Menentukan Faktor-Faktor yang Mempengaruhi Kemiskinan di Provinsi Aceh pada

Tahun 2017 Dengan Menggunakan Analisis Regresi Spasial

Sebra Damlif E1), Syafriandi2)

1)
Mahasiswa D3 Statistika
2)
Staf Pengajar Jurusan Matematika, FMIPA Universitas Negeri Padang
sebradamlife@gmail.com

ABSTRACT
Poverty is a problem that is of concern in every country in the world. Indonesia is one of the
country of in region East Asia and Pasific has the high poverty rate.The Indonesian goverment has a
target to reduce poverty rate by 7,0-8,0 percentage in 2019 but in September 2018 the poverty rate is
9.66 percentage that rate is still far from the target.Therefore, Study of factors poverty is important to
reduce poverty. Aceh is a province of Indonesia that has the 6th highest poverty rate in 2017. This
research is applied research. In this research the analysis used was spatial autoregressive regression
(SAR). Based on the resulth of the research, the following models of factor that influence poverty in
Aceh are obtained:
ŷ = −0.192Wy + 19.48 + 0.17X1 + 0.1009X2 − 0.078X4
The result of this experiment is 𝜌 coeffcient of 0.192 indicates that an increase in influence from
the are surrounding a district will reduce poverty, one percentage of people who do not graduate from
elementary school will increase poverty by 0.17, every increase one percentage people was working in
the agricultural sector will provide an increase in poverty of 0.1009, and every increase of one
percentage of poor households using decent water will reduce poverty rate by 0.078.

Keywords : Poverty, Spatial Autoregressive Regression, Lagrange Multiplier, Breush Pagan

his is an open access article distributed under the Creative Commons 4.0 Attribution License, which permits unrestricted use, distribution, and reproduction
in any medium, provided the original work is properly cited. ©2018 by author and Universitas Negeri Padang.

PENDAHULUAN makanan dan bukan makanan yang diukur dari

sisi pengeluaran perkapita perbulan. Sehingga,
A. Latar Belakang
garis kemiskinan yang diperoleh oleh BPS
Kemiskinan merupakan suatu masalah yang
adalah penjumlahan antara garis kemiskinan
menjadi perhatian di setiap negara. Oleh karena
makanan dan nonmakanan. Berdasarakan data
itu, pemerintah di setiap negara memiliki
BPS (2017) penduduk miskin di Indonesia
berbagai macam cara untuk mengentaskan
mengalami kenaikan sebesar 6,9 ribu orang pada
kemiskinan. World Bank, merupakan suatu
Maret 2017 dengan rincian jumlah penduduk
lembaga internasional yang memiliki tujuan
miskin Maret 2017 mencapai 27,77 juta orang
untuk mengentaskan kemiskinan di seluruh
dibandingkan dengan September 2016.
dunia. World Bank mengelompokkan penduduk
Kenaikan jumlah penduduk miskin Indonesia
pada kategori miskin berdasarkan garis
juga berdampak di provinsi aceh dimana aceh
kemiskinan internasional. Garis kemiskinan
merupakan provinsi yang terletak pada daerah
internasional yang digunakan yaitu Purchasing
paling ujung pulau sumatera yang memiliki
Power Parity (PPP).
persentase penduduk miskin terbanyak di pulau
World Bank membagi keseluruhan dunia
sumatera. Tingginya persentase penduduk
menjadi lima wilayah bagian dan negara
miskin akan menyebabkan permasalahan sosial
Indonesia termasuk kedalam wilayah East Asia
bagi daerah maupun nasional seperti
and Pasific yang memiliki persentase
menurunnya kualitas sumber daya manusia,
kemiskinan sebesar 3,5% dari keseluruhan total
terganggunya stabilitas sosial politik dan
populasi. Indonesia memiliki lembaga penyedia
meningkatnya angka kriminalitas. Sehingga, hal
data kemiskinan yang dinamakan dengan Badan
tersebut akan menghambat perkembangan
Pusat Statistik (BPS). Menurut BPS (2017:58)
ekonomi daerah maupun nasional. Pemerintah
kemiskinan adalah ketidakmampuan sari sisi
Indonesia memiliki target untuk tingat
ekonomi untuk memenuhi kebutuhan dasar
kemiskinan yang ditulis didalam rencana

1
pembangunan jangka menengah 2015-2019
yang berbunyi menurunkan tingkat kemiskinan
menjadi 7,0-8,0 persen pada akhir tahun 2019.
Faktanya pada September 2018 angka
kemiskinan sebesar 9,66 persen yang mana
angka tersebut masih berbeda dengan target
yang seharusnya.
Laderchi (1997) menyimpulkan bahwa
pengukuran kemiskinan pendapatan itu sendiri
tidak menyampaikan semua informasi yang
menarik jika tujuannya adalah untuk
memberikan gambaran menyeluruh tentang
kemiskinan. Sedangkan menurut (Perkumpulan
Prakarsa, 2013:2) masalah kemiskinan tidak
hanya berkaitan dengan kemampuan daya beli
(PPP), penghasilan atau konsumsi yang dipakai
oleh World Bank dan BPS tapi terdapat dimensi
yang lebih luas dari kondisi kemiskinan dan
pada tahun 2010 UNDP dan OPHI menyepakati
sebuah inisiasi pengukuran kemiskinan melalui
Multidimensional Poverty Index (MPI).
Menurut UNDP (dalam Alkire, 2018:8-9)
MPI memiliki tiga macam dimensi kunci yaitu
kesehatan, pendidikan dan standar kehidupan.
Berdasarkan dimensi tersebut maka dalam
penelitian ini variabel yang akan digunakan
yaitu rumah tangga yang menggunakan air layak
dari dimensi standar kehidupan dan lamanya
penduduk yang bersekolah tidak tamat SD dari
dimensi pendidikan. Kemiskinan juga dapat
terjadi karena seseorang tidak mampu
menghasilkan pendapatan yang cukup untuk
mempertahankan standar kebutuhan hidup
minimumnya (BPS, 2007:21). Oleh karena itu,
dapat dilihat pentingnya ketenagakerjaan bagi
penduduk sehingga pada penelitian ini diambil
variabel dari dimensi ketenagakerjaan yaitu
penduduk yang bekerja disektor pertanian dan
penduduk yang bukan bekerja disektor
pertanian.
Banyaknya dimensi yang menyebabkan
kemiskinan sehingga penulis tertarik untuk
mengetahui faktor-faktor yang mempengaruhi
kemiskinan yang studi kasusnya di Provinsi
Aceh. Salah satu analisis yang biasanya
digunakan adalah analisis regresi. Karena,
analisis regresi dapat digunakan untuk
memprediksi variabel dependen jika diketahui
variabel independennya. Tetap regresi linier
dengan metode OLS tidak memperhatikan aspek
lokasi atau posisi data. Aspek lokasi sangat
penting karena wilayah yang berupa desa atau
perkotaan bisa saja memiliki sumber pendapatan
yang sama dan memiliki geografis yang sama.
2
Sehingga menyebabkan masalah bahwasanya
penduduk yang tinggal di daerah yang sama
cenderung sama dan saling mempengaruhi. Hal
tersebut sesuai dengan hukum Tobler (dalam
Schabenberger dan Gotway, 2005) yang
berbunyi “everything is reated to everything
else, but near things are more related that
distance thins”.
Berdasarkan permasalahan diatas maka
penelitian ini akan mengkaji tentang faktor-
faktor yang mempengaruhi kemiskinan di
provinsi aceh pada tahun 2017 menggunakan
analisis regresi spasial.
B. Regresi Spasial
Analisis regresi spasial adalah analisis yang
digunakan untuk melihat pengaruh variabel
bebas terhadap variabel terikat dengan
menambahkan efek lokasi pada pengamatan.
Secara umum model regresi spasial sebagai
berikut.
𝑦 = 𝜌𝑊1 𝑦 + 𝑋𝛽 + 𝑢 (1)
𝑢 = 𝜆𝑊2 𝑢 + 𝜀 (2)
(Lesage, 1999)
Dimana 𝑦 adalah vektor variabel respon, 𝜌
adalah parameter koefisien spasial lag variabel
predictor, 𝑊1 , 𝑊2 matriks pembobot berukuran ,
𝑋 matriks variabel prediktor, 𝛽 vektor parameter
koefisien regresi, 𝑢 vektor galat, 𝜆 parameter
koefisien spasial pada galat, 𝜀 vektor galat dan 𝐼
matriks identitas berukuran nxn
Jika 𝜌 = 0 dan 𝜆 = 0 maka akan didapatkan
model Spatial Autoregressive (SAR). Pada
model ini menunjukkan adanya efek spasial pa-
da variabel respon. Sehingga model spasial yang
didapatkan menjadi:
𝑦 = 𝜌𝑊𝑦 + 𝑋𝛽 + 𝑢 (3)
(Bivand et al, 2008)
Dimana 𝑦 variabel respon, 𝑋 matriks variabel
penjelas, 𝑊𝑦 matriks pembobot spasial, 𝜌
koefisien prediktor model spasial lag.
Jika 𝜌 = 0 dan 𝜆 ≠ 0 maka akan menjadi
Spatial Error Model (SEM) atau model galat
spasial. Model galat spasial adalah model yang
menunjukkan adanya efek spasial dalam galat..
Sehingga diperoleh persamaan sebagai berikut:
𝑦 = 𝑋𝛽 + 𝜆𝑊𝑢 + 𝜀 (4)
 (Sudarsono, 2012)
1. Efek Spasial
Efek spasial terdiri dari dua bagian yaitu
efek heterogenistas dan efek dependensi
sebagai berikut ini:
a.Efek heterogenitas adalah efek yang
menunjukkan adanya keragaman antar
lokasi yang diuji menggunakan uji
Breush-Pagan dengan hipotesis:
H0: terdapat homoskedasititas spasial
H1: terdapat heteroskedasititas spasial
Statistik uji:
1
𝐵𝑃 = (∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 )(∑𝑛𝑖=1 𝑥𝑖 𝑥𝑖 )(∑𝑛𝑖=1 𝑥𝑖 𝑓𝑖 )
2
(Arbia, 2006)
2
Menolak H0 jika 𝐵𝑃 > 𝜒𝛼,1 maka
dapat disimpulkan bahwa terdapatnya ke-
heterogenisan/keragaman spasial.
b. Efek dependensi spasial adalah efek
yang terjadi akibat adanya dependensi
dalam data wilayah yang diuji
menggunakan uji Lagrange Multiplier
dan ujiindeks Moran’s.
1) Lagrange Multiplier SAR
Hipotesis:
H0: 𝜌 dan atau 𝜆 = 0 (tidak ada
keterkaitan antar lokasi)
H1 : 𝜌 dan atau 𝜆 ≠ 0 (ada
keterkaitan antar lokasi)
Statistik uji:
𝐿𝑀 = 𝐸 −1 [𝑅𝑦2 𝑇 − 2𝑅𝑦 𝑅𝜀 𝑇 + (𝐷 + 𝑇)]
(Anselin, 1998)
Keputusan tolak H0 jika 𝐿𝑀 >
2 c. Queen contiguity adalah persentuhan si-
𝜒𝛼(𝑃) dengan p adalah banyaknya pa-
rameter spasial
2) Indeks Moran’s
Hipotesis:
H0: I = 0 (tidak ada keterkaitan antar
lokasi yang diamati)
H1: I ≠ 0 (ada keterkaitan antar lokasi
yang diamati)
Statistik uji:
𝐼−𝐸(𝐼)
𝑍=
𝑉𝑎𝑟(𝐼)
(Lee dan Wong, 2011)
Tolak H0 pada taraf sifnifikansi
(α) jika Z > 𝑍1−𝛼
2. Matriks Pembobot Spasial
Matriks pembobot spasial merupakan
matriks yang menggambarkan hubungan
kedekatan antar wilyah pengamatan yang
disimbolkan dengan W.
𝑤11 𝑤12 … 𝑤1𝑛
𝑤21 𝑤22 … 𝑤2𝑛
𝑊=[ … … ⋱ ⋮ ]
𝑤31 𝑤32 … 𝑤𝑛𝑛
Elemen-elemen dari W adalah wij dengan i
(5) adalah baris pada elemen W dan j adalah ko-
lom. Pada elemen W dan merupakan wilayah
di sekitar lokasi pengamatan i. Untuk elemen
matriks didefinisikan dengan nilai 1 untuk
wilayah yang bersisian dengan daerah yang
menjadi perhatian, sedangkan daerah lainnya
didefinisikan elemen matriks pembobot sebe-
sar 0. Untuk melihat hubungan antar wilayah
terdapat tiga tipe interaksi atau persinggungan
batas wilayah (Lesage, 1999:11) yaitu:
a. Rook contiguity adalah persentuhan sisi
wilayah satu dengan sisi wilayah yang
lain yang bertetangga (side). Nilai pada
setiap elemenya 1 jika lokasi i dan j ber-
sentuhan sisi dan 0 jika lokasi i dan j
tidak bersentuhan sisi.
b. Bishop contiguity adalah pensentuhan
antar sudut wilayah satu dengan wilayah
yang lain yang bertetangga (vertex). Un-
tuk nilai setiap elemen yaitu jika lokasi i
dan j bersentuhan titik sudut maka nilai
(6)
elemenya 1. Tetapi, jika lokasi i dan j
tidak bersentuhan titik sudut maka nilai
elemenya 0.
si (side) dan titik sudut (vertex) wilayah
satu dengan wilayah yang lain. Untuk
nilai dari setiap elemennya yaitu jika lo-
kasi i dan j bersentuhan sisi atau titik
sudut nilainya 1. Tetapi, jika lokasi i dan
j tidak bersentuhan sisi ataupun titik
sudut maka nilainya 0.
(7)
3
 METODE PENELITIAN Persentase tingkat kemiskinan di Aceh pada
Jenis penelitian ini berupa penelitian terapan. tahun 2017 yang tergolong tinggi di Aceh adalah
Penelitian diawali dengan analisis teori dan kabupaten Gayo Lues, Aceh Singkil, Pidie,
diikuti dengan pengambilan data dan Bener Meriah dan Pidie Jaya yang berada pada
penerapannya terhadap data. Jenis data yang interval 20,28%-22,11% dan daerah yang
digunakan dalam penelitian adalah data persentase kemiskinannya tergolong rendah
sekunder yang diperoleh dari Badan Pusat yaitu kota Banda Aceh, Lhokseumawe, dan
Statistik. Tingkat kemiskinan yang digunakan Langsa yang berada pada interval 7,44%-12,32.
berupa persentase penduduk miskin di Aceh Untuk melihat apakah besarnya tingkat
pada tahun 2017. kemiskinan di Aceh dipengaruhi oleh daerah
Variabel dalam penelitian ini yaitu variabel tetangganya maka dapat dilihat berdasakan uji
dependen dan variabel independen. Variabel Lagrange Multiplier dan uji Breush-Pagan.
dependen yaitu tingkat kemiskinan (Y) dan
variabel independen yang digunakan yaitu: Tabel 1. Pengujian dan pendugaan parameter
1. Penduduk yang tidak tamat SD (X1) model dengan OLS.
2. Penduduk yang bekerja di sektor Variabel
Bebas Koefisien S.Error t Pvalue
pertanian (X2).
Intersep 13.997 4.572 3.061 0.007
3. Penduduk yang bekerja tidak di sektor
X1 0.171 0.069 2.471 0.024
pertanian (X3). X2 0.146 0.068 2.142 0.046
4. Rumah tangga miskin yang X3 0.118 0.101 1.164 0.259
menggunakan air layak (X4). X4 -0.106 0.053 -1.994 0.061
Teknik analisis data dalam penelitian ini Pada Tabel 1 didapatkan bahwa variabel
yaitu eksplorasi data tingkat kemiskinan di Aceh yang mempengaruhi kemiskinan di Aceh pada
per kabupaten/kota pada tahun 2017. Setelah itu, tahun 2017 adalah variabel penduduk yang tidak
melakukan pendugaan dan pengujian model tamat SD (X1) dan variabel penduduk yang
regresi dengan metode OLS dilanjutkan dengan bekerja di sektor pertanian (X2).
pengujian asumsi klasik. Kemudian menguji Pemeriksaan asumsi kenormalan sisaaan
efek spasial yaitu efek heterogenitas dan efek untuk metode OLS dapat dilihat dengan uji
dependensi spasial. Setelah itu, pendugaan dan Anderson Darling.
pengujiaan parameter model regresi spasial yang
terpilih berdasarkan uji Lagrange Multiplier. Tabel 2. Uji Anderson Darling untuk metode OLS
Setelah didapatkan model kemudian dilakukan Nilai Anderson Darling PValue
pengujian asumsi kenormalan, kehomogenan
0.49725 0.191
dan kebebasan antarsisaan. Langkah terakhir
yaitu pemilihan model terbaik dengan Kenormalan sisaan untuk model dengan
menggunakan nilai Akaike’s Information metode OLS menghasilkan nilai PValue sebesar
Criterion (AIC). 0.191 lebih besar dari taraf signifikan 5% maka
H0 diterima sehingga dapat dikatan bahwa
HASIL DAN PEMBAHASAN sisaan menyebar normal. Pemeriksaan asumsi
Eksplorasi data tingkat kemiskinan di Aceh kehomogenan ragam dapat dilihat dengan uji
per kabupaten/kota pada tahun 2017 dapat BP.
dilihat pada Gambar 1.
Tabel 3. Uji Breush-Pagan untuk metode OLS
Nilai BP PValue
3.0486 0.5497
Kehomogenan ragam sisaan menghasilkan
nilai PValue sebesar 0.5497 yang lebih besar dari
taraf signifikansi 5% maka H0 diterima yang
artinya bahwa ragam sisaan bersifat homogen.
Untuk pemeriksaan asumsi multikolinieritas
dapat dilihat dari nilai VIF (Variance inflation
factor) .
Gambar 1. Persentase Tingkat kemiskinan Aceh
Tahun 2017.

4
 sehingga H0 ditolak yang artinya terdapat
Tabel 4. Nilai VIF untuk metode OLS ketergantungan spasial lag sehingga model SAR
Variabel Nilai VIF dapat digunakan. Sedangkan untuk nilai Pvalue
X1 1.095951 model SEM sebesar 0.8974 nilai tersebut lebih
besar dari taraf signifikansi yaitu 5% maka H0
X2 2.810722
diterima yang artinya tidak terdapat
X3 3.768714 ketergantungan spasial error, sehingga model
X4 2.713849 SEM tidak dapat digunakan untuk memodelka
Asumsi multikolinieritas dilanggar apabila memodelkan tingkat kemiskinan di Aceh pada
nilai VIF >10, pada Tabel 4 dapat dilihat bahwa tahun 2017.
tidak ada nilai VIF dari masing-masing variabel Tabel 7. Pengujian dan pendugaan parameter
yang lebih besar dari 10 maka asumsi model SAR.
multikolinieritas terpenuhi. Pemilihan model Variabel Bebas Koefisien Z P-value
terbaik dengan menggunakan Best Subsets. Intersep 17.4458 4.3426 1.41E-05
X1 0.1790 3.1337 0.0017
Tabel 5. Pemilihan Model Terbaik untuk metode X2 0.1370 2.4614 0.0138
OLS X3 0.0985 1.1757 0.2397
Kombinasi Cp X4 -0.1054 -2.4046 0.0162
Vars R2 S 𝜌 -0.1795 4.0345 0.044579
Peubah Mallows
1 X2 29.9 4.8 3,0055 Pada Tabel 7 didapatkan bahwa variabel
1 X1 4.2 15.8 3,6347 yang mempengaruhi kemiskinan di Aceh pada
2 X1X2 51,6 3,0 2,8232 tahun 2017 adalah variabel penduduk yang tidak
tamat SD (X1), variabel penduduk yang bekerja
Pemilihan model terbaik dapat dilakukan di sektor pertanian (X2), variabel rumah tangga
dengan cara melihat nilai R2 terbesar, nilai S miskin yang menggunakan air layak (X4) dan
terkecil dan Cp Mallows yang mendekati koefisien 𝜌 yang signifikan mengartikan bahwa
parameter maka dapat disimpulkan bahwa ketergantungan lag pada spasial berpengaruhi
model yang terpilih yaitu dengan kombinasi dua terhadap kemiskinan.
variabel. Maka didapatkan model OLS sebagai Pemeriksaan asumsi kenormalan sisaaan dari
berikut: model SAR sama dengan metode OLS dapat
dilihat dengan uji Anderson Darling.
𝑦̂ = 9.96 + 0.1367𝑋1 + 0.1654𝑋2 (8)
Tabel 2. Uji Anderson Darling untuk model SAR
Berdasarkan persamaan menunjukkan bahwa Nilai Anderson Darling PValue
konstanta (𝛽0 ) memberikan kenaikan sebesar
0.749446 0.04365
9.96 pada tingkat kemiskinan, setiap kenaikan
Kenormalan sisaan untuk model dengan
1% penduduk yang tidak tamat SD akan
model SAR menghasilkan nilai PValue sebesar
meningkatkan tingkat kemiskinan sebesar
0.04465 lebih kecil dari taraf signifikan 5% maka
0,1367dan untuk setiap kenaikan 1% pendudk
H0 ditolak sehingga dapat dikatan bahwa sisaan
yang bekerjan di sektor pertanian akan
menyebar tidak normal. Persamaan SAR yang
menaikan tingkat kemiskinan sebesar 0.1654.
diperoleh adalah sebagai berikut:
Pemeriksaan efek heterogenitas spasial
dengan nilai BP = 2.6638 dan nilai PValue =
ŷ = −0.192Wy + 19.48 + 0.17X1 +
0.6156 maka H0 diterima menunjukkan bahwa
0.1009X 2 − 0.078X4 (9)
tidak adanya keragaman antar lokasi.

Tabel 6. Hasil Uji Dependensi Spasial deng uji

Persamaan 9 menunjukkan bahwa koefisien
LM. 𝜌 sebesar 0.192 menunjukkan bahwa adanya
peningkatan pengaruh dari wilayah yang
Model Uji LM PValue
mengelilingi suatu kabupaten/kota maka akan
SAR 3.0174 0.08237 menurunkan tingkat kemiskinan, peningkatan
SEM 0.016612 0.8974 1% penduduk yang tidak tamat SD (X1) akan
Berdasarkan Tabel 6 menunjukkan bahwa memberikan peningkatan terhadap kemiskinan
nilai Pvalue untuk model SAR sebesar 0.08237 sebesar 0.17, setiap kenaikan 1% penduduk
yang lebih kecil dari taraf signifikansi yaitu 5% yang bekerja di sektor pertanian (X2) akan

5
memberikan peningkatan kemiskinan sebesar
0.1009, setiap kenaikan 1% rumah tangga
miskin yang menggunakan air layak (X4) akan
memberikan penurunan tingkat kemiskinan
sebesar 0.078.
Tabel 8. Pemilihan model terbaik dengan AIC.
Model AIC
OLS 117,1951
SAR 115.1607
Model terbaik untuk memodelkan
kemiskinan di Aceh adalah moder SAR karena
memiliki nilai AIC yang lebih kecil dari model
regresi dengan metode OLS.
KESIMPULAN
Faktor-faktor yang mempengaruhi tingkat
kemiskinan di Aceh pada tahun 2017 lebih baik
dimodelkan dengan model SAR dengan
memasukkan efek ketergantungan lag spasial ke
dalam model. Persamaan SAR yang diperoleh
adalah:
ŷ = −0.192Wy + 19.48 + 0.17X1 + 0.1009X2
− 0.078X4
Sedangkan faktor yang mempengaruhi
tingkat kemiskinan di Aceh tahun 2017 adalah
penduduk yang tidak tamat SD, penduduk yang
bekerja di sektor pertanian dan rumah tangga
miskin yang menggunakan air layak.
Bivand, R.S., Pebesma E.J., Rubio, V.G. 2008.
Applied Spatial Data Analysis with R.
New York : Springer.
Caterina Ruggeri Laderchi, 1997. "Poverty and
its many dimensions: The role of income
as an indicator. Oxford Development
Studies, Taylor & Francis Journals, vol.
25(3), pages 345-360.
Lee, J dan Wong, D. W. S. 2011. Statistical
Analysis with Arcview GIS. John Willey
and Sons Inc. New York..
LeSage, J.P. 1999. The Theory and Practice of
Spatial Econometrics, Departement of
Economics University of Toledo.
Peraturan presiden Indonesia No.2 tahun 2015.
Rencana Pembangunan Jangka
menengah Nasional 201-2019.
Perkumpulan Prakarsa. (2013). Multidimensi
Poverty Index (MPI): Konsep dan Pen-
gukurannya di Indonesia.Jakarta
Schabenberger O., Gotway C.A. 2005. Statisti-
cal Methods for Spatial Data Analysis.
Chapman & Hall/CRC.
Sudarsono, De Restu.2012.Identifikasi faktor-
faktor yang berpengaruh terhadap ban-
yaknya kejahatan dengan pendekatan an-
alisis spasial.Bogor: ITB.

DAFTAR PUSTAKA

Alkire, Sabina and Selim Jahan.2018. The New

Global MPI: Aligning with the
Sustainable Development Goals.UNDP
Human Development Report Office
(HDRO) Occasional Paper:Oxford
University and UNDP.
Anselin, Luc.1988. Spatial Econometrics:
Methods and Models. Netherlands:
Kluwer Academic Publisher.
Arbia, G. 2006. Spatial Econometrics: Statisti-
cal Foundations and Applications to Re-
gional Convergence. Germany: Springer-
Verlag Berlin Heidelberg.
Badan Pusat Statistik. 2018. Data dan Informasi
Kemiskinan Kabupaten/Kota Tahun 2017.
Jakarta: Badan Pusat Statistik.
Badan Pusat Statistik.2017.Perhitungan dan
Analisis Kemiskinan Makro Indonesia.
Jakarta:Badan Pusat Statistik.
6