Pulau Jawa terdiri dari enam provinsi, yakni Provinsi Banten, DKI Jakarta, Jawa Barat, Jawa Tengah, Daerah Istimewa Yogyakarta, dan Jawa Timur. Jumlah kota dan kabupaten di Pulau Jawa sebanyak 34 kota dan 84 kabupaten yang tersaji pada Lampiran 2.
Dalam masalah pekerja anak diketahui bahwa tiga provinsi penyumbang terbanyak jumlah pekerja anak adalah Provinsi Jawa Barat, Jawa Tengah dan Jawa Timur. Pekerja anak merupakan salah satu masalah besar dari suatu negara, banyak faktor yang menjadikan seorang anak bekerja. Salah satu langkah awal untuk melakukan kebijakan dalam penanganan masalah pekerja anak, yaitu dengan melihat sebaran pekerja anak di setiap wilayah, yaitu mengetahui sebaran pekerja anak di masing-masing kota/kab. di Pulau Jawa.
Gambar 2 Peta Sebaran Pekerja Anak di Kota/kab. di Pulau Jawa
Sebaran persentase pekerja anak di kota/kab. di Pulau Jawa terlihat pada Gambar 2. Sebaran persentase pekerja anak di Pulau Jawa dibagi menjadi 3 kategori, yaitu kategori tinggi (11.8%-20.6%), kategori sedang (6.4%-11.7%) dan kategori rendah (0.73%-6.3%).
Berdasarkan Gambar 2, dapat diketahui kota/kab. yang memiliki jumlah pekerja anak yang tinggi. Hal tersebut dapat dijadikan acuan untuk menjadikan Kab./kota tersebut sebagai prioritas utama untuk dilakukannya penanganan. Oleh sebab itu pentingnya mengetahui faktor-faktor apa saja yang berpengaruh terhadap jumlah pekerja anak agar dapat digunakan untuk membuat suatu program untuk mengatasinya.
Berdasarkan Gambar 2 juga terlihat keragaman dari pekerja anak di setiap kota/kab. di Pulau Jawa, semakin gelap warna pada kota/kab. mengindikasikan semakin tinggi persentase pekerja anak di kota/kab. tersebut. Persentase pekerja anak tertinggi terdapat di Kab. Blitar (20.60%), Kab. Klaten (19.61%) dan Kab. Wonosobo (18.28%), sedangkan persentase pekerja anak terendah terdapat di Kota Cirebon (0.73%), Kab. Sidoarjo (1.54%) dan Kota Kediri (1.97%). Pada Gambar 2 terlihat persentase pekerja anak di setiap wilayah yang bertetanggaan tampak mirip, hal tersebut dapat menjelaskan bahwa adanya pengaruh spasial dalam masalah pekerja anak di Pulau Jawa. Berdasarkan banyaknya pekerja anak di suatu wilayah dapat memberikan pengaruh banyak pula pekerja anak di daerah sekitarnya. Misalnya, beberapa wilayah di Provinsi Jawa Barat dipengaruhi oleh Provinsi DKI Jakarta. Kab. Bojonegoro merupakan daerah dengan persentase
pekerja anak tinggi dan dikelilingi oleh wilayah yang tinggi pula persentase pekerja anak, seperti Tuban, Blora, Lamongan, Nganjuk, Ngawi, Mojokerto dan Madiun.
Pada Gambar 2 juga terlihat beberapa kota/kab. yang memiliki persentase pekerja anak rendah namun daerah sekitarnya tinggi, seperti Kota Malang dan Kota Batu dengan persentase jumlah pekerja anak yang rendah namun dikelilingi oleh Kab. Malang, Blitar, Kediri dan Pasuruan dengan persentase pekerja anak yang tinggi. Persentase angka tidak melanjutkan sekolah tertinggi terdapat di Kab. Batang (16.92%) dan persentase terendah terdapat di Kab. Sleman (0.22%). Persentase angka partisipasi kasar SD tertinggi adalah Kab. Purworejo (116.96%) dan terendah adalah Kota Salatiga (98.31%). Persentase tertinggi angka partisipasi kasar SMP dan angka partisipasi kasar SMA masing-masing berada di Kab. Lamongan (115.58%) dan Kab. Bantul (111.44%), sedangkan persentase terendahnya yaitu di Kab. Bangkalan (70.99%) dan di Kab. Purbalingga (36.81%). Persentase buta huruf tertinggi terdapat di Kab. Sampang (22.27%) dan terendah di Kota Cimahi (0.16%).
Rata-rata pengeluaran rumah tangga perbulan tertinggi di Kota Jakarta Selatan yaitu sebesar Rp. 9.131.861,-, dan yang terendah sebesar Rp. 1.400.752,- yaitu di Kab. Sumenep. Persentase penduduk miskin terbanyak terdapat di Kab. Bogor (499.1%) dan terendah di Kepulauan Seribu (2.5%). Jumlah kepala rumah tangga yang bekerja informal terbanyak di Kab. Bogor (536.660 orang) dan terendah di Kepulauan Seribu (2.442 orang). Sama halnya dengan jumlah kepala rumah tangga yang bekerja informal, jumlah kepala rumah tangga yang bekerja formal dan kepala rumah tangga yang tidak lulus SD tertinggi juga terdapat di Kab. Bogor yaitu masing-masing 757.525 orang dan 336.941 orang sedangkan terendahnya juga di Kepualauan Seribu yaitu masing-masing 3.171 orang dan 982 orang.
Jumlah kepala rumah tangga yang tidak lulus sekolah menengah pertama, jumlah kepala rumah tangga yang tidak lulus sekolah menengah atas, dan Jumlah kepala rumah tangga yang tidak bekerja tertinggi berada di Kab. Bogor dan terendahnya di Kepulauan Seribu. Sama halnya untuk Jumlah anak berstatus menikah, jumlah fasilitas sekolah baik jumlah SD, jumlah SMP, maupun Jumlah SMA tertinggi berada di Kab. Bogor dan jumlah terendah berada di Kepulauan Seribu.
IdentifikasiHotspotdanColdspot
Nilai indeks moran yang di peroleh adalah -0.025 hal ini menunjukkan bahwa terdapat autokorelasi spasial negatif, artinya area yang berdekatan tidak mirip. Identifikasi hotspot dan coldspot dilakukan dengan melihat pada plot pencaran moran. Pada Gambar 3 dapat diketahui kota/kab. yang menjadi wilayah hotspot dan wilayah coldspot. Nama kota/kab. di Pulau Jawa ditampilkan dalam kode amatan, yang disajikan pada Lampiran 4.
Gambar 3 Plot Pencaran Moran Persentase Pekerja Anak
Kota/kab. yang menjadi hotspot adalah kota/kab. yang terdapat pada kuadran kedua, artinya memiliki autokorelasi negatif karena nilai pengamatan lokasi tersebut tinggi dan dikelilingi oleh area sekitar yang memiliki nilai rendah. Kota/kab. yang menjadihotspotantara lain Kota Jakarta Pusat, Kab. Tasikmalaya, Kepulauan Seribu, Kab. Bandung, Kab. Pemalang, Kab. Cianjur, Kota Bekasi, Kab. Bogor, Kab. Purbalingga, Kab. Majalengka, Kab. Sumedang, Kota Sukabumi, Kab. Banyumas, Kab. Ciamis, Kab. Cilacap, Kota Cimahi dan Kab. Demak. Beberapa kota/kab. yang menjadi hotspot ini, merupakan kota/kab. yang memiliki persentase pekerja anak yang tinggi namun dikelilingi oleh kota/kab. yang memiliki persentase pekerja anak yang dalam kategori rendah.
Wilayah coldspot yaitu kota/kab. yang memiliki persentase pekerja anak yang rendah namun dikelilingi oleh kota/kab. yang persentase pekerja anak tinggi. Beberapa kota/kab. tesebut antara lain Kota Kediri, Kota Malang, Kab. Subang, Kab. Bekasi, Kab. Pacitan, Kab. Trenggalek, Kab. Sukoharjo, Kab. Lamongan, Kab. Magelang, Kab. Blitar, Kab. Kediri, Kab. Klaten, Kab. Batang, Kab. Probolinggo, Kab. Pamekasan, Kab. Sumenep, Kab. Tuban, Kab. Gresik, Kota Tanggerang, Kab. Jombang dan Kab. Bangkalan.
Setelah diketahuinya kota/kab. yang menjadi hotspot dan coldspot, serta model untuk masing-masing kota/kab. tersebut telah diperoleh berdasarkan model lokal RPTG, maka dapat menjadikan kota/kab. tersebut sebagai prioritas utama dalam menangani masalah pekerja anak.
Analisis Regresi Poisson
Peubah penjelas yang akan digunakan dalam penyusunan model pada Analisis Regresi Poisson seharusnya merupakan peubah-peubah penjelas yang tidak berkorelasi dengan peubah penjelas lainnya. Langkah memilih peubah penjelas
yaitu dengan melakukan Analisis Regresi Poisson dengan 17 peubah penjelas kemudian melihat nilai VIF masing-masing peubah. Berdasarkan nilai VIF, hanya 7 peubah yang akan digunakan dalam penyusunan model Analisis Regresi Poisson. Nilai VIF dari 7 peubah tersebut disajikan pada Tabel 2.
Analisis Regresi Poisson dilakukan dengan menggunakan Software R, dengan hasil dugaan parameter dan nilai pAnalisis Regresi Poisson disajikan pada Tabel 2 di bawah ini:
Tabel 2 Hasil Analisis Regresi Poisson
Peubah Nilai Dugaan Galat Baku Nilai z Pr(>|z|) VIF Intersep -2.571e+00 4.233e-02 -60.741 < 2e-16
ATMS 1.980e-02 3.254e-04 60.828 < 2e-16 1.77 APKSD -2.617e-03 3.096e-04 -8.453 < 2e-16 2.02 APKSMP -2.678e-03 1.452e-04 -18.450 < 2e-16 2.43 Buruf 3.120e-02 2.238e-04 139.413 < 2e-16 1.78 Expand 5.441e-05 8.744e-10 62.221 < 2e-16 1.90 ASN 3.074e-03 2.400e-07 128.073 < 2e-16 1.90 Jumlah SMA -1.096e-03 1.070e-05 -102.416 < 2e-16 2.38 Pada penelitian ini jumlah pekerja anak di kota/kab. di Pulau Jawa dipengaruhi oleh 7 peubah penjelas yang telah mewakili masing-masing aspek. Aspek anak diwakili oleh angka tidak melanjutkan sekolah, angka partisipasi kasar SD, angka partisipasi kasar SMP, anak berstatus menikah. Aspek keluarga diwakili oleh rata-rata pengeluaran rumah tangga perbulan. Aspek umum diwakili oleh persentase penduduk buta huruf dan jumlah SMA.
Interpretasi Dugaan Parameter Model Regresi Poisson
Model hasil Analisis Regresi Poisson yang telah dilakukan dengan menggunakan 7 peubah penjelas yang telah dipilih, yaitu angka tidak melanjutkan sekolah, angka partisipasi kasar SD, angka partisipasi kasar SMP, persentase penduduk buta huruf, rata-rata pengeluaran rumah tangga perbulan, anak berstatus menikah dan jumlah SMA. Sehingga model hasil Analisis Regresi Poisson yang terbentuk adalah sebagai berikut:
( ) = − 2,6 + 0.02 − 0.0023
− 0.0027 + 0.031 + 0.000054
+ 0.0031 − 0.0011
Berdasarkan model hasil Analisis Regresi Poisson terlihat besaran pengaruh masing-masing peubah penjelas terhadap peubah respon (jumlah pekerja anak). 7 peubah penjelas yang digunakan telah mewakili semua aspek, yaitu aspek anak, aspek keluarga dan aspek umum. Peubah-peubah penjelas yang termasuk dalam aspek anak yaitu angka tidak melanjutkan sekolah, angka partisipasi kasar SD, angka partisipasi kasar SMP, anak berstatus menikah. Aspek keluarga diwakili
oleh rata-rata pengeluaran rumah tangga perbulan. Aspek umum diwakili oleh persentase penduduk buta huruf dan jumlah SMA.
Pada aspek anak, terlihat bahwa angka tidak melanjutkan sekolah dan anak berstatus menikah memiliki pengaruh positif terhadap jumlah pekerja anak, yang dapat diinterpretasikan bahwa setiap adanya penambahan satu persen angka tidak melanjutkan sekolah maka akan menambah jumlah pekerja anak sebesar exp(0.02). Begitupun untuk penambahan satu orang anak berstatus menikah maka akan menambah jumlah pekerja anak sebesar exp(0.000031). Semakin rendahnya angka tidak melanjutkan sekolah, maka akan rendah pula kualitas anak-anak di suatu negara. Begitupula dalam hal pernikahan, penduduk usia anak seharusnya masih bersekolah. Akan tetapi, jika seseorang yang masih usia anak sudah berstatus menikah atau pernah menikah maka secara langsung tidak akan melanjutkan sekolahnya.
Angka partisipasi kasar SD dan angka partisipasi kasar SMP menunjukkan hubungan pengaruh negatif, artinya semakin tinggi angka partisipasi kasar SD dan angka partisipasi kasar SMP maka akan mengurangi jumlah pekerja anak. Jika ada penambahan satu persen angka partisipasi kasar SD maka akan mengurangi jumlah pekerja anak sebesar exp(0.0023). Penambahan satu persen angka partisipasi kasar SMP akan mengurangi jumlah pekerja anak sebesar exp(0.0027). Semakin tinggi angka partisipasi sekolah disetiap jenjang pendidikan wajib disuatu negara, maka akan baik pula taraf mutu pendidikannya. Jika angka partisipasi sekolah, baik SD, SMP, ataupun SMA maka penduduk usia anak akan mendapatkan haknya sesuai dengan Undang-undang.
Rata-rata pengeluaran rumah tangga perbulan merupakan peubah yang mewakili dari aspek keluarga. Rata-rata pengeluaran rumah tangga perbulan menunjukkan hubungan pengaruh positif terhadap jumlah pekerja anak. Setiap penambahan sebesar satu rupiah rata-rata pengeluaran rumah tangga perbulan maka akan menambah jumlah pekerja anak sebesar exp(0.000000054). Salah satu faktor yang sangat mempengaruhi seorang anak bekerja adalah masalah ekonomi keluarga. Kepala rumah tangga kadangkala terpaksa untuk mengajak anak-anaknya untuk bekerja karena tingginya kebutuhan keluarga. Hal tersebut dapat terlihat di wilayah pedesaan, di mana anak-anak diajak untuk bekerja di sektor informal, seperti membantu orangtuanya menggarap sawah.
Pada aspek umum, peubah buta huruf mempunyai hubungan pengaruh positif terhadap jumlah pekerja anak, artinya setiap penambahan satu persen jumlah buta huruf maka akan menambah jumlah pekerja anak sebesar exp(0.31). Tingginya persentase buta buruf salah satu akibat dari rendahnya angka partisipasi sekolah dan tingginya angka tidak melanjutkan sekolah. Rendahnya kualitas pendidikan suatu negara tercermin pula dari tingginya persentase penduduk buta huruf, oleh karena itu masalah pekerja anak sangat erat kaitannya dengan masalah kualitas pendidikan di suatu negara.
Peubah jumlah SMA menunjukkan hubungan pengaruh negatif terhadap jumlah pekerja anak, setiap penambahan peubah jumlah SMA sebesar satu unit maka akan mengurangi jumlah pekerja anak sebesar exp(0.0011), artinya jika semakin banyak jumlah SMA maka akan mengurangi jumlah pekerja anak disuatu daerah. Namun tidak jarang ditemukan, banyaknya jumlah fasilitas sekolah di suatu kota/kab. namun angka putus sekolah atau angka tidak melanjutkan sekolah tetap
tinggi. Hal tersebut di karena oleh banyak faktor, salah satunya adalah rendahnya tingkat ekonomi penduduk di kota/kab. tersebut.
Model hasil Analisis Regresi Poisson diatas sudah sesuai dengan konteks permasalahan pekerja anak, hal tersebut didukung pula signifikannya semua peubah yang digunakan. Pulau Jawa terdiri dari banyak kota/kab., diduga model yang telah diperoleh tersebut tidak bisa digunakan secara umum untuk semua kota/kab. di Pulau Jawa, sehingga perlu dilakukan uji keragaman spasial pada data.
Uji Keragaman Spasial
Uji keragaman spasial dilakukan dengan menggunakan BP-Test. Berdasarkan hasil BP-Test diperoleh nilai BP-Test sebesar 27.67 dengan nilai p sebesar 0.00025. Nilaipsignifikan pada taraf signifikansi sebesar 5%, artinya ragam error untuk semua pengamatan tidak sama. Sehingga dapat dikatakan bahwa terdapatnya keragaman antar observasi pengamatan.
Adanya keragaman dalam suatu pengamatan mengakibatkan hasil model yang telah diperoleh tidak bisa digunakan secara umum. Model hasil Analisis Regresi Poisson tidak berlaku sama untuk semua lokasi pengamatan, atau dalam hal ini diartikan bahwa model tersebut tidak dapat digunakan secara umum untuk semua kota/kab. di Pulau Jawa. Analisis secara lokal dilakukan untuk mengetahui karakteristik masing-masing peubah penjelas di setiap wilayah, sehingga terlihat setiap faktor memberikan pengaruh yang berbeda-beda di setiap kota/kab. di Pulau Jawa.
PemilihanBandwidthOptimum
Pemilihan bandwidth yang optimum menggunakan metode kernel adaptive bi-square didalam program GWR 4.0 digunakan metode golden section. Hasil yang diperoleh yaitu 46 tetangga terdekat. Sehingga dalam hal ini kebertentanggaan kota/kab. sebanyak 46 terhadap wilayah di sekitarnya, yang digunakan dalam penyusunan model RPTG. Setiap kota/kab. dianggap memiliki 46 tetangga terdekat dengan wilayahnya.
Pada masalah pekerja anak, jika menggunakan matriks pembobot kebersinggungan (contiguity) maka tidak ada hubungan kedekatan antar kota/kab. di Pulau Jawa, namun jika menggunakan pembobot jarak menunjukkan adanya hubungan kedekatan antar kota/kab. di Pulau Jawa.
Mobilitas pekerja anak tidak memandang kedekatan administratif atau kebertetanggaan langsung batas wilayah kota/kab.nya. Seorang anak yang bekerja lebih mempertimbangkan jarak tempuh dari suatu kota/kab. ke kota/kab. lainnya, jadi tidak menjadi masalah walaupun suatu wilayah tidak bersebelahan langsung batas wilayah administratifnya namun secara jarak tempuhnya dekat. Sebagai contoh, seorang anak yang berdomisi di Kota Bogor, bisa dengan mudah untuk anak tersebut bekerja ke Kota Depok ataupun ke beberapa kota di Provinsi DKI
Jakarta, karena secara jarak tempuh dari Kota Bogor kebeberapa kota tersebut tidak terlalu jauh, namun jika yang digunakan adalah pembobot kebersinggunangan wilayah, maka Kota Bogor hanya memiliki satu tetangga yaitu Kab. Bogor. Hal tersebut justru tidak bersesuaian dengan masalah pekerja anak.
Analisis Model Lokal RPTG
Model dari Analisis model lokal RPTG yang diperoleh dapat dibandingkan dengan model dari Analisis Regresi Poisson. Kriteria pemilihan model terbaik dilakukan dengan menggunakan nilai AIC masing-masing model, model terbaik adalah model yang memiliki nilai AIC yang lebih kecil.
Nilai AIC model dari Analisis Regresi Poisson sebesar 385293, sedangkan nilai AIC model dari Anilisis model lokal RPTG sebesar 207010. Berdasarkan nilai AIC tersebut, dapat disimpulkan bahwa model menggunakan RPTG lebih baik dibandingkan model menggunakan Analisis Regresi Poisson.
Model lokal RPTG yang terbentuk adalah berdasarkan persamaan berikut:
( ) = ( , ) + ( , ) − ( , )
− ( , ) + ( , ) + ( , )
+ ( , ) − ( , )
Pengujian parameter yang diperoleh dalam model lokal RPTG sudah memenuhi asumsi non-stasioner, dilakukan dengan membandingkan galat baku model Analisis Regresi Poisson dengan nilai Jangkauan Antar Kuartil (JAK) model RPTG. Nilai galat baku Analisis Regresi Poisson dan nilai JAK model lokal RPTG disajikan pada Tabel 3 di bawah ini:
Tabel 3 Nilai Galat Baku Analisis Regresi Poisson dan JAK RPTG
Peubah Galat Baku Regresi Poisson JAK RPTG
Intersep 0.04233 5.505165 ATMS 0.000325 0.077269 APKSD 0.00031 0.027389 APKSMP 0.000145 0.044651 Buruf 0.000224 0.055005 Expand 0.00000000087 0.000375 ASN 0.00000024 0.000108 Jumlah SMA 0.000011 0.002665
Model lokal RPTG dikatakan non-stasioner jika nilai JAK dua kali lebih besar atau lebih dibandingkan dengan nilai galat baku Analisis Regresi Poisson. Berdasarkan Tabel 3, nilai JAK model lokal RPTG jauh lebih besar dibandingkan dengan nilai galat baku dari Analisis Regresi Poisson, sehingga disimpulkan bahwa parameter yang diperoleh dalam model RPTG telah memenuhi asumsi non-stasioner.
Keragaman dari masing-masing kondisi kota/kab. dijelaskan dengan adanya penambahan ( , ) pada setiap dugaan parameter di dalam model. Rangkuman hasil Analisis Model Lokal RPTG terdapat pada Lampiran 4.
Pemetaan Spasial Model Lokal RPTG
Di dalam pemodelan, baik secara global (Model Analisis Regresi Poisson) atau lokal RPTG terlihat bahwa semua parameter yang digunakan signifikan berpengaruh terhadap peubah respon. Berdasarkan peta terlihat perbedaan besaran pengaruh masing-masing peubah penjelas di setiap kota/kab. di Pulau Jawa. Pada peta jelas terlihat bahwa nilai dugaan parameter masing-masing peubah penjelas yang diperoleh memberikan pengaruh yang berbeda di setiap wilayah kota/kab. di Pulau Jawa. Perbedaan warna, menunjukkan bahwa setiap peubah memiliki besaran nilai dugaan parameter yang berbeda pada tiap wilayah kota/kab. tersebut.
Model yang terbentuk dari hasil Analisis Regresi Poisson, besaran nilai dugaan parameter telah sesuai dengan konteks permasalahan pekerja anak. Beberapa peubah seperti angka partisipasi kasar SD, peubah angka partisipasi kasar SMP dan peubah jumlah SMA, menunjukkan hubungan negatif terhadap jumlah pekerja anak. Artinya, semakin tinggi angka partisipasi kasar SD, angka partisipasi kasar SMP dan jumlah SMA maka akan mengurangi jumlah pekerja anak.
Peubah angka tidak melanjutkan sekolah, peubah buta huruf, peubah rata-rata pengeluaran rumah tangga perbulan dan peubah anak berstatus menikah memiliki hubungan positif terhadap jumlah pekerja anak. Artinya, semakin tinggi angka tidak melanjutkan sekolah, angka penduduk buta huruf, jumlah rata-rata pengeluaran rumah tangga perbulan dan jumlah anak berstatus menikah akan menambah jumlah pekerja anak.
Pada model lokal RPTG, pengaruh masing-masing peubah berbeda-beda pada tiap kota/kab. baik besaran nilai dugaan parameternya ataupun hubungannya pengaruhnya terhadap jumlah pekerja anak. Ada beberapa peubah yang menunjukkan pengaruh yang tidak bersesuaian terhadap konteks permasalahan pekerja anak. Misalnya, semakin tinggi angka tidak melanjutkan sekolah maka akan mengurangi jumlah pekerja anak, atau begitu pula pada peubah-peubah lainnya.
Perbedaan besaran nilai dugaan parameter masing-masing peubah penjelas dan hubungan pengaruhnya terhadap peubah respon terlihat berdasarkan warna pada peta. Pada peta dibagi menjadi 4 kategori warna yang dibedakan berdasarkan nilai dugaan parameternya. Koefisien yang menjadi batas suatu nilai dugaan parameter berada di kategori mana yaitu diperoleh dari dua kali nilai galat baku pada model Analisis Regresi Poisson.
Warna yang digunakan pada peta disesuaikan berdasarkan 4 kategori yang telah ditentukan. Warna merah menunjukkan bahwa peubah tersebut memiliki hubungan pengaruh yang sesuai dengan konteks permasalahan pekerja anak, kesesuaian pengaruh tersebut berarti peubah tersebut dapat bersifat menambah atau mengurangi jumlah pekerja anak. Warna kuning menunjukkan bahwa peubah
tersebut memiliki hubungan pengaruh yang tidak sesuai dengan konteks permasalahan pekerja anak. Kota/kab. yang berwarna kuning harus dikaji lebih mendalam, mengapa hubungan pengaruh peubah tersebut tidak sesuai dengan konteks permasalahan pekerja anak pada kota/kab. tersebut.
Warna biru pada peta nilai dugaan menunjukkan bahwa hubungan pengaruh peubah tersebut telah sesuai dengan masalah pekerja anak, namun pengaruh yang diberikan tidak terlalu signifikan atau pengaruh yang diberikan kecil. Warna hijau menunjukkan bahwa hubungan pengaruh peubah tersebut tidak sesuai dengan masalah pekerja anak, namun ketidaksesuaian pengaruh tersebut tidak besar, sehingga dapat dikatakan bahwa peubah tersebut tidak terlalu berpengaruh terhadap masalah pekerja anak di kota/kab. tersebut.
Gambar 4 merupakan gambaran pengaruh nilai dugaan parameter dari peubah angka tidak melanjutkan sekolah. Pada Gambar 4 terlihat beberapa kota/kab. yang berwarna merah, artinya dibeberapa kota/kab. tersebut peubah angka tidak melanjutkan sekolah memiliki pengaruh yang bersesuaian dengan konteks permasalahan pekerja anak. Wilayah-wilayah tersebut hampir meliputi semua kota/kab. di Provinsi Jawa Tengah dan semua kota/kab. di Provinsi DI Yogyakarta, dan semua kota/kab. di Provinsi Jawa Timur. Misalnya di Provinsi Jawa Tengah seperti isalnya di Kab. Magetan, Kab. Ngawi, wilayah Provinsi Jawa Timur. Artinya, semakin tinggi angka tidak melanjutkan sekolah maka akan menambah jumlah pekerja anak.
Pada kota/kabupaten tersebut, semakin tinggi persentase angka tidak melanjutkan sekolah maka jumlah pekerja anak akan bertambah pula, dalam hal ini kebijakan yang harus didahulukan oleh pihak pengambil kebijakan pada kota/kab. tersebut agar lebih terfokus pada masalah partisipasi sekolah. Jika angka persentase anak melanjutkan sekolah semakin tinggi, maka jumlah pekerja anak di kota/kab. tersebut akan dapat berkurang.
Gambar 4 Peta Dugaan Parameter Angka Tidak Melanjutkan Sekolah
Pada Gambar 4 terlihat di Kab. Blora dan Kab. Rembang menunjukkan bahwa, semakin tinggi angka tidak melanjutkan sekolah malah semakin mengurangi jumlah pekerja anak. Hal tersebut terjadi pula di beberapa kota/kab. di Provinsi Jawa Barat, seperti di Kab. Bandung, Kab. Garut, Kab. Cirebon, Kab. Kuningan dan beberapa kota/kab. lainnya. Serta di beberapa kota/kab. di Provinsi Banten,
seperti di Kab. Pandeglang dan Kab. Lebak. Ketidaksesuaian ini harus dilihat