=============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

TUGAS MANDIRI

ANALISIS PENGARUH TINGKAT PENGANGGURAN TERBUKA DAN KEMISKINAN

TERHADAP TINGKAT KEJADIAN KRIMINALITAS DI INDONESIA DENGAN METODE
REGRESI LOGISTIK

DIBUAT OLEH:

NAMA : BUDI PRASETYO

NRP : A156190144
PRODI : ILMU PERENCANAAN WILAYAH

INSTITUT PERTANIAN BOGOR

2019
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

ANALISIS PENGARUH TINGKAT PENGANGGURAN TERBUKA DAN

KEMISKINAN TERHADAP TINGKAT KEJADIAN KRIMINALITAS DI INDONESIA
DENGAN METODE REGRESI LOGISTIK
Budi Prasetyo/ A156190144
PS. PWL – Institut Pertanian Bogor

Latar Belakang
Angka jumlah penduduk yang hidup di bawah garis kemiskinan semakin berkurang dari tahun
ke tahun. Berdasarkan data BPS, persentase kemiskinan penduduk di Indonesia cenderung mengalami
penurunan dari tahun 2007 – 2019. Pada semester I tahun 2019 ini persentase kemiskinan tercatat pada
angka 9,41 %.
Menurut definisi BPS, Tingkat Pengangguran Terbuka (TPT) adalah persentase jumlah
pengangguran terhadap jumlah angkatan kerja. Berdasarkan hasil Survei Angkatan Kerja Nasional
(Sakernas) yang dilakukan oleh BPS selama kurun waktu 10 (sepuluh) tahun terakhir (dari mulai tahun
2009 – 2018), tingkat pengangguran terbuka di Indonesia juga cenderung mengalami penurunan dari
kisaran tertinggi pada angka 8,14 % di tahun 2009, hingga mencapai 5,34 % di tahun 2018.
Pada kenyataannya kemiskinan dan pengangguran masih menjadi permasalahan utama dalam
pembangunan. Kedua hal tersebut juga sering menimbulkan permasalahan sosial di masyarakat.
Pengangguran memiliki pengaruh yang signifikan terhadap kriminalitas di Indonesia (Rahmalia,
Ariusni, & Triani, 2019). Begitu pula dengan kemiskinan, meningkatnya kemiskinan maka kriminalitas
akan meningkat di Indonesia dan sebaliknya jika kemiskinan mengalami penurunan maka kriminalitas
juga akan mengalami penurunan di Indonesia.
Berdasarkan data BPS dari 34 (tiga puluh empat) wilayah yurisdiksi Polda yang ada di
Indonesia, Polda Metro Jaya menempati peringkat pertama dalam hal banyaknya tindak kriminalitas
yang terjadi selama kurun waktu 2018 yaitu sebanyak 34.655 kasus. Sedangkan peringkat terendah
adalah wilayah yurisdiksi Polda Kalimantan Utara yang hanya mencatatkan 396 kasus.
Tujuan penelitian ini adalah untuk mengetahui pengaruh tingkat pengangguran terbuka dan
tingkat kemiskinan terhadap tingkat kriminalitas di Indonesia yang terjadi selama tahun 2018.

Data Penelitian dan Metode

Analisis data yang dilakukan adalah menggunakan metode regresi logistik dengan
menetapkan variabel kemiskinan dan tingkat pengangguran sebagai variabel bebas (independent) dan
variabel tingkat/ jumlah kriminalitas sebagai variabel terikat (dependent). Sumber data yang dijadikan
obyek penelitian adalah data sekunder yang bersumber dari website www.bps.go.id. Adapun deskripsi
maupun jenis data yang digunakan dijelaskan pada Tabel berikut:

Tabel 1. Jenis dan Deskripsi Data

No Jenis Data Nama Variabel Deskripsi Tahun
1 Kemiskinan Penduduk X1 Persentase Jumlah Penduduk miskin 2018
per Provinsi
2 Tingkat Pengangguran X2 Persentase Jumlah Pengangguran 2018
terbuka per Provinsi
3 Tingkat Kriminalitas Y Jumlah Tindak Kriminalitas yang 2018
terjadi per Polda
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Analisis pengaruh variabel independent terhadap variabel dependen menggunakan metode regresi
logistik dilakukan sesuai langkah berikut:
1) Data persentase kemiskinan dan persentase tingkat pengangguran terbuka yang awalnya berupa
data numerik dikonversi menjadi data nominal atau kategori (tinggi dan rendah).

Tabel 2. Data Tingkat Pengangguran Terbuka, Tingkat Kemiskinan dan Tingkat Kriminalitas di
Indonesia Tahun 2018
Data Rasio Data Nominal
No Provinsi
TPT Miskin Kriminal TPT Miskin Kriminal
1 Aceh 6,55 15,97 8.758 Tinggi Tinggi Tinggi
2 Sumatera Utara 5,59 9,22 32.922 Tinggi Tinggi Tinggi
3 Sumatera Barat 5,55 6,65 12.953 Tinggi Tinggi Tinggi
4 Riau 6,20 7,39 7.246 Tinggi Tinggi Rendah
5 Jambi 3,86 7,92 6.313 Tinggi Tinggi Rendah
6 Sumatera Selatan 4,23 12,82 13.558 Tinggi Tinggi Tinggi
7 Bengkulu 3,51 15,43 3.389 Tinggi Tinggi Rendah
8 Lampung 4,33 13,14 8.963 Tinggi Tinggi Tinggi
9 Kepulauan Bangka 3,65 5,25 2.048 Tinggi Rendah Rendah
Belitung
10 Kepulauan Riau 7,12 6,20 3.409 Tinggi Tinggi Rendah
11 DKI Jakarta 6,24 3,57 34.655 Tinggi Rendah Tinggi
12 Jawa Barat 8,17 7,45 16.209 Tinggi Tinggi Tinggi
13 Jawa Tengah 4,51 11,32 9.127 Tinggi Tinggi Tinggi
14 DI Yogyakarta 3,35 12,13 6.731 Tinggi Tinggi Rendah
15 Jawa Timur 3,99 10,98 26.295 Tinggi Tinggi Tinggi
16 Banten 8,52 5,25 3.623 Tinggi Rendah Rendah
17 Bali 1,37 4,01 3.212 Rendah Rendah Rendah
18 Nusa Tenggara Barat 3,72 14,75 6.451 Tinggi Tinggi Rendah
19 Nusa Tenggara Timur 3,01 21,35 6.257 Tinggi Tinggi Rendah
20 Kalimantan Barat 4,26 7,77 5.814 Tinggi Tinggi Rendah
21 Kalimantan Tengah 4,01 5,17 5.699 Tinggi Rendah Rendah
22 Kalimantan Selatan 4,50 4,65 2.667 Tinggi Rendah Rendah
23 Kalimantan Timur 6,90 6,06 6.287 Tinggi Tinggi Rendah
24 Kalimantan Utara 5,22 7,09 396 Tinggi Tinggi Rendah
25 Sulawesi Utara 6,86 7,80 10.247 Tinggi Tinggi Tinggi
26 Sulawesi Tengah 3,43 14,01 9.379 Tinggi Tinggi Tinggi
27 Sulawesi Selatan 5,39 9,06 13.558 Tinggi Tinggi Tinggi
28 Sulawesi Tenggara 3,26 11,63 1.263 Tinggi Tinggi Rendah
29 Gorontalo 4,03 16,81 2.836 Tinggi Tinggi Rendah
30 Sulawesi Barat 3,16 11,25 1.817 Tinggi Tinggi Rendah
31 Maluku 7,38 18,12 2.751 Tinggi Tinggi Rendah
32 Maluku Utara 4,77 6,64 722 Tinggi Tinggi Rendah
33 Papua Barat 6,30 23,01 3.475 Tinggi Tinggi Rendah
34 Papua 3,20 27,74 7.311 Tinggi Tinggi Rendah
Rumus Konversi:
a) X1 = Tingkat Pengangguran Terbuka (TPT), jika
X1 > 1,64, maka X1 = Tinggi, value = 1, dan jika
X1 ≤ 1,64, maka X1 = Rendah, value = 0
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

b) X2 = Persentase Kemiskinan, jika

X2 > 5,69, maka X2 = Tinggi, value = 1, dan jika
X2 ≤ 5,69, maka X2 = Rendah, value = 0
c) Y = Jumlah Kejadian Kriminalitas, jika
Y > 8.415,26, maka Y = Tinggi, value = 1, dan jika
Y ≤ 8.415,26, maka Y = Rendah, value = 0
2) Model persamaan regresi logistik adalah:

dimana ln adalah logaritma natural

sedangkan p aksen adalah probabilitas logistik yang didapat dengan rumus:

e merupakan fungsi eksponen

3) Nilai Odds Ratio

Dengan model persamaan regresi logistik di atas, tentunya akan sangat sulit untuk
menginterprestasikan koefisien regresinya. Oleh karena itu maka diperkenalkanlah istilah Odds
Ratio atau yang biasa disingkat Exp(B) atau OR (Odds Ratio). Exp(B) merupakan exponen dari
koefisien regresi. Jadi misalkan nilai slope dari regresi adalah sebesar 0,80, maka Exp(B) dapat
diperkirakan sebagai berikut:

4) Pseudo R Square
Perbedaan lainnya yaitu pada regresi ini tidak ada nilai “R Square” untuk mengukur besarnya
pengaruh simultan beberapa variabel bebas terhadap variabel terikat. Dalam regresi logistik
dikenal istilah Pseudo R Square, yaitu nilai R Square Semu yang maksudnya sama atau identik
dengan R Square pada Ordinary Least Squares (OLS) regression. Jika pada OLS menggunakan
uji F Anova untuk mengukur tingkat signifikansi dan seberapa baik model persamaan yang
terbentuk, maka pada regresi ini menggunakan Nilai Chi-Square. Perhitungan nilai Chi-Square ini
berdasarkan perhitungan Maximum Likelihood.

Hasil dan Pembahasan

Identifikasi Data Sampel

Case Processing Summary
Unweighted Casesa n Percent
Selected Cases Included in Analysis 34 100.0
Missing Cases 0 .0
Total 34 100.0
Unselected Cases 0 .0
Total 34 100.0
a. If weight is in effect, see classification table for the total
number of cases.
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Metode regresi logistik dilakukan untuk mengetahui pengaruh variabel bebas (X1 dan X2)
terhadap variabel terikat (Y) dari data yang jenisnya nominal atau kategori (contoh: ya dan tidak, tinggi
dan rendah). Penelitian ini menggunakan bantuan software SPSS 16.0 untuk analisis pengaruh tingkat
pengangguran terbuka dan tingkat kemiskinan terhadap tingkat kejadian kriminalitas di wilayah
yurisdiksi Polda di seluruh Indonesia. Hasilnya sesuai yang diperlihatkan pada tabel Case Processing
Summary di atas diketahui jumlah sampel yang terbaca sebanyak 34 sampel dan tidak ada sampel yang
hilang atau tidak terbaca.
Dependent Variable Encoding
Original Value Internal Value
Rendah 0
Tinggi 1
Variabel terikat/ dependent variable (tingkat kejadian kriminalitas) dikodekan dengan value 0
untuk tingkat kriminalitas “rendah” dan value 1 untuk tingkat kriminalitas “tinggi”.

Iteration Historya,b,c
Coefficients
Iteration -2 Log likelihood
Constant
Step 0 1 44.151 -.588
2 44.149 -.606
3 44.149 -.606
Dari tabel Iteration History pada block 0 atau blok permulaan / proses inisialisasi artinya
variabel X1 dan X2 belum dimasukkan ke dalam model penelitian, didapatkan nilai -2 log likelihood
= 44,149, sedangkan nilai chi – square (X2) tabel, pada df = 33 dan probabilitas 0.05 adalah X2(33, 0,05)
= 47,399. Nilai degree of freedom (df) didapat melalui rumus: df = n – 1 = 34 – 1 = 33.
Karena nilai -2 log likelihood (44,149) < nilai X2 tabel (47,399) maka H0 diterima artinya adalah
model FIT dengan data pada tingkat kepercayaan 95% sebelum variabel independen dimasukkan.

Classification Tablea,b
Predicted
Observed Tingkat Kriminalitas
Percentage Correct
Rendah Tinggi
Step 0 Tingkat Rendah 22 0 100.0
Kriminalitas Tinggi 12 0 .0
Overall Percentage 64.7
a. Constant is included in the model.
b. The cut value is, 500
Di atas pada tabel Classification Table merupakan tabel kontingensi 2 x 2 yang seharusnya
terjadi atau disebut juga frekuensi harapan berdasarkan data empiris variabel dependen, di mana
jumlah data dengan kategori “tinggi” (value = 1) sebanyak 12, sedangkan kategori “rendah”
(value = 0) sebanyak 22 orang. Jumlah sampel sebanyak 34 data, sehingga nilai overall percentage
sebelum variabel independen dimasukkan ke dalam model adalah sebesar: 22/34 = 64,7%.
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Variables in the Equation

B S.E. Wald df Sig. Exp(B)
Step 0 Constant -.606 .359 2.853 1 .091 .545
Pada tabel Variables in The Equation, variabel independen (X1, X2) belum dimasukkan ke
dalam model, nilai slope atau koefisien beta (B) dari konstanta adalah sebesar 0,606 dengan Odds
Ratio atau Exp(B) sebesar 0,545. Nilai Signifikansi atau p-value dari uji Wald sebesar 2,853.

Variables not in the Equation

Score df Sig.
Step 0 Variables X1 .562 1 .453
X2 1.107 1 .293
Overall Statistics 1.253 2 .534
Di atas pada tabel Variables not in the Equation menunjukkan variabel yang belum dimasukkan
ke dalam model regresi, yaitu variabel X1 dan X2.

Iteration Historya,b,c,d
-2 Log Coefficients
Iteration likelihood Constant X1 X2
Step 1 1 42.807 -2.000 .800 .771
2 42.610 -3.135 1.758 .942
3 42.555 -4.179 2.793 .951
4 42.536 -5.194 3.808 .951
5 42.529 -6.200 4.813 .951
6 42.526 -7.202 5.815 .951
7 42.525 -8.202 6.816 .951
8 42.525 -9.203 7.816 .951
9 42.525 -10.203 8.817 .951
10 42.525 -11.203 9.817 .951
11 42.525 -12.203 10.817 .951
12 42.525 -13.203 11.817 .951
13 42.525 -14.203 12.817 .951
14 42.525 -15.203 13.817 .951
15 42.525 -16.203 14.817 .951
16 42.525 -17.203 15.817 .951
17 42.525 -18.203 16.817 .951
18 42.525 -19.203 17.817 .951
19 42.525 -20.203 18.817 .951
20 42.525 -21.203 19.817 .951
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Di atas pada tabel Iteration history Block 1 atau saat variabel independen dimasukkan dalam
model, didapatkan nilai -2 log likelihood = 42,525. Sedangkan nilai chi – square (X2) tabel didapatkan
pada nilai df = 31 (df = n – jumlah variabel independent – 1) dan probabilitas 0.05 = 44,98534 adalah
X2(31, 0.05)= 44,98534.
Karena nilai -2 log likelihood (42,525) < X2 tabel (44,985) sehingga menerima H0, maka
menunjukkan bahwa model FIT dengan data pada tingkat kepercayaan 95%.

Hasil Omnibus Test

Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 1.624 2 .444
Block 1.624 2 .444
Model 1.624 2 .444
2 2
Nilai X = 1,624 < X tabel pada df = 2 (jumlah variabel independen 2) yaitu 5,991 atau dengan
signifikansi sebesar 0,444 (> 0,05), maka H0 diterima, yang menunjukkan bahwa model FIT dengan
data pada tingkat kepercayaan 95% setelah variabel independen ditambahkan.

Pseudo R Square
Model Summary
-2 Log Cox & Snell Nagelkerke R
Step likelihood R Square Square
1 42.525a .047 .064
Di atas pada tabel Model Summary: untuk melihat kemampuan variabel independen dalam
menjelaskan variabel dependen, digunakan nilai Cox & Snell R Square dan Nagelkerke R Square.
Nilai-nilai tersebut disebut juga dengan Pseudo R-Square atau jika pada regresi linear (OLS) lebih
dikenal dengan istilah R-Square.
Nilai Nagelkerke R Square sebesar 0,064 dan Cox & Snell R Square 0,047, yang menunjukkan
bahwa kemampuan variabel independen dalam menjelaskan variabel dependen adalah sebesar 0,064
atau 6,4% dan terdapat 100% – 6,4% = 93,6% faktor lain di luar model yang menjelaskan variabel
dependen.

Hosmer and Lemeshow Test

Hosmer and Lemeshow Test
Step Chi-square df Sig.
1 .000 1 1.000
Nilai Chi Square tabel untuk df = 1 (Jumlah variabel independen – 1) pada taraf signifikansi
0,05 adalah sebesar 3,841. Karena nilai Chi Square Hosmer and Lemeshow hitung 0,000 < Chi Square
tabel 3,841 atau nilai signifikansi sebesar 1,000 (> 0,05) sehingga H0 diterima, yang menunjukkan
bahwa model DAPAT diterima dan pengujian hipotesis DAPAT dilakukan sebab tidak ada perbedaan
signifikan antara model dengan nilai observasinya.
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Classification Tablea
Predicted
Observed Tingkat Kriminalitas
Percentage Correct
Rendah Tinggi
Step 1 Tingkat Kriminalitas Rendah 22 0 100.0
Tinggi 12 0 .0
Overall Percentage 64.7
a. The cut value is ,500
Berdasarkan Classification di atas, kategori kriminalitas rendah terdapat di 22 wilayah.
Sedangkan kategori tingkat kriminalitas rendah terdapat di 12 wilayah. Nilai overall percentage
dihitung dari persentase jumlah wilayah yang berkategori “rendah” yaitu sebesar 22/34 = 64,7% yang
berarti ketepatan model penelitian ini adalah sebesar 64,7%.

Pendugaan Parameter
Variables in the Equation
95,0% C.I.for
B S.E. Wald df Sig. Exp(B) EXP(B)
Lower Upper
Step 1a X1 19.817 4.019E4 .000 1 1.000 4.039E8 .000 .
X2 .951 1.183 .646 1 .422 2.588 .255 26.306
Constant -21.203 4.019E4 .000 1 1.000 .000
a. Variable(s) entered on step 1: X1, X2.
Pada tabel Variabel in the equation di atas semua variabel independen nilai P-value uji wald
(Sig) > 0,05, artinya masing-masing variabel mempunyai pengaruh parsial yang signifikan terhadap Y
di dalam model. X1 (tingkat pengangguran terbuka) mempunyai nilai Sig Wald 1,000 > 0,05 sehingga
H0 diterima berarti tingkat pengangguran terbuka memberikan pengaruh parsial yang signifikan
terhadap tingkat kriminalitas. X2 (persentase kemiskinan) mempunyai nilai Sig Wald 0,422 > 0,05
sehingga H0 diterima berarti persentase kemiskinan memberikan pengaruh parsial yang signifikan
terhadap kejadian tingkat kriminalitas.

Odds Ratio
Besarnya pengaruh ditunjukkan dengan nilai Exp(B) atau disebut juga Odds Ratio (OR). Nilai
OR variabel X1 sebesar 4,039 x 108, maka tingkat pengangguran terbuka “tinggi” memiliki peluang
menyebabkan terjadinya tindak kriminalitas yang “tinggi” sebanyak 4,039 x 108 kali lipat di
bandingkan dengan tingkat pengangguran terbuka “rendah”. Nilai B = Logaritma Natural dari 4,039 x
108 = 19,817. Oleh karena nilai B bernilai positif, maka tingkat pengangguran terbuka mempunyai
hubungan positif dengan tingkat kriminalitas di suatu wilayah.
Variabel X2 (persentase kemiskinan) dengan OR 2,588 maka persentase kemiskinan yang
“tinggi”, berpeluang menyebabkan tingkat kriminalitas yang “tinggi” pula sebanyak 2,588 kali lipat di
bandingkan jika dibandingkan persentase kemiskinan “rendah”. Nilai B = Logaritma Natural dari
2,588 = 0,951. Oleh karena nilai B bernilai positif, maka persentase kemiskinan mempunyai hubungan
positif dengan tingkat kriminalitas.
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Persamaan Regresi Logistik

Berdasarkan nilai-nilai B pada perhitungan di atas, maka model persamaan yang dibentuk
adalah sebagai berikut:
𝑃
𝑙𝑛 (1−𝑃) = −21,203 + 19,817 𝑋1 + 0,951 𝑋2
dan nilai probabilitas (𝑝̂ ) memiliki persamaan:
exp (−21,203 + 19,817 𝑋1 + 0,951 𝑋2)
𝑝̂ =
1 + exp (−21,203 + 19,817 𝑋1 + 0,951 𝑋2)
dari persamaan nilai probabilitas (𝑝̂ ) di atas misal nilai X1 = 1 yang berarti tingkat pengangguran
terbuka “tinggi” dan X2 = 1 yang berarti persentase kemiskinan “tinggi” kemudian dimasukkan ke
dalam persamaan, maka hasilnya sebagai berikut:
exp (−21,203 + 19,817 (1) + 0,951 (1))
𝑝̂ =
1 + exp (−21,203 + 19,817 (1) + 0,951 (1))
𝑝̂ = 0,39293
Hal ini berarti nilai probabilitas tingkat pengangguran terbuka “tinggi” dan persentase kemiskinan
“tinggi” menyebabkan tingkat kriminalitas “tinggi” sebesar 0,39293.

Kesimpulan
Berdasarkan nilai Odds Ratio hasil analisis pengaruh tingkat pengangguran terbuka dan
persentase kemiskinan terhadap tingkat kriminalitas dapat disimpulkan sebagai berikut:
1. Nilai OR variabel X1 (tingkat pengangguran terbuka) sebesar 4,039 x 108, berarti tingkat
pengangguran terbuka “tinggi” memiliki peluang menyebabkan terjadinya tindak kriminalitas
yang “tinggi” sebanyak 4,039 x 108 kali lipat di bandingkan dengan tingkat pengangguran terbuka
“rendah”. Nilai B = Logaritma Natural dari 4,039 x 108 = 19,817. Oleh karena nilai B bernilai
positif, maka tingkat pengangguran terbuka mempunyai hubungan positif dengan tingkat
kriminalitas di suatu wilayah.
2. Nilai OR variabel X2 (persentase kemiskinan) sebesar 2,588, maka persentase kemiskinan yang
“tinggi”, berpeluang menyebabkan tingkat kriminalitas yang “tinggi” pula sebanyak 2,588 kali
lipat di bandingkan jika dibandingkan persentase kemiskinan “rendah”. Nilai B = Logaritma
Natural dari 2,588 = 0,951. Oleh karena nilai B bernilai positif, maka persentase kemiskinan
mempunyai hubungan positif dengan tingkat kriminalitas.
 =============== TUGAS MK ANALISIS KUANTITATIF SPASIAL ===============

Daftar Pustaka

Badan Pusat Statistik. (2019, Desember 13).

https://www.bps.go.id/dynamictable/2016/08/18/1219/persentase-penduduk-miskin-menurut-
provinsi-2007---2019.html.

Badan Pusat Statistik. (2019, Desember 13).

https://www.bps.go.id/publication/2019/12/12/66c0114edb7517a33063871f/statistik-
kriminal-2019.

Badan Pusat Statistik. (2019, Desember 13).

https://www.bps.go.id/statictable/2014/09/15/981/tingkat-pengangguran-terbuka-tpt-
menurut-provinsi-1986---2018.html.

Hidayat, A. (2019, Desember 13). https://www.statistikian.com/2015/02/regresi-logistik-dengan-

spss.html.

Rahmalia, S., Ariusni, & Triani, M. (2019, Desember 13).

http://ejournal.unp.ac.id/students/index.php/pek/article/view/7377/3423.