pemodelan tingkat pengangguran di jawa barat …
TRANSCRIPT
30
PEMODELAN TINGKAT PENGANGGURAN DI JAWA BARAT DENGAN
ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
MODELING UNEMPLOYMENT RATE IN WEST JAVA WITH
GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) ANALYSIS
Euis Sartika
Jurusan Administrasi Niaga Politeknik Negeri Bandung
ABSTRAK
Penelitian yang membahas masalah tingkat pengangguran sudah banyak dilakukan.
Namun, penelitian yang memasukkan unsur lokasi atau unsur spasial dalam pemodelan tingkat pengangguran dengan objek kota / kabupaten Jawa Barat untuk periode tahun 2017 - 2018 belum
pernah dilakukan. Untuk itu, dalam penelitian ini akan dikaji faktor-faktor yang memengaruhi
tingkat pengangguran terbuka kota / kabupaten di Jawa Barat dengan memasukkan unsur lokasi atau spasial dalam pemodelannya. Data yang digunakan adalah data sekunder periode tahun 2017
- 2018. Variabel respon dalam penelitian ini adalah tingkat pengangguran terbuka (Y) dan peubah
prediktor adalah Produk Daerah Regional Bersih (PDRB) atau X1, indeks pembangunan manusia
(IPM) atau X2, jumlah penduduk miskin (JPM) atau X3, tingkat kepadatan penduduk (TKP) atau X4, upah minimum regional (UMR) atau X5, tingkat partisipasi aktif (TPAK) atau X6, inflasi atau
X7, angka melek huruf (AMH) atau X8, dan persentase penduduk yang berumur 15 tahun
berdasarkan pendidikan tertinggi yang ditamatkan (PAK15BPD) atau X9. Metode yang digunakan adalah analisis deskriptif, analisis berdasarkan model regresi berganda (global), dan GWR (lokal)
dengan pembobot Adaftif Kernel. Hasil menunjukkan bahwa model GWR mempunyai nilai
koefisien determinasi 0,7289. Artinya, sekitar 72,93% dari variasi tingkat pengangguran terbuka
dapat dijelaskan oleh peubah-peubah prediktor, sisanya 27,07% dijelaskan oleh peubah lain yang tidak dijelaskan dalam penelitian ini. Nilai koefisien determinasi regresi GWR lebih tinggi dari
nilai koefisien determinasi regresi Global yakni sebesar 30,56%. Selain itu, diperoleh 27 model
GWR (lokal) sesuai dengan jumlah kota/ kabupaten di Jawa Barat.
Kata kunci: GWR, Tingkat Pengangguran Terbuka, Koefisien Determinasi
ABSTRACT
Many researches discussing the problem of unemployment rates have been carried out,
but research that includes location or spatial elements in the modeling of the unemployment rate
with the objects of West Java cities / regencies for the period 2017 - 2018 has never been done. For this reason, this research will examine the factors that influence the open unemployment rate
in cities / regencies in West Java by including a location or spatial element in the modeling. The
data used are secondary data for the period 2017-2018.The response variable in this study is the open unemployment rate (Y) and the predictor variables are Net Regional Product (GRDP) or
X1, the human development index (HDI) or X2, the number of poor people. (JPM) or X3,
population density (TKP) or X4, regional minimum wage (UMR) or X5, active participation rate (TPAK) or X6, inflation or X7, literacy rate (AMH) or X8, and the percentage of 15 years old
based on the highest education completed (PAK15BPD) or X9. The method used is descriptive
analysis, analysis based on multiple regression models (global), and GWR (local) with a Kernel
weight adaptive. The results show that the GWR model has a determination coefficient value of 0.7289, meaning that around 72.93% of the variation in the open unemployment rate can be
explained by predictor variables, the remaining 27.07% is explained by other variables not
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 31 Analisis Geographically Weighted Regression (GWR)
explained in this study. The coefficient of determination of the GWR regression is higher than the
coefficient of determination of the Global regression, which is 30.56%. In addition, 27 (local)
GWR models were obtained according to the number of cities / regencies in West Java. Keywords: GWR, Open Unemployment Rate, Coefficient of Determination
PENDAHULUAN
Pengangguran di Jawa Barat
merupakan masalah yang sangat kompleks
karena bisa memicu masalah sosial lainnya.
BPS menyatakan bahwa angka tingkat
pengangguran terbuka di Jawa Barat lebih
tinggi dibandingkan angka nasional, yakni
sebesar 5,01 (BPS Jawa Barat, 2017).
Tingginya tingkat pengangguran berdampak
pada rendahnya tingkat pendapatan
masyarakat Jawa Barat. Tingkat pendidikan
yang rendah dan tingkat pengangguran yang
tinggi menyebabkan masalah sosial yang
lebih kompleks yakni kemiskinan. Pada
tahun 2017, tingkat pengangguran tertinggi
di Indonesia tercatat di provinsi Jawa Barat
sebesar 7,73% dan tingkat pengangguran
terendah berdasarkan provinsi berada di Bali
dengan jumlah sebesar 1,19%
(https://finance.detik.com/berita-ekonomi-
bisnis/d-4537849/pengangguran-paling-
banyak-di-jawa-barat-capai-527000-orang)
Tingkat pengangguran yang
berbeda-beda pada setiap daerah disebabkan
berbedanya beberapa faktor tertentu di
masing-masing daerah. Tingkat populasi dan
jumlah lapangan pekerjaan yang berbeda di
masing-masing kabupaten/kota pasti akan
berpengaruh terhadap jumlah masyarakat
yang tidak memiliki pekerjaan di daerah
tersebut. Di Jawa Barat, terdapat beberapa
lapangan pekerjaan utama yaitu pertanian,
industri, dan yang lain. Masing- masing
daerah memiliki persentase lapangan
pekerjaan utama yang berbeda-beda juga.
Berbedanya sektor-sektor potensial di
masing-masing daerah akan berpengaruh
terhadap kebijakan pemerintah daerah.
Kebijakan yang tepat dengan jumlah
anggaran belanja pemerintah daerah yang
tepat akan mendorong tumbuhnya lapangan
pekerjaan dan mengurangi tingkat
pengangguran secara signifikan
https://tumoutounews.com/2017/10/28/lapa
ngan-pekerjaan-terbesar-di-indonesia-
tahun-2017/).
Dalam penelitian ini, dikaji
informasi mengenai faktor-faktor apa saja
yang memengaruhi tingkat pengangguran di
Jawa Barat untuk perode tahun 2017 - 2018.
Analisis yang tepat untuk mengkaji faktor-
faktor yang memengaruhi faktor lain adalah
analisis regresi. Model regresi yang
melibatkan unsur spasial dalam analisisnya
adalah model GWR. Informasi dari model
GWR yang terbentuk dapat dijadikan
panduan untu pengambilan kebijakan dari
Pemkab / Pemkot di Jawa Barat dalam
mengatasi masalah pengangguran. Untuk
mengukur tingkat pengangguran,
digunakan konsep ketenagakerjaan yang
memasukkan indikator tingkat
pengangguran terbuka (TPT), rasio antara
banyaknya pencari kerja dengan jumlah
angkatan kerja. Berbagai faktor yang
memengaruhi tingat pengangguran, antara
lain, kepadatan penduduk, PDRB, inflasi,
persentase penduduk usia kerja yang
berumur 15 tahun berdasarkan pendidikan
tertinggi yang ditamatkan, angka melek
huruf, tingkat partisipasi angkatan kerja,
jumlah penduduk miskin, dan upah
minimum kabupaten/kota (Utami, Rohman,
Prahutama, 2016). Analisis data yang
digunakan untuk mengetahui pengaruh
variabel-variabel prediktor terhadap variabel
respon selain analisis deskriptif, digunakan
model regresi klasik atau regresi berganda
(Global). Beberapa syarat atau asumsi yang
harus dipenuhi untuk memodelkan regresi
klasik, yaitu normalitas data,
nonautokorelasi, homokedastisitas, tidak
32 Sigma-Mu Vol.12 No.2 – September 2020
ada multikolinearitas, dan penduga
parameter yang diperoleh sifatnya berlaku
global (Supranto, 2010). Penelitian tentang
tingkat pengangguran telah banyak
dilakukan, namun penelitian yang
memasukkan unsur lokasi (spasial) dalam
pemodelan dan mengambil objek lokasi kota
/ kabupaten di Jawa Barat dengan periode
tahun 2017-2018 belum pernah dilakukan.
Untuk itu, penelitian ini mengambil objek
lokasi Jawa Barat karena secara geografis
kota/kabupaten di Jawa Barat cukup
bervariasi. Penelitian ini memasukkan aspek
spasial pada model yang menggambarkan
karakteristik dari masing-masing daerah di
Jawa Barat. Analisis yang mengakomodasi
aspek lokasi (spasial) adalah analisis dengan
model GWR. Model GWR merupakan
salah satu metode statistika yang
digunakan untuk memodelkan variabel
respon dengan variabel prediktor yang
berbasis wilayah atau area (Anselin dan
Bera, 1998). Model GWR mempunyai
keunggulan dibandingkan model regresi
klasik. Model GWR mampu menyajikan
model regresi secara lokal karena model
regesi lokal mampu memasukkan unsur
karakteristik lokasi.
Berdasarkan hal yang telah
diuraikan, pada penelitian ini ditentukan
model terbaik tingkat pengangguran
kota/kabupaten di Jawa Barat dengan model
GWR
Model Spasial Geografically Weighted
Regression (GWR)
Geographically Weighted Regression
(GWR) yang didefinisikan oleh
Fotheringham (2002) merupakan metode
regresi yang menghasilkan penduga
parameter yang dapat memprediksi respon
setiap lokasi dan ditulis sebagai
=
++=p
j
iiijiioi vuvuy1
),()( (1)
dengan :
),( iij vu adalah koefisien regresi
peubah prediktor ke-j untuk setiap lokasi
),( ii vu
),( ii vu adalah longitude dan latitude
untuk lokasi ke-i
i adalah peubah acak pengamatan ke-i
Uji asumsi model GWR
a. Uji Normalitas sisaan menggunakan
Kolmogorov-Smirnov
b. Uji Multikolinearitas spasial : untuk
menguji multikolinieritas lokal
digunakan kriteria VIF (Varians
Inflation Factor) dengan
multikolinieritas lokal terdeteksi
jika nilai VIF > 10. Menurut
Fotheringham, Brundson dan
Charlthon (2002) nilai VIF
dinyatakan sebagai berikut.
),(1
1),(
2
ii
iiivujR
vuVIF−
= .
(2)
dengan ),(2
ii vujR adalah
koefisien determinasi antara Xj
dengan prediktor lain pada lokasi
ke-i.
c. Uji Heterogenitas spasial
menggunakan Uji Breusch-Pagan
(BP).
Pendugaan Parameter GWR
Metode Least Square digunakan
untuk melakukan pendugaan parameter
model GWR yang diberi pembobot
(Weighted Least Square) berupa titik
koordinat lokasi. Pendugaan parameter
dilakukan dengan cara matriks
YvuWXXvuWXvu iiiiiij ),('),('),(1−
=
(3)
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 33 Analisis Geographically Weighted Regression (GWR)
dengan :
X adalah matriks prediktor berdimensi n x
(p+1)
Y adalah matriks respon berdimensi n x 1
j
adalah vektor penduga parameter GWR
peubah prediktor ke-j untuk setiap lokasi ke-
i.
Pembobot berfungsi untuk memberikan
hasil pendugaan parameter yang berbeda
pada setiap lokasi. Matriks pembobot lokasi
ke-i bergantung pada jenis fungsi pembobot.
Karena titik-titik pada data tersebar secara
beraturan, digunakan Fixed Bisquare
Kernel. Pembobot Fixed Bisquare Kernel
didefinisikan oleh Leung, Mei dan Zhang
(2000) dan dirumuskan sebagai berikut.
dengan : iiW jarak Euclidean antar lokasi
),(ii
vu
iid =22 )()( −+− iiiiii vvuu (5)
dan bandwidth (h) adalah lingkaran radius
bandwidth dari titik pusat lokasi.
Untuk menentukan bandwidth optimum,
digunakan cross validation (CV)
(Fotheringham, Brundson dan Charlthon
(2002) yang dirumuskan sebagai berikut.
=
−=n
ii
i hyhCV y1
2))(()('
. (6)
dengan 'i
y
adalah penduga yi (fitting value)
dan pengamatan lokasi ),( ii vu dihilangkan
dari proses pendugaan.
Pengujian parameter secara simultan
dan parsial
a. Pengujian signifikansi parameter
model GWR pada setiap lokasi
parameter secara simultan
menggunakan kriteria
tolak Ho jika statistik uji >
)1,(*
1
21 −−pnF
.
Jika Ho benar, statistik uji:
)1,(*
0
1
2
11
1
21~
1/)(
/)(
−−
−−pnF
pnHSSE
HSSE
(7)
dengan SSE(H0)=yT(1-L)Ty ; SSE
(H1)= yT(1-H)Ty
H=X(XTX)-1XT : iT
i LLtr ))1(()1( −−=
L(nxn)=
−
−
−
)(])([
.
)(])([
)(])([
33
1
333
22
1
222
11
1
111
vuWXXvuWXX
vuWXXvuWXX
vuWXXvuWXX
TTT
TTT
TTT
(8)
b. Pengujian parameter secara parsial
dilakukan dengan kriteria
tolak H0 jika statitik uji |t|> )1,( −−pnt
Jika H0 benar maka statistik uji:
)1(^~
),(−−
pnt
jj
iij
c
vu
. (9)
Uji Kesesuaian Model
Uji Kesesuaian Model menggunakan
koefisien determinasi (R2) yang dirumuskan
sebagai berikut.
=
−
−
−
−=p
j
i
j
p
j
j
W
Wii
yy
yy
JKT
JKRvuR
1
2
^2
12
)(
)(
),( .
(10)
Koefisien determinasi dapat menjelaskan
seberapa besar keragaman peubah respon
34 Sigma-Mu Vol.12 No.2 – September 2020
yang dijelaskan oleh peubah prediktor
pada setiap lokasi.
Pengangguran
ILO (International Labor
Organization) menyatakan bahwa "The rules
of the global economy should be aimed at
improving the rights, livelihoods, security,
and opportunities of people, families and
communities around the world." - World
Commission on the Social Dimension of
Globalization, 2004 ( ILO: A Fair
Globalization: Creating opportunities for
all, Report of the World Commission on the
Social Dimension of Globalization Artinya,
Organisasi ketenagakerjaan dunia ini
menginginkan agar perekonomian dunia
haruslah memfokuskan diri pada
pengembangan standar hidup masyarakat
yang layak melalui pemberian kesempatan
bagi semua orang untuk dapat memperoleh
haknya. Untuk mewujudkan hal ini
(kesejahteraan), seseorang haruslah
memiliki penghasilan yang layak melalui
kesempatan kerja yang bebas serta terbuka.
Hal inilah yang sampai sekarang masih
menjadi permasalahan utama bagi pakar-
pakar ekonomi maupun pemerintahan di
seluruh dunia untuk memberikan kehidupan
yang layak bagi masyarakatnya karena
terbatasnya kesempatan kerja bagi individu
atau kelompok masyarakat tersebut.
Kurangnya kesempatan kerja tersebut
mengakibatkan suatu fenomena ekonomi
yang disebut dengan pengangguran
(Unemployment).
METODE PENELITIAN
Data Penelitian
Data penelitian ini adalah data
sekunder yang diperoleh dari BPS provinsi
Jawa Barat periode tahun 2017 - 2018.
Definisi Operasional Variabel
Tingkat Pengangguran Terbuka
(TPT), yaitu rasio antara banyaknya pencari
kerja dengan jumlah angkatan kerja
kota/kabupaten Jawa Barat merupakan
peubah respon dalam penelitian ini (Y) dan
berjenis data spasial/lokasi. Banyaknya TPT
tidak sama bergantung lokasi. Peubah
prediktor adalah
Tabel 1. Definisi Operasional Variabel
No Variabel Skala Variabel Kode
1 Peubah Respon : Tingkat Pengangguran Terbuka (TPT) Numerik Y
2 Peubah Prediktor :
a. Produk Domestik Refional Broto (PDRB) Numerik (milyar) X1
b. Indeks Pembangunan Manusia (IPM) Numerik X2
c. Tingkat Kepadatan Penduduk (TKP) Numerik (orang/m2) X3
d. Upah Minimum Regional (UMR) Numerik (Rupiah) X4
e. Jumlah Penduduk Miskin (JPM) Numerik (orang) X5
f. Tingkat Partisipasi Aktif Kerja) (TPAK) Numerik (%) X6
g. Inflasi Numerik X7
h. Angka Melek Huruf (AMH) Numerik X8
i. Persentase Angkatan Kerja 15 tahu yang Berhasil
Menamatkan Sekolahnya
Numerik X9
Langkah Penelitian
1. Melakukan analisis deskriptif untuk
menggambarkan distribusi tingkat
pengangguran menurut
kota/kabupaten di Jawa Barat tahun
2017 – 2018.
2. Melakukan uji asumsi untuk regresi
Global : normalitas, multikolinearitas,
heterokedastisitas, dan autokorelasi.
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 35 Analisis Geographically Weighted Regression (GWR)
3. Membentuk dan menganalisis regresi
Global
4. Menganalisis model regresi GWR
dengan langkah berikut:
a. Menghitung jarak euclidian
antara lokasi ke-i terhadap lokasi
ke-j yang terletak pada koordinat
)v,u( ii
b. Menentukan bandwith optimum
menggunakan cross validation
(CV).
c. Menghitung matriks pembobot
menggunakan fungsi kernel
Gaussian.
d. Melakukan estimasi parameter
model GWR.
e. Membandingkan kesesuaian
model regresi Global dengan
regresi GWR.
5. Pemilihan model terbaik antara model
regresi Global dan regresi GWR
(Lokal).
HASIL DAN PEMBAHASAN Analisis Deskriptif
Berdasarkan gambar 1, TPT tertinggi adalah
kabupaten Bekasi dan terendah adalah di
Pangandaran hampir sama baik tahun 2017
- 2018.
Gambar 1. Tingkat Pengagguran Terbuka Jawa Barat tahun 2017-2018
Gambar 2. PDRB Jawa Barat tahun 2017 – 2018
Berdasarkan gambar 2, dapat ditunjukkan
bahwa PDRB tertinggi adalah kabupaten
Bekasi dan terendah adalah Banjar.
36 Sigma-Mu Vol.12 No.2 – September 2020
Gambar 3. IPM Jawa Barat tahun 2017-2018
Berdasarkan gambar 3, dapat ditunjukkan
bahwa IPM tertinggi adalah kota Bekasi dan
Bandung dan terendah adalah Cianjur.
Gambar 4. Tingkat Kepadatan Penduduk Jawa Barat tahun 2017-2018
Berdasarkan gambar 4, dapat ditunjukkan
bahwa Tingkat Kepadatan Penduduk
tertinggi adalah kota Cianjur dan Bandung
dan terendah adalah Subang.
Gambar 5. UMR Jawa Barat trahun 2017-2018
Berdasarkan gambar 5, dapat ditunjukkan
bahwa UMR tertinggi adalah kota Bekasi
dan terendah adalah Banjar.
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 37 Analisis Geographically Weighted Regression (GWR)
Gambar 6. JPM Jawa Barat tahun 2017-2018
Berdasarkan gambar 6, dapat ditunjukkan
bahwa IPM tertinggi adalah kota Tasik,
Kuningan, dan Indramayu dan terendah
adalah Depok.
Gambar 7. TPAK Jawa Barat tahun 2017 – 2018
Berdasarkan gambar 7, dapat ditunjukkan
bahwa TPAK tertinggi adalah Kabupaten
Tasikmalaya dan terendah adalah Depok.
38 Sigma-Mu Vol.12 No.2 – September 2020
Gambar 8. Inflasi Jawa Barat Tahun 2017-2018
Berdasarkan gambar 8, dapat ditunjukkan
bahwa Inflasi tertinggi adalah Indramyu dan
terendah adalah Depok..
Gambar 9. AMH Jawa Barat tahun 2017-2018
Berdasarkan gambar 8, dapat ditunjukkan
bahwa nilai variabel AMH tertinggi adalah
kota Bekasi dan Depok dan terendah adalah
Kabupaten Sukabumi.
Gambar 10. Persentse Angkatan Kerja umur 15 tahun Berdarkan pendidikan yang ditamatkan
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 39 Analisis Geographically Weighted Regression (GWR)
Berdasarkan gambar 10, dapat ditunjukkan
bahwa tertimggi Indramayu, Kuningan dan
tererndajh di Depok.
Uji Asumsi Model Regresi Berganda
Uji Normalitas
Gambar 11. Kurva Normal Q Plot-Plot
Berdasarkan gambar 11, dapat ditunjukkan
bahwa data tersebar berkisar pada garis
diagonal. Hal ini menunjukkan bahwa
asumsi distribusi nornal terpenuhi.
Asumsi Heterokedastisitas
Gambar 12. Scatterplot TPT
Berdasarkan gambar 12, ditunjukkan bahwa
titik-titik data bersebaran membentuk pola
sembarang, dan data menyebar pada sumbu
positif dan sumbu negartif artinya tidak
terjadi heterokedastisitas.
Asumsi Multikolinearitas
Tabel 2. Nilai VIF
Variabel PDRB
(X1)
IPM
(X2)
TKP
(X3)
UMR
(X4)
JPM
(X5)
TPAK
(X6)
Inflasi
(X7)
AMH
(X8)
PAK15BP
(X9)
VIF 1,182 1 2,047 1,003 1,182 1,678 1,396 2,504 1,951
Berdasarkan tabel 2, dapat ditunjukkan
semua nilai VIF > 10, artinya asumsi
multikolinearitas dipenuhi.
Uji Autokorelasi
Nilai Durbin Watson adalah 2,224, berada
pada rentang nilai 4-DU dan 4-DL, dimana
DU dan DL masing-masing dapat dilihat
dari tabel DW. Kesimpulan asumsi
autokorelasi dapat dipenuhi.
Model Regresi Berganda
TPT= 7,946265 + 0,915014 X1 +
0,321962 X2+ -0,032311 X3 +0,117675
X4-0,856267 X5 -0,473579 X6 + 0,458586
X7 -0,050556 X8 + 1,214999 X9
Semua koefisien bernilai positif yang
artinya penambahan 1 unit satuan variabel-
variabel menyebabkan peningkatan %
tingkat pengangguran terbuka, kecuali
peningkatan UMR, TPAK, dan AMH dapat
menurunkan tingkat pengangguran terbuka,
karena nilai koefisien negatif.
40 Sigma-Mu Vol.12 No.2 – September 2020
Estimasi Regresi Berganda
Tabel 3. Estimasi Regresi Berganda menggunakan Output Geoda
Variabel Coefficient Standar error Z-value Probability
TPT (Y) 0.819581 0.0949439 8.63227 \0.00000
Constant -6.44451 4.94418 1.30345 0.19242
PDRB (X1) 2.96387e-006 1.07582e-005 3.62976 0.00028
IPM (X2) 0.103324 0.0732296 1.41096 0.15826
TKP (X3) 5.24876e-006 5.31761e-005 0.0987053 0.92137
UMR (X4) 1.58008e-008 5.41346e-008 0.29188 0.77038
JPM (X5) -0.272434 0.301534 0.903496 0.36626
TPAK (X6) 0.837462 0.498672 1.67939 0.09308
Inflasi (X7) -2.30585 1.96971 -1.17065 0.24174
AMH (X8) -4.00348e-006 3.01619e-006 -1.32733 0.18440
PAK15BP (X9) 0.440139 0.261281 1.68454 0.09208
Berdasarkan tabel 3, dengan menggunakan
nilai taraf nyata 0,10, dapat ditunjukkan
bahwa peubah-peubah prediktor yang
signifikan berpengaruh terhadap tingkat
pengangguran terbuka adalah PDRB(X1),
TPAK (X6), dan PAK15BP (X9) karena
masing-masing menunjukkan nilai sig.(P-
value)kurang dari 0,10. Nilai koefisien
determinasi model regresi berganda adalah
0,305570 yang artinya 30,56% dari tingkat
pengangguran terbuka kota/kabupaten Jawa
Barat dipengaruhi oleh variabel-variabel
prediktor, sisanya sebesar 69,44%
dipengaruhi oleh faktor lain. Nilai error
(AIC ) sebesar 216,23.
Asumsi Model Regresi GWR
Gambar 13. Diagram Indeks Moran
Berdasarkan gambar 13, dapat ditunjukkan
bahwa nilai Indeks Moran adalah 0,417708
> 0,05 yang artinya tidak terjadi autokorelasi
spasial.
Uji Heterokedastisitas Spasial
Berdasarkan uji ini, ditunjukkan
oleh nilai Breusch-Pagan tes dengan nilai
probabilitas sebesar 0,50610 > 0,10 yang
artinya tidak terjadi heterokedastisitas.
Langkah pertama dalam model GWR
adalah menentukan bandwith optimum
dengan menggunakan metode cross
validation (CV). Dalam penelitian ini,
diperoleh nilai bandhwith optimum 10 dan
CV sebesar 281,638. Artinya, jika jarak
antar kota/kabupaten melebihi 281,638 km,
pengaruhnya akan berkurang.
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 41 Analisis Geographically Weighted Regression (GWR)
Tabel 4. Nilai Estimasi Koefisien Regresi GWR (lokal) dari 27 kota/kabupaten di Jawa Barat
Variabel Mean Standard Deviasi Min Max Range
Intercept 7,989856 0,644717 7,108165 9,024487 1,916322
PDRB(X1) 0,800815 0,383554 0,347512 1,428341 1,080830
IPM(X2) 0,089705 0,37941 -0,477381 0,628819 1,106200
TKP(X3) 0,164978 0,340204 -0,315509 0,776793 1,092302
UMR(X4) 0,066015 0,066777 -0,049840 0,206707 0,256547
JPM(X5) -0,102384 0,801029 -1,181630 1,702764 2,884394
TPAK(X6) -1,388002 1,567056 -4,580885 0,968888 5,549773
Inflasi(X7) 0,992428 1,142259 -0,940128 3,293218 4,233346
AMH(X8) -0,095549 0,448875 -0,702491 0,664381 1,366872
PAK15BP(X9) 1,214999 0,944876 -0,761847 2,299026 3,060873
Tabel 4 memperlihatkan rentang
nilai estimasi koefisien regresi masing-
masing variabel bebas dari 27
kota/kabupaten di Jawa Barat. Model regresi
lokal dari 27 kota/kabupaten di Jawa Barat,
antara lain
Model Regresi Lokal tingkat pengangguran
terbuka kota Karawang :
TPT=8,990309+0,442455 X1-0,417336 X2-
0,847180 X6+0,144868 X7 -0,102359 X8
Dengan nilai kofisien determinasi lokal
R2=0,729292, artinya 72,93% dari tingkat
pengangguran terbuka dipengaruhi oleh
variabel-variabel bebasnya, sisanya sebesar
27,07% dipengaruhi faktor lain. Nilai error
atau AIC adalah 185,70 . Masing-masing
kota/kabupaten di Jawa Barat mempunyai
model regresi GWR (lokal) yang berbeda
dengan nilai koefisien determinasi yang
bervariasi.
Tabel 5. Uji Variabilitas untuk Koefisien Lokal Regresi GWR
Variabel F DOF for F test DIFF of Criterion
Intercept 11,706281 0,677 33,830 0,102476
PDRB(X1) 3,943191 0,873 33,830 -1,515047
IPM(X2) 0,603272 0,829 33,830 0,031347
TKP(X3) 3,400776 0,732 33,830 -0,159280
UMR(X4) 1,483336 0,308 33,830 3,055402
JPM(X5) 10,870134 0,758 33,830 -7,789185
TPAK(X6) 11,542575 1,688 33,830 -330,719265
Inflasi (X7) 455,862963 0,350 33,830 -38194,094031
AMH(X8) 3,056805 1,050 33,830 0,224386
PAK15BP(X9) 12,473352 0,328 33,830 -92,822049
Tabel 5 menjelaskan bahwa nilai Diff of
Criterion negatif menunjukkan bahwa tidak
terdapat variasi spasial dalam model.
Peubah-peubah dengan nilai Diff of
Criterion negatif adalah PDRB (X1),
TKP(X2), JPM(X5), TPAK(X6), Inflasi (X7),
dan PAK15BP(X9), sedangkan variabel
dengan nilai Diff of Criterion positif adalah
IPM (X2), UMR (X4), dan AMH (X8).
42 Sigma-Mu Vol.12 No.2 – September 2020
SIMPULAN
Berdasarkan hasil pembahasan
diperoleh bahwa Model GWR dengan
pembobot Adaptif Kernell untuk Tingkat
Pengangguran di Jawa Barat mempunyai
nilai AIC sebesar 185,703107 dan nilai
koefisien determinasi 72,93%. Artinya,
72,93% dari variasi model tingkat
pengangguran terbuka dapat dijelaskan oleh
peubah-peubah prediktor, sisanya 27,07%
dapat dijelaskan oleh faktor lain. Faktor-
faktor yang berpengaruh signifikan terhadap
tingkat pengangguran terbuka kota /
kabupaten Jawa Barat adalah PDRB (X1),
TPAK (X6), dan PAK15BP(X9). Penelitian
ini menghasilkan model GWR (regresi
lokal) sebanyak 27 buah, sesuai dengan ban
yaknya kota/kabupaten di Jawa Barat.
DAFTAR PUSTAKA
Anselin, L. dan Bera, A.1998. Spatial
Dependence In Linear Regression
Models With An Introduction To Spatial
Econometrics. dalam Ullah, A. & Giles,
D. Handbook of Applied Economics
Statistic. Selected Reading, pp. 237-
289. New York: Marcel Dekker.
Adam. 2018. Menentukan Dimensi Spasial
Determinan Kemiskinan Pada
Kabupaten/Kota di Provinsi Jawa
Tengah dan DIY Periode 2010 dan
2016 menggunakan Geographic
Information System (GIS) dan Spatial
Exploratory Data Analysis (ESDA).
(Skripsi). Yogyakarta: UII
BPS JAWA BARAT, 2018
BPS JAWA BARAT, 2017
Brunsdon, C., Fotheringham, A.S. dan
Charlton, M. 2000. Geographically
Weighted Regression as a Statistical
Model, Spatial Analysis Research
GroupDepartment of
GeographyUniversity of Newcastle-
upon-TyneNewcastle-Upon-Tyne
UKNE1 7RU.
Fotheringham, A.S., Brunsdon, C. dan
Charlton, M. 2002. Geographically
Weighted Regresion: The Analysis of
Spatially Va (Charlton, 2000)rying
Relationship. United Kingdom: John
Wiley & Sons.
Leung, Y., Mei, C.L., & Zhang, W.X. 2000.
“Statistic Tests for Spatial Non-
Stationarity Based on the
Geographically Weighted Regression
Model, Environment and Planning A”,
vol. 32, issue 1, 9-32
Nadra. 2006. “Pemodelan Regresi Auto-
Gaussian untuk Analisis Hubungan
Spasial di 68 kelurahan di Kota Bogor
terhadap jumlah penderita demam
berdarah tahun 2005 di Kota Bogor”.
Repository IPB Bogor.
https://finance.detik.com/berita-ekonomi-
bisnis/d-4537849/pengangguran-
paling-banyak-di-jawa-barat-capai-
527000-orang
https://tumoutounews.com/2017/10/28/lapa
ngan-pekerjaan-terbesar-di-indonesia-
tahun-2017/
Kartika, (2007), “Statistik pengukuran
Indeks Moran, Geary’s Ratio dan Chi-
Square Statistic untuk melihat
hubungan spasial jumlah penderita DB
tahun 2005 di Kota Bogor”. Repository
IPB Bogor.
Putri.Z. (2018), “Pemodelan Indeks
Pembangunan Manusia menggunakan
Geographically Weighted Regression
(GWR) (Studi Kasus Indeks
Pemodelan Tingkat Pengangguran Di Jawa Barat Dengan 43 Analisis Geographically Weighted Regression (GWR)
Pembangunan Manusia di Indonesia
Tahun 2016)”. Repository Universitas
Islam Indonesia Yogjakarta
Rahayu. S.N, ( 2017), “Geographically
Weighted Panel Regression untuk
Pemodelan Persentasi Penduduk
Miskin Di Provinsi Jawa Tengah “.
Tesis, Repository ITS Surabaya.
Supranto, J. (2001) “Statistik teori dan
aplikasi Ed.6”, Erlangga. Jakarta
Journal Article, (2004) ,“The World
Commission on the Social Dimension
of Globalization: On the Cross-Border
Movement of People”. Population and
Development Review Vol. 30, No. 2
(Jun., 2004), pp. 375-380. Published
by: Population Council.
Utami T.W, Rohman. A, Prahutama A,
2016, “Pemodelan Regresi Berganda
Dan Geographically Weighted
Regression Pada Tingkat Pengangguran
Terbuka Di Jawa Tengah”, Media
Statistika 9 (2) 2016: 133-147