Anda di halaman 1dari 23

PROPOSAL TESIS

OLEH :
IKIN SODIKIN (156090500111001)

PROGRAM STUDI PASCASARJANA STATISTIKA


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA MALANG
2017
LATAR BELAKANG (1)

Kerawanan Pangan Prov. Jawa Barat BKPD Prov Jawa Barat


Laju Pertumbuhan Penduduk : 1,48%
Memperkirakan wilayah-wilayah
Penduduk Miskin : 4.485,6 ribu (9,57%
tergolong rawan pangan pendekatan
dari 46.709,6 ribu)
analisis regresi

Keragaman Spasial atau Pendekatan regresi bersifat global


Heterogenitas Spasial pendekatan global bagi seluruh lokasi
akan memberikan informasi yang diamati
yang tidak mewakili wilayah lokal tanpa melibatkan lokasi geografis

Model Regresi Spasial :

Geographically Weighted Regression (GWR)


(Fotheringham dkk, 2002) 2
LATAR BELAKANG (2)

Matriks pembobot dalam GWR :


pemberian bobot pada data sesuai dengan
Permasalahan GWR : kedekatan antar lokasi
Ragam galat berbeda (Fotheringham dkk, 2002 dalam Mennis, 2006)
sebagai akibat koefisien regresi
bervariasi spasial
asumsi kenormalan galat
tidak terpenuhi dan Penelitian GWR Sebelumnya :
memperbesar galat GWR dengan fixed Gaussian dan bi-square
terhadap data kemiskinan (Rahmawati, 2010)
Bayesian GWR dengan fungsi pembobot
yang sama (Yusnita, 2012)

Hasil pembobot Gausian lebih baik


Bayesian
Pembobot tersebut bandwidth sama
Geographically
(fixed) bagi semua lokasi
Weighted Regression (BGWR)
(LeSage, 2004)
GWR dan BGWR
dengan Fungsi Pembobot
Adaptive Gaussian Kernel
3
LATAR BELAKANG (3)

berbatasan langsung dengan ibukota DKI Jakarta 5 50' - 7 50' LS


104 48' - 108 48' BT

Laut Jawa
wilayah dataran luas di utara ( 0-10 m dpl )

wilayah lereng bukit landai di tengah ( 100-1.500 m dpl )

wilayah pegunungan curam di selatan ( > 1.500 m dpl)

wilayah aliran sungai


Samudra Hindia
4
RUMUSAN MASALAH

Bagaimana pemodelan Geographically Weighted Regression dengan menggunakan


fungsi pembobot Adaptive Gaussian Kernel dalam kasus kerawanan pangan di
Provinsi Jawa Barat?
Bagaimana pemodelan Bayesian Geographically Weighted Regression dengan
menggunakan fungsi pembobot Adaptive Gaussian Kernel dalam kasus kerawanan
pangan di Provinsi Jawa Barat?
Diantara kedua metode, manakah yang lebih baik dalam memodelkan kasus
kerawanan pangan di Provinsi Jawa Barat berdasarkan koefisien determinasi (R2),
dan Mean Square Error (MSE)?

5
TUJUAN PENELITIAN

Mendapatkan model Geographically Weighted Regression dengan menggunakan


fungsi pembobot Adaptive Gaussian Kernel dalam kasus kerawanan pangan di
Provinsi Jawa Barat
Mendapatkan model Bayesian Geographically Weighted Regression dengan
menggunakan fungsi pembobot Adaptive Gaussian Kernel dalam kasus kerawanan
pangan di Provinsi Jawa Barat
Mendapatkan metode yang lebih baik dalam memodelkan kasus kerawanan
pangan di Provinsi Jawa Barat berdasarkan koefisien determinasi (R2), dan Mean
Square Error (MSE)

6
MANFAAT PENELITIAN BATASAN PENELITIAN
Memberikan informasi mengenai Data peubah-peubah yang
pendekatan Bayesian dalam mempengaruhi indeks komposit
pemodelan Geographically Weighted kerawanan pangan yang telah
Regression (GWR) dapat digunakan sebagai indikator
dijadikan referensi untuk penelitian penyusunan Peta Ketahanan dan
selanjutnya. Kerentanan Pangan oleh Badan
Mendapatkan model prediksi Ketahanan Pangan Daerah Provinsi
kerawanan pangan di Provinsi Jawa Jawa Barat.
Barat sebagai informasi dan
referensi khususnya BKPD Jawa
Barat untuk menyukseskan
program pengentasan kerawanan
pangan.

7
Model Umum Geographically Weighted Regression (GWR)
Suatu metode regresi yang menghasilkan estimator parameter bagi setiap titik atau
lokasi dimana data tersebut diamati dan dikumpulkan (Fotheringham dkk, 2002) :

= 0 , + , + ; = 1,2, , dan = 1,2, (2.1)


=1
di mana:
: nilai observasi peubah respon pada lokasi ke-i
: nilai observasi peubah penjelas k pada lokasi ke-i
0 , : nilai intersep model pada lokasi ke-i
, : nilai parameter regresi peubah penjelas ke-k untuk setiap lokasi ke-i
, : titik koordinat (lintang, bujur) lokasi ke-i
: galat observasi ke-i
: banyaknya lokasi,
: banyaknya peubah penjelas
Asumsi model GWR (Leung, Mei, dan Zhang, 2000) yaitu :
1) ~ 0, 2
2) adalah penduga yang tak bias ( = ( ) untuk semua i)

8
Estimasi Parameter Model GWR

Estimasi parameter model untuk setiap lokasi ke-i diperoleh dengan metode
pendugaan Weighted Least Square (WLS) :

, = , 1
, (2.4)
dimana :
: matriks nilai observasi peubah penjelas dengan ukuran + 1 ,
: matriks nilai observasi peubah respon dengan ukuran 1,
, : vektor estimator parameter GWR untuk lokasi ke-I
, : matriks diagonal pembobot spasial untuk lokasi ke-i

Untuk sebanyak n lokasi pengamatan, maka estimator tersebut merupakan


estimasi setiap baris dari matriks parameter lokal sebagai berikut :

0 1 , 1 1 1 , 1 2 1 , 1 1 , 1

= 0 2 , 2 1 2 , 2 2 2 , 2

2 , 2


0 , 1 , 2 , ,

9
Fungsi Pembobot Spasial

Fungsi pembobot spasial Adaptive Gaussian Kernel (Fotheringham dkk, 2002) :


2
1
, = (2.9)
2
dimana adalah bandwidth bagi masing-masing lokasi ke-i dan merupakan jarak Euclidian antara
pengamatan pada titik kei dan ke-j, diperoleh dari :
= ( )2 +( )2 (2.10)
di mana:
, , , : titik koordinat (lintang, bujur) pada lokasi ke-i dan ke-j
Bandwidth merupakan lingkaran dengan radius tertentu dari titik pusat lokasi yang
berfungsi sebagai dasar penentuan bobot setiap pengamatan terhadap model
regresi setiap lokasi (Mei, 2005). Metode pemilihan bandwidth optimum Cross
Validation (CV) :

= ( )2 (2.11)
=1
dimana :
: observasi ke-i
: nilai estimasi observasi ke-i yang nilainya diperoleh tanpa melibatkan
pengamatan lokasi ke-i itu sendiri.
10
Pengujian Parameter Model GWR

Uji t parsial mengetahui signifikansi pengaruh setiap parameter terhadap


peubah respon
Hipotesis Uji :
0 : , = 0 (peubah penjelas ke-k berpengaruh terhadap peubah respon), lawan
1 : , 0 (minimal ada satu peubah penjelas ke-k tidak berpengaruh terhadap peubah respon)
,
= (2.5)

dimana :
: elemen diagonal matriks , dimana = , 1
,

2 : penduga ragam galat yang diperoleh dari
1

JKG : (1) () () () () (1)

1 : () () () ()

1 , 1 1
1 , 1
1
() : 2 , 2 2 , 2

1
, ,

Kriteria uji : Jika || >


(,1) , maka 0 ditolak 11
2
Pengujian Ketepatan Model GWR

R2 menggambarkan besarnya keragaman peubah respon yang dapat dijelaskan


oleh peubah penjelas :

2
2
=1
= = 2
=1

Mean Square Error (MSE) sebagai perbedaan rata-rata jumlah kuadrat nilai
amatan sebenarnya terhadap penduganya, sehingga pendugaan yang paling akurat
akan mengarah ke nilai MSE terkecil :


= 2 /
=1

12
Uji Heterogenitas Spasial

Untuk melihat adanya keragaman antar lokasi yang disebabkan suatu lokasi
memiliki struktur dan parameter hubungan yang berbeda dengan lokasi lainnya
(Anselin, 1988)
Hipotesis yang diuji berdasarkan asumsi bentuk persamaan umum homoskedastik
(Arbia, 2006):
2 = 1 + 2 1 + 3 2 + + 1
0 2 = . = = 0 ( homoskedasitas (1 = 2 ))
1 : minimal ada satu 0( heteroskedastisitas)
Statistik Uji Breusch Pagan (Arbia, 2006) :

1
=
2
(2.8)
=1 =1 =1

: 1 ; = dan 2 = =1
2
2
: galat untuk observasi ke-i,
2 : ragam galat ,
: banyak peubah penjelas.

Kriteria pengambilan keputusan :


2
(1) , 0
Jika statistik uji : = 2
> (1) , 0

13
(Ntzoufras, 2009)
Pendekatan Bayesian
Inferensia Data Sampel
Parameter bersifat tetap
Pendekatan Klasik dan tidak diketahui
Teori Estimasi
Parameter
Pendekatan Bayesian Informasi awal
(distribusi prior)
Parameter bersifat acak
berdistribusi prior
Teorema Bayesian :
Estimasi Parameter pembangkitan
(|) () peubah acak dengan metode
Markov Chain Monte Carlo
() : fungsi peluang distribusi prior (MCMC) Algoritma
Gibbs Sampling
: fungsi peluang distribusi posterior,
(|) : fungsi likelihood data,

Kekonvergensian :
Distribusi prior - Markov Chain Error (MC
ditentukan Error )
dan dirumuskan berdasarkan - Trace Dynamic Plot
subjektifitas peneliti 14
Model Bayesian GWR

Model Umum BGWR oleh Lesage (2001) beserta prior oleh Geweke (1998) dan
Lindley (1971):

= + atau = +

~ 0, 2 , = 1,2, . . ,
= (1 , 2 , , )

prior : i ~konstan
1
i ~ (Invers Gamma) dan
2
()
i ~ (Chi Square (r))

dimana :
2 : ragam galat
: matriks diagonal berukuran yang menunjukkan ragam tidak
konstan antar lokasi amatan
: hyperparameter yang mengontrol sejumlah sebaran pendugaan , sehingga = dan
= 2/
: matriks pembobot spasial untuk lokasi ke-i 15
Likelihood bagi Data ((| = , 2 , ))

Karena ~ 0, 2 , maka Lesage (2001) menuliskan ~ , 2 .


Sehingga fungsi likelihood data (|) dapat dituliskan sebagai berikut :

, |, , = 1 2
1 1
, |, 2 , =
=1 (2)/2 2 1/2 22 2

1 1 1 1
, |, 2 , = (2)/2
=1 1/2 22
=1 2
2 1/2
1 1 1
, |, 2 , =
=1 1/2 22
=1 2

1
, |, 2 , =
=1 1/2 22
=1 2

Geweke (1998)

16
Pembentukan Sebaran Posterior Bersama

Parameter model BGWR yang akan diduga : , 2 ,


Sebaran posterior bersama :

, 2 , |, , |, 2 ,


1

1/2
2 2
1
2 =1
=1

/2 /2 /2 +2 /2 /2
=1

/2
/2 /2 (+1)

+3 /2
2 2
+

=1 2
=1

Geweke (1998)
17
Pembentukan Sebaran Posterior Conditional

Sebaran posterior bagi dengan syarat dan :


, ~ () , 2
(2.18)

dimana : () =
Sebaran posterior dengan syarat dan :
2 /
2 , ~ (2.19)
=1
dimana : =
Sebaran posterior dengan syarat dan :

2 2 +
, ~+ (2.20)

18
Geweke (1998)
Algoritma Gibbs Sampling

membangkitkan contoh acak secara berurutan dari sebaran posterior bersyarat


bagi parameter model untuk mendapatkan pendugaan parameter

Algoritmanya sebagai berikut :


1) Menentukan nilai inisiasi secara acak bagi parameter-parameter , 0 , dan
2) Untuk masing-masing pengamatan i = 1 hingga n :
Bangkitkan nilai dari ( | 0 , ) menggunakan persamaan (2.18)
Bangkitkan nilai dari ( | , ) menggunakan persamaan (2.19)
Bangkitkan nilai 1 dari ( | , ) menggunakan persamaan (2.20)

3) Mengganti nilai-nilai , 0 , dan pada langkah 1) dengan , 1 , dan



4) Mengulangi langkah 2) hingga 3) sebanyak q kali (bangkitan) hingga mendekati
konvergen.

Output atau pendugaan berupa sekumpulan nilai parameter bangkitan


Pendugaan parameter rataan nilai parameter bangkitan tersebut

19
Lesage (2001)
Kerawanan Pangan

Kerawanan pangan (ketidaktahanan pangan), yaitu suatu kondisi ketidakmampuan


untuk memperoleh pangan yang cukup dan sesuai untuk hidup sehat dan
beraktifitas dengan baik, baik secara sementara maupun jangka panjang (Undang-
undang No.8 Tahun 2012 tentang pangan) Indeks Komposit Rawan Pangan

Dimensi dan Indikator Kerawanan Pangan (Dewan Ketahanan Pangan, 2015) :

Ketersediaan Rasio konsumsi normatif per kapita terhadap

Pangan ketersediaan bersih padi, jagung, ubi kayu, dan ubi jalar

Akses Pangan Penduduk hidup di bawah garis kemiskinan


Akses penghubung yang memadai
dan Pendapatan Rumah tangga tanpa akses listrik

Pemanfaatan Rumah tangga tanpa akses ke air bersih


Rumah tinggal lebih dari 5 km dari fasilitas kesehatan
Pangan Perempuan Buta Huruf

Dampak Gizi Berat badan balita di bawah standar (Underweight)

dan Kesehatan Angka harapan hidup pada saat lahir

20
DATA
Penelitian menggunakan data sekunder dari Badan Ketahanan Pangan Daerah Provinsi
Jawa Barat
Data terdiri dari 21 amatan yang merupakan banyaknya kabupaten di Provinsi Jawa
Barat.
Peubah respon yang diteliti : nilai indeks komposit kerawanan pangan per kabupaten
Peubah-peubah penjelas :
No Peubah Penjelas
1 Rasio konsumsi normatif per kapita terhadap ketersediaan bersih padi, jagung,ubi kayu
dan ubi jalar
2 Persentase penduduk yang hidup dibawah garis kemiskinan
3 Persentase desa yang tidak memiliki akses penghubung yang dapat dilalui kendaraan roda
empat atau sarana transportasi air.
4 Persentase rumah tangga tanpa akses listrik
5 Persentase desa dengan jarak lebih dari 5 km dari fasilitas kesehatan
6 Persentase rumah tangga tanpa akses air minum bersih
7 Persentase perempuan diatas 15 tahun yang buta huruf
8 Persentase anak balita dengan berat badan < berat badan normal
21
9 Angka harapan hidup rata-rata bayi baru lahir dalam tahun
METODE PENELITIAN

Pengujian Menentukan Menghitung matriks


Ya Menghitung Jarak
Heterogenitas bandwitdh Optimum pembobot Adaptive
Euclidian (2.10)
Spasial (2.8) (2.11) Gaussian Kernel (2.9)

Tidak
Pemodelan BGWR dengan Melakukan Estimasi dan
Regresi Global pembobot Adaptive Gaussian Pengujian Parameter Model
Kernel GWR (2.4 dan 2.5)

Menggunakan matriks Wi pada (2.9) Melakukan pengujian


2
ketepatan model GWR (R
dan MSE) (2.6 dan 2.7)
Menentukan nilai inisiasi secara acak bagi
parameter-parameter , , dan Menentukan nilai hyperparameter r

1) Membangkitkan secara berurutan nilai-nilai


, , , untuk = 1,2, ,
Melakukan simulasi Gibbs Sampling 1

Mengganti nilai-nilai , dengan ,
,

,
Melakukan pengujian ketepatan model
2
Mengulangi langkah 1) sebanyak 550 kali BGWR (R dan MSE) (2.6 dan 2.7)
hingga konvergen

Membandingkan dan
memilih model lebih baik
2
melalui R dan MSE

22
Selesai Menarik Kesimpulan