Pemodelan Dan Pemetaan Laju Pertumbuhan Ekonomi Per Kapita Di Indonesia Berdasarkan Jumlah Industri Mikro Kecil (IMK) Dan Faktor-Faktor Lain Dengan Regresi Logistik Biner Dan Regresi Probit Biner

Pertumbuhan ekonomi per kapita merupakan salah satu indikator keberhasilan pembangunan, sehingga perlu diketahui faktor yang mempengaruhi. Penelitian ini menggunakan respon laju pertumbuhan PDRB ADHK per kapita tiap provinsi yang dibagi menjadi 2 kategori, di bawah nasional (0) dan di atas nasional (1). Metode yang digunakan yaitu regresi logistik biner dan regresi probit biner. Diperoleh hasil rata-rata lama sekolah (X3) dan jumlah industri mikro kecil (X6) berpengaruh positif terhadap respon, sedangkan tingkat pengangguran terbuka (X1) berpengaruh negatif. Kedua model yang didapatkan memiliki ketepatan klasifikasi yang sama, tetapi S.E estimasi parameter regresi probit biner lebih baik. Papua memiliki kecenderungan untuk masuk dalam kategori 1 sebesar 4,27% dan kategori 0 95,73%. Efek marjinal jumlah IMK (X6) untuk Papua yaitu 2,968% dimana tiap bertambahnya 10000 unit IMK di Papua, maka kecenderungan Papua masuk kategori 1 bertambah 2,968% atau kecenderungan masuk kategori 0 berkurang 2,968%. Dalam pemetaan provinsi di Indonesia, daerah dengan peluang masuk dalam kategori 1 kurang dari 25% yaitu, Banten, Kalimantan Barat, Gorontalo, Papua Barat, dan Papua. Dari semua variabel yang signifikan dalam model terbaik, RLS (X3) memiliki median yang berbeda signifikan antar kategori laju pertumbuhan ekonomi per kapita. ================================================================================================ Economic growth per capita is one indicator of the success of development, so it is necessary to know the influencing factors. This study uses the response rate of GDP growth per capita per province which is divided into 2 categories, below national (0) and above national (1). The method used is binary logistic regression and binary probit regression. The results obtained that the average length of schooling (X3) and the number of micro and small industries (X6) have a positive effect on the response while the open unemployment rate (X1) has a negative effect. The two models obtained have the same classification accuracy, but the S.E estimation parameter of the binary probit regression is better. Papua has a tendency to enter into category 1 4,27% and category 0 95,73%. The marginal effect of IMK (X6) for Papua is 2,968% where for every 10000 IMK units increase in Papua, the tendency to enter category 1 increases 2,968% or decreases 2,968% for categori 0. Mapping of provinces in Indonesia, provinces with a chance less than 25% to enter into category 1, namely, Banten, West Kalimantan, Gorontalo, West Papua, and Papua. Of all the significant variables in the best model, RLS (X3) has median that significantly different between categories of the rate of economic growth per capita