Lampiran 1.
Data Letak Koordinat, Data Persentase Kemisikinan di Provinsi
Jawa Timur Tahun 2009 beserta Variabel-variabel Prediktornya
KAB/KOTA
Keterangan :
= persentase penduduk miskin di provinsi Jawa Timur tahun 2009
= 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
= persentase rumah tangga yang mendapatkan Askeskin
= persentase rumah tangga mendapatkan pelayanan kesehatan gratis
= persentase rumah tangga yang pernah membeli beras murah/raskin
Lampiran 2.
Program 1, Penentuan Bandwidth Optimal dengan Metode CV
#PROGRAM PENENTUAN BANDWIDTH OPTIMAL DENGAN METODE CV#
bandwidth<-function(Data) {
cat("\n \t PENENTUAN BANDWIDTH OPTIMAL \n")
cat(" ******************************************* \n") y<-as.numeric(readline(" y berada pada kolom ke- = "))
xa<-as.numeric(readline(" x akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = "))
va<-as.numeric(readline(" v berada pada kolom ke- = ")) h<-as.numeric(readline(" bandwidth awal = "))
dh<-as.numeric(readline(" selisih bandwidth = "))
cat(" ========================= \n") cat(" h \t\t CV \n")
cat(" ========================= \n")
u<-Data[,ua] v<-Data[,va] n<-length(u) d<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2) }
Xs<-Data[,2:xa] p<-ncol(Xs) X<-matrix(0,n,p) for(i in 1:n) {
for(j in 1:p) {
X[i,j]<- Xs[i,j] }
}
y<-matrix(0,n,1) for(i in 1:n) {
y[i,1]<-Data[i,1] }
n<-length(y)
hakhir<-2*h
vh<-seq(h,hakhir,by=dh) nk<-length(vh)
vCV<-rep(0,nk)
for(z in 1:nk) {
w<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n) {
} }
Ytopi<-matrix(0,n,1) for(s in 1:n)
{
W<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n) {
if(i==j)
W[i,j]<-w[s,i] }
}
Wpot<-W[-s,-s] Xpot<-X[-s,]
Ypot<-matrix(0,n-1,1) ypot<-y[-s,]
for(i in 1:n-1) {
Ypot[i,1]<-ypot[i] }
beta<-ginverse((t(Xpot)%*%Wpot)%*%Xpot)%*%t(Xpot)%*%Wpot%*%Ypot Ytopi[s]<-t(X[s,])%*%beta
}
vCV[z]<-sum((y-Ytopi)^2)
cat(" ",vh[z],"\t",vCV[z],"\n") }
CVtopi<-min(vCV) for(i in 1:nk) {
if(vCV[i] == CVtopi) {
htopi<-vh[i] break
} }
cat(" ========================= \n") cat(" h \t\t CV \n")
cat(" =====KONDISI OPTIMAL===== \n") cat(" ",htopi,"\t",CVtopi,"\n") cat(" ========================= \n")
Lampiran 3.
Output Program 1
> bandwidth(miskin)
PENENTUAN BANDWIDTH OPTIMAL
*******************************************
y berada pada kolom ke- = 1
x akhir berada pada kolom ke- = 11
u berada pada kolom ke- = 12
v berada pada kolom ke- = 13
bandwidth awal = 0.1
selisih bandwidth = 0.01
=========================
h CV
=========================
0.1 3799.54109776379
0.11 3432.05307011615
0.12 9987.26433027476
0.13 7801.29430118161
0.14 7228.75150365714
0.15 6160.38685875141
0.16 8100.72165427531
0.17 7347.35554048139
0.18 7032.39412421144
0.19 6943.34329254403
0.2 6079.54817383412
=========================
h CV
=====KONDISI OPTIMAL=====
0.11 3432.05307011615
Lampiran 4.
Program 2, Identifikasi Variabel Prediktor Model MGWR
#PROGRAM IDENTIFIKASI VARIABEL PREDIKTOR MODEL MGWR#
identifikasi<-function(Data) {
cat("\n \t\t IDENTIFIKASI VARIABEL PREDIKTOR MODEL MGWR \n") cat("
******************************************************************* \n")
y<-as.numeric(readline(" y berada pada kolom ke- = "))
xa<-as.numeric(readline(" x akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = ")) va<-as.numeric(readline(" v berada pada kolom ke- = ")) htopi<-as.numeric(readline(" bandwidth optimum = ")) alpha<-as.numeric(readline(" alpha = "))
u<-Data[,ua] v<-Data[,va] n<-length(u)
y<-matrix(0,n,1) for(i in 1:n) {
y[i,1]<-Data[i,1] }
Xs<-Data[,2:xa] p<-ncol(Xs) X<-matrix(0,n,p) for(i in 1:n) {
for(j in 1:p) {
X[i,j]<- Xs[i,j] }
}
d<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2) }
w<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
w[i,j]<-exp(-(d[i,j]/htopi)^2) }
I<-diag(n) J<-matrix(1,n,n) Vk<-matrix(0,1,p) gamma1<-matrix(0,1,p) gamma2<-matrix(0,1,p)
for(a in 1:p) {
e[a,1]<-1
K<-matrix(0,n,n) for(i in 1:n) {
k<-t(e)%*%ginverse(t(X)%*%diag(w[i,])%*%X)%*%t(X)%*%diag(w[i,]) K[,i]<-as.matrix(k)
}
Vk[1,a]<-1/n*t(K%*%y)%*%(I-1/n*J)%*%K%*%y
gamma1[1,a]<-sum(diag(1/n*t(K)%*%(I-1/n*J)%*%K)) gamma2[1,a]<-sum(diag(1/n*t(K)%*%(I-1/n*J)%*%K)^2) }
L<-matrix(0,n,n) for(i in 1:n) {
l<-t(X[i,])%*%ginverse(t(X)%*%diag(w[i,])%*%X)%*%t(X)%*%diag(w[i,]) L[i,]<-as.vector(l)
}
SSEH1<-t(y)%*%t(I-L)%*%(I-L)%*%y delta1<-sum(diag(t(I-L)%*%(I-L))) delta2<-sum(diag(t(I-L)%*%(I-L))^2) SSEH1<-SSEH1[1,1]
Fk<-(delta1/gamma1)*(Vk/SSEH1)
v1<-(gamma1^2)/gamma2 v2<-(delta1^2)/delta2 Ftabel<-qf(1-alpha,v1,v2) Ftabel <- t(as.matrix(Ftabel))
cat("\n Hipotesis yang digunakan adalah \n") cat(" H0 : variabel Xk bersifat global \n") cat(" H1 : variabel Xk bersifat lokal \n") cat("\n Daerah Kritis : Fhitung >= Falpha \n")
cat("\n Tabel Hasil Uji Identifikasi Variabel Prediktor Model MGWR \n")
cat(" =========================================================== \n") cat(" X ke- \t Fhitung \t Falpha \t Keputusan \t Kesimpulan \n") cat(" =========================================================== \n")
lokal <- 0 for(i in 1:p) {
if(Fk[1,i] >= Ftabel[1,i]) {
cat(" ",i,"\t",round(Fk[1,i],7),"\t",round(Ftabel[1,i],7),"\t Tolak H0 \t LOKAL \n")
lokal <- lokal+1 }
else {
cat(" ",i,"\t",round(Fk[1,i],7),"\t",round(Ftabel[1,i],7),"\t Terima H0 \t GLOBAL \n")
} }
cat(" =========================================================== \n")
a<-1 b<-1
tanda1<-rep(0,lokal) tanda2<-rep(0,global) for(i in 1:p)
{
if(Fk[1,i] > Ftabel[1,i]) {
Xv[,a]<-X[,i] tanda1[a]<-i a<-a+1 }
else {
Xc[,b]<-X[,i] tanda2[b]<-i b<-b+1 } }
cat("\n Dari tabel diatas dapat disimpulkan bahwa \n") cat(" Variabel global adalah X ke- : ",tanda2," \n") cat(" Variabel lokal adalah X ke- : ",tanda1," \n")
if(lokal==0)
cat("\n Data bersifat global sehingga diselesaikan dengan regresi global \n")
else if(lokal==p)
cat("\n Data bersifat lokal sehingga diselesaikan dengan GWR \n") else if(lokal<p)
cat("\n Data bersifat lokal dan global sehingga diselesaikan dengan MGWR \n")
Lampiran 5.
Output Program 2
> identifikasi(miskin)
IDENTIFIKASI VARIABEL PREDIKTOR MODEL MGWR
*******************************************************************
y berada pada kolom ke- = 1
x akhir berada pada kolom ke- = 11
u berada pada kolom ke- = 12
v berada pada kolom ke- = 13
bandwidth optimum = 0.11
alpha = 0.05
Hipotesis yang digunakan adalah
H0 : variabel Xk bersifat global
H1 : variabel Xk bersifat lokal
Daerah Kritis : Fhitung >= Falpha
Tabel Hasil Uji Identifikasi Variabel Prediktor Model MGWR
===================================================================
X ke- Fhitung Falpha Keputusan Kesimpulan
===================================================================
1 8.1758017 10.6685623 Terima H0 GLOBAL
2 5.2231985 10.9324049 Terima H0 GLOBAL
3 7.5596768 10.925227 Terima H0 GLOBAL
4 4.9693182 10.84562 Terima H0 GLOBAL
5 21.4128111 10.5673088 Tolak H0 LOKAL
6 11.5524809 10.700181 Tolak H0 LOKAL
7 11.3290735 10.6630196 Tolak H0 LOKAL
8 9.9503076 10.7223755 Terima H0 GLOBAL
9 14.3745052 10.5885767 Tolak H0 LOKAL
10 4.9148712 10.7725997 Terima H0 GLOBAL
===================================================================
Dari tabel diatas dapat disimpulkan bahwa
Variabel global adalah X ke- : 1 2 3 4 8 10
Variabel lokal adalah X ke- : 5 6 7 9
Lampiran 6.
Program 3, Estimasi Model MGWR
#ESTIMASI MODEL MGWR#
estimasi<-function(Data) {
cat("\n \t ESTIMASI MODEL MGWR \n")
cat(" ***************************************** \n") y<-as.numeric(readline(" y berada pada kolom ke- = "))
xc<-as.numeric(readline(" x global akhir berada pada kolom ke- = ")) xv<-as.numeric(readline(" x lokal akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = "))
va<-as.numeric(readline(" v berada pada kolom ke- = ")) htopi<-as.numeric(readline(" bandwidth optimum = "))
u<-Data[,ua] v<-Data[,va] n<-length(u)
y<-matrix(0,n,1) for(i in 1:n) {
y[i,1]<-Data[i,1] }
Xglobal<-Data[,2:xc] global<-ncol(Xglobal) Xc<-matrix(0,n,global) for(i in 1:n)
{
for(j in 1:global) {
Xc[i,j]<-Xglobal[i,j] }
}
Xlokal<-Data[,8:xv] lokal<-ncol(Xlokal) Xv<-matrix(0,n,lokal) for(i in 1:n)
{
for(j in 1:lokal) {
Xv[i,j]<- Xlokal[i,j] }
}
d<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2) }
w<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
I<-diag(n)
Sv<-matrix(0,n,n) i<-1
repeat {
if(i==n) break
ss<-t(Xv[i,])%*%ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,]) Sv[i,]<-as.vector(ss)
i<-i+1 }
betactopi<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%y
cat("\n betactopi : \n") print(betactopi)
ytilda<-y-(Xc%*%betactopi)
betavtopi<-matrix(0,n,lokal) for(i in 1:n)
{
bv<-ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])%*%ytilda betavtopi[i,]<-as.vector(bv)
}
cat("\n betavtopi : \n") print(betavtopi)
S<-Sv+(I-Sv)%*%Xc%*%ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*% t(I-Sv)%*%(I-Sv)
ytopi<-S%*%y
cat("\n ytopi : \n") print(ytopi)
error<-y-ytopi
Lampiran 7.
Output Program 3
> estimasi(miskintopi)
ESTIMASI MODEL MGWR
***************************************** y berada pada kolom ke- = 1
x global akhir berada pada kolom ke- = 7 x lokal akhir berada pada kolom ke- = 11 u berada pada kolom ke- = 12
v berada pada kolom ke- = 13 bandwidth optimum = 0.11
betactopi : [,1] [1,] 0.33113790 [2,] 0.22807648 [3,] -0.57705327 [4,] 0.06391983 [5,] -0.48531993 [6,] 1.60302080
betavtopi :
[29,] 0.20004454 0.1694598302 0.707302513 -0.533804357 [30,] -0.07595944 1.8757670361 -0.014530352 0.014742685 [31,] -0.17329859 0.2876745556 0.518057289 -0.202917070 [32,] 0.28624280 1.1417931906 -0.149922961 -0.019871215 [33,] -0.05010989 2.6029816509 -0.647098607 0.726007682 [34,] -0.28090954 -0.3553987144 0.238356255 0.014138722 [35,] -0.21907311 0.9065394410 -0.154432291 0.285141145 [36,] -0.32005013 2.0725270542 -0.213718205 0.244449079 [37,] -0.52560122 -1.1891849410 0.480199266 0.062452102 [38,] 0.36691971 1.1365474879 -0.147920183 -0.027080060
ytopi :
[,1] [1,] 19.010000 [2,] 14.630093 [3,] 18.270000 [4,] 10.600000 [5,] 13.190000 [6,] 17.048477 [7,] 13.571648 [8,] 15.830000 [9,] 15.430000 [10,] 12.160000 [11,] 20.180000 [12,] 15.989999 [13,] 27.690000 [14,] 15.580042 [15,] 6.884481 [16,] 13.220734 [17,] 14.480568 [18,] 17.168364 [19,] 16.974955 [20,] 13.970578 [21,] 19.006484 [22,] 21.269978 [23,] 23.010000 [24,] 20.486168 [25,] 19.144838 [26,] 30.438922 [27,] 31.940000 [28,] 24.320011 [29,] 26.890003 [30,] 10.405389 [31,] 7.560000 [32,] 5.577485 [33,] 21.059969 [34,] 9.311391 [35,] 7.179293 [36,] 5.918812 [37,] 6.288481 [38,] 4.810367
Lampiran 8.
Program 4, Uji Parsial Parameter Variabel Prediktor Model MGWR
#PROGRAM UJI PARSIAL PARAMETER VARIABEL PREDIKTOR MODEL MGWR#
ujiparsial<-function(Data) {
cat("\n \t\t\t UJI PARSIAL PARAMETER VARIABEL PREDIKTOR MODEL MGWR \n")
cat(" *********************************************************** \n") y<-as.numeric(readline(" y berada pada kolom ke- = "))
xc<-as.numeric(readline(" x global akhir berada pada kolom ke- = ")) xv<-as.numeric(readline(" x lokal akhir berada pada kolom ke- = ")) ua<-as.numeric(readline(" u berada pada kolom ke- = "))
va<-as.numeric(readline(" v berada pada kolom ke- = ")) htopi<-as.numeric(readline(" bandwidth optimum = ")) alpha<-as.numeric(readline(" alpha = "))
u<-Data[,ua] v<-Data[,va] n<-length(u)
y<-matrix(0,n,1) for(i in 1:n) {
y[i,1]<-Data[i,1] }
Xglobal<-Data[,2:xc] global<-ncol(Xglobal) Xc<-matrix(0,n,global) for(i in 1:n)
{
for(j in 1:global) {
Xc[i,j]<-Xglobal[i,j] }
}
Xlokal<-Data[,8:xv] lokal<-ncol(Xlokal) Xv<-matrix(0,n,lokal) for(i in 1:n)
{
for(j in 1:lokal) {
Xv[i,j]<- Xlokal[i,j] }
}
d<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
d[i,j]<-sqrt((u[i]-u[j])^2+(v[i]-v[j])^2) }
w<-matrix(0,n,n) for(i in 1:n) {
for(j in 1:n)
}
I<-diag(n)
Sv<-matrix(0,n,n) i<-1
repeat {
if(i==n) break
ss<-t(Xv[i,])%*%ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*% diag(w[i,])
Sv[i,]<-as.vector(ss) i<-i+1
}
betactopi<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv) %*%(I-Sv)%*%y
ytilda<-y-(Xc%*%betactopi) betavtopi<-matrix(0,lokal,n) for(i in 1:n)
{
bv<-ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])%*%ytilda betavtopi[,i]<-as.vector(bv)
}
S<-Sv+(I-Sv)%*%Xc%*%ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*% t(I-Sv)%*%(I-Sv)
SSE<-t(y)%*%t(I-S)%*%(I-S)%*%y teta1<-sum(diag(t(I-S)%*%(I-S))) teta2<-sum(diag((t(I-S)%*%(I-S))^2)) sigmatopi<-sqrt(SSE/teta1)
sigmatopi<-as.vector(sigmatopi)
#Uji Parsial Parameter Variabel Global
g<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv)%*%(I-Sv) g2<-g%*%t(g)
gkk<-as.matrix(diag(g2))
thitc<-betactopi/(sigmatopi*sqrt(gkk))
ttabel<-qt(1-(alpha/2),round((teta1^2)/teta2))
cat("\n\n Uji Parsial Parameter Variabel Global Model MGWR \n") cat(" ************************************************* \n") cat(" Hipotesis yang digunakan adalah \n")
cat(" H0 : betac ke-k = 0 \n") cat(" H1 : betac ke-k != 0 \n")
cat(" Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2) \n") cat(" talpha/2 = ",ttabel,"\n")
cat("\n Tabel Hasil Uji Parsial Parameter Variabel Global : \n") cat(" ============================================================ \n") cat(" X ke- \t betactopi \t SK Bawah \t SK Atas \t thitung \t
Keputusan \t Kesimpulan \n")
cat(" ============================================================ \n")
for(i in 1:global) {
BB <- betactopi[i,1]-ttabel*sigmatopi*sqrt(gkk[i,1]) BA <- betactopi[i,1]+ttabel*sigmatopi*sqrt(gkk[i,1])
{
cat(" ",i,"\t",round(betactopi[i],7),"\t",round(BB,7),"\t", round(BA,7),"\t",round(thitc[i,1],7),"\t Tolak H0 \t SIGNIFIKAN \n")
} else {
cat(" ",i,"\t",round(betactopi[i],7),"\t",round(BB,7),"\t", round(BA,7),"\t",round(thitc[i,1],7),"\t Terima H0 \t TIDAK SIGNIFIKAN \n")
} }
cat(" ============================================================ \n")
#Uji Parsial Parameter Variabel Lokal
g<-ginverse(t(Xc)%*%t(I-Sv)%*%(I-Sv)%*%Xc)%*%t(Xc)%*%t(I-Sv)%*%(I-Sv) mkk<-matrix(0,lokal,n)
for(i in 1:n) {
m<-ginverse(t(Xv)%*%diag(w[i,])%*%Xv)%*%t(Xv)%*%diag(w[i,])%*%(I-Xc%*%g) m2<-m%*%t(m)
mkk[,i]<-as.matrix(diag(m2)) }
thitv<-matrix(0,lokal,n) for(i in 1:lokal)
{
for(j in 1:n) {
thitv[i,j]<-betavtopi[i,j]/(sigmatopi*sqrt(mkk[i,j])) }
}
ttabel<-qt(1-alpha/2,(teta1^2)/teta2)
cat("\n\n Uji Parsial Parameter Variabel Lokal Model MGWR \n") cat(" ************************************************* \n") cat(" Hipotesis yang digunakan adalah \n")
cat(" H0 : betav ke-k lokasi ke-i = 0 \n") cat(" H1 : betav ke-k lokasi ke-i != 0 \n")
cat(" Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2) \n") cat(" talpha/2 = ",ttabel,"\n")
cat(" \n Tabel Hasil Uji Parsial Parameter Variabel Lokal Model MGWR : \n") cat(" ============================================================ \n") cat(" X ke- lokasi \t betavtopi \t SK Bawah \t SK Atas \t thitung \t
Keputusan \t Kesimpulan \n")
cat(" ============================================================ \n")
sign<-rep(0,lokal) for(i in 1:lokal) {
jml<-0
for(j in 1:n) {
BB <- betavtopi[i,j]-ttabel*sigmatopi*sqrt(mkk[i,j]) BA <- betavtopi[i,j]+ttabel*sigmatopi*sqrt(mkk[i,j])
if((thitv[i,j] <= -ttabel) || (thitv[i,j] >= ttabel)) {
cat(" ",i,"\t",j,"\t",round(betavtopi[i,j],7),"\t",
"\t Tolak H0 \t SIGNIFIKAN \n") jml<-jml+1
} else {
cat(" ",i,"\t",j,"\t",round(betavtopi[i,j],7),"\t",
round(BB,7),"\t",round(BA,7),"\t",round(thitv[i,j],7), "\t Terima H0 \t TIDAK SIGNIFIKAN \n")
} }
sign[i]<-jml }
cat(" ============================================================ \n")
cat("\n Variabel lokal yang signifikan : \n") cat(" ============ \n")
cat(" X ke- \t Ada \n") cat(" ============ \n") for(i in 1:lokal) {
cat(" ",i,"\t",sign[i],"\n") }
Lampiran 9.
Output Program 4
ujiparsial(miskintopi)
UJI PARSIAL PARAMETER VARIABEL PREDIKTOR MODEL MGWR
************************************************************************
y berada pada kolom ke- = 1
x global akhir berada pada kolom ke- = 7
x lokal akhir berada pada kolom ke- = 11
u berada pada kolom ke- = 12
v berada pada kolom ke- = 13
bandwidth optimum = 0.11
alpha = 0.05
Uji Parsial Parameter Variabel Global Model MGWR
*************************************************
Hipotesis yang digunakan adalah
H0 : betac ke-k = 0
H1 : betac ke-k != 0
Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2)
talpha/2 = 2.44691185114497
Tabel Hasil Uji Parsial Parameter Variabel Global :
==================================================================================
X ke- betactopi SK Bawah SK Atas thitung Keputusan Kesimpulan
==================================================================================
1 0.3311379 0.1045215 0.5577543 3.575492 Tolak H0 SIGNIFIKAN
2 0.2280765 -0.461153 0.917306 0.8097202 Terima H0 TIDAK SIGNIFIKAN
3 -0.5770533 -1.0024702 -0.1516364 -3.3190934 Tolak H0 SIGNIFIKAN
4 0.0639198 -0.1154388 0.2432784 0.8720306 Terima H0 TIDAK SIGNIFIKAN
5 -0.4853199 -1.1724816 0.2018418 -1.7281741 Terima H0 TIDAK SIGNIFIKAN
6 1.6030208 0.2637069 2.9423347 2.9287015 Tolak H0 SIGNIFIKAN
==================================================================================
Uji Parsial Parameter Variabel Lokal Model MGWR
*************************************************
Hipotesis yang digunakan adalah
H0 : betav ke-k lokasi ke-i = 0
H1 : betav ke-k lokasi ke-i != 0
Daerah Kritis : (thit <= - talpha/2) atau (thit >= talpha/2)
Tabel Hasil Uji Parsial Parameter Variabel Lokal Model MGWR :
=====================================================================================
X ke- lokasi betavtopi SK Bawah SK Atas thitung Keputusan Kesimpulan
=====================================================================================
1 1 -0.2120688 -0.6106651 0.1865275 -1.3244516 Terima H0 TIDAK SIGNIFIKAN
1 2 -1.7423105 -3.1924523 -0.2921687 -2.9909397 Tolak H0 SIGNIFIKAN
1 3 -0.1337253 -0.6834456 0.4159951 -0.6055699 Terima H0 TIDAK SIGNIFIKAN
1 4 0.0506545 -0.3816595 0.4829684 0.2916829 Terima H0 TIDAK SIGNIFIKAN
1 5 -0.1732986 -0.3193713 -0.0272258 -2.9533735 Tolak H0 SIGNIFIKAN
1 6 -0.1119181 -0.3517912 0.127955 -1.1614786 Terima H0 TIDAK SIGNIFIKAN
1 7 0.3039022 0.0454751 0.5623293 2.9274422 Tolak H0 SIGNIFIKAN
1 8 0.3596296 0.0496177 0.6696416 2.8878169 Tolak H0 SIGNIFIKAN
1 9 0.3596296 0.0496177 0.6696416 2.8878169 Tolak H0 SIGNIFIKAN
1 10 0.0425538 -0.0304325 0.11554 1.4514076 Terima H0 TIDAK SIGNIFIKAN
1 11 -0.5602528 -0.8968906 -0.2236151 -4.1429894 Tolak H0 SIGNIFIKAN
1 12 -0.0422984 -0.1358665 0.0512697 -1.1253517 Terima H0 TIDAK SIGNIFIKAN
1 13 2.343336 1.0464625 3.6402095 4.4981042 Tolak H0 SIGNIFIKAN
1 14 0.6971456 0.2288194 1.1654718 3.7056775 Tolak H0 SIGNIFIKAN
1 15 -0.7231 -1.0700115 -0.3761884 -5.1888626 Tolak H0 SIGNIFIKAN
1 16 -0.2041085 -0.4262557 0.0180386 -2.2872465 Terima H0 TIDAK SIGNIFIKAN
1 17 -0.0814829 -0.3548464 0.1918806 -0.7420249 Terima H0 TIDAK SIGNIFIKAN
1 18 0.064607 -0.4779246 0.6071385 0.296447 Terima H0 TIDAK SIGNIFIKAN
1 19 -0.2073071 -2.1680675 1.7534533 -0.2631978 Terima H0 TIDAK SIGNIFIKAN
1 20 -0.1885906 -2.2176776 1.8404964 -0.2313726 Terima H0 TIDAK SIGNIFIKAN
1 21 -0.2131568 -2.0021725 1.5758589 -0.2966044 Terima H0 TIDAK SIGNIFIKAN
1 22 -0.308111 -0.9947383 0.3785163 -1.1170656 Terima H0 TIDAK SIGNIFIKAN
1 23 0.0192186 -0.0035356 0.0419728 2.1025776 Terima H0 TIDAK SIGNIFIKAN
1 24 -0.211432 -0.4638945 0.0410305 -2.0848099 Terima H0 TIDAK SIGNIFIKAN
1 25 -0.2797362 -0.5102557 -0.0492167 -3.0208805 Tolak H0 SIGNIFIKAN
1 26 -0.4636325 -0.7413814 -0.1858836 -4.1554116 Tolak H0 SIGNIFIKAN
1 27 0.3197473 -0.434112 1.0736066 1.0558669 Terima H0 TIDAK SIGNIFIKAN
1 28 0.3103729 -0.4304458 1.0511917 1.0429523 Terima H0 TIDAK SIGNIFIKAN
1 29 0.2000445 -0.3418874 0.7419764 0.9189134 Terima H0 TIDAK SIGNIFIKAN
1 30 -0.0759594 -0.3193826 0.1674637 -0.7768056 Terima H0 TIDAK SIGNIFIKAN
1 31 -0.1732986 -0.3193714 -0.0272258 -2.9533735 Tolak H0 SIGNIFIKAN
1 32 0.2862428 0.035432 0.5370536 2.8410634 Tolak H0 SIGNIFIKAN
1 33 -0.0501099 -0.2690458 0.168826 -0.5697693 Terima H0 TIDAK SIGNIFIKAN
1 34 -0.2809095 -0.5127872 -0.0490319 -3.0157839 Tolak H0 SIGNIFIKAN
1 35 -0.2190731 -0.446643 0.0084968 -2.396441 Terima H0 TIDAK SIGNIFIKAN
1 36 -0.3200501 -1.8857013 1.2456011 -0.5088802 Terima H0 TIDAK SIGNIFIKAN
1 37 -0.5256012 -0.8078857 -0.2433167 -4.6351299 Tolak H0 SIGNIFIKAN
2 1 -0.0355553 -0.1026823 0.0315718 -1.3185577 Terima H0 TIDAK SIGNIFIKAN
2 2 5.0968825 2.3274028 7.8663622 4.5814084 Tolak H0 SIGNIFIKAN
2 3 -0.0689002 -0.1876528 0.0498524 -1.4443409 Terima H0 TIDAK SIGNIFIKAN
2 4 -0.009526 -0.1051128 0.0860609 -0.2480868 Terima H0 TIDAK SIGNIFIKAN
2 5 0.2876745 0.0415911 0.533758 2.9101243 Tolak H0 SIGNIFIKAN
2 6 1.7776518 0.2377631 3.3175405 2.8737564 Tolak H0 SIGNIFIKAN
2 7 1.1403946 -0.1906908 2.4714799 2.1327591 Terima H0 TIDAK SIGNIFIKAN
2 8 0.0439398 0.0056736 0.082206 2.8584843 Tolak H0 SIGNIFIKAN
2 9 0.0439398 0.0056736 0.082206 2.8584842 Tolak H0 SIGNIFIKAN
2 10 0.0052225 -0.0037349 0.0141799 1.4514076 Terima H0 TIDAK SIGNIFIKAN
2 11 0.3335648 0.1015555 0.5655742 3.5790465 Tolak H0 SIGNIFIKAN
2 12 0.00022 -0.0024685 0.0029084 0.203677 Terima H0 TIDAK SIGNIFIKAN
2 13 5.1056797 2.4942589 7.7171004 4.867089 Tolak H0 SIGNIFIKAN
2 14 1.7218525 -0.0535659 3.4972708 2.414281 Terima H0 TIDAK SIGNIFIKAN
2 15 -0.6781282 -1.5611422 0.2048858 -1.911775 Terima H0 TIDAK SIGNIFIKAN
2 16 0.8835623 -0.0586754 1.8257999 2.3343677 Terima H0 TIDAK SIGNIFIKAN
2 17 1.3260185 0.0678094 2.5842276 2.6235499 Tolak H0 SIGNIFIKAN
2 18 5.1222227 2.3563832 7.8880622 4.6102455 Tolak H0 SIGNIFIKAN
2 19 2.070572 0.5826956 3.5584483 3.4643045 Tolak H0 SIGNIFIKAN
2 20 2.0713258 0.5837991 3.5588526 3.4663802 Tolak H0 SIGNIFIKAN
2 21 2.0658465 0.5824287 3.5492642 3.4667869 Tolak H0 SIGNIFIKAN
2 22 2.4388222 0.606629 4.2710154 3.3136104 Tolak H0 SIGNIFIKAN
2 23 0.0022153 -0.0004075 0.0048382 2.1025776 Terima H0 TIDAK SIGNIFIKAN
2 24 0.4736113 -0.3854406 1.3326631 1.3724459 Terima H0 TIDAK SIGNIFIKAN
2 25 0.5173212 -0.3454725 1.3801149 1.4926084 Terima H0 TIDAK SIGNIFIKAN
2 26 -1.2053684 -2.4077368 -0.003 -2.495599 Tolak H0 SIGNIFIKAN
2 27 0.3596599 0.1510334 0.5682863 4.2915597 Tolak H0 SIGNIFIKAN
2 28 0.1635931 -0.3688851 0.6960712 0.7648137 Terima H0 TIDAK SIGNIFIKAN
2 29 0.1694598 -0.1312401 0.4701597 1.4028978 Terima H0 TIDAK SIGNIFIKAN
2 30 1.875767 0.2913029 3.4602312 2.9470605 Tolak H0 SIGNIFIKAN
2 31 0.2876746 0.0415911 0.533758 2.9101243 Tolak H0 SIGNIFIKAN
2 32 1.1417932 -0.1901767 2.473763 2.1339568 Terima H0 TIDAK SIGNIFIKAN
2 33 2.6029817 1.4036067 3.8023566 5.4026731 Tolak H0 SIGNIFIKAN
2 34 -0.3553987 -1.1388184 0.428021 -1.129312 Terima H0 TIDAK SIGNIFIKAN
2 35 0.9065394 -0.0495302 1.8626091 2.3604224 Terima H0 TIDAK SIGNIFIKAN
2 36 2.0725271 0.5852395 3.5598147 3.4689483 Tolak H0 SIGNIFIKAN
2 37 -1.1891849 -2.3912821 0.0129122 -2.4626484 Terima H0 TIDAK SIGNIFIKAN
2 38 1.1365475 -0.1775991 2.450694 2.152962 Terima H0 TIDAK SIGNIFIKAN
3 1 -0.0615646 -0.2065902 0.0834611 -1.056765 Terima H0 TIDAK SIGNIFIKAN
3 2 -1.0093248 -1.6741552 -0.3444945 -3.7793115 Tolak H0 SIGNIFIKAN
3 3 -0.1613685 -0.4999964 0.1772593 -1.1862842 Terima H0 TIDAK SIGNIFIKAN
3 5 0.5180573 0.0682774 0.9678371 2.8672814 Tolak H0 SIGNIFIKAN
3 6 0.001777 -0.1963582 0.1999121 0.0223263 Terima H0 TIDAK SIGNIFIKAN
3 7 -0.1486995 -0.4180155 0.1206166 -1.3744842 Terima H0 TIDAK SIGNIFIKAN
3 8 -0.0179087 -0.1072161 0.0713988 -0.4991926 Terima H0 TIDAK SIGNIFIKAN
3 9 -0.0179087 -0.1072161 0.0713988 -0.4991926 Terima H0 TIDAK SIGNIFIKAN
3 10 0.0520832 -0.0372475 0.141414 1.4514076 Terima H0 TIDAK SIGNIFIKAN
3 11 0.2948471 0.0746372 0.5150569 3.333133 Tolak H0 SIGNIFIKAN
3 12 0.2309408 -0.0166829 0.4785646 2.3216728 Terima H0 TIDAK SIGNIFIKAN
3 13 0.1909965 0.0423373 0.3396557 3.1983507 Tolak H0 SIGNIFIKAN
3 14 -0.5368423 -1.1707632 0.0970786 -2.1081633 Terima H0 TIDAK SIGNIFIKAN
3 15 0.2952046 0.0729834 0.5174257 3.3069704 Tolak H0 SIGNIFIKAN
3 16 -0.2414362 -0.5474742 0.0646019 -1.9639007 Terima H0 TIDAK SIGNIFIKAN
3 17 0.0094955 -0.1914112 0.2104022 0.1176568 Terima H0 TIDAK SIGNIFIKAN
3 18 -0.8658213 -1.4504965 -0.2811461 -3.6864313 Tolak H0 SIGNIFIKAN
3 19 -0.1980293 -0.6101886 0.2141299 -1.1960713 Terima H0 TIDAK SIGNIFIKAN
3 20 -0.1955803 -0.6163532 0.2251925 -1.1570977 Terima H0 TIDAK SIGNIFIKAN
3 21 -0.1978836 -0.6038334 0.2080662 -1.2134726 Terima H0 TIDAK SIGNIFIKAN
3 22 -0.3280612 -0.6917114 0.035589 -2.2457612 Terima H0 TIDAK SIGNIFIKAN
3 23 0.0442589 -0.0081423 0.09666 2.1025776 Terima H0 TIDAK SIGNIFIKAN
3 24 0.3053236 0.0817245 0.5289227 3.3992484 Tolak H0 SIGNIFIKAN
3 25 0.2811448 0.0616735 0.5006161 3.1889291 Tolak H0 SIGNIFIKAN
3 26 0.5126992 0.218608 0.8067903 4.3398346 Tolak H0 SIGNIFIKAN
3 27 0.481751 0.2164941 0.7470079 4.5211454 Tolak H0 SIGNIFIKAN
3 28 0.5139366 -0.950328 1.9782011 0.8737407 Terima H0 TIDAK SIGNIFIKAN
3 29 0.7073025 -0.4719715 1.8865765 1.4930799 Terima H0 TIDAK SIGNIFIKAN
3 30 -0.0145304 -0.2124132 0.1833525 -0.1827934 Terima H0 TIDAK SIGNIFIKAN
3 31 0.5180573 0.0682774 0.9678372 2.8672814 Tolak H0 SIGNIFIKAN
3 32 -0.149923 -0.4197574 0.1199114 -1.3831313 Terima H0 TIDAK SIGNIFIKAN
3 33 -0.6470986 -1.0989953 -0.195202 -3.5647076 Tolak H0 SIGNIFIKAN
3 34 0.2383563 -0.0182291 0.4949416 2.3125295 Terima H0 TIDAK SIGNIFIKAN
3 35 -0.1544323 -0.4531771 0.1443126 -1.2868569 Terima H0 TIDAK SIGNIFIKAN
3 36 -0.2137182 -0.5715821 0.1441457 -1.4866756 Terima H0 TIDAK SIGNIFIKAN
3 37 0.4801993 0.1997145 0.760684 4.2619154 Tolak H0 SIGNIFIKAN
3 38 -0.1479202 -0.4141665 0.1183261 -1.3830452 Terima H0 TIDAK SIGNIFIKAN
4 1 0.1312663 -0.0855501 0.3480827 1.5071406 Terima H0 TIDAK SIGNIFIKAN
4 2 0.9042151 0.3179222 1.4905079 3.8392795 Tolak H0 SIGNIFIKAN
4 3 0.2019947 -0.0897966 0.493786 1.7232973 Terima H0 TIDAK SIGNIFIKAN
4 4 0.0392231 -0.1508952 0.2293414 0.5135824 Terima H0 TIDAK SIGNIFIKAN
4 5 -0.2029171 -0.3807307 -0.0251034 -2.8408349 Tolak H0 SIGNIFIKAN
4 6 0.013943 -0.1833348 0.2112208 0.1759424 Terima H0 TIDAK SIGNIFIKAN
4 7 -0.0226329 -0.2536072 0.2083415 -0.2439319 Terima H0 TIDAK SIGNIFIKAN
4 9 -0.1250904 -0.2924843 0.0423035 -1.8602742 Terima H0 TIDAK SIGNIFIKAN
4 10 0.0741596 -0.0530355 0.2013547 1.4514076 Terima H0 TIDAK SIGNIFIKAN
4 11 0.1957084 -0.1536805 0.5450973 1.3944179 Terima H0 TIDAK SIGNIFIKAN
4 12 -0.1173571 -0.3029186 0.0682045 -1.5743953 Terima H0 TIDAK SIGNIFIKAN
4 13 -1.8223518 -2.7631012 -0.8816025 -4.8222627 Tolak H0 SIGNIFIKAN
4 14 0.1212634 -0.2193953 0.4619221 0.886141 Terima H0 TIDAK SIGNIFIKAN
4 15 0.289645 -0.0299282 0.6092182 2.2562553 Terima H0 TIDAK SIGNIFIKAN
4 16 0.3594566 0.0402897 0.6786236 2.8036329 Tolak H0 SIGNIFIKAN
4 17 0.038329 -0.1534118 0.2300697 0.4976285 Terima H0 TIDAK SIGNIFIKAN
4 18 0.5170517 0.1345559 0.8995474 3.365115 Tolak H0 SIGNIFIKAN
4 19 0.2062692 -0.5356792 0.9482176 0.6920752 Terima H0 TIDAK SIGNIFIKAN
4 20 0.1999196 -0.5673867 0.967226 0.6486033 Terima H0 TIDAK SIGNIFIKAN
4 21 0.2079664 -0.4920745 0.9080073 0.7395412 Terima H0 TIDAK SIGNIFIKAN
4 22 0.3389767 0.0790206 0.5989327 3.2461043 Tolak H0 SIGNIFIKAN
4 23 0.0451775 -0.0083113 0.0986664 2.1025776 Terima H0 TIDAK SIGNIFIKAN
4 24 -0.0305107 -0.2599088 0.1988873 -0.3310973 Terima H0 TIDAK SIGNIFIKAN
4 25 -0.0057681 -0.2412616 0.2297255 -0.0609738 Terima H0 TIDAK SIGNIFIKAN
4 26 -0.0011244 -0.2296888 0.2274401 -0.0122459 Terima H0 TIDAK SIGNIFIKAN
4 27 -0.3754748 -0.6492964 -0.1016532 -3.413545 Tolak H0 SIGNIFIKAN
4 28 -0.3959737 -1.6016412 0.8096937 -0.8175821 Terima H0 TIDAK SIGNIFIKAN
4 29 -0.5338044 -1.5648655 0.4972568 -1.288814 Terima H0 TIDAK SIGNIFIKAN
4 30 0.0147427 -0.1824764 0.2119618 0.1860888 Terima H0 TIDAK SIGNIFIKAN
4 31 -0.2029171 -0.3807307 -0.0251034 -2.8408349 Tolak H0 SIGNIFIKAN
4 32 -0.0198712 -0.2507314 0.210989 -0.2142732 Terima H0 TIDAK SIGNIFIKAN
4 33 0.7260077 0.300445 1.1515704 4.2468825 Tolak H0 SIGNIFIKAN
4 34 0.0141387 -0.3363581 0.3646355 0.1004196 Terima H0 TIDAK SIGNIFIKAN
4 35 0.2851411 -0.018089 0.5883713 2.340885 Terima H0 TIDAK SIGNIFIKAN
4 36 0.2444491 -0.3438465 0.8327447 1.0343926 Terima H0 TIDAK SIGNIFIKAN
4 37 0.0624521 -0.1754772 0.3003814 0.653419 Terima H0 TIDAK SIGNIFIKAN
4 38 -0.0270801 -0.2581388 0.2039787 -0.291756 Terima H0 TIDAK SIGNIFIKAN
variabel lokal yang signifikan :
============
X ke- Ada
============
1 16
2 19
3 13
4 9
