P. 1
Analisis faktor-faktor penyebab kemiskinan - Suatu pendekatan kuantitatif - Puguh Bodro IRAWAN 01.05.2005

Analisis faktor-faktor penyebab kemiskinan - Suatu pendekatan kuantitatif - Puguh Bodro IRAWAN 01.05.2005

3.33

|Views: 13,506|Likes:
Dipublikasikan oleh Puguh Bodro IRAWAN
ANALISIS FAKTOR-FAKTOR PENYEBAB KEMISKINAN
Suatu Pendekatan Kuantitatif (Mei 2005) Oleh Puguh Bodro Irawan E-mail: irawanpb@gmail.com
1. Pendahuluan
Kemiskinan harus dipahami sebagai suatu masalah sosial yang bersifat multi-dimensional. Kemiskinan bukan semata-mata karena pendapatan yang kurang. Kompleksitas masalah kemiskinan mencerminkan kesengsaraan dan tertekannya harga diri manusia karena ketiadaan pendapat, kekuasaan dan pilihan untuk memperbaiki taraf hidupnya. Oleh karena itu, profil kemiskinan secara kes
ANALISIS FAKTOR-FAKTOR PENYEBAB KEMISKINAN
Suatu Pendekatan Kuantitatif (Mei 2005) Oleh Puguh Bodro Irawan E-mail: irawanpb@gmail.com
1. Pendahuluan
Kemiskinan harus dipahami sebagai suatu masalah sosial yang bersifat multi-dimensional. Kemiskinan bukan semata-mata karena pendapatan yang kurang. Kompleksitas masalah kemiskinan mencerminkan kesengsaraan dan tertekannya harga diri manusia karena ketiadaan pendapat, kekuasaan dan pilihan untuk memperbaiki taraf hidupnya. Oleh karena itu, profil kemiskinan secara kes

More info:

Published by: Puguh Bodro IRAWAN on Apr 27, 2010
Hak Cipta:Attribution Non-commercial
Harga Terdaftar: $4.99 Beli Sekarang

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
See more
See less

05/19/2015

$4.99

USD

pdf

text

original

Catatan Puguh B Irawan, Jakarta, 01.05.

2005

Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005) 1
ANALISIS FAKTOR-FAKTOR PENYEBAB KEMISKINAN
1

Suatu Pendekatan Kuantitatif

Oleh
Puguh Bodro Irawan
2

E-mail: irawanpb@gmail.com


The main aim of this paper is to provide practical ways in analyzing the poverty determinants
in developing countries like Indonesia, using quantitative-based approach. It is intended to
enhance the basic knowledge of those who is interested in understanding the basic features
of poverty and its determining factors. The paper also emphasizes on the possible utilizations
of poverty analysis outcomes as an instrument for decision making process in poverty
eradication programs. Several practical examples and illustrations using the available
quantitative data from Indonesia are presented for a better understanding of poverty analysis.



1. Pendahuluan

Kemiskinan harus dipahami sebagai suatu masalah sosial yang bersifat multi-
dimensional. Kemiskinan bukan semata-mata karena pendapatan yang kurang.
Kompleksitas masalah kemiskinan mencerminkan kesengsaraan dan tertekannya
harga diri manusia karena ketiadaan pendapat, kekuasaan dan pilihan untuk
memperbaiki taraf hidupnya. Oleh karena itu, profil kemiskinan secara keseluruhan
dicirikan oleh pendapatan rendah, kondisi kesehatan buruk, pendidikan rendah dan
keahlian terbatas, akses terhadap tanah dan modal rendah, sangat rentan terhadap
gejolak ekonomi, bencana alam, konflik sosial dan resiko lainnya, partisipasi rendah
dalam proses pengambilan kebijakan, serta keamanan individu yang sangat kurang.

Profil kemiskinan tersebut penting sebagai bahan kajian deskriptif yang
memberikan informasi tentang keterkaitan kemiskinan (correlates of poverty) dengan
karakteristik lainnya. Secara umum, profil kemiskinan dapat ditelaah dengan suatu
kajian dua peubah (bi-variate analysis) yang membandingkan status kemiskinan
rumahtangga atau individu menurut masing-masing kategori di dalam setiap
karakteristik tertentu dari rumahtangga atau individu tersebut. Misalnya, insiden
kemiskinan yang diindikasikan oleh persentase rumahtangga miskin cenderung lebih
tinggi di antara rumahtangga yang dikepalai oleh mereka dengan pendidikan tidak
tamat SD daripada kepala rumahtangga dengan pendidikan tamat SLTA ke atas.

1
Sebagai salah satu materi/modul untuk “Pelatihan Dasar-dasar Analisis dan Diagnosis Kemiskinan di
Indonesia”, Lembaga Penelitian SMERU dan World Bank Institute, Jakarta, 9-13 Mei 2005.
2
Penulis adalah peneliti senior bidang sosial-ekonomi, dengan spesialisasi masalah-masalah
kemiskinan, ketimpangan, ketenagakerjaan dan pembangunan manusia. Penulis menghargai sekali
bantuan dari Ahmad Avenzora dan Achmad Sukroni untuk menyiapkan kajian data yang digunakan
dalam makalah ini dan sebagai materi praktek interpretasi data dari peserta pelatihan. Alamat e-mail:
irawanpuguhb@yahoo.com.
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
2
Informasi tentang profil kemiskinan seperti ini mudah dipahami untuk melihat faktor-
faktor yang berkaitan dengan kemiskinan.

Akan tetapi, kajian dua peubah seperti ini terbatas dalam kegunaannya karena
kajian hanya menunjukkan hubungan antara tingkat kemiskinan dengan satu
karakteristik tertentu pada suatu waktu tertentu pula. Kajian ini cenderung
menyederhanakan kompleksitas faktor-faktor korelasi dari kemiskinan. Perlu dicatat
bahwa korelasi berarti hubungan antara dua faktor, tetapi tidak selalu berarti bahwa
faktor yang satu menyebabkan perubahan atas faktor yang lainnya (causality).
Walaupun begitu, profil kemiskinan memberikan dasar awal penting yang diperlukan
dalam analisis determinan kemiskinan. Kajian tentang faktor-faktor penyebab
kemiskinan (determinants of poverty) dapat dilakukan dengan mengaplikasikan
analisis peubah ganda (multi-variate analysis). Pada prinsipnya, analisis peubah ganda
memperkaya analisis profil kemiskinan dengan cara mengidentifikasikan faktor-faktor
penyebab dari karakteristik-karakteristik rumahtangga tertentu terhadap tingkat
kesejahteraan rumahtangga tersebut.


2. Tujuan Modul

Tulisan ini bertujuan untuk memberikan cara-cara dalam melakukan analisis
kemiskinan dengan menggunakan pendekatan kuantitatif. Prosedur analisis yang
dipaparkan di sini diharapkan dapat meningkatkan pengetahuan dasar bagi peserta
pelatihan dalam memahami faktor-faktor yang berkaitan dengan kemiskinan dan
penyebabnya. Modul ini juga menekankan pentingnya pemanfaatan hasil analisis data
untuk instrumen dalam proses pengambilan kebijakan penanggulangan kemiskinan.
Untuk mencapai tujuan tersebut, beberapa contoh konkret interpretasi dan ilustrasi
dari data kuantitatif tersedia di Indonesia diberikan untuk memudahkan para analis
dan peneliti dalam memahami modul ini. Metode analisis yang digunakan di sini
adalah terutama analisis deskriptif.

Pemaparan dalam tulisan ini disusun secara sistematis dalam beberapa bagian.
Setelah diawali dengan tinjauan umum pada bagian pertama dan tujuan modul pada
bagian kedua, bagian ketiga menguraikan ketersediaan data yang diperlukan dalam
kajian determinan kemiskinan di Indonesia. Bagian keempat adalah tentang kajian
profil kemiskinan, yang meliputi pemahaman tentang berbagai indikator sosial-
demografi dan ekonomi yang berkaitan dengan kemiskinan di tingkat rumahtangga
dan tingkat komunitas atau wilayah. Dan bagian kelima tentang prinsip-prinsip dasar
dalam melakukan kajian tentang faktor-faktor korelasi dan penyebab (determinan)
kemiskinan, dan bagaimana menginterpretasikan hasil analisis data.



Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
3
3. Data yang Tersedia untuk Kajian Kuantitatif Kemiskinan di Indonesia

Salah satu sumber data terpenting dalam kajian masalah kemiskinan di Indonesia
adalah hasil Survei Sosial-Ekonomi Nasional (SUSENAS). Pengumpulan data SUSENAS
oleh BPS terdiri dari dua macam, yaitu SUSENAS Kor (data pokok) yang dikumpulkan
setiap tahun dan SUSENAS Modul Konsumsi pada setiap tiga tahun. SUSENAS Modul
Konsumsi memuat informasi sangat rinci tentang pengeluaran konsumsi rumahtangga
untuk sekitar 354 jenis barang dan jasa, yang terdiri dari makanan (214 jenis) dan
kelompok barang bukan makanan (140 jenis). Cakupan data SUSENAS Modul
Konsumsi adalah sekitar 65.000 rumahtangga sampel yang tersebar di seluruh
Indonesia, dan data ini dapat digunakan untuk estimasi kemiskinan sampai tingkat
propinsi. Pemanfaatan data SUSENAS Modul Konsumsi hanya terbatas untuk kajian
profil kemiskinan, termasuk informasi tentang garis kemiskinan, angka kemiskinan
(jumlah dan persentase penduduk miskin), indeks ketimpangan dan keparahan
kemiskinan, distribusi pengeluaran, koefisien Gini, dan pola konsumsi rumahtangga.

SUSENAS Kor mengumpulkan informasi pokok tentang demografi, kesehatan,
balita, pendidikan, perilaku hidup sehat, ketenagakerjaan, fertilitas & KB, perumahan,
dan pengeluaran konsumsi rumahtangga secara umum menurut kelompok barang.
Sejak tahun 1993, SUSENAS Kor dirancang dengan ukuran sampel sebesar 202.000
rumahtangga dan dapat menyajikan estimasi kemiskinan sampai tingkat
kabupaten/kota. Sumber data ini memungkinkan untuk digunakan dalam kajian
tentang profil kemiskinan, karakteristik sosial-demografi, ketenagakerjaan dan
ekonomi dari rumahtangga miskin, dan analisis cukup mendalam tentang faktor-
faktor penyebab (determinan) kemiskinan. Selain itu, data hasil Sensus Potensi Desa
(PODES) juga dapat digunakan untuk kajian profil kemiskinan untuk tingkat komunitas
atau wilayah. PODES dikumpulkan oleh BPS setiap menjelang dilaksanakannya suatu
sensus, seperti Sensus Penduduk 2000, Sensus Pertanian 2003, Survei Penduduk Antar
Sensus (SUPAS) 2005, dan Sensus Ekonomi 2006 mendatang. Data PODES mencakup
seluruh desa/kelurahan di Indonesia, dan memuat berbagai informasi tentang kondisi
topografi, demografi, sosial-budaya, ekonomi, lingkungan, infrastruktur dasar, dan
juga termasuk jumlah keluarga miskin di setiap desa/kelurahan. Sumber-sumber data
lain untuk kajian profil kemiskinan adalah Sensus Pertanian untuk melihat jumlah
petani gurem dan buruh tani, dan Survei Angkatan Kerja Nasional (SAKERNAS) untuk
meneliti angka pengangguran terbuka, setengah pengangguran, pekerja sektor
informal, dan pekerja dengan pendapatan rendah (misalnya, dengan tingkat upah di
bawah garis kemiskinan).

4. Kajian Profil Kemiskinan

Profil kemiskinan dapat ditinjau dari beragam indikator, seperti angka kemiskinan,
pola distribusi pendapatan penduduk, dan karakteristik sosio-demografi dan ekonomi
dari rumahtangga atau penduduk miskin, termasuk pola konsumsi dan strategi
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
4
mengatasi kesulitan pemenuhan kebutuhan. Selain itu, profil kemiskinan juga dapat
ditelaah dari tipologi kemiskinan di tingkat komunitas atau wilayah. Berikut ini adalah
penjelasan ringkas dalam mengkaji indikator-indikator profil kemiskinan, dengan
beberapa ilustrasi data dan interpretasinya.

Tabel 1. Indonesia: Jumlah dan persentase penduduk miskin, indeks ketimpangan
dan Indeks keparahan kemiskinan menurut propinsi, 2002.

Provinsi
Jumlah penduduk % Penduduk miskin Indeks ketimpangan Indeks keparahan
miskin (000 org) P0 kemiskinan (%), P1 kemiskinan (%), P2
DKI Jakarta 286,9 3,4 0,39 0,07
Bali 221,8 6,9 0,95 0,21
Kalimantan Selatan 259,8 8,5 1,11 0,23
Banten 786,7 9,2 1,27 0,29
Sulawesi Utara 229,3 11,2 1,54 0,36
Sumatera Barat 496,4 11,6 1,81 0,43
Bangka Belitung 106,2 11,6 1,44 0,31
Kalimantan Tengah 231,4 11,9 2,04 0,57
Kalimantan Timur 313,0 12,2 1,90 0,46
Jambi 326,9 13,2 2,38 0,71
Jawa Barat 4.938,2 13,4 2,21 0,56
Riau 722,4 13,6 2,01 0,48
Maluku Utara* 110,1 14,0 2,63 0,75
Kalimantan Barat 644,2 15,5 2,39 0,60
Sumatera Utara 1.883,9 15,8 2,63 0,65
Sulawesi Selatan 1.309,2 15,9 2,78 0,75
DI Yogyakarta 635,7 20,1 3,81 1,07
Jawa Timur 7.701,2 21,9 3,88 1,03
Sumatera Selatan 1.600,6 22,3 3,60 0,95
Bengkulu 372,4 22,7 3,39 0,83
Jawa Tengah 7.308,3 23,1 4,00 1,05
Lampung 1.650,7 24,1 4,18 1,12
Sulawesi Tenggara 463,8 24,2 4,81 1,44
Sulawesi Tengah 564,6 24,9 4,46 1,21
Nusa Tenggara Barat 1.145,8 27,8 5,01 1,28
Nanggroe Aceh Darussalam* 1.199,9 29,8 4,32 1,00
Nusa Tenggara Timur 1.206,5 30,7 6,48 1,97
Gorontalo 274,7 32,1 6,20 1,79
Maluku* 418,8 34,8 6,78 1,96
Papua* 984,7 41,8 7,91 2,25
Indonesia 38.394,0 18,2 3,01 0,79
Sumber: BPS (2003) "Data dan Informasi Kemiskinan" (berdasarkan data SUSENAS Modul Konsumsi).
Catatan: * Angka estimasi.

1) Kajian tentang insiden atau angka kemiskinan

Insiden atau angka kemiskinan meliputi informasi tentang jumlah dan persentase
penduduk miskin atau tingkat kemiskinan (head-count ratio atau P
0
), indeks
ketimpangan kemiskinan (poverty gap index atau P
1
) dan indeks keparahan
kemiskinan (poverty severity index atau P
2
). Ketiga indikator ini dihitung dengan
menggunakan formula FGT (lihat Modul “Pengukuran Kemiskinan Kuantitatif” untuk
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
5
penjelasan tentang formula ini). Tabel 1 memaparkan profil kemiskinan di Indonesia
pada tahun 2002 berdasarkan hasil penghitungan oleh BPS.

Tabel 1 tersebut melaporkan bahwa terdapat sekitar 38,4 juta penduduk miskin di
Indonesia, atau rata-rata pengeluaran konsumsi bulanan mereka di bawah garis
kemiskinan pada tahun 2002. Dengan perkiraan jumlah penduduk sekitar 211 juta
orang pada tahun 2002, persentase penduduk miskin atau P
0
adalah sebesar 18,2%.
Sementara P
0
terendah tercatat di Jakarta dan Bali, P
0
tertinggi ditemukan di Papua,
yang berarti sebagai propinsi termiskin di Indonesia. Insiden kemiskinan tinggi juga
dilaporkan di Maluku, Gorontalo, NTT, NAD dan NTB dengan P
0
di atas 25%. Lebih
lanjut, Tabel 1 juga melaporkan bahwa indeks ketimpangan (P
1
) dan keparahan
kemiskinan (P
2
) di Indonesia masing-masing sekitar 3% dan 0,8%. Ini berarti bahwa
kesenjangan antara rata-rata pengeluaran konsumsi penduduk miskin dan garis
kemiskinan adalah relatif kecil, yaitu sekitar 3%; dan distribusi pengeluaran antar
penduduk miskin tidak begitu timpang, yaitu sekitar 0,8%. Variasi antar propinsi
mengindikasikan bahwa P
0
tinggi cenderung diikuti dengan P
1
dan P
2
yang tinggi
pula. Papua sebagai propinsi termiskin, misalnya, juga mempunyai P
1
dan P
2
tertinggi
di Indonesia. Sebaliknya, Jakarta dengan P
0
terendah juga memiliki P
1
dan P
2
paling
rendah di Indonesia.

Tabel 2. Simulasi penghitungan estimasi alokasi dana bantuan untuk penduduk
miskin per kabupaten/kota di Lampung (Berdasarkan data Susenas Kor 2002)

Distribusi
Z Q P0 P1 P2 Estimasi dana per
Garis Jumlah Persentase Poverty Poverty alokasi kab/kota
Kabupaten/Kota kemiskinan penduduk penduduk gap severity dana thd total
miskin miskin index index bantuan propinsi
(Rp/kap/Bln) (000) (%) (%) (%) (juta Rp/bln) (%)
(01) Lampung Barat 81634 84.8 22.50 3.29 0.67 1014 3.8
(02) Tanggamus 93068 191.5 23.62 4.38 1.22 3306 12.5
(03) Lampung Selatan 88721 353.9 30.37 5.11 1.31 5281 19.9
(04) Lampung Timur 99923 273.2 30.49 6.28 1.76 5623 21.2
(05) Lampung Tengah 97591 214.0 19.97 3.19 0.81 3337 12.6
(06) Lampung Utara 97944 189.2 35.21 5.96 1.59 3138 11.8
(07) Way Kanan 90232 118.0 33.66 6.47 1.85 2045 7.7
(08) Tulangbawang 61063 150.0 19.44 3.39 0.90 1599 6.0
(71) Kota Bandar Lampung 94002 63.5 8.33 1.35 0.34 968 3.7
(72) Kota Metro 89406 12.5 10.44 1.76 0.52 189 0.7
TOTAL LAMPUNG 1650.7 24.06 4.18 1.12 26500 100.0

Formula FGT juga dapat dimanfaatkan untuk estimasi alokasi anggaran yang
dibutuhkan untuk mengangkat taraf hidup semua penduduk miskin sampai dengan
senilai garis kemiskinan di suatu daerah. Rumus yang digunakan adalah :
 Estimasi alokasi dana bantuan penduduk miskin= P
1
/P
0
x Z x Q, di mana P
1
/P
0

adalah rata-rata ketimpangan kemiskinan,
 Z adalah garis kemiskinan
 Q adalah jumlah penduduk miskin.
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
6
Tabel 2 memberikan simulasi dari rumus ini untuk kasus Lampung. Perlu dicatat
bahwa besarnya alokasi bantuan tidak hanya tergantung pada jumlah absolut
penduduk miskin, tetapi juga sangat tergantung pada garis kemiskinan, dan rata-rata
ketimpangan kemiskinan di suatu wilayah. Lampung Timur, misalnya, diperkirakan
memperoleh bantuan terbesar sebesar Rp. 5,6 milyar per bulan, atau sekitar 21,2%
dari estimasi alokasi seluruh Lampung, walaupun jumlah penduduk miskin lebih kecil
dari pada Lampung Selatan yang hanya menerima sekitar Rp. 5,3 milyar atau 19,9%
dari total dana.

2) Kajian tentang distribusi pendapatan (income distribution)

Analisis tentang pola distribusi pendapatan atau pengeluaran konsumsi dapat
menunjukkan adanya ketimpangan pendapatan (income inequality) di suatu negara,
wilayah atau sub-kelompok penduduk, seperti yang diindikasikan oleh koefisien Gini
(Gini coefficient). Gambar 1 mengilustrasikan perkembangan koefisien Gini selama
hampir empat dekade terakhir ini di Indonesia. Koefisien Gini berkisar antara 0, yang
mengindikasikan suatu kemerataan sempurna (perfect equality), dan 1, yang berarti
suatu ketimpangan total (perfect inequality) dalam distribusi pendapatan atau
pengeluaran.
3
Pada tahun 2002, koefisien Gini di Indonesia sekitar 0,35, dengan
koefisien lebih tinggi di perkotaan (0,35) daripada di pedesaan (0,27). Hal ini berarti
bahwa distribusi pengeluaran di Indonesia secara keseluruhan dan di perkotaan
tergolong dalam ketimpangan sedang, sedangkan distribusi di pedesaan termasuk
ketimpangan rendah. Dilihat dari perkembangannya selama empat dekade terakhir ini,
koefisien Gini cenderung menurun atau ketimpangan berkurang di pedesaan,
sementara ketimpangan di perkotaan cenderung tidak berubah.

Gambar 1. Indonesia: Perkembangan koefisien gini , 1964-2002
(Sumber: BPS, serie data Susenas)
0.36
0.33
0.31 0.31
0.29
0.28
0.26
0.26
0.27
0.32
0.33
0.34 0.34
0.36
0.33 0.33
0.34
0.34
0.25
0.27
0.26
0.26
0.38
0.33 0.34
0.35
0.35
0.33
0.34
0.32
0.35
0.34
0.33
0.32
0.2
0.22
0.24
0.26
0.28
0.3
0.32
0.34
0.36
0.38
0.4
1964 1969 1976 1978 1980 1981 1984 1987 1990 1993 1996 1998 1999 2002 2003
K
o
e
f
i
s
i
e
n

G
i
n
i
Perkotaan Pedesaan Indonesia


3
Di antara kedua nilai ekstrim tersebut, distribusi pengeluaran dapat digolongkan sebagai ketimpangan
rendah (less inequality) bila koefisien di bawah 0,35, sebagai ketimpangan sedang (medium inequality)
jika koefisien berkisar antara 0,35 dan 0,50, dan sebagai ketimpangan tinggi (high inequality) jika
koefisien di atas 0,50.
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
7

Distribusi pengeluaran dalam suatu grafik juga berguna untuk melihat pola
kemiringan distribusi sesuai dengan kecenderungan pengelompokan penduduk
menurut kelas-kelas pengeluaran. Gambar 2 mengilustrasikan distribusi dengan
kemiringan ke arah kanan, yang berarti sebagian besar penduduk Indonesia
mengelompok di kelas-kelas pengeluaran bawah. Ketika garis kemiskinan diterapkan
dengan memotong distribusi tersebut, maka bagian sebelah kiri garis potong
tergolong sebagai penduduk miskin absolut. Lebih menarik, Gambar 2 juga
menunjukkan adanya sejumlah besar penduduk Indonesia yang berada di beberapa
kelas pengeluaran di atas garis kemiskinan. Kelompok penduduk ini tentunya sangat
rentan terhadap resiko untuk jatuh miskin, ketika garis kemiskinan bergeser ke arah
kanan atau nilainya meningkat sejalan dengan kenaikan harga-harga karena gejolak
ekonomi, seperti krisis moneter tahun 1997 yang lalu.



Secara proporsional, potensi kelompok ‘near poor’ ini lebih besar di pedesaan
daripada di perkotaan. Data distribusi pengeluaran dari SUSENAS 2002 menunjukkan
bahwa jumlah penduduk pedesaan di kelompok pengeluaran antara Rp. 100.000-
120.000/b/k, atau sekelas di atas kisaran garis kemiskinan pedesaan sebesar Rp.
80.000-100.000/b/k, adalah sekitar 19,2 juta orang atau 17% dari total penduduk
pedesaan Indonesia. Angka ini jauh lebih tinggi dibandingkan dengan jumlah
penduduk kota di kelas antara Rp. 140.000-160.000/b/k, atau sekelas di atas kisaran
garis kemiskinan perkotaan sebesar Rp. 120.000-140.000/b/k, yang mencapai sekitar
8,1 juta orang atau 9% dari total penduduk perkotaan Indonesia. Sebagian dari
kelompok penduduk ini tentunya berpotensi untuk mengalami episode kemiskinan,
yaitu masuk ke-dan-keluar dari jurang kemiskinan. Mengingat standar hidupnya
sedikit di atas ambang kemiskinan, status kesejahteraan mereka relatif mudah
berubah, yaitu miskin atau tidak miskin, atau sensitif terhadap fluktuasi dan gejolak
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
8
drastis yang langsung mengganggu kehidupan ekonomi keluarganya, seperti krismon,
bencana alam, kematian pencari nafkah. Pemahaman tentang besarnya penduduk
‘near poor’ ini tentunya sangat bermanfaat sebagai bahan pertimbangan dalam
kebijakan pengentasan kemiskinan di suatu wilayah. Besar-kecilnya angka kemiskinan
karena sensitivitas distribusi pengeluaran konsumsi terhadap perubahan standar
hidup (garis kemiskinan) di Indonesia ini juga pernah dibahas oleh Ravallion dan
Huppi (1991) dengan menggunakan perbandingan data Susenas 1984 dan 1987.

3) Kajian tentang karakteristik kemiskinan

Kajian deskriptif ini dapat menunjukkan perbandingan angka kemiskinan antara
kategori-kategori atau klasifikasi dalam setiap indikator atau karakteristik yang diteliti.
Misalnya indikator ukuran keluarga, tingkat kemiskinan di antara rumahtangga
dengan ukuran kecil cenderung lebih rendah daripada rumahtangga dengan ukuran
besar. Seperti yang ditunjukkan pada Tabel 3, tingkat kemiskinan tertinggi dialami
oleh rumahtangga berukuran besar di Indonesia yaitu sekitar 27,7% pada tahun 2002.
Angka ini jauh lebih tinggi daripada angka kemiskinan di antara keluarga kecil
berukuran 4-5 orang dan 3 orang atau kurang, yang masing-masing hanya mencapai
sekitar 14,6% dan 5,8%. Dilihat dari distribusinya, sebagian besar rumahtangga miskin,
atau sekitar 47% dari total, adalah rumahtangga berukuran 4-5 orang. Pola insiden
dan distribusi kemiskinan tingkat nasional ini juga serupa dengan pola di perkotaan
dan pedesaan, tetapi dengan angka kemiskinan yang lebih tinggi di pedesaan
khususnya untuk rumahtangga berukuran besar.

Interpretasi serupa juga berlaku untuk membandingkan tingkat kemiskinan antar
kategori-kategori pada karakteristik-karakteristik lainnya. Secara ringkas, Tabel 3
memastikan temuan-temuan atau dugaan sebelumnya bahwa kemiskinan cenderung
tinggi di antara rumahtangga dengan KRT berpendidikan SD atau kurang, yaitu
dengan tingkat kemiskinan sekitar 35,3% dan jumlah mereka mencakup 81,6% dari
total rumahtangga miskin. Kemiskinan juga tinggi di antara rumahtangga dengan
sumber penghasilan utama dari pertanian, yaitu mencapai tingkat sebesar 40,5% dan
jumlahnya meliputi 55,8% dari total miskin. Selain itu, tingkat kemiskinan juga
ditemukan relatif tinggi di antara rumahtangga yang punya anak putus sekolah,
tinggal di rumah berlantai tanah, tanpa listrik, dan tanpa akses terhadap air bersih dan
sanitasi. Temuan serupa tentang karakteristik kemiskinan juga diungkapkan oleh
studi-studi lain sebelumnya di Indonesia (Pradhan et.al., 2000; World Bank, 2001; BPS
and UNDP, 1999; Irawan dan Romdiati, 2000).

Lebih menarik lagi, evaluasi tentang pemilikan dan penggunaan kartu sehat
dapat digunakan untuk melihat efektivitas dari salah satu program kemiskinan di
bidang kesehatan. Tabel 3 melaporkan bahwa tingkat kemiskinan di antara
rumahtangga yang mengaku punya kartu sehat, baik yang pernah digunakan tanpa
maupun dengan biaya dan yang tidak pernah digunakan, adalah sekitar 22%. Ini
berarti 78% sisanya adalah rumahtangga yang punya kartu sehat tetapi tidak
tergolong miskin. Tingkat kemiskinan di antara rumahtangga yang melaporkan tidak
punya kartu sehat adalah sekitar 11,6%. Tetapi dilihat dari distribusinya, rumahtangga
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
9
miskin yang tidak punya kartu sehat ini justeru meliputi lebih tiga-perempat dari total
rumahtangga miskin di seluruh Indonesia pada tahun 2002. Artinya, program kartu
sehat hanya mampu mencakup sekitar seperempat dari seluruh rumahtangga miskin
yang ada. Bahkan efektivitas dari program tersebut masih rendah karena terdapat
hanya sekitar 19%, atau 332.920 dari total 1.759.213 rumahtangga miskin yang punya
kartu sehat, mengaku telah pernah menggunakan kartu tersebut untuk berobat tetapi
tetap harus mengeluarkan biaya.

Tabel 3. Indonesia: Karakteristik rumahtangga miskin, 2002.

Perkotaan Pedesaan Indonesia
Ruta miskin di % Distribusi Ruta miskin di % Distribusi Ruta miskin di % Distribusi
Karakteristik/indikator setiap kategori ruta miskin di setiap kategori ruta miskin di setiap kategori ruta miskin di
indikator setiap kategori indikator setiap kategori indikator setiap kategori
Jumlah % thd total miskin Jumlah % thd total miskin Jumlah % thd total miskin
1. Ukuran keluarga:
a. ≤ 3 orang 399898 4.2 17.8 965691 6.9 19.4 1365589 5.8 18.9
c. 4-5 orang 1028231 10.3 45.8 2331270 17.9 46.7 3359501 14.6 46.5
d. ≥ 6 orang 816157 20.2 36.4 1690982 33.7 33.9 2507139 27.7 34.7
2. Tingkat pendidikan KRT:
a. Kurang dari SD 821490 19.5 36.6 2343831 19.9 47.0 3165321 19.7 43.8
c. SD 813566 14.2 36.3 1918534 16.3 38.5 2732100 15.6 37.8
d. SLTP 309036 7.9 13.8 458560 11.3 9.2 767596 9.6 10.6
e. SLTA + 300194 3.2 13.4 267018 7.1 5.4 567212 4.3 7.8
3. Ada anak putus sekolah:
a. Tidak ada 88638 4.4 19.1 136943 6.4 24.7 225581 5.4 22.1
b. ada 374834 12.4 80.9 418598 13.9 75.4 793432 13.2 77.9
4. Jenis lantai:
a. Bukan tanah 1836910 8.4 81.9 3281907 13.2 65.8 5118817 11.0 70.8
b. Tanah 407376 26.1 18.2 1706036 25.4 34.2 2113412 25.5 29.2
5. Sumber utama air minum:
a. Air bersih dan aman (leding dsj) 1880599 8.8 83.8 3141411 14.4 63.0 5022010 11.6 69.4
b. Sumber lainnya 363687 18.6 16.2 1846532 19.1 37.0 2210219 19.0 30.6
6. Akses ke sanitasi (toilet):
a. Punya 1451424 7.2 64.7 2564808 13.0 51.4 4016232 10.1 55.5
b. Tidak punya 792862 24.8 35.3 2423135 20.5 48.6 3215997 21.5 44.5
7. Sumber penghasilan utama rumahtangga:
a. Pertanian, berusaha sendiri 386702 20.5 19.9 2799791 18.7 61.0 3186493 18.9 48.8
b. Pertanian, buruh 274231 26.7 14.1 833526 20.4 18.2 1107757 21.6 17.0
c. Industri, buruh 155913 5.7 8.0 87421 9.5 1.9 243334 6.7 3.7
d. Perdagangan 180518 14.3 9.3 145811 13.7 3.2 326329 14.0 5.0
e. Jasa-jasa 139178 4.7 7.2 110372 7.2 2.4 249550 5.5 3.8
f. Lainnya 488454 8.9 25.2 346545 9.1 7.6 834999 9.0 12.8
8. Pemilikan dan penggunaan kartu sehat untuk berobat:
a. Punya, digunakan tanpa biaya 275380 21.0 12.3 639867 24.2 12.8 915247 23.2 12.7
b. Punya, digunakan dg biaya 100374 18.1 4.5 232546 23.9 4.7 332920 21.8 4.6
c. Punya, tidak pernah digunakan 163468 21.4 7.3 347578 21.5 7.0 511046 21.5 7.1
d. Tidak punya 1705064 8.2 76.0 3767952 14.3 75.5 5473016 11.6 75.7
Seluruh rumahtangga miskin 2244286 9.6 100.0 4987943 15.8 100.0 7232229 13.2 100.0
Sumber: BPS, Susenas Kor 2002.
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
10
4) Pola konsumsi rumahtangga

Kajian tentang pola konsumsi rumahtangga berguna untuk melihat komposisi
belanja rutin rumahtangga selama sebulan sebelum waktu survei. Kajian sederhana ini
juga dapat memperlihatkan kecenderungan pengeluaran konsumsi rumahtangga
apakah lebih besar untuk kebutuhan makanan atau bukan makanan yang sesuai
dengan status kesejahteraannya. Dalam konteks masyarakat miskin Indonesia,
makanan secara umum identik dengan beras, atau di beberapa tempat dapat berupa
jenis makanan pokok lainnya seperti jagung, umbi-umbian. Dalam banyak kasus
khususnya di pedesaan Jawa, mampu untuk mengkonsumsi beras saja setiap hari,
tanpa lauk makanan berprotein, berarti mampu bertahan hidup (BPS and UNDP, 1999:
75).

Gambar 3. Indonesia: Komposisi pengeluaran bulanan per kapita
menurut kategori dan golongan pengeluaran, 2002
0.0
10.0
20.0
30.0
40.0
50.0
60.0
70.0
80.0
90.0
100.0
Kuintil 1 Kuintil 2 Kuintil 3 Kuintil4 Kuintil 5 Semua
Bukan Makanan lainnya
Pakaian
Kesehatan
Pendidikan
Bahan Perumahan
Bahan bakar
Makanan lainnya
Tembakau
Makanan jadi
Sayur2an, buah2an
Daging, ikan, telur, susu
Sereal lainnya
Beras

Sumber: BPS, Susenas Modul Konsumsi 2002.


Gambar 3 menunjukkan bahwa porsi belanja untuk konsumsi makanan dari
rumahtangga termiskin di kelompok pengeluaran 20% terbawah (kuintil 1) mencapai
sekitar 70% dari total belanja mereka. Porsi belanja makanan ini terus menurun untuk
kelompok-kelompok pengeluaran yang lebih tinggi, dan mencapai di bawah 50%
untuk kelompok terkaya pada kuintil 5. Begitu sebaliknya dengan porsi belanja untuk
kebutuhan bukan makanan, yang hanya mencapai sekitar 30% untuk kuintil 1 dan 51%
untuk kuintil 5. Perbedaan ini terutama terjadi pada belanja untuk kebutuhan bukan
makanan lainnya, seperti barang berharga dan elektronik, rekreasi, dan kebutuhan
tersier lainnya, khususnya secara menyolok dikonsumsi oleh kelompok terkaya kuintil
5.

Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
11
5) Kajian kemiskinan tingkat komunitas dan wilayah

Kajian kemiskinan tingkat komunitas atau wilayah secara kuantitatif dapat
dilakukan dengan beberapa cara. Cara pertama menggunakan pemetaan kemiskinan
(poverty mapping) melalui sensus lengkap secara langsung, atau model regresi untuk
estimasi angka kemiskinan di setiap wilayah (misalnya desa atau kecamatan)
berdasarkan gabungan beberapa sumber data sekunder, seperti sensus penduduk dan
survei-survei rumahtangga. Cara ini memungkinkan kita untuk memperoleh jumlah
dan persentase penduduk miskin sampai dengan tingkat wilayah desa/kelurahan.
Bahkan pemetaan kemiskinan melalui sensus, seperti yang telah dilakukan di Jawa
Timur, Kalimantan Selatan, DKI Jakarta dan NTT, juga pendaftaran keluarga oleh
BKKBN, memberikan informasi rinci tentang nama dan alamat keluarga miskin, yang
kemudian dapat digunakan sebagai dasar penentuan sasaran program bantuan.

Cara kedua mengidentifikasi kemiskinan atau ketertinggalan wilayah adalah
berdasarkan data sekunder tentang potensi desa. Dari hasil PODES, misalnya,
informasi yang diperoleh antara lain jumlah dan nama desa/kelurahan yang tergolong
miskin karena sebagian besar penduduknya miskin, atau kumuh dari aspek lingkungan
pemukiman penduduknya, atau tertinggal dari aspek pembangunan infrastruktur
dasar di suatu wilayah.

Tabel 4. Persentase Desa/Kelurahan menurut Insiden Kemiskinan (% Keluarga
Miskin) dan Jarak dari Kantor Desa ke Ibukota Kabupaten, 2003

Propinsi/% Keluarga Miskin
Jarak desa ke ibukota kabupaten (km)
Total < 25 km 25 - 49 km >= 50 km'
Lampung < 10
8.0 2.3 2,1 5.3
10 - 19,9 8.2 6.0 4.3 6.0
20 - 29,9 10.4 8.6 9.2 9.4
30 - 49,9
26,1 24.3 20,4 25.6
50 - 74,9
26,3 36.2 39,9 32.2
>= 75 17.0 22.6 24.1 21.5
Total 100.0 100.0 100.0 100.0
N 623 696 808 2,127

Jawa Barat < 10
11.8 7.9 4.3 9.2
10 - 19,9
15.0 11.8 10,3 13.8
20 - 29,9
17.0 15.5 15,0 16.8
30 - 49,9
32.1 30.8 29.2 31.2
50 - 74,9 18.7 25.6 30,1 22.4
>= 75 5.4 8.4 11,0 6.8
Total 100.0 100.0 100.0 100.0
N 2,781 1,964 1,012 5,757
Sumber: PODES 2003


Tabel 4 memberikan informasi tentang persentase desa/kelurahan menurut tingkat
kemiskinan keluarga dan jarak desa ke kabupaten/kota di Lampung dan Jawa Barat.
Sebagian besar desa di Lampung, yaitu 685 dari total 2127 desa (32,2%), tergolong
sebagai daerah miskin karena antara 50-74,9% dari seluruh rumahtangga dilaporkan
sebagai keluarga miskin. Bahkan sebanyak 458 desa , atau sekitar 21,5% dari total
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
12
desa, dilaporkan sebagai daerah sangat miskin karena lebih dari tiga-perempat
penduduknya dikategorikan miskin. Dibandingkan dengan di Jawa Barat, angka-angka
ini relatif lebih rendah, yaitu masing-masing sekitar 22,4% dan 6,8% dari total 5757
desa dengan proporsi keluarga miskin sebesar 50-74,9% dan 75% atau lebih.

Tabel 4 juga mengkonfirmasi adanya hubungan antara tingkat kemiskinan dan
faktor isolasi daerah, seperti yang diindikasikan oleh jarak dari kantor desa ke ibukota
kabupaten/kota. Jumlah desa dengan angka kemiskinan tinggi (>50%) cenderung
meningkat sejalan dengan semakin jauhnya jarak antara desa ke ibukota
kabupaten/kota. Di Lampung, misalnya, proporsi desa dengan 50-74,9% keluarga
miskin adalah masing-masing sekitar 26%, 36% dan 40% untuk desa yang berjarak
<25 km, 25-49 km dan 50 km atau lebih ke ibukoya kabupaten/kota. Angka yang
sama untuk Jawa Barat adalah sekitar 19%, 26% dan 30%. Hal ini berarti bahwa
semakin jauh jarak desa ke ibukota kabupaten/kota semakin besar kemungkinan desa
tersebut tergolong miskin.

Kajian tentang kemiskinan wilayah juga bisa ditinjau dari berbagai aspek
kewilayahan lainnya, seperti letak geografis (pantai dan bukan pantai), topografi
(dataran dan berbukit-bukit), status daerah (perkotaan dan pedesaan). Perbandingan
tingkat kemiskinan wilayah juga menarik untuk dikaji dengan melihat karakteristik
sosial-demografi, ketersediaan sarana atau infrastruktur dasar dan potensi ekonomi
desa, seperti jumlah penduduk, tingkat pendidikan sebagian besar penduduk,
ketersediaan fasilitas gedung sekolah dan fasilitas kesehatan, prasarana transportasi,
pasar, sumber penghidupan sebagian besar penduduk desa, dan lain-lain. Kajian
kemiskinan wilayah ini bermanfaat untuk melihat profil kemajuan pembangunan sosial
dan ekonomi di tingkat desa/kelurahan.

Lebih penting lagi, hasil kajian ini juga dapat digunakan untuk mengidentifikasi
desa-desa miskin dan tertinggal menurut tipologinya, sebagai dasar penentuan
sasaran dari berbagai kebijakan dan program pembangunan wilayah desa dan
kecamatan. Dengan mempertimbangkan tipologi kemiskinan wilayah yang berbeda,
hasil kajian ini tidak hanya memberikan informasi tentang jumlah desa/kelurahan
miskin yang semestinya dicakup dalam program bantuan, tetapi kajian juga
memungkinkan kita untuk mengembangkan program bantuan dengan fokus yang
lebih spesifik. Misalnya, program peningkatan prasarana dan sarana transportasi untuk
desa-desa miskin yang masih terisolir, program peningkatan sarana dan jaringan
pemasaran produksi (pasar, koperasi) untuk desa-desa miskin yang sebagian besar
penduduknya tergantung pada sektor pertanian untuk sumber penghidupannya.








Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
13
5. Kajian tentang Faktor-faktor Penyebab Kemiskinan

Kajian untuk mengidentifikasikan faktor-faktor penyebab (determinan)
kemiskinan di Indonesia masih belum banyak dimanfaatkan dalam proses
pengambilan kebijakan untuk menanggulangi kemiskinan. Hal ini paling tidak
berkaitan dengan dua alasan. Pertama adalah terbatasnya ketersediaan data dengan
cakupan sampel yang memadai, dan memuat informasi yang cukup komprehensif
tentang kemiskinan dan faktor-faktor penentunya. Susenas Kor tergolong satu-
satunya sumber data yang memadai untuk analisis determinan kemiskinan di
Indonesia, meskipun cakupan datanya terbatas bahkan untuk kajian tingkat
kabupaten/kota. Kedua adalah kompleksitas dari dinamika kemiskinan di negara
dengan keragaman sosial-budaya dan ekonomi seperti Indonesia. Di satu sisi, faktor-
faktor sosial dan ekonomi yang terukur, seperti ukuran keluarga, tingkat pendidikan,
pendapatan, status pekerjaan, akses terhadap air bersih, sanitasi dan listrik, serta
kualitas bangunan tempat tinggal memungkinkan untuk dihitung derajat hubungan
kausalnya dengan kemiskinan. Sebaliknya, faktor-faktor sosial-budaya seperti norma
tradisional yang berlaku di suatu komunitas tentang kebersamaan dalam hidup
senang dan susah (shared poverty), nilai ekonomi anak, modal sosial untuk
kesejahteraan bersama sangat sulit diukur dampaknya secara kuantitatif terhadap
perbedaan tingkat kemiskinan antar komunitas atau wilayah.

Modul ini terbatas untuk membahas kajian determinan kemiskinan secara
kuantitatif. Pada prinsipnya, kajian determinan kemiskinan dapat dibedakan atas dua
pendekatan. Pendekatan pertama adalah kajian tentang faktor-faktor yang
mempengaruhi atau menjelaskan adanya variasi (perbedaan) tingkat kemiskinan antar
sub-kelompok penduduk atau wilayah. Unit analisis dalam kajian untuk pendekatan
pertama ini adalah daerah, misalnya perbandingan antara kabupaten/kota di seluruh
Indonesia. Pendekatan kedua adalah analisis faktor-faktor penentu (determinan) yang
menyebabkan terjadinya kemiskinan rumahtangga atau individu. Dengan perkataan
lain, analisis determinan kemiskinan ini bertujuan untuk menelaah mengapa suatu
rumahtangga dikategorikan miskin. Unit analisisnya adalah rumahtangga-
rumahtangga atau individu-individu yang dicakup dalam observasi. Sedangkan
metode analisis yang digunakan untuk kedua pendekatan pada dasarnya tidak
berbeda, yaitu umumnya dengan analisis regresi ganda (multi-regression analysis)
baik secara linier maupun non-linier.

5.1. Analisis faktor-faktor yang berkaitan dengan kemiskinan: analisis dua peubah
(korelasi)

Sebelum mengaplikasikan analisis regresi ganda untuk mengidentifikasi faktor-
faktor determinan kemiskinan, analisis bi-variate perlu lebih dahulu dilakukan untuk
melihat arah dan derajat asosiasi antara tingkat kemiskinan dan berbagai indikator
sosial-ekonomi dari unit-unit analisis yang diteliti. Tabel 5 memberikan contoh
tentang arah dan derajat asosiasi dalam suatu matriks koefisien korelasi Pearson
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
14
antara tingkat kemiskinan dan 10 indikator sosial-ekonomi di 110 kabupaten/kota di
seluruh Jawa (lihat Tabel 8 untuk data lengkap).
4


Tabel 5. Matriks korelasi antara tingkat kemiskinan dan indikator sosial-ekonomi
lainnya di 110 kabupaten/kota, Pulau Jawa, 2002.


MISKIN IPM IFS UER FOOD P40 NOAIR NOFASKES BLGIZI TANAH NOTOILET

MISKIN - -0.70 0.80 -0.60 0.72 0.28 0.05 0.55 0.47 0.75 0.58
IPM - -0.75 0.41 -0.83 -0.80 -0.34 -0.71 -0.55 -0.56 -0.77
IFS - -0.57 0.81 0.38 0.20 0.69 0.33 0.64 0.56
UER - -0.34 -0.01 0.10 -0.27 -0.17 -0.58 -0.38
FOOD - 0.59 0.33 0.72 0.35 0.50 0.63
P40 - 0.41 0.52 0.43 0.10 0.60
NOAIR - 0.20 -0.05 -0.07 0.36
NOFASKES - 0.27 0.49 0.47
BLGIZI - 0.41 0.45
TANAH - 0.52
NOTOILET -

Catatan : MISKIN= % penduduk miskin; IPM= Indeks Pembangunan Manusia; IFS= % pekerja di sektor informal;
FOOD= % pengeluaran konsumsi makanana thd total; P40= % penduduk yang diharapkan bisa bertahan hidup
sampai dengan umur 40 tahun; NOAIR= % penduduk tanpa akses air bersih; NOFASKES= % penduduk tanpa
akses ke fasilitas kesehatan; BLGIZI= % balita bergizi buruk; TANAH= % rumahtangga tinggal di rumah ber-
lantai tanah; NOTOILIET= % penduduk tanpa akses ke toilet; UER= tingkat pengangguran terbuka.
Sumber : Data diolah dari BPS, Bappenas dan UNDP, Indonesia Laporan Pembangunan Manusia 2004.


Tingkat kemiskinan memiliki suatu hubungan positif yang kuat dengan
keberadaan sektor informal di kabupaten/kota di Jawa, yaitu dengan r= 0,8. Artinya,
semakin tinggi angka kemiskinan semakin tinggi pula persentase pekerja di sektor
informal. Hubungan positif yang kuat juga ditemukan antara angka kemiskinan
dengan persentase rumahtangga yang tinggal di rumah berlantai tanah (r= 0,75), dan
persentase pengeluaran rumahtangga untuk konsumsi makanan (r= 0,72). Suatu
hubungan kuat tetapi bersifat negatif ditemukan antara angka kemiskinan dan indeks
pembangunan manusia, yaitu dengan r= -0,7. Seperti yang diharapkan, hubungan ini
menunjukkan bahwa semakin tinggi angka kemiskinan semakin rendah indek
pembangunan manusia di suatu wilayah.

Insiden kemiskinan di wilayah Jawa juga dilaporkan mempunyai hubungan
positif yang sedang dengan persentase rumahtangga tanpa akses ke sanitasi (toilet)
dan fasilitas kesehatan, serta insiden balita dengan status gizi buruk. Sementara
derajat hubungan kemiskinan dengan P40, sebagai salah satu indikator kesehatan,
bersifat positif tetapi lemah (r= 0,28), hubungan kemiskinan dengan persentase
rumahtangga tanpa akses ke air bersih justeru praktis dapat diabaikan yaitu dengan
r= 0,05. Sebagai catatan, indikator-indikator yang mempunyai asosiasi kuat dengan
kemiskinan, seperti IFS, TANAH, FOOD dan IPM seringkali dapat dipastikan akan

4
Kekuatan hubungan dikatakan sebagai sempurna jika r = ± 1.0; sebagai kuat jika r antara ± 0.70 dan ± 0.99;
sebagai sedang atau moderat jika r antara ± 0.40 dan ± 0.69; sebagai lemah jika r antara ± 0.20 dan ± 0.39;
sebagai diabaikan (negligible) jika r antara ± 0.01 dan ± 0.19; dan sebagai tanpa ada asosiasi jika r = 0.
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
15
muncul sebagai peubah-peubah penentu terhadap perubahan pada angka kemiskinan
dalam analisis lanjutan regresi ganda.

Kajian dua peubah juga bisa dilakukan dengan menggambarkan scatter diagram
hubungan antara keduanya. Gambar 4 dan 5 menggambarkan sebaran nilai dari 110
kabupaten/kota di Jawa yang mengindikasikan pola hubungan antara kemiskinan dan
IPM dan keberadaan sektor informal. Kajian diagram sebar ini sangat sederhana tetapi
berguna untuk melihat kasus-kasus mana yang termasuk dalam trendline (best-fitted
model dari hubungan tersebut), dan mana yang menyimpang jauh dari trendline.


Gambar 4. Scatter Diagram Hhubungan antara IPM dan
Kemiskinan di 110 kab/kota di Jawa, 2002
r = -0,70
50.0
55.0
60.0
65.0
70.0
75.0
80.0
0.0 10.0 20.0 30.0 40.0
% Penduduk Miskin
I
P
M

Gambar 5. Scatter Diagram Hubungan antara Kemiskinan dan
% Perkerja Inf ormal di 110 kab/kota di Jawa, 2002
r = 0,80
20.0
30.0
40.0
50.0
60.0
70.0
80.0
90.0
0.0 10.0 20.0 30.0 40.0
% Penduduk Miskin
%

P
e
k
e
r
j
a

S
e
k
t
o
r

I
n
f
o
r
m
a
l



Analisis korelasi juga dapat diterapkan jika unit analisisnya adalah rumahtangga atau
individu. Satu hal yang perlu diingat bahwa semua peubah yang dicakup dalam
matriks korelasi harus diusahakan bersifat ordinal, di mana nilai atau kategorisasi
peubah berbentuk urutan dari nilai terendah sampai dengan tertinggi. Beberapa
contoh peubah dalam analisis korelasi kemiskinan pada tingkat individu: status
kesejahteraan (tidak miskin -0, miskin -1), kelompok pengeluaran rumahtangga
(<100.000, 100.000-199.999, 200.000-299.999, 300.000-399.999, 400.000-499.999 dst),
ukuran keluarga (≤2, 3, 4-5, ≥6), tingkat pendidikan (<SD -0, SD -1, SLTP -2, SLTA+ -
3), dan sebagainya.

5.2. Analisis faktor-faktor penyebab kemiskinan: analisis peubah ganda (regresi ganda)

Kajian dua peubah dengan korelasi terbatas manfaatnya karena hasilnya hanya
menunjukkan arah dan derajat hubungan antara kemiskinan dengan satu karakteristik
tertentu pada suatu waktu tertentu pula. Akan tetapi, kajian ini tidak
mempertimbangkan kompleksitas faktor-faktor yang menyebabkan kemiskinan. Perlu
dicatat bahwa korelasi adalah hubungan antara dua faktor, tetapi tidak selalu berarti
bahwa faktor yang satu menyebabkan perubahan atas faktor yang lainnya (causality).
Oleh karena itu, analisis regresi ganda diterapkan untuk mengidentifikasi faktor-faktor
determinan yang secara statistik mempengaruhi kemiskinan.

Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
16
Berikut ini adalah simulasi data untuk mengkaji faktor-faktor utama yang
mempengaruhi atau menjelaskan adanya perbedaan tingkat kemiskinan antara
wilayah dengan mengaplikasikan metode analisis regresi ganda linier. Dengan
mengambil contoh pada pendekatan pertama di atas, tingkat kemiskinan di 110
distrik didefinisikan sebagai peubah tidak bebas (dependent variable), yaitu peubah
yang perubahan nilainya akan diprediksi oleh beberapa peubah lain atau disebut
peubah bebas (independent variables). Dari 10 peubah bebas yang dimasukkan
dalam model regresi dengan metode stepwise, hanya 5 peubah bebas yang mampu
menjelaskan variasi dan perubahan pada angka kemiskinan, yaitu IFS, TANAH, BLGIZI,
FOOD dan UER.

Tabel “Model Summary” di bawah ini melaporkan bahwa kelima peubah secara
bersama-sama mampu menjelaskan variasi angka kemiskinan sebesar 78,3%. Dengan
perkataan lain, hanya sekitar 22,7% dari total variasi regional pada angka kemiskinan
tidak dapat dijelaskan oleh model regresi. Sementara itu, dari kelima prediktor, IFS
memberikan kontribusi terbesar dalam menjelaskan variasi pada angka kemiskinan
yaitu sebesar 64,3%. Kontributor selanjutnya adalah peubah TANAH (9,4%), BLGIZI
(2%), FOOD (1,1%) dan UER (1,5%).



Model regresi yang dihasilkan untuk melihat hubungan kausal antara
kemiskinan dan kelima prediktornya dapat diperoleh dengan memasukkan nilai
konstan dan koefisien beta berdasarkan Model 5 pada Tabel ‘Coefficients’ di bawah
ini:

MISKIN= -7,747 + 0,127 IFS + 0,133 TANAH + 0,160 BLGIZI + 0,263 FOOD – 0,377 UER

Model Summary
.802
a
.643 .639 5.1152 .643 194.128 1 108 .000
.858
b
.736 .731 4.4136 .094 38.065 1 107 .000
.870
c
.757 .750 4.2588 .020 8.919 1 106 .004
.876
d
.768 .759 4.1811 .011 4.974 1 105 .028
.885
e
.783 .772 4.0632 .015 7.184 1 104 .009
Model
1
2
3
4
5
R R Square
Adj usted
R Square
Std. Error of
the Esti mate
R Square
Change F Change df1 df2 Si g. F Change
Change Statisti cs
Predi ctors: (Constant), IFS
a.
Predi ctors: (Constant), IFS, TANAH
b.
Predi ctors: (Constant), IFS, TANAH, BLGIZI
c.
Predi ctors: (Constant), IFS, TANAH, BLGIZI, FOOD
d.
Predi ctors: (Constant), IFS, TANAH, BLGIZI, FOOD, UER
e.
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
17
Coeffi ci ents
a
-3.379 1.663 -2.031 .045
.368 .026 .802 13.933 .000 1.000 1.000
-.212 1.524 -.139 .889
.249 .030 .544 8.378 .000 .585 1.709
.178 .029 .400 6.170 .000 .585 1.709
-3.111 1.762 -1.766 .080
.241 .029 .526 8.361 .000 .580 1.724
.155 .029 .348 5.355 .000 .543 1.842
.168 .056 .157 2.986 .004 .829 1.207
-10.955 3.919 -2.795 .006
.173 .042 .378 4.175 .000 .270 3.710
.160 .029 .360 5.621 .000 .539 1.855
.148 .056 .138 2.637 .010 .806 1.240
.204 .091 .181 2.230 .028 .336 2.977
-7.747 3.993 -1.940 .055
.127 .044 .278 2.902 .005 .228 4.383
.133 .030 .297 4.475 .000 .473 2.116
.160 .055 .150 2.929 .004 .801 1.249
.263 .092 .234 2.876 .005 .316 3.163
-.377 .141 -.165 -2.680 .009 .551 1.813
(Constant)
IFS
(Constant)
IFS
TANAH
(Constant)
IFS
TANAH
BLGIZI
(Constant)
IFS
TANAH
BLGIZI
FOOD
(Constant)
IFS
TANAH
BLGIZI
FOOD
UER
Model
1
2
3
4
5
B St d. Error
Unstandardized
Coef f icients
Beta
St andardi
zed
Coef f icien
ts
t Sig. Tolerance VI F
Collinearity Statistics
Dependent Variable: MISKI N
a.


Model regresi ini mengkuantifikasi seberapa besar perubahan pada kelima
peubah bebas, baik masing-masing secara eksklusif maupun secara gabungan, dapat
mempengaruhi atau memprediksi perubahan pada peubah tidak bebas ‘MISKIN’.
Contoh interpretasi sederhana dari model regresi ini, misalnya, menggunakan simulasi
data dari Kabupaten Cilacap tahun 2002. Jika persentase pekerja sektor informal (IFS)=
79,3%, persentase rumahtangga tinggal di rumah berlantai tanah (TANAH)= 30,2%,
persentase balita bergizi buruk (BLGIZI)= 28%, persentase pengeluaran makanan
(FOOD)= 60,6%, dan tingkat pengangguran terbuka (UER)= 12,1%, maka angka atau
persentase penduduk miskin (MISKIN)= 22,2%. Angka kemiskinan dari penghitungan
model ini tidak jauh berbeda dengan angka estimasi sebenarnya dari SUSENAS, yaitu
sebesar 22,1%.

Namun begitu perlu dicatat bahwa nilai peubah tidak bebas yang diprediksi
oleh model regresi tidak selalu mendekati dengan nilai estimasi sesungguhnya. Model
regresi dihitung berdasarkan pola sebaran hubungan antara peubah tidak bebas dan
peubah-peubah prediktornya. Oleh karena itu, penghitungan ini menghasilkan suatu
model yang paling cocok (best-fitted model) dengan pola sebaran data tersebut.
Sebagai konsekuensinya, hanya sebagian kasus akan mempunyai nilai model yang
mendekati dengan nilai estimasi survei, sedangkan sebagian kasus-kasus yang lain
memiliki nilai-nilai model yang menyimpang dari nilai estimasinya.

Terlepas dari simulasi model regresi linier yang membandingkan dengan nilai
estimasi, model ini juga dapat dimanfaatkan untuk prediksi angka kemiskinan
berdasarkan berbagai skenario tentang nilai-nilai prediktor terpilih yang diharapkan
dalam suatu kebijakan penanggulangan kemiskinan. Misalnya dari contoh simulasi
data Kabupaten Cilacap di atas, upaya untuk menurunkan kemiskinan difokuskan pada
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
18
peningkatan gizi balita, yaitu dengan target penurunan persentase balita bergizi buruk
dari 28% menjadi 15%. Sementara itu, angka-angka untuk prediktor lainnya dianggap
tidak berubah. Dengan mengaplikasikan model regresi di atas, maka jika program
peningkatan gizi balita berhasil angka kemiskinan diharapkan turun dari 22,2%
menjadi 20,1%.

Kajian determinan kemiskinan juga biasanya dilakukan dengan
mengaplikasikan model-model pilihan diskrit (discrete choice models), antara lain
dengan metode analisis regresi logit atau probit (Deaton, 1987 dan 1990; Ravallion,
1996). Prinsip dasar dari model ini menggunakan bentuk variabel biner yang
membedakan dua situasi atau kategori secara eksklusif terpisah: ‘miskin’ dengan nilai
1 dan ‘tidak miskin’ dengan nilai 0. Model regresi logit atau probit bertujuan untuk
mengkonstruksi profil kemiskinan dalam suatu bentuk regresi dari status kemiskinan
terhadap berbagai karakteristik sosio-demografi dan ekonomi rumahtangga. Status
kemiskinan (miskin dan tidak miskin) didefinisikan sebagai peubah tidak bebas yang
akan diprediksi oleh karakteristik-karakteristik rumahtangga sebagai peubah-peubah
bebas.

Tabel 6. Determinan kemiskinan berdasarkan nilai estimasi pengaruh acak Logit di
antara rumahtangga perkotaan dan pedesaan Lampung, 2002.

Peubah Perkotaan Pedesaan
* Intercept -4,87 (-4,4) -3,95 (-4,7)
* KRT dg pendidikan tamat SD atau kurang -0,66 (-3,7) -0,46 (-3,4)
* KRT dg pendidikan tamat SLTP -1,35 (-4,6) -1,18 (-4,7)
* KRT dg pendidikan tamat SLTA+ -1,40 (-4,2) -1,22 (-4,4)
* KRT perempuan 0,98 (3,49) 0,01 (0,05)
* KRT penganggur 0,44 (2,1) 0,09 (0,06)
* KRT bekerja 35 jam/minggu & masih mencari kerja 1,12 (3,5) 1,24 (3,7)
* KRT pekerja bebas 1,08 (3,1) 1,15 (3,1)
* KRT berusaha sendiri 0,93 (2,8) 1,02 (2,9)
* KRT buruh/karyawan -0,23 (-1,3) -0,20 (-1,0)
* KRT pertanian 0,87 (2,91) 1,11 (3,1)
* Rumah berlantai tanah 1,21 (3,5) 0,90 (2,8)
* Penerangan bukan listrik 1,07 (3,0) 0,68 (1,2)
* Tanpa akses ke air bersih 0,75 (2,8) 0,66 (1,1)
Catatan: Nilai dalam kurung adalah nilai statistik t
Sumber: BPS, Susenas Kor 2002 (sub-sampel Lampung).

Tabel 6 mensimulasikan determinan kemiskinan rumahtangga dilihat dari nilai
estimasi pengaruh acak Logit di Propinsi Lampung pada tahun 2002. Tabel ini
melaporkan bahwa tingkat pendidikan yang ditamatkan oleh kepala rumahtangga
mempunyai kemampuan memprediksi status kemiskinan yang relatif kuat, seperti
yang diindikasikan oleh berkurangnya nilai pengaruh acak Logit dari tingkat
pendidikan SD atau kurang sampai dengan SLTA+. Akan tetapi, pendidikan
memainkan peran yang berbeda dalam mempengaruhi status kemiskinan antara di
perkotaan dan pedesaan Lampung. Pendidikan agaknya memiliki kemampuan
memprediksi kemiskinan relatih lebih kuat di antara rumahtangga yang tinggal di
perkotaan daripada di pedesaan, mengindikasikan pentingnya pendidikan dalam
pasar kerja yang lebih formal dan berupah di kota. Rumahtangga yang dikepalai
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
19
perempuan juga mampu memprediksi status kemiskinan secara signifikan, khususnya
di perkotaan.

Lebih jauh Tabel 6 juga menunjukkan bahwa kepala rumahtangga penganggur
kurang dapat memprediksi status kemiskinan relatif dibandingkan dengan mereka
yang tergolong sebagai setengah pengangguran, sebagaimana diindikasikan oleh
kepala rumahtangga yang bekerja kurang dari 35 jam/minggu dan masih mencari
pekerjaan. Pola ini terjadi baik di perkotaan maupun di pedesaan Lampung. Di
pedesaan Lampung, seperti yang diharapkan, rumahtangga yang bergantung pada
pertanian berkaitan erat dengan status kemiskinan. Dalam kaitannya dengan kondisi
rumah dan akses terhadap fasilitas dasar, Tabel 6 memastikan peranan peubah
rumahtangga yang tinggal di rumah berlantai tanah, tanpa akses terhadak
penerangan listrik dan air bersih dalam mempengaruhi status kemiskinan baik di
perkotaan maupun pedesaan Lampung. Walaupun begitu, pengaruh peubah-peubah
prediktor ini lebih kuat di kota daripada di desa.

Kemudian, Tabel 7 mempertegas temuan-temuan di atas. Kemungkinan suatu
rumahtangga untuk dikategorikan miskin relatif lebih tinggi jika rumahtangga
tersebut dikepalai oleh perempuan (dengan probabilita sekitar 12,4%) daripada jika
dikepalai laki-laki (9,5%) di daerah perkotaan Lampung. Sementara angka probabilita
ini ditemukan lebih tinggi di pedesaan Lampung, praktis tidak ada perbedaan jender
kepala rumahtangga terhadap kemungkinan terjadinya kemiskinan.

Tabel 7. Probabilita terjadinya kemiskinan rumahtangga menurut beberapa kondisi
sosial-ekonomi rumahtangga di Lampung, 2002, Model Logistik.

Perkotaan Pedesaan
1. Jenis kelamin KRT:
* Laki-laki 0,095 0,27
* Perempuan 0,124 0,28
2. Pendidikan KRT:
* <SD 0,42 0,33
* SD 0,38 0,31
* SLTP 0,19 0,10
* SLTA+ 0,11 0,09
3. Status pekerjaan:
* Bekerja <35 jam/minggu & masih mencari kerja 0,41 0,56
* Berusaha sendiri 0,35 0,48
* Pertanian 0,21 0,52
4. Kondisi rumah:
* Berlantai tanah 0,36 0,21
* Tanpa akses ke air bersih 0,28 0,17
* Tanpa akses ke sanitasi (toilet) 0,34 0,21


Tabel 7 juga mengkonfirmasi tentang pentingnya pendidikan dalam
menentukan terjadinya insiden kemiskinan di suatu rumahtangga. Probabilita
kemiskinan turun sejalan dengan meningkatnya pendidikan kepala rumahtangga. Di
perkotaan, bila kepala rumahtangga hanya berpendidikan kurang dari SD, maka
probabilita rumahtangganya tergolong miskin adalah sebesar 42%. Tetapi ketika dia
berpendidikan lebih tinggi yaitu SD, SLTP dan SLTA+, maka probabilita untuk menjadi
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
20
miskin menurun masing-masing sebesar 38%, 19% dan 11%. Pengaruh ini
bagaimanapun sedikit berkurang di daerah pedesaan. Probabilita kemiskinan
rumahtangga juga ditemukan cukup signifikan di antara rumahtangga dengan KRT
setengah pengangguran, berusaha sendiri dan di sektor pertanian, khususnya di
pedesaan. Selain itu, Tabel 7 juga melaporkan bahwa kondisi rumah berlantai tanah,
tanpa akses ke sanitasi dan air bersih juga memberikan probabilita sekitar 30% untuk
terjadinya insiden kemiskinan, khususnya di perkotaan Lampung.


6. Penutup

Modul “Analisis Faktor-faktor Penyebab Kemiskinan, Suatu Pendekatan
Kuantitatif” ini diharapkan dapat menjembatani antara teori-konsep dan aplikasi untuk
memahami determinan kemiskinan dalam konteks negara sedang berkembang,
seperti Indonesia. Pemahaman teori dan konsep kemiskinan sangat penting untuk
memberikan dasar dalam mengkonseptualisasikan proses berfikir deduksi ke arah
pemahaman masalah-masalah atau kenyataan empirik di lapangan. Bagaimana
menginterpretasikan konsep tersebut dalam suatu aplikasi yang operasional
diharapkan dapat dipenuhi dalam penjelasan modul ini.

Oleh karena itu, penyusunan modul ini dibuat secara sistematis dan mudah
dimengerti bagi peneliti dan mereka yang terlibat dalam proses kebijakan publik,
khususnya di tingkat daerah. Modul ini mencoba untuk memberikan prinsip-prinsip
dasar dalam kajian kuantitatif tentang kemiskinan dengan memfokuskan pada ilustrasi
data, simulasi model, interpretasi temuan dan pemanfaatan hasil kajian. Walaupun
begitu, modul ini masih mempunyai beberapa kekurangan, khususnya dari aspek
substansi dan sistematika penulisan. Oleh karena itu, berbagai masukan konstruktif
dari berbagai pihak diharapkan untuk bahan penyempurnaan modul ini.
Catatan Puguh B Irawan, Jakarta, 01.05.2005

Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
21

Referensi:

BPS and UNDP (1999) Crisis, Poverty and Human Development in Indonesia 1998, Jakarta:
BPS.

BPS, Bappenas and UNDP (2004) Indonesia Human Development Report 2004, Jakarta:
BPS.

Deaton, A. (1987) ‘Estimation of own- and cross-price elasticities from household survey data’
Journal of Econometrics, Vol. 36: 7-30.

Deaton, A. (1990) ‘Price elasticities from survey Indonesian results’ Journal of Econometrics,
Vol. 44: 281-309.

Irawan, Puguh B dan Haning Romdiati (2000) Dampak Krisis Ekonomi terhadap
Kemiskinan dan Beberapa Implikasinya untuk Strategi Pembangunan, Widyakarya
Nasional Pangan dan Gizi VII, Jakarta: LIPI.

Irawan, Puguh B and Silvia Irawan (2005) Poverty and Environment Nexus in Indonesia,
With a Special Reference to Livelihood and Environmental Health Dimensions Using a
Right-Based Approach, Jakarta: Ministry of Environment (KLH) and UNDP.

Pradhan, Menno, A. Suryahadi, S. Sumarto and L. Pritchett (2000) Measurements of Poverty
in Indonesia: 1996, 1999 and Beyond, SMERU Working Paper.

Ravallion, Martin (1996) “Issues in measuring and modelling poverty’ Economic Journal, Vol.
106: 1328-1343.

Ravallion, Martin and Monika Huppi (1991) ‘Measuring Changes in Poverty: A Methodological
Case Study of Indonesia during an Adjustment Period’ The Worl Bank Economic
Review, Volume 5, Number 1, pp. 57-84.

World Bank (2001) Poverty Reduction in Indonesia: Constructing a New Strategy, Report
No. 23038-IND, Jakarta: The World Bank.




















Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
22
Tabel 8. IPM dan Beberapa Indikator Sosial-Ekonomi di Kabupaten/Kota di Pulau Jawa, 2002
IPM Miskin IFS UER FOOD P40 NoAir NoFaskes BLGizi Tanah NoToilet Model
71. Jakarta Selatan 75.7 2.6 24.6 12.4 34.8 7.4 58.2 2.9 12.3 0.9 0.4 1.9
72. Jakarta Timur 76.0 2.8 22.7 18.0 40.9 6.5 44.6 6.8 21.2 0.9 0.1 2.6
73. Jakarta Pusat 74.8 3.5 28.6 14.5 35.5 8.5 14.7 0.7 23.1 1.1 0.5 3.6
74. Jakarta Barat 75.0 4.0 24.0 11.6 42.0 6.8 17.1 2.7 30.3 1.8 0.8 7.1
75. Jakarta Utara 75.1 4.7 26.7 12.1 47.4 6.9 2.3 1.5 32.2 1.3 4.4 8.9
01. Bogor 65.6 12.5 54.9 13.3 62.8 15.1 55.9 15.2 20.7 5.7 15.8 14.8
02. Sukabumi 63.8 17.0 65.7 11.1 68.8 20.6 50.1 32.8 16.2 5.2 24.2 17.8
03. Cianjur 64.5 18.5 78.9 8.4 69.2 18.6 57.9 38.5 17.8 1.8 13.8 20.4
04. Bandung 68.8 12.5 45.1 15.5 59.1 14.0 61.2 20.1 24.8 2.1 8.1 11.9
05. Garut 62.8 15.4 69.3 11.1 66.7 26.0 59.2 28.1 20.0 3.3 15.1 18.0
06. Tasik Malaya 67.1 16.2 67.6 12.0 64.8 15.2 63.6 29.7 24.8 1.1 9.8 17.5
07. Ciamis 65.3 16.2 77.7 8.4 65.1 18.8 55.1 16.0 19.7 9.4 19.5 20.5
08. Kuningan 65.0 20.4 73.8 10.4 68.2 17.0 60.0 19.0 15.0 6.5 19.2 18.9
09. Cirebon 62.4 19.6 75.1 11.5 68.5 20.0 57.0 19.8 31.6 10.2 35.4 21.9
10. Majalengka 64.4 18.9 67.8 9.2 66.1 19.6 48.8 14.3 26.3 2.3 16.0 19.3
11. Sumedang 67.5 14.4 69.1 12.4 62.2 14.2 42.6 29.1 16.2 1.7 16.1 15.5
12. Indramayu 61.2 18.7 74.6 9.3 65.5 19.3 57.5 25.8 27.8 22.0 34.8 22.8
13. Subang 63.0 16.6 80.4 9.7 68.1 16.0 58.3 24.8 21.4 14.4 28.9 22.1
14. Purwakarta 65.6 14.0 56.0 10.4 65.8 18.7 39.7 33.6 16.0 3.5 12.9 15.8
15. Karawang 62.9 14.6 59.0 15.2 64.9 20.9 65.4 31.7 25.4 31.1 38.3 19.3
16. Bekasi 66.9 6.6 43.8 13.8 56.8 13.7 36.9 11.1 20.4 20.6 11.2 13.5
71. Bogor 71.9 7.3 30.4 15.2 56.2 12.2 46.5 9.6 7.4 0.9 12.9 6.5
72. Sukabumi 69.2 8.3 40.2 23.1 61.5 15.1 35.0 25.2 12.8 3.4 3.1 7.4
73. Bandung 73.0 3.5 35.0 15.0 48.1 11.0 32.7 3.7 18.0 1.4 2.1 6.7
74. Cirebon 69.2 9.0 45.5 15.8 57.3 12.8 22.1 25.7 29.2 3.5 2.0 12.3
75. Bekasi 72.8 3.7 26.5 14.7 48.8 12.0 43.9 1.1 32.1 2.8 5.6 8.4
76. Depok 73.9 5.6 27.8 16.4 54.6 7.3 46.2 8.5 9.6 2.3 2.1 5.8
01. Cilacap 65.3 22.1 79.3 12.1 60.6 12.5 46.0 23.1 28.0 30.2 23.7 22.2
02. Banyumas 66.7 22.9 68.4 7.8 60.8 11.3 40.5 25.3 22.2 30.9 41.2 21.6
03. Purbalingga 65.0 32.5 73.5 7.4 66.2 12.7 30.1 28.9 27.6 34.2 53.9 25.2
04. Banjarnegara 63.7 30.3 78.5 7.8 67.8 12.5 49.7 20.9 20.8 38.3 26.3 25.5
05. Kebumen 65.6 31.7 72.1 10.3 66.8 12.8 54.1 28.4 19.0 31.5 33.7 22.3
06. Purworejo 68.4 24.9 71.9 5.2 59.9 12.2 41.4 19.7 21.3 23.7 23.9 21.7
07. Wonosobo 64.7 33.8 77.8 5.0 68.9 11.5 27.6 48.2 23.7 38.7 18.4 27.3
08. Magelang 67.2 19.9 68.0 5.5 60.0 11.0 35.3 11.9 24.4 35.3 26.7 23.2
09. Boyolali 65.7 20.8 71.1 4.6 61.0 10.0 45.7 30.4 11.8 51.6 24.4 24.3
10. Klaten 67.8 24.5 63.2 7.0 60.7 9.7 49.5 13.9 19.7 18.7 37.2 19.3
11. Sukoharjo 67.7 16.9 57.4 6.9 56.5 10.4 40.0 14.0 22.1 19.3 17.1 17.9
12. Wonogiri 66.5 25.2 78.2 5.4 62.7 7.5 38.0 16.8 20.1 27.3 10.3 23.5
13. Karanganyar 68.5 17.0 63.9 5.3 57.2 7.3 31.4 23.9 13.7 22.4 29.0 18.6
14. Sragen 64.9 28.6 69.0 9.6 63.8 7.7 39.6 36.0 17.6 56.1 23.1 24.5
15. Grobogan 65.5 31.1 82.0 7.2 67.5 12.0 30.0 24.6 27.8 70.6 24.4 31.5
16. Blora 64.7 26.6 84.9 5.2 63.7 9.1 31.2 44.7 36.5 66.2 17.5 32.5
17. Rembang 65.5 33.4 81.0 5.7 68.7 11.3 19.1 23.9 28.4 53.9 55.1 30.2
18. Pati 68.6 22.5 70.8 7.2 65.0 6.5 23.1 32.3 26.3 47.5 15.2 26.2
19. Kudus 66.9 12.7 43.8 7.3 58.0 11.9 41.5 25.2 23.9 8.2 29.9 15.2
20. Jepara 66.9 10.6 43.4 4.3 57.9 9.4 31.0 22.4 27.2 37.1 17.4 20.7
21. Demak 66.4 24.1 60.6 8.4 61.8 10.9 48.2 17.6 38.7 49.0 40.6 25.7
22. Semarang 69.5 17.6 62.0 6.5 60.0 7.9 28.4 23.3 14.8 39.1 21.3 21.0
23. Temanggung 69.6 15.8 82.0 5.3 58.4 7.7 38.2 28.9 23.0 32.1 21.0 24.0
24. Kendal 65.5 23.8 68.8 7.8 56.0 17.1 41.0 31.8 26.2 46.5 48.8 23.2
25. Batang 65.5 23.0 53.8 11.1 65.0 11.2 59.8 27.9 29.9 45.7 49.7 22.9
26. Pekalongan 63.9 26.3 57.0 6.9 66.0 14.3 59.2 11.0 26.2 26.4 57.5 22.0
27. Pemalang 62.2 24.6 68.6 11.3 66.3 16.7 50.4 15.7 31.2 39.2 56.4 24.3
28. Tegal 63.3 22.2 70.8 10.5 63.5 15.1 53.2 24.0 32.1 19.3 46.6 21.7
29. Brebes 61.3 33.4 76.7 11.5 66.2 18.3 51.3 18.3 37.0 33.1 58.2 25.4
Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
23

IPM Miskin IFS UER FOOD P40 NoAir NoFaskes BLGizi Tanah NoToilet Model
71. Magelang 73.0 14.1 41.5 10.6 54.1 10.4 14.6 11.0 17.8 5.9 4.6 11.4
72. Surakarta 73.0 14.2 37.7 11.7 51.8 8.0 34.7 10.9 11.9 6.4 1.0 9.0
73. Salatiga 72.8 12.3 43.7 12.0 49.3 9.2 11.4 10.8 9.9 7.9 3.6 8.9
74. Semarang 73.6 7.1 29.0 13.4 48.4 9.0 12.7 4.5 19.1 6.6 2.4 7.5
75. Pekalongan 68.2 9.9 34.8 12.8 57.3 11.3 52.1 10.6 24.3 8.8 16.7 12.0
76. Tegal 68.5 13.3 45.1 12.1 58.3 13.9 10.7 10.5 25.5 4.9 7.4 13.5
01. Kulon Progo 69.4 25.1 72.3 6.1 58.1 6.4 23.7 21.2 22.8 31.0 6.3 22.2
02. Bantul 68.4 19.8 53.7 6.5 55.0 9.0 42.3 4.2 17.0 12.3 16.1 15.4
03. Gunung Kidul 67.1 25.9 82.5 1.8 62.1 9.1 34.0 4.0 21.6 35.6 2.7 26.6
04. Sleman 72.7 16.7 43.5 10.3 45.1 6.4 42.4 7.1 12.1 7.1 14.4 8.6
71. Yogyakarta 75.3 14.5 38.6 8.3 46.4 6.1 43.3 3.6 14.3 1.3 1.6 8.7
01. Pacitan 65.7 25.0 86.4 4.6 65.1 9.4 36.6 27.3 13.2 39.0 4.6 25.9
02. Ponorogo 62.6 20.8 79.9 6.0 60.2 13.8 33.3 30.1 17.3 43.8 25.8 24.6
03. Trenggalek 68.2 29.6 83.0 7.1 62.5 9.7 38.5 26.4 21.7 33.9 28.0 24.5
04. Tulungagung 67.6 18.1 70.9 8.3 59.4 9.1 35.2 18.3 17.1 24.4 14.0 19.7
05. Blitar 67.4 18.6 72.1 9.2 57.2 11.0 39.9 25.1 21.0 20.0 20.8 19.0
06. Kediri 66.1 19.9 58.3 7.1 61.8 12.0 40.1 24.3 17.4 19.3 18.9 18.6
07. Malang 65.2 19.1 61.6 6.5 59.5 14.3 36.4 30.4 25.4 20.0 10.4 20.0
08. Lumajang 61.4 22.3 79.7 8.3 65.0 16.9 34.7 27.3 23.0 10.2 44.1 21.4
09. Jember 58.1 18.7 61.3 6.5 62.4 26.0 46.5 28.4 30.2 22.4 47.8 21.8
10. Banyuwangi 62.6 17.4 66.6 7.0 59.7 18.0 52.8 18.5 26.0 24.6 53.1 21.2
11. Bondowoso 54.1 25.8 75.4 4.5 68.1 27.8 58.0 37.3 35.1 42.3 70.2 29.3
12. Situbondo 56.2 23.7 73.4 4.7 65.9 23.4 58.2 36.0 28.6 45.2 69.2 27.7
13. Probolinggo 56.8 25.0 77.2 6.3 65.0 27.1 42.9 28.8 37.8 37.7 64.2 27.8
14. Pasuruan 61.5 22.5 48.5 6.7 63.6 23.6 52.7 30.9 20.9 17.6 44.7 18.3
15. Sidoarjo 71.7 13.2 30.0 9.6 57.2 11.9 24.0 9.3 14.4 3.7 23.0 10.3
16. Mojokerto 67.7 20.2 68.6 9.5 62.1 12.1 41.8 6.7 13.7 23.6 37.8 19.0
17. Jombang 66.0 25.2 61.8 11.8 64.0 13.9 42.2 13.3 28.0 20.5 34.6 19.7
18. Nganjuk 64.7 27.6 76.4 8.2 64.5 13.4 32.4 38.5 20.2 38.3 23.9 24.2
19. Madiun 64.2 26.1 59.5 10.1 65.5 13.2 41.1 13.2 24.6 42.6 26.2 22.8
20. Magetan 67.4 17.2 75.8 5.9 59.3 9.6 11.9 21.2 24.1 19.6 24.3 21.7
21. Ngawi 62.3 26.7 75.7 8.7 65.8 13.2 31.8 24.4 28.2 68.0 30.8 29.5
22. Bojonegoro 60.6 28.3 76.8 6.9 66.1 16.0 32.8 29.3 26.7 71.8 48.9 30.6
23. Tuban 61.1 30.4 79.5 6.0 66.5 15.5 41.1 19.3 32.4 61.6 55.9 31.0
24. Lamongan 63.9 29.7 81.7 5.7 65.6 14.5 33.4 42.8 23.7 48.8 25.0 28.0
25. Gresik 69.3 23.7 49.0 8.2 53.0 12.0 35.9 13.6 26.9 20.5 4.7 16.3
26. Bangkalan 57.6 34.7 82.6 14.3 70.2 23.6 27.8 52.4 50.7 32.5 14.6 28.2
27. Sampang 49.7 41.8 85.3 4.6 75.1 32.2 29.6 45.8 36.5 67.7 54.4 36.0
28. Pamekasan 58.3 34.9 84.5 11.0 67.9 23.2 37.1 28.0 50.5 48.4 35.2 31.2
29. Sumenep 56.5 31.1 82.6 6.5 68.9 24.1 40.2 35.2 38.3 16.6 46.8 26.8
71. Kediri 70.8 16.0 42.2 16.3 56.5 11.3 42.4 10.1 19.1 3.5 1.6 9.9
72. Blitar 71.0 12.8 48.7 12.9 54.8 9.4 55.2 10.0 17.4 4.8 11.5 11.4
73. Malang 71.4 9.4 33.3 13.9 45.1 14.4 38.2 10.1 10.8 2.3 5.5 5.1
74. Probolinggo 67.7 23.3 48.2 12.2 59.8 12.2 40.7 10.3 35.4 5.0 31.4 15.8
75. Pasuruan 67.7 16.8 37.6 9.1 58.3 17.5 17.7 10.5 32.3 6.4 27.6 14.9
76. Mojokerto 72.8 12.4 39.7 10.0 54.3 9.1 41.6 6.4 17.0 4.1 12.0 11.1
77. Madiun 70.7 11.4 41.9 15.8 55.6 10.4 25.7 12.5 19.9 4.8 4.4 10.1
78. Surabaya 72.0 8.4 30.4 9.9 51.3 11.3 1.8 3.4 23.8 2.7 2.6 10.0
01. Pandeglang 63.2 15.1 80.5 12.7 73.3 23.4 46.1 34.5 19.8 15.2 55.0 22.1
02. Lebak 61.6 16.2 81.1 14.1 70.8 22.8 65.2 52.5 16.5 6.7 56.2 19.4
03. Tangerang (kab) 68.4 7.0 34.5 11.7 51.9 19.1 51.5 16.1 24.4 11.7 18.2 11.3
04. Serang 63.7 9.8 66.6 13.7 64.6 25.4 68.3 32.0 23.9 12.4 45.5 18.0
71. Tangerang (kod) 72.2 4.4 25.7 11.7 52.6 13.2 54.8 4.5 13.8 1.6 3.6 7.4
72. Cilegon 70.7 6.4 42.6 18.4 57.3 13.2 37.4 33.8 13.3 15.5 13.0 10.0

Sumber: BPS, Bappenas dan UNDP (2004), Laporan Pembangunan Manusia 2002.

Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B I rawan (01.05.2005)
24

Informasi tentang profil kemiskinan seperti ini mudah dipahami untuk melihat faktorfaktor yang berkaitan dengan kemiskinan. Akan tetapi, kajian dua peubah seperti ini terbatas dalam kegunaannya karena kajian hanya menunjukkan hubungan antara tingkat kemiskinan dengan satu karakteristik tertentu pada suatu waktu tertentu pula. Kajian ini cenderung menyederhanakan kompleksitas faktor-faktor korelasi dari kemiskinan. Perlu dicatat bahwa korelasi berarti hubungan antara dua faktor, tetapi tidak selalu berarti bahwa faktor yang satu menyebabkan perubahan atas faktor yang lainnya (causality). Walaupun begitu, profil kemiskinan memberikan dasar awal penting yang diperlukan dalam analisis determinan kemiskinan. Kajian tentang faktor-faktor penyebab kemiskinan (determinants of poverty) dapat dilakukan dengan mengaplikasikan analisis peubah ganda (multi-variate analysis). Pada prinsipnya, analisis peubah ganda memperkaya analisis profil kemiskinan dengan cara mengidentifikasikan faktor-faktor penyebab dari karakteristik-karakteristik rumahtangga tertentu terhadap tingkat kesejahteraan rumahtangga tersebut.

2. Tujuan Modul Tulisan ini bertujuan untuk memberikan cara-cara dalam melakukan analisis kemiskinan dengan menggunakan pendekatan kuantitatif. Prosedur analisis yang dipaparkan di sini diharapkan dapat meningkatkan pengetahuan dasar bagi peserta pelatihan dalam memahami faktor-faktor yang berkaitan dengan kemiskinan dan penyebabnya. Modul ini juga menekankan pentingnya pemanfaatan hasil analisis data untuk instrumen dalam proses pengambilan kebijakan penanggulangan kemiskinan. Untuk mencapai tujuan tersebut, beberapa contoh konkret interpretasi dan ilustrasi dari data kuantitatif tersedia di Indonesia diberikan untuk memudahkan para analis dan peneliti dalam memahami modul ini. Metode analisis yang digunakan di sini adalah terutama analisis deskriptif. Pemaparan dalam tulisan ini disusun secara sistematis dalam beberapa bagian. Setelah diawali dengan tinjauan umum pada bagian pertama dan tujuan modul pada bagian kedua, bagian ketiga menguraikan ketersediaan data yang diperlukan dalam kajian determinan kemiskinan di Indonesia. Bagian keempat adalah tentang kajian profil kemiskinan, yang meliputi pemahaman tentang berbagai indikator sosialdemografi dan ekonomi yang berkaitan dengan kemiskinan di tingkat rumahtangga dan tingkat komunitas atau wilayah. Dan bagian kelima tentang prinsip-prinsip dasar dalam melakukan kajian tentang faktor-faktor korelasi dan penyebab (determinan) kemiskinan, dan bagaimana menginterpretasikan hasil analisis data.

Analisis Faktor-faktor Penyebab Kemiskinan – Puguh B Irawan (01.05.2005)

2

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->