Pemodelan Geographically Weighted Panel Regression untuk Identifikasi Peubah-Peubah yang Memengaruhi Persentase Penduduk Miskin di Provinsi Papua

Abstract

Kemiskinan merupakan tantangan serius bagi Indonesia dan menjadi fokus utama tujuan pembangunan berkelanjutan. Provinsi Papua memiliki tingkat kemiskinan tertinggi dengan Persentase Penduduk Miskin (PPM) melebihi rata-rata nasional. Variasi tingkat kemiskinan antar wilayah menunjukkan heterogenitas spasial yang dipengaruhi oleh faktor geografis. Oleh karena itu, penelitian ini menggunakan metode Geographically Weighted Panel Regression (GWPR). Tujuan dari penelitian ini adalah untuk menentukan matriks pembobot terbaik dalam pemodelan GWPR dan mengidentifikasi peubah-peubah yang memengaruhi persentase penduduk miskin secara signifikan di Papua dari tahun 2019 hingga 2021. Data yang digunakan adalah data PPM tahun 2019 hingga 2021 yang disediakan oleh Badan Pusat Statistik Provinsi Papua. Hasil penelitian menunjukkan bahwa fungsi pembobot Fixed Kernel Gaussian adalah yang terbaik untuk pemodelan GWPR tersebut. Berdasarkan empat peubah yang berpengaruh, dihasilkan tujuh kelompok kabupaten/kota yang setiap kelompoknya memiliki peubah berpengaruh yang sama. Empat peubah yang berpengaruh signifikan terhadap PPM adalah (1) Tingkat Pengangguran Terbuka (TPT), (2) Angka Harapan Hidup (AHH), (3) Angka Partisipasi Sekolah (APS), dan (4) laju pertumbuhan penduduk. Nilai R-Square untuk model masing-masing kabupaten/kota berkisar antara 74% hingga 98%. Hal ini menunjukkan bahwa model GWPR dengan fungsi pembobot Fixed Kernel Gaussian cukup efektif dalam memodelkan PPM di kabupaten/kota di Provinsi Papua untuk tahun 2019 hingga 2021.

Poverty presents a serious challenge for Indonesia and is a primary focus of the Sustainable Development Goals (SDGs). Papua Province has the highest poverty rate with the percentage of the poor population (PPM) exceeding the national average. Variations in poverty rates among regions indicate spatial heterogeneity influenced by geographical factors. Therefore, this research employs the Geographically Weighted Panel Regression (GWPR) method. The purpose of this study is to determine the best weighting matrix in the GWPR modeling and identify the variables that significantly affect the percentage of the poor population in Papua from 2019 to 2021. The data used consists of PPM data from 2019 to 2021 provided by the Badan Pusat Statistik of Papua Province. The results of the study indicate that the Fixed Kernel Gaussian weighting function is the best for GWPR modeling. Based on four influential variables, seven groups of districts/cities were identified, each with the same influential variables. The four variables that significantly affect PPM are (1) open unemployment rate, (2) life expectancy, (3) school participation rate, and (4) population growth rate. The R-Square values for the models of each district/city range from 74% to 98%. This indicates that the GWPR model with the Fixed Kernel Gaussian weighting function is quite effective in modeling PPM in districts/cities in Papua Province for the years 2019 to 2021.