Analisis Faktor-Faktor Penyebab Kemiskinan Di Provinsi Jawa Timur Dengan Metode Geographically Weighted Negative Binomial Regression

Mahendra, Adi (2025) Analisis Faktor-Faktor Penyebab Kemiskinan Di Provinsi Jawa Timur Dengan Metode Geographically Weighted Negative Binomial Regression. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5006211058-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Kemiskinan merupakan salah satu permasalahan multidimensional yang masih menjadi fokus Pembangunan di Indonesia. Secara garis besar, kemiskinan disebabkan oleh factor ekonomi dan factor sosial demografi penduduk. Provinsi Jawa Timur sebagai salah satu provinsi dengan jumlah penduduk yang besar memiliki Tingkat kemiskinan yang cukup beragam di tiap kabupaten atau kota. Oleh karena itu, penting untuk memahami factor-faktor yang memengaruhi jumlah penduduk miskin di setiap kabupaten kota secara spesifik. Dalam penelitian ini, akan digunakan metode Geographically Weighted Negative Binomial Regression (GWNBR) untuk menganalisis factor-faktor yang memengaruhi kemiskinan di Jawa Timur pada tahun 2023 dengan memperhatikan aspek spasial berupa lokasi atau koordinat masing-masing kabupaten atau kota di Jawa Timur.Analisis kemiskinan dengan GWNBR juga melibatkan pembobot spasial berupa kernel, baik itu kernel adaptive maupun fix, yang terdiri dari kernel gaussian, kernel bisquare dan kernel tricube. Data yang digunakan dalam penelitian ini adalah data jumlah kemiskinan dari 38 Kabupaten/Kota di Provinsi Jawa Timur pada tahun 2023. Melalui analisis statistika deskriptif didapatkan bahwa Angka kemiskinan tertinggi berada di Kabupaten Malang sejumlah 251.360 penduduk. Sementara itu jumlah kemiskinan terendah terjadi di Kota Batu dengan jumlah penduduk miskin sebesar 7100 jiwa.Jumlah Kemiskinan di Jawa Timur tinggi pada bagian timur dan utara provinsi. Pemodelan GWNBR menghasilkan variabel signifikan yang identik untuk setiap kabupaten/kota di Jawa Timur, yaitu angka kepadatan penduduk, tingkat pengangguran terbuka, indeks pembangunan manusia dan angka pertumbuhan ekonomi. Model GWNBR dengan menggunakan fix gaussian memiliki nilai AIC terkecil dibandingkan kernel lainnya dengan nilai sebesar 902,458350104603. Sementara model fix bisquare dan fix tricube memiliki nilai AIC masing-masing sebesar 902,458351141448 dan 902,458351733588. Sedangkan model Adaptive gaussian, Adaptive bisquare dan Adaptive Tricube masing-masing memiliki nilai AIC sebesar 902,458350179241, 902,458354370021 dan 902,458354857464. Nilai AIC antara satu model kernel dengan kernel lainnya tidak jauh berbeda dikarenakan model GWNBR yang dihasilkan memiliki variabel prediktor signifikan yang identik di setiap Kabupaten/Kota di Jawa Timur
=======================================================================================================================================
Poverty remains one of the multidimensional issues that continues to be a primary focus of development in Indonesia. Broadly speaking, poverty is caused by economic factors as well as the socio-demographic characteristics of the population. East Java Province, as one of the most populous provinces, exhibits considerable variation in poverty levels across its regencies and cities. Therefore, understanding the factors that influence the number of poor residents in each district or city is essential.This study employs the Geographically Weighted Negative Binomial Regression (GWNBR) method to analyze the determinants of poverty in East Java in 2023 by incorporating spatial aspects in the form of location or geographic coordinates of each district or city. The GWNBR analysis also involves spatial weighting using kernel functions, both adaptive and fixed, including Gaussian, bisquare, and tricube kernels. The data used in this study consists of poverty figures from 38 districts/cities in East Java Province for the year 2023.Based on descriptive statistical analysis, Malang Regency was found to have the highest number of poor individuals, totaling 251,360 people. In contrast, Batu City recorded the lowest poverty figure, with only 7,100 people living below the poverty line. The distribution of poverty in East Java is more concentrated in the eastern and northern regions of the province.The GWNBR modeling produced identical significant predictor variables across all districts and cities in East Java, namely: population density, open unemployment rate, human development index (HDI), and economic growth rate. Among the models tested, the GWNBR model using the fixed Gaussian kernel yielded the lowest AIC value at 902,458350104603, indicating the best model fit. The fixed bisquare and fixed tricube kernel models followed, with AIC values of 902,458351141448 and 902,458351733588, respectively. Meanwhile, the adaptive Gaussian, adaptive bisquare, and adaptive tricube kernels yielded AIC values of 902,458350179241, 902,458354370021 and 902,458354857464, respectively.The relatively small differences in AIC values across the various kernel models suggest that the GWNBR models consistently identified the same significant predictor variables across all districts and cities in East Java.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Aspek Spasial, GWNBR, Jawa Timur, Kemiskinan, Pembobot Spasial , East Java, GWNBR, Poverty,Spatial Aspect, Spatial Weighting
Subjects:	H Social Sciences > H Social Sciences (General) H Social Sciences > HA Statistics H Social Sciences > HA Statistics > HA30.6 Spatial analysis Q Science Q Science > QA Mathematics Q Science > QA Mathematics > QA353.K47 Kernel functions (analysis)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Actuaria > 94203-(S1) Undergraduate Thesis
Depositing User:	Adi Mahendra
Date Deposited:	01 Aug 2025 02:47
Last Modified:	01 Aug 2025 02:47
URI:	http://repository.its.ac.id/id/eprint/125602

Actions (login required)

View Item