BAB III METODOLOGI PENELITIAN
3.1 Ruang Lingkup Penelitian Penelitian ini menganalisis tentang pengaruh pengaruh Desentralisasi Fiskal, Jumlah Kapasitas Tempat Tidur Rumah Sakit, dan Tingkat Kemiskinan terhadap Angka Kematian Bayi di Kabupaten Blora. Penelitian ini merupakan penelitian yang bersifat deskriptif kuantitatif, penelitian ini difokuskan untuk membuat deskripsi atau gambaran secara sistematis, faktual, dan akurat mengenai fakta-fakta, sifat-sifat serta hubungan antar fenomena agar diperoleh suatu interpretasi yang tepat mengenai objek yang diteliti.
3.2 Jenis dan Sumber Penelitian Jenis data yang dipergunakan adalah data sekunder, secara berkala (time series) untuk melihat perkembangan objek penelitian selama 20 tahun yaitu dari tahun 1995 sampai dengan 2014. Data sekunder diperoleh melalui berbagai sumber, yaitu : 1. Badan Pusat Statistik Kabupaten Blora 2. Dinas Kesehatan Kabupaten Blora 3. Referensi studi kepustakaan meliputi jurnal, buku, artikel dan bahan lain dari situs website resmi yang mendukung.
3.3
Metode Pengumpulan Data
3.3.1 Studi Kepustakaan Teknik Pengumpulan data dengan mengadakan penelitian dengan pengumpulan bahan-bahan yang dipelajari dan digali dari buku-buku, dokumendokumen, peraturan daerah yang diharapkan dapat mendukung dengan permasalahan atau objek yang diteliti. 3.3.2
Sumber Data Sekunder Sumber data sekunder adalah sumber data yang diperoleh dari dokumen-
dokumen dan arsip arsip yang mendukung penelitian. Data yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari Badan Pusat Statistik (BPS), Dinas Kesehatan Kabupaten Blora serta dari situs website resmi Direktorat Jenderal Perimbangan Keuangan Kementrian Keuangan (DJPK DEPKEU). Data bersifat time series dengan periode antara tahun 1995 sampai dengan 2014. Data yang diperlukan dalam penelitian ini adalah : 1. Angka Kematian Bayi di Kabupaten Blora tahun 1995-2014 2. Anggaran Pendapatan dan Belanja Daerah Kabupaten Blora tahun 19952014 3. Jumlah Kapasitas Tempat Tidur Rumah Sakit di Kabupaten Blora tahun 1995-2014 4. Tingkat kemiskinan di Kabupaten Blora tahun 1995-2014
3.4
Definisi Operasional dan Pengukuran variabel Penelitian ini terdapat dua variabel, yaitu variabel dependen yaitu angka
kematian bayi, dan lima variabel independen yaitu desentralisasi fiskal, PDRB
perkapita, jumlah dokter, jumlah rumah sakit dan tingkat kemiskinan. Di bawah ini akan dijelaskan variabel-variabel yang digunakan : 1. Variabel dependen dari penelitian ini adalah a. Angka kematian bayi Definisi Angka Kematian Bayi (AKB) menurut BPS adalah banyaknya kematian bayi berusia dibawah satu tahun, per 1000 kelahiran hidup pada satu tahun tertentu. Indikator AKB yang digunakan dalam penelitian ini digambarkan dengan satuan per-1000 kelahiran hidup.
AKB ini dapat dihitung dengan menggunakan
formulasi sebagai berikut: AKB =
XK
..........................................................
3.1 2. Variabel independen dari penelitian ini adalah a.
Desentralisasi fiskal Desentralisasi fiskal diartikan sebagai kemampuan suatu daerah untuk meningkatkan pendapatan dari pajak daerah, dan sumber keuangan lain yang telah diatur dalam perundang-undangan. Penelitian ini menggunakan indikator yang sama dengan penelitian Gregory,
Yinghua
dan
Tong
Zeng
(2015).
Ukuran
dalam
desentralisasi ini dapat diformulasikan sebagai berikut: 1) Desentralisasi Fiskal Desentralisasi fiskal dapat ditunjukkan dengan menggunakan Derajat desentralisasi fiskal. Derajat desentralisasi fiskal menunjukkan kemampuan Pemerintah Daerah dalam membiayai sendiri kegiatan
penyelenggaraan pemerintahan, pembangunan daerah dan pelayanan kepada masyarakat. Dapat dihitung dengan menggunakan rumus :
DDF
PADt x100% TPDt
.................................................
3.2 dimana : DDF : Derajat Desentralisasi Fiskal Kabupaten Blora PADt : Total Pendapatan Asli Daerah tahun t TPDt : Total Pendapatan Daerah tahun t Tabel 3.1 Skala Interval Rasio Derajat Desentralisasi Fiskal Skala Interval Rasio Derajat Kemampuan Keuangan Daerah Desentralisasi Fiskal (%) 00,00 – 10,00 Sangat Kurang 10,01 – 20,00 Kurang 20,01 – 30,00 Cukup 30,01 – 40,00 Sedang 40,01 – 50,00 Baik > 50,00 Sangat Baik Sumber : Anita Wulandari (200 : 22) b.
Rasio Kapasitas Tempat Tidur Rumah Sakit Kapasitas tempat tidur rumah sakit merupakan jumlah kapasitas tempat tidur untuk menampung pasien di rumah sakit pemerintah maupun swasta. Satuan yang digunakan dalam menggambarkan variabel ini adalah per 10.000 penduduk. Adapun untuk mendapatkan angka indikator ini dapat diperoleh dengan formula sebagai berikut : × 10.000........... 3.4
c.
Tingkat Kemiskinan Tingkat kemiskinan merupakan persentase penduduk yang berada di bawah garis kemiskinan yang telah ditetapkan oleh Badan Pusat Statistika dibandingkan dengan jumlah penduduk secara keseluruhan di Kabupaten Blora Tahun 1995 -2014 dalam satuan persen
3.5
Model Penelitian Penelitian ini menggunakan data time series dari tahun 1995 - 2014.
Penelitian ini menggunakan model regresi dinamik Error Correction Model (ECM) yang digunakan untuk mengetahui pengaruh variabel-variabel dalam jangka panjang dan jangka pendek. Model yang dipakai dalam penelitian adalah model Error Correction Model (ECM) dengan spesifikasi model jangka panjang: = α0 + α1DFt + α2 KTTRSt + α3TKt + di mana : AKB DF KTTRS TK
................................................... 3.5
= Rasio Angka Kematian Bayi per 1000 kelahiran = Desentralisasi Fiskal = Kapasitas Tempat Tidur Rumah Sakit per 10.000 orang = Tingkat Kemiskinan = Konstanta = Pengaruh jangka panjang variabel independen = Error Term
Model jangka pendek : D(AKBt) = α0 + α1 D(DFt) + α2 D(KTTRSt) + α3 D(TKt) + α4 ECTt + et ...................................................................................................................................................... 3.6
Dimana : D(AKB) D(DF) D(KTTRS)
= Rasio Angka Kematian Bayi per 1000 kelahiran = Desentralisasi Fiskal = Kapasitas Tempat Tidur Rumah Sakit per 10.000 orang
D(TK) + ECT
3.6
2 + ..
4
= Tingkat Kemiskinan = Konstanta = Koefisien jangka pendek = DFt-1 + KTTRSt-1 + TKt-1 = Error Term
Teknik Analisis Data
3.6.1 Uji Akar Unit Uji akar unit berfungsi untuk mengetahui stasioner tidaknya suatu variabel. Gujarati (2004:792) mengatakan bahwa analisis empiris yang berdasarkan data runtun waktu mengasumsikan bahwa data time series yang mendasari adalah stasioner. Pengujian dapat dilakukan dengan menggunakan uji Dickey-Fuller (DF) dan Augmented Dickey-Fuller (ADF). Model otoregresif dengan OLS (Ordinary Least Square) adalah (Insukindro, 2000) : D D
= =
+ +
B +∑ T+ B +∑
D
.................................................... 3.7 D ........................................... 3.8
Dimana : D = B = T = Trend waktu = Variabel yang diamati pada periode t B = Kelambanan (backward lag operator) Nilai DF dan ADF untuk hipotesis bahwa oleh nisbah t pada koefisien regresi
= 0 dan
= 0 ditunjukkan
pada persamaan (3.7) dan (3.8).
Selanjutnya nisbah t dibandingkan dengan nilai kritis DF (ADF) untuk mengetahui ada atau tidaknya akar-akar unit. 3.6.2 Uji Derajat Integrasi Uji derajat integrasi dilakukan jika data yang diteliti belum stationer pada tingkat level saat uji akar unit. Uji ini dilakukan untuk mengetahui pada derajat berapa data yang diamati akan stasioner. Apabila setelah dilakukan uji derajat
integrasi pada first difference data yang diamati masih belum stasioner, maka hal yang selanjutnya dilakukan adalah melakukan uji derajat integrasi pada second difference. Metode otoregresi dengan OLS untuk melakukan uji derajat integrasi adalah (Insukindro, 2000) : D2 D2
= =
+ +
BD T+
+∑ B +∑
D2
............................................ 3.9 D2 .................................... 3.10
Dimana : D2 =D BDX = D Jika
-D
dan
sama dengan satu, maka variabel
dikatakan stasioner
pada diferensi pertama atau berintegrasi pada derajat satu atau 1 (1). Sebaliknya, jika
dan
tidak berbeda dengan nol, maka variabel X belum stasioner pada
diferensi pertama. 3.6.3
Uji Kointegrasi Hal yang selanjutnya dilakukan jika semua data sudah stasioner pada
derajat yang sama adalah melakukan uji kointegrasi. Uji kointegrasi dapat dilakukan dengan menggunakan metode Engle-Granger. Enders (2004:360) mengatakan bahwa terdapat empat langkah metode kointegrasi Engle-Granger yaitu, pertama adalah melakukan uji coba pada masing-masing variabel untuk menentukan ordo integrasinya. Langkah kedua yaitu mengestimasi hubungan jangka panjang equilibrium. Ketiga estimasi model koreksi kesalahan (ECM). Keempat, menilai model. Terdapat tiga pendekatan yang umumnya digunakan untuk menguji kointegrasi, yaitu uji CRDW (Cointegration Durbin Watson), DF (Dickey-Fuller)
dan ADF (Augmented Dickey-Fuller). Untuk menghitung statistik CRDW, DF, dan ADF ditaksir regresi kointegrasi dengan OLS sebagai berikut : =
+
+
+
......................................................... 3.11
Dimana : = Variabel tak bebas (dependent variable) = Variabel bebas (independent variables) = Variabel gangguan (residual)
dan E
Kemudian regresi berikut ditaksir dengan OLS : DE DE
= =
B B
...................................................................................... 3.12 + BE∑ D ............................................... 3.13
Nilai statistik CRDW ditunjukkan oleh nilai statistik Durbin-Watson pada persamaan (3.11), dan statistik DF dan ADF ditunjukkan oleh nisbah t pada koefisien B
pada persamaan (3.12) dan (3.13).
3.6.4 Error Correction Model (ECM) ECM pertama kali digunakan oleh Sargan dan kemudian dipopulerkan oleh Engle dan Granger yang mengoreksiya untuk keadaan ketidakseimbangan. Teori yang penting, yang diketahui sebagai teori Representasi Granger, menjelaskan bahwa apabila dua variabel X dan Y adalah kointegrasi, hubungan antarkeduanya bisa dinyatakan sebagai ECM (Gujarati, 2012:459). Model ECM mempunyai kegunaan untuk mengatasi masalah data time seriesyang tidak stationer dan masalah regresi lancung (spurious regression). Penurunan persamaan Error Correction Model (ECM) diturunkan dari ffungsi biaya kuadrat tunggal yang didasari pada model dari Domowitz dan Elbadawi tahun 1997 (Insukindro, 1999). Tahapan penurunan persamaan ECM yaitu sebagai berikut. 1.
Membuat persamaan dasar variabel dependen dengan variabel independen.
=
+
+
+
+
......................................... 3.14
Dimana : AKB = Rasio Angka Kematian Bayi DF
= Rasio Desentralisasi Fiskal
KTTRS TK
= Rasio Kapasitas Tempat Tidur Rumah Sakit
= Tingkat Kemiskinan
2.
Membentuk fungsi biaya dalam formulasi ECM (fungsi biaya kuadrat tunggal) = b1(AKBt – AKBt*)2 + b2[(1-B) AKBt – ft(1-B)Zt]2 ............................ 3.15
Dimana : = Fungsi biaya kuadrat tunggal dari Domowitz dan Elbadawi b1(AKBt – AKBt*)
= Biaya ketidakseimbangan
b2[(1-B) AKBt – ft(1-B)Zt]
= Biaya Penyesuaian
b
= Backward lag operation (t-1)
Zt
= Vektor variabel penentu angka kematian bayi dalam hal ini diasumsikan Zt = f(DF, PDRB, JDR, KTTRS, TK)
ft
= Vector deret yang memboboti masing masing elemen Zt
3.
Meminimalisasi fungsi biaya kuadrat periode tunggal dari persamaan (3.15) terhadap AKB kemudian didapatkan persamaan sebagai berikut.
AKBt = bAKBt* + (1-B)BAKBt + (1-B) ft(1-B)Zt .......................................... 3.16 Dimana AKBt
= Angka Kematian Bayi
AKBt*
= Angka Kematian Bayi yang diharapkan
BAKBt
= AKBt - AKBt-1
b
= b1 / (b1+ b2)
4.
Subtitusi persamaan (3.16) dan fungsi Zt = f(DFt, LPDRBt, JDRt, KTTRSt, TKt) maka akan diperoleh persamaan :
AKBt = b( + + + ) + (1-b) AKBt + (1-b) f1 (1-b) [DFt, , KTTRSt, TKt] .................................................................................. 3.17 Persamaan (3.17) identik dengan persamaan : AKBt =
+ ft [
-
+ )+
+ -
+ (1-b) AKBt - AKBt-1 + (1-b) + )] ............ 3.18
Persamaan (3.18) identik dengan persamaan : AKBt =
+ f1 [
+ + + (1-b) AKBt - AKBt-1 + (1-b) ) + (1-b) ft2 + (1-b) ft3 )] .............................................................................................. 3.19
Persamaan (3.19) identik dengan persamaan : AKBt =
+ f1 ft3
+ - (1- b) f1 - (1-b) ft3
+ + (1-b) AKBt - AKBt-1 + (1-b) + (1-b) ft2 - (1-b) ft2 + (1-b) ...................................................................... 3.20
Persamaan (3.20) identik dengan persamaan : AKBt =
+[
+[
+[ - (1-b) f1 - (1-b) f2( + (1-b) f3 + (1-b) AKBt-1 .................................................................................................. 3.21
Atau AKBt = C0 + C1 DFt + C2 KTTRSt + C3 TKt + C4 DFt-1 + C5 KTTRSt-1 + C6 TKt-1 + C7 AKBt-1 .................................................................................. 3.22 Dimana : C0 = α0b C1 = α1b + (1-b) f1 C2 = α2b + (1-b) f2 C3 = α3b + (1-b) f3 C4 = α4b + (1-b) f4 C5 = α5b + (1-b) f5
C6 = α6b + (1-b) f6 C7 = α7b + (1-b) f7 2.
Persamaan (3.22) disebut model linier dinamis yang meliputi variabel dependen sebagai fungsi dari variabel independen pada periode tersebut. Persamaan tersebut dikurangi dengan persamaan :
AKBt-1 = C1 DFt-1 + C2 KTTRSt-1 + C3 TKt-1 - C1 DFt-1 – C2 KTTRSt-1 – C3 TKt-1 + C7 DFt-1 + C7 KTTRSt-1 + C7 TKt-1 + C7 AKBt-1 – C7 DFt-1 – C7 KTTRSt-1 – C7 TKt-1 - DFt-1 - KTTRSt-1 TKt-1 ................................................................................................................................ 3.23 Hasil pengurangan persamaan (3.22) dan (3.23) adalah : AKBt - AKBt-1 = C0 + C1 DFt - C1 DFt-1 + C2 KTTRSt – C2 KTTRSt-1 + C3 TKt – C3 TKt-1 + C1 DFt-1 + C4 DFt-1 + C7 DFt-1 - DFt-1 + C2 KTTRSt1+
C5 KTTRSt-1 + C7 KTTRSt-1 - KTTRSt-1 + C3 TKt-1 + C6 TKt-
1+
C7 TKt-1 - TKt-1 + DFt-1 + KTTRSt-1 + TKt-1 - C7 DFt-1 + C7
KTTRSt-1 + C7 TKt-1
..................................................................................... 3.24
Persamaan (3.24) dapat disederhanakan menjadi : AKBt - AKBt-1 = C0 + C1 (DFt - DFt-1) + C2 (KTTRSt - KTTRSt-1) + C3 (TKt TKt-1) + [C1 + C4 + C7 – 1] DFt-1 + [C2 + C5 + C7 – 1] KTTRSt-1 + [C3 + C6 + C7 – 1] TKt-1 + (1 – C7) [DFt-1 + KTTRSt-1 + TKt-1 - AKBt-1] ..................................................................... 3.25 Atau D(AKBt) = C0 + C1 D(DFt) + C2 D(KTTRSt) + C3 D(TKt) + C4 D(DFt-1) + C5 D(KTTRSt-1) + C6 D(TKt-1) + C7 (DFt-1 + KTTRSt-1 + TKt-1 – AKBt-1) ............................................................................................... 3.26 3.
Persamaan (3.26) kemudian ditambahkan variabel ECT yang didapatkan dari nilai residual persamaan kointegrasi. Persamaan akhir Error Correction Model (ECM) yang digunakan dalam penelitian ini adalah :
D(AKBt) = α0 + α1 D(DFt) + α2 D(KTTRSt) + α3 D(TKt) + α4 ECTt + et ................ 3.27 Dimana : D(AKB) D(DF) D(KTTRS) D(TK) + ECT
2 + ..
5
= Rasio Angka Kematian Bayi per 1000 kelahiran = Desentralisasi Fiskal = Kapasitas Tempat Tidur Rumah Sakit per 10.000 orang = Tingkat Kemiskinan = Konstanta = Koefisien jangka pendek = DFt-1 + KTTRSt-1 + TKt-1 = Error Term
3.6.5 Uji Asumsi Klasik Untuk mengetahui apakah model regresi benar benar menunjukkan hubungan yang signifikan dan representatif, maka model tersebut harus memenuhi asumsi klasik regresi. Persamaan yang baik dalam ekonometrika harus memiliki sifat BLUE (Best Linier Unbiased Estimator) (Gujarati, 1998:153). Agar dapat mengetahui apakah persamaan telah memiliki sifat BLUE, maka uji asumsi klasik yang dilakukan adalah uji normalitas, autokorelasi, heteroskedastisitas dan multikolinearitas, di bawah ini akan dijelaskan : 3.6.5.1 Uji Normalitas Uji normalitas dilakukan untuk mengetahui residual terdistribusi normal atau tidak. Hal itu dapat dilakukan dengan menggunakan uji Jarque-Berra (JB). Hipotesis untuk Uji Jarque-Berra (JB) yakni : Ho : Residual terdistribusi normal H1 : Residual tidak terdistribusi normal Kriteria pengujian untuk hipotesis diatas adalah : Ho tidak ditolak jika p-value ≥ critical value Ho ditolak jika p-value < critical value
3.6.5.2 Uji Multikolinieritas Uji Multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antara variabel independen (Ghozali, 2009). Jika ada korelasi yang tinggi antara variabel independen tersebut, maka hubungan antara variabel independen dan variabel dependen menjadi terganggu. Model regresi yang baik seharusnya tidak terjadi multikolinieritas. Metode untuk mendiagnosa adanya multikolinieritas dilakukan dengan menggunakan uji korelasi (r) antar variabel independen, dimana apabila korelasi diatas 0,9 menunjukkan adanya multikolinearitas (Ghozali, 2006). 3.6.5.3 Uji Autokorelasi Pengujian autokorelasi digunakan untuk mengetahui apakah terjadi korelasi antara kesalahan pengganggu pada periode t-1 (sebelumnya). Model regresi yang baik adalah regresi yang bebas dari autokorelasi (Ghozali,2001). Untuk mendeteksi autokorelasi yakni dengan menggunakan uji Breusch & Godfrey Test (BG Test). Adapun langkah-langkah pengujiannya adalah : 1. Mengestimasi persamaan regresi untuk mendapatkan nilai residual ( 2. Regresi
terhadap variabel bebas dan
3. Hitung (n-p) R2-X2. Jika lebih besar dari tabel chi-square dengan df-p, maka akan menolak hipotesa bahwa setidaknya ada satu koefisien autokorelasi yang berbeda sama dengan 0. Apabila regresi dilakukan dengan Eviews maka dapat dilihat nilai probabilitasnya, dan jika nilai probabilitasnya > 0,05 maka model akan lolos dari masalah autokorelasi.
3.6.5.4 Uji Heteroskedastisitas Uji heteroskedastisitas digunakan untuk mendeteksi apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan lain. Jika varian dari satu pengamatan ke pengamatan lain tetap, maka disebut homoskedositas atau tidak terjadi heteroskedastisitas. Jika varian berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas (Ghozali, 2001). Pendeteksian heteroskedastisitas dapat dilakukan dengan analisis grafik dengan melihat ada tidaknya pola tertentu pada grafik scatterplot dan Uji Glejser. Uji Glejser mengusulkan untuk meregresi nilai absolut residual terhadap variabel independen. Jika variabel independen signifikan secara statistik mempengaruhi variabel independen, maka ada indikasi terjadi heteroskedastisitas. Jika probabilitas signifikansinya di atas tingkat kepercayaan 5%, maka dapat disimpulkan model regresi tidak mengandung heteroskedastisitas (Ghozali, 2001). 3.6.6
Uji Statistik
3.6.6.1 Uji t Uji t digunakan untuk menguji variabel-variabel independen secara individu dan digunakan untuk melihat signifikansi dari variabel independen, sementara variabel yang lainnya tetap atau konstan. Langkah-langkah untuk melakukan uji t : 1. Menentukan hipotesis sebagai berikut : Uji hipotesis negatif satu sisi :
≥0
:
<0
2. Menentukan tingkat signifikansi yang pada umumnya 95% atau pada α = 0,05 sehingga diperoleh nilai t tabel. Kemudian membandingkan t hitung dengan tabel. 3. Menentukan nilai t hitung t= 4. Kesimpulan Membandingkan t-statistik pada hasil regresi t-tabel. Jika nilai t-hitung > ttabel, maka
ditolak dan
diterima atau terdapat hubungan antara
variabel dependen dan independen. Jika nilai nilai t-hitung < t-tabel maka diterima dan
ditolak atau tidak terdapat hubungan antara variabel
dependen dan independen. 3.6.6.2 Uji F Uji ini digunakan untuk mengetahui secara bersama-sama apakah ada pengaruh yang signifikan antara variabel bebas terhadap variabel terikat. Dengan derajat keyakinan 95% (
= 5%), derajat kebebasan pembilang (numerator)
adalah k-1 dan penyebut (denumerator) adalah n-k. Hipotesis untuk uji F adalah : 1. Hipotesis Ho :
=
=
=0
Artinya semua parameter sama dengan nol atau semua variabel independen tersebut bukan merupakan penjelas yang signifikan terhadap variabel dependen. Hi :
≠
≠
≠ 0
Artinya semua parameter tidak sama dengan nol atau semua variabel independen tersebut merupakan penjelas yang signifikan terhadap variabel dependen 2.
Kesimpulan
Apabila nilai F hitung < F tabel, maka Ho diterima. Artinya variabel independen secara bersama-sama tidak berpengaruh
terhadap variabel
dependen secara signifikan. Apabila nilai F hitung > F tabel, maka Ho ditolak. Artinya variabel independen
secara
bersama-sama
mampu
mempengaruhi
variabel
dependen secara signifikan. 3.6.6.3 Uji
(Koefisien Determinasi)
Untuk mengetahui tingkat ketepatan yang terbaik dalam analisis regresi dimana hal ini ditunjukkan oleh besarnya koefisien determinasi antara nol dan satu. Pengujian ini dilakukan untuk mengukur seberapa besar variabel independen yang dipakai dalam penelitian ini sehingga mampu menjelaskan variabel dependen pada model yang dibuat. Besar nilai
terletak antara 0 dan 1 atau 0 ≤
≤ 1. Dengan kriteria pengujian : Jika
= 0 maka tidak ada hubungan antara variabel independen dengan
variabel dependen, tetapi jika
> 0 maka ada hubungan antara variabel
independen dengan variabel dependen.
