Penanganan Overdispersi Pada Regresi Poisson dengan Regresi Binomial Negatif pada Kasus Kemiskinan di Indonesia Tahun 2016.

Abstract

Regresi Poisson dapat digunakan untuk memodelkan kejadian yang jarang terjadi dengan data merupakan data cacah. Penerapan Regresi Poisson dilakukan untuk mengatahui faktor-faktor eksternal yang memengaruhi jumlah penduduk miskin di Indonesia menurut provinsi tahun 2016. Asumsi yang harus dipenuhi dalam analisis ini adalah equdispersi. Namun demikian, pada kasus riil sering kali terjadi masalah overdispersi, yakni nilai ragam lebih besar dari nilai rataannya. Keragaman yang tinggi salah satunya dapat disebabkan oleh adanya pencilan. Pengeluaran data pencilan ternyata belum dapat menangani masalah overdispersi pada Regresi Poisson. Salah satu cara untuk mengatasi masalah ini yaitu dengan mengganti asumsi distribusi Poisson dengan distribusi Binomial Negatif. Hasil analisis menunjukkan model Regresi Binomial Negatif tanpa pencilan lebih baik dibandingkan model Regresi Poisson tanpa pencilan ditunjukkan dengan nilai AIC yang lebih kecil. Berdasarkan model Regresi Binomial Negatif tanpa pencilan ini faktor-faktor eksternal yang memengaruhi jumlah penduduk miskin di Indonesia menurut provinsi tahun 2016 adalah persentase rumah tangga dengan kondisi lantai rumah beralaskan tanah menurut provinsi, jumlah penduduk menurut provinsi, persentase jumla pengangguran terhadap jumlah angkatan kerja menurut provinsi, dan persentase jumlah angkatan kerja terhadap jumlah penduduk usia kerja.