Main Article Content
Abstract
Pembangunan suatu wilayah dapat diukur dari sisi obyektif maupun subyektif. Kebahagiaan merupakan salah satu indikator kesejahteraan masyarakat dari sisi subyektif.. Berdasarkan data BPS pada tahun 2014, PDRB per kapita di Propinsi Yogyakarta merupakan terendah di Pulau Jawa, akan tetapi berdasarkan indeks kebahagiaan Propinsi Yogyakarta merupakan propinsi dengan indeks kebahagiaan tertinggi. Oleh karena itu, perlu dikaji lebih lanjut determinan apa yang mempengaruhi tingkat kebahagiaan di Propinsi Yogyakarta. Ukuran kebahagian seseorang biasanya diukur dengan tingkatan dari mulai tidak bahagia, bahagia, sangat bahagia. Dalam analisis statistik, ukuran bertingkat ini merupakan skala pengukuran ordinal. Model yang umum digunakan dalam regresi logistik ordinal adalah Proportional Odds Model. Dengan menggunakan data IFLS5 tahun 2014-2015 dilakukan pemodelan regresi logistik ordinal pada determinan tingkat kebahagiaan di Propinsi Yogyakarta. Hasil dari model yang diperoleh variabel yang signifikan mempengaruhi tingkat kebahagiaan di Propinsi Yogyakarta yaitu variabel usia, status perkawinan dan pendidikan. Berdasarkan nilai odds rasio dapat disimpulkan bahwa semakin tinggi usia individu di Propinsi Yogyakarta cenderung lebih tidak bahagia Sedangkan jika dilihat dari status perkawinan individu dengan status kawin cenderung lebih bahagia dibandingkan dengan individu yang tidak kawin. Begitu juga untuk variabel pendidikan, individu dengan kategori pendidikan tertinggi perguruan tinggi cenderung lebih bahagia dibandingkan dengan individu dengan kategori pendidikan tertinggi sekolah dasar.
Article Details

This work is licensed under a Creative Commons Attribution 4.0 International License.
References
A. Agresti, An introduction to categorical data analysis, Second. Wiley-Interscience., 2007.
A. Agresti, Categorical Data Analysis. John Wiley and Sons, 2002.
BPS, Indeks Kebahagiaan 2017. Badan Pusat Statistik, 2017.
BPS, Produk Domestik Regional Bruto Provinsi-Provinsi di Indonesia Menurut Pengeluaran 2014-2018. Badan Pusat Statistik.
C. M. Azen, R.; Walker, Categorical data analysis for the behavioral and social sciences. Taylor & Francis Group, 2011.
J. E. Stiglitz, “Report by the Commission on the Measurement of Economic Performance and Social Progress,” 2009. www.stiglitz-sen-fitoussi.fr (accessed Sep. 12, 2022).
J. Kutner, M. H., Nachtsheim, C. J., Neter, Applied Linear Regression Models. 2004.
J. Soon, “The determinants of students’ return intentions: A partial proportional odds model,” J. Choice Model., vol. 3(2), pp. 89–112, 2010, [Online]. Available: www.jocm.org.uk.
M. E. P. Forgeard, M. J. C., Jayawickreme, E., Kern, M. L., Seligman, “Doing the Right Thing: Measuring Well-Being for Public Policy,” Int. J. Wellbeing, vol. 1(1), 2011, doi: https://doi.org/10.5502/ijw.v1i1.15.
M. Kleinbaum, D. G.; Klein, “Logistic Regression: A Self-learning Text, Third Edition (Statistics in the Health Sciences),” [Online]. Available: http://www.springer.com/series/2848.
R. M. Das, S., & Rahman, “Application of ordinal logistic regression analysis in determining risk factors of child malnutrition in Bangladesh,” Nutr. J., vol. 10(1), p. 124, 2011, [Online]. Available: http://www.nutritionj.com/content/10/1/124.
R. Lall, “The Application of Ordinal Regression Models in Quality of Life Scales used in Gerontology.,” 2004.
S. Hosmer, D. W., & Lemeshow, Applied logistic regression, Second Edi. John Wiley and Sons., 2000.