2012 Yus

MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES
UNTUK DATA KEMISKINAN

(Kasus 35 Desa atau Kelurahan di Kabupaten Jember)
YUSNITA
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
PERNYATAAN MENGENAI TESIS
DAN SUMBER INFORMASI
Dengan ini saya menyatakaan bahwa tesis Model Regresi Terboboti Geografis
Bayes untuk Data Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten
Jember) adalah karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir tesis ini.
Bogor, Juli 2012
Yusnita
NIM G151090141
ABSTRACT
YUSNITA. Bayesian Geographically Weighted Regression Model for Poverty
Data (Case of 35 Villages in Jember Regency). Supervised by AJI HAMIM
WIGENA and ANIK DJURAIDAH.
Bayesian Geographically Weighted Regression (BGWR) is locally linear

regression method to solve some difficulties that arise in Geographically
Weighted Regression (GWR) model, such as outliers or non-constant variance.
The Bayesian approach solves the problems by producing estimates that are robust
against aberrant observations. The aberrant observations are automatically
detected and downweighted to mitigate their influence on the estimates. In this
research, the weighting used for BGWR model is Gaussian and bi-square kernel
function. The results showed that BGWR model is better than GWR model.
According to mean square error (MSE) values and coefficient of determinant (R2),
Gaussian kernel function is better than bi-square kernel function as BGWR
weighting to analyze the data on average expenditure per capita of 35 villages in
Jember Regency.
Keywords: Bayesian, Geographically Weighted Regression, outlier, non-constant

variance, Gaussian kernel, bi-square kernel
RINGKASAN
YUSNITA. Model Regresi Terboboti Geografis Bayes untuk Data Kemiskinan
(Kasus 35 Desa atau Kelurahan di Kabupaten Jember). Dibimbing oleh AJI
HAMIM WIGENA dan ANIK DJURAIDAH.
Permasalahan kemiskinan penduduk di Indonesia masih cukup serius.
Berbagai upaya telah dilakukan oleh pemerintah untuk menanggulangi masalah
ini, diantaranya dengan memprediksi wilayah-wilayah miskin hingga tingkat
administrasi desa, sehingga diharapkan upaya pengentasan kemiskinan lebih tepat
sasaran. Data yang biasanya digunakan dalam menentukan suatu wilayah desa
tergolong miskin atau tidak adalah rata-rata pengeluaran rumah tangga per kapita.
Analisis untuk menentukan miskin tidaknya suatu desa, umumnya masih
menggunakan analisis yang masih bersifat global dan diberlakukan pada seluruh
lokasi yang diamati. Namun kondisi data di lokasi yang satu dengan lokasi yang
lain tidak sama, baik dari segi geografis, keadaan sosial-budaya maupun hal-hal
lain yang melatarbelakanginya, sehingga muncul keragaman antar wilayah lokal
atau heterogenitas spatial. Salah satu dampak yang ditimbulkan dari munculnya
heterogenitas spasial adalah parameter regresi bervariasi secara spasial. Selain itu,
masalah kemiskinan dan kondisi ketertinggalan suatu desa sangat mungkin
dipengaruhi oleh lokasi pengamatan atau kondisi geografis desa, termasuk
posisinya terhadap desa lain disekitarnya. Hal ini dipertegas dengan hukum
pertama geografi yang dikemukakan Tobler (1979) yang menyatakan bahwa
segala sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang
lebih dekat akan lebih berpengaruh daripada sesuatu yang jauh. Efek spasial
menyebabkan asumsi kebebasan antar pengamatan yang diperlukan dalam regresi
global sulit dipenuhi. Untuk mengakomodir permasalahan tersebut, analisis
Regresi Terboboti Geografis (RTG) atau Geographically Weighted Regression
adalah salah satu solusi yang dapat digunakan untuk membentuk model regresi
yang bersifat lokal untuk setiap lokasi.
Isu penting dalam model RTG adalah masalah pencilan atau ragam tidak
konstan antar amatan. Koefisien regresi yang berbeda-beda di tiap lokasi
pengamatan memungkinkan ragam galat yang berbeda-beda pula untuk tiap lokasi
pengamatan, sehingga salah satu solusi dari permasalahan tersebut adalah
pendekatan Bayes yang disebut Regresi Terboboti Geografis Bayes (RTGB) atau
Bayesian Geographically Weighted Regression. Model RTGB mengasumsikan
ragam galat tidak konstan antar lokasi amatan, sehingga dapat mengakomodir
adanya permasalahan keheterogenan ragam. Pendekatan Bayes secara langsung
mendeteksi dan memboboti pengamatan yang berpotensi mengandung pencilan,
sehingga dapat mengurangi efek pencilan terhadap pendugaan parameter model.
Pendugaan parameter model RTGB menggunakan Gibbs sampling yaitu suatu
teknik yang digunakan untuk membangkitkan contoh acak dari distribusi
berdasarkan pendekatan Markov Chain Monte Carlo (MCMC). Pembobot yang
digunakan adalah fungsi kernel normal (Gaussian) dan fungsi kernel kuadrat
ganda (bi-square).
Hasil analisis menunjukkan bahwa berdasarkan nilai KTG dan R2 yang
digunakan sebagai indikator kebaikan model, model RTGB lebih baik daripada
model RTG dalam menjelaskan peubah jarak dari desa atau kelurahan ke ibukota
kabupaten atau kota (km), banyaknya sarana kesehatan di desa (poskesdes,
polindes, posyandu, apotek dan toko khusus obat) per 1000 penduduk, dan
persentase keluarga penerima ASKESKIN dalam setahun terakhir terhadap rata-
rata pengeluaran per kapita per bulan penduduk desa atau kelurahan di Kabupaten
Jember. Pada penelitian ini, fungsi pembobot kernel normal lebih baik daripada
fungsi pembobot kernel kuadrat ganda sebagai pembobot model RTGB untuk
analisis data kemiskinan di 35 desa atau kelurahan di Kabupaten Jember.
Kata kunci : Bayes, Regresi Terboboti Geografis, pencilan, ragam tidak konstan,
Gibbs sampling, kernel normal, kernel kuadrat ganda
Hak Cipta milik IPB, tahun 2012
Hak Cipta dilindungi Undang-undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik,
atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan
kepentingan yang wajar bagi IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis
dalam bentuk apa pun tanpa izin IPB
MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES
UNTUK DATA KEMISKINAN
(Kasus 35 Desa atau Kelurahan di Kabupaten Jember)
YUSNITA
Tesis
Sebagai salah satu syarat untuk memperoleh gelar
Magister Sains pada
Program Studi Statistika
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2012
Penguji Luar Komisi pada Ujian Tesis: Dr. Anang Kurnia
Judul Tesis : Model Regresi Terboboti Geografis Bayes untuk Data
Kemiskinan (Kasus 35 Desa atau Kelurahan di Kabupaten
Jember)
Nama : Yusnita
NRP : G151090141
Program Studi : Statistika
Disetujui
Komisi Pembimbing
Dr. Ir. Aji Hamim Wigena, M.Sc. Dr. Ir. Anik Djuraidah, MS
Ketua Anggota
Diketahui,
Ketua Program Studi Statistika Dekan Sekolah Pascasarjana
Dr. Ir. Erfiani, M.Si. Dr. Ir. Dahrul Syah, M.Sc.Agr
Tanggal Ujian: 26 Juni 2012 Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat
dan karunia-Nya sehingga karya ilmiah ini dapat diselesaikan. Judul tesis ini
adalah Model Regresi Terboboti Geografis Bayes untuk Data Kemiskinan (Kasus
35 Desa atau Kelurahan di Kabupaten Jember).
Terima kasih penulis sampaikan kepada Bapak Dr. Ir. Aji Hamim Wigena,
M.Sc selaku pembimbing I dan Ibu Dr. Ir. Anik Djuraidah, MS selaku
pembimbing II, terima kasih atas bimbingan, saran dan waktunya. Disamping itu
penulis juga mengucapkan terima kasih kepada bapak Dr. Anang Kurnia selaku
penguji luar komisi pada ujian tesis. Terimakasih juga penulis sampaikan kepada
seluruh staf Program Studi Statistika.
Penulis juga ingin menyampaikan penghargaan dan terima kasih kepada
keluarga, terutama kedua orangtua saya tercinta dan kakak-kakakku atas doa,
dukungan dan dorongan semangat, serta kasih sayangnya tanpa henti. Terima
kasih pula kepada teman-teman Statistika dan Statistika Terapan atas bantuan dan
kebersamaannya. Semoga karya ilmiah ini dapat bermanfaat.
Bogor, Juli 2012
Yusnita
RIWAYAT HIDUP
Penulis dilahirkan di Buton, Sulawesi Tenggara pada tanggal 1 November

1986 dari pasangan Bapak H. Nur Salim dan Ibu Hj. Siti Rukaya. Penulis
menyelesaikan pendidikan SLTA di SMAN 2 Bau-Bau pada tahun 2004 dan pada
tahun yang sama melanjutkan perkuliahan di Program Studi Statistika Terapan
Fakultas Sains Terapan Institut Sains dan Teknologi AKPRIND Yogyakarta dan
selesai pada tahun 2009. Tahun 2009 penulis diterima di Program Studi Statistika
pada Sekolah Pascasarjana IPB.
DAFTAR ISI
Halaman
DAFTAR TABEL.. xiii
DAFTAR GAMBAR. xiv
DAFTAR LAMPIRAN.. xv
PENDAHULUAN
Latar Belakang... 1
Tujuan Penelitian... 3
TINJAUAN PUSTAKA
Model RTGB. 5
Pendugaan Parameter RTGB. 7
Pembobot Spatial... 9
Kebaikan Model RTGB. 9
METODOLOGI PENELITIAN
Data 11
Metode 12
HASIL DAN PEMBAHASAN
Deskripsi Data 15
Model RTGB.. 16
Model Terbaik 21
Asumsi Normalitas. 25
KESIMPULAN DAN SARAN
Kesimpulan 27
Saran.. 27
DAFTAR PUSTAKA. 29
LAMPIRAN. 31
DAFTAR TABEL
Halaman
1 Statistik deskriptif peubah penjelas...... 15

2 Korelasi Pearson antar peubah.. 16
3 Nilai R2 dan KTG untuk model RTGB dengan fungsi
pembobot kernel normal... 22
4 Nilai R2 dan KTG untuk model RTGB dengan fungsi
pembobot kernel kuadrat ganda. 22
5 Nilai R2 dan KTG untuk model RTG dan RTGB dengan
pembobot kernel normal dan pembobot kernel kuadrat ganda..... 23
DAFTAR GAMBAR
Halaman
1 Peta Kabupaten Jember.... 11

2 Plot koefisien 1 model RTG dan RTGB kernel normal
pada r = 35 dan = 10. 17
3 Plot koefisien 1 model RTG dan RTGB kernel kuadrat ganda
pada r = 35 dan = 10. 17
pada r = 35 dan = 10. 18
pada r = 35 dan = 10. 19
pada r = 35 dan = 10. 19
pada r = 35 dan = 10. 20
8 Nilai pada model RTGB pembobot kernel normal
dan RTGB pembobot kernel kuadrat ganda.... 21
9 Diagram pencar Y amatan dan Y duga: Regresi, RTG dan RTGB
pembobot kernel normal dan kernel kuadrat ganda.... 24
10 Plot peluang galat RTGB pembobot kernel normal.... 25
11 Plot peluang galat RTGB pembobot kernel kuadrat ganda .... 25
DAFTAR LAMPIRAN
Halaman
1 Penduga parameter model RTGB kernel normal.. 33

2 Penduga parameter model RTGB kernel kuadrat ganda... 45
3 Nilai model RTGB kernel normal .... 57
4 Nilai model RTGB kernel kuadrat ganda . 60
5 Program RTGB.. 63
PENDAHULUAN
Latar Belakang
Menurut Badan Pusat Statistik (BPS 2011), penduduk miskin adalah
penduduk yang memiliki rata-rata pengeluaran per kapita per bulan di bawah garis
kemiskinan. Garis kemiskinan dipergunakan sebagai batas untuk menentukan
miskin atau tidaknya seseorang. Pada periode Maret 2011, garis kemiskinan
sebesar Rp. 233.740,- per kapita per bulan. Dengan memperhatikan garis
kemiskinan, berdasarkan survei BPS tahun 2011, jumlah orang miskin di
Indonesia sebesar 30,02 juta jiwa atau 12,49 persen dari total jumlah penduduk.
Hal ini menunjukkan bahwa permasalahan kemiskinan penduduk di Indonesia
cukup serius. Berbagai upaya telah dilakukan oleh pemerintah untuk
menanggulangi masalah ini, di antaranya dengan memprediksi wilayah-wilayah
miskin hingga tingkat administrasi desa, sehingga dengan adanya informasi
sampai tingkat wilayah desa ini diharapkan upaya pengentasan kemiskinan lebih
tepat sasaran (BPS 2005).
BPS menggunakan rata-rata pengeluaran rumah tangga per kapita sebagai
indikator utamanya dalam mengukur kemiskinan. Analisis mengenai kemiskinan
yang umum digunakan adalah analisis yang masih bersifat global dan
diberlakukan pada seluruh lokasi yang diamati, di antaranya analisis regresi.
Pendekatan model global ini berarti menggunakan rata-rata dari wilayah-wilayah
yang lebih kecil (wilayah lokal) ditempat tersebut. Namun kondisi data di lokasi
yang satu dengan lokasi yang lain tidak sama, baik dari segi geografis, keadaan
sosial-budaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul
heterogenitas spatial. Pendekatan model global akan memberikan informasi yang
andal untuk wilayah lokal jika tidak ada atau hanya ada sedikit keragaman antar
wilayah lokalnya (Fotheringham et al. 2002).
Salah satu dampak yang ditimbulkan dari munculnya heterogenitas spasial
adalah parameter regresi bervariasi secara spasial. Jika terjadi heterogenitas spasial
pada parameter regresi, maka informasi yang tidak dapat ditangani oleh metode
regresi global akan ditampung sebagai galat. Bila kasus semacam itu terjadi, regresi
global menjadi kurang mampu dalam menjelaskan fenomena data yang sebenarnya.
Salah satu asumsi yang diperlukan pada analisis regresi global adalah antar
pengamatan harus bersifat saling bebas, tetapi masalah kemiskinan dan kondisi
ketertinggalan suatu desa sangat mungkin dipengaruhi oleh lokasi pengamatan
atau kondisi geografis desa, termasuk posisinya terhadap desa lain di sekitarnya.
Hal ini dipertegas dengan hukum pertama geografi yang dikemukakan Tobler
(1979) dalam Schabenberger dan Gotway (2005) yang berbunyi Segala sesuatu
saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang lebih dekat
akan lebih berpengaruh daripada sesuatu yang jauh. Efek spasial menyebabkan
asumsi kebebasan antar pengamatan yang diperlukan dalam regresi sulit dipenuhi,
sehingga dalam statistika, model yang dapat menjelaskan hubungan antara suatu
wilayah dengan wilayah di sekitarnya adalah model spatial.
Analisis Regresi Terboboti Geografis (RTG) dapat digunakan untuk
mengatasi masalah tersebut. RTG merupakan bagian dari analisis spasial yang
bersifat lokal dengan pembobotan berdasarkan posisi atau jarak dari satu lokasi
pengamatan dengan lokasi pengamatan lainnya. Parameter regresi pada model RTG
diasumsikan bervariasi secara spasial, sehingga interpretasi yang berbeda dan
berharga dapat diperoleh untuk setiap titik lokasi yang diteliti.
Isu penting dalam model RTG adalah masalah pencilan atau ragam tidak
konstan antar amatan. Koefisien regresi yang berbeda di tiap lokasi pengamatan
memungkinkan ragam galat yang berbeda pula untuk tiap lokasi pengamatan.
Efek pencilan juga akan mengakibatkan masalah heteroskedastisitas. Pendekatan
Bayes dalam model RTG yang disebut Regresi Terboboti Geografis Bayes
(RTGB) atau Bayesian Geographically Weighted Regression yang diperkenalkan
LeSage adalah analisis yang tepat untuk menangani permasalahan tersebut.
Pendekatan ini secara langsung mendeteksi dan memboboti pengamatan yang
berpotensi mengandung pencilan, sehingga dapat mengurangi efek pencilan
terhadap pendugaan parameter model. Pendekatan Bayes mengasumsikan ragam
galat tidak konstan antar lokasi amatan, sehingga dapat mengatasi adanya
permasalahan keheterogenan ragam galat antar lokasi.
Penelitian tentang analisis spasial telah banyak dikembangkan, antara lain
Meilisa (2010) menyatakan bahwa model otoregresif bersyarat (CAR) dan model
otoregresif simultan (SAR) sama baiknya dalam menentukan faktor-faktor
kemiskinan di Provinsi Jawa Timur. Arisanti (2010) menyatakan bahwa model
otoregresif lag spasial lebih baik dalam menentukan faktor-faktor yang
berpengaruh terhadap kemiskinan di Provinsi Jawa Timur dibandingkan regresi
linier klasik. Khusus untuk penelitian tentang RTG telah dilakukan oleh
Rahmawati (2010) yang meneliti tentang model Regresi Terboboti Geografis
(RTG) dengan pembobot kernel normal dan kernel kuadrat ganda untuk data
kemiskinan pada desa atau kelurahan di Kabupaten Jember. Hasil penelitiannya
diperoleh bahwa model RTG dengan pembobot kernel normal lebih baik
digunakan untuk memodelkan rata-rata pengeluaran per kapita per bulan desa atau
kelurahan dengan peubah-peubah penjelasnya, dibandingkan dengan model RTG
dengan pembobot kernel kuadrat ganda dan model regresi klasik.
Pembobot yang digunakan pada penelitian ini adalah pembobot jarak yang
juga digunakan pada penelitian Rahmawati (2010), yaitu pembobot kernel normal
(Gaussian) dan pembobot kernel kuadrat ganda (bi-square), sehingga diharapkan
dapat membandingkan dan menentukan model terbaik antara RTG dan RTGB
dengan pembobot kernel normal dan kernel kuadrat ganda pada kasus 35 desa
atau kelurahan di Kabupaten Jember. Kabupaten Jember dipilih sebagai studi
kasus pada penelitian ini karena berdasarkan data survei sosial ekonomi nasional
(Susenas) Maret 2009, dari 38 kabupaten/kota di Jawa Timur, jumlah masyarakat
miskin yang tertinggi yakni Kabupaten Jember yang mencapai 237.700 rumah
tangga.
Tujuan
Tujuan penelitian ini dapat dirumuskan sebagai berikut:
1. Membentuk model RTGB dengan fungsi pembobot kernel normal dan kernel
kuadrat ganda untuk pendugaan rata-rata pengeluaran per kapita per bulan
desa atau kelurahan.
2. Membandingkan model RTG dan model RTGB.
TINJAUAN PUSTAKA
Model RTGB
Analisis regresi merupakan analisis statistika yang bertujuan untuk
memodelkan hubungan antara peubah respon Y dengan peubah penjelas X, di
mana dugaan parameter persamaan berlaku untuk semua lokasi pengamatan.
Model RTG merupakan pengembangan dari model regresi, tapi pada model RTG
parameter persamaan untuk setiap lokasi pengamatan berbeda dengan lokasi
lainnya, sehingga banyaknya vektor parameter yang diduga sama dengan
banyaknya lokasi pengamatan yang digunakan dalam data. Model yang dihasilkan
pada analisis RTG juga tidak dapat digunakan untuk menduga parameter selain
parameter di lokasi pengamatan (Walter et al. 2005). Secara umum model RTG
dapat ditulis dalam bentuk matriks berikut:
= + (1)
merupakan vektor parameter berukuran k1 pada pengamatan ke-. Pendugaan
parameter model untuk setiap lokasi pengamatan dengan metode kuadrat terkecil
terboboti untuk lokasi ke-, yaitu:
= ( )1 (2)
dengan
= [1 , 2 , , ] dan 0 1 (, = 1, 2, , n)
adalah matriks diagonal berukuran nn (n = banyaknya pengamatan) yang
merupakan matriks pembobot spasial lokasi ke- (spatial weighting). Unsur-unsur
diagonal matriks diambil dari vektor baris atau kolom ke- dari matriks
pembobot W. Nilai unsur-unsur diagonal ditentukan oleh kedekatan
pengamatan (lokasi) ke- dengan lokasi lainnya (lokasi ke-). Semakin dekat
lokasinya, semakin besar nilai pembobot pada unsur yang bersesuaian.
Ragam galat pada model RTG diasumsikan homogen, sehingga tidak dapat
menyelesaikan masalah yang muncul akibat adanya ragam yang tidak konstan
antar area atau pencilan. LeSage (1998) menyelesaikan permasalahan tersebut
dengan menggunakan pendekatan Bayes. Model RTG pada persamaan (1)
dikembangkan dengan memasukan parameter penghalus hubungan atau
parameter smoothing relationship berikut:
1
= 1 + (3)

merupakan pembobot jarak antara lokasi ke- dengan lokasi lainnya (lokasi
ke-) yang dinormalkan sehingga jumlah vektor baris (1 , 2 , , ) = 1,
dengan = 0.
Sebaran galat pada persamaan (1) dan (3) sebagai berikut:
~[0, 2 ] (4)
~[0, 2 2 ( )1 ] (5)
dengan:
= [1 , 2 , , ]

~ 2 ()

2 adalah ragam galat dan adalah matriks diagonal berukuran nxn yang
menunjukkan ragam tidak konstan antar lokasi amatan. Sebaran prior 2(r),
dimana r adalah hyperparameter yang mengontrol sejumlah sebaran pendugaan
. Prior ini digunakan oleh Lindley (1971) dalam LeSage (1998) untuk analisis
masalah ragam, Geweke (1993) dalam LeSage (1998) untuk model
heteroskedastisitas dan pencilan, LeSage (1998) dalam model spatial autoregresif.
Prior ini digunakan dengan memodifikasi sehingga E( ) = 1 dan Var( ) =
2/r, jika r menjadi sangat besar, maka ragam galat model RTGB menjadi 2
(homoskedastisitas atau ragam konstan). Nilai hyperparameter r yang kecil
mengasumsikan bahwa prior meyakini adanya ragam yang tidak konstan antar
lokasi.
Parameter stokastik pada parameter penghalus hubungan dalam
persamaan (3) menyebar normal dengan rataan nol dan ragam berdasarkan
Zellners g-prior yang sebanding dengan matriks ragam-peragam, 2 ( )1
dengan 2 sebagai faktor skala (scale factor) yang mengatur . Prior ini
digunakan untuk menunjukkan keragaman parameter penghalus hubungan
(LeSage 1998). Jika 2 ( = In), maka pendugaan RTGB akan
menghasilkan pendugaan yang sama dengan RTG. LeSage menunjukkannya pada
bentuk persamaan berikut :
= + (6)
= + (7)
dengan:
=
=
= 1
1
=

Persamaan (6) dan (7) dapat ditulis dalam bentuk persamaan (8).

= + (8)

Jika = In, maka adalah sebagai berikut:

= ( + / 2 )
= ( + / 2 )1
dan jika 2 , maka pendugaan RTGB sama dengan pendugaan RTG yang
ditunjukkan pada persamaan berikut:
= ( )1 ( )
Pendugaan Parameter RTGB

LeSage (2001) menggunakan Gibbs sampling yaitu suatu teknik yang
digunakan untuk membangkitkan contoh acak dari distribusi berdasarkan
pendekatan Markov Chain Monte Carlo (MCMC) untuk mendapatkan pendugaan
parameter. Metode Gibbs sampling digunakan untuk menemukan solusi masalah
matematis (yang dapat terdiri dari banyak peubah) yang susah dipecahkan, misalnya
dengan kalkulus integral, atau metode numerik lainnya. Parameter yang akan diduga
dalam proses ini adalah , , , dan dengan sebaran posterior bersyarat
adalah sebagai berikut:
Sebaran posterior dengan syarat , , dan adalah:
( | ) ( , 2 ) (9)
dengan:
= ( + / 2 )
= ( + / 2 )1
Sebaran posterior bersyarat untuk adalah 2(m) yang ditunjukkan pada
persamaan (10).
{ 1 2 2 1 }
( | ) +1 exp (10)

=
dengan m menunjukkan jumlah pengamatan dengan pembobot yang berarti atau
tidak bernilai nol.
Sebaran posterior bersyarat untuk adalah:
{[ 2 + ]/ | } 2 (+1) (11)
Sebaran posterior bersyarat untuk adalah 2(nk) yang ditunjukkan pada

persamaan (12).
(| ) exp
{
=1 ( )1 / 2 2 2 } (12)
Tahapan proses Gibbs sampling adalah sebagai berikut:
1. Menentukan nilai secara acak untuk parameter 0 , 0 , 0 , 0 , 0
2. Tiap observasi = 1,, n,
a. Bangkitkan 1 dari ( | 0 , 0 , 0 , 0 ) pada persamaan (9)
0
b. Bangkitkan 1 dari (| 0 , 1 , , 0 ) pada persamaan (10)
c. Bangkitkan 1 dari ( | 1 , 1 , 0 , 0 ) pada persamaan (11)
3. Gunakan nilai 1 , = 1, , n untuk memperbaharui 0 menjadi 1
4. Nilai 1 diperoleh dari (| 1 , 1 , 1 , 1 ) pada persamaan (12)
5. Ganti nilai 0 , 0 , 0 , 0 , 0 pada langkah 1 dengan 1 , 1 , 1 , 1 , 1
6. Ulangi langkah 1-5 sebanyak q bangkitan hingga mendekati konvergen.
Dugaan parameter diperoleh dari rataan contoh posterior.
Pembobot Spasial
Fungsi pembobot spasial yang digunakan dalam penelitian ini sebagai
berikut:
2

1. = 1 2 dengan adalah jarak dari lokasi- ke lokasi-
dan adalah lebar jendela, yaitu suatu nilai parameter penghalus fungsi yang
nilainya selalu positif. Fungsi ini biasa disebut fungsi kernel normal
(Gaussian).
2 2

2. = 1 jika < , dan = 0 untuk . fungsi ini
mengikuti bentuk kernel pembobot ganda (biweight) dan biasa disebut sebagai
fungsi pembobot kernel kuadrat ganda (bi-square).
Salah satu cara yang dapat digunakan untuk mendapatkan nilai lebar jendela
optimum yaitu dengan validasi silang (cross validation). Lebar jendela optimum
yang digunakan adalah yang menghasilkan nilai koefisien validasi silang
minimum, dengan rumus koefisiennya adalah:
2
= =1 ()
dengan () adalah nilai dugaan yi (fitting value) dengan pengamatan di lokasi
ke- dihilangkan dari proses prediksi (Fotheringham et al. 2002). Lebar jendela
optimum diperoleh dengan proses iterasi hingga didapatkan CV minimum.
Kebaikan Model RTGB

Ukuran kebaikan model yang digunakan pada penelitian ini adalah koefisien
determinasi (R2) dan kuadrat tengah galat (KTG). R2 diartikan sebagai rasio antara
jumlah kuadrat regresi (JKR) dan jumlah kuadrat total (JKT), sehingga R2 yang
lebih tinggi mengindikasikan model yang lebih baik.

R2 = =1 2
=1 2
= JKR JKT
KTG diartikan sebagai perbedaan rata-rata jumlah kuadrat yi sebenarnya dan
penduganya, sehingga pendugaan yang paling akurat akan mengarah ke nilai KTG
terkecil.
2
KTG = =1 .
METODOLOGI PENELITIAN
Data
Wilayah yang digunakan pada penelitian ini adalah 35 desa atau kelurahan
yang teramati dalam Susenas 2008 dari 248 desa atau kelurahan di Kabupaten
Jember. Kabupaten Jember merupakan bagian dari Propinsi Jawa Timur, terletak
200 km ke arah timur dari Surabaya. Secara geografis Kabupaten Jember
terletak pada 113,30 - 113,45 BT dan 8,00 - 8,30 LS. Wilayah Kabupaten
Jember berbatasan dengan Kabupaten Bondowoso, Kabupaten Probolinggo, dan
Kapubaten Situbondo di sebelah utara, sebelah timur berbatasan dengan
Kabupaten Lumajang dan Kabupaten Probolinggo, sebelah selatan berbatasan
dengan Samudra Hindia. Luas wilayah Kabupaten Jember adalah 3.293,34 km
yang terbagi menjadi 31 kecamatan dan 248 desa/kelurahan, dengan jumlah
penduduk 2.168.732 jiwa yang terdiri atas laki-laki 1.054.729 jiwa dan perempuan
1.114.003 jiwa.
Gambar 1 Peta Kabupaten Jember
Bagian selatan wilayah Kabupaten Jember adalah dataran rendah dengan

titik terluarnya adalah Pulau Barong. Pada kawasan ini terdapat Taman Nasional
Meru Betiri yang berbatasan dengan wilayah administratif Kabupaten
Banyuwangi. Bagian barat laut berbatasan dengan Kabupaten Probolinggo adalah
pegunungan, bagian dari Pegunungan Iyang, dengan puncaknya Gunung
Argopuro (3.088 m). Bagian timur merupakan bagian dari rangkaian Dataran
Tinggi Ijen. Kabupaten Jember memiliki beberapa sungai antara lain Sungai
Bedadung yang bersumber dari Pegunungan Iyang di bagian Tengah, Sungai
Mayang yang bersumber dari Pegunungan Raung di bagian timur, dan Sungai
Bondoyudo yang bersumber dari Pegunungan Semeru di bagian barat.
Data yang digunakan dalam penelitian ini adalah data potensi desa (Podes)
dan survei sosial nasional (Susenas) tahun 2008. Peubah responnya (Y) adalah
rata-rata pengeluaran per kapita per bulan penduduk desa atau kelurahan yang
diperoleh dari data Susenas 2008. Peubah-peubah penjelas diperoleh dari data
Podes 2008 yang terdiri dari:
X1 = Jarak dari desa atau kelurahan ke ibukota kabupaten atau kota (km),
X2 = Banyaknya sarana kesehatan di desa atau kelurahan (poskesdes, polindes,
posyandu, apotik, dan toko obat) per 1000 penduduk (X2),
X3 = Persentase keluarga penerima ASKESKIN dalam setahun terakhir (%).
Metode
Prosedur analisis yang akan dilakukan dalam penelitian ini sebagai berikut:
1. Menentukan matriks W dari jarak antar desa dan lebar jendela optimum untuk
kedua fungsi pembobot yang digunakan dalam penelitian ini.
2. Normalisasi vektor baris dari matriks W pada langkah 1 untuk kedua fungsi
pembobot yang digunakan dalam penelitian ini.
3. Membentuk matriks Wi dari baris atau kolom ke-i dari matriks W,
4. Menentukan nilai r dan .
5. Selanjutnya melakukan simulasi gibbs sampling:
a. Tentukan nilai secara acak untuk parameter 0 , 0 , 0 , 0 , 0
b. Untuk tiap observasi i = 1,, n,
Bangkitkan 1 dari ( | 0 , 0 , 0 , 0 )
Bangkitkan 1 dari (| 0 , 0 , 0 )
Bangkitkan 1 dari ( | 1 , 0 , 0 , 0 )
c. Menggunakan nilai 1 , i= 1, , n untuk memperbarui 0 menjadi 1
d. Nilai 1 diperoleh dari (| 1 , 1 , 1 )
e. Ganti nilai 0 , 0 , 0 , 0 , 0 pada langkah 1 dengan 1 , 1 , 1 , 1 , 1
f. Ulangi langkah 1-5 sebanyak 550 bangkitan dengan 50 bangkitan pertama
dibuang.
6. Menentukan model RTGB terbaik, selanjutnya membandingkannya dengan
model RTG.
Penelitian ini menggunakan program Matlab 7.8.0 (R2009a) dan Minitab 14.0
dalam menganalisis data.
HASIL DAN PEMBAHASAN
Deskripsi Data
Peubah penjelas yang digunakan adalah jarak dari desa atau kelurahan ke
ibukota kabupaten atau kota (X1), banyaknya sarana kesehatan di desa (poskesdes,
polindes, posyandu, apotek dan toko khusus obat) per 1000 penduduk (X2), dan
persentase keluarga penerima ASKESKIN dalam setahun terakhir (X3). Nilai
jangkauan, minimum, maksimum, rata-rata dan simpangan baku dari ketiga
peubah penjelas dapat dilihat dari Tabel 1.
Tabel 1 Nilai jangkauan, minimum, maksimum, rata-rata dan simpanga baku

peubah penjelas
Simpangan
Peubah Jangkauan Min Maks Rata-rata
Baku
Jarak desa-kabupaten (X1) 55.00 1.00 56.00 25.91 13.94
Sarana Kesehatan (X2) 1.76 0.91 2.67 1.50 0.36
ASKESKIN (X3) 60.62 11.07 71.69 34.72 17.78
Berdasarkan Tabel 1, simpangan baku pada peubah penjelas X3 (persentase

keluarga yang menerima kartu ASKESKIN dalam setahun) cukup besar, yang
berarti bahwa jumlah penerima ASKESKIN di tiap desa/kelurahan beragam.
Simpangan baku pada peubah sarana kesehatan (X2) kecil, yang berarti bahwa
sarana kesehatan di desa/kelurahan di Kabupaten Jember cukup merata di tiap
desa atau kelurahan.
Sebelum melakukan pendugaan parameter, peubah-peubah penjelas harus
dipastikan berpengaruh terhadap peubah respon. Selain itu, antar peubah penjelas
tidak saling berkorelasi atau saling bebas. Untuk menunjukkan hal tersebut,
digunakan analisis korelasi Pearson. Korelasi pearson antar peubah ditunjukan
pada Tabel 2.
Tabel 2 Korelasi Pearson antar peubah
Peubah Korelasi Pearson Nilai-p
Y dan X1 -0.46* 0.01

Y dan X2 0.69* 0.00
Y dan X3 -0.38* 0.02
X1 dan X2 -0.26 0.13
X1 dan X3 -0.12 0.51
X2 dan X3 -0.23 0.19
Keterangan: * : nyata pada = 5%
Nilai korelasi antar ketiga peubah penjelas dengan peubah respon pada
Tabel 2 nyata dengan taraf kepercayaan 95%, yang berarti bahwa semua peubah
penjelas berpengaruh terhadap peubah respon. Sedangkan semua nilai korelasi
antar peubah penjelas tidak nyata pada taraf kepercayaan 95%, sehingga antar
peubah penjelas tidak saling berkorelasi atau tidak terjadi multikolinearitas.
Ketiga peubah penjelas tersebut dapat langsung digunakan untuk keperluan
analisis selanjutnya.
Model RTGB
Sebelum digunakan model RTGB untuk analisis data, digunakan terlebih
dahulu analisis RTG yang diperoleh dari hasil penelitian Rahmawati pada tahun
2010. Berdasarkan penelitian Rahmawati (2010) diperoleh nilai lebar jendela
optimum yang dihasilkan dengan meminimumkan CV, yaitu 9.09 km untuk fungsi
pembobot kernel normal dan 27.48 km untuk fungsi pembobot kernel kuadrat
ganda. Nilai lebar jendela sebesar 9.09 km untuk fungsi pembobot kernel normal
menunjukkan bahwa jarak antar desa atau kelurahan yang kurang dari 9.09 km,
memberikan pengaruh yang cukup besar terhadap data yang diamati. Sedangkan
jika lokasi antar desa atau kelurahan sudah melebihi jarak 9.09 km, maka
pengaruhnya akan menurun seiring dengan semakin jauhnya jarak antar desa atau
kelurahan. Nilai lebar jendela sebesar 27.48 km untuk fungsi pembobot kernel
kuadrat ganda menunjukkan bahwa jarak antar desa atau kelurahan kurang dari
27.48 km, dianggap mempengaruhi data dengan semakin dekat jarak maka
semakin besar pengaruhnya terhadap data yang diamati. Sedangkan jarak antar
desa atau kelurahan yang lebih dari atau sama dengan 27.48 km, dianggap sudah
tidak mempengaruhi data yang diamati.
Berbeda dengan pendugaan model RTG yang menggunakan WLS,
pendugaan koefisien regresi pada model RTGB menggunakan Gibbs Sampling
dengan melakukan iterasi sebanyak 550 kali dimana 50 ulangan pertama dibuang.
Dengan menggunakan fungsi pembobot kernel normal dan kernel kuadrat ganda
serta berbagai nilai r (r = 8, 15, 25 dan 35) dan ( = 1, 10 dan 100) maka
diperoleh penduga parameter model RTGB. Penduga parameter model RTGB
kernel normal dan kernel kuadrat ganda untuk berbagai prior r dan pada
Lampiran 1 dan Lampiran 2. Berikut penduga koefisien model RTG dan model
RTGB kernel normal dan kuadrat ganda dengan r = 35 dan = 10 pada Gambar 2
sampai Gambar 7.
10000
5000
0
1 1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
-5000
Desa
-10000
-15000
Gambar 2 Plot koefisien 1 [RTGB (), RTG ()] model RTGB kernel normal
pada r = 35 dan = 10
10000
5000
0
1 1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
-5000
-10000
Desa
-15000
Gambar 3 Plot koefisien 1 [RTGB (), RTG ()] model RTGB kernel kuadrat
ganda pada r = 35 dan = 10
Pada model regresi, nilai-nilai penduga parameter dapat dijadikan sebagai

pertimbangan besarnya kontribusi peubah penjelas terhadap peubah respon.
Berbeda dengan regresi linear global yang hasil penduga parameter untuk tiap
peubah sama untuk semua desa atau kelurahan, pada model RTG dan RTGB
menghasilkan penduga parameter yang dapat bernilai positif ataupun negatif pada
desa atau kelurahan yang berbeda untuk peubah yang sama. Sehingga suatu
peubah penjelas yang sama bisa memberi kontribusi negatif maupun positif
terhadap rata-rata pengeluaran per kapita desa atau kelurahan yang berbeda.
Gambar 2 dan Gambar 3 menunjukkan bahwa nilai 1 yang berbeda di tiap
desa atau kelurahan di Kabupaten Jember. Gambar 2 dan Gambar 3 juga
menunjukkan pola yang cenderung sama antara model RTG dan RTGB dengan
pembobot kernel normal dan kuadrat ganda, tapi ada beberapa desa yang
mempunyai pola yang berlawanan atau berbeda yaitu desa ke-4, 8, 9, dan 21.
sebagian besar nilai 1 model RTG dan RTGB kernel normal dan kuadrat ganda
bernilai negatif. Nilai negatif pada 1 berarti bahwa semakin jauh jarak dari desa
atau kelurahan ke ibukota kabupaten, maka semakin rendah rata-rata pengeluaran
per kapita per bulan. Tapi nilai 1 pada desa ke- 1, 2, 3, 4, 8, 9, 18, 19, 20 dan 21
bernilai positif yang berarti bahwa semakin jauh jarak dari desa atau kelurahan ke
ibukota kabupaten, maka semakin tinggi rata-rata pengeluaran per kapita per
bulan. Gambar 2 dan Gambar 3 juga menunjukkan Nilai 1 dengan pembobot
kernel normal dan kernel kuadrat ganda yang cenderung sama, baik pada model
RTG maupun RTGB.
600000
500000
400000
300000
200000
2
100000
0
-100000 1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
-200000
Desa
-300000
300000
200000
100000
2
0
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
-100000
Desa
-200000
Nilai 2 dengan pembobot kernel normal dan kernel kuadrat ganda pada
Gambar 4 dan Gambar 5 cenderung sama, baik pada model RTG maupun RTGB.
Tapi pada desa 1 nilai 2 pada model RTGB pembobot kernel normal jauh
berbeda dengan model RTGB pembobot kernel kuadrat. Sebagian besar nilai 2
model RTG dan RTGB kernel normal dan kuadrat ganda bernilai positif yang
berarti bahwa semakin banyak sarana kesehatan di desa atau kelurahan di
Kabupaten Jember, maka rata-rata pengeluaran per kapita per bulan penduduk
desa semakin besar. Tapi ada beberapa desa atau kelurahan yang nilai 2 bernilai
negatif seperti desa ke- 5, 7, 20, 21, 29, 30 dan 31 yang berarti bahwa semakin
banyak sarana kesehatan di desa atau kelurahan tersebut, maka rata-rata
pengeluaran per kapita per bulan penduduk semakin kecil.
8000
6000
4000
2000
3 0
-2000 1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
-4000
-6000 Desa
-8000
6000
4000
2000
3 0
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
-2000
-4000
-6000
Desa
-8000
Gambar 6 dan Gambar 7 menunjukkan bahwa sebagian besar nilai 3

bernilai negatif yang berarti bahwa semakin besar persentase keluarga penerima
ASKESKIN dalam setahun terakhir, maka semakin rendah rata-rata pengeluaran
per kapita per bulan. Tapi pada desa ke-1, 2, 3, 4, 5, 7 dan 18 pada pembobot
kernel normal serta desa ke-19, 29 dan 30 pada pembobot kernel kuadrat ganda,
nilai 3 positif yang berarti bahwa semakin besar persentase keluarga penerima
ASKESKIN dalam setahun terakhir, maka semakin tinggi rata-rata pengeluaran
per kapita per bulan penduduk di desa atau kelurahan di Kabupaten Jember. Nilai
3 dengan pembobot kernel normal dan kernel kuadrat ganda pada Gambar 6 dan
Gambar 7 cenderung sama, baik pada model RTG maupun RTGB. Tapi pada desa
1, 2, 3, 29 dan 30, nilai 3 pada model RTGB pembobot kernel normal jauh
berbeda dengan model RTGB pembobot kernel kuadrat.
Ragam galat pada model RTGB diasumsikan tidak konstan antar lokasi.
Gambar 8 menunjukkan nilai untuk r = 8 dan = 1. Nilai model RTGB
pembobot kernel normal dan kernel kuadrat dengan berbagai r dan selengkapnya
pada Lampiran 3 dan Lampiran 4.
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829303132333435
Desa
Gambar 8 Plot pada model RTGB pembobot kernel normal () dan RTGB
pembobot kernel kuadrat ganda ()
Berdasarkan Gambar 8 terlihat bahwa cukup beragam di tiap desa. Desa

ke-4, 5, 6, 7, 12, 13, 14, 15, 16, 17, 22, 23, 24, 25, 26, 27, 32, 33, 34 dan 35
menghasilkan yang cenderung besar baik pada model RTGB dengan pembobot
kernel normal maupun kernel kuadrat ganda. Nilai ini dengan konsisten
memboboti untuk semua desa yang diamati, sehingga desa atau pengamatan
yang mungkin berpotensi mengandung pencilan akan diboboti dengan nilai
yang besar. Nilai pada model RTGB pembobot kernel normal lebih besar dari
pada pembobot kernel kuadrat ganda, hal ini karena pembobot kernel normal
memberi pengaruh pada seluruh lokasi amatan, sedangkan pembobot kernel
normal memberi pengaruh pada daerah yang jaraknya kurang dari .
Model Terbaik
Sebelum membandingkan model RTG dan RTGB untuk fungsi pembobot
kernel normal dan kernel kuadrat ganda terlebih dahulu menentukan model RTGB
terbaik dengan berbagai nilai r dan untuk kedua fungsi pembobot. Salah satu
indikator yang dapat digunakan adalah R2. Nilai R2 yang lebih tinggi
mengindikasikan model yang lebih baik. Pada penelitian ini, nilai R2 diperoleh
dari pemodelan antar Y amatan dan Y duga dari model RTGB untuk berbagai
nilai r dan . Indikator lainnya adalah kuadrat tengah galat (KTG) atau mean
square error. Nilai KTG yang lebih kecil mengindikasikan model yang lebih baik.
Tabel 3 dan Tabel 4 menunjukkan nilai R2 dan KTG untuk model RTGB dengan
fungsi pembobot kernel normal dan model RTGB dengan fungsi pembobot kernel
kuadrat ganda untuk berbagai r dan .
Tabel 3 Nilai R2 dan KTG model RTGB pembobot kernel normal
8 15 25 35

R2 KTG R2 KTG R2 KTG R2 KTG
(%) (109) (%) (109) (%) (109) (%) (109)
1 89.20 1.51 91.20 1.22 91.70 1.15 91.70 1.14
10 89.40 1.49 91.50 1.17 91.70 1.15 91.80 1.12
100 89.30 1.50 91.40 1.19 91.70 1.15 91.80 1.13
Tabel 4 Nilai R2 dan KTG model RTGB pembobot kernel kuadrat ganda
8 15 25 35

R2 KTG R2 KTG R2 KTG R2 KTG
(%) (109) (%) (109) (%) (109) (%) (109)
1 83.40 2.29 84.80 2.08 85.70 1.96 86.10 1.89
10 84.90 2.08 85.40 1.98 85.30 2.00 86.30 1.87
100 82.80 2.33 84.80 2.09 85.30 2.01 85.80 1.94

Berdasarkan Tabel 3 dan Tabel 4 terlihat bahwa pada prior r = 35 dan =
10, model RTGB dengan pembobot kernel normal dan pembobot kernel kuadrat
ganda adalah model RTGB dengan nilai R2 tertinggi dan KTG terkecil. Model
RTGB menghasilkan nilai R2 sebesar 91.8% dan KTG sebesar 1.12 x 109 untuk
pembobot kernel normal dan R2 sebesar 86.3% dan KTG sebesar 1.87 x 109 untuk
pembobot kernel kuadrat ganda, sehingga prior r = 35 dan = 10 adalah prior
yang menghasilkan model RTGB terbaik untuk kedua fungsi pembobot yang
digunakan. Tabel 3 dan Tabel 4 juga menunjukkan bahwa semakin besar prior r,
maka nilai R2 cenderung makin besar dan nilai KTG yang menurun. Tabel 3 dan
Tabel 4 juga terlihat bahwa prior tidak cukup signifikan berpengaruh terhadap
model.
Setelah menentukan model RTGB terbaik, selanjutnya membandingkannya
dengan model RTG pada penelitian Rahmawati (2010). Tabel 5 menunjukkan
nilai R2 dan KTG untuk model RTG dan RTGB dengan pembobot kernel normal
dan pembobot kernel kuadrat ganda.
Tabel 5 Nilai R2 dan KTG model RTG dan RTGB dengan pembobot kernel
normal dan pembobot kernel kuadrat ganda
Model R2 KTG
RTG kernel normal 85.30% 2.00109
RTGB kernel normal 91.80% 1.12109
RTG kernel kuadrat ganda 82.20% 2.40109
RTGB kernel kuadrat ganda 86.30% 1.87109
Berdasarkan Tabel 5, model RTGB dengan pembobot kernel normal adalah

model terbaik yang menghasilkan nilai R2 tertinggi dan KTG terkecil dari model
RTG dengan fungsi pembobot kernel normal dan kernel kuadrat ganda maupun
model RTGB dengan pembobot kernel kuadrat ganda. Tabel 5 juga menunjukkan
bahwa pada pembobot kernel normal dan kernel kuadrat ganda, model RTGB
lebih baik dari pada model RTG.
Untuk menunjukkan bahwa model RTGB dengan pembobot kernel normal
adalah model yang terbaik juga dipertegas pada diagram pencar antara Y amatan
dengan Y regresi, Y RTGB kernel normal, Y RTGB kernel kuadrat ganda, Y RTG
kernel normal, dan Y RTG kernel kuadrat ganda pada Gambar 9.
700000
600000
500000
400000
Y
300000
200000
100000
0
0 200000 400000 600000 800000
Y amatan
Y RTG kernel normal Y RTG kernel kuadrat ganda

Y RTGB kernel normal Y RTGB kernel kuadrat ganda
Y regresi Linear (Y RTG kernel normal)
Linear (Y RTG kernel kuadrat ganda) Linear (Y RTGB kernel normal)
Linear (Y RTGB kernel kuadrat ganda) Linear (Y regresi)
Gambar 9 Diagram pencar Y amatan dan Y: Regresi, RTG dan RTGB dengan
pembobot kernel normal dan kernel kuadrat ganda
Berdasarkan Gambar 9, Y RTGB dengan fungsi pembobot kernel normal

lebih mendekati Y amatan dibandingkan dengan Y model RTGB dengan fungsi
pembobot kernel kuadrat ganda, Y RTG dengan fungsi pembobot kernel normal
dan kernel kuadrat ganda maupun Y regresi, sehingga model RTGB dengan fungsi
pembobot kernel normal adalah model terbaik untuk pendugaan rata-rata
pengeluaran per kapita per bulan desa atau kelurahan di Kabupaten Jember.
Asumsi Normalitas
Asumsi tambahan lain yang harus dipenuhi adalah peubah acak galat
menyebar normal. Untuk menunjukkan hal ini dapat dilihat pada plot probabilitas
galat di Gambar 10 dan Gambar 11.
Gambar 10 Plot peluang galat RTGB dengan pembobot kernel normal
Gambar 11 Plot peluang galat RTGB dengan pembobot kernel kuadrat ganda
Berdasarkan Gambar 8 dan Gambar 9 di atas, tampak bahwa sebagian besar

data menyebar di sepanjang garis lurus. Hal ini mengindikasikan bahwa data
menyebar normal. Dengan menggunakan uji Anderson Darling, pada pemilihan
= 5% diketahui bahwa peubah acak galat mengikuti sebaran normal (p-value >
0.05) untuk galat model RTGB dengan fungsi pembobot kernel normal dan fungsi
pembobot kernel kuadrat ganda, sehingga asumsi kenormalan yang dibutuhkan
dalam pemodelan RTGB ini telah terpenuhi.
KESIMPULAN DAN SARAN
KESIMPULAN
Berdasarkan berbagai prior r dan yang digunakan dalam analisis model
RTGB dengan fungsi pembobot kernel normal dan fungsi pembobot kernel
kuadrat ganda untuk pendugaan rata-rata pengeluaran per kapita per bulan desa
atau kelurahan di Kabupaten Jember, prior r = 35 dan = 10 adalah prior yang
menghasilkan model RTGB terbaik untuk kedua fungsi pembobot. Jika
dibandingkan dengan model RTG, maka model RTGB dengan fungsi pembobot
kernel normal adalah model terbaik dengan KTG sebesar 1.12 x 109 dan R2
sebesar 91.8%.
SARAN
Penelitian ini fokus pada permasalahan ragam tidak konstan antar lokasi
dengan menggunakan pembobot kernel dengan lebar jendela yang sama untuk
semua lokasi, sehingga penelitian berikutnya disarankan menggunakan pembobot
kernel adaptif dengan lebar jendela yang berbeda-beda di tiap lokasi. Pada
pembobot kernel adaptif, titik-titik amatan yang berdekatan atau mengumpul
menghasilkan lebar jendela yang kecil sedangkan titik-titik amatan yang
berpencar menghasilkan lebar jendela yang besar, sehingga diharapkan dapat
menghasilkan galat model yang lebih kecil.
Pendugaan parameter pada model RTGB hanya berlaku pada lokasi amatan
dan tidak dapat digunakan untuk menduga parameter di luar lokasi amatan.
Penelitian ini dapat dikembangkan untuk menduga parameter di luar lokasi
amatan dengan menggunakan metode interpolasi.
DAFTAR PUSTAKA
Arisanti R. 2010. Model Regresi Spasial untuk Deteksi Faktor-Faktor Kemiskinan

di Provinsi Jawa Timur [tesis]. Bogor: Program Pascasarjana, Institut
Pertanian Bogor.
BPS [Badan Pusat Statistik]. 2005. Identifikasi dan Penentuan Desa Tertinggal
2005. Buku II = Jawa. Jakarta: Badan Pusat Statistik.
BPS [Badan Pusat Statistik]. 2008. Data dan Informasi Kemiskinan 2008. Jakarta:
Badan Pusat Statistik.
BPS [Badan Pusat Statistik]. 2009. Kabupaten Jember dalam Angka 2009.
Kabupaten Jember: Kerjasama Badan Perencanaan Pembangunan dengan
Badan Pusat Statistik
BPS [Badan Pusat Statistik]. 2011. Berita Resmi Statistik No. 45/07/Th. XIV, 1
Juli 2011. http://www.bps.go.id/brs_file/kemiskinan_01jul11.pdf [30
Desember 2011]
BPS [Badan Pusat Statistik]. 2012. Meta Data Subdit Statistik Kerawanan Sosial.
http://www.bps.go.id/menutab.php?tabel=1&kat=1&id_subyek=23 [16 Juli
2012]
Chan HS. 2008. Incorporating the Concept of Community into A Spatially-

Weighted Local Regression Analysis [thesis]. Canada: Department of
Geodesy and Geomatics Engineering, University of New Brunswick.
Fotheringham AS, Brundson C, Chartlon M. 2002. Geographically Weighted

Regression, the Analysis of spatially varying relationships. John Wiley and
Sons, LTD.
LeSage JP. 1998. Spatial Econometric [paper]. Department of Economics,

University of Toledo.
LeSage JP. 1999. The Theory and Practice of Spatial Econometrics [paper].
Department of Economics, University of Toledo.
LeSage JP. 2001. A Family of Geographically Weighted Regression Models.

Journal of Geographic Information Science Vol. 5, No. 2, Department of
Economics University of Toledo.
Meilisa M. 2010. Model Otoregresi Simultan dan Otoregresi Bersyarat untuk

Analisis Kemiskinan di Provinsi Jawa Timur [tesis]. Bogor: Program
Pascasarjana, Institut Pertanian Bogor.
Rahmawati R. 2010. Model Regresi Terboboti Geografis dengan Pembobot
Kernel Normal dan Kernel Kuadrat Ganda untuk Data Kemiskinan (Kasus
35 Desa atau Kelurahan di Kabupaten Jember) [tesis]. Bogor: Program
Pascasarjana, Institut Pertanian Bogor.
Schabenberger O, Gotway CA. 2005. Statistical Methods for Spatial Data

Analysis. Chapman & Hall/CRC.
LAMPIRAN
Lampiran 1. Penduga parameter model RTGB pembobot kernel normal
r = 8 dan = 1
Desa b0 b1 b2 b3 RTGB
PASEBAN -827090.0 5070.0 486290.0 5970.0 282372.07
GUMUKMAS -408170.0 4830.0 244150.0 3260.0 238742.85
TEMBOKREJO -294260.0 5580.0 167320.0 2160.0 225673.20
WRINGIN TELU 22870.0 1550.0 97900.0 130.0 242246.54
AMPEL 220510.0 -2810.0 77670.0 -150.0 215532.84
KESILIR 144400.0 -2040.0 124470.0 -650.0 217816.59
SABRANG 198430.0 -2610.0 94190.0 -320.0 247681.21
SIDODADI 149440.0 400.0 82390.0 -500.0 257379.77
PACE 42600.0 -190.0 155760.0 -470.0 221968.90
SEMPOLAN 194590.0 -3110.0 111130.0 -920.0 265047.55
GARAHAN 240080.0 -760.0 28590.0 -890.0 216829.53
MRAWAN 48630.0 -4520.0 242460.0 -1820.0 259526.87
KEMUNING SARI KIDUL 32710.0 -2490.0 220660.0 -1320.0 327888.54
SUKAMAKMUR 19600.0 -3630.0 250000.0 -1680.0 272378.99
WIROWONGSO 30850.0 -4340.0 250180.0 -1810.0 300693.66
KARANG SEMANDING 43860.0 -1210.0 170730.0 -890.0 213823.36
BALUNG KIDUL 88260.0 -1700.0 152590.0 -770.0 228590.26
GADINGREJO -277880.0 4250.0 228490.0 610.0 283791.42
WRINGIN AGUNG -194950.0 3190.0 219990.0 -250.0 225684.02
PRINGGOWIRAWAN 419410.0 -160.0 -65280.0 -3220.0 216911.18
JATIROTO 713010.0 -760.0 -187310.0 -6320.0 209091.46
SUKOREJO 23000.0 -2120.0 219090.0 -1590.0 194228.17
GAMBIRONO 52770.0 -1160.0 183460.0 -1820.0 234975.88
SERUT 50470.0 -4610.0 244140.0 -1860.0 181093.58
KEMUNINGLLOR 93530.0 -5980.0 228640.0 -1740.0 206617.01
SUMBER PINANG 89770.0 -4820.0 227530.0 -1880.0 225748.68
KALISAT 532510.0 -7980.0 23260.0 -2730.0 280627.88
SUREN 456960.0 -5840.0 -17320.0 -1320.0 215131.43
RANDU AGUNG 592400.0 -9990.0 -47890.0 -860.0 196188.85
SUMBERJAMBE 579910.0 -9240.0 -47900.0 -1010.0 178476.61
ARJASA 643550.0 -9970.0 -43860.0 -1830.0 173813.88
TEGAL BESAR 43130.0 -4580.0 245880.0 -1780.0 320180.49
KARANGREJO 68500.0 -6010.0 237690.0 -1650.0 636638.06
SUMBERSARI 61290.0 -4980.0 237970.0 -1710.0 625703.15
JEMBER LOR 50180.0 -4950.0 244420.0 -1740.0 426777.53
Lampiran 1. Lanjutan
r = 15 dan = 1
PASEBAN -745460.0 4970.0 439040.0 5750.0 282888.90
GUMUKMAS -385590.0 5000.0 224670.0 3310.0 238201.63
TEMBOKREJO -255350.0 5220.0 153240.0 1990.0 225477.31
WRINGIN TELU 14070.0 3860.0 27960.0 990.0 221510.04
AMPEL 394120.0 -3980.0 -32440.0 740.0 225610.60
KESILIR 252590.0 -1940.0 36430.0 80.0 237906.83
SABRANG 334220.0 -2980.0 -6310.0 660.0 254073.80
SIDODADI 130110.0 530.0 92250.0 -430.0 257978.65
PACE 24540.0 230.0 158790.0 -360.0 227200.65
SEMPOLAN 209860.0 -3150.0 96530.0 -760.0 261370.74
GARAHAN 243760.0 -760.0 27550.0 -950.0 217034.58
MRAWAN 25920.0 -5200.0 256660.0 -1790.0 252548.04
SUKAMAKMUR -5150.0 -3880.0 267410.0 -1880.0 263584.38
WIROWONGSO 21720.0 -5610.0 262080.0 -1950.0 294592.90
BALUNG KIDUL 189200.0 -1840.0 75020.0 -180.0 237809.25
GADINGREJO -313700.0 4780.0 236160.0 790.0 286061.84
WRINGIN AGUNG -209110.0 3090.0 230860.0 -100.0 226673.24
PRINGGOWIRAWAN 399640.0 -100.0 -52350.0 -3200.0 221038.29
JATIROTO 777530.0 -1400.0 -207480.0 -6630.0 208777.19
SUKOREJO 23160.0 -2260.0 224150.0 -1740.0 191665.58
GAMBIRONO 60820.0 -1260.0 194230.0 -2440.0 226644.11
SERUT 52290.0 -6450.0 259550.0 -1900.0 178522.25
KEMUNINGLLOR 101000.0 -8880.0 236080.0 -1480.0 207999.35
SUMBER PINANG 70960.0 -5850.0 239710.0 -1630.0 226658.11
KALISAT 529080.0 -8000.0 22020.0 -2620.0 281075.56
SUREN 416250.0 -5230.0 -7260.0 -1100.0 214587.17
RANDU AGUNG 594280.0 -10110.0 -49370.0 -780.0 198027.47
SUMBERJAMBE 584830.0 -9370.0 -47350.0 -1040.0 178487.47
ARJASA 645140.0 -9910.0 -44480.0 -1870.0 173111.28
TEGAL BESAR 35910.0 -6450.0 258840.0 -1840.0 319794.73
KARANGREJO 62970.0 -8380.0 248270.0 -1470.0 654488.92
SUMBERSARI 73360.0 -7980.0 242100.0 -1520.0 644470.20
JEMBER LOR 52220.0 -6700.0 252010.0 -1680.0 440413.49
r = 25 dan = 1
PASEBAN -899180.0 5520.0 509210.0 6880.0 282597.19
GUMUKMAS -387500.0 4750.0 232470.0 3380.0 239408.89
TEMBOKREJO -264350.0 5150.0 160990.0 1940.0 225120.08
WRINGIN TELU 6200.0 3810.0 34610.0 910.0 221248.97
AMPEL 390520.0 -3970.0 -29250.0 710.0 225851.01
KESILIR 251840.0 -1830.0 34740.0 90.0 239087.65
SABRANG 339250.0 -2990.0 -9070.0 640.0 254710.65
SIDODADI 146580.0 290.0 86070.0 -470.0 257337.84
PACE 9980.0 290.0 164250.0 -200.0 227505.73
SEMPOLAN 206860.0 -3150.0 97660.0 -690.0 262027.64
GARAHAN 234070.0 -600.0 30290.0 -900.0 217407.29
MRAWAN 22860.0 -5330.0 259510.0 -1850.0 249069.30
SUKAMAKMUR -11610.0 -3970.0 269900.0 -1770.0 261266.01
WIROWONGSO 24030.0 -5860.0 260830.0 -1870.0 295089.15
BALUNG KIDUL 205410.0 -1840.0 64000.0 -170.0 237256.72
GADINGREJO -357170.0 4730.0 263190.0 960.0 286850.41
WRINGIN AGUNG -218900.0 3260.0 230140.0 60.0 227302.99
PRINGGOWIRAWAN 460320.0 -570.0 -71990.0 -3610.0 220796.30
JATIROTO 779500.0 -1400.0 -207960.0 -6630.0 210179.26
SUKOREJO 17940.0 -2190.0 230070.0 -1940.0 188406.47
GAMBIRONO 59940.0 -1000.0 194250.0 -2630.0 221750.94
SERUT 51820.0 -6810.0 261740.0 -1870.0 177758.86
KEMUNINGLLOR 103550.0 -9160.0 234340.0 -1410.0 209851.42
SUMBER PINANG 72010.0 -6030.0 240850.0 -1630.0 227507.59
KALISAT 531110.0 -8020.0 22220.0 -2650.0 281402.95
SUREN 418500.0 -5450.0 -6010.0 -1070.0 214582.87
RANDU AGUNG 590250.0 -9950.0 -45730.0 -890.0 195369.89
SUMBERJAMBE 587500.0 -9270.0 -48130.0 -1110.0 179553.21
ARJASA 649100.0 -9960.0 -44530.0 -1920.0 172558.49
TEGAL BESAR 32430.0 -6450.0 260250.0 -1810.0 318479.72
KARANGREJO 66310.0 -8460.0 246790.0 -1480.0 653301.55
SUMBERSARI 76270.0 -8940.0 243460.0 -1430.0 649982.07
JEMBER LOR 58370.0 -7420.0 252700.0 -1670.0 447116.46
r = 35 dan = 1
PASEBAN -804400.0 5080.0 470160.0 6110.0 282651.44
GUMUKMAS -402990.0 4860.0 238390.0 3490.0 239821.90
TEMBOKREJO -258030.0 5160.0 156750.0 1980.0 225717.75
WRINGIN TELU 16810.0 3900.0 22500.0 1080.0 218343.66
AMPEL 390950.0 -3930.0 -30880.0 740.0 226109.54
KESILIR 260190.0 -2000.0 32330.0 100.0 238580.07
SABRANG 332830.0 -2810.0 -6310.0 560.0 255644.60
SIDODADI 140720.0 400.0 89490.0 -520.0 257736.03
PACE 16980.0 320.0 159900.0 -270.0 227531.54
SEMPOLAN 210850.0 -3120.0 96320.0 -770.0 262483.86
GARAHAN 240150.0 -600.0 28110.0 -990.0 217544.45
MRAWAN 23570.0 -5220.0 258310.0 -1850.0 249115.07
SUKAMAKMUR -13630.0 -3910.0 272030.0 -1820.0 262306.18
WIROWONGSO 20660.0 -5920.0 262300.0 -1840.0 294006.81
BALUNG KIDUL 195060.0 -1700.0 67790.0 -180.0 236763.42
GADINGREJO -334390.0 4990.0 241200.0 970.0 285454.32
WRINGIN AGUNG -226370.0 3410.0 231730.0 40.0 227427.60
PRINGGOWIRAWAN 420470.0 -200.0 -64750.0 -3120.0 220150.55
JATIROTO 717240.0 -790.0 -189580.0 -6300.0 210070.70
SUKOREJO 19830.0 -2210.0 227630.0 -1850.0 190006.35
GAMBIRONO 66560.0 -1220.0 193390.0 -2590.0 224174.67
SERUT 52910.0 -6830.0 261780.0 -1910.0 177214.17
KEMUNINGLLOR 102000.0 -9190.0 235170.0 -1400.0 209782.12
SUMBER PINANG 70660.0 -6050.0 241180.0 -1600.0 228047.30
KALISAT 524760.0 -7850.0 21740.0 -2610.0 279431.95
SUREN 421890.0 -5390.0 -6920.0 -1140.0 214401.63
RANDU AGUNG 592270.0 -10000.0 -48860.0 -820.0 197328.14
SUMBERJAMBE 581130.0 -9410.0 -46550.0 -960.0 178806.22
ARJASA 650360.0 -9940.0 -45640.0 -1920.0 171884.28
TEGAL BESAR 30940.0 -6480.0 260850.0 -1780.0 317951.71
KARANGREJO 65590.0 -8360.0 247230.0 -1480.0 654156.12
SUMBERSARI 73960.0 -9100.0 245670.0 -1430.0 652883.47
JEMBER LOR 59350.0 -7740.0 253360.0 -1640.0 449262.48
r = 8 dan = 10
PASEBAN -854710.0 5090.0 498680.0 6450.0 281185.72
GUMUKMAS -375450.0 4810.0 221030.0 3560.0 238718.02
TEMBOKREJO -302010.0 5230.0 180190.0 2230.0 224704.06
WRINGIN TELU 43220.0 1650.0 83660.0 40.0 241940.74
AMPEL 165110.0 -2390.0 107280.0 -250.0 209810.43
KESILIR 137480.0 -1900.0 125940.0 -660.0 217413.76
SABRANG 166710.0 -2420.0 113680.0 -390.0 246526.15
SIDODADI 148250.0 50.0 89540.0 -450.0 257286.50
PACE 33770.0 100.0 156000.0 -360.0 227990.32
SEMPOLAN 197260.0 -2960.0 100210.0 -690.0 260897.40
GARAHAN 229560.0 -500.0 33660.0 -990.0 216592.74
MRAWAN 48510.0 -4240.0 241450.0 -1800.0 261824.90
SUKAMAKMUR 15650.0 -3400.0 251190.0 -1750.0 272814.55
WIROWONGSO 38030.0 -4430.0 245720.0 -1760.0 302150.99
BALUNG KIDUL 106760.0 -1760.0 142270.0 -810.0 226551.07
GADINGREJO -418160.0 5470.0 276510.0 1260.0 284047.92
WRINGIN AGUNG -157130.0 2830.0 208690.0 -410.0 229080.31
PRINGGOWIRAWAN 375930.0 -30.0 -44740.0 -2900.0 220728.77
JATIROTO 779250.0 -1410.0 -210030.0 -6590.0 208600.25
SUKOREJO 24940.0 -2050.0 213890.0 -1480.0 195365.46
GAMBIRONO 33260.0 -1070.0 192440.0 -1720.0 237332.65
SERUT 47960.0 -4840.0 245670.0 -1820.0 179295.75
KEMUNINGLLOR 95850.0 -5990.0 228180.0 -1770.0 206043.57
SUMBER PINANG 87100.0 -4920.0 226710.0 -1780.0 226687.01
KALISAT 516160.0 -8270.0 28680.0 -2440.0 283819.07
SUREN 432300.0 -5430.0 -10870.0 -1190.0 216074.61
RANDU AGUNG 594690.0 -9920.0 -49490.0 -880.0 197890.38
SUMBERJAMBE 583790.0 -9370.0 -48500.0 -980.0 179141.45
ARJASA 643820.0 -10080.0 -45280.0 -1750.0 173047.86
TEGAL BESAR 42700.0 -4590.0 244560.0 -1710.0 318759.07
KARANGREJO 63020.0 -4900.0 237090.0 -1750.0 631430.93
SUMBERSARI 61340.0 -5840.0 240540.0 -1620.0 631583.53
JEMBER LOR 51690.0 -4740.0 242350.0 -1760.0 424809.96
r = 15 dan = 10
PASEBAN -397280.0 4660.0 260720.0 2360.0 295312.47
GUMUKMAS -112070.0 3800.0 106260.0 1490.0 241978.72
TEMBOKREJO -94710.0 3750.0 106420.0 920.0 238253.96
WRINGIN TELU 47940.0 2270.0 61300.0 350.0 238890.32
AMPEL 294900.0 -1960.0 -3160.0 360.0 227615.68
KESILIR 124390.0 -2130.0 136540.0 -600.0 213230.10
SABRANG 258730.0 -2050.0 30510.0 200.0 246418.86
SIDODADI 120320.0 110.0 107200.0 -520.0 253022.77
PACE -38500.0 -380.0 225170.0 -560.0 221038.34
SEMPOLAN 260120.0 -3950.0 116060.0 -1930.0 290211.04
GARAHAN 290590.0 -2710.0 43060.0 -1140.0 214562.19
MRAWAN 54840.0 -3900.0 235740.0 -1750.0 265917.41
SUKAMAKMUR 11250.0 -3150.0 252370.0 -1740.0 274782.94
WIROWONGSO 42610.0 -3840.0 240120.0 -1720.0 304621.28
BALUNG KIDUL 62630.0 -1880.0 178070.0 -1000.0 223714.74
GADINGREJO -177070.0 4210.0 152910.0 800.0 263879.65
WRINGIN AGUNG -183400.0 4030.0 168040.0 480.0 220934.91
PRINGGOWIRAWAN 202850.0 1300.0 34510.0 -2360.0 241382.70
JATIROTO 690040.0 -1890.0 -142180.0 -5860.0 206726.66
SUKOREJO 25870.0 -2330.0 218550.0 -1490.0 194736.15
GAMBIRONO 46640.0 -1730.0 195370.0 -1630.0 245630.23
SERUT 44240.0 -5930.0 258990.0 -1810.0 178428.04
KEMUNINGLLOR 91620.0 -7520.0 233960.0 -1520.0 209201.38
SUMBER PINANG 107630.0 -4770.0 214830.0 -1840.0 230456.92
KALISAT 420820.0 -5820.0 78910.0 -3260.0 261668.78
SUREN 279640.0 -3590.0 70630.0 -1350.0 202037.67
RANDU AGUNG 527480.0 -10740.0 -35180.0 510.0 204458.37
SUMBERJAMBE 854870.0 -22730.0 -145840.0 3170.0 130343.91
ARJASA 611280.0 -9260.0 -6660.0 -2880.0 177105.72
TEGAL BESAR 43340.0 -3900.0 238910.0 -1670.0 315946.62
KARANGREJO 67290.0 -4710.0 233320.0 -1740.0 626653.55
SUMBERSARI 60950.0 -5010.0 238500.0 -1700.0 626753.90
JEMBER LOR 43260.0 -4570.0 245150.0 -1700.0 421970.70
r = 25 dan = 10
PASEBAN -801320.0 5260.0 464190.0 6050.0 285850.07
GUMUKMAS -383700.0 4790.0 228360.0 3400.0 238661.72
TEMBOKREJO -303050.0 5230.0 183210.0 2120.0 226960.13
WRINGIN TELU 25440.0 3930.0 17600.0 1010.0 219086.91
AMPEL 395780.0 -4030.0 -32700.0 780.0 225778.86
KESILIR 251090.0 -1900.0 36780.0 80.0 238287.30
SABRANG 332390.0 -2830.0 -5820.0 570.0 255490.87
SIDODADI 144840.0 310.0 87650.0 -490.0 257673.04
PACE 5820.0 380.0 165700.0 -240.0 227177.33
SEMPOLAN 210140.0 -3090.0 94820.0 -710.0 261843.43
GARAHAN 232030.0 -560.0 31520.0 -930.0 216931.43
MRAWAN 18430.0 -5260.0 260630.0 -1790.0 250294.71
SUKAMAKMUR -9830.0 -4030.0 270900.0 -1840.0 261943.67
WIROWONGSO 21650.0 -5830.0 261700.0 -1850.0 294641.19
BALUNG KIDUL 206790.0 -1890.0 60850.0 -40.0 239769.55
GADINGREJO -372040.0 5260.0 256080.0 1150.0 286360.20
WRINGIN AGUNG -197350.0 2910.0 232450.0 -430.0 223910.81
PRINGGOWIRAWAN 416630.0 -270.0 -59550.0 -3200.0 219978.65
JATIROTO 764050.0 -1190.0 -204510.0 -6610.0 209046.40
SUKOREJO 27910.0 -2360.0 223930.0 -1820.0 190483.56
GAMBIRONO 66020.0 -1220.0 191200.0 -2530.0 223122.30
SERUT 54910.0 -6870.0 260210.0 -1890.0 177974.12
KEMUNINGLLOR 103750.0 -8950.0 234560.0 -1450.0 210001.84
SUMBER PINANG 71750.0 -6170.0 241280.0 -1600.0 228181.82
KALISAT 532660.0 -7900.0 20780.0 -2680.0 281110.28
SUREN 424230.0 -5290.0 -10680.0 -1130.0 215115.72
RANDU AGUNG 593890.0 -10010.0 -48010.0 -880.0 195741.77
SUMBERJAMBE 586450.0 -9340.0 -48690.0 -1040.0 179314.55
ARJASA 639020.0 -10020.0 -44770.0 -1720.0 172796.81
TEGAL BESAR 33650.0 -6490.0 260410.0 -1830.0 319486.41
KARANGREJO 68890.0 -8350.0 245100.0 -1490.0 651553.59
SUMBERSARI 72740.0 -8980.0 245550.0 -1410.0 651851.55
JEMBER LOR 60410.0 -7610.0 252860.0 -1690.0 448968.50
r = 35 dan = 10
PASEBAN -818880.0 5270.0 473280.0 6150.0 284130.21
GUMUKMAS -367710.0 4810.0 217300.0 3490.0 239337.41
TEMBOKREJO -264420.0 5250.0 157100.0 2080.0 224882.28
WRINGIN TELU 5900.0 4050.0 26630.0 1020.0 218877.59
AMPEL 388060.0 -3950.0 -27830.0 700.0 225693.21
KESILIR 254120.0 -1730.0 30380.0 120.0 240084.79
SABRANG 340500.0 -2910.0 -10500.0 590.0 255356.39
SIDODADI 137800.0 400.0 89830.0 -430.0 258436.30
PACE 17500.0 300.0 160990.0 -300.0 227690.99
SEMPOLAN 215360.0 -3290.0 95730.0 -770.0 262009.25
GARAHAN 239490.0 -700.0 28790.0 -940.0 216460.34
MRAWAN 23310.0 -5280.0 258700.0 -1850.0 248828.44
SUKAMAKMUR -14390.0 -3980.0 272400.0 -1790.0 261421.72
WIROWONGSO 20970.0 -5720.0 262360.0 -1920.0 294074.65
BALUNG KIDUL 209640.0 -1850.0 60390.0 -120.0 238440.71
GADINGREJO -338890.0 4820.0 251120.0 870.0 288049.18
WRINGIN AGUNG -168310.0 2740.0 217770.0 -410.0 226691.99
PRINGGOWIRAWAN 376790.0 110.0 -46890.0 -3010.0 220184.11
JATIROTO 722490.0 -760.0 -192980.0 -6360.0 210292.51
SUKOREJO 20390.0 -2290.0 228300.0 -1850.0 189363.56
GAMBIRONO 61060.0 -1180.0 195640.0 -2560.0 224791.57
SERUT 52700.0 -6670.0 261830.0 -1930.0 177916.98
KEMUNINGLLOR 105700.0 -8990.0 233660.0 -1470.0 208819.50
SUMBER PINANG 72620.0 -6040.0 240360.0 -1640.0 226864.53
KALISAT 528120.0 -7950.0 20180.0 -2570.0 280921.40
SUREN 413130.0 -5170.0 -5520.0 -1120.0 214012.01
RANDU AGUNG 592180.0 -9950.0 -47740.0 -870.0 196692.06
SUMBERJAMBE 587190.0 -9450.0 -48000.0 -1020.0 178589.26
ARJASA 644910.0 -9950.0 -43830.0 -1870.0 173278.42
TEGAL BESAR 34020.0 -6600.0 259480.0 -1780.0 318650.69
KARANGREJO 64700.0 -8410.0 248010.0 -1510.0 654378.68
SUMBERSARI 70450.0 -9080.0 247300.0 -1400.0 653865.83
JEMBER LOR 58350.0 -7640.0 253420.0 -1650.0 448330.41
r = 8 dan = 100
PASEBAN -808510.0 5020.0 471270.0 6390.0 280542.78
GUMUKMAS -358120.0 4570.0 220160.0 3250.0 239412.63
TEMBOKREJO -281550.0 5110.0 173580.0 2020.0 227102.73
WRINGIN TELU 18800.0 1610.0 97780.0 100.0 239792.34
AMPEL 206750.0 -2770.0 86050.0 -170.0 213191.90
KESILIR 153930.0 -2040.0 116830.0 -610.0 218461.84
SABRANG 200050.0 -2640.0 92640.0 -260.0 247432.89
SIDODADI 132450.0 420.0 92720.0 -450.0 256965.38
PACE 15020.0 110.0 159010.0 -20.0 225300.59
SEMPOLAN 190570.0 -2890.0 111980.0 -920.0 267610.80
GARAHAN 223420.0 -460.0 36230.0 -890.0 218469.99
MRAWAN 49990.0 -4200.0 239880.0 -1780.0 262499.63
SUKAMAKMUR 26080.0 -3590.0 246120.0 -1750.0 272675.96
WIROWONGSO 41540.0 -4610.0 245620.0 -1810.0 302878.31
BALUNG KIDUL 107740.0 -1800.0 142060.0 -790.0 227103.97
GADINGREJO -299620.0 4220.0 242720.0 680.0 284877.90
WRINGIN AGUNG -205860.0 2970.0 234760.0 -280.0 225268.02
PRINGGOWIRAWAN 462840.0 -480.0 -80240.0 -3440.0 217921.04
JATIROTO 762040.0 -1160.0 -203370.0 -6630.0 208950.14
SUKOREJO 28040.0 -2170.0 217000.0 -1570.0 195992.80
GAMBIRONO 31360.0 -1270.0 198650.0 -1770.0 238660.57
SERUT 51210.0 -4920.0 245540.0 -1840.0 180877.69
KEMUNINGLLOR 90800.0 -6280.0 230040.0 -1650.0 208634.41
SUMBER PINANG 94180.0 -4970.0 224350.0 -1810.0 228719.63
KALISAT 550370.0 -8020.0 15670.0 -2860.0 278908.53
SUREN 409680.0 -5260.0 -2250.0 -1110.0 212951.68
RANDU AGUNG 588050.0 -9910.0 -44470.0 -900.0 194906.65
SUMBERJAMBE 579730.0 -9270.0 -47440.0 -990.0 179015.59
ARJASA 636780.0 -9720.0 -45190.0 -1780.0 173705.51
TEGAL BESAR 42530.0 -5030.0 246530.0 -1690.0 319171.42
KARANGREJO 64630.0 -5760.0 238820.0 -1640.0 637041.11
SUMBERSARI 62490.0 -5650.0 240800.0 -1710.0 632646.34
JEMBER LOR 49070.0 -4590.0 243260.0 -1760.0 423845.58
r = 15 dan = 100
PASEBAN -808390.0 5170.0 468510.0 6200.0 282339.53
GUMUKMAS -370590.0 4810.0 219550.0 3330.0 237382.27
TEMBOKREJO -262440.0 5210.0 159160.0 2000.0 227405.28
WRINGIN TELU 4700.0 3880.0 33360.0 1000.0 221795.99
AMPEL 377750.0 -3860.0 -22590.0 690.0 224834.33
KESILIR 256790.0 -1950.0 34140.0 90.0 239013.98
SABRANG 339230.0 -2900.0 -9700.0 570.0 255094.47
SIDODADI 147230.0 230.0 85900.0 -440.0 257004.44
PACE 14220.0 310.0 160560.0 -220.0 226991.75
SEMPOLAN 214710.0 -3090.0 93900.0 -800.0 262528.71
GARAHAN 233180.0 -670.0 31290.0 -890.0 215900.32
MRAWAN 24610.0 -5180.0 257210.0 -1810.0 251143.71
SUKAMAKMUR -5790.0 -3800.0 266110.0 -1810.0 263983.73
WIROWONGSO 27620.0 -5860.0 258910.0 -1900.0 295285.30
BALUNG KIDUL 204800.0 -1750.0 61910.0 -180.0 235643.58
GADINGREJO -349930.0 4930.0 251770.0 1120.0 286833.44
WRINGIN AGUNG -194130.0 3190.0 221410.0 -290.0 227291.33
PRINGGOWIRAWAN 428220.0 -180.0 -69970.0 -3220.0 217321.07
JATIROTO 778610.0 -1450.0 -206870.0 -6620.0 208721.50
SUKOREJO 13680.0 -2290.0 230510.0 -1740.0 189732.53
GAMBIRONO 71280.0 -1250.0 192630.0 -2660.0 223388.61
SERUT 53110.0 -6670.0 260380.0 -1870.0 179082.37
KEMUNINGLLOR 93710.0 -8700.0 238470.0 -1450.0 208256.03
SUMBER PINANG 66210.0 -6170.0 243120.0 -1550.0 227697.59
KALISAT 526000.0 -7980.0 20190.0 -2530.0 280533.34
SUREN 418050.0 -5460.0 -3950.0 -1100.0 214764.35
RANDU AGUNG 596810.0 -9910.0 -48150.0 -960.0 196623.92
SUMBERJAMBE 584380.0 -9400.0 -47090.0 -1020.0 178499.31
ARJASA 640290.0 -9880.0 -44320.0 -1810.0 173117.72
TEGAL BESAR 30590.0 -6260.0 258930.0 -1760.0 316426.99
KARANGREJO 68330.0 -8420.0 245440.0 -1450.0 652647.39
SUMBERSARI 69310.0 -8090.0 244440.0 -1480.0 646553.83
JEMBER LOR 53420.0 -6500.0 250850.0 -1690.0 439762.89
r = 25 dan = 100
PASEBAN -849120.0 5170.0 493750.0 6320.0 281979.52
GUMUKMAS -357540.0 4640.0 218730.0 3120.0 238483.36
TEMBOKREJO -265870.0 5010.0 167540.0 1870.0 227225.45
WRINGIN TELU 16480.0 4050.0 19940.0 1040.0 218943.93
AMPEL 403840.0 -4120.0 -36000.0 750.0 226196.02
KESILIR 249860.0 -1890.0 38380.0 50.0 238401.29
SABRANG 338730.0 -2870.0 -10760.0 630.0 255072.50
SIDODADI 145310.0 290.0 87160.0 -470.0 257568.77
PACE 2370.0 490.0 164560.0 -170.0 228737.96
SEMPOLAN 189720.0 -2870.0 104450.0 -690.0 262018.33
GARAHAN 232560.0 -540.0 28890.0 -860.0 217607.83
MRAWAN 21090.0 -5120.0 259060.0 -1840.0 249289.18
SUKAMAKMUR -11840.0 -3930.0 271230.0 -1830.0 262403.58
WIROWONGSO 20940.0 -5790.0 262000.0 -1900.0 293465.11
BALUNG KIDUL 197360.0 -1850.0 68950.0 -150.0 237865.61
GADINGREJO -341650.0 5150.0 242840.0 900.0 286590.79
WRINGIN AGUNG -202890.0 2980.0 230360.0 -80.0 228386.17
PRINGGOWIRAWAN 399140.0 30.0 -59970.0 -3010.0 218210.75
JATIROTO 750830.0 -960.0 -201840.0 -6610.0 209335.54
SUKOREJO 16270.0 -2270.0 230730.0 -1840.0 189325.58
GAMBIRONO 51770.0 -1130.0 197850.0 -2480.0 224342.79
SERUT 51300.0 -6800.0 262170.0 -1880.0 177402.19
KEMUNINGLLOR 104330.0 -9200.0 234250.0 -1440.0 207878.97
SUMBER PINANG 67240.0 -6010.0 242410.0 -1600.0 226518.85
KALISAT 528620.0 -7980.0 22920.0 -2640.0 281225.23
SUREN 422150.0 -5470.0 -10240.0 -1010.0 215832.77
RANDU AGUNG 596930.0 -9990.0 -47820.0 -950.0 195259.00
SUMBERJAMBE 580050.0 -9280.0 -47080.0 -990.0 179488.46
ARJASA 640000.0 -9910.0 -44910.0 -1770.0 173225.03
TEGAL BESAR 29550.0 -6480.0 262030.0 -1800.0 317874.41
KARANGREJO 68840.0 -8520.0 245990.0 -1480.0 653455.97
SUMBERSARI 75650.0 -9000.0 243970.0 -1420.0 650642.76
JEMBER LOR 56200.0 -7450.0 253270.0 -1650.0 446122.23
r = 35 dan = 100
PASEBAN -864220.0 5240.0 498420.0 6550.0 280981.30
GUMUKMAS -335070.0 4550.0 207680.0 3130.0 239701.68
TEMBOKREJO -287650.0 5260.0 170130.0 2200.0 224101.85
WRINGIN TELU -2070.0 3960.0 33480.0 1100.0 219826.86
AMPEL 386200.0 -3990.0 -25790.0 720.0 225231.62
KESILIR 265370.0 -2060.0 30490.0 80.0 238332.53
SABRANG 343960.0 -3040.0 -11120.0 620.0 254873.02
SIDODADI 147390.0 330.0 85270.0 -470.0 258246.23
PACE -650.0 390.0 169300.0 -190.0 227493.06
SEMPOLAN 206510.0 -3100.0 99270.0 -790.0 262597.10
GARAHAN 232860.0 -520.0 30430.0 -930.0 217717.34
MRAWAN 18900.0 -5170.0 261110.0 -1860.0 248510.15
SUKAMAKMUR -10240.0 -4010.0 270650.0 -1830.0 261745.79
WIROWONGSO 21790.0 -5910.0 262450.0 -1890.0 294222.01
BALUNG KIDUL 203240.0 -1850.0 63970.0 -120.0 237678.50
GADINGREJO -331080.0 4990.0 242170.0 830.0 288066.19
WRINGIN AGUNG -198190.0 2850.0 231710.0 -160.0 227427.38
PRINGGOWIRAWAN 404370.0 -60.0 -58690.0 -3090.0 219966.37
JATIROTO 749480.0 -1030.0 -198850.0 -6620.0 207980.75
SUKOREJO 13950.0 -2240.0 231950.0 -1850.0 189002.39
GAMBIRONO 64530.0 -1170.0 192380.0 -2540.0 224156.07
SERUT 51440.0 -6770.0 262040.0 -1890.0 177342.85
KEMUNINGLLOR 101860.0 -9160.0 235690.0 -1410.0 209989.34
SUMBER PINANG 68540.0 -6130.0 241220.0 -1560.0 227468.85
KALISAT 523930.0 -7910.0 18950.0 -2460.0 281644.44
SUREN 413740.0 -5240.0 -6760.0 -1050.0 215262.45
RANDU AGUNG 588330.0 -9980.0 -46370.0 -830.0 195648.02
SUMBERJAMBE 590240.0 -9380.0 -46860.0 -1130.0 179458.59
ARJASA 651600.0 -10050.0 -45860.0 -1880.0 172259.66
TEGAL BESAR 31790.0 -6580.0 260210.0 -1760.0 317691.01
KARANGREJO 62640.0 -8220.0 248670.0 -1510.0 654840.54
SUMBERSARI 71000.0 -8960.0 246390.0 -1400.0 652378.20
JEMBER LOR 58390.0 -7700.0 253790.0 -1650.0 448922.58
Lampiran 2. Penduga parameter model RTGB pembobot kernel kuadrat ganda
r = 8 dan = 1
PASEBAN -321830.0 4390.0 223770.0 2050.0 294789.62
GUMUKMAS -135080.0 3980.0 115020.0 1550.0 241511.69
TEMBOKREJO -100080.0 4050.0 101810.0 980.0 238733.58
WRINGIN TELU 33480.0 1300.0 103280.0 -80.0 248773.45
AMPEL 212070.0 -1860.0 58140.0 30.0 218920.67
KESILIR 93240.0 -2140.0 159200.0 -660.0 210432.35
SABRANG 167080.0 -2320.0 107790.0 -380.0 241866.28
SIDODADI 116310.0 140.0 112260.0 -650.0 252327.40
PACE -6980.0 -960.0 215270.0 -650.0 215099.95
SEMPOLAN 281070.0 -3940.0 105430.0 -2050.0 291803.86
GARAHAN 274240.0 -2480.0 46540.0 -1040.0 213191.48
MRAWAN 47660.0 -3800.0 238940.0 -1720.0 266096.43
SUKAMAKMUR 22160.0 -3450.0 242750.0 -1430.0 273072.06
WIROWONGSO 38480.0 -3620.0 241780.0 -1760.0 303598.39
BALUNG KIDUL 71910.0 -2010.0 174520.0 -960.0 225611.41
GADINGREJO -180000.0 4230.0 157010.0 690.0 266652.37
WRINGIN AGUNG -220510.0 4240.0 183690.0 650.0 218472.80
PRINGGOWIRAWAN 157660.0 1690.0 48490.0 -1990.0 243792.81
JATIROTO 729740.0 -2250.0 -151510.0 -6160.0 207410.82
SUKOREJO 25480.0 -2130.0 213990.0 -1400.0 197000.38
GAMBIRONO 59420.0 -1690.0 191490.0 -1860.0 241096.57
SERUT 42940.0 -4990.0 250900.0 -1830.0 177661.99
KEMUNINGLLOR 101070.0 -6230.0 223430.0 -1650.0 210554.39
SUMBER PINANG 122180.0 -4980.0 208240.0 -1800.0 237123.08
KALISAT 351770.0 -7270.0 94280.0 -2320.0 243911.26
SUREN 377990.0 -4950.0 -11080.0 310.0 257857.94
RANDU AGUNG 369510.0 -2050.0 -20440.0 -1530.0 195442.16
SUMBERJAMBE -339060.0 10740.0 165090.0 370.0 225710.54
ARJASA 609290.0 -7920.0 -13570.0 -3010.0 186611.94
TEGAL BESAR 48260.0 -3940.0 236840.0 -1680.0 317864.94
KARANGREJO 55970.0 -5040.0 238650.0 -1570.0 632603.11
SUMBERSARI 63460.0 -4850.0 235920.0 -1730.0 622753.78
JEMBER LOR 44760.0 -4580.0 243780.0 -1680.0 421456.68
r = 15 dan = 1
PASEBAN -358810.0 4500.0 242220.0 2220.0 294553.41
GUMUKMAS -131220.0 4050.0 111770.0 1490.0 242123.94
TEMBOKREJO -78360.0 3900.0 91120.0 970.0 237385.03
WRINGIN TELU 68350.0 2230.0 50010.0 340.0 239352.09
AMPEL 283730.0 -1820.0 1580.0 360.0 227176.28
KESILIR 119660.0 -2170.0 141930.0 -630.0 213296.93
SABRANG 257050.0 -2030.0 30300.0 220.0 245373.12
SIDODADI 111860.0 260.0 112490.0 -610.0 253195.04
PACE -42160.0 -330.0 226470.0 -530.0 221958.75
SEMPOLAN 268450.0 -4020.0 113540.0 -2000.0 291072.94
GARAHAN 279250.0 -2510.0 46150.0 -1110.0 214187.31
MRAWAN 51290.0 -3940.0 236740.0 -1700.0 266194.94
KEMUNING SARI KIDUL -2510.0 -2260.0 249820.0 -1620.0 340464.84
SUKAMAKMUR 26200.0 -3220.0 242610.0 -1690.0 275734.63
WIROWONGSO 37720.0 -3860.0 243390.0 -1720.0 304121.57
BALUNG KIDUL 64510.0 -1930.0 176020.0 -950.0 223725.42
GADINGREJO -181810.0 4150.0 158640.0 750.0 265005.77
WRINGIN AGUNG -168780.0 3880.0 165990.0 280.0 221004.30
PRINGGOWIRAWAN 205230.0 1340.0 33180.0 -2430.0 241114.82
JATIROTO 576630.0 -840.0 -106170.0 -5260.0 206726.83
SUKOREJO 31760.0 -2270.0 212890.0 -1460.0 195917.19
GAMBIRONO 47260.0 -1730.0 195230.0 -1660.0 244478.33
SERUT 41250.0 -5910.0 259570.0 -1780.0 177326.97
KEMUNINGLLOR 91300.0 -8060.0 235410.0 -1450.0 209382.76
SUMBER PINANG 109410.0 -4850.0 213750.0 -1850.0 229619.21
KALISAT 424580.0 -6100.0 70390.0 -2970.0 263719.45
SUREN 269640.0 -5220.0 53180.0 130.0 212760.01
RANDU AGUNG 459950.0 -7380.0 -31450.0 -150.0 200626.63
SUMBERJAMBE 392420.0 -8900.0 74550.0 -1430.0 136759.72
ARJASA 586970.0 -8740.0 -22910.0 -1890.0 191811.47
TEGAL BESAR 39000.0 -3960.0 243060.0 -1700.0 316369.71
KARANGREJO 64250.0 -4810.0 234990.0 -1710.0 628441.21
SUMBERSARI 62230.0 -4970.0 237710.0 -1740.0 625639.75
JEMBER LOR 43590.0 -4540.0 244780.0 -1710.0 421587.18
r = 25 dan = 1
PASEBAN -330230.0 4280.0 230630.0 2050.0 290776.09
GUMUKMAS -110830.0 4070.0 97690.0 1540.0 241712.36
TEMBOKREJO -101550.0 4050.0 101560.0 1080.0 238185.90
WRINGIN TELU 47070.0 2280.0 62050.0 370.0 239927.45
AMPEL 284530.0 -1840.0 1840.0 350.0 227451.58
KESILIR 146900.0 -2140.0 120470.0 -460.0 218940.99
SABRANG 262310.0 -2150.0 30320.0 200.0 246940.48
SIDODADI 114580.0 200.0 109160.0 -490.0 253732.40
PACE -34610.0 -350.0 225150.0 -660.0 222549.48
SEMPOLAN 265910.0 -4060.0 114000.0 -1940.0 289927.66
GARAHAN 287960.0 -2670.0 43280.0 -1130.0 213806.33
MRAWAN 8750.0 -3840.0 262170.0 -1690.0 262593.46
SUKAMAKMUR -990.0 -3250.0 265090.0 -1880.0 275813.23
WIROWONGSO 7440.0 -3870.0 263720.0 -1810.0 299884.90
BALUNG KIDUL 103320.0 -2220.0 153670.0 -720.0 231670.07
GADINGREJO -182470.0 4180.0 159620.0 660.0 265762.67
WRINGIN AGUNG -210440.0 4200.0 179970.0 530.0 218414.27
PRINGGOWIRAWAN 167900.0 1540.0 47960.0 -2140.0 243426.58
JATIROTO 663930.0 -1700.0 -134850.0 -5610.0 207653.33
SUKOREJO 10340.0 -2670.0 248720.0 -1910.0 193885.81
GAMBIRONO 51740.0 -2190.0 220610.0 -2380.0 243508.77
SERUT 40570.0 -5910.0 260320.0 -1770.0 177769.26
KEMUNINGLLOR 91520.0 -8190.0 235350.0 -1430.0 209395.24
SUMBER PINANG 64320.0 -4940.0 239580.0 -1720.0 223069.81
KALISAT 466840.0 -7010.0 58090.0 -3110.0 263815.96
SUREN 348230.0 -4770.0 26730.0 -620.0 227442.37
RANDU AGUNG 257990.0 -3670.0 -1780.0 1010.0 208253.60
SUMBERJAMBE 229540.0 -4350.0 -47040.0 2570.0 170100.99
ARJASA 595560.0 -8550.0 -33120.0 -1990.0 176562.76
TEGAL BESAR 12050.0 -4470.0 264000.0 -1720.0 313870.70
KARANGREJO 35080.0 -5790.0 256240.0 -1560.0 655925.75
SUMBERSARI 42150.0 -6550.0 254650.0 -1500.0 647779.96
JEMBER LOR 29930.0 -5690.0 260820.0 -1650.0 434103.95
r = 35 dan = 1
PASEBAN -336590.0 4280.0 237110.0 1940.0 292942.52
GUMUKMAS -125820.0 4170.0 104080.0 1580.0 241788.94
TEMBOKREJO -78900.0 3780.0 94930.0 960.0 237776.58
WRINGIN TELU 44910.0 2220.0 67380.0 250.0 242233.44
AMPEL 273750.0 -1790.0 9340.0 280.0 226635.57
KESILIR 147220.0 -2290.0 122100.0 -420.0 217851.89
SABRANG 255640.0 -2150.0 34480.0 210.0 246107.57
SIDODADI 113490.0 120.0 112590.0 -580.0 251813.43
PACE -29640.0 -490.0 223240.0 -620.0 221239.33
SEMPOLAN 261700.0 -4040.0 114880.0 -1890.0 288921.43
GARAHAN 288150.0 -2710.0 44620.0 -1150.0 213585.02
MRAWAN 8630.0 -3850.0 261750.0 -1670.0 262858.91
SUKAMAKMUR -4140.0 -3130.0 265640.0 -1830.0 276621.80
WIROWONGSO 7230.0 -3880.0 263680.0 -1780.0 300261.36
BALUNG KIDUL 103630.0 -2070.0 152260.0 -810.0 229233.36
GADINGREJO -166760.0 4010.0 153660.0 680.0 264859.73
WRINGIN AGUNG -163720.0 3610.0 166710.0 400.0 219698.66
PRINGGOWIRAWAN 196120.0 1300.0 37740.0 -2240.0 243280.68
JATIROTO 627430.0 -1630.0 -118090.0 -5340.0 204732.68
SUKOREJO 11680.0 -2670.0 245600.0 -1850.0 193423.89
GAMBIRONO 45840.0 -2090.0 220480.0 -2320.0 242679.29
SERUT 42500.0 -5820.0 259220.0 -1820.0 177650.42
KEMUNINGLLOR 87530.0 -7930.0 236490.0 -1430.0 210068.82
SUMBER PINANG 65940.0 -5150.0 238990.0 -1650.0 225935.72
KALISAT 468030.0 -7290.0 58020.0 -2880.0 272941.22
SUREN 555340.0 -7270.0 15740.0 -3540.0 194137.71
RANDU AGUNG 453970.0 -4090.0 -20690.0 -1910.0 195151.32
SUMBERJAMBE 822490.0 -11550.0 -97020.0 -3250.0 167846.23
ARJASA 514740.0 -9200.0 -6630.0 -1220.0 185186.45
TEGAL BESAR 15830.0 -4520.0 261560.0 -1710.0 314339.32
KARANGREJO 40380.0 -5830.0 253080.0 -1580.0 652117.12
SUMBERSARI 45330.0 -6430.0 253310.0 -1560.0 647100.79
JEMBER LOR 32300.0 -5590.0 258920.0 -1660.0 433299.00
r = 8 dan = 10
PASEBAN -331310.0 4290.0 230910.0 2220.0 292905.56
GUMUKMAS -132890.0 3950.0 114050.0 1640.0 242393.35
TEMBOKREJO -72660.0 3620.0 97150.0 790.0 238707.42
WRINGIN TELU 46140.0 1290.0 94390.0 20.0 248232.68
AMPEL 254470.0 -1980.0 28080.0 220.0 222890.23
KESILIR 93430.0 -2180.0 162040.0 -820.0 206707.98
SABRANG 173390.0 -2130.0 98270.0 -290.0 242169.35
SIDODADI 107960.0 270.0 112900.0 -570.0 251560.53
PACE -5460.0 -680.0 213340.0 -830.0 218235.52
SEMPOLAN 265690.0 -3980.0 117020.0 -2010.0 294333.71
GARAHAN 285830.0 -2610.0 45440.0 -1180.0 214206.15
MRAWAN 51980.0 -4050.0 236820.0 -1700.0 265902.55
SUKAMAKMUR 28080.0 -3370.0 241870.0 -1620.0 275303.57
WIROWONGSO 40080.0 -3820.0 241320.0 -1710.0 304161.82
BALUNG KIDUL 72070.0 -2040.0 174610.0 -980.0 223769.53
GADINGREJO -142020.0 3700.0 149150.0 500.0 266073.29
WRINGIN AGUNG -166400.0 3660.0 171020.0 340.0 223174.73
PRINGGOWIRAWAN 221370.0 980.0 34370.0 -2510.0 243643.45
JATIROTO 673310.0 -1880.0 -135850.0 -5630.0 206965.03
SUKOREJO 20800.0 -2110.0 215210.0 -1360.0 195959.68
GAMBIRONO 28740.0 -1630.0 206080.0 -1720.0 242891.96
SERUT 44860.0 -5010.0 249500.0 -1790.0 179450.19
KEMUNINGLLOR 106880.0 -5800.0 221250.0 -1810.0 207102.80
SUMBER PINANG 96060.0 -4300.0 219010.0 -1840.0 228321.68
KALISAT 464560.0 -6830.0 66270.0 -3360.0 263249.42
SUREN 373010.0 -2090.0 3180.0 -2450.0 186944.96
RANDU AGUNG 591060.0 -11600.0 -12590.0 -270.0 214992.74
SUMBERJAMBE 169100.0 -13350.0 89970.0 5730.0 173913.41
ARJASA 742470.0 -10400.0 -34760.0 -3400.0 184263.54
TEGAL BESAR 44740.0 -3830.0 239240.0 -1740.0 317351.02
KARANGREJO 68170.0 -4700.0 233910.0 -1820.0 627096.18
SUMBERSARI 62220.0 -4780.0 236290.0 -1700.0 622952.50
JEMBER LOR 45240.0 -4380.0 243900.0 -1760.0 421284.48
r = 15 dan = 10
PASEBAN -397280.0 4660.0 260720.0 2360.0 295312.47
GUMUKMAS -112070.0 3800.0 106260.0 1490.0 241978.72
TEMBOKREJO -94710.0 3750.0 106420.0 920.0 238253.96
WRINGIN TELU 47940.0 2270.0 61300.0 350.0 238890.32
AMPEL 294900.0 -1960.0 -3160.0 360.0 227615.68
KESILIR 124390.0 -2130.0 136540.0 -600.0 213230.10
SABRANG 258730.0 -2050.0 30510.0 200.0 246418.86
SIDODADI 120320.0 110.0 107200.0 -520.0 253022.77
PACE -38500.0 -380.0 225170.0 -560.0 221038.34
SEMPOLAN 260120.0 -3950.0 116060.0 -1930.0 290211.04
GARAHAN 290590.0 -2710.0 43060.0 -1140.0 214562.19
MRAWAN 54840.0 -3900.0 235740.0 -1750.0 265917.41
SUKAMAKMUR 11250.0 -3150.0 252370.0 -1740.0 274782.94
WIROWONGSO 42610.0 -3840.0 240120.0 -1720.0 304621.28
BALUNG KIDUL 62630.0 -1880.0 178070.0 -1000.0 223714.74
GADINGREJO -177070.0 4210.0 152910.0 800.0 263879.65
WRINGIN AGUNG -183400.0 4030.0 168040.0 480.0 220934.91
PRINGGOWIRAWAN 202850.0 1300.0 34510.0 -2360.0 241382.70
JATIROTO 690040.0 -1890.0 -142180.0 -5860.0 206726.66
SUKOREJO 25870.0 -2330.0 218550.0 -1490.0 194736.15
GAMBIRONO 46640.0 -1730.0 195370.0 -1630.0 245630.23
SERUT 44240.0 -5930.0 258990.0 -1810.0 178428.04
KEMUNINGLLOR 91620.0 -7520.0 233960.0 -1520.0 209201.38
SUMBER PINANG 107630.0 -4770.0 214830.0 -1840.0 230456.92
KALISAT 420820.0 -5820.0 78910.0 -3260.0 261668.78
SUREN 279640.0 -3590.0 70630.0 -1350.0 202037.67
RANDU AGUNG 527480.0 -10740.0 -35180.0 510.0 204458.37
SUMBERJAMBE 854870.0 -22730.0 -145840.0 3170.0 130343.91
ARJASA 611280.0 -9260.0 -6660.0 -2880.0 177105.72
TEGAL BESAR 43340.0 -3900.0 238910.0 -1670.0 315946.62
KARANGREJO 67290.0 -4710.0 233320.0 -1740.0 626653.55
SUMBERSARI 60950.0 -5010.0 238500.0 -1700.0 626753.90
JEMBER LOR 43260.0 -4570.0 245150.0 -1700.0 421970.70
r = 25 dan = 10
PASEBAN -322750.0 4290.0 225990.0 2090.0 292204.73
GUMUKMAS -122900.0 4070.0 104310.0 1620.0 241542.74
TEMBOKREJO -85390.0 3750.0 101230.0 890.0 239029.36
WRINGIN TELU 43900.0 2300.0 63690.0 340.0 239701.60
AMPEL 290860.0 -2000.0 1120.0 380.0 227729.49
KESILIR 151910.0 -2230.0 118810.0 -460.0 218522.18
SABRANG 266540.0 -2160.0 25980.0 260.0 246068.05
SIDODADI 113600.0 210.0 110230.0 -540.0 252774.63
PACE -34270.0 -400.0 224460.0 -580.0 222911.93
SEMPOLAN 260520.0 -3920.0 116550.0 -1990.0 290432.90
GARAHAN 282870.0 -2520.0 43320.0 -1140.0 213038.49
MRAWAN 7860.0 -3790.0 261980.0 -1670.0 263027.06
SUKAMAKMUR -6960.0 -3170.0 268250.0 -1860.0 276148.00
WIROWONGSO 4210.0 -3950.0 264830.0 -1730.0 299485.14
BALUNG KIDUL 109110.0 -2210.0 150820.0 -780.0 229741.05
GADINGREJO -156250.0 3990.0 149100.0 600.0 265850.29
WRINGIN AGUNG -177610.0 3930.0 168070.0 440.0 221615.26
PRINGGOWIRAWAN 211900.0 1310.0 28460.0 -2350.0 241200.70
JATIROTO 723690.0 -2170.0 -154170.0 -6080.0 204953.93
SUKOREJO 10780.0 -2760.0 249510.0 -1920.0 192639.64
GAMBIRONO 49460.0 -2280.0 224800.0 -2430.0 243559.49
SERUT 39300.0 -5870.0 261010.0 -1790.0 176855.12
KEMUNINGLLOR 87900.0 -8000.0 236610.0 -1440.0 209044.44
SUMBER PINANG 66430.0 -5120.0 241180.0 -1760.0 223340.32
KALISAT 433770.0 -6690.0 68750.0 -2770.0 271492.28
SUREN 414230.0 -5990.0 -4470.0 -970.0 204356.75
RANDU AGUNG 271740.0 -1600.0 36620.0 -1560.0 161432.56
SUMBERJAMBE 89130.0 4000.0 -17650.0 960.0 241197.98
ARJASA 666170.0 -6260.0 -16280.0 -4820.0 168359.03
TEGAL BESAR 13510.0 -4500.0 263360.0 -1720.0 314348.69
KARANGREJO 38770.0 -5930.0 254100.0 -1540.0 653856.16
SUMBERSARI 39610.0 -6490.0 255630.0 -1480.0 648061.23
JEMBER LOR 29140.0 -5720.0 260520.0 -1600.0 433444.30
r = 35 dan = 10
PASEBAN -318430.0 4370.0 222700.0 1930.0 293858.25
GUMUKMAS -110100.0 4040.0 98260.0 1470.0 240925.55
TEMBOKREJO -79530.0 4010.0 90290.0 920.0 238764.18
WRINGIN TELU 48700.0 2230.0 62820.0 340.0 240433.60
AMPEL 289310.0 -1860.0 -1220.0 350.0 227767.53
KESILIR 152920.0 -2230.0 116780.0 -400.0 219150.34
SABRANG 265310.0 -2110.0 26180.0 240.0 246150.19
SIDODADI 124110.0 140.0 104050.0 -540.0 252674.74
PACE -44430.0 -330.0 228020.0 -510.0 222398.17
SEMPOLAN 269040.0 -4140.0 112790.0 -1920.0 289832.25
GARAHAN 279830.0 -2560.0 44920.0 -1050.0 214018.04
MRAWAN 11620.0 -3910.0 260780.0 -1700.0 262168.43
SUKAMAKMUR -3530.0 -3160.0 266140.0 -1860.0 276782.94
WIROWONGSO 5340.0 -3920.0 264300.0 -1750.0 299636.22
BALUNG KIDUL 94560.0 -2180.0 158960.0 -740.0 231337.17
GADINGREJO -170000.0 4260.0 149480.0 710.0 266103.59
WRINGIN AGUNG -176110.0 3840.0 170330.0 430.0 222311.89
PRINGGOWIRAWAN 219180.0 1090.0 32140.0 -2460.0 243278.09
JATIROTO 674110.0 -1690.0 -140640.0 -5650.0 209862.40
SUKOREJO 12790.0 -2780.0 248770.0 -1920.0 193160.78
GAMBIRONO 46190.0 -2230.0 223340.0 -2310.0 245159.92
SERUT 43020.0 -5850.0 259530.0 -1840.0 177444.46
KEMUNINGLLOR 93440.0 -8090.0 234110.0 -1440.0 210119.40
SUMBER PINANG 75580.0 -5270.0 235860.0 -1730.0 226174.89
KALISAT 379760.0 -6590.0 94750.0 -2500.0 274163.87
SUREN 386630.0 -5810.0 46010.0 -1520.0 213269.16
RANDU AGUNG 428540.0 -9100.0 -38000.0 1220.0 195719.80
SUMBERJAMBE 479910.0 -11790.0 -115470.0 4320.0 194380.67
ARJASA 636340.0 -7000.0 -31590.0 -3410.0 172921.94
TEGAL BESAR 14400.0 -4490.0 262410.0 -1710.0 314164.33
KARANGREJO 35680.0 -5800.0 255330.0 -1550.0 654313.07
SUMBERSARI 41780.0 -6510.0 254360.0 -1490.0 646888.34
JEMBER LOR 30310.0 -5660.0 260140.0 -1640.0 433520.21
r = 8 dan = 100
PASEBAN -362200.0 4600.0 244200.0 2100.0 298241.07
GUMUKMAS -151000.0 3900.0 126900.0 1500.0 240361.57
TEMBOKREJO -86600.0 4100.0 90700.0 1100.0 238394.86
WRINGIN TELU 46900.0 1200.0 96700.0 -100.0 247431.15
AMPEL 204700.0 -1900.0 66500.0 -100.0 218555.40
KESILIR 84400.0 -2100.0 164100.0 -800.0 204107.53
SABRANG 161700.0 -2100.0 106300.0 -400.0 240260.19
SIDODADI 107600.0 300.0 112700.0 -600.0 250774.44
PACE 15100.0 -1100.0 206500.0 -800.0 215394.19
SEMPOLAN 240800.0 -3900.0 118400.0 -1600.0 284750.67
GARAHAN 270100.0 -2500.0 52000.0 -1100.0 212613.98
MRAWAN 59500.0 -3900.0 232800.0 -1700.0 269012.37
SUKAMAKMUR 26800.0 -3200.0 243900.0 -1800.0 276262.72
WIROWONGSO 37000.0 -3900.0 243300.0 -1700.0 303437.74
BALUNG KIDUL 77900.0 -2100.0 170600.0 -900.0 226099.01
GADINGREJO -173000.0 4200.0 151800.0 700.0 264109.04
WRINGIN AGUNG -190900.0 4000.0 175600.0 300.0 217374.57
PRINGGOWIRAWAN 189600.0 1400.0 42800.0 -2300.0 247048.87
JATIROTO 626500.0 -1200.0 -123500.0 -5500.0 210470.72
SUKOREJO 25900.0 -2100.0 213800.0 -1400.0 197951.62
GAMBIRONO 41900.0 -1700.0 199300.0 -1700.0 244405.99
SERUT 41000.0 -4800.0 249700.0 -1800.0 177522.42
KEMUNINGLLOR 97100.0 -5700.0 225500.0 -1800.0 204994.22
SUMBER PINANG 95500.0 -4700.0 221600.0 -1900.0 224069.02
KALISAT 393100.0 -4800.0 68000.0 -2500.0 276829.21
SUREN 443900.0 -7100.0 -76500.0 400.0 193508.18
RANDU AGUNG 561900.0 -10900.0 -22700.0 -400.0 189622.49
SUMBERJAMBE 1036000.0 -22700.0 -101500.0 -1100.0 143630.96
ARJASA 395900.0 -7100.0 -40100.0 700.0 166070.60
TEGAL BESAR 36200.0 -4000.0 243400.0 -1600.0 314918.29
KARANGREJO 59800.0 -4900.0 237400.0 -1700.0 630321.19
SUMBERSARI 58400.0 -5200.0 240900.0 -1700.0 629830.85
JEMBER LOR 37500.0 -4500.0 246900.0 -1700.0 419176.14
r = 15 dan = 100
PASEBAN -353180.0 4450.0 241310.0 2080.0 294156.96
GUMUKMAS -110490.0 3990.0 100330.0 1420.0 240906.41
TEMBOKREJO -93640.0 3950.0 99270.0 1060.0 238136.81
WRINGIN TELU 58710.0 2340.0 54020.0 290.0 239598.48
AMPEL 297380.0 -1890.0 -6430.0 380.0 228812.35
KESILIR 130380.0 -2170.0 133480.0 -540.0 216024.30
SABRANG 263550.0 -2190.0 30410.0 190.0 247002.95
SIDODADI 126550.0 80.0 103610.0 -520.0 253409.33
PACE -36850.0 -390.0 224770.0 -550.0 222144.15
SEMPOLAN 256760.0 -4100.0 116760.0 -1830.0 287073.35
GARAHAN 285700.0 -2550.0 41860.0 -1100.0 214718.35
MRAWAN 51980.0 -3880.0 235790.0 -1700.0 266088.25
SUKAMAKMUR 23880.0 -3240.0 244870.0 -1690.0 276241.18
WIROWONGSO 35800.0 -3870.0 243800.0 -1690.0 303414.21
BALUNG KIDUL 63760.0 -2000.0 178440.0 -960.0 223954.64
GADINGREJO -180510.0 4200.0 157330.0 680.0 265207.45
WRINGIN AGUNG -150790.0 3820.0 156560.0 250.0 222862.03
PRINGGOWIRAWAN 195520.0 1340.0 38570.0 -2300.0 243840.07
JATIROTO 633940.0 -1580.0 -117950.0 -5580.0 204237.05
SUKOREJO 32760.0 -2300.0 213440.0 -1460.0 196857.29
GAMBIRONO 40560.0 -1740.0 198900.0 -1620.0 245641.12
SERUT 45960.0 -5980.0 258670.0 -1820.0 178957.80
KEMUNINGLLOR 97620.0 -7530.0 229210.0 -1490.0 210800.42
SUMBER PINANG 108030.0 -4850.0 214110.0 -1820.0 230346.28
KALISAT 506820.0 -7470.0 48240.0 -3430.0 263027.60
SUREN 461490.0 -5430.0 -18070.0 -1370.0 226164.43
RANDU AGUNG 454280.0 -7410.0 -45080.0 90.0 196341.08
SUMBERJAMBE 623040.0 -12110.0 -51910.0 760.0 221072.49
ARJASA 576470.0 -5150.0 -11810.0 -3760.0 183169.67
TEGAL BESAR 42850.0 -3900.0 239620.0 -1680.0 316268.98
KARANGREJO 64920.0 -4810.0 235640.0 -1720.0 630589.82
SUMBERSARI 65130.0 -5010.0 235880.0 -1700.0 624376.31
JEMBER LOR 44270.0 -4310.0 242580.0 -1720.0 418725.87
r = 25 dan = 100
PASEBAN -307300.0 4200.0 220400.0 1900.0 291540.67
GUMUKMAS -131100.0 3900.0 113300.0 1600.0 240219.51
TEMBOKREJO -73000.0 4100.0 81200.0 1000.0 235761.61
WRINGIN TELU 38800.0 2300.0 66300.0 400.0 239765.58
AMPEL 287200.0 -1900.0 -200.0 400.0 226234.82
KESILIR 155400.0 -2300.0 117200.0 -400.0 219756.91
SABRANG 264400.0 -2200.0 27700.0 200.0 244067.55
SIDODADI 114800.0 200.0 108400.0 -500.0 252555.64
PACE -31400.0 -400.0 223100.0 -600.0 223319.73
SEMPOLAN 254900.0 -4000.0 119100.0 -1900.0 289276.80
GARAHAN 278100.0 -2600.0 48100.0 -1100.0 212919.50
MRAWAN 8200.0 -3900.0 262300.0 -1700.0 261083.12
SUKAMAKMUR -3500.0 -3200.0 266100.0 -1900.0 275218.08
WIROWONGSO 3100.0 -3900.0 266100.0 -1800.0 298857.43
BALUNG KIDUL 106100.0 -2200.0 153000.0 -800.0 229300.52
GADINGREJO -155300.0 4000.0 150000.0 500.0 267066.20
WRINGIN AGUNG -171700.0 3900.0 166200.0 400.0 222622.65
PRINGGOWIRAWAN 195500.0 1300.0 37900.0 -2300.0 241245.77
JATIROTO 652400.0 -1600.0 -130100.0 -5500.0 210561.61
SUKOREJO 11400.0 -2700.0 248200.0 -1900.0 193865.49
GAMBIRONO 56400.0 -2200.0 217200.0 -2400.0 241320.94
SERUT 39400.0 -5800.0 260700.0 -1800.0 176974.92
KEMUNINGLLOR 90500.0 -8000.0 235800.0 -1400.0 213415.14
SUMBER PINANG 74100.0 -5300.0 237200.0 -1700.0 227752.21
KALISAT 445500.0 -7100.0 63000.0 -2700.0 271313.21
SUREN 534600.0 -6300.0 -7600.0 -2800.0 210160.69
RANDU AGUNG 547300.0 -6900.0 -28800.0 -1500.0 221939.87
SUMBERJAMBE 1311800.0 -26600.0 -290200.0 300.0 129935.40
ARJASA 485000.0 -6600.0 5000.0 -1700.0 218978.77
TEGAL BESAR 13000.0 -4500.0 262700.0 -1700.0 313201.99
KARANGREJO 37500.0 -5800.0 254900.0 -1500.0 656267.92
SUMBERSARI 45200.0 -6500.0 253700.0 -1500.0 648552.21
JEMBER LOR 28000.0 -5700.0 260900.0 -1600.0 432953.03
r = 35 dan = 100
PASEBAN -338780.0 4440.0 232590.0 2050.0 294199.36
GUMUKMAS -120780.0 4080.0 104200.0 1520.0 242240.48
TEMBOKREJO -94000.0 3840.0 101970.0 1010.0 236849.31
WRINGIN TELU 61080.0 2240.0 54680.0 300.0 239393.28
AMPEL 281920.0 -1810.0 3320.0 330.0 227423.07
KESILIR 154980.0 -2290.0 117410.0 -440.0 218371.92
SABRANG 261520.0 -2120.0 29500.0 200.0 245875.36
SIDODADI 107660.0 350.0 111220.0 -510.0 253448.56
PACE -39100.0 -340.0 225580.0 -560.0 222451.83
SEMPOLAN 265470.0 -3950.0 114150.0 -2000.0 290708.22
GARAHAN 289010.0 -2720.0 43040.0 -1120.0 213398.55
MRAWAN 14210.0 -3970.0 259410.0 -1660.0 264350.12
SUKAMAKMUR -2720.0 -3230.0 265530.0 -1830.0 276086.70
WIROWONGSO 7720.0 -3930.0 263330.0 -1760.0 300345.74
BALUNG KIDUL 103810.0 -2190.0 152810.0 -730.0 231173.94
GADINGREJO -190240.0 4280.0 161160.0 720.0 265750.70
WRINGIN AGUNG -165170.0 3870.0 163440.0 360.0 223035.43
PRINGGOWIRAWAN 209670.0 1330.0 32030.0 -2460.0 242468.43
JATIROTO 600550.0 -1140.0 -111290.0 -5470.0 202845.23
SUKOREJO 5900.0 -2750.0 250990.0 -1870.0 191859.85
GAMBIRONO 52240.0 -2180.0 219680.0 -2360.0 243729.54
SERUT 39300.0 -5970.0 261000.0 -1760.0 176951.23
KEMUNINGLLOR 88760.0 -8080.0 236830.0 -1440.0 209242.32
SUMBER PINANG 75680.0 -5250.0 235310.0 -1700.0 227428.86
KALISAT 469020.0 -6680.0 63590.0 -3440.0 261688.12
SUREN 439710.0 -6080.0 50310.0 -2850.0 190165.83
RANDU AGUNG 584220.0 -9900.0 -28530.0 -1080.0 194883.98
SUMBERJAMBE 372140.0 -4880.0 -13650.0 60.0 206481.98
ARJASA 595850.0 -7760.0 28250.0 -4090.0 202787.21
TEGAL BESAR 13690.0 -4480.0 263600.0 -1750.0 314608.72
KARANGREJO 41620.0 -5860.0 253250.0 -1590.0 653434.38
SUMBERSARI 45040.0 -6490.0 254420.0 -1560.0 649469.00
JEMBER LOR 28290.0 -5740.0 261420.0 -1600.0 434063.38
Lampiran 3. Nilai model RTGB kernel normal
=1
r
Desa
8 15 25 35
PASEBAN 1.34 1.24 1.17 1.13
GUMUKMAS 1.39 1.28 1.20 1.15
TEMBOKREJO 1.49 1.35 1.25 1.19
WRINGIN TELU 2.92 2.92 2.40 1.72
AMPEL 2.92 2.92 2.47 1.76
KESILIR 3.50 3.50 3.35 2.00
SABRANG 3.18 3.18 2.62 1.81
SIDODADI 2.06 2.06 1.55 1.35
PACE 2.19 2.19 1.66 1.40
SEMPOLAN 2.19 2.19 1.66 1.41
GARAHAN 1.94 1.94 1.45 1.29
MRAWAN 4.38 4.38 4.37 2.41
KEMUNING SARI KIDUL 3.89 3.89 3.82 2.22
SUKAMAKMUR 4.38 4.38 4.34 2.40
WIROWONGSO 4.38 4.38 4.35 2.52
KARANG SEMANDING 4.38 4.38 4.37 2.31
BALUNG KIDUL 3.89 3.89 3.80 2.26
GADINGREJO 2.19 2.19 1.66 1.42
WRINGIN AGUNG 1.44 1.31 1.22 1.17
PRINGGOWIRAWAN 1.67 1.56 1.25 1.17
JATIROTO 1.23 1.15 1.11 1.08
SUKOREJO 4.38 4.38 4.37 2.37
GAMBIRONO 3.89 3.89 3.87 2.18
SERUT 4.38 4.38 4.37 2.41
KEMUNINGLLOR 3.18 3.18 2.70 1.86
SUMBER PINANG 3.89 3.89 3.87 2.15
KALISAT 2.06 2.06 1.57 1.34
SUREN 1.94 1.94 1.49 1.30
RANDU AGUNG 1.84 1.84 1.38 1.26
SUMBERJAMBE 1.25 1.18 1.13 1.10
ARJASA 1.94 1.94 1.46 1.28
TEGAL BESAR 4.38 4.38 4.34 2.41
KARANGREJO 4.38 4.38 4.34 2.43
SUMBERSARI 5.00 5.00 5.00 2.72
JEMBER LOR 5.83 5.83 5.83 3.17
= 10
r
Desa
8 15 25 35
PASEBAN 1.35 1.24 1.17 1.14
GUMUKMAS 1.39 1.28 1.20 1.15
TEMBOKREJO 1.49 1.34 1.25 1.20
WRINGIN TELU 2.92 2.92 2.38 1.79
AMPEL 2.92 2.92 2.45 1.72
KESILIR 3.50 3.50 3.18 1.99
SABRANG 3.18 3.18 2.72 1.83
SIDODADI 2.06 2.06 1.57 1.36
PACE 2.19 2.19 1.66 1.40
SEMPOLAN 2.19 2.19 1.67 1.41
GARAHAN 1.94 1.94 1.46 1.30
MRAWAN 4.38 4.38 4.37 2.41
SUKAMAKMUR 4.38 4.38 4.35 2.43
WIROWONGSO 4.38 4.38 4.37 2.42
BALUNG KIDUL 3.89 3.89 3.88 2.12
GADINGREJO 2.19 2.19 1.68 1.42
WRINGIN AGUNG 1.43 1.31 1.22 1.17
JATIROTO 1.22 1.16 1.11 1.08
SUKOREJO 4.38 4.38 4.36 2.47
GAMBIRONO 3.89 3.89 3.85 2.11
SERUT 4.38 4.38 4.35 2.41
KEMUNINGLLOR 3.18 3.18 2.63 1.87
SUMBER PINANG 3.89 3.89 3.62 2.20
KALISAT 2.06 2.06 1.53 1.34
SUREN 1.94 1.94 1.46 1.28
RANDU AGUNG 1.84 1.81 1.39 1.26
SUMBERJAMBE 1.27 1.18 1.13 1.10
ARJASA 1.94 1.94 1.46 1.30
TEGAL BESAR 4.38 4.38 4.27 2.45
KARANGREJO 4.38 4.38 4.37 2.42
SUMBERSARI 5.00 5.00 5.00 2.76
JEMBER LOR 5.83 5.83 5.83 3.37
= 100
r
Desa
8 15 25 35
PASEBAN 1.35 1.24 1.17 1.13
GUMUKMAS 1.39 1.28 1.20 1.15
TEMBOKREJO 1.49 1.35 1.25 1.20
WRINGIN TELU 2.92 2.92 2.40 1.71
AMPEL 2.92 2.92 2.42 1.72
KESILIR 3.50 3.50 3.30 2.00
SABRANG 3.18 3.18 2.65 1.84
SIDODADI 2.06 2.06 1.54 1.36
PACE 2.19 2.19 1.65 1.40
SEMPOLAN 2.19 2.19 1.63 1.40
GARAHAN 1.94 1.94 1.48 1.29
MRAWAN 4.38 4.38 4.29 2.44
SUKAMAKMUR 4.38 4.38 4.27 2.37
WIROWONGSO 4.38 4.38 4.24 2.39
BALUNG KIDUL 3.89 3.89 3.89 2.26
GADINGREJO 2.19 2.19 1.66 1.40
WRINGIN AGUNG 1.43 1.32 1.23 1.18
JATIROTO 1.22 1.16 1.11 1.09
SUKOREJO 4.38 4.38 4.33 2.37
GAMBIRONO 3.89 3.89 3.79 2.10
SERUT 4.38 4.38 4.28 2.52
KEMUNINGLLOR 3.18 3.18 2.76 1.87
SUMBER PINANG 3.89 3.89 3.61 2.19
KALISAT 2.06 2.06 1.55 1.34
SUREN 1.94 1.94 1.47 1.30
RANDU AGUNG 1.84 1.79 1.37 1.23
SUMBERJAMBE 1.27 1.18 1.13 1.10
ARJASA 1.94 1.94 1.47 1.29
TEGAL BESAR 4.38 4.38 4.37 2.47
KARANGREJO 4.38 4.38 4.34 2.45
SUMBERSARI 5.00 5.00 5.00 2.73
JEMBER LOR 5.83 5.83 5.83 3.12
Lampiran 4. Nilai model RTGB kernel kuadrat ganda
=1
r
Desa
8 15 25 35
PASEBAN 1.34 1.24 1.17 1.13
GUMUKMAS 1.30 1.21 1.15 1.12
TEMBOKREJO 1.44 1.31 1.22 1.18
WRINGIN TELU 2.50 2.50 1.93 1.52
AMPEL 2.33 2.33 1.80 1.48
KESILIR 3.18 3.18 2.83 1.88
SABRANG 2.69 2.69 2.10 1.64
SIDODADI 2.06 2.06 1.54 1.36
PACE 2.19 2.19 1.63 1.40
SEMPOLAN 1.94 1.94 1.45 1.30
GARAHAN 1.35 1.24 1.17 1.14
MRAWAN 3.89 3.89 3.66 2.18
SUKAMAKMUR 3.50 3.50 3.11 2.00
WIROWONGSO 3.89 3.89 3.83 2.09
BALUNG KIDUL 3.89 3.89 3.76 2.27
GADINGREJO 1.50 1.36 1.25 1.20
WRINGIN AGUNG 1.30 1.21 1.15 1.11
JATIROTO 1.16 1.11 1.08 1.06
SUKOREJO 4.38 4.38 4.33 2.42
GAMBIRONO 3.89 3.89 3.88 2.17
SERUT 2.50 2.50 1.94 1.53
KEMUNINGLLOR 2.92 2.92 2.40 1.73
SUMBER PINANG 3.89 3.89 3.85 2.11
KALISAT 2.19 2.19 1.64 1.42
SUREN 1.94 1.94 1.45 1.29
RANDU AGUNG 1.30 1.21 1.15 1.12
SUMBERJAMBE 1.19 1.13 1.10 1.07
ARJASA 1.94 1.94 1.46 1.29
TEGAL BESAR 4.38 4.38 4.35 2.60
KARANGREJO 3.89 3.89 3.72 2.14
SUMBERSARI 3.89 3.89 3.89 2.21
JEMBER LOR 4.38 4.38 4.35 2.43
= 10
r
Desa
8 15 25 35
PASEBAN 1.34 1.24 1.18 1.13
GUMUKMAS 1.30 1.21 1.15 1.12
TEMBOKREJO 1.44 1.32 1.22 1.17
WRINGIN TELU 2.50 2.50 1.93 1.55
AMPEL 2.33 2.33 1.83 1.47
KESILIR 3.18 3.18 2.80 1.89
SABRANG 2.69 2.69 2.16 1.63
SIDODADI 2.06 2.06 1.57 1.34
PACE 2.19 2.19 1.69 1.41
SEMPOLAN 1.94 1.94 1.45 1.30
GARAHAN 1.34 1.25 1.17 1.13
MRAWAN 3.89 3.89 3.56 2.24
SUKAMAKMUR 3.50 3.50 3.21 2.02
WIROWONGSO 3.89 3.89 3.82 2.14
BALUNG KIDUL 3.89 3.89 3.84 2.22
GADINGREJO 1.50 1.35 1.25 1.20
WRINGIN AGUNG 1.30 1.21 1.15 1.12
JATIROTO 1.16 1.11 1.08 1.06
SUKOREJO 4.38 4.38 4.37 2.33
GAMBIRONO 3.89 3.89 3.85 2.15
SERUT 2.50 2.50 1.93 1.56
KEMUNINGLLOR 2.92 2.92 2.38 1.70
SUMBER PINANG 3.89 3.89 3.68 2.12
KALISAT 2.19 2.19 1.64 1.39
SUREN 1.94 1.94 1.48 1.29
RANDU AGUNG 1.30 1.21 1.15 1.11
SUMBERJAMBE 1.19 1.13 1.09 1.07
ARJASA 1.94 1.93 1.47 1.29
TEGAL BESAR 4.38 4.38 4.37 2.41
KARANGREJO 3.89 3.89 3.82 2.17
SUMBERSARI 3.89 3.89 3.85 2.18
JEMBER LOR 4.38 4.38 4.37 2.45
= 100
r
Desa
8 15 25 35
PASEBAN 1.34 1.24 1.17 1.13
GUMUKMAS 1.30 1.21 1.15 1.12
TEMBOKREJO 1.44 1.31 1.22 1.17
WRINGIN TELU 2.50 2.50 1.98 1.55
AMPEL 2.33 2.33 1.78 1.45
KESILIR 3.18 3.18 2.78 1.86
SABRANG 2.69 2.69 2.20 1.61
SIDODADI 2.06 2.05 1.52 1.36
PACE 2.19 2.19 1.65 1.40
SEMPOLAN 1.94 1.94 1.45 1.31
GARAHAN 1.34 1.24 1.17 1.14
MRAWAN 3.89 3.89 3.87 2.19
SUKAMAKMUR 3.50 3.50 3.15 2.02
WIROWONGSO 3.89 3.89 3.87 2.21
BALUNG KIDUL 3.89 3.89 3.86 2.15
GADINGREJO 1.50 1.35 1.25 1.19
WRINGIN AGUNG 1.30 1.21 1.15 1.11
JATIROTO 1.16 1.11 1.08 1.06
SUKOREJO 4.38 4.38 4.37 2.45
GAMBIRONO 3.89 3.89 3.83 2.29
SERUT 2.50 2.50 1.95 1.55
KEMUNINGLLOR 2.92 2.92 2.41 1.74
SUMBER PINANG 3.89 3.89 3.70 2.16
KALISAT 2.19 2.19 1.63 1.40
SUREN 1.94 1.94 1.45 1.30
RANDU AGUNG 1.30 1.21 1.15 1.12
SUMBERJAMBE 1.19 1.13 1.09 1.07
ARJASA 1.94 1.94 1.48 1.30
TEGAL BESAR 4.38 4.38 4.37 2.42
KARANGREJO 3.89 3.89 3.87 2.19
SUMBERSARI 3.89 3.89 3.72 2.09
JEMBER LOR 4.38 4.38 4.37 2.40
Lampiran 5. Program RTGB
function results= bgwr(y,x,ndraw,nomit,W,gama,delta,r)

ndraw=550;
nomit=50;
[nobs nvar] = size(x);
vmean=ones(nobs,nobs);
smean=zeros(nobs,1);
sigi=ones(nobs,1);
vsave=zeros(1,nobs);
dtemp=zeros(nomit,1);
bsave = zeros(ndraw-nomit,nobs,nvar);
dsave = zeros(ndraw-nomit,1);
rval=8;
delta=1;
dscale=1;
wtn=zeros(nobs,nobs);
for j=1:nobs;
wtmp=W(j,:);
wtmp(1,j)=0;
wsum=sum(wtmp);
wtn(j,:)=wtmp/wsum;
end;
for iter = 1:ndraw;
bsum = 0.0;
for i = 1:nobs;
V=diag(sqrt(vmean(:,i)));
sige = sigi(i,1);
sigd = sige*delta;
wn=wtn(i,:);
j=kron(wn,eye(nvar));
nzip=find(W(:,i)>0);
wt=diag(W(:,i));
xt = diag(W(i,:))*x;
yt = diag(W(:,i))*y;
xs = V*xt;
ys= V*yt;
xpx = xt'*xt;
xx = inv(xpx);
Jg=j*g;
Q=xpx/sigd;
Qpc=Q*Jg;
xsy=(xs'*ys)+sige*Qpc;
xsx=inv(xs'*xs+sige*Q);
bi = xsx*xsy;
a=chol(xsx);
bi=sqrt(sige)*a'*randn(nvar,1)+bi;
gam(i,:) = bi';
nu1 = length(nzip) + nu;
e = ys - xs*bi;
d1=e'*e;
chi = chi2rnd(nu1);
sige=d1/chi;
sigi(i,1)=sige;
sigd = sige*delta;
e = yt - xt*bi;
chiv = chi2rnd(rval+1,nobs,1);
vi=((e'*e/sige)+rval)./chiv;
vmean(:,i)=ones(nobs,1)./vi;
bsum = bsum + ((bi-Jg)'*xx*(bi-Jg))/(2*sige*chi);
if iter>nomit
bsave(iter-nomit,i,:)=bi;
smean(i,1)=smean(i,1)+sigi(i,1);
end;
end;
chi = chi2pdf(1,nobs*nvar);
delta=dscale*(bsum/chi);
dtemp(iter,1)=delta;
if iter>nomit
vsave=vsave+ones(nobs,1)'./mean(vmean');
dsave(iter-nomit,1)=delta;
end;
end;
vsave=vsave/(ndraw-nomit);
smean=smean/(ndraw-nomit);
results=bsave;

2012 Yus

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

2012 Yus

Diunggah oleh

Hak Cipta:

Format Tersedia

MODEL REGRESI TERBOBOTI GEOGRAFIS BAYES

UNTUK DATA KEMISKINAN

Bogor, Juli 2012

Bayesian Geographically Weighted Regression (BGWR) is locally linear

Keywords: Bayesian, Geographically Weighted Regression, outlier, non-constant

Ketua Program Studi Statistika Dekan Sekolah Pascasarjana

Dr. Ir. Erfiani, M.Si. Dr. Ir. Dahrul Syah, M.Sc.Agr

Tanggal Ujian: 26 Juni 2012 Tanggal Lulus:

Bogor, Juli 2012

Penulis dilahirkan di Buton, Sulawesi Tenggara pada tanggal 1 November

1 Statistik deskriptif peubah penjelas...... 15

1 Peta Kabupaten Jember.... 11

1 Penduga parameter model RTGB kernel normal.. 33

Jika = In, maka adalah sebagai berikut:

Pendugaan Parameter RTGB

Sebaran posterior bersyarat untuk adalah 2(nk) yang ditunjukkan pada

Kebaikan Model RTGB

Gambar 1 Peta Kabupaten Jember

Bagian selatan wilayah Kabupaten Jember adalah dataran rendah dengan

Tabel 1 Nilai jangkauan, minimum, maksimum, rata-rata dan simpanga baku

Berdasarkan Tabel 1, simpangan baku pada peubah penjelas X3 (persentase

Peubah Korelasi Pearson Nilai-p

Y dan X1 -0.46* 0.01

Pada model regresi, nilai-nilai penduga parameter dapat dijadikan sebagai

Gambar 6 dan Gambar 7 menunjukkan bahwa sebagian besar nilai 3

Berdasarkan Gambar 8 terlihat bahwa cukup beragam di tiap desa. Desa

Tabel 3 Nilai R2 dan KTG model RTGB pembobot kernel normal

(%) (109) (%) (109) (%) (109) (%) (109)

1 89.20 1.51 91.20 1.22 91.70 1.15 91.70 1.14

10 89.40 1.49 91.50 1.17 91.70 1.15 91.80 1.12

100 89.30 1.50 91.40 1.19 91.70 1.15 91.80 1.13

(%) (109) (%) (109) (%) (109) (%) (109)

1 83.40 2.29 84.80 2.08 85.70 1.96 86.10 1.89

10 84.90 2.08 85.40 1.98 85.30 2.00 86.30 1.87

100 82.80 2.33 84.80 2.09 85.30 2.01 85.80 1.94

RTG kernel normal 85.30% 2.00109

RTGB kernel normal 91.80% 1.12109

RTG kernel kuadrat ganda 82.20% 2.40109

RTGB kernel kuadrat ganda 86.30% 1.87109

Berdasarkan Tabel 5, model RTGB dengan pembobot kernel normal adalah

Y RTG kernel normal Y RTG kernel kuadrat ganda

Berdasarkan Gambar 9, Y RTGB dengan fungsi pembobot kernel normal

Gambar 10 Plot peluang galat RTGB dengan pembobot kernel normal

Berdasarkan Gambar 8 dan Gambar 9 di atas, tampak bahwa sebagian besar

Arisanti R. 2010. Model Regresi Spasial untuk Deteksi Faktor-Faktor Kemiskinan

Chan HS. 2008. Incorporating the Concept of Community into A Spatially-

Fotheringham AS, Brundson C, Chartlon M. 2002. Geographically Weighted

LeSage JP. 1998. Spatial Econometric [paper]. Department of Economics,

LeSage JP. 2001. A Family of Geographically Weighted Regression Models.

Meilisa M. 2010. Model Otoregresi Simultan dan Otoregresi Bersyarat untuk

Schabenberger O, Gotway CA. 2005. Statistical Methods for Spatial Data

function results= bgwr(y,x,ndraw,nomit,W,gama,delta,r)

Anda mungkin juga menyukai