Ni Nyoman Utami Dewi - Telaah Pustaka
Ni Nyoman Utami Dewi - Telaah Pustaka
KOMPETENSI STATISTIKA
Disetujui Oleh:
Pembimbing II Pembimbing I
I Gusti Ayu Made Srinadi, S.Si, M.Si. Made Susilawati, S.Si, M.Si.
NIP. 197112131997022001 NIP. 197109021998022001
Mengetahui:
Komisi Tugas Akhir
Program Studi Matematika FMIPA Unud
Ketua,
Halaman
DAFTAR ISI ............................................................................................................ i
DAFTAR TABEL .................................................................................................. iii
DAFTAR GAMBAR ............................................................................................. iv
BAB I ...................................................................................................................... 1
PENGANTAR ........................................................................................................ 1
BAB II ..................................................................................................................... 3
SPATIAL AUTOREGRESSIVE MODEL (SAR) DAN GEOGRAPHICALLY
WEIGHTED REGRESSION (GWR) ..................................................................... 3
2.1 Analissis Regresi Logistik ........................................................................ 3
i
3.1 Kesimpulan Spatial Autoregressive Model (SAR) dan Geographically
Weighted Regression (GWR) ............................................................................ 42
ii
DAFTAR TABEL
Tabel 2. 1 Variabel-Variabel Penelitian ................................................................ 28
Tabel 2. 2 Nilai Odds Ratio Variabel Penelitian ................................................... 33
Tabel 2. 3 Perbandingan Nilai AIC Model ........................................................... 40
iii
DAFTAR GAMBAR
iv
BAB I
PENGANTAR
variabel terikat memiliki dua kategori atau lebih peubah bebas berskala kategori
atau kontinu. Adapun analisis regresi logistik dibagi menjadi analisis regresi
logistik biner, analisis regresi logistik multinomial dan analisis regresi logistik
ordinal. Oleh karena itu, analisis regresi logistik dapat digunakan untuk mengetahui
Status ketahanan pangan menunjukkan stabilitas pangan suatu wilayah baik dari
sehingga status ketahanan pangan berbeda-beda antar wilayah satu dengan lainnya.
Dengan kata lain, terdapat pengaruh spasial dalam menentukan status ketahanan
berskala ordinal yang terdiri atas enak kategori, yakni rentan pangan tinggi, rentan
pangan sedang, rentan pangan rendah, tahan pangan rendah, tahan pangan sedang,
dan tahan pangan tinggi. Berdasarkan hal tersebut, dalam menentukan status
ketahanan pangan pada suatu wilayah dapat menggunakan analisis regresi logistik
ordinal spasial.
1
2
pengaruh spasial dalam model regresi logistik ordinal. Analisis regresi logistik
ordinal spasial tepat digunakan apabila terdapat variabel independen dalam satu
wilayah yang memiliki keterkaitan dengan wilayah lainnya yang akan membentuk
pola spasial. Dalam hal ini, pengaruh spasial dapat digunakan untuk
membandingkan pola objek dari suatu wilayah dengan pola objek yang ditemukan
di wilayah lainnya
BAB II
memerlukan uji normalitas, uji heteroskedastisitas, dan uji asumsi klasik pada
variabel independen.
kategorik. Regresi logistik terbagi menjadi dua, yaitu regresi logistik biner yang
variabel responnya dua kategori (dikotimus) dan regresi logistik multinomial yang
variabel responnya memiliki lebih dari dua kategori (politimus). Regresi logistik
multinomial dapat dibentuk menjadi regresi logistik ordinal atau regresi logistik
exp(𝛽0 + 𝛽1 𝑥) (2.1)
𝜋(𝑥) =
1 + exp(𝛽0 + 𝛽1 𝑥)
dimana,
𝛽0 : parameter intersep
𝛽1 𝑥 : parameter variabel x
3
4
𝑥 : variabel penjelas
Menurut Purwaningsih (2011), kondisi dan asumsi pada regresi logistik adalah
sebagai berikut:
1 Tidak terdapat asumsi hubungan linear antara variabel respon dengan variabel
prediktor
3 Tidak terdapat asumsi homokedastisitas karena ragam tidak harus sama untuk
Analisis regresi logistik ordinal merupakan salah satu metode statistika yang
variabel respon memiliki dua kategori dan skala pengukuran bersifat tingkatan.
Salah satu model yang digunakan dalam regresi logistik ordinal adalah model logit.
Pada model logit, sifat ordinal dari variabel respon dituangkan dalam peluang
5
peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori respon ke-
j pada p variabel prediktor yang dinyatakan dalam bentuk vektor X. Oleh karena
dimana,
multikolinearitas, uji parameter secara serentak, uji parameter secara parsial, dan
Pada regresi logistik ordinal menghasilkan rasio peluang (odds ratio) yang
diartikan sebagai jumlah relatif dimana peningkatan peluang hasil terjadi apabila
rasio peluang > 1 atau penurunan peluang hasil jika rasio peluang < 1 ketika
variabel prediktor meningkat sebesar 1 unit. Model regresi logistik yang digunakan
ketika variabel respon berskala ordinal, seperti model logit dasar (baseline logit
6
model) dan model logit bersyarat (conditional logit model). Pada regresi logistik
ordinal, model logit dasar (baseline logit model) adalah perbandingan rasio log-
pengaruh spasial dalam model regresi logistik ordinal. Model regresi logistik
dengan vektor variabel respon y dan unsur spasial sebagai variabel penjelas baru.
dimana,
wilayah satu ke wilayah lainnya. Analisis regresi spasial juga dapat dikatakan
tambahan yang disebut spatially lagged y. Analisis regresi spasial tepat digunakan
apabila ada indikator dalam satu wilayah yang memiliki keterkaitan dengan wilayah
lainnya. Indikator yang berkaitan akan membentuk suatu pola spasial. Menurut
Tobler (1979), dalam Hukum Geografi pertama dikatakan bahwa segala sesuatu
saling berhubungan satu dengan yang lainnya, akan tetapi sesuatu yang dekat lebih
Menurut LeSage (1999), model umum regresi spasial dapat dituliskan sebagai
berikut:
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀 (1.1)
Dengan,
yaitu:
y = Xβ + ε (1.3)
𝜀~𝑁(0, 𝜎 2 𝐼)
c. Jika nilai W = 0 atau ρ = 0 maka akan menjadi model Spatial Error Model
(SEM)
y = Xβ + λWu + ε (1.5)
𝜀~𝑁(0, 𝜎 2 𝐼)
Menurut Lee dan Wong (2001), pola spasial adalah sesuatu yang menunjukkan
tertentu. Dalam hal ini, statistika spasial dapat digunakan untuk membandingkan
pola objek dari suatu wilayah dengan pola objek yang ditemukan di wilayah
a. Random
Beberapa area terletak secara random di beberapa lokasi dengan posisi suatu
b. Dispersed
lainnya.
c. Clustered
Menurut Cressie (1993), analisis spasial memiliki tiga tipe data spasial yaitu:
spasial dan korelasi spasial. Dasar geostatistika adalah lokasi yang berdekatan akan
cenderung memiliki bobot nilai yang mirip berbanding terbalik dengan lokasi yang
berjauhan. Sampel pada data geostatistik berupa titik, bai relugar maupun
irregular.
Data area berhubungan dengan wilayah spasial dan merupakan konsep dari
persingggungan antar wilayah. Data pada setiap area diberikan nilai pembobot
Lokasi pada pola titik berdasarkan posisi koordinat tertentu yang diperoleh
berdasarkan wilayah yang bersesuaian. Analisis pada data yang memiliki pola titik
2. Area:
a. Tak terbatas: Landuse, area pemasaran, jenis tanah, dan tipe batuan
dan wilayah
4. Titik;
Analisis regresi spasial memiliki beberapa jenis, antara lain yaitu query basis
overlay, dan juga pengubahan unsur – unsur spasial query basis data.
Query basis data adalah kemampuan menampilkan data dari database yang
diambil dari tabel-tabel database yang akan diolah secara lebih lanjut tanpa
mengganggu atau mengubah data yang sudah data. Fungsi Query basis data dapat
dilakukan dengan mengklik feature agar lebih muda, akan tetapi penggunaan
melibatkan operasi logis, yaitu AND, OR, NOT, XOR. Query basis data terdiri atas
1. Select Query
2. Action Query
penghapusan.
b. Pengukuran
1. Jarak
12
Perhitungan jarak antar dua titik disebut dengan pengukuran jarak. Pengukuran
jarak dapat dilakukan dengan menggunakan query atau dapat dilakukan dengan
2. Luas
3. Keliling
4. Centroid
Fungsi pengukuran ini berguna untuk menentukan koordinat titik pusat dari
c. Fungsi Kedekatan
Fungsi kedekatan adalah fungsi untuk menghitung jarak dari suatu garis, titik,
ataupun batas poligon. Fungsi kedekatan terdiri atas beberapa fungsi, salah satu
analisis regresi spasial yang akan menghasilkan unsur-unsur spasial yang bertipe
poligon.
d. Overlay
mendapatkan informasi baru yang dilakukan pada data vektor ataupun raster.
Overlay merupakan bagian penting dari analisis regresi spasial dan dapat
merupakan fungsi dari analisis regresi spasial, yaitu Delete, Erase, atau Cut.
Fungsi analisis regresi spasial Split atau clip bertujuan untuk menghasilkan
unsur spasial yang baru dengan cara melakukan pemotongan dari unsur spasial
lainnya.
4. Intersect
Fungsi ini menghasilkan unsur spasial baru yang berasal dari irisan dua atau
Menurut Eddy Prahasta (2009), analisis regresi spasial memiliki fungsi yaitu:
a. Klasifikasi (Reclassify)
Kegiatan klasifikasi kembali suatu data hingga menjadi data spasial baru
b. Jaringan (Network)
Fungsi analisis regresi spasial yang merujuk pada data-data spasial garis-garis
c. Overlay
Fungsi analisis regresi spasial yang menghasilkan layer spasial baru yang
merupakan hasil kombinasi dua atau lebih layer spasial lama yang digunakan.
d. Buffering
Fungsi analisis regresi spasial yang menghasilkan layer spasial baru dalam
bentuk poligon dan memiliki jarak tertentu dari unsur-unsur spasial yang digunakan
e. 3D Analysis
Fungsi yang terdiri atas sub-sub fungsi yang memiliki kaitan dengan presentasi
Fungsi nilai atau intensitas yang disebut sebagai fungsi spasial atau fungsi
sebar.
Analisis regresi spasial memiliki manfaat yang sesuai dengan fungsi yang
Spasial
15
Menurut Kosfeld dan Wuryandari, et al. (2014), dalam analisis regresi spasial
Wij menyatakan hubungan kedekatan antar lokasi. Informasi jarak dari ketetanggan
pada lokasi yang letaknya dekat dengan lokasi yang diamati dan diberikan
pembobot kecil apabila letaknya jauh dari wilayah amatan. Menurut Bivand dalam
Kissling dan Carl (2007), pemberian koding pembobotan pada persamaan berikut
ini.
a. Kode Biner
1,𝑢𝑛𝑡𝑢𝑘𝑖𝑑𝑎𝑛𝑗𝑦𝑎𝑛𝑔𝑏𝑒𝑟𝑑𝑒𝑘𝑎𝑡𝑎𝑛 (2.1)
𝑊𝑖𝑗 = {
0,𝑢𝑛𝑡𝑢𝑘𝑙𝑎𝑖𝑛𝑛𝑦𝑎
b. Row Standardization
Pemberian koding pembobotan ini didasarkan pada jumlah tetangga pada satu
c. Varians Stabilization
𝑤𝑖𝑗 (2.1)
̂𝑖𝑗 =
𝑊 𝑖,𝑗=𝑛
∑𝑖,𝑗=1 𝑤𝑖𝑗
are more related than distant things” artinya segala sesuatu saling berkaitan satu
sama lainnya, wilayah yang lebih dekat cenderung akan memberikan efek yang
lebih besar dari pada wilayah yang lebih jauh jaraknya. Menurut LeSage (1999),
untuk lokasi yang berada di tepi kiri ataupun kanan dari lokasi yang diamati
yang bersisian dengan wilayah yang diamati dan bobot 𝑤𝑖𝑗 = 0 untuk wilayah yang
yang titik sudutnya bertemu dengan wilayah yang menjadi perhatian dan pemberian
bobot 𝑤𝑖𝑗 = 1 untuk wilayah yang titik sudutnya bertemu dengan wilayah yang
menjadi perhatian.
bersisian dan titik sudutnya bertemu dengan wilayah yang diamati dan untuk
wilayah lainnya yang tidak bersisian dan bertemu titik sudutnya diberikan
pembobotan 𝑤𝑖𝑗 = 0.
Matriks yang mendefinisikan wilayah yang berada di kanan dan kiri dari
wilayah yang diamati diberi pembobotan 𝑤𝑖𝑗 = 1 dan untuk wilayah lainnya diberi
pembobotan 𝑤𝑖𝑗 = 0.
wilayah yang berada di kiri, kanan, utara, dan selatan dari wilayah yang menjadi
Uji depensi spasial dilakukan untuk mengetahui adanya efek spasial yang dapat
dari korelasi antar nilai amatan satu dengan lainnya yang berkaitan dengan lokasi
pada variabel yang sama. Terdapatnya autokorelasi ditandai dengan adanya pola
a. Moran’s I
Hipotesis:
Statistik uji:
𝐼 − 𝐸(𝐼) (2.2)
𝑍ℎ𝑖𝑡𝑢𝑛𝑔 =
√𝑉𝑎𝑟(𝐼)
dengan,
1 (2.4)
𝐸(𝐼) = 𝐼0 = −
𝑛−1
1 𝑛 𝑛
(2.7)
𝑆1 = ∑ ∑ (𝑊𝑖𝑗 + 𝑊𝑗𝑖 )2
2 𝑖=1 𝑗=1
2 (2.8)
𝑆2 = ∑ (∑ 𝑤𝑘𝑗 + ∑ 𝑤𝑖𝑘 )
𝑘 𝑗 𝑖
𝑛
(2.9)
𝑊𝑖. = ∑ 𝑊𝑖𝑗
𝑗=1
𝑛
(2.10)
𝑊.𝑖 = ∑ 𝑊𝑗𝑖
𝑗=1
Dimana:
Ii = Nilai Moran’s I
n = banyaknya pengamatan
Berdasarkan hal tersebut maka pengambilan keputusan pada uji ini adalah tolak
Dengan,
n = banyaknya data
I = matriks identitas
Berdasarkan uraian diatas sehingga pengambilan keputusan pada uji ini adalah
2
tolak H0 bila 𝐿𝑀𝜌 > 𝑋(𝑞) atau p-value < 0,05.
Spatial Autoregressive Model (SAR) merupakan salah satu model dari analisis
pada variabel dependen sehingga disebut juga dengan Spatial Lag Model (SLM).
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀 (2.11)
𝜀~𝑁(0, 𝜎𝜀2 𝐼𝑛 )
𝑦 = 𝑋𝛽 + 𝑢 (2.14)
Asumsi bahwa:
𝜀~𝑁(0, 𝜎𝜀2 𝐼𝑛 )
21
1 1 𝑢𝑖2
𝑓(𝑢𝑖 , 0, 𝜎 2 ) = 𝑒𝑥𝑝 (− )
√2𝜋𝜎 2 𝜎2
𝐿𝑢 = ∏ 𝑓(𝑢𝑖 , 0, 𝜎 2 )
𝑖=1
𝑛
1 1
= 𝑛/2 𝑛 𝑒𝑥𝑝 (− 2 ∑ 𝑢𝑖2 )
2𝜋 𝜎 2𝜎
𝑖=1
1 1
= 𝑛/2 𝑛
𝑒𝑥𝑝 (− 2 𝑢𝑇 𝑢)
(2𝜋) 𝜎 2𝜎
𝜕𝑢
𝑓𝑦1,⋯,𝑦𝑛 (𝑦) = 𝑓𝑢1,⋯,𝑢𝑛 (𝑢) | |
𝜕𝑦
𝑦 = 𝑋𝛽 + 𝑢
𝑢 = 𝑦 − 𝑋𝛽
1 0 0 ⋯ 0
𝜕𝑢 0 1 0 ⋯ 0
| | = [⋯ ⋯ ⋯ ⋱ ⋮] = 1
𝜕𝑦
0 0 0 0 1
Sehingga
1 1
𝑓𝑦1,⋯,𝑦𝑛 (𝑦) = 𝐿𝑦 = 𝑛/2 𝑛
𝑒𝑥𝑝 (− 2
(𝑦 − 𝑋𝛽)𝑇 (𝑦 − 𝑋𝛽))
(2𝜋) 𝜎 2𝜎
𝑛 𝑛 1
𝑙𝑛𝐿𝑦 = − − ln(𝜎 2 ) − 2 (𝑦 − 𝑋𝛽)𝑇 (𝑦 − 𝑋𝛽)
2 2 2𝜎
𝜕𝑙𝑛𝐿𝑦
= ⋯ → 𝛽̂ = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑦
𝜕𝛽
22
𝜕𝑙𝑛𝐿𝑦 1
2
= ⋯ → 𝜎 2 = (𝑦 − 𝑋𝛽)𝑇 (𝑦 − 𝑋𝛽)(𝑏𝑖𝑎𝑠)
𝜕𝜎 𝑛
1
→ 𝜎2 = (𝑦 − 𝑋𝛽)𝑇 (𝑦 − 𝑋𝛽)
𝑛 − (𝑝 + 1)
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝜀
𝜕𝜀
𝜀 = (𝐼 − 𝜌𝑊)𝑦 − 𝑋𝛽 → | | = |𝐼 − 𝜌𝑊|
𝜕𝑦
1. Metode MLE
1 1 𝑇
𝐿𝜀 = 𝑒𝑥𝑝 (− 𝜀 𝜀)
(2𝜋)𝑛/2 (𝜎 2 )𝑛/2 2𝜎 2
𝜕𝜀
𝐿𝑦 = 𝐿𝜀 | |
𝜕𝑦
1 1 𝑇
𝐿𝑦 = |𝐼 − 𝜌𝑊|𝑒𝑥𝑝 (− 𝜀 𝜀)
(2𝜋)𝑛/2 (𝜎 2 )𝑛/2 2𝜎 2
1. Regresikan y terhadap X
𝑛 1
𝑀𝑎𝑥 ln 𝐿𝑐 (𝜌) = 𝐶 − 𝑙𝑛 [ (𝑒̂𝑜 − 𝜌𝑒̂𝐿 )𝑇 (𝑒̂𝑜 − 𝜌𝑒̂𝐿 )] + 𝑙𝑛|𝐼 − 𝜌𝑊|
2 𝑛
4. Estimasi 𝛽̂ dan 𝜎̂ 2
𝛽̂ = 𝛽̂𝑜 − 𝜌𝛽̂𝐿
1
𝜎̂ 2 = (𝑒̂ − 𝜌𝑒̂𝐿 )𝑇 (𝑒̂𝑜 − 𝜌𝑒̂𝐿 )
𝑛 𝑜
Regresi OLS.
Hipotesis:
Statistik Uji:
Dengan,
𝑆𝑆𝐸𝑐 = SSE dari model constrained atau dapat dikatakan H0 benar yang berarti
𝑆𝑆𝐸𝑢 = SSE dari model constrained atau dapat dikatakan H0 salah yang berarti
Berdasarkan hal tersebut maka pengambilan keputusan pada uji ini adalah tolak
24
Hipotesis:
Statistik Uji:
𝑆𝑆𝐸𝑢 = SSE dari model constrained atau dapat dikatakan H0 salah yang berarti
Berdasarkan hal tersebut maka pengambilan keputusan pada uji ini adalah tolak
Salah satu uji yang relevan untuk digunakan dalam data spasial adalah Uji
Wald. Menurut Anselin (1988), Uji Wald merupakan uji yang idgunakan untuk
menguji signifikasi koefisien model secara individu. Menurut Agresti (2007), Uji
Hipotesis:
H1 : 𝛽𝑖 ≠ 0 (Parameter signifikan)
Statistik Uji:
2 (2.17)
𝛽̂𝑗
𝑊=( )
𝑆𝐸(𝛽̂𝑗 )
(2.18)
𝑆𝐸(𝛽̂𝑗 ) = √(𝜎 2 (𝛽̂𝑗 ))
Dengan,
Pengambilan Keputusan:
2
H0 ditolak jika nilai 𝑊 > 𝑋(𝛼,1)
𝑝
(2.19)
𝑦𝑖 = 𝛽𝑜 (𝑢𝑖 , 𝑣𝑖 ) + ∑ 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑥𝑖𝑘 + 𝜀𝑖 ,
𝑘=1
𝑖 = 1,2, … , 𝑛
Dengan,
pengamatan ke-i
26
pengamatan ke-i
Kemudian dalam model GWR, peran pembobot pada model GWR sangat
penting karena nilai pembobot ini mewakili letak data observasi satu dengan
lainnya. Salah satu metode yang digunakan untuk menentukan pembobot pada
model GWR adalah metode cross Validation (CV) yang didefinisikan sebagai
berikut:
𝑛
(2.20)
𝐶𝑉 = ∑(𝑦𝑖 − 𝑦̂≠𝑖 (ℎ))2
𝑖=1
Dengan,
𝑆𝑆𝐸(𝐻0 ) =𝑌 𝑇 (𝐼 − 𝐻)
𝐻 = 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇
27
𝑑𝑓1 =𝑛−𝑝−1
Pengambilan Keputusan:
Berdasarkan hal tersebut maka pengambilan keputusan pada uji ini adalah tolak
kabupaten/kota tahun 2020 dengan membandingkan antara model SAR dan model
GWR.
Data yang digunakan merupakan data sekunder yang diperoleh dari web
Pemetaan status ketahanan pangan disesuaikan dengan Cut off Point untuk
pemberian warna pada kabupaten/kota yang tercantum dalam tabel dibawah ini.
Kabupaten
28
1 ≤ 41,52 ≤ 28,84
b. Variabel Penelitian
Variabel yang digunakan dalam penelitian ini terdiri atas variabel dependen dan
KODE Y X1 X2 X3 X4 X5 Wy
5101 6 62.7 4.88 72.35 0.6 278.1 18
5102 6 59.67 4.21 76.16 0.64 445.7 18
5103 6 66.04 1.78 81.59 2.36 670.2 18
5104 6 58.08 3.88 77.14 0.97 512.2 24
5105 6 69.44 5.4 71.71 0.55 179.1 29
5106 5 51.78 4.44 69.35 0.6 227.3 12
5107 6 59.34 6.25 67.34 0.55 416.6 29
5108 6 57.14 5.19 72.3 0.63 660.6 6
5171 6 74.53 2.1 83.68 2.06 947.1 11
Keterangan:
X1 = Produktivitas Padi
29
X2 = Jumlah Penduduk
X4 = Penduduk Miskin
X6 = Variabel Penjelas
serta berisikan dekrispsi terkait pemetaan Provinsi Bali yang berdasarkan nilai
Berdasarkan nilai Indeks Ketahanan Pangan (IKP) dan disesuaikan dengan cut
Pada pemetaan yang diperoleh dapat diketahui bahwa terdapat tujuh kabupaten
dan satu kota yang terdiri atas Kabupaten Karang Asem, Kabupaten Klungkung,
Tabanan, dan Kabupaten Buleleng serta Kota Denpasar diwarnai dengan warna
kabupaten dan kota yang memiliki ketahanan pangan paling baik di Provinsi Bali.
memiliki tingkat ketahanan pangan sedang diwarnai hijau lebih muda yaitu
Kabupaten Gianyar.
cara mengkalikan nilai Indeks Ketahanan Pangan (IKP) dengan matriks pembobot
0 1 0 1 0 0 1 0 0 6
1 0 1 1 0 0 0 0 0 6
0 1 0 1 1 0 0 0 0 6
1 1 1 0 0 0 1 0 0 6
𝑊𝑖𝑗 = 0 0 1 1 0 1 1 1 0 𝑋= 6
0 0 0 0 1 0 1 0 0 5
1 0 0 1 1 1 0 0 1 6
0 0 0 0 1 0 0 0 0 6
[0 0 0 0 0 1 1 0 0] [6 ]
18
18
18
24
𝑊𝑦 = 29
12
29
6
[11]
Keterangan:
𝑊𝑦 = variabel penjelas
2. Uji Asumsi
Pada kasus ini dilakukan uji asumsi berupa uji multikolinearitas dan uji
normalitas.
Hipotesis:
Berdasarkan hasil output diatas, terlihat bahwa 𝜌 − 𝑣𝑎𝑙𝑢𝑒 sebesar 0,7060 >𝛼
1. Model
-----------------------------------------------------------------------------
Variable Coefficient Std.Error z-value Probability
-----------------------------------------------------------------------------
W_Y 0.810571 0.126109 6.42752 0.00000
CONSTANT -22.4239 1.8784 -11.9377 0.00000
X1 -0.0346435 0.00495385 -6.99324 0.00000
X2 1.31408 0.0837448 15.6915 0.00000
X3 0.259329 0.0164892 15.7272 0.00000
X4 1.39996 0.119238 11.7409 0.00000
X5 -0.00123415 0.00015044 -8.20362 0.00000
-----------------------------------------------------------------------------
Keterangan:
X1 = Produktivitas Padi
X2 = Jumlah Penduduk
X4 = Penduduk Miskin
Wy = Variabel Spasial
33
Dari hasil output diatas, maka diperoleh nilai odds ratio untuk setiap variabel
Constant 1.82568E-10
X1 0.96595
X2 3.721326
X3 1.29606
X4 4.055038
X5 0.998767
Wy 2.249192
𝑃(𝑌 ≤ 𝑠|𝑥)
𝐿𝑜𝑔 ( ) = 𝛼𝑠 − 𝑋𝛽 − 𝜌𝑊𝑦 + 𝜀
1 − 𝑃(𝑌 ≤ 𝑠|𝑥)
𝑃(𝑌 ≤ 𝑠|𝑥 )
𝐿𝑜𝑔 (1−𝑃(𝑌 ≤ 𝑠|𝑥)) = −22,4239 − 0,0346435𝑋1 + 1,31408𝑋2 +
22,4239 dengan nilai odds ratio sebesar 1.82568E-10. Hal ini berarti status
dengan status ketahanan rentan pangan dengan asumsi semua variabel bebas
bernilai 0.
produktivitas padi meningkat satu persen, maka status ketahanan pangan lebih
konstan.
nilai odds ratio sebesar 3,721132579. Hal ini berarti apabila jumlah penduduk
meningkat satu persen, maka status ketahanan pangan lebih tahan sebesar
0,259329 dengan nilai odds ratio sebesar 1,296060138. Hal ini berarti apabila
pangan lebih tahan sebesar 1,296060138 kali dengan asumsi variabel lainnya
dianggap konstan.
nilai odds ratio sebesar 4,055037762. Hal ini berarti apabila penduduk miskin
meningkat satu persen, maka status ketahanan pangan lebih tahan sebesar
0,00123415 dengan nilai odds ratio sebesar 0,998766611. Hal ini berarti
7. Nilai koefisien regresi variabel spasial adalah 0,810571 dengan nilai odds
ratio sebesar 2,249191909. Hal ini berarti apabila pengaruh spasial meningkat
satu satuan, maka status ketahanan pangan lebih tahan sebesar 2,249191909
Kemudian diketahui pula bahwa model regresi SAR tersebut memiliki nilai AIC
sebesar -14,734 dan nilai R-squares sebesar 0,982014 artinya variabel bebas yang
ada dalam model dapat menjelaskan Y (IKP) sebagai variabel respon sebesar
98,20% dan sisanya dijelaskan oleh variabel di luar model yang terbentuk. sesuai
a. Moran’s I
Hipotesis:
𝛼 = 5%
𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦pada Moran’s I sebesar 2,1950 dan 0,02817. Oleh karena itu, dapat
Hipotesis:
𝛼 = 5%
karena itu, dapat disimpulkan bahwa H0 ditolak sehingga dapat dikatakan dalam
data terdapat ketergantungan spasial pada variabel respon yang ditandai dengan
Hipotesis:
𝛼 = 5%
Hipotesis:
H1 : 𝛽𝑖 ≠ 0 (Parameter signifikan)
𝛼 = 5%
-----------------------------------------------------------------------------
Variable Coefficient Std.Error z-value Probability
-----------------------------------------------------------------------------
W_Y 0.810571 0.126109 6.42752 0.00000
CONSTANT -22.4239 1.8784 -11.9377 0.00000
X1 -0.0346435 0.00495385 -6.99324 0.00000
X2 1.31408 0.0837448 15.6915 0.00000
X3 0.259329 0.0164892 15.7272 0.00000
X4 1.39996 0.119238 11.7409 0.00000
X5 -0.00123415 0.00015044 -8.20362 0.00000
-----------------------------------------------------------------------------
Keterangan:
X1 = Produktivitas Padi
X2 = Jumlah Penduduk
X4 = Penduduk miskin
Wy = Variabel Spasial
39
a. Model
*************************************************************************
****
GWR (Geographically weighted regression) result
*************************************************************************
****
Bandwidth and geographic ranges
Bandwidth size: 0.860000
Coordinate Min Max Range
--------------- --------------- --------------- ---------------
X-coord 114.682558 115.540591 0.858033
Y-coord -8.670430 -8.211609 0.458821
Diagnostic information
Residual sum of squares: 0.045902
Effective number of parameters (model: trace(S)):
6.293990
Effective number of parameters (variance: trace(S'S)):
6.047830
Degree of freedom (model: n - trace(S)):
2.706010
Degree of freedom (residual: n - 2trace(S) + trace(S'S)):
2.459851
ML based sigma estimate: 0.071416
Unbiased sigma estimate: 0.136603
-2 log-likelihood: -21.965369
Classic AIC: -7.377390
AICc: 163.997641
BIC/MDL: -5.938836
CV: 0.175880
R square: 0.948360
Adjusted R square: 0.717014
Berdasarkan output yang diperoleh didapatkan bandwith sebesar 0,860000
dengan nilai CV minimum sebesar 0,175880. Pada hasil diatas diketahui pula
Residual sum of squares sebesar 0,045902 dimana semakin kecil nilainya, maka
semakin baik model yang terbentuk. Kemudian diketahui nilai AIC sebesar -
40
7,377390 yang berguna untuk menentukan model terbaik. Nilai R-squares sebesar
0,7117014 artinya variabel bebas yang ada dalam model dapat menjelaskan Y (IKP)
sebagai variabel respon sebesar 71,17% dan sisanya dijelaskan oleh variabel di luar
*************************************************************************
****
GWR ANOVA Table
*************************************************************************
****
Source SS DF MS
F
----------------- ------------------- ---------- --------------- --------
--
Global Residuals 0.059 3.000
GWR Improvement 0.013 0.540 0.024
GWR Residuals 0.046 2.460 0.019
1.287139
*************************************************************************
****
Pada hasil diatas, nilai F hitung sebesar 1,287139 dengan degree of freedom
(0,540; 2,460) dan taraf signifikansi 0,05 artinya model GWR yang diperoleh tidak
Model yang telah diperoleh, baik model SAR atau pun model GWR akan dipilih
model terbaik berdasarkan nilai AIC. Semakin kecil nilai AIC yang diperoleh, maka
SAR -14,734
GWR -7,377390
41
Sesuai tabel diatas, maka dapat disimpulkan bahwa model SAR lebih baik
PENUTUP
3.1 Kesimpulan Spatial Autoregressive Model (SAR) dan Geographically
kabupaten/kota tahun 2020 diperoleh model regresi terbaik yaitu model SAR.
Pemilihan model terbaik didasarkan pada model yang memiliki nilai AIC terkecil.
Pada model SAR nilai AIC sebesar 12,5923 dan model GWR sebesar 39,251411.
yang berhubungan dengan batas-batas tertentu atau disebut dengan data area berupa
data terkait persinggungan antar wilayah seperti batas kota, negara, provinsi,
tidak dapat digunakan untuk data yang diperoleh berdasarkan koordinat tertentu.
digunakan untuk analisis pada data yang berdasarkan pada posisi koordinat tertentu
disebut dengan pola titik seperti mata air, lampu jalan, alamat, dan kendaraan.
42
43
Elyana, M Arrie Kunilasari; Srinadi, I Gusti Ayu Made; Susilawati, Made. 2012.
“Pemodelan Angka Kematian Bayi Dengan Pendekatan Geographically
Weighted Poisson Regression Di Provinsi Bali.” E-Jurnal Matematika 1(1):
94–98. https://ojs.unud.ac.id/index.php/mtk/article/view/1790/1101.
Lestari, W. S., Pawitan, G., & Jaya, M. 2014. “Analisis Data Spasial Menggunakan
Metode Geographically Weighted Regression : Studi Kasus Data PDRB per
Kapita Di Provinsi Jawa Timur.” Seminar Nasional Statistika IV “Peranan
Statistika di Bidang Eksplorasi Energi Indonesia”. Departemen Statistika
FMIPA Universitas Padjajaran. Jatinangor, 14 September 2014: 1–11.
Ningtias, Yunita DA. 2021. “Analisis Spatial Autoregressive (Sar) Model Pada
Data Kemiskinan Di Provinsi Jawa Barat.” Seminar Nasional Statistika X.
http://prosiding.statistics.unpad.ac.id.
44