumen X1, X3, X4 Temanggung X1, X3,
Kab. Purworejo X1, X3, Kab. Kendal X1, X3,
Kab. Wonosobo X1, X3, Kab. Batang X1, X3, X4
Kab. Magelang X1, X3, Kab. Pekalongan X1, X3, X4
Kab. Boyolali X1, X3, Kab. Pemalang X1, X3, X4
Kab. Klaten X1, X3, Kab. Tegal X1, X3, X4
Kab. Sukoharjo X1, X3, Kab. Brebes X1, X3, X4
Kab. Wonogiri X1, X3, Kota Magelang X1, X3,
Kab. Karanganyar X1, X3, Kota Surakarta X1, X3,
Kab. Sragen X1, X3, Kota Salatiga X1, X3,
Kab. Grobogan X1, X3, Kota Semarang X1, X3,
Kab. Blora X1, X3, Kota Pekalongan X1, X3, X4
Kab. Rembang X1, X3, Kota Tegal X1, X3, X4
Kab. Pati X1, X3,
Lampiran
1. Syntax R

data=read.table("F:\\spasial1.csv",header=TRUE,sep=";")
data
reglin=lm(y~x1+x2+x3+x4+x5,data=data)
summary(reglin)
anova(reglin)

bptest(reglin)

#morans i
library(ape)
tesis.dists=as.matrix(dist(cbind(data$u,data$v)))
tesis.dists.inv=1/tesis.dists
diag(tesis.dists.inv)=0
Moran.I(data$y,tesis.dists.inv)

u=data$u
v=data$v

#membentuk matriks jarak euclidean

u=as.matrix(u)
i=nrow(u)
v=as.matrix(v)
j=nrow(v)
jarak<-matrix(nrow=35,ncol=35)
for(i in 1:35)
for (j in 1:35)
{jarak[i,j]=sqrt((u[i,]-u[j,])**2+(v[i,]-v[j,])**2)}
write.csv(cbind(jarak),"euclideannew.csv")
#Bandwidth
bandwidth.fg<-
gwr.sel(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),ad
apt=FALSE,gweight=gwr.Gauss)
bandwidth.fb<-
gwr.sel(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),ad
apt=FALSE,gweight=gwr.bisquare)
bandwidth.ag<-
gwr.sel(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),ad
apt=TRUE,gweight=gwr.Gauss)
bandwidth.ab<-
gwr.sel(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),ad
apt=TRUE,gweight=gwr.bisquare)

#model GWR
model.fg<-
gwr(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),band
width=bandwidth.fg,hatmatrix=TRUE)
model.fb<-
gwr(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),band
width=bandwidth.fb,hatmatrix=TRUE)
model.ag<-
gwr(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),adapt
=bandwidth.ag,hatmatrix=TRUE)
model.ab<-
gwr(formula=y~x1+x2+x3+x4+x5,data=data,coords=cbind(u,v),adapt
=bandwidth.ab,hatmatrix=TRUE)

model.fg
model.fb
model.ag
model.ab
#ANOVA model GWR

BFC02.gwr.test(model.ab)
anova(model.ab)

#uji signifikansi parameter

names(model.ab)
names(model.ab$SDF)
b_int.ab <-model.fg$SDF$"(Intercept)"
b_x1.ab <-model.ab$SDF$x1
b_x2.ab <-model.ab$SDF$x2
b_x3.ab <-model.ab$SDF$x3
b_x4.ab <-model.ab$SDF$x4
b_x5.ab <-model.ab$SDF$x5
se_int.ab<-model.ab$SDF$"(Intercept)_se"
se_x1.ab<-model.ab$SDF$x1_se
se_x2.ab<-model.ab$SDF$x2_se
se_x3.ab<-model.ab$SDF$x3_se
se_x4.ab<-model.ab$SDF$x4_se
se_x5.ab<-model.ab$SDF$x5_se
t_int.ab <-model.ab$SDF$"(Intercept)"/model.ab$SDF$"(Intercept)_se"
t_x1.ab<-model.ab$SDF$x1/model.ab$SDF$x1_se
t_x2.ab<-model.ab$SDF$x2/model.ab$SDF$x2_se
t_x3.ab<-model.ab$SDF$x3/model.ab$SDF$x3_se
t_x4.ab<-model.ab$SDF$x4/model.ab$SDF$x4_se
t_x5.ab<-model.ab$SDF$x5/model.ab$SDF$x5_se
localR2.ab<-model.ab$SDF$localR2
write.csv(cbind(b_int.ab,b_x1.ab,b_x2.ab,b_x3.ab,b_x4.ab,b_x5.ab,se_int
.ab,se_x1.ab,se_x2.ab,se_x3.ab,se_x4.ab,se_x5.ab,t_int.ab,t_x1.ab,t_x2.
ab,t_x3.ab,t_x4.ab,t_x5.ab,localR2.ab),"outputTA_fgnew.csv")
#menyimpan bandwidth
model.ab$bandwidth
2. Output Regresi OLS
write.csv(cbind(model.ab$bandwidth),"bandwidth_abnew.csv")
Residuals:
Min 1Q Median 3Q Max
-5.7255 -2.3952 0.1907 1.7807 7.5506
#menyimpan pembobot fungsi kernel
Coefficients:
bandwidth.ab<-model.ab$bandwidth
Estimate Std. Error t value Pr(>|t|)
(Intercept)
bandwidth.ab<- 32.46807 21.35918 1.520 0.1393
as.matrix(bandwidth.ab)
x1 -0.14376 0.06807 -2.112 0.0434 *
x2
bandwidth.ab -0.22946 0.27596 -0.831 0.4125
x3 -0.15887 0.07380 -2.153 0.0398 *
x4 0.08090 0.04756 1.701 0.0996 .
i<-nrow(bandwidth.ab)
x5 0.07210 0.06075 1.187 0.2450
pembobot<-matrix(nrow=35,ncol=35)
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
for (i in 1:35)
Residual standard error: 3.278 on 29 degrees of freedom
for Multiple
(j in 1:35)
R-squared: 0.54, Adjusted R-squared: 0.4606
F-statistic: 6.807 on 5 and 29 DF, p-value: 0.000261
{pembobot[i,j]=exp(-0.5*(jarak[i,j]/0.06648)**2)}
3.write.csv(cbind(pembobot),"kernel_abnew.csv")
Output Uji Heterogenitas

studentized Breusch-Pagan test

.
data: reglin
BP = 10.8649, df = 5, p-value = 0.05413

4. Output Uji Dependensi

$observed
[1] 0.03170282

$expected
[1] -0.02941176

$sd
[1] 0.02959586

$p.value
[1] 0.03892577
5. Output GWR

Kernel function: gwr.Gauss

Adaptive quantile: 0.9999339 (about 34 of 35)
Summary of GWR coefficient estimates:
Min. 1st Qu. Median 3rd Qu. Max. Global
X.Intercept. 31.33000 32.66000 33.71000 34.67000 35.85000 32.4681
x1 -0.15490 -0.15060 -0.14730 -0.14360 -0.13760 -0.1438
x2 -0.26940 -0.25440 -0.24730 -0.23760 -0.22550 -0.2295
x3 -0.16960 -0.16590 -0.15770 -0.15390 -0.15030 -0.1589
x4 0.07338 0.07442 0.07659 0.08516 0.08795 0.0809
x5 0.06479 0.06811 0.07365 0.07534 0.07792 0.0721
Number of data points: 35
Effective number of parameters (residual: 2traceS - traceS'S): 7.259249
Effective degrees of freedom (residual: 2traceS - traceS'S): 27.74075
Sigma (residual: 2traceS - traceS'S): 3.307062
Effective number of parameters (model: traceS): 6.66444
Effective degrees of freedom (model: traceS): 28.33556
Sigma (model: traceS): 3.272167
Sigma (ML): 2.9442
AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 195.2864
AIC (GWR p. 96, eq. 4.22): 181.5787
Residual sum of squares: 303.3911
Quasi-global R2: 0.5520551

Kernel function: gwr.Gauss

Adaptive quantile: 0.9999448 (about 34 of 35)
Summary of GWR coefficient estimates:
Min. 1st Qu. Median 3rd Qu. Max. Global
X.Intercept. 31.33000 32.66000 33.71000 34.67000 35.85000 32.4681
x1 -0.15490 -0.15060 -0.14730 -0.14360 -0.13760 -0.1438
x2 -0.26940 -0.25440 -0.24730 -0.23760 -0.22550 -0.2295
x3 -0.16960 -0.16590 -0.15770 -0.15390 -0.15030 -0.1589
x4 0.07338 0.07442 0.07659 0.08516 0.08795 0.0809
x5 0.06479 0.06811 0.07365 0.07533 0.07792 0.0721
Number of data points: 35
Effective number of parameters (residual: 2traceS - traceS'S): 7.259212
Effective degrees of freedom (residual: 2traceS - traceS'S): 27.74079
Sigma (residual: 2traceS - traceS'S): 3.307061
Effective number of parameters (model: traceS): 6.664419
Effective degrees of freedom (model: traceS): 28.33558
Sigma (model: traceS): 3.272168
Sigma (ML): 2.944202
AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 195.2864
AIC (GWR p. 96, eq. 4.22): 181.5788
Residual sum of squares: 303.3914
Quasi-global R2: 0.5520545
Kernel function: gwr.Gauss
Fixed bandwidth: 2.956585
Summary of GWR coefficient estimates:
Min. 1st Qu. Median 3rd Qu. Max. Global
X.Intercept. 31.69000 32.56000 32.85000 33.55000 34.15000 32.4681
x1 -0.14940 -0.14690 -0.14500 -0.14360 -0.13960 -0.1438
x2 -0.24530 -0.24090 -0.23570 -0.23310 -0.22690 -0.2295
x3 -0.16590 -0.16210 -0.15850 -0.15630 -0.15300 -0.1589
x4 0.07590 0.07749 0.07973 0.08235 0.08594 0.0809
x5 0.06773 0.07036 0.07273 0.07377 0.07616 0.0721
Number of data points: 35
Effective number of parameters (residual: 2traceS - traceS'S): 6.564195
Effective degrees of freedom (residual: 2traceS - traceS'S): 28.43581
Sigma (residual: 2traceS - traceS'S): 3.291009
Effective number of parameters (model: traceS): 6.289811
Effective degrees of freedom (model: traceS): 28.71019
Sigma (model: traceS): 3.275246
Sigma (ML): 2.966387
AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 194.5444
AIC (GWR p. 96, eq. 4.22): 181.7296
Residual sum of squares: 307.9809
Quasi-global R2: 0.5452783

Kernel function: gwr.Gauss

Fixed bandwidth: 2.956585
Summary of GWR coefficient estimates:
Min. 1st Qu. Median 3rd Qu. Max. Global
X.Intercept. 31.69000 32.56000 32.85000 33.55000 34.15000 32.4681
x1 -0.14940 -0.14690 -0.14500 -0.14360 -0.13960 -0.1438
x2 -0.24530 -0.24090 -0.23570 -0.23310 -0.22690 -0.2295
x3 -0.16590 -0.16210 -0.15850 -0.15630 -0.15300 -0.1589
x4 0.07590 0.07749 0.07973 0.08235 0.08594 0.0809
x5 0.06773 0.07036 0.07273 0.07377 0.07616 0.0721
Number of data points: 35
Effective number of parameters (residual: 2traceS - traceS'S): 6.564195
Effective degrees of freedom (residual: 2traceS - traceS'S): 28.43581
Sigma (residual: 2traceS - traceS'S): 3.291009
Effective number of parameters (model: traceS): 6.289811
Effective degrees of freedom (model: traceS): 28.71019
Sigma (model: traceS): 3.275246
Sigma (ML): 2.966387
AICc (GWR p. 61, eq 2.33; p. 96, eq. 4.21): 194.5444
AIC (GWR p. 96, eq. 4.22): 181.7296
Residual sum of squares: 307.9809
Quasi-global R2: 0.5452783
 6. Output Estimasi Parameter beta

Lokasi b0 b1 b2 b3 b4 b5

Kab. Cilacap 33,6357 -0,1478 -0,24559 -0,16547 0,086702 0,068446

Kab. Banyumas 33,62895 -0,1489 -0,24859 -0,16607 0,086712 0,067963
Kab. Purbalingga 33,71362 -0,15063 -0,25223 -0,1672 0,086931 0,066984
Kab. Banjarnegara 33,44295 -0,14999 -0,25367 -0,16574 0,085399 0,068249
kab. Kebumen 33,05795 -0,14578 -0,24734 -0,16197 0,083288 0,071438
Kab. Purworejo 32,79611 -0,14347 -0,2465 -0,15847 0,079854 0,074198
Kab. Wonosobo 33,06154 -0,14784 -0,25498 -0,16155 0,080983 0,071696
Kab. Magelang 32,81046 -0,1451 -0,25392 -0,15686 0,076055 0,07521
Kab. Boyolali 32,43671 -0,13889 -0,23901 -0,15401 0,076587 0,077439
Kab. Klaten 32,13789 -0,13894 -0,23146 -0,15127 0,073376 0,077649
Kab. Sukoharjo 32,21629 -0,1391 -0,23309 -0,15157 0,073462 0,077647
Kab. Wonogiri 31,69203 -0,13761 -0,22554 -0,15026 0,073457 0,077924
Kab. Karanganyar 31,93234 -0,13942 -0,22809 -0,15092 0,073413 0,077241
Kab. Sragen 32,28551 -0,14208 -0,23269 -0,15229 0,073617 0,076163
Kab. Grobogan 32,55153 -0,14436 -0,23713 -0,15373 0,073952 0,075166
Kab. Blora 32,34643 -0,14393 -0,23202 -0,15314 0,074352 0,075084
Kab. Rembang 32,58318 -0,14563 -0,23431 -0,15427 0,074838 0,074216
Kab. Pati 32,72078 -0,14637 -0,23813 -0,15485 0,074601 0,074058
kab. Kudus 32,83788 -0,14738 -0,24179 -0,15572 0,074662 0,073651
kab.Jepara 33,13923 -0,14967 -0,24305 -0,15773 0,076063 0,072017
Kab. Demak 32,84276 -0,14727 -0,24488 -0,15602 0,074495 0,073835
Kab. Semarang 32,84965 -0,14688 -0,25002 -0,15667 0,074707 0,074168
Kab. Temanggung 32,94467 -0,14795 -0,25933 -0,15899 0,077014 0,073554
Kab. Kendal 33,2342 -0,15455 -0,26935 -0,1639 0,078772 0,069292
Kab. Batang 33,5359 -0,1548 -0,26402 -0,16738 0,083492 0,066534
Kab. Pekalongan 33,56307 -0,15248 -0,25853 -0,16733 0,085594 0,066828
Kab. Pemalang 33,6824 -0,15201 -0,25593 -0,16775 0,086575 0,066492
Kab. Tegal 33,9168 -0,15162 -0,25295 -0,16825 0,087568 0,066045
Kab. Brebes 34,15411 -0,151 -0,25013 -0,1682 0,087952 0,066048
Kota Magelang 32,76328 -0,14378 -0,25052 -0,15668 0,076847 0,07546
Kota Surakarta 32,29036 -0,14112 -0,23359 -0,15209 0,073434 0,076695
Kota Salatiga 32,57627 -0,14296 -0,24137 -0,15388 0,073855 0,076052
Kota Semarang 33,0594 -0,15063 -0,25674 -0,15936 0,075634 0,072109
Kota Pekalongan 33,7454 -0,15493 -0,2614 -0,16853 0,084921 0,065544
Kota Tegal 34,1329 -0,15367 -0,25585 -0,16956 0,087551 0,064791
7. Output Satatistik Uji Beta
Lokasi thit b0 thit b1 thit b2 thit b3 thit b4 thit b5 Local R
 1,58141 1,81271 0,56107
Kab. Cilacap 5 -2,16005 -0,88631 -2,22738 8 1,122 7
1,59382 1,81202 1,11344 0,56206
Kab. Banyumas 6 -2,17461 -0,89674 -2,2337 1 9 8
1,81601 1,09654 0,56383
Kab. Purbalingga 1,611602 -2,19746 -0,90919 -2,24681 5 5 3
Kab. 1,60996 1,78409 1,11785 0,56193
Banjarnegara 3 -2,19011 -0,91515 -2,22876 3 7 5
1,57047 1,74091 1,17186 0,55613
kab. Kebumen 8 -2,13375 -0,89396 -2,18202 3 2 6
1,55231 1,21759 0,55057
Kab. Purworejo 3 -2,10212 -0,89148 -2,1351 1,66909 8 5
1,59742 1,69222 1,17598 0,55582
Kab. Wonosobo 5 -2,16354 -0,92137 -2,17507 5 2 5
1,57417 1,58823 1,23372 0,54782
Kab. Magelang 5 -2,12546 -0,91708 -2,10954 2 9 1
1,50526 1,60084 1,26978 0,54255
Kab. Boyolali 6 -2,03454 -0,86379 -2,07319 9 2 4
1,48541 1,54023 1,27515 0,53792
Kab. Klaten 3 -2,03669 -0,83621 -2,04006 9 3 6
1,49099 1,54171
Kab. Sukoharjo 8 -2,03943 -0,84222 -2,04413 2 1,27522 0,53834
1,46192 1,54235 1,27907 0,53641
Kab. Wonogiri 9 -2,01561 -0,81454 -2,0259 8 9 4
Kab. 1,47695 1,54125 1,26816 0,53791
Karanganyar 7 -2,04245 -0,82379 -2,03507 3 2 1
1,50259 1,54544 1,25108 0,54063
Kab. Sragen 8 -2,08225 -0,84066 -2,05471 8 8 7
1,52678 1,55266 1,23528 0,54328
Kab. Grobogan 5 -2,11634 -0,85698 -2,07559 3 2 5
1,50857 1,56015
Kab. Blora 4 -2,10818 -0,83825 -2,06646 4 1,23316 0,54291
1,52370 1,57023 1,21913 0,54510
Kab. Rembang 6 -2,13319 -0,84669 -2,08284 4 7 6
1,53892 1,56588 1,21695 0,54575
Kab. Pati 5 -2,14483 -0,86057 -2,09152 9 7 3
1,55538 1,56774 1,21071 0,54701
kab. Kudus 4 -2,16042 -0,87399 -2,10444 6 3 9
1,59753 1,18405
kab.Jepara 1,57238 -2,19382 -0,87892 -2,134 4 8 0,55088
1,56499 1,56477 1,21428 0,54709
Kab. Demak 9 -2,16026 -0,88542 -2,1092 8 4 3
1,57866 1,22004 0,54761
Kab. Semarang 2 -2,1559 -0,90425 -2,11716 1,56836 6 6
Kab. 1,60355 1,60817 1,20641 0,55161
Temanggung 9 -2,16579 -0,93629 -2,13827 7 9 7
1,66689 1,64809 1,13548 0,55979
Kab. Kendal 4 -2,25693 -0,97073 -2,2068 3 1 8
1,66175 1,74793 1,08932
Kab. Batang 8 -2,2584 -0,95176 -2,25282 3 8 0,56488
1,63505 1,78812 0,56442
Kab. Pekalongan 9 -2,22331 -0,93171 -2,248 7 1,09347 5
 1,62723 1,80839 1,08790 0,56481
Kab. Pemalang 8 -2,21607 -0,92214 -2,25303 8 6 1
1,82936 1,08064 0,56529
Kab. Tegal 1,61947 -2,21024 -0,91122 -2,2596 9 3 1
1,61075 1,83826 1,08120 0,56508
Kab. Brebes 2 -2,20226 -0,90132 -2,26015 1 2 1
1,60489 1,23779 0,54751
Kota Magelang 1,55959 -2,10635 -0,90522 -2,10776 5 2 3
1,50149 1,54178 1,25998 0,53982
Kota Surakarta 3 -2,069 -0,84403 -2,05205 7 9 1
1,53391 1,55027 1,25033 0,54263
Kota Salatiga 6 -2,09793 -0,87273 -2,07746 6 7 8
1,61691 1,18599 0,55232
Kota Semarang 4 -2,20921 -0,92813 -2,15506 1,58842 4 9
1,65869 1,77860 1,07294 0,56635
Kota Pekalongan 1 -2,25976 -0,94227 -2,26784 8 9 3
1,63916 1,83076 1,05972 0,56729
Kota Tegal 8 -2,23878 -0,92136 -2,27714 6 6 8