Professional Documents
Culture Documents
OLEH :
IKIN SODIKIN (156090500111001)
Laut Jawa
wilayah dataran luas di utara ( 0-10 m dpl )
5
TUJUAN PENELITIAN
6
MANFAAT PENELITIAN BATASAN PENELITIAN
Memberikan informasi mengenai Data peubah-peubah yang
pendekatan Bayesian dalam mempengaruhi indeks komposit
pemodelan Geographically Weighted kerawanan pangan yang telah
Regression (GWR) dapat digunakan sebagai indikator
dijadikan referensi untuk penelitian penyusunan Peta Ketahanan dan
selanjutnya. Kerentanan Pangan oleh Badan
Mendapatkan model prediksi Ketahanan Pangan Daerah Provinsi
kerawanan pangan di Provinsi Jawa Jawa Barat.
Barat sebagai informasi dan
referensi khususnya BKPD Jawa
Barat untuk menyukseskan
program pengentasan kerawanan
pangan.
7
Model Umum Geographically Weighted Regression (GWR)
Suatu metode regresi yang menghasilkan estimator parameter bagi setiap titik atau
lokasi dimana data tersebut diamati dan dikumpulkan (Fotheringham dkk, 2002) :
8
Estimasi Parameter Model GWR
Estimasi parameter model untuk setiap lokasi ke-i diperoleh dengan metode
pendugaan Weighted Least Square (WLS) :
, = , 1
, (2.4)
dimana :
: matriks nilai observasi peubah penjelas dengan ukuran + 1 ,
: matriks nilai observasi peubah respon dengan ukuran 1,
, : vektor estimator parameter GWR untuk lokasi ke-I
, : matriks diagonal pembobot spasial untuk lokasi ke-i
0 1 , 1 1 1 , 1 2 1 , 1 1 , 1
= 0 2 , 2 1 2 , 2 2 2 , 2
2 , 2
0 , 1 , 2 , ,
9
Fungsi Pembobot Spasial
= ( )2 (2.11)
=1
dimana :
: observasi ke-i
: nilai estimasi observasi ke-i yang nilainya diperoleh tanpa melibatkan
pengamatan lokasi ke-i itu sendiri.
10
Pengujian Parameter Model GWR
1 , 1 1
1 , 1
1
() : 2 , 2 2 , 2
1
, ,
2
2
=1
= = 2
=1
Mean Square Error (MSE) sebagai perbedaan rata-rata jumlah kuadrat nilai
amatan sebenarnya terhadap penduganya, sehingga pendugaan yang paling akurat
akan mengarah ke nilai MSE terkecil :
= 2 /
=1
12
Uji Heterogenitas Spasial
Untuk melihat adanya keragaman antar lokasi yang disebabkan suatu lokasi
memiliki struktur dan parameter hubungan yang berbeda dengan lokasi lainnya
(Anselin, 1988)
Hipotesis yang diuji berdasarkan asumsi bentuk persamaan umum homoskedastik
(Arbia, 2006):
2 = 1 + 2 1 + 3 2 + + 1
0 2 = . = = 0 ( homoskedasitas (1 = 2 ))
1 : minimal ada satu 0( heteroskedastisitas)
Statistik Uji Breusch Pagan (Arbia, 2006) :
1
=
2
(2.8)
=1 =1 =1
: 1 ; = dan 2 = =1
2
2
: galat untuk observasi ke-i,
2 : ragam galat ,
: banyak peubah penjelas.
13
(Ntzoufras, 2009)
Pendekatan Bayesian
Inferensia Data Sampel
Parameter bersifat tetap
Pendekatan Klasik dan tidak diketahui
Teori Estimasi
Parameter
Pendekatan Bayesian Informasi awal
(distribusi prior)
Parameter bersifat acak
berdistribusi prior
Teorema Bayesian :
Estimasi Parameter pembangkitan
(|) () peubah acak dengan metode
Markov Chain Monte Carlo
() : fungsi peluang distribusi prior (MCMC) Algoritma
Gibbs Sampling
: fungsi peluang distribusi posterior,
(|) : fungsi likelihood data,
Kekonvergensian :
Distribusi prior - Markov Chain Error (MC
ditentukan Error )
dan dirumuskan berdasarkan - Trace Dynamic Plot
subjektifitas peneliti 14
Model Bayesian GWR
Model Umum BGWR oleh Lesage (2001) beserta prior oleh Geweke (1998) dan
Lindley (1971):
= + atau = +
~ 0, 2 , = 1,2, . . ,
= (1 , 2 , , )
prior : i ~konstan
1
i ~ (Invers Gamma) dan
2
()
i ~ (Chi Square (r))
dimana :
2 : ragam galat
: matriks diagonal berukuran yang menunjukkan ragam tidak
konstan antar lokasi amatan
: hyperparameter yang mengontrol sejumlah sebaran pendugaan , sehingga = dan
= 2/
: matriks pembobot spasial untuk lokasi ke-i 15
Likelihood bagi Data ((| = , 2 , ))
, |, , = 1 2
1 1
, |, 2 , =
=1 (2)/2 2 1/2 22 2
1 1 1 1
, |, 2 , = (2)/2
=1 1/2 22
=1 2
2 1/2
1 1 1
, |, 2 , =
=1 1/2 22
=1 2
1
, |, 2 , =
=1 1/2 22
=1 2
Geweke (1998)
16
Pembentukan Sebaran Posterior Bersama
, 2 , |, , |, 2 ,
1
1/2
2 2
1
2 =1
=1
/2 /2 /2 +2 /2 /2
=1
/2
/2 /2 (+1)
+3 /2
2 2
+
=1 2
=1
Geweke (1998)
17
Pembentukan Sebaran Posterior Conditional
, ~ () , 2
(2.18)
dimana : () =
Sebaran posterior dengan syarat dan :
2 /
2 , ~ (2.19)
=1
dimana : =
Sebaran posterior dengan syarat dan :
2 2 +
, ~+ (2.20)
18
Geweke (1998)
Algoritma Gibbs Sampling
19
Lesage (2001)
Kerawanan Pangan
Pangan ketersediaan bersih padi, jagung, ubi kayu, dan ubi jalar
20
DATA
Penelitian menggunakan data sekunder dari Badan Ketahanan Pangan Daerah Provinsi
Jawa Barat
Data terdiri dari 21 amatan yang merupakan banyaknya kabupaten di Provinsi Jawa
Barat.
Peubah respon yang diteliti : nilai indeks komposit kerawanan pangan per kabupaten
Peubah-peubah penjelas :
No Peubah Penjelas
1 Rasio konsumsi normatif per kapita terhadap ketersediaan bersih padi, jagung,ubi kayu
dan ubi jalar
2 Persentase penduduk yang hidup dibawah garis kemiskinan
3 Persentase desa yang tidak memiliki akses penghubung yang dapat dilalui kendaraan roda
empat atau sarana transportasi air.
4 Persentase rumah tangga tanpa akses listrik
5 Persentase desa dengan jarak lebih dari 5 km dari fasilitas kesehatan
6 Persentase rumah tangga tanpa akses air minum bersih
7 Persentase perempuan diatas 15 tahun yang buta huruf
8 Persentase anak balita dengan berat badan < berat badan normal
21
9 Angka harapan hidup rata-rata bayi baru lahir dalam tahun
METODE PENELITIAN
Tidak
Pemodelan BGWR dengan Melakukan Estimasi dan
Regresi Global pembobot Adaptive Gaussian Pengujian Parameter Model
Kernel GWR (2.4 dan 2.5)
,
Melakukan pengujian ketepatan model
2
Mengulangi langkah 1) sebanyak 550 kali BGWR (R dan MSE) (2.6 dan 2.7)
hingga konvergen
Membandingkan dan
memilih model lebih baik
2
melalui R dan MSE
22
Selesai Menarik Kesimpulan