PEMODELAN INDEKS PEMBANGUNAN MANUSIA (IBM) SELURUH

KABUPATEN/KOTA PROVINSI BALI PERIODE TAHUN 2015-2018

MENGGUNAKAN REGRESI DATA PANEL

Dimas Fani Firmansyah

Jurusan Pembangunan Ekonomi Kewilayahan,Sekolah Vokasi, Universitas Gadjah Mada

Bulaksumur, Kabupaten Sleman, Daerah Istimewa Yogyakarta 55281
email : dimasfani@mail.ugm.ac.id

ABSTRAK
Pembangunan manusia merupakan salah satu faktor utama yang penting untuk
meningkatkan kesejahteraan supaya tercipta kehidupan yang makmur dan
sejahtera. Pemerintah terus berupaya meningkatkan IPM melalui beberapa aspek
seperti Pendidikan, tenaga kerja, kesehatan, dan kehidupan. Salah satu faktor
untuk mengetahui keberhasilan pembangunan yaitu dengan melihat Indeks
Pembanagunan Manusia (IBM). Perlu diketahui dalam pengukuran IPM ada
faktor yang mempengaruhinya dengan mempertimbangkan lintas waktu dan lintas
daerah maka dilakukan regresi data panel dengan mencakup 9 kabupaten/kota di
Provinsi Bali. Pemodelan analisis regresi dengan metode data panel adalah
pemodelan yang menghitung antara cross section dan time antara variabel
dependen dan variabel independen. Data yang digunakan adalah data Indeks
Pembanguna Manusia (IBM) sebagai variabel dependen. Kemudian variabel
independennya adalah angka partisipasi sekolah SMP/MTS, tingkat partisipasi
kerja, dan umur harapan hidup dari tahun 2015-2019. Pemodelan dibantu
menggunakan software Eviews 9 (64bit)

Kata kunci: Data panel, IPM, FEM

 “BAB 1”
“PENDAHULUAN”

1.1 Latar Belakang”

Pembangunan indeks manusia merupakan cara terbaik untuk
menigkatkan pertumbuhan perekonomian di suatu negara. Pembangunan ini
dilakukan dengan meningkatkan kualitas masyarakat baik secara material
dan spiritual. Paradigma pembangunan manusia salah satunya bisa diukur
dengan melihat pertumbuhan ekonominya. Pertumbuhan ekonomi dapat kita
ukur dengan mengetahui IPM bisa dijadikan sebagai tolak ukurnya yang
bisa dilihat dari tingkat pendidikan, fasilitas kesehatan, umur harapan hidup
dan tingkat partisipasi angkatan kerja.
Indonesia saat kita tahu bahwa kualitas sumber daya manusianya
sangat rendah dibandingkan dengan negara lain sepaerti Singapura, Jepang,
Malaysia dan lain sebagainya. Terbukti di Indonesia sendiri masih banyak
masyaraktnya yang tidak bekerja atau masih nganggur, hal ini disesbabkan
salah satunya karena kualitas dari masyarakat yang tidak ingin berpikir
maju.Untuk itu penulis ingin mengetahui pengaruh dari pendidikan, umur
harapan hidup dan“tingkat partisipasi angkatan kerja” terhadap IPM. Data
Panel adalah metode yang bisa digunakan metode yang bisa digunakan
untuk meregresi Indweks Pembangunan Manusia (IPM) di Provinsi Bali.
Walaupun IPM Provinsi Bali di atas IPM Nasional penulis ingin mengetahui
perbandingan pemodelan ”regresi data panel” sebelumnya yaitu pemodelan
regresi data panel periode 2009-2014. Penulis ingin mengetahui kelayakan
dari“Common Effect Model (CEM),”“Fixed Effect Model (FEM)” dan
atau”Random Effect Model” dalam memodelkan IPM.

1.1 Rumusan Masalah

1. Bagaimana melakukan analisis “regresi data panel” pada pemodelan
Indeks Pembangunan Manusia seluruh Kota/Kabupaten Provinsi Bali
mulai tahun 2015 hingga 2019 ?
 2. Bagaimana menentukan pemodelan kelayakan yang tepat antara (CEM),
(FEM),dan Random (REM) “Indeks Pembangunan Manusia” (IPM)
seluruh Kota/Kabupaten Provinsi Bali mulai tahun 2015 hingga 2019 ?
1.2 Tujuan
1. Untuk mengetahui cara melakukan analisis regresi data panel pada
pemodelan Indeks Pembangunan Manusia seluruh Kota/Kabupaten
Provinsi Bali mulai tahun 2015 hingga 2019
2. Untuk mengetahui cara untuk menentukan pemodelan kelayakan yang
tepat antara (CEM), (FEM),dan (REM) “Indeks Pembangunan
Manusia”(IPM)’ Kota/Kabupaten di Provinsi Bali mulai tahun 2015
hingga 2019
1.3 Manfaat
1. Bagi Penulis
Dengan adanaya pemodelan regresi data panel “Indeks
Pembangunan Manusia seluruh Kabupaten/Kota Provinsi Bali” periode
tahun 2015-2019, Penulis bisa mendapatkan wawasan tentang bagaimana
memodelkan data panel “Indeks Pembangunan Manusia seluruh
Kabupaten/Kota Provinsi Bali” periode tahun 2015-2019, dan juga dapat
mempermudah penulis selsnjutnya untuk dijadikan sebagai bahan
rujukan
2. Bagi Pemerintah
Dengan adanaya pemodelan regresi data panel “Indeks
Pembangunan Manusia seluruh Kabupaten/Kota Provinsi Bali” periode
tahun 2015-2019 ini pemerintah khususnya pemerintah daerah Provinsi
Bali bisa menjadikannya sebagai bahan pertimbangan perhitungan yang
dilakukan oleh pemerintah sendiri.
 BAB II
LANDASAN TEORI

Untuk mendukung dan memperkuat pembuatan makalah ini, oleh sebab itu
diperlukan teori yang berhubungan dengan pembahasan penelitian yang dibahas
dalam bab hasil dan pembahasan yang kemudian dijadikan acuan atau landasan
penulisan makalah ini :
2.1 IPM
IPM (Indewks Pembangunan Manusia) yaitu suatu tolak ukur
pembangunan yang bisa diukur oleh beberapa aspek yang
mempengaruhinya. Beberapa aspek faktor yang mempengaruhi yaitu aspek
dalam kesehatan,aspek pendidikan dan angka harapan hidup manusia
disuatu daerah, negara atau dunia. IPM dapat memberikan pengaruh
terhadap pemabngunan negara. Apabila IPM tinggi maka negara tersebut
bisa dikategorikan negara yang maju. Tetapi jika IPM rendah suatu negara
dapat dikategorikan negara yang berkembang atau tidak maju.[ CITATION
BPS201 \l 1033 ]

2.2 Regresi Data Panel

Suatu model perhitungan yang dilakukan dengan menggabungkan
data runtun waktu dan data persilangan (cross) dimana data persilangan
yang diukur dengan waktu yang berbeda. Dengan kata lain ‘data
panell’adalah data dengan beberapa individu atau variabel dengan kurum
waktu tertentu. Sedangkan data lain yaitu “time series”yaitu data’ yang
mempunyai satu variabel dengan beberapa waktu tertentu. Sedangkan
data“cross section”yaitu data yang mempunyai beberapa variabel tetapi
hanya satu kurun waktu.
2.3 Persamaan Regresi Data Panel
- Onee Wayy Modell
Merupakan modell yang hanya satu arah, hannya
mempertimbangkan efeek individu dalam suatu model. Berikut ini adalah
persamannya :
 “yit = α + αi + xitβ + εit”
Penjelasan : “α" = “Konstanta”
“β” = “Vektor berukuran” P x 1
”εit” = Error regresi
“αi” = “Efek individu yang berbeda bagi setiap individu
ke – I”
xit = P variabel bebas pada observasi ke-it
- Twoo Way Modeel
Merupakan “model” dengan mempertiimbangkan efek dari waktu
yang ditentukan atau saat memasukkan viabel waktu”. Berikut ini adalah
persamaan dari two way model :

“yit” =“α”+“αi“ + “δt + x’itβ + ”εit”

Persamaan” tersebut hampir sama dengan persamaan one way
tetapi pada two way model hanya menambahkan deltha atau efek waktu
yang sifatnya acak atau bersifat tetap pada tiap tahunnya.

2.4 Tahap-Tahap ‘Regresi” Data” Panel”

1. Penentuan ‘Model Estimasi”
Pada penentuan model estimasi ada 3 pendekatan antara lain:
- ‘Common Effect Model (CEM)
Pada pendekatan CEM merupakan pendekatan paling sederhana
dengan mengkombinasikan antara data“cross section”dan data“time
series”. Pada (CEM) tidak memperrhatikan dimeensi variabel dan
wakktu, ssehingga bisa diasummsikan yaitu perilaku data yang diamati
sama dalam berbagia kurun waktu. Untuk mengestimasi data panel pada
model ini bisa menggunakan “Ordinary Least Square” (OLS) atau
teknok kuaddrat paling kecil.
- Fixed Model Effect (FEM)
Pada “model FEM perbedaan antar variabel dapat diakomodasikan
dari perbedaan intersepnya.” Untuk menangkap perbedaan intersepnya
 bisa dilakukan dengan menggunakan teknik variabel dummy yang
digunakan dalam mengestimasi data Fixed Efect Moddel (FEM).
Adanya perbedaan manajerial, budaya kerja, serta insentif bisa
mengakibatkan perbedaan intersep
- Random Effect Model (REM)
Pengestimasian model data yang mana pada gangguan munngkin
bisa saling berhubugunan antara variabel dan juga waktu. Pada model
REM Effect terms masing-masing substansi mengakomodasi
perbedaan intersep. REM juga disebut dengan "Error Component
Model” (ECM). Keunggulannya yaitu menghilangkan
heteroskedastisitas.
2. Penentuan Metode Estimasi Regresi“Data Panel”
Pada penentuan metode estimasi ada 3 model pengujian, antara lain :
- Chow Test
Pengujian data yang dilakukan agar tahu apakah “Common Effect
Model”ataukah Fixed Effect Model yang lebih tepat dalam
mengestimasi” data penelitian.
Jika diperoleh = H0 : Pilih CEM dan jika Hi : Pilih FEM
- Hausman Test
Pengujian data yang dilakukan agar tahu apakah Random Effect Model
ataukah Fixed Effect Model yang lebih tepat untuk”mengestimasi” data
penelitian.
Jika diperoleh = H0 : Memilih REM dan jika H1 : Memilih FEM
- Lagrange”Multiplier Test”
Uji ini dilakukan untuk mengetahui apakah Random Effect Model lebih
baik dari Common Effect Model untuk mengestimasi regresi “data
panel”.
Jika diperoleh = H0 : Memilih CEM dan jika Hi : Memilih REM

3. Pengujian“Asumsi dan Kesesuaian Model”

Dalam pengujian ”asumsi”dan kesesuain model disini ada 4
pendekatan model “antara lain: uji normalitas, uji multikolonieritas, uji
 heteroskedastisitas, dan autokolerasi.” Dalam menentukan pendekatan
model ini harus dengan estimasi model sebelumnya .
4. Interpretasi
Komponen model yang akan diinterpretasikan yaitu antara lain :
Adjusted R Square, Uji F, Uji T Parsial, [ CITATION Anw141 \l 1033 ]
 BAB III
ANALISIS DAN PEMBAHASAN

3.1 Analisis Data

Data yang diambil adalah data yang berbentuk time series ada
tahun 2015 hingga 2019 dan masih dalam bentuk sekunder atau tidak
langsung dari website BPS. Berikut adalah data yang digunakan :
No Kota/Kabupaten Tahun Y Xa Xb Xc
1 Kab. Jembrana 2015 69.66 97.46 70.90 71.43
2 Kab. Jembrana 2016 70.38 100 77.23 71.57
3 Kab. Jembrana 2017 70.72 98.97 78.62 71.70
4 Kab. Jembrana 2018 71.65 99.24 77.45 71.91
5 Kab. Jembrana 2019 72.35 99.69 67.52 72.21
6 Kab. Tabanan 2015 73.54 98.25 77.77 72.74
7 Kab. Tabanan 2016 74.19 96.85 77.25 72.89
8 Kab. Tabanan 2017 74.86 98.27 71.33 73.03
9 Kab. Tabanan 2018 75.45 98.55 77.46 73.23
10 Kab. Tabanan 2019 76.16 99.19 75.56 73.53
11 Kab. Badung 2015 78.86 100 72.92 74.31
12 Kab. Badung 2016 79.80 99.09 77.26 74.42
13 Kab. Badung 2017 80.54 100 70.43 74.53
14 Kab. Badung 2018 80.87 100 71.44 74.71
15 Kab. Badung 2019 81.59 98.81 72.67 74.99
16 Kab. Gianyar 2015 75.03 97.40 76.40 72.84
17 Kab. Gianyar 2016 75.70 100 77.22 72.95
18 Kab. Gianyar 2017 76.09 99.51 78.17 73.06
19 Kab. Gianyar 2018 76.61 99.47 79.10 73.26
20 Kab. Gianyar 2019 77.14 99.37 76.21 73.56
21 Kab. Klungkung 2015 68.98 97.53 78.99 70.11
22 Kab. Klungkung 2016 69.31 97.28 77.24 70.28
23 Kab. Klungkung 2017 70.13 97.56 77.07 70.45
24 Kab. Klungkung 2018 70.90 97.58 78.11 70.70
25 Kab. Klungkung 2019 71.71 97.60 76.21 71.06
26 Kab. Bangli 2015 66.24 98.53 82.70 69.54
27 Kab. Bangli 2016 67.03 97.47 77.28 69.69
28 Kab. Bangli 2017 68.24 96.58 84.14 69.83
29 Kab. Bangli 2018 68.96 95.57 85.85 70.05
30 Kab. Bangli 2019 69.35 95.89 83.20 70.37
31 Kab. Karangasem 2015 64.68 92.61 82.14 69.48
32 Kab. Karangasem 2016 65.23 96.24 77.20 69.66
33 Kab. Karangasem 2017 65.57 96.17 78.37 69.85
 34 Kab. Karangasem 2018 66.49 96.48 82.50 70.05
35 Kab. Karangasem 2019 67.34 96.97 80.68 70.35
36 Kab. Buleleng 2015 70.03 97.25 73.94 70.81
37 Kab. Buleleng 2016 70.65 94.90 77.21 70.97
38 Kab. Buleleng 2017 71.11 94.48 75.44 71.14
39 Kab. Buleleng 2018 71.70 94.43 76.87 71.36
40 Kab. Buleleng 2019 72.30 94.70 69.67 71.68
41 Kota Denpasar 2015 82.24 97.54 72.69 73.91
42 Kota Denpasar 2016 82.58 97.85 77.23 74.04
43 Kota Denpasar 2017 83.01 98.57 73.91 74.17
44 Kota Denpasar 2018 83.30 99.17 73.75 74.38
45 Kota Denpasar 2019 83.68 98.42 71.71 74.68
Sumber : BPS Provinsi Bali
Keterangan :
Y Indeks Pembangunan Manusia (‘IPM’) Kabupaten/Kota (Persen)
Xa Angka Partisipasi Sekolah SMP/MTS Kabupaten/Kota (Persen)
Xb Tingkat Partisipasi Angkatan Kerja Kabupaten/Kota (Persen)
Xc Umur Harapan Hidup Kabupaten/Kota (Persen)

3.2 Hasil Model Estimasi

Pengolahan data menggunakan software Eviews 9 dengan
memasukkan data yang sudah tertera di atas pada data analisis. Pada saat
pengolahan yang dilakukan adalah mencari model estimasi. Pada model
estimasi ada 3 pendekatan yang penulis cari yaitu: CEM, FEM, dan REM.
Berikut hasil dari ketiga model pendekatan tersebut :
3.21 Metode CEM (Common Effect Model)

Variable Coefficient Std. Error t-Statistic Prob.  

C -140.7531 17.75781 -7.926261 0.0000

Xa -0.240791 0.166869 -1.442992 0.1566
Xb 0.051807 0.071996 0.719574 0.4759
Xc 3.244239 0.195655 16.58146 0.0000

Sumber : Output data panel menggunakan eviews 9

3.22 Metode FEM (Fixed Effect Model)

 Variable Coefficient Std. Error t-Statistic Prob.  

C -150.5635 11.80061 -12.75896 0.0000

Xa -0.021430 0.046937 -0.456558 0.6510
Xb 0.031221 0.017423 1.791889 0.0823
Xc 3.104732 0.152220 20.39634 0.0000
Sumber : Output data panel menggunakan eviews 9

3.23 Metode REM (Random Effect Model)

Variable Coefficient Std. Error t-Statistic Prob.  

C -150.1283 11.04342 -13.59437 0.0000

Xa -0.023729 0.046780 -0.507253 0.6147
Xb 0.031220 0.017391 1.795205 0.0800
Xc 3.101811 0.141504 21.92026 0.0000
Sumber : Output data panel menggunakan eviews 9

Hasil di atas merupakan hasil Output data menggunakan eviews 9

dari peregresian data panel.. Untuk mengetahui model pendekatan
mana yang sesuai maka akan dilakukan uji selanjutnya yaitu pada
penentuan metode estimasi.

3.3 Hasil Uji Penetuan Metode Estimasi

Berikut ini merupakan hasil untuk menegetahui metode yang
sesuai maka dibawah ini akan dilakukan uji penentuan metode estimasi,
antara lain:
3.31 Metode Uji Chow

Effects Test Statistic   df.  Proba. 

Cross,-section F 141.679352 (8,33) 0.0000

Cross,-section Chi’-square 160.433984 8 0.0000
Sumber : Output data panel menggunakan eviews 9

Dari Output hasil uji di atas diperoleh nilai probabilitas 0.0000

kurang dari alfa 0.05 dan dapat disimpulkan bahwa model FEM
adalah model pendekatan yang sesuai.
 Karena model FEM yang sesuai maka selanjutnya akan dibandingkan
dengan model REM dengan melakukan Uji Hausman. Berikut ini hasil
dari Uji Hausman :

3.32 Metode’Hausman

Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob. 

Cross-section random 0.500860 3 0.00187

Sumber : Output data panel menggunakan eviews 9

Dari Output hasil Uji di atas diperoleh hasil probabilitas 0.00187

kurang dari alfa maka dapat disimpulkan model FEM adalah model
pendekatan yang sesuai untuk data penelitian daripada model
pendekatan CEM atau REM.

3.4 Hasil Pengujian Asumsi dan Kesesuaian (Asumsi Klasik)

Setelah mengerti model pendekatan mana yang lebih sesuai yaitu
model FEM maka setelah itu dilakukan pengujian uji normalitas untuk
mengataui residual normal atau tidaknya. Berikut ahasil dari Uji Normalitas:
3.41 Uji Normalitas

Sumber : Output data panel menggunakan eviews 9

 Apabila dilihat dari hasil Normality Test diketahui bahwa nilai
probabilitas yaitu 0.377610 lebih besar daripada alfa 0.005 Dapat
disimpulkan residual terdistribusi normal. Setelah melakukan Uji
Normalitas adalah Uji Multikolonieritas. Berikut hasil dari Uji
Multikolonieritas :

3.42 Uji Multikolonieritas

Xa Xb Xc

Xa 1.000000 -0.358855 0.628780

Xb -0.358855 1.000000 -0.598883
Xc 0.628780 -0.598883 1.000000
Sumber : Output data panel menggunakan eviews 9

Jika dilihat hasil output di atas diperoleh matriks korelasi antar

variable independent dalam table tersebut tidak melebihi 0.8 maka
dapat disimpulkan bahwa tidak terjadi multikolonieritas sehingga
dapat dilakukan pengujian selanjutnya

3.43 Uji Heteroskedastisitas

Variabel Coefficient Std. Error t-Statistic Prob.  

C -1.639931 1.787709 -0.917337 0.3643

Xa 0.016034 0.016799 0.954478 0.3454
Xb -0.001909 0.007248 -0.263382 0.7936
Xc 0.005683 0.019697 0.288505 0.7744
Sumber : Output data panel menggunakan eviews 9

Jika dilihat dari hasil heteroskedasity test dapat diketahui bahwa

nilai prob. Xa = 0.3454, Xb = 0.7936, Xc = 0.7744 masing – masing
variabel independennya melebihi alfa 0.05 maka dapat disimpulkan
model ini tidak terjadi heteroskedastisitas.

3.44 Uji Autokolerasi

 BreuschGodfrey Correlation LM Test:

F-statistic 0.131020    Prob. F(2,38) 0.8776

Obs*R-squared 0.301336    Prob. Chi-Square(2) 0.8601

Sumber : Output data panel menggunakan eviews 9

Untuk melihat Uji Autokolerasi adalah dengan menggunakan

metode Uji Diferensi LM. Output hasil dari uji LM di atas adalah nilai
probabilitas 0.8601pada Chi-Square(2) melebihi alfa 0.05. dapat
disimpulkan pada uji ini tidak terdapat masalah autokolerasi serial

3.5 Hasil Interpretasi

Intepretasi yang dilakukan adalah dengan Uji-F, Uji-T, Adjusted R
Square dengan melihat hasil pendekatan model asumsi yang sesui yaitu
model FEM.

Gambar FEM

1. Uji T
Jika ingin mengetahui pengaruh variabbel indepanden terhadap
variabel dependennya perlu dilakukan uji T . Pada uji T menunjukkan
tingkat pengaruh variabel - variabel terhadap indek pembangunan
manusia. Disini penulis menggunakan angka partisipasi sekolah
 SMP/MTS (Xa), tingkat partisipasi angkatan kerja (Xb), umur harapan
hidup (Xc) sebagai variabelnya. Selain itu bisa juga dilakukan pengujian
menggunakan t table dilakukan melalui perhitungan df = n – k dan α/2 .

 Pengaruh Angka Partisipasi Sekolah (SMP/MTS) terhadap IPM

Provinsi Bali
Pada variabel independen angka partisipasi sekolah (SMP/MTS)
memperoleh hasil t hitung sebesar -0.456558, untuk perolehan nilai t
tabel df = n – k dan α/2, df = 41, t table = 2.01954 yang menunjukkan
t tabel lebih besar dari t hitung (-0.456558 < 2.01954) dan nilai prob.
= 0.6510 > alpha (0.05) jadi H0 diterima. Artinya Angka Partisipasi
Sekolah (SMP/MTS) tidak mempengaruhi IPM Provinsi Bali
 Pengaruh Partisipasi Angkatan Kerja Terhadap IPM Provinsi
Bali
Pada variabel partisipasi angkatan kerja memperoleh hasil t hitung
sebesar 1.791889, untuk perolehan t table = 2.01954 yang
menunjukkan t tabel lebih besar dari t hitung (1.791889 < 2.01954)
dan nilai prob. = 0.0823 > alpha (0.05) jadi H0 diterima. Artinya
partisipasi angkatan kerja tidak mempengaruhi IPM Provinsi Bali
 Pengaruh Umur Harapan Hidup Terhadap IPM Provinsi Bali
Pada variabel umur harapan hidup memperoleh hasil t hitung sebesar
20.39634, untuk perolehan t table = 2.01954 yang menunjukkan t
tabel lebih besar dari t hitung (20.39634 > 2.01954) dan nilai prob. =
0.0000 > alpha (0.05) jadi H0 ditolak. Artinya umur harapan hidup
sangat mempengaruhi IPM Provinsi Bali
2. ‘Uji Signifikansi Simultan (‘F”)
Apabila ingin mengetahui bersama secara simultan semua variabel
independen terhadap variabel dependen perlu dilakukan uji signifikansi
(F) eUji ini untuk mengetahui variaabel secara bersama (simultan)
 terhadap variabel dependen dengan melihat nilai Prob(F-statistic). Bisa
dilihat otput yang dihasilkan pada tabel gambar di atas bahwa nilai Prob
(F-statistic) adalah 0.00000 < 0.05 variabel independen secara simultan
memiliki pengaruh yang signifikan terhadap variabel dependen yaitu
indeks pembangunan manusia dalam periode 2015-2019
3. Koofisien Determinasi (“Adjusted R Square”)
Perlu dilakukan koefisien determinasi untuk membuat pengukuran
kemampuan model saat menjelaskan variasi dari variabel dependennya
seberapa jauh. Hasil output FEM menunjukkan nilai R-Squaree sebesar
0.997333 = 99,73%, jadi “interpretasinya adalah 99,73%””variasi
variabel IPM dapat dijelaskan oleh variabel angka partisipasi sekolah
SMP/MTS,”“tingkat partisipasi angkatan kerja”, “umur harapan hidup.”
Serta “sisanya sebesar 0,27% dijelaskan oleh variabel bebas lain yang
tidak dimasukkan dalam model.”
 BAB 4
“KESIMPULAN DAN SARAN”
4.1 “Kesimpulan”
“Berdasarkan hasil analisis dan pembahasan” yang telah dilakukan, didapat
beberapa”kesimpulan”antara lain:”
1. Model “yang digunakan untuk pemodelan Indeks Pembangunan Manusia
di Bali menggunakan model Fixed Effect.”Dengan model persamaan
sebagai berikut:”
IPM=-150.5635 -0.021430 X1 + 0.031221 X2 + 3.104732 X3

2. Angka partisipasi sekolah (SMP/MTS) dan partisipasi angkatan kerja

tidak mempengaruhi IPM Provinsi Bali. Tetapi pada umur harapan hidup
sangat mempengaruhi IPM Provinsi Bali
3. Ketiga variabel “angka partisipasi sekolah SMP/MTS,”tingkat partisipasi
angkatan kerja,””umur harapan hidup hanya umur harapan hidup yang
signifikan terhadap IPM”. Dengan nilai koefisien determinasi
sebesar”99,73% artinya “nilai IPM Provinsi Bali” dijelaskan oleh
harapan lama “sekolah”, indeks harapan hidup, dan pengeluaran
perkapita sebesar”99,73%”sedangkan faktor lain hanya mempengaruhi
0,27%.”
4.2 Saran
Kekurangan dari makalah yang penulis buat adalah pada bab
landasan teori yang masih tidak lengkap sesuai dengan pembahasan yang
banyak. Oleh karena itu untuk penulis-penulis selanjutnya diharapkan dapat
memperbanyak landasan teorinya sesuai dengan bab pembahasan .
Kemudian untuk pembahasan hail penelitian IPM Provinsi Bali
deipengaruhi umur harapan hidup secara signifikan. Oleh sebab itu
pemerintah di Provinsi Bali perlu memperhatikan masyarakat dari segi
sosial, ekonomi dan kesehatan supaya umur harapan hidup masyarakat di
 Bali semakin banyak sehingga IPM pun juga meningkat.

References
Bali, B. (2020, Maret). Indeks Pembangunan Manusia. Bali.

Hidayat, A. (2014, 11). Penjelasan Metode Analisis Regresi Data Panel.

LAMPIRAN