1 GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012 Lani Amaliah 1 , Nusar Hajarisman 2 , Anna Chadijah 3 1 Program Magister Statistika Terapan UNPAD, [email protected]2 Program Studi Statistika UNISBA, [email protected]3 Program 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.
13
Embed
GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR …pustaka.unpad.ac.id/wp-content/uploads/2015/01/Lani-Amaliah_Paper... · Penaksir yang bias dapat menaksir terlalu tinggi atau
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR
MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012
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