Detail buku

No BukuT.ITS.2008.14
UniversitasITS
PenulisSugiyanto
Judul BukuANALISIS DATA SPASIAL MENGGUNAKAN METODE GEOGRAPHICALLY WEIGTHED REGRESSION
PembimbingDr. Purhadi, M.Sc ; v
AbstrakABSTRAK INDONESIA : alam aplikasi model regresi biasa, sebuah variabel respon dihubungkan dengan sejumlah variabel prediktor dengan satu output utama adalah penaksiran parameter. Parameter ini menjelaskan hubungan setiap variabel perdiktor dengan variabel respon. Masalah utama dengan teknik semacam ini ketika di aplikasikan pada data spasial (spatial data), dimana parameter diasumsikan stationer dan berlaku disetiap lokasi geografis (space). Satu model berlaku untuk semua atau sering disebut juga sebagai model regresi global (global Regression). Padahal asumsi ini tidaklah selalu valid karena perbedaan lokasi mungkin saja menghasilkan penaksir model yang berbeda. Penelitian ini mengusulkan suatu model regresi linier local (locally linier regression) untuk mengatasi data spasial yang tidak stasioner (non stasioner) tersebut. Brundson dkk., (1998) menyebutnnya dengan model Geographically Weighted Regression (GWR). Ide dasar dari model GWR ini adalah dengan mempertimbangkan unsur geografi atau lokasi sebagai pembobot dalam menaksir parameter modelnya. Penaksir parameter modelnya diperoleh dengan menggunakan metode Weighted Least Square (WLS) yaitu dengan memberikan pembobot (weight) yang berbeda pada setiap lokasi. Fungsi pembobot yang digunakan adalah fungsi Kernel Gauss (gauss karnel Function). Penelitian ini bertujuan menganalisis faktor-faktor yang mempengaruhi tingkat kemiskinan di Propinsi Papua. Data yang digunakan adalah hasil Survei Sosial Ekonomi Nasional dan Survei Penduduk Antar Sensus tahun 2005. Metode yang digunakan untuk menganalisa adalah model regresi global dan GWR. Berdasarkan pengujian kesesuaian model ternyata faktor spasial tidak berpengaruh terhadap tingkat kemiskinan. Hasil penelitian menunjukkan ada 4 variabel yang diduga mempengaruhi tingkat kemiskinan yaitu variabel jenis lantai (X?), luas lantai (X?), bahan bakar yang digunakan untuk memasak (X?) serta tingkat pendidikan kepala rumah tangga (X??). ke empat variabel ini mempunyai pengaruh yang hampir sama disetiap kabupaten. Kata Kunci : geographically weighted regression, WLS, Fungsi kernel, kemiskinan. ABSTRAK INGGRIS : The applications of the ordinary regression model, a response variable connected to a set of predictor variables in which the main output is the parameter estimation. This estimation explains the relationship between each of the parameter variables and the response variable. The major problem of this technique when applied to sptial data where the parameter is assumed to be ststioner and applicable in every geographic location (space). This model commonly known as global regression model. In other, the assumption is not always valid as different location can produce different estimator model. This research suggest a locally linear regression model to overcome the non-stationer spatial data. Brunsdon et al., (1998) named this model as Geographically Weighted Regression (GWR). The basic idea of this model consider of geographically location as the weight in parameter estimation. The parameter estimator is obtained form Weight Leas Squere (WLS) method by giving different weight for different location. Weight fuction in this method is Gauss Kernel Fuction. Keywords : geographically weighted regression, WLS, kernel function, proverty
JenisThesis