(iii) Daerah Kritis :
, maka ditolak (iv) Statistik Uji :
Tabel 6. Pengujian Indeks Moran
Uji Nilai Prob
Moran‟s I 0,5589 0.57626 (v) Keputusan :
Berdasarkan tabel 6 nilai Prob.
Moran’s I = 0,57626 >
(vi) Kesimpulan :
Dengan tingkat kepercayaan 95%, maka gagal ditolak. Sehingga dapat disimpulkan bahwa tidak terdapat keterkaitan antar wilayah.
b. Lagrange Multiplier (LM)
Pemilihan model spasial dilakukan
dengan uji LM sebagai identifikasi awal.
Lagrange Multiplier
digunakan untuk
mendeteksi dependensi spasial dengan
lebih spesifik yaitu dependensi lag,. Hasil
Pengujian LM disajikan pada Tabel 7
dengan menggunakan bantuan
softwareOpenGeoda
yaitu :
Tabel 7. Pengujian Lagrange Multiplier Uji Depemdemsi Spasial Nilai Prob Lagrange Multiplier (lag) 0,1798 0,67151
Uji Lagrange Multiplier (lag) bertujuan untuk mengidentifikasi adanya keterkaitan antar provinsi. Berdasakan tabel 7 dapat diketahui bahwa nilai probabilitas dari
Lagrange Multiplier (lag) sebesar 0.67151 dan lebih besar dari . Sehingga gagal ditolak artinya tidak terdapat dependensi lag sehingga tidak perlu dilanjutkan ke pembuatan Spatial Autoregressive Model (SAR).
3.4.2 Uji Heterogenitas
Pengujian heterogenitas dapat diuji dengan menggunakan uji Breusch-Pagan
(BP). Berikut adalah uji hipotesis dari BP. (i) Hipotesis :
: Tidak terdapat keragaman antar wilayah
: Terdapat keragaman antar wilayah
(ii) Tingkat Signifikansi :
Pada penelitian ini menggunakan
(iii) Daerah Kritis :
ditolak, jika (iv) Statistik Uji :
Pendidikan Matematika Universitas Muhammadiyah Purworejo,
Ruang Seminar UMP, Sabtu, 28 Mei 2016
131
Tabel 8. Pengujian Heterogenitas Uji Heterogenitas db Nilai Prob Breusch-Pagan Test 6 3.3260 0.76696 (v) Keputusan :
Berdasarkan tabel 23 ditunjukkan bahwa nilai lebih besar dari nilai
(vi) Kesimpulan :
Dengan tingkat kepercayaan 95%, maka gagal ditolak. Sehingga dapat disimpulkan bahwa tidak terdapat keragaman antar wilayah. Berdasarkan kedua pengujian yang telah dilakukan, yaitu uji dependensi dan uji heterogenitas mengindikasikan bahwa tidak terdapat efek spasial dalam data. Untuk pengujian masing-masing variabel bebas dengan variabel terikat dapat dilihat pada lampiran 5 dan didapatkan kesimpulan bahwa tidak terdapat efek spasial dalam data untuk masing-masing variabel bebas dengan variabel terikat. Sehingga model regresi yang digunakan tidak memasukkan pengaruh lokasi ke dalam model.
Tidak adanya efek spasial dalam data angka putus sekolah tingkat SMA tahun 2014 dapat diartikan bahwa tidak adanya hubungan atau keterkaitan antar wilayah. Hal ini dapat disimpulkan bahwa antar wilayah masih terjadi ketimpangan atau kesenjangan dalam bidang pendidikan. Kesenjangan pembangunan pendidikan antar wilayah merupakan permasalahan yang belum terselesaikan, yang terlihat dari perbandingan capaian APM tahun 2013 dengan 2014. Pada tahun 2013, APM Sekolah Dasar (SD), Sekolah Menengah Pertama (SMP) dan Sekolah Menengah Atas (SMA/K) wilayah Nusa Tenggara, Maluku dan Papua jauh tertinggal dari capaian wilayah Sumatera, Jawa dan Bali yang terlihat dari APMnya.
Kondisi yang sama juga terlihat dari nilai APM menurut wilayah, dimana nilai APM Sekolah Dasar (SD), Sekolah Menengah Pertama (SMP) dan Sekolah
Menengah Atas (SMA/K) tahun 2014 wilayah Nusa Tenggara, Maluku dan Papua masih relative jauh dibandingkan dengan nilai APM nasional dan APM wilayah wilayah Sumatera, Jawa dan Bali.
Hal ini terlihat bahwa kesenjangan pendidikan antar wilayah timur dengan wilayah barat. Kesenjangan tersebut tidak hanya saja pada kesenjangan akses dan partisipasi pendidikan, akan tetapi juga terhadap mutu pendidikan. Kesenjangan tidak terlepas dari kesenjangan input pendidikan di kedua wilayah, mulai dari ketersediaan sekolah dan sarana prasarananya (Biro APBN DPR RI, 2015).
4. Kesimpulan
Berdasarkan analisis yang telah dibahas peneliti pada bagian pembahasan, diperoleh kesimpulan bahwa :
a. Penggunaan regresi linier sederhana untuk masing-masing variabel bebas dengan variabel terikat diperoleh bahwa variabel rasio sekolah-siswa (X2) berpengaruh terhadap angka putus sekolah, dan variabel rata-rata anggota keluarga (X4) berpengaruh terhadap angka putus sekolah.
b. Persamaan regresi linier berganda untuk pemodelan kasus anak putus sekolah tingkat SMA yang terjadi di Indonesia tahun 2014 dapat dilihat dalam persamaan halaman 52. Kedua variabel independen ada yang berkorelasi positif da nada yang berkorelasi negative dengan angka putus sekolah tingkat SMA di Indonesia. Jika faktor konstan, maka setiap kenaikan 1 satuan
akan mengurangi angka putus sekolah tingkat SMA di Indonesia sebesar 0.002. Jika faktor konstan, maka setiap kenaikan 1 satuan akan menaikan jumlah angka putus sekolah tingkat SMA di Indonesia sebesar 0,026.
c. Persamaan regresi linier berganda memiliki nilai koefisien determinasi (R2) sebesar 0.287, artinya model tersebut mampu menjelaskan keragaman dari angka putus sekolah tingkat SMA sebesar 28,7% dan sisanya 71,3%
132
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika, Internalisasi Nilai-nilai Berfikir Matematis Dalam Perannya di Era Masyarakat Ekonomi ASEAN (MEA) dijelaskan oleh variabel lain di luarmodel.
d. Persamaan SAR di atas memiliki nilai koefisien determinasi (R2) sebesar 0.978480 atau sebesar 97.8480%, artinya model tersebut mampu menjelaskan keragaman dari siswa putus sekolah tingkat SMA sebesar 97.8480% dan sisanya 2.152% dijelaskan oleh variabel lain di luar model.
e. Berdasarkan pengujian efek spasial yang telah dilakukan, yaitu uji dependensi dan uji heterogenitas mengindikasikan bahwa tidak terdapat efek spasial dalam data, sehingga model regresi yang digunakan tidak memasukkan pengaruh lokasi ke dalam model.
f. Tidak adanya efek spasial dalam data angka putus sekolah tingkat SMA tahun 2014 dapat diartikan bahwa tidak adanya hubungan atau keterkaitan antar wilayah. Hal ini dapat disimpulkan bahwa antar wilayah masih terjadi ketimpangan atau kesenjangan dalam bidang pendidikan. 5. Referensi
Anselin, Luc. (2003). An Introduction to Spatial Regression Analysis in R. Urbana-Champaign : University of Illinois. Diunduh dari : http://sal.agecon.uiuc.edu.
Anselin, Luc. (2004). Geoda : An Introduction to Spatial Data Analysis.
Urbana-Champaign : Department of Agricultural and Consumer Economics, University of Illinois.
Astari, Gusti Ayu Ratih, dkk. (2013). Pemodelan Jumlah Anak Putus Sekolah Di Provinsi Bali Dengan Pendekatan
Semi-Parametric Geographically Weighted Poisson Regression. Bali : Jurusan Matematika, FMIPA, Universitas Udayana.
Biro APBN, Dewan Perwakilan Rakyat Republik Indonesia. (2014).
Pembangunan Bidang Pendidikan : Perencanaan yang Lebih Fokus dan Berorientasi ke Timur Indonesia Merupakan Solusi Atasi Kesenjangan
dan Percepat Pencapain Target Nasional. Diunduh dari alamat http://www.dpr.go.id/doksetjen/dokum en/biro-apbn-apbn-Pembangunan- Bidang-Pendidikan-Perencanaan-Yang- Lebih-Fokus-dan-Berorientasi-Ke- Timur-Indonesia-Merupakan-Solusi- Atasi-Kesenjangan-dan-Percepat-
Pencapaian-Target-Nasional-1434364286.pdf pada Jumat, 20 Mei 2016, 09.15 WIB.
Bustaman, Usman, dkk. (2013).
Pengembangan Model Sosial : Analisis Spasial Angka Harapan Hidup Penduduk Indonesia Hasil Sensus Penduduk 2010. Jakarta : Badan Pusat Statistik Indonesia.
Citrasari, Tanty. (2009). Pemodelan Angka Putus Sekolah Bagi Anak Usia Wajib Belajar Di Jawa Timur Dengan Pendekatan Generalized Poisson Regression. Surabaya : Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember.
Fitroni, Bagus Naufal, dan Zain, Ismaini. (2013). Pemodelan Angka Putus Sekolah Usia Wajib Belajar Menggunakan Metode Regresi Spasial di Jawa Timur. Surabaya : Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember.
Gaspersz, Vincent. (1991). Ekonometrika Terapan. Bandung : Tarsito.
Ghozali, Imam. (2006). Aplikasi Analisis Multivariate denga Program SPSS. Semarang : Badan penerbit Universitas Diponegoro.
Ghozali, Imam. (2011). Aplikasi Analisis Multivariate dengan Program IBM SPSS 19 (edisi kelima). Semarang : Badan penerbit Universitas Diponegoro.
Pendidikan Matematika Universitas Muhammadiyah Purworejo,
Ruang Seminar UMP, Sabtu, 28 Mei 2016
133
Mayres, R.H. 1990. Classical and ModernRegression Application. 2nd edition Duxbury.CA.
Parwata, I Made Alit . (2005). Pekerja Anak dalam Industri Kecil di Desa Abuan Bangli (Studi tentang Pemanfaatan Anak-Anak dalam Industri Kecil di Desa Abuan Kecamatan Susut Kabupaten Bangli). Yogyakarta : Universitas Gadjah Mada.
Purbasari, Delta Arlintha. (2012). Pemodelan Angka Putus Sekolah Tingkat sltp dan Sederajat Di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal. Surabaya : Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember.
Rati, Musfika. (2013). Model Regresi Spasial Untuk Anak Tidak Bersekolah Usia Kurang 15 Tahun di Kota Medan.
Medan : Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sumatera Utara.
Rasiyo. (2008). Pemerataan Pendidikan Belum Tercapai. Diunduh dari alamat http://els.bappenas.go.id/upload/kliping /Pemerataan%20Pendidikan%20blm.pd f pada Selasa, 15 Maret 2016, 15.40 WIB.
Rosadi, D. 2011. Analisis Ekonometrika & Runtun Waktu Terapan dengan R.
Yogyakarta: Andi Offset.
Sekretariat Jendral Pusat Data dan Statistik Pendidikan. (2015). Ikhtisar Data Pendidikan Tahun 2014/2015. Kementerian Pendidikan dan Kebudayaan. Jakarta.
Setiani, Dessy. (2015). Penerapan Regresi Spasial untuk Pemodelan Kemiskinan di Indonesia Tahun 2013. Yogyakarta :
Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia.
Septiana, Liska. (2012). Pemodelan Remaja Putus Sekolah Usia Sma Di Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Spasial. Surabaya : Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember.
Sumodiningrat, Gunawan. (2007).
Ekonometrika Pengantar (edisi kedua). Yogyakarta: BPFE, Universitas Gadjah Mada.
Walpole, R. E., & Myers, R. H. (1995). Ilmu Peluang dan Statistika untuk Insinyur dan Ilmuwan Edisi ke-4. Bandung: Penerbit ITB.
Widarjono, A. (2005). Ekonometrika : Teori Dan Aplikasi Untuk Ekonomi Dan Bisnis. Sleman: Ekonisia.
Wijaya. (2008). Uji Asumsi Klasik Regresi Linear. Cirebon : Fakultas Pertanian, Universitas Swadaya Gunung Jati.