IJSA (2022), Vol. 01, No.

01, 1-5 Indonesian Journal of Statistics and Its Applications

Analisis Regresi Spasial untuk Memodelkan Jumlah Persediaan Suku

Cadang di Provinsi Jawa Timur

Fatma Ramadianti1, Zakiah Nurul Aulia 2, Faradila Agustin3, dan

Liswatun Naimah4
1,2,3,4
Program Studi Statistika, Universitas Negeri Jakarta, Indonesia
Email: 1fatmaramadianti_1314619020@mhs.unj.ac.id,
2
zakiahnurulaulia_1314619031@mhs.unj.ac.id,
3
faradilaagustin_1314619038@mhs.unj.ac.id,
3
liswatunnaimmah_1314619039@mhs.unj.ac.id,

Copyright © 2022 Fatma Ramadianti, Zakiah Nurul Aulia, Faradila Agustin, and Liswatun Naimah. This is an
open-access article distributed under the Creative Commons Attribution License, which permits unrestricted use,
distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract
Persediaan sangat penting artinya bagi suatuperusahaan. Perusahan penyedia jasa layanan
pemeliharaan mesin ATM dapatdianggap melakukan pelanggaran kontrak kerja dan dihadapkan
pada risiko pembayaaran denda, jika terjadi kerusakan mesin sementara suku cadang mesin tidak
tersedia di gudang, dan harus menunggu kedatangan dari supplier dalam waktu yang tidak dapat
dipastikan. Pengalokasian persediaan suku cadang dari perusahan pusatke gudang penyimpanan
suku cadang yang berada di berbagai wilayah harus dilakukan dengan optimum dan
efisien.Untuk menentukan pengalokasian persediaan suku cadang diperlukan suatu model yang
menjelaskan hubungan antara jumlah persediaan dan faktor-faktor yang mempengaruhi dan juga
faktor spasial atau wilayah.Tugas Akhir ini bertujuan untuk memodelkan jumlah persediaan
dengan faktor-faktor yang mempengaruhinya. Pemodelan dilakukan dengan pendekatan wilayah
(spasial). Pada model didapatkan dua variabel yang berpengaruh secara signifikan yaitu jumlah
kerusakan suku cadang dan lifetimesuku cadang dan didapatkan nilai AIC terkecil untuk SEM
yaitu 170.7701, sehingga model SEM lebih baik digunakan dalam menganalisis nilai jumlah
persedian suku cadang di Provinsi Jawa Timur dibandingkan dengan model SLM dan model
regresi OLS.
Kata Kunci: Persediaan Suku Cadang, Regresi Spasial, Spatial Eror Model (SEM),
Spatial Lag Model (SLM), Linear Regresi Model (OLS)

1. Pendahuluan

ATM (Automated Teller Machine) atau Anjungan Tunai Mandiri merupakan perangkat
yang dapat mengantikan sebagian besar fungsi tugas dari seorang teller dan sangat membantu

1
2 Ramadianti et al.

nasabah dalam mendapatkan pelayanan bank tanpa dibatasi oleh waktu operasional bank
tersebut. Pelayanan ATM adalah layanan perbankan yang dilakukan melalui mesin ATM yang
dapat melayani selama 24 jam, guna melakukan transaksi perbankan meliputi penarikan tunai,
inquiry saldo (informasi saldo) rekening tabungan, setoran tunai dan melakukan berbagai jenis
pembelian dan pembayaran tagihan.Selain dapat membantu nasabah terkadang mesin ATM
seringkali mengalami masalah kerusakan mesin.
Perusahaan penyedia jasa pemeliharaan mesin ATM dapat dianggap melakukan
pelanggaran kontrak kerja dan dihadapkan pada risiko pembayaaran denda jika terjadi
kerusakan mesin sementara suku cadang mesin tidak tersedia di gudang, dan harus menunggu
kedatangan dari supplier dalam waktu yang tidak dapat dipastikan. Untuk itu pengalokasian
persediaan suku cadang dari perusahan pusat ke gudang penyimpanan suku cadang
(warehouse) yang berada di berbagai wilayah harus dilakukan dengan optimum dan efisien.
Penentuan alokasi jumlah persediaan dapat dipengaruhi oleh beberapa faktor, dan juga
dipengaruhi oleh wilayah di sekitarnya. Untuk menentukan pengalokasian persediaan suku
cadang diperlukan suatu model yang menjelaskan hubungan antara jumlah persediaan dan
faktor-faktor yang mempengaruhi dan juga faktor spasial atau wilayah.
Di dalam suatu observasi yang mengandung informasi ruang atau spasial, maka analisis
data tidak akurat jika hanya menggunakan analisis regresi sederhana. Jika menggunakan
analisis regresi sederhana maka terjadi pelanggaran asumsi seperti nilai sisa berkorelasi
dengan yang lain dan varian tidak konstan. Jika informasi ruang atau spasial diabaikan pada
data yang memiliki informasi ruang atau spasial dalam analisis, maka koefisien regresi
menjadi tidak konsisten.
Suatu analisis pemodelan regresi untuk mengetahui faktor- faktor yang mempengaruhi
jumlah persediaan yang dipengaruhi oleh karakteristik wilayah sangat penting. Pada beberapa
kasus, variabel respon yang diamati memiliki keterkaitan dengan hasil pengamatan di wilayah
yang berbeda, terutama wilayah yang berdekatan. Adanya hubungan spasial dalam variabel
respon menyebabkan pendugaan menjadi tidak tepat karena asumsi keacakan suatu error
dilanggar. Untuk mengatasi permasalahan tersebut diperlukan suatu model regresi yang
memasukkan hubungan spasial antar wilayah ke dalam model. Adanya informasi hubungan
spasial antar wilayah menyebabkan perlu adanya keragaman spasial ke dalam model, sehingga
model yang digunakan adalah model regresi spasial. Beberapa metode yang telah berkembang
adalah Ordinary Least Square (OLS), Spatial Lag Model (SLM), dan Spatial Error Model
(SEM) didasarkan pada efek lag spasial dan error spasial dengan menggunakan pendekatan
area.
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022) 3

2. Metodologi

Pada penelitian ini digunakan analisis regresi spasial dengan autokorelasi spasial
menggunakan uji moran’s I untuk memodelkan jumlah persediaan suku cadang dengan faktor-
faktor yang mempengaruhinya. Pemodelan dilakukan dengan pendekatan wilayah (spasial).

2.1 Bahan dan Data

Data yang digunakan pada penelitian ini adalah data sekunder mengenai jumlah
persediaan suku cadang mesin ATM di Jawa Timur dari PT. XYZ yang merupakan penyedia
jasa pemeliharaan mesin ATM pada periode Januari 2015 - Desember 2016.
ATM (Automated Teller Machine) atau Anjungan Tunai Mandiri merupakan perangkat
yang dapat mengantikan sebagian besar fungsi tugas dari seorang teller dan sangat membantu
nasabah dalam mendapatkan pelayanan bank tanpa dibatasi oleh waktu operasional bank
tersebut.
Perusahaan penyedia jasa pemeliharaan mesin ATM dapat dianggap melakukan
pelanggaran kontrak kerja dan dihadapkan pada risiko pembayaaran denda jika terjadi
kerusakan mesin sementara suku cadang mesin tidak tersedia di gudang, dan harus menunggu
kedatangan dari supplier dalam waktu yang tidak dapat dipastikan. Untuk itu pengalokasian
persediaan suku cadang dari perusahan pusat ke gudang penyimpanan suku cadang (warehouse)
yang berada di berbagai wilayah harus dilakukan dengan optimum dan efisien.
Penentuan alokasi jumlah persediaan dapat dipengaruhi oleh beberapa faktor, dan juga
dipengaruhi oleh wilayah di sekitarnya. Untuk menentukan pengalokasian persediaan suku
cadang diperlukan suatu model yang menjelaskan hubungan antara jumlah persediaan dan
faktor-faktor yang mempengaruhi dan juga faktor spasial atau wilayah.

2.2 Variabel yang Digunakan

Kode Variabel Keterangan

Jumlah kerusakan Suku Jumlah kerusakan suku cadang terhadap 1000

𝑿𝟏
cadang kali transaksi
Harga suku cadang Harga suku cadang terhadap total budget
𝑿𝟐
4 Ramadianti et al.

𝑿𝟑 Lifetime suku cadang Lifetime suku cadang terhadap 1000 kali

transaksi
Perawatan mesin Jumlah perawatan mesin dalam 1000
𝑿𝟒
kalitransaksi
Jumlah pengiriman Jumlah pengiriman suku cadang terhadap
𝑿𝟓
total pengiriman

2.3 Metode Penelitian

Analisis yang digunakan dalam penelitian ini adalah analisis regresi spasial. Analisis
regresi spasial merupakan pengembangan dari analisis regresi yang mengakomodir
permasalahan yang timbul pada data spasial. Pada saat data mempunyai komponen lokasi,
terdapat dua masalah yang muncul yaitu adanya ketergantungan spasial antar pengamatan
(spatial dependence) dan heterogenitas spasial (spatial heterogenity) dalam proses
pemodelan(Lesage J.P, 1999). Spatial dependence mengakibatkan terjadinya autokorelasi
spasial (spatial autocorrelation) sedangkan spatial heterogenity mengakibatkan varians yang
tidak konstan. Beberapa model regresi spasial adalah sebagai berikut:

❖ Spatial Autoregressive Model (SAR)

Spatial Autoregressive Model (SAR) merupakan model regresi linier yang
terjadi karena terdapat ketergantungan nilai variabel dependen pada suatu wilayah
dengan wilayah lain. Model umum untuk SAR yaitu (LeSage, 1998) :

𝑦 = 𝜌𝑾𝒚 + 𝑿𝜷 + 𝜀 …………………………......(1)
𝜀~𝑁(0, 𝜎 2 𝑙𝑛 )

Dimana:
𝑦 = vektor variabel dependen berukuran n x 1
𝜌 = koefisien variabel dependen lag spasial
𝑾 = matriks bobot spasial
𝑿 = matriks variabel independen berukuran n x k
𝜷 = parameter yang mencerminkan pengaruh variabel independen terhadap
variasi pada variabel dependen
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022) 5

❖ Spatial Error Model (SEM)

Spatial Error Model (SEM) merupakan model regresi linier yang terjadi karena
terdapat ketergantungan error pada suatu wilayah dengan wilayah lain. Model umum
untuk SEM yaitu (LeSage, 1998) :

𝑦 = 𝑿𝜷 + 𝒖 ……..……….................(2)
𝑢 = 𝜆𝑾𝒖 + 𝜀
𝜀~𝑁(0, 𝜎 2 𝑙𝑛 )

𝑦 = vektor variabel dependen berukuran n x 1

𝑿 = matriks variabel independen berukuran n x k
𝜷 = parameter yang mencerminkan pengaruh variabel independen terhadap
variasi pada variabel dependen
𝜆 = parameter yang merupakan koefisien error korelasi spasial
𝑾 = matriks bobot spasial

Tahapan analisis data yang dilakukan yaitu :

1. Analisis deskriptif menggunakan peta tematik
2. Melakukan estimasi parameter dengan model regresi linier klasik
3. Melakukan uji asumsi klasik
4. Menghitung matriks pembobot spasial dengan Queen Contiguity
5. Melakukan uji Moran’s I
6. Melakukan uji Lagrange Multiplier
7. Melakukan estimasi parameter dengan model regresi spasial yang terpilih pada uji
Lagrange Multiplier
8. Interpretasi model regresi spasial

Matriks Pembobot Spasial

Matriks pembobot spasial merupakan matriks simetris positif berukuran n x n dimana n
adalah jumlah lokasi. Matriks pembobot spasial menunjukkan hubungan antar lokasi. Matriks
tersebut diperoleh berdasarkan ketetanggaan (contiguity) dan jarak.

Uji Moran’s I
Ketergantungan antara suatu lokasi dengan lokasi lain yang letaknya berdekatan
 6 Ramadianti et al.

menyebabkan terjadinya autokorelasi spasial. Salah satu uji yang digunakan dalam pemeriksaan
keberadaan autokorelasi spasial secara global yaitu Moran's I yang dapat diperoleh dengan
formula sebagai berikut (Grekousis G, 2020) :

𝑛 ∑𝑛 𝑛
𝑖=1 ∑𝑗=1 𝑤𝑖𝑗 (𝑥𝑖 −𝑥̅ )(𝑥𝑗 −𝑥̅ )
𝐼 = ∑𝑛 𝑛 ∙ ∑𝑛 2
………………….(3)
∑
𝑖=1 𝑗=1 𝑤𝑖𝑗 𝑖 (𝑥𝑖 −𝑥̅ )

Dinama :
I = global Moran’s I
n = jumlah observasi spasial
𝑥𝑖 = variabel observasi ke-i
𝑥𝑗 = variabel observasi ke-i
𝑥̅ = rata-rata variabel
𝑤𝑖𝑗 = bobot spasial antara observasi I dan j

Moran’s I memiliki nilai yang berkisar antara -1 < I < 1. Adapun hipotesis pengujian yang
dilakukan yaitu :
𝐻0 ∶ 𝐼 = 𝐸(𝐼) (tidak terdapat autokorelasi spasial)
𝐻1 ∶ 𝐼 ≠ 𝐸(𝐼) (terdapat autokorelasi spasial)

Uji Lagrange Multiplier

❖ Uji Lagrange Multiplier Lag
Uji Lagrange Multiplier Lag dilakukan dalam pemeriksaan kebedardaan autokorelasi
spasial lag pada variabel dependen. Hipotesis pengujian yang dilakukan yaitu :
𝐻0 ∶ 𝜌 = 0 (tidak terdapat autokorelasi spasial lag pada variabel dependen)
𝐻1 ∶ 𝜌 ≠ 0 (terdapat autokorelasi spasial lag pada variabel dependen)
❖ Uji Lagrange Multiplier Error
Uji Lagrange Multiplier Error dilakukan dalam pemeriksaan keberadaan autokorelasi
spasial pada error. Hipotesis pengujian yang dilakukan yaitu:
𝐻0 ∶ 𝜆 = 0 (tidak terdapat autokorelasi spasial pada error)
𝐻1 ∶ 𝜆 ≠ 0 (terdapat autokorelasi spasial pada error)
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022) 7

3. Hasil dan Pembahasan

Tabel 3. 1 Analisis Deskriptif Jumlah Persedian Suku Cadang di Provinsi Jawa Timur

Provinsi N Minimum Maximum Rata-rata Std.Devias

Jumlah persediaan suku 2.464
38 1,00 10 5,658
cadang (Y)
Jumlah kerusakan Suku 2,437
38 1,00 10 5,711
cadang (X1)
Harga suku cadang (X2) 38 1,00 10 4,026 2,224
Lifetime suku cadang (X3) 38 1,00 10 4,947 2,731
Perawatan mesin (X4) 38 1,00 10 6,079 2,685
Jumlah pengiriman (X5) 38 1,00 10 5,395 2,697

Dapat terlihat pada tabel 3.1 terdiri dari satu variabel terikat (𝑌) yakni jumlah persedian
suku cadang setiap kota/kabupaten di Jawa Timur dengan rata–rata 5,658 dan 5 variabel bebas
(𝑋) sebagai faktor–faktor yang mempengaruhi jumlah persedian suku cadang di Jawa Timur
yaitu (𝑋1 ) dengan rata-rata 5,711, (𝑋2 ) dengan rata-rata 4,026, (𝑋3 ) dengan rata-rata 4,947,
(𝑋4 ) dengan ratarata 6,079, dan (𝑋5 ) dengan rata-rata 5,395.
Hasil pemetaan jumlah persedian suku cadang untuk setiap kota/kabupaten di Provinsi
Jawa Timur disajikan pada gambar 3.1

Gambar 3. 1 Peta Penyebaran Jumlah Persedian Suku Cadang di Jawa Timur

Berdasarkan gambar 3.1 wilayah-wilayah tersebut dikelompokkan dalam 5 interval

yakni mulai dari wilayah yang warnanya cokelat tua sampai yang termuda. Jika warnanya
semakin gelap maka semakin banyak jumlah persedian suku cadang di Kabupaten/Kota tersebut
dan begitupula sebaliknya. Pemetaan jumlah persedian suku cadang adalah sebagai langkah
awal dalam mendeteksi adanya autokorelasi secara sekilas sebelum melakukan pengujian.
8 Ramadianti et al.

3.1 Linear Regression Model (LRM)

Untuk dapat membandingkan model-model pada regresi spasial dibutuhkan
pembanding utama yaitu Linear Regresi atau metode Ordinary Least Square (OLS) seperti pada
regresi berganda. Tabel 3.2 menyajikan estimasi parameter jumlah persedian suku cadang di
Provinsi Jawa Timur dengan metode OLS menggunakan software R.
Tabel 3. 2 Estimasi Parameter Metode OLS

Variabel Estimasi Std. Error thitung P value

Konstanta 2,833122 2,195302 1,291 0,20611
X1 0,525323 0,149956 3,503 0,00138
X2 0,257998 0,184968 1,395 0,17268
X3 -0,312283 0,132563 -2,356 0,02478
X4 -0,005221 0,147597 -0,035 0,97200
X5 0,067258 0,159580 0,421 0,67623

Pada table 3.2, dapat dilihat variabel yang signifikan pada α =10% yaitu 𝑋1 dan 𝑋3.
Model Linear Regresi untuk data jumlah persedian suku cadang di Jawa Timur adalah sebagai
berikut :
𝑌 = 2,833122 + 0,525323𝑋1 + 0,257998𝑋2 − 0,312283𝑋3 − 0,005221𝑋4
+ 0,067258X5 + 𝜀𝐼

3.2 Pengujian Efek Spasial

Untuk mengidentifikasi pengaruh spasial didalam suatu model dapat menggunakan
statistik uji Moran I dan Lagrange Multiplier (LM).
Tabel 3. 3 Uji Efek Spasial

Uji Nilai P value

Moran’s I (error) 0,257 0.00925
Lagrange Multiplier (lag) 2,936 0.08664
Lagrange Multiplier (error) 3,533 0.06062

Berdasarkan tabel 3.3, dapat dilihat bahwa p-value uji Moran I signifikan pada taraf α =
10% yang berarti terdapat pengaruh spasial pada jumlah persedian suku cadang di Provinsi
Jawa Timur begitupula pada uji Lagrange Multiplier terlihat bahwa Lagrange Multiplier (lag)
dan Lagrange Multiplier (error) signifikan pada α = 10% sehingga dapat diambil kesimpulan
bahwa terdapat pengaruh spasial lag dan spasial error.
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022) 9

3.3 Spatial Lag Model (SLM)

Pendugaan parameter Spatial Lag Model (SLM) dilakukan dengan metode maximum
Likelihood Estimator (MLE). Matriks penimbang yang digunakan adalah queen contiguity.
Berikut ini merupakan hasil estimasi parameter Spatial Lag Model (SLM) menggunakan
Software R :
Tabel 3. 4 Penduga Parameter Spatial Lag Model

Variabel Estimasi Std. Error z value P value

Konstanta 0,914183 2,180155 0,4193 0.67498
X1 0,532425 0,131359 4,0532 5.052e-05
X2 0,260727 0,161829 1,6111 0.10715
X3 -0,297114 0,116588 -2,5484 0.01082
X4 0,034633 0,130202 0.2660 0.79024
X5 0,056192 0,139627 0.4024 0.68736
Rho 0.27124

Pada tabel 3.4 diperoleh bahwa dari kelima peubah yang digunakan terdapat dua peubah
yang berpengaruh secara signifikan terhadap jumlah persedian suku cadang yaitu X1 dan X3.
Persamaan Spatial Lag Model (SLM) yang terbentuk berdasarkan Tabel 3.4 adalah sebagai
berikut :
𝑌 = 0,914183 + 0,532425𝑋1 + 0,260727𝑋2 − 0,297114𝑋3 + 0,034633𝑋4
𝑛

+ 0,056192X5 + 0.27124 ∑ 𝑤𝑖𝑗 𝑦𝑖

𝑖=1,𝑖≠𝑗

3.4 Spatial Error Model (SEM)

Pendugaan parameter Spatial Error Model (SEM) dilakukan dengan metode maximum
Likelihood Estimator (MLE). Matriks penimbang yang digunakan adalah queen contiguity.
Berikut ini merupakan hasil estimasi parameter Spatial Error Model (SEM) menggunakan
Software R :
Tabel 3. 5 Penduga Parameter Spatial Error Model (SEM)

Variabel Estimasi Std. Error z value P value

Konstanta 2.336843 1.815806 1.2869 0.19811
X1 0.551483 0.126837 4.3480 1.374e-05
X2 0.249936 0.158531 1.5766 0.11489
X3 -0.293057 0.123733 -2.3685 0.01786
X4 0.036059 0.126438 0.2852 0.77550
X5 0.070562 0.139202 0.5069 0.61222
Lambda 0.33426
10 Ramadianti et al.

Pada tabel 3.5 diperoleh bahwa dari kelima peubah yang digunakan terdapat dua peubah
yang berpengaruh secara signifikan terhadap jumlah persedian suku cadang yaitu X1 dan X3.
Persamaan Spatial Error Model (SEM) yang terbentuk berdasarkan Tabel 3.5 adalah sebagai
berikut :
𝑌 = 2.336843 + 0.551483𝑋1 + 0.249936𝑋2 − 0.293057𝑋3 + 0.036059𝑋4
𝑛

+ 0.070562X5 + 0.33426 ∑ 𝑤𝑖𝑗 𝑦𝑖

𝑖=1,𝑖≠𝑗

3.5 Perbandingan SLM dan SEM Melalui Linear Regresi Model

Tabel 3. 6 Perbandingan Model Menggunakan AIC

Model AIC
Linear Regresi Model /OLS 172.2201
Spatial Lag Model (SLM) 171.4139
Spatial Error Model (SEM) 170.7701

Berdasarkan table 3.6 terlihat bahwa model SEM memiliki nilai AIC terkecil yaitu
170.7701, ehingga model SEM lebih baik digunakan dalam menganalisis nilai jumlah persedian
suku cadang di Provinsi Jawa Timur dibandingkan dengan model SLM dan model regresi OLS.

4. Simpulan dan Saran

Berdasarkan analisis dan hasil yang sudah dibahas sebelumnya, diperoleh kesimpulan
sebagai berikut:

1. Dari pengujian Indeks Moran diperoleh kesimpulan bahwa pada taraf signifikansi 10%
dinyatakan terdapat autokorelasi spasial tehadap jumlah persediaan suku cadang sebesar
0,257 berada pada rentang 0 < I ≤ 1 dan menunjukkan adanya autokorelasi spasial
positif. Hal ini mengindikasikan adanya kemiripan nilai (jumlah) persediaan suku
cadang pada daerah-daerah yang berdekatan
2. Berdasarkan hasil analisis pada jumlah persediaan suku cadang didapatkan adanya
dependensi dalam lagdan error, maka dilakukan pemodelan Spatial Lag Model (SLM)
dan Spatial Error Model (SEM). Model SLM didapatkan variabel predictor yang
signifikan pada α = 10% adalah variabel jumlah kerusakansuku cadang (𝑋1), dan
lifetimesuku cadang (𝑋3). Model SAR yang didapatkan adalah sebagai berikut:
Indonesian Journal of Statistics and Its Applications. Vol 01 No 01 (2022) 11

𝑌 = 0,914183 + 0,532425𝑋1 + 0,260727𝑋2 − 0,297114𝑋3 + 0,034633𝑋4

𝑛

+ 0,056192X5 + 0.27124 ∑ 𝑤𝑖𝑗 𝑦𝑖

𝑖=1,𝑖≠𝑗

Dari model spasial SEM juga didapatkan variabel prediktor yang signifikan pada α =
10% adalah variabeljumlah kerusakan suku cadang (𝑋𝑋1), danlifetime suku cadang
(𝑋𝑋3). Model SEM yang didapatkan adalah sebagai berikut:
𝑌 = 2.336843 + 0.551483𝑋1 + 0.249936𝑋2 − 0.293057𝑋3 + 0.036059𝑋4
𝑛

+ 0.070562X5 + 0.33426 ∑ 𝑤𝑖𝑗 𝑦𝑖

𝑖=1,𝑖≠𝑗

3. Dari beberapa model yang sudah terbentuk, didapatkan model terbaik yaitu Spatial
Error Model (SEM) dengan nilai AIC sebesar 170.7701.

Berdasarkan hasil analisis serta kesimpulan yang diperoleh, saran untuk penelitian
selanjutnya dapat menambah faktor-faktor sebagai variabel prediktor yang mempengaruhi
Jumlah persediaan suku cadang, selain itu ukuran sampel sangat berpengaruh dalam pemodelan
statistika. Ukuran sampel yang kecil akan menghasilkan estimator yang konsisten tetapi
mengandung bias. Maka dari itu, bias digunakan metode resampling Bootstrap yang merupakan
salah satu cara dalam mengatasi masalah sampel yang kecil.

Daftar Pustaka

Afifah, Siti Nur. 2017. “Pemodelan Alokasi Persediaan Suku Cadang Dengan
Mempertimbangkan Pengaruh Spasial.” Institut Teknologi Sepuluh Nopember.
Grekousis G. (2020). Spatial Analysis Methods and Practice. Cambridge University Press.
Hidayat, Ashrul. 2014. “Perbandingan Spatial Error Model dan Spatial Lag Model pada
Pemodelan Regrei Spasial dengan Pendekatan Bootstrap.” Univeritas Braijaya.
LeSage, J. (1998). Spatial Econometrics Toolbox. A Companion to Theoretical Econometrics,
273. http://www.spatial-econometrics.com/
Lesage J.P. (1999). The Theory and Practice of Spatial Econometrics. Department of
Economics University of Toledo.
Anselin L. 1988. Spatial Econometrics: Methods and Models. Dordrecht:Academic Piblishers.
Drapper N. R dan H. Smith. 1992 .Applied Regression Analysis. New York : John Willey and
Sons , inc.
Dubin R. 2009. Spatial Weight. Fotheringham AS, PA Rogerson, editor, Handbook of Spatial
Analysis. London : Sage Publications.