Kajian Penentuan Klasifikasi Desa di Indonesia

KAJIAN PENENTUAN KLASIFIKASI DESA DI INDONESIA

SHAFA ROSEA SURBAKTI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul “Kajian Penentuan
Klasifikasi Desa di Indonesia” adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi
manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juni 2015

Shafa Rosea Surbakti
G152130434

* Pelimpahan hak cipta atas karya tulis dari penelitian kerjasama dengan pihak luar IPB harus
didasarkan pada perjanjian kerjasama yang terkait

RINGKASAN
SHAFA ROSEA SURBAKTI. Kajian Penentuan Klasifikasi Desa di Indonesia.
Dibimbing oleh ERFIANI dan BAGUS SARTONO.
Penggolongan wilayah kelurahan/desa ke dalam status perkotaan/perdesaan
pada dasarnya dimaksudkan untuk membentuk suatu lapisan (strata) yang
digunakan dalam teknik pengambilan contoh dalam survei. Dengan adanya status
perkotaan dan perdesaan, diharapkan contoh yang terambil dapat mewakili
keseluruhan populasi dengan baik.
Regresi logistik merupakan salah satu metode regresi dimana peubah
responnya merupakan data kategorik. Regresi logistik biner digunakan jika
peubah respon terdiri dari dua kategori. Metode ini juga dapat digunakan untuk
klasifikasi data. Bootstrap, dikenal sebagai salah satu metode simulasi data,
dimaksudkan untuk menyederhanakan analisis statistik inferensia namun
menghasilkan analisis yang lebih robust.

Tujuan dari penelitian ini untuk melakukan kajian pemilihan peubah yang
paling berpengaruh dalam penentuan klasifikasi desa di Indonesia dengan metode
perpaduan bootstrap dan regresi logistik biner. Data yang digunakan kasus ini
adalah data pendataan Potensi Desa (PODES) 2011 yang dilakukan oleh Badan
Pusat Statistik dengan jumlah peubah prediktor sebanyak 15 buah.
Hasil penelitian menunjukkan bahwa pengurangan sebelas peubah (X1X11) dalam penentuan klasifikasi desa di Indonesia menjadi lima peubah mampu
menghasilkan model yang sama baiknya. Model dengan penambahan empat
peubah prediktor baru mampu menaikkan tingkat ketepatan klasifikasi.
Penggunaan metode bootstrap dalam seleksi peubah terbukti lebih baik
dibandingkan seleksi peubah yang hanya melihat hasil uji parsial saja.
Kata Kunci: bootstrap, klasifikasi desa, regresi logistik biner

SUMMARY
SHAFA ROSEA. INDEPTH STUDIES OF DETERMINANTS VILLAGE
CLASSIFICATION IN INDONESIA. Supervised by ERFIANI and BAGUS
SARTONO.
Classification of “kelurahan” and rural area into urban/rural class basically
meant to form a layer (stratum) were used in the survey sampling techniques.
With the status of urban and rural areas, the sample can represent the entire
population correctly. Proper selection of variables could distinguish village into

urban and rural class.
Logistik regression is one of regressions method where the response
variable is categorical data. Binary logistik regression was used when the response
variable consists of two categories. This method can also be used for data
classification. Bootstrap, is known as one of the data simulation method, intended
to simplify the inferential statistikal analysis but produces a more robust analysis.
The purpose of this study was to do some studies in selection of the most
influential variables in determining the classification of villages in Indonesia with
a mix method of bootstrap and binary logistik regression. The data used in this
case is data Potensi Desa (PODES) 2011 which conducted by Badan Pusat
Statistik with consist of 15 predictor variable.
The results showed that reduction of eleven variables (X1-X11) in
determining the classification of villages in Indonesia into five variables able to
produce models that are just as good as previous model. The model with the
addition of four new predictor variables were able to raise the level of accuracy of
the classification. The use of bootstrap method in variables selection was proved
better than variables selection that only see partial test results alone.
Keywords: bootstrap, village classification, binary logistik regression

© Hak Cipta Milik IPB, Tahun 2015

Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah, dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apapun tanpa izin IPB

KAJIAN PENENTUAN KLASIFIKASI DESA DI INDONESIA

SHAFA ROSEA SURBAKTI

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains pada
Program Studi Statistika Terapan

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR

BOGOR
2015

Penguji Luar Komisi pada Ujian Tesis: Dr. Dedi Walujadi

Judul Tesis : Kajian Penentuan Klasifikasi Desa di Indonesia
Nama
: Shafa Rosea Surbakti
NIM
: G152130434

Disetujui oleh
Komisi Pembimbing

Dr Ir Erfiani, MSi
Ketua

Dr Bagus Sartono
Anggota

Diketahui oleh

Ketua Program Studi
Statistika Terapan

Dr Ir Indahwati, MSi

Tanggal Ujian : 20 Juni 2015

Dekan Sekolah Pascasarjana

Dr Ir Dahrul Syah, MScAgr

Tanggal Lulus :

PRAKATA
Puji dan syukur penulis ucapkan kehadirat Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul
“Kajian Penentuan Klasifikasi Desa di Indonesia”. Keberhasilan penulisan tesis
ini tidak lepas dari bantuan, bimbingan, dan petunjuk dari berbagai pihak.

Terima kasih penulis ucapkan kepada Ibu Dr. Ir. Erfiani, M.Si. sebagai
ketua komisi pembimbing dan Bapak Dr. Bagus Sartono sebagai anggota komisi
pembimbing yang telah memberikan bimbingan, arahan serta saran kepada
penulis. Penulis juga mengucapkan terima kasih kepada Pimpinan Badan Pusat
Statistik (BPS) atas kesempatan yang diberikan kepada penulis untuk menempuh
jenjang Magister Statistika Terapan. Ungkapan terima kasih terkhusus penulis
sampaikan kepada orang tua, suami dan ananda tercinta serta seluruh keluarga
besar atas do’a, dukungan dan pengertiannya. Terima kasih pula kepada seluruh
staf Program Studi Statistika Terapan, teman-teman Statistika (S2 dan S3) dan
Statistika Terapan (S2) khususnya Kelas BPS atas bantuan dan kebersamaannya.
Terima kasih tak lupa penulis sampaikan kepada semua pihak yang tidak dapat
penulis sebutkan satu per satu yang telah membantu dalam penyusunan tesis ini.
Penulis menyadari bahwa tesis ini masih banyak kekurangan. Semoga
penelitian selanjutnya dapat lebih baik dari penelitian ini. Semoga penelitian ini
bermanfaat bagi yang membutuhkan.

Bogor, Juni 2015

Shafa Rosea Surbakti

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

1 PENDAHULUAN
Latar Belakang
Identifikasi Masalah
Tujuan Penelitian
Kegunaan Penelitian

1
1
3
3
3

2 TINJAUAN PUSTAKA
Perkotaan dan Perdesaan
Perbedaan Perkotaan dan Perdesaan
Regresi Logistik Biner
Bootstrap
Seleksi Peubah dengan Bootstrap Regresi Logistik

3
4
5
6
8
9

3 METODE PENELITIAN
Data
Metode Analisis

10

10
11

4 HASIL DAN PEMBAHASAN
Eksplorasi Data
Seleksi Peubah X1 hingga X11
Penambahan Peubah X12-X15
Penentuan Titik Potong Peluang
Aplikasi Model pada Data Propinsi Jawa Barat

12
12
19
22
24
25

5 SIMPULAN DAN SARAN

26

DAFTAR PUSTAKA

27

RIWAYAT HIDUP

29

DAFTAR TABEL
1.1 Kriteria dan keberadaan akses pada fasilitas perkotaan dengan skor
2.1 Jenis Infrastruktur dan Indikator Pemenuhan Infrastruktur
2.2 Tabel Klasifikasi Dua Arah
3.1 Peubah Prediktor Penyusun Model
4.1 Nilai Korelasi Antar Peubah Penyusun Model
4.2 Nilai koefisien, galat baku dan VIF peubah penyusun model
4.3 Rata-rata Persentase Rumah Tangga Pertanian Menurut Klasifikasi
Desa
4.4 Persentase Desa Yang Memiliki Sarana Pendidikan (TK, SMP, dan
SMU) Menurut Klasifikasi Desa (%)
4.5 Nilai Parameter β, Galat Baku, Nilai-Z dan Nilai-p dari Uji Parsial
Parameter
4.6 Persentase Signifikansi Tiap Peubah dalam Ukuran Contoh n
4.7 Simulasi Pengurangan Peubah Penyusun Model Beserta Dugaan Galat
Prediksi dan Dugaan Keakuratan
4.8. Persentase Signifikansi Peubah pada 10.000 replikasi dan Peringkat
Peubah
4.9. Simulasi Pengurangan Peubah Penyusun Model Beserta Dugaan Galat
Prediksi dan Dugaan Keakuratan
4.10. Nilai AIC, AER, Sensitivitas, dan 1-Spesifisitas Berdasarkan Titik
Potong
4.11 Aplikasi Penerapan Model di Propinsi Jawa Barat

2
5
7
10
17
18
19
19
20
21
22
23
24
25
25

DAFTAR GAMBAR
2.1 Diagram Alir Regresi Logistik Biner
2.2 Ilustrasi Penarikan Contoh dengan Bootstrap
3.1 Diagram Alir Penelitian
4.1 Persentase Desa Perkotaan dan Desa Perdesaan di Indonesia Tahun
2011
4.2 Persentase Desa Perkotaan dan Desa Perdesaan di Indonesia Tahun
2011 Menurut Propinsi
4.3 Persentase Desa Perkotaan dan Perdesaan di Indonesia Tahun 2011
berdasarkan Pembagian Wilayah atau Pulau Besar
4.4 Persebaran Desa Perkotaan dan Desa Perdesaan di Propinsi Jawa
Timur
4.5 Persebaran Desa Perkotaan dan Desa Perdesaan di Propinsi Papua
4.6 Persebaran Desa Perkotaan dan Desa Perdesaan di Kab. Sidoarjo
4.7 Persebaran Desa Perkotaan dan Desa Perdesaan di Kab. Jayapura
4.8 Tingkat Kekuatan Peubah X1-X11
4.9 Tingkat Kekuatan Peubah Penyusun Model Akhir dengan mengikut
sertakan X4

8
9
12
13
13
14
14
15
15
16
21
23

1 PENDAHULUAN
Latar Belakang
Hakikat dari pembangunan yang dilakukan Pemerintah Indonesia pada
intinya bertujuan untuk meningkatkan taraf hidup masyarakat, baik peningkatan
secara material maupun spiritual. Perencanaan pembangunan yang matang dapat
menciptakan pembangunan yang tepat sasaran. Salah satu aspek penunjang dalam
perencanaan pembangunan adalah ketersediaan data yang rinci pada tingkat
wilayah terkecil. Informasi hingga wilayah terkecil dapat dipergunakan sebagai
panduan dalam membuat kebijakan yang lebih tepat sasaran.
Pembagian wilayah administratif menurut Kementerian Dalam Negeri
Republik Indonesia terdiri dari Rukun Tetangga (RT), Rukun Warga (RW),
Kelurahan/Desa, Kecamatan, Kota/Kabupaten, Propinsi hingga pemerintahan pada
tingkat nasional. Pembagian wilayah ini bertujuan untuk pengelolaan oleh
pemerintah daerah di dalam batas-batas wilayahnya masing-masing menurut
prinsip otonomi, dekonsentrasi, desentralisasi, dan tugas pembantuan. Badan Pusat
Statistik berupaya untuk menyediakan informasi sampai level wilayah terkecil
dalam hal ini pada tingkat kelurahan/desa. Karena penggunaan istilah
kelurahan/desa lebih tepat jika ditujukan untuk kepentingan administrasi, maka
Badan Pusat Statistik (BPS) melakukan penggolongan kelurahan/desa tersebut ke
dalam status perkotaan atau perdesaan. Penggolongan berdasarkan perkotaan dan
perdesaan dianggap lebih menggambarkan karakteristik dari desa tersebut.
Penggolongan wilayah kelurahan/desa ke dalam status perkotaan/perdesaan pada
dasarnya dimaksudkan untuk membentuk suatu lapisan (strata) yang digunakan
dalam teknik pengambilan contoh dalam survei. Dengan adanya status perkotaan
dan perdesaan, diharapkan contoh yang terambil dapat mewakili keseluruhan
populasi dengan baik. Dalam analisis, penggolongan desa menjadi desa
perkotaaan/perdesaan akan memberikan hasil yang lebih menggambarkan keadaan
sebenarnya jika dibandingkan dengan penggolongan kelurahan/desa (Imawan
1986).
Dikarenakan perbedaan di tiap negara dalam menentukan karakteristik
pembeda perkotaan dan perdesaan, maka peubah pembeda antara daerah perkotaan
dan perdesaan tidak dapat disimpulkan menjadi suatu definisi yang tunggal untuk
semua Negara (United Nation 2014). Dalam penggolongan perkotaan/perdesaan,
karakteristik wilayah sering dijadikan acuan utama. Perbedaan yang mencolok dari
perkotaan/perdesaan dapat terlihat dari kepadatan penduduk, pemenuhan ekonomi
masyarakat, keberadaan fasilitas dan lain sebagainya. Hasil dari pembangunan turut
merubah kriteria yang dulu digunakan dalam penggolongan perkotaan/perdesaan,
sehingga perlu dilakukan pengkajian ulang kriteria apa saja yang kini dapat
dijadikan pembeda antara perkotaan dan perdesaan. Saat ini BPS menggunakan
beberapa peubah yang digunakan sebagai acuan untuk membedakan desa perkotaan
dan desa perdesaan. Metode yang digunakan untuk membedakan desa perkotaan
dan desa perdesaan adalah metode skoring total dari tiap kriteria. Berikut adalah
peubah dan skoring yang digunakan oleh BPS (2010):

2

Tabel 1.1. Kriteria dan keberadaan akses pada fasilitas perkotaan dengan
skor

Penentuan nilai/skor untuk menetapkan wilayah perkotaan apabila dari
kepadatan penduduk, persentase rumah tangga pertanian, dan keberadaan/akses
pada fasilitas perkotaan yang dimiliki mempunyai total nilai/skor 10 (sepuluh) atau
lebih dan wilayah perdesaan apabila dari kepadatan penduduk, persentase rumah
tangga pertanian, dan keberadaan/akses pada fasilitas perkotaan yang dimiliki
mempunyai total nilai/skor di bawah 10 (sepuluh).
Seiring dengan perubahan kondisi wilayah, peubah lama yang digunakan
oleh BPS sebagai pembeda perkotaan/perdesaan dirasa perlu diperbaharui. Dari
segi ekonomi, pembaharuan peubah diharapkan dapat menekan biaya pengumpulan
data jika pembaharuan menghasilkan peubah yang terpilih lebih sedikit. Akan tetapi
kemunculan peubah baru dianggap mampu mengklasifikasikan desa dengan lebih
baik. Oleh karenanya, seleksi peubah harus dilakukan dengan baik.
Ada banyak metode yang digunakan dalam seleksi peubah. Ilmu
pengetahuan yang terus berkembang juga turut memperkaya khasanah metode
seleksi peubah. Metode yang satu dianggap lebih tepat dalam menggolongkan
wilayah perkotaan/perdesaan dibandingkan metode yang lain. Imawan (1986) telah
menggunakan Analisis Komponen Utama (AKU) dalam pemilihan peubah
pembeda perkotaan/perdesaan. Perkembangan dalam ilmu simulasi data juga
memberikan kontribusi yang cukup besar dalam metode seleksi peubah. Metode
bootstrap dianggap sebagai metode yang cukup robust dalam analisis inferensia
(Efron 1979). Otok (2007) sudah melakukan penelitian dengan menggunakan

3

metode bootstrap yang dikombinasikan dengan regresi logistik ordinal maupun
dengan MARS. Hasilnya adalah untuk masalah ketepatan klasifikasi pendekatan
bootstrap pada masing-masing metode memberikan kesalahan yang kecil baik pada
matriks varians kovarians yang tidak sama maupun matriks varians kovarians yang
sama. Berdasarkan penelitian-penelitian tersebut, pengembangan metode
kombinasi bootstrap dan regresi logistik biner kiranya dapat diterapkan pada
seleksi peubah dalam klasifikasi perkotaan/perdesaan.

Identifikasi Masalah
Berdasarkan latar belakang yang telah dijelaskan sebelumnya, maka
masalah yang dibahas dalam penelitian ini adalah peubah apa saja yang saat ini
paling berpengaruh dalam penentuan klasifikasi desa di Indonesia sehingga dapat
dijadikan pembeda secara nyata antara desa perkotaan dan perdesaan?

Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk melakukan kajian pemilihan peubah
yang paling berpengaruh dalam penentuan klasifikasi desa di Indonesia.

Kegunaan Penelitian
Manfaat yang didapat dari penelitian ini adalah memperkaya khasanah
pengetahuan ilmu statistik dengan penerapan metode bootstrap dan regresi logistik
biner untuk memberikan alternatif pemilihan peubah yang paling berpengaruh
dalam penentuan klasifikasi desa di Indonesia. Di masa yang akan datang,
penelitian ini diharapkan bisa dijadikan bahan rintisan untuk mengembangkan
metode ini pada permasalahan lain.

2 TINJAUAN PUSTAKA
United Nation menyatakan bahwa tidak ada rekomendasi yang dapat
digunakan untuk menjelaskan makna perkotaan ataupun perdesaan secara jelas. Hal
ini dikarenakan tiap negara memiliki pandangan yang berbeda tentang
perkotaan/perdesaan. Sehingga setiap negara harus membuat definisi mereka
sendiri sesuai kebutuhan negara tersebut dan dikarenakan alasan ini pula tiap negara
harus memutuskan wilayah yang masuk kategori perkotaan dan yang masuk
kategori perdesaan (UN 2014).

4

Perkotaan dan Perdesaan
Pemerintah Inggris Raya mengklasifikasikan suatu wilayah sebagai
perkotaan jika populasi penduduk yang tinggal di wilayah tesebut sudah lebih dari
10.000 orang. Sensus India (2011) mendefinisikan wilayah perkotaan jika wilayah
tersebut memiliki pemerintahan kota dan memenuhi syarat-syarat antara lain
memiliki populasi penduduk yang bermukim di wilayah tersebut minimal 5.000
orang, sedikitnya 75% angkatan kerja laki-laki berkerja di sektor non pertanian,
serta memiliki kepadatan penduduk sedikitnya 400 orang per km2.
Di Indonesia, definisi perkotaan menurut UU No 22/ 1999 tentang Otonomi
Daerah, kawasan perkotaan adalah kawasan yang mempunyai kegiatan utama
bukan pertanian dengan susunan fungsi kawasan sebagai tempat pelayanan jasa
pemerintahan, pelayanan social dan kegiatan ekonomi. Perkotaan adalah status
suatu wilayah administrasi setingkat desa/kelurahan yang memenuhi kriteria
klasifikasi wilayah perkotaan.
Sementara itu, World Bank (2008) mengatakan bahwa wilayah perdesaan
dapat didefinisikan berdasarkan banyaknya permukiman, kepadatan penduduk,
jarak ke area metropolitan, pemisahan administratif dan peranan sektor pertanian.
The Organization for Economic Co-operation and Development menggunakan
kepadatan penduduk 150 orang per km2 untuk mendefinisikan wilayah perdesaan.
Menurut Landis (1948) desa adalah suatu wilayah yang penduduknya kurang
dari 2.500 jiwa. Dengan ciri ciri sebagai berikut:
a) Mempunyai pergaulan hidup yang saling kenal mengenal antara
ribuan jiwa.
b) Ada pertalian perasaan yang sama tentang kesukaan terhadap
kebiasaan
c) Cara berusaha (ekonomi) adalah agraris yang paling umum yang
sangat dipengaruhi alam seperti: iklim, keadaan alam, kekayaan alam,
sedangkan pekerjaan yang bukan agraris adalah bersifat sambilan.
Kawasan perdesaan menurut UU No. 26 Tahun 2007 tentang Rencana Tata
Ruang Wilayah Nasional adalah suatu wilayah yang mempunyai kegiatan utama
pertanian, termasuk pengelolaan sumber daya alam dengan susunan fungsi kawasan
sebagai tempat permukiman perdesaan, pelayanan jasa pemerintahan, pelayanan
sosial dan kegiatan ekonomi. Menurut Tim Penyusun Pusat Kamus (2005),
pedesaan adalah daerah pemukiman penduduk yang sangat dipengaruhi oleh
kondisi tanah, iklim, dan air sebagai syarat penting bagi terwujudnya pola
kehidupan agraris penduduk ditempat itu.
Dari definisi di atas dapat ditarik kesimpulan bahwa dua kriteria utama yang
lazim digunakan untuk membedakan wilayah perkotaan dan perdesaan antara lain:
kepadatan penduduk tiap km2 dan mayoritas mata pencaharian penduduk di sektor
pertanian atau non pertanian.

5

Perbedaan Perkotaan dan Perdesaan
Perbedaan yang paling sederhana antara perkotaan dan perdesaan di suatu
negara biasanya didasarkan pada anggapan bahwa masyarakat perkotaan memiliki
cara hidup dan biasanya memiliki standar hidup yang berbeda dibandingkan
masyarakat perdesaan. Pada negara yang sektor industrinya sedang berkembang,
perbedaan tersebut menjadi tidak terlalu terlihat lagi dan muncul perbedaan
mencolok lainnya seperti tingkat kepadatan penduduk di wilayah tersebut.
Beberapa negara merasa perlu menambahkan kriteria tambahan yang diyakini dapat
membedakan perkotaan dan perdesaan seperti persentase penduduk yang bekerja di
sektor pertanian, ketersediaan listrik dan atau ketersediaan air ledeng, dan
kemudahan akses ke sarana kesehatan, sekolah, dan tempat rekreasi. Bahkan pada
beberapa negara juga ditambahkan kriteria pembeda seperti kawasan pertanian,
pusat perdagangan, pusat industri, pusat pelayanan masyarakat dan lain sebagainya
yang dinilai mampu membedakan perkotaan dan perdesaan (UN 2008).
Menurut Arsyad et al.(2011), daerah perdesaan pada umumnya memiliki
ketidakberuntungan komparatif, yang biasanya muncul karena: (1) ketertinggalan
pembangunan berbagai infrastruktur yang mengakibatkan keterbatasan masyarakat
perdesaan dalam hal akses untuk berkomunikasi, produk, uang dan informasi dan
(2) keterbatasan kemampuan (ability) dan sumber daya (resource-type
disadvantages) untuk menghasilkan barang dan jasa yang bisa dijual di pasar yang
lebih luas. Infrastruktur yang dimaksud antara lain yaitu infrastruktur transportasi,
infrastruktur komunikasi, infrastruktur listrik, infrastruktur ekonomi, infrastruktur
kesehatan, dan infrastruktur pendidikan. Beberapa indikator yang digunakan untuk
melihat terpenuhinya infrastruktur tersebut dapat dilihat pada tabel berikut:
Tabel 2.1 Jenis Infrastruktur dan Indikator Pemenuhan Infrastruktur
Jenis Infrastruktur
Indikator
Infrastruktur Transportasi
• Ketersediaan jalan
• Akses kendaraan roda 4
Infrastruktur Komunikasi
• Keberadaan kantor pos
• Ketersediaan jaringan telepon
(telepon kabel atau seluler)
• Keberadaan internet
Infrastruktur Listrik
• Rumah tangga pengguna listrik
Infrastruktur Ekonomi
• Keberadaan pasar
• Keberadaan pertokoan
• Keberadaan lembaga keuangan
Infrastruktur Kesehatan
• Jumlah tenaga kesehatan
• Ketersediaan fasilitas
kesehatan
• Sumber air minum utama
Infrastruktur Pendidikan
• Ketersediaan
fasilitas
pendidikan dasar
• Rasio guru-murid

6

Dari semua indikator ketercapaian infrastruktur tersebut, dapat dibuat batasan yang
dijadikan acuan pembeda desa perkotaan dan desa perdesaan.

Regresi Logistik Biner
Regresi logistik merupakan salah satu metode regresi dimana peubah
responnya merupakan data kategorik. Regresi logistik biner digunakan jika peubah
respon terdiri dari dua kategori (Agresti 2002). Pada Metode Regresi Logistik Biner
dapat digunakan untuk klasifikasi data. Peubah respon Y = 1 menyatakan kejadian
yang “sukses” (masuk dalam kategori), sedangkan untuk Y = 0 menyatakan
kejadian yang “gagal” (tidak masuk kategori). Peubah Y ini akan mengikuti sebaran
Binomial.
Bentuk umum model peluang regresi logistik dengan k peubah bebas
diformulasikan sebagai berikut:
=

exp
+
1 + exp
+

+ ⋯+
+⋯+

…. 1

Jika model pada persamaan di atas ditransformasi dengan menggunakan
transformasi logit dari π(x), maka model logistik dapat ditulis sebagai persamaan
(Azen dan Walker 2011):
g x =ln

π xi
1-π xi

= β0 +β1 x1 +…+βk xk ….(2)

Pendugaan parameter pada regresi logistik menggunakan Maximum
Likelihood Estimation. Metode ini menduga nilai parameter β dengan
memaksimumkan fungsi Likelihood (Hosmer dan Lemeshow 2000). Nilai dugaan
parameter kemudian diuji untuk mengetahui peubah bebas mana yang berpengaruh
nyata terhadap model. Pengujian peubah bebas dapat dilakukan secara simultan
atau parsial.
Adapun hipotesis yang pada uji parsial sebagai berikut:
H0: βj = 0
H1: βj ≠ 0, j = 1, 2, … , k
Pengujian parameter secara parsial menggunakan statistik uji Wald dengan
sebagai berikut (Azen dan Walker 2011):
β-β
X=
Sβ
2

2

~ χ2

dengan df =1

… (3)

Pengujian parameter secara simultan dapat dilakukan dengan statistik uji
nisbah kemungkinan (Likelihood RatioTest) G dengan persamaan sebagai berikut
(Azen dan Walker 2011):

7

G2 = -2 ln

L0
Lk

2
~ χ(k)

… (4)

Salah satu metode yang digunakan untuk memilih model terbaik dengan
menyeimbangkan prinsip kebaikan (goodness-of-fit) dan prisip keserhanaan
(parsimony) dari model tersebut adalah metode Akaike’s Information Criterion
(Akaike 1974 dalam Perlich et al. 2003)):
AIC = -2(maximized log-likelihood) +2 (jumlah parameter) … (5)
Model terbaik adalah model dengan AIC terkecil.
Salah satu alat untuk mengukur kemampuan suatu metode klasifikasi dalam
meramalkan kelompok data baru digunakan peluang dari kesalahan klasifikasi
yang disebut dengan Apparent Error Rate (Rencher and Chistensen 2012).
Misalkan terdapat tabel dua arah yang merupakan hasil klasifikasi sebagai berikut:
Tabel 2.2 Tabel Klasifikasi Dua Arah
Klasifikasi Aktual
Klasifikasi
Perdesaan
Perkotaan
Perdesaan
Klasifikasi
Prediksi
Perkotaan
Total Kolom
.
.
AER =
Notasi
(misklasifikasi).

n12 +n21
n11 +n12 +n21 +n22
adalah

jumlah

Total
Baris
.

.

..

… 6
klasifikasi

yang

tidak

tepat

8

Gambar 2.1. Diagram Alir Regresi Logistik Biner
Bootstrap
Bootstrap, dikenal sebagai salah satu metode simulasi data, saat ini menjadi
semakin populer sebagai metode statistik. Bootstrap dimaksudkan untuk
menyederhanakan analisis statistik inferensia, yang kadangkala dalam situasi
tertentu sulit diperoleh hasil analisisnya. Seiring dengan berkembangnya teknologi
komputer yang semakin cepat dan handal, waktu dan upaya yang diperlukan dalam
proses bootstrap semakin menurun ke tingkat dimana bootstrap menjadi alternatif
yang tersedia untuk teknik parametrik standar.
Metode bootstrap diperkenalkan pada 1979 oleh Efron untuk menduga
parameter dari sebaran yang tidak diketahui bentuknya. Bootstrap merupakan
teknik modifikasi dari Jackknife yang diperkenalkan oleh Quenouille pada tahun
1948. Bootstrap pada awalnya tidak membobotkan model peluang, tetapi berbasis
pada data, sehingga bootstrap dikenal sebagai data driven approach. Pada
bootstrap dilakukan proses penarikan contoh kembali dari data contoh yang telah
tersedia (resampling) dengan syarat pengembalian (with replacement) untuk
kemudian dihitung statistik dari contoh tersebut dengan harapan contoh tersebut
dapat mewakili populasi sebenarnya. Biasanya proses resampling dilakukan ribuan

9

kali agar dapat mewakili data populasinya. Bootstrap memungkinkan seseorang
untuk melakukan inferensi statistik tanpa membuat asumsi sebaran terlebih dahulu.

Gambar 2.2. Ilustrasi Penarikan Contoh dengan Bootstrap (Barker 2005)
Seleksi Peubah dengan Bootstrap Regresi Logistik
Seperti yang telah dijelaskan pada bab terdahulu, seleksi peubah merupakan
tahapan yang amat penting dalam pemodelan. Kenkel dan Signorino (2013) telah
mengkombinasikan regresi basis dan bootstrap dengan pemilihan peubah untuk
menghasilkan bentuk pendugaan yang lebih fleksibel. Fokus penelitian mereka
adalah untuk mengeluarkan peubah yang tidak memiliki efek sesungguhnya dari
model dugaan pada contoh yang cukup besar. Kemudian mereka menggunakan
bootstrap untuk menghitung galat bakunya. Austin dan Tu (2004) melakukan
simulasi bootstrap regresi logistik dengan metode backward elimination, forward
selection dan stepwise selection. Seleksi peubah ini menghasilkan model yang tidak
stabil dan peubah yang dihasilkan dari seleksi ini cenderung terlalu sensitif terhadap
fluktuasi data.
Permasalahan ketidakstabilan model dapat dipecahkan dengan salah satu
metode yang digunakan oleh Shtatland et al. (2004) dalam penelitiannya. Mereka
menggunakan beberapa metode untuk seleksi peubah seperti perbandingan nilai
AIC dari regresi logistik, validasi menggunakan bootstrap dan cross validation dan
nilai rata-rata model dari bootstrap. Hasilnya adalah penggunaan nilai rata-rata
(averaging) dari simulasi bootstrap hampir selalu mampu memperbaiki performa
model terutama mengatasi model yang tidak stabil dan mampu menghasilkan nilai
dugaan yang lebih kekar (robust). Austin dan Tu (2004) menyarankan untuk
menggunakan metode bootstrap untuk menentukan kekuatan dari tiap peubah yang
benar-benar dapat dijadikan peubah prediktor dari peubah penjelas. Dari
rekomendasi Austin dan Tu, kombinasi metode bootstrap regresi logistik yang
dengan pengukuran kekuatan tiap peubah penyusun model merupakan metode yang
tepat untuk dilakukan dalam penelitian ini.

10

3 METODE PENELITIAN
Data
Data yang digunakan dalam penelitian ini merupakan data hasil pendataan
Potensi Desa (PODES) tahun 2011. Peubah respon (Y) dalam penelitian ini adalah
kode klasifikasi desa dengan desa perkotaan (1) dan desa perdesaan (0). Ada 15
peubah prediktor yang digunakan dalam penelitian ini. Kelimabelas peubah
prediktor dibagi menjadi dua kelompok. Kelompok pertama terdiri dari 11 peubah
yang saat ini digunakan BPS dalam penentuan klasifikasi desa dan kelompok kedua
terdiri dari empat peubah yang diharapkan dapat memperbaiki hasil klasifikasi desa.
Pemilihan empat peubah baru ini merujuk pada Tabel 2.1 yang dikembangkan oleh
Arsyad et al. (2011). Pemilihan peubah baru juga merujuk pada program-program
yang dikembangkan oleh Pemerintah Indonesia, seperti Internet Masuk Desa dan
masuknya lembaga keuangan hingga tingkat kecamatan.
Tabel 3.1 Peubah Prediktor Penyusun Model
Peubah
X1

Nama Peubah
Persentase Rumah Tangga
Pertanian

Rasio

X2

Skor Keberadaan TK

Nominal

X3

Skor Keberadaan SMP

Nominal

X4

Skor Keberadaan SMU

Nominal

X5

Skor Keberadaan Pasar

Nominal

X6

Skor Keberadaan Bioskop

Nominal

X7

Skor Keberadaan Pertokoan

Nominal

X8

Skor Keberadaan Rumah Sakit

Nominal

X9

Skor Keberadaan Hotel

Nominal

X10

Skor Keberadaan Telepon

Nominal

X11

Skor Keberadaan Listrik

Nominal

X12
X13
X14
X15

Kriteria

Skala

1 = Ada atau ≤ 2,5 Km *)
0 = > 2,5 Km*)
1 = Ada atau ≤ 2,5 Km *)
0 = > 2,5 Km*)
1 = Ada atau ≤ 2,5 Km *)
0 = > 2,5 Km*)
1 = Ada atau ≤ 2 Km *)
0 = > 2 Km*)
1 = Ada atau ≤ 5 Km *)
0 = > 5 Km*)
1 = Ada atau ≤ 2 Km *)
0 = > 2 Km*)
1 = Ada atau ≤ 5 Km *)
0 = > 5 Km*)
1 = Ada
0 = Tidak Ada
1 = ≥ 8,00
0 = < 8,00
1 = ≥ 90,00
0 = < 90,00
1 = Ada 0 = Tidak Ada

Skor Keberadaan BTS (Base
Nominal
Transceiver Station)
Skor Sinyal telepon seluler
Nominal 1 = Ada
Skor Keberadaan Warnet
Nominal 1 = Ada
1 = Ada
Skor
Keberadaan
Bank
Nominal
(Umum/Perkreditan Rakyat)

0 = Tidak Ada
0 = Tidak Ada
0 = Tidak Ada

11

Metode Analisis
Langkah-langkah analisis data yang akan dilakukan dalam penelitian ini
sebagai berikut:
1. Melakukan eksplorasi data PODES 2011. Eksplorasi dilakukan dengan melihat
sebaran X1, X2,…, X11, melihat korelasi antar peubah dan frekuensi desa
menurut klasifikasi.
2. Memilih di antara X1, X2,…, X11 yang memiliki kontribusi paling kecil
terhadap model. Pemilihan peubah dilakukan dengan cara:
a. Melakukan penarikan contoh bootstrap dengan ukuran contoh sebanyak
n dan ulangan bootstrap (replikasi) sebanyak B.
b. Membuat model regresi logistik biner pada tiap ulangan bootstrap
sehingga akan dihasilkan sebanyak B model regresi logistik.
c. Dari masing-masing peubah akan dihitung berapa kali peubah tersebut
signifikan dari B model yang terbentuk lalu kemudian dihitung
persentasenya.
d. Membuat peringkat peubah yang akan dikeluarkan paling awal dari
dalam model berdasarkan persentase signifikansi yang paling kecil.
3. Membuat model baru dengan mengurangi peubah satu per satu secara bertahap
hingga didapat model optimum yang memiliki peubah sedikit dan error yang
kecil pula.
a. Pemilihan model ini dilakukan dengan metode k-fold cross-validation
method. K-fold cross-validation method adalah metode validasi silang
dimana set data dibagi menjadi k kelompok data (fold) yang berukuran
sama dan kemudian diberi nomor. Selanjutnya lipatan pertama dijadikan
set validasi (testing) dan sisanya dijadikan set percobaan (training). Hal
yang sama dilakukan pada set kedua dan seterusnya hingga set ke k.
Hasil akhir berupa nilai dugaan rata-rata dari k set tersebut.
b. Pemilihan model terbaik dilakukan dengan membandingkan crossvalidation error dan cross-validation accuracy model yang satu dengan
model yang lain. Apabila nilai error dan akurasi yang didapat tidak
berbeda jauh, maka pemilihan model terbaik dilakukan dengan
membandingkan selisih error antar model yang paling besar.
4. Menambahkan peubah baru ke dalam model optimum yang dihasilkan pada
poin 3 dan melakukan pemilihan peubah yang memiliki kontribusi paling kecil
terhadap model. Pemilihan peubah dilakukan dengan cara yang sama pada poin
2 dan 3. Hasil akhir berupa model baru yang lebih kekar dan mampu menaikkan
ketepatan klasifikasi.
5. Menghitung titip potong peluang yang mampu mengurangi tingkat kesalahan
klasifikasi pada model yang dihasilkan pada poin 4, dengan melihat error rate,
sensitivitas dan spesifisitas.
Gambar 3.1 menyajikan diagram alir penelitian:

12

Gambar 3.1. Diagram Alir Penelitian

4 HASIL DAN PEMBAHASAN
Eksplorasi Data
Langkah awal dari analisis data yakni melakukan eksplorasi data baik data
numerik maupun kategorik. Eksplorasi dapat dilakukan secara deskriptif dalam
sajian tabel dan grafik maupun gambaran hubungan korelasi antar peubah. Salah
satu sajian tabel yang dapat di analisis adalah tabel proporsi desa perkotaan dan
desa perdesaan di Indonesia. Pada tabel 4 dapat dilihat bahwa jumlah desa yang ada
di Indonesia adalah 78.609 desa, yang terdiri dari 13.189 desa perkotaan dan 65.420
desa perdesaan.

13

Perkotaan
17%
Perdesaan
83%

Gambar 4.1 Persentase Desa Perkotaan dan Desa Perdesaan di Indonesia Tahun
2011
Pada penyajian gambar 4.1 dapat kita lihat bahwa persentase desa perdesaan
lebih besar dibandingkan desa perkotaan. Persentase desa perkotaan dan perdesaan
ini dapat dilihat lebih rinci berdasarkan propinsi.

Gambar 4.2. Persentase Desa Perkotaan dan Perdesaan di Indonesia Tahun
2011 Menurut Propinsi
Pada gambar 4.2 dapat dilihat gambaran persentase desa perkotaan dan desa
perdesaan menurut propinsi di Indonesia. Pada gambar terlihat bahwa Propinsi DKI
Jakarta tidak memiliki desa perdesaan. Hal ini disebabkan fungsi DKI Jakarta
sebagai pusat pemerintahan dengan sarana prasarana yang serba ada. Dalam gambar
juga terlihat bahwa Propinsi Papua memiliki persentase desa perkotaan paling
sedikit di Indonesia.

14

70.00

35.00 32.77

58.86

60.00

30.00

50.00

25.00

40.00

20.00

30.00 21.02
20.00

15.00

26.69

13.59
10.99
9.74

10.00
5.28 4.47

10.00

8.26
2.12

6 Maluku & Papua

5 Sulawesi

4 Bali & Nusa Tenggara

3 Kalimantan

2 Jawa

1 Sumatera

6 Maluku & Papua

5 Sulawesi

4 Bali & Nusa Tenggara

3 Kalimantan

2 Jawa

0.00
1 Sumatera

0.00

6.22

5.00

(a)
(b)
Gambar 4.3 Persentase Desa Perkotaan (a) dan Desa Perdesaan (b) di Indonesia
Tahun 2011 berdasarkan Pembagian Wilayah atau Pulau Besar
Persentase desa perkotaan dan desa perdesaan di Indonesia juga dapat
dilihat berdasarkan pembagian wilayah atau pulau besar yang disajikan dalam
gambar 4.3. Berdasarkan gambar tersebut terlihat bahwa dari total jumlah desa
perkotaan di Indonesia, mayoritas desa perkotaan berada di Pulau Jawa. Pada
gambar juga terlihat bahwa mayoritas desa perdesaan berada di Pulau Sumatera.

Gambar 4.4. Persebaran Desa Perkotaan dan Desa Perdesaan di Propinsi Jawa
Timur

15

Gambar 4.5. Persebaran Desa Perkotaan dan Desa Perdesaan di Propinsi Papua
Jika kita perhatikan peta tematik yang disajikan pada gambar 4.4 dan
gambar 4.5, terlihat bahwa sebaran desa perkotaan dan desa perdesaan di Propinsi
Jawa Timur dan Papua amat berbeda. Propinsi Jawa Timur sebagai propinsi
terbesar kedua di Indonesia memiliki desa perkotaan yang cukup banyak. Lain
halnya dengan Propinsi Papua. Pada gambar 4.5 terlihat jelas bahwa terdapat sedikit
sekali desa yang bisa di kategorikan sebagai desa perkotaan. Bahkan ada kabupaten
yang tidak memiliki desa perkotaan.
Kabupaten/kota yang dekat dengan ibukota propinsi biasanya merasakan
imbas atau dampak dari pembangunan yang terjadi di ibukota. Dampak tersebut
dapat berupa kemajuan infrastruktur atau fasilitas dari kabupaten/kota tersebut.
Akibatnya akan ditemukan lebih banyak desa perkotaan di daerah tersebut. Contoh
kabupaten yang terkena dampak pembangunan dari kota tetangganya adalah
Kabupaten Sidoarjo yang bertetangga dengan Kota Surabaya.

Gambar 4.6. Persebaran Desa Perkotaan dan Desa Perdesaan di Kab. Sidoarjo

16

Pada gambar 4.6, terlihat bahwa Kabupaten Sidoarjo didominasi oleh desa
perkotaan. Meskipun didominasi oleh kawasan perkotaan, kabupaten ini juga
menampakkan kondisi yang unik. Kondisi unik yang dimaksud adalah adanya desa
perdesaan yang dikelilingi desa perkotaan, contohnya adalah Desa Janti. Akan
tetapi hal yang berbeda terjadi di Kabupaten Jayapura. Meskipun bertetangga
dengan Kota Jayapura, sepertinya dampak pembangunan ibukota tidak terlalu nyata
menyentuh kabupaten ini. Pada gambar 4.7, terlihat bahwa jumlah desa perkotaan
di kabupaten ini amat sedikit.

Gambar 4.7. Persebaran Desa Perkotaan dan Desa Perdesaan di Kab.
Jayapura
Setelah melakukan eksplorasi dengan analisis sajian tabel dan gambar,
eksplorasi dapat dilanjutkan dengan melihat ada tidaknya hubungan linier antar
peubah. Analisis korelasi digunakan untuk melihat keberadaan hubungan linier
antar peubah. Tabel 4.1 menyajikan nilai korelasi antar peubah yang terlibat dalam
penelitian ini.

17

Tabel 4.1. Nilai Korelasi antar peubah penyusun model
Peubah
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15

Y
-0,529
0,254
0,246
0,396
0,330
0,385
0,506
0,555
0,219
0,545
0,189
0,304
0,149
0,587
0,441

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

X14

-0,398
-0,307
-0,360
-0,289
-0,279
-0,418
-0,428
-0,166
-0,380
-0,267
-0,325
-0,287
-0,480
-0,333

0,396
0,336
0,326
0,111
0,317
0,233
0,075
0,168
0,284
0,221
0,386
0,285
0,198

0,452
0,328
0,116
0,304
0,204
0,078
0,171
0,161
0,224
0,244
0,271
0,193

0,375
0,204
0,435
0,325
0,129
0,290
0,166
0,251
0,192
0,384
0,285

0,163
0,568
0,237
0,099
0,243
0,150
0,217
0,183
0,325
0,310

0,261
0,369
0,161
0,446
0,092
0,154
0,063
0,313
0,265

0,395
0,160
0,372
0,204
0,269
0,194
0,461
0,387

0,192
0,447
0,178
0,203
0,151
0,437
0,294

0,229
0,055
0,123
0,046
0,199
0,192

0,136
0,239
0,096
0,467
0,398

0,150
0,264
0,202
0,135

0,210
0,384
0,306

0,169
0,112 0,471

18

Pada tabel korelasi antar peubah yang disajikan oleh tabel 4.1, terlihat
korelasi antar peubah Y dengan tiap peubah X tidak ada yang bernilai nol. Artinya
antar peubah Y dan X memiliki hubungan linier. Tabel 4.1 menunjukkan bahwa
korelasi antar peubah X juga tidak ada yang bernilai nol yang berarti terdapat
hubungan linier antar peubah X.
Korelasi antar peubah X biasanya mengindikasikan bahwa adanya
kemungkinan terjadi masalah multikolinieritas. Masalah multikolinieritas akan
menyebabkan model regresi yang dihasilkan tidak tepat. Pengecekan keberadaan
masalah multikolinieritas dilakukan dengan membuat model regresi yang
melibatkan seluruh peubah X dan kemudian dilihat nilai VIF yang muncul. Jika ada
peubah yang memiliki nilai VIF di atas 5 maka dapat disimpulkan bahwa terjadi
masalah multikolinieritas.
Tabel 4.2 Nilai Koefisien, Galat Baku, dan Variance Inflation
Factors (VIF) Peubah Penyusun Model
Peubah
Konstanta
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15

Koefisien
Galat Baku Koef.
-4,5210
0,2790
-0,0359
0,0006
0,7745
0,0808
0,1145
0,0500
0,5868
0,0355
0,2040
0,0386
1,0414
0,0993
0,8842
0,0381
1,2971
0,0337
0,3389
0,0904
1,2372
0,0551
0,2673
0,0400
0,1635
0,0335
1,7770
0,2720
1,0520
0,0345
0,6118
0,0423

VIF
1,03
1,07
1,21
1,22
1,47
1,03
1,47
1,06
1,02
1,05
1,01
1,14
1,01
1,21
1,19

Pada keluaran Minitab yang disajikan pada tabel 4.2 terlihat bahwa nilai
VIF dari semua peubah X tidak ada yang di atas 5. Nilai tersebut menunjukkan
bahwa tidak terjadi masalah multikolinieritas dalam model sehingga dapat
disimpulkan semua peubah X layak untuk dimasukkan ke dalam model.
Berdasarkan kesimpulan yang diambil, kita dapat melanjutkan ke tahapan
eksplorasi selanjutnya yakni analisis deskriptif pada data.
Salah satu peubah yang sering digunakan sebagai pembeda perkotaan dan
perdesaan oleh banyak Negara adalah rumah tangga yang bermata pencaharian di
sektor pertanian. Desa perdesaan diyakini memiliki lebih banyak rumah tangga
pertanian dibandingkan desa perkotaan. Pada tabel 4.3 terlihat bahwa secara
deskriptif terbukti bahwa desa perdesaan memliki lebih banyak rumah tangga
pertanian dibandingkan desa perkotaan.

19

Tabel 4.3 Rata-rata Persentase Rumah Tangga
Pertanian Menurut Klasifikasi Desa
Klasifikasi Desa
Rata-rata Persentase Rumah Tangga
Pertanian (%)
Perkotaan
23,35
Perdesaan
75,07
Sarana pendidikan antar desa perkotaan dan desa perdesaan juga cenderung
berbeda. Desa perkotaan diyakini memiliki sarana pendidikan yang lebih lengkap
dibandingkan desa perdesaan. Program Pendidikan Dasar 9 Tahun yang
dicanangkan oleh pemerintah mendorong pembangunan sarana pendidikan hingga
ke pelosok desa.
Tabel 4.4 Persentase Desa Yang Memiliki Sarana Pendidikan (TK,
SMP, dan SMU) Menurut Klasifikasi Desa (%)
Klasifikasi Desa
TK
SMP
SMU
Perkotaan
98,35
92,67
78,71
Perdesaan
68,27
61,63
27,77
Pada tabel 4.3 dapat kita lihat desa perkotaan memiliki fasilitas pendidikan
yang lebih lengkap dibandingkan desa perdesaan. Hal ini ditunjukkan dengan
persentase yang cukup tinggi dari desa perkotaan yang sudah dilengkapi sarana
pendidikan tersebut. Pada tabel 4.4 dapat dilihat bahwa 98,35% dari seluruh desa
perkotaan di Indonesia sudah memiliki Taman Kanak-Kanak. Tabel 4.4 juga
menunjukkan hanya 27,77% desa perdesaan yang memiliki Sekolah Menengah
Umum/sederajat.

Seleksi Peubah X1 hingga X11
Setelah dilakukan eksplorasi data secara deskriptif, langkah penelitian
selanjutnya adalah membuat model awal dengan regresi logistik biner. Hasil uji
parameter secara parsial menunjukkan bahwa semua peubah prediktor berbeda
nyata dalam membedakan desa perkotaan dan desa perdesaan. Koefisien parameter
dan Z-Value ditampilkan pada tabel berikut:

20

Tabel 4.5 Nilai Parameter β, Galat Baku, Nilai-Z dan Nilai-p
dari Uji Parsial Parameter
Galat
Peubah
β
Nilai-Z
Nilai-p
Baku
Kons.
-2,7099
0,0890
-30,4360
0,0000
X1
-0,0399
0,0006
-71,9130
0,0000
X2
1,0668
0,0793
13,4460
0,0000
X3
0,2498
0,0484
5,1620
0,0000
X4
0,7003
0,0344
20,3600
0,0000
X5
0,3109
0,0373
8,3440
0,0000
0,0966
11,9370
X6
1,1529
0,0000
0,0367
29,5260
X7
1,0850
0,0000
0,0325
40,8450
X8
1,3256
0,0000
0,0889
7,4580
X9
0,6628
0,0000
0,0536
30,9750
X10
1,6610
0,0000
0,0385
9,1960
X11
0,3544
0,0000
Tabel 4.5 menunjukkan nilai-p dari semua peubah prediktor berbeda nyata
pada α = 0,05, sehingga semua peubah diikutsertakan dalam model awal. Model
awal memiliki AIC = 30034 dengan AER = 7,635%.
Langkah analisis selanjutnya adalah memilih peubah yang tidak
diikutsertakan dari model awal. Pemilihan peubah yang dikeluarkan dari model
menggunakan simulasi bootstrap. Penarikan contoh bootstrap dilakukan dengan
penarikan contoh acak sederhana dengan memperhatikan proporsi desa perkotaan
dan desa perdesaan secara keseluruhan dan keterwakilan contoh berdasarkan pulaupulau besar yang ada di Indonesia. Adapun rumus penentuan jumlah contoh sebagai
berikut:
Np(1-p)
B2
n=
dengan D=
…(7)
4
N-1 D+p(1-p)
Penentuan jumlah contoh bootstrap harus berdasarkan batas kesalahan
(Margin of Error) yang digunakan oleh peneliti. Pada penelitian ini dilakukan
simulasi penentuan jumlah contoh berdasarkan beberapa batas kesalahan yang
dapat digunakan oleh peneliti. Setelah dilakukan penentuan jumlah contoh
bootstrap (n), proses selanjutnya adalah penarikan contoh bootstrap sebanyak n
untuk 1 set contoh bootstrap. Penarikan contoh tersebut kemudian diulang hingga
terbentuk sejumlah set contoh bootstrap yang dinamakan replikasi bootstrap (B).
Pada tiap replikasi bootstrap kita terapkan model regresi logistik biner. Hasil
pemodelan akan terlihat peubah yang signifikan. Replikasi tersebut diulang
sebanyak 10.000 kali. Berdasarkan keseluruhan replikasi, selanjutnya dibuat
persentase signifikansi tiap peubah dengan rumus:
% Signifikansi Xi =

jumlah Xi yang sig. dari B rep.
x 100%
B rep.

…(8

21

Tabel 4.6 Persentase Signifikansi Tiap Peubah dalam Ukuran Contoh n
Peubah
Persentase Signifikansi Peubah Menurut Ukuran Contoh (%)
Batas Galat = 0,025 Batas Galat = 0,010 Batas Galat = 0,000
n = 893
n = 5266
n = 78609
X1
100,0
100,0
100,0
X2
12,9
97,7
100,0
X3
7,4
26,5
99,9
X4
58,9
99,9
100,0
X5
15,1
58,9
100,0
X6
18,4
89,8
100,0
X7
88,8
100,0
100,0
X8
98,5
100,0
100,0
X9
13,9
48,9
100,0
X10
92
100,0
100,0
X11
15,4
65,9
100,0
Pada simulasi yang ditunjukkan oleh tabel 4.6 terlihat jika ukuran contoh
bootstrap sama dengan ukuran contoh sesungguhnya maka sensitivitas signifikansi
akan semakin tinggi. Akan tetapi, jika ukuran contoh bootstrap diperkecil maka
akan terlihat peubah-peubah yang dianggap tidak signifikan. Tanpa melihat besar
persentase kekuatan peubah, ukuran contoh 893 dan 5266 menghasilkan gambaran
kekuatan peubah yang serupa. Berdasarkan simulasi pada tabel tersebut, dapat
dibuat tingkat kekuatan peubah yang disajikan pada gambar berikut.

Gambar 4.8. Tingkat Kekuatan Peubah X1-X11 pada n = 5266
Berdasarkan gambar 4.8, urutan peubah yang tidak diikutsertakan dalam
model berturut-turut adalah X3, X9, X5, X11, X6, X2, dan X4. Langkah selanjutnya
membuat model baru dengan mengeluarkan satu per satu peubah yang memiliki
persentase signifikansi yang lebih kecil. Pemodelan menggunakan metode validasi
silang yang disebut k-fold cross validation. Pada k-fold cross validation, data dibagi
menjadi k bagian. Lalu dilakukan uji silang dengan menjadikan 1 bagian sebagai
data training dan k-1 bagian lainnya sebagai data testing. Hal tersebut diulang

22

sebanyak k kali, lalu di hitung rata-rata kesalahan dan keakuratan dari tiap model.
Nilai k yang umum digunakan adalah 10.
Tahapan selanjutnya adalah membandingkan nilai dugaan galat prediksi dan
nilai dugaan akurasi dari model tersebut. Hasilnya adalah sebagai berikut:
Tabel 4.7 Simulasi Pengurangan Peubah Penyusun Model Beserta
Dugaan Galat Prediksi dan Dugaan Keakuratan
No.
Peubah yang Tidak
Dugaan
Selisih
Dugaan
Selisih
Diikutsertakan
Galat
Galat
Akurasi Akurasi
Prediksi
1
0,056
0,924
2
X3
0,056
0,000
0,924
0,000
3
X3, X9
0,056
0,000
0,924
0,000
4
X3, X9, X5
0,057
0,001
0,923
-0,001
5
X3, X9, X5, X11
0,057
0,000
0,923
0,000
6
X3, X9, X5, X11, X6
0,057
0,000
0,923
0,000
0,001
0,922
-0,001
7
X3, X9, X5, X11, X6,
0,058
X2
8
X3, X9, X5, X11, X6,
0,059
0,001
0,921
-0,001
X2, X4
9
10
11

X3, X9, X5, X11, X6,
X2, X4, X10
X3, X9, X5, X11, X6,
X2, X4, X10, X7
X3, X9, X5, X11, X6,
X2, X4, X10, X7, X8

0,062

0,003

0,918

-0,003

0,069

0,007

0,909

-0,009

0,079

0,010

0,894

-0,015

Pada tabel 4.7 terlihat bahwa ada dua model yang patut dipertimbangkan
sebagai model sederhana, yakni model ke-7 dan ke-8. Kedua model tersebut
memiliki selisih galat yang tidak terlalu jauh dengan model sebelumnya (selisih
galat model 7 ke 6 dan model 8 ke 7). Hal yang membedakan kedua model tersebut
adalah keberadaan peubah X4 di dalam model. Untuk mendapatkan hasil penelitian
yang meyakinkan, dilakukan simulasi penambahan peubah X12-X15 ke dalam ke
dua model tersebut.
Penambahan Peubah X12-X15
Tahap selanjutnya adalah menambahkan peubah X12-X15 untuk menguji
kemampuan peubah baru menghasilkan model yang lebih baik. Setelah X12-X15
dimasukkan ke dalam model ke-7 dan ke-8 ternyata uji simultan dan uji parsial dari
model baru juga memberikan hasil bahwa semua peubah signifikan. Dengan
mengulangi simulasi bootstrap dengan n = 5266 pada model nomor 7 dan 8 dengan
tambahan X12-X15 , diperoleh hasil sebagai berikut:

23

Tabel 4.8

Peubah
X1
X4
X7
X8
X10
X12
X13
X14
X15

Persentase Signifikansi Peubah pada 10.000
replikasi dan Peringkat Peubah
Persentase Signifikansi Peubah
Model 7
Model 8
100,0
100,0
99,9
100,0
100,0
100,0
100,0
100,0
100,0
29,3
37,4
38,8
50,4
100,0
100,0
96,9
98,8

Gambar 4.9. Tingkat Kekuatan Peubah Penyusun Model Akhir dengan
mengikutsertakan X4
Tahapan selanjutnya adalah membuat model baru dengan mengeluarkan satu
per satu peubah yang memiliki persentase signifikansi yang lebih kecil kemudian
akan dibandingkan nilai AIC dan AER model tersebut. Hasilnya adalah sebagai
berikut:

24

Tabel 4.9 Simulasi Pengurangan Peubah Penyusun Model Beserta
Dugaan Galat Prediksi dan Dugaan Keakuratan
No.
Peubah yang Tidak
Dugaan
Selisih
Dugaan
Selisih
Diikutsertakan
Galat
Galat
Akurasi Akurasi
Prediksi
Simulasi dengan Model ke-7 (X1, X4, X7, X8, X10, X12, X13, X14, X15)
1
0,053
0,928
2
X12
0,053
0,000
0,928
0,000
3
X12, X13
0,053
0,000
0,928
0,000
4
X12, X13, X15
0,054
0,001
0,927
-0,001
5
X12, X13, X15, X4
0,055
0,001
0,926
-0,001
Simulasi dengan Model ke-8 (X1, X7, X8, X10, X12, X13, X14, X15)
6
0,054
0,927
7
X12
0,054
0,000
0,927
0,000
8
X12, X13
0,054
0,000
0,926
-0,001
9
X12, X13, X15
0,055
0,001
0,926
0,000
Pada tabel 4.9 terlihat bahwa penambahan peubah baru meningkatkan
tingkat ketepatan model, sehingga dapat disimpulkan bahwa penambahan peubah
baru berdampak positif terhadap model. Jika kita bandingkan kedua simulasi di
atas, terlihat bahwa simulasi dengan model ke-7 memiliki nilai error yang lebih
kecil dan tingkat akurasi yang lebih tinggi. Hal ini mempertegas bahwa peubah X4
sebaiknya diikutsertakan ke dalam model. Jika kita perhatikan model ke-12 terlihat
bahwa model tersebut memiliki tingkat akurasi yang paling baik dikarenakan
memiliki selisih error yang tidak terlalu besar dan tingkat akurasi yang cukup tinggi
yakni sebesar 92,8%. dapat disimpulkan model ke-12 dengan peubah X1, X4, X7,
X8, X10, X14, X15 merupakan model yang lebih baik untuk digunakan dalam
penentuan klasifikasi perkotaan dan perdesaan. Model regresi logistik yang
dihasilkan ke-7 peubah tersebut adalah sebagai berikut:
=
exp −1,723 − 0,037 + 0,704 ' + 1,082 ) + 1,397 +
+1,325
+ 1,188 ' + 0,704 exp −1,723 − 0,037 + 0,704 ' + 1,082 ) + 1,397
1+
+1,325
+ 1,188 ' + 0,704 -

+

…. 9

Penentuan Titik Potong Peluang
Setelah didapatkan model terbaik dalam penentuan klasifikasi desa
perkotaan dan desa perdesaan, selanjutnya kita cari titik potong peluang yang
diperkirakan mampu meminimumkan tingkat kesalahan klasifikasi. Pencarian titik
potong ini dilakukan dengan simulasi bootstrap dengan jumlah ukuran contoh
sebanyak 5000 dan 10.000 ulangan. Berikut adalah hasil simulasi yang dihasilkan:

25

Tabel 4.10 Nilai AIC, AER, Sensitivitas, dan 1-Spesifisitas
Berdasarkan Titik Potong
Titik
Potong
0,15
0,495
0,499
0,500
0,501
0,505

AIC
28789,0202
28789,0202
28789,0202
28789,0202
28789,0202
28789,0202

AER
11,0433
7,2333
7,2358
7,2422
7,2473
7,2473

Sensitivitas

Spesifisitas

0,8821
0,7127
0,7105
0,7098
0,7090
0,7075

0,8911
0,9710
0,9714
0,9715
0,9716
0,9719

1- Spes.
0,1089
0,0290
0,0286
0,0285
0,0284
0,0281

Pada tabel 4.10 dapat dilihat bahwa titik potong untuk menghasilkan nilai
sensitivitas dan spesifisitas yang seimbang terletak pada titik 0,15. Akan tetapi titik
potong 0,495 mampu menghasilkan nilai AER yang minimum dan nilai sensitivitas
yang tinggi. Artinya ketepatan memprediksi desa perkotaan tepat menjadi desa
perkotaan (True Positive) titik 0,495 sudah di atas titik potong awal (0,500).

Aplik