Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit

(1)

Mempengaruhi Indeks

Pembangunan Gender (IPG)

dengan Menggunakan Regresi

Probit

Oleh:

Ari Vanerlin Fitarisca

1310 100 048

Dosen Pembimbing:

(2)

OUTLINE

PENDAHULUAN

TINJAUAN PUSTAKA

METODELOGI PENELITIAN

ANALISIS DAN PEMBAHASAN

PENUTUP

2

(3)

BAB I

PENDAHULUAN

PENELITIANMANFAAT

BATASAN MASALAH

TUJUAN PENELITIAN

(4)

LATAR BELAKANG

BAB I

PENDAHULUAN

RUMUSAN MASALAH TUJUAN PENELITIAN MANFAAT PENELITIAN BATASAN MASALAH

4

(5)

BAB I

PENDAHULUAN

GENDER adalah perbedaan peran, fungsi,dan tanggungjawab antara

laki-laki dan perempuan yang merupakan hasil konstruksi sosial dan dapat berubah menurut perkembangan jaman

BKKBN (2009)

PERAN PUBLIK

PERAN DOMESTIK

Mengurus RT Bersifat lemah Berpikiran sempit Selalu memakai

(6)

BAB I

PENDAHULUAN

6 KESETARAAN GENDER

RUMUSAN MASALAH TUJUAN PENELITIAN MANFAAT PENELITIAN BATASAN MASALAH LATAR BELAKANG

Perempuan banyak yang memiliki beban ganda sebagai pengurus rumah tangga sekaligus pencari nafkah.

±13,9% RT di Indonesia dikepalai oleh perempuan. (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013)

Selama tahun 2012, berdasarkan Catatan Tahunan Komisi Nasional (Komnas) Perempuan terdapat sekitar 210.000 kasus kekerasan terhadap perempuan yang dilaporkan dan ditangani.

Kasus kekerasan yang paling sering terjadi : KDRT

(7)

Pembangunan manusia secara kuantitatif dapat digambarkan dari angka IPM (Indeks Pembangunan Manusia). Namun angka ini belum dapat menjelaskan perbedaan capaian kualitas hidup antara laki-laki dan perempuan.

BAB I

PENDAHULUAN

suatu indeks yang mengukur pencapaian pembangunan kapabilitas dasar manusia pada bidang kesehatan, pendidikan, dan ekonomi di suatu wilayah dengan

mempertimbangkan kesetaraan antara laki-laki dan perempuan (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013)

(8)

8 BAB I

PENDAHULUAN

68,69 69,57 70,08 70,59 71,17 71,76 72,27 72,77 73,29 63,94 65,13 65,27 65,81 66,38 66,77 67,2 67,8 68,52 62 64 66 68 70 72 74 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013

Perkembangan IPM & IPG di Indonesia

IPM IPG

(Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013)

setiap tahun selalu ada selisih antara angka IPM dan IPG yang menandakan bahwa

masih adanya kesenjanganantara laki-laki dan perempuan, dimana angka IPG < IPM

RUMUSAN MASALAH TUJUAN PENELITIAN MANFAAT PENELITIAN BATASAN MASALAH LATAR BELAKANG

(9)

BAB I

PENDAHULUAN

Kesenjangan

gender Faktor-faktor? Regresi probit

salah satu metode regresi yang digunakan untuk menganalisis antara variabel respon yang merupakan variabel diskrit dengan variabel prediktor yang berupa variabel diskrit, kontinyu, maupun campuran antara keduanya.

Regresi probit

Hafizh (2013):

Pemodelan Disparitas Gender di Jawa Timur dengan Pendekatan Model Regresi Probit Ordinal

Yulianti dan Ratnasari (2013) :

Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit

Faidah (2010): Pemodelan Regresi Probit Ordinal pada Indeks Pembangunan Manusia (IPM) di provinsi Sumatera Utara,

Dharmasari (2009):

Perbandingan Model Logit dan Probit untuk Menganalisis Kecenderungan Siswa SMP

Hakim (2014):

Analisis Komponen IPG dengan GWMR Model di Kalimantan Timur &

(10)

BAB I

PENDAHULUAN

1. Bagaimana karakteristik Indeks Pembangunan Gender (IPG) di

Indonesia?

2. Apa saja faktor-faktor yang mempengaruhi Indeks Pembangunan

Gender (IPG) di Indonesia dengan menggunakan metode regresi

probit?

10

LATAR BELAKANG RUMUSAN MASALAH TUJUAN PENELITIAN MANFAAT PENELITIAN BATASAN MASALAH

(11)

BAB I

PENDAHULUAN

1. Mendeskripsikan karakteristik Indeks Pembangunan Gender (IPG)

di Indonesia

2. Mendapatkan

faktor-faktor

yang

mempengaruhi

Indeks

Pembangunan Gender (IPG) di Indonesia dengan menggunakan

metode regresi probit

(12)

1. Menambah pengetahuan peneliti tentang penerapan ilmu

statistika dalam permasalahan sosial dalam masyarakat.

2. Menambah pengetahuan pembaca mengenai penerapan regresi

probit khususnya pada faktor-faktor yang mempengaruhi Indeks

Pembangunan Gender di Indonesia.

3. Memberikan tambahan informasi kepada pemerintah mengenai

faktor-faktor yang mempengaruhi Indeks Pembangunan Gender

di Indonesia.

BAB I

PENDAHULUAN

12

LATAR BELAKANG RUMUSAN MASALAH TUJUAN PENELITIAN MANFAAT PENELITIAN BATASAN MASALAH

(13)

BAB I

PENDAHULUAN

1. Data yang digunakan dalam penelitian merupakan data

sekunder pada tahun 2012 yang diambil dari Badan Pusat

Statistika.

2. Metode yang digunakan dalam penelitian ini adalah regresi

probit.

3. Penelitian dilakukan dengan tidak memperhatikan faktor

budaya dari setiap provinsi yang ada di Indonesia.

4. Penelitian dilakukan dengan tidak memperhatikan pembagian

wilayah

administrasi

pemerintahan,

khususnya

wilayah

perkotaan dan pedesaan.

(14)

BAB II

TINJAUAN

PUSTAKA

IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER

UJI KESESUAIAN MODEL

14

(15)

BAB II

TINJAUAN

PUSTAKA



Indeks Pembangunan Gender (IPG)

adalah ukuran yang

digunakan untuk mengetahui pembangunan manusia (Asmanto,

2008).



IPG

mengukur

tingkat

pencapaian

kemampuan

dasar

pembangunan manusia yang sama seperti IPM, yaitu

harapan

hidup, tingkat pendidikan, dan pendapatan

namun dengan

memperhitungkan ketimpangan gender.



IPG

dapat

digunakan

untuk

mengetahui

kesenjangan

pembangunan

manusia

antara

laki-laki

dan

perempuan.

Kesetaraan gender

terjadi apabila angka

IPG sama dengan IPM.



Apabila angka

IPG lebih rendah dari IPM

maka terjadi

kesenjangan gender.

Kesenjangan gender dapat dilihat dari

selisih antara IPM dan IPG. Semakin kecil selisih antara IPM dan

IPG maka dapat diartikan bahwa kesenjangan pembangunan

antara laki-laki dan perempuan juga semakin kecil.

(16)

Dimensi Umur Panjang dan Sehat

Pengetahuan Kehidupan yang Layak

Indikator AHH (P) AHH (L) AMH (P) MYS (P) AMH (L) MYS (L) Perkiraan Pendapatan (P) Perkiraan Pendapatan (L) Indeks Dimensi

IHH (P) IHH (L) Indeks Pendidikan (P) Indeks Pendidikan (L) Indeks Pendapatan (P) Indeks Pendapatan (L) Indeks Sebaran Merata IHH dengan Sebaran Merata

Indeks Pendidikan dengan Sebaran Merata Indeks Pendapatan dengan Sebaran Merata

Indeks Pembangunan Gender (IPG)

BAB II

TINJAUAN

PUSTAKA

16

IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL

(17)

BAB II

TINJAUAN

PUSTAKA

Pengkategorian IPG menurut UNDP

1. Kelompok tinggi, jika IPG ≥80

2. Kelompok menengah atas, jika IPG 66≤ x < 80 3. Kelompok menengah bawah, jika IPG 50 ≤ x < 66

4. Kelompok rendah, jika IPG <50

RUMUS PERHITUNGAN IPG: IPG = 1₃ (X_ede(1)+X_ede(2)+I_inc-dis)

Keterangan:

X_ede(1)= X_edeuntuk harapan hidup X_ede(2)= X_edeuntuk tingkat pendidikan

(18)

“

Probability Unit

”

BAB II

TINJAUAN

PUSTAKA

REGRESI PROBIT

variabel respon, berupa variabel diskrit

variabel bebas , berupa variabel diskrit, kontinyu, atau campuran keduanya

Pemodelan pada regresi probit :

dimana:

𝑌∗ : variabel respon,

𝜷 : vektor parameter koefisien dengan , 𝒙 ∶ vektor variabel bebas dengan , dan

𝜀 : merupakan error atau kesalahan yang diasumsikan berdistribusi normal standar

18

IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL







_β

T

_X

*

y





T p 1 0 β β β β  



1 x1 xp



X  

(19)

1. Menentukan

𝑛

sampel

random

2. Membentuk fungsi

likelihood

dari

𝑛

sampel random. Fungsi

likelihood

nya

adalah sebagai berikut:

3. Melakukan transformasi

ln

terhadap fungsi

likelihood

. Hal ini dikarenakan

lebih mudah memaksimumkan dengan transformasi

ln

. Secara

matematis dapat ditulis sebagai berikut:

BAB II

TINJAUAN

PUSTAKA

i i Y i i Y i p p L  



  1 1 ) 1 ( ) (β

















i i Y n i Y L  



    1 1 1 ) (β βTX βTX

)

(

β

L

 

_

 

_{ }

_



 



               n i n i i Y L 1 1 1 ln 1 ln ln β X X β X β β T T T

(20)

4. Mendapatkan penaksir untuk

𝜷

dengan memaksimumkan

ln

fungsi

likelihood

,

yaitu

dengan

menurunkan

atau

menderivatifkan

ln

fungsi

likelihood

Berdasarkan hasil penaksiran untuk parameter

𝜷

dengan

menggunakan metode MLE ternyata diperoleh fungsi yang implisit

sehingga penaksir untuk

𝜷

tidak dapat langsung diperoleh. Oleh

karena itu, digunakan metode

Newton Raphson

untuk mendapatkan

penaksir maksimum

likelihood

untuk

𝜷

.

BAB II

TINJAUAN

PUSTAKA

20

IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL

 











β X







β X





X β β β T T T T __ _    



 1 ln 1 X Y L n i i

(21)

BAB II

TINJAUAN

PUSTAKA

UJI SERENTAK UJI PARSIAL

Hipotesis

𝐻₀: 𝛽₁ = 𝛽₂ = ⋯ = 𝛽_𝑝 = 0

𝐻₁: Paling sedikit ada satu 𝛽_𝑗 ≠ 0 Statistik uji :

𝐺 = −2 ln 𝐿_𝑢 − ln 𝐿_𝑅 dimana:

𝐿_𝑢 = 𝑛 𝑃 ln 𝑃 + 1 − 𝑃 ln(1 − 𝑃) , 𝑛 ∶ banyaknya sampel

𝑃 ∶ proporsi pengamatan yang memiliki variabel respon (Y) sama dengan 1 𝐿_𝑅 ∶ fungsi log-likelihood tanpa variabel

prediktor

𝐿_𝑢 : fungsi likelihood dengan variabel prediktor

Tolak 𝑯_𝟎 apabila nilai P_value < 𝛼 atau nilai 𝐺 < 𝛼 pada tingkat kepercayaan 𝛼

Hipotesis 𝐻₀: 𝛽_𝑗 = 0 𝐻₁: 𝛽_𝑗 ≠ 0 dengan 𝑗 = 1, 2, … , 𝑝. Statistik uji : 𝑊_𝑗 = _𝑆_𝐸(𝛽_𝛽𝑗 𝑗)~𝑁(0,1) dimana: 𝛽_𝑗 : penduga 𝛽_𝑗

𝑆 𝐸( 𝛽_𝑗) : penduga simpangan baku dari 𝛽_𝑗.

𝐓𝐨𝐥𝐚𝐤 𝑯_𝟎 apabila 𝑊_𝑗 > 𝑍_𝛼_/2 atau P_value < 𝛼 pada tingkat kepercayaan 𝛼.

(22)

BAB II

TINJAUAN

PUSTAKA

Tujuan:

mengetahui apakah terdapat perbedaan antara hasil observasi dengan

kemungkinan hasil prediksi.

Hipotesis:

𝐻₀: Tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model (model sesuai)

𝐻₁: Ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model (model tidak sesuai)

Statistik uji : 𝐷 = −2 𝑖=1 𝑛 𝑦_𝑖𝑗 ln 𝑃𝑖𝑗 𝑦_𝑖𝑗 + 1 − 𝑦𝑖𝑗 ln 1 − 𝑃_𝑖𝑗 1 − 𝑦_𝑖𝑗

dengan 𝑃_𝑖𝑗 = 𝑃_𝑗(𝑥_𝑖) merupakan peluang observasi ke-𝑖 pada kategori ke-𝑗.

Tolak 𝑯_𝟎 apabila 𝐷 > 𝜒_{𝑑𝑏,𝛼}2 pada tingkat kepercayaan 𝛼 dan 𝑑𝑏 merupakan derajat bebas

22

IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL

(23)

BAB III

METODELOGI

PENELITIAN

LANGKAH

PENELITIAN

DEFINISI

OPERASIONAL

(24)

BAB III

METODELOGI

PENELITIAN

SUMBER DATA VARIABEL PENELITIAN LANGKAH PENELITIAN DEFINISI OPERASIONAL

24 Badan Pusat Statistik

(BPS)

2012

(25)

BAB III

METODELOGI

PENELITIAN

Variabel respon (Y) dalam penelitian ini adalah variabel IPG.

Namun variabel ini dikelompokkan terlebih dahulu dengan

menggunakan

analisis

cluster

.

Hasil

dari

pengelompokkan

digunakan sebagai variabel respon. Sehingga variabel respon yang

digunakan dalam penelitian ini berdasarkan kondisi IPG yang ada

di Indonesia saat ini. Untuk lebih jelasnya dapat dilihat pada bab

IV. Penelitian dilakukan terhadap masing-masing data laki-laki dan

perempuan dengan variabel prediktor yang digunakan adalah 9

variabel untuk data laki-laki dan 10 variabel untuk data

perempuan. Untuk data perempuan variabel yang digunakan

ditambah dengan variabel

Total Fertility Rate

(TFR) sebagai

variabel X

_10.

(26)

SUMBER DATA VARIABEL PENELITIAN LANGKAH PENELITIAN DEFINISI OPERASIONAL

26 BAB III

METODELOGI

PENELITIAN

Variabel Keterangan Tipe Variabel

X

₁

Angka Partisipasi Sekolah (APS) SD/Sederajat

Kontinyu

X

₂

Angka

Partisipasi

Sekolah

(APS)

SMP/Sederajat

Kontinyu

X

₃

Angka

Partisipasi

Sekolah

(APS)

SMA/Sederajat

Kontinyu

X

₄

Persentase penduduk pendidikan terakhir

yang ditamatkan adalah SMP

Kontinyu

X

₅

Tingkat partisipasi angkatan kerja (TPAK)

Kontinyu

X

₆

Persentase Penduduk Mempunyai Keluhan

Kesehatan

Kontinyu

X

₇

Purchasing Power Parity

(PPP)/Daya Beli

Diskrit

X

₈

Rasio Jenis Kelamin

Kontinyu

X

₉

Rasio Jenis Kelamin Saat Lahir

Kontinyu

Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

(27)

BAB III

METODELOGI

PENELITIAN

Variabel Definisi Operasional

Angka Partisipasi Sekolah (APS)

Proporsi dari semua anak yang masih sekolah pada suatu kelompok umur tertentu terhadap penduduk dengan kelompok umur yang sesuai

Persentase penduduk dengan Pendidikan Terakhir SMP

proporsi antara jumlah penduduk yang pendidikan terakhir yang ditamatkan adalah SMP, ditandai dengan memiliki ijazah/sertifikat, terhadap jumlah penduduk di suatu wilayah. Tingkat Partisipasi

Angkatan Kerja (TPAK)

Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan

persentase jumlah angkatan kerja terhadap penduduk usia kerja.

Penduduk yang

Mempunyai Keluhan Kesehatan

Keluhan kesehatan adalah keadaan seseorang yang merasa terganggu oleh kondisi kesehatan, kejiwaan, kecelakaan atau hal lain. Seseorang yang menderita penyakit kronis dianggap mempunyai keluhan kesehatan walaupun pada waktu survei (satu bulan terakhir) yang bersangkutan tidak kambuh penyakitnya. Semakin banyak penduduk yang mengalami keluhan kesehatan berarti semakin rendah derajat kesehatan

(28)

SUMBER DATA VARIABEL PENELITIAN LANGKAH PENELITIAN DEFINISI OPERASIONAL

28 BAB III

METODELOGI

PENELITIAN

PPP (Purchasing Power Parity)/daya beli

PPP memungkinkan dilakukannya perbandingan harga-harga riil antarprovinsi maupun antarkabupaten, mengingat nilai tukar yang biasa digunakan dapat menurunkan atau menaikkan nilai daya beli yang terukur dari konsumsi per kapita yang telah disesuaikan. PPP dihitung berdasarkan pengeluaran riil per kapita setelah disesuaikan dengan indeks harga konsumen dan penurunan kegunaan marginal. Rasio Jenis Kelamin perbandingan antara jumlah penduduk laki-laki dan jumlah

penduduk perempuan pada suatu daerah dan pada waktu tertentu. Data mengenai rasio jenis kelamin berguna untuk pengembangan perencanaan pembangunan yang berwawasan gender, terutama yang berkaitan dengan perimbangan laki-laki dan perempuan secara adil.

(29)

BAB III

METODELOGI

PENELITIAN

Rasio Jenis Kelamin Saat Lahir

PPperbandingan antara bayi laki-laki dengan bayi perempuan yang lahir dalam setahun.

TFR (Total Fertitily Rate)

Angka Kelahiran Total merupakan rata-rata jumlah anak yang dilahirkan seorang perempuan dari usia 15 - 49 tahun. Perbandingan TFR antar daerah dapat menunjukkan keberhasilan daerah dalam melaksanakan pembangunan sosial ekonominya. TFR yang tinggi merupakan cerminan rata-rata usia kawin yang rendah, tingkat pendidikan yang rendah terutama perempuannya, tingkat sosial ekonomi rendah atau tingkat kemiskinan yang tinggi.

(30)

BAB III

METODELOGI

PENELITIAN

1. Menentukan variabel dan mendapatkan data yang mendukung.

2. Melakukan analisis cluster terhadap variabel IPG untuk mendapatkan variabel respon yang digunakan dalam penelitian.

3. Mengecek multikolinieritas data. Apabila terjadi multikolinieritas maka harus diatasi terlebih dahulu, salah satunya dengan menghilangkan variabel yang menyebabkan multikolinieritas terjadi.

4. Melakukan pemodelan dengan menggunakan regresi probit terhadap faktor-faktor yang mempengaruhi IPG di Indonesia dengan langkah-langkah sebagai berikut:

 Menentukan model regresi probit dengan variabel respon dan variabel prediktor yang digunakan dalam penelitian.

 Melakukan uji signifikansi parameter regresi probit secara serentak dan parsial untuk mengetahui variabel prediktor yang berpengaruh signifikan terhadap variabel respon.

 Menginterpretasikan model regresi probit terbaik yang diperoleh.

 Melakukan uji kesesuaian model.

 Menghitung ketepatan klasifikasi model regresi probit. 5. Menarik kesimpulan. SUMBER DATA VARIABEL PENELITIAN LANGKAH PENELITIAN DEFINISI OPERASIONAL

30

(31)

BAB IV

ANALISIS DAN

PEMBAHASAN

PERKEMBANGAN & PENCAPAIAN KOMPONEN PEMBENTUK INDEKS

PEMBANGUNAN GENDER DI INDONESIA

PENGELOMPOKKAN IPG INDONESIA TAHUN 2012 MENGGUNAKAN

ANALISIS CLUSTER

PENGUJIAN MULTIKOLINIERITAS PADA VARIABEL INDEPENDEN

(32)

BAB IV

ANALISIS DAN

PEMBAHASAN

31 IPM DAN IPG

SELALU

MENINGKAT

SETIAP TAHUNNYA MENUNJUKKAN

BAHWA

PEMBANGUNAN MANUSIA

DI INDONESIA

SEMAKIN BAIK

SETIAP TAHUN SELALU ADA SELISIH ANTARA ANGKA IPM DAN IPG YANG MENANDAKAN BAHWA MASIH ADANYA KESENJANGAN ANTARA LAKI-LAKI DAN PEREMPUAN, DIMANA ANGKAIPG < IPM

(33)

BAB IV

ANALISIS DAN

PEMBAHASAN

(34)

BAB IV

ANALISIS DAN

PEMBAHASAN

33 Provinsi yang termasuk ke dalam

kelompok

menengah atas

antara lain provinsi Aceh, Sumatera

Utara, Sumatera Barat, Riau,

Sumatera Selatan, Bengkulu, DKI

Jakarta, Jawa Tengah, D.I

Yogyakarta, Jawa Timur, Bali,

Kalimantan Selatan, Sulawesi

Utara, Sulawesi Barat, Maluku, dan

Maluku Utara.

Provinsi yang berada pada kelompok

menengah bawah

antaralain

provinsi Jambi, Lampung, Kepulauan

Bangka Belitung, Kepulauan Riau,

Jawa Barat, Banten, Nusa Tenggara

Barat, Nusa Tenggara Timur,

Kalimantan Barat, Kalimantan Timur,

Sulawesi Tengah, Sulawesi Selatan,

Sulawesi Tenggara, Gorontalo, Papua

Barat, dan Papua.

KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA

(35)

BAB IV

ANALISIS DAN

PEMBAHASAN

(36)

BAB IV

ANALISIS DAN

PEMBAHASAN

36 ANGKA MELEK HURUF (AMH)

PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS

PEMBANGUNAN GENDER DI INDONESIA

Perkembangan yang pesat dari AMH perempuan

semakin memperkecil

disparitas kemampuan baca

tulis yang terjadi di Indonesia

(37)

BAB IV

ANALISIS DAN

PEMBAHASAN

(38)

BAB IV

ANALISIS DAN

PEMBAHASAN

38 SUMBANGAN PENDAPATAN

PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS

PEMBANGUNAN GENDER DI INDONESIA

Sumbangan pendapatan penduduk perempuan fluktuatif namun cenderung menurun Angkatan kerja Upah yang diterima Proporsi angkatan kerja perempuan di Indonesia pd thn 2012 sekitar 38,62% dari total 120,41 juta angkatan kerja

Rata-rata pah yang diterima laki-laki (1,55 jt) masih lebih tingi dari perempuan (1,25 jt)

(39)

BAB IV

ANALISIS DAN

PEMBAHASAN

Kelompok

Anggota Kelompok

1 Sumatera Utara, Sumatera Barat, Sumatera Selatan,

Bengkulu, DKI Jakarta, D.I Yogyakarta, Bali, Kalimantan

Tengah, Sulawesi Utara, Maluku

2 Aceh, Riau, Jambi, Lampung, Kep. Bangka Belitung, Kep.

Riau, Jawa Barat, Jawa Tengah, Jawa Timur, Banten. NTB,

NTT, Kalimantan Barat, Kalimantan Selatan, Kalimantan

Timur, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo,

Sulawesi Barat, Maluku Utara, Papua Barat, Papua

(40)

BAB IV

ANALISIS DAN

PEMBAHASAN

40 PENGUJIAN MULTIKOLINIERITAS PADA VARIABEL INDEPENDEN

Variabel (L)

VIF

Variabel (P)

VIF

X

₁

4,07

X

₁

6,82

X

₂

5,10

X

₂

10,07

X

₃

3,13

X

₃

3,19

X

₄

1,72

X

₄

2,24

X

₅

1,71

X

₅

2,14

X

₆

1,83

X

₆

1,68

X

₇

1,41

X

₇

1,74

X

₈

1,59

X

₈

1,51

X

₉

2,06

X

₉

1,59

X

₁₀

2,09

terjadi multikolinieritas pada data laki-laki dan perempuan karena nilai VIF > 5. Langkah selanjutnya adalah mengatasi multikolinieritas tersebut, salah satunya dengan menghilangkan variabel yang menyebabkan multikolinieritas terjadi. Pada data laki-laki, variabel yang menyebabkan terjadinya multikolinieritas adalah variabel X₂,sedangkan pada data perempuan adalah variabel X₁ dan X₂. Maka, untuk analisis selanjutnya, variabel X₁ dan X2tidak diikutsertakan.

(41)

BAB IV

ANALISIS DAN

PEMBAHASAN

PENGUJIAN SERENTAK PENGUJIAN PARSIAL

Berdasarkan hasil uji parsial didapatkan bahwa parameter yang signifikan terhadap adalah variabel

X₉ (rasio jenis kelamin saat lahir. Parameter pada variabel tersebut

signifikan pada taraf 𝛼 = 20%.

Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,125) yang kurang dari nilai 𝛼(20%) sehingga keputusan yang diperoleh adalah tolak H₀. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG.

(42)

BAB IV

ANALISIS DAN

PEMBAHASAN

42 PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI

MODEL TERBAIK

Pemilihan model terbaik dilakukan dengan menggunakan metode

Backward

.

Berdasarkan metode

Backward

, didapatkan bahwa model regresi probit

terbaik adalah model dengan variabel prediktor X

₁

yaitu APS SD/sederajat

dan X

₉

yaitu rasio jenis kelamin saat lahir.

Variabel

Coef

P-value

X

₁

-0,775

0,022

*

X

₉

0,324

0,103

*

Sehingga, persamaan model regresi probit terbaik untuk data laki-laki adalah sebagai berikut:

𝑦∗ = 42,269 − 0,775𝑋₁ + 0,324𝑋₉

Persamaan diatas dapat diinterpretasikan bahwa APS SD/sederajat berpenaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah.

(43)

BAB IV

ANALISIS DAN

PEMBAHASAN

PENGUJIAN SERENTAK MODEL TERBAIK

PENGUJIAN PARSIALMODEL TERBAIK

Berdasarkan hasil uji parsial didapatkan bahwa didapatkan informasi bahwa dengan 𝛼 = 20%, seluruh parameter pada variabel X₁ dan X₉ masing-masing berpengaruh signifikan terhadap variabel respon. Berdasarkan hasil pengujian secara

serentak, didapatkan informasi bahwa nilai P-value (0,005) yang kurang dari nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah tolak H₀. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG.

(44)

PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI

BAB IV

ANALISIS DAN

PEMBAHASAN

44

INTERPRETASI EFEK MARGINAL

Apabila diambil data dari salah satu provinsi, misalkan untuk provinsi Papua Barat, dengan X₁= 95,31; dan X₉=

105,72; maka: 𝑃 𝑌 = 1 = 1 − Φ −42,269 + 0,775𝑋₁ − 0,324𝑋₉ 𝑃 𝑌 = 1 = 1 − Φ −2,65703 𝑃 𝑌 = 1 = 1 −0,00394 𝑃 𝑌 = 1 =0,99606

Jadi, probabilitas provinsi Papua Barat masuk ke dalam kelompok IPG rendah dengan nilai-nilai tersebut adalah sebesar 0,99606. Sedangkan probabilitas provinsi Papua Barat masuk ke dalam kelompok IPG tinggi

𝑃 𝑌 = 0 adalah sebesar 0,00394.

𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 𝛽9𝜙(𝛾 − 𝜷𝑻𝑿) 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 0,324𝜙(−2,65703) 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 0,324(0,01169) 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 0,00379

Artinya bahwa setiap perubahan rasio jenis kelamin saat lahir sebesar 1% maka akan meningkatkan probabilitas suatu provinsi masuk ke dalam kategori IPG kelompok rendah sebesar 0,00379.

(45)

BAB IV

ANALISIS DAN

PEMBAHASAN

KESESUAIAN MODEL TERBAIK

Berdasarkan hasil pengujian didapatkan nilai

P-

value

sebesar 0,463 yang berarti P-

value

>

0,20 sehingga keputusan yang diambil adalah

gagal tolak

𝐻

₀

. Jadi, dapat disimpulkan bahwa

tidak ada perbedaan antara hasil observasi

dengan kemungkinan hasil prediksi model.

Atau dengan kata lain model telah sesuai.

(46)

BAB IV

ANALISIS DAN

PEMBAHASAN

46

PENGUJIAN SERENTAK PENGUJIAN PARSIAL

Berdasarkan hasil uji parsial didapatkan bahwa parameter variabel yang signifikan terhadap variabel respon adalah variabel X₃ (APS SMA/sederajat), X₄ (persentase penduduk dengan pendidikan terakhir yang ditamatkan adalah SMP), X₅ (TPAK), X₈ (rasio jenis kelamin) dan variabel X₉ (rasio jenis kelamin saat lahir).

Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value sebesar 0,005 yang kurang dari nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah tolak H₀. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG di Indonesia.

(47)

BAB IV

ANALISIS DAN

PEMBAHASAN

MODEL TERBAIK

Pemilihan model terbaik dilakukan dengan menggunakan metode

Backward

.

Berdasarkan metode

Backward

, didapatkan bahwa model regresi probit

terbaik adalah model dengan variabel prediktor X

₃

yaitu APS SMA/sederajat,

X

₅

yaitu TPAK, X

₇

yaitu PPP, dan X

₉

yaitu rasio jenis kelamin saat lahir

Sehingga, persamaan model regresi probit terbaik untuk data perempuan adalah sebagai berikut:

𝑦∗ = −6,459 − 0,101𝑋₃ − 0,121𝑋₅ − 0,00005𝑋₇ + 0,462𝑋₉

Persamaan diatas dapat diinterpretasikan bahwa APS SMA/sederajat, TPAK, dan PPP berpengaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas

Variabel Coef P-value

X₃ -0,101 0,033*

X₅ -0,121 0,016*

X₇ -0,00005 0,081*

(48)

BAB IV

ANALISIS DAN

PEMBAHASAN

48

PENGUJIAN SERENTAK MODEL TERBAIK

PENGUJIAN PARSIALMODEL TERBAIK

Berdasarkan hasil uji parsial didapatkan bahwa didapatkan informasi bahwa dengan 𝛼 = 20%,

dengan 𝛼 = 20%, seluruh parameter pada variabel X₃, X₅, X₇, dan X₉ masing-masing berpengaruh signifikan terhadap variabel respon.

Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,004) yang kurang dari nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah tolak H₀. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG.

(49)

BAB IV

ANALISIS DAN

PEMBAHASAN

INTERPRETASI EFEK MARGINAL

Apabila diambil data dari salah satu provinsi, misalkan untuk provinsi Papua, dengan X₃ = 48,23; X₅ = 68,36; X₇ = 611990; dan X₉=110,13 maka: 𝑃 𝑌 = 1 = 1 − Φ 6,459 + 0,101𝑋₃ + 0,121𝑋₅ 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 𝛽9𝜙(𝛾 − 𝜷𝑻𝑿) 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 0,324𝜙(−2,65703) 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 0,324(0,01169) 𝜕 𝑃(𝑌 = 1) 𝜕𝑋₉ = 0,00379

Artinya bahwa setiap perubahan variabel TPAK sebesar 1% maka akan menurunkan probabilitas suatu provinsi masuk ke dalam kategori IPG kelompok rendah sebesar 0,038.

(50)

BAB IV

ANALISIS DAN

PEMBAHASAN

50

KESESUAIAN MODEL TERBAIK

Berdasarkan hasil pengujian, didapatkan nilai

P-

value

sebesar 0,630 yang berarti P-

value

>

0,20. Sehingga keputusan yang diambil adalah

gagal tolak

𝐻

₀

. Maka, dapat disimpulkan

bahwa tidak ada perbedaan antara hasil

observasi dengan kemungkinan hasil prediksi

model. Atau dengan kata lain model telah

sesuai.

(51)

BAB IV

ANALISIS DAN

PEMBAHASAN

Ketepatan klasifikasi yang diprediksi dari model regresi probit

yang didapat yaitu sebesar 80%.

Ketepatan klasifikasi yang diprediksi dari model regresi probit

yang didapat yaitu sebesar 86,1%.

(52)

SARAN

KESIMPULAN

BAB V

PENUTUP

52

(53)

BAB V

PENUTUP

pembangunan gender di Indonesia dari waktu ke waktu semakin

membaik. Namun, masih terdapat kesenjangan atau

gap

antara

penduduk laki-laki dan perempuan di seluruh provinsi di

Indonesia. Kesenjangan tersebut dapat dilihat diberbagai bidang

atau komponen pembentuk IPG itu sendidi yaitu, pada bidang

pendidikan, kesehatan, dan sumbangan pendapatan.

Berdasarkan

hasil perhitungan diketahui bahwa rata-rata IPG pada tahun 2012

secara keseluruhan adalah sebesar 66,02. Nilai varians sebesar

15,31 menjelaskan mengenai keragaman data. Provinsi dengan

IPG terkecil adalah provinsi Nusa Tenggara Barat yaitu sebesar

57,58 dan provinsi dengan IPG terbesar adalah provinsi DKI

Jakarta yaitu sebesar 74,66.

(54)

BAB V

PENUTUP

54

Faktor-faktor yang mempengaruhi IPG pada penduduk laki-laki antaralain APS SD/sederajat dan rasio jenis kelamin saat lahir, dengan model regresi probit yang didapatkan yaitu:

𝑦∗ = 42,269 − 0,775𝑋₁ + 0,324𝑋₉

Persamaan diatas dapat diinterpretasikan bahwa APS SD/sederajat berpenaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan faktor yang mempengaruhi IPG pada penduduk perempuan yaitu yaitu APS SMA/sederajat, TPAK, PPP, dan rasio jenis kelamin saat lahir, dengan model regresi probit yang didapatkan adalah sebagai berikut:

𝑦∗ = −6,459 − 0,101𝑋₃ − 0,121𝑋₅ − 0,00005𝑋₇ + 0,462𝑋₉

Persamaan diatas dapat diinterpretasikan bahwa APS SMA/sederajat, TPAK, dan PPP berpengaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah

(55)

BAB V

PENUTUP

(56)

DAFTAR

PUSTAKA

 Asmanto, Priadi. 2008. Evaluasi Millenium Development Goals (MDGs) Indonesia: Kesetaraan Gender dan Pemberdayaan Perempuan. Tersedia di SSRN: http://ssrn.com/abstract=1996301, diakses pada 30 Januari 2014.

 BKKBN. 2009. Modul 2 Konsep dan Teori Gender. Jakarta: BKKBN

 Dharmasari, Ayu. 2009. Perbandingan Model Logit dan Probit untuk Menganalisis Kecenderungan Siswa SMP Melanjutkan Pendidikan ke Jenjang SMA (Studi Kasus Data Susenas Kabupaten Situbondo, Jawa Timur). Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.

 Faidah, D. Y. 2010. Pemodelan Regresi Probit Ordinal pada Indeks Pembangunan Manusia (IPM) di provinsi Sumatera Utara, Jawa Barat, Jawa Tengah, dan Jawa Timur. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.

 Greene, W. H. 2008. Econometric Analysis. USA: Pearson Prentice Hall.

 Gujarati, D. N. 2004. Basic Econometrics, Fourth Edition. New York: McGraw-Hill.

56

(57)

 Hakim, L. J. 2014. Analisis Komponen Indeks Pembangunan Gender dengan Geographically Weighted Multivariate Regression Model di Provinsi Kalimantan Timur dan Kalimantan Selatan Tahun 2011. Tesis S2 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya.

 Hosmer, D.W & Lemeshow, Stanley. 2000. Applied Logistic Regression Second Edition. USA: John Wiley & Sons.

 Johnson, R. A & Wichern, D. W. 2007. Applied Multivariate Statistical Analysis, Sixth Edition. New Jersey: Pearson Prentice Hall.

 Kementrian Pemberdayaan Perempuan dan Perlindungan Anak. 2012.

Pembangunan Manusia Berbasis Gender 2012. Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak.

DAFTAR

PUSTAKA

(58)

 ___________. 2013. Pembangunan Manusia Berbasis Gender 2013. Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak.

 ___________. 2012. Profil Anak Indonesia 2012. Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak.

 MDGs Support Unit United Nations Development Programme. 2006. Komik MDGs. Tersedia di: www.undp.or.id/pubs/docs/Komik%20MDGs.pdf, diakses pada 28 Januari 2014.

 Tempo.co. 2013. Linda Gumelar: Pembangunan Gender Masih Tertinggal. Tersedia di

http://www.tempo.co/read/news/2013/07/16/173496886/Linda-Gumelar-Pembangunan-Gender-Masih-Tertinggal, diakses pada 28 Januari 2014.

 Wulandari, Evi. 2013. Model Regresi Probit untuk Mengetahui Faktor-Faktor yang Mempengaruhi Jumlah Penderita Diare di Jawa Timur. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Matematika FMIPA Universitas Negeri Surabaya.

 Yulianti, R. A & Ratnasari, Vita. 2013. Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja Perempuan Di Provinsi Jawa Timur. Jurnal Sains dan Seni POMITS. Vol 2, hal 159-164.

DAFTAR

PUSTAKA

58

(59)