Pemodelan Geographically Weighted Quantile Regression (GWQR) Pada Data Indeks Pembangunan Manusia (IPM) di Pulau Jawa Tahun 2017 dan Data Simulasi (Studi Kasus dan Simulasi)
| Main Author: | Kurniawati, Neny |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/192802/1/Tesis%20Lengkap%20Neny%20Kurniawati.pdf http://repository.ub.ac.id/id/eprint/192802/ |
Daftar Isi:
- Analisis regresi kuantil merupakan suatu metode regresi dengan pendekatan membagi data menjadi kuantil-kuantil tertentu yang kemungkinan memiliki nilai dugaan yang berbeda. Walaupun tidak dikhususkan sebagai metode robust namun regresi kuantil dapat diterapkan pada data yang mengandung pencilan dan memiliki ragam galat yang tidak homogen. Apabila ragam galat tidak homogen maka akan memungkinkan model yang dihasilkan secara global tidak mampu menerangkan keseluruhan data sehingga diperlukan model secara lokal dengan memasukkan unsul spasial. Kondisi yang dipengaruhi oleh unsur spasial memungkinkan adanya heterogenitas spasial. GWR merupakan suatu metode yang dapat digunakan untuk menduga parameter model pada data yang memiliki heterogenitas spasial. Untuk mengakomodir dua aspek sekaligus yaitu eksplorasi hubungan antar variabel yang dipengaruhi faktor heterogenitas spasial dan pola distribusi variabel respon maka dikembangkan Geographically Weighted Quantile Regression (GWQR) dengan mengintegrasikan model GWR dan regresi kuantil. Pada penelitian ini model GWQR diterapkan pada data IPM Pulau Jawa di mana capaian IPM di Pulau Jawa sebarannya sangat beragam dan merupakan suatu permasalahan yang spasial. Pembobot yang digunakan adalah adaptive Gaussian Kernel dan nilai kuantil yang digunakan adalah kuantil 0,05; 0,25; 0,50; 0,75; dan 0,95. Hasil analisis menunjukkan bahwa model GWQR lebih baik daripada model QR global dalam menerangkan hubungan antara umur harapan hidup (tahun), angka partisipasi sekolah usia 16-18 tahun (%), persentase penduduk dengan Pendidikan minimal SMA (%), kepadatan penduduk (km2/jiwa), persentase penduduk miskin (%), dan pengeluaran perkapita (rupiah) terhadap IPM kabupaten/kota di Pulau Jawa. Hal ini terlihat dari hasil prediksi yang dihasilkan model GWQR lebih mendekati nilai IPM yang sebenarnya daripada hasil prediksi yang dihasilkan dari model QR secara global. Untuk mengetahui kekonsistenan model GWQR dalam mengatasi adanya pencilan maka dilakukan pula studi simulasi untuk beberapa persentase pencilan sebesar 5%, 10%, 15%, dan 20% pada data dengan kondisi terdapat dan tidak terdapat heterogenitas spasial. Evaluasi penentuan metode yang terbaik adalah dengan menggunakan nilai RMSE. Hasil analisis menunjukkan bahwa pada data tanpa heterogenitas spasial, nilai RMSE model QR hampir sama dengan model GWQR. Hasil ini diperkuat dengan uji kesamaan dua ragam yang memberikan hasil bahwa ragam model QR dan Model GWQR sama. Sedangkan pada data dengan heterogenitas spasial, hasil uji kesamaan ragam menunjukkan bahwa ragam galat antar dua model QR pada beberapa persentase pencilan berbeda sedangkan ragam galat antar dua model GWQR pada berbagai persentase pencilan adalah sama. Hal ini juga dapat dikatakan bahwa model GWQR lebih konsisten dalam mengatasi adanya pencilan pada berbagai persentase pencilan. Oleh karena itu, berdasarkan nilai RMSE yang relatif lebih kecil yang dilanjutkan dengan uji kesamaan ragam galat dapat dikatakan bahwa model GWQR merupakan model yang lebih baik dari pada model QR pada data yang mengandung heterogenitas spasial dan pencilan dengan beberapa persentase pencilan.