PEMODELAN ROBUST GEOGRAPHICALLY WEIGHTED BINARY LOGISTIC REGRESSION MENGGUNAKAN METODE M-ESTIMATION DENGAN PEMBOBOT ANDREW (Studi Kasus Persentase Penduduk Miskin di Sulawesi Selatan Tahun 2022) = ROBUST MODELING OF GEOGRAPHICALLY WEIGHTED BINARY LOGISTIC REGRESSION USING M-ESTIMATION METHOD WITH ANDREW'S WEIGHTING (Case Study: Percentage of Poor Population in South Sulawesi in 2022)

Model Geographically Weighted Binary Logistic Regression (GWBLR) menggabungkan regresi logistik biner dengan GWR untuk analisis yang lebih mendalam berdasarkan lokasi pengamatan. Penerapan model ini memungkinkan identifikasi faktor-faktor kemiskinan dengan lebih akurat di setiap wilayah, sehingga kebijakan dapat disesuaikan untuk meningkatkan efektivitas pengentasan kemiskinan di Sulawesi Selatan. Dalam menganalisis data dengan menggunakan model GWBLR, terkadang ditemukan adanya outlier yang akan berdampak terhadap hasil estimasi parameter. Metode regresi robust adalah salah satu alternatif dalam mengatasi permasalahan regresi berupa data yang mengandung outlier. Salah satu metode regresi robust yang sering digunakan adalah M-Estimation. Penelitian ini bertujuan untuk mendapatkan model Robust Geographically Weighted Binary Logistic Regression (RGWBLR) menggunakan metode M-Estimation dengan pembobot Andrew yang diaplikasikan pada persentase penduduk miskin di Sulawesi Selatan tahun 2022. Variabel respon yang digunakan pada penelitian ini adalah persentase penduduk miskin dan variabel prediktor meliputi angka melek huruf, rumah tangga miskin yang menerima beras sejahtera (Rastra) atau BPNT, rata-rata lama sekolah, dan umur harapan hidup. Hasil yang diperoleh adalah nilai MSE dari penduga parameter RGWBLR (0.1180) lebih kecil dibandingkan dengan model GWBLR (9.1224). Faktor-faktor yang mempengaruhi persentase penduduk miskin di Provinsi Sulawesi Selatan adalah angka melek huruf dan rata-rata lama sekolah.

Keywords : Andrew, M-Estimation, Persentase Penduduk Miskin, RGWBLR