Pemodelan Angka Harapan Hidup
Propinsi Jawa Timur dan Jawa Tengah
Dengan Metode
Geographically Weighted Regression
Oleh :
Lusi Firdial
(1307030020)
Dosen Pembimbing :
Dr. Purhadi, M. Sc
LATAR BELAKANG
Kesejahteraan masyarakat
meningkat
(Tujuan utama)
Pelaksanaan pembangunan di segala bidang (yang dilakukan pemerintah)
(Terdapat indikator keberhasilan)
Salah satunya : Indikator Kesehatan
Angka Harapan Hidup (AHH)
Penelitian dipilih untuk dilakukan Faktor spasial (letak geografis) perlu diperhitungkan
Geographically Weighted Regression (GWR)
Kesehatan
Salah satu aspek penting kualitas sumber
daya manusia (SDM)
Hak asasi manusia
SDM
Sehat (secara fisik)
Berpotensi (dapat diharapkan)
Berperan aktif dalam pembangunan
Kesejahteraan Masyarakat
Propinsi
Periode
2000-2005 2005-2010 (2002) (2007)
(1) (2) (3)
11. NANGGROE ACEH DARUSSALAM 67.2 67.3
12. SUMATERA UTARA 68.6 70.5 13. SUMATERA BARAT 66.8 69.2 14. RIAU 68.0 70.1 15. JAMBI 67.0 69.1 16. SUMATERA SELATAN 66.9 69.2 17. BENGKULU 66.8 68.9 18. LAMPUNG 67.9 70.1
19. KEPULAUAN BANGKA BELITUNG 66.9 69.0
31. DKI JAKARTA 73.0 74.0 32. JAWA BARAT 66.6 69.0 33. JAWA TENGAH 68.9 71.0 34. D I YOGYAKARTA 73.0 74.0 35. JAWA TIMUR 67.8 70.0 36. BANTEN 64.6 67.3 51. B A L I 70.6 72.4
52. NUSA TENGGARA BARAT 60.9 64.4 53. NUSA TENGGARA TIMUR 66.1 68.4
61. KALIMANTAN BARAT 66.1 68.5 62. KALIMANTAN TENGAH 67.8 70.0 63. KALIMANTAN SELATAN 64.1 66.9 64. KALIMANTAN TIMUR 69.6 71.6 71. SULAWESI UTARA 72.3 73.6 72. SULAWESI TENGAH 64.5 67.0 73. SULAWESI SELATAN 66.3 68.8 74. SULAWESI TENGGARA 66.9 69.1
1. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Timur dengan pendekatan
Geographically Weighted Regression (GWR) serta faktor
yang berpengaruh secara signifikan ?
2. Bagaimana model terbaik terhadap data angka harapan hidup di Provinsi Jawa Tengah dengan pendekatan
Geographically Weighted Regression (GWR) serta faktor
yang berpengaruh secara signifikan ?
Rumusan
Masalah
1. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatanGeographically Weighted Regression (GWR) terhadap
data angka harapan hidup di Propinsi Jawa Timur.
2. Mendapatkan model terbaik dan faktor yang bepengaruh secara signifikan dengan pendekatan
Geographically Weighted Regression (GWR) terhadap
data angka harapan hidup di Propinsi Jawa Tengah.
Tujuan
Penelitian
Manfaat Penelitian
• Penelitian ini diharapkan dapat memberikan
alternatif model angka harapan hidup dengan
memperhatikan variasi spasial dimana data
tersebut diperoleh.
• Sebagai masukan bagi pemerintah
pusat/daerah, khususnya Dinas Kesehatan,
dalam rangka pengambilan kebijakan program
peningkatan derajat kesehatan masyarakat
Batasan Masalah
Data yang digunakan dalam penelitian ini
adalah angka harapan hidup yaitu untuk
wilayah Propinsi Jawa Timur dan Jawa Tengah
tahun 2007.
Tinjauan Pustaka
•
Regresi Linier
•
Geographically Weighted Regression
•
Uji Kolinearitas
Regresi Linier
Model regresi linier :
dimana i = 1, 2, ... , n dan error-nya diasumsikan identik, independen dan
berdistribusi normal dengan mean nol dan varians konstan
(Myers, 1990)
bentuk penaksir dari parameter tersebut :
dengan
: vektor dari parameter yang ditaksir (p+1) x 1
X : matriks variabel bebas berukuran n x (p+1)
y : vektor observasi dari variabel respon berukuran (n x 1)
i ik p k k i
x
y
1 0
X
X
X
y
β
ˆ
T 1 Tβ
ˆ
Pengujian kesesuaian model secara serentak :
H
0
:
H
1
: Paling sedikit ada satu
Statistik uji :
Keputusan:
tolak H
0
jika nilai F
hit
> dimana v
1
= p dan
v
2
= (n-p-1)
0
...
2 1
p
0
k
MSE
MSR
F
hitung
2 1,
;
v
v
F
Pengujian Signifikansi Parameter :
dengan k = 1, 2, ... , 11
Statistik uji :
Keputusan :
tolak H
0
jika nilai dimana df = n-2-k
n ~ jumlah pengamatan
k ~ jumlah variabel bebas
0
:
0 k
H
0
:
1 k
H
k n k kt
r
k
n
r
t
~
21
2
) 2 1 ; (
dft
t
Geographically Weighted Regression
(GWR)
Model GWR :
dimana
y
i: nilai observasi variabel respon ke-i (i = 1, 2, ... , n)
x
ik: nilai observasi variabel prediktor k pada pengamatan ke-i
: vektor koefisien regresi
(u
i, v
i) : menyatakan titik koordinat (longitude, latitude) lokasi ke-i
: error yang diasumsikan identik, independen dan berdistribusi normal
dengan mean nol dan varians konstan .
p
ik i k i i k i i iu
v
u
v
x
y
1 0,
,
k
i
Penaksir parameter :
Fungsi pembobot yang digunakan adalah fungsi Kernel
Gaussian :
h : parameter non negatif yang diketahui / parameter
penghalus (bandwidth)
d
ij
: jarak Euclidean antara i dan j.
Metode yang digunakan untuk memilih bandwidth
optimum adalah :
Cross Validation (CV),
u
i,
v
i
X
TW
u
i,
v
i
X
1X
TW
u
iv
iy
ˆ
22
1
exp
h
d
W
ij ij
n i i iy
h
y
CV
1 2ˆ
Pengujian kesesuaian model GWR :
H
0
:
H
1
: Paling sedikit ada satu yang
berhubungan dengan lokasi (u
i
, v
i
)
Statistik Uji :
Tolak H
0
jika F* > Ftabel (dengan derajat bebas dan
(n-k-1).
i i
k ku
v
,
i i
ku ,
v
1
)
(
/
0 2 2 1 1 *
k
n
H
SSE
H
SSE
F
2 2 1 Pengujian parameter model :
dengan k = 1, 2, ... , p
Statistik uji :
Pengambilan Keputusan :
Tolak H
0
jika
dimana
,
0
:
0 ku
iv
i
H
,
0
:
1 ku
iv
i
H
kk i i kg
v
u
T
ˆ
,
ˆ
db hitt
T
/2;
2 2 1
db
Uji Kolinieritas
1. VIF (Variance Inflation Factors) > 10
2. Koefisien Korelasi Pearson (r
ij
) antar variabel
bebas > 0,95
j jj jr
VIF
2
ˆ
var
2 2 2 2 1 1 1 n i n i n i n i n i i n i i n i i iy
y
n
x
x
n
y
x
y
x
n
r
Angka Harapan Hidup
Definisi :
Rata-rata tahun hidup yang akan dijalani oleh seseorang pada
suatu tahun tertentu dalam situasi mortalitas (kematian) yang
berlaku di lingkungan masyarakat tertentu.
Kegunaan :
untuk mengevaluasi kinerja pemerintah dalam meningkatkan
kesejahteraan penduduk pada umumnya, dan meningkatkan
derajat kesehatan pada khususnya.
Metodologi Penelitian
• Sumber Data :
Survey Sosial Ekonomi Nasional (SUSENAS) tahun 2007 untuk
Propinsi Jawa Timur dan Jawa Tengah
•
Variabel Penelitian
•
Metode Analisis
Variabel Penelitian
No. Nama Variabel Tipe Variabel Satuan
(1) (2) (3) (4)
1 Y Angka harapan hidup pada tiap kabupaten/kota Kontinu Tahun 2 X1 Angka kematian bayi pada tiap kabupaten/kota Kontinu Bayi per seribu
kelahiran hidup 3 X2 Persentase persalinan yang dilakukan dengan bantuan non medis
(dukun bayi) pada tiap kabupaten/kota Kontinu persen 4 X3 Rata-rata usia perkawinan pertama pada tiap kabupaten/kota Kontinu tahun 5 X4 Rata-rata lama sekolah wanita berstatus kawin pada tiap
kabupaten/kota Kontinu tahun
6 X5 Rata-rata jumlah pengeluaran rumah tangga (dalam rupiah) pada
tiap kabupaten/kota Kontinu rupiah
7 X6 Persentase daerah yang berstatus desa pada tiap kabupaten/kota Kontinu persen 8 X7 Rata-rata lama pemberian ASI eksklusif pada tiap
kabupaten/kota Kontinu bulan
9 X8 Persentase rumah tangga yang memiliki air bersih pada tiap
kabupaten/kota Kontinu persen
10 X9 Persentase penduduk miskin pada tiap kabupaten/kota Kontinu persen
11 X10 Jumlah tenaga kesehatan Diskrit orang
12 X11 Jumlah sarana kesehatan Diskrit satuan
13 ui Letak astronomi (lintang/ longitude) tiap kabupaten/kota Kontinu derajat 14 vi Letak astronomi (bujur/latitude) tiap kabupaten/kota Kontinu derajat 15 dij Jarak antar kota/kabupaten di Tiap Propinsi Kontinu kilometer
Struktur Data
Kab/Kota
Y
X
1X
2X
3…
X
10X
11(1)
(2)
(3)
(4)
(5)
…
(12)
(13)
(14)
(15)
1
2
3
4
.
.
.
n
y
1y
2y
3y
4 . . . .y
nx
11x
12x
13x
14 . . . .x
1nx
21x
22x
23x
24 . . . .x
2nx
31x
32x
33x
34 . . . .x
3n…
…
…
…
.
.
.
...
x
101x
102x
103x
104 . . . .x
10nx
111x
112x
113x
114 . . . .x
11nu
1u
2u
3u
4 . . . .u
nv
1v
2v
3v
4 . . . .v
nMetode Analisis
Model Linier
Asumsi :
Hubungan antara variabel respon dan prediktor tetap
Parameter yang diestimasi nilainya sama untuk semua
tempat dimana data tersebut diamati
Mungkin saja model tersebut tidak cocok diterapkan di setiap wilayah
di Jatim dan Jateng Mengingat faktor yang signifikan berpengaruh terhadap AHH di suatu wilayah belum tentu signifikan berpengaruh di
wilayah lain
Hal ini terjadi karena adanya faktor spasial, seperti : faktor ekonomi, sosial, budaya, letak geografis, dll.
Alternatif model yang dapat digunakan dalam analisis
yakni Geographically Weighted Regreesion.
Langkah Analisis
1.Membuat model regresi linier untuk Angka
Harapan Hidup di tiap Propinsi
1. Menghitung Nilai Statistika Deskriptif dan mengidentifikasi adanya kasus
multikolinieritas
2. Memodelkan variabel respon (y) dengan variabel prediktor (x) 3. Menaksir parameter model regresi linier dengan pendekatan least square. 4. Menguji kesesuaian model regresi
linier secara serentak dan parsial
2. Membuat model GWR untuk Angka
Harapan Hidup di tiap Propinsi
a. Menentukan bandwith yang optimum berdasarkan nilai yang minimum dari hasil
iterasi.
b. Menentukan pembobot dengan menggunakan fungsi Kernel Gaussian, baik
dengan menggunakan bobot euclid maupun jarak yang sebenarnya.
c. Menaksir parameter model GWR dengan menggunakan metode Weighted Least
Square (WLS).
d. Menguji kesesuaian model GWR (goodness of fit)
e. Menguji parameter model tiap daerah di masing-masing propinsi
Analisis Data dan Pembahasan
1. Model Angka Harapan Hidup di Jawa Timur
–
Statistika Deskriptif
–
Model Regresi Linier
–
Geographically Weighted Regression
–
Perbandingan Kesesuaian Model
2. Model Angka Harapan Hidup di Jawa Tengah
–
Statistika Deskriptif
–
Model Regresi Linier
–
Geographically Weighted Regression
Statistika Deskriptif
Variabel
Total count
Rata-rata
Standar
Deviasi
Minimum
Maximum
Y
38
67,542
3,223
60,33
71,44
X
138
0,02103
0,0191
0
0,06
X
238
15,11
17,37
0,49
68,31
X
338
19,65
0,965
18
21,54
X
438
6,758
1,782
2,45
10,22
X
538
265744
67469
191840
456992
X
638
55,25
31,06
0
91,67
X
738
8,956
1,547
6,68
12,49
X
838
62,15
12,29
40,56
99,11
X
938
15,93
9,3
2,03
35,88
Identifikasi Multikolinieritas
Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X1 -0,021 X2 -0,847 0,064 X3 0,782 -0,152 -0,774 X4 0,769 -0,128 -0,801 0,935 X5 0,532 -0,146 -0,551 0,82 0,846 X6 -0,436 0,161 0,501 -0,841 -0,864 -0,893 X7 -0,204 0,088 0,091 -0,07 -0,136 -0,107 -0,063 X8 0,3 0,129 -0,297 0,397 0,362 0,428 -0,331 -0,323 X9 -0,601 0,102 0,707 -0,688 -0,764 -0,796 0,694 0,113 -0,367 X10 0,002 -0,118 -0,07 0,117 0,112 0,265 -0,159 -0,111 0,509 -0,15 X11 -0,287 -0,086 0,124 -0,242 -0,229 -0,129 0,179 0,047 0,159 0,147 0,798 Nilai VIF X1 X2 X3 X4 X 5 X6 X7 X8 X9 X10 X11Setelah dilakukan Proses Restrict variabel
Y X1 X2 X5 X 7 X8 X9 X10 X1 -0,021 X2 -0,847 0,064 X5 0,532 -0,146 -0,551 X7 -0,204 0,088 0,091 -0,107 X8 0,3 0,129 -0,297 0,428 -0,323 X9 -0,601 0,102 0,707 -0,796 0,113 -0,367 X10 0,002 -0,118 -0,07 0,265 -0,111 0,509 -0,15 X11 -0,287 -0,086 0,124 -0,129 0,047 0,159 0,147 0,798 Nilai VIF X1 X2 X5 X 7 X8 X9 X10 X11BACK
Model Regresi Linier
= 72,6 + 7,3 X
1– 0,158 X
2+ 0,000003 X
5– 0,217 X
7– 0,0141 X
8+ 0,0514 X
9+ 0,00254 X
10– 0,0238 X
11Yˆ
Jawa Timur Fhitung 13,88 db 8;29 2,28 ) 29 , 8 ; 05 , 0 (f
Prediktor Koefisien T P-value kesimpulan Konstan 72,61 18,31 0 signifikan X1 7,34 0,48 0,635 tidak signifikan X2 -0,15826 -0,708 0 signifikan X5 0,00000309 0,4 0,691 tidak signifikan X7 -0,2172 0,1908 0,264 tidak signifikan X8 -0,01411 -0,44 0,666 tidak signifikan X9 0,05142 0,05733 0,377 tidak signifikan X10 0,002544 1,42 0,168 tidak signifikan
Geographically Weighted Regression
Daerah Bandwidth Daerah Bandwidth
Pacitan 3,148727 Magetan 3,100289 Ponorogo 2,701017 Ngawi 3,070659 Trenggalek 2,789844 Bojonegoro 2,861821 Tulungagung 2,679657 Tuban 2,706873 Blitar 2,210036 Lamongan 2,221196 Kediri 2,267202 Gresik 2,211989 Malang 1,907972 Bangkalan 2,072594 Lumajang 2,070186 Sampang 2,311682 Jember 2,264894 Pamekasan 2,438034 Banyuwangi 3,149882 Sumenep 2,688777 Bondowoso 2,495422 Kota Kediri 2,290667 Situbondo 2,590213 Kota Blitar 2,119839 Probolinggo 1,936249 Kota Malang 1,901102 Pasuruan 1,797221 Kota Probolinggo 2,162496 Sidoarjo 1,97202 Kota Pasuruan 1,818127 Mojokerto 2,0799 Kota Mojokerto 2,122732 Jombang 2,2193 Kota Madiun 2,998097
Nilai bandwith yang
diperoleh dari hasil
iterasi : 1,199972
dengan nilai kriteria
CV: 113.386
6185 , 0 7161 , 0 9037 , 0 8749 , 0 8262 , 0 9229 , 0 9200 , 0 8862 , 0 9270 , 0 9082 , 0 8918 , 0 9542 , 0 9305 , 0 9019 , 0 9406 , 0 9332 , 0 9214 , 0 9656 , 0 9557 , 0 9618 , 0 9640 , 0 9649 , 0 9884 , 0 9793 , 0 9921 , 0 9913 , 0 9896 , 0 9917 , 0 9869 , 0 9970 , 0 9954 , 0 9949 , 0 9970 , 0 9975 , 0 9983 , 0 9992 , 0 9999 , 0 0000 , 1 , 1 1 v diag u W
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0000 , 1 , 1 1 v diag u Wmatriks pembobot yang dibentuk dengan fungsi kernel gauss pada lokasi (u
1, v
1) yaitu
Kabupaten Pacitan adalah : (dengan jarak euclid)
Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai
berikut :
SSE d.f F P-value Model GWR 63,29941 25 1,2574 0,2823 Model Linier 79,59179 29
Penaksiran Parameter :
ANOVA Fotheringham :
SSE d.f F P-value Model GWR 63,29941 27.536 0.9224 0.417 Model Linier 79,59179 29.000ANOVA LEUNG :
Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang
berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi .
Apabila digunakan nilai sebesar 5% maka nilai ,
Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada
tabel berikut:
u ,i vi
22,045 T(0,025;29) Nilai Minimum Maksimum Intercept 66300,00 75800,00 X1 2590,00 18200,00 X2 -169,00 -146,00 X5 0,00 0,01 X7 -216,00 -185,00 X8 -52,70 31,60 X9 23,50 87,00 X10 0,77 3,06 X11 -24,50 -14,30Id Kab/Kota Variabel yang signifikan berpengaruh Id Kab/Kota Variabel yang signifikan berpengaruh 0 Pacitan X2 19 Magetan X2 1 Ponorogo X2, X11 20 Ngawi X2, X11 2 Trenggalek X2, X11 21 Bojonegoro X2, X11 3 Tulungagung X2, X11 22 Tuban X2, X11 4 Blitar X2, X11 23 Lamongan X2, X11 5 Kediri X2, X11 24 Gresik X2, X11 6 Malang X2, X11 25 Bangkalan X2, X11 7 Lumajang X2 26 Sampang X2 8 Jember X2 27 Pamekasan X2 9 Banyuwangi X2 28 Sumenep X2
10 Bondowoso X2 29 Kota Kediri X
2, X11
11 Situbondo X2 30 Kota Blitar X 2, X11
12 Probolinggo X2, X11 31 Kota Malang X2, X11 13 Pasuruan X2, X11 32 Kota Probolinggo X2 14 Sidoarjo X2, X11 33 Kota Pasuruan X2, X11 15 Mojokerto X2, X11 34 Kota Mojokerto X2, X11 16 Jombang X2, X11 35 Kota Madiun X2, X11 17 Nganjuk X2, X11 36 Kota Surabaya X2, X11 18 Madiun X2, X11 37 Kota Batu X2, X11
Pengelompokan Kabupaten/Kota di Jawa Timur
Berdasarkan Variabel yang Signifikan
Dengan Menggunakan Pembobot Fungsi Kernel Gauss
Kabupaten/Kota Variabel yang signifikan Pacitan, Lumajang, Jember,
Banyuwangi, Bondowoso, Situbondo, Magetan, Sampang, Pamekasan, Sumenep, Kota Probolinggo
X2: Persentase persalinan yang dilakukan dengan bantuan non medis
(dukun bayi) Ponorogo, Trenggalek, Tulung
Agung,
Blitar, Kediri, Malang,
Probolinggo, Pasuruan, Sidoarjo, Mojokerto, Jombang, Nganjuk, Madiun, Ngawi, Bojonegoro, Tuban, Lamongan, Gresik, Bangkalan, Kota Kediri, Kota Blitar, Kota Malang,
Kota Pasuruan, Kota Mojokerto, Kota Madiun, Kota Surabaya, Kota Batu
X2 : Persentase persalinan yang dilakukan dengan bantuan non medis
(dukun bayi) X11: Jumlah sarana kesehatan
Perbandingan Kesesuaian Model
Model SS Regresi Linier (OLS) 79,59179
GWR 63,29941 * Ket : *) Model Terbaik
STATISTIKA DESKRIPTIF
Variabel
Total
count
Rata-rata
Standar
Deviasi
Minimum
Maximum
Y
35
69,946
1,547
66,75
72,62
X
135
0,01697
0,01215
0,002
0,043
X
235
17,7
11,87
1,02
44,59
X
335
19,426
0,968
18,123
21,785
X
435
6,525
1,162
4,969
9,4
X
535
257176
56641
186487
436905
X
635
54,32
27,74
0
86
X
735
7,945
1,215
6
10,376
X
835
60,02
13,32
41,92
96,38
X
935
17,27
8,84
3,75
36,66
X
1035
438
123,5
195
768
X
1135
118,31
42,43
35
215
Identifikasi Multikolinieritas
Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X1 -0,129 X2 -0,528 0,182 X3 0,401 -0,261 -0,682 X4 0,352 -0,307 -0,649 0,878 X5 0,26 -0,247 -0,662 0,792 0,863 X6 -0,027 0,233 0,655 -0,751 -0,836 -0,851 X7 -0,185 -0,039 0,091 -0,233 -0,194 -0,16 0,199 X8 0,326 -0,309 -0,577 0,539 0,626 0,653 -0,569 -0,016 X9 -0,236 0,215 0,746 -0,52 -0,543 -0,72 0,607 0,095 -0,527 X10 0,077 0,019 -0,242 0,1 0,089 0,031 -0,041 0,08 0,13 -0,169 X11 0,161 0,064 -0,239 -0,026 0,013 -0,072 0,095 0,221 0,137 -0,117 0,814 Nilai VIF X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 1,226 3,934 5,619 8,831 8,35 4,831 1,175 2,075 3,629 3,433 4,206Regresi Linier
= 62,1 - 5,3 X
1- 0,124 X
2- 0,019 X
3+ 0,776 X
4+ 0,000010 X
5+ 0,0721 X
6- 0,260 X
7+ 0,0088 X
8+ 0,0569 X
9- 0,00100 X
10- 0,00104 X
11Yˆ
Jawa Tengah Fhitung 6,18 db 11;23 2,24 ) 23 , 11 ; 05 , 0 (f
Prediktor Koefisien T P-value kesimpulan Konstan 62,101 9,17 0 signifikan X1 -5,3 -0,36 0,723 tidak signifikan X2 -0,12427 -4,59 0 signifikan X3 -0,0194 -0,05 0,961 tidak signifikan X4 0,7757 1,87 0,074 signifikan X5 0,00001031 1,25 0,225 tidak signifikan X6 0,07208 5,61 0 signifikan X7 -0,2601 -1,8 0,086 signifikan X8 0,0088 0,5 0,621 tidak signifikan X9 0,05689 1,63 0,117 tidak signifikan X10 -0,001001 -0,41 0,685 tidak signifikan
Geographically Weighted Regression
no Kabupaten/Kota Bandwidth no Kabupaten/Kota Bandwidth
1 Cilacap 2,979429 19 Kudus 2,979491 2 Banyumas 2,688279 20 Jepara 2,242840 3 Purbalingga 2,845353 21 Demak 1,970174 4 Banjarnegara 2,114054 22 Semarang 1,697305 5 Kebumen 2,107114 23 Temanggung 1,803337 6 Purworejo 1,871240 24 Kendal 1,735039 7 Wonosobo 1,854839 25 Batang 1,854478 8 Magelang 1,544733 26 Pekalongan 2,076594 9 Boyolali 1,850778 27 Pemalang 2,466662 10 Klaten 1,903346 28 Tegal 2,560634 11 Sukoharjo 1,735467 29 Brebes 2,792161 12 Wonogiri 2,352900 30 Kota Magelang 1,560498 13 Karanganyar 2,162165 31 Kota Surakarta 2,087133 14 Sragen 2,181186 32 Kota Salatiga 1,733541 15 Grobogan 1,586967 33 Kota Semarang 1,708253 16 Blora 2,822221 34 Kota Pekalongan 2,040180
Nilai bandwith yang
diperoleh dari hasil
iterasi : 1.655447
dengan nilai kriteria
CV : 44.41073
matriks pembobot dengan fungsi kernel gauss pada lokasi (u
1, v
1) yaitu Kabupaten
Cilacap adalah :
Matrix pembobot yang dibentuk dengan jarak antar kota sebenarnya adalah sebagai
berikut :
4133 , 0 8160 , 0 8291 , 0 8275 , 0 8071 , 0 9369 , 0 8843 , 0 8378 , 0 8827 , 0 8510 , 0 9307 , 0 9153 , 0 9406 , 0 9541 , 0 9579 , 0 9204 , 0 9492 , 0 9818 , 0 9647 , 0 9446 , 0 9623 , 0 9625 , 0 9682 , 0 9854 , 0 9810 , 0 9827 , 0 9773 , 0 9874 , 0 9818 , 0 9885 , 0 9948 , 0 9917 , 0 9945 , 0 9986 , 0 1 , 1 1 v diag u W
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0000
,
1
,
1 1v
diag
u
W
Penaksiran Parameter :
Nilai Minimum Maksimum Intercept 61220,000000 66730,000000 X1 9884,000000 3950,000000 X2 141,300000 112,200000 X3 395,700000 205,200000 X4 417,300000 866,800000 X5 0,008290 0,015940 X6 59,010000 78,670000 X7 342,600000 272,500000 X8 5,680000 14,100000 X9 27,770000 103,500000 X10 3,734000 2,977000 X11 10,350000 2,846000ANOVA Fotheringham :
SSE d.f F P-value Model GWR 18,03745 19,93 1,1402 0,3864 Model Linier 20,56622 23ANOVA LEUNG :
SSE d.f F P-value Model GWR 18,03745 23 1,0121 0,5121 Model Linier 20,56622 23Pengujian parameter model dimaksudkan untuk mengetahui faktor-faktor yang
berpengaruh terhadap besarnya angka harapan hidup (AHH) setiap lokasi .
Apabila digunakan nilai sebesar 5% maka nilai ,
Adapun variabel-variabel yang signifikan di tiap Kabupaten/Kota dapat dilihat pada
tabel berikut:
Id Kab/Kota Variabel yang signifikan berpengaruh Id Kab/Kota Variabel yang signifikan berpengaruh 0 Cilacap X2, X6, X9 18 Kudus X2, X6 1 Banyumas X2, X6, X9 19 Jepara X2, X6 2 Purbalingga X2, X6, X9 20 Demak X2, X6 3 Banjarnegara X2, X6 21 Semarang X2, X6 4 Kebumen X2, X6 22 Temanggung X2, X6 5 Purworejo X2, X6 23 Kendal X2, X6 6 Wonosobo X2, X6 24 Batang X2, X6 7 Magelang X2, X6 25 Pekalongan X2, X6 8 Boyolali X2, X6 26 Pemalang X2, X6 9 Klaten X2, X6 27 Tegal X2, X6, X9 10 Sukoharjo X2, X6 28 Brebes X2, X6, X9
11 Wonogiri X2, X6 29 Kota Magelang X2, X6
12 Karanganyar X2, X6 30 Kota Surakarta X2, X6
13 Sragen X2, X6 31 Kota Salatiga X2, X6
14 Grobogan X2, X6 32 Kota Semarang X2, X6
15 Blora X2, X6 33 Kota Pekalongan X2, X6
16 Rembang X2, X6 34 Kota Tegal X
Pengelompokan Kabupaten/Kota di Jawa Tengah
Berdasarkan Variabel yang Signifikan
Dengan Menggunakan Pembobot Fungsi Kernel Gauss
Kabupaten/Kota Variabel yang signifikan Cilacap, Banyumas, Purbalingga,
Brebes, Kabupaten Tegal dan Kota Tegal
X2 : Persentase persalinan yang dilakukan dengan bantuan non medis (dukun bayi)
X6 : Persentase daerah yang berstatus desa X9 : Persentase penduduk miskin
Banjarnegara, Kebumen, Purworejo, Wonosobo, Magelang, Boyolali, Klaten, Sukoharjo, Wonogiri, Karanganyar, Sragen, Grobogan, Blora, Rembang, Pati, Kudus, Jepara, Demak, Semarang, Temanggung, Kendal, Batang, Pekalongan, Pemalang, Kota Magelang,
Kota Surakarta, Kota Salatiga, Kota Semarang, Kota Pekalongan
X2: Persentase persalinan yang dilakukan dengan bantuan non medis (dukun bayi) X6 : Persentase daerah yang berstatus desa
Perbandingan Kesuaian Model
Model SS Regresi Linier (OLS) 20,56622
GWR 18,03745 * Ket : *) Model Terbaik