PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH ... · Pamungkas (2012) Bertujuan untuk...
Transcript of PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH ... · Pamungkas (2012) Bertujuan untuk...
PEMODELAN SPATIAL STRUCTURAL EQUATION
MODELING PADA RUMAH TANGGA MISKIN DI
KABUPATEN JOMBANG
Mastari Rizki Fadillah |1312105031
Dosen Pembimbing :
Dr. Bambang Widjanarko Otok, M.Si
Seminar Hasil Tugas Akhir | Kamis, 24 Juli 2014 | Jurusan Statistika FMIPA ITS
Pendahuluan
Tinjauan Pustaka
Metodelogi Penelitian
Analisis dan Pembahasan
1
2
3
4
Kesimpulan dan Saran 5
Latar Belakang| Rumusan Masalah | Tujuan | Manfaat| Batasan Masalah
PENDAHULUAN
LATAR BELAKANG
KEMISKINAN
Suatu keadaan dimana terjadi ketidakmampuan untuk memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung, pendidikan dan kesehatan.
Masyarakat
Miskin
Suatu kondisi dimana fisik masyarakat yang tidak memiliki akses ke sarana dan prasarana dasar lingkungan yang memadai dengan kualitas perumahan dan pemukiman yang jauh di bawah standar kelayakan serta mata pencaharian yang tidak menentu.
LATAR BELAKANG
4,77 juta atau 12,55% (BPS, 2013)
21 Kecamatan 306 Desa/ Kelurahan
156 ribu orang / 12,88% (BPS Jatim, 2011)
LATAR BELAKANG
Program I
• Program penanggulangan kemiskinan berbasis bantuan sosial
Program II
• Program penanggulangan kemiskinan yang berbasis pemberdayaan masyarakat
Program III
• Program penanggulangan kemiskinan yang berbasis pemberdayaan usaha kecil
Upaya Penanggulangan
Pamungkas (2012)
Bertujuan untuk memberikan saran kepada pemerintah Kabupaten Jombang bahwa revitalisasi dalam bidang pertanian perlu dilakukan agar kualitas hidup masyarakat Kabupaten Jombang meningkat apabila ketersediaan bahan pangan relatif stabil
LATAR BELAKANG
SEM
Ningrum (2012)
Memiliki kemampuan untuk menggambarkan pola hubungan antara
variabel laten dan variabel indikator
Analisis statistika yang mengkombinasikan
analisis regresi berganda dan analisis faktor
EFEK
SPASIAL SEM
SPASIAL
RUMUSAN MASALAH DAN TUJUAN
•
•
Permasalahan
Bagaimana model bantuan rumah tangga miskin di Kabupaten Jombang yang didasarkan pada dimensi ekonomi, kesehatan dan SDM dengan menggunakan Spatial Structural Equation Modeling?
Tujuan
Mengetahui model bantuan rumah tangga miskin di Kabupaten Jombang yang didasarkan pada dimensi ekonomi, kesehatan dan SDM dengan menggunakan Spatial Structural Equation Modeling.
MANFAAT DAN BATASAN MASALAH
•
•
Manfaat
Penelitian ini diharapkan menjadi early warning system yang dapat mengatasi masalah kemiskinan di Kabupaten Jombang dan dapat dijadikan sebagai rujukan bagi Pemerintah Kabupaten Jombang dalam menentukan kebijakan yang berkaitan dengan kesejahteraan masyarakat Kabupaten Jombang.
Batasan Masalah
Batasan masalah dalam penelitian ini adalah pada data yang digunakan yaitu data rumah tangga miskin di Kabupaten Jombang tahun 2010, dengan obyek penelitian yaitu 306 desa di Kabupaten Jombang.
Structural Equation Modeling| Spatial SEM| Teori Kemiskinan
TINJAUAN PUSTAKA
Structural Equation Modeling (SEM)
SEM merupakan metode analisis statistika yang mengkombinasikan
analisis regresi berganda dan analisis faktor yang dapat digunakan
untuk menggambarkan keterkaitan hubungan linier secara simultan
antara variabel pengamatan (indikator) dan variabel yang tidak dapat
diukur secara langsung (variabel laten). Variabel laten merupakan
variabel yang tidak dapat diukur secara langsung, tetapi dapat mewakili
atau diukur oleh satu atau lebih variabel/ indikator (Hair, et al, 1998).
Confirmatory Factor Analysis (CFA)
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Confirmatory Factor Analysis (CFA) merupakan metode yang digunakan untuk menguji measurement model yang menggambarkan hubungan antara variabel laten dengan indikator-indikatornya yang dinyatakan dalam loading factor (λ). Loading factor menunjukkan korelasi antara variabel indikator dengan variabel laten.
Persamaan CFA dapat dinotasikan dalam bentuk matriks yang ditunjukkan pada persamaan berikut.
X=ΛX𝛏 + 𝛅
dimana X adalah vektor indikator p×1, Λx adalah matriks lamda (loading factor) p×m, 𝛏 adalah vektor variabel laten m×1, dan δ adalah vektor error berukuran p×1.
Confirmatory Factor Analysis (CFA)
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Signifikansi indikator-indikator dalam mengukur variabel laten dapat diketahui dengan menggunakan statistik uji t. Statistik uji t digunakan karena loading factor (λi) dalam CFA menggunakan standardized estimate dimana memiliki kedudukan yang sama dengan besaran regresi (Ferdinand, 2002). Reliabilitas variabel laten dapat diketahui dengan menghitung nilai construct reliability (ρc) yang ditunjukkan dalam persamaan berikut.
p
ii
p
ii
p
ii
c
1
2
1
2
1
Variabel laten dikatakan reliabel jika nilai Construct Reliability yang dihasilkan lebih besar sama dengan 0,5 (Ghozali dan Fuad, 2005).
Persamaan Struktural SEM
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Structural model menggambarkan hubungan antara variabel laten independen (eksogen) dengan variabel laten dependen (endogen).
Bollen (1989), model persamaan struktural untuk variabel laten adalah sebagai berikut.
η = Bη + Γ𝛏 + 𝛇 dimana η (eta) adalah vektor variabel random dependen endogen (latent endogenous) dengan ukuran mx1, 𝛏 (xi) adalah vektor variabel random independen eksogen (latent exogenous) dengan ukuran nx1, B (beta) adalah matrik koefisien yang menunjukkan pengaruh variabel laten endogen terhadap variabel lainnya dengan ukuran mxm, Γ adalah koefisien matrik yang menunjukkan hubungan dari 𝛏 terhadap η dengan ukuran mxn, dan 𝛇 (zeta) adalah vektor random error dengan ukuran mx1, dengan nilai harapan sama dengan nol.
Structural Equation Modeling (SEM)
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Menurut Bollen (1989), estimasi parameter model SEM menggunakan metode Maximum Likelihood Estimation (MLE).
Fungsi dari metode MLE adalah sebagai berikut.
𝐹𝑀𝐿 = log 𝚺(𝛉) + 𝑡𝑟 𝑺𝚺−𝟏 𝛉 − log 𝑺 − (𝑝 + 𝑞)
dimana: 𝚺(𝛉) = matrik varian kovarian model 𝑺 = matrik varian kovarian data pengamatan 𝑝 + 𝑞 = banyaknya variabel teramati (X dan Y) dalam model.
Identifikasi Model
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Pada identifikasi model terdapat tiga macam kriteria yaitu (Schumacker dan Lomax, 2004).
1. Under identified Under identified merupakan keadaan dimana persamaan yang terbentuk lebih sedikit dari parameter yang ditaksir, berarti derajat bebas negatif. Hal ini menunjukkan bahwa analisis model tidak dapat dilakukan.
2. Just identified Pada keadaan just identified, jumlah persamaan sama dengan parameter yang ditaksir sehingga derajat bebas bernilai nol. Keadaan ini berarti bahwa model yang terbentuk tidak memiliki kemampuan untuk men-generalisasi sehingga analisis tidak dapat dilakukan.
3. Over identified Model over identified berarti jumlah persamaan lebih besar dari banyaknya parameter yang diestimasi. Hal ini menunjukkan bahwa derajat bebas bernilai positif sehingga beberapa tingkat generalisasi dapat dilakukan untuk mendapatkan model yang paling sesuai.
Identifikasi model dilakukan dengan menggunakan persamaan derajat bebas berikut (Hair, et al, 1998).
𝑑𝑓 =1
2 𝑝 + 𝑞 𝑝 + 𝑞 + 1 − 𝑡
dimana: df = derajat bebas p = jumlah indikator variabel endogen q = jumlah indikator variabel eksogen t = jumlah parameter yang diestimasi
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Kesesuaian Model SEM
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Menurut Ghozali dan Fuad (2005), indikator kesesuaian model SEM dapat dilihat dari beberapa ukuran diantaranya Chi-Square Statistic, Goodnest of Fit Indices (GFI), Adjusted Goodness of Fit Index (AGFI), Root Mean Square Error of Approximation (RMSEA), dan Comparative Fit Index (CFI). Nilai kritis yang direkomendasikan untuk indikator-indikator kesesuaian model tersebut adalah.
Indikator Kesesuaian
Model Model Fit Model Dapat Diterima
Chi-square P-value
0 ≤ χ2 ≤ 2df 0,05 ≤ P-value ≤ 1,00
2df < χ2 ≤ 3df 0,01 < P-value ≤ 0,05
GFI 0,95 ≤ GFI ≤ 1,00 0,90 < GFI ≤ 0,95 AGFI 0,90 ≤ AGFI ≤ 1,00 0,85 < AGFI ≤ 0,90 RMSEA 0 ≤ RMSEA ≤ 0,05 0,05 <RMSEA ≤ 0,08 CFI 0,97 ≤ CFI ≤ 1,00 0,95 < CFI ≤ 0,97
Skor Faktor
Skor faktor merupakan estimasi nilai faktor bersama. Skor faktor digunakan sebagai data yang telah direduksi untuk analisis statistik lanjutan. Untuk mengestimasinya digunakan metode regresi yaitu.
𝒇 𝑘 = 𝑳 ′𝑺−1(𝒙𝑘 − 𝒙 ) untuk k = 1,2,...,n
dimana 𝒇 𝑘 adalah skor faktor ke-k, n adalah banyak observasi, 𝐋 adalah matrik estimasi loading faktor, S adalah matrik kovarian
sampel, 𝒙𝑘 adalah vektor observasi ke-k, dan 𝒙 adalah vektor rataan untuk n observasi.
CFA
Model Struktural
Estimasi Parameter
Identifikasi Model
Kesesuaian Model
Skor Faktor
Spatial Structural Equation Modeling (SEM Spasial)
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
• Aspek spasial pada suatu data dapat dilihat dari pengaruh atau efek spasial.
• Anselin (1988) menjelaskan bahwa terdapat dua efek spasial dalam ekonometrika yaitu efek spatial dependence dan spatial heterogeneity.
• Spatial dependence menunjukkan adanya keterkaitan antar lokasi obyek penelitian, sedangkan spatial heterogeneity mengacu pada keragaman parameter pada setiap lokasi.
• Anselin (1988) menjelaskan bahwa uji untuk mengetahui adanya spatial heterogeneity digunakan statistik uji Breusch-Pagan Test (BP Test) dan Koenker Bassett Test. Sedangkan pengujian adanya spatial dependence menggunakan metode Moran’s I dan Lagrange Multiplier.
Model GWR
Spatial Structural Equation Modeling (SEM Spasial)
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Pengaruh spasial yang sering terjadi pada model regresi adalah adanya autokorelasi spasial. Adanya unsur autokorelasi spasial ini menyebabkan terbentuknya parameter spasial autoregresif pada proses spasial yang dinyatakan sebagai berikut:
𝒚 = 𝜌𝑾1𝒚 + 𝚾𝜷 + 𝒖 dan
𝒖 = 𝜆𝑾2𝒖 + 𝜺 dimana 𝜺 ~ 0, 𝜍2 dan tidak ada autokorelasi.
Sehingga dapat dibentuk model umum regresi spasial sebagai berikut:
𝒚 = 𝜌𝑾1𝒚 + 𝚾𝜷 + 𝜆𝑾2𝒖 + 𝜺 dimana: 𝒚 : vektor variabel respon
𝚾 : matrik variabel prediktor 𝜌 : koefisien autoregresif spatial lag variabel dependen
𝜷 : vektor koefisien parameter regresi 𝜆 : koefisien autoregresif spatial error 𝒖 : vektor error yang diasumsikan mengandung autokorelasi 𝑾1 : matrik bobot spasial variabel dependen
𝑾2 : matrik bobot spasial error
Model GWR
1. Spatial Dependence
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Kebergantungan suatu wilayah dengan suatu lokasi yang berdekatan atau bertetangga di sekitarnya disebut dependensi spasial (spatial dependence). Untuk menguji dependensi spasial menggunakan metode Morans’I dan Lagrange Multiplier Test. Morans’I didasarkan pada korelasi pearson:
𝜌 = 𝑥𝑖−𝑥 𝑦𝑖−𝑦 𝑛
𝑖=1
𝑥𝑖−𝑥 2 𝑦𝑖−𝑦 2𝑛𝑖=1
𝑛𝑖=1
1/2
𝑥 dan 𝑦 adalah sampel means masing-masing variabel.
𝐼 =𝑛 𝑊𝑖𝑗 𝑥𝑖−𝑥 𝑥𝑗−𝑥 𝑛
𝑗=1𝑛𝑖=1
𝑊𝑖𝑗 𝑥𝑖−𝑥 2𝑛𝑖=1
𝑛𝑗=1
𝑛𝑖=1
dimana: n : jumlah pengamatan
𝑥 : rata-rata variabel 𝑥𝑖 : nilai variabel pada lokasi tertentu
𝑥𝑗 : nilai variabel pada lokasi lain
𝑊𝑖𝑗 : nilai bobot pada lokasi ke-i terhadap ke-j
1. Spatial Dependence
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Uji Morans’I dapat digunakan untuk melihat pola penyebaran dan menguji spatial autocorrelation (Fotheringham, et al, 2002). Pola penyebaran
Pola penyebaran dilihat 𝐼0 =−1
𝑛−1 , jika nilai 𝐼 > 𝐼0 maka data
tersebut autokorelasi positif, 𝐼 < 𝐼0 maka data tersebut autokorelasi negatif, sedangkan jika 𝐼 = 𝐼0 maka penyebaran data tersebut random.
Uji spatial autocorrelation
Hipotesis yang digunakan adalah: H0 : tidak ada spatial autocorrelation 𝐼 = 0
H1 : ada spatial autocorrelation 𝐼 = 0
Statistik uji:
𝑍 𝐼 =𝐼−𝐼0
𝑉𝑎𝑟 𝐼
dengan
𝑣𝑎𝑟 𝐼 =
𝑛2 𝑛−1 1
2 𝑊𝑖𝑗+𝑊𝑖𝑗
2 𝑛𝑖=𝑗 − 𝑛 𝑛−1 𝑊𝑖𝑗+ 𝑊𝑖𝑗
2 𝑛𝑗=1
𝑛𝑗=1
𝑛𝑖=1 − 2 𝑊𝑖𝑗
2𝑛𝑗=1
𝑛𝑖=1
𝑛+1 𝑛−1 𝑊𝑖𝑗 2𝑛
𝑗=1𝑛𝑖=1
Keputusan H0 ditolak jika 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑍𝛼 2 .
1. Spatial Dependence
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Lagrange Multiplier digunakan untuk mengetahui efek spasial pada model spasial autoregressive pada rho (SAR), spasial autoregressive pada error dan SARMA (Anselin, 1988). Berikut hipotesis yang digunakan untuk mengetahui efek spasial pada spasial autoregressive pada rho (SAR) dan spasial autoregressive pada error :
H0 : 𝜌 = 0 (tidak ada dependensi spasial autoregressive dalam model)
H1 : 𝜌 ≠ 0 (ada dependensi spasial autoregressive dalam model)
Sedangkan untuk menguji adanya efek spasial pada model spasial autoregressive pada error hipotesis yang digunakan adalah sebagai berikut:
H0 : 𝜌 = 0 (tidak ada dependensi error spasial) H1 : 𝜌 ≠ 0 (ada dependensi error spasial)
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Statistik uji dengan menggunakan Lagrange Multiplier test :
𝐿𝑀 = 𝐸−1 𝑅𝑦 2 𝑇22 − 2𝑅𝑦𝑅𝑒𝑇12 + 𝑅𝑒
2 𝐷 + 𝑇11
dengan m = jumlah parameter spasial, untuk spasial autoregressive pada rho (SAR) =1, spasial autoregressive pada error =1 dan SARMA=2
Nilai statistik uji mengikuti distribusi Chi-Square dengan derajat bebas m. Jika nilai LM > 𝜒(𝛼 ,𝑚)
2 maka H0 akan ditolak. Sehingga terdapat dependensi spasial.
1. Spatial Dependence
Model GWR
2. Spatial Heterogenity
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Spatial heterogenity digunakan untuk melihat kecen-derungan pola hubungan atau kestabilan diantara lokasi pengamatan (Anselin, 1988). Spatial heterogenity biasanya terlihat dari hasil masing-masing parameter lokasi yang berbeda atau dengan melihat deskriptif data awal yang ditandai dengan variasi yang cukup besar.
Untuk menguji spatial heterogenity menggunakan uji Breusch Pagan. Hipotesis yang digunakan adalah:
H0 : 𝜍12 = 𝜍2
2 = ⋯ = 𝜍𝑛2 = 𝜍2
H1 : minimal ada satu 𝜍𝑖2 ≠ 𝜍2
Statistik uji: 𝐵𝑃 = 1
2 𝒇𝑇𝒁 𝒁𝑇𝒁 −1𝒁𝑇𝒇 ~ 𝜒𝑝
2
dengan 𝒇 = 𝑓1, 𝑓2, … , 𝑓𝑛 𝑇 dan 𝑓𝑖 =
𝑒𝑖2
𝜎2 − 1 , 𝑒𝑖 = 𝑦𝑖 − 𝑦 𝑖 adalah residual untuk pengamatan ke-i. Z adalah matrik n(p+1) yang berisi vektor yang telah dinormalstandarkan dengan p adalah banyak pengamatan. Tolak H0 jika 𝐵𝑃 > 𝜒𝑝
2.
2. Spatial Heterogenity
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Selain menggunakan uji Breusch Pagan, untuk menguji spatial heterogenity dapat pula menggunakan uji Koenker Bassett. Uji Koenker Bassett sama dengan uji Breusch Pagan, namun uji ini dibuat kuat untuk data outlier atau tidak normal. Jika uji ini signifikan secara statistik, hal ini menunjukkan bahwa hubungan antara beberapa atau semua variabel independen dan variabel dependen tidak stasioner. Salah satu variabel independennya mungkin menjadi prediktor kuat di beberapa daerah tetapi lemah di daerah lain. Sehingga untuk menetukan modelnya dapat menggunakan Geographically Weighted Regression.
Pembobot Spasial
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Menurut LeSage (1999), metode itu dijelaskan sebagai berikut:
• Linear Contiguity (Persinggungan tepi); mendefinisikan = 1 untuk region yang berada di tepi (edge) kiri maupun kanan region yang menjadi perhatian, = 0 untuk region lainnya.
• Rook Contiguity (persinggungan sisi); mendefinisikan = 1 untuk region yang bersisian (common side) dengan region yang menjadi perhatian, = 0 untuk region lainnya.
• Bhisop Contiguity (Persinggungan sudut); mendefenisikan =1 untuk region yang titik sudutnya (common vertex) bertemu dengan sudut region yang menjadi perhatian, = 0 untuk region lainnya.
Model GWR
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
• Double Linear Contiguity (Persinggungan dua tepi); mendefinisikan = 1 untuk dua entity yang berada di sisi (edge) kiri dan kanan region yang menjadi perhatian, = 0 untuk region lainnya.
• Double Rook Contiguity (Persinggungan dua sisi); mendefinisikan = 1 untuk dua entity di kiri, kanan, utara dan selatan region yang menjadi perhatian, = 0 untuk region lainnya.
• Queen Contiguity (persinggungan sisi-sudut); mendefinisikan = 1 untuk entity yang bersisian (common side) atau titik sudutnya (common vertex) bertemu dengan region yang menjadi perhatian, = 0 untuk region lainnya.
Model GWR
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Matrik Pembobot
Contoh matrik pembobot dengan cara queen continguity untuk daerah dengan kondisi sebagai berikut:
diperoleh: 𝑊 =
0 1 11 0 11 1 0
0 01 01 0
0 1 10 0 0
0 11 0
𝑊 adalah matrik spatial continguity dari gambar di atas.
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Geographically Weighted Regression (GWR)
Metode GWR adalah suatu teknik yang membawa kerangka dari model regresi sederhana menjadi model regresi terboboti (Fotheringham, et al, 2002). Dalam model GWR, variabel respon y ditaksir dengan variabel prediktor yang masing-masing koefisien regresinya tergantung pada lokasi dimana data tersebut diamati. Model GWR dapat ditulis sebagai berikut.
𝑦𝑖 = 𝛽0 𝑢𝑖 , 𝑣𝑖 + 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 𝑥𝑖𝑘 + 휀𝑖𝑝𝑘=1
dimana
𝑦𝑖 : nilai observasi variabel respon ke-i 𝑥𝑖𝑘 : nilai observasi variabel prediktor k pada pengamatan ke-i 𝛽𝑘 : vektor koefisien regresi, k = 0, 1, 2, ..., p
𝑢𝑖 , 𝑣𝑖 : menyatakan titik koordinat (longitude, latitude) lokasi ke-i
휀𝑖 : error yang diasumsikan identik, independen, dan berdistribusi normal dengan mean nol dan varians konstan 𝜍2.
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Geographically Weighted Regression (GWR)
Metode penaksiran parameter pada model GWR adalah dengan metode Weighted Least Square (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap lokasi dimana data tersebut dikumpulkan. Dengan demikian, bentuk penaksir parameter dari model GWR untuk setiap lokasi (Fotheringham, et al, 2002) adalah sebagai berikut.
𝛃 𝑢𝑖 , 𝑣𝑖 = 𝐗𝐓𝐖 𝑢𝑖 , 𝑣𝑖 𝐗 −1𝐗𝐓𝐖 𝑢𝑖 , 𝑣𝑖 𝒚
Salah satu fungsi pembobot yang biasa digunakan adalah fungsi Kernel Gaussian dengan persamaan sebagai berikut.
𝑊𝑖𝑗 = 𝑒𝑥𝑝 −1
2
𝑑𝑖𝑗
ℎ
2
dimana h adalah parameter non negatif yang diketahui dan biasanya disebut parameter penghalus (bandwith) dan 𝑑𝑖𝑗 merupakan jarak Euclidean antara i dan j dimana
𝑑𝑖𝑗 = 𝑢𝑖 − 𝑢𝑗 2+ 𝑣𝑖 − 𝑣𝑗
2 .
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Geographically Weighted Regression (GWR)
Pengujian kesesuaian model (goodness of fit) dilakukan dengan menguji kesesuaian dari koefisien parameter secara serentak, yaitu dengan mengkombinasikan uji regersi linear dengan model untuk data spasial. Hipotesis yang digunakan adalah sebagai berikut.
H0 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 = 𝛽𝑘 ; 𝑘 = 1,2, … , 𝑝 (tidak ada perbedaan yang signifikan antara model regresi linear dengan GWR)
H1 : paling sedikit ada satu 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 ≠ 𝛽𝑘 (ada perbedaan yang signifikan antara model regresi linear dengan GWR)
Statistik uji:
𝐹ℎ𝑖𝑡 =
𝑆𝑆𝐸 𝐻1
𝛿12 𝛿2
𝑆𝑆𝐸 𝐻0 𝑛−𝑘−1
Jika Fhitung lebih besar dari Ftabel maka dapat diambil keputusan tolak H0 atau dengan kata lain model GWR lebih sesuai digunakan daripada model regresi linear.
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Geographically Weighted Regression (GWR)
Pengujian parameter model GWR dilakukan untuk mengetahui parameter mana yang signifikan mempengaruhi variabel respon secara parsial. Hipotesis yang digunakan adalah sebagai berikut.
H0 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 = 0 ; 𝑘 = 1,2, … , 𝑝 H1 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 ≠ 0
Estimasi parameter 𝛽 𝑢𝑖 , 𝑣𝑖 akan mengikuti distribusi normal dengan rata-rata 𝛽 𝑢𝑖 , 𝑣𝑖 dan matrik varian kovarians CCTσ2 dengan C= (XTW 𝑢𝑖 , 𝑣𝑖 X)-1XTW 𝑢𝑖 , 𝑣𝑖 ,
sehingga di didapatkan β k ui,vi − βk ui,vi
𝜎 𝑐𝑘𝑘 ~𝑁 0,1
dimana Ckk adalah elemen diagonal ke-k dari matrik CCT.
𝑇 =β k ui,vi 𝜍 𝑐𝑘𝑘
Tolak H0 jika nilai 𝑇ℎ𝑖𝑡 > 𝑡𝛼2 ; 𝛿1
2 𝛿2 .
Model Spasial Regresi Linear
Uji Model Spasial
Pembobot Spasial
Model GWR
Geographically Weighted Regression (GWR)
Ada beberapa metode yang digunakan untuk memilih model terbaik, salah satunya adalah Akaike Information Criterion (AIC) yang didefinisikan sebagai berikut.
AIC = 2𝑛ln 𝜍 + 𝑛ln 2𝜋 + 𝑛𝑛+𝑡𝑟 𝐒
𝑛−2−𝑡𝑟 𝐒 (33)
dengan: 𝜍 : nilai estimator standar deviasi dari error hasil estimasi
maksimum likelihood, yaitu 𝜍 = 𝑆𝑆𝐸𝑛
S : matrik proyeksi 𝒚 = 𝐒𝒚
Pemilihan model terbaik dilakukan dengan menentukan model dengan nilai AIC terkecil (Fotheringham, et al, 2002).
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
• Kemiskinan merupakan suatu keadaan dimana terjadi ketidakmampuan untuk memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung, pendidikan dan kesehatan.
• Kemiskinan dikelompokkan dalam dua kategori, yaitu kemiskinan absolute dan kemiskinan relatif.
• Bank Dunia mendefinisikan kemiskinan absolut adalah hidup dengan pendapatan USD $ 1 / hari. Kemiskinan relatif merupakan kondisi miskin karena kebijakan pembangunan yang belum mampu mejangkau seluruh lapisan masyarakat.
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
BPS (2009) mendefinisikan garis kemiskinan sebagai nilai rupiah yang harus dikeluarkan seseorang dalam sebulan agar dapat memenuhi kebutuhan dasar asupan kalori sebesar 2100 kkal/hari per kapita (garis kemiskinan makanan) ditambah kebutuhan minimum non makanan yang merupakan kebutuhan seseorang, yaitu papan, sandang, sekolah, transportasi dan kebutuhan individu rumahtangga dasar lainnya (garis kemiskinan non makanan).
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
BPS (2009) membagi kemiskinan menurut penyebabnya menjadi dua yaitu: • Kemiskinan karena adanya faktor-faktor adat atau
budaya suatu daerah tertentu yang membelenggu seseorang atau sekelompok masyarakat tertentu sehingga membuatnya tetap melekat dengan kemiskinan.
• Kemiskinan struktural, yaitu kemiskinan yang terjadi sebagai akibat ketidakberdayaan seseorang atau sekelompok masyarakat tertentu terhadap sistem atau tatanan sosial yang tidak adil, karena mereka berada pada posisi tawar yang sangat lemah dan tidak memiliki akses untuk mengembangkan dan membebaskan diri mereka sendiri dari perangkap kemisikinan.
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
Badan Pusat Statistik menggunakan 3 indikator kemiskinan yaitu.
• Head Count Index (HCI-P0), yaitu persentase penduduk yang berada dibawah garis kemiskinan.
• Indeks Kedalaman Kemiskinan (Poverty Gap Index-P1) merupakan ukuran rata-rata kesenjangan penyebaran pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi nilai indeks, semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan.
• Indeks Keparahan Kemiskinan (Poverty Severity Indeks-P2) memberikan gambaran mengenai penyebaran pengeluaran diantara penduduk miskin. Semakin tinggi nilai indeks, semakin tinggi ketimpangan pengeluaran diantara penduduk miskin.
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
Menurut Badan Pusat Statistik terdapat 14 kriteria untuk menentukan suatu keluarga dikategorikan rumah tangga miskin, yaitu:
• Luas bangunan tempat tinggal kurang dari 8 m2 per orang.
• Jenis lantai tempat tinggal terbuat dari tanah/ bambu/ kayu murahan.
• Jenis dinding tempat tinggal dari bambu/ rumbia/ kayu berkualitas rendah/ tembok tanpa diplester.
• Tidak memiliki fasilitas buang air besar/ bersama-sama dengan rumah tangga lain.
• Sumber penerangan rumah tangga tidak menggunakan listrik.
• Sumber air minum berasal dari sumur/ mata air tidak terlindung/ sungai/ air hujan.
• Bahan bakar untuk memasak sehari-hari adalah kayu bakar/ arang/ minyak tanah.
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
• Hanya mengkonsumsi daging/ susu/ ayam satu kali dalam seminggu
• Hanya membeli satu stel pakaian baru dalam setahun
• Hanya sanggup makan hanya satu/ dua kali dalam sehari.
• Tidak sanggup membayar biaya pengobatan di puskesmas/ poliklinik.
• Sumber penghasilan kepala keluarga adalah petani dengan luas lahan 500 m2, buruh tani, nelayan, buruh bangunan, buruh perkebunan, dan atau pekerjaan lainnya dengan pendapatan di bawah Rp. 600.000,- (Enam Ratus Ribu) per bulan.
• Pendidikan tertinggi kepala keluarga: tidak bersekolah/ tidak tamat SD/ hanya SD.
• Tidak memiliki tabungan/ barang yang mudah dijual dengan nilai minimal Rp. 500.000,- (Lima Rus Ribu Rupiah), seperti sepeda motor kredit/ non-kredit, emas, ternak, kapal motor, atau barang modal lainnya.
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
Menurut BPS (2008) secara garis besar, pemerintah melakukan berbagai langkah untuk menanggulangi masalah yang diwujudkan dalam tiga paket program bantuan yaitu.
• Paket bantuan program I adalah bantuan dan perlindungan sosial. Paket bantuan ini ditujukan untuk perlindungan dan pemenuhan hak atas pendidikan, kesehatan, pangan, sanitasi, dan air bersih. Paket bantuan ini terwujud dalam bentuk beras miskin (Raskin), Jaminan Kesehatan Masyarakat (Jamkesmas), BOS (Bantuan Operasional Sekolah), PKH (Program Keluarga Harapan), dan BLT (Bantuan Langsung Tunai).
TEORI KEMISKINAN
Definisi
Indikator Kemiskinan
Program Bantuan
• Paket bantuan program II adalah pemberdayaan masyarakat (PNPM Mandiri). Paket bantuan ini bertujuan untuk memberikan perlindungan dan pemenuhan hak atas berpartisipasi, kesempatan kerja dan berusaha, tanah, SDA dan LH, dan perumahan.
• Paket bantuan program III adalah pemberdayaan Usaha Mikro dan Kecil (UMK-KUR) yang bertujuan untuk perlindungan dan pemenuhan hak atas kesempatan berusaha dan bekerja.
PENELITIAN SEBELUMNYA
• Meneliti tentang revitalisasi sektor pertanian untuk menanggulangi masalah kemiskinan di Kabupaten Jombang.
• Revitalisasi sektor pertanian sangat perlu dilakukan dengan harapan sektor ini mampu untuk menjawab permasalahan sosial yang diakibatkan oleh permasalahan ekonomi.
Pamungkas (2012)
• Mengkaji keterkaitan antar faktor penentuan kemiskinan di Kabupaten Jombang dengan menggunakan Structural Equation Modeling.
• Indikator ekonomi dan SDM berpengaruh positif terhadap kemiskinan dengan asumsi melihat indikator-indikator yang membentuk laten SDM dan ekonomi, sedangkan kesehatan berpengaruh negatif terhadap kemiskinan.
Ningrum (2013)
• Bertujuan untuk mengetahui kebenaran konsep teori mengenai faktor-faktor yang mempengaruhi derajat kesehatan masyarakat Jawa Timur.
• Dari hasil analisis SEM disimpulkan bahwa lingkungan, pelayanan kesehatan, tenaga kesehatan, dan infrastruktur berpengaruh terhadap derajat kesehatan.
Jihan (2010)
PENELITIAN SEBELUMNYA
• Tentang SEM dengan model struktural berupa regresi spasial yang diterapkan pada data di Propinsi Sumatera Barat untuk melihat penyebaran daerah tertinggalnya.
• Pola penyebaran daerah tertinggal di Propinsi Sumatera Barat tersebar di perbatasan Propinsi dan merupakan daerah hasil pemekaran Kabupaten/ Kota.
Prihandini (2011)
• Tentang pengembangan indikator dan penentuan rumah tangga miskin di Propinsi Jawa Timur menggunakan Spatial Structural Equation Modeling.
• Model pengukuran yang didapatkan adalah kesehatan berpengaruh negatif terhadap ekonomi dan SDM berpengaruh positif terhadap ekonomi. Variabel laten kesehatan berpengaruh positif terhadap SDM dengan koefisien dan SDM berpengaruh negatif terhadap kemiskinan.
Fitriani (2013)
• Menyusun model Spasial SEM Partial Least Square untuk data kemiskinan di Kabupaten/Kota Provinsi Jawa Timur tahun 2011.
• Pada model kemiskinan diketahui bahwa ekonomi, kesehatan signifikan .
• Untuk model ekonomi diketahui bahwa SDM dan lagged ekonomi signifikan
• Pada model SDM diketahui bahwa kesehatan, lagged kesehatan, lagged SDM (lamda) signifikan
Anuraga (2014)
Sumber Data| Variabel Penelitian| Metode dan Langkah Analisis
METODELOGI PENELITIAN
SUMBER DATA
• Data yang digunakan dalam penelitian ini merupakan data Verifikasi Rumah Tangga Miskin Kabupaten Jombang tahun 2010 yang diperoleh dari Badan Perencanaan Pembangunan Daerah (BAPPEDA) Kabupaten Jombang.
• Data yang dikumpulkan antara lain menyangkut bidang pendidikan, kesehatan, perumahan, sosial ekonomi, penghasilan dan aset rumah tangga.
• Unit analisis dalam penelitian ini adalah seluruh Desa di Kabupaten Jombang. Berdasarkan data BPS, Kabupaten Jombang terdiri atas 306 Desa yang tersebar di 21 Kecamatan. Namun karena terdapat beberapa data missing, sehingga unit analisis yang digunakan adalah 266 Desa.
VARIABEL PENELITIAN
Variabel Laten
Variabel Indikator
Kesehatan
X1.1 Persentase rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah per Desa
X1.2 Persentase rumah tangga yang luas kavling termasuk bangunan kurang dari 60 m2 per Desa
X1.3 Persentase rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah per Desa
X1.4 Persentase rumah tangga yang tidak memiliki septictank sebagai tempat pembuangan air tinja per Desa
X1.5 Persentase rumah tangga yang sumber air minumnya berasal dari sumur/ mata air tidak terlindung/ sungai per Desa
X1.6 Persentase rumah tangga yang tidak memiliki fasilitas tempat buang air besar atau bersifat umum per Desa
X1.7 Persentase rumah tangga yang luas bangunan tempat tinggalnya kurang dari 32 m2 per Desa
X1.8 Persentase rumah tangga yang jenis atap bangunan tempat tinggalnya bukan dari genteng per Desa
X1.9 Persentase rumah tangga yang tidak sanggup membayar biaya pengobatan di Puskesmas/ Poliklinik per Desa
VARIABEL PENELITIAN
Variabel Laten
Variabel Indikator
Ekonomi
Y1.1 Persentase rumah tangga yang sumber penerangannya tidak menggunakan listrik per Desa
Y1.2 Persentase rumah tangga yang menggunakan bahan bakar untuk memasak sehari-hari adalah kayu bakar/arang/minyak tanah per Desa
Y1.3 Persentase rumah tangga yang tidak memiliki aset dengan nilai Rp 500.000 per Desa
Y1.4 Persentase rumah tangga yang hanya mengkonsumsi daging/susu/ayam satu kali dalam seminggu per Desa
Y1.5 Persentase rumah tangga yang status kepemilikan bangunan tidak milik sendiri per Desa
Y1.6 Persentase rumah tangga yang tidak sanggup membeli satu set pakaian baru dalam setahun per Desa
Y1.7 Persentase rumah tangga yang hanya sanggup makan sebanyak satu/ dua kali dalam sehari per Desa
Y1.8 Persentase rumah tangga yang penghasilan kepala rumah tangga per bulan dibawah Rp. 600.000 per Desa
VARIABEL PENELITIAN
Variabel Laten
Variabel Indikator
SDM Y2.1 Persentase rumah tangga dengan pendidikan tertinggi kepala kepala rumah tangga, tidak sekolah/ tidak tamat SD/ hanya SD per Desa
Bantuan Rumah Tangga Miskin
Y3.1 Persentase rumah tangga yang memilih paket bantuan Program I (bantuan perlindungan sosial) per Desa
Y3.2 Persentase rumah tangga yang memilih paket bantuan Program II (bantuan pemberdayaan masyarakat dan pemberdayaan usaha mikro) per Desa
LANGKAH ANALISIS
a. Mendeskripsikan variabel indikator pada masing-masing variabel laten untuk mengetahui karakteristik rumah tangga miskin di Kabupaten Jombang serta melihat persebarannya pada setiap Desa.
b. Melakukan pengujian asumsi normal mutivariat. c. Melakukan analisis faktor konfirmatori (Confirmatory Factor Analysis). d. Menyusun model konseptual dengan pemilihan variabel indikator untuk
masing-masing variabel laten serta hubungan kausalitasnya. Kemudian digambarkan dalam bentuk diagram jalur.
LANGKAH ANALISIS
Berdasarkan model konseptual di atas, maka muncul beberapa hipotesis sebagai berikut.
- Kesehatan berpengaruh terhadap bantuan rumah tangga miskin. - Ekonomi berpengaruh terhadap bantuan rumah tangga miskin. - SDM berpengaruh terhadap bantuan rumah tangga miskin. - Kesehatan berpengaruh terhadap ekonomi. - Kesehatan berpengaruh terhadap SDM. - SDM berpengaruh terhadap ekonomi. e. Mengkonversi diagram jalurnya ke dalam persamaan struktural.
Model 1 : 𝜂1 = 𝛾11Kesehatan + 𝛿1
Model 2 : 𝜂2 = 𝛾21Kesehatan + 𝛽21SDM + 𝛿2
Model 3 : 𝜂3 = 𝛾31Kesehatan + 𝛽31SDM + 𝛽32Ekonomi + 𝛿3
f. Mengidentifikasi model untuk memeriksa model dalam keadaan under identified, just identified atau over identified.
g. Mengevaluasi kesesuaian model (Goodness of Fit) untuk melihat kebaikan model berdasarkan kriteria yang ada. Sehingga dari kriteria tersebut akan didapatkan model yang sesuai.
LANGKAH ANALISIS
h. Menghitung skor faktor untuk masing-masing variabel laten. Nilai skor faktor akan digunakan untuk analisis pemodelan regresi spasial dalam persamaan struktural SEM.
i. Membentuk matrik bobot spasial yang dapat menjelaskan pola hubungan antara variabel laten dan juga indikatornya dengan melibatkan efek lokasi. Matrik terboboti untuk wilayah Desa/ Kelurahan di Kabupaten Jombang dalam penelitian ini didasarkan pada hubungan persinggungan sisi sudut (queen continguity).
j. Melakukan uji efek spasial untuk mengetahui spatial dependence atau spatial hetrogenity.
k. Memformulasikan model regresi spasial dalam persamaan struktural SEM.
l. Mendapatkan nilai estimasi parameter spasial dalam persamaan struktural SEM. Estimasi parameter menggunakan metode Maximum Likelihood (MLE).
m.Menginterpretasikan dan menyimpulkan hasil yang telah diperoleh.
DIAGRAM ALIR LANGKAH ANALISIS
Karakteristik| Peta Persebaran| Pengujian Asumsi| CFA| SEM| SEM Spasial
ANALISIS & PEMBAHASAN
Karakteristik Rumah Tangga Miskin di Kabupaten Jombang Berdasarkan Variabel Indikator
Variabel Laten
Variabel Indikator
Min (%)
Max (%)
Mean (%)
Varian (%)
Kesehatan
X1.1 0,000 100,000 41,907 702,765 X1.2 4,040 100,000 46,318 397,268 X1.3 0,000 97,758 38,253 664,087 X1.4 4,186 100,000 65,831 555,998 X1.5 0,412 100,000 73,796 551,671 X1.6 16,667 100,000 65,835 314,956 X1.7 1,818 100,000 29,119 352,603 X1.8 0,000 12,245 1,665 3,547 X1.9 0,000 28,387 3,094 19,063
Ekonomi
Y1.1 0,000 6,897 1,125 1,438 Y1.2 13,333 100,000 63,803 343,341 Y1.3 28,821 100,000 78,984 163,568 Y1.4 22,581 100,000 91,468 144,974 Y1.5 0,000 62,992 20,381 93,108 Y1.6 1,818 99,552 33,174 389,675 Y1.7 2,486 99,554 19,746 254,796 Y1.8 59,459 100,000 92,025 49,655
SDM Y2.1 42,857 100,000 88,629 45,777
Bantuan Y3.1 0,000 100,000 43,888 732,462 Y3.2 0,000 100,000 54,247 752,344
Persebaran Rumah Tangga yang Tidak Memiliki Septictank sebagai Tempat Pembuangan Air Tinja
Pucang Simo, Brodot, Brangkal, Karang Dagangan, Pucangro, Blimbing, Mentaos, Sukoiber, Bugasur Kedaleman, Krembangan, Sepanyul, Godong, Mejoyolosari, Puton, Jatirejo, Keras, Watugaluh, Bandung, Jombok, Genukwatu, Rejoagung, Kauman, Badang, Kesamben, Penggaron, Mojowangi, Gedangan, Mojojejer, dll.
Persebaran Rumah Tangga yang Sumber Air Minumnya
Berasal dari Sumur/Mata Air Tidak Terlindung/Sungai
Mojokambang, Kayen, Gondang Manis, Banjar Sari, Tinggar, Jantiganggong, Kepuhkajang, Sumberagung, Pagerwojo, Sembung, Plosogenuk, Pucangro, Kedungturi, Japanan, Blimbing, Mentaos, Sukoiber, Sukopinggir, Bugasur Kedaleman, Wangkalkepuh, Pesanggrahan, Krembang-an, Sepanyul, Godong, Mejoyolosari, Plumbon Gambang, Gempol Legundi, Puton, Bendet, Bulurejo, Grogol, Jatirejo, Kwaron, dll.
Persebaran Rumah Tangga yang Tidak MemilikiFasilitas Tempat
Buang Air Besar atau Bersifat Umum
Brodot, Brangkal, Karang Dagangan, Pucangro, Kedungturi, Japanan, Mentaos, Bugasur Kedaleman, Pesanggrahan, Krembangan, Sepanyul, Gempol Legundi, Kayangan, Puton, Bendet, Watugaluh, Jombok, Rejoagung, Kesamben, Sugihwaras, Penggaron, Mojojejer, Sidokerto, Sukomulyo, Catak Gayam, Wringinpitu, Kebondalem, Mundusewu, Pakel, Karangan, Ngampungan, Bareng, Tebel, Mojotengah, Banjaragung, dll.
Persebaran Rumah Tangga yang Menggunakan Bahan Bakar untuk
Memasak Sehari-hari adalah Kayu Bakar/Arang/Minyak Tanah
Bandar Kedung Mulyo, Kayen, Gondang Manis, Pucang Simo, Banjar Sari, Tinggar, Jatinganggong, Sumberagung, Pagerwojo, Sembung, Mejoyolosari, Plumbon Gambang, Tanggungan, Grogol, Cukir, Kwaron, Keras, Diwek, Bandung, Kedawong, Ngudirejo, Balong Besuk, Badang, Pulorejo, Gajah, Mojowarno, Jenisgelaran, dll.
Persebaran Rumah Tangga yang Tidak Memiliki Aset
dengan Nilai Rp 500.000
Sumberjo, Gebang Bunder, Klitih, Sukodadi, Pandan Blole, Asem Gede, Mojodanu, Kedung Bogo, Keboan, Bendungan, Gumulan, Jombok, Kedung Mlati, Kedung Betik, Jati Wates, Bedah Lawak, Pulorejo, Kedung Otok, Sudimoro, Dukuh Arum, Pacar Peluk, Ngogri, Balongsari, Gongseng, Turi Pinggir, Banjar Dowo, Ngrandu Lor, Sumberagung, Sambirejo, Sukosari, Gedangan, Talun Kidul, Kendalsari, Mlaras, Seketi, Karangwinongan, dll.
Persebaran Rumah Tangga yang Hanya Mengkonsumsi
Daging/ susu/ Ayam Satu Kali dalam Seminggu
Tondowulan, Plandaan, Gebang Bunder, Klitih, Sukodadi, Genengan Jasem, Sumber Gondang, Karang Pakis, Kabuh, Tanjung Wadung, Marmoyo, Pandan Blole, Gedongombo, Tanggung Kramat, Asem Gede, Cupak, Mojodanu, Manunggal, Kedung Bogo, Bendungan, Kepuhrejo, Bakalan-rayung, Tapen, Gumulan, Podoroto, Pojok Rejo, Kedung Mlati, Bedah Lawak, Kedung Otok, Megaluh, Sudimoro, Sumberagung, Dukuh Arum, Pacar Peluk, Sidomulyo, Ngogri, Sumbersari, Balongsari, Gongseng, Turi Pinggir, Banjar Dowo, Ngrandu Lor, Sambirejo, Sukosari, Bakalan, Talun Kidul, Kendalsari, Budugsidorejo, Mlaras, Sebani, Seketi, Tanggalrejo, Jarak, Ngrimbi, Carangwulung, Kedunglumpang, Karangwinongan, Banjaragung, Tebel, Bareng, Karangan, Pakel, Kebondalem, dll.
Persebaran Rumah Tangga yang Penghasilan Kepala
Rumah Tangganya per Bulan Dibawah Rp 600.000
Plumbon Gambang, Grogol, Kwaron, Keras, Jatipelem, Brambang, Ceweng, Bandung, Kedawong, Ngudirejo, Balong Besuk, Pandanwangi, Ngoro, Badang, Pulorejo, Sidowarek, Gajah, Mojowarno, Mojowangi, Jenisgelaran, Sambirejo, Wonosalam, Wonokerto, Dukuh Mojo, Kademangan, Janti, Kauman, Mojotrisno, Miagan, Nglele, Trawasan, Segodorejo, Madyo Puro, Jogoroto, Mayangan, Tambar, Peterongan, Mancar, Tanjung Gunung, Bongkot, dll.
Persebaran Rumah Tangga yang Memilih
Paket Bantuan Program I
Mojokambang, Gondang Manis, Suberagung, Pagerwojo, Perak, Sukopinggir, Wangkalkepuh, Godong, Mejoyolosari, Plumbon Gambang, Grogol, Cukir, Keras, Jatipelem, Brambang, Pundong, Diwek, Bandung, Kedawong, Ngudirejo, Balong Besuk, Ngoro, Badang, Pulorejo, Sidowarek, Gajah, Selorejo, Jenisgelaran, Sambirejo, Wonosalam, Panglungan, Wonokerto, Mojotrisno, Dukuhdimoro, Mancilan, Murukan, Plosokerep, Segodorejo, Madyo Puro, Jogoroto, Mayangan, Tambar, Mancar, Dukuh Klopo, Tanjung Gunung, Morosunggingan, Plandi, Tambak Rejo, Carang Rejo, Menturus, Sumberringin, Kertorejo, Galengdowo, Tejo, Sawiji, Pulo Lor, Kedung Rejo, Kesamben, Jati Duwur, dll.
Persebaran Rumah Tangga yang Memilih
Paket Bantuan Program I
Bandar Kedung Mulyo, Kayen, Kepuhkajang, Sembung, Glagahan, Gadingmangu, Plosogenuk, Sukorejo, Temuwulan, Cangkringrandu, Sukoiber, Tanggungan, Kwaron, Ceweng, Pandanwangi, Dukuh Mojo, Kademangan, Gambiran, Kauman, Miagan, Jogoloyo, Nglele, Sumobito, Alang-alang Caruban, Ngumpul, Peterongan, Kebontemu, Tugusumberjo, Senden, Tunggorono, Jombatan, Kaliwungu, Jelakombo, Kepanjen, Kepatihan, Denanyar, Jombang, Candi Mulyo, Mojongapit, dll
Pengujian Asumsi Normal Multivariat
Hipotesis yang digunakan untuk pengujian normal multivariat adalah: H0: Data mengikuti distribusi normal multivariat H1: Data tidak mengikuti distribusi normal multivariat Pengujian normal multivariat menggunakan plot χ2 multivariat
dimana bila daerah di bawah kurva χ2 multivariat lebih dari 50% maka H0 diterima atau data mengikuti distribusi normal multivariat. Dari hasil pengujian pada data penelitian, diperoleh nilai χ2 multivariat sebesar 0,6053 (60,53%) yang berarti gagal tolak H0 sehingga dapat dikatakan bahwa data mengikuti distribusi normal multivariat.
Confirmatory Factor Analysis (CFA)
CFA pada Variabel Laten Kesehatan
Model CFA Variabel Laten Kesehatan Kesesuaian Model CFA Variabel Laten Kesehatan
Goodness of Fit Index
Model Keterangan
Chi-square 515,493 Model tidak dapat diterima
P-value 0,000 Model tidak dapat diterima
RMSEA 0,261 Model tidak dapat diterima
GFI 0,760 Model tidak dapat diterima
AGFI 0,600 Model tidak dapat diterima
CFI 0,601 Model tidak dapat diterima
Model CFA Variabel Laten Kesehatan Setelah Modifikasi
Goodness of Fit Index
Model Keterangan
Chi-square 16,016 Model Fit P-value 0,312 Model Fit
RMSEA 0,023 Model Fit
GFI 0,985 Model Fit AGFI 0,962 Model Fit
CFI 0,998 Model Fit
Kesesuaian Model CFA Modifikasi Variabel Laten Kesehatan
Model CFA telah memenuhi kriteria kesesuaian model. Hal ini menunjukkan bahwa indikator-indikator yang digunakan dalam mengukur variabel laten kesehatan sesuai untuk diterapkan dalam panentuan model bantuan rumah tangga miskin di Kabupaten Jombang.
Indikator Loading Factor Error P-value Keterangan
X1.1 0,907 0,177 *** Signifikan
X1.2 -0,108 0,988 0,072 Signifikan
X1.3 1,019 -0,038 *** Signifikan
X1.4 0,561 0,685 *** Signifikan
X1.5 -0,292 0,915 *** Signifikan
X1.6 0,491 0,759 *** Signifikan
X1.8 -0,252 0,936 *** Signifikan
X1.9 -0,169 0,971 0,004 Signifikan
Estimasi Parameter CFAVariabel Laten Kesehatan
Berdasarkan nilai loading factor yang telah diperoleh, maka model pengukuran dari variabel laten kesehatan adalah sebagai berikut.
X1.1 = 0,907 Kesehatan X1.5 = -0,292 Kesehatan X1.2 = -0,108 Kesehatan X1.6 = 0,491 Kesehatan X1.3 = 1,019 Kesehatan X1.8 = -0,252 Kesehatan X1.4 = 0,561 Kesehatan X1.9 = -0,169 Kesehatan
Indikator X1.1 dan X1.3 memiliki nilai loading factor terbesar yaitu 0,907 dan 1,019. Hal ini menunjukkan bahwa indikator X1.1 (rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah) dan X1.3 (rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah) memberikan pengaruh yang paling besar terhadap variabel laten kesehatan.
Selain membentuk model pengukuran, dari Tabel 4.5 juga dapat diketahui error pengukuran yang menunjukkan kesalahan pengukuran dari indikator. Besarnya kesalahan pengukuran indikator adalah sebagai berikut.
V (δ1) = 0,177 V (δ5) = 0,915 V (δ2) = 0,988 V (δ6) = 0,759 V (δ3) =-0,038 V (δ8) = 0,936 V (δ4) = 0,685 V (δ9) = 0,971 Kesalahan pengukuran variabel laten kesehatan yang
paling kecil terdapat pada indikator X1.3 yaitu indikator rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah. Selanjutnya dilakukan pengujian konsistensi dari variabel laten kesehatan menggunakan nilai construct reliability (CR) dengan perhitungan sebagai berikut.
𝜌𝑐 =(0,907 + −0,108 + ⋯+ (−0,169)2
(0,907 + ⋯ + −0,169 )2 + (0,177 + ⋯ + 0,971)
= 0,463≈ 0,5 Nilai CR yang dihasilkan variabel laten kesehatan adalah
0,464 ≈ 0,5 sehingga dapat dikatakan reliabel namun memiliki konsistensi cukup kecil.
CFA Variabel Laten Ekonomi
Model CFA Variabel Laten Ekonomi
Goodness of Fit Index
Model Keterangan
Chi-square 151,681 Model tidak dapat diterima
P-value 0,000 Model tidak dapat diterima
RMSEA 0,158 Model tidak dapat diterima
GFI 0,884 Model tidak dapat diterima
AGFI 0,790 Model tidak dapat diterima
CFI 0,596 Model tidak dapat diterima
Kesesuaian Model CFAVariabel Laten Ekonomi
Model CFA Variabel Laten Ekonomi Setelah Modifikasi
Goodness of Fit Index
Model Keterangan
Chi-square 6,644 Model Fit P-value 0,467 Model Fit RMSEA 0,000 Model Fit GFI 0,992 Model Fit AGFI 0,976 Model Fit CFI 1,000 Model Fit
Kesesuaian Model CFA Modifikasi Variabel Laten Ekonomi
Estimasi Parameter CFAVariabel Laten Ekonomi
Indikator Loading Factor Error P-value Keterangan
Y1.3 0,406 0,835 *** Signifikan Y1.4 0,249 0,938 0,006 Signifikan Y1.5 0,184 0,966 0,024 Signifikan Y1.6 0,888 0,211 *** Signifikan Y1.7 0,679 0,539 *** Signifikan Y1.8 0,256 0,934 *** Signifikan
Ket.*** : nilai P-value kurang dari 0,001
Berdasarkan nilai loading factor yang telah diperoleh, maka model pengukuran dari variabel laten ekonomi adalah sebagai berikut. Y1.3 = 0,406 Ekonomi Y1.5 = 0,184Ekonomi Y1.4 = 0,249 Ekonomi Y1.6 = 0,888Ekonomi Y1.7 = 0,679Ekonomi Y1.8 = 0,256 Ekonomi
Indikator Y1.6 dan Y1.7 memiliki nilai loading factor terbesar yaitu 0,889 dan 0,680. Hal ini menunjukkan bahwa indikator Y1.6 (rumah tangga yang tidak sanggup membeli satu set pakaian baru dalam setahun) dan Y1.7 (rumah tangga yang hanya sanggup makan sebanyak satu/dua kali dalam sehari) memberikan pengaruh yang paling besar terhadap variabel laten ekonomi.
Selanjutnya dilakukan pengujian konsistensi dari variabel laten ekonomi menggunakan nilai construct reliability (CR) dengan perhitungan sebagai berikut.
𝜌𝑐 =(0,406 + 0,249 + ⋯ + 0,256)2
(0,406 + ⋯ + 0,256)2 + (0,835 + ⋯ + 0,934)
= 0,551
Nilai CR yang dihasilkan variabel laten ekonomi adalah 0,551sehingga dapat dikatakan reliabel
Structural Equation Modeling (SEM)
Setelah diperoleh indikator yang valid dan reliabel melalui confirmatory factor analysis (CFA), selanjutnya adalah membentuk model struktural berdasarkan model dugaan. Terdapat 3 model dugaan yaitu SDM dipengaruhi oleh kesehatan, ekonomi dipengaruhi oleh kesehatan dan SDM, dan bantuan dipengaruhi oleh kesehatan, SDM dan ekonomi.
Goodness of Fit Index
Model Keterangan
Chi-square 692,004 Model tidak dapat diterima
P-value 0,000 Model cukup diterima
RMSEA 0,138 Model tidak dapat diterima
GFI 0,759 Model tidak dapat diterima
AGFI 0,676 Model tidak dapat diterima
CFI 0,702 Model tidak dapat diterima
Kesesuaian Model Persamaan Struktural
Persamaan struktural belum memenuhi kriteria kesesuaian model sehingga perlu dilakukan modifikasi untuk memperoleh model yang lebih baik. Sebelum dilakukan modifikasi terlebih dahulu dilihat nilai koefisien jalur untuk mengetahui parameter yang signifikan. Parameter yang tidak signifikan tidak akan diikutkan dalam modifikasi.
Estimasi Parameter Persamaan Struktural
Hubungan Koefisien Jalur P-value Keterangan
Y2.1 <--- Kesehatan -0,400 0,006 Signifikan Ekonomi <--- Kesehatan 0,265 0,042 Signifikan Ekonomi <--- Y2.1 0,142 0,078 Signifikan Bantuan <--- Ekonomi 0,097 0,195 Tidak Signifikan Bantuan <--- Y2.1 0,197 0,004 Signifikan Bantuan <--- Kesehatan 0,314 0,013 Signifikan X1.9 <--- Kesehatan 0,182 *** Signifikan X1.8 <--- Kesehatan 0,264 0,013 Signifikan X1.6 <--- Kesehatan -0,523 0,004 Signifikan X1.5 <--- Kesehatan 0,311 0,009 Signifikan X1.4 <--- Kesehatan -0,572 0,004 Signifikan X1.3 <--- Kesehatan -0,986 0,003 Signifikan X1.2 <--- Kesehatan 0,107 0,134 Tidak Signifikan X1.1 <--- Kesehatan -0,935 0,003 Signifikan Y1.8 <--- Ekonomi 0,305 *** Signifikan Y1.7 <--- Ekonomi 0,684 *** Signifikan Y1.6 <--- Ekonomi 0,812 *** Signifikan Y1.5 <--- Ekonomi 0,242 0,005 Signifikan Y1.4 <--- Ekonomi 0,273 0,002 Signifikan Y1.3 <--- Ekonomi 0,504 *** Signifikan Y3.1 <--- Bantuan 0,942 *** Signifikan Y3.2 <--- Bantuan -0,909 *** Signifikan
Berdasarkan Tabel diperoleh bahwa variabel laten kesehatan berpengaruh signifikan terhadap SDM, kesehatan berpengaruh signifikan terhadap ekonomi, SDM berpengaruh signifikan terhadap ekonomi, SDM berpengaruh signifikan ter-hadap bantuan, serta kesehatan berpengaruh signifikan terhadap bantuan. Sedangkan variabel laten ekonomi tidak berpengaruh signifikan terhadap bantuan. Hal ini berarti bahwa bantuan rumah tangga miskin di Kabupaten Jombang dipengaruhi oleh variabel laten SDM dan variabel laten kesehatan.Oleh karena itu pada modifikasi model struktural,hubungan ekonomi terhadap bantuan tidak diikutkan serta indikator X1.2 (rumah tangga yang luas kavling termasuk bangunan kurang dari 60 m2) juga tidak diikutkan dalam modifikasi model struktural.
Model Struktural Hasil Modifikasi dan Signifikan
Dari Gambar diperoleh nilai df sebesar 92 yang berarti model struktural hasil modifikasi telah berada dalam keadaan over identified sehingga diperlukan pengujian kesesuaian model (goodness of fit) untuk mengetahui kebaikan model struktural hasil modifikasi.
Kesesuaian Model Persamaan Struktural Hasil Modifikasi
Goodness of Fit Index Model Keterangan
Chi-square 414,040 Model cukup diterima P-value 0,000 Model cukup diterima RMSEA 0,115 Model cukup diterima GFI 0,846 Model cukup diterima AGFI 0,772 Model cukup diterima CFI 0,829 Model cukup diterima
Berdasarkan Tabel diketahui bahwa model struktural hasil modifikasi telah cukup memenuhi kriteria kesesuaian model. Sehingga selanjutnya dilakukan pengujian signifikansi parameter model struktural.
Estimasi Parameter Persamaan Struktural Hasil Modifikasi
Berdasarkan hasil estimasi parameter model struktural hasil modifikasi pada Tabel 4.11diperoleh model sebagai berikut. SDM = -0,383 Kesehatan Ekonomi = 0,202 Kesehatan + 0,143 SDM Bantuan = 0,325 Kesehatan + 0,200 SDM Dari model yang terbentuk dapat diketahui bahwa variabel laten SDM memiliki pengaruh negatif dan signifikan terhadap variabel laten kesehatan. Variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten ekonomi. Sedangkan untuk model bantuan, variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten bantuan rumah tangga miskin di Kabupaten Jombang.
Hubungan Koefisien Jalur P-value Keterangan
Y2.1 <--- Kesehatan -0,383 0,007 Signifikan Ekonomi <--- Kesehatan 0,202 0,072 Signifikan Bantuan <--- Y2.1 0,200 0,003 Signifikan Bantuan <--- Kesehatan 0,325 0,012 Signifikan Ekonomi <--- Y2.1 0,143 0,078 Signifikan
Skor Faktor Masing-masing Variabel Laten
Variabel Kesehatan Bantuan Ekonomi X1.1 0,006 0,005 0,001 X1.3 -0,036 -0,033 -0,003 X1.4 0,001 0,001 0 X1.5 0 0 0 X1.6 0 0 0 X1.8 -0,001 -0,001 0 X1.9 -0,001 -0,001 0 Y1.3 0 0 0,012 Y1.4 0 0 0,008 Y1.5 0 0 0,003 Y1.6 0 0 0,062 Y1.7 0 0 0,027 Y1.8 0 0 0,008 Y3.1 0 0,578 0 Y3.2 0 -0,362 0
Pemodelan Regresi Spasial untuk Persamaan Struktural
Matrik pembobot queen continguity adalah sebagai berikut.
266266000000000000010000000100010110110100010111000110100000110100111010
x
Sedangkan matrik bobot yang terstandardisasi adalah sebagai berikut.
266266000000000000020,00000000333,0000133,00143,0143,00143,0143,00143,000025,0025,025,025,0000167,0167,00167,000000333,0333,00333,00025,025,025,0025,00
x
Pengujian Efek Spasial
Efek Spasial Statistik Uji P-value Keterangan
Heterogenity Breusch-Pagan test 0,2402 Tidak Signifikan
Koenker-Bassett test 0,0792 Signifikan
Dependensi Moran's I (error) 0,3408 Tidak Signifikan
Lagrange Multiplier (lag) 0,1386 Tidak Signifikan
Lagrange Multiplier (error) 0,4506 Tidak Signifikan
Setelah dilakukan pengujian efek spasial, diketahui bahwa model bantuan rumah tangga miskin di Kabupaten Jombang memiliki efek spasial heterogenity sehingga pendekatan model yang digunakan adalah model regresi spasial GWR.
Pemodelan Regresi Bantuan Rumah Tangga Miskin
Pengujian Serentak Hasil analisis variansi ditunjukkan dalam tabel berikut.
Sumber Variasi Derajat Bebas
(DF) Jumlah Kuadrat
Rata-rata Kuadrat
F P-value
Regression 3 18438,5 6146,2 10,67 0,000
Residual 262 150848,9 575,8
Total 265 169287,4
Dengan menggunakan tingkat signifikansi (α = 0,10) maka dapat disimpulkan bahwa variabel prediktor secara serentak berpengaruh terhadap variabel respon. Koefisien determinasi (R2) yang diperoleh adalah sebesar 10,89% yang berarti bahwa model regresi mampu menjelaskan variasi bantuan rumah tangga miskin di Kabupaten Jombang sebesar 10,89%, sedangkan sisanya dijelaskan oleh variabel lain di luar model.
Pemodelan Regresi Bantuan Rumah Tangga Miskin
Pengujian Parsial Estimasi parameter ditunjukkan dalam tabel berikut.
Variabel Coefficient Std. Error T Hitung P-value
Constant -41,135 20,4102 -2,015 0,04488
Kesehatan 10,641 2,117 5,026 0,0000009
Ekonomi 1,232 0,917 1,344 0,18006 SDM 0,674 0,239 2,827 0,00506
Dari tabel tersebut diperoleh model regresi global sebagai berikut. Bantuan = -41,135 + 10,641 Kesehatan + 1,232 Ekonomi + 0,674 SDM
Model diatas menghasilkan kesimpulan bahwa variabel kesehatan dan SDM berpengaruh signifikan terhadap bantuan rumah tangga miskin, sedangkan variabel ekonomi tidak berpengaruh secara signifikan terhadap bantuan rumah tangga miskin.
Pemodelan Regresi Spasial GWR
Hasil pengujian kesesuaian model GWR ditunjukkan dalam tabel berikut.
Sumber Error Jumlah Kuadrat
Derajat Bebas (DF)
Rata-rata Kuadrat
F
Regresi 150848,917 262
Improvement 528,146 0,592 892,611
GWR 150320,771 261,408 575,042 1,552253
Berdasarkan tabel di atas diperoleh nilai statistik uji F sebesar 1,552 dan F0,1;261;1 = 0,367 (Fhitung > Fα;df1;df2) sehingga dapat disimpulkan bahwa model GWR berbeda signifikan dengan model regresi global sehingga model GWR lebih layak untuk menjelaskan bantuan rumah tangga miskin di Kabupaten Jombang.
Pemodelan Regresi Spasial GWR
Estimasi parameter secara parsial pada setiap lokasi pengamatan.
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Pemodelan Regresi Spasial GWR
Berdasarkan tabel di atas dapat diketahui nilai estimasi masing-masing variabel dari setiap Desa. Nilai t0,05;264 adalah sebesar 1,969 sehingga disimpulkan bahwa semua parameter yang signifikan pada setiap Desa adalah sama. Namun dari nilai estimasi tersebut dapat diketahui variabel mana yang paling berpengaruh terhadap bantuan rumah tangga miskin pada suatu Desa. Variabel kesehatan sebagai variabel yang paling berpengaruh terhadap bantuan rumah tangga miskin yaitu terjadi pada Desa Mundusewu, Catak Gayam, Wringinpitu, Kebon-dalem, Ngrimbi, Pakel, Jombok, Ngampungan, Karangan, dan Jenis Gelaran. Sedangkan bantuan rumah tangga miskin yang paling dipengaruhi oleh variabel SDM yaitu terjadi pada Desa Sambirejo, Wonosalam, Galengdowo, Wonomerto, Jarak, Ca-rangwulan, Karangan, Banjaragung, Nglebak, Pulosari, Ngrimbi, Panglungan, Pakel, Mojotengah, Sugihwaras, Kebondalem, Mun-dusewu, Ngampungan, Tebel, Wonokerto, Gajah, Mojowarno, Mojowangi, Wringinpitu, Bareng, Kedungplumpang, Kauman, Gedangan, Sidokerto, Sukomulyo, Catak Gayam, Jenisgelaran, Dukuh Mojo, dan Gambiran.
KESIMPULAN & SARAN
KESIMPULAN
1. Berdasarkan hasil confirmatory factor analysis (CFA) pada variabel laten kesehatan diketahui bahwa indikator X1.7 (rumah tangga yang tidak sanggup membayar biaya pengobatan di Puskesmas/ Poliklinik) dinyatakan tidak valid dalam menjelaskan variabel laten kesehatan, sedangkan indikator X1.1 (rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah) dan X1.3 (rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah) memberikan pengaruh yang paling besar terhadap variabel laten kesehatan. Confirmatory factor analysis (CFA) pada variabel laten ekonomi diketahui bahwa indikator Y1.1 (rumah tangga yang sumber penerangannya tidak menggunakan listrik) dan Y1.2 (menggunakan bahan bakar untuk memasak sehari-hari adalah kayu bakar/ arang/ minyak tanah) tidak valid dalam menjelaskan variabel laten ekonomi, sedangkan indikator Y1.6 (rumah tangga yang tidak sanggup membeli satu set pakaian baru dalam setahun) dan Y1.7 (rumah tangga yang hanya sanggup makan sebanyak satu/dua kali dalam sehari) memberikan pengaruh yang paling besar terhadap variabel laten ekonomi.
KESIMPULAN
2. Pemodelan structural equation modeling (SEM) diperoleh bahwa variabel laten ekonomi tidak berpengaruh signifikan terhadap bantuan rumah tangga miskin di Kabupaten Jombang. Dari model yang terbentuk dapat diketahui bahwa variabel laten SDM memiliki pengaruh negatif dan signifikan terhadap variabel laten kesehatan. Variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten ekonomi. Sedangkan untuk model bantuan, variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten bantuan rumah tangga miskin di Kabupaten Jombang.
3. Model bantuan rumah tangga miskin di Kabupaten Jombang memiliki efek spasial heterogenity sehingga pendekatan model yang digunakan adalah model regresi spasial GWR. Hasil estimasi parameter regresi spasial GWR disimpulkan bahwa semua parameter yang signifikan pada setiap Desa adalah sama yakni variabel kesehatan dan SDM.
SARAN
Saran yang dapat diberikan untuk penelitian selanjutnya adalah pada variabel laten yang digunakan untuk pemodelan SEM sebaiknya menambahkan indikator-indikator yang lebih merepresentasikan variabel laten. Sedangkan untuk model regresi spasial sebaiknya menggunakan pembobot yang lebih variatif seperti continguity dipadukan bobot customized agar dapat mengakomodasi Desa-desa yang tidak memiliki daerah persinggungan. Untuk penelitian SEM spasial lebih lanjut bisa dikembangkan dengan pendekatan Spatial Error Model (SEM), SAR, atau SARMA.
DAFTAR PUSTAKA
DAFTAR PUSTAKA
• Anselin, L. (1988). Spatial Econometrics : Methods and Models. Dordrectht, The Netherlands: Kluwer Academic Publishers.
• Anuraga, G. (2014). Spasial Structural Equation Modeling - Partial Least Square untuk Pemodelan Kemiskinan di Jawa Timur. Surabaya: Institut Teknologi Sepuluh Nopember .
• Bollen, K. A. (1989). Structural Equation Modeling With Latent Variables. United States of America: John Wiley & Sons, Inc.
• BPS. (2008). Penguatan Peran Pemerintah Daerah dalam Percepatan Pengentasan Kemiskinan. Dipetik 26 Pebruari, 2014, dari http:// www.setneg.go.id/
• BPS. (2009). Penyempurnaan Metodologi Perhitungan Penduduk Miskin dan Profil Kemiskinan. Dipetik 25 Pebruari, 2014, dari Badan Pusat Satatistik: http://www.bps.go.id/
• BPS. (2008). Program Penanggulangan Kemiskinan di Indonesia. Dipetik 8 Maret, 2014, dari www.tnp2k.go.id: http://www.tnp2k.go.id/id/ program/sekilas/
• BPS. (2013). Jumlah dan Persentase Penduduk Miskin Menurut Propinsi September 2012 - Maret 2013. Dipetik 23 Maret, 2014, dari Badan Pusat Statistik: http://www.bps.go.id/brs_file/kemiskinan_01jul13.pdf
• Engel, K. S., Moosbrugger, H., dan Muller, H. 2003. Evaluating the Fit of Structural Equation Models:Test of Significance and Descriptive Goodness-of-Fit Measures. Methods of Psychological Research Online, 8(2), 23-74.
• Ferdinand, A. (2002). Structural Equation Modeling dalam Penelitian Manajemen (2nd Edition ed.). Semarang: BP UNDIP.
DAFTAR PUSTAKA
Fitriani, A. (2013). Pengembangan Indikator dan Penentuan Rumah Tangga Miskin di Propinsi Jawa Timur Menggunakan Spatial Structural Equation Modeling. Surabaya: Institut Teknologi Sepuluh Nopember.
Fotheringham, A.S., Brunsdon, C. dan Charlton, M., (2002), Geographically Weighted Regression, John Wiley & Sons, LTD, England.
Ghozali, I., dan Fuad, I. 2005. Structural Equation Modeling: Teori, Konsep, dan Aplikasi Dengan Program Lisrel 8.54 (1st Edition). Semarang: Universitas Diponegoro.
Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate Data Analysis. New Jersey: Prentice-Hall, Inc.
Hulland, J., Chow, Y.H., dan Lam, S., 1996, “Use of Causal Models in MarketingResearch: A Review”, International Journal of Research in Marketing, 13, 181-197.
Jihan, S. (2010). Pemodelan Persamaan Struktural pada Derajat Kesehatan dengan Moderasi Infrastruktur (Studi kasus di Propinsi Jawa Timur, SUSENAS 2007). Surabaya: Institut Teknologi Sepuluh Nopember.
Johnson, R.A., dan Wichern, D.W. 1998. Applied Multivariat Statistical Analysis. Prentice Hall, Englewood Cliffs: New Jersey.
Kemiskinan. (2014). Dipetik 10 Pebruari, 2014, dari Wikipedia Ensiklopedia Bebas: http://id.wikipedia.org/wiki/Kemiskinan
LeSage, J. (1999). The Theory and Practice of Spatial Econometrics . Department of Economics University of Toledo.
DAFTAR PUSTAKA
Ningrum, R. P. (2013). Structural Equation Modeling untuk Mengetahui Keterkaitan Faktor-Faktor yang Mempengaruhi Kemiskinan di Kabupaten Jombang. Surabaya: Institut Teknologi Sepuluh Nopember.
Pamungkas, Z. (2012). Revitalisasi Sektor Pertanian untuk Menanggulangi Masalah Kemiskinan di Kabupaten Jombang. Jombang: Fakultas Teknik Unipdu Jombang.
Prihandini, T. I. (2011). Structural Equation Modeling (SEM) dengan Model Struktural Regresi Spasial. Surabaya: Institut Teknologi Sepuluh Nopember.
Schumacker, R. E., & Lomax, R. G. (2004). A Beginner's Guide to Structural Equation Modeling. New York: Routledge Taylor and Francis Group.
Sharma, S. 1996. Applied Multivariat Techniques (1st edition ed.). USA: John Willey & Sons,Inc. Widarjono, A. 2010. Analisis Multivariat Terapan. Yogyakarta: Unit Penerbit dan Percetakan STIM YKPN.
PEMODELAN SPATIAL STRUCTURAL EQUATION
MODELING PADA RUMAH TANGGA MISKIN DI
KABUPATEN JOMBANG
Mastari Rizki Fadillah |1312105031
Dosen Pembimbing :
Dr. Bambang Widjanarko Otok, M.Si
Seminar Hasil Tugas Akhir | Kamis, 24 Juli 2014 | Jurusan Statistika FMIPA ITS