Determinan angka partisipasi murni SMA/Sederajat KTI Tahun 2016 dengan metode GWR

Authors

  • Thandio Andrew Dewandoko Politeknik Statistika Sekolah Tinggi Ilmu Statistik
  • Yaya Setiadi Politeknik Statistika Sekolah Tinggi Ilmu Statistik

DOI:

https://doi.org/10.21831/pspmm.v1i0.36

Keywords:

APM, SMA, Spasial, GWR

Abstract

Rendahnya Angka Partisipasi Murni (APM) SMA/Sederajat menandai bahwa masih banyak murid usia 16-18 tahun yang tidak bersekolah tepat waktu, yaitu banyaknya anak-anak usia 16-18 tahun yang terlambat menempuh pendidikan pada jenjang yang telah ditetapkan oleh Pemerintah. Berdasarkan data Kementerian Pendidikan dan Kebudayaan (Kemdikbud) dan Kementerian Agama (Kemenag) Republik Indonesia, APM SMA/Sederajat di Kawasan Timur Indonesia (KTI) belum memenuhi target Rencana Strategis (Renstra) Kemdikbud periode 2015-2019. Tujuan dari penelitian ini adalah untuk menganalisis secara spasial determinan APM SMA/Sederajat di KTI tahun 2016. Dari hasil penelitian, terdapat indikasi adanya autokorelasi dan heterogenitas spasial. Metode Geographically Weighted Regression (GWR) merupakan salah satu metode analisis spasial yang dapat digunakan untuk mengatasi kedua hal tersebut. Hasil penelitian menunjukkan bahwa variabel persentase penduduk miskin signifikan berpengaruh terhadap APM SMA/Sederajat di 83 daerah, rasio murid sekolah di 68 daerah, rasio murid guru di 25 daerah, persentase KRT dengan pendidikan terakhir SMP/Sederajat signifikan di 38 daerah, persentase anak usia SMA/Sederajat yang bekerja di 55 daerah, dan rasio PDRB per kapita terhadap rata-rata nasional signifikan berpengaruh di 5 daerah. Hasil penelitian ini dapat digunakan khususnya oleh pemerintah KTI untuk merumuskan kebijakan yang tepat demi tercapainya target APM SMA/Sederajat di akhir tahun 2019.

References

Anselin, L. (1993). The Moran Scatterplot as and ESDA Tool to Assess Local Instability in Spatial Association. Research Paper 9330. Netherland.

Anselin, L. (2010). Perspectives on spatial Data Analysis. Springer.

Anselin, L., & Bera, A. (1998). Spatial Dependence in Linear Regression Models with an Introduction to Spatial Econometrics. Handbook of Applied Economic Statistics, 237-289. New York: Marcel Dekker.

Anselin, L. (1998). Spatial Econometrics: Methods and Models. Boston: Kluwer Academic.

Astuti, R. (2013). Aplikasi Model Regresi Spasial untuk Pemodelan Angka partisipasi Murni jenjang Pendidikan SMA Sederajat di Provinsi Jawa Tengah. Jurnal Gaussian, 2(4), 375-384.

Badan Pusat Statistik. (2016). Potret Pendidikan Indonesia Statistik Pendidikan 2016. Jakarta: BPS.

Bappenas. (2009). Evaluasi Pelaksanaan Program Wajib Belajar Pendidikan Dasar 9 Tahun. Jakarta.

Bappenas. (2010). Laporan Pencapaian Tujuan Pembangunan Milenium Indonesia. Jakarta: Bappenas.

Fotheringham, A., S., dkk (2002). Geographically Weighted Regression (the Analysing of Spatially Varrying Relationship). Chichester: John Wiley & Sons, Ltd.

Jarque, C. M. & Bera, A. K. (1987).A Test for Normality of Observations and Regression Residuals. International Statistical Review, 55(2), 163-172.

Kemenristekdikti. UU Nomor 20 Tahun 2003 Tentang Sistem Pendidikan Nasional. 12 April 2018. http://kelembagaan.ristekdikti.go.id/wp-content/uploads/2016/08/UU no 20 th 2003.pdf

Kementerian Pendidikan dan Kebudayaan. (2015). Rencana Strategis Kementerian Pendidikan dan Kebudayaan 2015-2019. Jakarta: Kemdikbud.

Zhang, L. (2008). Comparison of bandwidth selection in application of geographically weighted regression: A case study. Canadian Journal of Forest Research.

Downloads

Published

2019-03-13