ANALISIS MODEL PRODUK DOMESTIK REGIONAL BRUTO (PDRB) PROVINSI KALIMANTAN SELATAN DENGAN PENDEKATAN REGRESI GLOBAL DAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)

Yuana Sukmawaty

Abstract


Salah satu aspek penting dalam perekonomian suatu negara adalah tingkat pendapatan yang biasanya berasal dari proses transaksi di dalam negara tersebut. Aspek ini sering dipakai sebagai indikator untuk melihat laju pertumbuhan ekonomi baik dari tingkatan daerah maupun nasional. Pada tingkat daerah, indikator yang dimaksud disebut sebagai Produk Domestik Regional Bruto (PDRB). Ada banyak variabel yang menyumbang struktur PDRB dan bisa digambarkan dalam bentuk model eksplanatoris. Dalam mengembangkan model eksplanatoris yang dapat menggambarkan pola hubungan antara variabel respon dan dua/lebih variabel bebas ini dapat dilakukan melalui pendekatan analisis regresi. Namun, model yang terbentuk dengan pendekatan regresi masih bersifat global karena diberlakukan pada seluruh lokasi pengamatan. Dengan kata lain, pendekatan model global ini biasanya menggunakan rata-rata dari wilayah lokal (area yang lebih kecil luasannya pada wilayah teregionalisasi). Jika tidak ada atau hanya sedikit keragaman antar wilayah lokal, maka pendekatan model regresi secara global akan memberikan informasi yang akurat. Oleh karena itu, apabila kondisi pengamatan di lokasi yang satu dengan lokasi yang tidak selalu sama karena dipengaruhi oleh efek spasial (lokasi) maka model regresi dapat dibentuk dengan menambahkan efek spasial yang sering dikenal sebagai model Geographically Weigthed Regression (GWR). Dalam penelitian ini dilakukan analisa pembentukan model regresi yang tepat untuk kasus PDRB di Provinsi Kalimantan Selatan.

Keywords


Model Regresi, Geographically Weighted Regression, Produk & Domestik Regional Bruto

Full Text:

PDF

References


Anselin, L. (1953) Spatial Econometrics: Methods and Models (Studies in Operational Regional Science). Netherland: Kluwer Academic.

Brunsdon, C., Fotheringham, A. S. and Charlton, M. E. (1996) ‘Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity’, 28(4).

Chumney, F. L. (2012) Comparison of Maximum Likelihood, Bayesian, Partial Least Squares, and Generalized Structured Component Analysis Methods for Estimation of Structural Equation Models with Small Samples : An Exploratory Study. University of Nebraska.

Congdon, P. (2006) Bayesian Statistical Modelling. Second Edi. England: John Wiley & Sons, Ltd.

Fotheringham, A. S., Brundson, C. and Chalrton, M. (2000) Qualitative Geography: Perspectives on Spatial Data Analysis. London: Sage Publications, Ltd.

Fotheringham, A. S., Brunsdon, C. and Charlton, M. (2002) Geographically Weighted Regression : The Analysis of Spatially Varying Relationships. Edited by University of Newcastle. UK: John Wiley & Sons, Ltd.

Lesage, J. P. (2001) ‘A Family of Geographically Weighted Regression Models’, pp. 1–36.

Makridakis, S., Wheelwright, S. C. and McGee, V. E. (1983) Forecasting: Methods And Applications. Second Edi. USA: John Wiley & Sons, Ltd.

Sodikin, I., Pramoedyo, H. and Astutik, S. (2017) ‘Geographically Weighted Regression and Bayesian Geograpically Weighted Regression Modelling With Adaptive Gaussian Kernel Weight Function On The Poverty Level in West Java Province’, International Journal of Humanities, Religion and Social Science, 2(1), pp. 21–30.




DOI: https://doi.org/10.33758/mbi.v13i4.338

Refbacks

  • There are currently no refbacks.


____________________________________________
MEDIA BINA ILMIAH

ISSN 1978-3787 (print) | 2615-3505( online)
Published by BINA PATRIA | Email: laloemipa@gmail.com

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

 

View My Stats