Definisi Operasional Variabel - METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN

F. Definisi Operasional Variabel

Variabel Definisi Satuan

Indeks Pembangunan Manusia

Indikator komposit tunggal yang mengukur tiga dimensi pokok pembangunan manusia

Nilai indeks (0 – 100)

50 yang dinilai mampu mencerminkan

kemampuan dasar (basic capabilities) penduduk Infrastruktur Rumah

Sakit

Sebuah bangunan rumah sakit negeri yang

dikelola oleh pemerintah daerah baik kabupaten, kota maupun provinsi dan puskesmas

Jumlah satuan/1000

Infrastruktur Sekolah Sebuah infrastruktur sekolah SD dan SMP terutama yang sekolah negeri

Jumlah satuan/1000

Infrastruktur Jalan Jalan provinsi yang merupakan jalan kolektor dan primer yang dimiliki dan dikelola dari Pemerintah Daerah

Kilometer/100 km²

51 BAB IV

ANALISIS DAN PEMBAHASAN

A. Gambaran Umum Objek Penelitian

Pemekaran provinsi adalah sebuah proses dari desentralisasi dan dekonsentrasi yang membuat kepala daerah setempat berperan aktif dalam pembangunan pada daerahnya masing-masing. Desentralisasi dan dekonsentrasi yang terjadi yaitu pelimpahan sebagian wewenang pemerintah pusat terhadap pemerintah daerah untuk berperan lebih besar dalam pembangunan di daerah tersebut. Pemekaran pun merupakan sebuah proses yang memungkinkan terbentuknya suatu provinsi baru yang tercipta dari provinsi sebelumnya. Pemekaran tersebut dapat terjadi apabila sudah melalui sejumlah mekanisme yang sudah tercantum dalam Undang – Undang.

Terbentuknya provinsi – provinsi baru didasari atas keinginan daerah tersebut untuk mendapatkan otonomi lebih untuk mengatur dirinya sendiri terlepaskan dari provinsi sebelumnya. Proses pemekaran provinsi sendiri di Indonesia sudah dimulai sejak tahun 1999. Sejak saat itu hingga saat ini telah terdapat 8 provinsi hasil pemekaran yang terbentuk yaitu sebagai berikut :

a. Provinsi Kepulauan Riau dari Provinsi Riau;

b. Provinsi Banten dari Provinsi Jawa Barat;

c. Provinsi Maluku Utara dari Provinsi Maluku;

52 d. Provinsi Papua Barat dari Provinsi Papua;

e. Provinsi Kalimantan Utara dari Provinsi Kalimantan Timur;

f. Provinsi Sulawesi Barat dari Provinsi Sulawesi Selatan;

g. Provinsi Bangka Belitung dari Provinsi Sumatera Selatan;

h. Provinsi Gorontalo dari Provinsi Sulawesi Utara.

Tabel 4.1 Nilai Komponen IPM Tahun 2019

Provinsi 2019

AHH HLS RLS PPK

KEPULAUAN BANGKA

BELITUNG 70.50 11.94 7.98 12959

KEPULAUAN RIAU 69.80 12.83 9.99 14466

BANTEN 69.84 12.88 8.74 12267

KALIMANTAN UTARA 72.54 12.84 8.94 9343

GORONTALO 67.93 13.06 7.69 10075

SULAWESI BARAT 64.82 12.62 7.73 9235

MALUKU UTARA 68.18 13.63 9 8308

PAPUA BARAT 65.90 12.72 7.44 8125 Sumber : Badan Pusat Statistik

Berdasarkan data Badan Pusat Statistik pada tabel 4.1 diatas memperlihatkan komponen dari indeks pembangunan manusia yaitu angka harapan hidup, harapan lama sekolah, rata-rata lama sekolah, pengeluaran per kapita. Ada kesenjangan yang terjadi di antara provinsi tersebut antara lain yaitu harapan hidup penduduk provinsi yang berada dibawah umur 70 tahun selain provinsi Kepulauan Bangka Belitung dan provinsi Kalimantan Utara, sedangkan pada bagian rata – rata lama sekolah

menunjukkan bahwa provinsi Kepulauan Riau sudah menyelesaikan pendidikan dasar yaitu 9 tahun ketimbang provinsi lainnya.

Grafik 4.1 Rata – rata IPM pada Provinsi hasil pemekaran Tahun 2015 - 2019

Sumber : Badan Pusat Statistik, Data diolah oleh penulis

Sesuai dengan laporan United Nations Development Programme (2019) yang memperlihatkan adanya ketimpangan pembangunan manusia yang digambarkan dengan ketimpangan IPM tak terkecuali terjadi di Indonesia. Ketimpangan pembangunan manusia ataupun indeks pembangunan manusia di Indonesia meskipun tak terlalu besar namun dapat memperlihatkan adanya perbedaan keadaan pembangunan manusia di setiap provinsi. Terlebih lagi adanya perbedaan keadaan pembangunan manusia atau indeks pembangunan manusia di provinsi yang mengalami pemekaran dengan provinsi hasil pemekaran. Berdasarkan grafik 1.1 dan grafik 4.1 menunjukkan status indeks pembangunan manusia pada provinsi yang mengalami

pemekaran dengan provinsi hasil pemekaran beragam, adapun sesama provinsi hasil pemekaran menunjukkan perkembangan nilai IPM yang beragam. Perbedaan perkembangan tersebut bisa terjadi dikarenakan adanya perbedaan pengelolaan daerah pada masing-masing provinsi dan lebih lanjutnya keberhasilan provinsi hasil pemekaran dengan provinsi yang mengalami pemekaran membuka harapan bahwa provinsi hasil pemekaran dapat lebih baik menuju kesejahteraan.

Grafik 4.2 Rata - Rata Jumlah Infrastruktur Kesehatan per 1000 Tahun 2015 - 2019

Sumber : Kementerian Kesehatan RI, Data diolah penulis

Grafik 4.2 menunjukkan jumlah rata – rata rumah sakit yang memberikan arti bahwa jumlah rumah sakit dan puskesmas secara keseluruhan masih berada pada kisaran 60 per 1000 penduduk. Jumlah yang sedikit mengingat jumlah populasi yang besar pada setiap provinsi. Permsalahan ini dibutuhkan program khusus untuk peningkatan jumlah rumah sakit itu sendiri.

0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00

Grafik 4.3 Rata - Rata Jumlah Infrastruktur Pendidikan per 1000 Penduduk Tahun 2015 - 2019

Sumber : Kementerian Pendidikan dan Kebudayaan dan BPS, Data diolah oleh penulis

Grafik 4.3 menunjukkan jumlah rata – rata infrastruktur sekolah dasar dan menengah pertama negeri untuk per seribu penduduk pada masing – masing provinsi.

Ketimpangan terjadi di antara provinsi – provinsi tersebut. Sebuah kebijakan khusus perlu dibuat oleh masing – masing provinsi yang jumlah infrastruktur pendidikan sedikit seperti Provinsi Kepulauan Riau, Provinsi Banten dan Provinsi Kalimantan Utara. Memang patut disadari bahwa ketersediaan infrastruktur sekolah menyesuaikan dengan jumlah penduduk yang berusia sesuai jenjang pendidikan pada wilayah tersebut namun harus diperhatikan distribusinya agar tidak terjadi penumpukan siswa pada

0,00 0,50 1,00 1,50 2,00 2,50

suatu sekolah. Terlebih lagi yaitu masalah kualitas dari masing – masing sekolah agar menunjang pembelajaran dalam melaksanakan pembangunan manusia.

Grafik 4.4 Rata - Rata Jumlah Infrastruktur Jalan per 100km² Tahun 2015 - 2019

Sumber : Kementerian PUPR, Data diolah oleh penulis

Grafik 4.3 menunjukkan jumlah rata – rata panjang jalan provinsi pada setiap provinsi. Grafik tersebut menampilkan bahwa jumlah terbanyak dimiliki oleh Provinsi Papua Barat menandakan bahwa konektivitas antar kabupaten atau kota sangat bergantung pada jalan provinsi. Terlebih jumlah yang sedikit pada Provinsi Sulawesi Barat membutuhkan pertumbuhan yang signifikan. Infrastruktur jalan provinsi dibutuhkan untuk konektivitas antar kabupaten atau kota dalam suatu provinsi, meskipun kebutuhan atau pembangunan disesuaikan dengan kondisi geografis tersendiri..

Grafik 4.2, grafik 4.3 dan grafik 4.4 menunjukkan bahwa penyediaan infrastruktur di masing – masing provinsi berbeda jumlahnya. Ketimpangan ketersediaan tersebut dapat dipahami dengan perkembangan nilai IPM antar provinsi yang berbeda. Salah satu pertimbangan yang mencerminkan perbedaan tersebut adalah jumlah populasi yang berbeda di setiap provinsi dan jumlah luas wilayah yang berbeda sehingga jumlah ketersediaan masing – masing infrastruktur disesuaikan dengan kondisi sosial maupun geografis. Ketimpangan yang sangat kentara terlihat adalah pada jumlah infrastruktur kesehatan yang sangat timpang antar provinsi bahkan pada semua provinsi.

Tabel 4.2 Deskripsi Statistik

Variabel Rata – Rata Median Maksimum Minimum Std. Dev.

IPM 68.13281 68.26 74.84 61.73 3.69388

EDU 1.38155 1.198 2.456 0.349 0.670735

RD 32.79528 30.0205 66.28 3.443 20.37974

HEA 0.1258 0.085 0.329 0.019 0.085901

Sumber : Eviews 9, Data diolah oleh penulis

Tabel 4.2 nilai deskriptif dari nilai masing-masing variabel pada sampel penelitian yang digunakan. Pada variabel IPM terlihat nilai rata menunjukkan nilai sekitar 68 yang menunjukkan keberhasilan pembangunan manusia yang berhasil memperlihatkan konsistensi untuk mencapai kategori atas pada peringkat pembangunan manusia. Nilai pada variabel RD atau jalan provinsi menunjukkan nilai

rata – rata sebesar 32 yang berarti rata – rata panjang jalan provinsi dan kabupaten yaitu 32 km, namun memperlihatkan kekhawatiran yaitu nilai minimum yang menandakan ada provinsi yang memiliki panjang jalan provinsi yang sedikit namun hal ini dapat dimaklumi dikarenakan beberapa sampel penelitian merupakan berbentuk kepulauan.

Variabel EDU atau sekolah SD dan SMP negeri memperlihatkan nilai yang fantastis yaitu nilai total atau jumlah sekolah hal ini dapat didasari pada kebutuhan pendidikan dasar minimal 9 tahun yang disesuaikan dengan populasi penduduk sesuai dengan karakteristik masing-masing sampel. Sedangkan pada variabel HEA atau rumah sakit negeri dan puskesmas memperlihatkan nilai yang kecil ketimbang dari variabel lainnya..

B. Temuan Hasil Penelitian

1. Analisis Model Data Panel a. Uji Chow

Pengujian ini dilakukan untuk melihat apakah Pooled Least Square (PLS) atau Fixed Effect Model yang lebih cocok untuk digunakan dalam suatu penelitian. Jika nilai probabilitas F-statistik yang diperoleh lebih kecil dari taraf signifikansi α = 5%, maka model yang lebih cocok adalah Fixed Effect. Sementara itu, jika nilai probabilitas F-statistik yang diperoleh lebih besar dari taraf signifikansi α = 5%, maka model PLS atau Common Effect lebih cocok untuk digunakan dalam penelitian. Perumusan hipotesis pemilihan model adalah sebagai berikut:

59 H0 : Model PLS atau Common Effect

H1 : Model Fixed Effect

Berdasarkan hasil uji Chow yang telah dilakukan, diperoleh hasil sebagai berikut:

Tabel 4.3 Uji Chow Redundant Fixed Effects Tests

Equation: Untitled Test cross-section fixed effects

Effects Test Statistic d.f. Prob.

Cross-section F 32.599892 (7,29) 0.0000 Cross-section

Chi-square

87.302209 7 0.0000

Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan Tabel 4.3 diatas, didapatkan nilai probabilitas sebesar 0,0000 yang berada di bawah taraf signifikansi (α = 5%) sehingga berdasarkan uji Chow didapatkan bahwa model terbaik yaitu Fixed Effect Model.

b. Uji Hausman

Setelah uji Chow dilakukan dan mendapatkan model Fixed Effect, uji Hausman ini dilakukan untuk melihat model mana yang lebih cocok dalam suatu penelitian antara Fixed Effect Model atau Random Effect Model. Jika nilai probabilitas yang diperoleh lebih kecil dari taraf signifikansi α = 5%, maka model yang lebih cocok adalah Fixed Effect. Sementara itu, jika nilai probabilitas yang diperoleh lebih besar dari taraf signifikansi α = 5%, maka model Random Effect lebih cocok untuk digunakan dalam penelitian. Perumusan hipotesis pemilihan model adalah sebagai berikut:

H0 : Model Random Effect

60 Ha : Model Fixed Effect

Berdasarkan hasil uji Hausman yang telah dilakukan, diperoleh hasil sebagai berikut:

Tabel 4.4 Uji Hausman

Correlated Random Effects - Hausman Test Equation: Untitled

Test cross-section random effects Test Summary Chi-Sq.

Statistic

Chi-Sq.

d.f.

Prob.

Cross-section random 8.036948 3 0.0453 Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan Tabel 4.4 diatas, didapatkan nilai probabilitas sebesar 0,0453 yang berada di bawah taraf signifikansi (α = 5%) sehingga berdasarkan uji hausman terpilih Fixed Effect Model. Berdasarkan Tabel 4.3 dan Tabel 4.4 maka model yang cocok dan terpilih dalam penelitian ini berdasarkan hasil uji Chow dan uji Hausmann adalah Fixed Effect Model.

d. Model Fixed Effect

Berdasarkan pengujian pemilihan model yang telah dilakukan, maka model dalam penelitian ini adalah Fixed Effect Model (FEM) yang dapat digambarkan melalui Tabel 4.5 dan mendapatkan persamaan regresi sebagai berikut:

IPM = 72.99435+ -5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Di mana:

Di mana:

IPMit = Indeks Pembangunan Manusia di provinsi i pada periode t HEAit = Jumlah Infrastruktur Kesehatan di provinsi i pada periode t EDUit = Jumlah Infrastruktur Pendidikan di provinsi i pada periode t RDit = Panjang Infrastruktur Jalan di provinsi i pada periode t μit = error term

Tabel 4.5 Model Fixed Effect Dependent Variable: IPM Method: Panel Least Squares

Sample: 2015 2019 Periods included: 5 Cross-sections included: 8 Total panel (balanced) observations: 40 Variable Coefficient Std.

Error

Cross-section fixed (dummy variables)

R-squared 0.971757 Mean dependent var 68.45600 F-statistic 99.77986 Durbin-Watson stat 1.255889

62 Prob(F-statistic) 0.000000

Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan Tabel 4.5 diatas yaitu model regresi panel yaitu Fixed Effect, variabel infrastruktur sekolah tidak berpengaruh terhadap variabel indeks pembangunan manusia. Demikian berdasarkan hasil uji diatas maka variabel infrastruktur sekolah berdampak positif terhadap indeks pembangunan manusia menyatakan kebenaran hipotesis awal.

Infrastruktur jalan tidak berpengaruh terhadap variabel indeks pembangunan manusia. Berdasarkan hasil uji diatas maka variabel infrastruktur jalan tidak berdampak terhadap indeks pembangunan manusia sesuai dengan hipotesis awal pada penelitian ini.

Berlaku serupa dengan variabel independen sebelumnya, infrastruktur rumah sakit tidak berpengaruh terhadap variabel indeks pembangunan manusia. Berdasarkan hasil uji diatas maka variabel infrastruktur jalan tidak berdampak terhadap indeks pembangunan manusia sesuai dengan hipotesis awal pada penelitian ini. Model yang terpilih pada penelitian ini adalah Fixed Effect Model maka menghasilkan efek individu untuk setiap wilayah penelitian untuk interpretasi model persamaan fixed effect pada masing – masing wilayah observasi adalah pada tabel 4.6 :

Tabel 4.6 Efek Individu Fixed Effect Model

PROVINSI EFFECT

KEPULAUAN BANGKA BELITUNG

0.858632

KEPULAUAN RIAU 6.382037

BANTEN 2.918618

KALIMANTAN UTARA -1.198360

GORONTALO 0.033471

SULAWESI BARAT -2.910018

MALUKU UTARA -0.619885

PAPUA BARAT -5.464495

Sumber : Eviews 9

1. Provinsi KEPULAUAN BANGKA BELITUNG

IPM = 72.99435 + -5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Apabila EDUit, RDit, HEAit di Provinsi Kepulauan Bangka Belitung bernilai 0 , maka Indeks Pembangunan Manusia di Provinsi Kepulauan Bangka Belitung adalah 72.99435

2. Provinsi Kepulauan Riau

IPM = 66.612313 + 5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Apabila EDUit, RDit, HEAit di Provinsi Kepulauan Bangka Belitung bernilai 0 , maka Indeks Pembangunan Manusia di Provinsi Kepulauan Bangka Belitung adalah 66.612313

64 3. Provinsi Banten

IPM = 70.075732 + 5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Apabila EDUit, RDit, HEAit di Provinsi Kepulauan Bangka Belitung bernilai 0 , maka Indeks Pembangunan Manusia di Provinsi Kepulauan Bangka Belitung adalah 70.075732

4. Provinsi Kalimantan Utara

IPM = 74.19271 + 5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Apabila EDUit, RDit, HEAit di Provinsi Kepulauan Bangka Belitung bernilai 0 , maka Indeks Pembangunan Manusia di Provinsi Kepulauan Bangka Belitung adalah 74.19271

5. Provinsi Gorontalo

IPM = 72.960879 + 5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Apabila EDUit, RDit, HEAit di Provinsi Kepulauan Bangka Belitung bernilai 0 , maka Indeks Pembangunan Manusia di Provinsi Kepulauan Bangka Belitung adalah 72.960879

6. Provinsi Sulawesi Barat

7. Provinsi Maluku Utara

IPM = 73.614235 + 5.382553 (HEAit) + -1.480633 (EDUit) + -0.055363 (RDit) + e Apabila EDUit, RDit, HEAit di Provinsi Kepulauan Bangka Belitung bernilai 0 , maka Indeks Pembangunan Manusia di Provinsi Kepulauan Bangka Belitung adalah 73.614235

8. Provinsi Papua Barat

Interpretasi dari model diatas berdasarkan masing – masing provinsi menyimpulkan bahwa infrastruktur sebagai pelengkap pada proses pembangunan manusia, masih ada faktor lainnya yang mungkin mempengaruhinya seperti jumlah tenaga pendidikan atau kesehatan, faktor lingkungan dan lainnya.

2. Uji Asumsi Klasik a. Uji Normalitas

Uji normalitas dilakukan untuk melihat apakah data berdistribusi normal atau tidak, dengan melihat nilai probabilitas Jarque-Bera pada grafik 4.5 di bawah

Grafik 4.5 Uji Normalitas

66 Skewness 0.292652 Kurtosis 2.135713 Jarque-Bera 1.815957 Probability 0.403339

Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan grafik diatas, didapatkan nilai probabilitas sebesar 0, 476414 yang berada diatas taraf signifikansi (α = 5%) sehingga data tersebut terdistribusi normal.

b. Uji Heteroskedastisitas

Pengujian ini dilakukan untuk melihat apakah terjadi ketidaksamaan varian dari residual pada model regresi linier yang dilakukan dengan membandingkan nilai probabilitas masing-masing variabel bebas dari hasil Uji Glejser dan taraf signifikansi (α = 5%).

Tabel 4.7 Uji Heteroskedastisitas Dependent Variable: RESABS

Method: Panel Least Squares Sample: 2015 2015 Periods included: 5 Cross-sections included: 8 Total panel (balanced) observations: 40 Variable Coefficient Std.

Error

Berdasarkan Tabel 4.7 diatas, didapatkan nilai probabilitas pada variabel EDU, RD, dan HEA lebih dari taraf signifikansi (a= 5%) sehingga dapat dikatakan terindikasi tidak adanya heteroskedastisitas.

c. Uji Multikolinearitas

Pengujian ini dilakukan untuk melihat apakah terdapat korelasi antara variabel bebas. Multikolinearitas terjadi jika nilai korelasi antar variabel bebas lebih besar dari 0,8.

Tabel 4.8 Uji Multikolinearitas

EDU RD HEA

EDU 1.000000 0.680986 -0.535151 RD 0.680986 1.000000 -0.283065 HEA -0.535151 -0.283065 1.000000 Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan Tabel 4.8 diatas, didapatkan nilai koefisien korelasi pada variabel EDU, RD dan HEA tidak lebih daripada 0,8 sehingga data tersebut tidak terindikasi multikolinearitas.

3. Uji Hipotesis

a. Uji T-Statistik (Uji Parsial)

Uji T-Statistik digunakan untuk melihat pengaruh dari masing-masing variabel bebas yaitu infrastruktur kesehatan, infrastruktur pendidikan dan infrastruktur jalan secara parsial terhadap variabel terikat yaitu IPM. Pengujian dilakukan dengan membandingkan nilai t-statistik hasil regresi dengan t-tabel atau melihat nilai probabilitas masing-masing variabel dengan taraf signifikansi. Uji T-Statistik dapat juga digunakan untuk menolak atau menerima hipotesis yang telah disusun.

Hipotesis penelitian ini adalah sebagai berikut:

1) H0 : Diduga tidak terdapat pengaruh yang signifikan dari infrastruktur kesehatan secara parsial terhadap indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia periode tahun 2015-2019.

Ha : Diduga terdapat pengaruh yang signifikan dari infrastruktur kesehatan secara parsial terhadap indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia periode tahun 2015-2019.

2) H0 : Diduga tidak terdapat pengaruh yang signifikan dari infrastruktur pendidikan secara parsial terhadap indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia periode tahun 2015-2019.

Ha : Diduga terdapat pengaruh yang signifikan dari infrastruktur pendidikan secara parsial terhadap indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia periode tahun 2015-2019.

3) H0 : Diduga tidak terdapat pengaruh yang signifikan dari infrastruktur jalan secara parsial terhadap indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia periode tahun 2015-2019.

Ha : Diduga tidak terdapat pengaruh yang signifikan dari infrastruktur jalan secara parsial terhadap indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia periode tahun 2015-2019

Berdasarkan hasil analisis regresi data panel dengan model Fixed Effect Model, maka didapatkan hasil uji t sebagai berikut:

Tabel 4.9 Uji T

Variable Coefficient Std. Error t-Statistic Prob.

C 72.99435 1.556838 46.88629 0.0000 HEA -5.382553 8.067891 -0.667157 0.5099 EDU -1.480633 0.775009 -1.910471 0.0660 RD -0.055363 0.043381 -1.276216 0.2120 Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan hasil uji T pada Tabel 4.9 diatas, maka dalam penelitian ini variabel infrastruktur kesehatan, infrastruktur pendidikan dan infrastruktur jalan secara parsial tidak berpengaruh terhadap indeks pembangunan manusia. Demikian, hipotesis dapat dibuktikan sebagai berikut:

1). Infrastruktur kesehatan memiliki nilai probabilitas sebesar 0.5099 yang berada diatas taraf signifikansi 5%. Maka dari itu, hasil ini menerima H0 dan

menolak Ha sehingga dapat dikatakan bahwa infrastruktur kesehatan tidak mempengaruhi indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia pada tahun 2015-2019 dengan tingkat kepercayaan sebesar 95%.

2). Infrastruktur sekolah memiliki nilai probabilitas sebesar 0.0660 yang berada di bawah taraf signifikansi 5%. Maka dari itu, hasil ini menolak H0 dan menerima Ha sehingga dapat dikatakan bahwa infrastruktur pendidikan mempengaruhi indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia pada tahun 2015-2019. Dengan tingkat kepercayaan sebesar 95% ; 3). Infrastruktur jalan memiliki nilai probabilitas sebesar 0.2120 yang berada diatas taraf signifikansi 5%. Maka dari itu, hasil ini menerima Ho dan menolak Ha sehingga dapat dikatakan bahwa infrastruktur jalan tidak mempengaruhi indeks pembangunan manusia pada provinsi hasil pemekaran di Indonesia pada tahun 2015-2019 dengan tingkat kepercayaan sebesar 95%.

b. Koefisien Determinasi

Koefisien determinasi (R²) digunakan untuk melihat bagaimana pengaruh variabel bebas terhadap variabel terikat. Nilai koefisien determinasi dapat dilihat dari R-square (jika variabel bebas hanya satu) atau Adjusted R- square (jika variabel bebas lebih dari satu). Berdasarkan hasil analisis regresi data panel dengan model Fixed Effect, maka didapatkan nilai koefisien determinasi sebagai berikut:

Tabel 4.10 Uji Koefisien Determinasi

R-squared 0.971757

Adjusted R-squared 0.962018

Sumber : Eviews 9, Data diolah oleh penulis

Berdasarkan Tabel 4.10 diatas, maka didapatkan nilai Adjusted R- squared sebesar 0,981625 atau sebesar 98,16%. Maka dari itu, dapat dikatakan bahwa 98,16%

variabel IPM di Indonesia dapat dijelaskan oleh variabel infrastruktur sekolah, infrastruktur rumah sakit dan infrastruktur jalan sedangkan sisanya yaitu sebesar 1,84%

dijelaskan oleh variabel lainnya di luar model penelitian ini.

C. Analisis Ekonomi

a. Infrastruktur Kesehatan terhadap Indeks Pembangunan Manusia

Infrastruktur rumah sakit dan puskesmas memegang peranan krusial dalam penanganan kesehatan bagi masyarakat setempat. Rumah sakit merupakan fasilitas kesehatan yang mempunyai fungsi dan kemampuan daripada fasilitas pelayanan kesehatan lainnya termasuk klinik maupun puskesmas bahkan mempunyai fungsi untuk merawat pasien yang membutuhkan tindakan yang lebih. Pada salah satu komponen dari indeks pembangunan manusia yaitu angka harapan hidup terletak semacam hubungan yang rasional antara jumlah ketersediaan rumah sakit terhadap harapan hidup masyarakat pada suatu wilayah. Infrastruktur rumah sakit yang digunakan yaitu rumah sakit pemerintah daerah yang dikelola oleh pemerintah

provinsi, kabupaten maupun kota yang notabene adalah rumah sakit negeri yang memberikan keunggulan ketimbang rumah sakit swasta. Apalagi pemerintah memiliki program jaminan kesehatan yang memudahkan masyarakat yang kurang mampu untuk mendapatkan akses pelayanan kesehatan dari ketersediaan infrastruktur rumah sakit.

Pemerintah memiliki program jaminan kesehatan yang memudahkan masyarakat yang kurang mampu untuk mendapatkan akses pelayanan kesehatan dari ketersediaan infrastruktur puskesmas menjadi faskes (fasilitas kesehatan) rujukan untuk pengobatan sebelum mencapai kebutuhan perawatan yang lebih lanjut ke rumah sakit.

Hubungan rasional antara ketersediaan rumah sakit dan puskesmas terhadap peningkatan indeks pembangunan manusia didasari pada peningkatan infrastruktur rumah sakit akan meningkatkan ketersediaan akses kesehatan bagi penduduk sekitar.

Rumah sakit menjadi fasilitas kesehatan yang mempunyai kapabilitas tertinggi untuk pelayanan kesehatan ketimbang lainnya, sedangkan puskesmas menjadi akses kesehatan pertama dalam hal kesehatan inilah yang menjadi penting bagi ketersediaan rumah sakit dan puskesmas untuk meningkatkan kualitas kesehatan masyarakat setempat yang meningkatkan angka harapan hidup bagi masyarakat yang pada akhirnya akan meningkatkan IPM. Penelitian oleh Kristanto, dkk., (2019) menemukan bahwa yang mempengaruhi angka harapan hidup suatu populasi adalah jumlah tenaga medis yang tersedia hingga asuransi kesehatan dan juga menemukan bahwa akses yang mahal yaitu transportasi menuju fasilitas kesehatan yang mahal membuat masyarakat tidak mendapatkan akses terhadap pelayanan kesehatan tersebut. Arisman (2018) juga menemukan bahwa jumlah populasi yang besar serta pertumbuhan yang meningkat

berpengaruh negatif terhadap IPM, yang dapat diartikan bahwa seharusnya jumlah ketersediaan fasilitas kesehatan yaitu puskesmas haruslah proporsional jumlah pembangunannya dengan pertumbuhan penduduk.

Pada penelitian ini terutama variabel infrastruktur kesehatan terhadap indeks pembangunan manusia tidak memiliki hubungan yang berpengaruh. Ada kemungkinan bahwa ketersediaan infrastruktur kesehatan yaitu rumah sakit tidak mempengaruhi indeks pembangunan manusia karena menurut Agenor (2010) bahwa ada kemungkinan suatu infrastruktur untuk berpengaruh pada pembangunan haruslah mencapai sekian banyak jumlah ketersediaannya hal ini juga mengingat bahwa jumlah rumah sakit sedikit. Hasil penelitian dan kesimpulan ini dikuatkan oleh penelitian dari Kristanto, dkk., (2019) namun bertolak belakang dengan penelitian dari Mohanty, dkk. (2016), Paramita, dkk. (2020),dan Pradita, dkk. (2015).

b. Infrastruktur Pendidikan terhadap Indeks Pembangunan Manusia

Infrastruktur sekolah dasar dan menengah pertama yang merupakan dasar pendidikan atau wajib belajar, seseorang di Indonesia yaitu 9 tahun. Hal tersebut dimaksudkan untuk meningkatkan kualitas hidup manusia serta meningkatkan sumber

Dalam dokumen PENGARUH INFRASTRUKTUR TERHADAP INDEKS PEMBANGUNAN MANUSIA PADA PROVINSI HASIL PEMEKARAN DI INDONESIA PERIODE TAHUN (Halaman 65-0)