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.