Pertumbuhan ekonomi suatu daerah dapat dipengaruhi oleh berbagai faktor-faktor seperti tingkat pendidikan, infrastruktrur pendukung, tingkat kesehatan. Faktor-faktor yang mempengaruhi pertumbuhan ekonomi suatu daerah dapat berbeda dengan daerah lain. Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi pertumbuhan ekonomi suatu daerah dan apakah faktor geografis juga mempengaruhi pertumbuhan ekonomi suatu daerah dengan menggunakan model Geographically Weighted Regression (GWR). Model GWR merupakan pengembangan dari model regresi berganda yang ketika asumsi heterogenitas tidak terpenuhi pada model regresi berganda maka dilakukan pembobotan dengan metode Weighted Least Regression (WLS). Pada penelitian ini pembobot yang digunakan adalah lokasi geografis dengan fungsi pembobot fixed kernel gaussian dan adaptive kernel gaussian. Diperoleh model GWR terbaik adalah model GWR dengan fungsi pembobot adaptive kernel gaussian yang ditunjukkan dengan nilai JKG =1,014040e⁺¹⁶,AIC =1270,36, 𝑅²=0,56 dan nilai p sebesar 0,443. Model GWR ini menghasilkan 35 model lokal. Model lokal yang diperoleh dapat dikelompokkan menjadi 5 kelompok berdasarkan variabel-variabel independen yang berpengaruh secara signifikan terhadap variabel dependen

regresi; GWR; pertumbuhan ekonomi

Amelia, K., Asril, L. O., & Febrianti, L. (2020). Pemodelan incident rate deman berdarah dengue di indonesia yang berkaitan dengan faktor lingkungan menggunakan metode geographically weighted regression (GWR). EKOLOGIA, 20(2), 64–73. https://doi.org/10.33751/ekologia.v20i2.2167

BPS Jawa Tengah. (2022). Tabel dinamis. Badan Pusat Statistik Jawa Tengah. https://jateng.bps.go.id/site/pilihdata.html

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographycally weighted regression: The analysis of spatially varying relationship (1st ed.). Wiley.

Grant, C. (2017). The contribution of education to economic growth. K4D helpdesk report.

Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). McGraw-Hill/Irwin.

Lu, B., Charlton, M., Harris, P., & Fotheringham, A. S. (2014). Geographically weighted regression with a non-euclidean distance metric: A case study using hedonic house price data. International Journal of Geographical Information Science, 28(4), 660–681. https://doi.org/10.1080/13658816.2013.865739

Lutfiani, N., Mariani, S., & Sugiman. (2019). Pemodelan geographically weighted regression (GWR) dengan fungsi pembobot kernel gaussian dan bi-square. UNNES Journal of Mathematics, 8(1), 82–91. https://doi.org/10.15294/UJM.V8I1.17103

Maggri, I., & Ispriyanti, D. (2013). Pemodelan data kemiskinan di Provinsi Sumatera Barat dengan metode geographically weighted regression (GWR). Media Statistiks, 6(1), 37–49. https://doi.org/10.14710/MEDSTAT.6.1.37-49

Palei, T. (2015). Assessing the impact of infrastructure on economic growth and global competitiveness. Procedia Economics and Finance, 23(October 2014), 168–175. https://doi.org/10.1016/s2212-5671(15)00322-6

Simplemaps. (2022). Indonesia cities database. https://simplemaps.com/data/id-cities

Weil, D. N. (2014). Health and economic growth. Handbook of Economic Growth, 2, 623–682. https://doi.org/10.1016/B978-0-444-53540-5.00003-3