Text
Analisis Data Spasial Menggunakan Metode Bayesian Geographically Weighted Regression (Studi Kasus Data PDRB per Kapita di Provinsi Jawa Timur)
PDRB per kapita merupakan salah satu indikator untuk mengukur kesejahteraan
masyarakat pada suatu wilayah , sehingga penting untuk mengetahui ...
-
Code CallNo Lokasi Ketersediaan 1001150700040 519.5 Les a/R.14.48 Perpustakaan Pusat (REF.14.48) Tersedia -
Perpustakaan Perpustakaan PusatJudul Seri -No. Panggil 519.5 Les a/R.14.48Penerbit Magister Statistika Terapan : Bandung., 2015 Deskripsi Fisik xiii,;48hlm,;29,5 cmBahasa IndonesiaISBN/ISSN -Klasifikasi 519.5Tipe Isi -Tipe Media -Tipe Pembawa -Edisi -Subyek Info Detil Spesifik -Pernyataan Tanggungjawab WAHYU SRI LESTARI -
PDRB per kapita merupakan salah satu indikator untuk mengukur kesejahteraan
masyarakat pada suatu wilayah , sehingga penting untuk mengetahui faktor
faktor yang dapat mempengaruhi PDRB per kapita. Terdapat berbagai metode
dalam melakukan analisis tersebut, diantaranya analisis regresi maupun analisis
Geographically Weighted Regression (GWR). Analisis regresi adalah suatu
metode yang umum digunakan untuk menentukan faktor-faktor yang
mempengaruhi PDRB per kapita apabila karakteristik antar daerah bersifat
homogen dan independen. Namun pertumbuhan PDRB per kapita pada
kabupatenlkota di Provinsi Jawa Timur tentunya memiliki karakteristik yang
berbeda-beda, melihat kondisi geografis, potensi wilayah, keadaan sosial-budaya
maupun hal-hal lain yang melatarbelakanginya, sehingga muncul heterogenitas
spasial, artinya apabila karakteristik antar daerah yang heterogen maka penaksir
parameter dari model regresi akan bervariasi secara spasial. Analisis GWR dapat
digunakan untuk mengatasi masalah heterogenitas spasial tersebut. GWR
merupakan bagian dari analisis spasial yang bersifat lokal dengan pembobotan
berdasarkan posisi atau jarak dari satu lokasi pengamatan dengan lokasi
pengamatan lainnya. Pendekatan Bayes dalam model GWR yang disebut
Bayesian Geographically Weighted Regression (BGWR) adalah analisis yang
tepat untuk menangani permasalahan heteroskedastisitas tersebut. Pendekatan ini
secara langsung mendeteksi dan memboboti pengamatan yang berpotensi
mengandung pencilan, sehingga dapat mengurangi efek pencilan terhadap
pendugaan parameter model. Dengan menggunakan BGWR akan menghasilkan
nilai penaksir parameter yang lebih smooth dibandingkan dengan GWR.
-
Tidak tersedia versi lain
-
Silakan login dahulu untuk melihat atau memberi komentar.