Laporan Ta Sarah Achsanti 103216005 Universitas Pertamina

ANALISIS DETERMINAN INDEKS PEMBANGUNAN
MANUSIA DI KABUPATEN/KOTA PROVINSI JAWA

BARAT
LAPORAN TUGAS AKHIR
Oleh:
Sarah Achsanti
103216005
FAKULTAS EKONOMI DAN BISNIS

PROGRAM STUDI EKONOMI
UNIVERSITAS PERTAMINA
2020
ANALISIS DETERMINAN INDEKS PEMBANGUNAN
MANUSIA DI KABUPATEN/KOTA PROVINSI JAWA
BARAT
LAPORAN TUGAS AKHIR
Oleh:
Sarah Achsanti
103216005
FAKULTAS EKONOMI DAN BISNIS

PROGRAM STUDI EKONOMI
UNIVERSITAS PERTAMINA
2020
ABSTRAK
Sarah Achsanti. 103216005. Analisis Determinan Indeks Pembangunan Manusia di

Kabupaten/Kota Provinsi Jawa Barat.
Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Barat terus
mengalami peningkatan pada periode 2014-2017. Namun, Jawa Barat sebagai provinsi
dengan jumlah penduduk terbesar belum mampu meraih peringkat teratas dari 34 provinsi
di Indonesia dengan nilai IPM tinggi. Penelitian ini bertujuan menganalisis perkembangan
IPM dan menganalisis faktor-faktor yang memengaruhi IPM di kabupaten/kota Provinsi
Jawa Barat periode 2014-2017. Metode yang digunakan adalah regresi data panel dengan
Random Effect Model. Data yang digunakan adalah data cross section 27 kabupaten/kota di
Provinsi Jawa Barat dan data time series tahun 2014 sampai dengan tahun 2017. Hasil
penelitian menunjukkan bahwa variabel PDRB per kapita, Rata-rata Lama Sekolah (RLS),
Jumlah Tenaga Kesehatan berpengaruh positif signifikan dan Jumlah Penduduk Miskin
berpengaruh negatif signifikan terhadap IPM di Kabupaten/Kota Provinsi Jawa Barat.
Kata Kunci: Indeks Pembangunan Manusia, Regresi Data Panel, Random Effect Model.
Universitas Pertamina - i
ABSTRACT
Sarah Achsanti. 103216005. Analysis of the Influencing Factors from Human

Development Index in the District/City of West Java Province.
Human Development Index in the District/City of West Java Province tends to
increase in the 2014-2017 period. However, West Java as the largest population province
has not able to reach the highest rank of HDI value in 34 provinces of Indonesia. The
research objective is to analyze the development of HDI and evaluate the influencing
factors of HDI in districts/cities of West Java Province. This study used panel data
regression with Random Effect Model. The data used are 27 districts/cities in West Java
Province as cross-section data, and 2014 until 2017 as time-series data. The result indicates
GDPR (Gross Domestic Product of Region) per capita, Average Length of School (RLS),
and Total Medical Staff has a positive impact and significant to HDI, while Total Poor
People has a negative impact and significant to HDI in district/city of West Java Province.
Keywords: Human Development Index, Panel Data Regression, Random Effect Model
Universitas Pertamina - ii
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan rahmat-
Nya penulis dapat menyelesaikan Laporan Tugas Akhir dengan judul “Analisis
Determinan Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Barat” tepat
pada waktu yang ditentukan. Tujuan dari Tugas Akhir ini yaitu untuk menganalisis
perkembangan dan menganalisis faktor-faktor yang memengaruhi IPM di Kabupaten/Kota
Provinsi Jawa Barat Periode 2014-2017.
Dalam penyusunan laporan Tugas Akhir ini penulis banyak mendapat tantangan serta
hambatan. Akan tetapi, dengan bantuan dari berbagai pihak semua tantangan serta
hambatan dapat teratasi. Oleh karena itu, penulis mengucapkan terima kasih kepada semua
pihak yang telah membantu dalam penyusunan tugas akhir ini, diantaranya:
1. Papa Achsan dan Mama Santi yang selalu mendukung penulis;
2. Bapak Rico Ricardo, M. Ec. selaku Dosen Pembimbing Tugas Akhir penulis;
3. Bapak Andika Pambudi, M.Si. selaku Dosen Penguji Utama Tugas Akhir penulis;
4. Bapak Dr. Hari Nugroho, M.M., M.S.E selaku Dosen Penguji Akademik Tugas Akhir
penulis;
5. Ibu Eka Puspitawati, Ph.D. dan seluruh dosen Program Studi Ekonomi Universitas
Pertamina yang telah memberikan ilmu dari awal semester hingga akhir semester
kepada penulis;
6. Rafi Syadzayori yang menjadi tempat keluh kesah penulis;
7. Azmy Melia Santika yang selalu memberi semangat kepada penulis untuk
menyelesaikan tugas akhir;
8. Zukhra Insania yang sudah membantu penulis dalam penulisan tugas akhir;
9. Teman-teman tercinta: Texasvero, GIBS, GETOL, VX, Ber4aja, dan Ekonomi UP
angkatan 2016 yang sudah mendukung penulis.
Penulis menyadari bahwa dalam Laporan Tugas Akhir ini terdapat berbagai
kekurangan. Untuk itu, penulis berharap adanya kritik dan saran dari berbagai pihak yang
dapat membangun demi perbaikan penulisan. Semoga tugas akhir ini dapat bermanfaat.
Jakarta, 3 Februari 2020
Sarah Achsanti
Universitas Pertamina - iii

DAFTAR ISI
ABSTRAK ........................................................................................................................ i
KATA PENGANTAR....................................................................................................... iii
DAFTAR ISI...................................................................................................................... iv
DAFTAR TABEL.............................................................................................................. vii
DAFTAR GAMBAR......................................................................................................... viii
DAFTAR LAMPIRAN...................................................................................................... ix
DAFTAR SINGKATAN.................................................................................................... x
BAB I. PENDAHULUAN................................................................................................. 1
1.1 Latar Belakang......................................................................................................... 1
1.2 Rumusan Masalah................................................................................................... 4
1.3 Tujuan...................................................................................................................... 4
1.4 Manfaat.................................................................................................................... 4
1.5 Ruang Lingkup........................................................................................................ 5
BAB II. TINJAUAN LITERATUR................................................................................... 6
2.1 Tinjauan Teori......................................................................................................... 6
2.1.1 Pembangunan Manusia......................................................................................... 6
2.1.2 Indeks Pembangunan Manusia............................................................................. 6
2.1.3 Perhitungan Indeks Pembangunan Manusia......................................................... 6
2.1.4 PDRB per kapita................................................................................................... 8
2.1.5 Kemiskinan........................................................................................................... 9
2.2 Tinjauan Empiris..................................................................................................... 10
2.3 Kerangka Penelitian................................................................................................. 13
2.4 Hipotesis.................................................................................................................. 14
BAB III. METODOLOGI ................................................................................................. 15
3.1 Waktu dan Tempat.................................................................................................. 15
3.2 Jenis dan Sumber Data............................................................................................ 15
3.3 Metode Analisis....................................................................................................... 15
3.3.1 Uji Pemilihan Model Terbaik............................................................................... 16
3.3.2 Uji Asumsi Klasik................................................................................................. 16
3.3.3 Uji Statistik........................................................................................................... 18
3.3.4 Koefisien Baku dan Elastisitas.............................................................................. 18
Universitas Pertamina - iv
3.4 Model Penelitian...................................................................................................... 19
3.5 Definisi Operasional................................................................................................ 20
BAB IV. HASIL DAN PEMBAHASAN.......................................................................... 21
4.1 Gambaran Umum Pembangunan Manusia Provinsi Jawa Barat............................. 21
4.1.1 Indeks Pembangunan Manusia Provinsi Jawa Barat............................................. 22
4.1.2 PDRB Per kapita................................................................................................... 26
4.1.3 Jumlah Penduduk Miskin...................................................................................... 27
4.1.4 Rata-Rata Lama Sekolah....................................................................................... 28
4.1.5 Tenaga Kesehatan................................................................................................. 29
4.1.6 Kematian Bayi...................................................................................................... 29
4.2 Hasil Estimasi Data................................................................................................. 30
4.3 Uji Asumsi Klasik................................................................................................... 31
4.3.1 Uji Multikolinearitas............................................................................................. 31
4.3.2 Uji Heteroskedastisitas.......................................................................................... 31
4.3.3 Hasil Estimasi Random Effect dengan Pendekatan Generalized Least Square...
..........................................................................................................................31
4.4 Determinan Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Barat
.............................................................................................................................32
4.4.1 PDRB Per kapita................................................................................................... 32
4.4.2 Rata-rata Lama Sekolah........................................................................................ 33
4.4.3 Jumlah Tenaga Kesehatan..................................................................................... 33
4.4.4 Jumlah Penduduk Miskin...................................................................................... 34
4.5 Prioritas Kebijakan Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa Barat
.............................................................................................................................34
4.5.1 Hasil output Koefisien Baku............................................................................... 34
4.5.2 Hasil Output Elastisitas...................................................................................... 35
4.5.3 Analisis Output Koefisien Baku dan Elastisitas................................................. 36
BAB V. SIMPULAN DAN SARAN................................................................................. 37
5.1 Simpulan.................................................................................................................. 37
5.2 Saran........................................................................................................................ 37
DAFTAR PUSTAKA........................................................................................................ 38
KARTU BIMBINGAN TUGAS AKHIR.......................................................................... 40
LAMPIRAN....................................................................................................................... 41
Universitas Pertamina - v
RIWAYAT HIDUP............................................................................................................ 45
Universitas Pertamina - vi
DAFTAR TABEL
Tabel 1.1 Peringkat IPM Negara di Asia Tenggara Tahun 2017........................................ 2

Tabel 1.2 Komponen IPM Provinsi di Provinsi Jawa Barat Tahun 2014-2017.................. 3
Tabel 2.1 Penentuan Nilai Maksimum dan Minimum IPM................................................ 7
Tabel 2.2 Penelitian Terdahulu........................................................................................... 11
Tabel 4.1 Komponen IPM Provinsi Jawa Barat 2014-2017................................................ 23
Tabel 4.2 Peringkat IPM Kabupaten/Kota Provinsi Jawa Barat......................................... 24
Tabel 4.3 Kategori IPM....................................................................................................... 25
Tabel 4.4 Pengelompokkan Kabupaten/Kota Provinsi Jawa Barat menurut IPM Tahun
2017.................................................................................................................... 26
Tabel 4.5 Hasil Uji Model Terbaik..................................................................................... 30
Tabel 4.6 Hasil Uji Multikolinearitas.................................................................................. 31
Tabel 4.7 Hasil Estimasi Random Effect dengan Pendekatan Generalized Least Square......
.............................................................................................................................32
Tabel 4.8 Simpangan Baku Variabel................................................................................... 34
Tabel 4.9 Hasil Output Koefisien Baku.............................................................................. 35
Tabel 4.10 Rata-rata Variabel............................................................................................. 35
Tabel 4.11 Hasil Output Elastisitas..................................................................................... 35
Universitas Pertamina - vii

DAFTAR GAMBAR
Gambar 1.1 IPM Provinsi di Pulau Jawa Tahun 2014 - 2017............................................. 3

Gambar 2.1 Kerangka Penelitian........................................................................................ 13
Gambar 4.1 Peringkat IPM Provinsi Indonesia Tahun 2017.............................................. 22
Gambar 4.2 Perkembangan IPM Provinsi Jawa Barat Tahun 2014-2017.......................... 23
Gambar 4.3 IPM Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017................. 25
Gambar 4.4 PDRB Per kapita Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017. .
......................................................................................................................... 26
Gambar 4.5 Jumlah Penduduk Miskin Kabupaten/Kota Provinsi Jawa Barat Tahun 2014
dan 2017.......................................................................................................... 27
Gambar 4.6 Rata-rata Lama Sekolah Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan
2017................................................................................................................. 28
Gambar 4.7 Tenaga Kesehatan Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
..........................................................................................................................29
Gambar 4.8 Angka Kematian Bayi Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan
2017................................................................................................................. 30
Universitas Pertamina - viii

DAFTAR LAMPIRAN
Lampiran 1 Output Uji Chow............................................................................................ 41

Lampiran 2 Output Uji Hausman....................................................................................... 41
Lampiran 3 Output Uji Lagrange Multiplier..................................................................... 42
Lampiran 4 Hasil Fixed Effect Model................................................................................ 42
Lampiran 5 Hasil Random Effect Model............................................................................ 43
Lampiran 6 Uji Heteroskedastisitas................................................................................... 43
Lampiran 7 Uji Multikolinearitas...................................................................................... 43
Lampiran 8 Hasil Random Effect Model dengan Generalized Least Square..................... 44
Universitas Pertamina - ix
DAFTAR SINGKATAN
Singkatan Arti Keterangan

AHH Angka Harapan Hidup
AKB Angka Kematian Bayi
AKI Angka Kematian Ibu
APK Angka Partisipasi Kasar
APM Angka Partisipasi Murni
AUSTS Anak Usia Sekolah Tidak Sekolah
BAPPENAS Badan Perencanaan Pembangunan Nasional
BLUE Best Linear Unbiased Estimator
BPS Badan Pusat Statistik
CEM Common Effect Model
FEM Fixed Effect Model
GLS Generalized Least Square
GNI Gross National Income
HDI Human Development Index
HDR Human Development Report
HLS Harapan Lama Sekolah
IPM Indeks Pembangunan Manusia
IPTEK Ilmu Pengetahuan dan Teknologi
PDB Produk Domestik Bruto
PDRB Produk Domestik Regonal Bruto
PDRB ADHB Produk Domestik Regonal Bruto Atas Dasar Harga Berlaku
PDRB ADHK Produk Domestik Regonal Bruto Atas Dasar Harga Konstan
PKBM Pusat Kegiatan Belajar Mengajar
PNB Pendapatan Nasional Bruto
PP Pengeluaran Per kapita
REM Random Effect Model
RLS Rata-rata Lama Sekolah
RPJPD Rencana Pembangunan Jangka Panjang Daerah
RPJPN Rencana Pembangunan Jangka Panjang Nasional
SD Sekolah Dasar
SDGS Sustainable Development Goals
SMA Sekolah Menengah Atas
SMP Sekolah Menengah Pertama
Uji LM Uji Lagrange Multiplier
UNDP United Nations Development Programme
VIF Variance Inflation Error
Universitas Pertamina - x
BAB I. PENDAHULUAN
1.1 Latar Belakang
Pembangunan ekonomi menurut Todaro (2006) adalah pembangunan yang terjadi melalui
proses multidimensional yang didalamnya melibatkan perubahan besar dalam struktur sosial, sikap
dari masyarakat, lembaga nasional, percepatan pertumbuhan ekonomi, pengurangan kesenjangan
dan penghapusan kemiskinan absolut. Sedangkan menurut Sukirno (1996) pembangunan ekonomi
adalah upaya meningkatkan pendapatan per kapita dengan mengolah kekuatan ekonomi potensial
menjadi ekonomi riil yaitu dengan cara menanam modal, menggunakan teknologi, menambah
pengetahuan, meningkatkan keterampilan, menambah kemampuan berorganisasi, dan manajemen.
Pembangunan ekonomi memiliki beberapa tujuan, diantaranya adalah meningkatkan kualitas
ekonomi masyarakat, meningkatkan kesempatan kerja dan meningkatkan kualitas sumber daya
manusia. Menciptakan lingkungan dengan rakyat yang sejahtera adalah tujuan utama dari
pembangunan ekonomi. Salah satu parameter untuk melihat keberhasilan suatu pembangunan
ekonomi dalam membangun kualitas sumber daya manusia ialah Indeks Pembangunan Manusia.
Pada tahun 1990 United Nations Development Programme (UNDP) memperkenalkan

Indeks Pembangunan Manusia (IPM) atau Human Development Index (HDI). Pembangunan manusia
menurut UNDP adalah suatu proses memperluas pilihan-pilihan penduduk. Sedangkan menurut
Badan Pusat Statistik (BPS), IPM adalah perhitungan yang menjelaskan bagaimana penduduk dapat
mengakses hasil pembangunan dalam memperoleh pendapatan, kesehatan dan pendidikan. Kualitas
manusia pada suatu wilayah sangat berpengaruh pada pencapaian pembangunan ekonominya. Suatu
negara dapat diukur keberhasilannya melalui tingkat pembangunan manusianya. IPM dapat
menentukan peringkat suatu negara karena semakin tinggi nilai IPM suatu negara, maka negara
tersebut akan menduduki peringkat atas dan dianggap berhasil mencapai pembangunan ekonomi di
negaranya. Peringkat ini berdasarkan angka IPM yang dimiliki oleh setiap wilayah. Jika angka IPM
mendekati nilai 100 berarti pembangunan manusia di wilayah tersebut semakin baik, sedangkan
ketika angka IPM mendekati nol maka pembangunan manusia di wilayah tersebut buruk.
IPM memiliki tiga faktor dalam pengukurannya, yaitu: kesehatan, pendidikan dan ekonomi
atau standar hidup layak. Ketiga faktor ini saling memengaruhi satu sama lain, jadi ketiga faktor ini
sangat penting untuk meningkatkan IPM suatu wilayah. Selain ketiga faktor utama, IPM juga
dipengaruhi oleh faktor lain, yaitu: ketersediaan kesempatan kerja, kebijakan pemerintah,
infrastruktur dan pertumbuhan ekonomi. Nilai IPM di suatu wilayah memiliki hubungan positif
dengan ketiga faktor utama. Ketika ketiga unsur tersebut meningkat maka nilai IPM di suatu wilayah
akan meningkat. Selain itu, pembangunan manusia di suatu wilayah dapat dilihat dari keberhasilan
pemerintah mengatasi masalah yang meliputi kemiskinan, gizi buruk, serta buta huruf.
Di tahun 2014, UNDP merubah indikator dan metodologi perhitungan IPM yaitu: Angka
Harapan Lama Sekolah menggantikan Angka Melek Huruf, Produk Domestik Bruto (PDB) per-
kapita diganti menjadi Pendapatan Nasional Bruto (PNB) per kapita, tahun dasar PNB per-kapita
berubah menjadi tahun 2011 yang sebelumnya tahun 2005 dan metode perhitungan berubah menjadi
rata-rata geometrik yang sebelumnya menggunakan rata-rata aritmatik (BPS, 2019a). Keunggulan
dari metode baru adalah lebih relevan dalam menggambarkan pendidikan karena memasukkan rata-
rata lama sekolah dan angka harapan lama sekolah dibandingkan dengan menggunakan angka melek
huruf. Selain itu, PNB lebih menggambarkan pendapatan masyarakat di suatu wilayah dibandingkan
PDB. Di Indonesia, IPM menjadi tolak ukur data strategis karena menjadi ukuran kinerja pemerintah
Universitas Pertamina - 1
daerah/nasional dan IPM digunakan sebagai salah satu penentu alokasi Dana Alokasi Umum.
Pada tahun 2017 Indonesia berada pada kategori IPM sedang dengan nilai IPM sebesar
69,40. Hal ini menyebabkan Indonesia menempati peringkat ke-116 dari 189 negara yang dicatat
UNDP. Dalam publikasi tahunan Human Development Report (HDR), pada tahun tersebut Indonesia
memperoleh angka harapan hidup 69,4 tahun yang artinya setiap bayi lahir memiliki harapan hidup
hingga umur ± 69 tahun. Sementara itu, pada dimensi pendidikan yang diukur dari nilai harapan
lama sekolah dan rata-rata waktu lama sekolah, Indonesia mendapatkan nilai masing-masing
memiliki nilai 12,8 tahun dan 8 tahun. Pada dimensi ekonomi, besaran Gross National Income (GNI)
Indonesia per kapita sebesar $10.846 dengan menggunakan tahun dasar 2011. Bila dibandingkan
dengan negara di Asia Tenggara, IPM Indonesia berada pada peringkat enam dari sebelas negara
yang ada di wilayah tersebut (Tabel 1.1).
Tabel 1.1. Peringkat IPM Negara di Asia Tenggara Tahun 2017

No. Negara Kategori Peringkat di Dunia IPM
1 Singapura Very High HDI 9 93,2
2 Brunei Darussalam Very High HDI 39 85,3
3 Malaysia Very High HDI 57 80,2
4 Thailand High HDI 83 75,7
5 Filipina Medium HDI 113 69,9
6 Indonesia Medium HDI 116 69,4
7 Vietnam Medium HDI 117 69,4
8 Timor Leste Medium HDI 132 62,5
9 Laos Medium HDI 139 60,1
10 Kamboja Medium HDI 146 58,2
11 Myanmar Medium HDI 148 57,8
Sumber : UNDP (2018)
Dalam peringkat nasional, provinsi dengan IPM tertinggi pada tahun 2017 diraih oleh
Provinsi DKI Jakarta, yaitu dengan nilai IPM sebesar 80,06 dan provinsi dengan IPM terendah yaitu
Provinsi Papua dengan nilai IPM sebesar 59,09. Hal ini diakibatkan oleh perbedaan dalam kebijakan
pemerintah daerah untuk meningkatkan pembangunan manusia terhadap bidang pendidikan,
kesehatan dan ekonomi. Sementara, Jawa Barat sebagai provinsi dengan jumlah penduduk terbesar
pada tahun 2017 menempati peringkat ke-10 dari 34 provinsi di Indonesia. Pada area Pulau Jawa,
Provinsi Jawa Barat menempati peringkat keempat dari enam Provinsi, dimana peringkat tersebut
tidak mengalami perubahan selama periode 2014-2017. Provinsi dengan IPM tertinggi dicapai oleh
Provinsi DKI Jakarta sedangkan provinsi dengan IPM terendah di Pulau Jawa ditempati oleh Provinsi
Jawa Timur (Gambar 1.1).
DKI Jakarta D.I.Yogyakarta Banten Jawa Barat Jawa Tengah Jawa Timur
80,06
79,6
78,99
78,89
78,39
78,38
77,59
76,81
71,42
70,96
70,69
70,52
70,27
70,27
70,05
69,98
69,89
69,74
69,49
69,5
68,95
68,78
68,8
68,14
2014 2015 2016 2017
Gambar 1.1. IPM Provinsi di Pulau Jawa Tahun 2014 - 2017
Sumber : BPS (2018c)
Pencapaian Jawa Barat hingga dapat memasuki peringkat 10 besar nasional merupakan
cerminan dari komponen-komponen IPM Provinsi Jawa Barat. Pada tahun 2016 dan 2017 Jawa Barat
telah masuk kedalam kategori IPM tinggi karena memperoleh nilai IPM >70. Angka Harapan Hidup
(AHH), Harapan Lama Sekolah (HLS), Rata-rata Lama Sekolah (RLS) dan Pengeluaran Per
kapita(PP) Provinsi Jawa Barat mengalami peningkatan pada periode 2014-2017. Meningkatnya
komponen IPM tersebut memengaruhi nilai IPM di Jawa Barat. Nilai dari komponen-komponen
tersebut dapat dilihat pada Tabel 1.2.
Tabel 1.2. Komponen IPM Provinsi di Provinsi Jawa Barat Tahun 2014-2017
Tahun
Jawa Barat Satuan
2014 2015 2016 2017
IPM 68,80 69,50 70,05 70,69 Poin
Pertumbuhan IPM 0,55 0,70 0,55 0,64 Persen
Angka Harapan Hidup (AHH) 72,23 72,41 72,44 72,47 Tahun
Harapan Lama Sekolah (HLS) 12,08 12,15 12,30 12,42 Tahun
Rata- rata Lama Sekolah (RLS) 7,71 7,86 7,95 8,14 Tahun
Pengeluaran Per-Kapita (PP) 9,447,- 9,778,- 10,035,- 10,285,- (Rupiah/hari)
Sumber : BPS Jawa Barat (2019)
Dari Tabel 1.2, dapat dilihat pertumbuhan IPM tertinggi terjadi pada tahun 2015. Angka
RLS Provinsi Jawa Barat pada periode 2014-2017 menunjukkan bahwa rata-rata lama sekolah
penduduk di Provinsi Jawa Barat menamatkan pendidikannya pada jenjang Sekolah Menengah
Pertama (SMP). Hal ini berarti angka RLS Provinsi Jawa Barat masih berada dibawah target wajib
belajar 12 tahun. Dalam Rencana Pembangunan Jangka Panjang Daerah (RPJPD) Tahun 2005-2025,
Provinsi Jawa Barat memiliki sasaran target nilai IPM pada Periode III (Tahun 2013-2018) berada
di rentang 71,04-71,54 poin (BAPPEDA Provinsi Jawa Barat, 2019). Namun, realisasi nilai IPM
Jawa Barat pada periode 2014-2017 masih berada dibawah angka target sasaran. Hal ini dapat
dikaitkan dengan beberapa permasalahan pembangunan manusia yang ada di Provinsi Jawa Barat.
Pada bidang kesehatan, di Provinsi Jawa Barat terdapat kesenjangan yang tinggi dalam status
kesehatan, akses pelayanan kesehatan antarwilayah yang rendah dan penggunaan teknologi bidang
kesehatan yang belum optimal. Selain itu, Provinsi Jawa Barat menjadi salah satu provinsi
penyumbang terbesar Angka Kematian Ibu (AKI) dan Angka Kematian Bayi (AKB) (Asshidiq,
2016). Pada bidang ekonomi, menurut data Badan Pusat Statistik (2019) Provinsi Jawa Barat
memiliki angka penduduk miskin yang paling tinggi di Indonesia. Angka penduduk miskin yang
tinggi tersebut sejalan dengan Provinsi Jawa Barat yang memiliki jumlah penduduk terbesar di
Indonesia.
1.2 Rumusan Masalah

Jawa Barat sebagai provinsi dengan penduduk terbesar di Indonesia seharusnya mampu
memberikan kontribusi pembangunan manusia yang tinggi terhadap IPM di Indonesia. Selain itu,
realisasi nilai IPM Jawa Barat pada Periode III masih berada dibawah target sasaran RPJPD Tahun
2005-2025. Perbandingan peringkat IPM antar provinsi di Indonesia memperlihatkan bahwa
pembangunan manusia di Provinsi Jawa Barat perlu ditingkatkan lagi. Dalam proses meningkatkan
pembangunan manusia, tentunya terdapat faktor pendukung dan faktor penghambat. Faktor
pendukung pembangunan manusia dapat dipengaruhi oleh PDRB per kapita dan tingkat
kesejahteraan masyarakat dalam pendidikan serta kesehatan yang terus meningkat. Sedangkan faktor
penghambat adalah permasalah dalam pembangunan manusia yang dapat dipengaruhi oleh
kemiskinan serta angka kematian bayi. Oleh karena itu, informasi terkait faktor-faktor yang
memengaruhi indeks pembangunan manusia pada kabupaten/kota Provinsi Jawa Barat sangat
diperlukan untuk implementasi kebijakan pemerintah daerah. Berdasarkan uraian diatas, dapat
ditarik pertanyaan sebagai berikut:
1. Bagaimana perkembangan IPM Kabupaten/Kota di Provinsi Jawa Barat Periode 2014–2017?

2. Faktor-faktor apa saja yang memengaruhi IPM Kabupaten/Kota di Provinsi Jawa Barat Periode
2014–2017?
1.3 Tujuan
Berdasarkan perumusan masalah yang diuraikan di atas, maka penelitian ini bertujuan untuk
memperoleh informasi mengenai:
1. Mengidentifikasi perkembangan IPM Kabupaten/Kota di Provinsi Jawa Barat Periode 2014–

2017.
2. Menganalisis faktor-faktor yang memengaruhi IPM Kabupaten/Kota di Provinsi Jawa Barat
Periode 2014–2017.
1.4 Manfaat
Penelitian ini diharapkan dapat memberikan manfaat kepada pihak-pihak berikut:
1. Bagi Pemerintah
Sebagai bahan pertimbangan bagi pemerintah daerah dalam perumusan dan perencanaan
kebijakan pembangunan daerah baik pembangunan ekonomi maupun pembangunan manusia,
serta sebagai solusi terhadap permasalahan yang terkait dengan masalah pembangunan manusia.
2. Bagi Masyarakat
Sebagai informasi untuk mengukur tingkat keberhasilan pemerintah daerah dalam pembangunan
manusia.
3. Bagi Akademisi
Sebagai referensi informasi dan rujukan bagi akademisi dalam melakukan penelitian dan
mengembangkannya.
1.5 Ruang Lingkup

Ruang lingkup penelitian merupakan suatu bentuk batasan bidang bagi penulis dalam
melakukan kegiatan penulisan penelitian. Penelitian ini membahas tentang perkembangan indeks
pembangunan manusia dan faktor-faktor yang memengaruhi pembangunan manusia di Provinsi Jawa
Barat. Perkembangan indeks pembangunan manusia dapat dilihat dari indikator kesehatan,
pendidikan, dan perekonomian masyarakat. Dalam hal ini, ruang lingkup untuk penulis yaitu
Kabupaten/Kota Provinsi Jawa Barat periode 2014 sampai dengan 2017.
BAB II. TINJAUAN LITERATUR
2.1 Tinjauan Teori
2.1.1 Pembangunan Manusia

Pembangunan manusia menurut UNDP adalah upaya penduduk dalam memperluas
pilihannya dan taraf yang dicapai. Pilihan masyarakat yang paling mendasar terdiri dari 3 pilihan,
yaitu: hidup dengan umur panjang dan sehat, memiliki pengetahuan yang luas dan memiliki standar
hidup yang layak. Ketiga pilihan ini dapat dikatakan sudah mampu menggambarkan pembangunan
di suatu wilayah.
Paradigma pembangunan manusia dianggap penting karena memiliki enam alasan berikut:
meningkatkan harkat dan martabat manusia sebagai tujuan akhir pembangunan, memberantas
kemiskinan, meningkatkan produktivitas dan kontrol secara maksimal terhadap barang dan jasa,
memelihara lingkungan, mengembangkan demokrasi, merawat stabilitas dalam sosial politik yang
kondusif (Suryono, 2011). Dalam konsep pembangunan manusia, pendapatan menjadi salah satu
yang harus dimiliki manusia. Namun pembangunan bukan saja tentang pendapatan yang dimiliki.
Pembangunan harus tetap fokus pada manusia. Pembangunan manusia diukur dengan IPM. Faktor
yang utama dalam IPM adalah pendidikan dan kesehatan untuk meningkatkan kualitas sumberdaya
manusia. Peningkatan kualitas sumberdaya manusia akan menuju pada peningkatan kesejahteraan
ekonomi yang maju.
2.1.2 Indeks Pembangunan Manusia

IPM pertama kali diperkenalkan pada tahun 1990 UNDP sebagai gagasan baru pengukuran
pembangunan manusia. Laporan tahunan IPM yang dipublikasikan secara oleh UNDP adalah HDR.
IPM dapat menjelaskan bagaimana kesejahteraan penduduk dalam mengakses pembangunan
ekonomi seperti memperoleh pendapatan, kesehatan dan pendidikan.
Menurut UNDP, IPM adalah indeks yang pengukurannya merupakan rata-rata geometrik
dari tiga dimensi utama pembangunan manusia. Dimensi tersebut adalah hidup dengan umur panjang
dan sehat, memiliki pengetahuan yang luas dan memiliki standar hidup yang layak. Ketiga dimensi
ini memiliki pengukuran masing-masing. Dimensi hidup dengan umur panjang diukur dengan angka
harapan hidup, dimensi pengetahuan yang luas diukur dengan rata-rata lama sekolah dan harapan
lama sekolah serta dimensi kehidupan yang layak diukur dengan kemampuan daya beli masyarakat
terhadap kebutuhan pokok yang dilihat dari pengeluaran per kapita (UNDP, 2019).
Angka IPM suatu wilayah menggambarkan kesejahteraan dan keberhasilan dalam

pembangunan manusia. Berdasarkan nilai IPM yang dicapai suatu wilayah, IPM dibagi menjadi 4
kategori, yaitu: IPM kategori rendah (IPM < 60), IPM kategori sedang (60 ≤ IPM < 70), IPM kategori
tinggi (70 ≤ IPM < 80) dan IPM kategori sangat tinggi (IPM ≥ 80) (BPS, 2019a). Semakin tinggi
nilai IPM berarti pembangunan manusia di wilayah tersebut semakin baik, sedangkan semakin
rendah IPM maka pembangunan manusia di wilayah tersebut semakin buruk.
2.1.3 Perhitungan Indeks Pembangunan Manusia

Untuk memperoleh nilai IPM, maka perlu melakukan perhitungan. Dalam menghitung IPM,
terdapat beberapa standar yang telah ditentukan. Setiap indikator IPM memiliki nilai minimum dan
maksimum. UNDP dan BPS telah menetapkan beberapa standar untuk mengukur IPM. Standar yang
ditentukan kedua lembaga tersebut memiliki besaran yang sama. Penentuan nilai maksimum dan
minimum tersebut dapat dilihat pada Tabel 2.1.
Tabel 2.1. Penentuan Nilai Maksimum dan Minimum IPM

Minimum Maksimum
Indikator Satuan
UNDP BPS UNDP BPS
Angka Harapan Hidup Tahun 20 20 85 85
Harapan Lama Sekolah Tahun 0 0 18 18
Rata-rata Lama Sekolah Tahun 0 0 15 15
Pengeluaran Per kapita 100 1.007.436* 107.721 26.572.352**
Disesuaikan (PPP U$) (Rp) (PPP U$) (Rp)
Sumber: Badan Pusat Statistik (2015a)
Keterangan:
* : garis kemiskinan terendah Kabupaten Tolikara-Papua tahun 2010

** : daya beli maksimum merupakan nilai tertinggi kabupaten yang diproyeksikan hingga
2025 (akhir RPJPN) yaitu perkiraan pengeluaran per kapita Jakarta Selatan tahun 2025
a) Dimensi Kesehatan
Berikut ini rumus perhitungan untuk mencari angka dimensi kesehatan dengan Angka Harapan
Hidup:
,--.,--/01
I$%&%'()(* = ,--
/23 .,--/01
Keterangan:
AHH : angka harapan hidup tahun-n

AHHmin : angka harapan hidup minimum
AHHmaks : angka harapan hidup maksimum
b) Dimensi Pendidikan
Berikut ini rumus perhitungan untuk mencari angka dimensi pendidikan dengan Angka Harapan
Lama Sekolah dan Rata-rata Lama Sekolah:
-45.-45/01
I-45 = -45
/23 .-45/01
Keterangan:
HLS : harapan lama sekolah tahun-n

HLSmin : harapan lama sekolah minimum
HLSmaks : harapan lama sekolah maksimum
645.645/01
I645 = 645
/23 .645/01
Keterangan:
RLS : rata-rata lama sekolah tahun-n

RLSmin : rata-rata lama sekolah minimum
RLSmaks : rata-rata lama sekolah maksimum
Setelah Angka Harapan Sekolah dan Rata-rata Lama Sekolah didapatkan, maka didapat rumus
perhitungan dimensi pendidikan:
;<=> ?;@=>
I7%*8989:(* =
A
Keterangan:
IHLS : indeks harapan lama sekolah

IRLS : indeks rata-rata lama sekolah
c) Dimensi Ekonomi
Berikut ini rumus perhitungan untuk mencari angka dimensi ekonomi dengan indikator pengeluaran:
C*(G%*B%CD(E(*). C* (G%*B%CD(E(*/01 )
I7%*B%CD(E(* = C* (G%*B%CD(E(*
/23 ). C* (G%*B%CD(E(*/01 )
Keterangan:
Ln pengeluaran : indeks pengeluaran tahun-n

Ln pengeluaranmin : indeks pengeluaran minimum
Ln pengeluaranmaks : indeks pengeluaran maksimum
Setelah semua indeks komponen IPM dihitung, maka didapat rumus rata-rata geometrik sebagai
berikut:
IPM = MKI$%&%'()(* × I7%*8989:(* × I7%*B%CD(E(* × 100
Keterangan:
Ikesehatan : indeks pengeluaran tahun-n

Ipendidikan : indeks pengeluaran minimum
Ipengeluaran : indeks pengeluaran maksimum
2.1.4 PDRB Per kapita

Produk Domestik Regional Bruto (PDRB) adalah salah satu perhitungan untuk melihat
kinerja perekonomian dan kemampuan sumber daya ekonomi suatu wilayah. Perhitungan ini
merupakan hasil penjumlahan seluruh nilai tambah dari barang maupun jasa kegiatan perekonomian
di suatu wilayah dalam periode tahun tertentu. PDRB menurut harga terbagi menjadi 2, yaitu: PDRB
Atas Dasar Harga Berlaku (ADHB) dan PDRB Atas Dasar Harga Konstan (ADHK). Perbedaan yang
mendasar dari keduanya adalah pada tahun harga berlaku, dimana PDRB ADHB menggunakan harga
berlaku pada tahun tersebut sedangkan PDRB ADHK menggunakan harga berlaku pada tahun dasar
atau tahun acuan. Kedua jenis PDRB tersebut memiliki fungsi yang berbeda. PDRB ADHB
digunakan untuk melihat kemampuan struktur ekonomi, sumber daya ekonomi, dan pergeseran
perekonomian suatu daerah. PDRB ADHK digunakan untuk melihat pertumbuhan ekonomi rill dari
tahun ke tahun atau dengan kata lain faktor harga tidak mempengaruhi pertumbuhan perekonomian.
Perhitungan PDRB dilakukan dengan menggunaan tiga pendekatan, yaitu: (1) Pendekatan
Produksi yaitu pendekatan yang menghitung jumlah nilai tambah yang dihasilkan dari seluruh sektor
ekonomi yang ada di wilayah untuk menghitung pendapatan wilayahnya; (2) Pendekatan Pendapatan
yang menggambarkan struktur pendapatan masyarakat yang ada di suatu wilayah dan (3) Pendekatan
Pengeluaran yang menggambarkan penggunaan akhir dari suatu pendapatan masyarakat. Ketiga
pendekatan ini memiliki hubungan yang erat. Hubungan dari ketiga pendekatan ini yaitu besarnya
banyak barang dan jasa yang diproduksi, besaran pendapatan yang diterima serta penggunaan
pendapatan. Menurut BPS, PDRB per kapita kabupaten/kota adalah hasil pembagian dari agregat
PDRB dengan jumlah penduduk yang ada di kabupaten/kota tersebut (BPS, 2008). Hal ini berlaku
untuk kedua jenis PDRB, yaitu PDRB ADHB per kapita dan PDRB ADHK per kapita. PDRB per
kapita menjadi salah satu pengukuran untuk melihat tingkat kemakmuran yang ada didalam suatu
wilayah, karena menggambarkan rata-rata pendapatan yang diterima setiap penduduk dalam kurun
waktu satu tahun.
2.1.5 Kemiskinan
Kemiskinan memiliki arti yang luas dan beragam. Menurut BAPPENAS (Badan
Perencanaan Pembangunan Nasional) kemiskinan adalah kondisi dimana seseorang atau kelompok
tidak dapat memenuhi hak-hak dasar untuk mempertahankan hidup yang bermartabat. Hak-hak dasar
tersebut diantaranya: kebutuhan pangan terpenuhi; hak dalam mendapatkan pendidikan, kesehatan,
perumahan, air bersih, sumberdaya alam dan lingkungan; hak akan dari ancaman maupun tindak
kekerasan; hak untuk ikut berpartisipasi dalam bidang sosial dan politik. Pendekatan yang digunakan
BPS untuk mengukur kemiskinan menggunakan konsep basic needs approach. Melalui pendekatan
ini, kemiskinan diukur dari ketidakmampuan sisi pengeluaran seseorang untuk memenuhi kebutuhan
dasar makanan dan bukan makanan (BPS, 2019).
Penduduk yang memiliki rata-rata pengeluaran per kapita perbulan dibawah garis
kemiskinan disebut penduduk miskin. BPS (2019c) memiliki tiga indikator perhitungan untuk
mengukur kemiskinan yang diantaranya adalah: Persentase Penduduk Miskin (Head Count Index-
P0), Indeks Kedalaman Kemiskinan (Poverty Gap Index-P1) dan Indeks Keparahan Kemiskinan
(Poverty Severity Index-P2). Persentase Penduduk Miskin (P0) adalah penduduk yang ada dibawah
Garis Kemiskinan. Garis Kemiskinan didapat dari hasil jumlah Garis Kemiskinan Makanan (GKM)
dan Garis Kemiskinan Non Makanan (GKNM). Indeks Kedalaman Kemiskinan (P1) merupakan
indikator yang mengukur rata-rata kesenjangan dari pengeluaran tiap penduduk dengan Garis
Kemiskinan. Semakin tinggi nilai P1, maka rata-rata pengeluaran penduduk semakin jauh dari Garis
Kemiskinan. Sedangkan Indeks Keparahan Kemiskinan (P2) merupakan indikator yang
menggambarkan penyebaran pengeluaran antara penduduk miskin. Semakin tinggi nilai P2, maka
ketimpangan pengeluaran antara penduduk miskin semakin tinggi atau menyebar dari nilai rata-rata.
Rumus perhitungan kemiskinan menurut indikator yang ditentukan BPS adalah sebagai berikut:
RZ V.WX \
PQ = ∑X[R U Y (2.1)
S V
Dimana:
a : 0,1,2
Z : garis kemiskinan
Yi : rata-rata pengeluaran per kapita sebulan penduduk dibawah garis kemiskinan
q : banyaknya penduduk dibawah garis kemiskinan
n : jumlah penduduk
2.2 Tinjauan Empiris
Tinjauan empiris adalah hasil dari penelitian terdahulu yang relevan pada penelitian ini.
Daftar tinjauan empiris pada penelitian ini dapat dilihat pada Tabel 2.2. Ringkasan dari variabel
penelitian terdahulu yang digunakan pada penelitian ini adalah sebagai berikut:
Variabel PDRB per kapita pada penelitian Melliana & Zain (2013) memiliki hubungan
signifikan positif terhadap IPM Provinsi Jawa Timur pada periode 2004-2011 yang dilakukan dengan
metode fixed effect model cross section weight. Hal ini juga terlihat pada penelitian di Kota Depok
pada periode 2012-2014 yang dilakukan oleh Aini, Harianto, & Puspitawati (2016). dengan metode
fixed effect model bahwa PDRB per kapita memiliki hubungan signifikan positif IPM di suatu
wilayah. Variabel rata-rata lama sekolah di Indonesia pada periode 2006-2011 memiliki hubungan
signifikan positif terhadap IPM di Indonesia. Hal ini terbukti pada penelitian yang dilakukan oleh
Ezkirianto & Muhammad (2013) dengan menggunakan metode two-stage least square (2SLS).
Variabel jumlah penduduk miskin pada kabupaten/kota Provinsi D.I. Yogyakarta periode 2013-2017
memiliki hubungan negatif signifikan terhadap IPM yang terbukti melalui penelitian yang dilakukan
Luckynuari (2019) dengan metode fixed effect model LSDV.
Variabel jumlah tenaga kesehatan di Kota Depok pada periode 2012-2014 tidak signifikan
mempengaruhi IPM di Kota Depok. Hal ini terlihat dari penelitian yang dilakukan oleh oleh Aini et
al. (2016) dengan metode fixed effect model. Hal ini berbanding terbalik dengan penelitian yang
dilakukan oleh Rakhmah (2016) yang mengatakan bahwa jumlah tenaga kesehatan memiliki
hubungan signifikan positif terhadap IPM di 14 Provinsi Indonesia dengan metode fixed effect model.
Variabel kematian bayi pada penelitian Zuhairoh, Z.A dan Melaniani, S., (2018) memiliki hubungan
signifikan negatif terhadap IPM Provinsi Jawa Timur pada periode 2016 yang dilakukan dengan
metode ordinary least square. Hal ini juga terlihat pada penelitian Sugiantari, A. P. dan Budiantara,
I. N. (2013) bahwa pada tahun 2010 bahwa kematian bayi di Jawa Timur memengaruhi angka
harapan hidup dengan menggunakan regresi semiparametric spline.
Tabel 2.2. Penelitian Terdahulu
No Peneliti Tujuan Metode Hasil
1 Aini et al. (2016) 1) Menganalisis tingkat 1) Indeks 1) Tingkat pendapatan antar kecamatan di wilayah Kota
ketimpangan pendapatan Williamson Depok cenderung menurun pada peiode 2012-2014,
2) Menganalisis tingkat kemajuan 2) Tipologi 2) Dari seluruh kecamatan di Kota Depok terbagi menjadi
ekonomi Klassen dua Bagian yaitu empat kecamatan maju dan tujuh
3) Menganalisis faktor-faktor yang 3) Fixed Effect kecamatan berkembang berdasarkan tipologi daerah,
mempengaruhi IPM 3) Hanya 5 variabel yang signifikan terhadap IPM yaitu;
sarana SD, rasio guru murid SD, rasio guru murid SMA
dan kepadatan penduduk.
2 Rakhmah, R.D., 1) Menganalisis faktor-faktor Data Panel 1) Rasio murid SMP terhadap sekolah, rumah sakit, tenaga
(2016) yang memengaruhi dengan Fixed kesehatan, puskesmas dan PDRB berpengaruh positif
pembangunan manusia di 14 signifikan terhadap IPM.
Effect Model 2) Upaya yang dapat dilakukan yaitu dengan menambah
provinsi di Indonesia
2) Merumuskan upaya-upaya jumlah guru yang berkualitas agar kualitas pendidikan
dapat meningkat serta memberikan pelatihan
yang dapat dilakukan untuk berkelanjutan bagi guru-guru yang sudah ada agar kualitas
meningkatkan pembangunan dari guru-guru tersebut menjadi lebih baik. Upaya
manusia di 14 provinsi di peningkatan kesehatan dengan membangun fasilitas
Indonesia kesehatan dan diiringi dengan kualitas pelayanan
kesehatan yang baik serta ketersediaan sumberdaya
tenaga kesehatan yang berkualitas. Selanjutnya dapat
dilakukan pemerataan distribusi pendapatan.
3 Zuhairoh, Z.A dan Menganalisis pengaruh angka Regresi linear Angka kematian bayi dan rasio ketergantungan berpengaruh
Melaniani, S., (2018) kematian bayi, angka partisipasi berganda terhadap indeks pembangunan manusia di Provinsi Jawa
murni sekolah dasar, dan rasio Timur. Sedangkan angka partisipasi murni sekolah dasar tidak
ketergantungan terhadap Indeks signifikan terhadap indeks pembangunan manusia di Provinsi
Pembangunan Manusia Provinsi Jawa Jawa Timur.
Timur
No Peneliti Tujuan Metode Hasil
4 Luckynuari, (2019) Menganalisis seberapa besar Fixed Effect Kemiskinan berpengaruh negatif signifikan terhadap IPM dan
pengaruh kemiskinan, pengangguran, Least Square pertumbuhan ekonomi berpengaruh signifikan, pengangguran
dan pertumbuhan ekonomi terhadap Dummy berpengaruh negatif tidak signifikan.
kualitas pembangunan manusia di Variable (FEM
Provinsi D.I. Yogyakarta. LSDV)
5 Melliana dan Zain, Meneliti faktor yang mempengaruhi Fixed Effect Rasio siswa terhadap guru, angka partisipasi SMP/MTs,
(2013) IPM Jawa Timur pada tahun 2004- Model Cross jumlah 13 sarana kesehatan, persentase RT dengan akses air
2011 Section Weight bersih, kepadatan penduduk, tingkat partisipasi angkatan
kerja, dan PDRB per kapita.
6 Sugiantari, A. P. dan Mengetahui faktor-faktor apa saja Regresi Angka kematian bayi, persentase bayi berusia 0-11 bulan yg
Budiantara, I. N. yang secara signifikan mempengaruhi semiparametrik diberi asi selama 4-6 bulan dan persentase balita berusia 1-4
(2013) Angka Harapan Hidup di Jawa Timur spline tahun yg diberi imunisasi lengkap berpengaruh signifikan
terhadap AHH di jawa timur
7 Ezkirianto dan Menganalisis hubungan keterkaitan Data panel Terdapat hubungan positif yang signifikan antara indeks
Muhammad, (2013) IPM dan PDRB per kapita, rata-rata dengan two pembangunan manusia dan PDRB per kapita, ketika rata-rata
lama sekolah, belanja pemerintah stage least lama sekolah, belanja pemerintah bidang pendidikan dan
bidang kesehatan dan pendidikan. square (2SLS) kesehatan, total pengeluaran pemerintah, serta distribusi
pendapatan merupakan variabel penting yang menjelaskan
kekuatan hubungan antara pembangunan manusia dan
pertumbuhan ekonomi.
2.3 Kerangka Penelitian
IPM suatu daerah merupakan salah satu tolak ukur untuk pembangunan daerah agar dapat
meningkatkan kualitas penduduknya. IPM terdiri dari tiga komponen yang diantaranya aspek
kesehatan, pendidikan dan ekonomi yang dapat diuraikan menjadi beberapa poin atau indikator.
Untuk mencapai suatu pembangunan yang berkualitas, terdapat faktor penghambat dan faktor
pendukung. Faktor pendukung dapat dipengaruhi oleh PDRB per kapita dan tingkat kesejahteraan
masyarakat dalam pendidikan maupun kesehatan yang terus meningkat. Sedangkan faktor
penghambat dapat dipengaruhi oleh kemiskinan dan angka kematian bayi. Oleh karena itu, kebijakan
yang dibuat pemerintah sangat memengaruhi pembangunan manusia di wilayahnya.
Pendidikan Kesehatan Ekonomi
Faktor Pendukung: Faktor Penghambat:
PDRB per-kapita, RLS Jumlah Penduduk

dan Jumlah Tenaga Miskin & Kematian
Kesehatan Bayi
IPM Kabupaten/Kota
Provinsi Jawa Barat
Fixed Effect Model /

Random Effect
Model
Simpulan dan Saran
Gambar 2.1. Kerangka Penelitian
2.4 Hipotesis
Berdasarkan perumusan masalah, tinjauan kepustakaan, hasil penelitian terdahulu dan teori
yang ada maka hipotesis yang diajukan dalam penelitian ini adalah sebagai berikut:
1. Variabel PDRB per kapita diduga berpengaruh positif dan signifikan terhadap IPM
Kabupaten/Kota Provinsi Jawa Barat Periode 2014-2017.
2. Variabel Jumlah Penduduk Miskin diduga berpengaruh negatif dan signifikan terhadap IPM
3. Variabel Rata-rata Lama Sekolah diduga berpengaruh positif dan signifikan terhadap IPM
4. Variabel Jumlah Tenaga Kesehatan diduga berpengaruh positif dan signifikan terhadap IPM
5. Variabel Kematian Bayi diduga berpengaruh negatif dan signifikan terhadap IPM
BAB III. METODOLOGI
3.1 Waktu dan Tempat
Penelitian ini dilaksanakan mulai dari bulan September sampai dengan Desember 2019.
Kegiatan penelitian ini dilakukan di Kampus Universitas Pertamina Jakarta.
3.2 Jenis dan Sumber Data

Jenis data yang digunakan bersifat kuantitatif, yaitu data tahunan berbentuk angka yang
dapat diukur atau dihitung. Data yang digunakan dalam penelitian ini adalah data sekunder. Data
Indeks Pembangunan Manusia dan faktor yang memengaruhinya meliputi 27 Kabupaten/Kota
Provinsi Jawa Barat pada tahun 2014–2017. Data yang diperoleh berasal dari laporan Jawa Barat
dalam Angka Tahun 2015–2018 yang diterbitkan oleh BPS Provinsi Jawa Barat, Data dan Informasi
Kemiskinan Kabupaten/Kota Tahun 2014–2017, Profil Kesehatan Provinsi Jawa Barat Tahun 2014-
2017, Rata-rata Lama Sekolah Menurut Kabupaten/Kota di Provinsi Jawa Barat Tahun 2014-2017
dan Produk Domestik Regional Bruto Kabupaten/Kota di Indonesia Tahun 2014–2017 yang
diterbitkan oleh BPS Indonesia. Pengolahan data pada penelitian ini menggunakan aplikasi Microsoft
Excel 2016 dan Stata 14.1.
3.3 Metode Analisis

Metode analisis data dalam penelitian ini menggunakan dua metode analisis yaitu analisis
deskriptif dan analisis kuantitatif. Metode analisis deskriptif adalah metode yang berkaitan dengan
pengumpulan dan penyajian data-data dengan cara menggambarkan data-data tersebut untuk
menyajikan informasi di dalam suatu kumpulan data (Sugiyono, 2014). Analisis ini digunakan untuk
melihat kondisi sumber daya manusia di Jawa Barat dan implementasi kebijakan dari pemerintah
daerah di Provinsi Jawa Barat. Sedangkan analisis kuantitatif yang digunakan dalam penelitian ini
adalah model analisis data panel. Data panel merupakan gabungan dari dari data time series dan data
cross section (Widarjono A., 2009). Metode ini digunakan untuk menganalisis determinan yang
memengaruhi IPM di kabupaten/kota Provinsi Jawa barat. Data yang digunakan yaitu unit cross
section sebanyak 27 Kabupaten/Kota dan unit time series dengan tahun 2014 sampai dengan 2017.
Menurut Widarjono (2007) terdapat 3 pendekatan untuk mengestimasi model data panel,
yaitu;
1. Common effect
Dalam pendekatan ini hanya menggabungkan antara data cross section dan time series.
Pendekatan ini menggunakan metode Ordinary Least Square. Waktu dan individu diabaikan
dalam pendekatan ini karena asumsi perilaku data antar individu sama didalam rentang waktu.
2. Fixed effect
Dalam pendekatan ini variabel dummy digunakan untuk menangkap perbedaan intersep antar
individu. Asumsi dalam pendekatan ini yaitu slope antar individu dan waktu adalah sama, namun
intercept antar individu dan waktu berbeda.
3. Random Effect
Dalam pendekatan ini terdapat penambahan error terms yang mungkin terdapat pada hubungan
individu dan waktu. Asumsi dalam pendekatan ini yaitu setiap individu memiliki perbedaan
intercept (variabel random). Metode yang tepat untuk pendekatan ini adalah metode Generalized
Least Square (GLS).
3.3.1 Uji Pemilihan Model Terbaik

Untuk memilih model yang terbaik untuk penelitian ini, dalam regresi data panel terdapat
beberapa uji yang harus dilakukan. Menurut Gujarati (2014) berikut ini merupakan uji yang harus
dilakukan dalam menentukan model terbaik pada penelitian.
3.3.1.1 Uji Chow
Uji ini dilakukan untuk penentuan memilih model terbaik antara common effect dan fixed
effect. Hipotesis pada uji ini adalah sebagai berikut:
H0 : common effect
H1 : fixed effect
Dalam penentuan tolak atau terima hipotesis diatas, dilakukan dengan membandingkan nilai p-value
(Prob>F) dengan α. Ketika (Prob>F) < α maka tolak H0 artinya fixed effect adalah model terbaik.
3.3.1.2 Uji Hausman
Uji ini dilakukan ketika pada Uji Chow menunjukkan model terbaik adalah fixed effect. uji
hausman digunakan untuk penentuan memilih model terbaik antara random effect dan fixed effect.
Hipotesis pada uji ini adalah sebagai berikut:
H0 : random effect
H1 : fixed effect
(Prob>Chi2) dengan α. Ketika (Prob>Chi2) < α maka tolak H0 artinya fixed effect adalah model
terbaik.
3.3.1.3 Uji Lagrange Multiplier
Uji ini dilakukan untuk penentuan memilih model terbaik antara common effect dan random
effect. hipotesis pada uji ini adalah sebagai berikut:
H0 : common effect
H1 : random effect
(Prob>Chi2) dengan α. Ketika (Prob>Chi2) < α maka tolak H0 artinya random effect adalah model
terbaik.
3.3.2 Uji Asumsi Klasik

Uji asumsi klasik merupakan persyaratan analisis untuk regresi berganda. Uji ini dilakukan
untuk melihat apakah model penelitian tidak bias atau sesuai dengan asumsi Best Linear Unbiased
Estimator (BLUE). Syarat dari asumsi BLUE adalah bebas dari uji normalitas, autokorelasi,
multikolinearitas dan heteroskedastisitas. Uji asumsi klasik yang terdapat dalam penelitian ini adalah
sebagai berikut:
3.3.2.1 Uji Normalitas
Uji ini dilakukan untuk mengetahui apakah error term pada data atau variabel model
menyebar secara normal atau tidak (Verbeek, 2017). Jika model sudah teruji normal maka model
penelitian dapat dikatakan tidak bias, estimatornya efisien dan sifatnya konsisten (Gujarati, 2004).
H0 : distribusi normal
H1 : distribusi tidak normal
dengan α. Ketika p-value < α maka tolak H0 artinya model terdistribusi normal.
3.3.2.2 Uji Autokorelasi
Uji ini dilakukan untuk mengetahui apakah terdapat korelasi antar variabel bebas dengan
error didalam model prediksi dengan perubahan waktu (Wooldgride, 2013). Pengujian ini
menggunakan perbandingan antara nilai Durbin WatsonStatistic dan Durbin WatsonTabel. Hipotesis pada
uji ini adalah sebagai berikut:
H0 : tidak ada autokorelasi

H1 : terdapat autokorelasi
(Prob>Chi2) dengan α. Ketika (Prob>Chi2) < α maka tolak H0 artinya terdapat masalah autokorelasi
pada model.
3.3.2.3 Uji Multikolinearitas
Uji ini dilakukan untuk mengetahui apakah terdapat hubungan antar variabel independen
didalam model. Multikolinearitas dapat terjadi ketika variabel pada model terdapat korelasi (Gujarati,
2004). Cara untuk mendeteksi hal ini yaitu dengan melihat nilai Variance Inflation Error (VIF).
H0 : tidak ada multikolinearitas
H1 : terdapat multikolinearitas
Dalam penentuan tolak atau terima hipotesis diatas, dilakukan dengan membandingkan nilai mean
VIF dengan 10. Apabila nilai mean VIF>10 maka tolak H0 artinya terdapat masalah multikolineartias
pada model (Wooldgride, 2013).
3.3.2.4 Uji Heteroskedastisitas
Uji ini dilakukan untuk mengetahui apakah terdapat residual dari model yang memiliki
varians yang konstan atau tidak (Gujarati, 2004). Pengujian ini menhguji perbedaan sebaran varian
variabel. Hipotesis pada uji ini adalah sebagai berikut:
H0 : homoskedastisitas
H1 : heteroskedastisitas
dengan α. Ketika nilai p-value < α maka tolak H0 artinya terdapat masalah heteroskedastisitas pada
model.
3.3.3 Uji Statistik

Tahapan uji statistik yang terdapat dalam penelitian ini adalah sebagai berikut:
3.3.3.1 R-squared (R2)
Uji R2 dilakukan untuk melihat seberapa besar variabel independen menjelaskan variabel
dependen. Rentang R2 berada pada angka antara nol sampai satu. Pada data panel, R2 terbagi menjadi
tiga nilai. Ketiga nilai tersebuat adalah between, within dan overall. Nilai overall merupakan nilai
yang digunakan pada data panel (Verbeek, 2017).
3.3.3.2 Uji F
Uji F dilakukan untuk melihat pengaruh seluruh variabel independen secara bersama-sama
terhadap variabel dependen. Pengujian ini menggunakan perbandingan Fhitung dan Ftabel. Hipotesis
pada uji ini adalah sebagai berikut:
H0 : tidak signifikan
H1 : signifikan
Dalam penentuan tolak atau terima hipotesis diatas, perlu dilakukan perbandingan antara Fhitung dan
Ftabel. Ketika Fhitung > Ftabel maka tolak H0 artinya model signifikan.
3.3.3.3 Uji T
Uji t dilakukan untuk melihat pengaruh masing masing variabel independen secara sendiri-
sendiri terhadap variabel dependen. Pengujian ini menggunakan perbandingan Thitung dan Ttabel.
H0 : tidak signifikan
H1 : signifikan
Dalam penentuan tolak atau terima hipotesis diatas, perlu dilakukan perbandingan antara Thitung dan
Ttabel. Ketika Thitung > Ttabel maka tolak H0 artinya variabel independen signifikan mempengaruhi
variabel dependen.
3.3.4 Koefisien Baku dan Elastisitas

Koefisien regresi yang terdapat pada model menggambarkan seberapa perubahan yang
terjadi pada Y. Nilai koefisien X yang besar bukan berarti memiliki pengaruh yang paling besar
terhadap perubahan Y, karena perubahan tersebut tergantung pada satuan yang digunakan. Menurut
Juanda, B. (2009) untuk melihat pengaruh koefisien dari yang besar hingga kecil dapat menggunakan
koefisien baku (standardized coefficients) dan elastisitas.
3.3.4.1 Koefisien Baku
Koefisien baku (standardized coefficients) digunakan karena nilai b pada penelitian

memiliki skala pengukuran yang berbeda. Akibat dari perbedaan pengukuran tersebut, nilai b
masing-masing variabel bebas tidak dapat dilihat mana yang memiliki pengaruh paling kuat terhadap
variabel terikat. Nilai b memiliki kisaran dari nol hingga satu, yang artinya semakin mendekati satu
maka signifikansinya berdampak semakin besar. Dalam pengukuran koefisien baku, masing-masing
nilai peubah dinormalkan dengan dikurangi rata-rata setiap variabel lalu dibagi dengan masing-
masing simpangan bakunya (Juanda, B., 2009). Koefisien baku digunakan untuk melihat perbedaan
dari pengaruh masing-masing variabel bebas terhadap variabel terikatKoefisien baku dapat dihitung
dengan rumus dibawah ini:
& ∗ ()
!"# = ! (3.1)
#( *+
Dimana:
!" : beta dugaan

&∗
! : beta simpangan baku
,- : standar deviasi variabel x
,. : standar deviasi variabel y
/ : individu (kabupaten/kota Provinsi Jawa Barat)
3.3.4.2 Elastisitas
Elastisitas digunakan untuk mengukur pengaruh perubahan setiap variabel bebas terhadap
persentase perubahan variabel terikat. Nilai dari elastisitas tersebut tidak terbatas, bisa berupa positif
dan negatif. Elastisitas ini digunakan untuk melihat pentingnya masing-masing variabel bebas karena
bebas satuan (Juanda, B., 2009). Nilai dari elastisitas tersebut di interpretasikan dengan satuan
persen. Elastisitas dapat dihitung dengan rumus dibawah ini:
12+
0# = b# 32
(3.2)
Dimana:
E : elastisitas
b : beta dugaan
42 : rata-rata variabel X
52 : rata-rata variabel Y
/ : individu (kabupaten/kota Provinsi Jawa Barat)
3.4 Model Penelitian

Model yang digunakan peneliti dalam penelitian ini adalah data panel yang dapat dilihat
seperti dibawah ini :
567 = 8 + !: -: 67 + !; -; 67 + !< -< 67 − !> -> 67 − !? -? 67 + @67 (3.3)
Dimana:
5 : IPM kabupaten/kota di Provinsi Jawa Barat
-1 : PDRB per kapita kabupaten/kota di Provinsi Jawa Barat
-2 : rata-rata lama sekolah
-3 : jumlah tenaga kesehatan
-4 : jumlah penduduk miskin
-5 : kematian bayi
a : intercept
e : komponen error term
i : data cross section (kabupaten/kota Provinsi Jawa Barat)
t : data time series (tahun 2014-2017)
3.5 Definisi Operasional
Variabel yang digunakan pada penelitian ini dijelaskan oleh definisi operasional, yang
diantaranya adalah:
1. IPM adalah indikator yang mengukur keberhasilan suatu pembangunan daerah dari tiga aspek,
yaitu indeks pengeluaran, indeks pendidikan dan indeks kesehatan. Angka IPM menggunakan
satuan poin antara nol sampai 100. Penelitian ini menggunakan IPM kabupaten/kota Provinsi
Jawa Barat tahun 2014-2017
2. PDRB per kapita adalah penerimaan rata-rata pendapatan setiap penduduk yang tinggal atau
berada di suatu daerah pada periode tertentu. Angka PDRB per kapita menggunakan satuan juta
rupiah. Penelitian ini menggunakan PDRB ADHK kabupaten/kota Provinsi Jawa Barat tahun
2014-2017
3. Rata-rata Lama Sekolah adalah lamanya waktu yang digunakan penduduk dalam menempuh
pendidikan formal. Penduduk yang dimaksud adalah penduduk usia 25 tahun keatas. Angka RLS
menggunakan satuan tahun. Penelitian ini menggunakan RLS kabupaten/kota Provinsi Jawa
Barat tahun 2014-2017
4. Tenaga kesehatan adalah jumlah tenaga kesehatan masyarakat yang memberi pelayanan
kesehatan pada rumah sakit dan puskesmas. Tenaga kesehatan pada penelitian ini menggunakan
angka tenaga medis dan tenaga kebidanan. Angka tenaga kesehatan menggunakan satuan orang.
Penelitian ini menggunakan jumlah tenaga kesehatan kabupaten/kota Provinsi Jawa Barat tahun
2014-2017.
5. Penduduk miskin adalah penduduk yang berada pada garis kemiskinan. Angka penduduk miskin
menggunakan satuan ribu jiwa. Penelitian ini menggunakan jumlah penduduk miskin
kabupaten/kota Provinsi Jawa Barat tahun 2014-2017.
6. Kematian Bayi adalah jumlah kematian bayi yang meninggal sebelum umur 12 bulan di suatu
wilayah pada kurun waktu tertentu, termasuk neonatatal atau bayi yang hidup hingga 28 hari
sejak lahir. Angka kematian bayi menggunakan satuan poin dengan per-1.000 kelahiran hidup di
wilayah tersebut pada kurun waktu yang sama. Penelitian ini menggunakan angka kematian bayi
kabupaten/kota Provinsi Jawa Barat tahun 2014-2017.
BAB IV. HASIL DAN PEMBAHASAN
4.1 Gambaran Umum Pembangunan Manusia Provinsi Jawa Barat
Jawa Barat adalah salah satu provinsi di Indonesia yang terletak di Pulau Jawa. Letak
geografi Jawa Barat di sebelah barat berbatasan dengan Provinsi Banten dan Selat Sunda, sebelah
utara dengan Laut Jawa dan DKI Jakarta, sebelah timur berbatasan dengan Provinsi Jawa Tengah
dan sebelah selatan dibatasi oleh Samudera Hindia (BPS, 2018a). Keadaan topografi Jawa Barat
sangat beragam, yaitu disebelah utara terdiri dari dataran rendah, sebelah tengah dataran tinggi
bergunung-gunung dan disebelah selatan terdiri dari daerah berbukit-bukit dengan sedikit pantai
(BKD Jawa Barat). Sejak tahun 2012, Provinsi Jawa Barat terdiri dari 27 kabupaten/kota terdiri atas
18 kabupaten dan 9 kotamadya dengan 627 kecamatan, 645 kelurahan dan 5.312 desa.
Pada tahun 2017, penduduk Jawa Barat diperkirakan sebanyak 48.040.000 jiwa. Angka
tersebut merupakan alasan Jawa Barat menjadi Provinsi dengan jumlah penduduk terbesar di
Indonesia. Terdiri dari 24.340.000 juta jiwa laki-laki dan 23.700.000 perempuan (BPS, 2018d).
Berdasarkan rasio jenis kelamin, Jawa Barat memperoleh hasil sebesar 102,67 % yang artinya
terdapat 102 hingga 103 penduduk laki-laki dalam setiap 100 penduduk perempuan. Hal ini juga
dapat diartikan Provinsi Jawa Barat didominasi oleh penduduk laki-laki. Dalam bidang ekonomi,
perekonomian di Jawa Barat tumbuh sebesar 5,29 persen pada tahun 2017. PDRB ADHB mencapai
Rp1.786,09 triliun dan PDRB per kapita mencapai Rp.37,18 juta. Menurut lapangan usaha, terdapat
3 jenis lapangan usaha yang mendominasi perekonomian Jawa Barat pada tahun 2017 yaitu: Industri
Pengolahan dengan persentase sebesar 42,29 persen; Perdagangan Besar-Eceran, Reparasi Mobil dan
Sepeda Motor sebesar 15,10 persen; dan Pertanian, Kehutanan, dan Perikanan sebesar 8,60 persen
(BPS, 2017).
Untuk mencapai keberhasilan pembangunan suatu daerah, sumber daya manusia yang
berkualitas sangatlah menentukan. Pendidikan adalah salah satu faktor untuk meningkatkan kualitas
sumber daya manusia. Untuk melihat partisipasi sekolah dalam suatu daerah dapat dilihat dari
beberapa indikator, antara lain: Angka Partisipasi Murni (APM) dan Angka Partisipasi Kasar (APK).
APM adalah perbandingan antara siswa usia sekolah tertentu pada jenjang pendidikan dengan
penduduk usia sesuai dan dinyatakan dalam persentase sedangkan APK adalah perbandingan antara
siswa pada jenjang pendidikan tertentu dengan penduduk usia sekolah dan dinyatakan dalam
persentase. Menurut data SUSENAS (Survei Sosial Ekonomi Nasional) pada tahun 2017, APM
Provinsi Jawa Barat terdapat pada jenjang Sekolah Dasar (SD) dengan angka 97,99. Angka ini
menunjukkan idealnya nilai APM Provinsi Jawa Barat yang hampir mendekati angka sempurna yaitu
100. Angka ini juga berarti bahwa banyaknya anak usia sekolah yang bersekolah pada jenjang yang
sesuai. APK Provinsi Jawa Barat terdapat pada jenjang SD dengan angka 107,54. Angka ini
menunjukkan idealnya nilai APM Provinsi Jawa Barat yang hampir mendekati angka sempurna yaitu
100. Hal ini dapat diartikan juga bahwa banyaknya siswa yang bersekolah pada jenjang yang sesuai.
Pembangunan dibidang kesehatan memiliki tujuan agar seluruh lapisan masyarakat dapat
memperoleh kesehatan secara merata, mudah dan murah. Upaya pemerintah untuk meningkatkan
kesehatan salah satunya yaitu dengan meningkatkan sarana prasarana kesehatan. Jumlah fasilitas
kesehatan di Jawa Barat pada tahun 2017 terdiri dari: Rumah sakit sebanyak 337 unit, Rumah Sakit
Bersalin 62 unit, Puskesmas 1.050 unit, Posyandu 50.939 unit dan Klinik/Balai Kesehatan 2.209 unit.
Menurut data BPS Jawa Barat pada tahun 2017, jumlah bayi lahir hidup adalah 915.371 dengan
21.906 bayi lahir dengan berat badan rendah. Sedangkan jumlah balita adalah 3.683.299 dan
ditemukan 18.290 balita gizi buruk.
4.1.1 Indeks Pembangunan Manusia Provinsi Jawa Barat

Pada tahun 2017, dalam peringkat nasional IPM Provinsi Jawa Barat berada pada urutan ke-
10 dari 34 provinsi di Indonesia dengan nilai IPM 70,69. Nilai tersebut masih berada dibawah IPM
nasional sebesar 70,81. Nilai IPM yang semakin tinggi memiliki arti pembangunan kualitas sumber
daya manusia pada suatu wilayah suatu wilayah semakin baik, begitu pun sebaliknya. Provinsi
dengan IPM tertinggi diraih oleh Provinsi DKI Jakarta dengan nilai IPM 80,06 dan IPM terendah
diraih oleh Provinsi Papua dengan nilai IPM 59,09. Peringkat nasional IPM tahun 2017 dapat dilihat
pada Gambar 4.1.
IPM 2017
DKI Jakarta 80,06

D. I. Yogyakarta 78,89
Kalimantan Timur 75,12
Kepulauan Riau 74,45
Bali 74,3
Riau 71,79
Sulawesi Utara 71,66
Banten 71,42
Sumatera Barat 71,24
Jawa Barat 70,69
Aceh 70,6
Sumatera Utara 70,57
Jawa Tengah 70,52
Sulawesi Selatan 70,34
Jawa Timur 70,27
Jambi 69,99
Kep. Bangka Belitung 69,99
Bengkulu 69,95
Sulawesi Tenggara 69,86
Kalimantan Utara 69,84
Kalimantan Tengah 69,79
Kalimantan Selatan 69,65
Sumatera Selatan 68,86
Lampung 68,25
Maluku 68,19
Sulawesi Tengah 68,11
Maluku Utara 67,2
Gorontalo 67,01
Nusa Tenggara Barat 66,58
Kalimantan Barat 66,26
Sulawesi Barat 64,3
Nusa Tenggara Timur 63,73
Papua Barat 62,99
Papua 59,09
0 30 60 90
Gambar 4.1. Peringkat IPM Provinsi Indonesia Tahun 2017
Sumber: BPS (2019b)
Pada periode 2014-2017, IPM Provinsi Jawa Barat mengalami peningkatan setiap tahunnya
yang dapat dilihat pada Gambar 4.2. pertumbuhan IPM Provinsi Jawa Barat dari tahun 2014 hingga
tahun 2017 meningkat sebesar 1,89 poin. Meningkat dari 68,8 menjadi 70,69. Dampak dari
peningkatan IPM dari tahun 2014 hingga 2017 yaitu Jawa Barat meningkat 2 peringkat nasional dari
peringkat 12 menjadi peringkat 10.
71
70,5
70,69
70
70,05
69,5
IPM
69,5
69
68,5 68,8
68
67,5
2014 2015 2016 2017
Tahun
Indeks Pembangunan Manusia
Gambar 4.2. Perkembangan IPM Provinsi Jawa Barat Tahun 2014-2017

Sumber: BPS (2018b)
Dilihat dari Gambar 4.2., peningkatan IPM disebabkan oleh ketiga komponen yang terus
mengalami peningkatan setiap tahunnya seperti AHH, RLS, dan PP. Pada periode 2014-2017, angka
harapan hidup di Jawa Barat meningkat sebesar 0,52 persen dari 72,09 tahun menjadi 72,47 tahun.
Hal ini berarti setiap bayi yang lahir memiliki umur harapan hidup sampai dengan umur 72 tahun 5
bulan. Angka rata-rata lama sekolah pada periode 2014-2017 di Provinsi Jawa Barat juga mengalami
peningkatan dari 7,71 tahun menjadi 8,14 tahun. Angka ini berarti rata-rata lama sekolah di Provinsi
Jawa Barat berada pada kelas 2 jenjang SMP. Pencapaian ini menunjukkan partisipasi pendidikan
semakin meningkat, baik dari segi jenjang pendidikan ataupun jumlah peserta didik. Angka harapan
lama sekolah meningkat dari 12,08 tahun menjadi 12,42 tahun. Arti dari angka tersebut bahwa lama
sekolah yang diharap akan dirasakan oleh anak usia tertentu (usia 7 tahun keatas) di masa datang
adalah selama 12,42 tahun atau setara dengan menempuh pendidikan hingga lulus jenjang Sekolah
Menengah Atas (SMA). Pengeluaran per kapita Provinsi Jawa Barat mengalami peningkatan sebesar
Rp838 pada periode ini, dari Rp9.447 menjadi Rp10.285. Peningkatan komponen IPM Provinsi Jawa
Barat dapat dilihat pada Tabel 4.1.
Tabel 4.1. Komponen IPM Provinsi Jawa Barat 2014-2017

Indeks Indeks Indeks
Tahun AHH HLS RLS PP IPM
Kesehatan Pendidikan Pengeluaran
2014 72,09 12,08 7,71 Rp9.447 80,35 59,26 68,40 68,8

2015 72,41 12,15 7,86 Rp9.778 80,63 59,95 69,45 69,5
2016 72,44 12,30 7,95 Rp10.035 80,68 60,67 70,24 70,05
2017 72,47 12,42 8,14 Rp10.285 80,72 61,63 70,99 70,69
Sumber: BPS (2018b)
Kabupaten/Kota di Provinsi Jawa Barat pada tahun 2017 memiliki nilai IPM yang berbeda-
beda. Nilai dari setiap komponen IPM kabupaten/kota memiliki peran yang penting untuk melihat
peringkat IPM. Nilai komponen indeks pendidikan, indeks kesehatan dan indeks pengeluaran
tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2. Peringkat IPM Kabupaten/Kota Provinsi Jawa Barat

Indeks Indeks Indeks
Peringkat Kabupaten/Kota IPM 2017
Pendidikan Kesehatan Pengeluaran
1 Kota Bandung 73,91 82,86 84,56 80,31
2 Kota Bekasi 73,96 84,05 83,29 80,30
3 Kota Depok 74,66 83,14 81,96 79,83
4 Kota Cimahi 74,66 82,48 74,01 76,95
5 Kota Bogor 71,44 81,55 72,88 75,16
6 Kota Cirebon 69,27 79,78 73,33 74,00
7 Kota Sukabumi 68,93 79,92 70,71 73,03
8 Kab. Bekasi 64,48 82,00 72,46 72,63
9 Kota Tasikmalaya 67,35 79,20 68,56 71,51
10 Kab. Bandung 62,89 81,74 69,69 71,02
11 Kota Banjar 65,27 77,52 70,10 70,79
12 Kab. Sumedang 62,53 80,00 68,79 70,07
13 Kab. Purwakarta 58,83 77,57 72,88 69,28
14 Kab. Karawang 57,59 79,45 72,21 69,17
15 Kab. Bogor 60,66 78,00 69,83 69,13
16 Kab. Ciamis 63,24 78,57 65,73 68,87
17 Kab. Kuningan 58,00 81,35 66,01 67,78
18 Kab. Subang 55,18 79,55 70,76 67,73
19 Kab. Cirebon 55,95 79,22 69,05 67,39
20 Kab. Bandung Barat 58,55 79,80 63,32 66,63
21 Kab. Pangandaran 57,98 77,78 65,48 66,60
22 Kab. Majalengka 56,83 75,98 66,34 65,92
23 Kab. Indramayu 53,82 78,25 66,96 65,58
24 Kab. Sukabumi 56,59 77,32 64,31 65,49
25 Kab. Garut 56,85 78,22 60,39 64,52
26 Kab. Tasikmalaya 58,37 74,94 60,31 64,14
27 Kab. Cianjur 56,09 76,14 60,52 63,70
PROVINSI JABAR 61,63 80,72 70,99 70,69
Sumber: BPS (2018b)
Rentang IPM kabupaten/kota di Provinsi Jawa Barat dalam periode 2014-2017 berada pada
selang 62,08-80,31. Salah satu faktor yang memengaruhi perbedaan nilai IPM setiap daerah yaitu
kebijakan yang dibuat oleh masing-masing pemerintah daerah kabupaten/kota di Provinsi Jawa
Barat. Pada tahun 2017, IPM kabupaten/kota di Jawa Barat menunjukkan nilai IPM yang baik. Dari
ketiga indeks pengukuran IPM, dapat dilihat bahwa indeks pendidikan Provinsi Jawa Barat lebih
kecil dibandingkan indeks kesehatan dan indeks pengeluaran. Pada Gambar 4.3. dapat terlihat
kabupaten/kota yang berada diatas dan dibawah IPM Provinsi Jawa Barat.
100
80
IPM
60
40
20
Kab. Sukabumi
Kab. Garut
Kab. Tasikmalaya
Kab. Purwakarta
Kota Cimahi
Kab. Bogor
Kab. Cianjur
Kab. Bandung
Kab. Kuningan
Kab. Cirebon
Kab. Sumedang
Kab. Indramayu
Kab. Subang
Kab. Karawang
Kab. Pangandaran
Kota Bogor
Kota Bandung
Kota Cirebon
Kota Depok
Kota Banjar
Kab. Bekasi
Kab. Majalengka
Kab. Bandung Barat
Kota Sukabumi
Kota Bekasi
Kota Tasikmalaya
Kab. Ciamis
Kabupaten/Kota
2014 2017 Jawa Barat 2017
Gambar 4.3. IPM Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
Sumber: BPS (2018b)
Dilihat dari gambar diatas, daerah yang memiliki nilai IPM tinggi pada tahun 2014 dan 2017
ditempati oleh Kota Bandung, Kota Bekasi, Kota Depok, Kota Cimahi dan Kota Bogor. Selain itu,
terlihat enam daerah yang menempati urutan terendah yaitu Kabupaten Majalengka, Kabupaten
Indramayu, Kabupaten Sukabumi, Kabupaten Garut, Kabupaten Tasikmalaya dan Kabupaten
Cianjur. Perbedaan besaran IPM disetiap kabupaten/kota Provinsi Jawa Barat memerlukan
pengelompokkan nilai IPM karena setiap daerah memiliki karakteristik dan kebijakan yang berbeda.
Maka dari itu, pengelompokkan kabupaten/kota diperlukan untuk menerapkan kebijakan yang sesuai
dengan masing-masing pengelompokkan daerah. Pengelompokkan daerah berdasarkan rentang IPM
adalah sebagai berikut:
Tabel 4.3. Kategori IPM

No Kategori IPM Nilai IPM
1 IPM Rendah <60
2 IPM Sedang 60 £ IPM < 70
3 IPM Tinggi 70 £ IPM < 80
4 IPM Sangat Tinggi IPM ³ 80
Sumber: Badan Pusat Statistik (2015b)
Menurut pengelompokkan nilai IPM diatas, maka kabupaten/kota Provinsi Jawa Barat dapat
dikelompokkan sesuai dengan masing-masing nilai IPM masing-masing daerah. Sebagian besar IPM
kabupaten/kota di Provinsi Jawa Barat berada pada kategori IPM sedang, yaitu rentang nilai IPM
antara 60 sampai dengan 70. Daerah yang masuk kedalam kategori IPM sangat tinggi dicapai oleh
Kota Bandung dan Kota Bekasi. Kedua kota tersebut memiliki nilai IPM ³ 80. Kategori IPM tinggi
didominasi oleh kota-kota yang ada di Provinsi Jawa Barat dan tiga kabupaten, yaitu Kabupaten
Bandung, Kabupaten Bekasi dan Kabupaten Sumedang. Sedangkan untuk kategori IPM sedang
didominasi oleh kabupaten yang ada di Provinsi Jawa Barat. Pengelompokkkan tersebut dapat dilihat
pada Tabel 4.4.
Tabel 4.4. Pengelompokkan Kabupaten/Kota Provinsi Jawa Barat menurut IPM Tahun 2017
IPM Sedang IPM Tinggi IPM Sangat Tinggi
Kab. Bogor Kab. Majalengka Kab. Bandung Kota Bandung

Kab. Sukabumi Kab. Indramayu Kab. Bekasi Kota Bekasi
Kab. Cianjur Kab. Subang Kab. Sumedang
Kab. Garut Kab. Purwakarta Kota Depok
Kab. Tasikmalaya Kab. Karawang Kota Cimahi
Kab. Ciamis Kab. Bandung Barat Kota Bogor
Kab. Kuningan Kab. Pangandaran Kota Cirebon
Kab. Cirebon Kota Sukabumi
Kota Tasikmalaya
Kota Banjar
Sumber: Badan Pusat Statistik Jawa Barat (data diolah)

Selama periode penelitian, PDRB per kapita Jawa Barat mengalami peningkatan. Dimana
nilai PDRB per kapita Provinsi Jawa Barat pada tahun 2017 adalah sebesar Rp37.180.000. Pada
Gambar 4.4. dapat dilihat bahwa daerah dengan kategori IPM sangat tinggi dan tinggi cenderung
memiliki PDRB per kapita yang lebih besar dibandingkan PDRB per kapita daerah dengan kategori
IPM sedang.
70.000.000
60.000.000
50.000.000
Rupiah
40.000.000
30.000.000
20.000.000
10.000.000
Kab. Sumedang
Kab. Karawang
Kota Depok
Kab. Majalengka
Kab. Ciamis
Kab. Bogor
Kota Bogor
Kota Banjar
Kab. Sukabumi
Kab. Garut
Kab. Bekasi
Kab. Bandung Barat
Kota Sukabumi
Kota Bekasi
Kab. Bandung
Kab. Kuningan
Kab. Cirebon
Kab. Indramayu
Kab. Subang
Kab. Pangandaran
Kota Bandung
Kota Cirebon
Kab. Tasikmalaya
Kab. Purwakarta
Kota Tasikmalaya
Kab. Cianjur
Kota Cimahi
Kabupaten/Kota
2014 2017 Jawa Barat 2017
Gambar 4.4. PDRB Per kapita Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
Sumber: BPS RI (2019)
Berdasarkan Gambar 4.4., dapat diketahui bahwa terdapat lima daerah yang memiliki angka
PDRB per kapita diatas angka PDRB per kapita provinsi. Kelima daerah tersebut terdiri dari dua kota
dan tiga kabupaten, yaitu: Kota Bandung, Kabupaten Bekasi, Kabupaten Karawang, Kota Cirebon
dan Kabupaten Purwakarta. Pada tahun 2017, dapat dilihat bahwa Kota Bandung memiliki PDRB
per kapita tertinggi di Provinsi Jawa Barat yaitu sebesar Rp69.197.874. Sektor penyumbang paling
besar pada PDRB di Kota Bandung adalah Sektor Perdagangan Besar dan Eceran, Reparasi Mobil
dan Sepeda Motor dengan persentase sebesar 19,32%. Hal ini menjadi salah satu faktor yang
memengaruhi indeks pengeluaran Kota Bandung mencapai 84,56 berada diatas indeks pengeluaran
provinsi sehingga angka IPM Kota Bandung masuk kedalam kategori IPM sangat tinggi dengan nilai
sebesar 80,31 poin. Sedangkan Kabupaten Tasikmalaya adalah daerah yang memiliki PDRB per
kapita paling rendah diantara seluruh kabupaten/kota yang ada di Provinsi Jawa Barat pada tahun
2017 yaitu sebesar RP12.626.780.
4.1.3 Jumlah Penduduk Miskin

PDRB per kapita memiliki hubungan yang erat dengan jumlah penduduk miskin yang ada di
Provinsi Jawa Barat. Maka dari itu, jumlah penduduk miskin sangat berpengaruh terhadap IPM di
Provinsi Jawa Barat. Hubungan antara penduduk miskin dengan IPM memiliki hubungan negatif.
Ketika jumlah penduduk miskin mengalami penurunan, maka IPM di Provinsi Jawa Barat mengalami
peningkatan. Jumlah penduduk miskin yang ada di kabupaten/kota Provinsi Jawa Barat dapat dilihat
pada gambar dibawah.
600,00
500,00
400,00
Ribu Jiwa
300,00
200,00
100,00
0,00
Kab. Sumedang
Kab. Indramayu
Kab. Subang
Kab. Karawang
Kota Bandung
Kota Depok
Kab. Tasikmalaya
Kab. Majalengka
Kab. Ciamis
Kab. Bogor
Kab. Cianjur
Kota Bogor
Kota Banjar
Kab. Sukabumi
Kab. Bandung Barat

Kab. Garut
Kab. Bekasi
Kab. Bandung Barat
Kota Sukabumi
Kota Bekasi
Kota Cimahi
Kab. Kuningan
Kab. Cirebon
Kab. Pangandaran
Kota Cirebon
Kab. Purwakarta
Kota Tasikmalaya
Kabupaten/Kota Provinsi Jawa Barat
2014 2017
Gambar 4.5. Jumlah Penduduk Miskin Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
Sumber: Badan Pusat Statistik Jawa Barat (2019a)
Berdasarkan Gambar 4.5., Kabupaten Bogor memiliki jumlah penduduk miskin tertinggi di
Jawa Barat pada tahun 2017 yaitu sebesar 487,28 ribu jiwa. Hal ini terjadi karena adanya kendala
dalam anggaran pemerintah daerah dan naiknya bahan bakar minyak oleh pemerintah pusat,
sedangkan pendapatan masyarakat Kabupaten Bogor relatif konstan. Selain itu, pencabutan subsidi
listrik dari kebijakan pusat juga dapat menjadi faktor yang memengaruhi jumlah penduduk miskin di
Kabupaten Bogor tinggi (Halim, 2018). Sedangkan Kota Banjar adalah daerah yang memiliki jumlah
penduduk miskin paling rendah diantara seluruh kabupaten/kota yang ada di Provinsi Jawa Barat
pada tahun 2017 dengan jumlah penduduk miskin sebesar 12,87 ribu jiwa. Hal ini tercermin pada
pencapaian IPM Kota Banjar sebesar 70,79 poin yang masuk kedalam kategori IPM tinggi.
4.1.4 Rata-Rata Lama Sekolah

Kemiskinan dapat menyebabkan keterbatasan dalam mengakses pendidikan dan kesehatan.
Selama periode 2014-2017 angka RLS Jawa Barat mengalami peningkatan. Walaupun dalam periode
ini mengalami peningkatan, RLS Jawa Barat pada tahun 2017 masih tergolong rendah. Hal ini dapat
dilihat pada angka RLS Jawa Barat pada tahun 2017 sebesar 8,14 tahun atau setara dengan jenjang
kelas 2 SMP. Angka RLS pada kabupaten/kota di Provinsi Jawa Barat pada tahun 2014 dan 2017
dapat dilihat pada Gambar 4.6.
12,00
9,00
Tahun
6,00
3,00
0,00
Bandung
Kuningan
Cirebon
Sumedang
Indramayu
Subang
Pangandaran
Kota Bandung
Kota Depok
Tasikmalaya
Purwakarta
Kota Tasikmalaya
Ciamis
Bogor
Cianjur
Bekasi
Kota Bogor
Kota Banjar
Sukabumi
Garut
Bandung Barat
Kota Sukabumi
Kota Bekasi
Kota Cimahi
Karawang
Kota Cirebon
Majalengka
Kabupaten/Kota
2014 2017
Gambar 4.6. Rata-rata Lama Sekolah Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
Sumber: Badan Pusat Statistik Provinsi Jawa Barat (2019b)
Berdasarkan gambar diatas, dapat diketahui terdapat lima daerah yang memiliki angka RLS
>10 tahun pada tahun 2014 dan 2017. Daerah tersebut terdiri dari kota-kota besar yang ada di
Provinsi Jawa Barat yaitu Kota Bekasi, Kota Cimahi, Kota Depok, Kota Bandung dan Kota Bogor.
RLS pada tahun 2017 tertinggi dicapai oleh Kota Bekasi dengan angka rata-rata lama sekolah sebesar
10,93 tahun. Angka ini berarti rata-rata lama sekolah di Kota Bekasi pada tahun 2017 menamatkan
pendidikan pada kelas 2 jenjang SMA. RLS Kota Bekasi berada diatas RLS provinsi sebesar 8,14
tahun. Hal ini berdampak kepada nilai IPM Kota Bekasi sehingga termasuk kedalam kategori IPM
sangat tinggi dengan poin sebesar 80,30.
Sedangkan, daerah dengan RLS terendah dicapai oleh Kabupaten Indramayu yang konstan
menempati posisi terendah pada tahun 2014 dan 2017. Pada tahun 2014, RLS Kabupaten Indramayu
sebesar 5,45 dan pada tahun 2017 sebesar 5,97. Angka ini berarti rata-rata lama sekolah di Kabupaten
Indramayu pada tahun 2017 menamatkan pendidikan pada kelas 6 jenjang SD. Rata-rata lama
sekolah Kabupaten Indramayu berada dibawah rata-rata lama sekolah Provinsi sebesar 8,14 tahun.
4.1.5 Tenaga Kesehatan
Salah satu indikator yang dapat digunakan untuk mengukur indeks kesehatan adalah jumlah
tenaga kesehatan. Tenaga kesehatan pada penelitian ini mencakup tenaga medis dan tenaga
keperawatan. Pada periode 2017, jumlah tenaga kesehatan yang ada di kabupaten/kota Provinsi Jawa
Barat mengalami peningkatan. Peningkatan tersebut dapat dilihat pada Gambar 4.7.
2100
1890
1680
1470
1260
1050
840
630
420
210
0
Kab. Karawang
Kota Depok
Kab. Majalengka
Kab. Bogor
Kota Bogor
Kota Banjar
Kab. Sukabumi
Kab. Bekasi
Kab. Bandung Barat
Kota Bekasi
Kab. Bandung
Kab. Kuningan
Kab. Cirebon
Kab. Sumedang
Kab. Indramayu
Kab. Subang
Kab. Pangandaran
Kota Bandung
Kota Cirebon
Kab. Tasikmalaya
Kab. Purwakarta
Kota Tasikmalaya
Kab. Ciamis
Kab. Cianjur
Kab. Garut
Kota Sukabumi
Kota Cimahi
2014 2017
Gambar 4.7. Tenaga Kesehatan Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
Sumber: Dinas Kesehatan Provinsi Jawa Barat (2017)
Dari gambar diatas, dapat dilihat terdapat ketidakmerataan jumlah tenaga kesehatan yang
ada di kabupaten/kota Provinsi Jawa Barat pada tahun 2014 dan 2017. Pada tahun 2017, tenaga
kesehatan tertinggi berada pada Kabupaten Karawang dengan jumlah tenaga kesehatan sebesar 2088
orang. Jumlah tersebut merupakan gabungan dari jumlah tenaga medis dan tenaga keperawatan yang
ada di daerah tersebut. Proporsi tersebut didominasi oleh jumlah bidan. Jumlah bidan yang tinggi
akan berdampak pada peningkatan angka harapan hidup. Bidan berperan untuk mencapai tujuan
ketiga dari Sustainable Development Goals (SDGS) Indonesia, yaitu kesehatan yang baik dan
kesejahteraan.
Sedangkan, Kota Banjar pada tahun 2017 menjadi daerah dengan jumlah tenaga kesehatan
terendah dengan jumlah tenaga kesehatan 126 orang. Perbandingan jumlah tenaga kesehatan antara
kedua daerah tersebut dapat mencerminkan angka indeks kesehatan masing-masing daerah, dimana
indeks kesehatan Kota Banjar 77,52 poin dengan angka harapan hidup 70,39 tahun lebih rendah
dibandingkan indeks kesehatan Kabupaten Karawang 79,45 poin dengan angka harapan hidup 71,64
tahun.
4.1.6 Kematian Bayi

Salah satu komponen dalam perhitungan IPM adalah AHH. Faktor yang mempengaruhi
AHH secara langsung adalah Angka Kematian Bayi (AKB). AKB merupakan jumlah kematian bayi
berusia nol hingga satu tahun dari setiap 1000 kelahiran hidup. Kematian bayi menggambarkan
keadaan kesehatan pada suatu daerah karena bayi yang baru lahir kaitannya sangat erat dengan status
sosial dan lingkungan tempat tinggal orang tua. Hubungan antara angka kematian bayi dengan IPM
adalah negatif, karena semakin tinggi angka kematian bayi maka akan menurunkan angka IPM.
Gambar 4.8 merupakan data kematian pada bayi yang ada di kabupaten/kota Provinsi Jawa Barat
selama tahun 2014 dan 2017.
420
Kematian per-1000 Kelahiran
350
280
210
140
70
0
Kab. Bandung…
Kab. Bogor
Kota Bogor
Kab. Bandung
Kab. Cirebon
Kab. Sumedang
Kab. Indramayu
Kab. Subang
Kab. Karawang
Kab. Pangandaran
Kota Bandung
Kota Cirebon
Kota Depok
Kab. Tasikmalaya
Kab. Majalengka
Kab. Purwakarta
Kota Tasikmalaya
Kab. Ciamis
Kab. Cianjur
Kota Banjar
Kab. Sukabumi
Kab. Garut
Kab. Bekasi
Kota Sukabumi
Kota Bekasi
Kota Cimahi
Kab. Kuningan
2014 2017
Gambar 4.8. Angka Kematian Bayi Kabupaten/Kota Provinsi Jawa Barat Tahun 2014 dan 2017
Sumber: Dinas Kesehatan Provinsi Jawa Barat (2017)
Berdasarkan gambar diatas, dapat dilihat bahwa pada tahun 2014 dan 2017 daerah yang
memiliki jumlah kematian bayi terbesar berada pada Kabupaten Garut, Kabupaten Sukabumi dan
Kabupaten Indramayu. Pada tahun 2017 Kabupaten Garut menjadi daerah dengan kematian bayi
tertinggi sebesar 286 bayi. Hal ini dapat menjadi salah satu faktor yang menyebabkan Kabupaten
Garut pada tahun 2017 menempati posisi ketiga IPM terendah dari seluruh kabupaten/kota di
Provinsi Jawa Barat dengan angka 64,52 poin. Sementara itu, kabupaten/kota dengan jumlah
kematian bayi terendah pada tahun 2017 berada pada Kota Tasikmalaya dengan jumlah kematian
bayi sebesar 7 bayi. Dampak dari angka kematian bayi yang kecil ini menyebabkan Kota
Tasikmalaya berada pada kategori IPM tinggi di Provinsi Jawa Barat dengan nilai IPM sebesar 71,02.
4.2 Hasil Estimasi Data

Dalam menentukan model terbaik diperlukan melakukan beberapa uji, diantaranya adalah
Uji Chow, Uji Hausman dan Uji Lagrange Multiplier (LM). Uji Chow dilakukan untuk menentukan
manakah model terbaik antara Common Effect Model (CEM) dan Fixed Effect Model (FEM).
Selanjutnya dilakukan Uji Hausman ketika hasil dari Uji Chow menunjukkan FEM adalah model
terbaik. Kemudian Uji LM berguna untuk menentukan Random Effect Model (REM) dan CEM.
Tabel 4.5. Hasil Uji Model Terbaik

Uji Model Terbaik Prob Chi2 Model Terbaik
Probabilitas Uji Chow 0,0000 FEM
Probabilitas Uji Hausman 0,0775 REM
Probabilitas Uji Lagrange Multiplier 0,0000 REM
Berdasarkan Tabel 4.5, hasil estimasi dari Uji Chow pada penelitian ini adalah 0,0000 < α
yang berarti FEM lebih baik dibanding CEM. Lalu dilakukan Uji Hausman untuk menentukan FEM
atau REM. Dengan menggunakan taraf signifikansi α = 5%, maka H0 diterima. Sehingga dapat
disimpulkan model yang terbaik pada penelitian ini adalah menggunakan REM. Setelah hasil dari
Uji Hausman mendapatkan hasil REM, maka dilakukan Uji LM untuk menentukan mana yang
terbaik dari REM dan CEM. Hasil Uji LM menunjukkan 0,0000 < α yang berarti REM yang terbaik.
Maka dapat disimpulkan model terbaik pada penelitian ini adalah menggunakan pendekatan REM.
4.3 Uji Asumsi Klasik

Setelah melakukan estimasi regresi, maka diperlukan pengujian asumsi klasik. Uji asumsi
klasik yang digunakan pada penelitian ini adalah uji multikolineartias dan uji heteroskedastisitas. Uji
normalitas dan uji autokorelasi tidak diperlukan karena model REM memiliki asumsi sudah
terdistribusi normal ketika N > 30 dan bebas dari autokorelasi (Gujarati, 2004). Pada penelitian ini
menggunakan 108 observasi, sehingga tidak terdapat masalah normalitas.
4.3.1 Uji Multikolinearitas

Uji Multikolinearitas digunakan untuk melihat korelasi antarvariabel bebas. Suatu model
penelitian dikatakan bebas dari indikasi multikolinearitas apabila nilai cut off tolerance < 0.10 dan
nilai VIF > 10. Hasil estimasi dari uji multikolinearitas menunjukkan bahwa semua variabel yang
digunakan pada penelitian ini bebas dari multikolinearitas karena masing masing variabel memiliki
nilai VIF < 10. Hasil uji multikolinearitas model ini dapat dilihat pada Tabel 4.6.
Tabel 4.6. Hasil Uji Multikolinearitas

Variabel VIF 1/VIF
X4 (jpmiskin) 6.51 0.153514
X3 (jtkesehatan) 5.27 0.189701
X5 (kematianbayi) 5.15 0.194141
X2 (rls) 4.86 0.205759
X1(pdrbkjuta) 3.58 0.279500
Mean VIF 5.07
4.3.2 Uji Heteroskedastisitas

Uji Heteroskedastisitas digunakan untuk mengetahui apakah terdapat residual dari model
yang memiliki varians yang konstan atau tidak. Hasil estimasti uji heteroskedastisitas pada penelitian
ini menunjukkan angka 0.0000 yang berarti kurang dari angka 1. Hal ini menunjukkan bahwa model
ini terdapat indikasi heteroskedastisitas pada penelitian ini. Maka diperlukan salah satu cara untuk
mengobati masalah tersebut. Metode Generalized Least Square (GLS) digunakan pada penelitian ini
agar model penelitian bebas dari masalah heteroskedastisitas.
4.3.3 Hasil Estimasi Random Effect dengan Pendekatan Generalized Least Square
Berdasarkan hasil estimasi dengan pendekatan GLS, empat dari lima variabel yang
digunakan pada penelitian ini berpengaruh signifikan pada taraf nyata lima persen terhadap IPM di
kabupaten/kota Provinsi Jawa Barat. Variabel PDRB per kapita, rata-rata lama sekolah dan jumlah
tenaga kesehatan berpengaruh signifikan positif sedangkan jumlah penduduk miskin berpengaruh
signifikan negatif terhadap IPM di kabupaten/kota Provinsi Jawa Barat. Hasil koefisien determinasi
(R-Squared) pada penelitian ini sebesar 0,9109 yang berarti 91,09 persen variabel terikat dapat
dijelaskan oleh variabel bebas pada model. Sedangkan, 8,91 persen lainnya dijelaskan oleh variabel
diluar model yang sudah dirumuskan. Hasil estimasi dapat dilihat pada Tabel 4.7.
Tabel 4.7. Hasil Estimasi Random Effect dengan Pendekatan Generalized Least Square
Variabel Koefisien Probabilitas
X1 (pdrbkjuta) 0.019268 0.013*
X2 (rls) 2.873015 0.000*
X3 (jtkesehatan) 0.0011067 0.023*
X4 (jpmiskin) -0.0043074 0.003*
X5 (kematianbayi) 0.0010191 0.422
Konstanta 45.43162 0.000
R-Squared 0.9109
Prob > F 0.0000
* = Signifikan pada taraf nyata 5 persen
Dari hasil estimasi pada Tabel 4.7, maka model pada penelitian ini adalah sebagai berikut:
ABC67 = 45,4316 + 0, 0193 -: 67 + 2,8730 -; 67 + 0,0011 -< 67 − 0,0043-> 67 (4.1)
4.4 Determinan Indeks Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa

Barat
Setelah mendapatkan hasil dari model yang sudah dibentuk, berikut ini merupakan
determinan indeks pembangunan manusia yang signifikan berpengaruh di kabupaten/kota Provinsi
Jawa Barat pada periode 2014-2017.

Variabel PDRB per kapita memiliki hasil koefisien regresi sebesar 0,0193. Hasil tersebut
mengandung makna bahwa setiap peningkatan PDRB sebesar satu juta rupiah akan meningkatkan
IPM kabupaten/kota di Provinsi Jawa Barat sebesar 0,0193 poin dengan asumsi variabel independen
lain dianggap konstan. Nilai probabilitas sebesar 0.013 memiliki arti variabel ini berpengaruh
signifikan positif terhadap IPM kabupaten/kota di Provinsi Jawa Barat karena kurang dari taraf nyata
sebesar 0.05. Hal ini sejalan dengan penelitian oleh Melliana & Zain (2013) yang mengatakan bahwa
PDRB per kapita memiliki hubungan positif terhadap IPM.
PDRB per kapita menggambarkan kemampuan dalam memenuhi kehidupan pada

masyarakat. Kesejahteraan keluarga didalam kabupaten/kota juga dapat tercermin dari PDRB per
kapita. Pada periode 2014-2017 PDRB per kapita di kabupaten/kota Provinsi Jawa Barat mengalami
peningkatan, hal ini dapat memudahkan dalam memenuhi kebutuhan baik dibidang pendidikan
maupun kesehatan yang mampu menentukan nilai IPM daerah. Pembangunan manusia secara tidak
langsung dapat mempengaruhi pembangunan ekonomi. Hubungan timbal balik antara pembangunan
manusia dan pembangunan ekonomi tercipta dikarenakan dalam pembangunan manusia dapat
menghasilkan sumber daya manusia yang berkualitas dan daya saing tinggi. Kebijakan publik dalam
bidang pembangunan manusia sangat diperlukan agar tercipta keberhasilan dalam pembangunan
ekonomi daerah. Daerah yang harus melakukan peningkatan PDRB per kapita diantaranya adalah
Kabupaten Cirebon, Kabupaten Garut, Kabupaten Kuningan, Kabupaten Tasikmalaya dan
Kabupaten Cianjur.
4.4.2 Rata-rata Lama Sekolah

Variabel rata-rata lama sekolah memiliki koefisien regresi sebesar 2.873015. Hasil koefisien
regresi mengandung makna bahwa setiap peningkatan rata-rata lama sekolah sebesar 1 tahun akan
meningkatkan IPM kabupaten/kota di Provinsi Jawa Barat sebesar 2.873016 poin dengan asumsi
variabel independen lain dianggap konstan. Nilai probabilitas sebesar 0.000 memiliki arti variabel
ini berpengaruh signifikan positif terhadap IPM kabupaten/kota di Provinsi Jawa Barat karena kurang
dari taraf nyata sebesar 0.05. Hal ini sejalan dengan penelitian oleh Ezkirianto & Muhammad (2013)
yang mengatakan bahwa rata-rata lama sekolah memiliki hubungan positif terhadap IPM.
Pendidikan adalah dasar dari pembangunan manusia. Pendidikan dapat mempengaruhi

pembangunan manusia serta pembangunan ekonomi. Kesejahteraan pembangunan manusia dalam
bidang pendidikan pada penelitian ini menggunakan rata-rata lama sekolah. Maka dari itu, untuk
meningkatkan IPM kabupaten/kota di Provinsi Jawa Barat diperlukan perhatian khusus pada bidang
ini. Peningkatan RLS perlu dilakukan pada daerah yang memiliki angka RLS rendah dibawah 7
tahun, yaitu: Kabupaten Indramayu, Kabupaten Cirebon, Kabupaten Sukabumi, Kabupaten
Majalengka dan Kabupaten Cianjur. Terciptanya sumder daya manusia yang unggul dan berkualitas
menjadi salah satu faktor utama dalam keberhasilan pembangunan manusia di suatu daerah. Sesuai
dengan apa yang diungkapkan Todaro (2006) bahwa pendidikan adalah kunci dalam membentuk
kemampuan daerah untuk mengembangkan kapasitas dan menyerap teknologi modern agar tercipta
pembangunan yang berkelanjutan.
4.4.3 Jumlah Tenaga Kesehatan

Variabel jumlah tenaga kesehatan memiliki koefisien regresi sebesar 0,11067. Hasil
koefisien regresi mengandung makna bahwa setiap peningkatan jumlah tenaga kesehatan sebesar 100
orang akan meningkatkan IPM kabupaten/kota di Provinsi Jawa Barat sebesar 0.11067 poin dengan
asumsi variabel independen lain konstan. Nilai probabilitas sebesar 0.023 memiliki arti variabel ini
berpengaruh signifikan positif terhadap IPM kabupaten/kota di Provinsi Jawa Barat karena kurang
dari taraf nyata sebesar 0.05. Hal ini sejalan dengan penelitian oleh Rakhmah (2016) yang
mengatakan bahwa jumlah tenaga kesehatan memiliki hubungan positif terhadap IPM.
Selain pendidikan, kesehatan juga merupakan dasar pada pembangunan manusia. Sumber
daya manusia dalam bidang kesehatan menjadi salah satu komponen utama dalam pembangunan
kesehatan. Tenaga kesehatan memiliki peran yang penting guna meningkatkan status kesehatan
daerah. Jumlah tenaga kesehatan sangat memengaruhi pembangunan kesehatan. Selain jumlah
tenaga kesehatan, kualitas dan pemerataan distribusi tenaga kesehatan juga menjadi hal yang penting.
Penyebaran tenaga kesehatan pada kabupaten/kota di Provinsi Jawa Barat tidak merata.
Ketidakmerataan tersebut dilihat dari jumlah tenaga kesehatan yang mengalami ketimpangan antar
daerah. Maka dari itu, pemerintah Provinsi Jawa Barat perlu memperhatikan kebijakan dalam
penyebaran tenaga kesehatan yang ada di kabupaten/kota agar tercipta pembangunan manusia yang
lebih baik.
4.4.4 Jumlah Penduduk Miskin
Variabel jumlah penduduk miskin memiliki koefisien regresi sebesar -0.0043073. Hasil
koefisien regresi mengandung makna bahwa setiap peningkatan jumlah penduduk miskin sebesar
seribu jiwa orang akan menurunkan IPM kabupaten/kota di Provinsi Jawa Barat sebesar -0.0043073
poin dengan asumsi variabel independen lain konstan. Nilai probabilitas sebesar 0.003 memiliki arti
variabel ini berpengaruh signifikan positif terhadap IPM kabupaten/kota di Provinsi Jawa Barat
karena kurang dari taraf nyata sebesar 0.05. Hal ini sejalan dengan penelitian oleh Luckynuari (2019)
yang mengatakan bahwa jumlah penduduk miskin memiliki hubungan negatif terhadap IPM.
Jumlah penduduk miskin menjadi faktor penghambat dalam meningkatkan IPM, karena
sesuai dengan teori kemiskinan yaitu ketika seseorang berada pada keadaan miskin maka tidak dapat
mengakses hak-hak dasar dalam hidup. Hak-hak dasar tersebut antara lain hak dalam mendapatkan
pendidikan dan kesehatan yang digunakan sebagai tolak ukur peningkatan IPM. Semakin tinggi
jumlah penduduk miskin pada suatu daerah, maka akan menurunkan angka IPM di daerah tersebut.
Maka dari itu, pemerintah Provinsi Jawa Barat perlu memperhatikan kebijakan dalam mengatasi
dan/atau mengurangi jumlah penduduk miskin yang ada di kabupaten/kota agar tercipta
pembangunan manusia yang lebih baik. Terutama pada kelima daerah yang memiliki jumlah
penduduk miskin terbesar, yaitu: Kabupaten Bogor, Kabupaten Garut, Kabupaten Cirebon,
Kabupaten Bandung dan Kabupaten Cianjur.
4.5 Prioritas Kebijakan Pembangunan Manusia di Kabupaten/Kota Provinsi Jawa

Barat
Untuk mengetahui prioritas kebijakan yang harus dilakukan pemerintah kabupaten/kota
Provinsi Jawa Barat, maka diperlukan perhitungan lanjut dalam penentuannya. Berdasarkan model
yang sudah dirumuskan, dapat diketahui kebijakan prioritas untuk meningkatkan IPM di
kabupaten/kota Provinsi Jawa Barat dari hasil output koefisien baku dan elastisitas berikut.
4.5.1 Hasil output Koefisien Baku

Dalam menghitung koefisien baku, diperlukan angka simpangan baku dari vaiabel dependen
dan independen. Simpangan baku tersebut merupakan akar dari deviasi kuadrat dibagi dengan
individu. Simpangan baku dari masing-masing variabel pada penelitian ini dapat dilihat pada Tabel
4.8.
Tabel 4.8. Simpangan Baku Variabel

Variabel
Koefisien Baku
Y X1 X2 X3 X4
(IPM) (pdrbkjuta) (rls) (jtkesehatan) (jpmiskin)
Simpangan baku 4,97 21,26 1,51 534 108
Setelah mendapatkan angka simpangan baku dari seluruh variabel, koefisien baku dapat
dihitung dengan menggunakan nilai koefisien masing-masing variabel independen dikalikan dengan
angka simpangan baku dari masing-masing variabel lalu dibagi dengan simpangan baku variabel
dependen. Hasil output angka koefisien baku menunjukkan urutan kebijakan prioritas untuk
meningkatkan IPM di kabupaten/kota Provinsi Jawa Barat. Prioritas kebijakan menurut hasil output
koefisien baku dapat dilihat pada Tabel 4.9.
Tabel 4.9. Hasil Output Koefisien Baku
Variabel Koefisien Sy Sx Koefisien Baku Peringkat
X2 2,873015 4,97 1,51 0,87 1
X3 0,0011067 4,97 534 0,11 2
X4 -0,0043074 4,97 108 -0,09 3
X1 0,019268 4,97 21,26 0,08 4
Angka koefisien baku dari masing-masing variabel independen menunjukkan seberapa besar
perubahan terhadap variabel dependen. Dari Tabel 4.9 dapat dilihat bahwa nilai koefisien baku
variabel RLS memiliki angka paling besar dibandingkan variabel lainnya. Interpretasi dari angka
koefisien baku tersebut yaitu setiap perubahan satu simpangan baku RLS, akan menyebabkan
perubahan sebesar 0,87 simpangan baku IPM.
4.5.2 Hasil Output Elastisitas

Dalam menghitung elastisitas, diperlukan angka rata-rata dari vaiabel dependen dan
independen. Rata-rata tersebut merupakan perbandingan jumlah data yang digunakan dibagi dengan
dengan banyaknya data. Rata-rata dari masing-masing variabel pada penelitian ini dapat dilihat pada
Tabel 4.10.
Tabel 4.10. Rata-rata Variabel

Variabel
Elastisitas
Y X1 X2 X3 X4
(IPM) (pdrbkjuta) (rls) (jtkesehatan) (jpmiskin)
Rata-rata 69,42 26,51 8,07 754 158
Setelah mendapatkan angka rata-rata dari seluruh variabel, koefisien baku dapat dihitung
dengan menggunakan nilai koefisien masing-masing variabel independen dikalikan dengan angka
rata-rata dari masing-masing variabel lalu dibagi dengan rata-rata variabel dependen. Hasil output
angka elastisitas menunjukkan urutan kebijakan prioritas untuk meningkatkan IPM di
kabupaten/kota Provinsi Jawa Barat. Prioritas kebijakan menurut hasil output elastisitas dapat dilihat
pada Tabel 4.11.
Tabel 4.11. Hasil Output Elastisitas

Variabel Koefisien P
O P
Q Elastisitas Peringkat
X2 2,873015 69,42 8,07 0,333 1
X3 0,0011067 69,42 754 0,012 2
X4 -0,0043074 69,42 158 -0,009 3
X1 0,019268 69,42 26,51 0,007 4
Angka elastisitas dari masing-masing variabel independen menunjukkan seberapa besar

perubahan terhadap variabel dependen. Dari Tabel 4.11 dapat dilihat bahwa nilai elastisitas variabel
RLS memiliki angka paling besar dibandingkan variabel lainnya. Interpretasi dari angka elastisitas
tersebut yaitu setiap rata-rata kenaikan RLS sebesar satu persen, akan menyebabkan kenaikan 0,33
persen pada IPM.
4.5.3 Analisis Output Koefisien Baku dan Elastisitas

Dari hasil output koefisien baku dan elastisitas, dapat dilihat bahwa variabel RLS merupakan
faktor yang memiliki pengaruh paling besar terhadap IPM di kabupaten/kota Provinsi Jawa Barat.
Hal ini berarti pemerintah Provinsi Jawa Barat harus lebih fokus pada kebijakan dibidang pendidikan.
Salah satu kebijakan yang dapat dilakukan adalah peningkatan akses dan kualitas pelayanan
pendidikan yang menyebar secara adil, merata dan terjangkau untuk setiap kabupaten/kota.
Pelayanan pendidikan dapat dilakukan dengan meningkatkan kualitas tenaga pengajar (guru) dalam
kegiatan belajar mengajar, pembelajaran pendidikan sesuai dengan tuntutan Ilmu Pengetahuan dan
Teknologi (IPTEK) serta mewujudkan sistem pendidikan kejuruan yang sesuai standar kebutuhan
atau tuntutan pasar kerja guna menunjang penurunan jumlah pengangguran (Ekosiswoyo, Kardoyo,
& Raharjo, 2008). Selain itu, kebijakan lain pada bidang pendidikan yang dapat dilakukan
pemerintah yaitu dengan menelusuri Anak Usia Sekolah Tidak Sekolah (AUSTS), membuat
kebijakan setiap sekolah harus mewaspadai anak-anak yang putus sekolah dan mengaktifkan Pusat
Kegiatan Belajar Mengajar (PKBM) atau kesetaraan pendidikan.
BAB V. SIMPULAN DAN SARAN
5.1 Simpulan
Berdasarkan pembahasan yang telah dipaparkan sebelumnya, maka dapat ditarik kesimpulan
sebagai berikut:
1. Indeks Pembangunan Manusia (IPM) Provinsi Jawa Barat periode 2014-2017 termasuk
kedalam kategori IPM sedang. Kota Bandung menjadi daerah dengan nilai IPM sangat tinggi
di tahun 2017 dengan nilai IPM 80,31 poin sedangkan Kabupaten Cianjur menjadi daerah
dengan nilai IPM terendah dengan nilai IPM 63,70 poin. Daerah yang termasuk kedalam
kategori IPM tinggi didominasi oleh seluruh kota yang ada di Jawa Barat dengan tiga
Kabupaten, yaitu Kabupaten Bandung, Kabupaten Bekasi dan Kabupaten Sumedang.
Sementara daerah kabupaten yang ada di Provinsi Jawa Barat mayoritas berada pada kategori
IPM sedang.
2. Hasil estimasi dengan model random effect menunjukkan bahwa terdapat empat variabel
berpengaruh signifikan terhadap IPM Jawa Barat pada taraf nyata lima persen yang
diantaranya adalah rata-rata lama sekolah, jumlah tenaga kesehatan, PDRB per kapita dan
jumlah penduduk miskin. Hasil output koefisien baku dan elastisitas menunjukkan bahwa
variabel rata-rata lama sekolah memiliki pengaruh paling besar terhadap IPM Jawa Barat.
5.2 Saran
Berdasarkan kesimpulan diatas, maka saran yang diberikan adalah sebagai berikut:
1. Pembangunan manusia di Provinsi Jawa Barat harus ditingkatkan karena Jawa Barat
merupakan provinsi dengan jumlah penduduk terbesar di Indonesia namun nilai IPM Provinsi
Jawa Barat masih berada dibawah IPM nasional. Pemerintah provinsi harus memberikan
perhatian khusus kepada kabupaten/kota yang memiliki IPM terendah.
2. Dalam penelitian ini, terdapat empat faktor yang signifikan terhadap IPM guna meningkatkan
pembangunan manusia di Provinsi Jawa Barat, antara lain rata-rata lama sekolah, jumlah
tenaga kesehatan, PDRB per kapita dan jumlah penduduk miskin. Sebaiknya pemerintah
Provinsi Jawa Barat menjadikan keempat faktor tersebut sebagai sasaran taget dalam
mengambil kebijakan untuk meningkatkan kualitas sumberdaya manusia.
3. Program nyata yang dapat dilakukan pemerintah Provinsi Jawa Barat untuk meningkatkan
IPM dari dimensi pendidikan melalui rata-rata lama sekolah antara lain: menelusuri Anak Usia
Sekolah Tidak Sekolah (AUSTS), mengaktifkan Pusat Kegiatan Belajar Mengajar (PKBM)
atau kesetaraan pendidikan, mewaspadai anak-anak yang putus sekolah, meningkatkan
kualitas tenaga pengajar (guru) dalam kegiatan belajar mengajar, pembelajaran pendidikan
sesuai dengan tuntutan IPTEK dan mewujudkan sistem pendidikan kejuruan yang sesuai
standar kebutuhan atau tuntutan pasar kerja.
DAFTAR PUSTAKA
Aini, D., N., Harianto., & Puspitawati, H. (2016). Ketimpangan dan faktor-faktor yang
mempengaruhi kualitas pembangunan manusia di Kota Depok. Jurnal Manajemen
Pembangunan Daerah. 8(1), 71-85
Asshidiq, S. F. (2016, Desember 1). Angka kematian ibu dan bayi di Jabar tertinggi. Pikiran
Rakyat. Retrieved from https://www.pikiran-rakyat.com/bandung-raya/pr-
01268825/angka-kematian-ibu-dan-bayi-di-jabar-tertinggi-386404
Ayuk Putri Suagiantari, I. N. (2013). Analisis faktor-faktor yang mempengaruhi Angka Harapan
Hidup di Jawa Timur menggunakan regresi semiparametrik spline. Jurnal Sains dan Seni
Pomits. 2(1), 37-41.
Badan Pusat Statistik. (2015a). Penentuan nilai minimum dan maksimum. Retrieved from
https://ipm.bps.go.id/page/ipm
Badan Pusat Statistik. (2015b). Pengelompokkan IPM. Retrieved from
https://ipm.bps.go.id/page/ipm
Badan Pusat Statistik. (2019). Jumlah penduduk miskin menurut provinsi, 20017-2019. Retrieved
from https://www.bps.go.id/linkTableDinamis/view/id/1119
Badan Pusat Statistik Jawa Barat. (2019a). Kemiskinan kabupaten/kota di Jawa Barat 2013-2018.
Bandung: Badan Pusat Statistik Provinsi Jawa Barat.
Badan Pusat Statistik Provinsi Jawa Barat. (2019b). Rata-rata Lama Sekolah (RLS) menurut
kabupaten/kota di Jawa Barat, 2010-2018. Retrieved from
https://jabar.bps.go.id/statictable/2019/04/21/589/-metode-baru-rata-rata-lama-sekolah-rls-
menurut-kabupaten-kota-di-jawa-barat-2010-2018.html
BAPPEDA Provinsi Jawa Barat. (2019). RAPERDA perubahan RPJPD 2005-2025. Retrieved from
http://bappeda.jabarprov.go.id/wp-content/uploads/2019/02/RPJPD-2005-2025.pptx
BKD Jawa Barat. (n.d.). Geografi dan topografi Jawa Barat. Retrieved from
http://bkd.jabarprov.go.id/page/10-geografi-dan-topografi-jawa-barat
BPS. (2008). Pedoman praktis perhitungan PDRB Kabupaten/Kota. Jakarta: Badan Pusat Statistik.
BPS. (2018a). Badan Pusat Statistik Provinsi Jawa Barat. Retrieved from Batas Wilayah Provinsi
Jawa Barat: https://jabar.bps.go.id/statictable/2015/03/11/9/batas-wilayah-provinsi-jawa-
barat.html
BPS. (2018b). Data Jawa Barat 2018 (Metode Baru). Retrieved from
https://ipm.bps.go.id/data/provinsi/metode/baru/3200
BPS. (2018c). Data Nasional 2018 (Metode Baru). Retrieved from
https://ipm.bps.go.id/data/nasional
BPS. (2018d). Jawa Barat dalam angka 2018. Jawa Barat: BPS.
BPS. (2019a). Indeks Pembangunan Manusia. Retrieved from https://ipm.bps.go.id/page/ipm
BPS. (2019b). Indeks Pembangunan Manusia menurut provinsi, 2010-2018 (Metode Baru).
Retrieved from Badan Pusat Statistik:
https://www.bps.go.id/linkTableDinamis/view/id/1211
BPS. (2019c). Kemiskinan dan ketimpangan. Retrieved from
https://www.bps.go.id/subject/23/kemiskinan-dan-ketimpangan.ntml
BPS Jawa Barat. (2019). Indeks Pembangunan Manusia menurut kabupaten kota di Jawa Barat,
2010-2018. Retrieved from https://jabar.bps.go.id/statictable/2019/04/21/586/-metode-
baru-indeks-pembangunan-manusia-menurut-kabupaten-kota-di-jawa-barat-2010-
2018.html
BPS RI. (2019). Produk Domestik Regional Bruto provinsi-provinsi di Indonesia menurut lapangan
usaha 2014-2018. Badan Pusat Statistik Jawa Barat.
Dinas Kesehatan Provinsi Jawa Barat. (2017). Profil kesehatan [e-book]. Retrieved from
http://diskes.jabarprov.go.id/dmdocuments/01b3018430a412a520e2b4a4b9d9864f.pdf
Ekosiswoyo, R., Kardoyo, Raharjo, T., J. (2008). Strategi akselerasi pencapaian IPM bidang
pendidikan untuk mendukung keberhasilan pembangunan jangka menengah Kota
Semarang. Riptek, 2(2), 1-6.
Ezkirianto, R., & M. F. (2013). Analisis keterkaitan antara Indeks Pembangunan Manusia dan
PDRB per kapita di Indonesia. Jurnal Ekonomi dan Kebijakan Pembangunan. 2(1), 14-29.
Gujarati. (2004). Basic econometrics fourth edition. Americas, New York: The Mc-Graw-Hill
Companies.
Halim, H. A. (2018, March 22). 487 Ribu Penduduk Kabupaten Bogor berada di bawah garis
kemiskinan. Pikiran Rakyat. Retrieved from https://www.pikiran-rakyat.com/jawa-
barat/pr-01295145/487-ribu-penduduk-kabupaten-bogor-berada-di-bawah-garis-
kemiskinan-421707
Juanda, B. (2009). Ekonometrika pemodelan dan pendugaan. Bogor: IPB Press.
Luckynuari, P. A. (2019). Analisis pengaruh kemiskinan, pengangguran dan pertumbuhan ekonomi
terhadap kualitas pembangunan manusia (Studi kasus kabupaten/kota di Provinsi D.I.
Yogyakarta. Diponegoro Journal of Economics. 1(1), 80-87.
Melliana, A., & Zain, I. (2013). Analisis statistika faktor yang mempengaruhi indeks pembangunan
manusia di kabupaten/kota Provinsi Jawa Timur dengan menggunakan regresi panel.
Jurnal Sains dan Seni Pomits 2(2), 237-242.
Rakhmah, R. D. (2016). Analisis faktor-faktor yang memengaruhi pembangunan manusia (Studi
kasus 14 provinsi di Indonesia).
Sugiyono. (2014). Metode penelitian kuantitatif kualitatif dan R&D. Bandung: Alfabeta.
Sukirno, S. (1996). Pengantar teori makro ekonomi cetakan keenam. Jakarta: PT. Raja Grafindo
Persada.
Suryono, P. D. (2011). Manajemen sumberdaya manusia. Malang: Universitas Brawijaya Press.
Todaro. (2006). Pembangunan ekonomi di dunia ketiga, Edisi kesembilan, Jilid 1. Jakarta:
Erlangga.
UNDP. (2018). Human Development Index and its components. United Nations Development
Programme.
UNDP. (2019). Human Development Index. Retrieved from http://hdr.undp.org/en/content/human-
development-index-hdi
Verbeek, M. (2017). A guide to modern econometrics (5th ed.). New York, United States: Jhon
Welly & Sons, Inc.
Widarjono. (2007). Ekonometrika teori dan aplikasi untuk ekonomi dan bisnis (2nd ed).
Widarjono, A. (2009). Ekonometrika pengantar dan aplikasinya. Yogyakarta: Ekonisia.
Wooldgride, J. M. (2013). Introductory econometrics a modern approach (Fifth; E. Koyner, Ed.).
Ohio: Nelson Education.
Zuhairoh, Z.A dan Melaniani, S., (2018). Pengaruh angka kematian bayi, angka partisipasi murni,
rasio ketergantungan terhadap indeks pembangunan manusia Provinsi Jawa Timur. Jurnal
Biometrika dan Kependudukan, 87-95.
KARTU BIMBINGAN TUGAS AKHIR
LAMPIRAN
Lampiran 1. Output Uji Chow

. xtreg ipm pdrbkjuta rls jtkesehatan jpmiskin kematianbayi, fe
Fixed-effects (within) regression Number of obs = 108

Group variable: city Number of groups = 27
R-sq: Obs per group:

within = 0.7650 min = 4
between = 0.8860 avg = 4.0
overall = 0.8835 max = 4
F(5,76) = 49.48
corr(u_i, Xb) = -0.4612 Prob > F = 0.0000
ipm Coef. Std. Err. t P>|t| [95% Conf. Interval]
pdrbkjuta -.0003475 .0028442 -0.12 0.903 -.0060122 .0053172

rls 3.389983 .26259 12.91 0.000 2.866989 3.912976
jtkesehatan .0002012 .0001146 1.76 0.083 -.000027 .0004295
jpmiskin -.0063063 .0054014 -1.17 0.247 -.017064 .0044515
kematianbayi -.0006838 .0011293 -0.61 0.547 -.0029331 .0015654
_cons 43.01176 2.472594 17.40 0.000 38.08716 47.93636
sigma_u 1.9023527
sigma_e .38057187
rho .96151876 (fraction of variance due to u_i)
F test that all u_i=0: F(26, 76) = 59.52 Prob > F = 0.0000
.
. quietly xtreg ipm pdrbkjuta rls jtkesehatan jpmiskin kematianbayi, fe
.
Lampiran 2. Output Uji Hausman
. estimates store fe
. hausman fe re, sigmamore
Note: the rank of the differenced variance matrix (4) does not equal the number of
coefficients being tested (5); be sure this is what you expect, or there may
be problems computing the test. Examine the output of your estimators for
anything unexpected and possibly consider scaling your variables so that the
coefficients are on a similar scale.
Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fe re Difference S.E.
pdrbkjuta -.0003475 .0005268 -.0008743 .0004165

rls 3.389983 3.163887 .2260959 .2042198
jtkesehatan .0002012 .0002508 -.0000496 .0000273
jpmiskin -.0063063 -.0014879 -.0048184 .0048484
kematianbayi -.0006838 -.0007866 .0001028 .0003016
b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 8.42
Prob>chi2 = 0.0775
. vif, uncentered
Variable VIF 1/VIF
jpmiskin 6.51 0.153514

jtkesehatan 5.27 0.189701
kematianbayi 5.15 0.194141
rls 4.86 0.205759
pdrbkjuta 3.58 0.279500
Mean VIF 5.07
pdrbkjuta .0005268 .0029161 0.18 0.857 -.0051886 .0062423
rls 3.163887 .1795989 17.62 0.000 2.811879 3.515894
jtkesehatan .0002508 .0001155 2.17 0.030 .0000244 .0004773
jpmiskin -.0014879 .0027905 -0.53 0.594 -.0069572 .0039815
kematianbayi -.0007866 .0011301 -0.70 0.486 -.0030015 .0014283
_cons 44.02855 1.713934 25.69 0.000 40.6693 47.3878
sigma_u 1.4757233
sigma_e .38057187
Lampiran
rho3. Output Uji
.93764087 Lagrange
(fraction Multiplier
of variance due to u_i)
. xttest0
Breusch and Pagan Lagrangian multiplier test for random effects
ipm[city,t] = Xb + u[city] + e[city,t]
Estimated results:
Var sd = sqrt(Var)
ipm 24.65994 4.965878

e .1448349 .3805719
u 2.177759 1.475723
Test: Var(u) = 0
chibar2(01) = 110.73
Prob > chibar2 = 0.0000
Lampiran 4. Hasil Fixed Effect Model

. xtreg ipm pdrbkjuta rls jtkesehatan jpmiskin kematianbayi, fe
Fixed-effects (within) regression Number of obs = 108


within = 0.7650 min = 4
between = 0.8860 avg = 4.0
F(5,76) = 49.48
corr(u_i, Xb) = -0.4612 Prob > F = 0.0000
ipm Coef. Std. Err. t P>|t| [95% Conf. Interval]
pdrbkjuta -.0003475 .0028442 -0.12 0.903 -.0060122 .0053172

rls 3.389983 .26259 12.91 0.000 2.866989 3.912976
jtkesehatan .0002012 .0001146 1.76 0.083 -.000027 .0004295
jpmiskin -.0063063 .0054014 -1.17 0.247 -.017064 .0044515
kematianbayi -.0006838 .0011293 -0.61 0.547 -.0029331 .0015654
_cons 43.01176 2.472594 17.40 0.000 38.08716 47.93636
sigma_u 1.9023527
sigma_e .38057187
rho .96151876 (fraction of variance due to u_i)
F test that all u_i=0: F(26, 76) = 59.52 Prob > F = 0.0000
.
. quietly xtreg ipm pdrbkjuta rls jtkesehatan jpmiskin kematianbayi, fe
.
. estimates store fe
Estimated coefficients = 6 Time periods = 4
Wald chi2(5) = 17686.65
Log likelihood = -135.6993 Prob > chi2 = 0.0000
ipm Coef. Std. Err. z P>|z| [95% Conf. Interval]
pdrbkjuta .0420669 .0023297 18.06 0.000 .0375009 .0466329

rls 2.460859 .0343952 71.55 0.000 2.393446 2.528273
Lampiran
jtkesehatan5. Hasil Random
.0002455 Effect Model
.0000694 3.54 0.000 .0001096 .0003815
jpmiskin -.0014005 .000573 -2.44 0.015 -.0025236 -.0002773
kematianbayi
. -.0018637
xtreg ipm pdrbkjuta .0005161 jpmiskin
rls jtkesehatan -3.61 kematianbayi,
0.000 -.0028752
re -.0008522
_cons 48.60882 .3814564 127.43 0.000 47.86118 49.35646
Random-effects GLS regression Number of obs = 108
. estimates store hetero
. xtgls ipm pdrbkjuta
within = 0.7604 rls jtkesehatan jpmiskin kematianbayi, igls
min = 4
Iteration 1: =
between tolerance
0.8959 = 2.935e-14 avg = 4.0
Cross-sectional time-series FGLS regression Wald chi2(5) = 472.35

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000
Coefficients: generalized least squares
Panels: homoskedastic
Correlation:
ipm no autocorrelation
Coef. Std. Err. z P>|z| [95% Conf. Interval]
Estimated covariances
pdrbkjuta .0005268 =.0029161 1 0.18 Number of-.0051886
0.857 obs = 108
.0062423
Estimatedrls
autocorrelations
3.163887 =.1795989 0 17.62 Number of 2.811879
0.000 groups = 27
3.515894
. hausman fe
Estimated
jtkesehatan re, sigmamore
coefficients
.0002508 =.0001155 6 2.17 Time periods
0.030 .0000244= .00047734
jpmiskin -.0014879 .0027905 -0.53 Wald chi2(5)
0.594 -.0069572= 1103.82
.0039815
Note: the rank of
Log likelihood
kematianbayi the differenced
-.0007866 variance
=.0011301
-195.2646 matrix
-0.70 (4)>does
Prob
0.486 chi2 not equal
-.0030015 = the number of
0.0000
.0014283
coefficients
_cons being tested
44.02855 (5); be
1.713934 sure this
25.69 is what40.6693
0.000 you expect,47.3878
or there may
be problems computing the test. Examine the output of your estimators for
anything
ipm
sigma_u unexpected
Coef.
1.4757233 and
Std.possibly
Err. consider
z scaling your
P>|z| [95% variables so that the
Conf. Interval]
coefficients
sigma_e are on a similar scale.
.38057187
pdrbkjuta
rho .019268
.93764087 .0079175 of variance
(fraction 2.43 0.015 .0037499
due to u_i) .0347861
rls Coefficients
2.873015 .1308775 21.95 0.000 2.6165 3.129531
jtkesehatan (b)
.0011067 (B)
.0003637 3.04 (b-B)
0.002 sqrt(diag(V_b-V_B))
.0003939 .0018195
. jpmiskin fe
-.0043074 re
.0020282 -2.12Difference
0.034 -.0082826S.E.-.0003322
Lampiran
kematianbayi
.
6. Uji.0010191
quietly xtreg ipm
Heteroskedastisitas
pdrbkjuta.0023235 0.44 jpmiskin
rls jtkesehatan 0.661 kematianbayi,
-.0035349 re.005573
pdrbkjuta
_cons -.0003475
45.43162 .0005268 36.72 -.0008743
1.237309 0.000 .000416547.8567
43.00654
. rls 3.389983 3.163887 .2260959 .2042198
.jtkesehatan
estimates store .0002012
re .0002508 -.0000496 .0000273
jpmiskin
. local -.0063063
df = e(N_g) - 1 -.0014879 -.0048184 .0048484
kematianbayi -.0006838 -.0007866 .0001028 .0003016
. lrtest hetero, df(`df')
b = consistent under Ho and Ha; obtained from xtreg
B = inconsistent
Likelihood-ratio test under Ha, efficient underLR Ho; obtained
chi2(26) = from xtreg
119.13
(Assumption: . nested in hetero) Prob > chi2 = 0.0000
Test: Ho: difference in coefficients not systematic
chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B)
Lampiran 7. Uji Multikolinearitas
= 8.42
Prob>chi2 = 0.0775
. vif, uncentered
Variable VIF 1/VIF
jpmiskin 6.51 0.153514

jtkesehatan 5.27 0.189701
kematianbayi 5.15 0.194141
rls 4.86 0.205759
pdrbkjuta 3.58 0.279500
Mean VIF 5.07
Lampiran 8. Hasil Random Effect Model dengan Generalized Least Square
. xtpcse ipm pdrbkjuta rls jtkesehatan jpmiskin kematianbayi
Linear regression, correlated panels corrected standard errors (PCSEs)
Group variable: city Number of obs = 108

Time variable: year Number of groups = 27
Panels: correlated (balanced) Obs per group:
Autocorrelation: no autocorrelation min = 4
avg = 4
max = 4
Estimated covariances = 378 R-squared = 0.9109
Estimated autocorrelations = 0 Wald chi2(5) = 15427.73
Estimated coefficients = 6 Prob > chi2 = 0.0000
Panel-corrected
ipm Coef. Std. Err. z P>|z| [95% Conf. Interval]
pdrbkjuta .019268 .0077648 2.48 0.013 .0040492 .0344868

rls 2.873015 .106723 26.92 0.000 2.663842 3.082188
jtkesehatan .0011067 .000487 2.27 0.023 .0001522 .0020612
jpmiskin -.0043074 .0014542 -2.96 0.003 -.0071575 -.0014573
kematianbayi .0010191 .0012698 0.80 0.422 -.0014696 .0035077
_cons 45.43162 .8193083 55.45 0.000 43.8258 47.03743
RIWAYAT HIDUP
Penulis bernama lengkap Sarah Achsanti dan biasa dipanggil Sarah atau Cila.
Penulis lahir pada tanggal 29 April 1998 di Kota Jakarta. Penulis merupakan anak
pertama dari lima bersaudara pasangan Muhammad Achsan dan Lily Mei Susanti.
Penulis menempuh pendidikan di SDN Anyelir 1 Depok, lalu melanjutkan ke SMPN
1 Depok pada 2010-2013 dan melanjutkan ke SMA Sejahtera 1 Depok pada 2013-
2016. Selama SMA penulis aktif dalam kegiatan Pramuka. Setelah itu penulis
melanjutkan studi di Jurusan Ekonomi, Fakultas Ekonomi dan Bisnis, Universitas
Pertamina.
Pada jenjang kuliah, penulis aktif di Himpunan Mahasiswa Ekonomi atau yang
dikenal dengan sebutan HENNA pada periode 2017-2018 sebagai kepala bidang
keuangan. Selain itu, penulis juga tergabung sebagai anggota di UKM badminton.
Penulis juga tergabung dalam beberapa kepanitiaan seperti Indonesian Economic
Review selama 2 tahun berturut-turut, panitia Universitas Pertamina Football
Championship 2017, Universitas Pertamina Badminton Open 2018 serta panitia Dies
Natalis ke-2 Universitas Pertamina. Penulis tergabung menjadi Peer Tutor Mata
Kuliah Mikroekonomi 1 pada tahun 2019. Selain itu penulis pernah meraih juara 3
lomba vlog diadakan oleh UKM Riset dan Karya Ilmiah Universitas Pertamina.
Penulis juga aktif pada kegiatan diluar kampus.

Laporan Ta Sarah Achsanti 103216005 Universitas Pertamina

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Ta Sarah Achsanti 103216005 Universitas Pertamina

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS DETERMINAN INDEKS PEMBANGUNAN

MANUSIA DI KABUPATEN/KOTA PROVINSI JAWA

LAPORAN TUGAS AKHIR

FAKULTAS EKONOMI DAN BISNIS

LAPORAN TUGAS AKHIR

FAKULTAS EKONOMI DAN BISNIS

Sarah Achsanti. 103216005. Analisis Determinan Indeks Pembangunan Manusia di

Sarah Achsanti. 103216005. Analysis of the Influencing Factors from Human

Jakarta, 3 Februari 2020

Universitas Pertamina - iii

Tabel 1.1 Peringkat IPM Negara di Asia Tenggara Tahun 2017........................................ 2

Universitas Pertamina - vii

Gambar 1.1 IPM Provinsi di Pulau Jawa Tahun 2014 - 2017............................................. 3

Universitas Pertamina - viii

Lampiran 1 Output Uji Chow............................................................................................ 41

Singkatan Arti Keterangan

Pada tahun 1990 United Nations Development Programme (UNDP) memperkenalkan

Tabel 1.1. Peringkat IPM Negara di Asia Tenggara Tahun 2017

Sumber : UNDP (2018)

2014 2015 2016 2017

Gambar 1.1. IPM Provinsi di Pulau Jawa Tahun 2014 - 2017

Sumber : BPS (2018c)

Sumber : BPS Jawa Barat (2019)

1.2 Rumusan Masalah

1. Bagaimana perkembangan IPM Kabupaten/Kota di Provinsi Jawa Barat Periode 2014–2017?

1. Mengidentifikasi perkembangan IPM Kabupaten/Kota di Provinsi Jawa Barat Periode 2014–

1.5 Ruang Lingkup

2.1.1 Pembangunan Manusia

2.1.2 Indeks Pembangunan Manusia

Angka IPM suatu wilayah menggambarkan kesejahteraan dan keberhasilan dalam

2.1.3 Perhitungan Indeks Pembangunan Manusia

Tabel 2.1. Penentuan Nilai Maksimum dan Minimum IPM

* : garis kemiskinan terendah Kabupaten Tolikara-Papua tahun 2010

AHH : angka harapan hidup tahun-n

HLS : harapan lama sekolah tahun-n

RLS : rata-rata lama sekolah tahun-n

IHLS : indeks harapan lama sekolah

Ln pengeluaran : indeks pengeluaran tahun-n

IPM = MKI$%&%'()(* × I7%*8989:(* × I7%*B%CD(E(* × 100

Ikesehatan : indeks pengeluaran tahun-n

2.1.4 PDRB Per kapita

Pendidikan Kesehatan Ekonomi

Faktor Pendukung: Faktor Penghambat:

PDRB per-kapita, RLS Jumlah Penduduk

Fixed Effect Model /

Simpulan dan Saran

Gambar 2.1. Kerangka Penelitian

3.2 Jenis dan Sumber Data

3.3 Metode Analisis

3.3.1 Uji Pemilihan Model Terbaik

3.3.1.1 Uji Chow

3.3.1.2 Uji Hausman

3.3.1.3 Uji Lagrange Multiplier

3.3.2 Uji Asumsi Klasik

3.3.2.2 Uji Autokorelasi

H0 : tidak ada autokorelasi

3.3.2.3 Uji Multikolinearitas

3.3.2.4 Uji Heteroskedastisitas

3.3.3 Uji Statistik

3.3.3.1 R-squared (R2)

3.3.4 Koefisien Baku dan Elastisitas

3.3.4.1 Koefisien Baku

Koefisien baku (standardized coefficients) digunakan karena nilai b pada penelitian

!" : beta dugaan

IPM = MKI$%&%'()(* × I7%8989:( × I7%B%CD(E( × 100