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.
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
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 V PENUTUP 65
5.1 Kesimpulan 65
5.2 Saran 65
DAFTAR PUSTAKA
LAMPIRAN
RIWAYAT HIDUP
x
DAFTAR TABEL
xvi
Tabel 4.21 : Hasil Uji Simultan Parameter Lokal MGWR 58
xv
DAFTAR SIMBOL
𝑌 : variabel dependen
𝑧 : nilai z-score
𝑠 : standari deviasi
𝑥̅ : nilai rata-rata
𝑋𝑗 : variabel indpenden
𝜀 : nilai error
BP : nilai Breusch-Pagan
𝜎2 : varians
𝛽0 : intercept
𝐼 : matriks identitas
ℎ : bandwidth
xvi
𝛽̂𝑙 : estimasi parameter lokal model MGWR
n : jumlah observasi
𝜋 : 3,14
S : matriks proyeksi
R2 : koefisien determinasi
xv
DAFTAR LAMPIRAN
xvi
BAB I
PENDAHULUAN
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).
1
berhubungan dengan vaksin Streptococcus pneumoniae dan Haemophilus
influenzae type b, serta vaksin campak dan pertussis.
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.
3
2. Untuk memperoleh faktor-faktor global dan lokal yang berpengaruh
secara signifikan terhadap kasus pneumonia di Indonesia Tahun 2021.
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
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).
𝑥𝑖 −𝑥̅
𝑧= (2.1)
𝑠
dimana:
𝑧 : nilai z-score
𝑠 : standari deviasi
𝑥̅ : nilai rata-rata
𝑥𝑖 : nilai data ke-i
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
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
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
3. Uji 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
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.
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:
Tolak H0 , sehingga kesimpulan yang diperoleh adalah terdapat
variabel independen yang berpengaruh secara signifikan terhadap
variabel dependen.
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:
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.
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
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 .
2
∑𝑛𝑗=1 𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 )𝜀𝑗2 = ∑𝑛𝑗 𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) [𝑦𝑗 − 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) − ∑𝑝𝑘=1 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑋𝑗𝑘 ] (2.11)
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 )]
Jika ada 𝑛 lokasi, maka estimasi ini adalah estimasi untuk setiap baris dan
matriks parameter lokal dari semua lokasi yang ditunjukkan sebagai berikut:
15
2.6 Uji Hipotesis Model GWR
Pengujian hipotesis yang dilakukan terdiri dua uji, yaitu uji kebaikan model
dan uji signifikansi parameter model.
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:
Tolak H0 , sehingga kesimpulan yang diperoleh adalah terdapat
perbedaan antara model regresi linier dengan model GWR.
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:
Tolak H0 , sehingga kesimpulan yang diperoleh adalah terdapat
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 𝑑𝑖𝑗 2
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = exp [− 2 ( ℎ ) ] (2.18)
1 𝑑𝑖𝑗 2
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = exp [− 2 ( ℎ ) ] (2.19)
𝑖
𝑑 2 2
(1 − ( 𝑖𝑗 ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ𝑖
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ 𝑖 (2.21)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ𝑖
𝑑 3 3
(1 − ( 𝑖𝑗 ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ (2.22)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ
𝑑 3 3
(1 − ( 𝑖𝑗 ) ) , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 ≤ ℎ𝑖
𝑊𝑗 (𝑢𝑖 , 𝑣𝑖 ) = { ℎ 𝑖 (2.23)
0 , 𝑢𝑛𝑡𝑢𝑘 𝑑𝑖𝑗 > ℎ𝑖
18
dengan:
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):
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.
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:
Kriteria penolakan:
Tolak H0, jika 𝐹 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, dengan derajat
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
20
2.9 Mixed Geographically Weighted Regression (MGWR)
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
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
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:
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
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 )
Kriteria penolakan:
Tolak H0 , jika 𝐹1ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, dengan
23
Kesimpulan:
Apabila nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, maka tolak H0 . Sehingga kesimpulan
yang diperoleh adalah terdapat perbedaan antar model MGWR dengan
regresi linier.
Statistik uji:
𝑦 𝑇 [(𝐼−𝑆𝑙 )𝑇−(𝐼−𝑆)𝑇(𝐼−𝑆)]𝑦/𝑟𝑖
𝐹2 = ( ) (2.33)
𝑦 𝑇 (𝐼−𝑆)𝑇 (𝐼−𝑆)𝑦/𝑢𝑖
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
Kesimpulan:
Apabila nilai 𝐹1ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ), maka tolak H0 . Sehingga
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)
𝑦 𝑇 (𝐼−𝑆)𝑇 (𝐼−𝑆)𝑦/𝑢𝑖
dengan:
𝑇 𝑖
𝑡𝑖 = 𝑡𝑟 ([(𝐼 − 𝑆𝑔 ) (𝐼 − 𝑆𝑔 ) − (𝐼 − 𝑆)𝑇 (𝐼 − 𝑆)] ) ; = 1,2, … , 𝑛
Kriteria penolakan:
Tolak H0 , jika 𝐹3ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ), dengan derajat kebebasan
Kesimpulan:
Apabila nilai 𝐹3ℎ𝑖𝑡 ≥ 𝐹(𝛼,𝑑𝑓1 ,𝑑𝑓2 ), maka tolak H0 . Sehingga
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
26
Statistik uji:
̂ (𝑢𝑖 ,𝑣𝑖 )
𝛽
𝑇𝑔_ℎ𝑖𝑡 = ( 𝜎̂𝑘 ) (2.36)
√𝑚𝑘𝑘
dengan:
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
Uji kebaikan model dapat dilakukan dengan beberapa metode, antara lain
yaitu Koefisien determinasi (R2) dan nilai Akaike Information Criterion
(AIC).
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
n : jumlah observasi
𝜋 : 3,14
S : matriks proyeksi
∑𝑛 (𝑦̂ −𝑦̅)2
𝑅2 = ∑𝑖=1 𝑖
𝑛 (𝑦 −𝑦
̅)2
× 100% (2.38)
𝑖=1 𝑖
dimana:
n : jumlah observasi
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
Ya
Tidak
Uji asumsi
heteroskedastisitas
Ya
Analisis Geographically
Weighted Regression (GWR)
Tidak
Uji variabilitas
spasial
Ya
Aalisis Mixed Geographically
Weighted Regression (MGWR)
Kesimpulan
Selesai
29
Halaman ini sengaja dikosongkan
30
BAB III
METODE 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.
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:
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
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 analisis deskriptif yang tertera pada Tabel 4.1, akan diuraikan sebagai
berikut:
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.
36
6. Imunisasi DPT-Hib 3 (𝑋5 )
Berdasarkan Tabel 4.1 dapat diketahui bahwa persentase pemberian
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%.
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 yang sama akan dilakukan untuk semua variabel pada data asli,
sehingga diperoleh data hasil standarisasi yang dapat dilihat pada Tabel 4.2.
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.
Berdasarkan Persamaan 2.2 dan hasil estimasi parameter pada Tabel 4.3,
dapat diperoleh model regresi linier berganda sebagai berikut:
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.
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.
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
𝑋3 -0,527 0,603 Gagal tolak H0
𝑋4 2,113 0,042 Tolak H0
𝑋5 -1,237 0,227 Gagal tolak H0
𝑋6 1,896 0,069 Gagal tolak H0
𝑋7 3,667 0,001 Tolak H0
𝑋8 -1,474 0,153 Gagal 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.
1. Uji Normalitas
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
Test 𝑾 P-value
Shapiro-Wilk 0,94241 0,07276
2. Uji Autokorelasi
𝑻𝒆𝒔𝒕 DW dL dU P-value
Durbin-Watson 1,7317 0,9497 2,0688 0,1642
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
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
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)
Test BP P-value
Breusch-Pagan 19,406 0,01283
45
2.24 dengan R code yang digunakan dapat dilihat pada Lampiran 13.
Sehingga diperoleh nilai jarak euclidean yang disajikan dalam Tabel
4.10.
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
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
47
4.4.3 Matriks Pembobot
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.
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
49
lengkap dapat dilihat pada Lampiran 6. Sebagai contoh pada provinsi
Aceh dengan menggunakan Persamaan 2.9, model GWR yang
terbentuk adalah sebagai berikut:
50
Tabel 4.15 Hasil Uji Kesesuaian Model GWR
Model 𝑭𝒉𝒊𝒕𝒖𝒏𝒈 𝑭𝒕𝒂𝒃𝒆𝒍 P-value
GWR 12,712 3,9772 0,00271
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
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
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)
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)
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.
55
𝑌𝐴𝑐𝑒ℎ = −9856,62 + 2,6511𝑋1 − 0,0519𝑋2 − 257,421𝑋3 + 118,987𝑋6 +
0,0242𝑋7 + 1,9122𝑋4 + 662,466𝑋5 − 530,322𝑋8
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)
57
H1 : 𝛽𝑘 ≠ 0; 𝑘 = 4, 5 dan 8 (minimal ada satu variabel global yang
berpengaruh secara simultan terhadap variabel dependen)
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.
59
Tabel 4.22 Hasil Uji Parsial Parameter Global MGWR
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:
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.
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.
Model Adjusted-R2
MGWR 0,9456
63
Halaman ini sengaja dikosongkan
64
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan yang telah dilakukan pada penelitian ini,
maka dapat diperoleh kesimpulan sebagai berikut:
5.2 Saran
65
Halaman ini sengaja dikosongkan
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
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
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
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
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
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
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
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
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
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.
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)
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
Lampiran 3. Jarak Euclidean (Lanjutan)
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
Lampiran 3. Jarak Euclidean (Lanjutan)
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
Lampiran 3. Jarak Euclidean (Lanjutan)
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)
82
Lampiran 5. Matriks Pembobot Adaptive Bisquare Kernel GWR (Lanjutan)
83
Lampiran 5. Matriks Pembobot Adaptive Bisquare Kernel GWR (Lanjutan)
84
Lampiran 5. Matriks Pembobot Adaptive Bisquare Kernel GWR (Lanjutan)
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
88
Lampiran 7. Hasil Uji Signifikansi Parameter Model GWR (Lanjutan)
89
Lampiran 8. Model GWR
90
Lampiran 8. Model GWR (Lanjutan)
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
93
Lampiran 11. Model MGWR
94
Lampiran 11. Model MGWR (Lanjutan)
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))
data2$X2<-as.numeric(as.character(data2$X2))
data2$X3<-as.numeric(as.character(data2$X3))
data2$X4<-as.numeric(as.character(data2$X4))
data2$X5<-as.numeric(as.character(data2$X5))
data2$X6<-as.numeric(as.character(data2$X6))
data2$X7<-as.numeric(as.character(data2$X7))
data2$X8<-as.numeric(as.character(data2$X8))
LONGITUDE<-as.numeric(DirDir$LONGITUDE)
LATITUDE<-as.numeric(DirDir$LATITUDE)
#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
#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
Lampiran 13. Syntax Analisis Data (Lanjutan)
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
Lampiran 13. Syntax Analisis Data (Lanjutan)
#####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
100
Lampiran 13. Syntax Analisis Data (Lanjutan)
gwr.adaptbisquare$SDF$X3 #Beta3
gwr.adaptbisquare$SDF$X4 #Beta4
gwr.adaptbisquare$SDF$X5 #Beta5
gwr.adaptbisquare$SDF$X6 #Beta6
gwr.adaptbisquare$SDF$X7 #Beta7
gwr.adaptbisquare$SDF$X8 #Beta8
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)
#Menampilkan t-hitung
t_X1=gwr.adaptbisquare$SDF$X1/gwr.adaptbisquare$SDF$X1_se
t_X2=gwr.adaptbisquare$SDF$X2/gwr.adaptbisquare$SDF$X2_se
t_X3=gwr.adaptbisquare$SDF$X3/gwr.adaptbisquare$SDF$X3_se
t_X4=gwr.adaptbisquare$SDF$X4/gwr.adaptbisquare$SDF$X4_se
t_X5=gwr.adaptbisquare$SDF$X5/gwr.adaptbisquare$SDF$X5_se
t_X6=gwr.adaptbisquare$SDF$X6/gwr.adaptbisquare$SDF$X6_se
t_X7=gwr.adaptbisquare$SDF$X7/gwr.adaptbisquare$SDF$X7_se
t_X8=gwr.adaptbisquare$SDF$X8/gwr.adaptbisquare$SDF$X8_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
Lampiran 13. Syntax Analisis Data (Lanjutan)
# === 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
}
}
102
Lampiran 13. Syntax Analisis Data (Lanjutan)
}
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)))^i)
u[i]=tr((t(I-S)%*%(I-S))^i)
r[i]=tr((t(I-Sl)%*%(I-Sl)-t(I-S)%*%(I-S))^i)
t[i]=tr((t(I-Sg)%*%(I-Sg)-t(I-S)%*%(I-S))^i)
}
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
Lampiran 13. Syntax Analisis Data (Lanjutan)
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
Lampiran 13. Syntax Analisis Data (Lanjutan)
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
Halaman ini sengaja dikosongkan
106
RIWAYAT HIDUP
107