1
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI
INDEKS PEMBANGUNAN GENDER (IPG) DENGAN
MENGGUNAKAN REGRESI PROBIT
Ari Vanerlin Fitarisca(1) dan Vita Ratnasari(2)
(1)(2)
Jurusan Statistika, FMIPA, ITS, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail : (1)arivanerlin@gmail.com; (2)vita_ratna@statistika.its.ac.id
Abstrak—Dewasa ini, perhatian terhadap
pembangunan yang berbasiskan gender semakin besar,
tidak terkecuali di Indonesia. Pengertian gender dalam
kasus ini bukanlah hanya sekadar pada perbedaan secara
biologis maupun fisik antara laki-laki dan perempuan
namun lebih mengacu kepada perbedaan antara laki-laki
dan perempuan dalam peran, perilaku, kegiatan, serta
hal-hal yang berkaitan dengan sosial. Perbedaan
pencapaian yang menggambarkan kesenjangan
pencapaian antara laki-laki dan perempuan dapat
terjelaskan melalui Indeks Pembangunan Gender (IPG).
Regresi probit adalah salah satu metode regresi yang
digunakan untuk menjelaskan hubungan antara variabel
respon yang merupakan variabel diskrit dengan variabel
bebas yang berupa variabel diskrit, kontinyu, maupun
campuran antara keduanya. Berdasarkan perhitungan,
dapat diketahui bahwa faktor-faktor yang
mempengaruhi IPG pada penduduk laki-laki antaralain
APS SD/sederajat dan rasio jenis kelamin saat lahir.
Sedangkan faktor yang mempengaruhi IPG pada
penduduk perempuan yaitu APS SMA/sederajat, TPAK,
PPP, dan rasio jenis kelamin saat lahir.
Kata Kunci— Regresi, Probit, Indeks Pembangunan Gender
I. PENDAHULUAN
Tingkat keberhasilan pembangunan yang telah membawa
persoalan gender dapat diukur, salah satunya adalah dengan
Indeks Pembangunan Gender (IPG). IPG merupakan suatu
indeks yang mengukur pencapaian pembangunan kapabilitas
dasar manusia pada bidang kesehatan, pendidikan, dan
ekonomi di suatu wilayah dengan mempertimbangkan
kesetaraan antara laki-laki dan perempuan [1]. Pengertian
gender dalam kasus ini bukanlah hanya sekadar pada
perbedaan secara biologis maupun fisik antara laki-laki dan
perempuan namun lebih mengacu kepada perbedaan antara
laki-laki dan perempuan dalam peran, perilaku, kegiatan,
serta hal-hal yang berkaitan dengan sosial.
Perbedaan gender dapat terlihat dari kecenderungan pada
peran dalam publik maupun domestik [1]. Kegiatan yang
dilakukan di luar rumah dan bertujuan mendapatkan
penghasilan disebut dengan peran publik. Sedangkan yang
dimaksud dengan peran domestik adalah kegiatan yang
dilakukan di dalam rumah yang berkaitan dengan
kerumahtanggaan dan tidak dimaksudkan untuk mendapat
penghasilan. Pada prakteknya, perbedaan gender sering
menimbulkan ketidakadilan yang pada akhirnya akan men
mengakibatkan korban baik bagi kaum laki-laki maupun
kaum perempuan.
Di Indonesia, Menteri Pemberdayaan Perempuan dan
Anak menyatakan bahwa kesenjangan gender masih terjadi
dalam pelaksanaan pembangunan di setiap tingkatan [2].
Berdasarkan data terakhir di Kementrian Pemberdayaan
Perempuan dan Anak, setiap tahunnya selalu ada selisih
antara angka IPM dan IPG yang menandakan bahwa masih
adanya kesenjangan antara laki-laki dan perempuan, dimana
angka IPG lebih rendah daripada IPM. Oleh sebab itu, perlu
dianalisis faktor-faktor apa saja yang mempengaruhi IPG di
Indonesia agar kedepannya pemerintah dapat lebih fokus
dalam menangani masalah tersebut. Salah satu metode yang
dapat digunakan adalah regresi probit.
Metode regresi probit merupakan salah satu metode
regresi yang digunakan untuk menganalisis antara variabel
respon yang berupa variabel diskrit dengan variabel prediktor
yang berupa variabel diskrit, kontinyu, maupun campuran
antara keduanya. Penelitian dengan menggunakan regresi
probit sebelumnya pernah dilakukan oleh [3] mengenai
pemodelan disparitas gender di Jawa Timur menggunakan
pendekatan model regresi probit ordinal. [4] meneliti
mengenai pemetaan dan pemodelan tingkat partisipasi
angkatan kerja perempuan di provinsi Jawa Timur dengan
pendekatan model probit. Untuk penelitian mengenai IPG,
variabel pada penelitian kali ini merujuk kepada penelitian
yang dilakukan oleh [3] mengenai disparitas gender serta [5]
mengenai analisis komponen IPG yang dilakukan pada data
di Kalimantan Timur dan Kalimantan Selatan tahun 2014.
II. TINJAUAN PUSTAKA
A. Indeks Pembangunan Gender (IPG)
Indeks Pembangunan Gender (IPG) adalah ukuran yang
digunakan untuk mengetahui pembangunan manusia [6]. IPG
mengukur tingkat pencapaian kemampuan dasar
pembangunan manusia yang sama seperti IPM, yaitu harapan
hidup, tingkat pendidikan, dan pendapatan namun dengan
memperhitungkan ketimpangan gender. IPG dapat digunakan
untuk mengetahui kesenjangan pembangunan manusia antara
laki-laki dan perempuan. Kesenjangan gender dapat dilihat
dari selisih antara IPM dan IPG. UNDP dalam [7] telah
mengelompokkan tingkatan pembangunan manusia
berdasarkan gender (IPG) ke dalam empat kategori, yaitu:
kelompok tinggi, jika IPG ≥ 80, kelompok menengah atas,
jika IPG 66 ≤ 𝑥 < 80, kelompok menengah bawah, jika IPG
50 ≤ 𝑥 < 66, dan kelompok rendah, jika IPG < 50.
Seperti yang telah dijelaskan sebelumnya bahwa IPG
mengukur tingkat pencapaian kemampuan dasar
pembangunan manusia yang sama seperti IPM, yaitu
kesehatan, tingkat pendidikan, dan pendapatan. Oleh karena
itu, variabel yang digunakan dalam penelitian ini adalah
variabel yang dapat mewakili indikator-indikator tersebut.
 2

Pada bidang pendidikan menggunakan variabel APS (Angka
Partisipasi Sekolah) SD/sederajat, APS SMP/sederajat, dan
SMA/sederajat, serta persentase penduduk dengan
pendidikan terakhir yang ditamatkan adalah SMP. Pada
bidang kesehatan menggunakan variabel persentase
penduduk memiliki masalah kesehatan dan TFR. Untuk
indikator pendapatan menggunakan variabel PPP dan TPAK
(Tingkat Partisipasi Angkatan Kerja). Selain itu ditambah
dengan variabel yang dapat menjelaskan orientasi gender
yaitu rasio jenis kelamin dan rasio jenis kelamin saat lahir.
C. Penaksiran Parameter Regresi Probit
Parameter pada model regresi probit dapat ditaksir
dengan menggunakan metode MLE (Maximum Likelihood
Estimation) dan metode Newton-Raphson. Langkah-langkah
yang digunakan untuk memperoleh penaksir parameter
model regresi probit dengan menggunakan MLE adalah
sebagai berikut:
1. Menentukan 𝑛 sampel random
2. Membentuk fungsi likelihood dari 𝑛 sampel random.
Fungsi likelihoodnya adalah sebagai berikut:
  1  β X
1Yi


n
B. Metode Regresi Probit
L(β)    β T X (7)
Yi T

Regresi probit adalah salah satu metode regresi yang i 1

digunakan untuk menjelaskan hubungan antara variabel 3. Melakukan transformasi ln terhadap fungsi likelihood.
respon yang merupakan variabel diskrit dengan variabel Secara matematis dapat ditulis sebagai berikut:
bebas yang berupa variabel diskrit, kontinyu, maupun n
  βT X
ln Lβ    Yi ln 
   n
  
   ln 1   β X
T (8)
campuran antara keduanya. Regresi probit merupakan i 1 1   β X
T
 
 i 1
singkatan dari “Probability Unit”, sehingga regresi probit 4. Mendapatkan penaksir untuk β dengan memaksimumkan
merupakan sebuah metode regresi yang berkaitan dengan
unit-unit probabilitas. Regresi probit juga dikenal sebagai fungsi ln likelihood, yaitu dengan mencari turunan
model Normit yang merupakan singkatan dari “Normal pertama fungsi ln likelihood pada persamaan (8)
 ln Lβ  n Xβ T X
Probability Unit” karena berdasarkan fungsi sebaran peluang
normal kumulatif baku [8]. β T
 
i 1
Yi
1  β T Xβ T X
(9)

Pemodelan pada regresi probit diawali seperti pada Berdasarkan hasil penaksiran untuk parameter β dengan
persamaan berikut: menggunakan metode MLE ternyata diperoleh fungsi yang
y*  βT X   (1) implisit sehingga penaksir untuk β tidak dapat langsung
dengan β merupakan vektor koefisien parameter [9] dimana diperoleh. Oleh karena itu, digunakan metode Newton
β  β 0 β 1  β p  dengan ukuran ( p  1)  1 , X
T
Raphson untuk mendapatkan penaksir maksimum likelihood
merupakan vektor variabel bebas dengan untuk β .
X  1 x1  x p  dengan ukuran ( p  1)  1 , dimana 𝑝 D. Pengujian Parameter Model Regresi Probit
merupakan banyaknya variabel prediktor, dan 𝜀 merupakan Pengujian parameter dilakukan untuk mengetahui apakah
error atau kesalahan yang diasumsikan berdistribusi normal variabel pradiktor yang terdapat dalam model memiliki
standar, serta y * merupakan variabel respon. Fungsi hubungan yang nyata dengan variabel respon.
kepadatan peluang dari y * adalah sebagai berikut: 1. Uji Serentak
 
 1 * T 2 Hipotesis yang digunakan dalam pengujian secara
  1   y β X 
f y*  e 2  (2) serentak adalah sebagai berikut:
2 𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0
Selanjutnya, dilakukan pengkategorian terhadap y * dengan
𝐻1 : Paling sedikit ada satu 𝛽𝑗 ≠ 0
memberikan treshold tertentu misalnya 𝛾. Misalkan Y
merupakan variabel repon kualitatif yang memiliki 2
 
Statistik uji: G  2 ln Lu  ln LR  
kategori. Jika y *   dikategorikan dengan Y  0 , dan jika dengan 𝐿𝑢 = 𝑛[𝑃 ln 𝑃 + (1 − 𝑃) ln(1 − 𝑃)], dimana 𝑛
adalah banyaknya sampel, 𝑃 merupakan proporsi
y *   maka dikategorikan dengan Y  1 . Sehingga akan pengamatan yang memiliki variabel respon (Y) sama
diperoleh probabilitas untuk Y  0 dan Y  1 sebagai berikut: dengan 1, 𝐿̂𝑅 merupakan fungsi log-likelihood tanpa
P(Y  0)  (  β T X) (3) variabel prediktor, dan 𝐿̂𝑢 merupakan fungsi likelihood
P(Y  1)  1  (  β X)
T
(4) dengan variabel prediktor.
Daerah kritis: Tolak 𝐻0 apabila nilai Pvalue < 𝛼 atau nilai
 T

dengan    β X  (.) merupakan fungsi distribusi
𝐺 > 𝜒𝛼,𝑏2
.
kumulatif distribusi normal. 2. Uji Parsial
Efek marginal digunakan untuk mengetahui seberapa Hipotesis yang digunakan adalah sebagai berikut:
besar pengaruh dari variabel-variabel independen yang 𝐻0 : 𝛽𝑗 = 0
diduga mempengaruhi variabel respon terhadap probabilitas
𝐻1 : 𝛽𝑗 ≠ 0
dari variabel respon dalam penelitian. Rumus yang digunakan
adalah sebagai berikut: dengan 𝑗 = 1, 2, … , 𝑝.
 
P(Y  0) Statistik uji: W   j ~ N (0,1)
   β T X

(5) j
SE (  j )
x  

P(Y  1)  dengan  j adalah penduga  j dan SE (  j ) adalah
   - β T X (6)

x penduga simpangan baku dari  j .
dengan  . merupakan fungsi distribusi probabilitas dari
Daerah kritis: Tolak 𝐻0 apabila 𝑊𝑗 > 𝑍𝛼/2 atau Pvalue < 𝛼
distribusi normal standar.
pada tingkat kepercayaan 𝛼.
 3

E. Uji Kesesuaian Model Regresi Probit metode Ward mencoba untuk memperkecil total jumlah
Uji kesesuaian model (Goodness of Fit Test) digunakan kuadrat dalam kelompok. Masing-masing kelompok dibentuk
untuk mengetahui apakah terdapat perbedaan antara hasil sedemikian hingga menghasilkan kelompok dengan jumlah
observasi dengan kemungkinan hasil prediksi [10]. Uji yang kuadrat yang terkecil dan dikenal dengan Error Sums of
digunakan adalah uji Deviance dengan hipotesis sebagai Squares (ESS). Rumus yang digunakan yaitu:
berikut: 𝐽 𝑁 2
𝐻0 : Tidak ada perbedaan antara hasil observasi dengan 𝐸𝑆𝑆 = ∑𝐾
𝑘=1 ∑𝑗=1 ∑𝑖=1(𝑋𝑖𝑗𝑘 − 𝑋.𝑗𝑘 )
𝑘
(12)
kemungkinan hasil prediksi model (model sesuai) dengan,
𝐻1 : Ada perbedaan antara hasil observasi dengan k = jumlah kelompok
kemungkinan hasil prediksi model (model tidak sesuai) j = jumlah variabel
Statistik uji: D  2 y ln  Pij   (1 y ) ln  1  Pij 
n
Nk = observasi pada kelompok k
 ij y  ij 1 y 
i 1  ij   ij 

dengan 𝑃𝑖𝑗 = 𝑃𝑗 (𝑥𝑖 ) merupakan peluang observasi ke-𝑖 pada III. METODOLOGI PENELITIAN
2
kategori ke-𝑗. Tolak 𝐻0 apabila 𝐷 > 𝜒𝑑𝑏,𝛼 .
A. Sumber Data
F. Prosedur Klasifikasi Model Regresi Probit Data yang digunakan dalam penelitian ini merupakan data
Evaluasi prosedur klasifikasi adalah suatu evaluasi yang sekunder. Data yang diambil merupakan data publikasi dari
melihat peluang kesalahan klasifikasi yang dilakukan oleh Badan Pusat Statistik (BPS) Republik Indonesia (RI) pada
suatu fungsi klasifikasi [11]. Ukuran yang dipakai adalah tahun 2012. Unit observasi yang digunakan dalam penelitian
apparent error rate (APER), untuk menyatakan nilai proporsi ini adalah 33 provinsi yang ada di Indonesia.
sampel yang salah diklasifikasikan oleh fungsi klasifikasi. B. Variabel Penelitian
Misalkan terdapat 2 kelompok, maka:
Variabel respon (Y) dalam penelitian ini adalah variabel
Tabel 1. Tabel Klasifikasi Perhitungan APER
IPG. Namun variabel ini dikelompokkan terlebih dahulu
Kelompok Kelompok yang Diprediksi dengan menggunakan analisis cluster. Hasil dari
yang
P1 P2 pengelompokkan digunakan sebagai variabel respon.
Seharusnya
Sehingga variabel respon yang digunakan dalam penelitian
P1 n1C n1M = n1  n1C ini berdasarkan kondisi IPG yang ada di Indonesia saat ini.
P2 n 2 M = n2  n2C n2C Untuk lebih jelasnya dapat dilihat pada bab IV.
Selain itu, penelitian dilakukan terhadap masing-masing
Rumus yang digunakan adalah sebagai berikut: data laki-laki dan perempuan dengan variabel prediktor yang
n1M  n2 M digunakan adalah 9 variabel untuk data laki-laki dan 10
APER (%)  (10) variabel untuk data perempuan. Variabel prediktor yang
n1  n2
digunakan dapat dilihat pada Tabel 2. Untuk data perempuan
dengan nilai n1M dan n2 M adalah jumlah observasi yang variabel yang digunakan ditambah dengan variabel Total
tidak tepat diklasifikasikan dalam kelompok. Nilai n1C dan Fertility Rate (TFR) sebagai variabel X10.
Tabel 2. Variabel Prediktor untuk Data Laki-Laki
n2C adalah jumlah observasi yang tepat diklasifikasikan Tipe
Variabel Keterangan
dalam kelompok. Variabel
X1 APS SD/Sederajat Kontinyu
G. Analisis Kelompok X2 APS SMP/Sederajat Kontinyu
Analisis kelompok (Cluster analysis) merupakan suatu X3 APS SMA/Sederajat Kontinyu
metode analisis yang bertujuan untuk mengelompokkan X4 Persentase penduduk pendidikan Kontinyu
objek-objek pengamatan menjadi beberapa kelompok terakhir yang ditamatkan adalah
sehingga akan diperoleh kelompok dimana objek-objek SMP
dalam satu kelompok mempunyai persamaan sedangkan X5 TPAK Kontinyu
dengan anggota kelompok yang lain mempunyai perbedaan X6 Persentase Penduduk Mempunyai Kontinyu
[11]. Pada penelitian ini ukuran kedekatan antar objek yang Keluhan Kesehatan
digunakan adalah jarak euclidean. Rumus untuk menghitung X7 Purchasing Power Parity Diskrit
jarak euclidean antara objek i dan j pada k variabel yaitu: (PPP)/Daya Beli
X8 Rasio Jenis Kelamin Kontinyu
𝑝 X9 Rasio Jenis Kelamin Saat Lahir Kontinyu
𝑑(𝑥𝑖 , 𝑥𝑗 ) = √∑𝑘=1(𝑥𝑘𝑖− 𝑥𝑘𝑗 )2 (11)
C. Langkah Penelitian
dengan
𝑖 = 1, 2, ..., n Langkah-langkah analisis data dalam penelitian ini yaitu:
𝑗 = 1, 2, ..., n dan 𝑖 ≠ 𝑗 1. Menentukan variabel dan mendapatkan data.
𝑑(𝑥𝑖 , 𝑥𝑗 ) = jarak antara dua objek i dan j 2. Melakukan analisis cluster terhadap variabel IPG untuk
𝑥𝑖𝑘 = nilai objek i pada variabel k mendapatkan variabel respon yang digunakan dalam
𝑥𝑗𝑘 = nilai objek j pada variabel k penelitian.
3. Mengecek multikolinieritas data. Apabila terjadi
Metode pengelompokkan yang digunakan adalah metode multikolinieritas maka harus diatasi terlebih dahulu, salah
hirarki karena banyaknya kelompok yang muncul belum satunya dengan menghilangkan variabel yang
ditentukan atau tidak diketahui sebelumnya. Metode menyebabkan multikolinieritas terjadi.
perhitungan yang digunakan adalah metode Ward karena
 4

4. Melakukan pemodelan dengan menggunakan regresi pembangunan gender atau IPG antar provinsi di Indonesia
probit terhadap faktor-faktor yang mempengaruhi IPG di tidak terlalu jauh antara satu provinsi dengan provinsi yang
Indonesia dengan langkah-langkah sebagai berikut: lainnya. IPG terkecil adalah di provinsi Nusa Tenggara Barat
a. Menentukan model regresi probit dengan variabel sebesar 57,58 dan IPG terbesar adalah sebesar 74,66 di
respon dan variabel prediktor yang digunakan dalam provinsi DKI Jakarta.
penelitian.
B. Pengelompokkan IPG di Indonesia Tahun 2012 dengan
b. Melakukan uji signifikansi parameter regresi probit
Menggunakan Analisis Cluster
secara serentak dan parsial untuk mengetahui variabel
prediktor yang berpengaruh signifikan terhadap Berdasarkan perhitungan, didapatkan bahwa jumlah
variabel respon. cluster yang optimum adalah sebanyak 2 cluster. Sehingga
c. Menginterpretasikan model regresi probit terbaik didapatkan informasi bahwa pengelompokkan IPG menurut
yang diperoleh. provinsi berdasarkan batasan yang diberikan oleh UNDP
d. Melakukan uji kesesuaian model. sama dengan hasil cluster dimana terbentuk 2 kelompok.
e. Menghitung ketepatan klasifikasi model regresi Namun, dalam hasil analisis cluster, anggota kelompoknya
probit. berbeda, dihitung berdasarkan kedekatan karakteristik setiap
5. Menarik kesimpulan. provinsi. Untuk mempermudah melihat pengelompokkan
yang terbentuk, maka dilakukan pemetaan secara visual
IV. HASIL DAN PEMBAHASAN untuk kedua kelompok yang dapat dilihat pada Gambar 2.
Warna oranye untuk provinsi yang termasuk kelompok IPG
A. Karakteristik Pembangunan Gender di Indonesia rendah sedangkan warna krim untuk provinsi yang termasuk
Perkembangan IPG di Indonesia secara keseluruhan dari kelompok IPG tinggi.
tahun 2004-2012 selalu mengalami peningkatan. Hal ini
menjelaskan bahwa pencapaian pembangunan gender di
Indonesia dari waktu ke waktu semakin membaik. Namun
perlu diperhatikan bahwa peningkatan IPG selama kurun
waktu tahun 2004-2012 tersebut belum dapat memberikan
gambaran yang baik apabila dilihat dari kerangka pencapaian
persamaan status dan kedudukan menuju kesetaraan dan
keadilan gender. Hal ini dikarenakan pencapaian IPG selama
kurun waktu tersebut masih belum mampu mengurangi jarak Gambar 2.Pengelompokkan Provinsi Berdasarkan Analisis Cluster
secara nyata dalam pencapaian kapabilitas dasar antara Berdasarkan hasil pengelompokkan tersebut ternyata
penduduk laki-laki dan perempuan. dapat diketahui bahwa terjadi perbedaan yang signifikan
73,29
antara pengelompokkan yang didasarkan pada keluaran
72,27 72,77
70,08 70,59 71,17 71,76 UNDP dan analisis cluster. Kelompok 1 memuat provinsi-
69,57
68,69 68,52 provinsi yang memiliki IPG lebih tinggi dari rata-rata
67,2 67,8
66,38 66,77
65,81
63,94
65,13 65,27 Nasional dengan selang interval antara 68,54–74,66.
Sedangkan kelompok 2 memiliki IPG lebih rendah dari rata-
rata IPG secara Nasional dengan selang interval 57,58–66,80.
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 Pada pengelompokkan dari hasil cluster, dapat dilihat bahwa
IPM IPG batasan antara kelompok 1 dan kelompok 2 sangat jelas.
Sehingga tidak akan menimbulkan keraguan dalam
Gambar 1. Perkembangan IPM &IPG di Indonesia Th. 2004-2012 pengelompokkan. Oleh karena itu dalam penelitian ini akan
Dari 33 provinsi yang ada di Indonesia, 17 provinsi digunakan variabel respon dengan menggunakan hasil
termasuk kelompok menengah atas dalam pencapaian pengelompokkan dari analisis cluster, agar lebih sesuai
pembangunan manusia berdasarkan gender dan 16 provinsi dengan keadaan di Indonesia yang sebenarnya.
termasuk dalam kelompok menengah bawah. Hal ini Tabel 3. Variabel Respon
berdasarkan pembagian kelompok dari UNDP. Pada tahun Variabel Keterangan
2012, masih terjadi kesenjangan gender di seluruh provinsi Y=0 Kelompok IPG tinggi
yang ada di Indonesia. Seperti yang telah dijelaskan Y=1 Kelompok IPG rendah
sebelumnya bahwa secara kasarannya hal ini dapat dilihat C. Pengujian Multikolinieritas pada Variabel Prediktor
dari IPG yang masih berada di bawah IPM. Secara
keseluruhan, provinsi yang memiliki selisih terbesar adalah Multikolinieritas antarvariabel prediktor dapat dilihat dari
provinsi Kalimantan Timur sebesar 14,85, sedangkan nilai VIF. Nilai VIF>5 mengindikasikan bahwa terjadi
provinsi yang memiliki selisih terkecil adalah provinsi Nusa korelasi antar variabel prediktor. Tabel 4 menunjukkan nilai
Tenggara Timur sebesar 2,29. Walaupun begitu, nilai tersebut VIF dari variabel prediktor untuk data laki-laki dan
tidak dapat diinterpretasikan secara langsung bahwa provinsi perempuan.
yang memiliki selisih terbesar memiliki kesenjangan gender Tabel 4. Nilai VIF untuk Setiap Variabel pada Data Laki-Laki dan
yang besar dan begitu pula sebaliknya. Perlu dilakukan Perempuan
analisis yang lebih mendalam untuk mendefinisikan hal Variabel (L) VIF Variabel (P) VIF
tersebut. Berdasarkan hasil perhitungan diketahui bahwa X1 4,07 X1 6,82
X2 5,10 X2 10,07
rata-rata IPG pada tahun 2012 secara keseluruhan adalah
X3 3,13 X3 3,19
sebesar 66,02. Nilai varians sebesar 15,31 dan deviasi standar X4 1,72 X4 2,24
sebesar 3,91 menjelaskan mengenai keragaman data. X5 1,71 X5 2,14
Berdasarkan nilai tersebut dapat dikatakan bahwa pencapaian X6 1,83 X6 1,68
 5

Tabel 4. Nilai VIF untuk Setiap Variabel pada Data Laki-Laki dan 𝑦 ∗ = 42,269 − 0,775𝑋1 + 0,324𝑋9
Perempuan (Lanjutan) Setelah mendapatkan model regresi probit terbaik,
X7 1,41 X7 1,74 kemudian dilakukan pengujian secara serentak dan parsial
X8 1,59 X8 1,51 kembali. Berdasarkan hasil pengujian secara serentak,
X9 2,06 X9 1,59
didapatkan informasi bahwa nilai P-value (0,005) kurang dari
X10 2,09
nilai 𝛼 (20%) sehingga keputusan yang diperoleh adalah
Berdasarkan Tabel 4 dapat diketahui bahwa terjadi
tolak H0. Jadi, dapat disimpulkan bahwa terdapat paling
multikolinieritas pada data laki-laki dan perempuan karena
sedikit satu variabel prediktor yang berpengaruh terhadap
nilai VIF > 5. Langkah selanjutnya adalah mengatasi
IPG. Berdasarkan Tabel 4.6, didapatkan informasi bahwa
multikolinieritas tersebut, salah satunya dengan
menghilangkan variabel yang menyebabkan multikolinieritas dengan 𝛼 = 20%, seluruh parameter pada variabel X1 dan X9
terjadi. Pada data laki-laki, variabel yang menyebabkan masing-masing berpengaruh signifikan terhadap variabel
terjadinya multikolinieritas adalah variabel X2, sedangkan respon.
pada data perempuan adalah variabel X1 dan X2. Maka, untuk Interpretasi untuk model regresi probit yang didapatkan,
analisis selanjutnya, variabel X1 dan X2 tidak diikutsertakan. yaitu misalkan diambil data dari salah satu provinsi, yaitu
provinsi Papua Barat, dengan dengan X1 = 95,31; dan X9 =
D. Pemodelan Regresi Probit untuk Data Laki-Laki 105,72; maka akan didapatkan 𝑃(𝑌 = 1) = 0,996. Jadi,
Pengujian parameter dalam model regresi probit probabilitas provinsi Papua Barat masuk ke dalam kelompok
dilakukan untuk mengetahui apakah variabel prediktor yang IPG rendah dengan nilai-nilai tersebut adalah sebesar 0,996.
terdapat dalam model memiliki hubungan yang nyata dengan Sedangkan probabilitas provinsi Papua Barat masuk ke dalam
variabel respon. Terdapat dua pengujian yang dilakukan, kelompok IPG tinggi 𝑃(𝑌 = 0) adalah sebesar 0,00394. Efek
yaitu pengujian secara pengujian secara serentak dan marginal digunakan untuk mengetahui seberapa besar
pengujian secara parsial. Berdasarkan hasil pengujian secara pengaruh perubahan variabel prediktor terhadap probabilitas
serentak, didapatkan informasi bahwa nilai P-value (0,125) suatu provinsi termasuk dalam kelompok IPG rendah atau
kurang dari nilai 𝛼(20%) sehingga keputusan yang diperoleh tinggi. Misalkan suatu provinsi dengan X1 = 95,31; dan X9 =
adalah tolak H0. Jadi, dapat disimpulkan bahwa terdapat 105,72; maka efek marginal dari variabel APS SD/sederajat
paling sedikit satu variabel prediktor yang berpengaruh adalah sebagai berikut:
terhadap IPG. Berdasarkan hasil uji parsial didapatkan bahwa 𝜕𝑃̂ (𝑌 = 1)
= −0,00906
parameter yang signifikan terhadap adalah variabel X9 (rasio 𝜕𝑋1
jenis kelamin saat lahir. Parameter pada variabel tersebut Artinya bahwa setiap perubahan APS SD/sederajat sebesar
signifikan pada taraf 𝛼 = 20%. 1% maka akan menurunkan probabilitas suatu provinsi
Tabel 5. Nilai Koefisien dan P-value pada Masing-masing masuk ke dalam kategori IPG kelompok rendah sebesar
Parameter Model Probit untuk Data Laki-Laki 0,00906. Selanjutnya, untuk mengetahui efek marginal dari
Variabel Coef P-value variabel rasio jenis kelamin saat lahir adalah sebagai berikut:
X1 -0,452 0,325 𝜕𝑃̂ (𝑌 = 1)
X3 -0,053 0,401 = 0,00379
X4 -0,066 0,660 𝜕𝑋9
X5 0,062 0,669 Artinya bahwa setiap perubahan rasio jenis kelamin saat lahir
X6 -0,059 0,491 sebesar 1% maka akan meningkatkan probabilitas suatu
X7 -0,00002 0,401 provinsi masuk ke dalam kategori IPG kelompok rendah
X8 -0,071 0,346 sebesar 0,00379.
X9 0,425 0,130* Uji kesesuaian model digunakan untuk mengetahui
*
= signifikan pada taraf 𝛼 = 20% apakah terdapat perbedaan antara hasil observasi dengan
Setelah melakukan pengujian secara serentak dan parsial, kemungkinan hasil prediksi. Berdasarkan hasil pengujian
langkah selanjutnya adalah memilih model terbaik. didapatkan nilai P-value sebesar 0,463 yang berarti P-value >
Pemilihan model terbaik dilakukan dengan menggunakan 0,20 sehingga keputusan yang diambil adalah gagal tolak 𝐻0 .
metode Backward. Pemilihan model dengan metode ini Jadi, dapat disimpulkan bahwa tidak ada perbedaan antara
dilakukan dengan terlebih dahulu membuat model secara hasil observasi dengan kemungkinan hasil prediksi model.
lengkap dari seluruh variabel prediktor. Kemudian model Atau dengan kata lain model telah sesuai.
tersebut dievaluasi kembali dengan mengeluarkan variabel Ketepatan klasifikasi yang diprediksi dari model regresi
yang tidak signifikan satu per satu sampai memperoleh probit yaitu sebesar 80%. Artinya, variabel respon yang dapat
seluruh variabel prediktor yang signifikan. Berdasarkan dijelaskan oleh variabel prediktor pada model ini adalah
metode Backward, didapatkan bahwa model regresi probit sebesar 80%.
terbaik adalah model dengan variabel prediktor X1 yaitu APS
SD/sederajat dan X9 yaitu rasio jenis kelamin saat lahir. Nilai E. Pemodelan Regresi Probit untuk Data Perempuan
koefisien dan P-value untuk masing-masing variabel dapat Pengujian parameter dalam model regresi probit
dilihat pada Tabel 6. dilakukan untuk mengetahui apakah variabel prediktor yang
Tabel 6. Nilai Koefisien dan P-value pada Masing-masing terdapat dalam model memiliki hubungan yang nyata dengan
Parameter Model Probit Terbaik variabel respon. Terdapat dua pengujian yang dilakukan,
Variabel Coef P-value yaitu pengujian secara pengujian secara serentak dan
X1 -0,775 0,022* pengujian secara parsial. Berdasarkan hasil pengujian secara
X9 0,324 0,103* serentak, didapatkan informasi bahwa nilai P-value sebesar
*= signifikan pada taraf 𝛼 = 20%
0,005 yang kurang dari nilai 𝛼 (20%) sehingga keputusan
Sehingga, persamaan model regresi probit terbaik untuk yang diperoleh adalah tolak H0. Jadi, dapat disimpulkan
data laki-laki adalah sebagai berikut: bahwa terdapat paling sedikit satu variabel prediktor yang

berpengaruh terhadap IPG. Berdasarkan hasil uji parsial
didapatkan bahwa parameter variabel yang signifikan
terhadap variabel respon adalah variabel X3 (APS
SMA/sederajat), X4 (persentase penduduk dengan pendidikan
terakhir yang ditamatkan adalah SMP), X5 (TPAK), X8 (rasio
jenis kelamin) dan variabel X9 (rasio jenis kelamin saat lahir).
Tabel 4.7 Nilai Koefisien dan P-value pada Masing-masing
Parameter Model Probit untuk Data Perempuan
Variabel Coef P-value
X3 -0,102 0,070*
X4 -0,313 0,193*
X5 -0,246 0,016*
X6 -0,062 0,611
X7 -0,00003 0,317
X8 -0,233 0,189*
X9 0,954 0,116*
X10 1,305 0,419
*
= signifikan pada taraf 𝛼 = 20%
Setelah melakukan pengujian secara serentak dan parsial,
langkah selanjutnya adalah memilih model terbaik.
Pemilihan model terbaik dilakukan dengan menggunakan
metode Backward. Pemilihan model dengan metode ini
dilakukan dengan terlebih dahulu membuat model secara
lengkap dari seluruh variabel prediktor. Kemudian model
tersebut dievaluasi kembali dengan mengeluarkan variabel
yang tidak signifikan satu per satu sampai memperoleh
seluruh variabel prediktor yang signifikan. Berdasarkan
metode Backward, didapatkan bahwa model regresi probit
terbaik adalah model dengan variabel prediktor X3 yaitu APS
SMA/sederajat, X5 yaitu TPAK, X7 yaitu PPP, dan X9 yaitu
rasio jenis kelamin saat lahir.
Tabel 4.8 Nilai Koefisien dan P-value pada Masing-
masing Parameter Model Probit Terbaik
Variabel Coef P-value
X3 -0,101 0,033*
X5 -0,121 0,016*
X7 -0,00005 0,081*
X9 0,462 0,059*
*= signifikan pada taraf 𝛼 = 20%
Sehingga, persamaan model regresi probit terbaik untuk data
perempuan adalah sebagai berikut:
𝑦 ∗ = −6,459 − 0,101𝑋3 − 0,121𝑋5 − 0,00005𝑋7
+ 0,462𝑋9
Setelah mendapatkan model regresi probit terbaik,
kemudian dilakukan pengujian secara serentak dan parsial
kembali. Berdasarkan hasil pengujian secara serentak,
didapatkan informasi bahwa nilai P-value (0,004) yang
kurang dari nilai 𝛼 (20%) sehingga keputusan yang
diperoleh adalah tolak H0. Jadi, dapat disimpulkan bahwa
terdapat paling sedikit satu variabel prediktor yang
berpengaruh terhadap IPG. Berdasarkan Tabel 4.11
didapatkan informasi bahwa dengan 𝛼 = 20%, seluruh
parameter pada variabel X3, X5, X7, dan X9 masing-masing
berpengaruh signifikan terhadap variabel respon.
Interpretasi untuk model regresi probit yang didapatkan,
yaitu misalkan diambil data dari salah satu provinsi, yaitu
provinsi Papua, dengan X3 = 48,23; X5 = 68,36; X7 = 611990;
dan X9=110,13 maka akan didapatkan 𝑃(𝑌 = 1) = 0,751.
Jadi, probabilitas provinsi Papua Barat masuk ke dalam
kelompok IPG rendah dengan nilai-nilai tersebut adalah
sebesar 0,751. Sedangkan Jadi, probabilitas provinsi Papua
masuk ke dalam kelompok IPG rendah dengan nilai-nilai
tersebut adalah sebesar 0,751. Sedangkan probabilitas
provinsi Papua masuk ke dalam kelompok IPG tinggi
(P(Y=0)) adalah sebesar 0,249.
6
Efek marginal digunakan untuk mengetahui seberapa
besar pengaruh perubahan variabel prediktor terhadap
probabilitas suatu provinsi termasuk dalam kelompok IPG
rendah atau tinggi. Pada hasil analisis dengan regresi probit
sebelumnya, didapatkan bahwa variabel yang signifikan
berpengaruh terhadap variabel respon adalah variabel X3, X5,
X7, dan X9. Misalkan suatu provinsi dengan X3 = 48,23; X5 =
68,36; X7 = 611990; dan X9=110,13; maka efek marginal dari
variabel APS SMA/sederajat adalah sebagai berikut:
𝜕𝑃̂ (𝑌 = 1)
= −0,032
𝜕𝑋3
Artinya bahwa setiap perubahan variabel APS SMA/sederajat
sebesar 1% maka akan menurunkan probabilitas suatu
provinsi masuk ke dalam kategori IPG kelompok rendah
sebesar 0,032. Selanjutnya untuk mendapatkan nilai efek
marginal dari variabel TPAK adalah sebagai berikut:
𝜕𝑃̂ (𝑌 = 1)
= −0,038
𝜕𝑋5
Efek marginal dari variabel TPAK adalah sebesar -0,032.
Artinya bahwa setiap perubahan variabel TPAK sebesar 1%
maka akan menurunkan probabilitas suatu provinsi masuk ke
dalam kategori IPG kelompok rendah sebesar 0,038. Efek
marginal dari variabel PPP adalah sebagai berikut:
𝜕𝑃̂ (𝑌 = 1)
= −0,000016
𝜕𝑋7
Artinya bahwa setiap perubahan variabel PPP sebesar 1%
maka akan menurunkan probabilitas suatu provinsi masuk ke
dalam kategori IPG kelompok rendah sebesar 0,000016.
Sedangkan untuk mendapatkan nilai efek marginal dari
variabel rasio jenis kelamin saat lahir adalah sebagai berikut:
𝜕𝑃̂ (𝑌 = 1)
= 0,146
𝜕𝑋9
Artinya bahwa setiap perubahan variabel rasio jenis kelamin
saat lahir sebesar 1% maka akan meningkatkan probabilitas
suatu provinsi masuk ke dalam kategori IPG kelompok
rendah sebesar 0,146.
Uji kesesuaian model digunakan untuk mengetahui
apakah terdapat perbedaan antara hasil observasi dengan
kemungkinan hasil prediksi. Berdasarkan hasil pengujian,
didapatkan nilai P-value sebesar 0,630 yang berarti P-value >
0,20. Sehingga keputusan yang diambil adalah gagal tolak
𝐻0 . Jadi, dapat disimpulkan bahwa tidak ada perbedaan
antara hasil observasi dengan kemungkinan hasil prediksi
model. Atau dengan kata lain model telah sesuai.
Ketepatan klasifikasi yang diprediksi dari model regresi
probit terbaik untuk data perempuan yaitu sebesar 86,1%.
Artinya, variabel respon yang dapat dijelaskan oleh variabel
prediktor pada model ini adalah sebesar 86,1%.
V. KESIMPULAN DAN SARAN
Berdasarkan hasil dan pembahasan pada bagian IV, maka
diperoleh kesimpulan sebagai berikut:
1. Perkembangan IPG di Indonesia secara keseluruhan dari
tahun 2004-2012 selalu mengalami peningkatan. Hal ini
menjelaskan bahwa pencapaian pembangunan gender di
Indonesia dari waktu ke waktu semakin membaik.
Namun, masih terdapat kesenjangan atau gap antara
penduduk laki-laki dan perempuan di seluruh provinsi di
Indonesia. Kesenjangan tersebut dapat dilihat diberbagai
bidang seperti pendidikan, kesehatan, dan sumbangan
pendapatan.
 7

2. Faktor-faktor yang mempengaruhi IPG pada penduduk

laki-laki antaralain APS SD/sederajat dan rasio jenis
kelamin saat lahir, dengan model regresi probit yang
didapatkan yaitu:
𝑦 ∗ = 42,269 − 0,775𝑋1 + 0,324𝑋9
Persamaan diatas dapat diinterpretasikan bahwa APS
SD/sederajat berpenaruh negatif terhadap probabilitas
suatu provinsi termasuk dalam kelompok IPG rendah.
Sedangkan rasio jenis kelamin saat lahir berpengaruh
positif terhadap probabilitas suatu provinsi termasuk
dalam kelompok IPG rendah. Sedangkan faktor yang
mempengaruhi IPG pada penduduk perempuan yaitu
yaitu APS SMA/sederajat, TPAK, PPP, dan rasio jenis
kelamin saat lahir, dengan model regresi probit yang
didapatkan adalah sebagai berikut:
𝑦 ∗ = −6,459 − 0,101𝑋3 − 0,121𝑋5 − 0,00005𝑋7
+ 0,462𝑋9
Persamaan diatas dapat diinterpretasikan bahwa APS
SMA/sederajat, TPAK, dan PPP berpengaruh negatif
terhadap probabilitas suatu provinsi termasuk dalam
kelompok IPG rendah. Sedangkan rasio jenis kelamin saat
lahir berpengaruh positif terhadap probabilitas suatu
provinsi termasuk dalam kelompok IPG rendah
Saran yang diberikan oleh penulis untuk pemerintah agar
lebih memperhatikan pencapaian kapabilitas dasar penduduk
laki-laki dan perempuan agar kesenjangan antara keduanya
tidak menjadi besar.

DAFTAR PUSTAKA
[1] Kementrian Pemberdayaan Perempuan dan Perlindungan Anak. 2013.
Pembangunan Manusia Berbasis Gender 2013. Jakarta: Kementrian
Pemberdayaan Perempuan dan Perlindungan Anak.
[2] Tempo. 2013. Linda Gumelar: Pembangunan Gender Masih Tertinggal.
Tersedia di
http://www.tempo.co/read/news/2013/07/16/173496886/Linda-
Gumelar-Pembangunan-Gender-Masih-Tertinggal, diakses pada 28
Januari 2014.
[3] Hafizh, Q. U. 2013. Pemodelan Disparitas Gender di Jawa Timur dengan
Pendekatan Model Regresi Probit Ordinal. Tugas Akhir S1 yang tidak
dipublikasikan. Jurusan Statistika FMIPA Institut Teknologi Sepuluh
Nopember Surabaya.
[4] Yulianti, R.A & Ratnasari, Vita. 2013. Pemetaan dan Pemodelan
Tingkat Partisipasi Angkatan Kerja Perempuan Di Provinsi Jawa Timur
dengan Pendekatan Model Probit. Jurnal Sains dan Seni POMITS. Vol
2, hal 159-164.
[5] Hakim, L. J. 2014. Analisis Komponen Indeks Pembangunan Gender
dengan Geographically Weighted Multivariate Regression Model di
Provinsi Kalimantan Timur dan Kalimantan Selatan Tahun 2011. Tesis
S2 yang tidak dipublikasikan. Jurusan Statistika FMIPA Institut
Teknologi Sepuluh Nopember Surabaya.
[6] Asmanto, Priadi. 2008. Evaluasi Millenium Development Goals
(MDGs) Indonesia: Kesetaraan Gender dan Pemberdayaan Perempuan.
Tersedia di SSRN: http://ssrn.com/abstract=1996301, diakses pada 30
Januari 2014.
[7] Kementrian Pemberdayaan Perempuan dan Perlindungan Anak. 2012.
Pembangunan Manusia Berbasis Gender 2012. Jakarta: Kementrian
Pemberdayaan Perempuan dan Perlindungan Anak.
[8] Gujarati, D. N. 2004. Basic Econometrics, Fourth Edition. New York:
McGraw-Hill.
[9] Greene, W. H. 2008. Econometric Analysis. USA: Pearson Prentice Hall.
[10] Hosmer, D.W & Lemeshow, Stanley. 2000. Applied Logistic Regression
Second Edition.USA: John Wiley & Sons.
[11] Johnson, R. A & Wichern, D. W. 2007. Applied Multivariate Statistical
Analysis, Sixth Edition. New Jersey: Pearson Prentice Hall.