• Tidak ada hasil yang ditemukan

Multilevel Latent Class Cluster pada Pengelompokan Rumah Tangga Miskin di Kecamatan Berbak

N/A
N/A
Protected

Academic year: 2021

Membagikan "Multilevel Latent Class Cluster pada Pengelompokan Rumah Tangga Miskin di Kecamatan Berbak"

Copied!
7
0
0

Teks penuh

(1)

Multilevel Latent Class Cluster

pada Pengelompokan

Rumah Tangga Miskin di Kecamatan Berbak

Irtania Muthia Rizki

1

, Septiadi Padmadisastra

2

, Bertho Tantular

3

Magister Statistika, Universitas Padjadjaran, Bandung 1,2,3

irtaniamuthiarizki@gmail.com

ABSTRAK

Kemiskinan adalah kondisi seseorang atau sekelompok orang, tidak terpenuhi hak-hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yang bermartabat. Di Indonesia dalam pengentasan kemiskinan terdapat Tim Nasional Percepatan Penanggulangan Kemiskinan (TNP2K) yang dibentuk dengan tujuan memperbaiki sasaran program berbasis rumah tangga. Provinsi Jambi adalah salah satu provinsi yang kemiskinannya cukup tinggi, dengan Kabupaten Tanjung Jabung Timur sebagai Kabupaten pemiliki persentase kemiskinan terbesar. Hal ini terjadi mengingat keadaan infrastruktur pada daerah tersebut yang sangat minim. Kecamatan Berbak di Kabupaten Tanjung Jabung Timur merupakan kecamatan yang memiliki persentase rumah tangga miskin terbanyak, yaitu mencapai 51,96%. Mengingat keadaan tersebut, maka perlu dilakukan pengelompokan terhadap rumah tangga. Namun di Kecamatan Berbak dalam pelaksanaan kebijakan yang ditetapkan oleh Wakil Bupati, dalam pengentasan kemiskinan untuk setiap Desa/Kelurahan bervariasi. Variasi ini perlu diperhatikan, dimana akan berpengaruh dalam pengelompokkan. Dalam menggambarkan variabel kemiskinan Bappeda menggunakan 9 indikator. Oleh karena kemiskinan merupakan variabel laten yang tidak dapat diukur secara langsung dan indikator dari variabel kemiskinan memiliki skala ukur kategori serta adanya variasi yang terjadi pada desa/kelurahan (berstruktur hirarki) maka dalam penelitian ini dilakukan pengelompokkan dengan metode Multilevel Latent Class Cluster (MLCC). Analisis ini menunjukkan terdapat 5 latent class untuk rumah tangga dan 2 grup latent class desa/kelurahan di Kecamatan Berbak.

Kata Kunci: Multilevel Latent Class Cluster, Kemiskinan, Kecamatan Berbak

1. PENDAHULUAN

Kemiskinan adalah kondisi dimana seseorang atau sekelompok orang, laki-laki dan perempuan, tidak terpenuhi hak-hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yang bermartabat. Kemiskinan merupakan fenomena yang kompleks, bersifat multidimensi dan tidak dapat secara mudah dilihat dari suatu angka absolut, melainkan harus memperhatikan luas wilayah dan beragamnya budaya masyarakat yang ada sehingga menyebabkan kondisi dan permasalahan kemiskinan di Indonesia menjadi sangat beragam [1].

Kemiskinan merupakan masalah kompleks yang dipengaruhi oleh berbagai faktor yang saling berkaitan. Di Indonesia kemiskinan didominasi pada daerah perdesaan yaitu diperkirakan sebesar 69%, sementara sisanya terjadi pada daerah perkotaan [1]. Tingkat keparahan kemiskinan pada daerah perdesaan cendrung lebih tinggi dari perkotaan karena terkait dengan mutu sumber daya manusia, lingkungan hidup, keterbatasan kepemilikan asset dan banyak hal lainnya. Sedangkan kemiskinan yang terjadi pada daerah perkotaan tetap harus menjadi perhatian, karena kemiskinan pada daerah perkotaan terus meningkat. Terdapat suatu Tim Nasional Percepatan Penanggulangan Kemiskinan (TNP2K) yang dibentuk dengan tujuan memperbaiki sasaran program berbasis rumah tangga dalam melakukan pengentasan kemiskinan.

Provinsi Jambi memiliki 9 Kabupaten dan 2 Kota, yang merupakan salah satu provinsi yang memiliki angka kemiskinannya cukup tinggi. Menurut referensi [2] bahwa angka kemiskinan pada tahun 2015 untuk Provinsi Jambi sebesar 8,41% dengan Kabupaten Tanjung Jabung Timur sebagai Kabupaten yang memiliki persentase kemiskinan terbesar. Hal ini terjadi mengingat keadaan infrastruktur pada daerah tersebut yang sangat minim. Kecamatan Berbak di Kabupaten Tanjung Jabung Timur merupakan kecamatan yang memiliki persentase rumah tangga yang masuk ke 40% rumah tangga dengan kesejahteraan terendah mencapai 51,96%. Mengingat keadaan tersebut, maka sangat perlu dilakukan

(2)

penanggulangan kemiskinan pada daerah tersebut. Penanggulangan dapat dilakukan dengan memberikan bantuan kepada rumah tangga miskin yang sangat membutuhkan. Untuk mrngetahui rumah tangga yang perlu diproritaskan, maka perlu dilakukan pengelompokan terhadap rumah tangga sebagai sasaran dalam penanggulangan kemiskinan.

Namun di Kecamatan Berbak dalam pelaksanaan kebijakan yang ditetapkan oleh Wakil Bupati, untuk setiap Desa/Kelurahan melaksanakan kegiatan bervariasi atau berbeda pula. Bervariasinya kondisi dari setiap Desa/Kelurahan ini perlu dipandang sebagai sumber variasi tersendiri yang akan berpengaruh dalam melakukan pengelompokkan rumah tangga miskin.

Kemiskinan merupakan salah satu variabel laten, yaitu variabel yang tidak dapat diukur secara langsung. Badan Perencanaan Pembangunan Daerah (BAPPEDA) dalam menggambarkan variabel kemiskinan berdasarkan infrastruktur pada rumah tangga menggunakan 9 indikator. Indikator yang digunakan yaitu status bangunan tempat tinggal, jenis lantai terluas, jenis dinding terluas, jenis atap terluas, sumber air minum, penggunaan fasilitas buang air besar, tempat pembuangan akhir tinja, sumber penerangan utama dan bahan bakar untuk memasak.

Penelitian ini ingin melakukan analisis klaster dalam mengelompokkan rumah tangga miskin yang terdapat di Kecamatan Berbak berdasarkan keadaan infrastruktur. Untuk melakukan analisis klaster pada variabel laten dimana terdapat sumber variasi pada tingkat Desa/Kelurahan dan indikator dari variabel kemiskinan memiliki skala ukur kategori maka penelitian ini melakukan pengelompokkan dengan metode

Multilevel Latent Class Cluster (MLCC). Analisis MLCC ini digunakan ketika asumsi pada tradisional

latent class tidak terpenuhi. Observasi ini tidak independen ketika pada struktur data mencakup suatu pengamatan yang terserang pada pengamatan lainnya, dalam hal ini rumah tangga tersarang pada desa/kelurahan.

2. METODE PENELITIAN

Menurut refrensi [3] bahwa analisis klaster digunakan untuk mengelompokkan objek-objek menjadi beberapa kelompok berdasarkan ukuran kemiripan antara objek tersebut, sehingga objek-objek yang berada dalam satu kelompok memiliki kemiripan yang lebih homogen dibandingkan dengan objek dari kelompok yang berbeda. Terdapat dua pendekatan yang umum digunakan dalam analisis klaster yaitu metode hirarki dan metode non hirarki [4]. Pada metode hirarki pengelompokkan yang dilakukan berdasarkan kesamaan individu yang paling dekat, dimana ada tingkatan yang jelas diantara individu. Sementara pada metode non hirarki, dilakukan dengan menentukan banyaknya klaster terlebih dahulu, setelah itu proses pengklasteran baru dilakukan. Namun, kedua metode ini tidak tepat penggunaanya dalam penelitian ini, dikarenakan variabel yang digunakan dalam penelitian ini yaitu kemiskinan yang merupakan variabel laten, yaitu variabel yang tidak dapat diukur secara langsung.

Lazarfard dan Henry pada tahun 1968 memperkenalkan model kelas laten sebagai alat yang digunakan untuk membentuk kelompok-kelompok data berdasarkan variabel dikotomus yang diamati [5]. Tujuan dari analisis kelas laten yaitu untuk mengidentifikasi jumlah kelas yang dapat menjelaskan hubungan antar variabel yang diamati dan mengalokasikan responden masuk ke dalam kelas laten [6]. Menurut referensi [7] bahwa analisis latent class cluster merupakan metode pengelompokkan dalam kasus multivariat yang bersifat fleksibel, karena latent class cluster dapat diterapkan pada data yang memiliki skala ukur kategorik, kontinu ataupun campuran (kategorik dan kontinu). Namun, adanya struktur (hirarki) dalam suatu penelitian mengakibatkan metode Latent Class Cluster tidak dapat digunakan. Hal ini dikarenakan, metode Latent Class Cluster mengasumsikan bahwa setiap observasi saling independen satu dan lainnya [8]. Kenyataannya keadaan ini tidak akan terpenuhi ketika data yang dimiliki mencakup suatu pengamatan yang tersarang. Menurut [9] bahwa untuk mengatasi masalah dimana unit pengamatan berasal dari beberapa komunitas, maka asumsi independen menjadi dilanggar, sehingga dibutuhkan Multilevel Latent Class Analysis untuk mengatasinya.

Langkah pertama yang dilakukan pada metode Multilevel Latent Class Cluster yang pada penelitian ini diterapkan pada pengelompokkan rumah tangga miskin di Berbak dengan memperhatikan adanya variasi pada desa/kelurahan adalah terlebih dahulu membentuk model dari Multilevel Latent Class Cluster. Misalkan Yijk sebagai respon dari variabel ke-i pada rumah tangga ke j (unit level 1) di Desa/Kelurahan k (unit level 2). Kemudian latent class variable pada level 1 dinotasikan ujk dan latent class suatu unit level 1 dinotasikan c (c=1,2,…,C). Sedangkan latent class variable pada level 2 dinotasikan uk dan latent class suatu unit level 2 dinotasikan c (d=1,2,…,D). Untuk model level 1 kita

mendefinisikan conditional density untuk vektor respon dari rumah tangga j pada desa/kelurahan k tersebut masuk ke dalam latent class d. Dirumuskan sebagai berikut:

(3)

𝑓(π‘Œπ‘—π‘˜|π‘’π‘˜= 𝑑) = βˆ‘πΆπ‘=1𝑃(π‘’π‘—π‘˜= 𝑐|π‘’π‘˜= 𝑑) βˆπΌπ‘–=1𝑓(π‘Œπ‘–π‘—π‘˜|π‘’π‘—π‘˜= 𝑐, π‘’π‘˜ = 𝑑) (1)

dimana 𝑃(π‘’π‘—π‘˜= 𝑐|π‘’π‘˜ = 𝑑) merupakan prior probability. Sedangkan 𝑓(π‘Œπ‘–π‘—π‘˜|π‘’π‘—π‘˜= 𝑐, π‘’π‘˜ = 𝑑) merupakn

conditional density yang mana jika respon diskrit maka diasumsikan berdistribusi multinomial.

Persamaan (1) menunjukkan bahwa keanggotaan dari rumah tangga pada latent class bergantung kepada keanggotaan desa/kelurahan. Kemudian untuk level 2, mendefiniskan marginal density untuk vektor respon desa/kelurahan adalah sebagai berikut:

𝑓(π‘Œπ‘˜) = βˆ‘π‘‘=1𝐷 𝑃(π‘’π‘˜= 𝑑) βˆπ‘—=1π‘›π‘˜ 𝑓(π‘Œπ‘—π‘˜|π‘’π‘˜ = 𝑑) (2)

dengan 𝑃(π‘’π‘˜ = 𝑑) yaitu prior probability.

Selanjutnya mensubtitusikan Persamaan (1) dan Persamaan (2), sehingga:

𝑓(π‘Œπ‘˜) = βˆ‘π·π‘‘=1[𝑃(π‘’π‘˜= 𝑑) βˆπ‘›π‘—=1π‘˜ [βˆ‘πΆπ‘=1𝑃(π‘’π‘—π‘˜= 𝑐|π‘’π‘˜= 𝑑)βˆπΌπ‘–=1𝑓(π‘Œπ‘–π‘—π‘˜|π‘’π‘—π‘˜ = 𝑐, π‘’π‘˜ = 𝑑)]] (3)

Persamaan (3) menunjukkan bahwa model dari Multilevel Latent Class Cluster terdapat asumsi

conditional density.

Setelah model Latent Class Cluster terbentuk maka selanjutnya adalah mengestimasi parameter. Penaksiran parameter dilakukan dengan memaksimumkan fungsi likelihood-nya. Fungsi likelihood

didefinisikan sebagai berikut:

𝐿(πœƒ) = βˆπΎπ‘˜=1𝑓(π‘Œπ‘˜)

= βˆπΎπ‘˜=1[βˆ‘π·π‘‘=1[𝑃(π‘’π‘˜ = 𝑑) βˆπ‘›π‘—=1π‘˜ [βˆ‘πΆπ‘=1𝑃(π‘’π‘—π‘˜= 𝑐|π‘’π‘˜ = 𝑑)βˆπΌπ‘–=1𝑓(π‘Œπ‘–π‘—π‘˜|π‘’π‘—π‘˜= 𝑐, π‘’π‘˜ = 𝑑)]]] (4)

Fungsi log-likelihoodnya merupakan log dari Persamaan (4). Fungsi log-likelihood tersebut dapat dimaksimalkan dengan proses iterasi menggunakan metode Expectation Maximum (EM) dan dilanjutkan dengan iterasi Newton Raphson. Menurut referensi [10] bahwa kedua metode iterasi ini digunakan karena memiliki kelebihan dimana Algoritma EM bersifat stabil bahkan ketika nilainya jauh dari optimal dan

Newton Raphson cepat dalam estimasi ketika nilainya sudah mendekati optimal.

Pada algoritma EM terdapat dua proses yaitu E-step dan M-step. Pada tahap E-step, dicari suatu fungsi yang merupakan ekspektasi dari fungsi log-likelihood data lengkap berdasarkan dari data terobservasi yang digunakan guna mengganti keanggotaan dari setiap individu pada setiap klaster yang tidak diketahui. Pada E- Step, ekspektasi dari fungsi log-likelihood dihitung berdasarkan data yang diobservasi dari estimasi parameter model yang telah ada

𝑄(πœƒ|πœƒ(𝑑)) = 𝐸

𝑧|π‘Œ,πœƒ(𝑑)[π‘™π‘œπ‘”πΏ(πœƒ; π‘Œ, 𝑍)… (5)

dimana πœƒ merupakan parameter yang diestimasi, Y merupakan observed data dan Z : variabel laten. Sementara pada tahap kedua M-step, dicari nilai estimator yang dapat memaksimumkan fungsi dari

log-likelihood yang telah didefinisikan dalam tahap E-step dimana bahwa data hilang telah diketahui.

πœƒ(𝑑+1)=arg π‘šπ‘Žπ‘₯

πœƒ 𝑄(πœƒ|πœƒ(𝑑)) (6)

Setelah didapatkan nilai estimasi parameter, maka kemudian dipilih model terbaik yang mampu menjelaskan data.Model yang terbaik merupakan model dengan nilai Bayesian Information Criterion

(BIC) terkecil. Nilai BIC dapat diperoleh menggunakan rumus [10]:

𝐡𝐼𝐢 = βˆ’2(π‘šπ‘Žπ‘₯𝐿) + 2π‘š log(𝑛) (7)

dimana N merupakan banyaknya pengamatan, M menunjukkan jumlah parameter, dan LL adalah nilai maksimum fungsi log-likelihood dari suatu model yang diestimasi.

Selain dengan memperhatikan nilai BIC, perlu pula untuk menilai kualitas model klasifikasi dalam hal ini kesalahan objek h masuk ke dalam kelas j. Dalam menghitung proporsi kesalahan klasifikasi atau

classification error (E), maka dapat didefinisikan sebagai berikut [5]:

𝐸 =βˆ‘π‘π‘–=1π‘Šπ‘–[1βˆ’π‘šπ‘Žπ‘₯β„ŽΜ‚(𝑗|π’šβ„Ž)]

(4)

dimana Wi merupakan banyaknya objek yang mempunyai kesamaan nilai-nilai variabel (case weight),

β„ŽΜ‚(𝑗|π’šβ„Ž) merupakan peluang posterior dan n adalah banyak observasi. Model dengan kesalahan klasifikasi

yang lebih kecil diantara model-model yang lain merupakan model yang baik.

Langkah selanjutnya setelah didapatkan model terbaik dengan melihat nilai BIC dan classification error maka model Laten Class Clusterperlu dilakukanpengecekan asumsi, yaitu asumsi local independency. Asumsi ini mengharuskan antar variabel dalam satu klaster saling bebas satu dan lainnya, yang dapat dilihat berdasarkan nilai statistik Bivariate Residual (BVR) sebagai berikut [5]:

𝐡𝑉𝑅 =βˆ‘ βˆ‘ (π‘‚π‘–π‘—βˆ’πΈπ‘–π‘—)2 𝐸𝑖𝑗 𝑛 𝑖=1 π‘š 𝑖=1 𝑑𝑏 (9)

dimana Oij merupakan frekuensi observasi, Eij adalah frekuensi harapan (π‘›π‘–π‘šπ‘—

𝑁 ). Jika nilai BVR<πœ’(0.05,𝑑𝑏) 2

menunjukkan asumsi local independency terpenuhi.

3. HASIL DAN PEMBAHASAN

Pada penelitian ini data yang digunakan merupakan Basis Data Terpadu (BDT) yang bersumber dari Badan perencanaan Pembangunan Daerah (Bappeda) Provinsi Jambi. BDT digunakan untuk memperbaiki kualitas penetapan sasaran untuk program perlindungan sosial. Data ini merupakan data survey terhadap Desil-4 (40%) rumah tangga dengan status kesejahteraan terendah di Provinsi Jambi tahun 2015.

Terdapat 9 indikator yang digunakan Bappeda dalam menjelaskan variabel kemiskinan berdasarkan infrastruktur untuk pengelompokkan rumah tangga. Namun empat indikator tidak diikut sertakan dalam penelitian ini yaitu, status bangunan tempat tinggal, jenis dinding terlus, jenis atap terluas dan tempat pembuangan akhir tinja yang dikarenakan indikator tersebut relatif homogen. Jika indikator tersebut diikut sertakan dalam pengelompokkan maka indikator tersebut tidak dapat digunakan sebagai pembeda. Sehingga pada penelitian ini hanya 5 indikator yang diikut sertakan, yaitu:

Tabel 1. Indikator Penelitian

No Indikator Keterangan Skala Pengukuran

1 Y1 Jenis Lantai Terluas Nominal (Kategori)

2 Y2 Sumber Air Minum Nominal (Kategori)

3 Y3 Penggunaan Fasilitas Buang Air Besar Nominal (Kategori)

4 Y4 Sumber Penerangan Utama Nominal (Kategori)

5 Y5 Bahan Bakar untuk Memasak Nominal (Kategori)

Analisis yang digunakan dalam penelitian ini adalah Multilevel Latent Class Cluster yang dilakukan dengan bantuan software LatentGOLD 4.0 trial version. Tujuan dari penggunaan analisis ini yaitu untuk mengetahui latent class dari rumah tangga miskin berdasarkan indikator-indikator kemiskinan berdasarkan infrastruktur serta memperhatikan adanya variasi pada tingkat desa/kelurahan.

Langkah pertama yang dilakukan dalam Multilevel Latent Class Cluster adalah melakukan pemeilihan model terbaik. Model yang baik adalah model dengan nilai BIC paling kecil, classification error yang juga kecil dan memenuhi prinsip parsimoni. Hasil pembentukan dengan 5 indikator menghasilkan nilai BIC terkecil pada model 5 latent class rumah tangga dan 3 grup class desa/kelurahan. Model ini memiliki classification error yang cukup kecil yaitu 3,33%, namun memiliki parameter yang cukup besar sebanyak 58.Selanjutnya model yang telah terpilih dilakukan pengecekan kebebasan lokal dengan nilai

Bivariate Residual (BVR). Hasil pengujian asumsi pada 5 indikator menunjukkan bahwa variabel jenis lantai terluas memiliki nilai BVR yang berada di atas nilai kritis πœ’(0.05,𝑑𝑏)2 . Sehingga pemodelan perlu dilakukan kembali dengan tidak mengikut sertakan indikator jenis lantai terluas.

Pada tahap selanjutnya pemodelan dilakukan kembali dengan menggunakan 4 indikator yaitu, sumber air minum, penggunaan fasilitas buang air besar, sumber penerangan utama dan bahan bakar untuk memasak. Hasil pembentukan model dapat dilihat pada Tabel 2

Tabel 2.Seleksi Model MultilevelLatent Class Cluster

LL BIC(LL) Npar Class.Err.

Model 1 2-Cluster 2-GClass -4958.1575 10083.0632 23 0.0008 Model 2 3-Cluster 2-GClass -4873.5920 9957.4319 29 0.0301 Model 3 4-Cluster 2-GClass -4795.1592 9844.0658 35 0.0612

Model 4 5-Cluster 2-GClass -4674.7600 9646.7670 41 0.0160

Model 5 2-Cluster 3-GClass -4914.4832 10010.2145 25 0.0010 Model 6 3-Cluster 3-GClass -4749.9596 9731.9168 32 0.0039

(5)

Model 7 4-Cluster 3-GClass -4661.4232 9605.5935 39 0.0162 Model 8 5-Cluster 3-GClass -4547.8155 9429.1276 46 0.0334

Berdasarkan tabel di atas, dapat diketahui bahwa nilai BIC pada penelitian ini menoton turun, maka pemilihan model terbaik dilakukan dengan memperhatikan classification error dan prinsip parsimoni. Model terbaik yang dipilih yaitu model ke 4, dimana model dengan lima latent class rumah tangga dan dua group latent class Desa/Kelurahan. Model ini memiliki nilai classification error yang cukup kecil dibandingkan model lain yaitu sebesar 1,60% dengan jumlah parameter sebanyak 41.

Tahap selanjutnya model yang terpilih perlu diuji kebebasan lokal dengan nilai Bivariate Residual

(BVR). Berdasarkan uji asumsi pad 4 indikator yang digunakan , maka nilai BVR memiliki interval 0.0301 sampai dengan 8.1324 dimana masih berada di bawah nilai kritis πœ’(0.05,𝑑𝑏)2 . Jadi, dapat disimpulkan bahwa indikator jenis sumber air minum, penggunaan fasilitas buang air besar, sumber penerangan utama dan bahan bakar untuk memasak sudah memenuhi asumsi local independency.

Dari model 4 yang terbentuk maka dapat dilihat banyaknya rumah tangga yang masuk kedalam klaster sebagai berikut.

Tabel 3.Ukuran Latent Class Rumah Tangga

Latent Class Banyaknya Rumah Tangga

1 420 2 486 3 261 4 146 5 95 Jumlah 1408

Setiap klaster/kelas laten yang terbentuk memiliki karakteristiknya masing-masing yaitu pada klaster/kelas laten 1, dari 1408 rumah tangga yang dikelompokkan, sebesar 29.8% atau sebanyak 420 rumah tangga masuk ke dalam latent class 1 dengan karakteristik yang mendominasi indikator bahwa sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik non PLN dan bahan bakar untuk memasak yaitu kayu bakar.

Kemudian untuk klaster/kelas laten 2, dari 1605 rumah tangga yang dikelompokkan, sebesar 34.5% atau sebanyak 486 rumah tangga masuk ke dalam latent class 2 dengan karakteristik yang mendominasi indikator bahwa sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik PLN dan bahan bakar untuk memasak yaitu kayu bakar.

Selanjutnya untuk klaster/kelas laten 3, dari 1605 rumah tangga yang dikelompokkan, sebesar 18.5% atau sebanyak 261 rumah tangga masuk ke dalam latent class 3 dengan karakteristik dominasi indikator bahwa sumber air minum air kemasan/air isi ulang, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik PLN dan bahan bakar untuk memasak yaitu gas 3 kg.

Lalu untuk klaster/kelas laten 4, dari 1605 rumah tangga yang dikelompokkan, sebesar 10.4% atau sebanyak 146 rumah tangga masuk ke dalam latent class 4 dengan karakteristik dominasi indikator bahwa sumber air minum air kemasan/air isi ulang, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik non PLN dan bahan bakar untuk memasak yaitu gas 3 kg.

Sementara untuk klaster/kelas laten 5, dari 1605 rumah tangga yang dikelompokkan, sebesar 6.7% atau sebanyak 95 rumah tangga masuk ke dalam latent class 5 dengan karakteristik dominasi indikator bahwa sumber air minum sumur bor/ pompa/ mata air terlindung, penggunaan fasilitas buang air besar sendiri, sumber penerangan utama bukan listrik dan bahan bakar untuk memasak yaitu kayu bakar.

Sementara untuk level Desa/Kelurahan, karakteristik untuk dua grup latent class yang terbentuk adalah sebagai berikut.

Tabel 4.Ukuran Group Latent Class Desa/Kelurahan Cluster Banyaknya Desa/Kelurahan

1 3

2 3

Jumlah 6

Dari Tabel 4 diperoleh maka dapat diketahui bahwa sebagian desa/kelurahan yaitu 50% atau sebanyak 3 Desa/Kelurahan di Berbak masuk ke dalam grup latent class 1, dimana sebagian besar rumah tangga

(6)

yang termasuk di dalamnya yaitu sebesar 75% merupakan anggota dari latent class 1. Grup latent class 1 dengan karakteristikdominasi indikator bahwa sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik non PLN dan bahan bakar untuk memasak yaitu kayu bakar.

Sedangkan sisanya masuk ke dalam latent class 2 yaitu sebanyak 50% atau 3 Desa/Kelurahan, dimana sebagian besar rumah tangga yang termasuk di dalamnya yaitu sebesar 55% merupakan anggota dari latent class 2. Grup latent class 2 memiliki karakteristik dominasi indikator bahwa sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik PLN dan bahan bakar untuk memasak yaitu kayu bakar.

4. KESIMPULAN

Berdasarkan uraian pada hasil analisis dan pembahasan sebelumnya, maka dapat diambil kesimpulan bahwa untuk mengelompokkan objek yang memiliki struktur data hirarki digunakan metode Multilevel Latent Class Cluster.

Terdapat 5 latent class yang terbentuk untuk rumah tangga dengan karakteristik, yaitu untuk latent class pertama merupakan kelompok rumah tangga dengan tingkat kondisi infrastruktur yang sangat kurang, dimana sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik non PLN dan bahan bakar untuk memasak yaitu kayu bakar. Kemudian untuk

latent class kedua yaitu kelompok rumah tangga dengan tingkat kondisi infrastruktur yang kurang, dimana sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik PLN dan bahan bakar untuk memasak yaitu kayu bakar. Selanjutnya untuk latent class

ketiga adalah kelompok rumah tangga dengan tingkat kondisi infrastruktur yang sangat baik, dimana sumber air minum air kemasan/air isi ulang, penggunaan fasilitas buang air besar tidak ada,sumber penerangan utama listrik PLN dan bahan bakar untuk memasak yaitu gas 3 kg.. Lalu untuk latent class keempat merupakan kelompok rumah tangga dengan tingkat kondisi infrastruktur yang baik, dimana sumber air minum air kemasan/air isi ulang, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik non PLN dan bahan bakar untuk memasak yaitu gas 3 kg. Sementara latent class

kelima adalah kelompok rumah tangga dengan tingkat kondisi infrastruktur yang cukup, dimana sumber air minum sumur bor/ pompa/ mata air terlindung, penggunaan fasilitas buang air besar sendiri,sumber penerangan utama bukan listrik dan bahan bakar untuk memasak yaitu kayu bakar.

Terdapat dua grup latent class yang terbentuk untuk desa/kelurahan dengan karakteristik untuk grup

latent class pertama yaitu kelompok desa/kelurahan dengan kondisi kurang, dimana desa/kelurahan didominasi oleh sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik non PLN dan bahan bakar untuk memasak yaitu kayu bakar. Sementara untuk grup latent class kedua adalah kelompok desa/kelurahan dengan kondisi baik, dimana desa/kelurahan didominasi oleh sumber air minum air hujan, penggunaan fasilitas buang air besar tidak ada, sumber penerangan utama listrik PLN dan bahan bakar untuk memasak yaitu kayu bakar.

5. DAFTAR PUSTAKA

[1] Badan Perencanaan Pembangunan Nasional. 2005. Strategi Nasional Penanggulangan Kemiskinan. Komite Penanggulangan Kemiskinan.

[2] Badan Pusat Statistik. 2017. http://jambi.bps.go.id/linkTabelStatis/view/id/169, diakses pada 28 Juli 2017.

[3] Johnson, Richard A. dan Dean W. Winchern. 2007. Applied Multivariate Statistical Analysis Third Edition. New Jersey: Prentice Hall.

[4] Rencher, C. Alvin. 2002. Method of Multivariate Analysis 2nd Edition. Canada: John Wiley & Sons.

[5] Magidson J. dan J.K. Vermunt. 2004. Latent Class Models. D. Kaplan (ed.), The Sage Handbook of Quantitative Methodology for the Social Sciences, Chapter 10, 175-198. Thousand Oaks: Sage Publications.

[6] Moustaki, I. dan I. Papageorgiou. 2004. Latent Class Models for Mixed Outcomes with Applications in Archaeometry, Journal of Computational Statistics and Data Analysis. Hal: 4-8 [7] Magidson J. dan J.K. Vermunt. 2005a. Latent Class Model for Clustering: A Comparison with

(7)

[8] Henry, Kimberly L., and BengthMuthen. 2010. Multilevel Latent Class Anlalysis: An Application of Adolescent Smoking Typologies with Individual and Contextual Predictors. Structural Equation Model, 17, 193-215.

[9] Asparouhov, T., and Muthen, B. 2008.Multilevel Mixture Models.In G. R. Hancock& K. M.Samuelsen (Eds.), Advances in Latent Variable Mixture Models (pp.27-51). Charlotte, NC: Information Age.

Gambar

Tabel 1.  Indikator Penelitian
Tabel 3. Ukuran Latent Class Rumah Tangga

Referensi

Dokumen terkait

Tenaga Kependidikan Bidang Akademik Kepala Bagian Pengelola Program Studi Sekretaris Bidang Akademik dan Pengembangan Kepala Departemen Menyiapkan daftar kuliah semester

Seperti dikemukakan dalam buku Pedoman Penjaminan Mutu Pendidikan Tinggi, standar ditetapkan dengan meramu visi program studi dan kebutuhan stakeholders.. Oleh karena itu, berikut

Angka 7 diisi dengan nama Kabupaten/Kota tempat penerbitan, dilanjutkan dengan tanggal (2 digit) dan bulan ditulis dengan menggunakan huruf (tidak boleh disingkat) sesuai

Penelitian ini berguna untuk sinkronisasi kompetensi yang harus dimiliki oleh mahasiswa dengan kurikulum yang berlaku di Jurusan Ilmu Agama Islam.. Penelitian ini

Dari hasil uji signifikansi regresi sederhana ternyata F hitung &lt;F tabel , atau 2,712&lt; 4,35 maka hipotesis ditolak, dengan demikian, dapat disimpulan bahwa

Design capacity (kapasitas rencana), adalah jumlah kendaraan maksimum yang dapat melintasi suatu penampang tertentu dari suatu jalan selama satu jam pada keadaan kondisi

The growth of social actors (vertices) and the relationships (edges) between a seed and other actors caused by increasing the number of documents on Web, and indirectly it

Selain jenis produk, ada bagian dari produk yang disebut bagi hasil, bagian ini terbukti mampu menarik anggota, untuk menggunakan jasa BMT. Bagi hasil adalah besarnya bagian yang