Analisis Diskriminan pada Indikator yang Memengaruhi Indeks Kerentanan Pangan Menurut Provinsi di Indonesia Tahun 2023

Melita Handayani; Natasya Liana Putri; Sri Pingit Wulandari

doi:10.62383/bilangan.v2i6.319

Authors

Melita Handayani Institut Teknologi Sepuluh Nopember
Natasya Liana Putri Institut Teknologi Sepuluh Nopember
Sri Pingit Wulandari Institut Teknologi Sepuluh Nopember

DOI:

https://doi.org/10.62383/bilangan.v2i6.319

Keywords:

Discriminant Analysis, Discriminant Assumption Test, IKP, Poverty

Abstract

Indonesia is committed to achieving zero hunger as one of the goals of fulfilling the Sustainable Development Goals (SDGs) where this commitment focuses on addressing the problem of food availability but also ensuring that every individual has access to sufficient, nutritious, and safe food throughout the year for everyone. However, reviewing the current conditions in Indonesia, there is still an imbalance in food availability that will cause food vulnerability. Therefore, a prediction of food vulnerability in the future is needed where discriminant analysis is one of the appropriate statistical methods to analyze qualitative dependent and quantitative independent variables. This study uses secondary data from the official website of the food agency and the central statistics agency. The results of the study show that the characteristics of the data have small variations, asymmetric distribution, and there are outliers in several categories. The assumptions of multivariate normality, the suitability of the dependent variables, and the identity of the variance-covariance matrix have been met. Through discriminant analysis, the variables of the percentage of poverty and the percentage of households with access to clean drinking water are proven to significantly affect the IKP category. The discriminant model produces one significant function that is able to group the IKP category with a model accuracy rate of 86.8% and a classification accuracy of 64.7%.

Downloads

Download data is not yet available.

References

Ariefudin, R., Alfarizzi, M., Aslina, Said, Machmudah, N., Aminah, E., & Wasono. (2023). Analisis diskriminan untuk klasifikasi tingkat kemiskinan di perkotaan menurut provinsi berdasarkan bagian wilayah di Indonesia tahun 2022. Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya, Terbitan III, 214–223.

Berliana, R. W., Fathony, N. S., Haryanto, A. E., & S. P. (2023). Analisis diskriminan pada indikator yang memengaruhi indeks kerentanan pangan menurut kabupaten/kota di Indonesia tahun 2022. Seminar Nasional Official Statistics, 11–20.

DKP. (2021). Dinas Ketahanan Pangan Tulang Bawang. Diakses pada 27 November 2024, dari http://dkp.tulangbawangkab.go.id/informasi/penanganan-daerah-rawan-pangan

Dr. Tono, S. M., Wuri, D., Andayani, S. M., Anwar Hidayat, S., Lintang Dewi Maheswari, S., & Nabila Ayu Ulfa, S. (2023). Indeks ketahanan pangan tahun 2022. Jakarta: Badan Pangan Nasional (BPN).

Ibrahim, N. S. (2024). Analisis diskriminan linear robust dengan penduga minimum covariance determinant (studi kasus: indeks kerentanan pangan menurut kabupaten/kota di Indonesia tahun 2023). Jurnal Emerging Statistics and Data Science, 2(2), 264–269.

Ismawati, & Norwahida. (2017). Analisis diskriminan tingkat literasi keuangan mahasiswa dalam mengelola keuangan pribadi. Jurnal Idaarah, 1(2), 165–180.

Kusnadi, K. H., Rahmah, H., Aziezah, N., Marcelita, F., & Novianty, I. (2024). Analisis statistika tingkat kepuasan pengguna sistem monitoring mesin cetak pelet pakan ternak berbasis IoT. Jurnal Kendali Teknik dan Sains, 2(1), 63–71.

Lesmana, V. F., Hanifah, A., & Azhar, F. N. (2024). Enhancing food security in West Java in the context of achieving sustainable development goals. Jurnal Penelitian Ilmu-Ilmu Sosial, 1(9), 155–158.

Maswar, M. (2017). Analisis statistik deskriptif nilai UAS ekonometrika mahasiswa dengan program SPSS 23 & Eviews 8.1. Jurnal Pendidikan Islam Indonesia, 1(2), 273–292.

Mayasari, T. R. (2019). Clustering akses air bersih dan sanitasi layak kabupaten/kota di Provinsi Lampung. Seminar Nasional Official Statistics, 563–572.

Napitupulu, R. D., & Iskandar, D. (2019). Penggunaan analisis diskriminan dalam memprediksi profitabilitas Bank Perkreditan Rakyat wilayah DKI Jakarta. Jurnal Akuntansi & Perpajakan Jayakarta, 1(1), 23–33.

Ningrum, A. F. (2018). Pemodelan pengeluaran per kapita dan persentase penduduk miskin di Jawa Tengah menggunakan regresi birespon spline truncated. Jurnal Gaussian, 7(2), 164–174.

Ramadani, R., & Salma, A. (2022). Metode average linkage dan ward dalam pengelompokan kesejahteraan Sumatera Barat tahun 2021. Journal of Mathematics UNP, 7(3), 11–24.

Rumeon, R., Talakua, M. W., & Persuless, E. R. (2022). Penggunaan analisis diskriminan dalam menentukan tingkat kemiskinan di Provinsi Maluku tahun 2015. Jurnal Matematika Statistika dan Terapannya, 1(1), 15–28.

Saepuzaman, D., & Retnawati, H. (2021). Analisis diskriminan dan klasifikasi ketepatan masa studi mahasiswa pendidikan fisika. Jurnal Pendidikan Fisika, 9(2), 92–102.

Sihombing, S. (2022). Pengantar metode analisis multivariat (Edisi ke-1). Pekalongan: PT Nasya Expanding Management (NEM).

Suradi. (2014). Beberapa teknik statistik dalam analisa data penelitian ekonomi bisnis & kewirausahaan. Jurnal Ekonomi Bisnis dan Kewirausahaan, 3(2), 73–82.

Tarigan, M., & Silaban, D. F. (2024). Statistika deskriptif. Jurnal Ilmu Keperawatan, 4(2), 187–195.

Usmadi. (2018). Pengujian persyaratan analisis (analisis homogenitas dan uji normalitas). Jurnal Inovasi Pendidikan, 7(1), 50–62.

Wulandari, G., Febriyanti, N. A., K. A., & Nohe, D. A. (2022). Pemodelan persentase penduduk miskin di Indonesia menggunakan regresi probit dan regresi logistik. Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya, Terbitan II, 354–368.

Yuniarti, R. (2022). Kesalahan mahasiswa program studi administrasi publik dalam menyelesaikan soal statistika deskriptif dan statistika inferensial. Jurnal Sains Matematika dan Statistika, 8(1), 46–58.