Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit

Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit Oleh: Ari Vanerlin Fitarisca 1310 100 048

Juli 2014

Dosen Pembimbing: Dr. Vita Ratnasari, S.Si, M.Si

Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

1

PENDAHULUAN TINJAUAN PUSTAKA

OUTLINE

METODELOGI PENELITIAN ANALISIS DAN PEMBAHASAN PENUTUP


2

BAB I PENDAHULUAN

LATAR BELAKANG

RUMUSAN MASALAH

MANFAAT PENELITIAN

TUJUAN PENELITIAN

BATASAN MASALAH


3

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

BAB I PENDAHULUAN


4

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

GENDER adalah perbedaan peran, fungsi,dan tanggungjawab antara lakilaki dan perempuan yang merupakan hasil konstruksi sosial dan dapat berubah menurut perkembangan jaman BKKBN (2009)

BAB I PENDAHULUAN

Mengurus RT

PERAN PUBLIK PERAN DOMESTIK

Bersifat lemah Berpikiran sempit

Selalu memakai perasaan Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

5

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

Perempuan banyak yang memiliki beban ganda sebagai pengurus rumah tangga sekaligus pencari nafkah. ±13,9% RT di Indonesia dikepalai oleh perempuan. (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013)

BAB I PENDAHULUAN

Selama tahun 2012, berdasarkan Catatan Tahunan Komisi Nasional (Komnas) Perempuan terdapat sekitar 210.000 kasus kekerasan terhadap perempuan yang dilaporkan dan ditangani.

Kasus kekerasan yang paling sering terjadi : KDRT

KESETARAAN GENDER Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

6

LATAR BELAKANG

BAB I PENDAHULUAN

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

suatu indeks yang mengukur pencapaian pembangunan kapabilitas dasar manusia pada bidang kesehatan, pendidikan, dan ekonomi di suatu wilayah dengan mempertimbangkan kesetaraan antara laki-laki dan perempuan (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013) Pembangunan manusia secara kuantitatif dapat digambarkan dari angka IPM (Indeks Pembangunan Manusia). Namun angka ini belum dapat menjelaskan perbedaan capaian kualitas hidup antara laki-laki dan perempuan. Melalui angka IPG, kesenjangan atau gap kemampuan dasar antara laki-laki dan perempuan mampu dijelaskan dengan melihat rasio antara IPM dan IPG.


7

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

Perkembangan IPM & IPG di Indonesia 74 72 70

69,57

70,08

70,59

66 64 62 2003

72,27

68,69

68

BAB I PENDAHULUAN

71,17

71,76

72,77

65,13

65,27

2005

2006

65,81

66,38

66,77

2008

2009

67,2

67,8

73,29

68,52

63,94

2004

2007

IPM

2010

2011

2012

2013

IPG

(Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013)

setiap tahun selalu ada selisih antara angka IPM dan IPG yang menandakan bahwa masih adanya kesenjangan antara laki-laki dan perempuan, dimana angka IPG < IPM Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

8

LATAR BELAKANG

RUMUSAN MASALAH

Kesenjangan gender

BAB I PENDAHULUAN

Regresi probit

TUJUAN PENELITIAN

MANFAAT PENELITIAN

Faktor-faktor?

BATASAN MASALAH

Regresi probit

salah satu metode regresi yang digunakan untuk menganalisis antara variabel respon yang merupakan variabel diskrit dengan variabel prediktor yang berupa variabel diskrit, kontinyu, maupun campuran antara keduanya.

Hafizh (2013): Pemodelan Disparitas Gender di Jawa Timur dengan Pendekatan Model Regresi Probit Ordinal Faidah (2010): Pemodelan Regresi Probit Ordinal pada Indeks Pembangunan Manusia (IPM) di provinsi Sumatera Utara, Jawa Barat, Jawa Tengah, dan Jawa Timur

Yulianti dan Ratnasari (2013) : Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit Dharmasari (2009): Perbandingan Model Logit dan Probit untuk Menganalisis Kecenderungan Siswa SMP Melanjutkan Pendidikan ke Jenjang SMA


Hakim (2014): Analisis Komponen IPG dengan GWMR Model di Kalimantan Timur & Kalimantan Selatan Tahun 2011

9

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

1. Bagaimana karakteristik Indeks Pembangunan Gender (IPG) di Indonesia?

BAB I PENDAHULUAN

2. Apa saja faktor-faktor yang mempengaruhi Indeks Pembangunan Gender (IPG) di Indonesia dengan menggunakan metode regresi probit?


10

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

1. Mendeskripsikan karakteristik Indeks Pembangunan Gender (IPG) di Indonesia

BAB I PENDAHULUAN

2. Mendapatkan faktor-faktor yang mempengaruhi Indeks Pembangunan Gender (IPG) di Indonesia dengan menggunakan metode regresi probit


11

LATAR BELAKANG

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

1. Menambah pengetahuan peneliti tentang penerapan ilmu statistika dalam permasalahan sosial dalam masyarakat.

BAB I PENDAHULUAN

2. Menambah pengetahuan pembaca mengenai penerapan regresi probit khususnya pada faktor-faktor yang mempengaruhi Indeks Pembangunan Gender di Indonesia. 3. Memberikan tambahan informasi kepada pemerintah mengenai faktor-faktor yang mempengaruhi Indeks Pembangunan Gender di Indonesia.


12

LATAR BELAKANG

1.

2.

BAB I PENDAHULUAN

3. 4.

RUMUSAN MASALAH

TUJUAN PENELITIAN

MANFAAT PENELITIAN

BATASAN MASALAH

Data yang digunakan dalam penelitian merupakan data sekunder pada tahun 2012 yang diambil dari Badan Pusat Statistika. Metode yang digunakan dalam penelitian ini adalah regresi probit. Penelitian dilakukan dengan tidak memperhatikan faktor budaya dari setiap provinsi yang ada di Indonesia. Penelitian dilakukan dengan tidak memperhatikan pembagian wilayah administrasi pemerintahan, khususnya wilayah perkotaan dan pedesaan.


13

IPG

REGRESI PROBIT

BAB II TINJAUAN PUSTAKA

PENAKSIRAN PARAMETER

PENGUJIAN PARAMETER

UJI KESESUAIAN MODEL


14

IPG

REGRESI PROBIT


PENGUJIAN PARAMETER


 Indeks Pembangunan Gender (IPG) adalah ukuran yang digunakan untuk mengetahui pembangunan manusia (Asmanto, 2008).


 IPG mengukur tingkat pencapaian kemampuan dasar pembangunan manusia yang sama seperti IPM, yaitu harapan hidup, tingkat pendidikan, dan pendapatan namun dengan memperhitungkan ketimpangan gender.  IPG dapat digunakan untuk mengetahui kesenjangan pembangunan manusia antara laki-laki dan perempuan. Kesetaraan gender terjadi apabila angka IPG sama dengan IPM.  Apabila angka IPG lebih rendah dari IPM maka terjadi kesenjangan gender. Kesenjangan gender dapat dilihat dari selisih antara IPM dan IPG. Semakin kecil selisih antara IPM dan IPG maka dapat diartikan bahwa kesenjangan pembangunan antara laki-laki dan perempuan juga semakin kecil.


15

IPG Dimensi Indikator


Indeks Dimensi

Indeks Sebaran Merata

REGRESI PROBIT


Umur Panjang dan Sehat AHH (P) AHH (L)

IHH (P)

IHH (L)

IHH dengan Sebaran Merata

PENGUJIAN PARAMETER Pengetahuan

AMH (P)

MYS (P)

Indeks Pendidikan (P)

AMH (L)

UJI KESESUAIAN MODEL Kehidupan yang Layak

MYS (L)

Perkiraan Pendapatan (P)

Perkiraan Pendapatan (L)

Indeks Pendidikan (L)

Indeks Pendapatan (P)

Indeks Pendapatan (L)

Indeks Pendidikan dengan Sebaran Merata

Indeks Pendapatan dengan Sebaran Merata

Indeks Pembangunan Gender (IPG) Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

16

IPG

REGRESI PROBIT


PENGUJIAN PARAMETER


Pengkategorian IPG menurut UNDP 1. Kelompok tinggi, jika IPG ≥ 80 2. Kelompok menengah atas, jika IPG 66 ≤ x < 80


3. Kelompok menengah bawah, jika IPG 50 ≤ x < 66 4. Kelompok rendah, jika IPG < 50

RUMUS PERHITUNGAN IPG: 1 IPG = 3 (Xede(1)+Xede(2)+Iinc-dis) Keterangan: Xede(1) = Xede untuk harapan hidup Xede(2) = Xede untuk tingkat pendidikan Iinc-dis = Indeks distribusi pendapatan


17

IPG

REGRESI PROBIT



PENGUJIAN PARAMETER

variabel respon, berupa variabel diskrit REGRESI PROBIT


“Probability Unit”

variabel bebas , berupa variabel diskrit, kontinyu, atau campuran keduanya

Pemodelan pada regresi probit :

y*  βT X   dimana: 𝑌 ∗ : variabel respon, T 𝜷 : vektor parameter koefisien dengan β  β 0 β 1  β p , 𝒙 ∶ vektor variabel bebas dengan X  1 x1  x p , dan 𝜀 : merupakan error atau kesalahan yang diasumsikan berdistribusi normal standar









18

IPG

REGRESI PROBIT


PENGUJIAN PARAMETER


1. Menentukan 𝑛 sampel random 2. Membentuk fungsi likelihood dari 𝑛 sampel random. Fungsi likelihoodnya adalah sebagai berikut: L(β)   p (1  pi ) Yi i


i 1

n





1Yi

L(β)    β T X i 1

 1  β X T

Yi

1Yi

3. Melakukan transformasi ln terhadap fungsi likelihood. Hal ini dikarenakan lebih mudah memaksimumkan L(β) dengan transformasi ln. Secara matematis dapat ditulis sebagai berikut:





  βT X ln Lβ    Yi ln  T 1   β X i 1  n



 n T  ln 1   β X    i 1










19

IPG

REGRESI PROBIT



PENGUJIAN PARAMETER

4. Mendapatkan penaksir untuk 𝜷 dengan memaksimumkan ln fungsi likelihood, yaitu dengan menurunkan atau menderivatifkan ln fungsi likelihood




  

n  ln Lβ  X β T X   Yi T β 1   βT X  βT X i 1







Berdasarkan hasil penaksiran untuk parameter 𝜷 dengan menggunakan metode MLE ternyata diperoleh fungsi yang implisit sehingga penaksir untuk 𝜷 tidak dapat langsung diperoleh. Oleh karena itu, digunakan metode Newton Raphson untuk mendapatkan penaksir maksimum likelihood untuk 𝜷.


20

IPG

REGRESI PROBIT


UJI SERENTAK


Hipotesis 𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0 𝐻1 : Paling sedikit ada satu 𝛽𝑗 ≠ 0 Statistik uji : 𝐺 = −2 ln 𝐿𝑢 − ln 𝐿𝑅 dimana: 𝐿𝑢 = 𝑛 𝑃 ln 𝑃 + 1 − 𝑃 ln(1 − 𝑃) , 𝑛 ∶ banyaknya sampel 𝑃 ∶ proporsi pengamatan yang memiliki variabel respon (Y) sama dengan 1 𝐿𝑅 ∶ fungsi log-likelihood tanpa variabel prediktor 𝐿𝑢 : fungsi likelihood dengan variabel prediktor Tolak 𝑯𝟎 apabila nilai Pvalue < 𝛼 atau nilai 𝐺 < 𝛼 pada tingkat kepercayaan 𝛼


PENGUJIAN PARAMETER

UJI PARSIAL Hipotesis 𝐻0 : 𝛽𝑗 = 0 𝐻1 : 𝛽𝑗 ≠ 0 dengan 𝑗 = 1, 2, … , 𝑝. Statistik uji : 𝛽𝑗

𝑊𝑗 = 𝑆𝐸(𝛽 ) ~𝑁(0,1) 𝑗

dimana: 𝛽𝑗 : penduga 𝛽𝑗 𝑆𝐸(𝛽𝑗 ) : penduga simpangan baku dari 𝛽𝑗 . 𝐓𝐨𝐥𝐚𝐤 𝑯𝟎 apabila 𝑊𝑗 > 𝑍𝛼/2 atau Pvalue < 𝛼 pada tingkat kepercayaan 𝛼.


21

IPG

REGRESI PROBIT


PENGUJIAN PARAMETER


Tujuan: mengetahui apakah terdapat perbedaan antara hasil observasi dengan kemungkinan hasil prediksi.


Hipotesis: 𝐻0 : Tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model (model sesuai) 𝐻1 : Ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model (model tidak sesuai) Statistik uji : 𝑛 𝑃𝑖𝑗 1 − 𝑃𝑖𝑗 𝐷 = −2 𝑦𝑖𝑗 ln + 1 − 𝑦𝑖𝑗 ln 𝑦𝑖𝑗 1 − 𝑦𝑖𝑗 𝑖=1

dengan 𝑃𝑖𝑗 = 𝑃𝑗 (𝑥𝑖 ) merupakan peluang observasi ke-𝑖 pada kategori ke-𝑗. 2 Tolak 𝑯𝟎 apabila 𝐷 > 𝜒𝑑𝑏,𝛼 pada tingkat kepercayaan 𝛼 dan 𝑑𝑏 merupakan derajat bebas Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

22

SUMBER DATA

VARIABEL PENELITIAN

BAB III METODELOGI PENELITIAN DEFINISI OPERASIONAL

LANGKAH PENELITIAN


23

SUMBER DATA

DEFINISI OPERASIONAL

VARIABEL PENELITIAN

LANGKAH PENELITIAN

Badan Pusat Statistik (BPS)

BAB III METODELOGI PENELITIAN 2012


24

SUMBER DATA

BAB III METODELOGI PENELITIAN

VARIABEL PENELITIAN


LANGKAH PENELITIAN

Variabel respon (Y) dalam penelitian ini adalah variabel IPG. Namun variabel ini dikelompokkan terlebih dahulu dengan menggunakan analisis cluster. Hasil dari pengelompokkan digunakan sebagai variabel respon. Sehingga variabel respon yang digunakan dalam penelitian ini berdasarkan kondisi IPG yang ada di Indonesia saat ini. Untuk lebih jelasnya dapat dilihat pada bab IV.

Penelitian dilakukan terhadap masing-masing data laki-laki dan perempuan dengan variabel prediktor yang digunakan adalah 9 variabel untuk data laki-laki dan 10 variabel untuk data perempuan. Untuk data perempuan variabel yang digunakan ditambah dengan variabel Total Fertility Rate (TFR) sebagai variabel X10.


25

SUMBER DATA


VARIABEL PENELITIAN


LANGKAH PENELITIAN

Variabel

Keterangan

Tipe Variabel

X1 X2

Angka Partisipasi Sekolah (APS) SD/Sederajat Angka Partisipasi Sekolah (APS) SMP/Sederajat Angka Partisipasi Sekolah (APS) SMA/Sederajat Persentase penduduk pendidikan terakhir yang ditamatkan adalah SMP Tingkat partisipasi angkatan kerja (TPAK) Persentase Penduduk Mempunyai Keluhan Kesehatan Purchasing Power Parity (PPP)/Daya Beli Rasio Jenis Kelamin Rasio Jenis Kelamin Saat Lahir

Kontinyu Kontinyu

X3

X4 X5 X6 X7 X8 X9


Kontinyu

Kontinyu Kontinyu Kontinyu Diskrit Kontinyu Kontinyu 26

SUMBER DATA Variabel

VARIABEL PENELITIAN


LANGKAH PENELITIAN

Definisi Operasional

Angka Partisipasi Sekolah Proporsi dari semua anak yang masih sekolah pada suatu (APS) kelompok umur tertentu terhadap penduduk dengan kelompok umur yang sesuai


Persentase penduduk dengan Pendidikan Terakhir SMP

proporsi antara jumlah penduduk yang pendidikan terakhir yang ditamatkan adalah SMP, ditandai dengan memiliki ijazah/sertifikat, terhadap jumlah penduduk di suatu wilayah.

Tingkat Partisipasi Angkatan Kerja (TPAK)

Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan persentase jumlah angkatan kerja terhadap penduduk usia kerja.

Penduduk yang Mempunyai Keluhan Kesehatan

Keluhan kesehatan adalah keadaan seseorang yang merasa terganggu oleh kondisi kesehatan, kejiwaan, kecelakaan atau hal lain. Seseorang yang menderita penyakit kronis dianggap mempunyai keluhan kesehatan walaupun pada waktu survei (satu bulan terakhir) yang bersangkutan tidak kambuh penyakitnya. Semakin banyak penduduk yang mengalami keluhan kesehatan berarti semakin rendah derajat kesehatan dari masyarakat yang bersangkutan


27

SUMBER DATA


VARIABEL PENELITIAN


LANGKAH PENELITIAN

Variabel


PPP (Purchasing Power Parity)/daya beli

PPP memungkinkan dilakukannya perbandingan hargaharga riil antarprovinsi maupun antarkabupaten, mengingat nilai tukar yang biasa digunakan dapat menurunkan atau menaikkan nilai daya beli yang terukur dari konsumsi per kapita yang telah disesuaikan. PPP dihitung berdasarkan pengeluaran riil per kapita setelah disesuaikan dengan indeks harga konsumen dan penurunan kegunaan marginal.

Rasio Jenis Kelamin

perbandingan antara jumlah penduduk laki-laki dan jumlah penduduk perempuan pada suatu daerah dan pada waktu tertentu. Data mengenai rasio jenis kelamin berguna untuk pengembangan perencanaan pembangunan yang berwawasan gender, terutama yang berkaitan dengan perimbangan laki-laki dan perempuan secara adil.


28

SUMBER DATA

Variabel


VARIABEL PENELITIAN


LANGKAH PENELITIAN


Rasio Jenis Kelamin Saat Lahir

PPperbandingan antara bayi laki-laki perempuan yang lahir dalam setahun.

TFR (Total Fertitily Rate)

Angka Kelahiran Total merupakan rata-rata jumlah anak yang dilahirkan seorang perempuan dari usia 15 - 49 tahun. Perbandingan TFR antar daerah dapat menunjukkan keberhasilan daerah dalam melaksanakan pembangunan sosial ekonominya. TFR yang tinggi merupakan cerminan rata-rata usia kawin yang rendah, tingkat pendidikan yang rendah terutama perempuannya, tingkat sosial ekonomi rendah atau tingkat kemiskinan yang tinggi.


dengan

bayi

29

SUMBER DATA

VARIABEL PENELITIAN


LANGKAH PENELITIAN

1. Menentukan variabel dan mendapatkan data yang mendukung. 2. Melakukan analisis cluster terhadap variabel IPG untuk mendapatkan variabel respon yang digunakan dalam penelitian.


3. Mengecek multikolinieritas data. Apabila terjadi multikolinieritas maka harus diatasi terlebih dahulu, salah satunya dengan menghilangkan variabel yang menyebabkan multikolinieritas terjadi. 4. Melakukan pemodelan dengan menggunakan regresi probit terhadap faktor-faktor yang mempengaruhi IPG di Indonesia dengan langkah-langkah sebagai berikut:  Menentukan model regresi probit dengan variabel respon dan variabel prediktor yang digunakan dalam penelitian.  Melakukan uji signifikansi parameter regresi probit secara serentak dan parsial untuk mengetahui variabel prediktor yang berpengaruh signifikan terhadap variabel respon.  Menginterpretasikan model regresi probit terbaik yang diperoleh.  Melakukan uji kesesuaian model.  Menghitung ketepatan klasifikasi model regresi probit. 5. Menarik kesimpulan.


30

KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA PERKEMBANGAN & PENCAPAIAN KOMPONEN PEMBENTUK INDEKS PEMBANGUNAN GENDER DI INDONESIA PENGELOMPOKKAN IPG INDONESIA TAHUN 2012 MENGGUNAKAN ANALISIS CLUSTER

BAB IV ANALISIS DAN PEMBAHASAN

PENGUJIAN MULTIKOLINIERITAS PADA VARIABEL INDEPENDEN PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN


30

KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA

BAB IV ANALISIS DAN PEMBAHASAN IPM DAN IPG SELALU MENINGKAT SETIAP TAHUNNYA MENUNJUKKAN BAHWA PEMBANGUNAN MANUSIA DI INDONESIA SEMAKIN BAIK SETIAP TAHUN SELALU ADA SELISIH ANTARA ANGKA IPM DAN IPG YANG MENANDAKAN BAHWA MASIH ADANYA KESENJANGAN ANTARA LAKI-LAKI DAN PEREMPUAN, DIMANA ANGKA IPG < IPM Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

31

KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA IPG Menurut Provinsi di Indonesia Tahun 2012



32

KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA


Provinsi yang berada pada kelompok menengah bawah antaralain provinsi Jambi, Lampung, Kepulauan Bangka Belitung, Kepulauan Riau, Jawa Barat, Banten, Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Timur, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Papua Barat, dan Papua.

Provinsi yang termasuk ke dalam kelompok menengah atas antara lain provinsi Aceh, Sumatera Utara, Sumatera Barat, Riau, Sumatera Selatan, Bengkulu, DKI Jakarta, Jawa Tengah, D.I Yogyakarta, Jawa Timur, Bali, Kalimantan Selatan, Sulawesi Utara, Sulawesi Barat, Maluku, dan Maluku Utara.


33

PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA ANGKA HARAPAN HIDUP (AHH)



35

PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA ANGKA MELEK HURUF (AMH)



Perkembangan yang pesat dari AMH perempuan semakin memperkecil disparitas kemampuan baca tulis yang terjadi di Indonesia

36

PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA RATA-RATA LAMA SEKOLAH (MYS)



37

PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA SUMBANGAN PENDAPATAN


Angkatan kerja Upah yang diterima

Rata-rata pah yang diterima laki-laki (1,55 jt) masih lebih tingi dari perempuan (1,25 jt) Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

Sumbangan pendapatan penduduk perempuan fluktuatif namun cenderung menurun

Proporsi angkatan kerja perempuan di Indonesia pd thn 2012 sekitar 38,62% dari total 120,41 juta angkatan kerja

38

PENGELOMPOKKAN IPG INDONESIA TAHUN 2012 MENGGUNAKAN ANALISIS CLUSTER Kelompok 1


2

Anggota Kelompok Sumatera Utara, Sumatera Barat, Sumatera Selatan, Bengkulu, DKI Jakarta, D.I Yogyakarta, Bali, Kalimantan Tengah, Sulawesi Utara, Maluku Aceh, Riau, Jambi, Lampung, Kep. Bangka Belitung, Kep. Riau, Jawa Barat, Jawa Tengah, Jawa Timur, Banten. NTB, NTT, Kalimantan Barat, Kalimantan Selatan, Kalimantan Timur, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku Utara, Papua Barat, Papua


39

PENGUJIAN MULTIKOLINIERITAS PADA VARIABEL INDEPENDEN


Variabel (L) X1 X2 X3 X4 X5 X6 X7 X8 X9

VIF 4,07 5,10 3,13 1,72 1,71 1,83 1,41 1,59 2,06

Variabel (P) X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

VIF 6,82 10,07 3,19 2,24 2,14 1,68 1,74 1,51 1,59 2,09

terjadi multikolinieritas pada data laki-laki dan perempuan karena nilai VIF > 5. Langkah selanjutnya adalah mengatasi multikolinieritas tersebut, salah satunya dengan menghilangkan variabel yang menyebabkan multikolinieritas terjadi. Pada data laki-laki, variabel yang menyebabkan terjadinya multikolinieritas adalah variabel X2, sedangkan pada data perempuan adalah variabel X1 dan X2. Maka, untuk analisis selanjutnya, variabel X1 dan X2 tidak diikutsertakan. Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

40

PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI

PENGUJIAN SERENTAK


Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,125) yang kurang dari nilai 𝛼(20%) sehingga keputusan yang diperoleh adalah tolak H0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG.

PENGUJIAN PARSIAL

Berdasarkan hasil uji parsial didapatkan bahwa parameter yang signifikan terhadap adalah variabel X9 (rasio jenis kelamin saat lahir. Parameter pada variabel tersebut signifikan pada taraf 𝛼 = 20%.


41

PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI MODEL TERBAIK


Pemilihan model terbaik dilakukan dengan menggunakan metode Backward. Berdasarkan metode Backward, didapatkan bahwa model regresi probit terbaik adalah model dengan variabel prediktor X1 yaitu APS SD/sederajat dan X9 yaitu rasio jenis kelamin saat lahir. Variabel X1 X9

Coef -0,775 0,324

P-value 0,022* 0,103*

Sehingga, persamaan model regresi probit terbaik untuk data laki-laki adalah sebagai berikut: 𝑦 ∗ = 42,269 − 0,775𝑋1 + 0,324𝑋9 Persamaan diatas dapat diinterpretasikan bahwa APS SD/sederajat berpenaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah.


42

PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI PENGUJIAN SERENTAK MODEL TERBAIK


Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,005) yang kurang dari nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah tolak H0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG.

PENGUJIAN PARSIALMODEL TERBAIK

Berdasarkan hasil uji parsial didapatkan bahwa didapatkan informasi bahwa dengan 𝛼 = 20%, seluruh parameter pada variabel X1 dan X9 masing-masing berpengaruh signifikan terhadap variabel respon.


43


INTERPRETASI


Apabila diambil data dari salah satu provinsi, misalkan untuk provinsi Papua Barat, dengan X1 = 95,31; dan X9 = 105,72; maka: 𝑃 𝑌=1 =1 − Φ −42,269 + 0,775𝑋1 − 0,324𝑋9 𝑃 𝑌 = 1 = 1 − Φ −2,65703 𝑃 𝑌 = 1 = 1 −0,00394 𝑃 𝑌 = 1 = 0,99606 Jadi, probabilitas provinsi Papua Barat masuk ke dalam kelompok IPG rendah dengan nilai-nilai tersebut adalah sebesar 0,99606. Sedangkan probabilitas provinsi Papua Barat masuk ke dalam kelompok IPG tinggi 𝑃 𝑌 = 0 adalah sebesar 0,00394.

EFEK MARGINAL

𝜕𝑃(𝑌 = 1) = 𝛽9 𝜙(𝛾 − 𝜷𝑻 𝑿) 𝜕𝑋9 𝜕𝑃(𝑌 = 1) = 0,324𝜙(−2,65703) 𝜕𝑋9 𝜕 𝑃(𝑌 = 1) = 0,324(0,01169) 𝜕𝑋9 𝜕𝑃(𝑌 = 1) = 0,00379 𝜕𝑋9 Artinya bahwa setiap perubahan rasio jenis kelamin saat lahir sebesar 1% maka akan meningkatkan probabilitas suatu provinsi masuk ke dalam kategori IPG kelompok rendah sebesar 0,00379.


44


KESESUAIAN MODEL TERBAIK


Berdasarkan hasil pengujian didapatkan nilai P-value sebesar 0,463 yang berarti P-value > 0,20 sehingga keputusan yang diambil adalah gagal tolak 𝐻0 . Jadi, dapat disimpulkan bahwa tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model. Atau dengan kata lain model telah sesuai.


45

PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN PENGUJIAN SERENTAK


Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value sebesar 0,005 yang kurang dari nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah tolak H0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG di Indonesia.

PENGUJIAN PARSIAL

Berdasarkan hasil uji parsial didapatkan bahwa parameter variabel yang signifikan terhadap variabel respon adalah variabel X3 (APS SMA/sederajat), X4 (persentase penduduk dengan pendidikan terakhir yang ditamatkan adalah SMP), X5 (TPAK), X8 (rasio jenis kelamin) dan variabel X9 (rasio jenis kelamin saat lahir).


46

PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN MODEL TERBAIK


Pemilihan model terbaik dilakukan dengan menggunakan metode Backward. Berdasarkan metode Backward, didapatkan bahwa model regresi probit terbaik adalah model dengan variabel prediktor X3 yaitu APS SMA/sederajat, X5 yaitu TPAK, X7 yaitu PPP, dan X9 yaitu rasio jenis kelamin saat lahir Variabel X3 X5 X7 X9

Coef -0,101 -0,121 -0,00005 0,462

P-value 0,033* 0,016* 0,081* 0,059*

Sehingga, persamaan model regresi probit terbaik untuk data perempuan adalah sebagai berikut: 𝑦 ∗ = −6,459 − 0,101𝑋3 − 0,121𝑋5 − 0,00005𝑋7 + 0,462𝑋9 Persamaan diatas dapat diinterpretasikan bahwa APS SMA/sederajat, TPAK, dan PPP berpengaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Tugas Akhir Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya

47

PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN PENGUJIAN SERENTAK MODEL TERBAIK


Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,004) yang kurang dari nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah tolak H0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG.

PENGUJIAN PARSIALMODEL TERBAIK

Berdasarkan hasil uji parsial didapatkan bahwa didapatkan informasi bahwa dengan 𝛼 = 20%, dengan 𝛼 = 20%, seluruh parameter pada variabel X3, X5, X7, dan X9 masing-masing berpengaruh signifikan terhadap variabel respon.


48

PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN INTERPRETASI


Apabila diambil data dari salah satu provinsi, misalkan untuk provinsi Papua, dengan X3 = 48,23; X5 = 68,36; X7 = 611990; dan X9=110,13 maka: 𝑃 𝑌=1 =1 − Φ 6,459 + 0,101𝑋3 + 0,121𝑋5

EFEK MARGINAL

𝜕𝑃(𝑌 = 1) = 𝛽9 𝜙(𝛾 − 𝜷𝑻 𝑿) 𝜕𝑋9 𝜕𝑃(𝑌 = 1) = 0,324𝜙(−2,65703) 𝜕𝑋9 𝜕 𝑃(𝑌 = 1) = 0,324(0,01169) 𝜕𝑋9 𝜕𝑃(𝑌 = 1) = 0,00379 𝜕𝑋9 Artinya bahwa setiap perubahan variabel TPAK sebesar 1% maka akan menurunkan probabilitas suatu provinsi masuk ke dalam kategori IPG kelompok rendah sebesar 0,038.


49

PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN KESESUAIAN MODEL TERBAIK


Berdasarkan hasil pengujian, didapatkan nilai P-value sebesar 0,630 yang berarti P-value > 0,20. Sehingga keputusan yang diambil adalah gagal tolak 𝐻0 . Maka, dapat disimpulkan bahwa tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model. Atau dengan kata lain model telah sesuai.


50

KETEPATAN KLASIFIKASI MODEL REGRESI PROBIT (LAKI-LAKI)


Ketepatan klasifikasi yang diprediksi dari model regresi probit yang didapat yaitu sebesar 80%.

KETEPATAN KLASIFIKASI MODEL REGRESI PROBIT (PEREMPUAN)

Ketepatan klasifikasi yang diprediksi dari model regresi probit yang didapat yaitu sebesar 86,1%.


51

BAB V PENUTUP

KESIMPULAN

SARAN


52

BAB V PENUTUP

1. Perkembangan Indeks Pembangunan Gender (IPG) di Indonesia secara keseluruhan dari tahun 2004-2012 selalu mengalami peningkatan. Hal ini menjelaskan bahwa pencapaian pembangunan gender di Indonesia dari waktu ke waktu semakin membaik. Namun, masih terdapat kesenjangan atau gap antara penduduk laki-laki dan perempuan di seluruh provinsi di Indonesia. Kesenjangan tersebut dapat dilihat diberbagai bidang atau komponen pembentuk IPG itu sendidi yaitu, pada bidang pendidikan, kesehatan, dan sumbangan pendapatan. Berdasarkan hasil perhitungan diketahui bahwa rata-rata IPG pada tahun 2012 secara keseluruhan adalah sebesar 66,02. Nilai varians sebesar 15,31 menjelaskan mengenai keragaman data. Provinsi dengan IPG terkecil adalah provinsi Nusa Tenggara Barat yaitu sebesar 57,58 dan provinsi dengan IPG terbesar adalah provinsi DKI Jakarta yaitu sebesar 74,66.


53

BAB V PENUTUP

Faktor-faktor yang mempengaruhi IPG pada penduduk laki-laki antaralain APS SD/sederajat dan rasio jenis kelamin saat lahir, dengan model regresi probit yang didapatkan yaitu: 𝑦 ∗ = 42,269 − 0,775𝑋1 + 0,324𝑋9 Persamaan diatas dapat diinterpretasikan bahwa APS SD/sederajat berpenaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan faktor yang mempengaruhi IPG pada penduduk perempuan yaitu yaitu APS SMA/sederajat, TPAK, PPP, dan rasio jenis kelamin saat lahir, dengan model regresi probit yang didapatkan adalah sebagai berikut: 𝑦 ∗ = −6,459 − 0,101𝑋3 − 0,121𝑋5 − 0,00005𝑋7 + 0,462𝑋9 Persamaan diatas dapat diinterpretasikan bahwa APS SMA/sederajat, TPAK, dan PPP berpengaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah


54

Saran yang diberikan oleh penulis untuk pemerintah agar lebih memperhatikan pencapaian kapabilitas dasar penduduk laki-laki dan perempuan agar kesenjangan antara keduanya tidak menjadi besar.

BAB V PENUTUP


55

 Asmanto, Priadi. 2008. Evaluasi Millenium Development Goals (MDGs) Indonesia: Kesetaraan Gender dan Pemberdayaan Perempuan. Tersedia di SSRN: http://ssrn.com/abstract=1996301, diakses pada 30 Januari 2014.  BKKBN. 2009. Modul 2 Konsep dan Teori Gender. Jakarta: BKKBN

DAFTAR PUSTAKA

 Dharmasari, Ayu. 2009. Perbandingan Model Logit dan Probit untuk Menganalisis Kecenderungan Siswa SMP Melanjutkan Pendidikan ke Jenjang SMA (Studi Kasus Data Susenas Kabupaten Situbondo, Jawa Timur). Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.  Faidah, D. Y. 2010. Pemodelan Regresi Probit Ordinal pada Indeks Pembangunan Manusia (IPM) di provinsi Sumatera Utara, Jawa Barat, Jawa Tengah, dan Jawa Timur. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.  Greene, W. H. 2008. Econometric Analysis. USA: Pearson Prentice Hall.  Gujarati, D. N. 2004. Basic Econometrics, Fourth Edition. New York: McGraw-Hill.


56

Hafizh, Q. U. 2013. Pemodelan Disparitas Gender di Jawa Timur dengan Pendekatan Model Regresi Probit Ordinal. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.

DAFTAR PUSTAKA

 Hakim, L. J. 2014. Analisis Komponen Indeks Pembangunan Gender dengan Geographically Weighted Multivariate Regression Model di Provinsi Kalimantan Timur dan Kalimantan Selatan Tahun 2011. Tesis S2 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya.  Hosmer, D.W & Lemeshow, Stanley. 2000. Applied Logistic Regression Second Edition. USA: John Wiley & Sons.  Johnson, R. A & Wichern, D. W. 2007. Applied Multivariate Statistical Analysis, Sixth Edition. New Jersey: Pearson Prentice Hall.  Kementrian Pemberdayaan Perempuan dan Perlindungan Anak. 2012. Pembangunan Manusia Berbasis Gender 2012. Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak.


57

 ___________. 2013. Pembangunan Manusia Berbasis Gender 2013. Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak.  ___________. 2012. Profil Anak Indonesia 2012. Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak.

DAFTAR PUSTAKA

 MDGs Support Unit United Nations Development Programme. 2006. Komik MDGs. Tersedia di: www.undp.or.id/pubs/docs/Komik%20MDGs.pdf, diakses pada 28 Januari 2014.  Tempo.co. 2013. Linda Gumelar: Pembangunan Gender Masih Tertinggal. Tersedia di http://www.tempo.co/read/news/2013/07/16/173496886/Linda-GumelarPembangunan-Gender-Masih-Tertinggal, diakses pada 28 Januari 2014.  Wulandari, Evi. 2013. Model Regresi Probit untuk Mengetahui Faktor-Faktor yang Mempengaruhi Jumlah Penderita Diare di Jawa Timur. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Matematika FMIPA Universitas Negeri Surabaya.  Yulianti, R. A & Ratnasari, Vita. 2013. Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja Perempuan Di Provinsi Jawa Timur. Jurnal Sains dan Seni POMITS. Vol 2, hal 159-164.


58

Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit Oleh: Ari Vanerlin Fitarisca 1310 100 048

Dosen Pembimbing: Dr. Vita Ratnasari, S.Si, M.Si


59

Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit

Recommend Documents