APLIKASI ANALISIS JALUR DALAM MENGANALISIS ANGKA INDEKS PEMBANGUNAN MANUSIA (IPM) DI ASAHAN
TAHUN 2011
TUGAS AKHIR
ONGKI NOVRIANDI PURBA 102407035
PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
APLIKASI ANALISIS JALUR DALAM MENGANALISIS ANGKA INDEKS PEMBANGUNAN MANUSIA (IPM) DI ASAHAN
TAHUN 2011
TUGAS AKHIR
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya
ONGKI NOVRIANDI PURBA 102407035
PROGRAM STUDI D3 STATISTIKA DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : APLIKASI ANALISIS JALUR DALAM
MENGANALISIS ANGKA INDEKS
PEMBANGUNAN MANUSIA (IPM) DI ASAHAN TAHUN 2011
Kategori : TUGAS AKHIR
Nama : ONGKI NOVRIANDI PURBA NIM : 102407035
Program Studi : D3 STATISTIKA Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Juli 2013
Diketahui
Ketua Departemen Matematika FMIPA USU Pembimbing
Prof. Dr. Tulus, M.Si Dr. Sutarman, M.Sc
PENGHARGAAN
APLIKASI ANALISIS JALUR DALAM MENGANALISIS ANGKA INDEKS PEMBANGUNAN MANUSIA (IPM) DI ASAHAN TAHUN
2011
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Pemurah dan Maha Penyayang, dengan limpah karunia-Nya penulis dapat menyelesaikan penyusunan Tugas Akhir ini dengan judul Aplikasi Analisis Jalur Dalam Menganalisis Angka Indeks Pembangunan Manusia (IPM) di Asahan Tahun 2011.
DAFTAR ISI
Halaman
PERSETUJUAN ii
PERNYATAAN iii
PENGHARGAAN iv
DAFTAR ISI v
DAFTAR TABEL vi
DAFTAR GAMBAR vii
BAB 1 PENDAHULUAN 1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Lokasi Penelitian 5
1.7 Metode Penelitian 5
1.7.1 Teknik Pengumpulan Data 6
1.7.2 Teknik Analisis Data 6
1.7.3 Variabel Penelitian 8
1.7.4 Hipotesis Penelitian 8
1.8 Tinjauan Pustaka 9
1.9 Sistematika Penulisan 10
BAB 2 LANDASAN TEORI 2.1 Sejarah Analisa Jalur 12
2.2 Pengertian Analisa Jalur 12
2.2.1 Kegunaan Analisa Jalur 14
2.2.2 Asumsi-asumsi Analisa Jalur 15
2.2.3 Model Analisa Jalur 16
2.2.4 Diagram Jalur dan Persamaan Struktural 21
2.2.5 Koefisien Jalur 24
2.2.6 Besarnya Pengaruh Var. Eksogen Terhadap Var. Endogen 27
2.2.7 Pengujian Koefisien Jalur 28
2.3 Konsep Pembangunan Manusia dan Pengukuran 30
2.4 Komponen-komponen IPM 32
2.5 Tahapan Perhitungan IPM 33
2.6 Pemanfaatan IPM Dalam Perencanaan Pembangunan Daerah 35
2.7 Kedudukan IPM Dalam Pembangunan Daerah 36
BAB 3 GAMBARAN UMUM 3.1 Sejarah Badan Pusat Statistik Propinsi Sumatera Utara 38
BAB 4 ANALISIS DATA
4.1 Pengumpulan Data 44
4.2 Sumber Data 44
4.3 Data Hasil Penelitian 45
4.4 Pembahasan Hasil Penelitian 47
4.5 Pengolahan Data 47
4.5.1 Menentukan Model Diagram Jalur 47
4.5.2 Membuat Diagram Jalur 48
4.5.3 Menganalisis Data Menggunakan Amos 49
4.6 Menafsirkan Hasil Analisis Data 50
4.6.1 Analisis Regresi 50
4.6.2 Analisis Korelasi 55
4.7 Perhitungan Pengaruh 59
4.7.1 Pengaruh Langsung 59
4.7.2 Pengaruh Tak Langsung 61
4.7.3 Pengaruh Total 62
BAB 5 IMPLEMENTASI SISTEM 5.1 Pengertian Implementasi Sistem 63
5.2 Sekilas Tentang Amos 63
5.3 Mengaktifkan Amos 64
5.4 Membuka Lembar Baru 65
5.5 Membuat Gambar Path Diagram 66
5.6 Pengisian Data 66
5.7 Pengolahan Data Dengan Analisis Jalur 67
5.8 Output Hasil Pengolahan Data 68
BAB 6 PENUTUP 6.1 Kesimpulan 70
6.2 Saran 72 DAFTAR PUSTAKA
DAFTAR TABEL
DAFTAR GAMBAR
Gambar 2.1 Model Regresi Berganda Dua Variabel 18
Gambar 2.2 Model Mediasi 18
Gambar 2.3 Model Kombinasi Regresi Berganda dan Mediasi 19
Gambar 2.4 Model Kompleks 19
Gambar 2.5 Model Rekursif 20
Gambar 2.6 Hubungan Kausal X1 sebagai Penyebab dan X2 sebagai Akibat 22
Gambar 2.7 Hubungan Kausal X1, X2, X3 dan X4 23
Gambar 2.8 Hubungan Kausal X1, X2 ke X3 dan X3 ke X4 23
Gambar 2.9 Hubungan Kausal X1, X2 ke X3 24
Gambar 4.1 Diagram Jalur dengan 3 Variabel Bebas dan 1 Variabel Terikat 47
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi dan ilmu pengetahuan mengantar manusia pada tahap pemahaman yang lebih tinggi di masing-masing bidang ilmu. Dalam mengaplikasikan bidang ilmu, baik dalam bidang ekonomi, sosial, dan matematika telah ditemukan beberapa cara dalam menganalisis suatu keadaan. Terutama dalam hal perkembangan metode statistik yang semakin lama semakin nyata dampaknya. Statistika yang merupakan salah satu cabang ilmu di bidang matematika yang dapat menganalisis suatu keadaan untuk membuat kesimpulan sehingga dapat menyelesaikan suatu permasalahan. Dalam dunia penelitian atau riset, statistika telah memberikan banyak manfaat. Misalnya saja untuk mengetahui hubungan ataupun pengaruh dari satu variabel dengan variabel lainnya.
Salah satu analisis yang digunakan dalam metode statistika untuk mengetahui hubungan antar variabel adalah analisis jalur. Analisis jalur, salah satu teknik analisis kuantitatif, merupakan pengembangan dari regresi berganda. Teknik ini mempunyai kelebihan dibandingkan dengan regresi linier. Dengan model analisis jalur dapat menemukan pengaruh tidak langsung dalam hubungan antar variabel melalui variabel
Meskipun analisis jalur ini popular di kalangan ekonomi, namun teknik analisis ini juga digunakan di berbagai ilmu lainnya. Dalam ilmu sosial. Sebagai contoh kasus dalam hal ini, jika kita lihat di bidang sosial. Manusia merupakan kekayaan bangsa dan sekaligus sebagai modal dasar pembangunan. Tujuan utama dari pembangunan adalah menciptakan lingkungan yang memungkinkan bagi rakyatnya untuk menikmati hidup sehat, umur panjang dan menjalankan kehidupan yang produktif.
Untuk mewujudkan tercapainya ketiga tujuan tersebut dilakukan upaya konkrit dan berkesinambungan. Misalnya untuk mencapai umur yang panjang ataupun angka harapan hidup yang tinggi, harus didukung oleh tingkat kesehatan yang baik. Untuk memiliki pengetahuan dan keterampilan harus didukung oleh tingkat kesehatan yang baik. Untuk memiliki pengetahuan dan keterampilan harus didukung oleh pendidikan yang baik serat ketenagakerjaan yang terampil. Dengan meningkatnya kesehatan, pendidikan serta keterampilan ketenagakerjaan diharapkan masyarakat dapat memenuhi kebutuhan hidupnya dan meningkatkan kualitas hidup serta pencapaian standar hidup layak sehingga dapat meningkatkan Indeks Pembangunan Manusia (IPM) atau Human Development Indeks (HDI) di suatu daerah.
yang dominan terhadap Indeks Pembangunan Manusia (IPM). Dalam rangka untuk mengukur pengaruh variabel sektoral terhadap Indeks Pembangunan Manusia (IPM) secara terus menerus setiap tahunnya. Untuk mengetahui seberapa besar pengaruh setiap sektor-sektor yang berpengaruh terhadap Indeks Pembangunan Manusia (IPM) Labuhan Batu Selatan, maka perlu dilakukan analisis hubungan antar variabel.
Dari pemaparan kasus di atas, analisis jalur mencoba mengupas tuntas hubungan sebab akibat yang ditimbulakan oleh beberapa variabel sektoral terhadap Indeks Pembangunan Manusia (IPM). Oleh sebab itu, penulis melakukan penelitian dengan judul “Aplikasi Analisis Jalur Dalam Menganalisis Angka Indeks Pembangunan Manusia (IPM) di Labuhan Batu Selatan Tahun 2011 “.
1.2 Rumusan Masalah
Rumusan masalah dalam penelitian ini adalah :
a. Bagaimana Keadaan Kesehatan di Daerah Penelitian di Asahan?
b. Bagaimana Pendidikan Manusia di Kabupaten Asahan?
c. Bagaimana Ketenagakerjaan di Kabupaten Asahan?
1.3 Batasan Masalah
Untuk mengarahkan pembahasan dalam tugas akhir ini agar tidak menyimpang dari sasaran yang dituju, maka perlu membuat batasan ruang lingkup permasalahan. Sebagai pembatasan masalah ini adalah hanya terbatas pada analisa untuk mengetahui daerah penelitian kemudian permasalahan yang dianalisis yang menentukan peningkatan Indeks Pembangunan Manusia (IPM), serta variabel-variabel yang digunakan dalam penulisan ini adalah Indeks Pembangunan Manusia (Y), pendidikan (X1), kesehatan (X2), dan ketenagakerjaan (X3).
1.4 Tujuan Penelitian
Adapun tujuan penulis melakukan penelitian ini adalah untuk melihat perkembangan pembangunan manusia Kabupaten Asahan selama tahun 2011 dan peningkatan Indeks Pembangunan Manusia (IPM) Kabupaten Asahan.
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat antara lain:
2. Memberi sumbangan pemikiran pada instansi di Kabupaten Asahan yang berkepentingan dalam meningkatkan Indeks Pembangunan Manusia (IPM).
3. Hasil penelitian ini diharapkan dapat bermanfaat sebagai bahan masukan dan referensi bagi pihak yang berkepentingan.
4. Melengkapi tugas dan memenuhi syarat mencapai gelar Ahli Madya.
1.6 Lokasi Penelitian
Penelitian mengenai Aplikasi Analisis Jalur Dalam Menganalisis Angka Indeks Pembangunan Manusia (IPM) di Asahan Tahun 2011, Penulis melakukan penelitian ini di Kantor Badan Pusat Statistik Propinsi Sumatera Utara.
1.7 Metode Penelitian
1.7.1 Teknik Pengumpulan Data
Penulis melakukan beberapa langkah–langkah untuk menyelesaikan penelitian, antara lain :
1. Penelitian Kepustakaan ( Library Research )
Penelitian kepustakaan merupakan metode pengumpulan data yang digunakan untuk memperoleh data maupun informasi yang dibutuhkan dengan cara membaca dan mempelajari buku–buku perkuliahan atau umum, serta mencari sumber informasi yang berhubungan dengan objek yang diteliti yang bersifat teoritis yang mendukung penulisan tugas akhir.
2. Metode Pengumpulan Data
Pengumpulan data untuk keperluan riset ini, telah dilakukan oleh penulis dengan menggunakan data sekunder yang diperoleh dari instansi yang ada di Kabupaten Asahan berkaitan dengan judul penelitian. Data yang dikumpulkan tersebut kemudian disusun dan kemudian disajikan dalam bentuk angka-angka dengan tujuan untuk mendapatkan gambaran yang jelas tentang sekumpulan data tersebut.
1.7.2 Teknik Analisis Data
Data penelitian di analisis dengan menggunakan analisis jalur. Analisis jalur adalah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi
langsung, tetapi juga secara tidak langsung atau juga dapat dikatakan bahwa analisis jalur merupakan kepanjangan dari analisis regresi berganda.
Dalam menganalisis data ini, penulis menggunakan model persamaan satu jalur. Pada model persamaan satu jalur ini, hubungan pertamanya sama dengan model regresi berganda, yaitu variabel bebas terdiri dari lebih dari satu variabel dan variabel terikatnya terdiri dari satu variabel. Adapun rumus persamaan jalurnya dapat dituliskan sebagai berikut:
Y = ρyx1 x1 + ρyx2 x2 + ρyx3 x3 + ε
Dimana:
ρyx1 = koefisien jalur dari yx1 ρyx2 = koefisien jalur dari yx2 ρyx3 = koefisien jalur dari yx3
x1 = variabel bebas pertama x2 = variabel bebas kedua x3 = variabel bebas ketiga Y = variabel terikat ε = error
1.7.3 Variabel Penelitian
Dalam penelitian ini yang menjadi variabel adalah:
1. Variabel bebas (Independent Variabel) yaitu yang terdiri dari factor pendidikan sebagai variabel bebas satu (X1), faktor kesehatan sebagai variabel bebas dua (X2), dan faktor ketenagakerjaan sebagai variabel bebas tiga (X3).
2. Variabel terikat (Dependent Variable) yaitu Indeks Pembangunan Manusia (IPM)
1.7.4 Hipotesis Penelitian
Hipotesis sangat diperlukan dalam melakukan riset yang bersifat kuantitatif untuk menjelaskan masalah riset, menjelaskan variabel-variabel yang akan diuji, untuk memilih analisis data, serta untuk membuat kesimpulan riset. Hipotesis merupakan jawaban sementara yang hendak diuji kebenarannya melalui riset (Suliyanto,
2006:53). Hipotesis dalam penelitian ini adalah sebagai berikut:
1. Hipotesis Nol (Ho)
Ho : Kesehatan, Pendidikan dan Ketenagakerjaan tidak berpengaruh secara signifikan terhadap Indeks Pembangunan Manusia.
2. Hipotesis Alternatif
1.8 Tinjauan Pustaka
Beberapa buku yang menjadi tinjauan pustaka yang digunakan untuk mewujudkan tulisan ini dan ada juga dikutip dari situs–situs internet yang membantu penulis menguraikan tentang Metode analisis yang penulis gunakan dan teori Kependudukan serta pengertian Indeks Pembangunan Manusia (IPM). Beberapa buku pendukung teori adalah sebagai berikut:
Lembaga Demografi Fakultas Ekonomi Universitas Indonesia ”Dasar-Dasar
Demografi“ (1981 : 5) menerangkan pengetahuan tentang kependudukan adalah
sangat penting untuk lembaga-lembaga swasta maupun pemerintah baik di tingkat nasional maupun daerah. Perencanaan-perencanaan yang berhubungan dengan pendidikan, kesejahteraan sosial, perumahan, dan perusahaan-perusahaan yang memproduksi barang dan jasa, jalan-jalan, rumah-rumah, dan pusat rekreasi akan menjadi lebih tepat apabila kesemuanya didasarkan pada data kependudukan. Apabila ingin mengetahui seberapa cepat perkrmbangan perekonomian suatu negara maka hal yang dilihat adalah dari pertumbuhan lapangan pekerjaan dan persentase penduduk yang ada di sektor pertanian.
(IPM) disusun dari tiga komponen yaitu lamanya hidup diukur dengan harapan hidup pada saat lahir, tingkat pendidikan diukur dengan kombinasi antara angka melek huruf pada penduduk dewasa (dengan bobot dua per tiga) dan rata-rata lama sekolah (dengan bobot sepertiga), tingkat kehidupan yang layak, diukur dengan pengeluaran per kapita yang telah disesuaikan.
1.9 Sistematika Penulisan
Adapun sistematika dalam penulisan Tugas Akhir ini secara garis besarnya dibagi dalam 6 (enam) bab yang masing–masing bab dibagi atas beberapa sub–sub bab yaitu sebagai berikut.
BAB 1 : PENDAHULUAN
Bab ini menjelaskan latar belakang pengambilan judul, perumusan masalah, tujuan penelitian, batasan masalah, lokasi penelitian, metode penelitian, tinjauan pustaka dan sistematika penulisan.
BAB 2 : LANDASAN TEORI
BAB 3 : GAMBARAN UMUM
Bab ini menjelaskan mengenai deskripsi tentang letak geografi dan profil Kabupaten Asahan.
BAB 4 : ANALISIS DAN PENGOLAHAN DATA
Bab ini menjelaskan mengenai deskripsi daerah penelitian, data yang akan dianalisis, metode analisis data dengan menggunakan analisis jalur serta interpretasi data.
BAB 5 : IMPLEMENENTASI SISTEM
Bab ini menjelaskan mengenai penggunaan rumus-rumus analisis jalur dengan menggunakan Amos Versi 18.
BAB 6 : PENUTUP
Bab ini memberikan hasil dari analisis dan pendugaan pada bab-bab sebelumya dirangkumkan pada bab ini. Selain kesimpulan, pada bab ini juga memberikan saran-saran yang sifatnya membangun untuk peningkatan Indeks Pembangunan Manusia.
BAB 2
LANDASAN TEORI
2.1 Sejarah Analisis jalur
Analisis jalur yang dikenal dengan path analysis dikembangkan pertama pada tahun 1920-an oleh seorang ahli genetika yaitu Sewall Wright (Joreskog dan Sorbom, 1996; Johnson dan Wichern, 1992). Teknik analisis jalur sebenarnya merupakan perkembangan korelasi yang diuraikan menjadi beberapa interpretasi akibat yang ditimbulkannya. Lebih lanjut, analisis jalur mempunyai kedekatan dengan regresi berganda. Dengan kata lain, regresi berganda merupakan bentuk khusus dari analisis jalur. Teknik ini juga dikenal sebagai model sebab akibat (causing modeling). Penanaman ini didasarkan pada alas an bahwa analisis jalur memungkinkan pengguna dapat menguji proposisi teoritis mengenai hubungan sebab akibat tanpa memanipulasi variabel-variabel (Sarwono, 2007).
2.2 Pengertian Analisis Jalur
Telaah statistika menyatakan bahwa untuk tujuan peramalan atau pendugaan nilai Y atas dasar nilai-nilai X1, X2, ….., Xi, pola hubungan yang sesuai adalah pola hubungan
secara serempak atau mandiri beberapa variabel penyebab terhadap sebuah variabel akibat, maka pola yang tepat adalah model analisis jalur.
Analisis jalur (path analysis) dikembangkan oleh Sewall Wright (1934). Path analysis digunakan apabila secara teori kita yakin berhadapan dengan masalah yang berhubungan sebab akibat. Tujuannya adalah menerangkan akibat langsung dan tidak langsung seperangkat variabel, sebagai variabel penyebab, terhadap variabel lainnya yang merupakan variabel akibat.
Terdapat beberapa defenisi mengenai analisis jalur, diantaranya adalah sebagai berikut:
1. Analisis jalur adalah suatu teknik untuk menganalisis hubungan sebab akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung, tetapi juga secara tidak langsung (Robert D. Rutherford 1993).
2. Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangkat variabel (Paul Webley, 1997).
penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan juga dilakukan perhitungan uji keselarasan statistik (David Garson, 2003).
Dari defenisi-defenisi diatas, dapat disimpulkan bahwa sebenarnya analisis jalur merupakan kepanjangan dari analisis regresi berganda. Jadi, model path analysis
digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh langsung maupun tidak langsung seperangkat variabel bebas (eksogen) terhadap variabel terikat (endogen). Oleh sebab itu, rumusan masalah penelitian dalam kerangka path analysis berkisar pada:
a. Apakah variabel eksogen (X1, X2, ….., Xk) berpengaruh terhadap variabel endogen Y?
b. Berapa besar pengaruh kausal langsung, kausal tidak langsung, kausal total maupun simultan seperangkat variabel eksogen (X1, X2, ….., Xk) terhadap variabel endogen?
2.2.1 Kegunaan Analisis jalur
Kegunaan model path analysis adalah untuk:
b. Prediksi nilai variabel terikat (Y) berdasarkan nilai variabel bebas (X), dan prediksi dengan path analysis ini bersifat kualitatif.
c. Faktor determinan yaitu penentuan variabel bebas (X) mana yang berpengaruh dominan terhadap variabel terikat (Y), juga dapat digunakan untuk menelusuri mekanisme (jalur-jalur) pengaruh variabel bebas (X) terhadap variabel terikat (Y).
d. Pengujian model, menggunakan teori trimming, baik untuk uji reliabilitas konsep yang sudah ada ataupun uji pengembangan konsep baru.
2.2.2 Asumsi-asumsi Analisis Jalur
Sebelum melakukan analisis, hendaknya diperhatikan beberapa asumsi sebagai berikut:
a. Pada model analisis jalur, hubungan antar variabel adalah bersifat linier, adaptif dan bersifat normal.
b. Hanya system aliran kausal kesatu arah artinya tidak ada arah kausalitas yang
berbalik.
d. Menggunakan sampel probability sampling yaitu teknik pengambilan sampel untuk memberikan peluang yang sama pada setiap anggota populasi untuk dipilih menjadi anggota sampel.
e. Observed variables diukur tanpa kesalahan instrument pengukuran valid dan
reliable artinya variabel yang diteliti dapat diobservasi secara langsung.
f. Model yang dianalisis dispesifikasikan dengan benar berdasarkan teori-teori dan konsep-konsep yang relevan artinya model teori yang dikaji atau diuji dibangun berdasarkan teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar variabel yang diteliti.
2.2.3 Model Analisis Jalur
Ada beberapa model jalur mulai dari yang paling sederhana sampai dengan yang lebih rumit, diantaranya diterangkan di bawah ini:
a. Analisa Jalur Model Trimming
Model Trimming adalah model yang digunakan untuk memperbaiki suatu model struktur analisis jalur dengan cara mengeluarkan dari model variabel eksogen yang koefisien jalur diuji secara keseluruhan apabila ternyata ada variabel yang tidak signifikan. Walaupun ada satu, dua, atau lebih variabel yang tidak signifikan, perlu memperbaiki model struktur analisis jalur yang telah dihipotesiskan.
b. Analisis Jalur Model Dekomposisi
Model dekomposisi adalah model yang menekankan pada pengaruh yang bersifat kausalitas antar variabel, baik pengaruh langsung ataupun tidak langsung dalam kerangka path analysis, sedangkan hubungan yang sifatnya nonkausalitas atau hubungan korelasional yang terjadi antar variabel eksogen tidak termasuk dalam perhitungan ini.
Perhitungan menggunakan analisis jalur dengan menggunakan model dekomposisi pengaruh kausal antar variabel dapat dibedakan menjadi tiga:
2. Indirect causal effects (Pengaruh Kausal Tidak Langsung) adalah pengaruh satu variabel eksogen terhadap variabel endogen yang terjadi melalui variabel endogen lain terdapat dalam satu model kausalitas yang sedang dianalisis.
3. Total causal effects (Pengaruh Kausal Total) adalah jumlah dari pengaruh kausal langsung dan pengaruh kausal tidak langsung.
c. Model Regresi Berganda
Model ini merupakan pengembangan regresi berganda dengan menggunakan dua variabel eksogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y. model digambarkan sebagai berikut:
X1
Y
X2
Gambar 2.1 Model regresi berganda dua variabel
d. Model Mediasi
Model mediasi atau perantara dimana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z. Model digambarkan sebagai berikut:
X Z
e. Model Kombinasi Regresi Berganda Dan Mediasi
Model ini merupakan kombinasi antara model regresi berganda dan mediasi, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan tidak langsung
mempengaruhi variabel Z melalui variabel Y . Model digambarkan sebagai berikut:
X
Z
Y
Gambar 2.3 Model kombinasi regresi berganda dan mediasi
f. Model Kompleks
Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung
mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1. Model digambarkan sebagai berikut:
X1 X2
Y1 Y2
Gambar 2.4 Model Kompleks
g. Model Rekursif dan Model Non Rekursif
1
P41
P21
P31 P43
3 4
P32 P42
2
e2 e3 e4 Gambar 2.5 Model Rekursif
Model tersebut dapat diterangkan sebagai berikut:
1. Anak panah menuju satu arah, yaitu dari 1 ke 2, 3, dan 4; dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1.
2. Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga variabel endogenous, yaitu 2, 3, dan 4. Masing-masing variabel endogenous diterangkan oleh variabel 1 dan error (e2, e3, dan e4).
3. Satu variabel endogenous dapat menjadi penyebab variabel endogenous
lainnya, tetapi bukan ke variabel exogenous.
Pada bagian berikut untuk mempermudah kita dalam memahami analisis jalur, maka kita bisa menggunakan model-model jalur berikut:
1. Model Persamaan Satu Jalur
Model persamaan satu jalur merupakan hubungan sebenarnya sama dengan regresi berganda, yaitu variabel bebas terdiri lebih dari satu variabel dan variabel tergantungnya hanya satu.
2. Model Persamaan Dua Jalur
Model ini terdiri dari tiga variabel bebas dan mempunyai dua variabel tergantung.
3. Model Persamaan Tiga jalur
Model ini terdiri dari tiga variabel bebas, salah satu variabel bebas menjadi variabel perantara dan mempunyai dua variabel tergantung.
2.2.4 Diagram Jalur dan Persamaan Struktural
Gambar 2.6
Diagram Jalur Yang Menyatakan Hubungan Kausal Dari X1 Sebagai Penyebab Ke X2 Sebagai Akibat
X1 X2
ε
Keterangan:
X1 adalah variabel eksogenus (exogenous variable), untuk itu selanjutnya variabel penyebab akan kita sebut sebagai variabel eksogenus. X2 adalah variabel endogenus (endogenous variable), sebagai akibat, dan ε adalah variabel residu (residual variable), yang merupakan gabungan dari: (1) Variabel lain, di luar X1, yang mungkin mempengaruhi X2 dan telah teridentifikasi oleh teori, tetapi tidak dimasukkan dalam model. (2) Variabel lain, di luar X1, yang mungkin mempengaruhi X2 tetapi belum teridentifikasi oleh teori. (3) Kekeliruan pengukuran (error of measurement), dan (4) Komponen yang sifatnya tidak menentu (random component).
Gambar 2.1 merupakan diagram jalur yang paling sederhana yang menyatakan bahwa X2 dipengaruhi secara langsung oleh X1, tetapi di luar X1, masih banyak penyebab lain yang dalam penelitian yang sedang dilakukan tidak diukur. Penyebab lain itu dinyatakan oleh ε. Persamaan struktural yang dimiliki oleh gambar 2.1 adalah
Gambar 2.7
Diagram jalur yang menyatakan hubungan kausal dari X1, X2, X3, dan X4
X1
X2 X4
X3
ε
Gambar 2.7 menunjukkan bahwa diagram jalur tersebut terdapat tiga buah variabel eksogenus, yaitu X1, X2, dan X3, sebuah variabel endogenus (X4) serta sebuah variabel residu ε. Pada diagram di atas juga mengisyaratkan bahwa hubungan antara X1 dengan X4, X2 denganX4 dan X3 dengan X4 adalah hubungan kausal, sedangkan hubungan antara X1 dengan X2, X2 dengan X3 dan X1 dengan X3 masing-masing adalah hubungan korelasional. Perhatikan panah dua arah, panah tersebut menyatakan hubungan korelasional. Bentuk persamaan strukturalnya adalah : X4 = px4x1X1 + px4x2X2 + px4x3X3 + ε.
Gambar 2.8
Hubungan kausal dari X1, X2, ke X3 dan dari X3 ke X4 X1
X3 X4 X2
ε1 ε2
Perhatikan bahwa pada gambar 2.8 di atas, terdapat dua buah sub-struktur.
[image:31.612.176.385.544.646.2]kedua, sus-struktur yang mengisyaratkan hubungan kausal dari X3 ke X4. Persamaan struktural untuk gambar 2.3 adalah : X3 = px3x1X1 + px3x2X2 + ε1 dan X4 = px4x3X3 + ε2.
Pada sub-struktur pertama X1 dan X2 merupakan variabel eksogenus, X3 sebagai variabel endogenus dan ε1 sebagai variabel residu. Pada sub-struktur kedua, X3 merupakan variabel eksogenus, X4 sebagai variabel endogenus dan ε2 sebagai variabel residu.
Berdasarkan contoh-contoh diagram jalur di atas, maka kita dapat memberikan kesimpulan bahwa makin kompleks sebuah hubungan struktural, makin kompleks diagram jalurnya, dan makin banyak pula sub-struktur yang membangun diagram jalur tersebut.
2.2.5 Koefisien Jalur
[image:32.612.201.410.588.701.2]Besarnya pengaruh langsung dari suatu variabel eksogenus terhadap variabel endogenus tertentu, dinyatakan oleh besarnya nilai numeric koefisien jalur (path coefficient) dari eksogenus ke endogenus.
Gambar 2.9
Hubungan kausal dari X1, X2, ke X3 X1 px3x1
rx1x2 X3 X2 px3x2 px3
x x x x
1
Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi rx1x2. Hubungan X1 dan X2, ke X3 adalh hubungan kausal. Besarnya nilai numerik koefisien jalur px3x1 dan px3x2 . koefisien jalur px3ε menggambarkan besarnya pengaruh langsung variabel residu (implicit exogenous variabel) terhadap X3.
Langkah kerja yang dilakukan untuk menghitung koefisien jalur adalah:
1. Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Di sini kita harus bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur, sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan apa yang menjadi variabel endogenusnya.
2. Menghitung matriks korelasi antar variabel. X X … X
1 r 1 2
R = 1
... r 1 u
... r
x2 xu 1 ...
Formula untuk menghitung koefisien korelasi yang dicari adalah menggunakan
Product Moment Coeffisient dari Karl Pearson. Alasan penggunaan teknik koefisien korelasi dari Karl Pearson adalah karena variabel-variabel yang hendak dicari
korelasinya memiliki skala pengukuran interval. Formulanya:
rxy ( N
XY ) (
X )(
Y )x x x x rx x
C
u 1
r
x x
C
x x
3. Identifikasikan sub-struktur dan persamaan yang akan dihitung koefisien jalurnya. Misalkan saja dalam sub-struktur yang telah kita identifikasi terdapat k buah variabel eksogenus, dan sebuah (selalu hanya sebuah) variabel endogenus Xu yang dinyatakan oleh persamaan:
Xu = ρ xux1 x1 + ρ xux2 x2 + … + ρ xu xk xk + ε
Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun sub - struktur tersebut.
X1 X2
1 r
1 2
… Xk ... r 1 k
R =
1 ... 1
2 k
...
1
4. Menghitung matriks invers korelasi eksogenus, dengan rumus: X1 X2 … Xk
C1 1 C1 2 ... C1k
-1
C2 2 ... C2 k
R1 =
... ...
kk
5. Menghitung semua koefisien jalur pxuxi, dimana i = 1, 2, …, k; melalui rumus:
x x
C
1 1C
1 2...
C
1k
r
x x
u 1
C
...
C
x x
xu x2 22 2 k
u 2
...
...
...
...
u k
kk
r
u k
Catatan:
Contoh di atas merupakan model analisis jalur kompleks, sehingga langkah-langkah perhitungan untuk mencari kkoefisien jalurnya dapat mengikuti pola di atas. Sementara besarnya koefisien jalur untuk model analisis jalur sederhana, yang terdiri dari satu variabel eksogen dan satu variabel endogen, nilainya sama dengan besranya
koefisien korelasi antar kedua variabel tersebut (pxuxi = rxuxi).
2.2.6 Besarnya Pengaruh Variabel Eksogen Terhadap Variabel Endogen
Pengaruh yang diterima oleh sebuah variabel endogenus dari dua atau lebih variabel eksogenus, dapat secara sendiri-sendiri maupun secara bersama-sama. Pengaruh secara sendiri-sendiri (parsial), bisa berupa pengaruh langsung, bisa juga berupa pengaruh tidak langsung, yaitu melalui variabel eksogen yang lainnya.
Menghitung besarnya pengaruh langsung, pengaruh tidak langsung serta pengaruh total variabel eksogenus terhadap variabel endogenus secara parsial, dapat dilakukan dengan rumus:
1. Besarnya pengaruh langsung variabel eksogenus terhadap variabel endogenus = pxuxi x pxuxi
2. Besarnya pengaruh tidak langsung variabel eksogenus terhadap variabel endogenus = pxuxi x rx1x2 x pxuxi
3. Besarnya pengaruh total variabel eksogenus terhadap variabel endogenus adalah penjumlahan besarnya pengaruh langsung dengan besarnya pengaruh tidak
x x
Selanjutnya pengaruh bersama-sama (simultan) variabel eksogenus terhadap variabel endogenus dapat dihitung dengan menggunakan rumus:
r
u 1
R
2 x ( x , x ,...x )
...
r
xu x2
u 1 2 k xu x
1 xu x2 xu xk
...
r
xu xk
Dimana:
R2xu(x1, x2, …, xk) adalah koefisien determinasi total X1, X2, … Xk terhadap Xu atau
besarnya pengaruh variabel eksogenus secara bersama-sama (gabungan) terhadap
variabel endogenus.
(pxux1 pxux2 … pxuxk) adalah koefisien jalur.
(rxux1 rxux2 … rxuxk) adalah koefisien variabel eksogenus X1, X2, ... Xk dengan
variabel endogenus Xu.
2.2.7 Pengujian Koefisien Jalur
Menguji kebermaknaan (test of significance) setiap koefisien jalur yang telah dihitung, baik secara sendiri-sendiri maupun secara bersama-sama, serta menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus, dapa dilakukan dengan langkah kerja berikut:
Ho : pxuxi = 0, artinya tidak terdapat pengaruh variabel eksogenus (Xu) terhadap variabel endogenus (Xi).
H1 : pxuxi ≠ 0, artinya terdapat pengaruh variabel eksogenus (Xu) terhadap variabel endogenus (Xi).
Dimana u dan I = 1, 2, …, k
2. Gunakan statistik uji yang tepat, yaitu:
Untuk menguji setiap koefisien jalur:
p
t
xu xi(1
R
2 x ( x x ...x ))
C
u 1 2 k ii
n
k
1
dimana:
i = 1, 2, …, k
k = Banyaknya variabel eksogenus dalam sub-struktur yang sedang diuji t = Mengikuti tabel distribusi t, dengan derajat bebas = n – k – 1
Kriteria pengujian: Ditolak Ho jika nilai hitung t lebih besar dari nilai tabel t. (to > ttabel (n-k-1)).
Untuk menguji koefisien jalur secara keseluruhan atau bersama-sama:
(n k 1)(R 2
x ( x , x ,...x ) )
F u 1 2 k
k (1 R 2
x u ( x 1 2 , x ,...x k) )
dimana: i = 1, 2, …, k
t = Mengikuti tabel distribusi F snedecor, dengan derajat bebas (degrees of freedom) k dan n – k – 1
Kriteria pengujian :
Ditolak Ho jika nilai hitung F lebih besar dari nilai tabel F. (F0 > Ftabel(k, n-k-1)).
Untuk menguji perbedaan besarnya pengaruh masing-masing variabel
eksogenus terhadap variabel endogenus.
px x px x t u i u j
(1 R2
x u ( x x 1 2 ...x k ) )(C ii jj ijC 2C ) n k 1
Kriteria pengujian:
Ditolak Ho jika nilai hitung t lebih besar dari nilai tabel t. (t0 > ttabel(n-k-1)).
3. Ambil kesimpulan, apakah perlu trimming atau tidak. Apabila terjadi trimming, maka perhitungan harus diulang dengan menghilangkan jalur yang menurut pengujian tidak bermakna (no signifikan).
2.3 Konsep Pembangunan Manusia dan Pengukuran
upaya pembangunan dipandang sebagai sarana (principal means) untuk mencapai tujuan itu. Untuk menjamin tercapainya tujuan pembangunan manusia, empat hal poko yang perlu diperhatikan adalah produktivitas, pemerataan, kesinambungan, pemberdayaan (UNDP, 1995:12). Secara ringkas empat hal pokok tersebut mengandung prinsip-prinsip sebagai berikut:
1. Produktivitas
Penduduk harus diberdayakan untuk meningkatkan produktivitas dan untuk berpartisipasi penuh dalam proses penciptaan pendapatan (nafkah) dan lapangan pekerjaan. Pembangunan ekonomi, yang demikian merupakan himpunan bagian dari model pembangunan manusia.
2. Pemerataan
Penduduk harus memiliki kesempatan atau peluang yang sama untuk mendapatkan akses terhadap semua sumber daya ekonomi dan social. Semua hambatan yang memperkecil kesempatan untuk memperoleh akses tersebut harus dihapus, sehingga mereka dapat mengambil manfaat dari kesempatan yang ada dan berpartisipasi dalam kegiatan produktif yang dapat meningkatkan kualitas hidup.
3. Kesinambungan
4. Pemberdayaan
Penduduk harus berpartisipasi penuh dalam keputusan dan proses yang akan menentukan bentuk atau arah kehidupan mereka, serta untuk berpartisipasi dan mengambil manfaat dari proses pembangunan.
2.4 Komponen-Komponen Indeks Pembangunan Manusia (IPM)
Indeks Pembangunan Manusia (IPM) atau Human Development Indeks (HDI) merupakan suatu indeks komposit yang mencakup tiga bidang pembangunan manusia yang dianggap sangat mendasar, yaitu usia hidup (longetivity), pengetahuan (knowledge), dan standar hidup layak (decent living). Secara umum komponen- komponen IPM terdiri dari:
1. Usia Hidup
2. Pengetahuan
Seperti halnya UNDP komponen IPM pengetahuan diukur dari dua indikator, yaitu angka melek huruf diperoleh dari kemampuan membaca dan menulis, sedangkan rata-rata lama bersekolah dihitung dengan menggunakan tiga variabel secara simultan yaitu partisispasi sekolah, tingkat/kelas yang sedang/pernah dijalani dan jenjang pendidikan tertinggi yang ditamatkan.
3. Standar Hidup Layak
Berbeda dengan UNDP yang menggunakan indikator GDP per kapita riil yang telah disesuaikan (adjuisted real GDP per capita) sebagai indicator standar hidup layak. Dalam perhitungan ini, digunakan indicator rata-rata pengeluaran per kapita riil yang disesuaikan (adjuised real per capita expenditure). Sumber data yang digunakan adalah Susenas dan survey lain yang mendukung.
2.5 Tahapan Perhitungan IPM
1. Tahapan pertama perhitungan IPM adalah menghitung indeks masing-masing komponen IPM (e0, pengetahuan, dan standar hidup layak) dengan hubungan sistematis sebagai berikut:
Indeks Xi = (Xi - Xmin) / (Xmax – Xmin)
Xi = indikator komponen indeks pembangunan manusia ke-I (i=1, 2, 3) Xmin = nilai minimum Xi
Persamaan di atas akan menghasilkan nilai 0 ≤ Xi ≤ 1, untuk mempermudah membaca skala dinyatakan dalam 100 persen sehungga interval nilai menjadi 0 ≤ Xi ≤ 100.
2. Tahapan kedua perhitungan IPM adalah menghitung rata-rata sederhana dari masing-masing indeks Xi dengan hubungan sistematis.
Indeks Pembangunan Manusia = 1/3 Xi
= 1/3 (X(1) + X(2) + X(3)) dimana:
X(1) = Indeks angka harapan hidup
X(2) = 2/3 (indeks melek huruf) + 1/3 (indeks rata-rata lama bersekolah) X(3) = Indeks konsumen per kapita yang disesuaikan
Tabel 2.1
Nilai Minimum dan Maksimum Indikator Komponen IPM
Indikator Nilai Maksimum Nilai Minimum Catatan
1 2 3 4
Angka Harapan
Hidup 85 25 Standar UNDP
Angka Melek Huruf 100 0 Standar UNDP
Rata-rata Lama
Sekolah (tahun) 15 0 Standar UNDP
Daya Beli 859,3 421,6
UNDP Menggunakan Riil perkapita disesuaikan
[image:42.612.136.515.469.683.2]3. Tahap ketiga menentukan status IPM untuk melihat perkembangan tingkatan status IPM di kabupaten/kota, dibedakan 4 kriteria di mana status menengah di pecah menjadi dua seperti di bawah ini:
Rendah dengan nilai IPM kurang dari 50
Menengah bawah dengan nilai IPM berada diantara 50 sampai kurang dari 66
Menengah ataas dengan nilai IPM berada diantara 66 sampai kurang dari 80
Tinggi dengan nilai IPM lebih atau sama dengan 80
Sedangkan lebih terurai dijelaskan tentang pembagian status indeks pembangunan manusia seperti tergambar dalam gambar di bawah ini:
Tabel 2.2
Kriteria Tingkatan Status Indeks Pembangunan Manusia (IPM)
Tingkatan Status Kriteria
1 2
Rendah IPM<50
Menengah Bawah 50≤IPM<66
Menengah Atas 66≤IPM<80
Tinggi IPM>80
[image:43.612.170.478.440.607.2]2.6 Pemanfaatan Indeks Pembangunan Manusia Dalam Perencanaan Pembangunan Daerah
Konsep pembangunan manusia mempunyai cakupan yang sangat luas, melingkupi hampir seluruh aspek kehidupan mulai dari kebebasan untuk menyampaikan pendapat, untuk memperoleh pekerjaan, untuk menjaga gizi anak, untuk menyatakan kesetaraan gender, untuk dapat membaca dan menulis. Indeks Pembangunan Manusia (IPM) di lain pihak mempunyai cakupan yang sempit. Meskipun IPM mencoba untuk mengukur tingkat pembangunan manusia, indeks ini hanya mampu mengukur sebagian saja. Kondisi ini disebabkan berbagai aspek sangat sulit diukur dan dikumpulkan datanya.
Di sektor perencanaan, pemanfaatan IPM terbatas hanya sebagai patokan dasar. Oleh karena itu, perumusan kebijakan yang lebih terarah, suatu kajian tentang situasi pembangunan manusia perlu dilakukan di suatu wilayah untuk memberikan
petunjuk yang lebih jelas tentang arah kebijakan pembangunan di masa yang akan datang.
2.7 Kedudukan IPM Dalam Pembangunan Daerah
Pembangunan merupakan realisasi dari aspirasi dan tujuan suatu bangsa yang dimaksudkan untuk melakukan perubahan secara struktural melalui upaya sistematis dan terencana. Proses pemantauan meliputi pemantauan dan evaluasi terhadap berbagai program yang telah diimplementasikan pada periode sebelumnya. Suatu kajian yang membahas situasi dan kondisi yang objektif tentang permasalahan pokok yang dihadapi dalam pelaksanaan berbagai program pembangunan, karenanya perlu dilakukan untuk melakukan pentahapan, pencapaian tujuan jangka panjang, tujuan jangka menengah, dan tujuan jangka pendek, serta untuk menentukan prioritas. Melalui kajian tersebut dirumuskan suatu kebijakan umum yang akan menjadi pedoman bagi para perencana dalam merancang berbagai program.
Dalam konteks pembangunan daerah, IPM ditetapkan sebagai salah satu ukuran utama yang mencantumkan dalam pola dasar pembangunan daerah yang akan datang. Hal ini merupakan langkah penting karena Indeks Pembangunan Manusia menduduki salah satu posisi penting dalam manajemen pembangunan daerah. Oleh karena pelaksanaan pembangunan manusia lainnya akan menjadi kunci bagi terlaksananya perencanaan pembangunan yang terarah.
BAB 3
GAMBARAN UMUM
3.1 Sejarah Singkat BPS (Badan Pusat Statistik)
A. Masa Pemerintahan Hindia Belanda
Pada bulan Februari 1920, Kantor Statistik pertama kali didirikan oleh Direktur Pertanian, Kerajinan dan Perdagangan (Directure Vand Landbow Nijeverheiden Handed) dan Berkedudukan di Bogor. Kantor ini diserahi tugas untuk mengolah dan mempublikasikan data statistik.
Pada bulan Maret 1923, dibentuk suatu komisi untuk statistik yang anggotanya merupakan wakil dari tiap-tiap departemen. Komisi tersebut diberi tugas untuk merencanakan tindakan-tindakan yang mengarah sejauh mungkin untuk mencapai kesatuan dalam kegiatan di bidang statistik di Indonesia.
B. Masa Pemerintahan Jepang
Pada bulan Juni 1944, pemerintah Jepang baru mengaktifkan kembali kegiatan Statistik yang utamanya diarahkan untuk memenuhi kebutuhan perang atau militer. Pada masa ini Central Kantor Voor de Statistik (CKS) diganti namanya menjadi Shomubu Chosasitsu Gunseikanbu.
C. Masa Kemerdekaan Republik Indonesia
Setelah Proklamasi kemerdekaan RI tanggal 17 Agustus 1945, kegiatan Statistik ditangani oleh lembaga atau instansi baru sesuai dengan suasana kemerdekaan yaitu KAPPURI (Kantor Penyelidik Perangkaan Umum Republik Indonesia) dipindahkan ke Yogyakarta sebagai sekuens dari perjanjian Linggarjati. Sementara itu
pemerintah Belanda (NICA) di Jakarta mengaktifkan kembali Central Kantor Voor de Statistik (CKS).
Berdasarkan surat edaran kementrian kemakmuran tanggal 12 Juni 1950 Nomor 219/S.C, KAPURRI (Kantor Penyelidik Perangkaan Umum Republik Indonesia) dan Central Voor de Statistik (CKS) dilebur menjadi Kantor Pusat Statistik (KPS) dan berada dibawah dan bertanggung jawab menteri Kemakmuran.
Dengan keputusan Presiden RI Nomor 131 tahun 1957, kementrian Perekonomian dipecah menjadi kementrian Perdagangan dan kementrian Perindustrian. Untuk selanjutnya keputusan Presiden RI Nomor 172, terhitung tanggal 1 Juni 1957 Kantor Pusat Statistik (KPS) diubah menjadi Biro Pusat Statistik yang semula menjadi tanggung jawab dan wewenang berada dibawah perdanana mentri.
D. Masa Orde Baru Sampai Sekarang
Dalam rangka perencanaan dan evaluasi pembangunan, maka untuk mendapatkan statistik yang handal, lengkap, tepat, akurat dan terpercaya mulai diadakan pembenahan pada organisasi Badan Pusat Statistik.
Dalam masa orde baru ini Badan Pusat Statistik telah mengalami empat kali perubahan struktur organisasi:
1. Peraturan Pemerintah Nomor 16 tahun 1968 tentang organisasi Badan Pusat Statistik. 2. Peraturan Pemerintah Nomor 6 tahun 1980 tentang organisasi Badan Pusat Statistik. 3. Peraturan Pemerintah Nomor 2 tahun 1992 tentang organisasi Badan Pusat Statistik
dan Keputusan Presidan Nomor 6 tahun 1992 tentang kedudukan, fungsi, susunan dan tata Kerja Biro Pusat Statistik.
4. Undang-undang Nomor 16 tahun 1917 tentang Statistik
5. Keputusan Presiden RI Nomor 86 tahun1998 tentang Badan Pusat Statistik 6. Keputusan Pemerintah Nomor 51 tahun 1999 tentang Penyelenggaraan Statistik
3.2 Visi dan Misi BPS (Badan Pusat Statistik) Provinsi Sumatera Utara
A. Visi BPS (Badan Pusat Statistik)
Badan Pusat Statistik mempunyai visi menjadikan informasi statistik sebagai tulang punggung informasi pembangunan nasional dan regional, didukung Sumber Daya Manusia yang berkualitas, ilmu pengetahuan dan teknologi informasi yang mutakhir.
B. Misi BPS (Badan Pusat Statistik)
Dalam menunjuk pembangunan nasional Badan Pusat Statistik mengemban misi mengarahkan pembangunan statistik pada penyediaan data statistik yang bermutu, handal, efektif dan efisien, peningkatan kesadaran masyarakat akan arti dan kegunaan
statistik serta pengembanan ilmu pengetahuan statistik.
3.3 Struktur Organisasi Badan Pusat Statistik Propinsi Sumatera Utara
Setiap perusahaan baik perusahaan pemerintah maupun swasta mempunyai struktur organisasi, karena perusahaan juga merupakan organisasi.Dimana organisasi adalah suatu sistem dari aktivitas kerjasama yang terorganisir, yang dilaksanakan oleh sejumlah orang untuk mencapai tujuan bersama.
Dengan adanya struktur organisasi perusahaan yang baik, maka dapat diketahui pembagian tugas antara para pegawai dalam rangka pencapaian tujuan. Adapun struktur organisasi yang dipakai oleh Badan Pusat Statistik Provinsi Sumatera Utara adalah berbentuk Lini dan staff
1. Bagian Tata Usaha/Kepegawaian 2. Bidang Statistik Produksi
3. Bidang Statistik Distribusi 4. Bidang Statistik Kependudukan
BAB 4
PENGOLAHAN DATA
4.1 Pengumpulan Data
Data dikumpulkan dengan melakukan riset penelitian pada Badan Pusat Statistik (BPS) Propinsi Sumatera Utara Kabupaten Asahan yang dilakukan selama satu minggu. Adapun data yang dikumpulkan merupakan penggabungan dari beberapa tabel faktor-faktor Indeks Pembangunan Manusia (IPM) Kabupaten Asahan tahun 2011.
4.2 Sumber Data
4.3 Data Hasil Penelitian
[image:54.612.168.480.278.368.2]Dari hasil riset yang peneliti lakukan di beberapa instansi terkait, maka didapat data seperti dalam tabel berikut:
Tabel 4.1 Persentase Perkembangan IPM, Kesehatan, Pendidikan, dan
Ketenagakerjaan Tahun 2007-2011
Tahun IPM Pendidikan Kesehatan Ketenagakerjaan 2007 71,16 88,52 71,35 48
2008 71,57 87,48 71,45 45
2009 72,16 86,89 71,55 55
2010 72,54 84,58 71,58 59
2011 73,02 85,98 71,64 64
[image:54.612.145.500.585.686.2]Tabel di atas di dapat dari beberapa tabel persentase IPM, Kesehatan, Pendidikan dan Ketenagakerjaan yang bersumber dari SUSENAS Kabupaten Asahan tahun 2007-2011. Data-data tersebut diantaranya adalah sebagai berikut:
Tabel 4.2 Perkembangan IPM dan Komponen Kabupaten Asahan
Tahun 2007-2011
Kabupaten/Kota
Tahun
2007 2008 2009 2010 2011
1 2 3 4 5 6
Harapan Hidup 68,59 68,69 68,84 68,98 69,13 Melek Huruf 96,555 96,68 96,79 96,90 97,01 Rata-rata Lama
Pengeluaran Per Kapita 620,00 624,23 627,64 631,24 633,82
IPM 71,16 71,57 72,16 72,54 73,02
[image:55.612.126.509.245.448.2]Sumber Asahan Dalam Angka 2007-2011
Tabel 4.3 Persentase Penduduk Usia 10 Tahun ke Atas Menurut Pendidikan Tertinggi
Yang Ditamatkan Tahun 2007-2011
Pendidikan Tertinggi Yang Ditamatkan
Tahun
2007 2008 2009 2010 2011
1 2 3 4 5 6
Tidak/belum pernah sekolah 0,54 1,59 1,56 0,99 2,15 Tidak/belum pernah tamat SD 12,14 11,75 12,75 9,93 14,93
Pendidikan Tertinggi Yang Ditamatkan
SD 20,47 21,44 23,18 21,8 22,24
SMP 26,72 24,2 20,94 23,36 23,1
SMA 35,6 35,31 32,9 35,94 30,75
Diploma I/II 0,27 0,34 0,77 0,93 0,49
Diploma III 1 2,48 2,01 1,6 1,49
Diploma IV/Sarjana 3,26 2,88 5,89 5,23 4,84
Jumlah Pendidikan Yang
Ditamatkan 88,52 87,48 86,89 84,58 85,98
Sumber SUSENAS 2007-2011
Tabel 4.4 Tabel Profil Ketenagakerjaan Tahun 2007-2011 dalam persen (%)
Keterangan
Tahun
2007 2008 2009 2010 2011
1 2 3 4 5 6
Penduduk 15 Tahun Ke
Atas 79,58 80 80 80 25,61
Angkatan Kerja 48 45 55 59 64
Setengah Pengangguran 11,83 11,83 16,9 12 11
Pengangguran Terbuka 3,61 4,6 6,3 5 5
TKI diluar negeri 0,03 0,04 0,04 0,03 0,01
[image:55.612.143.502.535.664.2]Tabel 4.5 Persentasi Tingkat Kesehatan Tahun 2007-2011 dalam persen (%)
Keterangan
Tahun
2007 2008 2009 2010 2011
1 2 3 4 5 6
Berobat ke tenaga medis
68,08 70,45 45
71,35 72,88 71,58
Tingkat Kesehatan 48 45 55 59 6
Membeli obat ke apotik 11,83 11,83 16,9 12 1
Membeli obat ke kios 2,63 4,6 5,8 5,7 6
Berobat ke dukun 0,05 0,03 0,06 0,01 0,02
Sumber : Asahan Dalam Angka 2007 – 2011
4.4 Pembahasan Hasil Penelitian
Dari beberapa tabel di atas, dapat kita buat dalam bentuk tabel analisis jalur yakni sebagai berikut:
Tabel 4.6 Tingkat Pendidikan, Kesehatan, ketenagakerjaan dan Indeks Pembangunan
Manusia Kabupaten Asahan Tahun 2007-2011 (dalam persen)
Tahun IPM Pendidikan Kesehatan Ketenagakerjaan n
2007 71,16 88,52 71,35 48
2008 71,57 87,48 71,45 45
2009 72,16 86,89 71,55 55
2010 72,54 84,58 71,58 59
2011 73,02 85,98 71,64 64
Jumlah 360,45 433,45 357,57 271
[image:56.612.166.484.465.575.2]Pendidikan
Kesehatan 4.5 Pengolahan Data
4.5.1 Menentukan Model Diagran Jalur
Menentukan model diagram jalur berdasarkan paradigm hubungan variabel dengan tahapan sebagai berikut:
IPM
[image:57.612.164.497.245.368.2]Ketenagakerjaan
Gambar 4.1 Diagram Jalur dengan 3 variabel bebas dan 1 variabel terikat
4.5.2 Membuat Diagram Jalur
Membuat diagram jalur persamaan strukturalnya sebagai berikut:
X1
ε
X2 Y
X3
Dengan diagram jalur tersebut terdiri atas dua persamaan struktural, dengan dua sub- struktural, yaitu X1, X2, dan X3 sebagai variabel eksogen dan Y sebagai variabel endogen. Bentuk persamaan strukturalnya adalah sebagai berikut:
Y = ρyx1 x1 + ρyx2 x2 + ρyx3 x3 + ε
Keterangan:
Pendidikan merupakan variabel pertama dan diberi simbol X1
Kesehatan merupakan variabel bebas kedua dan diberi simbol X2
Ketenagakerjaan merupakan variabel bebas ketiga dan diberi simbol X3
Indeks Pembangunan Manusia (IPM) merupakan variabel terkait dan diberi
simbol Y
4.5.3 Menganalisis Data Menggunakan Program Amos Versi 18
Bentuk persamaan strukturalnya adalah: Y = ρyx1 x1 + ρyx2 x2 + ρyx3 x3 + ε
Dengan:
Untuk menganalisis menggunakan Amos Versi 18, terdapat tahapan sebagai berikut:
1. Menampilkan gambar dengan tampilan angka hasil analisis
Buka Program Amos Versi 18
Pilih Amos Graphics
Gambar struktur model pada drawing area
Input data dengan klik file kemudian pilih data dengan klik file name
kemudian klik OK
Klik Analyse pada menu Amos
Pilih Calculate Estimates (Ctrl + F9)
Save Path Diagram
Klik View the Output Path Diagram
2. Melakukan pengujian data
Setelah model dan file data dimasukkan, proses selanjutnya adalah melakukan proses pengujian data. Untuk persiapan output maka langkah-langkahnya adalah sebagai berikut:
Buka menu View
Pilih Analysis Properties (muncul Kotak Dialog Analysis Properties)
Klik tab output dan beri tanda centang semua tab output
Tutup kotak dialog dengan klik tombol close
Untuk proses, jalankan menu Analyse dan pilih Calculate Estimates
4.6 Menafsirkan Hasil Analisis Data
4.6.1 Analisis Regresi
Kita akan menganalisis regresi dengan melihat pengaruh secara gabungan dan secara parsial.
a. Melihat pengaruh pendidikan, kesehatan, dan ketenagakerjaan secara gabungan terhadap IPM.
Untuk melihat pengaruh pendidikan, kesehatan, dan ketenagakerjaan terhadap IPM secara gabungan, akan kita lihat hasil perhitungan dalam model Squared Multiple Correlations, khususnya angka R square di bawah ini:
Squared Multiple Correlations : (Group number 1 – Default model) Estimate
IPM .993
Besarnya angka estimate dalam hal ini merupakan angka R square (r2) adalah 0,993. Angka tersebut dapat digunakan untuk melihat besarnya pengaruh pendidikan, kesehatan, dan ketenagakerjaan terhadap IPM Kabupaten Asahan dengan cara menghitung Koefisien Determinasi (KD) dengan menggunakan rumus sebagai berikut:
Angka tersebut mempunyai maksud bahwa pengaruh pendidikan, kesehatan, dan ketenagakerjaan secara gabungan terhadap IPM adalah 99,3%. Adapun sisanya sebesar 0,7% (100% - 99,3%) dipengaruhi oleh faktor lain. Dengan kata lain variabilitas IPM yang dapat diterangkan dengan menggunakan variabel pendidikan, kesehatan, dan ketenagakerjaan adalah sebesar 99,3%, sedangkan pengaruh 0,7% disebabkan oleh variabel-variabel lain di luar model ini. Untuk mengetahui apakah model regresi di atas sudah benar atau salah, diperlukan uji hipotesis menggunakan uji signifikansi sebagaimana tertera dalam tabel di bawah ini:
Covariances : (Group number 1 – Default model)
Estimate S.E. C.R. P Label Pendidikan <--> Kesehatan -.302 .439 -.689 .491 Par_4 Kesehatan <--> Ketenagakerjaan 1.386 1.918 .722 .470 Par_5 Pendidikan <--> Ketenagakerjaan -12.618 10.534 -1.198 .231 Par_6
Angka estimate pada output di atas menunjukkan kovarian antar variabel terikat (endogenus) dengan variabel bebasnya (eksogenus). Untuk mengetahui hal tersebut, dapat dilakukan pengujian hipotesis seperti pada pengujian ada tidaknya hubungan antara dua variabel tertentu.
Kaidah pengujian signifikansi Program Amos 18 sebagai berikut:
Jika nilai probabilitas 0,05 lebih kecil atau sama dengan nilai probabilitas
sig atau [0,05 ≤ Sig], maka Ho diterima dan H1 ditolak yang artinya tidak signifikan.
Jika nilai probabilitas 0,05 lebih besar atau sama dengan nilai probabilitas sig
Dari tabel kovarian di atas, nilai probabilitas lebih besar dari 0,05, bahkan mencapai angka sempurna yakni mendekati 1. Jika diberikan hipotesis seperti berikut:
Ho : tidak ada hubungan yang nyata (signifikan) antara pendidikan,
kesehatan, dan ketenagakerjaan terhadap IPM
H1 : ada hubungan yang nyata (signifikan) antara pendidikan, kesehatan,
dan ketenagakerjaan terhadap IPM
Maka, dari pernyataan di atas, Ho ditolak dan H1 diterima sehingga ada hubungan yang nyata (signifikan) antara pendidikan, kesehatan, dan ketenagakerjaan terhadap pendidikan.
b. Melihat pengaruh pendidikan, kesehatan, dan ketenagakerjaan secara parsial terhadap IPM.
Untuk melihat pengaruh pendidikan, kessehatan, dan ketenagakerjaan terhadap IPM secara parsial, akan kita lihat hasil perhitungan dalam model Regression Weights:
Regressions Weights : (Group number 1 – Default model)
Estimate S.E. C.R. P Label Pendidikan <--- Kesehatan .076 .018 4.172 *** Par_1 Kesehatan <--- Ketenagakerjaan 1.251 .062 20.117 *** Par_2 Pendidikan <--- Ketenagakerjaan .029 .004 6.700 *** Par_3
Proses:
Perumusan Hipotesis
Ho : Tidak ada hubungan yang nyata (signifikan) antara pendidikan,
kesehatan, dan ketenagakerjaan terhadap IPM
H1 : ada hubungan yang nyata (signifikan) antara pendidikan, kesehatan,
dan ketenagakerjaan terhadap IPM
Dalam hal ini semua hubungan , jika ada dan nyata, adalah positif. Hal ini disebabkan secara teori (theory based) tidak mungkin karena pendidikan dan kesehatan. Secara negative. Dalam arti semakin tinggi pendidikan justru mengakibatkan semakin rendah tingkat kesehatan. Hal ini penting, karena jika hubungan dinyatakan signifikan, namun
Dasar keputusan:
Jika nilai probability (P) > 0,05 Ho diterima Jika nilai probability (P) < 0,05 Ho ditolak Keputusan
Pada kolom P terlihat nilai P adalah ***. Hal ini menunjukkan angka P adalah 0,000, yang jauh di bawah 0,05. Karena itu Ho ditolak, atau pada pengujian nilai estimate
antara IPM dengan ketiga variabel di atas dikatakan memang terdapat hubungan yang nyata diantara keduanya.
Untuk melengkapi hasil analisis di atas, berikut disertakan tampilan estimate yang sudah distandarisasi.
Standardized Regression Weights : (Group number 1 – Default model) Estimate
Pendidikan <--- Kesehatan .257 Kesehatan <--- Ketenagakerjaan .892 Pendidikan <--- Ketenagakerjaan .416
4.6.2 Analisis Korelasi
Analisis korelasi antar variabel pendidikan, kesehatan dan ketenagakerjaan ditunjukkan pada hasil output berikut ini:
Covariances : (Group number 1 – Default model)
Estimate S.E. C.R. P Label Pendidikan <--> Kesehatan -.302 .439 -.689 .491 Par_1 Kesehatan <--> Ketenagakerjaan 1.386 1.918 .722 .470 Par_2
Pendidikan <--> Ketenagakerjaan -12.618 10.534 -1.198 .231 Par_3
Analisis hubungan antar variabel bebas (eksogen) Hipotesis yang diajukan
Ho : tidak ada hubungan antar dua variabel eksogen (bebas) H1 : ada hubungan antar dua variabel eksogen (bebas)
Dasar keputusan:
Jika nilai probability (P) > 0,05 Ho diterima
Jika nilai probability (P) < 0,05 Ho ditolak
dari 0,05 sehingga Ho diterima. Hal ini berarti tidak ada hubungan antara variabel bebas (eksogen).
Correlations : (Group number 1 – Default model)
Estimate Pendidikan <--> Kesehatan -.367 Kesehatan <--> Ketenagakerjaan .387 Pendidikan <--> Ketenagakerjaan -.748
Dari hasil korelasi data di atas nilai estimate bernilai negatif. Hal ini berarti telah terlihat jelas bahwa tidak ada korelasi (hubungan) antara dua variabel bebas (eksogenus). Penjelasan selanjutnya sebagai berikut:
Korelasi antara Pendidikan dengan Kesehatan
rx1x2 = -0,367
Berdasarkan perhitungan diperoleh nilai korelasi antar variabel pendidkan dan kesehatan sebesar -0,367 yang berarti bahwa hubungan antara pendidikan dan kesehatan adalah negatif sempurna dan tak searah.
Korelasi antara Kesehatan dengan Ketenagakerjaan
Berdasarkan perhitungan diperoleh nilai korelasi antara variabel kesehatan dan ketenagakerjaan sebesar 0,387 yang berarti bahwa hubungan antara kesehatan dan ketenagakerjaan adalah lemah dan searah.
Korelasi antara Pendidikan dan ketenagakerjaan
rx1x3 = -0,748
Berdasarkan perhitungan diperoleh nilai korelasi antara variabel pendidikan dan ketenagakerjaan sebesar -0,748 yang berarti bahwa hubungan antara pendidikan dan ketenagakerjaan adalah negatif sempurna dan tak searah.
Implied(for all variables) Correlations (Group number 1 – Default model) Ketenagakerjaan Kesehatan Pendidikan IPM
Ketenagakerjaan 1.000
Kesehatan .387 1.000
Pendidikan -.748 -.367 1.000
IPM .569 .958 -.382 1.000
Korelasi antara Pendidikan dengan IPM
rx1y =-0,382
Berdasarkan perhitungan diperoleh nilai korelasi antara variabel pendidikan dan IPM sebesar -0,382 yang berarti bahwa hubungan antara pendidikan dan IPM adalah negatif sempurna dan tak searah.
Korelasi antara Kesehatan dengan IPM
rx2y = 0.958
Berdasarkan perhitungan diperoleh nilai korelasi antara variabel kesehatan dan IPM sebesar 0,958 yang berarti bahwa hubungan antara pendidkan dan IPM adalah sangat kuat dan searah.
Korelasi antara Ketenagakerjaan dengan IPM
rx3y = 0,569
Berdasarkan perhitungan diperoleh nilai korelasi antara variabel ketenagakerjaan dan IPM sebesar 0,569 yang berarti bahwa hubungan antara pendidikan dan IPM adalah cukup kuat dan searah.
4.7 Prehitungan Pengaruh
4.7.1 Pengaruh Langsung (Direct Effect)
Untuk menghitung pengaruh langsung (direct effect) digunakan formula sebagai berikut:
Atau dapat dilihat pada hasil output di bawah ini:
Direct Effects (Group number 1 – Default model)
Ketenagakerjaan Kesehatan Pendidikan IPM .029 1.251 .076
Pengaruh variabel Pendidikan terhadap IPM
X1 Y = 0,076 ≈ 0,08
Hal itu menunjukkan besarnya kontribusi pendidikan (X1) yang secara langsung mempengaruhi IPM (Y) adalah 0,082 = 0,0064 atau 0,64%
Pengaruh variabel Kesehatan terhadap IPM
X2 Y = 1,25
Hal itu menunjukkan besarnya kontribusi kesehatan (X2) yang secara langsung mempengaruhi IPM (Y) adalah 1,252 = 1,56 atau 156%
Pengaruh variabel Ketenagakerjaan terhadap IPM
X3 Y= 0,029 ≈0,03
Hal itu menunjukkan besarnya kontribusi ketenagakerjaan (X3) yang secara langsung mempengaruhi IPM (Y) adalah 0,032 = 0,0009 atau 0,09%
Sedangkan nilai standarisasi dapat dilihat pada hasil output berikut ini:
Standardized Direct Effects (Group number 1 – Default model) Ketenagakerjaan Kesehatan Pendidikan
4.7.2 Pengaruh Tak Langsung (Indirect Effects)
Untuk menghitung pengaruh tak langsung (indirect effect) digunakan formula sebagai berikut:
Besarnya pengaruh tidak langsung variabel eksogenus terhadap variabel endogenus = pxuxi x rx1x2 x pxuxi
Atau dapat dilihat pada hasil output di bawah ini:
Indirect Effects (Group number 1 – Default model)
Ketenagakerjaan Kesehatan Pendidikan IPM .000 .000 .000
Dari tabel di atas terlihat
