Upload
others
View
19
Download
0
Embed Size (px)
Citation preview
ANALISIS REGRESI PROBIT BINER PADA FAKTOR-FAKTOR YANG
MEMPENGARUHI KEMISKINAN RUMAH TANGGA DI KECAMATAN PUJUT
KABUPATEN LOMBOK TENGAH
Rara Restia Utami1, Desy Komalasari
2, Nurul Fitriyani
3
123Program Studi Matematika FMIPA UNRAM
ABSTRAK
Untuk menanggulangi kemiskinan, perlu diketahui faktor-faktor yang mempengaruhi
terjadinya kemiskinan, sehingga bisa dijadikan bahan acuan pemerintah dalam membuat
kebijakan. Penelitian ini bertujuan untuk menentukan model kemiskinan rumah tangga di
Kecamatan Pujut Kabupaten Lombok Tengah dan menentukan faktor-faktor yang
berpengaruh signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut Kabupaten
Lombok Tengah. Analisis statistika yang digunakan dalam penelitian ini adalah analisis
regresi probit biner. Berdasarkan analis yang telah dilakukan, diperoleh model regresi probit
biner pada faktor-faktor yang mempengaruhi kemiskinan rumah tangga sebagai berikut.
13
121110987
654321
212,0
329,0003,0157,0224,0028,0071,0
306,0234,0087,0035,0003,0053,0042,1
X
XXXXXX
XXXXXX
y
Dan faktor yang signifikan mempengaruhi kemiskinan rumah tangga di Kecamatan Pujut
Kabupaten Lombok Tengah yaitu seluruh variabel prediktor. Berdasarkan pengujian secara
serentak dan parsial, model yang diperoleh dapat menjelaskan %5,99 pengaruh variabel-
variabel prediktor terhadap variabel respon yaitu dengan melihat nilai 2R McFadden sebesar
995,0 .
Kata Kunci: Permasalahan Sosial, 2R McFadden , Rumah Tangga.
1. Latar Belakang
Provinsi Nusa Tenggara Barat (NTB) merupakan salah satu Provinsi di Indonesia
yang mempunyai permasalahan kemiskinan. Provinsi NTB berada di urutan ke-7 (tujuh)
penduduk miskin terbanyak di Indonesia, yaitu terdapat 786.058 jiwa penduduk miskin.
Salah satu Kabupaten yang terletak di Provinsi NTB adalah Kabupaten Lombok Tengah. Pada
Kabupaten Lombok Tengah terdapat 48.456 rumah tangga miskin, dengan Kecamatan Pujut
merupakan kecamatan dengan rumah tangga miskin terbanyak yaitu 11.417 rumah tangga
miskin [1]
.
Kemiskinan merupakan masalah sosial yang sangat serius, sehingga perlu dihilangkan
atau paling tidak dikurangi. Untuk menanggulangi kemiskinan, perlu diketahui faktor-faktor
yang mempengaruhi terjadinya kemiskinan, sehingga bisa digunakan sebagai bahan acuan
pemerintah dalam membuat kebijakan untuk menanggulangi permasalahan tersebut.
Untuk menganalisis faktor-faktor yang mempengaruhi kemiskinan rumah tangga,
dibutuhkan suatu analisis statistika. Pada penelitian ini, variabel respon yaitu status
kemiskinan rumah tangga merupakan data kategori. Salah satu analisis statistika yang dapat
digunakan ketika variabel respon berupa data kategori adalah analisis regresi probit. Analisis
regresi probit merupakan suatu analisis yang digunakan untuk melihat hubungan antara
variabel respon yang bersifat kategori dan variabel prediktor yang bersifat kontinu, kategori,
atau gabungan keduanya. Pada penelitian ini, analisis regresi probit yang digunakan berskala
biner, sehingga disebut analisis regresi probit biner.
2. Tinjauan Pustaka
2.1 Analisis Regresi Probit
Analisis regresi probit merupakan suatu analisis regresi yang digunakan untuk
menganalisis hubungan antara variabel respon yang bersifat kualitatif dan variabel prediktor
yang bersifat kualitatif, kuantitatif, atau gabungan dari keduanya [2]
. Pemodelan regresi probit
biner diawali dengan memperhatikan model sebagai berikut [3]
.
εxβY T (1)
Pada regresi probit biner dilakukan pengkategorian terhadap
Y secara biner dengan
memberikan batasan atau threshold )( , yaitu untuk Y dikategorikan dengan 0Y ,
untuk Y dikategorikan 1Y , sehingga diperoleh model sebagai berikut.
)(φ)0( Txβ YP (2)
)(φ1)1( Txβ YP (3)
2.2 Penaksir Parameter
Metode pendugaan parameter yang digunakan pada regresi probit biner adalah metode
Maximum Likelihood Estimation (MLE), karena nilai harapan antar variabel respon tidak
linier dan memiliki varian yang berubah-ubah tergantung dari nilai peluang suksesnya.
Metode MLE memberikan nilai estimasi β dengan memaksimumkan fungsi likelihood. jika i
merupakan nilai-nilai pengamatan suatu sampel dari suatu populasi dengan parameter β .
Hasil pendugaan parameter model probit dengan menggunakan metode maximum likelihood
dapat diperoleh dengan langkah-langkah sebagai berikut.
a. Menentukan n sampel random.
b. Membentuk fungsi likelihood dari n sampel random karena pada dasarnya metode
maximum likelihood memberikan dugaan β dengan memaksimumkan suatu fungsi
likelihood. Fungsi likelihoodnya adalah :
yi
yin
i
L
1
1
)()(1)( xβφxβφβTT (4)
c. Melakukan transformasi ln terhadap fungsi likelihood karena secara matematis akan
lebih mudah memaksimumkan persamaan (4) dengan transformasi ln . Kemudian
dilanjutkan dengan melakukan turunan pertama dari fungsi )(ln βL terhadap parameter β
sebagai berikut.
n
i
iii
yyx
L
1 (
1
)(1)(
)(ln
x)βφxβφxβφ
β
βTT
T
(5)
d. Selanjutnya dilakukan turunan kedua dari fungsi )(ln βL terhadap parameter β sebagai
berikut.
n
i
T
iii
n
ii
T
ii
xxy
yxxL
12
12
2
)]([
)()()())(()1(
)](1[
)()()())]((1[)(ln
xβφ
xβφxβφxβφxβxβφ
xβφ
xβφxβφxβφxβxβφ
ββ
β
T
TTTTT
T
TTTTT
T
(6)
Berdasarkan hasil penaksiran parameter dengan metode maximum likelihood di atas,
ternyata diperoleh fungsi yang implisit. Akibatnya penaksir parameter tidak dapat diperoleh.
Cara untuk mendapatkan penaksir parameter dapat menggunakan metode iterasi Newton
Raphson sebagai berikut [4]
.
)1(
1
)1()1(
2)1()( )(ln)(ln
mmm
mm LL
β
β
ββ
βββ (7)
Proses iterasi akan berhenti jika terpenuhi kondisi konvergen, yaitu :
)1()( mm ββ . (8)
2.3 Pengujian Parameter
Setelah menaksir parameter maka langkah selanjutnya yang dilakukan adalah menguji
signifikansi parameter tersebut. Untuk itu digunakan uji hipotesis statistik untuk menentukan
apakah variabel prediktor dalam model signifikan atau berpengaruh nyata terhadap variabel
respon.
2.3.1 Uji Likelihood Ratio (Uji serentak atau Uji G )
Statistik uji G yaitu uji likelihood ratio yang digunakan untuk menguji peranan
variabel prediktor dalam model secara bersama-sama. ji G digunakan dalam pengujian secara
simultan dikarenakan persamaan regresi probit merupakan log dari fungsi likelihood dan
merupakan variabel yang dikategorikan, sehingga uji G adalah uji yang tepat dalam pengujian
parameter secara simultan [5]
. Hipotesis yang digunakan adalah :
0...: 210 pH
:1H minimal terdapat 0j
Statistik uji yang digunakan adalah Likelihood Ratio Test sebagai berikut.
n
i
y
i
y
i
nn
ii PP
n
n
n
n
G
1
1
10
1
ln2
10
(9)
dengan,
0n : jumlah variabel respon )( y berkategori 0
1n : jumlah variabel respon )( y berkategori 1
n : 10 nn
iP : Peluang observasi ke- i , ni ,...,3,2,1
Statistik uji G mengikuti sebaran Chi-Square, uji G membandingkan antara
likelihood tanpa variabel prediktor )( 0l dengan likelihood dengan variabel prediktor ( kl ).
Jika n mendekati tak terhingga dengan derajat bebas v dimana v adalah banyaknya
variabel prediktor. Hipotesis 0H ditolak jika nilai ),(22 vG atau nilai valuep ,
sehingga akan diperoleh kesimpulan bahwa variabel prediktor secara bersama-sama atau
keseluruhan mempengaruhi variabel respon atau dengan kata lain, model yang diperoleh
dapat diterima.
2.3.2 Pengujian Parsial (Uji Wald)
Pengujian parsial bertujuan untuk menguji pengaruh koefisian β secara parsial
dengan membandingkan dugaan β dengan penduga standar errornya. Uji W digunakan pada
pengujian secara parsial dikarenakan data yang digunakan pada regresi probit biner adalah
data yang dikategorikan.
Hipotesis yang digunakan dalam pengujian secara parsial adalah :
0:0 jH
(Tidak ada pengaruh variabel prediktor ke- j terhadap variabel respon)
0:1 jH
(Ada pengaruh variabel prediktor ke- j terhadap variabel respon).
Statistik uji yang digunakan adalah Uji-Wald dengan rumus sebagai berikut.
)( j
j
β
β
SEW ; dengan, nj ,...,2,1 (10)
Statistik uji-Wald mengikuti sebaran distribusi Chi-Square, maka pengujian
dilakukan dengan membandingkan statistik uji-Wald dengan nilai tabel Chi-Square. Hipotesis
0H ditolak jika ));1((2
nW atau nilai valuep . Keputusan untuk menolak 0H
menunjukkan adanya pengaruh variabel respon terhadap variabel prediktor [5]
.
2.4 Pengujian Kesesuaian Model
Pengujian kesesuaian model digunakan untuk mengetahui apakah terdapat
perbedaan antara hasil observasi dengan hasil prediksi dari persamaan (10). Pengujian
kesesuaian model didasarkan pada kriteria rasio likelihood dengan membandingkan model
tanpa variabel prediktor terhadap model dengan variabel prrdiktor. Hipotesis yang digunakan
dalam pengujian kesesuaian model adalah sebagai berikut.
0H : Tidak terdapat perbedaan antara hasil observasi dengan hasi
prediksi (Model sesuai).
1H : Terdapat perbedaan antara hasil obserrvasi dengan hasil prediksi
(Model tidak sesuai).
Statistik uji yang digunakan adalah uji Deviance dengan rumus sebagai berikut.
n
ii
ii
i
ii
y
Py
y
PyD
1 1
1ln)1(ln2 (11)
dengan,
iP : Peluang observasi ke i
iy : Variabel respon ke i
Statistik uji D akan mengikuti sebaran 2 dengan derajat bebas pn . Keputusan
menolak 0H jika nilai 2
)(, pnD pada tingkat signifikansi , atau valuep [6]
.
2.5 Pengukuran Kebaikan Model dan Ketepatan Klasifikasi
Evaluasi prosedur klasifikasi adalah suatu evaluasi yang melihat peluang kesalahan
klasifikasi yang dilakukan oleh suatu fungsi klasifikasi. Nilai ketepatan klasifikasi dapat
diukur melalui pengukuran kesalahan klasifikasi menggunakan Tabel confu-sion matrix
berikut [7]
.
Tabel 1 Confu-sion Matrix Nilai Observasi dan Prediksi
Hasil Sebenarnya
(observasi)
Hasil Prediksi Total
0y 1y
0y T
m0
TF
mmm000
0
m
1y TF
mmm111
T
m1
1
m
Ukuran yang dipakai untuk menyatakan nilai proporsi observasi yang salah
diklasifikasikan oleh fungsi klasifikasi Apparent Error Rate )(APER sebagai berikut.
Ketepatan klasifikasi APER1
10
101mm
mm FF
(12)
Selain dengan menggunakan nilai ketepatan klasifikasi, pengukuran kebaikan model
dilihat dengan menggunakan nilai Pseudo2R McFadden berikut
[4].
k
MF
l
lR 02 ln1 (13)
dengan,
0l : likelihood tanpa variabel prediktor
kl : likelihood dengan variabel prediktor
Model terbaik adalah model yang memiliki nilai Pseudo2R McFadden 50,0 .
2.6 Interpretasi Model Regresi Probit Biner
Interpretasi model regresi probit biner pada persamaan (2) dan (3) tidak berdasarkan
nilai koefisian model, akan tetapi menggunakan efek marginal [3]
. Efek marginal menyatakan
besarnya pengaruh tiap variabel prediktor yang signifikan terhadap probabilitas tiap kategori
pada variabel respon. Efek marginal dari persamaan (2) dan (3) adalah sebagai berikut.
i
iX
YP )(φ
)0(xβT
(14)
i
iX
YP )(φ
)1(xβT
(15)
3. METODE PENELITIAN
Data yang digunakan dalam penelitian ini adalah data skunder dan data primer. Data
skunder yang digunakan dalam penelitian ini adalah data jumlah rumah tangga di Kecamatan
Pujut Kabupaten Lombok Tengah, Sedangkan data primer diperoleh dengan menyebar
kuisioner pada 395 responden yang tersebar di 16 desa di Kecamatan Pujut Kabupaten
Lombok Tengah.
Jumlah sampel yang digunakan dalam penelitian ini ditentukan menggunakan rumus
Slovin sebagai berikut.
21 Ne
Nn
(16)
dengan,
n : ukuran sampel
N : ukuran populasi
e : taraf signifikansi
Variabel respon (Y ) yang digunakan dalam penelitian ini adalah status kemiskinan
rumah tangga yang merupakan data kontinu yang dikategorikan, yaitu diukur dengan
pengeluaran perkapita rumah tangga yang dibandingkan dengan garis kemiskinan (GK)
Provinsi NTB kemudian dikategorikan menjadi 2, yaitu: 0Y , jika pengeluaran perkapita
kurang dari garis kemiskinan (GK) , maka rumah tangga dikatakan miskin dan 1Y , jika
pengeluaran perkapita lebih dari atau sama dengan garis kemiskinan (GK) , maka rumah
tangga dikatakan tidak miskin. Variabel prediktor )(X yang digunakan dalam penelitian ini
disajikan dalam Tabel 2 berikut.
Tabel 2 Variabel Prediktor dalam Penelitian
Variabel Kategori/ Tipe
1X (jenis kelamin kepala rumah tangga) 0 : perempuan
1 : laki-laki
2X (umur kepala rumah tangga) 0 : 50 tahun
1 : 50 tahun
3X ( jumlah anggota rumah tangga) 0 : 4 orang
1 : 4 orang
4X
(pendidikan terakhir kepala rumah
tangga) 0 : Tidak sekolah, SD,
SMP
1 : SMA atau
Perguruan Tinggi
Tabel 2 (Lanjutan)
Variabel Kategori/ Tipe
5X (pekerjaan utama kepala rumah tangga ) 0 : non formal
1 : formal
6X (status kepemilikan tempat tinggal) 0 : bukan milik sendiri
1 : milik sendiri/ rumah dinas
7X (kepemilikan sepeda motor atau
kendaraan bermotor lainnya)
0 : tidak ada
1 : ada
8X ( jenis dinding terluas tempat tinggal ) 0 : bambu/ kayu/rumbia/
tembok tanpa di plester
1 : tembok (batu, bata,
batako) yang di plester
9X ( jenis lantai terluas tempat tinggal ) 0 : kayu/ tanah/ bambu/
semen tanpa di plester
1 : semen yang diplester/
keramik/marmer
10X (status kepemilikan meteran listrik yang
digunakan)
0 : bukan milik sendiri
1 : milik sendiri
11X ( bahan bakar utama ketika memasak ) 0 : kayu bakar/ minyak tanah
1 : gas
12X ( penguasaan komputer oleh kepala
rumah tangga)
0 : tidak
1 : ya
13X ( bantuan yang diterima dari pemerintah) 0 : tidak ada
1 : ada
4. HASIL DAN PEMBAHASAN
4.1 Pendugaan Parameter
Hasil pendugaan parameter model regresi probit biner pada faktor-faktor yang
mempengaruhi kemiskinan rumah tangga di Kecamatan Pujut Kabupaten Lombok Tengah
dengan software SPSS 16.0 dapat dilihat pada Tabel 3 berikut.
Tabel 3 Hasil Pendugaan Parameter Model Regresi Probit Biner
Variabel Koefisien β
Konstanta 042,1
1X Jenis kelamin kepala rumah tangga 053,0
2X Umur kepala rumah tangga 003,0
3X Jumlah anggota rumah tangga 035,0
4X Pendidikan kepala rumah tangga 087,0
5X Pekerjaan kepala rumah tangga 234,0
6X Status kepemilikan tempat tinggal 306,0
7X Kepemilikan sepeda motor atau kendaraan bermotor lainnya 071,0
8X Jenis dinding terluas tempat tinggal 028,0
9X Jenis lantai terluas tempat tinggal 244,0
10X Status kepemilikan meteran listrik 157,0
11X Bahan bakar utama yang digunakan untuk memasak 003,0
12X Keahlian kepala rumah tangga mengoperasikan komputer 329,0
13X Keberadaan bantuan dari pemerintah yang pernah diterima
anggota rumah tangga 212,0
4.2 Pengujian Parameter secara Serentak (Uji G )
Pengujian serentak dilakukan untuk memeriksa atau menguji signifikansi parameter β
secara keseluruhan. Hipotesis yang digunakan dalam pengujian serentak adalah:
0...: 210 pH
:1H minimal terdapat 0j
Hasil pengujian secara serentak menggunakan software SPSS 16.0 dapat dilihat pada
Tabel 4 berikut.
Tabel 4 Pengujian Secara Serentak (Uji G )
Model
Informasi Ketepatan Model
-2 log likelihood Chi-Square Db p-value
Intercept Only 521
Final 0 521 13 0,000
Berdasarkan Tabel 4, diperoleh nilai 362,22521 )05,0;13(2
hitungG , dimana nilai
);(2
v dapat dilihat pada Lampiran 15 dan berdasarkan Tabel 4 diperoleh nilai valuep
sebesar 05,0000,0 . Oleh karena itu, dapat diambil keputusan untuk menolak 0H ,
sehingga dapat diambil kesimpulan bahwa terdapat minimal satu variabel prediktor yang
berpengaruh signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut Kabupaten
Lombok Tengah.
4.3 Pengujian Parameter secara Parsial
Pengujian secara parsial dilakukan untuk mengetahui pengaruh dari masing-masing
variabel prediktor terhadap variabel respon. Pada pengujian secara parsial dilakukan
pengujian menggunakan uji Wald. Hipotesis yang digunakan dalam pengujian parsial adalah :
0:0 jH
(Tidak ada pengaruh variabel prediktor ke- j terhadap
variabel respon).
0:1 jH
(ada pengaruh variabel prediktor ke- j terhadap
variabel respon).
Tabel 6 berikut merupakan hasil pengujian parsial dengan software SPSS 16.0.
Tabel 5 Hasil Pengujian Parsial Model Probit Biner
Variabel Parameter Standar Error w p-value
Konstanta 0
0,1210 8,264 0,000
1X
1 0,0655 15,267 0,000
2X
2 0,5713 1,750 0,000
3X
3 0,2378 4,205 0,000
4X
4 0,1056 9,469 0,000
5X
5 0,2308 4,332 0,000
6X 6 0,1018 9,920 0,000
7X
7 0,0892 11,210 0,000
8X
8 0,7802 0,612 0,000
9X 9 0,1864 5,36480 0,000
10X 10 0,0376 26,59574 0,000
11X
11 0,5822 1,717623 0,000
12X 12
0,2202 4,541326 0,000
13X
13 0,0837 11,94743 0,000
Berdasarkan Tabel 5, dapat diketahui nilai valuep untuk masing-masing variabel
adalah 0,000, dimana nilai tersebut kurang dari 05,0 , sehingga dapat diputuskan untuk
menolak 0H . Oleh karena itu, dapat disimpulkan bahwa variabel 13321 ,...,,, XXXX
berpengaruh secara signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut
Kabupaten Lombok Tengah.
4.8 Pengujian Kesesuaian Model
Pengujian kesesuaian model digunakan untuk mengetahui apakah terdapat perbedaan
antara hasil observasi dengan hasil prediksi. Hipotesis yang digunakan dalam pengujian
kesesuaian model yaitu :
0H : Model sesuai
1H : Model tidak sesuai
Hasil pengujian menggunakan software SPSS 16.0 dapat dilihat pada Tabel 6 berikut.
Tabel 6 Hasil Pengujian Kesesuaian Model Regresi Probit Biner
Chi-square db P-value
Pearson 82,57 382 00,0
Deviance 81,98 382 97,0
Berdasarkan Tabel 6, diperoleh nilai Deviance sebesar 573,42881,98 )382;05,0(2 X dan
nilai 05,097,0 valuep yang berarti dapat diputuskan untuk gagal tolak 0H . Oleh
karena itu, dapat disimpulkan bahwa model yang diperoleh sesuai atau layak untuk
digunakan.
4.9 Klasifikasi dan Kriteria Kebaikan Model Regresi Probit Biner
Model regresi probit biner yang diperoleh dapat digunakan untuk mengklasifikasikan
faktor yang mempengaruhi kemiskinan rumah tangga. Tabel 7 berikut menunjukkan hasil
klasifikasi yang didapatkan dari model regresi probit biner.
Tabel 10 Klasifikasi Model Regresi Probit Biner
Aktual Prediksi
Miskin Tidak miskin Total
Miskin 253 0 253
Tidak miskin 2 140 142
Total 255 140 395
Ketepatan klasifikasi dapat dihitung menggunakan persamaan (12) dan diperoleh hasil
sebagai berikut.
5,12% %00512,0
%100390
02
APER
Ketepatan klasifikasi 99,48% %12,51
Berdasarkan hasil perhitungan menggunakan persamaan (12) di atas diperoleh nilai
kesalahan klasifikasi sebesar %12,5 sehingga nilai ketepatan klasifikasi resiko kemiskinan
rumah tangga di Kecamatan Pujut dengan regresi probit biner sebesar %48,99 .
Ukuran kebaikan model regresi probit biner berdasarkan nilai McFaddenPseudoR 2
dapat dilihat pada Tabel 11 berikut.
Tabel 11 Kriteria Kebaikan Model Berdasarkan
Nilai McFaddenPseudoR 2
2PseudoR Nilai
McFadden 995,0
Berdasarkan Tabel 11 dapat diketahui nilai McFaddenPseudoR 2 sebesar 0,995 ,
artinya sebesar %5,99 dari hasil observasi dapat dijelaskan oleh model prediksi yang
diperoleh.
4.10 Interpretasi Model
Model regresi probit biner dengan menggunakan semua variabel prediktor merupakan
model regresi probit biner terbaik, karena pengujian parsial menunjukkan bahwa keseluruhan
variabel berpengaruh signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut.
Model regresi probit biner yang terbentuk adalah sebagai berikut.
131211
109876
54321
212,0329,0003,0
157,0224,02028,0071,0306,0
234,0087,0035,0003,0053,0042,1
XXX
XXXXX
XXXXX
y
Probabilitas model probit biner untuk 0y berdasarkan persamaan (2.6) dan (2.7) adalah :
13121110
98765
4321
212,0329,0003,0157,0
224,02028,0071,0306,0234,0
087,0035,0003,0053,0042,1
)|0(
XXXX
XXXXX
XXXX
xyP φ
(4.4)
Probabilitas model probit biner untuk 1y adalah :
1312
11109
8765
4321
212,0329,0
003,0157,0224,02
028,0071,0306,0234,0
087,0035,0003,0053,0042,1
1)|1(
XX
XXX
XXXX
XXXX
xyP φ
(4.5)
5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan, diperoleh kesimpulan sebagai berikut.
1. Model regresi probit biner pada faktor-faktor yang mempengaruhi kemiskinan rumah
tangga di Kecamatan Pujut Kabupaten Lombok Tengah berdasarkan faktor-faktor yang
signifikan adalah sebagai berikut.
13
121110987
654321
212,0
329,0003,0157,0224,02028,0071,0
306,0234,0087,0035,0003,0053,0042,1
X
XXXXXX
XXXXXX
y
2. Berdasarkan model probit yang diperoleh, faktor-faktor yang signifikan mempengaruhi
kemiskinan rumah tangga di Kecamatan Pujut Kabupaten Lombok Tengah adalah jenis
kelamin kepala rumah tangga )( 1X , umur kepala rumah tangga )( 2X , jumlah anggota
rumah tangga )( 3X , pendidikan kepala rumah tangga )( 4X , pekerjaan kepala rumah
tangga )( 5X , status kepemilikan tempat tinggal )( 6X , kepemilikan sepeda motor atau
kendaraan bermotor lainnya )( 7X , jenis dinding terluas tempat tinggal )( 8X , jenis lantai
terluas tempat tinggal )( 9X , status kepemilikan meteran listrik yang digunakan )( 10X ,
bahan bakar utama yang digunakan ketika memasak )( 11X , keahlian kepala rumah tangga
dalam mengoperasikan komputer )( 12X , dan keberadaan bantuan dari pemerintah yang
pernah diterima )( 13X .
5.2 Saran
Berdasarkan analisis yang telah dilakukan, saran yang dapat disampaikan adalah sebagai
berikut.
1. Untuk memperoleh kesimpulan yang lebih luas, sebaiknya digunakan sampel pada
beberapa kecamatan.
2. Untuk pemerintak terkait, agar permasalahan kemiskinan di Kecamatan Pujut abupaten
Lombok Tengah dapat teratasi, diharapkan pengentasan kemiskinan di Kecamatan Pujut
Kabupaten Lombok Tengah mengedepankan rumah tangga dengan kriteria kepala rumah
tangga seorang perempuan, umur kepala rumah tangga lebih dari 50 tahun, rumah tangga
dengan kepemilikan tempat tinggal bukan milik sendiri, rumah tangga dengan tempat
tinggal kurang layak, rumah tangga dengan kepemilikan meteran listrik bukan milik
sendiri, rumah tangga yang masih menggunakan kayu bakar sebagai bahan bakar utama
untuk memasak, perbaikan pendidikan para petani, memberikan sosialisasi pentingnya
program keluarga berencana, serta pemberian bantuan harus lebih diperhatikan agar tepat
sasaran.
DAFTAR PUSTAKA
Badan Pusat Statistik, 2016 Data dan Informasi, BPS : Mataram. [1]
Fahmiyah, I., Latra, I.N., 2016, Faktor yang Mempengaruhi Kadar Gula Darah Puasa Pasien
Diabetes Malitus Tipe 2 di Poli Diabetes RSUD Dr. Soetomo Surabaya menggunakan Regresi
Probit Biner, Jurnal Sains dan Seni, Vol. 5 No. 2 Hal. 2, ITS : Surabaya. [6]
Green, W.H., 2008, Econometric Analysis, Edisi ke 6, Prentice Hall Inc : New Yersey. [3]
Gujarati, D.N., 2004, Basic Econometrics, Edisi ke 4, The McGraw-Hill : New York. [2]
Hosmer, D., dan Lemeshow, 2000, Applied Logistic Regression, Edisi ke 2, John Wiley and
Sons : USA.[5]
Johnson, R.A., dan Wichern, D., 2007, Applied Multivariat Statistical Analysis, Edisi ke 9,
New Jersey : Prentice Hall. [7]
Masitoh, F., dan Ratnasari, V., 2016, Pemodelan Status Ketahanan Pangan di Provinsi Jawa
Timr dengan Pendekatan Metode Regresi Probit Biner, Vol. 5 No. 2 Hal. 2, Jurnal
Statistika, ITS : Surabaya. [4]