ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN GENDER (IPG) DENGAN MENGGUNAKAN REGRESI PROBIT

Transkripsi

1 1 ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN GENDER (IPG) DENGAN MENGGUNAKAN REGRESI PROBI Ari Vaerli Fitarisca (1) da Vita Ratasari (2) (1)(2) Jurusa Statistika, FMIPA, IS, Istitut ekologi Sepuluh Nopember (IS) Jl. Arief Rahma Hakim, Surabaya Idoesia (1) arivaerli@gmail.com; (2) vita_rata@statistika.its.ac.id Abstrak Dewasa ii, perhatia terhadap pembagua yag berbasiska geder semaki besar, tidak terkecuali di Idoesia. Pegertia geder dalam kasus ii bukalah haya sekadar pada perbedaa secara biologis maupu fisik atara laki-laki da perempua amu lebih megacu kepada perbedaa atara laki-laki da perempua dalam pera, perilaku, kegiata, serta hal-hal yag berkaita dega sosial. Perbedaa pecapaia yag meggambarka keseaga pecapaia atara laki-laki da perempua dapat terelaska melalui Ideks Pembagua Geder (IPG). Regresi probit adalah salah satu metode regresi yag diguaka utuk meelaska hubuga atara variabel respo yag merupaka variabel diskrit dega variabel bebas yag berupa variabel diskrit, kotiyu, maupu campura atara keduaya. Berdasarka perhituga, dapat diketahui bahwa faktor-faktor yag mempegaruhi IPG pada peduduk laki-laki ataralai APS SD/sederaat da rasio eis kelami saat lahir. Sedagka faktor yag mempegaruhi IPG pada peduduk perempua yaitu APS SMA/sederaat, PAK, PPP, da rasio eis kelami saat lahir. Kata Kuci Regresi, Probit, Ideks Pembagua Geder I. PENDAHULUAN igkat keberhasila pembagua yag telah membawa persoala geder dapat diukur, salah satuya adalah dega Ideks Pembagua Geder (IPG). IPG merupaka suatu ideks yag megukur pecapaia pembagua kapabilitas dasar mausia pada bidag kesehata, pedidika, da ekoomi di suatu wilayah dega mempertimbagka kesetaraa atara laki-laki da perempua [1]. Pegertia geder dalam kasus ii bukalah haya sekadar pada perbedaa secara biologis maupu fisik atara laki-laki da perempua amu lebih megacu kepada perbedaa atara laki-laki da perempua dalam pera, perilaku, kegiata, serta hal-hal yag berkaita dega sosial. Perbedaa geder dapat terlihat dari kecederuga pada pera dalam publik maupu domestik [1]. Kegiata yag dilakuka di luar rumah da bertuua medapatka peghasila disebut dega pera publik. Sedagka yag dimaksud dega pera domestik adalah kegiata yag dilakuka di dalam rumah yag berkaita dega kerumahtaggaa da tidak dimaksudka utuk medapat peghasila. Pada praktekya, perbedaa geder serig meimbulka ketidakadila yag pada akhirya aka me megakibatka korba baik bagi kaum laki-laki maupu kaum perempua. Di Idoesia, Meteri Pemberdayaa Perempua da Aak meyataka bahwa keseaga geder masih teradi dalam pelaksaaa pembagua di setiap tigkata [2]. Berdasarka data terakhir di Kemetria Pemberdayaa Perempua da Aak, setiap tahuya selalu ada selisih atara agka IPM da IPG yag meadaka bahwa masih adaya keseaga atara laki-laki da perempua, dimaa agka IPG lebih redah daripada IPM. Oleh sebab itu, perlu diaalisis faktor-faktor apa saa yag mempegaruhi IPG di Idoesia agar kedepaya pemeritah dapat lebih fokus dalam meagai masalah tersebut. Salah satu metode yag dapat diguaka adalah regresi probit. Metode regresi probit merupaka salah satu metode regresi yag diguaka utuk megaalisis atara variabel respo yag berupa variabel diskrit dega variabel prediktor yag berupa variabel diskrit, kotiyu, maupu campura atara keduaya. Peelitia dega megguaka regresi probit sebelumya perah dilakuka oleh [3] megeai pemodela disparitas geder di Jawa imur megguaka pedekata model regresi probit ordial. [4] meeliti megeai pemetaa da pemodela tigkat partisipasi agkata kera perempua di provisi Jawa imur dega pedekata model probit. Utuk peelitia megeai IPG, variabel pada peelitia kali ii meruuk kepada peelitia yag dilakuka oleh [3] megeai disparitas geder serta [5] megeai aalisis kompoe IPG yag dilakuka pada data di Kalimata imur da Kalimata Selata tahu II. INJAUAN PUSAKA A. Ideks Pembagua Geder (IPG) Ideks Pembagua Geder (IPG) adalah ukura yag diguaka utuk megetahui pembagua mausia [6]. IPG megukur tigkat pecapaia kemampua dasar pembagua mausia yag sama seperti IPM, yaitu harapa hidup, tigkat pedidika, da pedapata amu dega memperhitugka ketimpaga geder. IPG dapat diguaka utuk megetahui keseaga pembagua mausia atara laki-laki da perempua. Keseaga geder dapat dilihat dari selisih atara IPM da IPG. UNDP dalam [7] telah megelompokka tigkata pembagua mausia berdasarka geder (IPG) ke dalam empat kategori, yaitu: kelompok tiggi, ika IPG 80, kelompok meegah atas, ika IPG 66 x < 80, kelompok meegah bawah, ika IPG 50 x < 66, da kelompok redah, ika IPG < 50. Seperti yag telah dielaska sebelumya bahwa IPG megukur tigkat pecapaia kemampua dasar pembagua mausia yag sama seperti IPM, yaitu kesehata, tigkat pedidika, da pedapata. Oleh karea itu, variabel yag diguaka dalam peelitia ii adalah variabel yag dapat mewakili idikator-idikator tersebut.

2 2 Pada bidag pedidika megguaka variabel APS (Agka Partisipasi Sekolah) SD/sederaat, APS SMP/sederaat, da SMA/sederaat, serta persetase peduduk dega pedidika terakhir yag ditamatka adalah SMP. Pada bidag kesehata megguaka variabel persetase peduduk memiliki masalah kesehata da FR. Utuk idikator pedapata megguaka variabel PPP da PAK (igkat Partisipasi Agkata Kera). Selai itu ditambah dega variabel yag dapat meelaska orietasi geder yaitu rasio eis kelami da rasio eis kelami saat lahir. B. Metode Regresi Probit Regresi probit adalah salah satu metode regresi yag diguaka utuk meelaska hubuga atara variabel respo yag merupaka variabel diskrit dega variabel bebas yag berupa variabel diskrit, kotiyu, maupu campura atara keduaya. Regresi probit merupaka sigkata dari Probability Uit, sehigga regresi probit merupaka sebuah metode regresi yag berkaita dega uit-uit probabilitas. Regresi probit uga dikeal sebagai model Normit yag merupaka sigkata dari Normal Probability Uit karea berdasarka fugsi sebara peluag ormal kumulatif baku [8]. Pemodela pada regresi probit diawali seperti pada persamaa berikut: y β X (1) dega β merupaka vektor koefisie parameter [9] dimaa 0 β1 βp β β dega ukura ( p 1) 1, X merupaka vektor variabel bebas dega X 1 x 1 x p dega ukura ( p 1) 1, dimaa p merupaka bayakya variabel prediktor, da ε merupaka error atau kesalaha yag diasumsika berdistribusi ormal stadar, serta y merupaka variabel respo. Fugsi kepadata peluag dari y adalah sebagai berikut: y β X 2 f y e (2) 2 Selautya, dilakuka pegkategoria terhadap y dega memberika treshold tertetu misalya γ. Misalka Y merupaka variabel repo kualitatif yag memiliki 2 kategori. Jika y dikategorika dega Y 0, da ika y maka dikategorika dega Y 1. Sehigga aka diperoleh probabilitas utuk Y 0 da Y 1 sebagai berikut: P ( Y 0) ( β X) (3) P ( Y 1) 1 ( β X) (4) dega β X (.) merupaka fugsi distribusi kumulatif distribusi ormal. Efek margial diguaka utuk megetahui seberapa besar pegaruh dari variabel-variabel idepede yag diduga mempegaruhi variabel respo terhadap probabilitas dari variabel respo dalam peelitia. Rumus yag diguaka adalah sebagai berikut: P ( Y 0) β X (5) x P ( Y 1) - β X (6) x dega. merupaka fugsi distribusi probabilitas dari distribusi ormal stadar. C. Peaksira Parameter Regresi Probit Parameter pada model regresi probit dapat ditaksir dega megguaka metode MLE (Maximum Likelihood Estimatio) da metode Newto-Raphso. Lagkah-lagkah yag diguaka utuk memperoleh peaksir parameter model regresi probit dega megguaka MLE adalah sebagai berikut: 1. Meetuka sampel radom 2. Membetuk fugsi likelihood dari sampel radom. Fugsi likelihoodya adalah sebagai berikut: 1 Y i β X 1 β L( β) X (7) i1 3. Melakuka trasformasi l terhadap fugsi likelihood. Secara matematis dapat ditulis sebagai berikut: β X l L β Y i l l 1 β X (8) i1 1 β X i1 4. Medapatka peaksir utuk β dega memaksimumka fugsi l likelihood, yaitu dega mecari turua pertama fugsi l likelihood pada persamaa (8) Yi β Xβ X Yi i1 1 β X β X l L (9) β Berdasarka hasil peaksira utuk parameter β dega megguaka metode MLE teryata diperoleh fugsi yag implisit sehigga peaksir utuk β tidak dapat lagsug diperoleh. Oleh karea itu, diguaka metode Newto Raphso utuk medapatka peaksir maksimum likelihood utuk β. D. Peguia Parameter Model Regresi Probit Peguia parameter dilakuka utuk megetahui apakah variabel pradiktor yag terdapat dalam model memiliki hubuga yag yata dega variabel respo. 1. Ui Seretak Hipotesis yag diguaka dalam peguia secara seretak adalah sebagai berikut: H 0 : β 1 = β 2 = = β p = 0 H 1 : Palig sedikit ada satu β 0 Statistik ui: G 2l L u l L R dega L u = [P l P + (1 P) l(1 P)], dimaa adalah bayakya sampel, P merupaka proporsi pegamata yag memiliki variabel respo (Y) sama dega 1, L R merupaka fugsi log-likelihood tapa variabel prediktor, da L u merupaka fugsi likelihood dega variabel prediktor. Daerah kritis: olak H 0 apabila ilai P value < α atau ilai 2 G > χ α,b. 2. Ui Parsial Hipotesis yag diguaka adalah sebagai berikut: H 0 : β = 0 H 1 : β 0 dega = 1, 2,, p. Statistik ui: W ~ N(0,1) SE( ) dega adalah peduga da ( ) SE adalah peduga simpaga baku dari. Daerah kritis: olak H 0 apabila W > Z α/2 atau P value < α pada tigkat kepercayaa α.

3 3 E. Ui Kesesuaia Model Regresi Probit Ui kesesuaia model (Goodess of Fit est) diguaka utuk megetahui apakah terdapat perbedaa atara hasil observasi dega kemugkia hasil prediksi [10]. Ui yag diguaka adalah ui Deviace dega hipotesis sebagai berikut: H 0 : idak ada perbedaa atara hasil observasi dega kemugkia hasil prediksi model (model sesuai) H 1 : Ada perbedaa atara hasil observasi dega kemugkia hasil prediksi model (model tidak sesuai) Statistik ui: P i 1 Pi D 2 y i l (1 y i) l i1 yi 1 yi dega P i = P (x i ) merupaka peluag observasi ke-i pada 2 kategori ke-. olak H 0 apabila D > χ db,α. F. Prosedur Klasifikasi Model Regresi Probit Evaluasi prosedur klasifikasi adalah suatu evaluasi yag melihat peluag kesalaha klasifikasi yag dilakuka oleh suatu fugsi klasifikasi [11]. Ukura yag dipakai adalah apparet error rate (APER), utuk meyataka ilai proporsi sampel yag salah diklasifikasika oleh fugsi klasifikasi. Misalka terdapat 2 kelompok, maka: Kelompok yag Seharusya P1 P2 abel 1. abel Klasifikasi Perhituga APER Kelompok yag Diprediksi P1 P2 1 C 1 M = 1 1 C 2 M = 2 2C 2 C Rumus yag diguaka adalah sebagai berikut: 1 M 2M APER(%) (10) 1 2 dega ilai 1 M da 2 M adalah umlah observasi yag tidak tepat diklasifikasika dalam kelompok. Nilai 1 C da 2 C adalah umlah observasi yag tepat diklasifikasika dalam kelompok. G. Aalisis Kelompok Aalisis kelompok (Cluster aalysis) merupaka suatu metode aalisis yag bertuua utuk megelompokka obek-obek pegamata meadi beberapa kelompok sehigga aka diperoleh kelompok dimaa obek-obek dalam satu kelompok mempuyai persamaa sedagka dega aggota kelompok yag lai mempuyai perbedaa [11]. Pada peelitia ii ukura kedekata atar obek yag diguaka adalah arak euclidea. Rumus utuk meghitug arak euclidea atara obek i da pada k variabel yaitu: p d(x i, x ) = k=1 (x ki x k ) 2 (11) dega i = 1, 2,..., = 1, 2,..., da i d(x i, x ) = arak atara dua obek i da x ik = ilai obek i pada variabel k = ilai obek pada variabel k x k Metode pegelompokka yag diguaka adalah metode hirarki karea bayakya kelompok yag mucul belum ditetuka atau tidak diketahui sebelumya. Metode perhituga yag diguaka adalah metode Ward karea metode Ward mecoba utuk memperkecil total umlah kuadrat dalam kelompok. Masig-masig kelompok dibetuk sedemikia higga meghasilka kelompok dega umlah kuadrat yag terkecil da dikeal dega Error Sums of Squares (ESS). Rumus yag diguaka yaitu: dega, k N k K k=1 J =1 N k i=1 ESS = (X ik X.k ) = umlah kelompok = umlah variabel = observasi pada kelompok k III. MEODOLOGI PENELIIAN 2 (12) A. Sumber Data Data yag diguaka dalam peelitia ii merupaka data sekuder. Data yag diambil merupaka data publikasi dari Bada Pusat Statistik (BPS) Republik Idoesia (RI) pada tahu Uit observasi yag diguaka dalam peelitia ii adalah 33 provisi yag ada di Idoesia. B. Variabel Peelitia Variabel respo (Y) dalam peelitia ii adalah variabel IPG. Namu variabel ii dikelompokka terlebih dahulu dega megguaka aalisis cluster. Hasil dari pegelompokka diguaka sebagai variabel respo. Sehigga variabel respo yag diguaka dalam peelitia ii berdasarka kodisi IPG yag ada di Idoesia saat ii. Utuk lebih elasya dapat dilihat pada bab IV. Selai itu, peelitia dilakuka terhadap masig-masig data laki-laki da perempua dega variabel prediktor yag diguaka adalah 9 variabel utuk data laki-laki da 10 variabel utuk data perempua. Variabel prediktor yag diguaka dapat dilihat pada abel 2. Utuk data perempua variabel yag diguaka ditambah dega variabel otal Fertility Rate (FR) sebagai variabel X 10. abel 2. Variabel Prediktor utuk Data Laki-Laki Variabel Keteraga ipe Variabel X1 APS SD/Sederaat Kotiyu X2 APS SMP/Sederaat Kotiyu X3 APS SMA/Sederaat Kotiyu X4 Persetase peduduk pedidika Kotiyu terakhir yag ditamatka adalah SMP X5 PAK Kotiyu X6 Persetase Peduduk Mempuyai Keluha Kesehata Kotiyu X7 Purchasig Power Parity Diskrit (PPP)/Daya Beli X8 Rasio Jeis Kelami Kotiyu X9 Rasio Jeis Kelami Saat Lahir Kotiyu C. Lagkah Peelitia Lagkah-lagkah aalisis data dalam peelitia ii yaitu: 1. Meetuka variabel da medapatka data. 2. Melakuka aalisis cluster terhadap variabel IPG utuk medapatka variabel respo yag diguaka dalam peelitia. 3. Megecek multikoliieritas data. Apabila teradi multikoliieritas maka harus diatasi terlebih dahulu, salah satuya dega meghilagka variabel yag meyebabka multikoliieritas teradi.

4 4 4. Melakuka pemodela dega megguaka regresi probit terhadap faktor-faktor yag mempegaruhi IPG di Idoesia dega lagkah-lagkah sebagai berikut: a. Meetuka model regresi probit dega variabel respo da variabel prediktor yag diguaka dalam peelitia. b. Melakuka ui sigifikasi parameter regresi probit secara seretak da parsial utuk megetahui variabel prediktor yag berpegaruh sigifika terhadap variabel respo. c. Megiterpretasika model regresi probit terbaik yag diperoleh. d. Melakuka ui kesesuaia model. e. Meghitug ketepata klasifikasi model regresi probit. 5. Mearik kesimpula. IV. HASIL DAN PEMBAHASAN A. Karakteristik Pembagua Geder di Idoesia Perkembaga IPG di Idoesia secara keseluruha dari tahu selalu megalami peigkata. Hal ii meelaska bahwa pecapaia pembagua geder di Idoesia dari waktu ke waktu semaki membaik. Namu perlu diperhatika bahwa peigkata IPG selama kuru waktu tahu tersebut belum dapat memberika gambara yag baik apabila dilihat dari keragka pecapaia persamaa status da keduduka meuu kesetaraa da keadila geder. Hal ii dikareaka pecapaia IPG selama kuru waktu tersebut masih belum mampu meguragi arak secara yata dalam pecapaia kapabilitas dasar atara peduduk laki-laki da perempua. 68,69 63,94 69,57 70,08 70,59 71,17 71,76 72,27 72,77 73,29 65,13 65,27 65,81 66,38 66,77 67,2 67,8 68, IPM IPG Gambar 1. Perkembaga IPM &IPG di Idoesia h Dari 33 provisi yag ada di Idoesia, 17 provisi termasuk kelompok meegah atas dalam pecapaia pembagua mausia berdasarka geder da 16 provisi termasuk dalam kelompok meegah bawah. Hal ii berdasarka pembagia kelompok dari UNDP. Pada tahu 2012, masih teradi keseaga geder di seluruh provisi yag ada di Idoesia. Seperti yag telah dielaska sebelumya bahwa secara kasaraya hal ii dapat dilihat dari IPG yag masih berada di bawah IPM. Secara keseluruha, provisi yag memiliki selisih terbesar adalah provisi Kalimata imur sebesar 14,85, sedagka provisi yag memiliki selisih terkecil adalah provisi Nusa eggara imur sebesar 2,29. Walaupu begitu, ilai tersebut tidak dapat diiterpretasika secara lagsug bahwa provisi yag memiliki selisih terbesar memiliki keseaga geder yag besar da begitu pula sebalikya. Perlu dilakuka aalisis yag lebih medalam utuk medefiisika hal tersebut. Berdasarka hasil perhituga diketahui bahwa rata-rata IPG pada tahu 2012 secara keseluruha adalah sebesar 66,02. Nilai varias sebesar 15,31 da deviasi stadar sebesar 3,91 meelaska megeai keragama data. Berdasarka ilai tersebut dapat dikataka bahwa pecapaia pembagua geder atau IPG atar provisi di Idoesia tidak terlalu auh atara satu provisi dega provisi yag laiya. IPG terkecil adalah di provisi Nusa eggara Barat sebesar 57,58 da IPG terbesar adalah sebesar 74,66 di provisi DKI Jakarta. B. Pegelompokka IPG di Idoesia ahu 2012 dega Megguaka Aalisis Cluster Berdasarka perhituga, didapatka bahwa umlah cluster yag optimum adalah sebayak 2 cluster. Sehigga didapatka iformasi bahwa pegelompokka IPG meurut provisi berdasarka batasa yag diberika oleh UNDP sama dega hasil cluster dimaa terbetuk 2 kelompok. Namu, dalam hasil aalisis cluster, aggota kelompokya berbeda, dihitug berdasarka kedekata karakteristik setiap provisi. Utuk mempermudah melihat pegelompokka yag terbetuk, maka dilakuka pemetaa secara visual utuk kedua kelompok yag dapat dilihat pada Gambar 2. Wara oraye utuk provisi yag termasuk kelompok IPG redah sedagka wara krim utuk provisi yag termasuk kelompok IPG tiggi. Gambar 2.Pegelompokka Provisi Berdasarka Aalisis Cluster Berdasarka hasil pegelompokka tersebut teryata dapat diketahui bahwa teradi perbedaa yag sigifika atara pegelompokka yag didasarka pada keluara UNDP da aalisis cluster. Kelompok 1 memuat provisiprovisi yag memiliki IPG lebih tiggi dari rata-rata Nasioal dega selag iterval atara 68,54 74,66. Sedagka kelompok 2 memiliki IPG lebih redah dari ratarata IPG secara Nasioal dega selag iterval 57,58 66,80. Pada pegelompokka dari hasil cluster, dapat dilihat bahwa batasa atara kelompok 1 da kelompok 2 sagat elas. Sehigga tidak aka meimbulka keragua dalam pegelompokka. Oleh karea itu dalam peelitia ii aka diguaka variabel respo dega megguaka hasil pegelompokka dari aalisis cluster, agar lebih sesuai dega keadaa di Idoesia yag sebearya. abel 3. Variabel Respo Variabel Keteraga Y=0 Kelompok IPG tiggi Y=1 Kelompok IPG redah C. Peguia Multikoliieritas pada Variabel Prediktor Multikoliieritas atarvariabel prediktor dapat dilihat dari ilai VIF. Nilai VIF>5 megidikasika bahwa teradi korelasi atar variabel prediktor. abel 4 meuukka ilai VIF dari variabel prediktor utuk data laki-laki da perempua. abel 4. Nilai VIF utuk Setiap Variabel pada Data Laki-Laki da Perempua Variabel (L) VIF Variabel (P) VIF X1 4,07 X1 6,82 X2 5,10 X2 10,07 X3 3,13 X3 3,19 X4 1,72 X4 2,24 X5 1,71 X5 2,14 X6 1,83 X6 1,68

5 5 abel 4. Nilai VIF utuk Setiap Variabel pada Data Laki-Laki da Perempua (Lauta) X7 1,41 X7 1,74 X8 1,59 X8 1,51 X9 2,06 X9 1,59 X10 2,09 Berdasarka abel 4 dapat diketahui bahwa teradi multikoliieritas pada data laki-laki da perempua karea ilai VIF > 5. Lagkah selautya adalah megatasi multikoliieritas tersebut, salah satuya dega meghilagka variabel yag meyebabka multikoliieritas teradi. Pada data laki-laki, variabel yag meyebabka teradiya multikoliieritas adalah variabel X 2, sedagka pada data perempua adalah variabel X 1 da X 2. Maka, utuk aalisis selautya, variabel X 1 da X 2 tidak diikutsertaka. D. Pemodela Regresi Probit utuk Data Laki-Laki Peguia parameter dalam model regresi probit dilakuka utuk megetahui apakah variabel prediktor yag terdapat dalam model memiliki hubuga yag yata dega variabel respo. erdapat dua peguia yag dilakuka, yaitu peguia secara peguia secara seretak da peguia secara parsial. Berdasarka hasil peguia secara seretak, didapatka iformasi bahwa ilai P-value (0,125) kurag dari ilai α(20%) sehigga keputusa yag diperoleh adalah tolak H 0. Jadi, dapat disimpulka bahwa terdapat palig sedikit satu variabel prediktor yag berpegaruh terhadap IPG. Berdasarka hasil ui parsial didapatka bahwa parameter yag sigifika terhadap adalah variabel X 9 (rasio eis kelami saat lahir. Parameter pada variabel tersebut sigifika pada taraf α = 20%. abel 5. Nilai Koefisie da P-value pada Masig-masig Parameter Model Probit utuk Data Laki-Laki X1-0,452 0,325 X3-0,053 0,401 X4-0,066 0,660 X5 0,062 0,669 X6-0,059 0,491 X7-0, ,401 X8-0,071 0,346 X9 0,425 0,130 = sigifika pada taraf α = 20% Setelah melakuka peguia secara seretak da parsial, lagkah selautya adalah memilih model terbaik. Pemiliha model terbaik dilakuka dega megguaka metode Backward. Pemiliha model dega metode ii dilakuka dega terlebih dahulu membuat model secara legkap dari seluruh variabel prediktor. Kemudia model tersebut dievaluasi kembali dega megeluarka variabel yag tidak sigifika satu per satu sampai memperoleh seluruh variabel prediktor yag sigifika. Berdasarka metode Backward, didapatka bahwa model regresi probit terbaik adalah model dega variabel prediktor X 1 yaitu APS SD/sederaat da X 9 yaitu rasio eis kelami saat lahir. Nilai koefisie da P-value utuk masig-masig variabel dapat dilihat pada abel 6. abel 6. Nilai Koefisie da P-value pada Masig-masig Parameter Model Probit erbaik X1-0,775 0,022 X9 0,324 0,103 = sigifika pada taraf α = 20% Sehigga, persamaa model regresi probit terbaik utuk data laki-laki adalah sebagai berikut: y = 42,269 0,775X 1 + 0,324X 9 Setelah medapatka model regresi probit terbaik, kemudia dilakuka peguia secara seretak da parsial kembali. Berdasarka hasil peguia secara seretak, didapatka iformasi bahwa ilai P-value (0,005) kurag dari ilai α (20%) sehigga keputusa yag diperoleh adalah tolak H 0. Jadi, dapat disimpulka bahwa terdapat palig sedikit satu variabel prediktor yag berpegaruh terhadap IPG. Berdasarka abel 4.6, didapatka iformasi bahwa dega α = 20%, seluruh parameter pada variabel X 1 da X 9 masig-masig berpegaruh sigifika terhadap variabel respo. Iterpretasi utuk model regresi probit yag didapatka, yaitu misalka diambil data dari salah satu provisi, yaitu provisi Papua Barat, dega dega X 1 = 95,31; da X 9 = 105,72; maka aka didapatka P(Y = 1) = 0,996. Jadi, probabilitas provisi Papua Barat masuk ke dalam kelompok IPG redah dega ilai-ilai tersebut adalah sebesar 0,996. Sedagka probabilitas provisi Papua Barat masuk ke dalam kelompok IPG tiggi P(Y = 0) adalah sebesar 0, Efek margial diguaka utuk megetahui seberapa besar pegaruh perubaha variabel prediktor terhadap probabilitas suatu provisi termasuk dalam kelompok IPG redah atau tiggi. Misalka suatu provisi dega X 1 = 95,31; da X 9 = 105,72; maka efek margial dari variabel APS SD/sederaat adalah sebagai berikut: X 1 = 0,00906 Artiya bahwa setiap perubaha APS SD/sederaat sebesar 1% maka aka meuruka probabilitas suatu provisi masuk ke dalam kategori IPG kelompok redah sebesar 0, Selautya, utuk megetahui efek margial dari variabel rasio eis kelami saat lahir adalah sebagai berikut: X 9 = 0,00379 Artiya bahwa setiap perubaha rasio eis kelami saat lahir sebesar 1% maka aka meigkatka probabilitas suatu provisi masuk ke dalam kategori IPG kelompok redah sebesar 0, Ui kesesuaia model diguaka utuk megetahui apakah terdapat perbedaa atara hasil observasi dega kemugkia hasil prediksi. Berdasarka hasil peguia didapatka ilai P-value sebesar 0,463 yag berarti P-value > 0,20 sehigga keputusa yag diambil adalah gagal tolak H 0. Jadi, dapat disimpulka bahwa tidak ada perbedaa atara hasil observasi dega kemugkia hasil prediksi model. Atau dega kata lai model telah sesuai. Ketepata klasifikasi yag diprediksi dari model regresi probit yaitu sebesar 80%. Artiya, variabel respo yag dapat dielaska oleh variabel prediktor pada model ii adalah sebesar 80%. E. Pemodela Regresi Probit utuk Data Perempua Peguia parameter dalam model regresi probit dilakuka utuk megetahui apakah variabel prediktor yag terdapat dalam model memiliki hubuga yag yata dega variabel respo. erdapat dua peguia yag dilakuka, yaitu peguia secara peguia secara seretak da peguia secara parsial. Berdasarka hasil peguia secara seretak, didapatka iformasi bahwa ilai P-value sebesar 0,005 yag kurag dari ilai α (20%) sehigga keputusa yag diperoleh adalah tolak H 0. Jadi, dapat disimpulka bahwa terdapat palig sedikit satu variabel prediktor yag

6 6 berpegaruh terhadap IPG. Berdasarka hasil ui parsial didapatka bahwa parameter variabel yag sigifika terhadap variabel respo adalah variabel X 3 (APS SMA/sederaat), X 4 (persetase peduduk dega pedidika terakhir yag ditamatka adalah SMP), X 5 (PAK), X 8 (rasio eis kelami) da variabel X 9 (rasio eis kelami saat lahir). abel 4.7 Nilai Koefisie da P-value pada Masig-masig Parameter Model Probit utuk Data Perempua X3-0,102 0,070 X4-0,313 0,193 X5-0,246 0,016 X6-0,062 0,611 X7-0, ,317 X8-0,233 0,189 X9 0,954 0,116 X10 1,305 0,419 = sigifika pada taraf α = 20% Setelah melakuka peguia secara seretak da parsial, lagkah selautya adalah memilih model terbaik. Pemiliha model terbaik dilakuka dega megguaka metode Backward. Pemiliha model dega metode ii dilakuka dega terlebih dahulu membuat model secara legkap dari seluruh variabel prediktor. Kemudia model tersebut dievaluasi kembali dega megeluarka variabel yag tidak sigifika satu per satu sampai memperoleh seluruh variabel prediktor yag sigifika. Berdasarka metode Backward, didapatka bahwa model regresi probit terbaik adalah model dega variabel prediktor X 3 yaitu APS SMA/sederaat, X 5 yaitu PAK, X 7 yaitu PPP, da X 9 yaitu rasio eis kelami saat lahir. abel 4.8 Nilai Koefisie da P-value pada Masigmasig Parameter Model Probit erbaik X3-0,101 0,033 X5-0,121 0,016 X7-0, ,081 X9 0,462 0,059 = sigifika pada taraf α = 20% Sehigga, persamaa model regresi probit terbaik utuk data perempua adalah sebagai berikut: y = 6,459 0,101X 3 0,121X 5 0,00005X 7 + 0,462X 9 Setelah medapatka model regresi probit terbaik, kemudia dilakuka peguia secara seretak da parsial kembali. Berdasarka hasil peguia secara seretak, didapatka iformasi bahwa ilai P-value (0,004) yag kurag dari ilai α (20%) sehigga keputusa yag diperoleh adalah tolak H 0. Jadi, dapat disimpulka bahwa terdapat palig sedikit satu variabel prediktor yag berpegaruh terhadap IPG. Berdasarka abel 4.11 didapatka iformasi bahwa dega α = 20%, seluruh parameter pada variabel X 3, X 5, X 7, da X 9 masig-masig berpegaruh sigifika terhadap variabel respo. Iterpretasi utuk model regresi probit yag didapatka, yaitu misalka diambil data dari salah satu provisi, yaitu provisi Papua, dega X 3 = 48,23; X 5 = 68,36; X 7 = ; da X 9=110,13 maka aka didapatka P(Y = 1) = 0,751. Jadi, probabilitas provisi Papua Barat masuk ke dalam kelompok IPG redah dega ilai-ilai tersebut adalah sebesar 0,751. Sedagka Jadi, probabilitas provisi Papua masuk ke dalam kelompok IPG redah dega ilai-ilai tersebut adalah sebesar 0,751. Sedagka probabilitas provisi Papua masuk ke dalam kelompok IPG tiggi (P(Y=0)) adalah sebesar 0,249. Efek margial diguaka utuk megetahui seberapa besar pegaruh perubaha variabel prediktor terhadap probabilitas suatu provisi termasuk dalam kelompok IPG redah atau tiggi. Pada hasil aalisis dega regresi probit sebelumya, didapatka bahwa variabel yag sigifika berpegaruh terhadap variabel respo adalah variabel X 3, X 5, X 7, da X 9. Misalka suatu provisi dega X 3 = 48,23; X 5 = 68,36; X 7 = ; da X 9=110,13; maka efek margial dari variabel APS SMA/sederaat adalah sebagai berikut: X 3 = 0,032 Artiya bahwa setiap perubaha variabel APS SMA/sederaat sebesar 1% maka aka meuruka probabilitas suatu provisi masuk ke dalam kategori IPG kelompok redah sebesar 0,032. Selautya utuk medapatka ilai efek margial dari variabel PAK adalah sebagai berikut: X 5 = 0,038 Efek margial dari variabel PAK adalah sebesar -0,032. Artiya bahwa setiap perubaha variabel PAK sebesar 1% maka aka meuruka probabilitas suatu provisi masuk ke dalam kategori IPG kelompok redah sebesar 0,038. Efek margial dari variabel PPP adalah sebagai berikut: X 7 = 0, Artiya bahwa setiap perubaha variabel PPP sebesar 1% maka aka meuruka probabilitas suatu provisi masuk ke dalam kategori IPG kelompok redah sebesar 0, Sedagka utuk medapatka ilai efek margial dari variabel rasio eis kelami saat lahir adalah sebagai berikut: X 9 = 0,146 Artiya bahwa setiap perubaha variabel rasio eis kelami saat lahir sebesar 1% maka aka meigkatka probabilitas suatu provisi masuk ke dalam kategori IPG kelompok redah sebesar 0,146. Ui kesesuaia model diguaka utuk megetahui apakah terdapat perbedaa atara hasil observasi dega kemugkia hasil prediksi. Berdasarka hasil peguia, didapatka ilai P-value sebesar 0,630 yag berarti P-value > 0,20. Sehigga keputusa yag diambil adalah gagal tolak H 0. Jadi, dapat disimpulka bahwa tidak ada perbedaa atara hasil observasi dega kemugkia hasil prediksi model. Atau dega kata lai model telah sesuai. Ketepata klasifikasi yag diprediksi dari model regresi probit terbaik utuk data perempua yaitu sebesar 86,1%. Artiya, variabel respo yag dapat dielaska oleh variabel prediktor pada model ii adalah sebesar 86,1%. V. KESIMPULAN DAN SARAN Berdasarka hasil da pembahasa pada bagia IV, maka diperoleh kesimpula sebagai berikut: 1. Perkembaga IPG di Idoesia secara keseluruha dari tahu selalu megalami peigkata. Hal ii meelaska bahwa pecapaia pembagua geder di Idoesia dari waktu ke waktu semaki membaik. Namu, masih terdapat keseaga atau gap atara peduduk laki-laki da perempua di seluruh provisi di Idoesia. Keseaga tersebut dapat dilihat diberbagai bidag seperti pedidika, kesehata, da sumbaga pedapata.

7 7 2. Faktor-faktor yag mempegaruhi IPG pada peduduk laki-laki ataralai APS SD/sederaat da rasio eis kelami saat lahir, dega model regresi probit yag didapatka yaitu: y = 42,269 0,775X 1 + 0,324X 9 Persamaa diatas dapat diiterpretasika bahwa APS SD/sederaat berpearuh egatif terhadap probabilitas suatu provisi termasuk dalam kelompok IPG redah. Sedagka rasio eis kelami saat lahir berpegaruh positif terhadap probabilitas suatu provisi termasuk dalam kelompok IPG redah. Sedagka faktor yag mempegaruhi IPG pada peduduk perempua yaitu yaitu APS SMA/sederaat, PAK, PPP, da rasio eis kelami saat lahir, dega model regresi probit yag didapatka adalah sebagai berikut: y = 6,459 0,101X 3 0,121X 5 0,00005X 7 + 0,462X 9 Persamaa diatas dapat diiterpretasika bahwa APS SMA/sederaat, PAK, da PPP berpegaruh egatif terhadap probabilitas suatu provisi termasuk dalam kelompok IPG redah. Sedagka rasio eis kelami saat lahir berpegaruh positif terhadap probabilitas suatu provisi termasuk dalam kelompok IPG redah Sara yag diberika oleh peulis utuk pemeritah agar lebih memperhatika pecapaia kapabilitas dasar peduduk laki-laki da perempua agar keseaga atara keduaya tidak meadi besar. DAFAR PUSAKA [1] Kemetria Pemberdayaa Perempua da Perliduga Aak Pembagua Mausia Berbasis Geder Jakarta: Kemetria Pemberdayaa Perempua da Perliduga Aak. [2] empo Lida Gumelar: Pembagua Geder Masih ertiggal. ersedia di Gumelar-Pembagua-Geder-Masih-ertiggal, diakses pada 28 Jauari [3] Hafizh, Q. U Pemodela Disparitas Geder di Jawa imur dega Pedekata Model Regresi Probit Ordial. ugas Akhir S1 yag tidak dipublikasika. Jurusa Statistika FMIPA Istitut ekologi Sepuluh Nopember Surabaya. [4] Yuliati, R.A & Ratasari, Vita Pemetaa da Pemodela igkat Partisipasi Agkata Kera Perempua Di Provisi Jawa imur dega Pedekata Model Probit. Jural Sais da Sei POMIS. Vol 2, hal [5] Hakim, L. J Aalisis Kompoe Ideks Pembagua Geder dega Geographically Weighted Multivariate Regressio Model di Provisi Kalimata imur da Kalimata Selata ahu esis S2 yag tidak dipublikasika. Jurusa Statistika FMIPA Istitut ekologi Sepuluh Nopember Surabaya. [6] Asmato, Priadi Evaluasi Milleium Developmet Goals (MDGs) Idoesia: Kesetaraa Geder da Pemberdayaa Perempua. ersedia di SSRN: diakses pada 30 Jauari [7] Kemetria Pemberdayaa Perempua da Perliduga Aak Pembagua Mausia Berbasis Geder Jakarta: Kemetria Pemberdayaa Perempua da Perliduga Aak. [8] Guarati, D. N Basic Ecoometrics, Fourth Editio. New York: McGraw-Hill. [9] Greee, W. H Ecoometric Aalysis. USA: Pearso Pretice Hall. [10] Hosmer, D.W & Lemeshow, Staley Applied Logistic Regressio Secod Editio.USA: Joh Wiley & Sos. [11] Johso, R. A & Wicher, D. W Applied Multivariate Statistical Aalysis, Sixth Editio. New Jersey: Pearso Pretice Hall.