Analisis Data Longitudinal Menggunakan Multivariate Latent Curve Model

Abstract

Kemiskinan merupakan masalah multidimensional yang terjadi di negara maju maupun berkembang. Jumlah penduduk miskin di Indonesia mencapai 25.67 juta. Kemiskinan tersebut berpengaruh terhadap kualitas hidup. Kemiskinan dan kualitas hidup tidak dapat diukur secara langsung serta mengalami perubahan setiap tahun sehingga dapat dikaji menggunakan analisis multivariate dan longitudinal. Analisis yang dapat digunakan untuk data multivariate dan longitudinal yaitu multivariate latent curve model (LCM). Pada penelitian ini, multivariate LCM diterapkan ke data longitudinal dengan kondisi kemiskinan dan kualitas hidup sebagai peubah laten. Pemodelan dilakukan dengan dua cara yaitu model dasar dan model target. Hasil evaluasi model menggunakan GFI dan AGFI menunjukkan model dasar lebih baik dibanding model target. Hal ini menunjukkan perubahan kualitas hidup dan kondisi kemiskinan dari tahun ke tahun konstan. Pernyataan ini didukung oleh nilai slope yang diperoleh pada model target mendekati nol. Model dasar menunjukkan Kabupaten/Kota di Pulau Jawa memiliki kualitas hidup lebih tinggi dan kemiskinan yang lebih rendah dibandingkan di luar Pulau Jawa. Kualitas hidup dan kondisi kemiskinan memiliki arah hubungan berlawanan, semakin tinggi kualitas hidup cenderung semakin rendah kondisi kemiskinan dan sebaliknya.

Poverty is a multidimensional problem in both developed and developing countries. The number of poor people in Indonesia reaches 25.67 million. Poverty and quality of life have a significant relationship. Both of them are unobserved and always change every year so they can be studied using multivariate and longitudinal analysis. The method that can be used for multivariate and longitudinal data is the multivariate latent curve model (LCM). In this study, multivariate LCM was applied to longitudinal data using conditions of poverty and quality of life as latent variables. This method consists of two types namely the baseline model and freed loading model. The result of the model evaluation, GFI and AGFI values show that the baseline model is better than freed loading model. This shows changes in quality of life and conditions of poverty from year to year are constant. This statement is supported by the mean value of the random slope obtained in the target model which is close to zero. The baseline model shows a higher quality of life and lower condition of poverty in Java. Quality of life and condition of poverty has a negative correlation, high quality of life tends to decrease the condition of poverty.