BAB IV HASIL DAN ANALISIS 4.1 Deskripsi Data Penelitian Dalam penelitian ini data yang digunakan adalah data sekunder yang diperoleh dari berbagai sumber yaitu website resmi badan pusat statistik dan badan pusat statistik provinsi DIY. Jenis data yang digunakan adalah data panel dari tahun 2007-2013 yang terdiri dari data rasio gini, PDRB menurut lapangan usaha yakni pertanian,peternakan dan kehutanan, pertambangan dan penggalian, industri pengolahan, listrik gas dan air bersih, perdagangan hotel dan restoran, pengangkutan dan komunikasi, keuangan real estat dan jasa perusahaan, jasa-jasa, ditambah dengan presentase penduduk miskin dan angka partisipasi sekolah (umur 18 – 24). Penelitian ini bertujuan untuk mengetahui dan memberikan bukti empiris tentang pengaruh struktur ekonomi terhadap ketimpangan pendapatan di 32 provinsi di Indonesia. Metode yang digunakan dalam penelitian ini adalah regresi data panel dengan menggunakan alat bantu program software E-views 7. Tabel 4.1 Hasil Statistik Deskriptif Mean Median Maximum Minimum Std. Dev. Jarque-Bera Probability Observations
GINI? 0.355241 0.351000 0.460000 0.259000 0.042006 3.818371 0.148201 224
PPK? 0.239598 0.240093 0.516400 0.000355 0.107229 0.650921 0.722195 224
PP? 0.077660 0.036420 0.580926 0.001049 0.099047 423.4114 0.000000 224
55
IP? 0.168334 0.128260 0.826428 0.004887 0.129561 177.3423 0.000000 224
LGA? 0.007887 0.005488 0.041390 0.001605 0.006745 1261.160 0.000000 224
K? 0.061416 0.058517 0.163923 0.001653 0.029180 76.40655 0.000000 224
Tabel 4.2 Lanjutan Hasil Statistik Deskriptif Mean Median Maximum Minimum Std. Dev. Jarque-Bera Probability Observations
PHR? 0.183207 0.181779 0.398489 0.061100 0.059348 18.34226 0.000104 224
PK? 0.080242 0.078824 0.157672 0.020831 0.026723 3.240316 0.197867 224
KRJP? 0.056558 0.049334 0.295997 0.000162 0.044410 2837.159 0.000000 224
JASA? 0.122028 0.107452 0.740376 0.018117 0.071397 8971.140 0.000000 224
PPM? 14.64491 13.07000 40.78000 3.480000 7.950382 40.10617 0.000000 224
APS? 16.71093 15.19028 45.86036 8.250000 6.864440 492.9673 0.000000 224
Tabel diatas menunjukksn ringkasan statistik dari beberapa variabel penelitian yang telah didefinisikan sebelumnya. Dengan hipotesis H0 : distribusi residual dapat dilihat melalui probability atas Jarque-Bera dan tingkat signifikansi (α = 5%) ditentukan bahwa variabel PP, IP, LGA, K, KRJP, JASA, PPM dan APS residualnya belum terdistribusi secara normal. Sedangkan variabel variabel GINI, PPK, PHR dan PK telah terdistribusi secara normal (tidak menolak H0). 4.2 Hasil dan Analisis Permodelan dalam menggunakan teknik regresi data panel dapat menggunakan tiga pendekatan alternatif dalam pengolahannya. Pendekatan-pendekatan tersebut ialah (1) Metode Common-Constant (The Pooled OLS Method), (2) Metode Fixed Effect (FEM), dan (3) Metode Random Effect (REM).
56
4.2.1 Pemilihan Model F-stat (Pooled Least Square vs Fixed Effect) Metode Pooled Least Square akan dipilih saat tidak terdapat perbedaan diantara data dan matrix pada dimensi cross section. Model ini mengestimasikan nilai α yang konstan untuk semua dimensi cross section.
Tabel 4.3 Hasil Regresi Common Effect Variable
Coefficient
Std. Error
t-Statistic
Prob.
0.285327 0.278052 0.371331 1.451143 0.309400 0.074764 0.599443 0.480960 0.329367 0.000685 0.001930
0.028815 0.028126 0.030130 0.570196 0.109359 0.052136 0.138800 0.070439 0.044937 0.000415 0.000455
9.901920 9.886063 12.32413 2.544990 2.829215 1.434002 4.318751 6.828038 7.329614 1.651824 4.237775
0.0000 0.0000 0.0000 0.0116 0.0051 0.1530 0.0000 0.0000 0.0000 0.1000 0.0000
PPK? PP? IP? LGA? K? PHR? PK? KRJP? JASA? PPM? APS? R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.159550 0.120092 0.039403 0.330708 412.1924 0.807334
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter.
0.355241 0.042006 -3.582075 -3.414539 -3.514449
Sumber : Hasil Output eviews 7 Dari tabel diatas dapat dilihat nilai adjusted R-squared sebesar 0.120092 dengan nilai Durbin-Watson test sebesar 0.807334 (jauh dari range angka 2) yang menandakan adanya masalah otokorelasi. Metode ini mengasumsikan bahwa nilai intersep antar individual dianggap sama dimana hal ini merupakan asumsi yang sangat membatasi (restricted) (Gujarati, 1997). Sehingga metode pooled regression ini tidak dapat 57
menangkap gambaran yang sebenarnya atas hubungan yang terjadi antara variabel bebas dengan variabel terikatnya, begitu juga dengan hubungan diantara tiap individu cross section. Oleh karena itu, perlu dilakukan pengolahan data dengan menggunakan metode Fixed Effect dan Random effect kemudian membandingkan hasil dari kedua metode tersebut. 1. Uji Chow Test (signifikansi Commont Effect dan Fixed Effect) Uji ini digunakan untuk memilih model yang terbaik antara commont effect dan fixed effect. Pemilihannya dengan melihat nilai probabilitas F statistiknya. H0 ; memilih model common effect, jika nilai probabilitasnya tidak signifikan pada α = 5%. H1 ; untuk memilih metode fixed effect, jika nilai probabilitasnya signifikan pada α = 5%. 2. Uji Hausman (Signifikansi Fixed effect dan Random effect) Uji ini digunakan untuk memilih model terbaik antara fixed effect dan random effect pemilihannya dengan melihat nilai probabilitas F statistiknya. H0 ; untuk memilih model random effect, jika nilai probabilitasnya tidak signifikan pada α = 5%. H1 ; untuk memilih metode fixed effect, jika nilai probabilitasnya signifikan pada α = 5%.
58
4.2.2
Hasil analisis Tabel 4.4 Hasil Regresi Fixed effect Gini Dependent Variable: GINI? Method: Pooled Least Squares Date: 11/28/15 Time: 23:19 Sample: 2007 2013 Included observations: 7 Cross-sections included: 32 Total pool (balanced) observations: 224 Variable
Coefficient
Std. Error
t-Statistic
Prob.
C PPK? PP? IP? LGA? K? PHR? PK? KRJP? JASA? PPM? APS? Fixed Effects (Cross) _ACEH--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BANTEN--C _BABEL--C _DKI--C _JATIM--C _JABAR--C _JATENG--C _DIY--C _NTB--C _NTT--C _BALI--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GTO--C _SULBAR--C
0.421251 -0.355755 0.054504 0.052692 2.074412 1.371897 -0.306849 1.032961 -1.644035 -0.176748 -0.003852 0.002981
0.045766 0.116535 0.054757 0.049873 2.623510 0.531060 0.188164 0.344343 0.282438 0.064910 0.001116 0.000828
9.204443 -3.052772 0.995379 1.056518 0.790701 2.583317 -1.630752 2.999805 -5.820869 -2.722976 -3.451856 3.597876
0.0000 0.0026 0.3209 0.2921 0.4302 0.0106 0.1047 0.0031 0.0000 0.0071 0.0007 0.0004
-0.087017 -0.033467 -0.214739 -0.063837 -0.030291 -0.061329 0.106538 0.178467 -0.130266 -0.080689 0.186477 0.038826 -0.026828 0.000739 -0.045671 -0.003749 0.100472 0.017480 -0.027522 -0.007967 -0.063088 -0.128394 -0.182181 0.057031 0.047131 0.022874 0.101094 0.154949
59
_MALUKU--C _MALKUT--C _PABAR--C _PAPUA--C
0.117521 0.043604 -0.022059 0.035893 Effects Specification
Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)
0.774872 0.722633 0.022123 0.088585 559.7265 14.83304 0.000000
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
0.355241 0.042006 -4.613630 -3.958715 -4.349274 1.391351
Sumber : Hasil Output Eviews 7
Dari tabel di atas dapat dilihat ada beberapa variabel atas uji t-stat tidak memberikan hasil yang signifikan. Namun nilai adjusted R2 sebesar 0.722633 memberikan nikai tinggi yang cukup memuaskan. Nilai probability dari f-stat senilai 0.000000 memberikan artian bahwa model tersebut highly significant dengan nilai Durbin-Watson stat sebesar 1.391351 yang belum mendekati pada range angka 2. Melalui pengujian statistic, pemilihan diantara kedua model ini dapat terselesaikan dengan pengujian F-stat sebagai berikut : Df1 = k – 1 ( 7 – 1 = 6) Df2 = n – k ( 224 – 7 = 219 ) Sehingga nilai f – hit = 14.83304 Dengan F – tabel (5%) = 2.05 Maka F - hit > F – tabel ( 14.83304 > 2.05 ) Keterangan : k = jumlah variabel 60
N = jumlah observasi Dari hasil diatas, maka H0 ditolak dengan hipotesis : H0 : metode pooled least square H1 : metode fixed effect Berdasarkan pengujian yang dilakukan di atas, maka metode yang dipilih yaitu metode fixed effect. Namun, hal tersebut belum merupakan hasil akhir atas metode pengolahan data karena belum teruji secara statistic. Maka perlu dilihat hasil yang ada dari hasil metode Random Effect dan pengujiannya secara statistik. Menurut Gujarati (2003), jika jumlah data cross section (N) lebih besar dari data time series (T) maka digunakan metode random effect dalam pengolahannya. Untuk itu, maka akan dilihat pada uji formal statistik dan pemilihan berdasarkan model manakah yang paling baik nilai statistiknya. Tabel 4.5 Hasil Regresi Random Effect Gini Dependent Variable: GINI? Method: Pooled EGLS (Cross-section random effects) Date: 11/29/15 Time: 01:40 Sample: 2007 2013 Included observations: 7 Cross-sections included: 32 Total pool (balanced) observations: 224 Swamy and Arora estimator of component variances Variable
Coefficient
Std. Error
t-Statistic
Prob.
C PPK? PP? IP? LGA? K?
0.327939 -0.016677 -0.067591 0.085103 0.109714 0.243347
0.030798 0.051890 0.039802 0.036968 0.746225 0.152632
10.64819 -0.321394 -1.698173 2.302093 0.147025 1.594340
0.0000 0.7482 0.0909 0.0223 0.8833 0.1123
61
PHR? PK? KRJP? JASA? PPM? APS? Random Effects (Cross) _ACEH--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BANTEN--C _BABEL--C _DKI--C _JATIM--C _JABAR--C _JATENG--C _DIY--C _NTB--C _NTT--C _BALI--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GTO--C _SULBAR--C _MALUKU--C _MALKUT--C _PABAR--C _PAPUA--C
-0.263199 0.327011 -0.131815 0.002150 -0.001833 0.003736
0.071655 0.184861 0.106904 0.043789 0.000512 0.000488
-3.673160 1.768957 -1.233025 0.049104 -3.577223 7.648767
0.0003 0.0783 0.2189 0.9609 0.0004 0.0000
-0.059172 -0.036209 -0.079597 -0.008200 -0.031381 0.001767 0.014208 0.037476 -0.005182 -0.034054 0.009931 0.033361 0.024633 0.011865 -0.056748 0.017879 0.021896 0.023477 0.002416 -0.024783 0.002468 -0.009801 -0.027372 0.009762 0.020435 0.018491 0.043933 -0.000340 0.013161 -0.005199 0.011130 0.059748 Effects Specification S.D.
Cross-section random Idiosyncratic random
0.022879 0.022123
Rho 0.5168 0.4832
Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)
0.356975 0.323610 0.026111 10.69924 0.000000
Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat
Unweighted Statistics
62
0.121941 0.031749 0.144538 0.893998
R-squared Sum squared resid
0.034235 0.380018
Mean dependent var Durbin-Watson stat
0.355241 0.340029
Sumber : hasil output E-Views 7 Dari tabel diatas dapat dilihat ada beberapa variabel tidak menunjukan signifikansi (α = 5%) sementara nilai adjusted R2 memperlihatkan angka yang cukup tinggi yaitu 0.323610 dan nilai Durbin-Watson stat sebesar 0.340029 angka yang jauh dari kisaran range angka 2. Hal ini belum memberikan kepastian metode mana sebaiknya yang digunakan. Maka langkah selanjutnya ialah pengujian Hausman test. 4.2.2.1 The Hausman Specification Test Hausman test bertujuan untuk membandingkan antara metode fixed effect dengan random effect. Hasil dari pengujian dengan menggunakan test ini ialah mengetahui metode mana yang sebaiknya dipilih. Berikut merupakan output dari uji menggunakan Hausman Test. Tabel 4.6 Hasil Uji Hausman Test Gini Correlated Random Effects - Hausman Test Pool: GINI Test cross-section random effects
Test Summary Cross-section random
Chi-Sq. Statistic
Chi-Sq. d.f.
Prob.
94.324860
11
0.0000
Sumber : Hasil output E-views 7 Hasil di atas dapat menunjukan bahwa nilai probabilitas pada test cross-section pada GINI menghasilkan angka 0.0000 yang berarti menolak H0 pada tingkat (α) = 5% karena nilai probabilitas kurang dari (α) = 5%. 63
Sehingga menolak H0 dan menerima H1. Sehingga keputusan yang diambil pada pengujian Hausman Test ini yaitu menolak H0 (p-value < 0.05) dengan hipotesis : H0 : metode random effect H1 : metode fixed effect
Karena menolak hasil dari uji Hausman maka dilakukan uji chow untuk membandingkan hasil dari metode random effect dan fixed effect. Berikut hasil output uji chow: Tabel 4.7 Uji chow test Gini Redundant Fixed Effects Tests Pool: GINI Test cross-section fixed effects Effects Test
Statistic
Cross-section F Cross-section Chi-square
12.299980 253.912376
d.f.
Prob.
(31,181) 31
0.0000 0.0000
Sumber : Hasil Output E-views 7
Pada hasil uji chow GINI diatas dapat dilihat bahwa probabilitas F adalah sebesar 0.0000. Hal ini menunjukan bahwa signifikan pada tingkat (α) = 5% karena nilai F lebih kecil dari α = 5%. Maka H1 diterima dan H0 ditolak menunjukan bahwa fixed effect lebih baik dari random effect.
64
4.2.3 Uji Hipotesis 1. Uji t statistik a. Pengaruh Sektor Pertanian, Perkebunan dan Kehutanan (PPK) terhadap Rasio Gini Dapat dilihat bahwa nilai koefisien PPK terhadap GINI sebesar -0.355755, dengan t statistik sebesar -3.052772 dan probabilitasnya sebesar 0.0026 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih kecil dari t tabel sehingga sektor pertanian berpengaruh negatif terhadap ketimpangan distribusi pendapatan. signifikan pada α = 5% maka sektor pertanian berpengaruh pada GINI.
b. Pengaruh Sektor Pertambangan dan Penggalian (PP) terhadap Rasio Gini Dapat dilihat dari hasil fixed effect diketahui bahwa variabel angka sektor PP mempunyai pengaruh tidak signifikan terhadap rasio gini dengan nilai koefisien PP terhadap GINI sebesar 0.0054504, dengan t statistik sebesar 0.995379 dan probabilitasnya sebesar 0.3209 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t-tabel sebesar 1.651873. t statistik lebih kecil dari t tabel sehingga tidak signifikan pada α = 5% maka
65
sektor pertambangan dan penggalian tidak berpengaruh pada rasio gini.
c. Pengaruh sektor Industri Pengolahan (IP) terhadap Rasio Gini Dapat dilihat bahwa nilai koefisien IP terhadap GINI sebesar 0.052692, dengan t statistik sebesar 1.056518 dan probabilitasnya sebesar 0.2921 jika menggunakan df (derajat kebebasan) sebesar 219 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih kecil dari t tabel sehingga tidak signifikan pada α=5% maka IP tidak berpengaruh pada GINI d. Pengaruh Listrik, Gas dan Air bersih (LGA) terhadap Rasio GINI Dapat dilihat bahwa nilai koefisien LGA terhadap GINI adalah sebesar 2.074412, dengan t statistik sebesar 0.790701 dan probabilitasnya sebesar 0.4302 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih kecil dari t tabel. Sehingga tidak signifikan pada α=5% maka LGA tidak berpengaruh pada GINI e. Pengaruh Sektor Konstruksi (K) terhadap Rasio Gini Dapat dilihat bahwa nilai koefisien K terhadap GINI adalah sebesar 1.371897, dengan t statistik sebesar 2.583317 dan probabilitasnya sebesar 0.0106 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih besar dari t tabel. Sehingga
66
signifikan pada α=5% maka sektor konstruksi berpenggaruh pada GINI f. Pengaruh Sektor Perdagangan, Hotel dan restoran (PHR) terhadap GINI Dapat dilihat bahwa nilai koefisien PHR terhadap GINI adalah sebesar -0.306849, dengan t statistik sebesar -1.630752 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka sektor perdagangan, hotel dan restoran berpengaruh negatif terhadap ketimpangan distribusi pendapatan. Dengan nilai probabilitas sebesar 0.1047 pada α=5% maka sektor PHR tidak signifikan berpengaruh pada GINI. g. Pengaruh
Sektor
Pengangkutan
dan
Komunikasi
(PK)
terhadap GINI Dapat dilihat bahwa nilai koefisien PK terhadap GINI adalah sebesar 1.032961, dengan t statistik sebesar 2.999805 dan probabilitasnya sebesar 0.0031 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih besar dari t tabel. Sehingga signifikan pada α=5% maka PK berpengaruh pada GINI
67
h. Pengaruh Sektor Keuangan, Real Estat dan Jasa Perusahaan (KRJP) terhadap GINI Dapat dilihat bahwa nilai koefisien KRJP terhadap GINI adalah sebesar -1.644035, dengan t statistik sebesar -5.820869 dan probabilitasnya sebesar 0.0000 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih kecil dari t tabel. Sehingga tidak signifikan pada α=5% maka KRJP berpengaruh pada GINI i. Pengaruh Sektor Jasa terhadap GINI Dapat dilihat bahwa nilai koefisien jasa terhadap GINI adalah sebesar -0.176748, dengan t statistik sebesar -2.722976 dan probabilitasnya sebesar 0.0071 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih kecil dari t tabel. Sehingga signifikan pada α=5% maka sektor Jasa berpengaruh pada GINI j. Pengaruh Presentase Penduduk Miskin (PPM) terhadap GINI Dapat dilihat bahwa nilai koefisien PPM terhadap GINI adalah sebesar -0.003852, dengan t statistik sebesar -3.451856 dan probabilitasnya sebesar 0.0007 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih kecil dari t tabel. Sehingga signifikan pada α=5% maka PPM berpengaruh pada GINI.
68
k. Pengaruh Angka Partisipasi Sekolah (APS) terhadap GINI Dapat dilihat bahwa nilai koefisien APS terhadap GINI adalah sebesar 0.002981, dengan t statistik sebesar 3.597876 dan probabilitasnya sebesar 0.0004 jika menggunakan df (derajat kebebasan) sebesar 218 dan α = 5% menghasilkan t tabel sebesar 1.651873 maka t statistik lebih besar dari t tabel. Sehingga signifikan pada α=5% maka APS berpengaruh pada GINI Tabel 4.8 Ringkasan Hasil Uji T No
Variabel
T Statistik
T Tabel
1
PPK terhadap GINI
-0.355755
1.651873
signifikan, pada α = 5% maka PPK berpengaruh pada GINI
2
PP terhadap 0.054504 GINI
1.651873
Tidak signifikan, pada α = 5% maka PP tidak berpengaruh pada GINI
3
IP terhadap 0.052692 GINI
1.651873
Tidak signifikan, pada α = 5% maka IP tidak berpengaruh pada GINI
4
LGA terhadap GINI
0.790701
1.651873
Tidak signifikan, pada α = 5% maka LGA tidak berpengaruh pada GINI
5
K terhadap 2.583317 GINI
1.651873
Signifikan, pada α = 5% maka K berpengaruh pada GINI
6
PHR terhadap GINI
1.651873
Tidak signifikan, pada α = 5% maka PHR tidak berpengaruh pada GINI
7
PK terhadap 2.999805 GINI
1.651873
Signifikan, pada α = 5% maka PK berpengaruh pada GINI
8
KRJP terhadap
1.651873
Signifikan, pada α = 5% maka KRJP berpengaruh
-1.630752
-5.820869
69
Keterangan
GINI
1.
pada GINI
9
JASA terhadap GINI
-2.722976
1.651873
signifikan, pada α = 5% maka JASA tidak berpengaruh pada GINI
10
PPM terhadap GINI
-3.451856
1.651873
signifikan, pada α = 5% maka PPM tidak berpengaruh pada GINI
11
APS terhadap GINI
3.597876
1.651873
Signifikan, pada α = 5% maka APS berpengaruh pada GINI
Uji F Statistik Uji F digunakan utuk mengetahui apakah secara bersama – sama
variabel terikat dipengaruhi oleh variabel bebas. Dari tabel fixed effect GINI terlihat bahwa nilai F statistik sebesar 14.83304 dan probabilitas 0.000000 maka signifikan pada α = 5%, sehingga secara statistik PPK, PP, IP, LGA, K, PHR, PK, KRJP, JASA, PPM dan APS secara bersama-sama mempengaruhi GINI. Sedangkan dengan melihat hasil regresi estimasi random effect diperoleh F statistik 10.69924 dan probabilitas sebesar 0.000000. maka signifikansi pada α = 5% sehingga secara statistik PPK, PP, IP, LGA, K, PHR, PK, KRJP, JASA, PPM dan APS secara bersamasama mempengaruhi GINI.
2. Koefisien Determinasi (R2) Koefisien Determinasi (R2) pada GINI terlihat bahwa nilai R Square GINI sebesar 0.774872 artinya variabel GINI dipengaruhi oleh variabel bebas yaitu PPK, PP, IP, LGA, K, PHR, PK, KRJP, JASA, PPM 70
dan APS sebesar 77.48% dan sisanya sebesar 22.52% dipengaruhi oleh faktor lain diluar penelitian. 4.2.4
Interpretasi Hasil Analisis
Dari tabel diatas terlihat bahwa : 1. Nilai intersep bersama untuk GINI sebesar 0.421251 jika variabel bebasnya sama dengan nol atau tidak dipengaruhi oelh variabel independen yang ada. Sedangkan nilai intersep untuk masing-masing provinsi adalah sebesar -
Provinsi Aceh 0.334234 ( =-0.087017+0.421251)
-
Provinsi Sumut 0.0387784 (= -0.33467+0.421251)
-
Provinsi Sumbar 0.206512 (=-0.214739+0.421251)
-
Provinsi Riau 0.357414 =(-0.063837+0.421251)
-
Provinsi Jambi 0.39096 (=0.03029+0.421251)
-
Provinsi Sumsel 0.359922 (=-006133+0.421251)
-
Provinsi Bengkulu 0.527789 (= 0.1065380+421251)
-
Provinsi Lampung 0.599718 (= 0.178467+0.421251)
-
Provinsi Banten 0.290985 (= -0.130266+0.421251)
-
Provinsi Babel 0.340562 (= -0.080689+0.421251)
-
Provinsi DKI 0.607728 (= 0.186477+0.421251)
-
Provinsi jatim 0.460077 (= 0.038826+0.421251)
-
Provinsi Jabar 0.394423 (= -0.026828+0.421251)
-
Provinsi Jateng 0.42199 (= 0.000739+0.421251)
-
Provinsi DIY 0.37558 (= -0.045671+0.421251)
71
-
Provinsi NTB 0.417502 (= -0.003749+0.421251)
-
Provinsi NTT 0.521723 (= 0.100472+0.421251)
-
Provinsi Bali 0.438731 (= 0.01748+0.421251)
-
Provinsi Kalbar 0.393729 (=-0.027522+0.421251)
-
Provinsi Kalteng 0.413284 (= -0.007967+0.421251)
-
Provinsi Kalsel 0.358163 (= -0.063088+0.421251)
-
Provinsi Kaltim 0.292857 (= -0.128394+0.421251)
-
Provinsi Sulut 0.23907 (= -0.182181+0.421251)
-
Provinsi Sulteng 0.478282 (= 0.057031+0.421251)
-
Provinsi Sulsel 0.468382 (= 0.047131+0.421251)
-
Provinsi Sultra 0.444125 (= 0.022874+0.421251)
-
Provinsi GTO 0.522345 (= 0.101094+0.421251)
-
Provinsi Sulbar 0.576200 (= 0.154949+0.421251)
-
Provinsi Maluku 0.538772 (= 0.117521+0.421251)
-
Provinsi Malkut 0.464855 (= 0.043604+0.421251)
-
Provinsi Pabar 0.399192 (= -0.022059+0.421251)
-
Provinsi Papua 0.457144 (=0.035893+0.421251)
2. nilai probabilitas PPK sebesar 0.0026 signifikan terhadap Gini pada tingkat signifikansi (α) 5% 3. variabel yang berpengaruh signifikan terhadap ketimpangan distribusi pendapatan adalah sektor pertanian, konstruksi, pengangkutan dan komunikasi, Keauangan,real estatdan jasa perusahaan, presentase penduduk miskin dan angka partisipasi sekolah. Variabel yang tidak
72
signifikan mempengaruhi ketimpangan distribusi pendapatan di Indonesia adalah sektor pertambangan dan penggalian, industry pengolahan, listrik gas dan air bersih serta perdagangan hotel dan restoran. 4. Nilai adjusted R-squared yang diperoleh sebesar 0.722633 yang berarti bahwa variabel-variabel bebas yang digunakan mampu menjelaskan variasi variabel tak bebas, setelah mempertimbangkan penambahan variabel bebas, sebesar 72,26 persen, sedangkan sisanya yaitu 27.74 persen, dijelaskan oleh variabel lain diluar model. 5. Dilihat dari nilai probability F statistic yang lebih kecil dari 0.05, berarti terdapat minimal satu dari variabel bebas yang digunakan berpengaruh signifikan terhadap variabel tak bebas. 6. Berdasarkan hasil diatas diketahui bahwa sektor pertanian, sektor perdagangan, hotel dan restoran, sektor keuangan, real estat & jasa perusahaan, sektor jasa dan presentase penduduk miskin berpengaruh negatif
terhadap
ketimpangan
pendapatan
sedangkan
sektor
pertambangan dan penggalian, industri pengolahan, listrik gas dan air bersih serta sektor perdagangan hotel restoran berpengaruh positif. 7. Dari regresi data panel menggunakan fixed effect di ketahui bahwa koefisien regresi sektor pertanian sebesar -0.355755 dengan nilai probabilitas 0.00026 yang menunjukkan bahwa rasio gini akan menurun sebesar 0.355755 setiap kenaikkan satu persen sektor pertanian dengan asumsi ceteris paribus. Sektor pertanian merupakan
73
sumber pendapatan bagi sebagian besar rumah tangga berpendapatan rendah. Dengan demikian upaya pengangguran ketimpangan distribusi pendapatan dapat secara efektif dilakukan melalui pembangunan pertanian. 8. Dari regresi data panel menggunakan fixed effect di ketahui bahwa koefisien regresi sektor pertambangan dan penggalian sebesar 0.054504 dan nilai probabilitasnya sebesar 0.3209 menunjukkan peningkatan sektor ini sebesar 1 persen menyebabkan rasio gini meningkat sebesar 0.054504 persen artinya, jika pertumbuhan per kapita sektor penggalian dan
pertambangan
meningkat
makan
distribusi
ketimpangan
pendapatan akan semakin memburuk. Namun variabel sektor penggalian dan pertambangan tidak berpengaruh nyata pada taraf α = 5 % karena sektor pertambangan dan penggalian sangat terbatas dan di kelola oleh asing. Sehingga yang menikmati hasil dari pertambangan dan penggalian bukan masyarakat setempat. 9. Dari regresi data panel menggunakan fixed effect di ketahui bahwa koefisien regresi sektor industri pengolahan adalah sebesar 0.052692 dan nilai probabilitasnya sebesar 0.2921 yang berarti jika sektor IP mengalami peningkatan 1 persen maka rasio gini akan meningkat sebesar 0.052692. Namun variabel sektor industri pengolahan tidak berpengaruh nyata pada taraf 10 persen. Sektor industri yang berkembang sampai saat ini ternyata masih didominasi oleh industri padat tenaga kerja, yang biasanya memiliki mata rantai relatif pendek,
74
sehingga penciptaan nilai tambah juga relatif kecil. Akan tetapi karena besarnya populasi unit usaha maka kontribusi terhadap perekonomian tetap besar. Terdapat tiga unsur pelaku ekonomi yang mendukung perkembangan sektor industri, yaitu Badan Usaha Milik Swasta (BUMS), Badan Usaha Milik Negara (BUMN) dan pengusaha kecil/menengah, serta koperasi ( PKMK ). 10. Nilai koefisien regresi sektor listrik, gas dan air bersih sebesar 2.074412 dan nikai probabilitasnya sebesar 0.4302 menunjukkan peningkatan pertumbuhan sektor ini sebesar 1 persen maka akan meningkatkan rasio gini sebesar 2.074412 maka, apabila sektor ini mengalami peningkatan maka ketimpangan akan semakin memburuk. Namun variabel sektor listrik, gas dan air bersih tidak berpengaruh nyata pada taraf 10%. Hal ini di karenakan Subsektor listrik yang memberikan peran terbesar belakangan ini perkembangannya cukup pesat, namun kebutuhan akan energi tetap meningkat. Pada tahun 2002 lalu subsektor listrik tumbuh sebesar 4,45 persen, sedangkan pada tahun 2003 tumbuh menjadi 6,22 persen. Demikian juga halnya dengan subsektor air bersih yang memberikan sumbangan kedua terbesar dalam membentuk PDRB sektor listrik, Gas dan Air Bersih. 11. Nilai koefisien regresi sektor konstruksi adalah sebesar 1.371897 dan nilai probabilitasnya sebesar 0.0106 menunjukan peningkatan sebesar 1 persen pada sektor ini akan meningkatkan rasio gini sebesar 1.371897
75
persen jika sektor ini maka akan memperburuk ketimpangan distribusi pendapatan. 12. Nilai koefisien regresi sektor perdagangan, hotel dan restoran adalah sebesar -0.306849 menunjukkan peningkatan pertumbuhan per kapita sektor ini sebesar 1 persen menyebabkan rasio gini menurun sebesar 0.306849 persen. Artinya jika sektor ini meningkat maka distribusi pendapatan akan membaik. Namun variabel sektor ini tidak berpengaruh nyata pada taraf 10 persen. Hal ini di karenakan Seperti yang kita lihat sekarang, di setiap daerah yang ada di Indonesia memiliki hotel dan retoran atau rumah makan. Dan tidak dapat di ragukan lagi, sebagian besar yang mempengaruhi perekonomian di Indonesia adalah kegiatan perdagangan, namun tingkat konsumsi di Indonesia juga cukup besar namun, Karena kurangnya pemikkirann dan perhitungan yang matang sehingga banyak usaha perdagangan, hotel maupun restoran negeri kalah saing dengan usaha asing yang di tanamkan di Indonesia. 13. Nilai koefisien regresi sektor pengangkutan dan komunikasi sebesar 1.032961 hal ini menunjukkan bahwa kenaikan pertumbuhan sektor PK sebesar satu persen akan meningkatkan rasio gini sebesar 1.032961 persen. Artinya jika sektor pengangkutan dan komunikasi meningkat maka distribusi ketimpangan pendapatan memburuk. 14. Nilai koefisien regresi sektor keuangan, real etat dan jasa keuangan adalah sebesar -1.644035 menunjukan bahwa jika sektor ini meningkat
76
sebesar 1 persen maka rasio gini akan menurun sebesar 1.644035 persen. Hal ini sesuai dengan hipotesis yang digunakan jika jasa yang dihasilkan meningkat per satuan waktu maka produktivitas tenaga kerjanya
meningkat
pendapatan.
sehingga
Peningkatan
akan
meningkatkan
pendapatan
ini
akan
keuntungan meningkatkan
kesejahteraan sehingga distribusi pendapatan semakin membaik. Selain itu dalam sektor KRJP memerlukan tenaga kerja dengan keterampilan khusus
sehingga
gaji
yang diperoleh
relatif
tinggi
sehingga
kesejahteraan tenaga kerjanya terjamin (Kamaluddin, 1992). 15. nilai koefisien regresi sektor jasa adalah sebesar -0.176748 dengan nilai probabilitasnya sebesar 0.0071 menunjukkan bahwa jika sektor jasa mengalami pertumbuhan sebesar 1% maka rasio gini akan menurun sebesar 0.176748 maka dapat disimpulkan jika sektor jasa meningkat maka distribusi pendapatan semakin membaik. Hal ini sesuai dengan hipotesis yang digunakan meningkatnya pertumbuhan per kapita sektor jasa menunjukkan jasa yang dihasilkan meningkat per satuan waktu yang berarti produktivitas tenaga kerjanya meningkat sehingga pendapatan akan meningkat dan dapat meningkatkan kesejahteraan. Sektor jasa menyerap tenaga kerja yang cukup besar, sehingga ketika kesejahteraan tenaga kerja sektor ini meningkat maka distribusi pendapatan akan membaik. 16. Nilai koefisien variabel presentase penduduk miskin adalah -0.003852 dengan nilai probabilitasnya sebesar 0.0007 menunjukkan bahwa
77
kenaikan presentase penduduk miskin akan mengurangi rasio gini sebesar 0.003852 persen. Hal ini dikarenakan dengan populasi penduduk yang berada di batas garis kemiskinan maka distribusi pendapatan akan merata jika penduduk miskin semakin meningkat. 17. Nilai koefisien variabel angka partisipasi sekolah umur 18-24 tahun sebesar 0.002981 nengan nilai probabilitasnya 0.0004 hal ini menunjukan jika APS meningkat maka sebesar 1% maka ketimpangan akan meningkat sebanyak 0.002981 persen hal ini di karenakan semakin banyak penduduk yang bersekolah di umur 18-24 distribusi pendapatan akan semakin timpang karena ketika banyak penduduk yang mengenyam pendidikan perguruan tinggi maka semakin banyak pula persaingan di dunia kerja. Kebanyakan yang dapat mengambil bangku kuliah adalah orang yang mampu dalam perekonomiannya sehingga yang kaya semakin kaya dan dapat pekerjaan yang bagus sementara yang miskin hanya mendapatkan lapangan pekerjaan yang sangat terbatas.
78