Wijaya, Erlangga Satria (2025) Pemodelan Geographically Weighted Panel Regression Dengan Fungsi Pembobot Adaptive Kernel Sebagai Dasar Pemetaan Faktor Risiko Banjir Di Pulau Jawa. Other thesis, Institut Teknologi Sepuluh Nopember.
![]() |
Text
5006211091-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy |
Abstract
Indonesia merupakan negara dengan tingkat kerentanan bencana tertinggi kedua di dunia, dengan World Risk Index (WRI) sebesar 43,5 dari 100. Tingginya nilai WRI Indonesia disebabkan oleh frekuensi bencana yang terjadi secara berulang. Menurut BNPB, banjir merupakan salah satu bencana alam yang paling sering terjadi di Indonesia. Secara konseptual, tingkat keparahan bencana banjir dipengaruhi oleh empat faktor, yaitu lingkungan, fisik, ekonomi, dan sosial, yang mana semua faktor tersebut berkontribusi pada peningkatan terjadinya banjir. Untuk memahami pola kejadian banjir yang semakin kompleks, diperlukan pemodelan dan pemetaan yang lebih tepat, guna mengidentifikasi faktor-faktor penyebab utama dan variabilitas spasial dari risiko banjir di setiap wilayah. Oleh karena itu, penelitian ini bertujuan untuk mendapatkan model indeks risiko banjir di setiap provinsi di Pulau Jawa dengan menggunakan metode regresi data panel yang dilanjutkan dengan mengestimasikannya ke metode Geographically Weighted Panel Regression (GWPR), dan selanjutnya akan dijadikan dasar dalam pemetaan indeks risiko banjir. Variabel dependen yang digunakan dalam penelitian ini adalah indeks risiko banjir dan variabel independen yang digunakan adalah curah hujan, kelembaban udara, kepadatan penduduk, presentase penduduk miskin, PDRB, Gini ratio, dan jumlah rumah yang terendam banjir. Data yang digunakan mencakup data dari enam provinsi yang ada di Pulau Jawa pada periode 2015-2023, yang diperoleh melalui sumber resmi BNPB, DAV, dan BPS. Hasil penelitian ini menunjukkan bahwa model regresi data panel CEM, FEM, dan REM, menghasilkan variabel signifikan yang berbeda. Selanjutnya, ketiga model tersebut digunakan sebagai dasar dalam pembentukan model GWPR dengan menggunakan pembobot terbaik, yaitu adaptive bisquare untuk CEM dan adaptive Gaussian untuk FEM dan REM. Hasil pemodelan menunjukkan bahwa metode GWPR mampu menghasilkan model yang berbeda-beda untuk setiap provinsi sesuai dengan karakteristik masing-masing wilayah. Selanjutnya, dengan mengggunakan R^2, adjusted R^2, dan AIC, didapatkan bahwa model GWPR terbaik adalah GWPR-FEM dengan nilai evaluasi sebesar 0,9451, 0,9418, dan 156,6113. Berdasarkan variabel signifikan dalam model GWPR-FEM, indeks risiko banjir di Pulau Jawa dapat dipetakan ke dalam tiga kategori wilayah. Pertama, Provinsi Jawa Timur dipengaruhi oleh kelembaban udara. Kedua, Provinsi DKI Jakarta, Jawa Barat, Jawa Tengah, dan DI Yogyakarta dipengaruhi oleh curah hujan dan kelembaban udara. Ketiga, Provinsi Banten dipengaruhi oleh curah hujan, kelembaban udara, dan Gini ratio. Hasil pemetaan ini diharapkan dapat dijadikan saran dalam perumusan kebijakan penanggulangan bencana banjir di Pulau Jawa, serta dapat dijadikan acuan alternatif dalam penyusunan produk asuransi bencana banjir.
====================================================================================================================================
Indonesia has the second highest disaster vulnerability in the world, with a World Risk Index (WRI) of 43.5 out of 100. Indonesia's high WRI score is due to the frequency of recurring disasters. According to BNPB, flooding is one of the most frequent natural disasters in Indonesia. Conceptually, the severity of flood disasters is influenced by four factors, namely environmental, physical, economic, and social, all of which contribute to the increase in flood occurrence. To understand the increasingly complex patterns of flood events, more precise modeling and mapping are required, in order to identify the main causal factors and spatial variability of flood risk in each region. Therefore, this study aims to model the flood risk index in each province in Java Island using the panel data regression method followed by estimating it using the Geographically Weighted Panel Regression (GWPR) method, which will then be used as the basis for mapping the flood risk index. The dependent variable used in this study is the flood risk index and the independent variables used are rainfall, humidity, population density, percentage of poor people, GRDP, Gini ratio, and the number of flooded houses. The data used includes data from six provinces on the island of Java for the period 2015-2023, obtained through official sources of BNPB, DAV, and BPS. The results showed that the CEM, FEM, and REM panel data regression models produced different significant variables. Furthermore, the three models were used as the basis in the formation of the GWPR model, using the best weights, namely adaptive bisquare for CEM and adaptive Gaussian for FEM and REM. The modeling results show that the GWPR method is able to produce different models for each province according to the characteristics of each region. Furthermore, using R^2, adjusted R^2, and AIC, it was found that the best GWPR model was GWPR-FEM with evaluation values of 0.9451, 0.9418, and 156.6113. Based on the significant variables in the GWPR-FEM model, the flood risk index in Java Island can be mapped into three regional categories. First, East Java Province is influenced by air humidity. Second, DKI Jakarta, West Java, Central Java, and DI Yogyakarta provinces are influenced by rainfall and humidity. Third, Banten Province is influenced by rainfall, humidity, and Gini ratio. The results of this mapping are expected to be used as advice in the formulation of flood disaster management policies in Java, and can be used as an alternative reference in the preparation of flood disaster insurance products.
Item Type: | Thesis (Other) |
---|---|
Uncontrolled Keywords: | Banjir, Data Panel, GWPR, Pulau Jawa, Risiko,Flood, GWPR, Java Island, Panel Data, Risk |
Subjects: | Q Science > QA Mathematics > QA275 Theory of errors. Least squares. Including statistical inference. Error analysis (Mathematics) Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis |
Depositing User: | Erlangga Satria Wijaya |
Date Deposited: | 30 Jul 2025 08:04 |
Last Modified: | 30 Jul 2025 08:04 |
URI: | http://repository.its.ac.id/id/eprint/123382 |
Actions (login required)
![]() |
View Item |