PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG

PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG

Mastari Rizki Fadillah |1312105031 Dosen Pembimbing : Dr. Bambang Widjanarko Otok, M.Si Seminar Hasil Tugas Akhir | Kamis, 24 Juli 2014 | Jurusan Statistika FMIPA ITS

1

Pendahuluan 2

Tinjauan Pustaka 3

Metodelogi Penelitian

4

Analisis dan Pembahasan 5

Kesimpulan dan Saran

PENDAHULUAN Latar Belakang| Rumusan Masalah | Tujuan | Manfaat| Batasan Masalah

LATAR BELAKANG KEMISKINAN Suatu keadaan dimana terjadi ketidakmampuan untuk memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung, pendidikan dan kesehatan.

Masyarakat Miskin Suatu kondisi dimana fisik masyarakat yang tidak memiliki akses ke sarana dan prasarana dasar lingkungan yang memadai dengan kualitas perumahan dan pemukiman yang jauh di bawah standar kelayakan serta mata pencaharian yang tidak menentu.

LATAR BELAKANG

4,77 juta atau 12,55% (BPS, 2013)

156 ribu orang / 12,88% (BPS Jatim, 2011)

21 Kecamatan 306 Desa/ Kelurahan

LATAR BELAKANG Upaya Penanggulangan Program I • Program penanggulangan kemiskinan berbasis bantuan sosial

Program II • Program penanggulangan kemiskinan yang berbasis pemberdayaan masyarakat

Program III • Program penanggulangan kemiskinan yang berbasis pemberdayaan usaha kecil

Pamungkas (2012) Bertujuan untuk memberikan saran kepada pemerintah Kabupaten Jombang bahwa revitalisasi dalam bidang pertanian perlu dilakukan agar kualitas hidup masyarakat Kabupaten Jombang meningkat apabila ketersediaan bahan pangan relatif stabil

LATAR BELAKANG SEM Analisis statistika yang mengkombinasikan analisis regresi berganda dan analisis faktor

Memiliki kemampuan untuk menggambarkan pola hubungan antara variabel laten dan variabel indikator

Ningrum (2012)

SEM SPASIAL

EFEK SPASIAL

RUMUSAN MASALAH DAN TUJUAN

Permasalahan

Bagaimana model bantuan rumah tangga miskin di Kabupaten Jombang yang didasarkan pada dimensi • ekonomi, kesehatan dan SDM dengan menggunakan Spatial Structural Equation Modeling?

Tujuan

Mengetahui model bantuan rumah tangga miskin di • Kabupaten Jombang yang didasarkan pada dimensi ekonomi, kesehatan dan SDM dengan menggunakan Spatial Structural Equation Modeling.

MANFAAT DAN BATASAN MASALAH

Manfaat

Batasan Masalah

Penelitian ini diharapkan menjadi early warning system yang dapat mengatasi masalah kemiskinan di • Kabupaten Jombang dan dapat dijadikan sebagai rujukan bagi Pemerintah Kabupaten Jombang dalam menentukan kebijakan yang berkaitan dengan kesejahteraan masyarakat Kabupaten Jombang.

Batasan masalah dalam penelitian ini adalah pada • data yang digunakan yaitu data rumah tangga miskin di Kabupaten Jombang tahun 2010, dengan obyek penelitian yaitu 306 desa di Kabupaten Jombang.

TINJAUAN PUSTAKA Structural Equation Modeling| Spatial SEM| Teori Kemiskinan

Structural Equation Modeling (SEM) SEM merupakan metode analisis statistika yang mengkombinasikan analisis regresi berganda dan analisis faktor yang dapat digunakan untuk menggambarkan keterkaitan hubungan linier secara simultan antara variabel pengamatan (indikator) dan variabel yang tidak dapat

diukur secara langsung (variabel laten). Variabel laten merupakan variabel yang tidak dapat diukur secara langsung, tetapi dapat mewakili atau diukur oleh satu atau lebih variabel/ indikator (Hair, et al, 1998).

Confirmatory Factor Analysis (CFA) CFA

Model Struktural

Estimasi Parameter Identifikasi Model Kesesuaian Model

Skor Faktor

Confirmatory Factor Analysis (CFA) merupakan metode yang digunakan untuk menguji measurement model yang menggambarkan hubungan antara variabel laten dengan indikator-indikatornya yang dinyatakan dalam loading factor (λ). Loading factor menunjukkan korelasi antara variabel indikator dengan variabel laten. Persamaan CFA dapat dinotasikan dalam bentuk matriks yang ditunjukkan pada persamaan berikut. X=ΛX 𝛏 + 𝛅 dimana X adalah vektor indikator p×1, Λx adalah matriks lamda (loading factor) p×m, 𝛏 adalah vektor variabel laten m×1, dan δ adalah vektor error berukuran p×1.

Confirmatory Factor Analysis (CFA) CFA

Model Struktural


Skor Faktor

Signifikansi indikator-indikator dalam mengukur variabel laten dapat diketahui dengan menggunakan statistik uji t. Statistik uji t digunakan karena loading factor (λi) dalam CFA menggunakan standardized estimate dimana memiliki kedudukan yang sama dengan besaran regresi (Ferdinand, 2002). Reliabilitas variabel laten dapat diketahui dengan menghitung nilai construct reliability (ρc) yang ditunjukkan dalam persamaan berikut. c 

 p    i   i 1 

2

 p  2  p    i      i   i 1   i 1 

Variabel laten dikatakan reliabel jika nilai Construct Reliability yang dihasilkan lebih besar sama dengan 0,5 (Ghozali dan Fuad, 2005).

Persamaan Struktural SEM CFA

Model Struktural


Skor Faktor

Structural model menggambarkan hubungan antara variabel laten independen (eksogen) dengan variabel laten dependen (endogen). Bollen (1989), model persamaan struktural untuk variabel laten adalah sebagai berikut. η = Bη + Γ𝛏 + 𝛇 dimana η (eta) adalah vektor variabel random dependen endogen (latent endogenous) dengan ukuran mx1, 𝛏 (xi) adalah vektor variabel random independen eksogen (latent exogenous) dengan ukuran nx1, B (beta) adalah matrik koefisien yang menunjukkan pengaruh variabel laten endogen terhadap variabel lainnya dengan ukuran mxm, Γ adalah koefisien matrik yang menunjukkan hubungan dari 𝛏 terhadap η dengan ukuran mxn, dan 𝛇 (zeta) adalah vektor random error dengan ukuran mx1, dengan nilai harapan sama dengan nol.

Structural Equation Modeling (SEM) CFA

Model Struktural

Menurut Bollen (1989), estimasi parameter model SEM menggunakan metode Maximum Likelihood Estimation (MLE). Fungsi dari metode MLE adalah sebagai berikut.

𝐹𝑀𝐿 = log 𝚺(𝛉) + 𝑡𝑟 𝑺𝚺 −𝟏 𝛉 Estimasi Parameter Identifikasi Model Kesesuaian Model

Skor Faktor

− log 𝑺 − (𝑝 + 𝑞)

dimana: 𝚺(𝛉) = matrik varian kovarian model 𝑺 = matrik varian kovarian data pengamatan 𝑝 + 𝑞 = banyaknya variabel teramati (X dan Y) dalam model.

Identifikasi Model CFA

Model Struktural


Skor Faktor

Pada identifikasi model terdapat tiga macam kriteria yaitu (Schumacker dan Lomax, 2004). 1. Under identified Under identified merupakan keadaan dimana persamaan yang terbentuk lebih sedikit dari parameter yang ditaksir, berarti derajat bebas negatif. Hal ini menunjukkan bahwa analisis model tidak dapat dilakukan. 2. Just identified Pada keadaan just identified, jumlah persamaan sama dengan parameter yang ditaksir sehingga derajat bebas bernilai nol. Keadaan ini berarti bahwa model yang terbentuk tidak memiliki kemampuan untuk men-generalisasi sehingga analisis tidak dapat dilakukan.

CFA

Model Struktural


Skor Faktor

3. Over identified Model over identified berarti jumlah persamaan lebih besar dari banyaknya parameter yang diestimasi. Hal ini menunjukkan bahwa derajat bebas bernilai positif sehingga beberapa tingkat generalisasi dapat dilakukan untuk mendapatkan model yang paling sesuai.

Identifikasi model dilakukan dengan menggunakan persamaan derajat bebas berikut (Hair, et al, 1998).

𝑑𝑓 =

1 2

𝑝+𝑞 𝑝+𝑞+1 −𝑡

dimana: df = derajat bebas p = jumlah indikator variabel endogen q = jumlah indikator variabel eksogen t = jumlah parameter yang diestimasi

Kesesuaian Model SEM CFA

Model Struktural


Skor Faktor

Menurut Ghozali dan Fuad (2005), indikator kesesuaian model SEM dapat dilihat dari beberapa ukuran diantaranya Chi-Square Statistic, Goodnest of Fit Indices (GFI), Adjusted Goodness of Fit Index (AGFI), Root Mean Square Error of Approximation (RMSEA), dan Comparative Fit Index (CFI). Nilai kritis yang direkomendasikan untuk indikatorindikator kesesuaian model tersebut adalah. Indikator Kesesuaian Model Chi-square P-value GFI AGFI RMSEA CFI

Model Fit 0 ≤ χ2 ≤ 2df 0,05 ≤ P-value ≤ 1,00 0,95 ≤ GFI ≤ 1,00 0,90 ≤ AGFI ≤ 1,00 0 ≤ RMSEA ≤ 0,05 0,97 ≤ CFI ≤ 1,00

Model Dapat Diterima 2df < χ2 ≤ 3df 0,01 < P-value ≤ 0,05 0,90 < GFI ≤ 0,95 0,85 < AGFI ≤ 0,90 0,05
Skor Faktor CFA

Model Struktural


Skor Faktor

Skor faktor merupakan estimasi nilai faktor bersama. Skor faktor digunakan sebagai data yang telah direduksi untuk analisis statistik lanjutan. Untuk mengestimasinya digunakan metode regresi yaitu.

𝒇𝑘 = 𝑳′ 𝑺−1 (𝒙𝑘 − 𝒙) untuk k = 1,2,...,n dimana 𝒇𝑘 adalah skor faktor ke-k, n adalah banyak observasi, 𝐋 adalah matrik estimasi loading faktor, S adalah matrik kovarian sampel, 𝒙𝑘 adalah vektor observasi ke-k, dan 𝒙 adalah vektor rataan untuk n observasi.

Spatial Structural Equation Modeling (SEM Spasial) •

Aspek spasial pada suatu data dapat dilihat dari pengaruh atau efek spasial.

•

Anselin (1988) menjelaskan bahwa terdapat dua efek spasial dalam ekonometrika yaitu efek spatial dependence dan spatial heterogeneity.

•

Spatial dependence menunjukkan adanya keterkaitan antar lokasi obyek penelitian, sedangkan spatial heterogeneity mengacu pada keragaman parameter pada setiap lokasi.

•

Anselin (1988) menjelaskan bahwa uji untuk mengetahui adanya spatial heterogeneity digunakan statistik uji Breusch-Pagan Test (BP Test) dan Koenker Bassett Test. Sedangkan pengujian adanya spatial dependence menggunakan metode Moran’s I dan Lagrange Multiplier.

Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Model GWR

Spatial Structural Equation Modeling (SEM Spasial) Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Model GWR

Pengaruh spasial yang sering terjadi pada model regresi adalah adanya autokorelasi spasial. Adanya unsur autokorelasi spasial ini menyebabkan terbentuknya parameter spasial autoregresif pada proses spasial yang dinyatakan sebagai berikut: 𝒚 = 𝜌𝑾1 𝒚 + 𝚾𝜷 + 𝒖 dan 𝒖 = 𝜆𝑾2 𝒖 + 𝜺 dimana 𝜺 ~ 0, 𝜍 2 dan tidak ada autokorelasi. Sehingga dapat dibentuk model umum regresi spasial sebagai berikut: 𝒚 = 𝜌𝑾1 𝒚 + 𝚾𝜷 + 𝜆𝑾2 𝒖 + 𝜺 dimana: 𝒚 : vektor variabel respon 𝚾 : matrik variabel prediktor 𝜌 : koefisien autoregresif spatial lag variabel dependen 𝜷 : vektor koefisien parameter regresi 𝜆 : koefisien autoregresif spatial error 𝒖 : vektor error yang diasumsikan mengandung autokorelasi 𝑾1 : matrik bobot spasial variabel dependen 𝑾2 : matrik bobot spasial error

1. Spatial Dependence Model Spasial Regresi Linear

Kebergantungan suatu wilayah dengan suatu lokasi yang berdekatan atau bertetangga di sekitarnya disebut dependensi spasial (spatial dependence). Untuk menguji dependensi spasial menggunakan metode Morans’I dan Lagrange Multiplier Test. Morans’I didasarkan pada korelasi pearson:

Uji Model Spasial

𝜌=

𝑛 𝑖=1

𝑛 𝑖=1

𝑥𝑖 −𝑥 𝑦𝑖 −𝑦

2 1/2 𝑥𝑖 −𝑥 2 𝑛 𝑦 −𝑦 𝑖 𝑖=1

𝑥 dan 𝑦 adalah sampel means masing-masing variabel. 𝐼= Pembobot Spasial

Model GWR

𝑛 𝑛 𝑛 𝑖=1 𝑗=1 𝑊𝑖𝑗 𝑥𝑖 −𝑥 𝑥𝑗 −𝑥 𝑛 𝑛 𝑛 2 𝑖=1 𝑗=1 𝑊𝑖𝑗 𝑖=1 𝑥𝑖 −𝑥

dimana: n : jumlah pengamatan 𝑥 : rata-rata variabel 𝑥𝑖 : nilai variabel pada lokasi tertentu 𝑥𝑗 : nilai variabel pada lokasi lain 𝑊𝑖𝑗 : nilai bobot pada lokasi ke-i terhadap ke-j


Uji Morans’I dapat digunakan untuk melihat pola penyebaran dan menguji spatial autocorrelation (Fotheringham, et al, 2002).  Pola penyebaran Pola penyebaran dilihat 𝐼0 =

Uji Model Spasial

Pembobot Spasial

−1 𝑛−1

, jika nilai 𝐼 > 𝐼0 maka data

tersebut autokorelasi positif, 𝐼 < 𝐼0 maka data tersebut autokorelasi negatif, sedangkan jika 𝐼 = 𝐼0 maka penyebaran data tersebut random.  Uji spatial autocorrelation Hipotesis yang digunakan adalah: H0 : tidak ada spatial autocorrelation 𝐼 = 0 H1 : ada spatial autocorrelation 𝐼 = 0 Statistik uji: 𝑍 𝐼 =

𝐼−𝐼0 𝑉𝑎𝑟 𝐼

dengan 𝑣𝑎𝑟 𝐼 = 𝑛2 𝑛−1

1 2

𝑛 𝑖=𝑗

𝑊𝑖𝑗 +𝑊𝑖𝑗 2 − 𝑛 𝑛−1 𝑛+1 𝑛−1

Model GWR

𝑛 𝑖=1

𝑛 𝑛 2 𝑗=1 𝑊𝑖𝑗 + 𝑗=1 𝑊𝑖𝑗 𝑛 𝑛 2 𝑖=1 𝑗=1 𝑊𝑖𝑗

Keputusan H0 ditolak jika 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑍𝛼 2.

−2

𝑛 𝑖=1

𝑛 2 𝑗=1 𝑊𝑖𝑗


Uji Model Spasial

Pembobot Spasial

Model GWR

Lagrange Multiplier digunakan untuk mengetahui efek spasial pada model spasial autoregressive pada rho (SAR), spasial autoregressive pada error dan SARMA (Anselin, 1988). Berikut hipotesis yang digunakan untuk mengetahui efek spasial pada spasial autoregressive pada rho (SAR) dan spasial autoregressive pada error : H0 : 𝜌 = 0 (tidak ada dependensi spasial autoregressive dalam model) H1 : 𝜌 ≠ 0 (ada dependensi spasial autoregressive dalam model) Sedangkan untuk menguji adanya efek spasial pada model spasial autoregressive pada error hipotesis yang digunakan adalah sebagai berikut: H0 : 𝜌 = 0 (tidak ada dependensi error spasial) H1 : 𝜌 ≠ 0 (ada dependensi error spasial)


Statistik uji dengan menggunakan Lagrange Multiplier test : 𝐿𝑀 = 𝐸 −1

Uji Model Spasial

Pembobot Spasial

Model GWR

𝑅𝑦

2

𝑇22 − 2𝑅𝑦 𝑅𝑒 𝑇12 + 𝑅𝑒

2

𝐷 + 𝑇11

dengan m = jumlah parameter spasial, untuk spasial autoregressive pada rho (SAR) =1, spasial autoregressive pada error =1 dan SARMA=2 Nilai statistik uji mengikuti distribusi Chi-Square dengan derajat 2 bebas m. Jika nilai LM > 𝜒(𝛼,𝑚 ) maka H0 akan ditolak. Sehingga terdapat dependensi spasial.

2. Spatial Heterogenity Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Spatial heterogenity digunakan untuk melihat kecenderungan pola hubungan atau kestabilan diantara lokasi pengamatan (Anselin, 1988). Spatial heterogenity biasanya terlihat dari hasil masing-masing parameter lokasi yang berbeda atau dengan melihat deskriptif data awal yang ditandai dengan variasi yang cukup besar. Untuk menguji spatial heterogenity menggunakan uji Breusch Pagan. Hipotesis yang digunakan adalah: H0 : 𝜍12 = 𝜍22 = ⋯ = 𝜍𝑛2 = 𝜍 2 H1 : minimal ada satu 𝜍𝑖2 ≠ 𝜍 2 Statistik uji: 𝐵𝑃 =

1 2

𝒇 𝑇 𝒁 𝒁𝑇 𝒁

dengan 𝒇 = 𝑓1 , 𝑓2 , … , 𝑓𝑛

Model GWR

𝑇

−1 𝒁𝑇 𝒇

dan 𝑓𝑖 =

~ 𝜒𝑝2 𝑒𝑖2

𝜎2

− 1 , 𝑒𝑖 = 𝑦𝑖 − 𝑦𝑖

adalah residual untuk pengamatan ke-i. Z adalah matrik n(p+1) yang berisi vektor yang telah dinormalstandarkan dengan p adalah banyak pengamatan. Tolak H0 jika 𝐵𝑃 > 𝜒𝑝2 .

2. Spatial Heterogenity Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Model GWR

Selain menggunakan uji Breusch Pagan, untuk menguji spatial heterogenity dapat pula menggunakan uji Koenker Bassett. Uji Koenker Bassett sama dengan uji Breusch Pagan, namun uji ini dibuat kuat untuk data outlier atau tidak normal. Jika uji ini signifikan secara statistik, hal ini menunjukkan bahwa hubungan antara beberapa atau semua variabel independen dan variabel dependen tidak stasioner. Salah satu variabel independennya mungkin menjadi prediktor kuat di beberapa daerah tetapi lemah di daerah lain. Sehingga untuk menetukan modelnya dapat menggunakan Geographically Weighted Regression.

Pembobot Spasial Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Model GWR

Menurut LeSage (1999), metode itu dijelaskan sebagai berikut: • Linear Contiguity (Persinggungan tepi); mendefinisikan = 1 untuk region yang berada di tepi (edge) kiri maupun kanan region yang menjadi perhatian, = 0 untuk region lainnya. • Rook Contiguity (persinggungan sisi); mendefinisikan = 1 untuk region yang bersisian (common side) dengan region yang menjadi perhatian, = 0 untuk region lainnya. • Bhisop Contiguity (Persinggungan sudut); mendefenisikan =1 untuk region yang titik sudutnya (common vertex) bertemu dengan sudut region yang menjadi perhatian, = 0 untuk region lainnya.

Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Model GWR

• Double Linear Contiguity (Persinggungan dua tepi); mendefinisikan = 1 untuk dua entity yang berada di sisi (edge) kiri dan kanan region yang menjadi perhatian, = 0 untuk region lainnya. • Double Rook Contiguity (Persinggungan dua sisi); mendefinisikan = 1 untuk dua entity di kiri, kanan, utara dan selatan region yang menjadi perhatian, = 0 untuk region lainnya. • Queen Contiguity (persinggungan sisi-sudut); mendefinisikan = 1 untuk entity yang bersisian (common side) atau titik sudutnya (common vertex) bertemu dengan region yang menjadi perhatian, = 0 untuk region lainnya.

Matrik Pembobot Model Spasial Regresi Linear

Contoh matrik pembobot dengan cara queen continguity untuk daerah dengan kondisi sebagai berikut:

Uji Model Spasial

Pembobot Spasial

0 1 diperoleh: 𝑊 = 1 0 0

1 0 1 1 0

1 1 0 1 0

0 1 1 0 1

0 0 0 1 0

𝑊 adalah matrik spatial continguity dari gambar di atas.

Model GWR

Geographically Weighted Regression (GWR) Model Spasial Regresi Linear

Uji Model Spasial

Pembobot Spasial

Model GWR

Metode GWR adalah suatu teknik yang membawa kerangka dari model regresi sederhana menjadi model regresi terboboti (Fotheringham, et al, 2002). Dalam model GWR, variabel respon y ditaksir dengan variabel prediktor yang masing-masing koefisien regresinya tergantung pada lokasi dimana data tersebut diamati. Model GWR dapat ditulis sebagai berikut. 𝑝 𝑦𝑖 = 𝛽0 𝑢𝑖 , 𝑣𝑖 + 𝑘=1 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 𝑥𝑖𝑘 + 𝜀𝑖 dimana 𝑦𝑖 : nilai observasi variabel respon ke-i 𝑥𝑖𝑘 : nilai observasi variabel prediktor k pada pengamatan ke-i 𝛽𝑘 : vektor koefisien regresi, k = 0, 1, 2, ..., p 𝑢𝑖 , 𝑣𝑖 : menyatakan titik koordinat (longitude, latitude) lokasi ke-i 𝜀𝑖 : error yang diasumsikan identik, independen, dan berdistribusi normal dengan mean nol dan varians konstan 𝜍 2.


Uji Model Spasial

Metode penaksiran parameter pada model GWR adalah dengan metode Weighted Least Square (WLS) yaitu dengan memberikan pembobot yang berbeda untuk setiap lokasi dimana data tersebut dikumpulkan. Dengan demikian, bentuk penaksir parameter dari model GWR untuk setiap lokasi (Fotheringham, et al, 2002) adalah sebagai berikut. 𝛃 𝑢𝑖 , 𝑣𝑖 = 𝐗 𝐓 𝐖 𝑢𝑖 , 𝑣𝑖 𝐗 −1 𝐗 𝐓 𝐖 𝑢𝑖 , 𝑣𝑖 𝒚

Salah satu fungsi pembobot yang biasa digunakan adalah fungsi Kernel Gaussian dengan persamaan sebagai berikut. 𝑊𝑖𝑗 = 𝑒𝑥𝑝

Pembobot Spasial

Model GWR

1 𝑑𝑖𝑗 2 −2 ℎ

dimana h adalah parameter non negatif yang diketahui dan biasanya disebut parameter penghalus (bandwith) dan 𝑑𝑖𝑗 merupakan jarak Euclidean antara i dan j dimana 𝑑𝑖𝑗 =

𝑢𝑖 − 𝑢𝑗 2 + 𝑣𝑖 − 𝑣𝑗

2.


Uji Model Spasial

Pengujian kesesuaian model (goodness of fit) dilakukan dengan menguji kesesuaian dari koefisien parameter secara serentak, yaitu dengan mengkombinasikan uji regersi linear dengan model untuk data spasial. Hipotesis yang digunakan adalah sebagai berikut. H0 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 = 𝛽𝑘 ; 𝑘 = 1,2, … , 𝑝 (tidak ada perbedaan yang signifikan antara model regresi linear dengan GWR) H1 : paling sedikit ada satu 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 ≠ 𝛽𝑘 (ada perbedaan yang signifikan antara model regresi linear dengan GWR) Statistik uji: 𝑆𝑆𝐸 𝐻1

Pembobot Spasial

𝐹ℎ𝑖𝑡 =

𝑆𝑆𝐸 𝐻0

𝛿1 2 𝛿2 𝑛−𝑘−1

Jika Fhitung lebih besar dari Ftabel maka dapat diambil keputusan tolak H0 atau dengan kata lain model GWR lebih sesuai digunakan daripada model regresi linear. Model GWR


Uji Model Spasial

Pembobot Spasial

Pengujian parameter model GWR dilakukan untuk mengetahui parameter mana yang signifikan mempengaruhi variabel respon secara parsial. Hipotesis yang digunakan adalah sebagai berikut. H0 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 = 0 ; 𝑘 = 1,2, … , 𝑝 H1 : 𝛽𝑘 𝑢𝑖 , 𝑣𝑖 ≠ 0 Estimasi parameter 𝛽 𝑢𝑖 , 𝑣𝑖 akan mengikuti distribusi normal dengan rata-rata 𝛽 𝑢𝑖 , 𝑣𝑖 dan matrik varian kovarians CCTσ2 dengan C= (XTW 𝑢𝑖 , 𝑣𝑖 X)-1XTW 𝑢𝑖 , 𝑣𝑖 , β u ,v − β u ,v sehingga di didapatkan k i i𝜎 𝑐 k i i ~𝑁 0,1 𝑘𝑘

dimana Ckk adalah elemen diagonal ke-k dari matrik CCT.

Model GWR

βk ui ,vi 𝑇= 𝜍 𝑐𝑘𝑘 Tolak H0 jika nilai 𝑇ℎ𝑖𝑡 > 𝑡𝛼 ; 𝛿12 2

𝛿2

.


Ada beberapa metode yang digunakan untuk memilih model terbaik, salah satunya adalah Akaike Information Criterion (AIC) yang didefinisikan sebagai berikut.

AIC = 2𝑛ln 𝜍 + 𝑛ln 2𝜋 + 𝑛 Uji Model Spasial

Model GWR

(33)

dengan: 𝜍 : nilai estimator standar deviasi dari error hasil estimasi maksimum likelihood, yaitu 𝜍 = S : matrik proyeksi 𝒚 = 𝐒𝒚

Pembobot Spasial

𝑛+𝑡𝑟 𝐒 𝑛−2−𝑡𝑟 𝐒

𝑆𝑆𝐸 𝑛

Pemilihan model terbaik dilakukan dengan menentukan model dengan nilai AIC terkecil (Fotheringham, et al, 2002).

TEORI KEMISKINAN Definisi

Indikator Kemiskinan

Program Bantuan

• Kemiskinan merupakan suatu keadaan dimana terjadi ketidakmampuan untuk memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung, pendidikan dan kesehatan. • Kemiskinan dikelompokkan dalam dua kategori, yaitu kemiskinan absolute dan kemiskinan relatif. • Bank Dunia mendefinisikan kemiskinan absolut adalah hidup dengan pendapatan USD $ 1 / hari. Kemiskinan relatif merupakan kondisi miskin karena kebijakan pembangunan yang belum mampu mejangkau seluruh lapisan masyarakat.



Program Bantuan

BPS (2009) mendefinisikan garis kemiskinan sebagai nilai rupiah yang harus dikeluarkan seseorang dalam sebulan agar dapat memenuhi kebutuhan dasar asupan kalori sebesar 2100 kkal/hari per kapita (garis kemiskinan makanan) ditambah kebutuhan minimum non makanan yang merupakan kebutuhan seseorang, yaitu papan, sandang, sekolah, transportasi dan kebutuhan individu rumahtangga dasar lainnya (garis kemiskinan non makanan).



Program Bantuan

BPS (2009) membagi kemiskinan menurut penyebabnya menjadi dua yaitu: • Kemiskinan karena adanya faktor-faktor adat atau budaya suatu daerah tertentu yang membelenggu seseorang atau sekelompok masyarakat tertentu sehingga membuatnya tetap melekat dengan kemiskinan. • Kemiskinan struktural, yaitu kemiskinan yang terjadi sebagai akibat ketidakberdayaan seseorang atau sekelompok masyarakat tertentu terhadap sistem atau tatanan sosial yang tidak adil, karena mereka berada pada posisi tawar yang sangat lemah dan tidak memiliki akses untuk mengembangkan dan membebaskan diri mereka sendiri dari perangkap kemisikinan.



Program Bantuan

Badan Pusat Statistik menggunakan 3 indikator kemiskinan yaitu. • Head Count Index (HCI-P0), yaitu persentase penduduk yang berada dibawah garis kemiskinan. • Indeks Kedalaman Kemiskinan (Poverty Gap IndexP1) merupakan ukuran rata-rata kesenjangan penyebaran pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi nilai indeks, semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan. • Indeks Keparahan Kemiskinan (Poverty Severity Indeks-P2) memberikan gambaran mengenai penyebaran pengeluaran diantara penduduk miskin. Semakin tinggi nilai indeks, semakin tinggi ketimpangan pengeluaran diantara penduduk miskin.



Program Bantuan

Menurut Badan Pusat Statistik terdapat 14 kriteria untuk menentukan suatu keluarga dikategorikan rumah tangga miskin, yaitu: • Luas bangunan tempat tinggal kurang dari 8 m2 per orang. • Jenis lantai tempat tinggal terbuat dari tanah/ bambu/ kayu murahan. • Jenis dinding tempat tinggal dari bambu/ rumbia/ kayu berkualitas rendah/ tembok tanpa diplester. • Tidak memiliki fasilitas buang air besar/ bersamasama dengan rumah tangga lain. • Sumber penerangan rumah tangga tidak menggunakan listrik. • Sumber air minum berasal dari sumur/ mata air tidak terlindung/ sungai/ air hujan. • Bahan bakar untuk memasak sehari-hari adalah kayu bakar/ arang/ minyak tanah.

TEORI KEMISKINAN •

Definisi


Program Bantuan

• • • •

• •

Hanya mengkonsumsi daging/ susu/ ayam satu kali dalam seminggu Hanya membeli satu stel pakaian baru dalam setahun Hanya sanggup makan hanya satu/ dua kali dalam sehari. Tidak sanggup membayar biaya pengobatan di puskesmas/ poliklinik. Sumber penghasilan kepala keluarga adalah petani dengan luas lahan 500 m2, buruh tani, nelayan, buruh bangunan, buruh perkebunan, dan atau pekerjaan lainnya dengan pendapatan di bawah Rp. 600.000,(Enam Ratus Ribu) per bulan. Pendidikan tertinggi kepala keluarga: tidak bersekolah/ tidak tamat SD/ hanya SD. Tidak memiliki tabungan/ barang yang mudah dijual dengan nilai minimal Rp. 500.000,- (Lima Rus Ribu Rupiah), seperti sepeda motor kredit/ non-kredit, emas, ternak, kapal motor, atau barang modal lainnya.



Program Bantuan

Menurut BPS (2008) secara garis besar, pemerintah melakukan berbagai langkah untuk menanggulangi masalah yang diwujudkan dalam tiga paket program bantuan yaitu. • Paket bantuan program I adalah bantuan dan perlindungan sosial. Paket bantuan ini ditujukan untuk perlindungan dan pemenuhan hak atas pendidikan, kesehatan, pangan, sanitasi, dan air bersih. Paket bantuan ini terwujud dalam bentuk beras miskin (Raskin), Jaminan Kesehatan Masyarakat (Jamkesmas), BOS (Bantuan Operasional Sekolah), PKH (Program Keluarga Harapan), dan BLT (Bantuan Langsung Tunai).



Program Bantuan

• Paket bantuan program II adalah pemberdayaan masyarakat (PNPM Mandiri). Paket bantuan ini bertujuan untuk memberikan perlindungan dan pemenuhan hak atas berpartisipasi, kesempatan kerja dan berusaha, tanah, SDA dan LH, dan perumahan. • Paket bantuan program III adalah pemberdayaan Usaha Mikro dan Kecil (UMK-KUR) yang bertujuan untuk perlindungan dan pemenuhan hak atas kesempatan berusaha dan bekerja.

PENELITIAN SEBELUMNYA

Pamungkas (2012)

• Meneliti tentang revitalisasi sektor pertanian untuk menanggulangi masalah kemiskinan di Kabupaten Jombang. • Revitalisasi sektor pertanian sangat perlu dilakukan dengan harapan sektor ini mampu untuk menjawab permasalahan sosial yang diakibatkan oleh permasalahan ekonomi.

Ningrum (2013)

• Mengkaji keterkaitan antar faktor penentuan kemiskinan di Kabupaten Jombang dengan menggunakan Structural Equation Modeling. • Indikator ekonomi dan SDM berpengaruh positif terhadap kemiskinan dengan asumsi melihat indikator-indikator yang membentuk laten SDM dan ekonomi, sedangkan kesehatan berpengaruh negatif terhadap kemiskinan.

Jihan (2010)

• Bertujuan untuk mengetahui kebenaran konsep teori mengenai faktor-faktor yang mempengaruhi derajat kesehatan masyarakat Jawa Timur. • Dari hasil analisis SEM disimpulkan bahwa lingkungan, pelayanan kesehatan, tenaga kesehatan, dan infrastruktur berpengaruh terhadap derajat kesehatan.

PENELITIAN SEBELUMNYA

Prihandini (2011)

Fitriani (2013)

Anuraga (2014)

• Tentang SEM dengan model struktural berupa regresi spasial yang diterapkan pada data di Propinsi Sumatera Barat untuk melihat penyebaran daerah tertinggalnya. • Pola penyebaran daerah tertinggal di Propinsi Sumatera Barat tersebar di perbatasan Propinsi dan merupakan daerah hasil pemekaran Kabupaten/ Kota. • Tentang pengembangan indikator dan penentuan rumah tangga miskin di Propinsi Jawa Timur menggunakan Spatial Structural Equation Modeling. • Model pengukuran yang didapatkan adalah kesehatan berpengaruh negatif terhadap ekonomi dan SDM berpengaruh positif terhadap ekonomi. Variabel laten kesehatan berpengaruh positif terhadap SDM dengan koefisien dan SDM berpengaruh negatif terhadap kemiskinan. • Menyusun model Spasial SEM Partial Least Square untuk data kemiskinan di Kabupaten/Kota Provinsi Jawa Timur tahun 2011. • Pada model kemiskinan diketahui bahwa ekonomi, kesehatan signifikan . • Untuk model ekonomi diketahui bahwa SDM dan lagged ekonomi signifikan • Pada model SDM diketahui bahwa kesehatan, lagged kesehatan, lagged SDM (lamda) signifikan

METODELOGI PENELITIAN Sumber Data| Variabel Penelitian| Metode dan Langkah Analisis

SUMBER DATA

• Data yang digunakan dalam penelitian ini merupakan data Verifikasi Rumah Tangga Miskin Kabupaten Jombang tahun 2010 yang diperoleh dari Badan Perencanaan Pembangunan Daerah (BAPPEDA) Kabupaten Jombang. • Data yang dikumpulkan antara lain menyangkut bidang pendidikan, kesehatan, perumahan, sosial ekonomi, penghasilan dan aset rumah tangga. • Unit analisis dalam penelitian ini adalah seluruh Desa di Kabupaten Jombang. Berdasarkan data BPS, Kabupaten Jombang terdiri atas 306 Desa yang tersebar di 21 Kecamatan. Namun karena terdapat beberapa data missing, sehingga unit analisis yang digunakan adalah 266 Desa.

VARIABEL PENELITIAN Variabel Laten

Variabel Indikator X1.1 X1.2 X1.3 X1.4

Kesehatan

X1.5 X1.6 X1.7 X1.8 X1.9

Persentase rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah per Desa Persentase rumah tangga yang luas kavling termasuk bangunan kurang dari 60 m2 per Desa Persentase rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah per Desa Persentase rumah tangga yang tidak memiliki septictank sebagai tempat pembuangan air tinja per Desa Persentase rumah tangga yang sumber air minumnya berasal dari sumur/ mata air tidak terlindung/ sungai per Desa Persentase rumah tangga yang tidak memiliki fasilitas tempat buang air besar atau bersifat umum per Desa Persentase rumah tangga yang luas bangunan tempat tinggalnya kurang dari 32 m2 per Desa Persentase rumah tangga yang jenis atap bangunan tempat tinggalnya bukan dari genteng per Desa Persentase rumah tangga yang tidak sanggup membayar biaya pengobatan di Puskesmas/ Poliklinik per Desa

VARIABEL PENELITIAN Variabel Laten

Ekonomi

Variabel Indikator Y1.1 Persentase rumah tangga yang sumber penerangannya tidak menggunakan listrik per Desa Y1.2 Persentase rumah tangga yang menggunakan bahan bakar untuk memasak sehari-hari adalah kayu bakar/arang/minyak tanah per Desa Y1.3 Persentase rumah tangga yang tidak memiliki aset dengan nilai Rp 500.000 per Desa Y1.4 Persentase rumah tangga yang hanya mengkonsumsi daging/susu/ayam satu kali dalam seminggu per Desa Y1.5 Persentase rumah tangga yang status kepemilikan bangunan tidak milik sendiri per Desa Y1.6 Persentase rumah tangga yang tidak sanggup membeli satu set pakaian baru dalam setahun per Desa Y1.7 Persentase rumah tangga yang hanya sanggup makan sebanyak satu/ dua kali dalam sehari per Desa Y1.8 Persentase rumah tangga yang penghasilan kepala rumah tangga per bulan dibawah Rp. 600.000 per Desa

VARIABEL PENELITIAN Variabel Laten SDM Bantuan Rumah Tangga Miskin

Variabel Indikator Y2.1 Persentase rumah tangga dengan pendidikan tertinggi kepala kepala rumah tangga, tidak sekolah/ tidak tamat SD/ hanya SD per Desa Y3.1 Persentase rumah tangga yang memilih paket bantuan Program I (bantuan perlindungan sosial) per Desa Y3.2 Persentase rumah tangga yang memilih paket bantuan Program II (bantuan pemberdayaan masyarakat dan pemberdayaan usaha mikro) per Desa

LANGKAH ANALISIS a. Mendeskripsikan variabel indikator pada masing-masing variabel laten untuk mengetahui karakteristik rumah tangga miskin di Kabupaten Jombang serta melihat persebarannya pada setiap Desa. b. Melakukan pengujian asumsi normal mutivariat. c. Melakukan analisis faktor konfirmatori (Confirmatory Factor Analysis). d. Menyusun model konseptual dengan pemilihan variabel indikator untuk masing-masing variabel laten serta hubungan kausalitasnya. Kemudian digambarkan dalam bentuk diagram jalur.

LANGKAH ANALISIS Berdasarkan model konseptual di atas, maka muncul beberapa hipotesis sebagai berikut. Kesehatan berpengaruh terhadap bantuan rumah tangga miskin. Ekonomi berpengaruh terhadap bantuan rumah tangga miskin. SDM berpengaruh terhadap bantuan rumah tangga miskin. Kesehatan berpengaruh terhadap ekonomi. Kesehatan berpengaruh terhadap SDM. SDM berpengaruh terhadap ekonomi. e. Mengkonversi diagram jalurnya ke dalam persamaan struktural. Model 1 : 𝜂1 = 𝛾11 Kesehatan + 𝛿1 Model 2 : 𝜂2 = 𝛾21 Kesehatan + 𝛽21 SDM + 𝛿2 Model 3 : 𝜂3 = 𝛾31 Kesehatan + 𝛽31 SDM + 𝛽32 Ekonomi + 𝛿3 f. Mengidentifikasi model untuk memeriksa model dalam keadaan under identified, just identified atau over identified. g. Mengevaluasi kesesuaian model (Goodness of Fit) untuk melihat kebaikan model berdasarkan kriteria yang ada. Sehingga dari kriteria tersebut akan didapatkan model yang sesuai.

LANGKAH ANALISIS h. Menghitung skor faktor untuk masing-masing variabel laten. Nilai skor faktor akan digunakan untuk analisis pemodelan regresi spasial dalam persamaan struktural SEM. i. Membentuk matrik bobot spasial yang dapat menjelaskan pola hubungan antara variabel laten dan juga indikatornya dengan melibatkan efek lokasi. Matrik terboboti untuk wilayah Desa/ Kelurahan di Kabupaten Jombang dalam penelitian ini didasarkan pada hubungan persinggungan sisi sudut (queen continguity). j. Melakukan uji efek spasial untuk mengetahui spatial dependence atau spatial hetrogenity. k. Memformulasikan model regresi spasial dalam persamaan struktural SEM. l. Mendapatkan nilai estimasi parameter spasial dalam persamaan struktural SEM. Estimasi parameter menggunakan metode Maximum Likelihood (MLE). m.Menginterpretasikan dan menyimpulkan hasil yang telah diperoleh.

DIAGRAM ALIR LANGKAH ANALISIS

ANALISIS & PEMBAHASAN Karakteristik| Peta Persebaran| Pengujian Asumsi| CFA| SEM| SEM Spasial

Karakteristik Rumah Tangga Miskin di Kabupaten Jombang Berdasarkan Variabel Indikator Variabel Variabel Laten Indikator X1.1 X1.2 X1.3 X1.4 Kesehatan X1.5 X1.6 X1.7 X1.8 X1.9 Y1.1 Y1.2 Y1.3 Y1.4 Ekonomi Y1.5 Y1.6 Y1.7 Y1.8 SDM Y2.1 Y3.1 Bantuan Y3.2

Min (%) 0,000 4,040 0,000 4,186 0,412 16,667 1,818 0,000 0,000 0,000 13,333 28,821 22,581 0,000 1,818 2,486 59,459 42,857 0,000 0,000

Max (%) 100,000 100,000 97,758 100,000 100,000 100,000 100,000 12,245 28,387 6,897 100,000 100,000 100,000 62,992 99,552 99,554 100,000 100,000 100,000 100,000

Mean (%) 41,907 46,318 38,253 65,831 73,796 65,835 29,119 1,665 3,094 1,125 63,803 78,984 91,468 20,381 33,174 19,746 92,025 88,629 43,888 54,247

Varian (%) 702,765 397,268 664,087 555,998 551,671 314,956 352,603 3,547 19,063 1,438 343,341 163,568 144,974 93,108 389,675 254,796 49,655 45,777 732,462 752,344

Persebaran Rumah Tangga yang Tidak Memiliki Septictank sebagai Tempat Pembuangan Air Tinja

Pucang Simo, Brodot, Brangkal, Karang Dagangan, Pucangro, Blimbing, Mentaos, Sukoiber, Bugasur Kedaleman, Krembangan, Sepanyul, Godong, Mejoyolosari, Puton, Jatirejo, Keras, Watugaluh, Bandung, Jombok, Genukwatu, Rejoagung, Kauman, Badang, Kesamben, Penggaron, Mojowangi, Gedangan, Mojojejer, dll.

Persebaran Rumah Tangga yang Sumber Air Minumnya Berasal dari Sumur/Mata Air Tidak Terlindung/Sungai Mojokambang, Kayen, Gondang Manis, Banjar Sari, Tinggar, Jantiganggong, Kepuhkajang, Sumberagung, Pagerwojo, Sembung, Plosogenuk, Pucangro, Kedungturi, Japanan, Blimbing, Mentaos, Sukoiber, Sukopinggir, Bugasur Kedaleman, Wangkalkepuh, Pesanggrahan, Krembang-an, Sepanyul, Godong, Mejoyolosari, Plumbon Gambang, Gempol Legundi, Puton, Bendet, Bulurejo, Grogol, Jatirejo, Kwaron, dll.

Persebaran Rumah Tangga yang Tidak MemilikiFasilitas Tempat Buang Air Besar atau Bersifat Umum Brodot, Brangkal, Karang Dagangan, Pucangro, Kedungturi, Japanan, Mentaos, Bugasur Kedaleman, Pesanggrahan, Krembangan, Sepanyul, Gempol Legundi, Kayangan, Puton, Bendet, Watugaluh, Jombok, Rejoagung, Kesamben, Sugihwaras, Penggaron, Mojojejer, Sidokerto, Sukomulyo, Catak Gayam, Wringinpitu, Kebondalem, Mundusewu, Pakel, Karangan, Ngampungan, Bareng, Tebel, Mojotengah, Banjaragung, dll.

Persebaran Rumah Tangga yang Menggunakan Bahan Bakar untuk Memasak Sehari-hari adalah Kayu Bakar/Arang/Minyak Tanah

Bandar Kedung Mulyo, Kayen, Gondang Manis, Pucang Simo, Banjar Sari, Tinggar, Jatinganggong, Sumberagung, Pagerwojo, Sembung, Mejoyolosari, Plumbon Gambang, Tanggungan, Grogol, Cukir, Kwaron, Keras, Diwek, Bandung, Kedawong, Ngudirejo, Balong Besuk, Badang, Pulorejo, Gajah, Mojowarno, Jenisgelaran, dll.

Persebaran Rumah Tangga yang Tidak Memiliki Aset dengan Nilai Rp 500.000 Sumberjo, Gebang Bunder, Klitih, Sukodadi, Pandan Blole, Asem Gede, Mojodanu, Kedung Bogo, Keboan, Bendungan, Gumulan, Jombok, Kedung Mlati, Kedung Betik, Jati Wates, Bedah Lawak, Pulorejo, Kedung Otok, Sudimoro, Dukuh Arum, Pacar Peluk, Ngogri, Balongsari, Gongseng, Turi Pinggir, Banjar Dowo, Ngrandu Lor, Sumberagung, Sambirejo, Sukosari, Gedangan, Talun Kidul, Kendalsari, Mlaras, Seketi, Karangwinongan, dll.

Persebaran Rumah Tangga yang Hanya Mengkonsumsi Daging/ susu/ Ayam Satu Kali dalam Seminggu Tondowulan, Plandaan, Gebang Bunder, Klitih, Sukodadi, Genengan Jasem, Sumber Gondang, Karang Pakis, Kabuh, Tanjung Wadung, Marmoyo, Pandan Blole, Gedongombo, Tanggung Kramat, Asem Gede, Cupak, Mojodanu, Manunggal, Kedung Bogo, Bendungan, Kepuhrejo, Bakalan-rayung, Tapen, Gumulan, Podoroto, Pojok Rejo, Kedung Mlati, Bedah Lawak, Kedung Otok, Megaluh, Sudimoro, Sumberagung, Dukuh Arum, Pacar Peluk, Sidomulyo, Ngogri, Sumbersari, Balongsari, Gongseng, Turi Pinggir, Banjar Dowo, Ngrandu Lor, Sambirejo, Sukosari, Bakalan, Talun Kidul, Kendalsari, Budugsidorejo, Mlaras, Sebani, Seketi, Tanggalrejo, Jarak, Ngrimbi, Carangwulung, Kedunglumpang, Karangwinongan, Banjaragung, Tebel, Bareng, Karangan, Pakel, Kebondalem, dll.

Persebaran Rumah Tangga yang Penghasilan Kepala Rumah Tangganya per Bulan Dibawah Rp 600.000 Plumbon Gambang, Grogol, Kwaron, Keras, Jatipelem, Brambang, Ceweng, Bandung, Kedawong, Ngudirejo, Balong Besuk, Pandanwangi, Ngoro, Badang, Pulorejo, Sidowarek, Gajah, Mojowarno, Mojowangi, Jenisgelaran, Sambirejo, Wonosalam, Wonokerto, Dukuh Mojo, Kademangan, Janti, Kauman, Mojotrisno, Miagan, Nglele, Trawasan, Segodorejo, Madyo Puro, Jogoroto, Mayangan, Tambar, Peterongan, Mancar, Tanjung Gunung, Bongkot, dll.

Persebaran Rumah Tangga yang Memilih Paket Bantuan Program I Mojokambang, Gondang Manis, Suberagung, Pagerwojo, Perak, Sukopinggir, Wangkalkepuh, Godong, Mejoyolosari, Plumbon Gambang, Grogol, Cukir, Keras, Jatipelem, Brambang, Pundong, Diwek, Bandung, Kedawong, Ngudirejo, Balong Besuk, Ngoro, Badang, Pulorejo, Sidowarek, Gajah, Selorejo, Jenisgelaran, Sambirejo, Wonosalam, Panglungan, Wonokerto, Mojotrisno, Dukuhdimoro, Mancilan, Murukan, Plosokerep, Segodorejo, Madyo Puro, Jogoroto, Mayangan, Tambar, Mancar, Dukuh Klopo, Tanjung Gunung, Morosunggingan, Plandi, Tambak Rejo, Carang Rejo, Menturus, Sumberringin, Kertorejo, Galengdowo, Tejo, Sawiji, Pulo Lor, Kedung Rejo, Kesamben, Jati Duwur, dll.

Persebaran Rumah Tangga yang Memilih Paket Bantuan Program I

Bandar Kedung Mulyo, Kayen, Kepuhkajang, Sembung, Glagahan, Gadingmangu, Plosogenuk, Sukorejo, Temuwulan, Cangkringrandu, Sukoiber, Tanggungan, Kwaron, Ceweng, Pandanwangi, Dukuh Mojo, Kademangan, Gambiran, Kauman, Miagan, Jogoloyo, Nglele, Sumobito, Alang-alang Caruban, Ngumpul, Peterongan, Kebontemu, Tugusumberjo, Senden, Tunggorono, Jombatan, Kaliwungu, Jelakombo, Kepanjen, Kepatihan, Denanyar, Jombang, Candi Mulyo, Mojongapit, dll

Pengujian Asumsi Normal Multivariat

Hipotesis yang digunakan untuk pengujian normal multivariat adalah: H0: Data mengikuti distribusi normal multivariat H1: Data tidak mengikuti distribusi normal multivariat Pengujian normal multivariat menggunakan plot χ2 multivariat dimana bila daerah di bawah kurva χ2 multivariat lebih dari 50% maka H0 diterima atau data mengikuti distribusi normal multivariat. Dari hasil pengujian pada data penelitian, diperoleh nilai χ2 multivariat sebesar 0,6053 (60,53%) yang berarti gagal tolak H0 sehingga dapat dikatakan bahwa data mengikuti distribusi normal multivariat.

Confirmatory Factor Analysis (CFA)

CFA pada Variabel Laten Kesehatan Model CFA Variabel Laten Kesehatan

Kesesuaian Model CFA Variabel Laten Kesehatan Goodness of Fit Index Chi-square

Model

Keterangan

515,493

Model tidak dapat diterima

P-value

0,000


RMSEA

0,261


GFI

0,760


AGFI

0,600


CFI

0,601


Model CFA Variabel Laten Kesehatan Setelah Modifikasi

Kesesuaian Model CFA Modifikasi Variabel Laten Kesehatan Goodness of Fit Index

Chi-square

Model

Keterangan

16,016

Model Fit

P-value

0,312

Model Fit

RMSEA

0,023

Model Fit

GFI

0,985

Model Fit

AGFI

0,962

Model Fit

CFI

0,998

Model Fit

Model CFA telah memenuhi kriteria kesesuaian model. Hal ini menunjukkan bahwa indikatorindikator yang digunakan dalam mengukur variabel laten kesehatan sesuai untuk diterapkan dalam panentuan model bantuan rumah tangga miskin di Kabupaten Jombang.

Estimasi Parameter CFAVariabel Laten Kesehatan Indikator X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.8 X1.9

Loading Factor 0,907 -0,108 1,019 0,561 -0,292 0,491 -0,252 -0,169

Error 0,177 0,988 -0,038 0,685 0,915 0,759 0,936 0,971

P-value *** 0,072 *** *** *** *** *** 0,004

Keterangan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan

Berdasarkan nilai loading factor yang telah diperoleh, maka model pengukuran dari variabel laten kesehatan adalah sebagai berikut. X1.1 = 0,907 Kesehatan X1.5 = -0,292 Kesehatan X1.2 = -0,108 Kesehatan X1.6 = 0,491 Kesehatan X1.3 = 1,019 Kesehatan X1.8 = -0,252 Kesehatan X1.4 = 0,561 Kesehatan X1.9 = -0,169 Kesehatan Indikator X1.1 dan X1.3 memiliki nilai loading factor terbesar yaitu 0,907 dan 1,019. Hal ini menunjukkan bahwa indikator X1.1 (rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah) dan X1.3 (rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah) memberikan pengaruh yang paling besar terhadap variabel laten kesehatan.

Selain membentuk model pengukuran, dari Tabel 4.5 juga dapat diketahui error pengukuran yang menunjukkan kesalahan pengukuran dari indikator. Besarnya kesalahan pengukuran indikator adalah sebagai berikut. V (δ1 ) = 0,177 V (δ5 ) = 0,915 V (δ2 ) = 0,988 V (δ6 ) = 0,759 V (δ3 ) =-0,038 V (δ8 ) = 0,936 V (δ4 ) = 0,685 V (δ9 ) = 0,971 Kesalahan pengukuran variabel laten kesehatan yang paling kecil terdapat pada indikator X 1.3 yaitu indikator rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah. Selanjutnya dilakukan pengujian konsistensi dari variabel laten kesehatan menggunakan nilai construct reliability (CR) dengan perhitungan sebagai berikut. (0,907 + −0,108 + ⋯ + (−0,169)2 𝜌𝑐 = (0,907 + ⋯ + −0,169 )2 + (0,177 + ⋯ + 0,971) = 0,463≈ 0,5 Nilai CR yang dihasilkan variabel laten kesehatan adalah 0,464 ≈ 0,5 sehingga dapat dikatakan reliabel namun memiliki konsistensi cukup kecil.

CFA Variabel Laten Ekonomi Model CFA Variabel Laten Ekonomi

Kesesuaian Model CFAVariabel Laten Ekonomi

Goodness of Fit Index Chi-square P-value RMSEA GFI AGFI CFI

Model 151,681 0,000 0,158 0,884 0,790 0,596

Keterangan Model tidak dapat diterima Model tidak dapat diterima Model tidak dapat diterima Model tidak dapat diterima Model tidak dapat diterima Model tidak dapat diterima

Model CFA Variabel Laten Ekonomi Setelah Modifikasi

Kesesuaian Model CFA Modifikasi Variabel Laten Ekonomi

Goodness of Fit Index Chi-square P-value RMSEA GFI AGFI CFI

Model

6,644 0,467 0,000 0,992 0,976 1,000

Keterangan

Model Fit Model Fit Model Fit Model Fit Model Fit Model Fit

Estimasi Parameter CFAVariabel Laten Ekonomi Indikator Y1.3 Y1.4 Y1.5 Y1.6 Y1.7 Y1.8

Loading Factor 0,406 0,249 0,184 0,888 0,679 0,256

Error 0,835 0,938 0,966 0,211 0,539 0,934

Ket.*** : nilai P-value kurang dari 0,001

P-value *** 0,006 0,024 *** *** ***

Keterangan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan

Berdasarkan nilai loading factor yang telah diperoleh, maka model pengukuran dari variabel laten ekonomi adalah sebagai berikut. Y1.3 = 0,406 Ekonomi Y1.5 = 0,184Ekonomi Y1.4 = 0,249 Ekonomi Y1.6 = 0,888Ekonomi Y1.7 = 0,679Ekonomi Y1.8 = 0,256 Ekonomi

Indikator Y1.6 dan Y1.7 memiliki nilai loading factor terbesar yaitu 0,889 dan 0,680. Hal ini menunjukkan bahwa indikator Y1.6 (rumah tangga yang tidak sanggup membeli satu set pakaian baru dalam setahun) dan Y1.7 (rumah tangga yang hanya sanggup makan sebanyak satu/dua kali dalam sehari) memberikan pengaruh yang paling besar terhadap variabel laten ekonomi. Selanjutnya dilakukan pengujian konsistensi dari variabel laten ekonomi menggunakan nilai construct reliability (CR) dengan perhitungan sebagai berikut. (0,406 + 0,249 + ⋯ + 0,256)2 𝜌𝑐 = (0,406 + ⋯ + 0,256)2 + (0,835 + ⋯ + 0,934) = 0,551 Nilai CR yang dihasilkan variabel laten ekonomi adalah 0,551sehingga dapat dikatakan reliabel

Structural Equation Modeling (SEM) Setelah diperoleh indikator yang valid dan reliabel melalui confirmatory factor analysis (CFA), selanjutnya adalah membentuk model struktural berdasarkan model dugaan. Terdapat 3 model dugaan yaitu SDM dipengaruhi oleh kesehatan, ekonomi dipengaruhi oleh kesehatan dan SDM, dan bantuan dipengaruhi oleh kesehatan, SDM dan ekonomi.

Kesesuaian Model Persamaan Struktural Goodness of Fit Index

Model

Chi-square P-value RMSEA GFI AGFI CFI

692,004 0,000 0,138 0,759 0,676 0,702

Keterangan Model tidak dapat diterima Model cukup diterima Model tidak dapat diterima Model tidak dapat diterima Model tidak dapat diterima Model tidak dapat diterima

Persamaan struktural belum memenuhi kriteria kesesuaian model sehingga perlu dilakukan modifikasi untuk memperoleh model yang lebih baik. Sebelum dilakukan modifikasi terlebih dahulu dilihat nilai koefisien jalur untuk mengetahui parameter yang signifikan. Parameter yang tidak signifikan tidak akan diikutkan dalam modifikasi.

Estimasi Parameter Persamaan Struktural Hubungan Y2.1 Ekonomi Ekonomi Bantuan Bantuan Bantuan X1.9 X1.8 X1.6 X1.5 X1.4 X1.3 X1.2 X1.1 Y1.8 Y1.7 Y1.6 Y1.5 Y1.4 Y1.3 Y3.1 Y3.2

<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<--<---

Kesehatan Kesehatan Y2.1 Ekonomi Y2.1 Kesehatan Kesehatan Kesehatan Kesehatan Kesehatan Kesehatan Kesehatan Kesehatan Kesehatan Ekonomi Ekonomi Ekonomi Ekonomi Ekonomi Ekonomi Bantuan Bantuan

Koefisien Jalur -0,400 0,265 0,142 0,097 0,197 0,314 0,182 0,264 -0,523 0,311 -0,572 -0,986 0,107 -0,935 0,305 0,684 0,812 0,242 0,273 0,504 0,942 -0,909

P-value 0,006 0,042 0,078 0,195 0,004 0,013 *** 0,013 0,004 0,009 0,004 0,003 0,134 0,003 *** *** *** 0,005 0,002 *** *** ***

Keterangan Signifikan Signifikan Signifikan Tidak Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Tidak Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan Signifikan

Berdasarkan Tabel diperoleh bahwa variabel laten kesehatan berpengaruh signifikan terhadap SDM, kesehatan berpengaruh signifikan terhadap ekonomi, SDM berpengaruh signifikan terhadap ekonomi, SDM berpengaruh signifikan ter-hadap bantuan, serta kesehatan berpengaruh signifikan terhadap bantuan. Sedangkan variabel laten ekonomi tidak berpengaruh signifikan terhadap bantuan. Hal ini berarti bahwa bantuan rumah tangga miskin di Kabupaten Jombang dipengaruhi oleh variabel laten SDM dan variabel laten kesehatan.Oleh karena itu pada modifikasi model struktural,hubungan ekonomi terhadap bantuan tidak diikutkan serta indikator X1.2 (rumah tangga yang luas kavling termasuk bangunan kurang dari 60 m2) juga tidak diikutkan dalam modifikasi model struktural.

Model Struktural Hasil Modifikasi dan Signifikan

Dari Gambar diperoleh nilai df sebesar 92 yang berarti model struktural hasil modifikasi telah berada dalam keadaan over identified sehingga diperlukan pengujian kesesuaian model (goodness of fit) untuk mengetahui kebaikan model struktural hasil modifikasi.

Kesesuaian Model Persamaan Struktural Hasil Modifikasi Goodness of Fit Index Chi-square P-value RMSEA GFI AGFI CFI

Model

Keterangan

414,040 0,000 0,115 0,846 0,772 0,829

Model cukup diterima Model cukup diterima Model cukup diterima Model cukup diterima Model cukup diterima Model cukup diterima

Berdasarkan Tabel diketahui bahwa model struktural hasil modifikasi telah cukup memenuhi kriteria kesesuaian model. Sehingga selanjutnya dilakukan pengujian signifikansi parameter model struktural.

Estimasi Parameter Persamaan Struktural Hasil Modifikasi Koefisien P-value Keterangan Jalur Y2.1 <--- Kesehatan -0,383 0,007 Signifikan Ekonomi <--- Kesehatan 0,202 0,072 Signifikan Bantuan <--- Y2.1 0,200 0,003 Signifikan Bantuan <--- Kesehatan 0,325 0,012 Signifikan Ekonomi <--- Y2.1 0,143 0,078 Signifikan Hubungan

Berdasarkan hasil estimasi parameter model struktural hasil modifikasi pada Tabel 4.11diperoleh model sebagai berikut. SDM = -0,383 Kesehatan Ekonomi = 0,202 Kesehatan + 0,143 SDM Bantuan = 0,325 Kesehatan + 0,200 SDM Dari model yang terbentuk dapat diketahui bahwa variabel laten SDM memiliki pengaruh negatif dan signifikan terhadap variabel laten kesehatan. Variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten ekonomi. Sedangkan untuk model bantuan, variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten bantuan rumah tangga miskin di Kabupaten Jombang.

Skor Faktor Masing-masing Variabel Laten Variabel X1.1 X1.3 X1.4 X1.5 X1.6 X1.8 X1.9 Y1.3 Y1.4 Y1.5 Y1.6 Y1.7 Y1.8 Y3.1 Y3.2

Kesehatan Bantuan 0,006 0,005 -0,036 -0,033 0,001 0,001 0 0 0 0 -0,001 -0,001 -0,001 -0,001 0 0 0 0 0 0 0 0 0 0 0 0 0 0,578 0 -0,362

Ekonomi 0,001 -0,003 0 0 0 0 0 0,012 0,008 0,003 0,062 0,027 0,008 0 0

Pemodelan Regresi Spasial untuk Persamaan Struktural Matrik pembobot queen continguity adalah sebagai berikut. 0 1  0  1 1  1 0   0 

1 0 1 1 1 0  0 0 1 1 0 0 0  0 1 0 1 1 0 0  0  1 1 0 1 0 0  0 0 1 1 0 1 1  0  0 0 0 1 0 0  0 0 0 0 1 0 0  0         0 0 0 0 0 0 0 0 0 266x 266

Sedangkan matrik bobot yang terstandardisasi adalah sebagai berikut. 0,25 0 0,25 0,25 0,25 0  0 0,333 0 0,333 0,333 0 0 0  0 0,167 0 0,167 0,167 0 0  0,25 0,25 0,25 0 0,25 0 0  0,143 0 0,143 0,143 0 0,143 0,143  0 0 0 0,333 0 0  0,133 0 0 0 0,20 0 0  0         0 0 0 0 0 0  0

        0

0 0 0 0 0 0 0 0 0 266x 266

Pengujian Efek Spasial

Efek Spasial Heterogenity

Dependensi

Statistik Uji

P-value

Keterangan

Breusch-Pagan test

0,2402

Tidak Signifikan

Koenker-Bassett test

0,0792

Signifikan

Moran's I (error)

0,3408

Tidak Signifikan

Lagrange Multiplier (lag)

0,1386

Tidak Signifikan

Lagrange Multiplier (error)

0,4506

Tidak Signifikan

Setelah dilakukan pengujian efek spasial, diketahui bahwa model bantuan rumah tangga miskin di Kabupaten Jombang memiliki efek spasial heterogenity sehingga pendekatan model yang digunakan adalah model regresi spasial GWR.

Pemodelan Regresi Bantuan Rumah Tangga Miskin Pengujian Serentak Hasil analisis variansi ditunjukkan dalam tabel berikut. Sumber Variasi

Regression

Derajat Bebas (DF)

Jumlah Kuadrat

Rata-rata Kuadrat

3

18438,5

6146,2

Residual

262

150848,9

575,8

Total

265

169287,4

F

10,67

P-value

0,000

Dengan menggunakan tingkat signifikansi (α = 0,10) maka dapat disimpulkan bahwa variabel prediktor secara serentak berpengaruh terhadap variabel respon. Koefisien determinasi (R2) yang diperoleh adalah sebesar 10,89% yang berarti bahwa model regresi mampu menjelaskan variasi bantuan rumah tangga miskin di Kabupaten Jombang sebesar 10,89%, sedangkan sisanya dijelaskan oleh variabel lain di luar model.

Pemodelan Regresi Bantuan Rumah Tangga Miskin Pengujian Parsial Estimasi parameter ditunjukkan dalam tabel berikut. Variabel Constant

Coefficient

Std. Error

T Hitung

P-value

-41,135

20,4102

-2,015

0,04488

10,641

2,117

5,026

0,0000009

Ekonomi

1,232

0,917

1,344

0,18006

SDM

0,674

0,239

2,827

0,00506

Kesehatan

Dari tabel tersebut diperoleh model regresi global sebagai berikut. Bantuan = -41,135 + 10,641 Kesehatan + 1,232 Ekonomi + 0,674 SDM Model diatas menghasilkan kesimpulan bahwa variabel kesehatan dan SDM berpengaruh signifikan terhadap bantuan rumah tangga miskin, sedangkan variabel ekonomi tidak berpengaruh secara signifikan terhadap bantuan rumah tangga miskin.

Pemodelan Regresi Spasial GWR Hasil pengujian kesesuaian model GWR ditunjukkan dalam tabel berikut. Sumber Error Regresi Improvement GWR

Jumlah Kuadrat

Derajat Bebas (DF)

Rata-rata Kuadrat

150848,917

262

528,146

0,592

892,611

150320,771

261,408

575,042

F

1,552253

Berdasarkan tabel di atas diperoleh nilai statistik uji F sebesar 1,552 dan F0,1;261;1 = 0,367 (Fhitung > Fα;df1;df2) sehingga dapat disimpulkan bahwa model GWR berbeda signifikan dengan model regresi global sehingga model GWR lebih layak untuk menjelaskan bantuan rumah tangga miskin di Kabupaten Jombang.

Pemodelan Regresi Spasial GWR Estimasi parameter secara parsial pada setiap lokasi pengamatan.

Pemodelan Regresi Spasial GWR







Pemodelan Regresi Spasial GWR Berdasarkan tabel di atas dapat diketahui nilai estimasi masing-masing variabel dari setiap Desa. Nilai t0,05;264 adalah sebesar 1,969 sehingga disimpulkan bahwa semua parameter yang signifikan pada setiap Desa adalah sama. Namun dari nilai estimasi tersebut dapat diketahui variabel mana yang paling berpengaruh terhadap bantuan rumah tangga miskin pada suatu Desa. Variabel kesehatan sebagai variabel yang paling berpengaruh terhadap bantuan rumah tangga miskin yaitu terjadi pada Desa Mundusewu, Catak Gayam, Wringinpitu, Kebon-dalem, Ngrimbi, Pakel, Jombok, Ngampungan, Karangan, dan Jenis Gelaran. Sedangkan bantuan rumah tangga miskin yang paling dipengaruhi oleh variabel SDM yaitu terjadi pada Desa Sambirejo, Wonosalam, Galengdowo, Wonomerto, Jarak, Ca-rangwulan, Karangan, Banjaragung, Nglebak, Pulosari, Ngrimbi, Panglungan, Pakel, Mojotengah, Sugihwaras, Kebondalem, Mun-dusewu, Ngampungan, Tebel, Wonokerto, Gajah, Mojowarno, Mojowangi, Wringinpitu, Bareng, Kedungplumpang, Kauman, Gedangan, Sidokerto, Sukomulyo, Catak Gayam, Jenisgelaran, Dukuh Mojo, dan Gambiran.

KESIMPULAN & SARAN

KESIMPULAN 1. Berdasarkan hasil confirmatory factor analysis (CFA) pada variabel laten kesehatan diketahui bahwa indikator X1.7 (rumah tangga yang tidak sanggup membayar biaya pengobatan di Puskesmas/ Poliklinik) dinyatakan tidak valid dalam menjelaskan variabel laten kesehatan, sedangkan indikator X1.1 (rumah tangga yang jenis dinding bangunan tempat tinggalnya terbuat dari bambu/ rumbia/ kayu berkualitas rendah) dan X1.3 (rumah tangga yang jenis lantai bangunan tempat tinggalnya terbuat dari tanah/ bambu/ kayu berkualitas rendah) memberikan pengaruh yang paling besar terhadap variabel laten kesehatan. Confirmatory factor analysis (CFA) pada variabel laten ekonomi diketahui bahwa indikator Y1.1 (rumah tangga yang sumber penerangannya tidak menggunakan listrik) dan Y1.2 (menggunakan bahan bakar untuk memasak sehari-hari adalah kayu bakar/ arang/ minyak tanah) tidak valid dalam menjelaskan variabel laten ekonomi, sedangkan indikator Y1.6 (rumah tangga yang tidak sanggup membeli satu set pakaian baru dalam setahun) dan Y1.7 (rumah tangga yang hanya sanggup makan sebanyak satu/dua kali dalam sehari) memberikan pengaruh yang paling besar terhadap variabel laten ekonomi.

KESIMPULAN 2. Pemodelan structural equation modeling (SEM) diperoleh bahwa variabel laten ekonomi tidak berpengaruh signifikan terhadap bantuan rumah tangga miskin di Kabupaten Jombang. Dari model yang terbentuk dapat diketahui bahwa variabel laten SDM memiliki pengaruh negatif dan signifikan terhadap variabel laten kesehatan. Variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten ekonomi. Sedangkan untuk model bantuan, variabel laten kesehatan dan variabel laten SDM memiliki pengaruh positif dan signifikan terhadap variabel laten bantuan rumah tangga miskin di Kabupaten Jombang.

3. Model bantuan rumah tangga miskin di Kabupaten Jombang memiliki efek spasial heterogenity sehingga pendekatan model yang digunakan adalah model regresi spasial GWR. Hasil estimasi parameter regresi spasial GWR disimpulkan bahwa semua parameter yang signifikan pada setiap Desa adalah sama yakni variabel kesehatan dan SDM.

SARAN Saran yang dapat diberikan untuk penelitian selanjutnya adalah pada variabel laten yang digunakan untuk pemodelan SEM sebaiknya menambahkan indikator-indikator yang lebih merepresentasikan variabel laten. Sedangkan untuk model regresi spasial sebaiknya menggunakan pembobot yang lebih variatif seperti continguity dipadukan bobot customized agar dapat mengakomodasi Desa-desa yang tidak memiliki daerah persinggungan. Untuk penelitian SEM spasial lebih lanjut bisa dikembangkan dengan pendekatan Spatial Error Model (SEM), SAR, atau SARMA.

DAFTAR PUSTAKA

DAFTAR PUSTAKA • Anselin, L. (1988). Spatial Econometrics : Methods and Models. Dordrectht, The Netherlands: Kluwer Academic Publishers. • Anuraga, G. (2014). Spasial Structural Equation Modeling - Partial Least Square untuk Pemodelan Kemiskinan di Jawa Timur. Surabaya: Institut Teknologi Sepuluh Nopember . • Bollen, K. A. (1989). Structural Equation Modeling With Latent Variables. United States of America: John Wiley & Sons, Inc. • BPS. (2008). Penguatan Peran Pemerintah Daerah dalam Percepatan Pengentasan Kemiskinan. Dipetik 26 Pebruari, 2014, dari http:// www.setneg.go.id/ • BPS. (2009). Penyempurnaan Metodologi Perhitungan Penduduk Miskin dan Profil Kemiskinan. Dipetik 25 Pebruari, 2014, dari Badan Pusat Satatistik: http://www.bps.go.id/ • BPS. (2008). Program Penanggulangan Kemiskinan di Indonesia. Dipetik 8 Maret, 2014, dari www.tnp2k.go.id: http://www.tnp2k.go.id/id/ program/sekilas/ • BPS. (2013). Jumlah dan Persentase Penduduk Miskin Menurut Propinsi September 2012 Maret 2013. Dipetik 23 Maret, 2014, dari Badan Pusat Statistik: http://www.bps.go.id/brs_file/kemiskinan_01jul13.pdf • Engel, K. S., Moosbrugger, H., dan Muller, H. 2003. Evaluating the Fit of Structural Equation Models:Test of Significance and Descriptive Goodness-of-Fit Measures. Methods of Psychological Research Online, 8(2), 23-74. • Ferdinand, A. (2002). Structural Equation Modeling dalam Penelitian Manajemen (2nd Edition ed.). Semarang: BP UNDIP.

DAFTAR PUSTAKA Fitriani, A. (2013). Pengembangan Indikator dan Penentuan Rumah Tangga Miskin di Propinsi Jawa Timur Menggunakan Spatial Structural Equation Modeling. Surabaya: Institut Teknologi Sepuluh Nopember. Fotheringham, A.S., Brunsdon, C. dan Charlton, M., (2002), Geographically Weighted Regression, John Wiley & Sons, LTD, England. Ghozali, I., dan Fuad, I. 2005. Structural Equation Modeling: Teori, Konsep, dan Aplikasi Dengan Program Lisrel 8.54 (1st Edition). Semarang: Universitas Diponegoro. Hair, J. F., Anderson, R. E., Tatham, R. L., & Black, W. C. (1998). Multivariate Data Analysis. New Jersey: Prentice-Hall, Inc. Hulland, J., Chow, Y.H., dan Lam, S., 1996, “Use of Causal Models in MarketingResearch: A Review”, International Journal of Research in Marketing, 13, 181-197. Jihan, S. (2010). Pemodelan Persamaan Struktural pada Derajat Kesehatan dengan Moderasi Infrastruktur (Studi kasus di Propinsi Jawa Timur, SUSENAS 2007). Surabaya: Institut Teknologi Sepuluh Nopember. Johnson, R.A., dan Wichern, D.W. 1998. Applied Multivariat Statistical Analysis. Prentice Hall, Englewood Cliffs: New Jersey. Kemiskinan. (2014). Dipetik 10 Pebruari, 2014, dari Wikipedia Ensiklopedia Bebas: http://id.wikipedia.org/wiki/Kemiskinan LeSage, J. (1999). The Theory and Practice of Spatial Econometrics . Department of Economics University of Toledo.

DAFTAR PUSTAKA Ningrum, R. P. (2013). Structural Equation Modeling untuk Mengetahui Keterkaitan FaktorFaktor yang Mempengaruhi Kemiskinan di Kabupaten Jombang. Surabaya: Institut Teknologi Sepuluh Nopember. Pamungkas, Z. (2012). Revitalisasi Sektor Pertanian untuk Menanggulangi Masalah Kemiskinan di Kabupaten Jombang. Jombang: Fakultas Teknik Unipdu Jombang. Prihandini, T. I. (2011). Structural Equation Modeling (SEM) dengan Model Struktural Regresi Spasial. Surabaya: Institut Teknologi Sepuluh Nopember. Schumacker, R. E., & Lomax, R. G. (2004). A Beginner's Guide to Structural Equation Modeling. New York: Routledge Taylor and Francis Group. Sharma, S. 1996. Applied Multivariat Techniques (1st edition ed.). USA: John Willey & Sons,Inc. Widarjono, A. 2010. Analisis Multivariat Terapan. Yogyakarta: Unit Penerbit dan Percetakan STIM YKPN.

PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG

Mastari Rizki Fadillah |1312105031 Dosen Pembimbing : Dr. Bambang Widjanarko Otok, M.Si Seminar Hasil Tugas Akhir | Kamis, 24 Juli 2014 | Jurusan Statistika FMIPA ITS

PEMODELAN SPATIAL STRUCTURAL EQUATION MODELING PADA RUMAH TANGGA MISKIN DI KABUPATEN JOMBANG

Recommend Documents