|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.
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
DAFTAR GAMBAR
DAFTAR TABEL
BAB I
PENDAHULUAN
1.3 Manfaat
Adapun manfaat dari pelaksanaannya praktikum dan pembuatan laporan ini di
antaranya:
BAB II
STUDI LITERATUR
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:
Di mana
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:
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
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.
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
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
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
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.
BAB III
METODOLOGI
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 7 Penggunaan Explanory Regression tool untuk menentukan semua kombinasi yang mungkin
untuk pemodelan OLS ketika variabel independen tersedia
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.
Selain tabel di atas, nilai signifikan dan positif 100% diperoleh pada dua
variabel, jumlah penduduk dan jumlah tenaga kesehatan.
Summary of Variable Significance
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
Gambar 17 Tabel Atribut Hasil Analisa GWR dengan Kernel Type Fixed
Gambar 19 Tabel Atribut Hasil Analisa GWR dengan Kernel Type Adaptive
BAB IV
HASIL
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 22. Kecamatan Gunung Anyar dengan Nilai Koefisien Determinsin Paling Kecil pada
Model GWR kernel Fixed
Gambar 23. Kecamatan Wiyung dengan Nilai Koefisien Determinasi Paling Besar pada Model
GWR Kernel Fixed
Gambar 24. Kecamatan Rungkut dengan Nilai Koefisien Determinsin Paling Kecil pada
Model GWR kernel Adaptive
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)
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.
▪ 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.
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.