Pemodelan Penduduk Miskin Di Jawa Timur Menggunakan Metode Geographically Weighted Regression (GWR)

Transkripsi

1 Pemodelan Pendudu Msn D Jawa Tmur Menggunaan Metode Geographcally Weghted Regresson (GWR) Yuanta Damayant, dan Dr. Vta Ratnasar S.S, M.S Jurusan Statsta, F-MIPA, Insttut Tenolog Sepuluh Nopember (ITS) Jl. Aref Rahman Ham, Surabaya E-mal: vtaratna70@gmal.com 1 Abstra Pendudu msn adalah pendudu yang meml pengeluaran per apta perbulan lebh ecl dar gars emsnan. Jawa Tmur dalam realtanya mash banya masyaraat yang hdup d bawah gars emsnan. Dalam peneltan n dambl rumusan permasalahan yatu mengetahu fator-fator yang berpengaruh d tap abupaten/ota pendudu msn d Propns Jawa Tmur dengan tujuan mendapatan model pendudu msn menggunaan metode Geographcally Weghted Regresson (GWR). Dalam peneltan n dgunaan beberapa varabel yang dduga mempengaruh pendudu msn. Desrps persentase pendudu msn tap abupaten/ota menunjuan bahwa pendudu msn meml pola menyebar begtu pula fatorfator yang mempengaruhnya. Gambaran tersebut dperuat dengan hasl pengujan Breuch-Pagan yang menunjuan bahwa data meml heterogentas spasal. Hasl pemodelan dengan GWR lebh ba darpada model regres global darenaan meml R yang lebh besar dan jumlah uadrat error yang lebh ecl. Model GWR yang dhaslan berbeda-beda untu tap abupaten/ota dan mengelompoan varabel-varabel yang sgnfan edalam hasl pemodelan dengan menggunaan peta temat. Kata Kunc Heterogentas Spasal, Geographcaly Weghted Regresson, Pendudu Msn P I. PENDAHULUAN ROGRAM pemerntah. telah berhasl menurunan jumlah pendudu msn dar 54, juta jwa pada tahun 1976 menjad,5 juta jwa pada tahun Pada tahun 1998, jumlah pendudu msn menngat menjad 49,50 juta jwa dar jumlah pendudu Indonesa. Secara relatve pada tahun 1998 terjad penurunan persentase pendudu msn dar 4,3% menjad 15,97% pada tahun 005. Pemerntah menaan harga bahan baar mnya (BBM) pada bulan Maret dan Otober tahun 005, enaan harga BBM n menyebaban nanya harga-harga ebutuhan dasar sehngga nflas mencapa 17,95% selama perode tahun 005-Maret tahun 006. Abatnya jumlah pendudu msn mengalam enaan sebesar 4,0 juta menjad 39,30 juta jwa pada tahun 006. Namun, selama perode tahun 007 hnga tahun 01 mengalam penurunan jumlah pendudu msn secara berala. Pendudu msn adalah pendudu yang meml pengeluaran per apta perbulan lebh ecl dar gars emsnan. Gars emsnan adalah suatu gars yang menunjuan nla pengeluaran maanan per orang untu memenuh ebutuhan dasar 100 al per har dtambah dengan pengeluaran non maanan selama 1 bulan [1]. Jawa Tmur merupaan merupaan salah satu propns d Indonesa yang meml jumlah pendudu terpadat edua setelah Jawa Barat. Jumlah pendudu Jawa Tmur terus mengalam penngatan seja sensus pendudu tahun Berdasaran Permendagr No mor 66 Tahun 011 detahu bahwa jumlah pendudu d Propns n adalah jwa dengan luas wlayah ,75 Km. Propns Jawa Tmur terbag atas 9 abupaten dan 9 ota atau secara admnstratf terdapat 38 abupaten/ota dengan wlayah yang luas Jawa Tmur dapat dataan berembang dalam bdang eonom. Namun deman, dalam realtanya mash banya masyaraat yang hdup d bawah gars emsnan. Berbaga upaya yang telah dlauan pemerntah dalam menurunan jumlah pendudu msn dengan cara memberan Bantuan Langsung Tuna atau memberan bantuan beras msn. Upaya lan yang dapat dlauan untu menean pendudu msn adalah dengan mengetahu fator-fator penyebabnya. Peneltan sebelumnya tentang emsnan dlauan oleh Yasn 011 [] melauan rumah tangga msn dengan menggunaan model MGWR. Model MGWR merupaan gabungan dar model regres lner global dengan model GWR. Sehngga dengan model MGWR aan dhaslan estmator parameter yang sebagan bersfat global dan sebagan yang lan bersfat loal sesua dengan loas pengamatan data. Metode regres merupaan metode yang menghaslan estmas dar parameter yang memodelan hubungan varabel bebas dan varabel respon. Namun, metode regres basa tda mempertmbangan aspe loal yang berbedabeda antar wlayah. Oleh arena tu dalam peneltan n aan dembangan pemodelan persentase pendudu msn yang drepresentasan dalam pembobot yang berbeda-beda untu masng-masng loas dengan menggunaan Geographcally Weghted Regresson (GWR). GWR merupaan pengembangan dar regres global untu varabel yang bersfat ontnu. Berdasaran uraan datas, maa dlauan peneltan mengena bagamana hubungan antara varabel respon persentase pendudu msn dengan varabel predtor yang dduga mempengaruh emsnan d abupaten/ota Jawa Tmur dengan menggunaan Geographcally Weghted Regresson (GWR). II. TINJAUAN PUSTAKA A. Aspe Data Spasal Analss spasal dlauan ja data yang dgunaan memenuh aspe spasal yatu meml sfat error yang salng berorelas atau meml heterogentas spasal [3]. Heterogentas spasal dapat ddetes dengan melauan uj Breusch-Pagan yang mempunya hpotess sebaga berut. H 0 : σ σ σ ( homosedaststas) 1 n

2 H 1 : σ (heteroedaststas) σ j Statst uj: T T 1 T BP (1/ ) f Z( Z Z) Z f (1) e elemen vetor f adalah ( σ 1) f dmana e merupaan resdual least square unntu observas e- dan Z merupaan matrs beruuran nx(p+1) yang bers vetor yang sudah dnormalstandartan untu setap observas. Tola H 0 ja BP lebh besar dar χ atau p-value urang dar α. p B. Geographcally Weghted Regresson Geographcally Weghted Regresson (GWR) adalah model regres yang dembangan oleh Fotherngham, Brunsdon, dan Chartlon pada tahun 00 [4] untu varabel respon yang bersfat ontnu yang mempertmbangan aspe loas. Berbeda dengan regres global yang nla parameter modelnya onstan untu semua obje pengamatan yang berupa loas, maa parameter model GWR dtasr pada setap loas. Model GWR dapat drumusan sebaga berut. p ( ) ( ) () y β uv + β uv x + ε 0,, 1 Dengan 1,,... n Penasran parameter model GWR menggunaan metode Weghted Least Square (WLS) yatu dengan memberan pembobot yang berbeda pada tap loas. Koefsen GWR dpreds secara ndependen dengan memberan pembobot yang berbeda untu setap loas dmana data tersebut dumpulan. Msalan pembobot untu loas e- adalah wj( u, v), j 1,,... n maa persamaan () menjad sebaga berut. T 1 βˆ T ( u, v ) ( X W( u, v ) X) X W( u, v )y (3) Dmana W ( ) dag[ w1 ( ), w ( ),..., wn ( )] adalah matr dagonal pembobot yang bervaras dar setap preds parameter pada loas. Pemlhan pembobot spasal yang dgunaan dalam menasr parameter sangat pentng untu mementuan besarnya pembobot masng-masng loas yang berbeda. Fungs ernel adaptve meml nla bandwdth berbedabeda untu tap loas pengamatan sedangan fungs ernel fx nla bandwdthnya telah optmum dan dgunaan untu seluruh pengamatan. Pembobot yang dgunaan adalah fungs ernel yatu fungs ernel yang terdr dar empat fungs [5]. Namun, dalam peneltan n dgunaan tga fungs yatu: Fungs Gaussan : 1 w j ( u, v ) exp ( dj b) (4) Fungs Bsquare : 1 ( d / ), untu j b dj b wj( u, v) 0, untu dj > b (5) Fungs Trcube 3 1 ( d / ) 3,untu j b dj b wj( u, v) 0,untu dj > b (6) (6) Dmana d j d adalah jara eucldean antar loas dan j j ( u u ) + ( v v ) j j dan b adalah parameter non negatf yang dsebut parameter penghalus (bandwdth). Nla bandwdth yang cuup besar aan menyebaban bas yang seman besar arena model yang dbentu terlalu halus (oversmoothng) arena banyanya pengamatan yang dgunaan. Terdapat beberapa metode yang dapat dgunaan untu mendapatan b optmum, salah satunya dengan memnmuman nla cross valdaton (CV) [5]. Secara matemats dapat dtuls sebaga berut: n ( h) ( y yˆ ( b) ) CV 1 (7) yˆ ( b) adalah nla preds y dengan pengamatan d loas 1 dhlangan dar proses preds [4]. Beberapa pengujan hpotess pada model GWR adalah sebaga berut: a. Uj Kesamaan Model Regres Lner dengan Model GWR Uj n bertujuan untu menguj sgnfans dar fator geografs. Berut adalah hpotess dar uj esamaan model GWR dengan model regres lner [5]. β u, v β (tda ada perbedaan yang sgnfan H : ( ) 0 antara model GWR dan model regres lner) H 1 : palng tda terdapat satu β ( u, v ) β ; 1,,, n; 1,,, p (terdapat perbedaan yang sgnfan antara model GWR dan model regres lner) Terdapat berbaga statst uj yang dapat dgunaan pada pengujan esesuaan model GWR. Statst uj yang dapat dgunaan adalah sebaga berut [6]. 1. Brunsdon, Forterngham and Chartlon F Test Statst uj: SSEOLS v1 Fht δ1 (8) ata Statst uj: SSEOLS v1 Fht δ1 (9) Daerah penolaan: tola H 0 ja F ht > atau ja p-value < α F( 1 α,( v1 / v ),( δ1 / δ )). Leung, Me and Zhang F1 Test Statst uj: δ1 Fht SSEOLS n p 1 (10) Daerah penolaan: tola H 0 ja F ht < F atau ja p-value < α ( 1 α,( δ1 / δ ), n p 1) 3. Leung, Me and Zhang F Test Statst uj: SSE GWR SSEOLS v1 Fht SSEOLS n p 1 (11) Daerah penolaan: tola H 0 ja F ht > F atau ja p-value < α ( α,( v1 / v ),( δ1 / δ )) b. Uj Parsal Uj parsal dgunaan untu mengetahu sgnfans parameter β ( u, v ) terhadap varabel respon secara parsal pada model GWR. Hpotess dar pengujan n adalah sebaga berut [5]. H 0 : β ( u, v ) 0

3 3 H 1 : (, ) 0 β u v ; 1,,, n; 1,,, p ( ) ˆ β Statst uj: u, v T ˆ σ g (1) Hpotess aan dtola ja T > t atau p-value < α. α /, δ1 / δ III. METODOLOGI PENELITIAN A. Sumber Data Data yang dgunaan dalam peneltan n merupaan data seunder yang dperoleh dar BPS (Badan Pusat Statst) Propns Jawa Tmur Surabaya yatu data profl emsnan d Indonesa tahun 010, data n dolah dengan cara Surve Sosal Eonom Nasonal (SUSENAS). Data seunder dalam peneltan n aan dpaa unt observas d 38 tngatan ota/abupaten d Jawa Tmur. B. Varabel Peneltan Varabel yang dgunaan dalam peneltan n terdr dar satu varabel respon dan tujuh varabel predtor. Varabel respon pada peneltan n adalah persentase pendudu msn dan varabel predtor yang dgunaan adalah sebaga berut. 1. Anga partspas seolah pendudu msn usa tahun (X 1 ). Persentase Pendudu msn usa 15 tahun e atas yang beerja d setor pertanan (X ) 3. Persentase pengeluaran perapta untu maanan (X 3 ) 4. Persentase balta yang elahrannya dtolong oleh tenaga esehatan pada persalnan pertama (X 4 ) 5. Persentase pendudu msn yang menggunaan ar bersh (X 5 ) 6. Pelayanan esehatan Jamesmas pendudu msn (X 6 ) 7. Persentase pendudu msn yang pernah menerma beras rasn (X 7 ) C. Langah Analss Langah-langah analss yang dlauan dalam peneltan n adalah sebaga berut. 1. Mendesrpsan tentang pendudu msn dan fator fator yang mempengaruh dengan menggunaan peta temat.. Mengdentfas pola hubungan antar varabel. 3. Mendapatan model regres pendudu msn d Jawa Tmur dengan langah analss sebaga berut. a. Mendapatan model regres lner antara varabel respon dan predtor. b. Melauan uj sgnfans parameter regres lner secara serenta dan parsal. c. Mengdentfas asus multoolneartas dengan menggunaan nla VIF dan oefsen orelas Pearson. 4. Memersa aspe spasal pada data peneltan. 5. Menganalss model GWR dengan langah-langah berut. a. Menentuan u dan v berdasaran gars lntang selatan dan gars bujur tmur untu setap abupaten/ota d Propns Jawa Tmur. b. Menghtung jara Eucldean anatara loas terhadap loas j yang terleta pada oordnat (U, V ). perhtungan n dlauan untu seluruh loas pengamatan yatu untu 1,,. 38. c. Mendapatan model regres terba untu pemodelan pendudu msn dengan crtera AIC. d. Menentuan bandwth optmum dengan menggunaan metode Cross Valdaton (CV) e. Menghtung matrs pemboot dengan menggunaan fungs ernel. f. Mendapatan penasr parameter model GWR. g. Melauan pengujan esamaan model regres lner dan GWR. h. Melauan pengujan sgnfans parameter model GWR secara serenta dan parsal.. Melauan pemapngan sgnfans parameter model GWR. 6. Menar esmpulan berdasaran analss. IV. HASIL DAN PEMBAHASAN Propns Jawa Tmur terbag atas 9 abupaten dan 9 ota atau secara admnstratf terdapat 38 abupaten/ota. Perembangan Jumlah dan Persentase Pendudu Msn d Indonesa mengalam penurunan dar tahun 1976 e tahun Pada tahun 1998 hngga tahun 005 terjad penurunan jumlah pendudu msn sebesar 14,40 juta jwa. Jumlah pendudu msn mengalam enaan sebesar 4,0 juta jwa pada tahun 006. Namun, selama perode tahun 007 hngga tahun 01 mengalam penurunan jumlah pendudu msn secara berala. Persentase pendudu msn abupaten/ota d Propns Jawa Tmur berdasaran penyebaranya menunjuan persentase pendudu msn yang ada d ota cenderung sangat rendah antara lan Kota Surabaya, Sdoarjo, Kota Mojoerto, Kota Batu, Kota Madun dan Kota Bltar. Pendudu msn d perotaan mengalam penurunan darenaan pendudu d ota cenderung menjauh dar gars emsnan. Sedangan, ategor persentase sangat tngg terdapat d Bangalan, Sampang, Sumenep, dan Probolnggo. Dengan ata lan, pendudu msn yang cenderung tngg tersebut pendapatannya dbawah gars emsnan, yatu sejumlah rupah yang dbutuhan sangat urang untu membayar maanan setara 100 al sehar dan ebutuhan yang dperluan agar hdup laya belum terpenuh. /ota d Jawa Tmur dengan persentase pendudu msn meml persebaran sepert pada Gambar 1. Gambar 1 Persebaran persentase pendudu msn d Jawa Tmur Desrps Fator-fator yang berpengaruh terhadap jumlah pendudu msn dengan menggunaan peta

4 4 temat pada Anga Partspas Seolah pendudu msn yang cenderung rendah terjad d Bojonegoro, Nganju, Magetan, Bltar, dan Jember sehngga perlu mendapatan perhatan yang lebh ba dalam penngatan pencapaan Anga Partspas Seolah. Kota Batu cenderung tngg pada setor pertanan dsebaban arena ota batu denal sebaga ota agrowsata yang terdapat lahan pertanan penghasl buah-buahan dan sayur-mayur. Begtu juga dengan persentase pengeluaran perapta pendudu msn untu maanan Kota Batu mendudu tertngg. Persebaran persentase pendudu msn yang elahrannya dtolong oleh tenaga esehatan sangat rendah terjad d Kepulauan Madura hal n dsebaban mnmnya atau urangnya tenaga ahl meds. Tnggnya penggunaan ar bersh d Kota Surabaya. Sdoarjo cenderung rendah dalam mendapatan pelayanan esehatan jamesmas dan memperoleh beras rasn. Pola hubugan varabel predtor dengan varabel respon dlauan sebelum mendapatan model regres lner sederhana Gambar Pola Hubungan Antar Varaabel Predtor dengan Varabel Respon Berdasaran Gambar dlhat bahwa hubungan yang menunjuan hubungan postf adalah hubungan antara varabel respon dengan varabel persentase pendudu msn pada pelayanan esehatan jamesmas dan pendudu msn yang menerma beras rasn. Hal n menunjuan bahwa seman tngg persentase pendudu msn, maa persentase pelayanan jamesmas dan pendudu yang menerma rasn juga seman tngg. Pemodelan persentase pendudu msn dengan regres lner berganda dlauan dengan tujuan untu mengetahu varabel mana yang berpengaruh secara sgnfan terhadap pendudu msn dengan tanpa melbatan fator loas pengamatan. Hasl pengujan secara serenta pada pemodelan regres lner dperoleh nla F htung sebesar 11,10 dan P-value sebesar 0,000. Dengan menggunaan α0,1 dperoleh F tabel sebesar 1,3177, maa nla F htung lebh besar dar pada F tabel. Sehngga, H 0 dtola, yang berart bahwa pemodelan dengan menggunaan regres lner berganda secara serenta menghaslan parameter yang sgnfan. Pengujan aspe data spasal heterogen dlauan dengan uj Breuch-Pagan dengan hpotess sebaga berut: H 0 : σ 1 σ σ n (esamaan varans resdual/ homosedaststas) H 1 : σ σ j (heteroedaststas) Berdasaran hasl pengujan dperoleh nla statst uj Breuch-Pagan sebesar 14,3834 dengan p-value sebesar 0, Dengan jumlah parameter tujuh dan dgunaan α0,1 dperoleh nla p-value sebesar 0,04477, maa nla p-value pada Breuch-Pagan lebh ecl dar α0,1. Sehngga, H 0 dtola, dengan ata lan terjad heterosedaststas. Hasl pengecean asums resdual dent, ndependen, dan berdstrbus normal ba melalu pengujan maupun vsual menyataan bahwa resdual tda dent, namun ndependen dan berdstrbus normal. Pengecean tersebut juga duatan dengan pengujan aspe data spasal yang menyataan terjadnya heterosedaststas atau varans yang tda dent. Karena tda dpenuhnya asums resdual dent, ndependen, dan berdstrbus normal serta dpenuhnya salah satu aspe data spasal maa pemodelan aan dlanjutan dengan Geographcally Weghted Regresson. Pemodelan Geographcally Weghted Regresson dlauan dengan memasuan pembobot spasal dengan metode weghted least square. Matr pembobot yang dgunaan merupaan matr yang elemenya merupaan fungs ernel yang terdr dar jara antar loas dan bandwdth. Fungs ernel yang dgunaan dalam pemodelan GWR dplh dengan melhat nla AIC terecl dar hasl pemodelanya. Tabel 4.4 Nla AIC dan R untu Masng-masng Model Model AIC R Regres Lner 16,341 7,14% GWR Gaussan 06,0443 7,54% Adaptve Gaussan ,98% Bsquare ,55% Adaptve Bsquare ,3% Trcube ,55% Adaptve Trcube* ,33% Keterangan: *) Pembobot terba Nla AIC terecl dperoleh dar pemodelan dengan fungs ernel Adaptve Trcube. fungs ernel adaptve meml bandwdth yang berbeda-beda d setap loas pengamatan. Setelah menentuan fungs ernel yang dgunaan, selanjutnya menentuan bandwdth untu setap loas yang damat. Setelah dperoleh nla bandwdth maa langah yang perlu dlauan berutnya yatu mencar matrs pembobot. Matr pembobot yang dperoleh untu tap-tap loas emudan dgunaan untu membentu model sehngga tap-tap loas meml model yang berbeda-beda. Ranguman hasl estmas parameter model GWR dapat dlhat pada Tabel 1. Tabel 1. Ranguman Estmator Model GWR Nla β(u Estmator,v ) Global Mn Medan Max X.Intercept X X

5 5 Tabel 1. (Lanjutan) Ranguman Estmator Model GWR Estmator Nla β(u,v ) Global Mn Medan Max X X X X R 76,3% 7,10 % SSE 349, ,5 Nla R pemodelan GWR dperoleh sebesar 76,3%, hal n berart sebanya 76,3% varabel respon dapat djelasan oleh varabel predtor. Ja dbandngan dengan R pemodelan dengan regres lner berganda dperoleh sebesar 7,10%, maa untu sementara pemodelan dengan GWR dataan lebh ba. Untu melhat apaah pemodelan dengan menggunaan GWR menghaslan model yang lebh ba dlauan pengujan esesuaan model dengan hpotess sebaga berut. β u, v β H 0 : ( ) H 1 : β ( u, v ) β Berdasaran hasl uj F pada rumus (9) dperoleh F sebesar 1,1768 dan p-value sebesar 0,3439. Dengan menggunaan α0,1 dperoleh F tabel sebesar 1,31756, maa nla F htung lebh besar dar pada F tabel. Sehngga, H 0 gagal dtola, dengan ata lan tda terdapat perbedaan yang sgnfan antara model GWR dan model regres lner. Pengujan sgnfans model GWR secara parsal dlauan untu mengetahu parameter-parameter yang sgnfan d setap wlayah. Hpotess yang dgunaan dalam pengujan sgnfans model GWR secara parsal adalah sebaga berut. β u v H 0 : (, ) 0 H 1 : β ( u, v ) 0 Berdasaran hasl pengujan sgnfans parameter dengan dperoleh parameter yang sgnfan berbeda-beda untu tap abupaten/ota. Hasl estmas parameter GWR dapat dlhat pada Tabel sebaga berut. Tabel 3 Varabel Sgnfan d Tap Varabel sgnfan Varabel sgnfan Pactan X6, Kota Probolnggo X6, Ponorogo X6, Kota Pasuruan X6, Trenggale X6, Kota Mojoerto X6, Tulungagung X6, Kota Madun X5, X6, Lumajang, Kota X5, X6, Surabaya X5, X6, Bondowoso X6, Kota Batu X5, X6, Pasuruan, X5, Bltar X6, X5, Jombang X5, Kedr X5, Nganju, X5, Mojoerto X5, Madun X4, Banyuwang X6, Magetan X5, Gres X5, X6, Ngaw X5, Jember X5, X6, Tabel 3 (Lanjutan) Varabel Sgnfan d Tap Varabel sgnfan Varabel sgnfan Bojonegoro X5, Malang X5, Bangalan X5, Sdoarjo X6, X6, Pameasan X5, Stubondo X6, X5, X6, Kota Kedr X6, Kota Malang X6, Kota Bltar X6, Sumenep X5, X6, Intepretas Model GWR Sdoarjo, pemodelan GWR tap abupaten/ota dapat dlhat pada Lampran-14. Y -8,1935-0,0959 X + 0,5458 X 3-0,1309 X 4 + 0,1138 X 6 + 0,1691 Kesmpulan yang dperoleh model untu persentase pendudu msn tersebut yatu untu setap enaan 1 persen pendudu msn usa 15 tahun e atas yang beerja d setor pertanan, persentase pendudu msn aan turun sebesar 0,0959 bla fator lan tetap. Persentase pendudu msn aan na 0,545 bla persentase pengeluaran perapta untu maanan na sebesar 1 persen dan fator lan tetap. Persentase pendudu msn aan turun 0,13 bla persentase balta yang elahrannya dtolong oleh tenaga esehatan pada persalnan pertama turun sebesar 1 persen dan fator lan tetap. Persentase pendudu msn aan na 0,113 bla pelayanan esehatan Jamesmas pendudu msn na dan fator lan tetap. Persentase pendudu msn aan na 0,169 bla persentase pendudu msn yang pernah menerma beras rasn na 1 persen dan fator lan tetap. Gambar 3 Parameter yang Sgnfan d Setap Kecamatan Hasl Pemodelan dengan GWR Berdasaran Gambar 3 hasl pemodelan dengan GWR dperoleh empat elompo wlayah. Wlayah dengan warna merah yang rendah persentase pendudu msnnya dantaranya Sdoarjo, Kota Mojoerto, Kota Kedr, dan Kota Bltar. Pada wlayah merah semua fator berpengaruh secara sgnfan terhadap pendudu msn. Dpaparan perbedaan ategor pemapngan antara pendudu msn dengan pemodelan GWR pendudu msn d Propns Jawa Tmur. Pembagan menjad 5 ategor yatu ategor sangat tngg antara,47-3,47 persen (ode 5), ategor tngg edua antara 16,4-,47 persen (ode 4), ategor sedang antara 1,54-16,4 persen

6 6 (ode 3), ategor rendah antara 7,63-1,54 persen (ode ), dan ategor sangat rendah antara 5,01-7,63 persen (ode 1) yang djelasan dalam Tabel 4. Tabel 4.Perbedaan Kategor Pemapngan Antara Pendudu Msn Dengan Pemodelan GWR Pendudu Msn I (Lamp 16.) Gambar II (Lamp 17.) Kode 1 Kode Kota Malang, Kota Madun, Kota Surabaya, Kota Batu Kode 3 Kode 4 Pasuruan, Jember, Stubondo Kode 4 Kode 5 Pameasan Kode 4 Kode Bojonegoro, Kota Probolnggo Kode 4 Kode 3 Ngaw, Lamongan Kode 3 Kode Ponorogo, Nganju, Madun, Magetan, Kedr Kode Kode 1 Kota Kedr Kota Kedr mengalam penurunan presentase pendudu msn setelah ddapatan pemodelan GWR yang telah mendapatan varabel-varabel sgnfan dapat dlhat pada Tabel 3. Rendahnya pendudu msn d Kota Kedr yang beerja pada setor pertanan, dduga merupaan abat dar urangnya lahan pertanan d perotaan. Tnggnya tenaga esehatan d perotaan dduga merupaan abat dar tersedanya tenaga ahl meds dan orang yang berpengalaman dalam menangan elahran balta sudah dbeal emampuan pengetahuan ebdanan secara memada. Selan tu juga untu pembagan beras rasn dperotaan cenderung rendah dbandngan dengan d pedesaan. V. KESIMPULAN Berdasaran pembahasan peneltan yang telah dlauan dperoleh esmpulan sebaga berut. 1. Persentase pendudu msn d abupaten/ota d Propns Jawa Tmur menujuan pola yang menyebar begtu juga dengan fator-fator yang mempengaruhnya. Persebaran persentase pendudu msn tertngg terdapat d Bangalan, Sampang, Sumenep, dan Probolnggo. Persentase Anga Partspas Seolah pendudu msn yang tertngg terdapat d Sumenep, Lamongan, dan Sdoarjo. Kota Batu, Kota Pasuruan, Kota Probolnggo, Bojonegoro, Kedr, Bltar, Ponorogo, Pactan, dan Trenggale merupaan tertngg pada setor pertanan. Pactan dan Kota Batu merupaan tertngg untu pengeluaran perapta maanan. Persentase pendudu msn yang elahrannya dtolong oleh tenaga esehatan terendah terdapat d epulauan Madura. Sementara tu, Kota Surabaya yang meml persentase tertngg pendudu msn yang menggunaan ar bersh. Tuban, Ponorogo, Trenggale, dan Bondowoso meml persentase tertngg pada pelayanan esehatan jamesmas. Sedangan, persentase pendudu msn yang pernah menerma beras rasn terendah terdapat d Kota Surabaya, Sdoarjo, Kota Madun, Kota Bltar, dan Kota Malang.. Data yang dgunaan dalam pemodelan memenuh aspe spasal sehngga dlauan pemodelan dengan GWR dengan ernel Adaptve Trcube. Berdasaran hasl pemodelan dengan GWR dperoleh model yang berbeda-beda untu tap abupaten/ota. 3. Hasl pemapngan menunjuan bahwa berdasaran varabel yang sgnfan untu tap abupaten/ota terbentu pengelompoan sebanya empat elompo. Madun berada dalam satu elompo yang meml dua varabel predtor yang berpengaruh sgnfan terhadap pendudu msn, yatu persentase balta yang elahrannya dtolong oleh tenaga esehatan pada persalnan pertama (X 4 ) dan persentase pendudu msn yang pernah menerma beras rasn (X 7 ). Kebjaan pemerntah pada pemberan beras rasn perlu dtngatan, hal n dlhat dar hasl persebaran varabel yang sgnfan menurut abupaten/ota yatu terdapat d seluruh wlayah Jawa Tmur. UCAPAN TERIMA KASIH Penuls mengucapan terma ash epada BPS Propns Jatm yang telah memberan duungan nformas dan data peneltan. Penuls juga mengucapan terma ash epada Laboratorum Statsta Sosal dan Pemerntahan, Jurusan Statsta ITS DAFTAR PUSTAKA [1] BPS. (010). Indator Eonom dan Sosal Jatm. Surabaya: BPS. [] Yasn, H. (011). Model Mxed Geographcally Weghted Regresson, Stud Kasus : Persentase Rumah Tangga Msn d Mojoerto Tahun 008. Surabaya: Program Pasca Sarjana, Insttut Tenolog Sepuluh Nopember. [3] Anseln, L. (1998). Spatal Econometrcs: Methods and Models. Dordrecht : Kluwer Academc Publshers. [4] Fotherngham, A. S., Brunsdon, C., & Charlton, M. (00). Geographcally Weghted Regresson : the Analyss of Spatally Varyng Relatonshps. Chchester: Wley. [5] Purhad, R. M., & Wulandar, S. P. (01). Geographcally Weghted Ordnal Logstc Regresson Model (Vol.16, Issue :3 ed.). Surabaya: Internatonal Journal of Mathematcs and Computaton. [6] Safuddn, A. B., Setabud, N. A., & Achsan, N. A. (011). On Comparsson between Ordnary Lnear Regfresson and Geographcally Weghted Regresson: WthApllcaton to Indonesa Poverty Data (Vol. 57 No. (011), pp ed.). European Journal of Scentfc Research.