PEMODELAN INDEKS PEMBANGUNAN MANUSIA DI JAWA TIMUR

DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED

REGRESSION SEBAGAI UPAYA PENINGKATAN KUALITAS HIDUP
MASYARAKAT PROVINSI JAWA TIMUR

Dibimbing oleh:
Dr. Nur Chamidah, M.Si

Oleh:
KELOMPOK 4
1. Indah Ayu K. 081411831002
2. Jasir Manarang 081411831030
3. Rizky Rachmadani 081411833006
4. Alvira Ardiana 081411833009

PROGRAM STUDI S1 STATISTIKA

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
2017

i
 KATA PENGANTAR

Puji syukur peneliti ucapkan kehadirat Allah SWT, atas limpahan rahmat,
kesehatan, dan hidayah-Nya karena peneliti telah menyelesaikan tugas penelitian
Analisis Data Spasial yang berjudul “Pemodelan Indeks Pembangunan Manusia di
Jawa Timur dengan Pendekatan Geographically Weighted Regression Sebagai
Upaya Peningkatan Kualitas Hidup Masyarakat Provinsi Jawa Timur”.
Peneliti mengucapkan terima kasih kepada semua pihak yang telah
membantu dan membimbing menyelesaikan tugas ini, antara lain:
1. Dr. Nur Chamidah, M.Si selaku dosen mata kuliah Analisis Data Spasial.
2. Teman-teman yang tidak bisa peneliti sebutkan satu persatu, yang telah
terlibat membantu maupun mendukung dalam menyelesaikan tugas
penelitian ini.
Penelitian ini diharapkan dapat menunjang kegiatan perkuliahan, dan lebih
menambah pengetahuan serta wawasan mahasiswa. Peneliti menyadari bahwa
penelitian ini masih jauh dari sempurna. Oleh karena itu, peneliti dengan segala
kerendahan hati, mengharap saran dan kritik dari pembaca.

Surabaya, 20 juni 2017

Peneliti

ii
 DAFTAR ISI

HALAMAN SAMPUL ........................................................................................... i

KATA PENGANTAR ........................................................................................... ii
DAFTAR ISI ........................ iii
DAFTAR TABEL ................................................................................................. v
DAFTAR GAMBAR ............................................................................................ vi
BAB I PENDAHULUAN
1.1 Latar Belakang ................................................................................ 1
1.2 Rumusan Masalah ........................................................................... 3
1.3 Tujuan ............................................................................................. 4
1.4 Manfaat ........................................................................................... 4
BAB II TINJAUAN PUSTAKA
2.1 Indeks Pembangunan Manusia........................................................ 5
2.2 Faktor yang Mempengaruhi Indeks Pembangunan Manusia .......... 6
2.3 Regresi Linear Berganda ................................................................. 7
2.4 Analisis Data Spasial....................................................................... 8
2.5 Asumsi pada Analisis Spasial ......................................................... 9
2.6 Geographically Weighted Regression ........................................... 11
2.7 Pengujian Hipotesis pada Model Geographically Weighted
Regression ..................................................................................... 13
2.8 Software Minitab 16 ...................................................................... 14
2.9 Software R ..................................................................................... 14
2.10 Stat Planet ..................................................................................... 15
2.11 Geoda ............................................................................................ 16
BAB III METODOLOGI PENELITIAN
3.1 Data dan Sumber Data .................................................................. 17
3.2 Variabel Penelitian ........................................................................ 18
3.3 Langkah Langkah Analisis ............................................................ 19

iii
BAB IV PEMBAHASAN
4.1 Karakteristik Indeks Pembangunan Manusia dan Faktor-Faktor
yang Diduga Mempengaruhi Indek Pembangunan Manusia di Jawa
Timur ............................................................................................. 22
4.1.1 Indeks Pembangunan Manusia di Jawa Timur pada Tahun
2016 ................................................................................... 22
4.1.2 Angka Harapan Hidup (AHH) .......................................... 23
4.1.3 Harapan Lama Sekolah (HLS) .......................................... 25
4.1.4 Rata-Rata Lama Sekolah (RLS) ........................................ 26
4.1.5 Pengeluaran per Kapita ..................................................... 28
4.2 Model dan Uji Hipotesis Data Indeks Pembangunan Manusia
(IPM) di Jawa Timur berdasarkan Pendekatan Geographically
Weighted Regression (GWR) ....................................................... 31
4.2.1 Pengujian Asumsi ............................................................. 31
4.2.2 Pemodelan Indeks Pembangunan Manusia di Jawa Timur34
4.3 Deskripsi Hasil Estimasi Indeks Pembangunan Manusia dan
Penyebaran Variabel Prediktor yang Berpengaruh Signifikan .... 40
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ................................................................................... 43
5.2 Saran .............................................................................................. 44
DAFTAR PUSTAKA .......................................................................................... 45
LAMPIRAN
1. Lampiran 1 .......................................................................................... 46
2. Lampiran 2 .......................................................................................... 48
3. Lampiran 3 .......................................................................................... 49
4. Lampiran 4 .......................................................................................... 50
5. Lampiran 5 .......................................................................................... 51
6. Lampiran 6 .......................................................................................... 54
7. Lampiran 7 .......................................................................................... 57
8. Lampiran 8 .......................................................................................... 61
9. Lampiran 9 .......................................................................................... 62

iv
 DAFTAR TABEL

Tabel 3.1 Kabupaten / Kota di Jawa Timur .................................................. 17

Tabel 3.2 Variabel Penelitian ........................................................................ 18
Tabel 4.1 Deskripsi Variabel Penelitian........................................................ 29
Tabel 4.2 Nilai VIF Faktor-Faktor yang Mempengaruhi Kemiskinan di Jawa
Timur ............................................................................................. 32
Tabel 4.3 Nilai AIC dan R2 dari Pembobot ................................................... 34
Tabel 4.4 Nilai Estimasi Variabel Prediktor yang Bersifat Lokal................. 35
Tabel 4.5 Hasil Uji Kesesuaian Model GWR ............................................... 35
Tabel 4.6 Pengujian Parsial Parameter Model GWR Kota Malang .............. 36
Tabel 4.7 Pengujian Parsial Parameter Model GWR Kabupaten Sampang.. 38
Tabel 4.8 Pengelompokan Kabupaten/Kota di Jawa Timur berdasarkan
Variabel Prediktor yang Berpengaruh Signifikan ......................... 39
Tabel 4.9 Perubahan Klasifikasi Persebaran IPM Sebelum dan Sesudah
Dilakukan Estimasi ...................................................................... 41

v
 DAFTAR GAMBAR

Gambar 2.1 Fitur dari StatPlanet ..................................................................... 16

Gambar 3.1 Peta Administrasi Provinsi Jawa Timur ....................................... 17
Gambar 4.1 Pemetaan IPM di JawaTimur Tahun 2016 .................................... 22
Gambar 4.2 Pemetaan IPM di Jawa Timur Tahun 2016 Dibandingkan dengan
Capaian atau Rata-Rata IPM Provinsi........................................... 23
Gambar 4.3 Pemetaan Angka Harapan Hidup di JawaTimur Tahun 2016 ....... 24
Gambar 4.4 Pemetaan Angka Harapan Lama Sekolah di Jawa Timur Tahun
2016 ............................................................................................... 25
Gambar 4.5 Pemetaan Angka Rata-Rata Lama Sekolah di Jawa Timur Tahun
2016 ............................................................................................... 27
Gambar 4.6 Pemetaan Pengeluaran Per Kapitadi JawaTimur Tahun 2016 ...... 28
Gambar 4.7 Scatter Plot Masing-masing Variabel Prediktor dengan Variabel
Respon .......................................................................................... 30
Gambar 4.8 Plot Uji Normalitas Data ............................................................... 31
Gambar 4.9 Peta Persebaran Hasil Estimasi IPM di Jawa Timur Tahun 2016 . 40
Gambar 4.10 Faktor-faktor yang Berpengaruh Signifikan terhadap IPM setiap
Kabupaten/Kota di Jawa Timur .................................................... 42

vi
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Pembangunan manusia didefinisikan sebagai proses perluasan pilihan bagi

penduduk (enlarging people choice). Indeks Pembangunan Manusia (IPM)
merupakan indikator penting untuk mengukur keberhasilan dalam upaya
membangun kualitas hidup manusia (masyarakat/penduduk). Badan Pusat
Statistik (BPS) mengadopsi perubahan metodologi penghitungan IPM yang baru
pada tahun 2014 dan melakukan backcasting sejak tahun 2010. IPM merupakan
indikator yang digunakan untuk melihat perkembangan pembangunan dalam
jangka panjang. Untuk melihat kemajuan pembangunan manusia, terdapat dua
aspek yang perlu diperhatikan, yaitu kecepatan dan status pencapaian.

Selama periode 2010 hingga 2016 IPM Jawa Timur berada pada kategori
IPM “sedang”. Secara umum, pembangunan manusia Jawa Timur terus
mengalami kemajuan selama periode 2010 hingga 2016. IPM Jawa Timur
meningkat dari 65,36 pada tahun 2010 menjadi 69,74 pada tahun 2016 atau naik
6,71 persen. Selama periode tersebut, IPM Jawa Timur rata-rata tumbuh sebesar
1,09 persen per tahun. Pada periode 2015-2016, IPM Jawa Timur tumbuh 1,15
persen. Pertumbuhan pada periode 2015-2016 sedikit melambat dibandingkan
dengan kenaikan pada periode 2014-2015 yang mampu tumbuh sebesar 1,19
persen. Dari 38 kabupaten/kota di Jawa Timur, terdapat 3 wilayah yang termasuk
kategori IPM “sangat tinggi” yaitu malang, surabaya, dan madiun, terdapat 3
wilayah yang termasuk kategori IPM “tinggi” yaitu nganjuk, lamongan, dan
jombang, terdapat 1 wilayah yang termasuk kategori IPM “rendah” yaitu
sampang, dan 31 wilayah lainnya termasuk kategori IPM “sedang” (Berita Resmi
Statistik BPS Provinsi Jawa Timur, 2016). Adanya perbedaan pertumbuhan IPM
pada masing-masing wilayah disebabkan oleh ketidakseimbangan pertumbuhan
IPM di setiap wilayah. Apabila ketidakseimbangan pertumbuhan IPM di Provinsi
Jawa Timur terjadi secara terus menerus, maka akan terjadi ketimpangan ekonomi

1
dan kesenjangan sosial antar wilayah di Jawa Timur. Salah satu upaya dalam
mengatasi ketidakseimbangan ekonomi pada masing-masing wilayah adalah
dengan memacu pertumbuhan IPM di wilayah tertinggal.
IPM dibentuk oleh tiga dimensi dasar, yaitu umur panjang dan hidup sehat
(a long and healthy life), pengetahuan (knowledge), dan standard hidup layak
(decent standard of living). Umur panjang dan hidup sehat digambarkan oleh
angka harapan hidup saat lahir (AHH). Pengetahuan diukur melalui indikator
harapan lama sekolah dan rata-rata lama sekolah. Standar hidup yang layak
digambarkan oleh pengeluaran per kapita yang ditentukan dari nilai pengeluaran
per kapita menurut paritas daya beli (BPS Provinsi Jawa Timur, 2016). Penelitian
sebelumnya pernah dilakukan oleh Meylina Astri (2013) yang membahas
pengaruh pengeluaran pemerintah daerah pada sektor pendidikan dan kesehatan
terhadap IPM di Indonesia dengan hasil bahwa secara serentak pengeluaran
pemerintah daerah pada sektor pendidikan dan kesehatan berpengaruh terhadap
indeks pembangunan manusia tetapi saat pengujian uji T dilakukan, pengeluaran
pemerintah sektor pendidikan secara signifikan mempengaruhi IPM, sedangkan
pada sektor kesehatan tidak ada pengaruh. Penelitian sebelumnya juga pernah
dilakukan oleh Fidelia (2014) tentang analisi pembangunan manusia provinsi
Jawa Tengah tahun 2009-2011 menggunakan panel data yang menunjukkan
bahwa variabel jumlah sekolah dan upah minimum regional berpengaruh positif
dan signifikan terhadap indeks pembangunan manusia Jawa Tengah, sedangkan
variabel jumlah rumah sakit berpengaruh positif namun tidak signifikan terhadap
IPM Jawa Tengah. Penelitian bekaitan dengan pengaruh pengeluaran pemerintah
sektor pendidikan dan kesehatan terhadap Indeks Pembangunan Manusia di
Kabupaten Kutai Timur oleh Merang Kahang (2016) dengan regresi linear
berganda yang menunjukkan bahwa pengeluaran pemerintah sektor pendidikan
secara signifikan mempengaruhi indeks pembangunan manusia.

Berdasarkan fakta-fakta tersebut, maka dalam penelitian ini dengan

mengacu pada penelitian sebelumnya ingin mengidentifikasi perbedaan kategori
IPM antar kabupaten/kota di Jawa Timur, mengetahui pemodelan dan pemetaan
laju pertumbuhan ekonomi pada masing-masing kabupaten/kota di Jawa Timur
sebagai rekomendasi untuk pemerintah dalam upaya mewujudkan peningkatan

2
dan pemerataan IPM di Jawa Timur, serta menganalisis faktor-faktor yang
mempengaruhi IPM di daerah-daerah tertinggal secara lokal agar dapat mengejar
ketertinggalan dengan mempertimbangkan aspek spasial.

Aspek spasial terkait dengan perbedaan karakteristik lingkungan dan

geografis antar daerah memungkinkan masing-masing daerah memiliki variasi
yang berbeda. Pendekatan spasial dalam penelitian ini sangat beralasan karena
pertumbuhan IPM suatu daerah dapat mempengaruhi pertumbuhan IPM daerah
sekitarnya karena adanya faktor lokal yang berpengaruh terhadap laju
pertumbuhan IPM pada masing-masing daerah. Oleh karena itu diperlukan suatu
metode pemodelan statistik dengan memperhitungkan aspek spasial yaitu
menggunakan pendekatan Geographically Weighted Regression (GWR) yang
diharapkan mampu menghasilkan model laju pertumbuhan ekonomi yang tepat di
setiap wilayah. Metode Geographically Weighted Regression (GWR) adalah
metode statistika yang digunakan untuk menganalisis data spasial dalam bentuk
persamaan regresi yang menghasilkan parameter model yang bersifat global dan
lokal untuk tiap lokasi pengamatan (Hanah, 2013).

1.2 Rumusan Masalah

Berdasarkan judul dan uraian latar belakang di atas, permasalahan yang
ditelaah dalam penelitian ini adalah sebagai berikut :
1. Bagaimana deskripsi data terkait Indeks Pembangunan Manusia (IPM)
untuk masing-masing kabupaten/kota di Jawa Timur dengan menggunakan
peta tematik?
2. Bagaimana memodelkan dan melakukan pengujian hipotesis data Indeks
Pembangunan Manusia (IPM) di Jawa Timur berdasarkan pendekatan
Geographically Weighted Regression (GWR)?
3. Bagaimana menganalisis dan menginterpretasi hasil pemodelan data Indeks
Pembangunan Manusia (IPM) di Jawa Timur berdasarkan peta tematik?

3
1.3 Tujuan

Berdasarkan permasalahan yang telah diuraikan di atas, maka tujuan yang

ingin diapai dalam penelitian adalah sebagai berikut :
1. Mendeskripsikan data terkait Indeks Pembangunan Manusia (IPM) untuk
masing-masing kabupaten/kota di Jawa Timur dengan menggunakan peta
tematik.
2. Memodelkan dan melakukan uji hipotesis data Indeks Pembangunan
Manusia (IPM) di Jawa Timur berdasarkan pendekatan Geographically
Weighted Regression (GWR).
3. Menganalisis dan menginterpretasi hasil pemodelan data Indeks
Pembangunan Manusia (IPM) di Jawa Timur berdasarkan peta tematik.

1.4 Manfaat

Manfaat yang diharapkan dari penelitian ini adalah :

1. Bagi Mahasiswa
Manfaat bagi mahasiswa yaitu dapat mengaplikasikan ilmu yang telah
dipelajari terkait dengan mata kuliah Analisis Data Spasial.
2. Bagi Pemerintah Provinsi Jawa Timur
Manfaat bagi Pemerintah Provinsi Jawa Timur yaitu mengetahui pemetaan
laju pertumbuhan ekonomi pada masing-masing kabupaten/kota di provinsi
Jawa Timur sebagai salah satu pertimbangan untuk melakukan berbagai
upaya dalam rangka peningkatan dan pemerataan IPM.

4
 BAB II
TINJAUAN PUSTAKA

2.1 Indeks Pembangunan Manusia

Pembangunan manusia didefinisikan sebagai proses perluasan pilihan bagi

penduduk (enlarging people choice). IPM merupakan indikator penting untuk
mengukur keberhasilan dalam upaya membangun kualitas hidup manusia
(masyarakat/penduduk). IPM menjelaskan bagaimana penduduk dapat mengakses
hasil pembangunan dalam memperoleh pendapatan, kesehatan, pendidikan, dan
sebagainya. IPM diperkenalkan oleh UNDP pada tahun 1990 dan metode
penghitungan direvisi pada tahun 2010.
IPM dibentuk oleh tiga dimensi dasar, yaitu umur panjang dan hidup sehat
(a long and healthy life), pengetahuan (knowledge), dan standard hidup layak
(decent standard of living). Umur panjang dan hidup sehat digambarkan oleh
angka harapan hidup saat lahir (AHH) yaitu jumlah tahun yang diharapkan dapat
dicapai oleh bayi yang baru lahir untuk hidup, dengan asumsi bahwa pola angka
kematian menurut umur pada saat kelahiran sama sepanjang usia bayi.
Pengetahuan diukur melalui indikator harapan lama sekolah dan rata-rata lama
sekolah. Harapan lama sekolah (HLS) didefinisikan sebagai lamanya (tahun)
sekolah formal yang diharapkan akan dirasakan oleh anak pada umur tertentu di
masa mendatang. Rata-rata lama sekolah (RLS) adalah rata-rata lamanya (tahun)
penduduk usia 25 tahun ke atas dalam menjalani pendidikan formal. Standar
hidup yang layak digambarkan oleh pengeluaran per kapita disesuaikan, yang
ditentukan dari nilai pengeluaran per kapita menurut paritas daya beli (BPS,
2016). Cara menghitung angka kematian bayi adalah sebagai berikut:

𝐼𝑃𝑀 = 3√𝐼𝐾𝑒𝑠𝑒ℎ𝑎𝑡𝑎𝑛 𝑥 𝐼𝑃𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛 𝑥 𝐼𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 (2.1)

Keterangan :
𝐼𝐾𝑒𝑠𝑒ℎ𝑎𝑡𝑎𝑛 adalah Indeks kesehatan
𝐼𝑃𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛 adalah Indeks pendidikan
𝐼𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 adalah Indeks pengeluaran

5
 Capaian pembangunan manusia di suatu wilayah pada waktu tertentu dapat
dikelompokkan ke dalam empat kelompok. Pengelompokkan ini bertujuan untuk
mengorganisasikan wilayah-wilayah menjadi kelompok-kelompok yang sama
dalam dalam hal pembangunan manusia :
1. Kelompok “sangat tinggi”: IPM ≥ 80
2. Kelompok “tinggi”: 70 ≤ IPM < 80
3. Kelompok “sedang”: 60 ≤ IPM < 70
4. Kelompok “rendah”: IPM < 60

2.2 Faktor-faktor yang Mempengaruhi Indeks Pembangunan Manusia

Dalam penelitian ini, beberapa faktor yang diduga menjadi penyebab

terjadinya Indeks Pembangunan Manusia adalah :
1. Angka Harapan Hidup (AHH)
Angka Harapan Hidup (AHH) merupakan alat untuk mengevaluasi kinerja
pemerintah dalam meningkatkan kesejahteraan penduduk pada umumnya, dan
meningkatkan derajat kesehatan pada khususnya. Menurut Badan Perencanaan
Pembangunan Nasional (BAPPENAS), sebagaimana penulis kutip dari situs
resminya, bahwa Penduduk Indonesia diperkirakan akan mencapai 273,65 juta
jiwa pada tahun 2025. Pada tahun yang sama angka harapan hidup diperkirakan
mencapai 73,7 tahun.
AHH merupakan rata-rata jumlah tahun hidup yang akan dijalani oleh bayi
yang baru lahir pada suatu tahun tertentu. Jika kematian bayi jumlahnya besar,
usia harapan hidup akan rendah (BPS, 2016). Oleh karenanya, biasanya di negara-
negara maju harapan hidupnya tinggi karena pada umumnya tingkat kesehatan ibu
dan bayinya tinggi. Sebaliknya, di negara berkembang biasanya relatif rendah
karena buruknya tingkat kesehatan. AHH yang rendah di suatu daerah harus
diikuti dengan program pembangunan kesehatan, dan program sosial lainnya
termasuk kesehatan lingkungan, kecukupan gizi dan kalori termasuk program
pemberantasan kemiskinan.

6
 2. Harapan Lama Sekolah (HLS)
Angka Harapan Lama Sekolah didefnisikan lamanya sekolah (dalam tahun)
yang diharapkan akan dirasakan oleh anak pada umur tertentu di masa mendatang.
Diasumsikan bahwa peluang anak tersebut akan tetap bersekolah pada umur-umur
berikutnya sama dengan peluang penduduk yang bersekolah per jumlah penduduk
untuk umur yang sama saat ini (BPS, 2016).
Angka Harapan Lama Sekolah dihitung untuk penduduk berusia 7 tahun ke
atas. HLS dapat digunakan untuk mengetahui kondisi pembangunan sistem
pendidikan di berbagai jenjang yang ditunjukkan dalam bentuk lamanya
pendidikan (dalam tahun) yang diharapkan dapat dicapai oleh setiap anak.
3. Rata-Rata Lama Sekolah
Rata-rata lama sekolah didefnisikan sebagai jumlah tahun yang digunakan
oleh penduduk dalam menjalani pendidikan formal (BPS, 2016). Diasumsikan
bahwa dalam kondisi normal rata-rata lama sekolah suatu wilayah tidak akan
turun. Cakupan penduduk yang dihitung dalam penghitungan rata-rata lama
sekolah adalah penduduk berusia 25 tahun ke atas.
4. Pengeluaran Per Kapita
Pengeluaran per kapita yang disesuaikan ditentukan dari nilai pengeluaran
per kapita dan paritas daya beli (Purcashing Power Parity-PPP). Rata-rata
pengeluaran per kapita setahun diperoleh dari Susenas, dihitung dari level
provinsi hingga level kab/kota. Rata-rata pengeluaran per kapita dibuat
konstan/riil dengan tahun dasar 2012=100. Perhitungan paritas daya beli pada
metode baru menggunakan 96 komoditas dimana 66 komoditas merupakan
makanan dan sisanya merupakan komoditas nonmakanan. Metode penghitungan
paritas daya beli menggunakan Metode Rao.

2.3 Regresi Linear Berganda

Analisis regresi merupakan teknik statistika yang digunakan untuk

menyelidiki dan membuat model hubungan antara variabel prediktor dan variabel
respon untuk mendapatkan model terbaik yang menggambarkan hubungan antara
kedua jenis variabel tersebut. Model regresi linear yang memuat p variabel

7
prediktor dan satu variabel respon disebut regresi linear berganda. Bentuk umum
regresi linear berganda adalah sebagai berikut :

𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 + 𝜀𝑖. 𝑖 = 1,2, . . , 𝑛 (2.2)

dengan

𝑦𝑖 adalah variabel respon pengamatan ke 𝑖

𝑥𝑖𝑝 adalah variabel prediktor 𝑥𝑝 pengamatan ke 𝑖

𝛽𝑗 adalah paarmeter model regresi, untuk 𝑗 = 1,2, … , 𝑝

𝜀𝑖 adalah residual pada pengamatan ke 𝑖.

Asumsi yang berlaku pada model regresi (2.2) adalah sebagai berikut:

1. 𝐸(𝜀𝑖 ) = 0 untuk 𝑖 = 1,2, … , 𝑛 atau

𝐸(𝑦𝑖 ) = 𝛽0 + 𝛽1 𝑥𝑖1 + 𝛽2 𝑥𝑖2 + ⋯ + 𝛽𝑝 𝑥𝑖𝑝 + 𝜀𝑖.

2. 𝑉𝑎𝑟(𝜀𝑖 ) = 𝜎 2 untuk 𝑖 = 1,2, … , 𝑛 dan 𝑉𝑎𝑟(𝑦𝑖 ) = 𝜎 2

3. 𝐶𝑜𝑣(𝜀𝑖 , 𝜀𝑗 ) = 0 untuk 𝑖 ≠ 𝑗 atau 𝐶𝑜𝑣(𝑦𝑖 , 𝑦𝑗 ) = 0

(Rencher dan Schaalje, 2008)

Persamaan (2.2) disebut model regresi global karena parameter model tersebut
berlaku untuk semua lokasi penelitian (Fortheringham et al, 2002).

2.4 Analisis Spasial

Informasi geografis dalam bentuk yang paling sederhana adalah sebuah

informasi yang berkaitan dengan tata letak objek tertentu yang selanjutnya
diperlukan fungsinya sebagai alat bantu dalam memproses data spasial sehingga
menjadi informasi (Cholid, 2009). Sebagai sebuah metode, analisis spasial
bertujuan dalam perencana dalam menganalisis kondisi permasalahn berdasarkan
data dari wilayah yang menjadi sasaran dan konsep-konsep yang paling mendasari

8
sebuah analisis spasial adalah jarak, arah, dan hubungan. Kombinasi dari
ketiganya mengenai suatu wilayah akan bervariasi sehingga membentuk
perbedaan yang signifikan yang membedakan suatu lokasi dengan yang lainnya.
Analisis spasial merupakan sekumpulan metode untuk menemukan dan
menggambarkan tingkatan atau pola dari sebuah fenomena spasial.

2.5 Asumsi Pada Analisis Spasial

Terdapat asumsi-asumsi pada analisis spasial yang harus diuji terlebih

dahulu, yaitu :

1. Asumsi Residual Berdistribusi Normal

Asumsi residual berdistribusi normal digunakan untuk mengertahui apakah

data berdistribusi normal. Uji yang dapat dilakukan untuk asumsi residual
berdistribusi normal adalah Kolmogorov-Smirnov, dengan hipotesis sebagai
berikut:

H0 : Residual berdistribusi normal

H1 : Residual tidak berdistribusi normal

Statistik uji :

𝐷 = 𝑚𝑎𝑘𝑠 |𝐹0 (𝑋𝑖 ) − 𝑆𝑁 (𝑋𝑖 )| , dengan i = 1, 2, 3, ....., n (2.3)

dengan 𝐹0 (𝑋𝑖 ) adalah fungsi distribusi frekuensi kumulatif relatif dari distribusi
teoritis dibawah H0 dan 𝑆𝑁 (𝑋𝑖 ), merupakan distribusi frekuensi kumulatif
pengamatan sebanyak sampel. Jika diberikan tingkatsignifikansi sebesar , maka
diambil keputusan tolak H0 jika nilai p-value <  (Winarno, 2009).
2. Asumsi Multikolinieritas

Pengujian multikolinieritas adalah pengujian yang menunjukkan adanya

hubungan linier yang kuat di antara beberapa atau semua variabel prediktor dalam
suatu model regresi. Model regresi yang baik memiliki variabel-variabel prediktor
yang independen atau tidak berkorelasi sehingga pada pengujian ini diharapkan

9
asumsi multikolinieritas tidak terpenuhi. Mendeteksi ada atau tidaknya gejala
multikolinieritas dapat diperiksa dengan menggunakan nilai VIF (Variance
Inflation Factor). Nilai VIF yang semakin besar akan menunjukkan
multikolinieritas yang semakin kompleks. Jika nilai VIF < 10, maka secara
signifikan dapat disimpulkan bahwa tidak terdapat multikolinieritas (Winarno,
2009).
3. Asumsi Residual Independen
Asumsi Residual Independen aatau uji autokorelasi residual digunakan
untuk mengetahui apakah ada korelasi antar residual. Uji yang digunakan adala uji
Moran’s I, dengan hipotesis sebagai berikut :
H0 : Residual Independen
H1 : Residual Dependen
Statistik uji :
𝐼−𝐸(𝐼)
𝑍𝐼 = (2.4)
√𝑣𝑎𝑟 (𝐼)

dengan
𝑛 𝑛
𝑛 ∑𝑖=1 ∑𝑗=1 𝑤𝑖,𝑗 𝑧𝑖 𝑧𝑗
𝐼= ∑𝑛 2
𝑆0 𝑖=1 𝑧𝑖
𝑛 𝑛
𝑆0 = ∑ ∑ 𝑤𝑖,𝑗
𝑖=1 𝑗=1

−1
𝐸(𝐼) =
(𝑛 − 1)
Pengambilan keputusan dilakukan dengan menolak H0 jika |Zi| > Z/2.
(Mitchell, 2005)
4. Asumsi Residual Identik
Salah satu aspek spasial lainnya yaitu memiliki heterogenitasspasial
(Anselin, 1998). Heterogenitas spasial dapat dideteksi dengan melakukan uji
Breusch-Pagan yang mempunyai hipotesis sebagai berikut :
𝐻0 ∶ 𝜎12 = 𝜎12 = ⋯ = 𝜎𝑛2 (Homoskedastisitas)
𝐻1 ∶ 𝜎𝑖2 ≠ 𝜎𝑗2 (Heteroskedastisitas)
Statistik uji :
1
𝐵𝑃 = (2) 𝒇𝑇 (𝒁𝑇 𝒁)−1 𝒁𝑇 𝒇 (2.5)

10
 𝑒2
Elemen vektor 𝒇 adalah 𝑓𝑖 = (𝜎𝑖2 − 1) dengan 𝑒𝑖 merupakan residual least

square untuk observasi ke-i dan 𝒁 merupakan matriks berukuran 𝑛 𝑥 (𝑝 + 1)

yang berisi vektor yang sudah dinormalstandartkan untuk setiap observasi. H0
2
ditolak jika 𝐵𝑃 > 𝜒(𝑝) yang menunjukkan bahwa data heterogen.

2.6 Geographically Weighted Regression (GWR)

Model Geographically Weighted Regression (GWR) merupakan salah satu
metode yang digunakan untuk menganalisis data yang mengandung heterogenitas
spasial (Yasin, 2011). Heterogenitas yang dimaksud adalah suatu keadaan
pengukuran hubungan (Measurement of Relationship) diantara variabel berbeda-
beda antar lokasi yang satu dengan lokasi yang lainnya. Yu & Wei (2005)
menerangkan bahwa heterogenitas spasial terjadi apabila satu variabel yang sama
memberikan respon yang tidak sama pada lokasi yang berda di dalam suatu
wilayah penelitian. Model GWR yang terpenting adalah menentukan model
regresi untuk masing-masing titik lokasi sehingga model-model regresi yang
beroleh bersifat unik, yaitu model regresi untuk titik yang satu berbeda dengan
titiktitik yang lainnya. Estimasi parameter di lokasi 𝑖 pada model GWR adalah :
𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) = (𝑿𝒕 𝑾(𝑢𝑖 , 𝑣𝑖 )𝑿)−1 𝑿𝒕 𝑾(𝑢𝑖 , 𝑣𝑖 ) 𝒀 (2.6)

Menurut Leung, et al. (2000), estimator parameter lokal umumnya bersifat

bias, kecuali jika hubungan linear antara variabel respon dengan variabel prediktor
berlaku secara global untuk estimatornya menjadi tak bias. Estimator 𝛽̂ (𝑖) pada
persamaan di atas merupakan estimator bias terhadap 𝛽̂ (𝑖). Model GWR dapat
ditulis sebagai berikut :

p
yi   0  ui , vi     k  ui , vi xik   i (2.7)
k 1

dengan :
𝑦𝑖 adalah nilai pengamatan variabel respons untuk lokasi ke 𝑖

(𝑢𝑖 , 𝑣𝑖 ) adalah koordinat letak geografis longitude dan latitude untuk lokasi 𝑖

𝛽0 (𝑢𝑖 , 𝑣𝑖 ) adalah nilai intersep pada lokasi pengamatan ke 𝑖

11
𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) adalah koefisien regresi variabel prediktor 𝑥𝑘 pada lokasi ke 𝑖

𝑥𝑖𝑘 adalah niali penagmatan variabel prediktor 𝑥𝑘 pada lokasi pengamatan ke 𝑖

𝜀𝑖 adalah residual pengamatan ke 𝑖 yang diasumsikan identik, independen dan

berdistribusi normal dengan mean 0 dan variasi 𝜎 2 konstan.

Pemilihan pembobot spasial yang digunakan dalam menduga parameter

sangat penting untuk menentukan besarnya pembobot masing-masing lokasi yang
berbeda. Pembobot yang digunakan adalah fungsi kernel sebagai berikut
(Fotheringham, et al., 2002)
a. Fungsi Gaussian Kernel
 1  d 
w j  ui , vi   exp    ij2   (2.8)
 2  h 
b. Fungsi Bisquare Kernel
  dij 
2

1   , jika dij  h
w j  ui , vi     h 2  (2.9)

 0, jika dij  h

c. Fungsi Eksponenial Kernel

  d 
w j (ui , vi )  exp    i2j   (2.10)
  h 
d. Fungsi Tricube Kernel
  dij 3
1  , jika dij  h
w j  ui , vi     h3  (2.11)

 0 , jika dij  h

Dengan dij  (ui  u j )2  (vi  v j )2 (2.12)

𝑑𝑖𝑗 adalah jarak eucliden antara lokasi (ui  vi ) ke lokasi (u j  v j ) dan h

adalah parameter non negatif yang diketahui dan biasanya disebut parameter
penghalus (bandwidth).
Bandwidth dapat dianalogikan sebagai radius dari suatulingkaran, sehingga
sebuah titik yang berada di dalam radius lingkaran masih dianggap memiliki
pengaruh. Di dalam pembentukan sebuah model GWR, bandwidth berperansangat

12
penting karena akan berpengaruh pada ketepatan model terhadap data, yaitu
mengatur varians dan bias dari model.
Ada beberapa metode yang digunakan untuk memilih bandwidth optimum,
salah satu diantaranya adalah metode Cross Validation atau CV yang secara
matematis didefinisikan sebagai berikut:

 
n 2

CV  h    yi  y 1  h  (2.13)
i 1

dengan y 1  h  adalah nilai penaksir 𝑦𝑖 dimana pengamatan di lokasi

(ui  vi ) dihilangkan dari proses estimasi. Untuk mendapatkan nilai h yang

optimal maka diperoleh dari h yang menghasilkan nilai CV yang minimum.
Pemilihan model terbaik menggunakan metode Akaike Information
Criterion (AIC) yang didefinisikan sebagai berikut :
AIC  D  G   2K G  (2.14)

D  G  merupakan nilai devians model dengan bandwidth (G) dan 𝐾(𝐺)

merupakan jumlah parameter dalam model denan bandwidth (G). Model terbaik
adalah model dengan AIC terkecil.

2.7 Pengujian Hipotesis pada Model Geographically Weighted Regression

Pengujian hipotesi pada model Geographically Weighted Regression terdiri
dari pengujian kesesuaian model GWR, pengujian pengaruh lokasi parsial, dan
pengujian parameter model. Hipotesis uji kesesuaian model GWR :
H0 : k  ui , vi   k untuk setiap k  0,1, 2, , p dan i  0,1, 2, , n (tidak ada

perbedaan yang signifikan antara model regresi global dan GWR)

H1 : Paling sedikit ada satu k  ui , vi   k k  0,1, 2, , p (ada perbedaan yang

signifikan antara model regresi globaldan GWR).

Statistik uji :
12
RSH  H1  /
12
Fhitung  (2.15)
RSH  H 0  /  n  p  1

13
 Adapun pengujian signifikansi parameter model pada setiap lokasi
dilakukan dengan menguji parameter secara parsial. Hipotesisnya :
H0 : k  ui , vi   0

H1 : k ui , vi   k dengan k  0,1, 2, ,p

Statistik uji yang digunakan :

 k  ui , vi 
Thitung  (2.16)
 ckk

2.8 Software Minitab 16

Minitab adalah program komputer yang dirancang untuk melakukan
pengolahan statistik. Minitab termasuk dalam statistical software yang bersifat
komersil. Minitab dikembangkan di Pennsylvania State University oleh periset
Barbara F. Ryan, Thomas A. Ryan, Jr., dan Brian L. Joiner pada tahun 1972.
Minitab dapat menangani berbagai analisis statistik, termasuk statisttik deskriptif,
dan nonparametrik, korelasi, regresi, dan regresi logistik, univariat (ANOVA),
analisis multivariat dan sebagainya.

2.9 Software R
R adalah suatu kesatuan software yang terintegrasi dengan beberapa fasilitas
untuk manipulasi, perhitungan dan penampilan grafik yang handal. R berbasis
pada bahasa pemrograman S. R adalah bahasa pemrograman, sehingga tidak ada
batasan bagi pengguna untuk memakai prosedur yang hanya terdapat pada paket-
paket yang standar. Bahkan pemrograman R adalah berorientasi obyek dan
memiliki banyak library yang sangat bermanfaat yang dikembangkan oleh
kontributor.
Software R sangat cocok untuk riset, baik statistik, ekonomi, komputasi
numerik dan pemrograman komputer. Karena didukung oleh banyak tenaga ahli
dibidangnya. R layak dijadikan suatu perangkat lunak acuan bagi berbagai
kalangan, terlebih dikalangan akademik.

14
2.10 StatPlanet
StatPlanet adalah sebuah program untuk visualisasi data interaktif dan alat
pemetaan. Hal ini digunakan oleh berbagai jenis organisasi termasuk badan-badan
PBB, Fortune 500 perusahaan, departemen pemerintah, LSM, sekolah dan
perguruan tinggi untuk berkomunikasi dan menggali data. StatPlanet dibuat dalam
beberapa versi untuk memenuhi berbagai kebutuhan. Semua versi StatPlanet
adalah gratis, kecuali StatPlanet Plus, yang memiliki fitur untuk penggunaan
tingkat lanjut, seperti dukungan terhadap database yang besar. Semua versi
StatPlanet dapat digunakan sebagai aplikasi Stand-Alone untuk yang tidak
terhubung ke internet atau sebagai aplikasi web yang dipublikasikan secara
online. StatPlanet Plus versi offline adalah gratis untuk penggunaan non
komersial.
Tujuan StatPlanet adalah untuk mendorong pengambilan keputusan berbasis
pada fakta melalui penyediaan dan peningkatan kualitas komunikasi dan
peningkatan interpretasi informasi. StatPlanet melakukan semua ini dengan
menyediakan :
a. Visualisasi interaktif yang atraktif yang menyediakan interpretasi informasi.
b. Tampilan antar muka yang mudah yang dapat digunakan juga oleh
pengguna biasa.
c. Tampilan data yang otomatis (termasuk proses penggabungan dan
sinkronisasi data dari sumber-sumber yang berbeda).
d. Perangkat lunak yang mudah didistribusikan yang memudahkan orang
untuk mengeksplor dan membuat visualisasi data, meski tanpa memiliki
kemampuan teknis, ketersediaan koneksi internet dan perangkat keras dan
perangkat lunak komputer.
StatPlanet dan dibuat oleh StatSilk, sebuah perusahaan Autralia yang
didirikan oleh Frank van Cappelle. Dari tahun 2008 sampai 2010 pengembangan
versi buatan sendiri diambil alih menjadi bagian dari Program Penelitian
SACMEQ pada Institut International Perencanaan Pendidikan (IIEP), UNESCO,
Paris, Perancis. Perangkat lunak ini dijalankan melalui Adobe Flash Player, yang
hanya memerlukan standar spesifikasi komputer yang minimum.

15
 Gambar 2.1 Fitur dari StatPlanet

2.11 GeoDa
GeoDa adalah paket perangkat lunak yang melakukan analisis data spasial,
geovisualization, autokorelasi spasial dan pemodelan spasial. OpenGeoDa adalah
cross-platform, open source versi Legacy GeoDa. GeoDa memiliki kemampuan
yang kuat untuk melakukan analisis spasial, analisis data eksploratif multivariat,
dan autokorelasi spasial global dan lokal. GeoDa juga mdapat menganalisis
regresi linier dasar. Sedangkan untuk model spasial, baik model spasial lag
maupun model kesalahan spasial, keduanya diperkirakan dengan kemungkinan
maksimal.

16
 BAB III

METODE PENELITIAN

3.1 Data dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder tahun 2016
yang diperoleh dari publikasi berita resmi statistik Badan Pusat Statistik (BPS)
Jawa Timur berdasarkan hasil Survey Sosial Ekonomi (SUSENAS) Provinsi Jawa
Timur. Data ini mencakup Indeks Pembangunan Manusia dan faktor-faktor yang
mempengaruhinya. Pada penelitian ini, unit observasi terdapat 38 daerah
administratif di Provinsi Jawa Timur yang terdiri dari 29 Kabupaten dan 9 Kota di
Provinsi Jawa Timur. Gambar 3.1 merupakan peta administrasi Jawa Timur yang
digunakan dalam pengolahan data :

Gambar 3.1 Peta Administrasi Provinsi Jawa Timur

Gambar 3.1 merupakan peta Jawa Timur berdasarkan Kabupaten/Kota
yang terdapat dalam peta dapat dilihat pada Tabel 3.1 sebagai berikut,
Tabel 3.1 Kabupaten/Kota di Jawa Timur
No. Kabupaten/Kota No. Kabupaten/Kota
1 Kab. Pacitan 20 Kab. Magetan
2 Kab. Ponorogo 21 Kab. Ngawi
3 Kab. Trenggalek 22 Kab. Bojonegoro
4 Kab. Tulungagung 23 Kab. Tuban

17
 5 Kab. Blitar 24 Kab. Lamongan
No. Kabupaten/Kota No. Kabupaten/Kota
6 Kab. Kediri 25 Kab. Gresik
7 Kab. Malang 26 Kab. Bangkalan
8 Kab. Lumajang 27 Kab. Sampang
9 Kab. Jember 28 Kab. Pamekasan
10 Kab. Banyuwangi 29 Kab. Sumenep
11 Kab. Bondowoso 30 Kota Kediri
12 Kab. Situbondo 31 Kota Blitar
13 Kab. Probolinggo 32 Kota Malang
14 Kab. Pasuruan 33 Kota Probolinggo
15 Kab. Sidoarjo 34 Kota Pasuruan
16 Kab. Mojokerto 35 Kota Mojokerto
17 Kab. Jombang 36 Kota Madiun
18 Kab. Nganjuk 37 Kota Surabaya
19 Kab. Madiun 38 Kota Batu

3.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian ini adala 5 variabel yang terdiri
dari satu variabel respon dan empat variabel prediktor dengan rincian terdapat
pada Tabel 3.2 sebagai berikut :

Tabel 3.2 Variabel Penelitian

Variabel Respon Keterangan Variabel Tipe Data
Y Indeks Pembangunan Manusia Kontinu
Variabel Prediktor Keterangan Variabel Tipe Data
X1 Angka Harapan Hidup (AHH) Kontinu
X2 Harapan Lama Sekolah (HLS) Kontinu
X3 Rata-rata Lama Sekolah (RLS) Kontinu
X4 Pengeluaran per Kapita Kontinu

18
Selain variabel-variabel dalam Tabel 3.2, digunakan pula dua variabel geografis
berupa letak koordinat tiap kabupaten/kota di jawa Timur yaitu :
ui menyatakan garis lintang atau latitude di lokasi i,
vi menyatakan garis bujur atau longitude di lokasi i.

3.3 Langkah-Langkah Analisis

Langkah-langkah analisis yang dilakukan untuk mencapai tujuan penelitian
antara lain sebagai berikut :
1) Mengidentifikasi persebaran IPM Provinsi Jawa Timur dengan peta tematik
menggunakan software StatPlanet dengan langkah-langkah sebagai berikut :
(1) Menginputkan data terkait IPM Provinsi Jawa Timur dan faktor-
faktornya kedalam excel.
(2) Mengklasifikasikan kabupaten/kota Provinsi Jawa Timur sesuai data
IPM dengan jumlah kelas klasifikasi sesuai yang diinginkan.
(3) Menampilkan hasil klasifikasi dengan cara membuka lewat adobe
flash player.
(4) Memperoleh peta tematik persebaran IPM di Jawa Timur.
2) Memodelkan IPM Provinsi Jawa Timur menggunakan pendekatan model
GWR dengan langkah-langkah sebagai berikut :
(1) Mendapatkan nilai residual dari variabel respon menggunakan
software minitab 16.
(2) Melakukan uji asumsi
a. Melakukan uji asumsi normalitas dilakukan dengan software
minitab 16 menggunakan uji Kolmogorov-Smirnov dengan
melihat nilai p-value. Jika p-value > 𝛼 maka residual
berdistribusi normal.
b. Melakukan uji multikolinieritas dilakukan dengan software
minitab 16 dengan melihat nilai VIF. Jika nilai VIF < 10 maka
secara signifikan dapat disimpulkan tidak terdapat
multikolinieritas.
c. Melakukan uji residual identik dengan menggunakan uji
Breusch-Pagan untuk mengetahui apakah terdapat

19
 heteroskedastisitas atau tidak sesuai dengan persamaan (2.5)
menggunakan software geoda. Jika BP lebih besar dari 𝑋𝑃 2 ,
maka terdapat heteroskedastisitas.
d. Melakukan uji asumsi residual independen menggunakan uji
Moran’s I sesuai dengan persamaan (2.4) menggunakan package
spgwr pada software R. Jika nilai p-value < 𝛼 maka terdapat
dependensi residual.
(3) Menganalisis model GWR pada IPM Provinsi Jawa Timur
menggunakan software GWR 4 dengan langkah-langkah sebagai
berikut :
a. Menginput data IPM Jawa Timur beserta faktor-faktornya dalam
excel untuk dibuka pada software GWR 4.
b. Melakukan pembentukan model GWR pada persamaan (2.7)
c. Melakukan pemilihan pembobot fungsi nilai bandwidth
optimum berdasarkan kriteria Cross Validation (CV),
perhitungan CV dilakukan hingga mendapatkan nilai CV
minimum dengan menggunakan persamaan (2.13).
d. Menjalankan atau mengeksusi program untuk mendapatkan
estimasi model GWR terbaik.
e. Menentukan matriks pembobot dengan menggunakan fungsi
kernel Gaussian, Bisquare, Eksponensian, dan Tricube dengan
menggunakan persamaan (2.8), (2.9), (2.10), dan (2.11).
(4) Menaksirkan parameter model GWR dengan menggunakan model
terbaik yang memiliki nilai AIC minimum dengan menggunakan
persamaan (2.14), R-square terbesar, dan MSE terkecil.
(5) Melakukan pengujian kesesuaian model Geographically Weighted
Regression dengan menggunakan persamaan (2.15). Selain itu,
melakukan pengujian secara parsial pada parameter Geographically
Weighted Regression dengan menggunakan persamaan (2.16).
(6) Memperoleh model terbaik untuk IPM pada masing-masing
Kabupaten/Kota di Provinsi Jawa Timur.

20
3) Mendeskripsikan faktor-faktor yang berpengaruh signifikan terhadap IPM di
setiap Kabupaten/Kota di Provinsi Jaw Timur dengan langkah-langkah :
(1) Membuat peta tematik hasil estimasi IPM setiap Kabupaten/Kota di
Jawa Timur berdasarkan faktor yang berpengaruh signifikan dengan
melakukan pengelompokan menggunakan software StatPlanet.
(2) Melakukan interpretasi faktor-faktor yang berpengaruh signifikan
terhadap IPM setiap Kabupaten/Kota di Jawa Timur.

21
 BAB IV

PEMBAHASAN

4.1 Karakteristik Indeks Pembangunan Manusia dan Faktor-Faktor yang

Diduga Mempengaruhi Indeks Pembangunan Manusia pada Jawa
Timur
Indeks Pembangunan Manusia (IPM) dan faktor faktor yang diduga
berpengaruh akan dijelaskan menggunakan peta tematik sebagai berikut :
4.1.1 Indeks Pembangunan Manusia di Jawa Timur Tahun 2016
Hasil Survei Sosial Ekonomi (SUSENAS) Provinsi Jawa Timur tahun 2016
diperoleh data IPM untuk masing-masing kabupaten/kota di Jawa Timur
(Lampiran 1). Untuk dapat mengetahui pemetaan IPM di Jawa Timur tahun 2016
disajikan dengan peta tematik pada Gambar 4.1 sebagai berikut :
PEMETAAN INDEKS PEMBANGUNAN MANUSIA
DI JAWA TIMUR TAHUN 2016

Gambar 4.1 Pemetaan IPM di JawaTimur Tahun 2016

Berdasarkan Gambar 4.1 dapat dijelaskan bahwa hanya terdapat satu

kabupaten/kota dari 38 kabupaten/kota di Jawa Timur yang memiliki nilai IPM
termasuk kategori rendah yaitu Kabupaten Sampang dengan nilai 59,09. Kategori
IPM sangat tinggi sebanyak 3 kabupaten/kota yaitu Kota Malang, Kota Madiun,

22
dan Kota Surabaya, dengan IPM tertinggi yaitu Kota Malang sebesar 80,46.
Kategori IPM tinggi sebanyak 14 kabupaten/kota, sedangkan 20 kabupaten/kota
sisanya termasuk kategori IPM sedang.
Selanjutnya dipetakan pemetaan nilai IPM di masing-masing
kabupaten/kota jika dibandingkan dengan capaian atau rata-rata IPM provinsi
yaitu 69,79158, disajikan dalam peta tematik Gambar 4.2 sebagai berikut :

Gambar 4.2 Pemetaan IPM dibandingkan dengan capaian atau rata-rata IPM
provinsi di Jawa Timur Tahun 2016

Berdasarkan Gambar 4.2 jumlah kabupaten/kota yang memiliki nilai IPM

di atas rata-rata IPM provinsi adalah 16 kabupaten/kota, sedangkan 22
kabupaten/kota memiliki nilai IPM di bawah rata-rata IPM provinsi. Kondisi ini
disebabkan karena adanya perbedaan kondisi sosial budaya serta ekonomi di
masing-masing kabupaten/kota. Selain itu juga dipengaruhi oleh sarana/prasarana
yang masih kurang memadai di beberapa lokasi (BPS, 2017).

4.1.2 Angka Harapan Hidup (AHH)

Angka Harapan Hidup (AHH) secara definisi adalah perkiraan rata-rata
lamanya hidup yang akan dicapai oleh sekelompok penduduk dari sejak lahir.
AHH dapat dijadikan salah satu alat untuk mengevaluasi kinerja pemerintah pada

23
keberhasilan pembangunan kesehatan serta sosial ekonomi di suatu wilayah,
termasuk di dalamnya derajat kesehatan.
Menurut Badan Perencanaan Pembangunan Nasional, penduduk Indonesia
diperkirakan akan mencapai 273,65 juta jiwa pada tahun 2025. Pada tahun yang
sama, AHH Nasional diperkirakan mencapai 73,7 tahun. Peta pemetaan AHH di
Jawa Timur tahun 2016 disajikan pada Gambar 4.3.

Gambar 4.3 Pemetaan Angka Harapan Hidup di JawaTimur Tahun 2016

Pada Gambar 4.3 menunjukkan bahwa terdapat 17 kabupaten/kota dengan

AHH kurang dari rata – rata yaitu Kabupaten Lumajang, Kabupaten Jember,
Kabupaten Banyuwangi, Kabupaten Bondowoso, Kabupaten Situbondo,
Kabupaten Probolinggo, Kabupaten Pasuruan, Kabupaten Nganjuk, Kabupaten
Madiun, Kabupaten Bojonegoro, Kabupaten Tuban, Kabupaten Bangkalan,
Kabupaten Sampang, Kabupaten Pamekasan, Kabupaten Sumenep, Kota
Probolinggo, dan Kota Pasuruan. Selanjutnya, 21 kabupaten/kota yang termasuk
dalam AHH di atas rata - rata adalah Kabupaten. Pacitan, Kabupaten Ponorogo,
Kabupaten Trenggalek, Kabupaten Tulungagung, Kabupaten Blitar, Kabupaten
Kediri, Kabupaten Malang, Kabupaten Sidoarjo, Kabupaten Mojokerto,
Kabupaten Jombang, Kabupaten Magetan, Kabupaten Ngawi, Kabupaten

24
Lamongan, Kabupaten Gresik, Kota Kediri, Kota Blitar, Kota Malang, Kota
Mojokerto, Kota Madiun, Kota Surabaya, dan Kota Batu.
Kota Surabaya tercatat mempunyai AHH tertinggi sebesar 73,87 tahun.
Sarana dan prasarana kesehatan di Surabaya relatif lengkap, dan masyarakatnya
dengan mudah memanfaatkan akses sarana dan prasarana kesehatan. Di samping
itu, kesadaran masyarakat Surabaya untuk berpola hidup sehat semakin tinggi,
sehingga mendukung meningkatnya AHH. Kabupaten Bondowoso tercatat
mempunyai AHH terendah sebesar 65,89 tahun. Walaupun demikan capaian AHH
tahun 2016 mengalami peningkatan sebesar 0,16 tahun dari tahun sebelumnya.
Kenaikan tersebut mengindikasikan bahwa pembangunan kesehatan di
Bondowoso juga semakin membaik.

4.1.3 Harapan Lama Sekolah (HLS)

Dilihat dari sisi pertumbuhannya, selama periode 2010 hingga 2016 angka
HLS rata-rata tumbuh sebesar 2,05 persen per tahun. Meningkatnya angka HLS
menjadi sinyal positif bahwa semakin banyak penduduk yang bersekolah. Di
tahun 2016, harapan lama sekolah di Jawa Timur telah mencapai 12,98 tahun
yang berarti bahwa anak-anak usia 7 tahun memiliki peluang untuk menamatkan
pendidikan mereka hingga lulus SMA atau D1. Peta pemetaan angka HLS di Jawa
Timur tahun 2016 disajikan pada Gambar 4.4.

Gambar 4.4 Pemetaan Angka Harapan Lama Sekolah di Jawa Timur Tahun 2016

25
 Pada Gambar 4.4 menunjukkan bahwa terdapat 20 kabupaten/kota dengan
angka HLS kurang dari rata – rata yaitu Kabupaten Pacitan, Kabupaten
Trenggalek, Kabupaten Blitar, Kabupaten Kediri, Kabupaten Malang, Kabupaten
Lumajang, Kabupaten Jember, Kabupaten Banyuwangi, Kabupaten Bondowoso,
Kabupaten Probolinggo, Kabupaten Pasuruan, Kabupaten Mojokerto, Kabupaten
Jombang, Kabupaten Nganjuk, Kabupaten Ngawi, Kabupaten Bojonegoro,
Kabupaten Tuban, Kabupaten Bangkalan, Kabupaten Sampang, dan Kabupaten
Sumenep. Selanjutnya, 18 kabupaten/kota yang termasuk dalam kategori angka
HLS di atas rata - rata adalah Kabupaten Ponorogo, Kabupaten Tulungagung,
Kabupaten Situbondo, Kabupaten Sidoarjo, Kabupaten Madiun, Kabupaten
Magetan, Kabupaten Lamongan, Kabupaten Gresik, Kabupaten Pamekasan, Kota
Kediri, Kota Blitar, Kota Malang, Kota Probolinggo, Kota Pasuruan, Kota
Mojokerto, Kota Madiun, Kota Surabaya, dan Kota Batu.
Kota Malang tercatat mempunyai HLS tertinggi sebesar 15,38 tahun. Sarana
dan prasarana pendidikan di Kota Malang relatif lengkap dari sekolah sampai
perguruan tinggi, dan masyarakatnya dengan mudah memanfaatkan akses sarana
dan prasarana pendidikan. Di samping itu, kesadaran masyarakat Malang terkait
jenjang dan kualitas pendidikannya semakin tinggi, sehingga mendukung
meningkatnya HLS. Kabupaten Sampang tercatat mempunyai HLS terendah
sebesar 11,37 tahun.

4.1.4 Rata-Rata Lama Sekolah (RLS)

Dalam menggambarkan tingkat pendidikan penduduk suatu wilayah dapat
dilihat dari rata-rata lama sekolah (RLS). Angka RLS adalah rata-rata jumlah
tahun yang dihabiskan oleh penduduk untuk menempuh semua jenis pendidikan
formal yang pernah dijalani. Lamanya Sekolah atau years of schooling adalah
sebuah angka yang menunjukkan lamanya bersekolah pada sekolah formal
seseorang dari masuk sekolah dasar sampai dengan tingkat pendidikan
terakhirnya.
Dilihat dari sisi pertumbuhannya, selama periode 2010 hingga 2016 angka
RLS di Jawa Timur tumbuh 1,2 persen per tahun. Pada tahun 2016 RLS Jawa Timur
tahun mencapai 7,23 tahun menunjukkan bahwa secara umum rata-rata penduduk Jawa

26
Timur usia 25 tahun ke atas telah mengenyam pendidikan hingga kelas VII (SMP kelas I).
Pertumbuhan yang positif ini merupakan modal penting untuk mendukung
pembangunan di Jawa Timur. Artinya kualitas sumber daya manusia dari sisi
pendidikan yang semakin membaik akan berdampak terhadap peningkatan daya
saing sumber daya manusia sebagai pelaku utama pembangunan. Peta pemetaan
angka RLS di Jawa Timur tahun 2016 disajikan pada Gambar 4.5.
PEMETAANRATA-RATA LAMA SEKOLAH (RLS)
DI JAWA TIMUR TAHUN 2016

Gambar 4.5 Pemetaan Angka Rata-Rata Lama Sekolah di Jawa Timur Tahun
2016
\

Pada Gambar 4.5 menunjukkan bahwa terdapat 22 kabupaten/kota dengan

angka RLS kurang dari rata – rata yaitu adalah Kabupaten Pacitan, Kabupaten
Ponorogo, Kabupaten Trenggalek, Kabupaten Blitar, Kabupaten Malang,
Kabupaten Lumajang, Kabupaten jember, KabupatenBanyuwangi, Kabupaten
Bondowoso, KabupatenSitubondo, KabupatenProbolinggo, Kabupaten Pasuruan,
Kabupaten Nganjuk, Kabupaten Madiun, Kabupaten Ngawi, Kabupaten
Bojonegoro, Kabupaten Tuban, Kabupaten Lamongan, Kabupaten Bangkalan,
Kabupaten Sampang, Kabupaten Pamekasan, dan Kabupaten Sumenep.
Selanjtutnya 16 kabupaten/kota dengan angka RLS di atas rata – rata adalah
Kabupaten Tulungagung, Kabupaten Kediri, Kabupaten Sidoarjo, Kabupaten
Mojokerto, Kabupaten Jombang, Kabupaten Magetan, Kabupaten Gresik, Kota

27
Kediri, Kota Blitar, Kota Malang, Kota Probolinggo, Kota Pasuruan, Kota
Mojokerto, Kota Madiun, Kota Surabaya, dan Kota Batu.
Kota Madiun tercatat mempunyai RLS tertinggi sebesar 11,09 tahun. Sarana
dan prasarana pendidikan di Kota Malang relatif lengkap dari sekolah sampai
perguruan tinggi, dan masyarakatnya dengan mudah memanfaatkan akses sarana
dan prasarana pendidikan. Di samping itu, kesadaran masyarakat Malang terkait
jenjang dan kualitas pendidikannya semakin tinggi, sehingga mendukung
meningkatnya RLS Kabupaten Sampang tercatat mempunyai HLS terendah
sebesar 3,79 tahun.

4.1.5 Pengeluaran Per Kapita

Standar hidup yang layak digambarkan oleh pengeluaran per kapita
disesuaikan, yang ditentukan dari nilai pengeluaran per kapita menurut paritas
daya beli. Selama periode 2010-2016, pengeluaran per kapita disesuaikan
masyarakat meningkat sebesar Rp. 285,5 ribu per tahun. Peningkatan pengeluaran
per kapita yang disesuaikan ini menunjukkan bahwa kemampuan ekonomi
masyarakat Jawa Timur semakin membaik. Kondisi ini sejalan dengan makro
ekonomi yang ditunjukkan dari angka produk domestik regional bruto (output
wilayah) yang juga mengalami kenaikan selama periode tersebut (BPS, 2017).
Peta pemetaan pengeluaran per kapita di Jawa Timur tahun 2016 disajikan pada
Gambar 4.6.

Gambar 4.6 PemetaanPengeluaran Per Kapitadi JawaTimur Tahun 2016

28
 Pada Gambar 4.6 menunjukkan bahwa terdapat 21 kabupaten/kota dengan
pengeluaran per kapita yaitu Kabupaten Pacitan, Kabupaten Ponorogo, Kabupaten
Trenggalek, Kabupaten Tulungagung, Kabupaten Blitar, Kabupaten Kediri,
Kabupaten Malang, Kabupaten Lumajang, Kabupaten Jember, Kabupaten
Bondowoso, Kabupaten Situbondo, Kabupaten Probolinggo, Kabupaten Pasuruan,
Kabupaten Jombang, Kabupaten Bojonegoro, Kabupaten Tuban, Kabupaten
Lamongan, Kabupaten Bangkalan, Kabupaten Sampang, Kabupaten Pamekasan,
dan Kabupaten Sumenep. Selanjutnya, 17 kabupaten/kota yang termasuk dalam
kategori pengeluaran per kapita di atas rata - rata adalah Kabupaten Banyuwangi,
Kabupaten Sidoarjo, Kabupaten Mojokerto, Kabupaten Nganjuk, Kabupaten
Madiun, Kabupaten Magetan, Kabupaten Ngawi, Kabupaten Gresik, Kota
Kediri, Kota Blitar, Kota Malang, Kota Probolinggo, Kota Pasuruan, Kota
Mojokerto, Kota Madiun, Kota Surabaya, dan Kota Batu. Kota Surabaya tercatat
mempunyai pengeluaran per kapita tertinggi sebesar 16,295 juta. Kabupaten
Sumenep tercatat mempunyai pengeluaran per kapita terendah yaitu sebesar 7,846
juta.
Berdasarkan Lampiran 1 dapat dirangkum deskripsi variabel prediktor
yang digunakan untuk melihat pengaruhnya terhadap nilai IPM (variabel respon)
di Jawa Timur yang meliputi Angka Harapan Hidup (𝑋1), Harapan Lama Sekolah
(𝑋2), Rata-Rata Lama Sekolah (𝑋3), dan pengeluaran per kapita (𝑋4 ).
Tabel 4.1 Deskripsi Variabel Penelitian
Variabel Minimum Maksimum Rata-Rata

Y 59,09 80,46 69,7916

X1 65,89 73,67 71,0476
X2 11,37 14,61 12,9813
X3 3,79 10,44 7,47026
X4 7,846 15,732 10,5631

Berdasarkan Tabel 4.1 dapat diketahui nilai maksimum dan minimum untuk
masing-masing variabel. Selisih antara nilai maksimum dan minimum yang besar
menunjukkan adanya perbedaan kondisi di masing-masing kabupaten/kota,
misalnya untuk nilai maksimum dan minimum dari variabel respon atau IPM di
masing-masing kabupaten/kota. Nilai minimum IPM adalah 59,09 yaitu

29
Kabupaten Sampangr dan nilai maksimumnya adalah 80,46 yaitu Kota Malang.
Selisih antara dua daerah tersebut adalah sebesar 21,37. Perbedaan nilai IPM yang
cukup besar ini dipengaruhi oleh kondisi di masing-masing daerah yang berbeda.
Selanjutnya gambaran hubungan masing-masing variabel prediktor terhadap IPM
dapat dijelaskan pada Gambar 4.7 sebagai berikut :

Scatterplot of AHH; HLS; RLS; PENGELUARAN vs IPM

60 65 70 75 80
AHH HLS
75,0
15
72,5
14
70,0
13
67,5 12

65,0 11
RLS PENGELUARAN
12
16000
10 14000

8 12000
10000
6
8000
4
60 65 70 75 80
IPM

Gambar 4.7 Scatter Plot Masing-masing Variabel Prediktor dengan Variabel

Respon
Pada Gambar 4.7 menunjukkan ada atau tidaknya hubungan dan
bagaimana kecenderungan hubungan antara masing-masing variabel prediktor
terhadap variabel respon. Pola hubungan antara variabel prediktor (AHH, HLS,
RLS, dan pengeluaran per kapita) dengan variabel respon, berdasarkan scatterplot
pada Gambar 4.7 menunjukkan pola hubungan positif, yaitu setiap adanya
peningkatan yang terjadi pada variabel prediktor akan diikuti dengan peningkatan
pada variabel respon.
Pencapaian pembangunan manusia diukur dengan memperhatikan tiga
aspek yaitu umur panjang dan hidup sehat (a long and healthy life), pengetahuan
(knowledge), dan standar hidup layak (decent standard of living). Umur panjang dan
hidup sehat digambarkan oleh angka harapan hidup saat lahir (AHH), pengetahuan
diukur melalui indikator harapan lama sekolah dan rata-rata lama sekolah, dan standar
hidup yang layak digambarkan oleh pengeluaran per kapita disesuaikan, yang ditentukan
dari nilai pengeluaran per kapita menurut paritas daya beli (BPS, 2017). Oleh karena
itu, peningkatan capaian IPM tidak terlepas dari peningkatan setiap
komponennya.

30
4.2 Model dan Uji Hipotesis Data Indeks Pembangunan Manusia (IPM) di
Jawa Timur berdasarkan Pendekatan Geographically Weighted
Regression (GWR)
4.2.1 Pengujian Asumsi
Sebelum mengestimasi parameter model dengan analisis regresi spasial,
data yang akan digunakan terlebih dahulu diuji dengan uji asumsi klasik dan uji
asumsi spasial.
1. Uji Asumsi Klasik
Uji asumsi klasik terdiri dari uji normalitas dan uji multikolinieritas. Tujuan
uji asumsi klasik yaitu untuk mengetahui data yang akan dianalisis sudah
memenuhi asumsi-asumsi dasar regresi.
a. Uji Normalitas Residual
Uji asumsi normalitas diharapkan variabel respon berdistribusi normal
sehingga asumsi ini dapat terpenuhi. Pengujian asumsi normalitas
dilakukan dengan uji Kolmogorov-Smirnov dengan bantuan software
MINITAB 16. Hipotesisnya sebagai berikut :
𝐻0 menyatakan residual berdistribusi normal,
𝐻1 menyatakan residual tidak berdistribusi normal.

Probability Plot of RESI1

Normal
99
Mean -2,28122E-14
StDev 0,2681
95 N 38
KS 0,141
90
P-Value 0,055
80
70
Percent

60
50
40
30
20

10

1
-0,75 -0,50 -0,25 0,00 0,25 0,50
RESI1

Gambar 4.8 Plot Uji Normalitas Data

31
 Berdasarkan hasil pengujianyangditampilkan pada Gambar 4.8
diperoleh nilai p-value sebesar 0,055, dengan digunakan tingkat
signifikansi  sebesar 5% maka diperoleh keputusan terima H 0
sehingga dapat disimpulkan bahwa data residual berdistribusi normal.
Hal tersebut menunjukkan bahwa data telah memenuhi uji asumsi data
berdistribusi normal.

b. Uji Multikolinieritas
Pada pengujian asumsi multikolinieritas diharapkan tidak terjadi
adanya korelasi yang kuat diantara beberapa variabel prediktor yang
dimasukkan ke dalam model. Kasus multikolinieritas terjadi ketika
nilai VIF > 10. Hasil pengujian menggunakan software Minitab 16
(lihat Lampiran 2) didapat nilai VIF dari masing-masing variabel
prediktor ditampilkan pada Tabel 4.2 berikut :

Tabel 4.2 Nilai VIF Faktor-Faktor yang Mempengaruhi Kemiskinan

di Jawa Timur
Variabel Prediktor VIF

𝑋1 2.509
𝑋2 3.156
𝑋3 8.952
𝑋4 4.280

Berdasarkan Tabel 4.2 diketahui bahwa nilai VIF dari variabel

prediktor 𝑋1 , 𝑋2, 𝑋3, dan 𝑋4 , kurang dari 10 , sehingga tidak terjadi
kasus multikolinieritas antar variabel prediktor dan dapat disimpulkan
asumsi multikolinieritas terpenuhi.
2. Uji Asumsi Spasial
Uji asumsi spasial bertujuan untuk mengetahui data yang akan dianalisis
telah memenuhi asumsi – asumsi dasar regresi spasial. Terdapat dua
pengujian asumsi spasial dalam penelitian ini dengan penjelasan sebagai
berikut:

32
a. Uji Heterogenitas

Pengujian ini dilakukan untuk mengetahui apakah terdapat

karakteristik di setiap lokasi pengamatan. Adanya heterogenitas
spasial dapat menghasilkan parameter regresi yang berbeda-beda di
setiap lokasi pengamatan. Heterogenitas spasial dapat diuji dengan
menggunakan statistik uji Breusch-Pagan dengan softawre geoda
seperti pada Lampiran 3 yang mempunyai hipotesis sebagai berikut :
H 0 :  12   22  ...   38 2   2 (homogenitas)

H1 : Minimal ada satu  i2   2 ; i  1, 2,...,38 (heterogenitas)

Pada taraf ∝ sebesar 5% dihasilkan nilai p-value sebesar 0.04595 dan
statistik uji Breusch-Pagan sebesar 8,8128 sehingga p  value   dan
BP > 𝑋42 (1,533) maka 𝐻0 ditolak yang berarti terjadi heterogenitas
dalam data. Hal tersebut menunjukkan bahwa data telah memenuhi uji
asumsi spasial GWR yaitu terdapat heterogenitas spasial dalam data.
b. Uji Dependensi
Pengujian dependensi spasial dilakukan untuk melihat apakah
pengamatan di suatu lokasi berpengaruh terhadap pengamatan di
lokasi lain yang letaknya berdekatan. Pengujian dependensi spasial
dapat dilakukan dengan uji Moran’s Idengan software R dengan
syntax dan output seperti pada Lampiran 4 dan menggunakan uji
hipotesis sebagai berikut:
H 0 :   0 (tidak ada dependensi spasial)

H1 :   0 (ada dependensi spasial)

Pada tingkat signifikansi  sebesar 5% dihasilkan nilai p-
valuesebesar 0.000001198. Nilai p-value lebih kecil dibandingkan
dengan nilai tingkat signifikansi  sebesar 5% dapat ditarik
keputusan bahwa H 0 ditolak dengan kesimpulan terdapat dependensi
spasial antar data. Hal tersebut menunjukkan bahwa data telah
memenuhi uji asumsi spasial yaitu terdapat depensi spasial dalam
data.

33
4.2.2 Pemodelan Indeks Pembangunan Manusia di Jawa Timur
Setelah dilakukan pengujian asumsi klasik dan asumsi spasial maka dapat
dilakukan pemodelan tingkat kemiskinan di Jawa Timur sebagai berikut.

1. Pemodelan Indeks Pembangunan Manusia di Jawa Timur dengan

Pendekatan Geographically Weighted Regression

Tahap pertama dalam melakukan pemodelan adalah menentukan pembobot

model Geographically Weighted Regression (GWR) Masing-masing pembobot
memiliki nilai bandwidth (h) yang berguna untuk mengontrol kemulusan kurva
terhadap data. Pemilihan bandwidth yang optimum penting dilakukan karena akan
mempengaruhi ketepatan model terhadap data, yaitu mengatur variansi dan bias
dari model. Bandwidth optimum diperoleh berdasarkan kriteria nilai CV minimum
yang dihasilkan oleh pembobot fixed gaussian dan fixed bi-square. Fungsi
pembobot yang akan di gunakan ditentukan berdasarkan fungsi kernel yang
memiliki kriteria AIC minimum. Analisis dilakukan dengan menggunakan
software GWR 4.0 (lihat Lampiran 5 dan Lampiran 6) diperoleh ringkasan nilai
AIC dan R2 untuk masing-masing pembobot adalah sebagai berikut :

Tabel 4.3 Nilai AIC dan R2 dari Pembobot

JenisPembobot Nilai AIC R2 MSE
Fixed Gaussian Kernel 15,367 0,998560 0,059
Fixed Bi-square Kernel 15,955 0,998474 0,060

PadaTabel 4.3 menunjukkan bahwa pembobot yang sesuai adalah Fixed

Gaussian Kernel karena pembobot ini memiliki nilai AIC terkecil yaitu sebesar
15,367 dengan nilai R2 paling tinggi diantara pembobot lainnya yaitu 99,85 % dan
memiliki MSE terkecil yaitu 0,059. Fungsi Fixed Gaussian Kernel memiliki nilai
CV sebesar 0,088887 dan bandwidth sebesar 88,503. Estimasi model IPM pada
masing-masing kabupaten/kota di Jawa Timur akan dilakukan menggunakan
pendekatan GWR dengan pembobot Fixed Gaussian Kernel.
Tahap selanjutnya adalah melakukan estimasi parameter model dengan
pembobot Fixed Gaussian Kernel menggunakan software GWR4.0. Hasil estimasi
untuk parameter variabel terlampir pada Lampiran 5. Nilai estimasi disemua

34
lokasi  i  dari variabel prediktor secara lengkap dapat dilihat pada Lampiran 7,

diringkas dalam Tabel 4.4 berikut :

Tabel 4.4 Nilai Estimasi Variabel Prediktor yang Bersifat Lokal
Parameter ̂
𝜷 Range STD

Minimum Maksimum ̂
𝜷 ̂
𝜷

Intercept -0,199664 10,614875 10,814539 2,900927

X1 0,381054 0,519652 0,138598 0,037416

X2 0,925881 1,172522 0,246640 0,074239

X3 1,078528 1,527969 0,449440 0,125991

X4 0,767169 0,948194 0,181024 0,045362

Langkah selanjutnya setelah menaksir parameter model GWR, adalah

melakukan pengujian hipotesis terhadap parameter model GWR.

2. Pengujian Hipotesis Parameter Model GWR

Setelah dipilih model terbaik, selanjutnya dilakukan uji kesesuaian model
untuk mengetahui apakah model GWR yang dihasilkan telah sesuai pada data
IPM di Jawa Timur. Hipotesis yang digunakan adalah sebagai berikut :
𝐻0 menyatakan model GWR tidak sesuai.
𝐻1 menyatakan model GWR sesuai.
Dengan menggunakan software GWR 4.0 didapatkan hasil uji kesesuaian model
GWR yang disajikan dalam Tabel 4.5 sebagai berikut :
Tabel 4.5 Hasil Uji Kesesuaian Model GWR
Source DF SS MS F
Global Residual 33,00 2,675

GWR Improvement 6,711 1.932 0,2879

GWR Residual 26,289 1,541 0,059 4.87966

Pada Tabel 4.5 menunjukkan bahwa nilai 𝐹sebesar 4,88 > 𝐹(0,05;1,541,34)
sebesar 3,275 maka keputusan yang diambil adalah tolak 𝐻0 sehingga dapat

35
disimpulkan bahwa model regresi spasial GWR yang didapat sudah sesuai untuk
data IPM di Jawa Timur karena nilai parameter dari setiap lokasi berbeda.
Setelah dilakukan uji kesesuaian model, selanjutnya adalah melakukan uji
signifikansi secara parsial parameter di setiap lokasi. Statistik uji yang digunakan
untuk mendapatkan variabel prediktor yang secara signifikan mempengaruhi
variabel responnya dengan 𝛼 sebesar 5% adalah uji 𝑇 dengan kriteria pengujian
H 0 ditolak jika |T𝑘𝑖 |(0,025;1,541) = 4,303. Dengan software GWR4.0 pada
Lampiran 7 didapat 𝑇𝑘𝑖 beserta koefisien variabel prediktor pada model GWR.
Sebagai contoh, maka diambil analisis hasil estimasi parameter model untuk
kabupaten/kota yang memiliki nilai IPM paling tinggi yaitu Kota Malang dan
kabupaten/kota yang memiliki nilai IPM paling rendah yaitu Kabupaten Sampang.
Hipotesis yang digunakan untuk menguji parameter di Kota Malang adalah
sebagai berikut :
𝐻0 ∶ 𝛽𝑘 (31) = 0; 𝑘 = 1,2,3,4
𝐻0 ∶ 𝛽𝑘 (31) ≠ 0
Hasil pengujian parsial paremeter model GWR untuk Kota Malang diringkas
dalam Tabel 4.6 sebagai berikut :
Tabel 4.6 Pengujian Parsial Parameter Model GWR Kota Malang
Parameter Estimasi Standart Thitung T tabel Keputusan
Error

0 6,697347 2,448774 2,734979 4,303 -

1 0,43897 0,032675 13,43435 Tolak 𝐻0

2 0,997952 0,084103 11,86582 Tolak 𝐻0

3 1,428838 0,076236 18,74234 Tolak 𝐻0

4 0,784054 0,042012 18,66247 Tolak 𝐻0

Berdasarkan pengujian parsial parameter model GWR di Kota Malang pada

Tabel 4.6 diatas, diperoleh model GWR untuk Kota Malang sebagai berikut:
𝑦̂31 = 6,697347 + 0,43897𝑋31,1 + 0,997952 𝑋31,2 + 1,428838 𝑋31,3 +
0,784054 𝑋31,4 (4.1)

36
Hasil nilai Tki untuk masing-masing variabel prediktor disajikan dalam Tabel 4.6,

keputusan yang diambil adalah tolak H 0 apabila |T|(0,025;1,541) > 4,303, sehingga

diperoleh parameter yang berpengaruh signifikan pada Kota Malang adalah 𝛽1,
𝛽2, 𝛽3 , dan 𝛽4 .

Berdasarkan Tabel 4.6 dapat diketahui nilai estimasi untuk variabel angka
harapan hidup (AHH) sebesar 0,43897. Hal ini dapat diinterpretasikan bahwa
apabila AHH meningkat sebesar 1% dengan menganggap variabel yang lain
konstan, maka nilai IPM di Kota Malang akan meningkat sebesar 0,43897. Nilai
estimasi untuk variabel harapan lama sekolah (HLS) sebesar 0,997952. Hal ini
dapat diinterpretasikan bahwa apabila HLS meningkat sebesar 1% dengan
menganggap variabel yang lain konstan, maka nilai IPM di Kota Malang akan
meningkat sebesar 0,997952. Nilai estimasi untuk variabel Rata-rata Lama
Sekolah (RLS) sebesar1,428838. Hal ini dapat diinterpretasikan bahwa apabila
RLS meningkat sebesar 1% dengan menganggap variabel yang lain konstan, maka
nilai IPM di Kota Malang akan meningkat sebesar 1,428838. Nilai estimasi untuk
variabel pengeluaran sebesar 0,784054. Hal ini dapat diinterpretasikan bahwa
apabila pengeluaran per kapita meningkat sebesar 1% dengan menganggap
variabel yang lain konstan, maka nilai IPM di Kota Malang akan meningkat
sebesar 0,784054. Berdasarkan uraian tersebut dapat disimpulkan AHH, HLS,
RLS, dan pengeluaran per kapita di Kota Malang memiliki hubungan yang
berbanding lurus, yaitu semakin tinggi nilai AHH, HLS, RLS, dan pengeluaran
per kapita akan menyebabkan peningkatan IPM. Hal ini didukung dengan plot
data AHH, HLS, RLS dan pengeluaran per kapita masing-masing dengan variabel
respon pada Gambar 4.7. Salah satu cara yang dapat dilakukan pemerintah dalam
upaya meningkatkan IPM berdasarkan analisis di atas adalah meningkatkan AHH,
HLS, RLS, dan pengeluaran pemerintah.
Hipotesis yang digunakan untuk menguji parameter di Kabupaten Sampang
adalah sebagai berikut :
𝐻0 ∶ 𝛽𝑘 (26) = 0; 𝑘 = 1,2,3,4
𝐻1 ∶ 𝛽𝑘 (26) ≠ 0

37
Hasil pengujian parsial paremeter model GWR untuk Kabupaten Sampang
diringkas dalam Tabel 4.7 sebagai berikut :
Tabel 4.7 Pengujian Parsial Parameter Model GWR Kabupaten Sampang
Parameter Estimasi Standart T hitung T tabel Keputusan
Error

0 9,908427 2,733219 3,625185 -

1 0,395056 0,036387 1,857094 Tolak𝐻0

2 0,9929921 0,092503 10,05288 4,303 Terima𝐻0

3 1,527969 0,08445 18,09318 Terima𝐻0

4 0,784298 0,045941 3,071817 Tolak 𝐻0

Berdasarkan pengujian parsial parameter model GWR di Kabupaten

Sampangpada Tabel 4.7 diatas, diperoleh model GWR untuk Kabupaten
Sampang sebagai berikut :
𝑦̂26 = 9,908427 + 0,395056 𝑋26,1 + 0,9929921 𝑋31,2 + 1,527969 𝑋31,3 +
0,784298 𝑋31,4 (4.2)
Hasil nilai Tki untuk masing-masing variabel prediktor disajikan dalam Tabel 4.7,

keputusan yang diambil adalah tolak H 0 apabila |T|(0,025;1,541) > 4,303, sehingga

diperoleh parameter yang berpengaruh signifikan pada Kabupaten Sampang

adalah 𝛽2, dan 𝛽3 yang masing-masing bersesuaian dengan Harapan Lama
Sekolah (HLS) dan Rata-Rata Lama Sekolah (RLS).

Berdasarkan Tabel 4.7 dapat diketahui nilai estimasi untuk variabel HLS
sebesar 0,9929921. Hal ini dapat diinterpretasikan bahwa apabila persentase HLS
meningkat sebesar 1% dengan menganggap variabel yang lain konstan, maka nilai
IPM di Kabupaten Sampang akan meningkat sebesar 0,992991. Nilai estimasi
sebesar 1,527969. Hal ini dapat diinterpretasikan bahwa apabila RLS meningkat
sebesar 1% dengan menganggap variabel yang lain konstan, maka nilai IPM di
Kota Kabupaten Sampang akan meningkat sebesar 1,527969. Berdasarkan uraian
tersebut dapat disimpulkan HLS dan RLS di Kabupaten Sampang memiliki

38
hubungan yang positif, hal ini didukung dengan plot data persentase HLS dan
RLS dengan variabel respon pada Gambar 4.7.
Hasil pengujian parsial parameter model GWR pada Kota Malang dan
Kabupaten Sampang dapat diketahui bahwa variabel-variabel yang berpengaruh
signifikan di Kota Malang belum tentu berpengaruh signifikan juga di Kabupaten
Sampang, sehingga hal ini dapat disimpulkan bahwa terdapat perbedaan
parameter yang berpengaruh signifikan di setiap kabupaten/kota di Jawa Timur.
Hasil estimasi parameter model GWR untuk tiap lokasi ke-i dapat dilihat pada
Lampiran 7. Berikut adalah tabel pengelompokan variabel yang berpengaruh
signifikan terhadap variabel respon di setiap kabupaten/kota yang disajikan dalam
Tabel 4.8 sebagai berikut :
Tabel 4.8 Pengelompokan Kabupaten/Kota di Jawa Timur berdasarkan Variabel
Prediktor yang Berpengaruh Signifikan

Kabupaten/Kota Variabel yang Signifikan

Kab. Ponorogo, Kab. Blitar, Kab. Kediri,

Kab. Malang, Kab.Probolinggo, Kab.
Pasuruan, Kab. Sidoarjo, Kab. Mojokerto, 𝑋1 (Angka Harapan Hidup )
Kab. Jombang, Kab. Bojonegoro, Kab. 𝑋2 (Harapan Lama Sekolah )
Tuban, Kab. Lamongan, Kab. Gresik, Kab. 𝑋3 (Rata -Rata Lama Sekolah)
Bangkalan, Kota Kediri, Kota Blitar, Kota 𝑋4 (Pengeluaran Per Kapita)
Malang, Kota Pasuruan, Kota Mojokerto,
Kota Surabaya, dan Kota Batu.
𝑋1 (Angka Harapan Hidup )
Kab. Madiun, Kota Probolinggo, dan
𝑋2 (Harapan Lama Sekolah )
Kab.Banyuwangi
𝑋3 (Rata -Rata Lama Sekolah)
𝑋1 (Angka Harapan Hidup )
Kab. Trenggalek, Kab. Tulungagung, Kab.
𝑋2 (Harapan Lama Sekolah )
Nganjuk, dan Kota Madiun
𝑋4 (Pengeluaran Per Kapita)
𝑋1 (Angka Harapan Hidup )
Kab. Pamekasan dan Kab. Jember 𝑋3 (Rata -Rata Lama Sekolah)
𝑋4 (Pengeluaran Per Kapita)

39
 Kabupaten/Kota Variabel yang Signifikan

𝑋1 (Angka Harapan Hidup )

Kab. Ngawi
Kab. Lumajang
Kab. Magetan dan Kab. Sampang
Kab. Situbondo dan Kab. Sumenep
Kab. Pacitan dan Kab. Bondowoso
𝑋2 (Harapan Lama Sekolah )
𝑋1 (Angka Harapan Hidup )
𝑋3 (Rata -Rata Lama Sekolah)
𝑋2 (Harapan Lama Sekolah )
𝑋3 (Rata -Rata Lama Sekolah)
𝑋3 (Rata -Rata Lama Sekolah)
𝑋4 (Pengeluaran Per Kapita)
𝑋3 (Rata -Rata Lama Sekolah)

4.3 Deskripsi Hasil Estimasi Indeks Pembangunan Manusia dan

Persebaran Variabel Prediktor yang Berpengaruh Signifikan
Tahapan terakhir adalah membuat deskripsi hasil estimasi Indeks
Pembangunan Manusia (IPM) dan persebaran variabel prediktor yang
berpengaruh signifikan terhadap IPM setiap kabupaten/kota di Jawa Timur
menggunakan peta tematik. Penggunaan peta tematik ini akan mempermudah
mendeskripsikan hasil estimasi secara visual. Tujuan dilakukannya deskripsi hasil
estimasi IPM adalah untuk membandingkan antara persebaran IPM setiap
kabupaten/kota di Jawa Timur sebelum dan sesudah dilakukan estimasi. Peta
persebaran hasil estimasi IPM di Jawa Timur Tahun 2016 dapat digambarkan
pada Gambar 4.9 sebagai berikut :

Gambar 4.9 Peta Persebaran Hasil Estimasi IPM di Jawa Timur Tahun 2016

40
 Hasil estimasi yangdiperoleh dari pemodelan GWR pada Gambar 4.9
menunjukkan tidak terdapat banyak perbedaan antara sebaran IPM di tiap
kabupaten/kota sebelum dilakukan estimasi (Gambar 4.1) dengan IPM setelah
dilakukan estimasi (Gambar 4.9). Perubahan klasifikasi persebaran IPM sebelum
dan sesudah dilakukan estimasi ditunjukkan pada Tabel 4.9 sebagai berikut :
Tabel 4.9 Perubahan Klasifikasi Persebaran IPM Sebelum dan Sesudah
Dilakukan Estimasi

𝑶𝒃𝒔𝒆𝒓𝒗𝒂𝒔𝒊⁄ Rendah Sedang Tinggi Sangat Tinggi

𝑬𝒔𝒕𝒊𝒎𝒂𝒔𝒊
Rendah 1 - - -
Sedang - 18 1 -
Tinggi - 2 13 -
Sangat Tinggi - - - 3

Pada Tabel 4.9 tersebut menunjukkan bahwa melalui estimasi model GWR
terdapat 35 kabupaten/kota yang telah diklasifikasi dengan tepat sedangkan 3
kabupaten/kota mengalami perubahan klasifikasi. Kabupaten/kota yang
mengalami perubahan klasifikasi yaitu Kabupaten Kediri dan Kabupaten Madiun
yang berubah dari IPM kategori sedang menjadi IPM kategori tinggi, selanjutnya
Kabupaten Jombang yang berubah dari IPM kategori tinggi menjadi IPM kategori
sedang. Berdasarkan uraian di atas dapat diketahui bahwa peluang kesalahan
model GWR dalam mengklasifikasi objek sebesar 7,89%.
Berdasarkan data IPM sesungguhnya (Gambar 4.1) dan hasil estimasi IPM
(Gambar 4.9) menunjukkan bahwa Kota Malang, Kota Madiun, dan Kota
Surabaya merupakan daerah di Jawa Timur yang memiliki nilai IPM tertinggi.
Nilai IPM di Jawa Timur mayoritas berada pada kategori sedang yaitu sekitar 60
samapai 70 poin, namun ada kabupaten yang masih memiliki IPM kategori rendah
yaitu Kabupaten Sampang. Hal tersebut bersesuaian dengan hasil Survei Sosial
Ekonomi (SUSENAS) Provinsi Jawa Timur tahun 2016. Perbedaan IPM di setiap
kabupaten/kota disebabkan oleh perbedaan kondisi sosial, budaya serta ekonomi
antara kabupaten/kota. Selanjutnya untuk persebaran daerah menurut variabel
yang signifikan di masing-masing kabupaten/kota disajikan dalam Gambar 4.10
sebagai berikut :

41
Gambar 4.10 Faktor-faktor yang Berpengaruh Signifikan terhadap IPM setiap
Kabupaten/Kota di Jawa Timur
Pada Gambar 4.10 menunjukkan persebaran variabel prediktor yang
berpengaruh signifikan pada masing-masing kabupaten/kota, daerah yang
berdekatan mayoritas dipengaruhi faktor yang sama. Ditunjukkan dengan adanya
warna yang sama untuk beberapa lokasi yang berdekatan. Pengelompokkan
kabupaten/kota yang menunjukkan adanya kesamaan faktor yang berpengaruh
signifikan misalnya terjadi Kab. Ponorogo, Kab. Blitar, Kab. Kediri, Kab.
Malang, Kab. Probolinggo, Kab. Pasuruan, Kab. Sidoarjo, Kab. Mojokerto, Kab.
Jombang, Kab. Bojonegoro, Kab. Tuban, Kab. Lamongan, Kab. Gresik, Kab.
Bangkalan, Kota Kediri, Kota Blitar, Kota Malang, Kota Pasuruan, Kota
Mojokerto, Kota Surabaya, dan Kota Batu. dengan faktor yang berpengaruh
signifikan adalah 𝑋1 (Angka Harapan Hidup ), 𝑋2 (Harapan Lama Sekolah), 𝑋3
(Rata -Rata Lama Sekolah), dan 𝑋4 (Pengeluaran Per Kapita) (selengkapnya pada
Tabel 4.8).

42
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Berdasarkan analisis dan pembahasan yang telah dilakukan, diperoleh
kesimpulan sebagai berikut :
1. Berdasarkan peta persebaran Indeks Pembangunan Manusia (IPM) di Jawa
Timur pada tahun 2016, dari 38 kabupaten/kota hanya terdapat satu
kabupaten/kota yang memiliki nilai IPM termasuk kategori rendah yaitu
Kabupaten Sampang dengan nilai 59,09. Kategori sedang sebanyak 20
kabupaten/kota. Kategori tinggi sebanyak 14 kabupaten/kotta. Kategori
sangat tinggi sebanyak 3 kabupaten/kota yaitu Kota Malang, Kota Madiun,
dan Kota Surabaya. Kabupaten yang memiliki nilai IPM tertinggi adalah
Kota Malang dengan nilai 80,46.
2. Hasil analisis IPM di Provinsi Jawa Timur tahun 2016 menggunakan
pendekatan model GWR telah sesuai dan menghasilkan 38 model dengan
faktor yang berpengaruh signifikan di setiap kabupaten/kota berbeda. Kota
Malang malang memiliki nilai IPM tertinggi yang dipengaruhi oleh faktor
Angka Harapan Hidup (AHH), Harapan Lama Sekolah (HLS), Rata-Rata
Lama Sekolah (RLS), dan pengeluaran per kapita yang semua bernilai
positif. Hal ini dapat diinterpretasikan bahwa apabila nilai variabel prediktor
meningkat sebesar satu persen, maka nilai IPM di Kota Malang akan
menigkat. Kabupaten Sampang memiliki nilai IPM terendah yang
dipengaruhi oleh faktor HLS dan RLS yang bernilai positif. Hal ini dapat
diinterpretasikan bahwa apabila angka HLS dan RLS meningkat sebesar
satu persen dengan menganggap variabel yang lain konstan, maka nilai IPM
di Kabupaten Sampang akan meningkat.
3. Berdasarkan peta persebaran hasil estimasi IPM di Jawa Timur tahun 2016
didapat kesimpulan bahwa hasil estimasi yang diperoleh menunjukkan tidak
terdapat banyak perbedaan antara sebaran hasil estimasi IPM di setiap
kabupaten/kota dibandingkan dengan data sebaran asli. Perbedaan hasil
estimasi model GWR dengan data sesungguhnya adalah sebesar 7,89%.

43
 Berdasarkan peta persebaran faktor-faktor yang berpengaruh signifikan di
setiap kabupaten/kota menunjukkan bahwa daerah yang berdekatan
cenderung dipengaruhi faktor yang sama. Ditunjukkan dengan adanya
warna yang sama untuk beberapa lokasi yang berdekatan.

5.2 Saran
1. Pada penelitian ini variabel prediktor yang digunakan hanya bersifat lokal
sehingga saran yang dapat diberikan untuk penelitian selanjutnya kasus IPM
di Jawa Timur yakni dapat menambahkan variabel-variabel lain yang diduga
berpengaruh terhadap IPM secara global, karena tidak semua faktor
berpengaruh secara lokal.
2. Upaya dalam menurunkan IPM di setiap kabupaten/kota di Jawa Timur
dapat dioptimalkan dengan memperhatikan faktor-faktor yang berpengaruh
signifikan di setiap kabupaten/kota tersebut dan memberikan perhatian
khusus terhadap faktor yang dapat berpengaruh menaikkan IPM di Jawa
Timur.

44
 DAFTAR PUSTAKA

Melliana, Ayunanda. 2013. “Analisis Statistik Faktor yang Mempengaruhi Indeks

Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Timur
Menggunakan Regresi Panel”. Jurnal. Institut Teknologi Sepuluh
Nopember. Surabaya.
Pradita, Rahma. 2015. “Pemodelan Faktor-Faktor yang Mempengaruhi Indeks
Pembangunan Manusia Kabupaten/Kota Di Jawa Timur Menggunakan
Geographically Weighted Ordinal Logistc Regression”. Jurnal. Institut
Teknologi Sepuluh Nopember. Surabaya.
Lumbantoruan, Eka P. 2013. “Analisis Pertumbuhan Ekonomi dan Indeks
Pembangunan Manusia Provinsi-Provinsi di Indonesai Metode Kointegrasi”.
Jurnal Ekonomi dan Keuangan. Vol.2 No. 2.
Badan Pusat Statistik. 2016. Survei Demografi dan Kesehatan Indonesia. Jakarta.
Badan Pusat Statistik. 2016. Indeks Pembangunan Manusia. Online: bps.go.id,
(diakses tanggal 22 April 2017).
Badan Pusat Statistik. 2016. Berita Resmi Statistik BPS Provinsi Jawa Timur.
BPS Provinsi Jawa Timur. Surabaya.
Bappenas. 2015. Laporan Perkembangan Pen-capaian Millenium Development
Goals Indonesia 2007. www.targetmdgs.org. (diunduh pada tanggal 22 April
2017).
Sugiharyanto. 2007. Geografi dan Sosiologi 2. Penerbit Yudhistira. Surabaya.

45
LAMPIRAN 1. Data Variabel Respon dan Variabel-Variabel Prediktor

KABUPATEN/KOTA ui vi Y X1 X2 X3 X4
Kab. Pacitan 111,06 8,11 65,74 71,18 12,19 6,89 8,048
Kab. Ponorogo 111,57 7,52 68,93 72,18 13,69 6,97 8,908
Kab. Trenggalek 111,42 8,02 67,78 73,03 12,09 7,19 8,829
Kab. Tulungagung 111,53 8,03 70,82 73,4 13,03 7,73 9,881
Kab. Blitar 112 8,03 68,88 72,89 12,42 7,25 9,467
Kab. Kediri 112,03 7,47 69,87 72,2 12,57 7,58 10,14
Kab. Malang 112,37 7,59 67,51 72,05 12,28 6,98 9,108
Kab. Lumajang 113,13 8,08 63,74 69,38 11,77 6,05 8,311
Kab. Jember 113,32 8,16 64,01 68,37 12,31 6,05 8,409
Kab. Banyuwangi 114,21 8,1 69 70,11 12,55 6,93 11,171
Kab. Bondowoso 113,49 7,54 64,52 65,89 12,87 5,54 10,007
Kab. Situbondo 113,56 7,43 65,08 68,41 12,99 5,68 9,106
Kab. Probolinggo 112,92 7,57 64,12 66,31 12,05 5,67 10,17
Kab. Pasuruan 112,74 7,47 65,71 69,86 11,81 6,58 9,198
Kab. Sidoarjo 112,42 7,27 78,17 73,67 14,13 10,22 13,32
Kab. Mojokerto 112,28 7,32 71,38 72,03 12,44 7,76 11,798
Kab. Jombang 112,13 7,32 70,03 71,77 12,69 7,68 10,237
Kab. Nganjuk 111,53 7,36 70,5 71,04 12,82 7,34 11,451
Kab. Madiun 111,26 7,34 69,67 70,55 13,11 7 10,904
Kab. Magetan 111,19 7,39 71,94 72,09 13,71 7,66 10,988
Kab. Ngawi 111,26 7,24 68,96 71,63 12,65 6,54 10,81
Kab. Bojonegoro 111,53 7,09 66,73 70,67 12,11 6,65 9,42
Kab. Tuban 112,01 6,52 66,19 70,67 12,17 6,25 9,353
Kab. Lamongan 112,24 7,07 70,34 71,77 13,44 7,29 10,252
Kab. Gresik 112,24 7,09 74,46 72,33 13,69 8,94 11,961
Kab. Bangkalan 112,44 7,02 62,06 69,77 11,56 5,13 8,03
Kab. Sampang 113,15 7,12 59,09 67,62 11,37 3,79 8,096
Kab. Pamekasan 113,28 7,1 63,98 66,95 13,35 6,08 7,975
Kab. Sumenep 113,51 7 63,42 70,56 12,73 5,08 7,846
Kota Kediri 112 7,49 76,33 73,65 14,61 9,89 11,07
Kota Blitar 112,09 8,04 76,71 73,09 14 9,88 12,499
Kota Malang 112,38 7,58 80,46 72,68 15,38 10,14 15,732
Kota Probolinggo 113,12 7,45 71,5 69,79 13,54 8,47 10,792
Kota Pasuruan 112,54 7,38 74,11 70,93 13,57 9,08 12,295
Kota Mojokerto 112,25 7,28 76,38 72,78 13,8 9,93 12,449
Kota Madiun 111,3 7,37 80,01 72,44 14,19 11,09 15,3
Kota Surabaya 112,44 7,14 80,38 73,87 13,99 10,44 16,295
Kota Batu 112,31 7,51 73,57 72,2 13,62 8,45 11,772

46
Keterangan Tabel Lampiran 1 :
Y : Indeks Pembangunan Manusia (IPM)
X1 : Angka Harapan Hidup (AHH)
X2 : Harapan Lama Sekolah (HLS)
X3 : Rata-Rata Lama Sekolah (RLS)
X4 : Pengeluaran per Kapita
ui : Garis Lintang atau longitude (decimal degree)
vi : Garis bujur atau latittude (decimal degree)

(Sumber Data : Badan Pusat Statistik Provinsi Jawa Timur, 2016 )

47
LAMPIRAN 2. Output Pengujian Multikolinearitas dengan Software Minitab

Regression Analysis: IPM versus AHH; HLS; RLS; PENGELUARAN

The regression equation is

IPM = 4,96 + 0,457 AHH + 1,04 HLS + 1,34 RLS + 0,000837 PENGELUARAN

Predictor Coef SE Coef T P VIF

Constant 4,963 2,682 1,85 0,073
AHH 0,45749 0,03589 12,75 0,000 2,509
HLS 1,03757 0,09172 11,31 0,000 3,156
RLS 1,34046 0,08194 16,36 0,000 8,952
PENGELUARAN 0,00083725 0,00004549 18,40 0,000 4,280

S = 0,283921 R-Sq = 99,8% R-Sq(adj) = 99,7%

Analysis of Variance

Source DF SS MS F P
Regression 4 1067,06 266,77 3309,29 0,000
Residual Error 33 2,66 0,08
Total 37 1069,72

48
LAMPIRAN 3. Output Asumsi Spasial Breusch-Pagan dengan software geoda

SUMMARY OF OUTPUT: ORDINARY LEAST SQUARES ESTIMATION

Data set : jatim_kab

Dependent Variable : Y Number of Observations: 38

Mean dependent var : 69.7916 Number of Variables : 5

S.D. dependent var : 5.30571 Degrees of Freedom : 33

R-squared : 0.997513 F-statistic : 3309.29

Adjusted R-squared : 0.997212 Prob(F-statistic) :1.86233e-042

Sum squared residual: 2.66016 Log likelihood : -3.39489

Sigma-square : 0.080611 Akaike info criterion : 16.7898

S.E. of regression : 0.283921 Schwarz criterion : 24.9777

Sigma-square ML : 0.0700043

S.E of regression ML: 0.264583

-----------------------------------------------------------------------------
Variable Coefficient Std.Error t-Statistic Probability
-----------------------------------------------------------------------------

CONSTANT 4.96343 2.68238 1.85038 0.07323

X1 0.457489 0.0358876 12.7478 0.00000

X2 1.03757 0.0917222 11.3121 0.00000

X3 1.34046 0.0819373 16.3596 0.00000

X4 0.837248 0.0454932 18.4038 0.00000

-----------------------------------------------------------------------------

REGRESSION DIAGNOSTICS

MULTICOLLINEARITY CONDITION NUMBER 179.220582

TEST ON NORMALITY OF ERRORS

TEST DF VALUE PROB

Jarque-Bera 2 4.1048 0.12843

DIAGNOSTICS FOR HETEROSKEDASTICITY

RANDOM COEFFICIENTS

TEST DF VALUE PROB

Breusch-Pagan test 4 8.8128 0.04595

Koenker-Bassett test 4 15.1366 0.00443

============================== END OF REPORT ================================

49
LAMPIRAN 4. Output Asumsi Spasial Moran’s I dengan software OSS-R

> a<-X
> b<-Y
> c<-UV
> a<-Dataset[,c(1,2,3,4)]
> b<-Dataset[,c(5)]
> c<-Dataset[,c(6,7)]
> tadists<-as.matrix(dist(c))
> tadistsinv<-(1/tadists)
> diag(tadistsinv)=0
> Moran.I(b,tadists)
$observed
[1] -0.1018186

$expected
[1] -0.02702703

$sd
[1] 0.01540248

$p.value
[1] 1.198941e-06

50
LAMPIRAN 5. Output software GWR Fungsi Fixed Gaussian
*****************************************************************************
* Semiparametric Geographically Weighted Regression *
* Release 1.0.90 (GWR 4.0.90) *
* 12 May 2015 *
* (Originally coded by T. Nakaya: 1 Nov 2009) *
* *
* Tomoki Nakaya(1), Martin Charlton(2), Chris Brunsdon (2) *
* Paul Lewis (2), Jing Yao (3), A Stewart Fotheringham (4) *
* (c) GWR4 development team *
* (1) Ritsumeikan University, (2) National University of Ireland, Maynooth, *
* (3) University of Glasgow, (4) Arizona State University *
*****************************************************************************

Program began at 6/8/2017 4:40:26 PM

*****************************************************************************
Session:
Session control file: G:\SPASIAL OK\LAMPIRAN OK\fixgauss laptop nova.ctl
*****************************************************************************
Data filename: G:\SPASIAL OK\LAMPIRAN OK\DATA IPM BAGUS DOS.csv
Number of areas/points: 38

Model settings---------------------------------
Model type: Gaussian
Geographic kernel: fixed Gaussian
Method for optimal bandwidth search: Golden section search
Criterion for optimal bandwidth: AICc
Number of varying coefficients: 5
Number of fixed coefficients: 0

Modelling options---------------------------------
Standardisation of independent variables: OFF
Testing geographical variability of local coefficients: On
Local to Global Variable selection: OFF
Global to Local Variable selection: OFF
Prediction at non-regression points: OFF

Variable settings---------------------------------
Areal key is not specified
Easting (x-coord): field6 :ui
Northing (y-coord): field7: vi
Lat-lon coordinates: Spherical distance
Dependent variable: field5: Y
Offset variable is not specified
Intercept: varying (Local) intercept
Independent variable with varying (Local) coefficient: field1: X1
Independent variable with varying (Local) coefficient: field2: X2
Independent variable with varying (Local) coefficient: field3: X3
Independent variable with varying (Local) coefficient: field4: X4
*****************************************************************************

*****************************************************************************
Global regression result
*****************************************************************************
< Diagnostic information >
Residual sum of squares: 2.675011
Number of parameters: 5
(Note: this num does not include an error variance term for a Gaussian
model)
ML based global sigma estimate: 0.265321
Unbiased global sigma estimate: 0.284712
-2 log-likelihood: 7.001292
Classic AIC: 19.001292
AICc: 21.710969
BIC/MDL: 28.826809
CV: 0.107888
R square: 0.997499

51
Adjusted R square: 0.997109

Variable Estimate Standard Error t(Est/SE)

-------------------- --------------- --------------- ---------------
Intercept 4.997869 2.689411 1.858351
X1 0.456456 0.035972 12.689235
X2 1.040185 0.091964 11.310818
X3 1.339712 0.082202 16.297785
X4 0.838072 0.045677 18.347662

*****************************************************************************
GWR (Geographically weighted regression) bandwidth selection
*****************************************************************************

Bandwidth search <golden section search>

Limits: 5.63234836259021E-322, 173.383380253668
Golden section search begins...
Initial values
pL Bandwidth: 12.583 Criterion: 16367.058
p1 Bandwidth: 74.003 Criterion: 16.509
p2 Bandwidth: 111.963 Criterion: 16.162
pU Bandwidth: 173.383 Criterion: 18.781
iter 1 (p2) Bandwidth: 111.963 Criterion: 16.162 Diff: 37.960
iter 2 (p1) Bandwidth: 111.963 Criterion: 16.162 Diff: 23.460
iter 3 (p1) Bandwidth: 97.464 Criterion: 15.513 Diff: 14.499
iter 4 (p1) Bandwidth: 88.503 Criterion: 15.367 Diff: 8.961
iter 5 (p2) Bandwidth: 88.503 Criterion: 15.367 Diff: 5.538
iter 6 (p1) Bandwidth: 88.503 Criterion: 15.367 Diff: 3.423
iter 7 (p2) Bandwidth: 88.503 Criterion: 15.367 Diff: 2.115
Best bandwidth size 88.503
Minimum AICc 15.367

*****************************************************************************
GWR (Geographically weighted regression) result
*****************************************************************************
Bandwidth and geographic ranges
Bandwidth size: 88.502665
Coordinate Min Max Range
--------------- --------------- --------------- ---------------
X-coord 111.060000 114.210000 347.393554
Y-coord 6.520000 8.160000 182.359937
(Note: Ranges are shown in km.)

Diagnostic information
Residual sum of squares: 1.540609
Effective number of parameters (model: trace(S)):
9.303810
Effective number of parameters (variance: trace(S'S)):
6.896231
Degree of freedom (model: n - trace(S)):
28.696190
Degree of freedom (residual: n - 2trace(S) + trace(S'S)):
26.288610
ML based sigma estimate: 0.201351
Unbiased sigma estimate: 0.242082
-2 log-likelihood: -13.966186
Classic AIC: 6.641435
AICc: 15.367198
BIC/MDL: 23.514812
CV: 0.088887
R square: 0.998560
Adjusted R square: 0.997893

***********************************************************
<< Geographically varying (Local) coefficients >>
***********************************************************
Estimates of varying coefficients have been saved in the following file.
Listwise output file: G:\SPASIAL OK\LAMPIRAN OK\fixgauss laptop
nova_listwise.csv

52
Summary statistics for varying (Local) coefficients
Variable Mean STD
-------------------- --------------- ---------------
Intercept 6.082765 2.900927
X1 0.443832 0.037416
X2 1.024358 0.074239
X3 1.371787 0.125991
X4 0.817605 0.045362

Variable Min Max Range

-------------------- --------------- --------------- ---------------
Intercept -0.199664 10.614875 10.814539
X1 0.381054 0.519652 0.138598
X2 0.925881 1.172522 0.246640
X3 1.078528 1.527969 0.449440
X4 0.767169 0.948194 0.181024

Variable Lwr Quartile Median Upr Quartile

-------------------- --------------- --------------- ---------------
Intercept 3.199838 6.133717 9.052634
X1 0.405881 0.446663 0.479950
X2 0.954744 1.009355 1.107455
X3 1.239927 1.417983 1.467738
X4 0.781393 0.802778 0.845753

Variable Interquartile R Robust STD

-------------------- --------------- ---------------
Intercept 5.852796 4.338618
X1 0.074069 0.054907
X2 0.152711 0.113203
X3 0.227811 0.168874
X4 0.064361 0.047710
(Note: Robust STD is given by (interquartile range / 1.349) )

*****************************************************************************
GWR ANOVA Table
*****************************************************************************
Source SS DF MS F
----------------- ------------------- ---------- --------------- ----------
Global Residuals 2.675 33.000
GWR Improvement 1.932 6.711 0.2879
GWR Residuals 1.541 26.289 0.059 4.87966

*************************************************************************
Geographical variability tests of local coefficients
*************************************************************************
Variable F DOF for F test DIFF of Criterion
-------------------- ------------------ ---------------- -----------------
Intercept 118.973267 0.707 28.696 -49.284824
X1 -11430.588861 -0.339 28.696 -188.048245
X2 3369.258211 0.316 28.696 -137.082890
X3 25.509339 0.917 28.696 -19.162075
X4 16.204107 1.054 28.696 -13.740540
-------------------- ------------------ ---------------- -----------------
Note: positive value of diff-Criterion (AICc, AIC, BIC/MDL or CV) suggests no
spatial variability in terms of model selection criteria.
F test: in case of no spatial variability, the F statistics follows the F
distribution of DOF for F test.

*****************************************************************************
Program terminated at 6/8/2017 4:40:27 PM

53
LAMPIRAN 6. Output software GWR Fungsi Fixed Bisquare
*****************************************************************************
* Semiparametric Geographically Weighted Regression *
* Release 1.0.90 (GWR 4.0.90) *
* 12 May 2015 *
* (Originally coded by T. Nakaya: 1 Nov 2009) *
* *
* Tomoki Nakaya(1), Martin Charlton(2), Chris Brunsdon (2) *
* Paul Lewis (2), Jing Yao (3), A Stewart Fotheringham (4) *
* (c) GWR4 development team *
* (1) Ritsumeikan University, (2) National University of Ireland, Maynooth, *
* (3) University of Glasgow, (4) Arizona State University *
*****************************************************************************

Program began at 6/8/2017 4:42:26 PM

*****************************************************************************
Session:
Session control file: G:\SPASIAL OK\LAMPIRAN OK\fixbisquare laptop nova.ctl
*****************************************************************************
Data filename: G:\SPASIAL OK\LAMPIRAN OK\DATA IPM BAGUS DOS.csv
Number of areas/points: 38

Model settings---------------------------------
Model type: Gaussian
Geographic kernel: fixed bi-square
Method for optimal bandwidth search: Golden section search
Criterion for optimal bandwidth: AICc
Number of varying coefficients: 5
Number of fixed coefficients: 0

Modelling options---------------------------------
Standardisation of independent variables: OFF
Testing geographical variability of local coefficients: On
Local to Global Variable selection: OFF
Global to Local Variable selection: OFF
Prediction at non-regression points: OFF

Variable settings---------------------------------
Areal key is not specified
Easting (x-coord): field6 :ui
Northing (y-coord): field7: vi
Lat-lon coordinates: Spherical distance
Dependent variable: field5: Y
Offset variable is not specified
Intercept: varying (Local) intercept
Independent variable with varying (Local) coefficient: field1: X1
Independent variable with varying (Local) coefficient: field2: X2
Independent variable with varying (Local) coefficient: field3: X3
Independent variable with varying (Local) coefficient: field4: X4
*****************************************************************************

*****************************************************************************
Global regression result
*****************************************************************************
< Diagnostic information >
Residual sum of squares: 2.675011
Number of parameters: 5
(Note: this num does not include an error variance term for a Gaussian
model)
ML based global sigma estimate: 0.265321
Unbiased global sigma estimate: 0.284712
-2 log-likelihood: 7.001292
Classic AIC: 19.001292
AICc: 21.710969
BIC/MDL: 28.826809
CV: 0.107888
R square: 0.997499

54
Adjusted R square: 0.997109

Variable Estimate Standard Error t(Est/SE)

-------------------- --------------- --------------- ---------------
Intercept 4.997869 2.689411 1.858351
X1 0.456456 0.035972 12.689235
X2 1.040185 0.091964 11.310818
X3 1.339712 0.082202 16.297785
X4 0.838072 0.045677 18.347662

*****************************************************************************
GWR (Geographically weighted regression) bandwidth selection
*****************************************************************************

Bandwidth search <golden section search>

Limits: 0, 346.766760507336
Golden section search begins...
Initial values
pL Bandwidth: 90.888 Criterion: NaN
p1 Bandwidth: 188.625 Criterion: 16.538
p2 Bandwidth: 249.030 Criterion: 16.351
pU Bandwidth: 346.767 Criterion: 18.576
iter 1 (p2) Bandwidth: 249.030 Criterion: 16.351 Diff: 60.405
iter 2 (p1) Bandwidth: 249.030 Criterion: 16.351 Diff: 37.332
iter 3 (p1) Bandwidth: 225.957 Criterion: 15.955 Diff: 23.073
iter 4 (p2) Bandwidth: 225.957 Criterion: 15.955 Diff: 14.260
iter 5 (p1) Bandwidth: 225.957 Criterion: 15.955 Diff: 8.813
iter 6 (p2) Bandwidth: 225.957 Criterion: 15.955 Diff: 5.447
Best bandwidth size 225.957
Minimum AICc 15.955

*****************************************************************************
GWR (Geographically weighted regression) result
*****************************************************************************
Bandwidth and geographic ranges
Bandwidth size: 225.957162
Coordinate Min Max Range
--------------- --------------- --------------- ---------------
X-coord 111.060000 114.210000 347.393554
Y-coord 6.520000 8.160000 182.359937
(Note: Ranges are shown in km.)

Diagnostic information
Residual sum of squares: 1.631930
Effective number of parameters (model: trace(S)):
8.891955
Effective number of parameters (variance: trace(S'S)):
7.045016
Degree of freedom (model: n - trace(S)):
29.108045
Degree of freedom (residual: n - 2trace(S) + trace(S'S)):
27.261106
ML based sigma estimate: 0.207233
Unbiased sigma estimate: 0.244669
-2 log-likelihood: -11.777946
Classic AIC: 8.005963
AICc: 15.955096
BIC/MDL: 24.204891
CV: 0.089160
R square: 0.998474
Adjusted R square: 0.997851

***********************************************************
<< Geographically varying (Local) coefficients >>
***********************************************************
Estimates of varying coefficients have been saved in the following file.
Listwise output file: G:\SPASIAL OK\LAMPIRAN OK\fixbisquare laptop
nova_listwise.csv

55
Summary statistics for varying (Local) coefficients
Variable Mean STD
-------------------- --------------- ---------------
Intercept 6.190556 2.684767
X1 0.441588 0.034400
X2 1.028227 0.077390
X3 1.372938 0.122415
X4 0.817381 0.046660

Variable Min Max Range

-------------------- --------------- --------------- ---------------
Intercept 0.344123 10.969905 10.625783
X1 0.377225 0.514945 0.137720
X2 0.919804 1.156297 0.236493
X3 1.085434 1.540404 0.454969
X4 0.774056 1.011206 0.237150

Variable Lwr Quartile Median Upr Quartile

-------------------- --------------- --------------- ---------------
Intercept 3.689749 5.790596 8.262817
X1 0.408948 0.450243 0.471498
X2 0.960076 1.017160 1.117406
X3 1.251596 1.402434 1.482896
X4 0.784489 0.803411 0.835536

Variable Interquartile R Robust STD

-------------------- --------------- ---------------
Intercept 4.573068 3.389969
X1 0.062550 0.046368
X2 0.157330 0.116627
X3 0.231299 0.171460
X4 0.051048 0.037841
(Note: Robust STD is given by (interquartile range / 1.349) )

*****************************************************************************
GWR ANOVA Table
*****************************************************************************
Source SS DF MS F
----------------- ------------------- ---------- --------------- ----------
Global Residuals 2.675 33.000
GWR Improvement 1.043 5.739 0.182
GWR Residuals 1.632 27.261 0.060 3.036213

*************************************************************************
Geographical variability tests of local coefficients
*************************************************************************
Variable F DOF for F test DIFF of Criterion
-------------------- ------------------ ---------------- -----------------
Intercept 4010.951894 0.828 29.108 -177.284895
X1 242436.818566 1.036 29.108 -340.563204
X2 1521.311483 0.469 29.108 -121.357863
X3 56.098863 0.851 29.108 -33.736798
X4 21.626308 1.009 29.108 -17.530778
-------------------- ------------------ ---------------- -----------------
Note: positive value of diff-Criterion (AICc, AIC, BIC/MDL or CV) suggests no
spatial variability in terms of model selection criteria.
F test: in case of no spatial variability, the F statistics follows the F
distribution of DOF for F test.

*****************************************************************************
Program terminated at 6/8/2017 4:42:27 PM

56
LAMPIRAN 7. Hasil Estimasi Model GWR tiap kabupaten/kota di Jawa Timur Menggunakan Software GWR 4.0

Area x_c y_c est_In se_In t_Int resi std_r infl

_nu oor oor tercep terce ercep est_ se_ t_X est_ se_ t_X est_ se_ t_X est_ se_ t_X yha dua esidu loca uen Coo
m d d t pt t X1 X1 1 X2 X2 2 X3 X3 3 X4 X4 4 y t l al lR2 ce ksD
- - 0,51 0,06 2,29 1,17 0,11 3,59 1,07 0,10 10,5 0,92 0,05 4,20 65 65,9 - - 0,99 0,45 0,18
111 8,1 0,1996 4,345 0,045 965 261 920 252 070 122 852 185 886 963 737 397 ,7 949 0,25 1,423 811 259 001
0 ,06 1 6 581 95 2 5 5 2 7 1 8 7 4 2 1 7 4 2 492 26 4 3 4
0,47 0,03 12,2 1,10 0,09 11,8 1,23 14,8 0,84 0,04 68 69,1 - - 0,99 0,34 0,07
111 7,5 3,2328 2,808 1,151 951 915 470 658 362 196 547 0,08 067 666 496 18,8 ,9 467 0,21 1,108 826 812 059
1 ,57 2 62 404 138 6 3 9 6 2 8 1 344 3 2 2 306 3 5 675 98 5 5 2
0,49 0,04 10,7 1,13 0,10 11,2 1,17 3,19 0,88 0,04 18,2 67 67,9 - - 0,99 0,29 0,02
111 8,0 2,0798 3,196 0,650 209 579 455 183 019 961 359 0,08 395 296 843 311 ,7 352 0,15 0,766 823 990 703
2 ,42 2 97 581 663 3 5 5 7 7 5 6 895 1 6 2 3 8 2 522 29 4 5 7
0,48 0,04 11,4 0,09 3,92 0,87 0,04 18,5 70 70,7 0,07 0,99 0,18 0,00
111 8,0 2,6283 2,983 0,881 576 252 232 1,11 753 11,4 1,20 0,08 505 032 679 989 ,8 432 674 0,352 827 915 310
3 ,53 3 06 012 091 9 5 5 789 4 615 229 634 6 7 4 9 2 6 5 061 4 9 8
0,46 0,03 13,1 1,05 0,08 11,9 1,32 16,6 0,82 0,04 19,1 68 68,8 0,00 0,99 0,16 0,00
8,0 4,8058 2,537 1,893 108 494 930 310 817 432 504 0,07 859 151 292 375 ,8 779 203 0,009 845 495 000
4 112 3 63 991 57 8 9 3 6 6 5 1 941 7 7 7 7 8 7 3 192 9 1 2
0,45 0,03 13,7 1,04 12,0 1,35 0,07 17,5 0,80 69 70,7 0,99 0,08 0,00
112 7,4 5,0829 2,481 2,048 905 350 002 247 0,08 810 512 730 305 129 0,04 18,8 ,8 276 0,14 0,613 842 293 366
5 ,03 7 33 567 275 7 7 4 3 629 8 8 1 7 3 251 495 7 8 232 91 8 4 3
0,43 0,03 13,4 0,99 0,08 1,42 0,07 18,7 0,78 0,04 18,6 67 67,6 - - 0,99 0,12 0,00
112 7,5 6,6487 2,448 2,715 957 268 503 927 412 11,8 646 623 104 471 200 806 ,5 948 0,18 0,814 856 057 977
6 ,37 9 28 366 578 2 1 1 2 9 778 1 9 6 7 7 6 1 9 489 41 1 1 4
0,40 0,03 11,3 0,95 0,09 4,30 1,47 0,08 17,5 0,81 0,04 4,00 63 63,9 - - 0,99 0,21 0,04
113 8,0 9,1470 2,686 3,404 239 530 968 542 252 155 320 400 371 495 526 435 ,7 962 0,25 1,196 867 664 252
7 ,13 8 56 811 428 1 7 4 6 1 3 2 5 8 9 5 3 4 8 628 13 5 2 8
0,39 0,03 10,8 0,95 0,09 3,72 1,46 0,08 16,5 0,83 0,04 17,3 64 64,1 - - 0,99 0,19 0,01
113 8,1 9,4477 2,794 3,380 662 669 073 269 800 055 226 819 799 584 819 443 ,0 679 0,15 0,729 860 925 422
8 ,32 6 93 931 332 4 9 6 8 9 8 7 5 1 1 1 7 1 8 798 26 8 8 4
0,39 0,04 10,2 0,12 12,3 1,38 0,11 13,5 0,94 0,07 2,80 68,8 0,16 0,51 0,10
114 9,3800 3,491 2,686 031 741 313 0,94 939 326 401 023 552 819 407 073 363 365 0,967 0,99 183 550
9 ,21 8,1 83 448 588 6 9 1 882 7 1 3 4 7 4 3 3 69 5 5 569 768 1 2
0,38 0,03 3,97 0,93 0,09 3,39 1,49 0,82 0,04 3,92 64 64,3 0,99 0,38 0,08
113 7,5 10,444 2,886 3,618 335 842 654 610 968 033 665 0,08 16,6 571 879 169 ,5 061 0,21 1,130 857 960 768
10 ,49 4 83 286 78 4 6 1 9 9 2 3 969 869 7 6 7 2 8 382 524 1 3 1

57
Area x_c y_c est_In se_In t_Int resi std_r infl
_nu oor oor tercep terce ercep est_ se_ t_X est_ se_ t_X est_ se_ t_X est_ se_ t_X yha dua esidu loca uen Coo
m d d t pt t X1 X1 1 X2 X2 2 X3 X3 3 X4 X4 4 y t l al lR2 ce ksD
0,38 0,03 0,93 0,10 3,20 1,49 0,09 16,4 0,82 16,6 65 64,8 0,23 0,99 0,03
113 7,4 10,585 2,948 3,590 105 932 3,68 436 150 546 786 110 416 888 0,04 409 ,0 464 351 1,081 854 0,20 221
11 ,56 3 43 276 378 4 8 905 9 1 9 7 2 5 5 981 7 8 9 2 206 2 407 5
0,40 0,03 11,9 0,95 0,08 10,8 1,49 0,07 18,7 0,78 18,0 64 63,9 0,17 0,99 0,34 0,04
112 7,5 9,0211 2,573 3,504 704 411 316 002 743 658 928 997 458 467 0,04 965 ,1 411 883 0,910 868 144 618
12 ,92 7 6 917 837 5 5 5 4 2 5 2 9 8 4 336 3 2 7 5 32 2 8 1
0,41 0,03 12,4 0,95 0,08 11,2 1,48 0,07 19,0 0,77 0,04 18,1 65 65,7 - - 0,99 0,17 0,00
112 7,4 8,3599 2,514 3,324 691 337 905 998 533 499 904 804 789 689 269 967 ,7 671 0,05 0,259 865 043 148
13 ,74 7 67 369 876 8 9 8 5 2 6 4 7 3 8 4 3 1 1 711 02 6 1 2
0,03 13,3 0,08 11,7 1,44 0,07 18,9 0,77 0,04 18,2 78 - - 0,99 0,00
112 7,2 6,8887 2,459 2,800 0,43 278 339 0,98 417 553 924 642 638 415 239 623 ,1 78,1 0,02 0,114 856 0,12 020
14 ,42 7 88 82 525 712 2 9 949 3 8 1 1 4 5 1 5 7 959 59 65 1 905 9
0,44 0,03 13,6 1,00 0,08 11,9 1,41 0,07 0,78 0,04 18,4 71 71,0 0,30 0,99 0,15 0,03
112 7,3 6,2122 2,451 2,534 564 275 068 752 444 317 885 628 18,5 106 229 672 ,3 709 908 1,392 851 957 958
15 ,28 2 36 501 054 3 1 9 7 1 8 5 8 986 9 5 7 8 2 4 724 5 5 5
0,45 0,03 13,7 1,02 12,0 1,38 0,07 18,0 0,78 0,04 18,6 70 69,8 0,15 0,06 0,00
112 7,3 5,4959 2,464 2,229 446 306 448 766 0,08 448 479 674 449 975 243 116 ,0 742 572 0,666 0,99 744 344
16 ,13 2 96 845 753 9 5 6 7 532 1 2 1 1 7 3 6 3 7 8 143 846 6 9
0,48 0,03 12,0 1,11 0,09 11,8 1,23 0,08 3,59 0,84 0,04 18,6 70,2 0,25 0,99 0,11 0,01
111 7,3 3,1007 2,868 1,080 125 987 701 072 394 229 161 436 898 545 527 740 70 499 008 1,098 825 635 709
17 ,53 6 66 502 97 4 1 8 9 7 9 4 3 3 1 4 9 ,5 2 4 97 2 9 4
0,49 10,3 1,14 0,10 11,4 1,16 0,09 12,8 0,87 0,04 1,98 69 0,16 0,99 0,19 0,01
111 7,3 2,1759 3,360 0,647 100 0,04 110 344 020 115 616 102 115 403 860 345 ,6 70,5 939 0,778 818 212 549
18 ,26 4 28 552 491 5 762 1 8 1 1 2 4 6 7 2 5 7 006 7 521 1 1 2
0,49 0,05 2,84 1,15 0,10 11,2 1,14 0,09 5,34 0,88 0,04 3,73 71 71,7 0,99 0,19
111 7,3 1,8917 3,522 0,536 406 020 058 148 221 656 743 295 420 362 981 892 ,9 945 0,14 0,669 816 528 0,01
19 ,19 9 08 957 966 8 7 5 5 2 6 6 3 9 6 3 9 4 6 544 734 2 7 17
0,49 0,04 10,2 1,14 0,09 11,4 1,17 0,09 2,82 0,87 0,04 3,92 68 68,8 0,99 0,30 0,00
111 7,2 2,2156 3,373 0,656 066 765 961 291 995 341 053 129 170 030 856 069 ,9 831 0,07 0,379 818 023 664
20 ,26 4 37 074 86 5 5 8 3 6 8 7 3 5 6 4 7 6 2 688 644 6 3 7
0,48 0,04 12,0 1,11 0,09 11,8 1,24 14,5 0,83 18,4 66 66,7 0,99 0,00
111 7,0 3,0105 2,912 1,033 295 011 390 006 362 563 141 0,08 876 665 0,04 083 ,7 206 0,00 0,041 826 0,14 003
21 ,53 9 4 744 575 6 6 4 5 6 8 3 51 5 8 545 2 3 2 938 876 2 38 2
0,47 0,03 13,5 1,04 0,08 11,7 1,37 17,2 0,77 0,04 17,5 66 66,1 0,02 0,99 0,14 0,00
112 6,5 4,2395 2,610 1,624 113 489 020 710 876 959 923 403 713 426 550 ,1 665 347 0,104 843 504 020
22 ,01 2 12 531 004 2 3 3 7 9 3 5 0,08 6 9 9 7 9 2 7 883 4 1 1

58
Area x_c y_c est_In se_In t_Int resi std_r infl
_nu oor oor tercep terce ercep est_ se_ t_X est_ se_ t_X est_ se_ t_X est_ se_ t_X yha dua esidu loca uen Coo
m d d t pt t X1 X1 1 X2 X2 2 X3 X3 3 X4 X4 4 y t l al lR2 ce ksD
0,44 0,03 13,6 1,01 11,9 1,41 0,07 18,4 0,77 0,04 18,1 70 0,24 0,99 0,13
112 7,0 5,9112 2,472 2,391 986 302 204 155 0,08 132 889 677 820 644 271 769 ,3 70,0 300 1,081 849 911 0,02
23 ,24 7 55 157 132 3 9 4 1 491 4 8 2 3 1 6 9 4 97 2 869 5 8 033
0,44 0,03 13,6 1,01 0,08 11,9 1,41 0,07 18,4 0,77 0,04 18,2 74 74,2 0,19 0,99 0,06 0,00
112 7,0 5,9226 2,470 2,397 968 300 257 160 487 190 822 672 843 696 267 054 ,4 695 046 0,814 849 597 503
24 ,24 9 38 146 688 5 3 3 8 3 8 9 6 6 3 7 6 6 3 8 105 5 6 2
0,43 0,03 13,2 0,98 0,08 11,6 1,46 0,07 18,9 0,76 0,04 17,8 62 62,4 - - 0,17 0,07
112 7,0 6,9057 2,483 2,780 734 312 018 505 464 380 213 700 874 716 291 759 ,0 678 0,40 1,852 0,99 259 691
25 ,44 2 15 595 531 8 8 7 3 1 4 7 5 7 9 6 7 6 5 785 15 856 8 5
0,39 0,03 1,85 0,92 0,09 10,0 1,52 18,0 0,78 0,04 3,07 59 59,3 - - 0,99 0,34 0,09
113 7,1 9,9084 2,733 3,625 505 638 709 992 250 528 796 0,08 931 429 594 181 ,0 359 0,24 1,260 866 974 180
26 ,15 2 27 219 185 6 7 4 1 3 8 9 445 8 8 1 7 9 9 599 15 9 9 3
0,03 10,3 0,92 0,09 3,70 1,52 0,08 17,5 0,79 0,04 16,7 63 64,3 - - 0,99 0,45 0,30
113 10,235 2,821 3,628 0,38 756 733 693 551 484 753 680 977 301 722 921 ,9 088 0,32 1,836 865 290 013
27 ,28 7,1 57 05 285 965 3 1 5 3 3 4 3 3 1 5 7 8 6 886 6 1 5 3
0,38 0,04 1,52 0,92 0,10 4,09 1,52 16,6 0,81 0,05 16,1 63 63,4 - - 0,99 0,54 0,01
113 10,614 3,016 3,518 250 016 341 588 178 650 070 0,09 179 025 017 491 ,4 735 0,05 0,326 858 136 355
28 ,51 7 88 563 864 8 5 5 1 4 1 4 151 4 5 3 2 2 8 358 82 2 7 2
0,46 0,03 13,6 1,04 0,08 1,34 0,07 17,3 0,80 18,8 76 76,3 - - 0,99 0,33 0,00
7,4 4,9548 2,490 1,989 050 369 683 680 663 12,0 696 753 717 426 0,04 880 ,3 896 0,05 0,303 841 966 508
29 112 9 69 321 65 7 2 3 3 9 824 6 8 2 3 258 8 3 7 967 32 7 7 7
0,45 0,03 1,04 0,08 11,9 1,34 0,07 17,0 0,81 0,04 19,1 76 76,6 0,08 0,99 0,16 0,00
112 8,0 5,1967 2,513 2,067 650 439 13,2 111 700 659 622 882 780 465 262 115 ,7 213 866 0,400 849 223 333
30 ,09 4 46 627 43 5 3 733 7 6 7 3 8 5 2 6 7 1 4 5 154 6 5 3
0,03 13,4 0,99 0,08 11,8 1,42 0,07 18,7 0,78 0,04 18,6 80 80,7 - - 0,99 0,46 0,29
112 7,5 6,6973 2,448 2,734 0,43 267 343 795 410 658 883 623 423 405 201 624 ,4 733 0,31 1,775 856 833 833
31 ,38 8 47 774 979 897 5 5 2 3 2 8 6 4 4 2 7 6 3 333 11 4 1 2
0,39 0,03 11,1 0,93 0,09 10,3 1,51 0,08 18,2 0,79 0,04 1,62 71,4 0,03 0,99 0,23 0,00
113 7,4 2,671 3,644 649 548 727 832 100 105 257 306 103 154 491 353 71 691 087 0,145 867 065 068
32 ,12 5 9,7391 973 91 3 8 3 6 7 3 7 1 5 2 4 2 ,5 3 1 387 6 9 1
0,42 0,03 13,0 0,08 1,46 0,07 19,1 0,04 18,2 74 0,09 0,99 0,13 0,00
112 7,3 7,4767 2,470 3,026 919 286 588 0,97 421 11,6 591 671 091 0,77 234 873 ,1 74,0 849 0,438 860 892 333
33 ,54 8 94 461 477 2 6 4 717 6 031 7 3 6 441 7 1 1 115 6 468 3 4 4
0,44 0,03 13,6 1,01 0,08 11,9 1,41 0,07 0,78 0,04 18,4 76 76,3 0,02 0,99 0,15 0,00
112 7,2 6,0551 2,454 2,466 768 280 451 118 459 529 378 637 18,5 150 236 478 ,3 596 036 0,091 850 913 017
34 ,25 8 98 61 868 3 9 9 2 7 2 6 8 105 1 3 7 8 4 3 731 3 5 1

59
Area x_c y_c est_In se_In t_Int resi std_r infl
_nu oor oor tercep terce ercep est_ se_ t_X est_ se_ t_X est_ se_ t_X est_ se_ t_X yha dua esidu loca uen Coo
m d d t pt t X1 X1 1 X2 X2 2 X3 X3 3 X4 X4 4 y t l al lR2 ce ksD
0,48 0,04 10,5 1,13 0,09 11,4 1,17 0,08 3,06 0,87 0,04 18,1 80 80,2 - - 0,99 0,46 0,21
111 7,3 2,2998 3,271 0,703 966 627 818 908 927 738 435 987 720 079 802 323 ,0 816 0,27 1,533 818 469 945
35 ,3 7 84 413 025 5 4 9 7 6 9 8 1 1 6 4 8 1 4 164 64 9 2 5
0,43 0,03 13,2 0,98 0,08 11,6 1,45 19,0 0,77 0,04 18,0 80 80,7 - - 0,99 0,41 0,33
112 7,1 6,9544 2,471 2,813 650 294 486 590 437 853 789 0,07 053 019 265 582 ,3 628 0,38 2,076 856 961 493
36 ,44 4 81 574 787 7 7 1 5 1 7 5 671 1 8 1 5 8 8 288 05 3 9 4
0,44 13,5 1,00 0,08 11,9 1,41 0,07 18,6 0,78 0,04 18,6 73 73,2 0,27 0,99 0,05 0,00
112 7,5 6,3758 2,446 2,606 320 0,03 577 555 429 292 773 619 061 494 208 529 ,5 913 868 1,186 853 840 938
37 ,31 1 25 131 494 9 269 5 3 3 8 6 7 9 1 1 9 7 2 3 358 5 2 3

60
LAMPIRAN 8. Variabel Prediktor yang Berpengaruh Signifikan terhadap
Variabel Respon setiap Kabupaten/Kota di Jawa Timur
No. Nama Kabupaten/Kota Variabel yang Signifikan
1 Pacitan 𝑋3
2 Ponorogo 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
3 Trenggalek 𝑋1, 𝑋2, dan 𝑋4
4 Tulungagung 𝑋1, 𝑋2, dan 𝑋4
5 Blitar 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
6 Kediri 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
7 Malang 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
8 Lumajang 𝑋1 dan 𝑋3
9 Jember 𝑋1, 𝑋3, dan 𝑋4
10 Banyuwangi 𝑋1, 𝑋2, dan 𝑋3
11 Bondowoso 𝑋3
12 Situbondo 𝑋3 dan 𝑋4
13 Probolinggo 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
14 Pasuruan 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
15 Sidoarjo 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
16 Mojokerto 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
17 Jombang 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
18 Nganjuk 𝑋1, 𝑋2, dan 𝑋4
19 Madiun 𝑋1, 𝑋2, dan 𝑋3
20 Magetan 𝑋2 dan 𝑋3
21 Ngawi 𝑋1 dan 𝑋2
22 Bojonegoro 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
23 Tuban 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
24 Lamongan 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
25 Gresik 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
26 Bangkalan 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
27 Sampang 𝑋2 dan 𝑋3
28 Pamekasan 𝑋1, 𝑋3, dan 𝑋4
29 Sumenep 𝑋3 dan 𝑋4
30 Kota Kediri 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
31 Kota Blitar 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
32 Kota Malang 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
33 Kota Probolinggo 𝑋1, 𝑋2, dan 𝑋3
34 Kota Pasuruan 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
35 Kota Mojokerto 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
36 Kota Madiun 𝑋1, 𝑋2, dan 𝑋4
37 Kota Surabaya 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4
38 Kota Batu 𝑋1, 𝑋2, 𝑋3 , dan 𝑋4

61
LAMPIRAN 9. Model GWR yang Terbentuk di Setiap Kabupaten/Kota:
Nama
Model GWR
Kabupaten/Kota
𝑦̂1 = − 0,199664 + 0,519652𝑋1,1 + 1,172522𝑋1,2 + 1,078528𝑋1,3
Kab. Pacitan
+ 0,929632𝑋1,4
𝑦̂2 = 3,232862 + 0,479516𝑋2,1 + 1,106586𝑋2,2 + 1,235471𝑋2,3
Kab. Ponorogo
+ 0,846662𝑋2,4
𝑦̂3 = 2,079897 + 0,492093𝑋3,1 + 1,131837𝑋3,2 + 1,173596𝑋3,3
Kab. Trenggalek
+ 0,882966𝑋3,4
𝑦̂4 = 2,628306 + 0,485769𝑋4,1 + 1,11789𝑋4,2 + 1,20229𝑋4,3
Kab. Tulungagung
+ 0,870327𝑋4,4
𝑦̂5 = 4,805863 + 0,461088𝑋5,1 + 1,053106𝑋5,2 + 1,325041𝑋5,3
Kab. Blitar
+ 0,821517𝑋5,4
𝑦̂6 = 5,082933 + 0,459057𝑋6,1 + 1,042473𝑋6,2 + 1,355128𝑋6,3
Kab. Kediri
+ 0,801293𝑋6,4
𝑦̂7 = 6,648728 + 0,439572𝑋7,1 + 0,999272𝑋7,2 + 1,426461𝑋7,3
Kab. Malang
+ 0,784717𝑋7,4
𝑦̂8 = 9,147056 + 0,402391𝑋8,1 + 0,955426𝑋8,2 + 1,47320228𝑋8,3
Kab. Lumajang
+ 0,814959𝑋8,4
𝑦̂9 = 9,447793 + 0,396624𝑋9,1 + 0,952698𝑋9,2 + 1,462267𝑋9,3
Kab. Jember
+ 0,835841𝑋9,4
𝑦̂10 = 9,380083 + 0,390316𝑋10,1 + 0,94882𝑋10,2 + 1,384013𝑋10,3
Kab. Banyuwangi
+ 0,948194𝑋10,4
𝑦̂11 = 10,44483 + 0,383354𝑋11,1 + 0,936109𝑋11,2 + 1,496653𝑋11,3
Kab. Bondowoso
+ 0,825717𝑋11,4
𝑦̂12 = 10,58542 + 0,381054𝑋12,1 + 0,934369𝑋12,2 + 1,497867𝑋12,3
Kab. Situbondo
+ 0,828885𝑋12,4
𝑦̂13 = 9,02116 + 0,407045𝑋13,1 + 0,950024𝑋13,2 + 1,499282𝑋13,3
Kab. Probolinggo
+ 0,784674𝑋13,4
𝑦̂14 = 8,359967 + 0,416918𝑋14,1 + 0,959985𝑋14,2 + 1,489044𝑋14,3
Kab. Pasuruan
+ 0,776898𝑋14,4
𝑦̂15 = 6,888788 + 0,43712𝑋15,1 + 0,98949𝑋15,2 + 1,449241𝑋15,3
Kab. Sidoarjo
+ 0,774155𝑋15,4

62
 Nama
Model GWR
Kabupaten/Kota
𝑦̂16 = 6,212236 + 0,445643𝑋16,1 + 1,007527𝑋16,2 + 1,418855𝑋16,3
Kab. Mojokerto
+ 0,781069𝑋16,4
𝑦̂17 = 5,495996 + 0,454469𝑋17,1 + 1,027667𝑋17,2 + 1,384792𝑋17,3
Kab. Jombang
+ 0,789757𝑋17,4
𝑦̂18 = 3,100766 + 0,481254𝑋18,1 + 1,110729𝑋18,2 + 1,231614𝑋18,3
Kab. Nganjuk
+ 0,845451𝑋18,4
𝑦̂19 = 2,175928 + 0,491005𝑋19,1 + 1,143448𝑋19,2 + 1,166162𝑋19,3
Kab. Madiun
+ 0,874037𝑋19,4
𝑦̂20 = 1,891708 + 0,494068𝑋20,1 + 1,151485𝑋20,2 + 1,147436𝑋20,3
Kab. Magetan
+ 0,883626𝑋20,4
𝑦̂21 = 2,215637 + 0,490665𝑋21,1 + 1,142913𝑋21,2 + 1,170537𝑋21,3
Kab. Ngawi
+ 0,870306𝑋21,4
𝑦̂22 = 3,01054 + 0,482956𝑋22,1 + 1,110065𝑋22,2 + 1,241413𝑋22,3
Kab. Bojonegoro
+ 0,836658𝑋22,4
𝑦̂23 = 4,239512 + 0,471132𝑋23,1 + 1,047107𝑋23,2 + 1,379235𝑋23,3
Kab. Tuban
+ 0,777139𝑋23,4
𝑦̂24 = 5,911255 + 0,449863𝑋24,1 + 1,011551𝑋24,2 + 1,418898𝑋24,3
Kab. Lamongan
+ 0,776441𝑋24,4
𝑦̂25 = 5,922638 + 0,449685𝑋25,1 + 1,011608𝑋25,2 + 1,418229𝑋25,3
Kab. Gresik
+ 0,776963𝑋25,4
𝑦̂26 = 6,905715 + 0,437348𝑋26,1 + 0,985053𝑋26,2 + 1,462137𝑋26,3
Kab. Bangkalan
+ 0,767169𝑋26,4
𝑦̂27 = 9,908427 + 0,395056𝑋27,1 + 0,929921𝑋27,2 + 1,527969𝑋27,3
Kab. Sampang
+ 0,784298𝑋27,4
𝑦̂28 = 10,23557 + 0,38965𝑋28,1 + 0,926935𝑋28,2 + 1,527534𝑋28,3
Kab. Pamekasan
+ 0,793011𝑋28,4
𝑦̂29 = 10,61487 + 0,382508𝑋29,1 + 0,925881𝑋29,2 + 1,520704𝑋29,3
Kab. Sumenep
+ 0,810255𝑋29,4
𝑦̂30 = 4,954869 + 0,460507𝑋30,1 + 1,046803𝑋30,2 + 1,346966𝑋30,3
Kota Kediri
+ 0,804263𝑋30,4

63
 Nama
Model GWR
Kabupaten/Kota
𝑦̂31 = 5,196746 + 0,456505𝑋31,1 + 1,041117𝑋31,2 + 1,346223𝑋31,3
Kota Blitar
+ 0,814652𝑋31,4
𝑦̂32 = 6,697347 + 0,43897𝑋32,1 + 0,997952𝑋32,2 + 1,428838𝑋32,3
Kota Malang
+ 0,784054𝑋32,4
𝑦̂33 = 9,7391 + 0,396493𝑋33,1 + 0,938326𝑋33,2 + 1,512577𝑋33,3
Kota Probolinggo
+ 0,791542𝑋33,4
𝑦̂34 = 7,476794 + 0,429192𝑋34,1 + 0,97717𝑋34,2 + 1,465917𝑋34,3
Kota Pasuruan
+ 0,77441𝑋34,4
𝑦̂35 = 6,055198 + 0,447683𝑋35,1 + 1,011182𝑋35,2 + 1,413786𝑋35,3
Kota Mojokerto
+ 0,781501𝑋35,4
𝑦̂36 = 2,299884 + 0,489665𝑋36,1 + 1,139087𝑋36,2 + 1,174358𝑋36,3
Kota Madiun
+ 0,870796𝑋36,4
𝑦̂37 = 6,954481 + 0,436507𝑋37,1 + 0,985905𝑋37,2 + 1,457895𝑋37,3
Kota Surabaya
+ 0,770198𝑋37,4
𝑦̂38 = 6,375825 + 0,443209𝑋38,1 + 1,005553𝑋38,2 + 1,417736𝑋38,3
Kota Batu
+ 0,784941𝑋38,4

64