Pemodelan Regresi Logistik Data Panel Menggunakan Pendekatan Fixed Effect Pada Status Ketahanan Pangan Di Jawa Timur
| Main Authors: | Robiatul M., Fari’s Yukla, Dr. Suci Astutik, S.Si., M.Si. |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2022
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/id/eprint/195151/1/Fari%27s%20Yukla%20R.M..pdf http://repository.ub.ac.id/id/eprint/195151/ |
Daftar Isi:
- Regresi logistik biner adalah regresi yang digunakan untuk menganalisis hubungan antar variabel ketika variabel respon bersifat biner. Namun dalam pemanfaatannya, penerapan analisis regresi logistik biner masih hanya terbatas pada data cross section saja sehingga belum cukup dalam menangkap efek perubahan di sepanjang waktu. Oleh karena itu, analisis regresi logistik panel dikembangkan untuk mengatasi keterbatasan penggunaan data tersebut. Ketahanan pangan merupakan variabel penting atas kesejahteraan bangsa. Status ketahanan pangan suatu daerah dikategorikan biner, yaitu daerah tahan pangan dan rawan pangan yang dapat dilihat berdasarkan kurun waktu tertentu. Penelitian ini bertujuan untuk memodelkan status ketahanan pangan di Provinsi Jawa Timur tahun 2017-2020 dengan menggunakan regresi logistik panel dengan fixed effect. Metode pendugaan parameter yang digunakan dalam penelitian ini adalah conditional maximum likelihood. Berdasarkan uji kesesuaian model dengan menggunakan uji Hosmer-Lemeshow, regresi logistik panel dengan fixed effect sesuai untuk data status ketahanan pangan Provinsi Jawa Timur tahun 2017-2020. Hasil penelitian ini menunjukkan bahwa terdapat empat variabel prediktor yang dilibatkan dalam model, dimana dua diantaranya berpengaruh secara signifikan terhadap status ketahanan pangan. Variabel tersebut adalah Jumlah Penduduk Miskin dan Tingkat Partisipasi Angkatan Kerja (TPAK). Jumlah penduduk miskin yang tinggi dapat menurunkan status ketahanan pangan dan sebaliknya. TPAK yang tinggi dapat meningkatkan status ketahanan pangan dan sebaliknya. Model yang terbentuk menghasilkan tingkat ketepatan klasifikasi sebesar 67,11%, nilai sensitivitas sebesar 69,44%, dan spesifisitas sebesar 65%, sehingga peforma klasifikasi masuk dalam kategori cukup.