MAKALAH TUGAS AKHIR POLA HUBUNGAN ANTARA FAKTOR SOSIAL EKONOMI DENGAN PENGGUNAAN INTERNET PADA RUMAH TANGGA DI JAWA TIMUR

MAKALAH TUGAS AKHIR POLA HUBUNGAN ANTARA FAKTOR SOSIAL EKONOMI DENGAN PENGGUNAAN INTERNET PADA RUMAH TANGGA DI JAWA TIMUR Yusqi Mahmudi1 dan Ismaini Zain2 1 Mahasiswa Jurusan Statistika FMIPA-ITS e-mail: [email protected] 2 Dosen Jurusan Statistika FMIPA-ITS e-mail: [email protected] ABSTRAK Penggunaaan komputer telah berkembang beberapa tahun terakhir, jumlah komputer yang beredar saat ini diperkirakan sudah menembus angka 1 miliar unit. Sedangkan Jumlah pengguna internet di seluruh dunia pada tahun 2008 sebesar 1,5 miliar orang. Di Indonesia rumah tangga (RT) yang memiliki komputer hanya sekitar 2,2 juta RT (3,68 persen) dari 58,8 juta RT keseluruhan. Namun hanya 0,6 juta RT (sekitar 27 persen) yang menggunakannya untuk akses ke internet (BPS, 2006). Badan Pusat Statistik sebagai penyedia data telah melakukan survei sosial dan ekonomi (Susenas) yang di dalamnya termasuk data penggunaan internet pada rumah tangga. Namun analisis yang digunakan hanya berupa statistik deskriptif sehingga diperlukan analisis lain yang lebih baik salah satunya yaitu regresi logistik. Model regresi logistik biner adalah model yang menghubungkan variabel acak respon Y yang berskala kategorik biner dengan variabel acak penjelas X baik kategorik atau kontinu. Setelah dilakukan analisis regresi logistik diketahui bahwa variabel yang berpengaruh signifikan terhadap penggunaan internet pada suatu rumah tangga adalah pendidikan terakhir kepala keluarga (x3), status pekerjaan kepala keluarga (x5), dan biaya telepon (x11). Model regresi logistik terbaik yang diperoleh adalah sebagai berikut. exp(1,646  0,471x3( 2)  0,329 x5  0,197 x11 )   ( x)  1  exp(1,646  0,471x3( 2 )  0,329x5  0,197 x11 ) Kata kunci : internet, Susenas, regresi logistik. 1. Pendahuluan Pengguna komputer dan internet telah berkembang beberapa tahun terakhir, jumlah komputer yang beredar saat ini diperkirakan sudah menembus angka 1 miliar unit. Sedangkan jumlah total pengguna internet di seluruh dunia pada tahun 2008 sebesar 1,5 miliar orang (23,3 persen). Dari 1,5 miliar pengguna internet saat ini, 41 persen berada di Asia, Eropa 25 persen disusul Amerika Utara 16 persen dan Afrika hanya 5,6 persen (Anonim_1, 2009). Di Indonesia rumah tangga (selanjutnya akan disebut RT) yang memiliki komputer hanya sekitar 2,2 juta RT (3,68 persen) dari 58,8 juta RT keseluruhan. Namun hanya 0,6 juta RT (sekitar 27 persen) yang menggunakannya untuk akses ke internet (BPS, 2006). Di Jawa Timur RT yang melakukan akses internet melalui warnet sebesar 2,2 persen, kantor/sekolah sebesar 2,1 persen, dan RT yang melakukan akses internet melalui komputer di rumah hanya sebesar 0,8 persen dari seluruh RT di Jawa Timur (Meidyasari, 2009). Penelitian-penelitian sebelumnya tentang penggunaan internet telah dilakukan oleh Rice dan Katz (2003), Noce dan Mc Koewn (2005), Chaudhuri dkk (2005), Robertson dkk (2007), Furuholt dkk (2008), Wahyudi (2009), Atmanegara (2009), Meidyasari (2009). Penelitian Meidyasari tentang penggunaan komputer dengan sambungan internet pada RT di Jawa Timur menunjukkan bahwa variabel yang berpengaruh adalah domisili, pendidikan terakhir kepala keluarga, pengeluaran makanan, tagihan rekening listrik, tagihan rekening telepon, dan jumlah anak sekolah. Namun pada penelitian tersebut terdapat kelemahan karena jumlah pengguna komputer dengan sambungan internet di Jawa Timur sangat kecil yaitu hanya 0,8 persen ≈1 persen. Padahal suatu RT sebelum dapat melakukan sambungan internet harus mempunyai komputer terlebih dahulu sehingga penelitian tersebut kurang mewakili penggunaan sambungan internet pada RT di Jawa Timur. Jumlah pengguna komputer pada RT di Jawa Timur juga tidak terlalu besar sehingga membutuhkan penelitian lebih lanjut tentang penggunaan komputer dan internet, terutama penggunaan internet pada RT yang sudah mempunyai komputer.

1

Berdasarkan latar belakang di atas terdapat beberapa permasalahan yang akan dikaji dalam penelitian ini adalah sebagai berikut. 1. Bagaimana karakteristik RT yang mempunyai komputer di Jawa Timur terkait dengan penggunaan internet? 2. Variabel-variabel apa saja yang mempengaruhi penggunaan internet pada RT yang mempunyai komputer di Jawa Timur? 3. Bagaimana pemodelan antara penggunaan internet pada RT yang mempunyai komputer di Jawa Timur dengan variabel-variabel yang mempengaruhinya? 1. 2. 3.

Tujuan diadakannya penelitian ini adalah adalah sebagai berikut. Mendeskripsikan karakteristik RT yang mempunyai komputer di Jawa Timur terkait dengan penggunaan internet. Mendapatkan variabel-variabel apa saja yang mempengaruhi penggunaan internet pada RT yang mempunyai komputer di Jawa Timur. Memodelkan antara penggunaan internet pada RT yang mempunyai komputer di Jawa Timur dengan variabel-variabel yang mempengaruhinya.

Manfaat yang diharapkan dari penelitian ini adalah dapat memberikan informasi mengenai penggunan internet pada RT di Jawa Timur yang nantinya dapat digunakan sebagai dasar kebijakan pemerintah/Depkominfo untuk memenuhi kebutuhan akan akses internet. Adapun batasan permasalahan dalam penelitian ini adalah sebagai berikut. 1. Penggunaan internet yang diteliti hanya pada tingkat RT. RT sendiri adalah seseorang atau sekelompok orang yang mendiami sebagian atau seluruh bangunan fisik, atau sensus dan biasanya tinggal bersama serta makan bersama dari satu dapur. Yang dimaksud dengan satu dapur adalah pengurusan kebutuhan sehari-harinya dikelola menjadi satu (Anonim_2, 2010). 2. RT yang diteliti adalah RT yang mempunyai komputer yang berupa desktop atau PC, laptop, dan notebook. Penggunaan internet yang diteliti hanya penggunaan internet melalui komputer di rumah sedangkan penggunaan internet melalui handphone, warnet, kantor, sekolah dan tempat di luar rumah tidak termasuk dalam penelitian ini. 2. Tinjauan Pustaka Model Regresi Logistik Model Regresi Logistik adalah model yang menghubungkan variabel respon Y yang berskala kategorik biner dengan variabel prediktor X baik kategorik atau kontinu. Variabel respon Y diklasifikasikan menjadi dua yaitu sukses atau gagal, atau dapat juga ditulis dengan dua nilai yaitu Y = 1 (sukses) dan Y = 0 (gagal). Bentuk dari model Regresi Logistik dengan p variabel independen adalah sebagai Persamaan 2.1 (Hosmer dan Lemeshow, 1989).

 ( x) 

exp(  0  1 x1   2 x 2  ...   p x p )

(2.1)

1  exp(  0   1 x1   2 x 2  ...   p x p ) Dimana :  (x ) : peluang sukses atau P(Y=1)

Dengan menggunakan transformasi logit dari  (x ) maka model logistik dikotomos dapat ditulis sebagai Persamaan 2.2.

 ( x) = ln (exp(  0   1 x1  ...   p x p )) 1   ( x) g (x) =  0   1 x1  ...   p x p ln

(2.2)

Pendugaan Parameter Model Metode Maximum Likelihood (metode kemungkinan maksimum) digunakan untuk menduga parameter-parameter dari model persamaan regresi logistik. Parameter model diestimasi dari vektor  T  (  0 , 1 ,  2 ,...,  p ) . Nilai vektor  T diperoleh dengan memaksimumkan fungsi L(  ) melalui pendeferensialan dengan parameter-parameter yang akan dihitung.

2

Fungsi L(  ) adalah fungsi log likelihood sebagai berikut. p n    p  n  (2.3) L(  )    y i x ij   j   ln 1  exp   j x ij  j 1  i 1 i 1    j 1  Fungsi log likelihood diatas diperoleh berdasarkan pada persamaan likelihood sebagai berikut. 1 y n  n    n (2.4) (1   ( x ) exp y ln  ( xi )  ( x ) y 1   ( x )   1



i

i 1

i

  i 1

i

i

 

  i 1

i

  1   ( x i )  

dimana i = 1, 2, ..., n Persamaan log likelihood pada persamaan (2.5) dideferensialkan terhadap masing-masing elemen  . Sehingga diperoleh persamaan likelihood sebagai Persamaan 2.5. n

n

i 1

i 1

 yi xij    ( xi ) xij  0 dengan j = 0, 1, 2, ..., p

(2.5)

Sedangkan estimasi varian dan kovarian diperoleh dari turunan kedua dari fungsi likelihood, turunan kedua adalah sebagai Persamaan 2.6. n 2L   xij xiu  i (1   i )  j  u i 1

(2.6)

Uji Signifakasi Parameter Uji signifikasi parameter model dilakukan untuk memeriksa apakah variabel prediktor mempunyai pengaruh yang nyata di dalam model. Uji parameter yang digunakan dalam penelitian ini adalah statistik Uji-G dan statistik Uji Wald. Pengujian yang dilakukan adalah sebagai berikut ( Hosmer dan Lemeshow, 1989 ). 1. Uji Individu Hipotesis yang digunakan dalam pengujian ini adalah adalah sebagai berikut. H0 :  j = 0 , j = 1, 2, .... p H1

: j 0

Statistik Uji : Statistik Uji Wald

Wj 

ˆ j SEˆ ( ˆ j )

~ N(0, 1)

(2.7)

H0 ditolak pada tingkat signifikan sebesar  bila Wj > 2 ,1 atau nilai p-value <  . 2. Uji Serentak Hipotesisi yang digunakan dalam pengujian ini adalah sebagai berikut. H0 : 1  ...   j  0 H1

: minimal ada satu  j  0

Statistik Uji : Statistik uji G atau Likelihood Ratio Test sebagai berikut. n1

G  2 ln

 n1   n0  n0      n   n  yi

n

(2.8)

   1    i 1

i

1 yi

i

H0 ditolak pada tingkat signifikan sebesar  bila nilai G > 2 , p atau nilai p-value < . Uji Kesesuaian Model Regresi Logistik Statistik uji yang dapat digunakan untuk menguji kesesuaian model regresi logistik adalah tes kebaikan model Hosmer dan Lemeshow. Hipotesis yang digunakan sebagai berikut adalah sebagai berikut. H0 : Model sesuai (tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model)

3

H1 : Model tidak sesuai (ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model) Statistik Uji :

 (o j  n j j ) 2   j 1 n j j (1   j ) g

C

(2.9)

H0 ditolak pada tingkat signifikan sebesar  bila nilai C > 2 ,db atau nilai p-value < . Rasio Odds Rasio odds merupakan ukuran asosiasi/hubungan yang menyatakan seberapa besar kecenderungan variabel respon bernilai tertentu (misal Y=1) jika variabel respon bernilai x=1 dibandingkan dengan x=0. Menurut Hosmer dan Lemeshow (1989), rasio odds ditulis sebagai berikut.   e   i  Interprestasi dari rasio odds ini adalah untuk variabel prediktor yang berskala nominal X = 1, memiliki kecenderungan untuk Y = 1 sebesar  kali dibandingkan dengan variabel X = 0. Sedangkan jika variabel prediktornya berskala kontinu maka regresi logistik diasumsikan linier. Jika koefisien β1 positif, maka semakin besar nilai variabel x, semakin besar pula kecenderungan untuk Y = 1 (Hosmer dan Lemeshow, 1989). Faktor Interaksi Dalam suatu model regresi logistik dimungkinkan terdapat faktor interaksi, faktor interaksi dapat terjadi antar variabel prediktor baik kategorik maupun kontinu. Misalkan variabel berskala kategorik dinyatakan dengan F dan variabel kontinu dinyatakan dengan X sehingga interaksinya adalah F.X. Model logit untuk F=f dan X=x adalah sebagai berikut (Hosmer dan Lemeshow, 1989). g (f,x) =  0   1 f   2 x   3 fx (2.10) Untuk mendapatkan odd ratio untuk dua kategori F=f1 dan F=f0 pada X=x, model 2.15 dibagi sesuai kategorinya sehingga menghasilkan model sebagai berikut. g (f1,x) =  0  1 f 1   2 x   3 f 1 x g (f0,x) =  0   1 f 2   2 x   3 f 2 x Log odds merupakan beda antara dua penduga logit yang dihitung pada dua nilai (F=f1 dan F=f0 pada X=x) dinotasikan sebagai berikut. ln a, b   g (f1, x)  g (f0,x)

ln a, b   1 ( f 1  f 0 )   3 x( f1  f 0 )

Sedangkan penduga rasio odds adalah sebagai berikut.

(2.11)  a , b   exp[ 1 ( f1  f 0 )   3 x ( f1  f 0 )] Definisi Komputer, Internet dan RT Komputer adalah alat yang dipakai untuk mengolah data menurut prosedur yang telah dirumuskan (Anonim_3, 2010). Menurut BPS komputer disini adalah dekstop atau personal computer (PC), laptop, dan notebook. Desktop adalah komputer pribadi yang ditujukan untuk penggunaan secara umum denagn monitor yang biasa diletakkan di atas meja. Desktop memiliki monitor, CPU, dan papan ketik terpisah satu sama lain dan relatif berukuran besar. Laptop adalah desktop yang berukuran relatif kecil dan ringan yang dapat dibawa kemana-mana (mobile), beratnya berkisar dari 1-6 kg, tergantung ukuran, bahan, dan spesifikasi laptop tersebut. Notebook adalah laptop yang berukuran lebih kecil lagi namun memiliki kecepatan processor dan memori yang dimiliki lebih lebih kecil dari laptop. Internet (interconnectednetworking) ialah rangkaian komputer yang terhubung di dalam beberapa rangkaian yang berhubung secara global dan menggunakan TCP/IP sebagai protokol pertukaran paket (Anonim_4, 2010). RT biasa adalah seseorang atau sekelompok orang yang mendiami sebagian atau seluruh bangunan fisik, atau sensus dan biasanya tinggal bersama serta makan bersama dari satu dapur. Yang dimaksud dengan satu dapur adalah pengurusan kebutuhan sehari-harinya dikelola menjadi satu. Anggota RT (ART) adalah semua orang yang biasanya bertempat tinggal di suatu RT, baik yang sedang berada di rumah pada waktu pencacahan maupun yang sementara tidak berada di rumah Kepala RT adalah seeorang dari anggota RT yang bertanggung jawab atas kebutuhan sehari-hari ruamh tangga tersebut, atau orang yang karena suatu hal dianggap atau ditunjuk sebagai kepala RT (Anonim_2, 2010).

4

Penggunaan Internet Pada RT di Jawa Timur Suatu RT di Jawa Timur dikategorikan mempunyai komputer bila dalam RT tersebut minimal terdapat sebuah dekstop/ personal computer (PC) atau laptop atau notebook. Jika RT yang mempunyai komputer tersebut menggunakannya untuk akses internet maka RT tersebut termasuk RT pengguna internet. Data yang diperoleh dari penggunaan internet pada RT berupa data kategorik biner sehingga regresi sederhana tidak bisa digunakan karena akan terjadi bias pada penaksiran parameter. Untuk mengatasi hal tersebut digunakan analisis regresi logistik (Hosmer dan Lemeshow, 1989). 3. Metodologi Penelitian Data yang digunakan dalam penelitian ini berasal dari data sekunder. Data tersebut merupakan data hasil Survey Sosial Ekonomi Nasional (SUSENAS) 2006. Objek pada penelitian ini adalah RT yang mempunyai komputer dan menggunakannya untuk akses internet. Jumlah rumah tanggga di Jawa Timur yang mempunyai komputer sebanyak 1113 RT. Variabel-variabel penelitian yang digunakan dalam penelitian ini adalah sebagai berikut. a. Variabel respon (y): penggunaan internet pada RT yang mempunyai komputer yang selanjutnya akan disebut penggunaan internet pada RT, yang dibedakan menjadi dua kategorik yaitu RT yang menggunakan internet (1) dan tidak menggunakan internet (0). b. Variabel-variabel prediktor. Variabel-variabel prediktor yang diduga mempengaruhi penggunaan internet pada suatu RT dapat dilihat pada Tabel 3.1. Tabel 1 Variabel-variabel prediktor

Var

Nama Variabel

x1

Domisili

x2

Kepemilikan rumah

x3

Pendidikan terakhir kepala RT (pendidikan terakhir)

x4

Jenis lapangan pekerjaan kepala RT (lapangan pekerjaan)

x5

Status pekerjaan kepala RT (status pekerjaan)

Kategori 1. Pedesaan (0) 2. Perkotaan (1) 1. Bukan milik sendiri (0): kontrak, sewa, bebas sewa, dinas, milik orang tua/ anak/ saudara dan lainnya. 2. Milik sendiri (1) 1. SMP ke bawah (0): tidak pernah sekolah, SD, MI, SMP, MTs. 2. SMA (1): SMA, MA, dan SMK. 3. Perguruan tinggi (2): D1, D2, D3, D4/S1, S2/S3. 1. Petanian (0): pertanian, kehutanan, peternakan, dan perikanan. 2. Industri (1) : industri, pertambangan, listrik, air, gas dan konstruksi. 3. Perdagangan (2): perdagangan, akomodasi, dan rumah makan. 4. Jasa (3): jasa, lembaga keuangan, real estate, persewaan, transportasi, pergudangan, dan transportasi. 1. Informal (0): usaha sendiri, usaha di bantu buruh tetap/tidak tetap atau dibayar/tidak dibayar, pekerja bebas di pertanian/ non pertanian, dan pekerja tidak di bayar. 2. Formal (1) : karyawan, PNS, pegawai swasta, dan buruh. Kontinu

x8

Jumlah anak masih sekolah Persentase anak yang berpendidikan di atas SMP Biaya pendidikan

x9

Pengeluaran makanan

Kontinu

x10

Biaya listrik

Kontinu

x11

Biaya telepon

Kontinu

x6 x7

Kontinu Kontinu

5

Langkah-langkah yang harus dilakukan agar analisis data mencapai tujuan penelitian adalah sebagai berikut. 1. Mendeskripsikan karakteristik RT yang mempunyai komputer di Jawa Timur terkait dengan penggunaan internet. 1) Menghitung frekuensi dan persentase dari RT yang menggunakan internet berdasarkan kota/kabupaten yang ada di Jawa Timur. 2) Menghitung frekuensi variabel-variabel prediktor kategorik (x1-x5) dan statistika deskriptif dari variabel-variabel prediktor kontinu (x6-x11) berdasarkan karakteristik RT yang menggunakan internet. 2. Mendapatkan variabel-variabel apa saja yang mempengaruhi penggunaan internet pada RT yang mempunyai komputer di Jawa Timur 1) Menetukan model regresi logistik univariabel antara variabel-variabel prediktor (x1-x11) dengan penggunaan internet pada RT di Jawa Timur. 2) Menguji signifikasi parameter dari setiap model regresi logistik univariabel untuk mengetahui variabel predikor yang berpengaruh signifikan terhadap penggunaan internet pada RT di Jawa Timur. 3. Memodelkan antara penggunaan internet pada RT yang mempunyai komputer di Jawa Timur dengan variabel-variabel yang mempengaruhinya. 1) Melakukan pendugaan parameter yaitu dengan membuat model regresi logistik multivariabel antara variabel-variabel prediktor (x1-x11) dengan penggunaan internet pada RT di Jawa Timur dengan menggunakan metode backward. 2) Mendapatkan model regresi logistik multivariabel terbaik dengan melakukan pengujian parameter. Ada dua tahap dalam pengujian parameter ini yaitu:  Statistik uji-G untuk menguji parameter dari model secara serentak  Statistik uji Wald untuk menguji parameter dari model secara individu 3) Menguji kebaikan model dari model regresi logistik multivariabel terbaik. 4) Menghitung ketepatan klasifikasi berdasarkan model regresi logistik multivariabel terbaik. 5) Menginterpretasikan model regresi logistik multivariabel. 4. Analiss Dan Pembahasan Deskripsi Variabel Penelitian Dari hasil hasil pie chart variabel respon diketahui bahwa jumlah RT yang sudah menggunakan internet sebesar 254 atau 22,8 persen dari 1113 RT yang mempunyai komputer. Sedangkan RT yang belum menggunakan internet sebanyak 859 RT (77,2 persen). Kota/kabupaten dengan tingkat penggunaan internetnya paling rendah adalah Probolinggo, Pamekasan, dan Tuban. Sedangkan kota/kabupaten dengan tingkat penggunaan internetnya paling tinggi adalah kota Malang sebesar 14,6 persen. Variabel prediktor domisili menunjukkan bahwa RT yang mempunyai komputer sebagian besar berada di daerah perkotaan yaitu sebesar 85,2 persen dan hanya sebagian kecil saja yang berada di daerah pedesaan yaitu sebesar 14,8 persen. Kepemilikan rumah juga menunjukkan hal yang sama, sebagian besar RT yang mempunyai komputer sudah mempunyai rumah sendiri (81,7 persen) dan hanya sedikit saja yang belum mempunyai rumah sendiri (18,3 persen). Tingkat pendidikan terakhir kepala RT memperlihatkan proporsi yang cukup seimbang. Kepala RT yang berpendidikan SMP ke bawah sebesar 20,8 persen, setingkat SMA sebesar 38,7 persen dan 40,4 persen untuk tingkat pendidikan perguruan tinggi. Untuk jenis lapangan pekerjaan kepala RT sebagian besar bekerja pada bidang jasa (41,4 persen) dan bidang industri (35,8 persen). Sedangkan untuk status pekerjaan menunjukkan hal yang berimbang antara satus pekerjaan informal (48,8 persen) dan formal (51,2 persen). Hasil dari analisis statistika deskriptif dari variabel prediktor kontinu sebagaimana Tabel 2. Tabel 2 Statistika Deskriptif Variabel Kontinu

Variabel Jumlah anak sekolah Persen ank sklh SMP ke atas Biaya pendidikan/ bln (Ratusan ribu) Pengeluaran makanan/ bln (Ratusan ribu) Biaya listrik/ bln (Ratusan ribu) Biaya telepon/ bln (Ratusan ribu)

6

Mean 1,04 0,38 3,24 8,37 1,89 1,86

Simpangan baku 1,02 0,44 18,71 4,18 1,06 1,67

Berdasarkan Tabel 2 diketahui bahwa rata-rata jumlah anak yang masih sekolah pada RT yang mempunyai mempunyai komputer di Jawa Timur adalah 1 anak namun rata-rata persentase anak sekolah SMP ke atas hanya 0,3832 artinya lebih banyak anak yang masih sekolah tersebut berada pada tingkat SD. Untuk variabel pengeluaran diketahui bahwa pengeluaran makanan merupakan pengeluaran terbesar yang dikeluarkan oleh suatu RT. Berdasarkan Tabel 4.1 diketahui juga bahwa biaya pendidikan simpangan baku terbesar yang berarti pengeluaran pendidikan pada RT di Jawa Timur beragam dari mulai Rp 0 sampai Rp 500.000,- sedangkan simpangan baku persentase anak sekolah SMP ke atas paling kecil atau lebih seragam. Pengaruh Variabel-Variabel Prediktor terhadap Penggunaan Internet pada RT Secara Individu Pada tahap ini dilakukan pengujian pada variabel-varibel prediktor dengan variabel respon secara individu untuk mengetahui variabel-variabel mana yang berpengaruh terhadap penggunaan internet pada RT di Jawa Timur. Hipotesis yang digunakan dalam pengujian secara individu adalah sebagai berikut. H0 :  j = 0 , j = 1, 2, .... 14 H1 :  j  0 Statistik uji yang digunakan adalah statistik uji Wald, Hipotesis akan tolak H 0 , jika nilai p-value kurang dari nilai  . (0,10) yang berarti bahwa parameter  j signifikan. Hasil pengujian secara individu adalah sebagaimana Tabel 3. Tabel 3 Hasil Pengujian Individu

Variabel Domisili (x1) Kepemilikan rumah (x2) Pendidikan terakhir (x3(1)) Pendidikan terakhir (x3(2)) Lapangan pekerjaan (x4(1)) Lapangan pekerjaan (x4(2)) Lapangan pekerjaan (x4(3)) Status pekerjaan (x5) Jumlah anak masih sekolah (x6) Persen anak sekolah ≥SMP(x7) Biaya pendidikan (x8) Pengeluaran makanan (x9) Biaya listrik (x10) Biaya telepon (x11)

Koef 0,526 0,053 0,120 0,503 0,006 0,069 0,243 -0,104 0,019 0,278 0,009 0,060 0,257 0,197

p-value 0,020* 0,774 0,012* 0,017* 0,983 0,811 0,425 0,468 0,790 0,079* 0,139 0,000* 0,000* 0,000*

*) signifikan pada α= 10% **) Sumber Data Susenas 2006 diolah

Berdasarkan Tabel 3 variabel prediktor yang berpengaruh signifikan terhadap penggunaan internet pada RT di Jawa Timur adalah domisili, pendidikan terakhir kepala keluarga, persentase anak sekolah SMP ke atas, pengeluaran makanan, biaya listrik, dan biaya telepon. Pengaruh Variabel-Variabel Prediktor Secara Serentak terhadap Penggunaan Internet pada RT Setelah dilakukan pengujian variabel prediktor secara individu dilakukan pengujian variabel prediktor dengan variabel respon secara serentak. Hipotesis yang digunakan adalah sebagai berikut. H0 : β1= β2 =....= βj = 0, j = 1, 2, 3... 14 H1 : Paling sedikit terdapat satu βj ≠ 0 Berdasarkan pengujian likelihood ratio test didapatkan nilai G = 43,99 >  210%,14 =21,06 (Tolak H0) sehingga terdapat satu/lebih variabel prediktor yang berpengaruh signifikan terhadap model. Kemudian metode backward dilanjutkan hingga semua variabel dalam model signifikan. Hasil akhir yang diperoleh setelah melakukan metode backward adalah sebagaimana Tabel 4.

7

Tabel 4 Hasil Akhir Pengujian Serentak

Variabel Pendidikan terakhir (x3(1)) Pendidikan terakhir (x3(2)) Status pekerjaan (x5) Biaya telepon (x11) Constant

Koef 0,086 0,471 -0,329 0,197 -1,646

p-value 0,689 0,034* 0,038* 0,000* 0,000*

*) signifikan pada α= 10% **) Sumber Data Susenas 2006 diolah

Berdasarkan nilai p-value pada Tabel 4 variabel prediktor yang berpengaruh signifikan secara serentak terhadap penggunaan internet pada RT di Jawa Timur adalah pendidikan terakhir kepala keluarga, status pekerjaan kepala keluarga , dan biaya telepon. Pemodelan dengan Faktor Interaksi Bedasarkan pengujian secara individu dan serentak secara backward terdapat perbedaan yaitu variabel status pekerjaan kepala keluarga (x5) dimana pada pengujian individu variabel ini tidak signifikan tetapi pada pengujian secara serentak variabel ini signifikan. Hal ini dimungkinkan karena adanya faktor interaksi antara sesama variabel prediktor yang signifikan dalam pengujian secara serentak sehingga diperlukan pengujian interaksi antar variabel tersebut. Hipotesis yang digunakan adalah sebagai berikut. H0 : Tidak ada interaksi antara kedua variabel prediktor H1 : Ada interaksi yang signifikan antara kedua variabel prediktor Statistik uji yang digunakan adalah statistik uji Wald, Hipotesis akan tolak H 0 , jika nilai p-value kurang dari nilai  . (0,10) yang berarti bahwa Ada interaksi yang signifikan antara kedua variabel prediktor. Hasil pengujian interaksi secara individu adalah sebagaimana Tabel 5. Tabel 5 Hasil Pengujian Interaksi Secara Individu

Variabel x3(1)x5 x3(2)x5 x3(1)x11 x3(2)x11 x5.x11

Koef -0,161 0,133 0,174 0,209 0,098

p-value 0,353 0,457 0,002* 0,000* 0,021*

*) signifikan pada α= 10% **) Sumber Data Susenas 2006 diolah

Dari Tabel 5 dapat disimpulkan bahwa terdapat interaksi yang signifikan antara pendidikan terakhir kepala keluarga dengan biaya telepon dan terdapat juga interaksi antara status pekerjaan kepala keluarga deangan biaya telepon. Setelah pengujian interaksi antar variabel dilanjutkan dengan pengujian interaksi jika dimasukkan dalam model sehingga diketahui interaksi yang signifikan terhadap model. Hipotesis yang digunakan adalah sebagai berikut. H0 : β1= β2 =...= βj = 0, j = 1, 2, 3 H1 : Paling sedikit terdapat satu βj ≠ 0 Adapun statistik uji yang digunakan adalah statistik uji G, Hipotesis akan tolak H 0 , jika nilai pvalue kurang dari nilai  . (0,10) yang berarti bahwa parameter interaksi  j signifikan dalam model. Berdasarkan hasil pengujian interaksi secara serentak dapat disimpulkan bahwa ternyata tidak ada interaksi yang signifikan terhadap model. Pengujian interaksi dalam model tidak signifikan sehingga dilanjutkan dengan pengujian antar interaksi secara serentak untuk mengetahui interaksi yang signifikan terhadap model. Hasil pengujian secara serentak adalah sebagaimana Tabel 6.

8

Tabel 6 Hasil Pengujian Serentak antar Interaksi

Variabel Koef p-value x3(1)x11 0,204 0,001* x3(2)x11 0,263 0,000* x5.x11 -0,080 0,173 Constant -1,574 0,000* Dari Tabel 6 diketahui bahwa interaksi yang signifikan terhadap model hanya pendidikan terakhir kepala keluarga dengan biaya telepon baik untuk tingkat SMA terhadap SMP maupun tingkat perguruan tinggi terhadap SMP. Namun karena interaksi yang signifikan hanya pendidikan terakhir kepala keluarga dengan biaya telepon, informasi yang diperoleh model interaksi dari faktor yang mempengaruhi penggunaan internet menjadi lebih sedikit dari model tanpa interaksi. Sehingga dapat disimpulkan bahwa model yang terbaik adalah model tanpa interaksi. Uji Kesesuaian Model Pengujian kesesuaian model dilakukan untuk mengetahui apakah model yang diperoleh sudah sesuai untuk meramalkan peluang penggunaan internet pada RT di Jawa Timur. Hipotesis yang digunakan adalah sebagai berikut. H0 : Model sesuai (tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model) H1 : Model tidak sesuai (ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model) Statistik Uji : C 

 (ok  nk k ) 2   = 6,919  k 1 nk  k (1   k ) g

dengan p-value = 0,545 Dari hasil perhitungan diatas diketahui bahwa p-value = 0,545 > α= (0,1) maka gagal tolak H0 sehingga model yang diperoleh sesuai artinya tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model. Perhitungan Ketepatan Klasifikasi Model Setelah model sesuai dapat dilakukan perhitungan ketepatan model untuk mengetahui tingkat kebaikan model dalam memprediksi sautu keadaan dengan keadaan sesungguhnya. Berikut tabel ketepatan klasifikasi model. Tabel 7 Ketepatan Hasil Prediksi Model

Prediksi Menggunakan Tidak internet 853 6

Ketepatan Observasi (%) Tidak 99,3 Menggunakan 4 1,6 internet 250 Ketepatan hasil prediksi model 77,0 Berdasarkan perhitungan ketepatan klasifikasi penggunaan internet di Jawa Timur maka persentase ketepatan klasifikasi penggunaan internet di Jawa Timur adalah sebesar 77 persen. Angka ini sudah baik karena ketepatan klasifikasi penggunaan internet sudah lebih dari 50 persen, sehingga dapat disimpulkan bahwa model dianggap baik. Interpretasi model Variabel-variabel yang signifikan pada model regresi logistik multivariabel terbaik. Tabel 8 Variabel Prediktor yang Sinifikan 

  e p-value Koef SE 0,086 0,214 1,089 0,689 0,471 0,222 1,601 0,034* Status pekerjaan (x5) -0,329 0,158 0,720 0,038* Biaya telepon (x11) 0,197 0,042 1,198 0,000* Constant -1,646 0,182 0,193 0,000* Sehingga model regresi logistik serentak terbaik yang terbentuk dari faktor-faktor yang mempengaruhi penggunaan internet pada RT di Jawa Timur adalah sebagai berikut. Variabel Pendidikan terakhir (x3(1)) Pendidikan terakhir (x3(2))

9

exp(1,646  0,471x3( 2)  0,329 x5  0,197 x11 )   ( x)  1  exp(1,646  0,471x3( 2 )  0,329 x5  0,197 x11 ) Model regresi logistik serentak di atas dapat diinterpretasikan menjadi beberapa hal sebagai berikut. Suatu RT dengan pendidikan terakhir kepala keluarga setingkat perguruan tinggi memiliki peluang untuk menggunakan internet 1,601 atau hampir dua kali RT dengan pendidikan terakhir kepala keluarga setingkat SMP ke bawah. Suatu RT dengan status pekerjaan kepala keluarga formal memiliki peluang untuk menggunakan internet 0,702 kali RT dengan status pekerjaan kepala keluarga informal. Peluang suatu RT untuk menggunakan internet akan meningkat 0,197 satuan setiap kenaikan biaya telepon sebesar Rp. 100.000,-. Hal ini dikarenakan penggunaan internet disini sebagian besar merupakan penggunaan internet pada komputer di rumah yang menggunakan kabel telepon.

5. Kesimpulan Dan Saran Kesimpulan Kesimpulan yang didapat untuk menjawab permasalahan, berdasarkan analisis dan pembahasan dari penelitian ini adalah sebagai berikut. 1. RT di Jawa Timur yang sudah menggunakan internet sebesar 254 atau 22,8 persen dari 1113 RT yang mempunyai komputer. RT yang mempunyai komputer sebagian besar berada di daerah perkotaan (85,2 persen) dan sudah mempunyai rumah sendiri (81,7 persen). Sebagian besar kepala RT tersebut berpendidikan perguruan tinggi (40,4 persen), bekerja pada bidang jasa (41,4 persen) dan bekerja pada jenis pekerjaan formal (51,2 persen). RT yang mempunyai komputer rata-rata memiliki satu anak masih sekolah dengan tingkat pendidikan setingkat SD. Rata-rata pengeluaran terbesar RT tersebut adalah pengeluaran makanan sebesar Rp. 837.210,-. 2. Variabel prediktor yang berpengaruh signifikan terhadap penggunaan internet pada RT di Jawa Timur adalah pendidikan terakhir kepala keluarga (x3), status pekerjaan kepala keluarga (x5) , dan biaya telepon (x11). 3. Model terbaik penggunaan internet pada RT di Jawa Timur yang diperoleh adalah sebagai berikut. exp(1,646  0,471x3( 2 )  0,329 x5  0,197 x11 )   ( x)  1  exp(1,646  0,471x3( 2)  0,329 x5  0,197 x11 ) Dengan persentase ketepatan klasifikasi sebesar 77 persen yang berarti model sudah baik. Dari pemodelan tersebut dapat diketahui beberapa hal yaitu suatu RT dengan pendidikan terakhir kepala keluarga setingkat perguruan tinggi memiliki peluang untuk menggunakan internet 1,601 atau hampir dua kali RT dengan pendidikan terakhir kepala keluarga setingkat SMP ke bawah. Sedangkan status pekerjaan kepala keluarga informal memiliki peluang menggunakan internet 1,424 kali dari status pekerjaan formal. Dan Peluang suatu RT untuk menggunakan internet akan meningkat 0,197 satuan setiap kenaikan biaya telepon sebesar Rp. 100.000,-. Saran Saran yang direkomendasikan peneliti untuk penelitian berikutnya adalah sebagai berikut. 1. Pada penelitian ini persentase RT yang menggunakan internet hanya 22,8 persen sehingga kurang berimbang dengan rumah tangga yang tidak menggunakan internet (77,2 persen) sehingga diperlukan penelitian dengan metode yang lain. Penelitian selanjutnya diharapkan persentase yang diperoleh lebih berimbang antara RT yang menggunakan dan RT yang tidak menggunakan internet. 2. Menambah variabel prediktor yang lain misalnya biaya penggunaan internet, lama penggunaan internet, serta alasan dan tujuan penggunaan internet pada suatu RT. DAFTAR PUSTAKA Agresti, A. 2002. An Introduction to Categorical Data Analysis, 2nd edition. New Jersey: John Wiley and Sons , Inc. Daftar Jumlah Pengguna Internet Dunia 1995-2008, Anonim_1. 2009. . Anonim_2. 2010. Konsep/Definisi, . Anonim_3. 2010. Internet, . Anonim_4. 2010. Komputer, .

10

Atmanegara, I.C. 2009. Analisa Statistika Terhadap Pola , Manfaat, dan Tujuan penggunaan Kompute dan Internet pada Mahasiswa ITS Surabaya. Surabaya: FMIPA ITS. BPS. 2006. Berita Resmi Statistik : Profil Pemanfaatan Teknologi Informasi oleh masyarakat (SUSENAS 2005). Jakarta: BPS. Chaudhuri, A., Flamm, K.S., dan Horrigan, J., 2005. “An analysis of the determinants of internet access”. Telecommunications Policy 29: 731–755. Furuholt, B., Kristiansen, S., dan Wahid, F., 2008. “Gaming or gaining? Comparing the use of Internet cafe´s in Indonesia and Tanzania”. The International Information & Library Review 40 : 129 – 139. Hosmer, D.W. dan Lemeshow, S. 1989. Applied Logistic Regression. New York: John Wiley and Sons. Meidyasari, W.S. 2009. Analisa Karakteristik Pengguna Komputer dengan Sambungan Internet pada Rumah Tangga di Jawa Timur. Surabaya: FMIPA ITS. Noce, A.A. dan Mc Keown, L., 2005. “A new benchmark for Internet use: A logistic modeling of factors influencing Internet use in Canada, 2005”. Government Information Quarterly 25: 462 – 476. Rice, R.E. dan Katz, J.E., 2003. “Comparing internet and mobile phone usage: digital divides of usage, adoption, and dropouts”. Telecommunications Policy 27: 597–623. Riswanda, D.F. 2009. Daftar Jumlah Pengguna Internet Dunia 1995-2008, . Robertson, A., Soopramanien, D., dan Fildes, R., 2007. “A segment-based analysis of Internet service adoption among UK households”. Technology in Society 29: 339 – 350. Uyanto, S.S. 2006. Pedoman Analisis Data dengan SPSS. Yogyakarta: Graha Ilmu. Wahyudi, V.E. 2009. Analisa Hubungan antara Ketersedian Fasilitas terhadap Pencapaian, Penguasaan, dan Pemanfaatan TIK. Surabaya: FMIPA ITS.

11