Jenis dan Sumber Data
Data yang digunakan dalam penelitian adalah data sekunder yang bersumber dari data Sakernas, Susenas, PDRB menurut lapangan usaha dan penggunaan bersumber dari Badan Pusat Statistik dan data dari Kementerian Pemberdayaan Perempuan. Wilayah penelitian meliputi 30 provinsi di Indonesia selama periode 2003-2012. Data yang dikumpulkan adalah data tahunan provinsi yaitu PDRB riil perkapita, pertumbuhan ekonomi, investasi, pertumbuhan penduduk, rata-rata lama sekolah laki-laki, rata-rata lama sekolah perempuan, tingkat partisipasi angkatan kerja laki-laki, tingkat partisipasi angkatan kerja perempuan,
keterbukaan perdagangan (openness), indeks pembangunan manusia (IPM),
indeks pemberdayaan gender (IDG), dan indeks pembangunan gender (IPG). Jenis dan sumber data untuk penelitian ini secara ringkas disajikan dalam tabel berikut. Tabel 3 Jenis dan sumber data dalam penelitian
Data Keterangan Sumber Pertumbuhan
ekonomi
Pertumbuhan PDRB riil perkapita PDRB provinsi
lapangan usaha, BPS
Investasi PMTB PDRB penggunaan (share PMTB
terhadap PDRB nominal)
PDRB provinsi penggunaan, BPS Pertumbuhan
Penduduk
Pertumbuhan penduduk provinsi SP 2010
backcasting,BPS
Pendidikan Rata-rata lama sekolah laki-laki, rasio
rata-rata lama sekolah perempuan terhadap laki-laki
Susenas, BPS
Tenaga kerja TPAK laki-laki, rasio TPAK perempuan
terhadap laki-laki
Sakernas, BPS
Openness Proporsi ekspor ditambah impor terhadap PDRB PDRB provinsi penggunaan, BPS Indeks ketimpangan gender
Rasio Indeks Pembangunan Gender (IPG) terhadap Indeks Pembangunan Manusia (IPM)
BPS
Indeks
pemberdayaan gender
Indeks pemberdayaan gender provinsi BPS
Metode Analisis
Metode analisis yang digunakan untuk menjawab tujuan penelitian terdiri dari analisis deskriptif dan analisis regresi data panel. Analisis deskriptif yang digunakan untuk menganalisis ketimpangan gender antar waktu dan antar
28
Analisis regresi data panel digunakan untuk mengidentifikasi variabel-variabel
yang berpengaruh terhadap pertumbuhan ekonomi dengan mengontrol unobserved
heterogenity. Prosedur analisis secara ringkas disajikan dalam gambar berikut.
Analisis Deskriptif
Analisis deskriptif merupakan analisis statistik yang menggambarkan atau mendeskripsikan data menjadi informasi yang lebih jelas dan mudah dipahami, dengan bantuan tabel dan grafik yang berhubungan dengan penelitian. Analisis
deskriptif terdiri dari analisis kuadran dan analisis boxplot. Sebagaimana
diketahui, bahwa data mempunyai karakteristik untuk setiap tahun maupun setiap wilayah. Analisis kuadran digunakan untuk mengelompokkan provinsi menurut karakteristiknya. Dalam menganalisis data perlu diketahui pemusatan dan penyebaran data dari nilai tengahnya, nilai ekstrim atau pencilan dan beberapa
pengukuran lainnya. Boxplot adalah salah satu teknik untuk mempelajari
karakteristik dan distribusi data tersebut. Beberapa manfaat dari penggunaan analisis boxplot adalah:
1. Melihat derajat penyebaran data (yang dapat dilihat dari tinggi atau lebar box). Jika data menyebar, maka box semakin tinggi atau lebar.
2. Menilai kesimetrisan data. Jika data simetris, garis median akan berada di
tengah box dan whisker pada bagian atas dan bagian bawah akan memiliki
panjang yang sama. Jika data tidak simetris (condong), median tidak akan berada di tengah box dan salah satu dari whisker lebih panjang dari yang lainnya.
Boxplot (juga dikenal sebagai diagram box-and-whisker) merupakan suatu
box (kotak berbentuk bujur sangkar). Boxplot adalah salah satu cara dalam
statistik deskriptif untuk menggambarkan secara grafik dari data numeris melalui lima ukuran sebagai berikut :
1. Nilai observasi terkecil
2. Kuartil pertama (Q1), yang memotong 25 persen dari data terendah. 3. Median (Q2) atau nilai pertengahan.
4. Kuartil ketiga (Q3), yang memotong 25 persen dari data tertinggi. 5. Nilai observasi terbesar.
Boxplot juga menunjukkan adanya nilai pencilan (outlier) dari observasi.
Boxplot dapat digunakan untuk menunjukkan perbedaan antara populasi tanpa
menggunakan asumsi distribusi statistik yang mendasarinya. Karenanya, boxplot
tergolong dalam statistik non-parametrik. Jarak antara bagian-bagian dari box
menunjukkan derajat penyebaran dan skewness (kecondongan) dalam data. Dalam
penggambarannya, boxplot dapat digambarkan secara horisontal maupun vertikal. Analisis boxplot dapat diilustrasikan dalam bentuk sebagai berikut:
1. Garis horisontal bagian bawah box menyajikan kuartil pertama (Q1),
sementara bagian atas menyajikan kuartil ketiga (Q3). Bagian dari box adalah
bidang yang menyajikan interquartile range (IQR), atau bagian pertengahan
dari 50 persen observasi. Panjang box ditentukan oleh IQR ini. IQR adalah
ukuran yang terkenal untuk mengukur penyebaran data. Semakin tinggi (jika
boxplot vertikal) atau semakin lebar (jika boxplot horisontal) bidang IQR ini, menunjukkan data semakin menyebar.
2. Garis tengah yang melewati box menyatakan median dari data. Median adalah
29
3. Garis yang memperpanjang box dinamakan dengan whiskers. Whiskers
menunjukkan nilai yang lebih rendah dan lebih tinggi dari kumpulan data yang berada dalam IQR (kecuali outlier). Panjang garis whisker bagian atas ini adalah kurang dari atau sama dengan Q3 + (1.5 x IQR). Panjang garis whisker
bagian bawah ini adalah lebih besar atau sama dengan Q1 – (1.5 x IQR).
Masing-masing garis whisker dimulai dari akhir box.
4. Nilai yang berada di atas atau di bawah whisker dinamakan nilai outlier atau ekstrim. Suatu nilai dikatakan outlier jika: Q3+(1.5x IQR) < outlier ≤ Q3+(3x IQR) atau jika Q1-(1.5xIQR)> outlier ≥Q1-(3xIQR). Selanjutnya, suatu nilai dikatakan ekstrim jika lebih besar dari Q3+(3 x IQR) atau lebih kecil dari Q1 – (3 x IQR).
Analisis deskripsi yang disajikan dalam penelitian ini merupakan gambaran umum ketimpangan gender di provinsi dengan menggunakan Indeks Pembangunan Manusia (IPM), Indeks Pembangunan Gender (IPG), Indeks Pemberdayaan Gender (IDG), dan variabel pendidikan dan tenaga kerja antar waktu dan antar provinsi. Salah satu analisis deskriptif yang digunakan adalah gambaran tentang dinamika ketimpangan gender di provinsi dengan menggunakan IPG. IPG mengukur tingkat pencapaian kemampuan dasar yang sama seperti IPM, yakni harapan hidup, tingkat pendidikan, dan pendapatan per kapita dengan memperhitungkan ketimpangan gender. IPG dapat digunakan untuk mengetahui ketimpangan pembangunan antara laki-laki dan perempuan. Indikator komposit yang digunakan untuk menggambarkan ketimpangan gender yaitu IPG yang menunjukkan angka lebih rendah dibanding IPM. Apabila nilai IPG sama dengan IPM, maka dapat dikatakan tidak terjadi ketimpangan gender.
Analisis Regresi Data Panel
Data panel yang digunakan dalam analisis ini adalah data panel pada level provinsi. Data panel adalah data yang memiliki dimensi ruang (individu) dan
waktu (Gujarati, 2004), yang merupakan gabungan antara data silang (cross
section) dengan data runtut waktu (time series). Baltagi (2005) mengungkapkan bahwa penggunaan data panel memberikan banyak keuntungan, diantaranya sebagai berikut: (i) mampu mengontrol heterogenitas individu; (ii) memberikan informasi yang lebih banyak dan beragam, meminimalkan masalah kolinieritas
(collinearity), meningkatkan jumlah derajat bebas dan lebih efisien; (iii) lebih baik dalam studi dynamics of adjustment; (iv) lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat dideteksi oleh data cross section atau time series
murni; dan (v) dapat digunakan untuk mengonstruksi danmenguji model perilaku yang lebih kompleks dibandingkan data cross section atau time series murni.
Kendati demikian, analisis data panel juga memiliki beberapa kelemahan dan keterbatasan dalam penggunaannya, khususnya apabila data panel dikumpulkan atau diperoleh dengan metode survei. Permasalahan tersebut antara lain: (i) relatif besarnya data panel karena melibatkan komponen cross section dan
time series menimbulkan masalah desain survei, pengumpulan dan manajemen
data, di antaranya coverage, nonresponse, kemampuan daya ingat responden
(recall), frekuensi, dan waktu wawancara; (ii) distorsi kesalahan pengamatan
(measurement error) yang umumnya terjadi karena kegagalan respon, seperti pertanyaan yang tidak jelas, ketidaktepatan informasi, dan lain-lain; (iii) masalah selektivitas, yakni selfselectivity, nonresponse, attrition (jumlah responden yang
30
terus berkurang pada survei lanjutan); dan (iv) cross section dependence yang
dapat mengakibatkan kesimpulan-kesimpulan yang tidak tepat (misleading
inference).
Regresi Data Panel Statis
Data panel dapat didefinisikan sebagai observasi berulang pada setiap unit
cross section yang sama. Data panel memiliki karakteristik di mana N > 1 dan T >
1. Sebagai contoh, merupakan nilai variabel dependen untuk unit cross ke-I
pada waktu ke-t dengan I = 1, 2, …, N dan t = 1, 2, …, T. Dan misalkan terdapat
K variabel penjelas yang masing-masing diberi indeks j = 1, 2, …, K serta
dinotasikan sebagai , yang menyatakan nilai variabel penjelas ke-j untuk unit
ke-i pada waktu ke-t.
Cara yang sering digunakan untuk mengorganisir data panel adalah dengan menuliskannya ke dalam bentuk matriks sebagai berikut:
; ; (20)
dengan menyatakan gangguan acak untuk unit ke-i pada waktu ke-t.
Selanjutnya data tersebut dapat disederhanakan dalam bentuk stack sebagai
berikut:
; ; (21)
Dengan y adalah matriks berukuran NT x 1, X adalah matriks berukuran NT x K, dan adalah matriks berukuran NT x 1. Model standard data panel linier dapat diekspresikan sebagai:
(22) dengan adalah matriks berukuran NT x 1 yang diekspresikan sebagai:
(23)
Ada dua pendekatan yang dapat digunakan dalam data panel yaitu Fixed
Effects Model (FEM) dan Random Effect Model (REM). Kedua model ini dibedakan berdasarkan pada asumsi ada atau tidak ada korelasi antara komponen
31
a. Fixed Effects Model (FEM)
Pada model FEM, terdapat pola yang tidak acak atau korelasi antar efek
individu dan peubah penjelas dengan sehingga komponen error dari efek
individu dan waktu menjadi bagian dari intersep. Penduga pada FEM dapat dihitung dengan beberapa teknik sebagai berikut:
1. Pooled Least Square (PLS), pendekatan ini menggunakan gabungan seluruh data (pooled) atau menggabungkan data cross section dan time series murni. Ketika data digabungkan menjadi pool data, regresi yang dihasilkan cenderung lebih baik dibandingkan regresi yang menggunakan data cross section dan time series murni.tetapi dengan menggabungkan data maka variasi atau perbedaan, baik antara individu dan waktu, tidak dapat terlihat. Model PLS akan menghasilkan penduga yang bias karena kesalahan spesifikasi data.
2. Within Group (WG), pendekatan ini digunakan untuk mengatasi masalah bias pada PLS. Teknik yang digunakan adalah dengan menggunakan devasi dari rata-rata individu. Kelebihan dari WG adaah dapat menghasilkan parameter yang tidak bias namun kelemahannya adalah nilai varian parameter tersebut relatif lebih besar dari parameter PLS sehingga dugaan WG relatif lebih tidak efisien. Selain itu, penedekatan WG tidak memiliki intersep sehingga tidak mengakomodir karakteristik time-invariant pada FEM.
3. Least Square Dummy Variable (LSDV), pendekatan ini menggunakan dummy variable untuk dapat merepresantasikan perbedaan intersep. Kelebihan dari pendekatan LSDV adalah dapat menghasilkan dugaan parameter yang tidak bias dan efisien namun kelemahannya adalah jika jumlah unit observasinya besar maka terlihat cumbersome.
b. Random Effect Model (REM)
REM digunakan ketika efek individu dan efek waktu tidak berkorelasi
dengan . Asumsi ini membuat komponen error dari efek individu dan waktu
akan dimasukkan ke dalam error. Model umum yang digunakan untuk one way
error component adalah sedangkan untuk two way
error componentadalah .
Dalam REM, perbedaan karakteristik individu diakomodasi oleh error
dalam model. REM umumnya digunakan bila N relative besar dan T relative kecil. Secara umum model ini dapat diekspresikan sebagai:
dengan asumsi bahwa . Penduga dari model ini mampu
menjelaskan perbedaan atau variasi antar individu (differences within individual), karena model ini memungkinkan adanya perbedaan intersep pada setiap i. Penduga dari model ini ditentukan sebagaimana penduga least square dalam regresi.
Pemilihan Model (Hausman Test)
Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan
berdasarkan pertimbangan statistik. Dalam memilih apakah fixed atau random
effects yang lebih baik, dilakukan pengujian terhadap asumsu ada tidaknya korelasi antara regresor dan efek individu. Untuk menguji asumsi ini dapat digunakan uji Hausman. Hipotesis yang diuji adalah sebagai berikut:
32
atau FEM adalah model yang tepat
Nilai ststistik uji Hausman dibandingkan dengan nilai statistik Chi Square. Statistik Hausman dirumuskan sebagai berikut:
dimana M adalah matriks kovarian untuk parameter dan k adalah derajat bebas.
Jika nilai H lebih besar dari tabel, maka cukup bukti untuk melakukan
penolakan terhadap sehingga model yang digunakan adalah model fixed effect,
begitu juga sebaliknya.
Model pertumbuhan ekonomi akan diestimasi dengan menggunakan metode data panel statis. Model panel statis meliputi pooled least square (PLS), fixed effect model (FEM) dan random effect model (REM). Tahap pertama yang dilakukan adalah uji Chow untuk memilih model terbaik antara OLS dan FEM. Uji dilakukan dengan membandingkan nilai F-hitung dan F-statistik.Tahap kedua adalah uji Hausman untuk menentukan model yang lebih baik antara FEM dan REM. Pengolahan datanya dilakukan dengan bantuan program komputer Eviews. Spesifikasi Model
Berdasarkan penelitian-penelitian terdahulu maka spesifikasi model panel dalam penelitian ini mengacu pada model pertumbuhan yang digunakan Klasen dan Lamanna (model 1 dan 2) dan Aktaria dan Handoko (model 3 dan 4).
Model pertama
g = α + β1LnInvit + β2Popgroit + β3LnOpenit +β4LnEDit + β5REDit + β6FLFTit +
β7LnPDRB_Initialit + it (24)
Model kedua
g = α + β1LnInvit + β2Popgroit + β3LnOpenit +β4LnEDit + β5REDit + β6RACTit +
β7LnMACTit + β8LnPDRB_Initialit + it (25)
Model ketiga
g = α + β1LnInvit + β2Popgroit + β3LnOpenit +β4Rasio(IPG/IPM)it +
β5LnPDRB_Initialit + it (26)
Model keempat
g = α + β1LnInvit + β2Popgroit + β3LnOpenit + β4IDGit + β5LnPDRB_Initialit + it
(27) Keempat model terdiri dari variabel makro ekonomi dan ketimpangan gender. Variabel makro terdiri dari investasi, pertumbuhan penduduk, keterbukaan
perdagangan, dan PDRB initial (tahun sebelumnya). Pemilihan variabel makro
dilandasi oleh teori pertumbuhan ekonomi dan penelitian terdahulu yang menunjukkan bahwa ada keterkaitan variabel makro tersebut terhadap ketimpangan gender, seperti variabel keterbukaan perdagangan. Model pertama bertujuan untuk melihat pengaruh pendidikan, ketimpangan gender di pendidikan, dan kontribusi perempuan dalam angkatan kerja terhadap pertumbuhan ekonomi. Model kedua bertujuan untuk melihat pengaruh pendidikan, ketimpangan gender di pendidikan, tenaga kerja dan ketimpangan gender di tenaga kerja. Model ketiga bertujuan untuk melihat pengaruh indeks ketimpangan gender terhadap pertumbuhan ekonomi. Model keempat bertujuan untuk melihat pengaruh indeks pemberdayaan gender terhadap pertumbuhan ekonomi. Secara keseluruhan keempat model di atas bertujuan untuk melihat pengaruh variabel makro ekonomi dan ketimpangan gender terhadap pertumbuhan ekonomi.
33 Tabel 4 Variabel-variabel yang digunakan dalam penelitian
Notasi Variabel Keterangan
g Pertumbuhan PDRB riil perkapita Kontinu dalam persen
Inv Tingkat investasi (share PMTB terhadap
PDRB nominal)
Kontinu dalam persen
Popgro Pertumbuhan penduduk Kontinu dalam persen
ED Rata-rata lama sekolah laki-laki Kontinu dalam tahun
RED Rasio rata-rata lama sekolah perempuan
terhadap laki-laki
Kontinu dalam persen MACT Tingkat partisipasi angkatan kerja (TPAK)
laki-laki
Kontinu dalam persen RACT Rasio Tingkat partisipasi angkatan kerja
(TPAK) perempuan terhadap laki-laki
Kontinu dalam persen OPEN Proporsi ekspor ditambah impor terhadap
PDRB
Kontinu dalam persen
FLFT Kontribusi perempuan dalam angkatan kerja Kontinu dalam persen
PDRB
initial
PDRB riil perkapita Kontinu dalam juta
Rasio Rasio IPG/IPM Kontinu dalam persen
IDG Indeks Pemberdayaan Perempuan Kontinu dalam persen
Ɛ Error term
i provinsi (i=1,2, …. 26)
t periode
Definisi Variabel Operasional
Definisi variabel yang akan digunakan dalam penelitian ini adalah sebagai berikut:
1. Indeks Pembangunan Gender (IPG) mengukur tingkat pencapaian
kemampuan dasar yang sama seperti IPM, yakni harapan hidup, tingkat pendidikan, dan pendapatan sama dengan memperhitungkan ketimpangan gender. IPG dapat juga digunakan untuk mengetahui kesenjangan pembangunan antara laki-laki dan perempuan.
2. Indeks Pemberdayaan Gender (IDG) memperlihatkan sejauh mana peran aktif
perempuan dalam kehidupan ekonomi dan politik. Peran aktif perempuan dalam kehidupan ekonomi dan politik mencakup partisipasi berpolitik, partisipasi ekonomi dan pengambilan keputusan serta penguasaan sumber daya ekonomi.
3. Pertumbuhan ekonomi menggambarkan perubahan nilai output (PDRB riil)
dari waktu ke waktu.
4. PDRB riil perkapita dihitung dari PDRB riil dibagi jumlah penduduk dalam
waktu yang sama.
5. Investasi diproksi dari nilai pembentukan modal tetap bruto (PMTB). PMTB
adalah semua barang modal baru yang digunakan/dipakai sebagai alat untuk berproduksi. Pembentukan modal tetap domestik bruto (PMTDB) adalah nilai neto dari investasi yang besarnya didapatkan dari nilai investasi bruto
34
(PMTB) dikurangi dengan stok. PMTB mencakup pengadaan, pembuatan dan pembelian barang-barang modal baru ataupun bekas dari luar negeri.
6. Pertumbuhan penduduk adalah pertumbuhan jumlah penduduk tahun berjalan
dengan tahun sebelumnya.
7. Rata-rata lama sekolah merupakan capaian tingkat pendidikan penduduk
secara umum baik yang masih menjalani jenjang pendidikan (masih bersekolah) maupun yang sudah tidak sekolah lagi.
8. Rasio rata-rata lama sekolah perempuan terhadap laki-laki merupakan
capaian tingkat pendidikan penduduk perempuan terhadap penduduk laki-laki baik yang masih menjalani jenjang pendidikan (masih bersekolah) maupun yang sudah tidak sekolah lagi.
9. Angkatan kerja adalah jumlah penduduk berusia produktif yang sedang
bekerja dan mencari pekerjaan. Indikator ini menggambarkan secara kasar bagian dari penduduk berusia kerja yang terlibat aktif dalam kegiatan perekonomian.
10. Tingkat Partisipasi Angkatan Kerja adalah rasio angkatan kerja dengan usia
produktif.
11. Kontribusi perempuan dalam angkatan kerja adalah rasio perempuan dengan
total angkatan kerja.
12. Openness (Keterbukaan) adalah penjumlahan semua nilai transaksi ekspor impor yang dilakukan oleh wilayah regional yang bersangkutan dengan
negara lain maupun dengan wilayah (region) lain dalam satu negara
35
