PENERAPAN METODE RESIDUAL BOOTSTRAP DAN PRINCIPAL MOVING AVERAGE COMPONENT ANALYSIS (SARMA) UNTUK KEMISKINAN DI SUMBAGSEL (PCA) PADA SPATIAL AUTOREGRESSIVE TAHUN 2023

Regresi spasial terdapat dua jenis pengaruh spasial yaitu autokorelasi spasial
yang menggunakan efek dependensi spasial yaitu
Average (SARMA). Salah satu permasalahan yang sering muncul dalam analisis
Spatial Autoregressive Moving
regresi adalah multikolinearitas, yang dapat diatasi menggunakan
Component Analysis (PCA). Permasalahan lainnya adalah pelanggaran asumsi
Principal
seperti normalitas dan homoskedastisitas residual yang dapat diatasi dengan metode
Residual Bootstrap. Penelitian ini bertujuan untuk memodelkan regresi SARMA
residual
dengan menggunakan pendekatan
bootstrap untuk mengestimasi tingkat kemiskinan serta mengidentifikasi
Principal Component Analysis (PCA) dan
faktor-faktor memengaruhi tingkat kemiskinan. Metode yang digunakan adalah
SARMA-PCA Bootstrap. Berdasarkan hasil penelitian, PCA dapat mengatasi
multikolinearitas pada variabel independen dengan menghasilkan dua komponen
utama yaitu ��1
, ��2 dan ��3 yang dapat menjelaskan proporsi keragaman
nilai
variabel awal sebesar 71%. model terbaik SARMA-PCA
���������
2
sebesar 53% dengan AIC sebesar 291,00 serta faktor-faktor yang
Bootstrap menaikkan
faktor utama yang memengaruhi kemiskinan secara signifikan, meskipun
memengaruhi tingkat kemiskinan yaitu faktor pertama ��2 dan ketiga ��3
adalah
��2
signifikan, tidak terdapat variabel dengan loading dominan pada komponen ini.
Sebaliknya, pada ��3 variabel Pemenuhan dan Penempatan Tenaga Kerja �8
.
Kemiskinan
Kata kunci : SARMA, Multikolinearitas, PCA, Residual Bootstrap,