Pengaruh Rata rata Lama Sekolah Angka Ha
Pengaruh Rata-rata Lama Sekolah, Angka Harapan Hidup, Jumlah
Penduduk Miskin, Jumlah Fasilitas Kesehatan, dan Kabupaten/Kota
terhadap Indeks Pembangunan Manusia di Jawa Tengah, DIY, dan Jawa
Timur pada Tahun 2014
Oleh:
Ilham Ibnu Affan
ilham.ibnu.affan@gmail.com
Abstrak
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 Jawa Tengah, Jawa Timur, dan Daerah Istimewa
Yogyakarta pada tahun 2014 dengan metode Ordinary Leart Square (OLS) 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, OLS, Rata-rata Lama 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. Karena 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 Jawa
Tengah, Jawa Timur dan Daerah Istimewa Yogyakarta pada tahun 2014 secara berturut-turut
adalah 68,78 persen, 68,14 persen, dan 76,81 persen (BPS, 2015). Ketiga provinsi ini
merupakan provinsi yang berada di bagian tengah dan timur pulau Jawa 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 Jawa Tengah, Jawa Timur dan
Daerah Istimewa Yogyakarta.
2. Tinjauan Pustaka
Menurut Masruroh (2016) bahwa dengan metode PLS (Partial Least Square) keempat
faktor yaitu AHH (Angka Harapan Hidup), AMH (Angka Melek Huruf), MYS (Rata-rata
Lama 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 Jawa Timur berdasarkan model GWOLR
(Geographically Weighted Ordinal Logistic 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
Lama Sekolah, Angka Harapan Hidup, Jumlah Penduduk Miskin, Jumlah Fasilitas Kesehatan,
dan Kabupaten/Kota terhadap Indeks Pembangunan Manusia.
3. Metodologi Penelitian
3. 1.
Sumber Data dan Variabel Penelitian
Penelitian ini akan membahas faktor-faktor yang mempengaruhi IPM di Jawa Tengah, Jawa
Timur dan Daerah Istimewa Yogyakarta dengan menggunakan metode OLS. Data yang
digunakan dalam penelitian ini adalah data hasil Survei Sosial Ekonoi Nasional (SUSENAS)
oleh Badan Pusat Statistik (BPS). Variabel yang digunakan pada penelitian ini sebanyak 5
variabel. Variabel tersebut terbagi atas satu variabel respon dan empat variabel prediktor.
Variabel yang berperan sebagai variabel respon (Y) adalah Indeks Pembangunan Manusia
(IPM), sedangkan variabel prediktor yang dipakai penelitian ini meliputi:
1. Lama Sekolah sebagai X1
2. Angka Harapan Hidup sebagai X2
3. Jumlah Penduduk Miskin sebagai X3
4. Jumlah Fasilitas Kesehatan sebagai X4
5. Kabupaten atau Kota sebagai X5
3. 2.
Model Regressi
Estimasi yang akan dilakukan adalah estimasi dengan lima model regresi sebagai
berikut:
Model 1:
YIPM=β0+β1 X1+e
Model 2:
YIPM=β0+β1 X1+β2X2+e
Model 3:
YIPM=β0+β1 X1+β2X2+β3X3+e
Model 4:
YIPM=β0+β1 X1+β2X2+β3X3+β4X4+e
Model 5:
YIPM=β0+β1 X1+β2X2+β3X3+β4X4+β5D1+e
Keterangan :
Y
=
Indeks
Pembangunan
Manusia
X1 = Rata-Rata Lama Sekolah
X2 = Angka Harapan Hidup
X3 = Jumlah Penduduk Miskin
X4
=
Jumlah
Fasilitas
Kesehatan
D1 = Kabupaten/Kota (Kota =
1, Kab.=0)
β0 = Konstanta Regressi
β1 = Koefisien Lama Sekolah
β2 = Koefisien Angka Harapan
Hidup
β3
=
Koefisien
Jumlah
Penduduk Miskin
β4 = Koefisien Jumlah Fasilitas
Kesehatan
β5 = Koefisien Kabupaten/Kota
e = Error
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 Kabupaten atau Kota (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 Kabupaten/Kota.
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 Analisis
Dalam penelitian ini software yang digunakan adalah Eviews 8. Probabilitas
pada penelitan ini menggunakan probabilitas 0,05 atau 5%. Adapun langkah analisis
yang digunakan dalam penelitian ini adalah:
1. Melakukan pemodelan regresi linier dan regresei linier berganda dengan metode
Ordinary Least Square (OLS).
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 Jawa Tengah, Jawa Timur, dan Daerah Istimewa
Yogyakarta pada tahun 2014. Deskripsi data yang digunakan dapat dilihat pada table
1.
Tabel 1. Deskripsi Data IPM dan Faktor-Faktor yang Memengaruhinya 2014
No
Jumlah
Mea
St.
Minima
Maksima
.
1
Variabel
IPM
Keterangan
IPM (Persen)
Rata-rata Lama Sekolah
Sampel
78
n
69.66
Deviasi
5.47
l
56.98
l
84.56
2
Lama Sekolah
(Tahun)
Angka Harapan Hidup
78
10.25
2.8
4.62
16.32
3
AHH
Penduduk
(Tahun)
Penduduk Miskin (Ribu
78
73.75
2.56
63.39
77.45
4
Miskin
Fasilitas
jiwa)
78
130.6
72.04
8.3
355.1
5
6
Kesehatan
Kabupaten/Kota
Fasilitas Kesehatan (Unit)
78
99.74
40.26
13
220
Kabupaten/Kota, 1=Kota
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. Kemudian variable angka harapan hidup
memiliki nilai rata-rata 73,75 tahun dan nilai minimal dan maksimal secara berturutturut adalah 63,39 tahun dan 77,45 tahun sedangkan standar deviasinya adalah 2,56.
Variable 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. Kemudian 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.
Tabel Hasil Regresi
Dari hasil estimasi regresi yang telah dilakukan sebanyak lima kali telah
dihasilkan F-stat 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.
Tabel 2. Hasil T-test dan Signifikansinya
Model 1
Model 2
Model 3
Model 4
Model 5
Rata-rata Lama
Sekolah
5.189172**
(0,000)
0.76581
(0,4462)
1.975942
(0,0519)
1.581587
(0,1181)
0.722137
(0,4725)
3.51175**
(0,0008)
1.594693
(0,1150)
2.167755**
(0,0334)
3.134415**
(0,0025)
-3.896738
(0,0002)
-1.555296
(0,1242)
-0.407751
(0,6847)
-1.76536
(0,0816)
0.472327
(0,6381)
6.026738**
(0,0000)
1.813741
(0,0739)
78
1.99346
Angka Harapan
Hidup
Jumlah Penduduk
Miskin
Jumlah Fasilitas
Kesehatan
Kabupaten/Kota
Konstanta
Jumlah Observer
t-tabel
**=Signifikan
29.077480
(0,000)
78
1.99167
1.024657
(0,3088)
78
1.9921
(0,05 uji dua arah)
4. 3. Interpretasi Hasil Regresi
4.3.1. Persamaan Regressi
Model 1:
YIPM= 59,43 + 0,99 X1+e
2.990414
(0,0038)
78
1.99254
2.233273
(0,0286)
78
1.993
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:
YIPM= 13,53 + 0,22 X1+ 0,75 X2+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:
YIPM= 42,49 + 0,54 X1+ 0,35 X2- 0,03 X3+e
Yang 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:
YIPM= 33,36 + 0,44 X1+ 0,51 X2 - 0,02 X3- 0,03 X4+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:
YIPM= 22,48 + 0,17 X1+ 0,60 X2- 0,003 X3+ 0,006 X4+ 7,58 D1+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 Fstat>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 Ttabelnya adalah 1,99 yang berarti T-stat>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.
Kemudian 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.
Karena 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. Karena syarat signifikan adalah Ttest>T-tabel 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 Asumsi Klasik
4.3.3.1. Uji Normalitas
Untuk uji normalitas pada model regressi dilihat dengan nilai JarqueBera 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. Karena 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 Autokolinearitas
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.
Karena 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.
Kesimpulan
Bedasarkan hasil dan pembahasan dapat disimpulakan bahwa dengan uji OLS
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. Aplikasi Regresi Partial Least Square untuk
Analisis Hubungan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia di
Kota Yogyakarta. Jurnal Media Statiska Vol. 9, No. 2, 2477-0647.
Melliana, Ayunanda dan Ismaini Zain. 2013. Annalisis Statistika Faktor yang Mempengaruhi
Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Timur dengan Regresi
Panel. Jurnal Sains dan Seni Pomits Vol. 2, No. 2, 2337-3520.
Pradita, Rahma Nurfiani, et. al. 2015. Pemodelan Faktor-Faktor yang Mempengaruhi Indeks
Pembangunan Manusia Kabupaten/Kota di Jawa Timur Menggunakan Geographically
Weighted Ordinal Logistic Regressio. Jurnal Gaussia Vol. 4, No. 3, 2339-2541.
Publikasi BPS
LAMPIRAN
Hasil Regressi Model Pertama
Hasil Regressi Model Kedua
Hasil Regressi Model Ketiga
Hasil Regressi Model Keempat
Hasil Regressi Model Kelima
Uji Normalitas Model Pertama
Uji Normalitas Model Kedua
Uji Normalitas Model Ketiga
Uji Normalitas Model Keempat
Uji Normalitas Model Kelima
Uji Heteroskedastisitas Model Pertama
Uji Heteroskedastisitas Model Kedua
Uji Heteroskedastisitas Model Ketiga
Uji Heteroskedastisitas Model Keempat
Uji Heteroskedastisitas Model Kelima
Uji Multikolinearitas Model Pertama
Uji Multikolinearitas Model Kedua
Uji Multikolinearitas Model Ketiga
Uji Multikolinearitas Model Keempat
Uji Multikolinearitas Model Kelima
Uji Autokolinearitas Model Pertama
Uji Autokolinearitas Model Kedua
Uji Autokolinearitas Model Ketiga
Uji Autokolinearitas Model Keempat
Uji Autokolinearitas Model Kelima
Penduduk Miskin, Jumlah Fasilitas Kesehatan, dan Kabupaten/Kota
terhadap Indeks Pembangunan Manusia di Jawa Tengah, DIY, dan Jawa
Timur pada Tahun 2014
Oleh:
Ilham Ibnu Affan
ilham.ibnu.affan@gmail.com
Abstrak
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 Jawa Tengah, Jawa Timur, dan Daerah Istimewa
Yogyakarta pada tahun 2014 dengan metode Ordinary Leart Square (OLS) 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, OLS, Rata-rata Lama 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. Karena 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 Jawa
Tengah, Jawa Timur dan Daerah Istimewa Yogyakarta pada tahun 2014 secara berturut-turut
adalah 68,78 persen, 68,14 persen, dan 76,81 persen (BPS, 2015). Ketiga provinsi ini
merupakan provinsi yang berada di bagian tengah dan timur pulau Jawa 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 Jawa Tengah, Jawa Timur dan
Daerah Istimewa Yogyakarta.
2. Tinjauan Pustaka
Menurut Masruroh (2016) bahwa dengan metode PLS (Partial Least Square) keempat
faktor yaitu AHH (Angka Harapan Hidup), AMH (Angka Melek Huruf), MYS (Rata-rata
Lama 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 Jawa Timur berdasarkan model GWOLR
(Geographically Weighted Ordinal Logistic 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
Lama Sekolah, Angka Harapan Hidup, Jumlah Penduduk Miskin, Jumlah Fasilitas Kesehatan,
dan Kabupaten/Kota terhadap Indeks Pembangunan Manusia.
3. Metodologi Penelitian
3. 1.
Sumber Data dan Variabel Penelitian
Penelitian ini akan membahas faktor-faktor yang mempengaruhi IPM di Jawa Tengah, Jawa
Timur dan Daerah Istimewa Yogyakarta dengan menggunakan metode OLS. Data yang
digunakan dalam penelitian ini adalah data hasil Survei Sosial Ekonoi Nasional (SUSENAS)
oleh Badan Pusat Statistik (BPS). Variabel yang digunakan pada penelitian ini sebanyak 5
variabel. Variabel tersebut terbagi atas satu variabel respon dan empat variabel prediktor.
Variabel yang berperan sebagai variabel respon (Y) adalah Indeks Pembangunan Manusia
(IPM), sedangkan variabel prediktor yang dipakai penelitian ini meliputi:
1. Lama Sekolah sebagai X1
2. Angka Harapan Hidup sebagai X2
3. Jumlah Penduduk Miskin sebagai X3
4. Jumlah Fasilitas Kesehatan sebagai X4
5. Kabupaten atau Kota sebagai X5
3. 2.
Model Regressi
Estimasi yang akan dilakukan adalah estimasi dengan lima model regresi sebagai
berikut:
Model 1:
YIPM=β0+β1 X1+e
Model 2:
YIPM=β0+β1 X1+β2X2+e
Model 3:
YIPM=β0+β1 X1+β2X2+β3X3+e
Model 4:
YIPM=β0+β1 X1+β2X2+β3X3+β4X4+e
Model 5:
YIPM=β0+β1 X1+β2X2+β3X3+β4X4+β5D1+e
Keterangan :
Y
=
Indeks
Pembangunan
Manusia
X1 = Rata-Rata Lama Sekolah
X2 = Angka Harapan Hidup
X3 = Jumlah Penduduk Miskin
X4
=
Jumlah
Fasilitas
Kesehatan
D1 = Kabupaten/Kota (Kota =
1, Kab.=0)
β0 = Konstanta Regressi
β1 = Koefisien Lama Sekolah
β2 = Koefisien Angka Harapan
Hidup
β3
=
Koefisien
Jumlah
Penduduk Miskin
β4 = Koefisien Jumlah Fasilitas
Kesehatan
β5 = Koefisien Kabupaten/Kota
e = Error
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 Kabupaten atau Kota (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 Kabupaten/Kota.
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 Analisis
Dalam penelitian ini software yang digunakan adalah Eviews 8. Probabilitas
pada penelitan ini menggunakan probabilitas 0,05 atau 5%. Adapun langkah analisis
yang digunakan dalam penelitian ini adalah:
1. Melakukan pemodelan regresi linier dan regresei linier berganda dengan metode
Ordinary Least Square (OLS).
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 Jawa Tengah, Jawa Timur, dan Daerah Istimewa
Yogyakarta pada tahun 2014. Deskripsi data yang digunakan dapat dilihat pada table
1.
Tabel 1. Deskripsi Data IPM dan Faktor-Faktor yang Memengaruhinya 2014
No
Jumlah
Mea
St.
Minima
Maksima
.
1
Variabel
IPM
Keterangan
IPM (Persen)
Rata-rata Lama Sekolah
Sampel
78
n
69.66
Deviasi
5.47
l
56.98
l
84.56
2
Lama Sekolah
(Tahun)
Angka Harapan Hidup
78
10.25
2.8
4.62
16.32
3
AHH
Penduduk
(Tahun)
Penduduk Miskin (Ribu
78
73.75
2.56
63.39
77.45
4
Miskin
Fasilitas
jiwa)
78
130.6
72.04
8.3
355.1
5
6
Kesehatan
Kabupaten/Kota
Fasilitas Kesehatan (Unit)
78
99.74
40.26
13
220
Kabupaten/Kota, 1=Kota
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. Kemudian variable angka harapan hidup
memiliki nilai rata-rata 73,75 tahun dan nilai minimal dan maksimal secara berturutturut adalah 63,39 tahun dan 77,45 tahun sedangkan standar deviasinya adalah 2,56.
Variable 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. Kemudian 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.
Tabel Hasil Regresi
Dari hasil estimasi regresi yang telah dilakukan sebanyak lima kali telah
dihasilkan F-stat 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.
Tabel 2. Hasil T-test dan Signifikansinya
Model 1
Model 2
Model 3
Model 4
Model 5
Rata-rata Lama
Sekolah
5.189172**
(0,000)
0.76581
(0,4462)
1.975942
(0,0519)
1.581587
(0,1181)
0.722137
(0,4725)
3.51175**
(0,0008)
1.594693
(0,1150)
2.167755**
(0,0334)
3.134415**
(0,0025)
-3.896738
(0,0002)
-1.555296
(0,1242)
-0.407751
(0,6847)
-1.76536
(0,0816)
0.472327
(0,6381)
6.026738**
(0,0000)
1.813741
(0,0739)
78
1.99346
Angka Harapan
Hidup
Jumlah Penduduk
Miskin
Jumlah Fasilitas
Kesehatan
Kabupaten/Kota
Konstanta
Jumlah Observer
t-tabel
**=Signifikan
29.077480
(0,000)
78
1.99167
1.024657
(0,3088)
78
1.9921
(0,05 uji dua arah)
4. 3. Interpretasi Hasil Regresi
4.3.1. Persamaan Regressi
Model 1:
YIPM= 59,43 + 0,99 X1+e
2.990414
(0,0038)
78
1.99254
2.233273
(0,0286)
78
1.993
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:
YIPM= 13,53 + 0,22 X1+ 0,75 X2+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:
YIPM= 42,49 + 0,54 X1+ 0,35 X2- 0,03 X3+e
Yang 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:
YIPM= 33,36 + 0,44 X1+ 0,51 X2 - 0,02 X3- 0,03 X4+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:
YIPM= 22,48 + 0,17 X1+ 0,60 X2- 0,003 X3+ 0,006 X4+ 7,58 D1+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 Fstat>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 Ttabelnya adalah 1,99 yang berarti T-stat>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.
Kemudian 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.
Karena 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. Karena syarat signifikan adalah Ttest>T-tabel 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 Asumsi Klasik
4.3.3.1. Uji Normalitas
Untuk uji normalitas pada model regressi dilihat dengan nilai JarqueBera 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. Karena 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 Autokolinearitas
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.
Karena 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.
Kesimpulan
Bedasarkan hasil dan pembahasan dapat disimpulakan bahwa dengan uji OLS
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. Aplikasi Regresi Partial Least Square untuk
Analisis Hubungan Faktor-Faktor yang Mempengaruhi Indeks Pembangunan Manusia di
Kota Yogyakarta. Jurnal Media Statiska Vol. 9, No. 2, 2477-0647.
Melliana, Ayunanda dan Ismaini Zain. 2013. Annalisis Statistika Faktor yang Mempengaruhi
Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Timur dengan Regresi
Panel. Jurnal Sains dan Seni Pomits Vol. 2, No. 2, 2337-3520.
Pradita, Rahma Nurfiani, et. al. 2015. Pemodelan Faktor-Faktor yang Mempengaruhi Indeks
Pembangunan Manusia Kabupaten/Kota di Jawa Timur Menggunakan Geographically
Weighted Ordinal Logistic Regressio. Jurnal Gaussia Vol. 4, No. 3, 2339-2541.
Publikasi BPS
LAMPIRAN
Hasil Regressi Model Pertama
Hasil Regressi Model Kedua
Hasil Regressi Model Ketiga
Hasil Regressi Model Keempat
Hasil Regressi Model Kelima
Uji Normalitas Model Pertama
Uji Normalitas Model Kedua
Uji Normalitas Model Ketiga
Uji Normalitas Model Keempat
Uji Normalitas Model Kelima
Uji Heteroskedastisitas Model Pertama
Uji Heteroskedastisitas Model Kedua
Uji Heteroskedastisitas Model Ketiga
Uji Heteroskedastisitas Model Keempat
Uji Heteroskedastisitas Model Kelima
Uji Multikolinearitas Model Pertama
Uji Multikolinearitas Model Kedua
Uji Multikolinearitas Model Ketiga
Uji Multikolinearitas Model Keempat
Uji Multikolinearitas Model Kelima
Uji Autokolinearitas Model Pertama
Uji Autokolinearitas Model Kedua
Uji Autokolinearitas Model Ketiga
Uji Autokolinearitas Model Keempat
Uji Autokolinearitas Model Kelima