Penerapan Metode Regresi Logistik untuk Memodelkan Kasus Kemiskinan di Indonesia Tahun 2022

Ane Nurahmi; Dwi Agustin Nuriani Sirodj

doi:10.29313/bcss.v4i2.13886

Ane Nurahmi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung
Dwi Agustin Nuriani Sirodj Statistika, Fakultas Matematika Ilmu dan Pengetahuan Alam

DOI: https://doi.org/10.29313/bcss.v4i2.13886

Keywords: HCI, Kemiskinan, Regresi Logistik

Abstract

Abstract. Logistic Regression is a statistical technique for testing the effect of independent variables on categorical or binary dependent variables. Poverty is a serious problem in Indonesia. According to the World Bank, the poverty line in 2022 is IDR 962.130/capita/month. Based on data from BPS Indonesia in 2022, Indonesia's poverty line is recorded at IDR 535.547/capita/month. This figure is lower than the standards set by the World Bank. This research aims to model the case of poverty in Indonesia in 2022 along with the factors that influence it. Parameter estimation uses MLE which is completed with Newton-Raphson iteration. The variable used is the poor province category based on the 2022 Indonesian Head Count Index (HCI) value of 9.57% as the dependent variable. Meanwhile, the independent variables are Adjusted Expenditure per Capita, Open Unemployment Rate, and Provincial Minimum Wage. The results of parameter significance testing simultaneously obtained a G value of 17,09 > = 6,251389 and a p-value of 0,0006773 < 0,1 and partially obtained the value for the three independent variables > = 1,64 dan p-value < 0,1. This means that Adjusted Per Capita Expenditure, Open Unemployment Rate, and Provincial Minimum Wage have a significant influence on poverty cases in Indonesia in 2022 simultaneously or partially.

Abstrak. Regresi Logistik merupakan teknik statistik untuk menguji pengaruh variabel independen terhadap variabel dependen kategorikal atau biner. Kemiskinan menjadi salah satu permasalahan yang serius di Negara Indonesia. Menurut Bank Dunia batas garis kemiskinan pada tahun 2022 sebesar Rp962.130/kapita/bulan. Berlandaskan data dari BPS Indonesia tahun 2022, tercatat garis kemiskinan Indonesia sebesar Rp535.547/kapita/bulan. Angka tersebut lebih rendah dibandingkan standar yang ditentukan oleh Bank Dunia. Penelitian ini bertujuan untuk memodelkan kasus kemiskinan di Indonesia tahun 2022 beserta faktor-faktor yang memengaruhinya. Estimasi parameternya menggunakan MLE yang diselesaikan dengan iterasi Newton-Raphson. Variabel yang digunakan adalah kategori provinsi miskin berdasarkan nilai Head Count Index (HCI) Indonesia tahun 2022 sebesar 9,57% sebagai variabel dependen. Sedangkan variabel independennya yaitu Pengeluaran per Kapita Disesuaikan, Tingkat Pengangguran Terbuka, dan Upah Minimum Provinsi. Hasil pengujian signifikansi parameter secara serentak diperoleh nilai G sebesar 17,09 > = 6,251389 dan p-value sebesar 0,0006773 < 0,1 dan secara parsial diperoleh nilai untuk ketiga variabel independen > = 1,64 dan p-value < 0,1. Artinya, Pengeluaran per Kapita Disesuaikan, Tingkat Pengangguran Terbuka, dan Upah Minimum Provinsi berpengaruh signifikan terhadap kasus kemiskinan di Indonesia tahun 2022 secara serentak maupun parsial.

References

Nurfadilah K, Notodiputro KA, Sartono B, Nas A. Premarital Sex Behavior Model with Lasso Generalized Linear Mixed Model and Group Lasso Generalized Linear Mixed Model. Vol. 23. 2023.

Dukalang HH. Perbandingan Regresi Logistik Biner Dan Probit Biner Dalam Pemodelan Tingkat Partisipasi Angkatan Kerja. Euler : Jurnal Ilmiah Matematika, Sains dan Teknologi. 2019;7(2):62–70.

Agresti A. Characteristics of categorical data analysis. Vol. 60 Suppl 1, Acta medica Croatica : casopis Hravatske akademije medicinskih znanosti. 2002. p. 63–79.

Yulianti NA, Cahyawati D, Susanti E, Jurusan ), Fakultas M. Penggunaan Metode Double Exponential Smoothing Tipe Holt pada Peramalan Kasus Covid-19 di Provinsi Sumatera Selatan [Internet]. Vol. 23. Available from: http://corona.sumselprov.go.id/.

Hosmer DavidW, Lemeshow. Applied Logistic Regression – Second Edition. John Wiley and Sons New York, USA. 2000;2.

Esra R, Nohe DA, Fathurahman M, Program ), Fakultas SS. Pemilihan Model Terbaik pada Generalized Poisson Regression Menggunakan Akaike Information Criterion. Vol. 23. 2023.

Aliu MA, Zubedi F, Yahya L, Oroh FA. The Comparison of Kernel Weighting Functions in Geographically Weighted Logistic Regression in Modeling Poverty in Indonesia. Jurnal Matematika, Statistika dan Komputasi. 2022;18(3):362–84.

Dwinata A. Model Regresi Logistik Terboboti Geografis (Studi Kasus: Pemodelan Kemiskinan Di Provinsi Jawa Timur). Doctoral dissertation, tesis. 2012;

Rencher AC, Bruce Schaalje G. Linear Models in Statistics Second Edition. Departement of Statistics, Bringham Young University, Provo, Utah. 2007. 1–678 p.

Caraka RE, Yasin H. Geographically Weighted Regression (GWR). Angewandte Chemie International Edition, 6(11), 951–952. 2017;2.

Hajarisman N. Seri Buku Ajar Analisis Data Kategorik Analisis Data Kategorik Nusar Hajarisman. 2009;

Hasanah R, Syaparuddin S, Rosmeli R. Pengaruh angka harapan hidup, rata-rata lama sekolah dan pengeluaran perkapita terhadap tingkat kemiskinan pada Kabupaten /Kota di Provinsi Jambi. e-Jurnal Perspektif Ekonomi dan Pembangunan Daerah. 2021;10(3):223–32.

Salsabilla A, Juliannisa IA, Triwahyuningtyas N. Analisis Faktor-Faktor Kemiskinan di Kabupaten/Kota Daerah Istimewa Yogyakarta. Ikraith-Ekonomika. 2022;5(2):96–105.