Anda di halaman 1dari 30

PEMODELAN KEPADATAN PENDUDUK MENGGUNAKAN

GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)


(STUDI KASUS: KEPADATAN PENDUDUK DI INDONESIA TAHUN 2017)

OLEH:

KELOMPOK 1

AHMAD AKBAR H121 13 004

WIDYA NAULI AMALIA PUTERI H121 16 001

MAR’ATUL WILDANI SUDARMIN H121 16 003

BUNGA APRILIA H121 16 020

FAJAR AFFAN H121 16 308

PROGRAM STUDI STATISTIKA

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS HASANUDDIN

2019
KATA PENGANTAR

Puji dan syukur kami panjatkan kehadirat Allah SWT karena atas segala rahmat dan
hidayah-Nya sehingga tugas ini dapat diselesaikan tepat pada waktunya guna memenuhi
salah satu tugas mata kuliah Analisis Data Spasial. Salam dan Shalawat juga kita haturkan
kepada junjungan kita Baginda Rasulullah SAW.
Selama penyusunan tugas ini, banyak pihak yang telah membantu dalam penyusunan.
Tanpa bantuan dari berbagai pihak tersebut, tidak mungkin kami dapat menyelesaikan tugas
ini. Untuk itu kami mengucapkan terima kasih kepada Allah SWT atas karunia-Nya yang tak
terhitung jumlahnya.
Dalam penyusunan tugas ini, kami menyadari bahwa terdapat kekurangan baik dari
segi fisik laporan ataupun sistematika penulisannya. Oleh karena itu, kami mengharapkan
bimbingan baik berupa kritik dan saran yang sifatnya membangun dari semua kalangan.
Akhir kata, semoga tugas ini bermanfaat bagi mahasiswa, khususnya Mahasiswa Fakultas
Matematika dan Ilmu Pengetahuan Alam, Perguruan tinggi dan Lembaga/Institusi maupun
masyarakat luas pada umumnya.

Makassar, 1 Mei 2019

Penyusun

ii
DAFTAR ISI

KATA PENGANTAR ............................................................................................................................ ii


DAFTAR ISI.......................................................................................................................................... iii
BAB I PENDAHULUAN ....................................................................................................................... 1
1.1 Latar Belakang ........................................................................................................................ 1
1.2 Rumusan Masalah ................................................................................................................... 1
1.3 Tujuan Penulisan ..................................................................................................................... 1
BAB II TINJAUAN PUSTAKA ............................................................................................................ 2
2.1 Data Spasial ............................................................................................................................ 2
2.2 Pola Spasial ............................................................................................................................. 2
2.3 Analisis Regresi ...................................................................................................................... 3
2.4 Uji Asumsi .............................................................................................................................. 4
2.5 Diagnostic Checking ............................................................................................................... 5
BAB III METODOLOGI ...................................................................................................................... 12
3.1 Data ....................................................................................................................................... 12
3.2 Variabel Penelitian ................................................................................................................ 12
3.3 Metode Analisis Data ............................................................................................................ 12
BAB IV HASIL DAN PEMBAHASAN .............................................................................................. 14
4.1 Eksplorasi Data ..................................................................................................................... 14
4.2 Analisis Regresi Linier Berganda ......................................................................................... 14
4.2.1 Model Analisis Regresi Linier Berganda ...................................................................... 14
4.3 Uji Asumsi ............................................................................................................................ 14
4.3.1 Uji Normalitas ............................................................................................................... 15
4.3.2 Uji Multikolinieritas ...................................................................................................... 15
4.3.3 Uji Heteroskedastisitas .................................................................................................. 15
4.4 Uji Simultan ................................................................................... Error! Bookmark not defined.
4.5 Uji Parsial.................................................................................................................................... 17
4.6 Pemodelan Geographically Weighted Regression ............................. Error! Bookmark not defined.
4.5 Pengujian Kesesuaian Model .......................................................................................................... 19
4.5 Perbandingan Model Regresi Linier Berganda dan Model GWR................................................... 20
4.6 Faktor-Faktor Signifikan Setiap Wilayah ....................................................................................... 21

iii
DAFTAR TABEL

Tabel 1. Analisis Varians (ANAVA) ...................................................................................................... 6


Tabel 2. Hasil Uji Multikoinieritas ....................................................................................................... 15

iv
v
BAB I
PENDAHULUAN

1.1 Latar Belakang

1.2 Rumusan Masalah

1.3 Tujuan Penulisan

1
BAB II
TINJAUAN PUSTAKA

2.1 Data Spasial


Data spasial merupakan data yang berorientasi geografis yang memiliki sistem
koordinat tertentu sebagai dasar referensinya, sehingga dapat disajikan di dalam sebuah peta.
Kata spasial berasal dari kata space yang berarti ruang. Data spasial merupakan data yang
dikumpulkan dari lokasi spasial berbeda dan memiliki sifat ketergantungan antara
pengukuran data dengan lokasi. Data spasial diasumsikan berdistribusi normal dan memilki
hubungan secara spasial untuk dapat dianalisis secara spasial. Data spasial dapat diperoleh
dari berbagai disiplin ilmu seperti, ilmu sosial, lingkungan dan ekonomi (Arumsari, 2011).
Data spasial memiliki dua bagian penting yang membuatnya berbeda dengan data
lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (atribut). Informasi lokasi
(spasial), berkaitan dengan suatu koordinat, baik koordinat geografis (lintang dan bujur) atau
kooordinat XYZ, termasuk di antaranya informasi datum dan proyeksi. Informasi lokasi atau
geometri milik suatu objek spasial dapat dimasukkan ke dalam beberapa bentuk seperti titik
(dimensi nol-point), garis (satu dimensi-line atau polyline), polygon (dua dimensi-area), dan
permukaan (3D). Sedangkan informasi deskriptif (atribut) merupakan informasi nonspasial suatu
lokasi yang memiliki beberapa keterangan yang berkaitan dengannya, seperti jenis vegetasi,
tingkat kemiskinan, populasi, luasan, dan parameter lainnya. Data nonspasial dapat disajikan
dalam beberapa bentuk sepertu format tabel, format laporan, format pengukuran, ataupun format
grafik (Prahasta, 2009).

2.2 Pola Spasial


Menurut Lee dan Wong (2001), pola spasial adalah sesuatu yang berhubungan dengan
penempatan atau susunan benda-benda di permukaan bumi. Setiap perubahan pola spasial
akan mengilustrasikan proses spasial yang ditunjukkan oleh faktor lingkungan atau budaya.
Pola spasial menjelaskan tentang bagaimana fenomena geografis terdistribusi dan bagaimana
perbandingan dengan fenomena-fenomena lainnya. Dalam hal ini, spasial statistik merupakan
alat yang banyak digunakan untuk mendeskripsikan dan menganalisis pola spasial, yaitu
bagaimana objek-objek geografis terjadi dan berubah di suatu lokasi.
Pola spasial dapat ditunjukkan dengan autokorelasi spasial. Autokorelasi spasial
adalah penilaian korelasi antar pengamatan pada suatu variabel. Jika pengamatan x1, x2, …, xn
menunjukkan saling ketergantungan terhadap ruang, data tersebut dikatakan terautokorelasi
secara spasial. Sehingga autokorelasi spasial digunakan untuk menganalisis pola spasial dari
penyebaran titik-titik dengan membedakan lokasi dan atributnya atau variabel tertentu.
Terdapat beberapa konsep dasar di dalam pola spasial, diantaranya :
a. Matriks pembobot, yaitu merupakan matriks pembobot spasial W merupakan matriks
yang elemennya adalah nilai pembobot yang diberikan antar daerah. Pembobot yang
diberikan pada suatu daerah tergantung pada kedekatan antar daerah. Matriks
pembobot spasial pada dasarnya merupakan martiks contiguity yang distandardisasi
(Lesage, 1999).

2
b. Bandwdith adalah ukuran jarak fungsi pembobot dan sejauh mana pengaruh lokasi
terhadap lokasi lain. (Fotheringham, Brunsdon, dan Charlton, 2002).
c. Cross validation merupakan metode yang dapat digunakan untuk mendapatkan model
kurva regresi terbaik. Cross validation dapat mengestimasi prediksi error dari sebuah
model ( Fotheringham, Brunsdon, dan Charlton. 2002).
d. Jarak euclidean, yaitu jarak yang diukur berdasarkan euclidean (jarak dari satu obyek
ke obyek lain) atau berdasarkan usaha yang diperlukan untuk mencapai satu titik dari
titik lain.

2.3 Analisis Regresi


Analisis regresi adalah suatu metode analisis statistik yang digunakan untuk melihat
pengaruh antara dua atau lebih variabel. Pada analisis regresi, variabel dibedakan menjadi
dua bagian, yaitu variabel respon (dependent variable) dan variabel prediktor (independent
variable). Analisis regresi terbagi menjadi beberapa jenis, dua diantaranya yaitu regresi linier
sederhana dan regresi linier berganda. Berikut adalah bentuk persamaan umum dari regresi
linier sederhana (Algifari, 2000).
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝜀 (2.1)
dimana:
𝑦 : variabel respon
𝛽0 : konstanta
𝛽1 : nilai koefisien dari variabel prediktor
𝑥1 : variabel prediktor
𝜀 : galat (error) yang diasumsikan identik, independen, dan berdistribusi normal dengan
mean nol dan varians 𝜎2.
Sementara apabila penelitian ingin mengetahui seberapa besar hubungan dan atau
pengaruh dua atau lebih variabel prediktor terhadap variabel respon maka model regresi yang
digunakan, yaitu model regresi linier berganda (Multiple Linier Regression Model). Berikut
adalah persamaan umum regresi linier berganda (Walpole and Myers, 1995).
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑘 𝑥𝑖𝑘 + 𝜀𝑖 (2.2)
dimana :
𝑦𝑖 : variabel respon pada pengamatan ke − 𝑖 (𝑖 = 1,2, . . . , 𝑛)
𝛽0 : konstanta
𝛽𝑗 : koefisien regresi ke – 𝑗 (𝑗 = 1,2, … , 𝑘)
𝑋𝑖𝑗 : variabel prediktor ke – 𝑗 pada pengamatan ke − 𝑖 (𝑖 = 1,2, . . . , 𝑛)
𝜀𝑖 : galat (error) yang diasumsikan identik, independen, dan berdistribusi normal dengan
mean nol dan varians 𝜎2.
Model regresi linier sederhana dan model regresi linier berganda dapat diperoleh
dengan terlebih dahulu menentukan nilai estimasi terhadap parameter-parameternya dengan
menggunakan beberapa metode, seperti metode kuadrat terkecil (Ordinary Least
Square/OLS) ataupun metode kemungkinan maksimum (Maximum Likelihood
Estimation/MLE) (Setiani, 2015).

3
2.4 Uji Asumsi Klasik
Apabila dalam analisis regresi tidak didasarkan pada asumsi residual, akan
mengakibatkan hasil pendugaan regresi tidak sesuai. Asumsi residual dalam model regresi
harus memenuhi kriteria identik, independen, dan berdistribusi normal (Algifari, 2000).
Pemodelan regresi klasik dengan Ordinary Least Square (OLS) sangat ketat terhadap
beberapa asumsi. Untuk melakukan analisis regresi diperlukan asumsi-asumi residual yang
harus dipenuhi di antaranya adalah :
1. Uji Normalitas
Uji normalitas dilakukan sebelum data diolah berdasarkan model-model penelitian
yang diajukan. Uji normalitas bertujuan untuk mendeteksi distribusi data dalam suatu
variabel yang akan digunakan dalam penelitian. Data yang baik dan layak untuk
membuktikan model-model penelitian tersebut adalah data yang memiliki distribusi
normal. Jika asumsi kenormalan tidak terpenuhi, estimasi OLS tidak dapat digunakan.
Ada bermacam-macam cara untuk mendeteksi normalitas distribusi data, salah satunya
menggunakan uji Kolmogorov-Smirnov.
a. Hipotesis untuk uji Kolmogorov-Smirnov adalah sebagai berikut :
𝐻0 : residual berdistribusi normal
𝐻1 : residual tidak berdistribusi normal
b. Statistik Uji
𝐷 = |𝑆(𝑥) − 𝐹0 (𝑥)| (2.3)
dengan :
𝐹0 (𝑥) : fungsi distribusi kumulatif teoritis
𝑆(𝑥) : fungsi distribusi kumulatif sampel
Pengambilan keputusan adalah tolak 𝐻0 jika |𝐷| > 𝑞(1 − 𝛼), dimana q adalah nilai
berdasarkan tabel Kolmogorov-Smirnov, artinya residual tidak berdistribusi normal
dan asumsi normal tidak terpenuhi. Pengambilan keputusan juga dapat dilihat dari
nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒, tolak 𝐻0 jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
2. Uji Multikolinieritas
Asumsi Multikolinearitas adalah asumsi yang menunjukkan adanya hubungan linier
yang kuat antara beberapa variabel prediktor dalam suatu model regresi linier berganda.
Model regresi yang baik memiliki variabel-variabel prediktor yang independen atau tidak
berkorelasi. Pada pengujian asumsi ini, diharapkan asumsi multikolinieritas tidak
terpenuhi. Penyebab terjadinya kasus multikolinieritas adalah terdapat korelasi atau
hubungan linier yang kuat diantara beberapa variabel prediktor yang diasumsikan ke
dalam model regresi, seperti variabel-variabel ekonomi yang kebanyakan terkait satu
dengan yang lain (intercorrelation). Ada beberapa cara untuk mendeteksi
multikolinieritas dalam model regresi linier, salah satunya melalui nilai Variance
Inflation Factor (VIF) (Rosadi, 2011). Nilai VIF didefinisikan sebagai berikut:
1
𝑉𝐼𝐹 = 1−𝑅2 (2.4)
𝑗

Dimana 𝑗 = 1, 2, … , 𝑘 dan 𝑘 merupakan banyaknya variabel prediktor, sedangkan


𝑅𝑗2merupakan koefisien determinasi yang dihasilkan dari regresi variabel prediktor 𝑥𝑗
dengan variabel prediktor lain. Hipotesis nol (𝐻0 ) menyatakan bahwa tidak terjadi

4
multikolinearitas dan kriteria keputusan gagal tolak 𝐻0 jika nilai 𝑉𝐼𝐹 < 10 yang artinya
tidak terdapat multikolinearitas.
3. Uji Heteroskedastisitas
Salah satu statistik uji yang dapat digunakan untuk menguji apakah ragam dari error
bersifat heteroskedastisitas atau tidak adalah Breusch-Pagan Test. Menurut Kutner, dkk
(2004), uji ini mengasumsikan bahwa komponen error adalah independen dan tersebar
normal. Hipotesisnya adalah sebagai berikut:
H0 : Tidak terjadi masalah heteroskedastisitas
H1 : Terjadi masalah heteroskedastisitas
Adapun statistik uji Breusch-Pagan sebagai berikut:
1
𝐵𝑃 = 2 (∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 )′ (∑𝑛𝑖=1 𝑥𝑖 𝑥𝑖 ′ )(∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 ) (2.5)
𝜀𝑖2 𝜀𝑖2
Dengan 𝑓𝑖 = ( − 1), 𝜀𝑖 = (𝑦𝑖 − 𝑦̂𝑖 ) dan 𝜎 2 = ∑𝑛𝑖=1 𝑛
𝜎2
2
Uji ini menyebar 𝒳𝑘−1 , dimana 𝑘 adalah banyaknya parameter regresi. Kriteria
pengujiannya sebagai berikut:
2
≤ 𝒳𝑘−1 , 𝑡𝑒𝑟𝑖𝑚𝑎 𝐻0
𝐵𝑃 = { 2
≥ 𝒳𝑘−1 , 𝑡𝑜𝑙𝑎𝑘 𝐻0
Pengambilan keputusan juga dapat dilihat dari nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒, tolak 𝐻0 jika 𝑝 −
𝑣𝑎𝑙𝑢𝑒 < 𝛼.
4. Uji Autokorelasi
Asumsi yang menyatakan bahwa antara serangkaian observasi yang diurutkan
menurut waktu tidak terjadi autokorelasi atau adanya kebebasan antar galat, dapat
dideteksi dengan pengujian empiris, yaitu uji Durbin-Watson dengan hipotesis sebagai
berikut:
𝐻0 : tidak terdapat autokorelasi antar galat
𝐻1 : terdapat autokorelasi antar galat
Tahapan pengujian Durbin-Watson, yaitu :
a. Mengestimasi model regresi dengan metode kuadrat terkecil untuk mendapat nilai
𝑒̂𝑖 , dimana 𝑒̂𝑖 = 𝑦𝑖 − 𝑦̂𝑖 .
b. Mencari nilai d yang dinyatakan dengan rumus:
∑𝑛
𝑖=2(𝑒̂ 𝑖 −𝑒̂ 𝑖−1 )
2
𝑑= ∑𝑛 2 (2.6)
𝑖=2 𝑒̂ 𝑖
c. Untuk ukuran sampel dan banyaknya variabel tertentu dapat dilihat pada tabel
Durbin-Watson (DW) mengenai pasangan nilai kritis.
d. Kriteria keputusan dalam uji DW adalah:
1) Jika 𝑑 < 𝑑𝐿 atau 𝑑 > 4 − 𝑑𝐿 , maka 𝐻0 ditolak yang artinya terjadi autokorelasi.
2) Jika 𝑑𝑈 < 𝑑 < 4 − 𝑑𝑈 , maka 𝐻0 gagal ditolak yang artinya tidak terjadi
autokorelasi.
3) Jika 𝑑𝐿 ≤ 𝑑 ≤ 𝑑𝑈 atau 4 − 𝑑𝑈 ≤ 𝑑 ≤ 4 − 𝑑𝐿 , maka tidak ada keputusan.

2.5 Diagnostic Checking


Untuk keperluan pengujian kelayakan model pada analisis regresi berganda dilakukan
uji serentak dan uji parsial (Algifari, 2000).

5
1. Uji Serentak (Uji Simultan)
Uji F-statistik ini dilakukan untuk menguji signifikansi pengaruh dari semua
variabel prediktor secara keseluruhan terhadap variabel respon.
a. Hipotesis
𝐻0 ∶ 𝛽1 = 𝛽2 = … = 𝛽𝑝 = 0 (tidak ada pengaruh variabel prediktor terhadap
variabel respon)
𝐻1 ∶ 𝛽𝑘 ≠ 0, 𝑘 = 1,2,3, … , 𝑝 (minimal ada satu pengaruh variabel prediktor
terhadap variabel respon)
b. Statistik Uji
𝐽𝐾𝑅 ⁄𝑝
𝐹ℎ𝑖𝑡 = 𝐽𝐾𝐺 ⁄(𝑛−𝑝−1) (2.7)
dengan:
𝐾 : banyaknya variabel bebas yang digunkanan dalam penelitian 𝑌̂𝑌̅.
𝑛
2
𝐽𝐾𝑅 = ∑(𝑌̂𝑖 − 𝑌̂)
𝑖=1
𝑛
2
𝐽𝐾𝐺 = ∑(𝑌𝑖 − 𝑌̂𝑖 )
𝑖=1
𝑛

𝐽𝐾𝑇 = ∑(𝑌𝑖 − 𝑌̅)2


𝑖=1
c. Daerah Kritis
Pada tingkat kepercayaan (1 − 𝛼) × 100%, 𝐻0 ditolak bila 𝐹ℎ𝑖𝑡 > 𝐹(𝑘;(𝑛−𝑘−1);𝛼)
atau 𝐹ℎ𝑖𝑡 > 𝐹𝑡𝑎𝑏𝑒𝑙 .
Tabel 1. Analisis Varians (ANAVA)
Jumlah
Sumber Kuadrat Rata-
𝒅𝒃 Kuadrat 𝑭𝒉𝒊𝒕 𝑭𝒕𝒂𝒃𝒆𝒍
Variasi rata (KR)
(JK)
Regresi 𝑝 JKR 𝐽𝐾𝑅 ⁄𝑝 𝐽𝐾𝐺 ⁄(𝑛 − 𝑝 − 1) 𝐹(𝑝;𝑛−𝑝−1);𝛼
Galat 𝑛−𝑝−1 JKG 𝐽𝐾𝐺 ⁄(𝑛 − 𝑝 − 1)
Total 𝑛−1 JKT

2. Uji t (Uji Parsial)


Uji t digunakan untuk membuktikan signifikansi seberapa jauh pengaruh variabel-
variabel prediktor terhadap variabel respon secara parsial.
a. Hipotesis
𝐻0 ∶ 𝛽𝑘 = 0 (koefisien regresi ke-k tidak signifikan atau variabel prediktor ke-k
tidak berpengaruh nyata terhadap variabel respon)
𝐻1 ∶ 𝛽𝑘 ≠ 0 (𝑘 = 0, 1, 2, … , 𝑝) (koefisien regresi ke-k signifikan atau variabel
prediktor ke-k berpengaruh nyata terhadap variabel respon)
b. Statistik Uji
𝛽𝑘
𝑡ℎ𝑖𝑡 = 𝑠 (2.8)
(𝛽𝑘 )

𝑠(𝛽𝑘) = √𝑐(𝑝+1) 𝑠 (2.9)

6
dengan:
𝛽𝑘 : nilai koefisien pada pengamatan ke-k ; 𝑘 = 0, 1, 2, … , 𝑝
𝑠(𝛽𝑘) : standar error koefisien pada pengamatan ke-k, 𝑘 = 0, 1, 2, … , 𝑝
−1
√𝑐(𝑝+1) 𝑠 : unsur ke (𝑝 + 1) diagonal (𝑥𝑥)
𝑠 : akar dari kuadrat rata-rata galat
c. Daerah Kritis
Tolak 𝐻0 jika 𝑡ℎ𝑖𝑡 > 𝑡((𝑛−𝑝−1);𝛼⁄2)

2.6 Geographically Weighted Regression (GWR)


GWR merupakan pengembangan dari regresi linear (OLS) menjadi model regresi
terboboti dengan memperhatikan efek spasial, sehingga menghasikan penduga parameter
yang hanya dapat digunakan untuk memprediksi setiap titik atau lokasi di mana data tersebut
diamati dan disimpulkan. Model GWR merupakan suatu model yang memperhatikan faktor
geografis sebagai variabel bebas yang mempengaruhi variabel respon. Asumsi yang
digunakan pada model GWR adalah error berdistribusi normal dengan mean nol dan variansi
(𝜎 2 ). Menurut (Menis, 2006) pada model GWR hubungan variabel respon y dan variabel
prediktor 𝑥1 , 𝑥2 , … , 𝑥𝑝 pada lokasi ke-i adalah:
𝑦𝑖 = 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) + ∑𝑝𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑥𝑖𝑘 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛 (2.10)
dengan :
𝑦𝑖 : nilai observasi variabel respon ke-i.
(𝑢𝑖 , 𝑣𝑖 ) : koordinat letak geografis (longitude, latitude) pada lokasi ke-i.
𝑥𝑖𝑘 : nilai observasi variabel prediktor ke-k pada lokasi pengamatan ke-i.
𝛽0 (𝑢𝑖 , 𝑣𝑖 ) : konstanta/intercept pada pengamatan ke-i.
𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) : nilai observasi variabel prediktor ke-k pada lokasi pengamatan ke-i.
𝜀𝑖 : error pada titik lokasi ke-i yang diasumsikan independen, identik dan
berdistribusi normal dengan rata-rata nol dan variansi 𝜎 2 .
Pada model GWR diasumsikan bahwa data observasi yang dekat dengan titik ke-i
mempunyai pengaruh yang besar pada penaksiran dari 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) dari pada data yang berada
jauh dari titik ke-i.
2.6.1 Penaksiran Parameter
Regresi linier merupakan suatu analisis yang bersifat global, berbeda dengan analisis
GWR yang bersifat lokal. Dimana dalam regresi linier semua nilai parameter diasumsikan
sama untuk setiap titik lokasi pengamatan, sehingga bersifat tunggal dan berlaku untuk semua
lokasi. Berbeda dengan GWR, dimana parameter untuk setiap lokasi berbeda dengan lokasi
lainnya sehingga penduga parameter yang dihasilkan banyak sesuai jumlah lokasi yang
digunakan (multivalued statistics). Berikut adalah model dalam GWR yang menghasilkan
pendugaan parameter dengan metode kuadrat terkecil terboboti (Weighted Least Square).
𝛽(𝑢𝑖 , 𝑣𝑖 ) = (𝑥 ′ 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑥)−1 (2.11)
dengan :
𝑤(𝑢𝑖 , 𝑣𝑖 ) = 𝑑𝑖𝑎𝑔[𝑤1 (𝑢𝑖 , 𝑣𝑖 ), 𝑤2 (𝑢𝑖 , 𝑣𝑖 ), … , 𝑤𝑛 (𝑢𝑖 , 𝑣𝑖 )] … (𝑖, 𝑗 = 1,2, … , 𝑛) (2.12)
𝑢𝑖 : matriks diagonal berukuran ( n x n)
n : banyaknya pengamatan

7
(𝑢𝑖 ) merupakan matriks pembobot spasial lokasi ke-i (spatial weighting) yang nilai elemen-
elemen diagonalnya ditentukan oleh kedekatan pengamatan (lokasi) ke-i dengan lokasi
lainnya (lokasi ke-j). Semakin dekat lokasinya semakin besar nilai pembobot pada elemen
yang bersesuaian. Misalkan matriks pembobot pada titik lokasi pengamatan ke-i adalah (𝑢𝑖),
dapat dinyatakan sebagai berikut
𝑤𝑖1 0 ⋯ 0
0 𝑤𝑖2 ⋯ 0
𝑤(𝑢𝑖 , 𝑣𝑖 ) = [ ]
⋮ ⋮ ⋱ ⋮
0 0 0 𝑤𝑖𝑛
dengan :
𝑤(𝑢𝑖 , 𝑣𝑖 ) : Matriks diagonal [ n x n], setiap elemen diagonalnya merupakan pembobot untuk
masing-masing titik lokasi pengamatan (𝑢𝑖 , 𝑣𝑖 ) atau 𝑤𝑖𝑗 .
Penaksiran koefisien regresi pada GWR dilakukan dengan motode kuadrat terkecil
terboboti atau Wighted Least Square (WLS), yaitu metode kuadrat terkecil dengan
memberikan bobot berbeda pada setiap lokasi pengamatan. Pembobot tersebut berupa matriks
diagonal dimana elemen-elemen diagonalnya merupakan sebuah fungsi pembobot dari titik
lokasi pengamatan.
𝑦𝑖 = 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) + ∑𝑝𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑖𝑘 + 𝜀𝑖 (2.13)
𝑝
𝜀𝑖 = 𝑦𝑖 − 𝛽0 + ∑𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑖𝑘 (2.14)
(dikalikan dengan matrik 𝑤𝑖𝑗 )
𝜀 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 ) =
𝑌 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 − 2𝛽 𝑇 (𝑢𝑖 , 𝑣𝑖 )𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 + 𝛽 𝑇 (𝑢𝑖 , 𝑣𝑖 )𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽(𝑢𝑖 , 𝑣𝑖 ) (2.15)
Jumlah kuadrat error akan minimum dengan mendiferensiasikan persamaan terhadap
𝛽 ′ (𝑢𝑖 , 𝑣𝑖 ) seperti berikut ini :
𝜕
𝜀 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝜀 = 0 − 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 + 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) = 0 (2.16)
𝜕𝛽𝑇 (𝑢 ,𝑣 )
𝑖 𝑖
0 − 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 + 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽(𝑢𝑖 , 𝑣𝑖 ) = 0
−2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 + 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽(𝑢𝑖 , 𝑣𝑖 ) = 0
2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 + 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽̂ (𝑢𝑖 , 𝑣𝑖 )
𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 + 2𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) (2.17)
𝑇 (𝑢
Untuk memperoleh nilai koefisien regresi 𝛽 𝑖 , 𝑣𝑖 ), kalikan kedua ruas dari sebelah
𝑇
kiri pada persamaan dengan invers 𝑋 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑥 sehingga:
[𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) = [𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 (2.18)
[𝑋 𝑇 (𝑢 )] −1 𝑇 )𝑋
Dari persamaan di atas dengan 𝑖 , 𝑣𝑖 𝑋 𝑤(𝑢𝑖 , 𝑣𝑖 = 1, diperoleh :
𝑇 −1 𝑇
𝐼𝛽(𝑢𝑖 , 𝑣𝑖 ) = [𝑋 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋] 𝑋 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 (2.19)
atau
𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) = [𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 (2.20)
𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) merupakan penaksiran yang bersifat tak bias, efisien dan konsisten bagian
𝛽(𝑢𝑖 , 𝑣𝑖 ). Misalkan 𝑥𝑖𝑇 = (1, 𝑥𝑖1 , 𝑥𝑖2 , … , 𝑥𝑖𝑝 ) adalah elemen baris ke-1 dari matriks x, nilai
taksiran Y pada titik lokasi pengamatan (𝑢𝑖 , 𝑣𝑖 ) adalah :
𝑌̂𝑖 = 𝑥𝑖𝑇 𝛽̂ (𝑢𝑖 , 𝑣𝑖 )
𝑌̂𝑖 = 𝑥𝑖𝑇 [𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑌 (2.21)

8
Misalkan 𝑥𝑖′ [𝑋 ′ (𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 ′ 𝑤(𝑢𝑖 , 𝑣𝑖 ) adalah elemen ke-I dari matriks 𝑆𝐼 , sehingga
nilai matriks Y untuk n buah pengamatan menjadi;
𝑌̂𝑖 = 𝑆𝑖 𝑌 (2.22)
dengan nilai 𝑆𝑖 adalah :
𝑥1 [𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )
[𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )
𝑆𝑖 = 𝑥2 (2.23)

[ 𝑥𝑖 [𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑤(𝑢𝑖 , 𝑣𝑖 )]

2.6.2 Bandwdith
Bandwidth adalah ukuran jarak fungsi pembobot dan sejauh mana pengaruh lokasi
terhadap lokasi lain. Secara teoritis bandwidth merupakan lingkaran dengan radius b dari titik
pusat lokasi, dimana digunakan sebagai dasar menentukan bobot setiap pengamatan terhadap
model regresi pada lokasi tersebut. Untuk pengamatan-pengamatan yang terletak dekat
dengan lokasi i maka akan lebih berpengaruh dalam membentuk parameter model pada
lokasi-𝑖.
Untuk mendapatkan bandwidth optimum, dapat dilakukan dengan menghitung cross
validation (CV). Jika nilai CV semakin kecil, maka didapatkan bandwidth yang optimum
dengan menggunakan rumus sebagai berikut:
𝐶𝑉 = ∑𝑛𝑖=1[𝑦𝑖 − 𝑦̂≠𝑖 (𝑏)]2 (3.37)
Dengan :
𝑖 = lokasi ke-i
𝑏 = bandwidth
𝑦̂≠𝑖 (𝑏) = nilai prediksi dari model regresi tanpa pengamatan ke-𝑖
Proses untuk mendapatkan bandwidth yang meminimumkan nilai CV bisa dilakukan
dengan menggunakan teknik Golden Section Search. Proses ini dilakukan dengan
mengevaluasi fungsi dengan tiga nilai yang berbeda misalnya a, b dan c dimana a < b < c, a
merupakan batas bawah nilai bandwidth yang mungkin dan c merupakan batas atas nilai
bandwidth yang mungkin. Nilai a diperoleh dari nilai minimum 𝑑𝑖𝑗 sedangkan c diperoleh
dari nilai maksimum 𝑑𝑖𝑗 . Nilai fungsi yang dihasilkan pada tiga titik tersebut adalah f(a), f(b)
dan f(c), yang disebut juga sebagai triplet. Fungsi tersebut dievaluasi lagi pada suatu nilai
baru d yang bisa ditentukan di antara a dan b atau b dan c, sehingga menghasilkan nilai fungsi
baru, yaitu f(d). Kemudian buang salah satu dari nilai a atau c untuk membentuk triplet baru.
Aturan yang digunakan pada teknik Golden Section Search adalah:
Jika f(b) < f(d) : triplet baru yang digunakan adalah a < b < d
Jika f(b) > f(d) : triplet baru yang digunakan adalah b < d < c
Proses tersebut berulang sampai dengan dua nilai f(d) yang dihasilkan mendekati
sama atau selisihnya lebih kecil daripada suatu nlai yang dibentukan misal 1 × 10−6 , atau
sampai suatu nilai interasi maksimum yang diperoleh (Caraka dan Yasin, 2017).

2.6.3 Pembobot Model GWR


Pembobot pada model GWR memiliki peran yang sangat penting karena nilai
pembobot mewakili letak data observasi satu dengan lainnya. Pembobotan pada GWR dapat

9
menggunakan beberapa metode yang berbeda. Terdapat beberapa literatur untuk menentukan
besarnya pembobot untuk masing-masing lokasi yang berbeda pada model GWR, diantaranya
dengan menggunakan fungsi kernel (kernel function). Fungsi kernel digunakan untuk
menduga parameter dalam model GWR jika fungsi jarak adalah fungsi yang kontinu dan
monoton turun (Chasco et al., 2007). Pembobot yang terbentuk dengan menggunakan fungsi
kernel adalah fungsi jarak Gaussian, fungsi Exponential, fungsi Bisquare, dan fungsi kernel
Tricube. Masing-masing fungsi pembobot dapat ditulis sebagai berikut:
1. Fungsi Kernel Gauss
Bentuk fungsi kernel gauss adalah
1 𝑑
𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = 𝑒𝑥𝑝 (− 2 ( 𝑏𝑖𝑗 )2 ) (2.24)
Fungsi kernel gauss akan memberi bobot yang akan semakin menurun mengikuti
fungsi gaussian ketika 𝑑𝑖𝑗 semakin besar.
2. Fungsi Kernel Exponensial
𝑑 2
𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = √𝑒𝑥𝑝 (− ( 𝑏𝑖𝑗 ) ) (2.25)
3. Fungsi Kernel Bi-square
Fungsi tersebut dapat dinotasikan sebagai berikut:
2 2
𝑑𝑖𝑗
[1 − ] , 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 < 𝑏
𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { 𝑏 (2.26)
0, 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 ≥ 𝑏,
Fungsi kernel bi-square akan memberi bobot nol ketika lokasi j berada pada atau
diluar radius b dari lokasi i, sedangkan apabila lokasi j berada di dalam radius b maka
akan mendapat bobot yang mengikuti fungsi kernel bi-square.
4. Fungsi Kernel Tricube
𝑑 2 2
(1 − ( 𝑏𝑖𝑗 ) ) , 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 < 𝑏
𝑤𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { (2.27)
0 , 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 ≥ 𝑏,
2 2
dengan 𝑑𝑖𝑗 = √(𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) (2.28)
adalah jarak euclidean antara lokasi (𝑢𝑖 , 𝑣𝑖 ) ke lokasi (𝑢𝑗 , 𝑣𝑗 ) dan b adalah parameter
non negative yang diketahui dan biasanya disebut parameter peghalus (bandwidth).

2.6.4 Pengujian Kesesuaian Model (Goodness of Fit)


Pengujian ini dilakukan dengan hipotesis sebagai berikut:
𝐻0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽𝑘 , 𝑘 = 1,2, … , 𝑝; 𝑖 = 1,2, . . , 𝑛 (tidak ada perbedaan yang signifikan
antara model regresi global dan GWR)
𝐻1 : paling sedikit ada salah satu 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 𝛽𝑘 , 𝑘 = 1,2, … , 𝑝 (ada perbedaan yang
signifikan antara model regresi global dan GWR)
Statistika uji yang digunakan adalah:
𝑆𝑆𝐸(𝐻 )⁄𝑑𝑓
𝐹 ∗ = 𝑆𝑆𝐸(𝐻0 )⁄𝑑𝑓1 (2.29)
1 2
dengan :
𝑆𝑆𝐸(𝐻0 ) = 𝑌 𝑇 (𝐼 − 𝐻)𝑌 dimana 𝐻 = 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇

10
𝑑𝑓1 =𝑛−𝑝−1
𝑆𝑆𝐸(𝐻1 ) = 𝑌 𝑇 (𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)𝑌
𝑑𝑓2 = (𝑛 − 2𝑡𝑟(𝑆) + 𝑡𝑟(𝑆 𝑇 𝑆))
S adalah matriks proyeksi dari model GWR, yaitu matriks yang memproyeksikan nilai
y menjadi 𝑦̂ pada lokasi (𝑢𝑖 , 𝑣𝑖 ) pada rumus (2.23). S adalah matriks 𝑛 × 𝑛 dan I adalah
matriks identitas ordo n.
Jika 𝐹 ∗ lebih besar dari 𝐹𝑡𝑎𝑏𝑒𝑙 , maka diambil keputusan untuk tolak 𝐻0 , dengan kata
lain model GWR mempunyai goodness of fit lebih baik daripada model regresi global. 𝐹 ∗
mengikuti distribusi F dengan derajat bebas 𝑑𝑓1 dan 𝑑𝑓2 . Jika diberikan tingkat signifikansi
sebesar 𝛼, maka diambil keputusan dengan menolak 𝐻0 jika nilai 𝐹 ∗ > 𝐹𝛼;𝑑𝑓1 ,𝑑𝑓2 .

2.6.5 Pengujian Parameter Model


Pengujian parameter model dilakukan dengan menguji parameter secara parsial.
Pengujian ini dilakukan untuk mengetahui parameter mana saja yang signifikan
mempengaruhi variabel respon. Bentuk hipotesisnya adalah sebagai berikut:
𝐻0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0
𝐻1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0 ; 𝑘 = 1,2, … , 𝑝
Penaksiran parameter 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) akan mengikuti distribusi normal dengan rata-rata
𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) dan matriks varian kovarian 𝐺𝐺 𝑇 𝜎 2 sehingga didapatkan:
̂𝑘 (𝑢𝑖 ,𝑣𝑖 )−𝛽𝑘 (𝑢𝑖 ,𝑣𝑖 )
𝛽
~𝑁(0,1) (2.30)
𝜎 √𝑔𝑘𝑘
dengan 𝑔𝑘𝑘 adalah elemen diagonal ke-k dari matriks 𝐺𝐺 𝑇 . Sehingga statistik uji yang
digunakan adalah:
̂𝑘 (𝑢𝑖 ,𝑣𝑖 )
𝛽
𝑡ℎ𝑖𝑡 = ̂ √𝑔𝑘𝑘
(2.31)
𝜎
𝑡ℎ𝑖𝑡 akan mengikuti distribusi t dengan derajat bebas 𝑑𝑓2 . Jika tingkat signifikansi
diberikan sebesar 𝛼, maka diambil keputusan dengan menolak 𝐻0 atau dengan kata lain
parameter 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) signifikan terhadap model jika|𝑡ℎ𝑖𝑡 | > 𝑡𝛼⁄2;𝑑𝑓2 .

11
BAB III
METODOLOGI

3.1 Data
Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh
dari data publikasi Badan Pusat Statistik (BPS) pada buku Statistik Indonesia 2018. Data
tersebut berupa data kepadatan penduduk, jumlah penduduk, laju pertumbuhan penduduk,
migrasi keluar, migrasi masuk, dan luas wilayah. Masing-masing data tersebut merupakan
data dari 34 provinsi yang ada di Indonesia pada tahun 2017.

3.2 Variabel Penelitian


Variabel peneilitian terdiri dari variabel respon dan variabel prediktor. Variabel
respon (𝑦), yaitu kepadatan penduduk. Sedangkan variabel respon terdiri dari lima variabel,
yaitu jumlah penduduk (𝑥1 ), laju pertumbuhan penduduk (𝑥2 ), migrasi keluar (𝑥3 ), migrasi
masuk (𝑥4 ), dan luas wilayah (𝑥5 ).

3.3 Metode Analisis Data


Metode analisis data yang digunakan dalam penelitian ini adalah metode
Geographically Weighted Regression (GWR). Pengolahan data dilakukan dengan
menggunakan software R. 3.5.1. Langkah-langkah yang dilakukan untuk menganalisis data
dalam penelitian ini adalah sebagai berikut :
1. Mendeskripsikan variabel respon dan variabel prediktor (eksplorasi data sekunder).
2. Melakukan estimasi parameter model regresi linier berganda.
3. Melakukan pengujian asumsi data sebagai berikut :
a. Melakukan pengujian normalitas data dengan uji Kolmogorov-Smirnov.
b. Melakukan pengujian multikolinieritas dengan melihat nilai VIF.
c. Melakukan pengujian heteroskedastisitas menggunakan uji Breusch-Pagan.
d. Melakukan pengujian autokorelasi menggunakan uji Durbin-Watson.
4. Melakukan diagnostic checking yang terdiri dari :
a. Pengujian serentak parameter regresi.
b. Pengujian parsial parameter regresi.
5. Menerapkan model Geographically Weighted Regression dengan langkah-langkah
sebagai berikut :
a. Menentukan 𝑢𝑖 dan 𝑣𝑖 berdasarkan garis lintang selatan dan garis bujur timur,
kemudian menentukan jarak euclidean.
b. Menentukan bandwidth menggunaan metode Cross Validation (CV).
c. Menghitung matriks pembobot menggunakan fungsi adaptif gaussian karnel.
d. Menaksirkan parameter model GWR.
e. Melakukan pengujian estimasi parameter dengan weighted least square
(WLS).
f. Melakukan pengujian Goodness of fit dari model GWR atau uji kesesuaian
model.
g. Melakukan perbandingan model regresi dan GWR.

12
h. Melakukan pengujian signifikansi parameter per titik sampling untuk
mengetahui parameter mana yang signifikan mempengaruhi variabel respon
secara parsial pada masing-masing lokasi.
6. Menarik kesimpulan dari hasil yang diperoleh.

13
BAB IV
HASIL DAN PEMBAHASAN

4.1 Eksplorasi Data


Hasil eksplorasi data dapat dilihat pada

4.2 Analisis Regresi Linier Berganda


Setelah melakukan eksplorasi data, selanjutnya melakukan analisis regresi linier yang
bertujuan untuk melihat pengaruh antara dua atau lebih variabel. Pada analisis regresi,
variabel dibedakan menjadi dua bagian, yaitu variabel respon (dependent variabel) dan
variabel prediktor (independent variabel). Pada kasus ini regresi linier bertujuan untuk
melihat faktor apa saja yang mempengaruhi kepadatan penduduk di Indonesia apabila tidak
memperhatikan letak geografis dari suatu daerah. Berikut adalah hasi dari analisis regresi
linier berganda yang dilakukan oleh peneliti.
4.2.1 Model Analisis Regresi Linier Berganda
Dari hasil regresi linier berganda dengan menggunakan software R. 3.5.1 didapatkan
model regresi linier sebagai berikut:
𝑦 = 676,9 − 0,3146𝑥1 − 427,6𝑥2 + 0,001728𝑥3 + 0,002706𝑥4 − 0,002609𝑥5
Adapun interpretasi dari persamaan tersebut, yaitu:
 Jika variabel jumlah penduduk (𝑥1 ) mengalami kenaikan satu satuan, maka kepadatan
penduduk akan mengalami penurunan sebesar 0,3146 dengan menganggap variabel lain
konstan.
 Jika variabel laju pertumbuhan penduduk (𝑥2 ) mengalami kenaikan satu satuan, maka
kepadatan penduduk akan mengalami penurunan sebesar 427,6 dengan menganggap
variabel lain konstan.
 Jika variabel migrasi keluar (𝑥3 ) mengalami kenaikan satu satuan, maka kepadatan
penduduk akan mengalami peningkatan sebesar 0,001728 dengan menganggap variabel
lain konstan.
 Jika variable migrasi masuk (𝑥4 ) mengalami kenaikan satu satuan maka kepadatan
penduduk akan mengalami peningkatan sebesar 0,002706 dengan menganggap variabel
lain konstan.
 Jika variabel luas daerah (𝑥5 ) mengalami kenaikan satu satuan, maka kepadatan
penduduk akan mengalami penurunan sebesar 0,002609 dengan menganggap variabel
lain konstan.

4.3 Uji Asumsi


Uji asumsi klasik dilakukan untuk melihat seberapa baik data yang akan dianalisis ke
dalam analsis GWR. Selain itu, uji asumsi dilakukan untuk mengurangi nilai error dari suatu
model hasil analisis. Uji asumsi yang harus terpenuhi dalam analisis GWR, yaitu data harus
normal, tidak terdapat multikolinearitas, residual model bersifat heteroskedastisitas dan
terdapat autokorelasi.

14
4.3.1 Uji Normalitas
Pada uji asumsi data harus berdistribusi normal. Untuk melakukan uji normalitas
dapat menggunakan berbagai uji, salah satunya dengan uji Kolmogorov-smirnov, dengan
menggunakan software R didapatkan hasil sebagai berikut.
Tabel 2. Hasil Uji Normalitas
D p-value
0.13797 0.09939
a. Hipotesis
H0 : Residual berdistribsi normal
H1 : Residual tidak berdistribusi normal
b. Tingkat signifikansi
α : 0.05
c. Daerah Kritis
p-value < α : 0.05, maka tolak H0 .
d. Keputusan
p-value = 0.09930 > α = 0.05, maka gagal tolak H0.
e. Kesimpulan
Berdasarkan dari hasil analisis yang telah dilakukan dengan menggunakan tingkat
kepercayaan 95% diperoleh keputusan bahwa gagal tolak H0 yang artinya residual
berdistribusi normal.

4.3.2 Uji Multikolinieritas


Asumsi multikolinearitas adalah asumsi yang menunjukkan adanya hubungan linier
yang kuat antara beberapa variabel prediktor dalam suatu model regresi linier berganda. Pada
pengujian asumsi ini, diharapkan asumsi multikolinieritas tidak terpenuhi. Adapun cara
mendeteksi adanya multikolinearitas adalah dengan melihat nilai Variance Inflation Factor
(VIF) dan tolerance. Jika nilai VIF lebih kecil dari 10 atau nilai tolerance lebih dari 0.10
maka dapat disimpulkan tidak terjadi multikolinearitas. Hasil multikolinieritas dengan
menggunakan nilai VIF dapat dilihat pada tabel 2.
Tabel 3. Hasil Uji Multikoinieritas
Variabel VIF Keterangan
Jumlah Penduduk (𝑥1 ) 4.481745 Tidak terjadi multikolinieritas
Laju Pertumbuhan Penduduk (𝑥2 ) 1.511400 Tidak terjadi multikolinieritas
Migrasi Keluar (𝑥3 ) 3.470334 Tidak terjadi multikolinieritas
Migrasi Masuk (𝑥4 ) 1.907869 Tidak terjadi multikolinieritas
Luas Wilayah (𝑥5 ) 1.081327 Tidak terjadi multikolinieritas
Pada tabel 2 atas dapat dilihat dengan jelas dan disimpulkan bahwa data yang
digunakan tidak mengandung multikolinieritas atau tidak terjadi hubungan linier yang kuat
antara variabel prediktor dikarenakan nilai VIF pada setiap variabel kurang dari 10.

4.3.3 Uji Heteroskedastisitas


Uji heteroskedastisitas ini bertujuan untuk mengetahi apakah dalam sebuah model
regresi terjadi ketidaksamaan variansi dari galat antara satu pengamatan dengan pengamatan
lainnya. Menurut Algifari (2000), jika terjadi heteroskedastisitas maka variansi variabel

15
dalam model tidak sama konstan. Variansi galat harus bersifat homoskedastisitas atau
variansi galat bersifat identik tidak membentuk pola tertentu. Namun karena penelitian
menggunakan analisis GWR, keputusan yang diharapkan adalah model bersifat
heteroskedastisitas. Hasil analisis menggunakan uji Breusch-Pagan dapat dilihat pada tabel 3.
Tabel 4. Hasil Uji Heteroskedastisitas
BP df p-value
17.83 5 0.003168
a. Hipotesis
H0 : Tidak terjadi masalah heteroskedastisitas
H1 : Terjadi masalah heteroskedastisitas
b. Tingkat signifikansi
α : 0.05
c. Daerah Kritis
p-value < α : 0.05, maka tolak H0 .
d. Keputusan
p-value = 0.003168 < α = 0.05, maka tolak H0.
e. Kesimpulan
Berdasarkan dari hasil analisis yang telah dilakukan dengan menggunakan tingkat
kepercayaan 95% diperoleh keputusan bahwa tolak H0 yang artinya terjadi masalah
heteroskedastisitas.

4.3.4 Uji Autokorelasi


Autokorelasi mengindikasikan bahwa terdapat korelasi antar anggota sampel atau data
pengamatan yang diurutkan berdasarkan waktu (Gujarati,2006). Asumsi ini menyatakan
bahwa antara serangkaian observasi yang diurutkan menurut waktu tidak terjadi autokorelasi
atau adanya kebebasan antar galat. Uji autokorelasi menggunakan uji Durbin-Watson, dengan
menggunakan software R didapatkan hasil sebagai berikut.
Tabel 5. Hasil Uji Autokorelasi
DW p-value
2.0631 0.5404

a. Hipotesis
H0 : 𝜌 = 0 (tidak terdapat auotokorelasi)
H1 : 𝜌 ≠ 0 (terdapat auotokorelasi)
Tingkat signifikansi
α : 0.05
b. Daerah Kritis
p-value < α : 0.05, maka tolak H0 .
c. Keputusan
p-value = 0.5404 > α = 0.05, maka gagal tolak H0.
d. Kesimpulan
Berdasarkan dari hasil analisis yang telah dilakukan dengan menggunakan tingkat
kepercayaan 95% diperoleh keputusan bahwa gagal tolak H0 yang artinya tidak
terdapat autokorelasi.

16
4.4 Diagnostic Checking
Untuk keperluan pengujian kelayakan model pada analisis regresi berganda dilakukan
uji simultan dan uji parsial yang dapat dilihat sebagai berikut.
4.4.1 Uji Simultan
Uji F digunakan untuk melihat apakah variabel prediktor secara simultan atau bersama-
sama berpengaruh terhadap variabel respon. Dalam pengujian ini digunakan 𝛼 = 5%.
a. Hipotesis:
H0 : 𝛽1 = 𝛽3 = 𝛽4 = 𝛽6 = 0 (tidak ada hubungan linier)
H1 : 𝛽𝑗 ≠ 0 , 𝑗 = 1,2,3,4,5 (terdapat hubungan linier)
b. Kriteria pengujian:
Tolak H0 jika nilai nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙
Terima H0 jika nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝑡𝑎𝑏𝑒𝑙
Tabel 6. Hasil Uji F
Sumber Jumlah Kuadrat
DB F-Value F-Tabel(0.05)
Keragaman Kuadrat Tengah
Regresi 5 174129866 34825973
Residual 28 62619659 2236416 15.572222 2.5581275011
Total 33 236749525
c. Kesimpulan:
Berdasarkan tabel 4, terlihat bahwa 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 15.572 > 𝐹𝑡𝑎𝑏𝑒𝑙 = 2.558 sehingga H0
ditolak, yang berarti secara simultan variabel jumlah penduduk, laju pertumbuhan
penduduk, migrasi keluar, migrasi masuk dan luas wilayah berpengaruh terhadap
variabel kepadatan penduduk.

4.4.2 Uji Parsial


Uji t digunakan untuk melihat pengaruh masing-masing variabel prediktor terhadap
variabel respon. Dalam pengujian ini digunakan 𝛼 = 5%.
a. Hipotesis:
H0 : 𝛽𝑘 = 0 , 𝑘 = 1,2, … ,5 (variabel prediktor secara parsial tidak berpengaruh
signifikan terhadap variabel respon)
H1 : 𝛽𝑘 ≠ 0 , 𝑘 = 1,2, . . ,5 (variabel prediktor secara parsial berpengaruh signifikan
terhadap variabel respon)
b. Kriteria pengujian:
Tolak H0 jika nilai p-value ≤ 0.05 atau 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑡𝑎𝑏𝑒𝑙
Terima H0 jika nilai p-value > 0.05 atau 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 < 𝑡𝑡𝑎𝑏𝑒𝑙
Tabel 7. Hasil Uji t
Variabel t-value p-value Kesimpulan
Jumlah Penduduk (𝑥1 ) -6.281 8.62E-07 Signifikan
Laju Pertumbuhan
-0.879 0.387 Tidak Signifikan
Penduduk (𝑥2 )
Migrasi Keluar (𝑥3 ) 4.814 4.62E-05 Signifikan
Migrasi Masuk (𝑥4 ) 7.734 2.00E-08 Signifikan

17
Luas Wilayah (𝑥5 ) -0.588 0.561 Tidak Signifikan
Dari tabel 5, dapat diambil keputusan bahwa terdapat tiga variabel prediktor yang
secara parsial berpengaruh signifikan terhadap variabel respon. Jadi, dapat disimpulakn
bahwa variabel yang mempengaruhi kepadatan penduduk di Indonesia secara signifikan,
yaitu jumlah penduduk, migrasi keluar dan migrasi masuk.

4.5 Pemodelan Geographically Weighted Regression


Setelah dilakukan pemodelan dengan menggunakan metode regresi linier berganda,
selanjutnya dilakukan estimasi parameter yang berpengaruh signifikan terhadap Kepadatan
Penduduk di Indonesia menggunakan metode GWR dikarenakan adanya kasus heterogenitas
spasial atau menunjukkan adanya pengaruh letak geografis terhadap model regresi. Langkah
pertama untuk analisis GWR adalah menentukan bandwidth yang akan digunakan dalam
fungsi pembobot. Dalam penelitian ini untuk menentukan bandwidth optimum menggunakan
nilai CV minimum yang nantinya akan digunakan dalam fungsi pembobot kernel Gaussian.
Dari hasil pengolahan dengan software R. 3.5.1 diperoleh nilai AIC sebesar 543,6952 dan
nilai bandwidth sebesar 0,1416365 dengan nilai CV minimum sebesar 22768231 yang dapat
dilihat pada lampiran 1.
Setelah mendapatkan nilai bandwidth sebesar 0,1416365, langkah selanjutnya adalah
melakukan perhitungan matriks pembobot menggunakan fungsi kernel gaussian, kemudian
dilakukan estimasi parameter β. Berikut estimasi parameter model GWR.
Tabel 8. Hasil Estimasi Parameter Model GWR
Provinsi Intercept 𝒙𝟏 𝒙𝟑 𝒙𝟒 𝑹𝟐
Nanggroe Aceh Darussalam -8.227222 -0.393533 0.002411 0.0029076 0.94387
Sumatera Utara 17.08606 -0.430647 0.002655 0.0029531 0.95136
Sumatera Barat -619.8583 -0.407605 0.002505 0.0032278 0.96261
Riau 292.8216 -0.050627 0.00034 0.0005603 0.64115
Jambi -71.85977 -0.026924 0.000285 0.0004096 0.80081
Sumatera Selatan -9.845917 0.004226 0.000122 0.0001626 0.78936
Bengkulu 15.6953 -0.002112 0.000149 0.0002083 0.77652
Lampung 93.35167 0.0003905 0.000126 0.0001792 0.77395
Kep. Bangka Belitung -40.95055 -0.002781 0.000161 0.0002176 0.71487
Kepulauan Riau 224.6292 -0.120657 0.000721 0.0011729 0.76902
DKI Jakarta -297.3646 -0.488751 0.003305 0.0029869 0.97032
Jawa Barat 271.2014 -0.005028 0.000127 0.0001958 0.6568
Jawa Tengah 403.4338 -0.006795 0.000116 0.0001915 0.55927
DI Yogyakarta (DIY) 500.073 -0.01117 0.000124 0.0002131 0.41849
Jawa Timur 396.1759 -0.015058 0.000162 0.0002646 0.57614
Banten -277.6717 -0.471722 0.003201 0.0029672 0.96964
Bali 380.5165 -0.015295 0.000174 0.0002663 0.41562
Nusa Tenggara Barat 37.92891 -0.157562 0.00104 0.0015976 0.90579
Nusa Tenggara Timur -43.25666 -0.233644 0.00164 0.0021373 0.93029
Kalimantan Barat -237.9424 -0.152188 0.000952 0.0014306 0.88767
Kalimantan Tengah -214.7033 -0.132576 0.000853 0.00129 0.89249

18
Kalimantan Selatan -318.624 -0.21524 0.001317 0.0019963 0.94325
Kalimantan Timur 159.1541 -0.05082 0.000433 0.0006431 0.63683
Kalimantan Utara 136.1596 -0.129486 0.000831 0.0013256 0.78581
Sulawesi Utara 210.3804 -0.511351 0.003121 0.0029336 0.95516
Sulawesi Tengah -591.1542 -0.371009 0.002146 0.0032072 0.93911
Sulawesi Selatan -494.2819 -0.314703 0.001997 0.0028198 0.96133
Sulawesi Tenggara -492.7724 -0.38248 0.002556 0.0029979 0.96836
Gorontalo -41.06629 -0.30535 0.00208 0.0024678 0.93272
Sulawesi Barat -501.1193 -0.301437 0.001836 0.002745 0.94055
Maluku -522.5317 -0.507182 0.00323 0.0031955 0.96972
Maluku Utara -45.75633 -0.322212 0.002127 0.0025848 0.93536
Papua Barat -639.4682 -0.417779 0.002531 0.0032816 0.96029
Papua -233.6844 -0.584189 0.004007 0.0029057 0.97316

Setiap lokasi memiliki model yang berbeda-beda. Sebagai contoh model yang terbentuk
untuk Provinsi Aceh adalah:
𝑦1 = 8,227222 − 0,393533𝑥1 + 0,00241𝑥3 + 0,0029076𝑥4
Adapun interpretasi dari persamaan tersebut, yaitu:
 Jika variabel Banyak Penduduk (𝑥1 ) mengalami kenaikan satu satuan maka Kepadatan
Penduduk akan mengalami penurunan sebesar 0,393533 dengan menganggap variabel
lain konstan.
 Jika variabel Banyak Imigrasi Keluar (𝑥3 ) mengalami kenaikan satu satuan maka
Kepadatan Penduduk akan mengalami kenaikan sebesar0,00241.
 Jika variabel Banyak Imigrasi Masuk (𝑥4 ) mengalami kenaikan satu satuan maka
Kepadatan Penduduk akan mengalami kenaikan sebesar0,0029076.

Koefisien determinasi 𝑅 2 di Provinsi Aceh bernilai 0,94387 atau 94,38%, ini


menunjukkan bahwa variansi yang mampu dijelas kan oleh factor-faktor independent yang
digunakan dalam model mampu menjelaskan sebesar 94,38%terhadap variabel Kepadatan
Penduduk dan untuk sisanya dipengaruhi atau dijelaskan oleh variabel lain yang belum
dimasukkan dalam model ini.

4.5 Pengujian Kesesuaian Model


Pengujian secara global dengan menggunakan analisis ragam dilakukan untuk
menguji apakah model GWR menjelaskan hubungan peubah respon dan peubah penjelas
lebih baik dibandingkan model regresi linier. Pengujian yang dilakukan dengan
menggunakan variabel independent yang signifikan. Adapun kriteria pengujian, jika H0
ditolak hal ini menginterprestasi bahwa model sesuai. Jika H0 diterima maka model tidak
sesuai. Hipotesis yang digunakan sebagai berikut.

𝐻0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽𝑘
(tidak ada perbedaan yang signifikan antara model regresi liniear dan GWR)
𝐻1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 𝛽𝑘

19
(ada perbedaan yang signifikan antara model regresi liniear dan GWR)

Tabel Hasil Uji Kebaikan Model


Sumber
Model Df JK MK Fhitung Nilai Ftabel
Keragaman
MKT Galat 4 65631483

GWR Improvement 9.3268 52742798 5654996

GWR Galat 20.6732 12888686 623448 9.0705 3.63308851

Berdasarkan tabel diatas didapatkan nilai Fhitung = 9.0705> FTabel = 3.63308851, maka
tolak H0 artinya ada perbedaan yang signifikan antara model regresi liniear dan GWR atau
ada faktor pengaruh geografis pada model.

4.5 Perbandingan Model Regresi Linier Berganda dan Model GWR


Nilai koefisien determinasi (𝑅 2 ) yang diperoleh berdasarkan model GWR sebesar
0.9455598 atau 94.55% dimana 𝑅 2 pada model GWR didapatkan dari model global GWR
yang dimana model global GWR mampu menginterpestasikan model lokal GWR. Ini
menunjukkan bahwa variansi yang mampu dijelas kan oleh factor-faktor independent yang
digunakan dalam model mampu menjelaskan sebesar 94,55% terhadap variabel Kepadatan
Penduduk dan untuk sisanya dipengaruhi atau dijelaskan oleh variabel lain yang belum
dimasukkan dalam model ini.
Tabel Perbandingan Model GWR dan Regresi Linier
Model Regresi GWR Model Regresi Linier
JKG 12888686 65631483
2
𝑅 0.9455598 0.6951
AIC 543.6952 598.5768

Untuk membandingkan model terbaik antara regresi global dan GWR dapat
menggunakan langkah , yaitu membandingkan nilai 𝑅 2 dan AIC. Model terbaik diperoleh
dengan kriteria nilai 𝑅 2 yang lebih besar dan nilai AIC yang lebih kecil, serta JKG yang lebih
kecil. Tabel diatas menunjukkan bahwa pemodelan Kepadatan Penduduk di Indonesia
menggunakan GWR memberikan hasil yang lebih baik dibandingkan dengan pemodelan
menggunakan regresi global. Hasil tersebut menunjukkan bahwa regresi linear hanya
memberikan nilai 𝑅 2 sebesar 0,6951 , AIC sebesar 598.5768 dan JKG sebesar 65631483
sedangkan model GWR mampu memaksimalkan nilai 𝑅 2 sebesar 0,9455598 , nilai AIC
sebesar 543.6952 dan JKG sebesar 12888686.
.

20
4.6 Faktor-Faktor Signifikan Setiap Wilayah
Analisis GWR dapat menghasilkan model yang berbeda-beda pada setiap daerah. Dari
lima faktor yang dinyatakan signifikan tersebut akan tetapi setiap daerah memilki faktor-
faktor yang berbeda dengan melihat signifikan pada setiap hasil wilayah, hal ini dapat dilihat
dari nilai statistik uji t jika variabel penjelas memiliki |t-hitung| > t0.05;11,657 = 2,228139.

Provinsi tx1 tx3 tx4


Nanggroe Aceh 9.317865335 14.22368474
Darussalam 12.49699723
Sumatera Utara 12.45033608 9.497184333 13.94668981
Sumatera Barat 13.88012301 10.63153405 16.22138068
Riau 1.277909612 1.390077715 1.751656174
Jambi 0.553107923 1.029468685 1.024894311
Sumatera Selatan 0.085014681 0.427131989 0.397110528
Bengkulu 0.045568427 0.548588826 0.547188834
Lampung 0.008594021 0.46844001 0.479020705
Kep. Bangka Belitung 0.051980276 0.538002647 0.492267111
Kepulauan Riau 3.515731337 3.360789242 4.447906438
DKI Jakarta 12.62870655 11.14061545 14.68162379
Jawa Barat 0.114644035 0.478696719 0.539231738
Jawa Tengah 0.154544502 0.436162236 0.525003831
DI Yogyakarta (DIY) 0.255436517 0.469637172 0.59109162
Jawa Timur 0.352519136 0.630188645 0.762385505
Banten 12.90285998 11.39797294 14.82542032
Bali 0.358646391 0.68417027 0.777320722
Nusa Tenggara Barat 5.128021596 5.29390861 7.131448128
Nusa Tenggara Timur 8.12595691 8.685741559 10.17767093
Kalimantan Barat 3.706517912 3.862057516 4.420633876
Kalimantan Tengah 3.657104844 3.770877188 4.484379915
Kalimantan Selatan 7.951144496 7.210884471 10.0639178
Kalimantan Timur 1.248047772 1.775113352 1.746522294
Kalimantan Utara 3.809612856 3.969615942 4.919564523
Sulawesi Utara 10.73411084 8.847056854 12.50854867
Sulawesi Tengah 10.12521072 6.383845601 13.65346341
Sulawesi Selatan 12.27525013 10.37223645 15.18802373
Sulawesi Tenggara 13.54919832 11.80290603 15.50214187
Gorontalo 10.03589632 9.559688418 12.19144669
Sulawesi Barat 11.13189539 7.475378541 12.89172732
Maluku 11.33856802 9.344017972 13.35209781
Maluku Utara 10.88876503 9.728996361 13.16297118
Papua Barat 12.96958381 9.114968051 15.36967417
Papua 10.29902469 9.850871639 12.31322567

21
Hipotesis yang digunakan sebagai berikut.

𝐻0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0
(tidak ada pengaruh signifikan dari variabel preditor 𝑥𝑘 terhadap titik sampling)
𝐻1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0, atau minimal ada satu 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) yang berbeda.
(ada pengaruh signifikan dari variabel preditor 𝑥𝑘 terhadap titik sampling)

Statistic uji yang dirumuskan sebagai :

̂𝑘 (𝑢𝑖 , 𝑣𝑖 )
𝛽
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑆𝐸(𝛽̂𝑘 (𝑢𝑖 , 𝑣𝑖 ))

Berikut variabel prediktor yang signifikan berdasarkan wilayah

Provinsi x1 x3 x4
Nanggroe Aceh signifikan signifikan signifikan
Darussalam
Sumatera Utara signifikan signifikan signifikan
Sumatera Barat signifikan signifikan signifikan
Riau tidak signifikan tidak signifikan tidak
signifikan
Jambi tidak signifikan tidak signifikan tidak
signifikan
Sumatera Selatan tidak signifikan tidak signifikan tidak
signifikan
Bengkulu tidak signifikan tidak signifikan tidak
signifikan
Lampung tidak signifikan tidak signifikan tidak
signifikan
Kep. Bangka Belitung tidak signifikan tidak signifikan tidak
signifikan
Kepulauan Riau signifikan signifikan signifikan
DKI Jakarta signifikan signifikan signifikan
Jawa Barat tidak signifikan tidak signifikan tidak
signifikan
Jawa Tengah tidak signifikan tidak signifikan tidak
signifikan
DI Yogyakarta (DIY) tidak signifikan tidak signifikan tidak
signifikan
Jawa Timur tidak signifikan tidak signifikan tidak
signifikan

22
Banten signifikan signifikan signifikan
Bali tidak signifikan tidak signifikan tidak
signifikan
Nusa Tenggara Barat signifikan signifikan signifikan
Nusa Tenggara Timur signifikan signifikan signifikan
Kalimantan Barat signifikan signifikan signifikan
Kalimantan Tengah signifikan signifikan signifikan
Kalimantan Selatan signifikan signifikan signifikan
Kalimantan Timur tidak signifikan tidak signifikan tidak
signifikan
Kalimantan Utara signifikan signifikan signifikan
Sulawesi Utara signifikan signifikan signifikan
Sulawesi Tengah signifikan signifikan signifikan
Sulawesi Selatan signifikan signifikan signifikan
Sulawesi Tenggara signifikan signifikan signifikan
Gorontalo signifikan signifikan signifikan
Sulawesi Barat signifikan signifikan signifikan
Maluku signifikan signifikan signifikan
Maluku Utara signifikan signifikan signifikan
Papua Barat signifikan signifikan signifikan
Papua signifikan signifikan signifikan

Pada Tabel terdapat 22 daerah yang signifikan dengan statistik uji thitung>ttabel dan
sebanyak 12 daerah tidak berpengaruh. Hal ini diduga karena ada variabel lain yang lebih
signifikan selain variabel Banyak penduduk, Imigrasi Keluar dan Imigrasi Masuk terhadap
Kepadatan Penduduk di Indonesia. Berikut peta daerah yang signifikan dengan uji thitung>ttabel.

Adapun daerah yang dipengaruhi oleh Banyak Penduduk, Imigrasi Keluar dan Imigrasi
Masuk adalah Nanggroe Aceh Darusaalam, Sumatera Utara, Sumatera Barat, Kepulauan

23
Riau, DKI Jakarta, Banten, Nusa Tenggara Barat, Nusa tenggara Timur, Kalimantan Barat,
Kalimantan Tengah, Kalimantan Selatan, Kalimantan Utara, Sulawesi Utara, Sulawesi
Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku, Maluku
Utara, Papua Barat, Papua. Berikut ini beberapa model GWR local untuk daerah yang
signifikan dengan variabel Banyak Penduduk, Imigrasi Keluar danImigrasi Masuk.

No. Provinsi Model GWR


1 Nanggroe Aceh Darussalam 𝑦1 = −8.22722 − 0.39353𝑥1 + 0.002411𝑥3 + 0.002908𝑥4
2 Sumatera Utara 𝑦2 = 17.08606 − 0.43065𝑥1 + 0.002655𝑥3 + 0.002953𝑥4
3 Sumatera Barat 𝑦3 = −619.858 − 0.4076𝑥1 + 0.002505𝑥3 + 0.003228𝑥4
4 Kepulauan Riau 𝑦4 = 224.6292 − 0.12066𝑥1 + 0.000721𝑥3 + 0.001173𝑥4
5 DKI Jakarta 𝑦5 = −297.365 − 0.48875𝑥1 + 0.003305𝑥3 + 0.002987𝑥4
6 Banten 𝑦6 = −277.672 − 0.47172𝑥1 + 0.003201𝑥3 + 0.002967𝑥4
7 Nusa Tenggara Barat 𝑦7 = 37.92891 − 0.15756𝑥1 + 0.00104𝑥3 + 0.001598𝑥4
8 Nusa Tenggara Timur 𝑦8 = −43.25671 − 0.23364𝑥1 + 0.00164𝑥3 + 0.002137𝑥4
9 Kalimantan Barat 𝑦9 = −237.942 − 0.15219𝑥1 + 0.000952𝑥3 + 0.001431𝑥4
10 Kalimantan Tengah 𝑦10 = −214.703 − 0.13258𝑥1 + 0.000853𝑥3 + 0.00129𝑥4
11 Kalimantan Selatan 𝑦11 = −318.624 − 0.21524𝑥1 + 0.001317𝑥3 + 0.001996𝑥4
12 Kalimantan Utara 𝑦12 = 136.1596 − 0.12949𝑥1 + 0.000831𝑥3 + 0.001326𝑥4
13 Sulawesi Utara 𝑦13 = 210.3804 − 0.51135𝑥1 + 0.003121𝑥3 + 0.002934𝑥4
14 Sulawesi Tengah 𝑦14 = −591.154 − 0.37101𝑥1 + 0.002146𝑥3 + 0.003207𝑥4
15 Sulawesi Selatan 𝑦15 = −494.282 − 0.3147𝑥1 + 0.001997𝑥3 + 0.00282𝑥4
16 Sulawesi Tenggara 𝑦16 = −492.772 − 0.38248𝑥1 + 0.002556𝑥3 + 0.002998𝑥4
17 Gorontalo 𝑦17 = −41.0663 − 0.30535𝑥1 + 0.00208𝑥3 + 0.002468𝑥4
18 Sulawesi Barat 𝑦18 = −501.119 − 0.30144𝑥1 + 0.001836𝑥3 + 0.002745𝑥4
19 Maluku 𝑦19 = −522.532 − 0.50718𝑥1 + 0.00323𝑥3 + 0.003196𝑥4
20 Maluku Utara 𝑦20 = −45.7563 − 0.32221𝑥1 + 0.002127𝑥3 + 0.002585𝑥4
21 Papua Barat 𝑦21 = −639.468 − 0.41778𝑥1 + 0.002531𝑥3 + 0.003282𝑥4
22 Papua 𝑦22 = −233.684 − 0.58419𝑥1 + 0.004007𝑥3 + 0.002906𝑥4

Secara umum pemodelan Kepadatan Penduduk Indonesia dengan mengunakan Model


GWR menunjukkan bahwa ada tiga variabel predictor yang berpengaruh terhadap Kepadatan
Penduduk yaitu Banyak Penduduk, Imigrasi Keluar dan Imigrasi Masuk. Hal ini dapat dilihat
dari 34 daerah di Indonesia terdapat 22 daerah yang memiliki pengaruh signifikan dari
variabel prediktornya.

24
25

Anda mungkin juga menyukai