ari rusmasari nrp. 1310201710digilib.its.ac.id/public/its-master-18992-presentation-2460343.pdf ·...
TRANSCRIPT
Oleh :
ARI RUSMASARINRP. 1310201710
Pembimbing :
1. Dr. SUTIKNO, S.Si, M.Si.
2. Dr. Ir. SETIAWAN, M.S.
1Seminar Thesis, 19 Desember 2011
Program MagisterJurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan AlamInstitut Teknologi Sepuluh November
4
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
statistika
geografi
Statistika Spasial
Lingkungan
Kesehatan
Meteorologi
Klimatologi
Sosial
Ekonomi
Geologi
Informasi : lokasi dan observasi
Seringkali, pengamatan di suatu lokasi bergantung pada
pengamatan di lokasi lain yang berdekatan (neighboring)
Efek spasial
5
Konsep Spasial Dependensi :Hukum I Tobler (sesuatu yang dekat lebih mempunyai pengaruh daripada sesuatu
yang jauh)
Anselin (1988) mengembangkan suatu model yaitu General Spatial Model denganmenggunakan data spasial cross section
Permasalahan pemodelan : Asumsi dasar pada pemodelan regresi spasial adalaherror harus identik, independen, berdistribusi normal. Karena jumlah sampel yangkecil sehingga error seringkali tidak mengikuti distribusi normal (Lynch, 2003)
Spatial Bootstrap Test : Bootstrap Moran’s I dan Bootstrap Lagrange Multiplier untuk pengujian pada modelSpasial Ekonometrika dengan menggunakan residualnya (Lin, Long, dan Ou, 2008)
Estimasi Parameter: Bootstrap Regresi Spasial (Monchuk, Hayes, Miranowski, &Lambert, 2010)
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
6
Fertilitas (faktor demografi)
Tahun 2009, rata-rataanak lahir hidup diProvinsi Lampungsebesar 2,4.
Belum memenuhi targetpemerintah dalam mengurangipertumbuhan penduduk.
Rencana Pembangunan Jangka Menengah Nasionaltahun 2004-2009, salah satu sasarannya yaitutingkat fertilitas total di Indonesia menjadi 2,2 perwanita sebagai salah satu langkah revitalisasidengan adanya kekhawatiran baby booming yangkedua
Tingkat Pertumbuhan Penduduk di Indonesia
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
.
7
Masih terbatasnya penelitian tentang metode regresi spasial untuk kasus sampel
yang kecil
Bagaimana algoritma Bootstrap Spasial baik dalam identifikasi model maupun
dalam estimasi parameter
Penerapan algoritma : digunakan data fertilitas di Provinsi Lampung sebagai
studi kasus
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
8
• Menyusun algoritma Bootstrap Spasial baik untuk uji identifikasi model maupun pada estimasi parameter
1
• Menyusun program aplikasi berbasis Graphic User Interface (GUI)
2
• Mengimplementasikan algoritma yang telah dibuat untuk dapat memodelkan tingkat fertilitas di Provinsi Lampung sebagai studi kasus.
3
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
9
• Menambah wawasan keilmuan tentang metode resampling data yang nantinya digunakan pada suatu pemodelan regresi spasial
1
• Merupakan suatu alternatif dalam penentuan model spasial tingkat fertilitas yang dapat digunakan sebagai masukan dan dasar penentuan kebijakan khususnya oleh pemerintah daerah dalam program menurunkan tingkat fertilitas
2
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
10
Residual Resampling Bootstrap
Moran’s I
Uji Bootstrap Spasial
Pemodelan Regresi Spasial :Spatial Autoregressive Model
& Spatial Error ModelProvinsi
Lampung
LATAR BELAKANG
RUMUSAN MASALAH
TUJUAN PENELITIAN
MANFAAT PENELITIAN
BATASAN PENELITIAN
Bentuk umum model general spatial model yangmenggunakan data cross section (Anselin, 1988) :
12
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
13
(3)(5)
(2)
(1)
(4)
Ilustrasi contiguity (Persinggungan)Sumber: LeSage (1999)
Metode Queen Contiguity :persinggungan sisi dan sudut, dimana nilai penimbang wij akan bernilai 1 untuk wilayah yang bersisian dan bernilai 0 untuk wilayah yang lain
matriks penimbang → standarisasi (jumlah setiap baris yang sama yaitu 1)
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Sesuai untuk bentuk wilayah yang tidak simetris (Winarno, 2009)
0110010100110100010100010
Q
021
2100
210
2100
31
310
310
00210
21
00010
queenW
14
Cliff dan Ord (1981)
Moran’s I :menguji residual dari suatu model regresi untuk melihat
dependensi spasialnya
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Moran’s I :Pada awalnya dikembangkan untuk meneliti ada tidaknya hubungan spasial pada suatu variabel.
Terdapat 2 cara penghitungan statistik Moran’s I :
15
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Moran’s I Variabel Respon
Digunakan untuk identifikasi awal adanya spasial dependensi
n
1i
2i
n
1i
n
1jij
n
1i
n
1jjiij
MO
)y(yw
)y)(yy(ywNI
16
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Moran’s I Variabel Respon
Nilai nol tidak adanya autokorelasi spasial.
Autokorelasinya tinggi, nilai statistiknya mendekati 1 atau -1.
Statistik Moran’s I ini juga dipakai sebagai indeks untuk mengidentifikasi bentuk
persebaran dari observasi di setiap lokasi apakah mengelompok (cluster pattern),
random pattern, atau uniform (dispersion).
17
Moran’s I Error
H0 : tidak ada spasial dependensi dalam error
H1 : ada spasial dependensi dalam error
Tolak Ho mengikuti distribusi normal standar N(0,1)
kn)()E(IMO
MWtrace
2MO
22
MO )E(I2)kk)(n(n
))(()()()V(I
MWMWMWMW' tracetracetrace
)V(I)E(II
zMO
MOMOt
α/2t zz
Moran’s I asimtotik berdistribusi normal,mean E(I) dan varians V(I)
OLS regresi residual vektor ε̂ 'XX)X(X'IM 1
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
ε'εεW'εˆˆˆˆ
IMO
Statistik Uji Lagrange Multiplier Lag
18
Statistik Uji Lagrange Multiplier Error
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
19
Bootstrap Efron, 1979MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Metode berbasis komputasi
Teknik nonparametrik dan resampling
Estimasi standar error parameter
Tentukan B sampel Bootstrap independen, tiap sampel terdiri
n data, dengan pengembalian
Mengevaluasi Bootstrap replikasi pada tiap Boostrap
sampel
Estimasi standar error sebanyak B replikasi
Algoritma :
20
Bootstrap Moran’s I
a. Bootstrap resampling pada residualnya , diperoleh
b. Pada masing-masing sampel bootstrap dihitung nilai Moran’s I
Dengan matriks penimbang spasial merupakan matriks yang fixed. p-value (right tailtest) dari uji statistik Moran’s I (H0 : I =I0)
Bootstrap LM Lag
a. Bootstrap resampling pada residualnya, diperoleh
b. Hitung nilai , dimana , sehingga diperoleh
c. Menghitung nilai LM lag pada masing-masing sampel Bootstrap.
Bootstrap LM Error
a. Bootstrap resampling pada residualnya, diperoleh
b. Menghitung nilai LM error pada masing-masing sampel Bootstrap.
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
(Lin, Long, dan Mei, 2007)
21
• Dengan menggunakan regresi Spatial Error Model, estimasi parameter dan yang dengan metode maksimum likelihood menggunakan set data asli.
• Menghitung residualnya
• Melakukan resampling residual sebanyak B replikasi
• Menghitung nilai pada masing-masingreplikasi
• Dengan menggunakan vektor dan fixed X, estimasi replikasi untuk mendapatkan estimator dan dimana i=1,2,...,B.
• Menghitung bias, standar error, selang kepercayaan, dan p-value.
BootstrapSpatial
Error Model
β̂ λ̂
*β̂ i
*iλ̂
B
1i
*i
* β̂B1β̂
B
1i
*i
* λ̂B1λ̂
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Metode Bootstrap pada Spatial Error
Model (SEM)
Monchuk, Hayes, Miranowski,
&Lambert, 2010
*by
βXWIyWIε ˆ]ˆ[]ˆ[ˆ
*b
*b εWIβXy ˆ]ˆ[ˆ 1
*by
aplikasi GUI (Graphic User Interface)
22
program dalam bentuk Matlab code
Algoritma Bootstrap Spatial Test & Bootstrap Regresi Spasial
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
23
Fertilitas atau kelahiran menurut konsep BPS berkaitan dengan jumlah anak kandung lahir hidup. Anak kandung lahir hidup adalah anak kandung yang pada waktu dilahirkan menunjukkan tanda-tanda kehidupan, walaupun mungkin hanya beberapa saat saja, seperti jantung berdenyut, bernafas, dan menangis.
Fertilitas merupakan kelahiran hidup (live birth), yaitu terlepasnya bayi dari rahim seorang perempuan dengan adanya tanda-tanda kehidupan. Faktor-faktor yang mempengaruhi tinggi rendahnya fertilitas yaitu :
Faktor demografi diantaranya adalah umur, umur kawin pertama.
Faktor nondemografi antara lain keadaan ekonomi penduduk, tingkat pendidikan, urbanisasi, dan industrialisasi (Iswarati, 2010)
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
24
MODEL REGRESI SPASIAL
FERTILITAS
MATRIKS PENIMBANG
SPASIAL
MORAN’S I
UJI LAGRANGE MULTIPLIER
BOOTSTRAP RESAMPLING
BOOTSTRAP SPATIAL TEST
BOOTSTRAP REGRESI SPASIAL
GUI BOOTSTRAP SPASIAL
Lesmana (2010)
Faktor-faktor yang mempengaruhi tingkat fertilitas pada wanita pernah kawin berusia subur di Kecamatan Tempeh, Kabupaten Lumajang
Lama pemakaian alat KBTingkat pendidikan
Umur kawin pertamaMortalitas bayi
Fertilitas
Riyanto (2009)Model fertilitas di Sulawesi Utara dengan analisis regresi logistik
Daerah tempat tinggalUmur perkawinan pertama PendidikanStatus bekerja Pemakaian alat KBAda tidaknya anak kandung yang meninggal
Fertilitas
Variabel responnya adalah jumlah anak kandung lahir hidup ≤ 2 dan >2 dengan unit penelitian wanita dengan status pernah kawin
26
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
1. Data Sekunder Survei Sosial Ekonomi Nasional (Susenas) di Provinsi Lampung Tahun 2010
2. Peta Provinsi Lampung (Pemetaan SP2010)
Keterangan :01. Lampung Barat 08. Tulang Bawang02. Tanggamus 09. Pesawaran03. Lampung Selatan 10. Pringsewu04. Lampung Timur 11. Mesuji05. Lampung Tengah 12. Tulang Bawang Barat06. Lampung Utara 71. Bandar Lampung07. Way Kanan 72. Metro
3. Software yang digunakan : Minitab & Matlab
Variabel respon :Persentase wanita dengan anak kandung lahir hidup > 2
Variabel prediktor :
27
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
Xi Keterangan
X1 Pertumbuhan ekonomi
X2 Persentase wanita tidak menggunakan alat/cara KB
X3 Rata-rata umur perkawinan pertama
X4 Persentase wanita bekerja di sektor pertanian
X5 Persentase wanita bekerja di sektor industri
28
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
Pertumbuhan ekonomi (X1) adalah laju perubahan (kenaikan/penurunan) pertumbuhan ekonomi suatu daerah yang dihitung berdasarkan PDRB atas dasar harga konstan. PDRB atas dasar harga konstan merupakan nilai tambah barang dan jasa tersebut yang dihitung menggunakan harga pada satu tahun tertentu (tahun dasar).
Persentase wanita pernah kawin, tidak pernah menggunakan alat/cara KB (X2) merupakan data jumlah wanita berumur 10 tahun ke atas dan pernah kawin dimana tidak pernah menggunakan alat/cara KB dibandingkan dengan total jumlah wanita berumur 10 tahun ke atas, pernah kawin, dan mempunyai anak kandung lahir hidup.
Rata-rata umur perkawinan pertama (X3) merupakan rata-rata umur perkawinan pertama wanita berumur 10 tahun ke atas dan pernah kawin.
29
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
Persentase wanita pernah kawin, bekerja di sektor pertanian (X4) merupakan data jumlah wanita berumur 10 tahun ke atas dan pernah kawin yang bekerja di sektor pertanian dibandingkan dengan total jumlah wanita berumur 10 tahun ke atas, pernah kawin, dan mempunyai anak kandung lahir hidup.
Persentase wanita pernah kawin, bekerja di sektor industri (X5) merupakan data jumlah wanita berumur 10 tahun ke atas dan pernah kawin yang bekerja di sektor industri dibandingkan dengan total jumlah wanita berumur 10 tahun ke atas, pernah kawin, dan mempunyai anak kandung lahir hidup.
30
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
Data (y, X)
Bootstrap Resampling Data Residual Regresi OLS Moran’s I Bootstrap Test
Lakukan uji efek spasial
LM lag Bootstrap Test
LM error Bootstrap Test
LM lag dan error Bootstrap Test
Bootstrap Spatial Autoregressive
(SAR)
Bootstrap Spatial Error Model(SEM)
Bootstrap Spatial Autoregressive Moving
Average (SARMA)
0ρ:H0 0:H0 0ρ,:H0
Tolak
HoTolak
Ho
Tolak
Ho
Terima Ho
OLS OLSOLS
Terima HoTerima Ho
Model yang Sesuai
n = 14B = 50, 100,
200, 500, 1000, 10000
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
Bootstrap Moran’s I
Bootstrap LM Lag
Bootstrap LM Error
Data (y, X)
Regresi OLS
Resampling Bootstrap pada
b=1,2,...,B
Hitung Moran’s Ipada tiap B,
Standar error dan p-value
Data (y, X)
Regresi OLS
Resampling Bootstrap pada
b=1,2,...,B,
Hitung Y* tiap B
Hitung M & T (fixed), J dan
Lmlag pada tiap B, LMlagi*
β̂
Standar error dan p-value
Data (y, X)
Regresi OLS
Resampling Bootstrap pada
, i=1,2,...,B
Hitung T (fixed),varians dan LMerror pada tiap B
Standar error dan p-value
31
ε̂
ε̂ε̂
ε̂*
bMOI
ε̂ε̂
*b
*b εβXy ˆˆ
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
32
Spatial Autoregressive Model (SAR)
Data (y, X)
Bias, Standar error, selang kepercayaan
dan p-value
Estimasi parameter dan (regresi SAR) → maximum likelihood
Resampling residual sebanyak B, i=1,2,...,B
Hitung residual,
Hitung y* pada tiap B,
Dengan vektor y* dan fixed X, estimasi dan
β̂
*β̂ i
Hitung dan*β̂
ρ̂
*iρ̂
*ρ̂32
βXWyyε ˆρ̂ˆ
*b
*b εWIβXWIy ˆ]ρ̂[ˆ]ρ̂[ 11
SUMBER DATAVARIABEL
PENELITIANMETODE
ANALISIS DATA
Spatial Error Model (SEM)
Estimasi parameter dan (regresi SEM) → maximum likelihood
Resampling residual sebanyak B, i=1,2,...,B
Hitung residual,
Hitung y* pada tiap B,
Dengan vektor y* dan fixed X, estimasi dan
β̂ λ̂
*β̂ i
*iλ̂
Data (y, X)
Hitung dan*β̂
Bias, Standar error, selang kepercayaan
dan p-value*λ̂33
βXWIyWIε ˆ]λ̂[]λ̂[ˆ
*b
*b εWIβXy ˆ]ˆ[ˆ 1
35
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
Adanya indikasi pengelompokkan kabupaten/kota berdasarkan persentase wanita dengan fertilitas tinggi yang nilainya hampir sama untuk lokasi yang berdekatan. Oleh karena itu, akan dilakukan pemodelan dengan pendekatan spasial area.
36
Program aplikasi yang telah disusun meliputi •Bootstrap Moran’s I, •Bootstrap Lagrange Multiplier•Bootstrap Spatial Autoregressive Model (SAR)•Bootstrap Spatial Error Model (SEM)
Program yang dibuat dengan menambahkan beberapa syntax pada function spasial ekonometrika oleh LeSage (1999). Syntax yang ditambahkan yaitu resampling Bootstrap, penghitungan standar error, selang kepercayaan, dan uji hipotesis hasil dari resampling Bootstrap baik pada uji spasial dependensi maupun pada estimasi parameter.
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
38
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
Pemodelan dengan OLS
Variabel KoefisienStd.
Errort-stat P-value R2
Konstanta 92,750 10,510 8,82 <0,001 0,893
X1 -1,759 0,962 -1,83 0,105X2 0,520 0,129 4,02 0,004X3 -1,773 0,591 -3,00 0,017X4
X5
-0,165-1,087
0,0540,224
-3,03-4,85
0,0160,001
Tabel 1. Nilai koefisien regresi, standar error, nilai statistik uji-t, nilaip-value pengujian parameter dan nilai R2 dalampenyusunan model dengan metode OLS
39
Pengujian Spasial Dependensi
Hasil identifikasi awal adanya dependensi antar wilayah, ditunjukkan dari nilai Moran’s I untuk variabel persentase wanita dengan fertilitas tinggi sebesar 0,2233 . Nilai ini mengindikasikan adanya efek spasial walaupun relatif rendah.
Statistik Uji Nilai P-valueMoran’s I error 0,020 0,333LM Lag 2,837 0,092LM Error 0,011 0,917
Tabel 2. Nilai Statistik Uji dan Nilai p-value pada Identifikasi Model Regresi Spasial dengan Set Data Awal
Model SAR
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
40
Pemodelan Dengan Spatial Autoregressive (SAR)
Tabel 3. Nilai koefisien regresi, standar error, nilai statistik uji-t, nilai p-value pengujian parameter dan nilai R2
model Spatial Autoregressive Model (SAR)
Variabel KoefisienStd.
Errort-stat P-value R2
rho 0,3680 0,1897 1,9403 0,0935 0,9242Konstanta 74,5248 11,2145 6,6454 0,0003
X1 -2,0513 0,6699 -3,0618 0,0183X2 0,4807 0,0884 5,4391 0,0010X3 -1,7433 0,3915 -4,4530 0,0030X4
X5
-0,1618-0,8865
0,03630,1769
-4,4623-5,0110
0,00290,0015
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
41
Pengujian Spasial Dependensi Pendekatan Residual Bootstrap
Jumlah ReplikasiBootstrap P-value
Bootstrap Moran’s I
Bootstrap LM Lag
Bootstrap LM Error
50100
0,4200,400
0,9200,950
0,9000,950
200 0,445 0,990 0,920500 0,406 0,972 0,900
1.000 0,443 0,971 0,91610.000 0,428 0,972 0,922
Tabel 4 Nilai P-value uji Bootstrap Moran’s I, Bootstrap LM Lag, dan Bootstrap LM Error
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
42
• Hipotesis : Bootstrap Moran’s I adalah sama dengan nilai Moran’s I dengan set data awal( ).
• Dengan menggunakan nilai α = 0,10, maka kesimpulannya adalah terima Ho. Artinya bahwa nilai bootstrap Moran’s I sama dengan nilai Moran’s I awal, sehingga tidak terdapat dependensi spasial dalam error.
Bootstrap Moran’s I
• Hipotesis : Bootstrap LM adalah sama dengan nilai LM dari set data awal.
• Dengan menggunakan nilai α = 0,10, maka kesimpulannya adalah terima Ho. Artinya bahwa nilai bootstrap LM lag maupun LM error adalah sama dengan uji LM pada set data awal.
Bootstrap LM lag dan LM error
0MOMO0 II: H
Model Bootstrap SAR
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
43
Pemodelan Dengan Spatial Autoregressive (SAR) dengan Pendekatan Residual Bootstrap
Dengan menggunakan resampling residual bootstrap ini, output yang dihasilkan setiap program dijalankan akan berbeda
Pendekatan yang dilakukan untuk mendapatkan model yang terbaik adalah dengan menggunakan nilai bias dan standar error yang terkecil (Sahinler dan Topuz, 2007).
Ada kecenderungan bahwa semakin besar banyaknya replikasi yang digunakan maka standar errornya akan semakin besar pula karena adanya nilai data pada setiap replikasi yang berbeda-beda.
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
44
Tabel 5. Nilai koefisien regresi, bias, standar error, nilai z, nilai p-value pengujian parameter model Bootstrap (SAR)
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
46
Jumlah replikasi sebesar 100 memiliki bias yang kecil dan tingkat signifikansi yang konsisten dengan model awalnya.
Pada replikasi sebesar 100 diperoleh hasil bahwa seluruh variabel prediktor memberikan pengaruh signifikan pada model yaitu pertumbuhan ekonomi (X1), persentase wanita tidak KB (X2), rata-rata umur perkawinan pertama (X3), persentase wanita bekerja di sektor pertanian (X4), dan persentase wanita bekerja di sektor industri (X5), dengan α = 0,10. R2 sebesar 96,17 persen
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
47
Histogram memperlihatkan bahwa estimasi parameter pada model Bootstrap SAR diasumsikan berdistribusi normal (limiting normal
distribution) untuk seluruh koefisien model.
DESKRIPTIFPROGRAM DAN GUI PEMODELAN
49
Algoritma dan program yang telah disusun dapat digunakan untuk mengaplikasikan metode bootstrap regresi spasial
Berdasarkan program bootstrap regresi spasial ini telah dibuat GUI pada software Matlab yang memudahkan pengguna dalam penggunaan program
Model yang sesuai adalah model Bootstrap Spatial Autoregressive (SAR). Dari hasil pemodelan ini, variabel yang berpengaruh terhadap fertilitas tinggi di Provinsi Lampung yaitu pertumbuhan ekonomi, persentase wanita yang tidak KB, rata-rata umur perkawinan pertama, persentase wanita bekerja di sektor pertanian dan persentase wanita bekerja di sektor industri. Model yang dibentuk dapat menjelaskan 96,17 % keragaman dari variabel persentase wanita dengan fertilitas tinggi.
Kesimpulan Saran
50
•Perlu dikembangkan metode bootstrap yang lain antara lain dengan pendekatan pasangan data X dan y (paired bootstrapping).
•Dibutuhkan suatu studi simulasi untuk menentukan batasan sampel kecil dalam regresi spasial untuk penerapan bootstrap regresi spasial dengan mempergunakan ukuran sampel yang lebih kecil lagi.
•Adanya upaya peningkatan tingkat pendidikan terutama pada wanita untuk mengurangi perkawinan di usia muda serta peningkatan sosialisasi keluarga berencana (KB). Akses program KB juga harus lebih ditingkatkan lagi terutama daerah dengan rata-rata fertilitas yang cukup tinggi dengan penambahan anggota penyuluhan maupun penambahan tempat pelayanan KB
Kesimpulan Saran
Anselin, L. (1988), Spatial Econometrics : Methods and Models, Kluwer, Dordrecht.
Badan Pusat Statistik (2010), Pedoman Pencacahan Susenas Kor 2010. BPS, Jakarta.
Efron, B. dan R. Tibshirani (1993), An Introduction to the Bootstrap . Capital City Press, Chapman & Hall, New York.
Efron, B. (1979), “Bootstrap Methods: Another Look at the Jackknife”, The Annals of Statistics, Vol. 7, No.1 , 1-26.
Efron, B. (1982), The Jackknife, the Bootstrap and Other Resampling Plans. Capital City Press, Vermont, USA.
Iski (2008). Dulu Dua Anak Cukup, Kini Dua Anak Lebih Baik. 29 October 2008. MIX-Marketing Communications Magazine.
Iswarati, Dra. (2010). Fertilitas di Indonesia (Analisis Lanjut SDKI 2007).
Kogan, L. (2010), Small-Sample Inference and Bootstrap. MIT, Sloan, Fall 2010.
LeSage J. (1999), The Theory and Practice of Spatial Econometrics, University of Toledo.
Lesmana, C.(2010). Faktor-Faktor yang Mempengaruhi Tingkat Fertilitas pada Wanita Pernah Kawin Berusia Subur di Kecamatan Tempeh Kabupaten Lumajang. Skripsi, Universitas Negeri Malang
Lin, K.-P., Z. Long, dan Wu Mei (2007), ”Bootstrap Test Statistics for Spatial Econometric Models”, Journal of Econometrics.
Lin, K.-P., Z. Long, dan B. Ou (2009), ”Properties of Bootstrap Moran’s I for Diagnostic Testing a Spatial Autoregressive Linear Regression Model”, Journal of Econometrics.
Lynch, S.M. (2003), Alternative Estimation Strategis.
Monchuk, D.C., D.J. Hayes, J.A. Miranowski, dan D.M. Lambert. (2010), Inference Based on Alternative Bootstrapping Methods in Spatial Models with an Application to County Income Growth in the United States. Working Paper 10-WP 507, May 2010, Center for Agricultural and Rural Development, Iowa State University.
Mukul, M., D. Roy, S. Satpathy, V.A. Kumar (2003), “Bootstrapped Spatial Statistics: a More Robust Approach to the Analysis of Finite Strain Data”, Journal of Structural Geology, 26(2004), 595-600.
Radifan, M. (2010), Analisis Faktor-Faktor yang Mempengaruhi Fertilitas di Indonesia. Skripsi, Universitas Sumatera Utara, Medan.
Riyanto, A. (2009), Faktor-Faktor Sosial Ekonomi yang Mempengaruhi Fertilitas di Provinsi Sulawesi Utara 2007, Thesis, Institut Teknologi Sepuluh November, Surabaya.
Schmidheiny, K. (2010), The Bootstrap. Short Guides to Microeconometrics, Fall 2010, Unversitat Pompeu Fabra.
Suharto, E. (2011), Robust Lagrange Multiplier pada Pemodelan Regresi Spatial Dependensi. Thesis, Institut TeknologiSepuluh November, Surabaya.
Winarno, Deddy. (2009), Analisis Angka Kematian Bayi di Jawa Timur dengan Pendekatan Model Regresi Spasial. Thesis, Institut Teknologi Sepuluh November, Surabaya.
51