Pemodelan Menggunakan Metode Spasial Durbin Model untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
DOI:
https://doi.org/10.30812/varian.v2i1.314Keywords:
Regresi, Spasial, OLS, SDMAbstract
Masalah anak yang putus sekolah perlu mendapatkan perhatian karena salah satu indikator yang berguna untuk mengukur kemajuan sumber daya manusia pada bidang pendidikan. Untuk menekan laju pertambahan jumlah anak putus sekolah tersebut dapat dilakukan dengan cara mengetahui faktor-faktor yang berpengaruh terhadap jumlah anak putus sekolah dan berpotensi dalam meningkatkan laju pertumbuhan anak yang putus sekolah. Pemodelan yang menggunakan pengaruh daerah (area) disebut pemodelan spasial. Ciri dari pemodelan spasial adalah adanya matriks pembobot yang merupakan penanda adanya hubungan antara suatu wilayah dengan wilayah lain. Salah satu model spasial yaitu Spasial Durbin Model (SDM). Penelitian ini bertujuan untuk mengetahui jumlah anak putus sekolah di wilayah Bali dengan menggunakan metode SDM dan ingin menetahui faktor-faktor yang mempengaruhi anak putus sekolah di wilayah Bali. Model yang didapat ialah pemodelan SDM menghasilkan nilai AICc yang lebih kecil dibandingkan pemodelan dengan OLS. Tidak adanya lag variabel independen yang signifikan menyebabkan hasil estimasi parameter menggunakan SDM menjadi tidak signifikan akan tetapi pada identifikasi nilai Moran’s I mengidentifikasikan adanya dependensi spasial pada variabel independen yang artinya ada kemiripan sifat untuk lokasi yang saling berdekatan.
References
[2] Anselin, L. 1988. Spatial Econometrics: Methods and Models. Kluwer Academic Publishers. Netherlands.
[3] Fitroni, B. N. (2013). Pemodelan Angka Putus Sekolah Usia Wajib Belajar Menggunakan Metode Regresi Spasial di Jawa Timur, Skripsi, Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember, Surabaya.
[4] Astari, G. R., & Srinadi, G. M. (2013). Pemodelan Jumlah Anak Putus Sekolah di Provinsi Bali dengan Pendekatan Semi-Parametric Geographically Weighted Poisson Regression. E-Jurnal Matematika Universitas Udayana Bali, Vol.2 No.3, 29-34.
[5] Lee J. and Wong S.W.D. 2001. Statistical Analysis with Arcview GIS, John Willey & Sons, Inc., United Stated of America
[6] Perobelli, F. S. dan Haddad, E. 2003. An Exploratory Spatial Data Analysis of Brazilian Interregional Trade (1985-1996). http://www.uiuc.edu/unit/real.pdf. Diakses pada tanggal 27 Februari 2013.
Downloads
Published
Issue
Section
How to Cite
Most read articles by the same author(s)
- Ni Putu Nanik Hendayanti, I Ketut Putu Suniantara, Maulida Nurhidayati, Penerapan Support Vector Regression (Svr) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali , Jurnal Varian: Vol. 3 No. 1 (2019)
- I Ketut Putu Suniantara, Gede Suwardika, Siti Soraya, Peningkatan Akurasi Klasifikasi Ketidaktepatan Waktu Kelulusan Mahasiswa Menggunakan Metode Boosting Neural Network , Jurnal Varian: Vol. 3 No. 2 (2020)
- Luh Putu Safitri Pratiwi, Ni Putu Nanik Hendayanti, I Ketut Putu Suniantara, Perbandingan Pembobotan Seemingly Unrelated Regression – Spatial Durbin Model Untuk Faktor Kemiskinan Dan Pengangguran , Jurnal Varian: Vol. 3 No. 2 (2020)
- Gede Suwardika, I Ketut Putu Suniantara, Ni Putu Nanik Hendayanti, Ketidaktepatan Waktu Kelulusan Mahasiswa Universitas Terbuka dengan Metode Boosting Cart , Jurnal Varian: Vol. 2 No. 2 (2019)
- I Gede Agus Astapa, Gede Suwardika, I Ketut Putu Suniantara, ANALISIS DATA PANEL PADA KINERJA REKSADANA SAHAM , Jurnal Varian: Vol. 1 No. 2 (2018)
- Luh Putu Safitri Pratiwi, PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK BIRESPON SPLINE , Jurnal Varian: Vol. 1 No. 1 (2017)