1. Latar Belakang...penggolongan kabupaten kabupaten di Jawa Tengah tahun 2009 ke dalam ......
Transcript of 1. Latar Belakang...penggolongan kabupaten kabupaten di Jawa Tengah tahun 2009 ke dalam ......
2
1. Latar Belakang
Pertumbuhan ekonomi tidak dapat dijadikan indikator tunggal untuk
menyatakan adanya perbaikan kesejahteraan rakyat. Fenomena kemiskinan sangat
meluas. Dengan mendasarkan pada UU Nomor 11 Tahun 2009 tentang
Kesejahteraan Sosial ada tujuh kategori penyandang masalah kesejahteraan sosial
yang masih harus ditangani di Jawa Tengah. Seperti kemiskinan dengan lima juta
seratus jiwa, keterlantaran, dengan empat ratus tiga puluh ribu jiwa, kecacatan
dengan dua ratus tiga puluh sembilan ribu sembilan jiwa, keterpencilan dengan
tiga belas ribu jiwa, ketunaan dan penyimpangan perilaku dengan enam puluh tiga
ribu jiwa, korban bencana dengan seratus tujuh puluh sembilan ribu jiwa dan
terakhir korban tindak kekerasan dan pekerja migran dengan seribu sembilan ratus
jiwa. Dari data tersebut, kemiskinan menduduki jumlah kontribusi terbanyak
dalam masalah kesejahteraan sosial.
Keluarga dengan kesejahteraan yang lebih tinggi memiliki kualitas hidup
yang baik. Upaya mengangkat derajat kesejahteraan sosial, dapat dipandang
sebagai bagian dari investasi sosial yang ditujukan untuk meningkatkan dan
mengembangkan kualitas sumber daya manusia, sehingga mereka mampu
menjalankan tugas-tugas kehidupannya secara mandiri sesuai dengan nilai-nilai
yang layak bagi kemanusiaan [1]. Dalam penelitian ini akan dilakukan
penggolongan kabupaten kabupaten di Jawa Tengah tahun 2009 ke dalam
kelompok miskin atau tidak miskin berdasarkan sektor non ekonomi menurut
variabel kemiskinan rumah tangga, dengan metode yang digunakan adalah
Analisis Diskriminan. Analisis Diskriminan dapat digunakan untuk memahami
perbedaan kelompok, analisis relasi antar variabel bebas, dan melihat kontribusi
variabel bebas apa saja yang memberi pengaruh kuat atau lemah terhadap variabel
tak bebas. Analisis Diskriminan sendiri adalah cara terbaik untuk menyatakan
perbedaan antar bagian dan mengalokasikan suatu objek baru ke dalam kelompok
tersebut.
Badan Pusat Statistik (BPS) menggunakan pendekatan pemenuhan
kebutuhan dasar (makanan dan non makanan). Nilai kebutuhan dasar yang harus
dipenuhi oleh setiap orang-agar tidak terkategori miskin yang kemudian disebut
garis kemiskinan (GK). Orang dikatakan miskin jika dalam sebulan
pengeluarannya lebih kecil dari nilai GK [2]. Batasan ini kurang cocok dengan
definisi kemiskinan yang multidimensi tidak hanya tergantung terhadap ekonomi.
tidak semua dimensi yang menjelaskan kemiskinan dapat diukur secara statistik.
Maka dari itu usulan metode analisis diskriminan ini dalam menentukan
kemiskinan mungkin dapat digunakan sebagai alternatif, selain itu visualisasi dan
perhitungan dengan memanfaatkan bahasa R dapat lebih mudah dipahami
daripada menggunakan program lain.
Tujuan dan manfaat penelitian ini adalah menampilkan plot hasil analisis
diskriminan, Mengetahui kabupaten di Jawa Tengah yang tingkat kemiskinan
keluarganya masih rendah dan tinggi setelah dianalisis menggunakan analisis
diskriminan, Mengetahui variabel kemiskinan rumah tangga yang berpengaruh
dalam kemiskinan keluarga.
3
2. Tinjauan Pustaka
Penelitian Sebelumnya
Penelitian yang pernah dilakukan sebelumnya adalah “Analisis Z-Score
Dalam Memprediksi Kebangkrutan Bank Go Public Di Bursa Efek Jakarta
(BEJ)”. Penelitian ini memiliki persamaan metode yang digunakan untuk mencari
perhitungan yaitu menggunakan Analisis Diskriminan. Variabel bebas yang
digunakan dalam penelitian ini adalah lima rasio rasio keuangan yang terdapat
dalam laporan keuangan. Penelitian ini membahas tentang analisis diskriminan
dalam memprediksi bank yang berpotensi bangkrut, Dicari nilai Z skor masing
masing bank berdasarkan perhitungan nilai koefisien diskriminan tiap bank.
Kemudian dibandingkan dengan cut off score. Setelah di analisis menggunakan
analisis diskriminan diketahui hasil sesuai dengan prediksi, tidak terjadi kesalahan
pengkategorian [3]. Berbeda dengan penelitian sebelumnya, pada penelitian ini
menggunakan objek kabupaten di Jawa Tengah, dan variabel bebas berupa
indikator kemiskinan rumah tangga.
Penelitian sebelumnya yang pernah dilakukan berjudul “Pengelompokan
Kabupaten/Kota Di Provinsi Jawa Timur Berdasarkan Indikator Kemiskinan
Dengan Metode Cluster Analysis” pada penelitian ini memiliki kesamaan variabel
bebas yang digunakan yaitu indikator kemiskinan rumah tangga yang tersedia di
BPS. Penelitian ini membahas tentang pengelompokkan kabupaten/kota di Jawa
Timur dengan cluster analysis menggunakan lima metode pengelompokkan yaitu
single linkage, average linkage, complete linkage, centroid, dan ward serta tiga
metode jarak kedekatan yaitu euclidean, manhattan, dan square euclidean
kedalam tiga kelompok kabupaten/kota, lalu dicari metode pengelompokan
terbaik [4]. Perbedaannya dengan penelitian sebelumnya, penelitian ini
menggunakan metode analisis diskriminan.
Kemiskinan
Definisi miskin menurut Howard Wringins dan Alder Karisson
menyebutkan bahwa kemiskinan merupakan masalah yang kompleks (“multi
demention”) yang dapat ditinjau dari beberapa segi, selain dari segi rendahnya
pendapatan dan konsumsi pangan, kemiskinan dapat ditinjau dari segi pandangan
perumahan, kesehatan, kebutuhan air bersih juga aspek non material [5].
Indikator yang digunakan dalam menentukan status kemiskinan rumah
tangga terdiri dari 14 variabel yaitu : luas lantai rumah, jenis luas lantai, jenis
dinding rumah, fasilitas buang air besar, sember air minum, penerangan yang
digunakan, bahan bakar yang digunakan, frekuensi makan dalam sehari, kebiasaan
membeli daging/ayam/susu, kemampuan membeli pakaian, kemampuan berobat
ke puskesmas/ poliklinik, lapangan pekerjaan kepala rumah tangga, pendidikan
kepala rumah tangga dan kepemilikan aset [BPS, 2004]. Dalam penelitian ini
penulis menggunakan 6 Indikator kemiskinan rumah tangga sebagai variabel
bebas karena keterbatasan data di BPS, diantaranya : 1. Luas lantai rumah < 21m2
yang adalah jumlah luas dari semua tingkat yang ditempati kurang dari 21 m2. 2.
Jenis lantai terluas tanah yang adalah jenis lantai yang digunakan menggunakan
tanah. 3. Jenis dinding bambu terluas yang adalah adalah sisi luar/batas dari suatu
bangunan atau penyekat dengan bangunan fisik lain tidak menggunakan tembok
4
namun menggunakan bambu, 4. Sumber penerangan non PLN dan lainnya yang
adalah adalah sumber penerangan listrik yang dikelola oleh instansi/pihak lain
selain pln termasuk yang menggunakan sumber penerangan dari aki, generator,
dan pembangkit listrik tenaga surya (yang dikelola bukan oleh PLN),
petromak/aladin, pelita/sentir/obor, dan lainnya yang meliputi lampu karbit, lilin,
biji jarak, dan kemiri. 5. Sumber air minum hujan dan lainnya yang adalah
mengambil air langsung dari sungai atau air hujan dianggap tidak ada fasilitas air
minum. 6. Tidak ada fasilitas buang air besar yang adalah bila rumah tangga tidak
mempunyai fasilitas tempat buang air besar. Untuk mengukur kemiskinan
dibutuhkan variabel yang mempengaruhinya. Ada korelasi kuat diantara
kemiskinan dan kesejahteraan, Semakin tinggi warga terkategori miskin di suatu
wilayah maka semakin tinggi prosentase keluarga terkategori KS-1 (Keluarga
Sejahtera dan total gabungan prosentase Pra-KS (Keluarga Pra Sejahtera) dan
KS-1. Hal ini bermakna bahwa indikator keluarga sejahtera mencerminkan 80
persen indikator kemiskinan penduduk, sedangkan 20 persen lainnya merupakan
keunikan indikator keluarga sejahtera yang tidak tercermin dalam indikator
kemiskinan penduduk [6]. Variabel tak bebas yang digunakan penulis yaitu
menentukan kemiskinan, penulis menggunakan jumlah persentase keluarga Pra-
KS dan persentase keluarga KS-1 di tiap kabupaten di Jawa Tengah terhadap
jumlah persentase keluarga Pra-KS dan persentase keluarga KS-1 di propinsi Jawa
Tengah. BKKBN yang menyatakan, untuk mengukur tingkat kesejahteraan
dengan mengklasifikasikan keluarga Pra-KS dan KS I sebagai keluarga miskin,
serta penelitian sebelumnya yang meneliti Program Keluarga Berencana Nasional
yang meliputi semua Kabupaten/Kota untuk penilaian di tingkat Propinsi.
Indikator pencapaian PB (Peserta KB baru) Keluarga Pra Sejahtera dan Keluarga
Sejahtera I dapat dijadikan sebagai satu ukuran seberapa banyak keluarga tidak
mampu yang membutuhkan pelayanan KB dapat terlayani [7].
Analisis Diskriminan
Analisis Diskriminan bertujuan untuk memahami perbedaan kelompok
dan meramalkan peluang bahwa suatu objek penelitian akan masuk/menjadi
anggota kelompok tertentu. Analisis diskriminan cocok dipergunakan jika
variabel tak bebasnya berupa kelompok. Sedangkan yang diramalkan adalah
keberadaan suatu objek tertentu temasuk pada kelompok yang mana [8]. Tujuan
Analisis Diskriminan adalah : Membuat suatu fungsi diskriminan atau kombinasi
linier, dari prediktor atau variabel bebas yang bisa mendiskriminasi atau
membedakan kategori variabel tak bebas atau kelompok, artinya mampu
membedakan suatu objek masuk kelompok kategori yang mana. Menguji apakah
ada perbedaan signifikan antara kategori/kelompok, dikaitkan dengan variabel
bebas atau prediktor. Menentukan prediktor/variabel bebas yang mana yang
memberikan sumbangan terbesar terhadap terjadinya perbedaan antar-kelompok.
Mengklarifikasi/mengelompokkan objek/kasus atau responden ke dalam suatu
kelompok/kategori didasarkan pada nilai variabel bebas. Mengevaluasi keakuratan
klasifikasi. [9].
5
Canonical Discriminant Function Coefficients
Canonical Discriminant Function Coefficients atau Koefisien Fungsi
Diskriminan adalah fungsi utama dalam penentuan gup kemiskinan berdasar
variabel kemiskinan rumah tangga. Fungsi diskriminan tersebut adalah
perhitungan:
b = S-1
( 1 - 2)
dimana:
b adalah hasil dari koefisien fungsi diskriminan.
S-1
adalah matriks invers dari matriks Varians-Kovarians variabel bebas.
1 adalah rata rata variabel bebas terhadap variabel tak bebas kelompok satu.
2 adalah rata rata variabel bebas terhadap variabel tak bebas kelompok 2 [10].
Pemodelan Fungsi Diskriminan atau Z skor
Model fungsi diskriminan atau Z skor yang dihasilkan adalah:
y = b1 X1 + b2 X2 + …. +bk Xk
dimana:
bk adalah koefisien fungsi diskriminan yang telah dihasilkan.
Xk adalah data asli Xk pada tiap objek/prediktor.
Group Centroid dan Cutting score
Group centroid adalah hasil rata-rata variabel X tiap grup setelah dihitung
dengan fungsi diskriminan, dimana nanti nya dapat dihitung cutting score yang
dapat memisahkan tiap kabupaten ke dalam grup 1 atau grup 2. Rumus cutting
score adalah :
m =
dimana:
nk adalah jumlah sampel ada kelompok ke-k, k=1,2.
µ1Y (group centroid grup 1) adalah rata-rata Y yang diperoleh dari X yang
termasuk dalam kelompok ke-1.
µ2Y (group centroid grup 2) adalah : rata-rata Y yang diperoleh dari X yang
termasuk dalam kelompok ke-2.
Matriks varian kovarian objek gabungan
Matriks varian kovarian adalah gabungan dari variasi tiap variabel dan
kovariansi pada dua variabel yang berbeda. Matriks varian-kovarian dapat disebut
matriks kovarian saja. Matriks varian kovarian dari variabel bebas didapat dari
rumus :
S =
(X1’ X1 + X2’ X2)
Dimana :
ni : jumlah objek/prediktor pada kelompok i.
Xi’ Xi : matriks deviasi skor di transpose terhadap matriks deviasi skor itu sendiri
pada kelompok i.
Dimana rumus matriks deviasi skor didapat dari :
X = x –
6
3. Metode Penelitian
Tahapan penelitian ini dibagi menjadi 5 langkah, yaitu : (1) Rumusan
masalah, (2) Pengumpulan data, (3) Input data dan analisis data, (4) Perhitungan
dan pemprograman, (5) Implementasi dan analisis hasil. Pemodelan tahapan
tersebut dapat dilihat pada gambar 1.
Gambar 1 Model Tahapan Penelitian
Berdasarkan Gambar 1, tahap penelitian dapat dijelaskan sebagai berikut,
rumusan masalah akan dilakukan dengan membuat pertanyaan untuk
mendapatkan jawaban dari (1) bagaimana mendapatkan hasil pemodelan fungsi
diskriminan berdasarkan indikator kemiskinan rumah tangga di kabupaten
kabupaten di jawa tengah tahun 2009 (2) bagaimana mengkategorikan kabupaten
di Jawa Tengah tahun 2009 menjadi miskin dan tidak miskin dari hasil pemodelan
fungsi diskiminan.
Tahap pengumpulan data dapat dijelaskan sebagai berikut, pencarian
informasi dan kebutuhan data untuk mengetahui jelas masalah yang telah
dirumuskan. Proses pengumpulan data dari Badan Pusat Statistik (BPS) Jawa
Tengah yang terdiri dari 6 indikator kemiskinan rumah dari buku indikator
kesejahteraan rakyat jawa tengah tahun 2009. Selanjutnya adalah data pentahapan
keluarga miskin yang memuat data keluarga Pra Sejahtera, Keluarga Sejahtera 1,
Keluarga Sejahtera 2, Keluarga Sejahtera 3, Keluarga Sejahtera 3 Plus, dari buku
Jawa Tengah dalam angka 2009.
Tahap analisis data dan input data dapat dijelaskan sebagai berikut, Data
dari BPS tersebut dianalisis agar mendapatkan variabel bebas dan tak bebas. Data
tersebut, kemudian di inputkan ke dalam excel format csv agar dapat di masukkan
ke dalam program R, data yang dibuat dalam bentuk matriks, dan menyangkut
seluruh kabupaten di Jawa Tengah tahun 2009.
Rumusan masalah
Pengumpulan data
Input data dan analisis
data
Perhitungan dan
pemprograman
Implementasi dan
analisis hasil
7
Tahap Perhitungan dan pemprograman dapat dijelaskan sebagai berikut,
Perhitungan dilakukan menggunakan program R untuk analisis dan perhitungan
hasil analisis diskriminan, serta pemprograman untuk menampilkan grafik dan
plot yang mendukung analisis.
Tahap Implementasi dan analisis hasil dapat dijelaskan sebagai berikut,
Implementasi dan analisis hasil perhitungan untuk melihat kesimpulan akhir dari
analisis, dan melihat apakah perhitungan meleset dari yang diharapkan.
Gambar 2 Perbandingan metode BPS dan Analisis Diskriminan
Gambar 2 menunjukkan perbandingan metode yang digunakan BPS
dengan metode Analisis Diskriminan. Metode yang digunakan BPS adalah
mencari Garis Kemiskinan yang didapat dari penjumlahan Garis kemiskinan
makanan dan non makanan. Garis kemiskinan makanan merupakan nilai
pengeluaran minimum makanan yang disetarakan dengan 2100 kilokalori
perkapita per hari. Garis kemiskinan non makanan adalah kebutuhan minimum
dari komoditi non makanan, dihitung dengan data pengeluaran konsumsi per
komoditi non makanan. Dikategorikan miskin jika pengeluaran per kapita lebih
rendah daripada Garis Kemiskinan, Dikategorikan tidak miskin jika pengeluaran
per kapita lebih tinggi daripada Garis Kemiskinan [11]. Kesemuanya ini dihitung
berdasarkan sektor ekonomi.
Sedangkan menggunakan metode Analisis Diskriminan menggunakan
sektor non ekonomi yang sebagian indikatornya juga termasuk dalam data di BPS
yaitu menggunakan indikator kemiskinan rumah tangga dibandingkan dengan
keluarga Pra-KS dan keluarga KS-1, yang kemudian mendapatkan nilai Z skor
Garis kemiskinan
makanan
Garis kemiskinan
Garis kemiskinan
non makanan
Miskin : Pengeluaran
perkapita kurang dari garis
kemiskinan
Tidak Miskin : Pengeluaran
perkapita lebih dari garis
kemiskinan
Indikator kemiskinan
rumah tangga
Keluarga Pra-KS dan
Keluarga KS-1
Analisis Diskriminan Z skor dan skor Cut
off
Miskin : Z skor lebih rendah
daripada skor cut off
Tidak Miskin : Z skor lebih
tinggi daripada skor cut off
8
dan skor cut off. Dikategorikan miskin jika Z skor lebih rendah daripada skor cut
off, Dikategorikan tidak miskin jika Z skor lebih tinggi daripada skor cut off.
4. Hasil dan Pembahasan
Implementasi Sistem dan Hasil Perhitungan
Implementasi sistem dan Hasil Perhitungan adalah proses visualisasi dari
metode yang akan digunakan.
Hasil Fungsi Analisis Diskriminan
Gambar 3 Hasil Fungsi Analisis Diskriminan
Gambar 3 menunjukkan hasil fungsi utama analisis diskriminan yang terdiri
dari probabilitas kelompok miskin dan tidak miskin, nilai rata rata tiap variabel
tiap kelompok, dan nilai koefisien analisis diskriminan tiap variabel, dapat dilihat
nilai koefisien luaslantai, jenislantai, jenisdinding, sumberairminum,
fasilitasbuangair memberikan kontribusi yang kuat terhadap kemiskinan, hanya
variabel penerangan yang memberikan kontribusi paling lemah, pada kasus ini
nilai koefisien yang minus akan justru memberi pengaruh kuat, dikarenakan pada
data aslinya nilai yang makin besar justru memberi pengaruh makin miskin.
Perhitungan koefisien diskriminan didapat dari
b = S-1
( 1 - 2)
dimana:
b adalah hasil dari koefisien fungsi diskriminan.
S-1
adalah matriks invers dari matriks Varians-Kovarians variabel bebas.
1 adalah rata rata variabel bebas terhadap variabel tak bebas kelompok satu.
2 adalah rata rata variabel bebas terhadap variabel tak bebas kelompok 2.
9
Hasil Perhitungan Z skor tiap kabupaten
Gambar 4 Hasil perhitungan Z skor tiap kabupaten
Gambar 4 menunjukkan hasil perhitungan Z skor tiap kabupaten tiap objek, Z
skor sendiri didapat dari perhitungan:
y = b1 X1 + b2 X2 + …. +bk Xk
dimana:
bk adalah koefisien fungsi diskriminan yang telah dihasilkan.
Xk adalah data asli Xk pada tiap objek/prediktor.
Hasil menunjukkan nilai Z skor ke 35 kabupaten di Jawa Tengah.
Hasil Perhitungan rata rata antar grup
Gambar 5 Hasil perhitungan rata rata antar grup
Gambar 5 menunjukkan rata rata antar grup, hasil nilai rata rata grup miskin
adalah -1.755001, sedangkan hasil nilai rata rata grup tidak miskin adalah
1.037046. Selanjutnya nilai ini digunakan untuk menghitung skor cut off,
Perhitungan skor cut off
Perhitungan skor cut off dihitung dari rumus:
m =
dimana:
nk adalah jumlah sampel ada kelompok ke-k, k=1,2.
µ1Y (group centroid grup 1) adalah rata-rata Y yang diperoleh dari X yang
termasuk dalam kelompok ke-1.
µ2Y (group centroid grup 2) adalah : rata-rata Y yang diperoleh dari X yang
termasuk dalam kelompok ke-2.
Sehingga didapat perhitungan:
m =
sehingga didapatkan hasil akhir perhitungan -0.000000028, Maka dapat
disimpulkan nilai Z skor tiap kabupaten dibatasi oleh nilai cut off ini. Jika nilai Z
skor nya kurang dari angka cut off maka kabupaten tersebut diklasifikasikan
sebagai Kabupaten miskin. Jika nilai Z skor nya lebih dari angka cut off maka
kabupaten tersebut diklasifikasikan sebagai Kabupaten tidak miskin.
10
Hasil klasifikasi berdasarkan Z skor
Tabel 1 Hasil klasifikasi berdasarkan Z skor
Nama
Kabupaten/Kota
Nilai Z skor
Hasil Klasifikasi
Analisis
Diskriminan
Klasifikasi Awal
Kab. Banyumas -0.56907443 Miskin Tidak Miskin
Kab. Purbalingga -0.49410917 Miskin Tidak Miskin
Kab. Kebumen 0.24031831 Tidak Miskin Tidak Miskin
Kab.Purworejo 0.07810542 Tidak Miskin Tidak Miskin
Kab. Wonosobo 0.90068599 Tidak Miskin Tidak Miskin
Kab. Magelang -0.14764012 Miskin Tidak Miskin
Kab. Klaten 1.08074715 Tidak Miskin Tidak Miskin
Kab. Sukoharjo 1.09897310 Tidak Miskin Tidak Miskin
Kab. Wonogiri 0.47290232 Tidak Miskin Tidak Miskin
Kab.
Karanganyar
2.06413935 Tidak Miskin Tidak Miskin
Kab. Kudus 2.47781729 Tidak Miskin Tidak Miskin
Kab. Jepara 0.58329382 Tidak Miskin Tidak Miskin
Kab. Semarang 0.59784665 Tidak Miskin Tidak Miskin
Kab. Temanggung 0.59448705 Tidak Miskin Tidak Miskin
Kab. Pekalongan 0.83996479 Tidak Miskin Tidak Miskin
Kab. Tegal 0.63673958 Tidak Miskin Tidak Miskin
Kota Magelang 2.34057367 Tidak Miskin Tidak Miskin
Kota Surakarta 1.38130518 Tidak Miskin Tidak Miskin
Kota Salatiga 2.27018995 Tidak Miskin Tidak Miskin
Kota Semarang 1.50292864 Tidak Miskin Tidak Miskin
Kota Pekalongan 2.59867463 Tidak Miskin Tidak Miskin
Kota Tegal 2.26614817 Tidak Miskin Tidak Miskin
Kab. Cilacap -0.72541744 Miskin Miskin
Kab.
Banjarnegara
-0.14528776 Miskin Miskin
Kab. Boyolali -2.49663642 Miskin Miskin
Kab. Sragen -0.81347041 Miskin Miskin
Kab. Grobogan -3.63821950 Miskin Miskin
Kab. Blora -3.00608607 Miskin Miskin
Kab. Rembang -2.36023695 Miskin Miskin
Kab. Pati -1.14069422 Miskin Miskin
Kab. Demak -2.98505596 Miskin Miskin
Kab. Kendal -1.42782074 Miskin Miskin
Kab. Batang -1.80477985 Miskin Miskin
Kab. Pemalang -1.05376196 Miskin Miskin
Kab. Brebes -1.21755008 Miskin Miskin
11
Dari hasil tabel 1 dapat dilihat ada 3 kabupaten tidak miskin salah
terklasifikasi, yaitu kabupaten Banyumas, Purbalingga, Magelang, Karena ketiga
kabupaten tersebut beberapa variabelnya ternyata bernilai tinggi yang
meningkatkan nilai diskriminasinya. Pada ketiga kabupaten tersebut nilai variabel
fasilitas buang air cukup tinggi, Pada kabupaten Banyumas nilai fasilitas buang air
sebesar 0.846266471, kabupaten Purbalingga sebesar 0.6907615, kabupaten
Magelang sebesar 0.47004252, sedangkan angka diskriminasi fasilitas buang air
dari koefisien diskriminan sebesar -3.0563610 sehingga memberi kontribusi yang
cukup signifikan dalam meningkatkan nilai diskriminasi.
Hasil Uji Klasifikasi
Gambar 6 Hasil Uji Klasifikasi
Gambar 6 menunjukkan hasil uji melalui program R, dapat dilihat hasil
klasifikasi benar adanya sesuai dengan perhitungan, grup miskin yang
terklasifikasi grup miskin sebanyak tiga belas kabupaten, grup miskin yang
terklasifikasi grup tidak miskin tidak ada, grup tidak miskin yang terklasifikasi
grup miskin sebanyak tiga kabupaten, grup tidak miskin yang terklasifikasi grup
tidak miskin sebanyak sembilan belas kabupaten.
Hasil grafik distribusi normal
Gambar 7 Grafik distribusi normal
Gambar 7 menunjukkan grafik distribusi normal, dan dapat dilihat dari grafik,
data berdistribusi normal karena data cukup dekat dengan garis normal walau
tidak menempel, namun ada 1 data yang melenceng yang berada di kanan atas,
jauh dari garis kenormalan yang adalah nilai rata ratanya. Karena data yang
digunakan adalah data real di kabupaten di Jawa Tengah, maka data cukup sulit
untuk sempurna berdistribusi normal.
Hasil histogram grup
12
Gambar 8 Histogram grup
Gambar 8 menunjukkan hasil histogram keanggotaan grup miskin dan tidak
miskin setelah dianalisis diskriminan dengan fungsi diskiminan, grup tidak miskin
terklasifikasi tidak cukup bagus, karena beberapa nilai klasifikasi awal overlap
dengan grup yang lainnya. Pada grup tidak miskin, beberapa angka bertumpuk di
nilai dibawah nol. Sedangkan pada grup miskin, klasifikasi cukup bagus karena
angka tidak ada yang di atas nol. Dikarenakan batas antar grup berada pada nilai
cut off yaitu -0.000000028.
Plot relasi dari variabel
Gambar 9 Plot relasi dari variabel
Gambar 9 menunjukkan plot relasi antar variabel kemiskinan rumah tangga,
menunjukkan relasi kelompok kabupaten miskin dan tidak miskin dilihat dari tiap
variabel bebas terhadap variabel bebas lainnya. Warna merah adalah kabupaten
dalam kategori tidak miskin, warna biru adalah kabupaten dalam kategori miskin.
Plot ini adalah plot matriks kovarian antar variabel dengan melihat persebaran
datanya. Data bergerombol menunjukkan kurang adanya perbedaan nilai antar
13
kelompok yang berbeda antar variabel. data tidak bergerombol dan terpisah antar
kelompok menunjukkan variabel sudah terpisah dengan baik antar kelompok.
Hasil angka perbedaan antar kelompok
Gambar 10 Angka perbedaan antar kelompok
Gambar 10 menampilkan angka perbedaan antar kelompok, dengan
pemanggilan fungsi variables menggunakan matriks JawaMiskin kolom dua
hingga tujuh dan groupvariable menggunakan matriks JawaMiskin kolom pertama
yang termasuk pengkategorian miskin dan tidak miskin. Nilai perbedaan terbesar
yang dihasilkan adalah dari variabel jenislantai sebesar 33.095415619203. Tujuan
dari Diskriminan Analisis sendiri adalah mencari kombinasi linier dari variabel
yang menghasilkan pemisahan terbesar antar kelompok sehingga variabelnya
dapat dipisahkan sepenuhnya dalam kelompok yang berbeda.
5. Simpulan
Berdasarkan hasil penelitian, dapat disimpulkan bahwa analisis
diskriminan dapat digunakan untuk menggolongkan kemiskinan kabupaten di
Jawa Tengah berdasarkan variabel kemiskinan rumah tangga. Selain itu dapat
pula digunakan untuk melihat variabel kemiskinan rumah tangga yang
berpengaruh kuat atau lemah terhadap kemiskinan. Dari 35 kabupaten di Jawa
Tengah, 16 kabupaten dikategorikan sebagai kabupaten miskin dan 19 kabupaten
lainnya dikategorikan kabupaten tidak miskin, Variabel yang memberi kontribusi
paling besar terhadap kemiskinan adalah jenislantai, yang memberi kontribusi
paling rendah terhadap kemiskinan adalah penerangan. Pada penelitian ini juga
ditemukan bahwa pada fasilitas buang air pada kabupaten Banyumas,
Purbolinggo, dan Magelang tidak memadahi dan memberi kontribusi dalam
kemiskinan. Dan bahasa R dapat digunakan sebagai alternatif program untuk
perhitungan dan visualisasi statistika.
6. Daftar Pustaka
[1] Primasiwi, Andika, 2012, Angkat Derajat Kesejahteraan Sosial Bagian
Dari Investasi Sosial. http://www.suaramerdeka.com/v1/index.php
/read/news/2012/07/03/123077/Angkat-Derajat-Kesejahteraan-Sosial-
Bagian-dari-Investasi-Sosial. Diakses tanggal 17 Juli 2012.
[2] Suwito, 2008, Sistem Informasi Managemen Kemiskinan,
http://www.scribd.com/doc/57352670/Kemi-Skin-An. Diakses tanggal 19
Juli 2012.
14
[3] Agustiono dan Puspitosari, Devi Ika, 1998, Analisis Z-Score Dalam
Memprediksi Kebangkrutan Bank Go Public Di Bursa Efek Jakarta (BEJ),
Surabaya: STIE IBMT.
http://jurnal.pdii.lipi.go.id/admin/jurnal/11043743.pdf. Diakses tanggal 17
Juli 2012.
[4] Komariah, Nurul dkk., 2011, Pengelompokan Kabupaten/Kota Di Provinsi
Jawa Timur Berdasarkan Indikator Kemiskinan dengan Metode Cluster
Analysis, http://digilib.its.ac.id/ITS-Undergraduate-3100011045184-
/17290. Diakses tanggal 18 Juli 2012.
[5] http://library.binus.ac.id/eColls/eThesis/Bab2/lcm2004-05Bab%202.pdf.
Diakses tanggal 13 September 2012.
[6] Sunarti, Euis, 2011, Kependudukan dan Keluarga Sejahtera, Isu Strategis
Dalam Analisis Dampak Kependudukan Terhadap Aspek Sosial Ekonomi,
http://euissunarti.staff.ipb.ac.id/files/2012/03/Dr.-Euis-Sunarti-
Kependudukan-dan-Keluarga-Sejahtera2A.pdf. Diakses tanggal 15 Juli
2012.
[7] Sentana, Catur, 2010, Analisis dan Penilaian Operasional Program
Keluarga Berencana Nasional Triwulan I Tahun 2010.
[8] Priatna, Bambang Avip, 2007, Teknik-Teknik Analisis Multivariat Terkini
Yang Sering Digunakan Dalam Penelitian,
http://file.upi.edu/Direktori/FPMIPA/JUR._PEND._MATEMATIKA/19641
2051990031-BAMBANG_AVIP_PRIATNA_M/Makalah_ke-
1_tahun2007.pdf. Diakses tanggal 17 Juli 2012.
[9] Supranto, J, 2004, Analisis Multivariat Arti dan Interpretasi, Jakarta.
[10] Suryanto, 1988, Metode Statistika Multivariat, Jakarta.
[11] http://lamandaukab.bps.go.id/index.php/layanan/artikel-umum/89-penghitungan-
kemiskinan-bps-dan-bank-dunia. Diakses tanggal 23 Juli 2012.