Skripsi Universitas Tadulako

KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh

Alhamdulillahirabbil’alamin, puji syukur atas kehadirat Allah SWT yang
telah melimpahkan rahmat, karunia, serta hidayah-Nya sehingga penulis dapat
menyelesaikan penyusunan skripsi ini. Penyusunan skripsi ini dimaksudkan untuk
memenuhi persyaratan dalam memperoleh gelar sarjana Strata (S1) pada Program
Studi Statistika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Tadulako. Ucapan terima kasih dan rasa hormat sebagai bentuk
penghargaan penulis berikan kepada Bapak Prof. Junaidi, S.Si., M.Si., Ph.D selaku
pembimbing I dan Ibu Fadjryani, ST., M.Si selaku pembimbing II, yang didalam
kesibukannya masih berkenan memberikan bimbingan terbaiknya dengan penuh
kesabaran, keikhlasan, dan ketelitian sehingga penyusunan skripsi ini dapat
terselesaikan.
Pada kesempatan ini, penulis tidak lupa mengucapkan terima kasih dan
penghargaan yang sebesar-besarnya kepada yang terhormat:
1. Prof. Dr. Ir. Amar, S.T., M.T., IPU, ASEAN. Eng selaku Rektor Universitas
Tadulako.
2. Dr. Lufsyi Mahmudin, S.Si., M.Si selaku Dekan Fakultas MIPA Universitas
Tadulako.
3. Bapak Prof. Dr. I Wayan Sudarsana, S.Si., M.Si selaku ketua Jurusan
Matematika Fakultas MIPA Universitas Tadulako.
4. Ibu Nur’eni, S.Si., M.Si selaku Sekretaris Jurusan Matematika Fakultas MIPA
Universitas Tadulako.
5. Bapak Mohammad Fajri, S.Si., M.Si selaku Koordinator Program Studi
Statistika Jurusan Matematika Fakultas MIPA Universitas Tadulako.
6. Ibu Fadjryani, ST., M.Si selaku Ketua Laboratorium Statistika Dasar Jurusan
Matematika Fakultas MIPA Universitas Tadulako.
7. Ibu Nurul Fiskia Gamayanti, S.Si., M.Stat selaku Ketua Laboratorium
Statistika Terapan Jurusan Matematika Fakultas MIPA Universitas Tadulako.
viii
8. Bapak Rais, S.Si., M.Si, Bapak Iman Setiawan, S.Si., M.Si, Ibu Lilies
Handayani, S.Si., M.Si dan seluruh dosen Fakultas MIPA Universitas
Tadulako.
9. Segenap Staf Tata Usaha Fakultas MIPA Universitas Tadulako.
10. Kedua orang tua penulis Bapak Sukriyadi Lalu dan Ibu Umrah Madjido yang
telah menjadi orang tua hebat bagi penulis, dan tak henti-hentinya memberikan
doa, nasehat, dukungan, dan motivasi sampai saat ini.
11. Saudara-saudara kandung penulis, Rifqi Alif Ramadhan dan Muhimatul Ulya
terima kasih atas doa dan dukungannya.
12. Teruntuk Shafitri, Adila, Gusna, Shalsa, Tasya, Batara, Wawan dan teman-
teman yang sudah terlibat dalam proses selama penulis menyelesaikan studi.
Terima kasih atas kerjasama, doa, dan semangat yang selalu diberikan kepada
penulis
13. Teman-teman Sigma 8, terima kasih atas dukungan dan segala pengalaman
terbaik yang telah diberikan dan dilalui bersama-sama selama menyelesaikan
studi.
Akhir kata penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan.
Oleh karena itu penulis mengharapkan kritik dan saran yang konstruktif. Semoga
skripsi ini dapat memberikan manfaat bagi semua pihak.
Palu,29 September 2023
Penulis
x
DAFTAR ISI
HALAMAN SAMPUL i
HALAMAN JUDUL ii
HALAMAN PERSETUJUAN PEMBIMBING iii
HALAMAN PENGESAHAN DEWAN PENGUJI iv
HALAMAN PERNYATAAN v
ABSTRAK vi
ABSTRACT vii
KATA PENGANTAR viii
DAFTAR ISI x
DAFTAR TABEL ixii
DAFTAR SIMBOL xiv
DAFTAR LAMPIRAN xiii
BAB I PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Tujuan Penelitian 3
1.4 Manfaat Penelitian 4
1.5 Batasan Masalah 4
BAB II TINJAUAN PUSTAKA 5

2.1 Pneumonia 5
2.2 Standarisasi Data 5
2.3 Regresi Linier Berganda 6
2.3.1 Uji Simultan (Uji F) 7
2.3.2 Uji Parsial (Uji-t) 12
2.4 Geographically Weighted Regression (GWR) 13
2.5 Estimasi Parameter Model GWR 14
2.3.3 Uji Asumsi Klasik 7
2.6 Uji Hipotesis Model GWR 16
2.6.1 Uji Kesesuaian Model GWR 16
2.6.2 Uji Signifikansi Parameter Model GWR 17
2.7 Pembobot Spasial 18
2.8 Uji Variabilitas Spasial 19
2.9 Mixed Geographically Weighted Regression (MGWR) 21
2.10 Estimasi parameter model MGWR 21
2.11 Uji Hipotesis Model MGWR 23
2.11.1 Uji Kesesuaian Model MGWR 23
2.11.2 Uji Simultan Model MGWR 24
2.11.3 Uji Parsial Model MGWR 25
2.12 Uji Kebaikan Model 27
2.13 Kerangka Pikir 29
xv
BAB III METODE PENELITIAN 31
3.1 Lokasi dan Tempat Penelitian 31
3.2 Populasi dan Sampel Penelitian 31
3.3 Prosedur Pengambilan Data 31
3.4 Analisis Data 32
BAB IV HASIL DAN PEMBAHASAN 35

4.1 Analisis Deskriptif 35
4.2 Standarisasi Data 38
4.3 Pemodelan Regresi Linier Berganda 39
4.3.1 Model Regresi Linier Berganda 39
4.3.2 Uji Parameter Model Secara Simultan (Uji F) 40
4.3.3 Uji Parameter Model Secara Parsial (Uji t) 41
4.3.4 Uji Asumsi Klasik 42
4.4 Pemodelan Geographilcally Weighted Regression (GWR) 45
4.4.1 Jarak Euclidean 45
4.4.2 Pemilihan Bandwidth dan Pembobot Optimum 46
4.4.3 Matriks Pembobot 48
4.4.4 Model Geographically Weighted Regression (GWR) 49
4.4.5 Pengujian Hipotesis Model GWR 50
4.5 Uji Variabilitas Spasial 53
4.6 Pemodelan Mixed Geographilcally Weighted Regression
(MGWR) 55
4.6.1 Model Mixed Geographically Weighted Regression
(MGWR) 55
4.6.2 Uji Kesesuaian Model MGWR 56
4.6.3 Uji Simultan Parametr Model MGWR 57
4.6.4 Uji Parsial Parameter Model MGWR 59
4.6.5 Uji Kebaikan Model 63
BAB V PENUTUP 65
5.1 Kesimpulan 65
5.2 Saran 65
DAFTAR PUSTAKA
LAMPIRAN
RIWAYAT HIDUP
x
DAFTAR TABEL
Tabel 2.1 : Interpretasi Uji Autokorelasi 9
Tabel 3.1 : Variabel Penelitian 31
Tabel 4.1 : Hasil Analisis Deskriptif 35
Tabel 4.2 : Hasil Standarisasi Data 38
Tabel 4.3 : Nilai Estimasi Parameter Model Regresi Linier Berganda 39
Tabel 4.4 : Hasil Uji Simultan (Uji F) 41
Tabel 4.5 : Hasil Uji Parsial (Uji t) 42
Tabel 4.6 : Hasil Uji Shapiro-Wilk 43
Tabel 4.7 : Hasil Uji Durbin-Watson 43
Tabel 4.8 : Nilai VIF Uji Multikolinearitas 44
Tabel 4.9 : Hasil Uji Breusch-Pagan 45
Tabel 4.10 : Jarak Euclidean 46
Tabel 4.11 : Perbandingan Fungsi Kernel 47
Tabel 4.12 : Nilai Bandwidth Adaptive Bisquare Kernel GWR 47
Tabel 4.13 : Matriks Pembobot Adaptive Bisquare Kernel GWR 48
Tabel 4.14 : Nilai Estimasi Parameter Model GWR 49
Tabel 4.15 : Hasil Uji Kesesuaian Model GWR 51
Tabel 4.16 : Hasil Uji Parsial Parameter Model GWR 51
Tabel 4.17 : Kelompok Variabel Signifikan dalam Model GWR 52
Tabel 4.18 : Hasil Uji Variabilitas Spasial 54
Tabel 4.19 : Hasil Uji Kesesuaian Model MGWR 57
Tabel 4.20 : Hasil Uji Simultan Parameter Global MGWR 58
xvi
Tabel 4.21 : Hasil Uji Simultan Parameter Lokal MGWR 58
Tabel 4.22 : Hasil Uji Parsial Parameter Global MGWR 60
Tabel 4.23 : Hasil Uji Parsial Parameter Lokal MGWR 60
Tabel 4.24 : Variabel Independen Lokal Signifikan dalam Model MGWR 61
Tabel 4.25 : Kelompok Variabel Signifikan dalam Model MGWR 62
Tabel 4.26 : Nilai Adjusted-R2 Model 63
xv
DAFTAR SIMBOL
𝑌 : variabel dependen
𝑧 : nilai z-score
𝑠 : standari deviasi
𝑥̅ : nilai rata-rata
𝑦𝑖 : data aktual pada pengamatan ke-i
𝑦̂𝑖 : hasil prediksi pada pengamatan ke-i
𝑦̅ : rata-rata variabel dependen
𝑋𝑗 : variabel indpenden
𝜀 : nilai error
DW : nilai Durbin Watson
BP : nilai Breusch-Pagan
𝑒2 : kuadrat residual untuk pengamatan
𝜎2 : varians
𝑍 : vektor variabel respon Y
𝛽0 : intercept
𝛽𝑘 : koefisien regresi ke-k
𝐼 : matriks identitas
𝑑𝑖𝑗 : jarak euclidean
𝑢 : koordinat latitude (lintang)
𝑣 : koordinat longitude (bujur)
ℎ : bandwidth
𝛽̂𝑔 : estimasi parameter global model MGWR
xvi
𝛽̂𝑙 : estimasi parameter lokal model MGWR
𝑋𝑙 : variabel independen lokal
𝑋𝑔 : variabel independen global
n : jumlah observasi
𝜋 : 3,14
S : matriks proyeksi
R2 : koefisien determinasi
𝐴𝐼𝐶 : akaike information criterion
xv
DAFTAR LAMPIRAN
Lampiran 1 : Data Penelitian 71
Lampiran 2 : Data Hasil Standarisasi 73
Lampiran 3 : Jarak Euclidean 75
Lampiran 4 : Nilai Bandwidth Adaptive Bisquare Kernel GWR 80
Lampiran 5 : Matriks Pembobot Adaptive Bisquare Kernel GWR 81
Lampiran 6 : Nilai Koefisien Model GWR 86
Lampiran 7 : Hasil Uji Signifikansi Parameter Model GWR 88
Lampiran 8 : Model GWR 90
Lampiran 9 : Nilai Koefisien Global Model MGWR 92
Lampiran 10 : Nilai Koefisien Lokal Model MGWR 93
Lampiran 11 : Model MGWR 94
Lampiran 12 : Hasil Uji Parsial Parameter Lokal Model MGWR 96
Lampiran 13 : Syntax Analisis Data 97
xvi
BAB I
PENDAHULUAN
1.1 Latar Belakang
Balita merupakan kelompok umur yang rentan terserang penyakit. Salah satu
penyakit yang rentan pada balita adalah penyakit pneumonia. Pneumonia
merupakan infeksi yang menyerang jaringan paru-paru yang disebabkan oleh
virus maupun bakteri (Junaidi dkk., 2021). Pneumonia dapat menyerang
semua kelompok umur, akan tetapi kematian akibat penyakit ini lebih banyak
dialami oleh bayi dan balita (Veridiana dkk., 2021).
Pneumonia di negara berkembang hampir 30% terjadi pada anak dibawah

umur lima tahun tercatat sebanyak 10-20 kasus per 100 anak setiap tahunnya,
dengan tingkat kematian yang tinggi. Dari 6,6 juta balita yang meninggal
dunia 1,1 juta disebabkan oleh pneumonia dan 99% terjadi di negara
berkembang. Prevalensi pneumonia di Indonesia terbilang cukup tinggi, hal
ini ditunjukkan dengan kejadian pada tahun 2019 sampai 2020 terdapat
466.524 kasus atau 52,7% dari perkiraan jumlah kasus di tahun 2019 (Junaidi
dkk., 2021). Prevalensi tertinggi berada di Nusa Tenggara Barat yaitu sebesar
6,38% kemudian disusul oleh Kepulauan Bangka Belitung 6,05%. Nilai ini
jauh dari angka rata-rata nasional yaitu 3,55% (Kemenkes RI, 2019).
Menurut Indah dkk. (2022) faktor yang dapat mempengaruhi penyakit

pneumonia antara lain yaitu malnutrisi, Bayi Berat Lahir Rendah (BBLR),
pemberian imunisasi, pemberian ASI eksklusif, sosio ekonomi yang rendah,
tingkat pendidikan yang rendah, pelayanan kesehatan rendah, dan
sebagainnya. Menurut World Health Organization (WHO) dalam Fikri
(2017), adapun upaya yang dapat dilakukan untuk menekan jumlah penderita
pneumonia pada balita adalah pemberian ASI eksklusif, imunisasi yang
1
berhubungan dengan vaksin Streptococcus pneumoniae dan Haemophilus
influenzae type b, serta vaksin campak dan pertussis.
Jumlah penderita pneumonia di Indonesia tentunya berbeda-beda dikarenakan

setiap daerah memiliki karakteristik masing-masing yang dapat dipengaruhi
oleh kondisi lingkungan maupun letak geografis. Adanya perbedaan tersebut
dapat menyebabkan terjadinya pelanggaran asumsi homoskedastisitas dan
dapat mengindikasikan adanya efek spasial seperti spatial heterogeneity
(heterogenitas spasial) (Safitri & Amaliana, 2021).
Heterogenitas spasial merupakan kondisi suatu wilayah yang memiliki

perbedaan antara satu lokasi dengan lokasi lainnya, yang ditinjau dari letak
geografis, sosial budaya, dan sebagainya (Munikah dkk., 2014). Oleh karena
itu, untuk mengetahui faktor-faktor yang mempengaruhi kasus pneumonia di
Indonesia dengan memperhatikan aspek spasial dapat dilakukan
menggunakan analisis Mixed Geographically Weighted Regression
(MGWR).
Model Mixed Geographically Weighted Regression (MGWR) merupakan

salah satu metode yang dapat digunakan untuk mengatasi heterogenitas
spasial. MGWR merupakan pengembangan dari model regresi linier yang
mana merupakan gabungan dari model regresi linier berganda dan GWR,
pada model MGWR penaksir parameter yang dihasilkan bersifat global dan
sebagiannya bersifat lokal sesuai dengan lokasi pengamatan. Pendekatan yang
digunakan untuk menaksir parameter model MGWR sama seperti model
GWR yaitu menggunakan metode Weighted Least Square (WLS) (Hayati &
Purhadi, 2014).
Penelitian sebelumnya yang dilakukan oleh Kusnandar dkk. (2021) tentang

pemodelan sebaran total dissolved solid menggunakan MGWR memperoleh
model yang lebih baik dibandingkan model regresi global maupun GWR
dengan nilai AIC sebesar 326,48 dan MAPE sebesar 22,34%. Penelitian
2
lainnya dilakukan oleh Apriyani dkk. (2018) mengenai pemodelan MGWR
pada jumlah penderita diare di Kalimantan Timur tahun 2015. Hasilnya
menunjukkan bahwa variabel yang berpengaruh signifikan secara global di
seluruh Kabupaten/Kota yaitu jumlah rumah tangga yang berperilaku hidup
bersih dan sehat serta jumlah tempat pengolahan makanan tidak memenuhi
syarat. Sedangkan faktor yang berpengaruh secara lokal di setiap
Kabupaten/Kota yaitu jumlah sarana jamban komunal.
Penelitian lain yang mempertimbangkan aspek spasial juga telah dibahas oleh
Nadya dkk. (2017) tentang analisis GWR pada kasus pneumonia balita di
provinsi Jawa Barat memperoleh kesimpulan model GWR memberikan hasil
yang lebih baik dibandingkan model regresi linier berganda. Model GWR
mampu menerangkan keragaman kasus pneumonia balita sebesar 88.34%
sedangkan regresi linier berganda mampu menerangkan keragaman kasus
sebesar 71,86%. Berdasarkan uraian yang diberikan maka penelitian
mengenai model MGWR pada kasus pneumonia di Indonesia akan dilakukan,
untuk mengetahui faktor-faktor yang berpengaruh signifikan secara global
maupun lokal terhadap kasus pneumonia di Indonesia.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah dalam penelitian ini

adalah sebagai berikut:
1. Bagaimana model yang terbentuk dari kasus pneumonia di Indonesia
menggunakan model MGWR?
2. Apa saja faktor-faktor yang berpengaruh secara global dan lokal pada
penderita pneumonia di Indonesia pada tahun 2021?
1.3 Tujuan Penelitian
Adapun tujuan dari penelitian ini yaitu:

1. Untuk mendapatkan model yang terbentuk dari kasus pneumonia di
Indonesia menggunakan model MGWR.
3
2. Untuk memperoleh faktor-faktor global dan lokal yang berpengaruh
secara signifikan terhadap kasus pneumonia di Indonesia Tahun 2021.
1.4 Manfaat Penelitian
Adapun manfaat yang diharapkan dari penelitian ini yaitu:

1. Meningkatkan dan memperluas wawasan ilmu statistika dalam penerapan
identifikasi model menggunakan model Mixed Geographically Weighted
Regression (MGWR) dan dapat dijadikan acuan pada penelitian-
penelitian selanjutnya.
2. Hasil penelitian ini diharapkan dapat menjadi bahan pertimbangan bagi
pemerintah maupun masyarakat di setiap wilayah untuk menekan kasus
pneumonia yang terjadi di Indonesia.
1.5 Batasan Masalah
Batasan masalah dalam penelitian Ini yaitu fungsi pembobot yang digunakan
untuk menaksir parameter menggunakan adaptive bisquare kernel.
4
BAB II
TINJAUAN PUSTAKA
2.1 Pneumonia
Pneumonia merupakan salah satu penyakit menular yang menyerang paru-

paru (alvelovi). Orang yang mengalami pneumonia alvelovi akan dipenuhi
oleh nanah dan cairan yang membuat kesakitan saat bernapas sehingga asupan
oksigen yang dihirup terbatas (Jannah dkk., 2020). Penyakit ini dapat
disebabkan oleh bakteri, virus, maupun jamur. Adapum bakteri penyebab
pneumonia yaitu Streptococcus pneumoniae, Heamophilus influenzae tipe b,
sedangkan virus penyebab pneumonia yaitu Respiratory syncytial virus.
Gejala pneumonia dapat ditandai dengan batuk atau kesulitan bernapas seperti
napas cepat, dan adanya tarikan dinding dada bagian bawah ke dalam
(Kusumastuti dkk., 2019).
Pneumonia dikategorikan sebagai penyakit menular yang ditularkan melalui

udara dengan sumber penularan yaitu penderita pneumonia yang
menyebarkan kuman dalam bentuk droplet ke udara ketika batuk ataupun
bersin. Penularan juga dapat terjadi secara langsung melalui percikan droplet
yang dikeluarkan oleh penderita (Anwar & Dharmayanti, 2014). Beberapa
faktor resiko yang dapat menyebabkan terjadinya pneumonia antara lain
status gizi, status imunisasi, pemberian ASI ekslusif, pemberian vitamin A
dan Berat Badan Lahir Rendah (BBLR). Faktor lingkungan dan pengetahuan
ibu juga dapat mempengaruhi terjadinya pneumonia pada balita (Veridiana
dkk., 2021).
2.2 Standarisasi Data
Standarisasi data merupakan bagian dari praproses data yang melibatkan

penskalaan ulang nilai-nilai yang terdapat dalam dataset untuk memudahkan
proses pengolahan. Standarisasi data diperlukan karena seringkali dataset
5
memiliki rentang nilai yang berbeda-beda untuk setiap atributnya. Terdapat
beberapa metode yang dapat diguanakn untuk melakukan standarisasi data
salah satunya adalah z-score normalization (Ulinnuh & Veriani, 2020).
Z-Score normalization adalah salah satu teknik statistika yang digunakan

dalam analisis big data. Z-Score juga dikenal sebagai nilai baku atau standar
deviasi. Z-Score umumnya digunakan dalam data mining untuk
mengidentifikasi outlier data. Dalam z-score, dilakukan transformasi data
dengan menghasilkan rentang nilai baru berdasarkan rentang nilai yang ada
dalam dataset. Nilai baru dalam z-score dihitung berdasarkan perbedaan dari
nilai rerata dan standar deviasi. Transformasi dalam bentuk z-score adalah
seperti di bawah ini (Whendasmoro & Joseph, 2022):
𝑥𝑖 −𝑥̅
𝑧= (2.1)
𝑠
dimana:
𝑧 : nilai z-score
𝑠 : standari deviasi
𝑥̅ : nilai rata-rata
𝑥𝑖 : nilai data ke-i
2.3 Regresi Linier Berganda
Analisis regresi linier berganda adalah salah satu analisis statistika yang yang
digunakan untuk mempelajari pola dan mengukur hubungan statistik antara
dua atau lebih variabel independen. Analisis regresi linier berganda juga
digunakan untuk melihat pengaruh dari masing-masing variabel independen
terhadap variabel dependen, dan melihat variabel yang memiliki pengaruh
lebih besar (Erwin dkk., 2023). Metode yang digunakan untuk mengestimasi
parameter model regresi linier adalah metode kuadrat terkecil (Ordinary Least
Square) dengan meminimumkan jumlah kuadrat error. Adapun model
persamaan regresi linier berganda dapat dituliskan dalam persamaan
matematis sebagai berikut:
6
𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑗 𝑋𝑗 + 𝜀 (2.2)
dimana:
𝑌 : variabel dependen
𝛽0 : konstanta/intercept
𝛽𝑗 : koefisien regresi pada variabel 𝑋𝑗 , (𝑗 = 1,2, … , 𝑛)
𝑋𝑗 : variabel indpenden, (𝑗 = 1,2, … , 𝑛)
𝜀𝑖 : nilai error
2.3.1 Uji Asumsi Klasik
Uji asumsi klasik dilakukan untuk mendapatkan model regresi yang

memenuhi kriteria Best Linear Unbiased Estimatin (BLUE). Model
regresi yang memenuhi kriteria BLUE dapat digunakan sebagai
estimator. Estimasi tersebut dinyatakan tidak bias, berdistribusi normal,
konsisten dan juga efisien. BLUE dapat dicapai jika memenuhi asumsi
klasik. Uji asumsi klasik yang sering digunakan yaitu uji normalitas, uji
heteroskedastisitas, uji autokorelasi, dan uji multikolinearitas
(Romadhoni dkk., 2022).
1. Uji normalitas
Uji normalitas adalah uji yang digunakan untuk melihat apakah nilai
residual berdistribusi normal atau tidak. Model regresi yang baik
adalah memiliki nilai residual yang terdistribusi normal. Adapun
cara yang dapat digunakan dalam uji normalitas adalah uji Jarque
Bera, uji Kolmogorov-Smirnov, uji Shapiro-Wilk, dan uji Anderson-
Darling. Dalam penelitian ini uji normalitas dilakukan dengan
menggunakan uji Shapiro-Wilk. Menurut (Suardi, 2020) untuk
menguji normalitas dengan sampel yang berjumlah kecil (< 50)
lebih disarankan menggunakan uji Shapiro-Wilk. Berikut adalah
pengujian hipotesis yang digunakan dalam uji normalitas:
Hipotesis:
H0 : residual berdistribusi normal
7
H1 : residual tidak berdistribusi normal
Statistik uji:
1 2
𝑊ℎ𝑖𝑡 = [∑𝑘𝑖=1 𝑎𝑖 (𝑥𝑛−𝑖+1 − 𝑥𝑖 )] (2.3)
𝐷
dengan:
𝐷 = ∑𝑘𝑖=1 (𝑥𝑖 − 𝑥̅ )
dimana:
𝑎𝑖 : koefisien uji Shapiro Wilk
𝑥𝑛−𝑖+1 : data ke 𝑛 − 𝑖 + 1
𝑥𝑖 : data ke 𝑖
𝑥̅ : rata-rata data
Kriteria penolakan:
Tolak H0 , jika p-value < 𝛼 atau nilai 𝑊ℎ𝑖𝑡 > 𝑡𝑡𝑎𝑏𝑒𝑙
Kesimpulan:
Gagal tolak H0 , sehingga kesimpulan yang diperoleh yaitu data
residual berdistribusi normal.
2. Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengetahui keeratan suatu

hubungan, asumsi ini didefinisikan sebagai terjadinya korelasi
antara satu variabel error dengan variabel error lainnya (Magfiroh
dkk., 2018). Autokorelasi seringkali terjadi pada data time series dan
dapat juga terjadi pada data cross section. Pengujian autokorelasi
dapat menggunakan uji Durbin Watson, dengan hipotesis sebagai
berikut:
Hipotesis:
H0 : 𝜌 = 0 (residual saling bebas)
H1 : 𝜌 ≠ 0 (residual tidak saling bebas)
8
Statistik uji:
∑𝑛
𝑖=2(𝑒𝑖 −𝑒𝑖−1 )
2
𝐷𝑊 = ∑𝑛 2 (2.4)
𝑖=2 𝑒𝑖
dimana:
DW : nilai Durbin Watson
𝑒𝑖 : nilai residual ke-i
𝑒𝑖−1 : nilai residual pada i-1
Menurut Prameswari (2019) dalam Romadhoni dkk., (2022)

pengambilan keputusan ada tidaknya autokorelasi adalah sebagai
berikut:
Tabel 2.1 Interpretasi Uji Autokorelasi

Nilai Dubin Watson Interpretasi
𝑑 < 𝑑𝑙 Tolak 𝐻0 , ada autokorelasi positif
𝑑𝑙 ≤ 𝑑 ≤ 𝑑𝑢 Tidak dapat disimpulkan
𝑑𝑙 < 𝑑 < 4 − 𝑑𝑢 Gagal tolak 𝐻0 , tidak ada autokorelasi
4 − 𝑑𝑢 ≤ 𝑑 ≤ 4 − 𝑑𝑙 Tidak dapat disimpulkan
4 − 𝑑𝑙 < 𝑑 Tolak 𝐻0 , ada autokorelasi negatif
3. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui apakah terjadi

gejala korelasi antara variabel independen. Hasil uji
multikolinearitas dapat dilihat dari nilai Variance Infaltion Factor
(VIF), jika nilai VIF yang diperoleh < 10 dan mempunyai angka
tolerance < 0,01 maka dapat dikatakan model regresi bebas dari
gejala multikolinearitas (Purba dkk., 2021). Berikut merupakan
pengujian hipotesis pada uji multikolinearitas:
Hipotesis:
H0 : model regresi tidak terjadi multikolinearitas
H1 : model regresi terjadi multikolinearitas
9
Statistik uji:
1
𝑉𝐼𝐹 = 1−𝑅2 ; 𝑘 = 1,2, … , 𝑝 (2.5)
𝑘
dimana:
𝑅𝑘2 : koefisien determinan anatara variabel independen ke-k dengan
variabel independen lainnya
Kriteria penolakan:
Tolak H0 , jika nilai VIF > 10
Kesimpulan:
Gagal tolak H0 , sehingga kesimpulan yang diperoleh yaitu tidak
terjadi multikolinearitas pada model regresi.
4. Uji Heteroskedastisitas
Heteroskedastisitas adalah keadaan dimana terjadi perbedaan varian

dari residual untuk semua pengamatan pada model regresi, jika
varian dari residual suatu pengamatan sama maka disebut
homoskedatisitas. Jika terjadi heteroskedastisitas pada data spasial
maka dikatakan heteroskedastisitas spasial. Heterogenitas spasial
terjadi apabila satu variabel independen yang sama memberikan
respon yang tidak sama pada lokasi pengamatan yang berbeda dalam
satu wilayah penelitian (Widayaka dkk., 2016). Menurut Anselin
(1988) dalam Nurhayati dkk. (2018), pengujian heterogenitas
spasial dilakukan dengan menggunakan statistik uji Breusch-Pagan
dengan pengujian hipotesis sebagai berikut:
Hipotesis:
H0 : σ12 = σ22 = σ23 = ⋯ = σ2 (tidak terdapat heteroskedastisitas)
H1 : 𝜎𝑖2 ≠ 𝜎 2 ; 𝑖 = 1,2, … , 𝑛 (terdapat heteroskedastisitas)
Statistik uji:
1
𝐵𝑃 = 2 (∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 )𝑇 (∑𝑛𝑖=1 𝑥𝑖 𝑥𝑖𝑇 )(∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 )𝑇 (2.6)
10
dengan:
𝑒2
𝑓𝑖 = 𝜎𝑖2 − 1
dimana:
𝑒𝑖2 : kuadrat residual untuk pengamatan ke-i
𝜎2 : varians
𝑍 : vektor variabel respon Y yang berukuran (𝑛 × 1)
Kriteria penolakan:
2
Tolak H0 jika p-value < 𝛼 atau 𝐵𝑃ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑋(𝛼,𝑝) dengan p adalah
banyaknya variabel independen.
Kesimpulan:
Tolak H0 , sehingga kesimpulan yang diperoleh adalah terdapat
heteroskedastisitas atau tidak homogen.
2.3.2 Uji Simultan (Uji F)
Uji simultan atau uji F adalah suatu uji statistik yang digunakan dalam
analisis regresi untuk menguji keberartian secara simultan dari semua
variabel independen dalam model regresi. Uji F digunakan untuk
menentukan apakah model regresi secara signifikan bersama-sama
berpengaruh terhadap variabel dependen (Padilah & Adam, 2019).
Hipotesis:
H0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0 (tidak ada pengaruh variabel
independen terhadap variabel dependen)
H1 : 𝛽𝑘 ≠ 0 ; 𝑘 = 1,2, … , 𝑛 (minimal terdapat satu variabel
indpenden yang berpengaruh terhadap variabel dependen)
Statistik uji:
̂ −𝑌
(𝑌 ̅) 2
∑ 𝑙 𝑀𝑆𝑅
𝑝
𝐹ℎ𝑖𝑡 = ̂ )2
(𝑌𝑖 −𝑌
= (2.7)
∑ 𝑙 𝑀𝑆𝐸
[𝑛−𝑝−1]
11
dimana:
𝑀𝑆𝐸 : rata-rata kuadrat error
𝑀𝑆𝑅 : rata-rata kuadrat regresi
Kriteria penolakan:
Tolak H0 , jika p-value < 𝛼 atau nilai 𝐹ℎ𝑖𝑡 > 𝐹(𝛼,𝑝,𝑛−𝑝−1)
Kesimpulan:
variabel independen yang berpengaruh secara signifikan terhadap
variabel dependen.
2.3.3 Uji Parsial (Uji-t)
Uji parsial juga dikenal sebagai uji t parsial adalah suatu uji statistik
yang digunakan untuk menguji keberartian secara individual dari
masing-masing variabel independen dalam model regresi. Uji parsial
menggunakan statistik t-test untuk menghitung nilai t-statistik dan
nilai p-value (Padilah & Adam, 2019). Hipotesis yang digunakan
dalam uji parsial adalah:
Hipotesis:
H0 : 𝛽𝑘 = 0 (tidak ada pengaruh variabel independen ke-k terhadap
variabel dependen)
H1 : 𝛽𝑘 ≠ 0 ; 𝑘 = 1,2, … , 𝑛 (terdapat pengaruh variabel indpenden
ke-k terhadap variabel dependen)
Statistik uji:
̂𝑘
𝛽 ̂
𝛽
𝑡ℎ𝑖𝑡 = = 𝑠𝑒(𝛽̂𝑘 (2.8)
̂ 2 𝐶𝑘𝑘
√𝜎 𝑘)
dengan:
∑(𝑌𝑖 −𝑌̂𝑙 )2 𝑆𝑆𝐸

𝜎̂ 2 = = 𝑛−𝑝
𝑛−𝑝
12
dimana:
𝛽̂𝑘 : koefisien regresi
𝐶𝑘𝑘 : elemen diagonal (𝑋 𝑇 𝑋)−1
𝑠𝑒 : standar error
Kriteria penolakan:
Tolak H0 , jika p-value < 𝛼 atau nilai 𝑡ℎ𝑖𝑡 > 𝑡(𝛼/2;𝑛−𝑝−1)
Kesimpulan:
Tolak H0 , sehingga kesimpulan yang diperoleh yaitu terdapat
pengaruh variabel indpenden ke-k terhadap variabel dependen.
2.4 Geographically Weighted Regression (GWR)
Geographically Weighted Regression (GWR) merupakan pengembangan dari

analisis regresi linier yang digunakan untuk mengatasi masalah
heteroskedastisitas spasial, model GWR tidak mengasumsikan hubungan
antar variabel independen dan variabel dependen bersifat tetap di setiap
wilayah (Nainggolan & Pasaribu, 2021). Model ini merupakan model regresi
linier yang mempertimbangkan aspek spasial dari titik atau loksai dimana
data tersebut diambil sehingga setiap titik pengamatan akan memiliki nilai
parameter yang berbeda-beda (Fadli dkk., 2018). Hubungan antara variabel
dependen dan independen pada model GWR dapat dituliskan dalam bentuk
persamaan berikut:
𝑌𝑖 = 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) + ∑𝑝𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑖𝑘 + 𝜀𝑖 , 𝑖 = 1,2, … , 𝑛 (2.9)
dimana:
𝑌𝑖 : nilai variabel dependen pada titik lokasi pengamatan ke-i
𝛽0 (𝑢𝑖 , 𝑣𝑖 ) : konstanta/intercept
𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) : koefisien regresi ke-k pada titik lokasi pengamatan ke-i
𝑢𝑖 , 𝑣𝑖 : titik koordinat lintang dan bujur dengan satuan Decimal Degree
n(DD) pada lokasi pengamatan ke-i
𝑋𝑖𝑘 : nilai variabel independen ke-k pada titik lokasi pengamatan ke-i
13
𝜀𝑖 : nialai error pada titik lokasi ke-i
2.5 Estimasi Parameter Model GWR
Estimasi parameter pada model GWR berbeda dengan regresi linier, dalam
regresi linier semua nilai parameter diasumsikan sama untuk setiap titik lokasi
pengamatan. Pada model GWR estimasi parameter dilakukan dengan metode
Weighted Least Square (WLS), yaitu dengan memberikan bobot yang
berbeda-beda di setiap lokasi pengamatan sesuai dengan jarak pengamatan
dan akan menghasilkan banyak parameter sesuai jumlah lokasi yang
digunakan (multivalued statistics) (Apriyani dkk., 2018). Langkah awal
dalam melakukan Weighted Least Squares (WLS) adalah membuat matriks
diagonal dengan memperlihatkan bobot yang berbeda untuk setiap lokasi ke-
i, seperti berikut:
𝑤𝑖1 0 ⋯ 0
0 𝑤𝑖2 ⋯ 0
𝑊 (𝑢𝑖 , 𝑣𝑖 ) = [ ] (2.10)
⋮ ⋮ ⋱ ⋮
0 0 … 𝑤𝑖𝑛
dimana:
𝑊 (𝑢𝑖 , 𝑣𝑖 ) : matriks diagonal [𝑛 × 𝑛], dimana setiap elemen diagonalnya
merupakan pembobot untuk masing-masing titik lokasi
pengamatan (𝑢𝑖 , 𝑣𝑖 ) atau 𝑊𝑖𝑗 .
Misalnya pembobot masing-masing wilayah (𝑢𝑖 , 𝑣𝑖 ) adalah wk (𝑢𝑖 , 𝑣𝑖 ),

dengan 𝑘 = 1,2, . . , 𝑝 menyebabkan nilai parameter di wilayah pengamatan
(𝑢𝑖 , 𝑣𝑖 ) ditaksir dengan meminimumkan jumlah kuadrat residual atau Sum
Square Error (SSE) sebagai berikut:
2
∑𝑛𝑗=1 𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 )𝜀𝑗2 = ∑𝑛𝑗 𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) [𝑦𝑗 − 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) − ∑𝑝𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑗𝑘 ] (2.11)
Dalam bentuk matriks SSE dapat ditulis sebagai berikut:
𝜀 𝑇 𝑊𝑙 𝜀 = (𝑦 − 𝑋𝛽𝑙 )𝑇 𝑊𝑙 (𝑦 − 𝑋𝛽𝑙 )
= (𝑦 𝑇 − 𝛽𝑙𝑇 𝑋 𝑇 )𝑊𝑙 (𝑦 − 𝑋𝛽𝑙 )
14
= 𝑦 𝑇 𝑊𝑙 𝑦 − 𝑊𝑙 𝑦 𝑇 𝑋𝛽𝑙 − 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑦 + 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
= 𝑦 𝑇 𝑊𝑙 𝑦 − 𝑊𝑙 (𝑦 𝑇 𝑋𝛽𝑙 )𝑇 − 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑦 + 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
= 𝑦 𝑇 𝑊𝑙 𝑦 − 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑦 + 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑦 + 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
= 𝑦 𝑇 𝑊𝑙 𝑦 − 2𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑦 + 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙 (2.12)
dengan:
𝛽0 (𝑢𝑖 , 𝑣𝑖 )
𝛽 (𝑢 , 𝑣 )
𝛽𝑙 = [ 1 𝑖 𝑖 ]
⋮
𝛽𝑝 (𝑢𝑖 , 𝑣𝑖 )
𝑊𝑙 = 𝑑𝑖𝑎𝑔[𝑊1 (𝑢𝑖 , 𝑣𝑖 ), 𝑊2 (𝑢𝑖 , 𝑣𝑖 ), … , 𝑊𝑛 (𝑢𝑖 , 𝑣𝑖 )]
Untuk memperoleh estimasi parameter 𝛽̂ (𝑢𝑖 , 𝑣𝑖 ) yang efisien dapat dilakukan

dengan penurunan pada persamaan (2.12) terhadap 𝛽𝑇 (𝑢𝑖 , 𝑣𝑖 ) sehingga
diperoleh penyelesaian sebagai berikut:
𝜕𝜀 𝑇 𝑊𝑙 𝜀 𝜕(𝑦 𝑇 𝑊𝑙 𝑦 − 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑦 + 𝛽𝑙𝑇 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙

=
𝜕𝛽𝑇 𝜕𝛽𝑇
= 0 − 2𝑋 𝑇 𝑊𝑙 𝑦 + 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙 + 𝑊𝑙 (𝑋 𝑇 𝛽𝑙𝑇 𝑋)𝑇
= −2𝑋 𝑇 𝑊𝑙 𝑦 + 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙 + 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
= −2𝑋 𝑇 𝑊𝑙 𝑦 + 2𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
2𝑋 𝑇 𝑊𝑙 𝑦 = 2𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
𝑋 𝑇 𝑊𝑙 𝑦 = 𝑋 𝑇 𝑊𝑙 𝑋𝛽𝑙
𝛽𝑙 = 𝑋 𝑇 𝑊𝑙 𝑋 −1 𝑋 𝑇 𝑊𝑙 𝑦 (2.13)
Sehingga estimasi parameter model GWR adalah sebagai berikut:
𝛽̂(𝑢𝑖 , 𝑣𝑖 ) = (𝑋 𝑇 𝑊(𝑢𝑖 , 𝑣𝑖 )𝑋)−1 𝑋 𝑇 𝑊(𝑢𝑖 , 𝑣𝑖 )𝑦 (2.14)
Jika ada 𝑛 lokasi, maka estimasi ini adalah estimasi untuk setiap baris dan
matriks parameter lokal dari semua lokasi yang ditunjukkan sebagai berikut:
𝛽0 (𝑢1 , 𝑣1 ) 𝛽1 (𝑢1 , 𝑣1 ) 𝛽2 (𝑢1 , 𝑣1 ) … 𝛽𝑝 (𝑢1 , 𝑣1 )

𝛽 (𝑢 , 𝑣 ) 𝛽1 (𝑢2 , 𝑣2 ) 𝛽2 (𝑢2 , 𝑣2 ) … 𝛽𝑝 (𝑢2 , 𝑣2 )
𝐵= 0 2 2 (2.15)
⋮ ⋮ ⋮ ⋱ ⋮
[ 0 𝑛 , 𝑣𝑛 )
𝛽 (𝑢 𝛽1 (𝑢𝑛 , 𝑣𝑛 ) 𝛽2 (𝑢𝑛 , 𝑣𝑛 ) … 𝛽𝑝 (𝑢𝑛 , 𝑣𝑛 )]
15
2.6 Uji Hipotesis Model GWR
Pengujian hipotesis yang dilakukan terdiri dua uji, yaitu uji kebaikan model
dan uji signifikansi parameter model.
2.6.1 Uji Kesesuaian Model GWR
Uji kebaikan model Menurut Leung et al. (2000) dalam Pamungkas

dkk. (2016) pengujian ini dilakukan dengan hipotesis sebagai berikut:
Hipotesis:
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽𝑘 ; 𝑘 = 1,2, … , 𝑝 dan 𝑖 = 1,2, … , 𝑛 (tidak terdapat
perbedaan yang signifikan antara model regresi linier dengan
model GWR)
H1 : minimal terdapat satu 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 𝛽𝑘 untuk; 𝑘 = 1,2, … , 𝑝 dan
𝑖 = 1,2, … , 𝑛 (terdapat perbedaan yang signifikan antara model
regresi linier dengan model GWR)
Statistik uji:
𝑆𝑆𝐸(𝐻 )/𝑑𝑓
𝐹1 = 𝑆𝑆𝐸(𝐻0 )/𝑑𝑓1 (2.16)
0 2
dengan:
𝑆𝑆𝐸(𝐻0 ) = 𝑌 𝑇 (𝐼 − 𝐻 )𝑌
𝐻 = 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇
𝑑𝑓1 = 𝑛 − 𝑝 − 1
𝑑𝑓2 = (𝑛 − 2𝑡𝑟(𝑆) + 𝑡𝑟(𝑆 𝑇 𝑆))
𝑋1𝑇 (𝑋 𝑇 𝑊 (𝑢1 , 𝑣1 )𝑋)−1 𝑋 𝑇 𝑊 (𝑢1 , 𝑣1 )
𝑇( 𝑇 ( ) )−1 𝑇 ( )
𝑆 = 𝑋2 𝑋 𝑊 𝑢2 , 𝑣2 𝑋 𝑋 𝑊 𝑢2 , 𝑣2
⋮
[𝑋𝑘𝑇 (𝑋 𝑇 𝑊 (𝑢𝑛 , 𝑣𝑛 )𝑋)−1 𝑋 𝑇 𝑊 (𝑢𝑛 , 𝑣𝑛 )]
dimana:
𝐼 : matriks identitas berukuran n × n
Kriteria penolakan:
Tolak H0 , jika p-value < 𝛼 atau 𝐹1 > 𝐹𝛼;(𝑑𝑓1 ,𝑑𝑓2 )
16
Kesimpulan:
perbedaan antara model regresi linier dengan model GWR.
2.6.2 Uji Signifikansi Parameter Model GWR
Uji signifikasnsi parameter untuk setiap lokasi dilakukan dengan

pengujian secara parsial. Pengujian ini dilakukan untuk mengetahui
signifikansi 𝛽(𝑢𝑖 , 𝑣𝑖 ) terhadap variabel dependen secara parsial
(individu) pada model GWR (Simamora & Ratnasari, 2014). Adapun
pengujian hipotesis sebagai berikut:
Hipotesis:
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0 (tidak terdapat pengaruh variabel independen
terhadap variabel dependen)
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0 ; 𝑘 = 1,2, … , 𝑝 (terdapat pengaruh variabel
independen terhadap variabel dependen)
Statistik uji:
̂ 𝑘 (𝑢𝑖 ,𝑣𝑖 )
𝛽
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = ̂ √𝐶𝑘𝑘
(2.17)
𝜎
dengan:
𝐶 = [𝑋 𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )𝑋]−1 𝑋 𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )
dimana:
𝐶𝑘𝑘 : elemen diagonal matriks 𝐶𝐶 𝑇
Kriteria penolakan:
Tolak H0 , jika p-value < 𝛼 atau |𝑡ℎ𝑖𝑡 | > 𝐹𝛼/2,𝑑𝑓 dengan 𝑑𝑓 = 𝑛 − 𝑝 −
1
Kesimpulan:
pengaruh variabel independen terhadap variabel dependen.
17
2.7 Pembobot Spasial
Peran pembobot pada model GWR sangat penting karena nilai pembobot
mewakili letak data observasi satu dengan yang lainnya. Pemilihan pembobot
dapat ditentukan dengan menggunakan fungsi kernel yang terbagi menjadi
dua jenis yaitu fixed dan adaptive. Berikut merupakan bentuk persamaan dari
masing-masing fungsi kernel yang dapat digunakan (Hapsery & Trishnanti,
2021):
1. Fixed Gaussian Kernel
1 𝑑𝑖𝑗 2
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = exp [− 2 ( ℎ ) ] (2.18)
2. Adaptive Gaussian Kernel
1 𝑑𝑖𝑗 2
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = exp [− 2 ( ℎ ) ] (2.19)
𝑖
3. Fixed Bisquare Kernel

2
𝑑𝑖𝑗 2
(1 − ( ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ (2.20)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ
4. Adaptive Bisquare Kernel
𝑑 2 2
(1 − ( 𝑖𝑗 ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ𝑖
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ 𝑖 (2.21)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ𝑖
5. Fixed Tricube Kernel
𝑑 3 3
(1 − ( 𝑖𝑗 ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ (2.22)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ
6. Adaptive Tricube Kernel
𝑑 3 3
(1 − ( 𝑖𝑗 ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ𝑖
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ 𝑖 (2.23)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ𝑖
18
dengan:
𝑑𝑖𝑗 = √(𝑢𝑖 − 𝑢𝑗 )2 + (𝑣𝑖 −𝑣𝑗 ) 2 (2.24)
dimana:
𝑑𝑖𝑗 : jarak euclidean
𝑢𝑖 : koordinat latitude (lintang) pada lokasi ke-𝑖
𝑣𝑖 : koordinat longitude (bujur) pada lokasi ke-𝑖
ℎ𝑖 : bandwidth pada lokasi ke-𝑖
Bandwidth merupakan sebuah titik yang berada pada suatu lingkungan dan
dianggap memiliki pengaruh pada radius. Dalam analisisnya untuk
mendapatkan bandwidth yang optimum dapat menggunakan Cross Validation
(CV). Secara matematis dapat definisikan sebagai berikut (Hapsery &
Trishnanti, 2021):
𝐶𝑉 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂≠𝑖 (ℎ))2 (2.25)
dimana:
𝑦̂≠𝑖 (ℎ) hasil estimasi dari 𝑦𝑖 ketika prosesnya menghilangkan pengamatan
lokasi (𝑢𝑖 , 𝑣𝑖 ). Nilai h yang optimal akan didapatkan dari h yang
menghasilkan CV yang paling minimum.
2.8 Uji Variabilitas Spasial
Uji variabilitas spasial pada model GWR dilakukan secara parsial untuk
mengetahui apakah terdapat perbedaan pengaruh signifikan dari variabel Xk
antar satu lokasi dengan lokasi lainnya. Uji variabilitas merupakan uji yang
dilakukan untuk mengetahui variabel yang bersifat global maupun lokal
(Suritman, 2020). Pengujian ini dilakukan dengan hipotesis sebagai berikut:
Hipotesis:
H0 : 𝛽1 (𝑢1 , 𝑣1 ) = 𝛽2 (𝑢2 , 𝑣2 ) = ⋯ = 𝛽𝑘 (𝑢𝑛 , 𝑣𝑛 ); 𝑘 = 1,2, … , 𝑛 (tidak
terdapat pengaruh signifikan dari variavel independen Xk antar lokasi
dengan lokasi lainnya)
19
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0; 𝑖 = 1,2, … , 𝑛 (terdapat pengaruh signifikan dari variabel
independen Xk antar lokasi dengan lokasi lainnya)
Statistik uji:
1 1
𝑉𝑘2 /𝑡𝑟( 𝐵𝑘𝑡 [1− 𝐽]𝐵𝑘 )
𝑛 𝑛
𝐹1 = ( ) (2.26)
𝑏1 /𝑆𝑆𝐸(𝐻1)
dengan:
1 1 1 1
𝑉𝑘2 = 𝑛 ∑𝑛𝑖=1 ((𝛽̂𝑘 (𝑢𝑖 , 𝑣𝑖 ) − 𝑛 ∑𝑛𝑖=1(𝛽̂𝑘 (𝑢𝑖 , 𝑣𝑖 ))2 = 𝑛 𝛽′𝑘 [𝑰 − 𝑛 𝑱]𝛽𝑘
𝛽̂0 (𝑢𝑖 , 𝑣𝑖 )
̂ ( )
𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽1 𝑢𝑖 , 𝑣𝑖
⋮
𝛽̂
[ 𝑝 𝑖 , 𝑣𝑖 )]
( 𝑢
𝒆1𝑇 (𝑿𝑇 𝑾(𝑢1 , 𝑣1 )𝑿)−1 𝑿𝑇 𝑾(𝑢1 , 𝑣1 )
𝑇( 𝑇 ( ) )−1 𝑇 ( )
𝐵𝑘 = 𝒆2 𝑿 𝑾 𝑢2 , 𝑣2 𝑿 𝑿 𝑾 𝑢2 , 𝑣2
⋮
[𝒆𝑇𝑘 (𝑿𝑇 𝑾(𝑢𝑛 , 𝑣𝑛 )𝑿)−1 𝑿𝑇 𝑾(𝑢𝑛 , 𝑣𝑛 )]
dimana:
J : matriks berukuran 𝑛 × 𝑛 yang elemennya adalah 1

ek : vektor kolom berukuran (k + 1), bernilai 1 untuk elemen ke-j dan 0
lainnya
Kriteria penolakan:
Tolak H0, jika 𝐹 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, dengan derajat
kebebasan 𝑑𝑓1 = 𝑐12 /𝑐22 dan 𝑑𝑓2 = 𝑏12 /𝑏22
Kesimpulan:
Apabila 𝐹 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) artinya H0 ditolak, artinya variabel yang dihasilkan
bersifat lokal begitupun sebaliknya, jika 𝐹 < 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) variabel yang
dihasilkan bersifat global.
20
2.9 Mixed Geographically Weighted Regression (MGWR)
Model Mixed Geographically Weighted Regression (MGWR) merupakan

gabungan dari model GWR dan regresi linier. Metode MGWR digunakan
apabila pada model GWR terdapat variabel independen yang tidak signifikan
berpengaruh secara lokal sehingga terdapat variabel yang bersifat global
(Kusnandar dkk., 2021). Model MGWR dengan p variabel independen dan q
variabel independen yang diantaranya bersifat lokal, dan mengasumsikan
bahwa intercept model bersifat lokal yang dapat dituliskan dalam persamaan
matematis sebagai berikut (Apriyani dkk., 2018):
𝑞 𝑝
𝑌𝑖 = 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) + ∑𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) 𝑋𝑖𝑘 + ∑𝑘=𝑞+1 𝛽𝑘 𝑋𝑖𝑘 + 𝜀𝑖 ; 𝑖 = 1,2, … , 𝑛 (2.27)
dimana:
𝑌𝑖 : nilai variabel dependen pada titik lokasi pengamatan ke-i
𝛽0 (𝑢𝑖 , 𝑣𝑖 ) : konstanta/intercept
𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) : koefisien regresi ke-k pada titik lokasi pengamatan ke-i
𝑢𝑖 , 𝑣𝑖 : titik koordinat lintang dan bujur dengan satuan Decimal Degree
n(DD) pada lokasi pengamatan ke-i
𝑋𝑖𝑘 : nilai variabel independen ke-k pada titik lokasi pengamatan ke-i
𝛽𝑘 : koefisien regresi variabel independen ke-k
𝜀𝑖 : nialai error pada titik lokasi ke-i
2.10 Estimasi parameter model MGWR
Estimasi parameter model MGWR dapat dilakukan menggunakan metode

Weighted Least Square (WLS) sama seperti pada model GWR. estimasi
parameter model MGWR terdiri dari dua langkah estimasi yaitu 𝛽𝑔 dan
𝛽𝑙 (𝑢𝑖 , 𝑣𝑖 ). Estimasi model MGWR terlebih dahulu dilakukan dengan
mengidentifikasi variabel global dan lokal. Pada persamaan (2.27) kemudian
dituliskan dalam bentuk matriks sebagai berikut:
𝑦𝑖 = 𝑿𝒍 𝜷𝒍 (𝑢𝑖 , 𝑣𝑖 ) + 𝑿𝒈 𝜷𝒈 + 𝜀 (2.28)
21
dimana:
𝑋𝑙 : matriks variabel independen lokal
𝑋𝑔 : matriks variabel independen global
𝛽𝑙 (𝑢𝑖 , 𝑣𝑖 ) : matriks parameter variabel independen lokal
𝛽𝑔 : matriks variabel indepeden global
1 𝑥11 … 𝑥1𝑞 𝑥1(𝑞+1) 𝑥2(𝑞+1) … 𝑥1𝑞

1 𝑥21 … 𝑥1𝑞 𝑥2(𝑞+1) 𝑥2(𝑞+1) … 𝑥2𝑞
𝑋𝑙 = , 𝑋𝑔 = [ ⋮ ⋮ ⋱ ⋮ ]
⋮ ⋮ ⋱ ⋮
[1 𝑥𝑛1 … 𝑥𝑛𝑞 ] 𝑥𝑛(𝑞+1) 𝑥𝑛(𝑞+1) … 𝑥𝑛𝑞
𝑦1 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) 𝛽𝑞+1
𝑦2 𝛽 (𝑢 , 𝑣 ) 𝛽
𝑦 = [ ⋮ ], 𝛽𝑙 (𝑢𝑖 , 𝑣𝑖 ) = [ 1 𝑖 𝑖 ], 𝛽𝑔 = 𝑞+2 , 𝑖 = 1,2, … , 𝑛
⋮ ⋮
𝑦𝑛 (
𝛽𝑛 𝑢𝑖 , 𝑣𝑖 ) [𝛽𝑞+𝑛 ]
Dengan matriks pemebobot sama dengan pembobot pada Persamaan (2.10)

yang digunakan pada model GWR, yang ditulis sebagai berikut:
𝑊(𝑢𝑖 , 𝑣𝑖 ) = 𝑑𝑖𝑎𝑔[𝑊1 (𝑢𝑖 , 𝑣𝑖 ), 𝑊2 (𝑢𝑖 , 𝑣𝑖 ), … , 𝑊𝑛 (𝑢𝑖 , 𝑣𝑖 )] (2.29)
Estimasi parameter model MGWR menurut Fotheringham et al. (2000) dalam

Hakim dkk. (2015) dapat ditulis dengan persamaan sebagai berikut:
𝛽̂𝑔 = [𝑋𝑔𝑇 (𝐼 − 𝑆𝑙 )𝑇 (𝐼 − 𝑆𝑙 )𝑋𝑔 ]−1 𝑋𝑔𝑇 (𝐼 − 𝑆𝑙 )𝑇 (𝐼 − 𝑆𝑙 )𝑦 (2.30)

𝛽̂𝑙 (𝑢𝑖 , 𝑣𝑖 ) = [𝑋𝑙𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑙 ]−1 𝑋𝑙𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )(𝑦 − 𝑋𝑔 𝛽̂𝑔 ) (2.31)
dengan:
𝑇
𝑋𝑙1 (𝑋𝑙𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑙 )−1 𝑋𝑙𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )
𝑇 𝑇 ( ) −1 𝑇 ( )
𝑆𝑙 = 𝑋𝑙2 (𝑋𝑙 𝑊 𝑢𝑖 , 𝑣𝑖 𝑋𝑙 ) 𝑋𝑙 𝑊 𝑢𝑖 , 𝑣𝑖
⋮
𝑇
[𝑋𝑙𝑛 (𝑋𝑙𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑙 )−1 𝑋𝑙𝑇 𝑊 (𝑢𝑖 , 𝑣𝑖 )]
22
2.11 Uji Hipotesis Model MGWR
Pengujian hipotesis yang dilakukan meliputi pengujian goodness of fit (uji

kesesuaian model) anatara model MGWR dan regresi linier, pengujian secara
serentak untuk parameter variabel global dan parameter variabel lokal pada
model MGWR serta pengujian secara parsial pada setiap model MGWR
(Yasin, 2013).
2.11.1 Uji Kesesuaian Model MGWR
Uji kesesuaian model MGWR dilakukan untuk mngetahui model yang

terbaik antara MGWR dengan model regresi linier berganda, Adapun
hipotesis yang digunakan sebagai berikut:
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0 (tidak terdapat perbedaan yang signifikan antara
model MGWR dan regresi linier)
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 𝛽𝑗 (𝑢𝑗 , 𝑣𝑗 ) (terdapat perbedaan yang signifikan
antara model MGWR dan regresi linier)
Statistik uji:
𝑦 𝑇 [(𝐼−𝐻)−(𝐼−𝑆)𝑇 (𝐼−𝑆)]𝑦/𝑣𝑖
𝐹1 = ( ) (2.32)
𝑦 𝑇 (𝐼−𝑆)𝑇 (𝐼−𝑆)𝑦/𝑢𝑖
dengan:
𝑆 = 𝑆𝑙 + (𝐼 − 𝑆𝑙 )𝑋𝑔 [𝑋𝑔𝑇 (𝐼 − 𝑆𝑙 )𝑇 (𝐼 − 𝑆𝑙 )𝑋𝑔 ]−1 × 𝑋𝑔𝑇 (𝐼 − 𝑆𝑙 )𝑇 (𝐼 − 𝑆𝑙 )
𝑢𝑖 = 𝑡𝑟([(𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)𝑖 ]), 𝑖 = 1,2, … , 𝑛

𝑣𝑖 = 𝑡𝑟([(𝐼 − 𝐻 ) − (𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)]𝑖 ), 𝑖 = 1,2, … , 𝑛
𝐻 = 𝑋(𝑋 𝑇 𝑋)−1 𝑋 𝑇
Kriteria penolakan:
Tolak H0 , jika 𝐹1ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, dengan
derajat kebebasan 𝑑𝑓1 = 𝑣12 /𝑣22 dan 𝑑𝑓2 = 𝑢12 /𝑢22
23
Kesimpulan:
Apabila nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, maka tolak H0 . Sehingga kesimpulan
yang diperoleh adalah terdapat perbedaan antar model MGWR dengan
regresi linier.
2.11.2 Uji Simultan Model MGWR
Dalam uji simultan (serentak) terdapat dua macam pengujian yaitu

pada parameter global dan lokal. Seperti di bawah ini:
1. Uji simultan parameter global

Hipotesis:
H0 : 𝛽𝑞+1 = 𝛽𝑞+2 = ⋯ = 𝛽𝑝 = 0
H1 : minimal terdapat satu 𝛽𝑘 ≠ 0; 𝑘 = 𝑞 + 1, 𝑞 + 2, … , 𝑝
Statistik uji:
𝑦 𝑇 [(𝐼−𝑆𝑙 )𝑇−(𝐼−𝑆)𝑇(𝐼−𝑆)]𝑦/𝑟𝑖
𝐹2 = ( ) (2.33)
dengan:
𝑢𝑖 = 𝑡𝑟([(𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)𝑖 ]), 𝑖 = 1,2, … , 𝑛
𝑟𝑖 = 𝑡𝑟([(𝐼 − 𝑆𝑙 )𝑇 (𝐼 − 𝑆𝑙 ) − (𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)]𝑖 ),
𝑖 = 1,2, … , 𝑛
Kriteria penolakan:
Tolak H0 , jika 𝐹1ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) dengan derajat kebebasan
𝑑𝑓1 = 𝑟12 /𝑟22 dan 𝑑𝑓2 = 𝑢12 /𝑢22 .
Kesimpulan:
Apabila nilai 𝐹1ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ), maka tolak H0 . Sehingga
kesimpulan yang diperoleh adalah variabel independen global

secara simultan berpengaruh terhadap variabel dependen.
24
2. Uji simultan parameter lokal
Hipotesis:
H0 : 𝛽1 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽2 (𝑢𝑖 , 𝑣𝑖 ) = ⋯ = 𝛽𝑞 (𝑢𝑖 , 𝑣𝑖 ) = 0;
𝑖 = 1,2, … , 𝑛
H1 : minimal terdapat satu 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0
Statistik uji:
𝑇
𝑦 𝑇 [(𝐼−𝑆𝑔 ) (𝐼−𝑆𝑔 )−(𝐼−𝑆)𝑇 (𝐼−𝑆)]𝑦/𝑡𝑖
𝐹3 = ( ) (2.34)
dengan:
𝑇 𝑖
𝑡𝑖 = 𝑡𝑟 ([(𝐼 − 𝑆𝑔 ) (𝐼 − 𝑆𝑔 ) − (𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)] ) ; = 1,2, … , 𝑛
𝑢𝑖 = 𝑡𝑟((𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)𝑖 ), 𝑖 = 1,2, … , 𝑛

𝑆𝑔 = 𝑋𝑔 (𝑋𝑔𝑇 𝑋𝑔 )−1 𝑋𝑔𝑇
Kriteria penolakan:
Tolak H0 , jika 𝐹3ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ), dengan derajat kebebasan
𝑑𝑓1 = 𝑟12 /𝑟22 dan 𝑑𝑓2 = 𝑢12 /𝑢22 .
Kesimpulan:
Apabila nilai 𝐹3ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ), maka tolak H0 . Sehingga
kesimpulan yang diperoleh adalah variabel independen lokal

secara simultan berpengaruh terhadap variabel dependen.
2.11.3 Uji Parsial Model MGWR
Uji ini digunakan untuk mengetahui variabel global dan lokal yang
berpengaruh signifikan terhadap respon pada model MGWR.
Terdapat dua uji parsial dalam model MGWR yaitu pada parameter
variabel global dan parameter variabel lokal.
25
1. Uji parsial parameter global
Hipotesis:
H0 : 𝛽𝑘 = 0; 𝑘 = 𝑞 + 1, 𝑞 + 2, … , 𝑝 (variabel global Xk tidak
signifikan)
H1 : 𝛽𝑘 ≠ 0; 𝑘 = 𝑞 + 1, 𝑞 + 2, … , 𝑝 (variabel global Xk
signifikan)
Statistik uji:
̂𝑘
𝛽
𝑇𝑔_ℎ𝑖𝑡 = ( ̂ ) (2.35)
𝜎√𝑔𝑘𝑘
dengan:
𝐺 = [𝑋𝑔𝑇 (𝐼 − 𝑆𝑔 )𝑇 (𝐼 − 𝑆𝑔 )𝑋𝑔 ]−1 𝑋𝑔𝑇 (𝐼 − 𝑆𝑔 )𝑇 (𝐼 − 𝑆𝑔 )
𝑦 𝑇 (𝐼 − 𝑆 )𝑇 ((𝐼 − 𝑆 )𝑦
𝜎̂ 2 =
𝑡𝑟((𝐼 − 𝑆)𝑇 ((𝐼 − 𝑆))
𝑔𝑘𝑘 = elemen diagonal ke-k dari matriks GGT
Kriteria penolakan:
Tolak H0 , jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 atau |𝑡| > 𝑡𝛼;𝑑𝑓 dengan 𝑑𝑓 =
2
𝑢12 /𝑢22
Kesimpulan:
Apabila nilai |𝑡| > 𝑡𝛼;𝑑𝑓 , maka tolak H0 . Sehingga kesimpulan
2
yang diperoleh adalah variabel independen berpengaruh signifikan

secaran global.
2. Uji parsial parameter lokal

Hipotesis:
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0 (variabel global Xk pada lokasi ke-i tidak
signifikan)
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0 (variabel global Xk pada lokasi ke-i signifikan)
26
Statistik uji:
̂ (𝑢𝑖 ,𝑣𝑖 )
𝛽
𝑇𝑔_ℎ𝑖𝑡 = ( 𝜎̂𝑘 ) (2.36)
√𝑚𝑘𝑘
dengan:
𝑋𝑔𝑇 𝑊(𝑢𝑖 ,𝑣𝑖 )(𝐼−𝑋𝑔 𝐺)

𝑀= 𝑋𝑔𝑇 𝑊(𝑢𝑖 ,𝑣𝑖 )𝑋𝑖
𝑦 𝑇 (𝐼 − 𝑆 )𝑇 ((𝐼 − 𝑆 )𝑦
𝜎̂ 2 =
𝑡𝑟((𝐼 − 𝑆)𝑇 ((𝐼 − 𝑆))
𝑚𝑘𝑘 = elemen diagonal ke-k dari matriks 𝑮𝑮𝑇
Kriteria penolakan:
Tolak H0 , jika 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 atau |𝑡| > 𝑡𝛼;𝑑𝑓 dengan 𝑑𝑓 =
2
𝑢12 /𝑢22
Kesimpulan:
Apabila nilai |𝑡| > 𝑡𝛼;𝑑𝑓 , maka tolak H0 . Sehingga kesimpulan
2
yang diperoleh adalah variabel independen berpengaruh signifikan

secaran lokal.
2.12 Uji Kebaikan Model
Uji kebaikan model dapat dilakukan dengan beberapa metode, antara lain
yaitu Koefisien determinasi (R2) dan nilai Akaike Information Criterion
(AIC).
1. Akaike Information Criterion (AIC)

Menetukan model terbaik menggubakan metode AIC dapat dilakukan
dengan melihat nilai AIC minimum (Safitri & Amaliana, 2021). Bentuk
persamaan matematis sebagai berikut:
𝑛+𝑡𝑟(𝑆)
𝐴𝐼𝐶 = 2𝑛 𝑙𝑜𝑔𝑒 (𝜎̂) + 𝑛 𝑙𝑜𝑔𝑒 (2𝜋) + 𝑛 {𝑛−2−𝑡𝑟(𝑆)} (2.37)
dimana:
𝜎̂ : nilai estimator standar deviasi dari bentuk residual
27
𝜋 : 3,14
S : matriks proyeksi
2. Koefisien Determinasi (R2)

Uji kebaikan model dapat dilakukan dengan R2 atau dikenal dengan
koefisien determinasi. R2 merupakan pengukuran proporsi atau presentase
dari total variasi pada Y yang dijelaskan pada model regresi. Nilai
koefisien determinasi berkisar antara 0 sampai 1 (Wohon dkk., 2017).
Bentuk persamaan matematis sebagai berikut:
∑𝑛 (𝑦̂ −𝑦̅)2
𝑅2 = ∑𝑖=1 𝑖
𝑛 (𝑦 −𝑦
̅)2
× 100% (2.38)
𝑖=1 𝑖
dimana:
𝑦𝑖 : data aktual pada pengamatan ke-i
𝑦̂𝑖 : hasil prediksi pada pengamatan ke-i
𝑦̅ : rata-rata variabel dependen
28
2.13 Kerangka Pikir
Mulai
Input data
Analisis deskriptif
Standarisasi data
Analisis regresi linier berganda
Uji asumsi normalitas, Tidak

autokorelasi
& multikolinearitas
Ya
Tidak
Uji asumsi
heteroskedastisitas
Ya
Analisis Geographically
Weighted Regression (GWR)
Menghitung jarak euclidean
Tidak
Uji variabilitas
spasial
Ya
Aalisis Mixed Geographically
Weighted Regression (MGWR)
Menghitung kebaikan model
Kesimpulan
Selesai
29
Halaman ini sengaja dikosongkan
30
BAB III
METODE PENELITIAN
3.1 Lokasi dan Tempat Penelitian
Lokasi pengambilan data pada penelitian ini dilakukan di website resmi

Kementrian Kesehatan Republik Indonesia dan tempat penelitian ini
dilakukan di Laboratorium Statistika Terapan Program Studi Statistika,
Jurusan Matematika, Fakultas MIPA, Universitas Tadulako.
3.2 Populasi dan Sampel Penelitian
Populasi yang digunakan dalam penelitian ini adalah data kasus pneumonia
di seluruh provinsi di Indonesia dan sampel yang digunakan pada penelitian
ini adalah data kasus pneumonia di 34 provinsi di Indonesia pada tahun 2021.
3.3 Prosedur Pengambilan Data
Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh
dari Profil Kesehatan Indonesia Tahun 2021 sedangkan data koordinat
diperoleh menggunakan Google Maps. Variabel-variabel yang akan
digunakan dalam penelitan ini sebagai variabel dependen (𝑌) dan variabel
independen (𝑋) disajikan dalam Tabel 3.1 berikut:
Tabel 3.1 Variabel Penelitian

Variabel Definisi Satuan
Penderita Pneumonia merupakan ganguan kesehatan
Pneumonia pada saluran pernapasan yang ditimbulkan Jiwa
(𝑌) oleh bakteri maupun virus.
Bayi Berat
Keadaan dimana bayi memiliki resiko tinggi
Lahir
kesakitan dan kematian lebih besar yang
Rendah Jiwa
dikaitkan dengan kelahiran dan penyesuaian
(BBLR)
setelah lahir.
(𝑋1 )
31
Variabel Definisi Satuan
Pemberian
Merupakan pemberian ASI tanpa
ASI
suplementasi makanan maupun minuman Jiwa
Eksklusif
lain kecuali obat-obatan.
(𝑋2 )
Pemberian
Program intervensi pemberian kapsul
Vitamin A Persen (%)
vitamin A bagi anak usia 6 sampai 59 bulan.
(𝑋3 )
Jumlah penduduk yang tinggal dalam suatu
Kepadatan
wilayah yang diukur dengan membagi
Penduduk Jiwa/km2
jumlah penduduk dengan luas wilayah
(𝑋4 )
tersebut.
Merupakan salah satu imunisasi dasar yang
Imunisasi
diberikan pada bayi untuk mecegah penyakit
DPT-Hib 3 Persen (%)
difteri, partusis, tetanus, hepatitis B dan
(𝑋5 )
heamophilus influenza (HiB)
Imunisasi yang diberikan pada usia 9 bulan
Imunisasi
untuk mecegah infeksi, radang paru-paru
Campak Persen (%)
atau pneumonia, radang otak sampai dengan
(𝑋6 )
kematian.
Cakupan pelayanan kesehatan pada balita
Cakupan
yang dilayani oleh Menejmen Terpadu Balita
Pelayan
Sakit (MTBS), adalah suatu manajmen
Kesehatan Jiwa
kesehatan balita yang bertujuan untuk
pada Bayi
mendeteksi dan memberikan perawatan dini
(𝑋7 )
pada masalah kesehatan balita.
Balita kurus mengacu pada kondisi di mana
Balita Kurus anak usia balita memiliki berat badan yang
Persen (%)
(𝑋8 ) lebih rendah dari standar yang diharapkan
untuk usia dan tinggi badannya.
Longitude
Garis bujur Provinsi Derajat
(v)
Latitude (u) Garis lintang Provinsi Derajat
3.4 Analisis Data
Analisis data dalam penelitian ini dilakukan dengan tahapan-tahapan sebagai

berikut:
1. Melakukan penginputan data
32
2. Melakukan analisis deskriptif
3. Melakukan analisis standarisasi data
4. Melakukan analisis regresi linier berganda
5. Melakukan pengujian asumsi klasik yaitu uji normalitas, uji autokorelasi
dan uji multikolineritas.
Pengujian normalitas dilakuan menggunakan uji Shapiro-Wilk, uji
autokorelasi dilakukan dengan menggunakan uji Durbin Watson
sedangkan uji multikolinieritas dilakukan dengan memperhatikan nilai
Variance Inflation Factor (VIF), jika asumsi ini terpenuhi maka analisis
dapat dilanjutkan.
6. Melakukan uji asumsi heterogenitas dengan uji Breusch-Pagan, jika
memenuhi asumsi heterogenitas maka analisis dapat dilanjutkan.
7. Melakukan analisis Geographically Weighted Regression (GWR) dengan
tahapan analisis sebagai berikut:
a. Menghitung jarak euclidean untuk setiap wilayah dengan membentuk
sebuah matriks
b. Menentukan fungsi pembobot yang digunakan berdasarkan nilai R2
maksimum dan AIC minimum untuk mencari bandwidth optimum
menggunakan metode cross validation
c. Mengestimasi parameter model GWR dengan metode Weighted Least
Square (WLS)
d. Melakukan uji kesesuaian model GWR menggunakan fungsi
pembobot terbaik untuk melihat apakah terdapat perbedaan signifikan
anatara model regresi linier dengan GWR
e. Melakukan pengujian signifikansi parameter secara parsial
8. Melakukan uji variabilitas spasial untuk melihat apakah terdapat
parameter yang tidak signifikan, jika terdapat parameter yang tidak
signifikan maka analisis dapat dilanjutkan.
9. Melakukan analisis Mixed Geographycally Weighted Regression
(MGWR) dengan tahapan analisis sebagai berikut:
a. Memasukkan variabel global dan variabel lokal berdasarkan hasil
yang diperoleh pada uji variabilitas spasial
33
b. Mengestimasi parameter model MGWR dengan menggunakan
metode WLS
c. Melakukan uji kesesuaian model MGWR dengan fungsi pembobot
yang sama pada analisis GWR, untuk melihat apakah terdapat
perbedaan signifikan anatara model regresi linier dengan MGWR
d. Melakukan uji signifikansi parameter global dan lokal model MGWR
secara simultan
e. Melakukan uji signifikansi parameter global dan lokal model MGWR
secara parsial
10. Menghitung nilai kebaikan model menggunakan koefisien determinasi
(R2).
11. Interpretasi hasil dan membuat kesimpulan
34
BAB IV
HASIL DAN PEMBAHASAN
4.1 Analisis Deskriptif
Analisis deskriptif merupakan metode yang digunakan untuk menganalisis

dan memberikan gambaran terkait pola serta karakteristik suatu data. Metode
ini melibatkan penggunaan statistik deskriptif seperti ukuran pemusatan,
ukuran penyebaran, dan tabel untuk menggambarkan distribusi data. Hasil
analisis deskriptif pada penelitian ini dapat dilihat pada Tabel 4.1.
Tabel 4.1 Hasil Analisis Deskriptif
Minimum Maksimum Rata-rata Standar Deviasi

𝑌 281 74071 8184 17451,1
𝑋1 177 22574 3285,9 4775
𝑋2 1321 537451 64591 98292
𝑋3 13 82,4 52,79 16,3002
𝑋4 9 15978 744,26 2721
𝑋5 46,3 95,7 77,85 11
𝑋6 43,8 103,2 83,56 13,13
𝑋7 7654 1286104 195751 298151
𝑋8 46,60 99,9 84,71 14,9
Hasil analisis deskriptif yang tertera pada Tabel 4.1, akan diuraikan sebagai
berikut:
1. Jumlah Penderita Pneumonia (Y)

Berdasarkan Tabel 4.1 dapat diketahui bahwa jumlah penderita
pneumonia di Indonesia tahun 2021 memiliki nilai standar deviasi sebesar
17451,1. Nilai terendah sebesar 281 jiwa yang terletak di provinsi
Sulawesi Utara dan tertinggi berada di provinsi Jawa Timur sebesar 74071
jiwa, hal ini dapat dilihat pada Lampiran 1. Dengan rata-rata jumlah
penderita pneumonia di 34 provinsi di Indonesia sebesar 8184 jiwa.
35
2. Bayi Berat Lahir Rendah (BBLR) (𝑋1 )
Berdasarkan Tabel 4.1 dapat diketahui bahwa jumlah BBLR di Indonesia
tahun 2021 memiliki nilai standar deviasi sebesar 4775. Nilai terendah
sebesar 177 jiwa yang terletak di provinsi Sulawesi Utara dan tertinggi
berada di provinsi Jawa Barat sebesar 22574 jiwa, hal ini dapat dilihat
pada Lampiran 1. Dengan rata-rata jumlah BBLR di 34 provinsi di
Indonesia sebesar 3285,9 jiwa.
3. Pemberian ASI Ekslusif (𝑋2 )

Berdasarkan Tabel 4.1 dapat diketahui bahwa jumlah pemberian ASI
ekslusif di Indonesia tahun 2021 memiliki nilai standar deviasi sebesar
98292. Nilai terendah sebesar 1321 jiwa yang terletak di provinsi Papua
Barat dan tertinggi berada di provinsi Jawa Barat sebesar 537451 jiwa, hal
ini dapat dilihat pada Lampiran 1. Dengan rata-rata jumlah pemberian ASI
ekslusif di 34 provinsi di Indonesia sebesar 64591 jiwa.
4. Pemberian Vitamin A (𝑋3 )

Berdasarkan Tabel 4.1 dapat diketahui bahwa persentase pemberian
vitamin A di Indonesia tahun 2021 memiliki nilai standar deviasi sebesar
16,3002. Nilai terendah sebesar 13% yang terletak di provinsi Maluku dan
tertinggi berada di provinsi Nusa Tenggara Barat sebesar 82,4% hal ini
dapat dilihat pada Lampiran 1. Dengan rata-rata jumlah pemberian
vitamin A di 34 provinsi di Indonesia sebesar 52,79%.
5. Kepadatan Penduduk (𝑋4 )

Berdasarkan Tabel 4.1 dapat diketahui bahwa kepadatan penduduk di
Indonesia tahun 2021 memiliki nilai standar deviasi sebesar 2721. Nilai
terendah sebesar 9 jiwa/km2 yang terletak di provinsi Kalimantan Utara
dan tertinggi berada di provinsi DKI Jakarta sebesar 15978 jiwa/km 2 hal
ini dapat dilihat pada Lampiran 1. Dengan rata-rata kepadatan penduduk
di 34 provinsi di Indonesia sebesar 744,26 jiwa/km2.
36
6. Imunisasi DPT-Hib 3 (𝑋5 )
imunisasi DPT-Hib 3 di Indonesia tahun 2021 memiliki nilai standar
deviasi sebesar 11. Nilai terendah sebesar 46,3% yang terletak di provinsi
Aceh dan tertinggi berada di provinsi DI Yogyakarta sebesar 95,7% hal
ini dapat dilihat pada Lampiran 1. Dengan rata-rata persentase pemberian
imunisasi DPT-Hib 3 di 34 provinsi di Indonesia sebesar 77,85%.
7. Imunisasi Campak (𝑋6 )

imunisasi campak di Indonesia tahun 2021 memiliki nilai standar deviasi
sebesar 13,13. Nilai terendah sebesar 43,8% yang terletak di provinsi
Aceh dan tertinggi berada di provinsi Sulawesi Selatan sebesar 103,2%
hal ini dapat dilihat pada Lampiran 1. Dengan rata-rata persentase
pemberian imunisasi campak di 34 provinsi di Indonesia sebesar 83,56%.
8. Cakupan Pelayanan Kesehatan Pada Bayi (𝑋7 )

Berdasarkan Tabel 4.1 dapat diketahui bahwa cakupan pelayanan
kesehatan pada balita di Indonesia tahun 2021 memiliki nilai standar
deviasi sebesar 298151. Nilai terendah sebesar 7654 jiwa yang terletak di
provinsi Papua Barat dan tertinggi berada di provinsi Jawa Barat sebesar
1286104 jiwa hal ini dapat dilihat pada Lampiran 1. Dengan rata-rata
cakupan pelayanan kesehatan pada balita di 34 provinsi di Indonesia
sebesar 195751 jiwa.
9. Balita Kurus (𝑋8 )

Berdasarkan Tabel 4.1 dapat diketahui bahwa persentase balita kurus di
Indonesia tahun 2021 memiliki nilai standar deviasi sebesar 14,9. Nilai
terendah sebesar 46,6% yang terletak di provinsi Papua Barat dan tertinggi
berada di provinsi Bali sebesar 99,9 % hal ini dapat dilihat pada Lampiran
1. Dengan rata-rata persentase balita kurus di 34 provinsi di Indonesia
sebesar 84,71%.
37
4.2 Standarisasi Data
Pada penelitian ini variabel yang digunakan yaitu penderita pneumonia (𝑌),
BBLR (𝑋1 ), pemberian ASI ekslusif (𝑋2 ), pemberian vitamin A (𝑋3 ),
kepadatan penduduk (𝑋4 ), imunisasi DPT-Hib 3 (𝑋5 ), imunisasi campak (𝑋6 ),
cakupan pelayanan kesehatan pada bayi (𝑋7 ) dan balita kurus (𝑋8 ) memiliki
satuan skala yang berbeda-beda. Oleh karena itu, dilakukan standarisasi data
terhadap data asli menggunakan metode z-score normalization yang
bertujuan untuk menghilangkan perbedaan skala antara variabel penelitian,
sebelum dilanjutkan ketahap analisis selanjutnya.
Perhitungan standarisasi dilakukan dengan melibatkan nilai rata-rata dan

standar deviasi yang tertera pada Tabel 4.1, serta data asli yang dapat dilihat
pada Lampiran 1. Selanjutnya di subtitusikan ke dalam Persamaan 2.1,
sebagai contoh dilakukan perhitungan pada variabel 𝑌 untuk daerah Aceh,
sehingga nilai standarisasi datanya sebagai berikut:
𝑥𝑖 − 𝑥̅
𝑧=
𝑠
1318 − 8184
𝑧𝑌𝐴𝑐𝑒ℎ =
17451,1
−6866
𝑧𝑌𝐴𝑐𝑒ℎ =
17451,1
𝑧𝑌𝐴𝑐𝑒ℎ = −0,3934
Perhitungan yang sama akan dilakukan untuk semua variabel pada data asli,
sehingga diperoleh data hasil standarisasi yang dapat dilihat pada Tabel 4.2.
Tabel 4.2 Hasil Standarisasi Data
Provinsi 𝒀 𝑿𝟏 𝑿𝟐 𝑿𝟑 ⋯ 𝑿𝟖
Aceh -0,3934 -0,2228 -0,2068 0,1598 ⋯ -0,6169
Sumatera Utara -0,2773 -0,3842 0,1773 -0,6561 ⋯ 0,3477
Sumatera Barat -0,2629 -0,1317 0,0591 1,0371 ⋯ 0,6425
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Papua -0,3570 -0,6100 -0,64 -2,4107 ⋯ -1,7558
38
Hasil standarisasi data yang diperoleh secara lengkap dapat dilihat pada
Lampiran 2 dan R code yang digunakan terdapat pada Lampiran 13.
4.3 Pemodelan Regresi Linier Berganda
Model hasil analisis regresi digunakan untuk mempelajari sejauh mana

variabel independen mempengaruhi variabel dependen tanpa
mempertimbangkan faktor lokasi pengamatan. Dalam analisis regresi linier
terdapat beberapa pengujian hipotesis yaitu uji asumsi klasik, uji F dan uji t.
4.3.1 Model Regresi Linier Berganda
Metode OLS digunakan untuk mengestimasi parameter model regresi.

Nilai estimasi parameter model regresi linier berganda yang diperoleh
dapat dilihat pada Tabel 4.3 dangan R code yang digunakan dapat dilihat
pada Lampiran 13.
Tabel 4.3 Nilai Estimasi Parameter Model Regresi Linier Berganda
Parameter Nilai Estimasi

Intercept 9,087 × 102
𝛽1 2,243
𝛽2 −2,466 × 10−2
𝛽3 −46,96
𝛽4 1,107
𝛽5 −3,950 × 102
𝛽6 5,099 × 102
𝛽7 2,451 × 10−2
𝛽8 −1,594 × 102
Berdasarkan Persamaan 2.2 dan hasil estimasi parameter pada Tabel 4.3,
dapat diperoleh model regresi linier berganda sebagai berikut:
𝑌 = 908,7 + 2,243𝑋1 − 0,0247𝑋2 − 46,96𝑋3 + 1,107𝑋4

−0,0395𝑋5 + 509,9𝑋6 + 0,0245𝑋7 − 159,4𝑋8
39
Model regresi linier berganda yang diperoleh dapat diartikan bahwa jika
BBLR (𝑋1 ) mengalamai kenaikan 1 satuan maka jumlah penderita
pneumonia di Indonesia akan meningkat sebesar 2,243, jika pemberian
ASI ekslusif (𝑋2 ) mengalamai kenaikan 1 satuan maka jumlah penderita
pneumonia di Indonesia akan menurun sebesar 0,0247, kemudian jika
pemberian vitamin A (𝑋3 ) mengalamai kenaikan 1 satuan maka jumlah
penderita pneumonia di Indonesia akan menurun sebesar 46.96, jika
kepadatan penduduk (𝑋4 ) mengalamai kenaikan 10 satuan maka jumlah
penderita pneumonia di Indonesia akan meningkat sebesar 11,07,
selanjutnya jika imunisasi DPT-Hib 3 (𝑋5 ) mengalamai kenaikan 1
satuan maka jumlah penderita pneumonia di Indonesia akan menurun
sebesar 0,0395, jika imunisasi campak (𝑋6 ) mengalamai kenaikan 1
satuan maka jumlah penderita pneumonia di Indonesia akan meningkat
sebesar 509,6, jika cakupan pelayanan kesehatan pada bayi (𝑋7 )
mengalamai kenaikan 10 satuan maka jumlah penderita pneumonia di
Indonesia akan meningkat sebesar 0,245 dan jika balita kurus (𝑋8 )
mengalamai kenaikan 1 satuan maka jumlah penderita pneumonia di
Indonesia akan menurun sebesar 159,4.
4.3.2 Uji Parameter Model Secara Simultan (Uji F)
Uji simultan dalam analisis regresi linier digunakan untuk mengevaluasi

secara keseluruhan apakah variabel independen berpengaruh signifikan
terhadap variabel dependen atau jumlah penderita pneumonia di
Indonesia. Hasil uji simultan yang diperoleh menggunakan Persamaan
2.7 dapat dilihat pada Tabel 4.4 dengan R code yang digunakan terdapat
pada Lampiran 13. Adapun hipotesis yang digunakan sebagai berikut:
H0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽8 = 0 (tidak ada variabel independen yang
berpengaruh secara simultan terhadap variabel dependen)
H1 : 𝛽𝑘 ≠ 0 ; 𝑘 = 1,2, … ,8 (minimal terdapat satu variabel indpenden
yang berpengaruh secara simultan terhadap variabel dependen)
40
Tabel 4.4 Hasil Uji Simultan (Uji F)
Model 𝑫𝒇 𝑺𝑺 𝑴𝑺 𝑭 P-value 𝑹𝟐
Regression 8 8,747x109 1,093x109 20,99 0 87,04
9 7
Residual 25 2,777x10 5,2083x10 - - -
Total 33 1,049x109 - - -
Hasil uji simultan pada Tabel 4.4 dapat dilihat bahwa nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔
(20,99) dengan p-value (0). Karena p-value < α (0,05) diperoleh
keputusan tolak H0 , artinya terdapat variabel independen yang
berpengaruh secara simultan terhadap variabel dependen atau jumlah
penderita pneumonia di Indonesia. Nilai 𝑅2 yang diperoleh yaitu 87,04
yang artinya, variasi dalam variabel independen memberikan informasi
yang dibutuhkan untuk memprediksi variasi jumlah penderita
pneumonia di Indonesia sebesar 87,04%. Sementara 12,96% dapat
disebabkan oleh faktor-faktor lain yang tidak termasuk dalam model.
4.3.3 Uji Parameter Model Secara Parsial (Uji t)
Setelah dilakukan uji simultan (serentak) terdapat variabel independen

yang signifikan berpengaruh terhadap variabel dependen. Oleh karena
itu untuk mengetahui variabel independen apa saja yang berpengaruh
dilakukan uji parsial dengan hipotesis sebagai berikut:
H0 : 𝛽𝑘 = 0 ; 𝑘 = 1,2, … ,8 (tidak ada variabel independen ke-k yang
berpengaruh secara parsial terhadap variabel dependen)
H1 : 𝛽𝑘 ≠ 0 ; 𝑘 = 1,2, … ,8 (terdapat variabel indpenden ke-k yang
berpengaruh secara parsial terhadap variabel dependen)
Berdasarkan perhitungan menggunakan Persamaan 2.8 dengan R code

yang digunakan dapat dilihat pada Lampiran 13. Sehingga hasil uji
parsial yang diperoleh dengan kriteria penolakan tolak H0 jika p-value
< 𝛼 (0,05) atau nilai thitung > ttabel(0,025;25) = 2,0595, disajikan dalam
Tabel 4.5.
41
Tabel 4.5 Hasil Uji Parsial (Uji t)
Variabel
𝒕𝒉𝒊𝒕𝒖𝒏𝒈 P-value Keputusan
Independen
𝑋1 3,376 0,002 Tolak H0
𝑋2 -0,766 0,450 Gagal tolak H0
𝑋4 2,113 0,042 Tolak H0
𝑋6 1,896 0,069 Gagal tolak H0
𝑋7 3,667 0,001 Tolak H0
Hasil uji parsial pada Tabel 4.5 dapat dilihat bahwa terdapat tiga
variabel independen yang berpengaruh secara parsial terhadap variabel
dependen atau jumlah penderita pneumonia, yaitu variabel (BBLR) (𝑋1 )
kepadatan penduduk (𝑋4 ) dan cakupan pelayanan kesehatan pada bayi
(𝑋7 ). Sedangkan lima varaibel independen lainnya yaitu, pemberian ASI
ekslusif (𝑋2 ), pemberian vitamin A (𝑋3 ), imunisasi DPT-Hib 3 (𝑋5 ),
imunisasi campak (𝑋6 ) dan balita kurus (𝑋8 ) tidak berpengaruh secara
parsial terhadap jumlah penderita pneumonia di Indonesia tahun 2021.
4.3.4 Uji Asumsi Klasik
Uji signifikansi parameter secara simultan dan parsial telah dilakukan,

sehingga tahap selanjutnya dilakukan uji asumsi klasik untuk
mengetahui apakah asumsi-asumsi yang mendasari model regresi
terpenuhi. Dalam penelitian ini terdiri dari uji normalitas, uji
autokorelasi, uji multikolinearitas dan uji heteroskedastisitas.
1. Uji Normalitas
Uji normalitas dilakukan untuk melihat apakah residual terdistribusi

secara normal menggunakan uji Shapiro-Wilk. Hasil uji normalitas
yang diperoleh menggunakan Persamaan 2.3 disajikan dalam Tabel
42
4.6 dengan R code yang digunakan dapat dilihat pada Lampiran 13.
Adapun hipotesis yang digunakan sebagai berikut:
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Tabel 4.6 Hasil Uji Shapiro-Wilk
Test 𝑾 P-value
Shapiro-Wilk 0,94241 0,07276
Berdasarkan Tabel 4.6 di atas dengan menggunakan tingkat

signifikansi 95%, diperoleh nilai p-value = 0,07276 > 𝛼 (0,05) dan
𝑊ℎ𝑖𝑡𝑢𝑛𝑔 = 0,94241 > 𝑊𝑡𝑎𝑏𝑒𝑙 = 0,933. Sehingga keputusan yang
diperoleh adalah gagal tolak H0 , artinya dapat disimpulkan bahwa
residual berdistribusi normal.
2. Uji Autokorelasi
Uji autokorelasi dilakukan untuk mengetahui apakah residual saling

bebas atau tida, pada penelitian ini pengujian autokorelasi
menggunakan uji Durbin-Watson. Hasil uji autokorelasi yang
diperoleh menggunakan Persamaan 2.4 disajikan dalam Tabel 4.7
dengan R code yang digunakan dapat dilihat pada Lampiran 13.
Adapun hipotesis yang digunakan sebagai berikut:
H0 : 𝜌 = 0 (residual saling bebas)
H1 : 𝜌 ≠ 0 (residual tidak saling bebas)
Tabel 4.7 Hasil Uji Durbin-Watson
𝑻𝒆𝒔𝒕 DW dL dU P-value
Durbin-Watson 1,7317 0,9497 2,0688 0,1642
Berdasarkan Tabel 4.7 di atas dengan menggunakan tingkat

signifikansi 95% diperoleh nilai p-value = 0,1642 > 𝛼 (0,05) dan
DW = 1,7317. Nilai tabel Durbin-Watson yang diperoleh yaitu
dL(8;34) = 0,9497 < DW dan dU(8;34) = 2,0688 < 4-dU = 2,0215
43
sehingga, diperoleh keputusan berdasarkan Tabel 2.1 adalah dL < d
< 4-dU yaitu gagal tolak H0 yang artinya tidak terjadi autokorelasi
pada data atau residual saling bebas.
3. Uji Multikolinearitas
Uji multikolinearitas dilakukan untuk mengetahui apakah terdapat

hubungan linier antara variabel independen, pada penelitian ini
pengujian multikolinearitas dilakukan dengan memperhatikan nilai
VIF (Variance Inflation Factor). Hasil uji multikolinearitas yang
diperoleh menggunakan Persamaan 2.5 disajikan dalam Tabel 4.8,
dengan R code yang digunakan dapat dilihat pada Lampiran 13.
Tabel 4.8 Nilai VIF Uji Multikolinearitas
Variabel VIF Keputusan

𝑋1 6,3784 Gagal tolak H0
Hasil uji multikolinearitas pada Tabel 4.8 diperoleh nilai VIF untuk
variabel BBLR (𝑋1 ), pemberian ASI ekslusif (𝑋2 ), pemberian
vitamin A (𝑋3 ), kepadatan penduduk (𝑋4 ), imunisasi DPT-Hib 3
(𝑋5 ), imunisasi campak (𝑋6 ), cakupan pelayanan kesehatan pada
bayi (𝑋7 ) dan balita kurus (𝑋8 ) kurang dari 10. Sehingga dapat
disimpulkan bahwa tidak terjadi multikolinearitas pada data.
4. Uji heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah varians

sama atau tidak. Jika residual memiliki varians yang berbeda disebut
44
heteroskedastisitas dan jika residual memiliki varians yang sama
disebut homoskedastisitas. Pada penelitian ini pengujian
hetereoskedastisitas dilakukan menggunakan metode Breusch-
Pagan. Hasil uji heteroskedastisitas yang diperoleh menggunakan
Persamaan 2.6 disajikan dalam Tabel 4.9, dengan R code yang
digunakan dapat dilihat pada Lampiran 13. Adapun hipotesis yang
digunakan sebagai berikut:
H0 : σ12 = σ22 = σ23 = ⋯ = σ2 (tidak terjadi heteroskedastisitas)
H1 : minimal terdapat satu σ2i ≠ σ2 (terjadi heteroskedastisitas)
Tabel 4.9 Hasil Uji Breusch-Pagan
Test BP P-value
Breusch-Pagan 19,406 0,01283
Berdasarkan Tabel 4.9 diperoleh nilai Breusch-Pagan sebesar

19,406 dan p-value = 0,01283 < 𝛼 (0,05). Sehingga keputusan yang
diperoleh adalah tolak H0 , artinya terjadi heteroskedastisitas pada
data atau ragam sisaan tidak homogen.
4.4 Pemodelan Geographilcally Weighted Regression (GWR)
Setelah mengidentifikasi adanya heterogenitas spasial dalam data penelitian

ini melalui pengujian heterogenitas spasial menggunakan uji Breush-Pagan,
selanjutnya akan dilakukan pemodelan Geographically Weighted Regression
(GWR).
4.4.1 Jarak Euclidean
Langkah awal yang harus dilakukan dalam permodelan

Geographically Weighted Regression (GWR) adalah menentukan
jarak euclidean untuk setiap wilayah pengamatan. Jarak euclidean
dilakukan untuk mencari matriks pembobot (Wij) dalam perhitungan
jarak euclidean dibutuhkan nilai latitude dan longitude untuk 34
provinsi di Indonesia kemudian dihitung menggunakan Persamaan
45
Sehingga diperoleh nilai jarak euclidean yang disajikan dalam Tabel
4.10.
Tabel 4.10 Jarak Euclidean
Sumatera Sumatera
Provinsi Aceh … Papua
Utara Barat
Aceh 0 3,5121 6,9377 … 42.2911
Sumatera
3,5121 0 3,4537 … 39,7704
Utara
Sumatera
6,9377 3,4537 0 … 37,9562
Barat
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
Papua 42.2911 39,7704 37,9562 … 0
Nilai jarak euclidean untuk setiap 34 provinsi di Indonesia secara

lengkap dapat dilihat pada Lampiran 3.
4.4.2 Pemilihan Bandwidth dan Pembobot Optimum
Langkah selanjutnya yang dilakukan dalam pemodelan GWR, yaitu

menentukan matriks pembobot yang akan digunakan untuk setiap
wilayah pengamtan dalam hal ini yaitu 34 provinsi di Indonesia.
Terdapat tiga jenis fungsi pembobot yang diperoleh dari fungsi kernel
yaitu gaussian, bisquare dan tricube. Adapun pembobot yang
digunakan harus memiliki nilai bandwidth yang optimum, bandwidth
sendiri terbagi menjadi dua jenis yaitu adaptive dan fixed. Sedangkan
metode yang digunakan untuk mentukan bandwidth optimum adalah
Cross Validation (CV) menggunakan Persamaan 2.25. Pada penelitian
ini pemilihan fungsi pembobot terbaik akan dilakukan dengan
memperhatikan nilai AIC minimum dan R2 maksimum dari seluruh
pembobot yang digunakan, hasil yang diperoleh disajikan dalam Tabel
46
Tabel 4.11 Perbandingan Fungsi Kernel
Kriteria R2 AIC
Gaussian 87,31% 698,6629
Fixed Bisquare 88,13% 697,276
Tricube 87,53% 698,5746
Gaussian 87,74% 697,276
Adaptive Bisquare 98,98% 629,004
Tricube 98,80% 633,7711
Berdasarkan Tabel 4.11 dengan melihat nilai R2 maksimum dan AIC

minimum dapat diketahui bahwa fungsi pembobot yang akan
digunakan dalam penelitian ini adalah adaptive bisquare kernel
dengan nilai R2 98,98% dan AIC sebesar 629,004. Fungsi pembobot
adaptive bisquare kernel akan menghasilkan nilai bandwidth yang
berbeda untuk setiap wilayah pengamatan. Nilai bandwidth untuk
setiap lokasi pengamatan dengan menggunakan fungsi pembobot
adaptive bisquare kernel disajikan dalam Tabel 4.12.
Tabel 4.12 Nilai Bandwidth Adaptive Bisquare Kernel GWR

Provinsi Nilai Bandwidth
Aceh 18,4620
Sumatera Utara 15,2012
Sumatera Barat 12,9798
⋮ ⋮
Papua 25,7097
Berdasarkan Tabel 4.12 dapat dilihat bahwa terdapat perbedaan pada

nilai bandwidth optimum yang dihasilkan oleh fungsi pembobot
adaptive bisquare kernel untuk setiap lokasi pengamatan. Nilai
bandwidth yang diperoleh dengan fugsi pembobot adaptive bisquare
kernel untuk setiap 34 provinsi di Indonesia secara lengkap dapat
dilihat pada Lampiran 4.
47
4.4.3 Matriks Pembobot
Langkah selanjutnya yaitu menghitung fungsi pembobot dan dibentuk

dalam sebuah matriks diagonal dengan pembobot yang berbeda untuk
setiap lokasi ke-i. Perhitungan fungsi pembobot akan menggunakan
nilai jarak euclidean (Tabel 4.10) dan nilai bandwidth (Tabel 4.12),
kemudian disubtitusi ke dalam Persamaan 2.21. Misalkan diberikan
sampel jarak euclidean antara titik provinsi Aceh dan Sumatera Utara,
sehingga nilai pembobotnya adalah sebagai berikut:
2 2
𝑑𝑖𝑗
𝑊(𝑢𝑖 ,𝑣𝑖 ) = (1 − ( ) )
ℎ𝑖
2
3,5121 2
𝑊12 = (1 − ( ) )
18,4620
𝑊12 = (1−(0,19023)2 )2
𝑊12 = (1 − 0,03618)2
𝑊12 = (0,96381)2
𝑊12 = 0,92893
Berdasarkan Persamaan 2.21 dengan R code yang digunakan dapat

dilihat pada Lampiran 13, nilai matriks pembobot yang dihasilkan
akan berbeda untuk setiap lokasi pengamatan. Berikut merupakan
tabel ringkasan matriks pembobot untuk 34 provinsi di Indonesia:
Tabel 4.13 Matriks Pembobot Adaptive Bisquare Kernel GWR
Sumatera Sumatera
Provinsi Aceh … Papua
Utara Barat
Aceh 1 0,92893 0,73751 … 18,0397
Sumatera
0,89609 1 0,89942 … 34,1616
Utara
Sumatera
0,51024 0,86340 1 … 57,0201
Barat
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
Papua 2,90988 1,94015 1,39138 … 1
48
Nilai matriks pembobot adaptive bisquare kernel untuk setiap 34
provinsi di Indonesia secara lengkap dapat dilihat pada Lampiran 5.
4.4.4 Model Geographically Weighted Regression (GWR)
Analisis regresi linier sebelumnya menunjukkan bahwa terjadi kasus

heterogenitas yang mengindikasikan data jumlah penderita
pneumonia di Indonesia dipengaruhi oleh faktor lokasi pengamatan,
sehingga analisis dapat dilanjutkan ke tahap pemodelan GWR. Dalam
analisis GWR setiap lokasi yang diteliti akan menghasilkan nilai
estimasi yang berbeda-beda. Nilai estimasi yang diperoleh
menggunakan pembobot adaptive bisquare kernel disajikan dalam
Tabel 4.14, dengan R code yang digunakan dapat dilihat pada
Lampiran 13.
Tabel 4.14 Nilai Estimasi Parameter Model GWR
Provinsi 𝜷𝟎 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝜷𝟒
Aceh -14958,02 1,8948 -0,1036 112,280 0,3211
Sumatera
-15051,70 2,0466 -0,1041 96,8743 0,3273
Utara
Sumatera
-15794,30 2,3199 -0,0969 48,3533 0.3601
Barat
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Papua 11098,01 -1,4704 0,1042 107,575 -1.8042
Provinsi 𝜷𝟓 𝜷𝟔 𝜷𝟕 𝜷𝟖
Aceh 216.975 -28.8120 0.0588 -83.6141
Sumatera
225.258 -42.2875 0.0571 -68.2785
Utara
Sumatera
305.348 -124.747 0.0505 -24.3747
Barat
⋮ ⋮ ⋮ ⋮ ⋮
Papua -134.835 -159.430 0.0006 128.281
Nilai estimasi parameter model GWR dengan fungsi pembobot

adaptive bisquare kernel untuk setiap 34 provinsi di Indonesia secara
49
lengkap dapat dilihat pada Lampiran 6. Sebagai contoh pada provinsi
Aceh dengan menggunakan Persamaan 2.9, model GWR yang
terbentuk adalah sebagai berikut:
𝑌𝐴𝑐𝑒ℎ = −14958,02 + 1,8948𝑋1 − 0,1036𝑋2 + 112,280𝑋3

+0,3211𝑋4 + 216.975𝑋5 − 124.747𝑋6 + 0.0505𝑋7 −
24.3747𝑋8
Model GWR di atas menunjukan bahwa pada provinsi Aceh untuk

variabel BBLR (𝑋1 ), pemberian vitamin A (𝑋3 ), kepadatan penduduk
(𝑋4 ), Imunisasi DPT-Hib 3 (𝑋5 ), cakupan pelayanan kesehatan pada
bayi (𝑋7 ) memiliki nilai koefisien parameter yang bernilai positif
terhadap jumlah penderita Pneumonia di Indonesia. Sedangkan
variabel pemberian ASI eksklusif (𝑋2 ), imunisasi campak (𝑋6 ), balita
kurus (𝑋8 ), memiliki nilai koefisien parameter yang bernilai negatif
terhadap jumlah penderita Pneumonia di Indonesia. Model GWR
dengan fungsi adaptive bisquare kernel untuk setiap 34 provinsi di
Indonesia secara lengkap dapat dilihat pada Lampiran 8.
4.4.5 Pengujian Hipotesis Model GWR
1. Uji kesesuaian model GWR
Pengujian kesesuaian model GWR dilakukan untuk melihat

apakah terdapat perbedaan yang signifikan antara model regresi
linier dengan model GWR, hasil uji kesesuaian model GWR
menggunakan Persamaan 2.16 disajikan dalam Tabel 4.15 dengan
R code yang digunakan dapat dilihat pada Lampiran 13. Adapun
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽𝑘 ; 𝑘 = 1,2, … ,8 dan 𝑖 = 1,2, … ,34 (tidak
terdapat perbedaan yang signifikan antara model regresi
linier dengan model GWR)
H1 : minimal terdapat satu 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 𝛽𝑘 untuk; 𝑘 = 1,2, … ,8
dan 𝑖 = 1,2, … ,34 (terdapat perbedaan yang signifikan
antara model regresi linier dengan model GWR)
50
Tabel 4.15 Hasil Uji Kesesuaian Model GWR
Model 𝑭𝒉𝒊𝒕𝒖𝒏𝒈 𝑭𝒕𝒂𝒃𝒆𝒍 P-value
GWR 12,712 3,9772 0,00271
Berdasarkan tabel 4.15 diperoleh nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 (12,712) >

𝐹𝑡𝑎𝑏𝑒𝑙 = (3,9772) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 (0,00271) < 𝛼 (0,05) maka
keputusan yang diperoleh adalah tolak H0, artinya terdapat
perbedaan yang signifikan antara model regresi linier dengan
model GWR.
2. Uji signifikansi parameter model GWR
Pengujian signifikansi parameter model GWR dilakukan secara

parsial (individu) untuk mengetahui parameter mana saja yang
berpengaruh signifikan di setiap wilayah pengamatan. Adapun
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0; 𝑘 = 1,2, … ,8 dan 𝑖 = 1,2,3 … ,34 (tidak
terdapat pengaruh variabel independen terhadap variabel
dependen)
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0 ; 𝑘 = 1,2, … ,8 dan 𝑖 = 1,2,3 … ,34 (terdapat
pengaruh variabel independen terhadap variabel dependen)
Pengambilan keputusan yang digunakan dalam pengujian

parameter model GWR secara parsial yaitu tolak H0 jika
|𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | ≥ 𝑡𝑡𝑎𝑏𝑒𝑙(0,25;25) = 2,0595 atau p-value < α (0,05), yang
artinya terdapat pengaruh variabel independen terhadap jumlah
penderita pneumonia di Indonesia. Hasil uji parsial model GWR
menggunakan Persamaan 2.17 disajikan dalam tabel 4.16 dengan
R code yang digunakan dapat dilihat pada Lampiran 13.
Tabel 4.16 Hasil Uji Parsial Parameter Model GWR
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟏 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟐 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟑 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟒

1 1.8037 -2.2636 0.7178 0.8917
51
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟏 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟐 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟑 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟒
2 1.88243 -2.2892 0.6223 0.9251
3 2.0056 -2.1486 0.3234 1.0528
⋮ ⋮ ⋮ ⋮ ⋮
34 -1.4122 1.6648 0.7989 -0.147
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟓 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟔 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟕 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟖

1 0.5886 -0.0978 4.1594 -0.2415
2 0.6319 -0.1498 4.5031 -0.1976
3 0.9533 -0.4935 5.4225 -0.0723
⋮ ⋮ ⋮ ⋮ ⋮
34 -0.3100 -0.3756 0.1000 0.7886
Nilai 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 yang diperoleh secara lengkap dapat dilihat pada

Lampiran 7. Berdasarkan hasil pengujian parameter secara parsial,
maka diperoleh hasil terdapat 15 kelompok variabel yang
berpengaruh secara signifikan di setiap 34 provinsi di Indonesia.
Kelompok variabel yang signifikan terhadap jumlah penderita
pneumonia di Indonesia disajikan dalam Tabel 4.17.
Tabel 4.17 Kelompok Variabel Signifikan dalam Model GWR
Variabel Signifikan Kelompok

𝑋1 , 𝑋2 , 𝑋7 Lampung
Kepulauan Bangka Belitung
X1, X2, X4, X7
dan Banten
X1, X2, X4, X6, X7 DKI Jakarta
X1, X2, X3, X4, X6, X7 Jawa Barat
Jawa Tengah, DI Yogyakarta,
X1, X2, X3, X4, X6, X7, X8
Jawa Timur dan Bali
X1, X4, X5, X6, X7, X8 Kalimantan Tengah
X1, X4, X6, X7, X8 Kalimantan Barat
X2, X3, X4 Sulawesi Selatan
Aceh, Sumatera Utara,
X2, X7 Sumatera Barat, Riau dan
Jambi
X3, X4, X7, X8 Nusa Tenggara Timur
X3, X4, X5, X6 Kalimantan Selatan
52
Variabel Signifikan Kelompok
X3, X4 Kalimantan Timur dan
Sulawesi Barat
X1, X2, X3, X4, X5, X6, X7, X8 Nusa Tenggara Barat dan
Sulawesi Tenggara
X7 Sumatera Selatan, Bengkulu
Kepulauan Riau, Kalimantan
Utara, Sulawesi Utara,
- Sulawesi Tengah, Gorontalo,
Maluku, Maluku Utara, Papua
Barat dan Papua
Berdasarkan Tabel 4.17 dapat dilihat bahwa hasil uji signifikansi

parameter model GWR menghasilkan 15 kelompok variabel yang
signifikan berpengaruh terhadap jumlah penderita pneumonia di
Indonesia. Dapat dilihat untuk provinsi Jawa Tengah, DI
Yogyakarta, Jawa Timur dan Bali jumlah penderita pneumonianya
dipengaruhi oleh BBLR (𝑋1 ), pemberian ASI ekslusif (𝑋2 ),
pemberian vitamin A (𝑋3 ), kepadatan penduduk (𝑋4 ), imunisasi
DPT-Hib 3 (𝑋5 ), imunisasi campak (𝑋6 ), cakupan pelayanan
kesehatan pada bayi (𝑋7 ) dan balita kurus (𝑋8 ). Sementara untuk
provinsi Kepulauan Riau, Kalimantan Utara, Sulawesi Utara,
Sulawesi Tengah, Gorontalo, Maluku, Maluku Utara, Papua Barat
dan Papua jumlah penderita pneumonianya tidak dipengaruhi oleh
kedelapan variabel independen. Hal ini mungkin saja terjadi
karena pada kabupaten tersebut jumlah penderita pneumonianya
dipengaruhi oleh variabel/faktor lain yang tidak digunakan dalam
penelitian ini.
4.5 Uji Variabilitas Spasial
Pada pengujian signifikansi parameter model GWR secara parsial, ditemukan

bahwa tidak semua variabel signifikan di setiap lokasi pengamatan. Hal ini
memungkinkan adanya variabel tidak memiliki pengaruh yang bervariasi
menurut lokasi. Jika terdapat parameter yang tidak memiliki pengaruh lokasi,
53
diasumsikan bahwa parameter tersebut merupakan koefisien global. Dan
apabila terdapat parameter yang memiliki pengaruh lokasi maka, disebut
keofisien lokal. Untuk menentukan koefisien global dan lokal yang akan
digunakan dalam pemodelan MGWR, dilakukan uji variabilitas spasial. Uji
ini bertujuan untuk mengetahui apakah terdapat parameter variabel yang tidak
memiliki pengaruh lokasi. Berikut adalah hipotesis yang digunakan dalam uji
variabilitas spasial.
H0 : 𝛽1 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽2 (𝑢𝑖 , 𝑣𝑖 ) = ⋯ = 𝛽8 (𝑢𝑛 , 𝑣𝑛 ) = 0; 𝑘 = 1,2, … ,8 dan 𝑖 =
1,2, … ,34 (tidak terdapat pengaruh signifikan dari variabel independen
Xk antar lokasi dengan lokasi lainnya)
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0; 𝑘 = 1,2, … ,8 dan 𝑖 = 1,2, … ,34 (terdapat pengaruh
signifikan dari variabel independen Xk antar lokasi dengan lokasi
lainnya)
Hasil uji variabilitas spasial yang diperoleh menggunakan Persamaan 2.26

disajikan dalam Tabel 4.18 dengan R code yang digunakan dapat dilihat pada
Lampiran 13.
Tabel 4.18 Hasil Uji Variabilitas Spasial
Variabel F P-value Keputusan

𝑋1 3.7145 0.0155 Tolak H0
𝑋2 3.2017 0.0317 Tolak H0
𝑋3 3.1857 0.0305 Tolak H0
𝑋4 0.9572 0.4799 Gagal tolak H0
𝑋5 0.7431 0.7038 Gagal tolak H0
𝑋6 4.3190 0.0079 Tolak H0
𝑋7 6.6293 0.0019 Tolak H0
𝑋8 1.1795 0.3963 Gagal tolak H0
Hasil yang diperoleh pada Tabel 4.18 uji variabilitas dengan 𝛼 = 5%

menunjukkan bahwa variabel BBLR (𝑋1 ), pemberian ASI eksklusif (𝑋2 ),
pemberian vitamin A (𝑋3 ), imunisasi campak (𝑋6 ) dan cakupan pelayanan
kesehatan pada bayi (𝑋7 ) berpengaruh secara lokasi atau diasumsikan sebagai
koefisien lokal. Sedangkan variabel kepadatan penduduk (𝑋4 ), Imunisasi
54
DPT-Hib 3 (𝑋5 ), balita kurus (𝑋8 ) tidak berpengaruh sehingga sehingga dapat
diasumsikan sebagai koefisien global.
Dari pengujian ini diperoleh dua kelompok variabel yaitu global dan lokal.
Sehingga data jumlah penderita pneumonia di Indonesia dapat dimodelkan
menggunakan metode Mixed Geographically Weighted Regression (MGWR)
4.6 Pemodelan Mixed Geographilcally Weighted Regression (MGWR)
Setelah mengidentifikasi variabel independen yang memiliki pengaruh global

dan lokal melalui uji variabilitas spasial, langkah selanjutnya dalam
pemodelan MGWR adalah melakukan pengujian kesesuaian model.
Pengujian ini mencakup uji simultan parameter global dan lokal, serta uji
parsial parameter global dan lokal.
4.6.1 Model Mixed Geographically Weighted Regression (MGWR)
Berdasarkan hasil identifikasi varibel global dan lokal Tabel 4.18 dalam
model GWR dengan fungsi pembobot adaptive bisquare kernel variabel
independen yang berpengaruh secara lokal yaitu BBLR (𝑋1 ), pemberian
ASI eksklusif (𝑋2 ), pemberian vitamin A (𝑋3 ), imunisasi campak (𝑋6 )
dan cakupan pelayanan kesehatan pada bayi (𝑋7 ). Sedangkan variabel
kepadatan penduduk (𝑋4 ), Imunisasi DPT-Hib 3 (𝑋5 ), balita kurus (𝑋8 )
berpengaruh secara global. Dalam analisis MGWR akan menghasilkan
nilai estimasi yang berbeda sama seperti model GWR.
Nilai estimasi parameter model MGWR dengan fungsi adaptive

bisquare kernel untuk setiap 34 provinsi di Indonesia secara lengkap
dapat dilihat pada Lampiran 9 dan 10. Sehingga akan menghasilkan 34
model yang berbeda di setiap lokasi pengamatan yaitu 34 provinsi di
Indonesia. Sebagai contoh MGWR yang terbentuk menggunakan
Persamaan 2.27 untuk lokasi pertama yaitu provinsi Aceh adalah
sebagai berikut:
55
𝑌𝐴𝑐𝑒ℎ = −9856,62 + 2,6511𝑋1 − 0,0519𝑋2 − 257,421𝑋3 + 118,987𝑋6 +
0,0242𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Model di atas dapat diartikan jika BBLR (𝑋1 ) mengalamai kenaikan 1

satuan makan jumlah penderita pneumonia akan meningkat sebesar
2,6511, jika pemberian ASI eksklusif (𝑋2 ) mengalamai kenaikan 10
satuan maka jumlah penderita pneumonia akan menurun sebesar 0,519,
jika pemberian vitamin A (𝑋3 ) mengalamai kenaikan 1 satuan maka
jumlah penderita pneumonia akan menurun sebesar 257,42, jika
imunisasi campak (𝑋6 ) mengalamai kenaikan 1 satuan maka jumlah
penderita pneumonia akan meningkat sebesar 118,98 dan jika cakupan
pelayanan kesehatan pada bayi (𝑋7 ) mengalamai kenaikan 10 satuan
maka jumlah penderita pneumonia akan meningkat sebesar 0,242.
Kemudian jika variabel kepadatan penduduk (𝑋4 ) mengalamai kenaikan
1 satuan maka jumlah penderita pneumonia akan meningkat sebesar
1,912, jika Imunisasi DPT-Hib 3 (𝑋5 ) mengalamai kenaikan 1 satuan
maka jumlah penderita pneumonia akan meningkat sebesar 662,46
selanjutnya jika balita kurus (𝑋8 ) mengalamai kenaikan 1 satuan maka
jumlah penderita pneumonia akan menurun sebesar 530,32. Model
MGWR dengan fungsi adaptive bisquare kernel untuk setiap 34
provinsi di Indonesia secara lengkap disajikan dalam Lampiran 11,
adapun R code yang digunakan dilihat pada Lampiran 13.
4.6.2 Uji Kesesuaian Model MGWR
Uji kesesuaian model MGWR dilakukan untuk mngetahui model yang

terbaik antara MGWR dengan model regresi linier berganda, hasil uji
kesesuaian model GWR menggunakan Persamaan 2.32 dapat dilihat
pada Tabel 4.19 dengan R code yang digunakan dilihat pada Lampiran
13. Adapun hipotesis yang digunakan yaitu sebagai berikut:
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽𝑘 ; 𝑘 = 1,2, … ,8 dan 𝑖 = 1,2, … ,34 (tidak terdapat
perbedaan yang signifikan antara model MGWR dan regresi linier)
56
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 𝛽𝑘 ; 𝑘 = 1,2, … ,8 dan 𝑖 = 1,2, … ,34 (terdapat
perbedaan yang signifikan antara model MGWR dan regresi
linier)
Tabel 4.19 Hasil Uji Kesesuaian Model MGWR
Model F1hitung Ftabel P-value

MGWR 16,5262 1,6691 1,1567e-12
Berdasarkan tabel 4.19 diperoleh nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 (16,5262) >

𝐹𝑡𝑎𝑏𝑒𝑙 (1,6691) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 (1,1567e−12 ) < 𝛼 (0,05) maka
keputusan yang diperoleh adalah tolak H0, artinya terdapat perbedaan
yang signifikan antara model MGWR dan regresi linier.
4.6.3 Uji Simultan Parametr Model MGWR
Setelah dilakukan pengujian kesesuaian model MGWR, selanjutnya

dilakukan pengujian secara simultan (serentak) untuk variabel global
dan variabel lokal. Pengujian ini dilakukan untuk mengetahui apakah
variabel global dan lokal berpengaruh secara simultan terhadap jumlah
penderita pneumonia di Indonesia, dengan kriteria penolakan tolak H0 ,
jika 𝐹2ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ).
1. Uji Simultan Parameter Global
Pengujian secara simultan untuk parameter global yang digunakan,

yaitu kepadatan penduduk (𝑋4 ), Imunisasi DPT-Hib 3 (𝑋5 ), balita
kurus (𝑋8 ) terhadap jumlah penderita pneumonia di Indonesia. Hasil
uji simultan parameter global menggunakan Persamaan 2.33 dapat
disajikan dalam Tabel 4.20 dengan R code yang digunakan dapat
dilihat pada Lampiran 13. Adapun hipotesis yang digunkan yaitu
sebagai berikut:
H0 : 𝛽𝑞+1 = 𝛽𝑞+2 = ⋯ = 𝛽𝑝 = 0 (tidak ada variabel global yang
57
H1 : 𝛽𝑘 ≠ 0; 𝑘 = 4, 5 dan 8 (minimal ada satu variabel global yang
Tabel 4.20 Hasil Uji Simultan Parameter Global MGWR

MGWR 0,5762 2,0267 0,8770
Berdasarkan Tabel 4.20 diperoleh nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 (0,5762) <

𝐹𝑡𝑎𝑏𝑒𝑙 (0,0267) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 (0,8770) > 𝛼 (0,05) maka
keputusan yang diperoleh adalah gagal tolak H0, artinya tidak ada
variabel global yag berpengaruh secara simultan terhadap variabel
dependen atau jumlah penderita pneumonia di Indonesia.
2. Uji Simultan Parameter Lokal
Pengujian secara simultan untuk parameter lokal yang digunakan,

yaitu BBLR (𝑋1 ), pemberian ASI eksklusif (𝑋2 ), pemberian vitamin
A (𝑋3 ), imunisasi campak (𝑋6 ) dan cakupan pelayanan kesehatan
pada bayi (𝑋7 ) terhadap jumlah penderita pneumonia di Indonesia.
Hasil uji simultan parameter lokal menggunakan Persamaan 2.34
disajikan dalam pada Tabel 4.21 dengan R code yang digunakan
dapat dilihat pada Lampiran 13. Adapun hipotesis yang digunakan
yaitu sebagai berikut:
H0 : 𝛽1 (𝑢𝑖 , 𝑣𝑖 ) = 𝛽2 (𝑢𝑖 , 𝑣𝑖 ) = ⋯ = 𝛽𝑞 (𝑢𝑖 , 𝑣𝑖 ) = 0 (tidak ada
variabal lokal yang berpengaruh secara simultan terhadapa
variabel dependen)
H1 : 𝛽𝑘 ≠ 0; 𝑘 = 1,2,3,6,7 dan 𝑖 = 1,2,3, … ,34 (minimal ada satu
variabel lokal yang berpengaruh secara simultam terhadap
variabel dependen)
Tabel 4.21 Hasil Uji Simultan Parameter Lokal MGWR

MGWR 48,5930 1,8783 1,8873e-14
58
Berdasarkan Tabel 4.21 diperoleh nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 (48,5930) <
𝐹𝑡𝑎𝑏𝑒𝑙 (1,8783) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 (1,8873𝑒 −14 ) > 𝛼 (0,05) maka
keputusan yang diperoleh adalah tolak H0, artinya variabel
independen lokal berpengaruh secara simultan terhadap variabel
dependen atau jumlah penderita pneumonia di Indonesia.
4.6.4 Uji Parsial Parameter Model MGWR
Setelah dilakukan secara simultan (serentak), selanjutnya dilakukan

pengujian secara parsial (individu) untuk variabel global dan variabel
lokal. Pengujian ini dilakukan untuk mengetahui apakah variabel global
dan lokal berpengaruh secara parsial terhadap jumlah penderita
pneumonia di Indonesia. Adapun pengambilan keputusan yang
digunakan dalam pengujian parameter model MGWR secara parsial
yaitu tolak H0, jika |𝑡ℎ𝑖𝑡𝑢𝑛𝑔 | ≥ 𝑡𝑡𝑎𝑏𝑒𝑙 atau p-value < α (0,05).
1. Uji Parsial Parameter Global
Pengujian secara parsial untuk parameter global yang digunakan,

yaitu kepadatan penduduk (𝑋4 ), Imunisasi DPT-Hib 3 (𝑋5 ), balita
kurus (𝑋8 ) terhadap jumlah penderita pneumonia di Indonesia. Hasil
uji parsial parameter menggunakan Persamaan 2.35 disajikan dalam
pada Tabel 4.22 dengan R code yang digunakan dapat dilihat pada
Lampiran 13. Adapun hipotesis yang digunakan yaitu sebagai
berikut:
H0 : 𝛽𝑘 = 0; 𝑘 = 4, 5 dan 8 (variabel global Xk tidak berpengaruh
signifikan secara parsial terhadap variabel dependen)
H1 : 𝛽𝑘 ≠ 0; 𝑘 = 4, 5 dan 8 (variabel global Xk signifikan secara
parsial terhadap variabel dependen)
59
Tabel 4.22 Hasil Uji Parsial Parameter Global MGWR
Variabel thitung ttabel Keputusan

𝑋4 4,5474 Tolak H0
𝑋5 3,0229 1,9801 Tolak H0
𝑋8 -7,4857 Tolak H0
Berdasarkan Tabel 4.22 diperoleh nilai thitung untuk seluruh variabel

global yaitu kepadatan penduduk (𝑋4 ), Imunisasi DPT-Hib 3 (𝑋5 ),
balita kurus (𝑋8 ) > ttabel. Sehingga keputusan yang diperoleh adalah
tolak H0, artinya variabel independen global berpengaruh secara
parsial terhadap variabel dependen atau jumlah penderita
pneumonia di Indonesia.
2. Uji Parsial Parameter Lokal

Pengujian secara simultan untuk parameter lokal yang digunakan,
yaitu BBLR (𝑋1 ), pemberian ASI eksklusif (𝑋2 ), pemberian vitamin
A (𝑋3 ), imunisasi campak (𝑋6 ) dan cakupan pelayanan kesehatan
pada bayi (𝑋7 ) terhadap jumlah penderita pneumonia di Indonesia.
Hasil uji parsial parameter lokal menggunakan Persamaan 2.36
disajikan dalam Tabel 4.23 dengan R code yang digunakan dapat
dilihat pada Lampiran 13. Adapun hipotesis yang digunakan yaitu
sebagai berikut:
H0 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) = 0; 𝑘 = 1,2,3,6,7 dan 𝑖 = 1,2,3, … ,34 (variabel
lokal Xk pada lokasi ke-i tidak signifikan terhadap variabel
dependen)
H1 : 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 ) ≠ 0; 𝑘 = 1,2,3,6,7 dan 𝑖 = 1,2,3, … ,34 (variabel
lokal Xk pada lokasi ke-i signifikan terhadap varaibel
dependen)
Tabel 4.23 Hasil Uji Parsial Parameter Lokal MGWR

Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟏 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟐 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟑 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟔 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟕
1 6.4838 -1.9544 -4.5857 0.0187 6.2494
2 4.9650 -0.3707 -4.6674 -0.0468 5.4342
3 2.9757 0.9603 -4.2357 -0.1066 4.1663
60
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟏 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟐 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟑 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟔 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_ 𝑿𝟕
⋮ ⋮ ⋮ ⋮ ⋮ ⋮
34 6.4856 -4.0587 -2.0460 0.0970 6.0848
Nilai thitung untuk variabel lokal yang diperoleh secara lengkap dapat
dilihat pada Lampiran 12. Berdasarkan hasil pengujian parameter
secara parsial untuk variabel lokal, maka keputusan yang diambil
tolak H0, jika nila thitung ≥ ttabel (1,9801). Sehingga diperoleh hasil
variabel independen lokal apa saja yang berpengaruh signifikan
terhadap variabel dependen atau jumlah penderita pneumonia di 34
provinsi di Indonesia, adapun hasil yang diperoleh disajikan dalam
tabel berikut ini:
Tabel 4.24 Variabel Independen Lokal Signifikan dalam Model

MGWR
Provinsi Variabel Signifikan

Sumatera Utara, Sumatera Barat, Riau,
Kalimantan Tengah dan Kalimantan X1, X3 dan X7
Selatan
Jambi, Sumatera selatan, Kalimantan
X2 dan X7
Timur dan Sulawesi barat
Bengkulu X2, X3 dan X7
Lampung, Kepulauan Bangka Belitung
Nusa Tenggara Timur dan Sulawesi X7
Selatan
Aceh, Jawa Tengah, DI Yogyakarta,
X1, X2, X3 dan X7
Jawa Timur dan Sulawesi Tenggara
Bali, Kepulauan Riau, Nusa Tenggara

Barat, Kalimantan Barat dan X1 dan X7
Kalimantan Utara
DKI Jakarta, Jawa Barat, Banten,

Sulawesi Utara, Sulawesi Tengah,
X1, X2 dan X7
Gorontalo, Maluku, Maluku Utara,
Papua Barat, dan Papua
61
Pada Tabel 4.24 dapat diketahui bahwa tiap 34 provinsi di Indonesia
memiliki variabel lokal yang signifikan berbeda-beda terhadap
jumlah penderita pneumonianya, selain itu dapat dilihat untuk
variabel imunisasi campak (𝑋6 ) ternyata tidak signifikan di 34
provinsi di Indonesia. Sedangkan untuk cakupan pelayanan
kesehatan pada bayi (𝑋7 ) signifikan di 34 provinsi di Indonesia.
Berdasarkan variabel global yang signikan (Tabel 4.22) dan variabel
lokal (Tabel 4.24), maka dapat dibentuk kelompok provinsi yang
memiliki kesamaan variabel yang berpengaruh signifikan terhadap
jumlah penderita pneumonia yang dapat dilihat pada Tabel 4.25.
Tabel 4.25 Kelompok Variabel Signifikan dalam Model MGWR
Provinsi Variabel Signifikan

Sumatera Utara, Sumatera Barat, Riau,
Kalimantan Tengah dan Kalimantan X1, X3, X4, X5, X7, dan X8
Selatan
Jambi, Sumatera selatan, Kalimantan
X2 X4, X5, X7 dan X8
Timur dan Sulawesi barat
Bengkulu X2, X3 X4, X5 X7 dan X8

Lampung, Kepulauan Bangka
Belitung
X7 dan X8
Nusa Tenggara Timur dan Sulawesi
Selatan
Aceh, Jawa Tengah, DI Yogyakarta, X1, X2, X3 X4, X5, X7 dan

Jawa Timur dan Sulawesi Tenggara X8
Bali, Kepulauan Riau, Nusa Tenggara

Barat, Kalimantan Barat dan X1 X4, X5, X7 dan X8
Kalimantan Utara
DKI Jakarta, Jawa Barat, Banten,

Sulawesi Utara, Sulawesi Tengah,
X1, X2, X4, X5, X7 dan X8
Gorontalo, Maluku, Maluku Utara,
Papua Barat, dan Papua
62
Kelompok yang terbentuk pada Tabel 4.25 berdasarkan variabel
global dan lokal yang berpengaruh signifikan secara parsial terhadap
jumlah penderita pneumonia di Indonesia tahun 2021.
4.6.5 Uji Kebaikan Model
Uji kebaikan model dilakukan untuk mengatahui seberapa baik model

MGWR mampu menjelaskan variasi data di lokasi pengamatan. Hasil
uji kebaikan model yang diperoleh menggunakan Persamaan 2.38
disajikan dalam Tabel 4.26 dengan R code yang digunakan dapat dilihat
pada Lampiran 13.
Tabel 4.26 Nilai Adjusted-R2 Model
Model Adjusted-R2
MGWR 0,9456
Berdasarkan nilai adjusted-R2 pada Tabel 4.26, model Mixed

Geographically Weighted Regression (MGWR) memiliki nilai R2
sebesar 0,9456 artinya model MGWR mampu menjelaskan variasi data
jumlah penderita pneumonia di 34 provinsi di Indonesia sebesar
94,56%.
63
64
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan yang telah dilakukan pada penelitian ini,
maka dapat diperoleh kesimpulan sebagai berikut:
1. Model MGWR yang diperoleh dengan meggunakan fungsi pembobot

adaptive bisquare kernel menghasilkan nilai estimasi yang berbeda di
setiap 34 provinsi. Sehingga diperoleh 34 model yang berbeda di setiap
lokasi pengamatan yaitu 34 provinsi di Indonesia. Sebagai contoh model
yang terbentuk untuk lokasi pengamatan pertama yaitu provinsi Aceh
adalah sebagai berikut:
𝑌𝐴𝑐𝑒ℎ = −9856,62 + 2,6511𝑋1 − 0,0519𝑋2 − 257,421𝑋3 + 118,987𝑋6 +

0,0242𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
2. Faktor-faktor yang mempengaruhi jumlah penderita pneumonia di

Indonesia tahun 2021 di 34 provinsi di Indonesia berdasarkan model
MGWR dengan fungsi pembobot adaptive bisquare kernel menghasilkan
variabel global yang signifikan, yaitu kepadatan penduduk (𝑋4 ), Imunisasi
DPT-Hib 3 (𝑋5 ) dan balita kurus (𝑋8 ). Sedangkan variabel lokal yang
signifikan yaitu BBLR (𝑋1 ), pemberian ASI eksklusif (𝑋2 ), pemberian
vitamin A (𝑋3 ), dan cakupan pelayanan kesehatan pada bayi (𝑋7 ).
5.2 Saran
Pada penelitian selanjutnya diharapkan untuk melakukan penambahan faktor-

faktor lainnya selain dari penelitian ini. Selain itu, disaran untuk
menggunakan pembobot yang bersifat fixed agar dapat dibandingkan dengan
hasil yang diperoleh pada penelitian ini serta dapat mengetahui hasil yang
lebih baik untuk digunakan.
65
66
DAFTAR PUSTAKA
Anwar, A., & Dharmayanti, I. (2014). Pneumonia pada Anak Balita di Indonesia.
Jurnal Kesehatan Masyarakat Nasional, 8(6), 956–961.
https://doi.org/10.1016/S0090-4295(00)00847-5
Apriyani, N. F., Yuniarti, D., & Hayati, M. N. (2018). Pemodelan Mixed

Geographically Weighted Regression (MGWR) (Studi Kasus: Jumlah
Penderita Diare di Provinsi Kalimantan Timur Tahun 2015). Jurnal
Eksponensial, 9(2012), 59–66.
Erwin, L., Kartarina, Anggriani, Febriana, W., & Sriwinart, N. K. (2023). Analisis
Metode Regresi Linier Berganda Dan Ordinary Least Squared Dalam
Mengelola Manajemen Operasional Penjualan MPM MOTOR Dealer di
Lombok Timur. Journal of Information System, Applied, Management,
Accounting and Research., 7(1), 137–150.
https://doi.org/10.52362/jisamar.v7i1.1016
Fadli, M. R., Goejantoro, R., & Wasono. (2018). Pemodelan Geographically

Weighted Regression (GWR) Dengan Fungsi Pembobot Tricube Terhadap
Angka Kematian Ibu (AKI) Di Kabupaten Kutai Kartanegara Tahun 2015.
Jurnal Eksponensial, 9(1), 11–18.
http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/209
Fikri, B. A. (2017). Analisis Faktor Risiko Pemberian Asi Dan Ventilasi Kamar
Terhadap Kejadian Pneumonia Balita. The Indonesian Journal of Public
Health, 11(1), 14. https://doi.org/10.20473/ijph.v11i1.2016.14-27
Hakim, A. R., Yasin, H., & Suparti, S. (2015). Pemodelan Persentase Penduduk
Miskin Di Kabupaten Dan Kota Di Jawa Tengah Dengan Pendekatan Mixed
Geographically Weighted Regression. Jurnal Gaussian, 3(4), 575–584.
http://www.ejournals1.undip.ac.id/index.php/gaussian/article/view/8068%5C
nhttp://www.ejournals1.undip.ac.id/index.php/gaussian/article/download/806
8/7848
Hapsery, A., & Trishnanti, D. (2021). Aplikasi geographically weighted regression

(GWR) untuk pemetaan faktor yang memengaruhi indeks aktivitas literasi
membaca di Indonesia. Jurnal Riset Dan Aplikasi Matematika, 05(02), 80–91.
Hayati, M. N., & Purhadi. (2014). Mixed Geographically Weighted Multivariate

Linear Model. Statistika, 2(2), 30–36.
Indah, N., Suryani, L., & Rosalina, S. (2022). Analisis Faktor Resiko Kejadian
Pneumonia Pada Balita di Wilayah Kerja Puskesmas Sidorejo Kota Pagar
Alam. Jurnal Kesehatan Saelmakers PERDANA, 5(2), 370–381.
https://doi.org/10.32524/jksp.v5i2.683
67
Jannah, M., Abdullah, A., Hidayat, M., & Asrar, Q. (2020). Analisis Faktor Risiko
Yang Berhubungan Dengan Kejadian Pneumonia Balita Di Wilayah Kerja
Uptd Puskesmas Banda Raya Kota Banda Aceh Tahun 2019. Jukema (Jurnal
Kesehatan Masyarakat Aceh), 6(1), 20–28.
https://doi.org/10.37598/jukema.v6i1.797
Junaidi, Kahar, I., Rohana, T., Priajaya, S., & Vierto. (2021). Faktor-faktor yang
Behubungan dengan Kejadian Pneumonia pada Anak Usia 12-59 Bulan di
Wilayah Kerja Puskesmas Padang Rubek Kabupaten Nagan Raya Tahun 2021.
Journal of Healthcare Technology and Medicine, 7(3), 11.
https:file:///C:/Users/Chipaa/Downloads/1800-3033-1-SM (1).pdf
Kemenkes RI. (2019). Profil Kesehatan Indonesa 2019. In Kementrian Kesehatan

Republik Indonesia.
https://pusdatin.kemkes.go.id/resources/download/pusdatin/profil-kesehatan-
indonesia/Profil-Kesehatan-indonesia-2019.pdf
Kusnandar, D., Debataraja, N. N., & Fitriani, S. (2021). Pemodelan Sebaran Total
Dissolved Solid Menggunakan Metode Mixed Geographically Weighted
Regression. Jurnal Aplikasi Statistika & Komputasi Statistik, 13(1), 9–16.
https://doi.org/10.34123/jurnalasks.v13i1.257
Kusumastuti, K., Dewi, A. P. S., & ... (2019). Pengetahuan Kader Posyandu tentang
Deteksi Dini Tanda Gejala dan Faktor Resiko Pneumonia Balita. Proceeding
of The …, 48–50.
http://repository.urecol.org/index.php/proceeding/article/download/830/814
Magfiroh, S., Sunarmo, A., & Primasari, D. (2018). Profesional Audit dan Etika
Kerja terhadap Tindakan Whistleblowing. Jurnal Analisis Bisnis Ekonomi,
16(2), 103–116. https://doi.org/10.31603/bisnisekonomi.v16i2.2619
Munikah, T., Pramoedyo, H., & Fitriani, R. (2014). Pemodelan Geographically

Weighted Regression dengan Pembobot Fixed Gaussian Kernel pada Data
Spasial ( Studi Kasus Ketahanan Pangan di Kabupaten Tanah Laut Kalimantan
Selatan ). Natural, 2(3), 296–302.
Nadya, M., Rahayu, W., & Santi, V. M. (2017). Analisis Geographically Weighted
Regression (Gwr) Pada Kasus Pneumonia Balita Di Provinsi Jawa Barat.
Jurnal Statistika Dan Aplikasinya, 1(1), 23–32.
https://doi.org/10.21009/jsa.01103
Nainggolan, F., & Pasaribu, E. (2021). Analisis Capaian Belajar Siswa SMAN di
Indonesia Tahun 2019 dengan Pemodelan Mixed Geographically Weighted
Regression. Seminar Nasional Official Statistics, 2020(1), 771–780.
https://doi.org/10.34123/semnasoffstat.v2020i1.509
Nurhayati, I. C., Rusgiyono, A., & Yasin, H. (2018). Robust Geographycally

Weighted Regression Dengan Metode Mutlak Simpangan Terkecil pada
68
Pemodelan Kejadian Diare di Kota Semarang. Jurnal Gaussian, 7(2), 143–
152. https://doi.org/10.14710/j.gauss.v7i2.26646
Padilah, T. N., & Adam, R. I. (2019). Analisis Regresi Linier Berganda Dalam
Estimasi Produktivitas Tanaman Padi Di Kabupaten Karawang. FIBONACCI:
Jurnal Pendidikan Matematika Dan Matematika, 5(2), 117.
https://doi.org/10.24853/fbc.5.2.117-128
Pamungkas, R. A., Yasin, H., & Rahmawati, R. (2016). Perbandingan model gwr
dengan fixed dan adaptive bandwidth untuk persentase penduduk miskin di
jawa tengah. Jurnal Gaussian, 5, 535–544. http://ejournal-
s1.undip.ac.id/index.php/gaussian
Purba, D. S., Tarigan, W. J., Sinaga, M., & Tarigan, V. (2021). Pelatihan
Penggunaan Software SPSS Dalam Pengolahan Regressi Linear Berganda
Untuk Mahasiswa Fakultas Ekonomi Universitas Simalungun Di Masa
Pandemi Covid 19. Jurnal Karya Abadi, 5, 5–24.
Romadhoni, R., Yanti, R., Nasution, T., & Anam, K. (2022). Analisis Faktor Hasil
Produksi Kelapa Sawit Menggunakan Regresi Linier Berganda Studi Kasus :
Koperasi Unit Desa (KUD) Setia Kawan Desa Koto Damai. Formosa Journal
of Science and Technology , 1(4), 217–234.
https://journal.formosapublisher.org/index.php/fjst/article/view/903
Safitri Ulf, & Amaliana, L. (2021). Model Geographically Weighted Regression

dengan Fungsi Pembobot Adaptive dan Fixed Kernel pada Kasus Kematian
Ibu di Jawa Timur. Jurnal Statistika Dan Aplikasinya, 5(2), 208–220.
https://doi.org/10.21009/jsa.05209
Simamora, P. A., & Ratnasari, V. (2014). Pemodelan Persentase Kriminalitas Dan

Faktor-Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan
Geographically Weighted Regression (GWR). Jurnal Sains Dan Seni ITS,
3(1), D18–D23. http://ejurnal.its.ac.id/index.php/sains_seni/article/view/6107
Suardi. (2020). Pengaruh Kepuasan Kerja terhadap Kinerja Pegawai pada PT Bank
Mandiri. Journal Business Economics and Entrepreneurship, 2(1).
https://ojs.stie-tdn.ac.id/index.php/MV/article/view/66
Suritman. (2020). Pemodelan Mixed Geographically Weighted Regression yang

Mengandung Multikolinearitas dengan Regresi Ridge. 4(1), 100–113.
https://doi.org/10.20956/ejsa.vi.25426
Ulinnuh, N., & Veriani, R. (2020). Analisis Cluster dalam Pengelompokan Provinsi
di Indonesia Berdasarkan Variabel Penyakit Menular Menggunakan Metode
Complete Linkage , Average Linkage dan Ward. Jurnal Nasional Informatika
Dan Teknologi Jaringan, 1.
Veridiana, N. N., Octaviani, O., & Nurjana, M. A. (2021). Faktor Internal dan
69
Eksternal Kejadian Pneumonia pada Anak Bawah Dua Tahun di Indonesia.
Buletin Penelitian Kesehatan, 49(3), 145–154.
https://doi.org/10.22435/bpk.v49i3.4802
Whendasmoro, R. G., & Joseph. (2022). Analisis Penerapan Normalisasi Data

Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN. JURIKOM
(Jurnal Riset Komputer), 9(4), 872–876.
https://doi.org/10.30865/jurikom.v9i4.4526
Widayaka, P. G., Mustafid, M., & Rahmawati, R. (2016). Pendekatan Mixed

Geographically Weighted Regression Untuk Pemodelan Pertumbuhan
Ekonomi Menurut Kabupaten/Kota Di Jawa Tengah. JURNAL GAUSSIAN,
5(4), 727–736. http://ejournal-s1.undip.ac.id/index.php/gaussian
Wohon, S. C., Hatidja, D., & Nainggolan, N. (2017). Penentuan Model Regresi
Terbaik Dengan Menggunakan Metode Stepwise ( Studi Kasus : Impor Beras
Di Sulawesi Utara ) Determining the Best Regression Model Using Stepwise
Method ( Case Study : Rice Imports in North Sulawesi ). Jurnal Ilmiah Sains,
17(2), 81.
Yasin, H. (2013). Uji Hipotesis Model Mixed Geographically Weighted Regression

dengan Metode Bootstrap. 10th SNS Seminar 2013, 527–536.
70
Lampiran 1. Data Penelitian
Provinsi Y X1 X2 X3 X4 X5
Aceh 1318 2222 44262 55.4 92 46.3
Sumatera Utara 3345 1451 82025 42.10 205 80.8
Sumatera Barat 3595 2657 70400 69.70 133 62.8
Riau 1595 765 28239 39.50 75 64.2
Jambi 1163 1354 64725 63.30 72 82.2
Sumatera Selatan 3999 3189 98733 45.40 93 83.6
Bengkulu 330 964 31219 66.30 102 87.0
Lampung 6972 4812 170068 65.00 262 85.2
Kepulauan Bangka Belitung 1890 1090 15364 58.40 90 74.2
Kepulauan Riau 1092 848 19591 53.70 258 80.2
Dki Jakarta 12908 1634 46088 68.60 15978 63.6
Jawa Barat 67185 22574 537451 59.40 1379 89.7
Jawa Tengah 35978 2864 40339 67.40 1120 76.7
Di Yogyakarta 1178 2201 21919 74.70 1185 95.7
Jawa Timur 74071 18739 237217 56.30 855 75.2
Banten 23530 3100 91821 57.60 1248 94.9
Bali 2584 2123 29713 70.90 755 93.6
Nusa Tenggara Barat 11913 3477 130343 82.40 290 84.4
Nusa Tenggara Timur 1686 7784 71021 57.80 111 68.5
Kalimantan Barat 735 4699 34021 52.10 37 73.4
Kalimanan Tengah 1062 923 20567 44.70 18 83.3
Kalimantan Selatan 4493 4391 51417 54.40 106 79.0
Kalimantan Timur 1519 3774 28166 53.60 30 88.2
Kalimantan Utara 685 596 4585 49.10 9 69.7
Sulawesi Utara 281 177 5904 30.20 190 75.0
Sulawesi Tengah 4668 1417 32191 49.70 49 84.8
Sulawesi Selatan 2443 6254 118276 70.50 196 95.1
Sulawesi Tenggara 1048 1072 19342 54.00 70 70.6
Gorontalo 1424 1204 8684 27.00 105 85.3
Sulawesi Barat 396 1304 12761 45.80 86 70.6
Maluku 554 742 13589 13.00 40 77.9
Maluku Utara 330 666 13038 55.90 41 82.9
Papua Barat 338 279 1321 27.60 11 60.4
Papua 1953 373 1685 13.50 14 61.9
71
Lampiran 1. Data Penelitian (Lanjutan)
Provinsi X6 X7 X8 Longitude Latitude

Aceh 43.8 143181 75.50 96.75 4.695
Sumatera Utara 86.6 208292 89.90 98.78 1.829
Sumatera Barat 60.7 140852 94.30 100.24 -1.301
Riau 68.9 126945 79.80 101.71 0.293
Jambi 89.2 127005 96.90 103.61 -1.610
Sumatera Selatan 92.4 187707 95.00 103.91 -3.319
Bengkulu 93.7 24634 97.10 102.35 -3.578
Lampung 96.8 262013 98.00 105.41 -4.559
Kepulauan Bangka Belitung 87.1 38721 97.00 106.44 -2.741
Kepulauan Riau 81.8 24441 93.30 108.14 3.946
Dki Jakarta 63.2 224639 98.60 106.83 -6.225
Jawa Barat 95.8 1286104 72.10 107.60 -6.867
Jawa Tengah 91.6 860266 83.90 110.12 -6.969
Di Yogyakarta 95.2 39113 96.20 110.37 -7.792
Jawa Timur 88.2 749572 60.20 112.24 -7.536
Banten 97.7 406416 98.60 106.06 -6.406
Bali 98.9 112416 99.90 115.09 -8.341
Nusa Tenggara Barat 97.6 126758 63.00 117.58 -8.595
Nusa Tenggara Timur 74.7 38912 74.00 121.41 -8.510
Kalimantan Barat 75.9 80405 94.80 111.40 -0.493
Kalimanan Tengah 87.1 53361 98.50 113.29 -1.385
Kalimantan Selatan 80.1 874619 94.80 115.45 -3.450
Kalimantan Timur 90.4 73149 86.10 116.41 0.099
Kalimantan Utara 72.2 25175 65.50 116.28 2.724
Sulawesi Utara 84.3 13461 80.60 125.13 2.550
Sulawesi Tengah 88.9 32199 92.40 121.82 -0.990
Sulawesi Selatan 103.2 131717 93.20 119.63 -4.740
Sulawesi Tenggara 88 39967 89.20 112.74 -4.499
Gorontalo 92.5 19691 99.00 122.45 0.700
Sulawesi Barat 77.9 17294 65.70 119.32 -2.211
Maluku 79.1 42557 90.60 130.15 -3.238
Maluku Utara 85.1 39966 61.30 126.97 -0.084
Papua Barat 70.1 7654 46.60 133.10 -2.300
Papua 62.3 76327 58.50 138.08 -4.270
72
Lampiran 2. Data Hasil Standarisasi
Provinsi Y X1 X2 X3 X4
Aceh -0.39345 -0.22281 -0.2068 0.15987 -0.2397
Sumatera Utara -0.2773 -0.38429 0.17737 -0.6561 -0.1982
Sumatera Barat -0.26297 -0.13171 0.0591 1.03716 -0.2246
Riau -0.37758 -0.52796 -0.3698 -0.8156 -0.246
Jambi -0.40233 -0.40461 0.00137 0.64453 -0.2471
Sumatera Selatan -0.23982 -0.02028 0.34736 -0.4536 -0.2393
Bengkulu -0.45007 -0.48629 -0.3395 0.82857 -0.236
Lampung -0.06946 0.319635 1.0731 0.74882 -0.1772
Kepulauan Bangka Belitung -0.36067 -0.4599 -0.5008 0.34392 -0.2404
Kepulauan Riau -0.4064 -0.51058 -0.4578 0.05558 -0.1787
Dki Jakarta 0.270691 -0.34596 -0.1882 0.96968 5.59846
Jawa Barat 3.380925 4.039689 4.81077 0.40526 0.23327
Jawa Tengah 1.592671 -0.08835 -0.2467 0.89606 0.13808
Di Yogyakarta -0.40147 -0.22721 -0.4341 1.3439 0.16197
Jawa Timur 3.775513 3.236491 1.75626 0.21508 0.0407
Banten 0.879363 -0.03892 0.27703 0.29484 0.18512
Bali -0.32091 -0.24355 -0.3548 1.11078 0.00395
Nusa Tenggara Barat 0.213674 0.040034 0.66895 1.81629 -0.1669
Nusa Tenggara Timur -0.37236 0.942087 0.06542 0.30711 -0.2327
Kalimantan Barat -0.42686 0.295968 -0.311 -0.0426 -0.2599
Kalimanan Tengah -0.40812 -0.49487 -0.4479 -0.4966 -0.2669
Kalimantan Selatan -0.21151 0.231461 -0.134 0.09852 -0.2346
Kalimantan Timur -0.38193 0.102237 -0.3706 0.04944 -0.2625
Kalimantan Utara -0.42972 -0.56336 -0.6105 -0.2266 -0.2702
Sulawesi Utara -0.45287 -0.65111 -0.5971 -1.3861 -0.2037
Sulawesi Tengah -0.20149 -0.39141 -0.3296 -0.1898 -0.2555
Sulawesi Selatan -0.32898 0.621646 0.54618 1.08624 -0.2015
Sulawesi Tenggara -0.40892 -0.46367 -0.4603 0.07398 -0.2478
Gorontalo -0.38738 -0.43602 -0.5688 -1.5824 -0.2349
Sulawesi Barat -0.44628 -0.41508 -0.5273 -0.4291 -0.2419
Maluku -0.43723 -0.53278 -0.5189 -2.4413 -0.2588
Maluku Utara -0.45007 -0.5487 -0.5245 0.19054 -0.2585
Papua Barat -0.44961 -0.62975 -0.6437 -1.5456 -0.2695
Papua -0.35706 -0.61006 -0.64 -2.4107 -0.2684
73
Lampiran 2. Data Hasil Standarisasi (Lanjutan)
Provinsi X5 X6 X7 X8
Aceh -2.7676 -3.0281 -0.1763 -0.6169
Sumatera Utara 0.25878 0.23162 0.04206 0.34777
Sumatera Barat -1.3202 -1.741 -0.1841 0.64254
Riau -1.1974 -1.1164 -0.2308 -0.3289
Jambi 0.38159 0.42964 -0.2306 0.81672
Sumatera Selatan 0.5044 0.67336 -0.027 0.68943
Bengkulu 0.80265 0.77237 -0.5739 0.83011
Lampung 0.64475 1.00847 0.22224 0.89041
Kepulauan Bangka Belitung -0.3202 0.2697 -0.5267 0.82341
Kepulauan Riau 0.20615 -0.134 -0.5746 0.57554
Dki Jakarta -1.25 -1.5506 0.09689 0.9306
Jawa Barat 1.0395 0.93231 3.65705 -0.8447
Jawa Tengah -0.1009 0.61243 2.22879 -0.0542
Di Yogyakarta 1.56583 0.88661 -0.5254 0.76982
Jawa Timur -0.2325 0.35348 1.85752 -1.6419
Banten 1.49566 1.07701 0.70657 0.9306
Bali 1.38162 1.16841 -0.2795 1.01769
Nusa Tenggara Barat 0.57458 1.0694 -0.2314 -1.4543
Nusa Tenggara Timur -0.8202 -0.6747 -0.526 -0.7174
Kalimantan Barat -0.3904 -0.5833 -0.3869 0.67603
Kalimanan Tengah 0.47808 0.2697 -0.4776 0.9239
Kalimantan Selatan 0.10088 -0.2634 2.27693 0.67603
Kalimantan Timur 0.90792 0.52103 -0.4112 0.0932
Kalimantan Utara -0.7149 -0.8651 -0.5721 -1.2868
Sulawesi Utara -0.25 0.05645 -0.6114 -0.2753
Sulawesi Tengah 0.60967 0.40679 -0.5486 0.51525
Sulawesi Selatan 1.5132 1.4959 -0.2148 0.56884
Sulawesi Tenggara -0.636 0.33825 -0.5225 0.30087
Gorontalo 0.65353 0.68097 -0.5905 0.9574
Sulawesi Barat -0.636 -0.431 -0.5985 -1.2734
Maluku 0.00439 -0.3396 -0.5138 0.39466
Maluku Utara 0.44299 0.11738 -0.5225 -1.5682
Papua Barat -1.5307 -1.025 -0.6309 -2.553
Papua -1.3992 -1.6191 -0.4005 -1.7558
74
Lampiran 3. Jarak Euclidean
Provinsi 1 2 3 4 5 6 7 8
1 0 3.5121 6.9377 6.6317 9.3173 10.7466 9.9901 12.6741
2 3.5121 0 3.4538 3.3082 5.9292 7.2677 6.4792 9.2067
3 6.9377 3.4538 0 2.1683 3.3841 4.1882 3.1043 6.1109
4 6.6317 3.3082 2.1683 0 2.6891 4.2292 3.9236 6.1018
5 9.3173 5.9292 3.3841 2.6891 0 1.7351 2.3368 3.4549
6 10.7466 7.2677 4.1882 4.2292 1.7351 0 1.5814 1.9462
7 9.9901 6.4792 3.1043 3.9236 2.3368 1.5814 0 3.2134
8 12.6741 9.2067 6.1109 6.1018 3.4549 1.9462 3.2134 0
9 12.2143 8.9197 6.3650 5.6194 3.0476 2.5952 4.1748 2.0895
10 11.4146 9.5964 9.4837 7.3952 7.1687 8.4067 9.4939 8.9324
11 14.8611 11.3872 8.2264 8.2885 5.6273 4.1196 5.2036 2.1891
12 15.8557 12.3860 9.2277 9.2713 6.5997 5.1190 6.1952 3.1817
13 17.7428 14.3527 11.3904 11.1115 8.4320 7.2032 8.4777 5.2908
14 18.4778 15.0629 12.0312 11.8475 9.1605 7.8574 9.0597 5.9206
15 19.7367 16.3974 13.5231 13.1215 10.4687 9.3366 10.6526 7.4506
16 14.4882 10.9915 7.7417 7.9874 5.3855 3.7619 4.6649 1.9580
17 22.5010 19.2210 16.4342 15.9239 13.3078 12.2561 13.6012 10.3926
18 24.7086 21.4965 18.8116 18.1894 15.6189 14.6528 16.0351 12.8218
19 27.9730 24.8799 22.3638 21.5774 19.0906 18.2537 19.6878 16.4806
20 15.5415 12.8318 11.1892 9.7218 7.8697 8.0054 9.5614 7.2396
21 17.6221 14.8617 13.0503 11.7009 9.6826 9.5773 11.1576 8.4952
22 20.3968 17.4859 15.3611 14.2407 11.9821 11.5407 13.1006 10.1011
23 20.1901 17.7147 16.2305 14.7013 12.9136 12.9589 14.5329 11.9456
24 19.6292 17.5229 16.5373 14.7714 13.3908 13.7672 15.2892 13.0843
25 28.4609 26.3599 25.1862 23.5285 21.9184 22.0167 23.5898 20.9623
26 25.7065 23.2118 21.5822 20.1509 18.2206 18.0608 19.6412 16.7936
27 24.7490 21.8603 19.6926 18.6134 16.3229 15.7841 17.3190 14.2212
28 18.4448 15.3273 12.9026 12.0260 9.5762 8.9085 10.4307 7.3302
29 26.0087 23.6969 22.3000 20.7440 18.9811 18.9706 20.5502 17.8331
30 23.6029 20.9335 19.1017 17.7871 15.7215 15.4498 17.0250 14.1068
31 34.3292 31.7766 29.9727 28.6584 26.5899 26.2401 27.8021 24.7752
32 30.5955 28.2548 26.7577 25.2628 23.4098 23.2858 24.8667 22.0195
33 37.0169 34.5675 32.8752 31.4969 29.4981 29.2078 30.7765 27.7820
34 42.2911 39.7704 37.9563 36.6551 34.5725 34.1832 35.7367 32.6713
75
Lampiran 3. Jarak Euclidean (Lanjutan)
Provinsi 9 10 11 12 13 14 15 16
1 12.2143 11.4146 14.8611 15.8557 17.7428 18.4778 19.7367 14.4882
2 8.9197 9.5964 11.3872 12.3860 14.3527 15.0629 16.3974 10.9915
3 6.3650 9.4837 8.2264 9.2277 11.3904 12.0312 13.5231 7.7417
4 5.6194 7.3952 8.2885 9.2713 11.1115 11.8475 13.1215 7.9874
5 3.0476 7.1687 5.6273 6.5997 8.4320 9.1605 10.4687 5.3855
6 2.5952 8.4067 4.1196 5.1190 7.2032 7.8574 9.3366 3.7619
7 4.1748 9.4939 5.2036 6.1952 8.4777 9.0597 10.6526 4.6649
8 2.0895 8.9324 2.1891 3.1817 5.2908 5.9206 7.4506 1.9580
9 0 6.8997 3.5058 4.2860 5.6052 6.3998 7.5254 3.6846
10 6.8997 0 10.2550 10.8265 11.0931 11.9480 12.1921 10.5589
11 3.5058 10.2550 0 1.0025 3.3731 3.8713 5.5666 0.7910
12 4.2860 10.8265 1.0025 0 2.5221 2.9204 4.6880 1.6075
13 5.6052 11.0931 3.3731 2.5221 0 0.8601 2.1945 4.0988
14 6.3998 11.9480 3.8713 2.9204 0.8601 0 1.8874 4.5274
15 7.5254 12.1921 5.5666 4.6880 2.1945 1.8874 0 6.2825
16 3.6846 10.5589 0.7910 1.6075 4.0988 4.5274 6.2825 0
17 10.3045 14.1164 8.5267 7.6337 5.1559 4.7518 2.9615 9.2350
18 12.5845 15.6968 11.0082 10.1285 7.6351 7.2546 5.4440 11.7261
19 16.0431 18.2001 14.7580 13.9074 11.3947 11.0633 9.2216 15.4935
20 5.4457 5.5075 7.3308 7.4208 6.6013 7.3713 7.0929 7.9674
21 6.9829 7.4123 8.0720 7.9012 6.4211 7.0410 6.2400 8.8025
22 9.0379 10.3989 9.0557 8.5614 6.3869 6.6828 5.1961 9.8443
23 10.3666 9.1210 11.4791 11.2313 9.4615 9.9373 8.6995 12.2245
24 11.2557 8.2312 13.0149 12.9356 11.4848 12.0629 11.0267 13.7042
25 19.4245 17.0473 20.2951 19.8993 17.7739 18.0226 16.3670 21.0683
26 15.4794 14.5433 15.8778 15.3866 13.1392 13.3180 11.6029 16.6647
27 13.3406 14.4037 12.8859 12.2166 9.7677 9.7500 7.9012 13.6719
28 6.5407 9.6166 6.1569 5.6592 3.6007 4.0572 3.0779 6.9469
29 16.3756 14.6735 17.0863 16.6668 14.5204 14.7662 13.1178 17.8641
30 12.8909 12.7633 13.1192 12.6110 10.3575 10.5475 8.8590 13.9078
31 23.7152 23.1528 23.5105 22.8401 20.3745 20.2975 18.4185 24.2974
32 20.7012 19.2564 21.0554 20.5233 18.2024 18.3023 16.5077 21.8448
33 26.6636 25.7296 26.5616 25.9057 23.4495 23.3841 21.5071 27.3500
34 31.6769 31.0468 31.3111 30.5904 28.0900 27.9329 26.0456 32.0912
76
Provinsi 17 18 19 20 21 22 23 24
1 22.5010 24.7086 27.9730 15.5415 17.6221 20.3968 20.1901 19.6292
2 19.2210 21.4965 24.8799 12.8318 14.8617 17.4859 17.7147 17.5229
3 16.4342 18.8116 22.3638 11.1892 13.0503 15.3611 16.2305 16.5373
4 15.9239 18.1894 21.5774 9.7218 11.7009 14.2407 14.7013 14.7714
5 13.3078 15.6189 19.0906 7.8697 9.6826 11.9821 12.9136 13.3908
6 12.2561 14.6528 18.2537 8.0054 9.5773 11.5407 12.9589 13.7672
7 13.6012 16.0351 19.6878 9.5614 11.1576 13.1006 14.5329 15.2892
8 10.3926 12.8218 16.4806 7.2396 8.4952 10.1011 11.9456 13.0843
9 10.3045 12.5845 16.0431 5.4457 6.9829 9.0379 10.3666 11.2557
10 14.1164 15.6968 18.2001 5.5075 7.4123 10.3989 9.1210 8.2312
11 8.5267 11.0082 14.7580 7.3308 8.0720 9.0557 11.4791 13.0149
12 7.6337 10.1285 13.9074 7.4208 7.9012 8.5614 11.2313 12.9356
13 5.1559 7.6351 11.3947 6.6013 6.4211 6.3869 9.4615 11.4848
14 4.7518 7.2546 11.0633 7.3713 7.0410 6.6828 9.9373 12.0629
15 2.9615 5.4440 9.2216 7.0929 6.2400 5.1961 8.6995 11.0267
16 9.2350 11.7261 15.4935 7.9674 8.8025 9.8443 12.2245 13.7042
17 0 2.5029 6.3223 8.6722 7.1851 4.9042 8.5426 11.1288
18 2.5029 0 3.8309 10.1899 8.3898 5.5685 8.7724 11.3934
19 6.3223 3.8309 0 12.8247 10.8028 7.8183 9.9556 12.3499
20 8.6722 10.1899 12.8247 0 2.0899 5.0146 5.0449 5.8450
21 7.1851 8.3898 10.8028 2.0899 0 2.9883 3.4549 5.0817
22 4.9042 5.5685 7.8183 5.0146 2.9883 0 3.6765 6.2295
23 8.5426 8.7724 9.9556 5.0449 3.4549 3.6765 0 2.6282
24 11.1288 11.3934 12.3499 5.8450 5.0817 6.2295 2.6282 0
25 14.8127 13.4616 11.6688 14.0632 12.4768 11.3887 9.0579 8.8517
26 9.9664 8.7071 7.5312 10.4318 8.5391 6.8285 5.5185 6.6697
27 5.7947 4.3662 4.1691 9.2612 7.1730 4.3745 5.8124 8.1813
28 4.5037 6.3406 9.5529 4.2242 3.1622 2.9059 5.8831 8.0438
29 11.6580 10.4935 9.2685 11.1142 9.3943 8.1377 6.0698 6.4935
30 7.4478 6.6169 6.6367 8.1042 6.0863 4.0635 3.7154 5.7962
31 15.9011 13.6639 10.2069 18.9499 16.9615 14.7015 14.1394 15.0971
32 14.4676 12.6732 10.0951 15.5754 13.7417 12.0017 10.5616 11.0526
33 18.9962 16.7481 13.2371 21.7751 19.8311 17.6874 16.8615 17.5543
34 23.3477 20.9513 17.2008 26.9460 24.9573 22.6449 22.1060 22.8945
77
Provinsi 25 26 27 28 29 30 31 32
1 28.4609 25.7065 24.7490 18.4448 26.0087 23.6029 34.3292 30.5955
2 26.3599 23.2118 21.8603 15.3273 23.6969 20.9335 31.7766 28.2548
3 25.1862 21.5822 19.6926 12.9026 22.3000 19.1017 29.9727 26.7577
4 23.5285 20.1509 18.6134 12.0260 20.7440 17.7871 28.6584 25.2628
5 21.9184 18.2206 16.3229 9.5762 18.9811 15.7215 26.5899 23.4098
6 22.0167 18.0608 15.7841 8.9085 18.9706 15.4498 26.2401 23.2858
7 23.5898 19.6412 17.3190 10.4307 20.5502 17.0250 27.8021 24.8667
8 20.9623 16.7936 14.2212 7.3302 17.8331 14.1068 24.7752 22.0195
9 19.4245 15.4794 13.3406 6.5407 16.3756 12.8909 23.7152 20.7012
10 17.0473 14.5433 14.4037 9.6166 14.6735 12.7633 23.1528 19.2564
11 20.2951 15.8778 12.8859 6.1569 17.0863 13.1192 23.5105 21.0554
12 19.8993 15.3866 12.2166 5.6592 16.6668 12.6110 22.8401 20.5233
13 17.7739 13.1392 9.7677 3.6007 14.5204 10.3575 20.3745 18.2024
14 18.0226 13.3180 9.7500 4.0572 14.7662 10.5475 20.2975 18.3023
15 16.3670 11.6029 7.9012 3.0779 13.1178 8.8590 18.4185 16.5077
16 21.0683 16.6647 13.6719 6.9469 17.8641 13.9078 24.2974 21.8448
17 14.8127 9.9664 5.7947 4.5037 11.6580 7.4478 15.9011 14.4676
18 13.4616 8.7071 4.3662 6.3406 10.4935 6.6169 13.6639 12.6732
19 11.6688 7.5312 4.1691 9.5529 9.2685 6.6367 10.2069 10.0951
20 14.0632 10.4318 9.2612 4.2242 11.1142 8.1042 18.9499 15.5754
21 12.4768 8.5391 7.1730 3.1622 9.3943 6.0863 16.9615 13.7417
22 11.3887 6.8285 4.3745 2.9059 8.1377 4.0635 14.7015 12.0017
23 9.0579 5.5185 5.8124 5.8831 6.0698 3.7154 14.1394 10.5616
24 8.8517 6.6697 8.1813 8.0438 6.4935 5.7962 15.0971 11.0526
25 0 4.8464 9.1320 14.2548 3.2565 7.5115 7.6617 3.2130
26 4.8464 0 4.3426 9.7344 1.8036 2.7822 8.6280 5.2291
27 9.1320 4.3426 0 6.8942 6.1275 2.5479 10.6267 8.6922
28 14.2548 9.7344 6.8942 0 11.0143 6.9664 17.4556 14.8992
29 3.2565 1.8036 6.1275 11.0143 0 4.2744 8.6486 4.5875
30 7.5115 2.7822 2.5479 6.9664 4.2744 0 10.8786 7.9402
31 7.6617 8.6280 10.6267 17.4556 8.6486 10.8786 0 4.4789
32 3.2130 5.2291 8.6922 14.8992 4.5875 7.9402 4.4789 0
33 9.3297 11.3558 13.6892 20.4784 11.0645 13.7803 3.0955 6.5182
34 14.6361 16.5875 18.4560 25.3410 16.4012 18.8727 7.9969 11.8724
78
Provinsi 33 34
1 37.0169 42.2911
2 34.5675 39.7704
3 32.8752 37.9563
4 31.4969 36.6551
5 29.4981 34.5725
6 29.2078 34.1832
7 30.7765 35.7367
8 27.7820 32.6713
9 26.6636 31.6769
10 25.7296 31.0468
11 26.5616 31.3111
12 25.9057 30.5904
13 23.4495 28.0900
14 23.3841 27.9329
15 21.5071 26.0456
16 27.3500 32.0912
17 18.9962 23.3477
18 16.7481 20.9513
19 13.2371 17.2008
20 21.7751 26.9460
21 19.8311 24.9573
22 17.6874 22.6449
23 16.8615 22.1060
24 17.5543 22.8945
25 9.3297 14.6361
26 11.3558 16.5875
27 13.6892 18.4560
28 20.4784 25.3410
29 11.0645 16.4012
30 13.7803 18.8727
31 3.0955 7.9969
32 6.5182 11.8724
33 0 5.3555
34 5.3555 0
79
Lampiran 4. Nilai Bandwidth Adaptive Bisquare Kernel GWR
Provinsi Bandwidth
Aceh 18.462067
Sumatera Utara 15.201281
Sumatera Barat 12.979892
Riau 11.940906
Jambi 9.631887
Sumatera Selatan 9.46258
Bengkulu 10.546859
Lampung 9.075974
Kepulauan Bangka Belitung 8.255162
Kepulauan Riau 10.698945
Dki Jakarta 8.803567
Jawa Barat 9.250527
Jawa Tengah 8.992645
Di Yogyakarta 9.469034
Jawa Timur 9.048777
Banten 9.553895
Bali 10.143377
Nusa Tenggara Barat 11.209792
Nusa Tenggara Timur 12.025297
Kalimantan Barat 8.057105
Kalimanan Tengah 8.444958
Kalimantan Selatan 8.810795
Kalimantan Timur 9.946891
Kalimantan Utara 11.441224
Sulawesi Utara 14.728512
Sulawesi Tengah 11.485119
Sulawesi Selatan 9.759275
Sulawesi Tenggara 7.703734
Gorontalo 12.422037
Sulawesi Barat 10.45697
Maluku 17.959575
Maluku Utara 15.253086
Papua Barat 21.016817
Papua 25.70979
80
Lampiran 5. Matriks Pembobot Adaptive Bisquare Kernel GWR
Provinsi V1 V2 V3 V4 V5 V6 V7
1 1 0.9289 0.7375 0.7586 0.5555 0.4371 0.5001
2 0.8961 1 0.8994 0.9075 0.7189 0.5951 0.6697
3 0.5102 0.8634 1 0.9450 0.8687 0.8026 0.8889
4 0.4783 0.8524 0.9351 1 0.9011 0.7648 0.7957
5 0.0041 0.3857 0.7683 0.8502 1 0.9361 0.8857
6 0.0840 0.1682 0.6466 0.6404 0.9339 1 0.9449
7 0.0106 0.3876 0.8342 0.7424 0.9042 0.9555 1
8 0.9026 0.0008 0.2988 0.3003 0.7312 0.9102 0.7650
9 1.4142 0.0280 0.1644 0.2880 0.7460 0.8121 0.5539
10 0.0191 0.0382 0.0459 0.2727 0.3037 0.1464 0.0452
11 3.4211 0.4531 0.0161 0.0129 0.3498 0.6100 0.4233
12 3.7554 0.6285 0.0000 0.0000 0.2411 0.4813 0.3041
13 8.3686 2.3944 0.3652 0.2775 0.0146 0.1284 0.0124
14 7.8845 2.3424 0.3775 0.3197 0.0041 0.0970 0.0072
15 14.1180 5.2155 1.5214 1.2161 0.1146 0.0042 0.1489
16 1.6892 0.1047 0.1179 0.0906 0.4655 0.7139 0.5800
17 15.3728 6.7120 2.6407 2.1448 0.5202 0.2116 0.6368
18 14.8878 7.1685 3.2985 2.6665 0.8862 0.5022 1.0945
19 19.4578 10.7625 6.0447 4.9267 2.3112 1.7008 2.8238
20 7.4023 2.3606 0.8623 0.2079 0.0021 0.0002 0.1667
21 11.2514 4.3974 1.9267 0.8460 0.0990 0.0819 0.5559
22 19.0022 8.6356 4.1599 2.5997 0.7215 0.5122 1.4661
23 9.7346 4.7163 2.7639 1.4028 0.4699 0.4862 1.2874
24 3.7771 1.8108 1.1864 0.4447 0.1368 0.2006 0.6174
25 7.4751 4.8536 3.7025 2.4085 1.4753 1.5241 2.4501
26 16.0780 9.5146 6.4070 4.3195 2.3007 2.1694 3.7041
27 29.4961 16.1395 9.4351 6.9569 3.2308 2.6108 4.6194
28 22.3966 8.7525 3.2585 2.0647 0.2972 0.1137 0.6943
29 11.4501 6.9650 4.9405 3.1994 1.7818 1.7749 3.0166
30 16.7667 9.0451 5.4607 3.5848 1.5885 1.3992 2.7248
31 7.0422 4.5393 3.1870 2.3911 1.4209 1.2876 1.9500
32 9.1414 5.9117 4.3155 3.0385 1.8373 1.7705 2.7483
33 4.4192 2.9078 2.0933 1.5524 0.9408 0.8674 1.3097
34 2.9099 1.9402 1.3914 1.0665 0.6533 0.5895 0.8688
81
Lampiran 5. Matriks Pembobot Adaptive Bisquare Kernel GWR (Lanjutan)

1 0.2796 0.3162 0.3816 0.1239 0.0689 0.0058 0.0000
2 0.4009 0.4299 0.3618 0.1926 0.1130 0.0118 0.0003
3 0.6058 0.5769 0.2173 0.3580 0.2446 0.0529 0.0198
4 0.5459 0.6061 0.3800 0.2685 0.1577 0.0180 0.0002
5 0.7592 0.8098 0.1990 0.4338 0.2814 0.0546 0.0091
6 0.9172 0.8552 0.0444 0.6569 0.5003 0.1768 0.0964
7 0.8230 0.7112 0.0360 0.5724 0.4290 0.1252 0.0687
8 1 0.8968 0.0010 0.8870 0.7693 0.4358 0.3300
9 0.8760 1 0.0909 0.6718 0.5336 0.2905 0.1592
10 0.0918 0.3412 1 0.0066 0.0006 0.0056 0.0611
11 0.8802 0.7080 0.1274 1 0.9742 0.7279 0.6506
12 0.7774 0.6167 0.1367 0.9766 1 0.8569 0.8106
13 0.4275 0.3739 0.2722 0.7384 0.8489 1 0.9818
14 0.3709 0.2951 0.3506 0.6936 0.8188 0.9836 1
15 0.1037 0.0951 0.6649 0.3863 0.5352 0.8858 0.9149
16 0.9178 0.7246 0.0490 0.9863 0.9442 0.6658 0.6013
17 0.0025 0.0010 0.8776 0.0861 0.1880 0.5500 0.6092
18 0.0950 0.0678 0.9231 0.0013 0.0337 0.2874 0.3378
19 0.7713 0.6082 1.6658 0.2562 0.1139 0.0104 0.0236
20 0.0371 0.2950 0.2838 0.0296 0.0230 0.1081 0.0266
21 0.0001 0.1000 0.0527 0.0075 0.0155 0.1780 0.0929
22 0.0988 0.0027 0.1544 0.0032 0.0031 0.2252 0.1804
23 0.1956 0.0074 0.0253 0.1101 0.0756 0.0091 0.0000
24 0.0948 0.0010 0.2327 0.0864 0.0774 0.0001 0.0125
25 1.0519 0.5466 0.1154 0.8077 0.6813 0.2082 0.2473
26 1.2952 0.6667 0.3641 0.8303 0.6317 0.0953 0.1188
27 1.2621 0.7545 1.3883 0.5526 0.3215 0.0000 0.0000
28 0.0090 0.0779 0.3116 0.1305 0.2119 0.6108 0.5222
29 1.1256 0.5444 0.1563 0.7956 0.6403 0.1342 0.1706
30 0.6722 0.2701 0.2399 0.3295 0.2065 0.0004 0.0003
31 0.8154 0.5530 0.4382 0.5094 0.3811 0.0824 0.0769
32 1.1751 0.7089 0.3526 0.8200 0.6568 0.1799 0.1934
33 0.5586 0.3716 0.2488 0.3567 0.2697 0.0600 0.0566
34 0.3781 0.2684 0.2100 0.2335 0.1728 0.0375 0.0326
82

1 0.0204 0.1476 0.2356 0.6259 1.6789 0.0849 0.0079
2 0.0268 0.2277 0.3585 0.9995 2.8183 0.0826 0.0020
3 0.0073 0.4151 0.3637 1.2110 3.8753 0.0660 0.0001
4 0.0431 0.3053 0.6059 1.7434 5.1316 0.1137 0.0016
5 0.0329 0.4725 0.8261 2.6554 8.5755 0.1105 0.0001
6 0.0007 0.7089 0.4591 1.9540 7.4048 0.0808 0.0006
7 0.0004 0.6470 0.4397 1.7200 6.1730 0.0317 0.0142
8 0.1063 0.9091 0.0968 0.9916 5.2776 0.1323 0.0153
9 0.0286 0.6412 0.3115 1.7527 7.7108 0.3190 0.0809
10 0.0892 0.0007 0.5489 1.3282 3.5864 0.5402 0.2704
11 0.3602 0.9839 0.0038 0.3176 3.2768 0.0940 0.0254
12 0.5523 0.9405 0.1018 0.0395 1.5883 0.1271 0.0731
13 0.8844 0.6277 0.4506 0.0779 0.3667 0.2126 0.2403
14 0.9221 0.5951 0.5598 0.1706 0.1333 0.1552 0.1999
15 1 0.2683 0.7972 0.4071 0.0015 0.1487 0.2751
16 0.3222 1 0.0043 0.2565 2.6566 0.0927 0.0228
17 0.8368 0.0293 1 0.8819 0.3739 0.0724 0.2482
18 0.5839 0.0089 0.9028 1 0.7801 0.0302 0.1935
19 0.1697 0.4356 0.5236 0.8073 1 0.0189 0.0372
20 0.0506 0.0005 0.0251 0.3594 2.3519 1 0.8700
21 0.2061 0.0075 0.0762 0.0002 0.4049 0.8813 1
22 0.4254 0.0617 0.4763 0.3607 0.0452 0.4571 0.7832
23 0.0553 0.2605 0.0689 0.0494 0.0000 0.5517 0.7733
24 0.0051 0.1890 0.0029 0.0001 0.0273 0.5461 0.6444
25 0.0552 1.0945 0.0001 0.0271 0.1386 0.0078 0.0797
26 0.0004 1.2218 0.0610 0.1808 0.3249 0.0306 0.2000
27 0.1187 0.9265 0.4192 0.6398 0.6683 0.0099 0.2114
28 0.7062 0.0349 0.4333 0.1041 0.2891 0.4891 0.6914
29 0.0133 1.1409 0.0142 0.0820 0.1965 0.0398 0.1832
30 0.0797 0.5912 0.2428 0.3595 0.3566 0.1595 0.4372
31 0.0027 0.6894 0.0467 0.1774 0.4583 0.0128 0.0117
32 0.0293 1.1048 0.0101 0.0959 0.3158 0.0018 0.0355
33 0.0022 0.4809 0.0335 0.1332 0.3640 0.0054 0.0120
34 0.0007 0.3114 0.0307 0.1128 0.3051 0.0097 0.0033
83

1 0.0487 0.0384 0.0170 1.8948 0.8813 0.6353 0.0000
2 0.1044 0.1282 0.1081 4.0278 1.7732 1.1407 0.0003
3 0.1604 0.3176 0.3884 7.6460 3.1142 1.6946 0.0001
4 0.1783 0.2660 0.2812 8.3089 3.4145 2.0444 0.0002
5 0.2998 0.6360 0.8701 17.4589 6.6486 3.5041 0.0001
6 0.2376 0.7665 1.2471 19.4796 6.9852 3.1770 0.0129
7 0.2947 0.8077 1.2132 16.0216 6.0915 2.8781 0.0005
8 0.0570 0.5363 1.1628 18.7875 5.8746 2.1175 0.1209
9 0.0394 0.3329 0.7380 20.5813 6.3305 2.5971 0.1386
10 0.0031 0.0747 0.1665 2.3679 0.7187 0.6601 0.0369
11 0.0034 0.4903 1.4056 18.6151 5.0754 1.3052 0.2610
12 0.0206 0.2248 0.9128 13.1584 3.1210 0.5537 0.3915
13 0.2456 0.0114 0.3982 8.4479 1.2878 0.0323 0.7051
14 0.2519 0.0103 0.3880 6.8782 0.9569 0.0036 0.6665
15 0.4492 0.0057 0.2352 5.1602 0.4150 0.0564 0.7820
16 0.0038 0.4060 1.1184 14.9224 4.1718 1.0980 0.2221
17 0.5871 0.0845 0.0415 1.2827 0.0012 0.4538 0.6446
18 0.5674 0.1502 0.0011 0.1955 0.1574 0.7196 0.4625
19 0.3333 0.0990 0.0030 0.0034 0.3694 0.7741 0.1361
20 0.3753 0.3696 0.2244 4.1884 0.4574 0.1032 0.5258
21 0.7653 0.6933 0.4069 1.3990 0.0005 0.0776 0.7392
22 1 0.6821 0.2501 0.4499 0.1595 0.5677 0.7943
23 0.7454 1 0.8652 0.0292 0.4791 0.4337 0.4227
24 0.4950 0.8972 1 0.1612 0.4358 0.2388 0.2557
25 0.1617 0.3866 0.4081 1 0.7952 0.3789 0.0040
26 0.4180 0.5916 0.4392 0.6756 1 0.7345 0.0793
27 0.6385 0.4164 0.0883 0.0155 0.6432 1 0.2510
28 0.7357 0.1737 0.0081 5.8753 0.3560 0.0396 1
29 0.3259 0.5795 0.5282 0.8673 0.9583 0.5726 0.0457
30 0.7208 0.7635 0.4799 0.2343 0.8634 0.8848 0.3093
31 0.1088 0.1445 0.0861 0.6691 0.5917 0.4224 0.0031
32 0.1451 0.2710 0.2256 0.9132 0.7788 0.4560 0.0021
33 0.0851 0.1270 0.0914 0.6447 0.5013 0.3315 0.0026
34 0.0503 0.0680 0.0429 0.4569 0.3408 0.2349 0.0008
84
Provinsi V29 V30 V31 V32 V33 V34

1 0.9695 0.4025 6.0395 3.0497 9.1212 18.0398
2 2.0452 0.8035 11.3550 6.0261 17.3973 34.1616
3 3.8090 1.3589 18.7682 10.5603 29.3218 57.0202
4 4.0721 1.4857 22.6583 12.0825 35.4934 70.9490
5 8.3144 2.7695 43.8372 24.0794 70.2105 141.2207
6 9.1158 2.7748 44.7529 25.5600 72.7179 145.2000
7 7.8206 2.5783 35.3879 20.7837 56.4778 109.8530
8 8.1836 2.0046 41.6231 23.8742 70.0572 142.9993
9 8.6142 2.0692 52.6035 27.9673 88.9718 188.3565
10 0.7762 0.1790 13.5644 5.0151 22.8812 55.0681
11 7.6554 1.4902 37.6006 22.2803 65.6608 135.7147
12 5.0453 0.7370 25.9720 15.3839 46.8210 98.7140
13 2.5833 0.1067 17.0845 9.5922 33.6371 76.6895
14 2.0500 0.0580 12.9230 7.4853 25.9956 59.3216
15 1.2134 0.0017 9.8793 5.4200 21.6147 53.0701
16 6.2313 1.2524 29.8973 17.8760 51.7691 105.7323
17 0.1030 0.2124 2.1242 1.0699 6.2863 18.4738
18 0.0153 0.4245 0.2360 0.0774 1.5183 6.2161
19 0.1648 0.4836 0.0782 0.0872 0.0448 1.0941
20 0.8151 0.0001 20.5358 7.4910 39.7408 103.7317
21 0.0564 0.2310 9.2051 2.7153 20.3800 59.8108
22 0.0216 0.6198 3.1832 0.7318 9.1806 31.4222
23 0.3939 0.7404 1.0417 0.0162 3.5102 15.5165
24 0.4595 0.5526 0.5493 0.0045 1.8335 9.0252
25 0.9046 0.5475 0.5320 0.9071 0.3585 0.0002
26 0.9513 0.8861 0.1898 0.6284 0.0005 1.1792
27 0.3670 0.8683 0.0345 0.0427 0.9361 6.6376
28 1.0902 0.0332 17.0911 7.5099 36.7995 96.4416
29 1 0.7772 0.2655 0.7458 0.0427 0.5524
30 0.6937 1 0.0068 0.1793 0.5426 5.0953
31 0.5900 0.4008 1 0.8795 0.9415 0.6428
32 0.8273 0.5315 0.8350 1 0.6681 0.1554
33 0.5225 0.3250 0.9571 0.8169 1 0.8744
34 0.3517 0.2127 0.8159 0.6190 0.9151 1
85
Lampiran 6. Nilai Koefisien Model GWR
Provinsi 𝜷𝟎 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝜷𝟒
Aceh -14958 1.894809 -0.10365 112.2897 0.32111
Sumatera Utara -15051.8 2.046604 -0.10413 96.87438 0.327311
Sumatera Barat -15794.3 2.319997 -0.09698 48.35332 0.360172
Riau -13571.6 1.974339 -0.10021 101.6177 0.332782
Jambi -13050.3 2.090203 -0.09167 70.79796 0.358065
Sumatera Selatan -19232.2 2.24776 -0.08408 -5.54159 0.34289
Lengkulu -20054.3 2.614395 -0.0995 -7.75811 0.32899
Lampung -17037.9 3.250852 -0.11313 -58.9352 0.534671
Kepulauan Bangka Belitung -8051.24 1.959599 -0.07005 8.252142 0.671439
Kepulauan Riau 2599.932 -0.08505 0.034729 -22.6271 0.784959
Dki Jakarta -73709.8 5.020112 -0.17117 -250.839 1.539005
Jawa Barat -99679 5.078202 -0.1729 -364.379 2.675632
Jawa Tengah -54401.6 3.462695 -0.12212 -577.953 3.767181
Di Yogyakarta -54400.5 3.368998 -0.12171 -626.423 3.96615
Jawa Timur -45661.1 3.18078 -0.12159 -745.543 4.369537
Banten -30890.7 4.312878 -0.14752 -175.974 0.730972
Bali -39686.2 3.351163 -0.12828 -563.434 4.410265
Nusa Tenggara Barat -17442.9 2.801987 -0.0976 -575.078 12.05877
Nusa Tenggara Timur 21419.44 0.593189 0.098761 -560.191 25.41501
Kalimantan Barat -1282.87 1.870988 0.014754 -197.248 2.071421
Kalimanan Tengah 2103.698 2.703663 -0.012 -392.276 4.267618
Kalimantan Selatan 33447.03 1.149648 0.101786 -693.299 24.5875
Kalimantan Timur 32048.25 0.94985 0.109194 -349.025 22.28853
Kalimantan Utara 7155.212 0.026854 0.063165 -95.6392 4.671846
Sulawesi Utara -3438.99 -0.74453 0.048398 73.55251 -15.5701
Sulawesi Tengah 723.8188 -0.97622 0.068559 69.06744 -1.26217
Sulawesi Selatan 37629.35 -0.31232 0.187132 -583.19 26.82848
Sulawesi Tenggara -42330.3 3.688947 -0.10776 -424.782 3.452161
Gorontalo -2168.7 -0.8137 0.052191 73.41708 -3.37936
Sulawesi Barat 31737.6 0.097564 0.15191 -369.549 20.32044
Maluku 9100.25 -1.39003 0.097772 102.5831 -2.61568
Maluku Utara 2630.043 -1.03545 0.073422 85.25487 -8.9938
Papua Barat 9152.43 -1.33361 0.096881 94.7203 -2.52835
Papua 11098.02 -1.47047 0.104245 107.4756 -1.8043
86
Lampiran 6. Nilai Koefisien Model GWR (Lanjutan)
Provinsi 𝜷𝟓 𝜷𝟔 𝜷𝟕 𝜷𝟖
Aceh 216.976 -28.812 0.058836 -83.6141
Sumatera Utara 225.2581 -42.2875 0.057101 -68.2785
Sumatera Barat 305.3484 -124.748 0.050549 -24.3748
Riau 214.1442 -35.0957 0.056583 -84.3833
Jambi 273.3993 -95.6167 0.051559 -66.3705
Sumatera Selatan 329.5726 -175.054 0.048582 66.557
Lengkulu 349.6055 -189.475 0.048651 75.93902
Lampung 195.2211 -6.11561 0.043305 37.25577
Kepulauan Bangka Belitung 208.2952 55.40716 0.042947 -167.871
Kepulauan Riau -80.3797 70.14411 -0.00068 -5.98
Dki Jakarta -210.942 769.6045 0.041215 349.3674
Jawa Barat -464.404 1479.805 0.036439 226.8531
Jawa Tengah -360.924 1807.837 0.026834 -510.651
Di Yogyakarta -345.232 1873.966 0.02714 -560.864
Jawa Timur -236.249 1899.93 0.027034 -710.881
Banten 42.17421 182.4674 0.042473 205.1058
Bali -403.016 1802.254 0.028435 -690.313
Nusa Tenggara Barat -586.115 1661.376 0.02467 -650.007
Nusa Tenggara Timur -433.787 733.1229 0.016749 -361.68
Kalimantan Barat -380.679 832.2406 0.010659 -353.601
Kalimanan Tengah -600.519 1061.46 0.012044 -336.899
Kalimantan Selatan -528.647 657.3911 0.008548 -219.346
Kalimantan Timur -99.1935 -43.2359 0.000707 -95.9911
Kalimantan Utara 54.64514 -55.8609 0.002553 -32.5203
Sulawesi Utara -282.02 196.2867 0.002674 109.6332
Sulawesi Tengah -27.6936 -84.3086 0.001329 90.03847
Sulawesi Selatan -30.4593 64.69282 0.008794 -225.964
Sulawesi Tenggara -518.498 1645.375 0.020097 -457.387
Gorontalo -55.9258 -32.0717 0.001562 98.83124
Sulawesi Barat 117.3226 -185.021 0.00434 -148.289
Maluku -150.985 -114.361 0.000616 125.6718
Maluku Utara -213.696 42.86886 0.001519 116.759
Papua Barat -130.401 -124.3 0.000841 117.7894
Papua -134.836 -159.431 0.000637 128.2812
87
Lampiran 7. Hasil Uji Signifikansi Parameter Model GWR
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟏 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟐 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟑 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟒

Aceh 1.803797 -2.26365 0.717892 0.891762
Sumatera Utara 1.88243 -2.28929 0.622331 0.925186
Sumatera Barat 2.005661 -2.1486 0.32346 1.052809
Riau 1.932171 -2.30039 0.663657 0.947325
Jambi 1.958056 -2.10453 0.445083 1.033757
Sumatera Selatan 1.906083 -1.85697 -0.03701 1.026678
Lengkulu 1.925997 -1.94307 -0.04968 0.968602
Lampung 4.237541 -3.74507 -0.43093 1.73484
Kepulauan Bangka
2.539176 -2.30722 0.061952 2.12579
Belitung
Kepulauan Riau -0.08548 0.781433 -0.15714 1.952365
Dki Jakarta 4.320772 -4.41638 -1.59099 3.265759
Jawa Barat 3.948101 -4.12799 -2.22934 4.645447
Jawa Tengah 5.982742 -5.36652 -3.48946 7.454778
Di Yogyakarta 6.388434 -5.68133 -3.66453 7.717405
Jawa Timur 6.284297 -5.62542 -4.40419 8.46604
Banten 5.269885 -4.83779 -1.23928 2.265661
Bali 7.800176 -5.64077 -4.02458 8.68249
Nusa Tenggara Barat 6.38231 -3.97584 -4.16211 6.340887
Nusa Tenggara Timur 0.723778 1.414666 -6.46668 4.619417
Kalimantan Barat 2.801374 0.502967 -0.76399 3.913572
Kalimanan Tengah 4.143474 -0.30223 -1.89104 6.446028
Kalimantan Selatan 1.39203 1.48633 -4.20009 5.788295
Kalimantan Timur 0.893289 1.229815 -3.03225 3.985288
Kalimantan Utara 0.022554 0.542296 -0.6103 0.346818
Sulawesi Utara -0.70123 0.585129 0.582302 -0.50665
Sulawesi Tengah -1.06586 1.061537 0.620499 -0.17217
Sulawesi Selatan -0.34546 2.229937 -5.43518 4.224738
Sulawesi Tenggara 7.742327 -4.89468 -2.33279 6.316811
Gorontalo -0.83693 0.7403 0.648811 -0.24685
Sulawesi Barat 0.115817 1.979134 -3.72829 3.443578
Maluku -1.38076 1.573796 0.785431 -0.23422
Maluku Utara -1.04235 1.031794 0.679059 -0.42462
Papua Barat -1.33314 1.544106 0.74348 -0.19612
Papua -1.41223 1.664869 0.79893 -0.147
88
Lampiran 7. Hasil Uji Signifikansi Parameter Model GWR (Lanjutan)
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟓 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟔 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟕 𝒕𝒉𝒊𝒕𝒖𝒏𝒈_𝑿𝟖

Aceh 0.588636 -0.09789 4.159443 -0.2415
Sumatera Utara 0.631931 -0.14989 4.503103 -0.19763
Sumatera Barat 0.953313 -0.4935 5.422514 -0.07239
Riau 0.610381 -0.12809 4.696638 -0.24777
Jambi 0.818711 -0.37158 5.307114 -0.18506
Sumatera Selatan 1.11928 -0.71607 6.05509 0.203411
Lengkulu 1.150575 -0.76111 5.77422 0.217783
Lampung 0.772596 -0.02914 6.885948 0.137325
Kepulauan Bangka
0.80556 0.262673 6.848499 -0.67717
Belitung
Kepulauan Riau -0.23284 0.225124 -0.03383 -0.04266
Dki Jakarta -0.71179 2.240197 6.547377 0.802822
Jawa Barat -1.36864 3.261244 6.444223 0.492955
Jawa Tengah -1.56263 6.07981 6.716251 -2.9917
Di Yogyakarta -1.50884 6.373374 6.811419 -3.63505
Jawa Timur -0.95783 6.413947 6.855493 -4.26492
Banten 0.171176 0.86723 6.971301 0.660129
Bali -1.70115 7.269823 7.977389 -5.36296
Nusa Tenggara Barat -2.49747 6.641385 6.334343 -5.16413
Nusa Tenggara Timur -1.88451 2.021118 3.064085 -2.916
Kalimantan Barat -1.6323 3.228691 2.348516 -2.81832
Kalimanan Tengah -2.68531 4.165973 2.723356 -2.96609
Kalimantan Selatan -2.22843 2.352735 1.895816 -1.83092
Kalimantan Timur -0.36694 -0.1284 0.123688 -0.76644
Kalimantan Utara 0.198557 -0.18395 0.456321 -0.27019
Sulawesi Utara -0.49724 0.333706 0.430632 0.747175
Sulawesi Tengah -0.09279 -0.22581 0.222797 0.652626
Sulawesi Selatan -0.11154 0.155943 1.436192 -1.54409
Sulawesi Tenggara -2.13832 6.004904 5.238371 -3.37029
Gorontalo -0.16115 -0.08036 0.266027 0.722207
Sulawesi Barat 0.443034 -0.51083 0.787112 -1.34097
Maluku -0.36365 -0.29043 0.099554 0.791975
Maluku Utara -0.44656 0.093027 0.251355 0.761468
Papua Barat -0.30699 -0.30584 0.136278 0.754006
Papua -0.31004 -0.37563 0.100062 0.788654
89
Lampiran 8. Model GWR
Provinsi Model GWR

𝑌 = −14958,02 + 1,8948𝑋1 − 0,1036𝑋2 + 112,280𝑋3
Aceh
+0,3211𝑋4 + 216.975𝑋5 − 28,812𝑋6 + 0.0505𝑋7 − 83,6141𝑋8
𝑌 = −15051.8 + 2.0466𝑋1 − 0,1041𝑋2 + 96,8743𝑋3
Sumatera Utara
+0,3273𝑋4 + 225,258𝑋5 − 42.28.75𝑋6 + 0.0571𝑋7 − 68,2785𝑋8
𝑌 = −15794,3 + 2,3199𝑋1 − 0.0969𝑋2 + 48.3533𝑋3
Sumatera Barat
+0.3601𝑋4 + 305.34𝑋5 − 124.74𝑋6 + 0.0505𝑋7 − 24.3747𝑋8
𝑌 = −13571,6 + 1,9743𝑋1 − 0,1002𝑋2 + 101,61𝑋3
Riau
+0,3327𝑋4 + 214,144𝑋5 − 35.0956𝑋6 + 0.0565𝑋7 − 84.3833𝑋8
𝑌 = −13050,3 + 2,0902𝑋1 − 0,9167𝑋2 + 70,7979𝑋3 +
Jambi
0,3580𝑋4 + 273,39𝑋5 − 95,6167𝑋6 + 0.0515𝑋7 − 66,3705𝑋8
Sumatera 𝑌 = −19232,2 + 2,2477𝑋1 − 0,0840𝑋2 − 5,5415𝑋3 +
Selatan 0,3428𝑋4 + 329,57𝑋5 − 175,05𝑋6 + 0,0485𝑋7 − 66,557𝑋8
𝑌 = −20054,3 + 2,6143𝑋1 − 0,0995𝑋2 − 7,7581𝑋3 +
Bengkulu
0,3289𝑋4 + 349,60𝑋5 − 189,47𝑋6 + 0.0486𝑋7 + 75,9390𝑋8
𝑌 = −17037,9 + 3,2508𝑋1 − 0,1131𝑋2 − 58,9352𝑋3 +
Lampung
0,5346𝑋4 + 195,22𝑋5 − 6,1156𝑋6 + 0.0433𝑋7 + 37,2557𝑋8
Kepulauan 𝑌 = −8051,24 + 1,9595𝑋1 − 0,0700𝑋2 + 8,2521𝑋3 + 0,6714𝑋4
Bangka + 208,29𝑋5 + 55,4071𝑋6 + 0.0429𝑋7
Belitung − 167,871𝑋8
Kepulauan 𝑌 = −2599,93 − 0,0850𝑋1 + 0,0347𝑋2 − 22,6271𝑋3 +
Riau 0,7849𝑋4 − 80,3797𝑋5 + 70,1441𝑋6 − 0,0006𝑋7 − 5,98𝑋8
𝑌 = −73709,8 + 5,0201𝑋1 − 0,1711𝑋2 − 250,83𝑋3 +
Dki Jakarta
1,5390𝑋4 − 210,94𝑋5 + 769,60𝑋6 + 0.0412𝑋7 349,36𝑋8
𝑌 = −99679 + 5,0782𝑋1 − 0,1729𝑋2 − 364,37𝑋3 + 2,6756𝑋4 −
Jawa Barat
464,40𝑋5 + 1479,8𝑋6 + 0.0364𝑋7 + 226,85𝑋8
𝑌 = −54401,6 + 3,4626𝑋1 − 0,1221𝑋2 − 577,95𝑋3 +
Jawa Tengah
3,7671𝑋4 − 360,92𝑋5 + 1807,83𝑋6 + 0.0268𝑋7 − 510,65𝑋8
𝑌 = −54400,5 + 3,3689𝑋1 − 0,1217𝑋2 − 626,42𝑋3 +
Di Yogyakarta
3,9661𝑋4 − 345,23𝑋5 + 1873,96𝑋6 + 0.0271𝑋7 − 560,65𝑋8
𝑌 = −45661,1 + 3,1807𝑋1 − 0,1215𝑋2 − 745,54𝑋3 +
Jawa Timur
4,3695𝑋4 − 236,24𝑋5 + 1899,9𝑋6 + 0.0270𝑋7 − 710,88𝑋8
𝑌 = −30890,7 + 4,3128𝑋1 − 0,1475𝑋2 − 175,97𝑋3 +
Banten
0,7309𝑋4 + 14,1742𝑋5 + 182,46𝑋6 + 0.0424𝑋7 + 205,10𝑋8
𝑌 = −39686,2 + 3,3511𝑋1 − 0,1282𝑋2 − 563,43𝑋3 +
Bali
4,4102𝑋4 − 403,01𝑋5 + 1802,2𝑋6 + 0.0284𝑋7 − 690,3𝑋8
Nusa Tenggara 𝑌 = −17442,9 + 2,8019𝑋1 − 0,0976𝑋2 − 575,07𝑋3 +
Barat 12,0587𝑋4 − 586,11𝑋5 + 1661,3𝑋6 + 0.0246𝑋7 − 650,08𝑋8
Nusa Tenggara 𝑌 = 21419,4 + 0,5931𝑋1 + 0,0987𝑋2 − 560,19𝑋3 + 25,415𝑋4 −
Timur 433,78𝑋5 + 733,12𝑋6 + 0.0167𝑋7 − 361,68𝑋8
Kalimantan 𝑌 = −1282,87 + 1,8709𝑋1 + 0,0147𝑋2 − 197,24𝑋3 +
Barat 2,0714𝑋4 − 380,67𝑋5 − 832,24𝑋6 + 0.0106𝑋7 − 353,60𝑋8
Kalimanan 𝑌 = 2103,69 + 2,7036𝑋1 − 0,012𝑋2 − 392,27𝑋3 + 4,2676𝑋4 −
Tengah 600,51𝑋5 + 1061,4𝑋6 + 0.0120𝑋7 − 336,89𝑋8
Kalimantan 𝑌 = 33447,03 + 1,1496𝑋1 + 0,1017𝑋2 − 693,29𝑋3 +
Selatan 24,5875𝑋4 − 528,64𝑋5 + 657,39𝑋6 + 0.0085𝑋7 − 219,34𝑋8
Kalimantan 𝑌 = 32048,25 + 0,94985𝑋1 + 0,1091𝑋2 − 349,02𝑋3 +
Timur 22,2885𝑋4 − 99,193𝑋5 − 43,235𝑋6 + 0.0007𝑋7 − 95,991𝑋8
90
Lampiran 8. Model GWR (Lanjutan)
Provinsi Model GWR

Kalimantn 𝑌 = 7155,21 + 0,0268𝑋1 + 0,0631𝑋2 − 95,639𝑋3 + 4,6718𝑋4 +
Utara 54,645𝑋5 − 55,860𝑋6 + 0.0025𝑋7 − 32,520𝑋8
Sulawesi 𝑌 = −3438,99 − 0,7445𝑋1 + 0,0483𝑋2 + 73,552𝑋3 − 15,570𝑋4 −
Utara 282,02𝑋5 + 196,28𝑋6 + 0.0026𝑋7 + 109,63𝑋8
Sulawesi 𝑌 = 723,818 − 0,9762𝑋1 + 0,0685𝑋2 + 69,067𝑋3 − 1,2621𝑋4 −
Tengah 27,693𝑋5 − 84,308𝑋6 + 0.0013𝑋7 + 90,038𝑋8
Sulawesi 𝑌 = 37629,35 − 0,3123𝑋1 + 0,1871𝑋2 − 583,19𝑋3 + 26,828𝑋4 −
Selatan 30,459𝑋5 + 64,692𝑋6 + 0,0087𝑋7 − 225,96𝑋8
Sulawesi 𝑌 = −42330,3 + 3,6889𝑋1 − 0,1077𝑋2 − 424,78𝑋3 + 3,4521𝑋4 −
Tenggara 518,49𝑋5 + 1645,3𝑋6 + 0.0200𝑋7 − 457,38𝑋8
𝑌 = −2168,7 − 0,8137𝑋1 − 0,0521𝑋2 + 73,417𝑋3 − 3,3793𝑋4 −
Gorontalo
55,925𝑋5 − 32,071𝑋6 + 0.0015𝑋7 + 98,831𝑋8
Sulawesi 𝑌 = 31737,6 + 0,0975𝑋1 + 0,1519𝑋2 − 369,54𝑋3 + 20,320𝑋4 +
Barat 117,32𝑋5 − 185,02𝑋6 + 0.0043𝑋7 − 148,28𝑋8
𝑌 = 9100,25 − 1,3900𝑋1 + 0,0977𝑋2 + 102,58𝑋3 − 2,6156𝑋4 −
Maluku
150,98𝑋5 − 114,36𝑋6 + 0,0006𝑋7 + 125,67𝑋8
Maluku 𝑌 = 2630,04 − 1,0354𝑋1 + 0,0734𝑋2 + 85,254𝑋3 − 8,9938𝑋4 −
Utara 213,69 + 42,868𝑋6 + 0.0015𝑋7 + 116,75𝑋8
Papua 𝑌 = 9152,43 − 1,3336𝑋1 + 0,0968𝑋2 + 94,720𝑋3 − 2,5283𝑋4 −
Barat 130,40𝑋5 − 124,3𝑋6 + 0.0008𝑋7 + 117,78𝑋8
𝑌 = 11098,02 − 1,4704𝑋1 − 0,1042𝑋2 + 107,47𝑋3 − 1,8043𝑋4 −
Papua
134,83𝑋5 − 159,43𝑋6 + 0.0006𝑋7 + 128,228𝑋8
91
Lampiran 9. Nilai Koefisien Global Model MGWR
92
Lampiran 10. Nilai Koefisien Lokal Model MGWR
Provinsi 𝜷𝟎 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝜷𝟔 𝜷𝟕
Aceh -9856.62 2.6511 -0.0519 -257.429 118.9877 0.0242
Sumatera Utara -70.43 2.1351 -0.0099 -253.093 -6.2796 0.0220
Sumatera Barat 11738.57 1.1553 0.0646 -256.944 -148.8187 0.0181
Riau 14278.97 1.0402 0.0694 -231.800 -193.5096 0.0200
Jambi 15062.83 -0.1054 0.0720 -103.177 -239.2038 0.0177
Sumatera Selatan 10868.43 -0.6080 0.0763 -84.710 -191.8778 0.0217
Lengkulu 12705.67 0.0051 0.0762 -150.939 -190.8987 0.0152
Lampung 1674.55 0.4109 -0.0067 -60.043 -90.6190 0.0394

Kepulauan Bangka Belitung 3145.29 0.7684 -0.0324 -20.583 -116.9924 0.0426
Kepulauan Riau 11581.50 1.7547 -0.0460 -100.778 -216.3058 0.0444
Dki Jakarta -5010.02 2.0910 -0.0836 -90.892 5.4868 0.0427
Jawa Barat -7413.94 2.6408 -0.1044 -111.847 45.4523 0.0416
Jawa Tengah -11357.53 3.3201 -0.1167 -206.115 161.0769 0.0331
Di Yogyakarta -13379.96 3.3844 -0.1233 -215.022 178.2740 0.0354
Jawa Timur -10794.45 3.3147 -0.1068 -303.128 208.0704 0.0301
Banten -4063.13 1.4123 -0.0530 -95.741 -9.6785 0.0424
Bali 17603.05 2.3434 -0.0315 -96.784 -254.9231 0.0256
Nusa Tenggara Barat 16687.67 1.5435 -0.0081 -22.382 -268.3384 0.0229
Nusa Tenggara Timur 4678.54 1.0677 -0.0357 30.058 -130.9737 0.0329
Kalimantan Barat -5682.93 1.7333 0.0020 14.673 -28.9915 0.0139
Kalimanan Tengah -6987.85 2.4749 -0.0205 -237.622 103.5795 0.0147
Kalimantan Selatan 8432.01 1.9302 0.0295 -202.146 -116.9250 0.0156
Kalimantan Timur 4953.78 -0.6039 0.0914 -101.054 -98.1729 0.0128
Kalimantan Utara -15198.94 1.5641 -0.0331 -22.368 95.2101 0.0282
Sulawesi Utara -2455.39 2.9558 -0.1034 -90.217 35.7852 0.0300
Sulawesi Tengah -3013.62 1.7761 -0.0563 2.341 -32.7108 0.0317
Sulawesi Selatan 11441.30 0.0536 0.0487 -11.764 -210.4059 0.0169
Sulawesi Tenggara -20142.50 3.2136 -0.0861 -280.060 290.2190 0.0236
Gorontalo -4689.90 2.5444 -0.0893 -23.306 10.3105 0.0319
Sulawesi Barat 7146.33 -0.5303 0.0697 -23.966 -158.5314 0.0188
Maluku -1910.57 2.7704 -0.0887 -63.851 14.6614 0.0269
Maluku Utara -2324.46 2.8729 -0.0981 -67.035 21.1498 0.0290
Papua Barat -1509.82 2.7726 -0.0857 -89.094 24.2923 0.0258
Papua -1561.95 2.6815 -0.0775 -97.458 26.1866 0.0244
93
Lampiran 11. Model MGWR
Provinsi Model MGWR

𝑌 = −9856,62 + 2,6511𝑋1 − 0,0519𝑋2 − 257,421𝑋3
Aceh + 118,987𝑋6 + 0,0242𝑋7 + 1,9122𝑋4
+ 662,466𝑋5 − 530,322𝑋8
𝑌 = −70,43 + 2,1351𝑋1 − 0,0099𝑋2 − 253,093𝑋3 − 6,2796𝑋6
Sumatera
+ 0,0220𝑋7 + 1,9122𝑋4 + 662,466𝑋5
Utara
− 530,322𝑋8
𝑌 = 11738,5 + 1,1553𝑋1 + 0,0646𝑋2 − 256,944𝑋3 − 148,81𝑋6
Sumatera
+ 0,0181𝑋7 + 1,9122𝑋4 + 662,466𝑋5
Barat
− 530,322𝑋8
𝑌 = 14278,9 + 1,0402𝑋1 + 0,0694𝑋2 − 231,80𝑋3 − 193,50𝑋6
Riau + 0,0200𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = 15062,8 − 0,1054𝑋1 + 0,0720𝑋2 − 103,17𝑋3 − 239,20𝑋6
Jambi + 0,0177𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = 10868,4 − 0,6080𝑋1 + 0,0763𝑋2 − 84,710𝑋3 − 191,87𝑋6
Sumatera
+ 0,0217𝑋7 + 1,9122𝑋4 + 662,466𝑋5
selatan
− 530,322𝑋8
𝑌 = 12705,6 + 0,0051𝑋1 + 0,0762𝑋2 − 150,93𝑋3 − 190,89𝑋6
Bengkulu + 0,0152𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = 1674,5 + 0,4109𝑋1 − 0,0067𝑋2 − 60,043𝑋3 − 90,619𝑋6
Lampung + 0,0394𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
Kepulauan 𝑌 = 3145,2 + 0,7684𝑋1 − 0,0324𝑋2 − 20,583𝑋3 − 116,992𝑋6
bangka + 0,0426𝑋7 + 1,9122𝑋4 + 662,466𝑋5
belitung − 530,322𝑋8
𝑌 = 11581,5 + 1,7547𝑋1 − 0,0460𝑋2 − 100,778𝑋3 − 216,305𝑋6
Kepulauan
+ 0,0444𝑋7 + 1,9122𝑋4 + 662,466𝑋5
riau
− 530,322𝑋8
𝑌 = −5010,0 + 2,0910𝑋1 − 0,0836𝑋2 − 90,892𝑋3 + 5,4868𝑋6
DKI Jakarta + 0,0427𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = −7413,94 + 2,6408𝑋1 − 0,1044𝑋2 − 111,84𝑋3 + 45,452𝑋6
Jawa Barat + 0,0416𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = −11357,5 + 3,3201𝑋1 − 0,1167𝑋2 − 206,115𝑋3
Jawa Tengah + 161,076𝑋6 + 0,0331𝑋7 + 1,9122𝑋4
+ 662,466𝑋5 − 530,322𝑋8
𝑌 = −13379,9 + 3,3844𝑋1 − 0,1233𝑋2 − 215,02𝑋3 + 178,274𝑋6
DI Yogyakarta + 0,0354𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = −10794,4 + 3,3147𝑋1 − 0,168𝑋2 − 303,12𝑋3 + 208,07𝑋6
Jawa Timur + 0,0301𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
𝑌 = −4063,13 + 1,4123𝑋1 − 0,0530𝑋2 − 95,741𝑋3 − 9,6785𝑋6
Banten + 0,0424𝑋7 + 1,9122𝑋4 + 662,466𝑋5
− 530,322𝑋8
94
Lampiran 11. Model MGWR (Lanjutan)
Provinsi Model MGWR

𝑌 = 17603,05 + 2,3434𝑋1 − 0,0315𝑋2 − 96,784𝑋3 − 254,92𝑋6
Bali
+ 0,0256𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Nusa
𝑌 = 16687,6 + 15435𝑋1 − 0,0081𝑋2 − 22,382𝑋3 − 268,3384𝑋6
Tenggara
+ 0,0229𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Barat
Nusa
𝑌 = 4678,54 + 1,0677𝑋1 − 0,0357𝑋2 + 30,058𝑋3 − 130,973𝑋6
Tenggara
+ 0,0329𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Timur
Kalimantan 𝑌 = −5682,9 + 1,7333𝑋1 + 0,0020𝑋2 + 14,673𝑋3 − 28,9915𝑋6
Barat + 0,0139𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Kalimanan 𝑌 = −6987,8 + 2,4749𝑋1 − 0,0205𝑋2 − 237,62𝑋3 + 103,579𝑋6
Tengah + 0,0147𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Kalimantan 𝑌 = 8432,01 + 1,9302𝑋1 + 0,0295𝑋2 − 202,146𝑋3 − 116,925𝑋6
Selatan + 0,0156𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Kalimantan 𝑌 = 4953,78 − 0,6039𝑋1 + 0,0914𝑋2 − 101,054𝑋3 − 98,1729𝑋6
Timur + 0,0128𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Kalimantan 𝑌 = 15198,9 + 1,5641𝑋1 − 0,0331𝑋2 − 22,368𝑋3 + 95,210𝑋6
Utara + 0,0282𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Sulawesi 𝑌 = −2455,39 + 2,9558𝑋1 − 0,1034𝑋2 − 90,217𝑋3 + 35,7852𝑋6
Utara + 0,0300𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Sulawesi 𝑌 = −3013,6 + 1,7761𝑋1 − 0,0563𝑋2 + 2,341𝑋3 − 32,710𝑋6
Tengah + 0,0317𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Sulawesi 𝑌 = 11441,3 + 0,0536𝑋1 + 0,0487𝑋2 − 11,764𝑋3 − 210,405𝑋6
Selatan + 0,0169𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Sulawesi 𝑌 = −20142,5 + 3,2136𝑋1 − 0,0861𝑋2 − 280,06𝑋3 + 290,21𝑋6
Tenggara + 0,0236𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
𝑌 = −4689,9 + 2,5444𝑋1 − 0,0893𝑋2 − 23,306𝑋3 + 10,3105𝑋6
Gorontalo
+ 0,0319𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Sulawesi 𝑌 = 7146,33 − 0,5303𝑋1 + 0,0697𝑋2 − 23,966𝑋3 − 158,531𝑋6
Barat + 0,0188𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
𝑌 = −1910,57 + 2,7704𝑋1 − 0,0887𝑋2 − 963,851𝑋3 + 14,6614𝑋6
Maluku
+ 0,0269𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
Maluku 𝑌 = −2324,46 + 2,8729𝑋1 − 0,0981𝑋2 − 67,035𝑋3 + 21,1498𝑋6
Utara + 0,0290𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
𝑌 = −1509,8 + 2,7726𝑋1 − 0,0857𝑋2 − 89,094𝑋3 + 24,2923𝑋6
Papua Barat
+ 0,0258𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
𝑌 = −1561,9 + 2,6815𝑋1 − 0,0775𝑋2 − 97,458𝑋3 + 26,1866𝑋6
Papua
+ 0,0244𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
95
Lampiran 12. Hasil Uji Parsial Parameter Lokal Model MGWR
Provinsi 𝒕𝒉𝒊𝒕𝒖𝒏𝒈 _𝑿𝟏 𝒕𝒉𝒊𝒕𝒖𝒏𝒈 _𝑿𝟐 𝒕𝒉𝒊𝒕𝒖𝒏𝒈 _𝑿𝟑 𝒕𝒉𝒊𝒕𝒖𝒏𝒈 _𝑿𝟔 𝒕𝒉𝒊𝒕𝒖𝒏𝒈 _𝑿𝟕
Aceh 6.3281 -2.4791 -4.2297 0.7306 5.9772
Sumatera Utara 4.7374 -0.3734 -4.2538 -0.0373 5.0425
Sumatera Barat 2.2824 1.7392 -4.1193 -0.8555 3.6524
Riau 2.0530 1.9235 -3.8303 -1.1069 4.0706
Jambi -0.1890 2.9414 -1.8474 -1.3600 3.4275
Sumatera Selatan -0.9968 3.0357 -1.4651 -1.1012 4.7065
Lengkulu 0.0092 3.0874 -2.5829 -1.0928 2.9168
Lampung 0.7984 -0.2914 -1.0122 -0.5271 8.3097
Kepulauan Bangka
1.5752 -1.3740 -0.3659 -0.6751 8.0377
Belitung
Kepulauan Riau 3.9062 -1.9278 -1.8074 -1.2330 9.0354
Dki Jakarta 4.8665 -3.8315 -1.4443 0.0313 8.3831
Jawa Barat 5.8612 -4.6967 -1.7007 0.2537 7.9872
Jawa Tengah 6.8631 -5.2494 -2.7155 0.8495 6.8123
Di Yogyakarta 6.8978 -5.4300 -2.7343 0.9219 7.0797
Jawa Timur 6.8675 -4.7611 -2.8600 1.1746 6.8812
Banten 3.2049 -2.4638 -1.5137 -0.0561 8.8368
Bali 5.6651 -1.3942 -1.3761 -1.3585 6.6187
Nusa Tenggara Barat 3.5987 -0.2947 -0.3154 -1.4308 4.9504
Nusa Tenggara Timur 1.5467 -0.9819 0.4041 -0.7071 4.0470
Kalimantan Barat 3.1229 0.0843 0.1513 -0.1537 3.1207
Kalimanan Tengah 4.5790 -0.7721 -2.5222 0.5077 3.1818
Kalimantan Selatan 4.4983 1.0770 -3.3683 -0.6621 3.5129
Kalimantan Timur -0.9020 3.2249 -1.5745 -0.5377 2.4103
Kalimantan Utara 3.1054 -1.5183 -0.3232 0.5115 6.1398
Sulawesi Utara 6.2340 -4.6016 -1.3218 0.1977 5.3604
Sulawesi Tengah 3.0312 -2.0588 0.0356 -0.1818 5.3691
Sulawesi Selatan 0.0947 1.8152 -0.1894 -1.1511 3.1771
Sulawesi Tenggara 6.8811 -4.0034 -2.6523 1.6724 5.8933
Gorontalo 4.8829 -3.6160 -0.3475 0.0571 5.3187
Sulawesi Barat -0.8295 2.5037 -0.3940 -0.8755 3.7756
Maluku 5.8090 -3.9942 -0.8732 0.0817 5.1524
Maluku Utara 5.9791 -4.3140 -0.9513 0.1173 5.1956
Papua Barat 6.0488 -4.0248 -1.2480 0.1359 5.3344
Papua 5.9961 -3.7428 -1.3836 0.1476 5.4621
96
Lampiran 13. Syntax Analisis Data
#input data
library(readxl)
DirDir <- read_excel("TA/Data & Syntax/Bismillah Fix.xlsx")
DirDir
#ringkasan data
summary(DirDir)
str(DirDir)
DirDir$LONGITUDE<-as.numeric(as.character(DirDir$LONGITUDE))
DirDir$LATITUDE<-as.numeric(as.character(DirDir$LATITUDE))
#Standarisasi data
data2=data.frame(DirDir[2:10]) #Mengambil kolom yang digunakan
data2
data2$Y<-as.numeric(as.character(data2$Y))
data2$X1<-as.numeric(as.character(data2$X1))
LONGITUDE<-as.numeric(DirDir$LONGITUDE)
LATITUDE<-as.numeric(DirDir$LATITUDE)
datanya <- scale(data2) #Standarisasi atau scalling data
#datastand <- datastand[,-c(8:11)]

datafix<- data.frame(data2,LONGITUDE,LATITUDE)
datafix
# === SYNTAX REGRESI LINIER BERGANDA

#estimasi regresi linear berganda
regglo1=lm(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix)
summary(regglo1)
#nilai f tabel
ftabel=qf(.95, df1=8, df2=25)
ftabel
97
Lampiran 13. Syntax Analisis Data (Lanjutan)
#nilai t tabel
ttabel=qt(.025, 25)
ttabel
#Package Uji Asumsi

library(car) #Uji Multikol
library(lmtest) #Uji Homokedastisitas
library(carData)
library(MLmetrics)
#uji asumsi klasik

shapiro.test(regglo1$residuals) #normalitas
dwtest(regglo1) #autokorelasi
#homoskedastisitas
library(skedastic)
glejser(regglo1)
vif(regglo1) #multikolinearitas
#heterogenitas spasial
bptest(regglo1, data=datafix)
#kebaikan model
AIC(regglo1)
#estimasi parameter tanpa var x2,x3,x5,x6,x8
regglo2=lm(Y~X1+X4+X7,data=datafix)
summary(regglo2)
library(GWmodel)
library(spgwr)
datafix
ll<-as.matrix(datafix[10:11]) #koordinat
ll
library(fields)
#jarak euclidean
dij=rdist(ll)
dij
###fungsi pembobot###
######FIXED GAUSSIAN
fixgauss=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt=FA
LSE,coords=cbind(datafix$LONGITUDE,datafix$LATITUDE),
98
gweight=gwr.Gauss)
gwr.fixgauss=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,bandwidt
h=fixgauss,coords=cbind(datafix$LONGITUDE,datafix$LATITUD
E),hatmatrix=TRUE,gweight=gwr.Gauss)
gwr.fixgauss
#####Addaptive GAUSSIAN
#bandwidth
adaptgauss=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt=T
RUE,coords=cbind(datafix$LATITUDE,datafix$LONGITUDE),gw
eight=gwr.Gauss)
#estimasi parameter
gwr.adaptgauss=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt=
adaptgauss,coords=cbind(datafix$LATITUDE,datafix$LONGITUD
E),hatmatrix=TRUE,gweight=gwr.Gauss)
gwr.adaptgauss
#####FIXED BISQUARE
#bandwidth
assign("last.warning", NULL, envir = baseenv())
fixbisquare=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt=F
ALSE,coords=cbind(datafix$LATITUDE,datafix$LONGITUDE),g
weight=gwr.bisquare)
#estimasi parameter
gwr.fixbisquare=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,bandw
idth=fixbisquare,coords=cbind(datafix$LATITUDE,datafix$LONG
ITUDE),hatmatrix=TRUE,gweight=gwr.bisquare)
gwr.fixbisquare
######ADAPT BISQUARE
#bandwidth
adaptbisquare=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,
data=datafix,adapt=TRUE,coords=cbind(datafix$LATITUDE,datafi
x$LONGITUDE),gweight=gwr.bisquare)
#estimasi parameter
gwr.adaptbisquare=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,ada
pt=adaptbisquare,coords=cbind(datafix$LATITUDE,datafix$LON
GITUDE),hatmatrix=TRUE,gweight=gwr.bisquare)
gwr.adaptbisquare
99
#####FIXED TRICUBE
#bandwidth
fixtricube=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt=
FALSE,coords=cbind(datafix$LATITUDE,datafix$LONGIT
UDE),gweight=gwr.tricube)
#estimasi parameter
gwr.fixtricube=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,bandwid
th=fixtricube,coords=cbind(datafix$LATITUDE,datafix$LON
GITUDE),hatmatrix=TRUE, gweight=gwr.tricube)
gwr.fixtricube
#####TRICUBE ADAPTIVE
#bandwidth
adapttricube=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt=
TRUE,coords=cbind(datafix$LATITUDE,datafix$LONGITU
DE),gweight=gwr.tricube)
#estimasi parameter
gwr.adapttricube=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,adapt
=adapttricube,coords=cbind(datafix$LATITUDE,datafix$LO
NGITUDE),hatmatrix=TRUE,gweight=gwr.tricube)
gwr.adapttricube
# === SYNTAX GWR

adaptbisquare=gwr.sel(Y~X1+X2+X3+X4+X5+X6+X7+X8,
data=datafix,adapt=TRUE,coords=cbind(datafix$LATITUDE,
datafix$LONGITUDE),gweight=gwr.bisquare)
#estimasi parameter
gwr.adaptbisquare=gwr(Y~X1+X2+X3+X4+X5+X6+X7+X8,data=datafix,ada
pt=adaptbisquare,coords=cbind(datafix$LATITUDE,datafix$
LONGITUDE),hatmatrix=TRUE,gweight=gwr.bisquare)
gwr.adaptbisquare
adj_r2 <- summary(gwr.adaptbisquare)

names(gwr.adaptbisquare)
names(gwr.adaptbisquare$SDF)
#Menampilkan nilai koefisien beta

gwr.adaptbisquare$SDF$"(Intercept)" #Beta0
gwr.adaptbisquare$SDF$X1 #Beta1
100
KoefGWR<- data.frame(gwr.adaptbisquare$SDF$"(Intercept)",
gwr.adaptbisquare$SDF$X1, gwr.adaptbisquare$SDF$X2,
gwr.adaptbisquare$SDF$X3,gwr.adaptbisquare$SDF$X4,
gwr.adaptbisquare$SDF$X5, gwr.adaptbisquare$SDF$X6,
gwr.adaptbisquare$SDF$X7, gwr.adaptbisquare$SDF$X8)
View(KoefGWR)
#Uji Kecocokan Model

BFC02.gwr.test(gwr.adaptbisquare)
ftabelgwr=qf(.95, df1=25.000, df2=5.7469)
ftabelgwr
#Melihat nilai bandwidth

gwr.adaptbisquare$bandwidth
bw<- data.frame(gwr.adaptbisquare$bandwidth)
View(bw)
#Menampilkan Nilai koefisien

gwr.adaptbisquare$SDF[,2:11]
#Menampilkan t-hitung
t_X1=gwr.adaptbisquare$SDF$X1/gwr.adaptbisquare$SDF$X1_se
ThitGWR<- data.frame(t_X1,t_X2,t_X3,t_X4,t_X5,t_X6,t_X7,t_X8)
#Uji variabilitas spasial
LMZ.F3GWR.test(gwr.adaptbisquare)
101
# === SYNTAX MGWR
#MENDEFINISIKAN VARIABEL
bw=gwr.adaptbisquare$bandwidth
y=as.matrix(datafix$Y)
y
lat=as.matrix(datafix$LATITUDE)
lon=as.matrix(datafix$LONGITUDE)
satu=rep(1,34)
xll=data.frame(satu, datafix$X1, datafix$X2, datafix$X3, datafix$X6,
datafix$X7)
xl=as.matrix(cbind(xll$satu,datafix$X1, datafix$X2, datafix$X3, datafix$X6,
datafix$X7))
xg=as.matrix(cbind(datafix$X4, datafix$X5, datafix$X8))
x=as.matrix(cbind(xl,xg))
ng=ncol(xg)
nl=ncol(xl)
n=length(y)
I <- diag(1, n, n)
W <- matrix(0, n, n)
d <- matrix(0, n, n)
for (j in 1:n) {
d[i, j] <- sqrt((lat[i, 1] - lat[j, 1])^2 + (lon[i, 1] - lon[j, 1])^2)
W[i, j] <- (1- (d[i, j]/bw[i])^2)^2
}
}
beta.l=matrix(0,nl,n) #MATRIKS BETA LOKAL

beta.l
Sl=matrix(0,n,n)
beta.g=((((solve(((t(xg)%*%t(I-Sl))%*%(I-Sl))%*%xg))%*%t(xg))%*%t(I-
Sl))%*%(I-Sl))%*%y
beta.g #BETA GLOBAL
for (i in 1:n)
{
Sl[i,]=((xl[i,]%*%(solve((t(xl)%*%diag(W[,i]))%*%xl)))%*%t(xl))%*%diag(
W[,i])
beta.l[,i]=((solve((t(xl)%*%diag(W[,i]))%*%xl)%*%t(xl)%*%diag(W[,i]))%*
%(y-(xg%*%beta.g)))
102
}
Sg=(xg%*%solve(t(xg)%*%xg))%*%t(xg)
S=Sl+((((((ISl)%*%xg)%*%solve(((t(xg)%*%t(ISl))%*%(ISl))%*%xg))%*%t
(xg))%*%t(I-Sl))%*%(I-Sl))
S
y.hat=S%*%y
y.hat #PREDIKSI
residual=(I-S)%*%y
H=(x%*%solve(t(x)%*%x))%*%t(x)
v=c(0,0)
u=c(0,0)
r=c(0,0)
t=c(0,0)
library(psych)
for (i in 1:2)
{
v[1]=tr(((I-H)-(t(I-S)%*%(I-S)))î)
u[i]=tr((t(I-S)%*%(I-S))î)
r[i]=tr((t(I-Sl)%*%(I-Sl)-t(I-S)%*%(I-S))î)
t[i]=tr((t(I-Sg)%*%(I-Sg)-t(I-S)%*%(I-S))î)
}
F1=as.vector((((t(y)%*%((I-H)-(t(I-S)%*%(IS))))%*%y)/v[1])/((((t(y)%*%t(I-
S))%*%(I-S))%*%y)/u[1]))
df1.1=(v[1]^2/v[2])
df2=(u[1]^2)/u[2]
F2=as.vector((((t(y)%*%(((t(ISl)%*%(ISl))(t(IS)%*%(IS)))))%*%y)/r[1])/((((t
(y)%*%t(I-S))%*%(I-S))%*%y)/u[1]))
df1.2=(r[1]^2/r[2])
F3=as.vector((((t(y)%*%(((t(I-Sg)%*%(I-Sg))-(t(I-S)%*%(I-
S)))))%*%y)/t[1])/((((t(y)%*%t(I-S))%*%(I-S))%*%y)/u[1]))
df1.3=(t[1]^2/t[2])
df=(u[1]^2/t[2])
F=as.vector(rbind(F1,F2,F3))
df1=c(df1.1,df1.2,df1.3)
p.value=as.vector(matrix(0,3,1))
for (i in 1:3)
{
p.value[i]=1-(pf(F[i], df1=df1[i], df2=df2))
}
103
Uji.Serentak=cbind(F,df1,df2,p.value)
Uji.Serentak
ftabel1=qf(.95, df1=0, df2=28.45008)
ftabel1
ftabel2=qf(.95, df1=10.77950, df2=28.45008)
ftabel2
ftabel3=qf(.95, df1=15.52617, df2=28.45008)
ftabel3
G=((solve(((t(xg)%*%t(I-Sl))%*%(I-Sl))%*%xg)%*%t(xg))%*%t(I-
Sl))%*%(I-Sl)
gkk=diag(G%*%t(G))
t.g=as.vector(matrix(0,ng,1))
p.val=as.vector(matrix(0,ng,1))
sigma=as.vector(sqrt(((((t(y)%*%t(I-S))%*%(I-S))%*%y)/n)))
for (i in 1:ng)
{
t.g[i]=beta.g[i]/(sigma*sqrt(gkk[i]))
}
Uji.Parsial.Global=cbind(t.g,df,p.val)
Uji.Parsial.Global
ttabel=qt(.025, 118.4705 )
ttabel
sigma=as.vector(sqrt(((((t(y)%*%t(I-S))%*%(I-S))%*%y)/n)))
t.hit.l=matrix(0,nl,n)
pvalue=matrix(0,nl,n)
ringkasan=matrix(0,n,2*nl)
for (i in 1:n)
{
M=((((solve(((t(xl)%*%diag(W[,i]))%*%xl)))%*%t(xl))%*%diag(W[,i]))%*%
(I-(xg%*%G)))
m=diag(M%*%t(M))
m=as.matrix(m)
for (j in 1:nl)
{
t.hit.l[j,i]=beta.l[j,i]/(sigma*(sqrt(m[j,])))
pvalue[j,i]=pt(t.hit.l[j,i],df=df2,lower.tail=TRUE)
}
ringkasan[i,]=t(cbind(t.hit.l[,i],pvalue[,i]))
}
thitlokal=as.data.frame(t.hit.l)
104
View(thitlokal)
ringkasan #nilai t, nilai pval, dst#
AICc=(2*n*log(sigma))+(n*log(2*pi))+((n*((n+tr(S)))/(n-2-tr(S))))
AIC=(2*n*log(sigma))+(n*log(2*pi))+n+tr(S)
resid=y-y.hat
sigu=(t(resid))%*%resid
ym=y-mean(y)
rsqrt1=sigu
rsqrt2=t(ym)%*%ym
rsqrt=1-(rsqrt1/rsqrt2) #r-squared#
rsqrt1=rsqrt1/(n-ng-nl)
rsqrt2=rsqrt2/(n-1)
rbar=1-(rsqrt1/rsqrt2) #rbar-squared#
beta.g #Nilai Estimasi Parameter global
beta.l #(Nilai Estimasi Parameter lokal Uji MGWR Masing-Masing
Kabupaten/Kota dengan Pembobot Kernal Adaptif bisquare)
beta.lokal=as.data.frame(beta.l)
View(beta.lokal)
Uji.Serentak #(F1, F2, dan F3)
Uji.Parsial.Global # UNTUK PARSIAL GLOBAL
ringkasan #(stat uji-t dan p-value) UNTUK PARSIAL LOKAL
rsqrt
105
106
RIWAYAT HIDUP
Penulis bernama lengkap Saffana Dirah Intani Lalu, lahir di

Luwuk pada tanggal 25 Desember 2001. Terlahir sebagai
anak pertama dari tiga bersaudara dari Bapak Sukriyadi Lalu
dan Ibu Umrah Madjido. Penulis memulai pendidikan dasar
di SDN Inpres 6 Luwuk pada tahun 2007, kemudian
melanjutkan pendidikan menengah di MTs Alkhairaat
Madinatul Imli Dolo pada tahun 2013 dan melanjutkan
Pendidikan sekolah menengah atas di SMA Negeri 1 Luwuk pada tahun 2016.
Penulis kemudian melanjutkan pendidikan perguruan tinggi di Universitas
Tadulako pada tahun 2019. Terdaftar sebagai mahasiswa angkatan kedelapan di
Program Studi Statistika, Jurusan Matematika, Fakultas Matematika dan Ilmu
Pengetahuan Alam. Selama menyandang status sebagai mahasiswa, penulis pernah
menjadi anggota pengurus HIMASTIKA periode 2021-2022.
107

Skripsi Universitas Tadulako

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Universitas Tadulako

Diunggah oleh

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh

Palu,29 September 2023

BAB II TINJAUAN PUSTAKA 5

BAB IV HASIL DAN PEMBAHASAN 35

Tabel 2.1 : Interpretasi Uji Autokorelasi 9

Tabel 3.1 : Variabel Penelitian 31

Tabel 4.1 : Hasil Analisis Deskriptif 35

Tabel 4.2 : Hasil Standarisasi Data 38

Tabel 4.3 : Nilai Estimasi Parameter Model Regresi Linier Berganda 39

Tabel 4.4 : Hasil Uji Simultan (Uji F) 41

Tabel 4.5 : Hasil Uji Parsial (Uji t) 42

Tabel 4.6 : Hasil Uji Shapiro-Wilk 43

Tabel 4.7 : Hasil Uji Durbin-Watson 43

Tabel 4.8 : Nilai VIF Uji Multikolinearitas 44

Tabel 4.9 : Hasil Uji Breusch-Pagan 45

Tabel 4.10 : Jarak Euclidean 46

Tabel 4.11 : Perbandingan Fungsi Kernel 47

Tabel 4.12 : Nilai Bandwidth Adaptive Bisquare Kernel GWR 47

Tabel 4.13 : Matriks Pembobot Adaptive Bisquare Kernel GWR 48

Tabel 4.14 : Nilai Estimasi Parameter Model GWR 49

Tabel 4.15 : Hasil Uji Kesesuaian Model GWR 51

Tabel 4.16 : Hasil Uji Parsial Parameter Model GWR 51

Tabel 4.17 : Kelompok Variabel Signifikan dalam Model GWR 52

Tabel 4.18 : Hasil Uji Variabilitas Spasial 54

Tabel 4.19 : Hasil Uji Kesesuaian Model MGWR 57

Tabel 4.20 : Hasil Uji Simultan Parameter Global MGWR 58

Tabel 4.22 : Hasil Uji Parsial Parameter Global MGWR 60

Tabel 4.23 : Hasil Uji Parsial Parameter Lokal MGWR 60

Tabel 4.24 : Variabel Independen Lokal Signifikan dalam Model MGWR 61

Tabel 4.25 : Kelompok Variabel Signifikan dalam Model MGWR 62

Tabel 4.26 : Nilai Adjusted-R2 Model 63

𝑦𝑖 : data aktual pada pengamatan ke-i

𝑦̂𝑖 : hasil prediksi pada pengamatan ke-i

𝑦̅ : rata-rata variabel dependen

DW : nilai Durbin Watson

𝑒2 : kuadrat residual untuk pengamatan

𝑍 : vektor variabel respon Y

𝛽𝑘 : koefisien regresi ke-k

𝑑𝑖𝑗 : jarak euclidean

𝑢 : koordinat latitude (lintang)

𝑣 : koordinat longitude (bujur)

𝛽̂𝑔 : estimasi parameter global model MGWR

𝑋𝑙 : variabel independen lokal

𝑋𝑔 : variabel independen global

𝐴𝐼𝐶 : akaike information criterion

Lampiran 1 : Data Penelitian 71

Lampiran 2 : Data Hasil Standarisasi 73

Lampiran 3 : Jarak Euclidean 75

Lampiran 4 : Nilai Bandwidth Adaptive Bisquare Kernel GWR 80

Lampiran 5 : Matriks Pembobot Adaptive Bisquare Kernel GWR 81

Lampiran 6 : Nilai Koefisien Model GWR 86

Lampiran 7 : Hasil Uji Signifikansi Parameter Model GWR 88

Lampiran 8 : Model GWR 90

Lampiran 9 : Nilai Koefisien Global Model MGWR 92

Lampiran 10 : Nilai Koefisien Lokal Model MGWR 93

Lampiran 11 : Model MGWR 94

Lampiran 12 : Hasil Uji Parsial Parameter Lokal Model MGWR 96

Lampiran 13 : Syntax Analisis Data 97

1.1 Latar Belakang

Pneumonia di negara berkembang hampir 30% terjadi pada anak dibawah

Menurut Indah dkk. (2022) faktor yang dapat mempengaruhi penyakit

Jumlah penderita pneumonia di Indonesia tentunya berbeda-beda dikarenakan