Poverty Equivalent Growth Rate PEGR
tidak hanya memperhitungkan pertumbuhan saja, akan tetapi juga manfaat pertumbuhan tersebut bagi seluruh masyarakat.
Aksioma monotonicity mengimplikasikan bahwa tingkat penurunan kemiskinan seharusnya merupakan fungsi naik secara monotonically dari pro
poor growth rate . Jika nilai fungsi pro poor growth rate meningkat berarti
tingkat penurunan kemiskinan juga semakin besar, demikian juga sebaliknya semakin kecil nilai fungsinya semakin kecil pula penurunan kemiskinan yang
terjadi. Metode PEGR memenuhi kriteria aksioma monotonicity, karena semakin besar nilai PEGR menunjukkan semakin besar pengurangan
kemiskinan yang terjadi. Jika nilai PEGR negatif menunjukkan tidak terjadi penurunan kemiskinan.
Penghitungan PEGR Tingkat kemiskinan penduduk dapat diukur berdasarkan rata-rata
depresiasi yang dialami oleh penduduk yang berada di bawah garis kemiskinan z, yang dirumuskan sebagai berikut
∫
=
z
dx x
f x
z P
P ,
3.1 Menurut Foster, Greer dan Thorbecke 1984, persamaan 3.1 tersebut dapat
dituliskan menjadi
∑
=
− =
q i
i
z x
z N
P 1
α α
3.2 dimana: x
= variabel acak pendapatan pengeluaran dari individu dengan fungsi distribusi fx
fx = probabilitas fungsi kepadatan x
z = garis kemiskinan
q = jumlah penduduk miskin
α = parameter dengan nilai 0,1,2
Pendiferensialan persamaan 3.1 terhadap P akan menghasilkan sebagai berikut
∫
∂ ∂
=
z
dx x
f x
d x
P P
P dP
1 3.3
Asumsi yang digunakan yaitu Pz,z = 0, artinya jika pendapatan pengeluaran individu sama dengan garis kemiskinan, maka seseorang tidak termasuk penduduk
miskin. Misalkan xp didefinisikan sebagai level pendapatan pengeluaran
penduduk pada percentile ke-p, maka persamaan 3.3 dapat dituliskan sebagai:
∫
∂ ∂
=
z
dp p
g p
x x
P P
P dLn
1 3.4
dimana
p x
dLn p
g =
merupakan tingkat pertumbuhan pendapatan pengeluaran penduduk pada persentil ke-p.
Misalkan Lp adalah fungsi kurva Lorenz, yang menggambarkan persentase share dari total pendapatan pengeluaran yang dinikmati oleh p persen
penduduk, ketika pendapatan pengeluaran perseorangan dari penduduk diurutkan dari yang terkecil. Maka kita dapat menuliskan xp sebagai berikut:
p L
p x
µ
=
3.5 dimanaμadalah rata-rata pendapatan pengeluaran dari keseluruhan penduduk
dan Lp adalah turunan pertama dari fungsi Lorenz. Logaritma dari persamaan 3.5 dan turunan pertamanya akan menghasilkan rumusan sebagai berikut:
p L
dLn dLn
p x
dLn +
=
µ 3.6
atau dapat juga dituliskan sebagai berikut:
p L
dLn p
g +
=
γ 3.7
dimana = dLnμ yaitu tingkat pertumbuhan rata-rata pendapatan pengeluaran dari keseluruhan penduduk. Kemudian persamaan 3.7 disubtitusikan ke
persamaan 3.4 akan menghasilkan persamaan sebagai berikut:
∫
∂ ∂
+ =
z
dp p
L dLn
p x
x P
P P
dLn 1
γη 3.8
dimana
∫
∂ ∂
=
z
dp p
x x
P P
1 η
yaitu elastisitas pertumbuhan terhadap kemiskinan growth elasticity of poverty yang diturunkan oleh Kakwani 1993. Nilai ini
mempunyai arti besarnya persentase perubahan kemiskinan apabila ada 1 persen pertumbuhan rata-rata pendapatan penduduk, dengan asumsi proses pertumbuhan
tidak mengubah ketidakmerataan ketika semua penduduk menerima manfaat dari
pertumbuhan yang sama secara proporsional. Nilai elastisitas pertumbuhan ini selalu bernilai negatif apabila terjadi peningkatan rata-rata pendapatan atau terjadi
pertumbuhan yang positif. Jika persamaan 3.8 dibagi dengan maka akan diperoleh
ζ η
δ +
= 3.9
dimana γ
η P
dLn =
dan
∫
∂ ∂
=
z
dp p
L dLn
p x
x P
P 1
γ ζ
. Masing-masing adalah elastisitas total terhadap kemiskinan total poverty
elasticity atau , dan elastisitas distribusi terhadap pengurangan kemiskinan atau
. Elastisitas distribusi mempunyai arti berapa persen perubahan kemiskinan yang disebabkan 1 persen perubahan ketidakmerataan yang menyertai proses
pertumbuhan. Pertumbuhan dikatakan pro poor jika perubahan dalam ketidakmerataan
yang menyertai pertumbuhan mengurangi jumlah total kemiskinan, atau jika elastisitas total kemiskinan δ lebih besar dibandingkan dengan elastisitas
pertumbuhan ter hadap kemiskinan . Demikian juga sebaliknya, Pertumbuhan
dikatakan anti poor jika perubahan dalam ketidakmerataan yang menyertai pertumbuhan meningkatkan jumlah total kemiskinan, atau jika elastisitas total
kemiskinan δ lebih kecil dibandingkan dengan elastisitas pertumbuhan terhadap kemiskinan .
Berdasarkan uraian tersebut, maka PEGR dirumuskan sebagai berikut: φγ
γ η
δ γ
= =
3.10 dimana
η δ
φ = merupakan Pro Poor Index yang dikembangkan oleh Kakwani dan Pernia 2000. Jika PEGR ini dituliskan dalam bentuk persamaan awal, maka
dapat dituliskan sebagai berikut:
∫ ∫
∂ ∂
∂ ∂
=
z z
dp p
x x
P dp
p g
p x
x P
γ 3.11
Nilai γ merupakan rata-rata tertimbang pertumbuhan pendapatan pada tiap
persentil dengan penimbang tergantung pada ukuran kemiskinan yang digunakan. Jika ukuran kemiskinan yang digunakan dalam persamaan 3.11 adalah FGT,
maka akan diperoleh γ sebagai berikut:
∫ ∫
− −
− −
=
z z
dp p
x z
p x
z dp
p g
p x
z p
x z
1 1
α α
γ 3.12
Metode penghitungan PEGR yang dijelaskan tersebut merupakan metode penghitungan perubahan kemiskinan dengan menggunakan teknik analisis secara
ex-ante . Metode ini menggunakan asumsi bahwa perubahan ketidakmerataan
pendapatan hanya berlangsung dengan cara terjadi pergeseran secara proporsional dan konstan di semua titik pada kurva Lorenz. Padahal pergeseran kurva Lorenz
dapat disebabkan banyak hal, sehingga metode penghitungan PEGR secara ex- ante
ini tidak mungkin untuk dilakukan. Metode penghitungan PEGR dengan menggunakan teknik analisis ex-post
dilakukan untuk mengatasi permasalahan penghitungan secara ex-ante, yaitu dengan cara membandingkan keadaan kemiskinan, distribusi pendapatan kurva
Lorenz dan rata-rata pendapatan penduduk pada awal periode dengan keadaan pada akhir periode. Misalkan ukuran kemiskinan merupakan fungsi dari garis
kemiskinan z, rata-rata pendapatan μ, dan kurva Lorenz Lp, yang dituliskan sebagai berikut:
, ,
p L
z P
P
µ
=
3.13 Jika ukuran kemiskinan yang digunakan adalah FGT sebagai berikut
P n
z y
z
i i
q α
α
= −
=
∑
1
1
3.14 d
imana α = 0, 1, β dan y
i
= pendapatan penduduk ke-i dan q = jumlah penduduk miskin. Maka perubahan persentase penduduk miskin pada periode 1 dan periode
2 dapat dituliskan sebagai berikut:
[ ]
[ ]
, ,
, ,
1 1
2 2
1 2
12
p L
z P
Ln p
L z
P Ln
P P
P µ
µ −
= −
= 3.15
Nilai
12
P ini masih mengandung komponen pertumbuhan dan komponen distribusi.
Misalkan
1
µ dan
2
µ merupakan rata-rata pendapatan penduduk pada periode 1 dan periode 2, maka pertumbuhan pendapatan penduduk
∧
γ dapat dirumuskan sebagai berikut:
1 2
µ µ
γ Ln
Ln −
=
∧
3.16 Total elastisitas kemiskinan
δ dapat didekomposisi menjadi elastisitas kemiskinan yang berkaitan dengan pertumbuhan dan elastisitas kemiskinan
yang berkaitan dengan ketidakmerataan . Persamaan untuk total elastisitas δ
sebagai berikut:
[ ]
[ ]
γ µ
µ δ
ˆ ,
, ,
, ˆ
1 1
2 2
p L
z P
Ln p
L z
P Ln
− =
3.17 dan
ζ η
δ
ˆ ˆ
ˆ +
=
3.18 dimana elastisitas pertumbuhan terhadap kemiskinan dirumuskan sebagai berikut
[ ]
, ,
, ,
, ,
, ,
2 1
ˆ
2 1
2 2
1 1
1 2
p L
z P
Ln p
L z
P Ln
p L
z P
Ln p
L z
P Ln
µ µ
µ µ
γ η
− +
− =
3.19 dan elastisitas distribusi terhadap kemiskinan dirumuskan sebagai berikut
[ ]
, ,
, ,
, ,
, ,
2 1
ˆ
1 2
2 2
1 1
2 1
p L
z P
Ln p
L z
P Ln
p L
z P
Ln p
L z
P Ln
µ µ
µ µ
γ ζ
− +
− =
3.20 Berdasarkan rumusan 3.17 hingga rumusan 3.20 tersebut, maka nilai PEGR
dapat dirumuskan sebagai berikut γ
η δ
γ
ˆ ˆ
ˆ ˆ
= =
PEGR
3.21 dimana nilai
η δ
ˆ ˆ
merupakan nilai Pro poor growth Index PPGI. Nilai PEGR dapat dikelompokkan sebagai berikut:
1. γ
γ ˆ
ˆ = berarti pertumbuhan bersifat netral, setiap orang menerima manfaat
yang sama secara proporsional dari pertumbuhan. 2.
γ γ
ˆ ˆ
berarti pertumbuhan bersifat pro poor growth, penduduk miskin lebih banyak menerima manfaat dari pertumbuhan.
3. γ
γ ˆ
ˆ berarti pertumbuhan belum bersifat pro poor growth, manfaat
pertumbuhan lebih banyak diterima penduduk tidak miskin ketidakmerataan meningkat tetapi masih terjadi pengurangan Kemiskinan.
4. ˆ
γ berarti pertumbuhan bersifat anti pro poor growth atau manfaat
pertumbuhan yang dinikmati penduduk tidak miskin, kemiskinan meningkat. Gagasan PEGR didasari kondisi ketika tingkat pertumbuhan
γ menghasilkan pengurangan tingkat kemiskinan yang sama dengan laju
pertumbuhannya γ . Kondisi ini menggambarkan bahwa ketika setiap orang
dalam masyarakat menerima manfaat dari pertumbuhan secara proporsional yang berarti pula proses pertumbuhan tidak memberikan dampak pada
perubahan distribusi pendapatan. Padahal kenyatannya tingkat proporsional pengurangan kemiskinan sebesar
δγ , dimana δ adalah elastisitas total kemiskinan. Jika pertumbuhan didistribusikan secara netral tidak terjadi
perubahan distribusi, maka tingkat pertumbuhan γ akan diikuti dengan
pengurangan tingkat kemiskinan sebesar ηγ , yang seharusnya sama dengan δγ .
Sehingga PEGR dapat dituliskan menjadi ηγ = δγ , atau
γ η
δ γ
= .
Contoh ilustrasi jika elastisitas total kemiskinan sebesar 34 dari elastisitas pertumbuhan terhadap kemiskinan. Jika laju pertumbuhan aktual sebesar 8 persen,
maka akan ekuivalen dengan nilai PEGR sebesar 348 = 6 persen. Nilai ini mempunyai arti bahwa efektivitas pertumbuhan ekonomi dalam pengurangan
kemiskinan 2 persen lebih rendah dari laju pertumbuhan aktual, karena kebijakan yang diterapkan tidak pro poor. Hal sebaliknya terjadi jika elastisitas total
kemiskinan lebih besar 10 persen dari elastisitas pertumbuhan terhadap kemiskinan, sehingga nilai PEGR sebesar 1,19 = 9,9 persen. Hal ini
menunjukkan pertumbuhan ekonomi yang pro poor, karena efektivitas pertumbuhan ekonomi dalam pengurangan kemiskinan 0,9 persen lebih besar dari
laju pertumbuhan aktual. 3.2.4 Analisis Regresi Data Panel
Data panel adalah data yang memiliki dimensi ruang individu dan waktu Gujarati, 2004. Dalam data panel, data cross section yang sama diobservasi
menurut waktu. Jika setiap unit cross section memiliki jumlah observasi time series
yang sama maka disebut sebagai balanced panel total jumlah observasi = N x T. Sebaliknya jika jumlah observasi berbeda untuk setiap unit cross section
maka disebut unbalanced panel. Penggabungan data cross section dan time series dalam data panel digunakan untuk mengatasi kelemahan dan menjawab
pertanyaan yang tidak dapat dijawab oleh model cross section dan time series murni.
Keunggulan penggunaan data panel memberikan banyak keuntungan menurut Baltagi 2005, diantaranya sebagai berikut:
1. Mampu mengontrol heterogenitas individu. Metode ini dalam mengestimasi dapat secara eksplisit memasukkan unsur heterogenitas individu.
2. Memberikan data yang lebih banyak dan beragam, mengurangi kolinearitas antar peubah, meningkatkan derajat bebas dan lebih efisien.
3. Lebih baik untuk studi dynamics of adjustment. Observasi cross section yang berulang, maka data panel lebih baik dalam mempelajari perubahan dinamis.
4. Lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section saja atau data time series saja.
5. Dapat digunakan untuk membangun dan menguji model yang lebih kompleks dibandingkan data cross section atau time series murni.
Selain manfaat yang diperoleh dengan penggunaan panel data, metode ini juga memiliki kelemahan dan keterbatasan dalam penggunaannya di antaranya
yaitu: 1. Masalah dalam desain survei panel, pengumpulan dan manajemen data.
Masalah yang umum dihadapi diantaranya: cakupan coverage, nonresponse, kemampuan daya ingat responden recall, frekuensi dan waktu wawancara.
2. Distorsi kesalahan pengamatan measurement errors. Measurement errors umumnya terjadi karena respon yang tidak sesuai.
3. Masalah selektivitas selectivity yang mencakup hal-hal berikut: a. Self-selectivity : permasalahan yang muncul karena data-data yang
dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap fenomena yang ada.
b. Nonresponse : permasalahan yang muncul dalam panel data ketika ada ketidaklengkapan jawaban yang diberikan oleh responden sampel
rumahtangga.
c. Attrition : jumlah responden yang cenderung berkurang pada survei lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia
atau biaya menemukan responden yang terlalu tinggi 4. Dimensi waktu time series yang pendek. Jenis panel mikro biasanya
mencakup data tahunan yang relatif pendek untuk setiap individu. 5. Cross-section dependence. Sebagai contoh, apabila macro panel dengan unit
analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence
akan mengakibatkan inferensi yang salah misleading inference.
Misalkan diberikan persamaan regresi data panel sebagai berikut:
it it
it
X y
ε β
+ =
3.22
dimana:
it
y : nilai dependent variable untuk setiap unit individu i pada periode t
dimana i = 1, …, N dan t = 1, …, T
it
X : nilai independent variable yang terdiri dari sejumlah K variabel
Gangguan acak diasumsikan mengikuti one-way error component model sebagai berikut:
it i
it
u +
= α
ε
3.23 dan untuk two way error component model, komponen error diasumsikan mengikuti
model berikut:
it t
i it
u +
+ =
µ α
ε
3.24
dimana:
i
α : efek individu time invariant
it
u : disturbance yang besifat acak
, ~
2 u
it
N u
σ
t
µ : efek waktu individual invariant Pada pendekatan one way komponen error hanya memasukkan komponen
error yang merupakan efek dari individu
i
α . Pada two way telah memasukkan efek dari waktu
t
µ ke dalam komponen error,
it
u diasumsikan tidak berkorelasi dangan
it
X . Jadi perbedaan antara FEM dan REM terletak pada ada atau tidaknya
korelasi antara
i
α dan
t
µ dengan
it
X .
Fixed Effect Model FEM
Model data panel dengan Fixed Effects Model FEM yaitu jika
i
α diperlakukan sebagai parameter tetap, namun bervariasi antar i = 1, 2, …, N. FEM digunakan ketika efek individu dan efek waktu mempunyai korelasi dengan
it
X
atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error
dari efek individu dan waktu dapat menjadi bagian dari intercept. FEM pada umumnya terjadi ketika N relatif kecil dan T relatif besar.
Untuk one way komponen error:
it it
i it
u X
a y
+ +
= β
3.25 Sedangkan untuk two way komponen error:
it it
t i
it
u X
a y
+ +
+ =
β µ
3.26 Penduga FEM dapat dihitung dengan beberapa teknik, yaitu Pooled Least
Square PLS, Within Group WG, Least Square Dummy Variable LSDV, dan
Two Way Error Component Fixed Effect Model .
Random Effect Model REM
Model data panel dengan Random Effects Model REM yaitu jika
i
α diperlakukan sebagai parameter yang bersifat random. REM digunakan ketika
efek individu dan efek waktu tidak berkorelasi dengan
it
X atau memiliki pola
yang sifatnya acak. Keadaan ini membuat komponen error dari efek individu dan efek waktu dimasukkan ke dalam error. REM pada umumnya digunakan pada
data yang memiliki N relatif besar dan T relatif kecil. Model REM secara umum dituliskan sebagai berikut:
i it
it it
u X
a y
τ β
+ +
+ =
3.27 dengan
i i
τ α
σ +
= dan memiliki rata-rata nol.
i
τ merepresentasikan gangguan
individu individual disturbance yang tetap sepanjang waktu. Asumsi yang digunakan dalam REM adalah
| =
i it
u E
τ 3.28
2 2
|
u i
it
u E
σ τ
=
3.29
| =
it i
x E
τ untuk semua i dan t
3.30
2 2
|
τ
σ τ
=
it i
x E
untuk semua i dan t 3.31
=
j it
u E
τ untuk semua i, t, dan j
3.32 =
js it
u u
E untuk
j i
≠ dan s
t ≠
3.33
=
j i
E
τ τ
untuk j
i ≠
3.34 Berdasarkan semua asumsi pada REM, yang paling penting adalah
| =
it i
x E
τ . Nilai ini menjadi penting karena berguna untuk menentukan
apakah akan digunakan FEM atau REM. Penduga REM biasanya dihitung dengan metode Generalized Least Square GLS.
Pengujian asumsi ini menggunakan HAUSMAN test, dengan uji hipotesis sebagai berikut:
H
| =
it i
x E
τ
: Tidak ada korelasi antara komponen error dengan peubah
bebas H
1
| ≠
it i
x E
τ
: Ada korelasi antara komponen error dengan peubah bebas
Nilai statistic hausman dirumuskan sebagai berikut:
k M
M H
FEM REM
REM FEM
FEM REM
2 1
~ ˆ
ˆ ˆ
ˆ
χ β
β β
β
− −
− =
−
3.35 dimana M : matriks kovarians untuk parameter
β k : derajat bebas
Jika H
2 tabel
χ maka komponen error mempunyai korelasi dengan peubah bebas,
sehingga tolak Ho dan model yang digunakan adalah FEM.
Uji Asumsi
Uji asumsi dilakukan untuk memenuhi persyaratan sebuah model yang akan digunakan. Setelah kita memutuskan untuk menggunakan suatu model tertentu
FEM atau REM berdasarkan HAUSMAN Test, maka kita dapat melakukan uji terhadap asumsi yang digunakan dalam model.
Uji Heteroskedastisitas
Nilai dugaan parameter dalam model regresi diasumsikan bersifat BLUE Best Linier Unbiased Estimate, maka var u
i
harus sama dengan σ
2
konstan, atau semua residual atau error mempunyai varian yang sama, yang disebut
dengan homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas. Metode General Least Square Cross section
Weights yaitu dengan membandingkan sum square Resid pada Weighted
Statistics dengan sum square Resid unweighted Statistics dapat digunakan untuk
mendeteksi adanya heteroskedastisitas. Jika sum square Resid pada Weighted Statistics
lebih kecil dari sum square Resid unweighted Statistics, maka terjadi heteroskedastisitas Greene, 2002.
Uji Autokorelasi
Model regresi mengasumsikan tidak terjadi autokorelasi, yaitu korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa
yang lalu dengan error masa sekarang. Autokorelasi yang terjadi dalam model regresi dapat mempengaruhi efisiensi dari estimatornya. Pengujian ada tidaknya
autokorelasi dalam model dapat dilakukan pengujian dengan menggunakan Wooldridge Test
. Metode Wooldrigde menggunakan residual dari model regresi pada first differences. Model regresi terbebas dari masalah autokorelasi jika
korelasi residual dari model regresi pada first differences terhadap lag-nya adalah -0,05 Drukker, 2003.
Spesifikasi Model dalam Penelitian
Berdasarkan faktor yang berpengaruh terhadap pro poor growth dengan proksi pengurangan penduduk miskin, sebagaimana telah dijelaskan di sub bab
2.6, berikut beberapa faktor yang mempengaruhi pro poor growth yang berarti pula mempengaruhi poverty reduction, yaitu diantaranya produktifitas sektor
pertanian, pengeluaran pemerintah untuk investasi publik, pendidikan bagi kaum perempuan, tingkat pendidikan, ketimpangan pendapatan dan jumlah penduduk.
Pada penelitian ini, variabel tak bebas yang digunakan yaitu jumlah penduduk miskin di masing-masing provinsi MISKIN.
Faktor peningkatan produktifitas sektor pertanian didekati dengan data produktifitas sektor pertanian per tenaga kerja TANI. Data belanja modal
investasi pemerintah digunakan sebagai pendekatan untuk pengeluaran pemerintah untuk investasi publik INV_PEM. Rata-rata lama sekolah bagi kaum
perempuan menunjukkan tingkat pendidikan bagi kaum perempuan RLSP. Rata-
rata lama sekolah bagi kaum perempuan menunjukkan tingkat pendidikan bagi kaum laki-laki RLSL. Rata-rata lama sekolah menunjukkan rata-rata lama
sekolah tiap penduduk RLS. Data indeks gini menunjukkan ketimpangan pendapatan GINI. Data jumlah penduduk sebagai variabel bebas terakhir yang
diduga berpengaruh terhadap pengurangan jumlah penduduk miskin PDDK. Berdasarkan penjelasan variabel yang digunakan, terdapat tiga variabel
yaitu variabel RLSP, RLSL dan RLS, dimana rata-rata lama sekolah bagi kaum perempuan dan laki-laki sudah termasuk dalam penghitungan rata-rata lama
sekolah. Sehingga apabila ketiga variabel digunakan dalam satu model, akan menimbulkan permasalahan endogenity. Untuk menghindari permasalahan
tersebut, dibangun tiga persamaan dengan masing-masing menggunakan variabel RLS, RLSP dan RLSL.
Adapun model yang digunakan sebagai berikut:
it it
it t
i it
LnRLS PEM
LnINV LnTANI
LnMISKIN
3 2
1
_
β β
β µ
α β
+ +
+ +
+ =
it it
it
u LnPDDK
LnGINI +
+ +
5 4
β β
3.36
it it
it t
i it
LnRLSP PEM
LnINV LnTANI
LnMISKIN
3 2
1
_
β β
β µ
α β
+ +
+ +
+ =
it it
it
u LnPDDK
LnGINI +
+ +
5 4
β β
3.37
it it
it t
i it
LnRLSL PEM
LnINV LnTANI
LnMISKIN
3 2
1
_ β
β β
µ α
β +
+ +
+ +
=
it it
it
u LnPDDK
LnGINI +
+ +
5 4
β β
3.38 Dimana
MISKIN
it
TANI = Jumlah Penduduk Miskin di Provinsi i tahun t.
it
INV_PEM = Produktifitas sektor Pertanian di Provinsi i Tahun t.
it
RLSP = Pengeluaran investasi Pemerintah di Provinsi i Tahun t.
it
RLS = rata-rata lama sekolah kaum perempuan di Provinsi i Tahun t
it
GINI = rata-rata lama sekolah tiap penduduk di Provinsi i Tahun t
it
PDDK = nilai indeks Gini di Provinsi i Tahun t.
it
= jumlah penduduk di Provinsi i Tahun t.
j
= parameter yang diestimasi, j = 0, 1, 2, 3, 4, 5.
α
i
µ = efek individu Provinsi i
t
u = efek waktu tahun t
i
= komponen error.
Model yang dibangun tersebut merupakan pengembangan dari model yang digunakan oleh Suparno 2010. Berdasarkan model tersebut, diharapkan
koefisien dari tiga variabel bebas yang pertama di kedua model mempunyai nilai yang negatif. Variabel bebas tersebut yaitu produktifitas sektor pertanian,
investasi pemerintah, rata-rata lama sekolah di model pertama, rata-rata lama sekolah bagi kaum perempuan di model kedua dan rata-rata lama sekolah bagi
kaum laki-laki di model ketiga. Peningkatan dari ketiga variabel di masing-masing model diharapkan dapat mengurangi jumlah penduduk miskin. Sedangkan
koefisien dari variabel bebas indeks gini dan jumlah penduduk diharapkan bernilai positif. Selain itu, model yang digunakan dituliskan dalam bentuk logaritma
natural sehingga nilai koefisien variabel bebas menunjukkan elastisitasnya terhadap jumlah penduduk miskin.
3.3 Definisi Oper asional Pada bab 2 telah dijelaskan beberapa ukuran yang relevan digunakan dalam
penelitian, diantaranya ukuran kemiskinan, ukuran pertumbuhan ekonomi, ukuran ketimpangan pendapatan dan faktor yang berpengaruh terhadap pro poor growth.
Berdasarkan ukuran-ukuran tersebut, maka dapat didefinisikan beberapa variabel yang digunakan dalam penelitian, dengan definisi operasional sebagai berikut
BPS, 2007. 1 Head Count Index P0, yaitu persentase penduduk miskin terhadap total
jumpah penduduk. Satuan yang digunakan dalam P0 adalah persen . 2 Pertumbuhan Ekonomi Growth yaitu peningkatan pendapatan dari sutau
periode ke periode tertentu, yang dihitung berdasarkan peningkatan Produk Domestik Bruto PDB. Sedangkan PDB sendiri merupakan suatu indikator
penting untuk mengetahui kondisi ekonomi di suatu Negara dalam suatu periode tertentu. Satuan yang digunakan dalam menghitung pertumbuhan
ekonomi adalah persen . 3 Indeks Gini adalah ukuran kemerataan pendapatan yang dihitung berdasarkan
kelas pendapatan. Nilai Indeks Gini terletak antara 0 nol dan 1 satu, dimana nol mencerminkan kemerataan sempurna dan satu menggambarkan
ketidakmerataan sempurna. Nilai Indeks Gini ini digunakan sebagai proksi ukuran ketimpangan pendapatan.
4 Produktifitas Sektor Pertanian merupakan ukuran besarnya output di sektor pertanian yang dihasilkan oleh tiap pekerja di sektor tersebut. Produktifitas
sektor pertanian dihitung dengan menggunakan satuan ribu rupiah per tenaga kerja.
5 Belanja Modal Pemerintah adalah pengeluaran untuk sarana dan prasarana ekonomi, seperti bangunan tempat tinggal dan bukan tempat tinggal; jalan,
jembatan dan konstruksi lainnya; mesin dan peralatan; kendaranaan; perbaikan besar pada modal; tanah dan ternak. Belanja Modal Pemerintah ini digunakan
sebagai proksi Pengeluaran Pemerintah untuk Investasi Publik. Investasi pemerintah dihitung dengan menggunakan satuan juta rupiah.
6 Rata-rata lama sekolah bagi perempuan adalah nilai rata-rata lamanya kaum perempuan usia lebih dari 15 tahun menempuh pendidikan di sekolah. Rata-
rata lama sekolah bagi perempuan ini digunakan sebagai proksi tingkat pendidikan bagi perempuan. Satuan yang digunakan dalam menghitung rata-
rata lama sekolah bagi perempuan adalah tahun. 7 Rata-rata lama sekolah adalah nilai rata-rata bagi tiap penduduk usia lebih dari
15 tahun dalam menempuh pendidikan di sekolah. Variabel rata-rata lama sekolah ini digunakan sebagai proksi tingkat pendidikan. Satuan yang
digunakan dalam menghitung rata-rata lama sekolah adalah tahun. 8 Rata-rata lama sekolah bagi laki-laki adalah nilai rata-rata bagi tiap penduduk
laki-laki usia lebih dari 15 tahun dalam menempuh pendidikan di sekolah. Variabel rata-rata lama sekolah bagi laki-laki ini digunakan sebagai proksi
tingkat pendidikan bagi laki-laki. Satuan yang digunakan dalam menghitung rata-rata lama sekolah bagi laki-laki adalah tahun.
9 Jumlah penduduk menyatakan semua orang yang berdomisili di wilayah teritorial selama 6 bulan atau lebih dan atau mereka yang berdomisili kurang
dari 6 bulan tetapi bertujuan menetap. Jumlah penduduk dihitung dengan satuan ribu orang.
Berikut Tabel yang berisi tentang variabel dan keterangannya. Tabel 3. Variabel yang digunakan dalam penelitian dan keterangannya
No Nama Variabel Keterangan
Satuan 1. MISKIN
Jumlah penduduk yang berada di bawah garis kemiskinan
Ribu orang 2. P0
Persentase Penduduk Miskin Persen
3. GROWTH Pertumbuhan Ekonomi
Persen 4. GINI
Nilai Indeks Gini Tanpa satuan
5. PERTANIAN Produktifitas pekerja di sektor
pertanian Ribu rupiah per tenaga
kerja 6. INV_PEM
Belanja modal pemerintah Juta rupiah
7. RLSP Rata-rata lama sekolah kaum
perempuan Tahun
8. RLS Rata-rata lama sekolah
Tahun 9. RLSL
Rata-rata lama sekolah kaum laki-laki
Tahun 10. PDDK
Jumlah penduduk Ribu orang