Analisis Regresi Probit Spasial Menggunakan Recursive Importance Sampling terhadap Indeks Pembangunan Manusia di Provinsi Jawa Tengah
Abstrak
Penelitian ini bertujuan untuk menganalisis Indeks Pembangunan Manusia (IPM) di Provinsi Jawa Tengah dengan menggunakan dua pendekatan pemodelan: model probit dan model probit spasial. IPM, sebagai indikator penting kualitas hidup, dikategorikan ke dalam dua kelompok: sedang, rendah dan tinggi. Dari 35 kabupaten dan kota di Jawa Tengah, 9 daerah (35%) masuk dalam kategori sedang-rendah, sedangkan 26 daerah lainnya (65%) diklasifikasikan sebagai tinggi. Kabupaten Brebes memiliki IPM terendah sebesar 69,54%, sementara Kota Sukoharjo memiliki IPM tertinggi sebesar 77,73%. Hasil penelitian menunjukkan bahwa model probit spasial memberikan klasifikasi IPM yang lebih baik dibandingkan dengan model probit. Pemetaan hasil prediksi mengungkapkan adanya perbedaan antara kategori IPM aktual dan yang diprediksi. Studi ini menekankan keuntungan dari pendekatan spasial yang dapat meningkatkan akurasi analisis IPM serta memberikan pemahaman yang lebih mendalam mengenai distribusi spasial dan ketergantungan dalam pembangunan manusia di Jawa Tengah. Penelitian lebih lanjut disarankan untuk memasukkan variabel tambahan, seperti tingkat kemiskinan atau akses terhadap pendidikan, yang juga dapat dipengaruhi oleh faktor spasial. Selain itu, metode ini dapat diterapkan di wilayah lain atau dikembangkan dengan model spasial yang lebih kompleks, seperti Spatial Autoregressive (SAR) atau Geographically Weighted Regression (GWR), guna memperoleh analisis yang lebih mendalam dan komprehensif.
Referensi
Anselin, L. (1988). Spatial Econometrics: Method and Models. Dordrecht: Kluwe Academic Publishers.
Beron, K. J., & Verburg, T. (2004). "Spatial externalities and their estimation using spatial econometric models." Environmental and Resource Economics.
Bivand, R. S., & Piras, G. (2015). Comparing Implementations of Estimation Methods for Spatial Econometrics. Journal of Statistical Software, 63(18), 1-36.
Bliss, C. I. (1934). The Method of Probits. Science, 79(2037), 38–39.
BPS. (2020). Survei Angkatan Kerja Nasional. Jakarta: Badan Pusat Statistik.
BPS. (2021). Kemiskinan dan Ketimpangan. Jakarta: Badan Pusat Statistik.
BPS. (2022). Harapan Lama Sekolah. Jakarta: Badan Pusat Statistik.
BPS. (2022). Indeks Pembangunan Manusia. Jakarta: Badan Pusat Statistik.
BPS. (2022). Penduduk yang Mempunyai Keluhan Kesehatan. Jakarta: Badan Pusat Statistik.
BPS. (2022). Pengeluaran per Kapita. Jakarta: Badan Pusat Statistik.
BPS. (2022). Usia Harapan Hidup. Jakarta: Badan Pusat Statistik.
Calabrese, R., & Elkink, J. A. (2014). Estimating Binary Spatial Autoregressive Models for Rare Events: A Comparative Study of Estimators. Political Analysis, 22(2), 183-205.
Dewanto, T. F. (2018). Model Regresi Probit Spasial dengan Pendekatan Recursive Importance Sampling (Studi Kasus: Indeks Kesehatan Tahun 2016 di Pulau Papua). Tesis, Institut Teknologi Sepuluh Nopember.
Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Wiley.
Greene, W. H. (2008). Econometric Analysis (6th ed.). Pearson.
Kurniawan, A., & Hartono, D. (2019). "Penerapan Model Spasial dalam Analisis Pembangunan Regional." Jurnal Ekonomi Regional.
Lesage, J., & Pace, R. K. (2019). Introduction to Spatial Econometrics. CRC Press.
McMillen, D. P. (1992). Probit with Spatial Autocorrelation. Journal of Regional Science, 32(3), 335–348.
Tumanggor, J. R., & Simamora, A. H. (2021). Pemodelan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia di Indonesia dengan Pendekatan Regresi Probit Spasial. Jurnal Riset Matematika dan Ilmu Pengetahuan Alam, 6(2), 123-134.
Yang, S., & He, H. (2020). Recursive Importance Sampling for Spatial Probit Models. Journal of Computational Statistics, 35(3), 451–467.
