Electronic Theses and Dissertation

ABSTRAK
Kemiskinan menjadi salah satu permasalahan sosial-ekonomi utama di Indonesia, terutama di Pulau Sumatra yang memiliki beberapa provinsi yang masuk ke-10 besar tingkat kemiskinan tertinggi di negara ini. Penelitian ini bertujuan untuk menerapkan model Geographically Weighted Panel Regression (GWPR) dengan membandingkan pembobot fixed kernel bisquare dan adaptive kernel bisquare dalam menganalisis faktor-faktor dominan yang memengaruhi tingkat kemiskinan di Pulau Sumatra pada tahun 2020 – 2023. Metode GWPR digunakan karena mampu mengakomodasi heterogenitas spasial yang tidak dapat dijelaskan secara optimal oleh model regresi data panel. Pemeriksaan data menunjukkan adanya nilai outlier pada semua variabel, sehingga pembobot bisquare dipilih karena kemampuannya dalam memberikan bobot yang lebih kecil pada pengamatan yang jauh atau memiliki nilai ekstrim. Hasil perbandingan menunjukkan bahwa model GWPR dengan pembobot Adaptive kernel bisquare memiliki hasil yang lebih baik yaitu memiliki nilai AIC terkecil sebesar -1919,179 dan nilai R2 terbesar yaitu 81,91%. Pemodelan GWPR dengan pembobot terbaik menghasilkan 133 model lokal dengan 24 kelompok variabel yang signifikan dalam memengaruhi tingkat kemiskinan, serta 1 kategori Kabupaten/kota yang tidak memiliki variabel yang signifikan. Variabel yang paling dominan memengaruhi tingkat kemiskinan di Pulau Sumatra adalah X2 (IPM) yang signifikan di 106 wilayah, X3 (TPT) yang signifikan di 33 wilayah, X1 (JP) yang signifikan di 31 wilayah, X6 (PDRB) yang signifikan di 30 wilayah, X5 (HLS) yang signifikan di 26 wilayah, dan X4 (TPAK) yang signifikan di 20 wilayah..

Kata kunci: GWPR, Regresi Data Panel, Persentase Penduduk Miskin, Fixed Kernel Bisquare, Adaptive Kernel Bisquare.

ABSTRACT Poverty is one of the main socio-economic problems in Indonesia, especially on the island of Sumatra which has several provinces in the top 10 highest poverty rates in the country. This study aims to apply the Geographically Weighted Panel Regression (GWPR) model by comparing fixed kernel bisquare and adaptive kernel bisquare weights in analyzing the dominant factors that influence the poverty rate in Sumatra Island in 2020-2023. The GWPR method is used because it is able to accommodate spatial heterogeneity that cannot be optimally explained by panel data regression models. Examination of the data showed the presence of outlier values in all variables, so the bisquare weighting was chosen because of its ability to give smaller weights to observations that are distant or have extreme values. The comparison results show that the GWPR model with Adaptive kernel bisquare weighting has better results, which has the smallest AIC value of -1919.179 and the largest R2 value of 81.91%. GWPR modeling with the best weighting resulted in 133 local models with 24 groups of variables that were significant in influencing the poverty rate, as well as 1 category of districts/municipalities that did not have significant variables. The most dominant variables affecting the poverty rate in Sumatra Island are X2 (IPM) which is significant in 106 regions, X3 (TPT) which is significant in 33 regions, X1 (JP) which is significant in 31 regions. X6 (PDRB) which is significant in 30 regions, X5 (HLS) which is significant in 26 regions, X4 (TPAK) which is significant in 20 regions. Keywords: GWPR, Panel Data Regression, Percentage of Poor Population, Fixed Kernel Bisquare, Adaptive Kernel Bisquare.