Text

Geographically Weighted Regression Principal Component Analysis (GWRPCA) pada Permodelan Pendapatan Asli Daerah di Jawa Tengah

---

ABSTRAK

Analisis Regresi Linier Berganda merupakan metode untuk memodelkan
hubungan antara sebuah variabel respon dengan dua atau lebih variabel bebas.
Geographically Weighted Regression (GWR) merupakan pengembangan dari
model regresi dimana setiap lokasi pengamatan mempunyai nilai parameter
regresi yang berbeda-beda akibat adanya efek heterogenitas spasial. Regression
Principal Component Analysis (RPCA) merupakan gabungan dari metode PCA
dan regresi untuk menghilangkan efek multikolinieritas pada model regresi.
Geographically Weighted Regression Principal Component Analysis (GWRPCA)
merupakan gabungan dari metode PCA dan GWR apabila terjadi heterogenitas
spasial dan multikolinieritas lokal. Estimasi parameter untuk model GWR dan
GWRPCA menggunakan metode Weighted Least Square (WLS). Pembobotan
menggunakan fungsi kernel fixed gaussian melalui pemilihan bandwidth yang
optimum sebesar 0,08321242 dengan kriteria Cross Validation (CV) minimum
sebesar 3,009035. Dalam PCA didapatkan variabel-variabel yang mempengaruhi
Pendapatan Asli Daerah (PAD) di Jawa Tengah tahun 2012 dan 2013 dapat
diwakili oleh PC1 yang mampu menerangkan total varian data 71,4%. GWRPCA
merupakan model terbaik untuk memodelkan PAD di kabupaten dan kota di Jawa
Tengah dibandingkan model RPCA karena memiliki nilai Akaike Information
Criterion (AIC) terkecil dan R2 terbesar.
Kata Kunci: Heterogenitas Spasial, Multikolinieritas Lokal, Principal
Component Analysis, Geographically Weighted Regression
Principal Component Analysis.

ABSTRACT

Linear Regression Analysis is a method for modeling the relation
between a response variable with two or more independent variables.
Geographically Weighted Regression (GWR) is a development of the regression
model where each observation location has different regression parameter values
because of the effects of spatial heterogenity. Regression Principal Component
Analysis (PCA) is a combination of PCA and are used to remove the effect of
multicolinearity in regression. Geographically Weighted Regression Principal
Component Analysis (GWRPCA) is a combination of PCA and GWR if spatial
heterogenity and local multicolinearity occured. Estimation parameters for the
GWR and GWRPCA using Weighted Least Square (WLS). Weighting use fixed
gaussian kernel function through selection of the optimum bandwidth is
0,08321242 with minimum Cross Validation (CV) is 3,009035. There are some
variables in PCA that affect locally-generated revenue in Central Java on 2012
and 2013, which can be represented by PC1 that explained the total variance data
about 71,4%. GWRPCA is a better model for modeling locally-generated revenue
for the districts and cities in Central Java than RPCA because it has the the
smallest Akaike Information Criterion (AIC) and the largest R2..
Keywords : Spatial Heterogenity, Local Multicolinearity, Principal Component
Analysis, Geographically Weighted Regression Principal
Component Analysis.

---

Ketersediaan

496E16IV

519.536 SAR g

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

STATISTIKA

No. Panggil

519.536 SAR g

Penerbit

: ., 2016

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

1344

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Nurmalita Sari

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar