| dc.identifier.citation | [1] BPS. 2014. Sumatera Utara Dalam Angka 2014, BPS Indonesia,Jakarta. [2] Badan Pusat Statistik. 2011. Indikator Kesejahteraan rakyat, BadanPusat Statistik, Medan. [3] Badan Pusat Statistik. 2008. Analisis Penghitungan Tingkat Kemiskinan 2008, Badan Pusat Statistik, Medan. [4] Fotheringham, A.S., Brundson, C., dan Charlton, M. 2002. Geographically Weighted Regression : The Analysis of Spatially Varying Relationships. Ritsumeikan University : Departement of Geography. [5]Tomoki, N., M. Charlton, P. Lewis, C. Brunsdon, J. Yao and Fotheringham, A.S. 2014. GWR4 User Manual (Windows Application for Geographically Weighted Regression Modelling). [6] Indriya, R.S., D.R.S. Saputro dan Purnami W. 2013. Model Geographically weighted Regression Penderita Diare Di Provinsi Jawa Tengah Dengan Fungsi Pembobot Kernel Bisquare [Jurnal]. Yogyakarta : Seminar Nasional matematika dan Pendidikan matematika FMIPA UNY. [7] Astutik, S., N.W. Ni Wayan dan Kurniawan, D. 2007. Penggunaan Geographically Weighted Regression Pada Data Yang Mengandung Heterokedastisitas Spasial . Universitas Brawijaya : Malang. [8] Mei, C.L. 2005. Geographically Weighted Regression Technique for Spatial Data Analysis . School of Science Xi’an Jiaotong University. [9] Sugiyanto. 2011. Analisis Data Spasial Menggunakan Metode Geographically Weighted Regression (Studi Kasus Data Kemiskinan di Propinsi Papua) [Tesis]. Surabaya : Jurusan Statistika Institut Teknologi Sepuluh Nopember. [10] Salmon, N. A. dan Yopi, A.L. 2013. Pendekatan Model Geographically Weighted Regression Untuk Menganalisis Jumlah Penduduk Miskin : Upaya Penurunan Jumlah Penduduk Miskin Di Provinsi Maluku [Jurnal]. Prosiding FMIPA Universitas Pattimura 2013. [11] NR, Draper & S, Smith Harry. 1992. Analisis Regresi Terapan Buku Kedua, Gramedia Pustaka Utama, Jakarta. [12] Sembiring R. K. 1995. Analisis Regresi Edisi kedua, Penerbit ITB,Bandung. Armico, Bandung. [13] Supranto J. 2004. Ekonometri Buku kedua, Ghalia Indonesia, Jakarta. | in_ID |
| dc.description.abstract | Dalam persamaan regresi biasa, sebuah variabel respon
dihubungkan dengan sejumlah variabel prediktor dengan satu output utama
yaitu penaksiran parameter. Parameter ini menjelaskan hubungan setiap
variabel prediktor dengan variabel respon. Namun, ketika diaplikasikan pada
data spasial, model demikian ini tidaklah selalu valid karena perbedaan lokasi
mungkin saja menghasilkan penaksir model yang berbeda. Salah satu analisis
yang mengakomodasi kondisi spasial adalah model regresi linier lokal (locally
linear regression) yang disebut dengan Geographically Weighted Regression
(GWR). Ide dasar dari model GWR ini adalah mempertimbangkan unsur
geografi atau lokasi sebagai pembobot dalam menaksir parameter modelnya.
Estimasi parameter model GWR diperoleh dengan menggunakan metode
Weighted Least Square (WLS) yaitu dengan memberikan pembobot (weight)
yang berbeda pada setiap lokasi dimana data tersebut dikumpulkan. Penelitian
ini bertujuan untuk memodelkan dan menguji parameter pada data kemiskinan
Provinsi Sumatera Utara tahun 2013 dengan pembobot GaussianKernel. Hasil
penelitian menunjukkan bahwa Kemiskinan disebabkan oleh tingkat partisipasi
angkatan kerja (TPAK) , persentase penduduk SD yang ditamatkan ,
rumah tangga yang mempunyai JAMKESMAS dan rumah tangga yang
bahan bakar utama memasak minyak tanah/kayu bakar di Provinsi
Sumatera utara tahun 2013.WLS menghasilkan penduga parameter yang
berbeda di setiap lokasi yang menyebabkan perbedaan model antar lokasi. | in_ID |
