analisis regresi tobit spasial: studi kasus penggunaan … · analisis regresi spasial . bagaimana...
TRANSCRIPT
ANALISIS REGRESI TOBIT SPASIAL: Studi Kasus Penggunaan Internet di Pulau Jawa
oleh:
Andhie Surya Mustari NRP. 1310 201 719
Pembimbing: Dr. Dra. Ismaini Zain, M.Si.
Program Magister – Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember Seminar Tesis, Senin, 16 Januari 2012
O U T L I N E
Pendahuluan
Kesimpulan dan Saran
2
Metode Penelitian
Kajian Pustaka
Analisis dan Pembahasan
LATAR BELAKANG (1)
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
3
LATAR BELAKANG (2)
Faktor-faktor yang Mempengaruhi Penggunaan Internet di Pulau Jawa
Data Kewilayahan
Variabel Respon yang Bersifat Kategorik dan
Terbatas
Analisis Data Kategorik
Data Dikotomi: Tinggi – Rendah
Analisis Regresi Probit
Data Tersensor: Tinggi – Rendah Bervariasi
Analisis Regresi Tobit
Variabel Respon yang Memiliki Efek Korelasi
Spasial
Analisis Regresi Spasial
Bagaimana Pemodelan Data Penggunaan
Internet di Pulau Jawa Menggunakan Model Regresi Tobit Spasial?
4
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
RUMUSAN MASALAH
Bagaimana pembentukan model dan metode penaksiran parameter model regresi Tobit spasial?
Bagaimana penyusunan algoritma dan pemrogram untuk pembentukan model regresi Tobit spasial?
Bagaimana aplikasi model regresi Tobit spasial untuk menganalisis penggunaan internet di Pulau Jawa?
5
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
TUJUAN PENELITIAN
Mengkaji pembentukan model dan penaksiran parameter dari model regresi
Tobit spasial
Menyusun algoritma dan pemrogram untuk pembentukan model regresi Tobit spasial
Memodelkan data penggunaan internet di Pulau Jawa menggunakan model regresi
Tobit spasial
6
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
MANFAAT PENELITIAN
Pengembangan wawasan keilmuan dan pengetahuan mengenai model regresi Tobit spasial.
Memberikan alternatif metode analisis untuk meneliti variabel respon tersensor dengan korelasi spasial.
Pengembangan program sederhana untuk pembentukan model regresi Tobit spasial.
Sebagai masukan bagi pengambil keputusan mengenai kebijakan pembangunan bidang telekomunikasi.
7
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
BATASAN PENELITIAN
observasi
Observasi penelitian sebanyak 118
kabupaten/kota di enam provinsi di Pulau Jawa.
sensor
Variabel respon tersensor pada kabupaten/kota
dengan persentase penduduk pengguna
internet di atas 16 persen.
8
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
DATA TERSENSOR
50403020100
30
25
20
15
10
5
0
Persentase Penduduk Berpendidikan SMA atau lebih
Pe
rse
nta
se
Pe
ng
gu
na
In
tern
et
Scatterplot of y vs x03
9
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
MODEL TOBIT
Tobin’s Probit Model (1958):
𝑦𝑖 = 𝑦𝑖
∗ = 𝒙𝑖𝜷 + 𝜀𝑖 jika 𝑦𝑖∗ < 𝜏
𝜏 jika 𝑦𝑖∗ ≥ 𝜏
dimana 𝑦𝑖 = variabel respon yang berdistribusi normal tersensor, 𝜏 = konstanta nilai batasan sensor (𝜏 > 𝑦 ∗), 𝒙𝑖 = variabel prediktor, 𝜷 = parameter model, dan 𝜺 ~ 𝑁 0, 𝜍2 .
10
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
MODEL SPASIAL
Bentuk umum model spasial (Anselin, 1988):
𝒚 = 𝜌 𝑾𝒚 + 𝑿𝜷 + 𝒖 𝒖 = 𝜆 𝑾𝒖 + 𝜺
Atau
𝒚 = 𝑰 − 𝜌𝑾 ;1𝑿𝜷 + 𝑰 − 𝜌𝑾 ;1 𝑰 − 𝜆𝑾 ;1𝜺 Dimana 𝜺 ~ 𝑁 0, 𝜍2 𝒚 = variabel respon 𝑿 = variabel prediktor 𝜷 = parameter model regresi 𝜌 = koefisien korelasi spasial lag 𝜆 = koefisien korelasi spasial error 𝑾 = matriks penimbang spasial
11
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
UJI EFEK KORELASI SPASIAL
Uji efek korelasi spasial lag: 𝐻0: 𝜌 = 0 lawan 𝐻1: 𝜌 ≠ 0 Statistik uji LM-lag:
𝐿𝑀𝑙𝑎𝑔 =𝒆′𝑾𝒚 𝜍2 2
𝐷
Uji efek korelasi spasial error:
𝐻0: 𝜆 = 0 lawan 𝐻1: 𝜆 ≠ 0 Statistik uji LM-err:
𝐿𝑀𝑙𝑎𝑔 =𝒆′𝑾𝒆 𝜍2 2
𝑇
dimana 𝜍2 = 𝒆T𝒆 𝑛
𝐷 = 𝑾𝑿𝜷 T 𝑰 − 𝑿 𝑿T𝑿;1
𝑿T 𝑾𝑿𝜷 𝜍2 + 𝑇
𝑇 = tr 𝑾T + 𝑾 𝑾
𝐻0 ditolak apabila 𝐿𝑀 > 𝜒2
𝛼,1 atau p-value lebih kecil dari nilai 𝛼
(Anselin, 1999)
12
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
UJI HETEROSKEDASTISITAS
Uji heteroskedastisitas 𝐻0: 𝜍1
2 = 𝜍22 = ⋯ = 𝜍𝑛
2 = 𝜍2 (homoskedastisitas) 𝐻1: minimal ada satu 𝜍𝑖
2 ≠ 𝜍2 (heteroskedastisitas) Nilai Statistik Uji Breusch Pagan (1979):
𝐵𝑃 =1
2𝒇′𝑿 𝑿′𝑿 ;1𝑿′𝒇
dengan elemen vektor f adalah
𝑓𝑖 =𝑒𝑖
2
𝜍2 − 1
dimana 𝑒𝑖 adalah residual observasi ke-𝑖 hasil regresi linier, 𝑖 = 1,2, … , 𝑛, 𝜍2 = 𝒆T𝒆 𝑛 , 𝑿 adalah matriks 𝑛 × 𝑝 + 1 dari observasi dengan elemen kolom pertama merupakan vektor satu, dan 𝑝 adalah jumlah variabel prediktor. 𝐻0 ditolak apabila 𝐵𝑃 > 𝜒2
𝛼,𝑝 . 13
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
UJI PARAMETER
Pengujian Parameter 𝐻0: 𝛽𝑘 = 0 𝐻1: 𝛽𝑘 ≠ 0, 𝑘 = 1,2, … , 𝑝 Statistik uji Wald (Long, 1997):
𝑊𝑘 =𝛽 𝑘
𝑉𝑎𝑟 𝛽 𝑘
Tolak 𝐻0 apabila nilai 𝑊𝑘 > 𝑍𝛼
2
atau p-value lebih kecil dari nilai 𝛼.
14
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
PENELITIAN TOBIT SPASIAL
LeSage (2000) merumuskan model Tobit SAR heteroskedastic dengan metode MCMC Gibbs sampler dan mengaplikasikannya pada data harga perumahan di Boston tahun 1978.
Kaliba (2002) mengembangkan model Tobit SAC menggunakan modul aplikasi Maximum Likelihood 4 dari paket program GAUSS pada data pedesaan di Tanzania.
Langyintuo dan Mekuria (2008) menggunakan metode maksimum likelihood untuk membentuk model Tobit SAC pada data petani di Mozambique.
LeSage dan Pace (2009) menggunakan data simulasi yang dibangkitkan oleh Koop (2003) untuk membentuk model Tobit spasial menggunakan metode Bayesian MCMC.
15
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
MARKOV CHAIN MONTE CARLO (MCMC)
MCMC merupakan suatu teknik metode simulasi yang membangkitkan sejumlah sampel dari distribusi data yang telah diketahui (Chib dan Greenberg, 1996).
Ide dasar dari teknik MCMC adalah daripada menghitung suatu fungsi kepadatan peluang 𝑝 𝜽 𝒚 , lebih baik mengambil sampel random dalam jumlah besar dari 𝑝 𝜽 𝒚 untuk mengetahui bentuk probabilitas tersebut secara tepat. (Casella dan George, 1992)
Dengan ukuran sampel random yang cukup besar, ditandai dengan besarnya jumlah iterasi MCMC, nilai rata-rata dan standar deviasinya dapat dihitung secara akurat (Casella dan George, 1992).
LeSage (1999) menjelaskan bahwa algoritma MCMC Gibbs sampler akan memberi kemudahan estimasi parameter untuk model regresi Tobit spasial daripada harus memecahkan sejumlah persamaan integral pada metode maksimum likelihood.
16
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
GIBBS SAMPLER
Algoritma Gibbs sampler :
1. Tentukan nilai inisiasi awal 𝜽 0 = 𝜃10 , 𝜃2
0 , … , 𝜃𝑝0
2. Lakukan langkah di bawah sejumlah 𝑡 = 1: 𝑚, dimana 𝑚 = jumlah iterasi.
Bangkitkan nilai 𝜃1𝑡 ~ 𝑝 𝜃1 𝒚, 𝜃2
𝑡;1 , 𝜃3𝑡;1 , … , 𝜃𝑝
𝑡;1
Bangkitkan nilai 𝜃2𝑡 ~ 𝑝 𝜃2 𝒚, 𝜃1
𝑡 , 𝜃3𝑡;1 , … , 𝜃𝑝
𝑡;1
…
Bangkitkan nilai 𝜃𝑝𝑡 ~ 𝑝 𝜃𝑝 𝒚, 𝜃1
𝑡 , 𝜃2𝑡 , … , 𝜃𝑝;1
𝑡
3. Tentukan hasil estimasi 𝜽 dengan cara
𝜽 =1
𝑚 𝜃 𝑡
𝑚
𝑡<1
17
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
METROPOLIS HASTINGS
Algoritma Metropolis Hastings :
1. Hitung peluang penerimaan 𝜽 ∗ sebagai 𝜽 𝑡 .
𝑝 𝜽 ∗ , 𝜃 𝑡;1 = min 1 ,𝑝 𝜽 ∗ 𝒚 𝑓 𝜽 𝑡;1 𝜽 ∗
𝑝 𝜽 𝑡;1 𝒚 𝑓 𝜽 ∗ 𝜽 𝑡;1
2. Bangkitkan angka random 𝑞 ~ Uniform(0,1).
3. Terima 𝜽 ∗ sebagai nilai baru dari 𝜽 𝑡 apabila
𝑝 𝜽 ∗ , 𝜽 𝑡;1 > 𝑞.
Jika tidak, nilai 𝜽 𝑡;1 tidak berubah atau 𝜽 𝑡 = 𝜽 𝑡;1 .
18
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
PENGGUNAAN INTERNET (1)
Pembangunan teknologi informasi dan komunikasi (TIK) suatu negara memiliki hubungan yang positif dengan pertumbuhan ekonomi. Artinya, pembangunan TIK akan memberikan efek berantai kepada meningkatnya pertumbuhan ekonomi (Kominfo, 2010).
Rao dan Pattnaik (2006) menyatakan bahwa pertumbuhan TIK telah membuka kesempatan bagi masyarakat untuk lebih memanfaatkan fasilitas pembangunan sosial ekonomi dan budaya secara lebih modern.
Pembangunan TIK memberikan pengaruh ekonomi yang luas, baik secara langsung maupun tidak langsung, meningkatkan kesejahteraan dan pembangunan fasilitas sosial ekonomi (ITU, 2010).
19
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
PENGGUNAAN INTERNET (2)
Michailidis dkk. (2011) mengungkapkan bahwa pengguna internet di pedesaan Yunani dipengaruhi oleh tingkat pendapatan, harga dari akses internet, kepemilikan PC, tempat tinggal, serta variabel sosial demografi seperti; jenis kelamin, jumlah penduduk muda yang tinggal satu rumah, umur, tingkat pendidikan, dan status pekerjaan.
Menggunakan data dari 154 negara, Howard dan Mazaheri (2009) menemukan bahwa kesenjangan penggunaan TIK (telepon seluler, komputer, dan bandwidth internet) dipengaruhi oleh; investasi asing, perdagangan, jumlah penduduk, populasi perkotaan, literacy rate, konsumsi, telepon kabel, serta sembilan variabel lain yang menjelaskan regulasi pemerintah.
Andonova dan Serrano (2007) menjelaskan bahwa perkembangan TIK dan pertumbuhan pemanfaatan internet lebih banyak dipengaruhi oleh faktor perhatian pemerintah dan regulasi yang berlaku di wilayah tersebut.
20
Pendahuluan
Kajian Pustaka
Metode Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
SUMBER DATA
Sumber data yang digunakan dalam penelitian ini adalah data olahan
hasil Susenas 2010, Sakernas 2010, dan Podes 2008, serta data
sekunder yang diambil dari publikasi PDRB kabupaten/kota di
Indonesia tahun 2005–2009. Adapun matriks penimbang spasial
disusun berdasarkan metode queen contiguity, menggunakan peta
digital hasil kegiatan updating peta sensus penduduk 2010.
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 21
VARIABEL PENELITIAN
Var. Deskripsi Var. Deskripsi
𝒚 Persentase Pengguna Internet 𝒙8 Pendapatan perkapita.
𝒙1 Persentase penduduk yang tinggal di perkotaan.
𝒙9 Laju pertumbuhan ekonomi.
𝒙2 Persentase penduduk usia sekolah menengah hingga perguruan tinggi.
𝒙10 Persentase belanja pembangunan daerah untuk telekomunikasi.
𝒙3 Persentase penduduk lulusan SMA hingga perguruan tinggi.
𝒙11 Persentase rumah tangga dengan telepon rumah.
𝒙4 Rata-rata lama sekolah. 𝒙12 Persentase rumah tangga dengan desktop PC/laptop/notebook.
𝒙5 Tingkat partisipasi angkatan kerja (TPAK).
𝒙13 Persentase rumah tangga dengan telepon genggam.
𝒙6 Persentase pekerja kerah putih. 𝒙14 Persentase desa/kelurahan yang memiliki warung internet (warnet).
𝒙7 Rata-rata persentase pengeluaran rumah tangga untuk telekomunikasi perbulan.
𝒙15 Persentase desa/kelurahan yang tersedia sinyal telepon seluler.
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 22
PETA DIGITAL
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 23
METODE PENELITIAN (1)
Menentukan teknik pembangkitan angka random yang berdistribusi normal terpotong untuk melengkapi data yang tersensor.
Menentukan bentuk korelasi spasial dan efek heteroskedastisitas dari model regresi Tobit spasial yang akan dibentuk.
Menentukan bentuk persamaan likelihood dari model regresi Tobit spasial (𝑳 𝜍2, 𝑽, 𝜷, 𝜌 𝒚 ).
Menentukan probabilita prior dari masing-masing parameter berdasarkan hasil studi literatur.
Menentukan distribusi posterior dari masing-masing parameter dengan syarat parameter lainnya diketahui.
Pembentukan model dan estimasi
parameter dari model regresi Tobit spasial
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 24
METODE PENELITIAN (2)
Menyusun algoritma dan program untuk menguji bentuk korelasi spasial dan efek heteroskedastisitas error dari model regresi Tobit spasial yang akan dibentuk.
Menyusun algoritma Gibbs sampler untuk estimasi parameter model regresi Tobit spasial (𝜍2, 𝑽, dan 𝜷) dari distribusi posterior bersyarat yang telah terbentuk.
Menyusun algoritma Metropolis within Gibbs untuk estimasi koefisien model regresi Tobit spasial (𝜌 atau 𝜆) dari distribusi posterior bersyarat yang telah terbentuk.
Menyusun algoritma Slice Sampling untuk membangkitkan angka random yang berdistribusi normal terpotong dalam rangka melengkapi data yang tersensor.
Menyusun algoritma uji parameter, kemudian merangkainya dengan algoritma-algoritma di atas menjadi satu kesatuan program.
Penyusunan algoritma dan pemrograman
untuk pembentukan
model regresi Tobit spasial
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 25
METODE PENELITIAN (3)
Pemodelan data penggunaan
internet di Pulau Jawa menggunakan model regresi Tobit
spasial
Analisis Deskriptif
• Deskriptif variabel respon
• Deskriptif variabel prediktor
• Koefisien korelasi, scatter plot, dan regresi linier sederhana antara variabel respon terhadap masing-masing variabel prediktor
Pemodelan Data
• Penyusunan matriks penimbang spasial
• Pengujian efek korelasi spasial dan heteroskedastisitas
• Estimasi paramter menggunakan program yang telah dibuat
• Pemilihan variabel menggunakan backward elimination
Interpretasi Model
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 26
MODEL TOBIT SPASIAL
Model regresi Tobit spasial merupakan penerapan model regresi spasial pada data yang tersensor. Sehingga dengan menggabungkan model spasial ke dalam model Tobit, akan diperoleh suatu model umum regresi Tobit spasial sebagaimana berikut.
𝒚 = 𝒚∗ = 𝑰 − 𝜌𝑾 ;1𝑿𝜷 + 𝑰 − 𝜌𝑾 ;1 𝑰 − 𝜆𝑾 ;1𝜺 jika 𝑦𝑖
∗ < 𝜏𝝉 jika 𝑦𝑖
∗ ≥ 𝜏
dimana 𝜺 ~ 𝑁 𝟎, 𝜍2𝑽 , 𝑽 = 𝑰 jika varians error homogen. 𝑽 = diag 𝑣𝑖 jika varians error heterogen. 𝒚 = variabel respon tersensor, 𝒚∗ = data dengan informasi yang lengkap, 𝜏 = konstanta yang menjadi batasan sensor, 𝑿 = variabel prediktor yang lengkap untuk seluruh observasi. 𝜌 = koefisien korelasi spasial lag, 𝜆 = koefisien korelasi spasial error, 𝜷 = vektor dari parameter model, 𝑾 = matriks penimbang spasial dengan elemen diagonalnya bernilai nol.
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 27
DISTRIBUSI NORMAL TERPOTONG
Estimasi parameter model regresi Tobit spasial dilakukan dengan asumsi awal
bahwa vektor variabel respon 𝒚 merupakan data dengan informasi yang lengkap, tidak tersensor, dan memiliki
korelasi spasial (LeSage, 2000)
𝒚 ~ Censored Normal
𝒚∗ ~ Normal 𝜇𝑦∗ , 𝜍𝑦∗2
𝜇𝑦∗ = 𝑰 − 𝜌𝑾 ;1𝑿𝜷
𝜍𝑦∗2 = 𝑰 − 𝜌𝑾 ;1 ′ 𝑰 − 𝜆𝑾 ;1 ′ 𝑰 − 𝜌𝑾 ;1 𝑰 − 𝜆𝑾 ;1𝜍𝜀
2𝑽
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 28
FUNGSI LIKELIHOOD DAN PENETAPAN PRIOR
Fungsi Likelihood dari model regresi spasial:
𝐿 𝜍2, 𝑽, 𝜷, 𝜌, 𝜆 𝒚 = 2𝜋𝜍2 ;1 2 𝐼 − 𝜌𝑊 𝐼 − 𝜆𝑊 𝜈𝑖𝑖;1 2
𝑛
𝑖<1exp −
1
2𝜍2 𝜺′𝑽;1𝜺
dimana 𝜺 = 𝑰 − 𝜆𝑾 𝑰 − 𝜌𝑾 𝒚 − 𝑿𝜷
Priors (LeSage, 2000 dan Lacombe(2008):
𝜍2 ~ 𝐼𝐺 𝑎, 𝑏 ,
𝑎 = 𝑏 = 0
𝑟 𝑣𝑖 ~ 𝑖𝑖𝑑 𝜒2𝑟 ,
𝑖 = 1,2, … , 𝑛 𝜷 ~ 𝑀𝑁 𝟎, 1012𝑰 𝜌, 𝜆 ~ 𝑈 𝜑𝑚𝑖𝑛
;1 , 𝜑𝑚𝑎𝑥;1
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 29
DISTRIBUSI POSTERIOR BERSYARAT
Distribusi posterior bersyarat untuk 𝜍2: 1
𝜍2 𝜺′𝑽;1𝜺 ~ 𝜒2𝑛:4
Distribusi posterior bersyarat untuk 𝜈𝑖𝑖: 1
𝜈𝑖𝑖
𝜀𝑖2
𝜍2 + 𝑟 ~ 𝜒2𝑟:1
Distribusi posterior bersyarat untuk 𝜷:
𝑝 𝜷 𝜍2, 𝑽, 𝜌, 𝜆 ∝ exp −1
2𝜍2 𝑩 𝑨𝒚 − 𝑿𝜷 ′𝑽;1 𝑩 𝑨𝒚 − 𝑿𝜷
Distribusi posterior bersyarat untuk 𝜌 atau 𝜆:
𝑝 𝜌, 𝜆 𝜍2, 𝑽, 𝜷 ∝ 𝐼 − 𝜌𝑊 𝐼 − 𝜆𝑊 exp −1
2𝜍2 𝜺′𝑽;1𝜺
dimana 𝑨 = 𝑰 − 𝜌𝑾 , 𝑩 = 𝑰 − 𝜆𝑾 , dan 𝜺 = 𝑩 𝑨𝒚 − 𝑿𝜷
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 30
ALGORITMA
• Algoritma MCMC Gibbs sampler dilakukan dengan cara membangkitkan angka random yang mengikuti distribusi posterior bersyarat dari masing-masing parameter, sebanyak jumlah iterasi yang diinginkan.
• Algoritma Metropolis within Gibbs digunakan pada bentuk distribusi posterior yang tidak standar, seperti untuk parameter 𝜌 atau parameter 𝜆
• Hasil uji Lagrange digunakan untuk menentukan bentuk dari model spasial, apakah spasial lag (𝜆 = 0) atau spasial error (𝜌 = 0).
• Hasil uji Breusch Pagan digunakan untuk menentukan nilai 𝑽, menjadi 𝑽 = 𝑰 ketika terjadi kondisi homoskedastisitas.
• Algoritma Slice sampling digunakan untuk membangkitkan angka random yang berdistribusi normal terpotong dalam rangka melengkapi data yang tersensor.
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 31
PEMODELAN AWAL
Parameter Koefisien Statistik Uji Wald
p-Value
(1) (2) (3) (4)
𝜌 -0,1725 -3,3492 0,0000
𝛽0 -10,1064 -11,0939 0,0000
𝛽1 0,0157 5,9022 0,0000
𝛃𝟐 0,0010 0,0515 0,4795
𝛽𝟑 0,2350 11,0525 0,0000
𝛽𝟒 0,5995 10,3880 0,0000
Parameter Koefisien Statistik Uji Wald
p-Value
(1) (2) (3) (4)
𝛽𝟓 -0,0265 -3,5396 0,0002
𝛽𝟔 -0,0845 -4,9484 0,0000
𝛽𝟕 -0,6389 -2,9998 0,0014
𝜷𝟖 -1,39E-06 -0,7111 0,2385
𝛽𝟗 -0,1301 -3,5615 0,0002
𝛽𝟏𝟎 -0,3746 -2,2284 0,0129
𝜷𝟏𝟏 -0,0142 -0,5955 0,2758
𝜷𝟏𝟐 0,0227 0,9147 0,1802
𝛽𝟏𝟑 0,1035 7,1374 0,0000
𝛽𝟏𝟒 -0,0109 -2,0316 0,0211
𝛽𝟏𝟓 0,0797 26,7382 0,0000
𝝈𝟐 1,8306 – –
Statistik Uji Nilai p-Value
(1) (2) (3)
LM-lag 13,5172 0,0000
LM-err 3,7714 0,0521
Breusch Pagan 18,5709 0,2338
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 32
BACKWARD ELIMINATION
Statistik Uji
Tahap II Tahap III Tahap IV Tahap V
14 Variabel 13 Variabel 12 Variabel 11 Variabel
Nilai p-Value Nilai p-Value Nilai p-Value Nilai p-Value
(1) (2) (3) (4) (5) (6) (7) (8) (9)
LM-lag 13,5644 2,31e-004 13,5139 2,37e-004 13,4566 2,44e-004 13,4013 2,51e-004
LM-err 3,8177 0,0507 3,7622 0,0524 3,7649 0,0523 3,7502 0,0528
Breusch Pagan 18,5895 0,1812 18,5082 0,1392 16,3583 0,1754 15,8739 0,1459
Variabel Dikeluarkan:
𝒙2 𝒙8 𝒙11 𝒙12
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 33
ESTIMASI PARAMETER
Parameter
Jumlah Iterasi = 5000
Waktu Iterasi = 203,9420
Koefisien Statistik Uji Wald
p-Value
(1) (2) (3) (4)
𝜌 -0,1785 -3,8133 6,87e-005
𝛽0 -10,1730 -9,6037 0,0000
𝛽1 0,0153 6,7232 0,0000
𝛽3 0,2437 13,2672 0,0000
𝛽4 0,6021 9,8691 0,0000
𝛽5 -0,0277 -4,1378 0,0000
𝛽6 -0,0795 -4,7580 0,0000
(1) (2) (3) (4)
𝛽7 -0,6797 -3,5718 0,0002
𝛽9 -0,1456 -4,5033 0,0000
𝛽10 -0,3507 -2,3030 0,0106
𝛽13 0,1064 8,3142 0,0000
𝛽14 -0,0129 -3,4958 0,0002
𝛽15 0,0801 25,9867 0,0000
𝜍2 1,8284 – –
Koefisien Determinasi: 84,07 persen
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 34
PEMODELAN AKHIR
Model regresi Tobit spasial lag untuk data penggunaan internet di Pulau Jawa adalah sebagai berikut:
Untuk kabupaten/kota dengan kategori penggunaan internet yang rendah:
𝑦 𝑖 = −10,173 − 0,179 𝑤𝑖𝑗𝑦𝑗
𝑛
𝑗<1,𝑗≠𝑖+ 0,015𝑥1𝑖 + 0,244𝑥3𝑖 + 0,602𝑥4𝑖
− 0,028𝑥5𝑖 − 0,080𝑥6𝑖 − 0,680𝑥7𝑖 − 0,146𝑥9𝑖 − 0,351𝑥10𝑖
+ 0,106𝑥13𝑖 − 0,013𝑥14𝑖 + 0,080𝑥15𝑖
Untuk kabupaten/kota dengan kategori penggunaan internet yang tinggi:
𝑦 𝑖 = 16
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 35
INTERPRETASI MODEL
Penduduk perkotaan
Tingkat pendidikan
Lama sekolah
Telepon genggam
Sinyal telepon seluler
TPAK
Pekerja profesional
Belanja telekomunikasi rumah tangga
Pertumbuhan ekonomi
Pembangunan telekomunikasi daerah
Fasilitas warnet
Pendahuluan Kajian
Pustaka Metode
Penelitian Analisis dan Pembahasan
Kesimpulan dan Saran 36
KESIMPULAN DAN SARAN
37
Metode MCMC Gibbs Sampler yang digunakan dalam
penelitian ini menggunakan pendekatan inferensia
Bayesian dengan statistik uji Wald sebagai uji parameter.
Pada penelitian selanjutnya, disarankan untuk mengganti metode pengujian parameter
menggunakan Bayesian Highest Posterior Density (HPD) serta
Bayes Factor sebagai uji model.
Hasil uji Breusch Pagan memperlihatkan varians error yang homogen
Pada penelitian selanjutnya, disarankan untuk mengaplikasikan model pada data dengan
varians error yang heterogen.
• Pemodelan data kewilayahan, sebaiknya memperhitungkan adanya efek korelasi spasial.
• Untuk data kewilayahan yang mengandung nilai-nilai tersensor, sebaiknya menggunakan model regresi Tobit spasial.
• Metode MCMC Gibbs sampler dengan pendekatan inferensia Bayesian dapat digunakan sebagai estimasi parameter.
KESIMPULAN DAN SARAN
38
Variabel yang mewakili karakteristik demografi dan ketersediaan infrastruktur
memiliki pengaruh positif terhadap penggunaan internet di kabupaten/kota di
Pulau Jawa
Untuk meningkatkan penggunaan internet, disarankan untuk meningkatkan
status daerah pedesaan menjadi perkotaan melalui pembangunan
infrastruktur dan perluasan jaringan telepon seluler,serta meningkatkan
kualitas pendidikan penduduk.
Variabel sosial ekonomi berpengaruh negatif terhadap penggunaan internet di
kabupaten/kota kategori rendah, hal tersebut disebabkan oleh faktor budaya dan ketidaksiapan penduduknya dalam
menerima teknologi internet.
Kesimpulan tersebut perlu diperkuat melalui suatu penelitian technology
acceptance model (TAM) yang melibatkan variabel budaya menggunakan metode
structural equation model (SEM)
Penggunaan internet di suatu kabupaten/kota kategori rendah dipengaruhi secara negatif oleh
penggunaan internet di kabupaten/kota sekitarnya.
Untuk meningkatkan penggunaan internet di daerah kategori rendah,
disarankan adanya kerjasama positif dari kabupaten/kota
berkategori tinggi di sekitarnya.
DAFTAR PUSTAKA
39
Anselin, L. (1999). Spatial Econometrics. Dallas: University of Texas.
BPS. (2011). Statistik Komunikasi dan Teknologi Informasi Tahun 2010. Jakarta: Badan Pusat Statistik.
Breusch, T., & Pagan, A. (1979). A Simple Test for Heteroscedasticity and Random Coefficient Variation. Econometrica, Vol. 47, No. 5, 1287-1294.
Casella, G., & George, E. I. (1992). Explaining the Gibbs Sampler. The American Statistician, Vol. 46, No. 3, 167-335.
Chib, S., & Greenberg, E. (1996). Markov chain monte carlo simulation methods in econometrics. Econometrics Theory, Vol. 12, 409-431.
Hastings, W. (1970). Monte Carlo Sampling Methods using Markov Chains and Their Applications. Biometrika, Vol. 57, No. 1, 97-109.
Kaliba, A. R. (2002). Dissertation: Participatory Evaluation of Community Based Water and Sanitation Programes: The Case of Central Tanzania. Mahattan: Kansas State University.
Lacombe, D. J. (2008, July 24). An Introduction to Bayesian Inference in Spatial Econometrics. Retrieved November 13, 2011, from http://ssrn.com/abstract=1244261.
Langyintuo, A. S., & Mekuria, M. (2008). Assessing the Influence of Neighborhood Effects on the Adoption of Improved Agricultural Technologies in Developing Agriculture. AfJARE, Vol. 2, No. 2, 151-169.
LeSage, J. P. (2000). Bayesian Estimation of Limited Dependent Variable Spatial Autoregressive Models. Geographical Analysis, Vol. 32, No. 1, 19-35.
LeSage, J., & Pace, R. K. (2009). Introduction to Spatial Econometrics. New York: CRC Press.
Long, J. S. (1997). Regression Models for Categorical and Limited Dependent Variables. California: Sage Publications, Inc.
Michailidis, A., Partalidou, M., Nastis, S. A., Klavdianou, A. P., & Charatsari, C. (2011). Who Goes Online? Evidence of Internet Use Patterns from Rural Greece. Telecommunications Policy, Vol. 35, 333-343.