Statistika Terapan (S2)

Permanent URI for this collection

https://repository.unpad.ac.id/handle/kandaga/273

Browse

Browsing Statistika Terapan (S2) by Subject "Analisis Data Spasial"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    ANALISIS DATA SPASIAL MENGGUNAKAN METODE BAYESIAN GEOGRAPHICALLY WEIGHTED REGRESSION (Studi Kasus Data PDRB per Kapita di Provinsi Jawa Timur)
    (2015-01-27) WAHYU SRI LESTARI; Tidak ada Data Dosen; Tidak ada Data Dosen
    PDRB per kapita merupakan salah satu indikator untuk mengukur kesejahteraan masyarakat pada suatu wilayah , sehingga penting untuk mengetahui faktor-faktor yang dapat mempengaruhi PDRB per kapita. Terdapat berbagai metode dalam melakukan analisis tersebut, diantaranya analisis regresi maupun analisis Geographically Weighted Regression (GWR). Analisis regresi adalah suatu metode yang umum digunakan untuk menentukan faktor-faktor yang mempengaruhi PDRB per kapita apabila karakteristik antar daerah bersifat homogen dan independen. Namun pertumbuhan PDRB per kapita pada kabupaten/kota di Provinsi Jawa Timur tentunya memiliki karakteristik yang berbeda-beda, melihat kondisi geografis, potensi wilayah, keadaan sosial-budaya maupun hal-hal lain yang melatarbelakanginya, sehingga muncul heterogenitas spasial, artinya apabila karakteristik antar daerah yang heterogen maka penaksir parameter dari model regresi akan bervariasi secara spasial. Analisis GWR dapat digunakan untuk mengatasi masalah heterogenitas spasial tersebut. GWR merupakan bagian dari analisis spasial yang bersifat lokal dengan pembobotan berdasarkan posisi atau jarak dari satu lokasi pengamatan dengan lokasi pengamatan lainnya. Pendekatan Bayes dalam model GWR yang disebut Bayesian Geographically Weighted Regression (BGWR) adalah analisis yang tepat untuk menangani permasalahan heteroskedastisitas tersebut. Pendekatan ini secara langsung mendeteksi dan memboboti pengamatan yang berpotensi mengandung pencilan, sehingga dapat mengurangi efek pencilan terhadap pendugaan parameter model. Dengan menggunakan BGWR akan menghasilkan nilai penaksir parameter yang lebih smooth dibandingkan dengan GWR.