SEMINAR KERJA PRAKTEK

PEMODELAN PROPORSI PENDUDUK MISKIN KABUPATEN DAN KOTA DI

PROVINSI RIAU TAHUN 2019 MENGGUNAKAN GEOGRAPHICALLY
WEIGHTED REGRESSION

NURUL GUSTANTIA ANNISA

11754200189

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
PEKANBARU
2020

DOSEN PEMBIMBING :

FITRI ARYANI M.Sc

 1 BAB I PENDAHULUAN
LATAR BELAKANG, RUMUSAN MASALAH, TUJUAN PENELITIAN, BATASAN MASALAH,

2 BAB II PROFIL BADAN PUSAT STATISTIK KOTA PEKANBARU

VISI, MISI, STRUKTUR ORGANISASI BPS

3 BAB III LANDASAN TEORI

GARIS BESAR PRESENTASI

4 BAB IV HASIL DAN PEMBAHASAN

5 BAB IV PENUTUP
KESIMPULAN DAN SARAN

6 Contact Us
Keep it touch!

3
1

PENDAHULUAN
Kemiskinan di Indonesia
Indonesia telah mencatat prestasi membanggakan dalam memberantas kemiskinan selama periode 1976 sampai pemilu nasional tahun 2004

40.1% 1976
Pada tahun 1976 jumlah orang miskin mencapai 54,2 juta jiwa

16.66% 2004
pada tahun 2004 jumlah orang miskin sekitar 36,1 juta jiwa

11.13%
2015
9.22% persentase masyarakat miskin telah turun dari 16,66% menjadi
11,13% pada tahun 2015

2019
Angka Kemiskinan September 2019 Turun jadi 9,22 Persen

6
 Data tingkat kemiskinan di Pulau Sumatera Tahun 2019
15,32%

8.82%
8.94%

5.94%
6.29%

7.6% 12.71%
TINGKAT KEMISKINAN DI SUMATERA

Jumlah penduduk miskin di Provinsi Riau pada

September 2014 sebesar 562,92 ribu orang atau 8,82 %
yang bertambah 64,28 ribu orang dibandingkan
dengan penduduk miskin pada September 2014 yang
berjumlah 498,28 ribu orang atau 7,99%

8
 Penelitian Terdahulu
Puji Astutu dkk

model GWR menggunakan fungsi

Khusnul Yeni dkk
Riswan Efendi Dkk pembobot Gaussian Kernel
Upah Minimum Regional (UMR), menghasilkan hasil regresi yang
variabel pengangguran dan PDRB
pemilik tanah dan Indeks lebih baik
tidak berpengaruh secara signifikan
Pembangunan Manusia (IPM)
terhadap tingkat kemiskinan
berpengaruh secara significan 2018
terhadap kemiskinan.
2016
2014

2017
2015 Rita Darmawati dkk

2013 Monica Firda dkk Regresi GWR lebih baik daripada

regresi global
Yuanita Damayanti dkk. Model GWR dengan pembobot
kernel gaussian merupakan model
Data yang digunakan dalam
terbaik untuk data tingkat
pemodelan memenuhi aspek spasial
kemiskinan diJawa Tengah
sehingga dilakukan pemodelan
dengan GWR
Adaptive Tricube.
dengan kernel
9
 Rumusan Masalah

Faktor-faktor apa saja yang berpengaruh secara signifikan terhadap hasil proporsi
1 penduduk miskin di Provinsi Riau Tahun 2019?

Bagaimana pembentukan model regresi linear dengan metode Ordinary Least Square
2 (OLS) berdasarkan beberapa faktor yang berpengaruh terhadap proporsi penduduk
miskin di Provinsi Riau Tahun 2019?

Bagaimana pengaruh faktor spasial terhadap proporsi penduduk miskin di Provinsi

3 Riau Tahun 2019?

Bagaimana model pendugaan yang terbentuk dengan mempertimbangkan faktor

4 spasial terhadap proporsi penduduk miskin di Provinsi Riau Tahun 2019 menggunakan
metode Geographically Weighted Regression?

5 Bagaimana perbandingan model pendugaan antara metode OLS dengan GWR?

10
 Tujuan Penelitian

Untuk mengetahui faktor-faktor apa saja yang berpengaruh secara signifikan

1 terhadap hasil proporsi penduduk miskin di Provinsi Riau Tahun 2019.

Untuk mendapatkan model regresi linear dengan metode Ordinary Least Square
2 (OLS) berdasarkan beberapa faktor yang berpengaruh terhadap proporsi penduduk
miskin di Provinsi Riau Tahun 2019.

Untuk mengetahui pengaruh faktor spasial terhadap proporsi penduduk miskin di

3 Provinsi Riau Tahun 2019.

Untuk mendapatkan model pendugaan yang terbentuk dengan mempertimbangkan

4 faktor spasial terhadap proporsi penduduk miskin di Provinsi Riau Tahun 2019
menggunakan metode Geographically Weighted Regression.

Untuk mengetahui bagaimana perbandingan model pendugaan antara metode OLS

5 dengan GWR.

11
 BATASAN MASALAH

Adaptive kernel-Gaussian Pembobot yang digunakan adalah fungsi

Adaptive kernel-Gaussian

proporsi penduduk miskin Riau 2019 Studi kasus yang diteliti adalah proporsi
penduduk miskin di Provinsi Riau di
Kabupaten/Kota di Provinsi Riau tahun
2019.

.
1 variabel dependen dan 5
Faktor-faktor yang akan diamati antara
variabel independen
lain indeks pembangunan manusia,
persentase tingkat penganggura,
persentase laju PDRB, upah minimum
kerja, dan tingkat partisipasi angkatan
kerja.
12
 Tempat, Waktu Pelaksanaan Metodologi Penelitian

Tempat dan Waktu

• Badan Pusat Statistik Kota Pekanbaru
Pendataan
• 06 Januari 2020 sampai 03 Februari
Pengambilan data dilakukan diBPS
2020
tepatnya di bagian Bidang Statistik
Pengolahan Data Sosial
Data diolah dengan menggunakan analisis regresi
linear berganda dan Geographically Weighted
Studi Pustaka
Regression (GWR). buku-buku mengenai analisis regresi linier, regresi
Penulisan Laporan spasial, baik analisis regresi berganda ataupun analisis

Tahap ini merupakan kegiatan penulis Pengumpulan Laporan

dalam menyelesaikan laporan.
Tahap ini adalah tahap akhir yang
dilakukan oleh penulis.

The Power of PowerPoint | thepopp.com 13

2

PROFIL INSTANSI
 PROFIL BADAN PUSAT STATISTIK KOTA PEKANBARU

visi “Pelopor data statistik terpercaya untuk semua”

misi Untuk mewujudkan visi tersebut diatas, maka disusunlah

misi untuk mencapainya. Misi dari Badan Pusat Statistik
Kota Pekanbaru adalah sebagai berikut:
1. Menyediakan data statistik berkualitas melalui
kegiatan statistik yang terintegrasi dan berstandar
nasional maupun internasional.
2. Memperkuat Sistem Statistik Nasional yang
berkesinambungan melalui pembinaan dan
koordinasi di bidang statistik
3. Membangun insan statistik yang profesional,
berintegritas dan amanah untuk kemajuan
perstatistikan

15
 STRUKTUR ORGANISASI BPS

Berdasarkan Peraturan Presiden Nomor 86 Tahun 2007 tentang Badan Pusat Statistik dan Peraturan Kepala Badan Pusat Statistik Nomor 116 Tahun 2014 tentang Organisasi dan
Tata Kerja Badan Pusat Statistik. Susunan organisasi BPS terdiri dari:

Kepala, kepala kasubag tata usaha, kepala seksi statistik sosial, kepala seksi statistik produksi, kepala seksi statistik neraca wilayah dan analisis statistik, kepala seksi statistik
integrasi pengolahan dan diseminasi statistik.
16
3

Landasan Teori
 Model Regresi Linear Berganda

Analisis regresi berkaitan dengan studi mengenai ketergantungan satu variabel, yaitu
variabel dependen terhadap satu atau lebih variabel independen. Bentuk model regresi dengan p
variabel prediktor dan n jumlah pengamatan adalah sebagai berikut :
y i =  0 +  1 x1i +  2 x 2 i +  +  p x pi + e1
dengan .
i = 1,2,  , n

Pada model ini, hubungan antara variabel independen dan variabel dependen dianggap sama pada
setiap lokasi geografis. Dalam bentuk matriks ditulis sebagai berikut :

 0 
 y1  1 x11 x 21 x 31  x p1     e1 
 y  1  
x12 x 22 x 32  x p 2   1  e 2 
 2   2   
 y 3  = 1 x13 x 23 x 33  x p 3    + e3 
    3   
         
    
 y n  1 x1n x 2n x 3n  x pn    e n 

  n  18
 PENGUJIAN PARAMETER MODEL
Dalam pengujian parameter regresi, terdapat dua uji yang perlu dilakukan yaitu uji individu dan uji serentak.

1. Uji Individu
Hipotesis dari pengujian secara individu sebagai berikut :
𝐻0 : 𝛽1 = 0 , 𝑖 = 1,2, … , 𝑝 (𝑡𝑖𝑑𝑎𝑘 𝑎𝑑𝑎 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑦𝑎𝑛𝑔 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑘𝑎𝑛 𝑎𝑛𝑡𝑎𝑟 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙)
𝐻0 : 𝛽1 ≠ 0, 𝑖 = 1,2, … , 𝑝 ( 𝑎𝑑𝑎 𝑝𝑒𝑛𝑔𝑎𝑟𝑢ℎ 𝑦𝑎𝑛𝑔 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑘𝑎𝑛 𝑎𝑛𝑡𝑎𝑟 𝑣𝑎𝑟𝑖𝑎𝑏𝑒𝑙)
Statistik uji yang digunakan adalah
𝛽መ𝑖 − 𝛽𝑖
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑠𝑒(𝛽መ𝑖 )

1. Uji Serempak
Hipotesis dari pengujian
secara serentak ini adalah sebagai berikut :
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0
(Variabel independen tidak mempengaruhi variabel dependen)
𝐻1 ∶ minimal terdapat satu 𝛽𝑖 ≠ 0, 𝑖 = 1,2, … , 𝑝
(Minimal terdapat satu variabel independen yang mempengaruhi variabel dependen atau model layak).
Statistik uji yang digunakan adalah
𝑅𝐾𝑅
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑅𝐾𝑆
19
 Model Geographically Weighted Regression
Model Geographically Weighted Regression (GWR) merupakan pengembangan dari metode
regresi. Hanya saja pada model GWR parameter persamaan untuk setiap lokasi pengamatan berbeda
dengan lokasi lainnya sehingga banyaknya vektor parameter yang diduga adalah sebanyak lokasi
pengamatan yang digunakan dalam data. Dalam analisis GWR, model yang dihasilkan juga tidak dapat
digunakan untuk menduga paremeter selain parameter di lokasi pengamatan perbedaan regresi biasa
dan GWR dapat disajikan pada Tabel,.

Regresi Biasa GWR

Nilai Parameter Sama untuk semua lokasi, Berbeda untuk setiap lokasi,
tidak bisa dipetakan sehingga bisa dipetakan

Nilai Statistik Tunggal (hanya satu) Banyak (sebanyak lokasi)

GIS Tidak ada Ada

Faktor Lokasi Tidak diperhatikan Diperhatikan

20
 Model Geographically Weighted Regression

Model dari Geographically Weighted Regression (GWR) dapat ditulis sebagai berikut :
𝑝

𝑌𝑖 = 𝛽0 𝑢𝑖 , 𝑣𝑖 + ෍ 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 𝑋𝑖𝑘 + 𝜀𝑖
𝑘=1

dimana
𝑌𝑖 : nilai variabel respon pada titik lokasi pengamatan ke-i
𝑋𝑖𝑘 : nilai variabel prediktor ke-k pada titik lokasi pengamatan ke-𝑖
𝑢𝑖 , 𝑣𝑖 : koordinat titik lokasi pengamatan ke- 𝑖 (longitude, latitude)
𝛽0 𝑢𝑖 , 𝑣𝑖 : koordinat / intercept GWR
𝛽𝑘 𝑢𝑖 , 𝑣𝑖 : koefisien regresi ke- 𝑘 pada titik lokasi pengamatan ke- 𝑖
𝜀𝑖 : error pada titik lokasi ke- 𝑖 yang diasumsikan dengan ratarata nol dan varians 𝜎 2

21
 4

HASIL DAN PEMBAHASAN

 DESKRIPSI DATA
Data pada penelitian ini menggunakan data kemiskinan kabupaten/kota tahun 2019 dari Badan Pusat Statistik (BPS) tahun
2020. Penelitian ini terdiri dari 12 lokasi kabupaten/kota di Provinsi Riau dengan titik koordinat berupa garis bujur
(longitude) dan garis lintang (latitude) untuk tiapkabupaten/kota.

N Minimum Maximum Mean Std. Deviation

Proporsi Penduduk
12 2,52 26,93 8,4450 6,29534
Miskin
Indeks Pembangunan
Manusia 12 65,93 81,35 71,7858 4,06036

Persentase Tingkat
Pengangguran 12 4,33 9,62 5,8000 1,56681

Persentase Laju PDRB

12 -1,86 6,01 3,3275 2,25367
Upah Minimum Kerja
12 2707384 3118453 2812094,92 124371,307
Tingkat Partisipasi
12 60,90 69,28 65,5675 2,71292
Angkatan Kerja

23
 KORELASI PARSIAL
Faktor independen yang paling dominan mempengaruhi Proporsi Penduduk Miskin di Provinsi Riau adalah Indeks
Pembangunan Manusia. Hal ini dikarenakan pengaruh Indeks Pembangunan Manusia berbanding lurus dengan Proporsi
Penduduk Miskin
Korelasi Parsial Variabel Independen Terhadap Proporsi Penduduk Miskin
Proporsi Indeks Persentase Upah Tingkat
Penduduk Pembangunan Tingkat Persentase Minimum Partisipasi
Miskin Manusia Pengangguran Laju PDRB Kerja Angkatan Kerja
Proporsi Penduduk 1 -.637* -,100 -,101 -,311 ,213
Miskin
Indeks Pembangunan -.637* 1 ,486 ,210 ,297 ,041
Manusia
Persentase Tingkat -,100 ,486 1 -,329 ,508 -,024
Pengangguran
Persentase Laju PDRB -,101 ,210 -,329 1 -,124 ,422
Upah Minimum Kerja -,311 ,297 ,508 -,124 1 ,355
Tingkat Partisipasi ,213 ,041 -,024 ,422 ,355 1
Angkatan Kerja
*. Correlation is significant at the 0.05 level (2-tailed).

24
Model Regresi Linear dengan Metode Ordinary Least
Square (OLS)

The Power of PowerPoint | thepopp.com 25

 PEMODELAN PROPORSI PENDUDUK MISKIN DENGAN REGRESI LINEAR

Permodelan regresi linier bertujuan untuk mengetahui variabel-variabel yang mempengaruhi tingkat
kemiskinan di Riau tanpa mempertimbangkan aspek spasial..

Uji Multikolineraritas Uji asumsi kenormalan

Variabel VIF
Residual
Indeks Pembangunan Manusia 1.724 N 12
Normal Parameters Mean 0,0000
Persentase Tingkat Pengangguran 2.085 Std. Deviation 3,51063
Most Extreme Absolute 0,180
Persentase Laju PDRB 1.868 Differences Positive 0,180
Upah Minimum Kerja 1.726 Negative -0,130
Tingkat Partisipasi Angkatan Kolmogorov-Smirnov Z 0,624
1.626
Kerja Asymp. Sig. (2-tailed) 0,832

The Power of PowerPoint | thepopp.com 26

 PEMODELAN PROPORSI PENDUDUK MISKIN DENGAN REGRESI LINEAR

Sebelum membentuk suatu model regresi linear, maka dilakukan pengujian signifikansi parameter yang meliputi
pengujian signifikansi parameter secara simultan dan pengujian signifikansi parameter secara parsial.

UJI SIMULTAN
UJI PARSIAL
B sig. Ket
Intercept 86,197 ,153 Tidak Significant Model Regresi Linear dengan OLS
Indeks Pembangunan
-1,175 ,044 Significant
Manusia R2 83.00%
Persentase Tingkat
2,158 ,153 Tidak Significant SSE 16120471,89
Pengangguran
Persentase Laju PDRB -,053 ,953 Tidak Significant
P-Value 1.266e-12
Upah Minimum Kerja
-2,634E-05 ,132 Tidak Significant
Tingkat Partisipasi
Angkatan Kerja
1,043 ,173 Tidak Significant 27
 Parameter Model Regresi

Diketahui bahwa variabel indeks pembangunan manusia berpengaruh secara signifikan terhadap
proporsi penduduk miskin di provinsi riau. Dengan r 2 sebesar 83.00%. Dengan demikian model
pendugaan regresi linear yang dihasilkan adalah:
yത = −2,537 indeks pembangunan manusia

Estimasi Parameter Model Regresi

t-hitung
Intercept 1,636
Indeks Pembangunan Manusia -2,537
Persentase Tingkat
1,634
Pengangguran
Persentase Laju PDRB -,061
Upah Minimum Kerja -1,740
Tingkat Partisipasi Angkatan
1,548
Kerja

28
Pemodelan Geographically Weighted Regression
(GWR)

The Power of PowerPoint | thepopp.com 29

 Heteroskedastisitas Spasial Dan Autokorelasi

Berdasarkan pengujian yang telah dilakukan menggunakan Breusch-Pagan Test, diperoleh bahwa data
mengandung pengaruh heteroskedastisitas spasial. Diketahui dengan nilai P-Value statistik pada
Breusch-Pagan Test adalah 0.007936, maka dengan menggunakan tingkat signifikansi sebesar 5% dapat
disimpulkan bahwa terdapat heteroskedastisitas spasial pada data.

Nilai Moran’s I Tiap Variabel

Variabel IStatistic P-Value

Proporsi Penduduk miskin -0.033093707 0.4752
Indeks Pembangunan Manusia -0.005678434 0.3525
Persentase Tingkat Pengangguran -0.03271000 0.4737

Persentase Laju PDRB -0.059414494 0.596

Upah Minimum Kerja -0.143228139 0.8875
Tingkat Partisipasi Angkatan Kerja -0.148024571 0.9001

30
 BANDWIDTH

Tahap awal dalam permodelan GWR adalah menentukan bandwidth optimum dengan
menggunakan metode Cross Validation (CV). Dalam penelitian ini proses penghitungan bandwidth yang
meminimumkan nilai CV dengan iterasi metode Golden Section Search. Proses iterasi menggunakan
software GWR4 menghasilkan bandhwidth optimum sebesar 0.1450942 dan CV sebesar 5964966,549.
Dengan nilai bandwidth sebesar 0.1450942 , maka fungsi pembobot gaussian menjadi :

2
𝑑𝑖𝑝
𝑤𝑖 𝑢𝑖 , 𝑣𝑖 = 𝑒𝑥𝑝 ൗ
0.1450942

31
 Pendugaan Parameter Model GWR

Koefisien Parameter
Variabel Estimator Min Median Max global
Intercept 13415,199387 13578,546828 13862,198755 13405,445544
Indeks Pembangunan
-1,404970 -1,353258 -1,322398 -1,341902
Manusia
Persentase Tingkat
2,125158 2,183787 2,217946 2,189955
Pengangguran
Persentase Laju PDRB 0,610013 0,650287 0,745719 0,645450
Upah Minimum Kerja -0,001701 -0,001658 -0,001560 -0,001612
Tingkat Partisipasi
0,020222 0,022745 0,028099 0,020166
Angkatan Kerja
SSE 1882916,518
R2 88,47%

32
 Pengujian Kesesuaian Model GWR

Hipotesis yang digunakan adalah dalam pengujian kesesuaian model GWR adalah sebagai berikut:

H0: tidak ada perbedaan yang signifikan antara model regresi global dengan model GWR.
H1: minimal terdapat satu atau terdapat perbedaan yang signifikan antara model regresi global dengan
model gwr.

DF Sum Sq Mean Sq F

Global Residuals 6 1882916,518

GWR
0,414 72482,461 175257,379
Improvement

GWR Residual 5,586 1810434,057 324077,52 3,540788

33
Pengujian Signifikansi Parameter Parsial Model GWR

Diketahui daerah penolakan pada pengujian parameter model GWR menyatakan bahwa keputusan tolak
H0 dapat dibuat jika nilai dengan tingkat signifikansi sebesar 5%. Dengan mengetahui suatu keputusan
tolak H0 dapat dibuat jika nilai t hitung > t α
,n−k−1
dengan tingkat signifikansi sebesar 5%. Dengan
2
mengetahui bahwa nilai t 0.025,6 = 2.44691

No. Kabupaten/Kota X1 X2 X3 X4 X5

1 Kuantan Singingi 7,4893 -0.6388 -1,3824 -1,0447 0.5060

2 Indragiri Hulu 8,2434 -0,1227 -0,5458 -0,5058 1,1865
3 Indragiri Hilir 8,1478 -0,2101 -0,3559 -0,3257 0,0279
4 Pelalawan 5,9208 -0,4404 0,4518 0,1765 -0,4547
5 Siak 7,1291 0,0523 4,4871 0,8605 -0,7812
6 Kampar 3,1300 1,3437 3,8385 0,7322 -1,6558
7 Rokan Hulu 2,3191 1,9648 4,5695 0,3097 -1,8193
8 Bengkalis 2,4034 2,8002 3,5699 -0,6953 -1,1866
9 Rokan Hilir 4,1560 4,2721 4,1403 -1,5048 0,1822
10 Kepulauan Meranti 5,1714 4,0484 3,3277 -1,2766 0,8838
11 Pekanbaru 7,6651 3,1509 3,7569 -0,7092 1,1503
12 Dumai 6,7804 5,1872 3,2746 -2,1238 2,6371 34
 PENGELOMPOKKAN VARIABEL SIGNIFIKAN
No Kabupaten/Kota Variabel Signifikan

1 Dumai Indeks Pembangunan Manusia, Persentase

Tingkat Pengangguran, Persentase Laju PDRB,
dan Tingkat Partisipasi Angkatan Kerja
2 Bengkalis, Rokan Hilir, Indeks Pembangunan Manusia, Persentase
Kepulauan Meranti, Pekanbaru Tingkat Pengangguran, dan Persentase Laju
PDRB
3 Kuantan Singingi, Indragiri Indeks Pembangunan Manusia
Hulu, Indragiri Hilir, Pelalawan,
4 Siak, Kampar, Rohul Indeks Pembangunan Manusia dan Persentase
Laju PDRB

Salah satu model GWR yang terbentuk adalah tingkat kemiskinan di Kabupaten Dumai, dengan persamaan sebagai berikut:

yˆ = −158505.18 + 3.6121Indeks Pembangunan Manusia + 1.7195Persentase Tingkat Pengangguran

+ 67.8683Persentase Laju PDRB + 31.3914Tingkat Partisipas i Angka tan Kerja

The Power of PowerPoint | thepopp.com 35

 Pada penelitian ini pemilihan model dilakukan dalam rangka menentukan ketepatan kinerja antara
model OLS dengan model GWR yang telah dihasilkan. Berikut merupakan perbandingan kedua model
berdasarkan nilai R2, AIC dan Sum Square Error (SSE):

Pemilihan Model Terbaik

Kriteria Regresi Linear GWR

R2 83.00% 88.47%

SSE 16120471,89 1882916,518

AIC 223,054093 219,615635

MAPE 7.723488% 1.274668%

The Power of PowerPoint | thepopp.com 36

 KESIMPULAN

⚫ pembentukan model regresi linear

⚫ Model yang dihasilkan dengan metode
dengan metode Ordinary Least Square
OLS adalah :
(OLS) didapatkan dengan pengaruh yang
signifikan dari variabel Indeks
Pembangunan Manusia terhadap
proporsi penduduk Kabupaten/Kota di
1 2 𝑦ො = −2,537 𝐼𝑛𝑑𝑒𝑘𝑠 𝑃𝑒𝑚𝑏𝑎𝑛𝑔𝑢𝑛𝑎𝑛 𝑀𝑎𝑛𝑢𝑠𝑖𝑎

Provinsi Riau.
⚫ Model pendugaan yang dihasilkan dengan
menggunakan metode GWR untuk setiap
⚫ Pengujian asumsi heteroskedastisitas
Kabupaten/Kota adalah berbeda-beda.

3 4
spasial menggunakan Breusch-Pagan test
dilakukan dan disimpulkan bahwa data
proporsi penduduk miskin memiliki
pengaruh efek spasial
⚫ model GWR merupakan model yang paling
sesuai yang dapat digunakan dalam
pendugaan terhadap produksi padi di
Kabupaten/Kota di Provinsi Riau

37

pertimbangan bagi Pemerintah Daerah
Provinsi Riau dalam pengambilan keputusan
untuk penanganan kemiskinan agar menjadi
lebih efektif dan efisien
penelitian selanjutnya dapat menggunakan
fungsi pembobot tricube, fungsi kernel bi-
square, atau fungsi pembobot adaptive.
SARAN
1 2 penelitian selanjutnya memungkinkan model
regresi spasial dengan pendekatan titik
lainnya seperti Geographically Weighted
Poisson Regression (GWPR) atau
Geographically Weighted Logistic Regression
(GWLR)
Menggunakan variabel independen lainnya.
3 4
38