Proposal Tugas Akhir Muhammad Hanafi Lubis
Proposal Tugas Akhir Muhammad Hanafi Lubis
Proposal Tugas Akhir Muhammad Hanafi Lubis
Disusun Oleh:
NIM. 24050119130103
DEPARTEMEN STATISTIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2023
PEMODELAN DAN PEMETAAN JUMLAH ANGKATAN
Disusun Oleh:
NIM. 24050119130103
Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Statistika pada
Universitas Diponegoro
DEPARTEMEN STATISTIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2023
i
HALAMAN PENGESAHAN I
Disusun oleh:
NIM : 24050119130103
Departemen : Statistika
Telah diujikan pada sidang Tugas Akhir dan dinyatakan lulus pada
Semarang, (tanggal)
ii
HALAMAN PENGESAHAN II
Disusun oleh :
NIM : 24050119130103
Departemen : Statistika
Pembimbing I Pembimbing II
iii
KATA PENGANTAR
penulisan Proposal Tugas Akhir ini dapat terselesaikan. Proposal Tugas Akhir ini
Binomial Regression” dan bertujuan untuk memenuhi salah satu syarat penulisan
Universitas Diponegoro. Oleh karena itu, pada kesempatan ini penulis ingin
1. Bapak Dr. Tarno, M.Si, selaku Ketua Departemen Statistika Fakultas Sains dan
2. Bapak Drs. Agus Rusgiyono, M.Si selaku Dosen Pembimbing I dan Bapak
3. Bapak dan Ibu Dosen Departemen Statistika Fakultas Sains dan Matematika
Universitas Diponegoro.
4. Semua pihak yang tidak dapat disebutkan satu persatu yang telah mendukung
Penulis menyadari dalam penulisan laporan Tugas Akhir ini terdapat banyak
kekurangan. Oleh karena itu penulis mengharapkan saran dan kritikan yang
bersifat membangun dan semoga penulisan Proposal Tugas Akhir ini dapat
Penulis
iv
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
HALAMAN JUDUL........................................................................................ i
HALAMAN PENGESAHAN I ....................................................................... ii
HALAMAN PENGESAHAN II ...................................................................... iii
KATA PENGANTAR ..................................................................................... iv
ABSTRAK ....................................................................................................... v
ABSTRACT ..................................................................................................... vi
DAFTAR ISI .................................................................................................... vii
DAFTAR TABEL ............................................................................................ ix
DAFTAR GAMBAR ....................................................................................... x
DAFTAR LAMPIRAN .................................................................................... xi
BAB I PENDAHULUAN ........................................................................... 1
1.1 Latar Belakang.......................................................................... 1
Poisson .......................................................................... 14
vii
2.5 Regresi Binomial Negatif ......................................................... 18
viii
DAFTAR TABEL
ix
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
Lampiran 1. Data Jumlah Angkatan kerja di Provinsi Jawa Tengah Tahun 2021
xi
BAB I
PENDAHULUAN
Provinsi Jawa Tengah merupakan salah satu provinsi yang terletak di Pulau
karena sumber daya manusia memiliki peranan yang sangat penting dalam
Penduduk yang produktif akan membantu dalam segala hal guna untuk kelancaran
dari segi perekonomian dan pembangunan dalam satu wilayah. Menurut UU No.
tenaga kerja adalah orang yang mampu menghasilkan barang dan jasa untuk
adalah penduduk dengan rentang usia produktif atau usia kerja yang sedang
bekerja, atau punya pekerjaan namun sementara tidak bekerja dan pengangguran.
atau kerja berusia 15 tahun ke atas yang bersekolah atau kuliah, mengurus rumah,
bersekolah dan yang mengurus rumah tangga dapat masuk ke pasar tenaga kerja
1
kapan saja sehingga kelompok ini dapat disebut juga sebagai angkatan kerja
potensial.
Jumlah penduduk yang besar akan menghasilkan angkatan kerja yang besar
pula. Angkatan kerja yang besar jika dapat dimanfaatkan dengan baik akan
Masalah tenaga kerja adalah masalah yang sangat kompleks dan besar
banyak faktor yang saling berinteraksi dengan pola yang tidak selalu mudah
dipahami. Menurut (Alghofari 2010 dalam Lumi dkk., 2021) pengangguran dapat
terjadi sebagai akibat dari tingginya tingkat perubahan angkatan kerja yang tidak
diimbangi dengan adanya lapangan pekerjaan yang cukup luas serta penyerapan
Tengah merupakan data diskrit dan tiap daerah memiliki faktor-faktor yang
2
Model Geographically Weighted Negative Binomial Regression (GWNBR),
parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data
Negative Binomial Regression (GWNBR) adalah salah satu metode yang cukup
Barat adalah persentase rumah tangga yang berperilaku hidup bersih dan sehat
(PHBS).
data count sehingga analisis yang digunakan untuk memodelkan data count adalah
dengan regresi poisson. Dalam analisis regresi poisson, terdapat asumsi yang
harus terpenuhi yaitu variance dari variabel responnya sama dengan mean. Sering
kali data count memiliki variance yang lebih besar dari mean, atau biasa disebut
3
regresi poisson tidak sesuai untuk memodelkan data. Implikasi dari terjadinya
yang bias. Hal ini disebabkan karena nilai penduga bagi standard eror yang lebih
regresi poisson adalah regresi binomial negatif. Model regresi Binomial Negatif
dapat mengatasi masalah overdispersi karena tidak mengharuskan nilai mean yang
sama dengan nilai varians seperti pada model regresi Poisson. Hal ini disebabkan,
akan berbeda antar wilayah yang satu dengan wilayah yang lain. Hal ini
4
pengembangannya menjadi Geographically Weighted Negative Binomial
Regression (GWNBR).
tematik?
negatif?
bisquare kernel?
5
1.3 Batasan Masalah
Batasan masalah dalam penelitian ini adalah data jumlah angkatan kerja di
ini masalah dibatasi pada penggunaan fungsi pembobot adaptive bisquare kernel
berbeda.
Tujuan yang ingin dicapai dari penelitian ini berdasarkan rumusan masalah
tematik.
negatif.
bisquare kernel.
6
BAB II
TINJAUAN PUSTAKA
usia kerja, baik yang sudah bekerja, belum bekerja, atau sedang mencari
pekerjaan. Angkatan kerja (labor force) adalah bagian penduduk yang mampu dan
bersedia melakukan pekerjaan. Arti dari mampu adalah mampu secara fisik dan
jasmani, kemampuan mental dan secara yuridis mampu serta tidak kehilangan
kebebasan untuk memilih dan melakukan pekerjaan serta bersedia secara aktif
kerja dibagi ke dalam dua kelompok, yaitu pekerja (employed) dan bukan pekerja
oleh struktur penduduk berdasarkan jenis kelamin, usia penduduk, dan tingkat
negara, semakin tinggi pula angkatan kerja di negara tersebut, karena ibu rumah
berpengaruh terhadap jumlah angkatan kerja dalam suatu negara karena semakin
besar jumlah penduduk yang berusia produktif maka semakin tinggi angkatan
kerja. Selanjutnya, semakin rendah tingkat pendidikan suatu negara akan makin
rendah pula angkatan kerja maka saat ini tingkat pendidikan dan keterampilan
7
merupakan salah satu syarat untuk memasuki dunia kerja. Sebagai contoh hasil
kelompok bukan angkatan kerja adalah 42,6 juta dari 140 juta atau sekitar 30
persen terdiri dari 21 persen mengurus rumah tangga dan sekolah sekitar 7 persen.
penduduk umumnya menitik beratkan pada alokasi angkatan kerja yang bekerja
menurut sektor, tren perpindahan, (terutama dari sektor pertanian ke sektor lain)
tahun 1931, kemudian diteliti secara seksama dalam berbagai dalam tulisan
negara barat. Sumber daya manusia sebagai potensi yang terkandung dalam diri
manusia harus mampu mewujudkan perannya sebagai makhluk sosial yang adaptif
dan transformatif yang mampu mengelola dirinya sendiri serta seluruh potensi
Tujuan dari Generalized Linear Model (GLM) yaitu untuk mengetahui pengaruh
GLM dari model linier terletak pada bentuk kurva atau distribusi variabel respon.
8
Variabel respon pada GLM tidak diisyarakatkan berbentuk kurva lonceng
(Wedderburn, 1974). Jadi dalam model linier tergeneralisir ada tiga komponen
( ) , ( )- (2.1)
(misalnya 0<y<1 untuk binomial, dan bilangan cacah untuk respon hasil
menghitung nilai Varians Inflation Factor (VIF ) dengan rumus sebagai berikut
(Gujarati, 2009):
(2.2)
9
Dengan adalah koefisien determinasi antara satu variabel prediktor
multikolinieritas yaitu dengan mengeluarkan variabel prediktor satu per satu mulai
dari yang memiliki nilai VIF paling besar (Hocking, 1996). Jika nilai Variance
(Y) mengikuti distribusi poisson untuk mengatasi data count. Dalam hal ini respon
bergantung pada beberapa unit tertentu atau periode dari waktu, jarak, luas area,
waktu tertentu atau di suatu daerah tertentu dengan hasil pengamatan berupa
variabel diskrit dan antar variabel saling independen. Interval waktu tersebut dapat
berapa saja panjangnya, misalnya semenit, sehari, seminggu, sebulan atau bahkan
setahun. Daerah tertentu yang dimaksudkan dapat berupa suatu garis, suatu
( ) ( )
(2.3)
10
dimana adalah suatu parameter yang menyatakan rata – rata banyaknya kejadian
dalam selang atau interval tertentu. Distribusi Poisson dengan parameter biasa
dinotasikan dengan P( ) .
Distribusi Poisson memiliki suatu karakteristik khusus yaitu nilai mean dan
variansi yang sama. Nilai mean dan variansi dari peubah acak Y yang distribusi
( ) ∑ ( )
∑
( )
∑
( )
( ) ∑
( )
∑ ( ) ( ) (2.4)
( ) ∑ ( )
∑
( )
11
∑ (( ) ) ( )
∑ 20( ) 1 0 13
( ) ( )
0∑ ( ) ∑ 1
( )( ) ( )
0 ∑ ∑ 1
( ) ( )
( ) [ ∑ ∑ ]
( ) ( )
[ ∑ ( ) ∑ ( )] , ( ) -
( ) ( ) , ( )-
(2.5)
distribusi untuk menghitung jumlah kesalahan ketik per halaman dari suatu
( ) (2.6)
12
dengan merupakan rata-rata variabel respon yang berdistribusi poisson dimana
nilai rata-rata dan varian dari mempunyai nilai lebih dari 0. Regresi Poisson
menggunakan fungsi link diperoleh model Poisson dalam bentuk sebagai berikut:
( )
dengan,
[ ] [ ]
( )
( ) (2.7)
Dengan merupakan rata-rata jumlah kejadian yang terjadi dalam interval waktu
tertentu dan sebagai variabel prediktor serta sebagai parameter regresi yang
akan ditaksir.
( ) 0∏ 1 (2.8)
13
Dalam model regresi poisson, parameter yang diestimasi adalah
( )
( ) ∏
( ( ))( ( ))
∏
( ∑ ( )( (∑ ))
∏
(2.9)
* ( )+ ∑ ∑ ∑ ( ) (2.10)
vektor, menjadi
* ( )+
∑ ( ) ∑ (2.11)
( )
Menurut Lawless (2003) misalkan terdapat fungsi-fungsi
̂ ( ) (2.12)
14
( ) ( ) ( )
( ̂ ( ) )( ) [ ] (2.13)
̂( )
( ) ( ) ( )
( ) ( ) ( )
( ̂ ( ) )( )( ) (2.14)
( ) ( ) ( )
[ ] ̂( )
̂( )
̂( ) ( ̂ ( )) ( ̂ ( )) (2.15)
iterasi ke-m.
signifikansi parameter terdiri dari pengujian serentak dan parsial. Model regresi
( )
( ∑ )
15
1. Pengujian Secara Serentak
Test (MLRT) dengan hipotesis sebagai berikut (McCullagh dan Nelder, 1989) :
̂ ̂
(̂) ∑ 0. ̂ / ( ̂ )1 (2.16)
Keterangan :
̂
(2.17)
(̂ )
16
( ̂ ) adalah standar error parameter ̂ didapatkan dari elemen diagonal ke
Kesimpulan:
Daerah penolakan adalah tolak jika nilai dari | | > yang artinya
regresi poisson.
Overdispersi dalam regresi poisson terjadi apabila nilai varians data lebih
besar daripada nilai meannya. Jika dalam regresi poisson terjadi overdispersi,
akan menyebabkan estimasi dari parameter koefisien regresinya tidak efisien. Hal
ini akan berdampak pada nilai standar error menjadi underestimate sehingga
( )> ( ) (2.18)
Overdispersi dapat dideteksi dengan nilai dispersi Pearson chi Square atau
devians yang dibagi dengan derajat bebasnya. Jika hasil pembagian kedua nilai
tersebut lebih besar dari 1, maka dapat dikatakan terjadi overdispersi. Jika pada
regresi poisson terjadi overdispersi, maka salah satu alternatif yang dapat
17
2.5 Regresi Binomial Negatif
kesalahan model semakin besar dan model regresi poisson menjadi tidak sesuai.
(Hardin & Hilbe 2007). Misalkan Y adalah peubah acak yang bergantung pada
paremeter yang merupakan nilai dari suatu peubah acak Λ dengan fungsi
dari Λ adalah
( ) . /
( )( )
,( ) ( )- . / (2.19)
( )( )
Jika Λ berdistribusi Gamma dengan parameter α dan β, maka akan didapat nilai
( )
( )
Pada umumnya, nilai mean dikenal dengan notasi , atau dapat ditulis sebagai
18
. Dengan kata lain dapat dikatakan bahwa Λ berdistribusi Gamma dengan
( ) . / (2.20)
. /( )
( | ) ( ) . /
. /( )
. /
(2.21)
. /( )
( ) ∫ ( | ) ( )
. /
∫
. /( )
∫ . /
. /( )
( )
∫ . /
. /( )
( )
∫ . / . / . /
. /( )
( ) ( )
∫ . /. / . /
. /( )
( ) ( )
. / ∫ . /. / (2.22)
. /( )
( )
Misalkan , maka sehingga
19
( ) . / ∫ ( )
. /( )
. / ∫ ( )
. /( )
. / ∫ ( )
. /( )
. / . /
. /( )
. / . / . /
. /( )
( )
. / . / (2.23)
. /
( )
( ) . / . / (2.24)
. /
( )
( ) (2.25)
vektor dengan ukuran (n x 1), adalah variabel prediktor yang berbentuk matriks
dengan ukuran (n x (p+1)) dan adalah parameter yang berbentuk vektor dengan
20
menggunakan turunan pertama dan kedua dari fungsi likelihood mempunyai
( )
( | ) . / . / (2.26)
. /
( )
( ) ∏ . / . /
. /
∏ ((∏ ( )) . / . / ) (2.27)
( )
Dengan ∏ ( )
. /
( ) ∏ (∏ ( )) . / . /
( , ) = 𝑙 { ( , )}
∑ [(∑ ( ))] 𝑙 ( ) ( )
( ) ( ) (2.28)
berikut.
( )
∑ 0 . /. /1
∑ . /
21
( )
∑ 0 . /. /1
( )
∑ . / (2.29)
sebagai berikut.
( )
( )
( )
∑ 0 ∑ ( ) . /1
∑ 0 ∑ 𝑙 ( ) . /1 (2.30)
( )
( ) ( )
∑ 0( 1
)
( ) ( ) ( )( ) ( )
∑ 0 1 ∑ 0 1 (2,31)
( ) ( )
sebagai berikut.
( )
( ) ∑ 0 ∑ 𝑙 ( ) 1 (2,32)
( )
Dengan
( )( )
( )
22
2.5.2. Prosedur Komputasi Penaksir Parameter Model Regresi Binomial
Negatif
c. Membentuk vektor g
( ) ( ) ( ) ( )
( ̂ ( )) ( )
[ ] (2.33)
̂( )
∑ [ ∑ 𝑙 ( ) ( )]
( )
∑ [( )]
(̂ ( )) ( ) [( )]
∑
∑ [( )]
[ ]
( ) ( ) ( )
( ) ( ) ( )
( ̂ ( ) )( )( ) (2.34)
( ) ( ) ( )
[ ] ̂( )
̂( )
̂( ) ( ̂ ( )) ( ̂ ( )) (2.35)
23
f. Proses iterasi dapat dihentikan ketika nilai estimasi yang diperoleh sudah
g. Jika belum mencapai penaksir yang konvergen, maka diulang kembali pada
jika ‖ ̂ ( )
̂ ( )‖ .
( )
( ∑ )
berikut :
̂ ̂
(̂) ∑ 0. ̂ / ( ̂ )1 (2.36)
24
Kriteria penolakan adalah tolak jika nilai ( ̂ ) ( )
yang artinya minimal
̂
(2.37)
(̂ )
Kesimpulan:
Daerah penolakan adalah tolak jika nilai dari | | > yang artinya
memperhatikan aspek lokasi atau spasial. Aspek spasial yang dimaksud adalah
25
data yang digunakan memiliki error saling berkorelasi dan memiliki heterogenitas
. / ( ) ( )
(2.38)
Keterangan :
( ) dengan
̂
26
Z : matriks berukuran n x p yang elemen-elemennya adalah vektor yang telah di
Kesimpulan:
berdekatan. Statistik uji yang sering digunakan dalam autokorelasi spasial adalah
berdekatan.
berikut :
̂ ( ̂)
(2.39)
√ ( ̂)
27
dengan
∑ ∑ ( ̅ )( ̅)
̂ (2.40)
.∑ ∑ /∑ ( ̅)
Keterangan :
Kesimpulan:
pusat lokasi yang digunakan sebagai dasar menentukan bobot setiap pengamatan
dengan radius h dari titik lokasi pengamatan ke-i. Lokasi pengamatan terdekat
dengan lokasi ke-i akan memiliki pengaruh yang lebih besar dalam penaksiran
parameter. Pengamatan yang terletak dalam radius h akan diboboti sesuai dengan
28
radius h akan diboboti nol sehingga tidak mempengaruhi penaksiran parameter.
( ) ∑ ( ̂ ( )) (2.41)
pembobot. Fungsi kernel adaptif yaitu fungi kernel yang memiliki bandwidth
yang berbeda pada setiap lokasi pengamatan. Fungsi pembobot yang digunakan
( . / )
( ) { (2.42)
merupakan metode untuk menduga data yang memiliki heterogenitas spasial pada
29
[ ( ∑ ( ) ) ( )] (2.43)
Keterangan :
Fungsi sebaran binomial negatif untuk tiap lokasi dapat ditulis dalam
( )
( | ( ) ( ) . / . / (2.44)
. /
likelihood. Fungsi likelihood yang telah diberi pembobot adalah sebagai berikut.
. | ( ) ( )/
. /
∑ (𝑙 𝑙 ( ) . /( ( )) ( ) (2.45)
. /( )
Binomial Regression
30
( ( ) | ) ∏ .∏ ( )/ . / . / . /
* ( ( ) | )+
∑ 0∑ ( ) ( ) ( ) . /1
∑ 0∑ . / ( ) . / ( )1 (2.46)
2011):
̂ , - (2.47)
b. Membentuk vektor g
( ) ( ) ( ) ( )
( ̂ ( )) ( )
[ ] (2.48)
̂( )
( ) ( ) ( )
( ) ( ) ( )
( ̂ ( ) )( )( ) (2.49)
( ) ( ) ( )
[ ] ̂( )
̂( )
̂( ) ( ̂ ( )) ( ̂ ( )) (2.50)
31
e. Proses iterasi dapat dihentikan ketika nilai estimasi yang diperoleh sudah
diperoleh jika ‖ ̂ ( )
̂ ( )‖ .
Negatif
dilakukan untuk melihat terdapat perbedaan yang signifikan atau tidak antara
( )
Statistik uji:
⁄
(2.51)
⁄
Dimisalkan model A adalah model binomial negatif dan model B adalah model
perbedaan yang signifikan antara model binomial negatif dengan model GWNBR.
32
2.8.3. Pengujian Parameter Model Geographically Weighted Negative
Binomial Regression
berikut:
[ ( ∑ ( ) ) ( )] (2.52)
( ) ( ) ( )
̂ ̂
(̂) ∑ 0. ̂ / ( ̂ )1 (2.53)
terhadap variabel respon pada tiap – tiap lokasi dengan hipotesis sebagai berikut :
33
( )
( )
̂ ( )
(2.54)
(̂ ( ))
Kesimpulan:
Daerah penolakan adalah tolak jika nilai dari | | > yang artinya
Salah satu tujuan dalam analisis regresi adalah untuk mendapatkan model
terbaik dari sejumlah kemungkinan model. Model terbaik merupakan model yang
Nilai AIC adalah kriteria kesesuaian model dalam menduga model secara
AIC sejalan dengan nilai devians dari model. Semakin kecil nilai devians maka
akan semakin kecil pula tingkat kesalahan yang dihasilkan model sehingga model
yang diperoleh menjadi semakin tepat. Nilai AIC dapat dirumuskan sebagai
34
. ̂ ( ̂)/ (2.55)
Keterangan :
̂ ( ̂) = nilai likelihood
35
BAB III
METODOLOGI PENELITIAN
Data yang digunakan dalam penelitian ini adalah data sekunder yang
bersumber dari Badan Pusat Statistik (BPS) Provinsi Jawa Tengah yaitu data
tenaga kerja tahun 2021. Sumber utama data ketenagakerjaan adalah Survei
adalah survei yang diselenggarakan oleh Badan Pusat Statistik (BPS) yang
menggunakan variabel lokasi berupa koordinat garis lintang dan garis bujur pada
setiap titik pusat (centroid) lokasi untuk melakukan analisis berbasis spasial.
bahwa alat ukur yang digunakan telah tervalidasi dan petugas sudah mengisi
dengan benar.
Dalam penelitian ini, variabel yang digunakan yaitu variabel respon (Y)
dan variabel prediktor (X) setiap kabupaten/kota di Jawa Tengah tahun 2021.
Berikut ini merupakan rincian variabel data yang disajikan dalam Tabel 3.1.
36
Tabel 3.1 Variabel Penelitian
Variabel Keterangan
Y Jumlah angkatan kerja tiap kota dan kabupaten di Jawa Tengah (jiwa)
Tengah (%)
Tengah (%)
Tengah
Jawa Tengah
Berikut ini adalah pendefinisian untuk setiap variabel prediktor penelitian, yaitu :
pekerjaan, sudah punya pekerjaan tetapi belum mulai bekerja. TPT dapat
37
secara ekonomi dalam kegiatan sehari-hari merujuk pada suatu waktu dalam
sebagai berikut :
ketergantungan yaitu :
jumlah angkatan kerja di Provinsi Jawa Tengah pada tahun 2021 dengan
38
menggunakan pendekatan model Geographically Weighted Negative Binomial
Regression (GWNBR). Alat bantu yang digunakan dalam analisis data penelitian
prediktor.
pemetaan wilayah.
ditemukan multikolinearitas karena nilai VIF lebih dari 10, maka variabel
prediktor dihapus.
MLE.
berikut.
MLE.
39
6. Melakukan analisis pemodelan GWNBR untuk jumlah angkatan kerja di
berikut.
negatif.
parsial.
dalam diagram alir. Diagram alir menggambarkan proses yang harus dilalui dalam
penelitian. Diagram alir dari penelitian ini dapat dilihat pada Gambar 3.1
40
Mulai
Ada
Deteksi Penanganan
multikolinearitas multikolinearitas
Tidak ada
Regresi Poisson
Tidak ada
Deteksi
Regresi
overdispersi
Poisson
Ada
Tidak ada
Aspek data Pemodelan
spasial Regresi Binomial
Negatif
Ya
Pemodelan GWNBR
Selesai
41
DAFTAR PUSTAKA
42
Rachelia, R. S. S., Jaya, I. G. N. M., & Hendrawati, T. (2022). PEMODELAN
KASUS COVID-19 DI KABUPATEN CIAMIS MENGGUNAKAN
METODE GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL
REGRESSION (GWNBR). E-Journal BIAStatistics| Departemen
Statistika FMIPA Universitas Padjadjaran, 16(1), 17-30.
Ricardo, A., Carvalho, T. (2013). Geographically Weighted Negative Binomial
Regression-Incorporating Overdispersion. Business Media New York:
Springer Science.
SARI, M. P. (2016). PEMODELAN JUMLAH KRIMINALITAS DI INDONESIA
DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED NEGATIVE
BINOMIAL REGRESSION (Doctoral dissertation, UNIVERSITAS
AIRLANGGA).
Su, Z., Hu, H., Tigabu, M., Wang, G., Zeng, A., & Guo, F. (2019).
Geographically weighted negative Binomial regression model predicts
wildfire occurrence in the Great Xing’an Mountains better than negative
Binomial Model. Forests, 10(5), 377.
Suliyanto, S. (2016). Modelling the Amount of Crime in Indonesia Using
Geographically Weighted Negative Binomial Regression Approach. E-
Prosiding Internasional| Departemen Statistika FMIPA Universitas
Padjadjaran, 2(1), 103-109.
Sumargo, B., Kirana, S. J., & Rohimah, S. R. (2023, January). Dengue
hemorrhagic fever modeling using geographically weighted negative
binomial regression. In AIP Conference Proceedings (Vol. 2588, No. 1, p.
050013). AIP Publishing LLC.
Wang, C. (2021). NON-STATIONARY MODELING OF ROAD-CURVE CRASH
FREQUENCY WITH GEOGRAPHICALLY WEIGHTED
REGRESSION (Doctoral dissertation, Purdue University Graduate
School).
Zaina, A. S. N., Pontoh, R. S., & Tantular, B. (2021, August). Pemodelan dan
Pemetaan Penyakit TB Paru di Kota Bandung Menggunakan
Geographically Weighted Negative Binomial Regression: Studi Kasus
Dinas Kesehatan Kota Bandung. In E-Prosiding Seminar Nasional
Statistika| Departemen Statistika FMIPA Universitas Padjadjaran (pp. 8-
8).
Zhang, L., Cheng, J., & Jin, C. (2019). Spatial interaction modeling of OD flow
data: Comparing geographically weighted negative binomial regression
(GWNBR) and OLS (GWOLSR). ISPRS International Journal of Geo-
Information, 8(5), 220.
43
LAMPIRAN
Lampiran 1. Data Jumlah Angkatan kerja di Provinsi Jawa Tengah Tahun 2021
Kabupaten/Kota Y
Kabupaten Cilacap 830043 9.97 62.91 924 50.48 5.34
Kabupaten Banyumas 865982 6.05 65.07 1340 49.47 4.87
Kabupaten Purbalingga 503682 6.05 69.52 1487 50.51 2.74
Kabupaten Banjarnegara 499741 5.86 69.76 1003 47.75 2.79
Kabupaten Kebumen 620127 6.03 67.76 1124 54.61 3.71
Kabupaten Purworejo 415299 3.59 73.29 709 53.1 2.11
Kabupaten Wonosobo 428053 5.26 70.77 903 49.55 2.41
Kabupaten Magelang 774589 5.03 75.78 1184 46.93 3.55
Kabupaten Boyolali 589941 5.09 75.79 1061 49.69 2.91
Kabupaten Klaten 631245 5.48 66.89 1925 47.98 3.45
Kabupaten Sukoharjo 493258 3.32 68.78 1864 43.52 2.48
Kabupaten Wonogiri 573025 2.43 73.09 585 51.07 2.86
Kabupaten Karanganyar 517787 5.89 73.15 1211 45.58 2.56
Kabupaten Sragen 507752 4.76 71.74 1045 47.68 2.68
Kabupaten Grobogan 783035 4.38 72.88 725 46.53 3.98
Kabupaten Blora 485525 3.81 70.54 491 45.52 2.41
Kabupaten Rembang 362020 3.67 70.67 730 41.27 1.76
Kabupaten Pati 694427 4.6 68.99 894 44.37 3.62
Kabupaten Kudus 521094 3.77 74.77 2005 39.58 2.32
Kabupaten Jepara 687284 4.23 69.55 1122 45.08 3.23
Kabupaten Demak 595111 5.28 66.23 1347 43.97 3.3
Kabupaten Semarang 630040 5.02 74.1 1115 44.35 2.88
Kabupaten Temanggung 454927 2.62 74.01 948 45.24 2.16
Kabupaten Kendal 534030 7.55 69.93 917 44.41 2.79
Kabupaten Batang 430690 6.59 71.4 1023 43.51 2.2
Kabupaten Pekalongan 486248 4.28 71.46 1167 47.56 2.66
Kabupaten Pemalang 645103 6.71 65.9 1328 49.75 4.04
Kabupaten Tegal 715845 9.97 66.24 1836 48.33 4.38
Kabupaten Brebes 879258 9.78 63.97 1047 47.81 5.42
Kota Magelang 66086 8.73 67.07 7572 40.67 0.33
Kota Surakarta 282178 7.85 66.89 11361 37 1.42
Kota Salatiga 112124 7.26 70.36 3374 39.34 0.53
Kota Semarang 1034794 9.54 69.41 4432 37.16 4.51
Kota Pekalongan 181210 6.89 75.77 6813 40.6 0.84
Kota Tegal 132440 8.25 68.25 6950 41.18 0.75
44
Lampiran 2. Data Lintang dan Bujur Masing - Masing Lokasi
Kabupaten/Kota
Kabupaten Cilacap -7.6275 108.7917
Kabupaten Banyumas -7.4354 109.0545
Kabupaten Purbalingga -7.325 108.8833
Kabupaten Banjarnegara -7.3584 109.6236
Kabupaten Kebumen -7.6417 109.6917
Kabupaten Purworejo -7.7167 109.965
Kabupaten Wonosobo -7.3917 109.8917
Kabupaten Magelang -7.5124 110.2401
Kabupaten Boyolali -7.5584 110.6
Kabupaten Klaten -7.625 110.625
Kabupaten Sukoharjo -7.6819 110.3971
Kabupaten Wonogiri -7.8917 110.9917
Kabupaten Karanganyar -7.6167 110.9167
Kabupaten Sragen -7.375 110.9584
Kabupaten Grobogan -7.25 110.3334
Kabupaten Blora -6.5689 111.4084
Kabupaten Rembang -7.1667 111.25
Kabupaten Pati -6.7084 111.0417
Kabupaten Kudus -7.0584 111.7167
Kabupaten Jepara -6.5995 110.7857
Kabupaten Demak -6.9429 110.6396
Kabupaten Semarang -7.2829 110.4539
Kabupaten Temanggung -7.3882 110.5792
Kabupaten Kendal -6.9667 109.9834
Kabupaten Batang -7.0296 109.8618
Kabupaten Pekalongan -7.0439 109.6395
Kabupaten Pemalang -8.1057 109.4834
Kabupaten Tegal -7.0472 109.1554
Kabupaten Brebes -6.7347 108.9425
Kota Magelang -7.4704 110.2114
Kota Surakarta -7.7667 110.757
Kota Salatiga -7.3382 110.5011
Kota Semarang -7.0235 110.3901
Kota Pekalongan -6.8842 109.6832
Kota Tegal -6.8677 109.1196
45