Perbandingan Fungsi Pembobot Kernel pada Geographically Weighted Logistic Regression dalam Memodelkan Kasus Kemiskinan di Indonesia

Indonesia is a developing country that is facing poverty. The percentage of the poor population in Indonesia in 2020 increased by 0.97 percent from 2019. A suitable analysis to overcome poverty in Indonesia is the regional effect, namely Geographically Weighted Logistic Regression (GWLR). This study aimed to compare the weighting functions of the Fixed Gaussian Kernel, Fixed Tricube Kernel, and Fixed Bisquare Kernel in the GWLR model in modeling poverty in Indonesia in 2020. The best model can determine significant factors that affected poverty in Indonesia in 2020. This study used the percentage data of poor population and the factors affecting it, namely the Open Unemployment Rate , Human Development Index , and Total Population in 34 Provinces in Indonesia. This study indicates that the GWLR model with the Fixed Gaussian Kernel weighting function is the best in modeling poverty in Indonesia in 2020 based on the smallest Akaike Information Criterion Corrected (AlCc) value. The GWLR model with the Fixed Gaussian Kernel weighting function shows the Open Unemployment Rate as a significant factor affecting poverty in Indonesia in 2020 in 10 provinces in Indonesia, namely Aceh, North Sumatra, West Sumatra, Riau, Jambi, South Sumatra, Bengkulu, Lampung, DKI Jakarta, and Banten. Indonesia merupakan negara berkembang yang dihadapkan pada masalah kemiskinan. Persentase penduduk miskin di Indonesia tahun 2020 meningkat 0.97 persen dari tahun 2019. Analisis yang cocok untuk mengatasi kemiskinan di Indonesia ini dengan menggunakan efek kewilayaan yaitu Geographically Weighted Logistic Regression (GWLR). Penelitian ini bertujuan untuk membandingkan fungsi pembobot Fixed Gaussian Kernel, Fixed Tricube Kernel dan Fixed Bisquare Kernel pada model GWLR dalam memodelkan kasus kemiskinan di Indonesia tahun 2020. Pada model terbaik dapat diketahui faktor signifikan yang mempengaruhi kemiskinan di Indonesia tahun 2020. Penelitian ini menggunakan data Persentase Penduduk Miskin  dan faktor-faktor yang mempengaruhinya, yaitu Tingkat Pengangguran Terbuka , Indeks Pembangunan Manusia  dan Jumlah Penduduk  pada 34 Provinsi di Indonesia. Hasil penelitian ini yaitu model GWLR dengan fungsi pembobot Fixed Gaussian Kernel merupakan model terbaik dalam memodelkan kasus kemiskinan di Indonesia pada tahun 2020 yang diperoleh berdasarkan nilai Akeike Information Criterion Corrected (AICc) terkecil. Model GWLR dengan fungsi pembobot Fixed Gaussian Kernel menghasilkan Tingkat Pengangguran Terbuka merupakan faktor signifikan yang mempengaruhi kemiskinan di Indonesia tahun 2020 pada 10 Provinsi di Indonesia yaitu Provinsi Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu, Lampung, DKI Jakarta dan Banten