LAPORAN PRAKTIKUM GEOGRAPICALLY WEIGHTED REGRESSION SIP II

GWR PROVINSI JAWA TIMUR 1

 LAPORAN PRAKTIKUM GEOGRAPICALLY WEIGHTED REGRESSION SIP II

DAFTAR ISI
BAB I
1.1 Latar Belakang
1.2 Maksud dan Tujuan
1.3 Ruang Lingkup
1.3.1 Ruang Lingkup Materi
1.3.2 Ruang Lingkup Lokasi Penelitian
BAB II
2.1 GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
2.1.1 Regresi Spasial
2.1.2 Model Regresi Spasial
BAB III
3.1 Studi Kasus
3.2 Langkah Kerja
3.3 Interpretasi
BAB V
5.1 Kesimpulan

GWR PROVINSI JAWA TIMUR 2

 LAPORAN PRAKTIKUM GEOGRAPICALLY WEIGHTED REGRESSION SIP II

BAB I
PENDAHULUAN
1.1 Latar Belakang
Pembangunan manusia berarti pertumbuhan yang positif dan perubahan dalam
bidang ekonomi, sosial, politik, budaya, lingkungan, dan tingkat kesejahteraan. Hal
ini harus terjadi pada semua aspek kehidupan, bhaik ekonomi, sosial, politik, budaya,
dan lingkungan. Oleh karena itu, fokus utama pembangunan manusia adalah manusia
dan kesejahteraannya.
Konsep pembangunan manusia memang terdengar berbeda di banding konsep
klasik pembangunan yang memberikan perhatian utama pada pertumbuhan ekonomi.
Pembangunan manusia menekankan pada perluasan pilihan masyarakat untuk hidup
penuh dengan kebebasan dan bermartabat. Tidak hanya itu, pembangunan manusia
juga berbicara tentang perluasankapasitas individu dan komunitas untuk memperluas
jangkauan pilihan mereka dalam upaya memenuhi aspirasinya. Perspektif
pembangunan manusia merupakan sebuah pemikiran radikal dalam konsep
pembangunan.
Perspektif ini menggantikan konsep pertumbuhan ekonomi dan pertumbuhan
pendapatan perkapita yang digunakan oleh perencana kebijakan sebelumnya. United
Nation for Development Programme (UNDP) menempatkan manusia sebagai
kekayaan bangsa yang sesungguhnya. Pertumbuhan ekonomi yang di pandang dari
sisi perdagangan, investasi, dan teknologi merupakan hal yang esensial. Akan tetapi,
hal itu hanya melihat manusia sebagai alat untuk mencapai pertumbuhan, dan bukan
sebagai tujuan dari pembangunan.
Pendekatan pembangunan manusia menggabungkan aspek produksi dan
distribusi komoditas, serta peningkatan dan pemanfaatan kemampuan manusia.
Pembangunan manusia melihat secara bersamaan semua isu dalam
masyarakatpertumbuhan eknomi, perdagangan, ketenagakerjaan, kebebasan politik
ataupun nilainilai kultural- dari sudut pandang manusia. Pembangunan manusia juga
mencakup isu penting lainnya, yaitu gender. Dengan demikian, pembangunan

GWR PROVINSI JAWA TIMUR 3

 LAPORAN PRAKTIKUM GEOGRAPICALLY WEIGHTED REGRESSION SIP II

manusia tidak hanya memperlihatkan sektor sosial, tetapi merupakan pendekatan

yang komprehensif dari semua sektor.
Untuk menghindari kekeliruan dalam memaknai konsep ini, perbedaan cara
pandang pembangunan manusia terhadap pembangunan dengan pendekatan
konvensional perlu diperjelas, Konsep pembangunan manusia mempunyai cakupan
yang lebih luas dari teori konvensionalpembangunan ekonomi. Model “pertumbuhan
ekonomi” lebih menekankan pada peningkatan Produk Nasional Bruto (PNB)
daripada memperbaiki kualitas hidup manusia. Pembangunan cenderung untuk
memperlakukan manusia sebagai input dari proses produksi- sebagai alat, bukan
sebagai tujuan akhir. Pendekatan”kesejahteraan” melihat manusia sebagai penerima
dan bukan sebagai agen dari perubahan dalam proses pembangunan. Adapun
pendekatan “kebutuhan dasar” terfokus pada penyediaan barang-barang dan jasa-jasa
untuk kelompok masyarakat tertinggal, bukannya memperluas pilihan yang dimiliki
manusia di segala bidang. Pembungunan manusia memeprluas pembahasan tentang
konsep pembangunagan, Pembangunan dari diskusi tentang cara-cara (pertumbuhan
Produk Domestik Bruto PDB) kediskusi tentang tujuan akhir dari pembangunan.
Pembangunan manusia juga merupakan perwujudan jangka panjang, yang letakkan
pembangunan sekeliling manusia, dan bukan manusia di sekeliling pembangunan.
Perdebatan tentang indicator pembangunan sosial-ekonomi sudah sejak lama
terjadi. Pendapatan per kapita sebagai indicator pembangunan telah di gugat oleh
kalangan ekonomi maupun non-ekonomi yang melihat ketidakkuratan indicator baru.
Indikator baru secara umum berfokus pada pembangunan manusia. Morris (1979)
membangun the Physical Quality of Life Index (PQLI), sedangkan United Nation
Development Program (UNDP) membangun Human Deveopment Index (HDI) atau
Indeks Pembangunan Manusia (IPM) yang kini banyak digunakan oleh negara-negara
di dunia dengan landasan yang di bangun oleh Haq (1996). Oleh karena terjadinya
banyak perdebatan ini sehingga perlu dilakukannya analisis untuk mengetahui
indicator yang mempengaruhi pertumbuhan IPM dalam suatu wilayah.

GWR PROVINSI JAWA TIMUR 4

 LAPORAN PRAKTIKUM GEOGRAPICALLY WEIGHTED REGRESSION SIP II

1.2 Maksud dan Tujuan

Maksud dan tujuan dari praktikum ini adalah agar praktikan dapat mengetahui
cara menggunakan analisis penentuan lokasi menggunakan software ArcGIS beserta
dengan fungsinya dan praktikan dapat mengaplikasikannya pada suatu studi kasus
menyangkut perencanaan spasial dengan baik.
1.3 Ruang Lingkup
Ruang lingkup dalm penelitian ini bertujuan untuk menjelaskan dan membatasi
lingkup penelitian yang dilakukan. Ruang lingkup ini terbagi menjadi dua yaitu ruang
lingkup lokasi dan ruang lingkup materi. Ruang lingkup wilayah studi berupa batasan
dan luas wilayah studi serta alasan pemilihan lokasi, sedangkan pembahasan lingkup
materi berupa batasan materi pembhasan yang bertujuan untuk mempermudah dalam
kajian materi ini.

1.3.1 Ruang Lingkup Materi

Dalam ruang lingkup materi ini berisi tentang batasan-batasan yang nantinya
merupakan garis batasan dalam penyusunan penelitian ini sehingga pembahasan
menjadi jelas, terstruktur dan tidak melebar dari materi. Libgkupan Materi yang
akan di bahas berkaitan dengan variabel yang mempengaruhi peningkatan IPM di
Provinsi Jawa Timur. Dalam studi ini peneliti melihat apa saja faktor-faktor yang
mempengaruhi peningkatan IPM yang di dapat dari kajian pustaka , serta untuk
penentuan variabel apa saja yang mempengaruhi peningkatan IPM dengan
menggunakan regresi spasial.

1.3.2 Ruang Lingkup Lokasi Penelitian

Provinsi Jawa Timur terletak pada 111.0’ hinhgga 114.4’ Bujur Timur dan 7.12’
hingga 8.48’Lintang Selatan. Daerah ini memiliki wilayah kepulauan yang terdiri dari
pulau bernama sebanyak 232 pulau, pulau tanpa nama sebanyak 55 sehingga total
keseluruhan pulau kecil yang dimiliki Provinsi Jawa Timur sebanyak 287 pulau.
Adapun batas-batas wilayah asministrasi Provinsi Jawa Timur antara lain:

 Sebelah Utara : Laut Jawa.

 Sebelah Timur : Selat Bali.

GWR PROVINSI JAWA TIMUR 5

LAPORAN PRAKTIKUM GEOGRAPICALLY WEIGHTED REGRESSION SIP II

 Sebelah Selatan : Samudera Indonesia.

 Sebelah Barat : Provinsi Jawa Tengah.

GWR PROVINSI JAWA TIMUR 6

Peta 1. 1 Batas Administrasi Provinsi Jawa Timur
 BAB II
TINJAUAN PUSTAKA
2.1 GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
2.1.1 Regresi Spasial
Data spasial merupakan sebuah data yang berorientasi geografis, memiliki
sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian
penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spatial)
dan deskriptif (attribute) yang dijelaskan sebagai berikut:
1. Informasi lokasi (spatial) berkaitan dengan suatu koordinat geografi yaitu
lintang (latitude) dan bujur (longitude)
2. Informasi deskriptif (attribute) atau informasi non-spasial, suatu lokasi
yang memiliki beberapa keterangan seperti populasi atau jenis vegetasi.
(Fikri, dkk, 2009).
Data spasial secara sederhana dapat diartikan sebagai data yang memiliki
referensi keruangan (geografi). Setiap bagian dari data tersebut selain memberikan
gambaran tentang suatu fenomena, juga dapat memberikan informasi mengenai
lokasi dan juga persebaran dari fenomena tersebut dalam suatu ruang (wilayah).
Apabila dikaitkan dengan cara penyajian data, maka peta merupakan bentuk/cara
penyajian data spasial yang paling tepat.
Hubungan tersebut dinamakan efek spasial. Efek spasial disini terkait dengan
perbedaan karakteristik lingkungan dan geografis antar-lokasi pengamatan sehingga
masing-masing pengamatan kemungkinan memiliki variasi yang berbeda atau
terdapat perbedaan pengaruh variabel prediktor terhadap variabel respon untuk
setiap lokasi pengamatan. Efek spasial ini kemudian disebut sebagai keragaman
spasial atau heterogenitas spasial. Oleh karena itu, diperlukan sebuah metode
statistika yang diharapkan dapat mengantisipasi heterogenitas spasial. Metode
statistika tersebut yaitu metode Regresi Terboboti Geografis atau Geographically
Weighted Regression (GWR). Model Regresi Terboboti Geografi (RTG) atau
Geographically Weighted Regression (GWR) pertama kali diperkenalkan oleh
Fotheringham pada tahun 1967. Model GWR adalah pengembangan dari model
regresi linear klasik atau Ordinary Linear Regression (OLR). Model GWR adalah
model regresi yang dikembangkan untuk memodelkan data dengan variabel respon
yang bersifat kontinu dan mempertimbangkan aspek spasial atau lokasi. Pendekatan
yang dilakukan dalam GWR adalah pendekatan titik. Setiap nilai parameter ditaksir
pada setiap titik lokasi pengamatan, sehingga setiap titik lokasi pengamatan
mempunyai nilai parameter yang berbeda-beda. Regresi spasial terdiri dari :
 Analisis Regresi Berganda
Menurut Draper dan Smith (1992), Hubungan antara satu variabel dependen
(𝑦) dengan satu atau lebih varibael independen (𝑋1,𝑋2,…,𝑋𝑝) dapat di nyatakan
dalam model regresi linear.
 Uji Autokorelasi
Autokorelasi spasial adalah taksiran dari korelasi antar nilai amatan yang
berkaitan dengan lokasi spasial pada variabel yang sama. Autokorelasi spasial
positif menunjukkan adanya kemiripan nilai dari lokasi-lokasi yang berdekatan
dan cenderung berkelompok. Sedangkan autokorelasi spasial yang negatif
menunjukkan bahwa lokasi-lokasi yang berdekatan mempunyai nilai yang
berbeda dan cenderung menyebar. Menurut Kosfeld perhitungan autokorelasi
spasial dengan metode Indeks Moran dapat dilakukan dengan dua cara yaitu
Indeks Moran dengan matriks pembobot spasial tidak terstandarisasi dan Indeks
Moran dengan matriks pembobot spasial terstandarisasi.
 Heteroskedastisitas Spasial
Heteroskedastisitas data spasial dapat diuji dengan menggunakan statistik Uji
Breusch Pagan (Uji BP).
 Matriks Weight Spatial
Matriks weighting spatial W dieroleh dari informasi jarak antara wilayah satu
dengan wilayah lainnya. Elemen dari matriks W adalah Wij, didefinisikan sebagai
berikut:
LeSage (1999) menjelaskan bahwa ada beberapa aturan yang dapat digunakan
untuk menentukan nilai ij w, yaitu:
 1. Linear contiguity: ij W, untuk wilayah yang ada di pinggir atau tepi (edge),
baik di kiri atau kanan wilayah yang di perhatikan.
2. Rook contiguity: ij W, untuk wilayah yang ada di samping (side) wilayah
yang di perhatikan.
3. Bishop contiguity : ij , untuk wilayah yang titik sudutnya (vertex) bertemu
dengan wilayah yang diperhatikan.
4. Double Linear contiguity : ij W, untuk 2 entitas yang bertepian di kiri atau
kanan wilayah yang diperhatikan.
5. Double Rook contiguity : ij , untuk 2 entitas yang ada di samping kanan, kiri,
utara dan selatan wilayah yang diperhatikan.
6. Queen contiguity : ij W, untuk entitas yang ada di samping atau sudut wilayah
yang diperhatikan.
Untuk wilayah lainnya, maka nilai Wij akan menjadi 0.
 Uji Ketergantungan Spasial
Uji Lagrange Multiplier (LM test) digunakan sebagai dasar untuk memilih
model regresi spasial yang sesuai (LeSage, 2009 : 156). Uji Lagrange Multiplier
terdiri dari LM lag dan LM error. LM lag digunakan untk identifikasi model SAR
pada persamaan (3.5) dan LM error digunakan untuk identifikasi model SEM
pada persamaan (3.12). Apabila keduana signifikan maka model yang sesuai
adalah Spatial Autoregressive Moving Average (SARMA).
2.1.2 Model Regresi Spasial
A. Spatial Autogressive Model (SAR)
Model Spatial Auto Regressive (SAR) atau Spatial Lag Model (SLM) adalah
model yang megkombinasikan model regresi linear dengan Lag Spasial pada
variabel respon dengan menggunakan data cross section (Anselin,1988). Spasial
Lag muncul saat nilai observasi variabel respon pada suatu lokasi berkorelasi
dengan nilai observasi variabel respon di lokasi sekitarnya atau dengan kata lain
terdapat korelasi spasial antar variabel respon. Pada model ini terdapat fungsi dari
variabel respon pada lokasi 𝑗 yang digunakan sebagai variabel prediktor untuk
memprediksi nilai dari variabel respon pada lokasi.
B. Spatial Error Model
Spatial Error Model (SEM) adalah model regresi spasial dimana
ketergantungan spasial masuk melalui eror, bukan melalui komponen sistematis
dari model. Artinya, eror masih dapat menjelaskan komponen sistematis spasial.
Spatial Error Model muncul saat nilai eror pada suatu lokasi berkorelasi dengan
nilai error di lokasi sekitarnya atau dengan kata lain terdapat korelasi spasial antar
error.

C. Geographically Weighted Regression (GWR)

Model GWR merupakan salah satu model yang dimunculkan dari metode
pendekatan titik yaitu pendekatan berdasarkan posisi koordinat garis lintang
(latitude) dan garis bujur (longitude). Pada suatu penelitian terhadap unit individu
dengan waktu yang bersamaan biasanya kurang memberikan informasi yang
lebih. Model Geographically Weighted Regression (GWR) adalah pengembangan
dari model regresi dimana parameter dihitung pada setiap lokasi pengamatan,
sehingga setiap lokasi pengamatan mempunyai nilai parameter yang berbeda-
beda. Variabel respon dalam model GWR diprediksi dengan variabel prediktor
yang masing-masing koefisie regresinya tergantung pada lokasi dimana data
tersebut diamati.
D. Aplikasi Geoda
Software GeoDa pertama kali diperkenalkan oleh Luc Anselin tahun 2002.
Software ini dikembangkan dengan tujuan untuk memfasilitasi eksplorasi dan
analisis data spasial dari hal yang sederhana sampai pemodelan yang kompleks
(Anselin dkk, 2006). Software ini menekankan pada kemampuan untuk
visualisasi map seperti outlier maps, smoothing rate maps, cartogram map, dan
map animasi. Explorasi data meliputi grapik statistic, parallel coordinates plot,
codintional plots dan explorasi khusus untuk spasial data. Software ini juga
dirancang untuk mampu melakukan perhitungan spatial autokorelasi baik yang
univariate ataupun yang bivariate. Geoda juga didesain mampu menganalisis data
input berupa shape file dari coordinate poin dan juga polygon dan koordinat
centroid. Software ini juga memiliki fasilitas untuk membuat matrik bobot spasial
menurut kritria contiguity, distance, dan juga k-nearest neighbor. Model spatial
regression juga terfasilitasi oleh GeoDa. Software ini dapat dioperasikan pada
sistem operasi Windows, IOS dan juga Linux (Anselin L. , 2003).
Penggunaan software GeoDa sama dengan software lainnya memerlukan
manajemen data. Untuk menggunakan software GeoDa sebaiknya memiliki data
dalam shapefile. Shapefile merupakan format data yang digunakan untuk
menyimpan data spasial khususnya peta digital nontopologis berbasis vektor.
Format ini memungkinkan menyimpan peta digital berupa bidang (polygon), garis
(lines) ataupun titik (point) (Gohil, 2015).
Jadi, Fungsi GeoDa diklasifikasikan menjadi 6 kategori yaitu analisis spasial,
eksplorasi data, mapping, analisis multivariat, autokorelasi spasial, dan regresi
spasial. Selain itu GeoDa juga dapat melakukan perhitungan regresi linear klasik.
Metode regresi spasial yang terdapat pada GeoDa yaitu metode spatial
autoregressive dan spatial error dengan menggunakan estimasi maksimum
likelihood (Luc, Syabri, & Kho, 2006).
E. Aplikasi GWR4
Pada analisis regresi spasial kita mengenal tahapan untuk menemukan model
yang terbaik dengan asumsi bahwa terdapat bias kewilayahan atau spasial pada
model regresi umum, sehingga digunakan model regresi dengan pembobotan
berdasarkan kewilayahan atau spasial. Beberapa software yang dapat membantu
peneliti dalam memproses data hasil penelitian yang terboboti wilayah adalah
OpenGeoDa dan GWR.
ada 5 tahapan yang diperlukan dalam proses pembentukan model regresi
terboboti wilayah
1. Data, pada bagian ini sesuai dengan tahapan merujuk pada manual book
merupakan tahapan “start your session by giving it a title then open your data
file” yaitu pemberian judul pada analisis yang akan dilakukan dan
penginputan data kedalam software GWR4.
2. Model, pada bagian ini sesuai dengan tahapan merujuk pada manual book
merupakan tahapan “specify one regrssion type and the variable setting
needed for GWR modelling” yaitu berupa pemilihan model regresi yang
akan di bangun berdasarkan jenis dari distribusi datanya (Gaussian, Poisson
dan Logistic). Selain itu pada STEP 2, didefinisikan juga variabel-variabel
yang akan disertakan dalam proses analisis pembentukan model. Pastikan
data koordinat (X_Lon,Y_Lat) dari lokasi (spasial) penelitian sudah tersedia.
3. Kernel, pada bagian ini sesuai dengan tahapan merujuk pada manual book
merupakan tahapan “choose a geographical kernel type and its bandwidth
size. Automated optimisation of bandwidth size is also available” yaitu
berupa pemilihan fungsi pembobot Kernel, baik itu dengan fixed maupun
adaptive. Selain itu pada STEP 3, ditentukan juga bandwidth baik itu default
search maupun definitive nilai yang dimiliki. Dan terakhir pada STEP 3,
dilakukan pemilihan kriteria dalam pengujian fit model GWR
4. Output, pada bagian ini sesuai dengan tahapan merujuk pada manual book
merupakan tahapan “specify filenames for the files storing the modelling
result” yaitu berupa pemilihan lokasi dalam menyimpan output hasil proses
modeling dengan sofware GWR4
5. Execute, pada bagian ini sesuai dengan tahapan merujuk pada manual book
merupakan tahapan “execute the session to compare necessary calculations
and read the results” yaitu untuk memulai proses estimasi model GWR. Klik
tombol “execute this session”, selanjutnya GWR4 akan melakukan proses
estimasi.
Dari proses di STEP : 5, tunggu beberapa saat sampai GWR4 memuncul-kan
informasi dengan teks “Program terminated” pada kotak hasil. Kita dapat melihat
hasil estimasi pada kotak hasil dan juga melihat nilai estimasi koefisien variabel
bebas pada model GWR dengan mengklik tombol “View the parameter
estimates”. Hasil tersebut juga dapat dibuka pada file output yang kita set pada
tab STEP 4.
 BAB III
PEMBAHASAN
3.1 Studi Kasus
Indeks Pembangunan Manusia (IPM) atau Human Development Index (HDI)
adalah pengukuran perbandingan dari harapan hidup, melek huruf, pendidikan dan
standar hidup untuk semua negara di seluruh dunia. IPM digunakan untuk
mengklasifikasikan apakah sebuah negara adalah negara maju, negara berkembang
atau negara terbelakang dan juga untuk mengukur pengaruh dari kebijaksanaan
ekonomi terhadap kualitas hidup.
Untuk mendapatkan IPM, ada beberapa variabel yang menjadi dasar penentuan
IPM. Dalam penelitian ini akan dilakukan uji regresi spasial untuk memperoleh
variabel yang berpengaruh terhadap IPM di Provinsi Jawa Timur. Variabel yang
diujikan meliputi
a) Variabel Terikat (Y) : IPM.
b) Variabel Bebas 1 (X1): Angka Partisipasi Sekolah (APS).
c) Variabel Bebas 2 (X2) : Rasio Guru-siswa SMP/MTS.
d) Variabel Bebas 3 (X3): Jumlah Sarana Kesehatan.
e) Variabel Bebas 4 (X4): Rumah tangga dengan air layak.
f) Variabel Bebas 5 (X5) : PDRB.
g) Variabel Bebas 6 (X6) : Kepadatan Penduduk.
h) Variabel Bebas 7 (X7): Tingkat Partisipasi Angkatan Kerja
3.2 Langkah Kerja
1. Siapkan Data variabel terikat (Y) dan Variabel bebas (X) dalam bentuk excel
yang akan dilakukan uji analisis regresi spasial menggunakan tools
Geographically Weighted Regression (GWR) pada Arcgis.
2. Selanjutnya lakukan standarisasi data-data tersebut menggunakan software
SPSS, maka dari itu, pertama buka aplikasi SPSS.

3. Setelah aplikasi SPSS sudah dibuka, klik Variable View untuk mengatur
kolom yang akandipakai untuk input data.
4. Setelah itu atur tipe tipe kolom pada SPSS sesuai dengan bentuk data yang
akan di input :
a) kolom 1 : Beri nama kolom dengan nama Kabupaten > pada pilihan Type,
pilih String (karena input data berupa teks) > pada pilihan width pilih 20
(batas maksimal karakter) > pada pilihan decimals pilih 0 > pada pilihan
align pilih rata kiri (Left) > pada pilihan measure pilih Nominal.
b) kolom 2 : Beri nama dengan nama Y (variabel terikat) ? pada pilihan type,
pilih numeric (karena input data berupa angka) > pada pilihan width pilih
15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
c) kolom 3 : Beri nama dengan nama X1 (variabel bebas 1) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
d) kolom 4 : Beri nama dengan nama X2 (variabel bebas 2) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
 maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
e) kolom 5 : Beri nama dengan nama X3 (variabel bebas 3) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
f) kolom 6 : Beri nama dengan nama X4 (variabel bebas 4) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
g) kolom 7 : Beri nama dengan nama X5 (variabel bebas 5) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
h) kolom 8 : Beri nama dengan nama X6 (variabel bebas 6) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
i) kolom 9 : Beri nama dengan nama X7 (variabel bebas 7) > pada pilihan
type, pilih numeric (karena input data berupa angka) > pada pilihan width
pilih 15 (batas maksimal karakter) > pada pilihan decimals pilih 2 (batas
maksimal jumlah angka decimal) > pada pilihan align pilih rata kanan
(right) > pada pilihan measure pilih Scale.
5. Setelah mengatur tipe-tipe kolom, klik data view.

6. Setelah berada pada tampilan data view, input data-data x dan y yang akan di
standarisasi dengan cara, Copy data dari excel > paste pada kolom yang ada
pada SPSS.
7. Setelah input data selesai lakukan standarisaasi dengan cara, Klik Toolbar
Analyze > Klik Descriptive Statistics > Klik Descriptive.

8. Setelah itu, Blok semua variabel > Klik tanda panah kearah kanan > centang
pada bagian save standardized values as vaiables > lalu klik ok
9. Berikut adalah angka Z-Score hasil standarisasi data menggunakan SPSS.

10. Setelah itu, blok semua variabel hasil standarisasi > tekan Ctrl + C untuk copy
data > lalu paste pada excel.
11. Setelah itu buka Aplikasi Arc Map dan masukkan data SHP batas administrasi
Jawa timur (nama shp: Jawa timur).

12. Setelah itu konversi data-data yang sudah di standarisasi tadi yang berbrntuk
excel, menjadi data tabel atriibut di Arcgis dengan cara, buka arc toolbox >
Klik toolbox Conversion tools > Klik excel > pilih excel to table.
13. Setelah jendela tools excel to table telah muncul, pada input excel file, pilih
data excel yang akan di konversi (Nama file: VARIABEL Z SCORE) >
pada output table, pilih lokasi penyimpanan hasil konversi ( Note: jika
penyimpanan dilakukan pada folder biasa, pada akhir nama file
ditambahkan .dbf. jika file disimpan di file geodatabase maka diakhir
nama file tidak perlu ditambahkan apapun) > lalu pada sheet (optional),
pilih sheet excel yang akan dikonversi > lalu klik ok.
14. Berikut adalah hasil konversi data excel menjadi data attribute.

15. Hapus field (Kolom) yang tidak diperlukan pada data attribute tersebut
(Hapus Field “No”)
16. Setelah itu lakukan penggabungan data tabel yang telah dikonversi tadi
dengan SHP Jawa Timur dengan cara, klik kanan pada SHP Jawa Timur >
Klik join and relate > klik Join.

17. Setelah muncul tampilan dari tools join, pada kolom 1 pilih field (kolom)
Name_2 (berisi nama Kab/Kota) > pada kolom 2 pilih data attribute yang
telah dikonversi tadi > pada join option pilih keep only matching records >
lalu klik ok.
18. Berikut adalah hasil join data attribute.

19. Hapus field (kolom) yang tidak diperlukan agar tidak mengganggu, sehingga
menjadi data attribute seperti dibawah ini.
20. Selanjutnya adalah tahapan awal pada Analisa regresi spasial, yaitu
melakukan analisis faktor dengan cara, klik arctoolbox > klik spatial statistic
tools > klik modelling spatial relationship > lalu pilih tools Ordinary Least
Square (OLS).

21. Setelah muncul jendela tools Ordinary Least Square (OLS), pada input feature
class masukkan SHP Jawa timur > pada kolom unique ID Field, pilih
Jawatimur.Id_1 (field yang berisi kab/kota yang di representasikan dengan
 urutan angka) > pada output feature class pilih lokasi penyimpanan > pada
kolom dependent variable, pilih jatim1.Y (Variabel terikat) > pada kolom
explanatory variables, pilih semua variabel bebas (Jatim1.X1 hingga
Jatim1.X7). > pada kolom output report file (Optional), pilih lokasi
penyimpanan dari output yang berbentuk file PDF >lalu klik Ok.

22. Berikut adalah hasil dari analisis faktor menggunakan tools Ordinary Least
Square (OLS).
 Pada umumnya dari output tersebut, variabel yang memiliki tanda (*) adalah
variabel yang dipilih untuk dilakukan pada tahapan Analisa selanjutnya. Namun ada
kalanya tools OLS ini akan memunculkan hasil yang kurang realistis. Jika dalam
kasus ini, pada output tersebut dapat diketahui bahwa variabel X6 (kepadatan
penduduk) memiliki probabilitas yang paling rendah jika dibandingkan dengan
variabel lainnya, maka dari itu tahapan selanjutnya adalah melakukan analisis faktor
kembali dengan mereduksi variabel X6 (Kepadatan Penduduk).
23. Lakukan kembali analisis faktor dengan Langkah yang sama yaitu dengan
cara, klik arctoolbox > klik spatial statistic tools > klik modelling spatial
relationship > lalu pilih tools Ordinary Least Square (OLS).
24. Setelah muncul jendela tools Ordinary Least Square (OLS), pada input feature
class masukkan SHP Jawa timur > pada kolom unique ID Field, pilih
Jawatimur.Id_1 (field yang berisi kab/kota yang di representasikan dengan
urutan angka) > pada output feature class pilih lokasi penyimpanan > pada
kolom dependent variable, pilih jatim1.Y (Variabel terikat) > pada kolom
explanatory variables, pilih semua variabel bebas kecuali variabel X6 > pada
kolom output report file (Optional), pilih lokasi penyimpanan dari output yang
berbentuk file PDF >lalu klik Ok.

25. Berikut adalah hasil dari analisis faktor Ke-2 dengan menggunakan tools
Ordinary Least Square (OLS).
 Dari hasil diatas dapat diketahui bahwa variabel X1 memiliki probabilitas yang
paling rendah. Jika pada tahapan sebelumnya, variabel yang memiliki probabilitas
rendah dilakukan proses reduksi, namun pada tahap ini dilakukan terlebih dahulu
hingga tahapan akhir proses Analisa regresi spasial. Jika nantinya nilai Rsqaure pada
tahapan GWR menunjukan angka dibawah 0,5 maka akan dilakukan proses reduksi
variabel kembali.
26. Selanjutnya adalah melakukan uji autokorelasi dengan cara, klik arctoolbox >
klik spatial statistic tools > klik analyzing patterns > lalu pilih tools spatial
autocorrelation (Moran’s I).
27. Setelah muncul jendela tools spatial autocorrelation (Moran’s I), pada kolom
input feature class, masukkan SHP hasil OLS tadi dengan nama SHP
OLSreduksi > Pada kolom input field, pilih Field Stdresid > beri centang pada
kolom Generate report (Optional) > pada conceptualization of spatial
relationship pilih INVERSE_DISTANCE > pada Distance Method pilih
EUCLIDEAN_DISTANCE > Pada kolom standardization pilih ROW > lalu
klik Ok
 28. Berikut adalah output dari tahapan uji autokorelasi menggunakan tools spatial
autocorrelation (Moran’s I).

(untuk melihat tempat tersimpanya output, klik result pilih seperti yang di blok,
nanti itu berupa link ke browser yang ada pada laptop)

29. Hasilnya akan seperti gambar di bawah ini

 Pada output diatas dapat diketahui bahwa pengelompokan atau klusterisasi hasil
dari variabel yang diujikan membentuk kluster acak/random hal ini dipengaruhi oleh
fluktuasi dari data yang diujikan. Pada moran’s index juga mendapatkan nilai
0.011393, yang berarti autokorelasi yang terjadi adalah autokorelasi positif.
Autokorelasi positif terjadi apabila nilai moran’s index ada pada interval 0 - 1,
sedangkan autokorelasi negative terjadi apabila moran’s index ada pada interval -1 –
0
30. Setelah itu lakukan uji regresi spasial dengan cara, klik arctoolbox > klik
spatial statistic tools > klik modelling spatial relationship > lalu pilih tools
Geographically Weighted Regression (GWR).

31. Setelah muncul tools Geographically Weighted Regression (GWR), pada

input feature class pilih SHP Jawa Timur > pada dependent variable pilih field
Jatim1.Y (Variabel terikat) > pada kolom explanatory Variables masukkan
variabel bebas X1, X2, X3, X4, X5, X7 (tanpa X6 karena telah direduksi) >
setelah itu pada output feature class, pilih lokasi penyimpanan > pada kolom
kernel type, pilih ADAPTIVE > pada Bandwith method, pilih AICc > lalu
klik Ok.
32. Berikut adalah hasil analisaregresi spasial dengan menggunakan tools
Geographically Weighted Regression (GWR).
3.3 Interpretasi
Dari hasil regresi spasial diatas muncul hasil regresi dari setiap daerah di provinsi
jawa timur. Nilai R-Square pada semua daerah di provinsi Jawa Timur ada pada
angka > 0.5. Berbeda dengan regresi non-spasial, pada regresi spasial output
persamaan regresi dimunculkan pada tiap daerah, sehingga interpretasi yang bisa
diambil lebih tajam. Dari output diatas dapat diketahui bahwa R Square tertinggi ada
pada daerah Kabupaten Lumajang dengan R-Square sebesar 0.842586 yang memiliki
arti bahwa hasil Analisa dapat merepresentasikan sebesar 80% di lapangan.
Persamaan regresi pada Kabupaten Lumajang yakni:

Y = 0.745706X1 + 0.191895X2 + 0.237391X3 + 0.114546X4 + 0.21537X5 + -

0.071812X7 + C
 BAB V
PENUTUP
5.1 Kesimpulan
Data spasial secara sederhana dapat diartikan sebagai data yang memiliki
referensi keruangan (geografi). Setiap bagian dari data tersebut selain memberikan
gambaran tentang suatu fenomena, juga dapat memberikan informasi mengenai lokasi
dan juga persebaran dari fenomena tersebut dalam suatu ruang (wilayah). Apabila
dikaitkan dengan cara penyajian data, maka peta merupakan bentuk/cara penyajian
data spasial yang paling tepat. Hubungan antara penyajian data dan peta ini diebut
dengan efek spasial, yang terkait dengan perbedaan karakteristik lingkungan dan
geografis antar-lokasi pengamatan sehingga masing-masing pengamatan
kemungkinan memiliki variasi yang berbeda atau terdapat perbedaan pengaruh
variabel predictor terhadap variabel respon untuk setiap lokasi pengamatan. Dengan
menggunakan metode Regresi Terboboti Geografis atau Geographically Weighted
Regression (GWR) dapat mengantisipasi heterogenitas spasial.
IPM merupakan tingkatan status pembangunan manusia di suatu wilayah yang
akan berfungsi sebagai patokan dasar perencanaan jika dibandingkan. IPM
merupakan alat advokasi kepada para pengambil keputusan dan perumus kebijakan
tentang langkah-langkah pada masa mendatang yang perlu dilakukan.
Variabel yang berpengaruh terhadap peningkatan IPM antara lain :
a. Angka Partisipasi Sekolah (APS)
b. Rasio Guru-siswa SMP/MTS
c. Jumlah Sarana Kesehatan
d. Rumah tangga dengan air layak
e. PDRB
f. Kepadatan Penduduk
g. Tingkat Partisipaso Angkatan Kerja
Dari hasil regresi spasial menunjukan nilai R-Square pada semua daerah di
provinsi Jawa Timur ada pada angka > 0.5. Sedangkan untuk Kabupaten
Lumajang menunjukkan R-Square tertinggi dengan R-Square sebesar
0.842586 yang memiliki arti bahwa hasil Analisa dapat merepresentasikan
sebesar 80% di lapangan.