Pemodelan Geographically Weighted Regression Menggunakan Pembobot Adaptive Kernel pada Tingkat Pengangguran Terdidik di Indonesia

Ramadini; Syafriandi; Dony Permana; Zilrahmi

doi:10.55681/primer.v4i4.550

Authors

Ramadini Universitas Negeri Padang
Syafriandi Universitas Negeri Padang
Dony Permana Universitas Negeri Padang
Zilrahmi Universitas Negeri Padang

DOI:

https://doi.org/10.55681/primer.v4i4.550

Keywords:

GWR, Tingkat Pengangguran Terdidik, Adaptive Gaussian Kernel, Heterogenitas Spasial

Abstract

Tingkat Pengangguran Terdidik (TPTd) di Indonesia masih menjadi salah satu permasalahan ketenagakerjaan, salah satu penyebabnya karena ketidaksesuaian antara keterampilan lulusan berpendidikan dengan kebutuhan pasar kerja. Selain itu, TPTd di Indonesia menunjukkan perbedaan yang cukup tinggi antarprovinsi sehingga hubungan antara faktor-faktor yang memengaruhi TPTd diduga tidak sama antarprovinsi, yang menunjukkan adanya heterogenitas spasial. Penelitian ini bertujuan untuk membentuk model Geographically Weighted Regression (GWR) pada TPTd di 38 provinsi di Indonesia tahun 2024 dengan membandingkan tiga jenis pembobot adaptive kernel guna memperoleh model terbaik, serta mengidentifikasi faktor-faktor yang berpengaruh di masing-masing provinsi. Analisis diawali dengan pemodelan analisis regresi linier berganda, kemudian dilanjutkan dengan pengujian heterogenitas spasial menggunakan uji Breusch-Pagan. Selanjutnya dilakukan pemodelan GWR menggunakan fungsi pembobot adaptive kernel, dan diperoleh bahwa adaptive gaussian kernel merupakan fungsi pembobot terbaik dengan nilai Akaike Information Criterion (AIC) minimum sebesar 89,33011. Hasil penelitian menunjukkan bahwa model GWR mampu menjelaskan keragaman TPTd sebesar 84,22%. Selanjutnya, pengaruh variabel-variabel prediktor terhadap TPTd berbeda pada setiap provinsi sehingga menghasilkan 14 kelompok provinsi. Dengan demikian, metode GWR memberikan hasil pemodelan yang lebih baik dibandingkan regresi linier berganda, yang ditunjukkan oleh nilai koefisien determinasi sebesar 84,22% dan nilai AIC sebesar 89,33011, sedangkan regresi linier berganda memiliki koefisien determinasi sebesar 28,59% dan nilai AIC sebesar 134,9013

References

Alharis, F. A., & Yuniasih, A. F. (2022). Determinan Pengangguran Usia Muda Terdidik di Provinsi Banten Tahun 2020. Seminar Nasional Official Statistics, 1, 53–62. https://doi.org/10.34123/semnasoffstat.v2022i1.1153

Amalia, E., & Sari, L. K. (2019). Analisis Spasial untuk Mengidentifikasi Tingkat Pengangguran Terbuka berdasarkan Kabupaten/Kota di Pulau Jawa Tahun 2017. Indonesian Journal of Statistics and Its Applications, 3(3), 202–215.

BPS. (2006). Statistik pengangguran 2001—2006. Jakarta: BPS.

Caraka, R. E., & Yasin, H. (2017). Geographically Weighted Regression (GWR), Sebuah Pendekatan Regresi Geografis. Yogyakarta: Mobius.

Erdkhadifa, R. (2021). Pemodelan Spasial Tingkat Pengangguran Terbuka di Jawa Timur dengan Geographically Weighted Regression. STATISTIKA Journal of Theoretical Statistics and Its Applications, 21(2), 85–97. https://doi.org/10.29313/statistika.v21i2.295

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weigthed Regression, the Analysis of Spatially Varying Relationships. England: John Wiley & Sons Inc.

Gujarati, D. N. (2003). Basic Econometrics. In The Economic Journal. New York: McGraw-Hill Companies.

Kaka, K. Y., Suryowati, K., & Bekti, R. D. (2024). Pemodelan Geographically Weighted Regression (GWR) menggunakan Matriks Pembobot Fixed Gaussian Kernel dan Fixed Tricube Kernel pada Kasus Covid-19 di Indonesia. Jurnal Statistika Industri Dan Komputasi, 9(2), 28–38. https://doi.org/10.34151/statistika.v9i2.4854

Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to Linear Regression Analysis (Fifth Edit). New Jersey: John Wiley & Sons Inc. https://doi.org/10.1201/b10289-6

Nachrowi, D. N., & Usman, H. (2006). Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Jakarta: Fakultas Ekonomi Universitas Indonesia.

Nurahmi, A., Kencana, H., Jaya, T., Fatmawati, A., & Jati, D. (2024). Analisis Faktor-Faktor yang Mempengaruhi Pengangguran Terdidik di Pulau Jawa. Prosiding Nasional UNARS, 3(1), 28–38.

Nurteta, S. (2021). Faktor dan Strategi Penanggulangan Pengangguran Terdidik di Provinsi Jambi. Khazanah Intelektual, 5(2), 1086–1106.

Oktafiani, V., Susanti, D. S., & Rahkmawati, Y. (2024). Pemodelan Geographically Weighted Regression (GWR) Menggunakan Pembobot Kernel pada Kasus Tingkat Pengangguran Terbuka di Kalimantan. RAGAM: Journal of Statistics & Its Application, 3(1), 124–138. https://doi.org/10.20527/ragam.v3i1.12822

Putra, R., Tyas, S. W., & Fadhlurrahman, M. G. (2022). Geographically Weighted Regression with The Best Kernel Function on Open Unemployment Rate Data in East Java Province. Enthusiastic : International Journal of Applied Statistics and Data Science, 2(1), 26–36. https://doi.org/10.20885/enthusiastic.vol2.iss1.art4

Putri, F. R. G., & Suhartini, A. M. (2024). Pengaruh Pengaruh Bonus Demografi dan Industrialisasi Terhadap Pengangguran Terdidik Usia Muda di Indonesia Tahun 2018-2022. Seminar Nasional Official Statistics, 2024(1), 269–278. https://doi.org/10.34123/semnasoffstat.v2024i1.2152

Rahma, M., Musdalipah, Juliansyah, H., & Syafira, S. (2024). Pengaruh Inflasi, Produk Domestik Regional Bruto dan Investasi Terhadap Pengangguran Terdidik di Kota Lhoksemawe Tahun 2008-2022. Jurnal Ekonomi Regional Indonesia Unimal, 07(1), 1–10.

Safitri, S. E., Triwahyuningtyas, N., & Sugianto, S. (2022). Analisis Faktor-Faktor yang Mempengaruhi Tingkat Kemiskinan di Provinsi Banten. SIBATIK JOURNAL: Jurnal Ilmiah Bidang Sosial, Ekonomi, Budaya, Teknologi, Dan Pendidikan, 1(4), 259–274. https://doi.org/10.54443/sibatik.v1i4.30