Pemodelan Kemiskinan di Jawa Menggunakan Bayesian Spasial Probit Pendekatan Integrated Nested Laplace Approximation

Abstract

Kemiskinan merupakan masalah yang kompleks dan bersifat multidimensi sehingga menjadi prioritas pembangunan. Upaya yang dilakukan untuk mendeteksi masalah kemiskinan ini adalah dengan menentukan model dan metode yang dapat mengidentifikasi faktor-faktor yang berpengaruh terhadap kemiskinan. Namun, aspek-aspek kemiskinan bukan hanya dipengaruhi oleh peubah-peubah yang berkaitan saja, tetapi sangat mungkin dipengaruhi oleh pengaruh spasial. Data kemiskinan merupakan data areal hasil agregasi sesuai wilayahnya. Wilayah satu dengan wilayah lainnya memiliki kondisi geografis, sosial budaya, dan ekonomi yang berbeda. Namun demikian, kondisi di suatu wilayah akan memiliki hubungan yang cukup kuat dengan wilayah lain yang berdekatan yang dinamakan pengaruh spasial. Oleh karena itu, perlu untuk mempertimbangkan pengaruh spasial dalam suatu penelitian yang menggunakan data agregasi. Metode ekonometrik spasial semakin banyak digunakan pada perangkat standar peneliti terapan di bidang pertanian, ekonomi, lingkungan, dan pembangunan. Meskipun demikian, aplikasi pada data diskret masih sedikit dan penerapan Bayesian dalam penelitian juga masih sangat sedikit. Inferensi Bayesian sering bergantung pada metode simulasi intensif komputasi seperti Markov Chain Monte Carlo (MCMC). Inferensi Bayes pendekatan Integrated Nested Laplace Approximation (INLA) memberikan komputasi lebih cepat dibanding MCMC dan memungkinkan untuk menggunakan data yang lebih besar. Penelitian ini bertujuan untuk memodelkan tingkat kemiskinan di Jawa menggunakan Bayesian Otoregresi Spasial/Spatial Autoregressive (SAR) Probit pendekatan INLA. Tiga jenis matriks pembobot spasial yaitu k-Nearest Neighbour (k-NN), Inverse Distance, dan Exponential Distance digunakan dalam pemodelan. Penelitian ini juga melakukan pemetaan dan analisis tingkat kemiskinan di Jawa berdasarkan model terbaik yang diperoleh. Unit penelitian yang digunakan adalah kabupaten/kota di Jawa yang mencakup 119 observasi dengan periode penelitian tahun 2017. Hasil penelitian menunjukkan bahwa status kemiskinan di Jawa memiliki dependensi spasial positif, artinya status kemiskinan kabupaten/kota di Jawa bersifat mengelompok. Status kemiskinan di Jawa dipengaruhi oleh laju pertumbuhan PDRB, persentase penduduk yang bekerja di sektor pertanian, pengeluaran per kapita, dan persentase penduduk yang tidak memiliki ijazah. Pemodelan tingkat kemiskinan di Jawa menggunakan Bayesian SAR Probit INLA dengan pembobot spasial k-NN merupakan model terbaik yang hanya menghasilkan 12 kabupaten/kota yang terklasifikasi salah status kemiskinannya. Pembobot spasial k-NN juga menghasilkan tingkat ketepatan klasifikasi yang tertinggi, dengan nilai spesifisitas 85.45%, sensitivitas 93.75%, dan akurasi 89.92%.