PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
DOI:
https://doi.org/10.55606/jurrimipa.v2i1.646Keywords:
Kemiskinan, Dependensi Spasial, Heterogenitas Spasial, Geographically Weighted Regression (GWR).Abstract
Kemiskinan merupakan permasalahan multidimensi yang kompleks dan mencakup berbagai aspek. Akibat kompleksitas yang dimilikinya, penanggulangan kemiskinan memerlukan program yang terintegrasi dan tidak tumpang tindih. Tujuan dari penelitian ini terfokus pada analisis faktor-faktor penyebab kemiskinan di Provinsi Sumatera Utara dengan mempertimbangkan aspek spasial menggunakan metode Geographically Weighted Regression (GWR). Penelitian ini menggunakan data kemiskinan Provinsi Sumatera Utara pada tahun 2018. Berdasarkan pengujian heterogenitas spasial dan dependensi spasial dapat disimpulkan bahwa kemiskinan dipengaruhi oleh aspek spasial sehingga penelitian ini dapat dianalisis menggunakan metode GWR. Pemodelan dengan menggunakan metode GWR menghasilkan nilai yang lebih besar dari regresi global yang mengahasilkan . Kemudian metode GWR menghasilkan nilai AIC = 171.123 yang lebih kecil dibandingkan dengan model regresi global dengan nilai AIC = 185.909.Hasil analisis menunjukkan karakteristik persentase kemiskinan mengelompok. Daerah-daerah yang tergolong memiliki persentase tertinggi berada di daerah kepulauan Nias.
References
Agustianto, S. P., Martha, S., & Satyahadewi, N. (2018). Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas di Kalimantan Barat dengan Metode Geographically Weighted Regression (GWR). 07(4), 303 – 310.
Agustina, M. F., Wanoso, R., & Darsyah ,M. Y. (2015). Pemodelan Geographically Weighted Regression (GWR) Pada Tingkat Kemiskinan di Provinsi Jawa Barat. Vol. 3.
Amalia, E., & Sari, L. K. (2019). Analisis Spasial Untuk Mengidentifikasi Tingkat Pengangguran Terbuka Berdasarkan Kabupaten/Kota Di Pulau Jawa Tahun 2017. Indonesian Journal of Statistics and Its Applications, 3(3), 202–215. https://doi.org/10.29244/ijsa.v3i3.240
Astuti, P., Debataraja, N. N., & Sulistianingsih, E. (2018). Analisis Kemiskinan dengan Pemodelan Geographically Weighted Regression (GWR) di Provinsi Nusa Tenggara Timur, Vol 07.
BPS. (2019). Sumatera Utara Dalam Angka 2019. Medan : BPS Sumatera Utara.
Caraka, R. E., &Yasin, H. (2014). Geographically Weighted Regression (GWR). In Encyclopedia of Geographic Information Science. https://doi.org/10.4135/9781412953962.n81
Damayanti, R., & Chamid, M. S. (2016). Analaisis Pola Hubungan PDRB Dengan Faktor Pencemaran Lingkungan Diindonesia Menggunaka Metode Geographically Weighted Regression (GWR), Vol. 5.
Dewi, P.L.A.,& Zain, I. (2016). Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas Berdasarkan Metode Geographically Weighted Regression di Jawa Timur,Vol. 5.
Fotheringham, A.S., Brunsdon, C., &Charlton, M. (2002).Geographically Weighted Regression The Analysis of Spatially Varying Relationships. England:JhonWiley & Sons.
Sukanto, S., Juanda, B., Fauzi, A., & Mulatsih, S. (2019). Analisis Spasial Kemiskinan Dengan Pendekatan Geographically Weighted Regression: Studi Kasus Kabupaten Pandeglang Dan Lebak. Tataloka, 21(4), 669. https://doi.org/10.14710/tataloka.21.4.669-677
Sukirno,S. (2016). Makroekonomi Teori Pengantar (Edisi Ketiga). Jakata : PT Raja Grafindo Persad.
Walpole, R. E. (1993). Pengantar Statistika (Edisi ke-3). Jakarta : PT Gramedia Pustaka Utama.
Yuhan, R. J., & Sitorus, J. R. H. (2018). Metode Geographically Weighted Regression Pada Karakteristik Penduduk Hampir Miskin Di Kabupaten/Kota Pulau Jawa. E-Journal Widya Eksakta, 1(1), 41–47.