LEMBAR
HASIL PENILAIAN SEJAWAT SEBIDANG ATAU PEER REVIEW
KARYA ILMIAH : Disajikan dalam seminar/simposium/ lokakarya, tetapi tidak dimuat
dalam prosiding yang dipublikasikan
Judul Karya Ilmiah (Artikel) : Aplikasi Metode Spasial Durbin Model (SDM) Untuk Analisis
Faktor Yang Mempengaruhi Pencemaran Udara Di
Kabupaten Bantul, DIY
Nama Penulis : Kris Suryowati, Rokhana Dwi Bekti, dan Khaifa Zulfenia
Jumlah Penulis : 3 (tiga) orang
Status Pengusul : Penulis kedua
Identitas Seminar :
a. Nama : Seminar Nasional Statistika
b. Pelaksanaan : 15 September 2018
c. Alamat Web :
http://repository.akprind.ac.id/sites/files/personal/2018/suryowati_22922.pdf
Kategori Publikasi Prosiding
(beri �pada kategori yang tepat)
Seminar Internasional � Seminar Nasional
Hasil Penilaian Peer Review :
Komponen Yang Dinilai
Nilai Maksimal
Prosiding Seminar Nilai Akhir
Yang
Diperoleh
Internasional
Nasional
a. Kelengkapan dan Kesesuaian unsur isi
prosiding (10%) 0,3 0,3
b. Ruang lingkup dan kedalaman pembahasan
(30%) 0,9 0,8
c. Kecukupan dan kemutahiran data/informasi
dan metodologi (30%) 0,9 0,8
d. Kelengkapan unsur dan kualitas penerbit
(30%) 0,9 0,8
Total = (100%) 3 2,7
Kontribusi Pengusul 13,33% 0,36
√
Komentar
Peer Review
a. Tentang kelengkapan dan kesesuaian unsur:
semua unsur penulisan lengkap dan sesuai
b. Tentang ruang lingkup dan kedalaman pembahasan
ruang lingkup memadai dan dibahas cukup mendalam
c. Kecukupan dan kemutahiran data/informasi dan metodologi
Menggunakan data dan informasi serta metodologi yang cukup
d. Kelengkapan unsur dan kualitas penerbit
Tidak diterbitkan
e. Indikasi plagiasi
Tidak ditemukan indikasi plagiasi
f. Kesesuaian bidang ilmu
Materi sesuai dengan kompetensi bidang ilmu penulis
Yogyakarta, 9 Juni 2020
Reviewer 1
Nama : Drs. Yudi Setyawan, MS., M.Sc.
NIK/NIDN : 02.1262.569.E/ 0517126202
Jabatan fungsional : Lektor Kepala
Unit Kerja : Jurusan Statistika, Fakultas Sains Terapan
Institut Sains & Teknologi AKPRIND
Yogyakarta
Plagiarism Checker X Originality Report
Similarity Found: 7%
Date: Selasa, April 07, 2020
Statistics: 266 words Plagiarized / 3611 Total words
Remarks: Low Plagiarism Detected - Your Document needs Optional Improvement.
-------------------------------------------------------------------------------------------
A-1 APLIKASI METODE SPASIAL DURBIN MODEL (SDM) UNTUK ANALISIS FAKTOR
YANG MEMPENGARUHI PENCEMARAN UDARA DI KABUPATEN BANTUL, DIY Kris
Suryowati1, Rokhana Dwi Bekti2, Khaifa Zulfenia3 1,2,3Jurusan Statistika, Fakultas Sains
Terapan, Institut Sains & Teknologi AKPRIND Yogyakarta e-mail
:[email protected], [email protected], [email protected] ABSTRACT
The continuously increasing population will have an impact on increasing industrial
activities, technological developments and so on, thus impacting on the deterioration of
the quality of health and the environment, especially air.
Bantul Regency in Special Region of Yogyakarta (DIY), which consists of 17 sub-districts,
is an area that continues to grow and has increased population activities. In 2014, 16
sub-districts had been contaminated by air quality. To find out things that can affect air
pollution in the area, this study conducted Spatial Autoregressive Models (SAR).
This method is used as an alternative OLS method that does not meet assumptions
when used in the case of spatial data. The reason for using SAR is because there is an
autocorrelation in air quality among sub-districts. By OLS regression model, a significant
factor influencing is the number of villages according to the type of transportation
infrastructure.
However, this model does not pay attention to the geographical location factor and the
residual assumption that normal distribution is not met. The results of SAR model show
that if the population density is high, transportation infrastructure is high, and the
number of landfills in the hole or burned high then the number of villages polluted. also
high.
A sub-district will have a high number of polluted villages if it is adjacent to other
sub-districts with a high number of polluted villages. However, the variable that has a
sig nninen 5o ir otionis uer f es according to the type of transportation infrastructure.
Keywords : air pollutant, regression analysis, Spatial Autoregressive Model ABSTRAK
Peningkatan jumlah penduduk berdampak pada peningkatan aktifitas industri,
perkembangan teknologi, yang berakibat menurunnya kualitas lingkungan hidup
khususnya udara sehingga dapat menurunkan tingkat kesehatan masyarakat.
Salah satu di Daerah Istimewa Yogyakarta (DIY) yaitu Kabupaten Bantul terdiri dari 17
kecamatan, merupakan daerah yang terus berkembang dan aktifitas penduduk
meningkat juga terdapat alih fungsi lahan, pariwisata juga mengalami peningkatan.
Berdasarkan data bahwa pada tahun 2014, dari 17 kecamatan 16 diantaranya telah
tercemar kualitas udaranya.
Untuk mengetahui hal yang dapat mempengaruhi pencemaran udara di wilayah Bantul,
maka penelitian ini digunakan analisis regresi Spatial Durbin Models (SDM). Metode ini
digunakan sebagai alternatif metode OLS yang tidak memenuhi asumsi ketika
digunakan pada kasus data spasial. Alasan penggunaan SDM dikarenakan kualitas udara
antar wilayah saling berhubungan.
Berdasarkan model regresi dengan metode OLS, faktor yang signifikan berpengaruh
adalah jumlah desa menurut jenis prasarana transportasi, tetapi model ini tidak
memperhatikan faktor lokasi geografis dan asumsi residual tidak terpenuhi distribusi
normal. Melalui model SDM, diperoleh hasil bahwa jika kepadatan penduduk
meningkat, prasarana transportasi meningkat, dan jumlah jenis tempat pembuangan
sampah dalam lubang atau dibakar tinggi maka jumlah desa yang tercemar udara juga
meningkat.
Berkaitan dengan letak geografis sehingga kecamatan yang memiliki jumlah desa
tercemar tinggi maka kecamatan-kecamatan lain yang bertetanggan akan memiliki
jumlah desa tercemar yang tinggi juga. Tetapi, variabel yang memberikan pengaruh
signifikan (a%) pada pencemaran udara adalah variabel jumlah desa menurut jenis
prasarana transportasi.
Kata kunci : pencemaran udara, analisis regresi, Spatial Durbin Model A-2 1.
PENDAHULUAN Menurut Keputusan Menteri Negara Kependudukan dan Lingkungan
Hidup No. 02 tahun 1988, pencemaran udara adalah masuk atau dimasukannya makhluk
hidup, zat, energi dan komponen lain ke udara atau berubahnya tatanan udara oleh
kegiatan manusia atau proses alam sehingga kualitas udara turun hingga ke tingkat
tertentu yang menyebabkan udara menjadi kurang atau tidak dapat berfungsi lagi
sesuai dengan peruntukannya.
Banyak faktor yang menyebabkan meningkatnya potensi pencemaran udara,
diantaranya dapat disebabkan oleh aktivitas manusia seperti yang berasal dari pabrik,
kendaraan bermotor, pembakaran sampah, sisa pertanian dan peristiwa alam seperti
kebakaran hutan, letusan gunung api yang mengeluarkan debu, gas dan awan panas.
Kabupaten Bantul di Daerah Istimewa Yogyakarta (DIY), yang terdiri dari 17 kecamatan,
merupakan daerah yang terus berkembang dan mengalami peningkatkan aktifitas
penduduk. Pertumbuhan penduduk terus meningkat, dimana laju pertumbuhan
penduduknya pada 2000 – 2010 adalah 1,56%.
Sementara itu, dengan luas wilayah 506,85 km2 , kepadatan penduduk Kabupaten
Bantul tahun 2016 adalah 1.940 jiwa per km2 (BPS, 2017). Menurut data Buku Potensi
Desa, pada tahun 2011 terdapat 7 kecamatan yang mengalami pencemaran udara
kemudian pada tahun 2014 meningkat menjadi 16 kecamatan. Menurut data
pemantauan kualitas udara ambient di Kabupaten Bantul sejak tahun 2004 hingga 2015,
parameter Total Suspenden Particulate (TSP) telah melampaui baku mutu yang
dipersyaratkan. Sementara itu, konsentrasi SO2 dan CO di udara ambien juga terus
mengalami peningkatan sejak tahun 2014 hingga 2016.
Peningkatan konsentrasi zat tersebut merupakan salah satu penyebab terjadinya
penurunan kualitas udara. Banyak faktor yang menyebabkan meningkatnya pencemaran
udara di Kabupaten Bantul. Untuk mengetahui faktor-faktor dominan, maka penelitian
ini melakukan analisis statistik regresi spasial.
Analisis regresi spasial merupakan pengembangan dari metode regresi linier klasik
Ordinary Least Square (OLS) berdasarkan hukum Tobler y ang ntaka“ ah gses
nbhubgsatdgayag lainya,tetapsesu nlebdakameuyai engaryanlebdipa u nj Ini berarti
adanya pengaruh tempat atau spasial pada data yang dianalisis. Metode OLS tidak
memperhatikan posisi geografi data yang digunakannya atau tidak memperhatikan
unsur spasial dalam analisisnya.
Dalam permodelan, apabila metode OLS digunakan sebagai alat analisis pada data
spasial, maka dapat menyebabkan kesimpulan yang kurang tepat karena asumsi error
saling bebas dan asumsi homogenitas tidak terpenuhi. Begitu juga pada analisis
pemodelan pencemaran udara. Kualitas udara dan pencemarannya juga sangat
dipengaruhi oleh faktor posisi geografi. Setiap daerah memiliki kondisi geografi dan
pencemaran udara yang berbeda-beda.
Selain itu, pencemaran kualitas udara antar daerah juga dapat saling berhubungan.
Dengan demikian, regresi spasial perlu digunakan. Salah satu jenis model regresi spasial
adalah Spatial Durbin Model (SDM) merupakan penyempurnaan model SAR dengan
memberikan lag pada variabel yang berpengaruh menurut Anselin dan Rey (2010), SDM
adalah model yang mengkombinasikan model SAR dengan lag spasial pada variabel
dependen artinya spasial lag muncul saat nilai observasi variabel dependen pada suatu
lokasi berkorelasi dengan nilai observasi variabel dependen di lokasi sekitarnya.
Beberapa penelitian yang menggunakan metode ini diantaranya Melati dkk A-3 (2016)
serta Bekti, Nurhadiyanti, Irwansyah. (2014). Penelitian yang menggunakan metode
regresi spasial lainnya diantaranya Saputri dan Suryowati (2018), Suryowati, Bekti, dan
Faradila (2018). Penelitian ini menggunakan metode regresi spasial SDM untuk
mendapatkan faktor-faktor yang signifikan mempengaruhi pencemaran udara di
Kabupaten Bantul.
Dengan analisis ini diharapkan dapat memberikan informasi pencemaran udara dari segi
pola dan faktor spasial. 2. METODE PENELITIAN Data yang digunakan dalam penelitian
adalah data sekunder yang didasarkan pada tahun 2014 dengan 17 Kecamatan di
Kabupaten Bantul. Data diperoleh dari Badan Pusat Statistik Kaupaten Bantul.
Variabel yang digunakan dalam penelitian terdiri dari variabel dependen (Y) yang
berupa jumlah desa menurut jenis pencemaran lingkungan yakni pencemaran udara.
Data ini diperoleh dari Buku Statistik Potensi Desa Kabupaten Bantul 2014. Sementara
itu, variabel independen yang terdiri dari kepadatan penduduk (X1), prasarana
transportasi (X2), dan jenis tempat pembuangan sampah (X3).
Kepadatan penduduk didefinisikan sebagai Jumlah penduduk tiap wilayah (km2).
prasarana transportasi didefinisikan sebagai Jumlah desa menurut jenis prasarana
transportasi darat berupa jalan yang dilalui oleh kendaraan. Jenis tempat pembuangan
sampah didefinisikan sebagai Jumlah desa menurut jenis tempat pembuangan sampah
dalam lubang atau dibakar.
Metode analisis yang digunakan adalah regresi Spatial Durbin Model (SDM). Analisis
regresi spasial digunakan untuk mengetahui hubungan antara variabel dependen dan
variabel independen dengan mempertimbangkan keterkaitan antar wilayah dalam artian
memperhitungkan ketergantungan antar pengamatan yang satu dengan pengamatan
yang lain.
Pengamatan yang dikumpulkan bisa berasal dari suatu titik atau area di suatu wilayah
tertentu. Menurut Anselin (2013), LeSage dan Pace (2009) model umum regresi spasial
dapat ditunjukkan pada persamaan sebagai berikut: (1) dengan u ?W 2 e N (0, ? 2I)
Keterangan: y : vektor variabel dependen, ukuran (n x 1) X : matriks variabel independen,
ukuran (n x (k+1)) ß : vektor parameter koefisien regresi, berukuran (k+1) x 1 ? :
parameter koefisien lag variabel dependen ? : parameter koefisien lag pada error u :
vektor error berukuran (n x 1) : vektor error berukuran (n x 1) W1,W2 : Matriks
pembobot, berukuran (n x n) Pa ern 1,jnilai ? ? 0mam enjadi Spatial Autoregressive
Model (SAR) seperti pada persamaan (2) yang mengasumsikan bahwa proses
autoregressive hanya pada variabel dependen y ?W 1 y Xe (2) dan e N(, ? 2I) A-4 Model
SAR dalam bentuk matriks ?? = ?? ?? 1y + ?? ?? + ?? (3) dengan Spasial durbin model
(SDM) merupakan kasus khusus dari SAR yaitu dengan menambahkan pengaruh lag
pada variabel independen sehingga ditambahkan spasial lag pada model.
Pembobotan dilakukan pada variabel independen maupun dependen. Bentuk model
SDM adalah sebagai berikut (Anselin, 1988)& (Rokhana, 2017): (4) Memenihi dan
Estimasi Parameter Spatial Durbin Model Maximum Likelihood Estimation, dengan
persamaan sebagai berikut: (5) dengan (6) Estimasi adalah: dengan Z =[I X W1X] (7)
DenganZ =[I X W1X] (Anselin,1988) 3.
HASIL DAN PEMBAHASAN Gambar 1 berikut menunjukkan karakteristik pencemaran
udara pada tahun 2011 dan 2014. Pada tahun 2011 di Kabupaten Bantul terdapat 7
kecamatan yang memiliki desa tercemar udara. Selanjutnya jumlah desa tercemar
semakin meningkat hingga tahun 2014, dimana terdapat 16 kecamatan yang memiliki
desa tercemar udara.
Secara rata-rata, terdapat 4 desa tercemar udara (mengalamai pencemaran lingkungan
yakni pencemaran udara) di setiap kecamatan. Dengan demikian dari tahun 2011
menjadi 2014 terdapat peningkatan pencemaran udara. Tahun 2011 Tahun 2014
Gambar 1. Peta Tematik Presentase Jumlah Desa Tercemar Tahun 2011 dan 2014 A-5
Selanjutnya Gambar 1 juga menunjukkan pola spasial Kecamatan yang tercemar
menurut Jumlah Desa dengan Jenis Pencemaran Udara di Kabupaten Bantul tahun 2014.
Pengelompokan kelas interal dibagi menjadi 3 yaitu sebagai berikut: 1) Angka 0-3
menunjukkan Kecamatan yang memiliki 0-3 desa tercemar yaitu terdapat di Kecamatan
Pajangan dan Srandakan. 2) Angka 4-5 menunjukkan Kecamatan yang memiliki 4-5 desa
tercemar yaitu terdapat di Kecamatan Sedayu, Kasihan, Sewon, Piyungan, Pleret, Bantul,
Pleret, Jetis, Pandak, Bamanglipuro, Pundong, Sanden dan Kretek 3) Angka 6-8
menunjukkan Kecamatan yang memiliki 6-8 desa tercemar yaitu terdapat di Kecamatan
Banguntapan, Imogiri dan Dlingo Menurut pola spasial, dapat diketahui bahwa
Kecamatan dengan banyak desa tercemar adalah saling mengelompok dan berdekatan,
sebagai contoh adalah Kecamatan Imogiri dan Dlingo. Sementara itu, Kecamatan yang
berada di wilayah timur lebih memiliki banyak desa tercemar dibandingkan dengan
wilayah lainnya. Gambar 2.
Pola spasial Jumlah Desa Menurut Jenis Pencemaran Udara Gambaran pola spasial
variabel independen juga dapat dilihat di Gambar 3. Kecamatan yang memiliki
kepadatan penduduk tinggi terletak pada kelas interval 3.388-4.755 jiwa/km2 yaitu
berada pada kecamatan Kasihan, Sewon dan Banguntapan. Ketiga kecamatan
cenderung mengelompok dan berada Kab. Bantul bagian utara.
Kecamatan dengan jumlah desa yang memiliki banyak prasarana transportasi, yaitu
yang berupa berupa jalan yang dilalui oleh kendaraan, berada pada kelas interval 7-8
desa yaitu terdapat di Kecamatan Banguntapan dan Imogiri. Kecamatan yang memiliki
banyak desa menurut jenis tempat pembuangan sampah dalam lubang atau dibakar
terletak pada kelas interval 7-8 yaitu berada di Kecamatan Imogiri.
A-6 Kepadatan Penduduk Prasarana Transportasi Jenis Pembuangan Sampah Gambar 3.
Pola spasial Kepdatan Penduduk, Prasarana Transportasi, dan Jenis Pembuangan
Sampah. 3.1 Pemodelan Regresi Metode Ordinary Least Square (OLS) Pada gambar pola
spasial menunjukkan adanya indikasi pengaruh spasial antara kecamatan yang satu
dengan lainnya.
Dengan demikian, perlu juga dibuktikan dengan melakukan pengujian efek spasial guna
mengetahui apakah terdapat keterkaitan antar Kecamatan di Kabupaten Bantul. Namun
demikian, sebelum dilakukan pemodelan spasial terlebih dahulu melakukan pemodelan
regresi dengan metode OLS serta menguji asumsi residual normalitas, multikolinearitas,
heteroskedastisitas dan autokorelasi Estimasi parameter model regresi metode Ordinary
Least Square (OLS) yang tidak melibatkan efek spasial disajikan di Tabel 1.
Tabel 1. Output Regresi Metode OLS Variabel ? P - value Konstanta - 1,0620 0,7795 -
1,362 0,1962 0,0002 0,0003 0,890 0,3898 0,8777 0,3409 2,574 0,0231 * 0,2405 0,3837 0,6
27 0,5415 A-7 R-Square = 0,8756 P-value = Berdasarkan tabel 1 diperoleh estimasi
pemodelan regresi OLS sebagai berikut: (8) Secara umum, model dapat
diinterpretasikan bahwa jika kepadatan penduduk (X1) di Kabupaten Bantul naik sebesar
10.000 jiwa/km2 maka jumlah desa yang tercemar di Kabupaten Bantul naik sebesar 2
desa.
Jika jumlah desa menurut jenis prasarana transportasi darat berupa jalan (X2) naik
sebesar satu jenis prasarana transportasi maka dapat jumlah desa yang tercemar di
Kabupaten Bantul naik sebesar 0,8777 desa. Jika jumlah desa menurut jenis tempat
pembuangan sampah dalam lubang atau dibakar (X3) naik sebesar satu jenis tempat
pembuangan sampah dalam lubang atau dibakar maka jumlah desa yang tercemar
Kabupaten Bantul naik sebesar 0,2405 desa.
Model regresi OLS yang terbentuk mempunyai nilai R2 sebesar 0,8756 atau 87,56% yang
berarti ketiga variabel independen penelitian dapat menjelaskan pencemaran udara di
Kabupaten Bantul sebesar 87,56% sedangkan sisanya sebesar 12,44% dijelaskan oleh
variabel lain diluar model. Hasil pengujian asumsi klasik pada model regresi OLS
dilakukan dengan uji Shapiro Wilks, Uji Durbin Watson, nilai VIF, dan Breusch-Pagan.
Hasil pengujian menunnjukkan bahwa asumsi yang terpenuhi adalah residual
independen, identik, dan tidak terjadi multikolinearitas. Sementara itu, asumsi residual
berdistribusi normal tidak terpenuhi. Melalui pengujian pengujian signifikansi parameter
menggunakan uji t diperoleh kesimpulan bahwa terdapat satu variabel penelitian
signifikan pada taraf a =5%, yakni variabel jumlah desa menurut jenis prasarana
transportasi darat (X2).
Sedangkan kepadatan penduduk (X1) dan jumlah desa menurut jenis tempat
pembuangan sampah dalam lubang/dibakar (X2) tersebut tidak signifikan berpengaruh.
3.2 Uji Efek Spasial Uji efek spasial dilakukan dengan 2 uji yaitu uji Laan lier( an rI nuruj
LM di Tabel 2, dapat disimpulkan bahwa tidak terdapat dependensi spasial dalam lag
maupun error.
Sedangkan hasil i rIdTel 3 memberikan kesimpulan bahwa ada autokorelasi spasial yang
signifikan pada a=5dvarel adpudk terapketern addkepatan udk i up Bantul. Sementara
itu, variabel dependen dan independen yang lain tidak memiliki autokorelasi spasial.
Namun demikian, berdasarkan perbandingan nEI an rn’I apdhbwanilaiMoanIpa variabel
dependen (Y) dan jenis tempat pembuanangan sampah (X3) lebih besar dari E(I).
Hal ini menunjukkan ada pola mengelompok antar lokasi pada variabel tersebut. Tabel
2. Output Lagrange Multiplier No Uji dependensi spasial Nilai P-value 1 Lagrange
Multiplier lag 0,022 0,882 2 Lagrange Multiplier error 0,004 0,948 A-8 Ta.Hsil Ujons’
Variabel Moans’I E(I) p-value Y 0,0760 -0,0625 0,3626 X1 0,2350 -0,0625 0,04162 * X2
-0,2502 -0,0625 0,7958 X3 0,0314 -0,0625 0,4948 3.3
Hasil Spatial Durbin Model (SDM) Pada penelitian ini diawali pemodelan spasial SAR,
selanjutnya untuk model SDM merupakan pengembangan model lag vareabel bebas
dan tidak bebas karena model SDM merupakan pengembangan model sar yaitu
melibatkan lag digunakan sebab pada Asumsi pengujian regresi metode OLS terdapat
asumsi yang tidak dipenuhi yaitu distribusi normal residual yang tidak terpenuhi.
Selanjutnya hasil estimasi model SAR disajikan di Tabel 4.
Model yang didapatkan adalah (9) Tabel 4. Estimasi Parameter Model SAR Variabel
Koefisien Std.error Pr(|Z|) Konstanta -1,1021 0,9855 -1,1183 0,2634 X1 0,0002 0,0002
1,0224 0,3066 X 2 0,8781 0,2984 2,9421 0,0033* X 3 0,239 8 0,3358 0,7141 0,4751 0,0094
0,1674 0,0651 0,9553 AIC = 46,55 Dari model dapat diinterpretasikan bahwa jika
kepadatan penduduk tinggi, prasarana transportasi tinggi, dan jumlah jenis tempat
pembuangan sampah dalam lubang atau dibakar tinggi maka jum lah desa tercemar
udara juga tinggi.
Koefisien ? menunjukkan spasial lag variabel jumlah desa tercemar, memiliki nilai
estimasinya adalah 0,0094. Angka ini menunjukkan bahwa kecamatan yang
bertetanggan dengan kecamatan lain yang memiliki jumlah desa tercemar tinggi maka
akan memiliki jumlah desa tercemar yang tinggi. Pada uji signifikansi parameter dn 5%,
variabel independen yang memberikan pengaruh adalah variabel jumlah desa menurut
jenis prasarana transportasi (X2).
Setelah dilakukan uji efek spasial SAR diperoleh kesimpulan bahwa tidak terdapat
autokorelasi spasial pada lag sehingga dilakukan pengujian menggunakan model SDM
yang bertujuan untuk mendapatkan hasil adanya efek spasial lag pada variabel
dependen dan independen. Hasil perhitungan berdasarkan output untuk model SDM ,
maka hasil perhitungan parameter diperoleh pada tabel 5 berikut A-9 Tabel 5 Hasil
perhitungan parameter model SDM Parameter Estimate (intercept) 1,9903 1,3535 1,4705
0,1414 0,0004 0,0001 2,9378 0,0033* 1,1694 0,2147 5,4459 * -0,1721 0,2479 -0,6944
0,4874 -0,0021 0,0005 -4,4604 * 1,5129 0,4733 3,1962 0,0013* -0,9838 0,5682 -1,7316
0,0833 -0,3626 0,2777 -1,3057 0,19164 AIC = 33,058 *) signifikan pa da Persamaan
modelnya adalah sebagai berikut, N i l a i e s t ima si pa rame t e r , , menunjukkan
koefisien regresi non spasial dan nilai estimasi parameter , , menunjukkan parameter lag
spasial pada variabel independen. Nilai estimasi parameter ? menunjukkan pengaruh
spasial lag variabel dependen.
Estimasi parameter ? bernilai -0,3626 dan koefisien parameter bernilai negatif
menunjukkan bahwa suatu Kecamatan akan memiliki jumlah desa yang tercemar yang
rendah jika berdekatan dengan Kecamatan yang memiliki jumlah desa tercemar tinggi.
Estimasi parameter bernilai 0,0004 dan nilai estimasi parameter bernilai -0,0021.
Koefisien parameter lag kepadatan penduduk bernilai negatif, menunjukkan bahwa
Kecamatan yang kepadatan penduduknya rendah dan bersebelahan dengan Kecamatan
yang kepadatan penduduknya rendah akan memiliki kecamatan dengan jumlah desa
yang tercemar tinggi.Sehingga hal ini menunjukkan jika kepadatan penduduk menurun
maka Kecamatan dengan jumlah desa yang tercemar akan meningkat.
Estimasi parameter bernilai 1,1694 dan nilai estimasi parameter bernilai 1,5129. Koefisien
parameter lag jumlah desa menurut prasarana transportasi bernilai positif, menunjukkan
bahwa Kecamatan yang memiliki jumlah desa menurut prasarana transportasi tinggi dan
bersebelahan dengan Kecamatan yang memiliki jumlah desa menurut prasarana
transportasi tinggi akan memiliki kecamatan dengan jumlah desa yang tercemar tinggi
juga.
Sehingga hal ini menunjukkan jika Kecamatan yang memiliki jumlah desa menurut
prasarana transportasi tinggi maka akan meningkatkan jumlah desa yang tercemar.
Estimasi parameter bernilai -0,1721 dan nilai estimasi parameter bernilai -0,9838.
Koefisien parameter lag jenis tempat pembuangan sampah dalam lubang atau dibakar
bernilai negatif, menunjukkan bahwa Kecamatan yang memiliki jumlah desa menurut
jenis tempat pembuangan sampah dalam lubang atau dibakar rendah dan bersebelahan
dengan Kecamatan yang memiliki jumlah desa menurut jenis tempat pembuangan A-10
sampah dalam lubang atau dibakar rendah juga.
Sehingga hal ini menunjukkan jika Kecamatan yang memiliki jumlah desa menurut
prasarana transportasi rendah maka jumlah desa yang tercemar akan meningkat.
Berdasarkan uji residual dengan menggunakan uji Shapiro Wilk atau nilai p-value
sehingga diperoleh dan artinya residual berdistribusi normal. Selanjutnya dilakukan uji
signifikansi parameter model SDM.
Dari tabel 5 dengan taraf signifikansi variabel yang memberikan pengaruh pada
pencemaran udara adalah variabel kepadatan penduduk ditunjukkan nilai dan .
Kemudian variabel jumlah desa menurut jenis prasarana transportasi darat ( ) yang
ditunjukkan olehnilai dan maka ditolak. Selanjutnya variabel jumlah desa menurut jenis
tempat pembuangan sampah dalam lubang atau dibakar ditunjukkan oleh nilai dan
maka tidak ditolak.
Kemudian variabel lag kepadatan penduduk yang ditunjukkan olehnilai dan p-value
variabel lag kepadatan penduduk maka ditolak. Dan variabel lag jumlah desa menurut
jenis prasarana transportasi darat yang ditunjukkan olehnilai p-value variabel lag jumlah
desa menurut jenis prasarana transportasi darat = maka ditolak. Selanjutnya dilakukan
estimasi parameter kembali menggunakan variabel yang signifikan.
Hasil untuk masing-masing parameter signifikan dapat dilihat pada tabel 6 berikut:
Tabel 6 Output Spatial Durbin Model untuk vareabe sifnifikan Parameter (intercept)
0,0102 0,7469 0,0137 0,9890 0,0004 0,0001 3,8784 0,0001 * 1,0320 0,0642 16,0633 *
-0,0015 0,0005 -5,5194 * 1,0574 0,0002 3,3537 0,0007 * -0,6608 0,2577 -2,5647 0,0103*
AIC = 33,058 *) signifikan pada Setelah diperoleh estimasi parameter model SDM yang
signifikan adalah maka didapatkan model : Sehingga dapat disimpulkan adanya
pengaruh variabelkepadatan penduduk, jumlah desa menurut jenis prasarana
transportasi, lag kepadatan penduduk, lag jumlah desa menurut jenis prasarana
transportasi, dan lag variabel dependen terhadap jumlah desa yang tercemar. Dengan
kata lain terdapat pengaruh spasial lag variabel A-11 dependen dan independen. 4.
KESIMPULAN Kejadian pencemaran udara di Kabupaten Bantul mengalami peningkatan
dari tahun 2011 ke tahun 2014., yang menunjukkan bahwa kualitas udara di wilayah
tersebut kurang baik dan perlu diketahui faktor-faktor yang mempengaruhinya. Melalui
model regresi OLS, faktor yang signifikan berpengaruh adalah jumlah desa menurut
jenis prasarana transportasi, tetapi model ini memiliki kelemahan yaitu tidak
memperhatikan faktor spasial atau lokasi geografis dan asumsi residual tidak terpenuhi
distribusi normal.
Melalui identifikasi pola spasial sehingga dapat diketahui bahwa terdapat pengaruh /
efek spasial pada kasus penelitian, yaitu adanya pola mengelompok pada data jumlah
desa tercemar udara di setiap kecamatan serta terdapat keterkaitan kepadatan
penduduk antar kecamatan. Dengan demikian, sebagai alternatif OLS adalah model
regresi Spatial Durbin Model (SDM).
Melalui model ini didapatkan hasil bahwa jika kepadatan penduduk tinggi, prasarana
transportasi tinggi, dan jumlah jenis tempat pembuangan sampah dalam lubang atau
dibakar tinggi maka jumlah desa tercemar udara juga tinggi. Suatu kecamatan akan
memiliki jumlah desa tercemar tinggi jika bertetanggaan dengan kecamatan-kecamatan
lain dengan jumlah desa tercemar tinggi pula.
Tetapi vareabel yang memberikan pengaruh signifikan pada pencemaran udara yaitu
kepadatan penduduk, jumlah desa menurut jenis prasarana transportasi, lag kepadatan
penduduk, lag jumlah desa menurut jenis prasarana transportasi. UCAPAN TERIMA
KASIH Penelitian ini merupakan bagian dari Hibah Penelitian Kerjasama antar Perguruan
Tinggi (PKPT) dari Kemenristek Dikti Pendanaan tahun 2018.
Terimakasih kami ucapkan kepada Kemenristek Dikti atas dana yang diberikan, kepada
IST AKPRIND Yogyakarta yang telah memberikan sarana dan prasarana penelitian, serta
Jurusan Statistika dan Teknik Lingkungan Universitas Islam Indonesia (UII) sebagai Tim
Peneliti Mitra (TPM). DAFTAR PUSTAKA Anselin, L. (2013). Spatial econometrics: methods
and models(Vol. 4). Springer Science & Business Media. Anselin, L&S.J. Rey, 2010.
Perspectives on Spatial Data Analysis.
Santa Barbara,C, USA. Bekti RD. (2011). Spatial Durbin Model (SDM) Untuk Mengetahui
Faktor-Faktor Yang Berpengaruh Terhadap Kejadian Diare di Kabupaten Tuban.Jurnal
diterbitkanSurabaya. Institut Teknologi Sepuluh Nopember. Bekti, R. D., Nurhadiyanti, G.,
& Irwansyah, E. (2014, October). Spatial pattern of diarrhea based on regional economic
and environment by spatial autoregressive model. In AIP Conference Proceedings (Vol.
1621, No. 1, pp. 454-461).
AIP. LeSage, J., & Pace, R. K. (2009). Introduction to spatial econometrics. Chapman and
Hall/CRC Melati, P. M., Ramadhan, F., Nasution, A. Y., Mahardia, N. F. R., Setyaningsih, P.
E., & Beksti, R. D. (2016). Model Regresi Spasial Untuk Analisis Persentase Penduduk
Miskin di Propinsi Nanggroe Aceh Darussalam. Jurnal Statistika Industri dan Komputasi,
1(1). Saputri, W. A. K., & Suryowati, K. (2018).
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI GINI RATIO DI PROVINSI PAPUA
DENGAN MODEL SPASIAL DATA PANEL. Jurnal Statistika Industri dan Komputasi, 3(2).
Suryowati, K., Bekti, R. D., & Faradila, A. (2018, April). A Comparison of Weights Matrices
on Computation of A-12 Dengue Spatial Autocorrelation. In IOP Conference Series:
Materials Science and Engineering (Vol. 335, No. 1, p. 012052). IOP Publishing.
-------------------, 2017.
Kabupaten Bantul dalam Angka 2017. Jakarta : BPS ------------------,2017, Statistika
Potensi Desa Kab. Bantul, BPS, Jakarta
INTERNET SOURCES:
-------------------------------------------------------------------------------------------
3% - https://snast.akprind.ac.id/ocs236/index.php/snast/2018/paper/viewPaper/395
<1% -
https://puskesmastaman.blogspot.com/2014/01/kegiatan-penyehatan-lingkungan-dala
m.html
<1% -
http://repository.usu.ac.id/bitstream/handle/123456789/1001/hutan-edi%20batara13.pd
f;sequence=1
<1% - https://tl3201.wordpress.com/2015/02/27/sumber-sumber-pencemar-udara/
<1% -
https://ejournal.undip.ac.id/index.php/media_statistika/article/download/9200/7433
<1% - http://eprints.unm.ac.id/11159/1/PAPER%20AFIF%20ARIF.pdf
<1% - https://ojs.unm.ac.id/pinisi/article/download/7638/4408
1% - http://oaji.net/articles/2015/2656-1449686101.pdf
<1% -
https://diperpautkan.bantulkab.go.id/filestorage/dokumen/2017/08/peraturan-daerah-2
016-11%20ttg%20RPJMD.pdf
<1% -
https://edoc.pub/buku-panduan-penelitian-dan-pengabdian-edisi-xii-tahun-2018pdf-p
df-free.html
<1% -
https://en.wikibooks.org/wiki/Transportation_Geography_and_Network_Science/Spatial_
Econometrics
<1% -
https://www.researchgate.net/publication/268344191_Spatial_pattern_of_diarrhea_based
_on_regional_economic_and_environment_by_spatial_autoregressive_model
<1% - https://www.science.gov/topicpages/s/spatial+weighting+functions.html
<1% - https://iopscience.iop.org/journal/1757-899X