Analisis Spasial pada Aglomerasi Industri Manufaktur

Transkripsi

1 UGAS MAA KULIAH ANALISIS SPASIAL Aalss Spasal pada Aglomeras Idustr Maufaktur d Pulau Jawa Dose: Dr. Sutko Dr. Setawa Dsusu Oleh: RINDANG BANGUN PRASEYO NRP PROGRAM SUDI DOKOR JURUSAN SAISIKA FAKULAS MAEMAIKA DAN ILMU PENGEAHUAN ALAM INSIU EKNOLOGI SEPULUH NOPEMBER SURABAYA 04

2 Aalss Spasal pada Aglomeras Idustr Maufaktur d Pulau Jawa I. Pedahulua Sergkal kta dhadapka dega permasalaha ataupu sekedar pertayaa yag tmbul pada beak kta tetag suatu feomea yag terjad dalam kehdupa yata. Utuk dapat megetahu da memaham feomea yag terjad maka kta perlu melakuka suatu aalss data statstk. Aalss data statstk yag berkembag hgga saat sagat beragam, oleh sebab tu pegguaa tekk aalss yag tepat utuk meagkap feomea yag terjad merupaka tututa agar terpretas kta terhadap feomea tersebut tdak meleset. Salah satu aalss yag berkembag dewasa yatu aalss spasal. Prsp utama dar aalss spasal adalah mempertmbagka adaya hubuga atar wlayah yag dperlhatka oleh data spasal tersebut. Dega demka data spasal memuat dua formas yatu formas wlayah da formas pegamata (respo). Cresse (993) medefska data spasal sebaga data yag berasal dar peta. Ketka data pegamata terdapat hubuga atar wlayah, yag dsebut sebaga data spasal maka metode aalss data yag dguaka pada umumya megalam keterbatasa dalam memeuh asums, yatu asums yag berkeaa dega masalah error yag berkorelas da atau masalah heterogety. Hal dsebabka pegamata d suatu lokas memlk hubuga atau ketergatuga yag cukup kuat dega pegamata d lokas la yag berdekata (earest-eghbor), yag dsebut dega efek spasal. Meurut Asel (988), efek spasal dapat dbag mejad autokorelas spasal da heterogety spasal. Adaya depedes (korelas error spatal) dalam data cross secto meyebabka terjadya autokorelas spasal, sedagka heterogety spasal dkareaka adaya efek radom dar wlayah yatu perbedaa karakterstk atar satu wlayah dega wlayah yag laya. Aalss spasal sagat membatu dalam meggambarka feomea aglomeras dustr maufaktur. erjadya aglomeras dustr maufaktur sagat mugk dpegaruh oleh lokas atau kods geografs. Hal ddasarka pada teor ekoom geograf baru (New Ecoomc Geography) yag berupaya utuk meuruka efek-efek aglomeras dar teraks atara besarya pasar, baya trasportas da creasg retur dar perusahaa. eor ekoom geograf baru meekaka pada adaya mekasme R d a g B. P.

3 kausaltas srkular utuk mejelaska kosetras spasal dar kegata ekoom (Krugma, 008). Aglomeras merupaka suatu lokas yag tdak mudah berubah akbat adaya peghemata eksteral yag terbuka bag semua perusahaa yag letakya berdekata dega perusahaa la da peyeda jasa-jasa, da buka akbat kalkulas perusahaa atau para pekerja secara dvdual (Kucoro, 00). Selajutya dega megacu pada teor tersebut, dapat dsmpulka bahwa aglomeras merupaka kosetras dar aktvtas ekoom da peduduk yag mempuya efek spasal, oleh karea tu aalss data yag dapat mejelaska aglomeras dustr maufaktur dega bak yatu aalss spasal. Utuk megaalss pola aglomeras dustr maufaktur secara spasal dguaka ukura Locato Quotet (LQ) dar jumlah teaga kerja da besarya la tambah. Ukura LQ sebaga ukura aglomeras dustr maufaktur juga dguaka oleh Lu (008). Besarya LQ d suatu daerah meujukka terjadya spesalsas d daerah tersebut dbadgka dega daerah la (Kucoro, 00). Jka suatu daerah memlk la LQ> maka daerah tersebut memlk kosetras dustr dbadgka dega daerah la, demka pula sebalkya. Sedagka besarya la tambah dguaka sebaga dkator skala dustr maufaktur d daerah tersebut. Kedua krtera tersebut kemuda dterapka bersama-sama utuk meggambarka peyebara aglomeras dustr maufaktur. Berkut peta tematk kosetras teaga kerja da la tambah dar dustr maufaktur besar sedag (IBS). N LEGENDA: Nla ambah LQ Idustr Klometers Gambar. Peta kosetras teaga kerja da la tambah IBS d Idoesa meurut Provs, ahu 0 Rdag B.P.

4 Berdasarka peta tematk pada Gambar, terlhat bahwa aglomeras dustr maufaktur d Idoesa mash terkosetras d hampr seluruh provs d Pulau Jawa, yag ddkaska dega besarya la LQ lebh dar satu. Dega demka aglomeras dustr maufaktur yag terjad d Idoesa dapat dwakl oleh wlayah-wlayah d Pulau Jawa. Selajutya, utuk memperjelas gambara aglomeras yag terjad maka aalss aka dbatas pada aglomeras yag terjad d Pulau Jawa yag dtamplka dalam peta meurut kabupate/kota. N LEGENDA: Nla ambah IBS LQ eaga Kerja Klometers Gambar. Peta kosetras teaga kerja da la tambah IBS d Jawa meurut kabupate, ahu 0 Dar hasl detfkas terdapat tga lokas aglomeras dustr maufaktur d Pulau Jawa. Lokas yag pertama yatu d ujug barat, tepatya d Provs DKI Jakarta, Bate da Jawa Barat, lokas kedua yatu d Provs Jawa mur, da lokas ketga berada d Provs Jawa egah yag berada dsektar bukota provs. D ujug barat Pulau Jawa (DKI Jakarta, Bate da Jawa Barat) merupaka pusat aglomeras dustr terbesar d Idoesa, jumlah teaga kerja yag dserap pada tahu 0 mecapa, juta atau 45,43 perse dar total asoal dega la tambah mecapa 48,64 perse. Sedagka utuk lokas kosetras dustr kedua, Jawa mur, teaga kerja yag dserap mecapa 956,7 rbu atau 0,66 perse da la tambah mecapa 6,74 perse. Pusat Aglomeras d Idoesa khususya d Pulau Jawa pada umumya lebh dsebabka oleh pembetuka kawasa dustr pada masa yag lalu. Beberapa pegembaga kawasa dustr d Pulau Jawa yatu: Jakarta Idustral Estate Pulo Gadug (JIEP) pada ahu 973, Pasurua Idustr Estate Rembag (PIER) ahu 974, Surabaya Idustral Estate Rugkut (SIER) pada 974, Kawasa Idustr Clacap ahu 974 da Kawasa Idustr Crebo pada ahu R d a g B. P.

5 II. Aalss spasal Hukum tetag geograf dkemukaka oleh obler pada ahu 979, yag meyataka bahwa segala sesuatu salg berhubuga satu dega yag laya, tetap sesuatu yag dekat lebh mempuya pegaruh darpada sesuatu yag jauh (Asel, 988). Hukum tersebut merupaka dasar pegkaja permasalaha berdasarka efek lokas atau metode spasal utuk aalss data. Asel (988) mejelaska bahwa jka aalss dlakuka pada data spasal tapa mecakup usur spasal ddalamya, maka bsa meyebabka kesmpula yag kurag tepat karea asums error salg bebas da asums homogetas tdak terpeuh. Utuk megetahu terpeuh atau tdakya asums error yag salg bebas da asums homogetas perlu dlakuka peguja. Peguja efek spasal dlakuka dega uj heterogetas da depedes spasal. Peyelesaa jka ada efek depedes spasal adalah dega meguaka pedekata area. Regres spasal dega pedekata area msalka: Spatal Autoregressve Model (SAR), Spatal Error Model (SEM), Spatal Autoregressve Movg Average (SARMA), Spatal Durb Model (SDM) da Codtoal Autoregressve Models (CAR). Sedagka utuk peyelesaa jka ada efek heterogetas adalah dega meguaka pedekata ttk. Regres spasal pedekata ttk atara la: Geographcally Weghted Regresso (GWR), Geographcally Weghted Posso Regresso (GWPR) da Geographcally Weghted Logstc Regresso (GWLR). Peguja da pegguaa metode-metode spasal tersebut d atas ddasarka pada pembobota dalam betuk matrks yag meggambarka kedekata hubuga atar pegamata, dsebut sebaga matrk pembobot spasal. Matrks lah yag mecermka adaya hubuga atara satu wlayah dega wlayah laya (Grasa, 989). erdapat beberapa metode dalam membuat matrks pembobot spasal. Perbedaa utama pada matrk pembobot spasal ddasarka pada perbedaa efek spasal yag ada. Bobot spasal cotguty (eghbourhood) dguaka jka ada efek depedes spasal dega pedekata area, sedagka bobot spasal jarak (dstace) dguaka pada pedekata ttk (terdapat efek heterogetas). III. Matrk Pembobot Spasal Pembobot Cotguty (eghbourhood) Salah satu cara utuk memperoleh matrks pembobot spasal (W) yatu dega megguaka formas jarak dar wlayah yag bertetagga (eghborhood), atau 4 R d a g B. P.

6 kedekata atara satu rego dega rego yag la. Matrks pembobot spasal pada pedekata area pada dasarya merupaka matrks cotguty (sgguga) yag dstadardsas. Matrks pembobot spasal dapat dkataka juga sebaga matrks yag meggambarka kekuata teraks atar lokas. Matrks pembobot cotguty dapat dtetuka dega berbaga metode, LeSage da Pace (00) medefska hubuga persgguga (cotguty) atar wlayah dalam beberapa metode yatu: a. Lear Cotguty (Persgguga tep); medefska wj = utuk rego yag berada d tep (edge) kr maupu kaa rego yag mejad perhata, wj = 0 utuk rego laya. b. Rook Cotguty (Persgguga ss); medefska wj = utuk rego yag berssa (commo sde) dega rego yag mejad perhata, wj = 0 utuk rego laya. c. Bshop Cotguty (Persgguga sudut); medefska wj = utuk rego yag ttk sudutya (commo vertex) bertemu dega sudut rego yag mejad perhata, wj = 0 utuk rego laya. d. Double Lear Cotguty (Persgguga dua tep); medefska wj = utuk dua etty yag berada d ss (edge) kr da kaa rego yag mejad perhata, wj = 0 utuk rego laya. e. Double Rook Cotguty (Persgguga dua ss); medefska wj = utuk dua etty d kr, kaa, utara da selata rego yag mejad perhata, wj = 0 utuk rego laya. f. Quee Cotguty (persgguga ss-sudut); medefska wj = utuk etty yag berssa (commo sde) atau ttk sudutya (commo vertex) bertemu dega rego yag mejad perhata, wj = 0 utuk rego laya. Berkut aka dberka lustras utuk meetuka matrk pembobot dega metode Quee cotguty (persgguga ss-sudut). Metode laya mempuya aalog yag sama. Msalka matrk pembobot berukura x, dmaa setap eleme matrk (w j ) meggambarka ukura kedekata atara pegamata da j, la satu meujukka daerah yag bertetaggaa satu sama la. Utuk melhat seberapa besar pegaruh masg-masg tetagga terhadap suatu daerah dapat dhtug dar raso atara la pada daerah tertetu dega tota la daerah tetaggaya. Haslya merupaka la pembobota (w j ) utuk setap kebertetaggaa. Sesua dega persamaa : 5 R d a g B. P.

7 w j = c j / c. Sebaga cotoh, terdapat lma ut pegamata yag mempuya lokas sebagamaa dgambarka pada peta berkut : (4) (3) () (5) () Sumber: LeSage (999) Gambar 3. Peta persgguga atar wlayah pegamata Berdasarka lokas ut pegamata, jka dguaka metode Quee cotguty maka dperoleh susua matrks berukura 5 5, sebaga berkut: W Quee Keteraga: bars da kolom meyataka rego yag ada pada peta. Karea matrks pembobot cotguty merupaka matrks smetrs, da dega kadah bahwa dagoal utama selalu ol. Matrks dlakuka stadarsas utuk medapatka jumlah bars sama dega satu, sehgga matrks mejad sebaga berkut: W Quee ,5 0 0, ,3 0 0,3 0, ,5 0 0, ,5 0,5 0 Selajutya matrk pembobot cotguty W lah yag aka dguaka dalam pegujapeguja da pemodela pada aalss spasal berbass area. 6 R d a g B. P.

8 Pembobot Jarak (Dstace) Pada aalss spasal dega pedekata ttk, peaksra parameter d suatu ttk (u,v ) aka lebh dpegaruh oleh ttk-ttk yag dekat dega lokas (u,v ) dar pada ttk-ttk yag lebh jauh. Dua varabel u da v merupaka lokas geografs (ttk koordat) dar setap obyek pegamata. Oleh sebab tu, pemlha metode pembobot spasal yag dguaka dalam meaksr parameter pada pedekata ttk mejad sagat petg. Matrk pembobot W() dhtug utuk tap da w j yag megdkaska kedekata atau bobot tap ttk data pegamata dega lokas. Hal yag membedaka GWR dega WLS pada umumya yag mempuya matrk bobot yag kosta. Pera pembobot sagat petg karea la pembobot tersebut mewakl letak data observas satu dega laya sehgga sagat dbutuhka ketepata cara pembobota. Beberapa jes fugs pembobot yag dapat dperguaka meurut Fothergham, Brusdo, da Charlto (00) atara la: Fugs vers jarak (verse dstace fucto) Dega r adalah radus da Fugs Kerel Gauss Betuk fugs kerel gauss adalah w (u,v ) exp[ / ( j, w j(u,v ) 0, jka d r d j / b) ] Fugs kerel gauss aka member bobot yag aka semak meuru megkut fugs gaussa ketka dj semak besar. 3 Fugs rcube Fugs tersebut dapat dotaska sebaga berkut : 3 3 ( dj / h), jka dj h w j(u,v ) 0, jka dj h 4 Fugs Kerel Adaptve B-square j jka d r j d ( u u ) ( v v ) ( dj / h ), jka dj h w j(u,v ) 0, jka dj h j j j 7 R d a g B. P.

9 5 Fugs Kerel B-square Fugs tersebut dapat dotaska sebaga berkut: w (u,v ) j [ (d j/b) ], jka dj b 0, jka d b j Fugs kerel b-square aka member bobot ol ketka lokas j berada pada atau dluar radus b dar lokas, sedagka apabla lokas j berada ddalam radus b maka aka medapat bobot yag megkut fugs kerel b-square. IV. Peguja Efek Spasal Pada aalss spasal, peguja efek spasal dlakuka pada efek depedes spasal da heterogetas spasal. Peguja adaya depedes spasal memaka metode Mora s I da Lagrage Multpler (LM). Utuk peguja adaya heterogetas spasal megguaka metode Breusch-Paga est. Depedes Spasal dega Mora s I da Lagrage Multpler (LM) Asel (988) meyataka bahwa utuk megetahu adaya depedes spasal dapat dguaka metode Mora s I da Lagrage Multpler (LM). Ideks Mora s I adalah ukura dar korelas (hubuga) atara pegamata yag salg berdekata. Statstk membadgka la pegamata d suatu daerah dega la pegamata daerah laya. Meurut Lee da Wog (00), Mora s I dapat dukur dega megguaka persamaa: dmaa: x x x j w j I = = j= S w (x -x)(x -x) 0 = j j (x -x) : Bayakya pegamata : Nla rata-rata dar {x } dar lokas : Nla pada lokas ke-j : Nla pada lokas ke-j : Eleme matrk pembobot spasal () 8 R d a g B. P.

10 S 0 : Jumlah dar eleme pembobot spasal ( S = w ) 0 j = j= Nla dar Mora s I berksar atara - sampa. Nla yag tgg megartka bahwa korelasya tgg, sedagka la 0 dapat dartka tdak ada autokorelas. Aka tetap utuk megataka ada atau tdak adaya autokorelas perlu dbadgka dega la statstk I dega la harapaya. Meurut Lee da Wog (00), la harapa (ekspektas) dar I drumuska dega E(I) = I 0 = -/(-). Idetfkas pola megguaka krtera la deks I dmaa jka ddapat la I > I 0 maka mempuya pola megelompok (cluster), jka I = I 0 maka berpola meyebar tdak merata atau tdak ada autokorelas, da jka I < I 0 memlk pola yag meyebar. Hpotess yag dguaka pada pegujaa hpotess terhadap satu parameter yatu sebaga berkut: H 0 : tdak ada autokorelas spasal H : terdapat autokorelas (dek Mora s I berla postf atau egatf) Statstk uj dar deks Mora s I dapat dturuka dalam betuk statstk peubah acak ormal baku (Lee da Wog, 00). Hal ddasarka pada teor Dall Lmt Pusat dmaa utuk yag besar da ragam dketahu, maka Z(I) aka meyebar ormal baku. Keteraga, I : deks Mora s I I-E(I) Z = () Var(I) htug Z htug : la statstk uj deks Mora s I E(I) : la harapa (ekspektas) deks Mora s I Var (I) : la varas dar deks Mora s I [( -3+3)S -S +3S ] k[(-)s -S +6S ] Var(I)= - - (-)(-)(-3)S (-)(-)(-3)S (-) dega S ( wj wj) j (3) k= (x -x) = 4 9 R d a g B. P.

11 j j = j= j= S = (w +w ), w = w da w = w Peguja aka meolak H 0 jka jka la Z htug > Z (α) (autokorelas postf) atau Z < -Z (autokorelas egatf). htug (α) Vsualsas dar la Mora s I, utuk meggambarka sebara hubuga atar pegamata dapat dguaka Mora s Scatterplot. Lee da Wog (00) meyebutka bahwa Mora s Scatterplot merupaka salah satu cara utuk megtepretaska statstk Ideks Mora s. Ilustras Mora s Scatterplot adalah sebaga berkut: Kuadra II (Low-Hgh) Kuadra I (Hgh-Hgh) WZ std Kuadra III (Low-Low) Kuadra IV (Hgh-Low) Z std Gambar 4. Betuk Mora s Scatterplot Kuadara I terletak d kaa atas, dsebut Hgh-Hgh (HH) meujukka daerah yag mempuya la pegamata tgg dkellg oleh daerah yag mempuya a pegamata tgg. Kuadra II terletak d kr atas, dsebut Low-Hgh (LH) meujukka daerah dega pegamata redah tap dkellg daerah dega la pegamata tgg. Kuadra III terletak d kr bawah, dsebut Low-Low (LL) meujukka daerah dega la pegamata redah dkellg daerah yag mempuya la pegamata redah. Kuadra IV terletak d kaa bawah, dsebut Hgh-Low (HL) meujukka daerah dega la pegamata tgg yag dkellg oleh daerah dega la pegamata redah. Selajutya utuk meguj depedes spasal pada model regres dguaka uj Lagrage Multpler (LM). Uj LM dperoleh berdasar pada asums model d bawah H0. erdapat tga hpotess yag aka dguaka, yatu:. H0 : ρ = 0 dega H : ρ 0 (utuk model SAR). H0 : λ = 0 dega H : λ 0 (utuk model SEM) 3. H0 : ρ, λ = 0 dega H : ρ, λ 0 (utuk model SARMA) 0 R d a g B. P.

12 Statstk uj yag dguaka adalah: LM E ( R ) R R ( R ) ( D y y e e (4) LM Dega m = jumlah parameter spasal (SAR =, SEM =, SARMA = ) Ry e W y / Re e W y / ( M X X X ) X tr WW W W j j j E ( W X ) M ( W X ) E ( D ) ( ) e adalah least square resdual utuk observas. Jka matrks pembag spasal W = W = W maka = = = = tr{(w + W) W}. Keputusa tolak H0 jka la LM > ( k ) Spatal Heterogety dega uj Breusch-Paga (BP). Spatal heterogety meujukka adaya keragama atar lokas. Jad setap lokas mempuya struktur da parameter hubuga yag berbeda. Asel (988) mejelaska bahwa uj utuk megetahu adaya heterogetas spasal dguaka statstk uj Breusch- Paga test (BP test). yag mempuya hpotess: H (kesamaa varas/homoskedaststas) 0... H = mmal ada satu Nla BP test adalah : (heterokedaststas) BP = (/ )f Z (Z Z ) - Z f ~ ( k) (5) dega eleme vektor f adalah, Dmaa: e f e : merupaka least squares resdual utuk observas ke-, Z : merupaka matrk berukura x (k+) yag bers vektor yag sudah d ormal stadarka (z ) utuk setap observas. olak Ho bla BP > ( k) R d a g B. P.

13 V. Pemodela Spasal Berbass Area (SAR, SEM, SARMA) Model dar Geeral Spatal Model bass area yag dkembagka oleh Asel (988) dtujukka dega: y = W y + XB + u (6) u = W u + N I (0, ) Dmaa: y adalah vektor varabel respo yag berukura x da X adalah x k matrks varabel predktor. β adalah koefse regres. adalah koefse spasal lag dar varabel respo. Sedagka merupaka koefse spasal autoregressve yag berla <. W da W adalah matrks pembag spasal yag berukura x yag eleme dagoalya berla ol. Matrks pembag basaya bers hubuga cotguty matrks atau juga fugs jarak dar suatu daerah/rego. u adalah error regres yag dasumska mempuya efek rego radom da juga error yag terautokorelas secara spasal. Ada beberapa model yag bsa dbetuk dar Geeral Spatal Model yatu:. Apabla = 0 da = 0 maka persamaa mejad: y = XB +. N I (0, ) (7) dalam otas la sepert persamaa datas. Persamaa dsebut model regres klask atau lazm dkeal sebaga model regres Ordary Least Square (OLS), yatu regres yag tdak mempuya efek spasal.. Apabla 0, = 0 persamaaya mejad: y = W y + XB + ε (8) N I (0, ) Persamaa dsebut sebaga regres Spatal Lag Model (SLM). LeSage (999) megstlahka model dega Spatal Autoregresve Models (SAR). 3. Apabla 0, = 0 persamaaya mejad: y = XB + u, u= W u + ε N I (0, ) (9) Persamaa datas dsebut juga regres Spatal Error Model (SEM). R d a g B. P.

14 4. Apabla 0 da 0 persamaaya mejad y = W y + XB + u, u = W u + ε N I (0, ) (0) Persamaa tersebut dsebut Geeral Spatal Model, ada juga Asel (988) meamaya sebaga model Spatal Autoregressve Movg Average (SARMA). Spatal Autoregressve Model (SAR) Model sebagamaa pada persamaa (8) mempuya matrks cotguty spatal W. Matrks W adalah matrks yag sudah dstadarka dmaa jumlah la tap barsa sama dega. LeSage da Pace (00) meuruka estmator utuk koefse spatal lag ˆ sebaga berkut: ˆ = (y W Wy) - y W y () Arba (006) megemukaka bahwa utuk meguj sgfkas dar koefse spasal lag (r) dguaka Lkelhood Rato est (LR) dega hpotess: H : 0 0 (tdak terdapat depedes spasal lag) H : 0 (terdapat depedes spasal lag) Fugs log-lkelhood spatal lag adalah: l(,, ; y) c( y) l l I W I W y X ( I W ) y X () Fugs log-lkelhood dbawah H 0 adalah l0 y c y y X y X, ; ( ) l Statstk uj Lkelhood Rato test merupaka selsh dar keduaya,, ; 0, ; LR l y l y atau djabarka mejad LR l l I W ( I Wy X ( I W ) y X l y X y X Dsederhaaka mejad: LR l I W ( I W ) y X ( I W ) y X y X y X (5) tolak H 0 bla LR lebh besar dar () (3) (4) 3 R d a g B. P.

15 Spatal Error Model (SEM) Utuk megetahu SEM perlu dlakuka test utuk uj Resdual Spatal error model berbass Maxmum Lkelhood estmato. Asel (988) memaparka bahwa tes utuk meguj Resdual spatal autocorrelato ada 3 metode yatu: Wald, Lkelhood Rato est (LR), da Lagrage Multpler (LM). LR merupaka metode yag serg dpaka utuk feres dar SEM. Hpotess yag dkemukaka yatu: H : 0 0 (tdak ada depedes error spasal) H : 0 (ada depedes error spasal) Arba (006) megemukaka feres dar LR sebaga berkut. Sebagamaa persamaa (9) y = XB + u dega u = W u + ε. Dalam betuk la dapat dtuls u = y - XB Matrks varas-kovaras dar SEM adalah V = (I B) - Σ ( I B) - (6) dmaa Σ adalah matrks dagoal yag elemeya adalah matrks =Var( ), dalam otas β = W, = koefse error spasal yag berla < da W merupaka matrks pembag spasal. Apabla varas-ya kosta,... maka V ( I B) ( I B) (7) Fugs Lkelhood dar SEM yatu: L0 (,, β; y, X) c( u) V exp u V u dega mesubttuska u = y - XB da Persamaa (6) kedalam Persamaa (8) dperoleh fugs Lkelhood: L0 (,, β; y, X) c( u) ( I B) Σ( I B) exp ( y Xβ) ( ) ( ) ( ) I B Σ I B y Xβ (9) dega mesubttuska determa dar V ke dalam Persamaa (9) kemuda d logormalka sehgga dperoleh: l0(,, β ; y, X ) c( y, X ) l ( ) ( ) ( ) ( ) ( ) ( ) I B I B y Xβ I B I B y Xβ (0) (8) 4 R d a g B. P.

16 Dmaa B = W, = koefse error spasal yag berla l < da W merupaka matrks pembag spasal. Fugs Lkelhood dbawah H : 0 adalah 0 L0 (, β; y, X) c( y, X ) l ( y Xβ) ( y Xβ ) Lkelhood Rato (LR) adalah suatu uj yag berbass pada selsh atara L da Lo, () LR L(,, β; y, X) L0 (, β; y, X ) LR l l ( I B) ( I B) ( y X ) ( I B) ( I B) ( y X ) l ( y X ) ( y X ) ( I B) ( I B) ( y X ) l ( y X ) ( y X ) dega B = λw dmaa λ = koefse eror spasal yag berla -< λ < da W merupaka matrks pembobot spasal. H0 dtolak jka statstk uj LR >, () Estmas Parameter SAR Estmas parameter β dperoleh dega memaksmumka fugs l lkelhood persamaa (), yatu dega medfferesalka persamaa tersebut terhadap β Sehgga ddapatka estmas parameterya adalah ˆ ( ) ( ) X X X I W y (3) Peguja hpotess utuk sgfkas parameter pada permodela spasal (Asel, 988) dataraya Lagrage Multpler, Wald test, da Lkelhood Rato est. Peelta dguaka Wald test adalah sebaga berkut Hpotess : H Statstk uj :,, p 0 H p 0 k ˆ p Wald var( ˆ ) p (4) Dega: 5 R d a g B. P.

17 ˆp : estmas parameter ke-p Var( ˆ ): varas estmas parameter ke-p p H 0 dtolak jka statstk uj Wald > Berbass tk (GWR), Metode GWR adalah suatu tekk yag membawa keragka dar model regres sederhaa mejad model regres yag terbobot (Fothergham, et al., 00). Model GWR merupaka pegembaga dar model regres global. Namu berbeda dega regres global yag dberlakuka secara umum d setap lokas pegamata, GWR meghaslka peduga parameter model yag bersfat lokal utuk setap lokas pegamata dega metode Weghted Least Square (WLS), yatu : Keteraga: p y u, v u, v x (5) 0 k k k y = varabel respo pada lokas ke- ( =,,..., ) x k = varabel predktor ke-k pada lokas ke- ( =,,..., ) (u,v ) = koordat logtude lattude dar ttk ke- pada suatu lokas geografs. k (u,v ) = koefse regres ke-k pada masg-masg lokas = error yag dasumska detk, depede, da berdstrbus Normal dega mea ol da varas kosta Persamaa datas dapat dyataka dalam betuk matrks sebaga berkut: dega : Y X β u, v (6) Y y y y, x x x p x x x p X u, v x x x p 0 u, v u, v p u, v, Pada model GWR dasumska bahwa data observas yag dekat dega ttk ke- mempuya pegaruh yag besar pada peaksra dar β u, v ) darpada data yag k ( berada jauh dar ttk ke-. Meurut Fothergham, Brusdo da Charlto (00), lokal 6 R d a g B. P.

18 7 R d a g B. P. parameter ), ( k v u β dtaksr megguaka Weghted Least Squared (WLS). Pada GWR sebuah observas dbobot dega la yag berhubuga dega ttk ke-. Bobot w j, utuk j =,,...,, pada tap lokas ), ( v u dperoleh sebaga fugs yag kotu dar jarak atara ttk ke- da ttk data laya. Estmas Parameter GWR Peaksra parameter pada masg-masg lokas ke-i melalu WLS adalah sebaga berkut : y W X X W X β ) ( ) ( ) ( ˆ (7) Keteraga : X = matrk data dar varabel predktor y = vektor varabel respo W() = matrks pembobot W W W ) ( W k k k x x x x x x x x x X y y y y p p v u v u v u v u v u v u, β..., β, β , β..., β, β 0 0 β Uj sgfkas Uj sgfkas dapat dlakuka dega hpotess sebaga berkut (Sugyato, 008): 0 ), ( : H 0 k v u,,...,p 0;k ), ( : H k v u Statstk uj: ˆβ (, ) (8) ˆ se (β (, )) k ht k u v u v

19 Pegambla keputusa adalah H 0 dtolak jka la ht t dmaa: tr(i L) (I L) tr( I L) (I L 0 I x 0 x L... x ) / ; [X W( u, v )X] X W( u, v) [X W( u, v )X] X W( u, v ) [X W( u, )X] X W(, ) v u v VI. Aalss spasal pada Aglomeras Idustr Maufaktur d Pulau Jawa Pemlha metode utuk meetuka bobot berdasarka Cotguty sederhaa (msalya persgguga ss), kedekata jarak atau yag laya sagat erat kataya dega ftur (betuk) fsk dar ut spasal pada peta (Arba, Domcs da Groot, 007). Iteraks spasal dapat dtetuka oleh faktor-faktor yag terkat dega varabel yag mejad peelta, sebaga cotoh: peelta ekoom, dapat dguaka bobot dega meetuka lagsug sesua dega feomea tertetu yag dtelt (msalka waktu perjalaa, jarak sosal atau jarak ekoom). Matrks pembobot spasal cotguty (matrk W) yag dguaka dalam aalss spasal aglomeras dustr maufaktur d Pulau Jawa dbuat dega metode Rook Cotguty (persgguga ss). Pembobot tersebut drasa cukup tepat meggat bahwa kabupate/kota d Pulau Jawa mempuya kods jala (trasportas) yag cukup bak da merata d seluruh wlayah, terutama wlayah yag merupaka kosetras dustr maufaktur, sehgga tdak perlu megguaka pembobot costumzed. Sedagka alasa dplhya Rook Cotguty dar pada Quee Cotguty yatu akses ekoom (jala) yag meghubugka atar kabupate/kota tersebut dapat dpastka tdak ada yag melalu persgguga sudut, sela tu perbedaa atara keduaya juga tdak begtu sgfka. Ukura aglomeras dustr maufaktur yag dguaka sebaga varabel respo yatu Locato Quotet LQ dar teaga kerja dustr maufaktur (Idustr Besar Sedag). Nla LQ tersebut dperoleh dega rumus: LQ r E E r E E. r... (9) 8 R d a g B. P.

20 Dmaa, E r adalah jumlah teaga kerja IBS dalam suatu kabupate/kota r, E r adalah total teaga kerja pada kabupate/kota r, E. adalah teaga kerja IBS utuk seluruh kabupate/kota d Pulau Jawa; E.. adalah total teaga kerja d Pulau Jawa. Nla Mora s I dega matrk pembobot rook coguty utuk varabel respo LQ tersebut yatu sebesar 0,30 dega la-p sebesar (kurag dar α = 0.05). Berdasarka la Mora s I yag dperoleh maka dapat dsmpulka bahwa varabel respo aglomeras dustr maufaktur (la LQ) mempuya efek depedes spasal. Gambar 7. Nla Mora s I dega Matrk Pembobot Rook VII. Pemodela Faktor-faktor yag Mempegaruh Aglomeras Idustr Maufaktur d Pulau Jawa Aalss faktor-faktor yag memegaruh aglomeras dustr maufaktur dlakuka dega megguaka ut observas 6 kabupate/kota d Pulau Jawa. Varabel yag dguaka sebaga ukura aglomeras dustr maufaktur yatu deks spesalsas regoal/ Locato Quotet (LQ) teaga kerja dustr maufaktur. Pemlha deks spesalsas sebaga varabel predktor ddasarka pada pertmbaga teor-teor ekoom yag hedak duj da pertmbaga stud emprs sebelumya (Kucoro da Wahyu, 009). 9 R d a g B. P.

21 Model Regres Ler Model yag dguaka utuk megaalss faktor-faktor yag memegaruh aglomeras dustr maufaktur ddasarka pada model yag dguaka Prasetyo (00). Model yag dguaka adalah sebaga berkut: (30) Dar persamaa (30) dapat djelaska defs operasoal dar masg-masg varabel yatu sebaga berkut:. Varabel Y merupaka deks spesalsas LQ dustr maufaktur kabupate/kota ke-. Ideks spesalsas meggambarka adaya kosetras dustr maufaktur.. Varabel X dalah ukura perusahaa berdasarka rata-rata jumlah pekerja produks d kabupate/kota ke-. Varabel dguaka utuk medekat skala ekoom perusahaa d daerah tersebut. Perusahaa dega skala yag lebh besar aka cederug berada pada wlayah yag terkosetras. Demka juga sebalkya, perusahaa yag lebh kecl cederug beroperas pada daerah yag jauh dar setra dustr. 3. Varabel X adalah deks persaga dustr (IPS) yag dguaka utuk medekat struktur pasar d kabupate/kota ke-. Ideks megukur derajat persaga perusahaa dustr d suatu daerah, rumus yag dguaka yatu: Dmaa frm meujuka jumlah perusahaa da output meujukka total produks. Semak tgg IPS atau semak besar raso jumlah perusahaa terhadap output d tgkat provs terhadap asoalya maka aka semak besar persaga atar perusahaa d daerah tersebut karea jumlah perusahaa relatf lebh bayak. Dega kata la semak tgg la IPS maka struktur pasar d daerah tersebut semak meuju persaga sempura. 4. Varabel X 3 yatu HHI atau deks Hrschma Herfdahl Idex adalah ukura yag dguaka utuk melhat keaekaragama dustr d kabupate/kota ke-. Ideks dhtug dar pejumlaha kuadrat market share jumlah teaga kerja seluruh perusahaa dalam dustr. Rumus utuk peghtuga HHI yatu: ( ) (3) Dmaa L adalah teaga kerja, adalah kabupate/kota da j adalah dustr dua dgt. Semak merata dstrbus teaga kerja d masg-masg provs atar (3) 0 R d a g B. P.

22 dustr, maka aka semak kecl raso kuadrat dar market share teaga kerja d kabupate/kota tersebut. Dega demka raso deks yag kecl secara relatf meujuka tgkat keberagama dustr yag lebh besar. 5. Varabel X 4 adalah la Produk Domestk Regoal Bruto (PDRB) yag merupaka pedekata utuk pedapata daerah d kabupate/kota. Varabel dguaka utuk proxy ukura pasar d suatu daerah. Semak besar pedapata d suatu daerah maka aka meggambarka pasar yag semak besar. Hasl pegolaha model regres lear dapat dlhat pada tabel berkut, dega la R square sebesar 49,94% yag artya model tersebut mampu meeragka 49,94% dar keragama total. SUMMARY OF OUPU: ORDINARY LEAS SQUARES ESIMAION Data set : jawakab7 Depedet Varable : Y Number of Observatos: 7 Mea depedet var : Number of Varables : 5 S.D. depedet var :.38 Degrees of Freedom : R-squared : F-statstc : Adjusted R-squared : Prob(F-statstc) :4.754e-06 Sum squared resdual: Log lkelhood : Sgma-square : Akake fo crtero : S.E. of regresso : Schwarz crtero : Sgma-square ML : S.E of regresso ML: Varable Coeffcet Std.Error t-statstc Probablty CONSAN X X X X Berdasarka tabel datas dapat dtujukka hasl peguja parsal sgfkas megguaka α (0,05) bahwa terdapat dua varabel predktor yatu X (skala ekoom) da X4 (ukura pasar) yag secara sgfka berpegaruh terhadap varabel Y (aglomeras dustr maufaktur) karea memlk la P-Vaue < α (0,05). Sedagka utuk varabel predktor X3 (keaekaragama dustr) sgfka dega megguaka α (0,30) da varabel X (struktur pasar) tdak sgfka secara statstk. Peguja kesesuaa model secara seretak dlakuka dega melhat la Fht, keputusa model regres berdasarka la p-value yag dhaslka kurag dar 0,05 sehgga keputusaya adalah varabel predktor secara seretak sgfka terhadap varabel respo. Lagkah selajutya yatu melakuka detfkas terhadap efek spasal. Idetfkas bertujua utuk megetahu adaya efek heterogetas spasal da R d a g B. P.

23 depedes spasal. Kedua hal d atas dlakuka utuk meetuka pemodela berkutya, yatu meetuka model aalss spasal yag aka dguaka utuk memodelka aglomeras dustr maufaktur. Idetfkas terhadap adaya efek heterogetas dlakuka dega uj Breusch Paga (BP), sedagka utuk efek depedes dguaka uj Lagrage Multpler (LM). DIAGNOSICS FOR HEEROSKEDASICIY RANDOM COEFFICIENS ES DF VALUE PROB Breusch-Paga test Koeker-Bassett test DIAGNOSICS FOR SPAIAL DEPENDENCE FOR WEIGH MARIX : jawakab7.gal (row-stadardzed weghts) ES MI/DF VALUE PROB Mora's I (error) Lagrage Multpler (lag) Robust LM (lag) Lagrage Multpler (error) Robust LM (error) Lagrage Multpler (SARMA) ========================== END OF REPOR ============================== Uj Lagrage Multpler (lag) bertujua utuk megdetfkas adaya keterkata atar kabupate/kota. Berdasarka pada abel datas dapat dketahu bahwa la P-value Lagrage Multpler (lag) sebesar 0,04747 (kurag dar α = 0,05). Kesmpula yatu tolak Ho, yag berart bahwa terdapat depedes spasal lag sehgga perlu dlajutka ke pembuata Spatal Autoregressve Model (SAR). Sedagka utuk la P-value Lagrage Multpler (error) da Lagrage Multpler (SARMA) yatu sebesar 0,67 da 0,03 (lebh besar dar α = 0,05). Hasl dar asums kehomogea ssaa dapat dlhat berdasarka la p-value pada uj Breush Paga (BP) yatu sebesar 0,00006 yag lebh kecl darpada = 0,05, sehgga dapat dsmpulka tolak H 0. I meujukka bahwa asums kehomogea ragam ssaa dlaggar atau dega kata la terdapat efek heterogetas spasal. Utuk meyelesaka masalah heterogetas spasal maka perlu dlakuka pemodela dega Geographcally Weghted Regresso (GWR). Berdasarka uj LM da BP maka pemodela aglomeras dustr maufaktur aka dlajutka dega pembuata model SAR da GWR. Kedua model tersebut mempuya perbedaa medasar dalam pemodela, yatu SAR berbass area dega pembobot cotguty sedagka GWR berbass ttk dega pembobot jarak. Oleh karea tu, pembuata kedua model tersebut aka dbahas satu per satu. R d a g B. P.

24 Model SAR Berdasarka uj LM dapat dsmpulka bahwa terdapat depedes spasal lag sehgga perlu dlajutka ke Spatal Autoregressve Model (SAR). Berdasarka abel dbawah dapat dlhat bahwa la R dar model SAR yatu sebesar 5,59% berart bahwa model tersebut mampu mejelaska varas dar aglomeras dustr maufaktur sebesar 5,59% da ssaya 47,4% djelaska oleh varabel la d luar model. Jka dbadgka dega R dar model regres ler maka R model SAR megalam pegkata sebesar,65%. Demka juga dega la AIC model SAR yag dhaslka lebh kecl dar pada model regres ler yatu 85,04 dbadgka dega 87,87. Hal megdkaska bahwa model SAR lebh bak dar pada model regres ler tapa memperhtugka efek spasal. Uj parsal terhadap hasl estmas koefse setap varabel predktor yatu meghaslka P-value sgfka pada α=0,05 adalah varabel X (skala ekoom), X4 (ukura pasar), sedagka varabel X (struktur pasar) da X3 (keaekaragama dustr) tdak sgfka mempegaruh varabel respo Y (aglomeras dustr maufaktur). Selegkapya dapat dlhat pada hasl pegolaha berkut : SUMMARY OF OUPU: SPAIAL LAG MODEL - MAXIMUM LIKELIHOOD ESIMAION Data set : jawakab7 Spatal Weght : jawakab7.gal Depedet Varable : Y Number of Observatos: 7 Mea depedet var : Number of Varables : 6 S.D. depedet var :.38 Degrees of Freedom : Lag coeff. (Rho) : R-squared : Log lkelhood : Sq. Correlato : - Akake fo crtero : Sgma-square : Schwarz crtero : S.E of regresso : Varable Coeffcet Std.Error z-value Probablty W_Y CONSAN X X X X REGRESSION DIAGNOSICS DIAGNOSICS FOR HEEROSKEDASICIY RANDOM COEFFICIENS ES DF VALUE PROB Breusch-Paga test DIAGNOSICS FOR SPAIAL DEPENDENCE SPAIAL LAG DEPENDENCE FOR WEIGH MARIX : jawakab7.gal ES DF VALUE PROB Lkelhood Rato est ========================== END OF REPOR ============================== 3 R d a g B. P.

25 Berdasarka hasl pegolaha model SAR yag dperoleh adalah sebaga berkut: yˆ 4,865 0, 33 w y 0, 007X 0, 009X 0,56 X 0, X j j 3 4 j, j (33) Beberapa terpretas yag dapat dperoleh dar model SAR tersebut yatu:. Skala ekoom (X) yag ddekat dega ukura perusahaa (ISZ) mempuya hubuga yag postf terhadap mecptaa aglomeras. Apabla faktor la daggap kosta, jka skala ekoom dar perusahaa dustr maufaktur d suatu kabupate/kota megkat sebesar satu satua maka dapat meyebabka terjadya aglomeras dustr maufaktur d daerah tersebut dega tgkat pegkata kosetras sebesar 0,007. Hasl sesua dega hpotess teor New Ecoomc Geography (NEG) da New rade heory (N). eor NEG da N berpedapat bahwa dustr-dustr yag terkosetras secara geografs berhubuga dega skala ekoom. Dalam model ekoom Krugma juga meujukka bahwa teraks atara skala ekoom da baya perdagaga medorog kosetras dustr d dalam suatu egara yag mempuya akses yag bak pada pasar yag besar.. Varabel struktur pasar (X) yag ddekat dega deks persaga (IPS) tdak sgfka mempegaruh aglomeras dustr maufaktur. Hal tdak sesua dega hpotess bahwa semak redah deks persaga yag berart semak moopolstk dapat membatu dalam mejelaska kosetras geografs dustr maufaktur. Hasl yag tdak sgfka dapat dsebabka pegguaa deks persaga yag haya merasoka jumlah perusahaa dbag output d suatu daerah terhadap jumlah perusahaa dbag output secara global daggap kurag tepat. Pedekata struktur pasar aka lebh bak jka dguaka deks CR4, aka tetap sultya peghtuga yag dsebabka karea harus meelt setap jes dustr maka deks jarag dguaka. 3. Keaekaragama dustr maufaktur (X3) yag dhtug dega deks HHI juga tdak sgfka mempegaruh aglomeras dustr maufaktur. Hal tdak selaras dega teor urbazato ecoomes yag meeragka bahwa keaekaragama medorog eksploras da mecegah stagas, sehgga berpera dalam pertumbuha dar dustr. Peyebab dar tdak sgfkaya varabel dapat dkareaka, keaekaragama dustr pada setap kabupate/kota d Pulau 4 R d a g B. P.

26 Jawa belum dapat megkatka kosetras dustr, kosetras dustr cederug terbetuk karea kawasa-kawasa dustr yag segaja dbuat. Peyebab la yatu daerah yag memlk keaekaragama dustr maufaktur belum tetu mempuya kosetras dustr maufaktur. 4. Varabel ukura pasar (X4) yag ddekat dega pedapataa daerah (PDRB) mempuya pegaruh terhadap tercptaya aglomeras dustr maufaktur. Hasl yag dperoleh sesua dega hpotess bahwa dustr dega hasl yag megkat aka berkosetras dalam pasar yag besar. Para pelopor teor N juga meekaka adaya dampak pasar domestk terhadap kosetras dustr (Kucoro da Wahyu, 009). 5. Efek spasal depedes lag mempuya pegaruh yag sgfka terhadap pembetuka aglomeras dustr maufaktur. Dega koefse sebesar 0,33 memlk art bahwa kosetras dustr maufaktur d kabupate/kota yag bersgguga ss (rook) memberka pegaruh terhadap pembetuka aglomeras dustr maufaktur pada daerah t sebesar 0,33. Hal sesua dega teor ekoom geograf baru (New Ecoomc Geography) bahwa terjadya aglomeras dustr maufaktur sagat mugk dpegaruh oleh lokas atau kods geografs. Hasl uj Breush Paga (BP) utuk asums homogetas pada model SAR tersebut meujukka bahwa model mash mempuya permasalaha pada heterogetas spasal. Nla p-value pada uj BP adalah sebesar 0,00003 yag lebh kecl dar pada α = 0,05, sehgga dsumpulka asums kehomogea ragam ssaa dlaggar. Model GWR Hasl peguja pada asums kehomogea ssaa dega uj Breush Paga (BP) ddapatka la p-value sebesar 0,00006 pada regres ler tapa melbatka efek spasal da 0,00003 utuk model regres SAR. Keduaya lebh kecl darpada = 0,05, sehgga dapat dsmpulka bahwa terdapat efek heterogetas spasal. Utuk tu perlu dselesaka dega pemodela Geographcally Weghted Regresso (GWR). Lagkah awal yag dlakuka utuk membuat model GWR yatu meetuka letak gars Ltag Selata da Bujur mur. tk yag dguaka dalam peetua lokas data yatu bukota kabupate/kota, pertmbagaya yatu lokas dar kosetras dustr dasumska medekat atau d sektar bukota dar kabupate/kota. Peetua 5 R d a g B. P.

27 koordat lokas yag berbeda dapat meghaslka suatu estmas yag berbeda (walaupu perbedaa yag kecl). Sela dega memlh bukota sebaga lokas data, sebearya lokas data yag tepat utuk kasus aglomeras dustr maufaktur yatu lokas dar kosetras dustr d masg-masg wlayah kabupate/kota. Aka tetap hal tu sult dlakuka karea memerluka pegetahua atau formas megea kosetras dustr d setap wlayah kabupate/kota. Lagkah selajutya yatu meetuka la pembobot yag mewakl letak data observas satu dega laya. Skema pembobota pada GWR dapat megguaka beberapa metode yag berbeda. Ada beberapa lteratur yag bsa dguaka utuk meetuka besarya pembobot utuk masg-masg lokas yag berbeda pada model GWR, dataraya dega megguaka fugs kerel (kerel fucto). Fugs kerel dguaka utuk megestmas paramater dalam model GWR jka fugs jarak adalah fugs yag kotu da mooto turu. Pembobot yag terbetuk dega megguaka fugs kerel adalah fugs jarak Gaussa (Gaussa Dstace Fucto), fugs Bsquare, da fugs kerel rcube. Utuk medapatka badwdth yag optmum dlakuka dega cara memlh tpe kerel yag aka dguaka dega krtera AIC terkecl da meghaslka R terbesar. Berdasarka hasl uj coba dperoleh, dega mempertmbagka la AIC da R maka badwdth yag dguaka adalah badwdth yag dperoleh dar kerel Fxed Gaussa. Fugs dar badwdth adalah utuk meetuka bobot dar suatu lokas terhadap lokas la yag dguaka sebaga pusat. Semak dekat wlayah dega daerah pusat, aka semak besar pula pegaruh yag dberka. Peetua badwdth yag optmum dlakuka dega metode otomats yag dlakuka dega golde secto search. Pegolaha model GWR aglomeras dustr maufaktur d Pulau Jawa dlakuka dega batua software GWR4. GWR4 merupaka aplkas software utuk kalbras model GWR dmaa kta dapat megeksploras keragama atar varabel secara geografs. Berkut output hasl pegolaha dega GWR4. 6 R d a g B. P.

28 ***************************************************************************** Sesso: GWR Aglomeras Idustr Maufaktur ***************************************************************************** Data fleame: D:\s3\SPASIAL\tugas\jawakab7.dbf Number of areas/pots: 7 Model settgs Model type: Gaussa Geographc kerel: fxed Gaussa Method for optmal badwdth search: Golde secto search Crtero for optmal badwdth: AICc Number of varyg coeffcets: 5 Number of fxed coeffcets: 0 Varable settgs Area key: feld: KODE Eastg (x-coord): feld4 : KORX Northg (y-coord): feld5: KORY Cartesa coordates: Eucldea dstace Depedet varable: feld6: Y Itercept: varyg tercept Idepedet varable wth varyg coeffcet: feld7: X Idepedet varable wth varyg coeffcet: feld8: X Idepedet varable wth varyg coeffcet: feld9: X3 Idepedet varable wth varyg coeffcet: feld30: X4 ***************************************************************************** Global regresso result ***************************************************************************** Resdual sum of squares: Number of parameters: 5 (Note: ths um does ot clude a error varace term for a Gaussa model) ML based global sgma estmate: Ubased global sgma estmate: Log-lkelhood: Classc AIC: AICc: BIC/MDL: CV: R square: Adjusted R square: Varable Estmate Stadard Error t(est/se) Itercept X X X X Badwdth search <golde secto search> Lmts: , Golde secto search begs... Ital values pl Badwdth: 0.8 Crtero: p Badwdth:.78 Crtero: p Badwdth:.749 Crtero: pu Badwdth: 4.34 Crtero: 9.84 ter (p) Badwdth:.749 Crtero: Dff: ter (p) Badwdth: Crtero: Dff: ter 3 (p) Badwdth: 3.76 Crtero: 9.0 Dff: ter 4 (p) Badwdth: Crtero: Dff: 0.8 ter 5 (p) Badwdth: Crtero: Dff: 0.4 ter 6 (p) Badwdth: 4.73 Crtero: 9.95 Dff: ter 7 (p) Badwdth: 4.6 Crtero: Dff: ter 8 (p) Badwdth: 4.60 Crtero: Dff: ter 9 (p) Badwdth: 4.80 Crtero: Dff: 0.0 he upper lmt your search has bee selected as the optmal badwdth sze. Best badwdth sze 4.34 Mmum AICc R d a g B. P.

29 ***************************************************************************** GWR (Geographcally weghted regresso) result ***************************************************************************** Badwdth ad geographc rages Badwdth sze: Coordate M Max Rage X-coord Y-coord Dagostc formato Resdual sum of squares: Effectve umber of parameters (model: trace(s)): Effectve umber of parameters (varace: trace(s's)): Degree of freedom (model: - trace(s)): Degree of freedom (resdual: - trace(s) + trace(s's)): ML based sgma estmate: Ubased sgma estmate: Log-lkelhood: Classc AIC: AICc: BIC/MDL: CV: R square: Adjusted R square: << Geographcally varyg coeffcets >> Estmates of varyg coeffcets have bee saved the followg fle. Lstwse output fle: defaultgwrlstwse.csv Summary statstcs for varyg coeffcets Varable Mea SD Itercept X X X X Varable M Max Rage Itercept X X X X Varable Lwr Quartle Meda Upr Quartle Itercept X X X X Varable Iterquartle R Robust SD Itercept X X X X (Note: Robust SD s gve by (terquartle rage /.349) ) GWR ANOVA able ***************************************************************************** Source SS DF MS F Global Resduals GWR Improvemet GWR Resduals ***************************************************************************** Program termated at 7/04/04 9:3:05 PM 8 R d a g B. P.

30 Iformas yag dapat dperoleh dar hasl pegolaha dega GWR4 yatu la badwth optmal yag dperoleh sebesar 4,34 dega mmum AIC sebesar 9,84. Jka dlhat berdasarka la R, utuk model GWR meghaslka la yag sedkt lebh besar dar pada model regres global yatu 50,57% (R regres global 49,94). Dega demka dapat dkataka model GWR sedkt lebh bak dar pada regres global. Hasl paaksra parameter GWR dapat dlhat pada abel dbawah. Varabel yag sgfka berpegaruh dega α = 5% adalah X (skala ekoom) da X4 (ukura pasar). Hal tersebut dtujukka oleh la t ht yag lebh besar dar t (0,05;7) yatu sebesar,59. Pada abel terlhat juga la R yag meujukka seberapa besar keragama yag mampu djelaska oleh varabel predktor terhadap aglomeras dustr maufaktur. Pada peaksra parameter GWR, semua kabupate/kota memlk model dega varabel yag berpegaruh sgfka yag sama. Seluruhya memlk varabel X da X4 yag sgfka berpegaruh da X da X3 yag tdak berpegaruh secara statstk. abel. Hasl Estmas Parameter GWR Aglomeras Idustr Maufaktur Kode koor x koor y est_itrcpt est_x est_x est_x3 est_x4 localr R d a g B. P.

31 R d a g B. P.

32 R d a g B. P.