ANALISIS TINGKAT KEMSIKINAN PROVINSI JAWA TENGAH DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION

Mukhamad Syaiful Anwar; Rosita Kusumawati

doi:10.21831/jssd.v2i1.20194

ANALISIS TINGKAT KEMSIKINAN PROVINSI JAWA TENGAH DENGAN GEOGRAPHICALLY WEIGHTED REGRESSION

Mukhamad Syaiful Anwar, Universitas Negeri Yogyakarta, Indonesia
Rosita Kusumawati, Universitas Negeri Yogyakarta, Indonesia

10.21831/jssd.v2i1.20194

Abstract

Kemiskinan merupakan permasalahan hampir semua negara di dunia, terutama di negara berkembang, menurut bank dunia salah satu sebab kemiskinan adalah karena kurangnya pendapatan dan asset untuk memenuhi kebutuhan dasar seperti makanan, pakaian dan perumahan. Faktor yang mempengaruhi kemiskinan disuatu daerah dapat berbeda antara daerah satu dengan daerah lain. Penelitian ini bertujuan untuk melihat faktor-faktor apa saja yang mempengaruhi tingkat kemiskinan di suatu kabupaten/kota di Jawa Tengah menggunakan metode geographically weighted regression (GWR). Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari website BPS Provinsi Jawa Tengah tahun 2020. Hasil dari penelitian ini adalah model terbaik untuk memodelkan tingkat kemiskinan di Provinsi Jawa Tengah tahun 2020 adalah model GWR dengan fungsi pembobot adaptive gaussian kernel, menghasilkan nilai JKG , AIC , dan 06 dan nilai sebesar . Model GWR ini menghasilkan 35 model lokal. Model lokal yang diperoleh dapat dikelompokkan menjadi 3 kelompok berdasarkan variabel-variabel independen yang berpengaruh secara signifikan terhadap variabel dependen. Kelompok pertama merupakan kelompok yang dipengaruhi oleh indek keparahan kemiskinan, pengeluaran perkapita, dan morbiditas. Kelompok pertama ini terdiri dari Kabupaten Cilacap, Banyumas, Purbalingga, Banjarnegara, Kebumen, Purworejo, Wonosobo, Magelang, Wonogiri, Jepara, Temanggung, Kendal, Batang, Pekalongan, Pemalang, Tegal, Brebes, Kota Magelang, Kota Surakarta, Kota Pekalongan, Kota Tegal. Kelompok kedua dipengaruhi oleh indek keparahan kemiskinan. Kelompok kedua ini terdiri dari Kabupaten Sragen, Grobogan, Blora. Kelompok ketiga dipengaruhi oleh indek keparahan kemiskinan dan morbiditas. Kelompok ketiga ini terdiri dari Kota Salatiga, Kota Semarang, Kabupaten Demak, Semarang, Rembang, Pati, Kudus, Boyolali, Klaten, Sukoharjo, Karanganyar.

Keywords

OLS; GWR; tingkat kemiskinan; jawa tengah; model terbaik

Full Text:

PDF

References

Agustina, D. (2020). Analisis pengaruh tingkat pengangguran terbuka dan indeks pembangunan manusia terhadap kemiskinan di provinsi jawa tengah. Jurnal Saintika Unpam. Jurnal Sains Dan Matematika Unpam, 3(1), 81.

Algafari (2000). "Analisis Regrsi", Edisi Kedua. Yogyakarta: PT. BPFE.

Anselin, L. (1988) Spatial econometrics: methods and models. Kluwer Academic, Dordrecht. https://doi.org/10.1007/978-94-015-7799-1

Aprianti, G. A., & Widodo, E. (2n.d.). Analsisi geographycally weighted regression pada data kemiskinan provinsi jawa tengah.

Aprianti, G. A., & Widodo, E. (2017). Analisis geographycally weighted regression pada data kemiskinan provinsi jawa tengah. Prosiding SI MaNIs, 1(No.1), 1–18.

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

Brunsdon, C. (2n.d.). Geographically weighted regression: the analysis of spatially varying relationships. https://www.researchgate.net/publication/27246972

Dwi, F. D., & Edy, G. (2021). Analisis faktor penyebab Kemiskinan dan bagaimana penanggulangannya : studi empiris pada 29 kabupaten di jawa tengah 2014-2020. 172–193.

Fiqa, A. P., Nursafitri, T. H., Fauziah, F., & Masudah, S. (2021). Pengaruh faktor lingkungan terhadap pertumbuhan beberapa aksesi Dioscorea alata L terpilih koleksi kebun raya purwodadi. Jurnal Agro, 8(1), 25–39. https://doi.org/10.15575/10594

Firda, M., Wasono, R., & Darsyah, Y. (2015). Pemodelan geographically weighted regression (GWR) pada tingkat kemiskinan di provinsi jawa tengah. Jurnal Statistika, 3(2), 67–74.

Fotheringham, A., Charlton, M., & Chris, B. (2002). Geographically weighted regression : the analysis of spatially varying relationships geographically weighted regression.

Gujarati, D.N. (1995) Basic econometrics. 4th Edition, United State Military Academy, New York.

Hanum, D., dan Purhadi. (2013) Faktor-faktor yang mempengaruhi morbiditas penduduk jawa timur dengan multivariate geographically weighted regression (MGWR). Jurnal sains dan seni pomits. 2(2). 2337-3520.

Jhingan, M.L (2007). The Economics of Development and Planning. 39th Edition. Delhi, Vrinda publication Ltd.

Karim, Adiwarman A. (2007). Ekonomi mikro islami. Jakarta: PT Raja Grafindo Persada, edisi ketiga.

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

Kurniawati, dkk. (2011). Hubungan Antara Pola Asuh Orang Tua dengan Perkembangan Anak Toddler (Usia 1-3 Tahun) di Kelurahan Bener Kecamatan Wiradesa Kabupaten Pekalongan. STIKES Muhammadiyah Pekajangan Pekalongan.

Kusuma, W. G., dan Wulansari, I.Y. (2017) Analisis kemiskinan dan kerentanan kemiskinan dengan regresi ridge, lasso, dan elastic-net di provinsi jawa tengah tahun 2007. Seminar Nasional Official Statistics. 2019(1):503-513 http://dx.doi.org/10.34123/semnasoffstat.v2019i1.189

Lutfiani, N., Mariani, S., & Sugiman. (2017). Pemodelan geographically weighted regression (GWR) dengan fungsi pembobot kernel gaussian dan bi-square. In UNNES Journal of Mathematics (Vol. 5, Issue 1).

Makmur, (2011). Efektivitas kebijakan kelembagaan pengawasan. Bandung : PT. Refika Aditma

Meimela, Aida. (2020). Model hubungan jumlah pengangguran dan indeks kedalaman kemiskinan di pulau sumatera tahun 2019menggunakan regresi non parametrik splines. Sumedang. Unpad Press. JIEP-Vol. 20, No 2

Mendenhall, W., & Sincich, T. (2012). A second course in statistics: regression analysis (D. Lynch, Ed.; 7th ed.). Pearson.

Mertha, A.(2008). China's water warriors: citizen action and policy change . Ithaca Cornell University Press. ISBN 978-0-8014-4636-8

Nashwari, I. P., Rustiadi, E., Siregar, H., & Juanda, B. (2017). Geographically weighted regression model for poverty analysis in jambi province. Indonesian Journal of Geography, 49(1), 42–50.

Purboningtyas, I., Sari, R., Guretno, T., Dirgantara, A., Dwi, A., & Al Haris, M. (2020). Analisis pengaruh tingkat pengangguran terbuka dan indeks pembangunan manusia terhadap kemiskinan di provinsi jawa tengah. Jurnal Sains dan Matematika Unpam, 3, 1.

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

Sinaga, K. P. (2013). Poverty data modeling in north Sumatera province using geographically weighted regression (GWR) method. International Journal of Science and Research (Vol. 4).

Sirojuzilam. (2010). Regional Planning and development. Jurnal Perencanaan dan Pengembangan Wilayah. Vol.1 Nomor 1 Agustus 2010.

Suliyanto. (2011). Ekonomi terapan: Teori dan aplikasi SPSS. Yogyakarta: Andi.

Syahputra, R. (2017). Analisis faktor-faktor yang mempengaruhi pertumbuhan ekonomi di Indonesia. Jurnal Samudra Ekonomka, 1(2), 183–191. https://doi.org/https://doi.org/10.1234/jse.v1i2.334

DOI: https://doi.org/10.21831/jssd.v2i1.20194

Refbacks

There are currently no refbacks.

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Our journal is indexed by:

Online ISSN (e-ISSN): 3025-9649

Jurnal Statistika dan Sains Data by http://journal.student.uny.ac.id/ojs/index.php/jssd is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

JSSD Statistics