Pemodelan Spasial Menggunakan Geographically Weighted Regression dengan Pembobot Fixed Kernel Gaussian dan Adaptive Kernel Bisquare

Abstract

Abstrak Model regresi linier secara umum bersifat global, dimana estimasi parameternya bernilai sama untuk semua lokasi. Pada kenyataannya, antara lokasi satu dengan lainnya memiliki kondisi yang berbeda, sehingga data antar pengamatan sulit dianalisis menggunakan regresi linier. Mengabaikan uji keragaman spasial dalam model regresi akan mengakibatkan hasil yang diperoleh kurang sesuai. GWR merupakan metode statistika yang digunakan dalam menganalisis keragaman spasial. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi AHH dengan membandingkan model terbaik dari regresi linier dengan GWR pada pembobot fixed kernel gaussian dan adaptif kernel bisquare. Data yang digunakan bersumber dari Profil Kesehatan Provinsi Jawa Tengah Tahun 2016 dan Provinsi Jawa Tengah Dalam Angka 2017. Software yang digunakan adalah R.3.4.3 dan ArcView GIS 3.3. Hasil penelitian menunjukkan model GWR dengan fungsi pembobot fixed kernel gaussian merupakan model terbaik dilihat dari AIC terkecil sebesar dan ( terbesar sebesar. Terbentuk 8 kelompok lokasi yang memiliki peubah penjelas sama yang signifikan terhadap AHH. Abstract Linear regression model is generally global, its parameter estimates the same value for all locations. In fact, the location with others has different conditions, so the data between observations was difficult to be analyzed using linear regression. Ignoring the spatial diversity test in the regression model will give less well-matched results. GWR is one of a statistical method used in analyzing spatial diversity. This study aims to analyze the factors that influence AHH by comparing the best model of linear regression with GWR in fixed kernel gaussian and adaptive kernel bisquare. The data that used cofmes from Health Profile of Central Java Province in 2016 and Central Java Province In 2017. Software that used is R.3.4.3 and ArcView GIS 3.3. The result shows that GWR model with fixed kernel gaussian weighting function is the best model that can be seen from the smallest AIC of and the biggest ( is. There were location groups having the same independent variables that were significant to AHH.