Analisis faktor yang mempengaruhi kemisk
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI
KEMISKINAN DI JAWA TENGAH TAHUN 2013-2014
(Studi Kasus 35 Kabupaten/Kota di Jawa Tengah)
Paper ini Disusun Untuk Melengkapi Tugas Mata Kuliah Ekonometrika
Lanjutan
Disusun oleh :
Holifah
(14810086)
Dosen Pengampu :
Riswanti Budi Sekaringsih . , M.Si
PROGRAM STUDI EKONOMI SYARIAH
FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA
2016
I.
Pendahuluan
Kemiskinan merupakan masalah multidimensi yang dihadapi oleh hampir semua
negara di dunia, terutama negara berkembang. Kemiskinan ini tercermin dengan
ketidakmampuan seseorang untuk memenuhi standar kebutuhan minimumnya seperti
sandang, pangan dan papan. Sedangkan indikator tingkat kemiskinan dapat dilhat dari
tingkat Human Development Indeks (HDI) dengan kriteria tolok ukur kemiskinan yang
digunakan adalah kehidupan, pendidikan dan ketetapan ekonomi.
Jawa tengah merupakan propinsi di Pulau Jawa nomor dua tertinggi tingkat
kemiskinannya dibanding propinsi-propinsi lain (Publikasi BPS : 2009). Kemiskinan ini
diduga dipengaruhi oleh beberapa faktor yang saling berkaitan. Dalam hal ini, tingkat
kemiskinan di Jawa Tengah diduga dipengaruhi oleh beberapa faktor yaitu inflasi, indeks
pembangunan manusia, PDRB dan jumlah penduduk.
Bila dikaitkan dengan kemiskinan, maka peningkatan inflasi akan diikuti oleh
peningkatan kemiskinan sebagai akibat dari peningkatan inflasi yang akan semakin
mendorong meningkatnya jumlah penduduk miskin bila tidak diikuti oleh peningkatan
daya beli masyarakat atau peningkatan pendapatan masyarakat terutama golongan
msyarakat dengan ekonomi rendah.
Kualitas sumber daya manusia tercermin dari tingkat pedidikannya. Tingginya
tingkat pendidikan yang ditempuh merupakan salah satu investasi masa depan yang
penting. Dengan melakukan investasi pendidikan maka akan mampu meningkatkan
produktivitas seseorang, peningkatan produktivitas juga akan berpengaruh pada
peningkatan pendapatan. Dengan pendapatan yang cukup akan mampu mengangkat
kehidupan seseorang dari kemiskinan.
Produk domestik regional bruto (PDRB) di Jawa Tengah memberikan gambaran
tentang pembangunan ekonomi dari waktu ke waktu. Pembangunan ekonomi akan
memberikan hasil yang optimal jika peningkatan PDRB disertai dengan perbaikan
kualitas hidup seluruh golongan masyarakat. Sehingga PDRB merupakan faktor penting
untuk pengentasan kemiskinan.
Kuantitas sumber daya manusia tercermin dari jumlah penduduknya. Kuantitas atau
jumlah penduduk dapat menjadi faktor penghambat atau pendukung pembangunan
wilayah. Faktor pendukung pembangunan karena jumlah penduduk memungkinkan
banyaknya jumlah tenaga kerja yang tersedia serta mampu memperluas pasar barang dan
jasa. Sedangkan faktor penghambat karena jumlah penduduk juga akan menyebabkan
tingginya tingkat kemiskinan. (Sadono Sukirno : 1997)
Tabel 1.1
Rekapitulasi Tingkat Kemiskinan, Inflasi, IPM, PDRB dan Jumlah Penduduk
Tahun 2013-2014 di Jawa Tengah
2013
Tingkat kemiskinan
Inflasi
IPM
PDRB
Jumlah pendududk
14,44%
7,99%
6,8 tahun
23.584.017,13 (Juta)
33.264.339 jiwa
2014
13,58%
8,22%
6,93 tahun
26.084.821,88 (Juta)
33.522.663 jiwa
Inflasi yang naik, indeks pembangunan manusia yang tercermin dari rata-rata lama
sekolah yang meningkat, PDRB yang meningkat dan jumlah penduduk yang semakin
bertambah diduga merupakan faktor yang mempengaruhi tingkat kemiskinan di Jawa
Tengah walaupun dalam statistiknya mengalami penurunan. Mengingat tingkat
kemiskinan di Jawa Tengah dipengaruhi oleh banyak faktor, maka dalam penelitian ini
dibatasi empat faktor yang mempengaruhi tingkat kemiskinan 35 kabupaten/kota di Jawa
Tengah yaitu inflasi, IPM, PDRB dan jumlah penduduk.
II. Landasan Teori
Kemiskinan merupakan permasalahan multi dimensi yang dihadapi hampir di semua
negara di dunia. Menurut BPS, kemiskinan dipandang sebagai ketidakmampuan dari sisi
ekonomi untuk memenuhi kenutuhan dasar makanan dan bukan makanan yangdiukur
dari sisi pengeluaran. Sedangkan penduduk miskin adalah penduduk yang memiliki ratarata pengeluaran perkapita perbulan dibawah garis kemiskinan. Menurut Suparlan,
kemiskinan adalah standar tingkat hidup yang rendah karena kekurangan materi pada
sejumlah atau golongan orang bila dibandingkan dengan standar hidup yang berlaku di
masyarakat sekitarnya.
Jenis-jenis kemiskinan dibagi menjadi empat bentuk, yaitu :
a. Kemiskinan absolut, kondisi dimana seseorang memiliki pendapatan dibawah garis
kemiskinan atau tidak cukup untuk memenuhi kebutuhan pangan, sandang, papan,
kesehatan, dan pendidikan yang dibutuhkan untuk bisa hidup dan bekerja.
b. Kemiskinan relatif, kondisi miskin karena pengaruh kebijakan pembangunan yang
belum menjangkau masyarakat, sehingga menyebabkan ketimpangan pada pendapatan.
c. Kemiskinan kultural, mengacu pada persoalan sikap seseorang atau masyarakat yang
disebabkan oleh faktor budaya.
d. Kemiskinan struktural, situasi miskin yang disebabkan oleh rendahnya akses terhadap
sumber daya yang terjadi dalam suatu sistem sosial budaya dan sosial politik yang tidak
mendukung pembebasan kemiskinan, tetapi seringkali menyebabkan suburnya
kemiskinan.
Dalam skripsinya, Ari Widiastuti (2010) dengan sampel penelitian di kabupaten/kota
di Jawa Tengah menyatakan bahwa jumlah penduduk berpengaruh positif dan signifikan
terhadap kemiskinan artinya peningkatan jumlah penduduk akan meningkatkan pula
tingkat kemiskinan, sedangkan IPM berpengaruh negatif dan signifikan terhadap
kemiskinan artinya semakin tinggi nilai IPM maka tingkat kemiskinan kan menurun.
Penelitian yang dilakukan oleh Angga Tri Widiastuti (2016) dengan sampel penelitian di
kabupaten/kota di Jawa tengah menyatakan bahwa PDRB berpengaruh negatif, artinya
jika PDRB meningkat maka akan menurunkan tingkat kemiskinan. Sedangkan pada
penelitian Fahma Sari Fatma (2005) menunjukkan inflasi berpengaruh positif dan
signifikan terhadap kemiskinan, artinya apabila inflasi di Indonesia meningkat maka
jumlah kemiskinan di Indonesia juga akan meningkat.
III. Metodologi
1. Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari
Badan Pusat Statistik (BPS) Jawa Tengah, meliputi data IPM, PDRB, inflasi dan jumlah
penduduk di 35 kabupaten/kota di Provinsi Jawa Tangah selama periode 2013-2014.
Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi data panel
dengan bantuan software Eviews 6.
2. Model
Variabel yang digunakan dalam penelitian ini adalah tingkat kemiskinan sebagai
variabel yang dijelaskan (dependent variabel), sedangkan variabel yang menjelaskan
(independent variabel) adalah inflasi, IPM, PDRB dan jumlah penduduk. Sehingga
model dalam penelitian ini adalah sebagai berikut :
TK = f (INF, IPM, PDRB, JP)
Dimana :
TK : tingkat kemiskinan
INF : inflasi
IPM : indeks pembangunan manusia
PDRB: Produk Domestik Regional Bruto
JP : Jumlah penduduk
Model dasar di atas diturunkan menjadi model ekonometrik sebagai berikut :
TKit = β0 + β1 INF + β2 IPM + β3 PDRB + β4 JP + εit
Dimana i menunjukkan unit cross section dan t menunjukkan periode waktu.
3. Pengujian
3.1.
Pemilihan Model terbaik
3.1.1. Uji Chow
Uji chow adalah pengujian untuk menentukan model Fixed effect atau
common effect yang paling tepat digunakan untuk mengestimasi data panel.
Hipotesis dalam uji Chow adalah :
Ho : Common effect model
Ha : Fixed effect model
Dasar penolakan terhadap
hipotesis
di
atas
adalah
dengan
membandingkan perhitugan F-statistik dengan F-tabel atau dapat menggunakan
Prob. Cross-section F. Apabila prob. cross-section F < α 5% maka model fixed
effect lebih baik digunakan daripada common effect.
3.1.2. Uji Hausman
Uji hausman adalah pengujian untuk menentukan model fixed effect atau
random effect yang paling tepat digunakan untuk mengestimasi data panel.
Hipotesis dalam uji hausman adalah :
Ho : Random effect model
Ha : Fixed effect model
Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan
perhitugan F-statistik dengan F-tabel atau dapat menggunakan Prob. Crosssection F. Apabila prob. cross-section random < α 5% maka model fixed effect
lebih baik digunakan daripada random effect.
3.2.
Uji Asumsi Klasik
Persamaan yang diperoleh dari sebuah estimasi dapat dioperasikan secara statistik
jika memenuhi asumsi klasik, yaitu memenuhi asumsi bebas multikolinearitas,
heteroskesidasitas, autokorelasi, serta disturbance term terdistribusi secara normal.
3.2.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel
pengganggu
atau
residual
memiliki
distribusi
normal.
Untuk
mengetahuinya dengan menggunakan nilai statistik Jarque Berra. Hipotesis pada
uji normalitas adalah sebagai berikut :
Ho : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal
3.2.2. Uji Multikolinearitas
Pengujian terhadap ada tidaknya multikolinearitas ini dilakukan dengan
cara melihat koefisien korelasi antar variabel. Apabila tidak ada yang mendekati
angka 1 maka dapat dikatakan tidak terdapat multikolinearitas sempurna.
3.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain. Penentuan masalah heteroskedastisitas dapat dilakukan
secara statistik dengan metode White test. Hipotesis pada uji White adalah
sebagai berikut :
Ho: Tidak terdapat masalah heteroskedastisitas
Ha : Terdapat masalah heteroskedastisitas
3.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada
korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Penentuan
masalah autokorelasi dapat dilakukan secara statistik dengan uji Lagrange
Multiplier (LM) dengan hipotesis sebagai berikut :
Ho : Tidak terdapat masalah autokorelasi
Ha : Terdapat masalah autokorelasi
3.3.
Pengujian Statistik Analisis Regresi
Uji signifikansi merupakan prosedur yang digunakan untuk menguji diterima
atau ditolaknya (secara statistik) hasil hipotesis nol (H0) dari sampel.
3.3.1. Koefisien Determinasi (R2)
Koefisien determinasi (R2) menunjukkan seberapa besar persentase
variasi variabel independen dapat menjelaskan variasi variabel dependennya
(goodness of fit test). Nilai R2 yang kecil atau mendekati nol berarti kemampuan
variabel independen dalam menjelaskan variasi variabel dependen amat terbatas.
Sebaliknya, jika nilai R2 mendekati satu berarti variabel independen memberikan
hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel
dependen, dan model tersebut dapat dikatakan baik (Gujarati, 2003).
3.3.2. Uji F
Uji F dapat diketahui apakah semua variabel independen yang
dimasukkan dalam model memiliki pengaruh secara bersama-sama atau tidak
terhadap variabel dependen. Hipotesis nol (Ho) yang diajukan dalam penelitian
ini adalah apakah semua variabel independen bukan merupakan penjelas yang
signifikan terhadap variabel dependen, atau:
H0 : β1 = β2 = β3 = β4 = 0
Sedangkan hipotesis alternatifnya (H1) adalah semua variabel independen
mampu mempengaruhi variabel dependen secara bersama-sama, atau:
H1 : β1 = β2 = β3 = β4 ≠ 0
Kriteria dalam uji F yaitu bila niali F hitung lebih besar dibandingkan
dengan nilai F tabel (F>Fα, df), maka H0 ditolak, dan H1 diterima. Atau apabila F
hitung lebih besar dari F tabel, maka variabel independen berpengaruh signifikan
terhadap variabel dependen secara bersama-sama. Sebaliknya, apabila F hitung
lebih kecil dari F tabel, maka variabel independen tidak berpengaruh signifikan
terhadap variabel dependen secara bersama-sama.
3.3.3. Uji t
Uji t dilakukan untuk mengetahui apakah variabel independen secara
individual mempengaruhi variabel dependennya. Hipotesis yang diajukan yaitu:
Hipotesis 1
H0 : β1 ≤ 0 Inflasi tidak berpengaruh secara signifikan terhadap tingkat
kemiskinan
H1 : β1 > 0 Inflasi berpengaruh positif dan signifikan terhadap kemiskinan.
Hipotesis 2
H0 : β2 ≤ 0 IPM tidak berpengaruh secara signifikan terhadap tingkat kemiskinan
H1 : β2 > 0 IPM berpengaruh negatif dan signifikan terhadap kemiskinan
Hipotesis 3
H0 : β3 ≤ 0 PDRB tidak berpengaruh secara signifikan terhadap tingkat
kemiskinan
H1 : β3 > 0 PDRB berpengaruh positif dan signifikan terhadap tingkat
kemiskinan
Hipotesis 4
H0 : β4 ≤ 0 Jumlah Penduduk tidak berpengaruh secara signifikan terhadap
tingkat kemiskinan
H1 : β4 > 0 jumlah penduduk berpengaruh positif dan signifikan terhadap tingkat
kemiskinan
Uji t dapat dilakukan dengan membandingkan membandingkan nilai
probalilitas output eviews dengan nilai α. Apabila nilai probabilitas lebih kecil
dari nilai α maka H0 ditolak dan H1 diterima, sebaliknya jika nilai probabilitas
lebih besar daripada nilai α maka H0 diterima dan H1 ditolak.
IV. Pembahasan
IV.1. Deskripsi Data
Pada bagian ini akan sedikit diulas mengenai statistika deskriptif dari variabel
yang digunakan yaitu tingkat kemiskinan, inflasi, IPM, PDRB dan jumlah penduduk
dengan periode pengamatan tahun 2013-2014. Berikut hasil statistika deskriptif
seluruh variabel selama periode pengamatan:
Tabel 4.1
Statistika Deskriptif Variabel
Periode 2013-2014
Tingkat kemiskinan
Inflasi
IPM
PDRB
Jumlah Penduduk
Sumber : Data diolah
N
Minimum
Maximum
Mean
70
70
70
70
70
5,04
5,8
5,68
5,78
6,72
22,08
10,46
10,33
6,24
8,83
13,3
7,99
7,17
5,92
7,29
Std.
Deviasi
4,28
0,77
1,27
2,61
2,74
Selama periode tahun 2013-2014, data inflasi saja yang memiliki variasi yang
cukup tinggi dari nilai rata-ratanya, sehingga data inflasi dapat dikatakan tidak
stasioner. Sedangkan data untuk variabel yang lain memiliki varian yang tidak
terlalu tinggi, sehingga data variabel tingkat kemiskinan, IPM, PDRB dan jumlah
penduduk dapat dikatakan sudah stasioner.
IV.2. Metode Estimasi Model Regresi Panel
Dalam metode estimasi model regresi dengan menggunakan data panel dapat
dilakukan melalui tiga pendekatan, antara lain
common effect, fixed effect dan
random effect. Berikut adalah hasil estimasi tiap pendekatan serta estimasi common
effect untuk tahun pertama dan tahun kedua :
Tabel 4.2
Hasil Estimasi Tiga Metode Estimasi Data Panel
Variabel
Inflasi
IPM
Log_PDRB
Log_JP
Constanta
Observasi
R - squared
Model I
Common
Effect
0,04
(0,555)
-0,664
(0,533)
0,982 ***
(0,352)
Model II
FEM
Model III
REM
0,755 ***
(0,236)
-0,419
(4,475)
0,970
(2,974)
0,832 ***
(0,278)
20,99 *
(12,95)
70
0,3915
-1,460
(1,431)
65,36
(165,175)
70
0,9708
0,695 ***
(0,225)
-0,534
(0,730)
-1,114
***
(0,470)
0,916 ***
(0,362)
23,525
(17,784)
70
0,3490
Model IV
CE thn
2013
0,9243
(0,8823)
-0,8123
(0,6821)
-7,833 **
(3,251)
Model V
CE thn
2014
1,510
(1,021)
-0,563
(0,6318)
-7,855 **
(3,0243)
0,916 *
(0,362)
23,525
(17,784)
35
0,3969
10,315 ***
(3,583)
25,520
(16,687)
35
0,4631
Standard errors in parentheses
*** p α 5%, sehingga menerima hipotesis
Ho. Kesimpulannya adalah secara individu variabel IPM tidak berpengaruh
signifikan terhadap tingkat kemiskinan.
3.
Pengujian terhadap Variabel Log_PDRB
Variabel Log_PDRB mempunyai koefisien sebesar -1,114 yang berarti
berhubungan negatif dengan tingkat kemiskinan. Artinya, apabila Log_PDRB
meningkat 1%, maka tingkat kemiskinan akan menurun sebesar 1,114%.
Sedangkan prob. t Log_PDRB sebesar 0,0208 < α 5%, sehingga menolak
hipotesis Ho. Kesimpulannya adalah secara individu variabel Log_PDRB
berpengaruh signifikan terhadap tingkat kemiskinan.
4.
Pengujian terhadap Variabel Log_Jumlah Penduduk
Variabel Log_jumlah penduduk mempunyai koefisien sebesar 0,916 yang
berarti berhubungan positif dengan tingkat kemiskinan. Artinya, apabila
Log_jumlah penduduk meningkat 1%, maka tingkat kemiskinan akan
meningkat pula sebesar 0,916%. Sedangkan prob. t Log_jumlah penduduk
sebesar 0,0140 < α 5%, sehingga menolak hipotesis Ho. Kesimpulannya adalah
secara individu variabel Log_jumlah penduduk berpengaruh signifikan terhadap
tingkat kemiskinan.
V. Penutup
A. Kesimpulan
Berdasarkan hasil penelitian terhadap tingkat kemiskinan pada 35 Kabupaten/kota
di Jawa tengah pada tahun 2013-2014 dapat diambil kesimpulan sebagai berikut :
1. Pada penelitian ini didapatkan model terbaik untuk menganalisis faktor yang
2.
mempengaruhi tingkat kemiskinan adalah pendekatan Random Effect Model.
Dengan pendekatan random effect tidak ditemukan masalah asumsi klasik seperti
3.
normalitas, multikolinearitas, heteroskedastisitas maupun autokorelasi.
Dengan tingkat signifikansi 5% variabel independen yang dimasukkan ke dalam
model yaitu inflasi, IPM, Log_PDRB dan Log_jumlah penduduk secara bersama-
4.
sama berpengaruh signifikan terhadap tingkat kemiskinan.
Dengan tingkat signifikansi 5% variabel inflasi, Log_PDRB dan Log_jumlah
penduduk secara parsial berpengaruh signifikan terhadap tingkat kemiskinan.
Sedangkan variabel IPM tidak berpengaruh signifikan terhadap tingkat
kemiskinan.
B. Saran
Sesuai dengan hasil penelitian yang didapat, maka dapat diajukan beberapa saran
sebagai berikut:
1.
Dengan diketahui faktor-faktor yang berpengaruh langsung terhadap tinglat
kemiskinan diharapkan Pemerintah sekiranya dapat memberikan kebijakan yang
sesuai untuk program pengurangan tingkat kemiskinan.
2.
Penelitian ini memiliki keterbatasan yaitu adanya faktor yang tidak berpengaruh
langsung terhadap tingkat kemiskinan. Diharapkan penelitian selanjutnya dapat
menggunakan variabel yang lebih sesuai terhadap tingkat kemiskinan.
DAFTAR PUSTAKA
Fatma, Fahma Sari , 2005 , Pengaruh Inflasi dan Pengangguran di Indonesia. Thesis pada
Pasca Sarjana Fakultas Ekonomi Universitas Indonesia , Depok
Gujarati, Damodar N, 2003, Basic Econometrics Fourth Edition, The McGrow Hill
Companies Inc, New York.
Sadono Sukirno, 1997, Ekonomi Pembangunan, Lembaga Penerbit Fakultas Ekonomi
Universitas Indonesia, Jakarta.
Syarif, Ahmad dkk . 2015 . Modul Praktikum Ekonometrika . Yogyakarta : UIN FEBI
Widiastuti, Angga Tri , 2016, Analisis Faktor Yang Mempengaruhi Kemiskinan di
Kabupaten/Kota di Jawa Tengah . Skripsi pada Fakultas Ekonomi dan Bisnis
Universitas Muhammadiyah Surakarta, Surakarta
Widiastuti, Ari , 2010 , Analisis Faktor-Faktor Yang Mempengaruhi Kemiskinan Di Jawa
Tengah Tahun 2004-2008 . Skripsi pada Fakultas Ekonomi Universitas Diponegoro ,
Semarang
LAMPIRAN
Lampiran A Output Regresi PLS atau Common Effect
Dependent Variable: TK
Method: Panel Least Squares
Date: 12/30/16 Time: 14:07
Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INF
IPM
LOG_PDRB
LOG_JP
20.99834
0.046676
-0.664493
-0.982231
0.832389
12.95170
0.555763
0.533033
0.352809
0.278855
1.621281
0.083985
-1.246627
2.784028
2.985024
0.1008
0.9333
0.2170
0.0070
0.0040
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.391522
0.354077
3.446521
772.1028
-183.3475
10.45598
0.000001
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
13.30629
4.288354
5.381357
5.541963
5.445152
0.839183
Lampiran B Output Regresi Fixed effect
Dependent Variable: TK
Method: Panel Least Squares
Date: 12/30/16 Time: 14:13
Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INF
IPM
LOG_PDRB
LOG_JP
65.36990
0.755441
-0.419688
-0.970195
-1.460089
165.1750
0.236535
4.475607
2.974525
1.431318
0.395761
-3.193790
0.093772
0.326168
-1.020100
0.6950
0.0032
0.9259
0.7465
0.3156
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.970811
0.935030
1.093069
37.03880
-77.04717
27.13226
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
13.30629
4.288354
3.315634
4.568367
3.813234
3.129837
Lampiran C Output Regresi Random Effect
Dependent Variable: TK
Method: Panel EGLS (Cross-section random effects)
Date: 12/30/16 Time: 14:14
Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Swamy and Arora estimator of component variances
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INF
IPM
LOG_PDRB
LOG_JP
23.52559
0.695921
-0.534834
-1.114547
0.916067
17.78496
0.225034
0.730647
0.470569
0.362730
1.322780
-3.092523
-0.732001
2.368510
-2.525480
0.1905
0.0029
0.4668
0.0208
0.0140
Effects Specification
S.D.
Cross-section random
Idiosyncratic random
3.343207
1.093069
Rho
0.9034
0.0966
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.349406
0.309370
1.078591
8.727188
0.000011
Mean dependent var
S.D. dependent var
Sum squared resid
Durbin-Watson stat
2.997226
1.297879
75.61837
1.793829
Unweighted Statistics
R-squared
Sum squared resid
0.377913
789.3716
Mean dependent var
Durbin-Watson stat
13.30629
0.826973
Lampiran C Output Uji Chow
Redundant Fixed Effects Tests
Equation: EQ01
Test cross-section fixed effects
Effects Test
Statistic
d.f.
Prob.
Cross-section F
331.703327
(34,31)
0.0000
Chi-Sq.
Statistic
Chi-Sq. d.f.
Prob.
2.289567
4
0.6827
Lampiran D output Uji Hausman
Correlated Random Effects - Hausman Test
Equation: EQ01
Test cross-section random effects
Test Summary
Cross-section random
Lampiran E Output PLS tahun pertama
. reg TK INF IPM Log_PDRB Log_JP if D_Tahun ==1 , r
Linear regression
Number of obs
F( 4, 30)
Prob > F
R-squared
Root MSE
|
Robust
TK |
Coef.
Std. Err.
t
P>|t|
-------------+--------------------------------------------------------------INF |
1.510428
1.021781
-1.48 0.150
IPM |
-.5634097
.6318485
-0.89 0.380
Log_PDRB | -7.855292
3.02432
-2.60 0.014
Log_JP |
10.31536
3.58371
2.88
0.007
_cons |
25.52003
16.68752
1.53 0.137
=
=
=
=
=
35
11.39
0.0000
0.4631
3.3544
[95% Conf. Interval]
-3.597183 .5763268
-1.853817 .7269971
-14.03178 -1.678806
2.996453 17.63428
-8.560429
59.6005
Lampiran F Output PLS tahun kedua
. reg TK INF IPM Log_PDRB Log_JP if D_Tahun ==0 ,r
Linear regression
Number of obs
F( 4, 30)
Prob > F
R-squared
Root MSE
=
=
=
=
=
35
6.01
0.0011
0.3969
3.5733
|
Robust
TK |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------INF | .9243195 .8823383
1.05 0.303 -.8776557 2.726295
IPM | -.8123261 .6821312 -1.19 0.243 -2.205424 .5807718
Log_PDRB | -7.833374 3.25102 -2.41 0.022 -14.47284 -1.193904
Log_JP | 7.406049
4.327387
1.71 0.097 -1.431655 16.24375
_cons | 25.02496
17.11424
1.46 0.154 -9.926987 59.97691
Lampiran G Output Uji Multikolinearitas dengan Matriks Korelasi
INF
IPM
LOG_PDRB
LOG_JP
INF
1.000000
0.006898
0.220061
0.210141
IPM
0.006898
1.000000
-0.542463
0.056330
LOG_PDRB
0.220061
-0.542463
1.000000
0.673709
LOG_JP
0.210141
0.056330
0.673709
1.000000
KEMISKINAN DI JAWA TENGAH TAHUN 2013-2014
(Studi Kasus 35 Kabupaten/Kota di Jawa Tengah)
Paper ini Disusun Untuk Melengkapi Tugas Mata Kuliah Ekonometrika
Lanjutan
Disusun oleh :
Holifah
(14810086)
Dosen Pengampu :
Riswanti Budi Sekaringsih . , M.Si
PROGRAM STUDI EKONOMI SYARIAH
FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA
2016
I.
Pendahuluan
Kemiskinan merupakan masalah multidimensi yang dihadapi oleh hampir semua
negara di dunia, terutama negara berkembang. Kemiskinan ini tercermin dengan
ketidakmampuan seseorang untuk memenuhi standar kebutuhan minimumnya seperti
sandang, pangan dan papan. Sedangkan indikator tingkat kemiskinan dapat dilhat dari
tingkat Human Development Indeks (HDI) dengan kriteria tolok ukur kemiskinan yang
digunakan adalah kehidupan, pendidikan dan ketetapan ekonomi.
Jawa tengah merupakan propinsi di Pulau Jawa nomor dua tertinggi tingkat
kemiskinannya dibanding propinsi-propinsi lain (Publikasi BPS : 2009). Kemiskinan ini
diduga dipengaruhi oleh beberapa faktor yang saling berkaitan. Dalam hal ini, tingkat
kemiskinan di Jawa Tengah diduga dipengaruhi oleh beberapa faktor yaitu inflasi, indeks
pembangunan manusia, PDRB dan jumlah penduduk.
Bila dikaitkan dengan kemiskinan, maka peningkatan inflasi akan diikuti oleh
peningkatan kemiskinan sebagai akibat dari peningkatan inflasi yang akan semakin
mendorong meningkatnya jumlah penduduk miskin bila tidak diikuti oleh peningkatan
daya beli masyarakat atau peningkatan pendapatan masyarakat terutama golongan
msyarakat dengan ekonomi rendah.
Kualitas sumber daya manusia tercermin dari tingkat pedidikannya. Tingginya
tingkat pendidikan yang ditempuh merupakan salah satu investasi masa depan yang
penting. Dengan melakukan investasi pendidikan maka akan mampu meningkatkan
produktivitas seseorang, peningkatan produktivitas juga akan berpengaruh pada
peningkatan pendapatan. Dengan pendapatan yang cukup akan mampu mengangkat
kehidupan seseorang dari kemiskinan.
Produk domestik regional bruto (PDRB) di Jawa Tengah memberikan gambaran
tentang pembangunan ekonomi dari waktu ke waktu. Pembangunan ekonomi akan
memberikan hasil yang optimal jika peningkatan PDRB disertai dengan perbaikan
kualitas hidup seluruh golongan masyarakat. Sehingga PDRB merupakan faktor penting
untuk pengentasan kemiskinan.
Kuantitas sumber daya manusia tercermin dari jumlah penduduknya. Kuantitas atau
jumlah penduduk dapat menjadi faktor penghambat atau pendukung pembangunan
wilayah. Faktor pendukung pembangunan karena jumlah penduduk memungkinkan
banyaknya jumlah tenaga kerja yang tersedia serta mampu memperluas pasar barang dan
jasa. Sedangkan faktor penghambat karena jumlah penduduk juga akan menyebabkan
tingginya tingkat kemiskinan. (Sadono Sukirno : 1997)
Tabel 1.1
Rekapitulasi Tingkat Kemiskinan, Inflasi, IPM, PDRB dan Jumlah Penduduk
Tahun 2013-2014 di Jawa Tengah
2013
Tingkat kemiskinan
Inflasi
IPM
PDRB
Jumlah pendududk
14,44%
7,99%
6,8 tahun
23.584.017,13 (Juta)
33.264.339 jiwa
2014
13,58%
8,22%
6,93 tahun
26.084.821,88 (Juta)
33.522.663 jiwa
Inflasi yang naik, indeks pembangunan manusia yang tercermin dari rata-rata lama
sekolah yang meningkat, PDRB yang meningkat dan jumlah penduduk yang semakin
bertambah diduga merupakan faktor yang mempengaruhi tingkat kemiskinan di Jawa
Tengah walaupun dalam statistiknya mengalami penurunan. Mengingat tingkat
kemiskinan di Jawa Tengah dipengaruhi oleh banyak faktor, maka dalam penelitian ini
dibatasi empat faktor yang mempengaruhi tingkat kemiskinan 35 kabupaten/kota di Jawa
Tengah yaitu inflasi, IPM, PDRB dan jumlah penduduk.
II. Landasan Teori
Kemiskinan merupakan permasalahan multi dimensi yang dihadapi hampir di semua
negara di dunia. Menurut BPS, kemiskinan dipandang sebagai ketidakmampuan dari sisi
ekonomi untuk memenuhi kenutuhan dasar makanan dan bukan makanan yangdiukur
dari sisi pengeluaran. Sedangkan penduduk miskin adalah penduduk yang memiliki ratarata pengeluaran perkapita perbulan dibawah garis kemiskinan. Menurut Suparlan,
kemiskinan adalah standar tingkat hidup yang rendah karena kekurangan materi pada
sejumlah atau golongan orang bila dibandingkan dengan standar hidup yang berlaku di
masyarakat sekitarnya.
Jenis-jenis kemiskinan dibagi menjadi empat bentuk, yaitu :
a. Kemiskinan absolut, kondisi dimana seseorang memiliki pendapatan dibawah garis
kemiskinan atau tidak cukup untuk memenuhi kebutuhan pangan, sandang, papan,
kesehatan, dan pendidikan yang dibutuhkan untuk bisa hidup dan bekerja.
b. Kemiskinan relatif, kondisi miskin karena pengaruh kebijakan pembangunan yang
belum menjangkau masyarakat, sehingga menyebabkan ketimpangan pada pendapatan.
c. Kemiskinan kultural, mengacu pada persoalan sikap seseorang atau masyarakat yang
disebabkan oleh faktor budaya.
d. Kemiskinan struktural, situasi miskin yang disebabkan oleh rendahnya akses terhadap
sumber daya yang terjadi dalam suatu sistem sosial budaya dan sosial politik yang tidak
mendukung pembebasan kemiskinan, tetapi seringkali menyebabkan suburnya
kemiskinan.
Dalam skripsinya, Ari Widiastuti (2010) dengan sampel penelitian di kabupaten/kota
di Jawa Tengah menyatakan bahwa jumlah penduduk berpengaruh positif dan signifikan
terhadap kemiskinan artinya peningkatan jumlah penduduk akan meningkatkan pula
tingkat kemiskinan, sedangkan IPM berpengaruh negatif dan signifikan terhadap
kemiskinan artinya semakin tinggi nilai IPM maka tingkat kemiskinan kan menurun.
Penelitian yang dilakukan oleh Angga Tri Widiastuti (2016) dengan sampel penelitian di
kabupaten/kota di Jawa tengah menyatakan bahwa PDRB berpengaruh negatif, artinya
jika PDRB meningkat maka akan menurunkan tingkat kemiskinan. Sedangkan pada
penelitian Fahma Sari Fatma (2005) menunjukkan inflasi berpengaruh positif dan
signifikan terhadap kemiskinan, artinya apabila inflasi di Indonesia meningkat maka
jumlah kemiskinan di Indonesia juga akan meningkat.
III. Metodologi
1. Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari
Badan Pusat Statistik (BPS) Jawa Tengah, meliputi data IPM, PDRB, inflasi dan jumlah
penduduk di 35 kabupaten/kota di Provinsi Jawa Tangah selama periode 2013-2014.
Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi data panel
dengan bantuan software Eviews 6.
2. Model
Variabel yang digunakan dalam penelitian ini adalah tingkat kemiskinan sebagai
variabel yang dijelaskan (dependent variabel), sedangkan variabel yang menjelaskan
(independent variabel) adalah inflasi, IPM, PDRB dan jumlah penduduk. Sehingga
model dalam penelitian ini adalah sebagai berikut :
TK = f (INF, IPM, PDRB, JP)
Dimana :
TK : tingkat kemiskinan
INF : inflasi
IPM : indeks pembangunan manusia
PDRB: Produk Domestik Regional Bruto
JP : Jumlah penduduk
Model dasar di atas diturunkan menjadi model ekonometrik sebagai berikut :
TKit = β0 + β1 INF + β2 IPM + β3 PDRB + β4 JP + εit
Dimana i menunjukkan unit cross section dan t menunjukkan periode waktu.
3. Pengujian
3.1.
Pemilihan Model terbaik
3.1.1. Uji Chow
Uji chow adalah pengujian untuk menentukan model Fixed effect atau
common effect yang paling tepat digunakan untuk mengestimasi data panel.
Hipotesis dalam uji Chow adalah :
Ho : Common effect model
Ha : Fixed effect model
Dasar penolakan terhadap
hipotesis
di
atas
adalah
dengan
membandingkan perhitugan F-statistik dengan F-tabel atau dapat menggunakan
Prob. Cross-section F. Apabila prob. cross-section F < α 5% maka model fixed
effect lebih baik digunakan daripada common effect.
3.1.2. Uji Hausman
Uji hausman adalah pengujian untuk menentukan model fixed effect atau
random effect yang paling tepat digunakan untuk mengestimasi data panel.
Hipotesis dalam uji hausman adalah :
Ho : Random effect model
Ha : Fixed effect model
Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan
perhitugan F-statistik dengan F-tabel atau dapat menggunakan Prob. Crosssection F. Apabila prob. cross-section random < α 5% maka model fixed effect
lebih baik digunakan daripada random effect.
3.2.
Uji Asumsi Klasik
Persamaan yang diperoleh dari sebuah estimasi dapat dioperasikan secara statistik
jika memenuhi asumsi klasik, yaitu memenuhi asumsi bebas multikolinearitas,
heteroskesidasitas, autokorelasi, serta disturbance term terdistribusi secara normal.
3.2.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi,
variabel
pengganggu
atau
residual
memiliki
distribusi
normal.
Untuk
mengetahuinya dengan menggunakan nilai statistik Jarque Berra. Hipotesis pada
uji normalitas adalah sebagai berikut :
Ho : Data residual berdistribusi normal
Ha : Data residual tidak berdistribusi normal
3.2.2. Uji Multikolinearitas
Pengujian terhadap ada tidaknya multikolinearitas ini dilakukan dengan
cara melihat koefisien korelasi antar variabel. Apabila tidak ada yang mendekati
angka 1 maka dapat dikatakan tidak terdapat multikolinearitas sempurna.
3.2.3. Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model
regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke
pengamatan yang lain. Penentuan masalah heteroskedastisitas dapat dilakukan
secara statistik dengan metode White test. Hipotesis pada uji White adalah
sebagai berikut :
Ho: Tidak terdapat masalah heteroskedastisitas
Ha : Terdapat masalah heteroskedastisitas
3.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada
korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Penentuan
masalah autokorelasi dapat dilakukan secara statistik dengan uji Lagrange
Multiplier (LM) dengan hipotesis sebagai berikut :
Ho : Tidak terdapat masalah autokorelasi
Ha : Terdapat masalah autokorelasi
3.3.
Pengujian Statistik Analisis Regresi
Uji signifikansi merupakan prosedur yang digunakan untuk menguji diterima
atau ditolaknya (secara statistik) hasil hipotesis nol (H0) dari sampel.
3.3.1. Koefisien Determinasi (R2)
Koefisien determinasi (R2) menunjukkan seberapa besar persentase
variasi variabel independen dapat menjelaskan variasi variabel dependennya
(goodness of fit test). Nilai R2 yang kecil atau mendekati nol berarti kemampuan
variabel independen dalam menjelaskan variasi variabel dependen amat terbatas.
Sebaliknya, jika nilai R2 mendekati satu berarti variabel independen memberikan
hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel
dependen, dan model tersebut dapat dikatakan baik (Gujarati, 2003).
3.3.2. Uji F
Uji F dapat diketahui apakah semua variabel independen yang
dimasukkan dalam model memiliki pengaruh secara bersama-sama atau tidak
terhadap variabel dependen. Hipotesis nol (Ho) yang diajukan dalam penelitian
ini adalah apakah semua variabel independen bukan merupakan penjelas yang
signifikan terhadap variabel dependen, atau:
H0 : β1 = β2 = β3 = β4 = 0
Sedangkan hipotesis alternatifnya (H1) adalah semua variabel independen
mampu mempengaruhi variabel dependen secara bersama-sama, atau:
H1 : β1 = β2 = β3 = β4 ≠ 0
Kriteria dalam uji F yaitu bila niali F hitung lebih besar dibandingkan
dengan nilai F tabel (F>Fα, df), maka H0 ditolak, dan H1 diterima. Atau apabila F
hitung lebih besar dari F tabel, maka variabel independen berpengaruh signifikan
terhadap variabel dependen secara bersama-sama. Sebaliknya, apabila F hitung
lebih kecil dari F tabel, maka variabel independen tidak berpengaruh signifikan
terhadap variabel dependen secara bersama-sama.
3.3.3. Uji t
Uji t dilakukan untuk mengetahui apakah variabel independen secara
individual mempengaruhi variabel dependennya. Hipotesis yang diajukan yaitu:
Hipotesis 1
H0 : β1 ≤ 0 Inflasi tidak berpengaruh secara signifikan terhadap tingkat
kemiskinan
H1 : β1 > 0 Inflasi berpengaruh positif dan signifikan terhadap kemiskinan.
Hipotesis 2
H0 : β2 ≤ 0 IPM tidak berpengaruh secara signifikan terhadap tingkat kemiskinan
H1 : β2 > 0 IPM berpengaruh negatif dan signifikan terhadap kemiskinan
Hipotesis 3
H0 : β3 ≤ 0 PDRB tidak berpengaruh secara signifikan terhadap tingkat
kemiskinan
H1 : β3 > 0 PDRB berpengaruh positif dan signifikan terhadap tingkat
kemiskinan
Hipotesis 4
H0 : β4 ≤ 0 Jumlah Penduduk tidak berpengaruh secara signifikan terhadap
tingkat kemiskinan
H1 : β4 > 0 jumlah penduduk berpengaruh positif dan signifikan terhadap tingkat
kemiskinan
Uji t dapat dilakukan dengan membandingkan membandingkan nilai
probalilitas output eviews dengan nilai α. Apabila nilai probabilitas lebih kecil
dari nilai α maka H0 ditolak dan H1 diterima, sebaliknya jika nilai probabilitas
lebih besar daripada nilai α maka H0 diterima dan H1 ditolak.
IV. Pembahasan
IV.1. Deskripsi Data
Pada bagian ini akan sedikit diulas mengenai statistika deskriptif dari variabel
yang digunakan yaitu tingkat kemiskinan, inflasi, IPM, PDRB dan jumlah penduduk
dengan periode pengamatan tahun 2013-2014. Berikut hasil statistika deskriptif
seluruh variabel selama periode pengamatan:
Tabel 4.1
Statistika Deskriptif Variabel
Periode 2013-2014
Tingkat kemiskinan
Inflasi
IPM
PDRB
Jumlah Penduduk
Sumber : Data diolah
N
Minimum
Maximum
Mean
70
70
70
70
70
5,04
5,8
5,68
5,78
6,72
22,08
10,46
10,33
6,24
8,83
13,3
7,99
7,17
5,92
7,29
Std.
Deviasi
4,28
0,77
1,27
2,61
2,74
Selama periode tahun 2013-2014, data inflasi saja yang memiliki variasi yang
cukup tinggi dari nilai rata-ratanya, sehingga data inflasi dapat dikatakan tidak
stasioner. Sedangkan data untuk variabel yang lain memiliki varian yang tidak
terlalu tinggi, sehingga data variabel tingkat kemiskinan, IPM, PDRB dan jumlah
penduduk dapat dikatakan sudah stasioner.
IV.2. Metode Estimasi Model Regresi Panel
Dalam metode estimasi model regresi dengan menggunakan data panel dapat
dilakukan melalui tiga pendekatan, antara lain
common effect, fixed effect dan
random effect. Berikut adalah hasil estimasi tiap pendekatan serta estimasi common
effect untuk tahun pertama dan tahun kedua :
Tabel 4.2
Hasil Estimasi Tiga Metode Estimasi Data Panel
Variabel
Inflasi
IPM
Log_PDRB
Log_JP
Constanta
Observasi
R - squared
Model I
Common
Effect
0,04
(0,555)
-0,664
(0,533)
0,982 ***
(0,352)
Model II
FEM
Model III
REM
0,755 ***
(0,236)
-0,419
(4,475)
0,970
(2,974)
0,832 ***
(0,278)
20,99 *
(12,95)
70
0,3915
-1,460
(1,431)
65,36
(165,175)
70
0,9708
0,695 ***
(0,225)
-0,534
(0,730)
-1,114
***
(0,470)
0,916 ***
(0,362)
23,525
(17,784)
70
0,3490
Model IV
CE thn
2013
0,9243
(0,8823)
-0,8123
(0,6821)
-7,833 **
(3,251)
Model V
CE thn
2014
1,510
(1,021)
-0,563
(0,6318)
-7,855 **
(3,0243)
0,916 *
(0,362)
23,525
(17,784)
35
0,3969
10,315 ***
(3,583)
25,520
(16,687)
35
0,4631
Standard errors in parentheses
*** p α 5%, sehingga menerima hipotesis
Ho. Kesimpulannya adalah secara individu variabel IPM tidak berpengaruh
signifikan terhadap tingkat kemiskinan.
3.
Pengujian terhadap Variabel Log_PDRB
Variabel Log_PDRB mempunyai koefisien sebesar -1,114 yang berarti
berhubungan negatif dengan tingkat kemiskinan. Artinya, apabila Log_PDRB
meningkat 1%, maka tingkat kemiskinan akan menurun sebesar 1,114%.
Sedangkan prob. t Log_PDRB sebesar 0,0208 < α 5%, sehingga menolak
hipotesis Ho. Kesimpulannya adalah secara individu variabel Log_PDRB
berpengaruh signifikan terhadap tingkat kemiskinan.
4.
Pengujian terhadap Variabel Log_Jumlah Penduduk
Variabel Log_jumlah penduduk mempunyai koefisien sebesar 0,916 yang
berarti berhubungan positif dengan tingkat kemiskinan. Artinya, apabila
Log_jumlah penduduk meningkat 1%, maka tingkat kemiskinan akan
meningkat pula sebesar 0,916%. Sedangkan prob. t Log_jumlah penduduk
sebesar 0,0140 < α 5%, sehingga menolak hipotesis Ho. Kesimpulannya adalah
secara individu variabel Log_jumlah penduduk berpengaruh signifikan terhadap
tingkat kemiskinan.
V. Penutup
A. Kesimpulan
Berdasarkan hasil penelitian terhadap tingkat kemiskinan pada 35 Kabupaten/kota
di Jawa tengah pada tahun 2013-2014 dapat diambil kesimpulan sebagai berikut :
1. Pada penelitian ini didapatkan model terbaik untuk menganalisis faktor yang
2.
mempengaruhi tingkat kemiskinan adalah pendekatan Random Effect Model.
Dengan pendekatan random effect tidak ditemukan masalah asumsi klasik seperti
3.
normalitas, multikolinearitas, heteroskedastisitas maupun autokorelasi.
Dengan tingkat signifikansi 5% variabel independen yang dimasukkan ke dalam
model yaitu inflasi, IPM, Log_PDRB dan Log_jumlah penduduk secara bersama-
4.
sama berpengaruh signifikan terhadap tingkat kemiskinan.
Dengan tingkat signifikansi 5% variabel inflasi, Log_PDRB dan Log_jumlah
penduduk secara parsial berpengaruh signifikan terhadap tingkat kemiskinan.
Sedangkan variabel IPM tidak berpengaruh signifikan terhadap tingkat
kemiskinan.
B. Saran
Sesuai dengan hasil penelitian yang didapat, maka dapat diajukan beberapa saran
sebagai berikut:
1.
Dengan diketahui faktor-faktor yang berpengaruh langsung terhadap tinglat
kemiskinan diharapkan Pemerintah sekiranya dapat memberikan kebijakan yang
sesuai untuk program pengurangan tingkat kemiskinan.
2.
Penelitian ini memiliki keterbatasan yaitu adanya faktor yang tidak berpengaruh
langsung terhadap tingkat kemiskinan. Diharapkan penelitian selanjutnya dapat
menggunakan variabel yang lebih sesuai terhadap tingkat kemiskinan.
DAFTAR PUSTAKA
Fatma, Fahma Sari , 2005 , Pengaruh Inflasi dan Pengangguran di Indonesia. Thesis pada
Pasca Sarjana Fakultas Ekonomi Universitas Indonesia , Depok
Gujarati, Damodar N, 2003, Basic Econometrics Fourth Edition, The McGrow Hill
Companies Inc, New York.
Sadono Sukirno, 1997, Ekonomi Pembangunan, Lembaga Penerbit Fakultas Ekonomi
Universitas Indonesia, Jakarta.
Syarif, Ahmad dkk . 2015 . Modul Praktikum Ekonometrika . Yogyakarta : UIN FEBI
Widiastuti, Angga Tri , 2016, Analisis Faktor Yang Mempengaruhi Kemiskinan di
Kabupaten/Kota di Jawa Tengah . Skripsi pada Fakultas Ekonomi dan Bisnis
Universitas Muhammadiyah Surakarta, Surakarta
Widiastuti, Ari , 2010 , Analisis Faktor-Faktor Yang Mempengaruhi Kemiskinan Di Jawa
Tengah Tahun 2004-2008 . Skripsi pada Fakultas Ekonomi Universitas Diponegoro ,
Semarang
LAMPIRAN
Lampiran A Output Regresi PLS atau Common Effect
Dependent Variable: TK
Method: Panel Least Squares
Date: 12/30/16 Time: 14:07
Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INF
IPM
LOG_PDRB
LOG_JP
20.99834
0.046676
-0.664493
-0.982231
0.832389
12.95170
0.555763
0.533033
0.352809
0.278855
1.621281
0.083985
-1.246627
2.784028
2.985024
0.1008
0.9333
0.2170
0.0070
0.0040
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.391522
0.354077
3.446521
772.1028
-183.3475
10.45598
0.000001
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
13.30629
4.288354
5.381357
5.541963
5.445152
0.839183
Lampiran B Output Regresi Fixed effect
Dependent Variable: TK
Method: Panel Least Squares
Date: 12/30/16 Time: 14:13
Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INF
IPM
LOG_PDRB
LOG_JP
65.36990
0.755441
-0.419688
-0.970195
-1.460089
165.1750
0.236535
4.475607
2.974525
1.431318
0.395761
-3.193790
0.093772
0.326168
-1.020100
0.6950
0.0032
0.9259
0.7465
0.3156
Effects Specification
Cross-section fixed (dummy variables)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.970811
0.935030
1.093069
37.03880
-77.04717
27.13226
0.000000
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
13.30629
4.288354
3.315634
4.568367
3.813234
3.129837
Lampiran C Output Regresi Random Effect
Dependent Variable: TK
Method: Panel EGLS (Cross-section random effects)
Date: 12/30/16 Time: 14:14
Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Swamy and Arora estimator of component variances
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
INF
IPM
LOG_PDRB
LOG_JP
23.52559
0.695921
-0.534834
-1.114547
0.916067
17.78496
0.225034
0.730647
0.470569
0.362730
1.322780
-3.092523
-0.732001
2.368510
-2.525480
0.1905
0.0029
0.4668
0.0208
0.0140
Effects Specification
S.D.
Cross-section random
Idiosyncratic random
3.343207
1.093069
Rho
0.9034
0.0966
Weighted Statistics
R-squared
Adjusted R-squared
S.E. of regression
F-statistic
Prob(F-statistic)
0.349406
0.309370
1.078591
8.727188
0.000011
Mean dependent var
S.D. dependent var
Sum squared resid
Durbin-Watson stat
2.997226
1.297879
75.61837
1.793829
Unweighted Statistics
R-squared
Sum squared resid
0.377913
789.3716
Mean dependent var
Durbin-Watson stat
13.30629
0.826973
Lampiran C Output Uji Chow
Redundant Fixed Effects Tests
Equation: EQ01
Test cross-section fixed effects
Effects Test
Statistic
d.f.
Prob.
Cross-section F
331.703327
(34,31)
0.0000
Chi-Sq.
Statistic
Chi-Sq. d.f.
Prob.
2.289567
4
0.6827
Lampiran D output Uji Hausman
Correlated Random Effects - Hausman Test
Equation: EQ01
Test cross-section random effects
Test Summary
Cross-section random
Lampiran E Output PLS tahun pertama
. reg TK INF IPM Log_PDRB Log_JP if D_Tahun ==1 , r
Linear regression
Number of obs
F( 4, 30)
Prob > F
R-squared
Root MSE
|
Robust
TK |
Coef.
Std. Err.
t
P>|t|
-------------+--------------------------------------------------------------INF |
1.510428
1.021781
-1.48 0.150
IPM |
-.5634097
.6318485
-0.89 0.380
Log_PDRB | -7.855292
3.02432
-2.60 0.014
Log_JP |
10.31536
3.58371
2.88
0.007
_cons |
25.52003
16.68752
1.53 0.137
=
=
=
=
=
35
11.39
0.0000
0.4631
3.3544
[95% Conf. Interval]
-3.597183 .5763268
-1.853817 .7269971
-14.03178 -1.678806
2.996453 17.63428
-8.560429
59.6005
Lampiran F Output PLS tahun kedua
. reg TK INF IPM Log_PDRB Log_JP if D_Tahun ==0 ,r
Linear regression
Number of obs
F( 4, 30)
Prob > F
R-squared
Root MSE
=
=
=
=
=
35
6.01
0.0011
0.3969
3.5733
|
Robust
TK |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------INF | .9243195 .8823383
1.05 0.303 -.8776557 2.726295
IPM | -.8123261 .6821312 -1.19 0.243 -2.205424 .5807718
Log_PDRB | -7.833374 3.25102 -2.41 0.022 -14.47284 -1.193904
Log_JP | 7.406049
4.327387
1.71 0.097 -1.431655 16.24375
_cons | 25.02496
17.11424
1.46 0.154 -9.926987 59.97691
Lampiran G Output Uji Multikolinearitas dengan Matriks Korelasi
INF
IPM
LOG_PDRB
LOG_JP
INF
1.000000
0.006898
0.220061
0.210141
IPM
0.006898
1.000000
-0.542463
0.056330
LOG_PDRB
0.220061
-0.542463
1.000000
0.673709
LOG_JP
0.210141
0.056330
0.673709
1.000000