Metode Geographically Weighted untuk Data Indeks Pembangunan Manusia di Pulau Jawa

Abstract

Indeks pembangunan manusia merupakan indikator yang berfungsi untuk mengukur keberhasilan suatu negara dengan melihat tinggi rendahnya kualitas hidup. Menurut BPS tahun 2022, Pulau Jawa memiliki nilai IPM tertinggi dibanding dengan pulau lainnya. Pulau Jawa terbagi atas enam provinsi yaitu Provinsi Jawa Barat, Jawa Tengah, Jawa Timur, Banten, DIY, dan DKI Jakarta. Setiap provinsi di Pulau Jawa memiliki nilai IPM yang berbeda-beda. Hal ini dikarenakan terdapat hubungan spasial antar variabel yang mempengaruhi IPM yang menimbulkan adanya ketergantungan spasial. Metode yang digunakan untuk menganalisis adanya efek spasial adalah Geographically Weighted Regression (GWR) dan Geographically Weighted Artificial Neural Network (GWANN). Tujuan dari penelitian ini adalah untuk mengetahui faktor apa saja yang berpengaruh terhadap IPM serta membandingkan metode GWR, GWRR, dan GWANN berdasarkan dari nilai 𝑅2 dan RMSE. Faktor-faktor yang diduga mempengaruhi IPM dianalisis dengan GWR, GWANN, dan GWRR. Metode GWANN merupakan variasi dari Artificial Neural Network (ANN) yang menggabungkan ANN dengan pembobot spasial. Metode GWR merupakan pengembangan regresi linier yang ditambah dengan fungsi pembobot. Kasus IPM pada model GWR dideteksi adanya multikolinieritas yang menyebabkan besarnya variansi. Metode untuk mengatasi adanya multikolinieritas adalah Geographically Weighted Ridge Regression (GWRR). Metode GWRR memiliki cara kerja yang sama dengan GWR, namun hanya ditambahkan parameter ridge untuk mengatasi adanya multikolinieritas. Penentuan pembobot optimum pada model GWR, GWRR, dan GWANN menggunakan Aike’s Information Criteria (AIC) terkecil. Nilai AIC pada Adaptive Gaussian sebesar 514,7019 dan Adaptive Bisquare sebesar 521,1609. Berdasarkan hasil AIC diperoleh pembobot optimum yaitu Adaptive Gaussian. Metode GWANN digunakan single hidden neuron dengan batch size sebesar 11. Optimizer yang digunakan adalah momentum, nesterov, sgd, dan adam. Neuron hidden yang digunakan dimulai dari 10 sampai 300. Pada metode GWRR diperoleh nilai parameter ridge optimum sebesar 0,0542. Nilai tersebut diperoleh berdasarkan Generalized Cross Validation (GCV) minimum. Model terbaik dapat dilihat berdasarkan nilai 𝑅2 dan RMSE. Nilai 𝑅2 dan RMSE yang semakin kecil menunjukkan suatu model memiliki tingkat keakuratan semakin baik. Nilai 𝑅2 dari model GWR, GWRR, dan GWANN berturut-turut yaitu 0,87, 0,93, dan 0,54. Nilai RMSE dari GWRR < GWR < GWANN (1,35 < 1,83 < 2,74). Berdasarkan nilai diperoleh model GWR lebih baik dibanding metode lainnya. Pemilihan model terbaik dihasilkan 6 variabel signifikan dari 8 variabel yang berbeda-beda pada tiap lokasi yang disebabkan adanya pengaruh efek spasial. Oleh karena itu, dapat disimpulkan bahwa model GWRR dengan 6 variabel signifikan mampu menjelaskan indeks pembangunan manusia di Pulau Jawa.