Indeks Pembangunan Manusia (IPM) merupakan salah satu ukuran keberhasilan pembangunan. Di Indonesia, IPM digunakan untuk mengukur keberhasilan pemerintah dalam hal pembangunan kesejahteraan manusia. Pada tahun 2021, IPM di Kabupaten/Kota Pulau Kalimantan masih banyak yang lebih rendah dibandingkan dengan rata-rata IPM di Indonesia yaitu 72,29. Oleh karena itu, perlu diketahui faktor-faktor yang memengaruhi IPM di setiap Kabupaten/Kota. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang berpengaruh signifikan dan untuk mengetahui model Geographically Weighted Regression (GWR) dengan menggunakan fungsi pembobot terbaik berdasarkan data Kabupaten/Kota di Pulau Kalimantan. Model GWR bekerja dengan mengestimasi parameter dengan mempertimbangkan lokasi. Hasil penelitian berdasarkan model GWR terbaik yaitu model GWR dengan fungsi pembobot adaptive bi-square kernel diperoleh tujuh kelompok Kabupaten/Kota berdasarkan faktor yang berpengaruh. Kelompok dengan Kabupaten/Kota yang paling banyak dipengaruhi oleh faktor persentase penduduk miskin. Model GWR terbaik memperoleh nilai koefisien determinan (R2) sebesar 62,7%.

Amrizal. (2022). Analisis disparitas dan faktor-faktor yang mempengaruhi indeks pembangunan manusia kabupaten/kota di Provinsi Jambi (model regresi data panel 11 kabupaten/kota tahun 2014-2018. Jurnal Paradigma Ekonomika, 17(2), 235–246. https://doi.org/10.22437/jpe.v17i2.10154

Badan Pusat Statistik. (2022). Indeks pembangunan manusia 2021. Badan Pusat Statisik.

Fortheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression the analysis of spatially varying relationships. John Wiley & Sons Ltd.

Fox, J., Weisberg, S., & Price, B. (2022). CRAN - Package car. CRAN. https://cran.r-project.org/web/packages/car/index.html

Hothorn, T., Zeileis, A., Farebrother, R. W., & Cummins, C. (2022). CRAN - Package lmtest. CRAN. https://cran.r-project.org/web/packages/lmtest/index.html

Kadri, I. A., Susilawati, M., & Sari, K. (2020). Faktor-faktor yang berpengaruh signifikan terhadap indeks pembangunan manusia di Provinsi Papua. Matematika, 9(1), 31–36. https://doi.org/10.24843/MTK.2020.v09.i01.p275

Leung, Y., Mei, C. L., & Zhang, W. X. (2000). Statistical tests for spatial nonstationarity based on the geographically weighted regression model. Environment and Planning A, 32(1), 9–32. https://doi.org/10.1068/a3162

Lu, B., Harris, P., Charlton, M., Brunsdon, C., Nakaya, T., Murakami, D., Gollini, I., Hu, Y., & Evans, F. H. (2022). CRAN - Package GWmodel. CRAN. https://cran.r-project.org/web/packages/GWmodel/index.html

Maulana, A., Meilawati, R., & Widiastuti, V. (2019). Pemodelan indeks pembangunan manusia (IPM) metode baru menurut provinsi tahun 2015 menggunakan geographically weighted regression (GWR). Indonesian Journal of Applied Statistics, 2(1), 21. https://doi.org/10.13057/ijas.v2i1.26170

Melliana, A., & Zain, I. (2013). Analisis statistika faktor-faktor yang memengaruhi indeks pembangunan manusia di kabupaten/kota Provinsi Jawa Timur dengan menggunakan regresi panel. Jurnal Sains Dan Seni Pomits, 2(2), D237–D242. https://doi.org/10.12962/j23373520.v2i2.4844

Putri, F. E., Mukhasar, Baharuddin, Abapihi, B., Ruslan, & Agusrawati. (2022). Pemodelan indeks pembangunan manusia di Indonesia dengan geographically weighted regression (GWR). Jurnal Sains Matematika Dan Statistika, 8(2), 34–49.

Ramadayani, M. R., Indiyah, F. H., & Hadi, I. (2022). Pemodelan geographically weighted regression menggunakan pembobot kernel fixed dan adaptive pada kasus tingkat pengangguran terbuka di Indonesia. JMT : Jurnal Matematika Dan Terapan, 4(1), 51–62. https://doi.org/10.21009/jmt.4.1.5

Ramadhan, F. H. (2018). Analisis faktor-faktor yang memengaruhi indeks pembangunan manusia di Kabupaten Malang. Ekopem: Jurnal Ekonomi Pembangunan, 29.

Safitri, U., & Amaliana, L. (2021). Model geographically weighted regression dengan fungsi pembobot adaptive dan fixed kernel pada kasus kematian ibu di Jawa Timur. Jurnal Statistika Dan Aplikasinya, 5(2), 208–220. https://doi.org/10.21009/JSA.05209

Tizona, A. R., Goejantoro, R., & Wasono. (2017). Pemodelan geographically weighted regression (GWR) dengan fungsi pembobot adaptive kernel bisquare untuk angka kesakitan demam berdarah di Kalimantan Timur Tahun 2015. Jurnal Eksponensial, 8(1), 87–94.

UNDP (United Nations Development Programme). (1990). Human development report 1990. In United Nations Development Programme. Oxford University Press.