PEMODELAN TINGKAT PENGANGGURAN DI JAWA BARAT DENGAN ANALISIS GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)

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

euis.sartika@polban.ac.id

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

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-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

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 i i i j i i o i

u

v

u

v

y

1

)

,

(

)

(







(1) dengan :



j

(

u

i

,

v

i

)

adalah koefisien regresi peubah prediktor ke-j untuk setiap lokasi

) ,

(u_i v_i

(u_i,v_i) 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 i i i i i v u j R v u VIF − = . (2) dengan 2

(

,

)

i i

v

u

j

R

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



XW u v X



XW u v Y v u_{i i i i i i} j( , ) ' ( , ) −1 ' ( , )  =   (3)

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 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 : W_ii jarak Euclidean antar lokasi

)

,

(

u

_i

v

_i  ii

d

=

(

u

_i

−

u

_ii

)

2

+

(

v

_i

−

v

_ii

)

2 (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 i i i

h

y

h

CV

y

1 2

))

(

(

)

(

_' . (6) dengan _' i

y

 adalah penduga yi (fitting value) dan pengamatan lokasi (u_i,v_i)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 2 1 _{n− p−}

F

  _.

Jika Ho benar, statistik uji:

) 1 , ( * 0 1 2 1 1 1 2 1 ~ 1 / ) ( / ) ( − − − − p F n p n H SSE H SSE     (7)

dengan SSE(H0)=yT(1-L)Ty ; SSE (H1)= yT(1-H)Ty H=X(XT_X)-1_XT _: i T i

=

tr

(

1

−

L

)

((

1

−

L

))



L(nxn)=               − − − ) ( ] ) ( [ . ) ( ] ) ( [ ) ( ] ) ( [ 3 3 1 3 3 3 2 2 1 2 2 2 1 1 1 1 1 1 v u W X X v u W X X v u W X X v u W X X v u W X X v u W X X T T T T T T T T T (8)

b. Pengujian parameter secara parsial dilakukan dengan kriteria

tolak H0 jika statitik uji |t|>

t

(,n− p−1) Jika H0 benar maka statistik uji:

) 1 ( ^ ~

)

,

(

− −  p n t jj i i j

c

v

u





. (9)

Uji Kesesuaian Model

Uji Kesesuaian Model menggunakan koefisien determinasi (R2_{) yang dirumuskan} sebagai berikut.





= − − − − = _p j i j p j j W W i i y y y y JKT JKR v u R 1 2 ^ 2 1 2 ) ( ) ( ) , ( . (10)

Koefisien determinasi dapat menjelaskan seberapa besar keragaman peubah respon

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_{) X}

3

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.

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

(

i i

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.

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.

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.

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.

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.

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.

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).

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

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