Pemodelan Geographically Weighted Regression Dan Bayesian Geographically Weighted Regression Dengan Fungsi Pembobot Adaptive Gaussian Kernel Pada Kasus Kemiskinan Di Provinsi Jawa Barat
| Main Author: | Sodikin, Ikin |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/1676/1/BAGIAN%20DEPAN.pdf http://repository.ub.ac.id/1676/2/BAB.I.pdf http://repository.ub.ac.id/1676/3/BAB.II.pdf http://repository.ub.ac.id/1676/4/BAB.III.pdf http://repository.ub.ac.id/1676/5/BAB.IV.pdf http://repository.ub.ac.id/1676/6/BAB.V.pdf http://repository.ub.ac.id/1676/7/DAFTAR%20PUSTAKA.pdf http://repository.ub.ac.id/1676/ |
Daftar Isi:
- Sebagai negara berkembang, hingga saat ini Indonesia masih memiliki salah satu permasalahan cukup serius yaitu kemiskinan. Untuk menanggulangi permasalahan kemiskinan tersebut, pemerintah telah melakukan berbagai upaya, antara lain dengan memperkirakan wilayah-wilayah yang tergolong miskin hingga tingkat administrasi terendah, dengan harapan pengentasan kemiskinan akan menjadi lebih terarah. Pendekatan analisis regresi telah sering digunakan dalam memprediksi tingkat kemiskinan, namun masih bersifat global dan diberlakukan pada seluruh lokasi yang diamati tanpa melibatkan lokasi geografis berdasarkan garis lintang dan bujur bumi. Pengaruh spasial yang muncul menyebabkan asumsi kebebasan antar pengamatan yang diperlukan dalam regresi global sulit dipenuhi. Salah satu model yang sudah banyak dikembangkan untuk mengatasi permasalahan spasial dan dapat mengakomodir pengaruh spasial dalam suatu pendugaan model regresi antara lain Geographically Weighted Regression (GWR). Salah satu permasalahan penting yang muncul dalam pemodelan GWR adalah ragam tidak konstan antar amatan. Hal tersebut muncul sebagai akibat koefisien regresi yang berbeda-beda di tiap lokasi pengamatan. Dampak yang mungkin ditimbulkan yaitu ragam galat juga akan berbeda untuk setiap lokasi serta tidak terpenuhinya asumsi kenormalan galat. Analisis Bayesian GWR yang diperkenalkan oleh Lesage (2001), dinilai sebagai salah satu solusi yang tepat untuk menangani permasalahan yang muncul pada pemodelan GWR. Pada analisis BGWR, ragam galat diasumsikan tidak konstan antar lokasi observasi agar masalah ketidakhomogenan ragam dapat terakomodir. Model BGWR menerapkan algoritma Gibbs Sampling dalam mengestimasi parameter yaitu salah satu metode simulasi dengan pendekatan Markov Chain Monte Carlo (MCMC) untuk memperoleh data contoh bangkitan parameter secara berurutan dari suatu sebaran posterior tertentu sehingga menghasilkan set estimasi yang mendekati sebaran asli dari posterior yang dibentuk dari likelihood data dan informasi awal berupa prior. Dalam penelitian ini digunakan pembobot adaptive Gaussian Kernel dimana bandwidth berbeda-beda antar satu lokasi dengan lokasi lainnya. Berdasarkan kriteria kebaikan model Mean Square Error (MSE), hasil analisis dalam penelitian ini menunjukkan bahwa model BGWR lebih baik daripada model GWR. Pada model BGWR dengan hyperparameter r=35, tingkat kemiskinan 27 kabupaten/kota di Provinsi Jawa Barat dapat dijelaskan dengan baik oleh peubah angka melek huruf, persentase rumah tangga dengan jamban bersama dan persentase rumah tangga penerima beras miskin dengan nilai MSE model sebesar