Pengaruh Rata rata Lama Sekolah Angka Ha (1)
Pengaruh R ata-rata L ama Sekolah, A ngka Harapan Hidup, J umlah
Penduduk Miskin, J umlah F asilitas K esehatan, dan K abupaten/K ota
terhadap Indeks Pembangunan Manusia di J awa T engah, DIY , dan J awa
T imur pada T ahun 2014
Oleh:
Ilham Ibnu A ffan
15810092
A bstrak
Indeks Pembangunan Manusia merupakan suatu ukuran yang digunakan untuk
mengukur pencapaian pembangunan di suatu wilayah. Pada penelitian kali ini penulis
akan meneliti tentang pengaruh rata-rata lama sekolah, angka harapan hidup, jumlah
penduduk miskin, jumlah fasilitas kesehatan, dan kabupaten/kota terhadap Indeks
Pembangunan Manusia di J awa Tengah, J awa Timur, dan Daerah Istimewa
Y ogyakarta pada tahun 2014 dengan metode Ordinary Leart Square (OL S) yang
dibagi menjadi empat model estimasi. Dengan uji tersebut diperoleh hasil secara uji
global semua model berpengaruh secara signifikan sedangka secara uji parsial
variable yang berpengaruh terhadap keempat model adalah variable rata-rata lama
sekolah, angka harapan hidup dan kabupaten/kota.
Kata Kunci: IPM, OL S, Rata-rata L ama Sekolah, Angka Harapan Hidup, dan
Kabupaten/Kota.
1. Pendahuluan
Pembangunan merupakan suatu upaya yang dilakukan oleh pemerintah untuk
mewujudkan masyarakat yang makmur dan sejahtera. Salah satu indikator yang dapat
digunakan untuk mengukur hasil pembangunan adalah Indeks Pembangunan Manusia (IPM).
IPM merupakan indeks komposit yang dihitung dari indeks harapan hidup, indeks pendidikan,
dan indeks standar hidup layak. K arena dalam perhitungan indeks harapan hidup, indeks
pendidikan, dan indeks standar hidup layak melibatkan komponen ekonomi maupun non
ekonomi seperti kualitas pendidikan, kesehatan, dan kependudukan, maka IPM dianggap telah
relevan untuk dijadikan tolak ukur dalam menentukan keberhasilan pembangunan. Sejauh
mana variabel ekonomi maupun non ekonomi tersebut dapat menunjang IPM menjadi fokus
pada penelitian ini.
Menurut BPS (2013) Indeks Pembangunan Manusia (IPM) merupakan suatu ukuran
yang digunakan untuk mengukur pencapaian pembangunan manusia di suatu wilayah.
Meskipun tidak mengukur semua dimensi dari pembangunan manusia, namun IPM dinilai
mampu mengukur dimensi pokok dari pembangunan manusia. Sebagai ukuran kualitas hidup,
IPM dibangun melalui pendekatan tiga dimensi dasar. Dimensi tersebut mencakup umur
panjang dan sehat, pengetahuan, dan kehidupan yang layak.
Indeks Pembangunan Manusia pada beberapa provinsi di pulau jawa yaitu J awa
Tengah, J awa Timur dan Daerah Istimewa Y ogyakarta pada tahun 2014 secara berturut-turut
adalah 68,78 persen, 68,14 persen, dan 76,81 persen (BPS, 2015). K etiga provinsi ini
merupakan provinsi yang berada di bagian tengah dan timur pulau J awa yang memiliki tingkat
Indeks Pembagunan Manusia yang relative beragam untuk tiap kota dan kabupatennya. Namun
jika dilihat lebih lanjut terlihat bahwa Indeks Pembangunan Manusia pada daerah perkotaan
relatife lebih tinggi dari daerah kabupaten dalam kawasan sekitarnya.
Dari uraian di atas maka penulis tertarik untuk meneliti pengaruh angka harapan hidup
yang mewakili dimensi kesehatan, rata-rata lama sekolah yang mewakili dimensi pendidikan
dan jumlah sarana kesehatan yang mewakili dimensi kehidupan layak dan beberapa variable
terkait seperti jumlah fasilitas kesehatan dan jenis wilayah kabupaten atau kota terhadap Indeks
Pembangunan Manusia di provinsi J awa Tengah, J awa Timur dan Daerah Istimewa
Y ogyakarta.
2. T injauan Pustaka
Menurut Masruroh (2016) bahwa dengan metode PL S (Partial Least Square) keempat
faktor yaitu A HH (A ngka Harapan Hidup), A MH (A ngka Melek Huruf), MY S (Rata-rata L ama
Sekolah), dan PPP (Indeks Daya Beli) berpengaruh positif terhadap Indeks Pembangunan
Manusia. Dan menurut Melliana (2013) bahwa terdapat tujuh variabel yang berpengaruh
signifikan terhadap IPM antara lain variabel rasio siswa terhadap guru, angka partisipasi
SMP/MTs, jumlah sarana kesehatan, persentase rumah tangga dengan akases air bersih,
kepadatan penduduk, tingkat partisipasi angkatan kerja dan PDRB perkapita. Sedangkan
menurut Pradita (2015) bahwa faktor-faktor yang mempengaruhi Indeks Pembangunan
Manusia kabupaten/kota di J awa Timur berdasarkan model GWOL R (Geographically
Weighted Ordinal L ogistic Regression) pada umumnya adalah persentase penduduk yang
tamat SMP/sederajat, banyaknya sarana kesehatan dan kepadatan penduduk.
Dengan hasil penelitian di atas maka penulis tertarik untuk meneliti tentang Pengaruh
L ama Sekolah, A ngka Harapan Hidup, J umlah Penduduk Miskin, J umlah Fasilitas K esehatan,
dan K abupaten/K ota terhadap Indeks Pembangunan Manusia.
3. Metodologi Penelitian
3. 1.
Sumber Data dan V ariabel Penelitian
Penelitian ini akan membahas faktor-faktor yang mempengaruhi IPM di J awa Tengah,
J awa Timur dan Daerah Istimewa Y ogyakarta dengan menggunakan metode OL S. Data yang
digunakan dalam penelitian ini adalah data hasil Survei Sosial Ekonoi Nasional (SUSENA S)
oleh Badan Pusat Statistik (BPS). V ariabel yang digunakan pada penelitian ini sebanyak 5
variabel. V ariabel tersebut terbagi atas satu variabel respon dan empat variabel prediktor.
V ariabel yang berperan sebagai variabel respon (Y ) adalah Indeks Pembangunan Manusia
(IPM), sedangkan variabel prediktor yang dipakai penelitian ini meliputi:
1. L ama Sekolah sebagai X 1
2. A ngka Harapan Hidup sebagai X 2
3. J umlah Penduduk Miskin sebagai X 3
4. J umlah Fasilitas K esehatan sebagai X 4
5. K abupaten atau K ota sebagai X 5
3. 2.
Model R egressi
Estimasi yang akan dilakukan adalah estimasi dengan lima model regresi sebagai
berikut:
Model 1:
Y IPM =β 0+β1 X 1+e
Model 2:
Y IPM =β 0+β1 X 1+β2X 2+e
Model 3:
Y IPM =β 0+β1 X 1+β2X 2+β3X 3+e
Model 4:
Y IPM =β 0+β1 X 1+β2X 2+β3X 3+β 4X 4+e
Model 5:
Y IPM =β 0+β1 X 1+β2X 2+β3X 3+β 4X 4+β 5D 1+e
K eterangan :
Y
=
Indeks Pembangunan
β1 = K oefisien Lama Sekolah
Manusia
β2 = K oefisien A ngka Harapan
X 1 = Rata-Rata L ama Sekolah
Hidup
X 2 = A ngka Harapan Hidup
β3
X 3 = J umlah Penduduk Miskin
Penduduk Miskin
X 4 = J umlah Fasilitas K esehatan
β4 = K oefisien J umlah Fasilitas
D 1 = K abupaten/K ota (K ota = 1,
K esehatan
K ab.=0)
β5 = K oefisien K abupaten/K ota
β0 = K onstanta Regressi
e = Error
=
K oefisien
J umlah
Dalam penelitian kali ini penulis menggunakan lima kali pengujian dengan lima model
regressi di atas. Pada model yang pertama penulis ingin mengetahui pengaruh rata-rata lama
sekolah terhadap Indeks Pembangunan Manusia, yang kedua penulis ingin mengetahui
pengaruh rata-rata lama sekolah dan angka harapan hidup terhadap Indeks Pembanguan
Manusia, pada estimasi model ketiga penulis ingin mengetahui pengaruh rata-rata lama
sekolah, angka harapan hidup, dan jumlah penduduk miskin terhadap Indeks Pembangunan
Manusia, pada model yang keempat penulis ingin mengetahui pengaruh rata-rata lama sekolah,
angka harapan hidup, jumlah penduduk miskin, dan jumlah fasilitas kesehatan terhadap Indeks
Pembangunan Manusia, dan yang terakhir penulis ingin mengetahui pengaruh rata-rata lama
sekolah, angka harapan hidup, jumlah penduduk miskin, jumlah fasilitas kesehatan, dan
K abupaten atau K ota (sebagai variable dummy) terhadap Indeks Pembangunan Manusia,
Secara umum penelitian tentang variable yang mempengaruhi Indeks Pembangunan
Manusia ini menggunakan variable terikat berupa variable rata-rata lama sekolah, angka
harapan hidup, dan jumlah fasilitas kesehatan serta variable interest berupa jumlah penduduk
miskin dan K abupaten/K ota.
3. 3.
Hipotesis
Pengujian parameter regresi perlu dilakukan untuk mengetahui hubungan antara
variabel independen dan variabel dependen. Pengujian parameter regresi dilakukan dalam dua
tahap yaitu uji secara bersama-sama (serentak) dan uji parsial.
Uji serentak digunakan untuk mengetahui pengaruh semua variabel independen
terhadap variabel dependen dengan hipotesis sebagai berikut :
H0 : β = 0
H1 : β ≠ 0
Uji parsial digunakan untuk mengetahui variable independen yang berpengaruh
signifikan secara individu terhadap variabel dependen. Hipotesis yang digunakan untuk uji
parsial adalah sebagai berikut :
H0 : β = 0
H1 : β ≠ 0
3. 4.
Metode A nalisis
Dalam penelitian ini software yang digunakan adalah Eviews 8. Probabilitas pada
penelitan ini menggunakan probabilitas 0,05 atau 5%. A dapun langkah analisis yang digunakan
dalam penelitian ini adalah:
1. Melakukan pemodelan regresi linier dan regresei linier berganda dengan metode
Ordinary L east Square (OL S).
2. Melakukan uji kelayakan, uji parameter model regresi.
4. Pembahasan
4. 1.
Deskripsi Data
Penelitian ini menggunakan data IPM dan faktor-faktor yang memengaruhinya yaitu
rata-rata lama sekolah, angka harapan hidup, jumlah penduduk miskin, jumlah fasilitas
kesehatan dan jenis wilayah yaitu kabupaten atau kota yang diambil dari tiga provinsi di pulau
jawa yaitu J awa Tengah, J awa T imur, dan Daerah Istimewa Y ogyakarta pada tahun 2014.
Deskripsi data yang digunakan dapat dilihat pada table 1.
T abel 1. Deskripsi Data IPM dan F aktor-F aktor yang Memengaruhinya 2014
J umlah
No.
V ariabel
K eterangan
Sampel
1
IPM
IPM (Persen)
78
69.66
5.47
56.98
84.56
78
10.25
2.8
4.62
16.32
Mean St. Deviasi Minimal Maksimal
Rata-rata L ama Sekolah
2
Lama Sekolah
(Tahun)
A ngka Harapan Hidup
3
A HH
(Tahun)
78
73.75
2.56
63.39
77.45
Penduduk Miskin (Ribu jiwa)
78
130.6
72.04
8.3
355.1
Penduduk
4
Miskin
Fasilitas
5
K esehatan
Fasilitas K esehatan (Unit)
78
99.74
40.26
13
220
6
K abupaten/K ota
K abupaten/K ota, 1=K ota
78
0.2
0.41
0
1
Dari data di atas dapat kita ketahui bahwa jumlah dari masing-masing variable adalah
78 sampel yang menunjukkan bahwa dalam penelitian ini menggunakan sampel besar. Data
sampel pada variable IPM dengan nilai rata-rata 69,66 persen dengan nilai minimal sebesar
56,98 persen dan maksimal 84,56 persen serta standar deviasi 5,47. Sedangkan untuk variable
rata-rata lama sekolah dengan nilai rata-rata 10,25 tahun dan nilai minimal 4,62 tahun serta
maksimal 16,32 tahun sedangkan untuk standar deviasinya adalah 10,25. K emudian variable
angka harapan hidup memiliki nilai rata-rata 73,75 tahun dan nilai minimal dan maksimal
secara berturut-turut adalah 63,39 tahun dan 77,45 tahun sedangkan standar deviasinya adalah
2,56.
V ariable selanjutnya adalah jumlah penduduk miskin yang memiliki rata-rata 130,6
ribu jiwa dan jumlah minimal dan maksimalnya adalah 8,3 ribu jiwa dan 355,1 ribu jiwa serta
standar deviasinya 72,04. K emudian ada variable jumlah fasilitas kesehatan yang terdiri dari
jumlah rumah sakit dan puskesmas yang ada di dalam daerah itu dengan rata-rata jumlah
faslitas 99,74 unit dan jumlah maksimal dan minimalnya adalah 220 unit dan 13 unit serta
dengan standar deviasi 40,26. Dan yang terakhir adalah variable jenis wilayah yang dibedakan
menjadi wilayah kabupaten atau wilayah kota, dan ini adalah satu-satunya variable dummy
yang digunakan dalam penelitian ini, yaitu dengan nilai 1 untuk wilayah kota dan 0 untuk
wilayah kabupaten.
4. 2.
T abel Hasil R egresi
Dari hasil estimasi regresi yang telah dilakukan sebanyak lima kali telah dihasilkan Fstat dan R-square secara berturut-turut adalah 26,9275 dan 0,26 untuk model pertama,
21,63753 dan 0,37 untuk model kedua, 22,21471 dan 0,47 untuk model ketiga, 17,91732 dan
0,47 untuk model keempat, serta 28,53371 dan 0,64 untuk model kelima. Dan untuk uji parsial
atau t-test dan probanilitasnya dapat dilihat pada table 2.
T abel 2. Hasil T -test dan Signifikansinya
Model 1
Model 2
Model 3
Model 4
Model 5
R ata-rata L ama
Sekolah
5.189172**
0.76581
1.975942
1.581587
0.722137
(0,000)
(0,4462)
(0,0519)
(0,1181)
(0,4725)
3.51175**
1.594693
2.167755**
3.134415**
(0,0008)
(0,1150)
(0,0334)
(0,0025)
-3.896738
-1.555296
-0.407751
(0,0002)
(0,1242)
(0,6847)
-1.76536
0.472327
(0,0816)
(0,6381)
A ngka Harapan
Hidup
J umlah Penduduk
Miskin
J umlah F asilitas
K esehatan
6.026738**
K abupaten/K ota
(0,0000)
K onstanta
29.077480
1.024657
2.990414
2.233273
1.813741
(0,000)
(0,3088)
(0,0038)
(0,0286)
(0,0739)
78
78
78
78
78
1.99167
1.9921
1.99254
1.993
1.99346
J umlah Observer
t-tabel
**=Signifikan
(0,05 uji dua arah)
4. 3.
Interpretasi Hasil R egresi
4.3.1. Persamaan R egressi
Model 1:
Y IPM = 59,43 + 0,99 X 1+e
Pada model pertama ini menjukkan bahwa jika rata-rata lama sekolah
bertambah satu tahun maka akan IPM akan menigkat sebesar 0,99 persen
dengan konstanta sebesar 59,43 persen. Hal ini menunjukkan dengan
lamanya orang bersekolah akan meningkat IPM.
Model 2:
Y IPM = 13,53 + 0,22 X 1+ 0,75 X 2+e
Pada model kedua ini penulis akan meneliti pengaruh rata-rata lama
sekolah dan angka harapan hidup terhadap IPM. Dari model estimasi yang
dilakukan diketahui bahwa jiwa rata-rata lama sekolah meningkat satu tahun
maka IPM akan meningkat 0,22 persen dan jika angka harapan hidup
meningkat satu tahun akan menigkatkan IPM sebesar 0,75 persen dengan
konsatanta 13,53 persen. Dari hal ini dapat dijelaskan bahwa dengan
meningkatnya lama sekolah seseorang dan angka harapan hidupnya maka
IPM juga akan menigkat hal ini dikarenakan lama sekolah dan angka
harapan hidup merupakan cerminan kualitas hidup.
Model 3:
Y IPM = 42,49 + 0,54 X 1+ 0,35 X 2- 0,03 X 3+e
Y ang ketiga penulis akan meneliti tentang pengaruh rata-rata lama
sekolah, angka harapan hidup dan jumlah penduduk miskin terhadap IPM.
Dari persamaan model di atas dapat dijelaskan bahwa jika rata-rata lama
sekolah menigkat satu tahun maka akan meningkatkan IPM sebesar 0,54
persen dan jika angka harapan hidup meningkat satu tahun maka IPM akan
menigkat sebesar 0,35 persen sedangkan jika penduduk miskin meningkat
satu juta jiwa maka IPM akan mengalami penurunan sebesar 0,03 persen
dengan nilai konstanta 42,49. Dari hasil estimasi di atas dapat disimpulkan
bahwa penigkatan lama sekolah dan angka harapan hidup akan menigkatkan
juga kualitas manusianya sedangkan dengan semakin banyaknya penduduk
miskin akan menurunkan kualitas manusianya.
Model 4:
Y IPM = 33,36 + 0,44 X 1+ 0,51 X 2 - 0,02 X 3- 0,03 X 4+e
Pada model keempat penulis akan meneliti tentang pengaruh rata-rata
lama sekolah, angka harapan hidup, jumlah penduduk miskin dan jumlah
fasilitas kesehatan yang tersedia terhadap IPM. Dari persamaan di atas dapat
dilihat bahwa jika lama sekolah meningkat satu tahun maka akan
meningkatkan IPM sebesar 0,44 persen, jika angka harapn hidup menigkat
satu tahun maka akan meningkatkan IPM sebesar 0,51 persen sedangkan
jika jumlah penduduk miskin meningkat satu juta jiwa maka akan
menurunkan IPM sebesar 0,02 dan jika fasilitas kesehatan meningkat satu
unit maka akan menurunkan IPM sebesar 0,03 persen dengan nilai konstanta
33,36 persen. Dari hasil estimasi di atas dapat disimpulkan bahwa
penigkatan lama sekolah dan angka harapan hidup akan menigkatkan juga
kualitas manusianya sedangkan dengan semakin banyaknya penduduk
miskin dan fasilitas kesehatan akan menurunkan kualitas manusianya.
Model 5:
Y IPM = 22,48 + 0,17 X 1+ 0,60 X 2- 0,003 X 3+ 0,006 X 4+ 7,58 D 1+e
Pada model kelima penulis akan meneliti tentang pengaruh rata-rata
lama sekolah, angka harapan hidup, jumlah penduduk miskin, jumlah
fasilitas kesehatan dan kabupaten atau kota sebagai variable dummy
terhadap IPM. Dari model di atas dapat diketahui bahwa jika rata-rata lama
sekolah menigkat satu tahun maka IPM akan menikat sebesar 0,17 persen,
jika angka harapan hidup naik satu tahun maka IPM akan meningkat 0,60
persen, jika jumlah penduduk miskin bertambah satu juta jiwa maka IPM
akan turun sebesar 0,003 persen, jika fasilitas kesehatan bertambah satu unit
maka IPM akan naik sebesar 0,006 persen dan jika ia adalah kota maka nilai
IPM akan lebih tinggi sebesar 7,58 persen dari daerah kabupaten. Dari hasil
estimasi di atas dapat disimpulkan bahwa penigkatan lama sekolah, angka
harapan hidup, dan jumlah fasilitas kesehatan akan menigkatkan juga
kualitas manusianya sedangkan dengan semakin banyaknya penduduk
miskin akan menurunkan kualitas manusianya, di lain sisi daerah perkotaan
cenderung memiliki nilai IPM yang tinggi dari daerah kabupaten.
4.3.2. Signifikansi dan R -Square
Dalam estimasi regresi pada penelitian ini untuk model yang pertama dihasilkan
nilai F-stat sebesar 26,93 sedangka F-tabelnya adalah 3,97 yang berarti F-stat>F-tabel
yang menunjukkan bahwa secara uji serenta variable independen berpengaruh terhadap
variable dependen. Secara parsial diperoleh T -stat untuk variable rata-rata lama sekolah
adalah 5,19 dengan signifikansi 0,000 dan nilai T-tabelnya adalah 1,99 yang berarti Tstat>T -tabel yang menunjukkan bahwa variable rata-rata lama sekolah berpengaruh
terhadap IPM. Disisi lain pada model pertama ini juga diperoleh nilai R-square sebesar
0,26, hal ini menujukkan bahwa sebesar 26% variable independen dalam model ini
merepresentasikan variable dependen dan sisanya dijelaskan oleh variable di luar
model.
Selanjutnya untuk estimasi regresi pada model kedua diperoleh nilai F-stat
sebesar 21,63 sedangkan F-tabelnya adalah 3,12, karena F-stat>F-tabel maka dapat
disimpulkan bahwa secara serentak variable independen berpengaruh terhadap variable
dependen dalam model ini. Untuk uji T-test peroleh bahwa nilai T-test dan probilitasnya
adalah 0,76 dan 0,4462 untuk variable rata-rata lama sekolah dan 3,51175 dan 0,0008
untuk variabel angka harapan hidup, karena syarat signifikan adalah T-test>T-tabel
maka yang berpengaruh secara parsial terhadap IPM adalah variable angka harapan
hidup. Dalam model kedua ini juga diperoleh nilai R-square 0,37 yang menunjukkan
bahwa variable independen dalam model ini dapat merepresentasikan 37% variable
dependen dan sisinya dijelaskan di luar model.
K emudian untuk model ketiga dari uji regresi yang dilakukan memperoleh nilai
F-stat sebesar 22,21 dengan nilai F-tabel 2,73, karena F-stat>F-tabel maka dapat
disimpulkan bahwa dalam model ini secara serentak variable independen berpengaruh
terhadap variable dependen. Untuk uji T-test peroleh bahwa nilai T-test dan
probilitasnya adalah 1,97 dan 0,0519 untuk rata-rata lama sekolah, 1,59 dan 0,1150
untuk angka harapan hidup dan -3,89 dan 0,0002 untuk jumlah penduduk miskin.
K arena nilai semua F-test < F-tabel maka secara parsial variable independen dalam
variable ini tidak ada yang berpengaruh terhadap variable dependen. Selain itu juga
dihasilkan nilai R-square sebesar 0,47 yang menunjukkan bahwa sebanyak 47%
variable independen dalam model ini dapat menerangkan variable dependen dan sisinya
dijelaskan oleh varibel di luar model.
Pada model keempat diperoleh nilai F-stat sebesar 17,91 dengan F-tabel 2,5
maka dapat disimpilkan bahwa secara serentak variable independen dapat
mempengaruhi variable dependen dalam model ini. Selanjutnya untuk nilai T-test dan
signifikansinya adalah 1,58 dan 0,1181 untuk rata-rata lama sekolah, 2,17 dan 0,0334
untuk angka harapan hidup, -1,55 dan 0,1242 untuk jumlah penduduk miskin dan -1,76
dan 0,0816 untuk jumlah fasilitas kesehatan. K arena syarat signifikan adalah T -test>Ttabel maka yang berpengaruh secara parsial terhadap IPM adalah variable angka
harapan hidup. Selanjutnya juga dihasilkan nilai R-square sebesar 0,47 yang
menunjukkan bahwa sebanyak 47% variable independen dalam model ini dapat
menerangkan variable dependen dan sisinya dijelaskan oleh varibel di luar model.
Dan yang terakhir adalah estimasi regresi pada model kelima yang
menghasilkan F-test sebesar 28,53 dengan F-tabel sebesar 2,34, karena F-test>F-tabel
maka dapat disimpulkan bahwa secara serentak semua variable independen
berpengaruh terhadap variable dependen dalam variable ini. Untuk selanjutnya
pengujian parsial yang ditunjukka oleh T-stat dan signifikansinya adalah 0,72 dan 0,475
untuk rata-rata lama sekolah, 3,13 dan 0,0025 untuk variable angka harapan hidup, 0,40 dan 0,6847 untuk variable jumlah penduduk miskin, 0,47 dan 0,63881 untuk
varibel jumlah fasilitas kesehatan dan 6,03 dan 0,0739 untuk varibel kabupaten atau
kota, karena syarat signifikan adalah T -test>T-tabel maka yang berpengaruh secara
parsial terhadap IPM adalah angka harapan hidup dan kabupten kota. Selanjutnya
adalah nilai R-square yang dihasilkan dalam model ini adalah 0,64 yang berarti
sebanyak 64% variable independen dapat menjelaskan variable dependen dalam model
ini dan sisanya dijelaskan oleh variable di luar model.
4.3.3. Uji A sumsi K lasik
4.3.3.1. Uji Normalitas
Untuk uji normalitas pada model regressi dilihat dengan nilai J arqueBera dan probabilitasnya yang secara berturut-turut dari model pertama hingga
kelima adalah 1,30 dan 0,520537 untuk model pertama, 3,90 dan 0,142231
untuk model kedua, 10,95 dan 0,004186 untuk model ketiga, 5,15 dan 0,076081
untuk model keempat, serta 16,78 dan 0,000227 untuk model kelima. Data
dapat dikatakan terdistribusi normal jika probabilitas > 0,05 maka yang lolos uji
normalitas adalah model satu, model dua, dan model empat.
4.3.3.2. Uji Heteroskedastisitas
Uji
heteroskedastisitas
dapat
dilakukan
dengan
pengambilan
kesimpulan nilai probabilitas F atau probabilitas Chi-Square dengan α (0,05).
Dari estimasi regresi yang dilakukan terhadap lima model telah diperoleh nilai
probilitas chi-square adalah 0,0010 untuk model pertama, 0,0108 untuk model
kedua, 0,0594 untuk model ketiga, 0,1571 untuk model keempat, dan 0,1946
untuk model kelima. K arena syarat tidak terjadi heteroskedatisitas adalah
probabilitas Chi-Square <
α ,
maka yang
lolos heteroskedastisitas
(homoskedastisitas) adalah model ketiga, model keempat, dan model kelima.
4.3.3.3. Uji Multikolinearitas
Uji multikolinearitas dalam eviews dapat dilakukan dengan melihat nilai
centered VIF pada variable yang ada dalam model regresi dan jika nilai centered
VIF < 10 maka dinyatakan bahwa variable tersebut lolos multikolinearitas.
Untuk model yang pertama diperoleh nilai centered VIF pada variable rata-rata
lama sekolah adalah 1,00, maka variable ini dinyatakan lolos multikolinearitas.
Pada model yang kedua nilai centered VIF untuk variable rata-rata lama sekolah
dan angka harapan hidup adalah 2,53 dan 2,53, maka kedua variable ini
dinyatakan lolos multikolinearitas. Pada model ketiga nilai centered VIF untuk
variable rata-rata lama sekolah, angka harapan hidup, dan jumlah penduduk
miskin adalah 2,78, 3,22 dan 1,29, maka ketiga variable ini dinyatakan lolos
multikolinearitas. Pada model yang keempat nilai centered VIF untuk variable
rata-rata lama sekolah, angka harapan hidup, jumlah penduduk miskin, dan
fasilitas kesehatan adalah 2,91, 3,76, 2,57 dan 1,99, maka keempat variable ini
dinyatakan lolos multikolinearitas. Pada model yang kelima nilai centered VIF
untuk variable rata-rata lama sekolah, angka harapan hidup, jumlah penduduk
miskin, jumlah fasilitas kesehatan, dan kabupaten atau kota adalah 3,03, 3,79,
2,72, 2,39 dan 1,87, maka semua variable ini dinyatakan lolos multikolinearitas.
Dengan metode lain dapat diketahui bahwa R-square model 4 > Rsquare model 3, R-square model 2, dan R-square model 1.
4.3.3.4. Uji A utokolinearitas
Seperti uji Heteroskedastisitas, pengambilan keputusan uji autokorelasi
juga terfokus pada Prob. F atau Prob. Chi-Square. Dari estimasi regresi yang
dilakukan terhadap lima model telah diperoleh nilai probilitas chi-square adalah
0,0010 untuk model pertama, 0,0108 untuk model kedua, 0,0594 untuk model
ketiga, 0,1571 untuk model keempat, dan 0,1946 untuk model kelima. K arena
syarat tidak terjadi heteroskedatisitas adalah probabilitas Chi-Square < α , maka
yang lolos autokorelasi adalah model ketiga, model keempat, dan model kelima.
5. Penutup
5.1.K esimpulan
Bedasarkan hasil dan pembahasan dapat disimpulakan bahwa dengan uji OL S
pada kelima model, secara uji global semua model berpengaruh secara signifikan
sedangka secara uji parsial variable yang berpengaruh terhadap keempat model adalah
variable rata-rata lama sekolah, angka harapan hidup dan kabupaten/kota.
5.2.Saran
Berdasarkan hasil penelitian ini untuk peneliti selanjutnya disarankan untuk
menggunakan variable dan sampel yang lebih banyak lagi serta lebih banyak
melakukan uji estimasi sehingga akan diperoleh model yang lebih ideal.
Daftar Pustaka
Masruroh, Marwah dan Retno Subekti. 2016. A plikasi Regresi Partial L east Square untuk
A nalisis Hubungan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia di K ota
Y ogyakarta. J urnal Media Statiska V ol. 9, No. 2, 2477-0647.
Melliana, A yunanda dan Ismaini Zain. 2013. A nnalisis Statistika Faktor yang Mempengaruhi
Indeks Pembangunan Manusia di K abupaten/K ota Provinsi J awa Timur dengan Regresi Panel.
J urnal Sains dan Seni Pomits V ol. 2, No. 2, 2337-3520.
Pradita, Rahma Nurfiani, et. al. 2015. Pemodelan Faktor-Faktor yang Mempengaruhi Indeks
Pembangunan Manusia K abupaten/K ota di J awa Timur Menggunakan Geographically
Weighted Ordinal L ogistic Regressio. J urnal Gaussia V ol. 4, No. 3, 2339-2541.
Publikasi BPS
L A MPIR A N
Hasil R egressi Model Pertama
Hasil R egressi Model K edua
Hasil R egressi Model K etiga
Hasil R egressi Model K eempat
Hasil R egressi Model K elima
Uji Normalitas Model Pertama
Uji Normalitas Model K edua
Uji Normalitas Model K etiga
Uji Normalitas Model K eempat
Uji Normalitas Model K elima
Uji Heteroskedastisitas Model Pertama
Uji Heteroskedastisitas Model K edua
Uji Heteroskedastisitas Model K etiga
Uji Heteroskedastisitas Model K eempat
Uji Heteroskedastisitas Model K elima
Uji Multikolinearitas Model Pertama
Uji Multikolinearitas Model K edua
Uji Multikolinearitas Model K etiga
Uji Multikolinearitas Model K eempat
Uji Multikolinearitas Model K elima
Uji A utokolinearitas Model Pertama
Uji A utokolinearitas Model K edua
Uji A utokolinearitas Model K etiga
Uji A utokolinearitas Model K eempat
Uji A utokolinearitas Model K elima
Penduduk Miskin, J umlah F asilitas K esehatan, dan K abupaten/K ota
terhadap Indeks Pembangunan Manusia di J awa T engah, DIY , dan J awa
T imur pada T ahun 2014
Oleh:
Ilham Ibnu A ffan
15810092
A bstrak
Indeks Pembangunan Manusia merupakan suatu ukuran yang digunakan untuk
mengukur pencapaian pembangunan di suatu wilayah. Pada penelitian kali ini penulis
akan meneliti tentang pengaruh rata-rata lama sekolah, angka harapan hidup, jumlah
penduduk miskin, jumlah fasilitas kesehatan, dan kabupaten/kota terhadap Indeks
Pembangunan Manusia di J awa Tengah, J awa Timur, dan Daerah Istimewa
Y ogyakarta pada tahun 2014 dengan metode Ordinary Leart Square (OL S) yang
dibagi menjadi empat model estimasi. Dengan uji tersebut diperoleh hasil secara uji
global semua model berpengaruh secara signifikan sedangka secara uji parsial
variable yang berpengaruh terhadap keempat model adalah variable rata-rata lama
sekolah, angka harapan hidup dan kabupaten/kota.
Kata Kunci: IPM, OL S, Rata-rata L ama Sekolah, Angka Harapan Hidup, dan
Kabupaten/Kota.
1. Pendahuluan
Pembangunan merupakan suatu upaya yang dilakukan oleh pemerintah untuk
mewujudkan masyarakat yang makmur dan sejahtera. Salah satu indikator yang dapat
digunakan untuk mengukur hasil pembangunan adalah Indeks Pembangunan Manusia (IPM).
IPM merupakan indeks komposit yang dihitung dari indeks harapan hidup, indeks pendidikan,
dan indeks standar hidup layak. K arena dalam perhitungan indeks harapan hidup, indeks
pendidikan, dan indeks standar hidup layak melibatkan komponen ekonomi maupun non
ekonomi seperti kualitas pendidikan, kesehatan, dan kependudukan, maka IPM dianggap telah
relevan untuk dijadikan tolak ukur dalam menentukan keberhasilan pembangunan. Sejauh
mana variabel ekonomi maupun non ekonomi tersebut dapat menunjang IPM menjadi fokus
pada penelitian ini.
Menurut BPS (2013) Indeks Pembangunan Manusia (IPM) merupakan suatu ukuran
yang digunakan untuk mengukur pencapaian pembangunan manusia di suatu wilayah.
Meskipun tidak mengukur semua dimensi dari pembangunan manusia, namun IPM dinilai
mampu mengukur dimensi pokok dari pembangunan manusia. Sebagai ukuran kualitas hidup,
IPM dibangun melalui pendekatan tiga dimensi dasar. Dimensi tersebut mencakup umur
panjang dan sehat, pengetahuan, dan kehidupan yang layak.
Indeks Pembangunan Manusia pada beberapa provinsi di pulau jawa yaitu J awa
Tengah, J awa Timur dan Daerah Istimewa Y ogyakarta pada tahun 2014 secara berturut-turut
adalah 68,78 persen, 68,14 persen, dan 76,81 persen (BPS, 2015). K etiga provinsi ini
merupakan provinsi yang berada di bagian tengah dan timur pulau J awa yang memiliki tingkat
Indeks Pembagunan Manusia yang relative beragam untuk tiap kota dan kabupatennya. Namun
jika dilihat lebih lanjut terlihat bahwa Indeks Pembangunan Manusia pada daerah perkotaan
relatife lebih tinggi dari daerah kabupaten dalam kawasan sekitarnya.
Dari uraian di atas maka penulis tertarik untuk meneliti pengaruh angka harapan hidup
yang mewakili dimensi kesehatan, rata-rata lama sekolah yang mewakili dimensi pendidikan
dan jumlah sarana kesehatan yang mewakili dimensi kehidupan layak dan beberapa variable
terkait seperti jumlah fasilitas kesehatan dan jenis wilayah kabupaten atau kota terhadap Indeks
Pembangunan Manusia di provinsi J awa Tengah, J awa Timur dan Daerah Istimewa
Y ogyakarta.
2. T injauan Pustaka
Menurut Masruroh (2016) bahwa dengan metode PL S (Partial Least Square) keempat
faktor yaitu A HH (A ngka Harapan Hidup), A MH (A ngka Melek Huruf), MY S (Rata-rata L ama
Sekolah), dan PPP (Indeks Daya Beli) berpengaruh positif terhadap Indeks Pembangunan
Manusia. Dan menurut Melliana (2013) bahwa terdapat tujuh variabel yang berpengaruh
signifikan terhadap IPM antara lain variabel rasio siswa terhadap guru, angka partisipasi
SMP/MTs, jumlah sarana kesehatan, persentase rumah tangga dengan akases air bersih,
kepadatan penduduk, tingkat partisipasi angkatan kerja dan PDRB perkapita. Sedangkan
menurut Pradita (2015) bahwa faktor-faktor yang mempengaruhi Indeks Pembangunan
Manusia kabupaten/kota di J awa Timur berdasarkan model GWOL R (Geographically
Weighted Ordinal L ogistic Regression) pada umumnya adalah persentase penduduk yang
tamat SMP/sederajat, banyaknya sarana kesehatan dan kepadatan penduduk.
Dengan hasil penelitian di atas maka penulis tertarik untuk meneliti tentang Pengaruh
L ama Sekolah, A ngka Harapan Hidup, J umlah Penduduk Miskin, J umlah Fasilitas K esehatan,
dan K abupaten/K ota terhadap Indeks Pembangunan Manusia.
3. Metodologi Penelitian
3. 1.
Sumber Data dan V ariabel Penelitian
Penelitian ini akan membahas faktor-faktor yang mempengaruhi IPM di J awa Tengah,
J awa Timur dan Daerah Istimewa Y ogyakarta dengan menggunakan metode OL S. Data yang
digunakan dalam penelitian ini adalah data hasil Survei Sosial Ekonoi Nasional (SUSENA S)
oleh Badan Pusat Statistik (BPS). V ariabel yang digunakan pada penelitian ini sebanyak 5
variabel. V ariabel tersebut terbagi atas satu variabel respon dan empat variabel prediktor.
V ariabel yang berperan sebagai variabel respon (Y ) adalah Indeks Pembangunan Manusia
(IPM), sedangkan variabel prediktor yang dipakai penelitian ini meliputi:
1. L ama Sekolah sebagai X 1
2. A ngka Harapan Hidup sebagai X 2
3. J umlah Penduduk Miskin sebagai X 3
4. J umlah Fasilitas K esehatan sebagai X 4
5. K abupaten atau K ota sebagai X 5
3. 2.
Model R egressi
Estimasi yang akan dilakukan adalah estimasi dengan lima model regresi sebagai
berikut:
Model 1:
Y IPM =β 0+β1 X 1+e
Model 2:
Y IPM =β 0+β1 X 1+β2X 2+e
Model 3:
Y IPM =β 0+β1 X 1+β2X 2+β3X 3+e
Model 4:
Y IPM =β 0+β1 X 1+β2X 2+β3X 3+β 4X 4+e
Model 5:
Y IPM =β 0+β1 X 1+β2X 2+β3X 3+β 4X 4+β 5D 1+e
K eterangan :
Y
=
Indeks Pembangunan
β1 = K oefisien Lama Sekolah
Manusia
β2 = K oefisien A ngka Harapan
X 1 = Rata-Rata L ama Sekolah
Hidup
X 2 = A ngka Harapan Hidup
β3
X 3 = J umlah Penduduk Miskin
Penduduk Miskin
X 4 = J umlah Fasilitas K esehatan
β4 = K oefisien J umlah Fasilitas
D 1 = K abupaten/K ota (K ota = 1,
K esehatan
K ab.=0)
β5 = K oefisien K abupaten/K ota
β0 = K onstanta Regressi
e = Error
=
K oefisien
J umlah
Dalam penelitian kali ini penulis menggunakan lima kali pengujian dengan lima model
regressi di atas. Pada model yang pertama penulis ingin mengetahui pengaruh rata-rata lama
sekolah terhadap Indeks Pembangunan Manusia, yang kedua penulis ingin mengetahui
pengaruh rata-rata lama sekolah dan angka harapan hidup terhadap Indeks Pembanguan
Manusia, pada estimasi model ketiga penulis ingin mengetahui pengaruh rata-rata lama
sekolah, angka harapan hidup, dan jumlah penduduk miskin terhadap Indeks Pembangunan
Manusia, pada model yang keempat penulis ingin mengetahui pengaruh rata-rata lama sekolah,
angka harapan hidup, jumlah penduduk miskin, dan jumlah fasilitas kesehatan terhadap Indeks
Pembangunan Manusia, dan yang terakhir penulis ingin mengetahui pengaruh rata-rata lama
sekolah, angka harapan hidup, jumlah penduduk miskin, jumlah fasilitas kesehatan, dan
K abupaten atau K ota (sebagai variable dummy) terhadap Indeks Pembangunan Manusia,
Secara umum penelitian tentang variable yang mempengaruhi Indeks Pembangunan
Manusia ini menggunakan variable terikat berupa variable rata-rata lama sekolah, angka
harapan hidup, dan jumlah fasilitas kesehatan serta variable interest berupa jumlah penduduk
miskin dan K abupaten/K ota.
3. 3.
Hipotesis
Pengujian parameter regresi perlu dilakukan untuk mengetahui hubungan antara
variabel independen dan variabel dependen. Pengujian parameter regresi dilakukan dalam dua
tahap yaitu uji secara bersama-sama (serentak) dan uji parsial.
Uji serentak digunakan untuk mengetahui pengaruh semua variabel independen
terhadap variabel dependen dengan hipotesis sebagai berikut :
H0 : β = 0
H1 : β ≠ 0
Uji parsial digunakan untuk mengetahui variable independen yang berpengaruh
signifikan secara individu terhadap variabel dependen. Hipotesis yang digunakan untuk uji
parsial adalah sebagai berikut :
H0 : β = 0
H1 : β ≠ 0
3. 4.
Metode A nalisis
Dalam penelitian ini software yang digunakan adalah Eviews 8. Probabilitas pada
penelitan ini menggunakan probabilitas 0,05 atau 5%. A dapun langkah analisis yang digunakan
dalam penelitian ini adalah:
1. Melakukan pemodelan regresi linier dan regresei linier berganda dengan metode
Ordinary L east Square (OL S).
2. Melakukan uji kelayakan, uji parameter model regresi.
4. Pembahasan
4. 1.
Deskripsi Data
Penelitian ini menggunakan data IPM dan faktor-faktor yang memengaruhinya yaitu
rata-rata lama sekolah, angka harapan hidup, jumlah penduduk miskin, jumlah fasilitas
kesehatan dan jenis wilayah yaitu kabupaten atau kota yang diambil dari tiga provinsi di pulau
jawa yaitu J awa Tengah, J awa T imur, dan Daerah Istimewa Y ogyakarta pada tahun 2014.
Deskripsi data yang digunakan dapat dilihat pada table 1.
T abel 1. Deskripsi Data IPM dan F aktor-F aktor yang Memengaruhinya 2014
J umlah
No.
V ariabel
K eterangan
Sampel
1
IPM
IPM (Persen)
78
69.66
5.47
56.98
84.56
78
10.25
2.8
4.62
16.32
Mean St. Deviasi Minimal Maksimal
Rata-rata L ama Sekolah
2
Lama Sekolah
(Tahun)
A ngka Harapan Hidup
3
A HH
(Tahun)
78
73.75
2.56
63.39
77.45
Penduduk Miskin (Ribu jiwa)
78
130.6
72.04
8.3
355.1
Penduduk
4
Miskin
Fasilitas
5
K esehatan
Fasilitas K esehatan (Unit)
78
99.74
40.26
13
220
6
K abupaten/K ota
K abupaten/K ota, 1=K ota
78
0.2
0.41
0
1
Dari data di atas dapat kita ketahui bahwa jumlah dari masing-masing variable adalah
78 sampel yang menunjukkan bahwa dalam penelitian ini menggunakan sampel besar. Data
sampel pada variable IPM dengan nilai rata-rata 69,66 persen dengan nilai minimal sebesar
56,98 persen dan maksimal 84,56 persen serta standar deviasi 5,47. Sedangkan untuk variable
rata-rata lama sekolah dengan nilai rata-rata 10,25 tahun dan nilai minimal 4,62 tahun serta
maksimal 16,32 tahun sedangkan untuk standar deviasinya adalah 10,25. K emudian variable
angka harapan hidup memiliki nilai rata-rata 73,75 tahun dan nilai minimal dan maksimal
secara berturut-turut adalah 63,39 tahun dan 77,45 tahun sedangkan standar deviasinya adalah
2,56.
V ariable selanjutnya adalah jumlah penduduk miskin yang memiliki rata-rata 130,6
ribu jiwa dan jumlah minimal dan maksimalnya adalah 8,3 ribu jiwa dan 355,1 ribu jiwa serta
standar deviasinya 72,04. K emudian ada variable jumlah fasilitas kesehatan yang terdiri dari
jumlah rumah sakit dan puskesmas yang ada di dalam daerah itu dengan rata-rata jumlah
faslitas 99,74 unit dan jumlah maksimal dan minimalnya adalah 220 unit dan 13 unit serta
dengan standar deviasi 40,26. Dan yang terakhir adalah variable jenis wilayah yang dibedakan
menjadi wilayah kabupaten atau wilayah kota, dan ini adalah satu-satunya variable dummy
yang digunakan dalam penelitian ini, yaitu dengan nilai 1 untuk wilayah kota dan 0 untuk
wilayah kabupaten.
4. 2.
T abel Hasil R egresi
Dari hasil estimasi regresi yang telah dilakukan sebanyak lima kali telah dihasilkan Fstat dan R-square secara berturut-turut adalah 26,9275 dan 0,26 untuk model pertama,
21,63753 dan 0,37 untuk model kedua, 22,21471 dan 0,47 untuk model ketiga, 17,91732 dan
0,47 untuk model keempat, serta 28,53371 dan 0,64 untuk model kelima. Dan untuk uji parsial
atau t-test dan probanilitasnya dapat dilihat pada table 2.
T abel 2. Hasil T -test dan Signifikansinya
Model 1
Model 2
Model 3
Model 4
Model 5
R ata-rata L ama
Sekolah
5.189172**
0.76581
1.975942
1.581587
0.722137
(0,000)
(0,4462)
(0,0519)
(0,1181)
(0,4725)
3.51175**
1.594693
2.167755**
3.134415**
(0,0008)
(0,1150)
(0,0334)
(0,0025)
-3.896738
-1.555296
-0.407751
(0,0002)
(0,1242)
(0,6847)
-1.76536
0.472327
(0,0816)
(0,6381)
A ngka Harapan
Hidup
J umlah Penduduk
Miskin
J umlah F asilitas
K esehatan
6.026738**
K abupaten/K ota
(0,0000)
K onstanta
29.077480
1.024657
2.990414
2.233273
1.813741
(0,000)
(0,3088)
(0,0038)
(0,0286)
(0,0739)
78
78
78
78
78
1.99167
1.9921
1.99254
1.993
1.99346
J umlah Observer
t-tabel
**=Signifikan
(0,05 uji dua arah)
4. 3.
Interpretasi Hasil R egresi
4.3.1. Persamaan R egressi
Model 1:
Y IPM = 59,43 + 0,99 X 1+e
Pada model pertama ini menjukkan bahwa jika rata-rata lama sekolah
bertambah satu tahun maka akan IPM akan menigkat sebesar 0,99 persen
dengan konstanta sebesar 59,43 persen. Hal ini menunjukkan dengan
lamanya orang bersekolah akan meningkat IPM.
Model 2:
Y IPM = 13,53 + 0,22 X 1+ 0,75 X 2+e
Pada model kedua ini penulis akan meneliti pengaruh rata-rata lama
sekolah dan angka harapan hidup terhadap IPM. Dari model estimasi yang
dilakukan diketahui bahwa jiwa rata-rata lama sekolah meningkat satu tahun
maka IPM akan meningkat 0,22 persen dan jika angka harapan hidup
meningkat satu tahun akan menigkatkan IPM sebesar 0,75 persen dengan
konsatanta 13,53 persen. Dari hal ini dapat dijelaskan bahwa dengan
meningkatnya lama sekolah seseorang dan angka harapan hidupnya maka
IPM juga akan menigkat hal ini dikarenakan lama sekolah dan angka
harapan hidup merupakan cerminan kualitas hidup.
Model 3:
Y IPM = 42,49 + 0,54 X 1+ 0,35 X 2- 0,03 X 3+e
Y ang ketiga penulis akan meneliti tentang pengaruh rata-rata lama
sekolah, angka harapan hidup dan jumlah penduduk miskin terhadap IPM.
Dari persamaan model di atas dapat dijelaskan bahwa jika rata-rata lama
sekolah menigkat satu tahun maka akan meningkatkan IPM sebesar 0,54
persen dan jika angka harapan hidup meningkat satu tahun maka IPM akan
menigkat sebesar 0,35 persen sedangkan jika penduduk miskin meningkat
satu juta jiwa maka IPM akan mengalami penurunan sebesar 0,03 persen
dengan nilai konstanta 42,49. Dari hasil estimasi di atas dapat disimpulkan
bahwa penigkatan lama sekolah dan angka harapan hidup akan menigkatkan
juga kualitas manusianya sedangkan dengan semakin banyaknya penduduk
miskin akan menurunkan kualitas manusianya.
Model 4:
Y IPM = 33,36 + 0,44 X 1+ 0,51 X 2 - 0,02 X 3- 0,03 X 4+e
Pada model keempat penulis akan meneliti tentang pengaruh rata-rata
lama sekolah, angka harapan hidup, jumlah penduduk miskin dan jumlah
fasilitas kesehatan yang tersedia terhadap IPM. Dari persamaan di atas dapat
dilihat bahwa jika lama sekolah meningkat satu tahun maka akan
meningkatkan IPM sebesar 0,44 persen, jika angka harapn hidup menigkat
satu tahun maka akan meningkatkan IPM sebesar 0,51 persen sedangkan
jika jumlah penduduk miskin meningkat satu juta jiwa maka akan
menurunkan IPM sebesar 0,02 dan jika fasilitas kesehatan meningkat satu
unit maka akan menurunkan IPM sebesar 0,03 persen dengan nilai konstanta
33,36 persen. Dari hasil estimasi di atas dapat disimpulkan bahwa
penigkatan lama sekolah dan angka harapan hidup akan menigkatkan juga
kualitas manusianya sedangkan dengan semakin banyaknya penduduk
miskin dan fasilitas kesehatan akan menurunkan kualitas manusianya.
Model 5:
Y IPM = 22,48 + 0,17 X 1+ 0,60 X 2- 0,003 X 3+ 0,006 X 4+ 7,58 D 1+e
Pada model kelima penulis akan meneliti tentang pengaruh rata-rata
lama sekolah, angka harapan hidup, jumlah penduduk miskin, jumlah
fasilitas kesehatan dan kabupaten atau kota sebagai variable dummy
terhadap IPM. Dari model di atas dapat diketahui bahwa jika rata-rata lama
sekolah menigkat satu tahun maka IPM akan menikat sebesar 0,17 persen,
jika angka harapan hidup naik satu tahun maka IPM akan meningkat 0,60
persen, jika jumlah penduduk miskin bertambah satu juta jiwa maka IPM
akan turun sebesar 0,003 persen, jika fasilitas kesehatan bertambah satu unit
maka IPM akan naik sebesar 0,006 persen dan jika ia adalah kota maka nilai
IPM akan lebih tinggi sebesar 7,58 persen dari daerah kabupaten. Dari hasil
estimasi di atas dapat disimpulkan bahwa penigkatan lama sekolah, angka
harapan hidup, dan jumlah fasilitas kesehatan akan menigkatkan juga
kualitas manusianya sedangkan dengan semakin banyaknya penduduk
miskin akan menurunkan kualitas manusianya, di lain sisi daerah perkotaan
cenderung memiliki nilai IPM yang tinggi dari daerah kabupaten.
4.3.2. Signifikansi dan R -Square
Dalam estimasi regresi pada penelitian ini untuk model yang pertama dihasilkan
nilai F-stat sebesar 26,93 sedangka F-tabelnya adalah 3,97 yang berarti F-stat>F-tabel
yang menunjukkan bahwa secara uji serenta variable independen berpengaruh terhadap
variable dependen. Secara parsial diperoleh T -stat untuk variable rata-rata lama sekolah
adalah 5,19 dengan signifikansi 0,000 dan nilai T-tabelnya adalah 1,99 yang berarti Tstat>T -tabel yang menunjukkan bahwa variable rata-rata lama sekolah berpengaruh
terhadap IPM. Disisi lain pada model pertama ini juga diperoleh nilai R-square sebesar
0,26, hal ini menujukkan bahwa sebesar 26% variable independen dalam model ini
merepresentasikan variable dependen dan sisanya dijelaskan oleh variable di luar
model.
Selanjutnya untuk estimasi regresi pada model kedua diperoleh nilai F-stat
sebesar 21,63 sedangkan F-tabelnya adalah 3,12, karena F-stat>F-tabel maka dapat
disimpulkan bahwa secara serentak variable independen berpengaruh terhadap variable
dependen dalam model ini. Untuk uji T-test peroleh bahwa nilai T-test dan probilitasnya
adalah 0,76 dan 0,4462 untuk variable rata-rata lama sekolah dan 3,51175 dan 0,0008
untuk variabel angka harapan hidup, karena syarat signifikan adalah T-test>T-tabel
maka yang berpengaruh secara parsial terhadap IPM adalah variable angka harapan
hidup. Dalam model kedua ini juga diperoleh nilai R-square 0,37 yang menunjukkan
bahwa variable independen dalam model ini dapat merepresentasikan 37% variable
dependen dan sisinya dijelaskan di luar model.
K emudian untuk model ketiga dari uji regresi yang dilakukan memperoleh nilai
F-stat sebesar 22,21 dengan nilai F-tabel 2,73, karena F-stat>F-tabel maka dapat
disimpulkan bahwa dalam model ini secara serentak variable independen berpengaruh
terhadap variable dependen. Untuk uji T-test peroleh bahwa nilai T-test dan
probilitasnya adalah 1,97 dan 0,0519 untuk rata-rata lama sekolah, 1,59 dan 0,1150
untuk angka harapan hidup dan -3,89 dan 0,0002 untuk jumlah penduduk miskin.
K arena nilai semua F-test < F-tabel maka secara parsial variable independen dalam
variable ini tidak ada yang berpengaruh terhadap variable dependen. Selain itu juga
dihasilkan nilai R-square sebesar 0,47 yang menunjukkan bahwa sebanyak 47%
variable independen dalam model ini dapat menerangkan variable dependen dan sisinya
dijelaskan oleh varibel di luar model.
Pada model keempat diperoleh nilai F-stat sebesar 17,91 dengan F-tabel 2,5
maka dapat disimpilkan bahwa secara serentak variable independen dapat
mempengaruhi variable dependen dalam model ini. Selanjutnya untuk nilai T-test dan
signifikansinya adalah 1,58 dan 0,1181 untuk rata-rata lama sekolah, 2,17 dan 0,0334
untuk angka harapan hidup, -1,55 dan 0,1242 untuk jumlah penduduk miskin dan -1,76
dan 0,0816 untuk jumlah fasilitas kesehatan. K arena syarat signifikan adalah T -test>Ttabel maka yang berpengaruh secara parsial terhadap IPM adalah variable angka
harapan hidup. Selanjutnya juga dihasilkan nilai R-square sebesar 0,47 yang
menunjukkan bahwa sebanyak 47% variable independen dalam model ini dapat
menerangkan variable dependen dan sisinya dijelaskan oleh varibel di luar model.
Dan yang terakhir adalah estimasi regresi pada model kelima yang
menghasilkan F-test sebesar 28,53 dengan F-tabel sebesar 2,34, karena F-test>F-tabel
maka dapat disimpulkan bahwa secara serentak semua variable independen
berpengaruh terhadap variable dependen dalam variable ini. Untuk selanjutnya
pengujian parsial yang ditunjukka oleh T-stat dan signifikansinya adalah 0,72 dan 0,475
untuk rata-rata lama sekolah, 3,13 dan 0,0025 untuk variable angka harapan hidup, 0,40 dan 0,6847 untuk variable jumlah penduduk miskin, 0,47 dan 0,63881 untuk
varibel jumlah fasilitas kesehatan dan 6,03 dan 0,0739 untuk varibel kabupaten atau
kota, karena syarat signifikan adalah T -test>T-tabel maka yang berpengaruh secara
parsial terhadap IPM adalah angka harapan hidup dan kabupten kota. Selanjutnya
adalah nilai R-square yang dihasilkan dalam model ini adalah 0,64 yang berarti
sebanyak 64% variable independen dapat menjelaskan variable dependen dalam model
ini dan sisanya dijelaskan oleh variable di luar model.
4.3.3. Uji A sumsi K lasik
4.3.3.1. Uji Normalitas
Untuk uji normalitas pada model regressi dilihat dengan nilai J arqueBera dan probabilitasnya yang secara berturut-turut dari model pertama hingga
kelima adalah 1,30 dan 0,520537 untuk model pertama, 3,90 dan 0,142231
untuk model kedua, 10,95 dan 0,004186 untuk model ketiga, 5,15 dan 0,076081
untuk model keempat, serta 16,78 dan 0,000227 untuk model kelima. Data
dapat dikatakan terdistribusi normal jika probabilitas > 0,05 maka yang lolos uji
normalitas adalah model satu, model dua, dan model empat.
4.3.3.2. Uji Heteroskedastisitas
Uji
heteroskedastisitas
dapat
dilakukan
dengan
pengambilan
kesimpulan nilai probabilitas F atau probabilitas Chi-Square dengan α (0,05).
Dari estimasi regresi yang dilakukan terhadap lima model telah diperoleh nilai
probilitas chi-square adalah 0,0010 untuk model pertama, 0,0108 untuk model
kedua, 0,0594 untuk model ketiga, 0,1571 untuk model keempat, dan 0,1946
untuk model kelima. K arena syarat tidak terjadi heteroskedatisitas adalah
probabilitas Chi-Square <
α ,
maka yang
lolos heteroskedastisitas
(homoskedastisitas) adalah model ketiga, model keempat, dan model kelima.
4.3.3.3. Uji Multikolinearitas
Uji multikolinearitas dalam eviews dapat dilakukan dengan melihat nilai
centered VIF pada variable yang ada dalam model regresi dan jika nilai centered
VIF < 10 maka dinyatakan bahwa variable tersebut lolos multikolinearitas.
Untuk model yang pertama diperoleh nilai centered VIF pada variable rata-rata
lama sekolah adalah 1,00, maka variable ini dinyatakan lolos multikolinearitas.
Pada model yang kedua nilai centered VIF untuk variable rata-rata lama sekolah
dan angka harapan hidup adalah 2,53 dan 2,53, maka kedua variable ini
dinyatakan lolos multikolinearitas. Pada model ketiga nilai centered VIF untuk
variable rata-rata lama sekolah, angka harapan hidup, dan jumlah penduduk
miskin adalah 2,78, 3,22 dan 1,29, maka ketiga variable ini dinyatakan lolos
multikolinearitas. Pada model yang keempat nilai centered VIF untuk variable
rata-rata lama sekolah, angka harapan hidup, jumlah penduduk miskin, dan
fasilitas kesehatan adalah 2,91, 3,76, 2,57 dan 1,99, maka keempat variable ini
dinyatakan lolos multikolinearitas. Pada model yang kelima nilai centered VIF
untuk variable rata-rata lama sekolah, angka harapan hidup, jumlah penduduk
miskin, jumlah fasilitas kesehatan, dan kabupaten atau kota adalah 3,03, 3,79,
2,72, 2,39 dan 1,87, maka semua variable ini dinyatakan lolos multikolinearitas.
Dengan metode lain dapat diketahui bahwa R-square model 4 > Rsquare model 3, R-square model 2, dan R-square model 1.
4.3.3.4. Uji A utokolinearitas
Seperti uji Heteroskedastisitas, pengambilan keputusan uji autokorelasi
juga terfokus pada Prob. F atau Prob. Chi-Square. Dari estimasi regresi yang
dilakukan terhadap lima model telah diperoleh nilai probilitas chi-square adalah
0,0010 untuk model pertama, 0,0108 untuk model kedua, 0,0594 untuk model
ketiga, 0,1571 untuk model keempat, dan 0,1946 untuk model kelima. K arena
syarat tidak terjadi heteroskedatisitas adalah probabilitas Chi-Square < α , maka
yang lolos autokorelasi adalah model ketiga, model keempat, dan model kelima.
5. Penutup
5.1.K esimpulan
Bedasarkan hasil dan pembahasan dapat disimpulakan bahwa dengan uji OL S
pada kelima model, secara uji global semua model berpengaruh secara signifikan
sedangka secara uji parsial variable yang berpengaruh terhadap keempat model adalah
variable rata-rata lama sekolah, angka harapan hidup dan kabupaten/kota.
5.2.Saran
Berdasarkan hasil penelitian ini untuk peneliti selanjutnya disarankan untuk
menggunakan variable dan sampel yang lebih banyak lagi serta lebih banyak
melakukan uji estimasi sehingga akan diperoleh model yang lebih ideal.
Daftar Pustaka
Masruroh, Marwah dan Retno Subekti. 2016. A plikasi Regresi Partial L east Square untuk
A nalisis Hubungan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia di K ota
Y ogyakarta. J urnal Media Statiska V ol. 9, No. 2, 2477-0647.
Melliana, A yunanda dan Ismaini Zain. 2013. A nnalisis Statistika Faktor yang Mempengaruhi
Indeks Pembangunan Manusia di K abupaten/K ota Provinsi J awa Timur dengan Regresi Panel.
J urnal Sains dan Seni Pomits V ol. 2, No. 2, 2337-3520.
Pradita, Rahma Nurfiani, et. al. 2015. Pemodelan Faktor-Faktor yang Mempengaruhi Indeks
Pembangunan Manusia K abupaten/K ota di J awa Timur Menggunakan Geographically
Weighted Ordinal L ogistic Regressio. J urnal Gaussia V ol. 4, No. 3, 2339-2541.
Publikasi BPS
L A MPIR A N
Hasil R egressi Model Pertama
Hasil R egressi Model K edua
Hasil R egressi Model K etiga
Hasil R egressi Model K eempat
Hasil R egressi Model K elima
Uji Normalitas Model Pertama
Uji Normalitas Model K edua
Uji Normalitas Model K etiga
Uji Normalitas Model K eempat
Uji Normalitas Model K elima
Uji Heteroskedastisitas Model Pertama
Uji Heteroskedastisitas Model K edua
Uji Heteroskedastisitas Model K etiga
Uji Heteroskedastisitas Model K eempat
Uji Heteroskedastisitas Model K elima
Uji Multikolinearitas Model Pertama
Uji Multikolinearitas Model K edua
Uji Multikolinearitas Model K etiga
Uji Multikolinearitas Model K eempat
Uji Multikolinearitas Model K elima
Uji A utokolinearitas Model Pertama
Uji A utokolinearitas Model K edua
Uji A utokolinearitas Model K etiga
Uji A utokolinearitas Model K eempat
Uji A utokolinearitas Model K elima