Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemiskinan merupakan suatu kondisi yang ditandai dengan ketidakmampuan seseorang dalam memenuhi kebutuhan pokoknya. Berdasarkan publikasi Badan Pusat Statistik (BPS) dari tahun 2017 hingga 2020, Provinsi Papua dan Papua Barat yang berada di Pulau Papua merupakan dua provinsi dengan kemiskinan tertinggi di Indonesia. Oleh karena itu, penelitian ini bertujuan untuk menganalisis variabel-variabel yang signifikan memengaruhi kemiskinan di Pulau Papua. Permasalahan kemiskinan merupakan permasalahan kompleks yang tidak hanya terjadi pada satu waktu dan dapat dipengaruhi oleh aspek kewilayahan atau spasial. Hal ini mengindikasikan perlunya dilakukan suatu penelitian yang melibatkan efek spasial dalam beberapa periode waktu. Sehubungan dengan hal tersebut, maka data spasial dengan struktur panel digunakan dalam penelitian ini. Data penelitian yang merupakan data spasial dengan struktur panel mengakibatkan kemungkinan munculnya pengaruh spasial seperti heterogenitas spasial. Uji heterogenitas spasial dilakukan menggunakan uji Breusch-Pagan. Berdasarkan pengujian didapatkan bahwa terdapat heterogenitas spasial pada data kemiskinan di Pulau Papua tahun 2017-2020 sehingga dilakukan analisis lebih lanjut dengan menggunakan model Geographically Weighted Panel Regression (GWPR). Model GWPR dibentuk menggunakan fungsi pembobot kernel Fixed Gaussian, Fixed Bisquare, dan Fixed Tricube. Hasil penelitian menunjukkan bahwa model GWPR dengan fungsi pembobot kernel Fixed Gaussian merupakan model terbaik dalam memodelkan data kemiskinan di Pulau Papua tahun 2017-2020 dengan koefisien determinasi sebesar 84.93% dan RMSE sebesar 0.013459686. Variabel harapan lama sekolah, angka harapan hidup, rasio gini, pengeluaran per kapita disesuaikan, dan tingkat partisipasi angkatan kerja berpengaruh signifikan terhadap kemiskinan pada minimal satu lokasi di kabupaten/kota di Pulau Papua. Variabel angka harapan hidup dan pengeluaran per kapita disesuaikan merupakan variabel yang paling banyak berpengaruh signifikan terhadap kemiskinan di kabupaten/kota di Pulau Papua.

---

Poverty is a condition characterized by a person’s inability to fulfill their basic needs. Based on the publications of Badan Pusat Statistik (BPS) from 2017 to 2020, the provinces of Papua and West Papua on the island of Papua are the two provinces with the highest rates of poverty in Indonesia. Therefore, this study aims to analyze the variables that significantly affect poverty on Papua Island. The problem of poverty is a complex problem that does not only occur at one time and can be influenced by regional or spatial aspects. This indicates the need for a study involving spatial effects over several periods. In this regard, spatial data with panel structure is used in this study. Research data which is spatial data with a panel structure results in the possibility of the emergence of spatial influences such as spatial heterogeneity. A spatial heterogeneity test was performed using the Breusch-Pagan test. Based on the test, it was found that there is spatial heterogeneity in poverty data in Papua Island in 2017-2020 so further analysis will be carried out using the Geographically Weighted Panel Regression (GWPR) model. The GWPR model is formed using the Fixed Gaussian, Fixed Bisquare, and Fixed Tricube kernel weighting functions. The results show that the GWPR model with the Fixed Gaussian kernel weighting function is the best in modeling poverty data in Papua Island in 2017- 2020 with the coefficient of determination of 84.93% and RMSE of 0.013459686. The variables of expected years of schooling, life expectancy, gini ratio, consumption per capita, and labor force participation rate have a significant effect on poverty in at least one location in a district/city on Papua Island. The variables of life expectancy and consumption per capita have a significant effect on poverty in most districts/cities on Papua Island."

"Program pro-poor growth belum efektif mengurangi kemiskinan di Papua karena pemerintah tidak memiliki informasi yang lengkap mengenai faktor-faktor yang mempengaruhi kemiskinan menurut variasi wilayah. Oleh karena itu, penelitian ini akan menganalisis faktor-faktor yang mempengaruhi kemiskinan menurut variasi wilayah (spatial heterogeneity) dengan menggunakan model GWR. Kemiskinan diprediksi dengan menggunakan faktor-faktor yang berkaitan dengan mata pencaharian penduduk (Scoones, 1998 dan Kam et al., 2005). Unit observasi adalah kecamatan dan data yang digunakan merupakan data cross sectional (Podes 2008, PPLS 2008, dan Pemetaan 2010). Goodness of fit test menyimpulkan bahwa model GWR lebih baik dibanding model OLS dalam menjelaskan faktor-faktor yang mempengaruhi kemiskinan di Papua. Hasil GWR menunjukkan bahwa pengaruh tingkat pendidikan, tenaga medis, dan topografi wilayah terhadap kemiskinan hampir sama di semua wilayah. Sedangkan pengaruh luas lahan yang diusahakan, penggunaan irigasi teknis, sumber air minum, dan infrastruktur listrik terhadap kemiskinan bervariasi secara spasial. Hasil multivariate K-means clustering menunjukkan bahwa kecamatan mengelompok menurut karakteristik wilayah (kondisi geografis). Kemiskinan di wilayah Papua selatan lebih dipengaruhi oleh ketersediaan sumber air bersih dan listrik dibanding wilayah lain. Kemiskinan di wilayah kepulauan, Nabire, dan sekitarnya lebih dipengaruhi oleh ketersediaan tenaga medis, tingkat pendidikan, dan penggunaan irigasi teknis. Sedangkan kemiskinan di Kota Jayapura dan sekitarnya lebih dipengaruhi oleh luas lahan yang diusahakan. Hasil tersebut menyiratkan bahwa intervensi pengentasan kemiskinan seharusnya berbeda untuk wilayah yang berbeda. Kemungkinan kemiskinan di Papua dipengaruhi oleh kemiskinan di wilayah sekitarnya. Oleh karena itu, penelitian yang mengkombinasikan spatial dependence dan spatial heterogeneity dengan menggunakan model GWR sangat disarankan.

---

Program of pro-poor growth has not been effective to reduce poverty in Papua because the government does not have complete information about the spatial variation of poverty-influencing factors. Therefore, this study will analyze the spatial variation of poverty-influencing factors (spatial heterogeneity) using GWR model. Poverty predicted using livelihood-influencing factors (Scoones, 1998 and Kam et al., 2005). The unit of observation is subdistrict level and the data used is a cross-sectional data (Podes 2008, PPLS 2008, and Mapping 2010).

Goodness of fit tests conclude that GWR model is better than OLS model to explain the influencing factors of poverty in Papua. Result shows that influence of the level of education, health workers, and topography of area on poverty are almost the same in all regions. While the influence of the cultivated land area, use of technical irrigation, source of drinking water, and the electrical infrastructure vary spatially.

The result of multivariate K-means clustering shows that subdistricts are spatially clustered by regional characteristics (geographic conditions). Poverty in southern Papua (Merauke regency and surrounding area) is more influenced by the availability of clean water and electricity than other regions. Poverty in the archipelago, Nabire, and surrounding areas are more influenced by the availability of health workers, educational level, and use of technical irrigation than other regions. While poverty in Jayapura and the surrounding area is more affected by cultivated land area than other regions. These results imply that poverty alleviation interventions should be different for different areas.

Poverty in Papua maybe affected by poverty in the surrounding regions. Therefore, research that combines spatial dependence and spatial heterogeneity using GWR model is strongly recommended."

"Latar belakang: Layanan kontrasepsi dalam program keluarga berencana merupakan bentuk pelayanan kesehatan reproduksi yang memiliki objektif dalam menurunkan Angka Kematian Ibu (AKI). AKI yang masih tinggi serta pemakaian kontrasepsi yang rendah di provinsi Papua menandakan taraf kesehatan reproduksi yang masih belum optimal. Meskipun demikian, pemilihan penggunaan kontrasepsi dapat dipengaruhi oleh berbagai faktor. Oleh karena itu, penelitian ini menganalisis mengenai hubungan faktor-faktor sosiodemografis serta penggunaan media massa dan internet dengan kejadian unmet need kontrasepsi di provinsi Papua.Metode: Desain penelitian ini berupa studi potong lintang menggunakan data sekunder dari hasil Survei Demografi dan Kesehatan Indonesia (SDKI) tahun 2017. Subjek penelitian ini adalah wanita usia subur dalam rentang 15-49 tahun yang berdomisili di Papua serta memiliki data kuesioner yang lengkap. Unmet Need kontrasepsi didefinisikan sebagai perempuan yang fertil dan aktif secara seksual dengan keinginan untuk menunda atau mencegah kehamilan, tetapi tidak menggunakan kontrasepsi. Analisis data dilakukan dengan uji Chi-Square dikarenakan data bersifat kategorik serta dilanjutkan dengan analisis multivariat dengan regresi logistik.Hasil: Terdapat 458 total subjek yang digunakan dalam penelitian ini. Faktor yang memiliki hubungan dengan kejadian unmet need kontrasepsi di papua adalah tingkat pendidikan suami (p < 0.001), frekuensi membaca surat kabar/majalah (p = 0.017), frekuensi mendengar radio (p = 0.027), kepemilikan televisi (p = 0.005; OR = 0.443), frekuensi menonton televisi (p = 0.005), dan kepemilikan telepon seluler (p < 0.001; OR = 0.356).Kesimpulan: Faktor yang berpengaruh dengan kejadian unmet need kontrasepsi di Papua adalah tingkat pendidikan suami, frekuensi membaca surat kabar/majalah, frekuensi mendengar radio, kepemilikan televisi, frekuensi menonton televisi, dan kepemilikan telepon seluler.

---

Introduction: Contraception in family planning program is one of the health care services delivered to lower the number of Maternal Mortality Rate (MMR). High MMR in Papua, Indonesia, reflected the need to optimize reproductive health care in the region. Despite that, the use of contraception itself is affected by numerous factors. This research aims to analyze sociodemographical factors and also the use of mass media and internet in affecting unmet need for contraception in Papua.

Method: This cross-sectional study used the secondary data obtained from 2017 Indonesia DHS (IDHS). Subjects in this study included all women of childbearing age (15-49 years old) in Papua with complete data from the survey. Unmet need for contraception was defined as fertile and sexually active women of childbearing age with the intention to postpone or limit their pregnancy without using any contraception method. Since all data were categorical, analysis were performed using Chi-Square test and logistic regression.

Result: A total of 458 subjects were included in this study. The factors that were found to affect unmet needs in Papua are husband’s educational level, (p < 0.001), frequency of reading newspaper/magazine (p = 0.017), frequency of listening to radio (p = 0.027), television ownership (p = 0.005; OR = 0.443), frequency of watching television (p = 0.005), and mobile phone ownership (p < 0.001; OR = 0.356).

Conclusion: Factors which were found to affect unmet need for contraception in Papua are husband’s educational level, frequency of reading newspaper/magazine, frequency of listening to radio, television ownership, frequency of watching television, and mobile phone ownership."

"Indeks Pembangunan Manusia (IPM) merupakan salah satu indikator yang dapat digunakan untuk menggambarkan tingkat kesejahteraan rakyat di Indonesia. Pada tahun 2021, Provinsi Papua dan Papua Barat menempati dua urutan terakhir berdasarkan nilai IPM di Indonesia. Hal ini menandakan bahwa kesejahteraan masyarakat di Provinsi Papua dan Papua Barat dalam menikmati hasil pembangunan mengalami ketertinggalan dibandingkan dengan provinsi lain. Tetapi, IPM hanya dapat menggambarkan kesejahteraan dari dimensi pembentuknya saja, sehingga dibutuhkan indikator lain yang dapat menggambarkan kesejahteraan dari berbagai dimensi yang lebih luas. Pada penelitian ini dilakukan pengelompokan terhadap kabupaten/kota yang ada di Pulau Papua agar pemerintah lebih mudah dalam mengambil kebijakan yang tepat untuk mengatasi permasalahan kesejahteraan rakyat di Pulau Papua. Analisis yang digunakan pada penelitian ini adalah analisis biclustering. Analisis biclustering merupakan metode pengembangan dari analisis clustering yang digunakan untuk mengelompokkan baris dan kolom pada data secara bersamaan. Salah satu metode dari analisis biclustering adalah menggunakan algoritma Cheng and Church. Algoritma Cheng and Church menghasilkan bicluster yang memiliki ukuran yang maksimal dan mempunyai nilai mean squared residue lebih kecil dari batas yang telah ditentukan. Evaluasi dari hasil biclustering menggunakan rata-rata mean squared residue terhadap volume bicluster dan indeks Jaccard yaitu kemiripan antara dua hasil biclustering. Data yang akan digunakan dalam penelitian ini adalah data indikator kesejahteraan rakyat di pulau Papua tahun 2021. Analisis biclustering terhadap data indikator kesejahteraan rakyat di pulau Papua tahun 2021 menggunakan algoritma Cheng and Church mampu menghasilkan sebanyak 9 bicluster. Harapannya, pemerintah dapat membuat kebijakan yang tepat sesuai dengan masalah yang terjadi pada setiap bicluster.

---

The Human Development Index (HDI) is one of the indicators that can be used to describe the level of people's welfare in Indonesia. In 2021, Papua and Papua Barat Provinces occupy the last two ranks based on HDI values in Indonesia. This indicates that the welfare of the people in Papua and Papua Barat Provinces in enjoying the results of development has lagged compared to other provinces. However, HDI can only describe welfare from the dimensions that form it, so other indicators are needed to describe welfare from a broader range of dimensions. In this study, a grouping of districts/cities in Papua Island is carried out so that the government can more easily take the right policy to overcome the problems of people's welfare in Papua Island.  The analysis used in this research is biclustering analysis. Biclustering analysis is a development method of clustering analysis used to simultaneously group rows and columns in the data. One method of biclustering analysis is using the Cheng and Church algorithm. Cheng and Church's algorithm produces a bicluster with a maximum size and a mean squared residue value smaller than the predetermined limit. Evaluation of the biclustering results uses the average mean squared residue of the bicluster volume and the Jaccard index, which is the similarity between the two biclustering results. The data used in this study are welfare indicators data on Papua Island in 2021. Biclustering analysis of welfare indicators data on Papua Island in 2021 using the Cheng and Church algorithm produced as many as 9 biclusters. The hope is that the government can make the right policy according to the problems that occur in each bicluster."

"Penelitian ini bertujuan untuk mengetahui apakah penganggur atau pekerja yang lebih sejahtera dan untuk mengetahui faktor-faktor apa saja dan karakteristik pekerja yang berpengaruh terhadap status kemiskinannya. Hasil analisis deskriptif menggunakan variabel tingkat pendidikan, status kesehatan, fasilitas rumah yang berasal dari data Susenas 2008 ditemukan bahwa penganggur lebih sejahtera dibanding pekerja. Dalam menganalisis status kemiskinan pekerja digunakan dengan kriteria miskin yaitu di bawah GK, UMP atau 60 persen median earning. Data yang digunakan adalah Sakernas 2008. Dari hasil analisis inferensial menggunakan regresi logistik ditemukan bahwa baik dengan kriteria miskin GK, UMP maupun 60 persen median earning, variabel yang berpengaruh terhadap status kemiskinan pekerja adalah jenis kelamin, umur, pendidikan, daerah tempat tinggal, status perkawinan, lapangan pekerjaan, status pekerjaan, jumlah jam kerja seminggu, lama bekerja di pekerjaan saat ini dan pengalaman mengikuti kursus. Pekerja berpeluang lebih tinggi mengalami kemiskinan jika perempuan, umur di atas 60 tahun, tinggal di desa, cerai, pendidikan 5 SD, sektor pertanian, berusaha sendinl/pekexja bebas, jam kerja kurang dari 35 jam/minggu, belum lama kerja dan tidak pernah kursus.

---

The objective of this study is to find out whether workers or unemployed persons are wealthier and to find out which characteristics of the workers can affect the poverty status ofthe workers. Descriptive analysis on the 2008 Susenas data regarding variables such as education attainment, health status, housing facilities indicates that the unemployed is wealthier than worker. To analyse the poverty status of fo workers, three poverty criteria are used, which are below GK (poverty line), below UMP (provincial minimum wage) and below 60 percent of the value of median earning. The logistic regression results with the 2008 Sakemas data show that in each poverty criterion the variables that affect the poverty status of workers are sex, age, education, living area, marital status, industry, working status, working hour for a week, length working in the current job and attended a course. Workers have higher probability to become poor when they are female, over 60 years old, living in rural area, divorced or widowed, having SD education or below, working in agricultural sector, being self employed/a casual employee, working for less than 35 hours per week, working in a shorter period of time and never attended a course."

"Indonesia menjadi salah satu negara dengan AKN paling tinggi di Asia Tenggara yaitu sebesar 17 per 1000 kelahiran hidup. Pulau Jawa merupakan pulau yang dihuni lebih dari setengah penduduk Indonesia dengan jumlah kematian neonatal dini di Pulau Jawa paling tinggi se Indonesia berdasarkan laporan SDKI 2012. Selain itu dua provinsi di antaranya memiliki AKN di atas AKN nasional yaitu Banten dan Jawa Tengah. Kematian neonatal disebabkan oleh berbagai faktor yaitu sosiodemografi pelayanan kesehatan karakteristik bayi lahir dan riwayat komplikasi ibu. Berdasarkan hal tersebut penelitian ini bertujuan untuk melihat faktor faktor yang berhubungan dengan kematian neonatal di Pulau Jawa tahun 2012. Metode penelitian yang digunakan adalah analisis data sekunder Survei Demografi dan Kesehatan Indonesia SDKI 2012 dengan jumlah sampel yang digunakan adalah 3662 sampel. Hasil dari penelitian ini adalah terdapat hubungan yang bermakna secara statistik antara kematian neonatal dengan ibu yang berpendidikan rendah hubungan kematian neonatal dengan paritas ge 3 anak dan hubungan kematian neonatal dengan BBLR

---

Indonesia is one of country that has the highest NMR in Southeast Asia amounted to 17 per 1000 live births. Java island is a home to more than half population of Indonesia with the highest number of early neonatal mortality based on IDHS 2012 report. Moreover two provinces in Java Island Banten and Central Java have NMR above national. Neonatal mortality caused by multifactors for examples sociodemographic health care newborn characteristics and mother's complication history. According to that this study aims to know about the factors related to neonatal mortality in Java island in 2012 based on IDHS 2012 report. Method used secondary data analysis from IDHS 2012 report with numbered of sample are 3662. The results are there is association between association between neonatal mortality with low mother's education association between neonatal mortality with parity ge 3 kids and association between neonatal mortality with low birth weight."

"Tuberkulosis adalah penyakit menular yang termasuk kedalam sepuluh peringkat penyebab kematian tertinggi di dunia, sebagai contoh di Indonesia. Oleh karena itu, perlu diketahui faktor-faktor apa saja yang memengaruhi jumlah kasus tuberkulosis. Jumlah kasus tuberkulosis sebagai variabel dependen merupakan data cacah yang umumnya dianalisis menggunakan Regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi pada Regresi Poisson maka Regresi Generalized Poisson dan Regresi binomial negatif dapat digunakan sebagai alternatif apabila asumsi equidispersi tidak terpenuhi. Aspek spasial dapat diperhatikan, sehingga pemodelan Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression juga dilakukan. Keempat model itu dibangun untuk mengetahui apakah ada hubungan jumlah kasus tuberkulosis di Pulau Jawa pada tahun 2020 dengan faktor-faktor yang diperkirakan memengaruhinya. Variabel independen yang digunakan adalah kepadatan penduduk, persentase balita diberikan imunisasi BCG, persentase penduduk miskin, persentase sarana air minum memenuhi syarat, persentase kartu keluarga dengan akses sanitasi layak, persentase tempat-tempat umum yang memenuhi syarat kesehatan, dan persentase tempat pengelolaan makanan yang memenuhi syarat higienis. Dari penelitian ini, diketahui bahwa model terbaik untuk memodelkan data adalah GWNBR dengan diperoleh 2 kelompok variabel independen signifikan. Sebanyak 7 variabel independen signifikan secara statistik di 88 kabupaten/Kota dan 6 variabel independen signifikan secara statistik di 12 kabupaten/Kota.

---

Tuberculosis is an infectious disease and one of the world's top 10 highest causes of mortality, for example, in Indonesia. Based on this fact, it’s necessary to know what factors influence number of tuberculosis cases. The number of tuberculosis cases as dependent variable is a count data that generally analyzed using Poisson regression. However, equidispersion assumption must be met, so Generalized Poisson Regression and Negative Binomial Regression are applied if the assumption is not met. Spatial aspects can be considered so Geographically Weighted Generalized Poisson Regression and Geographically Weighted Negative Binomial Regression were also conducted. Four models were built to evaluate relationship between number of tuberculosis cases and factors affecting it in Java in 2020. The explanatory variables are population density, percentage of children receiving BCG immunization, percentage of poor people, percentage of eligible drinking water facilities, percentage of family cards with access to proper sanitation, percentage of public places meet health requirements, and percentage of food management places meet hygienic requirements. This study shows that the best model for modeling the data is GWNBR with 2 groups of significant explanatory variables. Seven explanatory variables are statistically significant in 88 districts and six explanatory variables statistically significant in 12 districts."

"Kemiskinan adalah fenomena multidimensi dan dalam konteks Indonesia umumnya didominasi oleh kemiskinan pada sektor pertanian. Ketidakmampuan pada aspek-aspek non moneter yang penting seperti kesehatan, pendidikan dan standar hidup dapat menghambat kapabilitas seseorang dan pada gilirannya menentukan status kemiskinan. Penelitian ini menggunakan data Survei Pendapatan RTUP (SPP) 2013 dari BPS dan bertujuan untuk mengukur status kemiskinan multidimensi RTUP di Indonesia dengan metode Alkire-Foster serta menganalisis faktor-faktor yang memengaruhinya. Hasil analisis regresi logistik biner menunjukkan bahwa RTUP yang berisiko tinggi untuk mengalami kemiskinan multidimensi adalah RTUP yang dikepalai perempuan, berumur muda, tingkat pendidikannya rendah, memiliki jumlah anggota rumah tangga yang banyak, miskin moneter, tinggal di luar Jawa, bukan anggota kelompok tani, tidak memanfaatkan layanan bank/koperasi dan mengalami kesulitan dalam menjual hasil pertanian. Temuan lain dari penelitian ini menunjukkan terdapat 57,4 persen RTUP miskin multidimensi yang tidak miskin moneter, sebaliknya terdapat 82,5 persen RTUP miskin moneter yang tidak miskin multidimensi. Kedua pengukuran kemiskinan ini bersifat saling melengkapi dan membutuhkan intervensi kebijakan yang berbeda. Implikasi kebijakan penanggulangan kemiskinan dari hasil penelitian ini mencakup penggunaan hasil pengukuran kemiskinan multidimensi, peningkatan penyuluhan pertanian, pemberdayaan kelompok tani, peningkatan akses kredit ke lembaga keuangan bukan bank dan pembangunan infrastruktur khususnya di luar Jawa.

---

Poverty is a multidimensional phenomenon and in Indonesia context, it has been mainly dominated by agricultural poverty. Vulnerability towards deprivation on crucial non-monetary aspects such as health, education and living standard may deter people in developing his capability thus affecting poverty status. This study uses Agricultural Household Income Survey 2013 from Statistics Indonesia and aims to measure multidimensional poverty status among agricultural households in Indonesia through Alkire-Foster method and analyze factors affecting it. The binary logit estimation shows that agricultural household that highly risk to be multdimensional poor are founded in those who are headed by female, young aged, low educated, large household sized, monetary poor, live outside Java, not involve in farmer association, not use either bank or union services and have difficulty in selling their crops. Another finding reveals that 57.4 percent agricultural households who are multdimensional poor identified as not-monetary poor. Otherwise, 82.5 percent agricultural households who are monetary poor identified as not-multidimensional poor. Both of these poverty measurements are complementary and require different policy interventions. The poverty allevation policy implications of this study include the use of multidimensional poverty measurement result, farmer association empowerment, non-bank financial institutions credit access improvement and infrastructure development, especially outside Java."

"Sejak diresmikan pada 2015, Sustainable Development Goals (SDG’s), pendidikan yang inklusif menjadi prioritas bagi setiap negara diseluruh dunia tak terkecuali Indonesia. Akan tetapi, 6 tahun paska diresmikan, inklusivitas pendidikan Indonesia masih jauh dari kata optimal (Kemendikbud.2019). Dengan menggunakan data Kabupaten/Kota Provinsi Papua dan Papua Barat dan diolah menggunakan Stochastic Frontier Analysis (SFA), penelitian ini akan melihat tingkat efisiensi belanja pemerintah daerah dalam meningkatkan partisipasi pendidikan di kabupaten/kota Papua dan Papua Barat. Hasil studi menunjukkan bahwa secara rata-rata pemerintah daerah telah kehilangan efisiensi teknis belanja pendidikan daerah sebesar 21% dalam usaha meningkatkan inklusivitas pendidikan di seluruh wilayah.

---

Since it was inaugurated in 2015, the Sustainable Development Goals (SDGs), inclusive education has become a priority for every country, including Indonesia. However, six years after it was inaugurated, the inclusiveness of Indonesian education is still far from optimal (Kemendikbud., 2019). Using district/municipality data for the provinces of Papua and West Papua and processed using Stochastic Frontier Analysis (SFA), this study will look at the efficiency level of local government spending in increasing education participation in the districts/cities of Papua and West Papua. The study results show that, on average, local governments have lost the technical efficiency of regional education spending by 21% to increase educational inclusiveness in all regions."

"Indonesia sebagai negara berkembang berupaya mengoptimalkan penerimaan PMA dalam rangka meningkatkan penyerapan tenaga kerja. Peningkatan PMA Indonesia berkorelasi dengan penurunan tingkat pengangguran namun tidak disertai penurunan jumlah pekerja informal. Dilihat dari pola sebarannya, realisasi PMA tidak terjadi secara acak melainkan mengikuti karaktersitik daerah penerima dan terkait dengan jenis sektor yang diterima. Penelitian ini bertujuan untuk menganalisis peran PMA sektoral terhadap tenaga kerja yang mencakup pekerja formal, pekerja informal, dan pengangguran menggunakan data panel kabupaten kota tahun 2010-2019. Kami menggunakan Spatial Durbin Model (SDM) untuk merelaksasi asumsi spatial independent yang umumnya digunakan dalam penelitian terdahulu. Hasil estimasi menunjukkan bahwa PMA sektoral memiliki pengaruh spasial yang berbeda terhadap perubahan tenaga kerja. Pengaruh PMA lebih besar terhadap perubahan tenaga kerja daerah lain dibandingkan daerah penerima itu sendiri. PMA manufaktur mampu memberikan keuntungan spasial yang lebih baik dibandingkan PMA sektoral lainnya. PMA agrikultur, PMA pertambangan, dan PMA agregat menurunkan kualitas pekerjaan akibat tradeoff antara pekerja formal dan informal. PMA agrikultur merupakan kategori PMA yang memberikan manfaat terendah bagi tenaga kerja di Indonesia karena berperan meningkatkan pengangguran sekaligus menurunkan kualitas pekerjaan. Kualitas sumber daya manusia, spesialisasi sektor, dan infrastruktur berperan signifikan dalam menentukan pengaruh spasial PMA sektoral terhadap tenaga kerja. Hasil analisis menekankan pentingnya mempertimbangkan efek spasial PMA terhadap perubahan tenaga kerja.

---

Indonesia as a developing country is trying to optimize FDI receipts in order to increase employment. The increase in Indonesian FDI correlated with a decrease in the unemployment rate but not with a in the number of informal workers. The distribution of FDI realization does not occur randomly but follows the characteristics of the recipient area and is related to the type of sector received. This study aims to examine the role of sectoral FDI on the workforce which includes formal workers, informal workers, and unemployed using panel data from city districts in 2010-2019. We use the Spatial Durbin Model (SDM) to relax the assumptions of spatial independence that are commonly used in previous studies. The estimation results show that sectoral FDI has a different spatial effect on changes in the workforce. The influence of FDI is greater on changes in the workforce of other regions than the receiving regions themselves. Manufacturing FDI is able to provide a better spatial advantage than other sectoral FDI. FDI in agriculture, mining, and aggregate reduce the quality of work due to the tradeoff between formal and informal workers. FDI in agriculture is a category of PMA that provides the lowest benefits for workers in Indonesia because it plays a role in increasing unemployment as well as reducing the quality of work. The quality of human resources, sector specialization, and infrastructure play a significant role in determining the spatial effect of sectoral FDI on the workforce. The results of the analysis emphasize the importance of considering the spatial effect of FDI on changes in the workforce."