• Login
    View Item 
    •   Home
    • UNDERGRADUATE THESES (Koleksi Skripsi Sarjana)
    • UT-Faculty of Mathematics and Natural Sciences
    • View Item
    •   Home
    • UNDERGRADUATE THESES (Koleksi Skripsi Sarjana)
    • UT-Faculty of Mathematics and Natural Sciences
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Perbandingan Metode Geographically Weighted Regression dan Geographically Weighted Artificial Neural Network pada Kasus Tingkat Pengangguran Terbuka di Provinsi Jawa Timur

    Thumbnail
    View/Open
    Sovia Indrawati_201810101088.pdf (2.449Mb)
    Date
    2024-07-12
    Author
    INDRAWATI, Sovia
    Metadata
    Show full item record
    Abstract
    Jawa Timur memiliki wilayah yang luas serta pertumbuhan penduduk yang cukup tinggi. Tingginya tingkat pengangguran dapat mengganggu stabilitas perekonomian, sehingga diperlukan upaya untuk menurunkan tingkat pengangguran yaitu dengan pendekatan analisis yang sesuai. Geographically Weighted Regression (GWR) merupakan metode yang digunakan untuk menganalisis faktor secara spasial dengan pendekatan titik. Model regresi lokal GWR memperluas kerangka model regresi global dengan memperkirakan parameter regresi secara lokal di setiap titik lokasi geografis. Hal ini menghasilkan estimasi parameter yang berbeda-beda di seluruh lokasi pengamatan. Geographically Weighted Artificial Neural Network (GWANN) merupakan suatu pendekatan yang menggabungkan regresi spasial GWR dengan jaringan saraf tiruan atau ANN. GWANN mengadaptasi struktur ANN untuk mendapatkan informasi spasial dari data dan memberikan estimasi di setiap lokasi. Penelitian ini dilakukan analisis perbandingan metode GWR dan GWANN pada data tingkat pengagguran terbuka di Jawa Timur. Pada GWR dilakukan penentuan bandwidth dan pembobot optimum yang diperoleh dari fungsi kernel. Dalam penelitian ini menggunakan empat jenis fungsi kernel yaitu, fixed bisquare, fixed gaussian, adaptive bisquare, dan adaptive gaussian. Pembobot optimum diperoleh dari nilai AIC terkecil yaitu adaptive gaussian. Pada GWANN digunakan single hidden layer dengan jumlah hidden neurons dan perpaduan hyperparameter yang ditentukan. Perbandingan antara kedua metode tersebut berdasarkan evaluasi model seperti RMSE, MAPE, dan MAE. Hasil yang diperoleh yaitu model GWR memiliki kinerja yang lebih baik daripada GWANN. Berdasarkan model terbaik GWR dilakukan anslisis variabel signifikan masingmasing daerah. Variabel signifikan yang diperoleh sangat beragam di setiap wilayah, variabel yang paling banyak berpengaruh dibeberapa lokasi diantaranya Angka Harapan Hidup (𝑋3) dan Tingkat Partisipasi Angkatan Kerja atau TPAK (𝑋2). Dengan demikian, metode GWR lebih baik daripada metode GWANN dalam menjelaskan data kasus TPT di Provinsi Jawa Timur
    URI
    https://repository.unej.ac.id/xmlui/handle/123456789/122171
    Collections
    • UT-Faculty of Mathematics and Natural Sciences [3452]

    UPA-TIK Copyright © 2024  Library University of Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    University of Jember Repository
    IPB University Scientific Repository
    UIN Syarif Hidayatullah Institutional Repository
     

     

    Browse

    All of RepositoryCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    Context

    Edit this item

    UPA-TIK Copyright © 2024  Library University of Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    University of Jember Repository
    IPB University Scientific Repository
    UIN Syarif Hidayatullah Institutional Repository