DOI: https://doi.org/10.14710/j.gauss.13.1.36-47

PEMODELAN GEOGRAPHICALLY WEIGTED REGRESSION PADA ANGKA PARTISIPASI SEKOLAH DI KALIMANTAN BARAT TAHUN 2022

*Eka May Mujiarti  -  Program Studi Matematika, Fakultas MIPA, Universitas Tanjungpura, Pontianak, Indonesia
Yundari Yundari  -  Program Studi Matematika Fakultas MIPA, Universitas Tanjungpura, Indonesia
Nur'ainul Miftahul Huda  -  Program Studi Matematika Fakultas MIPA, Universitas Tanjungpura, Indonesia
Open Access Copyright 2024 Jurnal Gaussian under http://creativecommons.org/licenses/by-nc-sa/4.0.

Citation Format:
Abstract
Angka Partisipasi Sekolah" (APS) indicates educational quality in a region, with higher APS reflecting better education. In 2022, APS for SMA/SMK/MA/Paket C in West Kalimantan was 68.72%, a decrease from the previous year. A Geographically Weighted Regression (GWR) approach which considers geographic characteristics in modeling the relationship between response and predictor variables, is used to analyze factors influencing APS in West Kalimantan. This study aims to model APS and identify influencing factors. Initial steps include detecting multicollinearity and spatial heterogeneity, and determining the Euclidean distance and bandwidth value of the weighting function. The study uses fixed and adaptive Gaussian, bisquare, and tricube kernels. GWR model parameters are then estimated, and the best model is chosen based on the smallest Akaike Criterion Information (AIC) value. Results show that the best weight is the adaptive bisquare kernel with the smallest AIC. Key factors influencing APS, with a 99.07% coefficient of determination, include the number of schools, teachers, student-teacher ratio, poverty rate, and PDRB per capita, with the remaining 0.93% influenced by unstudied factors.
Fulltext View|Download
Keywords: APS; weighting; kernel adaptive; kernel fixed

Article Metrics:

Article Info
Section: Articles
Language : ID
Recent articles
PEMODELAN KASUS KEMATIAN IBU HAMIL DI JAWA TENGAH DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) DAN MIXED GWR PERBANDINGAN MODEL REGRESI STRATIFIED COX DAN EXTENDED COX PADA ANALISIS SURVIVAL PENDERITA KANKER PAYUDARA ANALISIS REGRESI COX UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI LAMA STUDI MAHASISWA S1 FMIPA UNIVERSITAS LAMBUNG MANGKURAT More recent articles
  1. Ananda, N. M. S., Suyitno, S., & Siringoringo, M. (2023). Geographically Weighted Panel Regression Modelling of Human Development Index Data in East Kalimantan Province in 2017-2020. Jurnal Matematika, Statistika Dan Komputasi, 19(2), 323–341. https://doi.org/10.20956/j.v19i2.23775
  2. Astuti, P., Debataraja, N. N., & Sulistianingsih, E. (2018). Analisis Kemiskinan dengan Pemodelan Geographically Weighted Regression (GWR) di Provinsi Nusa Tenggara Timur. Buletin Ilmiah Matematika Statistika Dan Terapannya, 7(3), 169–176
  3. Azizah, A. H., Nurjannah, N., Fernandes, A. A. R., & Hamdan, R. (2023). Geographically Weighted Panel Logistic Regression Semiparametric Modeling on Poverty Problem. Media Statistika, 16(1), 47–58. 8
  4. BPS. (2023). Indikator Kesejahteraan Rakyat Provinsi Kalimantan Barat 2023
  5. BPS. (2023). Provinsi Kalimantan Barat dalam Angka 2023
  6. Fitriatusakiah, F., Jaya, A. K., & Talangko, L. P. (2021). Pemodelan Semiparametrik Geographical Weighted Logistic Regression pada Data Kemiskinan di Provinsi Sulawesi Selatan Tahun 2017. ESTIMASI: Journal of Statistics and Its Application, 2(2), 105–114. https://doi.org/10.20956/ejsa.v2i2.11309
  7. Hapsery, A., & Trishnanti, D. (2021). Aplikasi Geographically Weighted Regression (GWR) Untuk Pemetaan Faktor Yang Mempengaruhi Indeks Aktivitas Literasi Membaca Di Indonesia. Jurnal Riset Dan Aplikasi Matematika, 05(02), 80–91
  8. Ikhsanudin, M. R., & Pasaribu, E. (2023). Modeling the Percentage of Poor Population in Java Island using Geographically Weighted Regression Approach. Jurnal Matematika, Statistika Dan Komputasi, 20(1), 229–244. https://doi.org/10.20956/j.v20i1.27804
  9. Itasari, E. R. (2022). Tantangan Dan Kesempatan Pemenuhan Hak Pendidikan Dasar Dan Menegah Di Kawasan Perbatasan Negara Di Provinsi Kalimantan Barat. Jurnal Komunikasi Hukum (JKH), 8(1), 493–508. https://doi.org/10.23887/jkh.v8i1.47951
  10. Novaldi, J., & Pusponegoro, N. H. (2024). Penerapan geographically weighted regression (GWR) dalam menganalisis kemiskinan di Pulau Jawa tahun 2022. Majalah Ilmiah Matematika Dan Statistika, 24(1), 61. https://doi.org/10.19184/mims.v24i1.42717
  11. Rahmadeni, Samsinar, & Desvina, A. P. (2020). Faktor-Faktor Yang Berhubungan Dengan Angka Partisipasi Sekolah Di Provinsi Riau Menggunakan Model Spatial Autoregressive. Seminar Nasional Teknologi Informasi, Komunikasi Dan Industri (SNTIKI) 12, SNTIKI, 2579–5406
  12. Suharlina, H. (2020). Pengaruh Investasi , Pengangguran , Pendidikan dan Pertumbuhan Ekonomi Terhadap Kemiskinan Serta Hubungannya dengan Kesejahteraan Masyarakat Kabupaten / Kota di Provinsi Kalimantan Barat. Prosiding Seminar Akademik Tahunan Ilmu Ekonomi Dan Studi Pembangunan 2020, 56–72
  13. Ulfie Safitri, & Amaliana, L. (2021). Model Geographically Weighted Regression dengan Fungsi Pembobot Adaptive dan Fixed Kernel pada Kasus Kematian Ibu di Jawa Timur. Jurnal Statistika Dan Aplikasinya, 5(2), 208–220. https://doi.org/10.21009/jsa.05209
  14. Virdam, F., & Ariani, M. B. N. (2023). Analisis Faktor-Faktor yang mempengaruhi Angka Partisipasi Sekolah pada Provinsi di Pulau Sulawesi. Jurnal of Development Economic and Digitalization, 2(1), 20–35
  15. Wardhani, Q. S., Handajani, S. S., & Susanto, I. (2022). Pemodelan Indeks Pembangunan Kesehatan masyarakat Provinsi Jawa Timur dengan Metode Geographically Weighted Logistic Regression. Jurnal Aplikasi Statistika Dan Komputasi, 14(2), 1–12. https://doi.org/10.34123/jurnalasks.v14i2.333

Last update:

No citation recorded.

Last update:

No citation recorded.