Simpulan
Model SAR memiliki nilai sebesar 64.01% dan AIC sebesar 59.34, sementara model regresi klasik memiliki nilai sebesar 60.80% dan AIC sebesar 64.14. Karena nilai pada model SAR lebih besar dan juga memiliki nilai AIC lebih kecil dibandingkan model regresi klasik, jadi dapat disimpulkan bahwa model SAR lebih baik daripada model regresi klasik dalam memodelkan persentase kemiskinan kabupaten di Jawa Timur. Faktor yang berpengaruh nyata pada persentase kemiskinan kabupaten di Jawa Timur berdasarkan model SAR adalah angka kematian bayi , persentase penduduk dengan pengeluaran perkapita ≤175,000 rupiah/bulan , persentase penduduk yang menempati rumah dengan luas <8 m2 dan kemiskinan kabupaten di sekelilingnya .
Saran
Hasil model spasial kemungkinan disebabkan oleh pengaruh spasial yang hanya melibatkan wilayah terdekat dan hanya menggunakan satu matriks pembobot saja. Pengaruh spasial bisa saja terjadi antar wilayah yang tidak berdekatan. Sehingga perlu dikaji lebih lanjut mengenai kemungkinan tersebut. Dengan adanya penelitian ini diharapkan pemerintah melakukan pemerataan dalam pembangunan antar kabupaten untuk mengurangi kemiskinan.
18
Tabel 8 Ukuran kebaikan model Regresi Klasik dan SAR
Model AIC
Regresi Klasik 60.80% 64.14
SAR 64.01% 59.34
Tabel 8 menunjukkan bahwa nilai yang dihasilkan model regresi klasik lebih kecil dan nilai AIC yang dihasilkan lebih besar, sementara pada model SAR nilai yang dihasilkan lebih besar dan nilai AIC yang dihasilkan lebih kecil. Hal ini menunjukkan bahwa model SAR lebih baik digunakan dalam memodelkan persentase kemiskinan kabupaten di Jawa Timur.
Hasil koefisien pada pendugaan model regresi klasik juga memiliki nilai pendugaan koefisien yang lebih besar dibandingkan model SAR. Hal ini terjadi karena pada regresi klasik tidak memperhitungkan pengaruh spasial dan juga karena adanya pelanggaran asumsi terutama pada kebebasan sisaan yang menyebabkan pendugaan model regresi klasik kurang tepat. Sedangkan koefisien lag spasial pada model SAR bernilai negatif. Sehingga suatu daerah miskin akan dipengaruhi daerah sekitar tapi tidak terjadi pengelompokan didalamnya.
SIMPULAN DAN SARAN
SimpulanModel SAR memiliki nilai sebesar 64.01% dan AIC sebesar 59.34, sementara model regresi klasik memiliki nilai sebesar 60.80% dan AIC sebesar 64.14. Karena nilai pada model SAR lebih besar dan juga memiliki nilai AIC lebih kecil dibandingkan model regresi klasik, jadi dapat disimpulkan bahwa model SAR lebih baik daripada model regresi klasik dalam memodelkan persentase kemiskinan kabupaten di Jawa Timur. Faktor yang berpengaruh nyata pada persentase kemiskinan kabupaten di Jawa Timur berdasarkan model SAR adalah angka kematian bayi , persentase penduduk dengan pengeluaran perkapita ≤175,000 rupiah/bulan , persentase penduduk yang menempati rumah dengan luas <8 m2 dan kemiskinan kabupaten di sekelilingnya .
Saran
Hasil model spasial kemungkinan disebabkan oleh pengaruh spasial yang hanya melibatkan wilayah terdekat dan hanya menggunakan satu matriks pembobot saja. Pengaruh spasial bisa saja terjadi antar wilayah yang tidak berdekatan. Sehingga perlu dikaji lebih lanjut mengenai kemungkinan tersebut. Dengan adanya penelitian ini diharapkan pemerintah melakukan pemerataan dalam pembangunan antar kabupaten untuk mengurangi kemiskinan.
19
DAFTAR PUSTAKA
Anselin L. 1988. Spatial Econometrics : Methods and Models, Kluwer Academic Publishers. Netherlands.
Anselin L. 1999. Spatial Econometrics. Dallas: School of Social Sciences.
Anselin L. 2009. Spatial Regression. Fotheringham AS, PA Rogerson, editor, Handbook of Spatial Analysis. London : Sage Publications. hlmn 255-275. [BAPPENAS] Badan Perencanaan Pembangunan Nasional. 2004. Indikator
Kemiskinan. Jakarta : Badan Perencanaan Pembangunan Nasional.
Berenson M, Levine D, Watson J, Jayne N, O’Brien M. 2012. Business Statistics: Concepts and Applications. AU : Pearson Higher Education.
[BPS] Badan Pusat Statistik. 2007. Indikator Kemiskinan. Jakarta : Badan Pusat Statistik
[BPS] Badan Pusat Statistik. 2012. Data dan Informasi Kemiskinan. Jakarta : Badan Pusat Statistik.
[BPS dan Depsos] Badan Pusat Statistik dan Departemen Sosial. 2002. Penduduk Fakir Miskin Indonesia. Jakarta : Badan Pusat Statistik.
Draper NR, H. Smith. 1992. Analisis Regresi Terapan. Bambang Sumantri, penerjemah; Jakarta: Gramedia Pustaka Utama. Terjemahan dari: Applied Regression Analysis.
Dray S, Pierre L, Pedro RP. 2006. Spatial modeling: a comprehensive framework for principal coordinate analysis of neighbor matrices (PCNM). Ecological Modelling 196 483-493. Department of Biology, University of Regina. Fotheringham AS, PA Rogerson. 2009. Spatial Analysis. London: Sage
Publications, Inc.
Lee J, Wong DWS. 2001. Statistical Analysis ArchView GIS. New York: John Wiley & Sons, Inc.
Ward MD, Kristiani SG. 2008. Spatial Regression Models Sereies: Quantitative Application in the Social Science. California: Sage Publications, Inc.
20
Lampiran 1 Daftar dan Kode Kabupaten di Jawa Timur
Kode Kabupaten 1 Pacitan 2 Ponorogo 3 Trenggalek 4 Tulungagung 5 Blitar 6 Kediri 7 Malang 8 Lumajang 9 Jember 10 Banyuwangi 11 Bondowoso 12 Situbondo 13 Probolinggo 14 Pasuruan 15 Sidoarjo 16 Mojokerto 17 Jombang 18 Nganjuk 19 Madiun 20 Magetan 21 Ngawi 22 Bojonegoro 23 Tuban 24 Lamongan 25 Gresik 26 Bangkalan 27 Sampang 28 Pamekasan 29 Sumenep
21
22
Lampiran 3 Peubah yang Digunakan dalam Analisis
Jenis Peubah
Jaminan dan kesejahteraan hidup X1 angka harapan hidup
X2 angka kematian bayi Kemampuan membaca dan
menulis
X3 angka melek huruf Kerentanan dan keterpurukan
dalam bidang sosial dan ekonomi
X4 kepadatan penduduk
X5 persentase penduduk dengan
pengeluaran perkapita ≤175,000
rupiah/bulan Ketakberdayaan atau daya tawar
yang rendah
X6 persentase perempuan menikah dengan umur dibawah 17 tahun Kepemilikan tanah
X7 persentase penduduk yang
menempati rumah dengan luas < 8 m2
Perumahan X8 persentase penduduk yang tinggal di rumah sewa/kontrak
Fasilitas (infrastruktur)
X9 persentase rumah tangga yang menggunakan sumber air sumur X10 persentase rumah tangga yang
menggunakan sumber penerangan listrik
X11 persentase rumah tangga yang menggunakan sumber penerangan non listrik
Lampiran 4 Sintaks Program R yang Digunakan dalam Analisis #Membaca Data
skripsi<-read.gwt2skripsi("D:/DATASTDBOBOT3.gwt") data=read.csv("D:/datakemiskinan.csv",sep=";",header=1) listw<-skripsi2listw(skripsi,glist=attr(skripsi,"GeoDa")$dist) #Model Regesi Klasik
regresi<-lm(y~x2+x5+x7,data=xx) summary(regresi)
#Uji LM
LM<-lm.LMtests(regresi,listw,test=c("LMerr","LMlag")) #Model SAR
modelsar<-lagsarlm(y~x2+x5+x7, data=xx, listw) summary(modelsar)
23 Lampiran 5 Uji Simultan Regresi Klasik Semua Peubah Penjelas
Analisis Ragam Sumber db JK KT F P Regresi 11 468.02 42.55 4.01 0.005 Galat 17 180.50 10.62 Total 28 648.52 Lampiran 6 Stepwise-Regression
Stepwise Regression: y versus x1; x2; ...
Alpha yang digunakan: 0,05
Peubah respon adalah y dengan 11 peubah penjelas, N = 29
Langkah 1 2 3 Konstan 6,844 5,456 5,568 x2 0,218 0,175 0,142 Nilai-t 3,85 3,45 2,83 Nilai-p 0,001 0,002 0,009 x7 0,155 0,166 Nilai-t 3,23 3,65 Nilai-p 0,003 0,001 x5 2,6 Nilai-t 2,10 Nilai-p 0,046 S 3,94 3,39 3,19 R-Sq 35,47 53,91 60,81 R-Sq(adj) 33,08 50,37 56,11 Cp Mallows 14,4 5,2 2,9
Lampiran 7 Uji Simultan Regresi Klasik peubah terbaik Analisis Ragam
Sumber db JK KT F P Regresi 3 394.37 131.46 12.93 0.000 Galat 25 254.15 10.17
24
Lampiran 8 Uji kebebasan sisaan model klasik menggunakan Run-test
Runs test untuk Sisaan Model Klasik
Nilai Run-test di atas dan di bawah K -9.983 x 10-7
Nilai pengamatan Run-test 17
Nilai dugaan Run-test 15.3448
13 Pengamatan berada di atas K ; 16 pengamatan berada di bawah
Nilai p 0.027
Lampiran 9 Uji kebebasan sisaan model SAR menggunakan Run-test
Runs test untuk Sisaan Model Klasik
Nilai Run-test di atas dan di bawah K 3.144 x 10-7
Nilai pengamatan Run-test 17
Nilai dugaan Run-test 15.3448
13 Pengamatan berada di atas K ; 16 pengamatan berada di bawah