Skripsi

Pemodelan Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Timur pada tahun 2013 dengan Geographically Weighted Logistic Regression (GWLR) / Risya Anggraeny

Abstrak
ABSTRAK Anggraeny Risya. 2017. Pemodelan Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Timur pada Tahun 2013 dengan Geographically Weighted Logistic Regression (GWLR). Skripsi Jurusan Matematika FMIPA Universitas Negeri Malang. Pembimbing Nur Atikah S. Si M. Si. Kata Kunci IPM Regresi Logistik GWLR. Peningkatan kompetensi manusia merupakan upaya dari suatu bangsa untuk memperluas pilihan kepada manusia itu sendiri agar taraf hidupnya semakin baik. Alat untuk mengukur keberhasilan peningkatan kompetensi manusia yaitu Indeks Pembangunan Manusia (IPM) yang diperkenalkan oleh PBB sejak tahun 1990. Berdasarkan catatan BPS pada tahun 2013 Jawa Timur termasuk ke dalam kategori menengah atas (66 8804 IPM 80) dengan capaian nilai IPM yaitu 73.54. Data IPM bersifat biner dengan mengelompokkan menjadi IPM tinggi atau IPM rendah sehingga regresi logistik dapat digunakan dalam pemodelannya. Permasalahan spasial sedang dialami oleh Provinsi Jawa Timur yaitu terdapat perbedaan penyebaran pendidikan kesehatan maupun infrastruktur ekonomi yang kurang merata. Metode yang tepat untuk mengatasi permasalahan spasial tersebut yaitu Geographically Weighted Regression (GWR) namun karena variabel terikat berskala biner maka metode yang digunakan yaitu Geographically Weighted Logistic Regression (GWLR). Penelitian ini menggunakan data IPM tahun 2013 di tiap Kabupaten/Kota di Jawa Timur dengan 5 faktor yang diduga mempengaruhinya yaitu Lamanya bayi usia 0-1 tahun diberi ASI rasio murid terhadap guru indeks daya beli angka partisipasi murni 16-18 tahun dan angka kematian bayi. Hasil penelitian menunjukkan bahwa nilai AIC model GWLR sebesar 37.615 lebih kecil daripada regresi logistik sebesar 41.332 hal ini menunjukkan bahwa model GWLR lebih baik digunakan dalam memetakan data IPM. Faktor spasial berpengaruh terhadap kasus IPM di Provinsi Jawa Timur sehingga model GWLR yang terbentuk berbeda-beda setiap kabupaten/kota. Pembobot yang digunakan yaitu Adaptive Gaussian Kernel diperoleh 2 kelompok yang dikelompokkan berdasarkan variabel yang signifikan terhadap IPM. Faktor yang berpengaruh utama pada semua kabupaten/kota adalah angka partisipasi murni 16- 18 tahun.

Informasi Detail

DDC

Rs 519.536 ANG p

Prodi

Universitas Negeri Malang. Program Studi Matematika, 2017.

Deskripsi Fisik

viii, 61 lembar : il. , tab. ; 30 cm

Bahasa

Indonesia

No Reg

00827/KI/18

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2017

Subjek

1. ANALISA REGRESI ( MATEMATIKA STATISTIK )
2. REGRESSION ANALYSIS ( STATISTICAL MATHEMATICS )

Pembimbing

1. Nur Atikah

Lampiran Berkas