pemodelan angka harapan hidup propinsi jawa timur dan jawa ... · dengan potensi yang ada di daerah...

Pemodelan Angka Harapan HidupPropinsi Jawa Timur dan Jawa Tengah

Dengan MetodeGeographically Weighted Regression

Oleh : Lusi Firdial (1307030020)

Dosen Pembimbing :Dr. Purhadi, M. Sc

Geographichally Weighted Regression

LATAR BELAKANG


Kesejahteraan masyarakat meningkat

(Tujuan utama)

Pelaksanaan pembangunan di segala bidang (yang dilakukan pemerintah)

(Terdapat indikator keberhasilan)

Salah satunya : Indikator Kesehatan

Angka Harapan Hidup (AHH)

Penelitian dipilih untuk dilakukan

Pendugaan model pola hubungan antara AHH dan faktor-faktor yang mempengaruhinya

Pelaksanaan pembangunan disesuaikan dengan potensi yang ada di daerah

(berhubungan dengan letak geografis)

Faktor spasial (letak geografis) perlu diperhitungkan

Geographically Weighted Regression (GWR)

BACK


Kesehatan

Salah satu aspek penting kualitas sumber daya manusia (SDM)

Hak asasi manusia

SDM Sehat (secara fisik)

Berpotensi (dapat diharapkan)

Berperan aktif dalam pembangunan

Kesejahteraan Masyarakat

mewujudkan


Propinsi

Periode

2000-2005 2005-2010

(2002) (2007)

(1) (2) (3)

11. NANGGROE ACEH DARUSSALAM 67.2 67.3

12. SUMATERA UTARA 68.6 70.5

13. SUMATERA BARAT 66.8 69.2

14. RIAU 68.0 70.1

15. JAMBI 67.0 69.1

16. SUMATERA SELATAN 66.9 69.2

17. BENGKULU 66.8 68.9

18. LAMPUNG 67.9 70.1

19. KEPULAUAN BANGKA BELITUNG 66.9 69.0

31. DKI JAKARTA 73.0 74.0

32. JAWA BARAT 66.6 69.0

33. JAWA TENGAH 68.9 71.0

34. D I YOGYAKARTA 73.0 74.0

35. JAWA TIMUR 67.8 70.0

36. BANTEN 64.6 67.3

51. B A L I 70.6 72.4

52. NUSA TENGGARA BARAT 60.9 64.4

53. NUSA TENGGARA TIMUR 66.1 68.4

61. KALIMANTAN BARAT 66.1 68.5

62. KALIMANTAN TENGAH 67.8 70.0

63. KALIMANTAN SELATAN 64.1 66.9

64. KALIMANTAN TIMUR 69.6 71.6

71. SULAWESI UTARA 72.3 73.6

72. SULAWESI TENGAH 64.5 67.0

73. SULAWESI SELATAN 66.3 68.8

74. SULAWESI TENGGARA 66.9 69.1

75. GORONTALO 66.3 68.7

81. M A L U K U 65.3 67.7

82. MALUKU UTARA 63.3 66.3

94. PAPUA 66.1 68.4

Data Statistik Indonesia

1. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Timur dengan pendekatan Geographically Weighted Regression (GWR) serta faktor yang berpengaruh secara signifikan ?

2. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Tengah dengan pendekatan Geographically Weighted Regression (GWR) serta faktor yang berpengaruh secara signifikan ?

Rumusan Masalah

1. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan Geographically Weighted Regression (GWR) terhadap data angka harapan hidup di Propinsi Jawa Timur.

2. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan Geographically Weighted Regression (GWR) terhadap data angka harapan hidup di Propinsi Jawa Tengah.

Tujuan Penelitian


BACK

NEXT

Manfaat Penelitian

• Penelitian ini diharapkan dapat memberikanalternatif model angka harapan hidup denganmemperhatikan variasi spasial dimana data tersebut diperoleh.

• Sebagai masukan bagi pemerintahpusat/daerah, khususnya Dinas Kesehatan, dalam rangka pengambilan kebijakan programpeningkatan derajat kesehatan masyarakat


BACk

NEXT

Batasan Masalah

Data yang digunakan dalam penelitian iniadalah angka harapan hidup yaitu untukwilayah Propinsi Jawa Timur dan Jawa Tengah tahun 2007.

Geographichally Weighted RegressionBACK Next

Tinjauan Pustaka

• Regresi Linier

• Geographically Weighted Regression

• Uji Kolinearitas

• Angka Harapan Hidup

Geographichally Weighted RegressionBACK

Regresi Linier

Model regresi linier :

dimana i = 1, 2, ... , n dan error-nya diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan varians konstan

(Myers, 1990)

bentuk penaksir dari parameter tersebut :

dengan: vektor dari parameter yang ditaksir (p+1) x 1

X : matriks variabel bebas berukuran n x (p+1)

y : vektor observasi dari variabel respon berukuran (n x 1)

k : banyaknya variabel bebas (k = 1, 2, ... , p)


iik

p

k

ki xy 1

0

yXXXβT1T

ˆ

β

Pengujian kesesuaian model secara serentak :

H0 :

H1 : Paling sedikit ada satu

Statistik uji :

Keputusan:

tolak H0 jika nilai Fhit > dimana v1 = p dan v2 = (n-p-1)


0...21 p

0k

MSE

MSRFhitung

21 ,; vvF

Pengujian Signifikansi Parameter :

dengan k = 1, 2, ... , 11

Statistik uji :

Keputusan :

tolak H0 jika nilai dimana df = n-2-k

n ~ jumlah pengamatan

k ~ jumlah variabel bebas


0:0 kH

0:1 kH

kn

k

k tr

knrt

2~

1

2

)2

1;(

dftt

Geographically Weighted Regression(GWR)

Model GWR :

dimana

yi : nilai observasi variabel respon ke-i (i = 1, 2, ... , n)

xik : nilai observasi variabel prediktor k pada pengamatan ke-i

: vektor koefisien regresi

(ui, vi) : menyatakan titik koordinat (longitude, latitude) lokasi ke-i

: error yang diasumsikan identik, independen dan berdistribusi normal dengan mean nol dan varians konstan .


iik

p

k

iikiii xvuvuy 1

0 ,,

k

i

Penaksir parameter :

Fungsi pembobot yang digunakan adalah fungsi Kernel Gaussian :

h : parameter non negatif yang diketahui / parameter penghalus (bandwidth)

dij : jarak Euclidean antara i dan j.

Metode yang digunakan untuk memilih bandwidthoptimum adalah :

Cross Validation (CV),


yvuWXXvuWXvu ii

T

ii

T

ii

1,,ˆ

2

2

1exp

h

dW

ij

ij

n

i

ii hyyCV1

2ˆ

Pengujian kesesuaian model GWR :

H0 :

H1 : Paling sedikit ada satu yang berhubungan dengan lokasi (ui, vi)

Statistik Uji :

Tolak H0 jika F* > Ftabel (dengan derajat bebas dan (n-k-1).


kiik vu ,

iik vu ,

1)(

/

0

2

2

11

*

knHSSE

HSSE

F

2

2

1

Pengujian parameter model :

dengan k = 1, 2, ... , p

Statistik uji :

Pengambilan Keputusan :

Tolak H0 jika dimana


0,:0 iik vuH

0,:1 iik vuH

kk

iik

g

vuT

ˆ

,ˆ

dbhit tT ;2/

2

2

1

db

Uji Kolinieritas

1. VIF (Variance Inflation Factors) > 10

2. Koefisien Korelasi Pearson (rij) antar variabel bebas > 0,95


jjj

j rVIF 2

ˆvar

2

11

2

2

11

2

111

n

i

i

n

i

i

n

i

i

n

i

i

n

i

i

n

i

i

n

i

ii

yynxxn

yxyxn

r

Angka Harapan Hidup

Definisi :

Rata-rata tahun hidup yang akan dijalani oleh seseorang pada

suatu tahun tertentu dalam situasi mortalitas (kematian) yang berlaku di lingkungan masyarakat tertentu.

Kegunaan :untuk mengevaluasi kinerja pemerintah dalam meningkatkankesejahteraan penduduk pada umumnya, dan meningkatkanderajat kesehatan pada khususnya.


Metodologi Penelitian

• Sumber Data :Survey Sosial Ekonomi Nasional (SUSENAS) tahun 2007 untuk Propinsi Jawa Timur dan Jawa Tengah

• Variabel Penelitian

• Metode Analisis

• Langkah Analisis

Geographichally Weighted RegressionNEXT BACK

Variabel Penelitian


No. Nama Variabel Tipe Variabel Satuan

(1) (2) (3) (4)

1 Y Angka harapan hidup pada tiap kabupaten/kota Kontinu Tahun

2 X1 Angka kematian bayi pada tiap kabupaten/kota KontinuBayi per seribu

kelahiran hidup

3 X2

Persentase persalinan yang dilakukan dengan bantuan non medis

(dukun bayi) pada tiap kabupaten/kotaKontinu persen

4 X3 Rata-rata usia perkawinan pertama pada tiap kabupaten/kota Kontinu tahun

5 X4

Rata-rata lama sekolah wanita berstatus kawin pada tiap

kabupaten/kotaKontinu tahun

6 X5

Rata-rata jumlah pengeluaran rumah tangga (dalam rupiah) pada

tiap kabupaten/kotaKontinu rupiah

7 X6 Persentase daerah yang berstatus desa pada tiap kabupaten/kota Kontinu persen

8 X7

Rata-rata lama pemberian ASI eksklusif pada tiap

kabupaten/kotaKontinu bulan

9 X8

Persentase rumah tangga yang memiliki air bersih pada tiap

kabupaten/kotaKontinu persen

10 X9 Persentase penduduk miskin pada tiap kabupaten/kota Kontinu persen

11 X10 Jumlah tenaga kesehatan Diskrit orang

12 X11 Jumlah sarana kesehatan Diskrit satuan

13 ui Letak astronomi (lintang/ longitude) tiap kabupaten/kota Kontinu derajat

14 vi Letak astronomi (bujur/latitude) tiap kabupaten/kota Kontinu derajat

15 dij Jarak antar kota/kabupaten di Tiap Propinsi Kontinu kilometer

Struktur Data


Kab/Kota Y X1 X2 X3 … X10 X11

(1) (2) (3) (4) (5) … (12) (13) (14) (15)

1

2

3

4

.

.

.

n

y1

y2

y3

y4

.

.

.

.

yn

x11

x12

x13

x14

.

.

.

.

x1n

x21

x22

x23

x24

.

.

.

.

x2n

x31

x32

x33

x34

.

.

.

.

x3n

…

…

…

…

.

.

.

...

x101

x102

x103

x104

.

.

.

.

x10n

x111

x112

x113

x114

.

.

.

.

x11n

u1

u2

u3

u4

.

.

.

.

un

v1

v2

v3

v4

.

.

.

.

vn

Metode Analisis


Model Linier

Asumsi :

Hubungan antara variabel respon dan prediktor tetap

Parameter yang diestimasi nilainya sama untuk semua

tempat dimana data tersebut diamati

Mungkin saja model tersebut tidak cocok

diterapkan di setiap wilayah di Jatim dan Jateng

Mengingat faktor yang signifikan berpengaruh terhadap AHH di suatu

wilayah belum tentu signifikan berpengaruh di

wilayah lain

Hal ini terjadi karena adanya faktor spasial, seperti : faktor ekonomi, sosial,

budaya, letak geografis, dll.

Alternatif model yang dapat digunakan dalam analisis

yakni Geographically Weighted Regreesion.

Langkah Analisis1.Membuat model regresi linier untuk Angka

Harapan Hidup di tiap Propinsi

1. Menghitung Nilai Statistika Deskriptif dan mengidentifikasi adanya kasus

multikolinieritas

2. Memodelkan variabel respon (y) dengan variabel prediktor (x)

3. Menaksir parameter model regresi linier dengan pendekatan least square.

4. Menguji kesesuaian model regresi linier secara serentak dan parsial

2. Membuat model GWR untuk Angka Harapan Hidup di tiap Propinsi

a. Menentukan bandwith yang optimum berdasarkan nilai yang minimum dari hasil

iterasi.

b. Menentukan pembobot dengan menggunakan fungsi Kernel Gaussian, baik

dengan menggunakan bobot euclid maupun jarak yang sebenarnya.

c. Menaksir parameter model GWR dengan menggunakan metode Weighted Least

Square (WLS).

d. Menguji kesesuaian model GWR (goodness of fit)

e. Menguji parameter model tiap daerah di masing-masing propinsi

f. Melakukan pengelompokan kabupaten/kota di masing-masing propinsi berdasarkan

persamaan variabel yang signifikan

Geographichally Weighted RegressionBACK

Analisis Data dan Pembahasan

1. Model Angka Harapan Hidup di Jawa Timur– Statistika Deskriptif

– Model Regresi Linier

– Geographically Weighted Regression

– Perbandingan Kesesuaian Model

2. Model Angka Harapan Hidup di Jawa Tengah– Statistika Deskriptif

– Model Regresi Linier

– Geographically Weighted Regression

– Perbandingan Kesesuaian Model

Geographichally Weighted Regression BACk

JAWA TIMUR


Statistika Deskriptif


Variabel Total count Rata-rata

Standar

Deviasi Minimum Maximum

Y 38 67,542 3,223 60,33 71,44

X1 38 0,02103 0,0191 0 0,06

X2 38 15,11 17,37 0,49 68,31

X3 38 19,65 0,965 18 21,54

X4 38 6,758 1,782 2,45 10,22

X5 38 265744 67469 191840 456992

X6 38 55,25 31,06 0 91,67

X7 38 8,956 1,547 6,68 12,49

X8 38 62,15 12,29 40,56 99,11

X9 38 15,93 9,3 2,03 35,88

X10 38 439,6 381,5 97 2314

X11 38 116,32 56,61 33 259

Identifikasi Multikolinieritas


Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

X1 -0,021

X2 -0,847 0,064

X3 0,782 -0,152 -0,774

X4 0,769 -0,128 -0,801 0,935

X5 0,532 -0,146 -0,551 0,82 0,846

X6 -0,436 0,161 0,501 -0,841 -0,864 -0,893

X7 -0,204 0,088 0,091 -0,07 -0,136 -0,107 -0,063

X8 0,3 0,129 -0,297 0,397 0,362 0,428 -0,331 -0,323

X9 -0,601 0,102 0,707 -0,688 -0,764 -0,796 0,694 0,113 -0,367

X10 0,002 -0,118 -0,07 0,117 0,112 0,265 -0,159 -0,111 0,509 -0,15

X11 -0,287 -0,086 0,124 -0,242 -0,229 -0,129 0,179 0,047 0,159 0,147 0,798

Nilai VIF

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11

1,222 9,759 12,871 22,036 9,641 14,597 1,75 2,288 5,105 6,524 5,459

Setelah dilakukan Proses Restrict variabel


Y X1 X2 X5 X7 X8 X9 X10

X1 -0,021

X2 -0,847 0,064

X5 0,532 -0,146 -0,551

X7 -0,204 0,088 0,091 -0,107

X8 0,3 0,129 -0,297 0,428 -0,323

X9 -0,601 0,102 0,707 -0,796 0,113 -0,367

X10 0,002 -0,118 -0,07 0,265 -0,111 0,509 -0,15

X11 -0,287 -0,086 0,124 -0,129 0,047 0,159 0,147 0,798

Nilai VIF

X1 X2 X5 X7 X8 X9 X10 X11

1,152 2,036 3,62 1,174 2,134 3,831 6,339 4,934

BACK

Model Regresi Linier


= 72,6 + 7,3 X1 – 0,158 X2 + 0,000003 X5 – 0,217 X7 – 0,0141 X8

+ 0,0514 X9 + 0,00254 X10 – 0,0238 X11

Y

Jawa Timur

Fhitung 13,88

db 8;29

2,28)29,8;05,0(f

Prediktor Koefisien T P-value kesimpulan

Konstan 72,61 18,31 0 signifikan

X1 7,34 0,48 0,635 tidak signifikan

X2 -0,15826 -0,708 0 signifikan


X7 -0,2172 0,1908 0,264 tidak signifikan

X8 -0,01411 -0,44 0,666 tidak signifikan



X11 -0,02379 -2,23 0,034 signifikan

S = 1,65667 ; R2 = 79,3% ; R2 (adj) = 73,6%

BACK

Geographically Weighted Regression


Daerah Bandwidth Daerah Bandwidth

Pacitan 3,148727 Magetan 3,100289

Ponorogo 2,701017 Ngawi 3,070659

Trenggalek 2,789844 Bojonegoro 2,861821

Tulungagung 2,679657 Tuban 2,706873

Blitar 2,210036 Lamongan 2,221196

Kediri 2,267202 Gresik 2,211989

Malang 1,907972 Bangkalan 2,072594

Lumajang 2,070186 Sampang 2,311682

Jember 2,264894 Pamekasan 2,438034

Banyuwangi 3,149882 Sumenep 2,688777

Bondowoso 2,495422 Kota Kediri 2,290667

Situbondo 2,590213 Kota Blitar 2,119839

Probolinggo 1,936249 Kota Malang 1,901102

Pasuruan 1,797221 Kota Probolinggo 2,162496

Sidoarjo 1,97202 Kota Pasuruan 1,818127

Mojokerto 2,0799 Kota Mojokerto 2,122732

Jombang 2,2193 Kota Madiun 2,998097

Nganjuk 2,778191 Kota Surabaya 2,012664

Madiun 3,044242 Kota Batu 1,98781

Nilai bandwith yang diperoleh dari hasil iterasi : 1,199972 dengan nilai kriteria CV: 113.386


6185,07161,09037,08749,08262,09229,0

9200,08862,09270,09082,08918,09542,09305,09019,0

9406,09332,09214,09656,09557,09618,09640,09649,0

9884,09793,09921,09913,09896,09917,09869,09970,0

9954,09949,09970,09975,09983,09992,09999,00000,1

, 11 diagvuW

000000

00000000

00000000

00000000

00000000000,1

, 11 diagvuW

matriks pembobot yang dibentuk dengan fungsi kernel gauss pada lokasi (u1, v1) yaituKabupaten Pacitan adalah : (dengan jarak euclid)

Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai berikut :


SSE d.f F P-value

Model GWR 63,29941 25 1,2574 0,2823

Model Linier 79,59179 29

Penaksiran Parameter :ANOVA Fotheringham :

SSE d.f F P-value

Model GWR 63,29941 27.536 0.9224 0.417

Model Linier 79,59179 29.000

ANOVA LEUNG :

Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi . Apabila digunakan nilai sebesar 5% maka nilai , Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada tabel berikut:

ii vu ,

22,045T(0,025;29)

Nilai

Minimum Maksimum

Intercept 66300,00 75800,00

X1 2590,00 18200,00

X2 -169,00 -146,00

X5 0,00 0,01

X7 -216,00 -185,00

X8 -52,70 31,60

X9 23,50 87,00

X10 0,77 3,06

X11 -24,50 -14,30


Id Kab/Kota Variabel yang signifikan berpengaruh Id Kab/Kota Variabel yang signifikan berpengaruh

0Pacitan X2 19 Magetan X2

1Ponorogo X2, X11 20 Ngawi X2, X11

2Trenggalek X2, X11 21 Bojonegoro X2, X11

3Tulungagung X2, X11 22 Tuban X2, X11

4Blitar X2, X11 23 Lamongan X2, X11

5Kediri X2, X11 24 Gresik X2, X11

6Malang X2, X11 25 Bangkalan X2, X11

7Lumajang X2 26 Sampang X2

8Jember X2 27 Pamekasan X2

9Banyuwangi X2 28 Sumenep X2

10Bondowoso X2 29 Kota Kediri X2, X11

11Situbondo X2 30 Kota Blitar X2, X11

12Probolinggo X2, X11 31 Kota Malang X2, X11

13Pasuruan X2, X11 32 Kota Probolinggo X2

14Sidoarjo X2, X11 33 Kota Pasuruan X2, X11

15Mojokerto X2, X11 34 Kota Mojokerto X2, X11

16Jombang X2, X11 35 Kota Madiun X2, X11

17Nganjuk X2, X11 36Kota Surabaya X2, X11

18Madiun X2, X11 37 Kota Batu X2, X11

Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Variabel yang Signifikan

Dengan Menggunakan Pembobot Fungsi Kernel Gauss


Kabupaten/Kota Variabel yang signifikan

Pacitan, Lumajang, Jember,

Banyuwangi, Bondowoso, Situbondo,

Magetan, Sampang, Pamekasan,

Sumenep, Kota Probolinggo

X2 : Persentase persalinan yang

dilakukan dengan bantuan non medis

(dukun bayi)

Ponorogo, Trenggalek, Tulung

Agung,

Blitar, Kediri, Malang,

Probolinggo, Pasuruan, Sidoarjo,

Mojokerto, Jombang, Nganjuk,

Madiun, Ngawi, Bojonegoro,

Tuban, Lamongan, Gresik,

Bangkalan, Kota Kediri,

Kota Blitar, Kota Malang,

Kota Pasuruan, Kota Mojokerto,

Kota Madiun, Kota Surabaya, Kota

Batu

X2 : Persentase persalinan yang

dilakukan dengan bantuan non medis

(dukun bayi)

X11 : Jumlah sarana kesehatan

BACK

Perbandingan Kesesuaian Model


Model SS

Regresi Linier (OLS) 79,59179

GWR 63,29941 *

Ket : *) Model Terbaik

JAWA TENGAH


STATISTIKA DESKRIPTIF


Variabel

Total

count Rata-rata

Standar

Deviasi Minimum Maximum

Y 35 69,946 1,547 66,75 72,62

X1 35 0,01697 0,01215 0,002 0,043

X2 35 17,7 11,87 1,02 44,59

X3 35 19,426 0,968 18,123 21,785

X4 35 6,525 1,162 4,969 9,4

X5 35 257176 56641 186487 436905

X6 35 54,32 27,74 0 86

X7 35 7,945 1,215 6 10,376

X8 35 60,02 13,32 41,92 96,38

X9 35 17,27 8,84 3,75 36,66

X10 35 438 123,5 195 768

X11 35 118,31 42,43 35 215

Identifikasi Multikolinieritas


Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

X1 -0,129

X2 -0,528 0,182

X3 0,401 -0,261 -0,682

X4 0,352 -0,307 -0,649 0,878

X5 0,26 -0,247 -0,662 0,792 0,863

X6 -0,027 0,233 0,655 -0,751 -0,836 -0,851

X7 -0,185 -0,039 0,091 -0,233 -0,194 -0,16 0,199

X8 0,326 -0,309 -0,577 0,539 0,626 0,653 -0,569 -0,016

X9 -0,236 0,215 0,746 -0,52 -0,543 -0,72 0,607 0,095 -0,527

X10 0,077 0,019 -0,242 0,1 0,089 0,031 -0,041 0,08 0,13 -0,169

X11 0,161 0,064 -0,239 -0,026 0,013 -0,072 0,095 0,221 0,137 -0,117 0,814

Nilai VIF

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11

1,226 3,934 5,619 8,831 8,35 4,831 1,175 2,075 3,629 3,433 4,206

BACK

Regresi Linier


= 62,1 - 5,3 X1 - 0,124 X2 - 0,019 X3 + 0,776 X4 + 0,000010 X5 + 0,0721 X6

- 0,260 X7 + 0,0088 X8 + 0,0569 X9 - 0,00100 X10 - 0,00104 X11

Y

Jawa Tengah

Fhitung 6,18

db 11;23

2,24)23,11;05,0(f

Prediktor Koefisien T P-value kesimpulan

Konstan 62,101 9,17 0 signifikan


X2 -0,12427 -4,59 0 signifikan


X4 0,7757 1,87 0,074 signifikan


X6 0,07208 5,61 0 signifikan

X7 -0,2601 -1,8 0,086 signifikan





S = 0,945826 ; R2 = 74,7 % ; R2 (adj) = 62,6%

BAck

Geographically Weighted Regression


no Kabupaten/Kota Bandwidth no Kabupaten/Kota Bandwidth

1 Cilacap 2,979429 19 Kudus 2,979491

2 Banyumas 2,688279 20 Jepara 2,242840

3 Purbalingga 2,845353 21 Demak 1,970174

4 Banjarnegara 2,114054 22 Semarang 1,697305

5 Kebumen 2,107114 23 Temanggung 1,803337

6 Purworejo 1,871240 24 Kendal 1,735039

7 Wonosobo 1,854839 25 Batang 1,854478

8 Magelang 1,544733 26 Pekalongan 2,076594

9 Boyolali 1,850778 27 Pemalang 2,466662

10 Klaten 1,903346 28 Tegal 2,560634

11 Sukoharjo 1,735467 29 Brebes 2,792161

12 Wonogiri 2,352900 30 Kota Magelang 1,560498

13 Karanganyar 2,162165 31 Kota Surakarta 2,087133

14 Sragen 2,181186 32 Kota Salatiga 1,733541

15 Grobogan 1,586967 33 Kota Semarang 1,708253

16 Blora 2,822221 34 Kota Pekalongan 2,040180

17 Rembang 2,500770 35 Kota Tegal 2,603301

18 Pati 2,429986

Nilai bandwith yang diperoleh dari hasil iterasi : 1.655447 dengan nilai kriteria CV : 44.41073

matriks pembobot dengan fungsi kernel gauss pada lokasi (u1, v1) yaitu KabupatenCilacap adalah :

Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai berikut :


4133,08160,08291,0

8275,08071,09369,08843,08378,08827,08510,09307,0

9153,09406,09541,09579,09204,09492,09818,09647,0

9446,09623,09625,09682,09854,09810,09827,09773,0

9874,09818,09885,09948,09917,09945,09986,01

, 11 diagvuW

000

00000000

00000000

00000000

00000000000,1

, 11 diagvuW

Penaksiran Parameter :


Nilai

Minimum Maksimum

Intercept 61220,000000 66730,000000

X1 9884,000000 3950,000000

X2 141,300000 112,200000

X3 395,700000 205,200000

X4 417,300000 866,800000

X5 0,008290 0,015940

X6 59,010000 78,670000

X7 342,600000 272,500000

X8 5,680000 14,100000

X9 27,770000 103,500000

X10 3,734000 2,977000

X11 10,350000 2,846000

ANOVA Fotheringham :

SSE d.f F P-value

Model GWR 18,03745 19,93 1,1402 0,3864


ANOVA LEUNG :

SSE d.f F P-value

Model GWR 18,03745 23 1,0121 0,5121


Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi . Apabila digunakan nilai sebesar 5% maka nilai , Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada tabel berikut:


Id Kab/Kota

Variabel yang

signifikan

berpengaruh Id Kab/Kota

Variabel yang

signifikan

berpengaruh

0 Cilacap X2, X6, X9 18 Kudus X2, X6

1 Banyumas X2, X6, X9 19 Jepara X2, X6

2 Purbalingga X2, X6, X9 20 Demak X2, X6

3 Banjarnegara X2, X6 21 Semarang X2, X6

4 Kebumen X2, X6 22 Temanggung X2, X6

5 Purworejo X2, X6 23 Kendal X2, X6

6 Wonosobo X2, X6 24 Batang X2, X6

7 Magelang X2, X6 25 Pekalongan X2, X6

8 Boyolali X2, X6 26 Pemalang X2, X6

9 Klaten X2, X6 27 Tegal X2, X6, X9

10 Sukoharjo X2, X6 28 Brebes X2, X6, X9

11 Wonogiri X2, X6 29 Kota Magelang X2, X6

12 Karanganyar X2, X6 30 Kota Surakarta X2, X6

13 Sragen X2, X6 31 Kota Salatiga X2, X6

14 Grobogan X2, X6 32 Kota Semarang X2, X6

15 Blora X2, X6 33 Kota Pekalongan X2, X6

16 Rembang X2, X6 34 Kota Tegal X2, X6, X9

17 Pati X2, X6


Pengelompokan Kabupaten/Kota di Jawa Tengah Berdasarkan Variabel yang Signifikan

Dengan Menggunakan Pembobot Fungsi Kernel Gauss

Kabupaten/Kota Variabel yang signifikan

Cilacap, Banyumas, Purbalingga,

Brebes, Kabupaten Tegal dan Kota Tegal

X2 : Persentase persalinan yang dilakukan

dengan bantuan non medis (dukun bayi)

X6 : Persentase daerah yang berstatus desa

X9 : Persentase penduduk miskin

Banjarnegara, Kebumen, Purworejo,

Wonosobo, Magelang, Boyolali, Klaten,

Sukoharjo, Wonogiri, Karanganyar, Sragen,

Grobogan, Blora, Rembang, Pati, Kudus,

Jepara, Demak, Semarang, Temanggung,

Kendal, Batang, Pekalongan, Pemalang, Kota

Magelang,

Kota Surakarta, Kota Salatiga,

Kota Semarang, Kota Pekalongan

X2 : Persentase persalinan yang dilakukan

dengan bantuan non medis (dukun bayi)

X6 : Persentase daerah yang berstatus desa

BACK

Perbandingan Kesuaian Model


Model SS

Regresi Linier (OLS) 20,56622

GWR 18,03745 *

Ket : *) Model Terbaik

Kesimpulan

1. Faktor-faktor yang berpengaruh terhadap AHH di Jatim berdasarkan model GWR adalah Persentase persalinan yang dilakukan dengan tenaga non medis (X2) dan jumlah tenaga medis (X11). Terdapat dua kelompok yang terbentuk berdasarkan variabel yang signifikan pada masing-masing model di Jawa Timur. Kelompok yang pertama masalah yang signifikan berpengaruh terhadap AHH yaitu X2 dan untuk kelompok yang kedua masalah yang signifikan berpengaruh terhadap AHH yaitu X2 dan X11.


BACK

Kesimpulan

2. Faktor-faktor yang mempengaruhi angka harapan hidup di Jawa Tengah adalah persentase persalinan yang dilakukan oleh bantuan non medis (X2), persentase daerah yang berstatus desa (X6), dan persentase penduduk miskin (X9). Berdasarkan variabel yang signifikan, maka kabupaten/kota di Jawa Tengah dapat dikelompokkan menjadi dua kelompok. Pada kelompok pertama masalah yang signifikan berpengaruh yaitu X2, X6, dan X9. Sedangkan kelompok kedua masalah yang berpengaruh terhadap AHH yaitu X2 dan X6


Next

Saran

1. Dalam melakukan analisis agar lebih memperhatikan asumsi residual yang harus dipenuhi yaitu asumsi residual berdistribusi normal, karena hal itu berpengaruh terhadap hasil analisis. Apabila data yang digunakan tidak berdistribusi normal maka dapat digunakan model regresi lokal yang lain.

2. Selain menggunakan program R 2.9.1, disarankan untuk menggunakan program lain untuk melakukan analisis seperti program GWR4 agar lebih praktis, atau mungkin dengan menggunakan program Matlab

3. Model GWR sangat sesuai apabila diterapkan di Indonesia, karena kondisi setiap daerah di Indonesia sangat beragam (berbeda satu sama lain). Sehingga dengan adanya variabel-variabel yang digunakan dalam analisis yang menggunakan model GWR diharapkan mampu menerangkan kondisi lokal daerah tersebut.


Daftar Pustaka

Draper, N.R. and Smith, H. 1981. Applied Regression Analysis, Second Edition. John Wiley and sons, Inc. New York.

Fotheringham, A.S., Brundson, C., dan Charlton, M. 2002. Geographically Weighted Regression : the analysis of spatially varying relationship. John Wiley & Sons Ltd, England.

Myers, R.H. 1990. Classical and Modern Regression with Application, Second Edition. PWS-Kent Publishing Company. Boston.

Sugiyanto. 2008. Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression (Studi Kasus Data Kemiskinan di Propinsi Papua). Program Magister. Institut Teknologi Sepuluh Nopember. Surabaya.

Tim Penyusunan Laporan Tujuan Pembangunan Milenium Indonesia tahun 2007. 2007. Laporan Pencapaian Milenium Development Goals Indonesia 2007. Jakarta : Kementrian Negara Perencanaan Pembangunan Nasional.


TERIMA KASIH


pemodelan angka harapan hidup propinsi jawa timur dan jawa ... · dengan potensi yang ada di daerah...

Documents