Pemodelan Tingkat Pengangguran Terbuka Provinsi Jawa Barat Menggunakan Model Spatial Autoregressive Moving Average (SARMA)
Abstract
Abstract. SARMA is one of the spatial regression models that combines the SAR model and the SEM model. The SARMA model is used when there are lag and error dependencies. The SARMA parameter estimator uses the Maximum Likelihood Estimation (MLE) method. To explain the spatial relationship between observation locations, a spatial weighting matrix based on contiguity is used. West Java Province is a province that has the highest open unemployment rate in Indonesia in 2022. The purpose of this study is to model the SARMA regression and find out the factors that significantly influence the open unemployment rate in West Java Province in 2022. The results showed that the data contained lag and error spatial dependencies so that the SARMA model was feasible to use. The model shows that the average length of schooling, labor force participation rate, life expectancy, and GRDP growth rate have a significant effect on the open unemployment rate. The open unemployment rate of the ith districts/cities that are close together has a significant effect on the open unemployment rate of the surrounding districts/cities of -0.5334 and the error between ith adjacent districts/cities has an effect on the open unemployment rate of the surrounding districts/cities of 0.7292.
Abstrak. SARMA merupakan salah satu model regresi spasial yang menggabungkan antara model SAR dan model SEM. Model SARMA digunakan apabila terdapat dependensi lag dan dependensi error. Penduga parameter SARMA ini menggunakan metode Maximum Likelihood Estimation (MLE). Untuk menjelaskan hubungan spasial antar lokasi pengamatan digunakan matriks pembobot spasial berdasarkan ketetanggaan (contiguity). Provinsi Jawa Barat merupakan provinsi yang memiliki tingkat pengangguran terbuka tertinggi di Indonesia pada tahun 2022. Tujuan dari penelitian ini yaitu untuk memodelkan regresi SARMA dan mengetahui faktor-faktor yang mempengaruhi tingkat pengangguran terbuka di Provinsi Jawa Barat tahun 2022 secara signifikan. Hasil penelitian menunjukan bahwa data mengandung dependensi spasial lag dan error sehingga model SARMA layak digunakan. Model menunjukan rata-rata lama sekolah, tingkat partisipasi angkatan kerja, angka harapan hidup, dan laju pertumbuhan PDRB berpengaruh secara signifikan terhadap tingkat pengangguran terbuka. Tingkat pengangguran terbuka kabupaten/kota ke-i yang berdekatan berpengaruh secara signifikan terhadap tingkat pengangguran terbuka kabupaten/kota disekitarnya sebesar -0,5334 dan error antar kabupaten/kota ke-i yang berdekatan berpengaruh terhadap tingkat pengangguran terbuka kabupaten/kota disekitarnya sebesar 0,7292.
References
Anselin, L. (1999). Spatial Econometrics. Bruton Center: School of Social Sciences, University of Texas at Dallas.
Badan Pusat Statistik Jawa Barat. (2022). Tingkat Pengangguran Terbuka Menurut Kabupaten/Kota(Persen) 2020-2022. https://jabar.bps.go.id/indicator/6/73/1/tingkat-pengangguran-terbuka-kabupaten-kota.html [Diakses pada 5 Mei 2023]
Chotimah, H., dan Rinjani I. (2022). Pemodelan Spasial Konsumsi Pemerintah dalam Perekonomian Jawa Timur: Spatial Autoregressive and Moving Average. Journal Ilmiah Komputasi dan Statistika(Jikostik), 2(1), 7-15.
Mahalani, A.J., dan Rifai, N.A.K., (2022). Least Absolute Srinkage And Selection Operator (LASSO) untuk Mengatasi Multikolinearitas pada Model Regresi Linear Berganda. Bandung Conference Series: Statistics, 2(2), 119-125.
Nirmala, K.L., Pramesti, W., & Fitriani,. (2022). Spatial Autoregressive Moving Average pada Pemodelan Persentase Penduduk Miskin Kabupaten/Kota di Provinsi Jawa Timur 2020. Jurnal Ilmiah Teori dan Aplikasi Statistika, 15(1), 158-166.
Rita, R ., dan Diah, S. (2015). Analisis Spasial Penyebab Penyakit Demam Berdarah Dengue Dengan Indeks Moran Dan Geary’s C (Studi Kasus di Kota Semarang Tahun 2011). Jurnal Gaussian, 2(1), 69-78.
Wardani, I.K., Handajani, S.S., & Zukhronah, E. (2019). Pemodelan Tingkat Pengangguran Terbuka Provinsi Jawa Tengah Menggunakan Model Spatial Autoregressive Moving Average. Prosiding Sendika, 5(2), 199-205.
Yasin, H., Hakim, A.R., & Warsito, B. (2020). Regresi Spasial. Pekalongan: Wade Group.
Anisa, L., & Rifai, N. A. K. (2022). Analisis Regresi Logistik Biner dengan Metode Penalized Maximum Likelihood pada Penyakit Covid-19 di RSUD Pringsewu. Jurnal Riset Statistika, 129–136. https://doi.org/10.29313/jrs.v2i2.1425
Azizah, N. (2023). Pemodelan Spatial Autoregressive (SAR-X) pada Perkawinan Usia Anak di Indonesia. Jurnal Riset Statistika, 1–10. https://doi.org/10.29313/jrs.v3i1.1643
Fadilah, T. S., & Kudus, A. (2023). Penerapan Metode Regresi Kernel Smoothing untuk Imputasi Data Lama Waktu Terinfeksi Covid-19. Jurnal Riset Statistika, 51–60. https://doi.org/10.29313/jrs.v3i1.1802
