SKRIPSI
Oleh :
Anastasia Indri Tri K
NIM. 10305144011
Menyatakan bahwa skripsi ini benar-benar karya saya sendiri dan sepanjang
pengetahuan saya, tidak terdapat karya atau pendapat yang ditulis atau diterbitkan
orang lain, kecuali pada bagian-bagian tertentu yang diambil sebagai acuan atau
kutipan dengan mengikuti tata penulisan karya ilmiah yang telah lazim.
Apabila ternyata terbukti pernyataan saya ini tidak benar, maka sepenuhnya
menjadi tanggung jawab saya, dan saya bersedia menerima sanksi sesuai
Yang Menyatakan,
iv
MOTTO
Segala perkara dapat kutanggung didalam Dia yang memberi kekuatan kepadaku
(Filipi,4:13)
v
HALAMAN PERSEMBAHAN
vi
APLIKASI REGRESI SPASIAL UNTUK PEMODELAN
Oleh :
Anastasia Indri Tri K
10305144011
ABSTRAK
Angka Harapan Hidup (AHH) menjadi tolak ukur untuk mengevaluasi kinerja
pemerintah dalam bidang kesehatan, sosial, dan ekonomi. Salah satu faktor yang
mempengaruhi pencapaian AHH yaitu lokasi antar wilayah. Tujuan penelitian ini
adalah untuk mengaplikasikan regresi spasial untuk memodelkan AHH di
Provinsi Jawa Tengah.
Model regresi spasial terdiri dari Spatial Autoregressive (SAR) dan Spatial
Error Model (SEM). Pemilihan model regresi spasial menggunakan uji
Langrange Multiplier (LM). Matriks pembobot yang dapat digunakan untuk
pemodelan regresi spasial yaitu Rook contiguity, Bishop contiguity, dan Queen
contiguity. Matriks pembobot tersebut menggambarkan ukuran kedekatan antar
wilayah pengamatan. Variabel prediktor yang digunakan untuk pemodelan AHH
yaitu angka kematian bayi ( ), angka melek huruf ( ), pengeluaran per kapita
( ), rata-rata lama sekolah ( ), laju ekonomi ( ), banyak posyandu ( ),
pemberian ASI eksklusif ( , gizi buruk ( ), dan persentase pengangguran ( )
Analisis regresi spasial untuk pemodelan AHH di Provinsi Jawa Tengah
menggunakan model Spatial Autoregressive (SAR) dengan matriks pembobot
Queen contiguity. Hasil persamaan regresi spasial dengan metode SAR adalah:
̂ ∑
vii
KATA PENGANTAR
Alam Universitas Negeri Yogyakarta. Penyusunan skripsi ini tidak akan berjalan
dengan baik tanpa dukungan dari berbagai pihak. Oleh karena itu, pada
kesempatan ini dengan penuh ketulusan hati penulis ingin mengucapkan terima
kasih kepada :
1. Bapak Dr. Hartono selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan
2. Bapak Dr. Sugiman selaku Ketua Jurusan Pendidikan Matematika yang telah
3. Bapak Dr. Agus Maman Abadi, M.Si selaku Ketua Program Studi Matematika
4. Ibu Retno Subekti, M.Sc selaku dosen pembimbing yang dengan penuh
5. Dewan Penguji yang telah memberikan saran dalam penulisan skripsi ini.
6. Bapak Nur Hadi W, M.Eng sebagai dosen Pembimbing Akademik yang telah
viii
7. Vita Susilo Dewi, Kusuma Wardhani, dan Diah Saputri untuk selalu
9. Semua pihak yang telah membantu penulisan skripsi ini hingga selesai.
dalam penulisan tugas akhir skripsi ini. Oleh karena itu, penulis menerima kritik
dan saran yang bersifat membangun. Semoga penulisan tugas akhir ini dapat
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL................................................................................................ i
PERSETUJUAN ..................................................................................................... ii
HALAMAN PENGESAHAN ................................................................................ iii
HALAMAN PERNYATAAN ............................................................................... iv
MOTTO .................................................................................................................. v
HALAMAN PERSEMBAHAN ............................................................................ vi
ABSTRAK ............................................................................................................ vii
KATA PENGANTAR ......................................................................................... viii
DAFTAR ISI ........................................................................................................... x
DAFTAR TABEL ................................................................................................. xii
DAFTAR GAMBAR ........................................................................................... xiii
DAFTAR LAMPIRAN ........................................................................................ xiv
BAB I ...................................................................................................................... 1
A. Latar Belakang ............................................................................................. 1
B. Rumusan Masalah ........................................................................................ 4
C. Tujuan Penelitian ......................................................................................... 4
D. Manfaat Penelitian ....................................................................................... 4
BAB II ..................................................................................................................... 6
A. Matriks ......................................................................................................... 6
B. Metode Maksimum Likelihood .................................................................... 9
C. Regresi Linear Berganda .............................................................................. 9
D. Ordinary Least Square (OLS) .................................................................... 11
E. Uji Asumsi Regresi Linear ......................................................................... 15
F. Koefisien Determinasi (R2) ........................................................................ 20
G. Akaike’s Information Criterion (AIC) ....................................................... 21
H. GeoDa ........................................................................................................ 21
I. Angka Harapan Hidup................................................................................ 22
x
BAB III ................................................................................................................. 25
A. Pola Spasial ................................................................................................ 25
B. Matriks Pembobot Spasial (Spatial Weight Matrices) ............................... 26
C. Moran’s I .................................................................................................... 30
D. Regresi Spasial ........................................................................................... 31
1. Model Spatial Autoregressive (SAR) ..................................................... 33
2. Model Spatial Error (SEM) ................................................................... 39
3. Uji Lagrange Multiplier (LM test) ......................................................... 44
4. Uji Signifikansi Parameter Regresi Spasial ............................................ 45
5. Uji Asumsi Model Regresi Spasial ........................................................ 46
E. Aplikasi Regresi Spasial AHH di Provinsi Jawa Tengah .......................... 48
1. Deskripsi Data ........................................................................................ 48
2. Analisis Regresi Linear Data AHH di Provinsi Jawa Tengah ............... 51
3. Analisis Regresi Spasial Data AHH di Provinsi Jawa Tengah ............. 57
4. Perbandingan Model Regresi Linear dan Model Regresi Spasial .......... 66
BAB IV ................................................................................................................. 68
A. Kesimpulan ................................................................................................ 68
B. Saran ........................................................................................................... 68
DAFTAR PUSTAKA ........................................................................................... 70
LAMPIRAN .......................................................................................................... 74
xi
DAFTAR TABEL
xii
DAFTAR GAMBAR
spasial............................................................................................... 33
AHH ................................................................................................. 50
Sekolah............................................................................................. 64
Eksklusif .......................................................................................... 65
xiii
DAFTAR LAMPIRAN
Lampiran 1. Data AHH dan Variabel Prediktor Provinsi Jawa Tengah tahun
2012 ................................................................................................. 75
GeoDa ........................................................................................... 82
pengangguran( ) ........................................................................... 90
xiv
BAB I
PENDAHULUAN
A. Latar Belakang
Angka Harapan Hidup (AHH) adalah perkiraan usia hidup yang dapat
dicapai oleh penduduk pada suatu wilayah (Haryati dkk, 2007). Tinggi
rendahnya AHH menjadi salah satu kriteria penggolongan negara maju dan
tahun sampai 71 tahun pada tahun 1990 sampai tahun 2012 dan berada dalam
urutan ke-117 dari 222 negara di dunia pada tahun 2013 (WHO, 2013). AHH
Oleh karena itu, AHH dapat menjadi tolak ukur untuk mengevaluasi kinerja
letak suatu wilayah. Faktor lokasi antar wilayah diduga akan memberikan
1
mempunyai keterbatasan potensi dalam melaksanakan program – program
linier klasik. Regresi spasial pertama kali diperkenalkan oleh Anselin (1988)
saling berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat lebih
data cross section. Data cross section merupakan data yang dikumpulkan
didapat dari informasi jarak antara wilayah satu dengan wilayah lainnya
(LeSage, 1999). Fungsi dari matriks pembobot adalah untuk menentukan atau
dekat lokasinya maka semakin besar nilai pembobot pada elemen yang
bersesuaian.
2
Penelitian yang telah dilakukan mengenai AHH diantaranya Lusi
Pulau Jawa.
Pulau Jawa terbagi menjadi empat provinsi yaitu Jawa Barat, Jawa Tengah,
Jawa Timur, dan Banten, serta dua wilayah khusus yaitu DKI Jakarta dan DI
populasi terbesar di Pulau Jawa yaitu Jawa Barat di posisi pertama, Jawa
Timur di posisi kedua dan Jawa Tengah di posisi ketiga. Akan tetapi AHH di
Provinsi Jawa Tengah lebih tinggi dibanding Jawa Barat dan Jawa Timur.
AHH Provinsi Jawa Tengah secara nasional menduduki posisi ke-6 dengan
71,71 tahun sedangkan Jawa Barat menduduki posisi ke-9 dengan 70,09
tahun dan Jawa Timur diposisi ke-14 dengan 68,80 tahun (BPS, 2013). Badan
Pusat Statistik (BPS) mencatat AHH di Jawa Tengah meningkat dari 71,25
tahun menjadi 71,71 tahun pada tahun 2009 sampai tahun 2012. Kondisi ini
3
menunjukkan semakin meningkat kualitas hidup dan kesehatan masyarakat
Jawa Tengah.
B. Rumusan Masalah
Jawa Tengah.
C. Tujuan Penelitian
Dari rumusan masalah di atas, tujuan dari penulisan skripsi ini adalah
D. Manfaat Penelitian
regresi spasial.
4
3. Sebagai tambahan referensi bagi Jurusan Pendidikan Matematika Fakultas
5
BAB II
KAJIAN TEORI
Pada bab ini akan dibahas mengenai teori – teori yang mendukung pada bab
A. Matriks
[ ]
dari matriks A. Elemen pertama (i) pada subscript menyatakan baris ke-i
dan elemen kedua (j) menyatakan kolom ke-j. Matriks yang hanya mempunyai
satu kolom atau satu baris disebut vektor. Matriks A dapat juga dituliskan
sebagai berikut :
[ ]
Jenis – jenis matriks dan beberapa hal tentang matriks yang sering digunakan
6
Definisi 2. 1 (Anton, 1991:23)
[ ]
Matriks diagonal adalah matriks persegi yang semua elemennya bilangan nol
[ ]
1 jika i j
0 jika i j
Contohnya
[ ]
7
Definisi 2. 4 (Anton, 1991:28)
Jika A adalah sebarang matriks , maka transpose A dinyatakan dengan
baris pertama dari A, kolom keduanya adalah baris kedua dari A, demikian
juga dengan kolom ketiga adalah baris ketiga dari A, dan seterusnya.
identitas, maka invertible (dapat dibalik) dan adalah invers dari . Jika
dan .
Contoh:
* +* + * +
maka * +
Jika adalah sebuah matriks persegi, maka trace dari A, yang dinyatakan
Trace dari tidak dapat didefinisikan jika bukan matriks bujur sangkar.
8
[ ]
Estimatior (MLE).
(2. 1)
9
dengan :
: error ke-i
Bentuk regresi linear ganda juga dapat dinyatakan dalam bentuk matriks
[ ] [ ][ ] [ ]
(2. 2)
dengan
10
Tabel 2. 1 Uji Signifikansi Parameter
Uji
( (
Bersama
Uji
̂ (
Parsial
√ (̂
dengan
∑( ̂ ̂
Kuadrat Tengah Regresi : ( (
∑( ̂
Kuadrat Tengah Galat :
( (
̂ : estimator untuk
(̂ : variansi ̂
(2. 3)
dengan menggunakan prinsip dasar OLS dan persamaan (2.3) maka
11
∑
( (
(2. 4)
Oleh karena adalah matriks berukuran 1x1 maka matriksnya akan sama
( (2. 5)
Dengan substitusi persamaan (2.5) ke dalam persamaan (2.4) maka
(2. 6)
maka
( (
( (
12
sehingga diperoleh estimator
̂ ( (2. 7)
estimator linear dan tak bias. Jadi sifat penduga kuadrat terkecil adalah
sebagai berikut:
2. Varian Minimum
Jika ̂ adalah estimator terbaik maka ̂ mempunyai variansi yang
minimum diantara variansi estimator tak bias linear yang lain. Misalkan ̂
13
adalah estimator yang tak bias dan ̂ adalah estimator tak bias yang lain,
[( ( ( ( ( ]
[(( (( ]
[( ( ]
( ( (
(
(
(̂) ( (2. 8)
[( ][ ]
( (
Jadi diperoleh ̂ ( ((
(̂ ) *( ̂ )( ̂ ) +
[(( ( ( ]
(( ( ( (
14
((( ( ( )
(( ( ( (
((
(̂) (2. 9)
(̂) (̂ .
diperoleh dengan metode kuadrat terkecil yang baik adalah estimator yang
memenuhi BLUE (Best Linear Unbiased Estimated) yaitu tak bias, linear
Ada beberapa asumsi yang perlu dipenuhi dalam model regresi. Apabila
itu, uji asumsi perlu dilakukan pada model. Beberapa asumsi yang harus
dipenuhi pada model regresi linear berganda , antara lain sebagai berikut :
dan varians
15
4. Error mempunyai varians yang konstan, ( (asumsi
homokedastisitas)
1. Uji Normalitas
Uji normalitas dilakukan untuk error dari model. Salah satu cara
a. Menentukan hipotesis
| ( – ( | (2. 10)
dengan
d. Melakukan perhitungan
16
persamaan (2.10) dan banyaknya data yang digunakan. Apabila
e. Membuat kesimpulan
2. Uji Multikolinearitas
bebas dalam suatu model regresi linier berganda (Gujarati, 2003). Jika
koefisien regresi menjadi tidak dapat diperkirakan atau tidak dapat ditarik
kesimpulan statistik apapun tentang hasil regresi dari sampel yang ada
(Gujarati, 2006:63).
factor (VIF) dengan ketentuan jika nilai VIF melebihi angka 10, maka
(2. 11)
17
3. Uji Heteroskedastisitas
terjadi pada data cross section dibanding data time series. Seringkali
estimasi.
dengan uji Breusch-Pagan (BP test) . Menurut Breusch dan Pagan (1979),
( (2. 12)
18
Jika tidak ditolak maka kehomogenan variansi dari residual terpenuhi
BP sebagai berikut:
⁄ (∑ (∑ (∑ (2. 13)
4. Autokorelasi
di atas, yaitu walaupun estimator OLS masih linier dan tidak bias, tetapi
yang didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk
19
model regresi menyebabkan estimator OLS tidak menghasilkan estimator
∑ (̂ ̅
∑ ( ̅
dengan model regresi yang ada. Sebaliknya, jika nilai R2 mendekati 1 (satu)
menunjukkan bahwa data cocok terhadap model regresi (Johnson & Wichern,
1996:292).
Tabel 2. 2
Pedoman Interpretasi Koefisien Determinasi
20
G. Akaike’s Information Criterion (AIC)
Metode AIC adalah metode yang dapat digunakan untuk memilih model
regresi terbaik yang ditemukan oleh Akaike. Metode ini didasarkan pada
1974):
dengan
Menurut metode AIC, regresi terbaik adalah model regresi yang mempunyai
H. GeoDa
memproses data secara tepat dan cepat. Selain program tersebut terdapat
spasial. Bentuk program GeoDa sama seperti SPSS yang mampu memberikan
21
dipungut biaya (Comar, Gasperoni, & Dewar, 2003). Program GeoDa serta
seluruh informasi mengenai program dapat diakses dan diunduh secara gratis
yaitu Windows (XP, Vista, dan 7), Mac OS, dan Linux. Fungsi GeoDa
itu GeoDa juga dapat melakukan perhitungan regresi linear klasik. Metode
regresi spasial yang terdapat pada GeoDa yaitu metode spatial autoregressive
Angka Harapan Hidup menurut (BPS, 2013) adalah rata- rata tahun
hidup yang masih akan dijalani oleh seseorang yang telah berhasil mencapai
umur x, pada suatu tahun tertentu, dalam situasi mortalitas yang berlaku di
gaya hidup yang berisiko terhadap kematian (Utomo, 1985). AHH saat lahir
adalah rata-rata tahun hidup yang akan dijalani oleh bayi yang baru lahir pada
22
Idealnya AHH dihitung berdasarkan Angka Kematian Menurut Umur (Age
Mortpak adalah rata – rata jumlah anak lahir hidup dan rata –rata jumlah anak
batas atas untuk penghitungan dipakai 85 tahun dan terendah 25 tahun (BPS,
2013).
23
kebutuhan gizi dan kalori, mampu mempunyai pendidikan yang lebih baik
2013).
penelitian yang digunakan antara lain angka kematian bayi, angka buta huruf
penduduk usia 10 tahun keatas, persentase bayi berusia 0-11 bulan yang
diberi ASI selama 4-6 bulan, laju pertumbuhan ekonomi, persentase balita
faktor yang mempengaruhi tingkat pencapaian AHH yaitu angka melek huruf,
rata rata lama sekolah, rumah tangga pengguna air bersih, balita berstatus gizi
baik, penolong persalinan bayi oleh tenaga medis, balita yang pernah
penduduk.
24
BAB III
PEMBAHASAN
lainnya tergantung dari kualitas hidup yang mampu dicapai oleh penduduk. Pada
bab ini akan dibahas penggunaan regresi spasial untuk mengetahui faktor - faktor
A. Pola Spasial
Menurut Lee & Wong (2001), pola spasial adalah sesuatu yang
yang ditunjukkan oleh faktor lingkungan atau budaya. Menurut (Mcgarigal &
spasial adalah penilaian korelasi antar pengamatan pada suatu variabel. Jika
25
penyebaran titik-titik dengan membedakan lokasi dan atributnya atau variabel
baris ke-i kolom ke-j untuk i,j=1,2,…,n yang merupakan lokasi disekitar
1999) :
[ ]
(Thaib,2008:3):
26
= 1, jika lokasi i dan j bersinggungan sisi
= 0, lainnya
= 0, lainnya
c. Queen contiguity ialah persinggungan sisi atau titik sudut wilayah satu
dengan wilayah yang lain yaitu gabungan rook contiguity dan bishop
= 0, lainnya
7 7
1 1
2
5 2
6 6 5
3
4 3
4
27
Matriks yang merefleksikan Rook contiguity pada gambar 3.1 adalah
1 2 3 4 5 6 7
1
2
3
4
5
6
[ ]
7
Matriks yang merefleksikan Bishop contiguity pada gambar 3.1 adalah
1 2 3 4 5 6 7
1
2
3
4
5
6
[ ]
7
Matriks yang merefleksikan Queen contiguity pada gambar 3.1 adalah
1 2 3 4 5 6 7
1
2
3
4
5
6
[ ]
7
Matriks Rook contiguity, Bishop contiguity, atau Queen contiguity yang sudah
yaitu matriks dimana jumlah dari setiap barisnya adalah satu. Stadarisasi
28
tetangga yang tidak sama. Rumus standarisasi matriks dengan elemen
dinyatakan dengan
∑
(3. 1)
dengan
(LeSage, 1999)
[ ]
lalu , dst
[ ]
29
C. Moran’s I
(Lembo, 2006).
…,n dengan banyak data sebesar n, maka formula dari Moran’s I adalah (Lee
∑ ∑ ( ̅ ( ̅)
(3. 2)
(∑ ∑ )∑ ( ̅
dengan:
( (3. 3)
Jika maka nilai autokorelasi bernilai positif, hal ini berarti pola data
spasial, dan artinya nilai autokorelasi bernilai negatif, hal ini berarti
30
Gambar 3. 2 Illustrasi pola cluster sampai disperse
(
(3. 4)
√ (
dengan:
D. Regresi Spasial
31
asumsi independen atau autokorelasi dalam model. Salah satu solusi untuk
regresi linear klasik dimana setiap parameter dihitung pada setiap lokasi
regresi yang berbeda – beda. Misal diamati variabel pada suatu lokasi , data
2007).
(SAR) atau Spatial Lag dan Spatial Error (SEM) (Astuti, 2013). SAR
spasial atau spatial dependence pada data dan untuk mengetahui model
regresi spasial yang sesuai dapat diuji dengan menggunakan uji Langrange
Multiplier.
Berikut ini adalah gambaran konsep model regresi spasial SAR dan
SEM dengan regresi linear (Baller, Anselin, Messner, Deane, & Hawkins,
2001).
32
OLS SAR SEM
model yang mengkombinasikan model regresi linear dengan lag spasial pada
Spasial lag muncul saat nilai observasi variabel respon pada suatu lokasi
dengan kata lain terdapat korelasi spasial antar variabel respon. Pada model
ini terdapat fungsi dari variabel respon pada lokasi j yang digunakan sebagai
variabel prediktor untuk memprediksi nilai dari variabel respon pada lokasi i.
33
Model SAR dapat dinyatakan sebagai berikut: (Anselin, 1988)
∑ ∑ (3. 5)
dengan (
keterangan:
: elemen dari matriks bobot spasial W pada baris ke-i kolom ke-j
[ ] [ ][ ] [ ][ ] [ ]
(3. 6)
dengan:
: vektor error
34
: vektor parameter berukuran kx1
[ ]
( ,
√
adalah
( ( ( (
[ ] [ ] [ ]
( )( ) ( )
√ √ √
35
∑
* +
* +
( (
( (
* +
[ ]
(
( (
* +
( (
[ ]
( (3. 7)
(
36
(
( (
* +
( )
(
( (
(
(3. 8)
kemudian menurunkan fungsi logaritma natural likelihood pada
persamaan (3.8)
( (
( )
(3. 9)
dimisalkan ( ( (
( ( ( ( (
maka
( ( ( (
sehingga diperoleh :
( ( (
( )
( ̂
̂ (
̂ ( ( (3. 10)
37
Sehingga didapat parameter ̂ adalah estimator untuk
(3.10)
( (
( (
(
( (
( (
( (( ( )
(( ( )
(( ( ) ( ( ))
(( ) ( ))
(3. 11)
dengan:
( (
38
(
Model Spatial Error muncul saat nilai error pada suatu lokasi
berkorelasi dengan nilai error di lokasi sekitarnya atau dengan kata lain
terdapat korelasi spasial antar error. Pada model Spatial Error, bentuk
error pada lokasi i merupakan fungsi dari error pada lokasi j dimana j
Definisi model regresi Spatial Error secara umum yaitu (Anselin, 1988)
∑ ∑ (3. 12)
dengan (
keterangan:
: elemen dari matriks bobot spasial W pada baris ke-i kolom ke-j
39
: error pada lokasi i yang berdistribusi identik normal dan
[ ] [ ][ ] [ ][ ] [ ]
(3. 13)
dengan:
: vektor error
40
a. Estimasi Parameter Model Spatial Error (SEM)
[ ]
( ,
√
( ( ( (
[ ] [ ] [ ]
( )( ) ( )
√ √ √
∑
* +
* +
41
(
( (
( (
( (
( ( (( ( )
* +
[ ]
(
( ( (( ( )
* +
( ( (( ( )
* +
(( )
( ( (( ( )
* +
(( )
42
( ( ( (
(3. 14)
(3.14) terhadap
( ( ( (
( )
( (( ( ̂)
( ( ( ( ̂
̂ [( ( ] ( (
(( ( ) (( ( )
(3. 15)
43
Estimasi parameter ̂ tidak didapat dengan meminimukan persamaan
Uji Lagrange Multiplier (LM test) digunakan sebagai dasar untuk memilih
identifikasi model SAR pada persamaan (3.5) dan LM error digunakan untuk
(SARMA).
( )
(( ( )
(3. 16)
dengan :
((
Keterangan:
44
: matriks bobot spasial berukuran nxn
: vektor error
( )
(3. 17)
dengan
((
sama yaitu ditolak maka model yang sesuai untuk digunakan adalah
45
yang signifikan mempengaruhi variabel respon. Pengujian parameter
̂
(3. 18)
(
(Parameter signifikan)
variansi dari error dan kenormalan error seperti pada regresi linear
(Astuti, 2013).
46
Tahapan dalam penerapan pemodelan regresi spasial yang disajikan dalam
Moran’s I signifikan
Pemilihan model regresi spasial mengunakan uji LM
(Uji LM Lag, Uji LM Error)
47
E. Aplikasi Regresi Spasial AHH di Provinsi Jawa Tengah
1. Deskripsi Data
Berdasarkan penetian sebelumnya faktor AHH banyak dipengaruhi
oleh bidang pendidikan, kesehatan dan ekonomi. Oleh karena pada itu
a. Bidang Pendidikan
penduduk digunakan dua indikator yaitu rata – rata lama sekolah dan
ke atas yang dapat membaca dan menuilis huruf latin serta huruf lainnya
(BPS, 2013).
b. Bidang Kesehatan
48
penduduk sakit, jumlah bayi yang diberi ASI Eksklusif, jumlah posyandu,
c. Bidang Ekonomi
1) Pertumbuhan Ekonomi
2) Pendapatan
3) Ketenagakerjaan
49
bekerja menurut sektor ekonomi, sektor pertanian /primer, sektor
prediktor terhadap variabel respon AHH yang akan digunakan pada penulisan
skripsi ini:
Faktor Pendidikan :
Angka Harapan Hidup
1. Angka Melek Huruf
2. Rata – Rata Lama Sekolah
Faktor Kesehatan : Faktor Ekonomi:
1. Angka Kematian Bayi 1. Pengeluaran Riil per kapita
2. Banyak Posyandu 2. Laju Ekonomi
3. Pemberian ASI Eksklusif 3. Pengangguran
4. Gizi Buruk
Data dalam penelitian ini berupa data sekunder yang diambil dari buku
“Jawa Tengah Dalam Angka” tahun 2012 terbitan BPS yaitu variabel AHH,
angka melek huruf, pengeluaran per kapita, rata-rata lama sekolah, laju
Kesehatan Provinsi Jawa Tengah” tahun 2012 terbitan Dinas Kesehatan Jawa
50
2. Analisis Regresi Linear Data AHH di Provinsi Jawa Tengah
Analisis regresi ini bertujuan untuk mengetahui hubungan variabel-
51
Kode Variabel Satuan Keterangan
(3. 19)
Standard Error
0,53 1,064
Dari Tabel 3.2 didapat nilai sebesar 0,53 ini berarti sebesar 53%
ditentukan. Setelah itu dilakukan uji parameter dan uji asumsi model
regresi.
52
a. Uji Parameter Bersama (Uji F)
53
Pada Tabel 3.4 variabel prediktor yang signifikan yaitu (RLS)
dan (persentase pemberian ASI ekslusif), hal ini dapat dilihat dari
autokorelasi.
1) Uji Normalitas
2) Uji Multikolinearitas
(lampiran 2)
54
Tabel 3. 5 Output Variance Inflation Factor (VIF)
Variabel VIF
2,293
4,505
2,111
1,330
1,419
1,805
1,239
1,633
1,392
3) Uji Heteroskedastisitas
berikut :
Db Nilai p-value
55
p-value BP untuk model ini adalah 0,602 lebih besar dari nilai α
tidak dilanggar.
4) Autokorelasi
1 Moran’s I 2,403
hal ini berarti pola data membentuk kelompok (cluster). Berikut peta
56
Selanjutnya akan diuji autokorelasi antar lokasi
tersebut.
57
mengingat bahwa kabupaten/kota di Provinsi Jawa Tengah mempunyai
spasial dengan lebih spesifik yaitu SAR, SEM atau keduanya yang
Lagrange Multiplier
3 4,120 0,1059 SARMA
(SARMA)
Multiplier (lag) sebesar 0,0365 dan lebih kecil dari α (0,05) sehingga
P-value Lagrange Multiplier (error) adalah 0,1111 dan lebih besar dari
α sehingga pada kasus ini tidak perlu dilanjutkan pada model Spatial
58
Tabel 3. 10 Estimasi Parameter pada Model SAR
R square = 58,55%
Hasil persamaan model SAR yang didapat dari Tabel 3.9 yaitu:
̂ ∑
(3. 20)
berikut :
(Parameter signifikan)
59
Statistik uji yang digunakan adalah persamaan (3.18) dan taraf
signifikansi 5 %.
variabel respon.
̂ ∑
(3. 21)
1) Uji Normalitas
pada uji BP untuk model ini adalah 0,862 lebih besar dari nilai α
60
(0,05), karena p-value lebih kecil dari α maka asumsi
̂ ∑
(3. 22)
berikut :
̂ (
61
Jika dijabarkan :
(3. 23)
berikut :
̂ (
Jika dijabarkan :
(3. 24)
62
Interpretasi persamaan 3.24 yaitu apabila faktor lain
dibagi atas tiga kategori nilai yaitu tinggi sedang dan rendah
63
Berikut hasil output peta kondisional variabel RLS ( ) dan
RLS
1 2 3
Tinggi
4 5 6
Sedang
8 9
7
Rendah
64
AHH rendah terlihat dari banyak daerah yang berwarna biru tua dan
muda.
Kategori
1 2 3 ASI Eks
Tinggi
4 5 6
Sedang
7 8 9
Rendah
tinggi pula terlihat dari warna merah yang dominan pada peta.
65
Peta 7 berisi 10 wilayah dengan pemberian ASI eksklusif rendah.
spasial pada data yang dianalisis (Anselin, 1988). Berdasarkan hal tersebut
Menurut metode AIC, model regresi terbaik adalah model regresi yang
sebagai berikut :
Model AIC
66
Secara keseluruhan nilai yang dihasilkan model SAR lebih besar
daripada model OLS. Selain itu, nilai AIC yang dihasilkan pada model SAR
bahwa model SAR lebih baik digunakan dalam memodelkan faktor AHH di
Jawa Tengah.
67
BAB IV
PENUTUP
A. Kesimpulan
kesimpulan :
Jawa Tengah adalah model SAR. Persamaan regresi dugaan dengan model
̂ ∑
B. Saran
68
pemodelan menggunakan regresi khususnya regresi spasial, dapat
69
DAFTAR PUSTAKA
Andra, N. (2007). Model Regresi Linear Pada Data Spasial Dependen. Skripsi.
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia.
Baller, R., Anselin, L., Messner, S., Deane, G., & Hawkins, D. (2001). Structural
covariates of US County homicide rates: incorporating spatial effects.
Criminology vol.39 no.3, 561-590.
Briggs, R. (2014, June Senin). Home page of Ronald Briggs, Ph.D., GISP.
Retrieved June Minggu, 2014, from University of Texas at Dallas:
http://www.utdallas.edu/~briggs/
70
Comar, C., Gasperoni, F., & Dewar, R. (2003). Benefits and Misunderstandings of
Free Software in the European Space Industry. Cambridge: Harvard
University.
Firdial, L. (2010). Pemodelan Angka Harapan Hidup di Propinsi Jawa Timur dan
Jawa Tengah dengan Metode Geographically Weighted Regression
(GWR). Skripsi. Institut Teknologi Sepuluh Nopember.
Hatcher, Larry. 2003. Step By Step Basic Statistics Using SAS: Student Guide,
Volume 1. NC,USA: SAS Institute Inc.
Lee, J., & Wong, D. W. (2001). Statistical analysis with ArcView GIS. Canada:
John Wiley & Sons, Inc.
71
Luc, A., Syabri, I., & Kho, Y. (2006). GeoDa: An Introduction to Spatial Data
Analysis. Geographical Analysis volume 38 issue 1, 5-22.
Mcgarigal, K., & Marks, B. J. (1994). Spatial Pattern Analysis Program For
Quantifying Landscape Structure. Corvallis: Forest Science Department,
Oregon State University.
Mitchel, A.. (2009). The ESRI Guide to GIS Analysis : Vol 2 Spatial
Measurements & Statistics. New York, USA: ESRI Inc
Rati, M. (2013). Model Regresi Spasial Untuk Anak Tidak Bersekolah Usia
Kurang Dari 15 Tahun. Skripsi.Universitas Sumatra Utara.
72
Utomo, B. (1985). Mortalitas:pengertian dan Contoh kasus di Indonesia. Jakarta:
Universitas Indonesia.
WHO. (2013). Life expectancy: Life expectancy Data by country. Retrieved Mei
3, 2014, from World Health Organization:
http://apps.who.int/gho/data/node.main.688?lang=en
Waryono, Edi. (2002). Model Regresi Untuk Menduga Angka Harapan Hidup
Penduduk Waktu Lanir. Skripsi. Institut Pertanian Bogor.
73
LAMPIRAN
74
Lampiran 1. Data AHH dan Variabel Prediktor Provinsi Jawa Tengah tahun 2012
Kode Kabupaten
75
Kode Kabupaten
Sumber : Jawa Tengah Dalam Angka Tahun 2012 dan Profil Kesehatan Provinsi
Jawa Tengah Tahun 2012
76
Lampiran 2. Output SPSS Regresi Linear Data AHH
[DataSet1] C:\Users\Mini\Documents\skripsi.sav
Variables Entered/Removed
1 PNGGURN, . Enter
GIZBUR, LJUEKO,
AMH, ASIEKS,
AKB, PPRKPT,
BNYKPOS, RLSa
Model Summaryb
ANOVAb
Total 60.117 34
77
a. Predictors: (Constant), PNGGURN, GIZBUR, LJUEKO, AMH, ASIEKS, AKB, PPRKPT, BNYKPOS, RLS
Coefficientsa
Standardized Collinearity
Unstandardized Coefficients Coefficients Statistics
Residuals Statisticsa
78
Lampiran 3. Output K-S
79
Lampiran 4. Langkah Analisis Regresi dengan Software GeoDa
1. Buka File – Open – jateng.shp
3. Klik Add ID variable… - pilih POLY ID – Add variable lalu pilih queen
contiguity atau rook contiguity . Selanjutnya klik create lalu save
jateng.gal
80
4. Pilih Methods – Regression kemudian masukan variabel setelah itu
centang weights dan pilih classic untuk mengetahui nilai moran’s I
sehingga dapat ditentukan apakah regresi linear dapat dilanjutkan ke
regresi spasial lalu run.
5. Jika dapat dilanjutkan , pilih model regresi spasial yang sesuai lalu run
81
Lampiran 5.
Output Analisis Moran’s I dan Lagrange Multiplier dengan GeoDa
DIAGNOSTICS FOR SPATIAL DEPENDENCE
(row-standardized weights)
82
Lampiran 6. Output Geoda metode SAR
SUMMARY OF OUTPUT: SPATIAL LAG MODEL - MAXIMUM
LIKELIHOOD ESTIMATION
-----------------------------------------------------------------------
-----------------------------------------------------------------------
83
JMLPOS 0.0008007876 0.00033465 2.392876 0.0167169
-----------------------------------------------------------------------
REGRESSION DIAGNOSTICS
RANDOM COEFFICIENTS
84
Lampiran 7. Output prediktor model SAR
SUMMARY OF OUTPUT: SPATIAL LAG MODEL - MAXIMUM LIKELIHOOD ESTIMATION
-----------------------------------------------------------------------
-----------------------------------------------------------------------
-----------------------------------------------------------------------
REGRESSION DIAGNOSTICS
RANDOM COEFFICIENTS
85
TEST DF VALUE PROB
W_AHH
-2.070699
0.000477
-0.000003
0.000135
0.001591
0.029134
86
OBS AHH PREDICTED RESIDUAL PRED ERROR
87
25 70.57 70.96924 -0.29538 -0.39924
88
Lampiran 8 Output K-S model penduga SAR
VAR00001
N 35
a,,b
Normal Parameters Mean .01
Positive .100
Negative -.073
Kolmogorov-Smirnov Z .591
89
Lampiran 9 Peta Kondisional variabel RLS ( ), banyak posyandu( ),
persentase pemberian ASI eksklusif( ), dan persentase pengangguran( )
Geoda – file –open jateng.shp – explore – parallel conditional plot
Output Geoda
90
91