D-350 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print)

Transkripsi

1 D-350 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (206) ( X Prit) Pemodela da Pemetaa Kasus Jumlah Peduduk Miski di Provisi Jambi pada Tahu 204 dega Megguaka Geographically Weighted Negative Biomial Regressio (GWNBR) Irdo Jasmadi, Dwiatmoo Agus Widodo, Pratya Paramitha Oktaviaa Jurusa Statistika, Fakultas MIPA, Istitut Tekologi Sepuluh Nopember (ITS) Jl. Arief Rahma Hakim, Surabaya 60 Idoesia dwiatmoo@statistika.its.ac.id, paramita@statistika.its.ac.id Abstrak Kemiskia merupaka suatu keadaa yag serig dihubugka dega kebutuha, kesulita da kekuraga di berbagai keadaa hidup. Jumlah peduduk miski di Provisi Jambi masih dikategorika tiggi. Peelitia ii igi medapatka model berdasarka Kabupate/Kota di Provisi Jambi megguaka metode Geographically Weighted Negative Biomial Regressio (GWNBR). Hasil pemodela dega metode GWNBR meujukka bahwa faktor-faktor yag mempegaruhi jumlah peduduk miski yag terjadi secara global di seluruh Kabupate/Kota di Provisi Jambi meliputi Produk Domestik Regioal Bruto Atas Dasar Harga Berlaku per kapita, Kepadata peduduk, Persetase rumah tagga yag meempati rumah dega status tidak milik sediri, da Jumlah fasilitas kesehata. Kata Kuci Geographically Weighted Negative Biomial Regressio, Overdispersi, Kemiskia. K I. PENDAHULUAN emiskia merupaka suatu keadaa yag serig dihubugka dega kebutuha, kesulita da kekuraga di berbagai keadaa hidup. Jumlah peduduk miski di provisi Jambi mulai tahu 203 sebayak 8,07% higga 204 sebayak 263,8 ribu atau 7,9% da agka tersebut lebih redah dari tigkat kemiskia Nasioal. Walaupu agka tersebut dikategorika redah, aka tetapi agka tersebut masih jauh dari target pemeritaha provisi Jambi utuk megetaska kemiskia higga agka 5% ditahu 205 []. Aspek spasial petig utuk dikaji dalam peelitia jumlah peduduk miski, dikareaka keadaa ekoomi da social disuatu wilayah meetuka tigkat kemiskia diwilayah tersebut. Perbedaa faktor-faktor yag berpegaruh di masig-masig topografi meujukka adaya pegaruh kodisi lokal dari suatu wilayah tertetu dalam meetuka faktor-faktor yag sigifika dalam pemodela kemiskia. Oleh karea itu, pada peelitia ii dilakuka aalisis dega memperhatika faktor spasial sehigga hasil pemodela jumlah kasus kemiskia mugki dapat meggambarka pola hubuga yag lebih baik daripada aalisis regresi global. Pemodela dega memperhatika faktor spasial megguaka Geographically Weighted Negative Biomial Regressio (GWNBR), dimaa setiap wilayah pasti memiliki kodisi geografis yag berbeda sehigga meyebabka adaya perbedaa jumlah kasus kemiskia atara wilayah satu dega wilayah yag laiya sesuai dega karakteristik wilayah tersebut. Peelitia ii igi medapatka model da pemetaa kasus jumlah peduduk miski di Provisi Jambi pada tahu 204 megguaka Geographically Weighted Negative Biomial Regressio (GWNBR). II. Statistika Deskriptif TINJAUAN PUSTAKA Statistika deskriptif adalah metode-metode yag berkaita dega pegumpula da peyajia gugus data sehigga memberika iformasi yag bergua. Statistika deskriptif memberika iformasi haya megeai data yag dimiliki da sama sekali tidak mearik kesimpula apapu tetag sekumpula data yag lebih besar [2]. Regresi Poisso Regresi poisso merupaka aalisis regresi oliear diguaka dalam megaalisis data diskrit (cout). Jika variabel Y berdistribusi poisso maka fugsi peluag dari distribusi poisso dapat diyataka sebagai berikut [3] y e f ( y, ), y 0,,2,... () y! Dega μ merupaka rata-rata variabel radom Y yag berdistribusi poisso dimaa ilai rata-rata da varias mempuyai ilai lebih dari ol. Persamaa regresi poisso dapat diyataka sebagai berikut. k i exp 0 j xij (2) j Peaksira parameter dilakuka dega megguaka metode Maximum Likelihood Estimatio (MLE) yaitu dega cara memaksimumka fugsi likelihood. Fugsi likelihood dirumuska sebagai berikut. x l L( β) e T i β T yixi β l( yi!) (3) i i i Pegujia sigifikasi parameter terdiri dari uji seretak da parsial yaitu megguaka Maximum Likelihood Ratio Test (MLRT).

2 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (206) ( X Prit) D-35 Overdispersi Overdispersi adalah kodisi dimaa ilai varias lebih besar dari ilai mea {Var(Y) > E(Y)}, yag artiya sifat equidispersio tidak terpeuhi. Overdispersio meyebabka taksira parameter model mejadi bias da tidak efisie. Selai itu, over-dispersio meyebabka tigkat kesalaha model semaki besar da regresi poisso mejadi tidak sesuai [4]. Regresi Biomial Negatif Utuk megatasi kasus Overdispersi dapat dilakuka dega regresi biomial egatif. Model regresi biomial egatif mempuya fugsi sebagai berikut. f ( yi i, ) yi y y i i i i i dega y i = 0,,2,... Estimasi parameter regresi biomial egatif diyataka sebagai berikut. (4) i exp( 0 xi 2 x2i k xki ) (5) Heterogeitas Spasial Pegujia heterogeitas spasial diguaka utuk melihat perbedaa karakteristik atara satu titik pegamata dega titik pegamata laiya meyebabka adaya heterogeitas spasial. Utuk melihat adaya heterogeitas spasial pada data dapat dilakuka pegujia Breusch-Paga [5]. Dega hipotesis sebagai berikut. H 0 :σ 2 = σ 2 2 = = σ 2 = σ 2 (variasi atar lokasi sama) H : Miimal adasatu σ 2 i σ 2, i=,2,..., (variasi atar lokasi berbeda) dega statistik uji Breusch-Paga (BP) adalah sebagai berikut. BP = ( 2 ) ft Z(Z T Z) Z T f~χ 2 (p) (6) dega e i = y i y i f = (f, f 2,, f ) T degaf i = e i 2 σ 2 σ 2 = varias dari y e 2 i = kuadrat sisaa utuk pegamata ke-i Z = matriks berukura x(p+) yag berisi vektor yag sudah di ormal bakuka (z) utuk setiap pegamata. Kriteria peolaka yaitu tolak H 0 jika statistik uji BP > χ 2 (α,p) yag artiya adalah variasi atar lokasi berbeda. Depedesi Spasial Pegujia depedesi spasial diguaa utuk melihat apakah pegamata pada suatu lokasi bergatug pada lokasi pegamata lai yag letakya berdekata. Statistik uji yag diguaka dalam autokorelasi spasial adalah Mora s I. Mora s I adalah ukura hubuga atara pegamata yag salig berdekata [5]. Hipotesis yag diguaka sebagai berikut. H 0 : I = 0 (tidak ada depedesi spasial) H : I 0 (ada depedesi spasial) dega statistik uji Mora s I sebagai berikut Z Ihit = I E(I ) (7) Var (I ) dimaa I = i= k= W ik(y i y )(y k y ) ( W ik ) (y i y ) 2 i= k= i= = bayak pegamata y = ilai rata-rata dari y i dari lokasi y i = ilai pegamata pada lokasi ke-i y k = ilai pegamata pada lokasi ke-k w ik = eleme matriks pembobot Kerel Fixed Gaussia Kriteria peolaka yaitu tolak H 0 jika ilai Z Ihit > Zα 2 yag artiya terdapat depedesi spasial. Badwidth da Pembobot Optimum Faktor pembobot utuk setiap lokasi berbeda-beda. Fugsi pembobot yag diguaka adalah fugsi Kerel Fixed Gaussia yag dapat ditulis sebagai berikut. w ik = exp ( (d ik 2 b ) 2 ) (8) dega d ik = (u i u k ) 2 + (v i v k ) 2 b = ilai badwidth optimum pada tiap lokasi Geographically Weighted Negative Biomial Regressio (GWNBR) Model Geographically Weighted Negative Biomial Regressio (GWNBR) merupaka salah satu metode yag cukup efektif meduga data yag memiliki heterogeitas spasial utuk data cout yag memiliki overdispersi. Model GWNBR merupaka pegembaga dari model regresi biomial egatif. Model GWNBR aka meghasilka parameter lokal dega masig-masig lokasi aka memiliki parameter yag berbeda-beda [6]. Model GWNBR dapat dirumuska sebagai berikut. p y i ~NB[exp( j=0 β j (u i, v i )x ij ), θ(u i, v i )], i =,2,3,, (9) Estimasi parameter model GWNBR diyataka sebagai beikut. L(β (ui,v i ), θ i y i, x i ) = ( (r + ) θ i y i r=0 ) i= ( (y i!) i= θi ) +θ i μ i y i r=0 ( θ iμ i +θ i μ i ) y i l L(β (ui,v i ), θ i y i, x i ) = [ l(r + θ i )) l (y i!) + θ i l ( + θ i μ i ) + y i l ( θ iμ i )] +θ i μ i y = [ i i= l(r + θ r=0 i )) l (y i!) + y i l θ i μ i (y i + θ i )l ( + θ i μ i )] (0) Kemiskia Pegertia kemiskia secara umum dipahami dega suatu permasalaha yag dikaitka dega sektor ekoomi masyarakat, padahal jika dilihat secara luas kemiskia dapat dilihat dari sudut padag baik sosial maupu budaya dari masyarakat. Kemiskia merupaka sebuah permasalaha yag serig dihadapi oleh masyarakat dimaa terdapat kodisi ketidak mampua utuk memeuhi kebutuha hidup sehari-hari dimulai dari pemeuha papa, sadag, maupu paga. Feomea seperti hal ii biasa terjadi dikareaka redahya peghasila masyarakat da juga redahya kualitas sumber daya mausia itu sediri [7]. III. Sumber Data METODOLOGI PENELITIAN Data yag diguaka dalam peelitia ii adalah data sekuder. Data yag diguaka diambil dari Bada Pusat Statistik (BPS) Provisi Jambi. Dalam peelitia ii yag mejadi uit aalisis adalah kab/kota di provisi Jambi.

3 D-352 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (206) ( X Prit) Variabel Peelitia Variabel yag diguaka dalam peelitia ii ada dua yaitu variabel depede da variabel idepede, lebih tepatya dijelaska pada Tabel. Variabel Y TABEL. VARIABEL PENELITIAN Keteraga Jumlah peduduk miski tiap kabupate/kota (jiwa) PDRB ADHB per kapita tiap Kabupate/kota (Juta) Persetase pegaggura terbuka tiap Kabupate/kota(%) Kepadata peduduk tiap Kabupate/Kota X 4 Pertumbuha ekoomi tiap Kabupate/Kota (%) Persetase tumah tagga yag meempati rumah dega status tidak milik sediri (%) Jumlah Fasilitas kesehata tiap Kabupate/Kota Lagkah Aalisis. Medeskripsika karakteristik jumlah peduduk miski di Provisi Jambi pada tahu 204 megguaka pemetaa wilayah utuk masigmasig variabel. 2. Pegujia kasus multikoliieritas berdasarka kriteria korelasi da VIF 3. Megaalisis regresi Poisso \ 4. Pegujia overdispersi atau uderdispersi. 5. Megaalisis regresi Biomial Negatif 6. Memodelka GWNBR utuk kasus jumlah peduduk miski di Provisi Jambi pada tahu 204, dega lagkah-lagkah sebagai berikut. a. Uji Breusch-Paga utuk melihat heterogeitas spasial data b. Meguji depedesi spasial data dega Mora s I c. Meghitug jarak Euclidea atar lokasi pegamata berdasarka posisi geografis. d. Medapatka badwidth optimal utuk setiap lokasi pegamata dega megguaka Cross Validatio (CV) e. Meghitug matrik pembobot dega megguaka fugsi kerel Fixed Gaussia f. Pemodela GWNBR g. Melakuka itepretasi model GWNBR yag didapatka da membetuk peta pegelompokka. IV. ANALISIS DAN PEMBAHASAN Pada bab ii aka dibahas megeai karakteristik jumlah peduduk miski di Provisi Jambi, pemetaa jumlah peduduk miski berdasarka varibel yag sigifika dega metode GWNBR Deskripsi Jumlah Peduduk Miski di Provisi Jambi Variabel Y X 4 TABEL 2. STATISTIKA DESKRIPTIF VARIABEL PENELITIAN Ratarata 2568,00 48,53 5,03 37,00 7,50 8,86 73,73 Varias Miimu Maksimum ,00 608,7 9, ,00,9 88,4 645, ,0 27,9,3 39,0 5,9 7,2 5, ,00 00,20 0, ,00 9,90 36,05,00 Tabel 2 meujukka bahwa rata-rata peduduk miski di Kab/Kota Provisi Jambi cukup tiggi yaitu Gambar. Persebara jumlah peduduk miski di Provisi Jambi (Y) Berdasarka Gambar terlihat bahwa Sembila Kabupate/Kota di Provisi Jambi jumlah peduduk miskiya masih diatas 5%. Deteksi Multikoliieritas TABEL 3. NILAI VIF MASING-MASING VARIABEL PREDIKTOR Xi X 4 Nilai VIF Berdasarka Tabel 3 diperoleh iformasi bahwa semua variabel prediktor memiliki ilai VIF<0. Ii medeteksi bahwa tidak terdapat variabel prediktor yag mejali korelasi dega variabel prediktor laiya yag berarti tidak terdpat kasus multikoliieritas. Dega demikia semua variabel prediktor diikutsertaka dalam aalisis Model Regresi Poisso Setelah dilakuka pedeteksia kasus multikoliieritas da tidak terdapat multikoliieritas, selajutya keeam variabel prediktor yag diguaka aka dicari hubugaya terhadap jumlah peduduk miski yag terdapat di Provisi Jambi dega cara memodelka megguaka aalisis Regresi Poisso. Berikut adalah hasil estimasi parameter model regresi Poisso TABEL 4. ESTIMASI PARAMETER MODEL REGRESI POISSON Parameter Estimasi SE Z P_Value β 0 β β 2 β 3 β 4 β 5 β 6 7,650 0,0090-0,0950 0,0006 0,550-0,0060 0,050 0,0520 0,0002 0,0020 0,0004 0,003 0,0003 0, ,40 47,5-47,6 62,74 49,5-5,62 74,6 Berdasarka aalisis diketahui P_value dari semua parameter lebih kecil dari 0,0. Selai itu, ilai Z hitug dari semua parameter lebih besar dari Z (α/2) =,645. Dega demikia diambil keputusa tolak H 0 utuk semua parameter, yag berarti β, β 2, β 3, β 4, β 5, β 6 sigifika berpegaruh terhadap model, sehigga model regresi Poisso yag dihasilka dapat dituliska. l(μ ) = 7,65 + 0,0099 0, , ,555X 4 0, ,0529

4 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (206) ( X Prit) D-353 Overdispersi Nilai devias model regresi Poisso sebesar 625,4 dega derajat bebas 4 sehigga rasio ilai devias dega derajat bebasya berilai 562,85. Nilai tersebut lebih besar dari yag artiya data jumlah peduduk miski di Provisi Jambi megalami kasus Overdispersi Model Regresi Biomial Negatif Berikut adalah estimasi parameter model regresi Biomial Negatif. TABEL 5. ESTIMASI PARAMETER MODEL REGRESI BINOMIAL NEGATIF Parameter Estimasi SE Z P_Value β 0 β β 2 β 3 β 4 β 5 β 6 6,7686 0,029-0,0957 0,0006 0,203-0,0046 0,085,234 0,0054 0,0485 0,000 0,0743 0,0093 0,0042 5,484 2,392 -,97 6,684 2,829-0,495 4,356 2,5x0-8 *,67x0-2* 4,87x0-2 * 2,32x0 - * 4,60x0-3* 6,2x0 -,33x0-5 * Pada taraf sigifikasi 0%, berdasarka Tabel 5 diketahui P_value dari semua parameter kecuali β 5 lebih kecil dari 0,0. Selai itu, ilai Z hitug dari semua parameter kecuali β 5 lebih besar dari Z (α/2) =,645. Dega demikia diambil keputusa tolak H 0 utuk semua parameter kecuali kecuali β 5, yag berarti β, β 2, β 3, β 4, β 6 sigifika berpegaruh terhadap model, sehigga model regresi Biomial Negatif yag dihasilka dapat dituliska. l(μ ) = 6, ,029 0, , ,203X 4 0, ,085 Heterogeitas Spasial Berdasaraka hasil pegujia diperoleh ilai statsitik uji Breusch_Paga sebesar 5,587 (Lampira 6) dega P- value 0,5236. Dega jumlah parameter 6 da diguaka α sebesar 0% maka didaptaka χ 2 (6;0.) = 0,64. Karea ilai BP <χ 2 (6;0.) maka diambil keputusa gagal tolak H 0 yag berarti variasi atar lokasi sama (homoge) atau tidak terdapat perbedaa karakteristik aatar satu titik pegamata dega titik pegamata laiya. Depedesi Spasial Berdasarka hasil pegujia dega matriks pembobot berupa jarak titik koordiat diperoleh statistik uji Ideks Mora s (I ) sebesar 0,078 dega ilai E(I ) sebesar -0, da se(i ) sebesar 0,752 sehigga diperoleh hasil perhituga Z I sebagai berikut. 0,0776 0, z I 2,538 0,004 Dega tarat yata 0% maka didapatka Z 0,05 sebesar,645. Karea ilai Z I > Z 0,05 atau P-value < 0, maka diambil keputusa tolak H 0 sehigga didapatka kesimpula bahwa terdapat depedesi atar lokasi yag berarti pegamata suatu lokasi bergatug pada pegamata di lokasi lai yag letakya berdekata Badwidth da Pembobot Optimum Badwidth optimum megguaka criteria CV da diguaka dalam meetuka pembobot utuk melakuka peaksira parameter. Dari hasil aalisis GWNBR dega fugsi kerel Fixed Gaussia diperoleh best badwidth size sebesar Sebagai cotoh Kota Sugai Peuh yag dipilih secara acak diguaka sebagai titik pusat, sehigga diperoleh jarak Euclid Kota Sugai Peuh dega Kab/Kota laiya di Provisi Jambi. Matriks pembobot yag diguaka utuk meaksir model GWNBR di Kota Sugai Peuh berbetuk matriks diagoal sebagai berikut. W (u,v ) = diag [W (u,v ) W 2 (u,v ) W (u,v )] = diag [0,9999 0,9596,0000] Pemodela GWNBR TABEL 6. VARIABEL YANG SIGNIFIKAN PADA MODEL GWNBR Kab/Kota Variabel yag Sigifika Kerici,, Meragi,, Sarolagu,, Bataghari,,, Muaro Jambi,,, Tajabtim,,, Tajabbar,,, Tebo,, Bugo,, Kota Jambi,,, Sugai Peuh,, Tabel 6 meujukka bahwa Kab/Kota di Provisi Jambi yag memiliki kesamaa variabel yag berpegaruh sigifika pada model GWNBR terbagi mejadi dua kelompok Kab/Kota. Kelompok pertama terdiri dari eam Kab/Kota dega tiga variabel yag berpegaruh sigifika terhadap jumlah peduduk miski yaitu PDRB ADHB per kapita ( ), Kepadata peduduk ( ), da Persetase rumah tagga yag meempati rumah dega status tidak milik sediri ( ). Kelompok dua terdiri dari lima Kab/Kota dega empat variabel yag berpegaruh sigifika terhadap jumlah peduduk miski yaitu PDRB ADHB per kapita ( ), Kepadata peduduk ( ), Persetase rumah tagga yag meempati rumah dega status tidak milik sediri ( ), da Jumlah fasilitas kesehata ( ). Gambar 2. Persebara pegelompoka Kabupate/KotaBerdasarka kesamaa variabel yag Sigifika Gambar 2 meujukka pegelompoka Kabupate/Kota yag memiliki kesamaa variabel yag berpegaruh sigifika terhadap jumlah peduduk miski di Provisi Jambi yag terbagi mejadi dua kelompok. Kelompok (biru) yag terdiri dari eam Kabupate/Kota yaitu Kabupate Kerici, Meragi, Sarolagu, Bugo, Tebo, da Kota Sugai Peuh dega tiga variabel yag berpegaruh sigifika. Kelompok 2 (merah) terdiri dari lima Kabupate/Kota yaitu Kabupate Batagahri, Muaro Jambi, Tajug Jabug Timur, Tajug Jabug Barat, da Kota Jambi dega empat variabel yag berpegaruh sigifika.

5 D-354 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (206) ( X Prit) Iterpretasi Model GWNBR Sebagai cotoh aka diiterpretasika model GWNBR pada Kota Sugai Peuh sebagai berikut. TABEL 7. UJI PARSIAL MODEL GWNBR KOTA SUNGAI PENUH Parameter Estimasi Zhitug β 0 β β 2 β 3 β 4 β 5 β 6 0,0038 0,0038 0,0233-0,0073 0,0578-0,000 0, ,080 7,87 * 0, ,35 * -0,008 22,03 * -0,99 Pada Tabel 7 dapat dilihat bahwa variabel-variabel yag berpegaruh sigifika utuk Kota Sugai Peuh terletak pada variabel β, β 3, β 5. Model GWNBR yag dapat dibetuk utuk Kota Sugai Peuh adalah sebagai berikut. l(μ ) = 0, , ,0233 0, ,0578X 4 0, ,00378 Sesuai model yag terbetuk Kota Sugai Peuh diatas dapat disimpilka bahwa setiap pertambaha juta PDRB ADHB per kapita ( ) maka aka meambah rata-rata jumlah peduduk miski sebesar exp(0,0038) peduduk miski dega asumsi variabel lai kosta. Hal ii dikareaka masih tiggiya ketimpaga yag terjadi di Provisi Jambi da mugki saja variabel ii tidak memberika dampak lagsug terhadap kemiskia. Pemiliha model terbaik Pemiliha model terbaik berdasarka kriteria AIC pada model regresi Poisso, regresi Biomial Negatif, da GWNBR adalah sebagai berikut. TABEL 8. PEMILIHAN MODEL TERBAIK DENGAN AIC Model Regresi Poisso Regresi Biomial Negatif GWNBR AIC 6395,40 227,08 239,47 Tabel 8 meujuka bahwa dari ketiga model tersebut, Regresi Biomial Negatif memiliki AIC palig kecil dibadigka dega Poisso da GWNBR. Hal ii dikareaka dalam peelitia ii megguaka metode GWNBR ada salah satu asumsi spasial yag tidak terpeuhi yaitu Heterogeitas, da jumlah uit pegamata juga kecil. Walaupu Biomial Negatif yag terbaik. Aka tetapi pegguaa metode GWNBR dilakuka utuk mejawab tujua peelitia ii yaitu medapatka faktor-faktor yag berpegaruh terhadap jumlah peduduk miski di Provisi Jambi. V. KESIMPUAN DAN SARAN Hasil pemodela GWNBR dega fugsi pembobot kerel Fixed Gaussia meujukka bahwa ada dua kelompok Kabupate/Kota berdasarka variabel-variabel yag sigifika. Kelompok pertama adalah Kabupate Kerici, Meragi, Sarolagu, Tebo, Bugo, da Kota Sugai Peuh. Pada kelompok ii terdapat tiga variabel yag berpegaruh sigifika, yaitu Produk Domestik Regioal Bruto Atas Dasar Harga Berlaku per kapita, Kepadata peduduk, da Persetase rumah tagga yag meempati rumah dega status tidak milik sediri. Kelompok dua terdiri dari Kabupate Bataghari, Muaro Jambi, Tajug Jabug Timur, Tajug Jabug Barat, da Kota Jambi. Pada kelompok ii terdapat empat variabel yag berpegaruh sigifika, yaitu Produk Domestik Regioal Bruto Atas Dasar Harga Berlaku per kapita, Kepadata peduduk, Persetase rumah tagga yag meempati rumah dega status tidak milik sediri, da Fasilitas kesehata. Pegelompoka Kabupate/Kota berdasarka variabel yag berpegaruh sigifika telah dibetuk sehigga diharapka kedepaya ada usaha yag yata utuk meeka jumlah peduduk miski dega megimplemetasika kabijaka prioritas berdasarka variabel yag sigifika disetiap Kabupate/Kota. Variabel yag diguaka salah satuya Jumlah fasilitas kesehata (X6), karea setiap Kabupate/Kota memiliki jumlah peduduk da jumlah fasilitas berbeda, disaraka peelitia selajutya utuk megguaka variabel Rasio fasilitas kesehata. UCAPAN TERIMA KASIH Peulis I.J. megucapka terima kasih kepada Kedua Orag Tua da saudara-saudara tercita yag selalu medukug serta selalu medo aka utuk keberhasila PeulisIr. Dwi Atmoo A. Widodo, MIKom da Pratya Paramitha Oktaviaa, M,Si. M,Sc selaku dose pembimbig yag telah bayak meluagka waktuya utuk memberika ilmu, bimbiga, da arahaya dalam peyelesaia Tugas Akhir ii. DAFTAR PUSTAKA [] Bada Pusat Statistik Provisi Jambi (205), Rigkasa Eksekutif Kodisi Kemiskia Provisi Jambi tahu 204. Jambi. [2] Walpole, R. E. (995). Pegatar Statistika Edisi Ke 3. Diterjemahka oleh: Sumatri, Bambag. Gramedia Pustaka Utama. Jakarta [3] Famoye, F., Wulu, J.T. da Sigh, K.P. (2004). O The Geeralized Poisso Regressio Model with a Applicatio to Accidet Data. Joural of Data Sciece 2 (2004) [4] Camero, A C & Trivedi, P K. (998) Regressio Aalysis of Cout Data. Cambridge: Cambridge Uiversity Press. [5] Aseli, L. (998). Spatial Ecoometris: Methods ad Models, Dordrecht: Kluwer Academic Publishers. [6] Ricardo, A. Ad Carvalho, T.V.R. (203). Geographically Weighted Negative Biomial Regressio-Icorporatig Overdispersio. New York: Spriger Sciece. [7] Sajogyo, (977). Kemiskia da Kebutuha Miimum Paga. Lembaga Peelitia Sosiologi Pedesaa. IPB. Bogor.