Seminar Nasional II Pendidik dan Pengembang Pendidikan...
Transcript of Seminar Nasional II Pendidik dan Pengembang Pendidikan...
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 1
MODEL REGRESI KUANTIL INDEKS PEMBANGUNAN MANUSIA DI INDONESIA
Amyad1, Mustika Hadijati
2 , dan Nurul Fitriyani
3
1,2,3Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Mataram
2mustika.hadijati @unram.ac.id 3nurulfitriyani @unram.ac.id
Abstrak
Pembangunan manusia sangat erat kaitannya dengan pertumbuhan ekonomi. Indeks
Pembangunan Manusia (IPM) merupakan salah satu indikator untuk mengukur keberhasilan
pembangunan suatu negara. IPM di Indonesia tergolong lebih rendah apabila dibandingkan dengan
negara-negara lain di dunia. Agar dapat memperkirakan nilai IPM di Indonesia maka perlu dibuat
model IPM di Indonesia berdasarkan variabel-variabel yang mempengaruhinya. Pemodelan IPM
dalam penelitian ini dilakukan dengan menggunakan regresi kuantil. Regresi kuantil adalah metode
yang dikembangkan dari metode regresi untuk memodelkan data dengan sebaran heterogen. Estimasi
parameter regresi kuantil merupakan pengembangan dari metode Least Absolute Deviation (LAD),
yaitu meminimumkan jumlah absolut error. Hasil analisis menunjukkan bahwa model IPM terbaik
adalah model kuantil 0,10 10,0Y , dengan nilai koefisien determinasi sebesar 97,20 % dan nilai
Mean Absolute Percentage Error (MAPE) sebesar 3,32%. Hal ini berarti bahwa semua variabel yang
digunakan memiliki pengaruh terhadap nilai IPM sebesar 97,20% dan model yang diperoleh sangat
baik dalam memprediksi data IPM.
Kata Kunci: IPM, regresi kuantil, Least Absolute Deviation, koefisien determinasi, Mean Absolute
Percentage Error.
PENDAHULUAN
Indeks Pembangunan Manusia (IPM) merupakan indikator untuk mengukur keberhasilan dalam
upaya membangun kualitas hidup manusia (masyarakat/ penduduk). IPM menjelaskan bagaimana
penduduk dapat mengakses hasil pembangunan dalam memperoleh pendapatan, kesehatan,
pendidikan, dan sebagainya. IPM dibentuk oleh tiga dimensi dasar, yaitu umur panjang dan hidup
sehat, pengetahuan, dan standar hidup layak. Umur panjang dan hidup sehat digambarkan oleh Angka
Harapan Hidup (AHH) saat lahir. Pengetahuan diukur melalui indikator rata-rata lama sekolah dan
harapan lama sekolah. Standar hidup yang layak digambarkan oleh pengeluaran per kapita
disesuaikan, yang ditentukan dari nilai pengeluaran per kapita dan paritas daya beli (BPS, 2016).
Menurut data Badan Pusat Statistik (BPS) tahun 2016, IPM Indonesia berada pada level
“sedang”, yaitu mencapai angka 70,18 dan menempati urutan ke-113 dari 188 negara di dunia. Untuk
negara kawasan Asia Tenggara, peringkat tersebut masih jauh berada di bawah negara tetangga yakni
Malaysia dan Singapura. Adapun untuk IPM daerah di dalam negeri, setiap provinsi di Indonesia
berada pada kategori yang berbeda-beda, ada yang berada pada kategori tinggi, sedang, bahkan ada
yang masuk level rendah (BPS, 2016). Oleh karena itu, perlu untuk dilakukan penelitian mengenai
IPM di Indonesia, terutama variabel-variabel yang mempengaruhinya secara statistik.
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 2
Salah satu analisis statistika yang dapat digunakan adalah analisis regresi. Analisis regresi
merupakan suatu model matematis yang dapat digunakan untuk mengetahui pola hubungan antara dua
atau lebih variabel. Dalam regresi linear terdapat beberapa metode estimasi atau pendugaan parameter
antara lain metode Ordinary Least Square (OLS) dan metode Least Absolute Deviation (LAD),
dengan meminimumkan jumlah absolut error. Prinsip dari metode OLS adalah meminimumkan
jumlah kuadrat error, sedangkan metode LAD menggunakan prinsip meminimumkan jumlah absolut
error. Metode OLS paling banyak digunakan dalam analisis regresi, namun metode OLS sangat
rentan i adanya pencilan. Pencilan dapat menyebabkan hasil estimasi parameter menjadi tidak stabil.
Selain itu, analisis regresi dengan metode OLS didasarkan pada fungsi distribusi mean. Nilai mean
menunjukkan ukuran pemusatan dari suatu distribusi sehingga hanya sedikit informasi yang diketahui
dari keseluruhan distribusi. Oleh sebab itu, pendekatan dengan metode ini hanya mampu menduga
model dari fungsi distribusi mean dan tidak mewakili keseluruhan data dari distribusi (Buhai, 2005).
Pendekatan mean menjadi kurang tepat digunakan sebagai penduga bagi nilai tengah data, untuk itu
metode LAD dapat dijadikan sebagai alternatif. Namun metode LAD hanya mampu menduga model
dari fungsi bersyarat median. Meskipun rataan dan median adalah dua ukuran pemusatan yang penting
dari suatu sebaran, kedua metode ini tidak dapat menjelaskan tentang perilaku sebaran bersyarat pada
ekor suatu sebaran. Kelemahan dari metode OLS, yaitu peka terhadap penyimpangan asumsi data,
sedangkan metode LAD, yaitu pendekatannya hanya berpusat pada dua kelompok data (Furno, 2007).
Di samping itu, pada kasus penelitian tentang variabel-variabel yang mempengaruhi IPM, regresi
linear tidak dapat mendeteksi kondisi ekstrim. Oleh karena itu, untuk mengatasi keterbatasan tersebut
digunakan pendekatan dengan regresi kuantil (Koenker, 2005).
Regresi kuantil merupakan salah satu metode regresi yang berguna dalam estimasi parameter.
Metode ini tidak mudah terpengaruh oleh adanya pencilan, sehingga tidak mengganggu kestabilan
data yang diperoleh. Metode ini melakukan pendekatan dengan cara memisahkan atau membagi data
menjadi kuantil-kuantil tertentu yang dicurigai menghasilkan nilai dugaan yang berbeda (Furno,
2007). Dugaan parameter yang digunakan dalam regresi kuantil sama dengan metode LAD, yaitu
meminimumkan jumlah absolute error (Hao dan Naiman, 2007). Kelebihan dari regresi kuantil salah
satunya adalah dapat meminimumkan pengaruh dari pencilan dan memiliki fleksibilitas dalam
memodelkan data dengan syarat memiliki sebaran yang heterogen (Furno, 2007).
Regresi kuantil pertama kali diperkenalkan oleh Koenker dan Basset pada tahun 1978. Metode
ini merupakan perluasan dari model regresi pada kuantil bersyarat dimana distribusi kuantil bersyarat
dari variabel dependent yang dinyatakan sebagai fungsi dari kovariat yang diamati. Dengan
pendekatan ini, dapat memungkinkan menduga fungsi kuantil dari sebaran bersyarat variabel
dependent pada setiap nilai kuantil sesuai dengan kuantil yang diinginkan (Chen, 2005). Karena
sifatnya yang robust terhadap data pencilan maka regresi kuantil sangat dianjurkan untuk menganalisis
sejumlah data yang tidak simestris serta memiliki distribusi yang heterogen dan tidak simetris, terdapat
ekor pada sebaran. pendugaan parameter dalam regresi kuantil tidak dapat diperoleh secara analitik
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 3
akan tetapi menggunakan algoritma berdasarkan pemrograman linear. Metode pendugaan parameter
secara iterasi dengan pemrograman linear antara lain metode simplex, interior point dan smoothing
(Hao dan Naiman, 2007). Metode simpleks (simplex) memberikan hasil estimasi yang konsisten pada
data yang berukuran tidak terlalu besar (moderate sample) (Hao dan Naiman, 1993) . Melakukan
simulasi dengan algoritma interior-point dan smoothing dengan sampel data berukuran besar yaitu
510n dan hasilnya menunjukkan estimasi yang konsisten (Portnoy, 2003) .Pendugaan interval pada
regresi kuantil dapat dilakukan dengan beberapa metode, yaitu dengan pendekatan direct, rankscore,
dan resampling (Koenker, 2005).
Analisis awal mengenai IPM di Indonesia menunjukkan adanya pencilan pada data IPM, dengan
disertai data variabel-variabel yang mempengaruhi IPM yang menyebar secara heterogen. Oleh karena
itu, berdasarkan uraian di atas maka dalam penelitian ini dilakukan pemodelan data IPM di Indonesia
menggunakan metode regresi kuantil dan menentukan nilai prediksi IPM berdasarkan model regresi
kuantil yang diperoleh.
METODE PENELITIAN
Data yang digunakan pada penelitian ini adalah data sekunder berupa publikasi “Data Indeks
Pembangunan Manusia (IPM) di Indonesia Tahun 2016” yang merupakan hasil olah data Survei Sosial
Ekonomi Nasional (SUSENAS) yang diselenggarakan oleh Badan Pusat Statistik (BPS). Unit
observasi dalam penelitian ini adalah variabel-variabel yang mempengaruhi IPM seluruh Provinsi di
Indonesia Tahun 2016 berjumlah 34 data. Selanjutnya digunakan sebagai unit analisis dalam regresi
kuantil untuk mengetahui variabel-variabel yang mempengaruhi IPM di Indonesia Tahun 2016.
Mengacu pada dasar-dasar analisis dan identifikasi IPM BPS maka variabel-variabel yang digunakan
dalam penelitian ini adalah data IPM )(Y sebagai variabel dependent sedangkan untuk variabel
independent terdiri dari persentase kemiskinan 1X , persentase penduduk yang berpendidikan di atas
SLTP 2X , rasio ketergantungan penduduk 3X , peranan sektor industri atau lapangan usaha
dalam PDRB 4X , persentase penduduk yang mengalami keluhan kesehatan 5X , dan rata-rata
umur kawin pertama wanita diperoleh dari Badan Pusat Statistik (BPS) dengan alamat website
www.bps.go.id dan buku Profil Kesehatan Indonesia 2016 yang diterbitkan oleh Kementerian
Kesehatan Republik Indonesia.
Secara singkat, langkah-langkah yang dilakukan pada penelitian ini dapat dibagi menjadi
beberapa tahap. Berikut tahapan-tahan pada penelitian:
1. Menghimpun data Indeks Pembanunan Manusia (IPM) di Indonesia pada tahun 2016 serta
variabel-variabel yang mempengaruhinya.
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 4
2. Memodelkan IPM indonesia Menggunakan Regresi Kuantil, yaitu pada nilai 0,10; 0,20; 0,30;
0,40; 0,50; 0,60; 0,70; 0,80; dan 0,90. Adapun langkah-langkah dalam memodelkan IPM
menggunakan regresi kuantil, yaitu:
a. Menentukan model umum regresi kuantil dengan persaamaan sebagai berikut.
niXXY ipipii ,,2,1dengan )()()()( 110
b. Estimasi parameter regresi kuantil
Dilakukan dengan meminimumkan jumlah absolut error dimana pada prosesnya merupakan
proses optimasi menggunakan algoritma simpleks. Adapun fungsi tujuan dan kendala yang
digunakan pada algoritma simpleks ini adalah sebagai berikut.
Bentuk primal:
Fungsi tujuan: ψdT
ψmin dengan kendala 0, yBψ .
Bentuk dual:
Fungsi tujuan: zyT
dmax dengan kendala dzB
T .
Secara sederhana masalah diatas dapat dirumuskan seperti pada persamaan berikut.
},1,0,maxn
zzτ1 1XzX|z{y
TTT
c. Mendapatkan estimator untuk masing-masing kuantil.
3. Membentuk selang kepercayaan pada regresi kuantil dengan menggunakan metode direct fungsi
sparsity dengan persamaan sebagai berikut.
1ˆˆˆˆ2
12
1 jjjjj seZseZP dimana fungsi sparsity
dinotasikan sebagai berikut.
11 FfS
4. Menguji Asumsi Model Regresi Kuantil, yaitu menguji parameter, dan asumsi residual.
5. Melakukan pemilihan model terbaik dengan menggunakan nilai koefisien determinasi 2R .
dan menentukan nilai ketepatan prediksi yang dihitung menggunakan rumus MAPE.
6. Membuat Hasil dan Pembahasan
7. Membuat Kesimpulan dan Saran
HASIL DAN PEMBAHASAN
1. Hasil Penelitian
Untuk mengetahui kesesuaian pendekatan regresi yang digunakan, maka dibuat plot antara plot
antara IPM sebagai variabel dependent dengan masing-masing variabel independent. Hasilnya dapat
dilihat pada Gambar 1. Selain itu, dibuat juga box plot IPM di Indonesia Tahun 2016 yang hasilnya
tampak pada gambar 2.
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 5
Gambar 1 Scatter Plot Antara Masing-masing 1X Sampai 6X
Dengan Y
Gambar 2 Box Plot variabel IPM Y
Selanjutnya, dengan menggunakan regresi kuantil diperoleh hasil estimasi parameter model
Indeks Pembangunan Manusia (IPM) di Indonesia Tahun 2016 seperti pada Tabel 1.
Tabel 1 Hasil Estimasi Parameter Regresi Kuantil
Kuantil τ
Estimator Nilai ValueP Keputusan Keterangan τR
2
(%)
0 -25,2110
0,6101 Terima 0H Tidak Signifikan
1 -0,2930
0,0001 Tolak 0H Signifikan
2 1,0077
0,0574 Terima 0H Tidak Signifikan
0,10 3 -0,2384
0,0006 Tolak 0H Signifikan 97,20
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 6
Kuantil τ
Estimator Nilai ValueP Keputusan Keterangan τR
2
(%)
4 0,2503
0,2590 Terima 0H Tidak Signifikan
5 0,0428 0,6243 Terima 0H Tidak Signifikan
6 0,3343 0,00002 Tolak 0H Signifikan
0 -72,6878 0,2139 Terima 0H Tidak Signifikan
1 -0,2873 0,0005 Tolak 0H Signifikan
2 1,5551 0,0142 Tolak 0H Signifikan
0,20 3 -0,2289 0,0034 Tolak 0H Signifikan 74,88
4 0,1521 0,5536 Terima 0H Tidak Signifikan
5 -0,1221 0,2371 Tolak 0H Tidak Signifikan
6 0,2623 0,0017 Tolak 0H Signifikan
0 -49,7081 0,5258 Terima 0H Tidak Signifikan
1 -0,3427 0,0018 Tolak 0H Signifikan
2 1,3226 0,1113 Terima 0H Tidak Signifikan
0,30 3 -0,2307 0,0239 Tolak 0H Signifikan 79,59
4 0,1200 0,7295 Terima 0H Tidak Signifikan
5 -0,0972 0,4835 Terima 0H Tidak Signifikan
6 0,2935 0,0076 Tolak 0H Signifikan
0 -24,6421 0,7650 Terima 0H Tidak
Signifikan
1 -0,2884 0,0100 Tolak 0H Signifikan
2 1,1111 0,2011 Terima 0H Tidak
Signifikan
0,40 3 -0,3187 0,0041 Tolak 0H Signifikan 89,01
4 -0,2916 0,4283 Terima 0H Tidak
Signifikan
5 -0,0155 0,9154 Terima 0H Tidak
Signifikan
6 0,3075 0,0080 Tolak 0H Signifikan
0 5,7473 0,9150 Terima 0H Tidak
Signifikan
1 -0,2160 0,0037 Tolak 0H Signifikan
2 0,7865 0,1672 Terima 0H Tidak
Signifikan
0,50 3 -0,3176 0,0001 Tolak 0H Signifikan 68,18
4 -0,2536 0,2938 Terima 0H Tidak
Signifikan
5 -0,0183 0,8468 Terima 0H Tidak
Signifikan
6 0,3798 0,00001 Tolak 0H Signifikan
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 7
Kuantil τ
Estimator Nilai ValueP Keputusan Keterangan τR
2
(%)
0 37,9529 0,4897 Terima 0H Tidak
Signifikan
1 -0,1318 0,0672 Terima 0H Tidak
Signifikan
2 0,4770 0,4042 Terima 0H Tidak
Signifikan
0,60 3 -0,4026 0,0000 Tolak 0H Signifikan 74,75
4 -0,3125 0,2052 Terima 0H Tidak
Signifikan
5 0,0322 0,7393 Terima 0H Tidak
Signifikan
6 0,4533 0,0000 Tolak 0H Signifikan
0 33,9521 0,5393 Terima 0H Tidak signifikan
1 -0,1149 0,1106 Terima 0H Tidak signifikan
2 0,5269 0,3612 Terima 0H Tidak signifikan
0,70 3 -0,4161 0,0000 Tolak 0H Signifikan 75,95
4 -0,3394 0,1730 Terima 0H Tidak signifikan
5 0,0284 0,7710 Terima 0H Tidak signifikan
6 0,4477 0,0000 Tolak 0H Signifikan
0 80,3228 0,3073 Terima 0H Tidak
Signifikan
1 -0,1691 0,0973 Terima 0H Tidak
Signifikan
2 -0,0369 0,9636 Terima 0H Tidak
Signifikan
0,80 3 -0,2737 0,0084 Tolak 0H Signifikan 94,92
4 -0,5053 0,1521 Terima 0H Tidak
Signifikan
5 0,2405 0,0894 Terima 0H Tidak
Signifikan
6 0,3748 0,0010 Tolak 0H Signifikan
0 67,3221 0,1856 Terima 0H Tidak
Signifikan
1 -0,1703 0,0120 Tolak 0H Signifikan
2 0,0290 0,9555 Terima 0H Tidak signifikan
0,90 3 -0,1871 0,0053 Tolak 0H Signifikan 94,92
4 -0,5803 0,0137 Tolak 0H Signifikan
5 0,3190 0,0011 Tolak 0H Signifikan
6 0,4185 0,0000 Tolak 0H Signifikan
Setelah dilakukan estimasi titik untuk masing-masing estimator, selanjutnya dilakukan estimasi selang
kepercaan bagi 𝜷𝒊 dengan menggunakan metode direct fungsi sparsity, hasilnya tampak pada Gambar
3.
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 8
Gambar 3 Hasil Selang Kepercayaan Regresi Kuantil Untuk Estimator i Kemudian dilanjutkan dengan pengujian asumsi residual untuk setiap model dengan ringkasan
hasilnya terlihat pada Tabel 2.
Tabel 2 Ringkasan Hasil Pengujian Asumsi Residual
Model Pengujian Asumsi
Identik
Pengujian Asumsi
Indepedensi
Pengujian
Asumsi
Kenormalan
Model 1 10,0Y Terpenuhi Terpenuhi Terpenuhi
-5000
500
1 2 3 4 5 6 7 8 9
Estimator β0
Batas Bawah
β0
Batas Atas
-1
0
1
1 2 3 4 5 6 7 8 9
Estimator β1
Batas Bawah
β1
Batas Atas
-10
0
10
1 2 3 4 5 6 7 8 9
Estimator β2
Batas Bawah
β2
Batas Atas
-1
0
1 2 3 4 5 6 7 8 9
Estimator β3
Batas Bawah
β3
Batas Atas
-2
0
2
1 2 3 4 5 6 7 8 9
Estimator β4
Batas Bawah
β4
Batas Atas
-101
1 2 3 4 5 6 7 8 9
Estimator β5
Batas Bawah
β5
Batas Atas
01
1 2 3 4 5 6 7 8 9
Estimator β6
Batas Bawah
β6
Batas Atas
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat 9
Model 2 20,0Y Terpenuhi Terpenuhi Terpenuhi
Model 3 30,0Y Terpenuhi Terpenuhi Terpenuhi
Model 4 40,0Y Terpenuhi Terpenuhi Terpenuhi
Model 5 50,0Y Terpenuhi Tidak Terpenuhi Terpenuhi
Model 6 60,0Y Terpenuhi Tidak Terpenuhi Terpenuhi
Model 7 70,0Y Terpenuhi Tidak Terpenuhi Terpenuhi
Model 8 80,0Y Terpenuhi Tidak Terpenuhi Terpenuhi
Model 9 90,0Y Terpenuhi Tidak Terpenuhi Terpenuhi
Setelah dilakukan pemilihan model terbaik, model yang terpilih digunakan untuk memprediksi
data IPM tahun 2017 dan hasilnya nampak pada Gambar 4.
Gambar 1.4 Plot Data IPM Aktual dan Data IPM Hasil Prediksi
Perhitungan untuk mencari nilai ketepatan prediksi , dengan menggunakan MAPE diperoleh
nilai sebesar 3,3242% dengan perhitungan sebagai berikut.
%3242,3
%10034
1302,1
%10034
05,5805,5805,58
707136,6770
707165,6470
%100
ˆ
1
1
n
i
n
i i
ii
n
yyy
MAPE
2. Pembahasan
Pada penelitian ini diuraikan pembahasan pemodelan Indeks Pembangunan Manusia (IPM) di
Indonesia dengan menggunakan regresi kuantil. Beberapa tahapan yang disajikan dalam penelitian ini
diantaranya adalah analisis deskriptif dan variabel-variabel dari Indeks Pembangunan Manusia (IPM),
pendugaan parameter dan interval prediksi dengan regresi regresi kuantil, melakukan pemeriksaan
terhadap pencilan atau outlier, pemeriksaan asumsi residual, kebaikan model, dan ketepatan prediksi.
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat
10
Tahap awal dalam penelitian ini adalah melakukan analisis statistika secara deskriptif
dengan membuat scater plot antara variabel dependen (IPM) dengan masing-masing variabel
independen. Hal ini dilakukan untuk mengetahui pola sebaran datanya. Berdasarkan Gambar
1 dapat dilihat bahwa pola sebarannya tidak dapat didekati dengan garis lurus artinya hubungan
antara keenam variabel independent X dengan variabel dependent Y tidak linear terlihat
adanya pencilan data IPM berdasarkan masing-masing variabel yang mempengaruhinya
sehingga tepat bila model regresi didekati dengan regresi kuantil.
Selain itu berdasarkan boxplot data IPM pada Gambar 2 nampak pula adanya beberapa nilai
pencilan, yaitu pada provinsi DKI Jakarta, Di Yogyakarta, Papua Barat, dan Papua dimana hal ini
mendukung digunakannya regresi kuantil.
Selanjutnya dilakukan pemodelan IPM dengan regresi kuantil dengan melakukan estimasi
parameter regresi kuantil pada kuantil-kuantil = 0,10; 0,20; 0,30; 0,40; 0,50; 0,60; 0,70; 0,80; 0,90.
Hasil estimasi yang ditunjukkan pada Tabel 1, memberikan model analisis regresi kuantil untuk
masing-masing kuantil sebagai berikut.
65432110,0 3343,00428,02503,02384,00077,12930,0-25,2110.1 XXXXXXY
65432120,0 2623,01221,01521,02289,05551,12873,0-72,6878.2 XXXXXXY
65432130,0 3075,00972,01200,02307,03226,13427,07081,49.3 XXXXXXY
65432140,0 3075,00155,02916,03187,01111,12884,0-24,6421.4 XXXXXXY
65432150,0 3798,00183,02536,03176,07865,02160,05,7473.5 XXXXXXY
65432160,0 4533,00322,03125,04026,04770,01318,037,9529.6 XXXXXXY
65432170,0 4477,00284,03394,04161,05269,01149,033,9521.7 XXXXXXY
65432180,0 3748,02405,05053,02737,00369,01691,080,3228.8 XXXXXXY
65432190,0 4185,03190,05803,01871,00290,01703,067,3221.9 XXXXXXY
Setelah melakukan estimasi dan mendapatkan model pada setiap kuantil dengan menggunakan
regresi kuantil selanjutnya ditentukan selang kepercayaan masing-masing penduga parameter untuk
setiap model. Selang kepercayaan yang diperoleh terlihat pada Gambar 3. Berdasarkan Gambar 3,
selang kepercayaan yang terbentuk pada estimator 0 memiliki selisih yang berbeda di setiap kuantil.
Pada kuantil 10,0 terbentuk selang dengan selisih paling kecil. Hal ini berarti bahwa terdapat
variasi yang kecil bagi penduga 0 keadaan tinggi, sehingga hasil pendugaan 0 yang tinggi
merupakan penduga yang baik. Pada kuantil 40,0 terbentuk selang dengan selisih lebih besar
dibanding dengan selang lainnya pada penduga bagi 0 . Selang dengan selisih yang besar yakni
selang yang lebar ini menunjukkan semakin kurang baik penduga bagi 0 yang sangat tinggi dimana
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat
11
penduga 0 keadaan tinggi memiliki variasi yang besar. Analog untuk estimator 1 sampai estimator
6 ..
Langkah selanjutnya yakni pengujian parameter regresi dengan cara menguji variabel
independent secara parsial .Hasilnya ditampilkan pada Tabel 1.Berdasarkan hasil Tabel 1 tersebut,
diperoleh hasil uji parsial masing-masing model untuk analisis regresi kuantil, parameter yang
signifikan tersebut menunjukkan bahwa variabel indepedent yang digunakan berpengaruh terhadap
variabel dependent yang diteliti. Sementara itu, parameter yang tidak berpengaruh signifikan tidak
dapat dikeluarkan secara langsung dari variabel, karena akan berpengaruh terhadap proses lainnya.
Oleh karena itu, dalam penelitian ini semua parameter digunakan di dalam model. Variabel
independent yang berpengaruh dapat ditentukan berdasarkan parameter yang signifikan. Apabila
terdapat paling tidak satu parameter yang signifikan untuk setiap variabel independent, maka variabel
independent tersebut dikatakan berpengaruh terhadap variabel dependent (Sari dan Budiantara, 2012).
Oleh karena itu, model tersebut dapat dianalisis lebih lanjut dan dapat dijadikan model regresi kuantil.
Selain pengujian parameter regresi kuantil, dilakukan pula pengujian asumsi residual yang
nantinya dijadikan dasar untuk menentukan model yang terbaikk. Berdasarkan ringkasan hasil
pengujian asumsi residual pada Tabel 2, dapat diketahui bahwa model 1 10,0Y sampai model 4
40,0Y memenuhi semua asumsi residual, sedangkan pada model 5 50,0Y
sampai 9 90,0Y ada
asumsi residual yang tidak terpenuhi.
Berdasarkan regresi kuantil dihasilkan 9 model karena pada setiap kuantil yang digunakan akan
terdapat satu model tertentu. Oleh karena itu perlu dilakukan pemilihan model terbaik, dimana model
yang terbaik dipilih berdasarkan nilai koefisien determinasi, 2R. Koefisien determinasi
menunjukkan seberapa besar keragaman data variable dependent dijelaskan oleh model yang
diperoleh. Semakin besar koefisien determinasi berarti semakin besar keragaman data IPM yang
dijelaskan oleh model sehingga model yang mempunyai koefisien determinasi terbesar adalah moel
yang terbaik. Selain itu ditinjau pula dari terpenuhi atau tidaknya asumsi regresi.
Berdasarkan Tabel 2 diketahui bahwa diketahui bahwa model 1 sampai dengan 4 memenuhi
semua asumsi regresi, sehingga model terbaik dipilih di antara model-model tersebut. Berdasarkan
Tabel 1 diketahui bahwa di antara model 1 sampai dengan model 4 yang memiliki nilai 2R )
terbesar adalah model 1 yaitu model pada kuantil 0,1 10,0 , yaitu sebesar 97,20%. Ini
menunjukkan bahwa model pada kuantil 0,1 menjelaskan keragaman IPM sebesar 97,20% yang
mendekati 100%, berarti model ini adalah model yang terbaik. Sehingga model dari regresi kuantil
yang didapat adalah sebagai berikut.
65432110,0 3343,00428,02503,02384,00077,12930,025,2110 XXXXXXY
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat
12
Berdasarkan model analisis regresi kuantil pada model 1 dengan menggunakan 10,0 ,
dapat diinterpretasikan sebagai berikut.
Apabila nilai dari semua variabel X konstan maka nilai IPM adalah negatif 25,2110.
Sebaliknya, dengan kenaikan satu persen persentase kemiskinan 1X dan konstan untuk variabel
lainnya maka akan mengurangi IPM sekitar 0,2930. Kenaikan satu persen persentase penduduk yang
berpendidikan di atas SLTP 2X dan konstan untuk variabel lainnya maka akan meningkatkan IPM
sekitar 1,0077. Kenaikan satu persen rasio ketergantungan penduduk 3X
dan konstan untuk
variabel lainnya maka akan mengurangi IPM sekitar 0,2384. Kenaikan satu persen persentase peranan
sektor industri atau lapangan usaha dalam PDRB 4X dan konstan untuk variabel lainnya maka akan
meningkatkan IPM sekitar 0,2503. Kenaikan satu persen persentase penduduk yang mengalami
keluhan kesehatan 5X dan konstan untuk variabel lainnya maka akan meningkatkan IPM sekitar
0,0428. Kenaikan satu persen rata-rata umur kawin pertama wanita 6X dan konstan untuk variabel
lainnya maka akan meningkatkan IPM sekitar 0,3343.
Dari model yang diperoleh, dapat digunakan untuk memprediksi data IPM pada tahun
berikutnya. Berikut ini merupakan hasil prediksi untuk data IPM pada tahun 2017 yang ditampilkan
pada Gambar 4. Gambar 4 menunjukkan bahwa terdapat perbedaan antara nilai data IPM 2017 aktual
dengan hasil prediksi berdasarkan model regresi kuantil yang diperoleh, dimana nilai prediksi lebih
besar dari nilai data aktualnya. Namun pola yang ditunjukkan oleh kedua kelompok data relatif sama.
Untuk mengetahui apakah kesalahan prediksi tersebut masih bisa diterima, maka ditentukan
nilai ketepatan prediksinya berdasarkan nilai MAPE dimana diperoleh nilai MAPE sebesar 3,3242%
yang menunjukkan besar persentase kesalahannya sangat rendah atau ketepatan prediksinya sangat
baik.
SIMPULAN
Berdasarkan penerapan regresi kuantil pada data IPM diperoleh hasil pendugaan parameter yang
berbeda-beda disetiap kuantil, sehingga dapat ditarik kesimpulan berdasarkan tujuan adalah sebagai
berikut.
1. Model analisis regresi kuantil pada data IPM di Indonesia tahun 2016 adalah:
65432110,0 3343,00428,02503,02384,00077,12930,0-25,2110 XXXXXXY
dengan data IPM Indonesia sebagai variabel dependent Y sedangkan persentase kemiskinan
1X , persentase penduduk yang berpendidikan di atas SLTP 2X , rasio ketergantungan
penduduk 3X , peranan sektor industri atau lapangan usaha dalam PDRB 4X , persentase
penduduk yang mengalami keluhan kesehatan 5X , dan rata-rata umur kawin pertama wanita
6X masing-masing provinsi di Indonesia tahun 2016 sebagai variabel independent X .
Seminar Nasional II Pendidik dan Pengembang Pendidikan Indonesia “Model Regresi Kuantil Indeks
Pembangunan Manusia di Indonesia”. Aula Sangkareang Kantor Gubernur NTB 27 Oktober 2018. ISSN 2598-
1978
Asosiasi Pendidik dan Pengembang Pendidikan Indonesia (APPPI) Wilayah Provinsi Nusa Tenggara Barat
13
2. Prediksi IPM tahun 2017 dengan nilai ketepatan prediksi berdasarkan nilai MAPE diperoleh
nilai sebesar 3,3242%.
DAFTAR PUSTAKA
BPS, 2016, Indeks Pembangunan Manusia 2016 Metode Baru, Jakarta: Badan Pusat Satistik.
BPS, 2016, Berita Resmi Statistik, NTB: Badan Pusat Statistik.
BPS, 2016, Profil Kesehatan Indonesia Tahun 2016, Jakarta: Kementerian Kesehatan Republik
Indonesia.
Buhai, S., 2005. Quantile regression: overview and selected applications. Ad-Astra The Young
Romanian Scientists’ Journal, 5(1), 1e17.
Chen, C., dan Wei, Y., 2005. “Computational Issues for Quantile Regression”. The Indian Journal of
Statistics. Vol. 67, No. 2, hal. 399-417.
Davino, C., Furno, M., Vistocco, D., 2014. “Quantile Regression Theory and Aplication”. SPi
Publishers Services, Pondicherry, India.
Furno, M., 2007. Parameter Instability in Kuantil Regressions. Statistical Modelling. 7(4) : 345-362.
Hao, L., & Naiman, D. Q., 2007. Quantile Regression. Sage Publications, Inc.
Koenker, R., & Bassett, G., 1978. Regression Quantiles. Econometrica: Journal of the Econometric
Society, 46(1), 33e50.
Koenker, R., 2005. Quantile Regression. Cambridge University Press. New York.
Portnoy, S., 2003, Censored Regression Quantiles, Journal of the American Statistical Association.
Vol. 98, No. 464.
Sari, R.S dan Budiantara, I.N., 2012, Pemodelan Penggguran Terbuka di Jawa Timur Dengan
Menggunakan Pendekatan Regresi Spline Multivariabel, Jurnal Sains dan Seni ITS, Vol 1,
No 1, ITS, Surabaya.
Wahyudi, V. E., 2015. Analisis IPM di Pulau Jawa Menggunakan Analisis Regresi Kuantil. Tesis :
Jurusan Statistika, Institut Teknologi Sepuluh Nopember.