Penerapan Metode Geographically Weighted Panel Regression Pada Indeks Pembangunan Manusia di Indonesia Tahun 2017-2022
Abstract
Regresi linier merupakan metode statistik untuk memeriksa hubungan antara variabel respons dan satu atau lebih variabel prediktor. Dalam sebuah penelitian, satu unit observasi harus diteliti selama beberapa periode waktu, karena mempelajari satu unit dalam satu periode waktu tidaklah cukup. Oleh karena itu, sebuah pendekatan statistik yang disebut analisis regresi panel diciptakan untuk mengintegrasikan data cross-section dan data time series. Namun pada kenyataannya, perbedaan kondisi antar lokasi dipengaruhi oleh efek spasial yang menyebabkan terjadinya heterogenitas spasial. Dikembangkanlah metode Geographically Weighted Regression (GWR) untuk mengatasi masalah heterogenitas spasial. Berdasarkan kelebihan kedua metode tersebut maka berkembanglah suatu metode yang menggabungkan antara regresi data panel dan GWR yaitu Geographically Weighted Panel Regression (GWPR). Tujuan dari penelitian ini adalah untuk mengetahui faktor-faktor yang mempengaruhi indeks pembangunan manusia (IPM) di Indonesia tahun 2017-2022 dan menentukan model terbaik dengan membandingkan model regresi global dan GWPR. Model GWPR dengan pembobot adaptive bisquare merupakan model terbaik dengan nilai AIC terkecil dan R^2 terbesar. Secara keseluruhan semua variabel prediktor yang digunakan dalam penelitian berpengaruh signifikan terhadap IPM pada taraf signifikansi α=0,05. Persamaan model dan variabel yang berpengaruh signifikan yang dihasilkan dalam pemodelan GWPR berbeda untuk setiap provinsi. Berdasarkan kesamaan variabel yang mempengaruhi IPM di provinsi yang letaknya berdekatan membentuk 8 kelompok.
References
Amaluddin, A., Payapo, R. W., Laitupa, A. A., & Serang, M. R. (2018). A modified human development index and poverty in the villages of west seram regency, Maluku province, Indonesia. International journal of economics and financial issues, 8(2), 325-330.
Badan Pusat Statistik (BPS). (2015). Indeks Pembangunan Manusia. https://www.bps.go.id/pressrelease/2016/06/15/1278/indeks-pembangunan-manusia-2015.html. Diakses pada tanggal 26 September 2023.
Baltagi, B. H. (2005). Econometric Analysis of Panel Data. 3th Edition. John Wiley & Sons Ltd, England.
Greene, W. H. (2000). Econometric Analysis. 4th Edition. Prentice-Hall, Inc., New Jersey.
Gujarati, D. (2004). Basic Econometrics. 4th Edition. McGraw–Hill, New York.
Melliana, A. & Zain, I. (2013). Analisis Statistika Faktor yang Mempengaruhi Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Timur dengan Menggunakan Regresi Panel. Jurnal Sains Dan Seni Pomits, 2(2), 237-242.
Meutuah, S. M., Yasin, H., & Di Asih, I. M. (2017). Pemodelan Fixed Effect Geographically Weighted Panel Regression untuk Indeks Pembangunan Manusia di Jawa Tengah. Jurnal Gaussian, 6(2), 241-250.
Munikah, T., Pramoedyo, H., & Fitriani, R. (2014). Pemodelan geographically weighted regression dengan pembobot fixed gaussian kernel pada data spasial (studi kasus ketahanan pangan di kabupaten tanah laut kalimantan selatan). Jurnal NaturalB, 2(3), 296-302.
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.
Rahmadeni, R., & Wulandari, N. (2017). Analisis Faktor-Faktor yang Mempengaruhi Inflasi pada Kota Metropolitan di Indonesia dengan Menggunakan Analisis Data Panel. Jurnal Sains Matematika Dan Statistika, 3(2), 34-42.
Sari, Y., Nasrun, A., & Putri, A. K. (2020). Analisis pengaruh indeks pembangunan manusia dan kemiskinan terhadap pertumbuhan ekonomi kabupaten/kota di provinsi Kepulauan Bangka Belitung tahun 2010-2017. Equity: Jurnal Ekonomi, 8(1), 1-13.
Walpole, R.E., Myers, R.H., Myers, S.L., & Ye, K. (2007). Probability & Statistics for Engineers & Scientists. 9th Edition. Prentice Hall, New Jersey.
Wheeler, D. C. (2021). Geographically weighted regression. In Handbook of regional science (pp. 1895-1921). Berlin, Heidelberg: Springer Berlin Heidelberg.
Wibisono, D. (2005). Metode Penelitian dan Analisis Data. Salemba Medika, Jakarta.
Wu, C., Ren, F., Hu, W., & Du, Q. (2019). Multiscale geographically and temporally weighted regression: Exploring the spatiotemporal determinants of housing prices. International Journal of Geographical Information Science, 33(3), 489-511.
Yang, B., Wu, S., & Yan, Z. (2022). Effects of climate change on corn yields: spatiotemporal evidence from geographically and temporally weighted regression model. ISPRS International Journal of Geo-Information, 11(8), 433.
Yu, D., Zhang, Y., Wu, X., Li, D., & Li, G. (2021). The varying effects of accessing high-speed rail system on China’s county development: A geographically weighted panel regression analysis. Land Use Policy, 100, 104935.
Zhang, Y., Zhang, D., & Miller, E. J. (2021). Spatial autoregressive analysis and modeling of housing prices in city of Toronto. Journal of Urban Planning and Development, 147(1), 05021003.
