Abstrak—Laju pertumbuhan penduduk mengakibatkan Miskin (Raskin), BPJS Kesehatan, dan Bantuan
dampak buruk bagi kehidupan sosial-ekonomi masyarakat, Langsung Tunai (BLT). Namun upaya pengentasan
salah satunya adalah kemiskinan. Jawa Timur merupakan kemiskinan tersebut masih belum bisa dikatakan berhasil.
provinsi dengan jumlah penduduk miskin terbanyak kedua Jawa Timur merupakan salah satu provinsi di
setelah Jawa Barat. Berdasarkan hal tersebut, penelitian
mengenai variabel yang berpengaruh terhadap kemiskinan
Indonesia yang terdiri dari 38 kabupaten/ kota. BPS
di Jawa Timur penting dilakukan sebagai bahan referensi melaporkan bahwa jumlah penduduk miskin terbanyak
pemerintah dalam upaya menekan angka kemiskinan. berada di Provinsi Jawa Timur, kemudian disusul Jawa
Meningkatnya angka kemiskinan dari tahun ke tahun Tengah sebanyak 4,58 juta jiwa dan Jawa Barat sebanyak
mengindikasikan bahwa waktu berpengaruh terhadap 4,35 juta jiwa [1]. Ketidaktepatan sasaran dalam
kemiskinan sehingga waktu (tahun) dimasukkan ke dalam pengentasan kemiskinan menyebabkan tujuan
analisis. Oleh karena itu, analisis indikator yang pengentasan angka kemiskinan jauh dari harapan.
berpengaruh terhadap tingkat kemiskinan di Jawa Timur Apabila pemerintah mengetahui variabel apa saja yang
dilakukan menggunakan analisis regresi panel. secara signifikan mempengaruhi kemiskinan maka
Berdasarkan analisis yang dilakukan diperoleh hasil bahwa
untuk mengestimasi model digunakan Fixed Effect Model
perbaikan ekonomi dan penurunan angka kemiskinan
(FEM) dengan efek individu dan waktu. Pemodelan tingkat dapat dicapai.
kemiskinan dengan FEM individu an waktu menghasilkan Berdasarkan pemikiran tersebut, maka penelitian ini
nilai R2 sebesar 96,08 persen dengan variabel yang bertujuan untuk mengetahui variabel yang berpengaruh
signifikan adalah Angka Partisipasi Sekolah SMA (X2) dan terhadap tingkat kemiskinan di Jawa Timur
Persentase Penduduk dengan Akses Air Bersih (X6). Dari menggunakan metode regresi panel dari kurun waktu
pengelompokkan berdasarkan variabel yang signifikan 2005-2014. Variabel yang diduga berpengaruh, yaitu
didapatkan hasil bahwa pada tahun 2005 hingga 2008, Angka Kematian Bayi (X1), Angka Partisipasi Sekolah
kabupaten/kota di Jawa Timur dominan berada pada (APS) SMA (X2), Tingkat Partisipasi Angkatan Kerja
kelompok dengan persentase penduduk miskin tinggi.
Namun sejak tahun 2009, sebagian besar kabupaten/kota
(TPAK) (X3), Persentase Balita dengan Penolong
berpindah cluster menjadi kelompok dengan persentase Pertama Kelahiran Tenaga Medis (X4), Persentase
penduduk miskin rendah. Pekerja di Sektor Pertanian (X5), Persentase Penduduk
dengan Akses Air Bersih (X6), PDRB per Kapita (X7),
Kata Kunci— Cluster, Fixed Effect Model dengan dan Laju Pertumbuhan Ekonomi (X8). Regresi panel
Individu dan Waktu, Kemiskinan, Regresi Panel. digunakan untuk memperoleh informasi yang lebih
lengkap dari gabungan data cross section dan time series.
I. PENDAHULUAN
II. TINJAUAN PUSTAKA
L aju pertumbuhan penduduk di berbagai negara di
dunia semakin meningkat termasuk Indonesia. Laju
pertumbuhan penduduk di Indonesia selama periode
Statistika Deskriptif
Statistika deskriptif merupakan metode-metode yang
2000 hingga 2010 adalah sebesar 1,49 persen [1]. Hal ini
berkaitan dengan pengumpulan dan penyajian suatu
menunjukkan bahwa penduduk Indonesia bertambah
gugus data sehingga memberikan informasi yang
sekitar 3,5 juta jiwa tiap tahunnya. Ledakan penduduk
berguna [3].
sebagai akibat laju pertumbuhan penduduk yang cepat
memberikan dampak yang buruk bagi kehidupan sosial- Uji Multikolinieritas
ekonomi masyarakat yaitu jumlah pengangguran yang Multikolinearitas adalah suatu keadaan dimana
semakin meningkat, terjadinya kekurangan pangan, dan terdapat hubungan linear diantara semua atau beberapa
tingginya angka kemiskinan. Kemiskinan adalah variabel prediktor. Multikolinearitas dapat dideteksi
ketidakmampuan untuk memenuhi standar hidup menggunakan nilai Variance Inflation Factors (VIF)
minimum [2]. BPS mendasarkan ukuran standar dengan rumus pada Persamaan (1) sebagai berikut [4].
minimum relatif pada besarnya rupiah yang dibelanjakan 1
perkapita/bulan untuk memenuhi kebutuhan minimum 𝑉𝐼𝐹𝑘 = (1)
1 − 𝑅𝑘2
makanan dan nonmakanan. Kebutuhan minimum jika nilai VIF ≤ 10, tidak terdapat multikolinearitas.
makanan menggunakan patokan 2.100 kalori/hari,
sedangkan kebutuhan non makanan meliputi perumahan, Regresi Data Panel
sandang, aneka barang dan jasa. Pemerintah terus Data panel adalah kombinasi dari data cross section
berupaya untuk menekan angka kemiskinan tiap dan data time series. Secara umum, persamaan model
tahunnya. Beberapa program penanggulangan regresi panel dapat ditulis sebagai berikut [5].
kemiskinan telah dilakukan seperti Beras untuk Keluarga
D-266 JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print)
𝑦𝑖𝑡 = α𝑖𝑡 + ∑𝐾
𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 Untuk menentukan model terbaik antara CEM dan
(1) FEM.
Dimana Hipotesis
𝑖 = banyaknya unit individu; dimana N adalah 1, 2, .., 𝐻0 µ1 = µ2 = ⋯ = µ𝑁 dan 𝜆1 = 𝜆2 = ⋯ = 𝜆 𝑇
N (Model yang sesuai CEM)
𝑡 = banyaknya periode waktu; dimana T adalah 1, 2, 𝐻1 :minimal satu µ𝑖 ≠ µ𝑚 atau 𝜆𝑡 ≠ 𝜆𝑠 (Model
…, T yang sesuai FEM)
𝑘 = variabel prediktor; dimana K adalah banyaknya 1, Statistik Uji
2 2
2, …, K 𝐹=
(𝑅𝐹𝐸𝑀 −𝑅𝑃𝑜𝑜𝑙𝑒𝑑 )/(𝑁−1)+(𝑇−1)
(8)
2
𝑦𝑖𝑡 = variabel respon pada unit individu ke-i dan waktu (1−𝑅𝐹𝐸𝑀 )/(𝑁−1)(𝑇−1)−𝐾
ke-t dengan :
∝𝑖𝑡 = koefisien intersep dari individu ke-i dan periode R2pooled = R-square model CEM
waktu ke-t R2FEM = R-square model FEM
β𝑘 = β1 , β2 , … , β𝑘 merupakan koefisien slope dengan K N = jumlah unit individu
banyaknya variabel prediktor. 𝑇 = jumlah unit time series
𝑋𝑘𝑖𝑡 = variabel prediktor ke-k dari unit individu ke-i dan 𝐾 = jumlah parameter yang akan
periode waktu ke-t diestimasi
𝜀𝑖𝑡 = residual pada unit individu ke-i dan waktu ke-t Daerah Penolakan: Tolak 𝐻0 jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 >
Langkah-langkah regresi data panel terdiri dari F𝛼;((𝑁−1)+(𝑇−1);(𝑁−1)(𝑇−1)−𝐾) atau pvalue < 𝛼 (dimana α
mengestimasi model, memilih model terbaik, menguji = 0,05).
signifikansi parameter, dan menguji asumsi pada b) Uji Hausman
residual. Untuk menentukan model terbaik antara FEM dan
1) Estimasi Model Regresi Data Panel REM.
Terdapat tiga model yang digunakan untuk Hipotesis
mengestimasi regresi data panel yaitu pendekatan H0: 𝑐𝑜𝑟𝑟 (𝑋𝑖𝑡, ε𝑖𝑡 ) = 0 (Model yang sesuai REM)
model common effect (CEM), fixed effect (FEM), dan H1: 𝑐𝑜𝑟𝑟 (𝑋𝑖𝑡, ε𝑖𝑡 ) ≠ 0 (Model yang sesuai FEM)
random effect (REM). Statistik Uji
a) Common Effect Model (CEM)
Model ini mengasumsikan bahwa perilaku antar W = 𝐀′ [var(𝛽̂𝐹𝐸𝑀 ) − var(𝛽̂𝑅𝐸𝑀 )]−1 𝐀 (9)
individu sama pada setiap periode waktu. Persamaan dengan :
model CEM adalah sebagai berikut [6]. 𝐀 = (𝛽̂𝐹𝐸𝑀 ) − (𝛽̂𝑅𝐸𝑀 )
2
𝑦𝑖𝑡 = 𝛼 + ∑𝐾 𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 (2) Daerah Penolakan: Tolak 𝐻0 jika 𝑊 > 𝜒(𝐾,𝛼) atau
b) Fixed Effect Model (FEM) pvalue < 𝛼
Pada model ini diasumsikan bahwa intersep berbeda c) Uji LM
untuk tiap individu tetapi tetap mengasumsikan Untuk menentukan model terbaik antara CEM dan
bahwa koefisen slope adalah konstan. Terdapat tiga REM.
variasi pada model FEM yaitu antar individu, antar Hipotesis
waktu dan antar individu dan waktu. Persamaan H0: 𝜎𝑢2 = 0 (model yang sesuai adalah CEM)
umum model FEM variasi antar individu dituliskan H1: minimal ada satu 𝜎𝑢2 ≠ 0 (model yang sesuai
pada Persamaan (3) berikut adalah REM)
Statistik Uji
𝑦𝑖𝑡 = µ𝑖 + ∑𝐾 𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 (3) 2 2
𝑁𝑇 ∑𝑁 (∑𝑇
𝑡=1 𝑖𝑡 𝜀 )
Persamaan umum model FEM variasi antar waktu 𝐿𝑀 = (2𝑇−1) (∑𝑖=1
𝑁 ∑𝑇 (𝜀 )2 − 1) (10)
𝑖=1 𝑡=1 𝑖𝑡
dituliskan pada Persamaan (4) berikut.
𝑦𝑖𝑡 = 𝜆𝑡 + ∑𝐾 Daerah Penolakan: Tolak 𝐻0 jika jika LM 2 ;K
𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 (4)
Sedangkan persamaan umum model FEM variasi atau pvalue < 𝛼
antar individu dan waktu dituliskan pada Persamaan 3) Koefisein Determinasi (R2)
(5) berikut. Koefisien determinasi menunjukkan besarnya
𝑦𝑖𝑡 = µ𝑖 + 𝜆𝑡 + ∑𝐾 𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 (5) keragaman variabel respon yang dapat dijelaskan oleh
c) Random Effect Model (REM) variabel prediktor. Semakin tinggi nilai koefisien
Pendekatan REM melibatkan korelasi antar error determinasi, maka model dapat dikatakan semakin baik.
terms karena berubahnya waktu maupun individu. Adapun rumus dari koefisien determinasi adalah pada
Berikut adalah persamaan model REM Persamaan (7) sebagai berikut.
∑𝑁 𝑇 ̂ 𝑖𝑡 )2
𝑖=1 ∑𝑡=1(𝑦𝑖𝑡 −𝑦
𝑦𝑖𝑡 = 𝛼 + ∑𝐾 𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑣𝑖𝑡 (6) 𝑅2 = 1 − (7)
∑𝑁 𝑇 ̅ 𝑖 )2
𝑖=1 ∑𝑡=1(𝑦𝑖𝑡 −𝑦
dengan
4) Pengujian Parameter Model Regresi
𝑣𝑖𝑡 = 𝑢𝑖 + ε𝑖𝑡
Digunakan untuk mengetahui hubungan antara
2) Pemilihan Model Regresi Panel variabel respon dengan prediktor.
Untuk mengetahui model yang akan dipakai, maka a) Pengujian Serentak
terlebih dahulu dilakukan uji spesifikasi model yang Untuk memeriksa keberartian koefisien β secara
paling baik dan sesuai, terdiri dari uji Chow, uji serentak terhadap variabel respon.
Hausman dan uji Lagrange Multiplier (LM). Hipotesis
a) Uji Chow 𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝐾 = 0
𝐻1 : paling sedikit ada satu 𝛽𝑘 ≠ 0, 𝑘 = 1, 2, … , 𝐾
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) D-267
terlebih dahulu jumlah cluster yang digunakan yaitu V. KESIMPULAN DAN SARAN
sebanyak 2 cluster. Kesimpulan
Nilai cut off berada pada angka 16,89781 persen.
Sehingga rentang nilai yang termasuk kedalam anggota Kesimpulan yang diperoleh dari hasil analisis dan
cluster 1 adalah 3,127269 - 16,89781 sedangkan rentang pembahasan pada penelitian ini adalah sebagai berikut.
nilai anggota cluster 2 adalah 16,89782 - 39,54915. 1. Rata-rata persentase penduduk miskin di Jawa Timur
Gambar 1 berikut ini memberi informasi bahwa dari tahun 2005 hingga tahun 2014 semakin menurun.
persentase penduduk miskin yang cenderung tinggi Selain itu, selisih antara nilai minimum dan maksimum
berada di Kabupaten Sumenep, Kabupaten Pamekasan, pada masing-masing variabel berbeda jauh. Hal ini
Kabupaten Sampang, Kabupaten Bangkalan, Kabupaten mengindikasikan bahwa terjadi ketidakmerataan yang
Probolinggo, Kabupaten Tuban dan Kabupaten ada di kabupaten/kota.
Bojonegoro. Dapat dilihat dari Gambar 4.10 bahwa 2. Model estimasi regrei panel yang terbaik adalah FEM
wilayah kabupaten tersebut stabil berada pada cluster 2. dengan efek individu dan waktu sebagai berikut.
Sehingga dapat disimpulkan bahwa tidak terjadi 𝑦̂𝑖𝑡 = 28,17747 + µ𝑖 + λ𝑡 - 0,063665 X2it - 0,087965
peningkatan yang signifikan dalam pengentasan X6it
kemiskinan oleh masing-masing pemerintah daerah
Variabel prediktor berpengaruh secara signifikan
tersebut.
terhadap tingkat kemiskinan adalah variabel angka
Hal ini berbeda jauh dengan kondisi kemiskinan di
partisipasi sekolah (X2) dan penduduk dengan akses
Kota Kediri, Kabupaten Tulungagung, Kabupaten
air bersih (X6). Sedangkan untuk hasil
Sidoarjo, Kota Malang, Kota Blitar, Kota Batu, Kota
pengelompokkan, persentase penduduk miskin di tiap
Surabaya, Kota Madiun, dan Kota Mojokerto. Selama
kabupaten/kota memiliki tren meningkat tiap tahunnya
kurun waktu 10 tahun dari tahun 2005 hingga 2014,
sehingga terjadi pergeseran cluster yang awalnya
wilayah tersebut memiliki kestabilan berada pada cluster
berada dalam cluster dengan persentase penduduk
1 yang artinya persentase penduduk miskin adalah
miskin tinggi menjadi cluster dengan persentase
rendah. Berikut adalah grafik hasil pengelompokkan
penduduk miskin rendah.
kabupaten/kota pada tiap tahun yang disajikan dalam
Gambar 1. Saran
Namun, terlihat pada Gambar 1 bahwa Kabupaten Saran untuk penelitian selanjutnya adalah perlu
Banyuwangi dan Kabupaten Mojokerto memperlihatkan memperhitungkan perbedaan koefisien pada variabel
ketidakstabilan dengan berpindah cluster dari cluster 1 yang signifikan di tiap kabupaten/kota sehingga
pada tahun 2005 menjadi cluster 2 pada tahun 2006 dan didapatkan model pada tiap kabupaten/kota pada tahun
kembali menjadi cluster 1 lagi pada tahun 2007. tertentu. Selain itu dengan memperhatikan variabel-
variabel yang merupakan komponen utama dalam
Kab. Sumenep
Kab. Pamekasan
membentuk variabel persentase penduduk miskin.
Kab. Sampang
Kab. Bangkalan
Kab. Probolinggo
Kab. Tuban
DAFTAR PUSTAKA
Kab. Bojonegoro
Kab. Pacitan [1] Badan Pusat Statistik. (2014). Statistik Daerah Provinsi Jawa
Kab. Lamongan Timur. Surabaya: BPS Provinsi Jawa Timur.
Kab. Trenggalek
Kab. Bondowoso
Kab. Gresik [2] Kartasasmita, G. (1996). Pembangunan untuk Rakyat. Jakarta:
Kab. Ngawi PT. Pustaka CIDESINDO.
Kab. Nganjuk
Kota Probolinggo
Kab. Madiun [3] Walpole, Ronald E. 1995. Pengantar Statistka Edisi ke-3. Jakarta:
Kab. Jombang
Kab. Pasuruan
Penerbit PT Gramedia Pustaka Utama
Kab. Situbondo
Kab. Jember [4] Gujarati, D. N. (2004). Basic Econometrics (4th ed.). New York:
Kab. Lumajang
Kab. Kediri
McGraw-Hill.
Kab. Malang
Kab. Magetan [5] Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd
Kab. Ponorogo
Kab. Blitar ed.). England: John Willey & Sons, Ltd.
Kab. Banyuwangi
Kab. Mojokerto [6] Hanum, D. (2014). Studi tentang SUR untuk Data Panel dengan
Kota Kediri
Kab. Tulungagung Model Gravitasi. Tesis, Institut Teknologi Sepuluh Nopember,
Kab. Sidoarjo Surabaya.
Kota Malang
Kota Blitar
Kota Batu [7] Nachrowi, D.N, dan Usman, Hardius. (2006), Pendekatan
Kota Surabaya Populer dan Praktis Ekonometrika Untuk Analisis Ekonomi dan
Kota Madiun
Kota Mojokerto Keuangan. Jakarta: Lembaga Penerbit Fakultas Ekonomi
Universitas Indonesia.
2005 2006 2007 2008 2009
2010 2011 2012 2013 2014
[8] Sharma, S. (1996). Applied Multivariate Techniques, John Wiley
and Sons, New York.
Gambar 1. Hasil Pengelompokkan Kabupaten/Kota di Jawa Timur
[9] Kuncoro, M. (1997). Ekonomi Pembangunan, Teori, Masalah dan
Kebijakan. Yogyakarta: Unit Penerbit dan Percetakan AMP
YKPN.