Pemodelan Kemiskinan di Provinsi Jawa Barat dengan Geographically Weighted Regression (GWR)
DOI:
https://doi.org/10.29313/bcss.v6i2.25414Keywords:
Geographically Weighted Regression, GWR, PovertyAbstract
Abstract. Poverty in West Java Province in March 2024 was recorded at 7.46 percent, or 3.89 million people, with patterns that vary across regions due to spatial effects. This condition indicates that classical regression, which assumes constant parameters across all regions, is less appropriate to use, making it necessary to apply Geographically Weighted Regression (GWR), a method capable of accommodating local variations in relationships between regions. This study aims to model the number of poor population across 27 regencies/cities in West Java Province in 2024 using GWR, with independent variables including the Gini ratio, GRDP growth rate, per capita expenditure, the Community Literacy Development Index (IPLM), minimum wage, and the Labor Force Participation Rate (TPAK). The spatial weighting used an adaptive bisquare kernel function, with the optimum bandwidth determined through the Cross Validation method, and data processing was carried out using R Studio. The model fit test results show an F-value (2.3704) greater than the F-table value (2.235) with a p-value of 0.03764, indicating that GWR is more appropriate than OLS. The GWR model produced different equations for each region, with an AICc value of 33.7708, and significant variables that varied across regions, grouped into six clusters of regencies/cities.
Abstrak. Kemiskinan di Provinsi Jawa Barat pada Maret 2024 tercatat sebesar 7,46 persen atau 3,89 juta jiwa, dengan pola yang bervariasi antarwilayah akibat adanya pengaruh spasial. Kondisi ini menunjukkan bahwa regresi klasik yang mengasumsikan parameter konstan di seluruh wilayah kurang tepat digunakan, sehingga diperlukan metode Geographically Weighted Regression (GWR) yang mampu mengakomodasi variasi hubungan antarwilayah secara lokal. Penelitian ini bertujuan memodelkan jumlah penduduk miskin di 27 kabupaten/kota Provinsi Jawa Barat tahun 2024 menggunakan GWR, dengan variabel independen meliputi rasio gini, laju pertumbuhan PDRB, pengeluaran per kapita, IPLM, upah minimum, dan TPAK. Pembobot spasial menggunakan kernel adaptive bisquare dengan bandwidth optimum ditentukan melalui metode Cross Validation, dan pengolahan data dilakukan menggunakan R Studio. Hasil uji kesesuaian model menunjukkan F-hitung (2,3704) > F-tabel (2,235) dengan p-value 0,03764, sehingga GWR lebih sesuai digunakan dibandingkan OLS. Model GWR menghasilkan persamaan berbeda untuk tiap wilayah dengan nilai AICc sebesar 33,7708, serta variabel signifikan yang bervariasi antarwilayah, dikelompokkan menjadi enam kelompok kabupaten/kota.
References
Adella, Y., Program, S., Pembangunan, S. E., Ekonomi, F., & Bisnis, D. (2021). Pengaruh Upah Minimum Tingkat Pengangguran Terbuka Dan Jumlah Penduduk Terhadap Kemiskinan Di Provinsi Jawa Tengah (Vol. 10, Number 2).
Apriyani, N. F., Yuniarti, D., Memi, D., & Hayati, N. (2018). The Model of Mixed Geographically Weighted Regression (MGWR) (Case Study: The Number of Diarrhea Sufferers in East Kalimantan Province on 2015). Jurnal Eksponensial, 9(1).
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
Endrawati, D., Nujum, S., & Selong, A. (2023). Pengaruh Pertumbuhan Ekonomi, Rasio Gini dan Indeks Pembangunan Manusia Terhadap Tingkat Kemiskinan Indonesia 2017-2022.
Ihsan, A., & Utami, F. (2025). Studi Kualitatif Pengaruh Kemiskinan Terhadap Tingkat Tindak Kriminal Di Indonesia. Jurnal Sosial Dan Sains (SOSAINS), 5(3).
Khairiroh, N. E. (2025). Kemiskinan di indonesia: Analisis penyebab, dampak, dan solusi kebijakan. In Maliki Interdisciplinary Journal (MIJ) eISSN (Vol. 3). http://urj.uin-malang.ac.id/index.php/mij/index
Lillah, I. R. I., & Wijayaningrum, T. N. (2025). Pola Pengelompokan Spasial Kemiskinan di Provinsi Jawa Barat. Jurnal Riset Ilmu Ekonomi, 5(2), 126–144. https://doi.org/10.23969/jrie.v5i2.398
Megawati Gunawan Putri, I., Rahmayati, H., Seta Perdana, G., Diklat Keagamaan Medan, B., Simatupang No, J. T., Jasa Keuangan, O., MHThamrin No, J., & Pusat, J. (2026). Pengaruh Tingkat Literasi dan Pendidikan Terhadap Tingkat Kemiskinan di Indonesia, serta Implikasi Peran Widyaiswara.
Pamungkas, R. A., Yasin, H., & Rahmawati, R. (2016). Perbandingan Model Gwr Dengan Fixed Dan Adaptive Bandwidth Untuk Persentase Penduduk Miskin Di Jawa Tengah. Jurnal Gaussian, 5(3), 535–544. http://ejournal-s1.undip.ac.id/index.php/gaussian
Purhadi, & Yasin, H. (2012). Mixed Geographically Weighted Regression Model (Case Study: the Percentage of Poor Households in Mojokerto 2008). In European Journal of Scientific Research (Vol. 69, Number 2). http://www.europeanjournalofscientificresearch.com
Putra, & Sukartini. (2025). Pengaruh Pendidikan, Pdrb Dan Tipe Pemerintah Terhadapkemiskinan.
Sarjito, A. (2024). Dampak Kemiskinan terhadap Akses Pelayanan Kesehatan di Indonesia. Politik Dan Pemerintahan, 13.
Sianturi, A. F., Tampubolon, A., Hidayat, N., Dewi Nasution, M., & Sianturi, R. (2024). Pengaruh Partisipasi Angkatan Kerja (TPAK) dan Jumlah Penduduk Terhadap Kemiskinan di Kota Medan (2014-2023). JALAKOTEK: Journal of Accounting Law Communication and Technology, 1(2).
Tobler, W. R. (1970). A Computer Movie Simulating Urban Growth In The Detroit Region.
