PEMODELAN SPATIAL ERROR MODEL (SEM)

UNTUK MENGIDENTIFIKASI INDEKS

PEMBANGUNAN MANUSIA (IPM) DI
PROVINSI LAMPUNG

SKRIPSI

Diajukan Untuk Melengkapi Tugas-Tugas dan Memenuhi

Syarat-Syarat Guna Mendapatkan Gelar Sarjana Pendidikan
Matematika (S.Pd) Dalam Ilmu Pendidikan Matematika

Oleh:

NUR AINI FAJRIA

NPM. 1911050150
Jurusan: Pendidikan Matematika

FAKULTAS TARBIYAH DAN KEGURUAN

UNIVERSITAS ISLAM NEGERI
RADEN INTAN LAMPUNG
1444/2023
PEMODELAN SPATIAL ERROR MODEL (SEM)
UNTUK MENGIDENTIFIKASI INDEKS
PEMBANGUNAN MANUSIA (IPM) DI
PROVINSI LAMPUNG

SKRIPSI

Diajukan Untuk Melengkapi Tugas-Tugas dan Memenuhi

Syarat-Syarat Guna Mendapatkan Gelar Sarjana Pendidikan
Matematika (S.Pd) Dalam Ilmu Pendidikan Matematika

Oleh:

NUR AINI FAJRIA

NPM. 1911050150
Jurusan: Pendidikan Matematika

Pembimbing I : Dr. Achi Rinaldi, S. Si., M. Si

Pembimbing II : Siti Ulfa Nabila, M. Mat

FAKULTAS TARBIYAH DAN KEGURUAN

UNIVERSITAS ISLAM NEGERI
RADEN INTAN LAMPUNG
1444/2023
ii
 ABSTRAK

Penelitian ini bertujuan untuk mengetahui apakah terdapat

pola spaisal dalam Indeks Pembangunan Manusia di Provinsi
Lampung serta memodelkan Indeks Pembangunan Manusia di
Provinsi Lampung menggunakan spatial error model dengan matriks
pembobot spasial queen contiguity. Penelitian didasari capaian IPM
suatu wilayah dapat mempengaruhi capaian IPM wilayah yang berada
disekitarnya.
Penelitian ini adalah jenis penelitian kuantitatif asosiatif yang
bertujuan untuk mengetahui hubungan dua variabel atau lebih. Sampel
dalam penelitian ini adalah data Indeks Pembangunan Manusia beserta
dimensi penyusunnya di kabupaten/kota Provinsi Lampung tahun
2022. Jenis data yang digunakan dalam penelitian ini adalah data
sekunder yang diperoleh dari website resmi BPS tahun 2022.
Hasil dari penelitian ini adalah tidak ada pengaruh spasial
yang signifikan di antara lokasi pengamatan. Hal ini dapat dilihat dari
hasil parameter spatial error model yang menunjukkan bahwa lambda
bernilai negatif dan tidak signifikan. Sehingga dalam model regresi
spasial menggunakan spatial error model, tidak ada bukti kuat yang
menunjukkan bahwa lokasi-lokasi terdekat mempengaruhi nilai lokasi
yang sedang diamati. Model spatial error yang dihasilkan dalam
penelitian ini adalah:
^y =4,084+ 0,495 x 1 +0,805 x 2+ 1,239 x 3 +0,001 x 4 +U i
dimana
n
U i=0,082 ∑ wij U j + ε i
j=1 ,i ≠ j
Model spatial error model bukanlah model terbaik untuk
memodelkan IPM di Provinsi Lampung. Model terbaik untuk
memodelkan Indeks Pembangunan Manusia di Provinsi Lampung
adalah model regresi ridge:
y=4,9511+0,4568 x 1 +1,0719 x2 +1,0914 x 3 +0,001 x 4

Kata Kunci: Indeks Pembangunan Manusia (IPM), Spatial Error

Model (SEM)
iii
 ABSTRACT

This research aims to determine wheter there is a spatial

pattern This research aims to determine wheter there is a spatial
pattern in the Human Development Index (HDI) in the Province of
Lampung an to model the Human Development Index in the Province
of Lampung using a spatial error model with queen contiguity spatial
weighting matrix. The research based on the idea that the HDI
achievement in one region can influence the HDI achievement in
neighboring regions.
This study is a typpe of associarive quantitative research
that’s aims to understand the relationship between two or more
variabels. The sample in this research consistc of Human
Development Index data and its composing dimensions in the disticts
of Lampung Province for the year 2022. The data used this research
secondary data obtained from official website of BPS for the year
2022.
The result of this research indicate that there is no significant
spatial influence among observation locations. This can be seen from
spatial error model parameter results showing that lamda is
negatively valued and not significant. Therefore, in the spatial
regression model using a spatial error model, there is no strong
evidence indicating that nearby locations influence that value of the
observed location. The spatial error model generated in this research
is:
^y =4,084+ 0,495 x 1 +0,805 x 2+ 1,239 x 3 +0,001 x 4 +U i
Where,
n
U i=0,082 ∑ wij U j + ε i
j=1 ,i ≠ j
The spatial error model is not the best model for modeling the Human
Development Index (IPM) in Lampung Province. The best modeling
the Human Development Index in Lampung Province is the ridge
regression model:
y=4,9511+0,4568 x 1 +1,0719 x2 +1,0914 x 3 +0,001 x 4

iv
Keywords: Human Development Index (HDI), Spatial Error Model
(SEM)

v
 SURAT PERNYATAAN

Yang bertanda tangan di bawah ini:

Nama : Nur Aini Fajria
NPM : 1911050150
Jurusan/Prodi : Pendidikan Matematika
Fakultas : Tarbiyah dan Keguruan
Menyatakan bahwa skripsi yang berjudul “Pemodelan Spatial Error
Model (SEM) Untuk Mengidentifikasi Indeks Pembangunan (IPM) di
Provinsi Lampung” adalah benar-benar hasil karya penyusun sendiri,
bukan duplikasi ataupun saduran dari karya orang lain kecuali pada
bagian yang telah dirujuk dan disebut dalam footnote atau daftar
pustaka. Apabila dilain waktu terbukti adanya penyimpangan dalam
karya ini, maka tanggung jawab sepenuhnya ada pada penyusun.

Demikian surat pernyataan ini saya buat agar dapat dimaklumi.

Bandar Lampung, November 2023

Penulis

Nur Aini Fajria

1911050150

vi
SURAT PERSETUJUAN

vii
SURAT PENGESAHAN

viii
 MOTTO

‫ٰٓيَاُّيَها الَّناُس ِاَّنا َخ َلْقٰن ُك ْم ِّم ْن َذ َك ٍر َّو ُاْنٰث ى َو َج َعْلٰن ُك ْم ُش ُعْو ًبا َّو َقَبۤا ِٕىَل ِلَتَعاَر ُفْو ۚا‬
‫۝‬١٣ ‫ِاَّن َاْك َر َم ُك ْم ِع ْنَد ِهّٰللا َاْتٰق ىُك ْۗم ِاَّن َهّٰللا َعِلْيٌم َخ ِبْيٌر‬

Wahai manusia, sesungguhnya Kami telah menciptakan kamu dari

seorang laki-laki dan perempuan. Kemudian, kami menjadikan kamu
berbangsa-bangsa dan bersuku-suku agar kamu saling mengenal.
Sesungguhnya yang paling mulia di antara kamu di sisi Allah adalah
orang yang paling bertakwa. Sesungguhnya Allah Maha Mengetahui
lagi Mahateliti
(Q.S. Al-Hujurat 49:13)

ix
 PERSEMBAHAN

Alhamdulillahirobbil’alamin, puji syukur penulis ucapkan kepada

Allah Subhanahu wa Ta’ala karena ridho dan karunia-Nya sehingga
penulis dapat menyelesaikan skripsi ini. Karya ini penulis
persembahkan sebagai ungkapan tanda cinta dan kasih sayang kepada
kedua orang tua tercinta, Ibu Sukarti dan Bapak Tukiyo. Terimakasih
telah membesarkan penulis dengan penuh cinta dan kasih sayang,
mendidik dan membiayai semua kebutuhan penulis hingga mampu
mengantarkan penulis menjadi sarjana di UIN Raden Intan Lampung.
Terima kasih atas segala cinta, doa, dan perjuangan yeng telah ibu dan
bapak berikan yang tidak akan bisa penulis balas dengan apapun.

x
 RIWAYAT HIDUP

Penulis bernama Nur Aini Fajria dilahirkan di Sukoharjo pada 2

Juli 2001, putri ke tiga dari pasangan Bapak Tukiyo dan Ibu Sukarti.
Penulis mempunyai dua orang kakak perempuan yaitu Eka Widya
Astuti dan Yeni Ferdiana. Jenjang pendidikan yang pertama penulis
tempuh yaitu di TK Dewi Sartika selesai pada tahun 2007, dilanjutkan
ke jenjang sekolah dasar di SD Negeri 3 Sukoharjo 1 selesai tahun
2013, kemudian melanjutkan pendidikan ke jenjang sekeloh
menengah pertama di SMP Negeri 1 Sukoharjo selesai tahun 2016,
dan melanjutkan ke jenjang sekolah menengah akhir di SMA Negeri
1 Pringsewu selesai tahun 2019.
Setelah lulus sekolah menengah akhir, penulis melanjutkan ke
jenjang pendidikan tinggi di Jurusan Pendidikan Matematika, Fakutas
Tarbiyah dan Keguruan, UIN Raden Intan Lampung. Pada tahun 2022
penulis melaksanakan Kuliah Kerja Nyata Dari Rumah (KKN-DR) di
Pekon Pandansari dan Praktik Pengalaman Lapangan (PPL) di SMKS
Muhammadiyah 2 Bandar Lampung.

xi
 KATA PENGANTAR

Bismillahirrahmanirrahim,
Segala puji syukur hanya dipanjatkan kepada Allah Subhanahu
wa Ta’ala atas rahmat serta taufik-Nya dan shalawat serta salam
selalu dilimpahkan kepada Rasulullah Shallahu ‘alaihi wa Sallam,
keluarganya, para sahabtnya, dan orang-orang yang mengikutinya.
Alhamdulillah, penulis mampu menyelesaikan tugas akhir skripsi ini
sebagai syarat memperoleh gelar Sarjana Pendidikan (S. Pd) di
Fakultas Tarbiyah dan Keguruan, Jurusan Pendidikan Matematika,
UIN Raden Intan Lampung. Penyusunan karya skripsi ini tidak
terlepas dari bimbingan dan bantuan dari berbagai pihak. Oleh sebab
itu, penulis ingin menyampaikan rasa terima kasih sebesar-besarnya
kepada:
1. Ibu Prof. Dr. Hj. Nirva Diana, M. Pd selaku Dekan Fakultas
Tarbiyah dan Keguruan UIN Raden Intan Lampung.
2. Bapak Dr. Bambang Sri Anggoro, M. Pd selaku Ketua
Program Studi Pendidikan Matematika Fakutas Tarbiyah dan
Keguruan UIN Raden Intan Lampung.
3. Bapak Rizky Wahyunian Putra, M. Pd selaku Sekretaris
Program Studi Pendidikan Mtematika UIN Raden Intan
Lampung.
4. Bapak Dr. Achi Rinaldi, S. Si., M. Si selaku pembimbing I
yang telah meluangkan waktu dan memberikan ilmunya untuk
membimbing dan memotivasi penulis.
5. Ibu Siti Ulfa Nabila, M. Mat selaku pembimbing II yang telah
memberikan ilmunya dan memberi pengarahan demi
keberhasilan penulis.
6. Bapak dan ibu dosen beserta staf yang telah memberikan
wawasan dan bantuan selama menimba ilmu di Program Studi
Pendidikan Matematika, sehingga dapat menyelesaikan tugas
akhir skripsi ini.
7. Kedua orang tua tercinta Bapak Tukiyo dan Ibu Sukarti serta
kakak-kakak ku yang selalu mendukung, menemani, dan
mendoakan kebaikan untuk penulis.

xii
 8. Sahabat-sahabat tersayang Resty Iska Mayda, Nanda
Kurniawati, dan Ratna Saniah yang telah memberikan
semangat dan masukan kepada penulis. Selain itu, sahabat
seperjuangan Titik Koma dan Gngstrss.
9. Rekan-rekan seperjuangan, Pendidikan Matematika,
khususnya kelas B Angkatan 2019 yang telah bersama-sama
menuntut ilmu, sehingga penulis memiliki pengalaman yang
berharga dan bersyukur atas kehadiran kalian selama
menempuh pendidikan tinggi.
Semoga Allah Subhanahu wa Ta’ala melimpahkan kebaikan san
keselamatan kepada kita semua di dunia dan akhirat.
Penulis menyadari bahwa skripsi ini tidaklah sempurna dan masih
banyak kekurangan, karena kurangnya pengetahuan dan pengalaman
penulis. Oleh karean itu, mohon maaf atas segala bentuk kesalahan
pada penulisan ataupun isi. Penulis berharap semoga skripsi ini dapat
bermanfaat untuk kemajuan ilmu pengetahuan.
Terima kasih.

Bandar Lampung, November 2023

Penulis

Nur Aini Fajria

1911050150

xiii
 DAFTAR ISI

HALAMAN JUDUL...................................................................i
ABSTARK...................................................................................iii
ABSTRACT..................................................................................iv
SURAT PERNYATAAN............................................................v
PERSETUJUAN.........................................................................vi
PENGESAHAN...........................................................................vii
MOTTO.......................................................................................viii
PERSEMBAHAN.......................................................................ix
RIWAYAT HIDUP.....................................................................x
KATA PENGANTAR.................................................................xi
DAFTAR ISI................................................................................xiii
DAFTAR GAMBAR...................................................................xv
DAFTAR TABEL.......................................................................xvi
DAFTAR LAMPIRAN...............................................................xvii
BAB I PENDAHULUAN
A. Penegasan Judul...............................................................1
B. Latar Belakang Masalah..................................................2
C. Identifikasi dan Batasan Masalah....................................12
1. Identifikasi Masalah..................................................12
2. Batasan Masalah........................................................12
D. Rumusan Masalah............................................................13
E. Tujuan Penelitian.............................................................13
F. Manfaat Penelitian...........................................................13
G. Kajian Penelitian Terdahulu yang Relevan......................14
H. Sistematika Penulisan......................................................15
BAB II TINJAUAN PUSTAKA
A. Indeks Pembangunan Manusia........................................17
1. Definisi Indeks Pembangunan Manusia....................17
2. Komponen Indeks Pembangunan Manusia...............19
B. Statistika Deskriptif.........................................................21
C. Analisis Regresi Linier Berganda....................................21
D. Multikolinieritas...............................................................25
E. Regresi Ridge...................................................................25

xiv
 F. Regresi Spasial.................................................................26
G. Spatial Error Model (SEM).............................................27
H. Uji Autokorelasi Spasial..................................................28
I. Uji Efek Spasial...............................................................31
J. Matriks Pembobot Spasial...............................................33
BAB III METODE PENELITIAN
A. Waktu dan Tempat Penelitian..........................................37
B. Pendekatan dan Jenis Penelitian......................................37
C. Populasi, Sampel, dan Teknik Pengumpulan Data..........37
D. Definisi Operasional Variabel..........................................37
E. Langkah-Langkah Kerja..................................................38
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
A. Deskripsi Data..................................................................42
1. Indeks Pembangunan Manusia (Y)...........................43
2. Angka Harapan Hidup (X1).......................................44
3. Harapan Lama Sekolah (X2)......................................45
4. Rata-Rata Lama Sekolah (X3)...................................47
5. Pengeluaran Perkapita (X4).......................................49
B. Pembahasan Hasil Penelitian dan Analisis......................50
1. Korelasi Antar Variabel.............................................50
2. Analisis Regresi Spatial Error Model (SEM)...........51
3. Analisis Resgresi Linier Berganda............................54
BAB V PENUTUP
A. Kesimpulan......................................................................64
B. Rekomendasi....................................................................64
DAFTAR PUSTAKA
LAMPIRAN

xv
 DAFTAR GAMBAR

Gambar 2.1 Ilustrasi dari Moran’s Scatterplot.............................31

Gambar 2.2 Ilustrasi Pembobot Spasial........................................36
Gambar 3.1 Diagram Alir Alur Penelitian....................................41
Gambar 4.1 Grafik IPM Menurut Kabupaten/Kota di Provinsi
Lampung Tahun 2022..............................................43
Gambar 4.2 Peta Persebaran IPM Menurut Kabupaten/Kota di
Provinsi Lampung Tahun 2022................................44
Gambar 4.3 Grafik AHH Menurut Kabupaten/Kota di Provinsi
Lampung Tahun 2022..............................................45
Gambar 4.4 Peta Persebaran AHH Menurut Kabupaten/Kota
di Provinsi Lampung Tahun 2022............................45
Gambar 4.5 Grafik HLS Menurut Kabupaten/Kota di Provinsi
Lampung Tahun 2022..............................................47
Gambar 4.6 Peta Persebaran HLS Menurut Kabupaten/Kota di
Provinsi Lampung Tahun 2022................................47
Gambar 4.7 Grafik RLS Menurut Kabupaten/Kota di Provinsi
Lampung Tahun 2022..............................................48
Gambar 4.8 Peta Persebaran RLS Menurut Kabupaten/Kota di
Provinsi Lampung Tahun 2022................................48
Gambar 4.9 Grafik PPP Menurut Kabupaten/Kota di Provinsi
Lampung Tahun 2022..............................................49
Gambar 4.10 Peta Persebaran PPP Menurut Kabupaten/Kota
di Provinsi Lampung Tahun 2022...........................50
Gambar 4.11 Pola Hubungan Antar Variabel X dan Y.................51

xvi
 DAFTAR TABEL

Tabel 1.1 Peringkat IPM Menurut Provinsi di Indonesia

Tahun 2022....................................................................6
Tabel 1.2 Pertumbuhan IPM Indonesia dan Provinsi Lampung
Tahun 2018-2022...........................................................8
Tabel 1.3 Pertumbuhan IPM Menurut Kabupaten/Kota Di
Provinsi Lampung.........................................................8
Tabel 1.4 Sistematika Penulisan...................................................15
Tabel 2.1 Daerah Pengamatan Rook Contiguity...........................34
Tabel 2.2 Daerah Pengamatan Bishop Contiguity........................35
Tabel 2.3 Daerah Pengamatan Queen Contiguity.........................35
Tabel 4.1 Statistika Deskriptif......................................................42
Tabel 4.2 Korelasi Antar Variabel................................................50
Tabel 4.3 Estimasi Parameter Spatial Error Model......................52
Tabel 4.4 Hasil Uji Indeks Moran.................................................53
Tabel 4.5 Hasil Uji Dependensi Spasial ......................................53
Tabel 4.6 Hasil Uji Normalitas.....................................................54
Tabel 4.7 Hasil Uji Linieritas........................................................55
Tabel 4.8 Hasil Uji Homogenitas..................................................55
Tabel 4.9 Hasil Uji Autokorelasi..................................................56
Tabel 4.10 Hasil Uji Multikolinieritas..........................................56
Tabel 4.11 Estimasi Parameter Regresi Linier Berganda.............57
Tabel 4.12 Perbaikan Nilai VIF....................................................58
Tabel 4.13 Estimasi Parameter Regresi Ridge..............................58

xvii
 DAFTAR LAMPIRAN

Lampiran 1. Data Indeks Pembangunan Manusia (IPM) dan Faktor-

Faktor yang Mempengaruhi.....................................72
Lampiran 2. Matriks Pembobot Spasial Queen Contiguity..........73
Lampiran 3. Syntax Uji Indeks Moran dan Uji
Lagrange Multiplier.................................................74
Lampiran 4. Hasil Uji Autokorelasi dan Hasil Uji Efek Spasial. .75
Lampiran 5. Estimasi Parameter Spatial Error Model.................76
Lampiran 6. Estimasi Parameter Model Regresi Linier
Berganda...................................................................77
Lampiran 7. Hasil Uji Asumsi Klasik Model Regresi Linier
Berganda..................................................................78
Lampiran 8. Estimasi Parameter Regresi Ridge dan Hasil
Uji Perbaikan Multikolinearitas...............................79

xviii
 BAB I
PENDAHULUAN

A. Penegasan Judul
Sebelum menguraikan latar belakang dalam skripsi ini maka
membutuhkan adanya pembahasan mengenai penegasan judul
sebagai langkah awal untuk mendapatkan gambaran yang jelas
dan memudahkan semua pihak dalam memahami skripsi ini. Judul
skripsi ini adalah “Pemodelan Spatial Error Model (SEM) untuk
Mengidentifikasi Indeks Pembangunan Manusia (IPM) Di
Provinsi Lampung” akan diuraikan istilah-istilah di atas sebagai
berikut:
1. Pemodelan
Menurut Togar Simatupang, pemodelan diartikan sebagai
proses membangun atau membentuk sebuah model dari suatu
sistem nyata dalam bahasa formal tertentu. Dan model yang
sudah diformulasikan dapat diuji kesesuaiannya dengan
sistem nyata secara ilmiah. Maka untuk memperkecil
kesalahan pengembangan dan hasil dari model, dapat
dilakukan penyesuaian-penyesuaian tertentu. Tujuan dari studi
pemodelan adalah menentukan informasi-informasi yang
dianggap penting untuk dikumpulkan.1
2. Spatial Error Model (SEM)
Spatial Error Model (SEM) merupakan salah satu model
regresi spasial.2 Pada model ini ketergantungan spasial masuk
melalui error, bukan melalui komponen sistematis dari model.
Kasus dimana error dapat secara memadai menjelaskan
komponen sistematika spasial. Ketika ada koneksi geografis
antara error, juga dikenal sebagai korelasi spasial antara nilai

1
Muhammad Arif, “Pemodelan Sistem,” 2nd ed. (Yogyakarta: deepublish, 2017),
2–3.
2
Windy David Revildy et al., “Pemodelan Spatial Error Model (SEM) Angka
Prevalensi Balita Pendek (Stunting) Di Indonesia Tahun 2018,” Seminar Nasional
Official Statistics 2020 (2020): 1224–1231.
1
 2

error di lokasi yang berbeda, istilah ini disebut dengan

Spatial Error Model (SEM).3
3. Indeks Pembangunan Manusia (IPM)
Indeks Pembangunan Manusia (IPM) menjadi suatu
indeks komposit yang terangkum dari pendekatan tiga
dimensi fundamental manusia. Ketiga dimensi fundamental
tersebut adalah umur panjang dan sehat (sebagai ukuran
longevity), pengetahuan atau pendidikan (sebagai ukuran
knowledge), dan standar hidup layak atau tingkatan
pendapatan riil (sebagai ukuran living standars).4

B. Latar Belakang
Indonesia dikenal sebagai negara kepulauan terbesar di dunia
dengan luas wilayah 1.905.000 km 2. Indonesia memiliki lebih dari
17.000 pulau, dengan sekitar 7.000 pulau yang berpenghuni.
Pulau Kalimantan, Jawa, Sulawesi, Sumatra, dan Papua
merupakan pulau besar yang ada di Indonesia. Banyaknya pulau
dan luasnya wilayah menjadikan Indonesia sebagai negara
populasi terbesar keempat di dunia. Berdasarkan data Badan Pusat
Statistik (BPS), jumlah penduduk Indonesia pada tahun 2022
diproyeksikan sebanyak 275,77 juta jiwa.
Populasi jumlah penduduk yang begitu padat menyebabkan
ketimpangan dalam kehidupan. Banyaknya populasi ini
seharusnya menjadi salah satu aset bangsa yang berharga.
Populasi penduduk disebut sebagai sumber daya manusia yang
perlu ditingkatkan kualitasnya. Sumber daya manusia yang
berkualitas baik dapat diperoleh dengan meningkatkan kualitas
pendidikan pada semua jenjang pendidikan dan meningkatkan
kompetensi siswa dibidang literasi dan sains. Selain itu, perlunya
meningkatkan akses dan kualitas pelayanan kesehatan,
3
Thazika Divika and Siti Sunendiari, “Analisis Faktor-Faktor Yang
Mempengaruhi Indeks Pembangunan Manusia ( IPM ) Di Provinsi Jawa Barat
Dengan Menggunakan Spatial Error Model ( SEM ),” Jurnal Prosiding Statistika 7,
no. 02 (2021): 308–315.
4
Mila Rosa, Maiyastri Maiyastri, and Hazmira Yozza, “Pemodelan Indeks
Pembangunan Manusia Menggunakan Analisis Regresi Spasial Di Provinsi Jawa
Timur,” Jurnal Matematika UNAND 9, no. 4 (2020): 347.
 3

meningkatkan gizi masyarakat, mencegah dan mengendalikan

penyakit, serta mengembangkan jaminan kesehatan.5
Pada era yang serba maju ini, tolak ukur kesuksesan sebuah
negara dapat dilihat salah satunya dari kondisi penduduk atau
masyarakatnya. Sebuah negara dituntut agar memiliki masyarakat
yang maju dan berkembang.6 Pembangunan sebelum tahun 1970-
an awalnya hanya dipandang sebagai fenomena ekonomi saja.
Pembangunan memiliki arti sebagai proses dalam melakukan
perubahan ke arah yang lebih baik. Seiring berjalannya waktu
disadari bahwa pertumbuhan ekonomi yang cepat tidak serta
merta menjamin adanya peningkatan taraf hidup sebagian besar
masyarakat. Secara perlahan gagasan pembangunan manusia
secara bertahap muncul memperbaiki kekurangan dari konsep
pembangunan yang hanya terfokus pada ekonomi saja. 7 Sejalan
dengan hal tersebut Islam juga mengatur tentang pengembangan
kesejahteraan manusia dalam Al-Qur’an Surat Al-Baqarah ayat
201:

‫َو ِم ۡن ُهۡم َّم ۡن َّيُقۡو ُل َر َّبَنٓا ٰا ِتَنا ِفى الُّد ۡن َيا َحَس َنًة َّو ِفى اٰاۡل ِخ َر ِة َح َس َنًة َّو ِقَنا َع َذ ا‬
٢٠١ِ‫َب الَّنار‬
Artinya:
Dan di antara kebaikan mereka ada orang yang berdoa: “Ya
Tuhan kami, berikan kami kebaikan di dunia dan kebaikan di
akhirat dan peliharalah kami dari siksa neraka.”. (Q.S. Al-
Baqarah: 201)
Pengukuran pembangunan manusia pertama kali
diperkenalkan oleh United Nations Development Program
(UNDP) pada tahun 1990.8 UNDP melalui laporan Human
Development Report (HDR) memperkenalkan dan
5
BPS, Indeks Pembangunan Manusia Kabupaten Humbang Hasundutan, Book,
vol. 12150.1915, 2018.
6
Novian Trianggara, Rita Rahmawati, and Hasbi Yasin, “Pemodelan Indeks
Pembangunan Manusia Menggunakan Spatial Panel Fixed Effect (Studi Kasus: Indeks
Pembangunan Manusia Propinsi Jawa Tengah 2008-2013),” Jurnal Gaussian 5, no. 1
(2016): 173–182, http://ejournal-s1.undip.ac.id/index.php/gaussian.
7
Yoyo Karyono et al., Indeks Pembangunan Manusia 2020 (Jakarta: Badan Pusat
Statistik, 2020).
 4

mempublikasikan sebuah gagasan baru dalam pengukuran

pembangunan manusia yang disebut Human Development Index
(HDI) atau Indeks Pembangunan Manusia (IPM), yang kemudian
berlanjut setiap tahunnya. Dalam publikasi tersebut dijelaskan
bahwa pembangunan manusia dapat diartikan sebagai “a process
of enlarging people’s choices” atau proses yang meningkatkan
aspek kehidupan masyarakat.9 Menurut IPM, warga negara dapat
mengakses hasil pembangunan melalui perolehan pendapatan,
kesehatan, pendidikan, dan sebagainya.10 Nilai IPM suatu negara
dapat digunakan untuk menentukan apakah negara tersebut
tergolong sebagai negara maju, negara berkembang atau negara
terbelakang.11
Sejak pertama kali diperkenalkan oleh UNDP, IPM terus
mendapat banyak sorotan. Banyak dukungan yang mengalir,
namun tidak sedikit kritikan terhadap indikator ini. Hal ini
mendorong para pakar untuk terus mendalami lebih jauh tentang
pembangunan manusia bserta indikator yang digunakan dalam
perhitungan IPM. Tahun 1990, IPM dihitung melalui pendekatan
dimensi umur panjang dan hidup sehat yang diproksi dengan
angka harapan hidup saat lahir, dimensi pengetahuan yang
diproksi dengan angka melek huruf dewasa, serta dimensi standar
hidup lyak yang diproksi dengan PDB per kapita.
Setahun berselang, UNDP melakukan penyempurnaan
perhitungan IPM dengan menambahkan variabel rata-rata lama
sekolah ke dalam dimensi pengetahuan. Akhirnya, terdapat dua
indikator dalam dimensi pengetahuan yaitu angka melek huruf
dan rata-rata lama sekolah. Tahun 1995, UNDP kembali

8
BPS, Indeks Pembangunan Manusia Kabupaten Humbang Hasundutan, vol.
12150.1915, p. .
9
Bhawika Dharmmayukti, Tri Oldy Rotinsulu, and Audie. O. Niode, “Analisis
Pengaruh Inflasi Dan Indeks Pembangunan Manusia (IPM) Terhadap Tingkat
Kemiskinan Di Kota Manado 2004-2019,” Berkala Ilmiah Efisiensi 21, no. 05 (2021):
98–105.
10
BPS, Indeks Pembangunan Manusia Kabupaten Humbang Hasundutan, vol.
12150.1915, p. .
11
Trianggara, Rahmawati, and Yasin, “Pemodelan Indeks Pembangunan Manusia
Menggunakan Spatial Panel Fixed Effect (Studi Kasus: Indeks Pembangunan Manusia
Propinsi Jawa Tengah 2008-2013).”
 5

melakukan penyempurnaan metode perhitungan IPM. UNDP

mengganti variabel rara-rata lama sekolah menjadi gabungan
angka partisipasi kasar.
Tahun 2010, UNDP merubah metodologi perhitungan IPM.
UNDP menyebut perubahan yang dilakukan pada perhitungan
sebagai metode baru. Beberapa indikator diganti menjadi lebih
relevan. Indikator Angka Prtisipasi Kasar gabungan (Combine
Gross Enrollment Ratio) diganti dengan dengan indikator Harapan
Lama Sekolah (Expected Years of Schooling). Indikator produk
domestik bruto per kapita diganti dengan produk nasional bruto
per kapita.12
Indeks Pembangunan Manusia menjadi suatu indeks komposit
yang terangkum dari pendekatan tiga dimensi fundamental
manusia. Ketiga dimensi fundamental tersebut adalah umur
panjang dan sehat (sebagai ukuran longevity), pengetahuan atau
pendidikan (sebagai ukuran knowledge), dan standar hidup layak
atau tingkatan pendapatan riil (sebagai ukuran living standars).13
Indeks Pembangunan Manusia bermanfaat untuk
membandingkan kinerja pembangunan manusia baik antar negara
atau antar daerah. Pembangunan manusia menjadi penting karena
apabila suatu daerah tidak memiliki sumber daya alam (SDA)
yang potensial maka dapat menggunakan sumber daya manusia
(SDM) untuk membangun dan memajukan daerahnya. Artinya,
sumber daya manusia sangat berperan penting dalam
pembangunan suatu daerah.14
Capaian IPM di Indonesia sejak tahun 2014 disajikan secara
periodik setiap tahun pada tingkat nasional, provinsi, dan
kabupaten/kota. Penyajian IPM secara periodik menurut daerah
memungkinkan setiap provinsi dan kabupaten/kota mengetahui
12
Badan Pusat Statistik (BPS), Republik Indonesia Indeks Pembangunan
Manusia 2014, 07310.1517, 2015.
13
Mila Rosa, Maiyastri Maiyastri, and Hazmira Yozza, “Pemodelan Indeks
Pembangunan Manusia Menggunakan Analisis Regresi Spasial Di Provinsi Jawa
Timur,” Jurnal Matematika UNAND 9, no. 4 (2020): 347.
14
Emilia Khristina Kiha, Sirilius Seran, and Hendriana Trifonia Lau, “Pengaruh
Jumlah Penduduk, Pengangguran, Dan Kemiskinan Terhadap Indeks Pembangunan
Manusia (IPM) Di Kabupaten Belu,” Intelektiva: Jurnal Ekonomi, Sosial &
Humaniora 2, no. 07 (2021): 60–84.
 6

peta pembangunan manusia di daerahnya.15 BPS menjelaskan

tingkat IPM suatu daerah dilihat dalam empat kategori, yaitu IPM
≥ 80 kategori sangat tinggi, 70 ≤ IPM ¿ 80 kategori tinggi, 60 ≤
IPM ¿ 70 kategori sedang, dan IPM ¿ 60 kategori rendah.16
Indeks Pembangunan Manusia (IPM) di kawasan Asia Pasifik
mengalami kemajuan, tak terkecuali Indonesia. 17 Nilai IPM
Indonesia pada tahun 2022 mencapai 72,91 meningkat 0,62 poin
(0,86 persen) dibandingkan tahun sebelumnya. Peningkatan nilai
ini menempatkan Indonesia dalam kategori pembangunan
manusia yang tinggi.
Tabel 1.1
Peringkat IPM Menurut Provinsi di Indonesia
Tahun 2022
Peringkat Provinsi IPM Tahun 2022
1. DKI Jakarta 81, 65
2. DI Yogyakarta 80, 64
3. Kalimantan Timur 77, 64
4. Kep. Riau 76, 46
5. Bali 76, 44
6. Sulawesi Utara 73, 81
7. Riau 73, 52
8. Banten 73, 32
9. Sumatra Barat 73, 26
10. Jawa Barat 73, 12
11. Sulawesi Selatan 72, 82
12. Aceh 72, 80
13. Jawa Tengah 72, 79
14. Jawa Timur 72, 75
15. Sumatra Utara 72, 71
16. Kep. Bangka Belitung 72, 24
15
Karyono et al., Indeks Pembangunan Manusia 2020.
16
Erliyan Redy Susanto and Ajeng Savitri Puspaningrum, “Model Prioritas
Program Pemerataan IPM Di Provinsi Lampung Menggunakan Metode Analytic
Hierarchy Process,” Jurnal Teknoinfo 14, no. 1 (2020): 9.
17
Syafrina Lailan Hasibuan, Rujiman, and Sukardi, “Analisis Determinan Indeks
Pembangunan Manusia (IPM) Di Indonesia,” Jurnal Penelitian Pendidikan Sosial
Humaniora 5, no. 2 (2020): 139–141.
 7

17. Sulawesi Tenggara 72, 23

18. Bengkulu 72, 16
19. Jambi 72, 14
20. Kalimantan Selatan 71, 84
21. Kalimantan Utara 71, 83
22. Kalimantan Tengah 71, 63
23. Sumatra Selatan 70, 90
24. Lampung 70, 45
25. Sulawesi Tengah 70, 28
26. Maluku 70, 22
27. Sulawesi Barat 69, 92
28. Gorontalo 69, 81
29. Kalimantan Barat 69, 63
30. Maluku Utara 69, 47
31. Nusa Tenggara Barat 69, 46
32. Nusa Tenggara Timur 69, 46
33. Papua Barat 65, 89
34. Papua 61, 39
Sumber: BPS, 2022
Data pada tabel 1.1 menunjukkan capaian IPM Provinsi DKI
Jakarta berada diperingkat pertama nasional pada tahun 2022. 18
Sejak pertama kali dihitung, IPM Provinsi DKI Jakarta selalu
memiliki capaian tertinggi. Sebagaimana kita tahu bahwa DKI
Jakarta merupakan ibu kota negara Indonesia, tentu segala
pengembangan dalam segala aspek lebih diutamakan, yaitu
pembangunan, pendidikan, ekonomi, dan sebagainya jika
dibandingkan dengan provinsi lainnya.19 Dibandingkan dengan
IPM Provinsi DKI Jakarta IPM Provinsi Lampung jauh berada
pada peringkat 24 nasional dengan capaian IPM 70,45.
Provinsi Lampung terletak di ujung selatan Pulau Sumatra
sehingga dijuluki sebagai gerbang Pulau Sumatra. Provinsi
Lampung juga dikenal dengan provinsi yang berpenduduk padat. 20
Tercatat pada tahun 2021 jumlah penduduk di Provinsi Lampung
18
Karyono et al., Indeks Pembangunan Manusia 2020.
19
Kiha, Seran, and Lau, “Pengaruh Jumlah Penduduk, Pengangguran, Dan
Kemiskinan Terhadap Indeks Pembangunan Manusia (IPM) Di Kabupaten Belu.”
 8

yaitu 9.081.792 jiwa. Berdasarkan data BPS, Provinsi Lampung

memiliki nilai IPM paling rendah di pulau Sumatra. Meskipun
demikian, IPM Provinsi Lampung termasuk dalam kategori tinggi.
Tabel 1.2
Pertumbuhan IPM Indonesia dan Provinsi Lampung
Tahun 2018-2022
Tahu Indonesia Provinsi Lampung
n
2018 71, 39 69, 02
2019 71, 92 69, 57
2020 71, 94 69, 69
2021 72, 29 69, 90
2022 72, 91 70, 45
Sumber: BPS, 2022
Berdasarkan tabel 1.2 pertumbuhan IPM Provinsi Lampung
mengalami peningkatan dari tahun ke tahun, meskipun masih
berada di bawah pertumbuhan IPM nasional. Data tersebut
menunjukkan bahwa pembangunan manusia di Provinsi Lampung
mengalami kemajuan. BPS mencatat IPM Provinsi Lampung pada
tahun 2018 sebesar 69, 02 menjadi 70, 45 pada tahun 2022.
Tabel 1.3
Pertumbuhan IPM Menurut Kabupaten/Kota Di Provinsi
Lampung
IPM
Wilayah
2018 2019 2020 2021 2022
Lampung Barat 66,74 67,50 67,80 67,90 68,39
Tanggamus 65,67 66,37, 66,42 66,65 67,22
Lampung Selatan 67,68 68,22 68,36 68,49 69,00
Lampun Timur 69,04 69,34 69,37 69,66 70,58
Lampung Tengah 69,73 70,04 70,16 70,23 70,80
Lampung Utara 67,17 67,63 67,67 67,89 68,33
Way Kanan 66,63 67,19 67,44 67,57 68,04
Tulang Bawang 67,70 68,23 68,52 68,73 69,53

20
Susanto and Puspaningrum, “Model Prioritas Program Pemerataan IPM Di
Provinsi Lampung Menggunakan Metode Analytic Hierarchy Process.”
 9

Pesawaran 64,97 65,75 65,79 66,14 66,70

Pringsewu 69,42 69,97 70,30 70,45 70,98
Mesuji 62,88 63,52 6363 64,04 64,94
Tulang Bawang 65,30 65,93 65,97 66,22 67,13
Barat
Pesisir Barat 62,96 63,79 63,91 64,30 65,14
Bandar Lampung 76,63 77,33 77,44 77,58 78,01
Metro 76,22 76,77 77,19 77,49 77,45
Provinsi 69,02 69,57 69,69 69,90 70,45
Lampung
Sumber: BPS Lampung 2022
Berdasarkan tabel 1.3 menunjukkan pertumbuhan IPM di
kabupaten/kota Provinsi Lampung terus mengalami peningkatan
setiap tahunnya. Namun, capaian IPM di kabuapten/kota Provinsi
Lampung tersebut masih berada di bawah IPM Indonesia.
Wilayah di Provinsi Lampung yang capaian IPMnya masuk dalam
kategori tinggi yaitu hanya Kota Bandar Lampung dan Kota
Metro. Fakta tersebut memperlihatkan bahwa Provinsi Lampung
perlu memberikan perhatian khusus kepada setiap kabupaten/kota
terutama dalam hal peningkatan IPM.21
Pertumbuhan IPM suatu wilayah dapat dipengaruhi oleh
beberapa faktor demografis dan geografis. Capaian IPM suatu
wilayah dapat mempengaruhi capaian IPM wilayah yang berada
disekitarnya. Faktor wilayah diduga dapat mempengaruhi dan
memberikan efek ketergantungan spasial (wilayah) terhadap
capaian IPM. Permasalahan tersebut dapat diatasi dengan
menggunakan regresi spasial.22
Analisis regresi spasial adalah cara yang dapat digunakan
untuk melihat hubungan dari variabel dependen dan variabel
independen yang memberikan efek spasial pada beberapa lokasi

21
Susanto and Puspaningrum, “Model Prioritas Program Pemerataan IPM Di
Provinsi Lampung Menggunakan Metode Analytic Hierarchy Process.”
22
Dina Novitasari and Laelatul Khikmah, “Penerapan Model Regresi Spasial
Pada Indeks Pembangunan Manusia (IPM) Di Jawa Tengah Tahun 2017,”
STATISTIKA Journal of Theoretical Statistics and Its Applications 19, no. 2 (2019):
123–134.
 10

puast pengamatan. Model regresi spasial memiliki dua efek

spasial, yaitu spatial dependence dan special heterogeneity.23 Data
yang mengacu pada objek, posisi, dan hubungan dan di antaranya
dalam ruang bumi disebut dengan data spasial. 24 Berdasarkan
hukum Tobler yang berbunyi ‘everything is related to everything
else, but near things are more related than distant things’ yang
maksudnya bahwa segala sesuatu saling berhubungan satu dengan
yang lainnya, tetapi sesuatu yang dekat mempunyai pengaruh
yang lebih daripada sesuatu yang jauh.25 Hal ini memperlihatkan
adanya faktor lokasi (spasial).26
Tahun 1988 Anselin mengembangkan model regresi spasial
dengan menggunakan data control-section. Model regresi spasial
merupakan pengembangan dari model regresi sederhana.27 Model
analisis regresi spasial merupakan metode hasil pengembangan
dari regresi unsur wilayah ke dalam model. Hal ini menunjukkan
kemungkinan adanya ketergantungan spasial dalam data. 28 Ketika
membangun model regresi spasial terdapat matriks pembobot
yang digunakan untuk melihat keterkaitan hubungan antara suatu
lokasi dengan lokasi lain. Metode luasan berupa ketetanggan antar
daerah merupakan salah satu cara yang digunakan dalam matriks
pembobot.29

23
Puspita Putri Nabilah et al., “Penerapan Spatial Error Model (SEM) Untuk
Mengetahui Faktor-Faktor Yang Memengaruhi Kriminalitas,” Seminar Nasional
Official Statistics 2021, no. 1 (2021): 333–342.
24
Afif Arif, Muhammad Arif Tiro, and Muhammad Nusrang, “Perbandingan
Matriks Pembobot Spasial Optimum Dalam Spatial Error Model (SEM) (Kasus :
Indeks Pembangunan Manusia Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun
2015),” Journal of Statistic and Its Application on Teaching and Reseach 1, no. 3
(2019): 66–76.
25
Yulia Sari, Nur Karomah Dwidayati, and Putriaji Hendikawati, “Estimasi
Parameter Pada Regresi Spatial Error Model (SEM) Yang Memuat Outlier
Menggunakan Iterative Z Algorithm,” Prisma 1 (2018): 456–463.
26
Rosa, Maiyastri, and Yozza, “Pemodelan Indeks Pembangunan Manusia
Menggunakan Analisis Regresi Spasial Di Provinsi Jawa Timur.”
27
Sari, Dwidayati, and Hendikawati, “Estimasi Parameter Pada Regresi Spatial
Error Model (SEM) Yang Memuat Outlier Menggunakan Iterative Z Algorithm.”
28
Evi Ramadhani et al., “Identifikasi Faktor-Faktor Yang Memengaruhi Angka
Harapan Hidup Di Sumatera Tahun 2018 Menggunakan Analisis Regresi Spasial
Pendekatan Area,” Journal of Data Analysis 3, no. 2 (2020): 62–75.
 11

Model sendiri diartikan sebagai representasi dari suatu objek,

benda, atau ide-ide yang disederhanakan. Dalam ilmu matematika
ada istilah yang dikenal sebagai pemodelan matematika. 30
Pemodelan menjadi proses yang penting dalam pembelajaran
matematika untuk membangun representasi matematis dari suatu
masalah. Pemodelan berarti memahami masalah yang realistis,
menyiapkan model masalah dan menemukan solusi dengan
mengerjakan model secara sistematis. Pemodelan matematika
bertujuan untuk menekankan peserta didik agar mampu
menerapkan konsep yang dipelajari ke dalam dunia nyata.
Pemodelan matematika juga dapat digunakan peserta didik untuk
menganalisis situasi, menarik kesimpulan, dan membuat prediksi
dari suatu masalah yang dihadapi.31
Salah satu model regresi spasial yaitu Spatial Error Model
(SEM).32 Spatial Error Model (SEM) merupakan salah satu
model regresi spasial.33 Pada model ini ketergantungan spasial
masuk melalui error, bukan melalui komponen sistematis dari
model. Kasus dimana error dapat secara memadai menjelaskan
komponen sistematika spasial. Ketika ada koneksi geografis
antara error, juga dikenal sebagai korelasi spasial antara nilai
error di lokasi yang berbeda, istilah ini disebut dengan Spatial
Error Model (SEM).
Model Spatial Error Model (SEM) digunakan dalam
penelitian ini untuk mengidentifikasi tentang komponen-
komponen penyusun IPM dan seberapa besar komponen IPM
dapat mempengaruhi IPM di Provinsi Lampung. Model SEM
29
Fitri Mudia Sari, Hendry Frananda Nasution, and Pardomuan Robinson
Sihombing, “Pemodelan Data Kemiskinan Provinsi Sumatera Barat Menggunakan
Regresi Spasial,” Infinity: Jurnal Matematika dan Aplikasinya 2, no. 1 (2021): 51–61.
30
Meksianis Z. Ndii, Pemodelan Matematika (Pekalongan: PT. Nasya Expanding
Management, 2022).
31
Fevi Rahmawati Suwanto, Yunda Victorina Tobondo, and Lili Riskiningtyas,
“Kemampuan Abstraksi Dalam Pemodelan Matematika,” Seminar Matematika dan
Pendidikan Matematika UNY (2017): 301–306.
32
Novitasari and Khikmah, “Penerapan Model Regresi Spasial Pada Indeks
Pembangunan Manusia (IPM) Di Jawa Tengah Tahun 2017.”
33
Windy David Revildy et al., “Pemodelan Spatial Error Model (SEM) Angka
Prevalensi Balita Pendek (Stunting) Di Indonesia Tahun 2018,” Seminar Nasional
Official Statistics 2020 (2020): 1224–1231.
 12

dinilai cocok untuk mengidentifikasi permasalahan karakteristik

wilayah (lokasi) yang ada di Provinsi Lampung. Karakteristik
yang beragam di daerah satu dan lainnya perlu dalam dirumuskan
dalam suatu model. Oleh karena itu, model SEM diharapkan dapat
memberikan model IPM, sehingga dapat memberikan informasi
serta masukan yang positif bagi pemerintah dalam upaya
meningkatkan IPM di Provinsi Lampung.
Berdasarkan uraian latar belakang di atas peneliti tertarik
untuk meneliti dengan judul “Pemodelan Spatial Error Model
(SEM) Untuk Mengidentifikasi Indeks Pembangunan Manusia
(IPM) Di Provinsi Lampung”.

C. Identifikasi Masalah dan Batasan Masalah

1. Identifikasi Masalah
Berdasarkan latar belakang di atas, maka dapat
diidentifikasi masalah dalam penelitian ini adalah penyebaran
Indeks Pembangunan Manusia (IPM) di Provinsi Lampung
belum merata.

2. Batasan Masalah
Berdasarkan identifikasi masalah di atas, batasan masalah
dalam penelitian ini, yaitu:
a. Penelitian ini menggunakan Spatial Error Model (SEM)
dengan matriks pembobot queen contiguity.
b. Data yang digunakan adalah Indeks Pembangunan
Manusia di 15 kabupaten/kota Provinsi Lampung tahun
2022. Data-data lain yang digunakan adalah data angka
harapan hidup, harapan lama sekolah, rata-rata lama
sekolah, dan pengeluaran perkapita yang disesuaikan.

D. Rumusan Masalah
Berdasarkan uraian latar belakang penelitian, rumusan
masalah yang akan dibahas adalah sebagai berikut:
1. Apakah ada pola spasial padan penyebaran Indeks
Pembangunan Manusia (IPM) di Provinsi Lampung?
 13

2. Bagaimana memodelkan Indeks Pembangunan Manusia

(IPM) di Provinsi Lampung dengan menggunakan Spatial
Error Model (SEM)?

E. Tujuan Penelitian
Berdasarkan rumusan masalah di atas, maka tujuan penelitian
ini adalah untuk mengetahui:
1. Pola penyebaran data Indeks Pembangunan Manusia (IPM) di
Provinsi Lampung.
2. Model Indeks Pembangunan Manusia (IPM) di Provinsi
Lampung dengan menggunakan Spatial Error Model (SEM).

F. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat kepada
semua pihak. Adapun manfaat dari penelitian ini bagi:
1. Peneliti
Penelitian ini dapat membantu peneliti untuk dapat
mengaplikasikan Spatial Error Model (SEM) pada
permasalahan nyata yang dihadapi yaitu Indeks Pembangunan
Manusia (IPM) sehingga diperoleh pola penyebaran dan
model Indeks Pembangunan Manusia (IPM) di Provinsi
Lampung.
2. Pemerintah Kabupaten/Kota serta Pemerintah Provinsi
Lampung
Hasil penelitian ini dapat dijadikan bahan referensi dan
pertimbangan dalam perencanaan kebijakan ekonomi di di
Provinsi Lampung sehingga dapat meningkatkan Indeks
Pembangunan Manusia (IPM) di Provinsi Lampung.
3. Masyarakat
Hasil penelitian ini dapat memberikan Informasi tentang
pola penyebaran Indeks Pembangunan Manusia di
kabupaten/kota di Provinsi Lampung dan dapat dijadikan
rujukan bagi para peneliti.
 14

G. Kajian Penelitian Terdahulu yang Relevan

Beberapa penelitian yang relevan dengan penelitian ini adalah
sebagai berikut:
1. Penelitian yang dilakukan Windy David Revildy, Siti Sarah
Sobariah Lestari, dan Yollanda Nalita yang berjudul
“Pemodelan Spatial Error Model (SEM) Angka Prevalensi
Balita Pendek (Stunting) di Indonesia Tahun 2018”.
Penentuan alat analisis dalam penelitian ini didasarkan pada
nilai AIC. Spatial Error Model memiliki nilai AIC yang lebih
rendah dibandingkan nilai AIC model OLS, sehingga model
yang cocok digunakan adalah model SEM. 34 Persamaan dalam
penelitian ini adalah penggunaan Spatial Error Model dengan
menggunakan matriks pembobot queen contiguity. Perbedaan
dengan penelitian ini adalah objek dan lokasi penelitian.
2. Penelitian yang dilakukan oleh Wahidah Sanusi, Hisyam
Ihsan, dan Nur Hikmayanti Syam dengan judul “Model
Regresi Spasial dan Aplikasinya dalam Menganalisis Angka
Putus Sekolah Usia Wajib Belajar di Provinsi Sulawesi
Selatan” memperoleh hasil bahwa model SEM memiliki nilai
R2 lebih besar dari model OLS dan model SEM memiliki nilai
AIC lebih kecil dari model OLS. Hasil penelitian ini
menyimpulkan bahwa memodelkan angka putus sekolah di
Provinsi Sulawesi Selatan Tahun 2015 lebih baik
menggunakan model SEM. Persamaan dalam penelitian ini
adalah menggunakan matriks pembobot queen contiguity.
Perbedaan dengan penelitian ini adalah objek dan lokasi
penelitian.
3. Penelitian yang dilakukan Dina Novitasari dan Lelatul
Khikmah dengan judul “Penerapan Model Regresi Spasial
pada Indeks Pembangunan Manusia (IPM) di Jawa Tengah”
membandingkan Spatial Autoregressive (SAR) dengan
Spatial Error Model (SEM) menunjukkan bahwa model SAR
lebih baik daripada model SEM pada IPM di Jawa Tengah.
Persamaan dalam penelitian ini adalah menggunakan matriks

34
Revildy et al., “Pemodelan Spatial Error Model (SEM) Angka Prevalensi Balita
Pendek (Stunting) Di Indonesia Tahun 2018.”
 15

pembobot queen contiguity. Perbedaan dengan penelitian ini

adalah variabel independen yang dipakai dan lokasi
penelitian.
4. Penelitian yang dilakukan oleh Imaroh Izzatun, Abdul Karim,
dan Rochdi Wasono dengan judul “Pemodelan Spatial Durbin
Error Model (SDEM) Pada Data Indeks Pembangunan
Manusia (IPM) Di Jawa Tengah”. Hasil yang diperoleh dari
penelitian ini adalah variabel yang mempunyai efek tidak
langsung adalah pengeluaran perkapita yang artinya IPM
disuatu wilayah dipengaruhi oleh pengeluaran perkapita pada
wilayah tersebut dan wilayah lain yang memiliki karakteristik
sama35. Penelitian yang dilakukan Imaroh, dkk menggunakan
model Spatial Durbin Error Model (SDEM) yang merupakan
jenis khusus dari Spatial Error Model (SEM). Perbedaan dari
kedua model ini adalah penambahan lag pada spasial variabel
independent hanya pada SDEM. Sedangkan penelitian ini
menggunakan model Spatial Error Model (SEM). Selain pada
model yang digunakan perbedaan dari penelitian ini yaitu
matriks pembobot spasial yang digunakan.

H. Sistematika Penulisan
Sistematika penulisan skripsi dengan judul “Pemodelan
Spatial Error Model (SEM) Untuk Mengidentifikasi Indeks
Pembangunan Manusia (IPM) Di Provinsi Lampung” dapat dilihat
pada tabel 1.3 sebagai berikut:
Tabel 1.4
Sistematika Penulisan
BAB I Pendahuluan
A. Penegasan Judul
B. Latar Belakang Masalah
C. Identifikasi dan Batasan Masalah
D. Rumusan Masalah
E. Tujuan Penelitian
35
Imaroh Izzatun Nisa and Abdul Karim, “Pemodelan Spatial Durbin Error
Model (SDEM) Pada Data Indeks Pembangunan Manusia (IPM) Di Jawa Tengah,”
Jurnal Statistika Universitas Muhammadiyah Semarang 5, no. 1 (2017): 33–40.
 16

F. Manfaat Penelitian
G. Kajian Penelitian Terdahulu yang Relevan
H. Sistematika Penulisan
BAB II Tinjauan Pustaka
A. Indeks Pembangunan Manusia
B. Statistika Deskriptif
C. Analisis Regresi Linier Berganda
D. Multikolinieritas
E. Regresi Ridge
F. Regresi Spasial
G. Spatial Error Model (SEM)
H. Uji Autokorelasi Spasial
I. Uji Efek Spasial
J. Matriks Pembobot Spasial
BAB III Metode Penelitian
A. Waktu dan Tempat Penelitian
B. Pendekatan dan Jenis Penelitian
C. Populasi, Sampel,
dan Teknik Pengumpulan Data
D. Definisi Operasional Variabel
E. Langkah-Langkah Kerja
BAB IV Hasil Penelitian dan Pembahasan
A. Deskripsi Data
B. Pembahasan Hasil Penelitian dan Analisis
BAB V Penutup
A. Kesimpulan
B. Rekomendasi
Daftar
Rujukan
Lampira
n
 BAB II
TINJAUAN PUSTAKA

A. Indeks Pembangunan Manusi

1. Definisi Indeks Pembangunana Manusia

Manusia adalah aset bangsa yang sesungguhnya, sehingga
tujuan akhir dari pembangunan haruslah difokuskan pada
manusia.36 Pembangunan manusia dapat diartikan sebagai
pertumbuhan ke arah yang positif dan perubahan dalam
tingkat kesejahteraan. Pengukuran pembangunan manusia
pertama kali diperkenalkan oleh United Nations Development
Program (UNDP) pada tahun 1990.37 Dalam konsep
pembangunan manusia, pembangunan seharusnya dianalisis
serta dipahami dari sudut manusianya. Beberapa prinsip
utama pembangunan manusia yang dikutip dari United
Nations Development Program, yaitu:38
1. Pembangunan harus menekankan penduduk sebagai pusat
perhatian.
2. Pembangunan bertujuan untuk memberikan lebih banyak
pilihan kepada masyarakat selain meningkatkan taraf
hidup. Akibatnya, penduduk secara keseluruhan, dan tidak
hanya sisi ekonomi, harus menjadi inti dari gagasan
pembangunan manusia.
3. Pembangunan manusia mempertimbangkan baik upaya
untuk meningkatkan kemampuan manusia maupun untuk
memanfaatkan kemampuan tersebut dengan sebaik-
baiknya.

36
Arif, Tiro, and Nusrang, “Perbandingan Matriks Pembobot Spasial Optimum
Dalam Spatial Error Model (SEM) (Kasus : Indeks Pembangunan Manusia
Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun 2015).”
37
BPS, Indeks Pembangunan Manusia Kabupaten Humbang Hasundutan, vol.
12150.1915, p. .
38
Endang Yektiningsih, “Analisis Indeks Pembangunan Manusia (IPM)
Kabupaten Pacitan Tahun 2018,” Jurnal Ilmiah Sosio Agribis 18, no. 2 (2018): 32–50.
17
 18

4. Produktivitas, pemerataan, kesinambungan, serta

pemberdayaan berfungsi sebagai landasan bagi
pembangunan manusia .
5. Analisis pilihan untuk mencapai tujuan pembangunan
didasarkan pada pembangunan manusia.
Berdasarkan konsep tersebut, penduduk di tempatkan
sebagai tujuan akhir sedangkan upaya pembangunan
dipandang sebagai sarana untuk mencapai tujuan itu. Untuk
menjamin tercapainya tujuan pembangunan manusia, ada
empat hal pokok yang perlu diperhatikan, yaitu:39
1. Produktivas
Penduduk harus menjadi lebih produktif dan mengambil
bagian dalam proses menghasilkan pendapatan dan
penghidupan. Sehingga model pembangunan manusia juga
mencakup pertumbuhan ekonomi.
2. Pemerataan
Penduduk memiliki kesempatan yang sama untuk
mendapatkan akses terhadap sumber daya ekonomi dan
sosial. Semua hambatan yang memperkecil kesempatan
untuk memperoleh akses tersebut harus dihapus, sehingga
mereka dapat mengambil manfaat dari kesempatan yang
ada dan berpartisipasi dalam kajian produktif yang dapat
meningkatkan kualitas hidup.
3. Kesinambungan
Tidak hanya untuk generasi mendatang, akses terhadap
sumber daya ekonomi dan sosial harus dijamin. semua
sumber daya alam-fisik, manusia, dan lingkungan
diperbarui terus-menerus.
4. Pemberdayaan
Penduduk harus secara aktif terlibat dalam prosedur dan
keputusan yang akan membentuk dan mengarahkan
kehidupan mereka serta perkembangan penduduk.
Menurut UNDP melalui laporan Human Development
Report (HDR) memperkenalkan dan mempublikasikan sebuah
39
Hidayat Paidi Pratiwi Eka, “Analisis Pertumbuhan Ekonomi Dan Indeks
Pembangunan Manusia (IPM) Provinsi-Provinsi Di Indonesia (Metode Kointegrasi),”
Ekonomi dan Keuangan 2, no. 2 (2013): 14–27.
 19

gagasan baru dalam pengukuran pembangunan manusia yang

disebut Human Development Index (HDI) atau Indeks
Pembangunan Manusia (IPM), yang kemudian berlanjut
setiap tahunnya. Dalam publikasi tersebut dijelaskan bahwa
pembangunan manusia dapat didefinisikan sebagai “a process
of enlarging people’s choices” atau proses yang
meningkatkan aspek kehidupan masyarakat. 40 Menurut IPM,
penduduk dapat mengakses hasil pembangunan melalui
perolehan hal-hal seperti pendapatan, kesehatan, pendidikan,
dan sebagainya.41 Nilai IPM yang diperoleh suatu negara
dapat digunakan untuk menentukan apakah negara tersebut
kategori negara maju, negara berkembang atau negara
terbelakang.42

2. Komponen Indeks Pembangunan Manusia

Indeks Pembangunan Manusia menjadi indeks komposit
yang terangkum dari pendekatan tiga dimensi fundamental
manusia. Ketiga dimensi fundamental tersebut adalah umur
panjang dan sehat (sebagai ukuran longevity), pengetahuan
atau pendidikan (sebagai ukuran knowledge), dan standar
hidup layak atau tingkatan pendapatan riil (sebagai ukuran
living standars).43 Indikator yang digunakan untuk mengukur
dimensi umur panjang dan sehat adalah angka harapan hidup
(life exentacy rate), parameter kesehatan dengan indikator
angka harapan hidup (AHH), mengukur keadaan sehat dan
berumur panjang. Dimensi pengetahuan atau pendidikan
diukur dengan gabungan indikator harapan lama sekolah

40
Dharmmayukti, Rotinsulu, and Niode, “Analisis Pengaruh Inflasi Dan Indeks
Pembangunan Manusia (IPM) Terhadap Tingkat Kemiskinan Di Kota Manado 2004-
2019.”
41
BPS, Indeks Pembangunan Manusia Kabupaten Humbang Hasundutan, vol.
12150.1915, p. .
42
Trianggara, Rahmawati, and Yasin, “Pemodelan Indeks Pembangunan Manusia
Menggunakan Spatial Panel Fixed Effect (Studi Kasus: Indeks Pembangunan Manusia
Propinsi Jawa Tengah 2008-2013).”
43
Rosa, Maiyastri, and Yozza, “Pemodelan Indeks Pembangunan Manusia
Menggunakan Analisis Regresi Spasial Di Provinsi Jawa Timur.”
 20

(HLS) dan rata-rata lama sekolah (RLS). Sedangkan dimensi

standar hidup layak diukur dengan indikator pengeluaran
perkapita yang disesuiakan dengan daya beli masyarakat
untuk berbagai kebutuhan pokok digunakan untuk mengukur
standar hidup yang dapat diterima (PPP). Berikut penjelasan
tentang komponen-komponen penyusun IPM:44
1. Angka Harapan Hidup
Angka harapan hidup saat lahir diartikan sebagai rata-rata
perkiraan banyak tahun yang dapat ditempuh oleh
seseorang sejak lahir. Tingkat Kesehatan masyarakat dapat
direpresentasikan oleh angka harapan hidup.
2. Angka Harapan Lama Sekolah
Harapan lama sekolah diartikan sebagai lamanya sekolah
(dalam tahun) yang diharapkan akan dirasakan oleh anak
pada umur tertentu di masa mendatang. Kemungkinan anak
tersebut akan tetap melanjutkan sekolah pada usia
berikutnya dianggap sama dengan probabilitas penduduk
secara keseluruhan akan bersekolah pada usia yang sama
saat ini. Angka harapan lama sekolah dihitung untuk
penduduk yang berusia 7 tahun ke atas. Lama sekolah
(dalam tahun) yang diantisipasi dapat diselesaikan dapat
digunakan oleh harapan lama sekolah untuk menentukan
keadaan perkembangan sistem pendidikan pada berbagai
tahap.
3. Rata-rata Lama Sekolah
Jumlah total tahun sekolah formal penduduk dikenal
sebagai rata-rata lama sekolah. Dalam keadaan tertentu,
diperkirakan rata-rata lama pendidikan suatu wilayah tidak
akan dipersingkat. Diasumsikan bahwa dalam kondisi
normal rata-rata lama sekolah suatu wilayah tidak akan
turun. Penduduk berusia 25 tahun ke atas merupakan
cakupan penduduk yang digunakan untuk menentukan
rata-rata lama sekolah.
4. Pengeluaran Perkapita (PPP)

44
Yektiningsih, “Analisis Indeks Pembangunan Manusia (IPM) Kabupaten
Pacitan Tahun 2018.”
 21

Pengeluaran perkapita yang disesuaikan ditentukan dari

nilai pengeluaran perkapita dan paritas daya beli. Rata-rata
pengeluaran perkapita setahun diperoleh dari SUSENAS,
nilai ini dihitung mulai dari tingkat provinsi hingga ke
tingkat kabupaten/kota.

B. Statistika Deskriptif
Statistika deskriptif merupakan suatu metode yang berkaitan
dengan pengumpulan dan penyajian dari suatu pengamatan
sehingga dapat memberikan sebuah informasi. Statistika deskriptif
menekankan bahwa hanya memberi informasi dari data yang
diolah dan tidak dapat memberikan suatu kesimpulan apapun
mengenai data populasi. Penyampaian informasi atau penyajian
data pengamatan antara lain berbentuk diagram, tabel, grafik dan
besaran-besaran lainnya.45
Penyajian data penting dilakukan agar data yang diolah
mudah untuk dimengerti. Data yang sudah didapat dari berbagai
sumber merupakan data yang dicatat tidak beraturan sehingga
perlu dilakukan pengolahan data dalam bentuk tabel, grafik dan
sebagainnya.46 Penyajian data dalam penelitian ini menggunakan
tabel. Penyajian data dalam bentuk tabel dapat dilakukan dengan
perhitungan dari kategori tertentu yang penyajiannya dalam
bentuk angka. Tujuannya memberikan kemudahan dalam
membaca suatu informasi dari suatu data. Penyajian data dengan
tabel juga dapat dilakukan dengan menghitung nilai minimum,
nilai maksimum, rata-rata, median dan sebagainya.47

C. Analisis Regresi Linier Berganda

Analisis regresi adalah metode statistik yang dapat
dimanfaatkan untuk berbagai bidang. Regresi linier berganda
merupakan perluasan dari metode regresi linier sederhana.
45
S Santoso, Statistika Deskrptif (Yogyakarta: Ardana Media, 2009).
46
Silvia Vivi, Statistika Deskriptif (Yogyakarta: Penerbit Andi, 2021).
47
Leni Masnidar Nasution, “Statistik Deskriptif,” Jurnal Hikmah 14, no. 1 (2017):
49–55.
 22

Hubungan antara variabel dependen dan variabel independen

dapat dilihat menggunakan analisis regresi. 48 Menurut Drapper
dan Smith, hubungan antara variabel dependen (Y) dengan satu
atau lebih variabel independen (X1, X2, …, Xk) dapat dinyatakan
dalam model regresi linier berganda dan secara umum dirumuskan
sebagai berikut:
Yi=β 0+ β1 X 1 i +…+ β k X ki + ε i ,
(2.1)
i=1 , 2 ,3 , … , n , j=1 , 2 ,3 , … , k
Keterangan:
Y : variabel terikat pengamatn ke-i
X : variabel bebas pengamtan ke-i
β0 : konstanta (parameter)
βk : koefisien regresi (parameter) ke-k
ε : sisaan (galat) pengamtan ke-i
Metode ini mengasumsikan bahwa residual harus berdistribusi normal,
independen, dan identik.49 Bila dituliskan dalam bentuk matriks:
Y = Xβ+ ε (2.2)
atau

[ ][ ][ ][ ]
y1 1 x 11 x 12 … x1 k β0 ε1
y2 1 x 21 x 22 … x2 k β1 ε2
= × +
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
yn 1 x n 1 x n 2 … x nk β p −1 εn
Keterangan:
Y : vektor variabel respon berdimensi n ×1
X : matriks variabel prediktor berdimensi n ×(k +1)
β : parameter variabel berdimensi (k + 1)×1
ε : vektor error berdimensi n ×1

48
Arif, Tiro, and Nusrang, “Perbandingan Matriks Pembobot Spasial Optimum
Dalam Spatial Error Model (SEM) (Kasus : Indeks Pembangunan Manusia
Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun 2015).”
49
A Yasir et al., “Model Regresi Spasial Untuk Analisis Persentase Penduduk
Miskin Di Propinsi Nanggroe Aceh Darussalam,” Jurnal Statistika Industri dan
Komputasi 1, no. 1 (2016): 53–61.
 23

Pada analisis regresi linier berganda asumsi-asumsinya harus

dipenuhi, yaitu asumsi klasik. Uji asumsi klasik merupakan
persyaratan yang harus dipenuhi dalam analisis linier berganda. 50
Berikut uji asumsi klasik yaitu:
1. Uji Normalitas
Uji normalitas perlu dilakukan untuk melihat apakah data
berdistribusi normal atau tidak. Jika asumsi normalitas
dilanggar, interpretasi dan infensi mungkin tidak dapat
diandalkan atau valid. Oleh karena itu penting untung
memeriksa asumsi ini.51 Uji normalitas yang digunakan dalam
penelitian ini adalah uji Shapiro Wilk dengan hipotetsis
sebagai berikut:
H 0 : Data berdistribusi normal
H 1 : Data tidak berdistribusi normal

2. Uji Linieritas
Uji linieritas merupakan pengujian yang dilakukan untuk
menentukan apakah terdapat hubungan linier antara variabel
independen dan variabel dependen. Linieritas dapat diuji
dengan menggunakan uji Reset test dan uji Harvey-Collier
test dengan hipotesis sebagai berikut:
H 0 : Model linier
H 1 : Model non linier

3. Uji Homogenitas
Pengujian homogenitas dapat dilakukan dengan menggunakan
uji Breusch-Pagan test dengan hipotesisi sebagai berikut:
2 2 2
H 0 :σ 1=σ 2=…=σ n=0 (tidak ada homogenitas)
H 1 : minimal ada satu σ 2i ≠ σ 2 (terdapat heterogenitas)
Pengambilan keputusan:

50
Nurfahmi Zaynun, Anneke Iswani Achmad, and Universitas Islam Bandung,
“Pemodelan Penerimaan Pajak Hotel Di Indonesia Tahun 2019 Dengan Menggunakan
Analisis Regresi Ridge” (2019): 549–556.
51
Nornadiah Mohd Razali and Yap Bee Wah, “Power Comparisons of Shapiro-
Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling Tests,” Journal of
Statistical Modeling and Analytics 2, no. 1 (2011): 13–14.
 24

2
Tolak H 0 jika nilai BP> x p atau p−value kurang dari α .

4. Uji Autokorelasi
Pengujian autokorelasi digunakan untuk melihat adanya
korelasi atau hubungan antara variabel independen dan
variabel dependen. Pada penelitian ini pengujian autokorelasi
menggunakan uji Durbin-Watson test dengan hipotesis
sebagai berikut:
H 0 : Tidak ada autokorelasi pada error
H 1 : Ada autokorelasi pada error

5. Uji Multikolinieritas
Uji multikolinearitas digunakan untuk melihat apakah terjadi
hubungan antar variabel independen yang digunakan dalam
penelitian. Uji multikolinieritas dapat dilakukan dengan
menggunakan nilai Variance Inflation Factor (VIF). Nilai
VIF dapat dapat dihitung menggunakan rumus sebagai
berikut:
1
VI F j= 2
1−R j
Dengan R j merupakan koefisien determinasi ke-j,
j=1 ,2 , 3 , … , k . Jika nilai VIF < 10 maka dapat disimpulkan
bahwa tidak terdapat multikolinearitas.

D. Multikolineritas
Istilah multikolinieritas ditemukan oleh Ragnar Frisch tahun
1943 yang diartikan bahwa terdapat hubungan antara variabel
bebas atau variabel independen. Terjadi multikolinieritas diantara
variabel-variabel bebas mengakibatkan konsekuensi penting bagi
penafsiran dan penggunaan model regresi dugaan, karena dapat
 25

menyebabkan tanda dari koefisien regresi menjadi salah atau

keputusan menjadi tidak signifikan.52
Masalah multikolinieritas pada model dapat ditimbulkan oleh
beberapa sebab. Pertama, kesalahan teoritis dalam pembentukan
model fungsi regresi yang dipergunakan. Kedua, kecilnya jumlah
pengamatan yang akan dianalisis dengan model regresi.53
Multikolinieritas merupakan suatu keadaan dimana adanya
hubungan antara variabel bebas atau antar variabel bebas tidak
bersifat saling bebas. Faktor inflansi ragam (Variance Inflation
Faktor (VIF)) adalah besaran yang dapat digunakan untuk
mendeteksi adanya multikolinieritas. VIF digunakan sebagai
kriteria untuk mendeteksi multikolinieritas pada regresi linier
yang melibatkan lebih dari dua variabel bebas. Nilai VIF lebih
besar dari 10 mengidentifikasi adanya masalah multikolinieritas
yang serius.54

E. Regresi Ridge
Mengatasi masalah multikolinieritas pada model regresi linier
berganda dapat dilakukan dengan menggunakan regresi ridge.
Regresi ridge pertama kali diperkenalkan oleh A.E. Hoerl dan
R.W Kennard pada tahun 1970. Regresi ridge merupakan metode
yang digunakan untuk mengurangi dampak dari multikolinieritas
dengan cara menambahkan nilai (k) yang bias tetapi cenderung
mempunyai rata-rata kuadrat residual yang lebih kecil daripada
estimator yang diperoleh dengan metode kuadrat terkecil. Model

52
Mega Sriningsih, Djoni Hatidja, and Jantje D Prang, “Penanganan
Multikolinearitas Dengan Menggunakan Analisis Regresi Komponen Utama Pada
Kasus Impor Beras Di Provinsi Sulut,” Jurnal Ilmiah Sains 18, no. 1 (2018): 18.
53
Trifena L. Wasilaine, Mozart W. Talakua, and Yopi A. Lesnussa, “Model
Regresi Ridge Untuk Mengatasi Model Regresi Linier Berganda Yang Mengandung
Multikolinieritas,” BAREKENG: Jurnal Ilmu Matematika dan Terapan 8, no. 1
(2014): 31–37.
54
Sriningsih, Hatidja, and Prang, “Penanganan Multikolinearitas Dengan
Menggunakan Analisis Regresi Komponen Utama Pada Kasus Impor Beras Di
Provinsi Sulut.”
 26

regresi ridge didasarkan pada kosntanta bias (k) pada diagonal

matriks X t X , sehingga:55
^β =( X t X +kI )−1 X t Y
R
Ketrangan:
^β : koefisien ridge (k + 1)×1
R
X : variabel independen (n × p)
Y : variabel dependen (n ×1)
I : matriks identitas (n × n)
k : konstanta

F. Regresi Spasial
Regresi spasial merupakan hasil pengembangan dari regresi
sederhana.56 Pengembangan ini berdasarkan pada hukum Tobler
geografi pertama yang berbunyi “everything is related to
everything else, but near things are more related than distant
things” yang maksudnya bahwa segala sesuatu saling
berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat
mempunyai pengaruh yang lebih daripada sesuatu yang jauh. 57 Ini
berarti adanya pengaruh lokasi atau spasial pada data yang
dianalisis.58 Bentuk persamaan umum dari persamaan spasial
adalah sebagai berikut:59

y= ρW 1 y + Xβ +u
u=λ W 2 u+ε (2.3)
2
ε N (0,σ I )

55
N Herawati et al., “Ridge Regression for Handling Different Levels of
Multicollinearity,” Sci.Int.(Lahore) 30, no. 4 (2018): 597–600.
56
Novitasari and Khikmah, “Penerapan Model Regresi Spasial Pada Indeks
Pembangunan Manusia (IPM) Di Jawa Tengah Tahun 2017.”
57
Sari, Dwidayati, and Hendikawati, “Estimasi Parameter Pada Regresi Spatial
Error Model (SEM) Yang Memuat Outlier Menggunakan Iterative Z Algorithm.”
58
Musfika Rati, “Model Regresi Spasial Untuk Anak Tidak Bersekolah Usia
Kurang 15 Tahun Di Kota Medan,” Saintia Matematika 1, no. 1 (2013): 87–99.
59
Sari, Nasution, and Sihombing, “Pemodelan Data Kemiskinan Provinsi
Sumatera Barat Menggunakan Regresi Spasial.”
 27

Sehingga model umumnya berbentuk sebagai berikut:

y= ρW 1 y + Xβ + λ W 2 u+ ε (2.4)
Keterangan:
y : vektor variabel respon berdimensi n ×1
X : matriks variabel prediktor berdimensi p ×(n+1)
vektor koefisien parameter regresi yang berukuran
β :
p ×1
koefisien autokorelasi spasial pada peubah respon
ρ :
yang bernilai |ρ|<1
koefisien autokorelasi spasial pada galat yang
λ :
bernilai |λ|<1
u : vektor error berukuran n ×1
W : matriks pembobot spasial yang berukuran n × n
ε : vektor error
Model regresi spasial memiliki salah satu ciri khas yaitu
adanya dependensi (ketergantungan) antar lokasi yang
menyebabkan pendugaan model menjadi lebih kompleks.
Pengaruh dependensi spasial digambarkan dengan kemiripan sifat
dari lokasi yang saling berdekatan.60 Beberapa model yang dapat
dibentuk dari model umum regresi spasial, yaitu:61
1) Apabila ρ=0 dan λ=0, maka persamaan menjadi model
regresi klasik seperti pada persamaan (2.2)
Y = Xβ+ ε
2) Jika nilai W 2 =0 atau λ=0, maka akan menjadi Spatial
Autoregressive Model (SAR)
y= ρW 1 y + Xβ +ε
(2.5)
ε N (0 , σ2 I )
3) Jika nilai W 1=0 atau ρ=0, maka akan menjadi Spatial Error
Model (SEM)
y= Xβ+ λ W 2 u+ ε (2.6)
60
Sari, Dwidayati, and Hendikawati, “Estimasi Parameter Pada Regresi Spatial
Error Model (SEM) Yang Memuat Outlier Menggunakan Iterative Z Algorithm.”
61
Yasir et al., “Model Regresi Spasial Untuk Analisis Persentase Penduduk
Miskin Di Propinsi Nanggroe Aceh Darussalam.”
 28

ε N (0 , σ2 I )
4) Jika nilai W 1 , W 2 ≠ 0 , λ ≠ 0, atau ρ ≠ 0 disebut Spatial
Autoregressive Moving Average (SARMA) pada persamaan
(2.3)

G. Spatial Error Model (SEM)

Spatial Error Model (SEM) merupakan salah satu model
regresi spasial.62 Pada model ini ketergantungan spasial masuk
melalui error, bukan melalui komponen sistematis dari model.
Dimana error mampu menjabarkan komponen sistematis spasial.
Spatial Error Model (SEM) terlihat saat nilai error pada suatu
lokasi berkorelasi dengan nilai error di lokasi sekitarnya atau
dengan kata lain terdapat korelasi spasial antar error.63 Spatial
Error Model (SEM) terbentuk apabila nilai W 1=0 atau ρ=0 dari
persamaan (2.3).
y= Xβ+ λ W 2 u+ ε
(2.7)
ε N (0 , σ2 I )
Sehingga dituliskan dalam bentuk matriks sebagai berikut:

[ ] [ ][ ] [ ][ ] [ ]
y1 x 11 x 12 … x 1 k β 0 W 11 W 12 … W 1 n u1 ε1
y2 x 21 x 22 … x 2 k β 1 W 21 W 22 … W 2 n u2 ε2
= +λ +
⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
yn x n 1 x n2 … x nk β k W n1 W n 2 … W nn un εn
Keterangan:
Y : variabel respon
X : variabel prediktor
β : parameter regresi
λ : koefisien parameter spasial error variabel respon
u : vektor error yang mempunyai efek spasial
W : matriks pembobot spasial
62
Revildy et al., “Pemodelan Spatial Error Model (SEM) Angka Prevalensi Balita
Pendek (Stunting) Di Indonesia Tahun 2018.”
63
Arif, Tiro, and Nusrang, “Perbandingan Matriks Pembobot Spasial Optimum
Dalam Spatial Error Model (SEM) (Kasus : Indeks Pembangunan Manusia
Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun 2015).”
 29

ԑ : vektor error

H. Uji Autokorelasi Spasial

Estimasi korelasi nilai-nilai yang diamati terkait dengan posisi
spasial variabel yang sama dikenal sebagai autokorelasi.
Autokorelasi spasial positif menunjukkan bahwa nilai-nilai dari
lokasi terdekat cenderung mengelompok dan memiliki kesamaan.
Sebaliknya, autokorelasi spasial negatif menunjukkan bahwa
nilai-nilai pada lokasi terdekat bervariasi dan cenderung
menyebar. Karakteristik dari autokorelasi spasial menurut
Kosfeld, yaitu:64
1) Autokorelasi spasial ada jika distribusi spasial dari variabel
yang diamati memiliki pola yang sistematis.
2) Autokorelasi spasial positif terjadi jika ketetanggan atau
kedekatan antar wilayah semakin dekat.
3) Pola acak ketetanggaan digambarkan dengan autokorelasi
spasial negatif.
4) Tidak terlihat adanya autokorelasi spasial pada pola acak data
spasial.
Teknik yang paling popular untuk mengestimasi autokorelasi
spasial secara umum adalah indeks Moran (Moran’s I). Awal
pengacakan spasial dapat dikenali dengan menggunakan teknik
ini. Ketidakpastian spasial ini mungkin menunjukkan tren atau
pola yang mengelompok dalam ruang. 65 Kosfeld menegaskan
bahwa ada dua metode untuk menghitung autokorelasi spasial
dengan menggunakan indeks Moran, yaitu:66

64
Triastuti Wuryandari, Abdul Hoyyi, and Dwi Rahmawati Dewi Stya
Kusumawardani, “Identifikasi Autokorelasi Spasial Pada Jumlah Pengangguran Di
Jawa Tengah Menggunakan Indeks Moran,” Media Statistika 7, no. 1 (2011): 1–10.
65
Wuryandari, Hoyyi, and Dewi Stya Kusumawardani, “Identifikasi Autokorelasi
Spasial Pada Jumlah Pengangguran Di Jawa Tengah Menggunakan Indeks Moran.”
66
Arif, Tiro, and Nusrang, “Perbandingan Matriks Pembobot Spasial Optimum
Dalam Spatial Error Model (SEM) (Kasus : Indeks Pembangunan Manusia
Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun 2015).”
 30

n n
n ∑ ∑ w ij (x i−x )(x j−x )
i=1 j=1
I= n (2.9)
S 0 ∑ (x i−x )
i=1
dengan,
n n
S0 =∑ ∑ w ij
i=1 j=1
Keterangan:
I : Indeks Moran
n : banyak lokasi kejadian
xi : nilai pada lokasi i
xj : nilai pada lokasi j
x : rata-rata dari jumlah variabel atau nilai
w ij : elemen pada pembobot daerah i dan j
Dalam kasus matriks pembobot spasial terstandarisasi,
rentang nilai dari indeks Moran adalah −1 ≤ I ≤1. Nilai Indeks
Moran nol menyiratkan tidak ada pengelompokan sedangkan nilai
−1 ≤ I ≤0 menunjukkan adanya autokorelasi spasial negatif, dan
nilai 0 ≤ I ≤ 1 menunjukkan adanya autokorelasi spasial positif,
nilai. Jika matriks pembobot yang digunakan tidak terstandarisasi,
nilai indeks Moran tidak menjamin akurasi pengukuran. Uji
signifikansi indeks Moran dilakukan untuk mengetahui ada
tidaknya autokorelasi spasial.67
Uji hipotesis untuk Indeks Moran adalah sebagai berikut:68
1) Hipotesis
H 0 : I =0 (tidak terdapat autokorelasi antar lokasi)
H 1 : I ≠ 0 (terdapat autokorelasi antar lokasi)
2) Tingkat signifikansi: α

3) Statistik uji:
67
Wuryandari, Hoyyi, and Dewi Stya Kusumawardani, “Identifikasi Autokorelasi
Spasial Pada Jumlah Pengangguran Di Jawa Tengah Menggunakan Indeks Moran.”
68
Arif, Tiro, and Nusrang, “Perbandingan Matriks Pembobot Spasial Optimum
Dalam Spatial Error Model (SEM) (Kasus : Indeks Pembangunan Manuia
Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun 2015).”
 31

I −E(I )
Z ( I )= ≈ N (0 ,1) (2.10)
√Var ( I )
dengan,
−1
E ( I )= dan
n−1
2 2
n . S 1−n . S 2 +3. S 0
Var ( I ) = 2
(n¿¿ 2−1)S 20−[ E ( I ) ] ¿
n n
S0 =∑ ∑ w ij
i=1 j=1
n n
1
S1 = ∑ ∑ (w ¿ ¿ ij+w ij)2 ¿
2 i=1 j=1

( )
n n n 2
S2 = ∑ ∑ wij +∑ w ji
i =1 i=1 j =1

Kriteria uji:
Tolak H 0 pada taraf signifikansi α jika Z ( I ) >Z 1−α dengan Z1−α
adalah (1−α ) kuantil dari distribusi normal standar.
Pola pengelompokkan dan penyebar antara lokasi juga juga
disajikan dengan Moran’s Scatterplot. Moran’s Scatterplot adalah
alat yang digunakan untuk memeriksa korelasi antara nilai rata-
rata yang diamati di suatu lokasi terdekat dan niali yang diamati di
situs yang diteliti (distandarisasi). Hal ini dapat digunakan untuk
menilaik kecocokan dan menemukan outlier jika digabungkan
dengan garis regresi. Dimungkinkan untuk menemukan
keseimbangan atau dampak spasial dengan menggunakan
Moran’s Scatterplot. Kuadran-kuadarn dalam Moran’s
Scatterplot menurut Zhukov, yaitu:69

LH (Low-High) HH (High-High)

LL (Low-Low) HL (High-Low)

69
Wuryandari, Hoyyi, and Dewi Stya Kusumawardani, “Identifikasi Autokorelasi
Spasial Pada Jumlah Pengangguran Di Jawa Tengah Menggunakan Indeks Moran.”
 32

Gambar 2.1 Ilustrasi dari Moran’s Scatterplot

1) HH (High-High) pada kuadran I menunjukkan bahwa daerah
dengan nilai observasi tinggi di kelilingi oleh daerah dengan
nilai observasi tinggi.
2) LH (Low-High) pada kuadran II menunjukkan bahwa daerah
dengan nilai observasi rendah di kelilingi oleh daerah dengan
nilai observasi tinggi.
3) LL (Low-Low) pada kuadran III menunjukkan bahwa daerah
dengan nilai observasi rendah di kelilingi oleh daerah dengan
nilai observasi rendah.
4) HL (High-Low) pada kuadran IV menunjukkan kedekatan
daerah dengan nilai observasi tinggi dengan daerah nilai
observasi rendah.

I. Uji Efek Spasial

Efek spasial dibedakan menjadi dua yaitu ketergantungan
(dependensi) spasial dan keberagaman (heteroskedastisitas)
spasial. Ketergantungan spasial dapat diuji dengan menggunakan
uji Lagrange Multiplier sedangkan keberagaman spasial dapat
diuji dengan menggunakan uji Breush-Pagan.
1) Uji Lagrange Multiplier untuk model Spatial Autoregressive
(SAR)
Hipotesis yang diuji adalah:
H 0 : ρ=0 (tidak ada lag dependensi spasial)
H 1 : ρ≠ 0 (ada depedensi spasial)
Statistik uji yang digunakan untuk model Spatial
Autoregressive (SAR) adalah sebagai berikut:

( )
' 2
e Wy
2
σ^ ML (2.11)
L M SAR =
¿ ¿¿
Keterangan:
e : vektor galat dari model regresi
y : vektor peubah dependen
W : matriks pembobot spasial
 33

X : matriks predictor
^β : penduga parameter regresi
tr [.]
: teras matriks
σ^ ML
2 : penduga kemungkinan maksimum
untuk ragam galat dari model regresi
Pengambilan keputusan:
2
Tolak H 0 jikan nilai L M SAR > X (α , p), p merupakan banyaknya
parameter spasial.

2) Uji Lagrange Multiplier untuk Spatial Error Model (SEM)

Hipotesis yang diuji adalah:
H 0 : λ=0 (tidak ada dependensi galat spasial)
H 0 : λ ≠ 0 (ada dependensi galat spasial)
Statistik uji yang digunakan untuk Spatial Error Model
(SEM) adalah sebagai berikut:

( )
' 2
e We
2
σ^ ML (2.12)
L M SEM = 2 '
tr [W +W W ]
Pengambilan keputusan:
2
Tolak H 0 jikan nilai L M SEM > X(α , p ), p merupakan
banyaknya parameter spasial.70

3) Uji Breush-Pagan71
Hipotesis yang diuji adalah:
2 2 2
H 0 :σ 1=σ 2=…=σ n=0 (terdapat homogenitas spasial)
H 1 : minimal ada satu σ 2i ≠ σ 2 (terdapat heterogenitas spasial)
Statistic uji Breush-Pagan adalah sebagai berikut:

70
Djuraidah Anik, Monograph Penerapan Dan Pengembangan Regresi Spasial
Dengan Studi Kasus Pada Kesehatan, Sosial, Dan Ekonomi, Pertama. (Bogor: PT
Penerbit IPB Press, 2020).
71
Arif, Tiro, and Nusrang, “Perbandingan Matriks Pembobot Spasial Optimum
Dalam Spatial Error Model (SEM) (Kasus : Indeks Pembangunan Manusia
Kabupaten/Kota Di Provinsi Sulawesi Selatan Tahun 2015).”
 34

( )[ ]
2
1 −1 1 e T We
BP= f T Z ( Z T Z ) Z T f + (2.13)
2 T σ2
Pengambilan keputusan:
2
Tolak H 0 jika nilai BP> x p atau p−value kurang dari α .

J. Matriks Pembobot Spasial

Matriks pembobot spasial (W) merupakan matriks yang
melukiskan hubungan antar wilayah yang diperoleh dari informasi
jarak atau ketetanggaan (kontiguitas). Matriks pembobot spasial
(W) merupakan matriks n × n, dimana n merupakan banyaknya
lokasi atau banyaknya unit lintas objek. 72 Bentuk umum dari
matriks pembobot spasial, yaitu:73

[ ]
w 11 w12 … w1 n
w21 w 22 … w2 n
W=
⋮ ⋮ ⋱ ⋮
w n 1 wn 2 … w nn
Elemen-elemen W di atas merupakan w ij dengan i adalah
baris pada elemen W dan j adalah kolom pada elemen W dan
merupakan wilayah di sekitar lokasi pengamatan i. Matriks
pembobot spasial memiliki dua nilai yaitu nol dan satu. Nilai
w ij =1 untuk wilayah yang berdekatan dengan lokasi pengamatan,
dan nilai w ij =0 untuk wilayah yang ditak berdekatan dengan
lokasi pengamatan. Terdapat beberapa metode untuk
mendefinisikan hubungan persinggungan (contiguity) atau region
menurut LeSage antara lain adalah:74
1) Rook Contiguity (Persinggungan Sisi)

72
Revildy et al., “Pemodelan Spatial Error Model (SEM) Angka Prevalensi Balita
Pendek (Stunting) Di Indonesia Tahun 2018.”
73
Lailatul Syaadah, “Spatial Autoregressive Model Dan Matriks Pembobot
Spasial Rook Contiguity Untuk Pemodelan Gini Ratio Di Indonesia Tahun 2014,”
Jurnal Kajian dan Terapan Matematika 5, no. 4 (2016): 1–9,
https://journal.student.uny.ac.id/ojs/index.php/jktm/article/view/4808.
74
Rezzy Eko Caraka and Hasbi Yasin, Spatial Data Panel, ed. Team Wade
Publish, Petama. (Jawa Timur, 2017).
 35

Rook contiguity (persinggungan sisi) adalah persentuhan

sisi wilayah satu dengan sisi wilayah lainnya yang berdekatan
atau bertetangga. Rook contiguity mendefinisikan nilai w ij =1
untuk wilayah yang ada di samping (side) dengan wilayah
yang menjadi perhatian dan nilai w ij =0 untuk wilayah
lainnya. Tabel 2.1 menunjukkan bahwa unit spasial B 1, B2, B3,
dan B4 merupakan tetangga dari unit spasial A.
Tabel 2.1
Daerah Pengamatan Rook Contiguity
Unit B2
Unit B1 Unit A Unit B3
Unit B4

2) Bishop Contgquity (Persinggungan Sudut)

Bishop contiguity (persinggungan sudut) adalah
persentuhan titik sudut wilayah satu dengan wilayah lainnya
yang berdekatan atau bertetangga. Bishop contiguity
mendefinisikan nilai w ij =1 untuk wilayah yang titik sudutnya
(vertex) bertemu dengan wilayah yang diperhatikan dan nilai
w ij =0 untuk wilayah lainnya. Tabel 2.2 menunjukkan bahwa
unit spasial C1, C2, C3, dan C4 merupakan tetangga dari unit
spasial A.
Tabel 2.2
Daerah Pengamatan Bishop Contiguity
Unit C1 Unit C2
Unit A
Unit C4 Unit C3

3) Queen Contiguity (Persinggungan Sisi-Sudut)

Queen contiguity (persinggungan sisi-sudut) adalah
persentuhan sisi maupun sudut wilayah satu dengan wilayah
lainnya yang berdekatan atau bertetangga. Queen contiguity
mendefinisikan nilai w ij =1 untuk entitas yang ada di samping
atau sudut wilayah yang diperhatikan dan nilai w ij =0 untuk
wilayah lainnya. Tabel 2.1 menunjukkan bahwa unit spasial
 36

B1, B2, B3, B4, C1, C2, C3, dan C4 merupakan tetangga dari unit
spasial A.
Tabel 2.3
Daerah Pengamatan Queen Contiguity
Unit C1 Unit B2 Unit C2
Unit B1 Unit A Unit B3
Unit C4 Unit B4 Unit C3

Penelitian ini menggunakan matriks pembobot spasial queen

contiguity. Metode ini dipilih karena memungkinkan speneliti
untuk melihat ketetanggan setiap kabupaten/kota di Provinsi
Lampung berdasarkan sisi dan sudut. Setiap kabupaten/kota yang
berbatasan langsung dapat dikatakan sebagai tetangga. Gambar
2.2 menunjukkan ilustrasi pembobot spasial contiguity.

(4)

(3) (5)
(2)

(1)

Gambar 2.2 Ilustrasi Pembobot Spasial

Berdasarkan gambar 2.2 matriks pembobot spasial dengan

menggunakan queen contiguity adalah sebagai berikut:
 37

[ ]
01000
10100
01011
00101
00110
Matrisk pembobot spasial terstandarisasi dari gambar 2.2 adalah
sebagai berikut

[ ]
0 1 0 0 0
1/2 0 1 /2 0 0
W queen= 0 1/3 0 1/3 1/3
0 0 1 /2 0 1/2
0 0 1 /2 1/2 0
 BAB III
METODE PENELITIAN

A. Waktu dan Tempat Penelitian

Penelitian ini dilakukan pada tahun ajaran 2022/2023
menggunakan data IPM tahun 2022 menurut kabupaten/kota di
Provinsi Lampung dan komponen-komponennya.

B. Pendekatan dan Jenis Penelitian

Pendekatan dan jenis penelitian yang digunakan dalam
penelitian ini adalah penelitian kuantitatif asosiatif yang bertujuan
mengetahui hubungan antara dua variabel atau lebih. Dalam hal
ini hubungan yang dibangun berdasarkan hubungan kewilayahan
atau spasial sehingga peneliti menggunakan metode regresi spasial
yang secara spesifik menggunakan spatial error model (SEM).

C. Populasi, Sampel, dan Teknik Pengumpulan Data

1. Populasi
Populasi dalam penelitian ini adalah data Indeks
Pembangunan Manusia (IPM) dan komponen-komponennya
di kabupaten/kota Provinsi Lampung.
2. Sampel
Sampel dalam penelitian ini adalah IPM beserta komponen-
komponennya di kabupaten/kota Provinsi Lampung tahun
2022.
3. Teknik Pengumpulan Data
Data yang digunakan dalam penelitian ini berupa data
sekunder. Sumber data dalam penelitian ini berupa data
pengamatan atau observasi yang sudah termuat dalam website
resmi BPS pemerintahan Provinsi Lampung.

38
 39

D. Definisi Operasional Variabel

Pada penelitian ini terdapat variabel independen dan variabel
dependen, yaitu:
1. Variabel Independen (X)
Variabel independen yang digunakan dalam penelitian ini
yaitu:
a) Angka Harapan Hidup (X1)
Angka harapan hidup saat lahir diartikan sebagai rata-rata
perkiraan banyak tahun yang dapat ditempuh oleh
seseorang sejak lahir. Satuan yang digunakan dalam
angka harapan hidup adalah tahun.
b) Harapan Lama Sekolah (X2)
Harapan lama sekolah diartikan sebagai lamanya sekolah
(dalam tahun) yang diharapkan akan dirasakan oleh anak
pada umur tertentu di masa mendatang. Satuan yang
digunakan dalam harapan lama sekolah adalah tahun.
c) Rata-rata Lama Sekolah (X3)
Jumlah total tahun sekolah formal penduduk dikenal
sebagai rata-rata lama sekolah. Satuan yang digunakan
dalam rata-rata lama sekolah adalah tahun.
d) Pengeluaran Perkapita (X4)
Pengeluaran perkapita yang disesuaikan ditentukan dari
nilai pengeluaran perkapita dan paritas daya beli. Satuan
yang digunakan dalam pengeluaran perkapita adalah ribu
rupiah/orang/tahun.

2. Variabel Dependen (Y)

Variabel independen dalam penelitian ini menggunakan data
Indeks Pembangunan Manusia tahun 2022 di 15
kabupaten/kota di Provinsi Lampung. IPM dapat diartikan
sebagai indeks komposit yang tersusun dari tiga dimensi
fundamental manusia.
 40

E. Langkah-Langkah Kerja
Dalam penelitan ini menggunakan software R 4.3.1 yang
digunakan untuk menganalisis dan membuat pemodelan. Selain
itu, dalam penelitian ini juga menggunakan software ArcMap
untuk membuat peta tematik. Langkah-langkah dalam penelitian
ini yaitu:
1. Mengidentifikasi masalah yang akan dijadikan fokus utama
dalam penelitian.
2. Mengumpulkan data yang diperlukan dalam penelitian.
3. Menginput data yang diperlukan ke dalam software ArcMap
untuk membuat peta tematik dan software R 4.3.1 untuk
menganalisis dan membuat model.
4. Menentukan matriks pembobot spasial yang akan digunakan
yaitu queen contiguity.
5. Melakukan uji kebergantungan spasial untuk melihat apakah
ada pengaruh dependensial.
6. Membentuk model SEM jika terdapat dependensi spasial error
atau membentuk model regresi linear berganda jika tidak
terdapat dependensi spasial.
7. Melakukan uji asumsi pada model SEM apabila terdapat
dependensi spasial error.
8. Melakukan uji signifikan pada model SEM.
9. Melakukan uji asumsi klasik pada model regresi berganda
apabila tidak terdapat dependesi spasial.
10. Melakukan perbaikan pada model regresi linear berganda
apabila terjadi pelanggaran pada uji asumsi klasik.
11. Menarik kesimpulan .
Agar lebih mudah memahami langkah kerja dalam penelitian ini
berikut diagaram alir dari penelitian ini sebagai berikut:
 41

Mulai
Identifikasi Masalah

Mengumpulkan Data

Input Data

Analisis Deskriptif

Matriks Pembobot Spasial

(queen contiguity)

Uji Autokorelasi Spasial

dengan Indeks Moran

Apakah terdapat
dependensi spasial?

Ya Tidak

1 2
 42

1 2

Dependensi spasial Regresi Linear

error? Berganda

Spatial Error Model

Uji asumsi klasik

Terpenuhi Tidak Terpenuhi

Uji Asumsi

Model Model Perbaikan

Spatial Regresi Model
Error Linear
Model Berganda

Kesimpulan

Selesai
Gambar 3.1 Diagram Alir Alur Penelitian
 BAB IV
HASIL PENELITIAN DAN PEMBAHASAN

A. Deskripsi Data
Penlitian ini berfokus pada data Indeks Pembangunan Manusia
(IPM), angka harapan hidup (AHH), harapan lama sekolah (HLS),
rata-rata lama sekolah (RLS), dan pengeluaran perkapita yang
disesuaikan (PPP) di Provinsi Lampung Tahun 2022. Data yang
digunakan bersumber dari website resmi Badan Pusat Statistik
(BPS) Provinsi Lampung. Unit observasi dalam penelitian ini
adalah 15 kabupaten/kota di Provinsi Lampung.
Tabel 4.1
Statistika Deskriptif
Variabel N Minimum Maksimum Rata- St. Dev
Rata
Y 15 64,94 78,01 69,51 3,885
X1 15 63,99 71,88 69,56 1,881
X2 15 11,80 14,76 12,75 0,870
X3 15 7,09 10,98 8,269 1,165
X4 15 8192 12593 10072 1388,65
Berdasarkan tabel 4.1 menunjukkan bahwa nilai rata-rata IPM
(Y) adalah 69,51 dengan nilai standar deviasi adalah 3,885.
Sedangkan nilai minimum dari IPM 64,94 dan nilai maksimum
78,01. Nilai rata-rata dari angka harapan hidup (X 1) adalah 69,56
dengan standar deviasi 1,881. Sedangkan nilai minimum dari
AHH 63,99 dan nilai maksimum 71,88. Nilai rata-rata dari
harapan lama sekolah (X2) adalah 12,75 dengan standar deviasi
0,870. Sedangkan nilai minimum dari HLS 11,80 dan nilai
maksimum 14,76. Nilai rata-rata dari rata-rata lama sekolah (X 3)
adalah 8,269 dengan standar deviasi 1,165. Sedangkan nilai
minimum dari RLS adalah 7,09 dan nilai maksimum 10,98. Nilai
rata-rata dari pengeluaran perkapita (X4) adalah 10072 dengan
standar deviasi 1388,65. Sedangkan nilai minimum dari PPP 8192
dan nilai maksimum 12593.

43
 44

Data yang telah diperoleh kemudian dipetakan untuk melihat

persebaran dan gambaran umumnya. Peta tematik ini angka yang
menunjukkan tingginya nilai dari setiap variabel dikelompokkan
menjadi tiga kategori yaitu kategori tinggi, kategori sedang, dan
kategori rendah. Kategori tinggi sampai rendah ini ditandai
dengan warna yang paling pekat sampai pudar.

1. Indeks Pembangunan Manusia (Y)

Capaian IPM Provinsi Lampung terus mengalami
peningkatan disetiap tahunnya. Meskipun demikian, capaian
IPM Provinsi Lampung masih di bawah capaian IPM
nasional. Upaya untuk meningkatkan capaian IPM ini dapat
dilakukan dengan mempersempit kesenjangan capaian IPM
antar Kabupaten/kota di Provinsi Lampung. Pada tahun 2022,
terdapat 2 Kota di Provinsi Lampung yang memiliki capaian
IPM diatas capaian nasional yaitu Kota Bandar Lampung dan
Kota Metro.

Gambar 4.1 Grafik IPM Menurut Kabupaten/Kota di

Provinsi Lampung Tahun 2022
Berdasarkan gambar 4.1, dapat dilihat bahwa wilayah
dengan IPM paling tinggi yaitu Kota Bandar Lampung yakni
sebesar 78,01. Sedangkan IPM paling rendah berada pada
Kabupaten Mesuji yaitu 64,94. Grafik di atas menunjukkan
bahwa ada lima wilayah kabupaten/kota di Provinsi Lampung
berkategori tinggi yaitu Bandar Lampung, Metro, Pringsewu,
 45

Lampung Tengah, dan Lampung Timur. Sedangkan sepuluh

kabupaten lainnya berkategori sedang.

Gambar 4.2 Peta Persebaran IPM Menurut

Kabupaten/Kota di Provinsi Lampung Tahun 2022
Berdasarkan gambar 4.2 menunjukkan bahwa hanya
wilayah perkotaan yaitu Kota Bandar Lampung dan Kota
Metro yang memiliki IPM berkategori tinggi. Wilayah dengan
IPM berkategori sedang yaitu Lampung Barat, Lampung
Utara, Lampung Tengah, Lampung Timur, Lampung Selatan,
Pringsewu, Way Kanan, dan Tulang Bawang. Wilayah dengan
IPM berkategori rendah yaitu Pesisir Barat, Tanggamus,
Pesawaran, Tulang Bawang Barat, dan Mesuji.

2. Angka Harapan Hidup (X2)

Bidang kesehatan dapat dilihat dari angka harapan hidup
saat lahir. Capaian angka harapan hidup Provinsi Lampung
tahun 2022 sebesar 70,99. Meskipun demikian, capaiain
angka harapan hidup masih di bawah capaian nasional yaitu
71,85.
 46

Gambar 4.3 Grafik AHH Menurut Kabupaten/Kota di

Provinsi Lampung Tahun 2022
Nilai angka harapan hidup sangat berkaitan dengan
kemampuan masyarakat dalam mengakses fasilitas kesehatan
serta tingkat kesadaran akan kesehatan. Berdasarkan gambar
4.3, wilayah dengan angka harapan hidup tertinggi yaitu
Metro dengan angka harapan hidup 71,88 tahun. Sedangkan
wilayah dengan angka harapan hidup terendah yaitu Pesisir
Barat dengan angka harapan hidup yakni 63,99 tahun. Dilihat
dari grafik di atas bahwa penduduk Provinsi Lampung
memiliki angka harapan hidup lebih dari 60 tahun.

Gambar 4.4 Peta Persebaran AHH Menurut

Kabupaten/Kota di Provinsi Lampung Tahun 2022
Gambar 4.4 menunjukan ada tiga wilayah yang memiliki
presentase angka harapan hidup kategori tinggi yaitu Bandar
Lampung, Metro, Pringsewu, dan Lampung Timur. Hal ini
 47

diartikan bahwa penduduk keempat wilayah tersebut memiliki

kemampuan mengakses fasilitas dan tingkat kesadaran akan
kesehatan lebih tinggi daripada daerah lainnya. Wilayah
dengan angka harapan hidup kategori sedang yaitu Lampung
Barat, Lampung Selatan, Lampung Utara, Lampung Tengah,
Tanggamus, Pesawaran, Mesuji, Way Kanan, Tulang
Bawang, Tulang Bawang Barat. Wilayah dengan angka
harapan hidup kategori rendah yaitu Pesisir Barat dengan
presentase. Hal ini dikarenakan kabupaten Pesisir Barat
merupakan kabupaten termuda di Provinsi Lampung sehingga
belum memiliki fasilitas kesehatan yang memadai dibanding
kabupaten lain.

3. Harapan Lama Sekolah (X2)

Harapan lama sekolah diartikan sebagai lamanya sekolah
(dalam tahun) yang diharapkan akan dirasakan oleh anak pada
umur tertentu di masa mendatang. Harapan lama sekolah
merupakan indikator pengganti dari angka melek huruf.
Capaian harapan lama sekolah Provinsi Lampung dari tahun
ke tahun selalu mengalami peningkatan. Namun pada tahun
2021 dan 2022 tidak terjadi pendingkatan yang begitu
signifikan. Tahun 2021 capaian harapan lama sekolah
Provinsi Lampung adalah 12,73 sedangkan tahun 2022 adalah
12,74.

Gambar 4.5 Grafik HLS Menurut Kabupaten/Kota di

Provinsi Lampung Tahun 2022
 48

Berdasarkan gambar 4.5, wilayah dengan harapan lama

sekolah tertinggi yaitu Metro yakni 14,76 tahun. Sedangkan
wilayah dengan harapan lama sekolah terendah yaitu Mesuji
yakni 11,8 tahun. Grafik di atas menunjukkan bahwa Mesuji
menjadi satu-satunya wilayah di Provinsi Lampung yang
memiliki harapan lama sekolah di bawah 12 tahun.

Gambar 4.6 Peta Persebaran HLS Menurut

Kabupaten/Kota di Provinsi Lampung Tahun 2022
Berdasarkan gambar 4.6 menujukkan bahwa daerah
dengan nilai harapan lama sekolah berkategori tinggi yaitu
Bandar Lampung dan Metro. Hal ini dibuktikan dengan warna
merah pekat pada peta. Hal ini dikarenakan Bandar Lampung
dan Metro merupakan daerah perkotaan yang memiliki
fasilitas pendidikan lebih memadai dan tingkat kesadarakan
pentingnya pendidikan yang tinggi. Wilayah dengan harapan
lama sekolah berkategori sedang yaitu Lampung Timur,
Lampung Tengah, Lampung Utara, Lampung Selatan,
Pesawaran, dan Pringsewu. Wilayah dengan harapan lama
sekolah kategori rendah yaitu Pesisir Barat, Lampung Barat,
Tanggamus, Way Kanan, Tulang Bawang, Tulang Bawang
Barat, dan Mesuji.

4. Rata-Rata Lama Sekolah (X4)

Rata-rata sekolah juga merupakan salah satu indikator dari
dimensi pendidikan. Rata-rata lama sekolah diartikan sebagai
 49

jumlah tahun sekolah formal yang digunakan oleh penduduk.

Pada tahun 2022 capaian rata-rata lama sekolah Provinsi
Lampung 8,18 tahun. Hal ini dapat diartikan sebagai bahwa
penduduk di atas usia 25 tahun di Provinsi Lampung
menempuh pendidikan pada menengah tingkat pertama.

Gambar 4.7 Grafik RLS Menurut Kabupaten/Kota di

Provinsi Lampung Tahun 2022
Berdasarkan gambar 4.7 rata-rata lama sekolah tertinggi
yaitu Kota Metro (10,98 tahun). Sedangkan Mesuji (7,09
tahun) menjadi wilayah rata-rata lama sekolah terndah.
Perkembangan rata-rata lama sekolah pada tahun 2022
kabuoaten/kota di Provinsi Lampung hanya pada tingkat
pendidikan lanjutan pertama. Kabupaten/kota di Provinsi
Lampung memiliki rata-rata lama sekolah lebih dari 7 tahun.

Gambar 4.8 Peta Persebaran RLS Menurut

Kabupaten/Kota di Provinsi Lampung Tahun 2022
 50

Berdasarkan gambar 4.10 menujukkan bahwa wilayah

dengan rata-rata lama sekolah berkategori tinggi yaitu Metro
dan Bandar Lampung. Wilayah dengan rata-rata lama sekolah
yang berkategori sedang yaitu Pesisir Barat, Lampung Barat,
Lampung Timur, Lampung Utara, dan Pringsewu. Wilayah
dengan rata-rata lama sekolah berkategori rendah yaitu
Tanggamus, Pesawaran, Lampung Tengah, Lampung Selatan,
Way Kanan, Tulang Bawang, Tulang Bawang Barat, dan
Mesuji.

5. Pengeluaran Perkapita (X4)

Pengeluaran perkapita yang disesuaikan ditentukan dari
nilai pengeluaran perkapita dan paritas daya beli (Purcashing
Power Parity-PPP). Pengeluaran perkapita Provinsi Lampung
tahun 2022 adalah 10.336 (Ribu Rupiah/Orang/Tahun).

Gambar 4.9 Grafik PPP Menurut Kabupaten/Kota di

Provinsi Lampung Tahun 2022
Berdasarkan gambar 4.9 wilayah dengan pengeluaran
perkapita terbesar di Provinsi Lampung terjadi di Bandar
Lampung dengan 12593 (ribu rupiah/orang/tahun) dan Metro
yaitu 12233 (ribu rupiah/orang/tahun). Sedangkan Pesawaran
menjadi wilayah dengan pengeluaran perkapita terendah yaitu
8192 (ribu rupiah/orang/tahun). Grafik di atas menunjukkan
pengeluaran perkapita kabupaten/kota di Provinsi Lampung
lebih dari 8000 (ribu rupiah/orang/tahun).
 51

Gambar 4.10 Peta Persebaran PPP Menurut

Kabupaten/Kota di Provinsi Lampung Tahun 2022
Berdasarkan gambar 4.10 menujukkan bahwa wilayah
dengan pengeluaran perkapita yang disesuaikan berkategori
tinggi yaitu Bandar Lampung, Metro, Lampung Tengah, dan
Tulang Bawang. Wilayah dengan pengeluaran perkapita yang
disesuaikan berkategori sedang yaitu Lampung Barat,
Lampung Timur, Lampung Selatan, Tanggamus, Pringsewu,
dan Way Kanan. Wilayah dengan pengeluaran perkapita yang
disesuaikan berkategori rendah yaitu Pesisir Barat, Pesawaran,
Lampung Utara, Tulang Bawang Barat, dan Mesuji.

B. Pembahasan Hasil Penelitian dan Analisis

1. Korelasi Antar Variabel
Analisis korelasi bertujuan untuk melihat tingkat keeratan
hubungan liner antar dua buah variabel. Berikut ini adalah
koefisien korelasi antar variabel:
Tabel 4.2
Korelasi Antar Variabel
Y X1 X2 X3
X1 0,7073
X2 0,9649 0,6147
X3 0,8649 0,3571 0,9175
X4 0,8993 0,5966 0,7926 0,6473
 52

Berdasarkan tabel 4.2 terlihat bahwa seluruh variabel

independen memiliki hubungan dengan variabel dependen.
Variabel angka harapan hidup memiliki hubungan yang
positif dengan variabel IPM dimana apabila terjadi
peningkatan angka harapan hidup maka akan diikuti dengan
peningkatan IPM. Variabel harapan lama sekolah memiliki
hubungan yang positif dengan variabel IPM dimana apabila
terjadi peningkatan harapan lama sekolah maka akan diikuti
dengan peningkatan IPM. Variabel rata-rata lama sekolah
memiliki hubungan yang positif dengan variabel IPM dimana
apabila terjadi peningkatan rata-rata lama sekolah maka akan
diikuti dengan peningkatan IPM. Variabel pengeluaran
perkapita memiliki hubungan yang positif dengan variabel
IPM dimana apabila terjadi peningkatan pengeluaran
perkapita maka akan diikuti dengan peningkatan IPM. Untuk
lebih jelas dapat dilihat pada gambar pola hubungan antar
variabel berikut:

Gambar 4.11 Pola Hubungan Antar Variabel X dan Y

2. Analisis Regresi Spatial Error Model (SEM)

Sebelum membuat model regresi spatial error model
diperlukan matriks pembobot. Dalam penelitian ini
menggunakan matriks pembobot queen contiguity. Matriks
queen contiguity tipe data area yaitu memberikan nilai 1 untuk
wilayah yang bersinggungan sisi maupun sudut. Wilayah yang
tidak bersinggungan secara sisi maupun sudut dan
 53

bersinggungan dengan daerah amatan itu sendiri diberikan

nilai 0.
Model spatial error model dipilih dalam penelitian ini
karena diharapkan dapat memberikan pemahaman yang lebih
baik tentang hubungan antar variabel dalam konteks data
spasial atau geografis. Model spatial error model yang
didapat dengan variabel Y yaitu Indeks Pembangunan
Manusia di Provinsi Lampung dengan menggunakan bantuan
software R-4.3.1 yaitu adalah sebagai berikut:
Tabel 4.3
Estimasi Parameter Spatial Error Model
Variabel Koefisien Std. z- p-value Ket.
Error value
Intercep 4,084 0,969 4,211 0,00002 signifikan
t
X1 0,495 0,02 24,645 0,0000 signifikan
X2 0,805 0,115 6,947 0,0000 signifikan
X3 1,239 0,065 18,956 0,0000 signifikan
X4 0,001 0,0000 39,518 0,0000 signifikan
2
Lambda 0,082 0,07 1,159 0,645 tidak
signifikan
Berdasarkan tabel 4.3 menjelaskan bahwa semua
variabel independen bersifat signifikan pada taraf α =5 % .
Pengaruh variabel angka harapan hidup, harapan lama
sekolah, rata-rata lama sekolah, dan pengeluaran perkapita
menunjukkan IPM di suatu wilayah dipengaruhi oleh ke
empat variabel tersebut. Model yang diperoleh dari tabel di
atas adalah:

^y =4,084+ 0,495 x 1 +0,805 x 2+ 1,239 x 3 +0,001 x 4 +U i

dimana
n
U i=0,082 ∑ wij U j + ε i
j=1 ,i ≠ j
 54

Model spatial error model dapat diinterpetasikan, setiap

kenaikan 1 satuan angka harapan hidup akan meningkatkan
IPM sebesar 0,495 dengan anggapan harapan lama sekolah,
rata-rata lama sekolah, dan pengeluaran perkapita konstan.
Untuk setiap kenaikan 1 satuan harapan lama sekolah akan
meningkatkan IPM sebesar 0,805 dengan anggapan angka
harapan hidup, rata-rata lama sekolah, dan pengeluaran
perkapita konstan. Untuk setiap kenaikan 1 satuan rata-rata
lama sekolah akan meningkatkan IPM sebesar 1,239 dengan
anggapan angka harapan hidup, harapan lama sekolah, dan
pengeluaran perkapita konstan. Untuk setiap kenaikan 1
satuan pengeluaran perkapita yang disesuaikan akan
meningkatkan IPM sebesar 0,001 dengan anggapan angka
harapan hidup, harapan lama sekolah, dan rata-rata lama
sekolah konstan.Model regresi spatial error model yang
diperoleh di atas tidak cocok digunakan untuk melihat
hubungan antar variabel dalam data spasial. Lambda yang
tidak signifikan menunjukkan bahwa dalam analisis model
regresi menggunakan spatial error model, tidak ada bukti kuat
bahwa lokasi-lokasi terdekat mempengaruhi nilai lokasi yang
sedang diamati. Hal ini juga didukung oleh asumsi-asumsi
yang tidak terpenuhi. Asumsi-asumsi itu adalah sebagai
berikut:
Tabel 4.4
Hasil Uji Indeks Moran
Nilai Moran p-value
0,0368 0,2274
Berdasarkan tabel 4.4 menunjukkan nilai p-value > α
dari uji autokorelasi menggunakan Indeks Moran. Sehingga
dapat disimpulkan tidak ada korelasi secara spasial antar
wilayah kabupaten/kota.
Tabel 4.5
Hasil Uji Dependensi Spasial
Lagrange Multiplier
Uji Dependensi Statistik p-value
Spasial
 55

LMerr 0,16665 0,6831

LMlag 0,84093 0,3591
Berdasarkan tabel 4.5 tidak terlihat adanya efek spasial
yang signifikan dalam model spasial. Hal ini dikarenakan p-
value > α . Sehingga dapat disimpulkan bahwa tidak terdapat
efek spasial pada error maupun lag pada data.
Data IPM Provinsi Lampung yang semula diduga
mengandung faktor wilayah ternyata tidak mengandung efek
spasial. Hal ini berdasarkan pengujian spasial yang telah
dilakukan menggunakan uji Indeks Moran dan Lagrange
Multiplier menunjukkan nilai p-value > α . Sehingga dapat
disimpulkan tidak ada pengaruh spasial pada data. Oleh
karena itu mengidentifikasi Indeks Pembangunan Manusia di
Provinsi Lampung dengan dengan spatial error model tidak
dapat dilakukan.

3. Analisis Regresi Linier Berganda

Pada analisis regresi linier berganda asumsi-asumsinya
harus dipenuhi, yaitu asumsi klasik. berikut hasil uji asumsi
klasik model regresi linier berganda, yaitu:
a) Uji Normalitas
Uji normalitas merupakan asumsi yang yang harus
dipenuhi ketika melakukan penelitian. Uji normalitas
digunakan untuk melihat apakah data berdistribusi normal
atau tidak. Dalam penelitian ini uji normalitas yang
digunakan adalah uji Shapiro Wilk.
Tabel 4.6
Hasil Uji Normalitas
Shapiro Wilk Test
W p-value
Data 0,9214 0,2023
Berdasrkan tabel 4.5 nilai p-value > α yaitu 0,2023 >
α . Hal ini mendukung untuk menolak hipotesis H0,
artinya residual memiliki sebaran yang normal. Sehingga
dapat disimpulkan bahwa asumsi residual berdistribusi
normal telah terpenuhi.
 56

b) Uji Linieritas
Pengujian lineraitas dalam penelitian ini
menggunakan uji Reset dan uji Harvey-Collier. Berikut
ini hasil uji linieritas:

Tabel 4.7
Hasil Uji Linieritas
Reset Test Harvey-Collier Test
RESET p-value HC p-value
5,3223 0,0339 1,3137 0,2215
Berdasarkan tabel 4.7 saat menggunakan uji Reset p-
value < α yaitu 0,0339 < α yang artinya hubungan antara
variabel independent dan variabel dependen tidak linier.
Sedangkan menggunakan uji Harvey-Collier nilai p-value
> α yaitu 0,2215 > α yang artinya hubungan antara
variabel independen dan variabel dependen linier.

c) Pengujian Homogenitas
Berikut hasil dari uji homogenitas menggunakan uji
Breusch Pagan:
Tabel 4.8
Hasil Uji Homogenitas
Breusch Pagan Test
Nilai BP df p-value
5,2645 4 0,2612
Berdasarkan tabel 4.8 menunjukkan bahwa p-value >
α yaitu 0,2612 > α yang berdasarkan keputusan uji
Breusch Pagan dapat disimpulkan bahwa tidak terjadi
homogenitas dalam model regresi.

d) Pengujian Autokorelasi
Tujuan dari pengujian autokorelasi adalah untuk
melihat adanya korelasi atau hubungan antara variabel
 57

independent dan variabel dependen. Pada penelitian ini

pengujian autokorelasi menggunakan uji Durbin-Watson.
Hasil pengujian autokorelasi adalah sebagai berikut:

Tabel 4.9
Hasil Uji Autokorelasi
Durbin Watson
DW p-value
2,0714 0,4296
Berdasarkan tabel 4.9 menunjukkan bahwa nilai DW
adalah 2,0714. Sedangkan nilai dari p-valuenya lebih dari
0,05 yang artinya tidak terdapat autokorelasi.

e) Uji Multikolinieritas
Uji multikolinieritas digunakan untuk melihat apakah
terjadi hubungan antar variabel independen yang
digunakan dalam penelitian. Berikut ini hasil uji
multikolinieritas pada variabel data independen:
Tabel 4.10
Hasil Uji Multikolinieritas
Variabel Nilai VIF
X1 2,844367
X2 20,262756
X3 11,902687
X4 3,018748
Berdasarkan tabel 4.10 hasil uji asumsi
multikolinieritas menunjukkan nilai VIF untuk variabel
X1 dan X4 kurang dari 10. Sedangkan untuk variabel X 2
dan X3 nilai VIF lebih dari 10. Artinya, terjadi
multikolinieritas antar variabel. Adanya multikolinieritas
yang tinggi tidak memungkinkan melihat pengaruh
variabel independen terhadap variabel dependen secara
terpisah.
 58

f) Analisis Regresi Linier Berganda

Hasil analisis regresi linier berganda menggunakan
software R 4.3.1 yaitu adalah sebagai berikut:

Tabel 4.11
Estimasi Parameter Regresi Linier Berganda
Variabel Koefisien Std. t- p-value Ket.
Error value
Intercept 4,488 1,172 3,828 0,00333 signifikan
0
X1 0,4816 0,02508 19,198 0,0000 signifikan
X2 0,8661 0,1448 5,980 0,00013 signifikan
6
X3 1,211 0,0828 14,628 0,0000 signifikan
X4 0,001039 0,00003 29,675 0,0000 Signifikan
5
2
R =99 , 95 %
Berdasarkan tabel 4.11 diperoleh persamaan regresi
linier berganda yaitu:

y=4,488+0,4816 x 1 +0,8661 x2 +1,211 x 3 +0,001 x 4

Model regresi linier berganda dapat diinterpretasikan,

setiap kenaikan 1 satuan angka harapan hidup akan
meningkatkan IPM sebesar 0,4816 dengan anggapan
harapan lama sekolah, rata-rata lama sekolah, dan
pengeluaran perkapita konstan. Untuk setiap kenaikan 1
satuan harapan lama sekolah akan meningkatkan IPM
sebesar 0,8661 dengan anggapan angka harapan hidup,
rata-rata lama sekolah, dan pengeluaran perkapita
konstan. Untuk setiap kenaikan 1 satuan rata-rata lama
sekolah akan meningkatkan IPM sebesar 1,211 dengan
anggapan angka harapan hidup, harapan lama sekolah,
dan pengeluaran perkapita konstan. Untuk setiap kenaikan
 59

1 satuan pengeluaran perkapita yang disesuaikan akan

meningkatkan IPM sebesar 0,001 dengan anggapan angka
harapan hidup, harapan lama sekolah, dan rata-rata lama
sekolah konstan. Nilai R2 yang dihasilkan dari model
tersebut adalah 99,95% yang artinya model tersebut dapat
menjelaskan variabel IPM sebesar 99,95%.
Pada analisis regresi linier berganda terjadi
pelanggaran pada asumsi multikolineritas karena nilai
VIF > 10 pada variabel harapan lama sekolah dan rata-
rata lama sekolah. Masalah multikolinieritas ini
disebabkan oleh adanya hubungan antara dua variabel
independen yaitu harapan lama sekolah dan rata-rata lama
sekolah. Pelanggaran asumsi ini menyebabkan taksiran
parameter yang diperoleh menjadi bias. Sehingga model
regresi belum memenuhi standar sebagai pemodelan yang
baik.
Masalah multikolinieritas pada analisis regresi linier
berganda dapat diselesaikan menggunakan analisis regresi
ridge. Berikut nilai VIF menggunakan analisis regresi
ridge:
Tabel 4.12
Perbaikan Nilai VIF
Variabel Nilai VIF
X1 1,86415
X2 7,54469
X3 4,83073
X4 2,39526
Berdasarkan tabel 4.12 Bahwa nilai VIF
menggunakan analisis regresi ridge lebih rendah
dibandingkan dengan menggunakan analisis regresi linier
berganda, sehingga sudah tidak ada masalah
multikolinearitas karena nilai VIF < 10.
Tabel 4.13
Estimasi Parameter Regresi Ridge
Variabe Koefisie Koefisei Std. t- p- Ket
l n n (sc) Error value value .
(sc) (sc) (sc)
 60

Interce 4,9511 -52666,26 1770,049 - 0,000 sig

pt 8 29,75 0
X1 0,4568 3,2153 0,1550 20,40 0,000 sig
0
X2 1,0719 3,4873 0,3119 11,18 0,000 sig
2 0
X3 1,0914 4,7605 0,2496 19,07 0,000 sig
6 0
X4 0,001 5,2051 0,1757 29,62 0,000 sig
0 0
2
R =98 ,17 %
MSE=1,0032
Berdasarkan tabel 4.13 diperoleh persamaan regresi
ridge yaitu:

y=4,9511+0,4568 x 1 +1,0719 x2 +1,0914 x 3 +0,001 x 4

Model regresi ridge dapat diinterpretasikan, setiap

kenaikan 1 satuan angka harapan hidup akan
meningkatkan IPM sebesar 0,4568 dengan anggapan
harapan lama sekolah, rata-rata lama sekolah, dan
pengeluaran perkapita konstan. Untuk setiap kenaikan 1
satuan harapan lama sekolah akan meningkatkan IPM
sebesar 1,0719 dengan anggapan angka harapan hidup,
rata-rata lama sekolah, dan pengeluaran perkapita
konstan. Untuk setiap kenaikan 1 satuan rata-rata lama
sekolah akan meningkatkan IPM sebesar 1,0914 dengan
anggapan angka harapan hidup, harapan lama sekolah,
dan pengeluaran perkapita konstan. Untuk setiap kenaikan
1 satuan pengeluaran perkapita yang disesuaikan akan
meningkatkan IPM sebesar 0,001 dengan anggapan angka
harapan hidup, harapan lama sekolah, dan rata-rata lama
sekolah konstan. Nilai R2 yang dihasilkan dari model
tersebut adalah 98,17% yang artinya model tersebut
dalam menjelaskan variabel IPM sebesar 98,17%.
 BAB V
PENUTUP

A. Kesimpulan
Dari analisis yang telah dilakukan, dapat disimpulkan bahwa
distribusi nilai-nilai tidak menunjukkan pola ketergantungan
spasial yang signifikan di antara lokasi pengamatan. Hal ini dapat
dilihat dari hasil parameter spatial error model yang menunjukkan
bahwa lambda bernilai negatif dan tidak signifikan. Sehingga
dalam model regresi spasial menggunakan spatial error model,
tidak ada bukti kuat yang menunjukkan bahwa lokasi-lokasi
terdekat mempengaruhi nilai lokasi yang sedang diamati. Model
spatial error yang dihasilkan dalam penelitian ini adalah:
^y =4,084+ 0,495 x 1 +0,805 x 2+ 1,239 x 3 +0,001 x 4 +U i

dimana
n
U i=0,082 ∑ wij U j + ε i
j=1 ,i ≠ j

Model spatial error model bukanlah model terbaik untuk

memodelkan IPM di Provinsi Lampung. Model terbaik untuk
memodelkan Indeks Pembangunan Manusia di Provinsi Lampung
adalah model regresi ridge:
y=4,9511+0,4568 x 1 +1,0719 x2 +1,0914 x 3 +0,001 x 4

B. Rekomendasi
Penelitian ini melihat seberapa besar pengaruh faktor-faktor
yang mempengaruhi indeks pembangunan manusia. Berdasarkan
hasil yang diperoleh saran yang dapat diberikan untuk penelitian
selanjutnya yaitu:
1. Penelitian ini hanya menggunakan empat variabel untuk
menentukan faktor-faktor yang mempengaruhi indeks
pembangunan manusia yaitu angka hrapan hidup, harapan
lama sekolah, rata-rata lama sekolah, dan pengeluaran

64
 65

perkapita yang disesuaikan. Untuk penelitian selanjutnya

dapat menggunakan lebih banyak variabel yang
mempengaruhi indeks pembangunan manusia.
2. Penelitian ini hanya menggunakan matriks pembobot spasial
queen contiguity. Untuk penelitian selanjutnya dapat
menggunakan jenis matriks pembobot spasial lainnya.
 DAFTAR PUSTAKA

Anik, Djuraidah. Monograph Penerapan Dan Pengembangan

Regresi Spasial Dengan Studi Kasus Pada Kesehatan,
Sosial, Dan Ekonomi. Pertama. Bogor: PT Penerbit IPB
Press, 2020.
Arif, Afif, Muhammad Arif Tiro, and Muhammad Nusrang.
“Perbandingan Matriks Pembobot Spasial Optimum Dalam
Spatial Error Model (SEM) (Kasus : Indeks Pembangunan
Manusia Kabupaten/Kota Di Provinsi Sulawesi Selatan
Tahun 2015).” Journal of Statistic and Its Application on
Teaching and Reseach 1, no. 3 (2019): 66–76.
Arif, Muhammad. “Pemodelan Sistem.” 2–3. 2nd ed. Yogyakarta:
deepublish, 2017.
Badan Pusat Statistik (BPS). Republik Indonesia Indeks
Pembangunan Manusia 2014. 07310.1517, 2015.
BPS. Indeks Pembangunan Manusia Kabupaten Humbang
Hasundutan. Book. Vol. 12150.1915, 2018.
Caraka, Rezzy Eko, and Hasbi Yasin. Spatial Data Panel. Edited
by Team Wade Publish. Petama. Jawa Timur, 2017.
Dewi, Diana Kusuma, Asri Azizah, and Edy Widodo.
“Perbandingan Metode Regresi Berganda , Spatial
Autoregressive Dan Spatial Error Model Terhadap Gizi
Buruk Di Indonesia Tahun 2017.” Prosiding M5 (2019).
Dharmmayukti, Bhawika, Tri Oldy Rotinsulu, and Audie. O.
Niode. “Analisis Pengaruh Inflasi Dan Indeks Pembangunan
Manusia (IPM) Terhadap Tingkat Kemiskinan Di Kota
Manado 2004-2019.” Berkala Ilmiah Efisiensi 21, no. 05
(2021): 98–105.
Divika, Thazika, and Siti Sunendiari. “Analisis Faktor-Faktor
Yang Mempengaruhi Indeks Pembangunan Manusia ( IPM )
Di Provinsi Jawa Barat Dengan Menggunakan Spatial Error
Model ( SEM ).” Jurnal Prosiding Statistika 7, no. 02
(2021): 308–315.
Hasibuan, Syafrina Lailan, Rujiman, and Sukardi. “Analisis

66
 67

Determinan Indeks Pembangunan Manusia (IPM) Di

Indonesia.” Jurnal Penelitian Pendidikan Sosial Humaniora
5, no. 2 (2020): 139–141.
Herawati, N, K Nisa, D Azis, and Nabila. “Ridge Regression for
Handling Different Levels of Multicollinearity.” Sci.Int.
(Lahore) 30, no. 4 (2018): 597–600.
Karyono, Yoyo, Ema Tusianti, I Gusti Gunawan, Adi Nugroho,
and Alvina Clarissa. Indeks Pembangunan Manusia 2020.
Jakarta: Badan Pusat Statistik, 2020.
Kiha, Emilia Khristina, Sirilius Seran, and Hendriana Trifonia
Lau. “Pengaruh Jumlah Penduduk, Pengangguran, Dan
Kemiskinan Terhadap Indeks Pembangunan Manusia (IPM)
Di Kabupaten Belu.” Intelektiva: Jurnal Ekonomi, Sosial &
Humaniora 2, no. 07 (2021): 60–84.
Maulana, A, and K Suryowati. “Spasial Panel Random Effect
Untuk Indeks Pembangunan Manusia Di Daerah Istimewa
Yogyakarta.” Jurnal Statistika Industri dan Komputasi 4, no.
2 (2019): 33–40.
http://ejournal.akprind.ac.id/index.php/STATISTIKA/article/
view/1922.
Mohd Razali, Nornadiah, and Yap Bee Wah. “Power Comparisons
of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and
Anderson-Darling Tests.” Journal of Statistical Modeling
and Analytics 2, no. 1 (2011): 13–14.
Nabilah, Puspita Putri, Rizki Maliki Zidni, Nanda Lailatul
Humairoh, and Edy Widodo. “Penerapan Spatial Error
Model (SEM) Untuk Mengetahui Faktor-Faktor Yang
Memengaruhi Kriminalitas.” Seminar Nasional Official
Statistics 2021, no. 1 (2021): 333–342.
Nasution, Leni Masnidar. “Statistik Deskriptif.” Jurnal Hikmah
14, no. 1 (2017): 49–55.
Ndii, Meksianis Z. Pemodelan Matematika. Pekalongan: PT.
Nasya Expanding Management, 2022.
Nisa, Imaroh Izzatun, and Abdul Karim. “Pemodelan Spatial
Durbin Error Model (SDEM) Pada Data Indeks
 68

Pembangunan Manusia (IPM) Di Jawa Tengah.” Jurnal

Statistika Universitas Muhammadiyah Semarang 5, no. 1
(2017): 33–40.
Novitasari, Dina, and Laelatul Khikmah. “Penerapan Model
Regresi Spasial Pada Indeks Pembangunan Manusia (IPM)
Di Jawa Tengah Tahun 2017.” STATISTIKA Journal of
Theoretical Statistics and Its Applications 19, no. 2 (2019):
123–134.
Pratiwi Eka, Hidayat Paidi. “Analisis Pertumbuhan Ekonomi Dan
Indeks Pembangunan Manusia (IPM) Provinsi-Provinsi Di
Indonesia (Metode Kointegrasi).” Ekonomi dan Keuangan 2,
no. 2 (2013): 14–27.
Ramadhani, Evi, Nany Salwa, dan Medina Suha Mazaya, and
Jurusan Statistika. “Identifikasi Faktor-Faktor Yang
Memengaruhi Angka Harapan Hidup Di Sumatera Tahun
2018 Menggunakan Analisis Regresi Spasial Pendekatan
Area.” Journal of Data Analysis 3, no. 2 (2020): 62–75.
Rati, Musfika. “Model Regresi Spasial Untuk Anak Tidak
Bersekolah Usia Kurang 15 Tahun Di Kota Medan.” Saintia
Matematika 1, no. 1 (2013): 87–99.
Revildy, Windy David, Siti Sarah, Sobariah Lestari, and Yollanda
Nalita. “Pemodelan Spatial Error Model (SEM) Angka
Prevalensi Balita Pendek (Stunting) Di Indonesia Tahun
2018.” Seminar Nasional Official Statistics 2020 (2020):
1224–1231.
Rinaldi, Achi. “Aplikasi Model Persamaan Pada Progam R (Studi
Kasus Data Pengukuran Kecerdasan).” Al-Jabar: Jurnal
Pendidikan Matematika 6, no. 1 (2015): 1–12.
Rosa, Mila, Maiyastri Maiyastri, and Hazmira Yozza. “Pemodelan
Indeks Pembangunan Manusia Menggunakan Analisis
Regresi Spasial Di Provinsi Jawa Timur.” Jurnal
Matematika UNAND 9, no. 4 (2020): 347.
Santoso, S. Statistika Deskrptif. Yogyakarta: Ardana Media, 2009.
Sanusi, Wahidah, Hisyam Ihsan, and Nur Hikmayanti Syam.
“Model Regresi Spasial Dan Aplikasinya Dalam
 69

Menganalisis Angka Putus Sekolah Usia Wajib Belajar Di

Provinsi Sulawesi Selatan.” Journal of Mathematics,
Computations, and Statistics 1, no. 2 (2019): 183.
Sari, Fitri Mudia, Hendry Frananda Nasution, and Pardomuan
Robinson Sihombing. “Pemodelan Data Kemiskinan Provinsi
Sumatera Barat Menggunakan Regresi Spasial.” Infinity:
Jurnal Matematika dan Aplikasinya 2, no. 1 (2021): 51–61.
Sari, Yulia, Nur Karomah Dwidayati, and Putriaji Hendikawati.
“Estimasi Parameter Pada Regresi Spatial Error Model
(SEM) Yang Memuat Outlier Menggunakan Iterative Z
Algorithm.” Prisma 1 (2018): 456–463.
Sriningsih, Mega, Djoni Hatidja, and Jantje D Prang. “Penanganan
Multikolinearitas Dengan Menggunakan Analisis Regresi
Komponen Utama Pada Kasus Impor Beras Di Provinsi
Sulut.” Jurnal Ilmiah Sains 18, no. 1 (2018): 18.
Susanto, Erliyan Redy, and Ajeng Savitri Puspaningrum. “Model
Prioritas Program Pemerataan IPM Di Provinsi Lampung
Menggunakan Metode Analytic Hierarchy Process.” Jurnal
Teknoinfo 14, no. 1 (2020): 9.
Suwanto, Fevi Rahmawati, Yunda Victorina Tobondo, and Lili
Riskiningtyas. “Kemampuan Abstraksi Dalam Pemodelan
Matematika.” Seminar Matematika dan Pendidikan
Matematika UNY (2017): 301–306.
Syaadah, Lailatul. “Spatial Autoregressive Model Dan Matriks
Pembobot Spasial Rook Contiguity Untuk Pemodelan Gini
Ratio Di Indonesia Tahun 2014.” Jurnal Kajian dan Terapan
Matematika 5, no. 4 (2016): 1–9.
https://journal.student.uny.ac.id/ojs/index.php/jktm/article/vi
ew/4808.
Trianggara, Novian, Rita Rahmawati, and Hasbi Yasin.
“Pemodelan Indeks Pembangunan Manusia Menggunakan
Spatial Panel Fixed Effect (Studi Kasus: Indeks
Pembangunan Manusia Propinsi Jawa Tengah 2008-2013).”
Jurnal Gaussian 5, no. 1 (2016): 173–182. http://ejournal-
s1.undip.ac.id/index.php/gaussian.
 70

Vivi, Silvia. Statistika Deskriptif. Yogyakarta: Penerbit Andi,

2021.
Wasilaine, Trifena L., Mozart W. Talakua, and Yopi A. Lesnussa.
“Model Regresi Ridge Untuk Mengatasi Model Regresi
Linier Berganda Yang Mengandung Multikolinieritas.”
BAREKENG: Jurnal Ilmu Matematika dan Terapan 8, no. 1
(2014): 31–37.
Wuryandari, Triastuti, Abdul Hoyyi, and Dwi Rahmawati Dewi
Stya Kusumawardani. “Identifikasi Autokorelasi Spasial
Pada Jumlah Pengangguran Di Jawa Tengah Menggunakan
Indeks Moran.” Media Statistika 7, no. 1 (2011): 1–10.
Yasir, A, N Fariqa, F Ramadhan, P Eka, and ... “Model Regresi
Spasial Untuk Analisis Persentase Penduduk Miskin Di
Propinsi Nanggroe Aceh Darussalam.” Jurnal Statistika
Industri dan Komputasi 1, no. 1 (2016): 53–61.
Yektiningsih, Endang. “Analisis Indeks Pembangunan Manusia
(IPM) Kabupaten Pacitan Tahun 2018.” Jurnal Ilmiah Sosio
Agribis 18, no. 2 (2018): 32–50.
Zaynun, Nurfahmi, Anneke Iswani Achmad, and Universitas Islam
Bandung. “Pemodelan Penerimaan Pajak Hotel Di Indonesia
Tahun 2019 Dengan Menggunakan Analisis Regresi Ridge”
(2019): 549–556.
 71

LAMPIRAN
 72

Lampiran 1. Data Indeks Pembangunan Manusia (IPM)

danFaktor-Faktor yang Mempengaruhi

Kabupaten/Kota IPM AHH HLS RLS PPP

Pesisir Barat 65,14 63,99 12,13 8,53 8663
Lampung Barat 68,39 67,9 12,27 8,2 10175
Tanggamus 67,22 68,95 12,3 7,35 9557
Pesawaran 66,7 69,44 12,61 7,77 8192
Pringsewu 70,98 70,65 12,91 8,4 10577
Lampung Tengah 70,8 70,08 12,95 7,64 11710
Lampung Utara 68,33 69,57 12,54 8,35 8951
Way Kanan 68,04 69,69 12,42 7,72 9450
Lampung Selatan 69 69,69 12,54 7,72 10266
Bandar Lampung 78,01 71,66 14,71 10,96 12593
Metro 77,89 71,88 14,76 10,98 12233
Lampung Timur 70,58 71,01 12,96 8,04 10403
Tulang Bawang 69,53 70,22 12,28 7,56 11114
Tulang Bawang
Barat 67,13 70,23 12,09 7,72 8737
Mesuji 64,94 68,51 11,8 7,09 8466
 73

Lampiran 2. Matriks Pembobot Spasial Queen Contiguity

0 1 1 0 0 0 0 0 0 0 0 0 0 0 0
1 0 1 0 0 1 1 1 0 0 0 0 0 0 0
1 1 0 1 1 1 0 0 0 0 0 0 0 0 0
0 0 1 0 1 1 0 0 1 1 0 0 0 0 0
0 0 1 1 0 1 0 0 0 0 0 0 0 0 0
0 1 1 1 1 0 1 0 1 0 1 1 1 1 0
0 1 0 0 0 1 0 1 0 0 0 0 0 1 0
0 1 0 0 0 0 1 0 0 0 0 0 0 1 0
0 0 0 1 0 1 0 0 0 1 0 1 0 0 0
0 0 0 1 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 1 0 0 0
0 0 0 0 0 1 0 0 1 0 1 0 1 0 0
0 0 0 0 0 1 0 0 0 0 0 1 0 1 1
0 0 0 0 0 1 1 1 0 0 0 0 1 0 1
0 0 0 0 0 0 0 0 0 0 0 0 1 1 0
 74

Lampiran 3. Syntak Uji Indeks Moran dan Uji Lagrange

Multiplier
library(spdep)
library(sp)
library(nortest)
library(raster)
library(rgdal)
library(DescTools)
library(sf)
library(spatial)
library(ggplot2)
library(car)
library(spatialreg)
library(ridge)
library(lmridge)

##autokorelasi spasial##
bobot<-read.csv("chose fie",header=TRUE,sep=';')
bot=as.matrix(bobot)
matbot=mat2listw(bot)
w<-mat2listw(bot)
moran.test(err.regresiku,w,zero.policy=TRUE)

##uji efek spasial##

LM<-
lm.LMtests(regresiku,mat2listw(w,style="W"),test=c("LMerr",
"LMlag","RLMerr","RLMlag","SARMA"))
summary(LM)
 75

lampiran 4. Hasil Uji Autokorelasi dan Uji Efek Spasial

1. Hasil Uji Autokorelasi
Moran I test under randomisation

data: err.regresiku
weights: w

Moran I statistic standard deviate = 0.74755, p-value = 0.2274

alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
0.03684187 -0.07142857 0.02097691

2. Hasil Uji Efek Spasial

Lagrange multiplier diagnostics for spatial dependence
data:
model: lm(formula = y ~ x1 + x2 + x3 + x4)
weights: w

statistic parameter p.value

LMerr 0.16665 1 0.6831
LMlag 0.84093 1 0.3591
RLMerr 0.16067 1 0.6885
RLMlag 0.83495 1 0.3608
SARMA 1.00160 2 0.6060
 76

Lampiran 5. Estimasi Parameter Spatial Error Model

Call:errorsarlm(formula = y ~ x1 + x2 + x3 + x4, data = data, listw
= w,
zero.policy = TRUE)

Residuals:
Min 1Q Median 3Q Max
-0.136469 -0.076393 0.016705 0.055074 0.129387

Type: error
Coefficients: (asymptotic standard errors)
Estimate Std. Error z value Pr(>|z|)
(Intercept) 4.08462549 0.96991025 4.2113 2.539e-05
x1 0.49515092 0.02009118 24.6452 < 2.2e-16
x2 0.80505190 0.11588116 6.9472 3.725e-12
x3 1.23945420 0.06538262 18.9569 < 2.2e-16
x4 0.00103972 0.00002631 39.5187 < 2.2e-16

Lambda: 0.082088, LR test value: 0.21208, p-value: 0.64514

Asymptotic standard error: 0.070791
z-value: 1.1596, p-value: 0.24622
Wald statistic: 1.3446, p-value: 0.24622

Log likelihood: 15.71454 for error model

ML residual variance (sigma squared): 0.0069844, (sigma:
0.083573)
Number of observations: 15
Number of parameters estimated: 7
AIC: NA (not available for weighted model), (AIC for lm: -
19.217)
 77

Lampiran 6. Estimasi Parameter Model Regresi Linier Berganda

Call:
lm(formula = y ~ x1 + x2 + x3 + x4)

Residuals:
Min 1Q Median 3Q Max
-0.143686 -0.074940 -0.001525 0.069514 0.124816

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 4.488e+00 1.172e+00 3.828 0.003330 **
x1 4.816e-01 2.508e-02 19.198 3.20e-09 ***
x2 8.661e-01 1.448e-01 5.980 0.000136 ***
x3 1.211e+00 8.280e-02 14.628 4.45e-08 ***
x4 1.039e-03 3.501e-05 29.675 4.41e-11 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.1047 on 10 degrees of freedom

Multiple R-squared: 0.9995, Adjusted R-squared: 0.9993
F-statistic: 4817 on 4 and 10 DF, p-value: 2.251e-16
 78

La,piran 7. Hasil Uji Asumsi Klasik Model Regresi Linier

Berganda
1. Hasil Uji Normalitas
Shapiro-Wilk normality test
data: err.regresiku
W = 0.92235, p-value = 0.2092

2. Hasil Uji Linearitas

Harvey-Collier test
data: regresiku
HC = 1.3137, df = 9, p-value = 0.2215

RESET test
data: regresiku
RESET = 5.3223, df1 = 2, df2 = 8, p-value = 0.0339

3. Hasil Uji Homogenitas

studentized Breusch-Pagan test
data: regresiku
BP = 4.373, df = 4, p-value = 0.3579

4. Hasil Uji Autokorelasi

Durbin-Watson test
data: y ~ x1 + x2 + x3 + x4
DW = 2.0714, p-value = 0.4296
alternative hypothesis: true autocorrelation is greater than 0

5. Hasil Uji Multikolinieritas

x1 x2 x3 x4
2.844367 20.262756 11.902687 3.018748
 79

Lampiran 8. Estimasi Parameter Regresi Ridge dan Hasil

Perbaikan Multikolineritas
1. Estimasi Parameter
Call:
lmridge.default(formula = y ~ x1 + x2 + x3 + x4, data = data,
K = 0.02, scaling = "sc")

Coefficients: for Ridge parameter K= 0.02

Estimate Estimate (Sc) StdErr (Sc) t-value (Sc) Pr(>|
t|)
Intercept 4.9511 -52666.2612 1770.0498 -29.754 <
2.2e-16 ***
x1 0.4568 3.2153 0.1550 20.740 < 2.2e-16
***
x2 1.0719 3.4873 0.3119 11.182 < 2.2e-16
***
x3 1.0914 4.7605 0.2496 19.076 < 2.2e-16
***
x4 0.0010 5.2051 0.1757 29.620 < 2.2e-16
***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Ridge Summary
R2 adj-R2 DF ridge F AIC BIC
0.98560 0.98170 3.50518 4095.29118 -62.68946 -
19.58686
Ridge minimum MSE= 1.003246 at K= 0.02
P-value for F-test ( 3.50518 , 11.16215 ) = 1.954852e-17
-------------------------------------------------------------------

2. Hasil Perbaikan Multikolinieritas

x1 x2 x3 x4
k=0.02 1.86415 7.54469 4.83073 2.39526