bab iv hasil dan pembahasan - unair
TRANSCRIPT
28
BAB IV
HASIL DAN PEMBAHASAN
4.1 Identifikasi Variabel Prediktor pada Model MGWR
Setiap variabel prediktor pada model MGWR akan diidentifikasi terlebih
dahulu untuk mengetahui variabel prediktor yang berpengaruh secara global
maupun variabel prediktor yang berpengaruh secara lokal. Untuk mengidentifikasi
variabel prediktor dilakukan pengujian pengaruh lokasi terhadap setiap variabel
prediktor (Mei dkk, 2004) pengujian ini ditunjukkan dengan hipotesis berikut:
(variabel
bersifat global)
Tidak semua adalah sama (variabel bersifat lokal)
Langkah-langkah yang dilakukan untuk menguji hipotesis adalah
menentukan varians sampel dari yang dinotasikan sebagai berikut :
(4.1)
Misalkan
dan adalah matriks
satuan yang berdimensi , maka persamaan (4.1) diperoleh
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
29
(4.2)
Dibawah kondisi , asumsikan bahwa mean dari estimasi parameter
yang bersesuaian adalah sama, yaitu
(4.3)
dari persamaan (4.3) dapat dituliskan
(4.4)
dengan adalah vektor kolom satuan. Dari persamaan (4.4) dengan fakta bahwa
dan
, maka persamaan (4.2) diperoleh
(4.5)
Selanjutnya, menyusun kembali estimator parameter model GWR dari
persamaan (2.8) sebagai berikut :
(4.6)
Persamaan (4.6) adalah estimasi dari vektor koefisien di lokasi . Nilai
estimasi dari koefisien ke- pada di lokasi dimana data diamati
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
30
adalah
(4.7)
dengan adalah vektor kolom berdimensi p yang bernilai satu untuk elemen
ke-k dan nol untuk lainnya, maka persamaan (4.7) dapat dijabarkan sebagai
berikut
dengan , sehingga diperoleh
(4.8)
dengan
Dengan mensubstitusikan persamaan (4.8) ke persamaan (4.5), maka diperoleh
(4.9)
dengan dan
adalah matriks semi definit positif.
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
31
Langkah selanjutnya adalah mencari ekspektasi dari sebagai berikut :
(4.10)
dengan
sehingga dari persamaan (4.10) diperoleh
estimator untuk sebagai berikut :
(4.11)
Persamaan (4.11) adalah estimator tak bias bagi .
Distribusi dari dapat dicari dengan langkah-langkah sebagai berikut.
Misalkan adalah bentuk kuadratik dari variabel normal standart dimana
dan adalah matriks simetri dengan rank , maka berdistribusi
chi-square dengan derajat bebas jika dan hanya jika adalah matriks yang
idempotent (Rencher, 2000). Dari persamaan (4.9), kita ketahui bahwa juga
merupakan bentuk kuadratik dari variabel normal dengan
adalah matriks simetri dan semi definit positif. Jika dibagi dengan maka
persamaan (4.9) menjadi
(4.12)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
32
Distribusi dari , tetapi matriks
bukan matriks
yang idempoten karena mengandung matriks pembobot yang memiliki
nilai berbeda-beda di setiap lokasinya. Oleh karena itu
tidak berdistribusi chi-
square .
Terdapat beberapa pendekatan yang dapat digunakan untuk mengetahui
distribusi bentuk kuadratik dari variabel normal dimana matriks simetri
tetapi bukan matriks idempoten. Salah satu metode yang digunakan untuk
mengetahui distribusi bentuk kuadratik ini adalah dengan menggunakan
teorema 2.4. Dari persamaan (4.12) dengan menggunakan teorema 2.8 diperoleh
dengan rata-rata dan varians ;
.
Dari persamaan (4.10) diperoleh
Sehingga rata-ratanya adalah .
Diketahui bahwa
dan
adalah matriks
simetri dan semi definit positif . Jika adalah matriks orthogonal berordo n
berdasarkan teorema 2.2 maka diperoleh
(4.13)
dengan adalah nilai-nilai eigen dari matriks
.
Misalkan
dimana adalah
variabel acak yang berdistribusi iid . Sehingga tranformasi orthogonal
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
33
persamaan (4.12) diperoleh
, dengan (4.13) maka
Karena maka dengan rata-rata 1 dan . Sehingga
varians dari
adalah
(4.14)
Karena adalah nilai eigen dari matriks
maka nilai
adalah nilai eigen dari matriks
sehingga
persamaan (4.14) menjadi
(4.15)
, dengan
Jika suatu variabel acak berdistribusi maka rata-rata dan varians
variabel acak tersebut adalah dan . Dengan teorema 2.4 diperoleh variabel
acak
dengan rata-rata dan variansnya . Akibatnya diperoleh
(4.16)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
34
(4.17)
Persamaan (4.16) disubtitusikan ke persamaan (4.17) sehingga diperoleh
Sedangkan nilai r adalah sebagai berikut :
Sehingga
(4.18)
dengan derajat bebas
adalah pembulatan ke atas dari
.
Langkah selanjutnya adalah mendapatkan statistik uji dengan
mendapatkan dibawah , yaitu dengan mendapatan pada model GWR
yang dapat dilakukan dengan mengkuadratkan jumlah kuadrat error pada
persamaan (2.12) sehingga menjadi
(4.19)
Berdasarkan asumsi pada model GWR diperoleh
(4.20)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
35
Sedangkan varians dari errornya adalah
, karena
(4.21)
Sehingga dengan mensubtitusikan persamaan (4.20) pada persamaan (4.19), maka
diperoleh
(4.22)
Langkah selanjutnya adalah mencari ekspektasi dari sebagai berikut
(4.23)
Dengan cara yang sama seperti pada saat menentukan distribusi dari pada
persamaan (4.10) maka diperoleh bahwa
(4.24)
dengan derajat bebas
adalah pembulatan ke atas dari
dan
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
36
Jika adalah benar berdasarkan data yang diberikan, maka nilai akan
sama dengan nilai . Akibatnya ukuran akan mendekati
satu. Sebaliknya, jika salah maka maka nilainya semakin kecil (Leung dkk,
2000a). Oleh karena itu dibentuk statistik uji sebagai berikut
(4.25)
Jika nilai menghasilkan nilai yang relatif kecil, maka dapat dikatakan
variabel prediktor bersifat lokal. Sebaliknya, jika nilai menghasilkan nilai
yang relatif besar, maka dapat dikatakan variabel prediktor pada model bersifat
global. Berdasarkan Teorema 2.10, berdistribusi F dengan derajat bebas
dan
. Jika diberikan taraf nyata maka keputusan diambil dengan menolak
jika nilai .
Algoritma program untuk mengidentifikasi variabel prediktor model
MGWR dalam software S-Plus 2000 adalah sebagai berikut :
a. Mendefinisikan variabel respon dan variabel prediktor .
b. Menghitung jarak Euclid
, dengan .
c. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i,yaitu
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
37
d. Menentukan pembobot tanpa pengamatan pada lokasi ke-i adalah
matrik diagonal yang diperoleh dengan menghapus baris ke-i dan kolom ke-i
dari matrik .
e. Menentukan matrik dengan menghapus baris ke-i dari matrik .
f. Menentukan vektor dengan menghapus baris ke-i dari vektor .
g. Menghitung
.
h. Menghitung .
i. Menentukan bandwidth yang optimal dari lokasi ke-i dengan metode Cross
Validation (CV), yaitu
.
j. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan
menggunakan bandwidth optimal ,yaitu
j. Merumuskan hipotesis
Tidak semua adalah sama
k. Menghitung
dengan
l. Menghitung
dan
m. Menghitung
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
38
dengan
n. Menghitung dan
o. Menghitung statistik uji
kaidah keputusan : ditolak jika
p. Mendapatkan variabel prediktor yang berpengaruh global dan variabel
prediktor yang berpengaruh lokal.
4.2 Estimasi Model MGWR
Estimasi model MGWR dilakukan setelah mengidentifikasi variabel global
dan variabel lokal pada model MGWR. Model MGWR persamaan (2.17) dapat
dinyatakan dalam bentuk matriks sebagai berikut :
(4.26)
dengan
: matriks variabel prediktor yang bersifat global
: vektor parameter variabel prediktor yang bersifat global
: matriks variabel prediktor yang bersifat lokal
: vektor parameter variabel prediktor yang bersifat lokal
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
39
, dan
Persamaan (4.26) dapat dituliskan dalam bentuk GWR sebagai berikut :
(4.27)
dengan asumsi
Dengan menggunakan teknik estimasi seperti model GWR, parameter
dalam model (4.27) diestimasi secara lokal dengan menggunakan
metode Weighted Least Square (WLS) dengan memberikan pembobot di setiap
lokasi adalah fungsi jarak dari ke lokasi lain dimana pengamatan
tersebut dilakukan. Misalkan pembobot di lokasi adalah ,
, maka estimasi parameter di lokasi diperoleh dengan
meminimumkan fungsi
(4.28)
dengan mendefinisikan matriks pembobot
maka dari persamaan (4.27) dan persamaan (4.28) diperoleh
Syarat perlu agar fungsi Q mencapai nilai minimum adalah
0
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
40
Sehingga estimator bagi parameter di lokasi pada model MGWR adalah
(4.29)
Misalkan adalah elemen baris ke–i dari matriks
, maka nilai penduga untuk pada dapat diperoleh dengan cara
berikut :
Sehingga untuk seluruh pengamatan dapat dituliskan sebagai berikut :
(4.30)
dengan
Dengan mensubstitusikan ke persamaan (4.27), maka diperoleh
= +
= +
=
=
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
41
Untuk mengestimasi parameter digunakan metode Ordinary Least Square
(OLS) sebagai berikut :
Jika persamaan diturunkan terhadap dan hasilnya disamadengankan nol
maka diperoleh :
Sehingga estimator parameter bagi adalah
(4.31)
Dengan mensubstitusikan ke persamaan (4.29) maka didapatkan estimator bagi
parameter di lokasi adalah
(4.32)
Sehingga persamaan (4.30) menjadi sebagai berikut
(4.33)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
42
Misalkan adalah vektor penduga nilai pada lokasi,
sehingga diperoleh estimasi model MGWR sebagai berikut
(4.34)
dengan
penduga dari vektor erornya adalah
(4.35)
Setelah diperoleh estimator dan maka akan dicari sifat-sifat
dari estimator tersebut. Untuk menunjukkan sifat dari estimator diperoleh
dengan cara sebagai berikut :
Ini menunjukkan bahwa merupakan estimator tak bias untuk . Matriks
varians covarians dari adalah sebagai berikut :
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
43
dengan
(4.36)
Selanjutnya akan ditunjukkan sifat dari estimator sebagai berikut :
Ini menunjukkan bahwa merupakan estimator tak bias untuk .
Untuk menentukan matriks varians covarians , maka dengan
menggunakan pada persamaan (4.31) dan pada persamaan (4.35) diperoleh
sehingga,
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
44
dengan
(4.37)
Algoritma program untuk estimasi model MGWR dalam software S-Plus
2000 adalah sebagai berikut :
a. Menentukan variabel respon , variabel prediktor yang berpengaruh lokal
, dan variabel prediktor yang berpengaruh global .
b. Menentukan bandwidth optimal
b. Menghitung jarak Euclid
, dengan .
c. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan
menggunakan bandwidth optimal ,yaitu
d. Menghitung
,
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
45
dengan
e. Menghitung
f. Menghitung
g. Menghitung estimasi model MGWR :
dengan
4.3 Inferensi Model MGWR
Pengujian parameter model dilakukan dengan uji signifikansi parameter.
Pengujian ini dilakukan untuk mengetahui parameter mana saja yang signifikan
berpengaruh terhadap variabel respon.
4.3.1 Uji Parsial Parameter Variabel Global Model MGWR
Pengujian ini dilakukan untuk mengetahui variabel global yang
berpengaruh signifikan terhadap variabel respon pada model MGWR. Uji parsial
parameter variabel global menggunakan hipotesis sebagai berikut:
(variabel global tidak signifikan)
(variabel global signifikan)
Oleh karena pada persamaan (4.31) akan mengikuti distribusi normal
dengan rata-rata dan matriks varians covarian , dengan seperti pada
persamaan (4.36) maka dengan teorema limit pusat diperoleh
(4.38)
dengan adalah elemen diagonal ke- dari matriks .
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
46
Langkah selanjutnya adalah mendapatkan Sum Square Error (SSE) pada
model MGWR yang dapat dilakukan dengan mengkuadratkan kuadrat eror pada
persamaan (4.35) sehingga menjadi
(4.39)
Berdasarkan asumsi pada model MGWR diperoleh
(4.40)
Sedangkan varians dari errornya adalah
, karena
(4.41)
Sehingga dengan menstubstitusikan persamaan (4.40) pada persamaan (4.39),
maka diperoleh
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
47
(4.42)
Langkah selanjutnya adalah mencari ekspektasi
(4.43)
Dengan cara yang sama seperti pada saat menentukan distribusi dari pada
persamaan (4.10) maka diperoleh bahwa
(4.44)
dengan derajat bebas
adalah pembulatan ke atas dari
dan
Berdasarkan persamaan (4.38) dan persamaan (4.44) diperoleh statistik uji
sebagai berikut :
(4.45)
Dibawah hipotesis benar, maka dari (4.45) diperoleh :
(4.46) (4.65)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
48
Jika diberikan taraf nyata , maka keputusan diperoleh berdasarkan daerah kritis
menolak jika nilai .
Dari persamaan (4.46) diperoleh selang kepercayaan bagi
adalah :
Sehingga selang kepercayaan bagi parameter adalah
(4.47)
Algoritma program untuk uji parsial parameter variabel global model
MGWR dalam software S-Plus 2000 adalah sebagai berikut :
a. Menentukan variabel respon , variabel prediktor yang berpengaruh lokal
, dan variabel prediktor yang berpengaruh global .
b. Menentukan bandwidth optimal
c. Menghitung jarak Euclid
, dengan .
d. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan
menggunakan bandwidth optimal ,yaitu
e. Menghitung
,
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
49
dengan
f. Menghitung ,
dengan
g. Menghitung dan
h. Merumuskan hipotesis
(variabel global tidak signifikan)
(variabel global signifikan)
i. Menghitung
dan adalah elemen diagonal ke-k dari matriks ,
dengan
j. Menghitung statistik uji
kaidah keputusan : ditolak jika
k. Menghitung selang kepercayaan bagi
4.3.2 Uji Parsial Parameter Variabel Lokal Model MGWR
Pengujian ini dilakukan untuk mengetahui variabel lokal yang berpengaruh
signifikan terhadap variabel respon pada model MGWR. Uji parsial parameter
variabel lokal menggunakan hipotesis sebagai berikut :
(variabel lokal pada lokasi ke-i tidak signifikan)
(variabel lokal pada lokasi ke-i signifikan)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
50
Oleh karena dalam persamaan (4.32) berdistribusi normal
dengan rata-rata dan matriks covarian , dengan seperti pada
persamaan (4.37) maka dengan teorema limit pusat diperoleh
(4.48)
dengan adalah elemen diagonal ke-k dari matriks . Dari persamaan
(4.44) diketahui
berdistribusi chi-square dengan derajat bebas
, sehingga diperoleh :
(4.49)
Dibawah hipotesis benar, maka dari (4.49) diperoleh :
(4.50)
Jika diberikan taraf nyata , maka keputusan diperoleh berdasarkan daerah kritis
menolak jika nilai .
Dari persamaan (4.50) diperoleh selang kepercayaan bagi
adalah :
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
51
Sehingga selang kepercayaan bagi parameter adalah
(4.51)
Algoritma program untuk uji parsial parameter variabel lokal model
MGWR dalam software S-Plus 2000 adalah sebagai berikut :
a. Menentukan variabel respon , variabel prediktor yang berpengaruh lokal
, dan variabel prediktor yang berpengaruh global .
b. Menentukan bandwidth optimal
b. Menghitung jarak Euclid
, dengan .
c. Menentukan matriks pembobot dari fungsi kernel gauss lokasi ke-i dengan
menggunakan bandwidth optimal ,yaitu
d. Menghitung
,
dengan
e. Menghitung
f. Menghitung
g. Menghitung ,
dengan
h. Menghitung dan
i. Merumuskan hipotesis
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
52
(variabel lokal pada lokasi ke-i tidak signifikan)
(variabel lokal pada lokasi ke-i signifikan)
j. Menghitung
dan adalah elemen diagonal ke-k dari matriks
, dengan
j. Menghitung statistik uji
kaidah keputusan : ditolak jika
k. Menghitung selang kepercayaan bagi
4.4 Penerapan Model MGWR
4.4.1 Sumber Data
Data yang digunakan untuk penerapan model MGWR adalah data
sekunder yang diperoleh dari buku yang berjudul Hasil Susenas 2009 Provinsi
Jawa Timur Badan Pusat Statistik (Lampiran 1). Data tersebut diperoleh dari
dengan jumlah lokasi yang diamati sebanyak 38 lokasi. Variabel respon
adalah persentase penduduk miskin di provinsi Jawa Timur tahun 2009 dan
variabel prediktornya meliputi persentase penduduk yang tamat SD/MI ,
persentase penduduk usia 10 tahun ke atas yang tidak bisa baca tulis huruf ,
persentase rumah tangga yang status rumah yang ditempati bukan milik sendiri
, persentase rumah tangga yang jenis dinding terluas rumahnya bukan
tembok/kayu/bambu , persentase rumah tangga yang tidak mempunyai
fasilitas tempat buang air besar , persentase penduduk yang pengangguran
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
53
, persentase rumah tangga yang mendapatkan Askeskin , persentase
rumah tangga mendapatkan pelayanan kesehatan gratis , persentase rumah
tangga yang pernah membeli beras murah/raskin , dan persentase penduduk
yang bekerja di sektor pertanian .
4.4.2 Analisis Hasil Penerapan Data
Langkah pertama untuk menganalisis data dengan MGWR adalah
menentukan bandwidth optimal berdasarkan koordinat lokasi pengamatan dengan
menggunakan metode CV (program lihat pada Lampiran 2). Berdasarkan output
pada Lampiran 3, diperoleh CV minimum sebesar 3432,05307011615 pada saat
nilai bandwidth sebesar 0,11. Setelah mendapatkan nilai bandwidth optimal,
selanjutnya adalah mendapatkan matriks pembobot setiap lokasi dengan
menggunakan pembobot fungsi kernel gauss dengan mencari jarak euclid lokasi
terhadap seluruh lokasi pengamatan.
Langkah kedua yang dilakukan adalah mengidentifikasi variabel prediktor
mana yang berpengaruh global dan variabel prediktor yang berpengaruh secara
lokal pada model MGWR, maka dilakukan pengujian pengaruh lokasi terhadap
setiap variabel prediktor (program lihat pada Lampiran 4). Hipotesis yang
digunakan adalah sebagai berikut :
(variabel bersifat
global )
Tidak semua adalah sama (variabel bersifat lokal)
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
54
Hasil pengolahan data untuk identifikasi variabel prediktor pada Lampiran 5
menunjukkan bahwa dengan tingkat signifikan 5% diperoleh sebagai berikut:
Tabel 4.1 Identifikasi variabel prediktor model MGWR
Variabel x ke- Fhitung Falpha Keputusan Kesimpulan
1 2 3 4 5 6 7 8 9 10
8,1758017 5,2231985 7,5596768 4,9693182
21,4128111 11,5524809 11,3290735 9,9503076
14,3745052 4,9148712
10,6685623 10,9324049 10,9252270 10,8456200 10,5673088 10,7001810 10,6630196 10,7223755 10,5885767 10,7725997
Terima H0 Terima H0 Terima H0 Terima H0 Tolak H0 Tolak H0 Tolak H0 Terima H0 Tolak H0 Terima H0
Global Global Global Global Lokal Lokal Lokal Global Lokal Global
Berdasarkan Tabel 4.1 diperoleh variabel prediktor yang berpengaruh
secara global adalah dan variabel prediktor yang
berpengaruh secara lokal adalah Karena tidak semua variabel
prediktor berpengaruh secara lokal, tetapi sebagian berpengaruh secara global
maka data presentase penduduk miskin di provinsi Jawa Timur tahun 2009 beserta
variabel prediktor yang mempengaruhinya memenuhi model Mixed
Geographically Weighted Regressiom (MGWR). Sehingga diperoleh model
MGWR sebagai berikut :
Langkah selanjutnya adalah uji signifikansi variabel global untuk
mengetahui variabel global mana yang berpengaruh signifikan terhadap respon
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
55
(program lihat pada Lampiran 8). Hipotesis yang digunakan adalah sebagai
berikut :
( variabel global tidak signifikan )
( variabel global signifikan )
Hasil pengolahan data untuk uji parsial parameter variabel global pada Lampiran
9 menunjukkan bahwa dengan tingkat signifikan 5% diperoleh sebagai
berikut:
Tabel 4.2 Uji parsial parameter variabel global pada model MGWR
Variabel x ke- thitung Keputusan Kesimpulan
1 2 3 4 8 10
0,3311379 0,2280765 -0,5770533 0,0639198 -0,4853199 1,6030208
3,5754920 0,8097202
-3,3190934 0,8720306
-1,7281741 2,9287015
Tolak H0 Terima H0 Tolak H0 Terima H0 Terima H0 Tolak H0
Signifikan Tidak Signifikan Signifikan Tidak Signifikan Tidak Signifikan Signifikan
Berdasarkan Tabel 4.2 dapat disimpulkan bahwa variabel global yang
berpengaruh signifikan terhadap persentase penduduk miskin di provinsi Jawa
Timur tahun 2009 adalah persentase penduduk yang tamat SD/MI ,
persentase rumah tangga yang status rumah yang ditempati bukan milik sendiri
, dan persentase penduduk yang bekerja di sektor pertanian .
Sedangkan untuk mengetahui variabel lokal mana yang berpengaruh
signifikan terhadap respon maka dilakukan uji signifikansi variabel lokal secara
parsial (program lihat pada Lampiran 8) dengan hipotesis sebagai berikut :
( variabel lokal pada lokasi ke-i tidak
signifikan )
( variabel lokal pada lokasi ke-i signifikan )
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
56
Hasil pengolahan data (Lampiran 9) menunjukkan bahwa dengan tingkat
signifikan 5% diperoleh variabel lokal yang signifikan pada masing-masing
kabupaten/kota di provinsi Jawa Timur sebagai berikut :
Tabel 4.3 : Variabel lokal yang signifikan
Kab/Kota Variabel Signifikan Kabupaten Pacitan Ponorogo Trenggalek Tulungagung Blitar Kediri Malang Lumajang Jember Banyuwangi Bondowoso Situbondo Probolinggo Pasuruan Sidoarjo Mojokerto Jombang Nganjuk Madiun Magetan Ngawi Bojonegoro Tuban Lamongan Gresik Bangkalan Sampang Pamekasan Sumenep Kota Kediri Blitar Malang Probolinggo Pasuruan
- - - - - - - -
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia
57
Mojokerto Madiun Surabaya Batu
-
Dari hasil pengolahan data, masing-masing kabupaten/kota di provinsi
Jawa Timur akan memiliki model MGWR yang berbeda-beda yang bergantung
pada variabel prediktor yang signifikan terhadap variabel respon. Berdasarkan
output pada Lampiran 7 kita dapat mengetahui koefisien masing-masing variabel
global dan lokal yang signifikan mempengaruhi variabel respon. Misalkan pada
lokasi pengamatan ke-37, yaitu kota Surabaya, model MGWR yang dihasilkan
adalah sebagai berikut :
0,3311379 0,5770533 0,5256012
0,4801993 1,6030208
Model MGWR di kota Surabaya tersebut dapat diinterprestasikan bahwa setiap
kenaikan kenaikan persentase penduduk yang tamat SD/MI sebesar 1 satuan
maka persentase penduduk miskin di kota Surabaya tahun 2009 akan bertambah
sebesar 0,3311379 persen dengan menganggap variabel tetap.
ADLN - Perpustakaan Universitas Airlangga
Skripsi Estimasi Model Mixed Geographically Weighted.... Dewi, Anggun Kurnia