Prosiding Seminar Nasional MIPA 2016

“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”

Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Pemodelan Geographically Weighted Logistic Regression

pada Indeks Pembangunan Kesehatan Masyarakat
di Provinsi Papua
M. Fathurahman1,2,*, Purhadi3, Sutikno3, Vita Ratnasari3
1
Mahasiswa Program Doktor Jurusan Statistika, FMIPA Institut Teknologi Sepuluh Nopember
2
Program Studi Statistika Jurusan Matematika, FMIPA Universitas Mulawarman
3
Jurusan Statistika, FMIPA Institut Teknologi Sepuluh Nopember
*E-mail: fathur@fmipa.unmul.ac.id

Abstrak

Model Geographically Weighted Logistic Regression (GWLR) merupakan pengembangan dari model
regresi logistik yang mempertimbangkan faktor lokasi. Faktor ini digunakan sebagai pembobot dan
memiliki nilai yang berbeda untuk setiap lokasi yang menunjukkan sifat lokal pada model GWLR.
Penaksiran parameter model GWLR menggunakan metode Maximum Likelihood Estimation (MLE)
terboboti. Pembobot yang digunakan adalah pembobot fungsi kernelGaussian dan Bisquare. Pengujian
hipotesis model GWLR menggunakan metode Maximum Likelihood Ratio Test (MLRT) dan uji Wald.
Model GWLR diaplikasikan pada pemodelan faktor-faktor yang mempengaruhi Indeks Pembangunan
Kesehatan Masyarakat (IPKM) kabupaten/kota di provinsi Papua tahun 2013. Hasil penelitian
menunjukkan bahwa penaksir parameter model GWLR yang diperoleh dengan metode MLE berbentuk
fungsi yang tidak closed-form. Penaksir parameter model GWLR dapat diperoleh dengan metode iterasi
Newton-Raphson. Statistik uji pada pengujian hipotesis model GWLR mendekati distribusi F, chi-square,
dan normal standar. Model GWLR terbaik pada pemodelan IPKM kabupaten/kota di provinsi Papua
tahun 2013 adalah model GWLR dengan pembobot fungsi kernel Gaussian. Faktor-faktor yang
mempengaruhi IPKM kabupaten/kota di provinsi Papua tahun 2013 berdasarkan model GWLR adalah
persentase penduduk yang tamat perguruan tinggi dan persentase penduduk miskin.

Kata Kunci: GWLR, MLE, Newton-Raphson, MLRT, IPKM.

1. Pendahuluan Regression (GWMLR) dan aplikasinya pada

Analisis regresi merupakan suatu metode
statistika yang dapat menjelaskan hubungan antara
variabel respon dan variabel bebas. Pada umumnya
analisis regresi untuk data spasial digunakan untuk
menganalisis data dengan variabel respon
kuantitatif (kontinu) yang berdistribusi normal.
Akan tetapi dalam prakteknya seringkali dijumpai
variabel responkualitatif (kategorik). Misalnya
dalam bidang pendidikan, sosial, ekonomi, dan
kesehatan.
Salah satu model regresi yang dapat
menjelaskan hubungan antara variabel respon
kategorik dengan variabel bebas adalah model
regresi logistik. Model regresi logistik yang dikaji
dalam penelitian ini adalah model regresi
logistikdikotomus (biner) atau sering disebut
dengan model regresi logistik (Hosmer,
Lemeshow, and Surdivant 2013).
Beberapa penelitian yang mengkaji
pengembangan model regresi logistik untuk data
spasial diantaranya adalah model Geographically
Weighted Logistic Regression (GWLR) yang
digunakan untuk menjelaskan ketergantungan pada
lokasi geografis dari hubungan antara erosi sungai
dengan beberapa variabel yang mempengaruhi
erosi di sungai Dyfi Afon, West Wales (Atkinson,
German, Sear, and Clarck 2003). Model
Geographically Weighted Multinomial Logistic
pertumbuhan pendatang di kota Springfield,
Missouri (Luo and Kanala, 2008). Model
Multinomial Logit Geographically Weighted
Regression (MNLGWR) dan aplikasinya pada
pemodelan transportasi(Wang, Kockelman, and
Wang 2011). Model Geographically Weighted
Ordinal Logistic Regression (GWOLR) dan
aplikasinya pada pemodelan faktor-faktor yang
mempengaruhi tingkat kerawanan desa terhadap
penyakit Demam Berdarah Denguedi Kabupaten
Lamongan (Rifada and Purhadi 2011).Model
Geographically Weighted Ordinal Logistic
Regression Semiparametric (GWOLRS) dan
aplikasinya pada pemodelan faktor-faktor yang
mempengaruhi tingkat kerawanan desa atau
kelurahan terhadap penyakit Demam Berdarah
Dengue di kota Makassar (Asrafiah and Purhadi
2012). Kajian teori mengenai penaksiran parameter
dan pengujian hipotesis model GWMLR
(Fathurahman, Purhadi, Sutikno, and Ratnasari
2014).Pemodelan GWMLR pada Indeks
Pembangunan Manusia (IPM) dan status daerah
bermasalah kesehatan kabupaten/kota di pulau
Sumatera (Fibriyani, Latra, and Purhadi 2015).
Penelitian ini mengkaji model regresi logistik
spasial, yaitu model GWLR. Kajian pada model
GWLR dilakukan secara teori maupun terapan.
Pada kajian teori dibahas penaksiran parameter dan

34
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

pengujian hipotesis. Pada penaksiran parameter

digunakan pembobot fungsi kernel Gaussian dan
Bi-square(Wang, Kockelman, and Wang
2011).Sedangkan pada kajian terapan dilakukan
pemodelan terhadap faktor-faktor yang
mempengaruhi Indeks Pembangunan Kesehatan
Masyarakat (IPKM) kabupaten/kota di provinsi
Papua tahun 2013. IPKM merupakan indikator
komposit yang menggambarkan kemajuan
pembangunan kesehatan dan bermanfaat untuk
menentukan peringkat provinsi dan kabupaten/kota
dalam mencapai keberhasilan pembangunan
kesehatan masyarakat. IPKM dapat juga digunakan
untuk menentukan prioritas daerah yang
memerlukan bantuan dalam peningkatan
pembangunan kesehatan (Kementerian Kesehatan
2014).
Berdasarkan hasil publikasi IPKM oleh Badan
Penelitian dan Pengembangan Kesehatan
Gambar 1. Peta Provinsi Papua
(Balitbangkes) Kementerian Kesehatan tahun
2013, provinsi Papua menempati peringkat IPKM
2.2 Metode Analisis Data
terendah dari seluruh provinsi di Indonesia, yaitu
Metode yang digunakan dalam analisis data
peringkat ke-33 dari 33 provinsi di seluruh
pada penelitian ini adalah model regresi logistik
Indonesia dengan capaian nilai IPKM sebesar
dan model GWLR.
0,4387.Nilai IPKM ini menunjukkan bahwa
provinsi Papua termasuk dalam kategori daerah
bermasalah kesehatan (Kementerian Kesehatan 2.2.1 Model Regresi Logistik
Model regresi logistik dengan k variabel bebas
2010).
dapat dinyatakan seperti persamaan (1).
2. Metode exp(βT x)
 ( x)  (1)
Metode yang digunakan dalam penelitian ini 1  exp(βT x)
terbagi menjadi dua bagian yaitu metode Jika dilakukan transformasi logit terhadap
pengumpulan data dan metode analisis data yang persamaan (1), maka diperoleh model regresi
secara rinci diuraikan berikut ini. logistik,
  (x)  T , (2)
2.1 Metode Pengumpulan Data g (x)  ln  β x
Data yang digunakan dalam penelitian ini  1   ( x) 
dengan x  1 x1  xk  menyatakan
T
adalah data sekunder yang diperoleh dari Badan vektor
Pusat Statistik (BPS) dan Balitbangkes
Kementerian Kesehatan. Data yang diperlukan variabel bebas, βT    0
1   k  adalah
pada penelitian ini meliputi IPKM sebagai variabel vektor parameter koefisien.
respon (y) dengan kategori 0 = IPKM < cut-off, 1 Model regresi logistikdapat diperoleh dengan
= IPKM > cut-off, dimana cut-off = rata-rata melakukan penaksiran terhadap parameter model
IPKM Indonesia – standar deviasi IPKM menggunakan metode MLE dan iterasi Newton-
Indonesia, persentase penduduk yang tamat Raphson.
perguruan tinggi(x1), persentase penduduk Untuk mengetahui adanya pengaruh variabel
miskin(x2), peranan kabupaten/kota terhadap bebas terhadap variabel respon dilakukan
Produk Domestik Regional Bruto (PDRB)(x3), dan pengujian hipotesis terhadap parameter model
rasio dokter per puskesmas (x4) sebagai variabel menggunakan metode MLRT dan uji Wald.
bebas. Selain variabel respon dan variabel bebas Metode MLRT digunakan untuk uji serentak dan
digunakan juga dua variabel geografis mengenai uji Wald digunakan untuk uji parsial.
lokasi kabupaten/kota di provinsi Papua,
yaitukoordinat bujur (u) dan koordinat lintang (v). 2.2.2 Model GWLR
Dua variabel tersebut digunakan untuk Dalam penelitian ini model GWLR digunakan
menentukan pembobot spasial pada model GWLR. untuk analisis data yang mempertimbangkan faktor
Unit pengamatan pada penelitian ini adalah lokasi. Setiap lokasi masing-masing mempunyai
kabupaten/kota di provinsi Papua pada tahun 2013 model. Model GWLR dengan k variabel bebas
yang terdiri dari 28 kabupaten dan 1 kota. dapat ditulis seperti persamaan (3).
Sehingga jumlah keseluruhan dari unit pengamatan exp(βT (ui , vi )x)
adalah sebanyak 29 kabupaten/kota seperti terlihat  ( x)  (3)
1  exp(βT (ui , vi )x)
pada Gambar 1.

35
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Untuk mendapatkan model GWLR yang linier 

 n  k 
1


terhadap parameternya, dilakukan transformasi   1  exp   j (ui , vi ) xmj  
logit terhadap persamaan (3) sehingga diperoleh  m1 
 j 0  

model GWLR seperti persamaan (4). k  n  
exp    ym xmj   j (ui , vi ) 
  ( x)  T
g (x)  ln    β (ui , vi )x
, (4)  j 0  m1  
 1   ( x)  (4)
dengan x  1 x1  xk  , Selanjutnya membentuk fungsi ln likelihood,
T

k
 n 
βT (ui , vi )    0 (ui , vi ) 1 (ui , vi )   k (ui , vi )  ln L  β(ui , vi )      ym xmj   j (ui , vi ) 
j  0  m 1 
adalah berturut-turut vektor variabel bebas dan
n   k  
vektor parameter koefisien.  ln 1  exp    j (ui , vi ) xmj  
Seperti pada model regresi logistik, model m 1   j 0  
GWLR dapat diperoleh dengan melakukan (5)
penaksiran terhadap parameter modelnya Faktor letak geografis merupakan faktor
menggunakan metode MLE dan iterasi Newton- pembobot pada model GWLR. Faktor ini memiliki
Raphson. Metode MLE tersebut diberi pembobot nilai yang berbeda untuk setiap lokasi yang
spasial yang disebut dengan pembobot fungsi menunjukkan sifat lokal pada model GWLR. Oleh
kernel. Pembobot fungsi kernel yang digunakan karena itu, pembobot diberikan pada fungsi ln
adalah pembobot fungsi kernel Gaussian dan likelihood untuk mendapatkan model GWLR.
Bisquare (Fotheringham,Brunsdon,and Charlton Misalkan pembobot untuk setiap lokasi
2002).
(ui , vi ) adalah wm (ui , vi ) , m  1, 2,, n maka
Untuk mengetahui adanya pengaruh variabel
bebas terhadap variabel respon dilakukan diperoleh fungsi likelihood terboboti seperti
pengujian hipotesis terhadap parameter model persamaan (6).
k
 n 
menggunakan metode MLRT dan uji Wald. L*     wm (ui , vi ) ym xmj   j (ui , vi ) 
Metode MLRT digunakan untuk pengujian j  0  m 1 
kesamaan antara model GWLR dan model regresi n   k  
logistik dan pengujian serentak. Uji Wald  wm (ui , vi ) ln 1  exp    j (ui , vi ) xmk  
digunakan untuk pengujian parsial.
m 1   j 0  
Model GWLR diaplikasikan pada pemodelan (6)
faktor-faktor yang mempengaruhi IPKM Penaksiran parameter dilakukan dengan
kabupaten/kota di provinsi Papua tahun 2013. melakukan turunan parsial pertama persamaan(6)
Langkah-langkah analisis untuk mengetahui terhadap parameter yang akan ditaksirdan
faktor-faktor yang mempengaruhi IPKM kemudian disamakan dengan nol, sehingga
kabupaten/kota di provinsi Papua tahun 2013 diperoleh
L* n
adalah melakukan statistika deskriptif sebagai   wm (ui , vi ) ym xmj 
gambaran awal untuk mengetahui IPKM  β j (ui , vi ) m 1
kabupaten/kota di provinsi Papua tahun 2013, n

melakukan pemodelan regresi logistik univariabel,  xmk  (x m ) wm (ui , vi )  0 (7)

m 1
melakukan pengujian multikolinieritas pada Berdasarkan persamaan (7) diperoleh fungsi
variabel bebas yang terpilih berdasarkan yang tidak closed-form. Oleh karena itu untuk
pemodelan regresi logistic univariabel, melakukan mendapatkan penaksir parameter model GWLR
pemodelan regresi logistikmultivariabel, digunakan pendekatan numerik. Salah satu
melakukan pemodelan GWLR, melakukan pendekatan numerik yang dapat digunakan adalah
pemilihan model terbaik, dan menarik kesimpulan. metode iterasi Newton-Raphson. Metode ini
membutuhkan turunan kedua fungsi ln likelihood
3. Hasil dan Pembahasan terboboti terhadap parameter yang akan ditaksir.
Bagian ini membahas mengenai penaksiran Hasil turunan parsial kedua yang diperoleh adalah
parameter, pengujian hipotesis, dan aplikasi model seperti persamaan (8).
GWLR.  2 L*
3.1 Penaksiran Parameter Model GWLR  β j (ui , vi ) β j* (ui , vi )
Penaksiran terhadap parameter model GWLR n

dilakukan dengan metode MLE. Langkah awal   xmk xmj* wm (ui , vi ) (xm )(1   (xm ))
m 1
adalah membentuk fungsi likelihood seperti (8)
persamaan (4). Persamaan yang digunakan dalam proses
n n
L  β(ui , vi )    P(Y  y m )    (xm ) ym (1   (xm ))1 ym iterasi Newton-Raphson untuk mendapatkan nilai
m 1 m 1
βˆ (ui , vi ) adalah

36
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

1
β(t 1) (ui , vi )  β(t ) (ui , vi )  H(β(t ) (ui , vi ))  g(β(t ) (ui , vi )) Berdasarkan metode MLRT dapat diperoleh
statistik uji dengan alangkah awal menentukan
i  1, 2,, n; t  0,1, (9) himpunan parameter dibawah populasi () ,
dengan β(ui , vi ) adalah parameter yang akan   0 (ui , vi ), 1 (ui , vi ), ,  k (ui , vi )
ditaksir, Kemudian membentuk fungsi likelihood dan
β(ui , vi )    0 (ui , vi ) 1 (ui , vi )   k (ui , vi ) fungsi maksimum likelihood seperti persamaan
i  1,2,, n, (11) dan (12).
n
g (β(ui , vi )) adalah vektor gradien,
L()    (xm ) ym (1   (xm ))1 ym
g(β(ui , vi ))   g0 g1  g k  , g0 
T L* , m 1

 0 (ui , vi )
n
   (xm ) y1m (1   (xm )) y0 m (11)
L* , g  L* m 1
g1 
1 (ui , vi )  k (ui , vi )
k
dimana:
i  1,2,, n,  k 
exp    j (ui , vi ) xmk 
H (β(ui , vi )) adalah matriks Hessian,  j 0 
 (x m ) 
 h00 h01  h0 k   k 
h 1  exp    j (ui , vi ) xmk 
h11  h1k  ,  j 0 
H (β(ui , vi ))   10
      n

 hk 0 hk1  hkk 
 L (

 m
ˆ )  max L()  ˆ (x ) y1m (1  ˆ (x )) y0 m
m 1
m

 L 2 * (12)
h jj*  , i  1, 2, , n; Langkah berikutnya adalah menentukan
 j (ui , vi ) j* (ui , vi )
himpunan parameter dibawah H0 () ,
j, j*  0,1,, k .
  0 (ui , vi )
Proses iterasi Newton-Raphson akan berhenti
bila terpenuhi kondisi konvergen, yaitu selisih Selanjutnya membentuk fungsi likelihood dan
fungsi maksimum likelihood,
β(t 1) (ui , vi )  β(t ) (ui , vi )   , dengan  adalah n n

bilangan yang sangat kecil. Hasil taksiran yang L( )    ym (1   )1 ym    y1m (1   ) y0 m
m 1 m 1
diperoleh adalah β(t 1) (ui , vi ) pada saat iterasi
(13)
terakhir. Prosedur iterasi ini diulang untuk setiap n n n
lokasi ke-i, sehingga dapat diperoleh penaksir dengan   1 , n1   ym , n0   (1  ym ) .
parameter lokal model GWLR. n m 1 m 1
n 

y1 m y0 m
Turunan parsial kedua dari fungsi ln  n   n0 m 
likelihood merupakan elemen dari matriks L(ˆ )  max L( )    1m   n  
(14)

 n 
m 1    
Hessian. Nilai ekspektasi dari matriks Hessian
merupakan matrik Informasi. Invers dari matriks dimana n1m adalah jumlah pengamatan ke-m yang
Informasi merupakan penaksir dari matriks varians masuk pada kategori 1, n0m adalah jumlah
kovarians, sehingga dapat diperoleh penaksir dari
matriks varians kovarians, pengamatan ke-m yang masuk pada kategori 0, dan
1 1 n adalah jumlah pengamatan keseluruhan.
Cov(βˆ (ui , vi ))   (βˆ (ui , vi ))     H(βˆ (ui , vi ))  Selanjutnya menentukan rasio antara fungsi
(10) maksimum likelihood dibawah H0 dan fungsi
maksimum likelihood dibawah populasi seperti
3.2 Pengujian Hipotesis Model GWLR pada persamaan (15).
n 
 n1m  1m  n0 m  0 m 
y y
Pengujian hipotesis model GWLR meliputi
pengujian kesamaan antara model GWLR dan    
 n   n  
 
L(ˆ ) m 1 

model regresi logistik, pengujian serentak dan   n (15)
ˆ)
L (
pengujian parsial. Pengujian kesamaan antara
model GWLR dan model regresi logistikbertujuan
 ˆ (xm ) (1  ˆ (xm ))
m 1
y1 m y0 m

untuk mengetahui signifikansi dari faktor Kriteria pengujiannya adalah tolak H0 jika
geografis. Hipotesis yang digunakan adalah:    0  1 , dengan 0   0  1 .
H0 :  j (ui , vi )   j , i  1, 2,, n; j  1, 2,, k
Dari persamaan (15) dapat diperoleh devians
(Tidak ada perbedaan yang signifikan antara model model GWLR seperti persamaan (16).
GWLR dan regresi logistik) D(βˆ * )  2ln 
H1 : Paling tidak ada satu  j (ui , vi )   j
 2[ln L( ˆ )  ln L(ˆ )]
(Ada perbedaan yang signifikan antara model
GWLR dan regresi logistik).

37
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

 n ˆ j (ui , vi )
 2    y1m ln ˆ (x)  y0 j ln(1  ˆ (x))  Whit  , j  1, 2, , k (19)
 m1 
SE ˆ j (ui , vi ) 

n1m ln(n1m )  n0 j ln(n0 j )  n ln(n) 
n
Statistik uji pada persamaan (19) mendekati
m 1  distribusi normal standar. Kriteria pengujiannya
(16) adalah tolak H0 jika nilai Whit  Z /2 . Nilai
ˆ
Misalkan D(β) menyatakan devians model Z /2 dapat diperoleh dari tabel distribusi normal
regresi logistik dengan derajat bebas db1 dan standar.
D(βˆ ) menyatakan devians model GWLR dengan
*
3.3 Aplikasi Model GWLR
derajat bebas db2 , maka statistik uji untuk Model GWLR pada penelitian ini diaplikasikan
pengujian kesamaan antara model GWLR dan pada pemodelan faktor-faktor yang mempengaruhi
model regresi logistik adalah IPKM kabupaten/kota di provinsi Papua tahun
2013. Langkah awal adalah melakukan analisis
D(βˆ ) db1
Fhit  (17) statistik deskriptif dari variabel respon. Hasil yang
D(βˆ * ) db 1 diperoleh adalah seperti pada Gambar 2.
Statistik uji pada persamaan (17) mendekati
distribusi F dengan derajat bebas db1 dan db2 .
Kriteria pengujiannya adalah tolak H0 jika nilai
Fhit  F( ;db ,db ) .Nilai F( ;db ,db ) diperoleh dari
1 2 1 2

tabel distribusi F.
Setelah dilakukan pengujian kesamaan antara
model GWLR dan model regresi logistik,
pengujian hipotesis berikutnya adalah pengujian
parameter model GWLR secara serentak. Langkah
awal adalah menentukan hipotesis sebagai berikut:
H0 : 1 (ui , vi )   2 (ui , vi )     k (ui , vi )  0 ,
i  1, 2,, n
H1 : minimal ada satu  j (ui , vi )  0 ,dengan
i  1, 2,, n; j  1, 2,, k.
Gambar 2. Peta IPKM Provinsi Papua
Berdasarkan metode MLRT, statistik uji untuk
pengujian serentak adalah Dari Gambar 2, terlihat bahwa terdapat 18
G 2  2{ln L(ˆ )  ln L(ˆ )} kabupaten/kota yang mempunyai IPKM kurang
dari Cut-off atau terdapat 18 kabupaten/kota
n
 2   y1m ln ˆ (x)  y0 j ln(1  ˆ (x))   (62,1%) yang termasuk dalam kategori Daerah
 m1 Bermasalah kesehatan (DBK). Sedangkan 11
n
 kabupaten/kota mempunyai IPKM lebih dari Cut-
  n1m ln(n1m )  n0 j ln(n0 j )  n ln(n)   off atau terdapat 11 kabupaten/kota (37,9%) yang
m 1 
tidak termasuk dalam kategori DBK.
(18)
Selanjutnya dilakukan pemodelan regresi
Statistik uji pada persamaan (18) diperoleh
logistic yang meliputi pemodelan regresi logistik
dengan cara yang sama seperti pada persamaan
univariabel dan multivariabel. Pemodelan regresi
(16). Statistik uji G 2 mendekati distribusi chi- logistik univariabel bertujuan untuk melakukan
square dengan derajat bebas, v  n  k 1. Kriteria pemilihan terhadap variabel bebas yang digunakan
pengujiannya adalah tolak H0 jika nilai G 2   (2 ;v ) , pada pemodelan regresi logistik multivariabel.
dimana nilai  (2 ;v ) dapat diperoleh dari tabelchi-
Sebelum memodelkan dengan menggunakan
regresi logistik dilakukan uji kolinieritas terhadap
square. variabel bebas untuk mengetahui adanya korelasi
Selanjutnya dilakukan parameter model diantara variabel bebas. Hasil yang diperoleh
GWLR secara parsial dengan hipotesis sebagai adalah seperti pada Tabel 1.
berikut: Berdasarkan Tabel 1, terlihat bahwa nilai VIF
H0 :  j (ui , vi )  0, i  1, 2,, n; j  1, 2, , k dari semua variabel bebas kurang dari 10. Hal ini
H1 :  j (ui , vi )  0 menunjukkan bahwa tidak terjadi korelasi diantara
variabel bebas. Oleh karena itu, semua variabel
Statistik uji yang digunakan untuk pengujian bebas dapat digunakan pada pemodelan regresi
ini dapat diperoleh dengan uji Wald, yaitu logistik.

38
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Tabel 1. Nilai VIF Variabel Bebas Berdasarkan Tabel 3, terlihat bahwa nilai
statistik uji G 2 sebesar 19,441 lebih dari nilai
Nilai
Variabel
VIF  (0,1;3)
2
sebesar 6,251 dan p-value sebesar 0,0002
x1 1,437 kurang dari  sebesar 0,1. Hal ini menunjukkan
x2 1,732 bahwa minimal ada satu variabel bebas yang
x3 1,265 berpengaruh signifikan terhadap IPKM
x4 1,136 kabupaten/kota di provinsi Papua.
Langkah selanjutnya adalah melakukan
Selanjutnya dilakukan pemodelan regresi pengujian parsial untuk mengetahui variabel bebas
logistik univariabel untuk mendapatkan variabel yang berpengaruh signifikan terhadap IPKM
bebas yang digunakan pada pemodelan regresi kabupaten/kota di provinsi Papua. Hipotesis yang
logistik multivariabel. Hasil yang diperoleh adalah digunakan adalah:
seperti pada Tabel 2. H0 :  j  0
H1 :  j  0, j  1, 2,3
Tabel 2. Hasil Regresi logistik Univariabel
Statistik uji yang digunakan adalah statistik uji
SE Wald. Kriteria pengujiannya adalah tolak H0 jika
Variabel Koef. Whit p-value
Koef.
x1 0,651 0,253 2,573 0,010*
nilai Whit lebih dari Z /2 atau p-value kurang dari
x2 -0,217 0,077 -2,832 0,005*  . Hasil pengujian parsial untuk pemodelan
x3 1,517 0,685 2,214 0,027* regresi logistik multivariabel adalah seperti pada
x4 0,069 0,201 0,346 0,729 Tabel 4.
*) Signifikan pada α = 10%.
Tabel 4. Hasil Regresi logistik Multivariabel
Berdasarkan Tabel 2, terlihat bahwa variabel
bebas yang signifikan berpengaruh terhadap IPKM SE p-
Variabel Koef. Whit
kabupaten/kota di provinsi Papua secara Koef. value
univariabel adalah persentase penduduk yang Intersep 3,261 3,177 2,573 0,305
tamat perguruan tinggi (x1), persentase penduduk x1 0,456 0,280 1,629 0,103
miskin(x2), danperanan kabupaten/kota terhadap x2 -0,157 0,086 -1,838 0,066*
PDRB(x3). Sedangkan rasio dokter per puskesmas x3 0,101 0,384 0,262 0,793
(x4) tidak signifikan berpengaruh terhadap IPKM *) Signifikan pada α = 10%.
kabupaten/kota di provinsi Papua. Oleh karena itu,
variabel bebas yang digunakan pada pemodelan Berdasarkan Tabel 4, terlihat bahwa variabel
regresi logistik multivariabel adalah persentase bebas yang signifikan berpengaruh terhadap IPKM
penduduk yang tamat perguruan tinggi, persentase kabupaten/kota di provinsi Papua secara
penduduk miskin, danperanan kabupaten/kota multivariabel adalah persentase penduduk
terhadap PDRB. miskin(x2). Selanjutnya dapat diperoleh model
Setelah diperoleh variabel-variabel bebas yang regresi logistik untuk pemodelan IPKM
signifikan pada pengujian secara univariabel, kabupaten/kota di provinsi Papua yaitu
exp  3, 261  0, 456x1  0,157x 2  0,101x 3 
dilakukan pengujian secara serentak untuk ˆ(x) 
mengetahui adanya variabel bebas yang signifikan 1  exp  3, 261  0, 456x1  0,157x 2  0,101x 3 
dalam model regresi logistik multivariabel. Model transformasi logitnya adalah
Hipotesis yang digunakan adalah: g(x)  3, 261  0, 456x1  0,157x 2  0,101x 3
H0 : 1   2   3  0 Berdasarkan model logit tersebut, dapat
H1 : minimal ada satu  j  0, j  1, 2,3 diinterpretasikan bahwa kabupaten/kota di provinsi
Papua mempunyai probabilitas masuk kategori
Statistik uji yang digunakan adalah statistik uji
daerah yang tidak bermasalah kesehatan apabila
G 2 . Kriteria pengujiannya adalah tolak H0 jika persentase penduduk miskin berkurang, persentase
nilai G 2   (0,1;3)
2
atau p-value kurang dari 0,1. penduduk yang tamat perguruan tinggi, dan
Hasil pengujian serentak dapat dilihat pada Tabel peranan kabupaten/kota terhadap PDRB
3. bertambah.
Setelah diperoleh model regresi logistik dapat
Tabel 3. Hasil Pengujian Serentak diperoleh hasil pengklasifikasian antara prediksi
dan observasi. Hasil klasifikasi IPKM antara hasil
Derajat
Statistik G 2 p-value prediksi dan observasi untuk semua
Bebas (db)
19,441 3 0,0002 kabupaten/kota berdasarkan model regresi logistik
seperti pada Tabel 5.

39
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Tabel 5. Ketepatan Klasifikasi Regresi Logistik dan pengujian parsial. Pengujian kesamaan antara
model GWLR dan model regresi logistik bertujuan
Prediksi untuk menguji signifikansi dari faktor geografis.
Persentase
Observasi IPKM < IPKM >
ketepatan Hipotesis yang digunakan adalah:
cut-off cut-off
88,889%
H0:  j (ui , vi )   j , i  1, 2,..., 29; j  1, 2,3
IPKM < cut-off 16 2
IPKM > cut-off 2 9 81,818% (tidak ada perbedaan yang signifikan antara
Persentase keseluruhan 86,207% model GWLR dan model regresi logistik)
H1: minimal ada satu  j (ui , vi )   j
Berdasarkan Tabel 5, terlihat bahwa persentase (ada perbedaan yang signifikan antara model
ketepatan pengklasifikasian keseluruhan adalah GWLR dan model regresi logistik)
sebesar 86,207%.
Selanjutnya dilakukan pemodelan GWLR Statistik uji yang digunakan adalah statistik
terhadap IPKM kabupaten/kota di provinsi Papua. ujiF.Hasil pengujian kesamaan antara model
Langkah awal adalahmenentukan letak geografis GWLR dan model regresi logistik seperti pada
berdasarkan koordinat bujur (longitude) dan Tabel 8.
lintang (latitude) kabupaten/kota di provinsi
Papua, kemudian menghitung jarak Euclidean Tabel 8. Pengujian Kesamaan Model
antara lokasi ke-i terhadap lokasi ke-j. Langkah
Model Devians db Devians/db
selanjutnya adalah menentukanbandwidth
Regresi logistik 19,441 25 0,778
optimum dengan menggunakan metode Cross
GWLR 17,553 24,145 0,727
Validation (CV). Setelah mendapatkan jarak
Euclidean dan bandwidth optimum, maka
Berdasarkan Tabel 8, terlihat bahwa nilai
selanjutnya adalah mendapatkan pembobot.
Fhitsebesar 1,07 kurang dari nilai F(0,1;25;24,145)
Setelah mendapatkan pembobot untuk masing-
sebesar 1,696.Hal ini menunjukkan bahwa
masing lokasi penelitian, langkah selanjutnya
pemodelan IPKM kabupaten/kota di provinsi
adalah melakukan penaksiran terhadap parameter
Papua antara hasil model GWLR dan model
model GWLR. Hasil penaksiran parameter model
regresi logistik tidak berbeda signifikan. Namun
GWLR menggunakan fungsi pembobot kernel
diantara kedua model tersebut akan dibandingkan
Gaussian dan Bisquareseperti pada Tabel 6.
model mana yang lebih baik digunakan untuk
memodelkan IPKM kabupaten/kota di provinsi
Tabel 6. Hasil Penaksiran Parameter
Papua.
Pembobot Pengujian hipotesis kedua untuk model
Statistik GWLR adalah pengujian serentak. Pengujian ini
Gaussian* Bisquare
Bandwidth 4,065 8,130
bertujuan untuk menguji signifikansi parameter
model GWLR secara bersama-sama (serentak).
AIC 27,104 27,259
*) model terbaik
Hipotesis yang digunakan adalah:
H0 : 1 (ui , vi )   2 (ui , vi )  3 (ui , vi )  0 ,
Berdasarkan Tabel 6, terlihat bahwa penaksiran i  1, 2,, 29
parameter model GWLR terbaik diperoleh dengan H1 : minimal ada satu  j (ui , vi )  0 , dengan
menggunakan pembobot fungsi kernel Gaussian
i  1, 2,, 29; j  1, 2,3.
karena mempunyai nilai AIC terkecil. Oleh karena
itu, dalam penelitian ini model GWLR yang Statistik uji yang digunakan adalah statistik uji
digunakan adalah model GWLR dengan pembobot G 2 . Hasil pengujian serentak dapat dilihat pada
fungsi kernel Gaussian. Hasil ringkasan statistik Tabel 9.
dari penaksir parameter model GWLR dapat
dilihat pada Tabel 7.
Tabel 9. Pengujian Serentak Model GWLR
Tabel 7. Ringkasan Statistik Penaksir Parameter
Statistik G 2 db p-value
Variabel Min Max Mean StDev 17,553 4,775 0,002
Intersep -1,143 -0,361 -0,731 0,151
x1 0,789 1,258 1,014 0,142 Berdasarkan Tabel 9, terlihat bahwa nilai
x2 -1,609 -1,350 -1,494 0,070 statistik uji G 2 sebesar 17,553 lebih dari nilai
1,034 0,189
x3 0,743 1,421
 (0,1;4,775)
2
sebesar 7,779 dan p-value sebesar 0,002
Setelah diperoleh penaksir parameter model kurang dariα sebesar 0,1. Hal ini menunjukkan
GWLR, langkah selanjutnya adalah melakukan bahwa minimal ada satu variabel bebas yang
pengujian hipotesis pada model GWLR. Pengujian berpengaruh signifikan terhadap IPKM
ini meliputi pengujian kesamaan antara model kabupaten/kota di provinsi Papua.
GWLR dan regresi logistik, pengujian serentak,

40
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

Pengujian hipotesis yang terakhir untuk model Tabel 11. Ketepatan Klasifikasi Model GWLR
GWLR adalah pengujian parsial. Pengujian ini
bertujuan untuk mengetahui faktor-faktor yang Prediksi
Persentase
Observasi IPKM < IPKM >
berpengaruh terhadap IPKM di setiap lokasi ketepatan
cut-off cut-off
(kabupaten/kota) di provinsi Papua. Misalkan
IPKM < cut-off 18 2 88,889%
dilakukan pengujian parsial di lokasi ke-4 yaitu
IPKM > cut-off 2 11 81,818%
kabupaten Nabire. Hipotesis yang digunakan
Persentase keseluruhan 86,207%
adalah:
H0 :  j (u4 , v4 )  0, j  1, 2,3 Berdasarkan Tabel 11, terlihat bahwa
H1 :  j (u4 , v4 )  0 persentase ketepatan keseluruhan
pengklasifikasian IPKM kabupaten/kota di
Hasil pengujian parsial model GWLR untuk provinsi Papua adalah sebesar 86,207%.
kabupaten Nabire seperti pada Tabel 10. Setelah diperoleh hasil model GWLR untuk
Tabel 10. Pengujian Parsial untuk Kabupaten Nabire 29 kabupaten/kota di provinsi Papua, tidak semua
variabel bebas berpengaruh signifikan terhadap
SE p- IPKM. Variabel bebas yang signifikan adalah
Variabel Koef. Whit
Koef. value variabel x1 dan x2.Selain itu dapat diketahui bahwa
Intersep -0,668 1,039 -0,643 0,324 ada perbedaan jumlah parameter yang signifikan
x1 1,217 0,721 1,688 0,096* pada masing-masing kabupaten/kota. Hasil
x2 -1,543 0,754 -2,046 0,049* pengelompokkan kabupaten/kota berdasarkan
x3 1,276 3,645 0,350 0,375 variabel-variabel yang signifikan dalam model
*) Signifikan pada α = 10%. GWLR seperti pada Tabel 12.

Berdasarkan Tabel 10, terlihat bahwa nilai Tabel 12. Pengelompokan Kabupaten/Kota Berdasarkan
Variabel yang Signifikan
Whit untuk variable x1 dan x2 lebih dari nilai Z0,05
sebesar 1,645 dan p-value kurang dari α. Hal ini Kabupaten/Kota Jumlah Variabel
menunjukkan bahwa persentase penduduk yang Nabire, Yapen
tamat perguruan tinggi (x1) dan persentase Waropen, Biak
5 x1
penduduk miskin (x2) berpengaruh terhadap IPKM Numfor, Supiori,
kabupaten Nabire. Dari Tabel 9, dapat diperoleh Dogiyai
model GWLR dengan menggunakan pembobot Semua
29 x2
Kabupaten/Kota
fungsi kernel Gaussian untuk memodelkan IPKM
di kabupaten Nabire, yaitu Berdasarkan Tabel 12, terlihat bahwa variabel
persentase penduduk yang tamat perguruan tinggi
exp  0, 668  1, 217x1  1,543x 2  1, 276x 3 
ˆ(x)  (x1) signifikan berpengaruh pada IPKM lima
1  exp  0, 668  1, 217x1  1,543x 2  1, 276x 3  kabupaten/kota di provinsi Papua tahun 2013,
yaitu kabupaten Nabire, Yapen Waropen, Biak
Numfor, Supiori, dan Dogiyai.Variabel persentase
Model transformasi logitnya adalah
penduduk miskin (x2) signifikan berpengaruh pada
g(x)  0, 668  1, 217x1  1,543x 2  1, 276x 3
IPKM semua kabupaten/kota di provinsi Papua
Berdasarkan model tersebut, kabupaten Nabire tahun 2013.
mempunyai probabilitas masuk kategori daerah Selanjutnya dilakukan perbandingan antara
yang tidak bermasalah kesehatan apabila terjadi model GWLR dengan regresi logistik untuk
peningkatan terhadap persentase penduduk yang mengetahui model yang lebih baik digunakan
tamat perguruan tinggi, peningkatan peranan untuk memodelkan IPKM kabupaten/kota di
terhadap PDRB, dan penurunan terhadap provinsi Papua. Kriteria yang digunakan adalah
persentase penduduk miskin. AIC. Model terbaik adalah model yang
Hasil perhitungan prediksi probabilitas untuk mempunyai nilai AIC terkecil. Hasil perbandingan
kabupaten Nabire termasuk daerah yang antara model GWLR dan regresi logistik seperti
bermasalah kesehatan atau tidakmenunjukkan pada Tabel 13.
bahwa kabupaten Nabire diprediksi termasuk
kategori daerah yang tidak bermasalah kesehatan. Tabel 13. Perbandingan Model
Hasil prediksi ini sesuai dengan hasil observasi Regresi
yang menyatakan bahwa kabupaten Nabire tidak Kriteria GWLR
Logistik
termasuk daerah bermasalah kesehatan. Hasil Devians 17,553 19,441
klasifikasi IPKM antara hasil prediksi dan AIC 27,104 27,441
observasi untuk semua kabupaten/kota berdasarkan Ketepatan klasifikasi 86,207% 86,207%
model GWLR dapat dilihat pada Tabel 11.
Berdasarkan Tabel 13, dapat diketahui bahwa
persentase ketepatan klasifikasi antara model

41
 Prosiding Seminar Nasional MIPA 2016
“Peran Penelitian Ilmu Dasar dalam Menunjang Pembangunan Berkelanjutan”
Jatinangor, 27-28 Oktober 2016
ISBN 978-602-72216-1-1

GWLR dan regresi logistik sama. Tetapi model 2010). Tesis. Jurusan Statistika FMIPA ITS
GWLR mempunyai nilai devians dan AIC terkecil Surabaya.
dibanding model regresi logistik.Sehingga model Atkinson, P., German, S., Sear, D., and Clarck, M,
GWLR lebih baik dibanding model regresi (2003). Exploring the relations between
logistik. riverbank erosion and geomorphological
controls using geographically weighted logistic
4. Kesimpulan regression. Geographical Analysis, 35: p.58-82.
Berdasarkan hasil dan pembahasan, Fathurahman, M., Purhadi, Sutikno, dan Ratnasari,
kesimpulan dari penelitian ini penaksir parameter V., (2014). Estimasi dan Pengujian Hipotesis
model GWLR dapat diperoleh dengan metode pada Model Geographically Weighted
Multinomial Logistic Regression. Prosiding
MLE dan iterasi Newton-Raphson. Statistik uji
Konferensi Matematika Nasional (KNM) XVII,
pada pengujian hipotesis model GWLR mendekati
ITS Surabaya, 11-14 Juni 2014.
distribusi F, chi-square, dan normal standar. Fibriyani, V., Latra, I. N., and Purhadi. (2015).
Model yang lebih baik digunakan untuk Pemodelan Geographically Weighted
pemodelan IPKM kabupaten/kota di provinsi Multinomial Logistic Regression pada Indeks
Papua adalah model GWLR dibanding model Pembangunan Manusia dan Status Daerah
regresi logistik. Model GWLR terbaik pada Bermasalah Kesehatan Kabupaten/Kota di
pemodelan IPKM kabupaten/kota di provinsi Pulau Sumatera tahun 2013. Tesis. Jurusan
Papua adalah model GWLR dengan pembobot Statistika FMIPA ITS Surabaya.
fungsi kernel Gaussian. Faktor-faktor yang Fotheringham Stewart A., Brunsdon, Chris and
berpengaruh terhadap IPKM kabupaten/kota di Charlton, Martin. (2002).Geographically
provinsi Papua berdasarkan model GWLR adalah Weighted Regression: the analysis of spatially
persentase penduduk yang tamat perguruan tinggi varying relationships.Chichester. John Wiley &
dan persentase penduduk miskin. Sons Ltd.
Penelitian mengenai pemodelan IPKM Hosmer, David W., Lemeshow, Stanleyand
kabupaten/kota di provinsi Papua dengan GWLR Surdivant, Rodney X. (2013). Applied Logistic
masih dapat dikembangkan dan untuk penelitian Regression. New York. John Wiley & Sons,
selanjutnya disarankan dapat menggunakan Inc.
pembobot fungsi kernel exponential dan tricube Kementerian Kesehatan. (2010). Pedoman Umum
Penanggulangan Daerah Bermasalah
untuk penaksiran parameter model GWLR.
Kesehatan. Jakarta.
Kementerian Kesehatan. (2014). Indeks
Ucapan Terima Kasih
Pembangunan Kesehatan Masyarakat. Jakarta.
Penulis mengucapkan terima kasih kepada
Luo, J and Nagaraj, K., (2008). Modeling Urban
Direktorat Riset dan Pengabdian Masyarakat Growth with Geographically Weighted
Direktorat Jenderal Penguatan Riset dan Multinomial Logistic Regression. Proceedings
Pengembangan Kementerian Riset, Teknologi, dan of SPIE: the International Society for Optical
Pendidikan Tinggi yang mendanai penelitian ini Engineering, 7144: p. 71440M1-11.
sesuai dengan Surat Perjanjian Penugasan Rifada, M and Purhadi. (2011). Model
Pelaksanaan Program Penelitian No. Geographically Weighted OrdinalLogistic
029/SP2H/LT/DRPM/II/2016. Regression (Studi Kasus: Tingkat Kerawan
Desa atau Kelurahanterhadap Penyakit Demam
Daftar Pustaka Berdarah Dengue di Kabupaten Lamongan
Agresti, Alan. (2013).Categorical Data Analysis. tahun 2009). Tesis. Jurusan Statistika FMIPA
New York. John Wiley and Sons., Inc. ITS Surabaya.
Asrafiah and Purhadi. (2012). Model Geographically Wang, Y., Kockelman, K.M., and Wang, X., (2011).
Weighted Ordinal Logistic Regression Anticipating land use change using
Semiparametric (Studi Kasus: Tingkat Kerawan geographically weighted regression models for
Desa atau Kelurahan terhadap Penyakit Demam discrete response. Transportation Research
Berdarah Dengue di Kota Makassar tahun Record, 2245: p. 111-123.

42

View publication stats