1# RECORD 1634612a819bdd7270d89be5b4510548e79897682# TITLE: PEMETAAN HARGA RUMAH DENGAN MENGGUNAKAN MODEL STATISTIK : GEOGRAPHICALLY WEIGHTED REGRESSION3# YEAR: 2023.0 VENUE: Rekayasa DOI: 10.21107/rekayasa.v15i3.218184# AUTHORS: Kukuh Winarso; Achmad Dafid5# PAGES: 5 CANDIDATE TABLE PAGES (1-based): []6# ABSTRACT: the house close to the business center is one of the things that causes house prices to be expensive. Besides that, residential centers based on population density, on the one hand, cause house prices to rise, on the other hand, they cause house prices to fall. This research is based on mapping house prices which are influenced by business centers and residential centers in the city of Surabaya. This house price mapping uses the Geographically Weighted Regression (GWR) method. is a technique that takes the framework from a simple regression model to a weighted regression model.789===== PAGE 1 (score 2, numeric-paren 0, table-words 0, var-words 2) =====1011 12Rekayasa, 2022; 15(3): 398-402 13ISSN: 0216-9495 (Print) 14ISSN: 2502-5325 (Online) 15 16Pemetaan Harga Rumah Dengan Menggunakan Model 17Statistik : Geographically Weighted Regression 18Kukuh Winarso1*, Achmad Dafid1 191Fakultas Teknik Universitas Trunojoyo Madura 20Jl. Raya Telang No 02 Kamal Bangkalan Madura 69162 Jawa Timur 21*kukuhwinarso@trunojoyo.ac.id 22DOI: https://doi.org/10.21107/rekayasa.v15i3.21818 23 24Abstrak 25Penentuan harga rumah di sebagian kota-kota besar di Indonesia dipengaruhi oleh banyak faktor, salah satunya adalah 26lokasi rumah. Lokasi rumah menunjukkan hubungan yang positip dengan harga rumah. Lokasi rumah dekat dengan pusat 27bisnis adalah salah satu hal yang menyebabkan harga rumah menjadi mahal. Disamping itu pusat pemukiman berdasar 28kepadatan penduduk di satu sisi menyebabkan harga rumah menjadi naik pada posisi yang lain menyebabkan harga rumah 29menjadi turun. Penelitian ini berbasis pada pemetaan harga rumah yang dipengaruhi oleh pusat bisnis dan pusat 30pemukiman penduduk dikota Surabaya. Pemetaan Harga rumah ini menggunakan metode Geographically Weighted 31Regression (GWR). adalah suatu teknik yang membawa kerangka dari model regresi sederhana menjadi model regresi 32terboboti. 33 34Kata Kunci : pemetaan, statistik spasial, Geographically Weighted Regression 35Abstract 36The determination of house prices in most big cities in Indonesia is influenced by many factors, one of which is the location of 37the house. Home location shows a positive relationship with house prices. The location of the house close to the business center 38is one of the things that causes house prices to be expensive. Besides that, residential centers based on population density, on 39the one hand, cause house prices to rise, on the other hand, they cause house prices to fall. This research is based on mapping 40house prices which are influenced by business centers and residential centers in the city of Surabaya. This house price mapping 41uses the Geographically Weighted Regression (GWR) method. is a technique that takes the framework from a simple regression 42model to a weighted regression model. 43 44Key words : mapping, spatial statistic, Geographically Weighted Regression 45PENDAHULUAN 46 47Geographically Weighted Regression (GWR) 48adalah metode statistik yang digunakan untuk 49menganalisis heterogenitas spasial. Heterogenitas 50yang dimaksud adalah suatu keadaan pengukuran 51hubungan (Measurement of Relationship) diantara 52variabel berbeda-beda antara lokasi yang satu 53dengan lokasi yang lainnya (Mennis, 2006). 54Heterogenitas 55spasial 56terjadi 57apabila 58satu 59variabel bebas yang sama memberikan respon 60yang tidak sama pada lokasi yang berbeda di 61dalam satu wilayah penelitian (Fotheringham A.S, 62et al, 2002). I n t i penggunaan metode GWR 63adalah menentukan model regresi untuk masing-64masing titik lokasi sehingga model-model regresi 65yang diperoleh akan bersifat unik, yaitu model 66regresi untuk titik yang satu berbeda dengan titik-67titik yang lainnya (Brunsdon, et al, 1999). Metode 68GWR ini diterapkan pada penentuan harga rumah 69di kota Surabaya. 70 71Ide 72dasar 73di 74balik 75GWR 76adalah 77untuk 78mengeksplorasi 79bagaimana 80hubungan 81antara 82variabel dependen (Y) dan satu atau lebih variabel 83independen (Xs) dapat bervariasi secara geografis. 84Alih-alih berasumsi bahwa satu model dapat 85dipasang ke seluruh wilayah studi, model ini 86mencari perbedaan geografis. Ini dapat diartikan 87REKAYASA 88Journal of Science and Technology 89https://journal.trunojoyo.ac.id/rekayasa 90Article History: 91Received: April, 9th 2022; Accepted: December, 10th 2022 92Rekayasa ISSN: 2502-5325 has been Accredited by Ristekdikti 93(Arjuna) Decree: No. 23/E/KPT/2019 August 8th, 2019 94effective until 2023 95Cite this as: 96Winarso, K. & Dafid, A. (2022). Pemetaan Harga Rumah dengan 97Menggunakan 98Model 99Statistik 100Geographically 101Weighted 102Regression. Rekayasa 15 (3). 398-402 pp. 103doi: https://doi.org/10.21107/rekayasa.v15i3.21218. 104© 2022 Winarso 105