1

BAB 1
LATAR BELAKANG
1.1 Latar Belakang
Pertumbuhan penduduk adalah perubahan jumlah penduduk baik
pertambahan maupun penurunannya. Migrasi merupakan salah satu dari ketiga
faktor dasar yang mempengaruhi pertumbuhan penduduk, sedangkan faktor lain
adalah kelahiran dan kematian. Kelahiran dan kematian dinamakan faktor alami,
sedangkan perpindahan penduduk dinamakan faktor non alami.
Gerak perpindahan penduduk atau migrasi dari suatu daerah ke daerah
lainnya merupakan suatu bentuk respon atau reaksi dari adanya variasi keadaan
dimana mereka berdiam/hidup. Perkembangan sosial ekonomi antara daerah yang
satu dengan daerah lainnya, jarang sekali terjadi kesamaan. ketidaksamaan ini
menimbulkan kesempatan-kesempatan yang berbeda untuk masing-masing
daerah. Banyak faktor yang mempengaruhi proses migrasi, sehingga
permasalahannya makin rumit dan kompleks.
Peninjauan migrasi secara regional sangat penting untuk ditelaah secara
khusus mengingat adanya kepadatan dan distribusi penduduk yang tidak merata,
adanya faktor-faktor pendorong dan penarik bagi orang-orang untuk melakukan
migrasi, adanya desentralisasi dalam pembangunan, dilain pihak, komunikasi
termasuk transportasi semakin lancar.
Dari hasil penelitian yang pernah dilakukan Syaukat (Nachrowi Djalal, 2005)
terungkap bahwa dorongan utama bagi seseorang atau sekelompok orang untuk
melakukan migrasi adalah keinginan untuk memperbaiki mutu/taraf hidup, disini
tersirat bahwa faktor ekonomi merupakan motivasi yang dominan dalam migrasi.
Meskipun demikian, tidaklah berarti bahwa faktor-faktor lain diluar faktor
ekonomi tidak berpengaruh pada keputusan seseorang untuk melakukan migrasi.
Untuk mengetahui faktor yang paling mempengaruhi keputusan seseorang
untuk melakukan migrasi diperlukan suatu analisis statistik. Dalam ilmu statistik,
untuk menggambarkan hubungan antara satu atau beberapa variabel penjelas
(independent, prediktor) dengan beberapa variabel respon (dependent, outcome)
2
diperlukan suatu metode statistik yang disebut metode regresi. Variabel respon
dan variabel penjelas yang dianalisis dengan model regresi dapat berupa variabel
bersifat kuantitatif dan dapat pula bersifat kualitatif.
Saat ini dikenal berbagai metode regresi. Untuk variabel respon yang bersifat
kualitatif, maka analisis yang digunakan adalah model regresi logistik, apabila
variabel responnya biner (dikotomous/hanya terdiri dari dua kategori). Tetapi
apabila variabel responnya terdiri lebih dari dua kategori (polytomous), maka
analisis yang digunakan adalah model multinomial logit.
Dari latar belakang, maka penulis mencoba untuk menganalisis faktor-faktor
apa saja yang diperkirakan mempengaruhi penduduk Samarinda untuk memilih
daerah tujuan migrasi serta berapa besar peluang terjadinya migrasi berdasarkan
faktor penyebabnya, yang dituangkan dalam bentuk skripsi sebagai syarat tugas
akhir dengan judul :
“ Aplikasi Model Multinomial Logit pada Pilihan Migrasi Penduduk”
1.2 Batasan Masalah
Faktor-faktor penyebab migrasi penduduk terlalu luas dan keterbatasan data
dari BPS Propinsi Kalimantan Timur, maka variabel bebas dalam penelitian ini
dibatasi pada : umur, tingkat pendidikan, jenis kelamin, dan status menikah.
Sedangkan untuk variabel respon dibatasi hanya ada tiga kategori pilihan daerah
tujuan migrasi, yaitu migrasi Samarinda ke Tarakan, Samarinda ke Balikpapan
dan Samarinda ke Bontang.
1.3 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, maka yang menjadi
rumusan masalahnya adalah :
1. Faktor-faktor apa yang mempengaruhi migran melakukan migrasi dari
Samarinda berdasarkan tujuan migrasinya?
2. Berapa besar peluang faktor-faktor yang mempengaruhi migran melakukan
migrasi dari Samarinda berdasarkan tujuan migrasinya?
3
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah :
1. Mengetahui faktor-faktor yang mempengaruhi migran melakukan migrasi dari
Samarinda berdasarkan tujuan migrasinya.
2. Mengetahui besarnya peluang faktor-faktor yang mempengaruhi migran
melakukan migrasi dari Samarinda berdasarkan tujuan migrasinya.
1.5 Manfaat Penelitian
Manfaat yang bisa diambil dalam penelitian ini yaitu :
1. Sebagai bahan masukan bagi pemerintah kota maupun pemerintah daerah
dalam mengantisipasi persebaran penduduk yang tidak merata.
2. Memberikan gambaran dan penjelasan mengenai kegunaan serta cara
penggunaan model multinomial logit.
3. Sebagai bahan informasi bagi pihak yang berkepentingan, terutama untuk
pihak-pihak yang akan melakukan penelitian dengan topik bahasan yang
sama.
4
BAB 2
TINJAUAN PUSTAKA
Migrasi
Migrasi merupakan salah satu dari ketiga faktor dasar yang mempengaruhi
pertumbuhan penduduk, sedangkan faktor lain adalah kelahiran dan kematian
(Lembaga Demografi,1981). Peninjauan migrasi secara regional sangat penting
untuk ditelaah secara khusus mengingat adanya densitas (kepadatan) dan
distribusi penduduk yang tidak merata, adanya faktor-faktor pendorong dan
penarik bagi orang-orang untuk melakukan migrasi, adanya desentralisasi dalam
pembangunan, dilain pihak, komunikasi termasuk transportasi semakin lancar.
Menurut Sensus 1971 ternyata dari seluruh propinsi di Indonesia tidak satu
propinsi pun yang tidak mengalami perpindahan penduduk baik perpindahan
masuk maupun perpindahan keluar.
Migrasi antar bangsa (migrasi internasional) tidak begitu berpengaruh
dalam menambah atau mengurangi jumlah penduduk suatu negara kecuali di
beberapa negara tertentu yang berkenaan dengan pengungsian, akibat dari
bencana, baik alam maupun perang. Pada umumnya orang yang datang dan pergi
antar negara boleh dikatakan berimbang saja jumlahnya. Peraturan-peraturan atau
undang-undang yang dibuat oleh banyak negara umumnya sangat sulit dan ketat
bagi seseorang untuk bisa menjadi warga negara atau menetap secara permanen di
suatu negara lain.
Adapun yang dimaksud dengan migrasi adalah perpindahan penduduk
dengan tujuan untuk menetap dari suatu tempat ke tempat lain melampaui batas
politik/negara ataupun batas administratif/batas bagian dalam suatu negara. Jadi
migrasi sering diartikan sebagai perpindahan yang relative permanen dari suatu
daerah ke daerah lain. Ada dua dimensi penting yang perlu ditinjau dalam
penelaahan migrasi, yaitu dimensi waktu dan dimensi daerah. Untuk dimensi
waktu, ukuran yang pasti tidak ada karena sulit menentukan seberapa lama
seseorang pindah tempat tinggal untuk dapat dianggap sebagai seorang migran,
5
tetapi biasanya digunakan definisi yang ditentukan dalam sensus
penduduk.(Lembaga Demografi,1981)
Untuk dimensi daerah secara garis besarnya dibedakan perpindahan antar
negara yaitu perpindahan penduduk dari suatu negara ke negara lain yang disebut
migrasi internasional dan perpindahan yang terjadi dalam satu negara misalnya
antara propinsi, kota atau kesatuan administratif lainnya yang dikenal dengan
migrasi intern. Perpindahan lokal yaitu perpindahan dari satu alamat ke alamat
lain atau dari satu kota ke kota lain tapi masih dalam batas bagian dalam suatu
negara misalnya dalam satu propinsi. Migrasi merupakan aktivitas pindahnya
seseorang sedangkan orangnya yang pindah tempat tinggal disebut migran.
Jika jangka waktunya lebih pendek lagi misalnya dalam satu hari, yaitu
pagi berangkat dan sore kembali yang dilakukan terus menerus setiap harinya
dikenal sebagai migrasi pulang pergi atau “Commuting” atau ‘nglaju’ menurut
istilah I.B Mantera, (Lembaga Demografi,1981).
Adapun beberapa bentuk perpindahan tempat (mobilitas), yaitu:
1. Perubahan tempat yang bersifat rutin misalnya orang yang pulang balik
kerja (reccurent movement)
2. Perubahan tempat yang tidak bersifat sementara, seperti perpindahan
tinggal bagi pekerja musiman
3. Perubahan tempat tinggal dengan tujuan menetap dan tidak kembali
ketempat semula (non-reccurent movement).
Disamping perpindahan lokal tersebut ada jenis perpindahan yang batasan
waktunya lebih pendek dari migrasi dan sebenarnya tidak bermaksud menetap
selamanya ditempat dia mendapat pekerjaan yaitu dikenal dengan migran sirkular
(circular migration) yang jangka waktunya kurang dari 3 bulan (ada juga yang
memberi batasan waktu – 179 hari).
Mengenai mobilitas ini dalam sosiologi menurut sifatnya dibedakan
menjadi mobilitas vertikal dan mobilitas horizontal.
Yang termasuk dalam mobilitas horizontal adalah perpindahan penduduk
secara teritorial, spasial atau geografis, sedangkan mobilitas vertikal dikaitkan
6
dengan perubahan status sosial dengan melihat kedudukan generasi misalnya
melihat status kedudukan ayah.(Lembaga Demografi,1981)
2.1.1 Jenis-Jenis Migrasi
Ada beberapa jenis migrasi yang kiranya perlu diketahui yaitu :
1. Migrasi Masuk (In Migration)
Masuknya penduduk ke suatu daerah tempat tujuan (area of destination)
2. Migrasi Keluar (Out Migration)
Perpindahan penduduk keluar dari suatu daerah asal (area of origin)
3. Migrasi Neto (Net Migration)
Merupakan selisih antara jumlah migrasi masuk dan migrasi keluar.
Apabila migrasi yang masuk lebih besar dari pada migrasi keluar maka
disebut migrasi neto positif sedangkan jika migrasi keluar lebih besar dari
pada migrasi masuk disebut migrasi neto negatif
4. Migrasi Bruto (Gross Migration)
Jumlah migrasi masuk dan migrasi keluar
5. Migrasi Total (Total Migration)
Migrasi total adalah seluruh kejadian migrasi, mencakup migrasi semasa
hidup (life time migration) dan migrasi pulang (return migration)
Migran total adalah semua orang yang pernah pindah
6. Migrasi Internasional (International Migration)
Merupakan perpindahan penduduk dari suatu negara ke negara lain.
Migrasi yang merupakan masuknya penduduk ke suatu negara disebut
imigrasi (Immigration) sedangkan sebaliknya jika migrasi itu merupakan
keluarnya penduduk dari suatu negara disebut emigrasi (Emigration).
7. Migrasi Semasa Hidup (Life Time Migration)
Adalah migrasi berdasarkan tempat kelahiran.
Migrasi semasa hidup adalah mereka yang pada waktu pencacahan sensus
bertempat tinggal di daerah yang berbeda dengan daerah tempat
kelahirannya.
8. Migrasi Parsial (Partial Migration)
7
Adalah jumlah migran ke suatu daerah tujuan dari satu daerah asal, atau
dari daerah asal ke satu daerah tujuan. Migrasi ini merupakan ukuran dari
arus migrasi antara dua daerah asal dan tujuan.
9. Arus Migrasi (Migration Stream)
Merupakan jumlah atau banyaknya perpindahan yang terjadi dari daerah
asal ke daerah tujuan dalam jangka waktu tertentu.
10. Urbanisasi (Urbanization)
Bertambahnya proporsi penduduk yang berdiam didaerah kota yang
disebabkan oleh proses perpindahan penduduk ke kota dan/atau akibat dari
perluasan daerah kota.
Definisi urban berbeda-beda antara satu negara dengan negara lainya tetapi
biasanya pengertiannya berhubungan dengan kota-kota atau daerah-daerah
pemukiman lain yang padat.
Klasifikasi yang dipergunakan untuk menentukan daerah kota biasanya
dipengaruhi oleh indikator mengenai penduduk, indikator mengenai
kegiatan ekonomi indikator jumlah fasilitas urban atau status administrasi
suatu pemusatan penduduk.
11. Transmigrasi (Transmigration)
Transmigrasi adalah salah satu bagian dari migrasi. Istilah ini memiliki arti
yang sama dengan ‘resettlement’ atau ‘settlement’ dalam literatur.
Transmigrasi adalah pemindahan dan/kepindahan penduduk dari suatu
daerah untuk menetap ke daerah lain yang di tetapkan didalam wilayah
Republik Indonesia guna kepentingan pembangunan negara atau karena
alasan-alasan yang dipandang perlu oleh pemerintah berdasarkan
ketentuan yang diatur dalam undang-undang. Transmigrasi diatur dengan
Undang-Undang No. 3 Tahun 1972.
Transmigrasi yang diselenggarakan dan diatur pemerintah disebut
transmigrasi umum sedangkan transmigrasi yang biaya perjalanannya
dibiayai sendiri tetapi ditampung dan diatur oleh pemerintah disebut
transmigrasi spontan atau transmigrasi swakarsa.
(Lembaga Demografi,1981)
8
2.1.2 Faktor-Faktor yang Mempengaruhi Migrasi
Pada dasarnya ada dua pengelompokan faktor-faktor yang menyebabkan
seseorang melakukan migrasi, yaitu faktor pendorong dan faktor penarik.
1. Faktor-faktor pendorong misalnya :
a. Makin berkurangnya sumber-sumber alam, menurut permintaan atas
barang-barang tertentu yang bahan bakunya makin susah diperoleh seperti
hasil tambang, kayu atau bahan dari pertanian.
b. Menyempitnya lapangan pekerjaan di tempat asal (misalnya di pedesaan)
akibat masuknya teknologi yang menggunakan mesin-mesin (capita
intensive)
c. Adanya tekanan-tekanan atau diskriminasi politik, agama, suku didaerah
asal.
d. Tidak cocok lagi dengan adat/budaya/kepercayaan di tempat asal.
e. Alasan pekerjaan atau perkawinan yang menyebabkan tidak bisa
mengembangkan karir pribadi.
f. Bencana alam baik banjir, kebakaran, gempa bumi, musim kemarau
panjang atau adanya wabah penyakit.
2. Faktor-faktor penarik antara lain :
a. Adanya rasa superior di tempat yang baru atau kesempatan untuk
memasuki lapangan pekerjaan yang cocok
b. Kesempatan mendapatkan pendapatan yang lebih baik
c. Kesempatan mendapatkan pendidikan yang lebih tinggi
d. Keadaan lingkungan dan keadaan hidup yang menyenangkan misalnya
iklim, perumahan, sekolah dan fasilitas-fasilitas kemasyarakatan lainnya
e. Tarikan dari orang yang diharapkan sebagai tempat berlindung
f. Adanya aktivitas-aktivitas di kota besar, tempat-tempat hiburan, pusat
kebudayaan sebagai daya tarik bagi orang-orang dari desa atau kota kecil.
Menurut Everett S Lee ada 4 faktor yang menyebabkan orang mengambil
keputusan untuk melakukan migrasi yaitu :
9
a. Faktor-faktor yang terdapat di daerah asal yang disebut faktor pendorong
seperti adanya bencana alam, panen yang gagal, lapangan kerja terbatas,
keamanan terganggu, kurangnya sarana pendidikan.
b. Faktor-faktor yang terdapat di tempat tujuan yang disebut faktor penarik
seperti tersedianya lapangan kerja, upah tinggi, tersedia sarana pendidikan,
kesehatan dan hiburan.
c. Faktor yang terletak di antara daerah asal dan daerah tujuan yang disebut
penghalang. Yang termasuk faktor ini misalnya jarak, jenis alat transport
dan biaya transport. Jarak yang tidak jauh dan mudahnya transportasi
mendorong mobilitas penduduk.
d. Faktor yang terdapat pada diri seseorang disebut faktor individu. Faktor ini
sangat mempengaruhi keinginan seseorang untuk melakukan perpindahan
atau tidak. Contoh faktor individu ini antara lain umur, jenis kelamin,
status menikah dan tingkat pendidikan.
(Lembaga Demografi,1981)
Perhatikan gambar dibawah ini!
Gambar 2.1 Bagan faktor-faktor yang mempengaruhi perpindahan penduduk.
(http://www.e-dukasi.net)
2.2 Tinjauan ulang mengenai model logit yang biner
Metode regresi logistik memiliki teknik dan prosedur analisis yang tidak
jauh berbeda dengan metode regresi linier. Jika prosedur linier dalam
10
mengestimasi nilai parameter sering menggunakan OLS (Ordinary Least
Squares), maka untuk mengestimasi nilai parameter dalam regresi logistik adalah
dengan menggunakan metode MLE (Maximum Likelihood Estimator).
Metode maksimum likelihood merupakan salah satu metode estimasi yang
paling sering digunakan untuk menaksir parameter model yang melibatkan data
kategorik (Paulino dan Silva, 1999). Metode ini biasanya digunakan untuk
menaksir parameter suatu model yang diketahui distribusinya dan untuk
mendapatkan nilai penaksir parameter modelnya adalah dengan memaksimumkan
fungsi likelihoodnya.
Misalkan
n
Y Y Y , , ,
2 1
 menyatakan variabel random yang saling bebas
dengan fungsi distribusi probabilitasnya dinyatakan oleh ) , ( 
i
y f , dimana 
adalah parameter yang akan ditaksir dengan metode maksimum likelihood, maka
fungsi distribusi probabilitas bersamanya adalah :
) ; ( ) ; ( ) ; ( ) ; , , , (
1 1 2 1
   
n n
y f y f y f y y y f   =
=
I
=
n
i
i
y f
1
) ; ( 
= ( )
n
y y y L , , ,
2 1
 
= ) ( L (2.1)
) ( L pada (2.1) sering disebut dengan fungsi likelihood (Bain dan
Engelhardt, 1992). Taksiran maksimum likelihood untuk  adalah nilai  yang
memaksimumkan ) ( L dan Nilai  yang memaksimumkan ) ( L adalah sama
dengan nilai  yang memaksimumkan ) ( ln  L .
Menurut Agresti A (1990), model-model untuk analisis statistik dapat
digolongkan berdasarkan dari hubungan antara komponen acak dengan komponen
sistematiknya.
11
Tabel 2.1. Tipe Model Untuk Analisis Statistika
Komponen
Acak
Penghubung Komponen
Sistematik
Model
Normal
Normal
Normal
Bernoulli
Poisson
Multinomial
Identitas
Identitas
Identitas
Logit
Log
Logit umum
Kontinu
Kategorik
Gabungan
Gabungan
Gabungan
Gabungan
Regresi
Analisis Variansi
Analisis Kovariansi
Regresi Logistik
Loglinear
Respon Multinomial
(Agresti A, 1990)
Model regresi logistik digunakan untuk menganalisis data apabila variabel
responnya merupakan variabel kualitatif yang berskala biner dengan satu atau
lebih variabel penjelas yang dapat berbentuk kuantitatif atau kualitatif dengan
menggunakan variabel dummy. Variabel respon berskala biner dengan
menggunakan dua nilai kategorik, yaitu Y=1 menyatakan kejadian yang ”Sukses”
dan Y=0 menyatakan kejadian yang ”gagal”.
Bentuk umum model peluang regresi logistik dengan m faktor diformulasikan
sebagai berikut :
( )
¯
+
¯
=
=
=
+
+
m
l
l l
m
l
l l
x
x
e
e
x
1
0
1
0
1
 
 

(2.2)
dimana :
π(x) adalah peluang terjadinya kejadian yang “sukses” yaiu Y=1
β
l
adalah nilai parameter, untuk l = 1,2,...m
Dari persamaan 2.2, diperoleh persamaan untuk Y= 0 adalah :
P(y=0) =
) (
1
1
¯ +
+
l l o
X
e
 
(2.3)
Dengan melakukan transformasi log dari odds diperoleh persamaan :
12
( )
( )
|
|
.
|

\
|
÷
=
x
x
x g


1
ln ) (
=
¯
+
l l o
X
e
 
ln (2.4)
=
¯
=
+
m
l
l l o
X
1
 
(Hari Basuki. N, 2004)
2.3 Distribusi Multinomial
Distribusi statistik yang digunakan dalam pemodelan multinomial logit
adalah distribusi multinomial. Karena banyaknya kategori dari variabel respon
model multinomial logit lebih dari dua kategori, maka distribusinya mengikuti
distribusi multinomial.
Distribusi multinomial merupakan suatu distribusi yang sering digunakan
dalam analisis data kategorik. Distribusi ini merupakan pengembangan dari
distribusi binomial (Evans, Hastings dan Peacock, 2000).
Jika kejadian-kejadian
k
A A A , , ,
2 1
 dapat terjadi dengan probabilitas
masing-masing
k
p p p , , ,
2 1
 , maka probabilitas bahwa
k
A A A , , ,
2 1
 akan terjadi
masing-masing
k
X X X , , ,
2 1
 kali adalah :
I
=
= =
k
i i
X
i
X
k
X X
k
k
X
p
n p p p
X X X
n
X X X f
i
k
1
2 1
2 1
2 1
! ! , ! !
) , , , (
2 1


 , (2.5)
untuk
¯
=
= >
k
i
i i
n X X
1
, 0 , 1 0 < <
i
p dan
¯
=
=
k
i
i
p
1
1.
dimana :
i i
np X E = ) ( .
) (
i
X Var = ) 1 (
i i
p np ÷ .
= ) , (
j i
X X Cov
j i
p np ÷ , untuk j i = .
13
2.4 Model Multinomial Logit
Model multinomial logit adalah satu dari beberapa metode paling umum yang
digunakan untuk penelitian variabel respon kategori yang tidak diranking.
Didalam bagian ini, diperkenalkan model multinomial logit dengan merujuk terus
hubungan yang dekat dengan model logit biner.
Di dalam regresi logistik variabel respon (dependent) yang bersifat
kualitatif mengasumsikan bahwa variabel respon adalah dichotomous atau biner
(hanya ada dua kategori), yaitu 1 untuk sukses dan 0 untuk kegagalan. Model
regresi logistik dapat dengan mudah dimodifikasi untuk menangani kasus jika
variabel respon adalah nominal dengan lebih dari dua kategori. Sebagai contoh, di
dalam suatu studi mengenai pilihan gaya transportasi untuk bekerja, variabel
respon (dependent) mungkin adalah menggunakan sepeda, motor, mobil, bis atau
kereta api. Respon yang terbentuk ada lima kategori, tidak ada perankingan
menyangkut kategori itu.
Untuk respon yang berupa pilihan gaya transportasi mungkin ingin diteliti
bagaimana pilihan dihubungkan dengan variabel penjelas seperti umur, jenis
kelamin, pendapatan, jarak menempuh perjalanan, dan lain-lain. Model yang
dihasilkan dapat dianalisis dengan penggunaan metode yang sedikit dimodifikasi
yang digunakan di dalam meneliti hasil dichotomous pada regresi logistik.
Perluasan model untuk variabel respon biner menjadi variabel respon polytomous
lebih mudah digambarkan jika variabel respon mempunyai tiga kategori. Model
ini disebut model multinomial logit, dan dalam literatur ekonometri dan bisnis
model ini sering disebut multinomial, polytomous atau regresi logistik
multinomial ( polytomous). Dalam teks ini digunakan istilah multinomial logit.
Diasumsikan bahwa kategori dari variabel respon, Y, diberi kode 0, 1, 2.
Dalam model tiga kategori, ada dua fungsi logit yang terbentuk, yaitu pertama
untuk Y=1 terhadap Y=0, kedua untuk Y=2 terhadap Y=0. Dalam teori dapat
digunakan beberapa pasangan perbandingan logit dari respon tetapi perluasan dari
kasus biner digunakan logit Y=2 terhadap Y=0 sebagai fungsi kedua. Jadi
kelompok berkode Y=0 akan bermanfaat sebagai nilai respon referensi (acuan).
14
Logit untuk membandingkan Y=2 dengan Y=1 diperoleh sebagai perbedaan
antara logit dari Y=2 terhadap Y=0 dan logit Y=1 terhadap Y=0.
Misal x adalah vektor kovariat dari panjang p+1 dengan x
0
= 1 untuk
menghitung konstanta. Akan didefinisikan dua fungsi logit sebagai berikut :
( )

=
=
=
) | 0 (
) | 1 (
ln
1
x Y P
x Y P
x g
p p
x x x
1 2 12 1 11 10
...     + + + + =
= x
T
β
1
dan
( )

=
=
=
) | 0 (
) | 2 (
ln
2
x Y P
x Y P
x g
p p
x x x
2 2 22 1 21 20
...     + + + + =
= x
T
β
2
(2.6)
(Hosmer and Lemeshow, 2000)
Model multinomial logit dapat dipandang sebagai suatu perluasan dari
model logit yang biner, yang dinyatakan oleh persamaan 2.2 dan 2.3, pada situasi
dimana variabel respon mempunyai berbagai kategori tidak diranking. Sebagai
contoh, dalam kasus tiga kategori (J = 3), dapat ditulis tiga probabilitas bersyarat
untuk setiap kategori respon yaitu :
( )
( ) ( ) x g x g
e e
x Y P x
2 1
1
1
) | 0 (
0
+ +
= = = 
( )
( )
( ) ( ) x g x g
x g
e e
e
x Y P x
2 1
1
1
) | 1 (
1
+ +
= = = 
( )
( )
( ) ( ) x g x g
x g
e e
e
x Y P x
2 1
2
1
) | 2 (
2
+ +
= = =  (2.7)
Secara umum probabilitas bersyarat untuk model tiga kategori adalah
( )
( )
( )
¯
=
= = =
2
0
) | (
k
x g
x g
j
k
j
e
e
x j Y P x  (2.8)
15
dimana :
π
j
(x) = peluang terjadinya peristiwa ke-j
Untuk j = 0,1,2 setiap fungsi vektor 2(p+1) parameter β
T
= (β
1
T

2
T
)
vektor β
0
=0 dan ( ) 0
0
= x g .
2.4.1 Penaksiran Parameter
Untuk membangun fungsi likelihood sesuai dengan merumuskan dua
variabel biner yang diberi kode 0 atau 1 untuk mengidentifikasikan suatu
observasi. Variabel ini dikenalkan hanya untuk menjelaskan fungsi likelihood dan
tidak dibangun dan digunakan dalam analisis multinomial logit. Variabel tersebut
diberi kode sebagai berikut : jika Y=0 maka Y
0
=1, Y
1
=0, dan Y
2
=0; jika Y=1
maka Y
0
=0,Y
1
=1, dan Y
2
=0; dan terakhir jika Y=2 maka Y
0
=0, Y
1
=0, dan Y
2
=1.
jadi nilai Y memuat
¯
=1
j
Y .
Fungsi likelihood bersyarat untuk sampel n observasi independent adalah :
( ) ( ) ( ) ( ) | |
I
=
=
n
i
y y y
i i i
x x x l
1
2 1 0
2 1 0
    (2.9)
Dengan
¯
=1
ji
Y untuk setiap i, maka fungsi log-likelihood :
( ) ( ) ( )
( ) ( )
( )
¯
=
+ + ÷ + =
n
i
x g x g
i i i i
i i
e e x g y x g y L
1
2 2 1 1
2 1
1 ln  (2.10)
Persamaan likelihood diperoleh dengan menurunkan derivatif parsial
pertama dari ( )  L untuk setiap 2(p+1) parameter yang tidak diketahui. Untuk
mempermudah notasi dimisalkan ( )
i j ji
x   = . Bentuk umum persamaan
likelihood adalah sebagai berikut:
( )
( )
¯
=
÷ =
c
c
n
i
ji ji ki
jk
y x
L
1



(2.11)
Untuk j=1,2 dan k=0,1,2,...p; dan x
oi
=1 untuk setiap subjek.
Maximum Likelihood Estimator (MLE), 
ˆ
, diperoleh dengan menentukan
persamaan likelihood tersebut sama dengan nol. Solusi ini membutuhkan tipe
komputasi iteratif yang sama dengan yang digunakan dalam kasus respon biner.
Matriks derivatif parsial kedua diperlukan untuk memperoleh matriks informasi
16
dan matriks kovariansi asymtotik dari Maximum Likelihood Estimator (MLE).
Bentuk umum elemen matriks derivatif parsial kedua adalah sebagai berikut:
( )
( )
¯
=
÷ ÷ =
c c
c
n
i
ji ji ki
i k
jk
jk
x x
L
1
2
1
'
'
 
 

dan
( )
¯
=
=
c c
c
n
i
i j
ji ki
i k
jk
jk
x x
L
1
2
' '
'
 
 

(2.12)
Untuk j dan j’ = 1, 2 dan k dan k’ = 0, 1, 2,...p.
Matriks informasi ( )  l adalah matriks 2(p+1)x2(p+1) yang mempunyai elemen
negatif nilai harapan dari persamaan di atas. Matriks kovariansi asymtotik dari
Maximum Likelihood Estimator (MLE) adalah invers dari matriks informasi
( ) ( )
¯
÷
=
1
  l . Estimator matriks informasi dan kovarians diperoleh dengan
menempatkan kembali parameter yang tidak diketahui dengan Maximum
Likelihood Estimator (MLE),
( ) ( )
1
ˆ ˆ
ˆ
÷
I =   r a V . (2.13)
Misal matriks X adalah matriks n x (p+1) berisi nilai kovariat untuk tiap
subjek, misal matriks V
j
adalah matriks diagonal n x n dengan elemen umum
( )
ji ji
  ˆ 1 ˆ ÷ untuk j=1, 2 dan i=1, 2, 3,...n dan misal V
3
adalah matriks diagonal
n x n dengan elemen umum
i i 2 1
ˆ ˆ   . Estimator matriks informasi dinyatakan
sebagai berikut:
( )
( ) ( )
( ) ( )

I I
I I
= I
22 21
12 11
ˆ ˆ ˆ ˆ
ˆ ˆ ˆ ˆ
ˆ ˆ
 
 
 , (2.14)
Dimana :
( ) = I
11
ˆ ˆ
 (X
T
V
1
X),
( ) = I
22
ˆ ˆ
 (X
T
V
2
X),
dan
( ) = I
12
ˆ ˆ
 ( ) = I
211
ˆ ˆ
 -(X
T
V
3
X).
(Hosmer and Lemeshow, 2000)
17
Untuk matriks X , X
T
adalah
X =

np n n
p
p
x x x
x x x
x x x

    


2 1
2 22 21
1 12 11
1
1
1
; X
T
=

np p p
n
n
x x x
x x x
x x x

   


2 1
2 22 12
1 21 11
1 1 1
Matriks V
1
, V
2
adalah
V
1
=

÷
÷
÷
) ˆ 1 ( ˆ 0 0
0
0 ) ˆ 1 ( ˆ 0
0 0 ) ˆ 1 ( ˆ
1 1
12 12
11 11
i i
 
 
 

  


V
2
=

÷
÷
÷
) ˆ 1 ( ˆ 0 0
0
0 ) ˆ 1 ( ˆ 0
0 0 ) ˆ 1 ( ˆ
2 2
22 22
21 21
i i
 
 
 

  


Dan matriks V
3
adalah
V
3
=

i i 2 1
22 12
21 11
ˆ ˆ 0 0
0
0 ˆ ˆ 0
0 0 ˆ ˆ
 
 
 

  


2.5 Pengujian Signifikansi Model dan Parameter
Pengujian signifikansi model dan parameter merupakan pemeriksaan untuk
menentukan apakah variabel penjelas (prediktor) dalam model signifikan atau
berpengaruh secara nyata terhadap variabel respon. Setelah didapat estimasi
parameternya maka seperti pada regresi logistik, perlu diketahui seberapa besar
kontribusi variabel independent terhadap variabel responnya (dependent). (Hari
Basuki. N, 2004).
Seperti yang ada dalam regresi logistik, maka dalam model multinomial logit
dapat digunakan uji likelihood ratio (LR) untuk menilai signifikansi dari variabel
independent dalam model tersebut.
18
Perlu diingat bahwa dalam model multinomial logit bukan hanya menguji
satu koefisien beta untuk variabel independent, tetapi sekarang menguji dua
koefisien dalam waktu yang sama. Dimana koefisien yang dibuat untuk
perbandingan seperti Y=2 terhadap Y=0 dan Y=1 terhadap Y=0.
2.5.1 Uji Likelihood Ratio (Uji Simultan)
Prinsip uji Likelihood Ratio (LR) :
a. Membandingkan nilai observasi dari variabel respon (dependent) dengan
nilai prediksi yang diperoleh dari model dengan variabel independent dan
tanpa variabel independent (untuk kasus univariat)
b. Membandingkan persamaan (model) yang memasukkan variabel tertentu
dengan yang tidak (untuk kasus multivariat).
Langkah-langkah uji Likelihood Ratio (LR) untuk kasus univariat adalah :
1. Perumusan Hipotesis
H
0
:
1 g
 = 0 (tidak ada pengaruh antara variabel penjelas terhadap variabel
respon)
H
1
:
1 g
 ≠ 0 (ada pengaruh antara variabel penjelas terhadap variabel respon)
untuk g = 1, 2, ....., N-1
2. Menentukan tingkat signifikansi yaitu α=0,05
3. Statistik Uji
Statistik uji yang digunakan adalah :

÷ =
k
L
L
G
0
ln 2 (2.15)
dimana :
L
0
= Fungsi likelihood untuk model dengan variabel penjelas
L
k
= Fungsi likelihood untuk model tanpa variabel penjelas
Statistik G ini mengikuti distribusi chi-squre dengan derajat bebas 1.
(Kleinbaum and Klein., 2002)
4. Pengambilan Keputusan
H
0
ditolak jika G ≥ ) , 1 (
2
  atau H
0
ditolak jika p-value ≤ α
H
0
diterima jika G < ) , 1 (
2
  atau H
0
ditolak jika p-value > α
19
5. Kesimpulan
Jika H
0
ditolak maka kesimpulannya adalah bahwa variabel penjelas (x)
berpengaruh terhadap variabel respon (y) atau variabel penjelas signifikan
berada di dalam model.
Langkah-langkah uji Likelihood Ratio (LR) untuk kasus multivariat adalah :
1. Perumusan Hipotesis
H
0
:
gk
 = 0(tidak ada pengaruh antara variabel penjelas terhadap variabel
respon)
H
1
:minimal ada satu
gk
 ≠ 0 atau tidak semua
gk
 =0 (minimal ada satu
variabel penjelas yang berpengaruh terhadap variabel respon)
untuk g = 1, 2, ....., N-1 dan k = 1, 2, .... , n
2. Menentukan tingkat signifikansi yaitu α=0,05
3. Statistik Uji
Statistik uji yang digunakan adalah :

÷ =
k
L
L
G
0
ln 2 (2.16)
dimana :
L
0
= Likelihood model tereduksi
L
k
= Likelihood model penuh
Statistik G ini mengikuti distribusi chi-squre dengan derajat bebas p.
(Kleinbaum and Klein., 2002)
4. Pengambilan Keputusan
H
0
ditolak jika G ≥ ) , (
2
  k atau H
0
ditolak jika p-value ≤ α
H
0
diterima jika G < ) , (
2
  k atau H
0
ditolak jika p-value > α
5. Kesimpulan
Jika H
0
ditolak maka secara bersama-sama ada beberapa variabel penjelas
yang tidak signifikan berada dalam model atau ada beberapa variabel penjelas
yang berpengaruh terhadap variabel respon.
20
2.5.2 Uji Wald (Uji Parsial)
Selain uji LR untuk menguji signifikansi koefisien untuk setiap variabel
penjelas (untuk menguji apakah sebuah variabel akan dimasukkan ke dalam
model atau tidak) dapat pula digunakan uji Wald, yaitu membandingkan MLE dari
parameter,
gk

ˆ
, dengan standar errornya.
Langkah-langkah uji Wald adalah :
1. Perumusan Hipotesis
H
0
: β
gk
= 0 ((tidak ada pengaruh antara variabel penjelas ke-i terhadap
variabel respon)
H
1
: β
gk
≠ 0 (ada pengaruh antara variabel penjelas ke-i terhadap variabel
respon)
untuk g = 1, 2, ....., N-1 dan k = 1, 2, .... , n
2. Menentukan tingkat signifikansi yaitu α=0,05
3. Statistik uji
Statistik uji yang digunakan adalah uji Wald yang dirumuskan sebagai berikut :
)
ˆ
(
ˆ
gk
gk
SE
W


= ~ N (0,1) (2.17)
dimana :
gk

ˆ
: penduga untuk parameter (β)
)
ˆ
(
gk
SE  : penduga galat baku untuk koefisien β
Uji Wald diasumsikan mengikuti distribusi normal.
(Kleinbaum and Klein., 2002)
4. Pengambilan Keputusan
H
0
ditolak jika W >
2
1

÷
Z atau W < -
2
1

÷
Z
Atau H
0
ditolak jika p-value < α
5. Kesimpulan
Jika H
0
ditolak berarti dapat disimpulkan bahwa variabel penjelas (X
i
) akan
dimasukkan ke dalam model atau variabel penjelas ke-i secara parsial
berpengaruh terhadap variabel respon.
21
2.5.3 Uji Pearson dan Deviance
Uji ini berguna untuk memilih sebuah model yang hasilnya paling cocok
untuk data yang diperoleh. Nilai P-value yang tinggi berarti, model merupakan
model yang terbaik. Dalam multinomial logit uji Pearson dan Deviance
digunakan untuk mengevaluasi kecocokan model yang dipilih.
1. Hipotesis :
H
0
: Model cocok dengan data
H
1
: Model tidak cocok dengan data
2. Menentukan tingkat signifikansi yaitu α=0,05
3. Statistik Uji
Untuk menduga kemungkinan hasil prediksi
j
yˆ adalah :
( )
( )
|
|
|
|
.
|

\
|
= =
¯
=
2
0
ˆ ˆ
k
x g
x g
j j j j
k
j
e
e
m m y  , j=0,1,2 dan k=0,1,2 (2.18)
Dimulai dengan mempertimbangkan dua ukuran perbedaan antara hasil
pengamatan dan hasil kemungkinan prediksi yaitu Pearson residual dan Deviance
residual. Pearson residual digambarkan melalui rumus sebagai berikut :
( )
( )
( )
j j j
j j j
j j
m
m y
y r
 


ˆ 1 ˆ
ˆ
ˆ ,
÷
÷
= , j=0,1,2 (2.19)
(Hosmer and Lemeshow,2000)
Rumusan statistik residual di atas didasarkan pada uji Pearson chi-square berikut:
( )
¯
=
=
n
j
j j j
m y r
1
2 2
ˆ ,    , j=0,1,2 (2.20)
Fungsi Deviance residual adalah dua perbedaan antara log likelihood maksimum
dan model yang diperoleh itu. Log likelihood maksimum terjadi di titik
i ij ij
m y = 
~
. Oleh karena itu fungsi Deviance adalah
22
( ) ˆ ; y D = ( ) ( ) y l y l ; ˆ 2 ;
~
2   ÷
=
¯ ¯
÷
ij ij ij ij
y y   ˆ log 2
~
log 2
= ( )
¯
ij
ij ij ij
y y ˆ log 2 (2.21)
( ) ˆ ; y D mendekati distribusi
2
 .
(P. McCullagh and J.A. Nelder, 1989)
4. Pengambilan keputusan
Untuk uji Pearson :
Jika
2
hitung
 <
2
) 1 ( ÷ ÷ p J
 atau nilai signifikansi > α, maka H
0
diterima.
Jika
2
hitung
 ≥
2
) 1 ( ÷ ÷ p J
 atau nilai signifikansi ≤ α, maka H
0
ditolak.
Untuk uji Deviance :
Jika D <
2
) 1 ( ÷ ÷ p J
 atau nilai signifikansi > α, maka H
0
diterima.
Jika D ≥
2
) 1 ( ÷ ÷ p J
 atau nilai signifikansi ≤ α, maka H
0
ditolak.
5. Kesimpulan
Jika H
0
ditolak berarti dapat disimpulkan bahwa model tidak cocok dengan
data. Sedangkan jika H
0
diterima maka dapat disimpulkan bahwa model cocok
dengan data.
2.6 Penafsiran Koefisien pada Model Multinomial Logit
Penafsiran dari suatu model yang sudah fit (model terbaik) sebenarnya
merupakan inferensi dan pengambilan kesimpulan berdasarkan koefisien yang
diestimasi. Koefisien tersebut menggambarkan slope atau perubahan pada variabel
respon (dependent) per unit perubahan pada variabel penjelas (independent).
Interprestasi dari suatu model menyangkut 2 hal, yaitu :
1. Perkiraan mengenai hubungan fungsional antara variabel respon
(dependent) dengan variabel penjelas (independent).
2. Menentukan pengaruh pada variabel respon (dependent) yang disebabkan
oleh tiap unit perubahan pada variabel penjelas (independent)
23
untuk menginterprestasikan koefisien pada model multinomial logit caranya
serupa dengan metode yang digunakan dalam regresi logistik standar (SLR).
Harus selalu diperhatikan variabel penjelas (independent) : dikotomous,
polytomous atau kontinu. Sedangkan untuk menginterprestasikan koefisien
parameter, digunakan Odds Ratio (OR).
Odds ratio merupakan ukuran dalam mengetahui resiko kecenderungan untuk
mengalami kejadian tertentu antara satu kategori dengan kategori lainnya dalam
suatu peubah yang dinotasikan dengan  . Didefinisikan sebagai ratio dari odds
untuk x = 1 terhadap x = 0. Dengan kata lain, menyatakan bahwa resiko
kecenderungan pengaruh observasi dengan x = 1 adalah beberapa kali lipat
dibandingkan dengan observasi x = 0. Sedangkan untuk peubah penjelas yang
berskala kontinyu, koefisien  menunjukkan perubahan log odds untuk setiap
perubahan satu unit dalam peubah x (Hari Basuki. N, 2004).
Jika diasumsikan bahwa variabel respon untuk Y = 0 adalah sebagai kategori
rujukan/acuan. Maka odds ratio dari respon Y = j terhadap respon Y = 0 untuk
nilai-nilai covariat dari x = a terhadap x = b adalah
j
 =OR( )
( ) ( )
( ) ( ) b x Y P b x j Y P
a x Y P a x j Y P
b a
= = = =
= = = =
=
| 0 / |
| 0 / |
, ,j=1,2 (2.22)
(Hosmer and Lemeshow, 2000)
Dalam kasus khusus ketika covariatnya berbentuk biner, kode 0 atau 1,
penyederhanaan lebih lanjut adalah OR
j
=OR
j
(1,0). Ketika variabel respon
mempunyai tiga tingkatan ada dua model odds ratio yang terbentuk.
1
 =OR
1
(a,b) =
( ) ( )
( ) ( ) b x Y P b x Y P
a x Y P a x Y P
= = = =
= = = =
| 0 / | 1
| 0 / | 1
Dan (2.23)
2
 =OR
2
(a,b) =
( ) ( )
( ) ( ) b x Y P b x Y P
a x Y P a x Y P
= = = =
= = = =
| 0 / | 2
| 0 / | 2
(Kleinbaum and Klein., 2002)
24
2.7 Kerangka Penelitian
Secara umum langkah-langkah yang dilakukan dalam Analisis Multinomial
logit dapat dilihat pada kerangka penelitian berikut ini :
Gambar 2.2 Bagan Kerangka Penelitian
Rumusan Masalah
Pemilihan Variabel
Kesimpulan
Metode
Multinomial Logit
Uji Kesesuaian Model
Pengumpulan Data
Interprestasi
Multinomial Logit
25
BAB 3
METODOLOGI PENELITIAN
Waktu dan Tempat Penelitian
Waktu pelaksanaan penelitian ini dimulai dari bulan Oktober s/d
November 2008 dengan objek tempat penelitian adalah Badan Pusat Statistik
(BPS) Propinsi Kalimantan Timur.
Rancangan Penelitian
Dalam penelitian ini, peneliti menggunakan rancangan kausal komparatif
yang bersifat ex post facto, artinya data dikumpulkan setelah semua kejadian yang
dipersoalkan berlangsung atau lewat (Sumadi Suryabrata, 2002). Penelitian ini
dilakukan dengan cara merekap data Survei Penduduk Antar Sensus tahun 2005.
Populasi dan Sampel Penelitian
Dalam melakukan penelitian, hal utama yang perlu diperhatikan adalah
populasi dan sampel yang akan digunakan.
Populasi Penelitian
Populasi adalah totalitas semua nilai yang mungkin, hasil menghitung
ataupun pengukuran kuantitatif maupun kualitatif mengenai karakteristik tertentu
dari semua anggota kumpulan yang lengkap dan jelas yang ingin dipelajari sifat-
sifatnya (Sudjana, 2002). Populasi dalam penelitian ini adalah data seluruh
penduduk Samarinda yang bermigrasi keberbagai daerah di Kalimantan Timur
yang akan dijadikan obyek penelitian pada tahun 2008.
Sampel Penelitian
Sampel adalah bagian dari populasi yang mempunyai ciri-ciri atau keadaan
yang akan diteliti. Menurut Sudjana (2002), sampel adalah bagian dari populasi
(sebagian atau perwakilan dari populasi yang diambil sebagai sumber data dan
dapat mewakili seluruh populasi).
Sampel yang digunakan dalam penelitian ini adalah data penduduk
Samarinda yang migrasi ke Tarakan, Balikpapan dan Bontang.
26
Teknik Sampling
Pada penelitian ini teknik sampling yang digunakan adalah purposive
sampling dikenal juga dengan sampling pertimbangan, yaitu teknik sampling yang
digunakan peneliti jika peneliti mempunyai pertimbangan-pertimbangan tertentu
didalam pengambilan sampelnya atau penentuan sampel untuk tujuan tertentu.
Adapun pertimbangan tersebut didasarkan pada jumlah kategori yang diambil
hanya terdiri dari tiga kategori, karena banyaknya wilayah tujuan migrasi maka
yang dijadikan daerah tujuan migrasi dalam penelitian ini adalah daerah Tarakan,
Balikpapan dan Bontang.
Variabel Penelitian
Variabel penjelas yang digunakan dalam analisis ini adalah umur,
pendidikan, jenis kelamin, dan status menikah. Serta pilihan tujuan migrasi
sebagai variabel respon yang terdiri dari tiga kategori.
Variabel Respon (Y)
Dalam penelitian ini, variabel responnya adalah pilihan tujuan migrasi.
Didefinisikan :
1. Y = 0 ; bila migran berpindah dari Samarinda ke Tarakan.
2. Y = 1 ; bila migran berpindah dari Samarinda ke Balikpapan.
3. Y = 2 ; bila migran berpindah dari Samarinda ke Bontang.
Variabel Penjelas (X)
1. Umur (X
1
)
Umur responden pada saat melakukan migrasi tidak diketahui, oleh
karena itu digunakan umur pada saat survei, dikategorikan menjadi :
0 = 0-5 tahun 2 = 19 – 54 tahun
1 = 6-18 tahun 3 = ≥ 55 tahun
2. Pendidikan (X
2
)
Menyatakan tingkat pendidikan tertinggi yang pernah/sedang diduduki
responden pada saat survei, dikategorikan menjadi :
27
1 = tidak punya pendidikan
2 = SD
3 = SLTP
4 = SLTA atau lebih
3. Jenis Kelamin (X
3
)
Menyatakan jenis kelamin responden pada saat melakukan migrasi.
Variabel jenis kelamin dikelompokkan menjadi dua kategori, yaitu :
0 = Wanita 1 = Laki-laki
4. Status Menikah (X
4
)
Menyatakan status pernikahan responden pada saat melakukan migrasi.
Variabel status pernikahan dikelompokkan menjadi dua kategori, yaitu :
0 = Belum/tidak menikah 1 = Menikah
Teknik Pengumpulan Data
Teknik pengumpulan data dilakukan dengan cara mengambil data sekunder
di BPS Propinsi Kalimantan Timur. Pengambilan data dilakukan menurut data
Survei Penduduk Antar Sensus (SUPAS) tahun 2005 dan sesuai dengan variabel
penelitian yang telah dipilih, maka data yang diambil disesuaikan dengan
variabel-variabel tersebut.
Teknik Analisis Data
Analisis data yang digunakan dalam penelitian ini adalah analisis
multinomial logit. Karena variabel tak bebas dari permasalahan yang dihadapi,
yaitu pilihan daerah tujuan migrasi, adalah kategorik dan kategorinya lebih dari
dua. Untuk mencari faktor-faktor yang mempengaruhi pilihan migrasi digunakan
uji likelihood ratio (simultan) dan uji Wald (parsial). Sedangkan untuk mencari
besarnya peluang dari faktor-faktor yang mempengaruhi pilihan migrasi
digunakan uji odds ratio. Software statistik yang digunakan dalam pengolahan
data adalah Minitab 14 dan SPSS 15.
Adapun teknik analisis yang digunakan dalam penelitian ini adalah :
28
Karakteristik Migran
Dengan analisis deskriptif akan diketahui gambaran mengenai pilihan
migrasi penduduk Samarinda berdasarkan tujuan migrasinya dan kaitannya
dengan karakteristik migran sesuai dengan variabel penjelas yang digunakan
dalam analisis multinomial logit selanjutnya. Analisis deskriptif berupa tabulasi
silang yang digunakan untuk menggambarkan dan menjelaskan hubungan antar
variabel. Dalam analisis tabulasi silang digunakan distribusi persentase pada sel-
sel dalam tabel sebagai dasar untuk menyimpulkan hubungan antara variabel-
variabel penelitian.
Model Multinomial Logit
Model multinomial logit digunakan untuk menganalisis data apabila
responnya merupakan variabel kualitatif. Bentuk umum model peluang
multinomial logit dengan m faktor diformulasikan seperti dalam persamaan (2.7)
dan (2.8). Dan fungsi logit yang ditunjukkan dalam persamaan (2.6).
Uji Kesesuaian Model (Goodness Of Fit)
Uji kesesuaian model digunakan untuk mengetahui kesesuaian atau
kecocokan dari model yang telah terbentuk. Uji kesesuaian model yang digunakan
adalah uji Deviance yang ditunjukkan dalam persamaan (2.21) yang mengikuti
distribusi chi-square dengan derajat bebas J-p-1, dimana J adalah banyaknya
sampel dan p adalah banyaknya parameter dalam model. Daerah penolakan H
0
adalah jika nilai statistik uji
2
hitung
 ≥
2
) 1 ( ÷ ÷ p J
 atau nilai signifikansi s α.
Pengujian Parameter
Pengujian parameter dalam multinomial logit penting untuk dilakukan. Hal ini
dikarenakan pengujian tersebut digunakan untuk menentukan apakah variabel
penjelas dalam model signifikan tehadap variabel respon.
1. Uji Likelihood Ratio (Uji Simultan)
Uji Likelihood Ratio digunakan untuk mengetahui apakah variabel penjelas
mempunyai pengaruh yang signifikan terhadap variabel respon secara bersamaan.
29
Dalam penelitian ini digunakan uji likelihood ratio untuk kasus multivariat
dengan rumus dalam persamaan (2.16). Statistik uji likelihood ratio mengikuti
distribusi chi-square, sehingga untuk mengambil keputusan dalam pengujian,
dibandingkan dengan tabel Chi-Kuadrat dengan derajat bebas p, di mana p adalah
banyaknya parameter dalam model. Jika G ≥ ( )   ,
2
p atau nilai signifikansi  s ,
maka H
0
ditolak.
2. Uji Wald (Uji Parsial)
Pengujian ini dilakukan untuk menguji setiap β
gk
secara individual. Hasil
pengujian secara individual akan menunjukkan apakah suatu variabel penjelas
layak untuk masuk ke dalam model atau tidak. Statistik uji Wald ini mengikuti
distribusi normal dengan rumus dalam persamaan (2.17) dan kriteria penolakan
(H
0
ditolak) jika nilai W >
2
1

÷
Z atau W < -
2
1

÷
Z .
Rasio Kecenderungan (Odds Ratio)
Odds ratio digunakan untuk mengetahui resiko kecenderungan faktor-
faktor yang berpengaruh terhadap variabel respon yaitu pilihan migrasi penduduk.
Dalam persamaan (2.22) menunjukkan model odds ratio secara umum untuk
multinomial logit kasus tiga kategori.
30
BAB 4
HASIL DAN PEMBAHASAN
Berdasarkan dari hasil penelitian yang dilakukan di Badan Pusat Statistik
Propinsi Kalimantan Timur, data yang diperoleh adalah data survei penduduk
antar sensus (SUPAS) tahun 2005. Data tersebut meliputi pilihan migrasi
penduduk sebagai variabel respon yaitu migrasi penduduk Samarinda ke Tarakan,
Samarinda ke Balikpapan dan Samarinda ke Bontang. Sedangkan untuk varibel
penjelas meliputi umur, tingkat pendidikan, jenis kelamin dan status menikah.
Dari data penelitian akan dilakukan analisis untuk mengetahui variabel penjelas
mana yang mempunyai pengaruh terhadap pilihan migrasi penduduk. Dan
besarnya peluang dari masing-masing variabel penjelas. Analisis yang digunakan
untuk mengolah data tersebut adalah analisis multinomial logit dan dianalsis
menggunakan bantuan komputer yaitu program Minitab 14 dan SPSS 15.
4.1. Karakteristik Migran
Berdasarkan hasil Survei Penduduk Antar Sensus (SUPAS) tahun 2005,
pada Tabel 4.1 diperoleh bahwa penduduk Samarinda yang melakukan migrasi ke
Tarakan, Balikpapan, dan Bontang adalah 109 orang. Untuk responden yang
melakukan migrasi dari Samarinda ke Tarakan adalah 15 orang atau 13,76 persen,
responden yang migrasi dari Samarinda ke Balikpapan adalah 48 orang atau 44,04
persen, dan responden yang melakukan migrasi dari Samarinda ke Bontang adalah
46 orang atau 42,20 persen.
Tabel 4.1 Pilihan Migrasi
Pilihan Migrasi Jumlah %
0 15 13,76
1 48 4,04
2 46 42,20
Total 109 100
Sumber : Hasil Penelitian (Lampiran 4. e)
31
Tabel klasifikasi untuk variabel respon Y (pilihan migrasi) terhadap
variabel penjelas X
1
, X
2
, X
3
, dan X
4
(umur, pendidikan, jenis kelamin dan status
menikah) adalah sebagai berikut :
Tabel 4.2 Pilihan Migrasi berdasarkan Umur
Pilihan
Migrasi
Umur
Total
0-5 tahun 6-18 tahun 19-54 tahun ≥ 55 tahun
0
2
(13,33%)
2
(13,33%)
9
(60,00%)
2
(13,33%)
15
1
2
(4,17%)
9
(18,75%)
30
(62,50%)
7
(14,58%)
48
2
7
(15,22%)
9
(19,57%)
30
(65,22%)
0
(0,00%)
46
Total 11 20 69 9 109
Sumber : Hasil Penelitian (Lampiran 4. a)
Dari Tabel 4.2 dapat dilihat bahwa dari ketiga pilihan tujuan migrasi yaitu
Samarinda ke Tarakan, Samarinda ke Balikpapan dan Samarinda ke Botang
ternyata migran yang berumur 19-54 tahun lebih banyak dibandingkan umur
lainnya. Untuk migran yang berumur 19-54 tahun yang bermigrasi dari Samarinda
ke Tarakan sebanyak 9 orang atau 60% orang, Samarinda ke Balikpapan sebanyak
30 orang atau 62,50% orang dan Samarinda ke Bontang sebanyak 30 orang atau
65,22% orang. Dimana untuk migran yang berumur 19-54 tahun yang bermigrasi
dari Samarinda ke Bontang lebih banyak dibandingkan ke Tarakan dan
Balikpapan.
Tabel 4.3 Pilihan Migrasi berdasarkan Pendidikan
Pilihan
Migrasi
Tingkat Pendidikan
Total
Tidak punya SD SLTP
SLTA atau
Lebih
0
3
(20,00%)
5
(33,33%)
2
(13,33%)
5
(33,33%)
15
1
2
(4,17%)
6
(12,50%)
8
(16,67%)
32
(66,67%)
48
2
8
(17,39%)
6
(13,04%)
6
(13,04%)
26
(56,52%)
46
Total 13 17 16 63 109
Sumber : Hasil Penelitian (Lampiran 4. b)
32
Dari Tabel 4.3 dapat dilihat bahwa dari ketiga pilihan tujuan migrasi yaitu
Samarinda ke Tarakan, Samarinda ke Balikpapan dan Samarinda ke Bontang
ternyata migran yang paling banyak bermigrasi adalah migran yang berpendidikan
SLTA atau lebih. Untuk migran yang berpendidikan SLTA atau lebih dengan
tujuan migrasi dari Samarinda ke Tarakan sebanyak 5 orang atau 33,33% orang,
Samarinda ke Balikpapan sebanyak 32 orang atau 66,67% orang dan Samarinda
ke Bontang sebanyak 26 orang atau 56,52% orang. Dimana untuk migran yang
bependidikan SLTA atau lebih yang bermigrasi dari Samarinda ke Balikpapan
lebih banyak dibandingkan migran yang bermigrasi dari Samarinda ke Tarakan
dan Samarinda ke Bontang.
Tabel 4.4 Pilihan Migrasi berdasarkan Jenis Kelamin
Pilihan Migrasi
Jenis Kelamin
Total
Wanita Laki-laki
0
10
(66,67%)
5
(33,33%)
15
1
22
(45,83%)
26
(54,17%)
48
2
21
(45,65%)
25
(54,35%)
46
Total 53 56 109
Sumber : Hasil Penelitian (Lampiran 4. c)
Dari Tabel 4.4 dapat dilihat bahwa dari 15 orang migran yang bermigrasi
dari Samarinda ke Tarakan ternyata migran yang lebih banyak bermigrasi adalah
migran wanita yaitu sebanyak 10 orang atau 66,7% orang. Sedangkan untuk
migran yang bermigrasi dari Samarinda ke Balikpapan dan Samarinda ke Bontang
yang banyak bermigrasi adalah migran laki-laki. Dimana untuk migran laki-laki
yang migrasi ke Balikpapan sebanyak 26 orang atau 54,17% orang dan migran
laki-laki yang migrasi ke Bontang sebanyak 25 orang atau 54,35% orang.
33
Tabel 4.5 Pilihan Migrasi berdasarkan Status Menikah
Pilihan Migrasi
Status Menikah
Total
Belum Menikah Menikah
0
6
(40,00%)
9
(60,00%)
15
1
24
(50,00%)
24
(50,00%)
48
2
25
(54,35%)
21
(45,65%)
46
Total 55 54 109
Sumber : Hasil Penelitian (Lampiran 4. d)
Dari Tabel 4.5 dapat dilihat bahwa migran yang terbanyak melakukan
migrasi dari Samarinda ke Tarakan adalah migran yang sudah menikah yaitu
sebanyak 9 orang atau 60% orang. Untuk migran yang bermigrasi dari Samarinda
ke Balikpapan keadaannya seimbang yaitu untuk migran yang belum menikah
maupun yang sudah menikah sebanyak 24 orang atau 50% orang. Sedangkan
migran yang bermigrasi dari Samarinda ke Bontang yang banyak bermigrasi dalah
migran yang belum menikah yaitu sebanyak 25 orang atau 54,35% orang.
4.2. Model Multinomial Logit
Berdasarkan nilai koefisien parameter 
ˆ
pada Tabel 4.6 didapatkan dua
fungsi untuk model multinomial logit yang variabel respon Y adalah pilihan
migrasi dan variabel penjelas X
1
adalah umur, X
2
adalah pendidikan, X
3
adalah
jenis kelamin, dan X
4
adalah status menikah.
Tabel 4.6 Taksiran Parameter ( 
ˆ
) Model Multinomial logit
Variabel Keterangan

ˆ Variabel Keterangan

ˆ
X
1
X
2
X
3
X
4
Logit 1
Konstanta
Umur
Pendidikan
Jenis Kelamin
Status Menikah
0,182271
-1,02694
0,761226
0,577138
0,255153
X
1
X
2
X
3
X
4
Logit 2
Konstanta
Umur
Pendidikan
Jenis Kelamin
Status Menikah
-1,14098
0,0520823
0,722229
0,593698
-0,465730
Sumber : Hasil Penelitian (Lampiran 5. b)
34
Adapun persamaan multinomial logit yang diperoleh adalah sebagai
berikut :
Logit 1
4 14 3 13 2 12 1 11 10 1
) ( x x x x x g      + + + + =
4 3 2 1 1
255153 , 0 577138 , 0 761226 , 0 02694 , 1 182271 , 0 ) ( x x x x x g + + + ÷ =
Logit 2
4 24 3 23 2 22 1 21 20 2
) ( x x x x x g      + + + + =
4 3 2 1 2
465730 , 0 593698 , 0 722229 , 0 0520823 , 0 14098 , 1 ) ( x x x x x g ÷ + + + ÷ =
atau model peluang persamaan multinomial logitnya adalah :
( )
4 3 2 1 4 3 2 1
466 , 0 594 , 0 722 , 0 0521 , 0 141 , 1 255 , 0 577 , 0 761 , 0 027 , 1 182 , 0 0
1
1
x x x x x x x x
e e
x
÷ + + + ÷ + + + ÷
+ +
= 
( )
4 3 2 1 4 3 2 1
4 3 2 1
466 , 0 594 , 0 722 , 0 0521 , 0 141 , 1 255 , 0 577 , 0 761 , 0 027 , 1 182 , 0
255 , 0 577 , 0 761 , 0 027 , 1 182 , 0
1
1
x x x x x x x x
x x x x
e e
e
x
÷ + + + ÷ + + + ÷
+ + + ÷
+ +
= 
( )
4 3 2 1 4 3 2 1
4 3 2 1
466 , 0 594 , 0 722 , 0 0521 , 0 141 , 1 255 , 0 577 , 0 761 , 0 027 , 1 182 , 0
466 , 0 594 , 0 722 , 0 0521 , 0 141 , 1
2
1
x x x x x x x x
x x x x
e e
e
x
÷ + + + ÷ + + + ÷
÷ + + + ÷
+ +
= 
4.3. Uji Kesesuaian Model (Goodness Of Fit)
Dalam memilih model dengan fungsi penghubung dan variabel penjelas
yang memiliki hasil paling cocok adalah menggunakan uji goodness of fit untuk
membandingkan kecocokan dari model-model yang berbeda.
Uji Deviance digunakan untuk mengevaluasi kecocokan model yang
dipilih.
Hipotesis :
H
0
: Model cocok dengan data
H
1
: Model tidak cocok dengan data
Statistik Uji
Dengan menggunakan Software minitab dan dengan menggunakan rumus
(2.21) diperoleh nilai D = 29,0381 seperti pada Tabel 4.7.
35
Pengambilan Keputusan :
Jika D <
2
) 32 (
 =45,306 atau nilai signifikansi > α = 0,05, maka H
0
diterima.
Jika D ≥
2
) 32 (
 =45,306 atau nilai signifikansi ≤ α = 0,05, maka H
0
ditolak.
Tabel 4.7 Uji Goodness Of Fit
Metode Chi-Square DF P
Pearson
Deviance
24,0768
29,0381
32
32
0,842
0,617
Sumber : Hasil Penelitian (Lampiran 5. c)
Kesimpulan :
Dari Tabel 4.7 diketahui bahwa nilai D = 29,0381 <
2
) 32 (
 = 45,306 atau
nilai signifikansi Deviance adalah sebesar 0,617 > α= 0,05, maka H
0
diterima.
Sehingga dapat disimpulkan bahwa model cocok dengan data atau model
multinomial logit tersebut layak untuk digunakan.
4.4. Pengujian Parameter
4.4.1. Uji Likelihood Ratio
Uji ini berfungsi untuk mengetahui apakah variabel penjelas mempunyai
pengaruh yang signifikan terhadap variabel respon.
Langkah-langkah uji Likelihood Ratio (LR) adalah :
1. Perumusan Hipotesis
H
0
:
gk
 = 0(tidak ada pengaruh antara umur, pendidikan, jenis kelamin dan
status menikah terhadap pilihan migrasi)
H
1
:minimal ada satu
gk
 ≠ 0 atau tidak semua
gk
 =0 (minimal ada satu
variabel penjelas yang berpengaruh terhadap pilihan migrasi)
untuk g = 1, 2 dan k = 1, 2, 3,4
2. Statistik Uji
Statistik uji yang digunakan adalah uji G :

÷ =
k
L
L
G
0
ln 2
(2.14)
36
dimana :
L
0
= Likelihood model tereduksi
L
k
= Likelihood model penuh
Statistik G ini mengikuti distribusi chi-squre dengan derajat bebas p.
3. Pengambilan Keputusan
H
0
ditolak jika G ≥ ) 05 , 0 ; 8 (
2
 =15,507 atau H
0
ditolak jika p-value ≤ α = 0,05
H
0
diterima jika G < ) 05 , 0 ; 8 (
2
 =15,507 atau H
0
ditolak jika p-value > α = 0,05
Tabel 4.8 Uji Likelihood Ratio
G DF P-Value Log-Likehood
16,436 8 0,037 -100,583
Sumber : Hasil Penelitian Lampiran 5. b)
4. Keputusan
Dari Tabel 4.8 diperoleh nilai G adalah 16,436 dan nilai P adalah 0,037,
dimana nilai G > ) 05 , 0 ; 8 (
2
 = 15,507 atau nilai P < 0,05, maka dapat diambil
keputusan bahwa H
0
ditolak.
5. Kesimpulan
Dari hasil analisis dengan menggunakan uji G likelihood ratio diperoleh
keputusan bahwa H
0
ditolak, maka dapat disimpulkan bahwa secara bersama-
sama ada variabel penjelas yang mempunyai pengaruh terhadap pilihan migrasi.
Tahapan berikutnya adalah melakukan uji Wald (uji parsial) untuk menentukan
pengaruh dari masing-masing variabel.
4.4.2. Uji Wald
Pengujian ini dilakukan untuk mengetahui pengaruh dari masing-masing
variabel umur, pendidikan, jenis kelamin, dan status menikah terhadap variabel
pilihan migrasi.
1. Perumusan Hipotesis
H
0
: tidak ada pengaruh antara variabel umur terhadap variabel pilihan
migrasi
H
1
: ada pengaruh antara variabel umur terhadap variabel pilihan migrasi
37
H
0
: tidak ada pengaruh antara variabel tingkat pendidikan terhadap variabel
pilihan migrasi
H
1
: ada pengaruh antara variabel tingkat pendidikan terhadap variabel pilihan
migrasi
H
0
: tidak ada pengaruh antara variabel jenis kelamin terhadap variabel
pilihan migrasi
H
1
: ada pengaruh antara variabel jenis kelamin terhadap variabel pilihan
migrasi
H
0
: tidak ada pengaruh antara variabel status menikah terhadap variabel
pilihan migrasi
H
1
: ada pengaruh antara variabel status menikah terhadap variabel pilihan
migrasi
2. Statistik uji
Dengan menggunakan Software minitab 14 dan dengan menggunakan rumus
(2.15) maka diperoleh nilai W adalah :
- Logit 1
Nilai W untuk variabel umur :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
647984 , 0
02694 , 1 ÷
= -1,58
Nilai W untuk variabel pendidikan :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
351680 , 0
761226 , 0
= 2,16
Nilai W untuk variabel jenis kelamin :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
653393 , 0
577138 , 0
= 0,88
Nilai W untuk variabel status menikah :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
918881 , 0
255153 , 0
= 0,28
- Logit 2
Nilai W untuk variabel umur :
38
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
604862 , 0
0520823 , 0
= 0,09
Nilai W untuk variabel pendidikan :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
329102 , 0
722229 , 0
= 2,19
Nilai W untuk variabel jenis kelamin :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
655025 , 0
593698 , 0
= 0,91
Nilai W untuk variabel status menikah :
W =
)
ˆ
(
ˆ
gk
gk
SE 

=
893260 , 0
465730 , 0 ÷
= -0,52
3. Pengambilan Keputusan
H
0
ditolak jika W >
2
1

÷
Z atau Z < -
2
1

÷
Z .
Atau H
0
ditolak jika P < α.
Untuk
2
1

÷
Z =
975 , 0
Z = 1,96
Tabel 4.9 Uji Wald
Variabel Keterangan SE W P
X
1
X
2
X
3
X
4
X
1
X
2
X
3
X
4
Logit 1
Konstanta
Umur
Pendidikan
Jenis Kelamin
Status Menikah
Logit 2
Konstanta
Umur
Pendidikan
Jenis Kelamin
Status Menikah
0,879431
0,647948
0,351680
0,653393
0,918881
0,991468
0,604862
0,329102
0,655025
0,893260
0,21
-1,58
2,16
0,88
0,28
-1,15
0,09
2,19
0,91
-0,52
0,836
0,113
0,030
0,377
0,781
0,250
0,931
0,028
0,365
0,602
Sumber : Hasil Penelitian (Lampiran 5. b)
39
4. Keputusan
Berdasarkan Tabel 4.9 diambil keputusan :
a. Logit 1
a). Untuk variabel umur diperoleh nilai W = -1,58<
975 , 0
Z =1,96 atau P = 0,113
> 0,05. Maka diputuskan bahwa hipotesis H
0
diterima.
b). Untuk variabel tingkat pendidikan diperoleh nilai W =2,16 >
975 , 0
Z = 1,96
atau P = 0,030 s 0,05. Maka diputuskan bahwa hipotesis H
0
ditolak.
c). Untuk variabel jenis kelamin diperoleh nilai W =0,88 <
975 , 0
Z = 1,96 atau
P = 0,377 > 0,05. Maka diputuskan bahwa hipotesis H
0
diterima.
d). Untuk variabel status menikah diperoleh nilai W =0,28 <
975 , 0
Z = 1,96 atau
P = 0,781 > 0,05. Maka diputuskan bahwa hipotesis H
0
diterima.
b. Logit 1
a). Untuk variabel umur diperoleh nilai W = 0,09 <
975 , 0
Z = 1,96 atau P =
0,931 > 0,05. Maka diputuskan bahwa hipotesis H
0
diterima.
b). Untuk variabel tingkat pendidikan diperoleh nilai W = 2,19 >
975 , 0
Z = 1,96
atau P = 0,028 s 0,05. Maka diputuskan bahwa hipotesis H
0
ditolak.
c). Untuk variabel jenis kelamin diperoleh nilai nilai W = 0,91 <
975 , 0
Z = 1,96
atau P = 0,365 > 0,05. Maka diputuskan bahwa hipotesis H
0
diterima.
d). Untuk variabel status menikah diperoleh nilai W = -0,52 <
975 , 0
Z = 1,96
atau P = 0,602 > 0,05. Maka diputuskan bahwa hipotesis H
0
diterima.
5. Kesimpulan
Berdasarkan hasil keputusan, maka dapat disimpulkan :
a. Logit 1
a). Tidak ada pengaruh antara variabel umur terhadap variabel pilihan
migrasi.
b). Ada pengaruh antara variabel tingkat pendidikan terhadap variabel pilihan
migrasi.
c). Tidak ada pengaruh antara variabel jenis kelamin terhadap variabel pilihan
migrasi.
40
d). Tidak ada pengaruh antara variabel status menikah terhadap variabel
pilihan migrasi.
b. Logit 2
a). Tidak ada pengaruh antara variabel umur terhadap variabel pilihan
migrasi.
b). Ada pengaruh antara variabel tingkat pendidikan terhadap variabel pilihan
migrasi.
c). Tidak ada pengaruh antara variabel jenis kelamin terhadap variabel pilihan
migrasi.
d). Tidak ada pengaruh antara variabel status menikah terhadap variabel
pilihan migrasi.
Dari model logit 1 diperoleh hasil bahwa variabel yang berpengaruh atau
variabel yang dimasukkan kedalam model adalah variabel pendidikan. Sedangkan
untuk model logit 2 diperoleh hasil yang sama yaitu variabel yang berpengaruh
atau variabel yang dimasukkan kedalam model adalah variabel pendidikan. Dari
kedua model tersebut maka diperoleh model yang terbaik dilihat dari nilai
parameter β pada Tabel 4.6 adalah sebagai berikut :
Logit 1
2 12 10 1
) ( x x g   + =
2 1
761226 , 0 182271 , 0 ) ( x x g + =
Logit 2
2 22 20 2
) ( x x g   + =
2 2
722229 , 0 14098 , 1 ) ( x x g + ÷ =
atau model peluang persamaan multinomial logitnya adalah :
( )
2 2
722229 , 0 14098 , 1 761226 , 0 182271 , 0 0
1
1
x x
e e
x
+ ÷ +
+ +
= 
( )
2 2
2
722229 , 0 14098 , 1 761226 , 0 182271 , 0
761226 , 0 182271 , 0
1
1
x x
x
e e
e
x
+ ÷ +
+
+ +
= 
( )
2 2
2
722229 , 0 14098 , 1 761226 , 0 182271 , 0
722229 , 0 14098 , 1
2
1
x x
x
e e
e
x
+ ÷ +
+ ÷
+ +
= 
41
4.5. Rasio Kecenderungan (Odds Ratio)
Odds ratio digunakan untuk menjelaskan peluang dari masing-masing
variabel penjelas terhadap variabel respon. Yaitu variabel umur terhadap pilihan
migrasi, variabel tingkat pendidikan terhadap pilihan migrasi, variabel jenis
kelamin terhadap pilihan migrasi dan variabel status menikah terhadap pilihan
migrasi.
4.5.1. Odds Ratio Variabel Umur
Tabel 4.10 Odds Ratio umur pada Model Logit 1
Variabel Penjelas Kategori β Odds Ratio
Umur
Konstanta
0 – 5 tahun
6 – 18 tahun
19 – 54 tahun
≥ 55 tahun
-16,737
17,990
18,241
17,941
-
0,0000006
0,0000008
0,0000006
Rujukan
Sumber : Hasil Penelitian (Lampiran 6. a)
Dari Tabel 4.10 terlihat koefisien untuk variabel umur 0-5 tahun, umur 6-
18 tahun dan umur 19-54 tahun bertanda positif yaitu 17,990, 18,241 dan 17,941,
yang berarti migran yang berumur 0-5 tahun, 6-18 tahun dan 19-54 tahun
mempunyai peluang lebih besar dibanding migran yang berumur ≥ 55 tahun untuk
bermigrasi ke Bontang daripada bermigrasi ke Tarakan. Dengan melihat nilai odds
ratio yang sebesar 0,0000006, 0,0000008 dan 0,0000006, dapat diartikan migran
yang berumur 0-5 tahun, 6-18 tahun dan 19-54 tahun memiliki peluang
0,0000006, 0,0000008 dan 0,0000006 kali dari migran yang berumur ≥ 55 untuk
bermigrasi ke Bontang dibanding migrasi ke Tarakan.
Tabel 4.11 Odds Ratio umur pada Model Logit 2
Variabel Penjelas Kategori β Odds Ratio
Umur
Konstanta
0 – 5 tahun
6 – 18 tahun
19 – 54 tahun
≥ 55 tahun
1,253
-1,253
0,251
-0,049
-
0,328
0,822
0,952
Rujukan
Sumber : Hasil Penelitian (Lampiran 6. a)
42
Dari Tabel 4.11 terlihat koefisien untuk variabel umur 0-5 tahun dan umur
19-54 tahun bertanda negatif yaitu -1,253 dan -0,049, yang berarti migran yang
berumur 0-5 tahun dan 19-54 tahun mempunyai peluang lebih rendah dibanding
migran yang berumur ≥ 55 tahun untuk bermigrasi ke Balikpapan daripada
bermigrasi ke Tarakan. Dengan melihat nilai odds ratio yang sebesar 0,328 dan
0,952, dapat diartikan migran yang berumur 0-5 tahun dan 19-54 tahun memiliki
peluang 0,328 dan 0,952 kali dari migran yang berumur ≥ 55 untuk bermigrasi ke
Balikpapan dibanding migrasi ke Tarakan.
Sedangkan untuk migran yang berumur 6-18 tahun terlihat nilai
koefisiennya bertanda positif yaitu 0,251 yang berarti bahwa peluang migran yang
berumur 6-18 tahun lebih besar dibanding migran yang berumur ≥ 55 untuk
bermigrasi ke Balikpapan daripada bermigrasi ke Tarakan. Dengan melihat nilai
odds ratio yang sebesar 0,822, dapat diartikan migran yang berumur 6-18 tahun
memiliki peluang 0,822 kali dari migran yang berumur ≥ 55 untuk bermigrasi ke
Balikpapan dibanding migrasi ke Tarakan.
4.5.2. Odds Ratio Variabel Tingkat Pendidikan
Tabel 4.12 Odds Ratio Tingkat Pendidikan pada Model Logit 1
Variabel Penjelas Kategori β Odds Ratio
Tingkat
Pendidikan
Konstanta
Tidak Punya
SD
SLTP
SLTA atau Lebih
1,649
-0,668
-1,466
-0,550
-
0,513
0,231
0,577
Rujukan
Sumber : Hasil Penelitian (Lampiran 6. b)
Dari Tabel 4.12 terlihat koefisien untuk variabel tingkat pendidikan yang
tidak punya pendidikan, yang berpendidikan SD dan yang berpendidikan SLTP
bertanda negatif yaitu -0,668, -1,466 dan -0,550, yang berarti migran yang tidak
punya pendidikan, yang berpendidikan SD dan yang berpendidikan SLTP
mempunyai peluang lebih rendah dibanding migran yang berpendidikan SLTA
atau lebih untuk bermigrasi ke Bontang daripada bermigrasi ke Tarakan. Dengan
melihat nilai odds ratio yang sebesar 0,513, 0,231 dan 0, 577, dapat diartikan
43
migran yang tidak punya pendidikan, yang berpendidikan SD dan yang
berpendidikan SLTP memiliki peluang 0,513, 0,231 dan 0, 577 kali dari migran
yang berpendidikan SLTA atau lebih untuk bermigrasi ke Bontang dibanding
migrasi ke Tarakan.
Tabel 4.13 Odds Ratio Tingkat Pendidikan pada Model Logit 2
Variabel Penjelas Kategori β Odds Ratio
Tingkat
Pendidikan
Konstanta
Tidak Punya
SD
SLTP
SLTA atau Lebih
1,856
-2,262
-1,674
-0,470
-
0,104
0,188
0,625
Rujukan
Sumber : Hasil Penelitian (Lampiran 6. b)
Dari Tabel 4.13 terlihat koefisien untuk variabel tingkat pendidikan yang tidak
punya pendidikan, yang berpendidikan SD dan yang berpendidikan SLTP
bertanda negatif yaitu -2,262, -1,674 dan -0,470, yang berarti migran yang tidak
punya pendidikan, yang berpendidikan SD dan yang berpendidikan SLTP
mempunyai peluang lebih rendah dibanding migran yang berpendidikan SLTA
atau lebih untuk bermigrasi ke Balikpapan daripada bermigrasi ke Tarakan.
Dengan melihat nilai odds ratio yang sebesar 0,104, 0,188 dan 0, 256, dapat
diartikan migran yang tidak punya pendidikan, yang berpendidikan SD dan yang
berpendidikan SLTP memiliki peluang 0,104, 0,188 dan 0,256 kali dari migran
yang berpendidikan SLTA atau lebih untuk bermigrasi ke Balikpapan dibanding
migrasi ke Tarakan.
4.5.3. Odds Ratio Variabel Jenis Kelamin
Tabel 4.14 Odds Ratio Jenis Kelamin pada Model Logit 1
Variabel Penjelas Kategori β Odds Ratio
Jenis Kelamin
Konstanta
Jenis Kelamin
0,742
0,868 2,381
Sumber : Hasil Penelitian (Lampiran 6. c)
44
Dari Tabel 4.14 terlihat koefisien untuk variabel jenis kelamin bertanda
positif yaitu 0,868, yang berarti migran yang berjenis kelamin laki-laki
mempunyai peluang lebih besar dibanding migran yang berjenis kelamin wanita
untuk bermigrasi ke Bontang daripada bermigrasi ke Tarakan. Dengan melihat
nilai odds ratio yang sebesar 2,381, dapat diartikan migran yang berjenis kelamin
laki-laki memiliki peluang 2,381 kali dari migran yang berjenis kelamin wanita
untuk bermigrasi ke Bontang dibanding migrasi ke Tarakan.
Tabel 4.15 Odds Ratio Jenis Kelamin pada Model Logit 2
Variabel Penjelas Kategori β Odds Ratio
Jenis Kelamin
Konstanta
Jenis Kelamin
0,788
0,860 2,364
Sumber : Hasil Penelitian (Lampiran 6. c)
Dari Tabel 4.15 terlihat koefisien untuk variabel jenis kelamin bertanda
positif yaitu 0,860, yang berarti migran yang berjenis kelamin laki-laki
mempunyai peluang lebih besar dibanding migran yang berjenis kelamin wanita
untuk bermigrasi ke Balikpapan daripada bermigrasi ke Tarakan. Dengan melihat
nilai odds ratio yang sebesar 2,364, dapat diartikan migran yang berjenis kelamin
laki-laki memiliki peluang 2,364 kali dari migran yang berjenis kelamin wanita
untuk bermigrasi ke Balikpapan dibanding migrasi ke Tarakan.
4.5.4. Odds Ratio Variabel Status Menikah
Tabel 4.16 Odds Ratio Status Menikah pada Model Logit 1
Variabel Penjelas Kategori β Odds Ratio
Status Menikah
Konstanta
Status Menikah
1,427
-0,580 0,560
Sumber : Hasil Penelitian (Lampiran 6. d)
Dari Tabel 4.16 terlihat koefisien untuk variabel status menikah bertanda
negatif yaitu -0,580, yang berarti migran yang sudah menikah mempunyai
peluang lebih rendah dibanding migran yang belum/tidak menikah untuk
bermigrasi ke Bontang daripada bermigrasi ke Tarakan. Dengan melihat nilai odds
45
ratio yang sebesar 0,560, dapat diartikan migran yang sudah menikah memiliki
peluang 0,560 kali dari migran yang belum menikah untuk bermigrasi ke Bontang
dibanding migrasi ke Tarakan.
Tabel 4.17 Odds Ratio Status Menikah pada Model Logit 2
Variabel Penjelas Kategori β Odds Ratio
Status Menikah
Konstanta
Status Menikah
1,386
-0,405 0,667
Sumber : Hasil Penelitian (Lampiran 6. d)
Dari Tabel 4.17 terlihat koefisien untuk variabel Status Menikah bertanda
negatif yaitu -0,405, yang berarti migran yang sudah menikah mempunyai
peluang lebih rendah dibanding migran yang belum/tidak menikah untuk
bermigrasi ke Balikpapan daripada bermigrasi ke Tarakan. Dengan melihat nilai
odds ratio yang sebesar 0,667, dapat diartikan migran yang sudah menikah
memiliki peluang 0,667 kali dari migran yang belum menikah untuk bermigrasi ke
Balikpapan dibanding migrasi ke Tarakan.
46
BAB 5
PENUTUP
Kesimpulan
Dari hasil perhitungan dan pembahasan yang telah dilakukan maka dapat
diambil beberapa kesimpulan, yaitu :
1. Dari hasil uji Wald diperoleh bahwa tingkat pendidikan migran mempengaruhi
dalam memilih tujuan migrasinya. Maka variabel yang dimasukkan kedalam
model atau model terbaik yang digunakan dalam multinomial logit adalah
variabel yang memiliki pengaruh yaitu variabel tingkat pendidikan, sehingga
didapat model peluangnya yaitu :
( )
2 2
722229 , 0 14098 , 1 761226 , 0 182271 , 0 0
1
1
x x
e e
x
+ ÷ +
+ +
= 
( )
2 2
2
722229 , 0 14098 , 1 761226 , 0 182271 , 0
761226 , 0 182271 , 0
1
1
x x
x
e e
e
x
+ ÷ +
+
+ +
= 
( )
2 2
4 2
722229 , 0 14098 , 1 761226 , 0 182271 , 0
722229 , 0 14098 , 1
2
1
x x
x
e e
e
x
+ ÷ +
+ ÷
+ +
= 
2. Berdasarkan faktor yang mempengaruhi migran dalam memilih tujuan migrasi,
maka diperoleh nilai odds ratio untuk tingkat pendidikan pada model logit 1
yaitu migran yang tidak punya pendidikan memiliki peluang 0,513, yang
berpendidikan SD memiliki peluang 0,231 dan yang berpendidikan SLTP
memiliki peluang 0, 577 kali dari migran yang berpendidikan SLTA atau lebih
untuk bermigrasi ke Bontang dibanding migrasi ke Tarakan. Untuk model logit
2 yaitu migran yang tidak punya pendidikan memiliki peluang 0,104, yang
berpendidikan SD memiliki peluang 0,188 dan yang berpendidikan SLTP
memiliki peluang 0,256 kali dari migran yang berpendidikan SLTA atau lebih
untuk bermigrasi ke Balikpapan dibanding migrasi ke Tarakan. Berdasarkan
nilai odds ratio untuk variabel tingkat pendidikan diketahui migran yang tidak
punya pendidikan, yang berpendidikan SD dan yang berpendidikan SLTP
cenderung memilih tujuan migrasi ke Tarakan dibandingkan kota lainnya.
47
Sedangkan untuk migran yang berpendidikan SLTA atau lebih cenderung
memilih tujuan migrasi ke Balikpapan dan Bontang.
Saran
Dari hasil penelitian dan hasil pengembangan lebih lanjut mengenai analisis
multinomial logit, penulis menyarankan :
1. Perlunya perbaikan dan peningkatan untuk kota Samarinda terutama dari segi
tingkat pendidikan dan sebagainya, guna mengurangi derasnya arus migrasi
yang terjadi.
2. Perlunya kajian lebih mendalam mengenai model multinomial logit, terutama
dalam pengembangannya untuk empat kategori atau lebih.
3. Perlunya pemerintah kota ataupun daerah untuk melakukan antisipasi terhadap
persebaran penduduk yang tidak merata.
48
DAFTAR PUSTAKA
Agresti, A., 1996. Introduction to Categorical Data Analysis. New York: Wiley.
Bain, L.J. dan Engelhardt, M. (1992), Introduction to Probability and
Mathematical Statistics, Second Edition, Duxbury, California.
Basuki Hari, N., 2004. Analisis Regresi Logistik. Lembaga Penelitian Universitas
Airlangga: Surabaya.
Evans, M., Hastings, N. dan Peacock, B. (2000), Statistical Distributions, Third
Edition, John Wiley and Sons, Inc., New York.
Hosmer, David W. And Stanley Lemeshow., 2000. Applied Logistic Regression.
New York: John Wiley and Sons, Inc.
http://www.e-dukasi.net/mol/mo_full.php?moid=140&fname=geo111_08.htm
Iriawan, Nur dan Septin Puji Astuti. 2006. Mengolah Data Statistik dengan
Mudah Menggunakan Minitab 14. Penerbit Andi: Yogyakarta.
Kleinbaum, David G and Klein, Mitchel. 2002. Logistic Regression. New York:
Springer-Verlag.
Lembaga Demografi. 1981. Dasar-Dasar Demografi. Fakultas Ekonomi
Universitas Indonesia.
Lungan, Richard. 2006. Aplikasi Statistika dan Hitung Peluang. Graha Ilmu:
Yogyakarta.
McCullagh, P. and Nelder, J.A., 1989. Generalized Linear Model Second
Edition. New York: Chapman & Hall.
Nachrowi, Nachrowi Djalal dan Hardius Usman. 2005. Penggunaan Teknik
Ekonometri. PT Raja Grafindo Persada: Jakarta.
Paulino, C.M. dan Silva, G.L. (1999), “On The Maximum Likelihood Analysis of
the General linier Model in Categorical Data”, Computational Statistics &
Data Analysis, Vol. 30, hal. 197 – 204.
Sudjana. 2002. Metoda Statistika. Tarsito: Bandung.
Suryabrata, Sumadi. 2002. Metodologi Penelitian. PT Raja Grafindo Persada:
Jakarta.

Sign up to vote on this title
UsefulNot useful