Electronic Theses and Dissertation

Analisis regresi spasial memperhitungkan aspek kewilayahan antarpengamatan saat menganalisis data spasial sehingga pengolahan data spasial menggunakan analisis regresi linier klasik akan menghasilkan model yang tidak akurat. Heterogenitas spasial dapat diatasi dengan menggunakan salah satu model regresi lokal yaitu metode Geographically Weighted Regression (GWR) yang dirancang untuk menghasilkan estimasi parameter yang spesifik dan beragam untuk setiap zona pengamatan seperti pada pemetaan zona kemiskinan. Permasalahan kemiskinan diduga memiliki pengaruh spasial. Tujuan penelitian ini adalah membentuk model GWR untuk menduga persentase penduduk miskin pada 154 kabupaten/kota di Pulau Sumatra dan mengetahui faktor-faktor yang memengaruhi persentase tersebut menurut kabupaten/kota di Pulau Sumatra tahun 2022. Penelitian ini menggunakan data persentase penduduk miskin tahun 2022 dan diambil dari Buku Provinsi dalam Angka Tahun 2023 yang diterbitkan oleh Badan Pusat Statistik Provinsi. Variabel dependen yang diambil adalah persentase penduduk miskin dan 9 variabel independen yaitu tingkat partisipasi angkatan kerja, persentase rumah tangga untuk 5 hal, yaitu bangunan tempat tinggal milik sendiri, tempat pembuangan akhir tinja yaitu septic tank, sumber air minum bersih dari 5 sumber, sumber air minum layak, dan luas lantai per kapita ≤ 7,2 m2, serta persentase rumah tangga untuk bahan bangunan utama, yaitu dinding rumah terluas yaitu anyaman bambu/bambu/batang kayu, lantai rumah terluas yaitu tanah, dan tidak ada fasilitas buang air besar. Matriks pembobotan spasial dalam model GWR menggunakan fungsi Fixed Kernel Gaussian dan Fixed Kernel Bi-square. Hasil perbandingan antara dua jenis fungsi tersebut menunjukkan bahwa model GWR terbaik adalah model dengan fungsi pembobot Fixed Kernel Gaussian. Model GWR terbaik menghasilkan 154 model yang signifikan. Tiga faktor utama yang memengaruhi tingkat kemiskinan di Sumatra adalah status kepemilikan tempat tinggal adalah milik sendiri, sumber air minum layak, dan bahan bangunan utama dinding rumah terluas adalah anyaman bambu/bambu/batang kayu. Pemodelan yang dibentuk menghasilkan 16 kombinasi variabel yang signifikan pada model GWR terbaik.

Spatial regression analysis takes into account territorial aspects between observations when analyzing spatial data, so processing spatial data using classical linear regression analysis will result in an inaccurate model. Spatial heterogeneity can be addressed using one of the local regression models, namely the Geographically Weighted Regression (GWR) method, which is designed to produce specific and diverse parameter estimates for each observation zone, such as in mapping poverty zones. Poverty issues are suspected to have a spatial influence. The purpose of this study is to form a GWR model to estimate the percentage of poor population in 154 districts/cities in Sumatra Island and to identify the factors that influence this percentage according to districts/cities in Sumatra Island in 2022. This study uses the percentage data of the poor population in 2022, obtained from the Book of 2023 Provinsi dalam Angka published by the Provincial Statistics Agency. The dependent variable is the percentage of the poor population, and the 9 independent variables are the labor force participation rate, the percentage of households for 5 aspects: ownership of the residential building, the final disposal of feces in septic tanks, access to clean drinking water from 5 sources, access to proper drinking water, and the floor area per capita ≤ 7.2 m2, as well as the percentage of households for the main building materials, namely the largest house wall material made of woven bamboo/bamboo/wood, the largest house floor material made of soil, and the lack of a toilet facility. The spatial weighting matrix in the GWR model uses the Fixed Kernel Gaussian and Fixed Kernel Bi-square functions. The comparison between these two types of functions shows that the best GWR model is the one with the Fixed Kernel Gaussian weighting function. The best GWR model produces 154 significant models. The three main factors influencing the poverty rate in Sumatra are the ownership status of the residence, access to proper drinking water, and the main building material of the largest house wall being woven bamboo/bamboo/wood. The modeling formed results in 16 significant variable combinations in the best GWR model.