LAPORAN PRAKTIKUM Analisis Data Kualitatif
Analisis faktor-faktor yang berpengaruh terhaap angka putus sekolah bagi anak usia !a"ib bela"ar i #a!a Ti$ur engan $enggunakan regresi poisson Oleh % &' Deby Lolita
(&)&*&++&+*,
*' Nike Nur A$ana A$ana
(&)&*&++ (&)&*&++&& &&*, *,
)' ii Is!ara D
(&)&*&++&*.,
Dosen % Mbo "enenge $bak er$a sopo
PRO/RAM 0TUDI 0AR#ANA #URU0AN 0TATI0TIKA 0TATI0TIKA 1AKULTA0 MAT2MATIKA DAN ILMU P2N/2TA3UAN ALAM IN0TITUT T2KNOLO/I 02PULU3 NOP2M42R 0URA4A5A *+&6
LAPORAN PRAKTIKUM Analisis Data Kualitatif
Analisis faktor-faktor yang berpengaruh terhaap angka putus sekolah bagi anak usia !a"ib bela"ar i #a!a Ti$ur engan $enggunakan regresi poisson Oleh % &' Deby Lolita
(&)&*&++&+*,
*' Nike Nur A$ana A$ana
(&)&*&++ (&)&*&++&& &&*, *,
)' ii Is!ara D
(&)&*&++&*.,
Dosen % Mbo "enenge $bak er$a sopo
PRO/RAM 0TUDI 0AR#ANA #URU0AN 0TATI0TIKA 0TATI0TIKA 1AKULTA0 MAT2MATIKA DAN ILMU P2N/2TA3UAN ALAM IN0TITUT T2KNOLO/I 02PULU3 NOP2M42R 0URA4A5A *+&6
A40TRAK
DA1TAR I0I
DA1TAR /AM4AR
DA1TAR TA42L
BAB I PENDAHULUAN 1.1
Latar Belakang
Pendidikan adalah pembelajaran, pengetahuan, keterampilan dan kebiasaan sekelompok orang yang diturunkan dari satu generasi ke generasi berikutnya melalui pengajaran, pelatihan atau penelitian (Badarudin, 2009). Pendidikan merupakan salah satu aspek terpenting bagi pembangunan bangsa. Hampir semua bangsa menempatkan pembangunan pendidikan sebagai prioritas utama. Sumber daya manusia bermutu yang ditandai dengan kulaitas pendidikan adalah kuni keberhasilan pembangunan suatu negara. Pendidikan telah mempertimbangkan kesepakatan!kesepakatan internasional seperti pendidikan untuk semua ( Education For All ), "on#ensi Hak $nak (Convention on The Right of Child ) dan Millenium Development Goals (%&'s) serta World Summit on Sustainable Development yang seara jelas menekankan pentingnya pendidikan sebagai salah satu ara untuk penanggulangan kemiskinan, peningkatan keadilan dan kesejahteraan gender, pemahaman nilai!nilai budaya dan multikulturalisme serta peningkatan keadilan sosial (Burhanudin, 2009). ndang!ndang omor 20 *ahun 200+ tentang Sistem Pendidikan asional, menjamin hak atas pendidikan dasar- bagi arga negara /ndonesia yang berusia !1 tahun. Salah satu upaya untuk meningkatkan tara3 pendidikan penduduk /ndonesia dengan menyelesaikan Program 4ajib Belajar Pendidikan &asar 9 *ahun namun, kenyataannya angka putus sekolah masih tinggi. $ngka putus sekolah terutama akibat persoalan ekonomi. ntuk melakukan penuntasan ajib belajar 9 tahun diperlukan pemahaman tentang penyebab dari anak putus sekolah itu sendiri agar dapat dilakukan penegahan dan penanggulangan yang tepat dan akurat ($ristin, 2010). 5aa *imur adalah pro#insi dengan jumlah penduduk terbanyak kedua setelah 5aa Barat. Berdasarkan data hasil proyeksi BPS jumlah penduduk 5aa *imur sebesar +.67.68 jia dengan jumlah penduduk terbanyak ada di "ota Surabaya (2.891.+7 jia) dan "abupaten %alang (2.672.09 jia) sedangkan jumlah penduduk paling sedikit di "ota %adiun (119.+28 jia) dan "ota Blitar (129.++6 jia). ntuk mengetahui 3aktor!3aktor apa saja yang berpengaruh
terhadap angka putus sekolah bagi anak usia ajib belajar di 5aa *imur dapat didekati dengan menggunakan regresi poisson hal ini dikarenakan jumlah putus sekolah merupakan data diskrit. egresi Poisson menggunakan #ariabel respon yang yang berupa #ariabel numerik diskrit dan berdistribusi Poisson. 5ika suatu #ariabel random mempunyai tipe diskrit dan menyatakan banyaknya kejadian dalam inter#al tertentu (aktu, area dan lain!lain), maka #ariabel random tersebut berdistribusi Poisson (Hogg dan :raig, 190).
1.2
Rumusan Masalah
Berdasarkan latar belakang maka dapat dirumuskan masalah yang akan diteliti dalam penelitian ini adalah sebagai berikut. 1.
Bagaimana karakteristik angka putus sekolah di 5aa *imur tahun 2009;
2.
Bagaimana pemodelan angka putus sekolah bagi anak usia ajib belajar di 5aa *imur dengan pendekatan regresi Poisson;
1.3
Tujuan Peneltan
Berdasarkan rumusan masalah di atas, maka tujuan dalam penelitian ini adalah sebagai berikut. 1.
%engkaji karakteristik angka putus sekolah bagi anak usia ajib belajar di 5aa *imur tahun 2009.
2.
%emodelkan angka putus sekolah bagi anak usia ajib belajar di 5aa *imur dengan pendekatan regresi Poisson.
1.!
Man"aat Peneltan
%an3aat yang diperoleh dari penelitian ini adalah memberikan masukan kepada Pemerintah 5aa *imur dalam menyusun kebijakan pendidikan sehingga diharapkan dapat menurunkan angka putus sekolah tingkat S& dan S%P
1.#
Batasan Masalah
Pada penelitian ini masalah hanya dibatasi pada angka putus sekolah yang berada di setiap "abupaten<"ota di Pro#insi 5aa *imur pada tahun 2009.
4A4 II LANDA0AN T2ORI *'& 0tatistika Deskriptif
Pengertian statistika deskripti3 adalah metode statistika yang digunakan untuk menggambarkan atau mendeskripsikan data yang telah dikumpulkan menjadi sebuah in3ormasi' *'&'&
Mean
%ean adalah rata!rata dari beberapa buah data, nilai mean dapat membagi jumlah data dengan banyaknya data (4alpole, 199). %ean data tunggal merupakan jumlah nilai data dibagi dengan banyaknya data. %ean dirumuskan sebagai berikut= ntuk data tunggal n
´= X
x ∑ =
i
(2.1)
i 1
n
"eterangan ´ X >ata!rata
n > banyaknya data x i=¿
data ke i
ntuk data kelompok n
x f ∑ = ´= X ∑ f i
i
i 1
i
"eterangan ´ X >ata!rata n
∑ f
> jumlah seluruh 3rekuensi
x i=¿
data ke i
i
i
(2.2)
*'&'* Meian
%edian adalah nilai tengah dari segugus data yang telah diurutkan mulai yang terkeil sampai terbesar atau terbesar sampai terkeil. &engan kata lain median adalah nilai yang tepat di tengah jika banyaknya data ganjil atau rata!rata dari dua nilai yang berada di tengah jika banyaknya data genap.
{
xn +1 2
jika n ganjil
Q2= x n x n+ 1 +
2
2 2
jika n genap
}
(2.+)
*'&') Mous
%odus adalah nilai yang paling sering terjadi atau yang mempunyai 3rekuensi paling tinggi. ntuk data tunggal nilai modus diambil dari nilai yang paling sering munul
Mo =Tb + i
( ) d1
d 1+ d 2
(2.6)
*'&'7 8ariansi
?ariansi adalah suatu besaran yang mengukur besarnya ragam data. Semakin besar ragam data maka nilai #ariansi semakin besar demikian sebaliknya. &alam dunia industi, #arians disebut juga ukuran presisi dan rata!rata sebagai akurasi proses. umus yang digunakan untuk menghitung #ariansi adalah n
´ ) ( X − X ∑ = i
2
S= S2 >#ariansi n > banyaknya data
i =¿ x ¿ nilai data ke!i ´ =¿ X rata!rata
*'* Regresi Poisson
i 1
n− 1
(2.)
4A4 III M2TODOLO/I P2N2LITIAN
)'& 0u$ber Data
&ata yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari dinas pendidikan 5aa *imur sedangkan #ariabel prediktornya adalah data sekunder yang berasal dari hasil Sur#ei Sosial @konomi asional (SS@$S) pada tahun 2009. Pada penelitian kali ini yang dijadikan unit obser#asi adalah kabupaten
)'* 8aribel Penelitian
?ariabel yang akan diteliti dalam penelitian ini adalah untuk #ariabel responnya adalah jumlah kasus putus sekolah pada usia ajib belajar di setiap "abupaten<"ota di 5aa *imur pada tahun 2009 sedangkan #ariabel prediktornya adalah 3aktor!3aktor yang berhubungan dengan kasus putus sekolah. Tabel )'& /denti3ikasi ?ariabel
N Na$a 8ariabel o 1. A > $ngka putus sekolah S& dan S%P pada tiap kabupaten Presentase sekolah (S&<%/ dan S%P<%*s) terhadap sisa pada tiap kabupaten (sekolah (S&<%/ dan 2. S%P<%*s) terhadap sisa pada tiap kabupaten Presentase buta huru3 pada tiap kabupaten (buta +. huru3 pada tiap kabupaten Presentase rumah tangga yang memilki anak lebih dari dua orang pada tiap kabupaten (rumah tangga yang memilki anak lebih dari dua orang pada tiap 6. kabupaten Presentase laju pertumbuhan ekonomi pada tiap kabupaten (laju pertumbuhan ekonomi pada tiap . kabupaten Presentase guru (S&<%/ dan S%P<%*s) terhadap sisa pada tiap kabupaten (guru (S&<%/ dan S%P<%*s) terhadap sisa pada tiap kabupaten
Tipe 8ariabel
&iskrit
"ontinu
"ontinu
"ontinu
"ontinu
"ontinu
.
8.
9.
kabupaten Presentase penduduk miskin pada tiap kabupaten (penduduk miskin pada tiap kabupaten ata!rata lama sekolah penduduk usia 1 tahun keatas pada tiap kabupaten lama sekolah penduduk usia 1 tahun keatas pada tiap kabupaten *ingkat kesempatan kerja pada tiap kabupaten presentase angkatan kerja yang bekerja terhadap jumlah angkatan kerja > (angkatan kerja yang bekerja apda tiap kabupaten bekerja E menganggur
"ontinu
"ontinu
"ontinu
)') Langkah Analisis Berikut adalah langkah analisis yang digunakan dalam praktikum ini
1. %elakukan input data. 2. %elakukan analisis statistika deskripti3 +. %enaksir parameter model regresi poisson 6. %engeek apakah terjadi kasus multikolinearitas . %elakukan pengujian parameter model regresi poisson 7. %endapatkan model regresi poisson terbaik . %embuat kesimpulan dari hasil analisis dan pembahasan.
)'7 Diagra$ Alir
Berikut adalah diagram alir dari penelitian. Mulai Input Data Statistika Pemodelan regresi Deteksi Multikolinieritas Ya Tida A
A Melakukan uji Melakukan uji Pemodelan regresi Kesimpulan /a$bar )'& &iagram $lir
4A4 I8 ANALI0I0 DAN P2M4A3A0AN 7'& Analisis #u$lah Angka Putus 0ekolah 0D an 0MP i #a!a Ti$ur
Pada penelitian kali ini akan dipaparkan mengenai statistika deskripti3 dari 3aktor!3aktor yang diduga berpengaruh terhadap jumlah angka putus sekolah S& dan S%P di 5aa *imur. Tabel 7'& Statistika &eskripti3
?ariabel
%inimum
%aFimum
%ean
Std. &e#iation
y
38
9,00
1120,00
306,7368
280,06917
x1
38
,36
1,62
,7558
,27388
x2
38
,10
12,98
2,2274
2,65364
x3
38
23,69
52,41
36,8826
5,67262
x4
38
4,07
10,02
5,0658
,96758
x5
38
4,03
8,86
6,1105
1,20069
x6
38
4,81
31,94
15,9632
6,92648
x7
38
4,19
9,38
7,2684
1,28491
x8
38
88,73
98,68
94,6668
2,62681
Berdasarkan tabel 6.1 dapat diketahui baha rata!rata angka putus sekolah bagi anak usia ajib belajar tiap kabupaten
sekolah penduduk usia 1 tahun keatas pada tiap kabupaten
/a$bar 7'& 5umlah angka putus sekolah
Berdasarkan gambar 6.1 dapat diketahui baha angka putus sekolah paling banyak terdapat di "abupaten Sampang yaitu sebesar 1120 kasus, dan paling sedikit terdapat di "ota %adiun yaitu sebesar 9 kasus.
7'* Pe$oelan Regresi Poisson
Berikut adalah hasil pemodelan regresi poisson dengan #ariabel respon adalah y (angka putus sekolah tiap kabupaten
DF 8 1 1 1 1 1 1 1 1 2& '$
Adj Dev 512!22 $&!&$ "&!5" 1!'& 2'&!5 &""!$2 128!&" '##!8 '!"8 '22#!51 8'##!$'
Model Su++ar, Deviance Deviance R-Sq R-Sqadj. "1!'"0 "1!2"0
Adj Mean "#!2$ $&!&"8 "&!55& 1!'8$ 2'&!#&" &""!$15 128!&"' '##!85 '!"8# 111!1&
A/C '51'!##
Chi-Square 512!22 $&!&$ "&!5" 1!'& 2'&!5 &""!$2 128!&" '##!8 '!"8
P-Value ! ! ! !2'& ! ! ! ! !55
Coeicien*s )er+ Coe Cons*an* 1#!8& %1 !$$' %2 -!#&2" %' !1&8 %# -!182$ %5 -!'"8$ %" -!'"2& %$ -!55'" %8 -!222
S( Coe 1!2& !$8$ !5&# !1"& !1'2 !12' !'22 !2&$ !11"
V/F #!'' 5!8# 1!8' 1!25 2!25 "!" 1"!"" $!18
Berdasarkan tabel 6.2 dapat diketahui baha pada model terdapat kasus multikolinearitas hal ini ditunjukkan dengan nilai ?/G10 dimana pada #ariabel sebesar 17,77. &ikarenakan terdapat kasus multikolinearitas maka #ariabel dikeluarkan dari model dan didapatkan hasil Tabel 7') Penaksir parameter model regresi poisson untuk #ariabel prediktor Source Regression %1 %2 %' %# %5 %" %8 (rror )o*al
DF Adj Dev Adj Mean $ #$$5!#1 "82!2 1 2!& 2!& 1 !#' !#' 1 18!55 18!55 1 22#!8 22#!8 1 11'&!"5 11'&!"5 1 1!1# 1!1# 1 5#"!2" 5#"!2" ' '5"&!'2 118!&8 '$ 8'##!$'
Chi-Square #$$5!#1 2!& !#' 18!55 22#!8 11'&!"5 1!1# 5#"!2"
P-Value ! ! !51# ! ! ! !285 !
Model Su++ar, Deviance Deviance R-Sq R-Sqadj. A/C 5$!2'0 5$!1#0 '85"!2# Coeicien*s )er+ Coe Cons*an* -"!2& %1 !'5'& %2 !'# %' !$11 %# -!18'" %5 -!'&$ %" -!28& %8 !15#1&
S( Coe !"'' !$8& !521 !1"" !1'$ !122 !2$1 !"$1
V/F #!#" #!"$ 1!$# 1!2" 2!2# #!8 2!5'
Berdasarkan tabel 6.+ dapat diketahui baha tidak terdapat kasus multikolinearitas, hal ini ditunjukkan oleh nilai ?/G semua #ariabel prediktor bernilai kurang dari 10. Setelah kasus multikolinearitas teratasi langkah selanjutnya addalah mengetahui #ariabel yang berpengaruh signi3ikan terhadap model. Berdasarkan tabel 6.+ dapat diketahui #ariabel yang berpengaruh signi3ikan terhadap model yaitu dengan melihat nilai nilai pvalue kurang dari
α
(0,0) yaitu #ariabel 1, +, 6, , dan 8 sedangkan parameter yang memiliki
nilai pvalue lebih besar dari
α
adalah #ariabel 2 dan 7 dengan nilai pvalue
masing!masing sebesar 0,16 dan 0,28, sehingga #ariabel 2 dan 7 dikeluarkan dari model dan didapatkan hasil Tabel 7'7 Penaksir parameter model regresi poisson untuk #ariabel prediktor Source Regression %1 %' %# %5 %8 (rror )o*al
DF 5 1 1 1 1 1 '2 '$
Adj Dev #$$#!1" '!"8 22!"# 2#"!&" 2"'!"# 5&"!' '5$!5$ 8'##!$'
Model Su++ar, Deviance Deviance R-Sq R-Sqadj. 5$!210 5$!150 Coeicien*s )er+ Coe Cons*an* -"!18# %1 !'21& %' !"8 %# -!185 %5 -!'&"5# %8 !15'&2
Adj Mean &5#!8' '!"8 22!"# 2#"!&" 2"'!"# 5&"!' 111!58
Chi-Square #$$#!1" '!"8 22!"# 2#"!&" 2"'!"# 5&"!'
P-Value ! ! ! ! ! !
A/C '85'!5
S( Coe !"15 !5$" !1#' !1'2 !8&& !"#"
V/F 2!'$ 1!2& 1!18 1!21 2!'#
Berdasarkan tabel 6.6 setelah #ariabel 2 dan 7 dikeluarkan dari model didapatkan hasil baha seluruh #ariabel tersebut berpengaruh karena memiliki nilai pvalue kurang dari α (0,0). 7') Pengu"ian 0ignifikansi Para$eter $gar didapatkan estimasi yang sesuai maka diperlukan pengujian
signi3ikansi parameter seara serentak dan parsial. 7')'& Pengu"ian 0ignifikansi Para$eter se9ara 0erentak Iangkah pengujian signi3ikansi parameter seara serentak adalah sebagai berikut. Hipotesis=
β 1
=
β +
=
β 6
=
β 2
=
β 8
=
0
β !
≠
H0 = 0
H1= Paling sedikit ada satu
J dimana j > 1,+,6,,8
*ara3 Signi3ikan = K > 0.0 2 χ hitung
&aerah "ritis = H0 ditolak jika
2
χ tabel
Tabel 7'6 ilai statistik uji pengujian serentak )es*
DF
(s*i+a*e
Mean
Chi-Square
P-Value
Deviance Pearson
'2 '2
'5$!5$25" '8''!&58
111!58'& 11&!$8#8
'5$!5$ '8''!&
! !
Berdasarkan tabel 6. didapatkan nilai statistik uji (de#iane) sebesar +0, dengan menggunakan K > 0.0 didapatkan nilai statistik tabel 66,98 maka didapatkan keputusan tolak H0, yang berarti baha #ariabel prediktor berpengaruh terhadap model. ntuk mengetahui #ariabel prediktor mana yang berpengaruh maka pengujian dilanjutkan pada pengujian parameter seara parsial. 7')'* Pengu"ian 0ignifikansi Para$eter se9ara Parsial Pengujian signi3ikansi parameter seara Parsial digunakan untuk mengetahui parameter mana yang berpengaruh pada model, langkah pengujian parsial adalah sebagai berikut. Hipotesis=
β !
=0
H0 =
(pengaruh #ariabel ke!j tidak signi3ikan)
β !
≠0
H1 =
(pengaruh #ariabel ke!j t signi3ikan)
*ara3 Signi3ikan = K > 0.0 &aerah "ritis = H0 ditolak jika "#alue L K Tabel 7'. ilai statistik uji pengujian parsial Source Regression %1 %' %# %5 %8
DF 5 1 1 1 1 1
Adj Dev #$$#!1" '!"8 22!"# 2#"!&" 2"'!"# 5&"!'
Berdasarkan
tabel
mempunyai nilai pvalue L
Adj Mean &5#!8' '!"8 22!"# 2#"!&" 2"'!"# 5&"!'
6.7 α
Chi-Square #$$#!1" '!"8 22!"# 2#"!&" 2"'!"# 5&"!'
P-Value ! ! ! ! ! !
didapatkan hasil
baha
semua
parameter
(0.0), maka didapatkan keputusan tolak H 0, yang
β 8 β 1 β + β 6 β 2 berarti baha untuk semua parameter , , , , dan telah signi3ikan
berpengaruh pada model. 7'7 Moel Regresi Poisson Setelah didapatkan hasil pada pengujian parameter seara serentak dan
parsial #ariabel yang signi3ikan berpengaruh pada model dengan maka model terbaik untuk regresi poisson yaitu sebagai berikut.
α
sebesar D,
−6,184 +0,3219 X 1 + 0,0068 X 3− 0,185 X 4−0,39654 X 5+ 0,15392 X 8 μ= exp ¿ ^
?ariabel yang berpengaruh terhadap jumlah putus sekolah bagi anak usia ajib belajar di 5aa *imur pada model regresi poisson yaitu presentase jumlah sekolah terhadap jumlah sisa ( 1), presentase rumah tangga yang memiliki anak lebih dari dua orang pada tiap kabupaten
4A4 8 K20IMPULAN DAN 0ARAN 6'& Kesi$pulan
Berdasarkan analisis dan pembahasan yang telah dilakukan, maka didapatkan kesimpulan sebagai berikut. 1. ata!rata angka putus sekolah bagi anak usia ajib belajar tiap kabupaten
sebesar D,
α
β 8 β 1 β + β 6 β 2 adalah semua parameter , , , , dan . . %odel terbaik untuk regresi poisson yang didapatkan adalah −6,184 + 0,3219 X 1 + 0,0068 X 3 −0,185 X 4 −0,39654 X 5 + 0,15392 X 8
μ =exp ¿ ^
6'* 0aran
DA1TAR PU0TAKA 4ulandari, S. P, %utiah S. dan &estri S. (2009). Di$tat "enga!aran Analisa Data %ualitatif& Surabaya= 5urusan Statistika, G%/P$, /nstitut *eknologi Sepuluh opember.
LAMPIRAN La$piran &. &ata 5umlah $nak Putus Sekolah dan ?ariabel!?ariabel yang
%empengaruhi di 5aa *imur No ' 1
Kota:Kabupate n "ota Surabaya
5
;&
;*
;)
;7
;6
;.
;<
;=
288
0,+7
0,8
++,79
,01
,1
7,2
9,+
91,+
2
"ota %alang
2+2
0,6
0,79
+9,8
,0+
,66
,8
9,+8
89,7
+
"ota %adiun
9
0,+8
0,+
+9,
7,9
,7
9,+8
88,+
6
"ota "ediri
106
0,68
0,
62,8
6,6+
7,1
9,18
91,78
"ota %ojokerto
6+
0,62
0,17
+9,16
,06
7,6+
,9+ 10,6 1 ,19
8,96
90,
7
"ota Blitar "ota Pasuruan
+ 2
0,61 0,+9
0,17 0,1
+7,99 62,22
,++ ,02
7,96 ,7
8,92 8,6
91,+ 92,6+
8
"ota Probolinggo
108
0,
1,+2
+2,77
6,+9
,++
8,2
91,6
9
"ota Batu
107
0,67
0,1
++,8+
,69
8,6
9+,12
10
'resik
198
0,99
0,66
+,
,7
,2
8
92,99
11
Sidoarjo
98
0,67
0,2+
+7,08
6,6
,61
9,28
89,81
12
%ojokerto
9+
0,81
0,1
+2,9
,0+
7,87
,7
96,67
1+
5ombong
+78
0,81
0,+2
+9,+6
,02
,6
,8
9+,81
16
Bojonegoro
296
0,91
2,6
+6,16
10,0 2
,08
7,+
9,68
1
*uban
+21
0,
2,+1
++,1
,+
,19
7,27
9,8
17
Iamongan
11
1,29
1,7
+8,1
,28
,77
7,98
9,08
1
%adiun
92
0,8+
0,9
+8,09
6,67
8,2
,6+
9+,97
18
gai
102
0,
+,2+
+,
,0+
7,22
7,+
9,1
19
%agetan
170
0,92
0,8
+8,2
,08
,1
,+
97,18
20
Ponogoro
217
0,82
1,2
+9,68
6,+9
7,6
7,+
97,
21
Paitan
128
0,92
0,17
+,29
6,6
,61
7,69
98,78
22
"ediri
67
0,7+
1,++
61,66
6,2
,6
,2+
96,9
2+
ganjuk
12
0,78
1,88
+9,18
,6
,8
,28
97,02
26
Blitar
2
0,8
0,2
60,8
,11
,92
,18
9
,7 9,+6 21,0 7 6,81 19,1 6 7,91 1+,2 6 16,6 7 21,2 2+,0 1 20,6 17,9 19,0 1 1+,9 16,7 + 19,0 1 1,0 1,2 2 1+,1 9
No ' 2
Kota:Kabupate n *ulungagung
5
;&
;*
;)
;7
;6
;.
;<
;=
8
0,2
0,96
+
,0
7,8
,82
9,67
27
*renggalek
17
0,8
0,
60,6+
6,+
,0
7,91
97,09
2
%alang
807
0,78
1,2+
60,+7
6,6
,1
7,8
9+,7
28
Pasuruan
+22
0,
2,7
+7,96
,+6
6,0+
7,9
96,9
29
Probolinggo
1
1,12
7,+7
+0,6
,16
6,8
,99
9,6
+0
Iumajang
8+6
0,
+,66
+1,0
,08
,
,88
9,7
+1
Bondooso
219
0,91
7,22
2+,79
,01
,29
,7
9,12
+2
Situbondo
299
0,9
7,66
27,87
,0+
8,26
7,+
9,2
++
5ember
990
0,71
+,8
+6,61
6,67
7,81
9,8
+6
Banyuangi
609
0,79
2,2
+7,17
,0
6,77
7,7
9,9
+
Pamekasan
676
1,0+
2,17
+9,01
,0
,9
,86
9,82
+7
Sampang
1120
1,1
12,9 8
2,61
6,21
6,+8
6,19
98,+
+
Sumenep
608
1,72
6,7
26,87
6,0
8,87
,91
9,+
+8
Bangkalan
77+
0,76
,21
0,91
6,
6,8
10,7 18,2 1+, 1, 8 2,7 9 1,8 + 20,1 8 1,9 9 1,6 + 12,1 7 26,+ 2 +1,9 6 27,8 9 +0,6
,19
96,99
La$piran *. Statistika &eskripti3 data Descriptive Statistics
N
Minimum
Maximum
Mean
Std. Deviation
y
38
9,00
1120,00
306,7368
280,06917
x1
38
,36
1,62
,7558
,27388
x2
38
,10
12,98
2,2274
2,65364
x3
38
23,69
52,41
36,8826
5,67262
x4
38
4,07
10,02
5,0658
,96758
x5
38
4,03
8,86
6,1105
1,20069
x6
38
4,81
31,94
15,9632
6,92648
x7
38
4,19
9,38
7,2684
1,28491
x8
38
88,73
98,68
94,6668
2,62681
Valid N li!t"i!e#
38
La$piran ). Statistika &eskripti3 data M) 3 46M7
SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3 SC3
9odeaul*7 Poisson7 6og7 Res:onse ;<;7 )er+s %1 %2 %' %# %5 %" %$ %87 Cons*an*7 Con*inuous ;%1; - ;%8;7 4F=RPAC>7 )Me*hod7 )Deviance7 )Su++ar,7 )Coeicien*s7 )(qua*ion7 )4oodness7 )Diagnos*ics 7 ns*andardi?ed@
P$ss$n Regress$n Anal%ss& ' (ersus )1* )2* )3* )!* )#* )+* ),* )Me*hod 6in unc*ion RoBs used Deviance )ale Source DF Regression 8 %1 1 %2 1 %' 1 %# 1 %5 1 %" 1 %$ 1 %8 1 (rror 2& )o*al '$
9a*ural log '8
Adj Dev 512!22 $&!&$ "&!5" 1!'& 2'&!5 &""!$2 128!&" '##!8 '!"8 '22#!51 8'##!$'
Model Su++ar, Deviance Deviance R-Sq R-Sqadj. "1!'"0 "1!2"0 Coeicien*s )er+ Coe Cons*an* 1#!8& %1 !$$' %2 -!#&2" %' !1&8 %# -!182$ %5 -!'"8$ %" -!'"2& %$ -!55'" %8 -!222
Adj Mean "#!2$ $&!&"8 "&!55& 1!'8$ 2'&!#&" &""!$15 128!&"' '##!85 '!"8# 111!1&
Chi-Square 512!22 $&!&$ "&!5" 1!'& 2'&!5 &""!$2 128!&" '##!8 '!"8
P-Value ! ! ! !2'& ! ! ! ! !55
A/C '51'!##
S( Coe 1!2& !$8$ !5&# !1"& !1'2 !12' !'22 !2&$ !11"
V/F #!'' 5!8# 1!8' 1!25 2!25 "!" 1"!"" $!18
Regression (qua*ion < eE:<;. <; 1#!8& !$$' %1 - !#&2" %2 !1&8 %' - !182$ %# - !'"8$ %5 - !'"2& %"- !55'" %$ - !222 %8 4oodness-o-Fi* )es*s )es* DF (s*i+a*e Deviance 2& '22#!51#21 Pearson 2& ''#5!1$"8
Mean 111!1&15 115!'#5##
Chi-Square '22#!51 ''#5!2
Fi*s and Diagnos*ics or nusual =serva*ions =s < Fi* Resid S*d Resid
P-Value ! !
1 288! 12!5 2 2'2! 1'5!# ' &! #1!2 5 #'! 11#!5 " '5! 8$!1 $ 2$! 1"'!5 8 18! 1$#!" & 1"! 225!" 11 &8! 1"1! 12 &'! 1$$!$ 1' '"8! 25#! 1# 2&#! 1&'!# 15 '21! #2#!5 1" 151! 1&$!& 1$ &2! 128!2 18 12! '#2!1 2 21"! '8$!5 21 128! 2"5!& 22 $#"! '#1!5 2' 152! 22#!& 2# 25$! 1"'!8 25 8$! 1"8!8 2" 15"! 2'&!' 2$ 8"! #82!" 28 '22! 55&!$ 2& 551! 51#!" ' 8'#! 521!1 '1 21&! 5"1!2 '2 2&&! 1"!# '' &&! #88!" '# #&! "18!# '" 112! 12'8!" '$ #8! 228!5 '8 ""'! 5&1!5 R 6arge residual % nusual %
12!& $!5 -"!1 -$!$ -"!# -1'!' -5!# -8!& -5!# -$! "!$ "!$ -5!' -'!5 -'!# -15!' -&!5 -&!# 18!& -5!2 "!$ -"!& -5!8 1'!# -1!& 1!" 12!" -1"!5 &!8 1&!& -&! -'!# 1!$ 2!&
1'!$$ 8!11 -"!5' -8!2 -"!"2 -1'!&2 -"!2& -&!## -5!8' -$!15 $!8 1#!$& -5!88 -'!&& -'!55 -1"!18 -1!'# -1!&# 2!28 -5!58 $!2& -$!25 -"!& 1$!'8 -12!5 2!8 1#!$2 -22!25 11!"& 21!$' -1!"" -1!&& 1#!5" #!$&
R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R R
%
%
La$piran 7. Statistika &eskripti3 data M) 3 46M7 SC3 9odeaul*7 SC3 Poisson7 SC3 6og7 SC3 Res:onse ;<;7 SC3 )er+s %1 %2 %' %# %5 %" %87 SC3 Cons*an*7 SC3 Con*inuous ;%1; ;%2; ;%'; ;%#; ;%5; ;%"; ;%8;7 SC3 )Me*hod7 SC3 )Deviance7 SC3 )Su++ar,7 SC3 )Coeicien*s7 SC3 )(qua*ion7 SC3 )4oodness7 SC3 )Diagnos*ics 7 SC3 ns*andardi?ed@
P$ss$n Regress$n Anal%ss& ' (ersus )1* )2* )3* )!* )#* )+* )Me*hod 6in unc*ion RoBs used Deviance )ale Source DF Regression $
9a*ural log '8
Adj Dev #$$5!#1
Adj Mean "82!2
Chi-Square #$$5!#1
P-Value !
%1 %2 %' %# %5 %" %8 (rror )o*al
1 1 1 1 1 1 1 ' '$
2!& !#' 18!55 22#!8 11'&!"5 1!1# 5#"!2" '5"&!'2 8'##!$'
Model Su++ar, Deviance Deviance R-Sq R-Sqadj. 5$!2'0 5$!1#0 Coeicien*s )er+ Coe Cons*an* -"!2& %1 !'5'& %2 !'# %' !$11 %# -!18'" %5 -!'&$ %" -!28& %8 !15#1&
2!& !#' 18!55 22#!8 11'&!"5 1!1# 5#"!2" 118!&8
2!& !#' 18!55 22#!8 11'&!"5 1!1# 5#"!2"
! !51# ! ! ! !285 !
A/C '85"!2#
S( Coe !"'' !$8& !521 !1"" !1'$ !122 !2$1 !"$1
V/F #!#" #!"$ 1!$# 1!2" 2!2# #!8 2!5'
Regression (qua*ion < eE:<;. <; -"!2& !'5'& %1 !'# %2 !$11 %' - !18'" %# - !'&$ %5 - !28& %" !15#1& %8
4oodness-o-Fi* )es*s )es* DF (s*i+a*e Deviance ' '5"&!'188" Pearson ' '82"!"#$8' Fi*s and Diagnos*ics =s < Fi* 1 288! 1"$!8 2 2'2! 1'8! ' &! '#! # 1#! 1""!8 5 #'! 11!# " '5! &5!' $ 2$! 1&"!& 8 18! 21!" & 1"! 2'!$ 11 &8! 15&!2 12 &'! 1$&!& 1' '"8! 2"5!2 1# 2&#! 1$5!" 15 '21! '8$!' 1$ &2! 112!5 18 12! 2$2!# 1& 1"! 1&'!8 2 21"! '''!" 21 128! '2!# 22 $#"! '8'!2 2' 152! '1'!8 2# 25$! 18"!2 25 8$! 2"! 2" 15"! 251!1 2$ 8"! '$!' 28 '22! 5"!'
Mean 118!&$$' 12$!55#&'
Chi-Square '5"&!'2 '82"!"5
or nusual =serva*ions Resid S*d Resid 8!# 8!8$ R $!' $!8' R -5!1 -5!'& R -5!2 -5!#" R -$!' -$!"# R -$!1 -$!# R -15!2 -15!&# R -$!8 -&!1" R -&!2 -&!$$ R -5!2 -5!"$ R -$!1 -$!'1 R "! "!'' R 8!1 1$!1# R % -'!5 -'!8' R -2! -2!8 R -11!& -12!18 R -2!5 -2!"2 R -"!& -$!'1 R -12!2 -1#!25 R 1"!# 1$!58 R -1!2 -1!"" R #!& 5!'2 R -&!# -&!$2 R -"!5 -"!8' R 2'!" 2#!8' R -11! -12!58 R
P-Value ! !
2& 551! "$&!" ' 8'#! ##2!& '1 21&! #&2!' '2 2&&! 1$"!5 '' &&! 52$!" '# #&! 5''!' '" 112! 12&"!2 '$ #8! 1&"!& '8 ""'! #&#! R 6arge residual % nusual %
-5!1 1"!5 -1'!8 8!# 1$!& -5!" -5! 1'!1 $!2
-"!'& 18!5' -1$!"1 1!2# 1&!"8 -"!#' -15!85 1$!1# 1!$1
R R R R R R R R R
%
La$piran 6. Statistika &eskripti3 data M) 3 46M7 SC3 9odeaul*7 SC3 Poisson7 SC3 6og7 SC3 Res:onse ;<;7 SC3 )er+s %1 %' %# %5 %87 SC3 Cons*an*7 SC3 Con*inuous ;%1; ;%'; ;%#; ;%5; ;%8;7 SC3 )Me*hod7 SC3 )Deviance7 SC3 )Su++ar,7 SC3 )Coeicien*s7 SC3 )(qua*ion7 SC3 )4oodness7 SC3 )Diagnos*ics 7 SC3 ns*andardi?ed@
P$ss$n Regress$n Anal%ss& ' (ersus )1* )3* )!* )#* )Me*hod 6in unc*ion RoBs used Deviance )ale Source DF Regression 5 %1 1 %' 1 %# 1 %5 1 %8 1 (rror '2 )o*al '$
9a*ural log '8
Adj Dev #$$#!1" '!"8 22!"# 2#"!&" 2"'!"# 5&"!' '5$!5$ 8'##!$'
Model Su++ar, Deviance Deviance R-Sq R-Sqadj. 5$!210 5$!150 Coeicien*s )er+ Coe Cons*an* -"!18# %1 !'21& %' !"8 %# -!185 %5 -!'&"5# %8 !15'&2
Adj Mean &5#!8' '!"8 22!"# 2#"!&" 2"'!"# 5&"!' 111!58
Chi-Square #$$#!1" '!"8 22!"# 2#"!&" 2"'!"# 5&"!'
P-Value ! ! ! ! ! !
A/C '85'!5
S( Coe !"15 !5$" !1#' !1'2 !8&& !"#"
V/F 2!'$ 1!2& 1!18 1!21 2!'#
Regression (qua*ion < eE:<;. <; -"!18# !'21& %1 !"8 %' - !185 %# - !'&"5# %5 !15'&2 %8
4oodness-o-Fi* )es*s )es* DF (s*i+a*e Deviance '2 '5$!5$25" Pearson '2 '8''!&58 Fi*s and Diagnos*ics =s < Fi* 1 288! 1""!2 2 2'2! 1'"!1 ' &! ''!5 # 1#! 1""!' 5 #'! 1&!5 " '5! &#!$ $ 2$! 1&"!2 8 18! 21"! & 1"! 22$!2 11 &8! 15$!8 12 &'! 1$&!# 1' '"8! 2"#!& 1# 2&#! 1$5!& 15 '21! '&#!$ 1$ &2! 11'!1 18 12! 2$'!" 1& 1"! 1&2!' 2 21"! ''1!8 21 128! '2'!$ 22 $#"! '8"!5 2' 152! '15!2 2# 25$! 18#!$ 25 8$! 2'!8 2" 15"! 25'!# 2$ 8"! '"!" 28 '22! 558!' 2& 551! "8#!& ' 8'#! ##!8 '1 21&! #&!2 '2 2&&! 1$'!2 '' &&! 525!& '# #&! 52$!1 '" 112! 128#!1 '$ #8! 1&$! '8 ""'! 55!$ R 6arge residual % nusual %
Mean 111!58'& 11&!$8#8
Chi-Square '5$!5$ '8''!&
or nusual =serva*ions Resid S*d Resid 8!5 8!& R $!5 $!&1 R -5! -5!22 R -5!2 -5!#2 R -$!' -$!5 R -$! -$!25 R -15!2 -15!8$ R -8!1 -8!8 R -&! -&!' R -5!1 -5!52 R -$!1 -$!2$ R "! "!1$ R 8!1 1"!$1 R % -'!8 -'!&$ R -2!1 -2!1' R -11!& -12!12 R -2!# -2!#& R -"!8 -$!$ R -12!# -1'!&' R 1"!2 1"!&' R -1!2 -1!$ R 5! 5!'& R -&!2 -&!#& R -"!" -"!8& R 2'!" 2#!5 R -1!& -11!&1 R -5!' -"!#$ R 1"!" 18!52 R -1'!8 -1"!2' R 8!$ &!2$ R 18! 1&!$2 R -5!# -5!"8 R -#!$ -&!"5 R % 1'!1 1$!8 R "!$ $!5 R
P-Value ! !
