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
Beberapa istilah dan defenisi dalam path analysis: (1) Dalam path Analysis, kita hanya menggunakan sebuah lambung variabel, yaitu X. Untuk membedakan X yang satu dengan X yang lainnya, kita menggunakan subscript (indeks). Contoh : X1, X2,
X3, ….., Xk. (2) Kita membedakan dua jenis variabel, yaitu variabel yang menjadi
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:
1. Direct causal effects (Pengaruh Kausal Langsung) adalah pengaruh satu
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
Y
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 X2 = ρx2x1X1 + ε. Selanjutnya tanda anak panah satu arah menggambarkan pengaruh
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.
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
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
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 )[(N
X 2 ) (
X ) 2 ][(x x 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.
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
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
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
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
Usia hidup diukur dengan harapan hidup waktu lahir (life expentancy at birth) yang biasa dinotasikan dengan e0. Karena Indonesia tidak memiliki sistem vital registrasi yang baik maka e0 dihitung dengan metode tidak langsung. Metode ini menggunakan dua macam data dasr yaitu rata-rata anakyang dilahirkan hidup
(live births) dan rata-rata anak yang masih hidup (still living)per wanita usia 15-
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.
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
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.
Dalam merumuskan kebijakan pembangunan, perlu diperhatikan tingkat pencapaian setiap tahun. Karena itu tentang pencapaian upaya pembangunan manusia masih perlu dilakukan dalam suatu periode tertentu, yang memberikan kesempatan untuk mengkaji dampak dari program bagi peningkatan kapasitas dasar penduduk, tingkat pencapaian setiap tahun menuju status pembangunan manusia yang ideal
(reduction in shortfall) yang telah dihasilkan pada suatu periode merupakan validasi
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.