PERBANDINGAN TEKNIK PEMBOBOTAN DALAM DOWNSCALING PDRB DENGAN MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION (GWR)
Abstrak
Perencanaan tata ruang dan pembangunan wilayah yang saling terkait memerlukan data Produk Domestik Regional Bruto (PDRB) yang secara spasial representatif. PDRB yang secara resmi dikeluarkan oleh pemerintah mengasumsikan nilainya terdistribusi homogen secara spasial dalam satu wilayah administrative sehingga kurang representatif. Oleh karena itu dibutuhkan metode untuk menyediakan data ekonomi secara spasial yang dapat menggambarkan heterogenitas kegiatan ekonomi dalam suatu wilayah sehingga analisis dapat tajam dan rekomendasi intervensi perencanaan dapat tepat sasaran. Geographically Weighted Regression (GWR) downscaling dapat diterapkan karena terhadap karakteristik geografis wilayah yang beragam. Oleh karena itu itu GWR downscaling sensitif menggambarkan heterogenitas wilayah dengan unit ruang yang lebih kecil, misalnya pada penelitian ini dilakukan downscaling PDRB hingga pada grid estimasi beresolusi 500 m x 500 m. Ada beberapa pendekatan teknik pembobotan untuk menghasilkan nilai PDRB grid estimasi yang terbaik. Untuk mengujinya, dalam penelitian ini dilakukan perbandingan teknik pembobotan antara jenis fungsi kernel yang dikombinasikan dengan jenis bandwidth. Hasil penelitian menunjukkan bahwa penggunaan teknik pembobotan Gaussian-Fixed menghasilkan nilai PDRB grid estimasi yang paling baik dibandingkan dengan teknik yang lain.
##plugins.generic.usageStats.downloads##
Referensi
Achsin, S. N., Cangara, H., & Unde, A. A. (2015). Profil Desa dan Kelurahan sebagai Sumber Informasi: Studi Evaluasi tentang Penyediaan Informasi Potensi Desa dan Kelurahan di Sulawesi Selatan oleh Badan Pemberdayaan Masyarakat Pemerintahan Desa dan Kelurahan (BPMPDK) Provinsi Sulawesi Selatan. 4.
Arifah, M. N. R., & Sari, V. (2023). Peramalan Produk Domestik Regional Bruto (PDRB) Atas Dasar Harga Konstan Menurut Lapangan Usaha Menggunakan Weighted Fuzzy Time Series. Prosiding University Research Colloquium, 1001–1010.
BPS. (n.d.). Badan Pusat Statistik. Retrieved October 5, 2023, from https://www.bps.go.id/subject/171/produk-domestik-regional-bruto--pengeluaran-.html#subjekViewTab2
BPS. (2017). Produk Domestik Regional Bruto Menurut Lapangan Usaha Kabupaten Magelang Tahun 2010 -2016.
Brunsdon, C., Fotheringham, A. S., & Charlton, M. E. (1996). Geographically Weighted Regression: A Method for Exploring Spatial Nonstationarity. Geographical Analysis, 28(4), 281–298. https://doi.org/10.1111/j.1538-4632.1996.tb00936.x
Cao, Z., Wu, Z., Kuang, Y., Huang, N., & Wang, M. (2016). Coupling an Intercalibration of Radiance-Calibrated Nighttime Light Images and Land Use/Cover Data for Modeling and Analyzing the Distribution of GDP in Guangdong, China. Sustainability, 8(2), 108. https://doi.org/10.3390/su8020108
Gollini, I., Lu, B., Charlton, M., Brunsdon, C., & Harris, P. (2015). GWmodel: An R Package for Exploring Spatial Heterogeneity Using Geographically Weighted Models. Journal of Statistical Software, 63(17). https://doi.org/10.18637/jss.v063.i17
Huang, Z., Li, S., Gao, F., Wang, F., Lin, J., & Tan, Z. (2021). Evaluating the performance of LBSM data to estimate the gross domestic product of China at multiple scales: A comparison with NPP-VIIRS nighttime light data. Journal of Cleaner Production, 328, 129558. https://doi.org/10.1016/j.jclepro.2021.129558
Li, M., Kwan, M.-P., Hu, W., Li, R., & Wang, J. (2023). Examining the effects of station-level factors on metro ridership using multiscale geographically weighted regression. Journal of Transport Geography, 113, 103720. https://doi.org/10.1016/j.jtrangeo.2023.103720
Li, Z., Fotheringham, A. S., Oshan, T. M., & Wolf, L. J. (2019). Measuring Bandwidth Uncertainty in Multiscale Geographically Weighted Regression Using Akaike Weights.
Lu, B., Hu, Y., Yang, D., Liu, Y., Liao, L., Yin, Z., Xia, T., Dong, Z., Harris, P., Brunsdon, C., Comber, L., & Dong, G. (2023). GWmodelS: A software for geographically weighted models. SoftwareX, 21. https://doi.org/10.1016/j.softx.2022.101291
Lu, B., Yang, W., Ge, Y., & Harris, P. (2018). Improvements to the calibration of a geographically weighted regression with parameter-specific distance metrics and bandwidths. Computers, Environment and Urban Systems, 71, 41–57. https://doi.org/10.1016/j.compenvurbsys.2018.03.012
Lutfiani, N., Sugiman, S., & Mariani, S. (2019). Pemodelan Geographically Weighted Regression (GWR) dengan Fungsi Pembobot Kernel Gaussian dan Bi-Square. Unnes Journal of Mathematics, 8(1), Article 1. https://doi.org/10.15294/ujm.v8i1.17103
Pramono, R. W. D., & Suminar, R. E. (2019). Ekonomi Wilayah Untuk Perencanaan Tata Ruang. Deepublish.
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, 26–36. https://doi.org/10.20885/enthusiastic.vol2.iss1.art4
Sun, J., Di, L., Sun, Z., Wang, J., & Wu, Y. (2020). Estimation of GDP Using Deep Learning With NPP-VIIRS Imagery and Land Cover Data at the County Level in CONUS. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 1400–1415. https://doi.org/10.1109/JSTARS.2020.2983331
Tatem, A. J., Noor, A. M., Hagen, C. von, Gregorio, A. D., & Hay, S. I. (2007). High Resolution Population Maps for Low Income Nations: Combining Land Cover and Census in East Africa. PLOS ONE, 2(12), e1298. https://doi.org/10.1371/journal.pone.0001298
Xu, Z., Wang, Y., Sun, G., Chen, Y., Ma, Q., & Zhang, X. (2023). Generating Gridded Gross Domestic Product Data for China Using Geographically Weighted Ensemble Learning. ISPRS International Journal of Geo-Information, 12(3), 123. https://doi.org/10.3390/ijgi12030123
Yang, X. Y. (2017). How community-level social and economic developments have changed the patterns of substance use in a transition economy? Health & Place, 46, 91–100. https://doi.org/10.1016/j.healthplace.2017.05.009
##submission.copyrightStatement##
##submission.license.cc.by-nc-sa4.footer##<a rel="license" href="http://creativecommons.org/licenses/by-nc/4.0/"><img alt="Creative Commons License" style="border-width:0" src="https://i.creativecommons.org/l/by-nc/4.0/88x31.png" /></a><br />This work is licensed under a <a rel="license" href="http://creativecommons.org/licenses/by-nc/4.0/">Creative Commons Attribution-NonCommercial 4.0 International License</a>.