PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG

(1)

PEMODELAN

SPATIAL STRUCTURAL EQUATION

MODELING

PADA RUMAH TANGGA MISKIN DI

KABUPATEN JOMBANG

Mastari Rizki Fadillah

_|

1312105031

Dosen Pembimbing :

Dr. Bambang Widjanarko Otok, M.Si

(2)

Pendahuluan

Tinjauan Pustaka

Metodelogi Penelitian

Analisis dan Pembahasan

1

2

3

4 Kesimpulan dan Saran

5

(3)

Latar Belakang| Rumusan Masalah | Tujuan | Manfaat| Batasan Masalah

(4)

LATAR BELAKANG

KEMISKINAN

Suatu keadaan dimana terjadi ketidakmampuan untuk

memenuhi kebutuhan dasar seperti makanan, pakaian,

tempat berlindung, pendidikan dan kesehatan.

Masyarakat

Miskin

Suatu kondisi dimana fisik masyarakat yang tidak

memiliki akses ke sarana dan prasarana dasar lingkungan

yang memadai dengan kualitas perumahan dan

pemukiman yang jauh di bawah standar kelayakan serta

mata pencaharian yang tidak menentu.

(5)

LATAR

BELAKANG

4,77 juta atau 12,55% (BPS, 2013) 21 Kecamatan 306 Desa/ Kelurahan 156 ribu orang / 12,88% (BPS Jatim, 2011)

(6)

LATAR

BELAKANG

Program I • Program penanggulangan kemiskinan berbasis bantuan sosial Program II • Program penanggulangan kemiskinan yang berbasis pemberdayaan masyarakat Program III • Program penanggulangan kemiskinan yang berbasis pemberdayaan usaha kecil Upaya Penanggulangan Pamungkas (2012)

Bertujuan untuk memberikan saran kepada pemerintah Kabupaten Jombang bahwa revitalisasi dalam bidang pertanian perlu dilakukan agar kualitas hidup masyarakat Kabupaten Jombang meningkat apabila

(7)

LATAR

BELAKANG

SEM

Ningrum (2012)

Memiliki kemampuan untuk menggambarkan

pola hubungan antara variabel laten dan variabel

indikator Analisis statistika yang

mengkombinasikan analisis regresi berganda

dan analisis faktor

EFEK

SPASIAL

SEM

(8)

RUMUSAN MASALAH DAN TUJUAN

•

• Permasalahan

Bagaimana model bantuan rumah tangga miskin di

Kabupaten Jombang yang didasarkan pada dimensi

ekonomi, kesehatan dan SDM dengan menggunakan

Spatial Structural Equation Modeling

?

Tujuan

Mengetahui model bantuan rumah tangga miskin di

Kabupaten Jombang yang didasarkan pada dimensi

ekonomi, kesehatan dan SDM dengan menggunakan

(9)

MANFAAT DAN BATASAN MASALAH

•

• Manfaat

Penelitian ini diharapkan menjadi

early warning

system

yang dapat mengatasi masalah kemiskinan di

Kabupaten Jombang dan dapat dijadikan sebagai

rujukan bagi Pemerintah Kabupaten Jombang dalam

menentukan kebijakan yang berkaitan dengan

kesejahteraan masyarakat Kabupaten Jombang.

Batasan Masalah

Batasan masalah dalam penelitian ini adalah pada

data yang digunakan yaitu data rumah tangga miskin

di Kabupaten Jombang tahun 2010, dengan obyek

penelitian yaitu 306 desa di Kabupaten Jombang.

(10)

Structural Equation Modeling| Spatial SEM| Teori Kemiskinan

(11)

Structural Equation Modeling

(SEM)

SEM merupakan metode analisis statistika yang mengkombinasikan analisis regresi berganda dan analisis faktor yang dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan antara variabel pengamatan (indikator) dan variabel yang tidak dapat

diukur secara langsung (variabel laten). Variabel laten merupakan variabel yang tidak dapat diukur secara langsung, tetapi dapat mewakili

(12)

Confirmatory Factor Analysis

(CFA)

CFA Model Struktural Estimasi Parameter Identifikasi Model Kesesuaian Model Skor Faktor

Confirmatory Factor Analysis (CFA) merupakan metode yang digunakan untuk menguji measurement model yang

menggambarkan hubungan antara variabel laten dengan

indikator-indikatornya yang dinyatakan dalam loading factor

(λ).

Loading factor menunjukkan korelasi antara variabel indikator dengan variabel laten.

Persamaan CFA dapat dinotasikan dalam bentuk matriks yang ditunjukkan pada persamaan berikut.

X=Λ_X𝛏 + 𝛅

dimana X adalah vektor indikator p×1, Λx adalah matriks lamda

(loading factor) p×m, 𝛏_{adalah vektor variabel laten}m×1, dan δ

(13)

Confirmatory Factor Analysis

(CFA)

Signifikansi indikator-indikator dalam mengukur variabel

laten dapat diketahui dengan menggunakan statistik uji t.

Statistik uji t digunakan karena

loading factor

(λ

_i

) dalam

CFA menggunakan

standardized estimate

dimana memiliki

kedudukan yang sama dengan besaran regresi (Ferdinand,

2002).

Reliabilitas variabel laten dapat diketahui dengan

menghitung nilai

construct reliability

(

ρ

_c

) yang ditunjukkan

dalam persamaan berikut.

                           



   p i i p i i p i i c 1 2 1 2 1    

Variabel laten dikatakan reliabel jika nilai

Construct

Reliability

yang dihasilkan lebih besar sama dengan 0,5

(Ghozali dan Fuad, 2005).

(14)

Persamaan Struktural SEM

Structural model menggambarkan hubungan antara variabel laten independen (eksogen) dengan variabel laten dependen (endogen).

Bollen (1989), model persamaan struktural untuk variabel laten adalah sebagai berikut.

η = Bη + Γ𝛏 + 𝛇

dimana η (eta) adalah vektor variabel random dependen endogen (latent endogenous) dengan ukuran mx1, 𝛏 (xi) adalah vektor variabel random independen eksogen (latent exogenous) dengan ukuran nx1, B (beta) adalah matrik koefisien yang menunjukkan pengaruh variabel laten endogen terhadap variabel lainnya dengan ukuran mxm, Γ adalah koefisien matrik yang menunjukkan hubungan dari 𝛏 terhadap

η dengan ukuran mxn, dan 𝛇 (zeta) adalah vektor random error dengan ukuran mx1, dengan nilai harapan sama dengan nol.

(15)

Structural Equation Modeling

(SEM)

Menurut Bollen (1989), estimasi parameter model SEM menggunakan metode Maximum Likelihood Estimation (MLE).

Fungsi dari metode MLE adalah sebagai berikut.

𝐹

_𝑀𝐿

= log 𝚺(𝛉) + 𝑡𝑟 𝑺𝚺

−𝟏

𝛉 − log 𝑺 − (𝑝 + 𝑞)

dimana:

𝚺(𝛉) = matrik varian kovarian model

𝑺 = matrik varian kovarian data pengamatan

(16)

Identifikasi Model

Pada identifikasi model terdapat tiga macam kriteria yaitu

(Schumacker dan Lomax, 2004).

1. Under identified

Under identified merupakan keadaan dimana persamaan yang terbentuk lebih sedikit dari parameter yang ditaksir, berarti derajat bebas negatif. Hal ini menunjukkan bahwa analisis model tidak dapat dilakukan.

2. Just identified

Pada keadaan just identified, jumlah persamaan sama dengan parameter yang ditaksir sehingga derajat bebas bernilai nol. Keadaan ini berarti bahwa model yang terbentuk tidak memiliki kemampuan untuk men-generalisasi sehingga analisis tidak dapat dilakukan.

(17)

3. Over identified

Model over identified berarti jumlah persamaan lebih besar dari banyaknya parameter yang diestimasi. Hal ini menunjukkan bahwa derajat bebas bernilai positif sehingga beberapa tingkat generalisasi dapat dilakukan untuk mendapatkan model yang paling sesuai.

Identifikasi model dilakukan dengan menggunakan persamaan derajat bebas berikut (Hair, et al, 1998).

𝑑𝑓 =

1

2

𝑝 + 𝑞 𝑝 + 𝑞 + 1 − 𝑡

dimana:

df = derajat bebas

p = jumlah indikator variabel endogen

q = jumlah indikator variabel eksogen

t = jumlah parameter yang diestimasi

(18)

Kesesuaian Model SEM

Menurut Ghozali dan Fuad (2005), indikator kesesuaian

model SEM dapat dilihat dari beberapa ukuran

diantaranya

Chi-Square Statistic, Goodnest of

Fit

Indices

(GFI)

, Adjusted Goodness of Fit Index

(AGFI)

,

Root

Mean Square Error of Approximation

(RMSEA)

,

dan

Comparative Fit Index

(CFI).

Nilai kritis yang direkomendasikan untuk

indikator-indikator kesesuaian model tersebut adalah.

Indikator Kesesuaian

Model Model Fit Model Dapat Diterima Chi-square P-value 0 ≤ χ 2_{≤ 2df} 0,05 ≤ P-value ≤ 1,00 2df < χ 2_{≤ 3df} 0,01 < P-value ≤ 0,05 GFI 0,95 ≤ GFI ≤ 1,00 0,90 < GFI ≤ 0,95 AGFI 0,90 ≤ AGFI ≤ 1,00 0,85 < AGFI ≤ 0,90 RMSEA 0 ≤ RMSEA ≤ 0,05 0,05 <RMSEA ≤ 0,08 CFI 0,97 ≤ CFI ≤ 1,00 0,95 < CFI ≤ 0,97

(19)

Skor Faktor

Skor faktor merupakan estimasi nilai faktor bersama. Skor faktor digunakan sebagai data yang telah direduksi untuk analisis statistik

lanjutan. Untuk mengestimasinya digunakan metode regresi yaitu.

𝒇

_𝑘

= 𝑳

′

𝑺

−1

(𝒙

_𝑘

− 𝒙 )

untuk

k

= 1,2,...,

n

dimana 𝒇 _𝑘 adalah skor faktor ke-k, n adalah banyak observasi, 𝐋

adalah matrik estimasi loading faktor, S adalah matrik kovarian sampel, 𝒙_𝑘 adalah vektor observasi ke-k, dan 𝒙 adalah vektor rataan

untuk n observasi. CFA Model Struktural Estimasi Parameter Identifikasi Model Kesesuaian Model Skor Faktor

(20)

Spatial Structural Equation Modeling

(SEM Spasial)

Model Spasial Regresi Linear Uji Model Spasial Pembobot Spasial

• Aspek spasial pada suatu data dapat dilihat dari pengaruh atau efek spasial.

• Anselin (1988) menjelaskan bahwa terdapat dua efek spasial dalam ekonometrika yaitu efek spatial

dependence dan spatial heterogeneity.

• Spatial dependence menunjukkan adanya keterkaitan antar lokasi obyek penelitian, sedangkan spatial

heterogeneity mengacu pada keragaman parameter pada setiap lokasi.

• Anselin (1988) menjelaskan bahwa uji untuk

mengetahui adanya spatial heterogeneity digunakan statistik uji Breusch-Pagan Test (BP Test) dan Koenker Bassett Test. Sedangkan pengujian adanya spatial

dependence menggunakan metode Moran’s I dan

Lagrange Multiplier. Model GWR

(21)

Spatial Structural Equation Modeling

(SEM Spasial)

Pengaruh spasial yang sering terjadi pada model regresi adalah adanya autokorelasi spasial. Adanya unsur autokorelasi spasial ini menyebabkan terbentuknya parameter spasial autoregresif pada proses spasial yang dinyatakan sebagai berikut:

𝒚 = 𝜌𝑾₁𝒚 + 𝚾𝜷 + 𝒖

dan

𝒖 = 𝜆𝑾₂𝒖 + 𝜺

dimana 𝜺 ~ 0, 𝜍2 dan tidak ada autokorelasi.

Sehingga dapat dibentuk model umum regresi spasial sebagai berikut:

𝒚 = 𝜌𝑾₁𝒚 + 𝚾𝜷 + 𝜆𝑾₂𝒖 + 𝜺 dimana:

𝒚 _:_{vektor variabel respon} 𝚾 : matrik variabel prediktor

𝜌 : koefisien autoregresif spatial lag variabel dependen

𝜷 :vektor koefisien parameter regresi

𝜆 : koefisien autoregresif spatial error

𝒖 _{: vektor}error yang diasumsikan mengandung autokorelasi

𝑾₁ : matrik bobot spasial variabel dependen

𝑾₂ : matrik bobot spasial error

(22)

1. Spatial Dependence

Model Spasial Regresi Linear Uji Model Spasial Pembobot Spasial Model GWR

Kebergantungan suatu wilayah dengan suatu lokasi yang berdekatan atau bertetangga di sekitarnya disebut dependensi spasial (spatial dependence). Untuk menguji dependensi spasial menggunakan metode Morans’I dan Lagrange Multiplier Test.

Morans’I didasarkan pada korelasi pearson: 𝜌 = 𝑛𝑖=1 𝑥𝑖−𝑥 𝑦𝑖−𝑦 𝑥_𝑖−𝑥 2 𝑛 _𝑦_𝑖_−𝑦2 𝑖=1 𝑛 𝑖=1 1/2

𝑥 dan 𝑦 adalah sampel means masing-masing variabel. 𝐼 = 𝑛 𝑛𝑖=1 𝑛𝑗=1_𝑊𝑊𝑖𝑗 𝑥𝑖−𝑥 𝑥𝑗−𝑥 𝑖𝑗 𝑛𝑖=1 𝑥𝑖−𝑥 2 𝑛 𝑗=1 𝑛 𝑖=1 dimana: n : jumlah pengamatan 𝑥 : rata-rata variabel

𝑥_𝑖 : nilai variabel pada lokasi tertentu 𝑥_𝑗 : nilai variabel pada lokasi lain

(23)

1. Spatial Dependence

Uji Morans’I dapat digunakan untuk melihat pola penyebaran dan menguji spatial autocorrelation (Fotheringham, et al, 2002).

 Pola penyebaran

Pola penyebaran dilihat 𝐼₀ = _𝑛−1−1 , jika nilai 𝐼 > 𝐼₀ maka data tersebut autokorelasi positif, 𝐼 < 𝐼₀ maka data tersebut autokorelasi negatif, sedangkan jika 𝐼 = 𝐼₀ maka penyebaran data tersebut random.  Uji spatial autocorrelation

Hipotesis yang digunakan adalah:

H₀ : tidak ada spatial autocorrelation 𝐼 = 0 H₁ : ada spatial autocorrelation 𝐼 = 0

Statistik uji: 𝑍 𝐼 = 𝐼−𝐼0 𝑉𝑎𝑟 𝐼 dengan 𝑣𝑎𝑟 𝐼 = 𝑛2 𝑛−1 1₂ 𝑛_𝑖=𝑗 𝑊_𝑖𝑗+𝑊_𝑖𝑗 2 − 𝑛 𝑛−1 _𝑖=1𝑛 _𝑗=1𝑛 𝑊_𝑖𝑗+ 𝑛_𝑗=1𝑊_𝑖𝑗 2 − 2 𝑛_𝑖=1 𝑛_𝑗=1𝑊_𝑖𝑗 2 𝑛+1 𝑛−1 𝑛 𝑊_𝑖𝑗 2 𝑗=1 𝑛 𝑖=1

(24)

1. Spatial Dependence

Lagrange Multiplier digunakan untuk mengetahui efek spasial pada model spasial autoregressive pada rho (SAR), spasial autoregressive pada error dan SARMA (Anselin, 1988). Berikut hipotesis yang digunakan untuk mengetahui efek spasial pada spasial autoregressive pada rho (SAR) dan spasial autoregressive pada error :

H₀ : 𝜌 = 0 (tidak ada dependensi spasial autoregressive

dalam model)

H₁ : 𝜌 ≠ 0 (ada dependensi spasial autoregressive dalam model)

Sedangkan untuk menguji adanya efek spasial pada model spasial autoregressive pada error hipotesis yang digunakan adalah sebagai berikut:

H₀ : 𝜌 = 0 (tidak ada dependensi error spasial) H₁ : 𝜌 ≠ 0 (ada dependensi error spasial)

(25)

Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Statistik uji dengan menggunakan

Lagrange Multiplier test

:

𝐿𝑀 = 𝐸−1_𝑅

𝑦 2 𝑇22 − 2𝑅𝑦𝑅𝑒𝑇12 + 𝑅𝑒 2 𝐷 + 𝑇11

dengan m = jumlah parameter spasial, untuk spasial autoregressive

pada rho (SAR) =1, spasial autoregressive pada error =1 dan SARMA=2

Nilai statistik uji mengikuti distribusi Chi-Square dengan derajat bebas m. Jika nilai LM > 𝜒_(𝛼,𝑚)2 maka H0 akan ditolak. Sehingga

terdapat dependensi spasial.

1. Spatial Dependence

(26)

2. Spatial Heterogenity

Spatial heterogenity digunakan untuk melihat kecen-derungan pola hubungan atau kestabilan diantara lokasi pengamatan (Anselin, 1988). Spatial heterogenity biasanya terlihat dari hasil masing-masing parameter lokasi yang berbeda atau dengan melihat deskriptif data awal yang ditandai dengan variasi yang cukup besar.

Untuk menguji spatial heterogenity menggunakan uji

Breusch Pagan. Hipotesis yang digunakan adalah: H₀ : 𝜍₁2 = 𝜍₂2 = ⋯ = 𝜍_𝑛2 = 𝜍2

H₁ : minimal ada satu 𝜍_𝑖2 ≠ 𝜍2

Statistik uji: 𝐵𝑃 = 1₂ 𝒇𝑇𝒁 𝒁𝑇𝒁 −1𝒁𝑇𝒇 ~ 𝜒_𝑝2 dengan 𝒇 = 𝑓₁, 𝑓₂, … , 𝑓_𝑛 𝑇 dan 𝑓_𝑖 = 𝑒𝑖2

𝜎2 − 1 , 𝑒𝑖 = 𝑦𝑖 − 𝑦 𝑖

adalah residual untuk pengamatan ke-i. Z adalah matrik

n(p+1) yang berisi vektor yang telah dinormalstandarkan dengan p adalah banyak pengamatan. Tolak H₀ jika 𝐵𝑃 > 𝜒_𝑝2.

(27)

2. Spatial Heterogenity

Selain menggunakan uji

Breusch Pagan

, untuk

menguji

spatial heterogenity

dapat pula menggunakan

uji

Koenker Bassett

.

Uji

Koenker Bassett

sama dengan uji

Breusch Pagan

,

namun uji ini dibuat kuat untuk data

outlier

atau tidak

normal. Jika uji ini signifikan secara statistik, hal ini

menunjukkan bahwa hubungan antara beberapa atau

semua variabel independen dan variabel dependen

tidak stasioner. Salah satu variabel independennya

mungkin menjadi prediktor kuat di beberapa daerah

tetapi lemah di daerah lain.

Sehingga untuk menetukan modelnya dapat

(28)

Pembobot Spasial

Menurut LeSage (1999), metode itu dijelaskan

sebagai berikut:

• Linear Contiguity

(Persinggungan tepi);

mendefinisikan = 1 untuk region yang berada di

tepi (

edge

) kiri maupun kanan region yang

menjadi perhatian, = 0 untuk region lainnya.

• Rook Contiguity

(persinggungan sisi);

mendefinisikan = 1 untuk region yang bersisian

(

common side

) dengan region yang menjadi

perhatian, = 0 untuk region

lainnya.

• Bhisop Contiguity

(Persinggungan sudut);

mendefenisikan =1 untuk region yang titik

sudutnya

(common vertex

) bertemu dengan

sudut

region yang menjadi perhatian, = 0 untuk

region lainnya.

Model GWR

(29)

Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

• Double Linear Contiguity

(Persinggungan dua

tepi); mendefinisikan = 1 untuk dua

entity

yang

berada di sisi (

edge

) kiri dan kanan region yang

menjadi perhatian, = 0 untuk region lainnya.

• Double Rook Contiguity

(Persinggungan dua

sisi); mendefinisikan

= 1 untuk dua

entity

di kiri,

kanan, utara dan selatan region yang menjadi

perhatian, = 0 untuk region lainnya.

• Queen Contiguity

(persinggungan sisi-sudut);

mendefinisikan = 1 untuk

entity

yang bersisian

(

common side

) atau titik sudutnya (

common

vertex

) bertemu dengan region

yang menjadi

perhatian, = 0 untuk region lainnya.

(30)

Matrik Pembobot

Contoh matrik pembobot dengan cara queen continguity untuk daerah dengan kondisi sebagai berikut:

diperoleh: 𝑊 = 0 1 1 1 0 1 1 1 0 0 0 1 0 1 0 0 1 1 0 0 0 0 11 0

(31)

Geographically Weighted Regression

(GWR)

Metode GWR adalah suatu teknik yang membawa kerangka dari model regresi sederhana menjadi model regresi terboboti (Fotheringham, et al, 2002). Dalam model GWR, variabel respon

y ditaksir dengan variabel prediktor yang masing-masing koefisien regresinya tergantung pada lokasi dimana data tersebut diamati.

Model GWR dapat ditulis sebagai berikut.

𝑦_𝑖 = 𝛽₀ 𝑢_𝑖, 𝑣_𝑖 + 𝑝_𝑘=1𝛽_𝑘 𝑢_𝑖, 𝑣_𝑖 𝑥_𝑖𝑘 + 𝜀_𝑖 dimana

𝑦_𝑖 : nilai observasi variabel respon ke-i

𝑥_𝑖𝑘 : nilai observasi variabel prediktor k pada pengamatan ke-i

𝛽_𝑘 : vektor koefisien regresi, k = 0, 1, 2, ..., p

𝑢_𝑖, 𝑣_𝑖 : menyatakan titik koordinat (longitude, latitude) lokasi ke-i

𝜀_𝑖 : error yang diasumsikan identik, independen, dan berdistribusi normal dengan mean nol dan varians konstan 𝜍2.

(32)

Geographically Weighted Regression

(GWR)

Metode penaksiran parameter pada model GWR adalah dengan metode Weighted Least Square (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap lokasi dimana data tersebut dikumpulkan. Dengan demikian, bentuk penaksir parameter dari model GWR untuk setiap lokasi (Fotheringham, et al, 2002) adalah sebagai berikut.

𝛃 𝑢_𝑖, 𝑣_𝑖 = 𝐗𝐓𝐖 𝑢_𝑖, 𝑣_𝑖 𝐗 −1𝐗𝐓𝐖 𝑢_𝑖, 𝑣_𝑖 𝒚

Salah satu fungsi pembobot yang biasa digunakan adalah fungsi Kernel Gaussian dengan persamaan sebagai berikut.

𝑊_𝑖𝑗 = 𝑒𝑥𝑝 −1₂ 𝑑_ℎ𝑖𝑗 2 dimana h adalah parameter non negatif yang diketahui dan biasanya disebut parameter penghalus (bandwith) dan 𝑑_𝑖𝑗 merupakan jarak Euclidean antara i dan j dimana

𝑑_𝑖𝑗 = 𝑢_𝑖 − 𝑢_𝑗 2_{+ 𝑣}

(33)

Geographically Weighted Regression

(GWR)

Pengujian kesesuaian model (goodness of fit) dilakukan dengan menguji kesesuaian dari koefisien parameter secara serentak, yaitu dengan mengkombinasikan uji regersi linear dengan model untuk data spasial. Hipotesis yang digunakan adalah sebagai berikut.

H₀ : 𝛽_𝑘 𝑢_𝑖, 𝑣_𝑖 = 𝛽_𝑘; 𝑘 = 1,2, … , 𝑝 (tidak ada perbedaan yang signifikan antara model regresi linear dengan GWR) H₁ : paling sedikit ada satu 𝛽_𝑘 𝑢_𝑖, 𝑣_𝑖 ≠ 𝛽_𝑘_{(ada perbedaan}

yang signifikan antara model regresi linear dengan GWR) Statistik uji: 𝐹_ℎ𝑖𝑡 = 𝑆𝑆𝐸 𝐻1 𝛿12 𝛿2 𝑆𝑆𝐸 𝐻0 𝑛−𝑘−1

Jika F_hitung lebih besar dari F_tabel maka dapat diambil keputusan tolak H₀ atau dengan kata lain model GWR lebih sesuai digunakan daripada model regresi linear.

(34)

Geographically Weighted Regression

(GWR)

Pengujian parameter model GWR dilakukan untuk mengetahui parameter mana yang signifikan mempengaruhi variabel respon secara parsial. Hipotesis yang digunakan adalah sebagai berikut.

H₀ : 𝛽_𝑘 𝑢_𝑖, 𝑣_𝑖 = 0 ; 𝑘 = 1,2, … , 𝑝 H₁ : 𝛽_𝑘 𝑢_𝑖, 𝑣_𝑖 ≠ 0

Estimasi parameter 𝛽 𝑢_𝑖, 𝑣_𝑖 akan mengikuti distribusi normal dengan rata-rata 𝛽 𝑢_𝑖, 𝑣_𝑖 dan matrik varian kovarians CCT_σ2_{dengan C= (X}T_W _𝑢_𝑖_{, 𝑣}_𝑖 _X)-1_XT_W _𝑢_𝑖_{, 𝑣}_𝑖 _,

sehingga di didapatkan βk ui,vi − βk ui,vi_{𝜎 𝑐}

𝑘𝑘 ~𝑁 0,1

dimana C_kk adalah elemen diagonal ke-k dari matrik CCT_.

𝑇 = βk ui,vi 𝜍 𝑐_𝑘𝑘 Tolak H₀ jika nilai 𝑇_ℎ𝑖𝑡 > 𝑡𝛼

2

(35)

Geographically Weighted Regression

(GWR)

Ada beberapa metode yang digunakan untuk memilih model terbaik, salah satunya adalah Akaike Information Criterion (AIC) yang didefinisikan sebagai berikut.

AIC = 2𝑛ln 𝜍 + 𝑛ln 2𝜋 + 𝑛 _{𝑛−2−𝑡𝑟 𝐒}𝑛+𝑡𝑟 𝐒 (33) dengan:

𝜍 : nilai estimator standar deviasi dari error hasil estimasi maksimum likelihood, yaitu 𝜍 = 𝑆𝑆𝐸_𝑛

S : matrik proyeksi 𝒚 = 𝐒𝒚

Pemilihan model terbaik dilakukan dengan menentukan model dengan nilai AIC terkecil (Fotheringham, et al, 2002).

(36)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

• Kemiskinan merupakan suatu keadaan

dimana terjadi ketidakmampuan untuk

memenuhi kebutuhan dasar seperti

makanan, pakaian, tempat berlindung,

pendidikan dan kesehatan.

• Kemiskinan dikelompokkan dalam dua

kategori, yaitu kemiskinan absolute dan

kemiskinan relatif.

• Bank Dunia mendefinisikan kemiskinan

absolut adalah hidup dengan pendapatan

USD $ 1 / hari. Kemiskinan relatif

merupakan kondisi miskin karena kebijakan

pembangunan yang belum mampu

(37)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

BPS (2009) mendefinisikan garis kemiskinan

sebagai nilai rupiah yang harus dikeluarkan

seseorang dalam sebulan agar dapat memenuhi

kebutuhan dasar asupan kalori sebesar 2100

kkal/hari per kapita (garis kemiskinan

makanan) ditambah kebutuhan minimum non

makanan yang merupakan kebutuhan

seseorang, yaitu papan, sandang, sekolah,

transportasi dan kebutuhan individu

rumahtangga dasar lainnya (garis kemiskinan

non makanan).

(38)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

BPS (2009) membagi kemiskinan menurut penyebabnya

menjadi dua yaitu:

• Kemiskinan karena adanya faktor-faktor adat atau

budaya suatu daerah tertentu yang membelenggu

seseorang atau sekelompok masyarakat tertentu

sehingga membuatnya tetap melekat dengan

kemiskinan.

• Kemiskinan struktural, yaitu kemiskinan yang terjadi

sebagai akibat ketidakberdayaan seseorang atau

sekelompok masyarakat tertentu terhadap sistem

atau tatanan sosial yang tidak adil, karena mereka

berada pada posisi tawar yang sangat lemah dan

tidak memiliki akses untuk mengembangkan dan

membebaskan diri mereka sendiri dari perangkap

kemisikinan.

(39)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

Badan Pusat Statistik menggunakan 3 indikator

kemiskinan yaitu.

• Head Count Index

(HCI-P

₀

), yaitu persentase

penduduk yang berada dibawah garis kemiskinan.

• Indeks Kedalaman Kemiskinan (

Poverty Gap Index

-P

₁

) merupakan ukuran rata-rata kesenjangan

penyebaran pengeluaran masing-masing penduduk

miskin terhadap garis kemiskinan. Semakin tinggi

nilai indeks, semakin jauh rata-rata pengeluaran

penduduk dari garis kemiskinan.

• Indeks Keparahan Kemiskinan (

Poverty Severity

Indeks

-P

₂

) memberikan gambaran mengenai

penyebaran pengeluaran diantara penduduk miskin.

Semakin tinggi nilai indeks, semakin tinggi

ketimpangan pengeluaran diantara penduduk

miskin.

(40)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

Menurut Badan Pusat Statistik terdapat 14 kriteria

untuk menentukan suatu keluarga dikategorikan

rumah tangga miskin, yaitu:

• Luas bangunan tempat tinggal kurang dari 8 m

2

_per

orang.

• Jenis lantai tempat tinggal terbuat dari tanah/

bambu/ kayu murahan.

• Jenis dinding tempat tinggal dari bambu/ rumbia/

kayu berkualitas rendah/ tembok tanpa diplester.

• Tidak memiliki fasilitas buang air besar/

bersama-sama dengan rumah tangga lain.

• Sumber penerangan rumah tangga tidak

menggunakan listrik.

• Sumber air minum berasal dari sumur/ mata air

tidak terlindung/ sungai/ air hujan.

• Bahan bakar untuk memasak sehari-hari adalah

kayu bakar/ arang/ minyak tanah.

(41)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

• Hanya mengkonsumsi daging/ susu/ ayam satu kali dalam seminggu

• Hanya membeli satu stel pakaian baru dalam setahun

• Hanya sanggup makan hanya satu/ dua kali dalam sehari.

• Tidak sanggup membayar biaya pengobatan di puskesmas/ poliklinik.

• Sumber penghasilan kepala keluarga adalah petani dengan luas lahan 500 m2_{, buruh tani, nelayan, buruh}

bangunan, buruh perkebunan, dan atau pekerjaan lainnya dengan pendapatan di bawah Rp. 600.000,- (Enam Ratus Ribu) per bulan.

• Pendidikan tertinggi kepala keluarga: tidak bersekolah/ tidak tamat SD/ hanya SD.

• Tidak memiliki tabungan/ barang yang mudah dijual dengan nilai minimal Rp. 500.000,- (Lima Rus Ribu Rupiah), seperti sepeda motor kredit/ non-kredit,

(42)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

Menurut BPS (2008) secara garis besar, pemerintah

melakukan berbagai langkah untuk menanggulangi

masalah yang diwujudkan dalam tiga paket program

bantuan yaitu.

• Paket bantuan program I adalah bantuan dan

perlindungan sosial. Paket bantuan ini ditujukan

untuk perlindungan dan pemenuhan hak atas

pendidikan, kesehatan, pangan, sanitasi, dan air

bersih. Paket bantuan ini terwujud dalam bentuk

beras miskin (Raskin), Jaminan Kesehatan

Masyarakat (Jamkesmas), BOS (Bantuan

Operasional Sekolah), PKH (Program Keluarga

Harapan), dan BLT (Bantuan Langsung Tunai).

(43)

TEORI KEMISKINAN

Definisi

Indikator

Kemiskinan

Program

Bantuan

• Paket bantuan program II adalah pemberdayaan

masyarakat (PNPM Mandiri). Paket bantuan ini

bertujuan untuk memberikan perlindungan dan

pemenuhan hak atas berpartisipasi, kesempatan

kerja dan berusaha, tanah, SDA dan LH, dan

perumahan.

• Paket bantuan program III adalah pemberdayaan

Usaha Mikro dan Kecil (UMK-KUR) yang bertujuan

untuk perlindungan dan pemenuhan hak atas

(44)

PENELITIAN SEBELUMNYA

• Meneliti tentang revitalisasi sektor pertanian untuk menanggulangi masalah kemiskinan di Kabupaten Jombang.

• Revitalisasi sektor pertanian sangat perlu dilakukan dengan harapan sektor ini mampu untuk menjawab permasalahan sosial yang diakibatkan oleh permasalahan ekonomi.

Pamungkas

(2012)

• Mengkaji keterkaitan antar faktor penentuan kemiskinan di Kabupaten Jombang dengan menggunakan Structural Equation Modeling.

• Indikator ekonomi dan SDM berpengaruh positif terhadap kemiskinan dengan asumsi melihat indikator-indikator yang membentuk laten SDM dan ekonomi, sedangkan kesehatan berpengaruh negatif terhadap kemiskinan.

Ningrum (2013)

• Bertujuan untuk mengetahui kebenaran konsep teori mengenai faktor-faktor yang mempengaruhi derajat kesehatan masyarakat Jawa Timur.

• Dari hasil analisis SEM disimpulkan bahwa lingkungan, pelayanan kesehatan, tenaga kesehatan, dan infrastruktur berpengaruh terhadap derajat kesehatan.

(45)

PENELITIAN SEBELUMNYA

• Tentang SEM dengan model struktural berupa regresi spasial yang diterapkan pada data di Propinsi Sumatera Barat untuk melihat penyebaran daerah tertinggalnya. • Pola penyebaran daerah tertinggal di Propinsi Sumatera

Barat tersebar di perbatasan Propinsi dan merupakan daerah hasil pemekaran Kabupaten/ Kota.

Prihandini (2011)

• Tentang pengembangan indikator dan penentuan rumah tangga miskin di Propinsi Jawa Timur menggunakan Spatial Structural Equation Modeling.

• Model pengukuran yang didapatkan adalah kesehatan berpengaruh negatif terhadap ekonomi dan SDM berpengaruh positif terhadap ekonomi. Variabel laten kesehatan berpengaruh positif terhadap SDM dengan koefisien dan SDM berpengaruh negatif terhadap kemiskinan.

Fitriani (2013)

• Menyusun model Spasial SEM Partial Least Square untuk data kemiskinan di Kabupaten/Kota Provinsi Jawa Timur tahun 2011.

• Pada model kemiskinan diketahui bahwa ekonomi, kesehatan signifikan .

• Untuk model ekonomi diketahui bahwa SDM dan lagged ekonomi signifikan

• Pada model SDM diketahui bahwa kesehatan, lagged kesehatan,

lagged SDM (lamda) signifikan

(46)

Sumber Data| Variabel Penelitian| Metode dan Langkah Analisis

(47)

SUMBER DATA

• Data yang digunakan dalam penelitian ini merupakan data

Verifikasi Rumah Tangga Miskin Kabupaten Jombang tahun 2010

yang diperoleh dari Badan Perencanaan Pembangunan Daerah

(BAPPEDA) Kabupaten Jombang.

• Data yang dikumpulkan antara lain menyangkut bidang

pendidikan, kesehatan, perumahan, sosial ekonomi, penghasilan

dan aset rumah tangga.

• Unit analisis dalam penelitian ini adalah seluruh Desa di

Kabupaten Jombang. Berdasarkan data BPS, Kabupaten Jombang

terdiri atas 306 Desa yang tersebar di 21 Kecamatan. Namun

karena terdapat beberapa data

missing

, sehingga unit analisis

yang digunakan adalah 266 Desa.

(48)

VARIABEL PENELITIAN

Variabel

Laten Variabel Indikator

Kesehatan

X1.1 Persentase rumah tangga yang jenis dinding bangunan tempat tinggalnya _{terbuat dari bambu/ rumbia/ kayu berkualitas rendah per Desa}

X1.2 Persentase rumah tangga yang luas kavling termasuk bangunan kurang dari _{60 m}₂_{per Desa}

X1.3 Persentase rumah tangga yang jenis lantai bangunan tempat tinggalnya _{terbuat dari tanah/ bambu/ kayu berkualitas rendah per Desa}

X1.4 Persentase rumah tangga yang tidak memiliki septictank sebagai tempat _{pembuangan air tinja per Desa}

X1.5 Persentase rumah tangga yang sumber air minumnya berasal dari sumur/ _{mata air tidak terlindung/ sungai per Desa}

X1.6 Persentase rumah tangga yang tidak memiliki fasilitas tempat buang air _{besar atau bersifat umum per Desa}

X1.7 Persentase rumah tangga yang luas bangunan tempat tinggalnya kurang _{dari 32 m}₂_{per Desa}

X1.8 Persentase rumah tangga yang jenis atap bangunan tempat tinggalnya _{bukan dari genteng per Desa}

(49)

VARIABEL PENELITIAN

Variabel

Ekonomi

Y1.1 Persentase rumah tangga yang sumber

penerangannya tidak menggunakan listrik per Desa

Y1.2 Persentase rumah tangga yang menggunakan bahan

bakar untuk memasak sehari-hari adalah kayu bakar/arang/minyak tanah per Desa

Y1.3 Persentase rumah tangga yang tidak memiliki aset

dengan nilai Rp 500.000 per Desa

Y1.4 Persentase rumah tangga yang hanya

mengkonsumsi daging/susu/ayam satu kali dalam seminggu per Desa

Y1.5 Persentase rumah tangga yang status kepemilikan

bangunan tidak milik sendiri per Desa

Y1.6 Persentase rumah tangga yang tidak sanggup

membeli satu set pakaian baru dalam setahun per Desa

Y1.7 Persentase rumah tangga yang hanya sanggup

makan sebanyak satu/ dua kali dalam sehari per Desa

Y1.8 Persentase rumah tangga yang penghasilan kepala

rumah tangga per bulan dibawah Rp. 600.000 per Desa

(50)

VARIABEL PENELITIAN

Variabel

SDM Y2.1 Persentase rumah tangga dengan pendidikan

tertinggi kepala kepala rumah tangga, tidak sekolah/ tidak tamat SD/ hanya SD per Desa

Bantuan Rumah Tangga Miskin

Y3.1 Persentase rumah tangga yang memilih paket

bantuan Program I (bantuan perlindungan sosial) per Desa

Y3.2 Persentase rumah tangga yang memilih paket

bantuan Program II (bantuan pemberdayaan masyarakat dan pemberdayaan usaha mikro) per Desa

(51)

LANGKAH ANALISIS

a. Mendeskripsikan variabel indikator pada masing-masing variabel laten untuk

mengetahui karakteristik rumah tangga miskin di Kabupaten Jombang serta

melihat persebarannya pada setiap Desa.

b. Melakukan pengujian asumsi normal mutivariat.

c. Melakukan analisis faktor konfirmatori (

Confirmatory Factor Analysis

).

d. Menyusun model konseptual dengan pemilihan variabel indikator untuk

masing-masing variabel laten serta hubungan kausalitasnya. Kemudian

digambarkan dalam bentuk diagram jalur.

(52)

LANGKAH ANALISIS

Berdasarkan model konseptual di atas, maka muncul beberapa hipotesis sebagai berikut.

- Kesehatan berpengaruh terhadap bantuan rumah tangga miskin. - Ekonomi berpengaruh terhadap bantuan rumah tangga miskin. - SDM berpengaruh terhadap bantuan rumah tangga miskin. - Kesehatan berpengaruh terhadap ekonomi.

- Kesehatan berpengaruh terhadap SDM. - SDM berpengaruh terhadap ekonomi.

e. Mengkonversi diagram jalurnya ke dalam persamaan struktural. Model 1 : 𝜂₁ = 𝛾₁₁Kesehatan + 𝛿₁

Model 2 : 𝜂₂ = 𝛾₂₁Kesehatan + 𝛽₂₁SDM + 𝛿₂

Model 3 : 𝜂₃ = 𝛾₃₁Kesehatan + 𝛽₃₁SDM + 𝛽₃₂Ekonomi + 𝛿₃

f. Mengidentifikasi model untuk memeriksa model dalam keadaan under identified,

just identified atau over identified.

g. Mengevaluasi kesesuaian model (Goodness of Fit) untuk melihat kebaikan model berdasarkan kriteria yang ada. Sehingga dari kriteria tersebut akan didapatkan model yang sesuai.

(53)

LANGKAH ANALISIS

h. Menghitung skor faktor untuk masing-masing variabel laten. Nilai skor

faktor akan digunakan untuk analisis pemodelan regresi spasial dalam

persamaan struktural SEM.

i. Membentuk matrik bobot spasial yang dapat menjelaskan pola hubungan

antara variabel laten dan juga indikatornya dengan melibatkan efek

lokasi. Matrik terboboti untuk wilayah Desa/ Kelurahan di Kabupaten

Jombang dalam penelitian ini didasarkan pada hubungan persinggungan

sisi sudut (

queen continguity

).

j. Melakukan uji efek spasial untuk mengetahui

spatial dependence

atau

spatial hetrogenity

.

k. Memformulasikan model regresi spasial dalam persamaan struktural

SEM.

l. Mendapatkan nilai estimasi parameter spasial dalam persamaan struktural

SEM. Estimasi parameter menggunakan metode

Maximum Likelihood

(MLE).

(54)

(55)

(56)

Karakteristik Rumah Tangga Miskin di Kabupaten

Jombang Berdasarkan Variabel Indikator

Variabel

Laten Indikator Variabel Min (%) Max (%) Mean (%) Varian (%)

Kesehatan X1.1 0,000 100,000 41,907 702,765 X1.2 4,040 100,000 46,318 397,268 X1.3 0,000 97,758 38,253 664,087 X1.4 4,186 100,000 65,831 555,998 X1.5 0,412 100,000 73,796 551,671 X1.6 16,667 100,000 65,835 314,956 X1.7 1,818 100,000 29,119 352,603 X1.8 0,000 12,245 1,665 3,547 X1.9 0,000 28,387 3,094 19,063 Ekonomi Y1.1 0,000 6,897 1,125 1,438 Y1.2 13,333 100,000 63,803 343,341 Y1.3 28,821 100,000 78,984 163,568 Y1.4 22,581 100,000 91,468 144,974 Y1.5 0,000 62,992 20,381 93,108 Y1.6 1,818 99,552 33,174 389,675 Y1.7 2,486 99,554 19,746 254,796 Y1.8 59,459 100,000 92,025 49,655 SDM Y2.1 42,857 100,000 88,629 45,777 Bantuan Y3.1 0,000 100,000 43,888 732,462 Y3.2 0,000 100,000 54,247 752,344

(57)

Persebaran Rumah Tangga yang Tidak Memiliki

Septictank sebagai Tempat Pembuangan Air Tinja

Pucang Simo, Brodot, Brangkal,

Karang Dagangan, Pucangro,

Blimbing, Mentaos, Sukoiber,

Bugasur Kedaleman,

Krembangan, Sepanyul, Godong,

Mejoyolosari, Puton, Jatirejo,

Keras, Watugaluh, Bandung,

Jombok, Genukwatu, Rejoagung,

Kauman, Badang, Kesamben,

Penggaron, Mojowangi,

(58)

Persebaran Rumah Tangga yang Sumber Air Minumnya

Berasal dari Sumur/Mata Air Tidak Terlindung/Sungai

Mojokambang, Kayen, Gondang

Manis, Banjar Sari, Tinggar,

Jantiganggong, Kepuhkajang,

Sumberagung, Pagerwojo,

Sembung, Plosogenuk,

Pucangro, Kedungturi, Japanan,

Blimbing, Mentaos, Sukoiber,

Sukopinggir, Bugasur

Kedaleman, Wangkalkepuh,

Pesanggrahan, Krembang-an,

Sepanyul, Godong,

Mejoyolosari, Plumbon

Gambang, Gempol Legundi,

Puton, Bendet, Bulurejo, Grogol,

Jatirejo, Kwaron, dll.

(59)

Persebaran Rumah Tangga yang Tidak MemilikiFasilitas Tempat

Buang Air Besar atau Bersifat Umum

Brodot, Brangkal, Karang

Dagangan, Pucangro,

Kedungturi, Japanan, Mentaos,

Bugasur Kedaleman,

Pesanggrahan, Krembangan,

Sepanyul, Gempol Legundi,

Kayangan, Puton, Bendet,

Watugaluh, Jombok, Rejoagung,

Kesamben, Sugihwaras,

Penggaron, Mojojejer, Sidokerto,

Sukomulyo, Catak Gayam,

Wringinpitu, Kebondalem,

Mundusewu, Pakel, Karangan,

Ngampungan, Bareng, Tebel,

Mojotengah, Banjaragung, dll.

(60)

Persebaran Rumah Tangga yang Menggunakan Bahan Bakar untuk

Memasak Sehari-hari adalah Kayu Bakar/Arang/Minyak Tanah

Bandar Kedung Mulyo, Kayen,

Gondang Manis, Pucang Simo,

Banjar Sari, Tinggar,

Jatinganggong, Sumberagung,

Pagerwojo, Sembung,

Mejoyolosari, Plumbon

Gambang, Tanggungan, Grogol,

Cukir, Kwaron, Keras, Diwek,

Bandung, Kedawong, Ngudirejo,

Balong Besuk, Badang, Pulorejo,

Gajah, Mojowarno, Jenisgelaran,

dll.

(61)

Persebaran Rumah Tangga yang Tidak Memiliki Aset

dengan Nilai Rp 500.000

Sumberjo, Gebang Bunder, Klitih,

Sukodadi, Pandan Blole, Asem

Gede, Mojodanu, Kedung Bogo,

Keboan, Bendungan, Gumulan,

Jombok, Kedung Mlati, Kedung

Betik, Jati Wates, Bedah Lawak,

Pulorejo, Kedung Otok,

Sudimoro, Dukuh Arum, Pacar

Peluk, Ngogri, Balongsari,

Gongseng, Turi Pinggir, Banjar

Dowo, Ngrandu Lor,

Sumberagung, Sambirejo,

Sukosari, Gedangan, Talun Kidul,

Kendalsari, Mlaras, Seketi,

(62)

Persebaran Rumah Tangga yang Hanya Mengkonsumsi

Daging/ susu/ Ayam Satu Kali dalam Seminggu

Tondowulan, Plandaan, Gebang Bunder, Klitih, Sukodadi, Genengan Jasem,

Sumber Gondang, Karang Pakis, Kabuh, Tanjung Wadung, Marmoyo, Pandan Blole, Gedongombo, Tanggung Kramat, Asem Gede, Cupak, Mojodanu,

Manunggal, Kedung Bogo, Bendungan, Kepuhrejo, Bakalan-rayung, Tapen,

Gumulan, Podoroto, Pojok Rejo, Kedung Mlati, Bedah Lawak, Kedung Otok,

Megaluh, Sudimoro, Sumberagung, Dukuh Arum, Pacar Peluk, Sidomulyo, Ngogri, Sumbersari, Balongsari, Gongseng, Turi Pinggir, Banjar Dowo, Ngrandu Lor,

Sambirejo, Sukosari, Bakalan, Talun Kidul, Kendalsari, Budugsidorejo, Mlaras,

Sebani, Seketi, Tanggalrejo, Jarak,

Ngrimbi, Carangwulung, Kedunglumpang, Karangwinongan, Banjaragung, Tebel, Bareng, Karangan, Pakel, Kebondalem, dll.

(63)

Persebaran Rumah Tangga yang Penghasilan Kepala

Rumah Tangganya per Bulan Dibawah Rp 600.000

Plumbon Gambang, Grogol,

Kwaron, Keras, Jatipelem,

Brambang, Ceweng, Bandung,

Kedawong, Ngudirejo, Balong

Besuk, Pandanwangi, Ngoro,

Badang, Pulorejo, Sidowarek,

Gajah, Mojowarno, Mojowangi,

Jenisgelaran, Sambirejo,

Wonosalam, Wonokerto, Dukuh

Mojo, Kademangan, Janti, Kauman,

Mojotrisno, Miagan, Nglele,

Trawasan, Segodorejo, Madyo Puro,

Jogoroto, Mayangan, Tambar,

Peterongan, Mancar, Tanjung

Gunung, Bongkot, dll.

(64)

Persebaran Rumah Tangga yang Memilih

Paket Bantuan Program I

Mojokambang, Gondang Manis, Suberagung, Pagerwojo, Perak,

Sukopinggir, Wangkalkepuh, Godong, Mejoyolosari, Plumbon Gambang, Grogol, Cukir, Keras, Jatipelem,

Brambang, Pundong, Diwek, Bandung, Kedawong, Ngudirejo, Balong Besuk, Ngoro, Badang, Pulorejo, Sidowarek, Gajah, Selorejo, Jenisgelaran, Sambirejo, Wonosalam, Panglungan, Wonokerto, Mojotrisno, Dukuhdimoro, Mancilan, Murukan, Plosokerep, Segodorejo, Madyo Puro, Jogoroto, Mayangan, Tambar, Mancar, Dukuh Klopo, Tanjung Gunung, Morosunggingan, Plandi,

Tambak Rejo, Carang Rejo, Menturus, Sumberringin, Kertorejo, Galengdowo, Tejo, Sawiji, Pulo Lor, Kedung Rejo, Kesamben, Jati Duwur, dll.

(65)

Persebaran Rumah Tangga yang Memilih

Paket Bantuan Program I

Bandar Kedung Mulyo, Kayen,

Kepuhkajang, Sembung, Glagahan, Gadingmangu, Plosogenuk, Sukorejo, Temuwulan, Cangkringrandu, Sukoiber, Tanggungan, Kwaron, Ceweng,

Pandanwangi, Dukuh Mojo,

Kademangan, Gambiran, Kauman, Miagan, Jogoloyo, Nglele, Sumobito, Alang-alang Caruban, Ngumpul, Peterongan, Kebontemu,

Tugusumberjo, Senden, Tunggorono, Jombatan, Kaliwungu, Jelakombo, Kepanjen, Kepatihan, Denanyar,

(66)

Pengujian Asumsi Normal Multivariat

Hipotesis yang digunakan untuk pengujian normal multivariat adalah:

H

₀

: Data mengikuti distribusi normal multivariat

H

₁

: Data tidak mengikuti distribusi normal multivariat

Pengujian normal multivariat menggunakan plot

χ

2

multivariat

dimana bila daerah di bawah kurva

χ

2

multivariat lebih dari 50% maka H

₀

diterima atau data mengikuti distribusi normal multivariat. Dari hasil

pengujian pada data penelitian, diperoleh nilai

χ

2

multivariat sebesar

0,6053 (60,53%) yang berarti gagal tolak H

₀

sehingga dapat dikatakan

bahwa data mengikuti distribusi normal multivariat.

(67)

Confirmatory Factor Analysis

(CFA)

CFA pada Variabel Laten Kesehatan

Model CFA Variabel Laten Kesehatan _{Kesesuaian Model CFA Variabel Laten} Kesehatan

Goodness of Fit

Index Model Keterangan

Chi-square 515,493 Model tidak dapat diterima P-value 0,000 Model tidak dapat diterima RMSEA 0,261 Model tidak dapat diterima GFI 0,760 Model tidak dapat diterima AGFI 0,600 Model tidak dapat diterima CFI 0,601 Model tidak dapat diterima

(68)

Model CFA Variabel Laten Kesehatan Setelah Modifikasi

Goodness of Fit

Chi-square 16,016 Model Fit P-value 0,312 Model Fit RMSEA 0,023 Model Fit GFI 0,985 Model Fit AGFI 0,962 Model Fit CFI 0,998 Model Fit

Kesesuaian Model CFA Modifikasi Variabel Laten Kesehatan

Model CFA telah memenuhi kriteria kesesuaian model. Hal ini menunjukkan bahwa indikator-indikator yang digunakan dalam mengukur

variabel laten kesehatan sesuai untuk diterapkan dalam panentuan model bantuan rumah tangga miskin di Kabupaten Jombang.

(69)

Indikator Loading Factor Error P-value Keterangan X1.1 0,907 0,177 *** Signifikan X1.2 -0,108 0,988 0,072 Signifikan X1.3 1,019 -0,038 *** Signifikan X1.4 0,561 0,685 *** Signifikan X1.5 -0,292 0,915 *** Signifikan X1.6 0,491 0,759 *** Signifikan X1.8 -0,252 0,936 *** Signifikan X1.9 -0,169 0,971 0,004 Signifikan

Estimasi Parameter CFAVariabel Laten Kesehatan

Berdasarkan nilai loading factor yang telah diperoleh, maka model pengukuran dari variabel laten kesehatan adalah sebagai berikut.

X_1.1 = 0,907 Kesehatan X_1.5 = -0,292 Kesehatan X_1.2 = -0,108 Kesehatan X_1.6 = 0,491 Kesehatan X_1.3 = 1,019 Kesehatan X_1.8 = -0,252 Kesehatan X_1.4 = 0,561 Kesehatan X_1.9 = -0,169 Kesehatan

Indikator X_1.1 dan X_1.3 memiliki nilai loading factor terbesar yaitu 0,907 dan 1,019. Hal ini menunjukkan bahwa indikator X_1.1 (rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah) dan X_1.3 (rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah) memberikan pengaruh yang paling besar terhadap variabel laten kesehatan.

(70)

Selain membentuk model pengukuran, dari Tabel 4.5 juga

dapat diketahui error pengukuran yang menunjukkan kesalahan

pengukuran dari indikator. Besarnya kesalahan pengukuran indikator adalah sebagai berikut.

V (δ1) = 0,177 V (δ5) = 0,915

V (δ2) = 0,988 V (δ6) = 0,759

V (δ₃) =-0,038 V (δ₈) = 0,936

V (δ4) = 0,685 V (δ9) = 0,971

Kesalahan pengukuran variabel laten kesehatan yang

paling kecil terdapat pada indikator X1.3 yaitu indikator rumah

tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah. Selanjutnya dilakukan pengujian konsistensi dari variabel laten kesehatan menggunakan

nilai construct reliability (CR) dengan perhitungan sebagai

berikut.

𝜌_𝑐 = (0,907 + −0,108 + ⋯ + (−0,169) 2

(0,907 + ⋯ + −0,169 )2 _{+ (0,177 + ⋯ + 0,971)}

= 0,463≈ 0,5

Nilai CR yang dihasilkan variabel laten kesehatan adalah

0,464 ≈ 0,5 sehingga dapat dikatakan reliabel namun memiliki

(71)

CFA Variabel Laten Ekonomi

Model CFA Variabel Laten Ekonomi

Goodness of

Fit Index Model Keterangan

Chi-square 151,681 Model tidak dapat diterima P-value 0,000 Model tidak dapat diterima RMSEA 0,158 Model tidak dapat diterima GFI 0,884 Model tidak dapat diterima AGFI 0,790 Model tidak dapat diterima CFI 0,596 Model tidak dapat diterima

(72)

Model CFA Variabel Laten Ekonomi Setelah Modifikasi

Goodness of

Chi-square 6,644 Model Fit

P-value 0,467 Model Fit

RMSEA 0,000 Model Fit

GFI 0,992 Model Fit

AGFI 0,976 Model Fit

CFI 1,000 Model Fit

Kesesuaian Model CFA Modifikasi Variabel Laten Ekonomi

(73)

Estimasi Parameter CFAVariabel Laten Ekonomi

Indikator Loading _Factor Error P-value Keterangan

Y1.3 0,406 0,835 *** Signifikan Y1.4 0,249 0,938 0,006 Signifikan Y1.5 0,184 0,966 0,024 Signifikan Y1.6 0,888 0,211 *** Signifikan Y1.7 0,679 0,539 *** Signifikan Y1.8 0,256 0,934 *** Signifikan

Ket.*** : nilai P-value kurang dari 0,001

Berdasarkan nilai

loading factor

yang telah

diperoleh, maka model pengukuran dari variabel

laten ekonomi adalah sebagai berikut.

Y

1.3

= 0,406 Ekonomi Y

1.5

= 0,184Ekonomi

Y

1.4

= 0,249 Ekonomi Y

1.6

= 0,888Ekonomi

(74)

Indikator Y

1.6

dan Y

1.7

memiliki nilai

loading factor

terbesar

yaitu 0,889 dan 0,680. Hal ini menunjukkan bahwa indikator Y

1.6

(rumah tangga yang tidak sanggup membeli satu set pakaian baru

dalam setahun) dan Y

1.7

(rumah tangga yang hanya sanggup makan

sebanyak satu/dua kali dalam sehari) memberikan pengaruh yang

paling besar terhadap variabel laten ekonomi.

Selanjutnya dilakukan pengujian konsistensi dari variabel

laten ekonomi menggunakan nilai

construct reliability

(CR) dengan

perhitungan sebagai berikut.

𝜌

_𝑐

=

(0,406 + 0,249 + ⋯ + 0,256)

2

(0,406 + ⋯ + 0,256)

2

_{+ (0,835 + ⋯ + 0,934)}

= 0,551

Nilai CR yang dihasilkan variabel laten ekonomi adalah

0,551sehingga dapat dikatakan reliabel

(75)

Structural Equation Modeling

(SEM)

Setelah diperoleh indikator yang valid dan reliabel melalui confirmatory factor analysis (CFA), selanjutnya adalah membentuk model struktural berdasarkan model

dugaan. Terdapat 3 model dugaan yaitu SDM dipengaruhi oleh kesehatan, ekonomi

dipengaruhi oleh kesehatan dan SDM, dan bantuan dipengaruhi oleh kesehatan, SDM dan ekonomi.

(76)

Goodness of Fit

Chi-square 692,004 Model tidak dapat diterima

P-value 0,000 Model cukup diterima

RMSEA 0,138 Model tidak dapat diterima GFI 0,759 Model tidak dapat diterima AGFI 0,676 Model tidak dapat diterima CFI 0,702 Model tidak dapat diterima

Kesesuaian Model Persamaan Struktural

Persamaan struktural belum memenuhi kriteria kesesuaian model sehingga perlu dilakukan modifikasi untuk memperoleh model yang lebih baik. Sebelum dilakukan modifikasi terlebih dahulu dilihat nilai koefisien jalur untuk mengetahui parameter yang signifikan. Parameter yang tidak signifikan tidak akan diikutkan dalam modifikasi.

(77)

Estimasi Parameter Persamaan Struktural

Hubungan Koefisien _Jalur P-value Keterangan Y2.1 <--- Kesehatan -0,400 0,006 Signifikan

Ekonomi <--- Kesehatan 0,265 0,042 Signifikan

Ekonomi <--- Y2.1 0,142 0,078 Signifikan

Bantuan <--- Ekonomi 0,097 0,195 Tidak Signifikan

Bantuan <--- Y2.1 0,197 0,004 Signifikan

Bantuan <--- Kesehatan 0,314 0,013 Signifikan

X1.9 <--- Kesehatan 0,182 *** Signifikan X1.8 <--- Kesehatan 0,264 0,013 Signifikan X1.6 <--- Kesehatan -0,523 0,004 Signifikan X1.5 <--- Kesehatan 0,311 0,009 Signifikan X1.4 <--- Kesehatan -0,572 0,004 Signifikan X1.3 <--- Kesehatan -0,986 0,003 Signifikan

X1.2 <--- Kesehatan 0,107 0,134 Tidak Signifikan

X1.1 <--- Kesehatan -0,935 0,003 Signifikan Y1.8 <--- Ekonomi 0,305 *** Signifikan Y1.7 <--- Ekonomi 0,684 *** Signifikan Y1.6 <--- Ekonomi 0,812 *** Signifikan Y1.5 <--- Ekonomi 0,242 0,005 Signifikan Y1.4 <--- Ekonomi 0,273 0,002 Signifikan Y1.3 <--- Ekonomi 0,504 *** Signifikan Y3.1 <--- Bantuan 0,942 *** Signifikan Y3.2 <--- Bantuan -0,909 *** Signifikan

(78)

Berdasarkan Tabel diperoleh bahwa variabel laten kesehatan berpengaruh signifikan terhadap SDM, kesehatan berpengaruh signifikan terhadap ekonomi, SDM berpengaruh signifikan terhadap ekonomi, SDM

berpengaruh signifikan ter-hadap bantuan, serta kesehatan berpengaruh signifikan terhadap bantuan.

Sedangkan variabel laten ekonomi tidak berpengaruh signifikan terhadap bantuan. Hal ini berarti bahwa bantuan rumah tangga miskin di Kabupaten Jombang dipengaruhi oleh variabel laten SDM dan variabel laten kesehatan.Oleh karena itu pada modifikasi model struktural,hubungan ekonomi terhadap bantuan tidak diikutkan serta indikator X_1.2 (rumah tangga yang luas kavling termasuk bangunan kurang dari 60 m2_{) juga tidak diikutkan dalam}

(79)

Model Struktural Hasil Modifikasi dan Signifikan

Dari Gambar diperoleh nilai df sebesar 92 yang berarti model struktural hasil modifikasi telah berada dalam keadaan over identified sehingga diperlukan pengujian kesesuaian model (goodness of fit) untuk mengetahui kebaikan model struktural hasil modifikasi.

(80)

Kesesuaian Model Persamaan Struktural Hasil Modifikasi

Goodness of

Chi-square 414,040 Model cukup diterima

P-value 0,000 Model cukup diterima

RMSEA 0,115 Model cukup diterima GFI 0,846 Model cukup diterima AGFI 0,772 Model cukup diterima CFI 0,829 Model cukup diterima

Berdasarkan Tabel diketahui bahwa model struktural hasil modifikasi telah cukup memenuhi kriteria kesesuaian model. Sehingga selanjutnya dilakukan pengujian signifikansi parameter model struktural.

(81)

Estimasi Parameter Persamaan Struktural Hasil Modifikasi

Berdasarkan hasil estimasi parameter model struktural hasil modifikasi pada Tabel 4.11diperoleh model sebagai berikut.

SDM = -0,383 Kesehatan

Ekonomi = 0,202 Kesehatan + 0,143 SDM Bantuan = 0,325 Kesehatan + 0,200 SDM

Dari model yang terbentuk dapat diketahui bahwa variabel laten SDM memiliki pengaruh negatif dan signifikan terhadap variabel laten kesehatan. Variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten ekonomi. Sedangkan untuk model bantuan, variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten bantuan rumah tangga miskin di Kabupaten Jombang.

Hubungan Koefisien _Jalur P-value Keterangan

Y2.1 <--- Kesehatan -0,383 0,007 Signifikan

Ekonomi <--- Kesehatan 0,202 0,072 Signifikan Bantuan <--- Y2.1 0,200 0,003 Signifikan

Bantuan <--- Kesehatan 0,325 0,012 Signifikan Ekonomi <--- Y2.1 0,143 0,078 Signifikan

(82)

Skor Faktor Masing-masing Variabel Laten

Variabel Kesehatan Bantuan Ekonomi

X1.1 0,006 0,005 0,001 X1.3 -0,036 -0,033 -0,003 X1.4 0,001 0,001 0 X1.5 0 0 0 X1.6 0 0 0 X1.8 -0,001 -0,001 0 X1.9 -0,001 -0,001 0 Y1.3 0 0 0,012 Y1.4 0 0 0,008 Y1.5 0 0 0,003 Y1.6 0 0 0,062 Y1.7 0 0 0,027 Y1.8 0 0 0,008 Y3.1 0 0,578 0 Y3.2 0 -0,362 0

(83)

Pemodelan Regresi Spasial untuk Persamaan Struktural

Matrik pembobot queen continguity adalah sebagai berikut.

266 266 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 1 1 0 1 1 0 1 0 0 0 1 0 1 1 1 0 0 0 1 1 0 1 0 0 0 0 0 1 1 0 1 0 0 1 1 1 0 1 0 x                                           

Sedangkan matrik bobot yang terstandardisasi adalah sebagai berikut.

266 266 0 0 0 0 0 0 0 0 0 0 0 0 0 20 , 0 0 0 0 0 0 0 0 0,333 0 0 0 133 , 0,143 0 0,143 0,143 0 0,143 0,143 0 00,25 0,25 0,25 0 0,25 0 0 0 0 0 0 167 , 0 167 , 0 0 167 , 0 0 0 0,333 0,333 0 0 0 0 333 , 0 0 0,25 0 0,25 0,25 0,25 0 0 x                                     

(84)

Pengujian Efek Spasial

Efek Spasial Statistik Uji P-value Keterangan

Heterogenity Breusch-Pagan test 0,2402 Tidak Signifikan

Koenker-Bassett test 0,0792 Signifikan

Dependensi

Moran's I (error) 0,3408 Tidak Signifikan Lagrange Multiplier (lag) 0,1386 Tidak Signifikan Lagrange Multiplier (error) 0,4506 Tidak Signifikan Setelah dilakukan pengujian efek spasial, diketahui bahwa model bantuan rumah

tangga miskin di Kabupaten Jombang memiliki efek spasial heterogenity sehingga pendekatan model yang digunakan adalah model regresi spasial GWR.