Penerapan Regresi Gerombol Spasial pada Data Kemiskinan Indonesia Tahun 2022

Abstract

Kemiskinan merupakan fenomena dimana masyarakat tidak mampu memenuhi kebutuhan sehari-hari baik di perkotaan maupun pedesaan. Kemiskinan merupakan permasalahan yang terjadi di negara-negara berkembang, termasuk Indonesia. Banyak analisis statistika dilakukan untuk meneliti kemiskinan, dua di antaranya yang cukup sering digunakan adalah analisis gerombol dan regresi spasial. Penelitian ini menggunakan kombinasi analisis gerombol dan regresi spasial, yaitu menjadi Regresi Gerombol Spasial. Analisis gerombol dan spasial pada Regresi Gerombol Spasial digabungkan menggunakan fungsi objektif penalty likelihood yang memberi batas optimum nilai parameter dan jumlah amatan dalam gerombol pada model. Penelitian ini menggunakan data sekunder yang bersumber dari BPS yaitu tingkat kemiskinan kabupaten/kota di Indonesia tahun 2022, data terdiri dari 514 kabupaten/kota, satu peubah respons dan delapan peubah penjelas. Penelitian ini bertujuan untuk mengkaji penerapan metode Regresi Gerombol Spasial dan menentukan peubah berpengaruh pada tingkat kemiskinan di Indonesia untuk setiap gerombol yang terbentuk. Jumlah gerombol yang digunakan dari total 3 sampai 15 gerombol. Pembobot spasial yang digunakan adalah bobot jarak ambang, bobot eksponensial, bobot k-tetangga terdekat dengan k = 3, 4, dan 5, bobot jarak invers dengan alpha = 1 dan 2, bobot ketetanggaan ratu, dan bobot ketetanggaan benteng. Model terbaik adalah model dengan nilai kebaikan model terkecil ke-4 yang memiliki pola gerombol tidak acak menggunakan fungsi pembobot 4-tetangga terdekat dengan gerombol optimum 7. Hasil regresi menunjukkan rata-rata R^2 sebesar 51,71% dan memberikan peubah berpengaruh yang berbeda di setiap gerombolnya.

Poverty is a phenomenon where people are unable to meet their daily needs both in urban and rural areas. Poverty is a problem that occurs in developing countries, including Indonesia. Many statistical analyzes are carried out to research poverty, two of which are quite often used are cluster analysis and spatial regression. This research uses a combination of cluster analysis and spatial regression, namely Spatially Clustered Regression. Cluster and spatial analysis in Spatially Clustered Regression are combined using the penalty likelihood objective function which provides optimum limits for parameter values and the number of observations for clusters in the model. This research uses data from BPS, namely the poverty level of districts/cities in Indonesia in 2022, data consisting of 514 districts/cities, one response variable, and eight explanatory variables. The number of clusters used is from 3 to 15 clusters. This study aims to examine the application of the Spatial Cluster Regression method and determine the variables that influence the poverty rate in Indonesia for each cluster formed.The spatial weights used are threshold distance weights, exponential weights, k-nearest neighbor weights with k = 3, 4, and 5, inverse distance weights with alpha = 1 and 2, queen contiguity, and rook contiguity. The best model is the model with the 4th smallest model goodness value which has a non-random cluster pattern using a 4-nearest neighbor weighting function with an optimum cluster of 7. The regression results show an average R^2 of 51,71% and provide different significant variables in each cluster.