Faktor-faktor yang Mempengaruhi Jumlah Migrasi Risen Masuk di Kabupaten/kota Provinsi Jawa Timur Menggunakan Geographically Weighted Negative Binomial Regression

Azzahra, Farsya Riyanti (2024) Faktor-faktor yang Mempengaruhi Jumlah Migrasi Risen Masuk di Kabupaten/kota Provinsi Jawa Timur Menggunakan Geographically Weighted Negative Binomial Regression. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003201134-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (1MB) | Request a copy

Abstract

Migrasi risen yaitu tempat tinggal penduduk 5 tahun yang lalu berbeda dengan tempat tinggal sekarang. Beberapa faktor dapat mempengaruhi keputusan untuk melakukan migrasi risen ke tujuan lain meliputi jumlah persentase penduduk miskin, Upah Minimum Kabupaten, (UMK), PDRB Per Kapita, Tingkat Partisipasi Angkatan Kerja (TPAK), dan Jumlah Fasilitas Kesehatan. Setelah dilakukan pemodelan menggunakan regresi Poisson, terjadi overdispersi pada data penelitian ini. Sehingga ditindaklanjuti dengan analisis menggunakan pemodelan regresi Negative Binomial yang selanjutnya menggunakan pemodelan Geographically Weighted Negative Binomial Regression (GWNBR). Hal ini dikarenakan data memenuhi aspek spasial yaitu heterogenitas spasial. Tujuan dari penelitian ini yaitu untuk memetakan dan mendeskripsikan karakteristik jumlah migrasi risen masuk dan memodelkannya dengan faktor-faktor yang mempengaruhinya di Kabupaten/kota Provinsi Jawa Timur tahun 2022. Pemodelan GWNBR didapatkan dimulai dengan menggunakan Adaptive Gaussian Kernel sebagai pembobot, hingga mendapatkan fungsi pembobot pada setiap wilayah pengamatan. Hasil penelitian menunjukkan bahwa kabupaten/kota di Jawa Timur dapat dikelompokkan menjadi 5 kategori berdasarkan variabel prediktor yang signifikan terhadap variabel respon, dengan Kabupaten Sumenep sebagai satu-satunya wilayah yang memiliki seluruh variabel prediktor signifikan. Hasil pemodelan dengan nilai AICc paling kecil yaitu dengan menggunakan pemodelan GWNBR dibandingan pemodelan dengan regresi Poisson dan regresi Negative Binomial. Hal ini dilihat melalui nilai AICc terendah yaitu milik model GWNBR sebesar 802.5067.
==============================================================================================================================
"In-migration" refers to the residence of individuals five years ago being different from their current residence. Several factors can influence the decision to undertake in-migration to another destination, including the percentage of the population living in poverty, Minimum Wage (UMK), Gross Regional Domestic Product (PDRB) per capita, Labor Force Participation Rate (TPAK), and the number of health facilities. There was overdispersion in the data, leading to analysis using negative binomial regression models followed by Geographically Weighted Negative Binomial Regression (GWNBR). This is due to the data meeting spatial aspects, specifically spatial heterogeneity. The purpose of this study is to map and describe the characteristics of risen migration inflows and model them with the influencing factors in the regencies/cities of East Java Province in 2022. GWNBR modeling began with the use of an Adaptive Gaussian Kernel as weighting, to derive the weighting function for each observation area. The results indicate that the regencies/cities in East Java can be grouped into five categories based on the predictor variables significant to the response variable, with Sumenep Regency being the only region where all predictor variables are significant. The modeling results with the smallest AICc value were obtained using GWNBR compared to Poisson regression and Negative Binomial regression. This is evident from the lowest AICc value, which belongs to the GWNBR model at 802.5067.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	In-Migration, Overdispersion, Spatial Aspects, Geographically Weighted Negative Binomial Regression, Migrasi Risen Masuk, Overdispersi, Aspek Spasial
Subjects:	H Social Sciences > HA Statistics > HA30.6 Spatial analysis
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Farsya Riyanti Azzahra
Date Deposited:	27 Aug 2024 05:32
Last Modified:	27 Aug 2024 05:32
URI:	http://repository.its.ac.id/id/eprint/115107

Actions (login required)

View Item