Show simple item record

dc.contributor.authorINDRAWATI, Sovia
dc.date.accessioned2024-07-12T07:48:17Z
dc.date.available2024-07-12T07:48:17Z
dc.date.issued2024-07-12
dc.identifier.nim201810101088en_US
dc.identifier.urihttps://repository.unej.ac.id/xmlui/handle/123456789/122171
dc.descriptionFinalisasi unggah file repositori tanggal 12 Juli 2024_Kurnadien_US
dc.description.abstractJawa 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 Timuren_US
dc.description.sponsorship1. Dr. Yuliani Setia Dewi, S.Si., M.Si. 2. Dr. Mohamat Fatekurohman, S.Si., M.Si.en_US
dc.language.isootheren_US
dc.publisherFakultas Matematika dan Ilmu Pengetahuan Alamen_US
dc.subjectAnalisis Geographically Weighted Regression (GWR)en_US
dc.subjectGeographically Weighted Artificial Neural Network (GWANN)en_US
dc.subjectPengangguran Terbuka Jawa Timuren_US
dc.titlePerbandingan Metode Geographically Weighted Regression dan Geographically Weighted Artificial Neural Network pada Kasus Tingkat Pengangguran Terbuka di Provinsi Jawa Timuren_US
dc.typeSkripsien_US
dc.identifier.prodiMatematikaen_US
dc.identifier.pembimbing1Dr. Yuliani Setia Dewi, S.Si., M.Si.en_US
dc.identifier.pembimbing2Dr. Mohamat Fatekurohman, S.Si., M.Si.en_US
dc.identifier.validatorTeddyen_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record