ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI
KEMISKINAN DI JAWA TENGAH TAHUN 2013-2014
(Studi Kasus 35 Kabupaten/Kota di Jawa Tengah)
Paper ini Disusun Untuk Melengkapi Tugas Mata Kuliah Ekonometrika
Lanjutan
Disusun oleh :
Holifah (14810086)
Dosen Pengampu :
Riswanti Budi Sekaringsih . , M.Si
PROGRAM STUDI EKONOMI SYARIAH
FAKULTAS EKONOMI DAN BISNIS ISLAM
UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA
I. Pendahuluan
Kemiskinan merupakan masalah multidimensi yang dihadapi oleh hampir semua negara di dunia, terutama negara berkembang. Kemiskinan ini tercermin dengan ketidakmampuan seseorang untuk memenuhi standar kebutuhan minimumnya seperti sandang, pangan dan papan. Sedangkan indikator tingkat kemiskinan dapat dilhat dari tingkat Human Development Indeks (HDI) dengan kriteria tolok ukur kemiskinan yang digunakan adalah kehidupan, pendidikan dan ketetapan ekonomi.
Jawa tengah merupakan propinsi di Pulau Jawa nomor dua tertinggi tingkat kemiskinannya dibanding propinsi-propinsi lain (Publikasi BPS : 2009). Kemiskinan ini diduga dipengaruhi oleh beberapa faktor yang saling berkaitan. Dalam hal ini, tingkat kemiskinan di Jawa Tengah diduga dipengaruhi oleh beberapa faktor yaitu inflasi, indeks pembangunan manusia, PDRB dan jumlah penduduk.
Bila dikaitkan dengan kemiskinan, maka peningkatan inflasi akan diikuti oleh peningkatan kemiskinan sebagai akibat dari peningkatan inflasi yang akan semakin mendorong meningkatnya jumlah penduduk miskin bila tidak diikuti oleh peningkatan daya beli masyarakat atau peningkatan pendapatan masyarakat terutama golongan msyarakat dengan ekonomi rendah.
Kualitas sumber daya manusia tercermin dari tingkat pedidikannya. Tingginya tingkat pendidikan yang ditempuh merupakan salah satu investasi masa depan yang penting. Dengan melakukan investasi pendidikan maka akan mampu meningkatkan produktivitas seseorang, peningkatan produktivitas juga akan berpengaruh pada peningkatan pendapatan. Dengan pendapatan yang cukup akan mampu mengangkat kehidupan seseorang dari kemiskinan.
Produk domestik regional bruto (PDRB) di Jawa Tengah memberikan gambaran tentang pembangunan ekonomi dari waktu ke waktu. Pembangunan ekonomi akan memberikan hasil yang optimal jika peningkatan PDRB disertai dengan perbaikan kualitas hidup seluruh golongan masyarakat. Sehingga PDRB merupakan faktor penting untuk pengentasan kemiskinan.
Kuantitas sumber daya manusia tercermin dari jumlah penduduknya. Kuantitas atau jumlah penduduk dapat menjadi faktor penghambat atau pendukung pembangunan wilayah. Faktor pendukung pembangunan karena jumlah penduduk memungkinkan banyaknya jumlah tenaga kerja yang tersedia serta mampu memperluas pasar barang dan jasa. Sedangkan faktor penghambat karena jumlah penduduk juga akan menyebabkan tingginya tingkat kemiskinan. (Sadono Sukirno : 1997)
Rekapitulasi Tingkat Kemiskinan, Inflasi, IPM, PDRB dan Jumlah Penduduk Tahun 2013-2014 di Jawa Tengah
2013 2014
Tingkat kemiskinan 14,44% 13,58%
Inflasi 7,99% 8,22%
IPM 6,8 tahun 6,93 tahun
PDRB 23.584.017,13 (Juta) 26.084.821,88 (Juta)
Jumlah pendududk 33.264.339 jiwa 33.522.663 jiwa
Inflasi yang naik, indeks pembangunan manusia yang tercermin dari rata-rata lama sekolah yang meningkat, PDRB yang meningkat dan jumlah penduduk yang semakin bertambah diduga merupakan faktor yang mempengaruhi tingkat kemiskinan di Jawa Tengah walaupun dalam statistiknya mengalami penurunan. Mengingat tingkat kemiskinan di Jawa Tengah dipengaruhi oleh banyak faktor, maka dalam penelitian ini dibatasi empat faktor yang mempengaruhi tingkat kemiskinan 35 kabupaten/kota di Jawa Tengah yaitu inflasi, IPM, PDRB dan jumlah penduduk.
II. Landasan Teori
Kemiskinan merupakan permasalahan multi dimensi yang dihadapi hampir di semua negara di dunia. Menurut BPS, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kenutuhan dasar makanan dan bukan makanan yangdiukur dari sisi pengeluaran. Sedangkan penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan. Menurut Suparlan, kemiskinan adalah standar tingkat hidup yang rendah karena kekurangan materi pada sejumlah atau golongan orang bila dibandingkan dengan standar hidup yang berlaku di masyarakat sekitarnya.
Jenis-jenis kemiskinan dibagi menjadi empat bentuk, yaitu :
a. Kemiskinan absolut, kondisi dimana seseorang memiliki pendapatan dibawah garis kemiskinan atau tidak cukup untuk memenuhi kebutuhan pangan, sandang, papan, kesehatan, dan pendidikan yang dibutuhkan untuk bisa hidup dan bekerja.
d. Kemiskinan struktural, situasi miskin yang disebabkan oleh rendahnya akses terhadap sumber daya yang terjadi dalam suatu sistem sosial budaya dan sosial politik yang tidak mendukung pembebasan kemiskinan, tetapi seringkali menyebabkan suburnya kemiskinan.
Dalam skripsinya, Ari Widiastuti (2010) dengan sampel penelitian di kabupaten/kota di Jawa Tengah menyatakan bahwa jumlah penduduk berpengaruh positif dan signifikan terhadap kemiskinan artinya peningkatan jumlah penduduk akan meningkatkan pula tingkat kemiskinan, sedangkan IPM berpengaruh negatif dan signifikan terhadap kemiskinan artinya semakin tinggi nilai IPM maka tingkat kemiskinan kan menurun. Penelitian yang dilakukan oleh Angga Tri Widiastuti (2016) dengan sampel penelitian di kabupaten/kota di Jawa tengah menyatakan bahwa PDRB berpengaruh negatif, artinya jika PDRB meningkat maka akan menurunkan tingkat kemiskinan. Sedangkan pada penelitian Fahma Sari Fatma (2005) menunjukkan inflasi berpengaruh positif dan signifikan terhadap kemiskinan, artinya apabila inflasi di Indonesia meningkat maka jumlah kemiskinan di Indonesia juga akan meningkat.
III. Metodologi 1. Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik (BPS) Jawa Tengah, meliputi data IPM, PDRB, inflasi dan jumlah penduduk di 35 kabupaten/kota di Provinsi Jawa Tangah selama periode 2013-2014. Metode analisis yang digunakan dalam penelitian ini adalah analisis regresi data panel dengan bantuan software Eviews 6.
2. Model
Variabel yang digunakan dalam penelitian ini adalah tingkat kemiskinan sebagai variabel yang dijelaskan (dependent variabel), sedangkan variabel yang menjelaskan (independent variabel) adalah inflasi, IPM, PDRB dan jumlah penduduk. Sehingga model dalam penelitian ini adalah sebagai berikut :
TK = f (INF, IPM, PDRB, JP) Dimana :
TK : tingkat kemiskinan INF : inflasi
IPM : indeks pembangunan manusia PDRB: Produk Domestik Regional Bruto JP : Jumlah penduduk
Model dasar di atas diturunkan menjadi model ekonometrik sebagai berikut : TKit = β0 + β1 INF + β2 IPM + β3 PDRB + β4 JP + εit
Dimana i menunjukkan unit cross section dan t menunjukkan periode waktu. 3. Pengujian
3.1. Pemilihan Model terbaik
Uji chow adalah pengujian untuk menentukan model Fixed effect atau
common effect yang paling tepat digunakan untuk mengestimasi data panel. Hipotesis dalam uji Chow adalah :
Ho : Common effect model Ha : Fixed effect model
Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitugan F-statistik dengan F-tabel atau dapat menggunakan Prob. Cross-section F. Apabila prob. cross-section F < α 5% maka model fixed effect lebih baik digunakan daripada common effect.
3.1.2. Uji Hausman
Uji hausman adalah pengujian untuk menentukan model fixed effect atau
random effect yang paling tepat digunakan untuk mengestimasi data panel. Hipotesis dalam uji hausman adalah :
Ho : Random effect model Ha : Fixed effect model
Dasar penolakan terhadap hipotesis di atas adalah dengan membandingkan perhitugan F-statistik dengan F-tabel atau dapat menggunakan Prob. Cross-section F. Apabila prob. cross-Cross-section random < α 5% maka model fixed effect
lebih baik digunakan daripada random effect.
3.2. Uji Asumsi Klasik
Persamaan yang diperoleh dari sebuah estimasi dapat dioperasikan secara statistik jika memenuhi asumsi klasik, yaitu memenuhi asumsi bebas multikolinearitas, heteroskesidasitas, autokorelasi, serta disturbance term terdistribusi secara normal.
3.2.1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel pengganggu atau residual memiliki distribusi normal. Untuk mengetahuinya dengan menggunakan nilai statistik Jarque Berra. Hipotesis pada uji normalitas adalah sebagai berikut :
Ho : Data residual berdistribusi normal Ha : Data residual tidak berdistribusi normal 3.2.2. Uji Multikolinearitas
Pengujian terhadap ada tidaknya multikolinearitas ini dilakukan dengan cara melihat koefisien korelasi antar variabel. Apabila tidak ada yang mendekati angka 1 maka dapat dikatakan tidak terdapat multikolinearitas sempurna.
3.2.3. Uji Heteroskedastisitas
secara statistik dengan metode White test. Hipotesis pada uji White adalah sebagai berikut :
Ho: Tidak terdapat masalah heteroskedastisitas Ha : Terdapat masalah heteroskedastisitas 3.2.4. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi ada korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Penentuan masalah autokorelasi dapat dilakukan secara statistik dengan uji Lagrange Multiplier (LM) dengan hipotesis sebagai berikut :
Ho : Tidak terdapat masalah autokorelasi Ha : Terdapat masalah autokorelasi 3.3. Pengujian Statistik Analisis Regresi
Uji signifikansi merupakan prosedur yang digunakan untuk menguji diterima atau ditolaknya (secara statistik) hasil hipotesis nol (H0) dari sampel.
3.3.1. Koefisien Determinasi (R2)
Koefisien determinasi (R2) menunjukkan seberapa besar persentase variasi variabel independen dapat menjelaskan variasi variabel dependennya (goodness of fit test). Nilai R2 yang kecil atau mendekati nol berarti kemampuan variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Sebaliknya, jika nilai R2 mendekati satu berarti variabel independen memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen, dan model tersebut dapat dikatakan baik (Gujarati, 2003).
3.3.2. Uji F
Uji F dapat diketahui apakah semua variabel independen yang
dimasukkan dalam model memiliki pengaruh secara bersama-sama atau tidak terhadap variabel dependen. Hipotesis nol (Ho) yang diajukan dalam penelitian ini adalah apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen, atau:
H0 : β1 = β2 = β3 = β4 = 0
Sedangkan hipotesis alternatifnya (H1) adalah semua variabel independen mampu mempengaruhi variabel dependen secara bersama-sama, atau:
H1 : β1 = β2 = β3 = β4 ≠ 0
lebih kecil dari F tabel, maka variabel independen tidak berpengaruh signifikan terhadap variabel dependen secara bersama-sama.
3.3.3. Uji t
Uji t dilakukan untuk mengetahui apakah variabel independen secara individual mempengaruhi variabel dependennya. Hipotesis yang diajukan yaitu: Hipotesis 1
H0 : β1 ≤ 0 Inflasi tidak berpengaruh secara signifikan terhadap tingkat kemiskinan
H1 : β1 > 0 Inflasi berpengaruh positif dan signifikan terhadap kemiskinan. Hipotesis 2
H0 : β2 ≤ 0 IPM tidak berpengaruh secara signifikan terhadap tingkat kemiskinan H1 : β2 > 0 IPM berpengaruh negatif dan signifikan terhadap kemiskinan
Hipotesis 3
H0 : β3 ≤ 0 PDRB tidak berpengaruh secara signifikan terhadap tingkat kemiskinan
H1 : β3 > 0 PDRB berpengaruh positif dan signifikan terhadap tingkat kemiskinan
Hipotesis 4
H0 : β4 ≤ 0 Jumlah Penduduk tidak berpengaruh secara signifikan terhadap tingkat kemiskinan
H1 : β4 > 0 jumlah penduduk berpengaruh positif dan signifikan terhadap tingkat kemiskinan
Uji t dapat dilakukan dengan membandingkan membandingkan nilai probalilitas output eviews dengan nilai α. Apabila nilai probabilitas lebih kecil dari nilai α maka H0 ditolak dan H1 diterima, sebaliknya jika nilai probabilitas lebih besar daripada nilai α maka H0 diterima dan H1 ditolak.
IV. Pembahasan
IV.1. Deskripsi Data
Pada bagian ini akan sedikit diulas mengenai statistika deskriptif dari variabel yang digunakan yaitu tingkat kemiskinan, inflasi, IPM, PDRB dan jumlah penduduk dengan periode pengamatan tahun 2013-2014. Berikut hasil statistika deskriptif seluruh variabel selama periode pengamatan:
Tabel 4.1
Periode 2013-2014
N Minimum Maximum Mean Std.
Deviasi
Tingkat kemiskinan 70 5,04 22,08 13,3 4,28
Inflasi 70 5,8 10,46 7,99 0,77
IPM 70 5,68 10,33 7,17 1,27
PDRB 70 5,78 6,24 5,92 2,61
Jumlah Penduduk 70 6,72 8,83 7,29 2,74
Sumber : Data diolah
Selama periode tahun 2013-2014, data inflasi saja yang memiliki variasi yang cukup tinggi dari nilai rata-ratanya, sehingga data inflasi dapat dikatakan tidak stasioner. Sedangkan data untuk variabel yang lain memiliki varian yang tidak terlalu tinggi, sehingga data variabel tingkat kemiskinan, IPM, PDRB dan jumlah penduduk dapat dikatakan sudah stasioner.
IV.2. Metode Estimasi Model Regresi Panel
Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain common effect, fixed effect dan
random effect. Berikut adalah hasil estimasi tiap pendekatan serta estimasi common effect untuk tahun pertama dan tahun kedua :
Tabel 4.2
Hasil Estimasi Tiga Metode Estimasi Data Panel
Variabel Model I
Common Effect
Model II
FEM Model IIIREM Model IVCE thn 2013
Model V
CE thn 2014
Inflasi 0,04
(0,555) 0,755 ***(0,236) 0,695 ***(0,225) (0,8823)0,9243 (1,021)1,510
IPM -0,664
Observasi 70 70 70 35 35
Standard errors in parentheses *** p<0.01, ** p<0.05, *p<0.1
Model pertama yaitu model Common effect menunjukkan nilai R2 sebesar
39,15% serta terdapat dua variabel yang signifikan terhadap tingkat kemiskinan yaitu variabel log_PDRB dan log_jumlah penduduk. Berbeda dengan model kedua yaitu model fixed effect yang menunjukkan nilai R2 yang cukup tinggi yaitu 97,08%,
namun pada model ini variabel yang signifikan terhadap tingkat kemiskinan hanya ditunjukkan oleh variabel inflasi. Kemudian model ketiga yaitu random effect
menunjukkan nilai R2 sebesar 34,9% serta terdapat tiga variabel yang signifikan
terhadap tingkat kemiskinan yaitu inflasi, log_PDRB dan log_jumlah penduduk. Model keempat dan kelima menunjukkan perbandingan regresi tiap periode penelitian. Model keempat adalah estimasi regresi untuk tahun 2013 sedangkan model kelima adalah estimasi regresi untuk tahun 2014. Kedua model tersebut menunjukkan variabel yang signifikan terhadap tingkat kemiskinan adalah log_PDRB dan log_jumlah penduduk. Kemudian perbedaan R2 kedua model inipun
tidak berbeda jauh yaitu hanya selisih 6,62% saja. IV.3. Pemilihan Model terbaik
Model terbaik dari penelitian ini dapat dilihat dari hasil uji Chow dan uji Hausman pada tabel berikut :
Tabel 4.3
Hasil Uji Chow, Uji Hausman
Uji Chow Uji Hausman
Prob. Chi-Square F 0,0000
-Prob. Cross-Section R - 0,6827
Sumber : Lampiran A dan B
Dari hasil di atas, pada uji Chow didapatkan nilai Prob Chi-square F sebesar 0,000 < α 5% , sehingga hipotesis Ho ditolak. Kesimpulannya adalah model fixed effect lebih baik dari pada model common effect. Kemudian untuk mengetahui model
fixed effect atau random effect yang terbaik dapat dilihat dari hasil uji Hausman di atas.
Dari hasil uji Hausman di atas didapatkan nilai Prob Cross-Section Random sebesar 0,68 > 5%, sehingga hipotesis Ho diterima. Kesimpulannya adalah model
random effect lebih baik daripada model fixed effect.
Dari pengujian tersebut didapatkan model terbaik yang digunakan untuk penelitian ini adalah model random effect.
Untuk menguji apakah data terdistribusi normal atau tidak, dilakukan uji
Jarque-Bera (JB Test). Hasil J-B test dapat dilihat pada gambar berikut:
Gambar 4.1 Hasil Uji Normalitas
0 1 2 3 4 5 6 7 8
-6 -4 -2 0 2 4 6
Series: Standardized Residuals Sample 2013 2014
Observations 70 Mean -1.92e-14 Median -0.865126 Maximum 7.115597 Minimum -6.074019 Std. Dev. 3.382332 Skewness 0.384454 Kurtosis 2.319332 Jarque-Bera 3.075705 Probability 0.214842
Berdasarkan nilai probability Jarque-Bera adalah sebesar 0,214 > α 5%, sehingga menerima hipotesis Ho. Kesimpulannya adalah nilai residual berdistribusi normal.
IV.4.2. Uji Multikolinearitas
Multikolinearitas dapat dianalisis dari matrik korelasi variabel independen. Multikolinearitas tercermin dari nilai korelasi variabel independen pada tabel berikut :
Tabel. 4.4 Nilai Matriks Korelasi
Inflasi 1 0,0068 0,2200 0,2101
IPM 0,0068 1 -0,5424 0,0563
Log_PDR B
0,2206 -0,5424 1 0,6737
Log_JP 0,2101 0,00563 0,6737 1
Dilihat dari tabel di atas dapat disimpulkan tidak ada masalah multikolinearitas pada model regresi. Hal tersebut karena tidak adanya nilai matrik korelasi yang melebihi nilai 0,8 sehingga model tidak terindikasi masalah multikolinearitas.
IV.4.3.Uji Heteroskedastisitas dan Uji Autokorelasi
Heteroskedastisitas dan autokorelasi sering kali terjadi pada jenis data cross section. Dari ketiga pendekatan regresi data panel yang memungkinkan terindikasi masalah heteroskedastisitas dan autokorelasi adalah model common effect dan fixed effect saja, sedangkan random effect tidak terjadi.
Hal ini dikarenakan estimasi common effect dan fixed effect masih menggunakan pendekatan ordinary least square (OLS) sedangkan random effect
sudah menggunakan pendekatan generalized least square (GLS) yang merupakan salah satu teknik penyembuhan masalah heteroskedastisitas dan autokorelasi. IV.5. Pengujian Statistik Analisis Model Regresi Terbaik
IV.5.1. Koefisien Determinasi (R2)
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh
kemampuan model dalam menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah dari nol sampai 1.
Tabel 4.5
Nilai R2Random Effect
Nilai R-Squared 0,3490
Nilai R2 sebesar 0,3490, artinya bahwa pengaruh inflasi, IPM, PDRB dan
jumlah penduduk terhadap tingkat kemiskinan sebesar 34,9%, sedangkan 65,1% lainnya dipengaruhi oleh faktor-faktor lain diluar model.
Uji F digunakan untuk mengetahui apakah variabel inflasi, IPM, PDRB dan jumlah penduduk secara simultan atau bersama-sama berpengaruh terhadap tingkat kemiskinan.
Tabel 4.6
Nilai Prob. F Random Effect
Nilai Prob. F-stat 0,00011
Dari tabel di atas diketahui bahwa nilai prob. F-stat < α 5% , sehingga hipotesis Ho ditolak dan menerima hipotesis Ha. Kesimpulannya adalah secara simultan variabel inflasi, IPM, PDRB dan jumlah penduduk berpengaruh terhadap tingkat kemiskinan.
IV.5.3. Uji statistik individual (Uji t)
Uji t pada dasarnya adalah untuk mengetahui seberapa jauh masing-masing variabel independen mempengaruhi variabel dependen secara individual. Uji t masing-masing variabel independen terangkum dalam tabel berikut :
Tabel 4.7 Hasil Uji t
Variabel Koefisien Variabel Prob.t
Inflasi 0,695 0,0029
IPM -0,534 0,4668
Log_PDRB -1,114 0,0208
Log_JumlahPenduduk 0,916 0,0140
1. Pengujian terhadap Variabel Inflasi
Variabel inflasi mempunyai koefisien sebesar 0,695 yang berarti berhubungan positif dengan tingkat kemiskinan. Artinya, apabila inflasi meningkat 1%, maka tingkat kemiskinan akan meningkat pula sebesar 0,695%. Sedangkan prob. t inflasi sebesar 0,0029 < α 5%, sehingga menolak hipotesis Ho. Kesimpulannya adalah secara individu variabel inflasi berpengaruh signifikan terhadap tingkat kemiskinan.
2. Pengujian terhadap Variabel IPM
Sedangkan prob. t IPM sebesar 0,4668 > α 5%, sehingga menerima hipotesis Ho. Kesimpulannya adalah secara individu variabel IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan.
3. Pengujian terhadap Variabel Log_PDRB
Variabel Log_PDRB mempunyai koefisien sebesar -1,114 yang berarti berhubungan negatif dengan tingkat kemiskinan. Artinya, apabila Log_PDRB meningkat 1%, maka tingkat kemiskinan akan menurun sebesar 1,114%. Sedangkan prob. t Log_PDRB sebesar 0,0208 < α 5%, sehingga menolak hipotesis Ho. Kesimpulannya adalah secara individu variabel Log_PDRB berpengaruh signifikan terhadap tingkat kemiskinan.
4. Pengujian terhadap Variabel Log_Jumlah Penduduk
Variabel Log_jumlah penduduk mempunyai koefisien sebesar 0,916 yang berarti berhubungan positif dengan tingkat kemiskinan. Artinya, apabila Log_jumlah penduduk meningkat 1%, maka tingkat kemiskinan akan meningkat pula sebesar 0,916%. Sedangkan prob. t Log_jumlah penduduk sebesar 0,0140 < α 5%, sehingga menolak hipotesis Ho. Kesimpulannya adalah secara individu variabel Log_jumlah penduduk berpengaruh signifikan terhadap tingkat kemiskinan.
V. Penutup A. Kesimpulan
Berdasarkan hasil penelitian terhadap tingkat kemiskinan pada 35 Kabupaten/kota di Jawa tengah pada tahun 2013-2014 dapat diambil kesimpulan sebagai berikut : 1. Pada penelitian ini didapatkan model terbaik untuk menganalisis faktor yang
mempengaruhi tingkat kemiskinan adalah pendekatan Random Effect Model.
2. Dengan pendekatan random effect tidak ditemukan masalah asumsi klasik seperti normalitas, multikolinearitas, heteroskedastisitas maupun autokorelasi.
3. Dengan tingkat signifikansi 5% variabel independen yang dimasukkan ke dalam model yaitu inflasi, IPM, Log_PDRB dan Log_jumlah penduduk secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan.
4. Dengan tingkat signifikansi 5% variabel inflasi, Log_PDRB dan Log_jumlah penduduk secara parsial berpengaruh signifikan terhadap tingkat kemiskinan. Sedangkan variabel IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan.
Sesuai dengan hasil penelitian yang didapat, maka dapat diajukan beberapa saran sebagai berikut:
1. Dengan diketahui faktor-faktor yang berpengaruh langsung terhadap tinglat kemiskinan diharapkan Pemerintah sekiranya dapat memberikan kebijakan yang sesuai untuk program pengurangan tingkat kemiskinan.
2. Penelitian ini memiliki keterbatasan yaitu adanya faktor yang tidak berpengaruh langsung terhadap tingkat kemiskinan. Diharapkan penelitian selanjutnya dapat menggunakan variabel yang lebih sesuai terhadap tingkat kemiskinan.
DAFTAR PUSTAKA
Fatma, Fahma Sari , 2005 , Pengaruh Inflasi dan Pengangguran di Indonesia. Thesis pada Pasca Sarjana Fakultas Ekonomi Universitas Indonesia , Depok
Gujarati, Damodar N, 2003, Basic Econometrics Fourth Edition, The McGrow Hill Companies Inc, New York.
Sadono Sukirno, 1997, Ekonomi Pembangunan, Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia, Jakarta.
Syarif, Ahmad dkk . 2015 . Modul Praktikum Ekonometrika . Yogyakarta : UIN FEBI
Widiastuti, Angga Tri , 2016, Analisis Faktor Yang Mempengaruhi Kemiskinan di Kabupaten/Kota di Jawa Tengah . Skripsi pada Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Surakarta, Surakarta
LAMPIRAN
Lampiran A Output Regresi PLS atau Common Effect
Dependent Variable: TK Method: Panel Least Squares Date: 12/30/16 Time: 14:07 Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Variable Coefficient Std. Error t-Statistic Prob.
C 20.99834 12.95170 1.621281 0.1008 INF 0.046676 0.555763 0.083985 0.9333 IPM -0.664493 0.533033 -1.246627 0.2170 LOG_PDRB -0.982231 0.352809 2.784028 0.0070 LOG_JP 0.832389 0.278855 2.985024 0.0040
R-squared 0.391522 Mean dependent var 13.30629 Adjusted R-squared 0.354077 S.D. dependent var 4.288354 S.E. of regression 3.446521 Akaike info criterion 5.381357 Sum squared resid 772.1028 Schwarz criterion 5.541963 Log likelihood -183.3475 Hannan-Quinn criter. 5.445152 F-statistic 10.45598 Durbin-Watson stat 0.839183 Prob(F-statistic) 0.000001
Lampiran B Output Regresi Fixed effect
Dependent Variable: TK Method: Panel Least Squares Date: 12/30/16 Time: 14:13 Sample: 2013 2014
Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Variable Coefficient Std. Error t-Statistic Prob.
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.970811 Mean dependent var 13.30629 Adjusted R-squared 0.935030 S.D. dependent var 4.288354 S.E. of regression 1.093069 Akaike info criterion 3.315634 Sum squared resid 37.03880 Schwarz criterion 4.568367 Log likelihood -77.04717 Hannan-Quinn criter. 3.813234 F-statistic 27.13226 Durbin-Watson stat 3.129837 Prob(F-statistic) 0.000000
Lampiran C Output Regresi Random Effect
Dependent Variable: TK
Method: Panel EGLS (Cross-section random effects) Date: 12/30/16 Time: 14:14
Sample: 2013 2014 Periods included: 2
Cross-sections included: 35
Total panel (balanced) observations: 70
Swamy and Arora estimator of component variances
Variable Coefficient Std. Error t-Statistic Prob.
C 23.52559 17.78496 1.322780 0.1905
R-squared 0.349406 Mean dependent var 2.997226 Adjusted R-squared 0.309370 S.D. dependent var 1.297879 S.E. of regression 1.078591 Sum squared resid 75.61837 F-statistic 8.727188 Durbin-Watson stat 1.793829 Prob(F-statistic) 0.000011
Unweighted Statistics
R-squared 0.377913 Mean dependent var 13.30629 Sum squared resid 789.3716 Durbin-Watson stat 0.826973
Lampiran C Output Uji Chow
Redundant Fixed Effects Tests Equation: EQ01
Test cross-section fixed effects
Cross-section F 331.703327 (34,31) 0.0000
Lampiran D output Uji Hausman
Correlated Random Effects - Hausman Test Equation: EQ01
Test cross-section random effects
Test Summary StatisticChi-Sq. Chi-Sq. d.f. Prob.
Cross-section random 2.289567 4 0.6827
Lampiran E Output PLS tahun pertama
. reg TK INF IPM Log_PDRB Log_JP if D_Tahun ==1 , r
Lampiran F Output PLS tahun kedua
. reg TK INF IPM Log_PDRB Log_JP if D_Tahun ==0 ,r
Lampiran G Output Uji Multikolinearitas dengan Matriks Korelasi
