ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

Transkripsi

1 ISSN: JURNAL GAUSSIAN, Volume 4, Nomor, ahu 015, Halama Ole d: ANALISIS FAKOR FAKOR YANG MEMPENGARUHI JUMLAH KEJAHAAN PENCURIAN KENDARAAN BERMOOR (CURANMOR) MENGGUNAKAN MODEL GEOGRAPHICALLY WEIGHED POISSON REGRESSION (GWPR) Muhammad Hars 1, Hasb Yas, Abdul Hoyy 3 1 Mahasswa Jurusa Statsta FSM UNDIP,3 Staf Pegaar urusa Statsta FSM UNDIP ABSRAC heft s a act tag someoe else s property, partally or eterely, wth teto to have t llegally. Motor vehcle theft s oe of the most hghlghted crme type ad dsturbg the commutes. Regresso aalyss s a statstcal aalyss for modelg the relatoshps betwee respose varable ad predctor varable. If the respose varable follows a Posso dstrbuto or categorzed as a cout data, so the regresso model used s Posso regresso. Geographcally Weghted Posso Regresso (GWPR) s a local form of Posso regresso where data samplg locato s prortzed. GWPR model s used for detfyg the factors that fluece the umbers of motor vehcles theft, ether usg a weghted gauss erel fucto or bsquare erel fucto. Based o the value of Aae Iformato Crtero (AIC) of Posso regresso ad GWPR model, t s aalyzed that GWPR model usg a weghted fxed bsquare erel fucto s the best model for aalyzg the umber of motor vehcles theft at every Sub-Dstrcts the Semarag cty 01, because t has the smallest AIC value. hs model has a precso of 88,81%. Keywords: Motor Vehcle heft, Geographcally Weghted Posso Regresso, Kerel Gauss Fucto, Kerel Bsquare Fucto, Aae Iformato Crtero 1. PENDAHULUAN Kasus eahata yag terad pada masyaraat saat sagat beragam esya. Pecura edaraa bermotor (curamor) merupaa salah satu es eahata yag palg dsorot oleh masyaraat Idoesa. Hampr setap har meda massa dhas oleh berta-berta tetag tda eahata curamor yag terad dmasyaraat, asus berdampa buru bag masyaraat area pelau serg melua baha meghabs yawa orbaya. Idoesa mecatat pegata eahata dar 009 sampa 011, eaa aga rmaltas hususya pecura edaraa bermotor adalah a dar eada mead atau a setar 13,7% [1]. Beberapa fator yag meyebaba teradya eahata curamor dataraya dsebaba oleh megatya umlah pegaggura da aa yag putus seolah, terbatasya aggota perlduga masyaraat (lmas), urag atfya orgasas sosal (arag tarua), da megatya umlah edaraa bermotor tu sedr d suatu wlayah []. Fator-fator tersebut tdalah sama pada suatu wlayah dega wlayah laya area meml araterst yag berbeda, utu tu perlu mempertmbaga aspe spasal dalam peyusua sebuah model. Salah satu aalss statst spasal dega pedeata pola tt adalah Geographcally Weghted Posso Regresso (GWPR). Metode merupaa betu loal dar regres Poso dmaa loas pegambla data sagat dperhatayag berasums bahwa data berdstrbus Posso [3]. Metode GWPR dterapa dalam beberapa peelta dataraya Aulele (010) utu megetahu fatorfator yag berpegaruh terhadap emata bay dega data yag berupa umlah (cout). Qomaryah, d (013) megguaa metode GWPR utu megetahu fator-fator yag mempegaruh umlah emata bu. Oleh area tu, metode GWPR aa dterapa utu pemodela umlah pecura edaraa bermotor d Kota Semarag tahu 01.. INJAUAN PUSAKA.1 Model Regress Posso Regres Posso merupaa suatu betu aalss regres yag dguaa utu memodela data yag berbetu cout (umlah), msalya data tersebut dlambaga dega Y yatu bayaya eada yag terad dalam suatu perode watu da wlayah tertetu. Regres Posso merupaa

2 model regres oler dmaa varabel respo (y) megut dstrbus Posso. Suatu varabel radom Y ddefsa mempuya dstrbus Posso a destas (fugs peluagya) dbera sebaga berut [4] : y e, y 0, 1,,..., fy ( y) fy ( y, ) y! (1) 0 laya Dega parameter μ > 0, mea da varas = μ Pada model regres Posso, basaya l fucto yag dguaa adalah log, sehgga log( ) =. Dega dema model regres Posso dapat dtulsa sebaga berut : l( ) 0 x, 1,,..., () 1 dega (x ) exp( x ) 0 1 Suatu cr dar dstrbus Posso adalah adaya equdspers, ya eadaa dmaa la mea da varas dar varabel respo berla sama. Namu pada pratya, adag-adag dtemua suatu ods dmaa varas data lebh besar dbadg mea. Kods sepert dsebut overdspers [5]. Ja pada data dsrt terad overdspers tetap tetap dguaa model regres Posso, maa estmas parameter oefse regresya tetap osste tetap tda efse area berdampa pada la stadar error yag tgg. Peasra parameter regres Posso dlaua dega megguaa metode Maxmum Lelhood Estmato (MLE). Ja varabel respo adalah y maa model regres Posso utu y adalah [6] : log(y) x 0 1 ; log(y) exp( X β). (3) Karea ( Y ~ Posso ( )), maa betu model mead exp( β). Fugs lelhood dar regres Posso yatu : y exp( )( ) Lβ (4) 1 y! Fugs log-lelhood Posso sebaga berut : exp x β yx β l L β l ( y!) (5) Utu memperoleh la tasra β emuda persamaa (5) dturua terhadap β da dsamaa dega ol yag selautya dapat dselesaa dega metode teras Newto-Raphso. Salah satu metode yag dapat dguaa utu meetua statst u dalam pegua parameter model regres Posso adalah dega megguaa metode (MLR) Maxmum Lelhood Rato est [7]. Hpotessya adalah : H 0 : β 1 = β = = β 5 = 0 H 1 : palg sedt ada satu β 0 ; = 1,,, 5 Statst u utu elayaa model regres Posso : ˆ wˆ ˆ L D β l l L l Lwˆ (6) Lˆ Krtera peguaya adalah tola H 0 apabla D β ˆ). JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 06 ( ( ; 1) D( βˆ ) dsebut uga sebaga statst raso lelhood, dmaa statst merupaa pedeata dar dstrbus dega deraat bebas 1 d bawah model yag sedag damat. Parameter model regres Posso yag telah dhasla dar estmas parameter belum tetu mempuya pegaruh yag sgfa terhadap model. Utu tu perlu dlaua pegua terhadap parameter model regres Posso secara dvdu dega hpotess sebaga berut : H 0 : β = 0 (pegaruh varabel tda sgfa) X

3 H 1 : β 0, dega =1,..,5 (pegaruh varabel sgfa) ˆ Statst u : Z ht (7) se ˆ Dega seˆ adalah la stádar error dar parameter. Krtera peguaya adalah tola H 0 apabla Z ht Z /.. Model Geographcally Weghted Posso Regresso (GWPR) GWPR adalah betu loal dar regres Posso dmaa loas dperhata yag berasums bahwa data berdstrbus Posso. Peasra parameter model GWPR megguaa metode MLE. Karea varabel respo berdstrbus Posso maa fugs lelhood sebaga berut : L β exp x, β x, β 1 y! Fator leta geografs merupaa fator pembobot pada model GWPR. Fator meml la yag berbeda utu setap daerah yag meuua sfat loal pada model GWPR. Oleh area tu pembobot dbera pada betu log-lelhoodya utu model loal GWPR, maa dperoleh : l L Estmas parameter u, maa dperoleh : u, v y x βu, v exp x βu, v y l y! w u, v β (9) v 1 β dperoleh dega medfferesala persamaa (9) terhadap β u, l L β u, v β u, v y x x exp x βu, v w u, v 1 Nla estmas dperoleh dega memasmuma betu dfferesal tersebut sehgga : l L βu, v y x x exp x βu, v w u, v β u, v 1 0 Karea fugs pada persamaa (11) berbetu mplst, maa dguaa suatu prosedur teras umer yatu metode Newto-Raphso. Secara umum persamaa utu teras Newto-Raphso 1 β u, v β u, v H m β u, v g u, v (1) adalah [8] : m1 m m m βm U hpotess yag pertama dlaua adalah pegua model secara sereta. Hpotess : H0 : u, v ; 1,,..., ; 1,,..., p H : palg tda ada satu u, v 1 L wˆ l Lˆ Statst u : D βˆ u, v l L l Lwˆ (13) D( βˆ ) dsebut uga sebaga statst raso lelhood. Pegua esesuaa model GWPR megguaa perbadga la devas model regres Posso da model GWPR. Msala model regres Posso dyataa dega model A dega deraat bebas df A da model GWPR dyataa dega model B dega deraat bebas df B maa : F Devas Model A/ df ˆ v (8) (10) (11) A ht (14) Devas Model B / df B Aa megut dstrbus F dega deraat bebas df A da df B. Krtera peguaya adalah tola H 0 a F ht F ; df A ; df B. Pegua parameter model dlaua dega megu parameter secara parsal. Betu hpotess pegua parameter model secara parsal adalah : Hpotess : H0 : u, v 0 ; 1,,..., ; 1,..., p JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 07

4 u, v 0 H1 : Dalam pegua hpotess d atas dapat dguaa statst u sebaga berut : ˆ ( u, v ) tht (15) se( ˆ ( u, v )) Nla stadar error u, v dperoleh dar : se ˆ u, v var ˆ u, v Dega var u, v merupaa eleme e- dagoal pada matrs varβ u, v p 1x p 1 da u, v (16) yag beruura merupaa tasra parameter model yag memasmuma fugs log-lelhood. Krtera peguaya adalah tola H 0 a [9] ht / ; ( p1). Pembobot yag dguaa utu megestmas paramater dalam model GWPR dataraya adalah fugs erel Gaussa da fugs erel bsquare : w u, v exp d h a. Fugs erel gaussa : 1 d h b. Fugs erel bsquare : w u, v dega d ara atara loas, v ) ( 0, u e loas v t, t utu utu detahu da basaya dsebut parameter peghalus (badwdth). d d h h u, da h adalah parameter o egatf yag Salah satu metode yag dguaa utu utu memlh badwdth optmum adalah metode Cross Valdato (CV) yag ddefsa sebaga berut : dega : h y CV h y y ( h) 1 ˆ (17) : Nla peasr y (fttg value) dmaa pegamata dloas u, v ) dhlaga dar proses peasra ( : Uura sampel Metode yag dguaa utu memlh model terba utu GWPR yatu Aae Iformato Crtero (AIC) yag ddefsa sebaga berut : AIC = D(h) + K(h) (18) Dega D(h) merupaa la devas model dega badwdth (h) da K(h) merupaa bayaya parameter efetf dalam model. Model terba adalah model dega la AIC terecl. 3. Dagost Multolertas Dagost multolertas bertuua utu megetahu apaah pada model regres dtemua adaya orelas atar varabel bebas (depede). Ja varabel depede salg berorelas maa varabel-varabel tda ortogoal [10]. Utu medetes adaya olertas dapat megguaa Varace Iflato Factors (VIF) yag dyataa sebaga berut : 1 VIF (19) 1 R Dega R adalah oefse determas, d maa varabel bebas yag dplh dguaa sebaga varabel terat da varabel bebas laya dguaa sebaga varabel bebas. VIF yag lebh besar dar 10 meuua adaya olertas atar varabel predtor. 4. Metodolog Peelta Data yag dguaa dalam peelta adalah data seuder yag dperoleh dar Polrestabes da Bada Pusat Statst (BPS) Kota Semarag. Data curamor yag dambl merupaa data yag JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 08

5 tercatat pada Polrestabes Kota Semarag pada tahu 01, sedaga data survey yag dambl adalah data survey tahua BPS yag dsaa pada buu Kota Semarag Dalam Aga tahu 01. Varabel respo (Y) yag dguaa dalam peelta adalah umlah teradya eahata pecura motor (curamor) pada tahu 01. Varabel predtor (X ) yag dguaa dalam peelta adalah umlah pegaggura (X1), umlah aa putus seolah (X), umlah lmas (X3), umlah arag tarua (X4) da umlah edaraa bermotor (X5).ahapa aalss yag dguaa utu mecapa tuua peelta duraa sebaga berut : a. Megaalss model regres Posso dega lagah-lagah sebaga berut : 1. Pemersaa multolertas atara varabel predtor. Measr parameter model regres Posso 3. Pegua esesuaa model regres Posso da parameter model secara dvdu b. Megaalss model GWPR dega lagah-lagah sebaga berut: 1. Meetua u da v berdasara gars ltag selata da gars buur tmur utu setap ator polse d Kota Semarag.. Meetua badwdth optmum dega megguaa metode Cross Valdato (CV) 3. Meghtug ara Euclde aatara loas pegamata berdasara poss geografs. Jara Euclde atara loas yag terleta pada oordat u, v terhadap loas yag terleta pada oordat u, v 4. Meghtug matrs pembobot dega megguaa fugs erel Gauss da fugs erel bsquare 5. Measr parameter model GWPR 6. Melaua pegua esamaa model regres Posso da GWPR utu megu sgfas dar fator geografs. 7. Melaua pegua parameter secara parsal 8. Membuat esmpula c. Membadga model regres Posso dega model GWPR 5. Hasl da Pembahasa abel 1. Statst Desrptf Varabel Peelta Varabel N Mea Mmum Maxmum StDev Y 14 54, ,7 X X X , ,5 X , ,3 X abel 1 meuua bahwa rata-rata umlah asus curamor d Kota Semarag adalah 54,9 asus setap Kecamata dalam setahu dmaa umlah asus curamor teredah terdapat pada Kecamata Me yatu sebaya 3 asus sedaga umlah curamor tertgg berada pada Kecamata Semarag Selata dega 153 asus. Sebelum megaalss Regres Posso, perlu dlaua dagost olertas yag bertuua utu megetahu apaah varabel-varabel predtorya telah memeuh ods salg tda berorelas. Krtera yag dguaa utu memersa olertas atar varabel predtor adalah dega megguaa la Varace Iflato Factors (VIF) pada varabel predtor. abel. Nla VIF Varabel Predtor Nla VIF (Varace Iflato Factors) X 1 X X 3 X 4 X 5 1,7 5,1,4 1,5 4,0 abel meuua semua varabel predtor meml la lebh ecl dar 10, maa atar varabel predtor dapat dataa tda salg berorelas sehgga dapat dguaa dalam pembetua model regres Posso da GWPR. JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 09

6 5.1 Model Regres Posso Utu megu esesuaa model regres Posso dguaa la devas. Model regres Posso yag ba adalah model yag meml la devas seecl mug. abel 3. Kesesua Model Regres Posso Devas 64,7113 Db 8 15,51 0,05; db Hpotess : H 0 : β 1 = β = = β 5 = 0 H 1 : palg sedt ada satu β 0 ; = 1,,, 5 abel 3 meuua la statst u sgfas sebesar 5% yag meghasla 0,05;8 D = 64,7113. Dega megguaa tgat = 15,51 area la D lebh besar dar 0,05; db, maa model regres Posso laya dguaa. abel 4. Estmas Parameter Model Regres Posso Parameter Estmas Stadar Error Z Htug β 0 3, , , β 1-0, , , β 1, , ,64971 β 3-0, , ,54706 β 4-0, , ,53997 β 5-0, , ,5133 Setelah medapata la Z htug pada tabel 4 emuda melaua u parsal parameter model regres Posso. Hpotess : H 0 : β = 0 H 1 : β 0, dega = 1,,, 5 Berdasara abel 4 ddapata la Z htug utu semua parameter. Dega megguaa tgat sgfas (α) sebesar 5% maa la Z 0,05 = 1,96. Maa dperoleh 5 parameter yag sgfa yatu β 0, β, β 3, β 4, da β 5 area Z ht, utu tu perlu dlaua pegua ulag regres Posso tapa megguaa varabel (X 1 ). Z 0,05 abel 5. Kesesua Model Regres Posso (ampa Varabel X1) Devas 65, Db 9 0,05; db 15,51 Hpotess : H 0 : β = β 3 = β 4 = β 5 = 0 H 1 : palg sedt ada satu β 0 ; =, 3, 4, 5 abel 5 meuua la statst u D = 65, Dega megguaa tgat sgfas = 16,9, area la, sebesar 5% yag meghasla 0,05;9 D lebh besar dar 0,05; db maa model regres Posso laya dguaa tetap model tersebut meuua ods overdspers area la devas dbag dega deraat bebasya lebh besar dar 1. abel 6. Estmas Parameter Model Regres Posso (apa Varabel X 1 ) Parameter Estmas Stadar Error Z Htug β 0 3, , , β 1, , , β 3-0, ,0540-4, β 4-0, , ,53489 β 5-0,8688 0,0745-1, Setelah medapata la Z htug tapa megguaa varabel X 1 sesua tabel 6 emuda melaua u parsal parameter model regres Posso. JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 10

7 Hpotess : H 0 : β = 0 H 1 : β 0, dega =, 3, 4, 5 Berdasara abel 8 ddapata la Z htug utu semua parameter. Dega megguaa tgat sgfas (α) sebesar 5% maa la Z 0,05 = 1,96. Semua parameter sgfa, area Z ht Z 0, 05, sehgga model regres Posso yag dbetu utu umlah eahata curamor d Kota Semarag tahu 01 adalah : = exp(3, ,01930X - 0,47064X 3 0,151359X 4-0,8688X 5 ) Model datas meelasa bahwa umlah curamor aa megat sebesar exp(1,01930) a varabel umlah pedudu tda seolah (X ) bertambah sebesar satu satua dega syarat varabel predtor yag la adalah osta, umlah curamor aa berurag sebesar exp(0,47064) a varabel umlah lmas (X 3 ) bertambah sebesar satu satua dega syarat varabel predtor yag la adalah osta begtu uga dega varabel X 4 da X 5. Utu etepata model ddapata la R = 45,89% da ddapata la AIC sebesar 75, Model Geographcally Weghted Posso Regresso (GWPR) Dalam medapata model GWPR terlebh dahulu meetua matr pembobot emuda dlauta dega meetua badwth optmum. Matr pembobot yag dguaa adalah dega fugs erel Gauss da fugs erel bsquare. Dega megguaa matr pembobot fugs erel Gauss dperoleh badwth optmum sebesar 0,083310, sedaga dega fugs erel bsquare dperoleh badwth optmum sebesar 0,13740 utu semua loas. abel 7. U Kesamaa Model Regres Posso da GWPR Model Devas Df Devas/df F_ht Regres Posso 65,044 9,000 9,449 GWPR(Gauss) 164,980 5,571 9,614 0,994 GWPR(Bsquare) 54,810 3,366 16,83 1,808 Berdasara abel 7 ddapata la F htug dega megguaa pembobot fugs gauss yatu 0,994 da la F htug dega megguaa pembobot bsquare yatu 1,808. Dega megguaa tgat sgfas sebesar 5% maa la F 4, 346 da 0,05;9;5,571 F 0,05;9;3,366 7, 450. Maa dperoleh eputusa gagal tola H 0 area F htug urag dar F 0,05; v1; v. Sehgga dperoleh esmpula bahwa tda ada perbedaa yag sgfa atara model GWPR ba dega megguaa pembobot fugs erel gauss maupu bsquare dega model regres Posso. Pegua parameter model dmasuda utu megetahu fator-fator yag berpegaruh terhadap umlah curamor dsetap loas u, v. Msala aa d u apaah parameter berpegaruh dloas pertama u 1,v 1, maa betu hpotessya adalah : H u, v 0 ; 1,,..., 5, (parameter tda sgfa) 0 : : u1, v1 0 H, (parameter sgfa) Dega megguaa software GWR4 dperoleh hasl dalam abel 8 sebaga berut : abel 8. Pegua Parameter Model GWPR (Bsquare) d u 1,v 1 Parameter Estmas t htug Kesmpula 4, ,467 Sgfa 0 1 0, , da sgfa 0, ,7117 Sgfa -0,1888 -,849 Sgfa 3 4-0,4779-7,77145 Sgfa -0, ,7840 Sgfa 5 JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 11

8 Berdasara abel 8 ddapata la t htug utu semua parameter. Dega megguaa tgat sgfas sebesar 5% maa la t (0,05;8) =,306. Maa dperoleh 5 parameter yag sgfa yatu β 0, β, β 3, β 4 da β 5 area t ht t0,05;8, sehgga model GWPR dega megguaa pembobot fugs erel bsquare yag dbetu utu umlah curamor d Kota Semarag adalah : = exp(4, ,534894X - 0,1888X 3-0,4779X 4-0,78039X 5 ) Utu megetahu varabel yag sgfa tap ecamata d Kota Semarag dteraga dalam tabel 9 berut : abel 9. Pegelompoa Kecamata d Kota Semarag Berdasara Varabel Yag Sgfa Dega Megguaa Pembobot Fugs Kerel Gauss Kecamata Varabel Yag Sgfa Bayuma, Ngalya, Me, X : Jumlah pedudu yag tda Guug Pat seolah X 3 : Jumlah lmas X 5 : Jumlah edaraa bermotor Semarag Utara, Semarag egah, Semarag Barat, Gayamsar da Semarag mur, Peduruga, Semarag Selata, Gaah Mugur da Cadsar, embalag, Geu, ugu X : Jumlah pedudu yag tda seolah X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor Berdasara abel 9 terlhat bahwa d Kota Semarag dega megguaa pembobot fugs erel gauss terdapat elompo Kecamata. Kelompo pertama terdr dar 4 Kecamata dega 3 varabel predtor yag sgfa da elompo edua terdr dar 10 Kecamata dega 4 varabel predtor yag sgfa. abel 11. Pegelompoa Kecamata d Kota Semarag Berdasara Varabel Yag Sgfa Dega Megguaa Pembobot Fugs Kerel Bsquare Kecamata Semarag Utara, Semarag egah, Semarag Barat, Gayamsar da Semarag mur, Semarag Selata, Gaah Mugur da Cadsar Peduruga embalag, Bayuma, Me Geu ugu, Ngalya, Guug Pat Varabel Yag Sgfa X : Jumlah pedudu yag tda seolah X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X : Jumlah pedudu yag tda seolah X 3 : Jumlah lmas X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor X 1 : Jumlah pegaggura X 3 : Jumlah lmas X 4 : Jumlah arag tarua X 5 : Jumlah edaraa bermotor Berdasara abel 11 terlhat bahwa d ota Semarag dega megguaa pembobot fugs bsquare terdapat 5 elompo Kecamata. Kelompo pertama terdr dar 4 Kecamata dega 6 varabel predtor yag sgfa, elompo edua terdr dar 1 Kecamata dega 3 varabel JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 1

9 predtor yag sgfa, elompo etga terdr dar 3 Kecamata dega 4 varabel predtor yag sgfa, elompo eempat terdr dar 1 ecamata dega 4 varabel predtor yag sgfa da elompo elma terdr dar 3 Kecamata dega 3 varabel predtor yag sgfa. 6. Pemlha Model erba abel 16. Perbadga Kesesuaa Model Model Regres Posso Model GWPR(Kerel Gauss) Model GWPR(Kerel Bsquare) Kota Semarag Devas 65, AIC 75, R 45,89% Devas 164, AIC 179,9846 R 66,3% Devas 54, AIC 74, R 88,81% Berdasara abel 16 dperoleh bahwa model GWPR dega megguaa pembobot fugs erel bsquare lebh ba dguaa utu megaalss umlah emata bay d Kota semarag area mempuya la AIC yag terecl yatu sebesar 1, da la R terbesar yatu 88,81%. 7. Kesmpula Dar hasl da pembahasa dapat dperoleh beberapa esmpula sebaga berut : 1. Rata-rata umlah curamor d Kota Semarag tahu 01 adalah 54,9 atau 55 eada tap Kecamata. Secara eseluruha fator-fator yag mempegaruh umlah curamor berdasara model GWPR dega pembobot fugs erel gauss adalah varabel umlah pedudu yag tda seolah (X ), umlah lmas (X 3 ), umlah arag tarua (X 4 ) da umlah edaraa bermotor (X 5 ). Berdasara varabel yag sgfa maa Kecamata d Kota Semarag dapat delompoa mead elompo. Sedaga fator-fator yag mempegaruh umlah curamor d Kota Semarag berdasara model GWPR dega pembobot fugs bsquare adalah semua varabel (X 1, X, X 3, X 4 da X 5 ), pegelompoa Kecamata d Kota Semarag megguaa pembobot fugs erel bsquare berdasara varabel yag sgfa delompoa mead 5 elompo.. Model GWPR dega megguaa pembobot fugs erel bsquare lebh ba dguaa utu megaalss umlah curamor d Kota Semarag tahu 01 area mempuya la AIC yag terecl da la etepata model R =88,81%. 8. Daftar Pustaa [1] BPS. 01. Statst Krmal 01. Bada Pusat Statst. Jaarta. [] Wawacara dega pha epolsa Polrestabes Kota Semarag [3] Naaya,., Fothergham, A. S., Brusdo, C. ad Charlto, M Geographcally Weghted Posso Regresso for dsease Assocato Mappg. Statstcs Medces, Vol. 4, Pages [4] Mood, A.M., Graybll, F.A., & Boes, D.C Itroducto to he heory of Statstcs, hrd Edto, McGraw-Hll, Sgapura. [5] Camero, A.C. da rved, P.K Regresso Aalyss of Cout Data. Cambrdge Uversty Press. Cambrdge. [6] Qomaryah, N., Puram, S.W. da Pramoo, M.S Pemodela Fator-Fator Yag Mempegaruh Jumlah Kemata Ibu d Jatm Dega Pedeata (Geographcally Weghted Posso Regresso) Dtau Dar Seg Fasltas Kesehata. Jural Sas da Se Pomts, Vol., No. [7] Irawat, B. da Purhad. 01. Perbadga Aalss Geeralzed Posso Regresso (GPR) da Regres Bomal Negatf Utu megatas Overdspers Stud asus : JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 13

10 Pemodela Jumlah Kasus Kaer Servs d Jawa mur. Jural Matemata, Vol., No. [8] Aulele, S.N Model Geographcally Weghted Posso Regresso Dega Pembobot Fugs Kerel Gauss Stud asus : Jumlah Kemata Bay d Jawa mur ahu 007. Jural Bareeg, Vol.5, No, hal [9] Yas, H. da Rusgyoo, A Idetfas Fator-Fator Peyebab Keada Dare D Kota Semarag Dega Pedeata Geographcally Weghted Posso Regresso. Jural Sas da Matemata, Vol.1, No 3, hal [10] Ghozal, I Aplas Aalss Multvarate Dega Program IBM SPSS 19. Eds 5, Bada Peerbt Uverstas Dpoegoro. Semarag. JURNAL GAUSSIAN Vol. 4, No., ahu 015 Halama 14