PENGARUH TINGKAT PARTISIPASI ANGKATAN KERJA, TINGKAT PENGANGGURAN TERBUKA, DAN PERSEN KEMISKINAN TERHADAP INDEKS
PEMBANGUNAN MANUSIA DI JAWA TIMUR
Disusun sebagai tugas besar Mata Kuliah Statistika
Disusun oleh:
Bernardinus Realino Justin Novandri Priambudi 20/460123/TK/50712
PROGRAM STUDI PERENCANAAN WILAYAH DAN KOTA DEPARTEMEN TEKNIK ARSITEKTUR DAN PERENCANAAN
FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA
TAHUN 2022
BAB I PENDAHULUAN
1.1. Latar Belakang
Upaya pembangunan manusia merupakan serangkaian proses simultan yang saling mempengaruhi kondisi satu sama lain. Pembangunan manusia ditandai dengan indeks pembangunan manusia (IPM) yang dipengaruhi oleh kondisi atau pertumbuhan ekonomi bersama dimensi dasar pembangunan manusia seperti pendidikan dan kualitas kesehatan. IPM diperkenalkan oleh UNDP pada tahun 1990 melalui publikasi HDR yang memiliki tiga dimensi dasar: umur panjang dan hidup sehat, pengetahuan, dan standar hidup layak yang seringkali dikaitkan dengan kemampuan ekonomi. Pertumbuhan ekonomi memenuhi paradigma komponen utama seperti produktivitas manusia , kesinambungan dan keberlanjutan, ekuitas, dan pemberdayaan untuk kepentingan bersama yang tercermin dalam kegiatan produksi dan kondisi ekonomi penduduk/masyarakatnya. Indeks pembangunan manusia di Jawa Timur pada tahun 2018 memiliki rata-rata 70,77 atau naik dari yang sebelumnya hanya 70,27 dan secara umum IPM di Provinsi Jawa Timur mengalami peningkatan.
Kemiskinan merupakan salah satu tolok ukur yang bertentangan dengan proses pertumbuhan ekonomi, terlebih kenaikan IPM pada suatu daerah. Kemiskinan dianggap menjadi salah satu faktor utama yang menghambat proses pembangunan manusia dan pembangunan ekonomi daerah karena pembangunan ekonomi berkaitan dengan peningkatan barang dan jasa dengan adanya permintaan akan manusia itu sendiri dalam proses produksinya. Mengingat pula isu strategis bahwa pada rentang tahun 2018-2019, Provinsi Jawa Timur menjadi peringkat pertama dengan jumlah penduduk miskin terbanyak di Indonesia. Tingginya persentase dan angka kemiskinan ini menjadikan bahwa kemiskinan sebagai masalah mutlak daerah untuk diberlakukan upaya prioritas dalam pembangunan untuk mencapai kesejahteraan.
Tingkat partisipasi angkatan kerja (TPAK) merupakan salah satu indikator yang melatarbelakangi permintaan terhadap manusia sebagai produsen atau penggerak roda produksi perekonomian di suatu daerah (persoalan ketenagakerjaan). Tingkat partisipasi angkatan kerja dipengaruhi oleh berbagai faktor, antara lain jumlah penduduk, latar belakang pendidikan, bahkan sampai jenis kelamin, usia, dan lain sebagainya. Akan tetapi, kondisi ketenagakerjaan dan kemiskinan akan selalu bermuara pada topik
‘pengangguran’ yang umumnya ditandai dengan sempitnya lapangan pekerjaan yang tidak mampu lagi dalam menyerap tenaga kerja usia produktif. Indeks tingkat pengangguran terbuka merupakan salah satu alat ukur/indikator yang digunakan dalam bidang ketenagakerjaan untuk melihat bagaimana perubahan suatu pola pengangguran dalam suatu daerah yang diukur dengan perhitungan jumlah angkatan kerja tidak bekerja atau sedang mencari pekerjaan selama seminggu sebelumnya.
Penelitian ini akan melihat bagaimana hubungan dan korelasi antara tingkat partisipasi angkatan kerja, tingkat pengangguran terbuka, kondisi kemiskinan (dengan data persentase kemiskinan) terhadap indeks pembangunan manusia di Jawa Timur. Luaran dari penelitian ini adalah hasil statistik dan rekomendasi terhadap isu strategis yang ada.
1.2. Tujuan Penelitian
Berikut merupakan tujuan penelitian yang dilakukan.
- mengetahui bagaimana hubungan dan pengaruh tingkat partisipasi angkatan kerja, tingkat pengangguran terbuka, dan kondisi kemiskinan terhadap indeks pembangunan manusia di kabupaten/kota di Jawa Timur;
- mengetahui bagaimana interpretasi untuk solusi dan rekomendasi terhadap hasil statistik hubungan dan pengaruh di atas.
1.3. Kebutuhan Data
Data yang dikumpulkan dan digunakan dalam penelitian ini didapat dari perolehan data sekunder kuantitatif bersumber dari Badan Pusat Statistika Provinsi Jawa Timur yang akan digunakan sebagai
variabel independen dan dependen. Berikut ini merupakan data-data yang dibutuhkan dalam penelitian ini:
- Data tingkat partisipasi angkatan kerja daerah Provinsi Jawa Timur tahun 2018, dalam persen;
- data tingkat pengangguran terbuka daerah Provinsi Jawa Timur tahun 2018, dalam persen;
- data persentase penduduk miskin daerah Provinsi Jawa Timur tahun 2018, dalam persen; dan - data indeks pembangunan manusia daerah Provinsi Jawa Timur tahun 2018, dalam persen.
Data akan disesuaikan dengan data eksisting tahun 2018 mengingat adanya keterbatasan data dan secara spesifik digunakan untuk menyelaraskan data. Isu dan rekomendasi terhadap isu akan dikaitkan dengan kondisi pada tahun yang sama.
1.4. Metodologi Penelitian
Metode penelitian yang akan dilakukan adalah metode analisis regresi linear berganda dengan menggunakan software IBM SPSS Statistics. Data-data sekunder yang telah diperoleh akan diuji terlebih dahulu pada tahap uji kesesuaian data asumsi klasik dan uji dasar pengambilan keputusan (uji normalitas, uji multikolinearitas, uji heteroskedastisitas, lalu dilanjut oleh uji t parsial, uji F simultan, dan sumbangan) sebelum akhirnya dirumuskan dengan metode regresi linear berganda. Variabel dari keempat perolehan data tersebut akan dipertimbangkan bahwa angka TPAK (X1), TPT (X2), dan persentase kemiskinan (X3) akan ditetapkan sebagai variabel independen untuk menjawab indeks pembangunan manusia/IPM (Y) sehingga diharapkan penelitian ini dapat menjawab bagaimana analisis pengaruh TPAK, TPT, dan persentase kemiskinan terhadap indeks pembangunan manusia. Dalam model regresi, kalimat tersebut dapat dijelaskan sebagai
𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐼𝑃𝑀 = 𝛼 + 𝛽1 × TPAK + 𝛽2 × TPT + 𝛽3 × %Kemiskinan + error variable dengan keterangan sebagai berikut:
Y : variabel dependen IPM yang terpengaruh variabel independen sebagai “peningkatan”
α : konstanta/intercept
β1 : koefisien dari variabel bebas TPAK (X1) β2 : koefisien dari variabel bebas TPT (X2)
β3 : koefisien dari variabel bebas persen kemiskinan/%Kemiskinan (X3) error : variabel error
Berikut merupakan hipotesis yang diharapkan dapat terjawab dari hasil analisis pada penelitian ini.
- Tingkat partisipasi berpengaruh positif terhadap IPM Provinsi Jawa Timur walapun memiliki korelasi atau persen pengaruh yang tidak signifikan;
- tingkat pengangguran terbuka berpengaruh positif terhadap IPM Provinsi Jawa Timur walaupun memiliki korelasi atau persen pengaruh yang tidak signifikan;
- persentase kemiskinan berpengaruh positif terhadap IPM Provinsi Jawa Timur;
- ketiga variabel di atas dapat secara bersama-sama berpengaruh positif terhadap IPM Provinsi Jawa Timur dengan persen pengaruh di atas 50%.
1.5. Tinjauan Pustaka
- Indeks pembangunan manusia: indikator ukuran capaian kualitas hidup manusia yang diperoleh dari rata rata pengetahuan, standar hidup layak, dan harapan hidup penduduk.
- Tingkat partisipasi angkatan kerja: merupakan ukuran perbandingan penduduk angkatan kerja dengan penduduk usia kerja untuk mengetahui seberapa besar partisipasi angkatan kerja dalam dunia kerja.
- Tingkatan pengangguran terbuka: merupakan persentase perbandingan jumlah penduduk menganggur dengan jumlah angkatan kerja.
- Persen kemiskinan: merupakan persentase jumlah penduduk di bawah garis kemiskinan terhadap jumlah seluruh penduduk pada suatu daerah.
BAB II
GAMBARAN UMUM
2.1. Gambaran Umum Permasalahan
Jawa Timur merupakan salah satu provinsi terpadat di Indonesia dengan jumlah penduduk sebanyak 39.500.851 jiwa pada tahun 2018. Indeks pembangunan manusia mewakili bagimana kondisi pembangunan manusia sebesar angka tersebut dengan variabel pertimbangan uta ma IPM salah satunya adalah kondisi perekonomiannya, meningat pula salah satu penopang ekonomi nasional adalah di Provinsi Jawa Timur dengan kontribusi hampir 15% setelah DKI Jakarta. Indeks pembangunan manusia ini mewakili 38 kabupaten kota dengan rincian 29 kabupaten dan 9 kota di Provinsi Jawa Timur. Secara umum, indeks pembangunan manusia di Provinsi Jawa Timur sudah dalam kategori tinggi, yakni 70,77 pada tahun 2018 dengan kabupaten/kota yang memiliki IPM tertinggi adalah Kota Surabaya dengan indeks 81,74 dalam satuan persen. Salah satu dimensi yang mendasari indeks pembangunan manusia ini adalah standar hidup yang layak secara ekonomis yang ditandai dengan adanya pertumbuhan ekonomi yang menjadi dasar proses naiknya kapasitas produksi.
2.2. Tingkat Partisipasi Angkatan Kerja Provinsi Jawa Timur
Tingkat partisipasi angkatan kerja turut menjadi faktor produksi sebagai luaran kegiatan perekonomian di mana semakin tinggi TPAK menandakan pendapatan yang semakin bertambah.
Pendapatan tersebut menjadi acuan standar hidup layak secara ekonomi. Keputusan tersebut menandakan bahwa TPAK memiliki pengaruh yang positif terhadap indeks pembangunan manusia. Tingkat partisipasi angkatan kerja di Provinsi Jawa Timur adalah sebesar 69,37% atau naik dari yang sebelumnya 68,78%
pada tahun 2017 dengan tingkat partisipasi paling besar berada pada Kabupaten Pacitan dengan nilai 79,41%.
2.3. Tingkat Pengangguran Terbuka Provinsi Jawa Timur
Salah satu variabel yang menjadi batasan penelitian ini adalah tingkat pengangguran terbuka. Kondisi pengangguran dapat mengurangi pendapatan yang menyebabkan tidak terpenuhinya standar kehidupan layak secara ekonomis, sehingga didapat premis bahwa pengangguran dalam tingkat pengangguran terbuka memiliki pengaruh yang negatif terhadap indeks pembangunan manusia. Tingkat pengangguran terbuka di Provinsi Jawa Timur pada tahun 2018 berada pada 3,91% atau berkurang sebesar 0,09% dari tahun sebelumnya dengan tingkat pengangguran terendah ada pada Kabupaten Pacitan yakni sebesar 1,39%.
2.4. Kondisi Kemiskinan Provinsi Jawa Timur
Kemiskinan merupakan salah satu permasalahan mutlak yang ada pada setiap daerah, khususnya Jawa Timur yang pada periode 2018 sampai 2019 tergolong sebagai salah satu provinsi dengan jumlah penduduk miskin terbanyak di Indonesia. Kemiskinan berkorelasi lurus dengan pengangguran dan merupakan indikator kondisi kehidupan yang layak secara ekonomis tidak dapat tercapai, sehingga didapat premis bahwa kemiskinan juga ikut berpengaruh negatif terhadap peningkatan IPM di Provinsi Jawa Timur. Persentase penduduk miskin di Jawa Timur pada tahun 2018 adalah sebanyak 10,98%
dengan persentase penduduk miskin paling sedikit ada pada Kota Batu yakni sebesar 3,89%.
Sebagian besar data kuantiatif ini diperoleh dari internet melalui laman Badan Pus at Statistik untuk selanjutnya diidentifikasi variabel bebas dan terkaitnya serta diolah lebih lanjut dengan metode analisis kesesuaian data dan analisis regresi linear berganda. Selain itu, digunakan juga referensi untuk membantu proses interpretasi dan upaya lebih lanjut dalam proses rekomendasi dari hasil pembahasan.
BAB III
METODE PENGOLAHAN DATA DAN HASIL PENGOLAHAN DATA
3.1. Analisis Deskriptif
Analisis deskriptif merupakan salah satu metode untuk mendeskripsikan data sebelum menjadi model regresi linear. Dengan menggunakan metode descriptive statistics dalam aplikasi dan dengan memunculkan hasil analisis mean dan standar deviasi, berikut merupak an hasil analisisnya.
Descriptive Statistics
N Mean Std. Deviation
TPAK 38 69,6926 3,40389
TPT 38 3,7053 1,17581
Persentase Kemiskinan 38 10,8661 4,44522
IPM 38 70,9703 5,20858
Valid N (listwise) 38
Tabel 1. Analisis deskriptif data penelitian Sumber: Analisis penulis, 2022
3.2. Analisis Kesesuaian Data
3.2.1. Uji Normalitas (Uji Kolmogorov-Smirnov, Uji Shapiro-Wilk, dan Uji Scatter Plot)
Uji normalitas digunakan untuk melihat apakah data yang disajikan bersama residualnya terdistribusi secara normal atau tidak. Uji normalitas ini menggunakan uji Kolmogorov -Smirnov bersama uji Shapiro-Wilk, juga bisa dengan uji scatter plot dengan interpretasi yang berbeda tetapi hasilnya sama.
Tests of Normality
Kolmogorov-Smirnov Shapiro-Wilk Sta tistic df Sig. Sta tistic df Sig.
TPAK 0,125 38 0,143 0,945 38 0,061
TPT 0,123 38 0,152 0,968 38 0,351
Persentase Kemiskinan 0,1 38 0,200* 0,957 38 0,152
* This is a lower bound of the true significance.
a Lilliefors Significance Correction
Didapat bahwa dengan syarat lolos uji normalitas jika nilai signifikansi uji Kolmogorov -Smirnov lebih dari 0,05 maka model regresi terdistribusi normal (uji akan menghasilkan kondisi yang sama jika menggunakan metode one-sample Kolmogorov-Smirnov nonparametric test di mana asymptomatic significance 2-tailed index-nya bernilai 0,2). Uji Shapiro-Wilk juga memenuhi syarat jika nilai signifikansi lebih dari 0,05 maka model regresi terdistribusi normal. Begitu pula dalam uji scatter plot didapat syarat bahwa jika scatter plot-nya mengikuti diagonal berarti data tersebut menggambarkan data yang sesungguhnya atau data terdistribusi normal.
3.2.2. Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui apakah terdapat korelasi yang kuat antara variabel bebas dalam suatu model regresi. Uji multikolinearitas dilakukan dengan fitur collinearity statistics pada aplikasi yang memunculkan nilai tolerance dan VIF (variable inflation factor).
Coefficients
Model Unstandardized Coefficients Standardized
Coefficients t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 84,54 11,315 7,472 0
Tabel 2. Hasil uji Kolmogorov-Smirnov dan Shapiro-Wilk dalam regresi linear berganda
Sumber: Analisis penulis, 2022
Gambar 1. Probability plot model regresi
Sumber: Analisis penulis, 2022
TPAK -0,096 0,155 -0,063 -0,619 0,54 0,845 1,184
TPT 0,721 0,456 0,163 1,581 0,123 0,820 1,220
Persentase
Kemiskinan -0,878 0,117 -0,75 -7,48 0 0,864 1,158
a Dependent Va riable: IPM
Tabel 3. Hasil uji collinearity statistics pada tabel coefficients Sumber: Analisis penulis, 2022
Berdasarkan hasil analisis kolinearitas, didapat bahwa nilai tolerance > 0,100 dan nilai VIF (variable inflation factor) < 10,00 yang menandakan bahwa model statistik regresi berganda tidak terjadi gejala multikolinearitas sehingga tidak ada dua atau lebih variabel bebas yang saling berkaitan kuat.
3.2.3. Uji Heteroskedastisitas (Uji Scatter Plot dan Uji White)
Heteroskedastisitas merupakan sebuah keadaan di mana terdapat ketidaksamaan varian dari error (residual) untuk semua variabel bebas parsial dalam sebuah model regresi akibat korelasi kuat antara variabel bebas dengan residualnya. Uji White digunakan dengan membandingkan kuadrat residual sebagai chi-square tabel dengan chi-square hitung; di mana chi-square hitung < chi-square tabel.
Tabel 4. Hasil uji heteroskedastisitas dengan Uji White Sumber: Analisis penulis, 2022
Berdasarkan hasil Uji White, chi-square hitung (didapat dari hasil perkalian kuadrat rho dengan df) harus lebih kecil daripada chi- square (1,026 < 7,815) yang menunjukkan tidak ada gejala heteroskedastisitas.
Sementara menurut hasil scatterplot menunjukkan bahwa tidak ada pola yang bergelombang, melebar-menyempit, dan naik turun, dan titik-titiknya menyebar di atas- bawah 0 pada sumbu y, yang menandakan bahwa tidak ada gejala heteroskedastisitas.
3.3. Analisis Dasar Pengambilan Keputusan 3.3.1. Uji t Parsial
Uji t parsial digunakan untuk melihat pengaruh variabel independen terhadap variabel dependen secara individual/sendiri-sendiri. Identifikasi t parsial dilihat dari signifikansi setiap variabel dalam tabel.
Coefficients
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 84,54 11,315 7,472 0,00
TPAK -0,096 0,155 -0,063 -0,619 0,540
TPT 0,721 0,456 0,163 1,581 0,123
Model Summary untuk Residu Kuadrat untuk Uji Heteroskedastisitas
Model R R Square Adjusted R
Square
Std. Error of the Estimate
1 ,164a 0,027 -0,059 10,71454
a Predictors: (Constant), Persentase Kemiskinan, TPAK, TPT b Dependent Variable: RES2
Df 3
n 38
Chi Squa re Hitung 1,026
Chi Squa re Tabel dengan Significance level 0,05 7,815
Gambar 3.1.2. Gambar scatterplot IPM pada model Sumber: Analisis penulis, 2022
Persentase
Kemiskinan -0,878 0,117 -0,75 -7,48 0,000
a Dependent Va riable: IPM
Tabel 5. Tabel koefisien untuk diuji signifikansinya terhadap variabel dependen Sumber: Analisis penulis, 2022
Variabel independen X akan dikatakan berpengaruh secara individual/parsial terhadap Y jika nilai signifikansinya < 0,05. Maka berdasarkan hasil signifikansi di atas, didapat hasil sebagai berikut: (1) tingkat partisipasi angkatan kerja tidak berpengaruh pada peningkatan IPM; (2) tingkat pengangguran terbuka tidak begitu berpengaruh pada peningkatan IPM; dan (3) persentase penduduk miskin sangat berpengaruh pada penambahan IPM. Nilai signifikansi yang tinggi umumnya disebabkan oleh variabel independen dan dependen yang tidak begitu dekat pengaruh atau dampak/impaknya dan masih perlu ditelaah lagi berbagai faktor yang melatarbelakangi variabel dependen.
3.3.2. Uji F Simultan
Uji F simultan digunakan untuk melihat apakah setiap variabel independen secara bersama- sama/simultan dapat mempengaruhi variabel dependen dan apakah model persamaan regresi linear berganda valid untuk dipakai dan berapakah persentase pengaruhnya.
ANOVA
Model Sum of Squares df Mean Square F Sig.
1 Regression 707,694 3 235,898 27,088 ,000b
Residual 296,092 34 8,709
Tota l 1003,786 37
a Dependent Va riable: IPM
b Predictors: (Constant), Persentase Kemiskinan, TPAK, TPT
Tabel 6. Tabel anova untuk melihat signifikansi F parsial Sumber: Analisis penulis, 2022
Persamaan regresi linear berganda akan dikatakan valid apabila nilai signifikansinya < 0,05 , yang artinya seluruh variabel konstan X akan berpengaruh secara simultan terhadap Y. Maka secara umum, variabel tingkat partisipasi angkatan kerja, tingkat pengangguran terbuka, dan persentase kemiskinan akan sangat berpengaruh terhadap penambahan IPM.
3.3.3. Koefisien Determinasi
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 0,84 0,705 0,679 2,95103
a Predictors: (Constant), Persentase Kemiskinan, TPAK, TPT b Dependent Variable: IPM
Tabel 7. Tabel ringkasan model yabg menunjukkan hasil rho square sebagai persentase pengaruh simultan Sumber: Analisis penulis, 2022
Menurut tabel ringkasan model regresi berganda di atas, didapat bahwa hasil rho-square adalah sebesar 70,5%. Ini menunjukkan bahwa seluruh variabel bebas X akan bersama-sama/secara simultan berpengaruh terhadap Y sebesar 70,5 persen.
3.3.4. Sumbangan Efektif dan Sumbangan Relatif (Uji Korelasi Pearson)
Sumbangan efektif (SE) merupakan sumbangan/kontribusi dalam persen variabel independen terhadap dependen. Seluruh hasil penjumlahan sumbangan efektif akan menghasilkan nilai sama dengan rho- square. Sementara sumbangan relatif merupakan sumbangan/kontribusi variabel independen terhadap jumlah kuadrat regresi. Seluruh hasil penjumlahan sumbangan relatif berjumlah 100%.
Variabel Beta (Standardized Coefficients)
Korelasi terhadap Y
(Pearson’s Correlation) Sumbangan Efektif (%) Sumbangan Relatif (%)
TPAK -0,063 -0,33 2,079 2,947
TPT 0,163 0,428 6,9764 9,888
Persentase
Kemiskinan -0,75 -0,82 61,5 87,166
Total = R
Square 70,5554 (= R square) 100,000
Tabel 8. Tabel sumbangan efektif dan sumbangan relasi berdasarkan data beta dan Pearson’s Correlation Sumber: Analisis penulis, 2022
Dari hasil perhitungan sumbangan di atas, benar dikatakan bahwa TPAK dan TPT memiliki pengaruh yang kurang signifikan daripada variabel kemiskinan (X3) (dalam model regresi, persentase kemiskinan menyumbang 61,5% pengaruh terhadap variabel Y (penambahan IPM).
3.4. Model Regresi Berganda
Coefficients
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 84,54 11,315 7,472 0,00
TPAK -0,096 0,155 -0,063 -0,619 0,540
TPT 0,721 0,456 0,163 1,581 0,123
Persentase Kemiskinan -0,878 0,117 -0,75 -7,48 0,000
a Dependent Va riable: IPM
Tabel 9. Tabel koefisien beta sebagai pembentuk model regresi linear berganda Sumber: Analisis penulis, 2022
Nilai B pada unstandardized coefficients akan dijadikan sebagai koefisien baik pada Y, koefisien konstan, maupun koefisien pada masing-masing variabel independen X. Maka model regresi berganda yang diperoleh adalah sebagai berikut.
𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐼𝑃𝑀 (𝑌) = 84,54 + (−0,096)𝑇𝑃𝐴𝐾 + (0,721)𝑇𝑃𝑇 + (−0,878)𝐾𝑒𝑚𝑖𝑠𝑘𝑖𝑛𝑎𝑛
3.5. Pembahasan
3.5.1. Hubungan Tingkat Partisipasi Angkatan Kerja dengan Indeks Pembangunan Manusia
Berdasarkan hasil analisis regresi linear berganda yang telah dilakukan, variabel tingkat partisipasi angkatan kerja memiliki nilai signifikansi > 0,05 yang menandakan bahwa variabel tersebut tidak berpengaruh secara parsial terhadap indeks pembangunan manusia. Analisis tersebut diperkuat dengan bukti sumbangen efektif terhadap R square model hanya sebesar 2,079 saja atau sebesar 2,947%
terhadap model. Indeks beta menandakan bahwa TPAK memiliki pengaruh negatif terhadap IPM;
setiap ada kenaikan 1% pada TPAK mengurangi 0,096% IPM di Jawa Timur. Ini disebabkan karena masih banyak faktor yang perlu diperhatikan pada korelasi antara partisipasi angkatan kerja terhadap indeks pembangunan manusia.
3.5.2. Hubungan Tingkat Pengangguran Terbuka dengan Indeks Pembanguna n Manusia
Berdasarkan hasil regresi linear berganda, variabel tingkat pengangguran terbuka memiliki nilai signifikansi > 0,05 tetapi lebih kecil dari signifikansi TPAK yang menandakan bahwa variabel tersebut tidak berpengaruh secara parsial terhadap indeks pembangunan manusia. Analisis tersebut diperkuat dengan adanya bukti sumbangan efektif terhadap R square yang hanya sebesar 6,9764 atau sebesar 9,888% relatif terhadap model. Indeks beta menandakan bahwa TPT memilik pengaruh positif yang kecil terhadap IPM; setiap ada kenaikan 1% pada TPT akan menambah 0,721% IPM di Jawa Timur.
Ini disebabkan pula karena faktor pengangguran tidak selalu menandakan indeks pembangunan manusia berkurang dan masih perlu ditelaah lebih lanjut faktor-faktor lainnya terhadap IPM.
3.5.3. Hubungan Persentase Penduduk Miskin dengan Indeks Pembangunan Manusia
Berdasarkan hasil regresi linear berganda, variabel persentase kemiskinan memiliki nilai signifikansi jauh kurang dari 0,05 yang menandakan bahwa variabel tersebut sangat berpengaruh secara parsial terhadap indeks pembangunan manusia. Analisis tersebut diperkuat dengan sumbangan efektif
terhadap R square yang sebesar 61,5 atau sebesar 87,166% terhadap model. Indeks beta menunjukkan bahwa persentase kemiskinan memiliki pengaruh negatif yang besar terhadap IPM; setiap ada kenaikan 1% persentase kemiskinan akan mengurangi IPM sebesar 0,878%. Ini disebabkan karena salah satu indikatornya yakni standar kehidupan layak salah satunya diukur dengan persen kemiskinan.
BAB IV PENUTUP
4.1. Kesimpulan
Indeks pembangunan manusia merupakan salah satu indikator yang memiliki pengaruh antar individu dengan individu yang lain yang digunakan untuk memperkirakan kualitas pembangunan suatu daerah.
Indeks pembangunan daerah memiliki tiga indikator utama antara lain kesehatan yang layak, pengetahuan atau pendidikan, dan standar kehidupan yang layak yang diukur secara ekonomi salah satunya melalui tingkat kemiskinan dan pertumbuhan perekonomian. Pertumbuhan ekonomi dilihat dari proses peningkatan kapasitas produksi suatu daerah dengan indikator pendapatan. Tingkat partisipasi angkatan kerja mempengaruhi peningkatan kapasitas produksi yang kemudian berimplikasi pada pertumbuhan ekonomi. Sementara tingkat pengangguran terbuka juga berimplikasi negatif pada pertumbuhan ekonomi dan secara langsung berdampak pada kualitas hidup seseorang dalam berbagai segi termasuk kesehatan, pendidikan, dan standar kehidupan yang layak. Diharapkan ketiga faktor tersebut dapat menjelaskan hubungannya dengan peningkatan indeks pembangunan manusia khususnya di Jawa Timur mengingat Jawa Timur pada tahun 2018 tergolong salah satu provinsi dengan jumlah dan persentase penduduk miskin terbanyak di Indonesia. Ketiga faktor tersebut diasumsikan memiliki pengaruh yang berarti terhadap indeks pembangunan manusia, sehingga diharapkan memenuhi persamaan sebagai berikut sehingga perlu dilakukan analisis regresi dan kelayakan/kesesuaian data.
𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐼𝑃𝑀 = 𝛼 + 𝛽1 × TPAK + 𝛽2 × TPT + 𝛽3 × %Kemiskinan + error variable Analisis regresi dan kesesuaian data menghasilkan keputusan sebagai berikut.
- Variabel TPAK memiliki pengaruh negatif dan tidak berpengaruh parsial terhadap IPM dengan sumbangan relatif rendah sehingga hipotesis/asumsi awal ditolak/berlawanan;
- variabel TPT memiliki pengaruh positif dan tidak berpengaruh parsial terhadap IPM dengan sumbangan relatif rendah sehingga hipotesis/asumsi awal ditolak/berlawanan;
- variabel persentase kemiskinan memiliki pengaruh negatif dan berpengaruh terhadap IPM dengan sumbangan relatif tinggi sehingga hipotesis/asumsi awal diterima/searah;
- seluruh variabel tersebut secara simultan berpengaruh positif terhadap IPM dengan persentase 70,5%
sehingga masih memerlukan faktor-faktor lain untuk analisis lebih lanjut.
Berdasarkan keputusan di atas, maka secara umum berdasarkan tabel koefisien didapat persamaan regresi linear berganda sebagai berikut.
𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐼𝑃𝑀 (𝑌) = 84,54 + (−0,096)𝑇𝑃𝐴𝐾 + (0,721)𝑇𝑃𝑇 + (−0,878)𝐾𝑒𝑚𝑖𝑠𝑘𝑖𝑛𝑎𝑛 Akan tetapi, jika memperhatikan pengaruh variabel yang tidak signifikan dikeluarkan dari persamaan di atas akan menjadi persamaan regresi linear sederhana sebagai berikut.
𝑃𝑒𝑛𝑖𝑛𝑔𝑘𝑎𝑡𝑎𝑛 𝐼𝑃𝑀 (𝑌) = 84,54 + (−0,878)𝐾𝑒𝑚𝑖𝑠𝑘𝑖𝑛𝑎𝑛
4.2. Rekomendasi
Analisis regresi linear berganda di atas menghasilkan keputusan bahwa variabel persentase kemiskinan memiliki pengaruh parsial yang lebih signifikan terhadap IPM daripada variabel-variabel konstan lainnya
sehingga dengan adanya kenaikan persentase kemiskinan akan mengurangi IPM sebanyak sekian. Perlu diberlakukan aksi intervensi berupa rekomendasi yang dapat diterapkan:
- perlu adanya program kemandirian masyarakat untuk menumbuhkan lapangan pekerjaan/industri baru yang mampu menyokong industri lain atau membuka lapangan pekerjaan baru bagi warganya;
- peningkatan sarana dan prasarana terutama pendidikan dan kesehatan sehingga mampu meningkatkan produktivitas pekerjaan khususnya dalam proses produksi di suatu daerah;
- program bantuan dari pemerintah maupun perusahaan industri besar terhadap masyarakat terdampak maupun industri yang lebih kecil, seperti adanya aglomerasi, PPPP, maupun CSR;
- keterlibatan akademisi dalam pengembangan penelitian semacam ini khususnya berkenaan dengan kemiskinan untuk dapat dijadikan rekomendasi dalam pembangunan manusia di suatu daerah dengan analisis mendetail mengenai faktor-faktor mendasar yang mempengaruhi indeks pembangunan manusia pada suatu daerah
DAFTAR PUSTAKA
Badan Pusat Statistik Provinsi Jawa Timur.
Cahyanti, N. D., Muchtolifah, & Sishadiyati. (2021, July). FAKTOR-FAKTOR INDEKS PEMBANGUNAN MANUSIA DI PROVINSI JAWA TIMUR. JAMBURA ECONOMIC EDUCATION JOURNAL, 3(2), 93-101.
Dipetik Desember 10, 2022, dari https://ejurnal.ung.ac.id/index.php/jej/article/view/11036
Mahroji, D., & Nurkhasanah, I. (2019, April). PENGARUH INDEKS PEMBANGUNAN MANUSIA TERHADAP TINGKAT PENGANGGURAN DI PROVINSI BANTEN. Jurnal Ekonomi-Qu (Jurnal Ilmu Ekonomi), 9(1), 236-255. Retrieved Desember 10, 2022, from https://jurnal.untirta.ac.id/index.php/Ekonomi- Qu/article/view/5436/0
Mala, V. S., Suyadi, B., & Sedyati, R. N. (2017). ANALISIS TINGKAT PARTISIPASI ANGKATAN KERJA BERDASARKAN KEGIATAN EKONOMI MASYARAKAT DESA TEGALSARI KECAMATAN TEGALSARI KABUPATEN BANYUWANGI TAHUN 2015. Jurnal Pendidikan Ekonomi: Jurnal Ilmiah Ilmu Pendidikan, Ilmu Ekonomi, dan Ilmu Sosial, 11(1), 130-139. Dipetik Desember 8, 2022, dari https://jurnal.unej.ac.id/index.php/JPE/article/view/5014
Maulana, R., Pitoyo, A. J., & Alfana, M. A. (2022, June). Analisis Pengaruh Kemiskinan dan Kondisi Ekonomi Terhadap Indeks Pembangunan Manusia di Provinsi Jawa Tengah Tahun 2013-2017. MKG, 23(1), 12-24.
Retrieved Desember 10, 2022, from https://ejournal.undiksha.ac.id/index.php/MKG/article/view/39301 Nugraheny, A., & Dewi, R. M. (t.thn.). PENGARUH PERTUMBUHAN INDUSTRI TERHADAP PENYERAPAN
TENAGA KERJA DI KABUPATEN PONOROGO. 1-8. Dipetik Desember 9, 2022, dari https://ejournal.unesa.ac.id/index.php/jupe/article/download/17074/15521/
Yektiningsih, E. (2018, Desember). ANALISISI INDEKS PEMBANGUNAN MANUSIA (IPM) KABUPATEN PACITAN TAHUN 2018. 18(2), 32-50. Retrieved 12 7, 2022, from https://journal.uwks.ac.id/index.php/sosioagribis/article/view/528
LAMPIRAN
7.1. Kumpulan Data Kuantitatif untuk Analisis
Kabupaten/Kota TPAK TPT Persentase Kemiskinan IPM
Persen Persen Persen Persen
Pa cita n 79,41 1,39 14,19 67,33
Ponorogo 72,07 3,77 10,36 69,91
Trengga lek 75,19 4,12 12,02 68,71
Tulunga gung 70,62 2,53 7,27 71,99
Blita r 70,61 3,38 9,72 69,93
Kediri 67,70 4,15 11,31 71,07
Ma la ng 69,70 3,15 10,37 69,40
Lumajang 68,10 2,46 9,98 64,83
Jember 67,90 4,01 9,98 65,96
Ba nyuwangi 72,12 3,59 7,80 70,06
Bondowoso 71,45 3,84 14,39 65,27
Situbondo 71,87 1,85 11,82 66,42
Probolinggo 68,41 4,00 18,71 64,85
Pa sueuan 69,59 5,94 9,45 67,41
Sidoa rjo 64,53 4,62 5,69 79,50
Mojokerto 71,92 4,21 10,08 72,64
Jombang 69,86 4,56 9,56 71,86
Nga njuk 67,91 2,60 12,11 71,23
Ma diun 69,52 3,71 11,42 71,01
Ma getan 77,60 3,82 10,31 72,91
Nga wi 75,41 3,75 14,83 69,91
Bojonegoro 67,13 4,11 13,16 67,85
Tuba n 71,78 2,76 15,31 67,43
La mongan 68,02 3,10 13,80 71,97
Gresik 67,29 5,71 11,89 75,28
Ba ngkalan 68,86 5,09 19,59 62,87
Sa mpang 67,31 2,38 21,21 61,00
Pa mekasan 69,35 2,88 14,47 65,41
Sumenep 71,53 1,75 20,16 65,25
Kota Kediri 65,09 3,56 7,68 77,58
Kota Blita r 72,21 3,98 7,44 77,58
Kota Malang 65,94 6,65 4,10 80,89
Kota Probolinggo 64,89 3,56 7,20 72,53
Kota Pa suruan 66,33 4,50 6,77 74,78
KOta Mojokerto 69,19 2,44 5,50 77,14
Kota Madiun 64,41 3,80 4,49 80,33
Kota Surabaya 66,98 6,01 4,88 81,74
Kota Batu 70,52 3,07 3,89 75,04
Tabel 10. Tabel kumpulan data kuantitatif temuan tahun 2018 Sumber: BPS Provinsi Jawa Timur, 2018
7.2. Lampiran SPSS
7.3. Descriptive Statistics
Mean Std. Deviation N
IPM 70,9703 5,20858 38
TPAK 69,6926 3,40389 38
TPT 3,7053 1,17581 38
Persentase Kemiskinan 10,8661 4,44522 38
Tabel 11. Tabel descriptive statistics Sumber: Analisis penulis, 2022
Correlations
IPM TPAK TPT
Persentase Kemiskinan
Pearson Correlation IPM 1,000 -,330 ,428 -,820
TPAK -,330 1,000 -,353 ,279
TPT ,428 -,353 1,000 -,324
Persentase Kemiskinan -,820 ,279 -,324 1,000
Sig. (1-tailed) IPM . ,022 ,004 ,000
TPAK ,022 . ,015 ,045
TPT ,004 ,015 . ,023
Persentase Kemiskinan ,000 ,045 ,023 .
N IPM 38 38 38 38
TPAK 38 38 38 38
TPT 38 38 38 38
Persentase Kemiskinan 38 38 38 38
Tabel 12. Tabel Pearson’s Correlation Sumber: Analisis penulis, 2022
Model Summaryb
Model R R Square
Adjusted R Square
Std. Error of the
Estimate Durbin-Watson
1 ,840a ,705 ,679 2,95103 1,221
a. Predictors: (Constant), Persentase Kemiskinan, TPAK, TPT b. Dependent Variable: IPM
Tabel 13. Tabel model summary untuk melihat rho-square Sumber: Analisis penulis, 2022
ANOVAa
Model Sum of Squares df Mean Square F Sig.
1 Regression 707,694 3 235,898 27,088 ,000b
Residual 296,092 34 8,709
Total 1003,786 37
a. Dependent Variable: IPM
b. Predictors: (Constant), Persentase Kemiskinan, TPAK, TPT
Tabel 13. Tabel ANOVA untuk melihat signifikansi Sumber: Analisis penulis, 2022
Collinearity Diagnosticsa
Model Dimension Eigenvalue Condition Index
Variance Proportions
(Constant) TPAK TPT
Persentase Kemiskinan
1 1 3,806 1,000 ,00 ,00 ,00 ,01
2 ,154 4,979 ,00 ,00 ,19 ,47
3 ,040 9,786 ,01 ,01 ,66 ,51
4 ,001 63,499 ,99 ,99 ,15 ,01 a. Dependent Variable: IPM
Tabel 14. Tabel Collinearity Diagnostics Sumber: Analisis penulis, 2022
Residuals Statisticsa
Minimum Ma ximum Mea n Std. Devia tion N
Predicted Va lue 61,1579 79,3961 70,9703 4,37343 38
Std. Predicted Va lue -2,244 1,927 ,000 1,000 38
Sta ndard Error of Predicted Va lue
,485 1,555 ,916 ,282 38
Adjusted Predicted Value 60,3525 78,9959 70,9065 4,39390 38
Residual -6,42434 4,02909 ,00000 2,82887 38
Std. Residual -2,177 1,365 ,000 ,959 38
Stud. Residual -2,344 1,505 ,010 1,013 38
Deleted Residual -7,44975 4,89750 ,06379 3,16282 38
Stud. Deleted Residual -2,522 1,535 ,002 1,042 38
Ma hal. Dista nce ,024 9,305 2,921 2,382 38
Cook's Dista nce ,000 ,219 ,030 ,043 38
Centered Leverage Value ,001 ,251 ,079 ,064 38
a . Dependent Va riable: IPM
Tabel 15. Tabel statistik residual untuk analisis kesesuaian data dan asumsi klasik Sumber: Analisis penulis, 2022
Gambar 3. Histogram analisis deskriptif model regresi Sumber: Analisis penulis, 2022
Gambar 4. Grafik Probability Plot model regresi Sumber: Analisis penulis, 2022
Gambar 5. Grafik scatterplot model regresi untuk analisis kesesuaian data asumsi klasik Sumber: Analisis penulis, 2022
Tests of Normality
Kolmogorov-Smirnova Sha piro-Wilk
Sta tistic df Sig. Sta tistic df Sig.
TPAK ,125 38 ,143 ,945 38 ,061
TPT ,123 38 ,152 ,968 38 ,351
Persentase Kemiskinan ,100 38 ,200* ,957 38 ,152
*. This is a lower bound of the true significance.
a . Lilliefors Significa nce Correction
Tabel 16. Tabel uji normalitas Sumber: Analisis penulis, 2022
Gambar 6. Grafik scatterplot korelasi deskriptif statistik Sumber: Analisis penulis, 2022
One-Sample Kolmogorov-Smirnov Test Unstandardized Residual
N 38
Norma l Pa rametersa,b
Mea n 0
Std. Devia tion 2,82886507
Most Extreme Differences
Absolute 0,09
Positive 0,077
Nega tive -0,09
Test Sta tistic 0,09
Asymp. Sig. (2-ta iled) ,200c,d a Test distribution is Normal.
b Ca lcula ted from data.
c Lilliefors Significa nce Correction.
d This is a lower bound of the true significance.
Tabel 17. One-sample Kolmogorov-Smirnov non-parametric test Sumber: Analisis penulis, 2022
7.4. Tabel Chi-Squared Distribution: Critical Values of X2
Significa nce Level
Degree of freedom 5% 1% 0,10%
1 3,841 6,635 10,828
2 5,991 9,21 13,816
3 7,815 11,345 16,266
4 9,488 13,277 18,467
5 11,07 15,086 20,515
6 12,592 16,812 22,458 7 14,067 18,475 24,322
8 15,507 20,09 16,124
9 16,919 21,666 27,877
10 18,307 23,209 29,588
Tabel 18. Tabel chi square Sumber: Analisis penulis, 2022
