Title Pengenalan Dan Pelatihan Analisis Data Spasial Menggunakan Geographically Weighted Logistic Regression (GWR) Kepada Mahasiswa Fakultas Ilmu Komputer Universitas Hang Tuah Pekanbaru
Article Sidebar
Main Article Content
Abstract
Kegiatan Pengabdian kepada Masyarakat (PKM) ini bertujuan untuk meningkatkan pemahaman dan keterampilan mahasiswa dalam melakukan analisis data spasial menggunakan metode Geographically Weighted Logistic Regression (GWR). Pelatihan dilaksanakan di Fakultas Ilmu Komputer Universitas Hang Tuah Pekanbaru dan ditujukan untuk memberikan bekal teknis bagi mahasiswa dalam memahami konsep dasar analisis spasial serta penerapannya pada permasalahan nyata. Kegiatan diawali dengan proses perizinan, penetapan waktu dan tempat, serta persiapan materi dan fasilitas laboratorium. Pelaksanaan pelatihan mencakup penyampaian teori, demonstrasi penggunaan perangkat lunak, dan praktik langsung pengolahan data spasial menggunakan dataset yang telah disediakan. Evaluasi dilakukan melalui penyebaran kuesioner kepuasan peserta dengan skala 1–5. Hasil evaluasi menunjukkan rata-rata skor 4,45, yang menandakan tingkat kepuasan sangat baik dan menunjukkan bahwa kegiatan ini efektif dalam meningkatkan kompetensi peserta. Masukan dari peserta perlunya pendampingan pasca kegiatan agar peserta dapat mengaplikasikan materi secara mandiri dalam penelitian atau tugas akhir. Secara keseluruhan, kegiatan PKM ini memberikan kontribusi nyata dalam memperkaya kemampuan mahasiswa dalam analisis data spasial dan dapat menjadi model pelatihan serupa di masa mendatang.
Article Details
How to Cite
References
Abdul Rohman, M. (2024). Analisis Regresi Geographically Weighted Regression (GWR): Konsep dan Implementasi - Sekolah Statistics, Data and Technical Analytics. https://sekolahstata.com/analisis-regresi-geographically-weighted-regression-gwr-konsep-dan-implementasi/
Amelia, K., Asril, L. O., & Febrianti, L. (2020). Pemodelan Incident Rate Demam Berdarah Dengue Di Indonesia Yang Berkaitan Dengan Faktor Lingkungan Menggunakan Metode Geographically Weighted Regression (GWR). Ekologia: Jurnal Ilmiah Ilmu Dasar Dan Lingkungan Hidup, 20(2), 64–73. https://doi.org/10.33751/EKOLOGIA.V20I2.2167
Astuti, P., Debataraja, N. N., & Sulistianingsih, E. (2018). Analisis Kemiskinan Dengan Pemodelan Geographically Weighted Regression (GWR) Di Provinsi Nusa Tenggara Timur. BIMASTER : Buletin Ilmiah Matematika, Statistika Dan Terapannya, 7(3), 169–176. https://doi.org/10.26418/BBIMST.V7I3.26130
Feng, L., Wang, Y., Zhang, Z., & Du, Q. (2021). Geographically and temporally weighted neural network for winter wheat yield prediction. Remote Sensing of Environment, 262, 112514. https://doi.org/10.1016/J.RSE.2021.112514
Fitria, F., Sutjiningsih, D., & Siswantining, T. (2018). The modelling of ground water quality in urban area based on demographics factor and building coverage ratio by using geographically weighted regression approach (case study in Jakarta, Indonesia). MATEC Web of Conferences, 192, 02034. https://doi.org/10.1051/MATECCONF/201819202034
Koh, E. H., Lee, E., & Lee, K. K. (2020). Application of geographically weighted regression models to predict spatial characteristics of nitrate contamination: Implications for an effective groundwater management strategy. Journal of Environmental Management, 268, 110646. https://doi.org/10.1016/J.JENVMAN.2020.110646
Lin, J. M., & Billa, L. (2021). Spatial prediction of flood-prone areas using geographically weighted regression. Environmental Advances, 6, 100118. https://doi.org/10.1016/J.ENVADV.2021.100118
Monjarás-Vega, N. A., Briones-Herrera, C. I., Vega-Nieva, D. J., Calleros-Flores, E., Corral-Rivas, J. J., López-Serrano, P. M., Pompa-García, M., Rodríguez-Trejo, D. A., Carrillo-Parra, A., González-Cabán, A., Alvarado-Celestino, E., & Jolly, W. M. (2020). Predicting forest fire kernel density at multiple scales with geographically weighted regression in Mexico. Science of The Total Environment, 718, 137313. https://doi.org/10.1016/J.SCITOTENV.2020.137313
Taek, Y., Bekti, R., dan, K. S.-J. S. I., & 2023, undefined. (2023). Penerapan Model Geograpgically Weighted Regression (GWR) Menggunakan Fungsi Pembobot Adaptive Kernel Gaussian Dan. Ejournal.Akprind.Ac.IdY Taek, RD Bekti, K SuryowatiJurnal Statistika Industri Dan Komputasi, 2023•ejournal.Akprind.Ac.Id, 08(2), 84–101. https://ejournal.akprind.ac.id/index.php/STATISTIKA/article/view/4459
Tizona, A. R., Goejantoro, R., & Wasono, W. (2017). Pemodelan Geographically Weighted Regression (Gwr) Dengan Fungsi Pembobot Adaptive Kernel Bisquare Untuk Angka Kesakitan Demam Berdarah di Kalimantan Timur Tahun 2015. EKSPONENSIAL, 8(1), 87–94. https://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/81
Zulkarnain, M. S., & Zulkarnain, M. S. (2025). Analisis Determinan Fenomena Gizi Buruk Di Provinsi Jawa Tengah Tahun 2021 Dengan Metode Geographically Weighted Regression (GWR).