BAB V HASIL DAN PEMBAHASAN

BAB V HASIL DAN PEMBAHASAN

5.1. Gambaran Persebaran Penduduk Miskin Provinsi Jawa Tengah merupakan salah satu provinsi di Indonesia yang memiliki kabupaten atau kota sejumlah 35 kabupaten dan kota (BPS, 2013). Besarnya wilayah ini mempengaruh persebaran penduduk miskin yang ada di Jawa Tengah dari sudut pandang kewilayahan.

Gambar 5. Peta Persebaran Penduduk Miskin Provinsi Jawa Tengah Tahun 2013 Berdasarkan data kemiskinan tahun 2013 tingkat kemiskinan di Kabupaten/kota dapat dikategorisasikan menjadi 3 kategori (BPS:2013) : 1. Kategori pertama adalah Kabupaten/kota yang tingkat kemiskinannya di bawah angka Nasional (11,47 %) dan Provinsi Jawa Tengah (14,44%) yang ditandai dengan warna hijau pada peta (gambar 5) yaitu Kabupaten Sukoharjo, Kabupaten Kudus, Kabupaten Jepara, Kabupaten Semarang, Kabupaten Tegal, Kota Magelang, Kota Salatiga, Kota Semarang, Kota Pekalongan, dan Kota Tegal.

46

47

2. Kategori kedua adalah Kabupaten/kota yang tingkat kemiskinannya di bawah angka Nasional (11,47 %) dan di atas Provinsi Jawa Tengah (14,44%) yang ditandai dengan warna kuning pada peta (gambar 5) yaitu Kabupaten Wonogiri, Kabupaten

Magelang,

Kabupaten

Boyolali,

Kabupaten Kabupaten

Karanganyar, Pati,

Kabupaten

Kabupaten

Kendal,

Pekalongan, Kabupaten

Temanggung, Kabupaten Batang, Kota Surakarta. 3. Kategori kedua adalah Kabupaten/kota yang tingkat kemiskinannya di atas angka Nasional (11,47 %) dan Provinsi Jawa Tengah (14,44%) yang ditandai dengan warna kuning pada peta (gambar 5) yaitu Kabupaten Wonosobo, Kabupaten Kebumen, Kabupaten Rembang, Kabupaten Brebes, Kabupaten Purbalingga, Kabupaten

Pemalang,

Kabupaten

Banjarnegara,

Kabupaten

Banyumas,

Kabupaten Sragen, Kabupaten Demak, Kabupaten Klaten, Kabupaten Purworejo, Kabupaten Cilacap, Kabupaten Grobogan, Kabupaten Blora.

Gambar 6. Grafik Batang Persentase Penduduk Miskin di Provinsi Jawa Tengah Menurut Kabupaten/Kota Tahun 2013

48

Penduduk miskin Provinsi Jawa Tengah tersebar di 29 Kabupaten dan 6 kota. Penyebaran itu tidak merata dalam arti ada kabupaten yang persentase penduduk miskinnya tinggi dan ada yang persentase penduduknya rendah. Untuk tahun 2013, wilayah dengan persentase penduduk miskin paling tinggi adalah Kabupaten Wonosobo sebesar 22,08 persen, Sedangkan wilayah yang paling rendah persentase penduduk miskinnya adalah Kota Semarang yaitu sebesar 5,25 persen. Selengkapnya, persentase penduduk miskin di Provinsi Jawa Tengah, berbasis Kabupaten dan Kota, dapat dilihat pada gambar grafik batang di atas. 5.2. Analisis Regresi Berganda 5.2.1. Uji Multikolinearitas Ada beberapa cara untuk mendeteksi multikolinieritas dalam model regresi linier salah satunya melalui nilai VIF (Variance Inflation Factor). VIF adalah elemen-elemen diagonal utama dari invers matriks korelasi. VIF digunakan sebagai kriteria

untuk mendeteksi multikolinieritas pada regresi linier berganda yang

melibatkan lebih dari dua variabel bebas. Nilai VIF lebih besar dari 10 mengindikasikan adanya masalah multikolinieritas yang serius. Nilai VIF ditampilkan pada tabel 1. Tabel 5. Nilai VIF Coefficientsa Collinearity Statistics Model 1

Tolerance

VIF

sektor_pertanian

.824

1.214

jumlah_penduduk

.900

1.111

TPT

.896

1.116

a. Dependent Variable: persentase_miskin

Dari hasil uji multikolinearitas pada tabel 1, dihasilkan nilai tolerance > 0,1 dan nilai VIF < 10. Hasil tersebut dapat disimpulkan bahwa tidak terdapat masalah multikolinieritas dalam model regresi

49

5.2.2 Pengujian Serentak Uji ini dilakukan untuk mengetahui apakah variabel bebas (X) secara bersamasama berpengaruh terhadap variabel terikat (Y).Selain itu uji ini juga dilakukan untuk mengetahui model yang digunakan sesuai atau tidak sesuai.Nilai statistik yang digunakan yakni nilai statistic Fhitung. Jika nilai Fhitung lebih besar dari nilai Ftabel atau nilai p-value < α, maka hipotesis awal akan ditolak sehingga model dikatakan sesuai atau secara bersama-sama variabel bebas berpengaruh terhadap variabel terikat. Tabel 6. Uji Serentak ANOVAb Model 1

Sum of Squares

df

Mean Square

Regression

189.444

3

63.148

Residual

487.851

31

15.737

Total

677.295

34

F 4.013

Sig. .016a

a. Predictors: (Constant), TPT, jumlah_penduduk, sektor_pertanian b. Dependent Variable: persentase_miskin

Uji Hipotesis i. Hipotesis yang digunakan yakni : H0 : 𝛽1 = 𝛽2 = 𝛽3 = 0 H1 : Minimal terdapat satu 𝛽𝑖 ≠ 0 ;𝑖 = 1,2,3. ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α = 0.1 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak H0 iv. Statistika Uji Statistik uji simultan yang telah dianalisis terdapat pada tabel 6 dilihat pada kolom sig sebesar 0,016. v. Keputusan Nilai p-value < α, yaitu 0,016 < 0,1 maka Tolak H0 .

50

vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan tolak H0 maka diambil keputusan bahwa nilai prediksi atau model menggambarkan kondisi kemiskinan sesungguhnya. 5.2.3 Pengujian Parsial Uji parsial dilakukan untuk mengetahui pengaruh masing-masing variabel bebas (X) terhadap variabel terikat (Y). Nilai statistik yang digunakan yakni nilai statistik thitung. Jika nilai mutlak thitung lebih besar dari nilai ttabel atau nilai p-value < α, maka hipotesis awal akan ditolak sehingga variabel bebas ke-i signifikan berpengaruh terhadap varaiabel terikat. Hipotesis yang digunakan yakni : Uji Hipotesis i. Hipotesis yang digunakan : H0 : 𝛽𝑖 = 0 ∶ 𝑖 = 1,2,3 ∶ artinya secara individual variabel bebas tidak berpengaruh terhadap variabel terikat. H: 𝛽𝑖 ≠ 0; = 1,2,3 ∶ artinya secara individual variabel bebas berpengaruh terhadap variabel terikat. ii. Tingkat Signifikansi Peneliti menggunakan tingkat signifikan sebesar α = 0.1 iii. Daerah Kritis Nilai p-value < α maka keputusannya tolak H0 iv. Statistik Uji Statistik uji parsial yang telah dianalisis terdapat pada tabel 7. Tabel 7. Uji Parsial Variabel Intersep Tingkat Pengangguran Terbuka Penduduk bekerja disektor pertanian Jumlah Penduduk R2

Koefisien 9.181 -0.087 0.113 0.00000205 0.28

P-value 0.021 0.252 0.014 0.867

Keputusan Signifikan Tidak Signifikan Signifikan Tidak Signifikan

51

v. Kesimpulan Pada tabel 7 dapat dilihat bahwa variabel yang signifikan berpengaruh terhadap kemiskinan yaitu variabel penduduk bekerja disektor pertanian. Nilai R2 sebesar 0,28 pada tabel 7, menunjukan bahwa variabel penduduk bekerja di sektor pertanian hanya mampu menjelaskan kasus kemiskinan di Provinsi Jawa Tengah sebesar 28%, dan 72% sisanya dijelaskan oleh variabel lain. 5.2.4 Uji Asumsi Residual 5.2.4.1. Uji Heterokedastisitas Uji heterokedastisitas bertujuan untuk melihat sebaran atau variansi titik-titik dari nilai residual. Model regresi yang baik juga salah satunya ialah nilai residual yang muncul dalam fungsi regresi populasi mempunyai varians yang sama atau homoskedastik. Untuk mengetahui ada atau tidaknya heteroskedastisitas dilakukan pengujian Glejser, hipotesis adalah sebagai berikut: Uji Hipotesis i. Hipotesis yang digunakan yakni : H0 : Tidak terjadi masalah heteroskedastisitas H1 : Terjadi masalah heteoskedastisitas ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α = 0.1 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak H0 iv. Statistika Uji Statistik uji Glejser yang telah dianalisis terdapat pada tabel 8. Tabel 8. Hasil Uji Glejser Variabel Tingkat Pengangguran Terbuka Penduduk bekerja disektor pertanian Jumlah Penduduk

P-value 1,000 1,000 1,000

α 0.1 0.1

Keputusan Gagal Tolak

0.1

Gagal Tolak

Gagal Tolak

52

v. Keputusan Pada tabel 8 menunjukan bahwa nilai p-value dari ke dua variabel bebas menunjukan Gagal Tolak H0. vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan semua variabel gagal menolak H0. Maka dapat diambil kesimpulan bahwa pada penelitian ini tidak adanya sifat heteroskedastisitas 5.2.4.2 Uji Autokorelasi Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu. Model dikatakan baik jika tidak terdapat masalah autokorelasi. Salah satu metode yang dapat digunakan untuk mendeteksi masalah autokorelasi adalah dengan uji Durbin-Watson (DW). Hipotesis yang digunakan yakni : H0: tidak ada korelasi positif atau negatif H1: ada korelasi positif atau negatif Pengambilan keputusan: d < dL : tolak H0 ; d > 4-dL : tolak H0 dan du < d < 4-du : terima H0 dL  d  du atau 4-du  d  4-dL : tidak dapat disimpulkan. dengan : d = nilai Durbin Watson ; dL = batas bawah ; dU = batas atas. Hasil pengujian ditampilkan pada tabel 5 berikut : Tabel 9. Hasil Pengujian Autokorelasi Model Summaryb

Model 1

R .529a

R Square .280

Adjusted R

Std. Error of the

Square

Estimate .210

a. Predictors: (Constant), TPT, jumlah_penduduk, sektor_pertanian b. Dependent Variable: persentase_miskin

3.96701

Durbin-Watson 1.719

53

Berdasarkan Tabel 9 pada output durbin watson dapat diketahui bahwa tidak ada autokorelasi positif atau negatif antara residual satu dengan lainnya. Hal tersebut diketahui melalui nilai =1,719 yang bernilai lebih besar dari du=1,726 dan lebih kecil dari 4- du=2,274. Keputusan yang dihasilkan adalah gagal tolak H0. Artinya asumsi residual independen terpenuhi. 5.2.4.3. Uji Normalitas Uji normalitas ini berguna untuk mengetahui apakah data berdistribusi normal atau tidak. Suatu model regresi yang baik ialah ketika data berdistribusi normal. Pengujian normalitas kali ini menggunakan Kolmogorov-Smirnov Test. Hipotesis untuk pengujian ini yaitu : H0 : Residual berdistribusi normal H1 : Residual tidak berdistribusi normal. Keputusan untuk menolak hipotesis awal jika nilai p-value lebih besar daripada alpha 10%. Hasil pengujian ditampilkan pada tabel berikut : Tabel 10. Hasil Uji Normalitas dengan Kolmogorov-Smirnov Test Tests of Normality Kolmogorov-Smirnova Statistic Unstandardized Residual

df

.140

Shapiro-Wilk

Sig. 35

.079

Statistic .959

df

Sig. 35

.209

a. Lilliefors Significance Correction

Berdasarkan tabel 10 dapat diketahui bahwa residual telah memenuhi asumsi kenormalan hal ini ditunjukkan melalui nilai p-value yang bernilai lebih besar dari alpha 10%. 5.2.5

Model Regresi Linier Berganda Model sementara yang terbentuk dari regresi berganda untuk kasus kemiskinan

di Provinsi Jawa Tengah yakni :

54

Dari model yang telah terbentuk, dapat diketahui bahwa: -

Saat penduduk bekerja di sektor pertanian naik sebesar satu persen maka persentase penduduk miskin akan naik sebesar 0,113, saat variabel yang lain dianggap konstan. Pada persamaan regresi linier ini hanya variabel penduduk bekerja disektor pertanian yang signifikan mempengaruhi kasus kemiskinan di Provinsi Jawa Tengah. Tahapan selanjutnya yang dilakukan dalam penelitian ini adalah menentukan

hubungan ketetanggaan antar kabupaten di Provinsi Jawa Tengah menggunakan metode Queen Contiguity (persinggungan sisi – sudut). 5.3

Kriteria Ketetanggaan Salah satu komponen yang harus diperhitungkan dalam melakukan analisis

spasial adalah melihat keterkaitan antar kabupaten/kota. Hal tersebut dilihat melalui matriks pembobot spasial. Perhitungan tersebut dilakukan menggunakan bantuan peta lokasi yaitu untuk menentukan hubungan ketetanggaan antara kabupaten/kota di Jawa Tengah. Kriteria ketetanggaan yang digunakan pada penelitian ini menggunakan persinggungan berbatasan dengan kriteria yang digunakan yaitu queen continguity dengan matriks pembobot spasial yang telah distandarisasi. Matriks penimbang spasial juga disusun berdasarkan hubungan ketetanggaan yang telah dirinci dalam tabel 11 berikut : Tabel 11. Hubungan Ketetanggaan Kabupaten/Kota di Jawa Tengah Kabupaten/Kota Kab. Cilacap Kab. Banyumas Kab. Purbalingga Kab. Banjarnegara Kab. Kebumen Kab. Purworejo Kab. Wonosobo

Tetangga Kebumen, Banyumas, Brebes Tegal, Cilacap, Brebes, Kebumen, Purbalingga, Pemalang Banjarnegara, Pekalongan, Pemalang, Banyumas Wonosobo, Purbalingga, Kebumen, Batang, Banyumas Purworejo, Wonosobo, Banjarnegara, Cilacap, Banyumas Wonosobo, Magelang, Kebumen Magelang, Purworejo, Temanggung, Banjarnegara, Kendal, Batang, Kebumen

55

Tabel 12. Lanjutan Hubungan Ketetanggaan Kabupaten/Kota di Jawa Tengah Kabupaten/Kota Kab. Magelang Kab. Boyolali Kab. Klaten Kab. Sukoharjo Kab. Wonogiri Kab. Karanganyar Kab. Sragen Kab. Grobogan Kab. Blora Kab. Rembang Kab. Pati Kab. Kudus Kab. Jepara Kab. Demak Kab. Semarang Kab. Temanggung Kab. Kendal Kab. Batang Kab. Pekalongan Kab. Pemalang Kab. Tegal Kab. Brebes Kota Magelang Kota Surakarta Kota Salatiga Kota Semarang Kota Pekalongan Kota Tegal

Tetangga Wonosobo, Temanggung, Semarang, Boyolali, Klaten, Kota Magelang Sukoharjo, Sragen, Semarang, Magelang, Kota Surakarta, Klaten, Karanganyar, Grobogan Sukoharjo, Magelang, Boyolali Karanganyar, Boyolali, Klaten, Kota Surakarta, Wonogiri Sukoharjo, Karanganyar Sukoharjo, Sragen, Kota Surakarta,Boyolali, Magelang Karanganyar,Boyolali,Grobogan Sragen, Semarang, Pati, Kudus, Blora, Demak, Boyolali Rembang, Pati, Grobogan Blora, Pati Rembang, Blora, Grobogan, Kudus, Jepara Pati, Demak, Grobogan, Jepara Kudus, Pati ,Demak Semarang, Kudus, Kota Semarang, Jepara, Grobogan Temanggung, Boyolali, Grobogan, Kota Salatiga, Magelang, Demak, Kendal, Kota Semarang Wonosobo, Magelang, Semarang, Kendal Wonosobo, Temaggung, Semarang, Kota Semarang, Batang Wonosobo, Pekalongan, Kota Pekalongan, Kendal, Cilacap Purbalingga, Pemalang, Batang, Banjarnegara, Kota_Pekalongan Tegal, Purbalingga, Pekalongan, Banyumas Pemalang, Banyumas, Brebes, Kota_Tegal Tegal, Kota_Tegal, Cilacap, Banyumas Magelang Sukoharjo, Karanganyar, Boyolali Semarang Semarang, Demak, Kendal Pekalongan, Batang Tegal, Brebes

56

Hubungan kriteria ketetanggan ini didapat matriks kriteria ketetanggan dengan metode Queen Contiguity (persinggungan sisi – sudut) yang dapat dilihat pada pada gambar 3. 5.4 Matriks Pembobot Spasial Langkah selanjutnya adalah membuat matriks pembobot spasial dan matriks standarisasi pembobot spasial, namun sebelumnya terlebih dahulu melakukan inisialisasi untuk setiap kabupaten/kota di Provinsi Jawa Tengah yang dapat dilihat pada tabel berikut : Tabel 13. Inisialisasi Kabupaten/Kota di Provinsi Jawa Tengah Kabupaten Kab. Cilacap Kab. Banyumas Kab. Purbalingga Kab. Banjarnegara Kab. Kebumen Kab. Purworejo Kab. Wonosobo Kab. Magelang Kab. Boyolali Kab. Klaten Kab. Sukoharjo Kab. Wonogiri Kab. Karanganyar Kab. Sragen Kab. Grobogan Kab. Blora Kab. Rembang Kab. Pati

Inisialisasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

Kabupaten Kab. Kudus Kab. Jepara Kab. Demak Kab. Semarang Kab. Temanggung Kab. Kendal Kab. Batang Kab. Pekalongan Kab. Pemalang Kab. Tegal Kab. Brebes Kota Magelang Kota Surakarta Kota Salatiga Kota Semarang Kota Pekalongan Kota Tegal

Inisialisasi 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35

57

Gambar 7. Matriks Pembobot Spasial Gambar 3 merupakan matriks pembobot spasial penduduk miskin di Provinsi Jawa Tengah, matriks ini bertujuan untuk memberikan nilai untuk kabupaten/kota yang bertetangga di Provinsi Jawa Tengah. Nilai 1 diberikan untuk daerah bersinggungan (bertetangga) dengan daerah lain, sedangkan untuk nilai 0 diberikan untuk daerah yang tidak bersinggungan (bertetangga). Pembobot keterkaitan antar wilayah merupakan besaran yang menunjukkan persentase tingkat keterkaitan. Asumsi yang digunakan adalah bahwa setiap wilayah tetangga memberikan kontribusi keterkaitan yang sama bagi satu wilayah. Jika total tingkat keterkaitan dengan wilayah tetangga adalah 100 persen maka pembobot keterkaitan dengan satu wilayah tetangga merupakan rata-ratanya. Matriks pembobot spasial merupakan matriks simetris dan diagonal utama selalu bernilai nol. Susunan matriks yang distandardisasi yaitu jumlah baris sama dengan satu. Pada gambar 4 merupakan matriks yang telah mengalami standarisasi.

58

Gambar 8. Matrik Pembobot Terstandarisasi 5.5 Indeks Moran’s Moran’s I merupakan salah satu metode yang digunakan untuk menghitung depedensi spasial yaitu untuk menentukan autokorelasi spasial antar lokasi pengamatan. Nilai Indeks Moran’s I berkisar antara -1 < I < 1, apabila nilai indeks moran’s

maka terjadi autokorelasi spasial positif,

maka terjadi

autokorelasi negatif. Berikut hasil perhitungan nilai Moran’s I variabel persentase penduduk miskin dengan bantuan Software Microsoft Excel.

59

Tabel 14. Perhitungan Nilai Moran’s I Variabel Persentase Penduduk Miskin Kabupaten Kab. Cilacap Kab. Banyumas Kab. Purbalingga Kab. Banjarnegara Kab. Kebumen Kab. Purworejo Kab. Wonosobo Kab. Magelang Kab. Boyolali Kab. Klaten Kab. Sukoharjo Kab. Wonogiri Kab. Karanganyar Kab. Sragen Kab. Grobogan Kab. Blora Kab. Rembang Kab. Pati Kab. Kudus Kab. Jepara Kab. Demak Kab. Semarang Kab. Temanggung Kab. Kendal Kab. Batang Kab. Pekalongan Kab. Pemalang Kab. Tegal Kab. Brebes Kota Magelang Kota Surakarta

(Yi-

Y 15.24 18.44 20.53 18.71 21.32 15.44 22.08 13.96 13.27 15.6 9.87 14.02 13.58 15.93 14.87 14.64 20.97 12.94 8.62 9.23 15.72 8.51 12.42 12.68 11.96 13.51 19.27 10.58 20.82 9.8 11.74

1.38229 4.58229 6.67229 4.85229 7.46229 1.58229 8.22229 0.10229 -0.5877 1.74229 -3.9877 0.16229 -0.2777 2.07229 1.01229 0.78229 7.11229 -0.9177 -5.2377 -4.6277 1.86229 -5.3477 -1.4377 -1.1777 -1.8977 -0.3477 5.41229 -3.2777 6.96229 -4.0577 -2.1177

2

1.91071 20.9973 44.5194 23.5447 55.6857 2.50363 67.606 0.01046 0.34541 3.03556 15.9019 0.02634 0.07713 4.29437 1.02472 0.61197 50.5846 0.8422 27.4337 21.4157 3.46811 28.598 2.06702 1.38701 3.60132 0.12091 29.2928 10.7434 48.4734 16.465 4.48471

1.91441 12.5712 24.1856 16.4215 30.7766 8.24318 10.9195 -0.024 0.49968 -2.5719 0.86021 0.21042 -0.1065 -4.1737 -1.045 3.93346 -0.4816 0.17594 3.4973 17.399 -8.4952 10.8904 -0.6467 2.13604 -0.5215 -0.6566 10.3228 -5.2109 -4.057 -0.415 3.3916

670.52246 663.74951 677.29542 677.29542 677.29542 670.52246 663.74951 541.83633 677.29542 670.52246 677.29542 677.29542 677.29542 670.52246 663.74951 670.52246 677.29542 677.29542 677.29542 670.52246 677.29542 677.29542 677.29542 677.29542 677.29542 677.29542 677.29542 677.29542 677.29542 677.29542 670.52246

60

Tabel 15. Lanjutan Perhitungan Nilai Moran’s I Variabel Persentase Penduduk Miskin Kabupaten

Y

Kota Salatiga Kota Semarang Kota Pekalongan Kota Tegal

6.4 5.25 8.26 8.84

(Yi-7.4577 -8.6077 -5.5977 -5.0177

2

55.6175 74.0927 31.3344 25.1775

39.8817 13.3797 6.2846 -9.2441

677.29542 670.52246 677.29542 677.29542

Dengan : N = 35 X = 13,858 Contoh perhitungan untuk kabupaten Cilacap

=(0.33×1.38229×4.58229)+(0.33×1.38229×7.46229)+ (0.33×1.38229×6.96229)= 1.91441 = 347,46 = 826 = 28893

Nilai Moran’s I Variabel Persentase Penduduk Miskin :

Secara lengkap hasil Moran’s I dikerjakan dengan menggunakan software Geoda dengan hasil sebagai berikut : 1. Nilai Moran’s I Variabel Persentase Penduduk Miskin : 0,420903

61

2. Nilai Moran’s I Variabel Tingkat Pengangguran Terbuka : 0,516695 3. Nilai Moran’s I Variabel Peduduk Bekerja di sektor pertanian : 0,119896 4. Nilai Moran’s I Variabel Jumlah Penduduk : 0,310955 Berdasarkan nilai Moran’s I dan

pada masing-masing variabel terlihat bahwa

semua nilai Moran’s I bernilai lebih besar dari

yang artinya semua variabel

dependen maupun independen memiliki autokorelasi positif. 5.6

Uji Lagrange Multiplier (LM) Menentukan model spasial dilakukan dengan uji LM (Lagrange Multiplier).

Lagrange Multiplier digunakan untuk mendeteksi depedensi spasial lag, atau dependensi error atau keduanya lag dan error. Nilai LM dapat diperoleh menggunakan persamaan 3.19 dan 3.20. Berikut ini hasil pengujian LM menggunakan software Geoda.

Gambar 9. Analisis Dependensi Spasial 5.6.1 Uji Moran’s I Dari gambar 5 akan dilakukan uji Moran’s I bertujuan untuk mengidentifikasi apakah ada dependen spasial atau tidak. Untuk Uji hipotesisnya: i. Uji Hipotesis H0 :

(Tidak ada dependensi spasial)

H1 :

(Ada dependensi spasial)

ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.1 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak H0

62

iv. Statistika Uji Nilai probabilitas Moran’s I untuk kemiskinan sebesar 0,00192. v. Keputusan Pada gambar 9 menunjukan bahwa nilai p-value menunjukan Tolak H0 vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan bahwa ada dependensi spasial dalam error suatu model regresi. 5.6.2 Uji Lagrange Multiplier-Lag Uji Lagrange Multiplier Lag bertujuan untuk identifikasi adanya keterkaitan antar wilayah dengan menggunakan metode Spasial Autoregressive. Uji hipotesisnya seperti berikut: i. Uji Hipotesis H0 : Tidak ada dependensi spasial-lag H1 : Ada dependensi spasial-lag ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.1 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak H0 iv. Statistika Uji Nilai LM-lag untuk kemiskinan sebesar 0,02249 v. Keputusan Pada gambar 9 menunjukan bahwa nilai p-value menunjukan Tolak H0 vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan bahwa ada dependensi spasial-lag dalam model regresi. 5.6.3 Uji Lagrange Multiplier-Lag error Uji Lagrange Multiplier error bertujuan untuk identifikasi adanya keterkaitan antar wilayah berdasarkan errornya, dari uji LM-error berkelanjutan metode untuk

63

analisis spasial menggunakan Spasial Error Model (Spasial EM). Uji hipotesisnya seperti berikut: i. Uji Hipotesis H0 : Tidak ada dependensi spasial error H1 : Ada dependensi spasial error ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.1 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak H0 iv. Statistika Uji Nilai LM-lag error untuk kemiskinan sebesar 0,01379 v. Keputusan Pada gambar 9 menunjukan bahwa nilai p-value menunjukan Tolak H0. vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan bahwa ada dependensi spasial-lag error dalam model regresi. Pengujian Lagrange Multiplier menunjukan bahwa adanya dependensi spasiallag pada persentase penduduk miskin sehingga perlu dilanjutkan ke pembuatan model Spatial Autoreggressive Model (SAR), dan pada uji Lagrange Multiple error menghasilkan keputusan adanya spasial error, sehingga analisis selanjutnya menggunakan analisis Spatial Error Model (Spasial EM). Pada penelitian ini menunjukan kedua dependensi spasial-lag dan spasial-error signifikan, sehingga metode yang digunakan analisis Spasial Autoregressive (SAR) dan Spasial Error Model (Spasial EM). 5.7

Spasial Autoregressive Model (SAR) Spatial Autoregressive Model atau Spasial Lag Model adalah model spasial

pendekatan area dengan memperhitungkan pengaruh spasial lag pada variabel dependen saja.

64

Gambar 10. Output Spasial Lag Pada gambar 10 menunjukan bahwa TPT (X1), penduduk bekerja disektor pertanian (X2), berpengaruh nyata terhadap persentase penduduk miskin di Provinsi Jawa Tengah. Hal ini dapat dilihat dari nilai probabilitas variabel X1 dan X2 yang kurang dari 0,1. 5.7.1 Uji Efek Spasial a. Dependensi Spasial Pada diagnostik cek ini untuk pengujian dependensi spasial dengan menggunakan Likelihood Rastio Test, berikut ini uji hipotesisnya: i. Uji Hipotesis H0 : Tidak ada korelasi spasial H1 : Ada korelasi spasial ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.1. iii. Daerah kritis Nilai p-value < α maka keputusannya tolak iv. Statistika Uji Nilai p-value menunjukan 0,02264

65

v. Keputusan Pada gambar 10 menunjukan bahwa nilai p-value menunjukan Tolak

.

vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan bahwa ada korelasi spasial antar wilayah. b. Heterogenitas Spasial Uji heterogenitas ini menggunakan uji Breusch-Pagan untuk melihat keragam sisaan. Berikut ini uji hipotesisnya: i. Uji Hipotesis H0 : Homogenitas spasial H1 : Heterogenitas spasial ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.05 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak iv. Statistika Uji Nilai p-value menunjukan 0,61475 v. Keputusan Pada gambar 10 menunjukan bahwa nilai p-value menunjukan gagal tolak

vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan bahwa terdapat homogenitas spasial pada model spasial error. 5.7.2 Persamaan Spatial Autoregressive Model Pada persamaan Spasial Autoregressive perbedaan dengan OLS terletak pada estimasi .

yang merupakan estimasi berdasarkan spasial variabel dependen dengan

66

Model atau persamaan SAR diatas dapat diinterpretasikan, ketika TPT meningkat sebesar 1 satuan maka dapat menambah persentase penduduk miskin sebesar 0,6383495. Pada penduduk yang bekerja disektor pertanian meningkat sebesat 1 satuan makan menambah persentase penduduk miskin sebesar 0,1474871 sedangkan pada

nilai koefisien pembobot wilayah berdasarkan nilai variabel

dependen sebesar 0,3282026 yang berarti bahwa semikin banyak pembobot wilayah pada satu unit pengamatan nilai

semakin besar.

5.8 Spatial Error Model Spatial Error Model adalah model spasial pendekatan wilayah dengan memperhitungkan pengaruh spasial error dengan menggunakan nilai residual tiap wilayah

Gambar 11. Output Spasial Error Model Pada gambar 11 menunjukan bahwa tingkat pengangguran terbuka (X1), penduduk bekerja disektor pertanian (X2) dan spasial error (

berpengaruh nyata

67

terhadap persentase penduduk miskin di Provinsi Jawa Tengah. Hal ini dapat dilihat dari nilai probabilitas yang kurang dari 0,1. 5.8.1 Uji Efek Spasial a. Dependensi Spasial Pada diagnostik cek ini untuk pengujian dependensi spasial dengan menggunakan Likelihood Rastio Test, berikut ini uji hipotesisnya: i. Uji Hipotesis H0 : Tidak ada korelasi spasial H1 : Ada korelasi spasial ii. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.1 iii. Daerah kritis Nilai p-value < α maka keputusannya tolak iv. Statistika Uji Nilai p-value menunjukan 0,01026 v. Keputusan Pada gambar 11 menunjukan bahwa nilai p-value menunjukan tolak vi. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%, menunjukan bahwa ada korelasi spasial antar wilayah. b. Heterogenitas Spasial Uji heterogenitas ini menggunakan uji Breusch-Pagan untuk melihat keragam sisaan. Berikut ini uji hipotesisnya: c. Uji Hipotesis H0 : Homogenitas spasial H1 : Heterogenitas spasial d. Tingkat signifikansi Peneliti menggunakan tingkat signifikan sebesar α= 0.1

68

e. Daerah kritis Nilai p-value < α maka keputusannya tolak f. Statistika Uji Nilai p-value menunjukan 0,69262 g. Keputusan Pada gambar 11 menunjukan bahwa nilai p-value menunjukan gagal tolak . h. Kesimpulan Dengan menggunakan tingkat kepercayaan 90%,

menunjukan bahwa

terdapat homogenitas spasial pada model spasial error. 5.8.2 Persamaan Spatial Error Model Pada persamaan Spasial EM terdapat nilai parameter lamda yang menunjukan adanya dependensi nilai error tiap wilayah, sehingga dalam persamaan dimasukan unsur error tiap wilayah sebagai pembobot nilai estimasi DBD pada wilayah tertentu.

Model atau persamaan SEM diatas dapat diinterpretasikan, TPT meningkat sebesar 1 satuan maka dapat menambah persentase penduduk miskin sebesar 1,050733, dan penduduk yang bekerja disektor pertanian meningkat sebesat 1 satuan makan menambah persentase penduduk miskin sebesar 0,1414407 sedangkan pada nilai koefisien pembobot wilayah berdasarkan nilai variabel dependen sebesar 0,5115144 yang berarti bahwa semikin banyak pembobot wilayah pada satu unit pengamatan nilai 5.9

semakin besar.

Model Terbaik Sebelumnya peneliti telah menggunakan dua model untuk membentuk

persamaan dalam mengestimasi persentase penduduk miskin di Provinsi Jawa Tengah

69

pada tiap wilayah. Pada kedua model tersebut peneliti menggunakan model terbaik untuk mengestimasi persentase penduduk miskin di Provinsi Jawa Tengah dengan melihat nilai sum square error terkecil. Pada tabel 19 adalah hasil perhitungan estimasi dari metode regresi spasial tersebut, Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM). Tabel 19 menunjukan bahwa nilai sum squre error terkecil pada model spasial EM, sehingga peneliti menggunakan persamaan pada Spatial Error Model untuk persentase penduduk miskin di Provinsi Jawa Tengah. Tabel 16. Ukuran Kebaikan SAR dan SEM Model SAR

70,90%

228,555

SEM

73,01%

225,179

Nilai koefisein determinasi (R2), model yang baik adalah model yang memilik nilai koefisen determinasi lebih besar, yang mana nilai tersebut menunjukan besar kekuatan variabel Y dijelaskan oleh variabel-variabel X. Nilai AIC (Akaike Information Criteria) menujukan ukuran kebaikan fit dari model tersebut, semakin kecil nilai AIC semakin baik model tersebut untuk mengestimasi. Berdasarkan tabel diatas koefisein determinasi (R2) dari model SEM lebih besar daripada model SAR, dan untuk nilai AIC dari model SEM lebih kecil daripada model SAR .