144 Jurnal Ekonomi Syariah Indonesia (JESI)
Vol XIII. No 1 (2023)
https://ejournal.almaata.ac.id/index.php/JESI/index
Determinasi Tingkat Kemiskinan di Sumatera Selatan Tahun 2019-2022
Aliyah Aisyiyah Mirrahma1. Msy. Aziza Septiani2, Maya Panorama3
1, 2, 3 Program Studi Magister Ekonomi Syariah. Fakultas Ekonomi dan Bisnis Islam. UIN Raden Fatah
Palembang. Indonesia
aliyahsebastian2@gmail.com1, msy.azizaseptiani@gmail.com2, mayapanorama_uin@radenfatah.ac3
Abstract
Poverty is a multidimensional problem related to economic, political, social, cultural, and community participation. This is evidenced by the increasing trend of the number of people living below the poverty line.
The main trigger of poverty in Indonesia is the inequality of economic distribution or what is known as economic justice. Whereas all religions prohibit economic monopoly actions that cause injustice and order their people to give charity (zakat) and cooperate evenly. With the aim of reducing the poverty rate of the community even though we still often hear of hunger and hardship for some humans. This means that the welfare that is expected and aspired to has not been realized for people's lives. According to BPS 2022 data, South Sumatra is included in the top 10 with high poverty rates. Therefore, this study aims to determine, explain and analyze the factors that affect the Percentage of Poor Population (PPM) in South Sumatra for the period 2019-2022. This research method uses panel data regression method with individual unit observations as many as 17 districts / cities of South Sumatra province in a four-year period from 2019 to 2022. This study uses one response variable, namely PPM and four explanatory variables, namely the unemployment rate (TPT), average years of schooling (RLS), GRDP per capita, and human development index (HDI). The results of this study show that the fixed effect model with two-way specific effects is the best model of the panel data poverty rate. Variables that have a significant effect are GRDP. RLS. and HDI.
Keywords: Poverty. TPT. HDI. RLS. GDRB
Abstrak
Kemiskinan merupakan masalah multidimensi yang berkaitan dengan ketidakmampuan secara ekonomi, politik, sosial, budaya, dan partisipasi masyarakat. Hal ini terbukti dengan adanya kecendrungan peningkatan jumlah penduduk yang hidup dibawah garis kemiskinan. Pemicu utama kemiskinan di indonesia adalah ketidakmerataan distribusi ekonomi atau yang dikenal dengan keadilan ekonomi. Padahal semua agama melarang Tindakan monopoli ekonomi yang mneyebabkan ketidakadilan dan memerintahkan umatnya untuk berderma (zakat) dan bekerjasama secara merata. dengan tujuan mengurangi angka kemiskinan masyarakat meskipun pada kenyataanya masih sering kita dengar kelaparan dan kesusahan hidup bagi sebagian manusia. Ini berarti kesejahteraan yang diharapkan dan dicita-citakan belum terwujud bagi kehidupan masyarakat. Menurut data BPS 2022, Sumatera Selatan termasuk ke dalam 10 besar dengan tingkat kemiskinan yang tinggi. Oleh karena itu, p enelitian ini bertujuan untuk mengetahui, menjelaskan dan menganalisis faktor-faktor yang berpengaruh terhadap Persentase Penduduk Miskin (PPM) di Sumatera Selatan periode tahun 2019-2022. Metode penelitian ini menggunakan metode regresi data panel dengan amatan unit individu sebanyak 17 kabupaten/kota Provinsi Sumatera Selatan dalam periode waktu empat tahun dari 2019 sampai 2022. Penelitian ini menggunakan satu peubah respon yaitu PPM dan empat peubah penjelas ialah tingkat pengangguran (TPT), rata-rata lama sekolah (RLS), PDRB per kapita, dan indeks pembangunan manusia (IPM). Hasil penelitian ini menunjukkan bahwa model fixed effect dengan pengaruh spesifik dua arah adalah adalah model terbaik dari tingkat kemiskinan data panel. Variabel yang berpengaruh signifikan yaitu PDRB, RLS, dan IPM.
Kata-kunci: : Kemiskinan. TPT. IPM. RLS. PDRB
145 Article History Received Date: Januari 29th. 2023 Revised Date: Februari 14th. 2023
Accepted Date: Maret 27th. 2023
DOI :
XXXXXX.XXXX.XXXXXX.XXXX.XXXXX coresponding author :
aliyahsebastian2@gmail.com
PENDAHULUAN
Kemiskinan merupakan masalah mulltidimensi karena berkaitan dengan ketidakamampuan akses secara ekonomi.
politik. sosial budaya. dan partisipasi dalam masyarakat berbagai kebijakan dan program yang ada dirasakan masih kurang efektif dalam upaya menurunkan jumlah penduduk yang hidup dibawah garis kemiskinan. Hal ini terbukti dengan adanya kecendrungan peningkatan jumlah penduduk miskin dari masa ke masa di indonesia. Kemiskinan dalam pandangan ekonomi tidak hanya disebabkan oleh fitrah manusia belaka tetapi juga disebabkan oleh eksternal manusia misalnya kehidupan lokal masyarakat. politik. nasional.
sosial dan kemiskinan dalam Pendidikan.
Adam smith mengatakan bahwa kemiskinan disebabkan oleh faktor-faktor negara yang merumuskan undang-undang kesejahteraan buruh sehingga dapat dilihat bahwa negara juga ikut andil dalam kesejahteraan masyarakatnya.
Menurut Badan Pusat Statistik (BPS).
pemicu utama kemiskinan di indonesia adalah ketidakmerataan distribusi ekonomi atau yang dikenal dengan keadilan ekonomi. Padahal semua agama melarang monopoli ekonomi yang menyebabkan ketidakadilan dan memerintahkan umatnya untuk berderma (zakat) dan bekerjasama secara merata dengan tujuan mengurangi angka kemiskinan masyarakat. Meskipun pada kenyataannya masih sering kita dengar kelaparan. dan kesusahaan hidup bagi Sebagian manusia. Ini berarti kesejahteraan yang diharapkan dan dicita-citakan belum terwujud bagi kehidupan masyarakat. Keadaan tersebut tidak menutup kemungkiann terjadi di Indonesia khusunya pada Provinsi Sumatera Selatan. Berdasarkan data BPS September 2022. Provinsi Sumatera Selatan termasuk ke dalam 10 besar sebagai provinsi yang memiliki angka kemiskinan yang
cukup tinggi karena diatas angka nasional, dapat dilihat pada tabel 1.
Tabel 1 Persentase Penduduk Miskin di Provinsi Sumatera Selatan per September
2022
Provinsi
Jumlah penduduk
Miskin
Persentase (%)
Papua 936,32 26,80
Papua Barat 222,36 21,43
Nusa Tenggara Timur
1149,17 20,23
Maluku 296,66 16,23
Gorontalo 187,35 15,51
Aceh 818,47 14,75
Bengkulu 292,93 14,34
Nusa Tenggara Barat
744,69 13,82
Sulawesi Tengah 389,71 12,30 Sumatera Selatan 1054,99 11,95
Indonesia 26363,27 9,57
Sumber: Badan Pusat Statistik 2022
Terdapat beberapa indikator yang dapat mempengaruhi kemiskinan pada suatu wilayah seperti indikator pendidikan.
ketenagakerjaan dan ekonomi. Menurut Harlik et al. (2013) salah satu faktor yang mempengaruhi kemiskinan yaitu penganguran.
Penganguran dapat diartikan sebagai seorang yang termasuk pada angkatan kerja karena sudah mencapai umur kerja serta aktif mencari pekerjaan akan tetapi belum memperoleh pekerjaan (Zakaria 2009).
Menurut (Pujoalwanto. 2014) pada umumnyap pengangguran terjadi karena adanya ketimpangan antara jumlah para
146 pencari kerja dengan jumlah lapangan kerja yang tersedia. Penganguran akan menyebabkan efek mengurangi pendapatan masyarakat dan ini akan mengurangi tingkat kemakmuran yang sudah dicapai dimana semakin turunnya tingkat kemakmuran. ini akan menyebabkan masalah lain yaitu terkait kemiskinan (Sukirno. 2005).
Menurut BPS tingkat persentase penganguran Provinsi Sumatera Selatan berdasarkan jenis kelamin pada tahun 2019, laki-laki (4.61%) dan perempuan (4.39%);Tahun 2020, laki-laki (5.48%) dan perempuan (5.54%);Tahun 2021, laki laki (4.84%) dan perempuan (5.20%);Tahun 2022, laki-laki (4.53%) dan perempuan (4.80%).
Terlihat dari data tersebut bahwa tingkat pengangguran sumatera selatan mengalami penurunan. Indikator lain yang berpengaruh juga terhadap kemiskinan yaitu indeks pembangunan manusia. Indeks pembangunan manusia adalah pengukuran perbandingan dari hadapan hidup. melek huruf. Pendidikan dan standar hidup untuk semua negara seluruh dunia (Biro pusat statistik UNDP 1997). Salah satu indikator terpenting yang mengambarkan keberhasilan penggunaan ekonomi adalah peningkatan kualitas sumber daya manusia.
itulah sebabnya dalam perencanaan pembangunan dewasa ini pembangunan manusia senantiasa menjadi fokus utama.
Menurut BPS tingkat indeks pembanguann manusia (IPM) mengalami fluktuasi dan nilainya berbeda-beda tiap tahun yaitu pada tahun 2019 sebesar 70.02%;Tahun 2020 sebesar 70.01%; Tahun 2021 sebesar 70.24%;
Tahun 2022 sebesar 70.90%.
Pendidikan juga menjadi faktor yang dapat mempengaruhi tingkat kemiskinan suatu wilayah. Kemajuan pendidikan suatu wilayah dapat menjadi bentuk investasi masa depan bagi setiap individu. dengan semakin tingginya pendidikan seorang individu maka kesejahteraan individu juga akan meningkat dan hal ini dapat berdampak jangka panjang bagi kesejahteraan suatu negara (Mankiw 2012 dalam Pradipta 2020). Hasil yang sama juga dikemukakan pada penelitian Putri et al.
(2021) memiliki pengaruh terhadap kemiskinan. Penlitian ini menggunakan indikator Rata-Rata Lama Sekolah (RLS) dalam pendidikan karna menurut BPS (2020) dapat melihat kualitas penduduk dalam
menganyam pendidikan disuatu daerah.
Faktor lainnya juga dipengaruhi oleh pertumbuhan ekonomi secara agreget yang dapat dilihat dari PDRB suatu wilayah.
Semakin tingginya nilai PDRB suatu wilayah diasumsikan kondisi wilayah tersebut juga baik. namun apabila semakin tinggi tingkat kemiskinan maka pertumbuhan ekonomi suatu wilayah akan sulit meningkat (Irawan dan Primandari 2022).
Hal tersebut diperkuat dengan hasil penelitian Giovanni (2018) dan Rusdarti dan Sebayang (2013) menyatakan bahwa PDRB berpengaruh terhadap kemiskinan dikarenakan jika nilai PDRB setiap tahun meningkat dan menyebar pada semua golongan ekonomi baik atas. menengah.
maupun bawah. maka akan dapat menurunkkan tingkat kemiskinan suatu wilayah. Oleh karena itu. penelitian ini bertujuan untuk mengetahui. menjelaskan dan menganalisis apakah terdapat pengaruh antara Tingkat Pengangguran Terbuka (TPT). Indeks Pembangunan Manusia (IPM). Rata-Rata Lama Sekolah (RLS). dan PDRB terhadap Persentase Penduduk Miskin (PPM) di Sumatera Selatan periode tahun 2019-2020.
Secara etimologi miskin atau kemiskinan adalah keadaan tidak berharta benda atau serba kekurangan atau berpenghasilan sangat rendah. Dan juga terdapat istilah kemiskinan absolut yang berarti situasi penduduk atau Sebagian penduduk yang hanya dapat memenuhi makanan, pakaian dan perumahan yang sangat diperlukan untuk mempertahankan tingkat kehidupan minimum. Sedangkan kemiskinan adalah dalam bahasa inggris disebut poor atau poverty dimana poverty adalah the condition of being poor atau lock of money sedangkan poor adalah lacking riches atau needy. Sedangkan adalah being in want.
Dalam bahasa arab kemiskinan diungkapkan dengan kata al-miskin atau al- faqir berarti keadaan membutuhkan. Dan seorang faqir berarti keadaan membutuhkan.
Dan seorang faqir adalah seseorang yang hanya mempunyai sedikit makanan pokok.
Sedangkan kata al-miskin ialah seorang yang tidak punya cukup harta untuk memenuhi kebutuhan dirinya dan orang-orang yang
147 menjadi tanggung jawabnya. Secara umum kemiskinan berarti suatu titik dimana kehidupan tidak memungkinkan dalam pemeliharaan efisiensi secara fisik yaitu suatu keadaan ekonomi yang ditandai dengan ketidaksanggupan untuk membeli barang dan jasa yang sanagt dibutuhkan untuk kesehatan pribadi.
Chambers menerangkan bahwa kemiskinan adalah suatu kesatuan konsep (integrated concept) yang memiliki lima dimens.
Pertama, permasalahan kemiskinan seperti halnya pada pandangan semula adalah kondisi ketidakmampuan pendapatan dalam memenuhi dan mencukupi kebutuhan pokok.
Konsep atau pandangan ini berlaku tidak hanya pada kelompok yang tidak memiliki pendapatan, akan tetapi dapat berlaku pula pada kelompok yang telah memiliki pendapatan. Rrendahnya kemampuan untuk meningkatkan pendapatan akan berdampak pada kekuatan sosial dari seorang atau sekelompok orang terutama dalam dalam memperoleh keadilan ataupun persamaan hak untuk mendapatkan penghidupan yang layak bagi kemanusian.
Kedua kerentanan menghadapi situasi darurat. Seseorang atau sekelompok orang yang disebut miskin tidak memiliki atau kemampuan untuk menghadapi situasi yang tidak terduga situasi ini membutuhkan alokasi pendapatan untuk menyelesaikannya. Misalnya situasi rentan berupa bencana alam, kondisi kesehatan yang membutuhkan biaya pengobatan yang relative mahal, dan situasi- situasi darurat lainnya yang membutuhkan kemampuan pendapatan yang dapat mencukupi.
Ketiga, ketergantungan. Keterbatasan kemampuan pendapatan ataupun kekuatan sosial dari seseorang atau sekelompok orang yang disebut miskin tadi menyebabkan tingkat ketergantungan terhadap pihak lain adalah sangat tinggi. Dimensi keterasingan seperti yang dimaksud oleh Chambers adalah faktor lokasi yang menyebabkan seseorang atau sekelompok orang menjadi miskin. Pada umumnya masyarakat miskin berada pada daerah yang jauh dari pusat-pusat pertumbuhan ekonomi.
Menurut Murni, (2006) penganguran adalah orang yang tidak mempunyai pekerjaan atau tidak mempunyai penghasilan. Sukirno (2008) menjelaskan pengangguran adalah suatu keadaan dimana seseorang tergolong dalam angkatan kerja ingin mendapatkan pekerjaan tapi belum dapat memperolehnya.
Menurut Putong, (2010) pengangguran adalah mereka yang tidak mempunyai pekerjaan dan sedang mencari pekerjaan. Kategoro orang yang mengangur biasanya adalah mereka yang tidak memiliki pekerjaan pada usia kerja dan masanya kerja. Usia kerja biasanya adalah usia yang tidak dalam masa sekolah tapi di atas usia anak-anak (relative diatas 6-18 tahun, yaitu masa pendidikan SD-tamat SMU). Jumlah penduduk usia kerja (15-64 tahun), dan bukan usia kerja (usia non produktif) yaitu usia 0-14 tahun dan manusia lanjut usia (manual) yang berusia lebih kurang 65 tahun. Dari jumlah penduduk usia kerja yang masuk angkatan kerja adalah mereka yang mencari kerja atau bekerja. Sebagian yang tidak bekerja (dengan berbagai alasan) tidak masuk angkatan kerja.
Tidak semua angkatan kerja memperoleh lapangan pekerjaan mereka inilah yang disebut pengangguran (Putong, 2010).
Tingkat penganguran adalah persentase angkatan kerja yang tidak/belum mendapatkan pekerjaan. Dalam membicarakan pengangguran yang selalu diperhatikan bukanlah mengenai jumlah pengangguran, tetapi mengenai tingkat pengangguran yang dinyatakan sebagai persentase dari angkatan kerja. Menurut Sukirno (2012) membandingkan penganguran diantara berbagai negara tidak ada manfaatnya karena ia tidak akan memberikan gambaran yang tepat tentang perbandingan antara jumlah angkatan kerja yang mengangur dengan angkatan kerja keseluruhan disebut tingkat penganguran. Untuk mengukur tingkat penganguran pada suatu wilayah bisa didapatdari persentase membagi jumlah penganguran dengan jumlah angkatan kerja.
Tingkat penganguran = jumlah penganguran/jumlah angkatan kerja x 100 %.
Indeks pembangunan manusia (IPM) ialah indeks pencapaian kemampuan dasar pembangunan manusia yang dibangun melalui pendekatan tiga dimensi dasar yaitu umur panjang, dan sehat, pengetahuan dan hidup
148 layak. Salah satu manfaat utama IPM yaitu untuk menunjukkan bahwa suatu negara seseungguhnya dapat berkinerja jauh lebih baik sekalipun tingkat pendapatannya rendah.
Sebaliknya tingkat pendapatan yang tinggi tidak selamanya diikuti dengan capaian pembangunan manusia yang tinggi pula. IPM juga menunjukkan perbedaan dalam pendapatan lebih besar dibandingkan dengan perbedaan indikator dalam pendapatan lainnya, paling tidak dibidang kesehatan dan pendidikan. Kesehatan dan pendidikan adalah input bagi fungsi produk nasional dalam perannya sebagai komponen modal manusia.
Peningkatan kesehatan dan pendidikan merupakan tujuan tersendiri yang penting dari upaya pembangunan (Todaro dan Smith, 2011)
Rata-Rata lama sekolah (RLS) adalah angka yang menggambarkan lamanya (tahun) masa sekolah yang dialami penduduk usia 25 tahun keatas. Badan Pusat Statistik mengemukakan bahwa RLS didefinisikan sebagai jumlah tahun yang digunakan oleh penduduk dalam menjalani pendidikan formal.
RLS dapat digunakan untuk mengetahui tingkat dan kualitas pendidikan masyarakat dalam suatu wilayah. Disamping itu masih terdapat beberapa faktor yang menyebabkan anak putus sekolah seperti faktor lingkungan, pemahaman atas pentingnya pendidikan, budaya, ketersedian sarana/prasarana pendidikan dan lain-lain. Hal ini sejalan dengan pendapat sabrina (2021) yang menyampaikan bahwa anak putus sekolah umumnya karena kurang mampu membayar biaya pendidikan dan kurang memperoleh informasi tentang beasiswa, baik mengenai sumber-sumber beasiswa maupun cara mengaksesnya, sehingga dijawab dengan membangunan faktor ekonomi, faktor penyebab anak putus sekolah urutannya adalah faktor ekonomi, faktor perhatian orangtua, faktor fasilitas pembelajaran, faktor minat anak bersekolah, faktor budaya, dan faktor loaksi sekolah (Dewi et al. 2014)
Produk Domestik Regional Bruto (PDRB) adalah jumlah nilai tambah dari kegiatan perekonomian di suatu daerah secara keseluruhan baik berupa jumlah dari nilai tamba barang dan jasa. Penduduk Domestik Regional Bruto (PDRB) atas dasar harga
berlaku merupakan jumlah nilai pendapatan pengeluaran atau produksi yang dinilai dengan harga yang berlaku pada tahun yang bersangkutan dan dapat digunakan untuk melihat pergeseran dan struktur ekonomi.
Nilai PDRB yaitu agreget nilai tambah yang dihasilkan oleh unit-unit produksi yang beroperasi di wilayah tersebut. PDRB dipengaruhi oleh human capital, tenaga kerja dan infrastruktur. Human capital adalah pengaruh pendidikan formal yang ditempuh oleh seseorang maka akan meningkatkan kualitas kerja orang tersebut. Definisi tenaga kerja adalah seluruh penduduk yang berusia 15 tahun atau lebih yang potensial memproduksi barang statistika. Infrastruktur merupakan input penting bagi kegiatan produksi dan dapat mempengaruhi kegiatan ekonomi dalam berbagai cara langsung maupun tidak langsung.
METODELOGI PENELITIAN Data Penelitian
Penelitian ini menggunakan data sekunder yang diperoleh dari BPS Sumatera Selatan dari tahun 2019 sampai 2022. Data penelitian ini merupakan data panel dengan unit amatan sebanyak 17 kabupaten/kota Provinsi Sumatera Selatan dalam periode waktu empat tahun. yaitu dari tahun 2019 sampai 2022. Peubah penelitian memiliki satu peubah respon ialah persentase penduduk miskin dan empat peubah penjelas ialah tingkat pengangguran, rata-rata lama sekolah, IPM, dan PDRB.
Regresi Data Panel
Regresi data panel merupakan suatu metode dari sekumpulan unit individu yang diamati dalam beberapa periode waktu (Hsiao 2014). Terdapat beberapa pendekatan model data panel sebagai berikut (Baltagi, 2011).
1. Model Pengaruh Gabungan
Model pengaruh gabungan atau dapat disebut common effect model (CEM) mengasumsikan bahwa intersep dan koefisien model dianggap konstan dan galat modelnya berasal dari pendugaan tanpa efek individu ataupun waktu. Pendugaan parameter model
149 gabungan dengan Metode Kuadrat Terkecil.
Persamaan model gabungan sebagai berikut:
𝑦𝑖𝑡 = 𝛼 + 𝒙𝒊𝒕𝜷 + 𝑢𝑖𝑡
𝑦𝑖𝑡 adalah peubah respon unit individu ke-i pada periode waktu ke-t, 𝛼 adalah sebuah konstanta, 𝒙𝒊𝒕 merupakan vektor peubah penjelas berukuran 1×k untuk unit individu ke-i dan periode waktu ke-t dengan k menyatakan banyaknya peubah penjelas, 𝜷 adalah vektor koefisien berukuran k×1 dan 𝑢𝑖𝑡 adalah galat unit individu ke-i pada periode waktu ke-t..
2. Model Pengaruh Tetap
Model pengaruh tetap atau fixed effect model (FEM) mengasumsikan bahwa terdapat perbedaan intersep antar unit individu namun slope koefisien diasumsikan konstan untuk semua individu. Pendugaan parameter model FEM dengan metode Least Square Dummy Variable (LSDV). Berikut persamaan model FEM data panel sebagai berikut:
𝑦𝑖𝑡 = 𝛼𝑖+ 𝒙𝒊𝒕𝜷 + 𝑢𝑖𝑡
𝑦𝑖𝑡 adalah peubah respon unit individu ke-i pada periode waktu ke-t, 𝛼𝑖 adalah koefisien intersep dari unit individu ke- i, 𝜷 adalah vektor koefisien berukuran k×1, 𝒙𝒊𝒕 merupakan vektor peubah penjelas berukuran 1×k untuk unit individu ke-i dan periode waktu ke-t, dan 𝑢𝑖𝑡 adalah galat unit individu ke-i pada periode waktu ke-t.
3. Model Pengaruh Acak
Model pengaruh acak atau random effect model (REM) mengasumsikan bahwa setiap unit individu memiliki intersep individu yang bersifat tetap dan acak. Dengan kata lain, bahwa semua unit individu memiliki nilai rata- rata intersep yang sama dan perbedaan individu dalam intersep direfleksikan dalam error model. Model pengaruh acak pada model data panel dinyatakan sebagai berikut:
𝑦𝑖𝑡 = 𝛼0+ 𝒙𝒊𝒕𝜷 + 𝑢𝑖𝑡 𝑢𝑖𝑡 = ɛ𝑖+ 𝑣𝑖𝑡
𝑦𝑖𝑡 adalah peubah respon unit individu ke-i pada periode waktu ke-t, 𝛼0 adalah sebuah konstanta, 𝜷 adalah vektor
koefisien berukuran k×1, 𝒙𝒊𝒕merupakan vektor peubah penjelas berukuran 1×k untuk unit individu ke-i pada periode waktu ke-t, 𝑤𝑖𝑡 merupakan komponen galat yang terdiri dari dua komponen yaitu ɛ𝑖 adalah komponen galat dari pengaruh spesifik individu ke-i, dan 𝑢𝑖𝑡 adalah galat lintas individu ke-i pada periode waktu ke-t.
Tabel 2 Variabel Penelitian
Kode Variabel Sumber
PPM Persentase Penduduk
Miskin -
TPT Tingkat Pengangguran
Terbuka Fitria 2021 RLS Rata-rata Lama
Sekolah Ishak et al.
2020 IPM Indeks Pembangunan
Manusia Leonita dan Sari 2019 PDRB PDRB per Kapita Leonita dan
Sari 2019 Sumber: Diolah 2023
Prosedur Analisis Data
1. Melakukan eksplorasi data terhadap karakteristik dan pola hubungan peubah respon dan peubah penjelas. Apabila terdapat pola hubungan yang kurang linier dapat dilakukan transformasi logaritma natural
2. Melakukan pendugaan parameter model pengaruh gabungan (common effect model) dan model pengaruh tetap (fixed effect model) 3. Melakukan Uji Chow:
a) Jika terima H0. artinya model pengaruh gabungan (common effect model) yang terpilih dan lanjut ke tahap (5)
b) Jika tolak H0. artinya model pengaruh tetap (fixed effect model) yang terpilih dan lanjut ke tahap (4)
4. Melakukan pendugaan parameter model pengaruh acak (radom effect model) dan Uji Hausman:
a) Jika terima H0. artinya model pengaruh acak (random effect model) yang terpilih dan lanjut ke tahap (5)
b) Jika tolak H0. artinya model pengaruh tetap (fixed effect model) yang terpilih dan lanjut ke tahap (5)
150 5. Melakukan pengujian asumsi regresi data
panel
6. Melakukan penanganan asumsi jika asumsi tidak terpenuhi
7. Melakukan interpretasi model akhir yang didapatkan
ANALISIS DAN PEMBAHASAN Eksplorasi Data
Berdasarkan BPS (2022). angka kemiskinan di Sumatera Selatan pada September 2022 mengalami penurunan sebesar 0.84% dari 12.79% menjadi 11.95%
dibandingkan September 2021 tahun lalu.
Meskipun mengalami penurunan. tingkat kemiskinan di Provinsi Sumatera Selatan relatif tinggi dibandingkan dengan provinsi lain di Indonesia. Hal tersebut membuat Provinsi Sumatera Selatan termasuk ke dalam 10 besar provinsi dengan Persentase penduduk miskin tertinggi di Indonesia dari tahun 2019 sampai 2022. Adapun persentase penduduk miskin di Provinsi Sumatera Selatan dapat dilihat pada Gambar 1.
Sumber: data BPS Sumatera Selatan
Gambar 1 Diagram Batang PPM di Provinsi Sumatera Selatan
Gambar 1 menunjukkan bahwa PPM di Provinsi Sumatera Selatan terjadi kondisi yang berfluktuatif. seperti pada tahun 2020 yang mengalami kenaikan dari tahun 2019 dan pada tahun selanjutnya mengalami penurunan hingga tahun 2022. Pada Gambar 2 terdapat nilai rataan PPM berdasarkan kabupaten/kota di Sumatera Selatan yang menunjukkan nilai rataan yang cukup beragam untuk setiap kabuatan/kotanya. Adanya perbedaan nilai
PPM pada setiap kabupaten/kota di Sumatera Selatan mengindikasikan adanya pengaruh spesifik dari masing-masing kabupaten/kota di Sumatera Selatan.
Gambar 2 Nilai Rataan PPM Kabupaten/Kota di Sumatera Selatan
Sebelum melakukan pemodelan model regresi. terdapat beberapa syarat yang harus terpenuhi salah satunya adalah terdapat hubungan yang linear antar peubah penjelas.
Gambar 3 menunjukkan bahwa plot antar peubah PPM, TPT, dan PDRB memiliki pola sebaran data tidak linear sehingga perlu dilakukan penanganan dengan cara transformasi data menggunakan transformasi logaritma natural. Gambar 4 menunjukkan pola sebaran data pada ketiga peubah PPM.
TPT. dan PDRB setelah dilakukan transformasi data.
Gambar 3 Plot Pencaran Antar Peubah PPM Sebelum Transformasi Data
151 Gambar 4 Plot Pencaran Antar Peubah
PPM Setelah Transformasi Data Syarat kedua adalah tidak terdapat multikolinearitas antar variabel independen.
Menurut Gujarati dan Porter (2010) jika nilai VIF (Variance Inflation Factor) lebih dari 10 maka terdapat multikolinearitas antar peubah penjelas. Hasil Tabel 3 menunjukkan bahwa tidak ada peubah penjelas yang memiliki nilai VIF >10 baik sebelum melakukan transformasi maupun setelah transformasi data.
Tabel 3. Nilai VIF Antar Peubah Penjelas
Peubah
Nilai VIF Sebelum
Transformasi
Setelah Transformasi
TPT 2.327 1.997
PDRB 1.372 1.437
RLS 5.952 6.182
IPM 7.921 7.898
Pendugaan Model Data Panel
Pendugaan model data panel diawali dengan pendugaan model CEM dan model FEM. Model CEM mengasumsikan bahwa intersep dan koefisien bersifat konstan untuk setiap unit individu maupun waktu. Estimasi model CEM dilakukan dengan menggabungkan data unit individu dan waktu tanpa memperhatikan adanya pengaruh spesifik unit individu ataupun waktu sehingga unit individu yang sama pada tahun yang berbeda akan dihitung sebagai unit individu baru yang berbeda satu dengan yang lainnya.
Oleh karena itu. banyaknya unit individu pada model gabungan sebanyak 68 unit individu.
Adapun pendugaan model pengaruh gabungan dilihat pada Tabel 4.
Tabel 4. Pendugaan Parameter Model Pengaruh Gabungan
Peubah Koefisien Nilai-p
Intersep 4.657 0.004*
TPT 0.0215 0.003*
PDRB 0.107 0.012*
RLS -0.010 0.574
IPM -2.120 0.022*
R-Squared 39.32%
Adjusted R-Square 35.46%
F-hitung 10.21
Nilai-p 1.96×10−6*
*signifikan pada taraf nyata 5%
Berdasarkan Tabel 4 menunjukkan bahwa hasil nilai-p dari F-hitung lebih kecil dari taraf nyata 5%, yang artinya terdapat minimal satu peubah penjelas yang berpengaruh signifikan terhadap peubah respon. Hasil nilai-p pada peubah TPT, PDRB, dan IPM berpengaruh signifikan terhadap PPM pada taraf nyata 5%. Nilai kebaikan model CEM sebesar sebesar 0.3546 yang artinya keragaman pada peubah PPM yang dapat dijelaskan oleh peubah dependen dalam model sebesar 35.46%. Berikut model persamaan model diatas sebagai berikut.
𝑃𝑃𝑀(𝑖𝑡)= 4.657∗+ 0.0215𝑇𝑃𝑇𝑖𝑡∗
+ 0.107𝑃𝐷𝑅𝐵𝑖𝑡∗ − 0.010𝑅𝐿𝑆𝑖𝑡
− 2120𝐼𝑃𝑀𝑖𝑡∗ + 𝑢𝑖𝑡
dengan 𝑢𝑖𝑡 adalah komponen galat unit indiviu ke-i dan waktu ke-t, i = 1,2,3,…,68 dan t = 1, 2, 3, 4.
Selanjutnya, pendugaan parameter model FEM. Model FEM mengasumsikan bahwa intersep antar unit individu atau waktu berbeda tetapi koefisien regresi sama untuk setiap unit individu maupun waktu. Estimasi model FEM memperhatikan pengaruh spesifik unit individu atau waktu sehingga unit individu yang sama pada tahun yang berbeda akan dihitung sebagai satu unit individu saja.
Banyaknya unit individu model FEM sebanyak 17 unit individu. Berikut pendugaan model FEM pada Tabel 5.
152 Tabel 5 . Pendugaan Parameter Model
Pengaruh Tetap
Peubah Koefisien Nilai-p
TPT -0.0014 0.498
PDRB -0.158 0.045*
RLS 0.045 0.009*
IPM -5.177 4.31×10−8*
R-Squared 65.22%
Adjusted R-Square 50.42%
F-hitung 22.034
Nilai-p 2.715×
10−10*
*signifikan pada taraf nyata 5%
Berdasarkan Tabel 5 menunjukkan bahwa hasil nilai-p dari F-hitung lebih kecil dari taraf nyata 5%, yang artinya terdapat minimal ada satu peubah penjelas dalam model yang berpengaruh signifikan terhadap peubah PPM pada taraf nyata 5%. Hasil nilai- p masing-masing dari peubah penjelas menunjukkan terdapat tiga peubah yaitu PDRB, RLS, dan IPM yang berpengaruh signifikan terhadap PPM. Selain itu, nilai kebaikan model sebesar 0.5042 yang artinya besarnya keragaman peubah PPM yang dijelaskan oleh peubah penjelas dalam model sebesar 50.42%. Berikut bentuk persamaan model pengaruh tetap.
𝑃𝑃𝑀(𝑖𝑡) = −0.0014𝑇𝑃𝑇𝑖𝑡− 0.158𝑃𝐷𝑅𝐵𝑖𝑡∗ + 0.045𝑅𝐿𝑆𝑖𝑡∗
− 5.177𝐼𝑃𝑀𝑖𝑡∗ + 𝛾𝑖+ 𝛿𝑡 + 𝑢𝑖𝑡
𝛾𝑖 merupakan pengaruh spesifik kabupaten/kota, dan 𝛿𝑡 ialah pengaruh spesifik waktu, 𝑢𝑖𝑡 adalah komponen galat unit indiviu ke-i dan waktu ke-t, 𝑖 = 1, 2, 3,..
17, dan 𝑡 = 1, 2, 3, 4.
Selanjutnya, pendugaan parameter model REM. Model REM mengasumsikan masing-masing unit individu atau waktu memiliki pengaruh yang bersifat acak yang direfleksikan dalam error model dengan nilai koefisien konstan untuk setiap individu
maupun waktu. Selain itu, pengaruh spesifik unit individu atau waktu tidk berkorelasi dengan peubah penjelas dalam model.
Pendugaan model pengaruh acak dapat dilihat pada Tabel 6.
Tabel 6. Pendugaan Parameter Model Pengaruh Acak
Peubah Koefisien Nilai-p Intersep 7.913 2.484×10−8*
TPT 0.0025 0.352
PDRB 0.088 0.128
RLS 0.033 0.067
IPM -4.077 4.615×10−6*
R-Squared 35.42%
Adjusted R-
Square 31.33%
F-hitung 34.567 Nilai-p 5.698×10−7*
*signifikan taraf nyata 5%
Tabel 6 menunjukkan bahwa hasil nilai-p dari F-hitung lebih kecil dari taraf nyata 5%, yang artinya terdapat minimal ada satu peubah penjelas dalam model yang berpengaruh signifikan terhadap peubah PPM pada taraf nyata 5%. Hasil nilai-p masing- masing dari peubah penjelas menunjukkan hanya peubah IPM yang berpengaruh signifikan terhadap PPM. Selain itu, nilai kebaikan model sebesar 0.3133 yang artinya besarnya keragaman peubah PPM yang dijelaskan oleh peubah penjelas dalam model sebesar 31.33%. Berikut bentuk persamaan model pengaruh acak.
𝑃𝑃𝑀(𝑖𝑡) = 7.913∗+ 0.0025𝑇𝑃𝑇𝑖𝑡
+ 0.088𝑃𝐷𝑅𝐵𝑖𝑡 + 0.033𝑅𝐿𝑆𝑖𝑡
− 4.077𝐼𝑃𝑀𝑖𝑡∗ + 𝑤𝑖𝑡
𝑤𝑖𝑡 adalah gabungan komponen galat dari pengaruh spesifik unit indiviu ke-i dan waktu ke-t, 𝑖 = 1, 2, 3,.. 17, dan 𝑡 = 1, 2, 3, 4.
Spesifikasi Model Panel
Spesifikasi model data panel dilakukan untuk memilih model pendugaan data panel
153 terbaik. Terdapat tiga uji yang digunakan untuk pemilihan model yaitu, uji Chow, uji Hausman, dan uji Lagrange Multiplier (LM).
Adapun hasil uji Chow dan uji Hausman pada Tabel 7 adalah sebagai berikut.
Tabel 7. Hasil uji Chow dan uji Hausman Uji Nilai-p Model Terpilih Chow 2.2×10−16* Model pengaruh
tetap Hausman 8.043×10−10* Model pengaruh
tetap
*signifikan pada taraf nyata 5%
Berdasarkan Tabel 7, hasil uji Chow menunjukkan nilai-p lebih keci dari taraf nyata 5% atau tolak H0 yang artinya bahwa model yang terpilih adalah model pengaruh tetap.
Hal yang sama pun juga terjadi pada uji Hausman. Nilai-p dari uji Hausman juga menunjukkan nilai yang lebih kecil dari taraf nyata 5% atau tolak H0 sehingga model yang terpilih adalah model pengaruh tetap.
Selanjutnya akan dilakukan uji LM untuk menguji apakah terdapat pengaruh spesifik unit individu, pengaruh spesifik waktu, ataupun terdapat kedua pengaruh spesifik individu dan waktu pada model yang sudah terpilih sebelumnya. Berikut hasil uji LM pada Tabel 8.
Tabel 8. Hasil uji Lagrange Multiplier Pengaruh LM Nilai-p Spesifik unit individu 79.82 2.2×10−16* Spesifik unit waktu 79.82 2.2×10−16*
*signifikan pada taraf nyata 5%
Berdasarkan hasil Tabel 8 menunjukkan nilai-p senilai 2.2×10−16 untuk pengaruh spesifik unit individu ataupun waktu lebih kecil dari taraf nyata 5% sehingga dapat disimpulkan bahwa terdapat pengaruh spesifik dua arah (individu dan waktu). Model pengaruh tetap (FEM) memiliki pengaruh spesifik individu dan waktu. Hal tersebut sesuai dengan hasil eksplorasi pada Gambar 1 yang menunjukkan perbedaan PPM pada setiap tahunnya. Hasil ini juga sesuai dengan hasil ekplorasi pada Gambar 2 yang menunjukkan terdapat perbedaan PPM pada
masing-masing kabupaten/kota di Sumatera Selatan.
Pengujian Asumsi Regresi Data Panel Pengujian asumsi dilakukan pada model yang terpilih di tahap spesifikasi model.
Pengujian asumsi yang dilakukan ialah asumsi normalitas sisaan, kehomogenan ragam sisaan, dan autokorelasi. Sementara untuk multikolinearitas sudah dilakukan pada tahap eksplorasi data.
Normalitas sisaan menggunakan uji Shapiro-Wilk dengan hasil uji statistik sebesar 0.9697 dan nilai-p sebesar 0.0965 lebih besar dari taraf nyata 5% artinya sisaan menyebar normal dan dapat diasumsikan normalitas sisaan terpenuhi. Kehomogenan ragam diuji menggunakan uji Breusch-Pagan. Hasil uji statistik sebesar 1.317 dan nilai-p sebesar 0.858 lebih besar dari taraf nyata 5% artinya ragam sisaan homogen dan dapat diasumsikan keragaman sisaan terpenuhi. Begitpun hasil uji autokorelasi menggunakan uji Durbin-Watson.
Hasil uji statistik sebesar 2.351 dan nilai-p sebesar 0.931 lebih besar dari taraf nyata 5%
artinya tidak autokorelasi sisaan pada model dan dapat diasumsikan autokorelasi sisaan terpenuhi.
Interpretasi Model
Berdasarkan hasil pengujian asumsi, terlihat bahwa asumsi normalitas, kehomogenan ragam, dan autokorelasi sudah terpenuhi sehingga model regresi data panel yang baik digunakan untuk kasus PPM di Sumatera Selatan yaitu model pengaruh tetap dengan pengaruh spesifik dua arah (individu dan waktu). Adapun bentuk persamaan model pengaruh tetap sebagai berikut.
𝑃𝑃𝑀(𝑖𝑡) = −0.0014𝑇𝑃𝑇𝑖𝑡− 0.158𝑃𝐷𝑅𝐵𝑖𝑡∗ + 0.045𝑅𝐿𝑆𝑖𝑡∗ − 5.177𝐼𝑃𝑀𝑖𝑡∗ + 𝛾𝑖+ 𝛿𝑡+ 𝑢𝑖𝑡
Setiap kabupaten/kota di Sumatera Selatan memiliki koefisien yang sama untuk setiap kabupaten/kota diberbabai kurun waktu sedangka nilai intersepnya berbeda-beda.
Untuk nilai 𝛾𝑖(phi) dan 𝛿𝑡 (delta) memiliki nilai yang berbeda-beda utuk setiap unit individu dan waktunya ditampilkan pada Tabel 9 dan 10. Peubah yang berpengaruh
154 signifikan terhadap PPM adalah peubah PDRB, RLS dan IPM.
Tabel 9. Pengaruh Spesifik Waktu Model Pengaruh Tetap
Tahun
Pengaruh spesifik unit waktu
2019 1.5228
2020 1.4953
2021 1.5231
2022 1.4930
Tabel 10 Pengaruh Spesifik Individu Model Pengaruh Tetap
Kabupaten/kota Pengaruh Spesifik Unit Individu
Banyuasin 3.6307
Empat Lawang 3.5713
Lahat 3.779
Muara Enim 3.788
Musi Banyuasin 3.888
Musi Rawas 3.737
Musi Rawas Utara 3.842
Ogan Ilir 3.767
OKI 3.774
OKU 3.719
OKU Selatan 3.509
OKU Timur 3.651
PALI 3.642
Kota Lubuk Linggau 3.835 Kota Pagar Alam 3.473
Kota Palembang 3.936
Kota Prabumulih 3.808 Sumber: Data diolah, 2023
Peubah TPT memiliki koefisien yang bernilai negatif sebesar 0.0014 dan tidak berpengaruh signifikan dengan nilai-p sebesar 0.582, artinya jika terdapat kenaikan TPT sebesar satu persen akan menurunkan PPM sebesar 0.0014%. Hasil ini tidak sejalan dengan teori yang dikemukakan oleh Sukirno bahwa dampak buruk dari pengangguran ialah kurangnya pendapatan masyarakat yang dapat berakibat pada masalah ekonomi dan sosial.
Kondisi pendapatan yang rendah atau tidak ada sama sekali maka akan membuat penganggur harus mengurangi pengeluaran untuk konsumsinya. Hal ini jika dibiarkan akan berdampak buruk bagi kualitas pembangunan ekonomi jangka panjang dan
dapat meningkatkan peluang bagi penganggur untuk semakin lama terjebak dalam kemiskinan (Sianturi et al. 2021). Hasil penelitian ini sejalan dengan penelitian yang dilakukan Suripto dan Subayil (2020). Hal ini juga diperkuat dengan pendapat Lincolin Arsyad (1997) yang menyatakan bahwa salah jika beranggapan bahwa setiap orang yang tidak bekerja itu miskin, sedangkan yang bekerja secara penuh adalah orang kaya.
Karena terkadang ada pekerja di perkotaan yang bekerja sesuai dengan tingkat pendidikannya. Berbeda dengan hasil penelitian oleh Ahmaddien Iskandar (2019) bahwa TPT signifikan dan berpengaruh negatif.
PDRB memiliki koefisien yang bernilai negatif artinya bahwa setiap kenaikan satu miliar rupiah PDRB maka akan menurunkan PPM sebesar 0.158% dengan asumsi peubah lain dianggap tetap. Hasil penelitian ini sejalan dengan yang dilakukan oleh Hasibuan et al. (2022) bahwa signifikan dan berpengaruh negatif. Penelitian lainnya juga dilakukan oleh Leonita dan Sari (2019) signifikan dan berpengaruh positif, karena diduga mengindikasikan bahwa laju pertumbuhan atas produksi barang dan jasa disetiap sektor belum tentu dapat menekan angka kemiskinan dan diduga hanya beberapa sektor yang produktif namun penghasilannya terbatas.
Peubah RLS memiliki koefisien yang bernilai positif dan berpengaruh signifikan artinya setiap kenaikan RLS sebesar satu persen maka akan meningkatkan PPM sebesar 0.045% dengan asumsi peubah lain dianggap tetap. Hal ini tidak sesuai dengan Mankiw (2012) menyatakan bahwa pendidikan adalah bentuk investasi individu, semakin tinggi pendidikan maka kesejahteraan suatu individu akan lebih membaik. Sedangkan penelitian ini sejalan dengan hasil Rohmah dan Prakoso (2022) yang memiliki hubungan positif dan berpengaruh signifikan terhadap tingkat kemiskinan. Hal ini dikarenakan pola fikir kepala keluarga yang dipengaruhi pendidikannya, semakin banyak tahun sekolah yang diselesaikan maka semakin besar kemungkinan keluarga akan berjuang untuk memenuhi standar hidup tertentu. Sehingga tidak menutup kemungkinan bahwa semakin banyak pendidikan yang diselesaikan maka
155 tidak membuat tingkat kemiskinan turun karena seseorang terkadang berpikiran untuk menyelesaikan pendidikannya semata-mata ingin membuat orang tuanya atau terdekatnya bangga akan pencapaiannya tanpa memikirkan bagamana seseorang tersebut untuk memnuhi kebutuhannya.
Peubah IPM memiliki nilai koefisien yang negatif dan berpengaruh signifikan terhadap PPM, artinya bahwa setiap IPM mengalami kenaikan sebesar satu persen maka akan menurunkan PPM sebesar 5.177%
dengan asumsi peubah lain dianggap tetap.
Hasil penelitian ini sejalan dengan teori pertumbuhan baru yang mengatakan bahwa pentingnya peran dari pemerintah dalam meningkatkan pembangunan modal manusia guna meningkatkan produktivitas manusia.
Hal tersebut dapat berkelanjutan pada bidang pendidikan yang akan meningkatkan kualitas sumber daya manusia sehingga dapat mendorong produktivitas kerja sehingga perusahaan akan memberikan gaji yang lebih tinggi dan tentunya akan meningkatkan kesejahteraan masyarakat hingga akhirnya dapat mengurangi angka kemiskinan (Sianturi et al. 2021).
Hasil penelitian ini sesuai dengan penelitian yang dilakukan oleh Rohmi et al.
(2021) bahwa IPM mempunyai pengaruh negatif dan signifikan. Kebaikan pendugaan parameter model pengaruh tetap dengan pengaruh spesifik dua arah sebesar 0.2483 artinya bahwa keragaman peubah PPM yang dapat dijelaskan oleh peubah penjelas dalam model sebesar 24.83%, sedangkan sisanya dijelaskan oleh peubah penjelas lainnya yang tidak masuk ke dalam model.
KESIMPULAN
Model pengaruh tetap (fixed effect model) atau FEM dengan pengaruh spesifik unit individu dan waktu adalah model terbaik yang terpilih dalam model regresi data panel sehingga dapat menggambarkan tingkat kemsikinan di Provinsi Sumatera Selatan dengan nilai kebaikan model 50.42%.
Berdasarkan model FEM terdapat beberapa variabel indevenden yang berpengaruh signifikan pada taraf nyata 5 % yaitu PDRB.
RLS. dan IPM. Variabel PDRB memiliki pengaruh yang negatif terhadap tingkat kemiskinan, RLS memiliki pengaruh yang
positif terhadap tingkat kemiskinan, dan IPM memilik pengaruh yang negatif terhadap tingkat kemiskinan. sedangkan TPT tidak berpengaruh terhadap tingkat kemiskinan di Sumatera Selatan.
Penelitian ini memiliki kekurangan dikarenakan adanya keterbatasan penulis.
Kekurangannya adalah data yang digunakan hanya 4 tahun dan variabelnya masih belum mewakili semua bidang yang mempengaruhi tingkat kemiskinan. Sehingga diharapak untuk peneliti selanjutnya dapat menggunakan periode waktu yang lebih panjang dan menggunakan variabel lain seperti variabel kesehatan, Upah, dan kesejahteraan masyarakat sehingga diharapkan dapat menambah jumlah variabel yang signifikan terhadap kemiskinan.
References
Aderma, Emarisa, et al. (2019). Pengaruh Pertumbuhan Ekonomi dan Pengangguran Terhadap Kemiskinan di Sumatera Utara. Jurnal Ekonomi Pendidikan.
Ahmaddien Iskandar. (2019). Faktor Determinan Keparahan dan Kedalaman Kemiskinan Jawa Barat dengan Regresi Data Panel. Jurnal Ekonomi Manajemen dan Akuntansi. 21(1):87-96.
Badan Pusat Statistik [BPS]. (2022).
Persentase Penduduk Miskin (P0) Menurut Kabupaten Kota: Badan Pusat Statistik.
Badan Pusat Statistik [BPS]. (2022).
Persentase Penduduk Miskin (P0) Menurut Provinsi dan Daerah: Badan Pusat Statistik.
Fitria Farida Sara. (2021). Analisis Regresi Data Panel Pengaruh PDRB, Indeks Pembangunan Manusia, dan Tingkat Pengangguran Terbuka Terhadap Jumlah Kemiskinan Di Kabupaten /Kota di Jawa Barat Pada Tahun 2013-2020. Journal Riset Matematika. 1(2):119-128
Baltagi BH. (2011). Econometrics Analysis Of Panel Data. John Wiley and Sons. Ed ke- 5. England(UK):LTD.
156 Gujarati DN, Porter DC. (2010). Essentials of
Econometrics. Ed ke-4. New York: The McGraw-Hill Companies, Inc.
Hasibuan Armayani Ria, R., Kartika Anggi, Suwito Aigha Firdha, Agustin Lismaini.
(2022). Pengaruh Produk Doemstikregional Bruto (PDRB) Terhadap Tingkat Kemiskinan Kota Medan. Religion Education Sosial Laa Roiba Journal. 4(3):683-693.
Hsiao Cheng. (2014). Analysis Of Panel Data.
Ed ke-3. New York(USA):Cambridge university press.
Ishak A Robby, Zakaria Junaidi, Arifin M.
(2020). Pengaruh Pertumbuhan Ekonomi, Pendidikan, dan Tingkat Pengangguran Terbuka Terhadap Tingkat Kemiskinan Di Kota Makassar. Jurnal Ilmu Ekonomi. 2(2):41-53.
Leonita Lily, Sari Kunia Rini. (2019).
Pengaruh PDRB, Pengangguran, dan Pembangunan Manusia Terhadap Kemiskinan di Indonesia. Jurnal Ekonomi, Manajemen, dan Akuntansi. 3(2):1-8.
Mankiw, Gregory N. (2012. Pengantar Ekonomi Makro. Jakarta: Erlangga.
Pramesti, Nyoman Ayu Tria, dan I. K. G.
Bendesa. (2018). Pengaruh Faktor Sosial Ekonomi Terhadap Kemiskinan di Provinsi Bali. E-Jurnal EP Unud. 7(9):
1887–1917.
Rahmawati, Octavia Rahmawati, Bintaro,Suryo, Nugroho. (2019). Analisis Pengaruh Indeks Pembangunan Manusia (IPM), Tingkat Partisipasi Angkatan Kerja (TPAK), dan Pengeluaran Pemerintah di Sektor Kesehatan dan Pendidikan Terhadap Pertumbuhan Ekonomi Periode 1995-2017.
Riadi, Muchlisin. (2019). Human Development Index.
Rohmah Syafa’atur Ida, Prakoso Aji Jalu.
(2022). Pengaruh IPM, RLS, TPT dan Pengeluaran Perkapita Terhadap Kemiskinan Di Provinsi Jawa Barat.
Jurnal Transekonomi: Akuntansi, Bisnis, dan Keuangan. 2(6):255-266.
Rohmi Laili Misfi, Jaya Juliana Tiara, Fahlevi Reza Mahfudz. (2021). Pengaruh Pembiayaan Syarah dan IPM Terhadap Tingkat Kemiskinan di Provinsi Aceh:
Analisis Data Panel. Jurnal Ilmiah Ekonomi Islam. 7(3):1409-1415.
Sianturi Grace Vania, Syafii, M., Tanjung Albar Ahmad. (2021). Analisis Determinasi Kemiskinan di Indonesia Studi Kasus 2016-2019. Jurnal Samudra Ekonomika. 5(2):125-133.
Sukirno Sadono. (2006). Makro Ekonomi Teori Pengantar. Jakarta: Raja Grafindo Persada
