PEMODELAN SPASIAL INDEKS PEMBANGUNAN MANUSIA DI RIAU DENGAN PENDEKATAN GAMMA–INLA DAN GLM GAMMA
Abstract
Penelitian ini menganalisis faktor-faktor apa saja yang dapat memengaruhi Indeks Pembangunan Manusia (IPM) di Provinsi Riau tahun 2024 dengan mempertimbangkan efek spasial antarwilayah. Tiga variabel bebas yang digunakan, yaitu Rata-rata Lama Sekolah (RLS), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Persentase Penduduk Miskin (PPM). Analisis ini dilakukan dengan menggunakan model Gamma–INLA dengan prior Besag ICAR, serta dibandingkan dengan model GLM Gamma. Hasil penelitian ini menunjukkan bahwa RLS berpengaruh positif signifikan, sedangkan PPM berpengaruh negatif signifikan terhadap IPM. Variabel TPAK tidak berpengaruh signifikan. Nilai DIC (64.749) dan WAIC (61.509) mengindikasikan bahwa model INLA memberikan hasil yang lebih baik dibandingkan GLM. Secara spasial, Pekanbaru dan Siak memiliki IPM di atas ekspektasi model, sedangkan Indragiri Hilir dan Kepulauan Meranti berada di bawah ekspektasi. Temuan ini menegaskan bahwa pendidikan dan kemiskinan merupakan faktor yang dominan dalam variasi indeks pembangunan manusia, sementara pendekatan spasial Gamma–INLA terbukti efektif dalam mengidentifikasi ketimpangan wilayah di Provinsi Riau.
References
Abdullah, A., & Wibowo, MG (2024). Pengaruh Indeks Pembangunan Manusia (IPM), ketimpangan dan konsumsi terhadap tingkat kemiskinan di seluruh provinsi di Indonesia. Jurnal Ilmu Ekonomi Terapan , 9(2), 257–269.
Cameron, A., & Trivedi, P. (2022). Mikroekonometrika: Metode dan Aplikasi. New York: Cambridge University Press.
Fichera, A., Lisi, G., & Marini, M. (2023). Heterogenitas spasial dan pembangunan manusia: Sebuah analisis regional. Ilmu Perencanaan Sosial Ekonomi , 89, 101660. https://doi.org/10.1016/j.seps.2023.101660
Gujarati, DN, & Porter, DC (2020). Ekonometrika Dasar (edisi ke-5). New York: McGraw-Hill.
Hair, JF, Black, WC, Babin, BJ, & Anderson, RE (2022). Analisis data multivariat (edisi ke-8).
Hardin, J., & Hilbe, J. (2023). Model linear tergeneralisasi dan perluasannya (edisi ke-4). College Station, TX: Stata Press.
Haseena, MTL, & Samosir, AF (2024). Kualitas pasar tenaga kerja dan dinamika kemiskinan di Indonesia: Meninjau kembali kesenjangan pembangunan manusia. Jurnal Ekonomi dan Kebijakan Pembangunan , 13(2), 181–198. https://doi.org/10.25077/jekp.v13i2.181-198.2024
Hidayat, F. (2022). Pengaruh kemiskinan, rasio gini, dan angka partisipasi sekolah terhadap Indeks Pembangunan Manusia di Indonesia tahun 2011–2020. Scaffolding: Jurnal Pendidikan Islam dan Multikulturalisme , 4(3), 920–937.
Kasih, SWA, & Santoso, E. (2024). Model determinan Indeks Pembangunan Manusia di Indonesia: Pendekatan spasial. Jurnal Akuntansi dan Ekonomi (JAE) , 9(2), 85–96. https://doi.org/10.29407/jae.v9i2.22356
Kurniawan, H., & Hartono, D. (2023). Analisis spasial Indeks Pembangunan Manusia dan kemiskinan di Indonesia. Jurnal Ekonomi dan Kebijakan Pembangunan , 10(1), 65–78.
Maulana, R., & Santoso, E. (2024). Pemodelan spasial Bayesian Indeks Pembangunan Manusia di Indonesia menggunakan INLA dengan prior ICAR. Jurnal Statistika dan Aplikasi , 8(2), 103–118. https://doi.org/10.25077/jsa.v8i2.103-118.2024
Meilawati, R., & Maulana, A. (2023). Analisis spasial pembangunan manusia di Sumatera: Bukti dari Provinsi Riau. Jurnal Ekonomi dan Pembangunan Daerah (JEPD) , 13(1), 55–68. https://doi.org/10.35794/jepd.v13i1.39872
Nuraini, EK, & Widodo, T. (2023). Pengelompokan kabupaten/kota berdasarkan Indeks Pembangunan Manusia Provinsi Jawa Timur. Jurnal Statistika dan Komputasi Indonesia , 9(2), 90–104.
Pahripi, MR (2025). Pengaruh Indeks Pembangunan Manusia (IPM), tingkat kemiskinan, dan belanja pendidikan terhadap pembangunan daerah. Edunity: Jurnal Pendidikan & Ilmu Sosial.
Prasetyo, RF, & Handayani, M. (2020). Analisis Indeks Pembangunan Manusia di Provinsi Jawa Timur. Jurnal Ekonomi dan Pembangunan Daerah , 15(1), 72–88.
Putra, DR, Wicaksono, NA, & Fitriani, L. (2024). Pemodelan Indeks Pembangunan Manusia menggunakan Generalized Linear Model (GLM) dengan distribusi Gamma di Indonesia. Jurnal Matematika dan Statistika Universitas Andalas , 9(2), 65–78. https://doi.org/10.25077/jmsua.9.2.65-78.2024
Putri, A., & Budiman, R. (2025). Analisis ketimpangan pembangunan manusia di Indonesia: Pendekatan spasial dan temporal. Jurnal Ekonomi Pembangunan , 30(1), 45–62. https://doi.org/10.xxxx/jep.v30i1.12345
Rahman, AH, & Lestari, S. (2023). Pengaruh kesehatan, pendidikan, dan angkatan kerja terhadap penduduk perkotaan. Jurnal Internasional Studi Sosial dan Pembangunan , 12(3), 101–118.
Safira, F., Valeriani, D., & Munir, M. (2024). Analisis dampak rasio ketergantungan, indeks pembangunan manusia, dan tingkat partisipasi angkatan kerja terhadap pertumbuhan ekonomi di Provinsi Kepulauan Bangka Belitung. Prosiding Atlantis Press/Conference Collection.
Sari, AP, & Rahmawati, N. (2023). Analisis spasial ketimpangan dan kemiskinan di Indonesia menggunakan Moran's I dan LISA. Jurnal Ekonomi dan Pembangunan Indonesia , 24(1), 37–52. https://doi.org/10.21002/jepi.v24i1.1502
Sari, YH, & Saputra, ML (2024). Implementasi model spasial Bayesian hirarki menggunakan struktur Besag ICAR pada analisis ketimpangan pembangunan. Jurnal Statistika dan Aplikasi , 8(3), 140–152. https://doi.org/10.15294/jsa.v8i3.48782
Setiawan, FH, & Widodo, T. (2025). Pemodelan Spasial Bayesian Indeks Pembangunan Manusia di Indonesia menggunakan Integrated Nested Laplace Approximation (INLA). Jurnal Statistika dan Komputasi Indonesia , 10(1), 115–128. https://doi.org/10.31102/jski.v10i1.52321
Setyaningrum, D. (2024). Pendidikan Berkualitas dan Indeks Pembangunan Manusia. Jurnal Internasional Kebijakan Ekonomi di Negara Berkembang , 20(3–4), 304–311. https://doi.org/10.1504/IJEPEE.2024.142467
Tsani, DPM, & Martha, S. (2024). Analisis faktor-faktor yang mempengaruhi Indeks Pembangunan Manusia di Pulau Kalimantan dengan Spatial Error Model. Forum Analisis Statistik , 4(2), 93–108.
Westerholt, R. (2023). Model spasial dan pembangunan manusia: Menelaah ketimpangan melalui ketergantungan spasial. Kebijakan & Praktik Sains Regional , 15(5), 1108–1124.
