GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR...
Transcript of GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR...
1
GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR
MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012
Lani Amaliah1, Nusar Hajarisman
2, Anna Chadijah
3
1Program Magister Statistika Terapan UNPAD, [email protected]
2Program Studi Statistika UNISBA, [email protected]
3Program Studi Statistika UNPAD, [email protected]
ABSTRAK
Secara statistik, jika terdapat heterogenitas dalam data maka untuk mengetahui
pengaruh antara variabel dependen dan independen tidak lagi dapat dilakukan dengan
analisis regresi biasa, melainkan harus dengan analisis regresi lokal. Pengaruh spatial
ini biasanya terjadi pada unit pengamatan yang berupa wilayah/area. Adanya
pengaruh spatial ini menyebabkan penaksiran parameter menjadi bias dan variansnya
besar. Oleh karena itu dalam mengestimasi parameter dilakukan pembobotan untuk
setiap lokasi, sebagai dasar dalam metode Geographically Weighted Regression
(GWR). Dalam pembentukan model GWR diperlukan bandwitdh yang optimum
untuk menghitung pembobot di setiap lokasi. Studi kasus dari penelitian ini adalah
model output sektor Industri Menengah Besar pada tataran propinsi pada Tahun 2012.
Dengan uji kesesuaian model, diperoleh hasil bahwa efek spatial berpengaruh
terhadap pembentukan model output. Faktor-faktor yang mempengaruhi output di
setiap propinsi pada umumnya hampir sama, yaitu pengeluaran perusahaan untuk
bahan baku, bahan bakar, listrik dan pajak. Namun, terdapat 5 propinsi yang memiliki
model output yang berbeda.
Kata kunci: Data Spatial, Heterogenitas Spatial, Geographically Weigthed
Regression, Bandwidth, Fungsi Pembobot
1. Pendahuluan
Dalam analisis regresi, metode yang digunakan untuk menaksir parameter-
parameter dalam model regresi dapat menggunakan Metode Kuadrat Terkecil Biasa
(MKTB). Gauss menetapkan asumsi-asumsi untuk MKTB yaitu normalitas residual,
homoskedastisitas, tidak terdapat multikoleniaritas dan tidak terdapat autokorelasi.
2
Suatu model regresi yang memenuhi keempat asumsi tadi dikenal sebagai model
regresi klasik, standar atau linier umum. MKTB mempunyai sifat Best Linier
Unbiased Estimator (BLUE), yaitu penaksir tidak bias dan mempunyai varians yang
minimum. Pelanggaran asumsi homoskedasitas, yaitu terjadi apabila varians dari
gangguan (disturbance) tidak konstan atau berubah–ubah secara sistematik seiring
berubahnya nilai variabel prediktor (heteroskedastisitas). Masalah heteroskedastisitas
lebih sering terjadi pada data cross-sectional dibandingkan dengan data deret waktu.
Sehingga dapat disimpulkan bahwa salah satu penyebab terjadinya heteroskedastisitas
adalah jika unit pengamatan berupa wilayah/area. Misalnya: desa, kecamatan,
kabupaten/kota, propinsi atau negara. Suatu kejadian mungkin saja hasilnya
bergantung pada wilayah atau lokasi tempat kejadian itu terjadi. Wilayah atau lokasi
memiliki sekumpulan data yang berbeda antara satu wilayah dengan wilayah lainnya.
Karakteristik dari data spatial ini memberikan dampak dalam estimasi parameter
model dasar. Jika terdapat struktur spatial di residual dalam model dan estimasi
parameter menggunakan MKTB maka akan menyebabkan penaksir menjadi bias.
Penaksir yang bias dapat menaksir terlalu tinggi atau terlalu rendah dari nilai
parameter yang sebenarnya, akibatnya tingkat presisi/ketepatan akan berkurang dan
pengujian hipotesis menjadi kurang berarti.
Oleh karena itu, jika unit pengamatan berupa wilayah/area dan terjadi
pelanggaran asumsi homoskedasitas, maka analisis yang dilakukan untuk mengetahui
hubungan antara satu variable tak bebas dengan satu atau lebih variable bebas tidak
lagi digunakan analisis regresi global, melainkan dengan menggunakan analisis data
spatial. Brundson, Fotheringham dan Charlton (1998) mengembangkan sebuah
metode untuk menganalisis data spasial yang kemudian diberi nama Geographically
Weighted Regression (GWR). Model ini merupakan model regresi linier lokal (locally
linier regression) yang menghasilkan penaksir parameter model yang bersifat lokal
untuk setiap titik atau lokasi dimana data tersebut dikumpulkan. Variabel koordinat
spatial longitude dan lattitude merupakan variable yang digunakan dalam
pembobotan untuk penaksiran model GWR. Dalam model GWR, variabel respon
ditaksir dengan variabel prediktor yang setiap koefisien regresinya tergantung pada
lokasi, hal ini menyebabkan banyaknya parameter yang di taksir menjadi lebih besar
dari banyaknya observasi. Semakin banyak observasi maka jumlah parameter akan
semakin besar (Leung et.al, 2000). Untuk menyelesaikan masalah ini, Brundson,
Fotheringham dan Charlton (1998) mengasumsikan bahwa koefisien regresi menjadi
fungsi deterministik dari beberapa variabel lainnya, dan bukan lagi sebagai variabel
bebas.
Studi kasus untuk penelitian ini adalah mengenai paparan model output pada
sektor Industri skala menengah besar di setiap propinsi pada tahun 2012. Sektor
industri manufaktur skala menengah besar dalam pembentukan PDB terhadap PDB
total secara keseluruhan telah menyumbang sekitar 85%, sedangkan jumlah industri
manufaktur skala menengah besar, kurang dari 1% terhadap total jumlah industri.
Nilai output pada sektor industri di Indonesia tergantung kepada pengeluaran
perusahaan untuk bahan baku, bahan bakar, listrik, pajak, sewa tanah&bangunan dan
3
jumlah tenaga kerja pada setiap propinsi. Selain itu bervariasinya nilai output sektor
industri antar daerah juga dipengaruhi kondisi Indonesia sebagai negara kepulauan
terbesar di dunia dengan perbedaan karakteristik antar wilayah atau antar propinsi.
Dengan menggunakan Geographically Weighted Regression (GWR), dapat
diteliti karakteristik nilai output sektor industri, yaitu dengan melihat faktor-faktor
apa saja yang mempengaruhi nilai output pada setiap propinsi.
2. Tinjauan Pustaka
2.1 Model Geographically Weighted Regression (GWR).
GWR adalah metode statistika yang digunakan untuk menganalisis
heterogenitas spatial. Heterogenitas spatial terjadi apabila suatu satu variabel bebas
yang sama memberikan respon yang tidak sama pada lokasi yang berbeda dalam satu
wilayah penelitian. Model GWR menghasilkan penaksir parameter model yang
bersifat lokal untuk setiap titik atau lokasi dimana data tersebut diamati. Model GWR
dapat ditulis sebagai berikut:
1
, , 1,2,3,...p
i k i i ik i
k
y u v x i n
(2.1)
Dengan iy
adalah nilai observasi dari variable respon ke-i, 1 2, ,...,i i ipx x x
adalah nilai observasi variable prediktor ke-k pada pengamatan ke-i,( ) adalah
koordinat spatial longitude dan latitude pada pengamatan ke-i, adalah koefisien
regresi dan adalah error ke-i
Persamaan regresi linier parameter adalah kasus khusus dari Persamaan (2.1),
dimana parameter dalam persamaan regresi linier diasumsikan invarian spatial. Jadi,
Persamaan GWR pada (2.1) menunjukan adanya variasi spatial yang mungkin
terdapat dalam model. Pada Persamaan (2.1) dapat dilihat bahwa banyaknya
parameter yang tidak diketahui lebih banyak daripada banyaknya observasi. Model
seperti ini telah dibahas dalam literature-literatur statistika seperti pada Rosenberg
(1973), Hastie dan Tibshirani (1990), dan Loader (1999). Dari literatur-literatur
tersebut, dapat disimpulkan bahwa koefisien tidak diasumsikan random, tapi menjadi
fungsi deterministik dari beberapa variabel (dalam kasus ini adalah lokasi).
Dalam proses GWR, ketika akan mengestimasi parameter di lokasi i adalah
dengan melakukan analisis regresi dari titik-titik yang berdekatan, sehingga akan
didapatkan estimasi untuk ,k i iu v untuk i. Dengan cara yang sama untuk menaksir
parameter pada lokasi i berikutnya, adalah dengan mencari titik-titik dari subset yang
berdekatan, dan begitu selanjutnya. Estimasi seperti diatas dapat menimbulkan bias
dan varians besar. Jika memiliki sampel besar akan menyebabkan proses kalibrasi
yang cukup lama (dengan proses kalibrasi yang sudah bias). Oleh karena itu, agar
nilai estimasi dari koefisien parameter memiliki nilai standar error yang kecil adalah
dengan menambahkan proses kalibrasi, namun semakin besar sampel dan semakin
lama proses kalibrasi maka semakin banyak parameter yang akan menyimpang dari
4
subset, dan proses akan semakin bias. Untuk menyelesaikan permasalahan ini maka
digunakan pembobotan dalam proses analisisnya, sehingga kalibrasi akan
memberikan pengaruh pada titik yang dekat dengan i.
Seperti dibahas sebelumnya, bahwa proses GWR mengasumsikan bahwa
observe data lokasi ke i mempunyai pengaruh yang lebih besar dalam estimasi
,k i iu v dari pada data dilokasi yang jauh dari i. Oleh karena itu Weighted Least
Square (WLS) dilakukan sebagai dasar untuk metode GWR. Dalam GWR observasi
di bobot sesuai dengan kedekatannya terhadap lokasi i, sehingga pembobotan tidak
lagi konstan namun tergantung pada variasi dari lokasi i.
Misalkan pembobot untuk setiap lokasi ke-i adalah , , 1,2,...,j i iw u v j n ,
maka parameter lokasi ,i iu v diestimasi dengan menambahkan unsur pembobot pada
Persamaan (2.1) dan kemudian meminimumkan jumlah kuadrat error berikut ini:
2
2
, , 0 , 1 , 1 2 , 2 ,
1 1
...n n
j i i j j i i j i i i i j i i j p i i jp
j j
w u v w u v y u v u v x u v x u v x
Dalam bentuk matriks:
11 12 1
21 22 2
1 2
1
1
1
p
p
p p np
x x x
x x x
x x x
1
2
n
y
y
y
( )
0
1
,
,
,
i i
i i
p i i
u v
u v
u v
( ) 1 2, , , ,..., ,i i i i n i idiag w u v w u v w u v dan ( )
Penaksir parameter model GWR untuk setiap lokasi yaitu:
( ) ( ( ) )
( ) (2.2)
Karena terdapat n lokasi sampel maka penaksir ini merupakan penaksir setiap baris
dari matrik local parameter seluruh lokasi penelitian. Matriksnya adalah:
0 1 1 1 1 1 2 1 1 1 1
0 2 2 1 2 2 2 2 2 2 2
0 1 2
, , , ,
, , , ,
, , , ,
p
p
n n n n n n p n n
u v u v u v u v
u v u v u v u v
u v u v u v u v
2.2 Pemilihan Bandwidth
Bandwidth dapat dianalogikan sebagai radius suatu lingkaran, sehingga
sebuah titik yang berada di dalam radius lingkaran masih dianggap memiliki
pengaruh. Jika pembobot yang digunakan adalah fungsi kernel, maka pemilihan
5
bandwidth menjadi sangat penting, karena bandwidth digunakan sebagai pengontrol
keseimbangan antara kesesuaian kurva terhadap data dan kemulusan data. Nilai
bandwidth yang cukup besar akan menyebabkan bias yang semakin besar karena
model yang dibentuk terlalu halus (oversmoothing) yang disebabkan oleh banyaknya
pengamatan yang digunakan. Nilai bandwidth yang semakin besar menyebabkan
model GWR akan mendekati model global. Sebaliknya, nilai bandwidth yang sangat
kecil akan memberikan bentuk penyesuaian yang sangat kasar (undersmoothing)
sehingga variannya cukup besar.
Metode yang akan digunakan untuk mendapatkan bandwidth optimum, adalah
pendekatan Cross Validation (CV). Secara matematis nilai CV dapat ditulis sebagai
berikut:
2
1
ˆn
i i
i
CV y y h
(2.2)
dengan ˆiy h
: nilai penaksir iy (fitting value) dimana pengamatan di lokasi ,i iu v
dihilangkan dalam proses penaksiran
Selain metode Cross Validation, terdapat metode lain untuk memilih bandwidth
diantaranya Generalized Cross Validation (GCV), Akaike Information Criteria
(AIC), dan Bayesian Information Criterion (BIC).
2.3 Pemilihan Fungsi Pembobot (Weight)
Pemilihan fungsi pembobot spatial yang digunakan dalam menaksir parameter
sangat penting untuk menentukan besarnya pembobot masing-masing lokasi yang
berbeda. Dalam penelitian ini, fungsi pembobot yang bisa digunakan adalah fungsi
fungsi Kernel Gauss (Kernel fix). Secara sistematis fungsi Kernel Gauss dapat ditulis
sebagai berikut :
2
1, exp
2
ijj i i
dw u v
h
(2.3)
2.4 Uji Breusch-Pagan-Godfrey
Analisis data spatial dilakukan jika data yang digunakan memenuhi aspek
spatial yaitu memiliki sifat heteroskedastisitas spatial. Heteroskedastisitas spatial
dapat dideteksi dengan melakukan uji Breusch-Pagan-Godfrey. Tahapan-tahapan
untuk Uji Breusch-Pagan-Godfrey sebagai berikut:
1. Merumuskan hipotesis:
(Homoskedastisitas)
(Heteroskedastisitas)
6
2. Regresikan variabel-variabel yang sedang diamati, taksir parameternya melalui
MKTB, kemudian cari nilai residual kuadrat ( ) dari model tersebut
3. Cari nilai varians dengan menggunakan persamaan :
, dengan n adalah
jumlah unit pengamatan dan SSE adalah jumlah kuadrat error.
4. Regresikan variabel-variabel yang diamati dengan variabel tak bebasnya adalah
5. Cari nilai ( )
, dengan nilai SStotal dan R
2 merupakan nilai
dari hasil regresi pada Langkah (4)
6. Bandingkan nilai dengan atau nilai p_value dengan
. Jika atau nilai p_value , maka Ho
ditolak. Hal ini mengindikasikan adanya heteroskedastisitas dalam data
2.5 Pengujian Kesesuaian Model (Goodness of fit)
Pengujian ini dilakukan dengan menguji kesesuaian dari koefisien parameter
secara serentak, yaitu dengan mengkombinasikan uji regresi linier pada model regresi
global dengan model (2.1) untuk data spasial. Uji ini sama juga dengan menguji
apakah pembobot ,j i iw u v yang digunakan dalam proses penaksiran parameter
sama dengan satu. Bentuk hipotesis dari pengujian ini adalah sebagai berikut :
0 : , , 1,2,...,k i i kH u v k p (tidak ada perbedaan yang signifikan antara model
regresi global dengan GWR), untuk setiap , 1,2,3,...,i i n
1 :H paling sedikit ada satu ,k i iu v yang berhubungan dengan lokasi ,i iu v (ada
perbedaan yang signifikan antara model regresi global dan GWR)
Secara sistematis nilai statistik uji dapat ditulis sebagai berikut:
1
1
OLS GWR
GWR
SSE SSEv
FSSE
(2.4)
Statistik Uji F akan mendekati sebaran F dengan derajat bebas 2 2
1 1
2 2
,v
dengan OLSSSE : jumlah kuadrat dari model OLS
GWRSSE : jumlah kuadrat dari model GWR
1 : nilai dari 11n p
2 : nilai dari 1 21 2n p dengan
1 1 , 1,2i
T
i tr S S i
S : hat matrix dari model GWR
7
Kriteria Uji, Tolak H0 jika F hitung 2 21 1
2 2,
v
F
. Terima dalam hal lainnya.
Jika H0 ditolak, maka ada perbedaan yang signifikan antara model regresi global dan
GWR dengan kata lain terdapat efek spatial dalam data. Selanjutnya untuk
mengetahui variabel-variabel bebas yang berpengaruh terhadap variabel tak bebas
pada setiap lokasi, maka digunakan uji keberartian parameter model.
2.6 Pengujian Parameter Model Pengujian parsial digunakan untuk mengetahui signifikansi parameter
,k i iu v terhadap variable respon secara parsial pada model GWR. Bentuk
hipotesisnya adalah sebagai berikut:
0 : , 0k i iH u v (tidak terdapat pengaruh variabel bebas terhadap variabel tak
bebas)
1 : , 0; 1,2,...,k i iH u v k p (minimal terdapat satu variabel bebas yang
berpengaruh terhadap variabel tak bebas)
Statistik Uji yang digunakan adalah:
ˆ ,
ˆ
k i i
kk
u vT
g
(2.5)
dengan kkg
adalah elemen diagonal ke-k dari matrix CCT,
( ( ) ) ( )
Kriteria uji: Tolak H0 jika
2;2
hit dfT t dan terima dalam hal lainnya.
2.7 Data dan Variable Penelitian
Dalam penelitian ini digunakan alat dan bahan yang mendukung proses
pelaksanaan penelitian. Data yang digunakan bersumber dari Badan Pusat Statistik
yaitu data hasil Survei Tahunan Industri Skala Menengah Besar Tahun 2012.
Variabel penelitian yang digunakan untuk menganalisis model output sektor Industri
skala Menengah Besar adalah variable input dan jumlah tenaga kerja. Variabel
dependen (Y) dan variable independen (X) adalah sebagai berikut:
Y : total ouput sektor Industri Skala Menengah Besar per propinsi, dalam rupiah
X1 : pengeluaran perusahaan untuk bahan baku, dalam rupiah
X2 : pengeluaran perusahaan untuk penggunaan bahan bakar, dalam rupiah
X3 : pengeluaran perusahaan untuk penggunaan listrik dan non listrik PLN,
dalam rupiah
X4 : pengeluaran perusahaan untuk pembayaran pajak, dalam rupiah
8
3 Hasil dan Pembahasan
3.1 Uji Heteroskedastisitas
Untuk menguji ada tidaknya variasi spatial dalam data digunakan Uji Breusch-
Pagan-Godfrey dengan hipotesis sebagai berikut:
Tabel 3.1 Hasil Uji Breusch-Pagan
Heteroskedasticity Test Breusch-Pagan
F-statistic 7.082758 Prob. F(4,28) 0.0005
Obs*R-squared 16.59696 Prob. Chi-Square (4) 0.0023
Scaled explained 14.19961 Prob. Chi-Square (4) 0.0067
Berdasarkan hasil penghitungan dengan software Eviews7 diperoleh nilai
probability Chi-Square sebesar 0.0023, nilai ini lebih kecil dari nilai . Hal
ini mengindikasikan penolakan Ho, yang berarti bahwa terdapat heteroskedastisitas
dalam data. Karena terdapat variasi spatial dalam data, maka analisis regresi yang
digunakan untuk pemodelan nilai output adalah metode Geographically Weighted
Regression.
3.2 Model GWR
Aplikasi dalam pemodelan GWR pada penelitian ini adalah dengan
menggunakan paket program GWR4 software. Langkah awal dalam pembentukan
model GWR adalah dengan menghitung bandwidth dengan menggunakan Cross
Validation seperti pada Persamaan (2.9). Nilai bandwidth setiap lokasi digunakan
untuk membentuk matriks pembobot untuk setiap daerah ke-i. Dengan menggunakan
software GWR4, diperoleh nilai bandwith sebesar 3,463.1021
. Setelah nilai bandwith
diketahui, kemudian hitung nilai pembobot untuk setiap lokasi dengan metode
Kernel-Gauss seperti pada Persamaan (2.3), dengan menghitung jarak euclidean
distance terlebih dahulu. Dengan bantuan program GWR4 diperoleh nilai taksiran
parameter di semua lokasi ( ) seperti terlihat pada Lampiran 1. Secara ringkas, nilai taksiran parameter lokal untuk model output sektor Industri M/B dilihat pada
Tabel 3.2
Tabel 3.2 Ringkasan Nilai Taksiran Parameter Lokal Model Output
Sektor Industri M/B
No Parameter Minimum Maksimum Range
1 896029226.496 21051153527.939 20155124301.442
2 0.432392 1.874821 1.442429
3 -1.731553 9.134592 10.866145
4 -13.888823 -2.616137 11.272687
5 -8.394670 -3.398506 4.996164
9
Setelah diperoleh hasil estimasi dengan menggunakan GWR, selanjutnya
dilihat ada tidaknya perbedaan yang signifikan antara model regresi global dengan
model GWR dan diperoleh hasil sebagai berikut:
Tabel 3.3 Tabel Anova GWR
SS df F
Model Global 5,32.1021
5,000 3,507
Model GWR 2,83.1021
22,378
Berdasarkan tabel di atas, nilai F hitung= 3,507 lebih besar dari F tabel =
( )=2,66. Hal ini menunjukan adanya perbedaan yang signifikan antara
model regresi global dengan model GWR. Dengan kata lain, faktor spatial
berpengaruh secara signifikan terhadap model output sektor industri skala menengah
besar di setiap propinsi di Indonesia.
Pengujian parameter model dilakukan untuk mengetahui faktor-faktor yang
berpengaruh terhadap model output di setiap lokasi ( ). Dengan
diperoleh nilai t-tabel= ( )=2,36. Dengan membandingkan nilai t hitung dengan
nilai t tabel, maka akan diperoleh faktor-faktor yang berpengaruh terhadap model output di setiap lokasi, seperti terlihat dalam Tabel 3.4. Secara lengkap nilai thitung
untuk setiap variabel disetiap lokasi dapat dilihat pada Lampiran 2.
Tabel 3.4 Faktor-Faktor yang Mempengaruhi Model Output
Sektor Industri M/B di Setiap Propinsi
No Propinsi Variabel yang
berpengaruh
1 Aceh dan Sumatera Utara X1, X2, dan X4
2 Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu
X1, X2, X3 dan X4
Lampung, Bangka Belitung, Kepulauan Riau, DKI Jakarta,
Jawa Barat, Jawa Tengah, D.I Yogyakarta, Jawa Timur, Banten,
Bali, NTB, NTT, Kalimantan Barat, Kalimantan Tengah,
Kalimantan Selatan,
Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah, Sulawesi
Selatan,
Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku Utara
3 Maluku dan Papua Barat X1, X3, dan X4
4 Papua Tidak ada variabel
yang berpengaruh
Berdasarkan tabel di atas, faktor spatial berpengaruh terhadap penentuan
model output sektor Industri Menengah Besar. Secara umum faktor yang
10
mempengaruhi model output sektor Industri adalah pengeluaran perusahaan untuk
pembelian bahan baku, bahan bakar, pemakaian listrik & non listrik, dan pembayaran
pajak. Namun, pada Propinsi Aceh dan Sumatera Selatan faktor yang mempengaruhi
adalah pengeluaran perusahaan untuk pembelian bahan baku, bahan bakar, dan
pembayaran pajak. Sedangkan untuk Propinsi Maluku dan Papua Barat, faktor yang
mempengaruhi adalah pengeluaran perusahaan untuk pembelian bahan baku,
pemakaian listrik & non listrik, dan pembayaran pajak. Pada Propinsi Papua tidak
terdapat faktor yang signifikan dalam menentukan model output sektor Industri
Menengah Besar.
Daftar Pustaka
Brundson, C., Fotheringham, A.S, and Charlton, M., 1998. Geographically Weighted
Regression: Modelling spatial non-stationarity, 47: 431-443
Charlton, Martin. & Fotheringham, A.S. 2009. Geographically Weighted Regression
White Paper. National Centre for Geocomputation, National University of
Ireland Maynooth.
Fotheringham, A.S., Brundson, C. dan Charlton, M., 2002. Geographically Weighted
Regression, John Willey and Sons, Chichester, UK.
Gujarati,D. 1999. Ekonometrika Dasar, Erlangga, Jakarta.
Hanum, Herlina. 2011. Perbandingan Metode Stepwise, Best Subset Regression, dan
Fraksi dalam Pemilihan Model Regresi Berganda Terbaik, Jurnal Penelitian
Sains Volume 14 Nomer 2A.
Ilham M, & Dwi A. 2013. Pemodelan Data Kemiskinan di Provinsi Sumatera Barat
dengan Metode Geographically Weighted Regression. Media Statistika,
Volume 6, No.1:37-49
Leung, Y., Mei , C. & Zhang W. Statistical Test for Spatial non Stationary Based on
Geographically Weighted Regression for Disease Association Mapping.
Environment and Planning A, 2000, 24:2695-2717
Mei, C.L. Geographically Weighted Regression Technique for Spatial Data Anaysis,
School of Science Xi’an Jiaotong University
11
LAMPIRAN 1
Nilai Taksiran Parameter Lokal Model Output Sektor Industri Menengah Besar
No Propinsi
1 Aceh 15321681279 0.396861 5.92508 -4.01221 1.478554 18221546244
2 Sumatera Utara 19760731594 0.393863 5.071329 -2.71951 -1.93852 61339833376
3 Sumatera Barat 22249381118 0.423274 4.589137 -2.46925 -3.06379 32807368715
4 Riau 23492759597 0.438921 4.323101 -2.42257 -3.45834 82845460700
5 Jambi 23410673226 0.449016 4.308227 -2.50377 -3.50929 40361709455
6 Sumatera Selatan 23210132540 0.489737 4.221566 -2.82116 -3.73966 39581137614
7 Bengkulu 22654547607 0.511378 4.174298 -3.01093 -3.73896 25509268837
8 Lampung 21344379973 0.611252 3.916691 -3.81183 -4.09074 37682755577
9 Bangka Belitung 21903570842 0.569226 4.292741 -3.5577 -4.14966 35755887759
10 Kepulauan Riau 24248906244 0.441683 4.228624 -2.36632 -3.65437 66409361295
11 DKI jakarta 17986426698 0.759658 3.650212 -5.05363 -4.46694 70690589419
12 Jawa Barat 18584675293 0.739136 3.62268 -4.8568 -4.39695 1.3823E+11
13 Jawa Tengah 13954511825 0.891945 3.743292 -6.28718 -4.85301 86545205211
14 D.I Yogyakarta 12042496807 0.956213 3.711608 -6.85508 -5.00456 13804913346
15 Jawa Timur 9252088681 1.04794 4.166069 -7.89443 -5.4001 50534465521
16 Banten 19605043074 0.700928 3.592824 -4.49869 -4.26624 1.18817E+11
17 Bali 6478632655 1.16019 4.926142 -9.28966 -5.96462 7252116027
18 NTB 5138160650 1.233069 5.787895 -10.3917 -6.46804 5416127123
19 NTT 4293415450 1.418367 4.976345 -12.1507 -6.51127 -3289077183
20 Kalimantan Barat 16608457521 0.728078 5.207208 -5.38523 -4.92798 27264362813
21 Kalimantan Tengah 10811724457 0.946306 6.177709 -7.86828 -5.83534 32681609659
22 Kalimantan Selatan 7021571795 1.116085 7.072381 -9.89777 -6.59795 31054588995
23 Kalimantan Timur 6697208034 1.133159 7.7478 -10.4423 -6.82659 40093963651
24 Sulawesi Utara 2121450535 1.464149 10.68661 -8.2981 -12.1509 19064057388
25 Sulawesi Tengah 2695137487 1.419306 9.659617 -13.7484 -8.49763 7135763853
26 Sulawesi Selatan 3077022812 1.372249 9.16657 -13.337 -8.04722 41215329633
27 Sulawesi Tenggara 2863335190 1.430235 8.974185 -13.8185 -8.11588 4897807811
28 Gorontalo 2548848065 1.453629 9.895601 -13.4669 -9.0507 5027354257
29 Sulawesi Barat 3301957136 1.345125 9.068698 -13.0378 -7.93241 5884531530
30 Maluku 1050035613 1.568116 2.611138 4.096902 -12.0612 2763087157
31 Maluku Utara 1179920402 1.36326 10.8004 2.32942 -16.1607 1186090777
32 Papua Barat 651084218.7 1.451494 1.374085 13.48351 -12.4531 3832742172
33 Papua 94449290.25 1.405721 1.895839 15.98914 -4.2922 7241771575
12
LAMPIRAN 2
Faktor-Faktor yang Mempengaruhi Model Output Sektor Industri M/B di
Setiap Propinsi
No Propinsi Variabel yang berpengaruh
1 Aceh 3.248 3.977 3.563 -1.997 -4.579 X1, X2, dan X4
2 Sumatera Utara 4.069 4.413 3.522 -2.082 -5.154 X1, X2, dan X4
3 Sumatera Barat 4.533 5.111 3.519 -2.426 -5.572 X1, X2, X3, dan X4
4 Riau 4.911 5.494 3.537 -2.636 -5.820 X1, X2, X3, dan X4
5 Jambi 4.908 5.597 3.537 -2.701 -5.860 X1, X2, X3, dan X4
6 Sumatera Selatan 4.999 6.055 3.560 -2.998 -6.063 X1, X2, X3, dan X4
7 Bengkulu 4.839 6.123 3.488 -3.033 -6.017 X1, X2, X3, dan X4
8 Lampung 4.861 6.955 3.471 -3.607 -6.345 X1, X2, X3, dan X4
9 Bangka Belitung 5.141 6.971 3.753 -3.669 -6.533 X1, X2, X3, dan X4
10 Kepulauan Riau 5.285 5.825 3.646 -2.864 -6.039 X1, X2, X3, dan X4
11 DKI jakarta 4.588 7.895 3.455 -4.362 -6.740 X1, X2, X3, dan X4
12 Jawa Barat 4.634 7.757 3.421 -4.237 -6.656 X1, X2, X3, dan X4
13 Jawa Tengah 4.101 8.583 3.583 -5.057 -7.162 X1, X2, X3, dan X4
14 D.I Yogyakarta 3.783 8.812 3.579 -5.340 -7.311 X1, X2, X3, dan X4
15 Jawa Timur 3.274 9.187 3.776 -5.862 -7.671 X1, X2, X3, dan X4
16 Banten 4.693 7.481 3.361 -3.998 -6.497 X1, X2, X3, dan X4
17 Bali 2.586 9.450 3.865 -6.395 -7.982 X1, X2, X3, dan X4
18 NTB 2.122 9.453 3.789 -6.605 -7.998 X1, X2, X3, dan X4
19 NTT 1.366 8.347 2.704 -5.700 -6.195 X1, X2, X3, dan X4
20 Kalimantan Barat 4.642 8.468 4.338 -4.979 -7.371 X1, X2, X3, dan X4
21 Kalimantan Tengah 3.758 9.492 4.685 -6.050 -8.017 X1, X2, X3, dan X4
22 Kalimantan Selatan 3.003 9.848 4.797 -6.632 -8.370 X1, X2, X3, dan X4
23 Kalimantan Timur 2.988 9.737 4.954 -6.511 -8.342 X1, X2, X3, dan X4
24 Sulawesi Utara 0.915 6.092 3.320 -4.794 -6.565 X1, X2, X3, dan X4
25 Sulawesi Tengah 1.534 8.149 4.165 -5.941 -7.701 X1, X2, X3, dan X4
26 Sulawesi Selatan 1.666 8.742 4.110 -6.360 -7.823 X1, X2, X3, dan X4
27 Sulawesi Tenggara 1.335 7.756 3.510 -5.811 -7.022 X1, X2, X3, dan X4
28 Gorontalo 1.318 7.467 3.936 -5.535 -7.367 X1, X2, X3, dan X4
29 Sulawesi Barat 1.881 9.117 4.419 -6.535 -8.129 X1, X2, X3, dan X4
30 Maluku 0.400 3.910 1.336 -3.469 -3.821 X1, X3, dan X4
31 Maluku Utara 0.609 4.872 2.548 -4.172 -5.559 X1, X2, X3, dan X4
32 Papua Barat 0.254 3.333 0.737 -2.571 -2.855 X1, X3, dan X4
33 Papua 0.157 1.850 -0.074 -0.399 -1.239 Tidak ada faktor yang
mempengaruhi
13