Menurut Sadono dalam Franita (2016), Pengangguran adalah suatu keadaan di mana

seseorang yang tergolong dalam angkatan kerja ingin mendapatkan pekerjaan tetapi belum dapat
memperolehnya. Penggangguran adalah salah satu masalah yang sangat perlu ditangani di
Indonesia. Tingginya tingkat pengangguran dapat berdampak negatif terhadap beberapa aspek
salah satunya pada perekonomian negara. Semakin rendah tingkat pengangguran di suatu negara
maka perekonomiannya semakin baik (Triliani, 2017). Pengangguran adalah salah satu masalah
yang masih menjadi persoalan dimana – mana terlebihnya di Jawa Tengah, Data Badan Pusat
Statistika di Jawa Tengah mencatat 10 tahun terakhir dari tahun 2010 sampai 2019,
pengangguran tertinggi pada tahun 2011 mencapai 7,07%.

Ada 3 faktor penyebab pengangguran yaitu kependudukan, pendidikan dan ekonomi. Pada faktor
kependudukan pengaruhnya adalah pertumbuhan penduduk semakin cepat setiap tahun tidak
diimbangi dengan semakin banyaknya lapangan pekerjaan sehingga mengakibatkan terjadinya
pengangguran (Suyanto dalam Fauzi et.al, 2019). Kemiskinan juga adalah salah satu faktor yang
dapat mempengaruhi tingkat pengangguran di Indonesia, dilihat dari data BPS Provinsi Jawa
Tengah tingkat kemiskinan tertinggi pada tahun 2011 mencapai 16,21% dari penduduk Provinsi
Jawa Tengah. Kemiskinan di suatu wilayah dipengaruhi oleh kemiskinan di wilayah sekitarnya.
Hal ini berdasarkan hukum geografi yang dikemukakan Tobler (Tobler’s first law of geography)
dalam Schabenberger dan Gotway (2005), yang menyatakan “everything is related to everything
else, but near things are more related than distant things”. Segala sesuatu saling berhubungan
satu dengan yang lainnya, tetapi sesuatu yang lebih dekat akan lebih berpengaruh daripada
sesuatu yang jauh. Hukum Tobler digunakan sebagai pilar kajian analisis data spasial.

Dari faktor faktor diatas dapat dianalisis menggunakan analisis regresi karena observasinya
berupa wilayah yang berada di jawa tengah maka perlu diduga bahwa ada efek spasial
didalamnya, maka dalam penelitian ini akan menggunakan pendekatan spasial yang dinamakan
regresi spasial. Menurut Anselin (1988) Regresi spasial adalah analisis yang mengevaluasi
hubungan antara satu variabel dengan beberapa variabel lain dengan memberikan efek spasial
pada beberapa lokasi yang menjadi pusat pengamatan. Menurut Fauzi et. al (2019), Matriks
pembobot spasial menggambarkan kedekatan atau keterikatan suatu area dengan area lain
berdasarkan informasi ataupun letak area yang berukuran n x n dan matriks yang menyatakan
hubungan dari wilayah pengamatan. Analisis Regresi Spasial merupakan regresi yang
melibatkan efek spasial/keruangan untuk memodelkan serta mengetahui seberapa besar
variabel variabel independen mempengaruhi variabel dependen. (Sari, et al. 2018),

Komponen yang mendasar dari model analiis spasial adalah matriks pembobot spasial, matriks
inilah yang mencerminkan adanya hubungan antara satu wilayah dengan wilayah lainnya (Grasa
1989). Banyak metode dalam membuat matriks pembobot. Salah satunya dengan pendekatan
area berupa ketetanggaan antar wilayah (LeSage 1999). Diharapkan penggunaan model regresi
spasial ini mampu menentukan faktor-faktor yang berpengaruh terhadap kemiskinan di setiap
wilayah sehingga dapat dijadikan salat satu rujukan dalam program pengentasan kemiskinan
yang tepat sasaran.
 Berdasarkan penjelasan diatas pada penelitian ini kami akan membahas “Analisis Regresi
Spasial dengan Pembobot Queen Contiguity pada Tingkat Pengangguran Terbuka di Provinsi
Jawa Tengah Tahun 2019”. Tujuan Penelitian ini adalah pemodelan untuk menentukan faktor-
faktor yang mempengaruhi tingkat pengangguran terbuka di pulau Jawa khususnya Jawa Tengah.

Metode

Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari BPS
tentang pengangguran di kabupaten/kota di provinsi Jawa Tengah pada tahun 2019.
Variabel respon dan penjelas yang digunakan dalam penelitian ini :

Tabel 1. Variabel Independen dan dependen

Variabel Keterangan
Y Tingkat Pengangguran Terbuka (TPT)
X1 Tingkat Partisipasi Angkatan Kerja (TPAK)
X2 Jumlah Penduduk
X3 Presentase Penduduk Miskin

Data yang digunakan diperoleh dari data publikasi BPS pada Jawa Tengah dalam persen. Dengan
regresi spasial pemodelan untuk menentukan faktor-faktor yang mempengaruhi tingkat
pengangguran terbuka di pulau Jawa khususnya Jawa Tengah.

Untuk mendukung penelitian tersebut penelitian ini menggunakan software penduduk yaitu R
Studio. R studio adalah software olah data statistika yang dapat diakses secara gratis yang
didalamnya banyak terdapat package package yang dapat membantu untuk menyelesaikan
masalah statistic salah satunya adalah menentukan faktor faktor yang mempengaruhi tingkat
pengangguran terbuka di jawa tengah dengan pemodelan regresi spasial

Spasial Autoregressive Model

Model otoregresi spasial (Spatial Autoregressive Model /SAR) merupakan model regresi linier
yang pada variabel responnya terdapat korelasi spasial. Model ini dinamakan campuran
otoregresi dengan regresi karena mengkombinasikan regresi biasa dengan modek regresi spasial
lag pada variabel respon [5].
y= ρWy+ Xβ +u, dengan u=λWu+ ε (2)
2
ε N (0 ,σ )
Dengan λ : koefisien spatial error
ρ : koefisien spatial lag
u : vektor error
Estimasi dari parameter β pada Spatial Autoregressive Model yang diperoleh dengan
menggunakan metode maksimum likelihood adalah sebagai berikut:
^β=( X T X )−1 X T ( y− ρWy)
 Spatial Error Model
Jika pada persamaan (2) ρ=0dan λ ≠ 0, maka akan terbentuk persamaan sebagai berikut:
y= Xβ+u, u=λWu+ ε, ε N (0 ,σ 2 I ) (3)
Persamaan (3) disebut model regresi galat spasial(Spatial Error Model). Model galat spasial
adalah model regresi linier yang pada variabel galatnya terdapat korelasi spasial. Hal ini
disebabkan oleh adanya variabel penjelas yang tidak dilibatkan dalam model regresi linier
sehingga akan dihitung sebagai galat dan variabel tersebut berkorelasi spasial dengan galat
pada lokasi lain.Pendugaan parameter model galat spasial menggunakan metode kemungkinan
maksimum.
Penduga untuk β adalah:
^β=¿
Untuk menduga parameter λ diperlukan suatu iterasi numerik untuk mendapatkan penduga
untuk λ yang memaksimalkan fungsi log kemungkinan tersebut.

Uji Efek spasial

Efek spasial dapat dibedakan menjadi dua bagian yaitu otokorelasi spasial dan keragaman
spasial. Otokorelasi spasial terjadi akibat adanya ketergantungan dalam data spasial (korelasi
galat spasial). Sedangkan keragaman spasial terjadi akibat adanya perbedaan antara satu
wilayah dengan wilayah lainnya (Random Region Effect). Menguji keberadaan random region
effect dan korelasi galat spasial dalam model regresi data spasial sangat penting karena
mengabaikan kedua hal tersebut akan menyebabkan penduga tidak efisien dan kesimpulan
yang diperoleh tidak tepat.

Matriks pembobot spasial

Matriks pembobot spasial menggambarkan kedekatan atau keterikatan suatu area dengan
area lain berdasarkan informasi ataupun letak area yang berukuran n x n dan disimbolkan
dengan W. Terdapat beberapa macam hubungan persinggungan (contiguity) antar area,
Matriks pembobot spasial merupakan matriks yang menyatakan hubungan dari wilayah
pengamatan Adapun bentuk umum dari matriks pembobot spasial (W) adalah:
W 11 W 12 … W 1 n

[
W = 21
W
⋮⋮
W 11 … W 2 n
⋱
W n 1 W n 2 ⋯ W nn
⋮
]
Elemen-elemen dari 𝑾 diatas adalah 𝑤𝑖𝑗 dengan 𝑖 adalah baris pada elemen 𝑾 dan 𝑗
adalah kolom pada elemen 𝑾 dan merupakan wilayah di sekitar lokasi pengamatan 𝑖. elemen
𝑾 diatas dapat memiliki dua nilai yaitu nol dan satu. Dimana nilai 𝑤𝑖𝑗 = 1 untuk wilayah yang
berdekatan dengan lokasi pengamatan, sedangkan nilai 𝑤𝑖𝑗 = 0 untuk wilayah yang tidak
berdekatan dengan lokasi pengamatan.