pemodelan penduduk miskin di propinsi jawa timur dengan...

SEMINAR HASIL TUGAS AKHIR

Pemodelan Penduduk Miskin di Propinsi Jawa Timur Dengan Menggunakan Metode

Geographically Weighted Regression

Oleh : Yuanita Damayanti 1311 105 010

Pembimbing: Dr. Vita Ratnasari S.Si, M.Si

JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2013

Surabaya, 9 Juli 2013

2



PENDAHULUAN

3

Perekonomian

Dibawah Garis Kemiskinan

Jumlah Penduduk 41.437.769 jiwa Luas Wilayah 47.799,75 Km2

Latar Belakang

Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah

3 Geographically Weighted Regression

Tahun

Jumlah Penduduk

Miskin

(Juta Jiwa)

Persentase

Penduduk

Miskin Tahun

Jumlah Penduduk

Miskin

(Juta Jiwa)

Persentase

Penduduk

Miskin

Kota+Desa Kota+Desa Kota+Desa Kota+Desa

1976 54,2 40,1 2002 38,40 18,20

1996 22,5 11,3 2003 37,30 17,42

1998 49,5 24,23 2004 36,10 16,66

1999 47,97 23,43 2005 35,10 15,97

2000 38,70 19,14 2006 39,30 17,75

2001 37,90 18,41

Menurun Krisis Ekonomi dan Krisis Sosial Politik

Menurun


PENDAHULUAN Latar

Belakang Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah


14,40 juta jiwa

4,20 juta jiwa

Penelitian-penelitian Sebelumnya

Yasin (2011) Mixed Geographically Weighted Regression (MGWR) • Pemodelan persentase rumah tangga miskin berdasarkan variabel ketertinggalan suatu desa/kelurahan di Kabupaten Mojokerto tahun 2008

Mardiana 2012 Penelitian Korelatif

• Faktor penyebab kemiskinan, kondisi kemiskinan di Indonesia, dan cara menanggulangi masalah kemiskinan di Indonesia

Model Geographically Weighted Regression (GWR ) dalam analisis faktor-faktor yang diduga mempengaruhi penduduk miskin pada

Kabupaten/Kota di Jawa Timur


PENDAHULUAN Latar

Belakang Rumusan Masalah

Tujuan Penelitian

Manfaat Penelitian

Batasan Masalah


6


PENDAHULUAN Latar Belakang Rumusan

Masalah Tujuan

Penelitian Manfaat

Penelitian Batasan Masalah

Bagaimana karakteristik penduduk miskin dan faktor yang berpengaruh di Propinsi Jawa Timur ?

1

Bagaimana pemodelan penduduk miskin dan faktor yang berpengaruh di Propinsi Jawa Timur dengan pemodelan GWR?

2

Bagaimana pemapingan persentase penduduk miskin dan faktor yang mempengaruhinya dengan model GWR ?

3 6


7



Masalah Tujuan

Penelitian Manfaat


7

Mengetahui karakteristik penduduk miskin dan faktor yang berpengaruh di Propinsi Jawa Timur.

1

Mendapatkan pemodelan regresi penduduk miskin dan faktor yang mempengaruhinya di Propinsi Jawa Timur dengan metode GWR.

2

Mengetahui peta persebaran persentase penduduk miskin dan faktor yang mempengaruhinya dengan model GWR.

3 7


8



Masalah Tujuan

Penelitian Manfaat


Memberikan informasi akurat dan lebih terperinci mengenai apa saja faktor-faktor yang mempengaruhi penduduk miskin di Propinsi Jawa Timur, sehingga dapat membatu pemerintah Jawa Timur dalam menentukan kebijakan program untuk mengentas kemiskinan dengan program bantuan pemerintah.




Masalah Tujuan

Penelitian Manfaat


Data yang digunakan pada penelitian ini adalah data profil hasil olahan Survei Sosial Ekonomi Nasional (SUSENAS) tentang kemiskinan di Kabupaten/Kota Propinsi Jawa Timur tahun 2010 pada studi tentang faktor-faktor yang mempengaruhi penduduk miskin dengan Metode Geographically Weighted Regression (GWR).

9



TINJAUAN PUSTAKA

Analisis Regresi Linier

Metode regresi linier merupakan metode yang memodelkan hubungan antara variabel respon (y) dan variabel prediktor (X). Estimasi parameter dengan Ordinary Least Square (OLS) (Draper & Smith, 1981):

01

p

i k ik ik

y xβ β ε=

= + +∑

( )ˆ T T−=

1β X X X y

10


Analisis Regresi Linier Uji Serentak

Hipotesis yang digunakan setelah melakukan pengujian sebagai berikut

H0 : β1 = β2 = ...=βp =0 H1 : Minimal ada satu βk≠0 ; k = 1,

2, ..., p Statistik Uji : Daerah Tolak: tolak H-0 jika Fhit >

F(α;p,n-1p-1) atau jika p-value- < α.

Uji Parsial

H0 : βk = 0 H1 : βk ≠0 ; k = 1,2,...,p Statistik Uji yang digunakan Tolak H0 atau jika nilai |thit| >

tα/2;n – p – 1 atau p-value > α

)ˆ( k

k

SEt

ββ

=

SEMINAR PROPOSAL TUGAS AKHIR

TINJAUAN PUSTAKA SEMINAR HASIL TUGAS AKHIR

TINJAUAN PUSTAKA

11


∑

∑

=

=

+−−

−= n

iii

n

ii

hit

pnyy

pyyF

1

2

1

2

)1(/)ˆˆ(

/)ˆ(

12

Analisis Regresi Linier

Pengujian Asumsi

Asumsi Residual Identik

Asumsi Residual Independen

Asumsi Residual Berdistribusi Normal

Asumsi Multicolinearity

Varians Inflation Factor (VIF) yang tinggi ( )

kkk

kk rVIF == 2

ˆvarσβ



TINJAUAN PUSTAKA

12


13

Aspek Data Spasial



TINJAUAN PUSTAKA

13


Uji Dependensi Spasial

spasial) dependensi (ada 0 Hspasial) dependensi ada(tidak 0H

1

0

≠===

II

Statistik Uji : )()(

IVIEIzi

−=

Tolak H0 jika zi > zα/2

Uji Heterogeniti Spasial

)dastisitas(heteroske satu ada minimal:H

stisitas)(homoskeda :H

22

i1

222

2

2

10

σσ

σσσσ

≠

==== n

1Statistik Uji : (1 / 2) ( )T T TBP f Z Z Z Z f−=

2pDaerah Tolak : Tolak jika BP >χ atau p_value < α

Tolak H0 jika zi > zα/2

Model Geographically Weighted Regression (GWR)

Setiap parameter dihitung pada setiap lokasi pengamatan, sehingga setiap lokasi mempunyai parameter regresi yang berbeda-beda

( ) ( )01

, , ; i = 1, 2, ... np

i i i k i i ik ik

y u v u v xβ β ε=

= + +∑

( ) ( ) ( )1ˆ , , ,T Ti i i i i iu v u v u v

− = β X W X X W y

14



TINJAUAN PUSTAKA

Geographically Weighted Regression 14

Estimasi parameter dengan Weighted Least Square (WLS) yaitu memberikan pembobot yang berbeda pada setiap lokasi pengamatan :

Fungsi Pembobot

1. Gaussian (Fotheringham, et al., 2002)

2. Bisquare (Fotheringham, et al., 2002)

3. Tricube

.

( ) ( )

−= 2

21exp, bdvuw ijiij



TINJAUAN PUSTAKA


22 , untuk 1 ( / )( , ), untuk 0

ijijj i i

ij

d bd bw u vd b

≤ − = >

33 , untuk 1 ( / )( , ), untuk 0

ijijj i i

ij

d bd bw u vd b

≤ − = >

22 )()(jijiij

vvvud −+−=

2

1

ˆ( ) ( ( ))n

i ii

CV b y y b≠=

= −∑

Fungsi kernel adaptive memiliki bandwidth yang berbeda-beda di tiap lokasi pengamatan.

15

Pengujian Hipotesis Model GWR

Pengujian Kesesuaian Model GWR



TINJAUAN PUSTAKA

16


Statistik Uji 1δGWR

GWROLShit SSE

vSSESSEF

−=

Daerah Tolak

2 21 2(1 ,( / *),( / ))hit v vF F α δ δ−

>

*21 / vvdf = 2

212 /δδ=df

Parameter Model GWR

17



TINJAUAN PUSTAKA

17


Statistik Uji

Daerah Tolak

Parameter yang berpengaruh terhadap respon secara parsial

( )kk

iik

gvuT

σβ

ˆ,ˆ

=

21 2/2, / atau p_value < T t α δ δ α>

Kemiskinan dan Faktor-faktornya

Definisi Penduduk Miskin Penduduk yang memiliki pengeluaran per kapita perbulan lebih kecil dari garis kemiskinan.

Faktor Ekonomi

Pengeluaran rumah tangga, kegiatan utama kepala rumah tangga, lapangan usaha utama kepala RT, dan status pekerjaan utama kepala RT

Faktor Luar

Penolong persalinan pertama oleh tenaga kesehatan,, pelayanan kesehatan, penduduk miskin yang menerima raskin, dan fasilitas air bersih.

BPS

Faktor Yang Mempengaruhi Penduduk Miskin

18


Garis kemiskinan adalah suatu garis yang menunjukkan nilai pengeluaran makanan per orang untuk memenuhi kebutuhan dasar 2100 kkal per hari ditambah dengan pengeluaran non makanan selama 1 bulan (BPS, 2010).

Sumber Data

19


METODOLOGI PENELITIAN


Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari BPS (Badan Pusat Statistik) Propinsi Jawa Timur Surabaya yaitu data profil kemiskinan di Indonesia tahun 2010, data ini diolah dengan cara Survei Sosial Ekonomi Nasional (SUSENAS). Data sekunder dalam penelitian ini akan dipakai unit observasi di 38 tingkatan kota/kabupaten di Jawa Timur.

Variabel Penelitian

No. Nama Variabel 1 Y1 = Persentase Penduduk miskin 4 X1 = Angka partisipasi sekolah penduduk miskin usia 13-15 tahun

5 X2 = Persentase Penduduk miskin usia 15 tahun ke atas yang bekerja di sektor Pertanian

7 X3 = Persentase pengeluaran perkapita untuk makanan

9 X4 = Persentase balita penduduk miskin ang kelahirannya ditolong oleh tenaga kesehatan pada persalinan pertama

12 X5= Persentase penduduk miskin yang menggunakan air bersih 14 X6 Pelayanan kesehatan Jamkesmas penduduk miskin

15 X7= Persentase rumah tangga miskin yang pernah menerima beras raskin

20 20


Mendeskripsikan penduduk miskin dan faktor yang

mempengaruhinya

Mengidentifikasi pola hubungan antar

variabel. Mendapatkan

Pemodelan Regresi

Memeriksa aspek spasial pada data

penelitian

Menentukan ui vi Menghitung jarak Euclidean , Menentukan bandwith optimum

Melakukan pembobotan

menggunakan fungsi Kernel Gaussian

Menganalisis Model GWR

Melakukan pemapingan signifikansi

parameter GWR

Langkah Analisis

21


Menarik Kesimpulan

22


HASIL DAN PEMBAHASAN


Persebaran Persentase Penduduk Miskin Di Jawa Timur

RENDAH

Surabaya

Sidoarjo

Kota Mojokerto

Kota Batu

Kota Madiun

Kota Blitar

Kota Malang

23




Persentase Penduduk Miskin yang Mengunakan Air Bersih

TINGGI

Kota Surabaya

24




Pola Hubungan Antar Variabel

Hubungan Positif

Variabel Respon dengan Per-sentase penduduk miskin pada pelayanan kesehatan jamkesmas dan Penduduk miskin yang menerima raskin

25


REGRESI LINIER


Hasil Pengujian Parameter Model Secara Serentak Sumber Variansi

Jumlah Kuadrat

Derajat Bebas

Kuadrat Tengah

F p-

value Regresi 1064,69 7 152,10 11,10 0,000 Error 411,25 30 13,71 Total 1475,94 37

Hasil Pengujian Parameter Model Secara Individu

Predictor Coef SE Coef T P Constant -23.41 17.33 -1.35 0.187 X1 -0.01913 0.05515 -0.35 0.731 X2 -0.08543 0.03907 -2.19 0.037 X3 0.4101 0.2187 1.87 0.071 X4 -0.11671 0.03687 -3.17 0.004 X5 0.06932 0.04897 1.42 0.167 X6 0.08144 0.04925 1.65 0.109 X7 0.21851 0.06672 3.27 0.003

0,10;24,177 1,31756F> =

Tolak H0

0,1α< =

Predictor VIF X1 1.183 X2 2.929 X3 2.324 X4 1.566 X5 1.399 X6 1.618 X7 2.422

VIF VIF < 10

26




Pengujian Nilai Signifikansi

Breusch-Pagan 0,04477 Moran's I 0,0002

Uji Efek Spasial Tolak H0 0,1α< =

Residual Independen

Durbin Watson 0,4604

Asumsi independen terpenuhi

Residual Berdistribusi

Normal

1050-5-10

99

95

90

80

70

60504030

20

10

5

1

RESI1

Perc

ent

Mean 1.194366E-14StDev 3.334N 38KS 0.069P-Value >0.150

Probability Plot of RESI1Normal

H0 ditolak, yang berarti bahwa varians residual tidak identik dan terdapat dependensi spasial.

27




Pemodelan penduduk miskin dan faktor yang mempengaruhinya dengan Geographically Weighted Regression (GWR)

Estimator Nilai β(ui,vi) Global Min Median Max X.Intercept -29,4100 -27,8100 -19,5900 -23,4071 X1 -0,0089 -0,0027 0,0224 -0,0191 X2 -0,0971 -0,0942 -0,0554 -0,0854 X3 0,2760 0,4792 0,5554 0,4101 X4 -0,1358 -0,1314 -0,1029 -0,1167 X5 0,0222 0,0736 0,1039 0,0693 X6 0,0445 0,0827 0,1168 0,0814 X7 0,1648 0,2145 0,2578 0,2185 R2 76,32% 72,10 % SSE 349,4785 411,25

Estimasi Model GWR

Model AIC R2

Regresi Linier 216,341 72,14% GWR Gaussian 206,0443 72,54% Adaptive Gaussian 205.7352 72,98% Bisquare 206.0443 72,55% Adaptive Bisquare 203.6601 76,32% Tricube 206.0443 72,55% Adaptive Tricube* 203.6600 76,33%

Pemilihan Model Terbaik AIC

28




Nilai Bandwidth Tiap Kabupaten/Kota

Kabupaten/Kota Bandwidh Kabupaten/Kota Bandwidh Kabupaten/Kota

Bandwidh

pacitan 3.148854 bojonegoro 1.936303 kota batu 2.07268 ponorogo 2.701209 tuban 1.797275 blitar 2.311774 trenggalek 2.789972 lamongan 1.972123 kediri 2.438124 tulungagung 2.679781 bangkalan 2.080072 mojokerto 2.68887 lumajang 2.210141 pamekasan 2.219511 banyuwangi 2.290861 bondowoso 2.267399 kota kediri 2.778397 gresik 2.119938 pasuruan 1.90811 kota blitar 3.044446 jember 1.901234 jombang 2.070189 kota malang 3.10049 malang 2.16256 nganjuk 2.264895 kota probolinggo 3.070869 probolinggo 1.818173 madiun 3.149896 kota pasuruan 2.862036 sampang 2.122917 magetan 2.495474 kota mojokerto 2.70704 sidoarjo 2.998301 ngawi 2.590273 kota madiun 2.221375 situbondo 2.012754 bojonegoro 1.936303 kota surabaya 2.212169 sumenep 1.987976

29




Kabupaten /Kota

Variabel signifikan

Kabupaten /Kota

Variabel signifikan

Pacitan X2, X3, X4, X6, X7

Kota Probolinggo

X2, X3, X4, X6, X7

Ponorogo X2, X3, X4, X6, X7

Kota Pasuruan

X2, X3, X4, X6, X7

Trenggalek X2, X3, X4, X6, X7

Kota Mojokerto

X2, X3, X4, X6, X7

Tulungagung X2, X3, X4, X6, X7 Kota Madiun X2, X3, X4,

X5, X6, X7

Lumajang X2, X3, X4, , X5, X6, X7

Kota Surabaya

X2, X3, X4, X5, X6, X7

Bondowoso X2, X3, X4, X6, X7 Kota Batu X2, X3, X4,

X5, X6, X7

Pasuruan X2, X3, X4, , X5, X6, X7 Blitar X2, X3, X4,

X5, X7

Jombang X2, X3, X4, X5, X7 Kediri X2, X3, X4,

X5, X7

Nganjuk X2, X3, X4, , X5, X7 Mojokerto X2, X3, X4,

X5, X7

Madiun X4, X7 Banyuwangi X2, X3, X4, X6, X7

Magetan X2, X3, X4, X5, X7 Gresik X2, X3, X4,

X5, X6, X7

Ngawi X2, X3, X4, X5, X7 Jember X2, X3, X4,

X5, X6, X7

Kabupaten /Kota

Variabel signifikan

Kabupaten /Kota

Variabel signifikan

Bojonegoro X2, X3, X4, X5, X7 Malang X2, X3, X4, X5,

X7

Bangkalan X2, X3, X4, X5, X6, X7 Sidoarjo X2, X3, X4, X6,

X7

Pamekasan X2, X3, X4, X5, X6, X7 Situbondo X2, X3, X4, X5,

X6, X7

Kota Kediri X2, X3, X4, X6, X7 Kota Malang X2, X3, X4, X6,

X7

Kota Blitar X2, X3, X4, X6, X7 Sumenep X2, X3, X4, X5,

X6, X7

SSE df F p-value Model Regresi 411,2531 30 Model GWR 349,4785 24,177 1,1768 0,3439

Uji kesesuaian Model GWR 0,10;24,177 1,31756F< =

Variabel Signifikan Model GWR

0,1α> =

Gagal Tolak H0

H0 gagal ditolak, yang artinya bahwa tidak terdapat perbedaan yang signifikan antara model GWR dengan model regresi linier.

30




76

432

X 0.169122 + X 0.11382815 + X 0.1309561- X 0.5458346 + X 0.09592865- 28.19353- =Y

Persebaran persentase penduduk miskin dengan pemodelan GWR

Intepretasi Model GWR Di Kota Sidoarjo

RENDAH Sidoarjo

Kota Kediri

Kota Blitar

Kota Mojokerto

31




Perbedaan Kategori Pemapingan Antara Penduduk Miskin Dengan Pemodelan GWR Penduduk Miskin

Gambar Kabupaten/Kota I

(Gambar 4.1) II

(Gambar 4.11)

Kode 1 Kode 2 Kota Malang, Kota Madiun, Kota Surabaya, Kota Batu

Kode 3 Kode 4 Pasuruan, Jember, Situbondo Kode 4 Kode 5 Pamekasan Kode 4 Kode 2 Bojonegoro, Kota Probolinggo Kode 4 Kode 3 Ngawi, Lamongan

Kode 3 Kode 2 Ponorogo, Nganjuk, Madiun, Magetan, Kediri Kode 2 Kode 1 Kota Kediri

32



32


Gambar 1 (Penduduk miskin)

Gambar 2 (pemodelan GWR penduduk miskin)

Perbedaan Kategori Pemapingan Antara Penduduk Miskin dengan Pemodelan GWR Penduduk Miskin

33


KESIMPULAN DAN SARAN

33 33


• Persentase penduduk miskin di kabupaten/kota di Propinsi Jawa Timur menujukkan pola yang menyebar begitu juga dengan faktor-faktor yang mempengaruhinya.

• Persebaran persentase penduduk miskin tertinggi terdapat di Bangkalan, Sampang, Sumenep, dan Probolinggo.

• Persentase Angka Partisipasi Sekolah penduduk miskin yang tertinggi terdapat di Kabupaten Sumenep, Lamongan, dan Sidoarjo.

• Sedangkan, persentase penduduk miskin yang pernah menerima beras raskin terendah terdapat di Kota Surabaya, Sidoarjo, Kota Madiun, Kota Blitar, dan Kota Malang.

1.

34



34 34


• Data yang digunakan dalam pemodelan memenuhi aspek spasial sehingga dilakukan pemodelan dengan GWR dengan kernel Adaptive Tricube dan menghasilkan model yang lebih baik dari regresi global dikarenakan memiliki nilai R2 yang lebih besar dan SSE yang lebih kecil.

• Hasil pemodelan dengan GWR diperoleh model yang berbeda-beda untuk tiap kabupaten/kota yang menunjukan bahwa faktor geografi berpengaruh terhadap persentase penduduk miskin di Propinsi Jawa Timur.

2.

35



35 35


Hasil pemapingan persentase penduduk miskin terdapat perbedaan kategori pemapingan antara penduduk miskin dengan pemodelan penduduk miskin dengan parameter yang signifikan mengalami kenaikan presentase penduduk miskin terjadi di • Kota Malang • Kota Madiun • Kota Surabaya • Kota Batu • Pasuruan • Jember • Situbondo dan Pamekasan.

3.

36



36 36


Saran dari penelitian ini agar memperoleh hasil analisis yang lebih baik yaitu dengan menambahkan variabel-variabel baru yang dianggap berpengaruh untuk memperjelas hubungan antar variabel respon dengan variabel prediktor dalam mendapatkan model yang signifikan

. Penelitian selanjutnya disarankan memodelkan penduduk miskin dengan metode lain untuk data yang memiliki heterogenitas spasial dan dependensi spasial sehingga dapat digunakan sebagai pembanding dalam menentukan model yang sesuai.

SARAN

JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2013

Yuanita Damayanti 1311 105 010

37

pemodelan penduduk miskin di propinsi jawa timur dengan...

Documents