Indeks pembangunan manusia (IPM) merupakan indikator penting untuk mengukur keberhasilan dalam upaya membangun kualitas hidup manusia. Penelitian ini bertujuan untuk mengetahui pengaruh langsung dan tak langsung angka harapan hidup (AHH), harapan lama sekolah (HLS), rata-rata lama sekolah (RLS) terhadap IPM melalui jumlah penduduk dan pengeluaran perkapita penduduk di Indonesia pada tahun 2020 dengan menggunakan analisis jalur. Data yang digunakan adalah data IPM dan jumlah penduduk dari 34 provinsi Indonesia dari buku publikasi Indeks Pembangunan Manusia 2020 BPS Indonesia. Pada penelitian ini digunakan analisis jalur karena ingin memperkirakan besarnya dan signifikansi hubungan kausal yang dihipotesiskan antara sekumpulan variabel. Hasil analisis jalur menunjukkan bahwa pengaruh langsung AHH, HLS, RLS dan pengeluaran perkapita penduduk terhadap IPM memberikan hasil yang signifikan secara statistik yang artinya faktor-faktor tersebut memberikan peningkatan terhadap IPM di Indonesia pada tahun 2020 dengan masing-masing setiap nilai penduga koefisien jalur baku bernilai positif yaitu berturut-turut sebesar 0,33, 0,22, 0,26 dan 0,49. Pada hasil pengaruh tak langsung AHH, HLS, RLS melalui jumlah penduduk dan pengeluaran perkapita penduduk terhadap IPM memberikan hasil yang tidak signifikan secara statistik.

Indeks pembangunan manusia; analisis jalur

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