Pemodelan Indeks Pembangunan Manusia di Indonesia dengan Geographically Weighted Regression (GWR)

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator penting untuk mengukur keberhasilan dalam upaya membangun kualitas hidup manusia. IPM menjelaskan bagaimana penduduk dapat mengakses hasil pembangunan dalam hal pendapatan, kesehatan dan pendidikan. Penelitian ini bertujuan untuk mendapatkan pemodelan IPM serta melihat faktor-faktor apa saja yang mempengaruhi IPM di Indonesia tahun 2020. Data pada penelitian ini berupa data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Pemodelan dengan menggunakan regresi linier belum tentu cocok diterapkan diseluruh provinsi yang ada di Indonesia karena kondisi pendapatan, kesehatan dan pendidikan di provinsi di Indonesia berbeda-beda. Oleh karena itu, pada penelitian ini digunakan pendekatan geografis yaitu Geographically Weighted Regression (GWR) dalam memodelkan IPM dengan menggunakan variabel bebas yaitu Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS), Umur Harapan Hidup (UHH) dan Pengeluaran Per Kapita (PPK). Model GWR merupakan pengembangan dari model regresi spasial dimana setiap parameter dihitung setiap lokasi pengamatan, sehingga setiap lokasi akan memiliki interpretasi yang berbeda-beda. Pada pemodelan GWR membutuhkan fungsi pembobot, adapun fungsi pembobot yang digunakan pada penelitian ini yaitu Adaptive Kernel Gaussian. Hasil penelitian ini menunjukkan bahwa semua variabel bebas berpengaruh terhadap IPM. Model GWR merupakan model terbaik dibandingkan regresi linier dengan standar pemilihan nilai koefisien determinasi terbesar dan nilai Akaike Information Criterion (AIC) terkecil.

Analisis Regresi Spasial Persentase Kemiskinan di Kawasan Timur Indonesia Tahun 2022

“…Estimasi parameter yang dihasilkan melalui metode OLS perlu dipastikan memiliki sifat best linear unbiased estimator (BLUE) (Marizal & Atiqah, 2022). Oleh karenanya, pengujian dan pemeriksaan asumsi klasik perlu dijalankan.…”

Pemodelan Geographically Weighted Regression Pada Angka Partisipasi Kasar Perguruan Tinggi Di Indonesia Tahun 2022

“…Keunggulan model GWR dibandingkan dengan model regresi global adalah mampu memberikan model secara lokal, selain itu GWR juga menunjukkan faktor-faktor yang mempengaruhi variabel dependen terhadap lokasi [3]. Penelitian metode GWR telah banyak dilakukan, seperti penelitian pada pemodelan indeks pembangunan manusia di Indonesia dengan GWR [10], pemodelan kasus Jumlah Penduduk Miskin di Provinsi Jawa Tengah dengan GWR menggunakan fungsi pembobot Kernel Gaussian dan Bisquare [11], pemodelan pada persentase kriminalitas di Provinsi Jawa Timur dengan GWR [3], pemodelan kasus stunting di Provinsi Nusa Tenggara Timur dengan GWR [12], pemetaan faktor indeks aktivitas literasi membaca di Indonesia dengan GWR [15], dan pemodelan tingkat pengangguran terbuka di Indonesia dengan GWR menggunakan fungsi pembobot kernel fixed dan adaptive [16].…”

“…Weighted Least Square (WLS) [10]. Bentuk estimasi parameter dari model GWR untuk setiap lokasi didapatkan dari:…”

Pemodelan Regresi Logistik Ordinal Backward dengan Imputasi K-Nearest Neighbour pada Indeks Pembangunan Manusia di Indonesia Tahun 2021

“…Penelitian sebelumnya terkait pemodelan dengan regresi logistik ordinal pernah dilakukan oleh (Rahmadeni & Yunita, 2019) menggunakan IPM provinsi Riau tahun 2014-2017 dan penelitian (Budiman & Cahyani, 2022) menggunakan IPM Jawa Timur tahun 2022. Pada penelitian sebelumnya, data yang digunakan hanya mencakup provinsi sehingga pada penelitian ini peneliti menggunakan data IPM dengan menambahkan seluruh wilayah Kabupaten/kota di Indonesia pada tahun 2021 dengan peubah bebasnya yaitu rata-rata lama sekolah, tingkat pengangguran tebuka, laju pertumbuhan penduduk, kepadatan penduduk, persentase penduduk miskin dan Sex Ratio.…”