pemodelan penduduk miskin di propinsi jawa timur dengan...
TRANSCRIPT
SEMINAR HASIL TUGAS AKHIR
Pemodelan Penduduk Miskin di Propinsi Jawa Timur Dengan Menggunakan Metode
Geographically Weighted Regression
Oleh : Yuanita Damayanti 1311 105 010
Pembimbing: Dr. Vita Ratnasari S.Si, M.Si
JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2013
Surabaya, 9 Juli 2013
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN
3
Perekonomian
Dibawah Garis Kemiskinan
Jumlah Penduduk 41.437.769 jiwa Luas Wilayah 47.799,75 Km2
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
3 Geographically Weighted Regression
Tahun
Jumlah Penduduk
Miskin
(Juta Jiwa)
Persentase
Penduduk
Miskin Tahun
Jumlah Penduduk
Miskin
(Juta Jiwa)
Persentase
Penduduk
Miskin
Kota+Desa Kota+Desa Kota+Desa Kota+Desa
1976 54,2 40,1 2002 38,40 18,20
1996 22,5 11,3 2003 37,30 17,42
1998 49,5 24,23 2004 36,10 16,66
1999 47,97 23,43 2005 35,10 15,97
2000 38,70 19,14 2006 39,30 17,75
2001 37,90 18,41
Menurun Krisis Ekonomi dan Krisis Sosial Politik
Menurun
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN Latar
Belakang Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
4 Geographically Weighted Regression
14,40 juta jiwa
4,20 juta jiwa
Penelitian-penelitian Sebelumnya
Yasin (2011) Mixed Geographically Weighted Regression (MGWR) • Pemodelan persentase rumah tangga miskin berdasarkan variabel ketertinggalan suatu desa/kelurahan di Kabupaten Mojokerto tahun 2008
Mardiana 2012 Penelitian Korelatif
• Faktor penyebab kemiskinan, kondisi kemiskinan di Indonesia, dan cara menanggulangi masalah kemiskinan di Indonesia
Model Geographically Weighted Regression (GWR ) dalam analisis faktor-faktor yang diduga mempengaruhi penduduk miskin pada
Kabupaten/Kota di Jawa Timur
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN Latar
Belakang Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
5 Geographically Weighted Regression
6
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN Latar Belakang Rumusan
Masalah Tujuan
Penelitian Manfaat
Penelitian Batasan Masalah
Bagaimana karakteristik penduduk miskin dan faktor yang berpengaruh di Propinsi Jawa Timur ?
1
Bagaimana pemodelan penduduk miskin dan faktor yang berpengaruh di Propinsi Jawa Timur dengan pemodelan GWR?
2
Bagaimana pemapingan persentase penduduk miskin dan faktor yang mempengaruhinya dengan model GWR ?
3 6
Geographically Weighted Regression
7
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN Latar Belakang Rumusan
Masalah Tujuan
Penelitian Manfaat
Penelitian Batasan Masalah
7
Mengetahui karakteristik penduduk miskin dan faktor yang berpengaruh di Propinsi Jawa Timur.
1
Mendapatkan pemodelan regresi penduduk miskin dan faktor yang mempengaruhinya di Propinsi Jawa Timur dengan metode GWR.
2
Mengetahui peta persebaran persentase penduduk miskin dan faktor yang mempengaruhinya dengan model GWR.
3 7
Geographically Weighted Regression
8
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN Latar Belakang Rumusan
Masalah Tujuan
Penelitian Manfaat
Penelitian Batasan Masalah
Memberikan informasi akurat dan lebih terperinci mengenai apa saja faktor-faktor yang mempengaruhi penduduk miskin di Propinsi Jawa Timur, sehingga dapat membatu pemerintah Jawa Timur dalam menentukan kebijakan program untuk mengentas kemiskinan dengan program bantuan pemerintah.
Geographically Weighted Regression
SEMINAR HASIL TUGAS AKHIR
PENDAHULUAN Latar Belakang Rumusan
Masalah Tujuan
Penelitian Manfaat
Penelitian Batasan Masalah
Data yang digunakan pada penelitian ini adalah data profil hasil olahan Survei Sosial Ekonomi Nasional (SUSENAS) tentang kemiskinan di Kabupaten/Kota Propinsi Jawa Timur tahun 2010 pada studi tentang faktor-faktor yang mempengaruhi penduduk miskin dengan Metode Geographically Weighted Regression (GWR).
9
Geographically Weighted Regression
SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
Analisis Regresi Linier
Metode regresi linier merupakan metode yang memodelkan hubungan antara variabel respon (y) dan variabel prediktor (X). Estimasi parameter dengan Ordinary Least Square (OLS) (Draper & Smith, 1981):
01
p
i k ik ik
y xβ β ε=
= + +∑
( )ˆ T T−=
1β X X X y
10
Geographically Weighted Regression
Analisis Regresi Linier Uji Serentak
Hipotesis yang digunakan setelah melakukan pengujian sebagai berikut
H0 : β1 = β2 = ...=βp =0 H1 : Minimal ada satu βk≠0 ; k = 1,
2, ..., p Statistik Uji : Daerah Tolak: tolak H-0 jika Fhit >
F(α;p,n-1p-1) atau jika p-value- < α.
Uji Parsial
H0 : βk = 0 H1 : βk ≠0 ; k = 1,2,...,p Statistik Uji yang digunakan Tolak H0 atau jika nilai |thit| >
tα/2;n – p – 1 atau p-value > α
)ˆ( k
k
SEt
ββ
=
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
11
Geographically Weighted Regression
∑
∑
=
=
+−−
−= n
iii
n
ii
hit
pnyy
pyyF
1
2
1
2
)1(/)ˆˆ(
/)ˆ(
12
Analisis Regresi Linier
Pengujian Asumsi
Asumsi Residual Identik
Asumsi Residual Independen
Asumsi Residual Berdistribusi Normal
Asumsi Multicolinearity
Varians Inflation Factor (VIF) yang tinggi ( )
kkk
kk rVIF == 2
ˆvarσβ
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
12
Geographically Weighted Regression
13
Aspek Data Spasial
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
13
Geographically Weighted Regression
Uji Dependensi Spasial
spasial) dependensi (ada 0 Hspasial) dependensi ada(tidak 0H
1
0
≠===
II
Statistik Uji : )()(
IVIEIzi
−=
Tolak H0 jika zi > zα/2
Uji Heterogeniti Spasial
)dastisitas(heteroske satu ada minimal:H
stisitas)(homoskeda :H
22
i1
222
2
2
10
σσ
σσσσ
≠
==== n
1Statistik Uji : (1 / 2) ( )T T TBP f Z Z Z Z f−=
2pDaerah Tolak : Tolak jika BP >χ atau p_value < α
Tolak H0 jika zi > zα/2
Model Geographically Weighted Regression (GWR)
Setiap parameter dihitung pada setiap lokasi pengamatan, sehingga setiap lokasi mempunyai parameter regresi yang berbeda-beda
( ) ( )01
, , ; i = 1, 2, ... np
i i i k i i ik ik
y u v u v xβ β ε=
= + +∑
( ) ( ) ( )1ˆ , , ,T Ti i i i i iu v u v u v
− = β X W X X W y
14
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
Geographically Weighted Regression 14
Estimasi parameter dengan Weighted Least Square (WLS) yaitu memberikan pembobot yang berbeda pada setiap lokasi pengamatan :
Fungsi Pembobot
1. Gaussian (Fotheringham, et al., 2002)
2. Bisquare (Fotheringham, et al., 2002)
3. Tricube
.
( ) ( )
−= 2
21exp, bdvuw ijiij
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
Geographically Weighted Regression
22 , untuk 1 ( / )( , ), untuk 0
ijijj i i
ij
d bd bw u vd b
≤ − = >
33 , untuk 1 ( / )( , ), untuk 0
ijijj i i
ij
d bd bw u vd b
≤ − = >
22 )()(jijiij
vvvud −+−=
2
1
ˆ( ) ( ( ))n
i ii
CV b y y b≠=
= −∑
Fungsi kernel adaptive memiliki bandwidth yang berbeda-beda di tiap lokasi pengamatan.
15
Pengujian Hipotesis Model GWR
Pengujian Kesesuaian Model GWR
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
16
Geographically Weighted Regression
Statistik Uji 1δGWR
GWROLShit SSE
vSSESSEF
−=
Daerah Tolak
2 21 2(1 ,( / *),( / ))hit v vF F α δ δ−
>
*21 / vvdf = 2
212 /δδ=df
Parameter Model GWR
17
SEMINAR PROPOSAL TUGAS AKHIR
TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR
TINJAUAN PUSTAKA
17
Geographically Weighted Regression
Statistik Uji
Daerah Tolak
Parameter yang berpengaruh terhadap respon secara parsial
( )kk
iik
gvuT
σβ
ˆ,ˆ
=
21 2/2, / atau p_value < T t α δ δ α>
Kemiskinan dan Faktor-faktornya
Definisi Penduduk Miskin Penduduk yang memiliki pengeluaran per kapita perbulan lebih kecil dari garis kemiskinan.
Faktor Ekonomi
Pengeluaran rumah tangga, kegiatan utama kepala rumah tangga, lapangan usaha utama kepala RT, dan status pekerjaan utama kepala RT
Faktor Luar
Penolong persalinan pertama oleh tenaga kesehatan,, pelayanan kesehatan, penduduk miskin yang menerima raskin, dan fasilitas air bersih.
BPS
Faktor Yang Mempengaruhi Penduduk Miskin
18
Geographically Weighted Regression
Garis kemiskinan adalah suatu garis yang menunjukkan nilai pengeluaran makanan per orang untuk memenuhi kebutuhan dasar 2100 kkal per hari ditambah dengan pengeluaran non makanan selama 1 bulan (BPS, 2010).
Sumber Data
19
SEMINAR HASIL TUGAS AKHIR
METODOLOGI PENELITIAN
Geographically Weighted Regression
Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari BPS (Badan Pusat Statistik) Propinsi Jawa Timur Surabaya yaitu data profil kemiskinan di Indonesia tahun 2010, data ini diolah dengan cara Survei Sosial Ekonomi Nasional (SUSENAS). Data sekunder dalam penelitian ini akan dipakai unit observasi di 38 tingkatan kota/kabupaten di Jawa Timur.
Variabel Penelitian
No. Nama Variabel 1 Y1 = Persentase Penduduk miskin 4 X1 = Angka partisipasi sekolah penduduk miskin usia 13-15 tahun
5 X2 = Persentase Penduduk miskin usia 15 tahun ke atas yang bekerja di sektor Pertanian
7 X3 = Persentase pengeluaran perkapita untuk makanan
9 X4 = Persentase balita penduduk miskin ang kelahirannya ditolong oleh tenaga kesehatan pada persalinan pertama
12 X5= Persentase penduduk miskin yang menggunakan air bersih 14 X6 Pelayanan kesehatan Jamkesmas penduduk miskin
15 X7= Persentase rumah tangga miskin yang pernah menerima beras raskin
20 20
Geographically Weighted Regression
Mendeskripsikan penduduk miskin dan faktor yang
mempengaruhinya
Mengidentifikasi pola hubungan antar
variabel. Mendapatkan
Pemodelan Regresi
Memeriksa aspek spasial pada data
penelitian
Menentukan ui vi Menghitung jarak Euclidean , Menentukan bandwith optimum
Melakukan pembobotan
menggunakan fungsi Kernel Gaussian
Menganalisis Model GWR
Melakukan pemapingan signifikansi
parameter GWR
Langkah Analisis
21
Geographically Weighted Regression
Menarik Kesimpulan
22
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Persebaran Persentase Penduduk Miskin Di Jawa Timur
RENDAH
Surabaya
Sidoarjo
Kota Mojokerto
Kota Batu
Kota Madiun
Kota Blitar
Kota Malang
23
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Persentase Penduduk Miskin yang Mengunakan Air Bersih
TINGGI
Kota Surabaya
24
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Pola Hubungan Antar Variabel
Hubungan Positif
Variabel Respon dengan Per-sentase penduduk miskin pada pelayanan kesehatan jamkesmas dan Penduduk miskin yang menerima raskin
25
SEMINAR HASIL TUGAS AKHIR
REGRESI LINIER
Geographically Weighted Regression
Hasil Pengujian Parameter Model Secara Serentak Sumber Variansi
Jumlah Kuadrat
Derajat Bebas
Kuadrat Tengah
F p-
value Regresi 1064,69 7 152,10 11,10 0,000 Error 411,25 30 13,71 Total 1475,94 37
Hasil Pengujian Parameter Model Secara Individu
Predictor Coef SE Coef T P Constant -23.41 17.33 -1.35 0.187 X1 -0.01913 0.05515 -0.35 0.731 X2 -0.08543 0.03907 -2.19 0.037 X3 0.4101 0.2187 1.87 0.071 X4 -0.11671 0.03687 -3.17 0.004 X5 0.06932 0.04897 1.42 0.167 X6 0.08144 0.04925 1.65 0.109 X7 0.21851 0.06672 3.27 0.003
0,10;24,177 1,31756F> =
Tolak H0
0,1α< =
Predictor VIF X1 1.183 X2 2.929 X3 2.324 X4 1.566 X5 1.399 X6 1.618 X7 2.422
VIF VIF < 10
26
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Pengujian Nilai Signifikansi
Breusch-Pagan 0,04477 Moran's I 0,0002
Uji Efek Spasial Tolak H0 0,1α< =
Residual Independen
Durbin Watson 0,4604
Asumsi independen terpenuhi
Residual Berdistribusi
Normal
1050-5-10
99
95
90
80
70
60504030
20
10
5
1
RESI1
Perc
ent
Mean 1.194366E-14StDev 3.334N 38KS 0.069P-Value >0.150
Probability Plot of RESI1Normal
H0 ditolak, yang berarti bahwa varians residual tidak identik dan terdapat dependensi spasial.
27
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Pemodelan penduduk miskin dan faktor yang mempengaruhinya dengan Geographically Weighted Regression (GWR)
Estimator Nilai β(ui,vi) Global Min Median Max X.Intercept -29,4100 -27,8100 -19,5900 -23,4071 X1 -0,0089 -0,0027 0,0224 -0,0191 X2 -0,0971 -0,0942 -0,0554 -0,0854 X3 0,2760 0,4792 0,5554 0,4101 X4 -0,1358 -0,1314 -0,1029 -0,1167 X5 0,0222 0,0736 0,1039 0,0693 X6 0,0445 0,0827 0,1168 0,0814 X7 0,1648 0,2145 0,2578 0,2185 R2 76,32% 72,10 % SSE 349,4785 411,25
Estimasi Model GWR
Model AIC R2
Regresi Linier 216,341 72,14% GWR Gaussian 206,0443 72,54% Adaptive Gaussian 205.7352 72,98% Bisquare 206.0443 72,55% Adaptive Bisquare 203.6601 76,32% Tricube 206.0443 72,55% Adaptive Tricube* 203.6600 76,33%
Pemilihan Model Terbaik AIC
28
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Nilai Bandwidth Tiap Kabupaten/Kota
Kabupaten/Kota Bandwidh Kabupaten/Kota Bandwidh Kabupaten/Kota
Bandwidh
pacitan 3.148854 bojonegoro 1.936303 kota batu 2.07268 ponorogo 2.701209 tuban 1.797275 blitar 2.311774 trenggalek 2.789972 lamongan 1.972123 kediri 2.438124 tulungagung 2.679781 bangkalan 2.080072 mojokerto 2.68887 lumajang 2.210141 pamekasan 2.219511 banyuwangi 2.290861 bondowoso 2.267399 kota kediri 2.778397 gresik 2.119938 pasuruan 1.90811 kota blitar 3.044446 jember 1.901234 jombang 2.070189 kota malang 3.10049 malang 2.16256 nganjuk 2.264895 kota probolinggo 3.070869 probolinggo 1.818173 madiun 3.149896 kota pasuruan 2.862036 sampang 2.122917 magetan 2.495474 kota mojokerto 2.70704 sidoarjo 2.998301 ngawi 2.590273 kota madiun 2.221375 situbondo 2.012754 bojonegoro 1.936303 kota surabaya 2.212169 sumenep 1.987976
29
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Kabupaten /Kota
Variabel signifikan
Kabupaten /Kota
Variabel signifikan
Pacitan X2, X3, X4, X6, X7
Kota Probolinggo
X2, X3, X4, X6, X7
Ponorogo X2, X3, X4, X6, X7
Kota Pasuruan
X2, X3, X4, X6, X7
Trenggalek X2, X3, X4, X6, X7
Kota Mojokerto
X2, X3, X4, X6, X7
Tulungagung X2, X3, X4, X6, X7 Kota Madiun X2, X3, X4,
X5, X6, X7
Lumajang X2, X3, X4, , X5, X6, X7
Kota Surabaya
X2, X3, X4, X5, X6, X7
Bondowoso X2, X3, X4, X6, X7 Kota Batu X2, X3, X4,
X5, X6, X7
Pasuruan X2, X3, X4, , X5, X6, X7 Blitar X2, X3, X4,
X5, X7
Jombang X2, X3, X4, X5, X7 Kediri X2, X3, X4,
X5, X7
Nganjuk X2, X3, X4, , X5, X7 Mojokerto X2, X3, X4,
X5, X7
Madiun X4, X7 Banyuwangi X2, X3, X4, X6, X7
Magetan X2, X3, X4, X5, X7 Gresik X2, X3, X4,
X5, X6, X7
Ngawi X2, X3, X4, X5, X7 Jember X2, X3, X4,
X5, X6, X7
Kabupaten /Kota
Variabel signifikan
Kabupaten /Kota
Variabel signifikan
Bojonegoro X2, X3, X4, X5, X7 Malang X2, X3, X4, X5,
X7
Bangkalan X2, X3, X4, X5, X6, X7 Sidoarjo X2, X3, X4, X6,
X7
Pamekasan X2, X3, X4, X5, X6, X7 Situbondo X2, X3, X4, X5,
X6, X7
Kota Kediri X2, X3, X4, X6, X7 Kota Malang X2, X3, X4, X6,
X7
Kota Blitar X2, X3, X4, X6, X7 Sumenep X2, X3, X4, X5,
X6, X7
SSE df F p-value Model Regresi 411,2531 30 Model GWR 349,4785 24,177 1,1768 0,3439
Uji kesesuaian Model GWR 0,10;24,177 1,31756F< =
Variabel Signifikan Model GWR
0,1α> =
Gagal Tolak H0
H0 gagal ditolak, yang artinya bahwa tidak terdapat perbedaan yang signifikan antara model GWR dengan model regresi linier.
30
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
76
432
X 0.169122 + X 0.11382815 + X 0.1309561- X 0.5458346 + X 0.09592865- 28.19353- =Y
Persebaran persentase penduduk miskin dengan pemodelan GWR
Intepretasi Model GWR Di Kota Sidoarjo
RENDAH Sidoarjo
Kota Kediri
Kota Blitar
Kota Mojokerto
31
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
Geographically Weighted Regression
Perbedaan Kategori Pemapingan Antara Penduduk Miskin Dengan Pemodelan GWR Penduduk Miskin
Gambar Kabupaten/Kota I
(Gambar 4.1) II
(Gambar 4.11)
Kode 1 Kode 2 Kota Malang, Kota Madiun, Kota Surabaya, Kota Batu
Kode 3 Kode 4 Pasuruan, Jember, Situbondo Kode 4 Kode 5 Pamekasan Kode 4 Kode 2 Bojonegoro, Kota Probolinggo Kode 4 Kode 3 Ngawi, Lamongan
Kode 3 Kode 2 Ponorogo, Nganjuk, Madiun, Magetan, Kediri Kode 2 Kode 1 Kota Kediri
32
SEMINAR HASIL TUGAS AKHIR
HASIL DAN PEMBAHASAN
32
Geographically Weighted Regression
Gambar 1 (Penduduk miskin)
Gambar 2 (pemodelan GWR penduduk miskin)
Perbedaan Kategori Pemapingan Antara Penduduk Miskin dengan Pemodelan GWR Penduduk Miskin
33
SEMINAR HASIL TUGAS AKHIR
KESIMPULAN DAN SARAN
33 33
Geographically Weighted Regression
• Persentase penduduk miskin di kabupaten/kota di Propinsi Jawa Timur menujukkan pola yang menyebar begitu juga dengan faktor-faktor yang mempengaruhinya.
• Persebaran persentase penduduk miskin tertinggi terdapat di Bangkalan, Sampang, Sumenep, dan Probolinggo.
• Persentase Angka Partisipasi Sekolah penduduk miskin yang tertinggi terdapat di Kabupaten Sumenep, Lamongan, dan Sidoarjo.
• Sedangkan, persentase penduduk miskin yang pernah menerima beras raskin terendah terdapat di Kota Surabaya, Sidoarjo, Kota Madiun, Kota Blitar, dan Kota Malang.
1.
34
SEMINAR HASIL TUGAS AKHIR
KESIMPULAN DAN SARAN
34 34
Geographically Weighted Regression
• Data yang digunakan dalam pemodelan memenuhi aspek spasial sehingga dilakukan pemodelan dengan GWR dengan kernel Adaptive Tricube dan menghasilkan model yang lebih baik dari regresi global dikarenakan memiliki nilai R2 yang lebih besar dan SSE yang lebih kecil.
• Hasil pemodelan dengan GWR diperoleh model yang berbeda-beda untuk tiap kabupaten/kota yang menunjukan bahwa faktor geografi berpengaruh terhadap persentase penduduk miskin di Propinsi Jawa Timur.
2.
35
SEMINAR HASIL TUGAS AKHIR
KESIMPULAN DAN SARAN
35 35
Geographically Weighted Regression
Hasil pemapingan persentase penduduk miskin terdapat perbedaan kategori pemapingan antara penduduk miskin dengan pemodelan penduduk miskin dengan parameter yang signifikan mengalami kenaikan presentase penduduk miskin terjadi di • Kota Malang • Kota Madiun • Kota Surabaya • Kota Batu • Pasuruan • Jember • Situbondo dan Pamekasan.
3.
36
SEMINAR HASIL TUGAS AKHIR
KESIMPULAN DAN SARAN
36 36
Geographically Weighted Regression
Saran dari penelitian ini agar memperoleh hasil analisis yang lebih baik yaitu dengan menambahkan variabel-variabel baru yang dianggap berpengaruh untuk memperjelas hubungan antar variabel respon dengan variabel prediktor dalam mendapatkan model yang signifikan
. Penelitian selanjutnya disarankan memodelkan penduduk miskin dengan metode lain untuk data yang memiliki heterogenitas spasial dan dependensi spasial sehingga dapat digunakan sebagai pembanding dalam menentukan model yang sesuai.
SARAN