Analisis Spasial IPM Kabupaten/Kota Jawa Barat Tahun 2025 Menggunakan Geographically Weighted Regression (GWR)

library(sf) 
library(readr) 
library(dplyr) 
library(spdep) 
library(car) 
library(lmtest) 
library(GWmodel) 
library(tmap) 
library(knitr) 

tmap_mode("plot") 

#====================================================
# IMPORT DATA IPM
#====================================================

ipm <- read_csv(
  "D:/Semester 2/Analisis Spasial/Indeks Pembangunan Manusia Menurut Kabupaten_Kota di Provinsi Jawa Barat, 2025.csv",
  show_col_types = FALSE
)

#====================================================
# RENAME VARIABEL
#====================================================

ipm <- ipm %>%
  rename(
    Kabupaten_Kota = `Kabupaten/Kota`,
    IPM = `Indeks Pembangunan Manusia`,
    Kepadatan = `Kepadatan Penduduk`
  )

#====================================================
# SAMAKAN NAMA WILAYAH
#====================================================

# Samakan format nama wilayah

ipm$Kabupaten_Kota <- toupper(ipm$Kabupaten_Kota)

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA BOGOR"
] <- "BOGOR"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA SUKABUMI"
] <- "SUKABUMI"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA BANDUNG"
] <- "BANDUNG"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA CIREBON"
] <- "CIREBON"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA BEKASI"
] <- "BEKASI"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA DEPOK"
] <- "DEPOK"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA CIMAHI"
] <- "CIMAHI"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA TASIKMALAYA"
] <- "TASIKMALAYA"

ipm$Kabupaten_Kota[
  ipm$Kabupaten_Kota == "KOTA BANJAR"
] <- "BANJAR"
#====================================================
# IMPORT GEOJSON
#====================================================

jabar <- st_read(
  "D:/Semester 2/Analisis Spasial/geojson_jawa_barat_adm2.geojson",
  quiet = TRUE
)

#====================================================
# GABUNGKAN DATA DAN PETA
#====================================================

jabar_data <- left_join(
  jabar,
  ipm,
  by = c(
    "wilayah_key_loose" = "Kabupaten_Kota"
  )
)

1 Pendahuluan

1.1 Latar Belakang

Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator penting yang digunakan untuk mengukur keberhasilan pembangunan manusia dalam suatu wilayah. IPM dikembangkan oleh United Nations Development Programme (UNDP) dan menggambarkan capaian pembangunan pada tiga dimensi dasar kehidupan manusia, yaitu umur panjang dan hidup sehat, pengetahuan, serta standar hidup layak (UNDP, 2024). IPM tidak hanya digunakan sebagai indikator kesejahteraan masyarakat, tetapi juga menjadi dasar dalam penyusunan kebijakan pembangunan dan evaluasi keberhasilan program pemerintah dalam meningkatkan kualitas hidup penduduk.

Berdasarkan data Badan Pusat Statistik (BPS), nilai IPM Indonesia terus mengalami peningkatan dalam beberapa tahun terakhir. Pada tahun 2024, IPM Indonesia mencapai 75,02 yang menunjukkan bahwa kualitas pembangunan manusia di Indonesia berada pada kategori tinggi (BPS, 2024). Meskipun demikian, peningkatan tersebut belum sepenuhnya diikuti oleh pemerataan pembangunan antarwilayah. Perbedaan kondisi sosial, ekonomi, pendidikan, dan karakteristik demografis menyebabkan tingkat pembangunan manusia pada setiap daerah memiliki capaian yang beragam.

Provinsi Jawa Barat merupakan provinsi dengan jumlah penduduk terbesar di Indonesia dan memiliki karakteristik wilayah yang sangat heterogen. Jawa Barat terdiri atas wilayah metropolitan yang berkembang pesat seperti Kota Bandung, Kota Bekasi, dan Kota Depok, serta wilayah agraris dan perdesaan seperti Kabupaten Pangandaran, Kabupaten Garut, dan Kabupaten Ciamis. Perbedaan tingkat pembangunan ekonomi, kualitas pendidikan, akses terhadap layanan kesehatan, dan karakteristik kependudukan menyebabkan terjadinya variasi nilai IPM antar kabupaten/kota. Berdasarkan data BPS Provinsi Jawa Barat tahun 2025, masih terdapat kesenjangan nilai IPM antara wilayah perkotaan dan wilayah kabupaten yang menunjukkan bahwa pembangunan manusia di Jawa Barat belum merata.

Berbagai penelitian menunjukkan bahwa pembangunan manusia dipengaruhi oleh faktor-faktor sosial ekonomi dan demografi. Tingkat kemiskinan yang tinggi dapat membatasi akses masyarakat terhadap pendidikan, kesehatan, dan kebutuhan dasar lainnya sehingga berdampak pada rendahnya kualitas hidup masyarakat (Todaro & Smith, 2020). Tingkat pengangguran terbuka (TPT) juga dapat memengaruhi pembangunan manusia melalui penurunan pendapatan dan berkurangnya kesempatan masyarakat untuk memperoleh kehidupan yang layak. Selain itu, kepadatan penduduk dapat memberikan dampak yang berbeda pada setiap wilayah. Wilayah dengan kepadatan penduduk yang tinggi umumnya memiliki akses yang lebih baik terhadap fasilitas pendidikan, kesehatan, dan infrastruktur, namun juga berpotensi menghadapi tekanan terhadap pelayanan publik apabila tidak diimbangi dengan pembangunan yang memadai.

Selain faktor sosial dan demografi, faktor ekonomi dan pendidikan juga memiliki peran penting dalam meningkatkan kualitas pembangunan manusia. Produk Domestik Regional Bruto (PDRB) per kapita sering digunakan sebagai indikator tingkat kesejahteraan ekonomi masyarakat. Semakin tinggi PDRB per kapita suatu daerah, semakin besar kemampuan masyarakat dalam memenuhi kebutuhan hidup dan mengakses layanan publik yang berkualitas (Sjafrizal, 2018). Di sisi lain, rata-rata lama sekolah (RLS) merupakan indikator pendidikan yang menggambarkan tingkat pencapaian pendidikan penduduk. Pendidikan yang lebih baik akan meningkatkan kualitas sumber daya manusia, produktivitas tenaga kerja, serta kemampuan masyarakat dalam memperoleh pendapatan yang lebih tinggi, sehingga berkontribusi terhadap peningkatan IPM (BPS, 2024).

Dalam konteks geografis, hubungan antara IPM dan faktor-faktor yang memengaruhinya tidak selalu bersifat sama pada setiap wilayah. Kondisi sosial ekonomi suatu daerah sering kali dipengaruhi oleh karakteristik wilayah di sekitarnya sehingga menimbulkan ketergantungan spasial (spatial dependence) dan heterogenitas spasial (spatial heterogeneity). Menurut Anselin (1988), data yang memiliki dimensi geografis cenderung menunjukkan pola keterkaitan antarwilayah sehingga asumsi independensi antarobservasi pada model statistik konvensional sering kali tidak terpenuhi.

Model regresi linear berganda atau Ordinary Least Squares (OLS) merupakan metode yang umum digunakan untuk menganalisis hubungan antara variabel respon dan variabel prediktor. Namun, model OLS mengasumsikan bahwa hubungan antarvariabel bersifat global atau konstan pada seluruh wilayah pengamatan. Dalam kenyataannya, pengaruh kemiskinan, pengangguran, kepadatan penduduk, PDRB per kapita, maupun rata-rata lama sekolah terhadap IPM dapat berbeda antar kabupaten/kota. Oleh karena itu, diperlukan metode yang mampu mengakomodasi variasi hubungan antarvariabel berdasarkan lokasi geografis.

Salah satu metode yang dapat digunakan untuk mengatasi permasalahan tersebut adalah Geographically Weighted Regression (GWR). GWR merupakan pengembangan dari regresi linear yang memungkinkan parameter model berbeda pada setiap lokasi pengamatan sehingga mampu menangkap heterogenitas spasial yang terdapat dalam data (Fotheringham, Brunsdon, & Charlton, 2002). Melalui pendekatan ini, pengaruh masing-masing faktor terhadap IPM dapat dianalisis secara lokal sehingga memberikan informasi yang lebih rinci mengenai karakteristik pembangunan manusia pada setiap kabupaten/kota.

Berdasarkan uraian tersebut, penelitian ini dilakukan untuk menganalisis faktor-faktor yang memengaruhi Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Jawa Barat tahun 2025 menggunakan pendekatan Geographically Weighted Regression (GWR) dengan mempertimbangkan variabel kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS). Hasil penelitian diharapkan dapat memberikan gambaran mengenai pola spasial pembangunan manusia di Jawa Barat serta menjadi bahan pertimbangan dalam perumusan kebijakan pembangunan yang lebih efektif, tepat sasaran, dan sesuai dengan karakteristik masing-masing wilayah.

1.2 Rumusan Masalah

1. Bagaimana karakteristik IPM kabupaten/kota di Provinsi Jawa Barat tahun 2025? 2 Apakah terdapat autokorelasi spasial pada data IPM? 3 Faktor-faktor apa saja yang memengaruhi IPM di Jawa Barat?
2. Apakah model GWR lebih baik dibandingkan model regresi global (OLS)?

1.3 Tujuan Penelitian

1. Mendeskripsikan karakteristik IPM di Jawa Barat tahun 2025.
2. Mengidentifikasi adanya autokorelasi spasial pada IPM.
3. Menganalisis pengaruh kemiskinan, TPT, dan kepadatan penduduk, PDRB perkapita, dan Rata-rata lama sekolah terhadap IPM.
4. Membandingkan performa model OLS dan GWR.

2 Metode Penelitian

2.1 Jenis dan Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari publikasi resmi Badan Pusat Statistik (BPS) Provinsi Jawa Barat tahun 2025. Unit analisis dalam penelitian ini adalah 27 kabupaten/kota di Provinsi Jawa Barat. Data yang digunakan meliputi Indeks Pembangunan Manusia (IPM), persentase penduduk miskin, tingkat pengangguran terbuka (TPT), kepadatan penduduk, Produk Domestik Regional Bruto (PDRB) per kapita, dan rata-rata lama sekolah (RLS). Selain data statistik, penelitian ini juga menggunakan data spasial berupa batas administrasi kabupaten/kota di Provinsi Jawa Barat dalam format GeoJSON yang diperoleh dari sumber data geospasial terbuka.

2.2 Variabel Penelitian

Variabel yang digunakan dalam penelitian terdiri atas satu variabel respon dan 5 variabel prediktor sebagai berikut.

Tabel 3.1 Variabel Penelitian
Variabel	Keterangan	Satuan
Y	Indeks Pembangunan Manusia (IPM)	Indeks
X1	Persentase Penduduk Miskin	%
X2	Tingkat Pengangguran Terbuka (TPT)	%
X3	Kepadatan Penduduk	Jiwa/km²
X4	PDRB Per Kapita	Ribu Rupiah
X5	Rata-Rata Lama Sekolah (RLS)	Tahun

2.3 Metode Analisis

2.3.1 Analisis Deskriptif

Analisis deskriptif digunakan untuk memberikan gambaran umum mengenai karakteristik data penelitian melalui ukuran pemusatan dan penyebaran data, seperti rata-rata, median, nilai minimum, nilai maksimum, dan standar deviasi (Walpole et al., 2012).

2.3.2 Regresi Linear Berganda (Ordinary Least Squares)

Regresi linear berganda merupakan metode statistik yang digunakan untuk menganalisis hubungan antara satu variabel respon dengan dua atau lebih variabel prediktor. Salah satu metode yang paling umum digunakan untuk mengestimasi parameter pada regresi linear berganda adalah Ordinary Least Squares (OLS) atau metode kuadrat terkecil. Menurut Gujarati dan Porter (2009), OLS bertujuan untuk memperoleh nilai parameter regresi yang mampu meminimumkan jumlah kuadrat residual, yaitu selisih antara nilai observasi dengan nilai prediksi model. Metode ini banyak digunakan karena memiliki sifat estimasi yang tidak bias, efisien, dan konsisten apabila asumsi-asumsi klasik regresi terpenuhi.

Secara umum, model regresi linear berganda dapat dinyatakan sebagai:

\[ Y_i=\beta_0+\beta_1X_{1i}+\beta_2X_{2i}+\cdots+\beta_kX_{ki}+\varepsilon_i \]

dengan:

\(Y_i\) = variabel respon pada pengamatan ke-(i)

\(X_{ki}\) = variabel prediktor ke-(k) pada pengamatan ke-(i)

\(\beta_0\) = intersep

\(\beta_k\) = koefisien regresi

\(\varepsilon_i\) = galat random

Koefisien regresi pada model OLS diestimasi dengan meminimumkan jumlah kuadrat galat (Residual Sum of Squares/RSS), yang dirumuskan sebagai:

\[ RSS=\sum_{i=1}^{n}(Y_i-\hat{Y}_i)^2 \]

Nilai koefisien yang diperoleh kemudian digunakan untuk menjelaskan arah dan besarnya pengaruh masing-masing variabel prediktor terhadap variabel respon. Koefisien bernilai positif menunjukkan hubungan searah, sedangkan koefisien bernilai negatif menunjukkan hubungan berlawanan arah antara variabel prediktor dan variabel respon.

Dalam penerapannya, model OLS memiliki beberapa asumsi yang harus dipenuhi, yaitu linearitas hubungan antarvariabel, tidak terjadi multikolinearitas, homoskedastisitas, independensi residual, dan normalitas residual. Apabila asumsi-asumsi tersebut terpenuhi, maka estimator OLS akan memenuhi sifat Best Linear Unbiased Estimator (BLUE) sesuai dengan Teorema Gauss-Markov (Montgomery et al., 2021). Namun, pada data yang memiliki dimensi geografis sering dijumpai adanya autokorelasi spasial dan heterogenitas spasial yang menyebabkan hubungan antarvariabel tidak bersifat konstan pada seluruh wilayah. Oleh karena itu, model OLS sering digunakan sebagai model regresi global awal sebelum dilakukan analisis spasial yang lebih kompleks, seperti Geographically Weighted Regression (GWR) (Fotheringham et al., 2002).

2.3.3 Matriks Bobot Spasial

Matriks bobot spasial merupakan komponen penting dalam analisis spasial yang digunakan untuk menggambarkan hubungan ketetanggaan antarwilayah. Matriks ini menunjukkan tingkat kedekatan atau keterkaitan suatu wilayah dengan wilayah lainnya berdasarkan lokasi geografisnya. Menurut Anselin (1988), matriks bobot spasial berfungsi sebagai representasi struktur spasial yang digunakan dalam berbagai analisis, seperti uji autokorelasi spasial dan pemodelan regresi spasial.

Pada penelitian ini, matriks bobot spasial dibentuk menggunakan metode Queen Contiguity. Metode ini menganggap dua wilayah bertetangga apabila memiliki batas sisi (edge) atau titik sudut (vertex) yang saling bersinggungan. Metode Queen Contiguity dipilih karena mampu menangkap hubungan spasial yang lebih luas dibandingkan metode Rook Contiguity yang hanya mempertimbangkan persinggungan sisi wilayah. Secara matematis, elemen matriks bobot spasial didefinisikan sebagai:

\(w_{ij}= \begin{cases} 1,& \text{jika wilayah } i \text{ bertetangga dengan wilayah } j\ 0,& \text{lainnya} \end{cases}\)

Matriks bobot spasial yang telah dibentuk kemudian dilakukan standarisasi sehingga jumlah bobot pada setiap baris bernilai satu (row-standardized weights). Matriks ini digunakan sebagai dasar dalam pengujian autokorelasi spasial Moran’s I dan analisis Geographically Weighted Regression (GWR) untuk mengidentifikasi pola keterkaitan antarwilayah di Provinsi Jawa Barat. Dengan adanya matriks bobot spasial, hubungan geografis antarwilayah dapat diakomodasi dalam proses analisis sehingga hasil yang diperoleh lebih sesuai dengan karakteristik data spasial.

2.3.4 Uji Autokorelasi Spasial Moran’s I

Uji Moran’s I merupakan salah satu metode yang digunakan untuk mengidentifikasi adanya autokorelasi spasial pada suatu data. Autokorelasi spasial menunjukkan adanya keterkaitan nilai suatu variabel pada suatu wilayah dengan nilai variabel yang sama pada wilayah di sekitarnya. Menurut Moran (1950), apabila wilayah yang berdekatan memiliki nilai yang cenderung serupa, maka terjadi autokorelasi spasial positif. Sebaliknya, apabila wilayah yang berdekatan memiliki nilai yang cenderung berbeda, maka terjadi autokorelasi spasial negatif.

Dalam penelitian ini, uji Moran’s I digunakan untuk mengetahui apakah terdapat pola spasial pada Indeks Pembangunan Manusia (IPM) antar kabupaten/kota di Provinsi Jawa Barat. Statistik Moran’s I dihitung menggunakan matriks bobot spasial Queen Contiguity yang menggambarkan hubungan ketetanggaan antarwilayah. Nilai Moran’s I dirumuskan sebagai:

\[ (I=\frac{n}{S_0} \frac{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(y_i-\bar{y})(y_j-\bar{y})} {\sum_{i=1}^{n}(y_i-\bar{y})^2}) \]

dengan:

\(I\) : indeks Moran

\(n\) : jumlah wilayah

\(w_{ij}\) : bobot spasial antara wilayah ke-i dan ke-j

\(y_i\) : nilai variabel pada wilayah ke-i

\(y_j\) : nilai variabel pada wilayah ke-j

\(\bar{y}\) : rata-rata variabel

\(S_0=\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}\) : jumlah seluruh bobot spasial

Nilai Moran’s I berada pada rentang -1 hingga 1. Nilai Moran’s I yang positif menunjukkan adanya pengelompokan (clustering) wilayah dengan karakteristik yang serupa, sedangkan nilai negatif menunjukkan pola penyebaran (dispersion). Apabila nilai Moran’s I mendekati nol, maka tidak terdapat autokorelasi spasial. Hasil pengujian Moran’s I digunakan sebagai dasar untuk menentukan apakah pendekatan spasial diperlukan dalam analisis. Jika ditemukan autokorelasi spasial yang signifikan, maka model spasial seperti Geographically Weighted Regression (GWR) lebih tepat digunakan dibandingkan model regresi global (OLS) karena mampu mempertimbangkan pengaruh lokasi geografis dalam pemodelan.

2.3.5 Geographically Weighted Regression (GWR)

Geographically Weighted Regression (GWR) merupakan pengembangan dari model regresi linear global atau Ordinary Least Squares (OLS) yang dirancang untuk mengakomodasi heterogenitas spasial dalam data. Berbeda dengan OLS yang menghasilkan satu nilai koefisien regresi yang berlaku untuk seluruh wilayah pengamatan, GWR menghasilkan koefisien regresi lokal yang berbeda pada setiap lokasi. Menurut Fotheringham, Brunsdon, dan Charlton (2002), metode GWR memungkinkan hubungan antara variabel respon dan variabel prediktor bervariasi secara geografis sehingga mampu menangkap karakteristik lokal yang tidak dapat dijelaskan oleh model regresi global.

Pada penelitian ini, GWR digunakan untuk menganalisis pengaruh persentase penduduk miskin, tingkat pengangguran terbuka (TPT), dan kepadatan penduduk terhadap Indeks Pembangunan Manusia (IPM) pada setiap kabupaten/kota di Provinsi Jawa Barat. Model GWR secara umum dapat dituliskan sebagai:

\[ (Y_i=\beta_0(u_i,v_i)+\sum_{k=1}^{p}\beta_k(u_i,v_i)X_{ik}+\varepsilon_i) \]

dengan:

\(Y_i\) = variabel respon pada lokasi ke-(i)

\(X_{ik}\) = variabel prediktor ke-(k) pada lokasi ke-(i),

\(\beta_k(u_i,v_i)\) = parameter lokal yang bergantung pada koordinat geografis \((u_i,v_i)\ \((u_i,v_i)\) = koordinat lokasi ke-(i),

\(\varepsilon_i\) = galat random.

Estimasi parameter GWR dilakukan menggunakan metode Weighted Least Squares (WLS), yaitu dengan memberikan bobot yang berbeda pada setiap wilayah berdasarkan kedekatan geografisnya. Wilayah yang memiliki jarak lebih dekat akan memperoleh bobot yang lebih besar dibandingkan wilayah yang lebih jauh. Pembobotan tersebut dilakukan menggunakan fungsi kernel spasial, sedangkan bandwidth optimum dipilih berdasarkan nilai Akaike Information Criterion Correction (AICc) terkecil (Fotheringham et al., 2002). Hasil GWR berupa koefisien lokal, nilai koefisien determinasi ((R^2)), dan nilai Akaike Information Criterion (AIC) yang digunakan untuk mengevaluasi kinerja model. Apabila model GWR menghasilkan nilai (R^2) yang lebih tinggi dan nilai AIC yang lebih rendah dibandingkan model OLS, maka model GWR dianggap lebih mampu menjelaskan variasi spasial pada data yang dianalisis (Bivand, Pebesma, & Gómez-Rubio, 2013).

2.3.6 Pemilihan Bandwidth Optimum

Bandwidth merupakan parameter penting dalam Geographically Weighted Regression (GWR) yang digunakan untuk menentukan ukuran wilayah tetangga yang berpengaruh dalam proses estimasi parameter lokal. Bandwidth berfungsi mengendalikan besarnya bobot yang diberikan kepada setiap lokasi pengamatan berdasarkan jarak geografisnya. Menurut Fotheringham, Brunsdon, dan Charlton (2002), pemilihan bandwidth yang tepat sangat penting karena akan memengaruhi tingkat kehalusan (smoothing) model GWR. Bandwidth yang terlalu kecil dapat menyebabkan model menjadi terlalu sensitif terhadap variasi lokal (overfitting), sedangkan bandwidth yang terlalu besar dapat menyebabkan model mendekati regresi global (OLS).

Dalam penelitian ini, bandwidth optimum ditentukan menggunakan fungsi kernel adaptif Gaussian (Adaptive Gaussian Kernel). Kernel adaptif dipilih karena mampu menyesuaikan jumlah tetangga pada setiap lokasi pengamatan, sehingga lebih sesuai digunakan pada data yang memiliki persebaran wilayah tidak merata (Fotheringham et al., 2002). Fungsi pembobotan kernel Gaussian adaptif dirumuskan sebagai:

\[ w_{ij} = \exp \left( -\frac{1}{2} \left( \frac{d_{ij}}{b_i} \right)^2 \right) \]

dengan \(w_{ij}\) merupakan bobot antara lokasi ke-(i) dan ke-(j), \(d_{ij}\) merupakan jarak antara kedua lokasi, dan (b_i) merupakan bandwidth pada lokasi ke-(i).

Pemilihan bandwidth optimum dilakukan menggunakan metode Cross Validation (CV) atau Akaike Information Criterion Correction (AICc). Pada penelitian ini digunakan kriteria AICc, yaitu dengan memilih bandwidth yang menghasilkan nilai AICc terkecil. Bandwidth optimum yang diperoleh kemudian digunakan dalam proses estimasi parameter lokal GWR sehingga model yang dihasilkan mampu menggambarkan variasi hubungan antara faktor-faktor sosial ekonomi dan Indeks Pembangunan Manusia (IPM) pada setiap kabupaten/kota di Provinsi Jawa Barat secara lebih akurat (Fotheringham et al., 2002).

2.3.7 Evaluasi Model

Evaluasi model dilakukan untuk menentukan model terbaik dalam menjelaskan hubungan antara Indeks Pembangunan Manusia (IPM) dengan variabel-variabel prediktor yang digunakan. Pada penelitian ini, evaluasi dilakukan dengan membandingkan model Ordinary Least Squares (OLS) dan Geographically Weighted Regression (GWR) menggunakan koefisien determinasi ((R^2)), Akaike Information Criterion (AIC), dan Akaike Information Criterion Correction (AICc). Menurut Fotheringham, Brunsdon, dan Charlton (2002), ukuran-ukuran tersebut umum digunakan untuk menilai kualitas model regresi spasial.

Koefisien determinasi ((R^2)) digunakan untuk mengukur proporsi keragaman variabel respon yang dapat dijelaskan oleh variabel prediktor dalam model. Semakin besar nilai (R^2), maka semakin baik kemampuan model dalam menjelaskan variasi data (Gujarati & Porter, 2009). Koefisien determinasi dirumuskan sebagai:

\[ (R^2=\frac{SSR}{SST}) \]

atau dapat dituliskan sebagai:

\[ (R^2=1-\frac{SSE}{SST}) \]

dengan:

(SSR) = Regression Sum of Squares (SSE) = Error Sum of Squares (SST) = Total Sum of Squares

Selain \(R^2\), evaluasi model dilakukan menggunakan Akaike Information Criterion (AIC). AIC digunakan untuk menilai keseimbangan antara tingkat kecocokan model dan kompleksitas model. Nilai AIC dirumuskan sebagai:

\[ (AIC=-2\ln(L)+2k) \]

dengan:

\(L\) = nilai maksimum fungsi likelihood \(k\) = jumlah parameter dalam model

Menurut Akaike (1974), model dengan nilai AIC yang lebih kecil dianggap lebih baik karena memiliki kehilangan informasi yang lebih rendah.

Untuk ukuran sampel yang relatif kecil, digunakan Akaike Information Criterion Correction (AICc) sebagai koreksi terhadap AIC sehingga menghasilkan ukuran yang lebih akurat. Persamaan AICc adalah:

\[ (AICc=AIC+\frac{2k(k+1)}{n-k-1}) \]

dengan:

\(AIC\) = Akaike Information Criterion \(n\) = jumlah observasi \(k\) = jumlah parameter model

Nilai AICc yang lebih kecil menunjukkan model yang lebih baik. Dalam penelitian ini, model terbaik ditentukan berdasarkan nilai \(R^2\) yang lebih tinggi serta nilai AIC dan AICc yang lebih rendah. Oleh karena itu, apabila model GWR menghasilkan nilai \(R^2\) yang lebih besar dan nilai AIC maupun AICc yang lebih kecil dibandingkan model OLS, maka model GWR dianggap lebih mampu menjelaskan variasi spasial Indeks Pembangunan Manusia (IPM) antar kabupaten/kota di Provinsi Jawa Barat (Fotheringham et al., 2002).

3 Hasil dan Pembahasan

Tabel 3.2 Statistik Deskriptif Variabel Penelitian

Variabel	Minimum	Maksimum	Mean	Median	SD
IPM	69.84	84.66	76.009	75.50	4.386223
Kemiskinan	2.31	11.02	7.399	7.08	2.478045
TPT	1.91	8.78	6.666	6.68	1.523063
Kepadatan Penduduk	387.00	15300.00	4483.795	2173.00	4780.319391
PDRB Per Kapita	26555.39	158495.47	59773.857	47557.68	37426.735998
Rata-Rata Lama Sekolah	7.06	12.11	9.267	8.84	1.478709

Berdasarkan Tabel 3.2, nilai Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Jawa Barat tahun 2025 memiliki rata-rata sebesar 76,01 dengan nilai minimum 69,84 dan maksimum 84,66. Nilai median sebesar 75,50 menunjukkan bahwa sebagian besar wilayah memiliki tingkat pembangunan manusia yang berada pada kategori sedang hingga tinggi. Selisih antara nilai minimum dan maksimum yang cukup besar mengindikasikan adanya ketimpangan pembangunan manusia antarwilayah di Jawa Barat. Beberapa wilayah telah mencapai tingkat pembangunan manusia yang tinggi, sementara wilayah lainnya masih memiliki capaian IPM yang relatif rendah.

Variabel persentase kemiskinan memiliki rata-rata 7,40% dengan rentang antara 2,31% hingga 11,02%, yang menunjukkan adanya variasi tingkat kesejahteraan masyarakat antarwilayah. Sementara itu, Tingkat Pengangguran Terbuka (TPT) memiliki rata-rata 6,67%, dengan nilai minimum 1,91% dan maksimum 8,78%, yang menunjukkan bahwa kondisi pasar kerja di Jawa Barat masih cukup beragam. Variasi kemiskinan dan pengangguran ini diduga menjadi faktor yang memengaruhi perbedaan capaian IPM antar kabupaten/kota.

Untuk variabel kepadatan penduduk, diperoleh rata-rata sebesar 4.483,80 jiwa/km² dengan standar deviasi yang sangat besar (4.780,32 jiwa/km²). Nilai minimum sebesar 387 jiwa/km² dan maksimum mencapai 15.300 jiwa/km² menunjukkan adanya kesenjangan tingkat urbanisasi yang cukup tinggi antara wilayah perkotaan dan perdesaan. Kondisi ini menggambarkan bahwa distribusi penduduk di Jawa Barat tidak merata dan berpotensi memengaruhi akses masyarakat terhadap pendidikan, kesehatan, serta berbagai fasilitas publik yang menjadi komponen penyusun IPM.

Selanjutnya, PDRB per kapita memiliki rata-rata sebesar 59.773,86 ribu rupiah dengan nilai minimum 26.555,39 ribu rupiah dan maksimum 158.495,47 ribu rupiah. Variasi yang cukup besar ini menunjukkan adanya perbedaan tingkat aktivitas ekonomi dan pendapatan masyarakat antarwilayah. Adapun Rata-Rata Lama Sekolah (RLS) memiliki rata-rata 9,27 tahun, dengan rentang antara 7,06 tahun hingga 12,11 tahun. Hal ini menunjukkan bahwa capaian pendidikan masyarakat di Jawa Barat relatif baik, meskipun masih terdapat perbedaan tingkat pendidikan antar kabupaten/kota. Secara umum, variasi pada variabel kemiskinan, pengangguran, kepadatan penduduk, PDRB per kapita, dan RLS mengindikasikan adanya heterogenitas karakteristik wilayah yang mendukung penggunaan pendekatan spasial seperti Geographically Weighted Regression (GWR) untuk menganalisis faktor-faktor yang memengaruhi IPM.

3.1 Hasil Regresi Global (OLS)

Berdasarkan hasil estimasi parameter model regresi global Ordinary Least Squares (OLS) pada Tabel 3.3, diperoleh model yang menjelaskan hubungan antara Indeks Pembangunan Manusia (IPM) dengan persentase kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS) di kabupaten/kota Provinsi Jawa Barat tahun 2025. Model yang terbentuk menunjukkan arah dan besarnya pengaruh masing-masing variabel independen terhadap IPM.

## $$\widehat{IPM} = 57.3647 -0.1315Miskin -0.0487TPT + 2e-04Kepadatan + 0PDRB + 1.9753RLS$$

Tabel 3.3 Hasil Estimasi Parameter Model OLS

Variabel	Koefisien	Std. Error	t Hitung	p-value
Intercept	57.3647	3.1606	18.1502	0.0000
Kemiskinan	-0.1315	0.1026	-1.2810	0.2091
TPT	-0.0487	0.1292	-0.3766	0.7088
Kepadatan Penduduk	0.0002	0.0001	2.3392	0.0255
PDRB Per Kapita	0.0000	0.0000	2.1740	0.0370
Rata-Rata Lama Sekolah	1.9753	0.3171	6.2291	0.0000

Hasil estimasi menunjukkan bahwa variabel kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS) berpengaruh signifikan terhadap IPM pada taraf signifikansi 5%, ditunjukkan oleh nilai p-value yang lebih kecil dari 0,05. Variabel kepadatan penduduk memiliki koefisien positif sebesar 0,0002, yang mengindikasikan bahwa peningkatan kepadatan penduduk cenderung diikuti oleh peningkatan IPM. Demikian pula, PDRB per kapita memiliki pengaruh positif terhadap IPM, menunjukkan bahwa wilayah dengan tingkat aktivitas ekonomi yang lebih tinggi cenderung memiliki kualitas pembangunan manusia yang lebih baik. Variabel yang memiliki pengaruh paling besar adalah RLS dengan koefisien sebesar 1,9753, yang berarti setiap peningkatan rata-rata lama sekolah sebesar satu tahun akan meningkatkan IPM sekitar 1,98 poin, dengan asumsi variabel lain konstan.

Sementara itu, variabel kemiskinan dan tingkat pengangguran terbuka (TPT) memiliki koefisien negatif yang sesuai dengan teori, namun keduanya tidak berpengaruh signifikan secara statistik karena memiliki p-value masing-masing sebesar 0,2091 dan 0,7088. Hal ini menunjukkan bahwa pada tingkat kabupaten/kota di Jawa Barat tahun 2025, variasi IPM lebih banyak dijelaskan oleh faktor pendidikan, aktivitas ekonomi, dan karakteristik kependudukan dibandingkan oleh variasi kemiskinan dan pengangguran. Temuan ini mengindikasikan bahwa peningkatan kualitas pendidikan dan pertumbuhan ekonomi daerah merupakan faktor yang lebih dominan dalam meningkatkan capaian pembangunan manusia di Jawa Barat.

Tabel 3.4 Hasil Uji F

	F.Hitung	df1	df2	p.value
value	132.702	5	33	0

Berdasarkan Tabel 3.4, diperoleh nilai F-hitung sebesar 132,702 dengan p-value < 0,001 (dibulatkan menjadi 0 pada output). Pada taraf signifikansi 5%, nilai p-value yang lebih kecil dari 0,05 menunjukkan bahwa hipotesis nol (H 0 ​

) ditolak. Dengan demikian, dapat disimpulkan bahwa variabel persentase kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS) secara simultan berpengaruh signifikan terhadap Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Jawa Barat tahun 2025.

Hasil ini menunjukkan bahwa model regresi yang dibangun layak digunakan untuk menjelaskan variasi IPM. Meskipun pada uji parsial (uji t) tidak semua variabel terbukti signifikan secara individual, secara bersama-sama kelima variabel tersebut mampu memberikan kontribusi yang signifikan dalam menjelaskan perubahan IPM. Oleh karena itu, model OLS yang terbentuk dapat digunakan sebagai model awal dalam analisis sebelum dilakukan pengujian aspek spasial dan pemodelan Geographically Weighted Regression (GWR).

Tabel 3.5 Koefisien Determinasi

Statistik	Nilai
R Square	0.9526
Adjusted R Square	0.9454

Berdasarkan Tabel 3.5, diperoleh nilai R Square sebesar 0,9526 dan Adjusted R Square sebesar 0,9454. Nilai \(R^2\) sebesar 0,9526 menunjukkan bahwa 95,26% variasi Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Jawa Barat tahun 2025 dapat dijelaskan oleh variabel persentase kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS) yang dimasukkan dalam model. Sementara itu, sisanya sebesar 4,74% dijelaskan oleh faktor-faktor lain di luar model yang tidak diamati dalam penelitian ini.

Nilai Adjusted \(R^2\) sebesar 0,9454 menunjukkan bahwa setelah memperhitungkan jumlah variabel independen yang digunakan, model masih mampu menjelaskan 94,54% variasi IPM. Perbedaan yang relatif kecil antara nilai \(R^2\) dan Adjusted \(R^2\) mengindikasikan bahwa variabel-variabel yang digunakan dalam model memiliki kontribusi yang baik dan tidak menimbulkan penambahan variabel yang berlebihan (overfitting).

Tabel 3.6 Variance Inflation Factor (VIF)

	Variabel	VIF
Miskin	Miskin	2.3409
TPT	TPT	1.4017
Kepadatan	Kepadatan	6.3444
PDRB	PDRB	1.5495
RLS	RLS	7.9599

Berdasarkan Tabel 3.6, nilai Variance Inflation Factor (VIF) untuk seluruh variabel independen berada pada rentang 1,4017 hingga 7,9599. Variabel kemiskinan memiliki nilai VIF sebesar 2,3409, TPT sebesar 1,4017, kepadatan penduduk sebesar 6,3444, PDRB per kapita sebesar 1,5495, dan rata-rata lama sekolah (RLS) sebesar 7,9599. Secara umum, nilai VIF yang lebih kecil dari 10 menunjukkan bahwa tidak terdapat masalah multikolinearitas yang serius di dalam model regresi.

Meskipun variabel RLS dan kepadatan penduduk memiliki nilai VIF yang relatif lebih tinggi dibandingkan variabel lainnya, nilainya masih berada di bawah batas umum yang digunakan, yaitu 10. Hal ini menunjukkan bahwa hubungan antarvariabel independen masih dapat ditoleransi dan tidak menyebabkan distorsi yang signifikan pada estimasi parameter regresi. Dengan demikian, dapat disimpulkan bahwa model OLS yang digunakan tidak mengalami masalah multikolinearitas, sehingga seluruh variabel independen dapat dipertahankan dalam analisis selanjutnya.

Tabel 3.7 Uji Normalitas Jarque-Bera

	Statistik	p.value
X-squared	1.9022	0.3863

Hipotesis:

\[ H_0 : \text{Residual berdistribusi normal} \]

\[ H_1 : \text{Residual tidak berdistribusi normal} \]

Berdasarkan Tabel 3.7, diperoleh nilai statistik Jarque-Bera sebesar 1,9022 dengan p-value sebesar 0,3863. Karena p-value lebih besar dari 0,05, maka gagal menolak \(H_0\) Dengan demikian, dapat disimpulkan bahwa residual model regresi OLS berdistribusi normal sehingga asumsi normalitas terpenuhi.

Tabel 3.8 Uji Breusch-Pagan

	Statistik	p.value
BP	5.8031	0.3258

\[ H_0 : \sigma_1^2 = \sigma_2^2 = \cdots = \sigma_n^2 \]

(Tidak terjadi heteroskedastisitas atau residual bersifat homoskedastis)

\[ H_1 : \text{Minimal terdapat satu } \sigma_i^2 \neq \sigma_j^2 \]

Berdasarkan Tabel 3.8, diperoleh nilai statistik Breusch-Pagan sebesar 5,8031 dengan p-value sebesar 0,3258. Karena p-value lebih besar dari 0,05, maka gagal menolak \(H_0\). Dengan demikian, dapat disimpulkan bahwa model regresi OLS tidak mengalami heteroskedastisitas, sehingga varians residual dapat dianggap konstan pada seluruh pengamatan. Asumsi homoskedastisitas pada model regresi telah terpenuhi.

3.2 Matriks Bobot Spasial

Matriks bobot spasial dibentuk menggunakan metode Queen Contiguity, yaitu dua wilayah dianggap bertetangga apabila memiliki sisi atau titik sudut yang bersinggungan (Anselin, 1988). Matriks bobot ini digunakan sebagai dasar dalam pengujian autokorelasi spasial dan pemodelan Geographically Weighted Regression (GWR).

Tabel 3.9 Jumlah Tetangga Setiap Kabupaten/Kota

Kabupaten_Kota	Jumlah_Tetangga
BANDUNG	9
BANDUNG	9
BANDUNG BARAT	8
BEKASI	6
BEKASI	6
BOGOR	13
BOGOR	13
CIAMIS	8
CIANJUR	9
CIREBON	6
CIREBON	6
GARUT	6
INDRAMAYU	5
KARAWANG	6
BANDUNG	5
BANDUNG	5
BANJAR	1
BEKASI	6
BEKASI	6
BOGOR	3
BOGOR	3
CIMAHI	5
CIREBON	3
CIREBON	3
DEPOK	4
SUKABUMI	3
SUKABUMI	3
TASIKMALAYA	4
TASIKMALAYA	4
KUNINGAN	4
MAJALENGKA	8
PANGANDARAN	3
PURWAKARTA	6
SUBANG	7
SUKABUMI	6
SUKABUMI	6
SUMEDANG	8
TASIKMALAYA	8
TASIKMALAYA	8

Tabel 3.10 Ringkasan Struktur Ketetanggaan Queen Contiguity

Statistik	Nilai
Jumlah Wilayah	39.00
Jumlah Hubungan Ketetanggaan	232.00
Rata-rata Tetangga	5.95
Minimum Tetangga	1.00
Maksimum Tetangga	13.00

Berdasarkan Tabel 3.10, matriks bobot spasial dibentuk menggunakan pendekatan Queen Contiguity, yaitu wilayah dianggap bertetangga apabila memiliki sisi atau titik sudut yang bersinggungan. Hasil pembentukan matriks menunjukkan terdapat 39 wilayah pengamatan dengan 232 hubungan ketetanggaan. Rata-rata jumlah tetangga yang dimiliki setiap wilayah adalah 5,95 wilayah, yang menunjukkan bahwa setiap kabupaten/kota pada umumnya berinteraksi dengan sekitar enam wilayah di sekitarnya. Struktur ketetanggaan ini digunakan untuk menggambarkan hubungan spasial antarwilayah dalam analisis selanjutnya.

Selain itu, terdapat wilayah yang hanya memiliki 1 tetangga sebagai jumlah minimum, sedangkan wilayah dengan jumlah tetangga terbanyak memiliki 13 tetangga. Perbedaan jumlah tetangga tersebut menunjukkan bahwa setiap wilayah memiliki karakteristik spasial yang berbeda-beda berdasarkan posisi geografisnya. Adanya hubungan ketetanggaan yang cukup beragam mengindikasikan bahwa pengaruh suatu wilayah terhadap wilayah lain kemungkinan tidak sama, sehingga matriks bobot spasial yang terbentuk dapat digunakan untuk mengidentifikasi keterkaitan spasial antarwilayah.

## Tidak terdapat wilayah yang tidak memiliki tetangga.

Berdasarkan Gambar 3.x, peta struktur ketetanggaan Queen Contiguity menunjukkan hubungan spasial antarwilayah yang dibentuk berdasarkan persinggungan sisi maupun titik sudut batas administrasi. Setiap titik pada peta merepresentasikan centroid kabupaten/kota, sedangkan garis biru menunjukkan hubungan ketetanggaan antarwilayah. Terlihat bahwa sebagian besar kabupaten/kota memiliki lebih dari satu tetangga, yang menunjukkan adanya keterhubungan spasial yang cukup kuat di antara wilayah-wilayah di Provinsi Jawa Barat.

Selain itu, wilayah yang berada di bagian tengah Provinsi Jawa Barat cenderung memiliki jumlah tetangga yang lebih banyak dibandingkan wilayah yang berada di bagian tepi provinsi. Kondisi ini terlihat dari banyaknya garis ketetanggaan yang terhubung pada wilayah-wilayah pusat, sedangkan beberapa wilayah di bagian pinggir hanya memiliki sedikit hubungan ketetanggaan. Pola tersebut menunjukkan bahwa posisi geografis suatu wilayah memengaruhi jumlah interaksi spasial yang dimilikinya. Struktur ketetanggaan yang terbentuk inilah yang selanjutnya digunakan sebagai dasar dalam penyusunan matriks bobot spasial dan pengujian autokorelasi spasial Moran’s I untuk mengidentifikasi ada tidaknya pola pengelompokan nilai IPM antarwilayah di Provinsi Jawa Barat.

Berdasarkan peta sebaran IPM Kabupaten/Kota di Provinsi Jawa Barat tahun 2025, terlihat adanya variasi tingkat pembangunan manusia antarwilayah. Nilai IPM dikelompokkan ke dalam lima kelas, dengan rentang nilai antara 69,84 hingga 84,66. Beberapa wilayah memiliki nilai IPM yang relatif tinggi dan tergolong dalam kelas 79,29–84,66, sedangkan wilayah lainnya masih berada pada kelompok IPM yang lebih rendah. Perbedaan ini menunjukkan bahwa capaian pembangunan manusia di Jawa Barat belum merata dan masih terdapat kesenjangan antar kabupaten/kota.

Selain itu, peta menunjukkan adanya kecenderungan pola pengelompokan wilayah yang memiliki tingkat IPM serupa. Wilayah yang berdekatan secara geografis cenderung berada pada kelas IPM yang sama atau tidak jauh berbeda. Kondisi tersebut mengindikasikan adanya kemungkinan keterkaitan spasial (spatial dependence) antarwilayah, sehingga nilai IPM suatu daerah tidak hanya dipengaruhi oleh karakteristik internal wilayah tersebut, tetapi juga oleh kondisi wilayah di sekitarnya. Oleh karena itu, diperlukan pengujian autokorelasi spasial menggunakan Moran’s I untuk mengidentifikasi apakah pola pengelompokan tersebut signifikan secara statistik.

3.3 Uji Autokorelasi Spasial Moran’s I

Uji Moran’s I digunakan untuk mengetahui apakah terdapat autokorelasi spasial pada nilai Indeks Pembangunan Manusia (IPM) antar kabupaten/kota di Provinsi Jawa Barat. Autokorelasi spasial menunjukkan adanya keterkaitan nilai suatu wilayah dengan wilayah di sekitarnya. Pengujian dilakukan menggunakan matriks bobot spasial Queen Contiguity yang telah dibentuk sebelumnya.

Hipotesis yang digunakan adalah:

\[ H_0 : I = 0 \]

(Tidak terdapat autokorelasi spasial)

\[ H_1 : I \neq 0 \]

(Terdapat autokorelasi spasial)

Kriteria pengujian:

• Tolak \(H_0\) jika p-value < 0,05.
• Terima \(H_0\) jika p-value ≥ 0,05.

## 
##  Moran I test under randomisation
## 
## data:  jabar_data$IPM  
## weights: lw    
## 
## Moran I statistic standard deviate = 2.4351, p-value = 0.007443
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic       Expectation          Variance 
##       0.196030231      -0.026315789       0.008337116

Tabel 3.11 Hasil Uji Moran’s I

	Statistik	Nilai
Moran I statistic	Moran’s I	0.1960
Expectation	Expected Index	-0.0263
Variance	Variance	0.0083
Moran I statistic standard deviate	Z Score	2.4351
	p-value	0.0074

Berdasarkan Tabel 3.11, diperoleh nilai Moran’s I sebesar 0,1960 dengan nilai harapan (Expected Index) sebesar -0,0263. Nilai Moran’s I yang bernilai positif menunjukkan adanya kecenderungan wilayah yang memiliki nilai IPM tinggi untuk berdekatan dengan wilayah yang juga memiliki nilai IPM tinggi, serta wilayah yang memiliki nilai IPM rendah cenderung berdekatan dengan wilayah yang memiliki nilai IPM rendah. Dengan kata lain, terdapat indikasi pola pengelompokan (clustering) nilai IPM antar kabupaten/kota di Provinsi Jawa Barat tahun 2025.

Hasil pengujian juga menunjukkan nilai Z-score sebesar 2,4351 dengan p-value sebesar 0,0074. Karena nilai p-value lebih kecil dari 0,05, maka hipotesis nol \(H_0\) ditolak. Dengan demikian, dapat disimpulkan bahwa terdapat autokorelasi spasial positif yang signifikan pada data IPM kabupaten/kota di Provinsi Jawa Barat tahun 2025. Hal ini menunjukkan bahwa nilai IPM suatu wilayah tidak bersifat acak, melainkan dipengaruhi oleh kondisi wilayah di sekitarnya. Adanya ketergantungan spasial tersebut mengindikasikan bahwa asumsi independensi antarwilayah pada model regresi global kurang terpenuhi, sehingga pendekatan analisis spasial seperti Geographically Weighted Regression (GWR) menjadi relevan untuk digunakan dalam mengidentifikasi variasi pengaruh faktor-faktor yang memengaruhi IPM pada setiap wilayah

Nilai Moran’s I menunjukkan adanya autokorelasi spasial yang signifikan pada variabel IPM. Hal ini mengindikasikan bahwa kabupaten/kota yang berdekatan cenderung memiliki nilai IPM yang serupa sehingga terdapat ketergantungan spasial antarwilayah.

Berdasarkan Moran Scatter Plot di atas, terlihat bahwa garis regresi memiliki kemiringan positif, yang menunjukkan adanya hubungan positif antara nilai IPM suatu wilayah dengan rata-rata nilai IPM wilayah tetangganya. Pola ini sejalan dengan hasil uji Moran’s I sebelumnya yang menghasilkan nilai Moran’s I sebesar 0,1960 dan signifikan pada taraf 5%. Dengan demikian, wilayah yang memiliki IPM tinggi cenderung berdekatan dengan wilayah yang juga memiliki IPM tinggi, sedangkan wilayah dengan IPM rendah cenderung berdekatan dengan wilayah yang memiliki IPM rendah.

Garis putus-putus vertikal dan horizontal membagi plot menjadi empat kuadran yang merepresentasikan pola keterkaitan spasial lokal. Kuadran High-High (HH) menunjukkan wilayah dengan nilai IPM tinggi yang dikelilingi oleh wilayah dengan IPM tinggi, sedangkan kuadran Low-Low (LL) menunjukkan wilayah dengan nilai IPM rendah yang dikelilingi oleh wilayah dengan IPM rendah. Sementara itu, kuadran High-Low (HL) dan Low-High (LH) mengindikasikan adanya pencilan spasial (spatial outlier), yaitu wilayah yang memiliki karakteristik berbeda dengan wilayah sekitarnya.

Pada plot terlihat bahwa Kabupaten Bekasi, Kota Bekasi, dan Kota Bandung berada pada kuadran High-High (HH). Hal ini menunjukkan bahwa wilayah-wilayah tersebut memiliki nilai IPM yang relatif tinggi dan berada di lingkungan wilayah yang juga memiliki IPM tinggi. Kondisi tersebut mencerminkan adanya konsentrasi pembangunan manusia yang baik pada kawasan perkotaan dan pusat aktivitas ekonomi di Jawa Barat. Sebaliknya, beberapa wilayah yang berada pada sisi kiri bawah plot cenderung membentuk kelompok Low-Low (LL), yang menunjukkan adanya konsentrasi wilayah dengan tingkat pembangunan manusia yang relatif lebih rendah.

Secara keseluruhan, Moran Scatter Plot memperkuat hasil uji Moran’s I yang menunjukkan adanya autokorelasi spasial positif pada data IPM kabupaten/kota di Provinsi Jawa Barat tahun 2025. Oleh karena itu, analisis dilanjutkan menggunakan Local Indicators of Spatial Association (LISA) untuk mengidentifikasi secara lebih rinci lokasi-lokasi yang membentuk klaster High-High, Low-Low, maupun wilayah yang berperan sebagai pencilan spasial.

3.3.1 LISA

Berdasarkan peta LISA, sebagian besar kabupaten/kota di Provinsi Jawa Barat berada pada kategori Not Significant (abu-abu), yang menunjukkan bahwa hubungan spasial lokal pada wilayah tersebut tidak signifikan secara statistik. Namun demikian, terdapat beberapa wilayah yang membentuk pola keterkaitan spasial yang signifikan. Wilayah Kota Bekasi ditunjukkan dengan warna merah dan termasuk dalam kategori High-High (HH), yang berarti wilayah tersebut memiliki nilai IPM tinggi dan dikelilingi oleh wilayah-wilayah yang juga memiliki nilai IPM relatif tinggi. Pola ini mengindikasikan adanya klaster pembangunan manusia yang baik di kawasan tersebut.

Selain itu, Kabupaten Tasikmalaya dan Kota Tasikmalaya berada pada kategori High-Low (HL) yang ditunjukkan dengan warna oranye. Kategori ini menunjukkan bahwa kedua wilayah tersebut memiliki nilai IPM yang relatif tinggi dibandingkan wilayah-wilayah tetangganya yang memiliki IPM lebih rendah. Kondisi tersebut mengindikasikan adanya spatial outlier, yaitu wilayah yang memiliki karakteristik pembangunan manusia yang berbeda dari lingkungan sekitarnya. Sementara itu, tidak ditemukan wilayah yang termasuk kategori Low-Low (LL) maupun Low-High (LH), sehingga tidak terdapat klaster signifikan wilayah ber-IPM rendah maupun wilayah ber-IPM rendah yang dikelilingi oleh wilayah ber-IPM tinggi.

Tabel 3.12 Distribusi Cluster LISA

Kategori	Jumlah Wilayah
High-High	3
Low-Low	0
High-Low	1
Low-High	0
Not Significant	35

Tabel 3.13 Klasifikasi Cluster LISA

Kabupaten_Kota	Cluster
BANDUNG	Not Significant
BANDUNG	Not Significant
BANDUNG BARAT	Not Significant
BEKASI	High-High
BEKASI	Not Significant
BOGOR	Not Significant
BOGOR	Not Significant
CIAMIS	Not Significant
CIANJUR	Not Significant
CIREBON	Not Significant
CIREBON	Not Significant
GARUT	Not Significant
INDRAMAYU	Not Significant
KARAWANG	Not Significant
BANDUNG	Not Significant
BANDUNG	Not Significant
BANJAR	Not Significant
BEKASI	High-High
BEKASI	High-High
BOGOR	Not Significant
BOGOR	Not Significant
CIMAHI	Not Significant
CIREBON	Not Significant
CIREBON	Not Significant
DEPOK	Not Significant
SUKABUMI	Not Significant
SUKABUMI	Not Significant
TASIKMALAYA	Not Significant
TASIKMALAYA	Not Significant
KUNINGAN	Not Significant
MAJALENGKA	Not Significant
PANGANDARAN	Not Significant
PURWAKARTA	Not Significant
SUBANG	Not Significant
SUKABUMI	Not Significant
SUKABUMI	Not Significant
SUMEDANG	Not Significant
TASIKMALAYA	Not Significant
TASIKMALAYA	High-Low

Hasil analisis LISA menunjukkan bahwa meskipun secara global terdapat autokorelasi spasial positif berdasarkan uji Moran’s I, pola keterkaitan tersebut hanya signifikan pada beberapa wilayah tertentu. Temuan ini mengindikasikan adanya heterogenitas spasial, yaitu perbedaan karakteristik hubungan antarwilayah yang tidak seragam di seluruh Provinsi Jawa Barat. Oleh karena itu, penggunaan model Geographically Weighted Regression (GWR) menjadi relevan karena mampu mengakomodasi variasi pengaruh faktor-faktor yang memengaruhi IPM pada setiap lokasi pengamatan secara lokal.

3.4 Penentuan Bandwidth Optimum

## Adaptive bandwidth (number of nearest neighbours): 31 AICc value: 110.6956 
## Adaptive bandwidth (number of nearest neighbours): 27 AICc value: 108.5564 
## Adaptive bandwidth (number of nearest neighbours): 23 AICc value: 109.6305 
## Adaptive bandwidth (number of nearest neighbours): 27 AICc value: 108.5564

## [1] 27

Tabel 3.14 Bandwidth Optimum GWR

Parameter	Nilai
Bandwidth Optimum	27

Berdasarkan hasil pemilihan bandwidth menggunakan metode Adaptive Gaussian Kernel diperoleh bandwidth optimum sebesar 27. Nilai bandwidth tersebut menunjukkan jumlah tetangga yang digunakan dalam proses pembentukan bobot spasial pada setiap lokasi pengamatan.

Bandwidth optimum ini selanjutnya digunakan dalam proses estimasi parameter Geographically Weighted Regression (GWR). Pemilihan bandwidth yang optimal diharapkan mampu menghasilkan model yang lebih baik dalam menangkap variasi spasial hubungan antara kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, dan Indeks Pembangunan Manusia (IPM) antar kabupaten/kota di Provinsi Jawa Barat.

3.5 Hasil Geographically Weighted Regression (GWR)

Geographically Weighted Regression (GWR) digunakan untuk mengakomodasi heterogenitas spasial yang tidak dapat dijelaskan oleh model regresi global (OLS). Berbeda dengan OLS yang menghasilkan satu koefisien regresi untuk seluruh wilayah, GWR menghasilkan koefisien lokal yang berbeda pada setiap kabupaten/kota sehingga mampu menggambarkan variasi hubungan antarvariabel secara geografis.

Tabel 3.15 Diagnostik Model GWR

Statistik	Nilai
Bandwidth	27.0000
R²	0.9853
Adjusted R²	0.9746
AIC	73.9842
AICc	108.5564
BIC	70.9084

Berdasarkan Tabel 3.15, diperoleh bandwidth optimum sebesar 27, yang menunjukkan bahwa dalam proses estimasi parameter lokal, setiap wilayah mempertimbangkan 27 wilayah terdekat sesuai dengan fungsi pembobot spasial yang digunakan. Bandwidth ini dipilih berdasarkan kriteria minimisasi nilai AICc sehingga menghasilkan model GWR yang paling optimal dalam menggambarkan variasi hubungan antara IPM dan variabel-variabel penjelas pada masing-masing wilayah di Provinsi Jawa Barat.

Nilai R 2 sebesar 0,9853 menunjukkan bahwa model GWR mampu menjelaskan 98,53% variasi IPM antar kabupaten/kota di Jawa Barat. Setelah memperhitungkan jumlah parameter yang digunakan, nilai Adjusted R 2 sebesar 0,9746 menunjukkan bahwa model masih mampu menjelaskan 97,46% variasi IPM, sedangkan sisanya sebesar 2,54% dijelaskan oleh faktor lain di luar model. Nilai tersebut menunjukkan bahwa model GWR memiliki kemampuan yang sangat baik dalam menjelaskan variasi IPM pada wilayah penelitian.

Selain itu, diperoleh nilai AIC sebesar 73,9842, AICc sebesar 108,5564, dan BIC sebesar 70,9084. Nilai-nilai ini digunakan sebagai ukuran goodness of fit model, di mana semakin kecil nilainya maka semakin baik model dalam menjelaskan data dengan kompleksitas yang efisien. Dibandingkan dengan model regresi global OLS sebelumnya, nilai AIC pada model GWR lebih rendah, yang menunjukkan bahwa model GWR memberikan kecocokan model yang lebih baik. Hasil ini mengindikasikan bahwa terdapat variasi hubungan antarvariabel pada setiap wilayah sehingga pendekatan lokal melalui GWR lebih sesuai dibandingkan model global OLS untuk menganalisis faktor-faktor yang memengaruhi IPM di Provinsi Jawa Barat tahun 2025.

Tabel 3.16 Ringkasan Koefisien Lokal GWR

Variabel	Minimum	Maksimum	Mean
Miskin	-0.2841	0.0638	-0.1655
TPT	-0.9069	0.2697	-0.2646
Kepadatan	-0.0003	0.0002	0.0001
PDRB	0.0000	0.0001	0.0000
RLS	1.3872	3.2565	2.1355

Berdasarkan Tabel 3.16, terlihat bahwa nilai koefisien regresi pada model GWR berbeda-beda antarwilayah, yang menunjukkan adanya heterogenitas spasial dalam hubungan antara IPM dan variabel-variabel penjelas. Variabel kemiskinan memiliki koefisien yang berkisar antara -0,2841 hingga 0,0638 dengan rata-rata -0,1655. Hal ini menunjukkan bahwa secara umum peningkatan persentase penduduk miskin cenderung menurunkan IPM, meskipun pada beberapa wilayah pengaruhnya dapat bersifat positif atau sangat kecil. Variabel TPT juga memiliki rentang koefisien yang cukup lebar, yaitu antara -0,9069 hingga 0,2697 dengan rata-rata -0,2646, yang mengindikasikan bahwa pengaruh tingkat pengangguran terbuka terhadap IPM berbeda-beda pada setiap kabupaten/kota.

Variabel kepadatan penduduk memiliki koefisien yang relatif kecil, yaitu antara -0,0003 hingga 0,0002, dengan rata-rata 0,0001. Hasil ini menunjukkan bahwa pengaruh kepadatan penduduk terhadap IPM cenderung lemah dan bervariasi antarwilayah. Sementara itu, variabel PDRB per kapita memiliki koefisien positif pada seluruh wilayah dengan rentang 0,0000 hingga 0,0001, yang mengindikasikan bahwa peningkatan aktivitas ekonomi cenderung berkontribusi terhadap peningkatan IPM. Variabel rata-rata lama sekolah (RLS) memiliki pengaruh positif paling konsisten dengan koefisien berkisar antara 1,3872 hingga 3,2565 dan rata-rata 2,1355, yang menunjukkan bahwa peningkatan satu tahun rata-rata lama sekolah berpotensi meningkatkan IPM sekitar 2,14 poin secara rata-rata.

Perbedaan nilai minimum, maksimum, dan rata-rata koefisien lokal tersebut menunjukkan bahwa pengaruh masing-masing variabel terhadap IPM tidak bersifat seragam di seluruh wilayah Jawa Barat. Temuan ini memperkuat alasan penggunaan model GWR, karena model ini mampu menangkap variasi pengaruh faktor-faktor penentu IPM secara lokal yang tidak dapat dijelaskan oleh model regresi global OLS. Oleh karena itu, analisis selanjutnya dilakukan melalui pemetaan koefisien lokal GWR untuk mengidentifikasi wilayah-wilayah yang memiliki pengaruh variabel paling kuat maupun paling lemah terhadap IPM.

Berdasarkan peta koefisien lokal kemiskinan, pengaruh persentase penduduk miskin terhadap IPM di kabupaten/kota Provinsi Jawa Barat tahun 2025 cenderung bersifat negatif, namun besarnya pengaruh berbeda pada setiap wilayah. Wilayah yang ditunjukkan dengan warna lebih gelap memiliki koefisien yang lebih negatif, yang berarti peningkatan kemiskinan akan menyebabkan penurunan IPM yang lebih besar dibandingkan wilayah lainnya. Sebaliknya, wilayah dengan warna lebih terang memiliki koefisien yang mendekati nol sehingga pengaruh kemiskinan terhadap IPM relatif lebih lemah. Variasi koefisien tersebut menunjukkan adanya heterogenitas spasial, sehingga dampak kemiskinan terhadap pembangunan manusia tidak seragam di seluruh wilayah Jawa Barat dan memerlukan kebijakan penanggulangan kemiskinan yang disesuaikan dengan karakteristik masing-masing daerah.

Berdasarkan peta koefisien lokal Tingkat Pengangguran Terbuka (TPT), pengaruh TPT terhadap IPM di kabupaten/kota Provinsi Jawa Barat tahun 2025 menunjukkan variasi yang cukup besar antarwilayah. Sebagian wilayah di bagian barat dan utara Jawa Barat memiliki koefisien negatif yang relatif besar, yang mengindikasikan bahwa peningkatan tingkat pengangguran terbuka cenderung menurunkan IPM secara lebih kuat pada wilayah tersebut. Sebaliknya, beberapa wilayah di bagian timur dan tenggara Jawa Barat memiliki koefisien positif, yang menunjukkan bahwa hubungan antara TPT dan IPM tidak selalu sama pada setiap daerah. Variasi nilai koefisien ini mengindikasikan adanya heterogenitas spasial dalam pengaruh pengangguran terhadap pembangunan manusia, sehingga efektivitas kebijakan penurunan pengangguran dalam meningkatkan IPM dapat berbeda antar kabupaten/kota sesuai dengan karakteristik sosial dan ekonomi masing-masing wilayah.

Berdasarkan peta koefisien lokal kepadatan penduduk, terlihat bahwa pengaruh kepadatan penduduk terhadap IPM di kabupaten/kota Provinsi Jawa Barat tahun 2025 cenderung bervariasi secara spasial. Sebagian besar wilayah di bagian utara Jawa Barat, seperti Bekasi, Karawang, Subang, dan Indramayu, memiliki koefisien positif yang relatif lebih besar, yang menunjukkan bahwa peningkatan kepadatan penduduk di wilayah tersebut cenderung diikuti oleh peningkatan IPM. Sebaliknya, beberapa wilayah di bagian tengah dan selatan Jawa Barat memiliki koefisien yang sangat kecil bahkan mendekati nol atau negatif, sehingga pengaruh kepadatan penduduk terhadap IPM relatif lebih lemah. Variasi koefisien ini mengindikasikan bahwa dampak kepadatan penduduk terhadap pembangunan manusia tidak seragam antarwilayah, di mana wilayah dengan tingkat urbanisasi dan aktivitas ekonomi yang tinggi cenderung memperoleh manfaat yang lebih besar dari konsentrasi penduduk dibandingkan wilayah lainnya.

Berdasarkan peta koefisien lokal PDRB per kapita, terlihat bahwa pengaruh PDRB per kapita terhadap IPM di seluruh kabupaten/kota Provinsi Jawa Barat bersifat positif, namun dengan besaran yang berbeda-beda. Wilayah yang ditunjukkan dengan warna hijau lebih gelap memiliki koefisien yang lebih besar, yang berarti peningkatan PDRB per kapita pada wilayah tersebut memberikan kontribusi yang lebih kuat terhadap peningkatan IPM. Sebaliknya, wilayah yang berwarna lebih terang memiliki koefisien yang relatif lebih kecil sehingga dampak peningkatan PDRB per kapita terhadap IPM tidak sebesar wilayah lainnya. Secara spasial, pengaruh PDRB per kapita cenderung lebih kuat pada wilayah bagian tengah dan selatan Jawa Barat, sedangkan wilayah bagian utara dan barat menunjukkan pengaruh yang relatif lebih rendah. Hasil ini mengindikasikan bahwa peningkatan aktivitas ekonomi dan pendapatan masyarakat berperan dalam meningkatkan kualitas pembangunan manusia, meskipun besarnya pengaruh tersebut berbeda antarwilayah sesuai dengan karakteristik ekonomi masing-masing daerah.

Berdasarkan peta koefisien lokal Rata-Rata Lama Sekolah (RLS), terlihat bahwa pengaruh RLS terhadap IPM di seluruh kabupaten/kota Provinsi Jawa Barat bersifat positif, namun dengan besaran yang berbeda-beda antarwilayah. Wilayah yang ditunjukkan dengan warna ungu lebih gelap memiliki koefisien yang lebih tinggi, yang berarti peningkatan rata-rata lama sekolah memberikan dampak yang lebih besar terhadap peningkatan IPM dibandingkan wilayah lainnya. Sebaliknya, wilayah yang berwarna lebih terang memiliki koefisien yang relatif lebih rendah, sehingga pengaruh peningkatan lama sekolah terhadap IPM tidak sebesar pada wilayah dengan koefisien yang lebih tinggi. Secara spasial, pengaruh RLS cenderung lebih kuat pada wilayah bagian tengah dan selatan Jawa Barat, seperti Kabupaten Bandung, Kabupaten Garut, dan Kabupaten Cianjur, sedangkan wilayah bagian utara dan timur menunjukkan pengaruh yang relatif lebih rendah. Hasil ini menunjukkan bahwa pendidikan merupakan faktor yang paling konsisten dan dominan dalam meningkatkan kualitas pembangunan manusia, meskipun besarnya kontribusi pendidikan terhadap IPM berbeda pada setiap kabupaten/kota di Provinsi Jawa Barat. supaya lebih jelas lagi berikut nilai koefisie Lokasi GWR setiap daerah.

Tabel 3.18 Koefisien Lokal GWR Setiap Kabupaten/Kota

Kabupaten_Kota	Miskin	TPT	Kepadatan	PDRB	RLS
BANDUNG	0.0638	-0.0457	-2e-04	0e+00	2.7649
BANDUNG	0.0638	-0.0457	-2e-04	0e+00	2.7649
BANDUNG BARAT	-0.1622	-0.4418	0e+00	0e+00	2.3196
BEKASI	-0.1423	-0.9069	2e-04	0e+00	2.2220
BEKASI	-0.1423	-0.9069	2e-04	0e+00	2.2220
BOGOR	-0.2159	-0.6965	1e-04	0e+00	2.2864
BOGOR	-0.2159	-0.6965	1e-04	0e+00	2.2864
CIAMIS	-0.1943	0.2472	0e+00	0e+00	1.8783
CIANJUR	-0.2564	-0.3120	0e+00	0e+00	2.4584
CIREBON	-0.2196	0.2086	1e-04	0e+00	1.5864
CIREBON	-0.2196	0.2086	1e-04	0e+00	1.5864
GARUT	0.0593	-0.1077	-3e-04	1e-04	3.2565
INDRAMAYU	-0.2115	-0.0311	2e-04	0e+00	1.3872
KARAWANG	-0.1561	-0.8697	2e-04	0e+00	2.0980
BANDUNG	0.0198	-0.1818	-1e-04	0e+00	2.4486
BANDUNG	0.0198	-0.1818	-1e-04	0e+00	2.4486
BANJAR	-0.2094	0.2663	0e+00	0e+00	1.8737
BEKASI	-0.1619	-0.8468	2e-04	0e+00	2.2531
BEKASI	-0.1619	-0.8468	2e-04	0e+00	2.2531
BOGOR	-0.2187	-0.6895	1e-04	0e+00	2.2890
BOGOR	-0.2187	-0.6895	1e-04	0e+00	2.2890
CIMAHI	-0.1131	-0.3592	0e+00	0e+00	2.2299
CIREBON	-0.2200	0.2085	1e-04	0e+00	1.5848
CIREBON	-0.2200	0.2085	1e-04	0e+00	1.5848
DEPOK	-0.1910	-0.7613	1e-04	0e+00	2.2728
SUKABUMI	-0.2573	-0.5825	1e-04	0e+00	2.3344
SUKABUMI	-0.2573	-0.5825	1e-04	0e+00	2.3344
TASIKMALAYA	-0.1592	0.2135	0e+00	0e+00	2.0571
TASIKMALAYA	-0.1592	0.2135	0e+00	0e+00	2.0571
KUNINGAN	-0.2060	0.2288	1e-04	0e+00	1.7058
MAJALENGKA	-0.1762	0.1470	1e-04	0e+00	1.6308
PANGANDARAN	-0.2079	0.2697	0e+00	0e+00	2.0223
PURWAKARTA	-0.2089	-0.8374	1e-04	0e+00	2.0240
SUBANG	-0.2439	-0.4680	2e-04	0e+00	1.4984
SUKABUMI	-0.2841	-0.5218	1e-04	0e+00	2.3320
SUKABUMI	-0.2841	-0.5218	1e-04	0e+00	2.3320
SUMEDANG	-0.1041	0.0142	1e-04	0e+00	1.7336
TASIKMALAYA	-0.1418	0.1887	-1e-04	0e+00	2.2885
TASIKMALAYA	-0.1418	0.1887	-1e-04	0e+00	2.2885

3.6 Perbandingan Model OLS dan GWR

Setelah dilakukan pemodelan menggunakan Ordinary Least Squares (OLS) dan Geographically Weighted Regression (GWR), langkah selanjutnya adalah membandingkan performa kedua model. Evaluasi dilakukan menggunakan koefisien determinasi (\(R^2\)), Akaike Information Criterion (AIC), dan Akaike Information Criterion Correction (AICc). Model terbaik ditentukan berdasarkan nilai \(R^2\) yang lebih tinggi serta nilai AIC yang lebih rendah.

Tabel 3.17 Perbandingan OLS dan GWR

Model	R2	AIC
OLS	0.9526	120.0513
GWR	0.9853	73.9842

Berdasarkan Tabel 3.17, model Geographically Weighted Regression (GWR) memiliki nilai R 2 sebesar 0,9853, lebih tinggi dibandingkan model Ordinary Least Squares (OLS) yang memiliki nilai R 2 sebesar 0,9526. Hasil ini menunjukkan bahwa model GWR mampu menjelaskan 98,53% variasi IPM, sedangkan model OLS hanya mampu menjelaskan 95,26% variasi IPM. Dengan demikian, kemampuan model GWR dalam menjelaskan variasi IPM antar kabupaten/kota di Provinsi Jawa Barat lebih baik dibandingkan model OLS.

Selain itu, model GWR menghasilkan nilai AIC sebesar 73,9842, yang jauh lebih rendah dibandingkan model OLS dengan nilai AIC sebesar 120,0513. Nilai AIC yang lebih kecil menunjukkan bahwa model memiliki kecocokan yang lebih baik terhadap data dengan kehilangan informasi yang lebih rendah. Hasil ini mengindikasikan bahwa model GWR lebih mampu menangkap karakteristik spasial dan perbedaan pengaruh variabel kemiskinan, TPT, kepadatan penduduk, PDRB per kapita, serta rata-rata lama sekolah pada setiap wilayah. Oleh karena itu, dapat disimpulkan bahwa model GWR lebih baik dan lebih sesuai digunakan dibandingkan model OLS dalam menganalisis faktor-faktor yang memengaruhi Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Jawa Barat tahun 2025.

4 Kesimpulan

Berdasarkan hasil analisis Indeks Pembangunan Manusia (IPM) kabupaten/kota di Provinsi Jawa Barat tahun 2025 menggunakan pendekatan regresi global dan regresi spasial, diperoleh beberapa kesimpulan sebagai berikut:

1. Karakteristik IPM kabupaten/kota di Provinsi Jawa Barat tahun 2025 menunjukkan adanya variasi antarwilayah dengan nilai IPM berkisar antara 69,84 hingga 84,66 dan rata-rata sebesar 76,01. Variasi tersebut menunjukkan bahwa tingkat pembangunan manusia di Jawa Barat belum merata. Selain itu, terdapat perbedaan karakteristik sosial ekonomi antarwilayah yang tercermin dari variasi tingkat kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS).

2. Hasil pengujian autokorelasi spasial menggunakan Moran’s I menghasilkan nilai Moran’s I sebesar 0,1960 dengan p-value sebesar 0,0074, sehingga menunjukkan adanya autokorelasi spasial positif yang signifikan pada data IPM. Artinya, wilayah dengan nilai IPM tinggi cenderung berdekatan dengan wilayah yang juga memiliki nilai IPM tinggi, sedangkan wilayah dengan nilai IPM rendah cenderung berdekatan dengan wilayah yang memiliki nilai IPM rendah. Hasil analisis LISA juga menunjukkan adanya klaster spasial signifikan pada beberapa wilayah di Jawa Barat.

3. Faktor-faktor yang memengaruhi IPM di Jawa Barat berdasarkan model regresi meliputi persentase kemiskinan, tingkat pengangguran terbuka (TPT), kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah (RLS). Pada model OLS, variabel yang berpengaruh signifikan terhadap IPM adalah kepadatan penduduk, PDRB per kapita, dan rata-rata lama sekolah, sedangkan kemiskinan dan TPT tidak signifikan secara global. Hasil GWR menunjukkan bahwa besarnya pengaruh masing-masing variabel berbeda pada setiap kabupaten/kota, yang mengindikasikan adanya heterogenitas spasial. Di antara seluruh variabel, rata-rata lama sekolah (RLS) merupakan faktor yang paling konsisten dan dominan dalam meningkatkan IPM.

4. Model Geographically Weighted Regression (GWR) terbukti lebih baik dibandingkan model regresi global Ordinary Least Squares (OLS). Hal ini ditunjukkan oleh nilai \(R^2\) model GWR sebesar 0,9853, yang lebih tinggi dibandingkan OLS sebesar 0,9526, serta nilai AIC model GWR sebesar 73,9842, yang lebih rendah dibandingkan OLS sebesar 120,0513. Dengan demikian, model GWR lebih mampu menjelaskan variasi IPM antarwilayah karena dapat mengakomodasi perbedaan karakteristik dan pengaruh faktor-faktor penjelas pada setiap lokasi pengamatan.

5 DAFTAR PUSTAKA

Anselin, L. (1988). Spatial Econometrics: Methods and Models. Kluwer Academic Publishers

A. Stewart Fotheringham, Chris Brunsdon, & Martin Charlton. (2002). Geographically Weighted Regression. Wiley.

Badan Pusat Statistik. (2024). Indeks Pembangunan Manusia 2024.

Badan Pusat Statistik Provinsi Jawa Barat. (2025). Indeks Pembangunan Manusia Menurut Kabupaten/Kota di Provinsi Jawa Barat Tahun 2025.

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester: Wiley.

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). New York: McGraw-Hill.

GeoJSON. (2025). GeoJSON Jawa Barat Administrative Boundaries. Diakses dari https://geojson.org pada 10 Juni 2026.

Michael P. Todaro & Stephen C. Smith. (2020). Economic Development. Pearson.

Roger S. Bivand, Pebesma, E., & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R (2nd ed.). Springer.

Sjafrizal. (2018). Ekonomi Regional: Teori dan Aplikasi. Rajawali Pers.

Todaro, M. P., & Smith, S. C. (2020). Economic Development (13th ed.). Pearson.

United Nations Development Programme (2024). Human Development Report 2024.