Penerapan Model Regresi Data Panel dalam Analisis Faktor-Faktor Penyebab Kemiskinan di Provinsi Papua

Miftakhul Karomah Riyandini, Fitria Virgantari, Yasmin Eka Farida

Abstract


Poverty is when a person cannot adequately fulfill his daily needs. The data is taken from the official website of the Papua Province Central Statistics Agency (BPS). The panel data regression method was analyzed with the help of the EViews 12SV lite version for students and the IBM SPSS Statistics 24. This research aims to examine the most influential factors causing poverty in Papua and obtain the best regression model. Based on the Chow test, Hausman test, significance test, and classical assumption tests, the best model for panel data regression for modeling poverty in Papua is the fixed effect model (FEM). The results of the analysis show that 99.78% of the poor population has a life expectancy, human development index, gross regional domestic product, labor force participation rate, and open unemployment rate. Meanwhile, the remaining 0.22% is explained by other variables outside the model. Life expectancy and the human development index have a significant effect, while gross regional domestic product, labor force participation rate, and open unemployment rate are not significant on the poor population in Papua in 2017-2020.

Keywords: Fixed Effect Model, Poor Population, Regression Panel data.


Abstrak

Kemiskinan merupakan suatu keadaan dimana seseorang tidak dapat memenuhi kebutuhan hidupnya secara layak. Data diambil dari laman resmi Badan Pusat Statistik (BPS) Provinsi Papua. Memakai metode regresi data panel yang dianalisis dengan bantuan perangkat lunak open source EViews 12SV versi lite untuk pelajar dan open source IBM SPSS Statistics 24. Tujuan dari penelitian ini adalah menganalisis faktor penyebab kemiskinan yang paling berpengaruh di Provinsi Papua dan mendapatkan model regresi terbaik. Berdasarkan uji chow, uji hausman, uji signifikansi dan uji asumsi klasik yang telah dilakukan, model regresi data panel terbaik untuk pemodelan kemiskinan di Provinsi Papua adalah model fixed effect model (FEM). Hasil analisis menunjukkan bahwa penduduk miskin dapat dijelaskan sebesar 99,78% dari angka harapan hidup, indeks pembangunan manusia, produk domestik bruto regional, tingkat partisipasi angkatan kerja dan tingkat pengangguran terbuka. Sedangkan sisanya 0,22% dijelaskan oleh peubah lain di luar model. Angka harapan hidup dan indeks pembangunan manusia berpengaruh signifikan, sedangakan produk domestik bruto regional, tingkat partisipasi angkatan kerja dan tingkat pengangguran terbuka tidak signifikan terhadap penduduk miskin di Provinsi Papua tahun 2017-2020.


Keywords


Fixed Effect Model, Penduduk Miskin, Regresi Data Panel.

Full Text:

PDF

References


Acharya, K. P., Khanal, S. P., & Chhetry, D. (2022). Factors affecting poverty in nepal - a binary logistic regression model study. Pertanika Journal of Social Sciences and Humanities, 30(2), 641-663.

Achia, T. N. O., Wangombe, A., & Khadioli, N. (2010). A logistic regression model to identify key determinants of poverty using demographic and health survey data. European Journal of Social Sciences, 13(1), 38-45.

Bintang, A. B. M., & Woyanti, N. (2018). Pengaruh PDRB, pendidikan, kesehatan, dan pengangguran terhadap tingkat kemiskinan di Jawa Tengah (2011-2015). Media Ekonomi dan Manajemen, 33(1), 20-28.

Fauziana, H., Wardhana, A. K., & Rusgianto, S. (2022). The effect of education, income, unemployment, and poverty toward the gini ratio in member of OIC countries. Daengku: Journal of Humanities and Social Sciences Innovation, 2(2), 181-191.

Garza-Rodriguez, J., Ayala-Diaz, G. A., Coronado-Saucedo, G. G., Garza-Garza, E. G., & Ovando-Martinez, O. (2021). Determinants of poverty in Mexico: A quantile regression analysis. Economies, 9(2), 1-24.

González Canché, M. S. (2023). The geography of mathematical (dis)advantage: an application of Multilevel Simultaneous Autoregressive (MSAR) models to public data in education research. AERA Open, 9, 1-38.

Hasanah, R., Syaparuddin, S., & Rosmeli, R. (2021). Pengaruh angka harapan hidup, rata-rata lama sekolah dan pengeluaran perkapita terhadap tingkat kemiskinan pada Kabupaten /Kota di Provinsi Jambi. E-Jurnal Perspektif Ekonomi dan Pembangunan Daerah, 10(3), 223-232.

Ifa, K. I., & Al Maidah, F. (2023). The influence of economic growth, education and health on poverty in East Java Province. Oeconomicus Journal of Economics, 7(2), 157-170.

Jacobus, E. H., Kindangen, P., & Walewangko, E. N. (2021). Analisis faktor-faktor yang mempengaruhi kemiskinan rumah tangga di Sulawesi Utara. Jurnal Pembangunan Ekonomi dan Keuangan Daerah, 19(3), 86-103.

Kamenetsky, M., Chi, G., Wang, D., & Zhu, J. (2019). Spatial regression analysis of poverty in R. Spatial Demography, 7(2), 113-147.

Khumaini, S. (2019). Analysis of the effect of empowering productive zakat funds on welfare of the people. JESI (Jurnal Ekonomi Syariah Indonesia), 8(2), 81-88.

Mahendra, A. (2020). analisis pengaruh pengeluaran pemerintah sektor pendidikan dan kesehatan, inflasi dan kemiskinan terhadap indeks pembangunan manusia dengan pertumbuhan ekonomi sebagai variabel moderating di Indonesia. Jurnal Manajemen dan Bisnis, 20(2), 174-186

Marpaung, R. A. R., Sintia, I., & Rahayu, F. (2023). Analysis of the effect of open unemployment rate and human development index on poverty in North Sumatra Province. Indonesian Journal of Advanced Research, 2(5), 361-376.

Melati, P. M., & Suryowati, K. (2018). aplikasi metode common effect, fixed effect, dan random effect untuk menganalisis faktor-faktor yang mempengaruhi tingkat kemiskinan kabupaten/kota di Jawa Tengah dan Daerah Istimewa Yogyakarta. Jurnal Statistika Industri dan Komputasi, 3(1), 41-51.

Molepo, N., & Molepo, N. S. (2022). Household and contextual indicators of poverty in the Gauteng province of South Africa: A multilevel analysis. Journal of Agribusiness and Rural Development, 66(4), 341-354.

Mukhtar, S., Saptono, A., & Arifin, A. S. (2019). Analisis pengaruh indeks pembangunan manusia dan tingkat pengangguran terbuka terhadap kemiskinan di Indonesia. Ecoplan : Journal of Economics and Development Studies, 2(2), 77-89.

Nashwari, I. P., Rustiadi, E., Siregar, H., & Juanda, B. (2017). Geographically weighted regression model for poverty analysis in Jambi Province. Indonesian Journal of Geography, 49(1), 42-50.

Nurjannah, Sari, L., & Yovita, I. (2022). Analisis pengaruh jumlah penduduk, indeks pembangunan manusia dan tingkat pengangguran terbuka terhadap kemiskinan di Provinsi Riau Tahun 2002-2021. Jurnal Ekonmi dan Bisnis, 11(1), 567-574.

Rahmadi, S., & Parmadi, P. (2019). Pengaruh ketimpangan pendapatan dan kemiskinan terhadap pertumbuhan ekonomi antar pulau di Indonesia. Jurnal Paradigma Ekonomika, 14(2), 55-66.

Salsabila, N. A., Juliarto, H. K., Syawal, A. F., & Nohe, D. A. (2022). Analisis regresi data panel pada ketimpangan pendapatan daerah di Provinsi Kalimantan Timur. Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya, 2.

Santi, E., Pravitasari, A. E., & Lubis, I. (2020). Mapping of spatial distribution and spatial autocorrelation patterns of poverty in all regencies/cities in Indonesia. Journal of Applied Geospatial Information, 4(1), 271-282.

Simanungkalit, E. F. B. (2023). Pengaruh pengangguran dan inflasi terhadap kemiskinan di Indonesia. Journal of Management: Small and Medium Enterprises (SMEs), 16(1), 197-206.

Spada, A., Fiore, M., & Galati, A. (2023). The impact of education and culture on poverty reduction: evidence from panel data of European countries. Social Indicators Research, 175, 1-14.

Sunusi, N., & Subarkah, A. (2023). Geographically weighted regression with different kernels: application to model poverty. Indonesian Journal of Applied Research (IJAR), 4(1), 27-41.

Wibowo, D. A., Hidajat, M. S., & Widyatmoko, W. (2023). Poverty modeling in East Java Province using the Spatial Seemingly Unrelated Regression (SUR) Method. Journal of Applied Intelligent System, 8(2), 173-182.

Ye, Y., Chen, S., & Li, C. (2022). Financial technology as a driver of poverty alleviation in China: Evidence from an innovative regression approach. Journal of Innovation and Knowledge, 7(1), 100164.

Zhao, X., Yu, B., Liu, Y., Chen, Z., Li, Q., Wang, C., & Wu, J. (2019). Estimation of poverty using random forest regression with multi-source data: A case study in Bangladesh. Remote Sensing, 11(375), 1-18.




DOI: https://doi.org/10.17509/jem.v12i2.74235

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Mathematics Program Study, Universitas Pendidikan Indonesia

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.



Google Scholar Logo PNG vector in SVG, PDF, AI, CDR format