Geographically Weighted Regression

Oleh
Deby Ardianti (186090500011002)
PENDAHULUAN
Independensi
Spasial

Heterogenitas
Spasial

Analisis Spasial
Georaphically Weighted Regression (GWR) diperkenalkan oleh Brunsdon
dkk. (1996), untuk mempelajari potensi hubungan dalam sebuah model
regresi agar bervariasi dalam ruang geografis, atau yang disebut dengan
non stasioneritas parametrik.

GWR disajikan sebagai metode untuk melakukan inferensi pada

hubungan yang bervariasi secara spasial, dalam upaya untuk
memperluas penekanan asli pada prediksi untuk analisis konfirmatori
(Páez dan Wheeler 2009).

GWR, model regresi dapat disesuaikan pada tiap lokasi pengamatan walaupun kalibrasi
model tidak dibatasi oleh lokasi observasi. Koordinat spasial dari titik-titik data digunakan
untuk menghitung jarak antar titik, yang dimasukkan ke dalam fungsi kernel untuk
menghitung bobot yang mewakili ketergantungan spasial antar pengamatan.
 Model GWR
𝑝

𝑦𝑖 = 𝛽0 (𝑢𝑖 , 𝑣𝑖 ) + ෍ 𝛽𝑘 (𝑢𝑖 , 𝑣𝑖 )𝑥𝑖𝑘 + 𝜀𝑖 (𝐶. 5.1)

𝑘=1

dimana
𝑦𝑖 = nilai peubah respon pada lokasi 𝑖,
𝑥𝑖𝑘 = nilai dari kovariat ke- 𝑘 pada lokasi 𝑖,
𝛽0 (𝑢𝑖 , 𝑣𝑖 )= Nilai intercept model regresi GWR
𝛽𝑘 𝑢𝑖 , 𝑣𝑖 =Koefisien regresi variabel predictor ke-k pada lokasi pengamatan ke-i
𝑝 = jumlah istilah regresi,
𝜀𝑖 = kesalahan acak pada lokasi 𝑖.
𝑢𝑖 , 𝑣𝑖 = Koordinat letak geografis (lintang,bujur) dari lokasi pengamatan ke-i

pendugaan koefisien regresi pada model OLS bersifat global.

pendugaan koefisien regresi pada model GWR dilakukan pada

setiap lokasi data
Model GWR dalam notasi matriks
𝑦𝑖 = 𝑿𝑖 𝜷𝑖 (𝑢𝑖 , 𝑣𝑖 ) + 𝜺𝑖 (C. 5.2)
dimana
𝜷𝑖 = vektor kolom dari koefisien regresi
𝑿𝑖 = vektor baris dari peubah prediktor pada lokasi 𝑖.

Vektor pendugaan koefisien regresi pada lokasi 𝑖 adalah

෡ 𝒊 (𝑢𝑖 , 𝑣𝑖 ) = [𝑿𝑻 𝑾𝒊 (𝑢𝑖 , 𝑣𝑖 )𝑿]−𝟏 𝑿𝑻 𝑾𝒊 (𝑢𝑖 , 𝑣𝑖 )𝒀
𝜷 (C. 5.3)

dimana
𝒀 = vektor peubah respon berukuran 𝑛 × 1
𝑿 = [𝑿𝑻𝟏 , 𝑿𝑻𝟐 , … , 𝑿𝑻𝒏 ]𝑻 , matriks desain peubah prediktor, yang mencakup kolom pertama untuk intersep;
𝑾𝒊 = 𝑑𝑖𝑎𝑔 𝑊𝑖1 , … , 𝑊𝑖𝑛 , matriks pembobot diagonal 𝑛 × 𝑛 yang dihitung untuk setiap lokasi kalibrasi 𝑖;
෡ 𝒊 = [𝛽෠𝑖0 , 𝛽෠𝑖1 , … , 𝛽෠𝑖𝑝−1 ]𝑇 , vektor 𝑝 koefisien regresi lokal pada lokasi 𝑖 untuk 𝑝 − 1 peubah prediktor dan sebuah inters.
𝜷
Pembobot 𝑊𝑖𝑗

𝑤𝑖1 0 … 0
𝑊 𝑢𝑖 , 𝑣𝑖 = ⋮ ⋮ ⋱ ⋮
0 0 … 𝑤𝑖𝑛
 Pembobot 𝑊𝑖𝑗
pembobotan biner
2 2
1 𝑗𝑖𝑘𝑎 𝑑𝑖𝑗 ≤ 𝑑 ∗ 𝑑𝑖𝑗 = 𝑢𝑖 − 𝑢𝑗 + 𝑣𝑖 − 𝑣𝑗
𝑊𝑖𝑗 = ቊ
0 𝑙𝑎𝑖𝑛𝑛𝑦𝑎 Fungsi kernel bisquare
(C.5.4) 2
𝑑𝑖𝑗
di mana 𝑊𝑖𝑗 = 1 − 2 (C. 5.8)
𝛾
𝑑𝑖𝑗 = jarak antara pengamatan 𝑖 dan 𝑗
𝑑 ∗ = jarak ambang batas.
.

Fungsi kernel Gaussian Fungsi adaptif kernel

1 𝑑𝑖𝑗
2 𝑅𝑖𝑗
𝑊𝑖𝑗 = exp − (C. 5.6) 𝑊𝑖𝑗 = exp − (C. 5.9)
2 𝛾 𝛾
𝑅𝑖𝑗 merupakan rank jarak 𝑑𝑖𝑗 bila lokasi disortir
𝛾 adalah parameter bandwidth kernel
dengan menambah jarak dari lokasi kalibrasi model 𝑖.

Fungsi eksponensial sederhana

𝑑𝑖𝑗 bi-square nearest neighbor kernel
𝑊𝑖𝑗 = exp − (C. 5.7) 2 2
𝛾
𝑊𝑖𝑗 = ቐ 1 − 𝑑𝑖𝑗 /𝑑𝑖𝑁 jika j merupakan salah satu tetangga dekat ke − N dari i
0 lainnya (C. 5.10)
di mana 𝑑𝑖𝑁 jarak ke tetangga terdekat ke-𝑁 dari lokasi 𝑖.
 Bandwidth
Bandwidth merupakan radius suatu lingkaran dimana titik yang berada dalam radius lingkaran dianggap
berpengaruh dalam membentuk parameter model lokasi ke-i

Parameter bandwidth kernel yang tidak diketahui harus dipilih atau diduga dari data.

Tiga pendekatan yang berbeda untuk mengestimasi bandwidth kernel

dalam GWR :
1. Penugasan langsung dari bandwidth jumlah tetangga terdekat
(McMillen 1996),
2. Cross-validasi (Brundson et al. 1996; Farber dan Paez 2007), dan
3. Kriteria Informasi Akaike terkoreksi (AIC, Fotheringham et al.
2002).
Pendekatan yang paling banyak digunakan sejauh ini adalah Cross-
Validasi (CV)
 Cross Validation

CV merupakan proses berulang mencari bandwidth kernel yang meminimalkan

kesalahan prediksi dari semua 𝑦 𝑠 menggunakan subset dari data untuk prediksi.

Diperkirakan dalam CV dengan mencari bandwidth kernel 𝛾 yang meminimalkan

Root Mean Squared Prediktion Error (RMSPE)
𝑛
2
𝛾ො = 𝑎𝑟𝑔𝑚𝑖𝑛 ෍ 𝑦𝑖 − 𝑦ො 𝑖 𝛾 (C. 5.11)
𝑖=1
dimana
𝑦ො 𝑖 = nilai duga pengamatan ke-𝑖 dengan lokasi kalibrasi ke-𝑖 yang keluar dari
duga data set.
𝛾ො = nilai bandwidth kernel yang meminimalkan RMSPE.
 AIC Terkoreksi
Sebuah pendekatan untuk menduga bandwidth kernel tidak didasarkan pada
prediksi peubah respon . AIC terkoreksi, didasarkan pada meminimalkan kesalahan
duga dari peubah respon.

AIC terkoreksi untuk GWR dinotasikan

𝑛 + 𝑡𝑟𝑎𝑐𝑒 𝐻
𝐴𝐼𝐶𝑡 = 2𝑛𝑙𝑜𝑔 𝜎ො + 𝑛𝑙𝑜𝑔 2𝜋 + 𝑛 (𝐶. 5.12)
𝑛 − 2 − 𝑡𝑟𝑎𝑐𝑒 𝐻
di mana
𝜎ො = nilai duga standar deviasi,
𝑯 = matriks hat dan trace dari matriks banyaknya elemen diagonal matriks.

Setiap baris dari matriks hat didefinisikan oleh Ragam kesalahan yang diduga adalah
𝑯𝑖 = 𝑿𝑖 𝑿𝑇 𝑾𝑖 𝑿 −1 𝑿𝑇 𝑾
𝑖 2
σ𝑛𝑖=1 𝑦𝑖 − 𝑦ො𝑖 2
𝜎ො =
𝑛 − 2𝑡𝑟𝑎𝑐𝑒 𝑯 − 𝑡𝑟𝑎𝑐𝑒 𝑯𝑇 𝑯

untuk menduga bandwidth kernel maka AIC harus diminimalkan

ISSUE

Analisis Spasial
Permasalahan
pemilihan bandwidth kernel melibatkan
keragaman spasial tingkat tinggi dan Perhitungan standar error ini
kemulusan estimasi koefisien regresi. menunjukkan bahwa selang
Jelas, jika bandwidth seperti kepercayaan untuk koefisien GWR
memasukkan sejumlah besar yang diestimasi hanya perkiraan dan
pengamatan, akan ada sedikit atau tidak dapat diandalkan untuk
Pada tingkat dasar, sebuah
tidak ada keragaman spasial dalam menunjukkan efek kovariat dan
argumen menyatakan bahwa
koefisien, dan jika bandwidth kecil, pemilihan model yang signifikan
GWR tidak mengusulkan model
kemungkinan akan ada keragaman secara statistik.
dasar untuk sumber keragaman
dalam jumlah besar.

2 4
1 3 5
Keragaman koefisien regresi yang
Isu kedua terkait dengan
meningkat terkait dengan kolinieritas
penggunaan berulang data
lokal dalam GWR dapat
untuk mengestimasi parameter
menyebabkan perkiraan berlebih
model pada lokasi kalibrasi
untuk besarnya efek kovariat dan
model yang berbeda, yang
pembalikan tanda koefisien,
menyebabkan situasi
keduanya cenderung mengarah pada
perbandingan ganda.
interpretasi yang salah dari
hubungan dalam model regresi. .
Ekstensi
Analisis Spasial
 Model perluasan penerapan konsep pembobot geografis dalam analisis regresi

Autoregresif GWR
Salah satu perluasan pertama konsep GWR adalah untuk mengakomodasi dependensi spasial dalam struktur model
(Brunsdon dkk. 1998). Pendekatan yang berbeda untuk mendapatkan model lokal autoregresif spasial (spatially
autoregressive) berdasarkan konsep pembobotan geografis menyatakan Páez dkk. (2002b) dengan mengadopsi model
varians non-konstan, dapat menentukan parameter duga koefisien model, termasuk bandwidth kernel. Model alternatif telah
disarankan termasuk model Spatially Autoregressive Local Estimation (SALE) dari Pace dan LeSage (2004) yang didasarkan
pada dekomposisi matriks duga, dan model ZOOM dari Mur dkk. (2008).

GWR yang Dibatasi

Permasalahan yang timbul dari kolinieritas dapat diatasi dengan membatasi jumlah variasi dalam koefisien regresi. Dalam
kasus GWR, dua versi metode yang mencapai tujuan ini telah diusulkan, yaitu regresi ridge terboboti geografis atau
Geographically Weighted Ridge Regression (GWRR, Wheeler 2007) dan Geographically Weighted Lasso (GWL, Wheeler
2009). Seperti namanya, teknik ini masing-masing didasarkan pada regresi ridge dan laso.

Model Logistik dan Probit dengan Pembobot Geografis

Pembobot geografis telah diterapkan pada model untuk peubah nominal, termasuk model logistik terboboti secara geografis
dari Atkinson dkk. (2003) dan model probit dengan pembobot geografis dari Páez (2006). Model ini memperluas cakupan
penerapan GWR pada situasi dalam penelitian geomorfologi dan transportasi yang sering memerlukan analisis peubah respon
yang terbatas.
Model hierarkis Bayesian sebagai Alternatif untuk GWR

Analisis Spasial
 Model hierarkis Bayesian sebagai Alternatif untuk GWR

Model hierarkis Bayesian bersifat hirarki karena distribusi data ditentukan bersyarat pada parameter yang tidak diketahui.

Model ini dapat menggabungkan parameter pada berbagai tingkat data untuk model hubungan pada skala yang berbeda.

Terdapat dua alternatif utama untuk GWR dalam kelas model ini

Model Bayesian Spatially Varying Coefficient Model spatially varying coefficient proccess
(SVC) (SVCP)

Model yang mendefinisikan korelasi spasial Model yang menggunakan spesifikasi prior
dalam koefisien regresi melalui spesifikasi gabungan dari koefisien yang memodelkan
prior bersyarat dari koefisien yang hanya korelasi dalam koefisien sebagai proses
menggunakan observasi tetangga. spasial kontinu.
Langkah-Langkah
Analisis GWR

Analisis Spasial
 Langkah-Langkah Analisis GWR
1. Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)
o Pengujian asumsi residual berdistribusi Normal
o Pengujian Multikolinieritas
o Pengujian signifikansi parameter (Uji simultan dan Uji Parsial)

2. Melakukan Pengujian Aspek Spasial

o Pengujian Heterogenitas Spasial
o Pengujian Independensi Spasial

3. Pemodelan dengan GWR

o Menentukan (𝑢𝑖 , 𝑣𝑖 ) untuk menghitung jarak Euclidean dan Menentukan
bandwith optimum
o Melakukan pembobot
o Estimasi parameter model GWR
o Pengujian kesesuaian model GWR
o Pengujian signifikansi parameter model GWR (Uji parsial)

4. Pemilihan Model Terbaik

 Pengujian aspek spasial Dependensi Spasial

Indeks Moran’s I
Heterogenitas Spasial 𝐻0 : 𝐼 = 0 (tidak terdapat dependensi spasial)
𝐻1 : 𝐼 ≠ 0 (terdapat dependensi spasial)
Untuk mengetahui adanya keberagaman dalam
Statistik Uji:
hubungaan secara kewilayahan

𝐼 − 𝐸(𝐼)
𝑍𝑖 =
Hipotesis Uji: 𝑉(𝐼)
𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑖2 (tidak terdapat heterogenitas spasial) Daerah penolakan:

𝐻1 : 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑎𝑑𝑎 𝑠𝑎𝑡𝑢 𝜎𝑖2 ≠ 𝜎 2 (terdapat heterogenitas spasial) Tolak 𝐻0 , jika 𝑍𝑖 > 𝑍𝛼/2

Statistik Uji:

1 𝑇
𝐵𝑃 = 𝑓 𝑍 𝑍𝑇 𝑍 −1 𝑇
𝑍 𝑓
2
Daerah Penolakan: Tolak 𝐻0 , jika 𝐵𝑃 > 𝜒 2 (𝑝) atau jika 𝑃𝑣𝑎𝑙𝑢𝑒 < 𝛼
Pengujian Kesesuaian Model GWR

Bertujuan untuk menjelaskan apakah model GWR dapat menjelaskan dengan lebih baik dibandingkan model regresi
linier atau tidak

Hipotesis Uji:
𝐻0 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 = 𝛽𝑘 (tidak ada perbedaan yang signifikan antara model regresi dengan model GWR)
𝐻1 : 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 𝑎𝑑𝑎 𝑠𝑎𝑡𝑢 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 ≠ 𝛽𝑘 (ada perbedaan yang signifikan antara model regresi dengan model GWR)

Statistik Uji:

𝑆𝑆𝐸𝑂𝐿𝑆 − 𝑆𝑆𝐸𝐺𝑊𝑅 /𝑣
𝐹ℎ𝑖𝑡 =
𝑆𝑆𝐸𝐺𝑊𝑅 /𝛿𝑖

Daerah penolakan:
tolak 𝐻0 jika nilai 𝐹ℎ𝑖𝑡 > 𝐹𝑡𝑎𝑏𝑒𝑙 atau sig< 𝛼 = 0,05(Hosmer & Lemeshow)
 Studi Kasus
ANALISIS POLA HUBUNGAN PDRB DENGAN FAKTOR
PENCEMARAN LINGKUNGAN DI INDONESIA MENGGUNAKAN
PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION
(GWR)

Oleh:
RIZA DAMAYANTI

Analisis Spasial
 Contoh Kasus

Ilustrasi
Penelitian ini terkait pola hubungan PDRB
dengan faktor pencemaran lingkungan di
Indonesia Tahun 2013, Data yang
digunakan adalah data sekunder yang
bersumber: Publikasi Badan Pusat Statistik
(BPS) Tahun 2013, sebanyak 33 Provinsi.

Variabel Penjelas
Variabel Respon Indeks Kualitas Udara(X1)
PDRB Indeks Kualitas Air Sungai (X2)
Indeks Tutupan Hutan (X3)
Kepadatan Penduduk(X4)

Data Spasial:
Koordinat Lintang (𝑢𝑖 )
Koordinat Bujur (𝑣𝑖 )
Analisis Deskriptif
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)
Permodelan regresi linier bertujuan untuk mengetahui variabel-variabel yang
mempengaruhi angka harapan hidup di Papua tanpa mempertimbangkan aspek
spasial.

Pengujian Normalitas Residual

Pengujian dengan Kolmogrov-Smirnov:

𝑃𝑣𝑎𝑙𝑢𝑒 = > 0,150 > 𝛼 = 0,18

Terima 𝐻0 ,data yang digunakan memenuhi

asumsi Residual berdistribusi Normal
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)

Pengujian Residual Identik (homoskesdastisitas)

Berdasarkan hasil pengujian tersebut, dapat

disimpulkan gagal tolak H0. Hal ini dikarenakan
nilai dari 0,7195<9,49 . Sehingga, dapat
disimpulkan bahwa asumsi varians residual
homogen (identik) terpenuhi.

Pengujian Residual Independen

Nilai p value =0,01095 sehingga diputuskan tolak H0 karena p-value kurang dari (0,05).
Hal tersebut menunjukkan bahwa asumsi residual independen tidak terpenuhi terpenuhi.
Pada penelitian ini, asumsi tidak terpenuhinya residual independen tidak diatasi. Hal ini
dikarenakan apabila asumsi tersebut diatasi, maka variabel yang berpengaruh signifikan
berkurang.
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)

Estimasi Parameter Model OLS

Pengujian Multikolinieritas menggunakan
VIF

Variabel respon dalam penelitian ini menggunakan fungsi ln agar

memenuhi asumsi residual normal. Model regresi global yang
diperoleh adalah sebagai berikut.
ln 𝑌෠ = 16,4 − 0,059𝑋1 − 0,0022𝑥2 − 0,0159𝑥3 − 0,00009𝑥4

Agar memudahkan dalam interpretasi, maka pemodelan PDRB

nilai VIF seluruh kurang dari 10, hal ini data dituliskan sebagai berikut.
menunjukkan bahwa tidakterdapat 𝑌෠ = 𝑒 16,4−0,059𝑋1 −0,0022𝑥2 −0,0159𝑥3 −0,00009𝑥4
multikolonieritas pada data yang digunakan
tepatnya
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)

Pengujian Parameter Regresi Model Secara Serentak

0,001 < 𝛼 = 0,05

Tolak 𝐻0
minimal ada satu variabel prediktor yang memiliki
pengaruh signifikan terhadap variabel respon
Langkah 1 : Pemodelan menggunakan metode OLS (Analisis Regresi dengan OLS)

Variabel yang berpengaruh secara signifikan terhadap

Pengujian Signifikansi Parameter
variabel respon adalah yang memiliki P-value < 𝛼 = 0,20

Variabel yang berpengaruh secara signifikan terhadap

variabel respon adalah Indeks Kualitas Udara(X1) dan
Indeks Tutupan Hutan( X3)
Langkah 2: Melakukan Pengujian Aspek Spasial

Uji independensi

Berdasarkan hasil pengolahan didapatkan

nilai Morans= 0,1601 dan p value = 1,411𝑥 10−6

Uji Breusch-Pagan dengan p value sebesar 1,411𝑥 10−6 < 0, maka tolak H0.
Dapat disimpulkan bahwa terjadi dependensi spasial pada
Hasil pengolahan didapatkan pengamatan
nilai BP = 13,999 dan p-value = 0,0026

dengan p-value 0,0026 < 0,05 , maka dapat

disimpulkan bahwa terjadi heterogenitas. Dengan
tidak terpenuhinya asumsi identik maka diperlukan
pemodelan spasial.
Langkah 3 : Pemodelan dengan GWR
Perhitungan Jarak Euclide

2 2
𝑑𝑖𝑗 = 𝑢𝑖 − 𝑢𝑗 + 𝑣𝑖 − 𝑣𝑗
Langkah 3 : Pemodelan dengan GWR
Perhitungan Jarak Euclide
Langkah 3 : Pemodelan dengan GWR
Pemilihan pembobot dan bandwidth
fungsi pembobot fixed gaussian

Salah satu kriteria

pembobot terbaik adalah
dengan meminimumkan
nilai CV

nilai bandwidth optimum yang diperoleh dengan

menggunakan fungsi pembobot Fix Gauss
adalah 8,117971 yang artinya titik yang berada
dalam radius 8,117971 dianggap berpengaruh
secara optimal dalam membentuk parameter
model lokasi.
Langkah 3:Pemodelan dengan GWR
Estimasi Parameter GWR Pada setiap provinsi
Langkah 3: Pemodelan dengan GWR
Pengujian kesesuaian model GWR

Pada taraf signifikansi 20%, diperoleh nilai

sebesar 𝐹𝑡𝑎𝑏𝑒𝑙 = 1,56798 dan sebesar 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 1,5838
sehingga diputuskan tolak H0 yang artinya terdapat
perbedaan signifikan antara model regresi global dan
model GWR.
Langkah 3:Analisis dengan GWR (Lanjutan)
Pengujian parsial model GWR
Langkah 3:Analisis dengan GWR (Lanjutan)
PengujianParameter
Estimasi parsial model
GWR berdasarkan variabel 𝑥1 yang signifikan
GWR
Langkah 3:Analisis dengan GWR (Lanjutan)
Estimasi Parameter
Pengujian parsial model
GWR berdasarkan variabel 𝑥1 dan 𝑥2 yang
GWR
signifikan

Estimasi Parameter GWR berdasarkan variabel 𝑥1 dan 𝑥4 yang

signifikan
Langkah 3:Analisis dengan GWR (Lanjutan)

Pemodelan GWR berdasarkan

variabel yang signifikan
Langkah 3:Analisis dengan GWR (Lanjutan)
Peta Persebaran Provinsi berdasarkan Variabel yang signifikan
Langkah 4: Pemilihan Model Terbaik

model Geographically Weighted Regression memiliki nilai AIC dan SSE yang lebih kecil
dibandingkan model global. Selain itu, dari segi R2, model GWR memberikan R2 yang
lebih tinggi dibanding dengan model regresi global. Oleh karena itu, dapat disimpulkan
bahwa model GWR merupakan model yang lebih baik dibandingkan dengan model
regresi global.
Kesimpulan

 Model GWR dengan pembobot kernel fixed gaussian merupakan model terbaik untuk data tingkat
kemiskinan di Jawa Tengah dengan AIC sebesar 83,12 dan R2 sebesar 65,98%.
 Berdasarkan variabel yang signifikan untuk tiap provinsi, terbentuk 4 kelompok provinsi yang memiliki
kesamaan variabel yang berpengaruh terhadap PDRB. Kelompok pertama dengan variabel yang signifikan
indeks kualitas udara (X1) terdiri dari 24 provinsi, kelompok kedua dengan variabel yang signifikan adalah
indeks kualitas udara dan air sungai (X1 dan X2) terdiri dari 1 provinsi, dan kelompok ketiga dengan
variabel X1 dan X4 yang signifikan terdiri dari 3 provinsi. Kelompok keempat terdiri dari 5 provinsi yaitu
NAD, Riau, Kepulauan Riau, Sumatera Utara, dan Sumatera Barat tanpa variabel yang signifikan.
Thank You