ANALISIS REGRESI PROBIT BINER PADA FAKTOR-FAKTOR YANG

MEMPENGARUHI KEMISKINAN RUMAH TANGGA DI KECAMATAN PUJUT

KABUPATEN LOMBOK TENGAH

Rara Restia Utami1, Desy Komalasari2, Nurul Fitriyani3

123
Program Studi Matematika FMIPA UNRAM
1
restiautamirara@gmail.com

ABSTRAK

Untuk menanggulangi kemiskinan, perlu diketahui faktor-faktor yang mempengaruhi

terjadinya kemiskinan, sehingga bisa dijadikan bahan acuan pemerintah dalam membuat
kebijakan. Penelitian ini bertujuan untuk menentukan model kemiskinan rumah tangga di
Kecamatan Pujut Kabupaten Lombok Tengah dan menentukan faktor-faktor yang
berpengaruh signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut Kabupaten
Lombok Tengah. Analisis statistika yang digunakan dalam penelitian ini adalah analisis
regresi probit biner. Berdasarkan analis yang telah dilakukan, diperoleh model regresi probit
biner pada faktor-faktor yang mempengaruhi kemiskinan rumah tangga sebagai berikut.

1,042  0,053X 1  0,003X 2  0,035 X 3  0,087 X 4  0,234 X 5  0,306 X 6 

 
y    0,071X 7  0,028 X 8  0,224 X 9  0,157 X 10  0,003X 11  0,329 X 12


  0,212 X 
 13 
Dan faktor yang signifikan mempengaruhi kemiskinan rumah tangga di Kecamatan Pujut
Kabupaten Lombok Tengah yaitu seluruh variabel prediktor. Berdasarkan pengujian secara
serentak dan parsial, model yang diperoleh dapat menjelaskan 99,5% pengaruh variabel-
variabel prediktor terhadap variabel respon yaitu dengan melihat nilai R 2 McFadden sebesar
0,995 .

Kata Kunci: Permasalahan Sosial, R 2 McFadden , Rumah Tangga.

1. Latar Belakang
Provinsi Nusa Tenggara Barat (NTB) merupakan salah satu Provinsi di Indonesia
yang mempunyai permasalahan kemiskinan. Provinsi NTB berada di urutan ke-7 (tujuh)
penduduk miskin terbanyak di Indonesia, yaitu terdapat 786.058 jiwa penduduk miskin.
Salah satu Kabupaten yang terletak di Provinsi NTB adalah Kabupaten Lombok Tengah. Pada
Kabupaten Lombok Tengah terdapat 48.456 rumah tangga miskin, dengan Kecamatan Pujut
merupakan kecamatan dengan rumah tangga miskin terbanyak yaitu 11.417 rumah tangga
miskin [1].
Kemiskinan merupakan masalah sosial yang sangat serius, sehingga perlu dihilangkan
atau paling tidak dikurangi. Untuk menanggulangi kemiskinan, perlu diketahui faktor-faktor
yang mempengaruhi terjadinya kemiskinan, sehingga bisa digunakan sebagai bahan acuan
pemerintah dalam membuat kebijakan untuk menanggulangi permasalahan tersebut.
Untuk menganalisis faktor-faktor yang mempengaruhi kemiskinan rumah tangga,
dibutuhkan suatu analisis statistika. Pada penelitian ini, variabel respon yaitu status
kemiskinan rumah tangga merupakan data kategori. Salah satu analisis statistika yang dapat
digunakan ketika variabel respon berupa data kategori adalah analisis regresi probit. Analisis
regresi probit merupakan suatu analisis yang digunakan untuk melihat hubungan antara
variabel respon yang bersifat kategori dan variabel prediktor yang bersifat kontinu, kategori,
atau gabungan keduanya. Pada penelitian ini, analisis regresi probit yang digunakan berskala
biner, sehingga disebut analisis regresi probit biner.

2. Tinjauan Pustaka

2.1 Analisis Regresi Probit

Analisis regresi probit merupakan suatu analisis regresi yang digunakan untuk
menganalisis hubungan antara variabel respon yang bersifat kualitatif dan variabel prediktor
yang bersifat kualitatif, kuantitatif, atau gabungan dari keduanya [2]. Pemodelan regresi probit
biner diawali dengan memperhatikan model sebagai berikut [3].
   βT x  ε
Y (1)

Pada regresi probit biner dilakukan pengkategorian terhadap Y  secara biner dengan
memberikan batasan atau threshold ( ) , yaitu untuk Y    dikategorikan dengan Y  0 ,

untuk Y    dikategorikan Y  1 , sehingga diperoleh model sebagai berikut.

P(Y  0)  φ(  β T x) (2)

P(Y  1)  1  φ(  β T x) (3)

2.2 Penaksir Parameter

Metode pendugaan parameter yang digunakan pada regresi probit biner adalah metode
Maximum Likelihood Estimation (MLE), karena nilai harapan antar variabel respon tidak
linier dan memiliki varian yang berubah-ubah tergantung dari nilai peluang suksesnya.
Metode MLE memberikan nilai estimasi β dengan memaksimumkan fungsi likelihood. jika i
merupakan nilai-nilai pengamatan suatu sampel dari suatu populasi dengan parameter β .
Hasil pendugaan parameter model probit dengan menggunakan metode maximum likelihood
dapat diperoleh dengan langkah-langkah sebagai berikut.
a. Menentukan n sampel random .
b. Membentuk fungsi likelihood dari n sampel random karena pada dasarnya metode
maximum likelihood memberikan dugaan β dengan memaksimumkan suatu fungsi
likelihood. Fungsi likelihoodnya adalah :

  φ(  β x)
yi
L(β)    1  φ(  β T x) 
n
T 1 yi
(4)
i 1

c. Melakukan transformasi ln terhadap fungsi likelihood karena secara matematis akan

lebih mudah memaksimumkan persamaan (4) dengan transformasi ln . Kemudian
dilanjutkan dengan melakukan turunan pertama dari fungsi ln L(β) terhadap parameter β
sebagai berikut.

 ln L(β) n  yi yi  1 
  xi φ(β T x)    (5)
β 1  φ(  β x) φ(  β x) 
T T
i 1

d. Selanjutnya dilakukan turunan kedua dari fungsi ln L(β) terhadap parameter β sebagai
berikut.
 2 ln L(β) n [1  φ(β T x)]( β T x)φ(β T x)  φ(β T x)φ(β T x)
   xi xi y i 
T

ββ T i 1 [1  φ(β T x)] 2

(6)
n φ(β T x)(β T x)φ(β T x)  φ(β T x)φ(β T x)
 (1  y i ) xi xi
T

i 1 [φ(β T x)] 2
Berdasarkan hasil penaksiran parameter dengan metode maximum likelihood di atas,
ternyata diperoleh fungsi yang implisit. Akibatnya penaksir parameter tidak dapat diperoleh.
Cara untuk mendapatkan penaksir parameter dapat menggunakan metode iterasi Newton
Raphson sebagai berikut [4] .
1
  2 ln L(β)   ln L(β)
β ( m)
β ( m 1)
  ( m1) ( m1)  ( m 1)
(7)
 β β  β
Proses iterasi akan berhenti jika terpenuhi kondisi konvergen, yaitu :
β ( m )  β ( m 1)   . (8)

2.3 Pengujian Parameter

Setelah menaksir parameter maka langkah selanjutnya yang dilakukan adalah menguji
signifikansi parameter tersebut. Untuk itu digunakan uji hipotesis statistik untuk menentukan
apakah variabel prediktor dalam model signifikan atau berpengaruh nyata terhadap variabel
respon.
2.3.1 Uji Likelihood Ratio (Uji serentak atau Uji G )
Statistik uji G yaitu uji likelihood ratio yang digunakan untuk menguji peranan
variabel prediktor dalam model secara bersama-sama. ji G digunakan dalam pengujian secara
simultan dikarenakan persamaan regresi probit merupakan log dari fungsi likelihood dan
merupakan variabel yang dikategorikan, sehingga uji G adalah uji yang tepat dalam pengujian
parameter secara simultan [5]. Hipotesis yang digunakan adalah :
H 0 : 1   2  ...   p  0

H 1 : minimal terdapat  j  0
Statistik uji yang digunakan adalah Likelihood Ratio Test sebagai berikut.
  n0  n0  n1  n1 
     
 
G  2 ln  n    
n n
 (9)

  Pi  1  Pi  i
 i 1
yi 1 y
 

 
dengan,
n0 : jumlah variabel respon ( y ) berkategori 0

n1 : jumlah variabel respon ( y ) berkategori 1

n : n0  n1

Pi : Peluang observasi ke- i , i  1,2,3,..., n

Statistik uji G mengikuti sebaran Chi-Square, uji G membandingkan antara

likelihood tanpa variabel prediktor (l 0 ) dengan likelihood dengan variabel prediktor ( l k ).

Jika n mendekati tak terhingga dengan derajat bebas v dimana v adalah banyaknya
variabel prediktor. Hipotesis H 0 ditolak jika nilai G 2   2 (v,  ) atau nilai p  value   ,
sehingga akan diperoleh kesimpulan bahwa variabel prediktor secara bersama-sama atau
keseluruhan mempengaruhi variabel respon atau dengan kata lain, model yang diperoleh
dapat diterima.

2.3.2 Pengujian Parsial (Uji Wald)

Pengujian parsial bertujuan untuk menguji pengaruh koefisian β secara parsial
dengan membandingkan dugaan β dengan penduga standar errornya. Uji W digunakan pada
pengujian secara parsial dikarenakan data yang digunakan pada regresi probit biner adalah
data yang dikategorikan.
 Hipotesis yang digunakan dalam pengujian secara parsial adalah :
H0 :  j  0

(Tidak ada pengaruh variabel prediktor ke- j terhadap variabel respon)

H1 :  j  0

(Ada pengaruh variabel prediktor ke- j terhadap variabel respon).

Statistik uji yang digunakan adalah Uji-Wald dengan rumus sebagai berikut.

βj
W  ; dengan, j  1,2,..., n (10)
SE(β j )

Statistik uji-Wald mengikuti sebaran distribusi Chi-Square, maka pengujian

dilakukan dengan membandingkan statistik uji-Wald dengan nilai tabel Chi-Square. Hipotesis
H 0 ditolak jika W   2 ((n 1); ) atau nilai p  value   . Keputusan untuk menolak H0

menunjukkan adanya pengaruh variabel respon terhadap variabel prediktor [5].

2.4 Pengujian Kesesuaian Model

Pengujian kesesuaian model digunakan untuk mengetahui apakah terdapat
perbedaan antara hasil observasi dengan hasil prediksi dari persamaan (10). Pengujian
kesesuaian model didasarkan pada kriteria rasio likelihood dengan membandingkan model
tanpa variabel prediktor terhadap model dengan variabel prrdiktor. Hipotesis yang digunakan
dalam pengujian kesesuaian model adalah sebagai berikut.
H0 : Tidak terdapat perbedaan antara hasil observasi dengan hasi
prediksi (Model sesuai).
H1 : Terdapat perbedaan antara hasil obserrvasi dengan hasil prediksi
(Model tidak sesuai).
Statistik uji yang digunakan adalah uji Deviance dengan rumus sebagai berikut.
n  P   1  Pi 
D  2  yi ln  i   (1  yi ) ln   (11)
i 1
  yi   1  yi 
dengan,
Pi : Peluang observasi ke  i

y i : Variabel respon ke  i

Statistik uji D akan mengikuti sebaran  2 dengan derajat bebas n  p . Keputusan

menolak H 0 jika nilai D   2 ,( n  p ) pada tingkat signifikansi  , atau p  value   [6]

.
2.5 Pengukuran Kebaikan Model dan Ketepatan Klasifikasi
Evaluasi prosedur klasifikasi adalah suatu evaluasi yang melihat peluang kesalahan
klasifikasi yang dilakukan oleh suatu fungsi klasifikasi. Nilai ketepatan klasifikasi dapat
diukur melalui pengukuran kesalahan klasifikasi menggunakan Tabel confu-sion matrix
berikut [7].

Tabel 1 Confu-sion Matrix Nilai Observasi dan Prediksi

Hasil Sebenarnya Hasil Prediksi
(observasi) y0 y 1 Total
y0 m 0T m0 F  m0  m0T m0
y 1 m1F  m1  m1T m1T m1

Ukuran yang dipakai untuk menyatakan nilai proporsi observasi yang salah
diklasifikasikan oleh fungsi klasifikasi Apparent Error Rate (APER) sebagai berikut.
Ketepatan klasifikasi  1  APER
m0 F  m1F
 1 (12)
m0  m1

Selain dengan menggunakan nilai ketepatan klasifikasi, pengukuran kebaikan model

dilihat dengan menggunakan nilai Pseudo R 2 McFadden berikut [4].
l 
R 2 MF  1  ln  0  (13)
 lk 
dengan,
l0 : likelihood tanpa variabel prediktor

lk : likelihood dengan variabel prediktor

Model terbaik adalah model yang memiliki nilai Pseudo R 2 McFadden  0,50 .

2.6 Interpretasi Model Regresi Probit Biner

Interpretasi model regresi probit biner pada persamaan (2) dan (3) tidak berdasarkan
[3]
nilai koefisian model, akan tetapi menggunakan efek marginal . Efek marginal menyatakan
besarnya pengaruh tiap variabel prediktor yang signifikan terhadap probabilitas tiap kategori
pada variabel respon. Efek marginal dari persamaan (2) dan (3) adalah sebagai berikut.
P(Y  0)
 φ(  β T x)  i (14)
X i
 P(Y  1)
 φ(  β T x)  i (15)
X i

3. METODE PENELITIAN
Data yang digunakan dalam penelitian ini adalah data skunder dan data primer. Data
skunder yang digunakan dalam penelitian ini adalah data jumlah rumah tangga di Kecamatan
Pujut Kabupaten Lombok Tengah, Sedangkan data primer diperoleh dengan menyebar
kuisioner pada 395 responden yang tersebar di 16 desa di Kecamatan Pujut Kabupaten
Lombok Tengah.
Jumlah sampel yang digunakan dalam penelitian ini ditentukan menggunakan rumus
Slovin sebagai berikut.
N
n (16)
1  Ne 2
dengan,
n : ukuran sampel
N : ukuran populasi
e : taraf signifikansi
Variabel respon ( Y ) yang digunakan dalam penelitian ini adalah status kemiskinan
rumah tangga yang merupakan data kontinu yang dikategorikan, yaitu diukur dengan
pengeluaran perkapita rumah tangga yang dibandingkan dengan garis kemiskinan (GK)
Provinsi NTB kemudian dikategorikan menjadi 2, yaitu: Y  0 , jika pengeluaran perkapita
kurang dari garis kemiskinan (GK) , maka rumah tangga dikatakan miskin dan Y  1 , jika
pengeluaran perkapita lebih dari atau sama dengan garis kemiskinan (GK) , maka rumah
tangga dikatakan tidak miskin. Variabel prediktor (X ) yang digunakan dalam penelitian ini
disajikan dalam Tabel 2 berikut.
Tabel 2 Variabel Prediktor dalam Penelitian
Variabel Kategori/ Tipe
X1 (jenis kelamin kepala rumah tangga) 0 : perempuan
1 : laki-laki
X2 (umur kepala rumah tangga) 0 :  50 tahun
1 :  50 tahun
X3 ( jumlah anggota rumah tangga) 0 :  4 orang
1 :  4 orang
X4 (pendidikan terakhir kepala rumah 0 : Tidak sekolah, SD,
tangga) SMP
1 : SMA atau
Perguruan Tinggi
 Tabel 2 (Lanjutan)
Variabel Kategori/ Tipe
X5 (pekerjaan utama kepala rumah tangga ) 0 : non formal
1 : formal
X6 (status kepemilikan tempat tinggal) 0 : bukan milik sendiri
1 : milik sendiri/ rumah dinas
X7 (kepemilikan sepeda motor atau 0 : tidak ada
kendaraan bermotor lainnya) 1 : ada
X8 ( jenis dinding terluas tempat tinggal ) 0 : bambu/ kayu/rumbia/
tembok tanpa di plester
1 : tembok (batu, bata,
batako) yang di plester
X9 ( jenis lantai terluas tempat tinggal ) 0 : kayu/ tanah/ bambu/
semen tanpa di plester
1 : semen yang diplester/
keramik/marmer
X 10 (status kepemilikan meteran listrik yang 0 : bukan milik sendiri
digunakan) 1 : milik sendiri
X 11 ( bahan bakar utama ketika memasak ) 0 : kayu bakar/ minyak tanah
1 : gas
X 12 ( penguasaan komputer oleh kepala 0 : tidak
rumah tangga) 1 : ya
X 13 ( bantuan yang diterima dari pemerintah) 0 : tidak ada
1 : ada

4. HASIL DAN PEMBAHASAN

4.1 Pendugaan Parameter
Hasil pendugaan parameter model regresi probit biner pada faktor-faktor yang
mempengaruhi kemiskinan rumah tangga di Kecamatan Pujut Kabupaten Lombok Tengah
dengan software SPSS 16.0 dapat dilihat pada Tabel 3 berikut.

Tabel 3 Hasil Pendugaan Parameter Model Regresi Probit Biner

Variabel Koefisien β
Konstanta 1,042
X1 Jenis kelamin kepala rumah tangga 0,053
X2 Umur kepala rumah tangga 0,003
X3 Jumlah anggota rumah tangga 0,035
X4 Pendidikan kepala rumah tangga  0,087
X5 Pekerjaan kepala rumah tangga  0,234
X6 Status kepemilikan tempat tinggal  0,306
X7 Kepemilikan sepeda motor atau kendaraan bermotor lainnya 0,071
X8 Jenis dinding terluas tempat tinggal  0,028
X9 Jenis lantai terluas tempat tinggal 0,244
 X 10 Status kepemilikan meteran listrik 0,157
X 11 Bahan bakar utama yang digunakan untuk memasak 0,003
X 12 Keahlian kepala rumah tangga mengoperasikan komputer 0,329
X 13 Keberadaan bantuan dari pemerintah yang pernah diterima 0,212
anggota rumah tangga

4.2 Pengujian Parameter secara Serentak (Uji G )

Pengujian serentak dilakukan untuk memeriksa atau menguji signifikansi parameter β
secara keseluruhan. Hipotesis yang digunakan dalam pengujian serentak adalah:
H 0 : 1   2  ...   p  0

H 1 : minimal terdapat  j  0
Hasil pengujian secara serentak menggunakan software SPSS 16.0 dapat dilihat pada
Tabel 4 berikut.

Tabel 4 Pengujian Secara Serentak (Uji G )

Informasi Ketepatan Model
Model -2 log likelihood Chi-Square Db p-value
Intercept Only 521
Final 0 521 13 0,000

Berdasarkan Tabel 4, diperoleh nilai Ghitung  521   2 (13;0,05)  22,362 , dimana nilai

 2 ( v; ) dapat dilihat pada Lampiran 15 dan berdasarkan Tabel 4 diperoleh nilai p  value
sebesar 0,000    0,05 . Oleh karena itu, dapat diambil keputusan untuk menolak H 0 ,
sehingga dapat diambil kesimpulan bahwa terdapat minimal satu variabel prediktor yang
berpengaruh signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut Kabupaten
Lombok Tengah.

4.3 Pengujian Parameter secara Parsial

Pengujian secara parsial dilakukan untuk mengetahui pengaruh dari masing-masing
variabel prediktor terhadap variabel respon. Pada pengujian secara parsial dilakukan
pengujian menggunakan uji Wald. Hipotesis yang digunakan dalam pengujian parsial adalah :
H0 :  j  0
(Tidak ada pengaruh variabel prediktor ke- j terhadap
variabel respon).
 H1 :  j  0
(ada pengaruh variabel prediktor ke- j terhadap
variabel respon).
Tabel 6 berikut merupakan hasil pengujian parsial dengan software SPSS 16.0.

Tabel 5 Hasil Pengujian Parsial Model Probit Biner

Variabel Parameter Standar Error w p-value
Konstanta 0 0,1210 8,264 0,000

X1 1 0,0655 15,267 0,000

X2 2 0,5713 1,750 0,000

X3 3 0,2378 4,205 0,000

X4 4 0,1056 9,469 0,000

X5 5 0,2308 4,332 0,000

X6 6 0,1018 9,920 0,000

X7 7 0,0892 11,210 0,000

X8 8 0,7802 0,612 0,000

X9 9 0,1864 5,36480 0,000

X 10 10 0,0376 26,59574 0,000

X 11  11 0,5822 1,717623 0,000

X 12 12 0,2202 4,541326 0,000

X 13 13 0,0837 11,94743 0,000

Berdasarkan Tabel 5, dapat diketahui nilai p  value untuk masing-masing variabel

adalah 0,000, dimana nilai tersebut kurang dari   0,05 , sehingga dapat diputuskan untuk
menolak H 0 . Oleh karena itu, dapat disimpulkan bahwa variabel X 1, X 2 , X 3 ,..., X 13
berpengaruh secara signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut
Kabupaten Lombok Tengah.

4.8 Pengujian Kesesuaian Model

Pengujian kesesuaian model digunakan untuk mengetahui apakah terdapat perbedaan
antara hasil observasi dengan hasil prediksi. Hipotesis yang digunakan dalam pengujian
kesesuaian model yaitu :
 H0 : Model sesuai

H1 : Model tidak sesuai

Hasil pengujian menggunakan software SPSS 16.0 dapat dilihat pada Tabel 6 berikut.

Tabel 6 Hasil Pengujian Kesesuaian Model Regresi Probit Biner

Chi-square db P-value
Pearson 57,82 382 0,00
Deviance 98,81 382 0,97

Berdasarkan Tabel 6, diperoleh nilai Deviance sebesar 98,81  X 2 ( 0,05;382)  428,573 dan
nilai p  value  0,97    0,05 yang berarti dapat diputuskan untuk gagal tolak H 0 . Oleh
karena itu, dapat disimpulkan bahwa model yang diperoleh sesuai atau layak untuk
digunakan.

4.9 Klasifikasi dan Kriteria Kebaikan Model Regresi Probit Biner

Model regresi probit biner yang diperoleh dapat digunakan untuk mengklasifikasikan
faktor yang mempengaruhi kemiskinan rumah tangga. Tabel 7 berikut menunjukkan hasil
klasifikasi yang didapatkan dari model regresi probit biner.
Tabel 10 Klasifikasi Model Regresi Probit Biner
Prediksi
Aktual
Miskin Tidak miskin Total
Miskin 253 0 253
Tidak miskin 2 140 142
Total 255 140 395

Ketepatan klasifikasi dapat dihitung menggunakan persamaan (12) dan diperoleh hasil
sebagai berikut.
20
APER   100 %
390
 0,00512 %  5,12%

Ketepatan klasifikasi  1  5,12%  99,48%

Berdasarkan hasil perhitungan menggunakan persamaan (12) di atas diperoleh nilai
kesalahan klasifikasi sebesar 5,12% sehingga nilai ketepatan klasifikasi resiko kemiskinan
rumah tangga di Kecamatan Pujut dengan regresi probit biner sebesar 99,48% .
 Ukuran kebaikan model regresi probit biner berdasarkan nilai PseudoR2  McFadden
dapat dilihat pada Tabel 11 berikut.

Tabel 11 Kriteria Kebaikan Model Berdasarkan

Nilai PseudoR2  McFadden
PseudoR2 Nilai
McFadden 0,995

Berdasarkan Tabel 11 dapat diketahui nilai PseudoR2  McFadden sebesar 0,995 ,

artinya sebesar 99,5% dari hasil observasi dapat dijelaskan oleh model prediksi yang
diperoleh.

4.10 Interpretasi Model

Model regresi probit biner dengan menggunakan semua variabel prediktor merupakan
model regresi probit biner terbaik, karena pengujian parsial menunjukkan bahwa keseluruhan
variabel berpengaruh signifikan terhadap kemiskinan rumah tangga di Kecamatan Pujut.
Model regresi probit biner yang terbentuk adalah sebagai berikut.
1,042  0,053 X 1  0,003 X 2  0,035 X 3  0,087 X 4  0,234 X 5 
 
y     0,306 X 6  0,071 X 7  0,028 X 8  02,224 X 9  0,157 X 10 
  0,003 X  0,329 X  0,212 X 
 11 12 13 
Probabilitas model probit biner untuk y  0 berdasarkan persamaan (2.6) dan (2.7) adalah :

1,042  0,053 X 1  0,003 X 2  0,035 X 3  0,087 X 4 

 
P( y  0 | x)  φ  0,234 X 5  0,306 X 6  0,071 X 7  0,028 X 8  02,224 X 9 
  0,157 X  0,003 X  0,329 X  0,212 X 
 10 11 12 13 
(4.4)
Probabilitas model probit biner untuk y  1 adalah :

1,042  0,053 X 1  0,003 X 2  0,035 X 3  0,087 X 4 

 
  0,234 X 5  0,306 X 6  0,071 X 7  0,028 X 8 
P( y  1 | x)  1  φ 
 02,224 X 9  0,157 X 10  0,003 X 11
 
  0,329 X  0,212 X 
 12 13 
(4.5)
5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan analisis yang telah dilakukan, diperoleh kesimpulan sebagai berikut.
1. Model regresi probit biner pada faktor-faktor yang mempengaruhi kemiskinan rumah
tangga di Kecamatan Pujut Kabupaten Lombok Tengah berdasarkan faktor-faktor yang
signifikan adalah sebagai berikut.
1,042  0,053 X 1  0,003 X 2  0,035 X 3  0,087 X 4  0,234 X 5  0,306 X 6 

 
y    0,071 X 7  0,028 X 8  02,224 X 9  0,157 X 10  0,003 X 11  0,329 X 12 
  0,212 X 
 13 
2. Berdasarkan model probit yang diperoleh, faktor-faktor yang signifikan mempengaruhi
kemiskinan rumah tangga di Kecamatan Pujut Kabupaten Lombok Tengah adalah jenis
kelamin kepala rumah tangga ( X 1 ) , umur kepala rumah tangga ( X 2 ) , jumlah anggota
rumah tangga ( X 3 ) , pendidikan kepala rumah tangga ( X 4 ) , pekerjaan kepala rumah

tangga ( X 5 ) , status kepemilikan tempat tinggal ( X 6 ) , kepemilikan sepeda motor atau

kendaraan bermotor lainnya ( X 7 ) , jenis dinding terluas tempat tinggal ( X 8 ) , jenis lantai

terluas tempat tinggal ( X 9 ) , status kepemilikan meteran listrik yang digunakan ( X 10 ) ,

bahan bakar utama yang digunakan ketika memasak ( X 11 ) , keahlian kepala rumah tangga
dalam mengoperasikan komputer ( X 12 ) , dan keberadaan bantuan dari pemerintah yang

pernah diterima ( X 13 ) .

5.2 Saran
Berdasarkan analisis yang telah dilakukan, saran yang dapat disampaikan adalah sebagai
berikut.
1. Untuk memperoleh kesimpulan yang lebih luas, sebaiknya digunakan sampel pada
beberapa kecamatan.
2. Untuk pemerintak terkait, agar permasalahan kemiskinan di Kecamatan Pujut abupaten
Lombok Tengah dapat teratasi, diharapkan pengentasan kemiskinan di Kecamatan Pujut
Kabupaten Lombok Tengah mengedepankan rumah tangga dengan kriteria kepala rumah
tangga seorang perempuan, umur kepala rumah tangga lebih dari 50 tahun, rumah tangga
dengan kepemilikan tempat tinggal bukan milik sendiri, rumah tangga dengan tempat
tinggal kurang layak, rumah tangga dengan kepemilikan meteran listrik bukan milik
sendiri, rumah tangga yang masih menggunakan kayu bakar sebagai bahan bakar utama
 untuk memasak, perbaikan pendidikan para petani, memberikan sosialisasi pentingnya
program keluarga berencana, serta pemberian bantuan harus lebih diperhatikan agar tepat
sasaran.

DAFTAR PUSTAKA

Badan Pusat Statistik, 2016 Data dan Informasi, BPS : Mataram. [1]

Fahmiyah, I., Latra, I.N., 2016, Faktor yang Mempengaruhi Kadar Gula Darah Puasa Pasien
Diabetes Malitus Tipe 2 di Poli Diabetes RSUD Dr. Soetomo Surabaya menggunakan Regresi
Probit Biner, Jurnal Sains dan Seni, Vol. 5 No. 2 Hal. 2, ITS : Surabaya. [6]

Green, W.H., 2008, Econometric Analysis, Edisi ke 6, Prentice Hall Inc : New Yersey. [3]

Gujarati, D.N., 2004, Basic Econometrics, Edisi ke 4, The McGraw-Hill : New York. [2]

Hosmer, D., dan Lemeshow, 2000, Applied Logistic Regression, Edisi ke 2, John Wiley and
Sons : USA.[5]

Johnson, R.A., dan Wichern, D., 2007, Applied Multivariat Statistical Analysis, Edisi ke 9,
New Jersey : Prentice Hall. [7]

Masitoh, F., dan Ratnasari, V., 2016, Pemodelan Status Ketahanan Pangan di Provinsi Jawa
Timr dengan Pendekatan Metode Regresi Probit Biner, Vol. 5 No. 2 Hal. 2, Jurnal
Statistika, ITS : Surabaya. [4]