Perpustakaan Universitas Padjajaran
Pencarian Spesifik

Detail Cantuman

Image of PEMODELAN TINGKAT KEMISKINAN PULAU JAWA DENGAN METODE GEOGRAPHICALLY WEIGHTED LASSO

 

PEMODELAN TINGKAT KEMISKINAN PULAU JAWA DENGAN METODE GEOGRAPHICALLY WEIGHTED LASSO

ABSTRAK

1. Judul Tesis

Pemodelan Tingkat Kemiskinan Pulau J awa Dengan
Metode Geographically Weighted Lasso ...

  • CodeCallNoLokasiKetersediaan
    010030007643519.5 ani p/R.14.13.1Perpustakaan PusatTersedia
  • Perpustakaan
    Perpustakaan Pusat
    Judul Seri
    -
    No. Panggil
    519.5 ani p/R.14.13.1
    Penerbit Magister Statistika Terapan, : Bandung.,
    Deskripsi Fisik
    xii,;97 hlm,;29 cm
    Bahasa
    Indonesia
    ISBN/ISSN
    -
    Klasifikasi
    519.5 ani p
    Tipe Isi
    -
    Tipe Media
    -
    Tipe Pembawa
    -
    Edisi
    2017
    Subyek
    Pemodelan Kemiskinan 2. Analisis Spasial 3. Mu
    Info Detil Spesifik
    Tesis
    Pernyataan Tanggungjawab
  • ABSTRAK

    1. Judul Tesis

    Pemodelan Tingkat Kemiskinan Pulau J awa Dengan
    Metode Geographically Weighted Lasso

    2. Kata Kunci

    1. Pemodelan Kemiskinan

    2. Analisis Spasial

    3. Multikolinieritas

    4. Geographically Weighted Lasso

    3. Abstrak

    Salah satu indikator keberhasilan pembangunan adalah ukuran pengentasan kemiskinan,
    sehingga penting untuk mengidentifikasi faktor-faktor yang mempengaruhi tingkat
    kemiskinan. Dalam menentukan tingkat kemiskinan suatu wilayah, analisis yang digunakan
    umumnya masih bersifat global. Dalam kenyataannya, kondisi kemiskinan antarwilayah
    sangat heterogen, dimana kemiskinan di suatu wilayah dipengaruhi oleh kondisi geografis
    wilayah tersebut, termasuk posisinya terhadap wilayah lain di sekitamya.

    Geographically Weighted Regression (OWR) merupakan suatu model regresi yang
    memperhatikan adanya efek heterogenitas spasial. Beberapa penelitian telah menunjukkan
    bahwa korelasi lokal di antara variabel penjelas dapat menyebabkan estimasi koefisien
    model OWR berkorelasi kuat, yang disebut dengan multikolinieritas. Hal ini
    mengakibatkan estimasi parameter memiliki standar error yang besar sehingga inferensia
    hubungan antarvariabel menjadi problematis.

    Geographically Weighted Lasso (OWL) merupakan sebuah metode yang hadir untuk
    mengatasi multikolinieritas dan heterogenitas pada data spasial. OWL menerapkan teknik
    Least Absolute Shrinkage and Selection Operator (LASSO) ke dalam model OWR untuk
    memperoleh estimasi parameter. Dalam penelitian ini diperoleh bahwa model OWL
    mampu mengatasi multikolinieritas dengan menyusutkan nilai estimasi parameter variabel
    yang tidak signifikan sehingga diperoleh faktor-faktor yang mempengaruhi tingkat
    kemiskinan kabupaten/kota di Pulau Jawa. Nilai RMSE menunjukkan bahwa pada data
    dengan multikolinieritas, OWL mampu meningkatkan akurasi estimasi persentase
    penduduk miskin dibandingkan model OWR.

    4. Abstract

    The success of development of a nation could be indicated by poverty alleviation
    measurement, hence it is important to identify the factors which strongly related to poverty.
    The determination of poverty level in a region are commonly based on the global analysis.
    While in reality, the poverty level of a region is likely influenced by the geographical
    conditions of the region, including its position towards the surrounding areas.
    Geographically Weighted Regression (GWR) is a regression model that takes into account
    the spatial heterogeneity effect. Empirical research and studies have demonstrated that
    local correlation in explanatory variables can lead to estimated regression coefficients in
    GWR that are strongly correlated, a condition named multicollinearity. It later results on
    a large standard error on estimated regression coefficients, and, hence, problematic for
    inferences on relationship between variables.

  • Tidak tersedia versi lain

  • Silakan login dahulu untuk melihat atau memberi komentar.


//

Informasi