Apa itu Geographically Weighted Regression?

20 Februari 2023

Geographically Weighted Regression (GWR) adalah metode populer yang digunakan dalam bidang Ilmu Informasi Geografis yang mengeksplorasi analisis data spasial, dan memodelkan hubungan spasial. Ide dasar di balik GWR adalah untuk mengeksplorasi hubungan antara variabel dependen (Y), dan satu atau beberapa variabel independen (X), yang bervariasi di seluruh bentang alam.

Key Takeaways:

Geographically Weighted Regression (GWR) adalah metode populer yang digunakan dalam bidang Ilmu Informasi Geografis yang mengeksplorasi analisis data spasial, dan memodelkan hubungan spasial
Jenis model dalam Geographically Weighted Regression (GWR) tiga, yaitu Continuous (Gaussian), Binary (Logistik), dan Count (Poisson)

Table of Contents

Contoh Penggunaan Geographically Weighted Regression

Penggunaan Geographically Weighted Regression (GWR) dapat digunakan untuk berbagai aplikasi, termasuk beberapa dibawah ini:

Apakah hubungan antara pencapaian pendidikan dan pendapatan konsisten di seluruh wilayah studi?
Apakah kejadian penyakit atau penyakit tertentu meningkat seiring dengan kedekatannya dengan fitur air?
Apa saja variabel kunci yang menjelaskan tingginya frekuensi kebakaran hutan?
Habitat mana yang harus dilindungi untuk mendorong reintroduksi spesies yang terancam punah?
Di mana saja kabupaten yang anak-anaknya mendapatkan nilai ujian yang tinggi? Karakteristik apa saja yang tampaknya terkait? Di manakah karakteristik yang paling penting?
Apakah faktor-faktor yang mempengaruhi tingkat kanker yang lebih tinggi konsisten di seluruh wilayah studi?

Jenis Model Geographically Weighted Regression

GWR menyediakan tiga jenis model regresi: continuous , binary, dan count. Jenis-jenis regresi ini dikenal dalam literatur statistik sebagai Gaussian, Logistik, dan Poisson. Jenis Model untuk analisis Anda harus dipilih berdasarkan bagaimana variabel dependen Anda diukur atau diringkas serta rentang nilai yang dikandungnya. Berikut adalah penjelasan mengenai model tersebut:

Continuous (Gaussian)

Gunakan Jenis Model Continuous (Gaussian) jika variabel dependen Anda dapat memiliki rentang nilai yang luas seperti suhu atau total penjualan. Idealnya, variabel dependen Anda akan terdistribusi secara normal. Anda dapat membuat histogram dari variabel dependen Anda untuk memverifikasi bahwa variabel tersebut terdistribusi secara normal. Jika histogramnya berbentuk kurva lonceng simetris, gunakan jenis model Gaussian. Sebagian besar nilai akan mengelompok di dekat rata-rata, dengan sedikit nilai yang menyimpang secara radikal dari rata-rata. Seharusnya ada banyak nilai di sisi kiri rata-rata seperti di sisi kanan (nilai rata-rata dan median untuk distribusi adalah sama). Jika variabel dependen Anda tampaknya tidak terdistribusi secara normal, pertimbangkan untuk mengklasifikasikannya kembali ke variabel biner. Misalnya, jika variabel dependen Anda adalah pendapatan rumah tangga rata-rata, Anda dapat mengkodekannya kembali ke variabel biner, di mana 1 menunjukkan di atas pendapatan rata-rata nasional dan 0 (nol) menunjukkan di bawah pendapatan rata-rata nasional. Bidang continuous bisa diklasifikasikan ulang menjadi bidang biner dengan menggunakan fungsi pembantu reklasifikasi pada perangkat hitung bidang.

Binary (Logistik)

Gunakan Tipe Model Binary (Logistik) jika variabel dependen Anda dapat mengambil salah satu dari dua nilai yang mungkin seperti sukses dan gagal atau ada dan tidak ada. Bidang yang berisi variabel dependen Anda harus berupa angka dan hanya berisi angka satu (1) dan nol (0). Hasil akan lebih mudah diinterpretasikan jika Anda memberi kode peristiwa yang menarik, seperti keberhasilan atau keberadaan hewan, sebagai 1, karena regresi akan memodelkan probabilitas 1. Harus ada variasi angka satu (1) dan nol (0) dalam data Anda baik secara global maupun lokal. Jika Anda membuat histogram variabel dependen Anda, histogram tersebut seharusnya hanya menampilkan angka satu (1) dan nol (0).

Count (Poisson)

Pertimbangkan untuk menggunakan Tipe Model Count (Poisson) jika variabel dependen Anda bersifat diskrit dan mewakili jumlah kejadian suatu peristiwa seperti jumlah kejahatan. Model hitungan juga dapat digunakan jika variabel dependen Anda mewakili suatu angka dan penyebut dari angka tersebut merupakan nilai tetap. Model Count (Poisson) mengasumsikan bahwa rata-rata dan varian dari variabel dependen adalah sama, dan nilai variabel dependen Anda tidak boleh negatif atau mengandung desimal.

Sempurnakan Bisnis Anda dengan Data Spasial Bersama Terralogiq

Mengetahui betapa pentingnya sistem data spasial bagi sebuah bisnis, tentu sangat disayangkan jika dilewatkan begitu saja. data spasial bisa menjadi masa depan yang cerah bagi bisnis Anda.

Untuk memaksimalkan penggunaan data spasial, Anda bisa berkonsultasi dengan Terralogiq, Google Cloud Partner Indonesia terpercaya. Sebagai perusahaan yang telah menjalin kerja sama dengan Google Cloud, Terralogiq telah dipercaya menangani ratusan klien untuk berbagai kebutuhan bisnisnya.

Salah satu layanan Terralogiq yang populer adalah jasa mapping dan geomarketing. Melalui jasa ini, Terralogiq berusaha membantu perusahaan Anda untuk mendapatkan analisa bisnis berdasarkan kondisi geografi.

Dapatkan informasi lebih lengkap terkait layanan Terralogiq melalui website resmi Terralogiq.com.