METODE GEOGRAPHICALLY WEIGHTED REGRESSION

PADA ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI

JUMLAH PENDUDUK MISKIN DI PULAU LOMBOK TAHUN
2015

SITI NURILLAH
(G1D013045)

P R O G R A M S T U D I M AT E M AT I K A
F A K U LTA S M AT E M AT I K A D A N I L M U P E N G E TA H U A N A L A M
U N I V E R S I TA S M ATA R A M
2017
1
PENDAHULUAN

2
LATAR BELAKANG

3
PENELITIAN SEBELUMNYA
Geographically Weighted Panel Regression
Rahayu, 2017 Untuk Pemodelan Persentase Penduduk
Miskin Di Provinsi Jawa Tengah

Pemodelan Data Kemiskinan Di Provinsi

PENELITIAN
Sinaga dan Pestari, 2015 Sumatera Utara Dengan Metode
SEBELUMNYA
Geographically Weighted Regression

Regresi Terboboti Geografis Dengan

Rahmawati dan
Pembobot Kernel Kuadrat Untuk Data
Djuraidah, 2010
Kemiskinan Di Kabupaten Jember

4
RUMUSAN MASALAH

• BAGAIMANA MODEL GWR ?

• FAKTOR APA SAJA YANG

BERPENGARUH ?

5
TUJUAN PENELITIAN

• MENJAWAB RUMUSAN MASALAH

6
MANFAAT PENELITIAN

• MENAMBAH PENGETAHUAN PEMBACA MENGENAI

MODEL SPASIAL

• MEMBERIKAN INFORMASI MENGENAI FAKTOR

YANG BERPENGARUH SIGNIFIKAN

• BAHAN PERTIMBANGAN BAGI PEMERINTAH DALAM

MENGAMBIL SUATU KEPUTUSAN

7
BATASAN MASALAH

• MODEL YANG DIHASILKAN HANYA

MEMPERTIMBANGKAN KETUJUH
FAKTOR YANG DIGUNAKAN

8
TINJAUAN PUSTAKA

9
ANALISIS REGRESI
Konstanta Jumlah Variabel Prediktor
Variabel Respon
Parameter regresi


p
Yi   0  k 1
 k X ik   i ; i  1,2,...., n

10
PENGUJIAN ASPEK SPASIAL

DEPENDENSI SPASIAL
(UJI MORAN’S I)
PENGUJIAN
ASPEK SPASIAL
HETEROGENITAS SPASIAL
(UJI BREUSCH PAGAN)

11
GEOGRAPHICALLY WEIGHTED REGRESSION
(GWR)
Pembobot Spasial

p
Yi   0 (ui , vi )    k (ui , vi ) X ik   i ; i  1,2,, n
k 1

12
• PEMODELAN GWR

PEMBOBOT Fixed Kernel

FUNGSI
SPASIAL Bisquare

Jarak Euclidean

Bandwidth optimum

13
• PENGUJIAN MODEL GWR

PENGUJIAN MODEL

PENGUJIAN SERENTAK PENGUJIAN PARSIAL

UJI F UJI t

14
• PENGUJIAN ASUMSI ERROR

ASUMSI KENORMALAN ERROR Uji Kolmogorov-Smirnov

ASUMSI IDENTIK ERROR Uji Glejser

ASUMSI ERROR
ASUMSI INDEPENDENSI ERROR
Plot ACF (Auto Correlation
Function)

ASUMSI MULTIKOLINEARITAS
VIF (Variance Inflation
Faktor)

15
PEMILIHAN MODEL TERBAIK

KOEFISIEN DETERMINASI
(R2) Lebih BESAR

Akaike’s Information Criteria

(AIC)
Lebih KECIL

16
 METODE
PENELITIAN

17
ALAT PENELITIAN VARIABEL PENELITIAN
√ ArcView 3.3 Variabel Indikator
√ Geoda Y Jumlah Penduduk Miskin
√ GWR 4.0 X1 Angka Beban Tanggungan
√ Minitab X2 Pertumbuhan Penduduk

SUMBER DATA X3 Angka Morbiditas

√
Badan Pembangunan Daerah X4 Angka Partisipasi Kasar SMA

Provinsi NTB X5 Jumlah Keluarga Pengguna Listrik PLN

√
Badan Pusat Statistika (BPS) X6 Rasio Fasilitas Pendidikan per 100 Penduduk
Provinsi NTB X7 Rasio Fasilitas Perekonomian per 100 Penduduk

Data Berskala
Persentase18 (%)
LANGKAH-LANGKAH PENELITIAN
Menguji
Merumuskan Mengumpulkan
Studi Literatur Kenormalan
Masalah Data
Variabel Respon

Menyusun Menguji Aspek Menguji Asumsi Analisis Deskriptif

Model GWR Spasial Multikolinearitas Variabel Penelitian

Interpretasi
Menguji Menarik
Hasil Model
Asumsi Error Kesimpulan
GWR 19
 HASIL DAN
PEMBAHASAN

20
DESKRIPSI VARIABEL PENELITIAN

21
• JUMLAH PENDUDUK MISKIN PER KECAMATAN DI PULAU LOMBOK

22
• ANGKA BEBAN TANGGUNGAN PER • PERTUMBUHAN PENDUDUK PER
KECAMATAN DI PULAU LOMBOK KECAMATAN DI PULAU LOMBOK

• ANGKA PARTISIPASI KASAR SMA PER

• ANGKA MORBIDITAS PER KECAMATAN DI PULAU LOMBOK
KECAMATAN DI PULAU LOMBOK

23
• JUMLAH KELUARGA PENGGUNA LISTRIK • RASIO FASILITAS PENDIDIKAN/ 100 PENDUDUK PER
PLN PER KECAMATAN DI PULAU LOMBOK KECAMATAN DI PULAU LOMBOK

• RASIO FASILITAS PEREKONOMIAN/ 100 PENDUDUK

PER KECAMATAN DI PULAU LOMBOK

24
PENGUJIAN KENORMALAN VARIABEL RESPON
Probability Plot of Y
Normal
99
Mean 27.78
StDev 8.631
95 N 53
KS 0.078
90
P-Value >0.150
80
70
Berdistribusi
Normal
Percent

60
50
40
30
20

10

1
10 20 30 40 50 60
Y
25
• PENGUJIAN ASUMSI MULTIKOLINEARITAS

Variabel VIF

X1 1.559

X2 1.410

X3 1.345

X4 1.390

X5 1.562

X6 1.140

X7 1.295
26
PENGUJIAN ASPEK SPASIAL
Nilai p-value

DEPENDENSI SPASIAL
Moran’s I test 2.5540 0.0106

HETEROGENITAS SPASIAL Breusch-Pagan test 6.8347 0.4462

27
MENENTUKAN JARAK EUCLIDEAN
• Letak Geografis Kecamatan di Lombok Barat (Desimal-Derajat)
Kecamatan Latitude(Garis Langitude (Garis
Lintang) Bujur) d12  u1  u 2 2  v1  v2 2
Batu Layar 8.497592 116.0771
 8.497592  8.695564 2  116.0771  116.1244 2
Gerung 8.695564 116.1244
  0.19797 2   0.04736 2
Gunungsari 8.494111 116.124
 0.039193  0.002243
Kediri 8.648575 116.1417  0.2035
Kuripan 8.666192 116.1652
Labuapi 8.63025 116.1183
Lembar 8.755358 116.0999
Lingsar 8.531039 116.1952
Narmada 8.523097 116.2657
Sekotong 8.818556 115.9711 28
MENENTUKAN JARAK EUCLIDEAN
• Letak Geografis Kecamatan di Lombok Barat (Menit-Detik)
d12  u1  u2 2  v1  v2 2
Kecamatan Latitude(Garis Lintang) Langitude (Garis Bujur)
Batu Layar 29.856 4.625 d12  29.856  41.734 2  4.625  7.466 2
Gerung 41.734 7.466
d12   11.878 2   2.8412
Gunungsari 29.647 7.442
d12  141.0948  8.0731
Kediri 38.915 8.502
d12  12.213
Kuripan 39.972 9.911
Labuapi 37.815 7.099
Lembar 45.322 5.993
Lingsar 31.862 11.714
Narmada 31.386 15.942
Sekotong 49.113 -1.734
29
• BANDWIDTH OPTIMUM

GOLDEN SECTION BANDWIDTH : 16.726

SEARCH AIC minimum : 316.993

2
  d ij  2

W12  1    
  b   untuk d ij  b
 
2
  12.2130  2

 1    
  16.726  
 
 0.2179
30
• PE MB OB OT SPASI AL No
1
Kecamatan d ij W ij No
28
Kecamatan
Montong
d ij W ij

Batu Layar 0 1 19.785 0

Gading
2 Gerung 12.213 0.2179 29 Pringgabaya 34.062 0
3 Gunungsari 2.824 0.9438 30 Pringgasela 24.910 0
4 Kediri 9.853 0.4263 31 Sakra 26.259 0
5 Kuripan 11.413 0.2855 32 Sakra Barat 27.802 0
6 Labuapi 8.334 0.5650 33 Sakra Timur 29.652 0
7 Lembar 15.526 0.0191 34 Sambelia 33.758 0
8 Lingsar 7.367 0.6496 35 Selong 28.740 0
9 Narmada 11.406 0.2861 36 Sembalun 25.805 0
10 Sekotong 20.279 0 37 Sikur 20.307 0
11 Batukliang 15.999 0.0072 38 Suela 30.439 0
12 Batukliang 39
16.398 0.0015 Sukamulia 26.611 0
Utara
13 Janapria 23.714 0 40 Suralaga 28.922 0
14 Jonggat 13.327 0.1333 41 Terara 21.938 0
15 Kopang 18.450 0 42 Wanasaba 27.993 0
16 Praya 16.913 0.0005 43 Bayan 23.147 0
17 Praya Barat 21.994 0 44 Gangga 13.629 0.1129
18 Praya Barat 45
17.513 0 Kayangan 18.404 0
Daya
19 Praya Tengah 14.841 0.0452 46 Pemenang 3.394 0.9193
20 Praya Timur 24.890 0 47 Tanjung 7.679 0.6228
21 Pringgarata 11.878 0.2457 48 Ampenan 4.415 0.8655
22 Pujut 24.235 0 49 Cakranegara 6.376 0.7305
23 Aikmel 25.541 0 50 Mataram 6.532 0.7182
24 Jerowaru 32.804 0 51 Sandubaya 7.573 0.6320
25 Keruak 28.868 0 52 Sekarbela 6.397 0.7288
26 Labuan Haji 31.397 0 53 Selaparang 4.962 0.8317 31
27 Masbagik 23.229 0
PEMODELAN GWR
Model GWR untuk Kecamatan Batu Layar adalah:

Yˆ  23.061  0.172 X1  0.894 X 2  4.252 X 3 1.239 X 4  0.504 X 5 1.139 X 6  0.794 X 7

Setiap penambahan nilai angka beban tanggungan( X1 ) sebesar 1 persen

dengan variabel lainnya dianggap konstan, maka akan menambah nilai variabel
respon sebesar 23.061  0.172 k dengan k adalah perubahan angka
beban tanggungan sebesar 1 persen.

32
• PENGUJIAN MODEL GWR

PENGUJIAN SERENTAK PENGUJIAN PARSIAL

Pendugaan
Parameter
(Estimasi)
t hitung Keputusan Kesimpulan

0 23.061 14.494 H 0 ditolak Signifikan

1 0.172 0.100 H 0 diterima Tidak Signifikan

2 0.894 0.768 H 0 diterima Tidak Signifikan

3 4.252 3.376 H 0 ditolak Signifikan
TERPENUHI (Taraf Signifikansi 5%) 4 H 0 diterima Tidak Signifikan
-1.239 0.945
5 -0.504 0.389 H 0 diterima Tidak Signifikan
6 -1.139 0.672 H 0 diterima Tidak Signifikan

7 0.794 0.443 H 0 diterima Tidak Signifikan

Dibandingkan dengan t ( 0.025; 21.742) sebesar 2.082

33
 Probability Plot of RES_GWR

• PENGUJIAN ASUMSI ERROR 99

Normal

Mean
StDev
-0.1731
2.789
95 N 53
KS 0.086
90
P-Value >0.150
80
70

Percent
60

ASUMSI TERPENUHI 50
40

KENORMALAN 30
20

10

1
-7.5 -5.0 -2.5 0.0 2.5 5.0
RES_GWR

TERPENUHI
ASUMSI IDENTIK p  valuesebesar 0.999 Autocorrelation Function for RES_GWR
(with 5% significance limits for the autocorrelations)

1.0
0.8
0.6
0.4

Autocorrelation
0.2

ASUMSI 0.0
TERPENUHI -0.2
INDEPENDENSI -0.4
-0.6
-0.8
-1.0

1 5 10 15 20 25 30 35 40 45 50
Lag 34
• HASIL MODEL GWR DI PULAU LOMBOK
Variabel signifikan Kecamatan
X1 Pringgabaya, Suela, Wanasaba
X2 Labuhan Haji, Suralaga
Batu Layar, Gunung Sari, Labu Api, Lingsar, Pemenang,
X3 Ampenan, Cakranegara, Mataram, Sandubaya, Sekarbela,
Selaparang
Gerung, Kuripan, Lembar, Batukliang, Jonggat, Kopang,
Praya, Praya Barat, Praya Barat Daya, Praya Tengah, Pujut,
X4 Aikmel, Jerowaru, Keruak, Masbagik, Montong Gading,
Pringgasela, Sakra, Sakra Barat, Sakra Timur, Selong, Sikur,
Sukamulia, Terara
X5 Sambelia
X1 , X 3 Gangga, Tanjung
X1, X 4 Bayan
X3, X 4 Kediri, Narmada, Pringgarata
X 4, X7 Sekotong, Janapria, Praya Timur
X1, X 3 , X 4 Batukliang Utara
X1 , X 6 , X 7 Sembalun
X1, X 2 , X 3 , X 5 , X 7 Kayangan

35
PEMILIHAN MODEL TERBAIK

Model R2 AIC
Regresi Linear 52.844 356.031
GWR 71.458 316.933

36
 KESIMPULAN
1. Model GWR jumlah penduduk miskin adalah:
1. Kecamatan Batu Layar
Yˆ  23.061  0.172 X1  0.894 X 2  4.252 X 3 1.239 X 4  0.504 X 5 1.139 X 6  0.794 X 7
2. Kecamatan Gerung
Yˆ  25.495  0.898 X  0.897 X  1.769 X  3.183X  0.946 X  0.661X  1.091X
1 2 3 4 5 6 7
3. Kecamatan Gunung Sari
Yˆ  23.976  0.525 X1  0.820 X 2  3.962 X 3 1.449 X 4  0.606 X 5  0.815 X 6  0.640 X 7
4. Kecamatan Kediri
Yˆ  24.561  0.523X1  0.818 X 2  2.703X 3  2.364 X 4  0.720 X 5  0.454 X 6  1.004 X 7
5. Kecamatan Kuripan
ˆ  25.092  0.537 X  0.528 X  2.182 X  2.571X  0.655 X  0.509 X  0.580 X
Y
6. Kecamatan Labuapi 1 2 3 4 5 6 7

Yˆ  24.174  0.494 X1  0.993X 2  3.071X 3  2.187 X 4  0.702 X 5  0.448 X 6  1.242 X 7

7. Kecamatan Lembar
Yˆ  27.568  1.824 X1  0.875 X 2  0.003X 3  4.492 X 4  0.814 X 5 1.036 X 6  0.817 X 7
8. Kecamatan Lingsar
Yˆ  25.396  1.274 X  0.735 X  3.577 X  2.031X  0.408 X  0.695 X  0.710 X
9. Kecamatan Narmada 1 2 3 4 5 6 7

Yˆ  27.429  2.444 X1  0.227 X 2  3.120 X 3  3.018 X 4  0.393X 5 1.527 X 6  0.570 X 7

10. Kecamatan Sekotong

Yˆ  34.476  2.100 X1  1.537 X 2  3.282 X 3  6.780 X 4  0.945 X 5  4.219 X 6  12.973X 7 37

 •Kecamatan Batukliang
Yˆ  27.364  0.053 X1  0.601X 2  1.447 X 3  3.815 X 4  0.146 X 5  0.867 X 6  0.748 X 7
•Kecamatan Batukliang Utara
Yˆ  28.906  3.472 X1  0.866 X 2  3.400 X 3  5.352 X 4  2.873X 5  2.365 X 6  0.969 X 7
•Kecamatan Janapria
Yˆ  27.567  1.791X1  0.779 X 2  1.253X 3  4.036 X 4  1.281X 5  0.286 X 6  2.030 X 7
•Kecamatan Jonggat
Yˆ  26.062  0.471X1  0.083X 2  1.399 X 3  2.884 X 4  0.355 X 5  0.696 X 6  0.257 X 7
•Kecamatan Kopang
Yˆ  27.449  0.522 X1  0.784 X 2  2.012 X 3  5.223X 4  0.447 X 5  0.444 X 6  0.990 X 7
•Kecamatan Praya
Yˆ  27.218  0.528 X1  0.760 X 2  0.513X 3  3.737 X 4  0.091X 5  0.978 X 6  1.164 X 7
•Kecamatan Praya Barat
Yˆ  28.566  0.119 X1  0.656 X 2  1.779 X 3  6.415 X 4  0.591X 5  1.528 X 6  1.196 X 7
•Kecamatan Praya Barat Daya
Yˆ  27.657  0.746 X1  0.003X 2  0.300 X 3  4.368 X 4  0.553X 5  1.372 X 6  0.427 X 7
•Kecamatan Praya Tengah
Yˆ  27.483  0.832 X1  0.348 X 2  2.141X 3  3.822 X 4  0.434 X 5  0.957 X 6  0.103X 7
•Kecamatan Praya Timur
Yˆ  28.507  2.879 X1  0.023X 2  0.842 X 3  5.274 X 4  1.080 X 5  0.765 X 6  2.173X 7
•Kecamatan Pujut
Yˆ  26.258  0.866 X1  0.097 X 2  2.487 X 3  2.729 X 4  0.243X 5  0.658 X 6  0.259 X 7
•Kecamatan Pringgarata
Yˆ  28.573  2.043X1  0.551X 2  1.140 X 3  5.303 X 4  0.725 X 5  1.387 X 6  1.560 X 7
•Kecamatan Aikmel
Yˆ  25.952  2.316 X1  1.653X 2  1.926 X 3  3.884 X 4  0.267 X 5  0.461X 6  0.325 X 7
•Kecamatan Jerowaru
Yˆ  26.567  1.043X1  4.191X 2  1.534 X 3  9.531X 4  3.289 X 5  2.633X 6  1.271X 7
•Kecamatan Keruak
Yˆ  26.264  0.583 X1  1.823X 2  0.442 X 3  3.454 X 4  0.583X 5  0.152 X 6  1.642 X 7
•Kecamatan Labuan Haji
Yˆ  22.439  3.777 X1  7.659 X 2  0.601X 3  3.846 X 4  1.763X 5  0.761X 6  0.201X 7
 •Kecamatan Masbagik
Yˆ  26.741  0.212 X1  1.452 X 2  1.642 X 3  4.096 X 4  0.079 X 5  0.080 X 6  1.364 X 7
•Kecamatan Montong Gading
Yˆ  27.148  0.059 X1  1.055 X 2  2.379 X 3  5.690 X 4  0.891X 5  0.180 X 6  0.841X 7
•Kecamatan Pringgabaya
Yˆ  20.495  5.461X1  6.613X 2  2.320 X 3  4.422 X 4  0.889 X 5  2.090 X 6  1.847 X 7
•Kecamatan Pringgasela

Yˆ  26.160  1.101X1  2.062 X 2  1.434 X 3  3.661X 4  0.010 X 5  0.145 X 6 1.111X 7

•Kecamatan Sakra
Yˆ  26.299  0.280 X1 1.857 X 2  0.846 X 3  2.980 X 4  1.001X 5  0.130 X 6 1.645 X 7
•Kecamatan Sakra Barat
Yˆ  26.294  0.399 X1  1.790 X 2  0.541X 3  3.189 X 4  0.873X 5  0.161X 6  1.678 X 7
•Kecamatan Sakra Timur
Yˆ•Kecamatan
 25.038 Sambelia
1.921X1  3.649 X 2  0.551X 3  3.105 X 4  0.028 X 5  0.446 X 6  1.147 X 7

Yˆ  27.408  6.372 X1  10.560 X 2  6.248 X 3  0.134 X 4  10.602 X 5  3.080 X 6  4.042 X 7

•Kecamatan Selong

Yˆ  24.692  1.944 X1  4.249 X 2  0.708 X 3  3.041X 4  0.040 X 5  0.066 X 6  1.003 X 7

•Kecamatan Sembalun
Yˆ  33.464  10.605 X1  7.527 X 2  2.604 X 3  8.155 X 4  2.285 X 5  4.688 X 6  5.001X 7
•Kecamatan Sikur
Yˆ  27.111  0.411X1  1.110 X 2  2.581X 3  5.758 X 4  1.112 X 5  0.232 X 6  0.637 X 7
•Kecamatan Suela
Yˆ  22.803  4.764 X1  3.033X 2  2.797 X 3  3.766 X 4  0.216 X 5  1.483 X 6  1.495 X 7
•Kecamatan Sukamulia
Yˆ  25.635  1.130 X1  2.824 X 2  0.985 X 3  3.084 X 4  0.372 X 5  0.024 X 6  1.278 X 7
•Kecamatan Suralaga
Yˆ  23.724  2.704 X1  5.624 X 2  0.837 X 3  3.381X 4  0.737 X 5  0.472 X 6  0.564 X 7
•Kecamatan Terara
Yˆ  27.202  1.030 X1  1.072 X 2  1.636 X 3  4.374 X 4  0.508 X 5  0.180 X 6  1.700 X 7
•Kecamatan Wanasaba
Yˆ  24.270  3.606 X1  3.364 X 2  1.810 X 3  3.812 X 4  0.637 X 5  0.876 X 6  0.284 X 7
•Kecamatan Bayan
Yˆ  49.563  15.686 X1  5.827 X 2  2.804 X 3  39.451X 4  2.614 X 5  2.877 X 6  7.711X 7 39
•Kecamatan Gangga

Yˆ  29.031  8.571X1  3.517 X 2  4.443 X 3  1.887 X 4  3.344 X 5  2.555 X 6  3.486 X 7

•Kecamatan Kayangan
Yˆ  25.864  14.174 X1  7.113 X 2  8.144 X 3  16.835 X 4  6.329 X 5  10.650 X 6  21.874 X 7
•Kecamatan Pemenang

Yˆ  22.991  0.398 X1  0.204 X 2  3.908 X 3  0.946 X 4  1.182 X 5  1.193 X 6  0.036 X 7

•Kecamatan Tanjung

Yˆ  25.996  4.008 X1  0.370 X 2  3.436 X 3  1.335 X 4  2.175 X 5  4.454 X 6  1.329 X 7

•Kecamatan Ampenan
Yˆ  23.373  0.407 X1  1.123 X 2  3.850 X 3 1.583 X 4  0.409 X 5  0.623 X 6  1.217 X 7
•Kecamatan Cakranegara
Yˆ  23.875  0.469 X1  1.001X 2  3.582 X 3  1.788 X 4  0.505 X 5  0.462 X 6  1.113X 7
•Kecamatan Mataram

Yˆ  23.761  0.437 X1  1.050 X 2  3.492 X 3 1.865 X 4  0.545 X 5  0.501X 6  1.243X 7

•Kecamatan Sandubaya
Yˆ  24.232  0.542 X1  0.897 X 2  3.378 X 3 1.928 X 4  0.533 X 5  0.413X 6  1.003 X 7
•Kecamatan Sekarbela
Yˆ  23.674  0.472 X1  1.173 X 2  3.463 X 3 1.933X 4  0.604 X 5  0.511X 6  1.411X 7
•Kecamatan Selaparang

Yˆ  23.603  0.445 X1  1.071X 2  3.783 X 3 1.653X 4  0.442 X 5  0.562 X 6  1.168 X 7

40
KESIMPULAN

2. Pemodelan dengan menggunakan GWR menghasilkan 12 kelompok berdasarkan

kesamaan variabel yang signifikan pada tiap kecamatan di Pulau Lombok.

41
SARAN

1. Pendekatan berdasarkan aspek lainnya.

2. Menggunakan fungsi pembobot yang berbeda serta melakukan perbandingan
antar metode.

42
 REFERENSI
• Agustina, M. F., Wasono, R., dan Darsyah, M. Y., 2015, Pemodelan Geographically Weighted Regression (GWR) pada Tingkat Kemiskinan di Provinsi Jawa Tengah, Jurnal Statistika Vol 3, No 2.

• Anonim, 2015, Jumlah Penduduk Miskin Maret 2015 Mencapai 823,89 Ribu Orang, Berita Resmi Statistik, No. 64/09/52/TH/.IX, hal 1, 15 September.

• _______, 2016, Jumlah Penduduk Miskin di NTB Mengalami Penurunan, NTB di Urutan Delapan, Headline Radar Lombok, 5 Januari.

• Apriani, L. dan Leksono, B. E., 2016, Pengembangan Model Nilai Tanah dengan Geographically Weighted Regression (GWR) dalam Pengujian Kualitas Nilai Tanah pada Lingkungan Terpengaruh Keberadaan
Transportasi Darat dan Udara (Studi Kasus: Kelurahan Campaka, Kecamatan Andir, Kota Bandung), Jurnal Pendidikan Geografi ITB Vol 16, No 2.

• Arfan, N. dan Budiantara, I. N., 2014, Pendekatan Spline untuk Estimasi Kurva Regresi Nonparametrik (Studi Kasus pada data Angka Kematian Maternal di Jawa Timur), Jurnal Sains dan Seni Pomits ITS Vol.3, No.1,
2337-3520 (2301-928XPrint).

• Aulele, S. N. dan Lesnussa, Y. A., 2013, Pendekatan Model Geographically Weighted Regression untuk Menganalisis Jumlah Penduduk Miskin: Upaya Penurunan Jumlah Penduduk Miskin di Provinsi Maluku, Prosiding
FMIPA Universitas Pattimura, ISBN:978-602-97522-0-5.

• Bustaman, U., Sofa, W., Larasati, D., Sari, A., Yuniarti, Hidayah, Z., Oktaviana, S., Andriani, dan Saryono, 2013, Pengembangan Model Sosial Ekonomi: Penggunaan Metode Geographically Weighted Regression (GWR)
Untuk Analisis Data Sosial Dan Ekonomi, Badan Pusat Statistika, Jakarta.

• Chang, K., 2008, Introduction to Geographic Information Systems Fourth Edition, MacGraw-Hill Companies, New York.

• Damayanti, Y. dan Ratnasari, V., 2013, Pemodelan Penduduk Miskin di Jawa Timur menggunakan Metode Geographically Weighted Regression (GWR), Jurnal Sains dan Seni Pomits ITS Vol.2, No.2, 2337-3520
(2301-928X Print).

• Draper, N. dan Smith, H., 1998, Analisis Terapan Terjemahan, Edisi Kedua, Gramedia Pustaka Utama.

• Fimansyah, B., 2011, Pemodelan dan Pemetaan Angka Buta Huruf Provinsi Jawa Timur dengan Pendekatan Regresi Spasial, Tesis SS091324 ITS.

• Fotheringham, A. S., Brunsdon, C., dan Charlton, M., 2002, Geographically Weighted Regression, John Wiley & Sons Ltd, England.

• Hanum, D. dan Purhadi, 2013, Faktor-faktor yang Mempengaruhi Morbiditas Penduduk Jawa Timur dengan Multivariate Geographically Weighted Regression (MGWR), Jurnal Sains dan Seni Pomits ITS Vol.2, No.2,
ISSN:2337-3520 (2301-928XPrint).

• Hidayah, R. N., Wulandari, S. P., dan Pramono, S., 2014., Pemodelan Proporsi Kasus Penyakit Infeksi Pernapasan Akut (ISPA) bagian Atas pada Balita di Kabupaten Gresik dengan Geographically Weighted
Regression, Jurnal Sains dan Seni Pomits ITS Vol.3, No.2, ISSN:2337-3520 (2301-918X Print).

• Khosim, A. dan Lubis, A., 2012, Geografi untuk SMA/MA Kelas XII, Grasindo, Jakarta.

• Mimbar, L., 2015, Peran Badan Pemberdayaan Masyarakat dan Pemerintah Desa (BPMPD) dalam Penanggulangan Kemiskinan di Nusa Tenggara Barat, Jurnal Transformasi P2M IAIN Mataram Vol 11, No 1, Hal 2.

• Nurcahayani, H. dan Purhadi, 2013, Pemodelan Spasial Kemiskinan dengan Mixed Geographically Weighted Poisson Regression dan Flexibly Shaped Spatial Scan Statistic (Studi Kasus: Jumlah Rumah Tangga Sangat
Miskin di Kabupaten Kulonprogo), Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UNY, ISBN:978-979-16353-9-4.

• Nursyamsi, M dan Raharjo, B., 2017, Upaya NTB dalam Penanggulangan Kemiskinan, Pandega/ Republika, hal 1, 13 Januari 2017.
43
 REFERENSI
• Permana, M. T., Yasin, H., dan Rusgiyono, A., 2013, Analisis Faktor-Faktor Tingkat Kemiskinan di Kabupaten Wonosobo dengan Pendekatan Geographically Weighted
Regression, Jurnal Gaussian Vol 2, No 1, 59-68.
• Putri, A. dan Salamah, M., 2013, Pemodelan Kasus Gizi Buruk Kabupaten Bojonegoro dengan Geographically Weighted Regression, Jurnal Sains dan Seni Pomits ITS
Vol.2, No.1, 2337-3520 (2301-928XPrint).
• Rahayu, N. S., 2017, Geographically Weighted Panel Regression untuk Pemodelan Persentase Penduduk Miskin di Provinsi Jawa Tengah, Tesis SS142501 ITS.
• Rahmawati, R. dan Djuraidah, A., 2010, Regresi Terboboti Geografis dengan Pembobot Kernel Kuadrat untuk data Kemiskinan Di Kabupaten Jember, Jurnal Sains
UNDIP Vol.15, No.2, ISSN:0853-8115.
• Ramadan, A. dan Bekti, R. D., 2017, Analisis Indeks Pembangunan Manusia di Kabupaten dan Kota Provinsi Jawa Tengah Tahun 2014 Menggunakan Metode
Geographically Weighted Regression, Jurnal Statistika Industri dan Komputasi Vol.2, No.2, E-ISSN:2527-9378.
• Risdiana, F. Y., 2017, Analisis Pendapatan Nasional Negara-Negara ASEAN dengan Estimasi Simultan Spasial Menggunakan Generalized Method Of Moment, Tesis
SS142501 ITS.
• Rosadi, D., 2010, Analisis Ekonometrika & Runtun Waktu Terapan dengan R, Andi Yogyakarta, Yogyakarta.
• Sa’diyah, Y. H. dan Arianti, F., 2012, Analisis Kemiskinan Rumah Tangga melalui Faktor-Faktor yang Mempengaruhi di Kecamatan Tugu Kota Semarang, Jurnal Of
Economics Diponegoror Vol 1, No 1, 1-11.
• Sari, A. dan Winahju, W., 2016, Pemodelan Faktor-Faktor yang Mempengruhi Produksi Padi di Jawa Timur, Jurnal Sains dan Seni Pomits ITS Vol.5, No.2, 2337-3520
(2301-928X Print).
• Simamora, P. dan Ratnasari, V., 2014, Pemodelan Presentase Kriminalitas dan Faktor-faktor yang Mempengaruhi di Jawa Timur dengan Pendekatan Geographically
Weighted Regression (GWR), Jurnal Sains dan Seni Pomits ITS Vol.3, No.1, 2337-3520 (2301-928X Print).
• Sinaga, K. dan Pestari, 2015, Pemodelan data Kemiskinan Di Provinsi Sumatera Utara dengan Metode Geographically Weighted Regression, Prosiding Seminar Nasional
Matematika dan Pendidikan Matematika UMS, ISBN:978.602.361.002.0.
• Suryawati, C., 2005, Memahami Kemiskinan Secara Multidimensional, Jurnal Kesehatan Masyarakat dan Ilmu Kesehatan Masyarakat UNDIP Vol 8, No 3, 122-123.
• Suyono, 2015, Analisis Regresi Untuk Penelitian, Deepublish, Yogyakarta.
• Vebiriyana, M., Darsyah, M., dan Nur. I. Manfaati., 2015, Pemodelan Geographically Weighted Regression dengan Fungsi Kernel Bisquare terhadap Faktor-Faktor yang
Mempengaruhi Tingkat Kemiskinan di Kabupaten Demak, Jurnal Statistika UMS Vol 3, No 1.
44
SEKIAN DAN TERIMA KASIAH

45