Penerapan Model Regresi Spasial Pada Indeks Pembangunan Manusia (IPM) Di Jawa Tengah Tahun 2017

Abstract

ABSTRAK Indeks Pembangunan Manusia merupakan suatu angka yang bertujuan untuk melihat kinerja pembangunan wilayah dengan dimensi luas, yang memperlihatkan kualitas penduduk disuatu wilayah dalam hal harapan hidup, pendidikan, dan standar hidup yang layak. Pada tahun 2017 angka IPM Provinsi Jawa Tengah mencapai 70.52% dan mengalami peningkatan sebesar 0,77% dari tahun sebelumnya. Hal ini dikarenakan besarnya angka IPM disuatu wilayah dipengaruhi oleh besarnya angka IPM di wilayah yang berdekatan. Faktor lokasi/wiayah diduga dapat memberikan efek ketergantungan spasial (wilayah) pada angka IPM. Permasalahan tersebut dapat diatasi dengan menggunakan regresi spasial dengan memasukkan hubungan antar wilayah kedalam model. Model regresi spasial yang digunakan dalam penelitian ini adalah Spatial Autoregressive Model (SAR) dan Spatial Error Model (SEM) dengan menggunakan matriks pembobot Queen Contiguity. Penelitian ini memberikan hasil bahwa model SAR lebih baik daripada model SEM. ABSTRACT The Human Development Index is a number that aims to see the performance of regional development with a broad dimension, which shows the quality of the population in a region in terms of life expectancy, education, and decent standards of living. In the year 2017 the IPM figures of the Central Java province reached 70.52% and increased by 0.77% from the previous year. This is because the magnitude of the HDI number in an area is influenced by the magnitude of the HDI in the adjacent region. Location factors/Wiayah are suspected to provide a spatial dependency effect (region) on the IPM figure. These problems can be addressed by using spatial regression by incorporating relationships between regions into models. The spatial regression models used in the study were the Spatial Autoregressive Model (SAR) and the Spatial Error Model (SEM) using the Queen Contiguity weighting matrix. The study gave the results that SAR models were better than the SEM model.