dc.description.abstract | Data spasial berorientasi secara geografis dan memiliki sistem koordinat
tertentu sebagai dasar referensinya sehingga dapat disajikan dalam sebuah peta.
Permasalahan yang sering ditemukan pada data spasial adalah ragam yang tidak
selalu homogen pada setiap lokasi pengamatan atau heterogenitas spasial. Jika
data spasial dengan masalah heterogenitas spasial dianalisis dengan Metode
Kuadrat Terkecil (MKT) atau dimodelkan dengan regresi linier maka dugaan
parameter yang diperoleh akan memiliki ragam yang besar.
Geographically Weighted Regression (GWR) dapat digunakan untuk
mengeksplorasi keragaman spasial dengan membentuk model regresi yang
berbeda pada setiap lokasi pengamatan. Metode ini cukup efektif dalam
melakukan pendugaan parameter pada data dengan heterogenitas spasial.
Permasalahan lain mungkin dapat muncul seperti adanya hubungan antarpeubah
penjelasnya yang disebut dengan multikolinieritas. Pada data spasial, masalah
multikolinieritas juga dapat menyebabkan model spasial yang diperoleh tidak
stabil sehingga kesalahan interpretasi dapat terjadi, maka diperlukan metode yang
mampu menangani masalah multikolinieritas seperti Geographically Weighted
Ridge Regression (GWRR) dan Geographically Weighted Lasso (GWL).
Sukmantoro (2014) menggunakan GWRR untuk memodelkan nilai tanah di
Perumahan Pondok Indah Jakarta Selatan tahun 2011 yang menghasilkan dugaan
parameter dengan GWRR memiliki akurasi dan presisi pendugaan yang lebih baik
dari GWR. Munikah et al. (2014) menggunakan GWL untuk mengatasi masalah
heterogenitas spasial dan multikolinieritas pada data spasial dengan studi kasus
kerawanan pangan di Kabupaten Tanah Laut dengan hasil GWL memiliki
performa yang lebih baik dari GWR.
Pada penelitian ini performa dari kedua model pendugaan dalam mengatasi
multikolinieritas akan dievaluasi dengan menggunakan data Produk Domestik
Regional Bruto (PDRB) dari 113 kabupaten/kota di Pulau Jawa tahun 2010.
Sebelum menggunakan GWL dan GWRR pada data, dilakukan pemodelan
dengan menggunakan GWR terlebih dahulu untuk mengetahui adanya
multikolinieritas lokal antara peubah penjelasnya. Nilai VIF yang diperoleh pada
model GWR dari data menunjukkan bahwa terdapat multikolinieritas lokal pada
peubah-peubah penjelasnya. Ini dapat disebabkan oleh adanya penambahan
matriks pembobot dalam proses pendugaan. Fungsi yang digunakan untuk
membentuk matriks pembobot pada setiap model adalah dengan fungsi fixed
exponential kernel.
Pemodelan dengan GWRR dan GWL dilakukan untuk mengatasi
heterogenitas sekaligus multikolinieritas lokal pada data. Untuk mengetahui
kekonsistenan metode dalam mengatasi multikolinieritas maka data dibagi
menjadi dua gugus, gugus pertama merupakan data penyusun nilai PDRB pada
sebuah kabupaten/kota, sedangkan gugus data kedua mempertimbangkan kondisi
multikolinieritas yang kuat pada peubah-peubah penjelasnya. Hasil yang diperoleh
dari analisis pada data gugus pertama adalah model GWRR memberikan hasil
dugaan yang lebih baik dari GWR, sedangkan GWL menghasilkan dugaan yang
lebih baik dari GWR maupun GWRR. Pada gugus data kedua, model GWL
mampu mengatasi multikolinieritas lokal yang kuat dengan menghasilkan dugaan
yang lebih baik dari model GWR maupun GWRR, namun performa yang
dihasilkan oleh model GWRR tidak lebih baik dari hasil yang diberikan oleh
model GWR. | id |