Pemodelan Geographically Weighted Binary Logistic Regression (GWBLR) dengan menggunakan pembobot Adaptive Gaussian Kernel

INDONESIA:

Regresi logistik biner merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data yang variabel responnya berupa data kategori. Estimasi model dari data spasial yang memiliki variabel respon biner Y melalui model analisis regresi logistik biner akan dikembangkan dengan model GWR disebut dengan model Geographically Weighted Binary Logistic Regression (GWBLR). GWBLR merupakan bentuk lokal dari regresi logistik biner dimana model tersebut dipengaruhi oleh karakteristik geografis di suatu wilayah. Dalam model GWBLR diperlukan suatu fungsi pembobot yang akan mewakili letak data observasi antara satu wilayah dengan wilayah lainnya. Penelitian ini bertujuan untuk mendapatkan estimasi parameter model GWBLR. Estimasi parameter model GWBLR menggunakan metode Maximum likelihood Estimation (MLE). Penelitian diterapkan pada data tingkat kemiskinan di Jawa Timur pada tahun 2015 yang dikategorikan menjadi dua kategori yaitu kabupaten yang tidak miskin (0) dan kabupaten yang miskin (1). Variabel respon yang digunakan dalam penelitian ini yaitu persentase angka harapan hidup (X_1), persentase angka melek huruf (X_2), persentase rata-rata lama sekolah (X_3), persentase rumah penduduk dengan alas lantai tanah (X_4) dan persentase penduduk usia 15 tahun ke atas yang bekerja (X_5). Hasil yang diperoleh dalam penelitian ini adalah estimasi parameter model GWBLR, pemodelan GWBLR dengan pembobot Adaptive Gaussian Kernel pada data kemiskinan di setiap Kabupaten/Kota di Jawa Timur, dan pemetaan pengelompokan wilayah berdasarkan variabel respon yang signifikan terhadap variabel prediktor.

ENGLISH:

Binary logistic regression is a form of regression analysis used to model data whose response variables are categorical data. The estimation of the model from spatial data that has variable binary response Y through a binary logistic regression analysis model will be developed with the GWR model called the Geographically Weighted Binary Logistic Regression (GWBLR) model. GWBLR is a local form of binary logistic regression where the model is influenced by geographical characteristics in a region. In the GWBLR model a weighting function is needed which will represent the location of the observation data between one region and another. The purpose of this research to obtain parameter estimates of the GWBLR model. The parameter estimation of the GWBLR model uses the Maximum ikelihood Estimation (MLE) method. Research applied to data on poverty rates in East Java in 2015 were categorized into two categories, namely districts that were not poor (0) and poor districts (1). The response variables used in this research were the percentage of life expectancy (X_1), the percentage of literacy rate (X_2), the percentage of the average length of school (X_3), the percentage of residential houses with ground floor mat (X_4) and the percentage of 15 year olds up that works (X_5). The results of this research are parameter estimates of the GWBLR model, GWBLR modeling with Adaptive Gaussian Kernel weighting on poverty data in each Regency/City in East Java, and regional grouping mapping based on significant response variables on predictor variables.