Anda di halaman 1dari 35

PEMODELAN REGRESI SPASIAL DAN TEKNIK ENSEMBLE NON-HYBRID

DALAM KASUS KEMISKINAN DI PROVINSI JAWA BARAT

RANCANGAN PROPOSAL TESIS

oleh :
IKIN SODIKIN

156090500111001

PROGRAM PASCASARJANA STATISTIKA


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2016
DAFTAR ISI

DAFTAR ISI .......................................................................................................... i


DAFTAR GAMBAR .............................................................................................. ii
DAFTAR TABEL ..................................................................................................iii
BAB I ................................................................................................................... 1
PENDAHULUAN.................................................................................................. 1
1.1. LATAR BELAKANG ............................................................................... 1
1.2. RUMUSAN MASALAH .......................................................................... 4
1.3. TUJUAN PENELITIAN........................................................................... 5
1.4. MANFAAT PENELITIAN ........................................................................ 5
1.5. BATASAN MASALAH ............................................................................ 6
BAB II .................................................................................................................. 7
TINJAUAN PUSTAKA ......................................................................................... 7
2.1 MODEL REGRESI KLASIK ........................................................................ 7
2.2. MODEL REGRESI SPASIAL ..................................................................... 8
2.2.1. MODEL UMUM REGRESI SPASIAL-GENERAL SPATIAL MODEL
(GSM) ........................................................................................................... 8
2.2.2. SPATIAL AUTOREGRESSIVE MODEL (SAR) ................................. 11
2.2.3. SPATIAL ERROR MODEL (SEM) ..................................................... 14
2.2.4. UJI PENGARUH SPASIAL ............................................................... 16
2.3. TEKNIK ENSEMBLE ............................................................................... 19
2.4. KEMISKINAN .......................................................................................... 20
2.5 KETERKAITAN ANTARA KEMISKINAN, REGRESI SPASIAL DAN
TEKNIK ENSEMBLE ...................................................................................... 23
BAB III ............................................................................................................... 26
METODE PENELITIAN...................................................................................... 26
3.1 DATA PENELITIAN .................................................................................. 26
3.2 METODE PENELITIAN ............................................................................ 27
DAFTAR PUSTAKA........................................................................................... 29

i
DAFTAR GAMBAR

Gambar 1 Peta Administratif Wilayah Kabupaten/Kota di Jawa Barat ................25

ii
DAFTAR TABEL

Tabel 2.1. Peubah-peubah dalam penelitian .......................................................... 26

iii
BAB I
PENDAHULUAN

1.1. LATAR BELAKANG


Sebagai negara berkembang, Indonesia masih memiliki salah satu

masalah terbesar yaitu persoalan kemiskinan. Pertengahan September Tahun

2015 lalu Badan Pusat Statistik (BPS) telah merilis data tingkat kemiskinan

Indonesia terbaru. Jumlah penduduk miskin di Indonesia pada Maret 2015

mencapai 28,59 juta orang (11,22 persen). Jumlah ini bertambah 0,86 juta orang

(0,16 persen) dibandingkan tahun sebelumnya (September 2014). Khususnya

Pulau Jawa dengan persentase penduduk miskin pada Tahun 2015 sebesar

10.68% (merupakan pulau dengan jumlah penduduk miskinnya terbesar di

Indonesia. Dalam hal ini Provinsi Jawa Barat merupakan salah satu penyumbang

terbesar dengan jumlah penduduk miskin sebesar 4.435.70 Ribu Orang.

Peningkatan jumlah penduduk miskin menguatkan bahwa kemiskinan

merupakan permasalahan yang sangat kompleks. Salah satu upaya yang

dilakukan untuk mengatasi masalah kompleksitas ini adalah dengan membentuk

model regresi terhadap faktor-faktor yang berpengaruh terhadap kemiskinan.

Analisis regresi seringkali digunakan sebagai salah satu metode dalam

analisis statitika. Analisis ini merupakan analisis yang mempelajari bagaimana

membangun sebuah model fungsional dari data untuk dapat menjelaskan

ataupun meramalkan suatu fenomena alami atas dasar fenomena yang lain.

Dengan model tersebut, kita berusaha memahami, menerangkan,

mengendalikan dan kemudian memprediksi perilaku suatu fenomena melalui

sekumpulan data (Sembiring, 2003). Model juga menolong peneliti dalam

menentukan hubungan sebab akibat antara dua atau lebih peubah.

1
Suatu model regresi dibentuk melalui beberapa metode penaksiran, dua

diantaranya yang paling sering digunakan adalah metode kuadrat terkecil biasa

(Ordinary Least Square) dan metode kemungkinan maksimum (Maksimum

Likelihood). Dari kedua metode tersebut dihasilkan statistik-statistik sebagai

penduga koefisien dari model (Wibisono, 2015).

Dalam prosesnya untuk memperoleh formula penduga koefisien model

regresi, kedua metode tersebut melibatkan faktor galat atau residual.

Permasalahan muncul ketika model yang terbentuk mengalami pelanggaran

asumsi berkenaan dengan masalah galat yang berkorelasi dan masalah

heterogenitas pada galat.

Faktor-faktor yang mempengaruhi tingkat kemiskinan sebagaimana

dijelaskan sebelumnya, juga dipengaruhi oleh kedekatan wilayah. Pengamatan

pada suatu lokasi memiliki hubungan yang kuat dengan lokasi lain yang

berdekatan. Pengamatan diwilayah tertentu dipengaruhi oleh pengamatan di

lokasi lain. Dalam Anselin (1988), hukum pertama tentang geografi yang

dikemukakan oleh Tobler berbunyi : Segala sesuatu saling berhubungan satu

dengan yang lainnya, tetapi sesuatu yang dekat lebih mempunyai pengaruh

daripada sesuatu yang jauh. Kondisi tersebut dikenal dengan pengaruh spasial,

yang dapat dibagi ke dalam 2 (dua) bagian, yaitu autokorelasi spasial dan

keragaman spasial. Adanya pengaruh spasial tidak dapat diabaikan dalam

pendugaan suatu model regresi. Bila informasi tersebut diabaikan, maka

pengamatan menghasilkan kesimpulan yang berbeda sehingga model yang

terbentuk menjadi tidak layak (LeSage 1997). Adanya hubungan spasial dalam

peubah tak bebas akan menyebabkan pendugaan menjadi tidak tepat karena

asumsi keacakan galat dilanggar. Griffith (2000) juga menunjukkan dalam

penelitiannya bahwa pemodelan dengan cara klasik akan terganggu dengan

adanya autokorelasi spasial sehingga pemodelannya tidak dapat digunakan.

2
Oleh karena itu, diperlukan suatu metode yang dapat mengakomodir keragaman

spasial ke dalam model, yang dikenal dengan model regresi spasial.

Beberapa metode yang berkembang adalah Model Otoregresi

Spasial/Spatial Auto-Regressive Model (SAR), Model Galat Spasial/Spatial Error

Model (SEM), dan Model Umum Spasial/General Spatial Model (GSM). Setiap

nilai parameter dihitung dengan menggunakan pendekatan area berdasarkan

pengaruh lag spasial dan galat spasial (Fotheringham, Brunsdon, dan Charlton,

2000).

SAR adalah model yang memuat informasi adanya ketergantungan

observasi (autoregresi) antar lokasi. SEM adalah model yang memuat informasi

adanya auto korelasi galat antar lokasi. Metode SAR dan SEM lebih tepat

digunakan dalam model yang mempunyai autokorelasi spasial (Mc Millen, 1992).

Sedangkan Model GSM lebih dikenal sebagai penggabungan antara SAR dan

SEM, ketika informasi autoregresi dan autokorelasi galat antar lokasi termuat

dalam satu model. Philip (2010) menyatakan bahwa GSM tidak banyak

digunakan dalam praktek karena tidak terdapatnya panduan atau teori bila

matriks pembobot yang digunakan sama mengakibatkan

masalah identifikasi. Sehingga disarankan untuk menggunakan teknik ensemble

untuk menggabungkan informasi autoregresi dan autokorelasi galat, yang disebut

dengan ensemble autokorelasi spasial.

Zhu (2008) mengemukakan bahwa teknik ensemble menjadi salah satu

teknik penting dalam peningkatan kemampuan prediksi dari berbagai model

standar. Teknik ini hadir sebagai teknik yang dapat menggabungkan satu atau

lebih model dan memberikan prediksi dengan tingkat keakuratan lebih kuat.

Teknik ini terbukti dapat mendeteksi dengan baik peubah berpengaruh dan saling

berinteraksi dalam studi simulasi yang telah dilakukan Friedman dan Popescu

(2008). Pada prinsipnya teknik ini adalah menggabungkan hasil prediksi dari

3
banyak model, kemudian melakukan prediksi dari model terbaik yang terpilih

tersebut. De Bock, Coussement, dan Poel (2010) membagi dua jenis teknik ini

menjadi ensemble hybrid dan non-hybrid. Pada teknik ensemble hybrid, berbagai

metode pemodelan digunakan, kemudia menggabungkan prediksi yang

dihasilkan oleh masing-masing metode menjadi satu prediksi akhir. Sedangkan

pada teknik non-hybrid, bekerja dengan satu jenis metode untuk digunakan

berkali-kali menghasilkan banyak model yang berbeda dan selanjutnya

menggabungkan hasil-hasil prediksinya menjadi satu sebagai prediksi akhir.

Berbagai penelitian mengenai permasalahan yang melibatkan pengaruh

kedekatan wilayah, telah banyak dilakukan dengan menggunakan model regresi

spasial. Sebagai contoh Arisanti (2011) melakukan pemodelan dengan SAR,

SEM, dan GSM dalam menentukan faktor-faktor yang berpengaruh terhadap

kemiskinan di Provinsi Jawa Timur. Pada penelitian ini, matriks pembobot spasial

yang digunakan adalah pembobot spasial Queen. Penelitian kemiskinan juga

telah dilakukan oleh Rohmawati (2015), teknik yang digunakan yaitu ensemble

non-hybrid untuk memodelkan data kemiskinan di Pulau Jawa. Oleh karena itu,

penelitian ini akan dilakukan untuk membandingkan kedua metode (GSM dan

Teknik Ensembel Non-Hybrid) dalam menghasilkan model terbaik yang dapat

menjelaskan faktor-faktor yang berpengaruh terhadap kemiskinan.

1.2. RUMUSAN MASALAH


Berdasarkan latar belakang tersebut, maka permasalahan pada penelitian

ini dirumuskan sebagai berikut :

1. Bagaimana pemodelan regresi spasial dengan menggunakan metode

General Spatial Model (GSM) dalam kasus kemiskinan di Provinsi

Jawa Barat?

4
2. Bagaimana pemodelan regresi spasial dengan menggunakan Teknik

Ensemble Non-Hybrid dalam kasus kemiskinan di Provinsi Jawa

Barat?

3. Diantara kedua metode, manakah yang paling baik dalam

memodelkan kasus kemiskinan di Provinsi Jawa Barat berdasarkan

koefisien determinasi (R2) dan nilai RMSE (Root Mean Square

Error)?

1.3. TUJUAN PENELITIAN


Tujuan dari dilakukannya penelitian ini adalah untuk memberikan jawaban

atas permasalahan penelitian, yaitu :

1. Mendapatkan beberapa pemodelan regresi spasial dengan metode

General Spatial Model (GSM) dalam kasus kemiskinan di Provinsi

Jawa Barat.

2. Mendapatkan pemodelan regresi spasial dengan Teknik Ensemble

Non-Hybrid dalam kasus kemiskinan di Provinsi Jawa Barat.

3. Mendapatkan model terbaik dalam memetakan faktor-faktor yang

mempengaruhi kemiskinan di Provinsi Jawa Barat berdasarkan

koefisien determinasi (R2) dan nilai RMSE (Root Mean Square Error).

1.4. MANFAAT PENELITIAN


Hasil penelitian ini diharapkan dapat memberikan manfaat yaitu :

1. Memberikan informasi mengenai perbandingan metode General

Spatial Model (GSM) dan Teknik Ensemble Non-Hybrid pada kasus

kemiskinan di Provinsi Jawa Barat serta dapat dijadikan referensi

untuk penelitian selanjutnya.

2. Mendapatkan model prediksi kemiskinan di Provinsi Jawa Barat

sebagai informasi dan referensi khususnya pemerintah yang

5
berkepentingan untuk menyukseskan program pengentasan

kemiskinan di Provinsi Jawa Barat.

1.5. BATASAN MASALAH


Data pada kasus yang digunakan pada penelitian ini dibatasi pada

peubah-peubah kemiskinan yang telah ditetapkan oleh BPS yaitu Head Count

Index beserta peubah-peubah kemiskinan didalamnya.

Pemodelan dalam judul penelitian didefinisikan sebagai proses

membentuk atau membangun sebuah model dari suatu sistem nyata dalam

bahasa formal tertentu dengan prinsip elaborasi (dimulai dengan yang sederhana

dan secara bertahap dielaborasi hingga diperoleh model yang representative)

dan iteratif (diperlukan pengulangan dan peninjauan kembali) (Effendi, 2012).

Proses pemodelan dalam penelitian ini dititikberatkan pada proses

pembandingan beberapa model analisis regresi spasial dengan teknik ensemble

non-hybrid.

6
BAB II
TINJAUAN PUSTAKA

2.1 MODEL REGRESI KLASIK


Analisis regresi merupakan salah satu analisis statistik untuk menelaah

hubungan antara dua buah pengukuran. Dalam suatu model regresi terdapat

peubah bebas (variabel independen/ penjelas) dan peubah tak-bebas (variabel

dependen/respon), yang memberikan gambaran bagaimana nilai peubah

independen mempengaruhi nilai peubah dependen (Saefuddin, 2009). Tujuan

utama dilakukannya analisis regresi adalah untuk membuat perkiraan (prediksi

yang dipercaya untuk niali suatu variabel respon, jika nilai variabel lain yang

berhubungan dengannya diketahui (Qudratullah, 2013). Walpole dan Myers

(1995) mengemukakan bahwa persamaan regresi yang terdiri dari satu peubah

respon dan satu peubah penjelas disebut regresi sederhana, sedangkan

persamaan regresi dengan beberapa peubah penjelas dan satu peubah respon

disebut regresi berganda. Dalam bentuk matriks, hubungan antara peubah-

peubah tersebut dimodelkan dalam bentuk persamaan berikut :

(1)

Dimana merupakan vektor peubah respon, merupakan matriks peubah

penjelas, merupakan vektor koefisien parameter, dan merupakan vektor

galat/error. Vektor koefisien pada model regresi klasik merupakan parameter

dan nilainya tidak diketahui, tetapi dapat diduga dari data sampel. Salah satu

metode pendugaan koefisien tersebut adalah dengan metode kuadrat terkecil

(MKT) atau Ordinary Least Square (OLS). Sebagaimana disampaikan oleh

Kutner, Wasserman, dan Neter (2004), penduga parameter , adalah :

7
Untuk memperoleh model regresi berganda yang baik, terdapat asumsi-

asumsi dasar yang harus dipenuhi yaitu :

a) Galat yang merupakan variabel random riil memiliki distribusi normal

b) Nilai mean untuk setiap i adalah 0 ( [ ]

c) Nilai variansi untuk setiap I adalah konstan ( [ ]

d) Faktor gangguan dari setiap pengamatan yang berbeda tidak saling

mempengaruhi (independen) ( [ ]

e) Faktor gangguan tidak dipengaruhi oleh variabel variabel independen

( [ ] .

2.2. MODEL REGRESI SPASIAL

2.2.1. MODEL UMUM REGRESI SPASIAL-GENERAL SPATIAL MODEL (GSM)


GSM merupakan model regresi spasial yang dikembangkan oleh Anselin

(1988), dengan formula umum sebagai berikut :

(2)
(3)

Dimana :
: vector peubah respon dengan ukuran n 1,
: matriks peubah penjelas dengan ukuran n (k 1),
: vector koefisien regresi dengan ukuran (k 1) 1,
: parameter koefisien spasial lag berukuran n 1,
: parameter koefisien korelasi galat spasial berukuran n 1,
dan : matriks pembobot berukuran n n,
n : jumlah amatan atau lokasi,
k : jumlah peubah respon dengan k = 1,2,..,l,
I : matriks identitas dengan ukuran n n.

Dalam bentuk matriks dapat ditulis sebagai berikut :

8
[ ] ; [ ] ; [ ] ;

; ; [ ]
[ ] [ ]

Asumsi pada regresi spasial sama halnya dengan asumsi pada model

regresi klasik. Asumsi tersebut adalah asumsi kehomogenan, kenormalan, dan

tidak ada autokorelasi dari galat. Pendugaan parameter pada model GSM

diperoleh dengan metode penduga kemungkinan maksimum (Anselin 1988). Dari

persamaan (2) dapat dinyatakan dalam bentuk :

atau
(4)
Dan dari persamaan (3) dapat dinyatakan dalam bentuk :

atau
(5)

Sehingga jika persamaan (4) dan (5) disubstitusikan, akan menjadi bentuk :

Jika semua ruas dikalikan dengan , maka

[ ] (6)

Nilai fungsi kemungkinan peubah adalah

| | [ ] (7)

Dengan adalah matriks ragam koragam dari . Jika diasumsikan ,

maka | | | | . Invers dari matriks ragam koragam . Fungsi

9
kemungkinan yang baru bagi peubah , diperoleh dengan mensubstitusikan nilai

| | dan pada persamaan (7) sebagai berikut :

| | [ ] (8)

Dari hubungan dan pada persamaan (6), diperoleh nilai Jacobian

| | | || |

Dengan mensubstitusikan persamaan (6) ke dalam persamaan (8) diperoleh

fungsi kemungkinan untuk yaitu :

( ) | ||

| [ { [ ]} {

[ ]}]

Dan fungsi log kemungkinan (log-likelihood) yaitu

( ) ( ) | | | | {

[ ]} { [ ]} (9)
Misalkan kuadrat matriks pembobot ) dinotasikan sebagai

dan penduga diperoleh dengan memaksimalkan fungsi log-likelihood pada

persamaan (9). Penduga tersebut diperoleh sebagai berikut :

( )
Matrik Pembobot Spasial

Matriks pembobot spasial pada dasarnya merupakan matriks

ketergantungan spasial. Yang menggambarkan hubungan antar daerah atau

lokasi. Pembobot yang diberikan pada kelompok blok sensus tergantung pada

kedekatan antar daerah (Peace dan Barry, 1997). Matriks yang dinotasikan

dengan ini merupakan matriks yang telah distandarkan dengan jumlah tiap

barisan sama dengan satu dan diagonal dari matriks ini umumnya diisi dengan

nilai nol. Matriks berukuran . Menurut Dubin (2009) matriks autokorelasi

spasial terdiri dari tiga tipe sebagai berikut :

10
1. Benteng Catur

Konsep persinggungan ini memberikan nilai 1 untuk lokasi yang

bersisian langsung di utara, selatan, barat dan timur sedangkan 0

untuk lainnya.

2. Gajah Catur

Konsep persinggungan ini memberikan definisi nilai 1 untuk lokasi

yang bersinggungan dengan sudut dari lokasi yang sedang diamati

sedangkan 0 untuk lainnya.

3. Ratu Catur

Konsep persinggungan ini memberikan definisi nilai 1 untuk daerah

yang persinggungan sisi dan sudutnya bertemu dengan daerah yang

sedang diamati sedangkan 0 untuk lainnya.

Matriks pembobot spasial ini harus ditentukan sebelum digunakan dalam analisis,

untuk selanjutnya dinormalisasi (disebut dengan normalisasi baris atau row-

normalize). Artinya bahwa matriks tersebut ditransformasi hingga jumlah dari

masing-masing baris matriks menjadi sama dengan satu (Dubin 2009).

2.2.2. SPATIAL AUTOREGRESSIVE MODEL (SAR)


Anselin (1988) mengemukakan bahwa SAR merupakan model regresi

linear dimana peubah responnya berkorelasi spasial. Dapat dikatakan bahwa

model ini merupakan campuran antara regresi dengan autoregresi karena

menggabungkan regresi biasa dengan model regresi spasial lag pada peubah

respon. SAR berasal dari persamaan regresi linear dengan galatnya dimodelkan

dalam bentuk model otoregresif dengan peubah acak pada satu daerah dengan

daerah lainnya diamati secara simultan (Wall, 2004).

Model ini merupakan kasus khusus dari model GSM pada persamaan (2).

Jika dan , maka persamaan (2) menjadi :

11
(10)

Pendugaan parameter dilakukan dengan menggunakan pendekatan

kemungkinan maksimum. Pada persamaan (2), diasumsikan memiliki nilai

harapan sama dengan nol, dan ragam sisaan sama dengan konstanta ragam

serta galat tidak berkorelasi satu dengan yang lainnya. Sehingga apabila

diasumsikan fungsi kepekatan peluang dari sebagai :

* +

Maka fungsi kepekatan peluang bersama dari n peubah acak adalah

* +

Dari persamaan (10) dapat ditulis sebagai pernyataan sebagai berikut :

(11)

Hubungan dan dalam persamaan tersebut menghasilkan nilai Jacobian yaitu

| |. Sehingga fungsi kepekatan peluang bersama dari n peubah tak

bebas dapat dituliskan sebagai :

| | | |

* +| |

[ ]| | (12)

Kemudian, fungsi kemungkinan bagi parameter adalah

( ) ( )

| |
[ ] (13)

12
Dengan memaksimalkan logaritma dari fungsi kemungkinan pada persamaan

(13), maka akan diperoleh penduga bagi dengan memaksimalkan fungsi

kemungkinan yang ekivalen sebagai berikut :

| |
( * +)

( ) | |

(14)

Penduga untuk diperoleh jika fungsi log kemungkinan bernilai

maksimum, yaitu pada saat suku terakhir dari persamaan (14) bernilai minimum.

Sehingga penduga untuk ,

( ) ( ) (15)
Dan penduga untuk diperoleh dengan formula berikut :
( ) ( )
(16)

Sedangkan penduga bagi adalah sebagai berikut

( ) ( ) (17)
Perlu diketahui sebelum melakukan pembentukan model SAR, bahwa,

Indeks Moran tidak dapat membedakan jenis autokorelasi pada galat ataupun

dalam peubah responnya, sedangkan SAR dapat digunakan jika terdapat

autokorelasi peubah respon antar lokasi. Oleh karena itu, pengujian autokorelasi

spasial dilakukan dengan menggunakan Lagrange Multiplier (LM) dengan

hipotesis uji berikut :

H0 : (tidak ada autokorelasi dalam peubah respon)

H1 : (ada autokorelasi dalam peubah respon)

Statistik uji :

[ ]

13
( )
dengan *
+

H0 ditolak pada taraf kesalahan jika atau nilai-p < . Jika

parameter signifikan, maka analisis dapat dilanjutkan pada pembentukan model

SAR.

2.2.3. SPATIAL ERROR MODEL (SEM)


Dalam model regresi, galat muncul diakibatkan oleh adanya peubah

penjelas yang tidak dilibatkan ke dalam model dan mungkin saja peubah-peubah

penjelas tersebut berkorelasi spasial dengan galat pada lokasi lain. SEM

merepresentasikan model regresi linear dimana peubah galatnya terdapat

korelasi spasial. SEM dibentuk dari persamaan (2) dan (3) dimana dan

, maka persamaannya menjadi :

(18)

Sebagaimana pada model SAR, statistik uji LM juga digunakan untuk

menguji ketergantungan spasial dalam galat dengan hipotesis :

H0 : (tidak ada autokorelasi galat spasial)

H1 : (ada autokorelasi galat spasial)

Statistik uji :

[ ]

H0 ditolak pada taraf kesalahan jika atau nilai-p < . Jika

parameter signifikan, maka analisis dapat dilanjutkan pada pembentukan model

SEM.

14
Pendugaan parameter dilakukan dengan menggunakan pendekatan

kemungkinan maksimum. Dari persamaan (2) dan (3), diperoleh :

Sehingga, jika disubstitusikan terhadap persamaan (18), maka diperoleh

(19)

diasumsikan memiliki nilai harapan sama dengan nol, dan ragam sisaan sama

dengan konstanta ragam serta galat tidak berkorelasi satu dengan yang lainnya.

Sehingga fungsi kepekatan peluang bersama dari n peubah acak

adalah

* +

Dari hubungan dan dalam persamaan tersebut menghasilkan nilai Jacobian

yaitu | |. Sehingga fungsi kepekatan peluang bersama dari n peubah

tak bebas dapat dituliskan sebagai :

| | | |

* +| |

Kemudian, fungsi kemungkinan bagi parameter adalah

( ) ( )

| |
[ ] (20)

15
Dengan memaksimalkan logaritma dari fungsi kemungkinan pada persamaan

(20), maka akan diperoleh penduga bagi dengan memaksimalkan fungsi

kemungkinan yang ekivalen sebagai berikut :

| |
( * +)

( ) | | (21)

Penduga untuk diperoleh jika fungsi log kemungkinan bernilai

maksimum, yaitu pada saat suku terakhir dari persamaan (21) bernilai minimum.

Sehingga penduga untuk ,

[ ] (22)
Dan penduga untuk diperoleh dengan formula berikut :

(23)

Sedangkan untuk menduga diperlukan suatu iterasi numeric yang


memaksimalkan fungsi log kemungkinan sebagai berikut
( ) | | (24)

2.2.4. UJI PENGARUH SPASIAL

2.2.4.1. UJI AUTOKORELASI SPASIAL


Autokorelasi spasial merupakan pembeda antara model regresi umum

dan model regresi spasial. Adanya ketergantungan dalam data lokasi

menyebabkan munculnya autokorelasi spasial tersebut. Griffith (2007)

mengemukakan bahwa autokorelasi spasial adalah korelasi antara nilai-nilai

variabel tunggal yang pada hakekatnya diakibatkan oleh posisi kedekatan

lokasional yang relative dekat pada permukaan dua dimensi, memperkenalkan

pembeda atau deviasi dari asumsi klasik sebuah pengamatan independen.

Salah satu statistik yang sering digunakan dalam mendeteksi autokorelasi

spasial diantaranya dikenal dengan Indeks Global Moran. Statistik Morans I

adalah ukuran korelasi antara pengamatan pada suatu lokasi dengan lokasi lain

16
yang berdekatan (Pisati, 2012). Indeks Moran diperoleh melalui persamaan

sebagai berikut :

( )
* +* +

dimana :

n :banyaknya pengamatan,

:nilai rata-rata dari , dimana i=1,2,.,n lokasi,

:nilai pengamatan pada lokasi ke-i,

:nilai pengamatan pada lokasi ke-j, dan

:elemen matriks pembobot spasial.

Nilai dari statistik Indeks Moran (I) berupa koefisien korelasi yang berkisar

antara -1 sampai dengan 1. Jika nilai tersebut mendekati 1 atau -1, maka

korelasinya tinggi. Sedangkan jika mendekati nilai 0 berarti tidak terdapat korelasi.

Statistik lainnya yaitu Indeks Lokal Moran yang berguna untuk

pendeteksian hotspot/coldspot pada data diskret. Selain itu, jika terdapat

pengelompokkan dari beberapa hotspot/coldspot akan teridentifikasi sebagai

gerombol lokal (local cluster). Lokal Moran dengan pembobot matriks continguity

didefinisikan sebagai berikut :

Dengan,
dan ( ), dimana

: nilai hasil standarisasi dari peubah respon yang diamati pada lokasi ke-i,
: nilai hasil standarisasi dari peubah respon yang diamati pada lokasi ke-i
dan lokasi ke-j,
: nilai pengamatan pada lokasi ke-i,
: nilai pengamatan pada lokasi ke-j,
: nilai rataan dari peubah respon, dan
: ukuran pembobot antara wilayah ke-i dan wilayah ke-j, serta
: nilai kolom ke-i dan ke-j.

17
Pengujian hipotesis Indeks Global Moran dan Lokal Moran dilakukan

untuk menguji adanya autokorelasi spasial baik positif ataupun negatif dan

merupakan suatu pengujian satu arah. Bentuk hipotesis awal (H0) adalah H0 : I =

0, artinya tidak terdapat autokorelasi spasial. Sementara bentuk hipotesis

alternatifnya (H1) ada dua jenis yaitu :

H1 : I > 0 artinya terdapat autokorelasi spasial positif (area yang

berdekatan mirip dan cenderung bergerombol dalam satu area)

H1 : I < 0 artinya terdapat autokorelasi spasial negatif (area yang

berdekatan tidak mirip dan membentuk pola visual seperti papan

catur)

Lee dan Wong (2001) mengemukakan bahwa statistik uji yang digunakan untuk

menguji hipotesis tersebut adalah , dimana adalah nilai


harapan Indeks Moran dan nilai ragam indeks Moran, dengan

pengambilan keputusan pada taraf kesalahan 5%, H0 akan ditolak jika | |> .

Pencaran plot Moran merupakan alat untuk melihat hubungan antara nilai

pengamatan yang sudah distandarisasi dengan nilai rata-rata daerah tetangga

yang telah distandarisasi.

2.2.4.2. UJI KERAGAMAN SPASIAL


Untuk melihat apakah suatu data dipengaruhi keragaman spasial

digunakan Uji Breusch-Pagan (Anselin, 1988). Hipotesis yang diuji adalah

sebagai berikut :

H0 : artinya ketidakragaman antar wilayah atau memiliki

varians yang sama)

H1 : minimal ada satu artinya terdapat keragaman antar wilayah atau

varians tidak sama-heteroskedastisitas)

18
Untuk menguji hipotesis tersebut, digunakan statistik uji Beursch-Pagan (BP)

yaitu :

( )

Dimana

h : elemen vektor yaitu ( ),

: kuadrat galat untuk pengamatan ke-i,

Z : vektor y berukuran n 1 yang sudah dinormalstandarkan untuk setiap

pengamatan

Dengan kriteria uji :

2.3. TEKNIK ENSEMBLE


Teknik ensemble merupakan suatu teknik untuk membangun sebuah

model yang prediktif dengan cara menggabungkan beberapa model. Teknik ini

menggabungkan hasil pendugaan dari berbagai model yang ada, bukan memilih

satu model terbaik dari banyak kandidat model dan melakukan pendugaan

terhadap model terbaik tersebut.

De Bock, et al. (2010) membagi dua jenis teknik ini menjadi hybrid

ensemble dan non-hybrid ensemble. Pada teknik hybrid ensemble, berbagai

metode pemodelan digunakan, kemudian menggabungkan prediksi yang

dihasilkan oleh masing-masing metode menjadi satu prediksi akhir. Sedangkan

pada teknik non-hybrid ensemble, bekerja dengan satu jenis metode untuk

digunakan berkali-kali menghasilkan banyak model yang berbeda dan

selanjutnya menggabungkan hasil-hasil prediksinya menjadi satu sebagai

prediksi akhir. Pada penelitian ini akan digunakan teknik non-hybrid ensemble

dengan menggabungkan beberapa model regresi spasial. Dengan

19
menambahkan noise pada peubah respon untuk menghasilkan model tunggal

regresi spasial.

Wu dan Huang (2005) mengemukakan bahwa noise adalah gangguan

yang tidak beraturan pada data. Additive noise dilakukan dengan pembangkitan

galat . Simpangan baku yang digunakan adalah simpangan baku

dengan nilai kecil dari rentang data. Additive noise dituliskan dalam persamaan :

Dengan m merupakan vektor peubah respon setelah ditambahkan noise, y

adalah vektor peubah respon awal dan .

Proses penggabungan dilakukan dengan menggunakan rata-rata

koefisien pada model. Berdasarkan Zhou (2012), teknik penggabungannya

dimodelkan dengan persamaan sebagai berikut :

Dimana , merupakan model regresi spasial ke-i, adalah

fungsi dari model regresi spasial, adalah vektor galat, banyaknya model dan

adalah hasil gabungan dari rata-rata model.

2.4. KEMISKINAN
Berbagai macam definisi kemiskinan telah diungkapkan dan menjadi

bahan perdebatan oleh pemerhati kemiskinan. Bank Dunia (2005)

mendefinisikan kemiskinan sebagai deprivasi dalam kesejahteraan. Menurut

Amartya Sen (1999), kemiskinan dapat terjadi akibat perampasan kapabilitas

(capability deprivation), yakni kebebasan untuk mencapai sesuatu dalam hidup

seseorang. Dilihat dari penyebabnya, kemiskinan dapat dibedakan menjadi dua,

yaitu kemiskinan alamiah dan kemiskinan struktural. Kemiskinan alamiah terjadi

karena kelangkaan sumber daya alam sehingga produktivitas masyarakat

20
menjadi rendah, sedangkan kemiskinan struktural terjadi karena alokasi sumber

daya yang ada tidak terbagi secara merata (Supardi dan Nurmanaf, 2004).

Keberagaman pandangan tentang kemiskinan menunjukan bahwa

kemiskinan merupakan fenomena multi dimensi. Fenomena ini membuat

pengukuran kemiskinan menjadi tidak mudah. Namun demikian, kemiskinan

tetap harus diukur sebagai gambaran dan bahan pengambilan kebijakan

penanggulangan kemiskinan. World Bank Institute (2005) mengemukakan empat

alasan kemiskinan harus diukur, yaitu (1) agar orang miskin terus berada dalam

agenda dan diperhatikan, (2) pengidentifikasian orang miskin dan keperluan

intervensi mengenai pengentasan kemiskinan, (3) pemantauan dan evaluasi

proyek atau kebijakan intervensi terhadap orang miskin, dan (4) evaluasi

efektivitas lembaga-lembaga pemerintah dalam pengentasan kemiskinan.

Pengukuran kemiskinan biasanya dikaitkan dengan konsep kemiskinan

mutlak dan dilihat dari sisi ekonomi dengan menggunakan indikator

kesejahteraan. Ravallion (1998) mengemukakan tiga tahapan pengukuran

kemiskinan, meliputi (1) mendefinisikan indikator kesejahteraan yang digunakan,

(2) membangun standar minimum dari indikator kesejahteraan, dimana standar

minimum ini sering dikenal sebagai garis kemiskinan (GK), dan (3) membuat

ringkasan statistik.

Terkait dengan pengukuran kemiskinan, World Bank Institute (2005)

menyebutkan tiga ukuran agregat kemiskinan yang bisa dihitung. Pertama,

Headcount index (P0) yang secara sederhana mengukur proporsi penduduk

terkategori miskin. Kelebihan dari ukuran kemiskinan ini adalah kemudahannya

dalam penghitungan dan mudah untuk dipahami. Namun, kelemahan headcount

index ialah tidak memperhitungkan intensitas kemiskinan, tidak menunjukkan

seberapa miskin yang miskin, dan tidak berubah jika penduduk di bawah GK

menjadi lebih miskin. Kedua, Indeks Kedalaman Kemiskinan (P1 atau Poverty

21
Gap Index) yang mengukur rata-rata kesenjangan pengeluaran masing-masing

penduduk miskin terhadap GK. Semakin tinggi nilai P1 berarti semakin dalam

tingkat kemiskinan karena semakin jauh rata-rata pengeluaran penduduk miskin

terhadap GK. Ketiga, Indeks Keparahan Kemiskinan (Poverty Severity Index

atau Squared Poverty Gap Index/P2) yang mengukur sebaran pengeluaran

diantara penduduk miskin. Semakin tinggi nilai P2 berarti semakin parah tingkat

kemiskinan karena semakin tinggi ketimpangan pengeluaran diantara penduduk

miskin.

Di Indonesia, pengukuran kemiskinan salah satunya dilakukan oleh BPS.

Konsep kemiskinan yang digunakan BPS adalah kemampuan seseorang atau

rumah tangga dalam memenuhi kebutuhan dasar (basic needs approach).

Berdasarkan pendekatan ini, BPS merumuskan kemiskinan sebagai

ketidakmampuan seseorang atau rumah tangga dari sisi ekonomi untuk

memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi

pengeluaran. Pengeluaran per kapita per bulan dipakai sebagai variabel yang

akan dibandingkan dengan besarnya nilai GK untuk menentukan seseorang

dikategorikan miskin atau tidak miskin. Seseorang yang mempunyai rata-rata

pengeluaran per kapita per bulan di bawah GK, dikategorikan sebagai penduduk

miskin.

BPS merumuskan GK dengan menjumlahkan Garis Kemiskinan Makanan

(GKM) dan Garis Kemiskinan Non-Makanan (GKNM). GKM adalah jumlah nilai

pengeluaran dari 52 komoditi dasar makanan yang riil dikonsumsi penduduk

yang kemudian disetarakan dengan 2100 kilokalori per kapita per hari.

Sementara itu, GKNM merupakan penjumlahan nilai kebutuhan minimum dari

komoditi-komoditi non-makanan terpilih, meliputi perumahan, sandang,

pendidikan, dan kesehatan. Nilai kebutuhan minimum per komoditi/sub-kelompok

non-makanan dihitung dengan menggunakan suatu rasio pengeluaran

22
komoditi/sub-kelompok tersebut terhadap total pengeluaran komoditi/sub-

kelompok yang tercatat dalam data Susenas modul konsumsi. GKM, GKNM dan

GK dihitung untuk tingkat nasional, provinsi, dan kabupaten/kota dengan

dipisahkan juga untuk daerah pedesaan/perkotaan, sehingga nilainya tidak akan

sama, tergantung cakupan/tingkatan wilayah dan daerah pedesaan/perkotaan.

Kedua pengukuran kemiskinan baik yang dilakukan oleh World Bank maupun

BPS tersebut lebih mengacu pada kondisi ekonomi. Padahal, kemiskinan

sebenarnya bersifat multi dimensi yang perlu melihat kondisi lainnya seperti

sosial, budaya, dan demografi. Pengukuran kemiskinan sosial demografi ini bisa

melengkapi pengukuran kemiskinan dari sisi ekonomi. Dengan begitu, sangat

penting memperhatikan dan mempertimbangkan faktor selain ekonomi sebagai

komponen dan variabel yang diperhitungkan dalam pengukuran kemiskinan. Hal

ini dilakukan agar hasil pengukuran kemiskinan tidak bias ekonomi dan lebih

mampu menggambarkan kondisi kemiskinan masyarakat yang sebenarnya.

2.5 KETERKAITAN ANTARA KEMISKINAN, REGRESI SPASIAL DAN TEKNIK


ENSEMBLE
Kompleksitas kemiskinan dapat dipengaruhi oleh banyak faktor, seperti

tingkat pendapatan, kesehatan, pendidikan, akses terhadap barang dan jasa,

lokasi, geografis, kesetaraan gender, dan kondisi lingkungan (Bappenas, 2014).

Faktor-faktor yang mempengaruhi tingkat kemiskinan tersebut juga dipengaruhi

oleh kedekatan wilayah. Pengamatan pada suatu lokasi memiliki hubungan yang

kuat dengan lokasi lain yang berdekatan. Pengamatan diwilayah tertentu

dipengaruhi oleh pengamatan di lokasi lain. Dalam Anselin (1988), hukum

pertama tentang geografi yang dikemukakan oleh Tobler berbunyi : Segala

sesuatu saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang

dekat lebih mempunyai pengaruh daripada sesuatu yang jauh. Kondisi tersebut

dikenal dengan pengaruh spasial, yang dapat dibagi ke dalam 2 (dua) bagian,

23
yaitu autokorelasi spasial dan keragaman spasial. Adanya pengaruh spasial tidak

dapat diabaikan dalam pendugaan suatu model regresi. Bila informasi tersebut

diabaikan, maka pengamatan menghasilkan kesimpulan yang berbeda sehingga

model yang terbentuk menjadi tidak layak (LeSage 1997).

Adanya hubungan spasial dalam peubah tak bebas akan menyebabkan

pendugaan menjadi tidak tepat karena asumsi keacakan galat dilanggar. Griffith

(2000) menunjukkan dalam penelitiannya bahwa pemodelan dengan cara klasik

akan terganggu dengan adanya autokorelasi spasial sehingga pemodelannya

tidak dapat digunakan. Oleh karena itu, diperlukan suatu metode yang dapat

mengakomodir keragaman spasial ke dalam model, yang dikenal dengan model

regresi spasial.

Beberapa metode yang berkembang adalah Model Otoregresi

Spasial/Spatial Auto-Regressive Model (SAR), Model Galat Spasial/Spatial Error

Model (SEM), dan Model Umum Spasial/General Spatial Model (GSM). Philip

(2010) menyatakan bahwa GSM tidak banyak digunakan dalam praktek karena

tidak terdapatnya panduan atau teori bila matriks pembobot yang digunakan

sama mengakibatkan masalah identifikasi. Sehingga

disarankan untuk menggunakan teknik ensemble untuk menggabungkan

informasi autoregresi dan autokorelasi galat, yang disebut dengan ensemble

autokorelasi spasial.

Zhu (2008) mengemukakan bahwa teknik ensemble menjadi salah satu

teknik penting dalam peningkatan kemampuan prediksi dari berbagai model

standar. Teknik ini hadir sebagai teknik yang dapat menggabungkan satu atau

lebih model dan memberikan prediksi dengan tingkat keakuratan lebih kuat.

Teknik ini terbukti dapat mendeteksi dengan baik peubah berpengaruh dan saling

berinteraksi dalam studi simulasi yang telah dilakukan Friedman dan Popescu

(2008). Pada prinsipnya teknik ini adalah menggabungkan hasil prediksi dari

24
banyak model, kemudian melakukan prediksi dari model terbaik yang terpilih

tersebut.

25
BAB III
METODE PENELITIAN

3.1 DATA PENELITIAN


Penelitian ini menggunakan data sekunder, yaitu Data dan Informasi

Kemiskinan Tahun 2015 yang telah dipublikasikan oleh BPS Provinsi Jawa Barat

melalui Berita Resmi Statistik No.04/01/32/Th.XVIII Tanggal 4 Januari 2016.

Wilayah-wilayah yang diteliti adalah kabupaten/kota di Provinsi Jawa Barat

dengan peta wilayah kabupaten/kota yang disajikan sebagai berikut :

Gambar 1. Peta Administratif Wilayah Kabupaten/Kota di Jawa Barat

Peubah tak bebas/respon (Y) pada penelitian ini adalah headcount index

kemiskinan tingkat kabupaten yaitu persentase penduduk yang berada dibawah

Garis Kemiskinan (GK). GK merupakan penjumlahan dari GKM dan GKNM,

dimana GKM adalah jumlah nilai pengeluaran dari 52 komoditi dasar makanan

yang riil dikonsumsi penduduk referensi kemudian disetarakan dengan 2100

kilokalori/kapita/hari, sedangkan GKNM adalah penjumlahan nilai kebutuhan

26
minimum dari komoditi-komoditi non makan terpilih yang meliputi perumahan,

sandang, pendidikan, dan kesehatan (BPS 2015).

Peubah-peubah penjelas ( ) yang digunakan pada penelitian ini

diperoleh dari kriteria-kriteria yang telah ditetapkan dalam indikator kemiskinan

oleh BPS. Adapun peubah-peubah penjelas tersebut ditunjukkan pada Tabel 1

berikut :

Peubah Definisi
1. Pendidikan
Persentase penduduk yang tidak dapat membaca pada
usia 15-55 thn
Persentase penduduk yang tidak tamat Sekolah Dasar
2. Fasilitas
Perumahan
Persentase rumah tangga yang menggunakan air minum
yang tidak berasal dari air mineral, air PAM, pompa air,
sumur atau mata air terlindung
Persentase penduduk yang menempati rumah sehat (luas
lantai per kapita yang ditempati minimal 8 m2, Depkes)
3. Fasilitas
Perumahan
Persentase penduduk yang bekerja di sektor pertanian
Persentase penduduk yang bekerja di sektor non pertanian
Persentase penduduk yang bekerja di sektor formal
Persentase penduduk yang bekerja di sektor informal
Tabel.1 Peubah-peubah dalam penelitian

3.2 METODE PENELITIAN


Metode penelitian yang digunakan diuraikan dalam langkah-langkah

penelitian sebagai berikut :

1. Melakukan eksplorasi data

2. Menyusun model regresi klasik dan memenuhi asumsi-asumsinya

3. Menguji pengaruh awal spasial dalam data

a. Menyusun matriks pembobot spasial ( ) dengan metode ratu catur

(Queen Continguity)

27
b. Menyusun plot pencaran Moran (Moran scatter plot) sebagai eksplorasi

visual untuk mendeteksi pengaruh spasial pada data dan disertai

dengan pengujian nilai Indeks Moran

4. Menambahkan noise pada data persentase penduduk miskin untuk

menghasilkan k buah data persentase penduduk miskin baru.

5. Melakukan analisis regresi spasial

a. Melakukan uji Breusch-Pagan untuk mengetahui adanya keragaman

spasial

b. Melakukan pengujian Lagrange Multiplier (LM) untuk pengecekan

autoregresi spasial dan autokorelasi galat spasial

c. Menyusun model regresi spasial : SAR, SEM, dan GSM

d. Mengukur kebaikan model regresi spasial dengan R-Square.

6. Mengulangi langkah ke-5 sebanyak k buah data persentase penduduk

miskin yang baru.

7. Menyusun model ensemble yang merupakan gabungan dari k buah model

regresi spasial dengan menghitung rata-rata koefisien dari model tersebut.

8. Membandingkan nilai RSME dari model regresi spasial dan model regresi

spasial teknik ensemble nonhybrid.

9. Menarik kesimpulan.

28
DAFTAR PUSTAKA

Anselin, L. 1988. Spatial Econometrics: Methods and Models. Kluwer Academic


Publishers. Netherlands.

Arisanti, R. 2010. Model regresi spasial untuk deteksi faktor-faktor kemiskinan di


Provinsi Jawa Timur [tesis]. Program Pascasarjana-IPB, Bogor.

Badan Perencanaan Pembangunan Nasional. 2014. Bab.16. Penanggulangan


Kemiskinan. http://old.bappenas.go.id/get-file-server/node/161/. Diakses
pada tanggal 23 Maret 2016.

Badan Pusat Statistik (BPS). 2015. Profil Kemiskinan di Indonesia Maret 2015.
Berita Resmi Statistik No.86/09/Th.XVIII, 15 September 2015. Jakarta.
BPS.

Badan Pusat Statistik Provinsi Jawa Barat (BPS). 2015. Profil Kemiskinan di
Provinsi Jawa Barat September 2015. Berita Resmi Statistik
No.04/01/32/Th.XVIII, 4 Januari 2016. Bandung. BPS Jawa Barat.

DeBock, KW., Coussement, K., dan Poel, V.P. 2010. Ensemble Classification
based on General Additive Models. Computational Statistics & Data
Analysis 54(6): 1535-1546.

Dubin, R. 2009. Spatial Weight. Fotheringham AS, PA Rogersen, editor,


Handbook of Spatial Analysis. Sage Publication, London.

Effendi, M. 2012. Teori dan Pemodelan Sistem. Fakultas Teknologi Pertanian-


Universitas Brawijaya, Malang.

Fotheringham, A.S., Brundson, C., dan Charlthon, M. 2002. Geographically


Weighted regressions: The Analysis of Spatially Varying Relationships.
John Wiley and Sons, Ltd. UK.

Friedman, J.H., dan Popescu, B.E. 2008. Predictive learning via rule ensemble.
The Annals of Applied Statistics 2(3): 916-954.

Griffith, D.A. 2000. A linear regression solution to the spatial autocorrelation


problem. Journal of Geographical System 2, 141-156.

Griffith, D.A. 2007. Methods : Spatial autocorrelation problem. University of Texas


at Dallas, Texas, USA. http://www.utdallas.edu/~dag054000/Taiwan
lectures/background%20readings/IEHG-2007.pdf. Diakses pada tanggal 23
Maret 2016.

29
Kutner, M.H., Nachtsheim, C.J., dan Neter, J. 2004. Applied Linear Regression
Models. Fourth Ed. The McGraw-Hill Companies, Inc. New York.

Lee, J., dan Wong, S.W.D. 2001. Statistical analysis with arcview GIS. John
Wiley and Sons, United Stated of America (US).

LeSage, J.P. 1997. Bayesian estimation of spatial autoregressive models.


International Regional Science Review, 20, nos 1 dan 2, pp 113-129.

McMillen, D.P. 1992. Probit with spatial autocorrelation. Journal of Regional


Science, 32, No.3, pp, 335-348.

Meliyana R, S.M. 2015. Ensemble hybrid terboboti pada model autokorelasi


spasial untuk memprediksi indeks pembangunan manusia di Pulau Jawa
[tesis]. Program Pascasarjana-IPB, Bogor.

Pace, R.K., dan Barry, R. 1997. Spare Spatial Autoregression. Statist. & Probab.
Letters 33: 291-297.

Philip, A.P. 2010. Notes on Spatial Econometrics Model. National Oceanic and
Atmospheric Administration, Washington, DC.

Pisati, M. 2012. Spatial Data Analysis in Stata an overview. Department of


Sociology and Social Research-University of Milano-Bicocca, Italy.

Qudratullah, M.F. 2013. Analisis Regresi Terapan : teori, contoh kasus dan
aplikasi. Penerbit Andi, Yogyakarta.

Ravallion, M. 1998. Poverty lines in theory and practice. Living standars


measurement study working paper no.133, World Bank.

Rohmawati, N. 2015. Aplikasi analisis regresi spasial ensemble pada data


kemiskinan di Pulau Jawa [tesis]. Program Pascasarjana-IPB, Bogor.

Saefuddin, A., Notodiputro, K.A., Alamudi, A., dan Sadik, K. 2009. Statistika
Dasar. PT. Grasindo, Jakarta.

Sembiring, R.K. 2003. Analisis Regresi. Edisi Kedua. Penerbit ITB, Bandung.

Sen, A. 1999. Development as Freedom. New York.

Supardi dan Nurmanaf, A.R. 2004. Pendapatan dan pengeluaran rumah tangga
pedesaan dan kaitannya dengan tingkat kemiskinan. Pusat Analisis Sosial
Ekonomi dan Kebijakan Pertanian, Bogor.

30
Wall, M.M. 2004. A close look at the spatial structure implied by the CAR and
SAR models. Journal of Statistical Planning an Inference 121:311-324.

Walpole, R.E., dan Myers R.H. 1995. Ilmu peluang dan statistika untuk insinyur
dan ilmuwan. Terjemahan Bambang Sumantri, Edisi ke-4. Penerbit ITB,
Bandung.

Wibisono, Y. 2015. Metode Statistik. Edisi Ketiga. Gadjah Mada University Press,
Yogyakarta.

World Bank Institute. 2005. Introduction to Poverty Analysis: Poverty Manual.


World Bank Institute.

Wu Z., dan Huang N.E. 2005. Ensemble empirical mode decomposition: a noise
assisted data analysis method. Advance in Adaptive Data Analysis.
1(1):1-41.

Zaier, I., Shu C, Quarda, T.B.M.J., Sidou, O., dan Chebana, F. 2010. Estimation
of ice thickness on lakes using artificial neural network ensembles.
Journal of Hydrology, (383), pp. 330-340.

Zhou, Z.H. 2012. Ensemble methods foundation and algorithms. CRC Press,
Cambridge (UK).

Zhu, M. 2008. Kernel and ensemble: Perspectives on statistical learning. The


American Statistician 62 (2): 97-101.

31