Dosen Pembimbing :
Valeriana Lukitosari, S.Si, MT
DEPARTEMEN MATEMATIKA
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Surabaya 2017
i
ii
FINAL PROJECT– SM141501
Supervisor :
Valeriana Lukitosari, S.Si, MT
DEPARTMENT OF MATHEMATIC
Faculty of Mathematics and Natural Sciences
Sepuluh Nopember Institute of Technology
Surabaya 2017
iii
iv
LEMBAR PENGESAHAN
TUGAS AKHIR
Diajukanuntukmemenuhisalahsatusyarat
UntukmemperolehgelarSarjanaSains
Padabidangstudi Matematika Terapan
Program Studi S-1 Departemen Matematika
FakultasMatematikadanIlmuPengetahuanAlam
Institut TeknologiSepuluhNopember Surabaya
Oleh:
SITI NUR AFIFAH
NRP. 1213 100 083
Menyetujui,
Dosen Pembimbing,
Mengetahui,
Kepala Departemen Matematika
FMIPA ITS
Abstrak
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
model terbaik yaitu Spatial Error Model (SEM).
vii
viii
MODELING OF SPAREPARTS INVENTORY
ALLOCATION CONSIDERING THE SPATIAL EFFECT
Name : Siti Nur Afifah
NRP : 1213100083
Department : Matematika FMIPA-ITS
Supervisor : Valeriana Lukitosari, S.Si, MT
Abstract
Inventory is very important for a company. An ATM maintenance
service provider may be deemed to have breached an employment
contract and face the risk of a fine penalty, in case of engine
failure while the spare parts of the machine are not available in
the warehouse, and shall await the arrival of the supplier in an
uncertain time, From the central company to the spare parts
warehouse located in various areas must be done optimally and
efficiently. To determine the allocation of spare parts inventory
we need a model that describes the relationship between the
amount of inventory and the factors that influence and spatial
factors. This final project aims to model the amount of inventory
with the factors that influence it. Modeling is done by regional
approach (spatial). From the model we obtained two significant
influental variables that is amount of damaged spare parts and
spare parts lifetime. And the best model is Spatial Error Model
(SEM).
ix
x
KATA PENGANTAR
Alhamdulillaahirobbil’aalamiin, segala puji dan syukur
penulis panjatkan ke hadirat Allah SWT yang telah memberikan
limpahan rahmat, taufik serta hidayah-Nya, sehingga penulis
dapat menyelesaikan Tugas Akhir yang berjudul
“PEMODELAN ALOKASI PERSEDIAAN SUKU CADANG
DENGAN MEMPERTIMBANGKAN PENGARUH
SPASIAL”
sebagai salah satu syarat kelulusan Program Sarjana Departemen
Matematika FMIPA Institut Teknologi Sepuluh Nopember (ITS)
Surabaya.
Tugas Akhir ini dapat diselesaikan dengan baik berkat
bantuan dan dukungan dari berbagai pihak. Oleh karena itu,
penulis menyampaikan ucapan terima kasih dan penghargaan
kepada:
1. Kepala Departemen Matematika ITS yang telah memberikan
dukungan dan motivasi selama perkuliahan hingga
terselesaikannya Tugas Akhir ini.
2. Kaprodi S1 Departemen Matematika dan sekretaris prodi S1
yang telah memberikan arahan akademik selama penulis
kuliah di Departemen Matematika FMIPA-ITS.
3. Ibu Valeriana Lukitosari, S.Si, MT sebagai dosen
pembimbing yang telah memberikan motivasi dan pengarahan
dalam penyelesaian Tugas Akhir ini.
4. IbuDwi Ratna Sulistyaningrum, S.Si, MT sebagai dosen
wali yang telah memberikan arahan akademik selama penulis
kuliah di Departemen Matematika FMIPA-ITS.
5. Bapak dan Ibu dosen serta para staf Departemen Matematika
ITS yang tidak dapat penulis sebutkan satu-persatu.
6. Keluarga besar saya terutama kedua orang tua saya, Bapak
Mashadi dan Ibu Rumiyatun, juga adik saya M.Faiszal
xi
Dhiyauzain yang telah memberikan kasih saying, doa,
semangat, dan banyak hal lain kepada saya.
7. Sanabat- sahabat saya Putri Saraswati, Retno Palupi, Mega,
Azaria, Melynda, Airin, Fika, Jessica, RYP, Eka Putridan
seluruh teman-teman Matematika ITS 2013 yang telah
membantu dan memotivasi saya.
8. Semua pihak yang telah memberikan dukungan dan ilmu
kepada penulis dalam penyelesaian Tugas Akhir ini.
Penulis menyadari bahwa dalam penyusunan Tugas Akhir ini
masih mempunyai banyak kekurangan. Kritik dan saran dari
berbagai pihak yang bersifat membangun juga sangat diharapkan
sebagai bahan perbaikan di masa yang akan datang.
Penulis
xii
DAFTAR ISI
LEMBAR PENGESAHAN ........................................................... v
Abstrak ........................................................................................ vii
Abstract ........................................................................................ ix
KATA PENGANTAR .................................................................. xi
DAFTAR ISI ............................................................................. xiii
DAFTAR GAMBAR................................................................. xvii
DAFTAR TABEL ...................................................................... xix
DAFTAR SIMBOL .................................................................... xxi
BAB I PENDAHULUAN ............................................................. 1
1.1 Latar Belakang..................................................................... 1
1.2 Rumusan Masalah ............................................................... 2
1.3 Batasan Masalah .................................................................. 2
1.4 Tujuan .................................................................................. 3
1.5 Manfaat ................................................................................ 3
1.6 Sistematika Penulisan .......................................................... 3
BAB II Tinjauan Pustaka............................................................... 5
2.1 Penelitian Terdahulu ............................................................ 5
2.2 Persediaan Suku Cadang ..................................................... 5
2.3 Model Regresi Linear .......................................................... 8
2.4 Uji Efek Spasial ................................................................. 12
2.4.1 Spatial Dependence .................................................... 12
2.4.2 Spatial Heterogenity ................................................... 13
2.5 Regresi Spasial .................................................................. 14
2.5.1 Matriks Pembobot Spasial .......................................... 14
2.5.2 Pemodelan Spasial ...................................................... 15
xiii
2.6 Metode Maksimum Likelihood.......................................... 16
2.7 Pemilihan Model Terbaik .................................................. 17
2.8 Pengujian asumsi regresi ................................................... 17
2.8.1 Asumsi Kenormalan dari Residual. ............................ 18
2.8.2 Asumsi Tidak ada Otokorelasi dari Residual ............. 18
2.8.3 Asumsi Homokedastisitas .......................................... 19
2.8.4 Asumsi tidak ada Multikolinearity. ............................ 20
2.9 GeoDa ................................................................................ 20
BAB III METODE PENELITIAN .............................................. 22
BAB IV ANALISIS DAN PEMBAHASAN .............................. 24
4.1 Objek Penelitian ................................................................ 24
4.1.1 Gambaran Objek Penelitian ........................................ 24
4.1.2 Deskripsi Variabel ...................................................... 26
4.2 Model Regresi Serentak Jumlah Persediaan Metode OLS 31
4.3 Pemodelan Spasial ............................................................. 33
4.3.1 Identifikasi Efek Spasial ............................................. 33
4.3.2 Matriks Pembobot Spasial .......................................... 39
4.3.3 Estimasi Parameter SAR ............................................ 40
4.3.4 Spatial Autoreggressive Model (SAR) ....................... 43
4.3.5 Estimasi Parameter SEM ............................................ 45
4.3.6 Spatial Error Model (SEM)........................................ 47
4.4 Uji Asumsi Residual Model Regresi Spasial ..................... 48
4.4.1 Asumsi Homogenitas Varians (Identik) ..................... 48
4.4.2 Asumsi Independen .................................................... 49
4.4.3 Asumsi Normalitas ..................................................... 49
4.5 Perbandingan Nilai Estimator Model ................................ 50
xiv
4.6 Pemilihan Model Terbaik .................................................. 50
4.7 Analisis Variabel-Variabel Pengaruh ................................ 51
BAB V KESIMPULAN DAN SARAN ...................................... 53
5.1 Kesimpulan ........................................................................ 53
5.2Saran ................................................................................... 54
DAFTAR PUSTAKA .................................................................. 55
LAMPIRAN A ............................................................................ 57
LAMPIRAN B ............................................................................ 59
LAMPIRAN C ............................................................................ 60
LAMPIRAN D ............................................................................ 62
LAMPIRAN E ............................................................................. 66
LAMPIRAN F ............................................................................. 67
LAMPIRAN G ............................................................................ 68
LAMPIRAN H ............................................................................ 69
LAMPIRAN I .............................................................................. 70
LAMPIRAN J.............................................................................. 71
LAMPIRAN K ............................................................................ 72
BIODATA PENULIS .................................................................. 73
xv
xvi
DAFTAR GAMBAR
xvii
xviii
DAFTAR TABEL
Tabel 2.1 ANOVA......................................................................... 9
Tabel 4.1 Variabel-Variabel Pengaruh.........................................26
Tabel 4.2 Hasil Uji Residual ....................................................... 33
Tabel 4.3 Hasil Uji Lagrange Multiplier ..................................... 39
Tabel 4.4 Estimasi Parameter SAR ............................................. 44
Tabel 4.5 Estimasi Parameter SEM ............................................. 48
Tabel 4.6 Hasil Uji Park .............................................................. 49
Tabel 4.7 Hasil Uji Kolmogorov-Smirnov .................................. 50
Tabel 4.8 Perbandingan Nilai Parameter ..................................... 50
Tabel 4.9 Kriteria Pemilihan Model ............................................ 51
xix
xx
DAFTAR SIMBOL
xxi
xxii
BAB I
PENDAHULUAN
1
2
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 Spatial Autoregressive Model (SAR),
Spatial Error Model (SEM) dan Spatial Autoregressive Moving
Average(SARMA). SAR, SEM dan SARMA didasarkan pada
efek lag spasial dan error spasial dengan menggunakan
pendekatan area.
1.4 Tujuan
Tujuan dari penulisan tugas akhir ini adalah memodelkan
hubungan antara persediaan suku cadang dan faktor-faktor yang
mempengaruhinya dengan pendekatan regresi spasial.
1.5 Manfaat
Manfaat dari tugas akhir ini adalah:
1. Manfaat bagi penulis adalah sebagai penerapan dari metode-
metode yang digunakan dalam penulisan tugas akhir.
2. Memberikan informasi bagi perusahaan penyediaan jasa
pemeliharaan mesin ATM terkait mengenaai alokasi
persediaan suku cdang.
3. Hasil penelitian ini dapat digunakan sebagai tambahan
refrensi untuk penelitian-penelitian selanjutnya.
5. BAB V PENUTUP
Bab ini menjelaskan kesimpulan yang diperoleh dari
pembahasan dan saran untuk pengembangan penelitian
selanjutnya.
BAB II
Tinjauan Pustaka
5
6
dimana :
𝑘𝑘 : Banyaknya variabel prediktor
𝑦𝑦𝑖𝑖 : Variabel respon ke-i
𝑋𝑋𝑘𝑘𝑘𝑘 : Variabel predictor ke-k pada pengamatan ke
𝛽𝛽𝑘𝑘 : Parameter regresi ke-k
𝜀𝜀𝑖𝑖 : Error ke-i
Total SST 𝑛𝑛 − 1
dimana:
p = jumlah parameter regresi
10
dengan keputusan tolak 𝐻𝐻𝑜𝑜 jika |𝑡𝑡ℎ𝑖𝑖𝑖𝑖 | > 𝑡𝑡(𝑑𝑑𝑑𝑑 :1−𝛼𝛼/2) dimana
𝑑𝑑𝑑𝑑 = 𝑛𝑛 − 2 − 𝑘𝑘 (n adalah jumlah pengamatan dan k adalah
jumlah variabel bebas).atau p-value<𝛼𝛼 (dengan 𝛼𝛼 = 5%).
Estimasi parameter untuk 𝛽𝛽 dapat diperoleh dengan metode
kuadrat terkecil (Ordinary Least Square). Prinsip OLS adalah
meminimumkan jumlah kuadrat galat. Untuk memperoleh
estimator bagi 𝛽𝛽 yang dilambangkan 𝛽𝛽̂ dilakukan dengan
menggunakan persamaan (2.2) [10].
Matriks error dapat diperoleh dengan:
𝜀𝜀 = 𝑦𝑦 − 𝑋𝑋𝑋𝑋 (2.4)
Dengan menggunakan prinsip dasar OLS dan persamaan (2.4)
maka
11
𝑘𝑘
� 𝜀𝜀𝑖𝑖2 = 𝜀𝜀 𝑇𝑇 𝜀𝜀
𝑖𝑖=1
dimana:
𝑀𝑀: 𝐼𝐼 − 𝑋𝑋(𝑋𝑋 𝑇𝑇 𝑋𝑋)−1 𝑋𝑋 𝑇𝑇
13
𝑇𝑇 = 𝑡𝑡𝑡𝑡�(𝑊𝑊 𝑇𝑇 + 𝑊𝑊)𝑊𝑊�
𝜀𝜀 𝑇𝑇 𝜀𝜀
𝑠𝑠 2 =
𝑛𝑛
dimana:
𝑋𝑋 : Matriks variabel dependen berukuran 𝑛𝑛 × 𝑘𝑘
𝑊𝑊 : Matriks pembobot spasial (pada lampiran C) berukuran
𝑛𝑛 × 𝑛𝑛
𝜀𝜀 : Vektor error
𝑦𝑦 :Matriks jumlah persediaan suku cadang (data pada
lampiran A)
𝜀𝜀 𝑇𝑇 𝑊𝑊𝑊𝑊
� �
𝑠𝑠 2
𝐿𝐿𝑀𝑀𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 =
𝑇𝑇
dimana:
𝑇𝑇 = 𝑡𝑡𝑡𝑡�(𝑊𝑊 𝑇𝑇 + 𝑊𝑊)𝑊𝑊�
𝑛𝑛 𝑇𝑇 𝑛𝑛 𝑇𝑇 𝑛𝑛
1
𝐵𝐵𝐵𝐵 = �� 𝑥𝑥𝑖𝑖 𝑓𝑓𝑖𝑖 � �� 𝑥𝑥𝑖𝑖 𝑥𝑥𝑖𝑖 � �� 𝑥𝑥𝑖𝑖 𝑓𝑓𝑖𝑖 �
2
𝑖𝑖=1 𝑖𝑖=1 𝑖𝑖=1
dimana:
𝑦𝑦 : vektor variabel dependen berukuran 𝑛𝑛 × 1
𝜌𝜌 : koefisien spasial lag dari variabel independen
𝑋𝑋 : matriks variabel independen berukuran 𝑛𝑛 × (𝑘𝑘 + 1)
𝛽𝛽 : vektor parameter koefisien spasial lag pada error
𝜆𝜆 :koefisien spasial autoregressive yang bernilai | λ |<1
𝑢𝑢 : vektor error pada persamaan (4) berukuran 𝑛𝑛 × 1
𝜀𝜀 : vektor error pada persamaan (5), berukuran 𝑛𝑛 𝑥𝑥 1, yang
berdistribusi normal dengan mean nol dan varians 𝜎𝜎 2 𝐼𝐼
𝑊𝑊 : matriks pembobot berukuran 𝑛𝑛 𝑥𝑥 𝑛𝑛
𝐼𝐼 : matriks identitas, berukuran 𝑛𝑛 𝑥𝑥 𝑛𝑛
n : banyaknya amatan/lokasi (𝑖𝑖 = 1, 2, . . , 𝑛𝑛)
Error regresi (u) yang diasumsikan memiliki efek lokasi
random dan mempunyai autokorelasi secara spasial.Pada
persamaan (2.9) pada saat X = 0 dan 𝑊𝑊2 = 0 menjadi spasial
autoregressive order pertama seperti pada persamaan (2.11) :
𝑦𝑦 = 𝜌𝜌𝜌𝜌𝜌𝜌 + 𝜀𝜀 (2.11)
𝜀𝜀 ≈ 𝑁𝑁(0, 𝜎𝜎 2 𝐼𝐼)
Pada persamaan (2.11) menunjukan variansi pada y sebagai
kombinasi linier variansi antar lokasi yang berdekatan dengan
tanpa variabel independen.
1. Pada persamaan (2.9) jika nilai 𝜌𝜌 = 0 dan 𝜆𝜆 = 0 maka
persamaan menjadi:
𝑦𝑦 = 𝑋𝑋𝑋𝑋 + 𝜀𝜀
Dalam notasi ini persamaan ini disebut model regresi klasik
atau lazim dikenal sebagai model regresi Ordinary Least
16
dimana:
p = jumlah variabel independen
𝑥𝑥1𝑖𝑖 = 𝑋𝑋1𝑖𝑖 − 𝑋𝑋�1 , 𝑥𝑥2𝑖𝑖 = 𝑋𝑋2𝑖𝑖 − 𝑋𝑋�1 , 𝑥𝑥𝑝𝑝𝑝𝑝 = 𝑋𝑋𝑝𝑝𝑝𝑝 − 𝑋𝑋�1 , dan
𝑦𝑦𝑖𝑖 = 𝑌𝑌𝑖𝑖 − 𝑌𝑌�
Nilai dari koefisien determinasi ini adalah 0 ≤ 𝑅𝑅 2 ≤ 1.
Semakin besar 𝑅𝑅2 maka kepercayaan terhadap model
semakin besar (model semakin tepat dalam menggambarkan
fenomena dari variabel respon). 𝑅𝑅 2 bernilai nol artinya
variabel prediktor yang terdapat dalam model tidak ada
kontribusi terhadap naik turunnya 𝑦𝑦. Bernilai satu artinya
bahwa variansi dari 𝑦𝑦, 100 persen dipengaruhi oleh variabel
prediktor yang terdapat dalam model.
2. Akaike’s Information Criterion (AIC) diperkenalkan pada tahun 1973 oleh A
𝐴𝐴𝐴𝐴𝐴𝐴 = −2𝐿𝐿𝑘𝑘 + 2𝑘𝑘 (2.16)
dimana:
k = jumlah parameter dalam model
𝐿𝐿𝑘𝑘 = Nilai dari maksimum log-likelihood
2.9 GeoDa
SPSS, SAS, Minitab, Eviews, LISREAL, dan program-R
adalah beberapa program yang digunakan untuk membantu
perhitungan dalam bidang statistika. Program – program tersebut
berfungsi untuk membantu dalam memproses data secara tepat
dan cepat. Selain program tersebut terdapat program statistika
bernama GeoDa yang khusus digunakan untuk regresi spasial.
Bentuk program GeoDa sama seperti SPSS yang mampu
memberikan kemudahan penerapan, kecepatan proses analisis,
serta ketepatan hasil.
GeoDa adalah program yang digunakan untuk melakukan
analisis data spasial, geovisualization, autokorelasi spasial dan
pemodelan spasial berbentuk free lisence sehingga bebas untuk
digunakan siapapun tanpa dipungut biaya [11].
Program Geoda dapat digunakan di beberapa sistem operasi
yang berbeda yaitu Windows (XP, Vista, dan 7), Mac OS, dan
Linux. Fungsi GeoDa diklasifikasikan menjadi 6 kategori yaitu
analisis spasial, eksplorasi data, mapping, analisis multivariat,
autokorelasi spasial, dan regresi spasial. Selain itu GeoDa juga
21
22
23
24
25
turun. Hal ini ditunjukkan dengan garis linier pada grafik yang
relative menurun..
dimana:
𝐼𝐼 : indeks moran
𝑛𝑛 : banyaknya amaatan
𝑊𝑊𝑖𝑖𝑖𝑖 : bobot dari kota ke i dengan kota ke j (dapat dilihat pada
lampiran C) yang telah terstandarisasi.
𝑦𝑦𝑖𝑖 : jumlah persediaan kota ke i
𝑦𝑦� : rata-rata jumlah persediaan
Pada uji signifikansi digunakan pendekatan normal untuk
mengetahui apakah terdapat autokorelasi spasial atau tidak.
Uji hipotesisnya adalah sebagai berikut:
i. H0 : Tidak terdapat autokorelasi spasial
H1 : Terdapat autokorelasi spasial
ii. Tingkat signifikansi α = 5%
iii. Statistik uji
n n
S 0 = ∑∑Wij = 38
i =1 j =1
1 1 1 1
2 2
1 n
S1 = ∑ ij ji 2 4 3
( W + W ) 2
= + + + + 1
6
2 i≠ j
1
S1 = (28,052051) = 14,026
2
n n n 6 2 1
2
S 2 = ∑ (∑Wij + ∑ W ji ) = 1 + + + 1 +
2
i =1 j =1 j =1 7 6
S 2 = 166,458
35
1 1
E(I ) = − =− = −0,02703
38 − 1 37
n 2 S 1 − nS 2 − 3S 02
var( I ) = − [ E ( I )] 2
(n 2 − 1) S 02
(38) 2 (14,026) − 38(166,458) − 3(38) 2
var( I ) = − ( −0,02703) 2
(352 − 1)(35) 2
9596,14
var(I ) = − 0,000731
2083692
var( I ) = 0,004
I − E(I )
Z= = 3,7182376956
var(I )
iv. Kriteria Uji
Tolak H0 pada taraf signifikansi α jika 𝑍𝑍ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 > 𝑍𝑍𝛼𝛼�
2
dengan 𝑍𝑍0,025 = 1,960
v. Dari hasil perhitungan didapatkan:
𝑍𝑍ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 3,7182376956 maka 𝑍𝑍ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 >𝑍𝑍0,025 Sehingga
H0 ditolak menunjukkan terdapat autokorelasi spasial.
Dari pengujian Indeks Moran diperoleh kesimpulan bahwa
pada taraf signifikansi 5% dinyatakan terdapat autokorelasi
spasial tehadap jumlah persediaan suku cadang sebesar 0,208132
berada pada rentang 0 < I ≤ 1 dan menunjukkan adanya
autokorelasi spasial positif, berarti disimpulkan bahwa antar
warehouse satu dengan yang lainnya mempunyai kemiripan nilai
dari lokasi-lokasi yang berdekatan dan cenderung berkelompok.
Adapun dampak dari adanya autokorelasi dalam model
regresi adalah sama dengan dampak dari heteroskedastisitas,
yaitu walaupun estimator OLS masih linier dan tidak bias,
tetapi tidak lagi mempunyai variansi yang minimum dan
menyebabkan perhitungan standard error metode OLS tidak
36
dengan:
𝑀𝑀: 𝐼𝐼 − 𝑋𝑋(𝑋𝑋 𝑇𝑇 𝑋𝑋)−1 𝑋𝑋 𝑇𝑇
𝑇𝑇 = 𝑡𝑡𝑡𝑡�(𝑊𝑊 𝑇𝑇 + 𝑊𝑊)𝑊𝑊�
𝜀𝜀 𝑇𝑇 𝜀𝜀
𝑠𝑠 2 =
𝑛𝑛
Keterangan:
𝑋𝑋 : Matriks variabel dependen berukuran 𝑛𝑛 × 𝑘𝑘
𝑊𝑊 : Matriks pembobot spasial (pada lampiran C) berukuran
𝑛𝑛 × 𝑛𝑛
𝜀𝜀 : Vektor error
37
Statistik uji:
𝜀𝜀 𝑇𝑇 𝑊𝑊𝑊𝑊
� �
𝑠𝑠 2
𝐿𝐿𝑀𝑀𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 =
𝑇𝑇
dimana:
𝑇𝑇 = 𝑡𝑡𝑡𝑡�(𝑊𝑊 𝑇𝑇 + 𝑊𝑊)𝑊𝑊�
2
Kriteria keputusan yaitu 𝐻𝐻0 ditolak jika 𝐿𝐿𝑀𝑀𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 > 𝜒𝜒𝛼𝛼,1 atau
p-value <𝛼𝛼artinya ada dependensi spatial error.
Dapat dilihat pada table 4.3 diperoleh nilai p-valueLM-error
persediaan suku cadang sebesar 0,02916. Karena nilai tersebut
kurang dari error yang ditetapkan (α = 5%), maka disimpulkan
tolak𝐻𝐻0 , artinya terdapat dependensi spatialerror. Hal ini
memungkinkan untuk melanjutkan model dengan regresi Spatial
Error Model (SEM).
38
Fungsi peluang bersama, dari n peubah acak 𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑛𝑛 adalah:
𝑓𝑓(𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑛𝑛 ) = 𝑓𝑓(𝜀𝜀1 ) 𝑓𝑓(𝜀𝜀2 ) … 𝑓𝑓(𝜀𝜀𝑛𝑛 )
𝜀𝜀 2 𝜀𝜀 2 𝜀𝜀 2
1 � 1 2� 1 � 2 2� 1 � 𝑛𝑛 2 �
=� 𝑒𝑒 2𝜎𝜎 �� 𝑒𝑒 2𝜎𝜎 �…� 𝑒𝑒 2𝜎𝜎 �
𝜎𝜎√2𝜋𝜋 𝜎𝜎√2𝜋𝜋 𝜎𝜎√2𝜋𝜋
41
∑ 𝑛𝑛𝜀𝜀 2
1 � 𝑖𝑖=12 𝑖𝑖 �
2𝜎𝜎
= 𝑛𝑛 𝑒𝑒
(2𝜋𝜋) 2 𝜎𝜎 𝑛𝑛
𝜀𝜀 𝑇𝑇 𝜀𝜀
1 �− �
= 𝑒𝑒 2𝜎𝜎 2
𝑛𝑛
(2𝜋𝜋) 2 𝜎𝜎 𝑛𝑛
Fungsi peluang bersama dari variabel respon Y diperoleh
dengan mentransformasi persamaan (2.4) sebagai berikut:
𝑦𝑦 = 𝜌𝜌𝑊𝑊1 𝑦𝑦 + 𝑋𝑋𝑋𝑋 + 𝜀𝜀
𝜀𝜀 = 𝑦𝑦 − 𝜌𝜌𝑊𝑊1 𝑦𝑦 − 𝑋𝑋𝑋𝑋
𝜀𝜀 = (𝐼𝐼 − 𝜌𝜌𝑊𝑊1 )𝑦𝑦 − 𝑋𝑋𝑋𝑋
𝜕𝜕𝜕𝜕
Dengan 𝐽𝐽 = � � = |𝐼𝐼 − 𝜌𝜌𝑊𝑊1 |, sehingga diperoleh fungsi
𝜕𝜕𝜕𝜕
PDF bersama dari𝑌𝑌1 , 𝑌𝑌2 , … , 𝑌𝑌𝑛𝑛 yaitu:
𝑓𝑓(𝑦𝑦1 , 𝑦𝑦2 , … , 𝑦𝑦𝑛𝑛 ) = 𝑓𝑓(𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑛𝑛 )|𝐽𝐽|
(𝑌𝑌 −𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )𝑇𝑇 (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )
1 � � 𝜕𝜕𝜕𝜕
= 𝑒𝑒 2𝜎𝜎 2 � �
𝑛𝑛
(2𝜋𝜋) �2 𝜎𝜎 𝑛𝑛 𝜕𝜕𝜕𝜕
(𝑌𝑌 −𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )𝑇𝑇 (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )
|𝐼𝐼 − 𝜌𝜌𝜌𝜌| � �
= 𝑒𝑒 2𝜎𝜎 2 , −∞ < 𝑦𝑦𝑖𝑖 < ∞
𝜋𝜋� 𝑛𝑛
(2𝜋𝜋) 2 𝜎𝜎
𝑛𝑛 𝑛𝑛
= − ln(2𝜋𝜋) − ln 𝜎𝜎 2 + ln|𝐼𝐼 −
2 2
(𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )𝑇𝑇 (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )
𝜌𝜌𝜌𝜌| − (4.3)
2𝜎𝜎 2
𝑠𝑠(𝛽𝛽) = (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌)𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌) − 2𝛽𝛽𝑇𝑇 𝑋𝑋 𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌) + 𝛽𝛽𝑇𝑇 𝑋𝑋 𝑇𝑇 𝑋𝑋𝑋𝑋
Sehingga diperoleh:
(𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 )𝑇𝑇 (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 )−2𝛽𝛽 𝑇𝑇 𝑋𝑋 𝑇𝑇 (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 )+𝛽𝛽 𝑇𝑇 𝑋𝑋 𝑇𝑇 𝑋𝑋𝑋𝑋
𝜕𝜕 � �
2𝜎𝜎 2
=0
𝜕𝜕β
−2𝑋𝑋 𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌) + 2𝑋𝑋 𝑇𝑇 𝑋𝑋𝛽𝛽̂
=0
2𝜎𝜎 2
𝑋𝑋 𝑇𝑇 𝑋𝑋𝛽𝛽̂ = 𝑋𝑋 𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌)
𝛽𝛽̂ = (𝑋𝑋 𝑇𝑇 𝑋𝑋)−1 𝑋𝑋 𝑇𝑇 (𝐼𝐼 − 𝜌𝜌𝜌𝜌)𝑌𝑌 (4.5)
Sehingga didapat 𝛽𝛽̂ adalah estimator untk 𝛽𝛽
2. Estimasi parameter 𝜌𝜌 Model SAR
Estimasi parameter 𝜌𝜌� menggunakan optimalisasi fungsi
persamaan (4.3)
43
𝑓𝑓(𝜌𝜌)
𝑛𝑛 𝑛𝑛
= − ln(2𝜋𝜋) − ln 𝜎𝜎 2
2 2
(𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)
+ ln|𝐼𝐼 − 𝜌𝜌𝜌𝜌| −
2𝜎𝜎 2
𝑛𝑛 𝑛𝑛 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)
= − ln(2𝜋𝜋) − ln
2 2 𝑛𝑛
(𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)
+ ln|𝐼𝐼 − 𝜌𝜌𝜌𝜌𝜌𝜌| − (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )𝑇𝑇 (𝑌𝑌−𝜌𝜌𝜌𝜌𝜌𝜌 −𝑋𝑋𝑋𝑋 )
2 𝑛𝑛
𝑛𝑛 𝑛𝑛
= − ln(2𝜋𝜋) − ln((𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)𝑇𝑇 (𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋))
2 2
𝑛𝑛 𝑛𝑛
+ ln 𝑛𝑛 + ln|𝐼𝐼 − 𝜌𝜌𝜌𝜌| −
2 2
𝑛𝑛 𝑇𝑇 (𝑌𝑌
= 𝐶𝐶 − ln�(𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋) − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋𝑋𝑋)� + ln|𝐼𝐼 − 𝜌𝜌𝜌𝜌|
2
𝑛𝑛 𝑇𝑇
= 𝐶𝐶 − ln ln ��𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋(𝛽𝛽𝑜𝑜𝑜𝑜𝑜𝑜 − 𝜌𝜌𝛽𝛽𝑙𝑙𝑙𝑙𝑙𝑙 )� �𝑌𝑌 − 𝜌𝜌𝜌𝜌𝜌𝜌 − 𝑋𝑋(𝛽𝛽𝑜𝑜𝑜𝑜𝑜𝑜
2
− 𝜌𝜌𝛽𝛽𝑙𝑙𝑙𝑙𝑙𝑙 ))� + ln|𝐼𝐼 − 𝜌𝜌𝜌𝜌|
𝑛𝑛 𝑇𝑇
= 𝐶𝐶 − 2 ln ��𝜀𝜀𝑜𝑜𝑜𝑜𝑜𝑜 − 𝜌𝜌𝜀𝜀𝑙𝑙𝑙𝑙𝑙𝑙 � �𝜀𝜀𝑜𝑜𝑜𝑜𝑜𝑜 − 𝜌𝜌𝜀𝜀𝑙𝑙𝑙𝑙𝑙𝑙 �� + ln|𝐼𝐼 − 𝜌𝜌𝜌𝜌| (4.6)
Dengan:
𝑛𝑛 𝑛𝑛 𝑛𝑛
𝐶𝐶 = − ln(2𝜋𝜋) − ln(𝑛𝑛) −
2 2 2
𝜀𝜀𝑜𝑜𝑜𝑜𝑜𝑜 = 𝑌𝑌 − 𝑋𝑋𝛽𝛽𝑜𝑜𝑜𝑜𝑜𝑜
𝜀𝜀𝑙𝑙𝑙𝑙𝑙𝑙 = 𝑌𝑌 − 𝑋𝑋𝛽𝛽𝑙𝑙𝑙𝑙𝑙𝑙
𝛽𝛽𝑜𝑜𝑜𝑜𝑜𝑜 = (𝑋𝑋 𝑇𝑇 𝑋𝑋)−1 𝑋𝑋 𝑇𝑇 𝑌𝑌
𝛽𝛽𝑙𝑙𝑙𝑙𝑙𝑙 = (𝑋𝑋 𝑇𝑇 𝑋𝑋)−1 𝑋𝑋 𝑇𝑇 𝑊𝑊𝑊𝑊
dimana:
𝑦𝑦𝑖𝑖 : Jumlah persediaan suku cadang di kabupaten/kota ke-i
𝑋𝑋1𝑖𝑖 : Jumlah kerusakan di kabupaten/kota ke-i
𝑋𝑋3𝑖𝑖 : Lifetime suku cadang di kabupaten/kota ke-i
𝑊𝑊𝑖𝑖𝑖𝑖 : Matriks penimbang spasial
𝜀𝜀𝑖𝑖 : Residual dari kabupaten/kota ke-i
Fungsi peluang bersama, dari n peubah acak 𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑛𝑛 adalah:
𝑓𝑓(𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑛𝑛 ) = 𝑓𝑓(𝜀𝜀1 ) 𝑓𝑓(𝜀𝜀2 ) … 𝑓𝑓(𝜀𝜀𝑛𝑛 )
𝜀𝜀 𝜀𝜀 𝜀𝜀
1 2
� 1 � 1 2
� 2 � 1 2
� 𝑛𝑛 �
=� 𝑒𝑒 2𝜎𝜎 2 � � 𝑒𝑒 2𝜎𝜎 2 � … � 𝑒𝑒 2𝜎𝜎 2 �
𝜎𝜎√2𝜋𝜋 𝜎𝜎√2𝜋𝜋 𝜎𝜎√2𝜋𝜋
∑ 𝑛𝑛𝜀𝜀 2
1 � 𝑖𝑖=12 𝑖𝑖 �
2𝜎𝜎
= 𝑛𝑛 𝑒𝑒
(2𝜋𝜋) 2 𝜎𝜎 𝑛𝑛
𝜀𝜀 𝑇𝑇 𝜀𝜀
1 �− �
= 𝑒𝑒 2𝜎𝜎 2
𝑛𝑛
(2𝜋𝜋) 2 𝜎𝜎 𝑛𝑛
Fungsi peluang bersama dari variabel respon Y diperoleh
dengan mentransformasi persamaan (2.10) sebagai berikut:
𝑢𝑢 = 𝜆𝜆𝜆𝜆𝜆𝜆 + 𝜀𝜀
(𝐼𝐼 − 𝜆𝜆𝜆𝜆)𝑢𝑢 = 𝜀𝜀
𝑢𝑢 = (𝐼𝐼 − 𝜆𝜆𝜆𝜆)−1 𝜀𝜀
𝑦𝑦 = 𝜌𝜌𝑊𝑊1 𝑦𝑦 + 𝑋𝑋𝑋𝑋 + 𝜀𝜀
𝜀𝜀 = 𝑦𝑦 − 𝜌𝜌𝑊𝑊1 𝑦𝑦 − 𝑋𝑋𝑋𝑋
46
dimana:
𝑦𝑦𝑖𝑖 : Jumlah persediaan suku cadang di kabupaten/kota ke-i
𝑋𝑋1𝑖𝑖 : Jumlah kerusakan di kabupaten/kota ke-i
𝑋𝑋3`𝑖𝑖 : Lifetime suku cadang di kabupaten/kota ke-i
𝑊𝑊𝑖𝑖𝑖𝑖 : Matriks penimbang spasial dari kabupaten/kota ke-i
𝑈𝑈𝑖𝑖 : Residual Spasial dari kabupaten/kota ke-i
48
2 -0,067 0,018
Spatial Error Model (0,698) (0,918)
5.1 Kesimpulan
Berdasarkan analisis dan pembahasan pada bab sebelumnya,
dapat disimpulkan beberapa hal sebagai berikut :
1. Dari pengujian Indeks Moran diperoleh kesimpulan bahwa
pada taraf signifikansi 5% dinyatakan terdapat autokorelasi
spasial tehadap jumlah persediaan suku cadang sebesar
0,208132 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 AutoregressiveModel
(SAR) dan Spatial Error Model (SEM). Model
SARdidapatkan variabel predictor yang signifikan pada α=5%
adalah variabel jumlah kerusakansuku cadang (𝑋𝑋1 ), dan
lifetimesuku cadang (𝑋𝑋3 ). Model SAR yang didapatkan
adalah sebagai berikut.
𝑛𝑛
53
54
55
56
57
58
LAMPIRAN A (lanjutann)
Data jumlah persediaan suku cadang
Periode 1 Januari 2015-31 Desember 2016
Kode Kabupaten/kota 𝑦𝑦𝑖𝑖 X1 X2 X3 X4 X5
31 Pacitan 8 8 5 8 5 7
32 Tuban 6 6 3 9 8 5
33 Kota Blitar 1 5 2 10 7 4
34 Blitar 3 7 1 7 9 3
35 Mojokerto 5 3 3 4 10 1
36 Kota Mojokerto 4 4 4 2 9 2
37 Probolinggo 2 3 5 1 8 4
38 Kota Probolinggo 3 2 4 1 8 5
59
LAMPIRAN B
Kedekatan Antar Lokasi
60
LAMPIRAN C
Matriks Pembobot
A. Matriks pembobot tak terstandarisasi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
2 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
6 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
7 1 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0
8 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0
10 0 0 0 0 0 0 1 0 0 0 0 0 1 1 0 0 0 1 0
11 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0
12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
13 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 0 1 0
14 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0
15 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 1
16 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
17 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1
18 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0
19 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0
20 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
21 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
24 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0
25 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0
26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
27 0 0 0 0 0 0 1 0 1 1 1 0 0 0 0 0 0 1 0
28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
29 1 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0
30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
31 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0
32 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0
33 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
34 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
35 0 0 0 0 1 0 0 0 0 0 0 0 1 1 0 1 0 0 0
36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
37 0 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 1 0 0
38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
61
LAMPIRAN C (Lanjutan)
Matriks Pembobot
A. Matriks pembobot tak terstandarisasi
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
1 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
5 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0
6 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
12 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0
13 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0
14 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 1 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
16 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0
17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
18 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
21 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0
22 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
24 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
25 0 1 0 1 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0
26 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
27 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
28 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
29 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 1 0 0 0
30 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
33 0 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0
34 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
35 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0
36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
37 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
62
LAMPIRAN C (Lanjutan)
Matriks Pembobot
B. Matriks pembobot terstandarisasi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
1 0 1/4 0 0 0 0 1/4 0 0 0 0 0 0 0 0 0 0 0 0
2 1/3 0 0 0 0 0 1/3 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/3 0 1/3
5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/4 0 0 0
6 0 0 0 0 0 0 0 1/2 0 0 0 0 0 0 0 0 0 0 0
7 1/7 1/7 0 0 0 0 0 0 0 0 1/7 0 0 0 0 0 0 0 0
8 0 0 1/2 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 1/3 0
10 0 0 0 0 0 0 1/6 0 0 0 0 0 1/6 1/6 0 0 0 1/6 0
11 0 0 0 0 0 0 1/3 0 1/3 0 0 0 0 0 0 0 0 0 0
12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/4 0 0 0 0
13 0 0 0 0 0 0 0 0 0 1/6 0 0 0 1/6 0 1/6 0 1/6 0
14 0 0 0 0 0 0 0 0 0 1/6 0 0 1/6 0 0 0 0 1/6 0
15 0 0 0 0 0 0 0 0 0 0 0 1/4 0 0 0 0 1/4 0 1/4
16 0 0 0 0 1/4 0 0 0 0 0 0 0 1/4 0 0 0 0 0 0
17 0 0 0 1/4 0 0 0 0 0 0 0 0 0 0 1/4 0 0 0 1/4
18 0 0 0 0 0 0 0 0 1/6 1/6 0 0 1/6 1/6 0 0 0 0 0
19 0 0 0 1/3 0 0 0 0 0 0 0 0 0 0 1/3 0 1/3 0 0
20 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
21 0 0 0 0 1/6 0 0 0 0 0 0 1/6 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
24 0 0 0 0 1/2 0 0 0 0 0 0 0 0 0 0 1/2 0 0 0
25 0 0 0 0 0 0 0 0 0 0 0 1/8 0 1/8 0 0 0 0 0
26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
27 0 0 0 0 0 0 1/6 0 1/6 1/6 1/6 0 0 0 0 0 0 1/6 0
28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
29 1 0 0 0 0 0 1/8 0 0 1/8 0 0 0 1/8 0 0 0 0 0
30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
31 0 1/2 0 0 0 0 1/2 0 0 0 0 0 0 0 0 0 0 0 0
32 0 0 0 0 0 0 0 0 0 0 0 0 1/2 0 0 0 0 1/2 0
33 1/4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
34 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
35 0 0 0 0 1/8 0 0 0 0 0 0 0 1/8 1/8 0 1/8 0 0 0
36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
37 0 0 0 1/6 0 0 0 0 0 0 0 1/6 0 0 1/6 0 1/6 0 0
38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
63
LAMPIRAN C (Lanjutan)
Matriks Pembobot
B. Matriks pembobot terstandarisasi
20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38
1 0 0 0 0 0 0 0 0 0 1/4 0 0 0 1/4 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/3 0
5 0 1/4 0 0 1/4 0 0 0 0 0 0 0 0 0 0 1/4 0 0 0
6 1/2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0 0 0 0 0 1/7 0 1/7 0 1/7 0 0 0 0 0 0 0
8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0 1/6 0 1/6 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 1/3 0 0 0 0 0 0 0 0 0 0 0
12 0 1/4 0 0 0 1/4 0 0 0 0 0 0 0 0 0 0 0 1/4 0
13 0 0 0 0 0 0 0 0 0 0 0 0 1/6 0 0 1/6 0 0 0
14 0 0 0 0 0 1/6 0 0 0 1/6 0 0 0 0 0 1/6 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/4 0
16 0 0 0 0 1/4 0 0 0 0 0 0 0 0 0 0 1/4 0 0 0
17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/4 0
18 0 0 0 0 0 0 0 1/6 0 0 0 0 1/6 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
21 0 0 1/6 0 0 1/6 0 0 0 0 0 0 0 0 0 1/6 0 1/6 0
22 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
23 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
24 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
25 0 1/8 0 1/8 0 0 1/8 0 0 1/8 0 0 0 1/8 0 1/8 0 0 0
26 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
27 0 0 0 0 0 0 0 0 1/8 0 0 0 0 0 0 0 0 0 0
28 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
29 0 0 0 0 0 1/8 0 0 0 0 1/8 0 0 1/8 0 1/8 0 0 0
30 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
33 0 0 0 0 0 1 0 0 0 1/4 0 0 0 0 1/4 0 0 0 0
34 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
35 0 1 0 0 0 1/8 0 0 0 1/8 0 0 0 0 0 0 1/8 0 0
36 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
37 0 1/6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1/6
38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
64
LAMPIRAN D
Output Regresi Klasik
65
LAMPIRAN D (Lanjutan)
Output Regresi Klasik
66
LAMPIRAN E
Plot ACF Residual Model Klasik
67
LAMPIRAN F
Uji Normalitas Residu Regresi Klasik
68
LAMPIRAN G
Output SAR
69
LAMPIRAN H
Output SEM
70
LAMPIRAN I
Hasil Uji Park
SAR
SEM
LAMPIRAN J
Plot ACF Residual Model Spasial
72
LAMPIRAN K
Uji Normalitas Residual Regresi Spasial
73
BIODATA PENULIS
Semoga bermanfaat.
74