Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit

Transkripsi

1 Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit Oleh: Ari Vanerlin Fitarisca Dosen Pembimbing: Dr. Vita Ratnasari, S.Si, M.Si Juli

2 PENDAHULUAN TINJAUAN PUSTAKA OUTLINE METODELOGI ANALISIS DAN PEMBAHASAN PENUTUP 2

3 LATAR BELAKANG RUMUSAN MASALAH BAB I PENDAHULUAN MANFAAT TUJUAN BATASAN MASALAH 3

4 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH BAB I PENDAHULUAN 4

5 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH BAB I PENDAHULUAN GENDER adalah perbedaan peran, fungsi,dan tanggungjawab antara lakilaki dan perempuan yang merupakan hasil konstruksi sosial dan dapat berubah menurut perkembangan jaman BKKBN (2009) Mengurus RT PERAN PUBLIK PERAN DOMESTIK Bersifat lemah Berpikiran sempit Selalu memakai perasaan 5

6 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH Perempuan banyak yang memiliki beban ganda sebagai pengurus rumah tangga sekaligus pencari nafkah. BAB I PENDAHULUAN ±13,9% RT di Indonesia dikepalai oleh perempuan. (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013) Selama tahun 2012, berdasarkan Catatan Tahunan Komisi Nasional (Komnas) Perempuan terdapat sekitar kasus kekerasan terhadap perempuan yang dilaporkan dan ditangani. Kasus kekerasan yang paling sering terjadi : KDRT KESETARAAN GENDER 6

7 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH BAB I PENDAHULUAN suatu indeks yang mengukur pencapaian pembangunan kapabilitas dasar manusia pada bidang kesehatan, pendidikan, dan ekonomi di suatu wilayah dengan mempertimbangkan kesetaraan antara laki-laki dan perempuan (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013) Pembangunan manusia secara kuantitatif dapat digambarkan dari angka IPM (Indeks Pembangunan Manusia). Namun angka ini belum dapat menjelaskan perbedaan capaian kualitas hidup antara laki-laki dan perempuan. Melalui angka IPG, kesenjangan atau gap kemampuan dasar antara laki-laki dan perempuan mampu dijelaskan dengan melihat rasio antara IPM dan IPG. 7

8 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH BAB I PENDAHULUAN Perkembangan IPM & IPG di Indonesia 74 73,29 72,77 72,27 71, ,17 70,59 70,08 69, ,69 68,52 67, ,2 66,38 66,77 65, ,13 65,27 63, IPM IPG (Kementrian Pemberdayaan Perempuan dan Perlindungan Anak, 2013) setiap tahun selalu ada selisih antara angka IPM dan IPG yang menandakan bahwa masih adanya kesenjangan antara laki-laki dan perempuan, dimana angka IPG < IPM 8

9 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH Kesenjangan gender Faktor-faktor? Regresi probit BAB I PENDAHULUAN Regresi probit Hafizh (2013): Pemodelan Disparitas Gender di Jawa Timur dengan Pendekatan Model Regresi Probit Ordinal salah satu metode regresi yang digunakan untuk menganalisis antara variabel respon yang merupakan variabel diskrit dengan variabel prediktor yang berupa variabel diskrit, kontinyu, maupun campuran antara keduanya. Yulianti dan Ratnasari (2013) : Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit Faidah (2010): Pemodelan Regresi Probit Ordinal pada Indeks Pembangunan Manusia (IPM) di provinsi Sumatera Utara, Jawa Barat, Jawa Tengah, dan Jawa Timur Dharmasari (2009): Perbandingan Model Logit dan Probit untuk Menganalisis Kecenderungan Siswa SMP Melanjutkan Pendidikan ke Jenjang SMA Hakim (2014): Analisis Komponen IPG dengan GWMR Model di Kalimantan Timur & Kalimantan Selatan Tahun

10 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH 1. Bagaimana karakteristik Indeks Pembangunan Gender (IPG) di Indonesia? BAB I PENDAHULUAN 2. Apa saja faktor-faktor yang mempengaruhi Indeks Pembangunan Gender (IPG) di Indonesia dengan menggunakan metode regresi probit? 10

11 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH 1. Mendeskripsikan karakteristik Indeks Pembangunan Gender (IPG) di Indonesia BAB I PENDAHULUAN 2. Mendapatkan faktor-faktor yang mempengaruhi Indeks Pembangunan Gender (IPG) di Indonesia dengan menggunakan metode regresi probit 11

12 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH BAB I PENDAHULUAN 1. Menambah pengetahuan peneliti tentang penerapan ilmu statistika dalam permasalahan sosial dalam masyarakat. 2. Menambah pengetahuan pembaca mengenai penerapan regresi probit khususnya pada faktor-faktor yang mempengaruhi Indeks Pembangunan Gender di Indonesia. 3. Memberikan tambahan informasi kepada pemerintah mengenai faktor-faktor yang mempengaruhi Indeks Pembangunan Gender di Indonesia. 12

13 LATAR BELAKANG RUMUSAN MASALAH TUJUAN MANFAAT BATASAN MASALAH BAB I PENDAHULUAN 1. Data yang digunakan dalam penelitian merupakan data sekunder pada tahun 2012 yang diambil dari Badan Pusat Statistika. 2. Metode yang digunakan dalam penelitian ini adalah regresi probit. 3. Penelitian dilakukan dengan tidak memperhatikan faktor budaya dari setiap provinsi yang ada di Indonesia. 4. Penelitian dilakukan dengan tidak memperhatikan pembagian wilayah administrasi pemerintahan, khususnya wilayah perkotaan dan pedesaan. 13

14 IPG REGRESI PROBIT BAB II TINJAUAN PUSTAKA PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL 14

15 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL BAB II TINJAUAN PUSTAKA Indeks Pembangunan Gender (IPG) adalah ukuran yang digunakan untuk mengetahui pembangunan manusia (Asmanto, 2008). IPG mengukur tingkat pencapaian kemampuan dasar pembangunan manusia yang sama seperti IPM, yaitu harapan hidup, tingkat pendidikan, dan pendapatan namun dengan memperhitungkan ketimpangan gender. IPG dapat digunakan untuk mengetahui kesenjangan pembangunan manusia antara laki-laki dan perempuan. Kesetaraan gender terjadi apabila angka IPG sama dengan IPM. Apabila angka IPG lebih rendah dari IPM maka terjadi kesenjangan gender. Kesenjangan gender dapat dilihat dari selisih antara IPM dan IPG. Semakin kecil selisih antara IPM dan IPG maka dapat diartikan bahwa kesenjangan pembangunan antara laki-laki dan perempuan juga semakin kecil. 15

16 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL Dimensi Umur Panjang dan Sehat Pengetahuan Kehidupan yang Layak Indikator AHH (P) AHH (L) AMH (P) MYS (P) AMH (L) MYS (L) Perkiraan Pendapatan (P) Perkiraan Pendapatan (L) BAB II TINJAUAN PUSTAKA Indeks Dimensi IHH (P) IHH (L) Indeks Pendidikan (P) Indeks Pendidikan (L) Indeks Pendapatan (P) Indeks Pendapatan (L) Indeks Sebaran Merata IHH dengan Sebaran Merata Indeks Pendidikan dengan Sebaran Merata Indeks Pendapatan dengan Sebaran Merata Indeks Pembangunan Gender (IPG) 16

17 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL Pengkategorian IPG menurut UNDP 1. Kelompok tinggi, jika IPG Kelompok menengah atas, jika IPG 66 x < 80 BAB II TINJAUAN PUSTAKA RUMUS PERHITUNGAN IPG: IPG = 1 3 (X ede(1)+x ede(2) +I inc-dis ) 3. Kelompok menengah bawah, jika IPG 50 x < Kelompok rendah, jika IPG < 50 Keterangan: X ede(1) = X ede untuk harapan hidup X ede(2) = X ede untuk tingkat pendidikan I inc-dis = Indeks distribusi pendapatan 17

18 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL variabel respon, berupa variabel diskrit REGRESI PROBIT BAB II TINJAUAN PUSTAKA Probability Unit Pemodelan pada regresi probit : variabel bebas, berupa variabel diskrit, kontinyu, atau campuran keduanya y * β T X dimana: Y : variabel respon, β : vektor parameter koefisien dengan β β T 0 β1 βp, x vektor variabel bebas dengan X 1 x 1 x p, dan ε : merupakan error atau kesalahan yang diasumsikan berdistribusi normal standar 18

19 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL BAB II TINJAUAN PUSTAKA 1. Menentukan n sampel random 2. Membentuk fungsi likelihood dari n sampel random. Fungsi likelihoodnya adalah sebagai berikut: L(β) i 1 Yi p i (1 p i ) 1 Y i n T Yi T β X 1 β L( β) X i 1 1 Y 3. Melakukan transformasi ln terhadap fungsi likelihood. Hal ini dikarenakan lebih mudah memaksimumkan L(β) dengan transformasi ln. Secara matematis dapat ditulis sebagai berikut: ln L n T β X β Y i ln T i 1 1 β X n i 1 i ln 1 β T X 19

20 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL 4. Mendapatkan penaksir untuk β dengan memaksimumkan ln fungsi likelihood, yaitu dengan menurunkan atau menderivatifkan ln fungsi likelihood BAB II TINJAUAN PUSTAKA ln L β n T β X β X Yi T T i 1 1 β X β X T Berdasarkan hasil penaksiran untuk parameter β dengan menggunakan metode MLE ternyata diperoleh fungsi yang implisit sehingga penaksir untuk β tidak dapat langsung diperoleh. Oleh karena itu, digunakan metode Newton Raphson untuk mendapatkan penaksir maksimum likelihood untuk β. 20

21 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL BAB II TINJAUAN PUSTAKA UJI SERENTAK Hipotesis H 0 : β 1 = β 2 = = β p = 0 H 1 : Paling sedikit ada satu β j 0 Statistik uji : G = 2 ln L u ln L R dimana: L u = n P ln P + 1 P ln(1 P), n banyaknya sampel P proporsi pengamatan yang memiliki variabel respon (Y) sama dengan 1 L R fungsi log-likelihood tanpa variabel prediktor L u : fungsi likelihood dengan variabel prediktor Tolak H 0 apabila nilai P value < α atau nilai G < α pada tingkat kepercayaan α UJI PARSIAL Hipotesis H 0 : β j = 0 H 1 : β j 0 dengan j = 1, 2,, p. Statistik uji : W j = β j ~N(0,1) S E( β j ) dimana: β j : penduga β j S E( β j ) : penduga simpangan baku dari β j. Tolak H 0 apabila W j > Z α /2 atau P value < α pada tingkat kepercayaan α. 21

22 IPG REGRESI PROBIT PENAKSIRAN PARAMETER PENGUJIAN PARAMETER UJI KESESUAIAN MODEL Tujuan: mengetahui apakah terdapat perbedaan antara hasil observasi dengan kemungkinan hasil prediksi. BAB II TINJAUAN PUSTAKA Hipotesis: H 0 : Tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model (model sesuai) H 1 : Ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model (model tidak sesuai) Statistik uji : n D = 2 y ij ln P ij + 1 y y ij ln 1 P ij ij 1 y ij i=1 dengan P ij = P j (x i ) merupakan peluang observasi ke-i pada kategori ke-j. 2 Tolak H 0 apabila D > χ db,α pada tingkat kepercayaan α dan db merupakan derajat bebas 22

23 SUMBER DATA VARIABEL BAB III METODELOGI DEFINISI OPERASIONAL LANGKAH 23

24 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH Badan Pusat Statistik (BPS) BAB III METODELOGI

25 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH BAB III METODELOGI Variabel respon (Y) dalam penelitian ini adalah variabel IPG. Namun variabel ini dikelompokkan terlebih dahulu dengan menggunakan analisis cluster. Hasil dari pengelompokkan digunakan sebagai variabel respon. Sehingga variabel respon yang digunakan dalam penelitian ini berdasarkan kondisi IPG yang ada di Indonesia saat ini. Untuk lebih jelasnya dapat dilihat pada bab IV. Penelitian dilakukan terhadap masing-masing data laki-laki dan perempuan dengan variabel prediktor yang digunakan adalah 9 variabel untuk data laki-laki dan 10 variabel untuk data perempuan. Untuk data perempuan variabel yang digunakan ditambah dengan variabel Total Fertility Rate (TFR) sebagai variabel X

26 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH BAB III METODELOGI Variabel Keterangan Tipe Variabel X 1 Angka Partisipasi Sekolah (APS) SD/Sederajat Kontinyu X 2 Angka Partisipasi Sekolah (APS) Kontinyu SMP/Sederajat X 3 Angka Partisipasi Sekolah (APS) SMA/Sederajat X 4 Persentase penduduk pendidikan terakhir yang ditamatkan adalah SMP Kontinyu Kontinyu X 5 Tingkat partisipasi angkatan kerja (TPAK) Kontinyu X 6 Persentase Penduduk Mempunyai Keluhan Kontinyu Kesehatan X 7 Purchasing Power Parity (PPP)/Daya Beli Diskrit X 8 Rasio Jenis Kelamin Kontinyu X 9 Rasio Jenis Kelamin Saat Lahir Kontinyu 26

27 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH BAB III METODELOGI Variabel Angka Partisipasi Sekolah (APS) Persentase penduduk dengan Pendidikan Terakhir SMP Tingkat Partisipasi Angkatan Kerja (TPAK) Penduduk yang Mempunyai Keluhan Kesehatan Definisi Operasional Proporsi dari semua anak yang masih sekolah pada suatu kelompok umur tertentu terhadap penduduk dengan kelompok umur yang sesuai proporsi antara jumlah penduduk yang pendidikan terakhir yang ditamatkan adalah SMP, ditandai dengan memiliki ijazah/sertifikat, terhadap jumlah penduduk di suatu wilayah. Tingkat Partisipasi Angkatan Kerja (TPAK) merupakan persentase jumlah angkatan kerja terhadap penduduk usia kerja. Keluhan kesehatan adalah keadaan seseorang yang merasa terganggu oleh kondisi kesehatan, kejiwaan, kecelakaan atau hal lain. Seseorang yang menderita penyakit kronis dianggap mempunyai keluhan kesehatan walaupun pada waktu survei (satu bulan terakhir) yang bersangkutan tidak kambuh penyakitnya. Semakin banyak penduduk yang mengalami keluhan kesehatan berarti semakin rendah derajat kesehatan dari masyarakat yang bersangkutan 27

28 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH BAB III METODELOGI Variabel PPP (Purchasing Power Parity)/daya beli Rasio Jenis Kelamin Definisi Operasional PPP memungkinkan dilakukannya perbandingan hargaharga riil antarprovinsi maupun antarkabupaten, mengingat nilai tukar yang biasa digunakan dapat menurunkan atau menaikkan nilai daya beli yang terukur dari konsumsi per kapita yang telah disesuaikan. PPP dihitung berdasarkan pengeluaran riil per kapita setelah disesuaikan dengan indeks harga konsumen dan penurunan kegunaan marginal. perbandingan antara jumlah penduduk laki-laki dan jumlah penduduk perempuan pada suatu daerah dan pada waktu tertentu. Data mengenai rasio jenis kelamin berguna untuk pengembangan perencanaan pembangunan yang berwawasan gender, terutama yang berkaitan dengan perimbangan laki-laki dan perempuan secara adil. 28

29 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH BAB III METODELOGI Variabel Rasio Jenis Kelamin Saat Lahir TFR (Total Fertitily Rate) Definisi Operasional PPperbandingan antara bayi laki-laki dengan bayi perempuan yang lahir dalam setahun. Angka Kelahiran Total merupakan rata-rata jumlah anak yang dilahirkan seorang perempuan dari usia tahun. Perbandingan TFR antar daerah dapat menunjukkan keberhasilan daerah dalam melaksanakan pembangunan sosial ekonominya. TFR yang tinggi merupakan cerminan rata-rata usia kawin yang rendah, tingkat pendidikan yang rendah terutama perempuannya, tingkat sosial ekonomi rendah atau tingkat kemiskinan yang tinggi. 29

30 SUMBER DATA VARIABEL DEFINISI OPERASIONAL LANGKAH 1. Menentukan variabel dan mendapatkan data yang mendukung. 2. Melakukan analisis cluster terhadap variabel IPG untuk mendapatkan variabel respon yang digunakan dalam penelitian. BAB III METODELOGI 3. Mengecek multikolinieritas data. Apabila terjadi multikolinieritas maka harus diatasi terlebih dahulu, salah satunya dengan menghilangkan variabel yang menyebabkan multikolinieritas terjadi. 4. Melakukan pemodelan dengan menggunakan regresi probit terhadap faktor-faktor yang mempengaruhi IPG di Indonesia dengan langkah-langkah sebagai berikut: Menentukan model regresi probit dengan variabel respon dan variabel prediktor yang digunakan dalam penelitian. Melakukan uji signifikansi parameter regresi probit secara serentak dan parsial untuk mengetahui variabel prediktor yang berpengaruh signifikan terhadap variabel respon. Menginterpretasikan model regresi probit terbaik yang diperoleh. Melakukan uji kesesuaian model. Menghitung ketepatan klasifikasi model regresi probit. 5. Menarik kesimpulan. 30

31 KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA PERKEMBANGAN & PENCAPAIAN KOMPONEN PEMBENTUK INDEKS PEMBANGUNAN GENDER DI INDONESIA BAB IV ANALISIS DAN PEMBAHASAN PENGELOMPOKKAN IPG INDONESIA TAHUN 2012 MENGGUNAKAN ANALISIS CLUSTER PENGUJIAN MULTIKOLINIERITAS PADA VARIABEL INDEPENDEN PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN 30

32 KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA BAB IV ANALISIS DAN PEMBAHASAN IPM DAN IPG SELALU MENINGKAT SETIAP TAHUNNYA MENUNJUKKAN BAHWA PEMBANGUNAN MANUSIA DI INDONESIA SEMAKIN BAIK SETIAP TAHUN SELALU ADA SELISIH ANTARA ANGKA IPM DAN IPG YANG MENANDAKAN BAHWA MASIH ADANYA KESENJANGAN ANTARA LAKI-LAKI DAN PEREMPUAN, DIMANA ANGKA IPG < IPM 31

33 KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA IPG Menurut Provinsi di Indonesia Tahun 2012 BAB IV ANALISIS DAN PEMBAHASAN 32

34 BAB IV ANALISIS DAN PEMBAHASAN KARAKTERISTIK PEMBANGUNAN GENDER DI INDONESIA Provinsi yang berada pada kelompok menengah bawah antaralain provinsi Jambi, Lampung, Kepulauan Bangka Belitung, Kepulauan Riau, Jawa Barat, Banten, Nusa Tenggara Barat, Nusa Tenggara Timur, Kalimantan Barat, Kalimantan Timur, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Papua Barat, dan Papua. Provinsi yang termasuk ke dalam kelompok menengah atas antara lain provinsi Aceh, Sumatera Utara, Sumatera Barat, Riau, Sumatera Selatan, Bengkulu, DKI Jakarta, Jawa Tengah, D.I Yogyakarta, Jawa Timur, Bali, Kalimantan Selatan, Sulawesi Utara, Sulawesi Barat, Maluku, dan Maluku Utara. 33

35 PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA ANGKA HARAPAN HIDUP (AHH) BAB IV ANALISIS DAN PEMBAHASAN 35

36 PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA ANGKA MELEK HURUF (AMH) BAB IV ANALISIS DAN PEMBAHASAN Perkembangan yang pesat dari AMH perempuan semakin memperkecil disparitas kemampuan baca tulis yang terjadi di Indonesia 36

37 PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA RATA-RATA LAMA SEKOLAH (MYS) BAB IV ANALISIS DAN PEMBAHASAN 37

38 PERKEMBANGAN DAN PENCAPAIAN KOMPONEN INDEKS PEMBANGUNAN GENDER DI INDONESIA BAB IV ANALISIS DAN PEMBAHASAN Upah yang diterima SUMBANGAN PENDAPATAN Angkatan kerja Sumbangan pendapatan penduduk perempuan fluktuatif namun cenderung menurun Proporsi angkatan kerja perempuan di Indonesia pd thn 2012 sekitar 38,62% dari total 120,41 juta angkatan kerja Rata-rata pah yang diterima laki-laki (1,55 jt) masih lebih tingi dari perempuan (1,25 jt) 38

39 PENGELOMPOKKAN IPG INDONESIA TAHUN 2012 MENGGUNAKAN ANALISIS CLUSTER BAB IV ANALISIS DAN PEMBAHASAN Kelompok 1 2 Anggota Kelompok Sumatera Utara, Sumatera Barat, Sumatera Selatan, Bengkulu, DKI Jakarta, D.I Yogyakarta, Bali, Kalimantan Tengah, Sulawesi Utara, Maluku Aceh, Riau, Jambi, Lampung, Kep. Bangka Belitung, Kep. Riau, Jawa Barat, Jawa Tengah, Jawa Timur, Banten. NTB, NTT, Kalimantan Barat, Kalimantan Selatan, Kalimantan Timur, Sulawesi Tengah, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku Utara, Papua Barat, Papua 39

40 PENGUJIAN MULTIKOLINIERITAS PADA VARIABEL INDEPENDEN BAB IV ANALISIS DAN PEMBAHASAN Variabel (L) VIF Variabel (P) VIF X 1 4,07 X 1 6,82 X 2 5,10 X 2 10,07 X 3 3,13 X 3 3,19 X 4 1,72 X 4 2,24 X 5 1,71 X 5 2,14 X 6 1,83 X 6 1,68 X 7 1,41 X 7 1,74 X 8 1,59 X 8 1,51 X 9 2,06 X 9 1,59 X 10 2,09 terjadi multikolinieritas pada data laki-laki dan perempuan karena nilai VIF > 5. Langkah selanjutnya adalah mengatasi multikolinieritas tersebut, salah satunya dengan menghilangkan variabel yang menyebabkan multikolinieritas terjadi. Pada data laki-laki, variabel yang menyebabkan terjadinya multikolinieritas adalah variabel X 2, sedangkan pada data perempuan adalah variabel X 1 dan X 2. Maka, untuk analisis selanjutnya, variabel X 1 dan X 2 tidak diikutsertakan. 40

41 PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI PENGUJIAN SERENTAK PENGUJIAN PARSIAL BAB IV ANALISIS DAN PEMBAHASAN Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,125) yang kurang dari nilai α(20%) sehingga keputusan yang diperoleh adalah tolak H 0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG. Berdasarkan hasil uji parsial didapatkan bahwa parameter yang signifikan terhadap adalah variabel X 9 (rasio jenis kelamin saat lahir. Parameter pada variabel tersebut signifikan pada taraf α = 20%. 41

42 PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI MODEL TERBAIK BAB IV ANALISIS DAN PEMBAHASAN Pemilihan model terbaik dilakukan dengan menggunakan metode Backward. Berdasarkan metode Backward, didapatkan bahwa model regresi probit terbaik adalah model dengan variabel prediktor X 1 yaitu APS SD/sederajat dan X 9 yaitu rasio jenis kelamin saat lahir. Variabel Coef P-value X 1-0,775 0,022 * X 9 0,324 0,103 * Sehingga, persamaan model regresi probit terbaik untuk data laki-laki adalah sebagai berikut: y = 42,269 0,775X 1 + 0,324X 9 Persamaan diatas dapat diinterpretasikan bahwa APS SD/sederajat berpenaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. 42

43 PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI PENGUJIAN SERENTAK MODEL TERBAIK PENGUJIAN PARSIALMODEL TERBAIK BAB IV ANALISIS DAN PEMBAHASAN Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,005) yang kurang dari nilai α (20%) sehingga keputusan yang diperoleh adalah tolak H 0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG. Berdasarkan hasil uji parsial didapatkan bahwa didapatkan informasi bahwa dengan α = 20%, seluruh parameter pada variabel X 1 dan X 9 masing-masing berpengaruh signifikan terhadap variabel respon. 43

44 PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI INTERPRETASI EFEK MARGINAL BAB IV ANALISIS DAN PEMBAHASAN Apabila diambil data dari salah satu provinsi, misalkan untuk provinsi Papua Barat, dengan X 1 = 95,31; dan X 9 = 105,72; maka: P Y = 1 = 1 Φ 42, ,775X 1 0,324X 9 P Y = 1 = 1 Φ 2,65703 P Y = 1 = 1 0,00394 P Y = 1 = 0,99606 Jadi, probabilitas provinsi Papua Barat masuk ke dalam kelompok IPG rendah dengan nilai-nilai tersebut adalah sebesar 0, Sedangkan probabilitas provinsi Papua Barat masuk ke dalam kelompok IPG tinggi P Y = 0 adalah sebesar 0, P(Y = 1) = β X 9 φ(γ β T X) 9 P(Y = 1) = 0,324φ( 2,65703) X 9 P(Y = 1) = 0,324(0,01169) X 9 P(Y = 1) = 0,00379 X 9 Artinya bahwa setiap perubahan rasio jenis kelamin saat lahir sebesar 1% maka akan meningkatkan probabilitas suatu provinsi masuk ke dalam kategori IPG kelompok rendah sebesar 0,

45 PEMODELAN REGRESI PROBIT UNTUK DATA LAKI-LAKI KESESUAIAN MODEL TERBAIK BAB IV ANALISIS DAN PEMBAHASAN Berdasarkan hasil pengujian didapatkan nilai P-value sebesar 0,463 yang berarti P-value > 0,20 sehingga keputusan yang diambil adalah gagal tolak H 0. Jadi, dapat disimpulkan bahwa tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model. Atau dengan kata lain model telah sesuai. 45

46 PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN PENGUJIAN SERENTAK PENGUJIAN PARSIAL BAB IV ANALISIS DAN PEMBAHASAN Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value sebesar 0,005 yang kurang dari nilai α (20%) sehingga keputusan yang diperoleh adalah tolak H 0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG di Indonesia. Berdasarkan hasil uji parsial didapatkan bahwa parameter variabel yang signifikan terhadap variabel respon adalah variabel X 3 (APS SMA/sederajat), X 4 (persentase penduduk dengan pendidikan terakhir yang ditamatkan adalah SMP), X 5 (TPAK), X 8 (rasio jenis kelamin) dan variabel X 9 (rasio jenis kelamin saat lahir). 46

47 PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN MODEL TERBAIK BAB IV ANALISIS DAN PEMBAHASAN Pemilihan model terbaik dilakukan dengan menggunakan metode Backward. Berdasarkan metode Backward, didapatkan bahwa model regresi probit terbaik adalah model dengan variabel prediktor X 3 yaitu APS SMA/sederajat, X 5 yaitu TPAK, X 7 yaitu PPP, dan X 9 yaitu rasio jenis kelamin saat lahir Variabel Coef P-value X 3-0,101 0,033 * X 5-0,121 0,016 * X 7-0, ,081 * X 9 0,462 0,059 * Sehingga, persamaan model regresi probit terbaik untuk data perempuan adalah sebagai berikut: y = 6,459 0,101X 3 0,121X 5 0,00005X 7 + 0,462X 9 Persamaan diatas dapat diinterpretasikan bahwa APS SMA/sederajat, TPAK, dan PPP berpengaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. 47

48 PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN PENGUJIAN SERENTAK MODEL TERBAIK PENGUJIAN PARSIALMODEL TERBAIK BAB IV ANALISIS DAN PEMBAHASAN Berdasarkan hasil pengujian secara serentak, didapatkan informasi bahwa nilai P-value (0,004) yang kurang dari nilai α (20%) sehingga keputusan yang diperoleh adalah tolak H 0. Jadi, dapat disimpulkan bahwa terdapat paling sedikit satu variabel prediktor yang berpengaruh terhadap IPG. Berdasarkan hasil uji parsial didapatkan bahwa didapatkan informasi bahwa dengan α = 20%, dengan α = 20%, seluruh parameter pada variabel X 3, X 5, X 7, dan X 9 masing-masing berpengaruh signifikan terhadap variabel respon. 48

49 PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN INTERPRETASI EFEK MARGINAL BAB IV ANALISIS DAN PEMBAHASAN Apabila diambil data dari salah satu provinsi, misalkan untuk provinsi Papua, dengan X 3 = 48,23; X 5 = 68,36; X 7 = ; dan X 9 =110,13 maka: P Y = 1 = 1 Φ 6, ,101X 3 + 0,121X 5 P(Y = 1) = β X 9 φ(γ β T X) 9 P(Y = 1) = 0,324φ( 2,65703) X 9 P(Y = 1) = 0,324(0,01169) X 9 P(Y = 1) = 0,00379 X 9 Artinya bahwa setiap perubahan variabel TPAK sebesar 1% maka akan menurunkan probabilitas suatu provinsi masuk ke dalam kategori IPG kelompok rendah sebesar 0,

50 PEMODELAN REGRESI PROBIT UNTUK DATA PEREMPUAN KESESUAIAN MODEL TERBAIK BAB IV ANALISIS DAN PEMBAHASAN Berdasarkan hasil pengujian, didapatkan nilai P-value sebesar 0,630 yang berarti P-value > 0,20. Sehingga keputusan yang diambil adalah gagal tolak H 0. Maka, dapat disimpulkan bahwa tidak ada perbedaan antara hasil observasi dengan kemungkinan hasil prediksi model. Atau dengan kata lain model telah sesuai. 50

51 KETEPATAN KLASIFIKASI MODEL REGRESI PROBIT (LAKI-LAKI) KETEPATAN KLASIFIKASI MODEL REGRESI PROBIT (PEREMPUAN) BAB IV ANALISIS DAN PEMBAHASAN Ketepatan klasifikasi yang diprediksi dari model regresi probit yang didapat yaitu sebesar 80%. Ketepatan klasifikasi yang diprediksi dari model regresi probit yang didapat yaitu sebesar 86,1%. 51

52 BAB V PENUTUP KESIMPULAN SARAN 52

53 BAB V PENUTUP 1. Perkembangan Indeks Pembangunan Gender (IPG) di Indonesia secara keseluruhan dari tahun selalu mengalami peningkatan. Hal ini menjelaskan bahwa pencapaian pembangunan gender di Indonesia dari waktu ke waktu semakin membaik. Namun, masih terdapat kesenjangan atau gap antara penduduk laki-laki dan perempuan di seluruh provinsi di Indonesia. Kesenjangan tersebut dapat dilihat diberbagai bidang atau komponen pembentuk IPG itu sendidi yaitu, pada bidang pendidikan, kesehatan, dan sumbangan pendapatan. Berdasarkan hasil perhitungan diketahui bahwa rata-rata IPG pada tahun 2012 secara keseluruhan adalah sebesar 66,02. Nilai varians sebesar 15,31 menjelaskan mengenai keragaman data. Provinsi dengan IPG terkecil adalah provinsi Nusa Tenggara Barat yaitu sebesar 57,58 dan provinsi dengan IPG terbesar adalah provinsi DKI Jakarta yaitu sebesar 74,66. 53

54 BAB V PENUTUP Faktor-faktor yang mempengaruhi IPG pada penduduk laki-laki antaralain APS SD/sederajat dan rasio jenis kelamin saat lahir, dengan model regresi probit yang didapatkan yaitu: y = 42,269 0,775X 1 + 0,324X 9 Persamaan diatas dapat diinterpretasikan bahwa APS SD/sederajat berpenaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan faktor yang mempengaruhi IPG pada penduduk perempuan yaitu yaitu APS SMA/sederajat, TPAK, PPP, dan rasio jenis kelamin saat lahir, dengan model regresi probit yang didapatkan adalah sebagai berikut: y = 6,459 0,101X 3 0,121X 5 0,00005X 7 + 0,462X 9 Persamaan diatas dapat diinterpretasikan bahwa APS SMA/sederajat, TPAK, dan PPP berpengaruh negatif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah. Sedangkan rasio jenis kelamin saat lahir berpengaruh positif terhadap probabilitas suatu provinsi termasuk dalam kelompok IPG rendah 54

55 Saran yang diberikan oleh penulis untuk pemerintah agar lebih memperhatikan pencapaian kapabilitas dasar penduduk laki-laki dan perempuan agar kesenjangan antara keduanya tidak menjadi besar. BAB V PENUTUP 55

56 Asmanto, Priadi Evaluasi Millenium Development Goals (MDGs) Indonesia: Kesetaraan Gender dan Pemberdayaan Perempuan. Tersedia di SSRN: diakses pada 30 Januari BKKBN Modul 2 Konsep dan Teori Gender. Jakarta: BKKBN DAFTAR PUSTAKA Dharmasari, Ayu Perbandingan Model Logit dan Probit untuk Menganalisis Kecenderungan Siswa SMP Melanjutkan Pendidikan ke Jenjang SMA (Studi Kasus Data Susenas Kabupaten Situbondo, Jawa Timur). Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember. Faidah, D. Y Pemodelan Regresi Probit Ordinal pada Indeks Pembangunan Manusia (IPM) di provinsi Sumatera Utara, Jawa Barat, Jawa Tengah, dan Jawa Timur. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember. Greene, W. H Econometric Analysis. USA: Pearson Prentice Hall. Gujarati, D. N Basic Econometrics, Fourth Edition. New York: McGraw-Hill. 56

57 Hafizh, Q. U Pemodelan Disparitas Gender di Jawa Timur dengan Pendekatan Model Regresi Probit Ordinal. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember. DAFTAR PUSTAKA Hakim, L. J Analisis Komponen Indeks Pembangunan Gender dengan Geographically Weighted Multivariate Regression Model di Provinsi Kalimantan Timur dan Kalimantan Selatan Tahun Tesis S2 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember Surabaya. Hosmer, D.W & Lemeshow, Stanley Applied Logistic Regression Second Edition. USA: John Wiley & Sons. Johnson, R. A & Wichern, D. W Applied Multivariate Statistical Analysis, Sixth Edition. New Jersey: Pearson Prentice Hall. Kementrian Pemberdayaan Perempuan dan Perlindungan Anak Pembangunan Manusia Berbasis Gender Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak. 57

58 DAFTAR PUSTAKA Pembangunan Manusia Berbasis Gender Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak Profil Anak Indonesia Jakarta: Kementrian Pemberdayaan Perempuan dan Perlindungan Anak. MDGs Support Unit United Nations Development Programme Komik MDGs. Tersedia di: diakses pada 28 Januari Tempo.co Linda Gumelar: Pembangunan Gender Masih Tertinggal. Tersedia di Pembangunan-Gender-Masih-Tertinggal, diakses pada 28 Januari Wulandari, Evi Model Regresi Probit untuk Mengetahui Faktor-Faktor yang Mempengaruhi Jumlah Penderita Diare di Jawa Timur. Tugas Akhir S1 yang tidak dipublikasikan. Jurusan Matematika FMIPA Universitas Negeri Surabaya. Yulianti, R. A & Ratnasari, Vita Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja Perempuan Di Provinsi Jawa Timur. Jurnal Sains dan Seni POMITS. Vol 2, hal

59 Analisis Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Gender (IPG) dengan Menggunakan Regresi Probit Oleh: Ari Vanerlin Fitarisca Dosen Pembimbing: Dr. Vita Ratnasari, S.Si, M.Si 59