ITKITK

Equiva JournalEquiva Journal

Indeks Pembangunan Manusia (IPM) merupakan parameter penting dalam menentukan keberhasilan peningkatan atau pengembangan kualitas hidup manusia. Manusia diharapkan dapat menjadi subjek dalam membangun IPM, sehingga dapat berkontribusi bagi perkembangan suatu wilayah. Dalam upaya memajukan IPM, terdapat beberapa faktor yang mempengaruhinya, yaitu rata-rata pengeluaran per kapita, pertumbuhan PDRB/ekonomi, persentase penduduk miskin, banyaknya sarana kesehatan, dan rata-rata lama sekolah. Pada penelitian ini akan membahas terkait besarnya pengaruh beberapa faktor terhadap indeks pembangunan manusia di provinsi Bali tahun 2019. Adapun metode yang digunakan pada penelitian ini yaitu metode analisis regresi linier berganda (multiple regression) sebagai analisis global dan metode Geograpically Weighted Regression (GWR) sebagai analisis spasial. Hasil penelitian menunjukkan bahwa faktor yang berpengaruh signifikan terhadap IPM bali berdasarkan model regresi linier berganda adalah rata-rata lama sekolah. Sedangkan berdasarkan pemodelan GWR diketahui bahwa hasilnya kurang lebih sama dengan regresi OLS dibuktikan dengan hasil uji goodness of fit. Diketahui nilai AIC regresi GWR lebih kecil dari nilai AIC regresi berganda artinya pemodelan GWR lebih cocok dalam menggambarkan IPM Bali 2019.

Penelitian menunjukkan bahwa di antara variabel independen, hanya rata‑rata lama sekolah yang berpengaruh signifikan terhadap Indeks Pembangunan Manusia di Provinsi Bali tahun 2019.Model Geographically Weighted Regression (GWR) dengan pendekatan Weighted Least Squares menghasilkan nilai AIC lebih kecil dibandingkan regresi OLS, menandakan keunggulan model GWR dalam memodelkan data tersebut.Dengan semua asumsi klasik terpenuhi, hasil ini memperkuat bahwa GWR Global lebih efektif daripada regresi linier berganda untuk memprediksi IPM Bali.

Bagaimana pengaruh tambahan variabel sosial‑ekonomi seperti tingkat pengangguran, akses internet, dan kualitas infrastruktur transportasi terhadap Indeks Pembangunan Manusia di Bali dapat dieksplorasi dengan memperluas model regresi berganda serta membandingkannya dengan GWR untuk menilai perbedaan kontribusi spasial masing‑masing variabel? Apakah penerapan model GWR berbasis data panel tahunan (misalnya 2015‑2023) dapat menangkap dinamika temporal‑spasial dalam perubahan IPM, sehingga memungkinkan identifikasi tren wilayah yang meningkat atau menurun secara signifikan selama periode tersebut? Sejauh mana integrasi teknik pembelajaran mesin seperti random forest atau gradient boosting dengan pendekatan regresi berbobot dapat meningkatkan akurasi prediksi IPM dibandingkan metode tradisional, dan bagaimana interpretabilitas model tersebut dapat dijaga agar tetap memberikan wawasan kebijakan yang jelas? Apakah analisis multilevel yang menggabungkan data individu (misalnya tingkat pendidikan dan pendapatan rumah tangga) dengan data kecamatan dapat memberikan pemahaman lebih mendalam tentang faktor‑faktor yang memengaruhi IPM, serta menguji apakah variasi antar‑level masih signifikan setelah mengontrol faktor‑faktor utama?.

  1. #regresi linier#regresi linier
  2. #variabel independen#variabel independen
Read online
File size808.39 KB
Pages8
Short Linkhttps://juris.id/p-2Q2
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test