Pemodelan Kasus Kemiskinan di Provinsi Jawa Timur dengan Algoritma Geographically Weighted Logistic Regression
DOI:
https://doi.org/10.59632/leibniz.v6i01.693Keywords:
kemiskinan, Geographically Weighted Logistic Regression, pemodelan spasial, data sosial ekonomiAbstract
Kemiskinan di Jawa Timur pada tahun 2024 mencapai 9,79% dan menunjukkan variasi spasial antar kabupaten/kota. Penelitian ini bertujuan untuk mengklasifikasikan status kemiskinan menggunakan pendekatan Geographically Weighted Logistic Regression (GWLR). Data bersumber dari Badan Pusat Statistik Provinsi Jawa Timur tahun 2024 dengan 38 kabupaten/kota sebagai unit analisis. Variabel prediktor meliputi pengeluaran per kapita, tingkat pengangguran terbuka, rata-rata lama sekolah, tingkat partisipasi angkatan kerja, dan angka harapan hidup. Analisis diawali dengan pengujian autokorelasi spasial dan heterogenitas wilayah, kemudian dilanjutkan dengan pemodelan regresi logistik biner dan GWLR menggunakan pembobot Adaptive Gaussian Kernel dengan pemilihan bandwidth melalui cross validation. Kinerja model dievaluasi menggunakan nilai Akaike Information Criterion (AIC) dan akurasi klasifikasi. Hasil menunjukkan bahwa model GWLR memiliki kinerja lebih baik dibandingkan regresi logistik global dengan nilai AIC sebesar 47,99 dan tingkat akurasi sebesar 74%. Variabel rata-rata lama sekolah menjadi faktor paling dominan di sebagian besar wilayah, sementara pengaruh variabel lainnya bersifat spasial dan tidak homogen. Temuan ini menegaskan pentingnya pendekatan klasifikasi berbasis spasial dalam analisis kemiskinan.
Downloads
References
Amalah, R., & Jaya, A. K. (2023). Pemodelan Geographically Weighted Logistic Regression dengan Metode Ridge. 4(2), 130–143. https://doi.org/10.20956/ejsa.v4i2.12250
Atkinson, P. M., German, S. E., Sear, D. A., & Clark, M. J. (2003). Exploring the Relations Between Riverbank Erosion and Geomorphological Controls Using Geographically Weighted Logistic Regression. Geographical Analysis, 35(1), 58–82. https://doi.org/10.1111/j.1538-4632.2003.tb01101.x
BPS. (2021). Profil Kemiskinan di Indonesia Maret 2021 (Berita Resmi Statistik No. No. 53/07/Th. XXIV; Profil Kemiskinan Di Indonesia Maret 2021). Badan Pusat Statistika.
Harahap, R. N. (2022, March 22). Implementasi Geographically Weighted Regression (GWR) Dan Mixed Geographically Weighted Regresion (MGWR) Dalam Perhitungan Jumlah Penduduk Miskin. Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia.
Hastuti, T. (2022). Penerapan Model Geographically Weighted Logistic Regression (GWLR) Dengan Fungsi Pembobot Adaptive Gaussian Kernel Pada Data Kemiskinan Di Indonesia. 1–29.
Huda, A. C., Az-Zahra, A., Yasmin, F. P., Ningrum, I. W. K., Putra, W. S., & Budiasih, B. (2023). Analisis Regresi Spasial Persentase Kemiskinan di Kawasan Timur Indonesia Tahun 2022. Seminar Nasional Official Statistics, 2023(1), 747–756. https://doi.org/10.34123/semnasoffstat.v2023i1.1792
Lu, B., Charlton, M., Harris, P., & Fotheringham, A. S. (2024). Geographically weighted regressionwith a non-Euclidean distance metric:a case study using hedonic house pricedata. International Journal of GeographicalInformation Science, 28((4)), 660–681. https://doi.org/10.1080/13658816.2013.865739
Maulidina, T. P., & Oktora, S. I. (2020). ANALISIS SPASIAL KETERTINGGALAN DAERAH DI INDONESIA TAHUN 2018 MENGGUNAKAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION. Indonesian Journal of Statistics and Its Applications, 4(3), 528–544. https://doi.org/10.29244/ijsa.v4i3.690
Mishra, V. N., Kumar, V., Prasad, R., & Punia, M. (2021). Geographically Weighted Method Integrated with Logistic Regression for Analyzing Spatially Varying Accuracy Measures of Remote Sensing Image Classification. Journal of the Indian Society of Remote Sensing. J Indian Soc Remote Sens, 49, 1189–1199. https://doi.org/10.1007/s12524-020-01286-2
Nurahmi, A., & Sirodj, D. A. N. (2025). Metode Geographically Weighted Logistic Regression untuk Memodelkan Kasus Kemiskinan di Indonesia Tahun 2022. Indonesian Journal of Applied Statistics, 8(1), 13–25. https://doi.org/10.13057/ijas.v8i1.92564
Nurhasanah, N., Widiarti, W., Nurvazly, D. E., & Usman, M. (2024). Penerapan Model Geographically Weighted Logistic Regression dengan Fungsi Pembobot Adaptive Gaussian Kernel pada Data Kemiskinan. Jambura Journal of Mathematics, 6(2), 204–211. https://doi.org/10.37905/jjom.v6i2.26504
Pratiwi, L. P. S., & Wijaya, I. M. P. P. (2025). Geographically Weighted Logistic Regression Modeling on the Spread of Dengue Fever in Bali Province. Statistika, 25(1). https://doi.org/10.29313/statistika.v25i1.5852
Rustan, S., Tiro, M. A., & Bustan, M. N. (2019). Model Regresi Logistik Terboboti Georafis pada Status Kemiskinan Kabupaten/Kota di Provinsi Sulawesi Selatan tahun 2016. VARIANSI: Journal of Statistics and Its application on Teaching and Research, 1(3), 87. https://doi.org/10.35580/variansiunm14624
Solekha, N. A., & Qudratullah, M. F. (2022). Pemodelan Geographically Weighted Logistic Regression dengan Fungsi Adaptive Gaussian Kernel Terhadap Kemiskinan di Provinsi NTT. Jambura Journal of Mathematics, 4(1), 17–32. https://doi.org/10.34312/jjom.v4i1.11452
Syarifah, L., Andriani, P., Rizka, N., Puspitasari, R. D., & Chamidah, N. (2018). Modeling of Poverty Rate in Indonesian Using Geographically Weighted Logistic Regression for Supporting the Sustainable Development Goals Program in 2030: Proceedings of the 2nd International Conference Postgraduate School, 935–938. https://doi.org/10.5220/0007554309350938
Utami, M., Islamiyati, A., & Thamrin, S. A. (2024). Pendugaan Koefisien Regresi Logistik Biner Menggunakan Algoritma Least Angle Regression. ESTIMASI: Journal of Statistics and Its Application, 75–83. https://doi.org/10.20956/ejsa.v5i1.12489
Wulandari, W. (2018). GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION DENGAN FUNGSI KERNEL FIXED GAUSSIAN PADA KEMISKINAN JAWA TENGAH. Indonesian Journal of Statistics and Its Applications, 2(2), 101–112. https://doi.org/10.29244/ijsa.v2i2.189
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Tantra Pratama Hendarsyah, Jauhara Rana Budiani, Nur Mahmudah
This work is licensed under a Creative Commons Attribution 4.0 International License.
