Abstrak
Masalah anak yang putus sekolah perlu mendapatkan perhatian karena salah satu indikator yang
berguna untuk mengukur kemajuan sumber daya manusia pada bidang pendidikan. Untuk menekan
laju pertambahan jumlah anak putus sekolah tersebut dapat dilakukan dengan cara mengetahui faktor-
faktor yang berpengaruh terhadap jumlah anak putus sekolah dan berpotensi dalam meningkatkan laju
pertumbuhan anak yang putus sekolah. Pemodelan yang menggunakan pengaruh daerah (area) disebut
pemodelan spasial. Ciri dari pemodelan spasial adalah adanya matriks pembobot yang merupakan
penanda adanya hubungan antara suatu wilayah dengan wilayah lain. Salah satu model spasial yaitu
Spasial Durbin Model (SDM). Penelitian ini bertujuan untuk mengetahui jumlah anak putus sekolah
di wilayah Bali dengan menggunakan metode SDM dan ingin menetahui faktor-faktor yang
mempengaruhi anak putus sekolah di wilayah Bali. Model yang didapat ialah pemodelan SDM
menghasilkan nilai AICc yang lebih kecil dibandingkan pemodelan dengan OLS. Tidak adanya lag
variabel independen yang signifikan menyebabkan hasil estimasi parameter menggunakan SDM
menjadi tidak signifikan akan tetapi pada identifikasi nilai Moran’s I mengidentifikasikan adanya
dependensi spasial pada variabel independen yang artinya ada kemiripan sifat untuk lokasi yang saling
berdekatan.
Kata kunci: Regresi, Spasial, OLS, SDM
8
JURNAL VARIAN E-ISSN 2581-2017
VOL.2 NO.1 SEPTEMBER 2018
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
pembobot (W). Spatial Durbin Model (SDM) geografis pada tiap pengamatannya.
merupakan salah satu jenis model tersebut, Berdasarkan hasil analisis dan pembahasan
dikembangkan karena dalam beberapa kasus yang dilakukan, Astari menyimpulkan bahwa
hubungan dependensi dalam spasial tidak hanya faktor spasial/lokasi tidak berpengaruh
terjadi pada variabel dependen, tetapi juga pada terhadap data jumlah anak putus sekolah usia
variabel independen sehingga ditambahkan pendidikan dasar di Provinsi Bali tahun 2010.
spasial lag WX pada model.
B. Analisis Regresi
Kasus putus sekolah sesuai digunakan
dalam metode spasial dikarenakan untuk melihat Analisis Regresi merupakan metode yang
jumlah anak putus sekolah dalam suatu wilayah digunakan untuk mengetahui pola hubungan
dipengaruhi oleh daerah lainnya yang berdekatan. antara variabel respon dan variabel bebas. Model
Tujuan dari penelitian ini adalah untuk persamaan regresi sebagai berikut.
mendeskripsikan jumlah anak putus sekolah di Y 0 1 X 1 2 X 2 p X p (1)
Bali serta faktor – faktor yang diduga dengan :
mempengaruhinya. serta memodelkan jumlah a) Pengujian Serentak
anak putus sekolah di wilayah dengan Hipotesis yang digunakan untuk pengujian
menggunakan metode SDM. serentak adalah sebagai berikut.
: = =⋯= =0
II. TINJAUAN PUSTAKA : minimal ada satu ≠ 0; =1,2,…,
A. Penelitian yang Terkait statistik uji untuk menghitung dengan
Beberapa penelitian tentang regresi spasial yaitu: rumus (2) dibawah ini:
1. [3] dalam penelitiannya yang berjudul = (2)
“Pemodelan Angka Putus Sekolah Usia Wajib
Belajar Menggunakan Metode Regresi Spasial b) Pengujian Parsial
di Jawa Timur” menerapkan aspek spasial Pengujian parameter regresi secara parsial dilakukan
untuk melihat apakah keragaman karakteristik untuk mengetahui parameter yang signifikan
antar kabupaten/kota di Jawa Timur memengaruhi variabel dependen. Hipotesis untuk
menentukan kualitas pendidikan pada daerah pengujiannya sebagai berikut.
tersebut, selain itu Fitroni juga ingin : k 0
mengetahui faktor-faktor yang berpengaruh
: k 0 ; =1,2,…,
secara nyata terhadap angka putus sekolah di
Jawa Timur. Hasil akhir dari penelitian ini statistik uji sesuai rumus (3) di bawah ini:
menunjukkan bahwa APS (Angka Putus = (3)
Sekolah) tingkat SD tidak terdapat dependensi
spasial. Hal ini menandakan bahwa pada
tingkat SD di setiap kabupaten/kota di Jawa C. Regresi Spasial
Timur sudah berjalan mandiri dan tidak Hukum pertama tentang geografi menyatakan
memiliki ketergantungan dengan daerah yang bahwa segala sesuatu saling berhubungan satu dengan
lainnya. Faktor-faktor yang diperoleh, yaitu yang lainnya, tetapi sesuatu yang dekat mempunyai
rasio guru dan murid, PDRB per kapita, dan pengaruh lebih besar daripada sesuatu yang jauh [2].
rasio penduduk tamatan maksimal SD. Hukum tersebut merupakan dasar pengkajian
2. [4] dalam penelitiannya yang berjudul permasalahan berdasarkan efek lokasi atau metode
“Pemodelan Jumlah Anak Putus Sekolah Di spasial. Metode spasial merupakan metode untuk
Provinsi Bali Dengan Pendekatan “Semi- mendapatkan informasi pengamatan yang dipengaruhi
Parametric Geographically Weighted Poisson efek ruang atau lokasi. Pengaruh efek ruang tersebut
Regression” mengatakan bahwa faktor-faktor disajikan dalam bentuk koordinat lokasi (longitude,
yang mempengaruhi jumlah putus sekolah latitude) atau pembobotan.
pada tiap wilayah berbeda- beda tergantung Pemodelan spasial mempunyai dua tipe data
pada karakteristik dari masing-masing daerah yaitu dapat dibedakan menjadi pemodelan dengan
tersebut, sehingga diperlukan suatu analisis pendekatan titik dan area. Pengujian efek spasial
statistika yang memperhitungkan faktor dilakukan dengan uji heterogenitas dan dependensi
9
JURNAL VARIAN
VOL.2 NO.1 SEPTEMBER 2018 E-ISSN 2581-2017
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
spasial. Penyelesaian jika ada efek heterogenitas E. Spatial Durbin Model (SDM)
adalah dengan mengunakan pendekatan titik. Jenis Model spasial Mixed Regressive-Autoregressive
pendekatan titik antara lain Geographically Weighted memiliki bentuk persamaan seperti Spatial
Regression (GWR), Geographically Weighted Autoregressive model (SAR) dengan hanya ada
Poisson Regression (GWPR), Space-Time pengaruh spasial lag pada variabel dependen. Namun
Autoregressive (STAR), dan Generalized Space-Time Spatial Durbin Model (SDM) merupakan kasus
Autoregressive (GSTAR). Penyelesaian jika ada efek khusus dari model SAR dengan menambahkan
dependensi spasial adalah dengan mengunakan pengaruh lag pada variabel independen. Oleh karena
pendekatan area. Pendekatan area antara lain Spatial itu perlu ditambahkan spasial lag pada model sehingga
Autoregressive Model (SAR), Spatial Error Model pembobotan dilakukan pada variabel independen
(SERM), Spatial Durbin Model (SDM), Conditional maupun dependen. Bentuk model SDM adalah
Autoregressive Model (CAR), dan Spatial sebagai berikut [2]:
Autoregressive Moving Average (SARMA). SDM = ∑ + +( + +
merupakan kasus khusus dari model SAR dengan )+
⋯+ + ⋯+
menambahkan pengaruh lag pada variabel
∑ + ∑ +
independen, sehingga pembobotan dilakukan pada
variabel independen maupun dependen. ⋯+ ∑ + ⋯+
∑ + (4)
D. Model Regresi Spasial = ∑ + +∑ +
Menurut [2] bahwa model regresi yang ∑ ∑ +
melibatkan pengaruh spasial disebut model regresi dengan k menyatakan banyaknya variabel dan i
spasial. Salah satu pengaruh spasial yaitu autokorelasi menyatakan amatan ke-i.
spasial, adanya unsur autokorelasi spasial Bentuk model SDM (4) dapat dinyatakan
mengakibatkan terbentuknya parameter spasial dalam matriks dengan vektor parameter koefisien
autoregresif dan moving average, sehingga terbentuk spasial lag variabel independen dinyatakan dalam .
proses spasial sebagai berikut: = + + + +
= + + (2.14)
(2.6) atau
= + = + +
(2.7)
~ (0, I) dengan, = [1 ] =[ ]
sehingga model umum yang terbentuk adalah:
F. Penduga Parameter Spatial Durbin Model
= + + + (SDM)
dengan y merupakan vektor variabel dependen yang Penduga parameter model SDM menggunakan
berukuran ×1, adalah parameter koefisien Maximum Likelihood Estimation (MLE). Fungsi
spasial lag variabel dependen, adalah parameter likelihood terbentuk melalui error ( ) sehingga
koefisien spasial lag error, u merupakan vektor error menjadi persamaan (5) .
pada persamaan (2.6) yang berukuran × 1, dan = + + (5)
merupakan vektor error pada persamaan (2.7) = − −
berukuran × 1, yang berdistribusi normal dengan = (I − ) −
mean nol dan varians I. Sementara itu, dan
merupakan matriks pembobot dengan ukuran × (2.15)
dimana = = . Vektor parameter koefisien L( ; )=
regresi dilambangkan dengan yang berukuran ( +
1) × 1. Matriks merupakan matriks variabel exp − ( ) (2.16)
independen yang berukuran × ( + 1), L( , , | )=
merupakan matriks identitas yang berukuran × ,
( )exp − ( ) (7)
banyak amatan atau lokasi ( = 1, 2, 3, … , ), dan
banyak variabel independen.
10
JURNAL VARIAN
VOL.2 NO.1 SEPTEMBER 2018 E-ISSN 2581-2017
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
600
400
IV. HASIL DAN PEMBAHASAN 200
0
A. Statistika Deskriptif 100 200 300 400 500 10 15 20 25
Y
X3 X4
800
N 600
P ek utat an
P upu an
P ene bel
Tega lla la ng
P aya ngan B ang li
Re nda ng
B eba nde m
S ela t
A ban g
Gambar 3 Pola Hubungan antara Jumlah Anak
S us ut
S ele m a deg
S ele m a deg B ara t
S ele m a deg Tim ur M arg a
Tam pak s irin g
Tem buk u
S ide m e n M an ggis
K aran gas em
Putus Sekolah dan Faktor yang Memengaruhinya
K eram bitan
Taba nan
M en gw i
Ub ud B anjarak an
Giany ar Da wa n
Seperti tampak pada Gambar 4.2 serta hasil
Pulau Bali.sh p
100 - 156
K ediri
A bia ns em a l B lah bat uh
S uk aw ati pengujian korelasi dengan taraf signifikansi 5% yang
157 - 309
310 - 431
K uta U tara
De npa sa r Tim u r dapat dilihat pada Lampiran 1, menunjukkan bahwa
432 - 638 De npa sa r S elata n
639 - 865
K uta Nu sa P en ida variabel independen yang berkorelasi positif terhadap
K uta S ela tan
variabel dependen yaitu X1, X2, dan X4, ini berarti
semakin tinggi nilai variabel independen yang
Gambar 2 Persebaran Jumlah Anak Putus Sekolah berpengaruh maka semakin tinggi angka putus
(Y) per Kecamatan di Provinsi Bali sekolah dan begitu pula sebaliknya.
Seperti tampak pada Gambar 2, dapat dilihat pola
penyebaran jumlah anak putus sekolah di Provinsi C. Nilai Moran’s I
Bali. Berdasarkan Gambar 2 diketahui warna lokasi Uji dependensi spasial dilakukan untuk
yang semakin gelap, mengidentifikasikan semakin mengidentifikasi apakah ada hubungan antarlokasi
tinggi jumlah anak putus sekolah di lokasi tersebut. terhadap masing-masing variabel dengan
Terlihat bahwa kecamatan dengan kategori jumlah menggunakan Moran’s I. Pengambilan keputusan
anak putus sekolah sangat tinggi (639—865) terdapat dilakukan jika | |> maka tolak atau
di Kecamatan Gerogak, Seririt, Buleleng, Sukasada terdapat dependensi antarlokasi
(Kabupaten Buleleng), Kecamatan Kubu dan Abang Tabel 1 Pengujian Moran’s I
(Kabupaten Karangasem). Kode Variabel Moran’s | | p-value
Kategori jumlah angka putus sekolah sangat I
rendah (100—156) terdapat di Kecamatan Pekutatan Y Jumlah 0,352 1,302 0,193
(Kabupaten Jembrana), Selemadeg Timur, anak putus
Kerambitan, Penebel, Marga (Kabupaten Tabanan), sekolah usia
Kecamatan Petang (Kabupaten Badung), Payangan, pendidikan
Sukawati (Kabupaten Gianyar), Kecamatan dasar pada
Banjarankan, Dawan (Kabupaten Bangli). tiap
kecamatan
di Provinsi
B. Identifikasi Pola Hubungan Antar Variabel Bali
Sebelum melakukan pemodelan Ordinary X1 Rasio siswa 0,747 1,166 0,243
Least Square (OLS) dan pemodelan Spatial Durbin, terhadap
maka dilakukan identifikasi pola hubungan antara sekolah
variabel kemiskinan dan faktor-faktor yang pada tiap
memengaruhidengan menggunakan Scatterplot, dapat kecamatan
dilihat pada Gambar 3. di Provinsi
Bali
X2 Rasio siswa 0, 642 2,711 0,007*
terhadap
13
JURNAL VARIAN
VOL.2 NO.1 SEPTEMBER 2018 E-ISSN 2581-2017
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
14
JURNAL VARIAN
VOL.2 NO.1 SEPTEMBER 2018 E-ISSN 2581-2017
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
16
JURNAL VARIAN
VOL.2 NO.1 SEPTEMBER 2018 E-ISSN 2581-2017
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
17
JURNAL VARIAN
VOL.2 NO.1 SEPTEMBER 2018 E-ISSN 2581-2017
Pemodelan Menggunakan Metode Spasial Durbin Model Untuk Data Angka Putus Sekolah Usia Pendidikan Dasar
Luh Putu Safitri Pratiwi, Shofwan Hanief, I Ketut Putu Suniantara
kecamatan yang berdekatan ( ) dengan kecamatan Pengetahuan Alam, Institut Teknologi Sepuluh
yang diamati ( ) terhadap jumalha anak putus sekolah Nopember, Surabaya.
Berdasarkan analisis pada kedua model yaitu [4] Astari, G. R., & Srinadi, G. M. (2013). Pemodelan
model OLS dan Model SDM dapat disimpulkan Jumlah Anak Putus Sekolah di Provinsi Bali
bahwa pemodelan SDM menghasilkan nilai yang dengan Pendekatan Semi-Parametric
lebih besar dan nilai AICc yang lebih kecil Geographically Weighted Poisson Regression. E-
dibandingkan pemodelan dengan OLS. Tidak adanya Jurnal Matematika Universitas Udayana Bali,
lag variabel independen yang signifikan menyebabkan Vol.2 No.3, 29-34.
hasil estimasi parameter menggunakan SDM menjadi [5] Lee J. and Wong S.W.D. 2001. Statistical
tidak signifikan akan tetapi pada identifikasi nilai Analysis with Arcview GIS, John Willey & Sons,
Moran’s I mengidentifikasikan adanya dependensi Inc., United Stated of America
spasial pada variabel independen yang artinya ada [6] Perobelli, F. S. dan Haddad, E. 2003. An
kemiripan sifat untuk lokasi yang saling berdekatan. Exploratory Spatial Data Analysis of Brazilian
Interregional Trade (1985-1996).
V. KESIMPULAN DAN SARAN http://www.uiuc.edu/unit/real.pdf. Diakses pada
tanggal 27 Februari 2013.
Berdasarkan analisis pada kedua model yaitu
model OLS dan SDM, model SDM dapat disimpulkan
bahwa pemodelan SDM menghasilkan nilai AICc
yang lebih kecil dibandingkan pemodelan dengan
OLS. Tidak adanya lag variabel independen yang
signifikan menyebabkan hasil estimasi parameter
menggunakan SDM menjadi tidak signifikan akan
tetapi pada identifikasi nilai Moran’s I
mengidentifikasikan adanya dependensi spasial pada
variabel independen yang artinya ada kemiripan sifat
untuk lokasi yang saling berdekatan.
Tabel 8 Perbandingan Metode OLS dan Metode
SDM
Model AICc Rsq
OLS 747,342 33,1%
SDM 275,4899 42,15%