Pengembangan dan Aplikasi Geoinformatika Bayesian pada Data Kemiskinan di Indonesia (Studi Kasus Jawa Timur)

(Bayesian Geoinformatics Development and Aplication on Poverty Data in Indonesia (Study Case East Java))
 
Asep Saefuddin, Aji Hamim Wigena, Nunung Nuryartono
 
ABSTRAK

Kemiskinan sudah sejak lama menjadi masalah bangsa Indonesia yang belum terselesaikan. Hasil survey Badan Pusat Statistik (BPS) Maret 2011 menyatakan jumlah orang miskin di Indonesia sebanyak 30,02 juta jiwa atau 12,49% dari total jumlah penduduk. Dari berbagai pandangan keilmuan masalah ini menarik untuk diteliti, baik substansi maupun metode. Dari sudut pandang statistika, persoalan kemiskinan ini menarik karena memunculkan isu ketidakbebasan data, korelasi spasial, keheterogenan ragam galat, interaksi spasial, dan berbagai persoalan
statistika lainnya. Tujuan utama penelitian ini adalah menemukan faktor-faktor yang mempengaruhi tingkat kemiskinan suatu wilayah (kecamatan) dengan mengembangkan metode-metode statistik spasial bayes. Metodemetode yang dikembangkan antara lain model Simultan Autoregressive (SAR), Conditional Autoregressive (CAR), Geographically Weighted Regression (GWR), Small Area Estimation (SAE) dan pendeteksian hotspot. Berdasarkan Model SAR Bayes diketahui bahwa persentasependuduk yang tidak tamat SD mempunyai pengaruh yang cukup besar bagi
kenaikan persentase penduduk miskin. Hubungan spasial akan mempengaruhi persentase kemiskinan sebesar 0,10 terhadap peningkatan persentase penduduk miskin di Provinsi Jawa Timur.
Selain itu dengan menggunakan model Logit Normal Bayes Berhirarki dengan pembobot spatial tetangga terdekat juga menemukan bahwa 40,93% keluarga di Jember merupakan keluarga miskin.

Kata kunci: bayes, Jawa Timur, kemiskinan, spasial
 
ABSTRACT
Sin Statistics (CBS) survey on March 2011 show that there are 30.02 million people or 12.49% of total Indonesian are considered poor. From the point of view of many field of sciences the substance and the method to overcome this problem has become a very interesting topic of research. Based on statistical methods, poverty has become very interesting because there is an issue that there is an autocorrelation between data, spatial autocorrelation, error variance heterogenity, spatial interaction, and other statistical issues. The main objective of this research is to find factors that influence poverty rate in a region by developing spatial bayesian statistics. The methods developed in this research include Simultan Autoregressive (SAR), Conditional Autoregressive (CAR), Geographically Weighted Regression (GWR), Small Area Estimation (SAE) and hotspot detection. Based on the SAR Bayes model it is shown that the percented of people not graduating elementary school has a significant effect on poverty rate. While the increase of spatial autocorrelation will influence the poverty rate by 0.10 in East Java. Beside that by using
hierarchical bayes logit normal model with nearest neighboor spatial weighted found that 40.93% of families of Jember is considered poor.

Keywords: bayes, East Java, poverty, spatial