Electronic Theses and Dissertation

Kemiskinan masih menjadi salah satu permasalahan utama dalam pembangunan di Indonesia, sehingga pengentasan kemiskinan menjadi prioritas strategis pemerintah. Permasalahan ini dialami oleh seluruh provinsi, termasuk Aceh yang pada tahun 2024 memiliki tingkat kemiskinan sebesar 14,23% atau sekitar 804,5 ribu jiwa. Kesenjangan tingkat kemiskinan antarkabupaten/kota di Aceh mengindikasikan adanya heterogenitas spasial, yang menunjukkan bahwa faktor penyebab kemiskinan bervariasi antarwilayah. Penelitian ini bertujuan memodelkan tingkat kemiskinan di Provinsi Aceh tahun 2024 menggunakan data sekunder yang bersumber dari Badan Pusat Statistik (BPS) dengan metode Mixed Geographically Weighted Regression (MGWR), serta mengidentifikasi faktor-faktor signifikan yang memengaruhinya. MGWR merupakan pengembangan dari Geographically Weighted Regression (GWR) yang memungkinkan beberapa variabel dalam model bersifat lokal, sementara variabel lainnya bersifat global. Estimasi parameter dilakukan dalam dua tahap, yaitu estimasi parameter lokal menggunakan metode Weighted Least Squares (WLS), dengan pembobot spasial adaptive Tricube, serta estimasi parameter global menggunakan Ordinary Least Squares (OLS). Hasil penelitian menunjukkan bahwa model MGWR berhasil mengidentifikasi variabel-variabel lokal dan global yang signifikan serta menunjukkan adanya variasi pengaruh pada lokasi yang berbeda di Provinsi Aceh dengan R2 sebesar 87,55%,. Model MGWR mengidentifikasi rata-rata lama sekolah (X2) dan penduduk dengan kebiasaan merokok (X6) sebagai variabel global, sedangkan laju pertumbuhan penduduk (X1), pengangguran (X3), pengguna telepon seluler (X4), dan penerima BPNT (X5) sebagai variabel lokal. Selain itu, model MGWR mengelompokkan kabupaten/kota di Aceh ke dalam enam kelompok berdasarkan kombinasi variabel signifikan yang memengaruhi tingkat kemiskinan. Temuan ini memberikan wawasan yang bermanfaat bagi pemerintah dan para pemangku kepentingan dalam merancang serta menerapkan strategi penanggulangan kemiskinan yang lebih efektif dan sesuai dengan karakteristik lokal di Provinsi Aceh.

Poverty remains a major development issue in Indonesia, making poverty alleviation one of the government’s strategic priorities. This problem is experienced across all provinces in Indonesia, including Aceh, where the poverty rate reached 14,23% or approximately 804,5 thousand people in 2024. Significant disparities in poverty levels across districts/cities in Aceh indicate the presence of spatial heterogeneity, suggesting that factors influencing poverty may vary by region. This study aims to obtain a Mixed Geographically Weighted Regression (MGWR) model to identify the significant factors affecting poverty levels in each district/city in Aceh Province in 2024 using secondary data obtained from Statistics Indonesia (BPS). MGWR is an extension of Geographically Weighted Regression (GWR) that allows certain variables to have local effects while others exhibit global effects. Parameter estimation is conducted in two stages namely local parameter estimation using Weighted Least Squares (WLS) with adaptive Tricube spatial weighting function, and global parameter estimation using Ordinary Least Square (OLS). The results indicate that the MGWR model successfully identifies both local and global variables and reveals variations in their effects across different locations in Aceh Province, with an R2 of 87,55%,. This model identifies mean years of schooling (X2) and population with smoking habits (X6) as a global variables, while population growth rate (X1), unemployment (X3), mobile phone users (X4), and recipients of Non-Cash Food Assistance (BPNT) (X5) are identified as local variables. Furthermore, the MGWR model classifies districts and municipalities in Aceh into six groups based on different combinations of significant influencing variables. These findings provide valuable insights for policymakers and practitioners in designing and implementing more effective poverty alleviation strategies tailored to local conditions in Aceh Province.