Pemodelan Eigenvector Spatial Filtering dan Random Effect Eigenvector Spatial Filtering pada data Tingkat Pengangguran Terbuka di Sulawesi Selatan

Latar Belakang. Autokorelasi spasial merupakan keterkaitan atau ketergantungan antara suatu lokasi dengan lokasi-lokasi disekitarnya. Masalah autokorelasi spasial dalam analisis regresi spasial dapat di atasi dengan pendekatan spatial filtering yang memanfaatkan eigenvektor dari matriks pemobobot spasial. Pendekatan spatial filtering dapat digunakan dengan dua metode yaitu Eigenvector Spatial Filtering (ESF) dan Random Effect Eigenvector Spatial Filtering (RE-ESF). Eigenvektor yang digunakan dalam model regresi spasial dapat mengidentifikasi pola spasial yang dominan dalam data. Oleh karena itu, dilakukan pemodelan ESF dan RE-ESF untuk mengidentifikasi faktor-faktor yang mempengaruhi Tingkat Pengangguran Terbuka (TPT) di Provinsi Sulawesi Selatan pada Tahun 2022. Tujuan. Penelitian ini bertujuan untuk mendapatkan model terbaik antara Eigenvector Spatial Filtering dan Random Effect Eigenvector Spatial Filtering pada data Tingkat Pengangguran Terbuka di Provinsi Sulawesi Selatan pada Tahun 2022. Metode. Penelitian ini dilakukan dengan dua metode estimasi yang berbeda yaitu Maximum Likelihood Estimation (MLE) untuk ESF dan Restricted Maximum Likelihood Estimation (REML) untuk RE-ESF. Hasil. Model ESF dengan metode estimasi MLE dapat menjelaskan Tingkat Pengangguran Terbuka di Sulawesi Selatan pada Tahun 2022 sebesar 80,84%, dengan nilai AIC sebesar 78,1573. Sementara itu, model RE-ESF yang menggunakan metode estimasi REML mampu menjelaskan Tingkat Pengangguran Terbuka di Sulawesi Selatan pada Tahun 2022 sebesar 81,37%, dengan nilai AIC sebesar 76,2670. Kesimpulan. Model terbaik untuk mengidentifikasi faktor-faktor yang mempengaruhi Tingkat Pengangguran Terbuka di Sulawesi Selatan pada Tahun 2022 adalah Random Effect Eigenvector Spatial Filtering dengan metode estimasi Restricted Maximum Likelihood Estimation.