Pemodelan IPM Menggunakan Model Probit Dan Model Probit Spasial

JMPM: Jurnal Matematika dan Pendidikan Matematika
Vol. 7 No.1 Maret 2022 Halaman 16-23

Tersedia secara online di https://www.journal.unipdu.ac.id/index.php/jmpm
Terakreditasi S3 – SK No. B/1796/E5.2/KI.02.00/2020
Pemodelan Indeks Pembangunan Manusia (IPM)

Menggunakan Model Probit dan Model Probit Spasial
(Human Development Index (HDI) Model Using Probit Model and Spatial
Probit Model)
Elok Fa’iz Fatma El Fahmi

UIN Maulana Malik Ibrahim Malang, [email protected]
Abstrak
Indeks Pembangunan Manusia (IPM) merupakan suatu indikator penting untuk
menentukan ketercapaian kualitas hidup manusia. Penelitian ini bertujuan untuk
menentukan faktor – faktor yang dapat mempengaruhi tingginya angka IPM
dengan memodelkan IPM menggunakan model regresi probit dan regresi probit
spasial. Pemodelan IPM menggunakan model probit menyatakan bahwa variabel
yang berpengaruh hanya satu dengan kemampuan mengelompokkan IPM sebesar
39%. Sementara itu, Pemodelan Indeks IPM menggunakan model probit spasial
menyatakan bahwa variabel yang berpengaruh ada tiga variabel dengan
kemampuan mengelompokkan IPM sebesar 45%. Dilihat dari banyaknya variabel
yang berpengaruh,dan kemampuan dalam mengelompokkan IPM ,model probit
spasial lebih efektif dibandingkan dengan model probit.
Kata kunci: Model Probit, Model Probit Spasial, Indeks Pembangunan Manusia (IPM)
Abstract
The Human Development Index (HDI) is an important indicator to determine the
achievement of the quality of human life. This study aims to determine the factors that can
affect the high HDI number by modeling the HDI using probit regression and spatial probit
regression models. HDI modeling using the probit model states that there is only one
influential variable with the ability to classify HDI by 39%. Meanwhile, the HDI Index
Modeling using the spatial probit model states that there are three influential variables
with the ability to classify HDI by 45%. Judging from the number of influential variables,
and the ability to classify HDI, the spatial probit model is more effective than the probit
model.
Keywords: Probit Model, Spatial Probit Model, Human Development Index (HDI)
Cara mengutip dengan APA 6 style: El Fahmi, E. F. F. (2022). Pemodelan Indeks

Pembangunan Manusia (IPM) Menggunakan Model Probit dan Model Probit Spasial .
JMPM: Jurnal Matematika dan Pendidikan Matematika, 7(1), 16-23.
https://doi.org/10.26594/jmpm.v7i1.2474.
Pemodelan Indeks Pembangunan Manusia (IPM) Menggunakan Model Probit dan Model Probit
https://doi.org/10.26594/jmpm.v7i1.2474 16
2022 JMPM: Jurnal Matematika dan Pendidikan Matematika dengan lisensi CC BY
PENDAHULUAN
United Nations Development Programme (UNDP) pada tahun 1990
membangun suatu indeks untuk menekankan pentingnya manusia beserta sumber
daya yang dimiliknya dalam pembangunan. Indeks tersebut adalah Indeks
Pembangunan Manusia (IPM). IPM terbentuk dari rata-rata ukur capaian tiga
dimensi utama pembangunan manusia, yaitu umur panjang dan hidup sehat,
pengetahuan, dan standar hidup layak (Badan Pusat Statistik, 2020). Menurut BPS
(Badan Pusat Statistik, 2020) ada empat kategori klasifikasi IPM yaitu kategori
rendah, kategori menengah bawah, kategori menengah atas, dan kategori tinggi.
Klasifikasi IPM di Indonesia termasuk kategori menengah bawah sampai
menengah atas, begitu juga IPM di provinsi Jawa Timur.
Jawa Timur tahun 2012 IPM nya tergolong sedang yaitu di antara kategori
menengah bawah sampai menengah atas dengan angka 72,83 (BPS Jawa Timur,
2012). Terdapat beberapa faktor yang menyebabkan tinggi rendahnya angka IPM
di Jawa Timur, salah satunya adalah tercapainya IPM di Jawa Timur bervariasi.
Sebagian besar di wilayah tapal kuda kondisi kesehatan dan pendidikannya lebih
rendah dibandingkan rata-rata kondisi kesehatan dan pendidikan di Jawa Timur,
sehingga mempengaruhi angka IPM di wilayah tersebut. Hal ini menunjukkan
bahwa beberapa faktor tersebut kurang merata dan lebih terpusat pada beberapa
wilayah. Sehingga ada keterkaitan faktor geografis dalam mengklasifikasikan
angka IPM di Jawa Timur.
Berdasarkan rata-rata IPM Jawa Timur tahun 2012, IPM dikelompokkan
menjadi dua yaitu IPM menengah bawah dan IPM menengah atas. Dalam
mengatasi permasalahan di mana variabel respon berbentuk kategori, metode yang
digunakan adalah metode regresi probit. Ratnasari (2012) menjelaskan bahwa salah
satu pemodelan statistika yang menggunakan variabel respon berbentuk kategori
adalah model probit. Penelitian ini, variabel respon yaitu IPM memiliki dua
kategori, sehingga model probit yang digunakan ketika kategorinya dua adalah
model probit biner.
Angka IPM yang hampir sama antar kabupaten/kota yang secara geografis
berdekatan berdampak pada kategori IPM kabupaten/kota tersebut sama yang
diduga karena adanya keterkaitan atau efek spasial antar kabupaten/kota. Salah satu
pemodelan statistika yang digunakan dalam menganalisis data yang memiliki aspek
spasial adalah model regresi spasial. Variabel respon berkategori biner yang
melibatkan aspek keterkaitan antar wilayah dimodelkan menggunakan model yang
memadukan model probit dengan faktor spasial yaitu model regresi probit spasial
(Puspita et al., 2013).
Sebagian penelitian yang membahas IPM yang telah dilakukan diantaranya
adalah Pemodelan Indeks Pembangunan Manusia (IPM) menggunakan analisis
regresi probit (Chrisyadi et al., 2020), selanjutnya analisis faktor-faktor yang
mempengaruhi Indeks Pembangunan Manusia (IPM) menggunakan metode regresi
logistik ordinal dan regresi probit ordinal (Nurmalasari & Ispriyanti, 2017), lalu
penerapan model spasial pada Indeks Pembangunan Manusia (IPM) di Jawa
Tengah Tahun 2017 (Novitasari & Khikmah, 2019). Dari penjelasan di atas, maka
dalam penelitian ini IPM dimodelkan menggunakan model probit dan model probit
spasial yang kemudian hasilnya dibandingkan.
METODE PENELITIAN
Penelitian ini menggunakan data publikasi tahun 2012 yang diambil dari
Badan Pusat Statistika (BPS) Jawa Timur. Variabel respon (Y) dalam penelitian ini
adalah Indeks Pembangunan Manusia (IPM) yang dikelompokkan menjadi dua
yaitu dengan nilai 0 menyatakan IPM menengah bawah dan nilai 1 menyatakan
IPM menengah atas. Variabel bebas yang digunakan dalam penelitian ini adalah
persentase penduduk miskin (X1 ), tingkat pengangguran terbuka (X2 ), dan laju
pertumbuhan PDRB atas harga konstan (X3 ). Variabel-variabel tersebut
dimodelkan menggunakan model probit dan regresi probit spasial. Langkah-
langkah dalam pemodelan yaitu diantaranya analisis statistika deskriptif masing-
masing variabel, uji multikolinearitas dengan melihat kriteria VIF, estimasi
parameter lalu membentuk model probit dan model probit spasial, dan analisis hasil
kemudian memberikan kesimpulan.
HASIL DAN PEMBAHASAN

Pada tahun 2012, enam kabupaten/kota di Jawa Timur tergolong IPM
menengah bawah dan 32 kabupaten/kota tergolong IPM menengah atas yang
tergambar pada Gambar 1. Kabupaten/kota yang tergolong IPM menengah bawah
berwarna terang sedangkan IPM menengah atas berwarna gelap. Selain itu
diketahui pula bahwa kabupaten/kota yang berdekatan tergolong di klasifikasi IPM
yang sama. Ini menunjukkan terdapat efek spasial pada data IPM Jawa Timur.
Berdasarkan Tabel 1, angka IPM yang tertinggi adalah 78,43, angka IPM yang
terendah adalah 61,67
Terlihat pada Gambar 2, terdapat hubungan positif antara variabel Y dengan
variablel 𝐗 𝟐 dan 𝐗 𝟑 , yang artinya bahwa jika angka variabel 𝐗 𝟐 dan 𝐗 𝟑 mengalami
kemajuan maka angka variabel 𝐘 juga mengalami kemajuan, begitu pula
sebaliknya. Sedangkan hubungan antara variabel 𝐘 dengan variabel 𝐗 𝟏 adalah
negatif yang artinya hubungannya bebanding terbalik, jika angka variabel 𝐗 𝟏
tersebut turun, maka angka variabel 𝐘 mengalami kenaikan, begitupun sebaliknya.
Gambar 1. IPM di Kabupaten/Kota Jawa Timur Tahun 2012
Tabel 1. Statistika Deskriptif
Variabel Mean St Dev Min Max
Y 71,874 4,557 61,667 78,430
𝐗𝟏 13,078 5,545 4,453 27,867
𝐗𝟐 4,213 1,778 1,020 8,120
𝐗𝟑 6,9295 0,5304 5,8205 8,2616
X1 X2
80
75
70
65
60
5 10 15 20 25 0 2 4 6 8
y
X3 X4
80
75
70
65
60
6,0 6,5 7,0 7,5 8,0 65 70 75 80
Gambar 2. Scatter Plot Antara Nilai Y dan (𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑 )
Identifikasi Multikolinearitas
Teknik untuk identifikasi adanya multikolinearitas adalah menggunakan
kriteria Variance Inflation Factors (VIF). Angka VIF dari variabel bebas 𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑
terlihat di tabel 2.
Tabel 2. Angka VIF (𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑 )

Variabel 𝐗𝟏 𝐗𝟐 𝐗𝟑
VIF 1,929 1,505 1,987
Menurut Gujarati (2004), jika angka VIF lebih besar dari angka 10, maka
menunjukkan adanya hubungan antar variabel bebas. Angka VIF dari variabel
𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑 kurang dari 10, yang artinya bahwa tidak terdapat multikolinearitas pada
semua variabel bebas dan dapat dilanjutkan untuk pemodelan.
Model Probit
Pemodelan IPM dengan model probit dimulai dengan melakukan estimasi
parameter model. Hasil dari estimasi parameter model probit terlihat pada Tabel 3.
Tabel 3. Estimasi Parameter Model Probit

Variabel Estimate Std. Error z-value Probability
Intercept -1,310 5,286 -0,248 0,804
𝐗𝟏 -0,194 0,077 -2,497 0,013
𝐗𝟐 -0,034 0,197 -0,175 0,861
𝐗𝟑 0,615 0,747 0,824 0,410
Berdasarkan Tabel 4, variabel yang signifikan berpengarug hanya
persentase penduduk miskin (𝑋1 ) dengan menggunakan 𝛼 = 0,05 dan model probit
yang terbentuk adalah
̂𝑖∗ = −1,310 − 0,194𝑋1 − 0,034𝑋2 + 0,615𝑋3 .

𝑦
Kemudian data prediksi ditentukan dengan menggunakan persamaan (1) di bawah

ini. Data prediksi yang sudah didapatkan lalu dibandingkan dengan data aktual
untuk menentukan ketepatan klasifikasi. Ketepatan klasifikasi yang dihasilkan
untuk model probit terlihat pada Tabel 4 yang menunjukkan bahwa model probit
dapat mengklasifikasikan IPM di Jawa Timur dengan benar sebesar 39,4 %.
𝑃(𝑌 = 0) = Φ(𝛾 − 𝛽𝑇 𝑥 ) = 𝑞(𝑥) (1)
Tabel 4. Perbandingan Data Aktual dan Data Prediksi

Prediksi
0 1
0 0 16
Aktual
1 7 15
Dibandingkan dengan data aktual, 16 kabupaten/kota berubah klasifikasi dari

menengah bawah menjadi menengah atas, dan 7 kabupaten/kota yang berubah
klasifikasi dari menengah atas menjadi menengah bawah.
Model Probit Spasial

Estimasi parameter model juga merupakan langkah awal dalam
memodelkan IPM dengan model probit spasial. Hasil dari estimasi parameter model
probit spasial terlihat pada Tabel 5.
Tabel 5. Estimasi Parameter Model Probit Spasial

Variabel Estimate Std. Error z-value Probability
Intercept -54,749 30,957 -1,768 0,076
𝐗𝟏 -1,571 0,571 -2,656 0,0079
𝐗𝟐 -5,333 1,694 -3,147 0,0016
𝐗𝟑 13,932 5,479 2,542 0,0110
Pada Tabel 6 terlihat bahwa variabel yang signifikan berpengaruh dengan

menggunakan 𝛼 = 0,05 adalah semua variabel 𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑 . Model yang terbentuk
adalah.
𝑛
̂𝑖∗ = −54,749 + 0,282 ( ∑ 𝑤𝑖𝑗 𝑦𝑖∗ ) − 1,571𝑋1𝑖 − 5,333𝑋2𝑖 + 13,932𝑋3𝑖
𝑦
𝑖=1,𝑗≠𝑖
Kemudian data prediksi ditentukan menggunakan persamaan (2) di bawah ini. Data
prediksi yang sudah didapatkan lalu dibandingkan dengan data aktual untuk
menentukan ketepatan klasifikasi. Ketepatan klasifikasi yang dihasilkan untuk
model probit spasial terlihat pada Tabel 6, yang menunjukkan bahwa model probit
spasial dapat mengklasifikasikan IPM di Jawa Tmur dengan benar sebesar 44,7%.
𝑋∗𝛽
𝑃(𝑦𝑖 = 1|𝑋𝑖∗ , 𝑊𝑖𝑗 𝑦 ∗ ) = Φ ( Ω𝑖 ) (2)
𝑖𝑖
Tabel 6. Perbandingan Data Aktual dan Data Prediksi

Prediksi
0 1
0 8 8
Aktual
1 13 9
Dibandingkan dengan data aktual, 8 kabupaten/kota berubah klasifikasi dari

menengah bawah menjadi menengah atas, dan 13 kabupaten/kota yang berubah
klasifikasi dari menengah atas menjadi menengah bawah.
Analisis Hasil
Variabel yang terbukti mempengaruhi IPM Jawa Timur menggunakan
model probit yaitu persentase penduduk miskin di mana variabel tersebut hanya
satu dari tiga variabel yang terduga. Sementara itu ketika menggunakan regresi
probit spasial, variabel yang berpengaruh pada IPM Jawa Timur adalah ketiga
variabel yang diduga yaitu persentase penduduk miskin, tingkat pengangguran
terbuka, dan laju pertumbuhan PDRB atas harga konstan. Maka terbukti bahwa
dalam memodelkan IPM efek spasial berpengaruh, terlihat dari perbedaan jumlah
variabel yang mempengaruhi IPM.
Model probit mengklasifikasikan IPM dengan tepat sebesar 39% dan model
probit spasial mengklasifikasikan IPM sebesar 45%. Terlihat pada gambar 3 bahwa
data aktual IPM di Jawa Timur yaitu terdapat 22 wilayah yang termasuk kategori
menengah atas dan 16 wilayah termasuk menengah bawah.
Indokabkot_497_2010.shp
0
1
23 29
26 27 28
24 25
22 37
21 35 15
18 17
19 16
20 36 34
14 33
6 38 13 12
2 11
32
1 4 31 5 7 8
3 9
10
Gambar 3. Data Aktual IPM
Ketika dimodelkan menggunakan model probit, terdapat 32 kabupaten/kota

yang termasuk kategori menengah atas dan 6 kabupaten/kota yang termasuk
kategori menengah bawah. Merujuk pada Tabel 5, terdapat beberapa
kabupaten/kota yang berubah klasifikasi IPM nya sebagai contoh Kota Malang
pada data aktual termasuk klasifikasi menengah atas berubah menjadi klasifikasi
menengah bawah. Data prediksi yang dihasilkan menggunakan model probit
tergambar pada gambar 4. Hasil data prediksi yang dihasilkan menggunakan model
probit spasial adalah 17 wilayah termasuk kategori menengah atas dan 21 wilayah
yang termasuk kategori menengah bawah seperti yang terlihat pada gambar 5.
Berdasarkan persentase pengklasifikasian model dan banyaknya variabel yang
berpengaruh menunjukkan bahwa model probit spasial lebih efektif dalam
mengelompokkan IPM Jawa Timur secara tepat.
0
1
23 29
26 27 28
24 25
22 37
21 35 15
19 18 17
16
20 36 34
14 33
6 38 13 12
2 11
32
1 4 31 5 7 8
3 9
10
Gambar 4. Data Prediksi IPM Menggunakan Model Probit
0
1
23 29
26 27 28
24 25
22 37
21 35 15
19 18 17
16
20 36 34
14 33
6 38 13 12
2 11
32
1 4 31 5 7 8
3 9
10
Gambar 5. Data Prediksi IPM Menggunakan Model Probit Spasial
KESIMPULAN DAN SARAN

Model probit spasial lebih efektif dalam mengklasifikasikan IPM Jawa
Timur secara tepat sebesar 45% dibandingkan model probit yang
mengklasifikasikan IPM Jawa Timur sebesar 39%. Dilihat dari banyaknya variabel
yang berpengaruh dari keseluruhan variabel terduga, model probit spasial lebih
baik. Sebagai pengembangan dari model spasial probit, penelitian selanjutnya dapat
menggunakan model spasial bivariat probit.
DAFTAR RUJUKAN
Badan Pusat Statistik. (2020). Indeks Pembangunan Manusia (IPM) Indonesia
2020. Bps, 97, 4. https://www.bps.go.id/pressrelease/2020/12/15/1758/
Badan Pusat Statistik Jawa Timur. (2012). Indeks Pembangunan Manusia di Jawa
Timur. Surabaya: Badan Pusat Statistik.
Chrisyadi, S., Satriya, A., & Goejantoro, R. (2020). Pemodelan Indeks
Pembangunan Manusia (IPM) Menggunakan Analisis Regresi Probit (Studi
Kasus: Indeks Pembangunan Manusia (IPM) di Pulau Kalimantan Tahun
2017). Eksponensial, 11(2),181-188
Gujarati, D. N. (2004). Basic Econometric, Fourth Edition. In New York.
Novitasari, D., & Khikmah, L. (2019). Penerapan Model Regresi Spasial Pada
Indeks Pembangunan Manusia (IPM) Di Jawa Tengah Tahun 2017.
STATISTIKA Journal of Theoretical Statistics and Its Applications, 19(2),
123–134. https://doi.org/10.29313/jstat.v19i2.5068
Nurmalasari, R., & Ispriyanti, D. (2017). Analisis Faktor-Faktor Yang
Mempengaruhi Indeks Pembangunan Manusia (Ipm) Menggunakan Metode
Regresi Logistik Ordinal Dan Regresi Probit Ordinal (Studi Kasus
Kabupaten/Kota Di Jawa Tengah Tahun 2014). Gaussian, 6(1), 111–120.
Puspita, F. I., Ratnasari, V., & Purhadi, P. (2013). Model Probit Spasial pada
Faktor-Faktor yang Mempengaruhi Klasifikasi IPM di Pulau Jawa. Cauchy,
2(4), 198. https://doi.org/10.18860/ca.v2i4.3116
Ratnasari, V. (2012). Estimasi Parameter dan Uji Signifikansi Model Probit
Bivariat. Surabaya: Institut Teknologi Sepuluh Nopember.

Pemodelan IPM Menggunakan Model Probit Dan Model Probit Spasial

Diunggah oleh

Hak Cipta:

Format Tersedia

Pemodelan IPM Menggunakan Model Probit Dan Model Probit Spasial

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pemodelan IPM Menggunakan Model Probit Dan Model Probit Spasial

Diunggah oleh

Hak Cipta:

Format Tersedia

JMPM: Jurnal Matematika dan Pendidikan Matematika

Vol. 7 No.1 Maret 2022 Halaman 16-23

Pemodelan Indeks Pembangunan Manusia (IPM)

Elok Fa’iz Fatma El Fahmi

Cara mengutip dengan APA 6 style: El Fahmi, E. F. F. (2022). Pemodelan Indeks

HASIL DAN PEMBAHASAN

Gambar 1. IPM di Kabupaten/Kota Jawa Timur Tahun 2012

Gambar 2. Scatter Plot Antara Nilai Y dan (𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑 )

Tabel 2. Angka VIF (𝐗 𝟏 , 𝐗 𝟐 , 𝐗 𝟑 )

Tabel 3. Estimasi Parameter Model Probit

̂𝑖∗ = −1,310 − 0,194𝑋1 − 0,034𝑋2 + 0,615𝑋3 .

Kemudian data prediksi ditentukan dengan menggunakan persamaan (1) di bawah

𝑃(𝑌 = 0) = Φ(𝛾 − 𝛽𝑇 𝑥 ) = 𝑞(𝑥) (1)

Tabel 4. Perbandingan Data Aktual dan Data Prediksi

Dibandingkan dengan data aktual, 16 kabupaten/kota berubah klasifikasi dari

Model Probit Spasial

Tabel 5. Estimasi Parameter Model Probit Spasial

Pada Tabel 6 terlihat bahwa variabel yang signifikan berpengaruh dengan

Tabel 6. Perbandingan Data Aktual dan Data Prediksi

Dibandingkan dengan data aktual, 8 kabupaten/kota berubah klasifikasi dari

Gambar 3. Data Aktual IPM

Ketika dimodelkan menggunakan model probit, terdapat 32 kabupaten/kota

Gambar 4. Data Prediksi IPM Menggunakan Model Probit

Gambar 5. Data Prediksi IPM Menggunakan Model Probit Spasial

KESIMPULAN DAN SARAN

Anda mungkin juga menyukai