Pemodelan Mars dan Regresi Logistik Rumah Tangga Miskin Kalimantan Tengah Tahun 2016

Authors

  • Ananto Wibowo BPS Kotawaringin Barat

DOI:

https://doi.org/10.26594/jmpm.v3i1.1023

Keywords:

Kemiskinan, Regresi Logistik, MARS

Abstract

Kemiskinan merupakan masalah multidimensi yang dapat menyebabkan berbagai persoalan baik secara ekonomi, sosial budaya dan politik. Oleh karena itu, pemerintah berupaya merumuskan kebijakan yang sesuai untuk mengatasi hal tersebut. Upaya pemerintah perlu didukung dengan analisis ekonomi menggunakan model statistik yang akurat. Studi ini bertujuan untuk menganalisis variabel-variabel yang signifikan berpengaruh terhadap rumah tangga miskin Kalimantan Tengah dengan regresi logistik dan Multivariate Adaptive Regression Splines (MARS) serta membandingkan performa kedua metode tersebut. Data yang digunakan adalah data SUSENAS Tahun 2016 bersumber dari Badan Pusat Statistik (BPS). Hasil kedua metode menunjukkan bahwa variabel jumlah anggota rumah tangga memiliki peran terbesar sebagai penentu kemiskinan rumah tangga. Selain itu, regresi logistik juga dianggap memiliki performa yang lebih baik dalam pemodelan dibandingkan metode MARS karena mempunyai nilai APER yang lebih kecil dan jumlah variabel signifikan yang lebih banyak.

Author Biography

Ananto Wibowo, BPS Kotawaringin Barat

Saya memulai kiprah karir sebagai aparatur sipil negara dengan jabatan fungsional statistisi pertama PNS BPS Kotawaringin Barat Provinsi Kalimantan Tengah. Pangkat yang diemban masih pada penata muda golongan III.

 

References

Agresti, A. (2007). An introduction to categorical data analysis second edition. Florida: A John Wiley & Sons,Inc.

Badan Pusat Statistik. (2008). Analisis dan perhitungan tingkat kemiskinan 2008. Jakarta. https://doi.org/Katalog BPS 3205015

Badan Pusat Statistik. (2016). Persentase penduduk miskin kalimantan tengah. https://kalteng.bps.go.id/statictable/2017/06/22/424/persentase-penduduk-miskin-provinsi-kalimantan-tengah-1999-2017.html

Friedman, H. (1990). Multivariate adaptive regression splines. The Analysis of Statistics, 19(1) : 1-67.

Febrianto, A. R. (2010) Determinan ketahanan pangan tingkat kabupaten di indonesia tahun 2007 (pendekatan multivariate adaptive regression spline). Jakarta: Sekolah Tinggi Ilmu Statistik.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis. https://doi.org/10.1016/j.ijpharm.2011.02.019

Hosmer, D. & Lemeshow, S. (2000). Applied logistic regression. New York: John Wiley & Sons,Inc.

Melati, Suci (2011). Faktor-faktor yang mempengaruhi morbiditas malaria di provinsi papua dan papua barat tahun 2010 dengan mengunakan multivariate adaptive regression splines (mars). Jakarta: Sekolah Tinggi Ilmu Statistik.

Mina, C. D., & Barrios, E. B. (2010). Profiling poverty with multivariate adaptive regression splines. Phillipine Journal of Development, 37(2): 55-97.

Nash, M. & Bradford, D. (2001). Parametric and nonparametric logistic regressions for prediction of presence / absence of an amphibian.United States : Office of Research and Development Washington DC.

Thompson, W. (2009). Variable selection of correlated predictors in logistic regression: investigating the diet-heart hypothesis. Florida: Florida State University.

Timm, N. H. (2002). Applied multivariate analysis. New York: Springer

Published

2018-03-24