ANALISIS DAN PERMODELAN PRESENTASE PENDUDUK MISKIN DI JAWA

TENGAH DENGAN MENGGUNAKAN DATA PANEL

Oleh:
Djaurotul Iftita Nurrizkiya
Jurusan Pendidikan Ekonomi, Fakultas Ekonomika dan Bisnis, Universitas Negeri Surabaya
Email: djaurotuliftita.20003@mhs.unesa.ac.id

Abstrak

Regresi panel merupakan penggabungan dari Cross Section dan Time Series, untuk mengestimasi
regresi panel ini, peneliti menggunakan tiga pendekatan yaitu Common Effect Model (CEM),
Fixed Effect Model (FEM) dan Random Effect Model (REM). Dalam pendekatan CEM
digunakan Ordinary Last Square (OLS). Pada pendekatan FEM, parameter OLS diestimasi
kemudian ditambahkan variabel dummy. Pada pendekatan REM, error diasumsikan acak dan
diestimasikan dengan metode Generalized Least Square (GLS). Penelitian ini bertujuan untuk
menganalisis prsesentase penduduk miskini di provinsi Jawa Tengah dengan menggunakan
regresi data panel.

Kata kunci : kemiskinan di Jawa Tengah, Common Effect Model, Fixed Effect Model, Random
Effect Model

Abstract

Panel regression is a combination of Cross Section and Time Series, to estimate this panel
regression, the researcher uses three approaches, namely Common Effect Model (CEM), Fixed
Effect Model (FEM) and Random Effect Model (REM). In the CEM approach, Ordinary Last
Square (OLS) is used. In the FEM approach, the estimated OLS parameters are then added with
a dummy variable. In the REM approach, the error is assumed to be random and estimated using
the Generalized Least Square (GLS) method. This study aims to analyze the factors that porvity
in Central Java province by using panel data regression.

Keywords: Poorvity in Central Java, Common Effect Model, Fixed Effect Model, Random Effect
Model
PENDADULUAN

Kemiskinan merupakan sebuah permasalahan dari semua negara, salah satunya negara
Indonesia. Masalah kemiskinan merupakan masalah yang kompleks dan bersifat
multidimensional sehingga menjadi prioritas pembangunan oleh pemerintah (Ferezagia, 2018).
Kemiskinan merupakan gambaran kehidupan di banyak negara berkembang yang mencakup
lebih dari satu milyar penduduk dunia. Kemiskinan merupakan permasalahan yang diakibatkan
oleh kondisi nasional suatu negara dan situasi global. Globalisasi ekonomi dan bertambahnya
ketergantungan antar negara, tidak hanya merupakan tantangan dan kesempatan bagi
pertumbuhan ekonomi serta pembangunan suatu negara, tetapi juga mengandung resiko dan
ketidakpastian masa depan perekonomian dunia (Setiawan, 2017).
Menurut Badan Pusat Statistik (BPS) Untuk mengukur kemiskinan, BPS menggunakan
konsep kemampuan memenuhi kebutuhan dasar (basic needs approach). Konsep ini mengacu
pada Handbook on Poverty and Inequality yang diterbitkan oleh Worldbank. Dengan pendekatan
ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi
kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. Selain itu
kemiskinan juga berkaitan dengan keterbatasan lapangan pekerjaan dan biasanya mereka yang
dikategorikan miskin (the poor) tidak memiliki pekerjaan (pengangguran), serta tingkat
pendidikan dan kesehatan mereka pada umumnya tidak memadai. Mengatasi masalah
kemiskinan tidak dapat dilakukan secara terpisah dari masalah-masalah pengangguran,
pendidikan, kesehatan dan masalah-masalah lain yang secara eksplisit berkaitan erat dengan
masalah kemiskinan. Dengan kata lain, pendekatannya harus dilakukan lintas sektor, lintas
pelaku secara terpadu dan terkoordinasi dan terintegrasi (Susanti, 2013).
Jawa Tengah merupakan salah satu propinsi yang tingkat kemiskinannya masih cukup
tinggi sehingga perlu diketahui faktor apa yang mendasarinya dan seberapa besar pengaruh
faktor tersebut sehingga bisa dicari solusi untuk menurunkan tingkat kemiskinan tersebut.
Presentase tingkat kemiskinan di provinsi Jawa Tengah cukup fluktuatif pada tahun 2013-2015
dan menunjuka angka penurunan yang signifikan. Oleh karena itu perlu adanya analisis
berkesinambungan mengenai faktor-faktor apa saja yang mempengaruhi tingkat kemiskinan
yang terjadi setiap tahunnya.
Analisis data yang dipakai dalam penelitian ini tidak bisa mnggunakan analisis statistic
biasa, yang mana prosesnya mensyaratkan penggunaan data hanya untuk data cross section atau
data time series saja. Namun penelitian ini menggunakan data cross section dan time series
sehingga penggunaan pendekatan data panel sangatlah cocok untuk menguji variabel-variabel
yang terlibat. Terdapat 4 faktor-faktor yang mempengaruhi kemiskinan suatu wilayah, yaitu ratio
ketergantungan penduduk, pendapatan perkapita, presentase penduduk yang bekerja, rata-rata
lama sekolah, angka haraoan hidup, presentase penduduk usia sekolah yang tidak bersekolah,
presentase penduduk yang mengalami gangguan kesehatan.

KAJIAN PUSTAKA

Konsep Kemiskinan

Pada tahun 2000-an Wordbank memberikan definisi tentang Konsep kemiskinan, bahwa
kemiskinan adalah kehilangan kesejahteraan dan inti dari permasalahan keminskinan adalah
batasan-batasan dalam kesejahteraan. kemiskinan juga dipandang sebagai suatu keadaan dimana
kurangnya akses terhadap pendidikan, kesehatan atau air minum yang bersih, atau untuk
mempengaruhi proses politik dan faktor lainnya yang penting bagi manusia. Jika definisi
kemiskinan dikaitkan dengan kesejahteraan, kemiskinan dapat diartikan sebagai
ketidakmampuan untuk dalam memenuhi kesejahteraan kebutuhan hidupnya.

Garis Kemiskinan

Garis Kemiskinan (GK) mencerminkan nilai rupiah pengeluaran minimum yang diperlukan
seseorang untuk memenuhi kebutuhan pokok hidupnya selama sebulan, baik kebutuhan makanan
maupun non-makanan. GK terdiri dari Garis Kemiskinan Makanan (GKM) dan Garis
Kemiskinan Non-Makanan (GKNM). Garis Kemiskinan Makanan (GKM) merupakan nilai
pengeluaran minimum untuk kebutuhan makanan yang disetarakan dengan 2100 kilokalori per
kapita per hari. Garis Kemiskinan Non-Makanan (GKNM) merupakan nilai pengeluaran
minimum untuk kebutuhan non-makanan berupa perumahan, sandang, pendidikan dan
kesehatan. Rumus perhitungan:

GK = GMK – GKNM

Teknik penghitungan GKM:

1. Menentukan kelompok referensi (reference population) yaitu 20% penduduk yang berada
di atas Garis Kemiskinan Sementara (GKS). Kelompok referensi ini didefinisikan sebagai
penduduk kelas marginal. GKS dihitung berdasarkan GK periode sebelumnya yang di-
inflate dengan inflasi umum (IHK). Dari penduduk referensi ini, kemudian dihitung Garis
Kemiskinan Makanan (GKM) dan Garis Kemiskinan Non-Makanan (GKNM).
2. Garis Kemiskinan Makanan (GKM) adalah jumlah nilai pengeluaran dari 52 komoditi
dasar makanan yang riil dikonsumsi penduduk referensi, yang kemudian disetarakan
 dengan 2100 kilokalori per kapita per hari. Patokan ini mengacu pada hasil Widyakarya
Pangan dan Gizi 1978. Penyetaraan nilai pengeluaran kebutuhan minimum makanan
dilakukan dengan menghitung harga rata-rata kalori dari 52 komoditi tersebut.

Indeks Kedalaman Kemiskinan

Indeks Kedalaman Kemiskinan (Poverty Gap Index-P1) merupakan ukuran rata-rata kesenjangan
pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi nilai
indeks, semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan.

Gini Ratio

Dalam mengukur tingkat ketimpangan di Indonesia, BPS menggunakan data pengeluaran

sebagai proksi pendapatan yang bersumber dari Susenas. Gini ratio adalah salah satu ukuran
ketimpangan pengeluaran yang digunakan. Nilai gini ratio berkisar antara 0 (nol) dan 1 (satu).
Nilai gini ratio yang semakin mendekati 1 mengindikasikan tingkat ketimpangan yang semakin
tinggi.

Regresi Data Panel

Data panel merupakan gabungan dari data cross section dan time series atau bisa
dikatakan bahwa data panel adalah data dari beberapa individu yang sama yang diamati atau
proses pengambilan secara bersamaan dengan waktu tertentu. Terdapat tiga pendekatan dalam
regresi data panel, yaitu:
1. Common Effect Model (CEM)
Model pendekatan ini tidak memperhatikan dimensi individual dan waktu, pada
pendekatan ini diasumsikan bahwa nilai intersep masing-masing variabel adalah sama,
begitu pula slope koefisien untuk semua unit cross-section dan time series. Metode
estimasi dari model ini adalah:
Yit=α + β’ x’it + uit ; i = 1,2,…,N;t = 1,2, …,T
2. Fixed Effect Model (FEM)
Model ini mengasumsikan bahwa dalam berbagai kurun waktu, karakteristik masing-
masing individu adalah berbeda. Perbedaan tersebut dicerminkan oleh nilai intersep pada
model estimasi yang berbeda untuk setiap individu. Model persamaan dari metode ini
adalah:
Yit=α + β’ x’it + uit ; i = 1,2,…,N;t = 1,2, …,T
3. Random Effect Model (REM)
 Model ini juga mengasumsikan bahwa dalam berbagai kurun waktu, karakteristik
masing-masing individu adalah berbeda. Hanya saja, dalam REM perbedaan tersebut
dicerminkan oleh error dari model. Model persamaan dari metode ini adalah:
Yit=α + β’ x’it + uit ; i = 1,2,…,N;t = 1,2, …,T

METODE PENELITIAN
Jenis dan Sumber data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder, yaitu data yang
diperoleh secara langsung dari BPS Provinsi Jawa Tengah yang telah dipublikasikan. Dalam
studi kasus ini, data yang diperoleh merupakan data presentase penduduk miskin, ratio
ketergantungan penduduk, pendapatan perkapita penduduk yang telah di sesuaikan, angka
harapan hidup, presentasi penduduk diatas 7-24 tahun tetapi tidak bekerja.
Variabel Penelitian
Variabel penelitian yang digunakan dalam penelitian ini adalah variabel respon (Y) yaitu
presentase penduduk miskin (dalam persen) dari 35 kota atau kabupaten yang ada di Jawa
Tengah dan juga beberapa variabel predictor yaitu:
X1 = Ratio Ketergantungan Penduduk (RKP)
X2 = Pendapatan Perkapita Penduduk yang telah disesuaikan (PPK)
X3 = Angka Harapan Hidup (AHH)
X4 = Presentasi Penduduk diatas 7-24 tahun tetapi tidak bekerja (PTB)

HASIL DAN PEMBAHASAN

a. Analisis Kasus dengan Regresi Data Panel
Uji Chow
Untuk mengestimasi model regresi panel pada data laju inflasi di Provinsi Jawa Tengah,
terlebih dahulu melakukan Uji Chow untuk menentukan dugaan awal pada model.
Hipotesis:
 H0 = Common Effect Model (CEM) lebih tepat dibandingkan Fixed Effect Model
(FEM)
 Ha = Fixed Effect Model (FEM) lebih tepat dibanding Common Effect Model
(CEM)
Uji Chow adalah pengujian untuk menentukan antara model FEM atau CEM yang paling
dalam mengestimasi data panel.
Pengambilan keputusan dilakukan dengan cara:
 Nilai probabilitas F < batas kritis (α) 0,05. Maka Ho ditolak dan memilih FEM
daripada CEM
 Nilai probabilitas F > batas kritis (α) 0,05. Maka Ha diterima dan memilih CEM
daripada FEM
Tabel 1. Data hasil Uji Chow
R-squared 0,542571 Mean dependent var 13,30981
Adjusted R-Squared 0,54274 S.D. dependent var 4,33598
S.E. of regression 2,990320 Akaike info criterion 5,075086
Sum squared resid 894,2012 Schwarz criterion 5,201465
Log likehood -261,4420 Hannan-Quinn criter 5,126297
F-Statistic 29,65327 Durbun-Watson stat 0,064788
Prob (F-statistic) 0,000000

Berdasarkan output hasil olah data, diperoleh hasil nilai probabilitas (F-Statistic) adalah
0,000000 lebih kecil daripada taraf signifikansi (α) 0,05, maka Ho ditolak, keputusannya
bahwa FEM lebih tepat daripada CEM.

Hasil Uji Hausman

Uji hausman adalah pengujian statistic untuk memilih apakah model FEM atau REM t
untuk digunakan.
Hipotesis:
 Ho = REM lebih tepat dibandingkan FEM
 Ha = FEM lebih tepat dibandingkan REM
Pengambilan keputusan dilakukan jika:
 Nilai Chi Square hitung > Chi Square tabel atau nilai probabilitas Chi Square < taraf
signifikansi, maka Ho ditolak atau memilih FEM daripada REM.
 Nilai Chi Square hitung < Chi Square tabel atau nilai probabilitas Chi Square > taraf
signifikansi, maka Ho diterima dan memilih REM daripada FEM.
Berdasarkan output hasil olah data, diperoleh hasil nilai probabilitas (Chi Square
Statistic) adalah 0,1730 lebih besar dibandingkan taraf signifikansi (α) 0,05. Maka Ho
diterima, keputusannya adalah memilih REM lebih tepat dibandingkan FEM.

Uji Lagrange Multiplier (LM) Metode Breusch-Pagan

Uji LM adalah pengujian statistic untuk memilih apakah model REM atau CEM yang
paling tepat untuk digunakan.
Hipotesis:
 Ho = CEM lebih tepat dibandingkan dengsn REM
 Ha = REM lebih tepat dibandingkan dengan CEM
Pengambilan keputusan dilakukan jika:
  Nilai probabilitas (Both) Breusch-Pagan < taraf signifikansi, maka Ho ditolak dan
lebih memilih REM daripada CEM.
 Nilai probabilitas (Both) Breusch-Pagan > taraf signifikansi, maka Ho diterima dan
lebih memilih CEM daripada REM.
Berdasarkan output hasil pengolahan data, diperoleh hasil nilai Probabilitas Both
Breusch-Pagan adalah 0,000 lebih kecil dibandingkan taraf signifikansi (α) 0,05. Maka
Ho ditolak, keputusannya adalah bahwa REM lebih tepat dibandingkan dengan CEM.

Dari hasil analisis data yang dilakukan antara FEM, CEM, dan REM. REM merupakan
model yang terpilih dan paling tepat daripada kedua model lainnya (FEM dan REM).

b. Uji Asumsi Klasik

1. Uji Normalitas
Hipotesis:
 Ho = data residual terdistribusi normal
 Ha = data residual tidak terdistribusi normal
Kaidah keputusan Uji Normalitas metode Jarque-Berra:
 Ho diterima apabila nilai probabilitas Jarque-Berra lebih besar daripada taraf
signifikansi (α) 0,05 atau 5%.
 Ho ditolak apabila nilai probabilitas Jarque-Berra lebih kecil daripada taraf
signifikansi (α) 0,05 atau 5%
Berdasarkan output hasil pengolahan data, diketahui bahwa nilai probabilitas Jarque-
Berra adalah sebesar 0,601229 lebih besar daripada taraf signifikansi (α) 0,05. Maka
Ho diterima sehingga data residual pada model regresi terdistribusi normal.
2. Uji Multikolinieritas
Hipotesis:
 Ho = Tidak ada multikolinieritas antar variabel bebas pada model regresi
 Ha = Terdapat multikolinieritas ntar variabel bebas pada model regresi
Kaidah keputusan Uji Multikolinieritas metode korelasi berpasangan:
 Ho diterima apabila nilai korelasi antar variabel bebas lebih besar dari 0,105
 Ha ditolak apabila nilai korelasi antar variabel bebas lebih kecil dari 0,105

Tabel 2 Hasil Uji Multikolinieritas REM

 RKP PPK AHH PTB
RKP 1,000000 -0,675783 -0,600284 -0,065562
PPK -0,675783 1,000000 0,559940 -0,308038
AHH -0,600284 0,558840 1,000000 -0,247346
PTB -0,65562 -0,308038 -0,247346 1,000000

Berdasarkan output hasil pengolahan data, diketahui bahwa nilai korelasi dari
masing-masing variabel bebas < 0,105. Maka Ho diterima sehingga tidak ada
multikolinieritas abtar variabel bebas dalam model regresi.
3. Uji Heteroskesdatisitas
Hipotesis:
 Ho = Tidak ada masalah heteroskesdatisitas pada model regresi
 Ha = terdapat masalah heteroskedastisitas pada model regresi
Kaidah pengambilan keputusan adalah:
 Ho diterima apabila nilai Probabilitas t-statistic masing-masing variabel bebas
lebih besar dari taraf signifikansi (α) 0,05 atau 5%.
 Ho ditolak apabila nilai Probabilitas t-statistic masing-masing variabel bebas
lebih kecil dari taraf signifikansi (α) 0,05 atau 5%.
Tabel 3 Hasil Uji REM metode Cross Section Weight
Variabel Coefficient Std. Error t-Statistic Prob.
C 26,00762 11,71007 2,220961 0,1286
RKP -0,064122 0,064618 -0,992329 0,3234
PPK 0,105100 0,171681 0,612181 0,5418
AHH -0,311028 0,119385 -2,605241 0,1106
PTB 0,050519 0,052599 0,960448 0,3391
Berdasarkan hasil output pengolahan data, diperolehnilai probabilitas masing-masing
variabel bebas lebih besar dibandingkan taraf signifikansi (α) 0,05. Maka Ho diterima
sehingga tidak ada masalah heteroskedastisitas pada model regresi.
4. Uji AutoKorelasi
Hipotesis:
 Ho = Tidak ada Autokorelasi pada model regresi
  Ha = Terdapat Autokorelasi pada modl regresi
Kaidah keputusan Uji Autokorelasi metode Durbin-Wetson adalah:
 du < DW < 4 – dU maka Ho diterima yang artinya tidak terjadi autokorelasi
 DW < dL atau DW < 4 – Dl, maka Ho ditolak artinya terjadi Autokorelasi
 dL < DW < dU atau 4 – dU < DW < 4 – dL, artinya tidak ada kepastian atau
kesimpulan yang pasti.
Kriteria alternatif : Nilai DW berada diantara -2 dan +2 (-2 < dw < + 2) tidak terjadi
autokorelasi.
Tabel 4 data REM Weighted Statistics (Durbin-Watson)
R-Squared 0,509098 Mean dependent var 0,876478
Adjusted R-Squared 0,489461 S.D. dependent var 0,50822
S.E. of regression 0,359991 Sum squared resid 12,95935
F-Statistic 25,92662 Durbin-Watson stat 1,966047
Prob (F-Statistic) 0,000000

Berdasarkan hasil pengolahan data, diperoleh nilai DW adalah 1,966047, nilai dU tabel
Durbin Watson pada penelitian ini adalah 1,7617 berarti nilai dU < DW – 4 – dU
sehingga Ho diterima yang artinya tidak terjadi autokorelasi pada model regresi.
c. Uji Kelayakan Model
1. Analisis Koefisien Determinasi
Berdasarkan output regresi REM pada tabel 4 REM Weighted Statistics (Durbin-Watson)
diatas diperolah nilai koefisien determinasi R-Squared model regresi sebesar 0,509098.
Dapat disimpulkan bahwa kontribusi atau sumbangan pengaruh Ratio Ketergantungan
Penduduk (RTP), Pendapatan PerKapita (PPK), Angka Harapan Hidup (AHH) dan
Presentase penduduk diatas 7-24 tahun tetapi tidak bekerja secara bersama-sama terhadap
variasi tingkat kemiskinan (Y) adalah sebesar 0,509098% dan sisanya sebesar 0,490902%
dipengaruhi oleh faktor-faktor lain yang tidak diteliti.
KESIMPULAN
Berdasarkan hasil analisis dengan menggunakan persamaan regresi data panel melalui
metode Random Effect Model (REM) dengan pendekatan OLS Weights Cross-section untuk
kemiskinan di Provinsi Jawa Tengah, maka dapat disimpulkan hal-hal sebagai berikut:
1. Model regresi data panel yang sesuai untuk mengetahu faktor-faktor yang berpengaruh
terhadap kemiskinan di Jawa Tengah adalah:

Yit = 26,00762 (α) - 0,0641221it (RKP) + 0,1051002it (PPK) - 0,3110283it (AHH) +

0,0505194it (PTB)

Dari persamaan regresi diatas dapat disimpulkan:

 Besarnya konstanta menunjukkan bahwa krtika variabel Ratio Ketergantungan
Penduduk (RKP), Pendapatan PerKapita (PPK), Angka Harapan Hidup (AHH)
dan Presentase penduduk diatas 7-24 tahun tetapi tidak bekerja sebesar 0, maka
kemiskinan di provinsi Jawa Tengah sebesar 26,00762.
 Variabel PPK dan PTB berpengaruh signifikan dan berbanding lurus terhadap
tingkat kemiskinan di provinsi Jawa Tengah. Hal ini berarti setiap kenaikan 1%
dari PPK akan menaikan tingkat kemiskinan sebesar 0,10% atau meningkatnya
PTB sebesae 1% dapat menaikan tingkat kemiskinan di Jawa Tengah sebesar
0,05% dengan ketentuan variabel lainnya tetap.
 Variabel Ratio Ketergantungan Penduduk (RKP) dan Angka Harapan Hidup
(AHH) berpengaruh signifikan dan benbanding terbalik terhadap tingkat
kemiskinan di provinsi Jawa Tengah. Hal ini berarti setiap kenaikan 1% dari RKP
akan menyebabkan penurunan tingkat kemiskinan sebesar 0,06% atau kenaikan
AHH sebesar 1% akan menurunkan tingkat kemiskinan di Jawa Tengah sebesar
0,31% .
DAFTAR PUSTAKA
Ferezagia, D. V. (2018). Analisis Tingkat Kemiskinan di Indonesia. Jurnal Sosial Humaniora
Terapan, 1(1), 1–6. https://doi.org/10.7454/jsht.v1i1.6
Setiawan, D. (2017). Analisis Faktor-Faktor yang Memengaruhi Kemiskinan di Jawa Tengah
pada Tahun 2013 Menggunakan Principal Component. April, 0–12.
https://www.researchgate.net/publication/316348582
Susanti, S. (2013). Pengaruh Produk Domestik Regional Bruto, Pengangguran dan Indeks
Pembangunan Manusia terhadap Kemiskinan di Jawa Barat dengan Menggunakan Analisis
Data Panel. Jurnal Matematika Integratif, 9(1), 1. https://doi.org/10.24198/jmi.v9i1.9374
Badan Pusat Statistik (2013-2015). Data dan Informasi Kemiskinan Kabupaten Kota 2013, 2014,
2015. Jakarta: BPS.
Badan Pusat Statistik (2013 -2015). Indikator Kesejahteraan Rakyat Jawa Tengah 2013, 2014,
2015. Semarang: BPS Provinsi Jawa Tengah
Badan Pusat Statistik (2013-2015). Provinsi Jawa Tengah Dalam Angka 2013, 2014,2015.
Semarang. BPS. Provinsi Jawa Tengah
Badan Pusat Statistik. (2015). Statistik Kesejahteraan Rakyat Jawa Tengah 2015. Semarang :
BPS Provinsi Jawa Tengah