commit to user 91
Tabel 4.8 Indeks Pembangunan Manusia Indonesia Tahun 2006-2008
Provinsi Tahun
Rata-Rata IPM Peringkat
2006 2007
2008 1
2 3
4 5
6
NAD 69.40
70.35 70.76
70.17 17
Sumatera Utara 72.50
72.78 73.29
72.86 8
Sumatera Barat 71.60
72.23 72.96
72.26 9
Riau 73.80
74.63 75.09
74.51 3
Jambi 71.30
71.46 71.99
71.58 12
Sumatera Selatan 71.10
71.40 72.05
71.52 13
Bengkulu 71.30
71.57 72.14
71.67 10
Lampung 69.40
69.78 70.30
69.83 19
Bangka Belitung 71.20
71.62 72.19
71.67 11
Kepulauan Riau 72.80
73.68 74.18
73.55 7
DKI Jakarta 76.30
76.59 77.03
76.64 1
Jawa Barat 70.30
70.71 71.12
70.71 15
Jawa Tengah 70.30
70.92 71.60
70.94 14
DI Yogyakarta 73.70
74.15 74.88
74.24 4
Jawa Timur 69.20
69.78 70.38
69.79 20
Banten 69.10
69.29 69.70
69.36 23
Bali 70.10
70.53 70.98
70.54 16
Kalimantan Barat 67.10
67.53 68.17
67.60 29
Kalimantan Tengah 73.40
73.49 73.88
73.59 6
Kalimantan Selatan 67.70
68.01 68.72
68.14 26
Kalimantan Timur 73.30
73.77 74.52
73.86 5
Sulawesi Utara 74.40
74.68 75.16
74.75 2
Sulawesi Tengah 68.80
69.34 70.09
69.41 22
Sulawesi Selatan 68.80
69.62 70.22
69.55 21
Sulawesi Tenggara 67.80
68.32 69.00
68.37 25
Gorontalo 68.00
68.83 69.29
68.71 24
Sulawesi Barat 67.10
67.72 68.55
67.79 28
Nusa Tenggara Barat 63.00
63.71 64.12
63.61 32
Nusa Tenggara Timur 64.80
65.36 66.15
65.44 31
Maluku 69.70
69.96 70.38
70.01 18
Maluku Utara 67.50
67.82 68.18
67.83 27
Papua Barat 66.10
67.28 67.95
67.11 30
Papua 62.80
63.41 64.00
63.40 33
Indonesia Bagian Barat 71.36
71.83 73.11
71.85 Indonesia Bagian Timur
67.30 67.84
68.83 67.85
Indonesia 70.10
70.59 71.17
70.62
Sumber: BPS. 2010. Perkembangan Beberapa Indikator Utama Sosial-Ekonomi Indonesia.
commit to user 92
Dari tabel di atas terlihat bahwa selama tahun 2006-2008 Indeks Pembangunan Manusia IPM Indonesia cenderung mengalami
peningkatan, dimana nilai rata-ratanya adalah 70,62. Provinsi yang memiliki angka Indeks Pembangunan Manusia terbesar adalah Provinsi
DKI Jakarta dengan nilai 76,64, sedangkan yang memiliki angka terkecil adalah Provinsi Papua dengan nilai 63,40. Seperti yang telah dijelaskan
sebelumnya angka Indeks Pembangunan Manusia IPM dapat dijadikan sebagai salah satu ukuran untuk melihat ketimpangan yang terjadi antara
satu dadiukur berdasarkan 3 tiga tujuan atau rah dengan daerah yang lain. Hal ini terbukti dengan rata-rata nilai Indeks Pembangunan Manusia
IPM Indonesia bagian barat jauh lebih tinggi daripada Indonesia bagian timur. Selama tahun 2006-2008 rata-rata IPM Indonesia bagian barat
adalah 71,85 sedangkan Indonesia bagian timur hanya 67,85. Perbedaan yang cukup jauh ini menunjukkan bahwa pembangunan yang dilakukan
oleh pemerintah belumlah merata, pembangunan tersebut masih terpusat
di bagian barat Indonesia. B.
Hasil Analisis dan Pembahasan 1.
Analisis Faktor yang Mempengaruhi Kemiskinan a.
Pemilihan Model Estimasi
Dalam penelitian ini variabel independen yakni
Growth
GRW, Angka Melek Huruf AMH dan Pengangguran P yang diduga mempengaruhi variabel dependen yakni Tingkat Kemiskinan.
Untuk mengetahui besarnya pengaruh masing-masing variabel independen terhadap variabel dependen, digunakan alat analisis
commit to user 93
regresi data panel. Permodelan dalam menggunakan teknik regresi data panel dapat dilakukan dengan menggunakan tiga pendekatan
metode alternatif dalam pengolahannya. Pendekatan-pendekatan tersebut, yaitu: i
Pooled Lea st Squa re
PLS, ii
Fixed Effect Model
FEM, dan iii
Ra ndom Effect Model
REM. 1
Pooled Lea st Square
PLS vs
Fixed Effect Model
FEM
Pooled Lea st Squa re
PLS merupakan metode pengolahan data
cross section
dan
time series
dan kemudian data gabungan ini diperlakukan sebagai satu kesatuan pengamatan yang digunakan
untuk mengestimasi model dengan metode OLS. Metode ini mengasumsikan slope dan intersep koefisien konstan.
K = 12238.71- 5.2E-06 GRW – 126.1025 AMH + 2.48887 P.. 4.1 0.0000 0.0001 0.0000 0.0000
t = 5.849521 4.244452 -5.811621 16.73320
R-squared 0.866301 F-statistic
205.1839 Adjusted R-squared
S.E. of Regression 0.862079
608.6720 ProbF-statistic
DW stat 0.000000
0.041777
Berdasarkan hasil estimasi dengan menggunakan
Pooled Lea st Squa re
PLS pada persamaan 4.1 dapat terlihat bahwa nilai R
2
sebesar 0,866301 berarti sebesar 86,6301 variasi variabel dependen dapat dijelaskan oleh variasi variabel
indepanden yang dimasukkan dalam model. Nilai DW-statistik sebesar 0,041777 sangat rendah jauh dari
ra nge
angka 2 yang mengindikasikan adanya autokorelasi positif. Pada metode
Pooled Lea st Squa re
PLS semua variabel independen
commit to user 94
signifikan statistik pada tingkat α = 5 . Selain itu pada model
ini nilai standart eror dapat dikatakan cukup tinggi dimana nilainya mencapai 608,6720.
Metode ini mengasumsikan bahwa nilai intersep antar individual dianggap sama yang mana merupakan asumsi yang
sangat membatasi
restricted
Gujarati, 2003. Sehingga metode ini kurang dapat menangkap gambaran yang sebenarnya
atas hubungan yang terjadi antara variable bebas dengan variable terikatnya, begitu pula hubungan diantara masing-
masing individual
cross section
. Begitu pula seperti yang dijabarkan pada metode
pemilihan secara teoritis yang mengatakan bahwa metode OLS terlalu sederhana untuk mendeskripsikan fenomena yang ada.
Sehingga yang perlu dilakukan adalah menemukan
nature
yang spesifik atas hubungan yang terjadi diantara masing-masing
individu pada data
cross section
. Maka dapat dilihat dengan menggunakan metode
fixed effect
. Berikut merupakan hasil dari estimasi menggunakan
metode
fixed effect
. K = - 7.49E-06 GRW – 23.78010 AMH + 1.629619 P........4.2
0.0000 0.0000 0.0000 t = -6.682284 -5.460688 8.272864
R-squared 0.999170 F-statistic
37926.40 Adjusted R-squared
S.E. of Regression 0.998709
66.02796 ProbF-statistic
DW stat 0.000000
2.239970
commit to user 95
Dalam menentukan pendekatan mana yang dipilih antara
Pooled Lea st Square
PLS atau
Fixed Effect Model
FEM dalam estimasi data panel maka digunakan
Restricted F test,
dimana hipotesisnya:
Ho: Metode OLS Ha: Metode
Fixed effect
.....................................................................4.3 .
.
F
hit
= 2521.30934 Dengan F-tabel 5 = 1,55
Maka : F-hit F-tabel 2521.30934 1,55 Tolak Ho.
Karena nilai F hitung F tabel, maka Ho ditolak sehingga dapat disimpulkan bahwa
Fixed Effect Model
FEM lebih baik dibanding dengan
Pooled Lea st Squa re
PLS. 2
Fixed Effect Model
FEM vs
Ra ndom Effect Model
REM
Ra ndom Effect Model
REM disebut juga dengan pendekatan regresi data panel dengan pendekatan autokorelasi
dengan mengasumsikan terdapat korelasi antar observasi baik runtun waktu maupun lintas sektoral. Berikut merupakan hasil
dari estimasi dengan menggunakan
Ra ndom Effect Model.
commit to user 96
K = 5327.97 + 8.76E-07 GRW – 52.93349 AMH + 2.62323 P.. 4.4 0.0005 0.5592 0.0008 0.0000
t = 3.604571 0.586096 -3.462489 14.37608
R-squared 0.997659 DW stat
1.511276 Adjusted R-squared
S.E. of Regression 0.997585
80.53462
Dari hasil regresi di atas terlihat bahwa nilai R
2
hampir sama dengan R
2
pada model
Fixed Effect Model
FEM, akan tetapi terdapat variabel yang tidak signifikan dan bertentangan
dengan hipotesis
dan teori,
variabel tersebut
adalah pertumbuhan ekonomi GRW. Nilai standart error juga lebih
tinggi dibandingkan model
Fixed Effect,
dimana nilainya adalah 80,53462
.
Selain itu nilai DW statistik juga kecil, sehingga model terkena masalah autokorelasi. Hal ini menunjukkan
Fixed Effect Model
FEM lebih baik dari
Ra ndom Effect Model
REM. Dari hasil pemilihan model disimpulkan bahwa model yang
paling baik dan tepat digunakan adalah
Fixed Effect Model
FEM. Dari hasil ini selanjutnya akan dilakukan uji statistik yang meliputi
uji t uji tiap-tiap individu secara variabel dan uji F secara bersama- sama. Selain itu akan dilakukan uji asumsi klasik yang meliputi
multikolinearlitas, heteroskedastisitas, dan autokorelasi.
b. Uji Statistik