Tren Kemiskinan menunjukkan penurunan secara konsisten di Jawa Tengah periode 2020–2024.
IPM memiliki korelasi negatif kuat dengan kemiskinan — semakin tinggi IPM, semakin rendah tingkat kemiskinan.
Model terpilih adalah Fixed Effect berdasarkan uji Hausman, yang menunjukkan bahwa IPM, TPT, dan PDRB berpengaruh signifikan terhadap kemiskinan di Jawa Tengah.
Laporan dibuat menggunakan R dan Quarto
Kode Sumber
---title: "Analisis Ekonomi Jawa Tengah 2020-2024"author: "Wafi"date: todayformat: html: toc: true toc-title: "Daftar Isi" toc-depth: 3 theme: flatly code-fold: true code-tools: true number-sections: truelang: id---```{r setup, include=FALSE}library(tidyverse)library(corrplot)library(GGally)library(plm)library(stargazer)library(knitr)PATH <-"D:/PROJECT INTERN/FILE PROJECT/"df_final <-read_csv(paste0(PATH, "df_final_panel.csv"),show_col_types =FALSE)```# PendahuluanLaporan ini menyajikan analisis indikator ekonomi Kabupaten/Kota di Provinsi Jawa Tengah periode 2020–2024. Indikator yang dianalisis meliputi:- **Kemiskinan** : Persentase penduduk miskin (%)- **IPM** : Indeks Pembangunan Manusia- **TPT** : Tingkat Pengangguran Terbuka (%)- **PDRB** : Laju Pertumbuhan Ekonomi (%)# Data## Sumber DataData bersumber dari Badan Pusat Statistik (BPS) Provinsi Jawa Tengah, mencakup 35 Kabupaten/Kota periode 2020–2024.## Struktur Data```{r}df_final |>head(10) |>kable(caption ="10 Baris Pertama Data Panel",col.names =c("Kabupaten/Kota", "Tahun", "Kemiskinan (%)", "IPM", "TPT (%)", "PDRB (%)"),align =c("l", "c", "c", "c", "c", "c")) |> kableExtra::kable_styling(bootstrap_options =c("striped", "hover", "bordered"),full_width =TRUE,font_size =13)```## Statistik Deskriptif```{r}df_final |>select(kemiskinan_pct, ipm, tpt, pdrb) |>summary() |>kable(caption ="Statistik Deskriptif Indikator Ekonomi")```# Analisis Deskriptif## Tren Per Tahun```{r fig.width=10, fig.height=6}df_tren <- df_final |>group_by(tahun) |>summarise(Kemiskinan =mean(kemiskinan_pct, na.rm =TRUE),IPM =mean(ipm, na.rm =TRUE),TPT =mean(tpt, na.rm =TRUE),PDRB =mean(pdrb, na.rm =TRUE) ) |>pivot_longer(-tahun, names_to ="Indikator", values_to ="Nilai")ggplot(df_tren, aes(x = tahun, y = Nilai, color = Indikator)) +geom_line(linewidth =1.2) +geom_point(size =3) +facet_wrap(~Indikator, scales ="free_y") +scale_x_continuous(breaks =2020:2024) +labs(title ="Tren Indikator Ekonomi Jawa Tengah (2020-2024)",subtitle ="Rata-rata seluruh Kabupaten/Kota",x ="Tahun", y ="Nilai") +theme_classic() +theme(legend.position ="none")```## Top 10 Kabupaten Termiskin```{r fig.width=10, fig.height=6}df_final |>group_by(kabupaten_kota) |>summarise(avg_kemiskinan =mean(kemiskinan_pct, na.rm =TRUE)) |>arrange(desc(avg_kemiskinan)) |>head(10) |>ggplot(aes(x =reorder(kabupaten_kota, avg_kemiskinan),y = avg_kemiskinan, fill = avg_kemiskinan)) +geom_col(show.legend =FALSE) +geom_text(aes(label =round(avg_kemiskinan, 1)), hjust =-0.2) +scale_fill_gradient(low ="#f7c59f", high ="#e84545") +coord_flip() +labs(title ="Top 10 Kabupaten/Kota Tingkat Kemiskinan Tertinggi",subtitle ="Rata-rata 2020-2024 (%)", x =NULL, y ="Kemiskinan (%)") +theme_classic()```# Analisis Korelasi## Matriks Korelasi```{r fig.width=8, fig.height=7}df_cor <- df_final |>select(kemiskinan_pct, ipm, tpt, pdrb) |>drop_na()mat_cor <-cor(df_cor, method ="pearson")corrplot(mat_cor,method ="color",type ="upper",addCoef.col ="black",tl.col ="black",tl.srt =45,col =colorRampPalette(c("#d73027", "white", "#1a6b8a"))(200),title ="Matriks Korelasi",mar =c(0, 0, 2, 0))```## Scatter Plot Matrix```{r fig.width=10, fig.height=8, message=FALSE, warning=FALSE}ggpairs(df_cor,columnLabels =c("Kemiskinan (%)", "IPM", "TPT (%)", "PDRB (%)"),upper =list(continuous =wrap("cor", size =4)),lower =list(continuous =wrap("smooth", method ="lm",color ="#1a6b8a", alpha =0.4)),diag =list(continuous =wrap("densityDiag", fill ="#a8edea"))) +theme_classic()```# Analisis Regresi Data Panel## Persiapan Data Panel```{r}df_panel <- df_final |>drop_na() |>arrange(kabupaten_kota, tahun)pdata <-pdata.frame(df_panel, index =c("kabupaten_kota", "tahun"))cat("Jumlah observasi :", nrow(pdata))cat("\nJumlah individu :", length(unique(pdata$kabupaten_kota)))cat("\nJumlah periode :", length(unique(pdata$tahun)))```## Estimasi Model```{r}model_ols <-plm(kemiskinan_pct ~ ipm + tpt + pdrb,data = pdata, model ="pooling")model_fem <-plm(kemiskinan_pct ~ ipm + tpt + pdrb,data = pdata, model ="within", effect ="twoways")model_rem <-plm(kemiskinan_pct ~ ipm + tpt + pdrb,data = pdata, model ="random")```## Uji Pemilihan Model```{r}uji_chow <-pFtest(model_fem, model_ols)uji_bp <-plmtest(model_ols, type ="bp")uji_hausman <-phtest(model_fem, model_rem)tibble(Uji =c("Chow (OLS vs FEM)","Breusch-Pagan (OLS vs REM)","Hausman (FEM vs REM)"),`P-Value`=c(round(uji_chow$p.value, 4),round(uji_bp$p.value, 4),round(uji_hausman$p.value, 4)),Kesimpulan =c(ifelse(uji_chow$p.value <0.05, "FEM > OLS", "OLS lebih baik"),ifelse(uji_bp$p.value <0.05, "REM > OLS", "OLS lebih baik"),ifelse(uji_hausman$p.value <0.05, "Gunakan FEM", "Gunakan REM"))) |>kable(caption ="Ringkasan Uji Pemilihan Model")```## Hasil Model Terbaik```{r results='asis'}model_terbaik <-if (uji_hausman$p.value <0.05) model_fem else model_remnama_model <-if (uji_hausman$p.value <0.05) "Fixed Effect"else"Random Effect"cat("**Model terpilih:**", nama_model, "\n\n")stargazer(model_terbaik,type ="html",title =paste("Hasil", nama_model, "Model"),dep.var.labels ="Kemiskinan (%)",covariate.labels =c("IPM", "TPT (%)", "PDRB (%)"))```# KesimpulanBerdasarkan analisis yang telah dilakukan:1. **Tren Kemiskinan** menunjukkan penurunan secara konsisten di Jawa Tengah periode 2020–2024.2. **IPM** memiliki korelasi negatif kuat dengan kemiskinan — semakin tinggi IPM, semakin rendah tingkat kemiskinan.3. **Model terpilih** adalah `r nama_model` berdasarkan uji Hausman, yang menunjukkan bahwa IPM, TPT, dan PDRB berpengaruh signifikan terhadap kemiskinan di Jawa Tengah.------------------------------------------------------------------------*Laporan dibuat menggunakan R dan Quarto*
