Papermultilevel
Papermultilevel
net/publication/341994583
CITATIONS READS
0 1,444
6 authors, including:
All content following this page was uploaded by Meilani Thereza Br. Saragih on 10 March 2022.
Meilani Thereza Saragiha, Anindia Wahyu Inayahb, Rani Nooraenic,*, Mikha Apriliod, Marita
Mutiara Sinsyie, Yolanda Rizkie Apriliaf
a
Politeknik Statistika STIS, Jalan Otto Iskandardinata No. 64C, Jakarta Timur, 13330.
Email: meilanithereza28@gmail.com
b
Politeknik Statistika STIS, Jalan Otto Iskandardinata No. 64C, Jakarta Timur, 13330.
Email: anndiawahyui@gmail.com
c,*
Politeknik Statistika STIS, Jalan Otto Iskandardinata No. 64C, Jakarta Timur, 13330.
Email: raninoor@stis.ac.id
d
Politeknik Statistika STIS, Jalan Otto Iskandardinata No. 64C, Jakarta Timur, 13330.
Email: mikhaaprilio@gmail.com
e
Politeknik Statistika STIS, Jalan Otto Iskandardinata No. 64C, Jakarta Timur, 13330.
Email: maritasinsyi54@gmail.com
f
Politeknik Statistika STIS, Jalan Otto Iskandardinata No. 64C, Jakarta Timur, 13330.
Email: yolandarizkie@gmail.com
ABSTRACT
Logistic regression analysis is divided into multiple types according to its response variable, such as binomial,
multinomial, ordinal, and poisson. Logistic regression with binomial response is the simplest one. It is used to
analyze the relationship between one dependent binary variable with one or more independent variable in which
the response is a dichotomous variable, counting the response as either 1 or 0: counting a 1 if a characteristic is
present and counting 0 if a characteristic is not present. However, binary logistic regression is less precise to be
used on a case with hierarchical structure. Data with hierarchical structure may have an effect from its parent
group. A suitable method to solve a case with hierarchical structure is a multilevel model. This research presents
a comparison between single-level binary logistic regression versus multilevel binary logistic regression to
analyze 2018’s labor force participation rate of Central Java. Variables used in this research are working status
as the response variable, type of residential area, gender, age, education, marriage status, and certified training
as the first-level explanatory variable, Human Development Index (HDI), Gross Domestic Product (GDP), and
minimum wage as second-level explanatory variable. The best model is selected by comparing the deviance on
null model at single-level and multilevel with additional check for random effect. The result shows that the null
model at multilevel has smaller deviance compared to the null model at one level, and random effect was also
observed. Therefore, multilevel binary logistic regression is the best model to analyze 2018’s labor force
* Corresponding author.
* Alamat e-mail: raninoor@stis.ac.id
36 | EIGEN MATHEMATICS JOURNAL VOL 03 No 01 (Juni 2020)
participation rate of Central Java. Parameter estimation with binary logistic regression multilevel shows that
type of residential area, gender, age, education, marriage status, and certificated training significantly affected
the outcome of 2018’s labor force participation rate of Central Java. In addition to that, effect from the
differences of district/city stated with Human Development Index (HDI) and Gross Domestic Product (GDP) as
contextual variables. The 0,82 percent variation in working status at Central Java Province in 2018 was caused
by the characteristic differences between districts/cities of the population.
ABSTRAK
Analisis regresi logistik dibagi menjadi beberapa jenis data pada responnya, diantaranya yaitu respon biner,
multinomial, ordinal dan poisson. Analisis regresi logistik yang paling sederhana digunakan adalah analisis
regresi logistik biner. Regresi logistik biner digunakan untuk menganalisa hubungan antara satu variabel respon
dan beberapa variabel independen, dengan variabel responnya berupa data kualitatif dikotomi yaitu bernilai 1
untuk menyatakan keberadaan sebuah karakteristik dan bernilai 0 untuk menyatakan ketidakberadaan sebuah
karakteristik. Namun regresi biner ini kurang tepat apabila digunakan pada kasus yang memiliki struktur hirarki.
Data yang memiliki struktur hirarki sebenarnya memiliki efek dari kelompok yang membawahi unit-unit yang
diteliti. Suatu metode yang digunakan untuk menyelesaikan kasus berstruktur hirarki adalah model multilevel.
Penelitian ini menyajikan perbandingan antara model regresi logistik biner satu level dan model regresi logistik
biner multilevel dalam menganalisis partisipasi angkatan kerja di Provinsi Jawa Tengah tahun 2018. Variabel
yang digunakan adalah status bekerja sebagai variabel respon, tipe daerah tempat tinggal, umur, pendidikan,
status perkawinan, jenis kelamin, dan pelatihan bersertifikat sebagai variabel penjelas level satu serta IPM,
PDRB, dan UMK sebagai variabel penjelas level dua. Pemilihan model terbaik dilakukan dengan
membandingkan deviance pada null model regresi logistik biner satu level dan null model regresi logistik biner
multilevel serta melakukan pengujian signifikan adanya random effect. Analisis yang dilakukan menunjukkan
hasil bahwa deviance pada null model regresi logistik biner multilevel lebih kecil dibandingkan deviance regresi
logistik biner satu level serta terdapat random effect sehingga model regresi logistik biner multilevel adalah
model yang terbaik dalam menggambar partisipasi angkatan kerja di Provinsi Jawa Tengah tahun 2018. Estimasi
parameter dengan regresi logistik biner multilevel memperoleh hasil bahwa faktor yang secara signifikan
memengaruhi status bekerja di Provinsi Jawa Tengah tahun 2018 adalah tipe daerah tempat tinggal, jenis kelamin,
umur, status perkawinan, keikutsertaan dalam pelatihan yang bersertifikat. Selain itu, terdapat pengaruh
perbedaan Kabupaten/Kota yang digambarkan dengan IPM dan PDRB sebagai variabel kontekstual. Sebesar 0,82
persen keragaman status bekerja pada Provinsi Jawa Tengah disebabkan oleh perbedaan karakteristik antar
kabupaten/kota asal penduduk.
yang diteliti, sehingga data tersebut memiliki struktur 1. Membandingkan antara model estimasi parameter
yang bertingkat atau berjenjang (hierarchy) dan menggunakan metode regresi logistik biner satu
berkelompok (cluster). Goldstein (1995) level dengan metode regresi logistik biner
memperkenalkan pengembangan dari regresi biasa multilevel dalam penerapan kasus faktor-faktor
untuk mengatasi permasalahan yang disebabkan dari yang memengaruhi status bekerja di Jawa
data yang berstruktur hirarki yaitu analisis Multilevel Tengah.
Modelling. Model multilevel merupakan bagian dari 2. Mengetahui faktor – faktor yang berpengaruh
Generalized Linear Mixed Model (GLMM), yaitu terhadap status bekerja di Provinsi Jawa Tengah
variabel respon dipengaruhi oleh faktor tetap dan berdasarkan model terbaik.
faktor acak. Metode multilevel ini sering digunakan 3. Mengetahui pengaruh variasi wilayah terhadap
pada kasus sosial, pendidikan dan kesehatan, status bekerja di Provinsi Jawa Tengah.
terutama pada data populasi yang memiliki struktur
hirarki. Dalam hal ini yang menjadi fokus penelitian 2. Metode Penelitian
yaitu kasus sosial mengenai ketenagakerjaan.
Informasi ketenagakerjaan merupakan salah satu Jenis data yang digunakan dalam penelitian ini adalah
hal substansial bagi penyusunan kebijakan, data sekunder berupa data mentah hasil Survei
monitoring, dan evaluasi dalam rangka pembangunan Angkatan Kerja Nasional (Sakernas) serta data yang
ekonomi untuk meningkatkan kesejahteraan sudah diolah dari tabel dinamis yang dikumpulkan
masyarakat dan pemecahan masalah ketenagakerjaan. oleh Badan Pusat Statistik (BPS) pada 2018. Dari
Menurut UU No. 13 Tahun 2003 Pasal 1 ayat 1 data Sakernas, diambil hasil survei sebanyak 47.508
tentang ketenagakerjaan, “ketenagakerjaan adalah observasi yang berasal dari provinsi Jawa Tengah
segala hal yang berhubungan dengan tenaga kerja dari total sampel 508.460 untuk 34 provinsi
pada waktu sebelum, selama, dan sesudah masa Indonesia.
kerja.” Pada penelitian ini, faktor-faktor yang
Ketersediaan tenaga kerja sangat dibutuhkan memengaruhi status bekerja di Provinsi Jawa Tengah
untuk mempercepat terlaksananya rencana dijelaskan secara deskriptif maupun inferensia.
pembangunan. Tingkat partisipasi angkatan kerja Dalam analisis inferensia, digunakan metode analisis
(TPAK) dapat digunakan untuk mengetahui regresi logistik biner multilevel (dua level) dan
gambaran penduduk usia kerja yang aktif secara regresi logistik biner satu level yang kemudian
ekonomi. Provinsi Jawa Tengah merupakan provinsi dibandingkan dan dipilih model terbaik diantara
dengan jumlah penduduk bekerja terbesar ketiga keduanya
setelah Jawa Barat dan Jawa Timur. Namun menurut
publikasi BPS Jawa Tengah tahun 2018 masih 2.1. Analisis Regresi Multilevel
terdapat kesenjangan antara TPAK laki-laki dan
perempuan. Selain itu pendidikan tertinggi yang Model regresi multilevel merupakan bagian dari
ditamatkan mayoritas berada pada jenjang pendidikan model linear campuran (Mixed effect model atau
dasar. Padahal menurut publikasi BPS, IPM Jawa Generalized Linear Mixed Model (GLMM)), yaitu
Tengah lebih tinggi dibandingkan IPM Jawa Timur. suatu model yang menggabungkan komponen tetap
Permasalahan utama yang ingin dibahas dalam atau efek tetap (fixed effect) dan komponen acak atau
penelitian ini yaitu membandingkan estimasi efek acak (random effect) ke dalam persamaan
parameter mengunakan regresi logistik biner satu model. Model ini digunakan pada data berjenjang
level dengan regresi logistik biner multilevel dalam (hierarchy) yang seringkali ditemukan pada
penerapan kasus faktor – faktor yang memengaruhi penelitian-penelitian survei di mana unit-unit
status pekerjaan di Jawa Tengah. Agar penelitian ini analisisnya berasalh dari kelompok-kelompok
tepat sasaran maka diperlukan pembatas yang jelas (cluster), atau data yang diambil melalui penarikan
sehingga tidak menimbulkan ambiguitas dalam sampel bertahap (cluster sampling).
pengambilan data, pengolahan, serta penarikan Penelitian multilevel membagi modelnya menjadi
kesimpulan. Oleh karena itu, penelitian ini hanya dua, yaitu null model dan conditional model. Null
dibatasi pada penggunaan regresi logistik biner model merupakan kondisi di mana variabel penjelas
multilevel. Hal tersebut dikarenakan data tersebut belum dimasukkan ke dalam model, baik variabel
memiliki struktur hierarki, dimana level satu adalah penjelas pada level 1 maupun pada level 2.
individu di Provinsi Jawa Tengah dan kabupaten/kota Sementara itu, conditional model merupakan kondisi
di Provinsi Jawa Tengah sebagai level dua. di mana variabel penjelas, baik penjelas pada model
Melalui penelitian ini diharapkan kedepannya level 1 maupun pada level 2 sudah dimasukkan ke
dapat diambil beberapa manfaat diantarnya: dalam model.
38 | EIGEN MATHEMATICS JOURNAL VOL 03 No 01 (Juni 2020)
Hox (2010) menyebutkan bahwa model regresi dimana uj merupakan error pada level 2 yang
multilevel dapat digolongkan menjadi dua bentuk berdistribusi normal dengan rata-rata 0 dan varians
dasar, yaitu model multilevel dengan random dan independen terhadap i.
intercept dan model multilevel dengan random slope.
Model multilevel dengan random intercept 2.3. Tahapan Analisis Regresi Logistik Biner
merupakan model di mana intercept dimodelkan Multilevel
sebagai random effect dari variabel pada level 2
dengan asumsi bahwa setiap kelompok memiliki Model regresi logistik biner multilevel yang
intercept yang berbeda-beda (tidak fixed seperti digunakan adalah model dengan random intercept
regresi biasa), sedangkan model multilevel dengan yang mengasumsikan bahwa pengaruh setiap variabel
random slope merupakan model di mana koefisien bebas adalah sama pada setiap kabupaten/kota di
variabel-variabel penjelas pada level yang lebih level dua. Software yang digunakan sebagai
rendah dimodelkan sebagai random effect dari penunjang dalam pengolahan data pada penelitian ini
variabel pada level 2 dengan asumsi bahwa tiap adalah software statistik R dan Stata.
kelompok memiliki kemiringan atau slope yang Secara runtut, tahapan analisis regresi logistik
berbeda-beda (tidak fixed seperti regresi biasa). biner multilevel dalam penelitian ini adalah sebagai
berikut.
2.2. Analisis Regresi Logisik Biner Multilevel
a. Pengujian Signifikansi Random Effect
Dalam model regresi, apabila variabel respon berupa (Likelihood Ratio Test)
biner atau dichotomous biasanya digunakan model Prosedur maximum likelihood estimator mampu
regresi logistik yang dalam estimasi parameternya menghasilkan suatu statistik yang disebut deviance
harus menggunakan suatu fungsi penghubung (link yang mampu mengindikasikan seberapa cocok model
function). Hal tersebut juga sama diterapkan dalam dengan data (Hox, 2010). Model dengan deviance
model multilevel. Apabila variabel respon yang lebih rendah akan lebih fit dibandingkan dengan
berdistribusi binomial dengan parameter proporsi model yang deviance-nya lebih tinggi. Pada model
(πij), maka fungsi penghubung yang digunakan bersarang (berhierarki), tes deviance dapat digunakan
adalah logit (log{π/(1-π)}) sehingga modelnya untuk mengetahui apakah model dengan efek random
disebut dengan model logistik (Hox, 2002). lebih baik daripada model tanpa efek random.
Secara umum, model 2 level dengan respon biner Pengujian dilakukan dengan hipotesis :
dapat dituliskan sebagai berikut (Guo dan Zhao,
2000). H0 : (efek random tidak signifikan)
H1 : 0 (efek random signifikan)
log[ ] (1)
Statistik uji :
dimana uj merupakan efek acak pada level 2, tanpa uj,
persamaan (1) menjadi model regresi logistik standar. LR = -2ln* + (5)
Bergantung pada uj, Yij diasumsikan independen.
Seperti dalam kasus pada model linear multilevel, uj dengan adalah Likelihood model logistik tanpa
diasumsikan berdistribusi normal, dengan nilai yang efek random dan adalah Likelihood model
diharapkan 0 dan varians . Model (1) seringkali logistik dengan efek random.
dideskripsikan sebagai alternatif dalam literatur pada Dengan menggunakan α = 5%, maka tolak H0 jika
model multilevel dari persamaan berikut. LR > , dimana v adalah selisih jumlah parameter
dari kedua model. H0 ditolak maka dapat disimpulkan
log[ ] (model level 1) (2) random effect signifikan. Artinya terdapat
bahwa
keragaman atau variasi variabel respons yang
dan signifikan antarkelompok sehinga model multilevel
lebih baik dalam menjelaskan data daripada model
(3)
logistik biasa.
Secara umum rumusan matematis untuk model
random-intercept dua level dengan respon biner b. Pengujian Signifikansi Parameter secara
sebagai berikut. Simultan
G-test adalah pengujian signifikansi seluruh variabel
log[ ] (4) penjelas di dalam model secara bersama-sama. G-test
dikenal juga sebagai likelihood ratio test, log-
SARAGIH, INAYAH, NOORAENI, APRILIO, SINSYI, APRILIA | 39
likelihood ratio tes, atau Uji G2 (McDonald, 2014). level yaitu dapat melalui tanda koefisien regresi, nilai
Hipotesis yang diuji adalah odds ratio atau probabilita. Dalam penelitian ini,
H0: tanda koefisien regresi dan odds ratio digunakan
untuk mengetahui arah hubungan dan seberapa besar
(tidak ada pengaruh variabel penjelas terhadap kecenderungan setiap variabel bebas terhadap
variabel respons) pemilihan moda transportasi.
Persamaan odds ratio adalah sebagai berikut.
H1: minimal ada 0
(minimal ada satu variabel penjealas yang ̂
berpengaruh terhadap variabel respons)
̂ ̂
Penelitian oleh Fanny Ayu Octaviana dengan tiap kabupaten/kota, dan Upah Minimum Kabupaten/
judul Pemodelan Status Bekerja Ibu Rumah Tangga Kota. Penggunaan PDRB perkapita sebagai faktor
Menggunakan Model Multilevel Dengan Respon kontekstual karena variabel ini bisa menggambarkan
Biner yang bertujuan untuk mengetahui hubungan kuantitas dan kondisi perekonomian masyarakat di
antara status bekerja ibu rumah tangga berdasarkan suatu daerah, sedangkan IPM menjelaskan
variabel-variabel pada setiap level dan model yang bagaimana penduduk pada suatu daerah dapat
sesuai dari penelitian tentang status bekerja ibu mengakses hasil pembangunan dalam memperoleh
rumah tangga. Variabel respons yang digunakan ialah pendapatan, kesehatan, pendidikan, dan sebagainya.
Status Bekerja Ibu Rumah Tangga (Y), sedangkan Kemudian, upah minimum regional merupakan suatu
variabel penjelas terdiri dari Pendidikan Terakhir, standar minimum yang digunakan oleh para
Usia, dan Pengeluaran Rumah Tangga (level 1), serta pengusaha pada suatu daerah untuk memberikan
Gaji Tenaga Kerja Wanita (level 2). Dari hasil upah kepada pegawai, karyawan, atau buruh di dalam
analisis dapat diperoleh kesimpulan bahwa model lingkungan usaha atau kerjanya yang nantinya dapat
yang terbaik untuk kasus status bekerja ibu rumah memengaruhi kesempatan kerja dan pengangguran.
tangga di Indonesia adalah menggunakan model Secara ringkas, variabel penelitian yang digunakan
regresi 2-level dengan respon biner yang dapat dilihat pada Tabel 1 di bawah ini.
mengikutsertakan variabel rata-rata gaji tenaga kerja
wanita karena nilai Deviance yang dihasilkan paling Tabel 1 – Variabel Penelitian
kecil dibandingkan dengan model lainnya. Artinya,
keputusan ibu rumah tangga untuk ikut serta dalam Variabel Indikator Keterangan Skala
dunia kerja dipengaruhi oleh variabel pendidikan 0 : Tidak
Status Bekerja
terakhir dan variabel pengeluaran rumah tangga Y Nominal
Bekerja
(level 1/individu), serta dipengaruhi oleh adanya 1 : Bekerja
daerah tempat tinggal (level 2/kecamatan). Level 1 (Individu)
Kemudian, penelitian oleh Rizky Amalia Yulianti
dan Vita Ratnasari yang berjudul Pemetaan dan 0 : Desa
X1 Tipe Daerah Nominal
Pemodelan Tingkat Partisipasi Angkatan Kerja 1 : Kota
(TPAK) Perempuan di Provinsi Jawa Timur dengan 0 : Laki - Laki
Pendekatan Model Probit. Dalam penelitiannya, X2 Jenis Kelamin Nominal
variabel respons yang digunakan adalah hasil 1 : Perempuan
pengelompokkan dari analisis cluster antara TPAK 0 : Belum
perempuan semua sektor. Sedangkan, variabel Status Kawin
X3 Nominal
penjelas yang digunakan meliputi Tingkat Pendidikan Perkawinan 1 : Pernah
Kawin
Tamat SD, Tingkat Pendidikan Tamat SMP, Tingkat
Pernah 0 : Tidak
Pendidikan Tamat SMA, Usia, Persentase Perempuan Mengikuti
Berstatus Menikah, Pengeluaran Perkapita, Upah X4 Nominal
Pelatihan 1 : Ya
Minimum Kabupaten/Kota, Indeks Pembangunan Bersertifikat
Manusia (IPM), Daerah Tempat Tinggal Asal Kota, 0 : Di bawah
dan Produk Domestik Regional Bruto (PDRB). SMP
X5 Pendidikan Nominal
Berdasarkan hasil analisis kelompok terdapat empat 1 : SMP Ke
kelompok bentukan yaitu kelompok wilayah TPAK Atas
perempuan di sektor pertanian, perdagangan, industri X6 Umur - Rasio
perdagangan, dan pertanian perdagangan. Hasil
Level 2 (Kabupaten/ Kota)
pemodelan probit dengan mengunakan sepuluh
variabel yang diduga memengaruhi TPAK Produk
Domestik
perempuan adalah variabel pengeluaran perkapita
Z1 Regional - Rasio
sebulan, tenaga kerja perempuan asal kota, dan Bruto harga
PDRB yang berpengaruh secara signifikan terhadap berlaku
TPAK perempuan. Indeks
Secara kontekstual, status bekerja tidak hanya Z2 Pembangunan - Rasio
dipengaruhi oleh faktor individual, tetapi juga dapat Manusia
dipengaruhi oleh konteks masyarakat atau kelompok Upah
di mana individu tersebut menetap. Faktor Minimum
Z3 - Rasio
kontekstual yang digunakan dalam penelitian ini Kabupaten/
meliputi Produk Domestik Regional Bruto (PDRB) Kota
Perkapita, Indeks Pembangunan Manusia (IPM) di
SARAGIH, INAYAH, NOORAENI, APRILIO, SINSYI, APRILIA | 41
Mengikuti Pelatihan
Ya 3851 92,0
Tidak 43207 8,0
Sumber: raw data Sakernas 2018 (diolah)
Tabel 3 – Hasil Estimasi Nilai Deviance pada Null maupun level 2. Berikut adalah hasil estimasi
Model parameter dalam model regresi logistik biner
Model Deviance multilevel dengan random intercept.
Regresi logistik biner satu level 59279,0
Tabel 4 – Hasil Estimasi Parameter Secara
Regresi logistik biner multilevel 59074,0 Parsial, Signifikansi, dan Nilai Odds Ratio
Standard p- Odds
Tabel 3 menunjukkan bahwa pada kondisi null Variabel Koefisien
Error value Ratio
model, nilai Deviance pada regresi logistik biner Konstanta -0,608 0,535 0,256 0,5445
multilevel lebih kecil daripada dengan nilai Deviance
regresi logistik biner satu level. Selain itu, Tipe Daerah
berdasarkan pengujian signifikansi random effect, Perkotaan -0,071 0,0235 0,003* 0,9319
Pedesaan
diperoleh nilai p-value sebesar 0,00 dengan α = 5%
dan nilai Likelihood Ratio Test sebesar 186,90. Nilai Jenis
p-value yang diperoleh lebih kecil dari α dan nilai Kelamin
Likelihood Ratio Test lebih besar dari = 3,84 Perempuan -1,389 0,0234 0,000* 0,2493
Laki-laki
sehingga dapat disimpulkan dengan tingkat
kepercayaan 95% terdapat random effect yang Umur -0,021 0,0009 0,000* 0,9795
signifikan. Dengan demikian, dapat diartikan bahwa Status
terdapat variasi status bekerja antar kabupaten/kota Perkawinan
dan model regresi logistik biner multilevel yang Pernah
2,051 0,0350 0,000* 7,7777
mengandung random effect lebih baik untuk Kawin
digunakan dalam menjelaskan data dibandingkan Belum
dengan model regresi logistik biner satu level. Kawin
Pendidikan
3.3. Faktor-Faktor Yang Memengaruhi Status ≥ SMP -0,182 0,0265 0,000* 0,8340
Bekerja di Provinsi Jawa Tengah < SMP
Mengikuti
Uji Simultan Pelatihan
Bersertifikat
Pengujian signifikansi parameter secara serentak Pernah 0,533 0,0438 0,000* 1,7048
dilakukan untuk mengetahui apakah model regresi Tidak
logistik biner multilevel dengan melibatkan variabel Pernah
penjelas (conditional model) lebih baik daripada
IPM 0,018 0,0074 0,015* 1,0182
model tanpa melibatkan variabel penjelas (null
model). Pengujian signifikansi parameter diperoleh PDRB -0,036 0,0152 0,019* 0,9650
dengan,
2.04
UMK 2.0410-7 0,395 1
10-7
* +
Keterangan: * adalah signifikan pada α = 5%
Hasil pengujian signifikansi parameter secara IPM, koefisien PDRB yang bernilai negatif
parsial menunjukkan bahwa secara individual, menunjukkan bahwa semakin tinggi PDRB, maka
variabel sosio-demografi seperti tipe daerah tempat kecenderungan untuk bekerja akan semakin
tinggal, jenis kelamin, umur, dan status perkawinan berkurang. Hasil penelitian ini juga menemukan
memengaruhi status bekerja penduduk di Provinsi bahwa Upah Minimum Kabupaten/Kota (UMK) tidak
Jawa Tengah. Selain itu keikutsertaan dalam berpengaruh signifikan terhadap status bekerja
pelatihan yang bersertifikat juga berpengaruh secara penduduk di Provinsi Jawa Tengah.
signifikan.
Tipe daerah berpengaruh signifikan terhadap 3.4. Pengaruh Variasi Wilayah Terhadap
status bekerja dengan nilai koefisien yaitu -0,071. Status Bekerja
Rasio kecenderungan yang diperoleh sebesar 0,9319
artinya penduduk yang tinggal di daerah perkotaan Interclass Correlation (ICC) digunakan untuk
memiliki kecenderungan untuk bekerja sebesar menggambarkan besarnya variasi status bekerja antar
0,9319 kali dibanding penduduk yang tinggal di kabupaten/kota di Provinsi Jawa Tengah. Hasil ICC
daerah pedesaan. yang diperoleh sebesar 0,0082016 artinya sebesar
Jenis kelamin memberikan berpengaruh 0,82 persen keragaman status bekerja pada Provinsi
signifikan terhadap status bekerja. Rasio Jawa Tengah disebabkan oleh adanya perbedaan
kecenderungan perempuan untuk bekerja sebesar karakteristik antar kabupaten/kota.
0,2493 dibandingkan laki-laki. Atau dapat dinyatakan
bahwa laki-laki memiliki kecenderungan 4,011 kali 4. Kesimpulan dan Saran
lebih besar dibandingkan perempuan untuk bekerja.
Selanjutnya, umur memiliki pengaruh yang 4.1. Kesimpulan
signifikan dan negatif terhadap status bekerja Penelitian ini menunjukkan bahwa model yang
penduduk Jawa Tengah dengan nilai koefisien dihasilkan oleh model regresi logistik biner
sebesar -0,021. Hal ini berarti bahwa ketika umur multilevel lebih baik dalam menggambarkan status
seseorang bertambah satu tahun, maka bekerja penduduk di Provinsi Jawa Tengah tahun
kecenderungan untuk bekerja menjadi 0,9795 kali 2018 dibandingkan dengan regresi logistik biner satu
dengan asumsi variabel lain konstan. Dengan kata level. Hal ini ditunjukkan melalui nilai deviance pada
lain, semakin tua seseorang, maka kecenderungan regresi logistik biner multilevel lebih kecil daripada
untuk bekerja akan semakin kecil. nilai deviance pada regresi logistik biner biasa.
Ditinjau dari sisi status perkawinan, penduduk di Penerapan Regresi Logistik Biner Multilevel
Provinsi Jawa Tengah yang pernah kawin, dalam hal menyatakan bahwa status bekerja penduduk di
ini yang dimaksud adalah penduduk yang berstatus Provinsi Jawa Tengah secara signifikan dipengaruhi
kawin, cerai hidup dan cerai mati memiliki oleh tipe daerah tempat tinggal, jenis kelamin, umur,
kecenderungan sebesar 7,7777 kali untuk bekerja status perkawinan, keikutsertaan dalam pelatihan
dibanding penduduk yang belum kawin. yang bersertifikat. Selain itu, terdapat pengaruh
Pendidikan berpengaruh secara signifikan perbedaan Kabupaten/Kota yang digambarkan
terhadap status bekerja. Nilai koefisien sebesar - dengan IPM dan PDRB sebagai variabel kontekstual.
1,182 dengan rasio kecenderungan sebesar 0,8340 Sebesar 0,82 persen keragaman status bekerja pada
menunjukkan bahwa penduduk yang pendidikannya Provinsi Jawa Tengah disebabkan oleh perbedaan
di atas SMP memiliki kecenderungan 0,8430 kali karakteristik antar kabupaten/kota asal penduduk
untuk bekerja dibandingkan yang pendidikannya
SMP kebawah. 4.2. Saran
Pelatihan juga berpengaruh secara signifikan dan
positif terhadap status bekerja. Penduduk yang Berdasarkan hasil analisis dan kesimpulan, saran
pernah mengikuti pelatihan bersertifikat mempunyai yang dapat diberikan untuk pemerintah Provinsi Jawa
kecenderungan 1,7048 kali untuk bekerja Tengah agar menciptakan lapangan pekerjaan yang
dibandingkan penduduk yang tidak pernah mengikuti semakin banyak. Selain itu, pemerintah dapat
pelatihan. membuat kebijakan-kebijakan yang dapat
Dari segi kontekstual, penelitian ini menemukan mempermudah penduduk Jawa Tengah untuk
bahwa IPM dan PDRB berpengaruh secara signifikan memperoleh pendidikan yang lebih tinggi. Misalnya
terhadap status bekerja. Dalam keadaan variabel memberikan kesempatan para pekerja untuk menjadi
bebas lainnya konstan, setiap peningkatan 1 poin tugas belajar atau kejar paket. Dengan pendidikan
capaian IPM kabupaten/kota akan meningkatkan yang lebih tinggi, maka kualitas tenaga kerjanya juga
kecenderungan penduduk kabupaten/kota tersebut akan semakin baik.
untuk bekerja sebesar 1,0182. Berkebalikan dengan
44 | EIGEN MATHEMATICS JOURNAL VOL 03 No 01 (Juni 2020)
DAFTAR PUSTAKA