Pemodelan Spasial Ketahanan Pangan Jawa Timur Tahun 2023

Abstract. Spatial regression analysis is an extension of classical regression that incorporates spatial effects. Spatial effects refer to the geographic influence on data, which can be classified into spatial dependence and spatial heterogeneity. To address spatial heterogeneity, the Geographically Weighted Regression (GWR) method is applied by estimating parameters through geographic proximity weighting. GWR allows each location to have its own local parameters, enabling the model to capture variations in the relationship between variables across locations. This makes GWR a more adaptive and representative model compared to classical regression, especially in revealing spatially varying relationships. In this study, the GWR method is applied to the 2023 Food Security Index (FSI) data of districts and cities in East Java Province, using haversine distance and a fixed exponential kernel. The analysis produces 38 local GWR models, with variations in predictor variables influencing the IKP across two regional groups. The GWR model demonstrates superior performance over OLS, as indicated by a higher adjusted R² value. Abstrak. Analisis regresi spasial merupakan pengembangan analisis regresi klasik yang mempertimbangkan efek spasial. Efek spasial diartikan sebagai pengaruh geografis terhadap data, yang terbagi menjadi keterkaitan spasial dan heterogenitas spasial. Dalam mengatasi masalah heterogenitas spasial dapat dilakukan melalui metode Geographically Weighted Regression (GWR) dengan menaksir parameter melalui pembobotan kedekatan geografis. Metode GWR memungkinkan setiap lokasi memiliki parameter lokal sehingga dapat mampu menangkap variasi hubungan antar variabel di setiap lokasi. Hal ini menjadikan GWR sebagai model yang adaptif dan representatif dibandingkan model regresi klasik, khususnya dalam menunjukkan perbedaan hubungan antar variabel di berbagai lokasi. Dalam penelitian ini, metode GWR diterapkan pada data Indeks Ketahanan Pangan (IKP) kabupaten/kota di Jawa Timur tahun 2023 dengan menggunakan jarak haversine dan kernel fixed Eksponensial. Hasil analisis menghasilkan 38 model lokal GWR dengan variasi variabel prediktor yang memengaruhi IKP pada dua kelompok wilayah. Model GWR terbukti lebih baik dari OLS berdasarkan nilai adjusted R² yang lebih tinggi.