LANI AMALIAH Primary Author mixed material bibliography Bandung Magister Statistika Terapan 2015 id Indonesia

xi,;57hlm,;29 cm ABSTRAK 1. Judul T esis Analisis data spatial dengan metode Geographically Weighted Regression (Studi kasus model output Sektor Industri Menengah Besar) 2. Subjek 1. Data Spatial 2. Geographically Weighted Regression 3. Bandwidth 4. Fungsi Pembobot 5. Cross Validation (CV) 3. Abstrak Dalam statistik, jika terdapat heterogenitas dalam data maka untuk mengetahui pengaruh antara variabel dependen dan independen tidak lagi dapat dilakukan dengan analisis regresi biasa, melainkan hams dengan analisis regresi 10kaI. Pengaruh spatial ini biasanya terjadi pada unit pengamatan yang berupa wilayah/area. Adanya pengaruh spatial ini menyebabkan penaksiran parameter menjadi bias dan variansnya besar. Oleh karena itu dalam mengestimasi parameter dilakukan pembobotan untuk setiap lokasi, sebagai dasar dalam metode Geographically Weighted Regression (GWR). Dalam pembentukan model GWR diperlukan bandwitdh yang optimum untuk menghitung pembobot di setiap lokasi. Kriteria penentuan bandwidth optimum yang akan digunakan adalah Cross Validation (CV) dan Akaike Information Criteria (AlC), sedangkan fungsi pembobot yang akan digunakan dalam penelitian ini adalah pembobotfix dan adaptive. Studi kasus dari penelitian ini adalah model output sektor Industri Menengah Besar pada tataran propinsi. Fungsi pembobotan dan kriteria bandwidth yang optimum yang cocok untuk menentukam model output sektor Industri Menengah Besar adalah fungsi pembobot adaptive dengan kriteria bandwidth optimum Cv. Dengan uji kesesuaian model, diperoleh hasil bahwa efek spatial berpengaruh terhadap pembentukan model output. Faktor-faktor yang mempengaruhi output di setiaj, propinsi pada umurnnya hampir sama, yaitu pengeluaran perusahaan untuk bahan baku, bahan bakar, listrik dan pajak. Namun, terdapat 23 propinsi yang memiliki model output yang berbeda. 4. Abstract In statistics, if a spatial heterogeneity in data occurs, to show the influence between dependent and independent variable cannot be done by global regression analysis, but it has to be done by local regression analysis. This spatial influence usually happened when the unit observation is area or region. The spatial influence could make the estimate parameters becomes bias and larger variance. Hence, to estimate parameters performed by weighting on every location as a basic in Geographically Weighted Regression (GWR) method. To build GWR models require an optimum Lani Amaliah Data Spatial 2. Geographically Weighted Regressi 519.5 Ama a Perpustakaan Universitas Padjadjaran Kementerian Riset Teknologi dan Pendidikan Tinggi 519.5 Ama a/R.14.13 01001150700009 Perpustakaan Pusat (REF.14.13) 519.5 Ama a/R.14.13 20%252Fscan0001.jpg.jpg 13433 2017-04-01 15:44:41 2018-05-16 13:55:46 machine generated