Abstrak—Tujuan dari penelitian ini adalah membuat Sampang dan Sumenep yakni sebesar 22,5 persen. Melihat
model untuk kasus pengangguran terbuka di Jawa Timur. kondisi tersebut Pemerintah Provinsi Jawa Timur
Pemodelan menggunakan dua respon yang berkorelasi, mempunyai target untuk menurunkan angka kusta di Jawa
yaitu pengangguran pernah bekerja dan pengangguran Timur sebesar 50 persen [3]
belum pernah bekerja. Prediktor berasal dari Sembilan
variabel, namun antar variabel independent terdapat
Pencegahan atau pengurangan angka kusta harus
korelasi, sehingga direduksi menjadi tiga faktor baru, antara dimulai dengan mengetahui faktor-faktor yang
lain faktor pendidikan dasar dan tinggi, faktor mempengaruhi penyebaran kusta. Banyak faktor yang
perekonomian jawa timur, dan faktor pendidikan SMP. mempengaruhi terjadinya penyakit kusta baik bersifat
Estimasi parameter regresi multivariat terhadap kedua global maupun lokal. Salah satu masalah yang
respon dengan prediktor setelah dilakukan analisis faktor menghambat upaya penanggulangan kusta adalah stigma
menunjukkan terdapat pelanggaran asumsi residual IIDN, yang melekat pada penyakit kusta dan orang yang
sehingga diatasi dengan transformasi variabel dependen. mengalami kusta bahkan keluarganya. Oleh karena
Pemodelan dari analisis faktor menunjukkan masih itu, pada penelitian ini akan diteliti faktor-faktor yang
terdapat faktor yang tidak signifikan, sehingga interpretasi
model dilakukan dengan menggunakan pemilihan model
mempengaruhi prevalensi penderita kusta di
terbaik. Hasil pemodelan menunjukkan respon Kabupaten/Kota Provinsi Jawa Timur dengan
pengangguran pernah bekerja dan pengangguran belum memperhatikan aspek wilayah (kota) yang ada dengan
pernah bekerja dipengaruhi oleh pertambahan jumlah menggunakan metode Geographically Weighted
angkatan kerja di Provinsi Jawa Timur. Regression dan Mixed Geographically Weighted
Regression. Adanya penelitian dengan metode GWR dan
Kata Kunci—GWR, MGWR, Prevalensi Kusta. MGWR diharapkan mampu memberikan informasi dan
mengidentifikasi faktor-faktor yang berpengaruh terhadap
I. PENDAHULUAN kejadian kusta guna mencapai target Pemerintah Provinsi
Jatim yaitu penurunan angka kusta sebanyak 50 persen.
K usta adalah penyakit menular yang disebabkan
Mycobacterium leprae. Penyakit ini dapat
menyebabkan masalah yang kompleks, bukan hanya dari
Geographically Weighted Regression
pengembangan dari model regresi dimana setiap
adalah
segi medis seperti cacat fisik tetapi juga masalah sosial, parameter dihitung pada setiap titik lokasi, sehingga setiap
ekonomi, budaya, keamanan dan ketahanan nasional. Bila titik lokasi geografis mempunyai nilai parameter regresi
tidak ditangani dengan cermat, kusta dapat menyebabkan yang berbeda-beda [4]. Model GWR merupakan
cacat dan keadaan ini menjadi penghalang bagi pasien pengembangan dari model regresi global dimana ide
kusta dalam menjalani kehidupan bermasyarakat untuk dasarnya diambil dari regresi non parametrik. Pada
memenuhi kebutuhan sosial ekonominya[1]. Berdasarkan beberapa kasus dimana variabel eksplanatori
penelitian diketahui bahwa perilaku hygiene mempunyai mempengaruhi variabel respon secara lokal. Rujukan [5]
pengaruh dengan kejadian kusta hal ini disebabkan karena mengusulkan Mixed Geographically Weighted Regression
kuman Mycobacterium leprae keluar dari tubuh melalui yang beberapa koefisien pada model GWR diasumsikan
pernapasan, kulit yang luka dan mampu hidup diluar tubuh konstan dan koefisien lainnya berubah sesuai lokasi yang
manusia sehingga perlu daya tahan tubuh yang baik [2] diamati.
Indonesia adalah negara nomor tiga penderita kusta di
dunia setelah India dan Brasil. Data tahun 2012 ditemukan II. TINJAUAN PUSTAKA
kasus baru yakni di India sebanyak 127.295 penderita, Regresi Linier
Brasil sebanyak 33.955 penderita dan Indonesia sebanyak
Analisis regresi merupakan suatu metode yang
18.994 penderita. Di Asia, Indonesia meraih peringkat
pertama untuk jumlah penderita kusta. Sementara di digunakan untuk menjelaskan hubungan statistik antara
Indonesia, Provinsi Jawa Timur meraih tingkat pertama dua atau lebih variabel [6].
dengan jumlah penderita sebanyak 4.807, diatas provinsi Yi 0 1 X i1 k X ik i (1)
Jawa Barat yakni sebanyak 2.345. Kabupaten/kota Persamaan (1) merupakan model regresi linier dimana
penyumbang prosentase terbanyak penderita kusta adalah β0,β1,…βk adalah parameter regresi, εi adalah error pada
wilayah di Pulau Madura paling banyak di Kabupaten
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) D-397
pengamatan ke-i dengan asumsi independen, identik, dan parameter penghalus (bandwidth) yang diperoleh dari CV
berdistribusi normal. minimum.
n
(y
Uji Efek Spasial
CV (h) i yˆ i (h)) 2 (7)
Uji efek spasial dilakukan untuk mengetahui adanya i 1
efek spasial secara dependensi atau heterogeniti. Metode Pengujian kesesuaian model dan parameter secara
pengujian dependensi dilakukan dengan uji Moran’s I parsial.
dimana H0 : I = 0 (tidak ada autokorelasi antar lokasi) dan Hipotesis pengujian kesesuaian model GWR adalah
H1 : I ≠ 0 (ada autokorelasi antar lokasi). Statistik uji sebagai berikut.
Moran’s I adalah sebagai berikut [7]. H 0 : k (ui , vi ) k , i 1,2,, n
Iˆ E ( Iˆ)
ZI (2) (tidak ada perbedaan signifikan antara regresi
Var ( Iˆ) linier dan GWR) , k 1, 2, , p
H1 : paling sedikit ada satu k (ui , vi ) k ,
yi y y j y j
n n
w ij
(ada perbedaan signifikan antara regresi linier
Dimana, Iˆ
n i 1 j 1
S0 n dan GWR)
y
i 1
i y 2 Statistik Uji:
RSS (H1 ) 1
Tolak H0 jika |𝑍| > 𝑍𝛼⁄2 , N merupakan jumlah F (8)
RSS (H 0 ) (n p 1)
observasi, wij merupakan matriks pembobot spasial, dan S0
merupakan faktor standarisasi yang sama dengan Tolak H0 jika F F1 .df1,df2 , df1 12 2 , df 2 n p 1
penjumlahan seluruh elemen matriks pembobot. Hipotesis untuk pengujian parameter secara parsial
Uji heterogeniti spasial dilakukan dengan uji Breusch adalah sebagai berikut.
Pagan dimana 𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑛2 = 𝜎 2 H0 : k (ui , vi ) 0,
(homoskedastisitas) dan H1 = minimal ada satu 𝜎𝑖2 ≠ 𝜎 2
(heteroskedastisitas). Statistik uji adalah sebagai berikut H1 : k (ui , vi ) 0
[10]. Statistik Uji:
BP (1 / 2)f Z( ZZ) 1 Zf ~ (2 ,k ) (3) ˆ (u , v )
t k i i (9)
2
Tolak H0 jika 𝐵𝑃 > 𝜒(𝛼,𝑘) dimana elemen matriks f adalah ˆ ckk
𝜀2
𝑓𝑖 = (𝜎𝑖2 − 1) dan Z merupakan matriks berukuran 𝑛 × Tolak H0 jika |𝑡| > 𝑡𝛼⁄2,(𝛿11⁄𝛿2) dimana ckk adalah
(𝑘 + 1)berupa vektor yang sudah dinormal-standarkan elemen diagonal ke-k dari matriks CC′, dan matrik C
untuk setiap observasi. diperoleh dengan rumusan C = (X′W(ui, vi)X)-1X′W(ui,
Model Geographically Weighted Regression (GWR) vi).
GWR merupakan pengembangan dari model regresi Model Mixed Geographically Weighted Regression
dimana setiap parameter dihitung pada setiap titik lokasi, (MGWR)
sehingga setiap titik lokasi geografis mempunyai nilai Pada beberapa kasus dimana variabel eksplanatori
parameter regresi yang berbeda-beda. Model GWR mempengaruhi variabel respon secara global maupun
merupakan pengembangan dari model regresi global secara lokal. Rujukan [5] mengusulkan MGWR yang
dimana ide dasarnya diambil dari regresi non parametrik beberapa koefisien pada persamaan model GWR (4)
[11]. Persamaan (4) merupakan model GWR untuk setiap diasumsikan konstan dan koefisien lainnya berubah sesuai
lokasi. lokasi yang diamati. Berikut ini merupakan model
p MGWR.
yi 0 (u i , vi ) k (u i , vi )xik i (4) q p
k 1 y i 0 (u i , vi )
k 1
k xik
k q 1
k (u i , vi ) xik i (10)
(ui, vi) adalah titik koordinat longitude dan lattitude lokasi
ke-i, βk(ui, vi) merupakan koefisien regresi variabel Uji kesesuaian model MGWR dilakukan untuk
prediktor ke-k untuk lokasi ke-i. Estimasi parameter mengetahui perbedaan antara model regresi global dan
model GWR ditunjukkan pada persamaan (5). MGWR. Hipotesis untuk uji kesesuaian model MGWR
βˆ (ui , vi ) (XW(ui , vi )X) 1 XW(ui , vi )y (5) adalah sebagai berikut.
H 0 : k (ui , vi ) k , i 1,2,, n
Matriks pembobot merupakan matriks diagonal yang
menunjukkan pembobot yang bervariasi dari setiap (Model MGWR tidak berbeda dengan
prediksi parameter pada lokasi ke-i. Salah satu pembobot model regresi global)
yang terbentuk dari fungsi kernel adalah Adaptive
H1 : minimal ada satu k (ui , vi ) k
Bisquare.
(Model MGWR berbeda dengan model
(1 (d ij / hi ) ) , untuk d ij hi
2 2
w j (u i , vi ) (6) regresi global),
0, untuk d ij hi
k 1, 2, , q, dan i 1, 2, , n
2 2
𝑑𝑖𝑗 = √(𝑢𝑖 − 𝑢𝑗 ) + (𝑣𝑖 − 𝑣𝑗 ) adalah jarak antara lokasi (ui, vi) Statistik Uji:
ke lokasi (uj, vj) dan hi adalah parameter non negatif yang
diketahui di setiap lokasi ke-i dan biasanya disebut
D-398 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
MiM′i.
vi tr (I H) (I S)(I S) , 1 Xl W(ui , vi )(I X g G)
i
M i Xl W(ui , vi ) X l
u tr(I S)(I S) , i = 1, 2,
i
i Tolak H0 jika t t .
1
2
; u1
S S l (I S l ) X g Xg (I S l ) (I S l ) X g 2 u2
Xg (I S l )(I S l ) Pemilihan Model Terbaik
x l1 ( Xl W(u1 , v1 ) X l ) Xl W(u1 , v1 )
1
Pemilihan model terbaik dapat dilakukan dengan
x l 2 ( Xl W(u 2 , v 2 ) X l ) 1 Xl W(u 2 , v 2 ) menggunakan dua metode yaitu AIC dan nilai R2.
Sl Persamaan (16) merupakan formula untuk menentukan
nilai AIC.
x ( X W(u , v ) X ) 1 X W(u , v )
ln l n n l l n n AIC 2n log e (ˆ ) n log e (2 ) n tr (S) (16)
Hipotesis pengujian serentak pada parameter global Persamaan (17) merupakan formula untuk menentukan
adalah sebagai berikut. kebaikan model menggunakan kriteria R2. [9]
H 0 : q1 q 2 p 0 n
F (2)
y (I S l )(I S l ) (I S)(I S)y r1
(12)
(y
i 1
i y) 2
1 2 1 2
Rujukan [10] menjelaskan istilah kusta berasal dari
ri tr (I S l )(I S l ) (I S)(I S) , i 1,2
i
bahasa Sansekerta, yakni kustha berarti kumpulan gejala-
Hipotesis pengujian serentak pada parameter lokal gejala kulit secara umum. Penyakit kusta atau lepra
adalah sebagai berikut. disebut juga Morbus Hansen, sesuai dengan nama yang
H 0 : 1 (ui , vi ) 2 (ui , vi ) q (ui , vi ) 0 menemukan kuman. Kusta adalah penyakit yang
disebabkan oleh infeksi Mycobacterium leprae. Kusta
H1 : minimal ada satu k (ui , vi ) 0 menyerang berbagai bagian tubuh diantaranya saraf dan
Statistik Uji: kulit. Penyakit ini adalah tipe penyakit granulomatosa
F (3)
y (I S g )(I S g ) (I S)(I S) y t1 (13)
pada saraf tepi dan mukosa dari saluran pernafasan atas
dan lesi pada kulit adalah tanda yang bisa diamati dari
y (I S)(I S)y u1
luar. Bila tidak ditangani, kusta dapat sangat progresif
Dengan menyebabkan kerusakan pada kulit, saraf-saraf, anggota
S g X g (Xg X g ) 1 Xg gerak, dan mata. Tidak seperti mitos yang beredar di
ti tr (I S g )(I S g ) (I S)(I S) , i 1,2 i masyarakat, kusta tidak menyebabkan pelepasan anggota
tubuh yang begitu mudah seperti pada penyakit tzaraath
Tolak H0 jika F (3) F ;t 2 t 2 ;u12 u2 . yang digambarkan dan sering disamakan kusta.
1
Pengujian parameter global dan lokal secara parsial III. METODOLOGI PENELITIAN
dilakukan setelah pengujian parameter secara serentak.
Hipotesis untuk pengujian parameter global secara Sumber Data
serentak adalah sebagai berikut. Data diperoleh dari Dinas Kesehatan Provinsi Jawa
H0 : k 0 Timur dan Badan Pusat Statistik Jawa Timur. Data yang
H1 : k 0, k 1, 2, , q digunakan mencakup data mengenai prevalensi kusta (Y)
dan faktor-faktor yang diduga mempengaruhi prevalensi
Statistik Uji:
kusta, meliputi persentase penduduk laki-laki (X1),
ˆ k persentase penduduk yang berusia > 15 tahun (X2),
t (14)
ˆ g kk persentase penduduk yang bependidikan tertinggi < SMP
(X3), persentase rumah tangga memiliki dinding bukan
dimana
tembok (X4), tingkat kepadatan penduduk (X5), persentase
gkk adalah elemen diagonal ke-k dari matriks GG′.
1
penduduk miskin (X6), dan persentase rumah tangga
G Xg (I S l )(I S l )X g Xg (I S l )(I S l ) berperilaku hidup berish dan sehat (X7) pada tahun 2014 .
Tolak H0 jika t t , . Metode Analisis Data
2
Selanjutnya, hipotesis untuk pengujian serentak Langkah-langkah analisis data pada penelitian ini
parameter lokal adalah sebagai berikut. adalah sebagai berikut.
1. Mendeskripsikan data dengan membuat ukuran
H 0 : k (u i , vi ) 0
pemusatan dan penyebaran data serta membuat peta
H1 : k (u i , vi ) 0 tematik.
Statistik Uji:
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) D-399
2. Memodelkan prevalensi kusta dengan faktor-faktor penduduk yang berpendidikan tertinggi kurang dari SMP
yang mempengaruhinya di Kabupaten/Kota Provinsi (X3) tertinggi berada di sebagian daerah tapal kuda yaitu
Jawa Timur (identifikasi hubungan antara variabel Bangkalan, Sampang, Sumenep, Lumajang, dan Jember.
respon dan prediktor, menguji signifikasi dengan Persentase tertinggi untuk rumah tangga yang memiliki
ordinary least square (OLS), uji asumsi residual dan dinding bukan tembok (X4) yang tertinggi adalah
multikolinieritas, serta uji efek spasial). Kabupaten Bojonegoro. Daerah yang memiliki tingkat
3. Menganalisis model GWR kepadatan penduduk (X5) tertinggi adalah Kota Surabaya
a. Menghitung jarak Eucliden antara lokasi ke-i pada dan Kota Malang. Daerah yang memiliki persentase
koordinat (ui, vi) terhadap lokasi ke-j pada koordinat penduduk miskin paling tinggi (X6) adalah Kabupaten
Bangkalan dan Sampang. Persentase rumah tangga yang
(uj, vj).
memiliki kebiasaan hidup bersih dan sehat (X7) paling
b. Menentukan bandwith optimum dengan
rendah berada di Kabupaten Trenggalek, Malang,
menggunakan metode CV.
Probolinggo, Bondowoso, dan Kota Batu.
c. Menghitung matriks pembobot dengan bandwith
optimum. Penteksian Pola Hubungan Antara Variabel yang
d. Mendapatkan estimator parameter model GWR. Masuk ke Dalam Model
e. Melakukan goodness of fit model GWR Hasil pengujian korelasi menunjukkan terdapat lima
f. Melakukan pengujian secara parsial pada parameter dari tujuh variabel prediktor yang memiliki hubungan
GWR. nyata terhadap respon dengan menggunakan α sebesar
4. Menganalisis model MGWR. 10%. Pengujian juga dilakukan terhadap antar variabel
a. Menentukan variabel global dan variabel lokal. prediktor, terdapat beberapa variabel prediktor yang saling
Penentuan variabel global dan variabel lokal berhubungan satu sama lain yang merupakan indikasi
ditentukan berdasarkan hasil pengujian secara parsial kasus multiko namun nilai VIF tidak ada yang lebih besar
model GWR. dari 10.
b. Mendapatkan estimator parameter model MGWR. Pemodelan dengan Regresi Linier
c. Melakukan pengujian kesesuaian model MGWR. Berdasarkan data yang ada dilakukan pengujian
d. Melakukan pengujian serentak pada parameter serentak dan pengujian parsial. Dari regresi OLS
variabel prediktor global dan lokal. didapatkan tiga variabel prediktor yang berpengaruh
e. Melakukan pengujian parsial pada parameter variabel signifikan terhadap prevalensi kusta, yaitu X1, X2, dan X6
prediktor global dan lokal. (Tabel 1.). R2 yang dihasilkan dari model regresi OLS
5. Membandingkan model regresi GWR dan MGWR. 69,54%. Asumsi yang dibutuhkan untuk analisis regresi
Pemilihan model terbaik dilakukan dengan melakukan tidak dipenuhi karena tidak bersifat identik namun sudah
pemilihan nilai R2 yang maksimum dan nilai AIC yang bersifat independen dan berdistribusi normal. Tidak ada
minimum. kasus multiko di dalam model yang terbentuk.
TABEL 1.HASIL PENGUJIAN PARAMETER MODEL SECARA INDIVIDU
IV. HASIL DAN PEMBAHASAN Term Coef SE Coef T-Value P-Value VIF
Constant 31,6 14,5 2,17 0,038 -
Deskripsi Prevalensi Kusta dan Faktor yang
X1 -0,475 0,238 -2,00 0,055 1,81
Mempengaruhi X2 -0,1320 0,0676 -1,95 1,36
0,060
Prevalensi kusta di Provinsi Jawa Timur sebesar 1,018 X3 0,0142 0,0236 0,60 0,551 6,18
dengan keragaman antar kabupaten/kota sebesar 1,342. X4 -0,00547 0,00983 -0,56 0,582 1,89
Nilai terendah untuk prevalensi kusta di kabupaten/kota X5 0,000126 0,000108 1,16 0,254 4,04
Provinsi Jawa Timur adalah 0,036 yang diduduki oleh X6 0,1348 0,0502 2,69 0,012 5,01
Kota Kediri sedangkan nilai tertinggi adalah 5,151 yang X7 -0,00303 0,00932 -0,33 0,747 1,34
diduduki oleh Kabupaten Sampang (Gambar 1.). Tolak H0 jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | > 𝑡0,05;30 = 1,697261
Uji Efek Spasial
Hasil dari pengujian efek spasial adalah prevalensi
kusta di Jawa Timur memiliki aspek lokasi secara
heteroskedastisitas hal tersebut ditunjukkan oleh hasil
pengujian dengan Breusch-Pagan test lebih besar dari
toleransi kesalahan 10%. Nilai Uji Moran’s I yang lebih
kecil dari 10% mengindikasikan bahwa prevalensi kusta
terjadi berdasarkan dependensi antar kabupaten/kota
(Tabel 2.). Hasil uji Morans’I yang signifikan
menyebabkan pendekatan yang dilakukan adalah
pendekatan berbasis titik, sehingga metode GWR dan
Gambar 1. Penyebaran Prevalensi Kusta Menurut Kabupaten/Kota di MGWR dapat dilakukan untuk memodelkan prevalensi
Provinsi Jawa Timur kusta di Kabupaten/Kota Provinsi Jawa Timur
Persentase penduduk laki-laki (X1) tertinggi di Jawa TABEL 2. NILAI SIGNIFIKANSI UJI EFEK SPASIAL
Timur adalah Kota Batu. Persentase penduduk yang Pengujian Nilai Nilai Signifikansi
berusia kurang dari 15 tahun (X2) terendah adalah Breusch-Pagan 21,784 0,002768
Moran's I 0,1965181 0,000002
Kabupaten Bangkalan dan Sampang. Persentase
D-400 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)