Analisis IPM di Kalimantan Timur Tahun 2021 Dengan Pendekatan Metode OLS dan GWR

Abstract View: 78, PDF Download: 73

Authors

  • Yanuar Bhakti Wira Tama Matematika, Institut Teknologi Kalimantan https://orcid.org/0009-0008-1098-2737
  • Dwiki Jaya Ardila Statistika, Institut Teknologi Kalimantan
  • Syalam Ali Wira Dinata Simatupang Statistika, Institut Teknologi Kalimantan
  • Retno Wahyu Dewanti Matematika, Institut Teknologi Kalimantan

DOI:

https://doi.org/10.32665/statkom.v2i2.2315

Keywords:

GWR, IPM, Regresi Spasial, OLS

Abstract

Latar   Belakang:  Provinsi Kalimantan Timur merupakan salah satu provinsi yang memiliki potensi ekonomi yang signifikan di Indonesia. Namun, untuk mencapai pembangunan yang berkelanjutan dan meningkatkan kesejahteraan masyarakat, perlu dilakukan analisis yang mendalam terhadap faktor-faktor yang mempengaruhi Indeks Pembangunan Manusia atau IPM di wilayah ini.

Tujuan: Penelitian ini bertujuan untuk menganalisis regresi spasial pada IPM di Kalimantan Timur tahun 2021.

Metode: Metodologi penelitian mencakup sumber data yang digunakan dan variabel penelitian yang terdiri dari variabel dependen (IPM) dan variabel independen yang meliputi harapan lama sekolah, umur harapan hidup, rata-rata lama sekolah, rasio ketergantungan, tingkat pengangguran terbuka, dan tingkat partisipasi angkatan kerja. Kemudian akan dibandingkan dengan dua metode yaitu metode Ordinary Least Square (OLS) dan Geographically weighted regression (GWR).

Hasil: Model GWR Indeks Pembangunan Manusia di Kalimantan Timur lebih baik dibandingkan model OLS. R square yang didapatkan dengan pemodelan GWR lebih kecil yaitu sebesar 0.984551, Sedangkan Model OLS didapatkan nilai sebesar 0.985.

Kesimpulan: Setiap wilayah di Kalimantan Timur memiliki karakteristik yang berbeda-beda atau memiliki unsur spasial. Nilai IPM tertinggi adalah Kota Samarinda, sedangkan terendah adalah Kabupaten Mahakam Ulu.

References

Arifat, M., Putri, W. A., & Mufida, A. S. (2023). Penerapan Metode Naive Bayes Classifier Untuk Klasifikasi Indeks Pembangunan Manusia Di Provinsi Jawa Timur. Jurnal Statistika Dan Komputasi (STATKOM), 2(1). 31-43. https://doi.org/10.32665/statkom.v2i1

Daulay, S. H., & Simamora, E. (2023). PEMODELAN FAKTOR-FAKTOR PENYEBAB KEMISKINAN DI PROVINSI SUMATERA UTARA MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR). Jurnal Riset Rumpun Matematika dan Ilmu Pengetahuan Alam (JURRIMIPA), 2(1), 47-60. https://doi.org/10.55606/jurrimipa.v2i1.646

Dur, S., Cipta, H., & Rizki, N. A. (2023). PEMODELAN GEOGRAPHICALLY WEIGHTED REGRESSION TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA PUTUS SEKOLAH MENENGAH KEJURUAN DI PROVINSI SUMATERA UTARA. Jurnal Lebesgue: Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika, 4(3), 1490-1513. https://doi.org/10.46306/lb.v4i3.422

Hasibuan, L. S., Rujiman, & Sukardi. (2020). Analisis Determinan Indeks Pembangunan Manusia (IPM) Di Indonesia. Jurnal Penelitian Pendidikan Sosial Humaniora, 5(2), 139–141. https://doi.org/https://doi.org/10.32696/jp2sh.v5i2.

Heriansyah, R. D., Nuraini, I., & Kusuma, H. (2018). Analisis Pengaruh Jumlah Industri Dan Indeks Pembangunan Manusia Terhadap Jumlah Penduduk Miskin Di Kabupaten/Kota Provinsi Banten Tahun 2012-2016. Jurnal Ilmu Ekonomi, 2(3), 453-463. https://doi.org/10.22219/jie.v2i3.7110

Indonesia, B. P. S. R. (2017). Indeks Pembangunan Manusia 2016. Jakarta (ID): Badan Pusat Statistik.

Jiang, J., Luo, L., Xu, P., & Wang, P. (2018). How does social development influence life expectancy? A geographically weighted regression analysis in China. Public health, 163,95-104. https://doi.org/10.1016/j.puhe.2018.06.003

Mohammad, N. S., Abdul Rasam, A. R., Ghazali, R., Idris, R., & Abu Bakar, R. (2023). Spatial Clustering Phenomena Of Covid-19 Cases In Selangor: A Hotspot Analysis And Ordinary Least Squares Method. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48, 237-243. https://doi.org/10.5194/isprs-archives-XLVIII-4-W6-2022-237-2023

Ningrum, J. W., Khairunnisa, A. H., & Huda, N. (2020). Pengaruh kemiskinan, tingkat pengangguran, pertumbuhan ekonomi dan pengeluaran pemerintah terhadap indeks pembangunan manusia (IPM) di Indonesia tahun 2014-2018 dalam perspektif Islam. Jurnal Ilmiah Ekonomi Islam, 6(2), 212-222. http://dx.doi.org/10.29040/jiei.v6i2.1034

Raymundo, C. E., Oliveira, M. C., Eleuterio, T. D. A., André, S. R., da Silva, M. G., Queiroz, E. R. D. S., & Medronho, R. D. A. (2021). Spatial analysis of COVID-19 incidence and the sociodemographic context in Brazil. PLoS One, 16(3), e0247794. https://doi.org/10.1371/journal.pone.0247794

Saputro, D. R. S., Hastutik, R. D., & Widyaningsih, P. (2021, February). The modeling of human development index (HDI) in Papua—Indonesia using geographically weighted ridge regression (GWRR). In AIP Conference Proceedings (Vol. 2326, No. 1). AIP Publishing. https://doi.org/10.1063/5.0040329

Sitompul, P. (2022). Analysis of Ordinary Least Square and Geographically Weighted Regression on the Human Development Index of North Sumatra 2021. Formosa Journal of Applied Sciences, 1(6), 981-1000. https://doi.org/10.55927/fjas.v1i6.1718

Sun, F., Matthews, S. A., Yang, T. C., & Hu, M. H. (2020). A spatial analysis of the COVID-19 period prevalence in US counties through June 28, 2020: where geography matters?. Annals of epidemiology, 52, 54-59. https://doi.org/10.1016/j.annepidem.2020.07.014

Utami, T. W., Rohman, A., & Prahutama, A. (2016). Pemodelan regresi berganda dan Geographically Weighted Regression pada tingkat pengangguran terbuka di Jawa Tengah. Media Statistika, 9(2), 133-147. https://doi.org/10.14710/medstat.9.2.133-147

Wang, Y., Li, X., Kang, Y., Chen, W., Zhao, M., & Li, W. (2019). Analyzing the impact of urbanization quality on CO2 emissions: What can geographically weighted regression tell us?. Renewable and Sustainable Energy Reviews, 104, 127-136. https://doi.org/10.1016/j.rser.2019.01.028

Downloads

Published

2023-12-31

How to Cite

Tama, Y. B. W., Ardila, D. J., Simatupang, S. A. W. D., & Dewanti, R. W. (2023). Analisis IPM di Kalimantan Timur Tahun 2021 Dengan Pendekatan Metode OLS dan GWR. Jurnal Statistika Dan Komputasi, 2(2), 93–103. https://doi.org/10.32665/statkom.v2i2.2315

Issue

Vol. 2 No. 2 (2023): Jurnal Statistika dan Komputasi

Section

Articles

License

Copyright (c) 2023 Jurnal Statistika dan Komputasi

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Authors who publish in this Journal agree to the following terms:

  1. The author retains copyright and grants the Journal right of first publication with the work simultaneously licensed under a creative commons attribution license that allows others to share the work within an acknowledgement of the work’s authorship and initial publication of this Journal.
  2. Authors can enter into a separate, additional contractual arrangement for the non-exclusive distribution of the Journal’s published version of the work (e.g. acknowledgement of its initial publication in this Journal).
  3. Authors are permitted and encouraged to post their work online (e.g. in institutional repositories or on their websites) before and during the submission process, as it can lead to productive exchanges and earlier and more extraordinary citations of published works.
Abstract View: 78, PDF Download: 73