SPATIAL STUDY

Analisis Spasial Faktor-Faktor yang Memengaruhi Incidence Rate HIV/AIDS di Kabupaten/Kota Provinsi Jawa Tengah Tahun 2025 Menggunakan Geographically Weighted Regression (GWR)

Rana Aribah (140720250012)

Dosen Pengampu: Prof. Dr. I Gede Nyoman Mindra Jaya, M.Si

Statistika Terapan, Universitas Padjajaran

📍 Jawa Tengah • 35 Kabupaten/Kota • Tahun 2025

Pendahuluan

1.1. Latar Belakang

HIV/AIDS merupakan salah satu permasalahan kesehatan masyarakat yang masih menjadi perhatian global. HIV (Human Immunodeficiency Virus) adalah virus yang menyerang sistem kekebalan tubuh, terutama sel CD4, sehingga menyebabkan penurunan fungsi imun dan meningkatkan kerentanan terhadap berbagai infeksi (Sarma et al., 2025). Infeksi HIV yang tidak ditangani dapat berkembang menjadi AIDS (Acquired Immunodeficiency Syndrome), AIDS merupakan sekumpulan gejala yang muncul akibat menurunnya kemampuan sistem kekebalan tubuh, yang disebabkan oleh infeksi HIV di dalam tubuh seseorang (Sutrasno et al., 2022).

Indonesia menempati peringkat ke-14 dunia dalam jumlah orang dengan HIV (ODHIV) dan peringkat ke-9 untuk infeksi baru HIV (Kementerian Kesehatan, 2025 dikutip dari Mandaku et al., 2025). Upaya pengendalian HIV/AIDS di Indonesia bertujuan untuk menurunkan hingga meniadakan infeksi baru, mengurangi kematian terkait AIDS, serta menekan stigma dan diskriminasi terhadap orang dengan HIV (ODHIV). Penanggulangan HIV/AIDS telah diatur dalam Peraturan Menteri Kesehatan Republik Indonesia Nomor 23 Tahun 2022.

Menurut Kementerian Kesehatan Republik Indonesia (2025), Indonesia juga berkomitmen mencapai target mengeliminasi HIV dan Infeksi Menular Seksual pada 2030, yaitu 95% ODHIV mengetahui statusnya, 95% mendapatkan terapi antiretroviral (ARV), dan 95% dari yang diobati mencapai supresi virus. Sekitar 76% kasus HIV di Indonesia terkonsentrasi di 11 provinsi prioritas. Berdasarkan data Badan Pusat Statisik, Jawa Tengah termasuk tiga besar provinsi dengan kasus HIV, yaitu sebesar 6.057 kasus baru pada tahun 2025.

Berdasarkan laporan Dinas Kesehatan Provinsi Jawa Tengah tahun 2024, penemuan kasus baru HIV pada tahun 2024 sebanyak 6.509 kasus. Jika dilihat dari tren waktu, jumlah kasus baru HIV di Jawa Tengah menunjukkan peningkatan dari tahun ke tahun, yaitu sebanyak 2.708 kasus pada tahun 2021, meningkat menjadi 3.120 kasus pada tahun 2022, kemudian 3.464 kasus pada tahun 2023, dan melonjak menjadi 6.509 kasus pada tahun 2024. Distribusi kasus menunjukkan bahwa laki-laki memiliki proporsi lebih tinggi (65,7%) dibandingkan perempuan (34,3%), serta didominasi oleh kelompok usia produktif 25–49 tahun.

Menurut Centers for Disease Control and Prevention (CDC), determinan sosial kesehatan (Social Determinants of Health/SDOH) merupakan faktor-faktor di luar karakteristik demografi yang dapat memberikan pemahaman lebih mendalam mengenai perbedaan beban HIV (HIV burden) dan luaran pelayanan HIV (HIV care outcomes). SDOH mencakup beberapa domain, antara lain stabilitas ekonomi (economic stability), akses dan kualitas pendidikan (education access and quality), akses dan kualitas pelayanan kesehatan (health care access and quality), lingkungan tempat tinggal (neighborhood and built environment), serta konteks sosial dan komunitas (social and community context) (CDC, 2025). Berdasarkan konsep tersebut, penelitian ini menggunakan persentase penduduk miskin, rata-rata lama sekolah, dan jumlah fasilitas kesehatan sebagai variabel yang mewakili aspek sosial ekonomi, pendidikan, dan pelayanan kesehatan untuk dianalisis hubungannya dengan incidence rate HIV antarkabupaten/kota.

Tingkat kemiskinan merupakan salah satu faktor struktural yang dapat meningkatkan kerentanan terhadap HIV karena berkaitan dengan keterbatasan ekonomi, rendahnya tingkat pendidikan, dan terbatasnya pilihan pekerjaan, yang pada akhirnya dapat mendorong individu untuk terlibat dalam perilaku berisiko terhadap penularan HIV (Fauk et al., 2021). Tingkat pendidikan berperan dalam meningkatkan pengetahuan dan sikap terhadap HIV/AIDS. Individu dengan tingkat pendidikan yang lebih tinggi cenderung memiliki pengetahuan HIV yang lebih baik dibandingkan individu dengan tingkat pendidikan yang lebih rendah (Virdausi et al., 2022). Ketersediaan fasilitas kesehatan berperan dalam meningkatkan akses masyarakat terhadap layanan pencegahan, tes HIV, diagnosis, pengobatan, dan dukungan bagi orang dengan HIV sehingga menjadi komponen penting dalam upaya pengendalian HIV (Dzinamarira et al., 2025)

PDRB mencerminkan tingkat aktivitas ekonomi suatu daerah, sedangkan persentase kemiskinan menggambarkan tingkat kesejahteraan penduduk sehingga kedua indikator tersebut merepresentasikan dimensi ekonomi yang berbeda. Menurut Parkhurst (2010) dikutip dalam Essig et al. (2015) menunjukkan bahwa terdapat hubungan antara GDP per kapita dan HIV, meskipun hubungan antara tingkat kesejahteraan ekonomi dan infeksi HIV tidak bersifat langsung serta tidak menunjukkan arah pengaruh yang konsisten pada setiap konteks atau wilayah. Selain itu, Landowska dan Landowski (2025) juga menunjukkan adanya hubungan antara GDP nominal dan prevalensi HIV/AIDS pada populasi dewasa, sehingga indikator ekonomi wilayah relevan untuk dipertimbangkan dalam analisis faktor-faktor yang berhubungan dengan incidence rate HIV (Landowska & Landowski, 2025).

Berdasarkan kondisi tersebut, analisis distribusi kasus HIV di Jawa Tengah menjadi penting untuk memahami pola penyebaran penyakit antar wilayah kabupaten/kota. Pendekatan statistik konvensional seperti regresi linear mengasumsikan bahwa hubungan antara variabel independen dan dependen bersifat konstan pada seluruh wilayah pengamatan. Namun, dalam fenomena kesehatan masyarakat, hubungan antarvariabel sering kali berbeda antarwilayah. Oleh sebab itu, diperlukan metode yang mampu menangkap variasi lokal tersebut. Geographically Weighted Regression (GWR) merupakan salah satu metode analisis spasial yang memungkinkan parameter regresi berbeda pada setiap lokasi. Model ini mampu mengakomodasi efek spasial terstruktur maupun tidak terstruktur sehingga lebih sesuai untuk data penyakit berbasis wilayah. Upaya penanggulangan HIV/AIDS juga sejalan dengan Sustainable Development Goals (SDGs), tujuan ke-3 yaitu Good Health and Well-being.

1.2. Rumusan Masalah

Apakah terdapat efek atau pola spasial pada distribusi kasus HIV/AIDS di kabupaten/kota Provinsi Jawa Tengah?
Faktor-faktor apa saja yang memengaruhi jumlah kasus HIV/AIDS di kabupaten/kota Provinsi Jawa Tengah?

1.3. Tujuan Penelitian

Menganalisis keberadaan efek atau pola spasial pada distribusi kasus HIV/AIDS di kabupaten/kota Provinsi Jawa Tengah.
Mengidentifikasi faktor-faktor yang memengaruhi jumlah kasus HIV/AIDS di kabupaten/kota Provinsi Jawa Tengah.

Data dan Metode

# Code Persiapan Data
rm(list = ls())

library(spgwr)
library(spdep)
library(car)
library(lmtest)
library(sf)
library(sp)
library(tmap)
library(ggplot2)
library(rio)
library(dplyr)
library(knitr)
library(kableExtra)
library(broom)

data_awal <- import("data_proj_spasial_HIV_IR_revisi.csv")

data_awal$pdrb <- data_awal$pdrb / 1000

data_awal$incidence_rate <-
  (data_awal$jumlah_kasus_baru /
     (data_awal$jumlah_penduduk_ribu_jiwa * 1000)) * 100000

jateng_shp <- st_read("Kab-Kota_Jawa_Tengah.shp", quiet = TRUE)

jateng_data <- left_join(
  jateng_shp,
  data_awal,
  by = c("WADMKK" = "kabupaten_kota")
)

2.1. Sumber Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik (BPS). Penelitian menggunakan data kabupaten/kota di Provinsi Jawa Tengah tahun 2025 sebanyak 35 wilayah administrasi. Unit analisis dalam penelitian ini adalah kabupaten/kota di Provinsi Jawa Tengah dengan total 35 wilayah observasi. Data spasial berupa shapefile batas administrasi kabupaten/kota di Provinsi Jawa Barat diperoleh dari Pusat Pemetaan Batas Wilayah (PPBW), Badan Informasi Geospasial (2024). Variabel yang digunakan dalam penelitian ini disajikan pada Tabel 1.

**Tabel 1. Variabel Penelitian**
No	Variabel	Definisi	Satuan	Sumber
1	Jumlah Kasus Baru HIV	Jumlah penduduk yang tercatat sebagai kasus baru HIV.	Jiwa	BPS Jawa Tengah
2	Jumlah Penduduk	Banyaknya penduduk yang berdomisili di suatu wilayah kabupaten/kota di Provinsi Jawa Tengah.	Jiwa	BPS Jawa Tengah
3	Rata-rata Lama Sekolah (X1)	Rata-rata jumlah tahun pendidikan formal yang telah diselesaikan oleh penduduk berusia 25 tahun ke atas.	Tahun	BPS Jawa Tengah
4	Persentase Kemiskinan (X2)	Persentase penduduk yang berada di bawah garis kemiskinan.	Persen	BPS Jawa Tengah
5	Jumlah Fasilitas Kesehatan (X3)	Jumlah fasilitas pelayanan kesehatan yang tersedia di setiap kabupaten/kota, meliputi rumah sakit umum, rumah sakit khusus, puskesmas rawat inap, puskesmas non rawat inap, dan klinik pratama.	Unit	BPS Jawa Tengah
6	PDRB per Kapita (X4)	Produk Domestik Regional Bruto (PDRB) per kapita atas dasar harga berlaku yang diperoleh dari pembagian nilai PDRB atas dasar harga berlaku dengan jumlah penduduk pertengahan tahun pada suatu wilayah. Indikator ini menggambarkan rata-rata nilai tambah bruto yang dihasilkan per penduduk dalam satu tahun. Satuan PDRB per kapita dinyatakan dalam juta rupiah dengan mengonversi nilai dari ribu rupiah menjadi juta rupiah.	Juta Rupiah	BPS Jawa Tengah

2.2. Variabel Penelitian

Variabel Dependen

Variabel dependen dalam penelitian ini adalah incidence rate HIV. Incidence rate digunakan untuk menggambarkan banyaknya kasus baru HIV pada suatu wilayah terhadap jumlah penduduk yang berisiko. Pada penelitian ini, incidence rate dihitung per 100.000 penduduk menggunakan rumus sebagai berikut:

\[ IR_i=\frac{Y_i}{N_i}\times100000 \]

dengan:

\(IR_i\) : incidence rate HIV wilayah ke-\(i\)
\(Y_i\) : jumlah kasus baru HIV wilayah ke-\(i\)
\(N_i\) : jumlah penduduk wilayah ke-\(i\)

Variabel Independen

Variabel independen yang digunakan dalam penelitian ini terdiri atas:

Rata-rata Lama Sekolah (\(X_1\))
Persentase Kemiskinan (\(X_2\))
Jumlah Fasilitas Kesehatan (\(X_3\))
PDRB per Kapita (\(X_4\))

2.3. Metode Analisis

2.3.1. Regresi Linear Global (OLS)

Metode regresi digunakan untuk menjelaskan hubungan antara variabel respon dengan satu atau lebih variabel prediktor. Model regresi linear berganda dituliskan sebagai berikut:

\[ y_i=\beta_0+\sum_{k=1}^{K}\beta_kx_{ik}+\varepsilon_i \]

dengan:

\(y_i\) : nilai pengamatan ke-\(i\) dari variabel respon
\(\beta_0,\beta_1,\ldots,\beta_k\) : parameter regresi
\(x_{ik}\) : nilai pengamatan ke-\(i\) pada variabel prediktor ke-\(k\)
\(\varepsilon_i\) : galat (error)

Estimasi parameter regresi dilakukan menggunakan metode Ordinary Least Squares (OLS). Metode OLS merupakan teknik estimasi parameter regresi yang bekerja dengan meminimumkan jumlah kuadrat selisih antara nilai prediksi dan nilai aktualnya, yaitu:

\[ \min \sum_{i=1}^{n}e_i^2 \]

dengan

\[ e_i=y_i-\hat{y}_i \]

Menurut Asril et al. (2021), asumsi yang perlu dipenuhi pada model regresi adalah:

Normalitas

\[ \varepsilon \sim N(0,\sigma^2) \]

Homoskedastisitas

\[ Var(\varepsilon_i)=\sigma^2 \]

Tidak terjadi autokorelasi

\[ Cov(\varepsilon_i,\varepsilon_j)=0 \]

2.3.2. Geographically Weighted Regression (GWR)

Geographically Weighted Regression (GWR) merupakan pengembangan dari regresi linear yang digunakan untuk menganalisis hubungan antara variabel respon dan variabel prediktor dengan mempertimbangkan aspek spasial. Pada model regresi global, parameter yang dihasilkan bersifat konstan untuk seluruh wilayah pengamatan. Namun, pada kenyataannya hubungan antar variabel dapat berbeda-beda pada setiap lokasi sehingga diperlukan pendekatan lokal seperti GWR (Utami et al., 2016). Model GWR dituliskan sebagai berikut:

\[ Y_i=\beta_0(u_i,v_i)+\sum_{k=1}^{p}\beta_k(u_i,v_i)X_{ki}+\varepsilon_i,\quad i=1,\ldots,N \]

dengan:

\((u_i,v_i)\) : koordinat geografis wilayah ke-\(i\)
\(Y_i\) : variabel respon pada lokasi ke-\(i\)
\(X_{ki}\) : variabel prediktor ke-\(k\) pada lokasi ke-\(i\)
\(\beta_0(u_i,v_i)\) : intersep lokal
\(\beta_k(u_i,v_i)\) : parameter regresi lokal
\(\varepsilon_i\) : galat model

2.3.3. Indeks Moran’s I

Indeks Moran’s I merupakan metode statistik yang digunakan untuk mengukur tingkat autokorelasi spasial pada suatu data wilayah. Autokorelasi spasial menunjukkan adanya hubungan antar nilai pengamatan berdasarkan kedekatan lokasi. Nilai Moran’s I digunakan untuk mengetahui apakah suatu wilayah memiliki pola penyebaran yang mengelompok (clustered), acak (random), atau menyebar (dispersed) (LeSage dan Pace, 2009 dikutip dari Sartika dan Suryani, 2020).

Autokorelasi spasial positif terjadi apabila wilayah yang berdekatan memiliki nilai yang serupa (tinggi dengan tinggi atau rendah dengan rendah). Sebaliknya, autokorelasi spasial negatif terjadi apabila wilayah yang berdekatan memiliki nilai yang berbeda. Statistik Moran’s I dirumuskan sebagai berikut:

\[ I= \frac{ n\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}z_iz_j }{ S_0\sum_{i=1}^{n}z_i^2 } \]

dengan:

\(I\) : indeks Moran
\(n\) : jumlah unit spasial
\(w_{ij}\) : bobot spasial antara wilayah \(i\) dan \(j\)
\(z_i\) : deviasi nilai variabel terhadap rata-rata \((x_i-\bar{X})\)
\(x_i\) : nilai variabel pada wilayah ke-\(i\)
\(\bar{X}\) : rata-rata variabel
\(S_0\) : total seluruh bobot spasial

Nilai total bobot spasial dihitung menggunakan persamaan:

\[ S_0= \sum_{i=1}^{n} \sum_{j=1}^{n} w_{ij} \]

Untuk menguji signifikansi autokorelasi spasial, digunakan statistik uji Z sebagai berikut:

\[ Z_I= \frac{ I-E[I] }{ \sqrt{V[I]} } \]

dengan nilai harapan Moran’s I:

\[ E[I]=-\frac{1}{n-1} \]

dan varians Moran’s I:

\[ V[I]=E[I^2]-E[I]^2 \]

Interpretasi nilai Moran’s I adalah sebagai berikut:

Jika nilai Moran’s I bernilai positif, maka pola spasial cenderung mengelompok (clustered).
Jika nilai Moran’s I bernilai negatif, maka pola spasial cenderung menyebar (dispersed).
Jika nilai Moran’s I mendekati nol, maka pola spasial bersifat acak (random).

2.3.4. Pengujian Kesesuaian Model (Goodness of Fit)

Pengujian dilakukan untuk mengetahui apakah model GWR lebih sesuai dibandingkan model global. Serta, dilakukan untuk mengetahui apakah model GWR yang dibentuk sudah sesuai dalam menjelaskan hubungan antara variabel respon dan variabel prediktor.

Hipotesis yang digunakan adalah:

\[ H_0:\beta_k(u_i,v_i)=\beta_k \]

\[ H_1:\beta_k(u_i,v_i)\neq\beta_k \]

Hipotesis nol menyatakan bahwa parameter regresi bersifat konstan pada seluruh lokasi sehingga model global sudah memadai. Sedangkan hipotesis alternatif menyatakan bahwa terdapat perbedaan parameter pada setiap lokasi sehingga model GWR lebih sesuai digunakan. Pengujian kesesuaian model dapat dilakukan menggunakan uji F.

2.3.5. Pengujian Parameter Model GWR

Pengujian parameter bertujuan untuk mengetahui variabel yang berpengaruh signifikan pada masing-masing wilayah pengamatan.

Hipotesis:

\[ H_0:\beta_k(u_i,v_i)=0 \]

\[ H_1:\beta_k(u_i,v_i)\neq0 \]

Statistik uji:

\[ t= \frac{ \hat{\beta}_k(u_i,v_i) }{ SE[\hat{\beta}_k(u_i,v_i)] } \]

dengan:

\(\hat{\beta}_k(u_i,v_i)\) : estimasi parameter lokal
\(SE[\hat{\beta}_k(u_i,v_i)]\) : standar error parameter lokal

2.2.6. Pembobot Spasial

Pembobot spasial digunakan untuk menghasilkan estimasi parameter yang berbeda pada setiap lokasi pengamatan. Dalam analisis spasial, lokasi yang berdekatan akan memberikan pengaruh lebih besar dibandingkan lokasi yang berjauhan. Oleh karena itu, pemilihan fungsi pembobot menjadi komponen penting dalam metode GWR. Pembobot pada GWR umumnya menggunakan fungsi kernel (kernel weighting function).

Fungsi pembobot Gaussian Kernel dapat dituliskan sebagai berikut:

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

dengan:

\(w_{ij}\) : bobot spasial
\(d_{ij}\) : jarak Euclidean
\(b\) : bandwidth

Bandwidth optimum diperoleh menggunakan metode Cross Validation (CV), yaitu dengan memilih bandwidth yang menghasilkan nilai CV minimum. Nilai bandwidth berperan penting dalam menentukan besarnya pengaruh spasial antar lokasi.

2.2.7. Evaluasi Model

Koefisien Determinasi (\(R^2\))

Koefisien determinasi digunakan untuk mengukur kemampuan model dalam menjelaskan variasi data.

\[ R^2=\frac{JKR_T}{JKT_T}=\frac{\sum_{j=1}^{p} (\hat{y}_j-\bar{y})^2}{\sum_{i=1}^{n} (y_i-\bar{y})^2} \]

dengan:

\(JKR_T\) : jumlah kuadrat regresi total
\(JKT_T\) : jumlah kuadrat total

Akaike’s Information Criterion (AIC)

Akaike’s Information Criterion (AIC) digunakan untuk memilih model terbaik berdasarkan keseimbangan antara ketepatan model dan kompleksitas model.

\[ AIC= 2n\log(\hat{\sigma}) +n\log(2\pi) +n +tr(L) \]

Model terbaik dipilih berdasarkan nilai AIC terkecil.

Hasil dan Pembahasan

3.1. Statistik Deskriptif

tabel_deskriptif <- data.frame(
  Statistik = c(
    "Minimum",
    "Maksimum",
    "Mean",
    "Median",
    "Standar Deviasi"
  ),

  `IR HIV` = c(
    min(data_awal$incidence_rate),
    max(data_awal$incidence_rate),
    mean(data_awal$incidence_rate),
    median(data_awal$incidence_rate),
    sd(data_awal$incidence_rate)
  ),

  `Rata-rata Lama Sekolah` = c(
    min(data_awal$rata_rata_lama_sekolah),
    max(data_awal$rata_rata_lama_sekolah),
    mean(data_awal$rata_rata_lama_sekolah),
    median(data_awal$rata_rata_lama_sekolah),
    sd(data_awal$rata_rata_lama_sekolah)
  ),

  Kemiskinan = c(
    min(data_awal$pct_penduduk_miskin),
    max(data_awal$pct_penduduk_miskin),
    mean(data_awal$pct_penduduk_miskin),
    median(data_awal$pct_penduduk_miskin),
    sd(data_awal$pct_penduduk_miskin)
  ),

  `Jumlah Fasilitas Kesehatan` = c(
    min(data_awal$jumlah_faskes),
    max(data_awal$jumlah_faskes),
    mean(data_awal$jumlah_faskes),
    median(data_awal$jumlah_faskes),
    sd(data_awal$jumlah_faskes)
  ),

  `PDRB per Kapita` = c(
    min(data_awal$pdrb),
    max(data_awal$pdrb),
    mean(data_awal$pdrb),
    median(data_awal$pdrb),
    sd(data_awal$pdrb)
  ),

  check.names = FALSE
)

tabel_deskriptif[, -1] <- round(tabel_deskriptif[, -1], 2)

kable(
  tabel_deskriptif,
  caption = "Tabel 2. Statistik Deskriptif",
  align = "c"
)

Tabel 2. Statistik Deskriptif
Statistik	IR HIV	Rata-rata Lama Sekolah	Kemiskinan	Jumlah Fasilitas Kesehatan	PDRB per Kapita
Minimum	6.80	6.61	3.80	12.00	24.05
Maksimum	77.87	11.49	14.15	77.00	167.24
Mean	20.12	8.42	9.19	35.77	54.51
Median	13.22	8.04	8.71	36.00	41.35
Standar Deviasi	15.80	1.33	2.82	13.47	34.82

Berdasarkan Tabel 2, rata-rata incidence rate HIV di Provinsi Jawa Tengah tahun 2025 sebesar 20,12 per 100.000 penduduk, dengan rentang 6,80–77,87, yang mengindikasikan adanya variasi tingkat kejadian HIV antarkabupaten/kota. Rata-rata rata-rata lama sekolah mencapai 8,42 tahun, sedangkan rata-rata persentase kemiskinan sebesar 9,19%. Selain itu, rata-rata jumlah fasilitas kesehatan yang tersedia di setiap kabupaten/kota adalah 35,77 unit, dengan jumlah berkisar antara 12 hingga 77 unit. PDRB per kapita memiliki rata-rata sebesar Rp54.506,04 ribu, dengan nilai minimum Rp24,05 jurt dan maksimum Rp167,24 juta. Rentang yang sangat lebar disertai standar deviasi sebesar Rp34,82 juta mengindikasikan adanya kesenjangan tingkat perekonomian yang cukup besar antarkabupaten/kota di Provinsi Jawa Tengah. Variasi pada ketiga variabel independen tersebut menunjukkan adanya perbedaan karakteristik sosial ekonomi dan ketersediaan layanan kesehatan di masing-masing wilayah yang berpotensi memengaruhi variasi incidence rate HIV.

3.2. Visualisasi Spasial

library(patchwork)

# =====================================================
# THEME PETA
# =====================================================

tema_peta <- theme_minimal() +
  theme(
    plot.title = element_text(
      hjust = 0.5,
      face = "bold",
      size = 11
    ),
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank()
  )

# =====================================================
# PETA IR HIV
# =====================================================

p1 <- ggplot(jateng_data) +
  geom_sf(aes(fill = incidence_rate),
          color = "black",
          linewidth = 0.2) +
  scale_fill_distiller(
    palette = "Reds",
    direction = 1,
    name = "IR HIV"
  ) +
  labs(title = "IR HIV") +
  tema_peta

# =====================================================
# PETA RATA-RATA LAMA SEKOLAH
# =====================================================

p2 <- ggplot(jateng_data) +
  geom_sf(aes(fill = rata_rata_lama_sekolah),
          color = "black",
          linewidth = 0.2) +
  scale_fill_distiller(
    palette = "Reds",
    direction = 1,
    name = "RLS"
  ) +
  labs(title = "Rata-rata Lama Sekolah") +
  tema_peta

# =====================================================
# PETA KEMISKINAN
# =====================================================

p3 <- ggplot(jateng_data) +
  geom_sf(aes(fill = pct_penduduk_miskin),
          color = "black",
          linewidth = 0.2) +
  scale_fill_distiller(
    palette = "Reds",
    direction = 1,
    name = "Kemiskinan"
  ) +
  labs(title = "Persentase Kemiskinan") +
  tema_peta

# =====================================================
# PETA JUMLAH FASILITAS KESEHATAN
# =====================================================

p4 <- ggplot(jateng_data) +
  geom_sf(aes(fill = jumlah_faskes),
          color = "black",
          linewidth = 0.2) +
  scale_fill_distiller(
    palette = "Reds",
    direction = 1,
    name = "Faskes"
  ) +
  labs(title = "Jumlah Fasilitas Kesehatan") +
  tema_peta

# =====================================================
# PETA PDRB PER KAPITA
# =====================================================

p5 <- ggplot(jateng_data) +
  geom_sf(aes(fill = pdrb),
          color = "black",
          linewidth = 0.2) +
  scale_fill_distiller(
    palette = "Reds",
    direction = 1,
    name = "PDRB"
  ) +
  labs(title = "PDRB per Kapita") +
  tema_peta

# =====================================================
# GABUNGKAN PETA
# =====================================================

(p1 | p2 | p3) /
(p4 | p5 | plot_spacer()) +
plot_annotation(
  title = "Peta Sebaran Variabel Penelitian di Provinsi Jawa Tengah Tahun 2025",
  theme = theme(
    plot.title = element_text(
      hjust = 0.5,
      face = "bold",
      size = 16
    )
  )
)

Gambar 1. Peta Sebaran Variabel Penelitian di Provinsi Jawa Tengah Tahun 2025

Berdasarkan peta tematik, incidence rate HIV di Provinsi Jawa Tengah tahun 2025 menunjukkan variasi antarwilayah. Beberapa kabupaten/kota memiliki incidence rate yang relatif lebih tinggi dibandingkan wilayah lainnya, yang mengindikasikan adanya perbedaan tingkat kejadian kasus baru HIV di setiap wilayah.

Peta rata-rata lama sekolah menunjukkan bahwa tingkat pendidikan penduduk belum merata antarwilayah. Beberapa kabupaten/kota memiliki rata-rata lama sekolah yang relatif lebih tinggi, sedangkan wilayah lainnya masih memiliki capaian pendidikan yang lebih rendah. Sementara itu, peta persentase kemiskinan memperlihatkan variasi, dengan beberapa wilayah memiliki tingkat kemiskinan yang relatif lebih tinggi dibandingkan kabupaten/kota lainnya. Peta jumlah fasilitas kesehatan menunjukkan adanya perbedaan ketersediaan fasilitas pelayanan kesehatan di setiap kabupaten/kota. Beberapa wilayah memiliki jumlah fasilitas kesehatan yang lebih banyak, sedangkan wilayah lainnya memiliki jumlah fasilitas yang relatif lebih sedikit. Peta PDRB per kapita juga menunjukkan adanya ketimpangan tingkat perekonomian antarwilayah. Beberapa kabupaten/kota memiliki nilai PDRB per kapita yang relatif tinggi, sedangkan sebagian besar wilayah lainnya memiliki nilai yang lebih rendah, yang mencerminkan adanya perbedaan tingkat aktivitas dan kapasitas ekonomi di setiap kabupaten/kota.

Secara keseluruhan, visualisasi spasial menunjukkan adanya keragaman karakteristik sosial ekonomi, tingkat pendidikan, dan ketersediaan fasilitas kesehatan antarwilayah di Provinsi Jawa Tengah. Variasi tersebut mengindikasikan bahwa pengaruh faktor-faktor tersebut terhadap incidence rate HIV kemungkinan tidak bersifat seragam pada setiap kabupaten/kota.

3.3. Analisis Regresi Linear Global (OLS)

model_ols <- lm(
  incidence_rate ~
    rata_rata_lama_sekolah +
    pct_penduduk_miskin +
    jumlah_faskes +
    pdrb,
  data = jateng_data
)

hasil_ols <- tidy(model_ols) %>%
  mutate(
    Variabel = c(
      "Intercept",
      "Rata-rata Lama Sekolah (X1)",
      "Persentase Kemiskinan (X2)",
      "Jumlah Fasilitas Kesehatan (X3)",
      "PDRB per Kapita (X4)"
    ),
    Koefisien = round(estimate, 4),
    `Std. Error` = round(std.error, 4),
    `t-value` = round(statistic, 3),
    `p-value` = ifelse(
      p.value < 0.001,
      "<0.001*",
      sprintf("%.4f%s",
              p.value,
              ifelse(p.value < 0.05, "*", ""))
    )
  ) %>%
  select(
    Variabel,
    Koefisien,
    `Std. Error`,
    `t-value`,
    `p-value`
  )

kable(
  hasil_ols,
  caption = "**Tabel 3. Hasil Regresi OLS**",
  align = "c",
  booktabs = TRUE
) %>%
  kable_styling(
    full_width = FALSE,
    position = "center"
  )

**Tabel 3. Hasil Regresi OLS**
Variabel	Koefisien	Std. Error	t-value	p-value
Intercept	-44.3607	23.4545	-1.891	0.0683
Rata-rata Lama Sekolah (X1)	6.4337	2.4275	2.650	0.0127*
Persentase Kemiskinan (X2)	1.1056	0.8795	1.257	0.2184
Jumlah Fasilitas Kesehatan (X3)	-0.2637	0.1458	-1.809	0.0805
PDRB per Kapita (X4)	0.1756	0.0895	1.963	0.0590

Model regresi OLS yang diperoleh adalah sebagai berikut:

\[ \hat{Y}=-44,3607+6,4337X_1+1,1056X_2-0,2637X_3+0,1756X_4 \]

Berdasarkan hasil estimasi model OLS pada Tabel 3, variabel rata-rata lama sekolah (\(X_1\)) memiliki nilai p-value sebesar 0,0127 (< 0,05), sehingga berpengaruh signifikan terhadap incidence rate HIV di Provinsi Jawa Tengah tahun 2025. Koefisien regresi sebesar 6,4337 menunjukkan bahwa setiap peningkatan rata-rata lama sekolah sebesar satu tahun cenderung meningkatkan incidence rate HIV sebesar 6,4337 kasus per 100.000 penduduk dengan asumsi variabel lain konstan.

Sementara itu, variabel persentase kemiskinan (\(X_2\)), jumlah fasilitas kesehatan (\(X_3\)), dan PDRB per kapita (\(X_4\)) memiliki nilai p-value lebih besar dari 0,05, sehingga tidak berpengaruh signifikan terhadap incidence rate HIV pada model OLS. Arah koefisien regresi menunjukkan bahwa persentase kemiskinan dan PDRB per kapita memiliki hubungan positif, sedangkan jumlah fasilitas kesehatan memiliki hubungan negatif terhadap incidence rate HIV.

Secara keseluruhan, model OLS menunjukkan bahwa rata-rata lama sekolah merupakan satu-satunya variabel yang berpengaruh signifikan terhadap incidence rate HIV pada taraf signifikansi 5%.

Uji Asumsi OLS

Tabel 4. Nilai Variance Inflation Factor (VIF)
Variabel	Nilai VIF
Rata-rata Lama Sekolah (X1)	3.4085
Persentase Kemiskinan (X2)	2.0134
Jumlah Fasilitas Kesehatan (X3)	1.2601
PDRB per Kapita (X4)	3.1716

Uji multikolinearitas dilakukan menggunakan Variance Inflation Factor (VIF). Hasil pengujian menunjukkan bahwa seluruh variabel independen memiliki nilai VIF kurang dari 10, sehingga dapat disimpulkan bahwa tidak terdapat masalah multikolinearitas pada model. Nilai VIF masing-masing variabel disajikan dalam Tabel 4.

Tabel 5. Hasil Pengujian Asumsi Model OLS
	Pengujian	Statistik Uji	p-value	Keputusan
BP	Breusch-Pagan Test	13.5854	0.0087	Terdapat heteroskedastisitas
W	Shapiro-Wilk Test	0.9709	0.4696	Residual berdistribusi normal

Berdasarkan hasil pengujian heteroskedastisitas menggunakan Breusch-Pagan Test, diperoleh p-value sebesar 0,0087. Karena p-value < 0,05, maka terdapat heteroskedastisitas pada model OLS. Hal ini menunjukkan bahwa varians residual tidak homogen antarwilayah. Untuk mengatasi permasalahan heterogenitas spasial, digunakan metode Geographically Weighted Regression (GWR) yang mampu mengakomodasi variasi hubungan antar variabel pada setiap lokasi pengamatan (Charlton et al., 2009)

Berdasarkan hasil pengujian normalitas menggunakan Shapiro-Wilk Test, diperoleh p-value sebesar 0,4696. Karena p-value lebih besar dari 0,05, maka hipotesis nol tidak ditolak sehingga dapat disimpulkan bahwa residual model berdistribusi normal. Dengan demikian, asumsi normalitas residual pada model OLS telah terpenuhi.

3.4. Geographically Weighted Regression (GWR)

Hasil pengujian asumsi pada model OLS menunjukkan adanya heteroskedastisitas yang mengindikasikan adanya heterogenitas spasial, yaitu hubungan antara variabel respon dan variabel prediktor tidak bersifat konstan pada seluruh wilayah pengamatan. Kondisi tersebut menunjukkan bahwa model regresi global mungkin belum sepenuhnya mampu menggambarkan karakteristik lokal pada setiap kabupaten/kota di Provinsi Jawa Tengah. Oleh karena itu, dilakukan analisis menggunakan metode Geographically Weighted Regression (GWR) untuk mengakomodasi variasi pengaruh faktor-faktor yang diteliti pada masing-masing wilayah serta menghasilkan parameter regresi yang bersifat lokal.

jateng_sp <- as(jateng_data, "Spatial")

coords <- coordinates(jateng_sp)

bandwidth_optimal <- gwr.sel(
  incidence_rate ~
    rata_rata_lama_sekolah +
    pct_penduduk_miskin +
    jumlah_faskes +
    pdrb,
  data = jateng_sp,
  coords = coords,
  adapt = TRUE,
  verbose = FALSE
)

3.4.1. Estimasi Model GWR

model_gwr <- gwr(
  incidence_rate ~
    rata_rata_lama_sekolah +
    pct_penduduk_miskin +
    jumlah_faskes +
    pdrb,
  data = jateng_sp,
  coords = coords,
  adapt = bandwidth_optimal,
  hatmatrix = TRUE,
  se.fit = TRUE
)

gwr_df <- as.data.frame(model_gwr$SDF)

# Koefisien global OLS
coef_global <- coef(model_ols)

tabel_gwr <- data.frame(
  Variabel = c(
    "Intercept",
    "Rata-rata Lama Sekolah (X1)",
    "Persentase Kemiskinan (X2)",
    "Jumlah Fasilitas Kesehatan (X3)",
    "PDRB per Kapita (X4)"
  ),

  Minimum = c(
    min(gwr_df$X.Intercept.),
    min(gwr_df$rata_rata_lama_sekolah),
    min(gwr_df$pct_penduduk_miskin),
    min(gwr_df$jumlah_faskes),
    min(gwr_df$pdrb)
  ),

  `Kuartil 1` = c(
    quantile(gwr_df$X.Intercept., 0.25),
    quantile(gwr_df$rata_rata_lama_sekolah, 0.25),
    quantile(gwr_df$pct_penduduk_miskin, 0.25),
    quantile(gwr_df$jumlah_faskes, 0.25),
    quantile(gwr_df$pdrb, 0.25)
  ),

  Median = c(
    median(gwr_df$X.Intercept.),
    median(gwr_df$rata_rata_lama_sekolah),
    median(gwr_df$pct_penduduk_miskin),
    median(gwr_df$jumlah_faskes),
    median(gwr_df$pdrb)
  ),

  `Kuartil 3` = c(
    quantile(gwr_df$X.Intercept., 0.75),
    quantile(gwr_df$rata_rata_lama_sekolah, 0.75),
    quantile(gwr_df$pct_penduduk_miskin, 0.75),
    quantile(gwr_df$jumlah_faskes, 0.75),
    quantile(gwr_df$pdrb, 0.75)
  ),

  Maksimum = c(
    max(gwr_df$X.Intercept.),
    max(gwr_df$rata_rata_lama_sekolah),
    max(gwr_df$pct_penduduk_miskin),
    max(gwr_df$jumlah_faskes),
    max(gwr_df$pdrb)
  ),

  Global = round(coef_global, 4),
  check.names = FALSE
)

tabel_gwr[, 2:7] <- round(tabel_gwr[, 2:7], 4)

kable(
  tabel_gwr,
  caption = "Tabel 6. Statistik Deskriptif Hasil Model GWR",
  align = "c",
  row.names = FALSE
)

Tabel 6. Statistik Deskriptif Hasil Model GWR
Variabel	Minimum	Kuartil 1	Median	Kuartil 3	Maksimum	Global
Intercept	-108.0331	-63.5297	-51.2067	-38.7346	-14.8666	-44.3607
Rata-rata Lama Sekolah (X1)	1.6337	10.4905	12.9164	15.3969	17.0704	6.4337
Persentase Kemiskinan (X2)	0.0087	0.5848	1.2474	2.6542	5.3878	1.1056
Jumlah Fasilitas Kesehatan (X3)	-0.7310	-0.5317	-0.2305	-0.0383	0.1524	-0.2637
PDRB per Kapita (X4)	-0.0181	0.0974	0.2035	0.4675	0.8051	0.1756

Berdasarkan proses pemilihan bandwidth menggunakan metode adaptive kernel, diperoleh bandwidth optimum sebesar 0,327996. Nilai tersebut menunjukkan bahwa setiap estimasi parameter lokal pada model GWR dibentuk menggunakan informasi dari sekitar 32,80% wilayah tetangga terdekat yang paling relevan terhadap lokasi pengamatan. Bandwidth optimum ini dipilih karena menghasilkan nilai Cross Validation minimum sehingga memberikan keseimbangan terbaik antara variasi lokal dan kestabilan estimasi parameter.

Tabel 6 menunjukkan statistik deskriptif koefisien lokal hasil estimasi model GWR. Berbeda dengan model OLS yang menghasilkan satu koefisien global untuk seluruh wilayah, model GWR menghasilkan koefisien yang bervariasi pada setiap kabupaten/kota.

Variabel rata-rata lama sekolah memiliki koefisien lokal yang seluruhnya bernilai positif, yaitu berkisar antara 1,6337 hingga 17,0704. Hal ini menunjukkan bahwa peningkatan rata-rata lama sekolah cenderung diikuti oleh peningkatan incidence rate HIV pada seluruh kabupaten/kota, meskipun besarnya pengaruh berbeda antarwilayah. Joint United Nations Programme on HIV/AIDS menjelaskan bahwa ketimpangan dalam akses terhadap layanan HIV, angka insidensi HIV, dan kematian terkait AIDS dipengaruhi oleh berbagai bentuk ketidaksetaraan sosial yang saling berkaitan, termasuk ketimpangan dalam akses terhadap pendidikan, kesempatan kerja, dan peluang ekonomi (UNAIDS, 2022). Temuan ini tidak sepenuhnya sejalan dengan teori umum, karena pendidikan umumnya dipandang sebagai faktor protektif terhadap HIV melalui peningkatan pengetahuan dan perilaku pencegahan. Namun, pada konteks tertentu hubungan tersebut dapat berubah bergantung pada karakteristik epidemi, cakupan tes HIV, dan kemampuan sistem surveilans dalam mendeteksi kasus. Dengan demikian, koefisien positif pada penelitian ini kemungkinan lebih mencerminkan meningkatnya kemampuan deteksi kasus dibandingkan peningkatan risiko akibat pendidikan itu sendiri.

Variabel persentase penduduk miskin memiliki koefisien lokal positif pada seluruh wilayah dengan rentang 0,5101 hingga 2,2818. Hasil ini menunjukkan bahwa peningkatan persentase penduduk miskin cenderung diikuti oleh peningkatan incidence rate HIV, meskipun kekuatan pengaruhnya berbeda antarwilayah. Temuan ini sejalan dengan konsep social determinants of health yang menyatakan bahwa kemiskinan dapat meningkatkan kerentanan terhadap berbagai masalah kesehatan melalui keterbatasan akses terhadap pendidikan kesehatan, layanan kesehatan , serta pengobatan yang berkelanjutan (Thalia, 2024).

Variabel jumlah fasilitas kesehatan memiliki koefisien lokal yang berkisar antara -0,7310 hingga 0,1524. Nilai tersebut menunjukkan bahwa hubungan antara jumlah fasilitas kesehatan dan incidence rate HIV tidak seragam antarwilayah. Koefisien negatif pada sebagian besar wilayah mengindikasikan bahwa peningkatan jumlah fasilitas kesehatan cenderung diikuti oleh penurunan incidence rate HIV karena meningkatnya akses terhadap layanan pencegahan dan pengobatan. Sebaliknya, koefisien positif pada beberapa wilayah dapat mencerminkan meningkatnya deteksi kasus akibat akses terhadap layanan tes HIV yang lebih baik. Menurut Bowleg et al. (2022) dikutip dalam Ontario HIV Treatment Network (2025), berbagai kondisi sosial yang tidak setara dapat menghambat upaya pencegahan HIV. Hambatan tersebut meliputi ketidakstabilan tempat tinggal, diskriminasi, keterbatasan akses terhadap layanan kesehatan, serta tingginya angka kekerasan di lingkungan. Dengan demikian, variasi tanda koefisien masih sesuai dengan teori, karena layanan kesehatan tidak hanya berperan dalam mencegah penularan, tetapi juga meningkatkan penemuan kasus.

Variabel PDRB per kapita memiliki koefisien lokal yang berkisar antara -0,0181 hingga 0,8051. Rentang tersebut menunjukkan bahwa hubungan antara PDRB per kapita dan incidence rate HIV tidak seragam antarwilayah. Koefisien negatif menunjukkan bahwa peningkatan PDRB per kapita cenderung diikuti oleh penurunan incidence rate HIV, sedangkan koefisien positif menunjukkan kecenderungan sebaliknya. Menurut Parkhurst (2010) yang menyatakan bahwa hubungan antara tingkat kesejahteraan ekonomi dan infeksi HIV tidak bersifat langsung serta tidak selalu memiliki arah yang sama pada setiap wilayah, karena dipengaruhi oleh berbagai faktor sosial, ekonomi, dan karakteristik epidemi di masing-masing daerah.

3.4.2. Uji Kesesuaian Model

Hasil pengujian kesesuaian model dilakukan menggunakan uji ANOVA untuk membandingkan model regresi linear global (OLS) dengan model GWR. Hasil pengujian disajikan pada Tabel 7.

Tabel 7. Hasil Uji Kesesuaian Model GWR
	Df	Sum Sq	Mean Sq	F value
OLS Residuals	5.0000	3119.6045	NA	NA
GWR Improvement	17.2373	2634.1427	152.8168	NA
GWR Residuals	12.7627	485.4618	38.0374	4.0175

Hasil pengujian menunjukkan bahwa nilai statistik F sebesar 4,0175 dengan nilai p-value sebesar 0,007. Karena nilai p-value lebih kecil dari taraf signifikansi 0,05, maka keputusan yang diperoleh adalah menolak \(H_0\). Artinya, terdapat perbedaan yang signifikan antara model regresi linear global (OLS) dan model GWR. Dengan demikian, model GWR secara signifikan memberikan kecocokan model (goodness-of-fit) yang lebih baik dibandingkan model OLS untuk memodelkan incidence rate HIV di Provinsi Jawa Tengah tahun 2025.

3.4.3. Signifikansi Parameter Lokal

gwr_df$t_rls <- gwr_df$rata_rata_lama_sekolah /
  gwr_df$rata_rata_lama_sekolah_se

gwr_df$t_miskin <- gwr_df$pct_penduduk_miskin /
  gwr_df$pct_penduduk_miskin_se

gwr_df$t_faskes <- gwr_df$jumlah_faskes /
  gwr_df$jumlah_faskes_se

gwr_df$t_pdrb <- gwr_df$pdrb /
  gwr_df$pdrb_se

gwr_df$p_rls <- 2 * (1 - pnorm(abs(gwr_df$t_rls)))
gwr_df$p_miskin <- 2 * (1 - pnorm(abs(gwr_df$t_miskin)))
gwr_df$p_faskes <- 2 * (1 - pnorm(abs(gwr_df$t_faskes)))
gwr_df$p_pdrb <- 2 * (1 - pnorm(abs(gwr_df$t_pdrb)))

hasil_gwr <- data.frame(
  Wilayah = jateng_sp$WADMKK,
  p_rls = gwr_df$p_rls,
  p_miskin = gwr_df$p_miskin,
  p_faskes = gwr_df$p_faskes,
  p_pdrb = gwr_df$p_pdrb
)

hasil_gwr_tabel <- hasil_gwr

hasil_gwr_tabel[, 2:5] <- lapply(
  hasil_gwr_tabel[, 2:5],
  function(x) sprintf("%.4f", x)
)

kable(
  head(hasil_gwr_tabel, 5),
  caption = "Tabel 8. Nilai p-value Parameter Lokal GWR (Lima Wilayah Pertama)",
  align = "c"
)

Tabel 8. Nilai p-value Parameter Lokal GWR (Lima Wilayah Pertama)
Wilayah	p_miskin	p_faskes	p_pdrb
Cilacap	0.4739	0.1776	0.4426
Banyumas	0.6296	0.1843	0.2734
Purbalingga	0.8924	0.2191	0.1129
Banjarnegara	0.9477	0.0116	0.0103
Kebumen	0.4427	0.0305	0.0008

Uji signifikansi parameter model GWR dilakukan menggunakan taraf signifikansi sebesar 5% (α=0,05). Berdasarkan hasil pengujian parameter lokal, diperoleh bahwa variabel yang signifikan berbeda pada setiap kabupaten/kota di Jawa Tengah.

hasil_sig <- data.frame(
  Wilayah = jateng_sp$WADMKK,
  X1 = gwr_df$p_rls < 0.05,
  X2 = gwr_df$p_miskin < 0.05,
  X3 = gwr_df$p_faskes < 0.05,
  X4 = gwr_df$p_pdrb < 0.05
)

hasil_sig$Variabel <- apply(
  hasil_sig[,2:5],
  1,
  function(x){
    vars <- c("X₁","X₂","X₃","X₄")[x]
    if(length(vars)==0) "-" else paste(vars, collapse=", ")
  }
)


tabel9 <- hasil_sig %>%
  group_by(Variabel) %>%
  summarise(
    `Kabupaten/Kota` = paste(Wilayah, collapse=", "),
    .groups = "drop"
  ) %>%
  mutate(Kelompok = row_number()) %>%
  select(Kelompok, `Kabupaten/Kota`, Variabel)

kable(
  tabel9,
  caption = "Tabel 9. Hasil Uji Signifikansi Parameter GWR",
  align = c("c","l","c")
)

Tabel 9. Hasil Uji Signifikansi Parameter GWR
Kelompok	Kabupaten/Kota	Variabel
1	Cilacap, Banyumas, Purbalingga, Kudus, Jepara, Demak, Pemalang, Tegal, Brebes, Kota Tegal	X₁
2	Grobogan, Blora, Rembang, Pati	X₁, X₂
3	Purworejo, Magelang, Boyolali, Klaten, Semarang, Kota Magelang, Kota Salatiga	X₁, X₂, X₃, X₄
4	Wonogiri, Sragen	X₁, X₂, X₄
5	Pekalongan, Kota Semarang, Kota Pekalongan	X₁, X₃
6	Banjarnegara, Kebumen, Wonosobo, Temanggung, Kendal, Batang	X₁, X₃, X₄
7	Karanganyar	X₁, X₄
8	Sukoharjo, Kota Surakarta	X₄

Berdasarkan hasil pengelompokan parameter signifikan pada Tabel 9, diketahui bahwa setiap kabupaten/kota memiliki kombinasi variabel signifikan yang berbeda. Variabel rata-rata lama sekolah (X₁) signifikan pada seluruh kabupaten/kota di Provinsi Jawa Tengah. Variabel persentase kemiskinan (X₂) signifikan pada 13 kabupaten/kota, yaitu Grobogan, Blora, Rembang, Pati, Purworejo, Magelang, Boyolali, Klaten, Semarang, Kota Magelang, Kota Salatiga, Wonogiri, dan Sragen. Variabel jumlah fasilitas kesehatan (X₃) signifikan pada 16 kabupaten/kota, sedangkan variabel PDRB per kapita (X₄) signifikan pada 20 kabupaten/kota. Perbedaan kombinasi variabel yang signifikan pada setiap wilayah menunjukkan bahwa faktor-faktor yang memengaruhi incidence rate HIV berbeda antar kabupaten/kota.

Hasil tersebut mengindikasikan bahwa hubungan antara variabel independen dan incidence rate HIV tidak bersifat stasioner secara spasial. Temuan ini sejalan dengan konsep dasar Geographically Weighted Regression (GWR) yang dikemukakan oleh Fotheringham et al. (2002), yaitu bahwa hubungan antara variabel respon dan variabel prediktor dapat bervariasi pada setiap lokasi akibat adanya heterogenitas spasial. Oleh karena itu, model GWR mampu menangkap variasi lokal yang tidak dapat dijelaskan oleh model regresi global (OLS), sehingga memberikan informasi yang lebih rinci mengenai faktor-faktor yang memengaruhi incidence rate HIV di setiap kabupaten/kota.

Dari perspektif kebijakan, hasil penelitian menunjukkan bahwa rata-rata lama sekolah merupakan faktor yang secara konsisten berpengaruh terhadap incidence rate HIV di seluruh wilayah Provinsi Jawa Tengah. Sementara itu, persentase kemiskinan, jumlah fasilitas kesehatan, dan PDRB per kapita hanya berpengaruh signifikan pada wilayah-wilayah tertentu. Oleh karena itu, upaya pengendalian HIV sebaiknya tidak menggunakan pendekatan yang seragam untuk seluruh daerah, tetapi disesuaikan dengan karakteristik masing-masing kabupaten/kota. Pendekatan yang berbasis karakteristik lokal diharapkan dapat meningkatkan efektivitas program pencegahan dan pengendalian HIV di Provinsi Jawa Tengah.

Sebagai contoh, persamaan model GWR pada Kota Magelang dapat dituliskan sebagai berikut:

\[ \hat{Y} = -42,8388 +9,8397X_1 +3,1199X_2 -0,7248X_3 +0,5386X_4 \]

Model tersebut menunjukkan bahwa pada Kabupaten Magelang, variabel rata-rata lama sekolah (X₁), persentase kemiskinan (X₂), dan PDRB per kapita (X₄) memiliki pengaruh positif terhadap incidence rate HIV, sedangkan jumlah fasilitas kesehatan (X₃) memiliki pengaruh negatif terhadap incidence rate HIV. Dengan kata lain, peningkatan rata-rata lama sekolah, persentase kemiskinan, dan PDRB per kapita cenderung diikuti oleh peningkatan incidence rate HIV, sedangkan peningkatan jumlah fasilitas kesehatan cenderung diikuti oleh penurunan incidence rate HIV, dengan asumsi variabel lain tetap.

3.4.4. Moran’s I Residual GWR

nb_gwr <- poly2nb(jateng_sp)

listw_gwr <- nb2listw(
  nb_gwr,
  style = "W"
)

jateng_sp$residual_gwr <- model_gwr$SDF$gwr.e

moran_gwr <- moran.test(
  jateng_sp$residual_gwr,
  listw_gwr
)

tabel_moran_gwr <- data.frame(
  'Morans I' = round(as.numeric(moran_gwr$estimate[1]), 4),
  'Expected I' = round(as.numeric(moran_gwr$estimate[2]), 4),
  'Variance' = round(as.numeric(moran_gwr$estimate[3]), 4),
  'p-value' = round(moran_gwr$p.value, 4),
  check.names = FALSE
)

kable(
  tabel_moran_gwr,
  caption = "Tabel 10. Hasil Uji Moran's I Residual Model GWR",
  align = "c"
)

Tabel 10. Hasil Uji Moran’s I Residual Model GWR
Morans I	Expected I	Variance	p-value
0.012	-0.0294	0.013	0.3584

Hasil uji Moran’s I pada residual model GWR menghasilkan nilai Moran’s I sebesar 0,0138 dengan p-value sebesar 0,3584. Karena p-value lebih besar dari 0,05, maka tidak terdapat autokorelasi spasial yang signifikan pada residual model GWR.

3.4.5. Perbandingan OLS dan GWR

Tabel 11. Perbandingan Model OLS dan GWR
Model	R2	AIC
GWR	0.9428	305.1883
Regresi Linear Berganda (OLS)	0.6325	268.4797

Berdasarkan Tabel 11, model GWR memiliki kemampuan yang lebih baik dalam menjelaskan variasi incidence rate HIV dibandingkan model regresi linear berganda (OLS), yang ditunjukkan oleh nilai koefisien determinasi yang lebih tinggi. Meskipun nilai AIC pada model OLS lebih kecil, hasil uji F menunjukkan bahwa model GWR memberikan peningkatan yang signifikan dibandingkan model OLS. Dengan demikian, model GWR lebih sesuai digunakan untuk memodelkan incidence rate HIV di Provinsi Jawa Tengah karena mampu mengakomodasi adanya variasi hubungan antarvariabel pada setiap kabupaten/kota.

3.4.6. Peta Koefisien Lokal

jateng_sp$coef_rls     <- gwr_df$rata_rata_lama_sekolah
jateng_sp$coef_miskin  <- gwr_df$pct_penduduk_miskin
jateng_sp$coef_faskes  <- gwr_df$jumlah_faskes
jateng_sp$coef_pdrb    <- gwr_df$pdrb

p1 <- tm_shape(jateng_sp) +
  tm_polygons(
    fill = "coef_rls",
    fill.scale = tm_scale_continuous(values = "brewer.reds")
  ) +
  tm_title("Koefisien Lokal Rata-rata Lama Sekolah") +
  tm_layout(frame = FALSE)

p2 <- tm_shape(jateng_sp) +
  tm_polygons(
    fill = "coef_miskin",
    fill.scale = tm_scale_continuous(values = "brewer.reds")
  ) +
  tm_title("Koefisien Lokal Persentase Kemiskinan") +
  tm_layout(frame = FALSE)

p3 <- tm_shape(jateng_sp) +
  tm_polygons(
    fill = "coef_faskes",
    fill.scale = tm_scale_continuous(values = "brewer.reds")
  ) +
  tm_title("Koefisien Lokal Jumlah Fasilitas Kesehatan") +
  tm_layout(frame = FALSE)

p4 <- tm_shape(jateng_sp) +
  tm_polygons(
    fill = "coef_pdrb",
    fill.scale = tm_scale_continuous(values = "brewer.reds")
  ) +
  tm_title("Koefisien Lokal PDRB per Kapita") +
  tm_layout(frame = FALSE)

tmap_arrange(
  p1, p2,
  p3, p4,
  ncol = 2,
  nrow = 2
)

Gambar 2. Peta Koefisien Lokal

Berdasarkan peta koefisien lokal hasil Geographically Weighted Regression (GWR), terlihat bahwa pengaruh masing-masing variabel terhadap incidence rate HIV berbeda antarwilayah di Provinsi Jawa Tengah.

Koefisien lokal rata-rata lama sekolah bernilai positif pada seluruh wilayah. Nilai koefisien yang relatif lebih tinggi tampak pada beberapa kabupaten/kota di wilayah tengah hingga timur Provinsi Jawa Tengah, sedangkan wilayah lainnya memiliki koefisien yang relatif lebih rendah. Hal ini menunjukkan bahwa pengaruh rata-rata lama sekolah terhadap incidence rate HIV lebih kuat pada wilayah-wilayah tersebut.

Koefisien lokal persentase kemiskinan juga bernilai positif pada seluruh wilayah. Nilai koefisien terbesar terkonsentrasi pada beberapa kabupaten/kota di bagian tengah hingga selatan Provinsi Jawa Tengah, sedangkan wilayah bagian barat memiliki koefisien yang relatif lebih rendah. Temuan ini menunjukkan bahwa pengaruh persentase kemiskinan terhadap incidence rate HIV berbeda antarwilayah meskipun arah hubungannya tetap positif.

Koefisien lokal jumlah fasilitas kesehatan didominasi oleh nilai negatif pada sebagian besar wilayah, dengan beberapa kabupaten/kota memiliki koefisien yang mendekati nol atau sedikit positif. Nilai koefisien yang lebih negatif banyak dijumpai pada wilayah bagian tengah hingga timur, yang mengindikasikan bahwa peningkatan jumlah fasilitas kesehatan cenderung berkaitan dengan penurunan incidence rate HIV yang lebih kuat pada wilayah tersebut dibandingkan wilayah lainnya.

Koefisien lokal PDRB per kapita menunjukkan variasi spasial yang cukup jelas. Nilai koefisien yang relatif tinggi terkonsentrasi pada beberapa kabupaten/kota di wilayah tengah hingga selatan, sedangkan wilayah lainnya memiliki koefisien yang relatif lebih rendah. Hal ini menunjukkan bahwa pengaruh PDRB per kapita terhadap incidence rate HIV tidak seragam pada seluruh kabupaten/kota di Provinsi Jawa Tengah.

Secara keseluruhan, peta koefisien lokal menunjukkan bahwa besarnya pengaruh rata-rata lama sekolah, persentase kemiskinan, jumlah fasilitas kesehatan, dan PDRB per kapita terhadap incidence rate HIV tidak sama pada setiap kabupaten/kota di Provinsi Jawa Tengah. Hasil ini memperlihatkan bahwa model GWR mampu menggambarkan variasi pengaruh masing-masing variabel secara lokal, sehingga memberikan informasi yang lebih rinci dibandingkan model regresi linear global (OLS).

Implikasi Kebijakan

Hasil penelitian menunjukkan bahwa rata-rata lama sekolah merupakan variabel yang signifikan pada seluruh kabupaten/kota di Provinsi Jawa Tengah. Oleh karena itu, upaya pengendalian HIV tidak hanya perlu dilakukan melalui pendekatan medis, tetapi juga melalui peningkatan kualitas pendidikan masyarakat. Program edukasi mengenai kesehatan reproduksi, pencegahan HIV/AIDS, serta peningkatan literasi kesehatan perlu terus diperkuat, terutama pada kelompok usia produktif dan remaja melalui institusi pendidikan formal maupun nonformal.

Selain itu, persentase kemiskinan, jumlah fasilitas kesehatan, dan PDRB per kapita hanya menunjukkan pengaruh yang signifikan pada wilayah-wilayah tertentu. Temuan ini menunjukkan bahwa faktor sosial ekonomi dan ketersediaan layanan kesehatan memiliki peran yang berbeda pada setiap kabupaten/kota. Oleh karena itu, pemerintah daerah perlu merancang kebijakan yang disesuaikan dengan karakteristik masing-masing wilayah, seperti peningkatan akses layanan kesehatan pada daerah yang masih terbatas, penguatan program penanggulangan kemiskinan, serta pemerataan pembangunan ekonomi sesuai kebutuhan daerah.

Hasil pemetaan koefisien lokal GWR juga menunjukkan bahwa besarnya pengaruh setiap variabel terhadap incidence rate HIV berbeda antarwilayah. Dengan demikian, strategi pengendalian HIV di Provinsi Jawa Tengah sebaiknya tidak menggunakan pendekatan yang seragam untuk seluruh kabupaten/kota. Pendekatan berbasis karakteristik lokal diharapkan dapat meningkatkan efektivitas program pencegahan dan pengendalian HIV sehingga intervensi yang dilakukan menjadi lebih tepat sasaran.

Keterbatasan

Penelitian hanya menggunakan data tahun 2025 sehingga belum dapat menggambarkan dinamika kasus HIV/AIDS dari waktu ke waktu.
Unit analisis yang digunakan adalah kabupaten/kota dengan jumlah observasi sebanyak 35 wilayah, sehingga variasi data yang tersedia relatif terbatas.
Variabel yang digunakan hanya mencakup rata-rata lama sekolah, persentase kemiskinan, jumlah fasilitas kesehatan, PDRB sehingga masih terdapat faktor lain yang berpotensi memengaruhi kasus HIV/AIDS yang belum dimasukkan ke dalam model.
Jumlah kasus HIV berpotensi mengalami underreporting akibat stigma, rendahnya pemanfaatan layanan VCT (Voluntary Counseling and Testing), dan keterbatasan deteksi kasus. Namun, karena data merupakan data resmi yang tersedia, sehingga dianggap dapat menggambarkan pola distribusi HIV antarwilayah.

Kesimpulan

Hasil regresi OLS menunjukkan bahwa rata-rata lama sekolah merupakan satu-satunya variabel yang berpengaruh signifikan terhadap incidence rate HIV di Provinsi Jawa Tengah tahun 2025. Selain itu, hasil pengujian heterogenitas spasial menunjukkan bahwa hubungan antara variabel independen dan incidence rate HIV tidak bersifat konstan pada seluruh wilayah, sehingga pendekatan regresi lokal diperlukan.
Hasil GWR menunjukkan bahwa pengaruh variabel berbeda pada setiap kabupaten/kota. Variabel rata-rata lama sekolah signifikan pada seluruh wilayah, sedangkan persentase kemiskinan, jumlah fasilitas kesehatan, dan PDRB per kapita hanya signifikan pada wilayah-wilayah tertentu. Hasil ini menunjukkan bahwa besarnya pengaruh setiap variabel terhadap incidence rate HIV bervariasi menurut lokasi.
Model GWR memiliki nilai koefisien determinasi (R²) yang lebih tinggi dibandingkan model OLS, sehingga mampu menjelaskan variasi incidence rate HIV dengan lebih baik. Selain itu, hasil uji kesesuaian model menunjukkan bahwa GWR memberikan peningkatan yang signifikan dibandingkan model OLS, sehingga model GWR lebih sesuai digunakan untuk memodelkan incidence rate HIV di Provinsi Jawa Tengah tahun 2025.
Temuan penelitian menunjukkan bahwa rata-rata lama sekolah merupakan faktor yang paling dominan dalam menjelaskan variasi incidence rate HIV antar kabupaten/kota di Provinsi Jawa Tengah tahun 2025. Variabel tersebut berpengaruh signifikan baik pada model OLS maupun GWR, sedangkan pengaruh persentase kemiskinan, jumlah fasilitas kesehatan, dan PDRB per kapita bersifat lokal dan berbeda antarwilayah. Temuan ini mengindikasikan bahwa karakteristik pendidikan serta kondisi sosial ekonomi dan layanan kesehatan perlu dipertimbangkan dalam penyusunan kebijakan pengendalian HIV sesuai dengan karakteristik masing-masing daerah.

Dashboard (Rshiny)

Link Dashboard (Rshiny)

Daftar Pustaka

Badan Pusat Statistik. (2025). Kasus penyakit menurut provinsi dan jenis penyakit, 2025.
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Kasus penyakit menurut kabupaten/kota dan jenis penyakit di Provinsi Jawa Tengah, 2025.
Dinas Kesehatan Provinsi Jawa Tengah. (2024). Profil kesehatan Provinsi Jawa Tengah tahun 2024.
Li, S., & Shan, J. (2022). Adaptive geometric interval classifier. ISPRS International Journal of Geo-Information, 11(8), 430. https://doi.org/10.3390/ijgi11080430
Mandaku, E., Salmid, A., & Apriayanti, Y. (2025). Hubungan kepatuhan terapi antiretroviral dengan kualitas hidup orang dengan HIV/AIDS: Literature review. Medical Nurse Journal (MENU), 2(2), 10–20. https://doi.org/10.65344/menu.v2i2.178
Pregi, L., & Novotný, L. (2025). Spatial autocorrelation methods in identifying migration patterns: Case study of Slovakia. Applied Spatial Analysis and Policy, 18, 12. https://doi.org/10.1007/s12061-024-09615-5
Richards, T. B., Berkowitz, Z., Thomas, C. C., Foster, S. L., Gardner, A., King, J. B., Ledford, K., & Royalty, J. (2010). Choropleth map design for cancer incidence, part 2. Preventing Chronic Disease, 7(1), A24.
Sarma, P., Saikia, J. N., Hussain, A., Borah, U., & Roy, J. S. (2025). Understanding HIV: A review of pathogenesis and therapeutics. Journal of Advances in Biology & Biotechnology, 28(2), 520–525. https://doi.org/10.9734/jabb/2025/v28i22012
Sutrasno, M. A., Yulia, N., Rumana, N. A., & Fannya, P. (2022). Literature review gambaran karakteristik pasien HIV/AIDS di fasilitas pelayanan kesehatan di Indonesia. Jurnal Manajemen Informasi dan Administrasi Kesehatan (JMIAK), 5(1), 50–59. https://doi.org/10.32585/jmiak.v5i1.2159
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Kasus penyakit menurut kabupaten/kota dan jenis penyakit di Provinsi Jawa Tengah, 2023. https://jateng.bps.go.id
Badan Pusat Statistik Kota Surakarta. (2025). Jumlah penduduk menurut kabupaten/kota di Provinsi Jawa Tengah. https://surakartakota.bps.go.id
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Persentase rumah tangga yang memiliki akses terhadap sanitasi layak menurut kabupaten/kota di Provinsi Jawa Tengah. https://jateng.bps.go.id
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Percentage of households with access to improved drinking water by regency/city in Jawa Tengah Province. https://jateng.bps.go.id
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Kemiskinan menurut kabupaten/kota di Provinsi Jawa Tengah. https://jateng.bps.go.id
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Penduduk, laju pertumbuhan penduduk, distribusi persentase penduduk, kepadatan penduduk, rasio jenis kelamin penduduk menurut kabupaten/kota di Provinsi Jawa Tengah, 2024. https://jateng.bps.go.id
Badan Pusat Statistik Provinsi Jawa Tengah. (2025). Indikator strategis: IPM, rata-rata lama sekolah menurut kabupaten/kota di Provinsi Jawa Tengah. https://jateng.bps.go.id
Charlton, M., Fotheringham, A. S., & Brunsdon, C. (2009). Geographically Weighted Regression. National Centre for Geocomputation, National University of Ireland Maynooth.
LeSage, J., & Pace, R. K. (2009). Introduction to Spatial Econometrics. Chapman & Hall/CRC.
Sartika, E., & Suryani, A. (2020). Comparison of geographically weighted regression analysis and global regression on modeling the unemployment rate in West Java. Advances in Engineering Research, 198, 472–478. https://doi.org/10.2991/aer.k.201221.078
Asril, L. O., Rizki, M. I., Nugraha, A., & Taqiyyuddin, T. A. (2021). Geographically weighted regression pada penyebaran penyakit tuberkulosis pada anak di Kota Bandung. Prosiding Seminar Nasional Statistika, 10, 48–55.
Utami, T. W., Rohman, A., & Prahutama, A. (2016). Pemodelan regresi berganda dan geographically weighted regression pada tingkat pengangguran terbuka di Jawa Tengah. Media Statistika, 9(2), 133–147. https://doi.org/10.14710/medstat.9.2.133-147
World Health Organization. (2010). How to integrate water, sanitation and hygiene into HIV programmes. World Health Organization.
Thalia, O. P. (2024). The intersection of HIV and social determinants of health: A comprehensive review. Newport International Journal of Research in Medical Sciences, 5(3). https://doi.org/10.59298/NIJRMS/2024/5.3.5358
UNAIDS. (2024). Global AIDS Update 2024. UNAIDS.
Centers for Disease Control and Prevention. (2025, December 19). Social determinants of health, HIV diagnoses, and selected care outcomes: 2025 update. https://www.cdc.gov/hiv-data/nhss/sdoh-hiv-diagnoses-and-selected-care-outcomes-2025.html
Virdausi, F. D., Efendi, F., Kusumaningrum, T., Adnani, Q. E. S., McKenna, L., Ramadhan, K., & Susanti, I. A. (2022). Socio-Economic and Demographic Factors Associated with Knowledge and Attitude of HIV/AIDS among Women Aged 15–49 Years Old in Indonesia. Healthcare, 10(8), 1545. https://doi.org/10.3390/healthcare10081545
Fauk, N. K., Merry, M. S., Siri, T. A., Mwanri, L., & Ward, P. R. (2021). Structural, Personal and Socioenvironmental Determinants of HIV Transmission among Transgender Women in Indonesia. International Journal of Environmental Research and Public Health, 18(11), 5814. https://doi.org/10.3390/ijerph18115814
Dzinamarira, T., Rwibasira, G., Mwila, L., Moyo, E., Mangoya, D., Moyo, P., Oladele, E., Akinjeji, A., Chimene, M., & Muvunyi, C. M. (2025). Advancing Sustainable HIV Services Through Integration in Primary Healthcare in Sub-Saharan Africa: A Perspective on Practical Recommendations. Healthcare, 13(2), 192. https://doi.org/10.3390/healthcare13020192
Essig, A., Kang, Y., & Sando, M. (2015). The relationship between HIV infection rates and GDP per capita in African countries. Georgia Institute of Technology. https://repository.gatech.edu/server/api/core/bitstreams/6be76a0a-aa48-4070-a84e-4e1d1ed47b0a/content
Landowska, A., & Landowski, M. (2025). Investigating the relationship between nominal GDP and adult HIV/AIDS prevalence using machine learning methods. European Research Studies Journal. https://ersj.eu/journal/4264/download/Investigating%2Bthe%2BRelationship%2BBetween%2BNominal%2BGDP%2Band%2BAdult%2BHIVAIDS%2BPrevalence%2BUsing%2BMachine%2BLearning%2BMethods.pdf
Badan Pusat Statistik Provinsi Jawa Tengah. (2026). [Seri 2010] PDRB per kapita atas dasar harga berlaku menurut kabupaten/kota di Provinsi Jawa Tengah (ribu rupiah) [Tabel statistik]. https://jateng.bps.go.id/id/statistics-table/2/MTc0NiMy/-seri-2010--pdrb-per-kapita-atas-dasar-harga-berlaku-menurut-kabupaten-kota-di-provinsi-jawa-tengah--ribu-rupiah-.html
Badan Pusat Statistik Provinsi Jawa Tengah. (2026). Jumlah rumah sakit umum, rumah sakit khusus, puskesmas, klinik pratama, dan posyandu menurut kabupaten/kota di Provinsi Jawa Tengah, 2022 [Tabel statistik]. https://jateng.bps.go.id/id/statistics-table/3/YmlzemNGUkNVblZLVVhOblREWnZXbkEzWld0eVVUMDkjMw==/jumlah-rumah-sakit-umum--rumah-sakit-khusus--puskesmas--klinik-pratama--dan-posyandu-menurut-kabupaten-kota-di-provinsi-jawa-tengah--2025.html
Joint United Nations Programme on HIV/AIDS. (2022). A framework for understanding and addressing HIV-related inequalities. https://www.unaids.org/sites/default/files/media_asset/framework-understanding-addressing-hiv-related-inequalities_en.pdf
Justin O. Parkhurst. (2010). Understanding the correlations between wealth, poverty and human immunodeficiency virus infection in African countries. Bulletin of the World Health Organization, 88(7), 519–526. https://doi.org/10.2471/BLT.09.070185
Ontario HIV Treatment Network. (2025). Social and structural determinants of health influencing HIV risk and participation across the HIV care cascade. https://www.ohtn.on.ca/rapid-response-social-and-structural-determinants-of-health-influencing-hiv-risk-and-participation-across-the-hiv-care-cascade/
Badan Informasi Geospasial. (2024). Pusat Pemetaan Batas Wilayah (PPBW) [Shapefile]

Analisis Spasial HIV/AIDS Jawa Tengah 2025

Pendahuluan

1.1. Latar Belakang

1.2. Rumusan Masalah

1.3. Tujuan Penelitian

Data dan Metode

2.1. Sumber Data

2.2. Variabel Penelitian

2.3. Metode Analisis

2.3.1. Regresi Linear Global (OLS)

2.3.2. Geographically Weighted Regression (GWR)

2.3.3. Indeks Moran’s I

2.3.4. Pengujian Kesesuaian Model (Goodness of Fit)

2.3.5. Pengujian Parameter Model GWR

2.2.6. Pembobot Spasial

2.2.7. Evaluasi Model

Hasil dan Pembahasan

3.1. Statistik Deskriptif

3.2. Visualisasi Spasial

3.3. Analisis Regresi Linear Global (OLS)

3.4. Geographically Weighted Regression (GWR)

3.4.1. Estimasi Model GWR

3.4.2. Uji Kesesuaian Model

3.4.3. Signifikansi Parameter Lokal

3.4.4. Moran’s I Residual GWR

3.4.5. Perbandingan OLS dan GWR

3.4.6. Peta Koefisien Lokal

Implikasi Kebijakan

Keterbatasan

Kesimpulan

Dashboard (Rshiny)

Daftar Pustaka