80
Kemampuan daya beli masyarakat di wilayah perbatasan dari gambar di atas dapat diketahui bahwa dari tahun 2007
–2010 secara umum, semua kabupatenkota di wilayah ini mengalami peningkatan setiap tahunnya. Kabupaten
Kutai Barat adalah kabupaten dengan kemampuan daya beli tertinggi di bandingkan kabupatenkota lain di wilayah perbatasan darat Indonesia. Hal ini
dikarenakan PDRB per kapita kabupaten ini adalah yang tertinggi, selain itu juga jika dilihat dari indeks pendidikannya juga memiliki nilai di atas rata-rata
nasional. Secara keseluruhan perkembangan nilai IPM dan komponen pembentuknya di wilayah perbatasan darat Indonesia selama periode 2007-2010
dapat dilihat pada tabel 4.5 berikut: Tabel 4.5 Perkembangan IPM dan komponen pembentuknya di wilayah
perbatasan darat Indonesia tahun 2007 – 2010
Sumber: BPS diolah
81
V. FAKTOR-FAKTOR YANG MEMENGARUHI INDEKS PEMBANGUNAN MANUSIA DI PERBATASAN DARAT INDONESIA
5.1 Uji Model Regresi Data Panel
Analisis data dalam penelitian ini menggunakan persamaan regresi data panel untuk mengetahui faktor-faktor yang berpengaruh terhadap indeks
pembangunan manusia. Data yang digunakan dalam persamaan regresi adalah data panel yang berasal dari data sekunderdari Badan Pusat Statsitik BPS dan
Kementerian Keuangan meliputi 16 KabupatenKota di wilayah perbatasan darat Indonesia dalam kurun waktu 2007-2010.
Sebelum melakukan estimasi maka perlu dilakukan pemilihan model regresi terbaik. Pemilihaan model regresei terbaik dilakukan untuk mendapatkan
hasil estimasi yang sesuai. Proses ini dilakukan dalam dua tahap, yaitu membandingkan pooled model dengan fixed effect model kemudian dilanjutkan
dengan membandingkan fixed effect model dengan random effect model. Pada tahap pertama, digunakan uji Chow, untuk membandingkan pooled model dengan
fixed effect model. Sedangkan pada tahap kedua untuk membandingkan fixed
effect model dengan random effect model digunakan uji Hausman.
Berdasarkan hasil uji Chow, secara signifikan H Pooled model ditolak
atau terdapat heterogenitas individu pada model. Ini ditunjukkan dengan nilai p- value
sebesar 0,000 lebih kecil dari 0,05. Jika dalam model terdapat heterogenitas individu maka fixed effect model akan memberikan hasil yang lebih
baik jika dibandingkan dengan pooled model. Setelah dihasilkan pada tahap pertama, maka langkah selanjutnya membandingkan antara fixed effect model dan
random effect model dengan uji Hausman.
Statistik uji Hausman mengikuti ditribusi statistik Chi-Square dengan derajat bebas sebanyak jumlah variabel bebas.Hasil yang di dapat dari uji
Hausman 19,86427 Lampiran 5 dibandingkan dengan χ
2
sama-sama menunjukkan nilai p-
value lebih besar dari nilai χ
2
, maka H ditolak atau dengan
kata lain menerima H
1
. Artinya, model yang tepat digunakan untuk analisis data pada penelitian ini adalah fixed effect modelFEM. Sehingga FEM merupakan
82
model yang lebih baik jika dibandingkan dengan Pooled Least square PLS ataupun random effects model REM.
Untuk model dalam penelitian ini, pengujian berbagai asumsi dasar dilakukan terhadap metode FEM sebagai model terpilih dilakukan untuk
memperoleh hasil estimasi yang BLUE best linear unbiased estimator, khususnya uji autokorelasi dan uji homoskedastisitas. Berdasarkan hasil uji
Durbin-Watson DW diperoleh nilai DW sebesar 2,22 yang artinya tidak terjadi autokorelasi pada model. Sedangkan berdasarkan hasil uji kolinieritas diperoleh
nilai korelasi kurang dari 0,8, yang menyatakan bahwa tidak ada kolinieritas antar variabel yang digunakan dalam penelitian.
Sementara itu, dengan jumlah kuadrat residual sum square residual pada weighted statistics
lebih kecil daripada unweighted statistics maka terdapat pelanggaran
asumsi homoskedastisitas
pada model.
Permasalahan heteroskedastisitas dan autokorelasi pada model akan mempengaruhi perkiraan
nilai parameter. Hal ini disebabkan model tidak akan memenuhi sifat BLUE. Oleh karena itu, agar nilai parameter dari model terpilih memenuhi sifat BLUE, maka
dilakukan modifikasi model dengan menggunakan pendekatan Generalized Least Square
Greene, 2002. Berdasarkan model modifikasi ini berarti telah dilakukan koreksiatas permasalahan heteroskedastisitas, contemporaneously correlated
acrosspanel , and first order autokorelasi.
5.2 Faktor yang Memengaruhi Indeks Pembangunan Manusia
Hasil estimasi regresi data panel dalam Tabel 5.1 sebagian besar faktor yang digunakan berpengaruh nyata terhadap indeks pembangunan manusia. Tanda
koefisien parameter menunjukkan bahwa besarnya PDRB per kapita, jumlah penduduk miskin, pengeluaran pemerintah bidang pendidikan,pengeluaran
pemerintah bidang kesehatan, rasio tenaga pendidikan tingkat SD, Rasio tenaga kesehatan dan infrastruktur jalan berpengaruh nyata terhadap indeks
pembangunan manusia, sedangkan rasio tenaga pendidikan tingkat SMP dan tingkat pengangguran terbuka tidak memiliki pengaruh yang nyata terhadap
Indeks Pembangunan Manusia IPM.
