Pemetaan Kemiskinan Melalui Pendekatan Geographically Weighted Lasso

  • Rita Herawaty Br Bangun BPS Provinsi Sumatera Utara
  • Aida Meimela Pascasarjana Statistik Terapan Universitas Padjajaran
Keywords: geographically weighted lasso, heterogenitas, kemiskinan, multikolinieritas, spasial

Abstract

Penelitian ini bertujuan menganalisis kemiskinan menurut variasi wilayah dengan pendekatan spasial melalui penerapan metode Geographically Weighted Lasso (GWL). Studi kasus yang diambil adalah Sumatera Utara, salah satu provinsi dengan tingkat kemiskinan tertinggi di Indonesia. Data penelitian bersifat sekunder yang berasal dari publikasi dan laman BPS. Hasil penelitian menunjukkan metode GWL mampu mengatasi multikolinieritas lokal dan heterogenitas data spasial. Sebesar 85,93 persen kemiskinan di Sumatera Utara dapat dijelaskan oleh seluruh variabel prediktor. Variabel yang signifikan adalah persentase rumah tangga dengan luas lantai kurang dari 8 m2, tingkat setengah pengangguran, dan persentase pekerja informal. Pemodelan kemiskinan dengan metode GWL mampu meningkatkan ketepatan estimasi parameter sehingga program pengentasan kemiskinan di Sumatera Utara akan lebih efektif jika disesuaikan dengan karateristik
masing-masing daerah.

References

Agustina, M. F., Wasono, R., & Darsyah, M. Y. (2015). Pemodelan Geographically Weighted Regression (GWR) pada tingkat kemiskinan di Provinsi Jawa Tengah. Jurnal Statistika Universitas Muhammadiyah Semarang, 3(2), 67-74.

Anselin, L. (1988). Spatial econometrics: Methods and models. Dordrecht: Springer Netherlands.

Bangun, R. H. (2020). Determinan peningkatan pembangunan manusia di Sumatera Utara. Publikauma: Jurnal Administrasi Publik Universitas Medan Area, 8(1), 32-39. doi: https://doi.org/10.31289/publika.v8i1.3066.

Basorudin, M., Heryanti, R., Humairo, N., Putro, A. W., & Firdani, A. M. (2019). Gambaran sektor ketenagakerjaan dan kemiskinan di Provinsi Bengkulu. OIKOS: Jurnal Kajian Pendidikan Ekonomi dan Ilmu Ekonomi, 3(2), 79–91. doi: https://doi.org/10.23969/oikos.v4i1.1866.

BPS. (2019). Data dan informasi kemiskinan kabupaten/kota tahun 2019. Jakarta: Badan Pusat Statistik.

BPS Provinsi Sumatera Utara. (2020a). Hasil survei sosial demografi dampak COVID-19 Provinsi Sumatera Utara 2020. Medan: Badan Pusat Statistik Provinsi Sumatera Utara.

BPS Provinsi Sumatera Utara. (2020b). Profil kemiskinan di Sumatera Utara Maret 2020. Medan: Badan Pusat Statistik Provinsi Sumatera Utara.

BPS Provinsi Sumatera Utara. (2020c). Provinsi Sumatera Utara dalam angka 2020. Medan: Badan Pusat Statistik Provinsi Sumatera Utara.

Damayanti, Y., & Ratnasari, V. (2013). Pemodelan penduduk miskin di Jawa Timur menggunakan Metode Geographically Weighted Regression (GWR). Jurnal Sains dan Seni POMITS, 2(2), 329-334.

Dariwardani, N. M. I. (2014). Analisis dinamika kemiskinan (poverty dynamics) di Bali berdasarkan data Susenas Panel 2008-2010. Jurnal Ekonomi Kuantitatif Terapan, 7(1), 7-15. doi: https://doi.org/10.24843/JEKT.2014.v07.i01.p02.

Efron, B., Hastie, T., Johnstone, I., & Tibshirani, R. (2004). Least angle regression. The Annals of Statistics, 32(2), 407-499.

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression: The analysis of spatially varying relationships. John Wiley & Sons.

Gujarati, D. N., & Porter, D. C. (2009). Basic econometric (5th edition). New York: McGraw Hill.

Helmalia, H., & AfrinawatI, A. (2018). Pengaruh e-commerce terhadap peningkatan pendapatan usaha mikro kecil dan menengah di Kota Padang. JEBI (Jurnal Ekonomi dan Bisnis Islam), 3(2), 237-246. doi: https://doi.org/10.15548/jebi.v3i2.182.

Kusuma, G. W., & Wulansari, I. Y. (2020). Analisis kemiskinan dan kerentanan kemiskinan dengan regresi ridge, lasso, dan elastic-net di Provinsi Jawa Tengah tahun 2017. Prosiding Seminar Nasional Official Statistics 2019, 503–513. doi: https://doi.org/10.34123/semnasoffstat.v2019i1.189.

Maggri, I., & Ispriyanti, D. (2013). Pemodelan data kemiskinan di Provinsi Sumatera Barat dengan metode Geographically Weighted Regression (GWR). Media Statistika, 6(1), 37-49. doi: 10.14710/medstat.6.1.37-49.

Puspita, D. W. (2015). Analisis determinan kemiskinan di Provinsi Jawa Tengah. JEJAK: Jurnal Ekonomi dan Kebijakan, 8(1), 100-107. doi: https://doi.org/10.15294/jejak.v8i1.3858.

Saputro, A. E. S., & Utomo, A. P. (2010). Faktor-faktor yang mempengaruhi kemiskinan secara makro di lima belas provinsi tahun 2007. Jurnal Organisasi dan Manajemen, 6(2), 89-100.

Septiyanto, W. G., & Tusianti, E. (2020). Analisis spasial tingkat pengangguran terbuka di Provinsi Jawa Barat. Jurnal Ekonomi Indonesia, 9(2), 119-131.

Setiyorini, A., Suprijadi, J., & Handoko, B. (2017). Implementations of geographically weighted lasso in spatial data with multicollinearity (Case study: Poverty modeling of Java Island). AIP Conference Proceedings, 1827(1), 020003. doi: https://doi.org/10.1063/1.4979419.

Sisca HS, V., Hamzah, A., & Syechalad, M. N. (2013). Pengaruh kesempatan kerja, pendidikan dan kesehatan terhadap kemiskinan di Provinsi Aceh. Jurnal Magister Ilmu Ekonomi: Pascasarjana Unsyiah, 1(4), 21–30.

Sutopo, Y. K., & Ardianti, R. R. R. (2014). Analisa pengelolaan sumber daya manusia sektor formal dan sektor informal di Jawa Timur. Agora, 2(1), 330-342.

Tambun, J. M. S., & Herawaty, R. (2018). Pemodelan faktor-faktor yang mempengaruhi indeks kedalaman kemiskinan dan indeks keparahan kemiskinan kabupaten/kota di Sumatera Utara menggunakan regresi data panel. Publikauma: Jurnal Administrasi Publik Universitas Medan Area, 6(1), 100-110. doi: https://doi.org/10.31289/publika.v6i1.1574.

Taufiq, N. (2017). Pengaruh dinamika sektor pekerjaan terhadap dinamika kemiskinan di Indonesia. Sosio Konsepsia: Jurnal Penelitian dan Pengembangan Kesejahteraan Sosial, 7(1), 1-14. doi: 10.33007/ska.v7i1.1148.

Wang, J., & Zuo, R. (2020). Assessing geochemical anomalies using geographically weighted lasso. Applied Geochemistry, 119, 104668. doi: https://doi.org/10.1016/j.apgeochem.2020.104668.

Wheeler, D. C. (2007). Diagnostic tools and a remedial method for collinearity in geographically weighted regression. Environment and Planning A, 39(10), 2464-2481. doi: https://doi.org/10.1068/a38325.

Wheeler, D. C. (2009). Simultaneous coefficient penalization and model selection in geographically weighted regression: The geographically weighted lasso. Environment and Planning A, 41(3), 722-742. doi: https://doi.org/10.1068/a40256.

Wulandari. (2018). Geographically weighted logistic regression dengan fungsi Kernel fixed gaussian pada kemiskinan Jawa Tengah. Indonesian Journal of Statistics and Its Applications, 2(2), 101-112. doi: https://doi.org/10.29244/ijsa.v2i2.189.

Yandri, P., & Juanda, B. (2018). Memahami Karakter kemiskinan perkotaan dengan pendekatan observasional. Jurnal Ekonomi & Studi Pembangunan, 19(1), 75-84. doi: https://doi.org/10.18196/jesp.19.1.4276.

Yuliana, & Saputro, D. R. S. (2017). Algoritme least angle regression untuk model geographically weighted least absolute shrinkage and selection operator. Paper presented at Seminar Matematika dan Pendidikan Matematika UNY, pp. 139-144, Yogyakarta, November 11, 2017.

Yulita, T., Saefuddin, A., & Wigena, A. H. (2015). Ridge and lasso performance in spatial data with heterogeneity and multicollinearity. Forum Statistika dan Komputasi, 20(2), 96-104.

Published
2020-11-17
How to Cite
Bangun, R. H. B., & Meimela, A. (2020). Pemetaan Kemiskinan Melalui Pendekatan Geographically Weighted Lasso. Jurnal Ekonomi Indonesia, 9(3), 233-246. Retrieved from http://jurnal.isei.or.id/index.php/isei/article/view/58
Section
Articles