10
BAB 2
LANDASAN TEORI
2.1 Sejarah dan Perkembangan Analisis Jalur
Analisis Structural Equation Modeling (SEM) adalah pengembangan dari analisis jalur (path analysis) sehingga analisis jalur merupakan dasar dari analisis SEM. Menurut Kuncoro dan Riduan (2007 : 1), mengutip Joreskog dan Sorbom (1996), Bohrnstedt (1974) dan Johnson dan Wichern (1992) analisis jalur (path analysis) dikembangkan berdasarkan serangkaian tulisan antara 1920-an hingga 1960-an oleh seorang ahli genetika yang sangat brilian Sewall Wright. Teknik analisis jalur yang dikembangkan oleh Sewall Right sebenarnya merupakan pengembangan teknik korelasi yang diurai menjadi beberapa interpretasi akibat yang ditimbulkannya. Analisis jalur memiliki kedekatan dengan regresi ganda, sehingga regresi ganda adalah bentuk khusus analisis jalur. Teknik ini dikenal sebagai model sebab-akibat (causing modeling). Penamaan ini didasarkan pada alasan bahwa analisis jalur memungkinkan peneliti dapat menguji proporsi teoritis mengenai
hubungan
sebab-akibat
tanpa
memanupulasi
variabel-variabel
(Sarwono, 2007:1).
Universitas Sumatera Utara
11
2.2
Pengertian Analisis Jalur
Terdapat beberapa definisi analisis jalur, diantaranya adalah sebagai berikut: 1. Analisis jalur adalah suatu teknik untuk menganalisis hubungan sebab-akibat yang terjadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel terikat tidak hanya secara langsung, tetapi secara tidak langsung (Robert D. Rutherford, 1993). 2. Analisi jalur adalah pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan dan signifikansi hubungan sebab-akibat variabel (Paul Webley, 1997). 3. Analisis jalur adalah model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebabakibat yang dibandingkan oleh peneliti (David garson, 2003). Dari beberapa definisi di atas, dapat disimpulkan bahwa sebenarnya analisis jalur adalah perluasan atau pengembangan dari analisis regresi berganda (multiple regression). Jadi analisis jalur digunakan untuk menganalisis pola hubungan antar variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat variabel bebas (exogen) terhadap variabel terikat (endogen). Oleh sebab itu, rumusan masalah penelitian dalam kerangka analis jalur adalah: a. Apakah variabel eksogen (X1, X2, . . . , Xn) berpengaruh terhadap variabel endogen Y. b. Berapa besar pengaruh kausal langsung, kausal tidak langsung, kausal total maupun simultan seperangkat variabel eksogen (X1, X2, . . . , Xn) terhadap variabel endogen.
Universitas Sumatera Utara
12
2.2.1
Kateristik Analisis Jalur
Merujuk pendapat yang dikemukakan oleh Land, Ching, Heise, Maruyama, Schumaker dan Lomax, Joreskog (dalam Kusnendi, 2008:147-148), karakteristik analisis jalur adalah metode analisis data multivariat dependensi yang digunakan untuk menguji hipotesis hubungan asimetris yang dibangun atas dasar kajian teori tertentu, dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung seperangkat variabel penyebab terhadap variabel akibat. Menguji hipotesis hubungan asimetris yang dibangun atas kajian teori tertentu artinya yang diuji adalah model yang menjelaskan hubungan kausal antar variabel yang dibangun atas kajian teori-teori tertentu. Hubungan kausal tersebut secara eksplisit dirumuskan dalam bentuk hipotesis, baik positif maupun negatif.
2.2.2 Kegunaan Analisis Jalur
Kegunaan model analisi jalur adalah untuk: a.
Penjelasan atau explanation terhadap fenomena yang dipelajari atau permasalahan yang diteliti.
b.
Prediksi nilai variabel endogen berdasarkan nilai variabel eksogen.
c.
Faktor dominan yaitu penentu variabel eksogen mana yang berpengaruh dominan terhadap variabel endogen, juga untuk mekanisme pengaruh jalurjalur variabel eksogen terhadap variabel endogen.
Universitas Sumatera Utara
13
2.2.3
Asumsi-asumsi Analisis Jalur
Asumsi yang mendasari path analysis diantaranya: a.
Hubungan antar variabel bersifat linier dan normal.
b.
Tidak adanya adivity, yaitu tidak ada efek-efek interaksi. Semua variabel residual tidak boleh berinteraksi dengan salah satu variabel dalam model yang diteliti.
c.
Sistem aliran kausal hanya satu arah (rekursif) artinya tidak ada arah kausalitas terbalik non-rekursif (reciprocal).
d.
Variabel terikat minimal dalam bentuk skala ukur interval dan ratio.
e.
Sampling bersifat probability sampling sehingga memungkinkan seluruh anggota populasi memiliki peluang yang sama untuk dipilih menjadi anggota sampiling.
f.
Obsersed variabel diukur tanpa kesalahan (instrumen valid dan reliable) artinya variabel yang diteliti dapat diobservasi secara langsung.
g.
Model yang dianalisis dispesifikasikan berdasarkan teori atau konsep yang relevan, artinya model yang dikaji atau diuji dibangun berdasarkan kerangka teoritis tertentu yang mampu menjelaskan hubungan kausalitas antar variabel.
2.2.4
Konsep dan Istilah Dalam Analisis Jalur
Dalam analisi jalur dikenal beberapa konsep dan istilah dasar, yaitu: a. Model jalur adalah suatu diagram yang menghubungkan antara variabel bebas, perantara dan tergantung. b. Jalur penyebab untuk suatu variabel yang diberikan.
Universitas Sumatera Utara
14
c. Variabel exogenous adalah semua variabel yang tidak ada penyebab-penyebab eksplisitnya atau dalam diagram tidak ada anak panah yang menuju kearahnya, selain pada bagian kesalahan pengukuran. d. Variabel endogenous adalah variabel yang mempunyai anak panah menuju ke arah variabel tersebut. e. Koefisien Jalur adalah Koefisien regresi standar atau disebut „beta‟ yang menunjukkan pengaruh dari suatu variabel bebas terhadap variabel tergantung dalam suatu model jalur tertentu. f. Variabel-variabel exogenous yang dikorelasikan. g. Istilah gangguan atau kesalahan residual yang tidak dapat diterangkan atau pengaruh dari semua variabel yang tidak terukur dengan kesalahan pengukuran. h. Dekomposisi pengaruh. Koefisien-koefisien jalur dapat digunakan untuk mengurai korelasi-korelasi dalam suatu model ke dalam pengaruh langsung dan tidak langsung yang berhubungan dengan jalur langsung dan tidak langsung yang direfleksikan dengan anak panah dalam suatu model tertentu. i. Model Recursive. Model penyebab yang mempunyai satu arah. j. Model Non-recursive. Model penyebab dengan disertai arah yang membalik (feed back loop) atau adanya pengaruh sebab akibat (recipprocal). k. Direct Effect. Pengaruh langsung yang dapat dilihat dari koefisien jalur dari satu variabel ke variabel lainnya. l. Indirect Effect. Urutan jalur melalui satu atau lebih variabel perantara.
Universitas Sumatera Utara
15
2.2.5
Model Analisis Jalur
Kerlinger (2006: 900) menjelaskan bahwa analisis jalur adalah bentuk terapan dari analisis multi-regresi. Di sini digunakan diagram jalur untuk membantu masalah atau menguji hipotesis yang kompleks. Meskipun model regresi dan analisi jalur sama-sama merupakan bentuk analisis regresi, tetapi penggunaan kedua model tersebut berbeda. Untuk keperluan prediksi atau peramalan dan pendugaan nilai variabel endogen (Y) atas dasar nilai-nilai variabel eksogen (X1, X2, . . . , Xn) pola hubungan yang tepat adalah pola hubungan yang mengikuti model regresi. Sedangkan untuk tujuan hubungan sebab-akibat pola yang tepat adalah model struktural. Secara matematik, analisis jalur mengikuti pola model struktural. Analisis jalur merupakan teknik statistik yang digunakan untuk menguji hubungan kausal antara dua variabel atau lebih. Analisis jalur berbeda dengan teknik analisis regresi lainnya, dimana analisis jalur memungkinkan pengujian menggunakan variabel mediating atau perantara. Beberapa model analisis jalur mulai dari yang paling sederhana sampai dengan yang lebih rumit, diantaranya a. Model Regresi Berganda Model ini merupakan pengembangan regresi sederhana dengan menggunakan dua variabel exogenous, yaitu X1 dan X2 dengan satu variabel endogenous Y. Model digambarkan sebagai berikut:
Universitas Sumatera Utara
16
X1
Y
X2 Gambar 2.1 Model Regresi Berganda
b. Model Mediasi Model mediasi atau perantara dimana variabel Y memodifikasi pengaruh variabel X terhadap variabel Z. Model ini digambarkan sebagai berikut:
X
Z
Y
Gambar 2.2 Model Mediasi
c. Model Kombinasi Regresi Berganda dan Mediasi Model ini merupakan kombinasi antara model regresi berganda dan mediasi, yaitu variabel X berpengaruh terhadap variabel Z secara langsung dan tidak langsung mempengaruhi variabel Z melalui variabel Y. Model digambarkan sebagai berikut:
Universitas Sumatera Utara
17
X Z
Y
Gambar 2.3 Model Kombinasi Regresi Berganda dan Mediasi
d. Model Kompleks Model ini merupakan model yang lebih kompleks, yaitu variabel X1 secara langsung mempengaruhi Y2 dan melalui variabel X2 secara tidak langsung mempengaruhi Y2, sementara variabel Y2 juga dipengaruhi oleh variabel Y1. Model digambarkan sebagai berikut: X1
Y1
X2
Y2
Gambar 2.4 Model Kompleks
e. Model Rekursif dan Non Rekursif Dari sisi pandang arah sebab-akibat, ada dua tipe model jalur, yaitu rekursif dan non-rekursif. Model rekursif ialah jika semua anak panah menuju satu arah seperti gambar berikut:
Universitas Sumatera Utara
18
1
ρ41
ρ21
ρ31 3
r21
ρ32
ρ42
2
4
ρ43
ε3
ε4
ε2
Gambar 2.5 Model Rekursif
Model tersebut dapat diterangkan sebagai berikut: 1.
Anak panah menuju satu arah, yaitu dari 1 ke 2, 3, dan 4 dari 2 ke 3 dan dari 3 menuju ke 4. Tidak ada arah yang terbalik, misalnya dari 4 ke 1.
2.
Hanya terdapat satu variabel exogenous, yaitu 1 dan tiga variabel endogenous, yaitu 2, 3, dan 4. Masing-masing variabel endogenous diterangkan oleh variabel 1 dan error (ε2, ε3, dan ε4).
3.
Satu variabel endogenous dapat menjadi penyebab variabel endogenous lainnya, tetapi bukan ke variabel exogenous.
Model non recursif terjadi jika arah anak panah tidak searah atau terjadi arah yang terbalik (looping), misalnya dari 4 ke 3 atau dari 3 ke 1 dan 2, atau bersifat sebab akibat (reciprocal cause).
Universitas Sumatera Utara
19
2.2.6 Diagram Jalur dan Persamaan Struktural
Pada saat akan melakukan analisis jalur, disarankan untuk terlebih dahulu menggambarkan secara diagramatik struktur hubungan kausal antara variabel penyebab dengan variabel akibat. Diagram ini disebut diagram jalur (Path Diagram), dan bentuknya ditentukan oleh proposisi teoritik yang berasal dari kerangka pikir tertentu.
X1
X2 ε
Gambar 2.6 Diagram Jalur Yang Menyatakan Hubungan Kausal Dari X1 Sebagai Penyebab ke X2 Sebagai Akibat Keterangan: X1 adalah variabel eksogenus (exogenous variable) untuk itu selanjutnya variabel penyebab disebut sebagai variabel eksogenus. X2 adalah endogenus (endogenous variable), sebagai akibat dan ε adalah variabel residu (residual variable), yang merupakan gabungan dari: (1) Variabel lain, di luar X1, yang mungkin mempengaruhi X2 dan telah teridentifikasi oleh teori, tetapi tidak dimasukkan dalam model. (2) Variabel lain, di luar X2, yang mungkin mempengaruhi X2 tetapi belum teridentifikasi oleh teori. (3) Kekeliruan pengukuran (error of measurement), dan (4) Komponen yang sifatnya tidak menentu (random component). Gambar 2.6 merupakan diagram jalur yang paling sederhana yang menyatakan bahwa X2 dipengaruhi secara langsung oleh X1, tetapi di luar X2,
Universitas Sumatera Utara
20
masih banyak penyebab lain yang dalam penelitian yang sedang dilakukan tidak diukur. Penyebab lain itu dinyatakan oleh ε. Persamaan struktural yang dimiliki oleh gambar 2.6 adalah X2 = ρx2.x1 .X1 + ε. Selanjutnya tanda anak panah satu arah menggambarkan pengaruh langsung dari variabel eksogenus terhadap variabel endogenus.
X1 X2
X4 ε
X3 Gambar 2.7 Diagram Jalur Yang Menyatakan Hubungan Kausal dari X1, X2,X3, dan X4
Gambar 2.7 menunjukkan bahwa diagram jalur tersebut terdapat tiga buah variabel eksogenus, yaitu X1, X2, dan X3, sebuah variabel endogenus (X4) serta sebuah variabel residu ε. Pada diagram di atas juga mengisyaratkan bahwa hubungan antara X1 dengan X4, X2 dengan X4 dan X3 dengan X4 adalah hubungan kausal, sedangkan hubungan antara X1 dengan X2, X2 dengan X3 dan X1 dengan X3 masing-masing adalah hubungan korelasional. Perhatikan panah dua arah, panah
tersebut
menyatakan
hubungan
korelasional.
Bentuk
persamaan
strukturalnya adalah: X4 = ρX4.X1. X1 + ρX4.X2. X2 + ρX4.X3. X3 + ε
Universitas Sumatera Utara
21
X1 X3 X2
ε1
X4 ε2
Gambar 2.8 Hubungan Kausal Dari X1, X2, dan Dari X3 ke X4 Perhatikan bahwa pada gambar 2.8 di atas, terdapat dua buah sub-struktur. Pertama, sub-struktur yang menyatakan hubungan kausal dari X1 dan X2 ke X3, serta kedua, sub-struktur yang mengisyaratkan hubungan kausal dari X3 ke X4. Persamaan struktural untuk gambar 2.8 adalah: X3 = ρX3.X1. X1 + ρX3.X2. X2 +ε1 dan X4 = ρX4.X3 . X3 +ε2 . Pada sub-struktur pertama X1 dan X2 merupakan variabel eksogenus, X4 sebagai variabel endogenus dan ε1 sebagai variabel residu. Pada sub-struktur kedua, X3 merupakan variabel eksogenus, X4 sebagai variabel endogenus dan ε2 sebagai variabel residu.
2.2.7
Koefisien Jalur
Besarnya pengaruh langsung dari suatu variabel eksogenus terhadap variabel endogenus tertentu, dinyatakan oleh besarnya nilai numerik koefisien jalur (path coefficient) dari eksogenus ke endogenus.
Universitas Sumatera Utara
22
X1 X3 X2
ρX3.ε
Gambar 2.9 Hubungan Kausal dari X1, X2, Ke X3 Hubungan antara X1 dan X2 adalah hubungan korelasional. Intensitas keeratan hubungan tersebut dinyatakan oleh besarnya koefisien korelasi rx1.x2 . Hubungan X1 dan X2, ke X3 adalah hubungan kausal. Besarnya nilai numerik koefisien jalur
ρX3.X1 dan ρX3.X2. Koefisien jalur ρX3 menggambarkan besarnya pengaruh langsung variabel residu (implicit exogenous variabel) terhadap X3. Langkah kerja yang dilakukan untuk menghitung koefisien jalur adalah: 1. Gambarkan dengan jelas diagram jalur yang mencerminkan proposisi hipotetik yang diajukan, lengkap dengan persamaan strukturalnya. Di sini kita harus bisa menterjemahkan hipotesis penelitian yang kita ajukan ke dalam diagram jalur, sehingga bisa tampak jelas variabel apa saja yang merupakan variabel eksogenus dan apa yang menjadi variabel endogenusnya. 2. Menghitung matriks korelasi antar variabel.
Formula untuk menghitung koefisien korelasi yang dicari adalah menggunakan Product Moment Coefficient dari Karl Pearson. Alasan penggunaan
Universitas Sumatera Utara
23
teknik koefisien korelasi dari Karl Pearson adalah karena variabel-variabel yang hendak dicari korelasinya memiliki skala pengukuran interval. Rumus:
Keterangan: = Koefisien korelasi
dan
n
= banyaknya data
Xi
= Variabel eksogenus
, j = 1,2,3, . . . , k
Yi = Variabel endogenus
, j = 1,2,3, . . . , k
3. Identifikasi sub-struktur dan persamaan yang akan dihitung koefisien jalurnya. Dimisalkan dalam sub-struktur yang telah kita identifikasi terdapat k buah variabel eksogenus, dan sebuah variabel endogenus Xu yang dinyatakan dengan persamaan:
Kemudian hitung matriks korelasi antar variabel eksogenus yang menyusun sub struktural tersebut:
4. Menghitung matriks invers korelasi eksogenus, dengan rumus:
Universitas Sumatera Utara
24
Keterangan: kofaktor dari kolom ke-i baris ke-j, 5. Menghitung semua koefisien jalur
dan dimana k = 1,2, . . . , k, melalui
rumus:
2.2.8 Besarnya Pengaruh Variabel Eksogen Terhadap Variabel Endogen
Pengaruh yang diterima oleh sebuah variabel endogenus dari dua atau lebih variabel eksogenus, dapat secara sendiri maupun secara bersama-sama. Pengaruh secara sendiri atau parsial, bisa berupa pengaruh langsung, bisa juga berupa pengaruh tidak langsung, yaitu melalui variabel eksogen yang lainnya. Menghitung besarnya pengaruh langsung, pengaruh tidak langsung serta pengaruh total variabel eksogenus terhadap variabel endogenus secara parsial, dapat dilakukan dengan rumus: 1. Besarnya pengaruh langsung variabel eksogenus (Xu) terhadap variabel
(
endogenus (Xk)
2
2. Besarnya pengaruh tidak langsung variabel eksogenus (Xu) terhadap variabel endogenus (Xi) melalui hubungan korelasi dari variabel Xk
3. Besarnya pengaruh tidak langsung variabel (Xu) terhadap variabel (Xk) melalui variabel (Xi)
(
Universitas Sumatera Utara
25
4. Besarnya pengaruh total adalah pengaruh langsung dijumlahkan dengan variabel tidak langsung. 5. Besarnya pengaruh simultan variabel eksogen terhadap variabel endogen adalah:
Keterangan: 1.
adalah koefisien determinasi total
terhadap
atau
besarnya pengaruh variabel eksogen secara bersama-sama (gabungan) terhadap variabel endogen. 2.
adalah koefisien jalur. adalah koefisien variabel eksogen
3. dengan variabel endogen
2.2.9
.
Pengujian Koefisien Jalur
Menguji kebermaknaan (test of significance) setiap koefisien jalur yang telah dihitung, baik secara tersendiri maupun secara bersama-sama, serta menguji perbedaan besarnya pengaruh masing-masing variabel eksogenus terhadap variabel endogenus, dapat dilakukan dengan langkah-langkah sebagai berikut:
1.
Nyatakan hipotesis statistik (hipotesis operasional) yang akan diuji.
Universitas Sumatera Utara
26
Ho :
= 0 , Artinya tidak terdapat pengaruh variabel eksogenus (Xu)
terhadap variabel endogenus (Xk) ≠ 0 , Artinya tidak terdapat pengaruh variabel eksogenus (Xu)
H1 :
terhadap variabel endogenus (Xk) 2.
Gunakan statistik uji yang tepat, yaitu:
a.
Untuk menguji setiap Koefisien jalur
Keterangan: i
= 1, 2, …, k = Banyaknya variabel eksogenus yang dalam sub-struktur yang diuji. = Mengikuti tabel distribusi t , dengan derajat kebebasan = n - k - 1
Kriteria Pengujian : Ditolak Ho jika nilai ( b.
hitung lebih besar dari nilai
tabel
) dan sebaliknya. Untuk menguji koefisien jalur secara keseluruhan atau bersama-sama:
Keterangan: i
= 1, 2, …, k = Banyaknya variabel eksogenus yang dalam sub-struktur yang diuji.
F
= Mengikuti tabel distribusi F, dengan dk = (V1 ,V2) dengan Fα(k, n – k – 1 )
Universitas Sumatera Utara
27
Kriteria pengujian: Ditolak HO jika nilai F hitung lebih besar dari F tabel atau (Fo > Ftabel).
2.3
Konsep Pembangunan Manusia
United Nation Development Program (UNDP) mendifinisikan sebagai suatu proses untuk memperluas pilihan-pilihan bagi penduduk. Dalam konsep tersebut ditempatkan sebagai tujuan akhir (the ultimate end) sedangkan upaya pembangunan dipandang sebagai sarana (principal means) untuk mencapai tujuan itu. Untuk menjamin tercapainya tujuan pembangunan manusia, empat hal pokok yang perlu diperhatikan adalah produktivitas, pemerataan, kesinambungan, pemberdayaan (UNDP, 1995: 12). Secara ringkas empat hal pokok tersebut mengandung prinsip-prinsip sebagai berikut: 1.
Produktivitas Penduduk harus dimampukan untuk menigkatkan produktivitas dan untuk berpatisipasi penuh dalam proses penciptaan pendapatan dan pekerjaan nafkah. Pembangunan ekonomi, yang dengan demikian merupakan himpunan bagian dari model pembangunan manusia.
2.
Pemerataan Penduduk harus memiliki kesempatan atau peluang yang sama untuk mendapatkan akses terhadap semua sumber daya ekonomi dan sosial.
3.
Kesinambungan Akses terhadap sumber daya ekonomi dan sosial harus dipastikan tidak hanya untuk generasi-generasi yang akan datang. Semua sumber daya fisik, manusia, dan lingkungan harus selalu diperharui (replenished).
Universitas Sumatera Utara
28
4.
Pemberdayaan Peduduk harus berpartisipasi penuh dalam keputusan dan proses yang akan menentukan bentuk atau arah kehidupan mereka, serta untuk berpatisipasi dan mengambil manfaat dari proses pembangunan, karenanya pembangunan harus penduduk, bukan hanya untuk mereka.
2.4
Komponen Indeks Pembangunan Manusia
Indeks Pembangunan Manusia (IPM) atau Human Development Indeks (HDI) merupakan suatu indeks komposit yang mencakup tiga bidang pembangunan manusia yang dianggap, sangat mendasar, yaitu angka harapan hidup, tingkat pendidikan, standar hidup layak. 1.
Angka Harapan Hidup Angka Harapan Hidup (AHH) merupakan rata-rata perkiraan banyak tahun yang dapat ditempuh oleh seseorang selama hidup. Penghitungan angka harapan hidup melalui pendekatan tak langsung (inderect estimation). Jenis data yang digunakan adalah Anak Lahir Hidup (ALH) dan Anak Masih Hidup (AMH).
2.
Tingkat Pendidikan Salah satu komponen pembentuk IPM adalah dari dimensi pengetahuan yang diukur melalui tingkat pendidikan. Dalam hal ini, indikator yang digunakan adalah rata-rata lama sekolah (means years of schooling) dan angka melek huruf.
3.
Standar Hidup Layak
Universitas Sumatera Utara
29
Dimensi lain dari ukuran kualitas hidup manusia adalah standar hidup layak. Dalam cakupan lebih luas, standar hidup layak menggambarkan tingkat kesejahteraan yang dinikmati oleh penduduk sebagai dampak semakin membaiknya ekonomi. 2.5
Tahapan Perhitungan Indeks Pembangunan Manusia
Sebelum penghitungan IPM, setiap Komponen IPM harus dihitung indeksnya. Formula yang digunakan dalam penghitungan indeks komponen IPM adalah sebagai berikut:
Keterangan : X(i)
=
Komponen IPM ke-i
X(min)
=
Nilai minimum dari Komponen IPM ke-i
X(maks)
=
Nilai maksimum dari komponen IPM ke-i
Untuk menhitung indeks masing-masing komponen IPM digunakan batas maksimum dan minimum seperti dalam tabel berikut: Tabel 2.1 Nilai Maksimum dan Minimum Dari Setiap Komponen IPM
Komponen IPM 1. Angka Harapan Hidup (Tahun) 2. Angka melek huruf (Persen) 3. Rata-rata lama sekolah (Tahun)
Maksimum 85 100 15
Minimum 25 0
Keterangan Standar UNDP Standar UNDP
0
Universitas Sumatera Utara
30
4. Daya Beli (Rupiah PPP)
732.720a
300.00 (1996) 360.000b (1999,dst)
Pengeluaran perkapita Rill Disesuaikan
Sumber: Data Sekunder BPS Tapanuli Utara
Keterangan: a) Perkiraan maksimum pada akhir PJP II tahun 2018 b) Penyesuaian garis kemiskinan lama dengan garis kemiskinan baru
Selanjutnya nilai IPM dapat dihitung dengan rumus:
Keterangan : Indeks X(i,j)
=
Indeks Komponen IPM ke i untuk wilayah ke-j
i
=
1, 2, 3 (Urutan Komponen IPM)
j
=
1, 2, . . . , k (wilayah)
Tabel 2.2 Kriteria Tingkatan Status Indeks Pembangunan Manusia (IPM) Tingkatan Status 1 Rendah Menengah bawah Menengah atas Tinggi
Kriteria 2 IPM ≤50 51 < IPM ≤ 66 67 < IPM ≤ 80 IPM > 81
Sumber: Data Sekunder BPS Tapanuli Utara
Universitas Sumatera Utara
