Ensemble Hybrid Terboboti Pada Model Autokorelasi Spasial Untuk Memprediksi Indeks Pembangunan Manusia Di Pulau Jawa.
View/ Open
Date
2015Author
R, Sitti Masyitah Meliyana
Wijayanto, Hari
Afendi, Farit Mochamad
Metadata
Show full item recordAbstract
Analisis regresi adalah suatu metode stastistika yang menggambarkan hubungan antara peubah respon dan peubah penjelas. Pada saat hubungan yang terjadi tidak hanya pada peubah respon dan peubah penjelas namun terjadi hubungan antar observasi pada peubah respon. Salah satu penyebabnya dikarenakan observasi pada suatu lokasi memiliki pengaruh yang kuat dengan lokasi lain yang berdekatan. Kondisi tersebut dikenal dengan efek spasial yang dibagi kedalam dua bagian, yaitu auokorelasi spasial dan keragaman spasial (Anselin 1988). Model-model yang dapat mengatasi autokorelasi spasial yaitu Spatial Autoregressive Model (SAR), Spatial Error Model (SEM) dan General Spasial Model (GSM). SAR adalah model yang memuat informasi adanya ketergantungan observasi antar lokasi (autoregresi). SEM adalah model yang memuat informasi adanya autokorelasi error antar lokasi. Ketika informasi autoregresi dan autokorelasi error antar lokasi termuat dalam satu model, maka model ini disebut model GSM. Philip (2010) menyatakan bahwa GSM tidak banyak digunakan dalam praktek karena tidak terdapatnya panduan atau teori bila matriks pembobot yang digunakannya sama sehingga mengakibatkan masalah identifikasi. Ensemble hadir sebagai teknik yang dapat menggabungkan satu atau beberapa model dan memberikan keakuratan prediksi yang lebih kuat. Ensemble non-hybrid dilakukan pada model SAR (ESAR). Ensemble non-hybrid juga dilakukan pada model SEM (ESEM). Ensemble hybrid pada SAR dan SEM atau pada model autokorelasi spasial (EAS). Melakukan Ensemble hybrid terboboti pada model autokorelasi spasial dengan pembobot proporsional (Wpro-EAS), pembobot regresi (Wreg-EAS) dan pembobot korelasi (Wcorr-EAS). Teknik ini diaplikasikan pada data Indeks Pembangunan Manusia (IPM) di 117 kabupaten/kota di Pulau Jawa sebagai observasinya. Pendugaan terbaik dilakukan dengan memilih RMSEA yang terkecil dari beberapa metode pendugaan yang telah dilakukan. SAR memiliki nilai RMSEA sebesar 2.483, RMSEA dari SEM sebesar 1.978, RMSEA dari ESAR sebesar 2.482, RMSEA dari ESEM sebesar 1.975, RMSEA dari EAS sebesar 2.190, RMSEA dari Wpro-EAS sebesar 2.191, RMSEA Wreg-EAS sebesar 1.817, dan RMSEA dari Wcorr-EAS sebesar 15.539. Sehingga metode yang memiliki hasil prediksi terbaik adalah WregEAS dengan RMSEA sebesar 1.817.