SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

|COVER
i| TEKNIK GEOMATIKA | FTSPK | ITS | 2020
 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

KATA PENGANTAR

Puji syukur penulis panjatkan atas ke hadirat Allah SWT sehingga penulisan laporan
Tugas-4 Asistensi Sistem Infomasi Geografis Terapan mengenai Ordinary Least Square
(OLS) dan Geographically Weighted Regression (GWR) ini dapat terselesaikan tepat
waktu.Laporan ini penulis buat berdasarkan hasil praktikum penulis dengan sebaik-baik
mungkin.
Terselesaikannya laporan ini tidak lepas dari bantuan dan dukungan dari berbagai pihak.
Untuk itu pada kesempatan ini penulis bermaksud mengucapkan terima kasih kepada :
1. Bapak Dr-Ing. Ir. Teguh Hariyanto, M.Sc selaku dosen pengampu Mata Kuliah
Sistem Informasi Geografis Terapan.
2. Nurwatik, ST, M.Sc selaku dosen AsistensiMata Kuliah Sistem Informasi Geografis
Terapan.
3. Dan kepada berbagai pihak yang telah membantu dalam menyelesaikan laporan ini
yang tidak dapat penulis sebutkan satu-persatu.
Penulis menyadari atas ketidaksempurnaan penyusunan laporan praktikum ini, namun
penulis tetap berharap laporan ini akan memberikan manfaat bagi para pembaca. Demi
kemajuan penulis, penulis juga mengharapkan adanya masukan berupa kritik atau saran yang
berguna. Terima kasih.

Surabaya, 25 November 2020

Penulis

| ii | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

DAFTAR ISI
COVER ....................................................................................................................................... i
KATA PENGANTAR ...............................................................................................................ii
DAFTAR ISI ............................................................................................................................ iii
DAFTAR GAMBAR ................................................................................................................ iv
DAFTAR TABEL ..................................................................................................................... iv
BAB I ......................................................................................................................................... 1
PENDAHULUAN ..................................................................................................................... 1
1.1 Latar Belakang ................................................................................................................. 1
1.2 Tujuan............................................................................................................................... 1
1.3 Manfaat............................................................................................................................. 1
BAB II ........................................................................................................................................ 3
STUDI LITERATUR................................................................................................................. 3
2.1 Model Regresi OLS .......................................................................................................... 3
2.1.1 Uji Asumsi Klasik ................................................................................................ 3
2.1.2 Pengujian Signifikansi ......................................................................................... 4
2.1.3 Koefisien Determinasi ......................................................................................... 5
2.2 Model Regresi GWR ........................................................................................................ 5
2.2.1 Matriks Pembobot dengan Fungsi Adaptive Gaussian Kernel ............................ 6
2.2.2 Uji Heterogenitas Spasial ..................................................................................... 6
2.2.3 Pengujian Signifikansi Pendugaan Parameter Model GWR ................................ 7
2.2.4 Pengujian Goodness of Fit Model GWR ............................................................. 7
BAB III ...................................................................................................................................... 9
METODOLOGI ......................................................................................................................... 9
3.1 Area Studi......................................................................................................................... 9
3.2 Data yang Digunakan ....................................................................................................... 9
3.3 Perangkat Lunak yang Digunakan ................................................................................. 10
3.4 Tahap Pengerjaan ........................................................................................................... 11
3.4.1. Ordinary Least Square (OLS) .............................................................................. 11
3.4.2. Geographically Weighted Regression (GWR) ..................................................... 14
BAB IV .................................................................................................................................... 18
HASIL ...................................................................................................................................... 18
4.1 Hasil dan Analisis........................................................................................................... 18
4.1.1. Ordinary Least Square (OLS) .............................................................................. 18
4.1.2. Geographically Weighted Regression (GWR) ...................................................... 19
4.1.3. Pemilihan Model Terbaik ..................................................................................... 22
BAB V ..................................................................................................................................... 24
PENUTUP................................................................................................................................ 24
5.1. Kesimpulan................................................................................................................... 24
5.2. Saran ............................................................................................................................. 25
DAFTAR PUSTAKA .............................................................................................................. 26

| iii | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

DAFTAR GAMBAR

Gambar 1 Kota Surabaya Sebagai Area Studi ....................................................................................... 9

Gambar 2 Shapefile Kota Surabaya ...................................................................................................... 9
Gambar 3 Data atribut terkait puskesmas di Surabaya ........................................................................ 10
Gambar 4 Aplikasi ArcMap ................................................................................................................ 10
Gambar 5 Aplikasi Microsoft Word.................................................................................................... 11
Gambar 6 Memasukan data spasial untuk OLS .................................................................................. 11
Gambar 7 Penggunaan Explanory Regression tool untuk menentukan semua kombinasi yang mungkin
untuk pemodelan OLS ketika variabel independen tersedia ................................................................ 11
Gambar 8 Jendela Explanatory Regression (1) ................................................................................... 12
Gambar 9 Jendela Explanatory Regression (2) ................................................................................... 12
Gambar 10 Attribute Table dari Expalanatory Regression .................................................................. 13
Gambar 11 Jendela Ordinary Least Square ......................................................................................... 13
Gambar 12 Hasil OLS......................................................................................................................... 14
Gambar 13 Tools Geographically Weighted Regression pada ArcToolbox ........................................ 14
Gambar 14 Pengisian Jendela Geographically Weighted Regression dengan Kernel Type Fixed ...... 15
Gambar 15 Pengisian Jendela Geographically Weighted Regression dengan Kernel Type Adaptive . 15
Gambar 16 Hasil Pengolahan GWR dengan Kernal Type Fixed......................................................... 16
Gambar 17 Tabel Atribut Hasil Analisa GWR dengan Kernel Type Fixed ......................................... 16
Gambar 18 Hasil Pengolahan GWR dengan Kernel Type Adaptive ................................................... 17
Gambar 19 Tabel Atribut Hasil Analisa GWR dengan Kernel Type Adaptive ................................... 17
Gambar 20 Hasil Report Metode OLS ................................................................................................ 18
Gambar 21 Tabel OLS ........................................................................................................................ 18
Gambar 22. Kecamatan Gunung Anyar dengan Nilai Koefisien Determinsin Paling Kecil pada Model
GWR kernel Fixed .............................................................................................................................. 20
Gambar 23. Kecamatan Wiyung dengan Nilai Koefisien Determinasi Paling Besar pada Model GWR
Kernel Fixed ....................................................................................................................................... 21
Gambar 24. Kecamatan Rungkut dengan Nilai Koefisien Determinsin Paling Kecil pada Model GWR
kernel Adaptive................................................................................................................................... 21
Gambar 25. Kecamatan Pakai dengan Nilai Koefisien Determinsin Paling Kecil pada Model GWR
kernel Adaptive................................................................................................................................... 22
Gambar 26. Tabel Atribut Hasil Analisa GWR Kernel Fixed (kiri) dan Kernel Adaptive (kanan) ..... 22

DAFTAR TABEL

Tabel 1 Referensi Analisis OLS .......................................................................................................... 18

Tabel 3. Interval Koefisien Determinasi (Sugiyono, 2002:183) .......................................................... 20
Tabel 4 Perbandingan hasil R2 Adjusted dan AICc pada metode OLS dan GWR ............................... 23

| iv | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

BAB I
PENDAHULUAN

1.1 Latar Belakang

Sistem Informasi Geografis (SIG) adalah suatu sistem informasi yang di rancang
untuk bekerja dengan data yang bereferensi spasial atau berkoordinat geografi atau
dengan kata lain suatu SIG adalah suatu sistem basis data dengan kemampuan khusus
untuk menangani data yang bereferensi keruangan (spasial) bersamaan dengan
seperangkat operasi kerja. Di samping itu, SIG juga dapat menggabungkan data,
mengatur data, dan melakukan analisis data yang akhirnya akan menghasilkan keluaran
yang dapat dijadikan acuan dalam pengambilan keputusan pada masalah yang
berhubungan dengan geografi.
Seiring dengan perkembangan zaman, SIG telah digunakan untuk menyelesaikan
berbagai permasalahan di berbagai bidang khususnya yang berbasis keruangan. Adapun
salah satu permasalahan yang dapat diselesaikan menggunakan SIG, termasuk untuk
analisis statistik terhadap data spasial, baik ditinjau dari segi distribusi, pola, proses,
maupun keterkaitan/hubungan antardata. Walaupun secara konsep dan objektif analisis
statistik pada data spasial dan nonspasial bersifat hampir sama, analisis statistik terhadap
data spasial yang dikembangkan secara spesifik menggunakan data berbasis geografis.
ArcGIS merupakan salah satu perangkat lunak berbasis SIG. Salah satu fitur yang ada
pada aplikasi ArcGIS adalah Spatial Statistic Toolbox untuk melakukan analisis data
spasial yang dapat ditinjau dari aspek distribusi, pola, proses, dan keterkaitan/hubungan
antardata. Di antara pemrosesan data yang dapat dilakukan adalah pemodelan keterkaitan
data spasial menggunakan Modeling Spatial Relationship toolset. Dua di antara jenis
metode yang kerap digunakan adalah Geographically Weigthed Regression (GWR) serta
Ordinary Least Squares (OLS) untuk memperoleh hasil analisis regresi. Kedua metode
ini tentunya memiliki perbedaan yang akan dipaparkan secara lebih lanjut pada laporan
ini berdasarkan hasil praktikum yang diperoleh.
1.2 Tujuan
Adapun tujuan dari pelaksanaan praktikum dan pembuatan laporan ini di antaranya:
1. Mahasiswa dapat melakukan pemrosesan data spasial metode Geographically
Weighted Regression (GWR) dan Ordinary Least Square (OLS) dengan
menggunakan tools yang tersedia di perangkat lunak ArcGIS.
2. Mahasiswa mampu melakukan analisa untuk membandingkan hasil dari setiap metode
yang dilakukan dengan menggunakan tools yang berbeda dan mampu menjelaskannya
melalui laporan.

1.3 Manfaat
Adapun manfaat dari pelaksanaannya praktikum dan pembuatan laporan ini di
antaranya:

|1| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

1. Mahasiswa lebih memahami konsep Geographically Weighted Regression (GWR)

dan Ordinary Least Square (OLS) lebih mendalam untuk di kemudian hari mampu
menerapkannya dalam berbagai analisa dalam SIG.
2. Meningkatkan keterampilan dalam SIG khususnya menggunakan perangkat lunak
ArcGIS.

|2| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

BAB II
STUDI LITERATUR

2.1 Model Regresi OLS

Model regresi OLS dapat digunakan untuk menemukan hubungan terbaik antara
variabel independen X dan variabel dependen Y, mengukur kekuatan hubungan dan
melakukan prediksi terhadap variabel Y melalui variabel X yang diamati. Metode
pendugaan parameter pada regresi OLS menggunakan Metode Kuadrat Terkecil (MKT).
Model analisis regresi linier berganda digambarkan dengan

di mana:
Y : variabel dependen (variabel respons)
X : variabel independen (variabel prediktor)
p : banyaknya variabel yang digunakan
β0 : konstanta
βi : parameter pada peubah ke k, di mana i : 1, 2, …, p
Sehingga, penduga parameter pada regresi linier berganda diperoleh dari matriks:

Sedangkan varians (keragaman) bagi penduga parameter

Di mana

2.1.1 Uji Asumsi Klasik

Terdapat beberapa asumsi klasik pada analisis regresi OLS sebagaimana
penjelasan berikut:
1. Asumsi normalitas
Hipotesis penelitian:
H0 : Data sisaan menyebar normal
H1 : Data sisaan tidak menyebar normal
Sisaan diperoleh dari

Pengujian asumsi dilakukan dengan menggunakan uji statistika Jarque-Bera

dengan persamaan di bawah ini

Dimana
n : banyaknya sampel
S : skewness, merupakan ukuran kemenjuluran suatu kurva.
K : kurtosis, merupakan ukuran keruncingan dari suatu kurva.
Data sisaan dikatakan menyebar norma, ketika S bernilai 0 dan K bernilai 3.
Keputusan: Tolak H0 jika p-value ≤  (taraf nyata) atau statistik uji JB > 2 .
2. Asumsi heterogenitas
Hipotesis penelitian:

|3| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

H0 : Tidak terdapat heteroskedastisitas ragam sisaan.

H1 : Terdapat heteroskedastisitas ragam sisaan (asumsi kehomogenan ragam
tidak terpenuhi).
Pengujian asumsi dilakukan dengan menggunakan uji Glejser pada penelitian
ini menggunakan fungsi persamaan berikut:

Di mana merupakan nilai absolut dari nilai sisaan pada regresi OLS.
Keputusan: Tolak H0 jika p-value ≤  (taraf nyata).
3. Asumsi non multikolinieritas.
Asumsi ini dilakukan untuk melihat keeratan hubungan antar variabel X
melalui nilai VIF (Variance Inflation Factor) yang diperoleh. Asumsi non
multikolinieritas tidak terpenuhi jika nilai VIF yang diperoleh lebih besar
dari 10 (VIF > 10).
Pengujian VIF diperoleh dari

Nilai Rj2 merupakan koefisien determinasi (R2) pada regresi Xi sebanyak p-2
peubah.
2.1.2 Pengujian Signifikansi
Pengujian signifikansi dilakukan untuk mengetahui apakah variabel-variabel
independen yang digunakan berpengaruh atau tidak terhadap variabel dependen
baik secara parsial maupun serentak. Berikut penjelasan masing-masing pengujian
tersebut.
2.1.2.1 Pengujian Secara Parsial
Uji signifikansi secara parsial dilakukan dengan menggunakan statistik uji
t.
Hipotesis: H0 :
Statistik uji t:

Jika statistik uji t > t (db =n-i) atau p-value ≤  , maka:
Keputusan: tolak H0.
Kesimpulan: variabel Xi secara parsial berpengaruh terhadap Y.
2.1.2.2 Pengujian Secara Serentak
Uji signifikansi secara serentak dilakukan dengan menggunakan statistik
uji F dengan hipotesis berikut:
H0 : 0 = 1 = 2 = ⋯ = p = 0
H1: paling tidak terdapat sepasang i yang tidak sama dengan nol di mana
i = 0, 1, 2, 3, …, p.
Berikut statistik uji F untuk pengujian signifikansi secara serempak:

Di mana:
JKR (Jumlah Kuadrat Regresi) =
|4| TEKNIK GEOMATIKA | FTSPK | ITS | 2020
 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

JKG (Jumlah Kuadrat Galat) =

Jika statistik uji F > F (dbregresi,dbgalat) di mana db regresi = p-1
sedangkan db galat= n-p atau p-value < 
Keputusan: Tolak H0.
Kesimpulan: variabel X1, X2, …,Xp secara bersama-sama, berpengaruh
terhadap Y.
2.1.3 Koefisien Determinasi
Koefisien determinasi (R2) mengukur proporsi keragaman atau variasi total
variabel respon yang dapat
dijelaskan oleh variabel prediktor [8]. Besar nilai R2 dapat diiperoleh dari

Nilai R2 berkisar antara 0  R2 1. Semakin tinggi nilai R2 maka semakin

tinggi kekuatan variabel prediktor dalam menjelaskan variabel respon dalam
analisis regresi. Sehingga dapat diperoleh prediksi variabel respon yang lebih baik

2.2 Model Regresi GWR

Pada model GWR, jarak antar lokasi digunakan sebagai acuan dalam pendugaan
parameter. Adapun penjelasan model GWR pada notasi matriks sebagai berikut:

dimana:
βi : vektor kolom dari koefisien regresi
Xi : vektor baris dari variabel penjelas pada lokasi i
Metode pendugaan parameter pada model GWR dilakukan dengan menggunakan
metode Weighted Least Square (WLS) sehingga diperoleh vektor koefisien regresi pada
lokasi i yaitu

Di mana:
Y : vektor variabel respon berukuran nx1.
X : [X1T, X2T, ..., XnT]T merupakan matriks variabel penjelas (kolom pertama
untuk intersep)
Wi : diagonal [Wi1, Wi1,… , Win] merupakan matriks pembobot diagonal nxn
untuk setiap lokasi i.
𝛽̂i : [𝛽̂i0, 𝛽̂i1, …, 𝛽̂ip-1]T merupakan vektor p koefisien regresi lokal pada lokasi i
untuk p-1 variabel penjelas dan sebuah intersep
Dasar penentuan bobot pada masing-masing pengamatan terhadap model regresi di
masing-masing lokasi dapat dilakukan dengan menggunakan bandwith yang berupa
lingkaran dengan radius h. Semakin dekat suatu pengamatan dengan lokasi i, maka
pengamatan tersebut akan mempunyai pengaruh yang lebih besar pada model regresi
yang terbentuk pada lokasi i tersebut. Jika bandwith yang digunakan terlalu besar akan
menghasilkan oversmoothing dan jika nilainya terlalu kecil akan menghasilkan
undersmoothing.

|5| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

Dengan demikian, penentuan bandwith pada masing-masing lokasi merupakan hal

penting. Semakin dekat lokasi tersebut, maka pembobot akan semakin besar begitu juga
sebaliknya. Metode penentuan nilai bandwith yang paling banyak digunakan adalah
Cross Validation (CV). Bandwith yang optimum diperoleh melalui proses iterasi Golden
Section Research. Berikut persamaan bandwith kernel (γ̂) yang diestimasi menggunakan
fungsi CV yang dapat meminimalkan RMSPE (Root Mean Squared Prediction Error):
Di manaa
ŷ : nilai prediksi dari pengamatan t dengan lokasi kalibrasi l yang keluar dari
kumpulan estimasi data
γ̂ : nilai bandwith Kernel yang meminimalkan RMSPE
Metode CV cocok digunakan dalam menentukan bandwith secara optimal ketika
menggunakan matriks pembobot berupa fungsi Adaptive Gaussian Kernel.
2.2.1 Matriks Pembobot dengan Fungsi Adaptive Gaussian Kernel
Fungsi Adaptive Gaussian Kernel cocok digunakan untuk pengamatan yang
tersebar pada pola yang tidak beraturan serta mampu menyesuaikan kondisi titik-
titik pengamatan. Penelitian ini menggunakan fungsi pembobot Adaptive
Gaussian Kernel. Adapun fungsi Adaptive Gaussian Kernel dapat dituliskan
sebagai berikut:

Di mana
i : parameter bandwith Kernel
dij : jarak Euclidian antara pengamatan pada titik ke-i dan ke-j yang diperoleh
dari persamaan berikut.

Di mana:
(ui, vi) : titik koordinat pada lokasi ke-i
(uj, vj) : titik koordinat pada lokasi ke-j
2.2.2 Uji Heterogenitas Spasial
Uji ini dilakukan untuk melihat adanya keragaman antar lokasi yang
disebabkan karena suatu lokasi memiliki struktur dan parameter hubungan yang
berbeda dengan lokasi lainnya, melalui statistik uji BreuschPagan (BP). Adapun
hipotesis yang digunakan yaitu:
Ho : , yang berarti bahwa tidak terdapat
heterogenitas spasial atau keragaman antarlokasi sama.
H1 : minimal ada satu σ2ui, vi ≠ σ2, yang berarti bahwa terdapat heterogenitas
spasial atau keragaman antarlokasi berbeda.
Berikut persamaan pada statistik uji BP:

Di mana:
Elemen vektor f adalah

|6| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

ei : galat pada pengamatan ke-i

e : vektor galat ei
σ2 : variansi galat ei

Jika p-value ≤ α (taraf nyata) atau statistik uji BP > 2

Keputusan : Tolak H0
Kesimpulan: terdapat keragaman atau heterogenitas spasial. Jika terdapat
heterogenitas spasial, maka analisis GWR dapat digunakan. Begitu juga
sebaliknya.
2.2.3 Pengujian Signifikansi Pendugaan Parameter Model GWR
Hasil pendugaan parameter model GWR yang telah diperoleh perlu diuji
signifikansinya untuk melihat apakah pendugaan parameter tersebut berpengaruh
secara nyata atau tidak terhadap variabel dependen. Hipotesis yang digunakan
untuk pengujian signifikansi secara parsial yaitu:
H0 : βk (ui, vi) = 0
H1 : βk (ui, vi) ≠ 0; untuk k = 0, 1, 2, …, p
Pengujian ini dilakukan secara parsial dengan menggunakan statistik uji-t
sebagai berikut.

di mana:
Penduga parameter β (ui, vi) mengikuti sebaran normal dan mengikuti matriks
kovarian CCT, di mana matriks C yaitu

Jika nilai statistik uji |t| > t(α/2, n-k-1) atau p-value ≤ α, maka keputusan H0
ditolak atau pendugaan parameter berpengaruh secara nyata.
2.2.4 Pengujian Goodness of Fit Model GWR
Pengujian Goodness Of Fit pada model GWR dilakukan dengan menggunakan
uji F dengan hipotesis di bawah ini:
H0 : parameter regresi konstan untuk semua titik di dalam area penelitian (regresi
OLS lebih baik digunakan)
H1 : parameter regresi bervariasi secara spasial (GWR lebih baik digunakan)
Pendugaan parameter pada GWR dilakukan dengan menggunakan persamaan
matriks berkut:

Jika

Maka

|7| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

S1 adalah hat matrix bagi model regresi GWR berdimensi nxn, yang tidak
tergantung pada nilai Y. Hat matrix tersebut digunakan untuk mendapatkan nilai
JKG dari model regresi baik OLS maupun GWR. Sehingga, sisaan pada operasi
GWR diperoleh

Dengan:
z = 0 dan 1
I : matriks identitas.
Sehingga, perhitungan JKG diperoleh dengan persamaan

Jika dimisalkan

Maka

Di mana Rz berdimensi nxn. Notasi indeks z digunakan untuk menunjukkan 0

sebagai perhitungan dengan regresi OLS dan 1 perhitungan dengan GWR. Dengan
demikian, uji Goodness of Fit model GWR diperoleh sebagai berikut.

dimana :
v = Tr (R0 – R1) dan δ = Tr (R1)
Statistik uji ini mengikuti sebaran F dengan db1 sebesar v2/v dan db2 sebesar δ2/ δ’
Notasi v’ = Tr [R0 – R1] dan δ’ = Tr [R12]
Jika statistik uji F > F(; db1, db2) atau jika p-value ≤ , maka:
Keputusan: Tolak H0
Kesimpulan: model GWR lebih baik digunakan pada data penelitian.

|8| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

BAB III
METODOLOGI

3.1 Area Studi

Wilayah yang dijadikan area studi adalah Kota Surabaya yang terletak di Provinsi
Jawa Timur, Indonesia.

Gambar 1 Kota Surabaya Sebagai Area Studi

3.2 Data yang Digunakan

Data yang digunakan terdiri dari dua jenis data, yaitu:
a. Data fitur poligon Kota Surabaya dalam format shapefiles. Data diunduh dari laman
Ina-Geoportal oleh BIG.

Gambar 2 Shapefile Kota Surabaya

|9| TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

b. Data atribut yang berisi jumlah puskesmas (jum_pus), jumlah penduduk (jum_pend),
jumlah nakes (jum_nakes), luas (luas), dan jumlah kunjungan puskesmas
(jum_kunjpus). Data diperoleh dari laman BPS Kota Surabaya.

Gambar 3 Data atribut terkait puskesmas di Surabaya

3.3 Perangkat Lunak yang Digunakan

Aplikasi yang digunakan pada praktikum ini adalah sebagai berikut:
a. Aplikasi ArcMap oleh ArcGIS 10.5 untuk pengolahan data

Gambar 4 Aplikasi ArcMap

| 10 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

b. Aplikasi Microsoft Word untuk penulisan laporan

Gambar 5 Aplikasi Microsoft Word

3.4 Tahap Pengerjaan

3.4.1. Ordinary Least Square (OLS)
1. Masukkan data batas administrasi kecamatan Kota Surabaya tahun 2017 yang
telah ditambahkan data jumlah puskesmas (jum_pus), jumlah kunjungan ke
puskesmas (jum_kunjpus), jumlah penduduk (jum_pend), jumlah tenaga
kesehatan (jum_nakes), dan luas wilayah (luas).

Gambar 6 Memasukan data spasial untuk OLS

2. Selanjutnya, menggunakan Exploratory Regression tool untuk menentukan

semua kombinasi yang mungkin untuk menentukan pemodelan OLS ketika
variabel independen tersedia. Buka ArcToolbox → Spatial Statistics Tools
→ Modelling Spatial Relationships → Exploratory Regression.

Gambar 7 Penggunaan Explanory Regression tool untuk menentukan semua kombinasi yang mungkin
untuk pemodelan OLS ketika variabel independen tersedia

3. Setelah jendela Exploratory Regression terbuka, masukkan data batas

administrasi Kota Surabaya 2017 seperti di atas. Pengisian kolom adalah

| 11 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

sebagai berikut. Variabel dependen adalah data jumlah kunjungan ke

puskesmas, serta variabel independen adalah data jumlah puskesmas, jumlah
penduduk, jumlah tenaga kesehatan, dan luas wilayah. Setelah pengisian
kolom selesai klik OK.

Gambar 8 Jendela Explanatory Regression (1)

Gambar 9 Jendela Explanatory Regression (2)

4. Setelah itu akan diperoleh tabel yang menunjukkan hasil sebagai berikut.
Nilai adjusted R-squared terbesar adalah 0,73225 dengan kombinasi dua
variabel independen adalah jumlah penduduk dan jumlah tenaga kesehatan.
Sehingga, dipilih kedua variabel tersebut sebagai prediktor terbaik untuk
variabel dependen. Selanjutnya, dua variabel ini digunakan untuk pemodelan
OLS.

| 12 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

Gambar 10 Attribute Table dari Expalanatory Regression

Selain tabel di atas, nilai signifikan dan positif 100% diperoleh pada dua
variabel, jumlah penduduk dan jumlah tenaga kesehatan.
Summary of Variable Significance

Variable % Significant % Negative % Positive

DATA_BARU_EXCELTOTABLE:JUM_PEND 100.00 0.00 100.00

DATA_BARU_EXCELTOTABLE:JUM_NAKES 100.00 0.00 100.00

DATA_BARU_EXCELTOTABLE:JUM_PUS 50.00 25.00 75.00

DATA_BARU_EXCELTOTABLE:LUAS 0.00 100.00 0.00

5. Selanjutnya, untuk membuat model OLS adalah dengan klik ArcToolbox →

Spatial Statistics Tools → Modelling Spatial Relationships → Ordinary
Least Squares. Pengisian kolom adalah sebagai berikut. Simpan hasil OLS
dan file hasil di direktori, klik OK.

Gambar 11 Jendela Ordinary Least Square

| 13 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

6. Hasil dari OLS adalah sebagai berikut.

Gambar 12 Hasil OLS

3.4.2. Geographically Weighted Regression (GWR)

1. Buka aplikasi ArcMap. Selanjutnya, masukkan data berupa layer poligon dan
titik yang sudah ditentukan sebelumnya. Dalam praktikum ini, data yang
dimasukkan adalah poligon disertai batas kecamatan Kota Surabaya serta data
titik, yakni data populasi penduduk, rumah sakit, dan tenaga kesehatan.
2. Kemudian, pada bagian panel Search, pilih ArcToolbox > Spatial Statistical
Tools > Modeling Spatial Relationship > Geographically Weighted
Regression.

Gambar 13 Tools Geographically Weighted Regression pada ArcToolbox

| 14 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

3. Kemudian akan muncul jendela Geographically Weighted Regression. Pada

bagian “Input feature” pilih layer poligon Surabaya yang berisi jumlah
penduduk (jum_pend), jumlah tenaga kesehatan (jum_nakes), dan jumlah
kunjungan puskesmas (jum_kunjpus). Pada bagian “Dependent variable” pilih
field “jum_kunjpus”. Dan pada bagian “Explanatory variable” pilih
“jum_pend, jum_nakes”. Pada bagian Bandwidth Methode pilih “AICc”.
a. Untuk analisa GWR dengan kernal type Fixed, maka pada bagian Kernel
Type pilih “Fixed”.

Gambar 14 Pengisian Jendela Geographically Weighted Regression dengan Kernel Type Fixed

b. Untuk analisa GWR dengan kernal type Adaptive, maka pada bagian
Kernel Type pilih “Adaptive”.

Gambar 15 Pengisian Jendela Geographically Weighted Regression dengan Kernel Type Adaptive

| 15 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

4. Jika telah dilakukan pengisian informasi yang dibutuhkan pada jendela

Geographically Weighted Regression, selanjutnya klik ‘OK’. Apabila
pemrosesan data berhasil dilakukan, akan diperoleh hasil sebagaimana berikut
ini:
a. Analisa GWR dengan kernal type Fixed

Gambar 16 Hasil Pengolahan GWR dengan Kernal Type Fixed

Gambar 17 Tabel Atribut Hasil Analisa GWR dengan Kernel Type Fixed

| 16 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

b. Analisa GWR dengan kernel type Adaptive

Gambar 18 Hasil Pengolahan GWR dengan Kernel Type Adaptive

Gambar 19 Tabel Atribut Hasil Analisa GWR dengan Kernel Type Adaptive

| 17 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

BAB IV
HASIL

4.1 Hasil dan Analisis

4.1.1. Ordinary Least Square (OLS)
Standar deviasi tertinggi terdapat pada daerah Krembangan yang menunjukkan
perbedaan nilai yang cukup besar pada nilai sampel rata-rata dengan kisaran nilai
positif. Sedangkan, daerah Semampir dan Rungkut memiliki nilai standar deviasi
paling rendah yang menunjukkan perbedaan nilai yang cukup besar dengan kisaran
negatif. Selain itu, terdapat sekitar 19 daerah yang memiliki perbedaan nilai yang
kecil mendekati nilai rata-rata sampel.
Dari hasil report metode OLS dapat diringkas sebagai berikut.

Gambar 20 Hasil Report Metode OLS

Dari hasil di atas dapat ditulis model regresi OLS sebagai berikut.
Jumlah Kunjungan ke Puskesmas = -2821,10 + 0.079*Jumlah Penduduk +
161,383*Jumlah Tenaga Kesehatan

Gambar 21 Tabel OLS

Tabel 1 Referensi Analisis OLS

Asumsi Metode Hasil Uji Kesimpulan

Normalitas residual Jarque- p-value: 0.4466380 Asumsi
Bera terpenuhi
residual
terdistribusi
normal
Heterokedastisitas Koenker p-value: 0.165694 Asumsi tidak
Atau keheterogenan terpenuhi
ragam residual
Multikolinearitas VIF VIF pada semua Asumsi tidak
(Variance variabel < 10 sebesar terpenuhi karena
Inflation 2,550 tidak terdapat
Factor) kolinearitas

| 18 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

Berdasarkan tabel sebelumnya, terlihat bahwa residual menyebar secara

normal dan tidak terjadi multikolinearitas (tidak terdapat hubungan antarvariabel)
telah terpenuhi. Akan tetapi, berdasarkan pengujian asumsi heterokedastisitas pada
regresi OLS tidak terpenuhi. Hal ini mengakibatkan penduga parameter dengan
menggunakan metode OLS mempunyai variansi residual yang cenderung seragam,
tidak adanya korelasi antarvariabel yang signifikan dan residual pengamatan
terdistribusi normal. Sedangkan, nilai AIC terkoreksi sebesar 630.888 dan dapat
dibandingkan dengan metode GWR untuk mengetahui metode yang lebih baik.

4.1.2. Geographically Weighted Regression (GWR)

GWR merupakan suatu bentuk regresi linier yang digunakan untuk
memodelkan hubungan yang bervariasi secara spasial. Fungsi pembobotan yang
digunakan untuk model GWR adalah fungsi kernel gaussian dan bi-square. Berikut
adalah hasil analisa dari pengolahan GWR yang telah dilakukan pada data
kunjungan puskesmas di Surabaya :
▪ Dalam hal ini ditentukan bahwa nilai kunjungan puskesmas berperan sebagai
variabel terikat serta jumlah penduduk dan jumlah tenaga kesehatan berperan
sebagai variabel bebas.
▪ Dalam hal ini pemrosesan data dilakukan dengan menggunakan kedua kernal
yaitu type “Fixed” dimana bandwidth pada setiap titik pengamatan yang
digunakan untuk menyelesaikan setiap analisa regresi lokalnya adalah tetap
dan type “Adaptive” dimana bandwidth disesuaikan dengan kondisi titik-titik
pengamatan.
▪ Bandwidth methode yang digunakan adalah “AICc (The Corrected Akaike
Information Criterion)”
▪ Pada skema pembobotan, semakin jauh jarak akan mendapatkan bobot yang
semakin kecil. Penentuan bandwidth sangat penting dilakukan, bandwidth ini
diberikan untuk membatasi sejauh mana satu titik berpengaruh terhadap titik
lain.
▪ Analisa GWR tepat diterapkan pada kumpulan data dengan fitur yang banyak,
GWR kurang tepat untuk kumpulan data kecil. GWR juda tidak dapat bekerja
dengan efektif pada data multipoint.
▪ Dalam model regresi global (model regresi linier klasik) koefisien determinasi
digunakan untuk mengukur proporsi dari variasi dalam data pengamatan yang
dapat dijelaskan oleh model. Nilai 𝑅2 yang kecil atau mendekati nol berarti
kemampuan variabel bebas dalam menjelaskan variabel tak bebas sangat
terbatas, sedangkan nilai 𝑅2 mendekati satu berarti kemampuan dari variabel
bebas dalam menjelaskan variabel tak bebas sangat kuat, sehingga
mengidentifikasikan bahwa model mampu menjelaskan variabilitas data (Putri,
2013)

| 19 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

Tabel 2. Interval Koefisien Determinasi (Sugiyono, 2002:183)

No Interval Koefisien Tingkat Pengaruh

1 0%-19.9% Sangat Lemah
2 20%-39.9% Lemah
3 40%-59.9% Sedang
4 60%-79.9% Kuat
5 80%-100% Sangat Kuat

a. Pada model GWR kernel fixed diperoleh :

➢ Nilai R2 terkecil berada pada Kecamatan Gunung Anyar dengan nilai
72.0461% yang mengindikasikan bahwa hubungan antara variabel
bebas dan variabel terikat berada pada tingkat pengaruh kuat.

.
Gambar 22. Kecamatan Gunung Anyar dengan Nilai Koefisien Determinsin Paling Kecil pada
Model GWR kernel Fixed

➢ Nilai R2 terbesar berada pada Kecamatan Wiyung dengan nilai

83.4483% yang mengindikasikan bahwa hubungan antara variabel
bebas dan variabel terikat berada pada tingkat pengaruh sangat kuat.

| 20 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

Gambar 23. Kecamatan Wiyung dengan Nilai Koefisien Determinasi Paling Besar pada Model
GWR Kernel Fixed

b. Pada model GWR kernel adaptive diperoleh :

➢ Nilai R2 terkecil berada pada Kecamatan Rungkut dengan nilai
74.9976% yang mengindikasikan bahwa hubungan antara variabel
bebas dan variabel terikat berada pada tingkat pengaruh kuat.

Gambar 24. Kecamatan Rungkut dengan Nilai Koefisien Determinsin Paling Kecil pada
Model GWR kernel Adaptive

➢ Nilai R2 terbesar berada pada Kecamatan Pakai dengan nilai 75.0324%

yang mengindikasikan bahwa hubungan antara variabel bebas dan
variabel terikat berada pada tingkat pengaruh kuat.

| 21 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

Gambar 25. Kecamatan Pakai dengan Nilai Koefisien Determinsin Paling Kecil pada Model
GWR kernel Adaptive

▪ Berdasarkan Model GWR kernel fixed diperoleh nilai AICc sebesar 630.8957
sedangkan pada Model GWR kernel adaptive diperoleh nilai AICc sebesar
635.053466. Hal tersebut menunjukkan bahwa nilai AICc pada kernel Fixed
lebih kecil daripada nilai AICc pada kernel Adaptive, sehingga dapat
disimpulkan bahwa Model GWR dengan kernel Fixed lebih cocok untuk
memodelkan analisa regresi sapsial pada Kunjungan Puskesmas di Surabaya.

Gambar 26. Tabel Atribut Hasil Analisa GWR Kernel Fixed (kiri) dan Kernel Adaptive (kanan)

4.1.3. Pemilihan Model Terbaik

Menurut Gujarati (1993), besaran koefisien determinasi (R2) merupakan
besaran yang paling lazim digunakan untuk mengukur kecocokan model
(goodness of fit) garis regresi. Model regresi spasial terbaik ditentukan
menggunakan nilai dari Koefisien Determinasi (𝑅2). Apabila nilai 𝑅2 yang lebih
besar dari model lainnya menunjukkan bahwa model tersebut lebih baik dari
model lainnya.

| 22 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

(Fortheringham, et al, 2002) menuliskan bahwa selain dapat digunakan

untuk menentukan bandwidth optimum, 𝐴𝐼𝐶 juga dapat digunakan dalam
pemilihan model untuk menentukan model mana yang terbaik.
Tabel 3 Perbandingan hasil R2 Adjusted dan AICc pada metode OLS dan GWR

Model R2 Adjusted AICc

OLS 73.22% 630.88104
GWR Fixed 73.22% 630.8957
GWR Adaptive 71.45% 635.053466

Berdasarkan hasil pengolahan yang telah dilakukan metode yang paling

cocok digunakan untuk memodelkan regresi spasial pada Kunjungan Puskesmas
di Surabaya adalah metode OLS dengan nilai R2 Adjusted paling besar yaitu
73.22% dan nilai AICc paling kecil yaitu 630.88104.

| 23 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

BAB V
PENUTUP

5.1. Kesimpulan
Berikut merupakan kesimpulan yang dapat diambil berdasarkan praktikum kali ini:
▪ OLS merupakan salah satu metode dalam analisa regresi berganda untuk mengetahui
pengaruh variabel bebas terhadap variabel tak bebas.
▪ Dari hasil pengolahan OLS di ArcGIS dapat didapatkan nilai dari model
performance, each explanatory variable, stationarity, model bias, dan spatial
autocorellation.
▪ Berdasarkan hasil pengolahan OLS yang telah dilakukan diketahui Standar deviasi
tertinggi terdapat pada daerah Krembangan yang menunjukkan perbedaan nilai yang
cukup besar pada nilai sampel rata-rata dengan kisaran nilai positif. Sedangkan,
daerah Semampir dan Rungkut memiliki nilai standar deviasi paling rendah yang
menunjukkan perbedaan nilai yang cukup besar dengan kisaran negatif. Selain itu,
terdapat sekitar 19 daerah yang memiliki perbedaan nilai yang kecil mendekati nilai
rata-rata sampel.
▪ Diperoleh nilai regresi OLS adalah sebagai berikut :
▪ Jumlah Kunjungan ke Puskesmas = -2821,10 + 0.079*Jumlah Penduduk +
161,383*Jumlah Tenaga Kesehatan
▪ GWR merupakan suatu bentuk regresi linier yang digunakan untuk memodelkan
hubungan yang bervariasi secara spasial. Fungsi pembobotan yang digunakan untuk
model GWR adalah fungsi kernel gaussian dan bi-square.
▪ Berdasarkan hasil pengolahan GWR kernel Fixed diperoleh kecamatan dengan nilai
koefisien determinasi paling kecil adalah Kecamatan Gunung Anyar dengan nilai
72.0461% yang mengindikasikan bahwa hubungan antara variabel bebas dan
variabel terikat berada pada tingkat pengaruh kuat. Sedangkan kecamatan dengan
nilai koefisien determinasi paling besar adalah Kecamatan Wiyung dengan nilai
83.4483% yang mengindikasikan bahwa hubungan antara variabel bebas dan
variabel terikat berada pada tingkat pengaruh sangat kuat.
▪ Berdasarkan hasil pengolahan GWR kernel Adaptive diperoleh kecamatan dengan
nilai koefisien determinasi paling kecil adalah Kecamatan Rungkut dengan nilai
74.9976% yang mengindikasikan bahwa hubungan antara variabel bebas dan
variabel terikat berada pada tingkat pengaruh kuat. Sedangkan kecamatan dengan
nilai koefisien determinasi paling besar adalah Kecamatan Pakai dengan nilai
75.0324% yang mengindikasikan bahwa hubungan antara variabel bebas dan
variabel terikat berada pada tingkat pengaruh kuat.
▪ Berdasarkan pengolahan GWR yang telah dilakukan, pada Model GWR kernel fixed
diperoleh nilai AICc sebesar 630.8957 sedangkan pada Model GWR kernel adaptive
diperoleh nilai AICc sebesar 635.053466. Hal tersebut menunjukkan bahwa nilai
AICc pada kernel Fixed lebih kecil daripada nilai AICc pada kernel Adaptive,
sehingga dapat disimpulkan bahwa Model GWR dengan kernel Fixed lebih cocok
untuk memodelkan analisa regresi sapsial pada Kunjungan Puskesmas di Surabaya.

| 24 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

▪ Model regresi spasial terbaik dapat ditentukan berdasarkan nilai dari Koefisien
Determinasi (𝑅2) dan 𝐴𝐼𝐶. Nilai 𝑅2 yang lebih besar dari model lainnya
menunjukkan bahwa model tersebut lebih baik dari model lainnya. Sedangkan nilai
𝐴𝐼𝐶 yang lebih kecil dari model lainnya menunjukkan bahwa model lebih baik dari
model lainnya. Berdasarkan hasil pengolahan yang telah dilakukan metode yang
paling cocok digunakan untuk memodelkan regresi spasial pada Kunjungan
Puskesmas di Surabaya adalah metode OLS dengan nilai R2 Adjusted paling besar
yaitu 73.22% dan nilai AICc paling kecil yaitu 630.88104.

5.2. Saran
▪ Sebelum melakukan proses analisa OLS dan GWR menggunakan ArcGIS perlu
ditentukan terlebih dulu variabel-vaeriabel yang akan digunakan meliputi variabel
dependent dan independent.
▪ Data yang digunakan minimal berisi 2 value berbeda yang akan berperan sebagai
variabel dependent dan variabel independent.
▪ Perlu dipahami terlebih dahulu mengenai konsep dan tools yang akan digunakan
dalam proses analisa OLS dan GWR.
▪ Untuk melakukan pengolahan OLS diperlukan field yang berisi unique value untuk
dapat melanjutkan pemrosesan, sehingga sebelum melakukan analisa OLS perlu
dibuatkan field tersebut terlebih dahulu.
▪ Antara analisa OLS dan GWR digunakan data yang sama untuk melakukan
perbandingan hasil sehingga dapat ditentukan metode manakah yang paling cocok
untuk topik yang dipilih.
▪ Berdasarkan hasil praktikum yang telah dilakukan, untuk pembuatan model analisa
regresi spasial pada Kunjungan Puskesmas di Surabaya disarankan menggunakan
metode OLS karena memiliki nilai R2 Adjusted paling besar dan nilai AICc paling
kecil yang mengindikasikan bahwa metode tersebut paling cocok dibandingkan
metode yang lain.

| 25 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020

 SISTEM INFORMASI GEOGRAFIS TERAPAN | TUGAS-4

DAFTAR PUSTAKA

Azizah, N. & Pramoedyo, H. (2020). Efektifitas Model Regresi OLS (Ordinary Least Square)
dan Geographically Weighted Regression (GWR) pada Indeks Pembangunan
Manusia di Provinsi Jawa Timur. Prosiding Seminar Nasional Integrasi Matematika
dan Nilai Islami, Vol. 3 No. 1, September 2019, hal. 61-71.
Caraka, R. E., & Yasin, H. (2017). Geographically Weighted Regression (GWR) Sebuah
Pendekatan Regresi Geografis.
Grekousis, George. (2020). Spatial Analysis Methods and Practice: Describe – Explore –
Explain through GIS. New York: Cambridge University Press.
Maulani, A., Herrhyanto, N., & Suherman, M. (2016). Aplikasi Model Geographically
Weighted Regression (GWR) Untuk Menentukan Faktor-Faktor Yang Mempengaruhi
Kasus Gizi Buruk Anak Balita Di Jawa Barat. Jurnal EurekaMatika, 4(1), 46-63.
Lutfiani, N. (2017). Pemodelan Geographically Weighted Regression (GWR) dengan Fungsi
Pembobot Kernel Gaussian dan Bi-Square. Doctoral dissertation, Universitas Negeri
Semarang.
Pamungkas, R. A., Yasin, H., & Rahmawati, R. (2016). Perbandingan model gwr dengan
fixed dan adaptive bandwidth untuk persentase penduduk miskin di jawa tengah. Jurnal
Gaussian, 5(3), 535-544.

| 26 | TEKNIK GEOMATIKA | FTSPK | ITS | 2020