JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK

KATALOG BPS: 1202031 ISSN: 2086–4132

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK TAHUN 4, VOLUME 1, JUNI 2012

Model Vektor Autoregresi Dengan Rank Yang Direduksi EFRI DIAH UTAMI Keterkaitan Harga Antar Kelompok Komoditas Pembentuk Inflasi Perdesaan Di Indonesia 2006-2012 RISKA MUSTIKASARI dan NELI AGUSTINA Faktor Yang Memengaruhi Penggunaan Air Minum Kemasan Sebagai Sumber Air Minum Rumah Tangga Di Indonesia Tahun 2007 NOVI HIDAYAT PUSPONEGORO Status Kehamilan Dan Pengaruhnya Terhadap Perilaku Perawatan Kehamilan Di Indonesia SARNI MANIAR BERLIANA

Pengaruh Pendidikan Terhadap Pendapatan (Studi Perbandingan Hierarchical Linear Model dengan Classical Regression) IFRA WARNITA dan EKARIA Sistem Aplikasi Penyusunan Neraca Produksi Sektoral Industri Besar Sedang WAHYU KURNIANTO dan SAID MIRZA PAHLEVI

UNIT PENELITIAN DAN PENGABDIAN KEPADA MASYARAKAT SEKOLAH TINGGI ILMU STATISTIK (UPPM-STIS)

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK Journal of Statistical Application & Statistical Computing No Publikasi / Publication Number: 02700.1003 Katalog BPS / BPS Catalogue: 1202031 No ISSN / ISSN Number: 2086-4132 Ukuran Buku / Book Size: 14,8 cm x 21,5 cm Jumlah Halaman / Number of Pages: 128 + vii Diterbitkan oleh / Published by: Sekolah Tinggi Ilmu Statistik STIS-Statistics Institute Boleh dikutip dengan menyebut sumbernya May be cited with reference to the source

ii

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK

Pelindung

: Dr. Adi Lumaksono, M.A.

Pemimpin Umum Redaksi

: Ir. Ekaria, M.Si.

Dewan Editor

: Dr. Hariadi Hadisuwarno Dr. Said Mirza Pahlevi

Sekretaris Redaksi

: Retnaningsih, M.E.

Alamat Redaksi

: Sekolah Tinggi Ilmu Statistik Jl. Otto Iskandardinata 64C Jakarta Timur 13330 Telp. 021-8191437

iii

TAHUN 4, VOLUME 1, JUNI 2012

KATALOG BPS: 1202031 ISSN: 2086-4132

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK Model Vektor Autoregresi Dengan Rank Yang Direduksi EFRI DIAH UTAMI

1 - 20

Keterkaitan Harga Antar Kelompok Komoditas Pembentuk Inflasi Perdesaan Di Indonesia Periode 2006-2012 RISKA MUSTIKASARI dan NELI AGUSTINA

21 - 46

Faktor Yang Memengaruhi Penggunaan Air Minum Kemasan Sebagai Sumber Air Minum Rumah Tangga Di Indonesia Tahun 2007 NOVI HIDAYAT PUSPONEGORO

47 - 61

Status Kehamilan Dan Pengaruhnya Terhadap Perilaku Perawatan Kehamilan Di Indonesia SARNI MANIAR BERLIANA

62 - 87

Pengaruh Pendidikan Terhadap Pendapatan (Studi Perbandingan Hierarchical Linear Model dengan Classical Regression) IFRA WARNITA dan EKARIA

88 - 102

Sistem Aplikasi Penyusunan Neraca Produksi Sektoral Industri Besar Sedang WAHYU KURNIANTO dan SAID MIRZA PAHLEVI

103 - 128

iv

PENGANTAR REDAKSI

Syukur Alhamdulillah, pada akhirnya Jurnal Aplikasi Statistika dan Komputasi Statistik tahun 4, volume 1, Juni 2012 dapat diterbitkan setelah tertunda beberapa bulan karena kendala non teknis. Jurnal ini bisa diterbitkan atas dukungan Ketua STIS dan kerjasama Bapak/Ibu dosen di STIS yang telah mengirimkan artikel ilmiahnya kepada redaksi. Untuk atensi yang baik guna keberlangsungan terbitnya jurnal ini redaksi mengucapkan terimakasih. Ada empat karya ilmiah di jurnal ini yang merupakan kolaborasi mahasiswa STIS dengan para dosennya dalam upaya untuk membahas permasalahan di bidang ekonomi dan kependudukan. Edisi kali ini sebagian besar memang masih memuat karya ilmiah tentang aplikasi statistika, yaitu membahas mengenai pengembangan model yang dimuat dalam artikel Model Vektor Autoregresi dan Hierarchical Linear Model, serta kajian mengenai Inflasi Perdesaan, Penggunaan Air Minum Kemasan dan Perilaku Perawatan Kehamilan. Sedangkan sebuah artikel dari komputasi statistik mengenai Sistem Aplikasi Penyusunan Neraca Produksi Sektoral Industri Besar Sedang. Semoga artikel dalam jurnal ini memperkaya pengetahuan statistika dan komputasi para pembaca. Redaksi terus menunggu artikel-artikel ilmiah selanjutnya dari Bapak/Ibu dosen guna menjadi publikasi yang memberi manfaat besar dalam pendidikan perstatistikan di STIS dan untuk kesinambungan terbitnya jurnal.

Jakarta, 10 Oktober 2012 Salam,

Ekaria

v

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS

MODEL VEKTOR AUTOREGRESI DENGAN RANK YANG DIREDUKSI Efri Diah Utami Abstract Vector autoregressive model (VAR) is one of multivariate time series models are widely used because it is easy and simple. In many cases, use a lot of variables and lag orders of the VAR model will generate a lot of parameters. Because the parameters that generated a lot then it is probable that there are many parameters that are not significant.One way to overcome such conditions is to use reduced rank VAR model. Reduced rank VAR model which is done by reducing the rank of matrix parameters () from the VAR model with full rank. This is done by creating decomposition matrix  into A and B on the condition of matrix A and B must have the same rank. From the simulation results obtained that reduced rank VAR model is relatively better than the VAR model with full rank because it has smaller residual variance. Keywords : Multivariate Time Series, Vector Autoregressive, Reduced Rank Vector Autoregressive

I.

PENDAHULUAN

Model vektor autoregresi (VAR) adalah salah satu analisis model deret waktu multivariat yang paling mudah, fleksibel dan banyak digunakan. Model ini memberikan prakiraan yang lebih unggul dibandingkan pada model univariat autoregresi dan model yang berdasar pada persamaan simultan lainnya. Model VAR selain memiliki kelebihan juga memiliki kelemahan. Salah satu kelemahan dari model ini adalah banyaknya parameter yang harus ditaksir. Karena model vektor autoregresi adalah model deret waktu multivariat, maka banyaknya parameter yang harus ditaksir tergantung pada banyaknya variabel dan lag pada data deret waktunya. Misalkan saja untuk model VAR(1), katakanlah jumlah variabel yang terlibat adalah sebanyak parameter yang harus ditaksir adalah yang harus ditaksir adalah 2

, maka banyaknya

Jika modelnya adalah model VAR(2) maka parameter

Demikian seterusnya, banyaknya parameter yang harus ditaksir

akan terus meningkat seiring dengan banyaknya variabel dan lag yang digunakan dalam pemodelan.


1


Banyaknya parameter yang terlalu besar sering kali menimbulkan kesulitan bagi para pengguna model vektor autoregresi (VAR). Jika variabel yang terlibat dalam pemodelan VAR cukup banyak maka akan menyebabkan rank dari matriks parameter cukup besar. Salah satu cara untuk mengatasi masalah ini adalah dengan mereduksi rank dari matriks parameter untuk membuat struktur model yang lebih sederhana. Teknik reduksi rank dari sebuah matriks parameter dikaji oleh para peneliti sebelumnya. Izenman (1975) mengkaji model regresi linier multivariat dengan rank yang direduksi. Dalam tulisannya, Izenman menunjukkan bahwa masalah ini berkaitan erat dengan analisis komponen utama dan analisis korelasi kanonik pada situasi praktis. Pada tahun 1977, Box dan Tiao mengkaji tentang analisis kanonik pada data multivariat deret waktu. Sedangkan Velu, Reinsel dan Wichern (1986) mempertimbangkan sebuah model mereduksi rank untuk data deret waktu multivariat yang erat kaitannya dengan analisis kanonik Box dan Tiao, model indeks dan analisis korelasi standar untuk multivariat. Velu, Reinsel dan Wichern (1986) menyatakan bahwa secara khusus proses autoregresi yang memiliki struktur pada matriks koefisiennya serupa dengan regresi multivariat klasik dengan rank yang direduksi. Pada penelitian kali ini akan dikaji tentang model vektor autoregresi (VAR) dengan rank yang direduksi dan penerapan metode ini pada data simulasi. Sedangkan permasalahan penelitian dibatasi pada model VAR orde 2 dengan lima variabel. Untuk pengolahan data digunakan software Eviews 5.1 dan R 2.8.11

II.

METODOLOGI

Model Regresi Linier Multipel dengan Rank yang Direduksi Model regresi linier multipel dengan rank yang direduksi adalah sebuah model regresi linier multipel dimana matriks parameternya telah mengalami reduksi rank. Dari persamaan umum model regresi linier multipel akan diperoleh sebuah matriks kovarian sebagai berikut

Diasumsikan bahwa  memiliki rank yang spesifik sebesar , dimana kasus ditemui bahwa

. Pada banyak

. Pada kasus seperti ini maka matriks  disebut matriks parameter

dengan rank penuh. Namun pada beberapa kasus ditemui bahwa

, sehingga berlaku

. Pada model yang seperti ini maka matriks  disebut matriks parameter regresi 2



dengan rank yang direduksi. Sehingga akan berlaku model umum regresi multipel untuk rank yang direduksi sebagai berikut yt = A B xt + t, (t=1,….,T)

(2.1)

dengan  = A B adalah vektor variabel respon berukuran A adalah matriks parameter berukuran B adalah matriks parameter berukuran t adalah vektor error berukuran

, dengan syarat

.

yang diasumsikan independen dengan

E(t) = 0 , cov(t) =  dengan  adalah positif definit. Sebuah matriks dikatakan positif definit jika berupa matriks simetris dan semua nilai Eigen dari matriks tersebut positif (Tsay, 2005) Estimasi parameter pada A dan B dalam (2.1) adalah berdasarkan hasil pada teorema 1 (Brillinger , 2001, Izenman, 1975 dan Velu, Reinsel dan Wichern, 1986). Teorema 1. Misalkan

mempunyai vektor rata-rata 0 dan matriks kovarian dan xx = cov (xt) non singular. Maka untuk

dengan

matriks positif definit , matriks A (

dan matriks B (

, untuk

, yang meminimumkan

diberikan oleh (2.2) dimana V = [V1,….,Vr] dan Vj adalah vektor Eigen yang bersesuaian dengan nilai Eigen terbesar ke-j

dari matriks

Karena tujuannya adalah meminimumkan error maka diambil nilai (t) =

(j=1,….,r). dengan  = cov

.

Model Vektor Autoregresi (VAR) Pemodelan deret waktu dengan menggunakan vektor autoregresi adalah salah satu metode pemodelan untuk data deret waktu multivariat yang sering digunakan karena mudah dan fleksibel jika dibandingkan dengan metode lainnya. TAHUN 4, VOLUME 1, JUNI 2012

3


Secara umum model VAR( ) dapat ditulis , t = 1, 2,...,T dengan

adalah matriks parameter berukuran

berukuran

dan

(2.3) adalah vektor white noise

. Dengan menggunakan operator backshif, model VAR( ) dapat ditulis

sebagai berikut (2.4) dengan

.

Sedangkan bentuk model VAR ( ) dengan rata-rata disesuaikan adalah (2.5) Karena batasan masalah pada penelitian ini adalah VAR dengan ordo 2, maka untuk selanjutnya akan dibahas tentang model VAR(2). Model umum VAR(2) dengan rata-rata disesuaikan adalah (2.6) dengan berukuran

dan


dan

vektor white noise

.

Model VAR(2) dengan menggunakan lima variabel dapat dituliskan sebagai berikut:

(2.7)

4



Atau

(2.8) . . . .

(2.9)

Model Umum Vektor Autoregresi dengan Rank yang Direduksi Model vektor autoregresi (VAR) dengan rank yang direduksi adalah model vektor autoregresi dimana rank dari matriks parameter

telah direduksi.

Model umum deret waktu multivariat adalah sebagai berikut (2.10) dengan: adalah vektor dari deret waktu multivariat berukuran

.

t adalah vektor residualberukuran xt adalah vektor input berukuran

.


.


, dengan syarat

.

Dalam hal ini diasumsikan bahwa : yt adalah sebuah proses stasioner . Residual berdistribusi normal dan independen dengan E(t) = 0 dan Cov (t) = . Dengan adalah matriks positif definit. Dalam model vektor autoregresi, besarnya

akan sama dengan besarnya

dan xt hanya berisi

lag dari yt sehingga xt=yt-1, maka model (2.10) dapat ditulis sebagai (2.11) Dalam persamaan (2.11), yt adalah sebuah proses vektor autoregresi dengan order p1+p2+1. TAHUN 4, VOLUME 1, JUNI 2012

5


Ada dua kasus khusus yang menjadi perhatian dari persamaan (2.11), yaitu: 1. Jika p2=0 dan p1=p-1, maka yt =A0B0yt-1+….+A0Bp-1yt-p +t (2.12) Dengan =A0[B0,...,Bp-1],

dan rank

.

Persamaan (2.12) dapat juga dituliskan sebagai (2.13) Persamaan (2.12) mempunyai struktur model regresi vektor autoregresi dengan rank yang direduksi. 2. Jika p1=0 dan p2=p-1, akan diperoleh (2.14) dengan

adalah sebuah vektor berukuran

,

. Untuk model (2.14)

dianggap sebagai indeks lag dari yt sehingga model ini bisa disebut model indeks vektor autoregresi. Untuk model ini tidak akan dikaji pada penelitian ini.

Distribusi Asimtotis untuk Estimasi Matriks Parameter pada Model Vektor Autoregresi dengan Rank yang Direduksi Estimasi parameter dalam model vektor autoregresi dengan rank yang direduksi pada persamaan (2.12) adalah menganut dari Teorema 1 dan dengan menetapkan A=A0, B=[B0,B1,..,Bp-1] dan . Perbedaan antara persamaan (2.12) dengan model klasik terletak pada pemilihan variabel bebasnya. Untuk data deret waktu, variabel bebas adalah lag dari variabel tidak bebas yaitu

.

Misalkan didefinisikan bahwa dituliskan

adalah matriks kovarian antara

dan

atau dapat juga

. Untuk selanjutnya didefinisikan bahwa

(2.15)

6



Jika menggunakan Teorema 1, maka apapun pilihan untuk matriks positif definit , matriks koefisien populasi dalam model vektor autoregresi dengan rank yang direduksi dapat diekspresikan sebagai (2.16) (2.17) dan Vj adalah vektor Eigen yang terkait dengan nilai Eigen,

, dari

.

Dekomposisi =AB dalam (2.12) tidak akan memberikan nilai yang unik sehingga harus dipaksakan beberapa kondisi normalisasi. Untuk pernyataan dalam (2.16) dan (2.17), vektor Eigen Vj dinormalkan untuk memenuhi

dan ini sama saja dengan normalisasi untuk A

dan B sebagai berikut (2.18) dimana

dan I adalah matriks identitas berukuran

Setelah melalui proses normalisasi maka estimator untuk

dan

. yang bersesuaian dengan

persamaan (2.16) dan (2.17) adalah (2.19) (2.20) dimana

dan

adalah vektor Eigen setelah dinormalkan yang bersesuaian

dengan nilai Eigen terbesar ke-

dari

dengan (2.21) (2.22)

Dalam pengembangan selanjutnya diambil nilai (2.23) y dan

adalah matriks berukuran

dan

yang masing-masing berisi data

dan

. Untuk memperoleh standard error masing-masing parameter maka harus diketahui distribusi asimtotis untuk masing-masing matriks parameter. Penelitian tentang distribusi asimtotis masingmasing matriks parameter telah dikemukakan oleh Velu, Reinsel dan Wichern (1986) sebagai berikut. TAHUN 4, VOLUME 1, JUNI 2012

7


(2.24) (2.25) dengan

.

Jika didefinisikan

maka

asimtotis untuk Distribusi

adalah asimtotis

sehingga distribusi , dimana

untuk

. adalah

Sedangkan untuk memperoleh distribusi asimtotis dari

. harus diturunkan dari

persamaan (2.17) dan (2.20) sebagai berikut.

(2.26) diketahui pula bahwa konvergen dalam distribusi pada

sehingga dengan

(2.27) Robinson (1973) menyatakan bahwa

memiliki asimtotis matriks kovarian

. Nilai kovarian matriks tersebut dalam model vektor autoregresi bersesuaian dengan . 8



Untuk mempermudah proses pemahaman maka akan disajikan diagram alur sebagai berikut:

Estimasi VAR dengan Rank Penuh

Hitung Varians Residual Model VAR dengan Rank Penuh

Uji Rank Matriks Parameter

Estimasi Parameter VAR dengan Rank yang Direduksi

Langkah-langkah: 1. Tentukan  2. Tentukan 3. Tentukan

Hitung Standard Error VAR dengan Rank yang Direduksi

4. Tentukan Matriks Q 5. Tentukan nilai Eigen dan vektor Eigen dari Matriks Q 6. Tentukan Matriks dan

Hitung Varians Residual Model VAR dengan Rank yang Direduksi Bandingkan

Gambar 2.1 Diagram Alur Penelitian Deskripsi Data Data yang digunakan untuk penelitian ini adalah berupa data simulasi yang dibangkitkan menggunakan bantuan software R 2.8.11. Data yang dibangkitkan berjumlah 82 observasi dengan lima buah variabel yaitu X1, X2, X3, X4 dan X5. Langkah-langkah membangkitkan data simulasi adalah: 1. Menentukan matriks intercept. Dalam hal ini digunakan intercept sama dengan nol karena yang ingin dibangkitkan adalah model VAR dengan rata-rata disesuaikan. 2. Menentukan nilai parameter model VAR sebanyak 50 buah.


9


3. Menentukan nilai matriks kovarian dari noise dengan syarat bahwa matriks harus merupakan matriks positif definit. 4. Menentukan banyaknya data simulasi yang akan dibangkitkan yaitu sebanyak 82 observasi.

III.

HASIL DAN PEMBAHASAN

Langkah awal membangun sebuah model vektor autoregresi dengan rank yang direduksi adalah membentuk model VAR dengan rank penuh. Dalam penelitian ini sebenarnya tidak diperlukan lagi pembentukan model VAR dengan rank penuh karena data yang digunakan adalah data simuasi yang dibangkitkan yang terlebih dahulu sudah ditentukan nilai paramaternya dan pasti sudah memenuhi model VAR dengan ordo 2. Tetapi untuk lebih memperjelas alur pembentukan model VAR dengan rank yang direduksi, maka seluruh tahapan tetap dilakukan. Identifikasi model merupakan tahap yang penting dalam pemodelan data deret waktu karena sebelum dilakukan pembentukan model terlebih dahulu harus diketahui karakteristik dari variabel yang digunakan. Hal yang pertama kali dilakukan adalah dengan membuat plot terhadap data yang akan digunakan. Dari lima variabel yang akan digunakan dalam pemodelan VAR, diperoleh plot data seperti pada Gambar 3.1.

8 6 4 2 0 -2 -4 -6 -8 10

20

30 X1 X2

40

50 X3 X4

60

70

80

X5

Gambar 3.1 Plot Data X1, X2, X3, X4 dan X5 Karena yang akan dibentuk adalah model VAR, maka data yang digunakan haruslah data yang stasioner. Pada plot data Gambar 3.1, dapat dilihat bahwa data tidak mengandung tren sehingga dapat dikatakan bahwa data telah stasioner. Untuk lebih meyakinkan dilakukan uji trend dengan Augmented Dickey Fuller test statistic dengan menggunakan hipotesis: 10



H0 : Data tidak mengandung trend H1 : Data mengandung trend Dari hasil pengujian trend diperoleh bahwa untuk semua variabel memiliki nilai probabilitas lebih besar dari 5%. Dengan kata lain dapat dikatakan bahwa untuk kelima variabel tidak mengandung trend.

Meskipun demikian, untuk lebih meyakinkan dilakukan uji

kestasioneran dengan menggunakan Augmented Dickey Fuller test statistic dari masing-masing deret data tersebut dan hasilnya menunjukkan hal yang serupa bahwa untuk semua variabel stasioner. Salah satu syarat agar dapat dilakukan pembentukan model VAR adalah adanya korelasi yang relatif kuat antara variabel yang digunakan. Dengan menggunakan koefisien korelasi Pearson, diperoleh matriks korelasi sebagai berikut:

Tabel 3.1 Korelasi antara X1, X2, X3, X4 dan X5 X1 X1

X2

X3

X4

X5

1 0.946736 0.886388 0.597761 0.621418

X2

0.946736

1 0.941919 0.625744 0.593470

X3

0.886388 0.941919

X4

0.597761 0.625744 0.770634

1

-0.22022

X5

0.621418 0.593470 0.351301

-0.22022

1

1 0.770634 0.351301

Dari Tabel 3.1 dapat dilihat bahwa korelasi yang terjadi antara kelima variabel relatif kuat. Hampir semua koefisien korelasi memiliki nilai di atas 50%. Hanya terdapat dua koefisien korelasi yang nilainya di bawah 50% yaitu korelasi antar X3 dan X5 sebesar 35,13% dan korelasi antara X4 dan X5 yang hanya sebesar -22,02%. Korelasi yang sangat kuat adalah korelasi antara variabel X1 dan X2 yaitu sebesar 94,67% dan korelasi antara variabel X2 dan X3 yaitu sebesar 94,19%. Korelasi ini dikatakan sangat kuat karena nilai koefisien korelasinya yang sangat besar, yaitu lebih dari 90%. Dengan melihat hasil pada Tabel 3.1 maka dapat disimpulkan bahwa variabel X1, X2, X3, X4 dan X5 layak untuk dilibatkan dalam pemodelan vektor autoregresi. Selanjutnya untuk lebih mengetahui pola dari masing-masing variabel dilakukan plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) untuk masingmasing variabel sehingga diperoleh hasil sebagai berikut.


11

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS PACF X1 1.0

0.8

0.8

0.6

0.6

Partial Autocorrelation

Autocorrelation

ACF X1 1.0

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

-1.0

-1.0 2

4

6

8

10

12

14

16

18

20

2

Lag

4

6

8

10

12

14

16

18

20

14

16

18

20

14

16

18

20

14

16

18

20

Lag

Gambar 3.2 Plot ACF dan PACF untuk Variabel X1 PACF X2 1.0

0.8

0.8

0.6

0.6


Autocorrelation

ACF X2 1.0

0.4 0.2 0.0 -0.2 -0.4 -0.6

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

-0.8

-1.0

-1.0 2

4

6

8

10

12

14

16

18

2

20

4

6

8

10

12 Lag

Lag

Gambar 3.3 Plot ACF dan PACF untuk Variabel X2

PACF X3 1.0

0.8

0.8

0.6

0.6


Autocorrelation

ACF X3 1.0

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

-1.0

-1.0 2

4

6

8

10

12

14

16

18

20

2

Lag

4

6

8

10

12 Lag

Gambar 3.4 Plot ACF dan PACF untuk Variabel X3 PACF X4 1.0

0.8

0.8

0.6

0.6


Autocorrelation

ACF X4 1.0

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

-1.0

-1.0 2

4

6

8

10

12 Lag

14

16

18

20

2

4

6

8

10

12 Lag

Gambar 3.5 Plot ACF dan PACF untuk Variabel X4

12



PACF X5 1.0

0.8

0.8

0.6

0.6


Autocorrelation

ACF X5 1.0

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

0.4 0.2 0.0 -0.2 -0.4 -0.6 -0.8

-1.0

-1.0 2

4

6

8

10

12 Lag

14

16

18

20

2

4

6

8

10

12

14

16

18

20

Lag

Gambar 3.6 Plot ACF dan PACF untuk Variabel X5 Pada plot ACF dan PACF seperti disajikan pada Gambar 3.2 sampai dengan 3.6, dapat dilihat bahwa untuk semua plot ACF dari variabel X1, X2, X3, X4 dan X5 membentuk pola menurun secara eksponensial/sinusoidal. Sedangkan untuk plot PACF dari variabel X1, X2, X3, X4 dan X5 membentuk pola terpotong setelah lag 1 atau 2. Ini berarti bahwa variabel X1, X2, X3, X4 dan X5 masing-masing membentuk model autoregresi dengan orde yang berbeda. Pada variabel X1, X2, X3 dan X4 dapat dilihat bahwa ACF membentuk pola sinusoidal tetapi tidak menurun secara cepat dan ACF nya terpotong setelah lag 1. Untuk itu dapat diduga bahwa variabel X1, X2, X3 dan X4 memiliki model AR(1). Sedangkan untuk variabel X5, nilai ACF menurun secara cepat membentuk pola sinusoidal dan nilai PACF terpotong setelah lag 2. Untuk itu dapat diduga bahwa variabel X5 membentuk pola AR(2). Karena semua variabel membentuk pola autoregresi maka dengan jelas dapat dikatakan bahwa lima variabel tersebut akan membentuk model vektor autoregresi.

Estimasi Parameter Setelah semua syarat dan asumsi dalam pembentukan model vektor autoregresi terpenuhi maka untuk selanjutnya akan dilakukan penaksiran parameter untuk model vektor autoregresi. Karena batasan masalah dalam penelitian ini adalah model VAR dengan orde 2, maka dilakukan penaksiran parameter untuk model VAR(2) sehingga akan diperoleh matriks parameter sebagai berikut:


13


Pada matriks parameter

dan

, koefisien yang diberi tanda bintang adalah koefisien

parameter yang signifikan. Hal ini dilihat dari nilai t-statisitic masing-masing parameter yang nilainya <-1,96 atau >1,96. Dapat dilihat bahwa dari 50 parameter, hanya sebanyak 12 parameter yang signifikan. Dalam banyak kasus pada umumnya, penggunaan jumlah variabel yang banyak dan lag order yang besar dalam model vektor autoregresi akan menghasilkan banyak parameter yang tidak signifikan. Hal ini juga terjadi pada penelitian kali ini dimana dari 50 buah parameter hanya sebagian kecil parameter yang signifikan. Karena yang dibentuk adalah model VAR (2) maka diperoleh parameter sebanyak 50 buah. Untuk mengetahui apakah model yang dibentuk ini sudah tepat atau belum, maka perlu dilakukan pemilihan orde model VAR yang paling sesuai. Dalam memilih orde model yang paling sesuai digunakan beberapa kriteria pemilihan model yaitu Final Prediction Error (FPE), Akaike Informaton Criterion (AIC), Schwarz Information Criterion (SC) dan Hannan-Quinn Information Criterion (HC). Pada Tabel 3.2 dapat dilihat bahwa berdasarkan kriteria FPE, AIC, SC dan HQ masingmasing menyatakan bahwa lag yang paling sesuai untuk pembentukan model vektor autoregresi adalah lag 2. Hal ini terjadi karena pada lag 2 menghasilkan nilai yang paling kecil untuk setiap kriteria pemilihan model, sehingga dapat dikatakan bahwa model VAR(2) dari variabel X1, X2, X3, X4 dan X5 adalah model yang paling sesuai. Dengan demikian matriks parameter

dan

dapat digunakan untuk membuat model vektor autoregresi dengan rank yang direduksi.

Tabel 3.2 Output Pemilihan Lag Orde yang Paling Sesuai Pada Model VAR VAR Lag Order Selection Criteria Endogenous variables: X1 X2 X3 X4 X5 Lag

LogL

LR

FPE

AIC

SC

HQ

1 2 3 4 5

-75.97062 362.4493 377.4838 392.2235 416.2290

NA 762.9645* 24.21140 21.82242 32.42304

9.48e-06 2.07e-10* 2.73e-10 3.70e-10 4.03e-10

2.622614 -8.115565* -7.856721 -7.590220 -7.564389

3.383589 -6.593614* -5.573794 -4.546317 -3.759510

2.926997 -7.506798* -6.943570 -6.372685 -6.042471

* indicates lag order selected by the criterion 14



Pemeriksaan Model (Checking Diagnostic) Pada tahap ini dilakukan serangkaian pengujian untuk mengetahui apakah model yang dibentuk sudah memadai. Dalam pembentukan model vektor autoregresi perlu dipenuhi asumsi normalitas residual dan independensi residual.Untuk itu perlu dilakukan pengujian terhadap dua asumsi tersebut. 1. Asumsi Normalitas Residual Dari pengujian kenormalan residual diperoleh output bahwa semua probabilitas memiliki nilai lebih besar dari 5%. Ini berarti bahwa H0 diterima dan dapat dikatakan bahwa residual memiliki distribusi multivariat normal. 2. Asumsi Independensi Residual Pengujian asumsi ini digunakan Portmanteau Test yang menghasilkan output bahwa nilai probabilitas pada lag yang semakin besar akan memiliki nilai lebih besar dari 5%. Ini berarti bahwa H0 diterima dan dapat dikatakan bahwa tidak terdapat autokorelasi antar residual atau residual independen.

Membentuk Model VAR dengan Rank yang Direduksi Sebelum dilakukan pembentukan model vektor autoregresi dengan rank yang direduksi, terlebih dahulu harus dilakukan pengujian terhadap rank matriks parameter . Hal ini dilakukan untuk mengetahui apakah matriks parameter memiliki kemungkinan untuk direduksi atau tidak. Jika pada pengujian rank matriks parameter dihasilkan bahwa rank matriks sama dengan banyaknya variabel (

) yang berarti bahwa matriks parameter tersebut memiliki rank penuh,

maka tidak perlu dilakukan reduksi rank. Hipotesis yang digunakan dalam pengujian ini adalah Hipotesis 1 H0 : rank (

)=1

H1 : rank (

)1

Hipotesis 2 H0 : rank (

)=2

H1 : rank (

)2


)=3

H1 : rank (

)3


15



)=4

H1 : rank (

)4

Pengujian rank akan dilakukan secara parsial untuk masing-masing hipotesis tersebut dengan menggunakan Bartlett test statistic. Dari hasil pengolahan diperoleh koefisien korelasi kanonik sampel sebanyak 4 buah, yaitu

= 0,983057,

= 0,826994,

= 0,642421 dan

= 0,285084. Dengan membandingkan

nilai Bartlett test statistic dan chi kuadrat tabel maka akan diperoleh hasil pengujian seperti yang disajikan pada Tabel 3.3. Dari hasil pengujian ternyata diperoleh bahwa untuk hipotesis pertama dan kedua, menghasilkan nilai statistik Bartlett yang lebih besar dari nilai chi kuadrat pada nilai = 5% sehingga dapat disimpulkan bahwa H0 ditolak. Sedangkan untuk hipotesis ketiga dan keempat menghasilkan nilai statistik Bartlett yang lebih kecil dari nilai chi kuadrat tabel sehingga H0 diterima. Dari hasil pengujian hipotesis ketiga, dapat disimpulkan bahwa matriks parameter (

) memiliki rank sama dengan 3. Untuk hasil dari hipotesis 4 dapat diabaikan

karena yang diinginkan adalah nilai rank yang paling kecil untuk bisa dilakukan reduksi rank terhadap matriks parameter (

).

Tabel 3.3 Resume Hasil Pengujian Rank Bartlett test

Chi

statistic

kuadrat

Hipotesis 1

145,04

Hipotesis 2

Hipotesis

derajat bebas

Kesimpulan

26,30

16

Tolak Ho

50,59

16,92

9

Tolak Ho

Hipotesis 3

6,95

9,49

4

Terima Ho

Hipotesis 4

0,00

3,84

1

Terima Ho

Setelah diperoleh bahwa rank dari matriks parameter (

) adalah 3, maka untuk selanjutnya

akan dibentuk model vektor autoregresi dengan rank yang direduksi berdasarkan pada Teorema 1. Langkah awal untuk membuat model vektor autoregresi dengan rank yang direduksi adalah menentukan nilai . Dengan menggunakan persamaan 2.24 nilai  diperoleh sebagai berikut:

16



Setelah diperoleh nilai matriks parameter

dan

dan

(berdasar persamaan 2.21 dan 2.22) maka akan diperoleh

serta standard error masing-masing parameter sebagai berikut:

Angka yang didalam kurung adalah standard error untuk masing-masing parameter. Jika dihitung t-rasio masing-masing parameter maka semua parameter dalam matriks signifikan karena untuk semua parameter memiliki t-rasio parameter untuk matriks signifikan dalam matriks

adalah

<-1,96 atau >1,96. Sedangkan

yang signifikan adalah sebanyak 13 parameter. Parameter yang adalah yang diberi tanda

bintang. Sehingga banyaknya parameter yang signifikan dalam model vektor autoregresi dengan rank yang direduksi adalah 38 parameter. Berdasarkan persamaan 2,13, kombinasi linier

dapat dianggap sebagai

indeks yang tersusun dari data masa lalu sehingga dapat dituliskan sebagai TAHUN 4, VOLUME 1, JUNI 2012

17


Dengan demikian, model vektor autoregresi dengan rank yang direduksi dapat dituliskan sebagai berikut:

Jika dilakukan perbandingan terhadap varian residual masing-masing model maka diperoleh hasil seperti yang disajikan pada Tabel 3.4. Pada Tabel 3.4 dapat dilihat bahwa nilai varians residual model vektor autoregresi dengan rank yang direduksi pada variabel X1, X2 dan X3 lebih kecil jika dibandingkan dengan model vektor autoregresi dengan rank penuh. Sedangkan untuk variabel X4 dan X5 terjadi hal yang berlawanan. Pada variabel X4 dan X5, varians residual model vektor autoregresi dengan rank penuh adalah lebih kecil dibandingkan dengan model vektor autoregresi dengan rank yang direduksi. Oleh karena itu dapat disimpulkan bahwa model vektor autoregresi dengan rank yang direduksi adalah lebih baik dibanding model vektor autoregresi dengan rank penuh. Hal ini dikarenakan model vektor autoregresi dengan rank yang direduksi dapat memperbanyak parameter model yang signifikan dan memiliki nilai varians residual yang relatif lebih kecil. Tabel 3.4 Perbandingan Varians Residual Vektor Autoregresi dengan

Vektor Autoregresi dengan

Rank Penuh

Rank yang Direduksi

X1

0,3949191

0,2670861

X2

0,3058944

0,2843221

X3

0,4054069

0,2614668

X4

0,1642771

0,2259654

X5

0,2009006

0,2144357

Variabel

18



IV. KESIMPULAN DAN SARAN

Dari hasil penelitian dapat disimpulkan bahwa model VAR dengan rank yang direduksi adalah kasus khusus dari model VAR dengan rank penuh. Model VAR dengan rank yang direduksi lebih baik dibanding model VAR dengan rank penuh karena dapat memperbanyak parameter yang signifikan pada model dan memperkecil varians residual. Selain itu dapat dilihat bahwa penaksiran parameter pada model VAR dengan rank yang direduksi menggunakan pengembangan metode OLS seperti pada model VAR dengan rank penuh. Sedangkan dari hasil simulasi diperoleh kesimpulan bahwa penerapan model VAR dengan rank yang direduksi akan menghasilkan varians residual model yang lebih kecil dibanding model VAR dengan rank penuh. Dari beberapa kesimpulan diatas, maka dapat diberikan saran bahwa perlu dikembangkan model deret waktu multivariat dengan rank yang direduksi lainnya, seperti model VARI dengan rank yang direduksi atau model VARIMA dengan rank yang direduksi serta perlu dilakukan penerapan model pada data riil di lapangan. Karena sampai saat ini, software time series yang ada belum memfasilitasi pembentukan model VAR dengan rank yang direduksi, maka perlu kiranya untuk dilakukan pengembangan software tertentu yang bisa memfasilitasi pembuatan model ini dengan lebih mudah.

DAFTAR PUSTAKA

Anderson, T.W (1951). Estimating Linier Restriction on Regression Coeffisient For Multivariate Normal Distribution.The Annal of Mathematical Statistic.22, 327-351. Anderson, T.W (1971). The Statistical Analysis of Time Series. New York : Willey. Box, G.E.P. dan Tiao, G.C (1977).A Canonical Analysis Of Multiple Time Series. Biometrika.64,355-165 Brillinger, D.R (2001). Time Series : Data Analysis and Theory. San Fransisco : Holden Day Inc. Cryer, J.D (1986). Time Series Analysis.Boston : Duxbury Press. Gujarati, D (2003). Basic Econometrics. New York : McGraw-Hill Inc. Izenman, A. J. (1975). Reduced-Rank Regression For The Multivariate Linear Model. Journal Multivariate Analysis.5, 248-64. Robinson, P. M (1973).Generalized Canonical Analysis for Time Series.Journal Multivariate Analysis.3,141-60. TAHUN 4, VOLUME 1, JUNI 2012

19


Ruminta (2009).Matriks Persamaan Linier dan Pemrograman Linier. Bandung: Rekayasa Sains. Sharma, S (1996). Applied Multivariate Technique. New York: A John Wiley & Sons, Inc. Supranto, J (1993). Pengantar Matrix. Jakarta : Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Tsay, R.S (1951). Analysis of Financial Time Series. New Jersey: A John Wiley & Sons, Inc. Velu, R.P.,Reinsel, G.C., dan Wichern, D.W. (1986). Reduced Rank Models for Multiple Time Series.Biometrika.72, 199-315. Wei, W.W.S (2006). Time Series Analysis, Univariate and Multivariate Method. Canada: Wisley Publishing Company.

20



KETERKAITAN HARGA ANTAR KELOMPOK KOMODITAS PEMBENTUK INFLASI PERDESAAN DI INDONESIA 2006- 2012

Riska Mustikasari dan Neli Agustina

Abstract

There are two inflation as calculated by the Central Statistics Agency (BPS), the urban inflation (inflation nationally) and rural inflation. In the calculations, rural inflation is higher than urban inflation in almost every month. The focus of this study aimed to analyze the relationship and interaction between the commodity that determines the rate of rural inflation in Indonesia. The data used is the data consumer price index (CPI) monthly from January 2006 to May 2012. Estimates using Vector Auto Regression (VAR) / Vector Error Correction Model (VECM) to analyze price movements of each commodity group can be seen from the Impulse Response Function (IRF) and Variance Decompotition (VDC). The results indicate that IRF price volatility of food commodity groups, beverages, cigarettes and tobacco are affected by food groups, then in general the response of each variable is permanent because it could not reach the point of equilibrium (convergen). The results showed four groups VDC dominant commodity price movements are influenced by their own group, especially a group of items whose prices regulated by the government (administered prices) as well as the movement of foodstuffs prices are influenced by natural factors such as weather, season or crop failure.

Keywords: Rural Inflation, Urban inflation, the Consumer Price Index, VAR / VECM, Impulse Response Function, Variance Decompotition, Convergen

I. PENDAHULUAN

Inflasi sebagai salah satu masalah makroekonomi hampir selalu menjadi perhatian banyak kalangan, khususnya dalam pengambilan kebijakan ekonomi. Nopirin (1994) mendefinisikan Inflasi sebagai proses kenaikan harga-harga umum barang-barang secara terus menerus selama periode tertentu. Terdapat beberapa indeks harga yang dapat digunakan untuk mengukur laju inflasi antara lain: Consumer Price Index (CPI), Produsen Price Index/Whosale Price serta TAHUN 4, VOLUME 1, JUNI 2012

21


Deflator GNP (Nopirin,1994). Dari ketiga indeks harga tersebut, indeks harga konsumen (Consumer Price Index) adalah ukuran inflasi yang paling dicermati. Pengukuran inflasi dengan IHK mencerminkan perubahan harga barang dan jasa kebutuhan masyarakat luas. Di Indonesia terdapat dua inflasi yang dihitung oleh Badan Pusat Statistik (BPS) yaitu inflasi perkotaan yang dikenal sebagai inflasi nasional serta inflasi perdesaan. Inflasi nasional berasal dari perubahan Indeks Harga Konsumen (IHK) yang perhitungan tahun dasarnya diperoleh dari hasil Survei Biaya Hidup (SBH) yang mencakup perkembangan harga di daerah perkotaan, seperti halnya SBH pada tahun 2007 mencakup 66 kota di seluruh Indonesia. Sedangkan IHK atau yang lebih dikenal dengan Indeks Konsumsi Rumah Tangga (IKRT) di daerah Perdesaan, perhitungan tahun dasarnya diperoleh dari hasil Survei Sosial Ekonomi Nasional (SUSENAS) yang mencakup 32 Provinsi di seluruh Indonesia. Perhitungan

inflasi

dibentuk

berdasarkan

IHK

pada

sejumlah

komoditas

yang

dikelompokkan secara umum menjadi tujuh kelompok yaitu: kelompok bahan makanan (BAMA1); kelompok makanan jadi, minuman, rokok dan tembakau (MAJADI); kelompok perumahan, air, listrik, dan bahan bakar (PERUM); kelompok sandang (SAND); kelompok kesehatan (KES); kelompok pendidikan, rekreasi, dan olahraga (PENDIDI); kelompok transportasi, komunikasi, dan jasa keuangan (TRANS). Pembentukkan harga suatu komoditas dalam suatu perekonomian dipengaruhi oleh harga komoditas lainnya, karena dalam proses produksi suatu komoditas pola penetapan harganya akan dipengaruhi oleh input-input yang berperan dalam proses produksi output tersebut. Input-input tersebut pada umumnya merupakan output pada kelompok komoditas yang lain, sehingga antar kelompok komoditas pasti mempunyai keterkaitan (linkage). Clements dan Izan (1987, dalam Gaffari 2009) melakukan estimasi pada komoditas pembentuk indeks harga konsumen secara bersamaan untuk melihat bagaimana pola pergerakan dan keterkaitannya. Hasilnya menunjukkan bagaimana fenomena ekonomi yang terjadi dibalik pola keterkaitan antar harga pada berbagai kelompok komoditas pembentuk inflasi. Selama ini inflasi yang sering menjadi perbincangan dalam kaitannya dengan kondisi perekonomian negara adalah inflasi nasional yang mencakup perkembangan harga di daerah perkotaan saja. Hal ini memang wajar karena daerah perkotaan biasanya menjadi pusat kegiatan perekonomian baik itu industri, perdagangan, perhotelan, restoran, dll. Sehingga inflasi perkotaan cenderung dijadikan acuan dalam kondisi perekonomian secara nasional. Akan tetapi, 1

Penyingkatan nama kelompok komoditas pada penelitian ini bertujuan untuk memudahkan penamaan variabel pada analisisnya. 22



inflasi perdesaan juga tidak kalah penting karena inflasi perdesaan ini dapat menggambarkan tingkat kesejahteraan masyarakat perdesaan khususnya para petani. Apalagi tingkat inflasi perdesaan secara persisten lebih tinggi dibandingkan di perkotaan. Selain itu, tingkat kemiskinan perdesaan yang relatif masih lebih tinggi bila dibandingkan dengan perkotaan. Hal ini terlihat dari proporsi orang miskin di daerah perdesaan yang hampir selalu lebih besar dibandingkan dengan di daerah perkotaan dan nasional secara keseluruhan di setiap tahunnya. Hal ini menggambarkan bahwa perubahan harga-harga memberikan tekanan yang lebih besar bagi perekonomian daerah perdesaan dibandingkan di perkotaan. Berdasarkan latar belakang di atas maka penelitian ini bertujuan : 1. Untuk menganalisis perkembangan tingkat inflasi kelompok-kelompok komoditas pembentuk inflasi perdesaan di Indonesia periode Januari 2008-Mei 2012. 2. Untuk melihat apakah terjadi keterkaitan antar harga kelompok-kelompok komoditas pembentuk inflasi perdesaan di Indonesia. 3. Untuk mengkaji pengaruh peningkatan harga pada suatu kelompok komoditas tertentu terhadap pergerakan harga di kelompok komoditas lainnya di daerah perdesaan di Indonesia.

II. METODOLOGI

Data yang digunakan dalam penelitian ini adalah data sekunder berupa indeks harga konsumen (IHK) bulanan pada tujuh kelompok komoditas pembentuk inflasi perdesaan yang bersumber dari BPS. Data yang digunakan adalah series data bulanan Januari 2006 hingga Mei 2012. Analisis yang digunakan adalah analisis deskriptif dan analisis inferensia. Analisis deskriptif digambarkan dengan grafik untuk melihat arah pergerakan inflasi umum serta masingmasing kelompok komoditas pembentuk inflasi perdesaan di Indonesia. Analisis inferensia menggunakan analisis VAR/VECM untuk melihat keterkaitan harga antar kelompok pembentuk inflasi perdesaan di Indonesia. Analisis impuls respon (IRF) digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan (shock) variabel tertentu. IRF juga digunakan untuk melihat guncangan dari satu variabel yang lain dan berapa lama pengaruh tersebut terjadi. IRF dalam penelitian ini dilakukan untuk mengetahui respon dinamik variabel IHK pada masing-masing kelompok. TAHUN 4, VOLUME 1, JUNI 2012

23


III. HASIL DAN PEMBAHASAN

Perkembangan Inflasi Perdesaan di Indonesia Dari awal periode sampai dengan akhir periode (Januari 2006-Mei 2012) tingkat inflasi perdesaan hampir selalu berada diatas tingkat inflasi perkotaan, begitupun dengan tingkat deflasinya (lampiran 1). Hal tersebut dikarenakan inflasi perdesaan sangat dipengaruhi oleh fluktuasi harga kelompok bahan makanan yang cenderung berfluktuatif. Tingkat inflasi perdesaan pada bulan Juni 2008 juga cukup tinggi yaitu sebesar 2,86 persen. Akan tetapi ketika terjadi penurunan harga BBM pada bulan Desember 2008, daerah perdesaan tidak mengalami deflasi, bahkan cenderung mengalami kenaikan inflasi. Tingkat inflasi perdesaan pada bulan tersebut adalah sebesar 0,42 persen (meningkat 0,45 poin dari bulan sebelumnya), dan tingkat inflasi perdesaan pada bulan Januari 2009 adalah sebesar 0,45 persen. Tingkat inflasi perdesaan tertinggi pada periode tersebut adalah pada bulan Januari 2006 yaitu sebesar 3,32 persen. Tingginya tingkat inflasi perdesaan tersebut dikarenakan kenaikan harga disemua kelompok terutama di kelompok bahan makanan yang inflasinya mencapai 7,50 persen.

Perkembangan Inflasi Tujuh Kelompok Komoditas Pembentuk Inflasi Perdesaan di Indonesia Secara umum tingkat inflasi pada masing-masing kelompok cenderung berfluktuatif. Kenaikan harga BBM pada bulan Mei 2008 mengakibatkan inflasi yang cukup tinggi dihampir setiap kelompok komoditas kecuali kelompok pendidikan (PENDIDI). Hal tersebut dikarenakan tingkat inflasi tertinggi pada kelompok PENDIDI terjadi pada bulan dimulainya tahun ajaran baru yaitu sekitar bulan Juli dan Agustus di setiap tahunnya. Kelompok yang mengalami tingkat inflasi tertinggi akibat adanya kenaikan harga BBM adalah kelompok transportasi yaitu sebesar 10,53 persen. Kemudian ketika terjadi penurunan harga BBM pada bulan Desember 2008, kelompok- kelompok komoditas tersebut tetap mengalami inflasi dengan tingkat inflasi yang relatif kecil. Hanya kelompok komoditas TRANS yang mengalami deflasi dengan tingkat deflasi yang cukup tinggi yaitu sebesar 2,16 persen.

Model keterkaitan harga antar kelompok pembentuk inflasi perdesaan Hasil uji stasioneritas menunjukkan bahwa seluruh variabel IHK kelompok komoditas stasioner pada pembedaan pertama (first difference). Hasil uji granger causality menunjukkan 24



bahwa terdapat keterkaitan antar indeks harga pada ketujuh kelompok komoditas ini. Hal ini ditujukan dengan adanya hubungan yang terbentuk, baik itu dua arah maupun satu arah pada taraf uji 5 %. Kemudian didukung dengan model yang terbentuk adalah model analisis VAR/VECM pada lag ke 7 (lampiran 3). Berdasarkan hasil uji kointegrasi (lampiran 2) semua variabel berkointegrasi pada α= 5% maupun 10%, akan tetapi pada penelitian ini difokuskan pada satu persamaan kointegrasi dengan kelompok bahan makanan sebagai variabel yang terkointegrasi. Hasil estimasi model VECM memperlihatkan bahwa variabel bahan makanan signifikan terkointegrasi dengan variabel lain pada taraf uji 10% dengan nilai koefisien sebesar -0,405481. Nilai negatif menandakan bahwa dalam jangka panjang variabel-variabel tersebut akan semakin mendekat (berkointegrasi) dengan nilai speed of adjustment-nya sebesar 40 persen.

a. Respon Variabel Indeks Harga Kelompok Komoditas Bahan Makanan (BAMA) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Kelompok bahan makanan merupakan kelompok komoditas yang paling sering dicermati pergerakan harganya. Gambar 1 menunjukkan pergerakan harga kelompok ini terhadap shock harga pada kelompok komoditas yang lain. Pada bulan pertama ke depan, jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok bahan makanan (BAMA) maka akan mengakibatkan peningkatan harga kelompok BAMA itu sendiri sebesar 0,98 persen. Dampak ini memang cukup besar meski belum terlalu signifikan, akan tetapi pada bulan ke-2, ke-3, ke-4 sampai pada bulan ke-14 dampaknya mulai meningkat diatas 1. Pada periode ke-15 sampai periode ke-24, dampaknya

mulai menurun hingga pergerakannya hampir menuju

kembali pada keseimbangan harga semula. Namun sayangnya pada periode ke-25 responnya meningkat kembali dan dalam jangka waktu panjang pun (50 bulan ke depan), respon BAMA terhadap dirinya sendiri belum sampai pada keseimbangan harga semula. Jadi, apabila terjadi shock yang berasal dari kelompok BAMA itu sendiri misalnya akibat dari pengaruh cuaca, musim, atau gagal panen yang mengakibatkan pasokan BAMA tersendat maka akan terjadi peningkatan harga yang penyesuaian menuju ke harga semula membutuhkan waktu yang cukup lama.


25

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS Res pons e to Choles ky One S.D. Innovations Response of BAM A to BAMA

Response of BAM A to MAJADI

Response of BAMA to PERUM

2

2

2

1

1

1

0

0

0

-1

-1

-1

-2

-2

-2

-3

-3 10

20

30

40

50

60

-3 10

Response of BAM A to SAND

20

30

40

50

60

10

Response of BAMA to KES 2

2

1

1

1

0

0

0

-1

-1

-1

-2

-2

-2

-3

-3 20

30

40

50

60

30

40

50

60

Response of BAM A to PENDIDI

2

10

20

-3 10

20

30

40

50

60

10

20

30

40

50

60

Response of BAM A to T RANS 2

1

0

-1

-2

-3 10

20

30

40

50

60

Gambar 1. Respon variabel indeks harga kelompok komoditas bahan makanan (BAMA) terhadap shock variabel lain dan shock-nya sendiri

Pada awal periode, respon kelompok BAMA terhadap shock yang terjadi pada kelompok MAJADI belum terlihat. Akan tetapi mulai periode ke-4 dan seterusnya repon kelompok BAMA terhadap kelompok ini cenderung negatif. Apabila terjadi shock positif sebesar 1 S.D. pada kelompok MAJADI berdampak pada penurunan harga kelompok BAMA pada triwulan kedua rata-rata sebesar 0,91 persen dan 1,37 persen pada triwulan ketiga, begitupun seterusnya. Meskipun nilai responnya berfluktuatif, akan tetapi selalu berada pada nilai negatif. Hal ini berarti bahwa shock positif pada kelompok MAJADI hampir selalu direspon negatif

oleh

kelompok BAMA (penurunan harga). Hal ini dimungkinkan karena salah satu fungsi kelompok BAMA yaitu sebagai bahan baku bagi kelompok MAJADI. Secara teori permintaan ketika kelompok MAJADI mengalami kenaikan harga, maka permintaan terhadap komoditas ini pun akan menurun. Hal ini tentu akan menurunkan jumlah produksi dari komoditas kelompok MAJADI karena produsen tidak mau rugi. Penurunan jumlah produk komoditas MAJADI yang diproduksi akan berdampak pada penurunan permintaan bahan bakunya yang sebagian besar berasal dari kelompok BAMA. Sehingga kelompok BAMA pun akan mengalami penurunan harga seiring menurunnya permintaan. 26



Sama halnya terhadap kelompok MAJADI, pada awal periode (bulan pertama), kelompok BAMA belum merespon shock yang terjadi pada kelompok PERUM, pada kelompok ini termasuk di dalamnya sub-kelompok bahan bakar. Meski pada periode ke-4 berikutnya responnya terus meningkat, dengan puncaknya pada periode kelima dan keenam berturut-turut sebesar 0,88 persen dan 0,85 persen, akan tetapi menurun kembali sampai responnya negatif dan menuju titik keseimbangan pada periode ke-35 dan ke-36. Dampak kenaikan bahan bakar lebih direspon oleh peningkatan harga pada kelompok BAMA dari kelompok TRANS yang didalamnya masuk sub-kelompok transportasi yang menunjang proses distribusi, di mana kelompok BAMA merespon positif shock tersebut pada periode ke-3 sebesar 0,21 persen. Pada periode berikutnya responnya meningkat dan selalu positif dengan pergerakan yang relatif konstan (tidak terlalu berfluktuatif). Dalam jangka panjang sampai 50 periode, dampak shock dari kelompok TRANS ternyata belum bisa berada pada titik keseimbangan.

b. Respon Variabel Indeks Harga Kelompok Komoditas Makanan Jadi, Minuman, Rokok dan Tembakau (MAJADI) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok bahan makanan (BAMA) maka akan mengakibatkan peningkatan harga kelompok MAJADI sebesar 0,11 persen. Kemudian pada bulan ke-2 dan seterusnya, responnya mulai meningkat meskipun masih relatif berada pada nilai yang tidak terlalu berbeda yaitu sekitar 0,2 persen-an. Hal tersebut wajar, karena bahan makanan merupakan input dalam proses produksi makanan jadi. Sehingga kenaikan harga kelompok bahan makanan (BAMA) akan berimbas pada kenaikan harga kelompok makanan jadi (MAJADI). Pada bulan ke-22 dampaknya mulai menurun menuju pada titik keseimbangan, bahkan sampai menuju respon negatif dan responnya berada dibawah garis keseimbangan dengan nilai yang relatif sangat kecil. Jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok MAJADI maka akan mengakibatkan peningkatan harga pada kelompok MAJADI itu sendiri sebesar 0,36 persen pada bulan pertama. Akan tetapi mulai periode ke-3 dan seterusnya respon kelompok MAJADI terhadap kelompok dirinya sendiri menurun sampai responnya negatif dan sampai periode 50 pun responnya seterusnya berada di bawah titik keseimbangan dan belum bisa convergen2. Respon positif pada awal periode ini menandakan bahwa antar komoditas pada kelompok MAJADI ini beperan sebagai barang substitusi. Ketika salah satu komoditas 2

Convergen = bersifat menuju satu titik pertemuan, bersifat memusat. TAHUN 4, VOLUME 1, JUNI 2012

27


mengalami peningkatan harga, maka permintaan terhadap komoditas tersebut akan menurun dan akan meningkatkan permintaan harga pada komoditas lain yang berperan sebagai barang substitusinya. Sehingga komoditas lain pada kelompok MAJADI ini pun akan meningkat. Sedangkan untuk periode-periode berikutnya, responnya menurun akibat adanya penyesuaianpenyesuaian, seperti penyesuaian yang terjadi ketika kelompok komoditas MAJADI berperan sebagai input untuk proses produksi komoditas MAJADI lainnya ataupun adanya subtitusi dengan kelompok bahan makanan (BAMA). Sama halnya dengan kelompok bahan makanan (BAMA), dampak kenaikan bahan bakar terjadi lebih direspon oleh peningkatan harga pada kelompok MAJADI dari kelompok TRANS yang didalamnya masuk sub-kelompok transportasi yang menunjang proses distribusi dibandingkan dari kelompok PERUM yang didalamnya termasuk komoditas bahan bakar. Meskipun pada awal-awal periode respon terhadap TRANS negatif, akan tetapi pada periode berikutnya responnya meningkat dan selalu positif dengan pergerakan yang relatif konstan (tidak terlalu berfluktuatif). Dalam jangka panjang sampai 50 periode, dampak shock dari kelompok TRANS ternyata belum bisa berada pada titik keseimbangan. Gambar 2 menunjukkan selama 50 periode (bulan) respon kelompok komoditas makanan jadi, minuman, rokok dan tembakau (MAJADI) rata-rata positif terhadap shock variabel IHK kelompok komoditas sandang (SAND), IHK kelompok pendidikan, rekreasi dan olah raga (PENDIDI), serta IHK kelompok transportasi, komunikasi dan jasa keuangan (TRANS). Sedangkan terhadap shock variabel IHK kelompok kesehatan (KES), respon kelompok komoditas makanan jadi (MAJADI) secara rata-rata negatif. Respon MAJADI terhadap shock variabel MAJADI itu sendiri, IHK kelompok bahan makanan (BAMA), serta IHK kelompok kesehatan (KES) pada awal periode direspon positif, akan tetapi pada periode 20-an respon MAJADI terhadap variabel BAMA dan MAJADI itu sendiri menjadi negatif dan seterusnya sampai periode 50-an pun berada pada respon dibawah titik keseimbangan dengan nilai respon yang relatif kecil. Adapun respon kelompok MAJADI terhadap shock pada kelompok perumahan, air, listrik, gas dan bahan bakar (PERUM) cenderung tidak terlalu berfluktuatif dan secara rata-rata bergerak tipis dibawah titik keseimbangan.

28


JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS Res pons e to Cholesky One S.D. Innovations Response of M AJADI to BAM A

Response of M AJADI to M AJADI

Response of M AJADI to PERUM

.6

.6

.6

.4

.4

.4

.2

.2

.2

.0

.0

.0

-.2

-.2

-.2

-.4

-.4

-.4

-.6

-.6 10

20

30

40

50

60

-.6 10

Response of M AJADI to SAND

20

30

40

50

60

10

Response of M AJADI to KES .6

.6

.4

.4

.4

.2

.2

.2

.0

.0

.0

-.2

-.2

-.2

-.4

-.4

-.4

-.6

-.6 20

30

40

50

60

30

40

50

60

Response of M AJADI to PENDIDI

.6

10

20

-.6 10

20

30

40

50

60

10

20

30

40

50

60

Response of M AJADI to T RANS .6 .4 .2 .0 -.2 -.4 -.6 10

20

30

40

50

60

Gambar 2. Respon variabel indeks harga kelompok komoditas makanan jadi, minuman, rokok dan tembakau (MAJADI) terhadap shock variabel lain dan shock-nya sendiri

c. Respon Variabel Indeks Harga Kelompok Komoditas Perumahan, Air, Listrik, Gas dan Bahan bakar (PERUM) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Hasil IRF pada kelompok PERUM jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok BAMA maka akan mengakibatkan peningkatan harga kelompok PERUM sebesar 0,04 persen. Kemudian pada tiga bulan berikutnya, responnya mulai menurun sampai berada pada respon negatif. Pada bulan keenam sampai periode kesepuluh, respon kelompok ini kembali positif. Akan tetapi pada periode kesebelas responnya menurun kembali sampai hampir menuju titik keseimbangan dan terus menurun sampai pada respon yang negatif, bahkan pada periode ke-29 hampir mencapai respon -1 persen yaitu sebesar -0.92 persen. Sampai periode ke50, respon kelompok ini terhadap BAMA belum bisa convergen tetapi bertahan secara permanen pada respon negatif, jauh dibawah titik keseimbangan dengan nilai yang relatif konstan dimulai pada periode ke dua puluh tiga. Pada bulan pertama, respon kelompok PERUM terhadap shock yang terjadi pada kelompok MAJADI relatif masih sangat kecil yaitu hanya sekitar 0,03 persen. Kemudian dimulai periode ketiga sampai periode berikutnya, respon kelompok ini terhadap MAJADI menjadi negatif. TAHUN 4, VOLUME 1, JUNI 2012

29


Respon negatif ini terus berlanjut dengan nilai respon negatif terbesar berada pada periode ke-32 yaitu sebesar -1,67 persen, nilai yang cukup besar. Sehingga berdasarkan kenyataan tersebut, kita dapat menyimpulkan bahwa kelompok PERUM cukup merespon shock yang terjadi pada kelompok MAJADI dengan responnya yang negatif karena sampai periode 50 pun, responnya seterusnya jauh berada di bawah titik keseimbangan. Berdasarkan hasil respon dapat dilihat bahwa respon kelompok PERUM terhadap kenaikan harga yang terjadi pada kelompok bahan makanan (BAMA) dan makanan jadi (MAJADI) mempunyai pola yang sama. Respon positif pada awal periode untuk kelompok PERUM ini hanya berlaku bagi komoditas perumahan, karena harga komoditas-komoditas lainnya sebagian besar diatur oleh pemerintah. Ketika harga pangan mengalami kenaikan, pada umumnya memang diikuti oleh kenaikan komoditas yang lain karena pengeluaran akan meningkat dan biasanya diikuti dengan tuntutan kenaikan upah/ gaji dari pekerja, sehingga akan meningkatkan harga (sesuai dengan teori inflasi desakan biaya). Sedangkan untuk periode-periode selanjutnya, meskipun harga pangan meningkat, akan tetapi masyarakat akan tetap memprioritaskan konsumsi pangan. Secara otomatis proporsi pengeluaran untuk kebutuhan pangan pun meningkat sehingga proporsi dari pendapatan masyarakat untuk kebutuhan yang lain menurun termasuk komoditas perumahan ini. Hal ini akan mengakibatkan menurunnya permintaan terhadap komoditas perumahan, seiring dengan penurunan permintaan maka harganya pun menyesuaikan (mengalami penurunan). Dampak shock yang terjadi pada kelompok komoditas PERUM terhadap kelompok PERUM itu sendiri dari awal periode sampai akhir selalu berada pada respon positif. Pada bulan pertama ke depan, jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok PERUM maka akan mengakibatkan peningkatan harga kelompok PERUM itu sendiri sebesar 0,28 persen. Respon positif ini terus berlanjut dan meningkat sampai puncaknya pada periode ke-7 dengan nilai respon sebesar 0,88 persen. Pada periode-periode selanjutnya, respon kelompok ini terhadap dirinya sendiri relatif konstan dan sampai akhir periode belum bisa mendekati titik keseimbangan. Kemudian respon kelompok PERUM terhadap shock yang terjadi pada kelompok TRANS adalah selalu positif dari periode ke-4 sampai periode ke-50 dengan rata-rata nilai responnya adalah 0,4 persen.

30


JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS Response to Cholesky One S.D. Innovations Response of PERUM to BAM A

Response of PERUM to M AJADI

Response of PERUM to PERUM

1.0

1.0

1.0

0.5

0.5

0.5

0.0

0.0

0.0

-0.5

-0.5

-0.5

-1.0

-1.0

-1.0

-1.5

-1.5

-2.0

-1.5

-2.0 10

20

30

40

50

60

-2.0 10

Response of PERUM to SAND

20

30

40

50

60

10

Response of PERUM to KES

1.0

1.0

1.0

0.5

0.5

0.5

0.0

0.0

0.0

-0.5

-0.5

-0.5

-1.0

-1.0

-1.0

-1.5

-1.5

-2.0 20

30

40

50

60

30

40

50

60

-1.5

-2.0 10

20

Response of PERUM to PENDIDI

-2.0 10

20

30

40

50

60

10

20

30

40

50

60

Response of PERUM to T RANS 1.0 0.5 0.0 -0.5 -1.0 -1.5 -2.0 10

20

30

40

50

60

Gambar 3. Respon variabel indeks harga kelompok komoditas perumahan, air, listrik, gas dan bahan bakar (PERUM) terhadap shock variabel lain dan shock-nya sendiri

Gambar 3 menunjukkan bahwa selama 50 periode (bulan) respon kelompok komoditas perumahan, air, listrik, gas dan bahan bakar (PERUM) rata-rata positif terhadap shock variabel IHK kelompok pendidikan, rekreasi dan olah raga (PENDIDI). Sedangkan terhadap shock variabel IHK kelompok komoditas kesehatan (KES), respon kelompok komoditas PERUM ini secara rata-rata negatif meskipun pada awal periode merespon positif. Adapun respon PERUM terhadap shock variabel kelompok sandang (SAND) cenderung tidak terlalu berfluktuatif dan secara rata-rata bergerak tipis dibawah titik keseimbangan.

d. Respon Variabel Indeks Harga Kelompok Komoditas Sandang (SAND) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Gambar 4 menunjukkan selama 50 periode (bulan) respon kelompok komoditas sandang (SAND) rata-rata positif terhadap shock variabel indeks harga kelompok pendidikan, rekreasi dan olah raga (PENDIDI. Sedangkan terhadap shock variabel IHK kelompok kesehatan (KES) pada awal periode direspon positif, akan tetapi pada periode 20-an respon SAND terhadap variabel tersebut menjadi negatif dan seterusnya sampai periode 50-an pun berada pada respon dibawah titik keseimbangan.


31

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS Response to Cholesky One S.D. Innovations Response of SAND to BAM A

Response of SAND to M AJADI

Response of SAND to PERUM

0.8

0.8

0.8

0.4

0.4

0.4

0.0

0.0

0.0

-0.4

-0.4

-0.4

-0.8

-0.8

-0.8

-1.2

-1.2 10

20

30

40

50

60

-1.2 10

Response of SAND to SAND

20

30

40

50

60

10

Response of SAND to KES 0.8

0.8

0.4

0.4

0.4

0.0

0.0

0.0

-0.4

-0.4

-0.4

-0.8

-0.8

-0.8

-1.2

-1.2 20

30

40

50

60

30

40

50

60

Response of SAND to PENDIDI

0.8

10

20

-1.2 10

20

30

40

50

60

10

20

30

40

50

60

Response of SAND to T RANS 0.8 0.4

0.0 -0.4

-0.8

-1.2 10

20

30

40

50

60

Gambar 4. Respon variabel indeks harga kelompok komoditas sandang (SAND) terhadap shock variabel lain dan shock-nya sendiri

Hasil IRF menunjukkan bahwa pada bulan pertama ke depan, jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok bahan makanan (BAMA) maka akan mengakibatkan peningkatan harga kelompok sandang (SAND) sebesar 0,05 persen. Kemudian pada bulan ke-2 dan seterusnya, responnya mulai meningkat meskipun masih relatif berada pada nilai yang tidak terlalu berbeda yaitu rata-rata sekitar 0,2 persen-an. Pada bulan ke-16 dampaknya mulai menurun menuju pada titik keseimbangan, akan tetapi pada periode berikutnya responnya menjadi negatif dan seterusnya responnya berada dibawah garis keseimbangan. Apabila kita melihat fenomena yang ada, respon positif pada awal periode dari kelompok SAND terhadap BAMA terjadi dikarenakan pada umumnya kenaikan harga pada komoditas bahan makanan akan memicu kenaikan harga-harga di komoditas-komoditas kelompok lain. Akan tetapi itu hanya berlaku pada beberapa periode awal saja, untuk periode selanjutnya kenaikan kelompok BAMA direspon negatif dikarenakan pengeluaran masyarakat akan lebih banyak dipergunakan untuk konsumsi makanan (memprioritaskan pangan) sehingga permintaan untuk komoditas SAND pun menurun. Penurunan permintaan ini akan memicu penurunan harga komoditas dari kelompok SAND tersebut. 32



Hampir sama responnya terhadap kelompok BAMA, pada awal periode kelompok sandang (SAND) ini merespon positif kelompok MAJADI. Akan tetapi mulai periode ke-4 dan seterusnya respon kelompok SAND terhadap kelompok MAJADI menjadi negatif. Hal ini terus berlanjut sampai hampir mencapai lebih dari 1 persen, respon negatif terbesar berada pada periode ke-34 yaitu sebesar –1,1 persen. Berdasarkan kenyataan tersebut, kita dapat menyimpulkan bahwa kelompok SAND cukup merespon shock yang terjadi pada kelompok MAJADI dengan responnya yang negatif karena sampai periode 50 pun responnya seterusnya jauh berada dibawah titik keseimbangan dan tidak sama sekali mendekati convergen (responnya bersifat permanen). Pada awal periode sampai periode ke-50, kelompok SAND selalu merespon positif shock yang terjadi pada kelompok PERUM. Nilai responya pun cenderung tidak terlalu berfluktuatif dengan rata-rata berada pada kisaran 0,40 persen sampai 0,50 persen. Respon positif ini terus berlanjut sampai periode ke-50 pun respon kelompok ini terhadap kelompok PERUM belum bisa convergen melainkan secara permanen berada diatas pada titik keseimbangan. Berbeda halnya dengan kelompok sebelumnya, ternyata dampak kenaikan bahan bakar terjadi lebih direspon oleh peningkatan harga pada kelompok SAND dari kelompok PERUM bila dibandingkan dengan kelompok TRANS. Pada periode pertama belum ada respon dari kelompok SAND terhadap kelompok TRANS. Pada periode kedua responnya negatif yaitu sebesar -0,07 persen. Akan tetapi pada periode berikutnya, responnya meningkat dan sampai pada akhir periode selalu berada pada nilai respon positif dengan rata-rata responnya sekitar 0,20 persen-an. Sama halnya dengan kelompok yang lain, dalam jangka panjang sampai 50 periode, dampak shock dari kelompok TRANS ternyata belum bisa berada pada titik keseimbangan dengan respon yang relatif konstan dan permanen.

e. Respon Variabel Indeks Harga Kelompok Komoditas Kesehatan (KES) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Jika terjadi shock positif sebesar satu standar deviasi (1 S.D.) pada harga kelompok bahan makanan (BAMA) maka akan mengakibatkan peningkatan standar deviasi pada harga kelompok kesehatan (KES) sebesar 0,11 persen. Kemudian pada periode kedua sampai periode keenam, responnya mulai meningkat.


33


Pada periode ke-8 dampaknya mulai menurun menuju pada titik keseimbangan, akan tetapi pada periode berikutnya responnya menjadi negatif dan seterusnya responnya berada dibawah garis keseimbangan. Hal yang sangat menarik pada respon dari kelompok kesehatan ini yaitu nilai responnya terhadap shock yang terjadi pada kelompok komoditas makanan jadi, minuman, rokok dan tembakau (MAJADI) yang selalu berada pada respon negatif dari periode pertama sampai periode ke lima puluh. Bahkan respon negatif itu terus-terusan meningkat dengan bertambahnya periode sampai mencapai lebih dari -1 persen. Kita dapat menyimpulkan bahwa kelompok kesehatan (KES) sangat merespon shock yang terjadi pada kelompok MAJADI dengan responnya yang negatif karena sampai periode 50 pun responnya seterusnya jauh berada dibawah titik keseimbangan dan tidak sama sekali mendekati convergen (responnya bersifat permanen). Hal ini menandakan bahwa masyarakat perdesaan lebih memprioritaskan konsumsi pangan baik itu bahan makanan maupun makanan jadi. Sama halnya dengan kelompok sandang (SAND), kelompok kesehatan (KES) lebih merespon shock yang terjadi pada kelompok PERUM dibandingkan dengan kelompok TRANS meskipun jika dilihat secara rata-ratanya hampir sama dan sampai periode ke lima puluh belum bisa convergen. Response to Cholesky One S.D. Innovations Response of KES to BAM A

Response of KES to M AJADI

Response of KES to PERUM

0.8

0.8

0.8

0.4

0.4

0.4

0.0

0.0

0.0

-0.4

-0.4

-0.4

-0.8

-0.8

-0.8

-1.2

-1.2 10

20

30

40

50

60

-1.2 10

Response of KES to SAND

20

30

40

50

60

10

Response of KES to KES

0.8

0.8

0.8

0.4

0.4

0.4

0.0

0.0

0.0

-0.4

-0.4

-0.4

-0.8

-0.8

-0.8

-1.2

-1.2 10

20

30

40

50

60

20

30

40

50

60

Response of KES to PENDIDI

-1.2 10

20

30

40

50

60

10

20

30

40

50

60

Response of KES to T RANS 0.8 0.4

0.0 -0.4

-0.8

-1.2 10

20

30

40

50

60

Gambar 5. Respon variabel indeks harga kelompok komoditas kesehatan (KES) terhadap shock variabel lain dan shock-nya sendiri

34



Selama 50 periode (bulan) respon kelompok komoditas kesehatan (KES) rata-rata positif terhadap shock variabel indeks harga kelompok sandang (SAND), serta IHK kelompok pendidikan, rekreasi dan olah raga (PENDIDI). Sedangkan terhadap shock variabel IHK kelompok kesehatan (KES) itu sendiri pada awal periode direspon positif, akan tetapi pada periode (bulan) 7 sampai 10-an respon KES terhadap dirinya sendiri menjadi negatif dan seterusnya sampai periode ke-50 berada pada respon dibawah titik keseimbangan (gambar 5).

f. Respon Variabel Indeks Harga Kelompok Komoditas Pendidikan, Rekreasi dan Olah Raga (PENDIDI) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Selama 50 periode (bulan) respon kelompok komoditas pendidikan, rekreasi dan olah raga (PENDIDI) rata-rata positif terhadap shock variabel indeks harga kelompok komoditas sandang (SAND), serta IHK kelompok pendidikan, rekreasi dan olah raga (PENDIDI) itu sendiri (gambar 6). Sedangkan terhadap shock variabel IHK kelompok kesehatan (KES), respon kelompok PENDIDI selalu negatif. Adapun respon PENDIDI terhadap shock variabel IHK kelompok bahan makanan (BAMA) dan IHK kelompok makanan jadi, minuman, rokok dan tembakau (MAJADI) pada awal periode direspon positif, akan tetapi pada kurang dari periode kesepuluh respon PENDIDI terhadap variabel BAMA dan MAJADI menjadi negatif dan seterusnya sampai periode 50-an pun berada pada respon dibawah titik keseimbangan. Pada awal periode (bulan pertama), kelompok PENDIDI merespon shock yang terjadi pada kelompok PERUM sebesar -0,14 persen, nilai yang relatif kecil. Respon negatif ini bertahan sampai akhir periode ke lima puluh dengan nilai yang tidak berfluktuatif. Meskipun pada periode ketiga dan keempat sempat berada pada respon yang positif, tetapi untuk periode-periode selanjutnya respon kelompok PENDIDI ini terhadap shock harga kelompok PERUM persisten berada tipis dibawah titik keseimbangan. Sama halnya terhadap kelompok PERUM, respon kelompok PENDIDI ini terhadap shock harga kelompok TRANS tidak terlalu berfluktuatif dengan nilai respon yang relatif kecil yaitu sekitar 0,1 persen. Yang berbeda adalah respon kelompok PENDIDI ini terhadap respon TRANS adalah positif, sampai akhir periode bergerak tipis di atas titik keseimbangan.


35

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS Res pons e to Cholesky One S.D. Innovations Response of PENDIDI to BAM A

Response of PENDIDI to M AJADI

Response of PENDIDI to PERUM

.8

.8

.8

.4

.4

.4

.0

.0

.0

-.4

-.4

-.4

-.8

-.8 10

20

30

40

50

60

-.8 10

Response of PENDIDI to SAND

20

30

40

50

60

10

Response of PENDIDI to KES .8

.8

.4

.4

.4

.0

.0

.0

-.4

-.4

-.4

-.8 10

20

30

40

50

60

30

40

50

60

Response of PENDIDI to PENDIDI

.8

-.8

20

-.8 10

20

30

40

50

60

10

20

30

40

50

60

Response of PENDIDI to T RANS .8

.4

.0

-.4

-.8 10

20

30

40

50

60

Gambar 6. Respon variabel indeks harga kelompok komoditas pendidikan, rekreasi dan olah raga (PENDIDI) terhadap shock variabel lain dan shock-nya sendiri

g. Respon Variabel Indeks Harga Kelompok Komoditas Transportasi, Komunikasi dan Jasa Keuangan (TRANS) Terhadap Shock Variabel Lain dan Shock-nya Sendiri Gambar 7 menunjukkan selama 50 periode (bulan) respon kelompok komoditas transportasi, komunikasi dan jasa keuangan (TRANS) rata-rata positif terhadap shock variabel indeks harga kelompok komoditas perumahan, air, listrik, gas dan bahan bakar (PERUM), IHK kelompok pendidikan, rekreasi dan olah raga (PENDIDI), serta IHK kelompok transportasi, komunikasi dan jasa keuangan (TRANS). Sedangkan terhadap shock variabel IHK kelompok bahan makanan (BAMA), IHK kelompok makanan jadi, minuman, rokok dan tembakau (MAJADI), serta IHK kelompok sandang (SAND), respon kelompok TRANS secara rata-rata negatif. Adapun respon TRANS terhadap IHK kelompok kesehatan (KES) pada awal periode direspon positif, akan tetapi pada periode (bulan) 10-an sampai 20-an respon TRANS terhadap variabel tersebut menjadi negatif. Pada periode 22 sampai 30-an, IRF dari kelompok TRANS terhadap kelompok KES berada pada titik keseimbangan (convergen). Namun pada periode 30-an sampai periode 50, respon TRANS

36



kembali positif dan seterusnya berada pada kondisi diatas titik keseimbangan dengan nilai yang relatif sangat kecil dan konstan. Res pons e to Choles ky One S.D. Innovations Response of T RANS to BAMA

Response of T RANS to M AJADI

Response of T RANS to PERUM

2

2

2

1

1

1

0

0

0

-1

-1

-1

-2

-2

-2

-3

-3 10

20

30

40

50

60

-3 10

Response of T RANS to SAND

20

30

40

50

60

10

Response of T RANS to KES

2

2

2

1

1

1

0

0

0

-1

-1

-1

-2

-2

-2

-3

-3 10

20

30

40

50

60

20

30

40

50

60

Response of T RANS to PENDIDI

-3 10

20

30

40

50

60

10

20

30

40

50

60

Response of T RANS to T RANS 2

1

0

-1

-2

-3 10

20

30

40

50

60

Gambar 7. Respon variabel indeks harga kelompok komoditas transportasi, komunikasi dan jasa keuangan (TRANS) terhadap shock variabel lain dan shock-nya sendiri

Dari mulai awal periode sampai akhir periode (selama 50 periode), respon kelompok TRANS terhadap shock yang terjadi pada kelompok MAJADI selalu negatif, bahkan dengan nilai respon yang relatif besar yaitu berkisar antara -0,10 persen sampai -2,39 persen. Pada awal periode, apabila terjadi shock positif sebesar 1 S.D. pada kelompok MAJADI berdampak pada penurunan harga kelompok TRANS sebesar 0,10 persen dan pada periode berikutnya respon negatif ini semakin besar serta berada jauh dibawah titik keseimbangan. Jika dilihat dari nilai IRF kelompok TRANS terhadap seluruh kelompok yang ada, yang menyebabkan peningkatan harga tertinggi pada harga kelompok TRANS adalah kelompok perumahan, air, listrik, dan bahan bakar (PERUM) kemudian variabel TRANS itu sendiri. Hal ini menunjukkan pengaruh harga kelompok PERUM terutama dari sub-kelompok bahan bakar sangat besar pada harga kelompok TRANS yaitu memberikan shock dengan kisaran lebih dari 1 persen berlangsung hingga periode ke-12. Untuk periode berikutnya, nilai respon kelompok ini terhadap PERUM berfluktuatif disekitar nilai respon 0,6 persen. Meskipun sempat merespon TAHUN 4, VOLUME 1, JUNI 2012

37


negatif pada periode ke-19 dan ke-20, akan tetapi secara umum responnya permanen positif sampai periode ke-50 (belum bisa convergen). Begitupula responya terhadap kelompok TRANS itu sendiri. Meskipun nilai responnya tidak sebesar respon terhadap shock yang terjadi pada kelompok PERUM, akan tetapi respon variabel TRANS terhadap dirinya selalu berada diatas keseimbangan sampai akhir periode.

IV. KESIMPULAN DAN SARAN

Secara umum tingkat inflasi masing-masing kelompok komoditas berfluktuatif dengan tingkat inflasi tertinggi pada saat terjadi kenaikan harga bahan bakar minyak (BBM). Terdapat keterkaitan harga antar kelompok komoditas pembentuk inflasi perdesaan. Secara umum pengaruh peningkatan harga pada suatu kelompok komoditas tertentu terhadap pergerakan harga di kelompok komoditas lainnya bersifat permanen (belum bisa mencapai convergen) atau dengan kata lain pengaruhnya masih terasa sampai jangka waktu yang relatif panjang. Beberapa saran yang dapat diberikan adalah adanya pengendalian inflasi perdesaan di Indonesia tidak cukup hanya melakukan pengendalian secara parsial yang fokus pada kelompok komoditas tertentu yang dianggap memberikan kontribusi besar dalam pembentuk inflasi perdesaan. Hal ini karena sifat keterkaitan yang dimiliki antar harga kelompok komoditas pembentuk inflasi yang memiliki kontribusi pada peningkatan harga di kelompok komoditas lainnya. Upaya pengendalian inflasi perdesaan terutama pada pengendalian harga kelompok bahan makanan dengan bobot pembentuk inflasi tertinggi memerlukan kebijakan yang sifatnya struktural, serta perlu dukungan infrastruktur yang memperlancar transportasi dan distribusi barang. Kebijakan pemerintah dalam penetapan harga komoditas administered price, sebaiknya dilakukan peningkatan harganya secara bertahap dengan mempertimbangkan dampak yang terjadi pada harga di kelompok-kelompok lainnya.

38



DAFTAR PUSTAKA

Badan Pusat Statistik. 2008. Berita Resmi Statistik, Perkembangan Indeks Harga Konsumen/ Inflasi bulan April-Juni2008. Jakarta : BPS. Badan Pusat Statistik. 2008. Berita Resmi Statistik, Perkembangan Indeks Harga Konsumen/ Inflasi bulan April-Juni2008. Jakarta : BPS. Badan Pusat Statistik. 2008. Berita Resmi Statistik, Perkembangan Nilai Tukar Petani, Harga Produsen Gabah dan Upah Buruh bulan Juni-Agustus 2008. Jakarta : BPS. Nopirin, Ph.D. 1994. Pengantar Ilmu Ekonomi Makro dan Mikro (Edisi Pertama). Yogyakarta : BPFE. Ramadhan, Gaffari. 2009. Analisis Keterkaitan Harga Antar Kelompok Komoditas Pembentuk Inflasi di Sumatera Barat. Buletin Ekonomi Moneter dan Perbankan, Bank Indonesia Working Paper, Volume 11, Nomor 3, Januari 2009.


39


Lampiran Lampiran 1. Perkembangan Inflasi nasional (Perkotaan) dan Perdesaan di Indonesia

Sumber : Badan Pusat Statistik

Gambar 1. Inflasi nasional (Perkotaan) dan Perdesaan di Indonesia periode Januari 2006-Mei 2012 Lampiran 2. Cointegration test Sample (adjusted): 2006M09 2012M05 Included observations: 69 after adjustments Tren assumption: Quadratic deterministic tren Series: BAMA MAJADI PERUM SAND KES PENDIDI TRANS Lags interval (in first differences): 1 to 7

Unrestricted Cointegration Rank Test (Trace) Hypothesized

40

Trace

0.05

No. of CE(s)

Eigenvalue

Statistic

Critical Value

Prob.**

None *

0.993844

849.3661

139.2753

0.0001

At most 1 *

0.871022

498.1389

107.3466

0.0001

At most 2 *

0.798538

356.8192

79.34145

0.0000

At most 3 *

0.768517

246.2704

55.24578

0.0001

At most 4 *

0.714113

145.3061

35.01090

0.0000

At most 5 *

0.573595

58.90717

18.39771

0.0000

At most 6

0.001360

0.093905

3.841466

0.7593



Trace test indicates 6 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized

Max-Eigen

0.05

No. of CE(s)

Eigenvalue

Statistic

Critical Value

Prob.**

None *

0.993844

351.2273

49.58633

0.0001

At most 1 *

0.871022

141.3196

43.41977

0.0000

At most 2 *

0.798538

110.5488

37.16359

0.0000

At most 3 *

0.768517

100.9643

30.81507

0.0000

At most 4 *

0.714113

86.39896

24.25202

0.0000

At most 5 *

0.573595

58.81326

17.14769

0.0000

At most 6

0.001360

0.093905

3.841466

0.7593

Max-eigenvalue test indicates 6 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values

Sample (adjusted): 2006M09 2012M05 Included observations: 69 after adjustments Tren assumption: Quadratic deterministic tren Series: BAMA MAJADI PERUM SAND KES PENDIDI TRANS Lags interval (in first differences): 1 to 7

Unrestricted Cointegration Rank Test (Trace) Hypothesized

Trace

0.1

No. of CE(s)

Eigenvalue

Statistic

Critical Value

Prob.**

None *

0.993844

849.3661

133.7853

0.0001

At most 1 *

0.871022

498.1389

102.4665

0.0001

At most 2 *

0.798538

356.8192

75.10191

0.0000

At most 3 *

0.768517

246.2704

51.64971

0.0001

At most 4 *

0.714113

145.3061

32.06455

0.0000

At most 5 *

0.573595

58.90717

16.16088

0.0000

At most 6

0.001360

0.093905

2.705545

0.7593

Trace test indicates 6 cointegrating eqn(s) at the 0.1 level * denotes rejection of the hypothesis at the 0.1 level **MacKinnon-Haug-Michelis (1999) p-values


41


Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized

Max-Eigen

0.1

No. of CE(s)

Eigenvalue

Statistic

Critical Value

Prob.**

None *

0.993844

351.2273

46.55805

0.0001

At most 1 *

0.871022

141.3196

40.52412

0.0000

At most 2 *

0.798538

110.5488

34.42014

0.0000

At most 3 *

0.768517

100.9643

28.24065

0.0000

At most 4 *

0.714113

86.39896

21.87330

0.0000

At most 5 *

0.573595

58.81326

15.00128

0.0000

At most 6

0.001360

0.093905

2.705545

0.7593

Max-eigenvalue test indicates 6 cointegrating eqn(s) at the 0.1 level * denotes rejection of the hypothesis at the 0.1 level **MacKinnon-Haug-Michelis (1999) p-values

Lampiran 3. Model VECM Vector Error Correction Estimates

Sample (adjusted): 2006M09 2012M05 Included observations: 69 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

BAMA(-1)

1.000000

MAJADI(-1)

-2.302859 -0.056140 [-41.0222]

PERUM(-1)

8.183528 -0.228540 [ 35.8080]

SAND(-1)

-1.715873 -0.131350 [-13.0631]

KES(-1)

-8.311560 -0.204840 [-40.5750]

PENDIDI(-1)

1.257667 -0.043940 [ 28.6247]

42


JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS TRANS(-1)

-2.287865 -0.052610 [-43.4853]

C

413.9827

Error Correction:

D(BAMA)

D(MAJADI)

CointEq1

-0.405481 -0.213870 [-1.89588]

D(BAMA(-1))

D(BAMA(-2))

D(BAMA(-3))

D(BAMA(-4))

D(BAMA(-5))

D(BAMA(-6))

D(BAMA(-7))

D(MAJADI(-1))

D(MAJADI(-2))

D(MAJADI(-3))

D(MAJADI(-4))

D(MAJADI(-5))

D(PERUM)

D(SAND)

D(KES)

D(PENDIDI)

D(TRANS)

-0.075585

0.090052

-0.213051

-0.082870

-0.061640

-0.083870

0.118556

0.144608

-0.114083

-0.043130

-0.078890

[-0.91212]

[ 1.46088]

[-2.54019]

[ 2.74892]

-0.180170

[ 1.83297]

[-0.63318]

0.708096

0.115641

-0.142987

0.255852

-0.034605

0.013777

0.073474

-0.322470

-0.124940

-0.092940

-0.126460

-0.065030

-0.118950

-0.271660

[ 2.19583]

[ 0.92554]

[-1.53844]

[ 2.02319]

[-0.53216]

[ 0.11582]

[ 0.27046]

0.337653

0.015278

-0.151139

0.292531

-0.072997

-0.156222

0.060153

-0.394640

-0.152910

-0.113740

-0.154760

-0.079580

-0.145570

-0.332460

[ 0.85559]

[ 0.09991]

[-1.32876]

[ 1.89020]

[-0.91727]

[-1.07315]

[ 0.18093]

0.369176

0.216133

0.031284

0.229298

0.020378

-0.003175

0.049775

-0.391300

-0.151610

-0.112780

-0.153450

-0.078910

-0.144340

-0.329640

[ 0.94346]

[ 1.42557]

[ 0.27739]

[ 1.49427]

[ 0.25826]

[-0.02200]

[ 0.15100]

-0.615971

-0.201172

-0.060628

-0.097337

-0.044741

-0.187867

-0.176203

-0.303340

-0.117530

-0.087430

-0.118960

-0.061170

-0.111890

-0.255540

[-2.03063]

[-1.71166]

[-0.69346]

[-0.81826]

[-0.73142]

[-1.67898]

[-0.68953]

0.266090

0.027041

0.053491

0.194951

-0.001997

0.247519

0.305781

-0.288590

-0.111820

-0.083180

-0.113170

-0.058190

-0.106450

-0.243120

[ 0.92204]

[ 0.24183]

[ 0.64309]

[ 1.72261]

[-0.03431]

[ 2.32515]

[ 1.25776]

0.384936

0.133800

-0.078068

0.008321

-0.005975

-0.040962

-0.239744

-0.284790

-0.110340

-0.082080

-0.111680

-0.057430

-0.105050

-0.239910

[ 1.35167]

[ 1.21259]

[-0.95111]

[ 0.07451]

[-0.10405]

[-0.38993]

[-0.99930]

-0.084579

0.017748

0.041055

0.126478

-0.023071

-0.098737

0.374494

-0.237280

-0.091940

-0.068390

-0.093050

-0.047850

-0.087530

-0.199890

[-0.35645]

[ 0.19304]

[ 0.60031]

[ 1.35922]

[-0.48217]

[-1.12808]

[ 1.87346]

-0.063194

0.165786

0.092291

-0.632277

0.032236

0.060230

-0.627341

-0.740280

-0.286830

-0.213360

-0.290300

-0.149280

-0.273070

-0.623630

[-0.08537]

[ 0.57800]

[ 0.43255]

[-2.17798]

[ 0.21594]

[ 0.22057]

[-1.00595]

-1.884623

-0.360949

-0.074127

-0.648103

-0.078564

0.160862

-0.283771

-0.826990

-0.320420

-0.238350

-0.324310

-0.166760

-0.305050

-0.696680

[-2.27890]

[-1.12648]

[-0.31100]

[-1.99841]

[-0.47111]

[ 0.52732]

[-0.40732]

-0.625750

0.035715

-0.131767

0.260039

0.013123

-0.113391

0.979038

-0.657530

-0.254760

-0.189510

-0.257850

-0.132590

-0.242540

-0.553920

[-0.95167]

[ 0.14019]

[-0.69530]

[ 1.00848]

[ 0.09897]

[-0.46751]

[ 1.76747]

1.081849

0.321996

-0.343035

0.146472

0.128765

0.419790

-0.706884

-0.944940

-0.366120

-0.272350

-0.370560

-0.190550

-0.348560

-0.796040

[ 1.14489]

[ 0.87947]

[-1.25954]

[ 0.39527]

[ 0.67576]

[ 1.20435]

[-0.88800]

-0.767878

-0.629247

-0.346429

-0.396675

0.053780

-0.131842

-1.006087

-0.910890

-0.352930

-0.262530

-0.357210

-0.183680

-0.336000

-0.767360

[-0.84300]

[-1.78293]

[-1.31956]

[-1.11048]

[ 0.29279]

[-0.39239]

[-1.31111]


43

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS D(MAJADI(-6))

D(MAJADI(-7))

D(PERUM(-1))

D(PERUM(-2))

D(PERUM(-3))

D(PERUM(-4))

D(PERUM(-5))

D(PERUM(-6))

D(PERUM(-7))

D(SAND(-1))

D(SAND(-2))

D(SAND(-3))

D(SAND(-4))

D(SAND(-5))

44

-0.596266

-0.173141

0.261255

-0.059045

0.291144

0.326722

-0.603891

-0.701330

-0.271740

-0.202140

-0.275030

-0.141430

-0.258700

-0.590820

[-0.85019]

[-0.63717]

[ 1.29247]

[-0.21468]

[ 2.05864]

[ 1.26293]

[-1.02212]

-1.274498

-0.214860

0.176130

-0.183299

0.197299

0.599435

-0.253414

-0.854110

-0.330930

-0.246170

-0.334950

-0.172230

-0.315060

-0.719530

[-1.49219]

[-0.64926]

[ 0.71548]

[-0.54725]

[ 1.14553]

[ 1.90262]

[-0.35219]

3.654104

1.643526

-0.666092

3.721400

-0.499498

-1.281264

2.933060

-3.170220

-1.228320

-0.913720

-1.243220

-0.639280

-1.169410

-2.670690

[ 1.15263]

[ 1.33802]

[-0.72899]

[ 2.99335]

[-0.78134]

[-1.09565]

[ 1.09824]

2.197023

0.124193

-1.449895

1.201104

-0.636371

-0.318502

-1.632045

-2.758290

-1.068720

-0.794990

-1.081680

-0.556220

-1.017460

-2.323670

[ 0.79652]

[ 0.11621]

[-1.82379]

[ 1.11040]

[-1.14410]

[-0.31304]

[-0.70236]

1.028807

-0.543659

-0.746988

1.209301

-0.222762

-0.608701

-0.486386

-2.164690

-0.838720

-0.623900

-0.848900

-0.436520

-0.798490

-1.823600

[ 0.47527]

[-0.64820]

[-1.19728]

[ 1.42456]

[-0.51032]

[-0.76231]

[-0.26672]

1.342843

0.772845

-0.157715

1.713105

-0.172363

0.242339

0.879877

-1.682170

-0.651770

-0.484830

-0.659670

-0.339210

-0.620510

-1.417110

[ 0.79828]

[ 1.18577]

[-0.32530]

[ 2.59690]

[-0.50813]

[ 0.39055]

[ 0.62090]

1.266088

0.497484

-0.805503

0.668169

-0.337804

-0.392837

-0.143769

-1.085990

-0.420780

-0.313000

-0.425880

-0.218990

-0.400590

-0.914870

[ 1.16583]

[ 1.18230]

[-2.57346]

[ 1.56892]

[-1.54253]

[-0.98064]

[-0.15715]

0.837449

0.294197

-0.205312

1.060692

-0.379905

-0.345757

1.320415

-1.438030

-0.557170

-0.414470

-0.563930

-0.289980

-0.530450

-1.211440

[ 0.58236]

[ 0.52802]

[-0.49536]

[ 1.88089]

[-1.31010]

[-0.65182]

[ 1.08996]

0.396942

-0.201092

-0.297159

0.183384

0.010782

0.335371

-0.913961

-0.960440

-0.372130

-0.276820

-0.376640

-0.193680

-0.354280

-0.809100

[ 0.41329]

[-0.54038]

[-1.07349]

[ 0.48689]

[ 0.05567]

[ 0.94662]

[-1.12960]

-2.230558

-0.527089

0.532718

-0.709461

0.283845

0.652582

-0.957912

-1.247770

-0.483460

-0.359630

-0.489320

-0.251620

-0.460270

-1.051160

[-1.78763]

[-1.09025]

[ 1.48129]

[-1.44989]

[ 1.12809]

[ 1.41783]

[-0.91129]

0.178369

-0.139983

0.355939

-0.824034

0.417555

0.647317

0.032679

-1.024310

-0.396870

-0.295220

-0.401690

-0.206550

-0.377840

-0.862910

[ 0.17414]

[-0.35271]

[ 1.20566]

[-2.05143]

[ 2.02153]

[ 1.71321]

[ 0.03787]

-0.984693

0.018319

0.233046

-0.552221

0.147092

-0.224395

-0.216042

-0.989250

-0.383290

-0.285120

-0.387940

-0.199480

-0.364910

-0.833370

[-0.99539]

[ 0.04779]

[ 0.81736]

[-1.42347]

[ 0.73736]

[-0.61494]

[-0.25924]

-0.785601

0.040129

0.203619

-0.866951

0.124867

0.017063

-0.572742

-0.760090

-0.294500

-0.219070

-0.298070

-0.153270

-0.280380

-0.640320

[-1.03357]

[ 0.13626]

[ 0.92946]

[-2.90852]

[ 0.81466]

[ 0.06086]

[-0.89446]

-2.183154

-0.872718

0.109831

-0.696601

0.218143

0.184345

-0.526548

-1.044660

-0.404760

-0.301090

-0.409670

-0.210660

-0.385350

-0.880050

[-2.08983]

[-2.15614]

[ 0.36478]

[-1.70040]

[ 1.03553]

[ 0.47839]

[-0.59832]


JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS D(SAND(-6))

D(SAND(-7))

D(KES(-1))

D(KES(-2))

D(KES(-3))

D(KES(-4))

D(KES(-5))

D(KES(-6))

D(KES(-7))

D(PENDIDI(-1))

D(PENDIDI(-2))

D(PENDIDI(-3))

D(PENDIDI(-4))

D(PENDIDI(-5))

D(PENDIDI(-6))

0.096413

0.231800

0.164891

-0.005917

0.212381

0.560601

-0.464594

-0.677440

-0.262480

-0.195250

-0.265660

-0.136610

-0.249890

-0.570690

[ 0.14232]

[ 0.88312]

[ 0.84451]

[-0.02227]

[ 1.55469]

[ 2.24341]

[-0.81409]

-0.430360

-0.348962

-0.263119

-0.681234

-0.095544

-0.145503

-0.887580

-0.663010

-0.256890

-0.191090

-0.260000

-0.133700

-0.244560

-0.558540

[-0.64910]

[-1.35843]

[-1.37694]

[-2.62011]

[-0.71463]

[-0.59495]

[-1.58912]

-1.803350

-0.765766

0.694470

-2.322311

0.843911

0.757987

-1.708432

-2.187350

-0.847500

-0.630430

-0.857780

-0.441090

-0.806850

-1.842690

[-0.82445]

[-0.90356]

[ 1.10157]

[-2.70734]

[ 1.91326]

[ 0.93944]

[-0.92714]

-2.626210

0.063412

1.111475

-0.716548

0.358814

-0.266479

2.479192

-2.128300

-0.824620

-0.613410

-0.834620

-0.429180

-0.785070

-1.792940

[-1.23395]

[ 0.07690]

[ 1.81195]

[-0.85853]

[ 0.83605]

[-0.33943]

[ 1.38275]

0.530321

-0.155333

0.274234

-1.269175

0.121513

0.761644

-1.264971

-1.556760

-0.603180

-0.448690

-0.610490

-0.313920

-0.574250

-1.311460

[ 0.34066]

[-0.25752]

[ 0.61119]

[-2.07894]

[ 0.38708]

[ 1.32634]

[-0.96455]

-0.933975

-0.740345

0.881268

-1.203716

0.261138

-0.511859

0.522802

-1.478710

-0.572940

-0.426190

-0.579890

-0.298190

-0.545460

-1.245710

[-0.63161]

[-1.29220]

[ 2.06777]

[-2.07578]

[ 0.87575]

[-0.93841]

[ 0.41968]

-0.832251

0.173558

1.605809

0.542075

0.544235

1.020192

2.000906

-1.857140

-0.719560

-0.535260

-0.728290

-0.374500

-0.685050

-1.564500

[-0.44814]

[ 0.24120]

[ 3.00005]

[ 0.74432]

[ 1.45325]

[ 1.48923]

[ 1.27894]

0.321107

0.557848

-0.287110

-1.541446

-0.364339

-0.427893

0.042920

-1.812770

-0.702370

-0.522470

-0.710890

-0.365550

-0.668680

-1.527130

[ 0.17714]

[ 0.79424]

[-0.54952]

[-2.16834]

[-0.99669]

[-0.63991]

[ 0.02811]

-0.925672

0.212578

0.364562

0.076286

0.052074

-0.384303

0.187722

-1.721790

-0.667120

-0.496250

-0.675210

-0.347200

-0.635120

-1.450490

[-0.53762]

[ 0.31865]

[ 0.73463]

[ 0.11298]

[ 0.14998]

[-0.60509]

[ 0.12942]

0.789494

0.040085

-0.182633

0.485223

-0.203548

-0.141595

0.287027

-0.694180

-0.268960

-0.200070

-0.272230

-0.139980

-0.256060

-0.584790

[ 1.13731]

[ 0.14904]

[-0.91283]

[ 1.78243]

[-1.45410]

[-0.55297]

[ 0.49082]

1.122882

0.052370

-0.622703

0.418450

-0.293805

-0.089432

-1.224488

-0.759930

-0.294440

-0.219030

-0.298010

-0.153240

-0.280320

-0.640190

[ 1.47761]

[ 0.17786]

[-2.84305]

[ 1.40414]

[-1.91726]

[-0.31904]

[-1.91270]

0.832708

-0.165336

-0.077071

0.746504

-0.145894

-0.127442

0.834971

-0.953790

-0.369550

-0.274900

-0.374030

-0.192330

-0.351830

-0.803500

[ 0.87305]

[-0.44739]

[-0.28036]

[ 1.99581]

[-0.75854]

[-0.36223]

[ 1.03917]

1.533501

0.072178

-0.140228

0.557213

-0.291234

0.006162

-0.316726

-0.722170

-0.279810

-0.208140

-0.283200

-0.145630

-0.266390

-0.608370

[ 2.12347]

[ 0.25796]

[-0.67371]

[ 1.96754]

[-1.99986]

[ 0.02313]

[-0.52061]

1.870042

0.622452

-0.014321

0.389229

-0.143590

-0.511044

0.543001

-0.745760

-0.288950

-0.214940

-0.292450

-0.150380

-0.275090

-0.628250

[ 2.50758]

[ 2.15420]

[-0.06663]

[ 1.33091]

[-0.95483]

[-1.85774]

[ 0.86431]

0.647651

0.412294

0.090790

0.651026

-0.220955

-0.468965

1.126349

-0.745130

-0.288700

-0.214760

-0.292210

-0.150260

-0.274860

-0.627720

[ 0.86918]

[ 1.42809]

[ 0.42275]

[ 2.22797]

[-1.47052]

[-1.70622]

[ 1.79436]


45

JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK, UPPM – STIS D(PENDIDI(-7))

D(TRANS(-1))

D(TRANS(-2))

D(TRANS(-3))

D(TRANS(-4))

D(TRANS(-5))

D(TRANS(-6))

D(TRANS(-7))

C

1.095936

0.397158

0.216317

0.658059

-0.171076

-0.556288

1.087396

-0.618220

-0.239530

-0.178180

-0.242440

-0.124670

-0.228050

-0.520810

[ 1.77272]

[ 1.65804]

[ 1.21401]

[ 2.71432]

[-1.37227]

[-2.43937]

[ 2.08790]

-0.689860

-0.519359

0.173665

-0.704065

0.175681

0.299259

-0.070507

-0.599220

-0.232170

-0.172710

-0.234990

-0.120840

-0.221040

-0.504800

[-1.15126]

[-2.23695]

[ 1.00555]

[-2.99616]

[ 1.45389]

[ 1.35388]

[-0.13967]

-0.535309

-0.049341

0.241651

-0.259874

0.095701

0.190915

-0.253088

-0.586330

-0.227180

-0.168990

-0.229930

-0.118230

-0.216280

-0.493940

[-0.91299]

[-0.21719]

[ 1.42996]

[-1.13022]

[ 0.80942]

[ 0.88272]

[-0.51239]

-0.153942

0.053596

0.377700

-0.387223

0.140800

0.244695

0.308976

-0.575570

-0.223010

-0.165890

-0.225710

-0.116070

-0.212310

-0.484880

[-0.26746]

[ 0.24033]

[ 2.27680]

[-1.71555]

[ 1.21310]

[ 1.15252]

[ 0.63722]

-0.544864

-0.294813

0.098561

-0.479185

0.013550

0.048268

-0.152365

-0.736500

-0.285360

-0.212270

-0.288820

-0.148520

-0.271680

-0.620450

[-0.73980]

[-1.03312]

[ 0.46431]

[-1.65909]

[ 0.09123]

[ 0.17767]

[-0.24557]

0.187018

0.251895

0.221151

-0.207519

0.055156

-0.098941

0.235188

-0.521910

-0.202220

-0.150420

-0.204670

-0.105240

-0.192520

-0.439670

[ 0.35834]

[ 1.24567]

[ 1.47020]

[-1.01393]

[ 0.52408]

[-0.51394]

[ 0.53492]

-0.666635

-0.239234

0.139339

-0.353615

0.071771

-0.065300

-0.235521

-0.543060

-0.210410

-0.156520

-0.212960

-0.109510

-0.200320

-0.457490

[-1.22756]

[-1.13698]

[ 0.89023]

[-1.66045]

[ 0.65539]

[-0.32598]

[-0.51481]

0.063618

-0.071756

0.062964

-0.094772

0.069176

0.100936

-0.079566

-0.335910

-0.130150

-0.096820

-0.131730

-0.067740

-0.123910

-0.282980

[ 0.18939]

[-0.55133]

[ 0.65034]

[-0.71944]

[ 1.02123]

[ 0.81460]

[-0.28117]

-0.442775

0.165260

1.156394

-1.049966

0.454895

0.344862

0.671525

-2.042610

-0.791420

-0.588720

-0.801020

-0.411900

-0.753460

-1.720760

[-0.21677]

[ 0.20881]

[ 1.96426]

[-1.31078]

[ 1.10439]

[ 0.45770]

[ 0.39025]

R-squared

0.856654

0.847748

0.921624

0.903846

0.903194

0.855776

0.919766

Adj. R-squared

0.458471

0.424827

0.703912

0.636753

0.634290

0.455153

0.696894

Sum sq. resids

17.195080

2.581370

1.428393

2.644370

0.699218

2.339682

12.20312

S.E. equation

0.977385

0.378694

0.281700

0.383288

0.197092

0.360531

0.823378

F-statistic

2.151406

2.004505

4.233229

3.384007

3.358794

2.136112

4.126884

Log likelihood

-49.96959

15.45287

35.86894

14.62098

60.51378

18.84439

-38.13846

Akaike AIC

2.926655

1.030352

0.438581

1.054464

-0.275762

0.932047

2.583723

Schwarz SC

4.577951

2.681648

2.089877

2.705761

1.375534

2.583343

4.235019

Mean dependent

0.858698

0.663416

0.703144

0.671425

0.465610

0.362877

0.246753

S.D. dependent

1.328174

0.499332

0.517699

0.635951

0.325913

0.488433

1.495554

46



FAKTOR YANG MEMENGARUHI PENGGUNAAN AIR MINUM KEMASAN SEBAGAI SUMBER AIR MINUM RUMAH TANGGA DI INDONESIA TAHUN 2007

Novi Hidayat Pusponegoro

Abstract

Water is a vital necessity for life and human beings in particular, even the fulfillment of healthy drinking water access became the target of the MDG's. But from time after time fulfillment of healthy drinking water is not able to keep pace with population growth in Indonesia (World Bank, 2010), so the level of dependence on bottled water as drinking water is increasing. Based on the literture above, this study was conducted to determine the factors that influence the use of bottled water as a source of households drinking water in Indonesia at 2007 with the principal component as factor loading estimation method. The study used the data of National Socio Economic Survey of 2007 with 10 variables examined. There are 4 factors as findings of this study i.e environment, morbidity, consumption and health expenditure of household.

Keywords: Drinking Water Consumption, Factor Analysis

I. PENDAHULUAN

Pembangunan merupakan suatu perubahan yang mewujudkan suatu kondisi yang lebih baik secara materiil maupun spiritual. Pembangunan di Indonesia sesuai dengan Undang-undang Dasar 1945, salah satunya bertujuan untuk mewujudkan masyarakat yang adil dan makmur. Salah satu bentuk komitmen pemerintah untuk mewujudkan tujuan pembangunan tersebut adalah dengan bergabungnya Indonesia bersama dengan 188 negara lainnya di dunia untuk menandatangani Deklarasi Milenium pada saat Konferensi Tingkat Tinggi (KTT) Milenium di New York pada bulan September 2000. Dalam Deklarasi Millenium tersebut dirumuskan tindakan dan target yang harus dicapai negara anggotanya demi pembangunan di seluruh dunia, target

tersebut

sering


diseut

dengan

Sasaran

Pembangunan

Millennium (Millennium

47


Development Goals atau disingkat dalam bahasa Inggris MDG’s) dan harus dicapai pada tahun 2015 mendatang. Terdapat 8 delapan tujuan pencapaian di dalam MDG’s yaitu: 1. Pengentasan kemiskinan dan kelaparan yang ekstrim 2. Pemerataan pendidikan dasar 3.Mendukung adanya persaman jender dan pemberdayaan perempuan 4. Mengurangi tingkat kematian anak 5. Meningkatkan kesehatan ibu 6. Perlawanan terhadap HIV/AIDS, malaria, dan penyakit lainnya 7. Menjamin daya dukung lingkungan hidup 8. Mengembangkan kemitraan global untuk pembangunan Mewujudkan masyarakat yang makmur sebagai pencapaian tujuan Indonesia termasuk didalamnya memberikan jaminan dan fasilitas kesehatan yang memadai bagi masyarakat. Hal tersebut dikarenakan kesehatan adalah hal mutlak yang harus diperhatikan oleh setiap manusia. Sebab kesehatan merupakan salah satu komponen yang sangat penting dalam kehidupan, sehingga hal tersebut juga dijadikan target keempat sampai dengan target ketujuh dari MDG’s. Pada tujuan pencapaian ketujuh atau menjamin daya dukung lingkungan hidup mendukung pembangunan di bidang kesehatan yang berkaitan langsung dengan kebersihan, diwujudkan dengan beberapa cara yaitu: (1) mengintegrasikan prinsip-prinsip pembangunan yang berkelanjutan dalam kebijakan setiap negara dan program serta mengurangi hilangnya sumber daya lingkungan, (2) mengurangi setengah dari jumlah orang yang tidak memiliki akses air minum yang sehat, (3) mencapai pengembangan yang signifikan dalam kehidupan untuk sedikitnya 100 juta orang yang tinggal di daerah kumuh. Sehingga dapat dinyatakan bahwa pemilihan dan pelayanan air minum yang sehat merupakan hal yang sangat penting. Pemerintah telah mengumumkan sasaran-sasaran pelayanan air dan sanitasi nasional yang konkrit untuk meraih MDG’s, hal tersebut memerlukan investasi yang signifikan pada bidang air bersih dan sanitasi. Ketidakcukupan pelayanan air bersih dan sanitasi menghalangi status Indonesia sebagai negara dengan penghasilan menengah, melemahkan daya saing kota-kotanya, dan sangat mempengaruhi kehidupan rakyat. Peningkatan layanan sanitasi saja dapat mencegah kerugian ekonomi yang jumlahnya mencapai lebih dari 6,3 miliar dolar Amerika setiap tahun. Tantangan utamanya adalah membuat pemerintah daerah (Pemda) untuk melakukan reformasi yang diperlukan, termasuk pengaturan yang lebih baik untuk menerapkan program-program bidang air bersih dan sanitasi. Pemerintah pusat harus membantu akses pembiayaan pemerintah 48



daerah dan perusahaan air minum daerah (PDAM) untuk memenuhi kebutuhan investasi mereka dan mendukung serta mendorong usaha-usaha perencanaan daerah. Air merupakan tulang punggung bagi awal dan kelanjutan pengembangan industri dan tingkat hidup masyarakat. Pemenuhan kebutuhan air minum dan air bersih pada masa lalu diperoleh melalui air sumber (misal: sumur) dan air yang berasal dari PDAM. Namun seiring dengan bertambahnya penduduk Indonesia menjadikan sumber air terbatas, dikarenakan telah banyak sumber air minum yang terkontaminasi oleh limbah rumahtangga ataupun industri. Sedangkan PDAM yang seharusnya memberikan pelayanan untuk memenuhi kebutuhan tersebut belum mampu memenuhi kebutuhan masyarakat. Bahkan menurut Bank Dunia (2010), ketersediaan air minum yang layak di Indonesia hampir tidak mampu mengimbangi pertumbuhan penduduk. Hanya setengah penghuni perkotaan tersambung dengan jaringan perpipaan air minum, sementara 37 juta penduduk desa yang sebagian besar miskin masih minum dari sumber yang tidak dijamin kebersihannya. Kualitas dan keamanan air masih sangat terancam oleh polusi, degradasi dan eksploitasi berlebihan daerah penangkap air, terutama di pulau Jawa. Tingkat ketergantungan masyarakat pada air minum dalam kemasan semakin tinggi karena minuman ini sudah menjadi kebutuhan primer bagi masyarakat. Konsumsi air minum dalam kemasan diseluruh indonesia mencapai 12 miliar liter per tahun. Nilai transaksi mencapai lima triliun rupiah per tahun. Berdasarkan data Badan Pengawas Obat dan Makanan, kini ada lebih dari 1.400 jenis air minum dalam kemasan antara lain Aqua, Vit, Ades, Monair, Aguaria, Prima (www.liputan6.com). Dan dengan semakin bertambahnya populasi penduduk Indonesia, akan semakin banyak kebutuhan tersebut harus dipenuhi. Oleh karena beberapa hal tersebut diatas, penelitian ini dilakukan untuk mengetahui variabel yang memengaruhi dalam penggunaan air minum kemasan sebagai sumber air minum rumah tangga di Indonesia pada tahun 2007.

II. LANDASAN TEORI

Kebutuhan Manusia Dalam keseharian kehidupan manusia tidak terlepas dari pemenuhan kebutuhannya, mulai dari kebutuhan yang sangat penting sampai dengan kebutuhan yang kurang penting. Menurut Abraham Maslow manusia mempunyai lima kebutuhan yang membentuk tingkatan-tingkatan atau disebut juga hirarki dari yang paling penting hingga yang tidak penting dan dari yang TAHUN 4, VOLUME 1, JUNI 2012

49


mudah hingga yang sulit untuk dicapai atau didapat. Motivasi manusia sangat dipengaruhi oleh kebutuhan mendasar yang perlu dipenuhi. Berdasarkan hirarki kebutuhan maslow harus terlebih dahulu memenuhi kebutuhan yang paling penting kemudian meningkat ke yang tidak terlalu penting. Untuk dapat merasakan nikmat suatu tingkat kebutuhan perlu dipuaskan dahulu kebutuhan yang berada pada tingkat di bawahnya. Lima (5) kebutuhan dasar Maslow disusun berdasarkan kebutuhan yang paling penting hingga yang tidak terlalu krusial, yaitu 1. kebutuhan fisiologis 2. kebutuhan keamanan dan keselamatan 3. kebutuhan sosial 4. kebutuhan penghargaan 5. kebutuhan aktualisasi diri. Rumah tangga baik ditingkat keluarga maupun pemerintahan pasti membutuhkan biaya untuk memenuhi kebutuhan hidupnya sehari-hari. Dalam ilmu ekonomi, konsumsi diartikan sebagai semua penggunaan barang dan jasa yang dilakukan manusia untuk memenuhi kebutuhan hidupnya. Pengeluaran konsumsi dilakukan dengan maksud untuk mempertahankan taraf hidup. Pada tingkat pendapatan rendah, pengeluaran konsumsi pertama-tama dibelanjakan untuk kebutuhan-kebutuhan pokok guna memenuhi kebutuhan jasmani. Konsumsi pangan adalah terpenting, karena pangan merupakan jenis barang utama untuk mempertahankan kelangsungan hidup. Akan tetapi terdapat berbagai macam barang konsumsi (termasuk sandang, perumahan, bahan bakar dan sebagainya) yang dapat dianggap sebagai kebutuhan untuk menyelenggarakan rumah tangga. Keanekaragamannya tergantung pada tingkat pendapatan rumah tangga. Tingkat pendapatan yang berbeda-beda mengakibatkan perbedaan taraf konsumsi.

Sanitasi Sanitasi adalah perilaku disengaja dalam pembudayaan hidup bersih dengan maksud mencegah manusia bersentuhan langsung dengan kotoran dan bahan buangan berbahaya lainnya dengan harapan usaha ini akan menjaga dan meningkatkan kesehatan manusia. Bahaya yang dimaksud mungkin bisa terjadi secara fisik, mikrobiologi dan agen-agen kimia atau biologis dari penyakit terkait (www.id.wikipedia.org). Bahan buangan yang dapat menyebabkan masalah kesehatan terdiri dari tinja manusia atau binatang, sisa bahan buangan padat, air bahan buangan domestik (cucian, air seni, bahan buangan mandi atau cucian), bahan buangan industri dan bahan buangan pertanian. Cara 50



pencegahan bersih dapat dilakukan dengan menggunakan solusi teknis (contohnya perawatan cucian dan sisa cairan buangan), teknologi sederhana (contohnya kakus, tangki septik), atau praktek kebersihan pribadi (contohnya membasuh tangan dengan sabun). Definisi lain dari sanitasi adalah segala upaya yang dilakukan untuk menjamin terwujudnya kondisi yang memenuhi persyaratan kesehatan. Sementara beberapa definisi lainnya menitik beratkan pada pemutusan mata rantai kuman dari sumber penularannya dan pengendalian lingkungan.

Pengeluaran Konsumsi Konsumsi dalam istilah sehari hari sering diartikan sebagai pemenuhan akan makanan dan minuman. Konsumsi mempunyai pengertian yang lebih luas lagi yaitu barang dan jasa akhir yang dibutuhkan untuk memenuhi kebutuhan manusia. Barang dan jasa akhir yang dimaksud adalah barang dan jasa yang sudah siap dikonsumsi oleh konsumen. Barang konsumsi ini terdiri dari barang konsumsi sekali habis dan barang konsumsi yang dapat dipergunakan lebih dari satu kali (Nopirin,1997). Badan Pusat Statistik menyatakan pengeluaran rumah tangga dibedakan atas pengeluaran konsumsi makanan dan pengeluaran konsumsi non makanan.

Pendapatan Pendapatan pada dasarnya merupakan balas jasa yang diterima pemilik faktor produksi atas pengorbanannya dalam proses produksi. Masing-masing faktor produksi seperti: tanah akan memperoleh balas jasa dalam bentuk sewa tanah, tenaga kerja akan memperoleh balas jasa berupa upah /gaji, modal akan memperoleh balas jasa dalam bentuk bunga modal, serta keahlian termasuk para enterprenuer akan memperoleh balas jasa dalam bentuk laba (Sadono Sukirno,1995). Dalam kenyataannya membedakan antara pendapatan tenaga kerja dan pendapatan bukan tenaga kerja tidaklah selalu mudah dilakukan. Ini disebabkan karena nilai output tertentu umumnya terjadi atas kerjasama dengan faktor produksi lain. Oleh karena itu perhitungan pendapatan pada penelitian ini didiekati dengan menggunakan rata-rata pengeluaran untuk konsumsi per bulan. Terdapat beberapa penelitian yang telah dilaksanakan yang berhubungan dengan sumber atau jenis air minum yang digunakan dengan variabel yang akan digunakan, antara lain: Riyardi dan Kusdi (2007) menyatakan bahwa terdapat hubungan positif antara jumlah anggota keluarga dengan permintaan air PDAM juga memiliki kemungkinan menunjukkan bahwa air TAHUN 4, VOLUME 1, JUNI 2012

51


PDAM dan air sulingan berhubungan secara komplementer. Peningkatan jumlah anggota keluarga menunjukkan peningkatan kebutuhan dan permintaan air bersih dan air minum. Dalam perspektif seperti itu, ketika permintaan air PDAM meningkat karena peningkatan jumlah anggota keluarga, pada saat yang sama permintaan air sulingan meningkat. Sedangkan Fauzi (2010) menyimpulkan faktor-faktor yang berpengaruh signifikan terhadap pengeluaran rumah tangga untuk biaya kesehatan adalah sumber air minum, fasilits buang air besar, jenis atap terluas, jenis dinding terluas, jenis lantai terluas, daerah rumah tangga dan status rumah tangga. Berdasarkan dari hasil analisis terlihat bahwa untuk rumah tangga

dengan

fasilitas air minum bersih, fasilitas BAB sendiri, jenis lantai bukan tanah, jenis dinding dari tembok dapat mengurangi resiko mengeluarkan biaya untuk kesehatan. Hal ini menunjukkan bahwa tingkat pendapatan pelanggan, jumlah anggota keluarga pelanggan dan lama sebagai pelanggan air minum secara individu berpengaruh positif dan signifikan terhadap permintaan air minum Perusahaan Daerah Air Minum Kabupaten Boyolali (Mujiyanti, 2009) Demam tifoid adalah penyakit yang disebabkan oleh infeksi bakteri Salmonella typhi dan paratyphi. Penyakit ini masih menjadi masalah kesehatan terutama di negara-negara yang sedang berkembang beberapa faktor yang berhubungan dengan kejadiaan demam tifoid adalah status pengetahuan, kebiasaan buang air besar, kebiasaan mencucui alat, kebiasaan mencuci tangan sebelum makan, kualitas sumber air bersih dan beberapa faktor yang tidak berhubungan dengan kejadiaan demam tifoid : status pendidikan, kebiasaan diluar rumah, kebiasaan minum air mentah. Dari hasil analisa dapat disimpulkan bahwa kejadiaandemam tifoid berhubungan dengan status hygiene perorangan dan kondisi sanitasi lingkungan yang jelek (Suyono, 2006). Berdasarkan landasan teori dan kajian pustaka diatas, dipilih 10 variabel yang akan digunakan untuk mengetahui faktor rumah tangga dalam menggunakan air minum kemasan sebagai sumbe air minum, yaitu; 1.

Jumlah anggota rumah tangga

2.

Banyaknya anggota rumah tangga yang menderita demam selama satu tahun yang lalu

3.

Banyaknya anggota rumah tangga yang menderita diare selama satu tahun yang lalu

4.

Rata-rata banyaknya anggota rumah tangga yang aktivitasnya tergaggu akibat sakit selama satu tahun yang lalu

5.

Rata-rata jumlah hari yang terganggu aktifitasnya akibat sakit per rumah tangga

6.

Luas lantai yang dikuasai rumah tangga

7.

Jarak penampungan tinja dengan sumur/pompa air

52



8.

Biaya untuk pengeluaran kesehatan per bulan untuk setahun yang lalu

9.

Pengeluaran Makanan per bulan untuk setahun yang lalu

10.

Pengeluaran rata-rata per bulan untuk setahun yang lalu

III. METODOLOGI

Penelitian ini menggunakan data hasil Survey Sosial Ekonomi Nasional (SUSENAS) Indonesia tahun 2007 yang diperoleh dari Badan Pusat Statistik (BPS), dengan unit analisis rumah-tangga yang menggunakan air kemasan sebagai sumber air minum dengan jumlah sampel sebanyak 258.660 rumah-tangga. Metode analisis yang digunakan untuk menjawab tujuan penelitian adalah metode analisis faktor, yang merupakan salah satu teknik statistik multivariate, untuk mengetahui faktor yang mempengaruhi penggunaan air minum kemasan sebagai sumber air minum rumah tangga. Faktor-faktor yang terbentuk tersebut terdiri dari kelompok variabel penelitian yang memberikan ciri atau karakteristik tertentu sehingga nilai variabel tersebut dapat dinyatakan sebagai kombinasi linier dari skor faktor yang terbentuk. Model umum analisis faktor untuk suatu populasi data adalah sebagai berikut: , dengan: = vektor nilai amatan

=

,

= vektor nilai rata-rata variabel

=

,

= matriks nilai loading faktor yang menunjukkan hubungan = antara variabel ke-i dengan faktor ke-j (

yang

berukuran pxm

p

= vektor nilai atau skor faktor umum

=

,

= vektor nilai atau skor faktor spesifik amatan

=

,

= banyaknya variabel amatan,

m = banyaknya faktor yang terbentuk, m < p


53


Berdasarkan model persamaan umum diatas, dapat diturunkan persamaan lain untuk menunjukkan

hubungan

nilai

antar

variabelnya

sehingga

memudahkan

dalam

pengelomppokkannya, yaitu: =

= = =

atau dapat dituliskan cov(

=

= = =

Komunalitas merupakan jumlah kuadrat nilai faktor atau faktor loading yang menunjukkan proporsi nilai variabel yang dapat dijelaskan oleh faktor umum, sehingga semakin besar nilai komunalitas menunjukkan kontribusi yang juga semakin besar oleh faktor umum dalam menjelaskan nilai variabel tertentu. Metode estimasi untuk menaksir nilai loading faktor dalam penelitian ini menggunakan metode komponen utama. Metode estimasi ini didasarkan penguraian spektral matriks cov (x) yang definite positive dengan persamaan dari matrik covarian sampel adalah sebagai berikut: dengan mengasumsikan semua faktor yang terbentuk mampu menjelaskan nilai variabel penelitian, maka nilai penduga varians spesifik sama dengan nol dan dapat diabaikan. Langkah-langkah pengujian dalam analisis faktor yang adalah sebagai berikut: 1. Menguji kelayakan variabel yang digunakan dalam analisis faktor berdasarkan matrik korelasi antar variabel dengan menggunakan ukuran Bartlett’s Test of Sphericity, Measure of Sample Adequacy (MSA) dan Kaiser-Meyer-Olkin (KMO). Bartlett’s Test of Sphericity, dilakukan untuk mengetahui adanya korelasi antar variabel sehingga variabel yang diteliti tersebut dapat dianalisis lebih lanjut dengan analsisi faktor, dengan hipotesis: H0 : Matrik korelasi adalah matriks identitas (tidak terdapat korelasi antar variabel yang signifikan) Ha : Matrik korelasi bukan matriks identitas (terdapat korelasi antar variabel yang signifikan) 54



Statistik uji:

2

keterangan: n = banyaknya amatan p = banyaknya variabel yang diteliti = matrik korelasi amatan

Tolak hipotesis nol, jika p-value nilai Bartlett observasi lebih kecil atau sama dengan dari tingkat signifikansi yang ditetapkan. MSA merupakan indeks untuk mengukur hubungan antar variabel yang diteliti dengan indikasi nilai MSA yang mendekati 1 menunjukkan bahwa nilai suatu variabel dapat diprediksi oleh variabel lainnya dengan kesalahan yang kecil. Nilai MSA disajikan dalam diagonal Matrik korelasi Anti Image. Secara umum, nilai MSA yang kurang dari 0,5 menunjukkan hubungan variabel tersebut dengan variabel lainnya tidak kuat, sehingga variabel tersebut tidak dapat dianalisis lebih lanjut dengan dengan analisis faktor (Anderson, 2002). KMO, merupakan indeks yang dipergunakan untuk membandingkan koefisien korelasi pengamatan dengan koefisien korelasi parsial. Nilai KMO berkisar antara 0 dan 1, KMO yang yang kecil mengindikasikan bahwa pemilihan variabel yang digunakan dalam analisis faktor belum sesuai (Anderson, 2002). 2. Menentukan kriteria untuk ektraksi jumlah faktor dengan metode ekstrasi komonen utama yang digunakan antara lain: 

Kriteria akar ciri, yaitu faktor yang dianggap signikan adalah faktor yang

memiliki akar ciri lebih besar dari 1 

Kriteria persentasi variansi, yaitu memperhatikan persentase kumulatif variansi

yang diekstraksi oleh faktor-faktor terpilih 

Kriteria Scree Plot

3. Untuk memberikan representasi nilai loading suatu faktor sehingga memudahkan dalam intrpretasi dapat dilakukan rotasi terhadap faktor dan membandingkan hasil antar jenis rotasi yang digunakan.


55


IV. HASIL DAN PEMBAHASAN

Berdasarkan hasil pengolahan data, diperoleh matrik korelasi antar variabel (tabel 1) yang digunakan untuk mengetahui hubungan antar sepasang variabel amatan ternyata menunjukkan hubungan yang cukup kuat, yaitu: 1. Jumlah ART yang sakit hingga aktivitasnya terganggu dengan jumlah ART yang sakit 2. Jumlah ART yang sakit hingga aktivitasnya terganggu dengan rata-rata ART yang sakit per rumah tangga 3. Pengeluaran rata-rata per bulan dengan pengeluaran makanan 4. Jumlah anggota keluarga dengan pengeluaran makanan 5. Jumlah anggota keluarga dengan pengeluaran rata-rata per bulan Pada nilai Measure of Sampling Adequacy (MSA) yang dapat dilihat melalui Matriks korelasi anti-image pada tabel 2, menunjukkan nilai MSA dari 10 variabel yang digunakan lebih besar dari 0,5 yang berarti seluruh variabel dapat digunakan untuk pereduksian dimensi dengan metode faktor. Tabel 1. Nilai korelasi parsial antar variabel yang digunakan JUMLAH ART JUMLAH ART JUMLAH ART LUAS LANTAI JARAK BIAYA PENGELUARAN YANG AYANG YANG PENAMPUNGAN KESEHATAN MAKANAN MENDERITA MENDERITA MENDERITA TINJA DENGAN DEMAM DIARE SAKIT HINGGA SUMBER AIR AKTIVITANYA MINUM TERGANGGU Pearson Correlation Sig. (2-tailed) Pearson Correlation JUMLAH ART AYANG MENDERITA DIARE Sig. (2-tailed) JUMLAH ART YANG MENDERITA SAKIT Pearson Correlation HINGGA AKTIVITANYA TERGANGGU Sig. (2-tailed) Pearson Correlation LUAS LANTAI Sig. (2-tailed) JARAK PENAMPUNGAN TINJA DENGAN Pearson Correlation SUMBER AIR MINUM Sig. (2-tailed) Pearson Correlation BIAYA KESEHATAN Sig. (2-tailed) Pearson Correlation PENGELUARAN MAKANAN Sig. (2-tailed) Pearson Correlation PENGELUARAN RATA-RATA/BULAN Sig. (2-tailed) Pearson Correlation JUMLAH ANGGOTA KELUARGA Sig. (2-tailed) Pearson Correlation RATA-RATA JUMLAH HARI ART SAKIT/RT Sig. (2-tailed)

1.0000

JUMLAH ART YANG MENDERITA DEMAM

0.2858 0.0000 0.6160 0.0000 0.0056 0.0045 0.0230 0.0000 0.0360 0.0000 0.0935 0.0000 0.0248 0.0000 0.2098 0.0000 0.2224 0.0000

0.2858 0.0000 1.0000 0.3040 0.0000 0.0046 0.0199 0.0142 0.0000 0.0213 0.0000 0.0471 0.0000 0.0145 0.0000 0.0896 0.0000 0.1176 0.0000

0.6160 0.0000 0.3040 0.0000 1.0000 0.0265 0.0000 0.0317 0.0000 0.0790 0.0000 0.0882 0.0000 0.0199 0.0000 0.2314 0.0000 0.5034 0.0000

0.0056 0.0045 0.0046 0.0199 0.0265 0.0000 1.0000 0.0768 0.0000 0.0124 0.0000 0.0834 0.0000 0.0735 0.0000 0.0734 0.0000 0.0089 0.0000

0.0230 0.0000 0.0142 0.0000 0.0317 0.0000 0.0768 0.0000 1.0000 -0.0237 0.0000 -0.1826 0.0000 -0.2266 0.0000 -0.0094 0.0000 0.0448 0.0000

0.0360 0.0000 0.0213 0.0000 0.0790 0.0000 0.0124 0.0000 -0.0237 0.0000 1.0000 0.0686 0.0000 0.1343 0.0000 0.0377 0.0000 0.0813 0.0000

0.0935 0.0000 0.0471 0.0000 0.0882 0.0000 0.0834 0.0000 -0.1826 0.0000 0.0686 0.0000 1.0000 0.7864 0.0000 0.5431 0.0000 -0.0981 0.0000

PENGELUARAN RATARATA/BULAN

JUMLAH ANGGOTA KELUARGA

0.0248 0.0000 0.0145 0.0000 0.0199 0.0000 0.0735 0.0000 -0.2266 0.0000 0.1343 0.0000 0.7864 0.0000 1.0000 0.3680 0.0000 -0.0920 0.0000

**. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed).

Sumber: SUSENAS, 2007 (diolah)

56


0.2098 0.0000 0.0896 0.0000 0.2314 0.0000 0.0734 0.0000 -0.0094 0.0000 0.0377 0.0000 0.5431 0.0000 0.3680 0.0000 1.0000 -0.1025 0.0000


Tabel 2. Matriks korelasi anti-image Anti-image Matrices JUMLAH ART JUMLAH ART LUAS JARAK BIAYA AYANG YANG MENDERITA LANTAI PENAMPUNGAN KESEHATAN MENDERITA SAKIT HINGGA TINJA DENGAN DIARE AKTIVITANYA SUMBER AIR MINUM TERGANGGU


0.642 -0.126 -0.534 0.018 -0.006 0.008 -0.022 0.027 -0.045 0.105

JUMLAH ART YANG MENDERITA DEMAM JUMLAH ART AYANG MENDERITA DIARE JUMLAH ART YANG MENDERITA SAKIT HINGGA AKTIVITANYA TERGANGGU LUAS LANTAI JARAK PENAMPUNGAN TINJA DENGAN SUMBER AIR MINUM BIAYA KESEHATAN PENGELUARAN MAKANAN PENGELUARAN RATA-RATA/BULAN JUMLAH ANGGOTA KELUARGA RATA-RATA JUMLAH HARI ART SAKIT/RT

-0.126 0.828 -0.156 0.003 -0.007 -0.001 -0.014 0.007 0.005 0.025

-0.534 -0.156 0.567 -0.013 0.003 -0.036 -0.004 0.025 -0.207 -0.501

0.018 0.003 -0.013 0.681 -0.093 -0.002 -0.027 -0.028 -0.026 -0.010

-0.006 -0.007 0.003 -0.093 0.728 -0.002 0.050 0.126 -0.088 -0.024

0.008 -0.001 -0.036 -0.002 -0.002 0.597 0.061 -0.135 -0.009 -0.057

PENGELUARAN MAKANAN

-0.022 -0.014 -0.004 -0.027 0.050 0.061 0.577 -0.737 -0.415 0.013

PENGELUARAN JUMLAH RATARATA-RATA/BULAN ANGGOTA RATA KELUARGA JUMLAH HARI ART SAKIT/RT 0.027 0.007 0.025 -0.028 0.126 -0.135 -0.737 0.588 0.084 0.008

-0.045 0.005 -0.207 -0.026 -0.088 -0.009 -0.415 0.084 0.670 0.201

Sumber: SUSENAS, 2007 (diolah)

Dan berdasarkan Nilai Kaiser-Meyer-Olkin Measure (KMO) sebesar 0.603 dan pengujian Bartlett's Test of Sphericity menghasilkan nilai signifikansi atau p-value 0.000. Sehingga dapat disimpulkan baik dari nilai korelasi parsial antar variabel, nilai MSA, nilai KMO dan Bartlett's Test, semuanya memberikan hasil yang sama yaitu hubungan antar variabel cukup kuat dan dapat selanjutnya digunakan dalam analisis faktor.

KMO and Bartlett's Test Kaiser-Meyer-Olkin

Measure

of

Sampling

.603

Adequacy Bartlett's Sphericity

Test

of Approx. Chi-Square Df Sig.

6.406 E5 45 .000

Dengan menggunakan metode estimasi komponen utama untuk menaksir nilai loading faktor, maka hasil penentuan jumlah faktor adalah sebagai berikut: 

Kriteria akar ciri dan Persentase Variansi

Berdasarkan hasil olahan data diatas analisis faktor menggolongkan 10 variabel yang diteliti dalam 4 faktor (dengan nilai akar ciri lebih dari 1), dengan proporsi varians kumulatif TAHUN 4, VOLUME 1, JUNI 2012

57

0.105423 0.024803 -0.501463 -0.010427 -0.023631 -0.05653 0.012846 0.008495 0.200598 0.535


yang dijelaskan 65,22%. Untuk ukuran sampel besar (n = 258.660 rumah-tangga) reduksi faktor yang terbentuk mampu menjelaskan proporsi keragaman data sebelum sekurang-kurangnya 65%.

Tabel 3. Nilai akar ciri dan Persentase Variansi Kumulatif Faktor Total Variance Explained Extraction Sums of Squared Loadings

Initial Eigenvalues

Component

% of Cumulative Variance % 2.3744 23.7441 23.7441 2.0249

Total 1 2 3 4 5 6 7 8 9 10

1.0932 1.0295

10.9324 10.2945

0.8551 0.7111 0.5401 0.2856 0.183428

8.5511 7.1112 5.4009 2.8555 1.834282

54.9259 65.2204 0.9027 82.7981 89.9094 95.3102 98.1657 100

Total 2.3744 2.0249 1.0932 1.0295

% of Cumulative Variance % 23.7441 23.7441 20.2493 43.9934 10.9324 54.9259 10.2945 65.2204

Rotation Sums of Squared Loadings Total 2.2569 2.0828 1.0990 1.0834

% of Variance 22.5687 20.8276 10.9899 10.8343

Cumulative % 22.5686666 43.3962245 54.3861148 65.220377

Extraction Method: Principal Component Analysis.

Sumber: SUSENAS, 2007 (diolah) 

Kriteria Scree Plot

Secara visual 4 faktor yang terbentuk terlihat dari scree plot berikut, yaitu adalah titik sebelum mulai berbelok jauh :

Gambar 1. Scree Plot Nilai Eigen dan Banyaknya Faktor yang Terbentuk

58



Berdasarkan kriteria nilai akar ciri selanjutnya diperoleh nilai komunalitas dan varian spesifik sebagai berikut: Tabel 4. Nilai Komunalitas dan Varian Spesifik dari Variabel yang Digunakan Inittial Komunalitas Varian Spesifik JUMLAH ART YANG MENDERITA DEMAM 0.643 0.357 JUMLAH ART AYANG MENDERITA DIARE 0.343 0.657 JUMLAH ART YANG MENDERITA SAKIT HINGGA AKTIVITANYA TERGANGGU 0.797 0.203 LUAS LANTAI 0.628 0.372 JARAK PENAMPUNGAN TINJA DENGAN SUMBER AIR MINUM 0.576 0.424 BIAYA KESEHATAN 0.709 0.291 PENGELUARAN MAKANAN 0.847 0.153 PENGELUARAN RATA-RATA/BULAN 0.78 0.22 JUMLAH ANGGOTA KELUARGA 0.616 0.384 RATA-RATA JUMLAH HARI ART SAKIT/RT 0.582 0.418 Variabel

Sumber: Olahan data SUSENAS 2007 Nilai komunalitas cukup besar dengan varian spesifik yang cukup kecil dari masing-masing variabel, menunjukkankan bahwa faktor yang terbentuk cukup baik untuk menerangkan nilai variabel yang diteliti. Kemudian dari pembentukan faktor awal (initial), diperoleh: 1. Faktor 1, terdiri dari variabel luas lantai dan jarak penampungan tinja dengan sumber air minum. 2. Faktor 2, terdiri dari variabel jumlah ART yang sakit demam, jumlah ART yang sakit diare, jumlah ART yang sakit hingga aktivitasnya terganggu dan rata-rata jumlah hari ART sakit per rumah tangga. 3. Faktor 3, terdiri dari pengeluaran makanan, pengeluaran rata-rata per bulan dan jumlah ART. 4. Faktor 4, terdiri dari variabel biaya kesehatan. Tabel 5. Rangkunan nilai loading faktor dari berbagai metode rotasi Variabel

Inittial 1

2

Rotation Method:Varimax 3

4

1

2

3

4

Rotation Method: Quartimax 1

2

3

4

Rotation Method: Equamax 1

2

3

4


0.512 0.588 0.027 -0.184 0.111 0.793 0.022 -0.029 0.11

0.793 0.018 -0.042 0.112 0.794 0.026 -0.011

JUMLAH ART AYANG MENDERITA DIARE

0.322 0.405 0.023 -0.272 0.055 0.56 -0.036 -0.158 0.054 0.557 -0.038 -0.167 0.055 0.564 -0.033 -0.145

JUMLAH ART YANG MENDERITA SAKIT HINGGA AKTIVITANYA TERGANGGU

0.546 0.705 -0.037 0.005 0.065 0.87 0.048 0.185 0.064 0.873 0.044 0.171 0.065 0.865 0.052 0.204

LUAS LANTAI

0.128 -0.04 0.646 0.44

JARAK PENAMPUNGAN TINJA DENGAN SUMBER AIR MINUM

-0.192 0.266 0.675 0.11 -0.242 0.08 0.697 -0.157 -0.245 0.08

0.18 -0.067 0.751 0.164 0.177 -0.061 0.752 0.164 0.184 -0.075 0.75 0.164

BIAYA KESEHATAN

0.191 0.022 -0.299 0.764 0.098 -0.031 0.012 0.836 0.099 -0.018 0.013 0.836 0.098 -0.05 0.011 0.835

PENGELUARAN MAKANAN

0.788 -0.475 0.021 -0.014 0.917 0.035 -0.056 0.042 0.917 0.036 -0.052 0.04 0.917 0.034 -0.061 0.043

PENGELUARAN RATA-RATA/BULAN

0.703 -0.516 -0.098 0.099 0.854 -0.065 -0.127 0.172 0.855 -0.062 -0.123 0.172 0.854 -0.069 -0.132 0.171

JUMLAH ANGGOTA KELUARGA

0.692 -0.191 0.273 -0.161 0.71 0.242 0.157 -0.168 0.709 0.241 0.159 -0.173 0.711 0.244 0.155 -0.162

RATA-RATA JUMLAH HARI ART SAKIT/RT

0.161 0.645 -0.208 0.312 -0.246 0.554 0.004 0.463 -0.247 0.561

0.696 -0.158 -0.238 0.08 0.699 -0.154

0

0.454 -0.247 0.544 0.008 0.475

Sumber: SUSENAS, 2007 (diolah) TAHUN 4, VOLUME 1, JUNI 2012

59


Kemudian untuk mempertajam nilai loading faktor masing-masing dirotasi dengan metode Orthogonal (Varimax, Quartimax dan Equamax) dengan hasil yang telah dirangkum pada tabel 5. Dari tabel 5 terlihat variabel penyusun faktor tidak ada yang berubah dengan nilai loading faktor masing-masing variabel yang tidak berbeda signifikan. Hal ini menandakan bahwa dari awal (tanpa rotasi), variabel penyusun faktor telah sesuai.

V. KESIMPULAN DAN SARAN

Berdasarkan uraian hasil dan pembahasan sebelumnya, diperoleh 4 faktor yang memengaruhi penggunaan air kemasan sebagai sumber air minum utama rumah tangga di Indonesia tahun 2007, yang disusun dari 10 variabel penelitian yaitu sbb: 

Faktor 1, terdiri dari variabel luas lantai dan jarak penampungan tinja dengan sumber air minum, sehingga dapat disebut dengan FAKTOR LINGKUNGAN.



Faktor 2, terdiri dari variabel jumlah ART yang sakit demam, jumlah ART yang sakit diare, jumlah ART yang sakit hingga aktivitasnya terganggu dan rata-rata jumlah hari ART sakit per rumah tangga., yang dapat disebut dengan FAKTOR KEJADIAN SAKIT RUMAH TANGGA



Faktor 3, terdiri dari pengeluaran makanan, pengeluaran rata-rata per bulan dan jumlah ART, yang disebut dengan FAKTOR POLA KONSUMSI RUMAH TANGGA.



Faktor 4, terdiri dari variabel biaya kesehatan, yang dapat disebut dengan FAKTOR BIAYA KESEHATAN.

Faktor lingkungan merupakan faktor pertama, sehingga dapat dikatakan faktor inilah yang mempunyai hubungan terkuat dengan penggunaan air minum kemasan sebagai sumber air minum yang digunakan, diikuti dengan faktor kejadian sakit dalam rumah tangga, faktor pola konsumsi dan biaya kesehatan rumah tangga. Saran yang dapat penulis ajukan berdasarkan hasil penelitian antara lain : 

mempertimbangkan jarak pembuangan tinja dengan sumber air minum, agar sumber tersebut tidak tercemar dan pemberian pemahaman kesehatan oleh pihak berwenang seperti Dinas Kesehatan serta kader-kader penggeraknya bagi rumah tangga di Indonesia



memperluas cakupan penelitian yang terkait dengan penggunaan sumber air minum rumah tangga di Indonesia, seperti misalnya dengan penambahan variabel tempat tinggal atau status kemiskinan rumah tangga sebagai variabel kontrol dan menambah waktu penelitian.

60



DAFTAR PUSTAKA

Bank Dunia, 2010, Bangkitnya Indonesia. Prioritas Kebijakan untuk Tahun 2010 dan Selanjutnya, Aliran Dana, Aliran Air, 2010. Fauzi, Nurul, 2010, Analisis Regresi Logistik pada Pengeluaran Rumah Tangga untuk Biaya Kesehatan di Jawa Timu [Tugas Akhir], Institut tekhnologi Surabaya, Surabaya. Hair, JF, et. al, 2002. Multivariate Data Analysis, Seveth Edition.,Wiley, New York. Mujiyanti, 2009, Analisis faktor-faktor yang mempengaruhi permintaan air minum oleh pelanggan PDAM di Kabupaten Boyolali (studi kasus untuk konsumen rumah tangga di pedesaan) [skripsi], Universitas Negeri Sebelas Maret, Surakarta Nopirin, 1997, Ekonomi Makro. Cetakan Keempat, BPFE: Yogyakarta Rencher, AC., 2002, Methods of Multivariate Analysis, Second Edition., Wiley, New York. Riyardi. A dan Kusdiyanto, 2007, Air PDAM dan Air Sulingan dalam Konsumsi Air di Kota Surakarta.Jurnal Ekonomi Pembangunan, volume 8 No. 1 Juni 2007., FE Universitas Muhammdaiya Surakarta, Surakarta. Sadono Sukirno, 1995, Pengantar Makroekonomi. Edisi Kedua, PT. Raja Grafindo Persada. Jakarta. Suyono, Arif, 2006, Hubungan Sanitasi Lingkungan dan Hygiene Perorangan dengan Kejadiaan Demam Tifoid di Puskesmas Bobotsari Kabupaten Purbalingga [skripsi], Universitas Diponegoro, Semarang.


61


STATUS KEHAMILAN DAN PENGARUHNYA TERHADAP PERILAKU PERAWATAN KEHAMILAN DI INDONESIA

Sarni Maniar Berliana

Abstract

This study aims to investigate factors affecting pregnancy intention among ever married women and their effects on prenatal care behavior. The data used for the analysis is from the 2007 Indonesia Demographic and Health Survey. Binary logistic regression with random-effect and ordinary logistic regression were applied in the study. The findings show that the probability of unintended pregnancy is higher among women who were pregnant at older ages, had lower education, had no autonomy in her own health care, came from poorer household, and lived in urban areas. The results also show that there is correlation between unintended pregnancy risk for women with the same socioeconomics and demographic characteristics. Unintended pregnancy increased the risk that women would not use prenatal care in the first trimester, would not make recommended number of prenatal care visits, and would not receive prenatal care from professional source.

Keywords: Pregnancy intention, unintended pregnancy, prenatal care.

I. PENDAHULUAN

Hasil SDKI tahun 1991 dan 2007 menunjukkan bahwa telah terjadi penurunan angka fertilitas total Indonesia, yaitu dari 3,02 anak per wanita menjadi 2,6 anak per wanita. Fertilitas yang diinginkan juga menurun, yaitu masing-masing dari 2,5 anak per wanita menjadi 2,2 anak per wanita. Dengan demikian selama kurun waktu tersebut terdapat selisih antara angka fertilitas total dengan angka fertilitas yang diinginkan sekitar 0,4 anak per wanita. Penurunan tingkat fertilitas yang diinginkan mencerminkan adanya penurunan ukuran keluarga yang diinginkan. Hal ini perlu dicermati karena seiring berjalannya waktu, penurunan tingkat fertilitas yang diinginkan akan mendorong peningkatan proporsi wanita yang berisiko terhadap kehamilan tidak diinginkan (Bongaarts, 1997). 62



Brown dan Eisenberg (1995) menyatakan bahwa penyebab langsung kehamilan yang tidak diharapkan adalah melakukan hubungan seksual disertai dengan pemakaian kontrasepsi tidak tepat (misuse), kegagalan kontrasepsi (failure), atau tanpa kontrasepsi (nonuse). Kelahiran yang tidak direncanakan dan tidak diinginkan mencerminkan tingkat unmet need kontrasepsi baik untuk menunda kehamilan maupun untuk menjarangkan kelahiran (mistimed fertility) atau untuk membatasi kelahiran (unwanted fertility). Informasi mengenai keinginan untuk hamil (pregnancy intention) pada wanita bermanfaat untuk berbagai tujuan, seperti memperkirakan jumlah kehamilan tidak diinginkan dan selanjutnya untuk memperkirakan dampak status kehamilan terhadap perilaku ibu selama kehamilan (maternal behavior during pregnancy), kelahiran, kesehatan, dan perkembangan anak yang lahir dari kehamilan yang tidak diinginkan (Joyce dkk, 2002). Pada awalnya, isu ini berkaitan dengan penurunan dan kenaikan tingkat fertilitas untuk memperkirakan tren jumlah penduduk. Selanjutnya, penelitian berkembang dengan memusatkan pada pengukuran keinginan hamil pada wanita dikaitkan dengan kebutuhan pelayanan keluarga berencana yang tidak terpenuhi dan pemahaman mengenai perilaku kesehatan wanita, seperti perawatan selama kehamilan dan dampaknya terhadap anak yang dilahirkan. Penelitian sebelumnya memperlihatkan bahwa terdapat berbagai faktor demografi dan sosialekonomi yang berpengaruh terhadap status kehamilan. Selain faktor-faktor tersebut, hal lain yang perlu diteliti adalah apakah wanita dengan karakteristik latar belakang yang sama memiliki perbedaan risiko kehamilan yang tidak diharapkan karena perbedaan individu, seperti kondisi sosial wanita. Kondisi sosial tersebut dapat berupa kondisi kesehatan mental wanita, hubungan wanita dengan ayah dari anak yang dikandungnya, kondisi keuangan wanita, dan reaksi dari aktor sosial utama, seperti orang tua, saudara kandung atau sahabat (Barber dkk, 1999). Jika terdapat perbedaan risiko kehamilan yang tidak diharapkan di antara wanita dengan karakteristik yang sama maka pemerintah perlu menyediakan pelayanan komunikasi interpersonal atau konseling (KIP/K) untuk memberi dukungan terhadap wanita tersebut agar tetap melanjutkan dan merawat kehamilannya. Makalah ini bertujuan untuk meneliti faktor-faktor yang mempengaruhi status kehamilan pada wanita pernah kawin di Indonesia dan selanjutnya meneliti pengaruh status kehamilan terhadap perilaku ibu dalam perawatan kehamilan. Perilaku wanita dalam hal perawatan kehamilan diukur melalui pemeriksaan kehamilan pada trimester pertama, jumlah pemeriksaan kehamilan sesuai anjuran program, dan tenaga pemeriksa kehamilan. Dalam penelitian ini, status kehamilan akan TAHUN 4, VOLUME 1, JUNI 2012

63


dipilih sebagai salah satu variabel bebas dalam menjelaskan perilaku perawatan kehamilan bersama-sama dengan variabel-variabel bebas lainnya.

II.

LANDASAN TEORI

a. Tinjauan Teoritis Beberapa literatur penelitian telah mendefinisikan istilah mengenai kehamilan yang tidak diharapkan (unintended pregnancy) seperti dalam Brown dan Eisenberg (1995) dan Williams (1991). Kehamilan dibagi menjadi dua jenis, yaitu yang diharapkan (intended pregnancy) dan tidak diharapkan (unintended pregnancy). Kehamilan yang diharapkan merupakan kehamilan yang diinginkan pada saat terjadi pembuahan (conception) atau segera. Kehamilan yang tidak diharapkan merupakan kehamilan yang tidak diinginkan setelah terjadi pembuahan. Selanjutnya, kehamilan yang tidak diharapkan dibedakan menjadi dua kelompok, yaitu kehamilan yang tidak tepat waktu (mistimed pregnancy) dan kehamilan yang tidak diinginkan (unwanted pregnancy). Kehamilan yang tidak tepat waktu adalah kehamilan yang terjadi pada wanita yang menginginkan anak (lagi) pada suatu waktu, namun kehamilan tersebut terjadi lebih cepat daripada yang direncanakan. Kehamilan yang tidak diinginkan adalah kehamilan hasil pembuahan yang terjadi pada wanita yang sama sekali tidak ingin mempunyai anak atau sudah memiliki anak tetapi tidak menginginkan anak lagi. Konsep tentang kehamilan yang tidak diharapkan merupakan hal penting bagi peneliti dalam bidang kependudukan untuk memahami fertilitas; bagi praktisi dalam bidang kesehatan bermanfaat untuk mencegah kelahiran tidak diinginkan; sedangkan bagi kedua peneliti tersebut bermanfaat untuk meningkatkan kemampuan wanita dalam menentukan apakah menginginkan anak dan kapan menginginkan anak. Pengembangan pemahaman mengenai kehamilan yang tidak diharapkan akan mendukung peningkatan pemakaian kontrasepsi, pencegahan kehamilan yang tidak diinginkan, dan memperbaiki kesehatan ibu dan anak (Santelli dkk, 2003). Perawatan kehamilan memberikan dampak positif terhadap status kesehatan postnatal untuk ibu dan bayi dan terhadap perilaku kesehatan serta pemanfaatan fasilitas kesehatan setelah melahirkan (Alexander dan Kotelchuck, 2001 dan Brown, 1989). Pemahaman mengenai faktorfaktor atau kendala yang membatasi partisipasi wanita dalam perawatan kehamilan merupakan langkah penting pertama dalam menentukan bagaimana cara meningkatkan akses terhadap pelayanan perawatan kehamilan.

64



Institute of Medicine (1988) merangkum beberapa penghalang dalam melakukan perawatan kehamilan bagi wanita di Amerika Serikat berdasarkan 12 penelitian yang menggunakan analisis multivariat. Faktor-faktor penghalang untuk melakukan perawatan kehamilan dibagi menjadi tiga kelompok, yaitu penghalang yang berkaitan dengan kondisi sosiodemografi, sistem, dan sikap. Beberapa faktor risiko demografi yang berkaitan erat dengan perawatan kehamilan yang tidak cukup (insufficient), adalah ras dan etnis, umur ibu, tingkat pendidikan, urutan kelahiran anak, status perkawinan, pendapatan, dan daerah tempat tinggal. Beberapa penghalang terhadap partisipasi dalam perawatan kehamilan berkaitan dengan sistem adalah cakupan asuransi kesehatan, ketersediaan program bantuan kesehatan untuk penduduk miskin, kapasitas sistem perawatan untuk ibu (khususnya proporsi sistem yang dapat dimanfaatkan oleh wanita berpenghasilan rendah), koordinasi antara pelayanan sejenis, jam pelayanan, prosedur registrasi, waktu yang dibutuhkan untuk bertemu dokter atau perawat, keramahan petugas, kenyamanan lingkungan, kesulitan transportasi, ketersediaan tempat penitipan anak, dan rintangan budaya untuk berpartisipasi dalam perawatan kehamilan. Penghalang lainnya yang sering terlewatkan dalam pembahasan mengenai rendahnya partisipasi dalam perawatan kehamilan adalah keyakinan seseorang, pengetahuan, dan gaya hidup wanita hamil. Beberapa penelitian telah menunjukkan bahwa pemeriksaan kehamilan yang terlambat dan jumlah kunjungan pemeriksaan yang lebih sedikit berkaitan dengan kehamilan yang tidak direncanakan dan penilaian negatif terhadap kehamilan saat itu.

b.

Tinjauan Empiris

Penelitian-penelitian sebelumnya menunjukkan bahwa variabel-variabel sosial-ekonomi dan demografi berpengaruh terhadap status kehamilan. Williams (1991) menemukan bahwa risiko kelahiran tidak diinginkan lebih besar terjadi pada wanita yang lebih tua, berpendidikan rendah, dan berasal dari rumah tangga dengan status ekonomi di batas atau di bawah garis kemiskinan. Baydar (1995) menemukan bahwa risiko kehamilan tidak tepat waktu dan tidak diinginkan lebih besar pada kelompok wanita yang berumur lebih muda, berpendidikan rendah, tidak memiliki pekerjaan sebelum ibu melahirkan, dan berasal dari rumah tangga dengan pendapatan lebih rendah. Ganguly dan Unisa (2008) menemukan bahwa risiko kehamilan tidak tepat waktu dan tidak diinginkan cenderung lebih besar berasal dari wanita yang berpendidikan tinggi dan tidak bekerja. Eggleston (1999) menemukan bahwa kecenderungan wanita di perdesaan lebih rendah dibandingkan wanita di perkotaan untuk menyatakan kehamilannya sebagai kehamilan yang TAHUN 4, VOLUME 1, JUNI 2012

65


tidak diharapkan, sedangkan Johnson dkk (2004) menemukan kecenderungan sebaliknya. Variabel otonomi ibu dalam perawatan kesehatannya hanya signifikan mempengaruhi risiko kehamilan tidak tepat waktu relatif terhadap kehamilan diinginkan (Johnson dkk, 2004), yaitu bahwa risiko wanita yang tidak memiliki otonomi adalah 30 persen lebih rendah dibandingkan dengan mereka yang memiliki otonomi untuk melaporkan kehamilannya tidak tepat waktu daripada kehamilannya diinginkan. Penelitian-penelitian sebelumnya menunjukkan bahwa status kehamilan berpengaruh signifikan terhadap perilaku wanita dalam perawatan kehamilan. Kecenderungan wanita yang menyatakan kehamilannya sebagai kehamilan yang tidak diinginkan atau tidak diharapkan untuk memeriksakan kehamilannya pada trimester pertama lebih rendah dibandingkan dengan wanita yang menyatakan kehamilannya sebagai kehamilan yang diinginkan atau diharapkan (Pulley et al, 2002; Joyce et al, 2000; Gage, 1998; Kost et al, 1998; dan Weller et al, 1987). Kost et al (1998) menemukan bahwa status perencanaan kehamilan tidak berpengaruh terhadap perilaku wanita untuk melakukan pemeriksaan kehamilan sesuai anjuran program. Kecenderungan pemanfaatan tenaga pemeriksa kehamilan profesional oleh wanita yang mengalami kehamilan yang tidak tepat waktu atau tidak diharapkan adalah lebih rendah dibandingkan dengan mereka yang menginginkan kehamilannya (Raghupathy, 1997).

c. Kerangka Pikir Analisis Status kehamilan dipengaruhi oleh faktor-faktor sosial-ekonomi dan demografi dari wanita. Status kehamilan bersama-sama variabel lainnya akan memberikan pengaruh yang berbeda terhadap perilaku perawatan kehamilan, yaitu pemeriksaan kehamilan pada trimester pertama, jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, dan tenaga pemeriksa kehamilan. Kerangka pikir analisis yang digunakan dalam penelitian ini utamanya berdasarkan kerangka pikir teoritis Institute of Medicine (1988) .

d. Hipotesis Penelitian Hipotesis untuk model status kehamilan adalah bahwa kecenderungan kehamilan yang tidak diharapkan lebih besar terjadi pada wanita yang mengandung pada umur lebih tua, berpendidikan lebih rendah, tidak bekerja, tidak memiliki otonomi dalam pemeriksaan kesehatannya, berasal dari rumah tangga miskin, dan tinggal di daerah perkotaan. Hipotesis selanjutnya adalah terdapat

66



perbedaan peluang kehamilan yang tidak diharapkan antarwanita dengan karakteristik latar belakang yang sama karena adanya pengaruh efek random wanita. Hipotesis untuk model perilaku perawatan kehamilan adalah bahwa kecenderungan wanita untuk tidak memeriksakan kehamilan pada trimester pertama, tidak melakukan jumlah pemeriksaan kehamilan sesuai anjuran program, dan memeriksakan kehamilan pada tenaga kesehatan bukan profesional lebih besar terjadi pada wanita yang menyatakan kehamilannya tidak diharapkan, mengandung pada umur lebih muda, berpendidikan lebih rendah, tidak bekerja, tidak memiliki otonomi dalam pemeriksaan kesehatannya, mengalami kesulitan dalam memperoleh uang untuk berobat, berasal dari rumah tangga miskin, tinggal di perdesaan, dan memiliki paritas besar.

III. METODOLOGI 3.1.

Sumber Data

Penelitian ini menggunakan data hasil Survei Demografi dan Kesehatan Indonesia (SDKI) tahun 2007. SDKI merupakan salah satu survei sosial kependudukan yang khusus dirancang untuk mengumpulkan berbagai informasi mengenai tingkat kelahiran, kematian, prevalensi keluarga berencana dan kesehatan khususnya kesehatan reproduksi. Secara umum, pelaksanaan pengumpulan data SDKI 2007 diselenggarakan dari Juni-Desember 2007, namun untuk beberapa provinsi kegiatan tersebut selesai hingga Februari 2008. SDKI 2007 mencakup 40.701 rumah tangga sampel yang tersebar di 33 provinsi di Indonesia. Dari jumlah sampel tersebut diperoleh responden yang memenuhi syarat (eligible respondents) dan berhasil diwawancarai sebanyak 32.895 responden wanita pernah kawin (WPK) usia 15-49 tahun. Unit analisis dalam penelitian faktor-faktor yang mempengaruhi status kehamilan adalah seluruh kehamilan yang berakhir dengan kelahiran hidup selama lima tahun sebelum survei dilaksanakan dari seluruh wanita pernah kawin di Indonesia. Dengan demikian, seorang wanita dapat menyumbang lebih dari satu kehamilan, namun hanya satu kehamilan yang dicakup untuk setiap kejadian kehamilan yang menghasilkan anak kembar. Unit analisis dalam penelitian pengaruh status kehamilan dan faktor sosial-ekonomi dan demografi terhadap perilaku ibu dalam hal perawatan kehamilan adalah kehamilan terakhir yang terjadi selama lima tahun sebelum survei. Oleh karena itu, setiap wanita hanya menyumbang satu kehamilan saja sehingga jumlah kehamilan yang diamati sama dengan jumlah wanita pernah kawin. Peristiwa kehamilan yang berakhir dengan keguguran atau digugurkan tidak dicakup dalam penelitian ini. TAHUN 4, VOLUME 1, JUNI 2012

67


3.2.

Metode Analisis

Empat model regresi logistik biner dibangun dalam studi ini. Regresi logistik dengan efek random diterapkan untuk meneliti faktor-faktor yang berpengaruh terhadap kecenderungan suatu kehamilan apakah diharapkan atau tidak diharapkan, sedangkan regresi logistik biasa diterapkan untuk meneliti faktor-faktor yang berpengaruh terhadap perilaku wanita dalam

perawatan

kehamilan. Variabel dependen untuk perilaku perawatan kehamilan adalah (a) apakah mereka memeriksakan kehamilannya pada trimester pertama (0 = ya, 1 = tidak); (b) apakah jumlah pemeriksaan kehamilannya sesuai dengan anjuran program (0 = ya, 1 = tidak); dan (c) apakah pemeriksaan kehamilan dilakukan oleh tenaga kesehatan profesional (0 = diperiksa oleh dokter, perawat, bidan, atau bidan di desa, 1 = dukun bayi, lainnya, atau tidak diperiksa). Jumlah pemeriksaan kehamilan sesuai anjuran program adalah minimal satu kali pemeriksaan pada trimester pertama, minimal satu kali pemeriksaan kehamilan pada trimester kedua, dan minimal dua kali pemeriksaan kehamilan pada trimester ketiga (Departemen Kesehatan, 2001). Model regresi logistik dengan efek random diterapkan untuk model regresi dengan variabel terikat status kehamilan karena satu wanita dapat menyumbang lebih dari satu kehamilan yang berakhir dengan kelahiran hidup. Hal ini berarti bahwa peluang kehamilan yang tidak diharapkan tidak hanya bervariasi antarkelompok wanita, tetapi juga antarwanita pada kelompok yang sama. Outcome status kehamilan dari wanita yang sama tidak saling bebas. Model regresi logistik dengan efek random merupakan perluasan dari model regresi logistik dengan efek tetap dan model ini lebih tepat digunakan karena memperbolehkan heterogenitas yang tidak teramati (unobserved) antarwanita. Model regresi logistik biasa dengan efek tetap ditulis sebagai berikut ini logit (πij) = X’ij β πij adalah peluang kehamilan ke-i yang tidak diharapkan dari wanita ke-j, Xij adalah vektor kovariat kehamilan ke-i dari wanita ke-j dan β vektor parameter untuk setiap Xij. Persamaan di atas mengasumsikan semua variasi dalam setiap peluang kehamilan tidak diharapkan dapat dijelaskan oleh kovariat yang ada. Model regresi logistik dengan efek random memperluas model ini dengan mengasumsikan bahwa ketika terdapat korelasi risiko status kehamilan antara kehamilan yang berurutan maka peluang kehamilan tidak diharapkan adalah sama seperti yang diperoleh dari regresi logistik biasa dengan efek tetap ditambah dengan gangguan random dikarenakan pengaruh wanita yang tidak teramati, modelnya yaitu: 68

logit (πij) = X’ij β + uj TAHUN 4, VOLUME 1, JUNI 2012


uj adalah komponen random dari wanita ke-j. Nilai yang tidak teramati dari uj berkaitan dengan wanita tertentu yang diasumsikan memiliki distribusi dengan rata-rata nol. Dengan demikian X’ij β merupakan rata-rata dari logit (πij) antarwanita dengan karakteristik-karakteristik tertentu. Logit (πij) untuk suatu kehamilan dengan karakteristik tertentu merupakan rata-rata logit (πij) ini ditambah dengan tambahan lebih besar jika berasal dari wanita yang berisiko lebih besar, atau berkurang sedikit jika berasal dari wanita yang berisiko lebih rendah. Komponen random uj diasumsikan berdistribusi normal dengan estimasi varian berdasarkan data yang ada sehingga modelnya dapat dituliskan sebagai logit (πij) = xij β + σ vj dimana σ merupakan parameter skala yang mengukur besarnya variasi tambahan karena efek random dan vj ~ N(0,1). Jika σ = 0 maka tidak ada variasi tambahan yang timbul karena pengaruh wanita dan tidak ada korelasi antara status kehamilan untuk wanita tertentu dan model dapat disederhanakan menjadi model regresi logistik biasa atau fixed-effect (Goldstein, 1987). Signifikansi pengaruh wanita diuji dengan hipotesis nol σ = 0 dan hipotesis alternatif σ > 0 dengan menggunakan statistik uji rasio likelihood yang dimodifikasi berdasarkan statistik uji likelihood biasa. Parameter lainnya dapat diuji dengan cara yang sama pada regresi logistik biasa. Eksponensial dari estimasi parameter diinterpretasikan sebagai odds ratio seperti pada model regresi logistik dengan efek tetap. Model regresi logistik dengan efek random tidak lagi mengestimasi peluang suatu status kehamilan dengan beberapa karakteristik tertentu karena peluang tersebut tergantung pada kovariat yang diamati dan pengaruh wanita yang tidak teramati. Oleh karena itu, odds ratio dari model logistik dengan efek random mencerminkan pengaruh variabel tertentu terhadap kemungkinan kehamilan tidak diharapkan pada wanita tertentu. Hal ini menunjukkan bahwa dugaan peluang kehamilan tidak diharapkan untuk dua kehamilan dari wanita yang berbeda dengan karakteristik yang sama akan sedikit berbeda karena adanya pengaruh wanita. Pendekatan untuk mengilustrasikan implikasi dari variasi antarwanita diulas oleh Curtis dkk (1993) dan Rajagukguk (1997). Pendekatan tersebut mengestimasi peluang kehamilan tidak diharapkan untuk nilai vj yang berbeda dengan membuat variasi salah satu nilai kovariat. Nilai vj yang digunakan adalah -2, -1, 0, +1, dan +2 yang bersesuaian dengan satu sampai dua kali standar deviasi nilai rata-rata vj. Oleh karena itu, peluang kehamilan tidak diharapkan dengan beberapa karakteristik tertentu akan terletak antara peluang untuk vj = -1 dan vj = +1 untuk 69 TAHUN 4, VOLUME 1, JUNI 2012

69


persen wanita dan terletak antara peluang untuk vj=-2 dan vj = +2 untuk 95 persen wanita. Nilai negatif dari vj bersesuaian untuk wanita dengan risiko mengalami kehamilan tidak diharapkan di bawah rata-rata, sedangkan nilai positif dari vj bersesuaian untuk wanita dengan risiko mengalami kehamilan tidak diharapkan di atas rata-rata.

IV.

4.1.

HASIL DAN PEMBAHASAN

Determinan Status Kehamilan

Jumlah kehamilan yang berakhir dengan kelahiran hidup selama lima tahun sebelum survei terdapat sebanyak 20.452 kehamilan dimana 3.870 kehamilan (18,92 persen) dinyatakan sebagai kehamilan yang tidak diharapkan. Kehamilan yang tidak diharapkan pada penelitian ini terdiri dari 2.509 kehamilan yang tidak tepat waktu (12,27 persen) dan 1.361 kehamilan yang tidak diinginkan (6,65 persen). Jumlah kehamilan tersebut berasal dari 16.470 wanita pernah kawin. Tabel 1 menunjukkan bahwa sekitar 22 persen wanita menyumbang lebih dari satu kehamilan. Dengan demikian, regresi logistik dengan efek random akan tepat digunakan sebagai analisis inferensial untuk mengetahui faktor-faktor yang mempengaruhi status kehamilan dari setiap wanita.

Tabel 1.

JUMLAH SUMBANGAN KEHAMILAN DARI SETIAP WANITA PERNAH KAWIN, INDONESIA, SDKI 2007 Jumlah Kehamilan

Jumlah Wanita

Persentase

1 2 3 4

12.853 3.274 321 22

78,04 19,88 1,95 0,13

Jumlah

16.470

100,00

Pada Tabel 2 diperlihatkan bahwa persentase wanita yang menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan semakin besar pada kelompok wanita yang mengandung pada umur lebih tua dan berpendidikan lebih rendah. Hal menarik ditunjukkan oleh status bekerja wanita, yaitu bahwa persentase kehamilan yang tidak diharapkan sedikit lebih besar dinyatakan oleh wanita bekerja dibandingkan dengan wanita yang tidak bekerja. Hasil ini dapat dijelaskan 70



dari sisi wanita bekerja yang berorientasi karir sehingga kehamilan dapat dianggap sebagai suatu penghalang untuk mencapai prestasi karir yang diharapkan atau mereka memiliki pengetahuan atau pemahaman yang lebih baik dalam menyatakan perasaan mereka tentang kehamilannya.

Tabel 2. DISTRIBUSI PERSENTASE STATUS KEHAMILAN MENURUT KARAKTERISTIK LATAR BELAKANG, INDONESIA, SDKI 2007

Karakteristik Latar Belakang

Status kehamilan Jumlah Tidak Diharapkan kehamilan diharapkan

Umur saat mengandung*** < 20 89,83 10,17 2.999 20-30 83,86 16,14 11.131 > 30 72,03 27,97 6.322 Pendidikan*** < SD 77,75 22,25 3.667 SD-SLTP 81,66 18,34 10.271 >= SLTA 82,04 17,96 6.514 Status bekerja* Tidak bekerja 81,60 18,40 10.171 Bekerja 80,56 19,44 10.281 Otonomi dalam pemeriksaan Ya 81,53 18,47 17.338 kesehatannya*** Tidak 78,55 21,45 3.114 Indeks kekayaan kuintil Kaya 81,51 18,49 3.234 Menengah 80,46 19,54 6.846 Miskin 81,35 18,65 10.372 Daerah tempat tinggal*** Perkotaan 79,90 20,10 7.725 Perdesaan 81,79 18,21 12.727 Jumlah 81,08 18,92 20.452 * Uji Kai-kuadrat signifikan *** Uji Kai-kuadrat pada p < 0,1. signifikan pada p < 0,001. Persentase kehamilan yang tidak diharapkan lebih tinggi pada wanita yang tidak memiliki otonomi dalam pemeriksaan kesehatannya dibandingkan pada wanita yang memiliki otonomi dalam pemeriksaan kesehatannya. Otonomi wanita dalam rumah tangga merupakan hal penting terutama jika terkait dengan masalah kesehatan, baik kesehatan pribadinya, anak, atau anggota rumah tangga lainnya. Wanita harus memiliki otonomi untuk dapat menentukan pilihan-pilihan berkaitan dengan kesehatan pribadinya secara umum atau kesehatan reproduksinya secara khusus.


71


Persentase wanita yang menyatakan kehamilannya tidak diharapkan pada rumah tangga terkaya sedikit lebih rendah dibandingkan pada kelompok rumah tangga lainnya. Persentase kehamilan yang tidak diharapkan lebih tinggi di daerah perkotaan dibandingkan di daerah perdesaan. Daerah perkotaan yang identik dengan kemudahan akses pelayanan kontrasepsi ternyata tidak menjamin rendahnya kejadian kehamilan yang tidak diharapkan. Hal ini kemungkinan dikarenakan wanita di perkotaan lebih terpapar pada nilai ukuran keluarga kecil atau biaya hidup yang tinggi di perkotaan menekan mereka untuk membatasi jumlah anak. Tabel 3 menyajikan estimasi parameter dan odds ratio untuk model regresi logistik dengan efek random. Hasil analisis multivariat untuk peluang kehamilan yang tidak diharapkan pada wanita pernah kawin menunjukkan bahwa karakteristik yang disajikan di Tabel 2 memberikan pengaruh signifikan terhadap kehamilan yang tidak diharapkan. Variabel yang tidak memberikan pengaruh signifikan terhadap variabel dependen dikeluarkan pada model akhir. Hanya model reduksi yang dibahas dalam tulisan ini. Status bekerja wanita dikeluarkan dari model karena variabel tersebut tidak signifikan mempengaruhi status kehamilan. Hasil ini kemungkinan disebabkan karena wanita yang bekerja tidak menerapkan praktek KB yang efektif sehingga peluang kehamilan yang tidak diharapkan tidak berbeda dengan mereka yang tidak bekerja. Dengan demikian, data dalam penelitian ini tidak mendukung hipotesis penelitian yang telah dibuat sebelumnya, yaitu bahwa kecenderungan wanita yang bekerja lebih rendah dibandingkan wanita yang tidak bekerja untuk menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan. Kecenderungan terjadinya kehamilan yang tidak diharapkan semakin meningkat seiring dengan meningkatnya umur wanita saat mengandung. Kecenderungan wanita yang mengandung pada saat berumur 20-30 tahun untuk menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan adalah 2,28 kali lebih besar dibandingkan dengan kelompok referensi dan bertambah besar ketika wanita mengandung pada umur 30 tahun ke atas, yaitu menjadi 6,41 kali lebih besar dibandingkan dengan kelompok referensi. Semakin tua umur wanita saat mengandung, semakin besar risiko kehamilan yang dihadapi dan wanita yang mengandung pada umur lebih tua kemungkinan sudah mencapai ukuran keluarga yang diinginkan sehingga kehamilan yang terjadi saat itu lebih cenderung untuk tidak diharapkan.

72



Tabel 3. ESTIMASI PARAMETER DAN RASIO KECENDERUNGAN MODEL REGRESI LOGISTIK DENGAN EFEK RANDOM UNTUK KEHAMILAN YANG TIDAK DIHARAPKAN, INDONESIA, SDKI 2007 Kovariat Konstanta Umur saat mengandung < 20 20-30 > 30 Pendidikan < SD SD-SLTP >= SLTA Status bekerja Tidak bekerja Bekerja Otonomi dalam pemeriksaan Ya kesehatannya Tidak Indeks kekayaan kuintil Kaya Menengah Miskin Daerah tempat tinggal Perkotaan Perdesaan Log-likelihood * Signifikan pada p < 0,1. ** Signifikan pada p < 0,05. *** Signifikan pada p < 0,001.

Estimasi parameter

Rasio kecenderungan

-3,20

0,04 ***

0,82 1,86

2,28 *** 6,41 ***

-0,17 -0,35

0,84 ** 0,70 ***

0,30

1,35 ***

0,19 0,18

1,21 ** 1,20 *

-0,24

0,79 *** -9.401,48

Pendidikan wanita memiliki hubungan negatif terhadap kecenderungan terjadinya kehamilan yang tidak diharapkan. Semakin tinggi tingkat pendidikan wanita maka semakin rendah kecenderungan terjadinya kehamilan yang tidak diharapkan. Kecenderungan kehamilan yang tidak diharapkan pada wanita berpendidikan SD sampai dengan SLTP dan SLTA ke atas masingmasing adalah 0,84 dan 0,70 kali lebih rendah dibandingkan dengan mereka yang berpendidikan kurang dari SD. Kehamilan tidak diharapkan lebih rendah kecenderungannya dinyatakan oleh wanita berpendidikan lebih tinggi karena wanita berpendidikan lebih tinggi memiliki pengetahuan lebih baik mengenai KB sehingga dapat menerapkan praktek KB yang efektif untuk mencegah kehamilan yang tidak diharapkan.


73


Kecenderungan wanita yang tidak memiliki otonomi dalam pemeriksaan kesehatan pribadinya untuk menyatakan kehamilannya tidak diharapkan adalah 35 persen lebih besar dibandingkan dengan wanita yang memiliki otonomi dalam pemeriksaan kesehatannya. Wanita yang dapat memutuskan apa yang terbaik untuk kesehatan pribadinya mencerminkan kemandirian dalam kehidupannya dan secara tidak langsung menunjukkan sikap bertanggung jawab atas suatu keputusan yang dipilih, misalnya untuk hamil (lagi). Kecenderungan wanita dari rumah tangga miskin dan menengah untuk menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan 20 persen lebih tinggi dibandingkan dengan wanita dari rumah tangga kaya. Hal ini menunjukkan bahwa wanita yang berasal dari rumah tangga menengah dan miskin kurang atau tidak mampu untuk mengakses pelayanan KB sehingga mereka tidak dapat mengontrol fertilitas mereka. Wanita dari rumah tangga kaya dapat menerapkan program KB lebih baik sehingga kecenderungan kehamilan yang tidak diharapkan lebih rendah dibandingkan wanita dengan status ekonomi lebih rendah. Kecenderungan wanita yang tinggal di daerah perdesaan untuk menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan adalah 21 persen lebih rendah dibandingkan wanita yang tinggal di perkotaan. Hasil ini konsisten dengan analisis deskriptif yang telah diuraikan sebelumnya. Hal ini kemungkinan disebabkan karena program KB di Indonesia lebih berorientasi pada daerah perdesaan. Wanita di perdesaan menjadi lebih terpapar terhadap program-program KB sehingga dapat menerapkan praktek KB lebih efektif dan berdampak pada rendahnya kecenderungan kehamilan yang tidak diharapkan. Kemungkinan lainnya adalah wanita di perkotaan memiliki pemahaman lebih baik daripada wanita di perdesaan dalam mendefinisikan perasaannya mengenai status kehamilannya sehingga mereka dapat lebih tepat dalam menyatakan kehamilannya sebagai diharapkan atau tidak diharapkan. Selain itu, hasil SDKI 2007 menunjukkan bahwa rata-rata jumlah anak ideal menurut wanita di perkotaan adalah lebih rendah dibandingkan dengan mereka di perdesaan, yaitu masing-masing 2,7 anak dan 2,9 anak. Semakin kecil preferensi fertilitas seorang wanita, semakin besar peluang wanita untuk menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan. Dengan demikian dapat disimpulkan bahwa preferensi fertilitas lebih rendah di daerah perkotaan. Model regresi logistik dengan efek random menghasilkan nilai parameter skala σ sebesar 1,771. Adanya signifikansi pengaruh efek random wanita menunjukkan bahwa peluang kehamilan yang tidak diharapkan untuk wanita dengan karakteristik yang sama bervariasi dan efek random mengontrol variasi tersebut karena faktor-faktor yang tidak diamati. Kemungkinan ada faktor74



faktor perilaku lainnya yang berperan penting dalam menentukan risiko kehamilan yang tidak diharapkan antara setiap wanita tetapi tidak diamati atau tidak dapat diukur. Efek random tersebut dapat dipertimbangkan sebagai ukuran berbagai kondisi sosial wanita seperti kesehatan mental wanita, hubungan wanita dengan ayah dari anak yang dikandungnya, dan reaksi dari aktor sosial utama seperti orang tua, saudara kandung, atau sahabat. Wanita hamil yang memperoleh dukungan dari lingkungan sosialnya memiliki kecenderungan lebih kecil untuk menyatakan kehamilannya sebagai kehamilan yang tidak diharapkan. Pada Tabel 4 disajikan peluang yang disesuaikan untuk kehamilan yang tidak diharapkan menurut karakteristik demografi dan sosial-ekonomi. Nilai peluang tersebut bervariasi antarwanita dengan karakteristik yang sama. Sebagai contoh, peluang kehamilan yang tidak diharapkan dari wanita dengan umur mengandung kurang dari 20 tahun berkisar antara 0,001, jika efek random wanita adalah dua kali standar deviasi di bawah rata-rata (wanita berisiko rendah), sampai 0,549 jika efek random wanita adalah dua kali standar deviasi di atas rata-rata (wanita berisiko tinggi). Hasil pada Tabel 4 juga memberi pengertian bahwa 95 persen wanita yang mengandung pada umur kurang dari 20 tahun berpeluang mengalami kehamilan yang tidak diharapkan dengan kisaran antara 0,001 sampai 0,549 dan 69 persen wanita berpeluang mengalami kehamilan yang tidak diharapkan dengan kisaran antara 0,006 sampai 0,172. Pembacaan hasil yang sama dapat diterapkan untuk variabel lainnya. Peluang kehamilan yang tidak diharapkan antarkategori dalam suatu karakteristik dapat tumpang tindih. Sebagai contoh, peluang kehamilan yang tidak diharapkan untuk wanita yang mengandung pada umur kurang dari 20 tahun dengan risiko di atas rata-rata adalah lebih besar dibandingkan untuk wanita yang mengandung pada umur di atas 30 tahun dengan risiko di bawah rata-rata. Meskipun demikian, untuk setiap nilai spesifik vj, peluang kehamilan yang tidak diharapkan sesuai dengan harapan. Sebagai contoh, peluang kehamilan yang tidak diharapkan untuk wanita yang mengandung pada umur di atas 30 tahun secara konsisten lebih besar dibandingkan dengan wanita yang mengandung pada umur kurang dari 20 tahun. Peluang kehamilan yang tidak diharapkan juga secara konsisten lebih tinggi untuk wanita yang berpendidikan rendah, tidak memiliki otonomi dalam pemeriksaan kesehatan pribadinya, berada dalam rumah tangga lebih miskin, dan tinggal daerah di perkotaan.


75


Tabel 4. PELUANG YANG DISESUAIKAN (ADJUSTED PROBABILITY) UNTUK KEHAMILAN YANG TIDAK DIHARAPKAN MENURUT KARAKTERISTIK LATAR BELAKANG UNTUK BEBERAPA NILAI EFEK RANDOM WANITA INDONESIA, SDKI 2007 Karakteristik

Pengaruh Wanita (vj) vj = -2 vj = -1 vj = 0 vj = +1 vj = +2

Konstanta

0,003

0,016

0,089

0,365

0,772

Umur saat mengandung < 20 20-30 > 30

0,001 0,002 0,007

0,006 0,013 0,037

0,034 0,074 0,185

0,172 0,320 0,571

0,549 0,735 0,886

Pendidikan < SD SD-SLTP >= SLTA

0,003 0,003 0,002

0,020 0,017 0,014

0,107 0,091 0,078

0,412 0,372 0,331

0,805 0,776 0,744

Otonomi dalam pemeriksaan kesehatannya Ya Tidak

0,003 0,004

0,016 0,021

0,086 0,112

0,355 0,426

0,764 0,813

Indeks kekayaan kuintil Kaya Menengah Miskin

0,002 0,003 0,003

0,014 0,017 0,017

0,077 0,092 0,091

0,330 0,373 0,371

0,743 0,778 0,776

Daerah tempat tinggal Perkotaan Perdesaan

0,003 0,003

0,019 0,015

0,102 0,082

0,400 0,345

0,797 0,756

Parameter skala σ

1,771

Status bekerja Tidak bekerja Bekerja

4.2.

Pengaruh Status Kehamilan dan Variabel Penjelas Lainnya terhadap Perilaku Perawatan Kehamilan

Gambar 1 menyajikan persentase wanita menurut tiga perilaku perawatan kehamilan yang diteliti dalam studi ini berdasarkan status kehamilannya. Gambar tersebut secara umum memperlihatkan bahwa masih banyak wanita Indonesia yang belum menerapkan perilaku positif selama kehamilan baik kehamilannya diharapkan maupun tidak diharapkan. Meskipun demikian, persentase perilaku tidak baik selama kehamilan lebih besar terjadi pada kelompok wanita yang menyatakan kehamilannya tidak diharapkan dibandingkan dengan kelompok wanita yang 76



menyatakan kehamilannya diharapkan. Pengertian perilaku yang tidak baik selama kehamilan dalam penelitian ini adalah wanita tidak memeriksakan kehamilannya pada trimester pertama, tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, atau memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Gambar 1 PERSENTASE WANITA MENURUT PERILAKU PERAWATAN KEHAMILAN DAN STATUS KEHAMILAN, INDONESIA, SDKI 2007

Hal yang menggembirakan tampak pada rendahnya persentase wanita yang memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Hal ini juga dapat menjadi indikator bahwa tenaga kesehatan profesional sudah menyebar di seluruh wilayah Indonesia sehingga dapat menjangkau wanita hamil yang membutuhkan. Meskipun demikian, tampak bahwa persentase wanita yang memeriksakan kehamilannya pada tenaga kesehatan bukan profesional lebih besar terjadi pada wanita yang menyatakan kehamilannya tidak diharapkan. Pada Tabel 5 lebih lanjut disajikan distribusi persentase wanita menurut perilaku perawatan kehamilan. Persentase perilaku pemeriksaan kehamilan yang tidak baik lebih besar berasal dari kelompok wanita yang mengandung pada saat usia muda dan tua, berpendidikan rendah, tidak bekerja, tidak memiliki otonomi dalam pemeriksaan kesehatan, mengalami kesulitan dalam memperoleh uang untuk berobat, berasal dari rumah tangga lebih miskin, tinggal di perdesaan, dan telah memiliki lebih banyak anak.


77


Tabel 5. DISTRIBUSI PERSENTASE PERILAKU PERAWATAN KEHAMILAN MENURUT KARAKTERISTIK LATAR BELAKANG, INDONESIA, SDKI 2007

Karakteristik Latar Belakang

(1) Status kehamilan Diharapkan Tidak diharapkan

27,40 37,26

13.173 3.188

36,77 47,42

13.121 3.176

Umur saat < 20 mengandung 20-30 > 30

34,29 26,70 31,56

2.222 8.774 5.365

45,84 35,78 40,97

2.212 8.744 5.341

10,63 7,47 10,11

2.230 8.819 5.400


48,33 30,86 16,75

2.808 8.299 5.254

61,17 41,27 23,00

2.807 8.269 5.221

24,72 7,90 1,52

2.848 8.334 5.267

Status bekerja Tidak Bekerja Bekerja

29,60 29,06

7.966 8.395

39,28 38,44

7.926 8.371

7,92 9,57

7.996 8.453

Otonomi dalam pemeriksaan Kesehatannya Ya 29,15 Tidak 30,30

13.879 2.482

38,48 40,90

13.825 2.472

8,41 13.952 10,77 2.497

Kesulitan memperoleh uang untuk berobat Ya 40,98 Tidak 24,16

5.024 11.337

51,90 33,06

5.004 11.293

15,19 5.069 5,91 11.380

13,97 30,39 53,30

2.692 5.659 7.946

Indeks kekayaan Kaya kuantil Menengah Miskin

10,49 22,23 40,78

2.697 5.699 7.965


18,91 35,92

6.341 10.020

25,32 47,42

Jumlah kelahiran sebelumnya 0 23,28 1-2 27,02 3+ 42,92

5.116 7.671 3.574 16.361

Jumlah

78

Perilaku Perawatan Kehamilan Pemeriksaan Jumlah kunjungan Tenaga kehamilan pemeriksaan pemeriksa pada trimester kehamilan sesuai kehamilan pertama anjuran program Tidak N Tidak n Lainnya n (3) (4) (6) (7) (9) (10)

29,33

8,14 13.243 11,35 3.206

0,59 3,24 15,44

2.702 5.712 8.035

6.322 9.975

2,65 12,62

6.351 10.098

32,23 36,11 54,20

5.092 7.648 3.557

5,54 7,42 16,24

5.130 7.711 3.608

38,85

16.297

8,77

16.449



Catatan: Uji Kai-kuadrat setiap variabel terhadap masing-masing perilaku perawatan kehamilan signifikan pada p<0,001 atau p<0,05 kecuali variabel “otonomi dalam pemeriksaan kesehatan” terhadap pemeriksaan kehamilan pada trimester pertama dan variabel “status bekerja” terhadap jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program. Pada Tabel 6 disajikan estimasi parameter model regresi logistik mengenai pengaruh status kehamilan dan variabel-variabel penjelas lainnya terhadap perilaku perawatan kehamilan. Otonomi ibu dalam pemeriksaan kesehatan pribadinya tidak signifikan dalam mempengaruhi pemeriksaan kehamilan pada trimester pertama dan dalam melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program sehingga variabel ini dikeluarkan dari kedua model tersebut. Perlakuan yang sama diterapkan untuk variabel status bekerja ibu dalam model regresi untuk pemilihan tenaga pemeriksa kehamilan. Hasil regresi logistik menunjukkan bahwa status kehamilan signifikan secara statistik mempengaruhi ketiga perilaku perawatan kehamilan. Hal ini berarti terdapat perbedaan perilaku dalam perawatan kehamilan antara wanita yang menyatakan kehamilannya sebagai kehamilan yang diharapkan dengan yang tidak diharapkan. Kecenderungan wanita yang menyatakan kehamilannya tidak diharapkan adalah 40 persen lebih besar dibandingkan wanita yang menyatakan kehamilannya diharapkan untuk tidak memeriksakan kehamilannya pada trimester pertama dan untuk tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program. Odds ratio terkecil diperoleh untuk pengaruh status kehamilan terhadap pemilihan tenaga pemeriksa kehamilan, yaitu bahwa kecenderungan wanita yang menyatakan kehamilannya tidak diharapkan untuk memeriksakan kehamilannya pada tenaga kesehatan bukan profesional adalah 18 persen lebih tinggi dibandingkan dengan wanita yang mengharapkan kehamilannya.


79


Tabel 6. ESTIMASI PARAMETER DAN RASIO KECENDERUNGAN MODEL REGRESI LOGISTIK UNTUK PERILAKU PERAWATAN KEHAMILAN BERISIKO, INDONESIA, SDKI 2007

Kovariat

Tidak melakukan Tenaga pemeriksa Tidak memeriksakan jumlah kunjungan kehamilan bukan kehamilan pada pemeriksaan tenaga kesehatan trimester pertama kehamilan sesuai profesional anjuran program Estimasi Rasio Estimasi Rasio Estimasi Rasio parameter kecenderungan parameter kecenderungan parameter kecenderungan

Konstanta Status kehamilan Diharapkan Tidak diharapkan Umur saat < 20 mengandung 20-30 > 30 Pendidikan < SD SD-SLTP >= SLTA Status bekerja Tidak bekerja Bekerja Otonomi dalam pemeriksaan kesehatannya Ya Tidak Kesulitan memperoleh uang untuk Ya berobat Tidak Indeks kekayaan Kaya kuintil Menengah Miskin Daerah tempat tinggal Perkotaan Perdesaan Jumlah kelahiran sebelumnya -2 (log-likelihood)

-1,53

0,22 ***

-1,11

0,34

1,40 ***

0,33

-0,35 -0,52

0,70 *** 0,60 ***

-0,39 -0,57

0,67 *** -0,38 0,56 *** -0,72

0,68 *** 0,49 ***

-0,41 -0,65

0,66 *** 0,52 ***

-0,46 -0,71

0,63 *** -0,92 0,49 *** -1,77

0,40 *** 0,17 ***

-0,14

0,87 ***

-0,16

0,85 ***

0,02 ***

1,40 ***

1,18 **

0,17

0,19

1,21 **

0,40 -

1,50 *** -

0,37 -

1,44 *** -

0,47 -

1,59 *** -

0,60 1,09

1,82 *** 2,99 ***

0,69 1,25

1,99 *** 3,49 ***

1,00 1,92

2,72 *** 6,83 ***

0,26

1,30 ***

0,31

1,37 ***

0,65

1,92 ***

0,18

1,19 ***

0,19

1,21 ***

0,22

1,25 ***

17.866,92

**

Signifikan pada p < 0,05

***

Signifikan pada p < 0,001.

80

0,33 *** -3,90

19.245,40

7.898,89



Status kehamilan menunjukkan pengaruh yang signifikan dalam menjelaskan perilaku wanita Indonesia selama kehamilan dalam hal perawatan kehamilan. Perasaan bimbang wanita terhadap kehamilannya dapat mendorong wanita untuk tidak melakukan perawatan kehamilan yang cukup, seperti menunda pemeriksaan kehamilan pada awal kehamilan dan tidak melakukan kunjungan pemeriksaan kehamilan secukupnya selama kehamilan. Wanita yang tidak berharap untuk hamil kemungkinan tidak menyadari tanda-tanda kehamilan sehingga ada waktu yang terbuang. Pada subbab sebelumnya telah diuraikan bahwa kehamilan yang tidak diharapkan dapat berdampak negatif pada kualitas outcome kehamilan berdasarkan penelitian-penelitian sebelumnya. Oleh karena itu, setiap peristiwa kehamilan seharusnya diharapkan. Setelah memperhitungkan pengaruh variabel penjelas lainnya, diperoleh hasil bahwa umur saat mengandung memiliki hubungan terbalik dengan perilaku ibu dalam melakukan perawatan kehamilan. Semakin tua umur mengandung, semakin rendah kecenderungan wanita untuk tidak memeriksakan kehamilan pada trimester pertama, tidak melakukan jumlah kunjungan pemeriksaan sesuai anjuran program, dan memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Semakin tua umur wanita saat mengandung, semakin besar risiko kehamilan tersebut baik untuk ibu maupun bayi yang dikandungnya. Oleh karena itu, sangat beralasan jika semakin tua umur wanita saat mengandung maka mereka akan lebih berhati-hati terhadap kehamilannya dengan berperilaku positif selama kehamilan, seperti melakukan pemeriksaan kehamilan yang cukup pada petugas kesehatan profesional. Wanita berpendidikan lebih tinggi lebih mempercayakan pemeriksaan kehamilannya pada petugas kesehatan profesional dibandingkan dengan wanita yang berpendidikan lebih rendah. Konsistensi hubungan negatif antara tingkat pendidikan wanita dengan ketiga perilaku tidak baik selama kehamilan yang diteliti menegaskan bahwa wanita yang berpendidikan lebih tinggi akan lebih memahami apa yang penting untuk kesehatan pribadinya dan bagi janin yang dikandungnya.. Status bekerja wanita ternyata tidak signifikan dalam mempengaruhi pemilihan tenaga pemeriksa kehamilan. Hal ini kemungkinan disebabkan wanita yang bekerja memiliki keterbatasan waktu untuk memeriksakan kehamilannya pada tenaga kesehatan profesional karena harus bekerja, sementara itu jam pelayanan tenaga kesehatan profesional biasanya terbatas atau hanya pada jam tertentu. Hal ini menyebabkan peluang wanita yang bekerja tidak berbeda dengan mereka yang tidak bekerja dalam pemilihan tenaga pemeriksa kehamilan. Dengan demikian, data pada penelitian ini tidak mendukung hipotesis penelitian. TAHUN 4, VOLUME 1, JUNI 2012

81


Status otonomi wanita hanya signifikan berpengaruh terhadap pemilihan tenaga pemeriksa kehamilan. Hal ini mengindikasikan kemampuan wanita untuk memilih tenaga pemeriksa kehamilan yang berkualitas. Wanita yang memiliki otonomi atau tidak memiliki otonomi kemungkinan memiliki kesadaran yang rendah akan tanda-tanda kehamilan dan pemahaman pentingnya pemeriksaan kehamilan secara rutin sehingga kedua kelompok wanita ini tidak memiliki perbedaan perilaku dalam pemeriksaan kehamilan pada trimester pertama dan dalam melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program. Wanita yang mengalami kesulitan memperoleh uang untuk berobat memiliki kecenderungan lebih besar dibandingkan dengan wanita yang tidak mengalami kesulitan memperoleh uang untuk berobat untuk tidak memeriksakan kehamilannya pada trimester pertama, tidak melakukan jumlah kunjungan sesuai anjuran program, dan memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Hal ini menunjukkan bahwa kesulitan finansial merupakan salah satu penghalang bagi wanita untuk melakukan perawatan kehamilan. Hasil ini konsisten dengan analisis bivariat dan mendukung hipotesis penelitian. Semakin kaya seorang wanita, semakin kecil kecenderungannya untuk tidak memeriksakan kehamilannya pada trimester pertama, tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, dan memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Indeks kekayaan kuintil sebagai pendekatan terhadap status ekonomi rumah tangga jangka panjang memiliki odds ratio terbesar dibandingkan dengan variabel-variabel penjelas lainnya. Dengan demikian dapat disimpulkan bahwa perilaku pemeriksaan kehamilan yang cukup membutuhkan kemapanan dalam keuangan karena pemeriksaan kehamilan membutuhkan biaya tidak sedikit. Wanita di perdesaan lebih besar kecenderungannya dibandingkan wanita di perkotaan untuk tidak memeriksakan kehamilannya dalam trimester pertama, tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, dan memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Odds ratio paling besar ditunjukkan dalam pemilihan tenaga pemeriksa kehamilan, dimana kecenderungan wanita di perdesaan hampir dua kali lebih besar dibandingkan wanita di perkotaan untuk memeriksakan kehamilannya pada tenaga kesehatan bukan profesional. Hal ini mengindikasikan adanya ketimpangan dalam akses pelayanan kesehatan antara daerah perdesaan dan perkotaan sehingga wanita di perkotaan memiliki akses lebih baik atau lebih mudah dibandingkan dengan wanita di perdesaan.

82



Setiap pertambahan satu kelahiran hidup, kecenderungan wanita untuk tidak memeriksakan kehamilannya pada trimester pertama, tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, dan memeriksakan kehamilannya pada tenaga kesehatan bukan profesional akan meningkat masing-masing menjadi 1,19, 1,21, dan 1,25 kali. Penjelasan yang mungkin untuk hasil ini adalah wanita yang sudah pernah melahirkan anak sebelumnya merasa telah cukup berpengalaman sehingga menganggap tidak terlalu penting untuk memeriksakan kehamilan pada trimester pertama, melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, dan memeriksakan kehamilannya pada tenaga kesehatan profesional, apalagi jika wanita tersebut tidak pernah mengalami kesulitan dengan kehamilan sebelumnya. Kemungkinan alasan lainnya adalah petugas kesehatan kurang memberikan penekanan terhadap pentingnya pemeriksaan kehamilan kepada mereka dibandingkan kepada wanita yang baru pertama kali mengandung. Selain itu, perasaan malu karena memiliki banyak anak kemungkinan juga mendorong ibu untuk tidak memeriksakan kehamilannya. Pada Tabel 7 disajikan peluang yang disesuaikan (adjusted probability) untuk setiap perilaku ibu dalam hal perawatan kehamilan. Nilai peluang pada tabel ini merupakan nilai peluang untuk setiap kategori dari suatu variabel dengan memperhitungkan pengaruh variabel lainnya konstan. Nilai kovariat jumlah kelahiran sebelumnya ditentukan berdasarkan nilai rata-ratanya, yaitu sekitar 1,6 anak per wanita dan nilai kovariat lainnya ditentukan berdasarkan proporsi setiap kategori untuk setiap kelompok wanita. Peluang ibu untuk tidak memeriksakan kehamilannya pada trimester pertama, tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, atau memeriksakan kehamilannya pada tenaga kesehatan bukan profesional secara konsisten terjadi lebih besar pada wanita yang tidak mengharapkan kehamilannya, mengandung pada umur lebih muda, berpendidikan rendah, mengalami kesulitan dalam memperoleh uang untuk berobat, berasal dari rumah tangga miskin, dan tinggal di perdesaan. Peluang wanita yang tidak bekerja lebih besar dibandingkan dengan wanita yang bekerja untuk tidak memeriksakan kehamilannya pada trimester pertama dan untuk tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program. Meskipun demikian, tidak ada perbedaan peluang dalam pemilihan tenaga pemeriksa kehamilan antara wanita yang bekerja dan tidak bekerja. Wanita yang tidak memiliki otonomi memiliki peluang yang sedikit lebih besar dibandingkan dengan wanita yang memiliki otonomi dalam memeriksakan kehamilannya pada tenaga kesehatan bukan profesional.


83


Tabel 7. PELUANG YANG DISESUAIKAN (ADJUSTED PROBABILITY) UNTUK PERILAKU PERAWATAN KEHAMILAN BERISIKO, INDONESIA, SDKI 2007

Karakteristik latar belakang

(1)

Peluang yang disesuaikan Jumlah kunjungan Pemeriksaan pemeriksaan Tenaga pemeriksa kehamilan pada kehamilan sesuai kehamilan trimester pertama anjuran program Ya Tidak Ya Tidak Profesional Lainnya (2) (3) (4) (5) (6) (7)

Konstanta

0,73

0,27

0,63

0,37

0,96

0,04

Status kehamilan Diharapkan Tidak diharapkan

0,75 0,68

0,25 0,32

0,65 0,57

0,35 0,43

0,96 0,95

0,04 0,05

Umur saat mengandung < 20 20-30 > 30

0,66 0,73 0,76

0,34 0,27 0,24

0,54 0,63 0,67

0,46 0,37 0,33

0,94 0,96 0,97

0,06 0,04 0,03


0,64 0,73 0,78

0,36 0,27 0,22

0,52 0,63 0,69

0,48 0,37 0,31

0,89 0,95 0,98

0,11 0,05 0,02

Status bekerja Tidak bekerja Bekerja

0,72 0,75

0,28 0,25

0,61 0,65

0,39 0,35

0,96 0,95

0,04 0,05

Otonomi dalam pemeriksaan Kesehatannya Ya Tidak

84

Kesulitan memperoleh uang untuk berobat Ya Tidak

0,67 0,76

0,33 0,24

0,57 0,66

0,43 0,34

0,94 0,96

0,06 0,04

Indeks kekayaan kuintil Kaya Menengah Miskin

0,85 0,76 0,66

0,15 0,24 0,34

0,80 0,67 0,53

0,20 0,33 0,47

0,99 0,97 0,92

0,01 0,03 0,08


0,76 0,71

0,24 0,29

0,68 0,60

0,32 0,40

0,97 0,95

0,03 0,05

Jumlah kelahiran sebelumnya

0,73

0,27

0,63

0,37

0,96

0,04




Model regresi logistik yang dihasilkan menunjukkan adanya signifikansi efek random dari wanita yang tidak teramati dalam model. Efek random dari wanita ini menyebabkan perbedaan risiko kehamilan yang tidak diharapkan untuk wanita dengan karakteristik sosial-ekonomi dan demografi yang sama. Efek random yang tidak teramati dalam penelitian ini kemungkinan diantaranya adalah kesehatan mental wanita dan dukungan lingkungan sosial wanita, hubungan antara wanita dengan ayah dari anak yang dikandungnya, dan reaksi orang tua, saudara kandung, atau sahabat terhadap kehamilannya. Status kehamilan merupakan penduga yang signifikan terhadap perilaku ibu dalam perawatan kehamilan dan kehamilan yang tidak diharapkan memperbesar kecenderungan wanita untuk tidak memeriksakan kehamilannya pada trimester pertama kehamilan, tidak melakukan jumlah kunjungan pemeriksaan kehamilan sesuai anjuran program, atau tidak memeriksakan kehamilannya pada tenaga kesehatan profesional. Oleh karena itu, setiap kehamilan seharusnya diharapkan, yaitu bahwa kehamilan tersebut secara sadar dan jelas diinginkan pada saat pembuahan (konsepsi). Rekomendasi kebijakan untuk meningkatkan partisipasi wanita dalam melakukan perawatan kehamilan yang cukup dapat dicapai dengan cara meningkatkan peran aktif petugas kesehatan, seperti bidan di desa untuk mengunjungi wanita hamil yang ada di wilayah tugasnya. Selain itu, kualitas kegiatan pos pelayanan terpadu (posyandu) perlu lebih ditingkatkan dengan cara menetapkan jadwal kegiatan lebih rutin, memperluas kapasitas pelayanan khususnya yang berkaitan dengan pemeriksaan kehamilan, dan senantiasa menghadirkan petugas kesehatan dalam setiap kegiatan posyandu. Wanita yang berisiko tinggi seperti mereka yang berpendidikan rendah dan miskin harus menjadi target bagi program-program Pemerintah yang berkaitan dengan kesehatan ibu dan anak. Pemberian pelayanan konseling (KIP/K) oleh petugas kesehatan bagi wanita hamil untuk memastikan bahwa mereka tidak akan mengabaikan kesehatan pribadinya atau membahayakan kesehatan anak yang dikandungnya. Petugas kesehatan tidak semata-mata hanya memeriksa kesehatan wanita hamil secara fisik saja, tetapi juga perlu mengetahui kesehatan wanita secara psikis, salah satunya mengenai perasaannya atas kehamilan saat itu. Hal ini dapat diketahui dengan melakukan komunikasi dua arah antara petugas kesehatan dan wanita hamil.


85


DAFTAR PUSTAKA

Alexander, Greg R. dan Milton Kotelchuck. (2001). Assessing the Role and Effectiveness of Prenatal Care: History, Challenges, and Directions for Future Research. Public Health Reports, 116(4): 306-316. Barber, Jennifer S., William G. Axxin, dan Arland Thorton. (1999). Unwanted Childbearing, Health, and Mother-Child Relationships. Journal of Health and Social Behavior, 40(3): 231-257. Baydar, Nazli. (1995). Consequences for Children of Their Birth Planning Status. Family Planning Perspectives, 27(6): 228-234 & 245. Bongaarts, John. (1997). Trends in Unwanted Childbearing in the Developing World. Studies in Family Planning, 28(4): 267-277. Brown, Sarah S. dan Leon Eisenberg. (1995). The Best Intentions: Unintended Pregnancy and the Well-Being of Children and Families. Washington, DC: National Academy Press. Brown, Sarah S. (1989). Drawing Women into Prenatal Care. Family Planning Perspectives, 21(2): 73-88. Curtis, Sian L., Ian Diamond, dan John W. McDonald. (1993). Birth Interval and Family Effects on Postneonatal Mortality in Brazil. Demography, 30(1): 33-43. Departemen Kesehatan. (2001). What Health Service Providers Need to Know About Reproductive Health. Jakarta, Indonesia: Departemen Kesehatan. Eggleston, Elizabeth. (1999). Determinants of Unintended Pregnancy Among Women in Ecuador. Family Planning Perspective, 25(1): 27-33. Gage, Anastasia J. (1998). Premarital Childbearing, Unwanted Fertility and Maternity Care in Kenya and Namibia. Population Studies, 52(1): 21-34. Ganguly, Sujata dan Sayeed Unisa. (2008). Unintended Pregnancies and Its Association with Child Health in India: Evidence from NFHS-3. Journal of Population, (14)2: 157-180. Goldstein, Harvey. (1987). Multilevel Models in Educational and Social Research. New York: Oxford University Press. Institute of Medicine. (1988). Prenatal Care: Reaching Mothers, Reaching Infants. Washington, DC: National Academy Press.

86



Johnson, Kiersten, Osama al Zoubi dan Martin Wulfe. (2004). Mistimed and Unwanted Pregnancies in Jordan. Calverton, Maryland, USA: Jordan Department of Statistics and ORC Macro. Joyce, Theodore J., Robert Kaestner, dan Sanders Korenman. (2002). On the Validity of Retrospective Assessments of Pregnancy Intention. Demography, 39(1): 199-213. -------. (2000). The Effect of Pregnancy Intention on Child Development. Demography, 37(1): 83-94. Kost, Kathryn, David J. Landry, dan Jacqueline E. Darroch. (1998). Predicting Maternal Behaviors During Pregnancy: Does Intention Status Matter? Family Planning Perspective, 30(2): 79-88. Pulley, LeaVonne, Lorraine V. Klerman, Hao Tang, dan Beth A. Baker. (2002). The Extent of Pregnancy Mistiming and Its Association With Maternal Characteristics and Behaviors and Pregnancy Outcomes. Perspectives on Sexual and Reproductive Health, 34(4): 206-211. Raghupathy, Shobana. (1997). Unwanted Pregnancies and Preventive Health Care Use in Thailand. Population Research and Policy Review, 16: 579-595. Rajagukguk, Omas Bulan. (1997). Analysis of Contraceptive Switching in Indonesia. Journal of Population, 3(2): 97-117. Santelli, J., Rochat R., Hatfield-Timajchy, Gilbert B. C., Curtis K., Cabral R., Hirsch J. S., Schieve L., dan Unintended Pregnancy Working Group. (2003). The Measurement and Meaning of Unintended Pregnancy. Perspectives on Sexual and Reproductive Health, 35(2): 94-101. Weller, Robert H., Isaac W. Eberstein, dan Mohamed Bailey. (1987). Pregnancy Wantedness and Maternal Behavior During Pregnancy. Demography, 24(3): 407-412. Williams, Linda B. (1991). Determinants of Unintended Childbearing Among Ever-Married Women In the United States: 1973-1988. Family Planning Perspectives, 23(5): 212-221.


87


PENGARUH PENDIDIKAN TERHADAP PENDAPATAN (Studi Perbandingan Hierarchical Linear Model dengan Classical Regression)

Ifra Warnita dan Ekaria

Abstract

Education becoming the purpose of basic development for every country. It contributes directly to the rate of welfare of the people. To understand the effect of education on income the study applying simple regression model. However, when the units of observation has hierarchical structure the parameter estimation of the model will be inaccurate. One of the model that can handle the inaccuracy is the Hierarchical Linear Model (HLM). HLM will examines the relation between education and income. Applying Simple Regression Model confirm that education significantly has effect on income. By using HLM has the same result too. Applying HLM exhibits that inflation does not significantly connect education and income. However HLM has significant variation on how education affects income between city and other factors other than inflation.

Keywords: hierarchical linear model, classical regression

I.

PENDAHULUAN

Saat ini keunggulan suatu bangsa tidak lagi bertumpu pada kekayaan alam, melainkan pada keunggulan sumber daya manusia, yaitu tenaga terdidik yang mampu menjawab tantangantantangan yang sangat cepat. Pendidikan memainkan peran kunci dalam membentuk kemampuan suatu negara

untuk

menyerap teknologi modern dan untuk mengembangkan kapasitas agar tercipta pertumbuhan, serta pembangunan berkelanjutan. Peran gandanya sebagai input maupun output menyebabkan pendidikan sangat penting dalam pembangunan ekonomi (Todaro dan Smith, 2003). Standing (dalam Sri Harijati Hatmaji, 1985) menyatakan bahwa semakin tinggi pendidikan seseorang, semakin tinggi aspirasinya tentang pendapatan dan jabatan yang diinginkan. Atau dengan kata lain, tingkat pendidikan memiliki pengaruh terhadap pendapatan seseorang. 88



Pada umumnya pembahasan mengenai pengaruh pendidikan terhadap pendapatan digunakan model regresi klasik. Akan tetapi, apabila wilayah penelitian mencakup berbagai kota, propinsi, pulau ataupun berbagai struktur hierarki lain, maka model regresi klasik akan memberikan hasil prediksi yang kurang akurat. Penyebabnya adalah model regresi klasik mengabaikan adanya efek intraclass correlation (ICC) pada struktur data hierarki. Salah satu model yang dapat digunakan untuk menggantikan regresi klasik yaitu model multilevel (multilevel modeling). Model ini memperhitungkan adanya ICC pada data, sehingga memiliki akurasi prediksi yang lebih tinggi. (Kreft and De Leeuw, 1998; Snijders and Bosker, 1999; Raudenbush and Bryk, 2002 dalam Andrew Gelman, 2005) Salah satu model multilevel yaitu Hierarchical Linear Models (HLM). Wilayah penelitian mencakup 13 (tiga belas) ibu kota propinsi di Kawasan Barat Indonesia. Kota-kota tersebut dipilih berdasarkan kemiripan ciri dari aspek sosial (persentase kumulatif penduduk yang berhasil menyelesaikan pendidikannya minimal Sekolah Menengah Atas atau sederajat) dan ekonomi (PDRB per kapita 2006 atas dasar harga konstan adhk 2000). Kemiripan ciri pada propinsi yang dipilih ini bertujuan agar seluruh unit observasi dapat dianggap berasal dari suatu populasi yang sama, sehingga dapat dimodelkan dengan hanya satu persamaan regresi klasik. Inflasi merupakan salah satu indikator yang menggambarkan keadaan perekonomian suatu wilayah. Melalui angka inflasi, dapat dilihat bagaimana gambaran harga-harga pada masing-masing kota. Angka inilah yang menjadi ciri pembeda antar kota dalam penelitian ini. Penelitian ini bertujuan untuk mengetahui bagaimana pengaruh pendidikan terhadap pendapatan melalui model regresi klasik dan HLM, kemudian membandingkan hasil antara kedua model tersebut. Software HLM 6.03 Student Edition digunakan untuk membentuk model HLM.

II. LANDASAN TEORI a. Struktur Data Hierarki

Manusia atau jenis unit amatan lain cenderung untuk berada di dalam suatu struktur organisasi. Contoh pada dunia pendidikan, yaitu siswa berada di dalam suatu struktur sosial berhierarki seperti keluarga, teman sebaya, ruang kelas, tingkatan kelas, sekolah, kota, dan negara. Saat melakukan analisis, perlu diperhatikan ada tidaknya struktur hierarki pada data. Strategi yang bisa diterapkan dalam menangani struktur data hierarki yaitu agregasi dan disagrergasi. Pada agregasi, nilai-nilai peubah pada level yang lebih rendah diagregasi ke atas atau ke level yang lebih tinggi. Masalah pada strategi ini yaitu banyak (mencapai 80-90 persen) variasi nilai TAHUN 4, VOLUME 1, JUNI 2012

89


peubah pada individu yang hilang. Hilangnya informasi mengenai variasi ini bisa menimbulkan estimasi yang terlalu rendah (under estimation) atau terlalu tinggi (over estimation) terhadap hubungan antar peubah. Proses disagrergasi dilakukan dengan cara membawa peubah yang lebih tinggi ke peubah yang lebih rendah. Kelemahannya yaitu tidak adanya independensi antar observasi. Sebagaimana diketahui bahwa dalam sebagian besar teknik analisis diinginkan adanya independensi antar observasi sebagai asumsi yang utama. Apabila asumsi ini dilanggar, metode OLS akan menghasilkan standard error yang lebih kecil dan peluang menolak hipotesis nol lebih besar dari yang seharusnya.

b.

Kerangka Penelitian

Model hubungan antara pendidikan dan pendapatan dengan inflasi sebagai peubah perantara menjadi kerangka pikir dalam penelitian ini. Pendekatan model Regresi klasik akan digunakan untuk mengetahui pengaruh pendidikan terhadap pendapatan, dan dengan HLM selain pengaruh pendidikan terhadap pendapatan, akan diketahui juga apakah inflasi menjembatani (moderates) hubungan antara pendidikan dengan pendapatan, serta apakah inflasi memberi pengaruh pada pendapatan, sebagaimana bagan berikut ini:

Pendidikan Lama Sekolah

Inflasi Pendapatan Pengeluaran Bukan Makanan

Gambar 1. Bagan kerangka pikir

III. METODOLOGI 3.1 Sumber Data Data pengeluaran bukan makanan yang merupakan pendekatan untuk peubah pendapatan diperoleh dari hasil Survei Sosial Ekonomi Nasional (Susenas) 2006 yang dilakukan oleh Badan Pusat Statistik (BPS). Peubah pendidikan diperoleh dari beberapa rincian pertanyaan pada Susenas 2006 kuesioner Kor yaitu menggunakan data lamanya sekolah sesuai konsep dan

90



definisi dari BPS. Angka inflasi 2006 untuk kota-kota dalam penelitian diperoleh dari publikasi Indikator Ekonomi edisi Desember 2007 yang dipublikasikan oleh BPS.

3.2

Hierarchical Linear Model (HLM)

Secara umum, analisis pada HLM bertujuan menentukan efek peubah penjelas individu dan grup secara langsung. Selain itu, HLM juga menentukan apakah peubah penjelas pada level grup bisa dikatakan sebagai peubah perantara (moderator) pada hubungan level individual. Jika diringkas, ada empat alasan mengapa HLM lebih baik digunakan pada stuktur data hierarki (Jon Rasbash, 2005), yaitu: 1.

Analisis inferensia yang lebih tepat

Regresi klasik memperlakukan unit analisis sebagai unit amatan yang independen. Salah satu akibat jika hal ini diberlakukan terhadap data hierarki adalah standard error koefisien regresi akan underestimate sehingga pernyataan mengenai tingkat signifikansi akan overstatement. Dengan kata lain, tingkat kepercayaan terhadap signifikansi koefisien regresi terlalu tinggi. 2.

Efek grup

Banyak penelitian lebih terfokus pada karakteristik grup. Pertanyaan utama pada penelitianpenelitian tersebut adalah apakah karakteristik grup dapat mempengaruhi karakteristik individual. Pada HLM, hal ini dapat dijelaskan melalui varians residual pada level grup. 3.

Estimasi efek grup dilakukan secara simultan menggunakan peubah bebas pada level

grup Pada regresi klasik, salah satu cara untuk mengikutsertakan peubah grup pada model adalah dengan membentuk peubah dummy. Model seperti ini biasanya disebut sebagai fixed effect model. Pada model ini, efek peubah individual dan efek peubah grup (group dummies) terhadap peubah tak bebas tidak dapat dipisahkan sebab hanya satu level model yang dibentuk. Pada model multilevel, kedua jenis efek ini dapat diestimasi secara terpisah. 4.

Inferensia terhadap populasi grup

Pada model multilevel, grup-grup yang terpilih sebagai sampel diperlakukan sebagai sampel acak dari populasi grup tersebut. Dengan demikian, analisis dapat dikembangkan terhadap populasi grup. Estimasi ICC bisa diperoleh melalui formula berikut: ρ= σ00/(σ00 + σ2)

;0≤ρ≤1

Keterangan: TAHUN 4, VOLUME 1, JUNI 2012

91


σ00

: varians residual intercept pada level grup

σ2

: varians residual pada level individu

Kish (1965: 171) menyatakan bahwa biasanya deviasi elemen-elemen pada cluster yang sama terhadap rata-rata populasi menuju arah yang sama, sehingga nilai ρ cenderung positif. J. Kyle Roberts& James P. Monaco (2006) menjelaskan bahwa secara umum ICC dianggap sebagai derajat ketergantungan (degree of dependence) dari individu terhadap unit pada struktur yang lebih tinggi dimana individu tersebut berada. Konsep dasar dibalik HLM hampir sama dengan metode OLS. Analisis pada level 1 HLM sama dengan metode OLS yaitu peubah tak bebas diprediksi oleh fungsi dari kombinasi linier satu atau lebih peubah bebas ditambah intercept. J.J. Hox (1995: 15) menyatakan bahwa teori statistik dibalik multilevel model sangat kompleks. Pada model ini, ada dua jenis parameter yang diestimasi yaitu koefisien regresi dan komponen varians. Pada peneltian ini, metode estimasi yang digunakan adalah metode Restricted Maximum Likelihood

(ReML) yang merupakan modifikasi MLE. Pada metode ini, hanya komponen

varians yang ada di dalam fungsi likelihood, sehingga metode ReML tidak memberikan nilai koefisien regresi estimasi. Solusinya adalah menggunakan metode Generalized Least Squares (GLS) untuk mengestimasi koefisien regresi dengan memanfaatkan hasil estimasi komponen varians dari ReML. Model HLM dalam penelitian menggunakan peubah bebas pada level 1 berbeda dengan level 2 adalah sebagai berikut: Level 1:

(pendapatan)ij = β0j + β1j(pendidikan) + εij

Level 2:

β0j = γ00 + γ01(inflasi)j + u0j

β1j = γ10 + γ11(inflasi)j + u1j Keterangan: i = 1, 2, …., nj dengan nj merupakan jumlah unit level individu pada kota ke-j j = 1, 2, ….,13 (jumlah kota dalam penelitian ini) β0j β1j γ00 γ01 γ10 γ11 εij 92

: rata-rata pendapatan pada kota ke-j : slope peubah pendidikan pada kota ke-j : rata-rata keseluruhan (grand mean) pendapatan : slope pada persamaan intercept : intercept pada persamaan slope : slope pada persamaan slope : residual individu ke-i pada kota ke-j { ε ~ multivariate normal ( 0 , σ2I) } TAHUN 4, VOLUME 1, JUNI 2012


u0j : residual pada persamaan intercept u1j : residual pada persamaan slope ┌ u.j ~ multivariate normal (0, Σ) dengan Σ =│ σ00 └ σ10

σ01 ┐ │ σ11 ┘

Terdapat banyak pilihan prosedur pembentukan model yang bisa digunakan untuk memperoleh model yang terbaik. J.J Hox (1995: 20) menyatakan bahwa jika peneliti tidak memiliki teori yang kuat dalam penelitiannya, maka exploratory procedure1 bisa digunakan untuk medapatkan model yang terbaik.3 Pada penelitian ini, sesuai dengan tujuan penelitian, hanya empat tahap yang digunakan.

IV. HASIL DAN PEMBAHASAN

a.

Gambaran hubungan pendidikan dan pendapatan pada wilayah penelitian Banyak faktor yang menyebabkan besar atau kecilnya pendapatan yang diterima oleh

seseorang, baik faktor yang ada pada diri orang tersebut maupun faktor dari luar. Dengan semakin tingginya tingkat pendidikan yang dimiliki, diharapkan semakin besar peluang atau kemampuan seseorang untuk memperoleh pendapatan dalam rangka meningkatkan kualitas hidupnya.

Sumber: Susenas Kor 2006, BPS (diolah) Gambar 2. Rata-rata pendapatan berdasarkan tingkat pendidikan menurut kota (dalam rupiah)

Pada gambar 2 terlihat bahwa setiap kota memiliki persentase penduduk dengan mayoritas jenjang pendidikan yang dicapai berbeda-beda dan ciri rata-rata pendapatan yang berbeda pula.

3

J.J. Hox. Applied Multilevel Analysis. Amsterdam: T.T.Publikaties, 1995, hal. 20-22 pada: http://www.cmm.bristol.ac.uk/learning-training/multilevel-m-support/amabook.pdf TAHUN 4, VOLUME 1, JUNI 2012

93


Secara sepintas, terlihat adanya pola yang hampir sama pada semua kota yaitu Semakin tinggi tingkat pendidikan, pendapatan yang diperoleh juga cenderung semakin besar. Walaupun demikian, pada beberapa kota terlihat bahwa ternyata tingginya tingkat pendidikan tidak menjadi jaminan bahwa sesorang dengan bekal pendidikan yang tinggi akan memperoleh pendapatan yang lebih tinggi daripada orang yang berpendidikan rendah. Hal ini bisa terjadi karena pendidikan bukanlah satu-satunya faktor yang mempengaruhi besarnya pendapatan yang diperoleh.

b.

Pemodelan pendapatan menggunakan regresi klasik

Model regresi klasik yang digunakan adalah model regresi linier sederhana dengan metode yang digunakan untuk estimasi parameter adalah OLS (Ordinary Least Squares). Persamaan regresi yang dibentuk adalah: (pendapatan)i = β0 + β1(pendidikan)i + εi

Hasil uji t menunjukkan bahwa kedua parameter dalam model, yaitu intercept dan slope peubah lama sekolah, signifikan dengan tingkat kepercayaan 95 persen. Berdasarkan nilai R-squared, dapat dikatakan bahwa 65 persen variasi pada pengeluaran bukan makanan mampu dijelaskan oleh peubah lama sekolah. Agar dapat diinterpretasi, hasil estimasi koefisien regresi harus ditransformasi menggunakan anti-logaritma natural. Hasil pengujian hipotesis terhadap intercept dan slope diatas menunjukkan bahwa perbedaan pendidikan selama setahun akan menyebabkan perbedaan pendapatan sebesar 1,14 rupiah.

c.

Pemodelan pendapatan menggunakan HLM Ada beberapa tahapan dalam HLM untuk melakukan analisis pengaruh pendidikan terhadap pendapatan dengan inflasi sebagai variabel perantaranya, yaitu:

Tahap 1 Tahap awal yaitu pembentukan model ANOVA satu arah. Pada model ini, varians pengeluaran bukan makanan akan dipartisi menjadi varians dalam grup (varians residual level 1) dan varians antar grup (varians residual level 2). Dengan demikian, dapat diketahui bagaimana variasi pengeluaran bukan makanan pada tingkat individual maupun pada tingkat kota. Model ANOVA satu arah yang terbentuk, yaitu: 94



Level 1: Yij = βij + eij Level 2: β0j = γ00 + u0j Tabel 1. Estimasi dan pengujian parameter pada tahap ke-1 Fixed effect

γ00 Random effect

u0j eij

Koefisien 13,6872

Standard error 0,0373

uji t 366,731

Db 12

p-value 0,000

Simpangan baku 0,1126

Varians 0,0127

Db 12

χ2 39,9889

p-value 0,000

0,7404

0,5483

Jika dilakukan anti-ln terhadap koefisien γ00 pada tabel diatas, maka diperoleh hasil 879.580,2. Angka ini menunjukkan rata-rata pendapatan per bulan per penduduk pada seluruh kota penelitian (grand mean) yaitu sebesar 879.600 rupiah. Varians eij yang besar menunjukkan bahwa masih banyak variasi pengeluaran bukan makanan yang belum dijelaskan di dalam model. Sedangkan varians pada level 2 (u0j ) menunjukkan adanya karakteristik kota yang tidak tercakup dalam model yang turut menyebabkan terjadinya variasi pada pengeluaran bukan makanan. Berdasarkan hasil estimasi nilai varians peda kedua residual tersebut, dapat dikatakan bahwa variasi pendapatan lebih banyak terjadi pada tingkat individual (level 1) daripada tingkat kota (level 2). Jika dilihat dari nilai ICC: ρ= σ00/(σ00 + σ2) = 0.0127 / (0.5483 + 0.0127) = 0,0226

Terlihat bahwa nilai ICC juga memberikan kesimpulan yang sama. Variasi pendapatan yang terjadi antar kota sebesar 2,26 persen dari total variasi pendapatan pada seluruh unit observasi, sedangkan sisanya 98,75 persen terjadi di dalam kota. Walaupun angka ICC kecil, tetapi nilai ICC tidak sama dengan nol (non zero). Hal ini menunujukkan adanya pelanggaran asumsi pada OLS yaitu independensi antar unit observasi. Salah satu analisis yang penting dari pemodelan ANOVA yaitu untuk menguji hipotesis: H0 : u01 = u02 = u02 = … = u013 = 0 H1 : Paling tidak ada satu u0j ≠ 0 , j = 1,2,…,13 Berdasarkan uji Chi-Square, keputusan yang diambil yaitu hipotesis nol bisa ditolak dengan tingkat kepercayaan 95 persen. Hal ini berarti terdapat variasi yang signifikan pada pengeluaran bukan makanan antar kota. Kesimpulan selanjutnya adalah HLM tepat digunakan sebagai TAHUN 4, VOLUME 1, JUNI 2012

95


pendekatan untuk membentuk persamaan regresi mengenai pengaruh pendidikan terhadap pendapatan pada wilayah penelitian. Jadi, tahap pembentukan model HLM dapat dilanjutkan untuk memperoleh model yang lebih baik.

Tahap 2 Pada tahap ini, akan dilihat apakah pendidikan (X) mampu menjelaskan variasi yang terjadi pada pendapatan (Y). Selain itu, akan dilihat apakah hubungan antara pendidikan dan pendapatan bervariasi antar kota. Model yang dibentuk pada tahap ke-2 adalah random coefficient regression model, yaitu: Level 1: Yij = β0j + β1jXij + eij Level 2: β0j = γ00 + u0j β1j = γ10 + u1j Tabel 2. Estimasi dan pengujian parameter pada tahap ke-2 Fixed effect

Koefisien

Standard error

uji t

db

p-value

γ00

13,6895

0,0376

363,912

12

0,000

γ10

0,1303

0,0102

12,706

12

0,000

Random effect

Simpangan baku

Varians

db

χ2

p-value

u0j

0,1294

0,0167

12

134,6239

0,000

u1j

0,0356

0,0013

12

139,8818

0,000

eij

0,4040

0,1632

Varians residual level 1 (eij ) menurun cukup drastis dari 0,5483 menjadi 0,1632. Hal ini berarti peubah lama sekolah mampu mengurangi variasi pengeluaran bukan makanan yang terjadi di dalam kota sebesar 70,32 persen. Signifikansi varians residual pada persamaan slope mengindikasikan bahwa koefisien lama sekolah bervariasi antar kota. Hal ini berarti terdapat variasi pengaruh pendidikan terhadap pendapatan antar kota.

Tahap 3 Hasil pengujian komponen varians level 2 pada tahap ke-2 menunjukkan masih terdapat varians pengeluaran bukan makanan yang signifikan yang tidak dijelaskan oleh model. Jika

96



peubah bebas pada level 2, yaitu inflasi (Z), diikutsertakan ke dalam persamaan intercept, diharapkan nilai varians komponen residual pada level 2 (σ00 ) bisa mengecil. Pengujian dilakukan melalui model intercept sebagai hasil (outcome), yaitu: Level 1: Yij = β0j + β1jXij + eij Level 2: β0j = γ00 + γ01Zj + u0j β1j = γ10 + u1j Tabel 3. Estimasi dan pengujian parameter pada tahap ke-3 Fixed effect

Koefisien

Standard error

uji t

db

p-value

γ00

13,2064

0,0828

159,510

11

0,000

γ01

0,0673

0,0113

5,978

11

0,000

γ10

0,1305

0,0102

12,773

12

0,000

Varians

db

χ

p-value

0,0034

11

39,6342

0,000

0,0013

12

139,6641

0,000

Random effect u0j

Simpangan baku 0,0588

0,0355

u0j eij

0,4039

2

0,1632

Varians komponen residual pada persamaan intercept (σ00) jauh lebih kecil daripada model sebelumnya atau berkurang sekitar 80 persen. Hasil ini mengindikasikan bahwa kontribusi inflasi pada keragaman nilai rata-rata pengeluaran bukan makanan antar kota, bisa dikatakan, sangat tinggi. Hasil uji terhadap komponen ini ternyata masih signifikan. Hal ini berarti masih terdapat faktor kota lainnya, selain inflasi, yang turut mempengaruhi variasi nilai pendapatan penduduk. Hasil uji t terhadap γ01 yang signifikan memiliki arti bahwa dua orang penduduk yang memiliki tingkat pendidikan yang sama, akan memiliki rata-rata pendapatan berbeda jika mereka tinggal di kota dengan estimasi intercept (β0j) yang berbeda. Apabila hasil estimasi β0j pada dua kota bernilai sama dan positif, maka penduduk yang berada di kota dengan inflasi yang lebih tinggi akan memiliki pendapatan yang lebih tinggi pula dan sebaliknya. Nilai γ01 sebesar 0,0673 bila diubah dalam satuan rupiah menjadi 1,07 rupiah memberikan arti bahwa perbedaan inflasi sebesar 1 persen akan menyebabkan perbedaan rata-rata pengeluaran bukan makanan sebesar 1,07 rupiah dengan mengontrol lama sekolah. Signifikansi γ01 juga menunjukkan bahwa saat inflasi bernilai nol (tidak terjadi inflasi), rata-rata pengeluaran bukan makanan akan bernilai sama dengan koefisien γ00 yaitu 543.800 rupiah. Nilai ini lebih kecil daripada hasil estimasi


97


pada model dalam tahap ke-2. Adanya faktor inflasi dalam model menjadi penyebab terkoreksinya nilai rata-rata pendapatan seluruh unit observasi.

Tahap 4 Berikut Intercept and slope as outcome model yang dibentuk pada tahap ini. Level 1: Yij = β0j + β1jXij + eij Level 2: β0j = γ00 + γ01Zj + u0j β1j = γ10 + γ11Zj + u1j Pembentukan model ini menyebabkan adanya bentuk interaksi dalam model. Melalui combined model berikut dapat dilihat bentuk interaksi tersebut: Yij = γ00 + γ01Zj + γ10Xij + γ11ZjXij + u1jXij u0j + eij Koefisien γ11 merupakan koefisien yang menunjukkan adanya bentuk interaksi antar peubah bebas dari level yang berbeda (cross level interaction). Tabel 4. Estimasi dan pengujian parameter pada tahap ke-4 Fixed effect

Koefisien

Standard error

uji t

db

p-value

γ00

13,2191

0,0837

157,866

11

0,000

γ01 γ10

0,0655 0,1727

0,0114 0,0434

5,753 3,982

11 11

0,000 0,002

γ11

-0,0059

0,0059

-1,002

11

0,338

Simpangan baku

Varians

db

χ2

p-value

u0j

0,0588

0,0034

11

39,2832

0,000

u1j

0,0355

0,0013

11

118,7510

0,000

eij

0,4039

0,1631

Random effect

Penambahan inflasi pada persamaan slope ternyata mempengaruhi nilai koefisien γ10 , standard error, dan p-value berdasarkan uji-t. Walaupun demikian, koefisien tersebut tetap signifikan pada tingkat keyakinan 95 persen. Jadi, tetap dapat disimpulkan bahwa pendidikan mempengaruhi pendapatan. Pengaruh pendidikan terhadap pendapatan ini akan berbeda pada tiap kota terbukti dengan signifikansi varians residual pada persamaan slope.

98



Bentuk interaksi ternyata tidak signifikan dengan p-value yang dihasilkan 0,338. Hal ini berarti inflasi tidak menjembatani (moderates) hubungan antara pendidikan dan pendapatan. Dengan kata lain, perbedaan angka inflasi antar kota tidak menyebabkan terjadinya perbedaan pengaruh pendidikan terhadap pendapatan. Akan tetapi, varians residual pada persamaan slope tetap. Hal ini mengindikasikan bahwa terdapat faktor kota lainnya, selain inflasi, yang bisa menjembatani hubungan antara pendidikan dan pendapatan yang tidak tercakup dalam penelitian ini.

d.

Perbandingan hasil pemodelan pendapatan antara regresi klasik dengan HLM

Terdapat empat tahap dalam pembentukan model menggunakan HLM. Hasil estimasi pada tahap ke-2 yang akan dibandingkan dengan OLS. Alasannya adalah saat melakukan pemodelan menggunakan regresi klasik, peubah yang menjadi ciri kota, yaitu inflasi, tidak diikutsertakan dalam model. Dengan demikian, perbandingan hasil estimasi dapat lebih terarah dan fokus hanya pada peubah yang berada pada level yang sama yaitu pendidikan dan pendapatan.

Tabel 5. Hasil estimasi parameter melalui OLS dan HLM Parameter* Fixed part: Intercept Pendidikan Random part: σ2 (varians dalam kota) σ00 (varians antar kota) σ11 (varians antar kota) ICC

Hasil estimasi OLS HLM Koefisien Std. error Koefisien Std. error 12,3186 0,1306

0,0290 0,0025

0,1936 -

-

13,6895 0,1303

0,0376 0,0102

0,1632 0,0167 0,0013 0,0226

-

Ket: * semua parameter estimasi signifikan pada tingkat kepercayaan 95 persen

Hasil estimasi intercept dan koefisien pendidikan pada OLS dan HLM dapat dikatakan hampir sama. Hal ini tidak mengherankan sebab setelah komponen varians diestimasi menggunakan ReML pada HLM, koefisien regresi pada kedua model diestimasi dengan metode least square. Akan tetapi, terdapat ICC sebesar 2,26 persen. Hal inilah yang mempengaruhi estimasi standard error yang selanjutnya juga akan berpengaruh pada p-value yang dihasilkan melalui OLS.


99


Standard error koefisien pendidikan yang dihasilkan OLS jauh lebih kecil (under estimate) atau kurang dari satu per empat standard error yang dihasilkan oleh HLM. Hal ini merupakan salah satu akibat dari pemodelan yang mengabaikan adanya struktur hierarki pada data. Apabila hal ini tetap diabaikan, maka hasil pengujian terhadap koefisien regresi akan menjadi bias dengan kesalahan jenis I (α) yang lebih kecil dari yang seharusnya. Semakin besar nilai ICC, maka semakin besar juga nilai α yang seharusnya dihasilkan melalui pemnbentukan model regresi klasik. Hal ini juga dapat mempengaruhi pembentukan selang kepercayaan dari koefisien regresi.


Berdasarkan hasil pengujian dari pembentukan model regresi klasik dan HLM diketahui bahwa pendidikan signifikan mempengaruhi pendapatan. Semakin tinggi tingkat pendidikan seseorang, maka semakin besar peluangnya untuk memperoleh pendapatan yang lebih besar. Melalui model HLM diketahui juga bahwa terdapat variasi yang signifikan pada hubungan antara pendidikan dan pendapatan antar kota. Hal ini menunjukkan adanya struktur hierarki pada data, yaitu setiap kota memiliki ciri tertentu yang membedakannya dengan kota lainnya. Pada peneltian ini, ternyata inflasi pada suatu kota signifikan mempengaruhi pendapatan yang diperoleh penduduk yang tinggal di kota tersebut. Akan tetapi, inflasi tidak signifikan menjembatani (moderates) pengaruh pendidikan terhadap pendapatan. Pemodelan HLM dalam penelitian ini hanya menggunakan satu peubah bebas pada masingmasing level, disarankan untuk menambah peubah bebas pada level individual maupun pada level grup agar dapat mengurangi variasi yang tidak dapat dijelaskan oleh peubah tak bebas.

100



DAFTAR PUSTAKA

Badan Pusat Statistik [BPS]. 2006. Pedoman Pencacah Kor. Survei Sosial Ekonomi Nasional (Susenas) 2006. Jakarta: BPS. ______________________. 2007. Indikator Ekonomi Desember 2007. Jakarta: BPS. ______________________. 2007. Statistik Pendidikan 2006. Jakarta: BPS. ______________________. 2007. Produk Domestik Regional Bruto Kabupaten/Kota di Indonesia 2002-2006. Jakarta: BPS. ______________________. 2007. Produk Domestik Regional Bruto Propinsi-Propinsi di Indonesia 2002-2006. Jakarta: BPS. Brown, Kenneth H. and Bulent Uyar,. 2004. A Hierarchical Linear Model Approach for Assessing the Effects of House and Neighborhood Characteristics on Housing Prices. Journal of Real Estate Practice and Education pada http://findarticles.com/p/articles/mi_qa4056/is_200401/ai_n9396551 --house.htm (diakses 23 Agustus 2007) Departemen Pendidikan dan Kebudayaan. 1999. Kamus Besar Bahasa Indonesia. Edisi Kedua. Jakarta: Balai Pustaka. De Leeuw, Jan. 2005. Linear Multilevel Models. Wiley pada http://preprints.stat.ucla.edu/394/mixedpre.pdf (diakses 6 Maret 2008) Gelman, Andrew. 2005. Mulitilevel (hierarchical) modeling: what it can and can’t do. Pada http://polmeth.wustl.edu/retrieve.php?id=474 (diakses 30Agustus 2007) Goldstein, Harvey. 1999. Multilevel Statistical Models. London Institute of Education pada http://www.arnoldpublisher.com/support/goldstein.htm (diakses 13 Januari 2008) Griffin, Mark A. dan David A. Hofmann. 1997. Hierarchical Linear Models in Organizational Research: Cross-Level Interaction. Pada http://division.aomonline.org/rm/1997_forum_hlm_models.html (diakses 8 Maret 2008) Hatmaji, Sri Harijati. 1985. Mutu Modal Manusia Suatu Analisis Pendahuluan pada http://www.socialresearchmethods.net/tutorial/Cho/intro.htm Hox, Joop J. 1995. Applied Multilevel Analysis. Amsterdam: T.T. Publikaties. Pada http://www.cmm.bristol.ac.uk/learning-training/multilevel-m-support/amabook.pdf (diakses 13 Januari 2008) TAHUN 4, VOLUME 1, JUNI 2012

101


Kish, Leslie. 1965. Survey Sampling. New York: John Wiley&Sons, Inc. Osborne, Jason W. 2000. Advantages of Hierarchical Linear Modeling. University of Oklahoma pada http://pareonline.net/getvn.asp?v=7&n=1, (diakses 9 Februari 2008) Rasbash, Jon. 2005. What are multilevel models and why should I use them? pada www.cmm.bristol.ac.uk/learning-training/multilevel-models/what-why.shtml (diakses 15 Februari 2008) Roberts, J. Kyle dan James P. Monaco. 2006. Effect Size Measure for The Two-Level Linear Multilevel Model pada http://www.hlm-online.com/papers/HLM_effect_size.pdf (diakses 22 Februari 2008) Samuelson, Paul A. dan William D. Nordhaus. 2001. Ilmu Makro Ekonomi. Edisi Tujuh Belas. Jakarta: PT Media Global Edukasi. Todaro, et al. 2003. Pembangunan Ekonomi di Dunia Ketiga. Jakarta: Erlangga. University of California Academic Technology Services pada http://www.ats.ucla.edu/stat/hlm/seminars/hlm6/mlm_hlm6_seminar.htm (diakses 2 Mei 2008)

102



SISTEM APLIKASI PENYUSUNAN NERACA PRODUKSI SEKTORAL INDUSTRI BESAR SEDANG

Wahyu Kurnianto dan Said Mirza Pahlevi

Abstract

Production Account is an information tools used to record and analyze the various problems that occur in social and economic sector at macro level. Forming sectoral production’s balance of Large Medium industry is not currently conducted by a special application so that it requires a long time in counting process and its management may take four months. It also needs eight people so it takes a lot of money. This research aims to build an integrated system of specialized applications that have a centralized database and can automate most of the KKI code cleaning process and destination so that the forming of the balance sheet more quickly and efficiently. Through this application, when user cleaning KKI code, application automatically search for KKI code that more accurate with the similarity KKI description approach and also search additional information using the internet. Then application generate a special worksheet that can help in the counting process (destination), and generate dynamic reports in accordance with the requirements. Keywords : Production Account, search KKI code , clean KKI code, similarity KKI description approach

I.

PENDAHULUAN

Neraca Produksi merupakan produk statistik yang digunakan secara umum dengan tujuan untuk mempelajari dan mencari deskripsi statistik (data kuantitatif) dari berbagai perilaku atau kegiatan ekonomi dalam satu wilayah atau daerah pada satu periode tertentu. Penyusunan neraca produksi dilakukan oleh Subdirektorat Neraca Barang setiap tahun dengan menggunakan data hasil survei tahunan industri yang dikeluarkan oleh Bagian Statistik Industri Besar dan Sedang. Survei tahunan industri tersebut dilakukan dengan pendekatan establishment (perusahaan) dan tabulasinya disajikan secara rinci berdasarkan lima digit kode KBLI (Klasifikasi Baku Lapangan Usaha Indonesia). Penentuan suatu establishment masuk ke dalam lima digit kode KBLI TAHUN 4, VOLUME 1, JUNI 2012

103


didasarkan oleh produk utamanya. Produk utama ialah produk yang nilai outputnya paling besar dibandingkan dengan nilai produk- produk lain yang dihasilkan oleh suatu establishment. Pada kenyataannya satu establishment menghasilkan berbagai jenis produk yang mempunyai ciri produk yang tidak sesuai lagi dengan ciri produk utamanya (heterogen). Agar data tersebut dapat digunakan dalam proses penyusunan neraca produksi diperlukan proses pengolahan lebih lanjut yang disebut dengan proses Transfer In Transfer Out (TITO). Proses ini masih dilakukan secara manual dengan bantuan software pengolah angka. Sampai saat ini, proses penyusunan neraca produksi IBS dilakukan oleh tim yang terdiri dari delapan orang dengan waktu penyelesaian empat bulan. Hal ini sangat tidak efisien karena memerlukan banyak sumber daya dan waktu sedangkan tuntutan terhadap data BPS yang mutakhir semakin tinggi. Salah satu cara yang dapat dilakukan untuk mengefisienkan proses TITO dalam penyusunan neraca produksi IBS adalah dengan membangun aplikasi yang dapat membantu proses tersebut terutama yang dilakukan secara manual. Tujuan dari penelitian ini adalah membangun sistem penyusunan Neraca Produksi Sektoral IBS dengan metode TITO agar dapat mengefisienkan waktu penyusunan Neraca Produksi Sektoral IBS. Manfaat yang diperoleh dari penelitian ini sebagai berikut. 1. Beban pekerjaan penyusunan Neraca Produksi Sektoral IBS dapat dikurangi dengan adanya fungsi - fungsi yang didukung oleh aplikasi sistem penyusunan Neraca Produksi Sektoral IBS; 2. Keakuratan dan ketepatan penghitungan dapat ditingkatkan dan kesalahan akibat faktor manusia dapat diminimalkan; 3. Pengetahuan yang dimiliki oleh petugas TITO dapat disimpan dan dikelola dalam basis data sehingga menghilangkan kekhawatiran akan terjadinya monopoli pengetahuan.

II. KERANGKA TEORITIS 2.1 Neraca Produksi Sektoral IBS Neraca produksi merupakan neraca yang mencatat kegiatan produksi barang dan jasa sebagaimana dimaksud dalam neraca nasional. Neraca produksi mencakup sektor kelembagaan dan juga industri. Sumbernya meliputi output kotor dan pajak atas produk dikurangi subsidi pada produk dan penggunaannya, termasuk konsumsi antara. Neraca produksi digunakan untuk mendapatkan salah satu item keseimbangan yang paling penting dalam sistem yakni Nilai Tambah Bruto (NTB) (nilai yang dihasilkan oleh setiap unit yang terlibat dalam aktivitas

104



produksi) dan Produk Domestik Bruto (PDB). Nilai tambah secara ekonomis yang signifikan antara sektor kelembagaan dan industri. Data neraca produksi yang dihasilkan oleh BPS disusun berdasarkan klasifikasi sektoral. Salah satu sektornya yakni sektor Industri Besar Sedang (IBS). Industri Besar Sedang merupakan kategori pengelompokan suatu industri berdasarkan jumlah tenaga kerja yang dimilikinya. Sesuai dengan definisinya, suatu industri dikatakan termasuk ke dalam industri besar jika jumlah tenaga kerja yang dimilikinya lebih dari 100 orang. Sedangkan industri sedang memiliki jumlah tenaga kerja minimal sebanyak 20 orang dan maksimal 99 orang tenaga kerja. Ada berbagai bentuk format penyajian neraca produksi. Salah satu bentuknya adalah “T” type of Account atau disebut juga Neraca Produksi tipe “T”. Neraca Produksi tipe “T” merupakan tabel yang menampilkan nilai penggunaan dan pengeluaran dari suatu aktivitas ekonomi. Neraca Produksi tipe “T” digunakan untuk menyajikan neraca dari berbagai sektor utama, salah satunya yakni sektor ekonomi.

2.2 Metode Transfer In Transfer Out Guna menyusun Neraca Produksi tipe “T”, suatu sektor harus memenuhi syarat homogenity. Homogenity yaitu asumsi bahwa satu sektor hanya akan menghasilkan satu jenis output dengan struktur input yang tunggal dan tidak ada substitusi otomatis antar output dari sektor yang berbeda. Metode TITO merupakan metode yang digunakan untuk melakukan homogenisasi produk tersebut. Dalam melakukan proses TITO terdapat prosedur yang harus dipenuhi. Prosedur kerja yang dijadikan acuan dalam proses TITO ialah sebagai berikut (BPS, 2000). 1. Sumber data asli diperoleh dari survei tahunan industri besar/sedang dan IKKR yang sudah disusun di dalam suatu neraca produksi yang disederhanakan. 2. Dari produk yang dihasilkan selanjutnya dilakukan identifikasi terhadap masing-masing komoditi menurut lima digit Klasifikasi Baku Lapangan Usaha Indonesia (KBLI) . 3. Setelah dilakukan pengidentifikasian dari masing-masing kegiatan industri dapat diketahui homogenisasi produknya. Jika ternyata produk dari kegiatan industri tersebut terdapat produk dari jenis KBLI yang berbeda maka tidak hanya outputnya saja yang dipisahkan tetapi termasuk juga input antara dan nilai tambah produknya


105


2.3 Full Text Indexer : Lucene Full text indexer adalah suatu teknologi penyimpanan data di dalam tabel basis data dimana data disimpan dalam bentuk terstruktur seperti B-TREE atau struktur data lainnya sehingga memudahkan basis data dalam melakukan penelusuran data. Full text indexing merupakan fitur basis data yang salah satunya dapat dilakukan oleh MySql. Full text indexing juga dapat dilakukan dari luar basis data yakni dengan menggunakan Lucene. Lucene merupakan library pencarian Java yang ditemukan oleh Doug Cutting. Library ini bersifat open source dan tergabung ke dalam Apache Jakarta Family Project sehingga sampai saat ini proyek ini masih aktif dikembangkan. Lucene mengizinkan penambahan kemampuan pencarian pada aplikasi yang dibangun. Lucene dapat mengindex data apapun yang dapat diubah ke dalam teks. Lucene tidak bergantung pada sumber data, format data, maupun bahasa, selama data tersebut dapat diubah ke dalam teks. Artinya pengembang dapat menggunakan Lucene untuk melakukan pencarian pada halaman web pada web server, dokumen yang disimpan pada file sistem local, file teks sederhana, dokumen Microsof Office Word, XML, HTML ataupun file PDF. 2.4 Aplikasi Aplikasi adalah sebuah program komputer yang dibuat khusus untuk menjalankan fungsi-fungsi tertentu sesuai dengan kebutuhan pengguna yang digunakan untuk mempercepat suatu pekerjaan. Dengan menggunakan sistem komputerisasi, diharapkan pekerjaan dapat dilakukan dengan cepat. Aplikasi dapat dibagi menjadi dua bagian, yaitu aplikasi yang digunakan dan terhubung pada jaringan komputer (client server) dan aplikasi yang berdiri sendiri tidak terhubung dengan jaringan komputer (stand alone). 1.

Arsitektur Aplikasi Stand Alone

Aplikasi stand alone adalah aplikasi komputer yang dapat dijalankan hanya pada satu komputer. Basis data dan programnya menjadi satu di dalam komputer, karena basis data dan program menyatu di dalam satu komputer maka aplikasi stand alone ini biasanya disebut sebagai aplikasi satu tingkat (one tier). 2.

Model Dua Tingkat (Two-Tier)

Pada arsitektur dua tingkat, user interface berjalan pada komputer client sebaliknya basis data disimpan pada server. Sedangkan logic dari aplikasi dapat berjalan pada sisi client maupun server. Tingkat pertama dari aplikasi client-server adalah client tier atau presentation tier

106



yang dijalankan pada sisi client. Tingkat ini mengandung kode yang menampilkan data dan berinteraksi dengan user. 3.

Model Tiga-Tingkat (Three-Tier)

Model tiga tingkat membagi masing masing proses pada platform yang berbeda. User interface sebagai jembatan antara pengguna dengan aplikasi berada pada komputer client. Sedangkan modul fungsional yang memproses pekerjaan berjalan pada server aplikasi dan pengelolaan basis data dijalankan pada server basis data.Pada arsitektur dua tingkat atau client-server, client terhubung langsung ke server basis data. Peran dari basis data adalah mengakses dan meng-update data. Dengan kata lain, client bertanggung jawab menampilkan data kepada pengguna, mengirimkan input dari pengguna, mempersiapkan permintaan yang sesuai untuk server basis data, dan akhirnya mengimplementasikan suatu hal yang disebut Business Rules. Business Rules adalah prosedur yang khusus digunakan oleh suatu instansi atau perusahaan. 2.5 Web service Web service adalah sistem perangkat lunak yang dirancang untuk mendukung interaksi operasi antar mesin melalui jaringan dan memiliki antarmuka machine-processable format. Sistem lain berinteraksi dengan web service dengan cara yang telah ditentukan dalam Simple Object Access Protocol (SOAP) message, biasanya menggunakan Hyper Text Transfer Protocol (HTTP) dengan serialisasi Extensible Markup Language (XML) dalam hubungannya dengan standar web yang lain (W3C, http://www.w3.org/TR/2004/NOTE-ws-arch-20040211/). HTTP merupakan protokol jaringan yang mampu menangani aplikasi web. Sedangkan SOAP dibangun dengan menggunakan protokol komunikasi HTTP dan digunakan sebagai protokol pemaketan untuk messages yang digunakan secara bersama oleh aplikasi-aplikasi pengguna web service. Data yang dikirimkan melalui web service berupa SOAP messages harus direpresentasikan dengan menggunakan bahasa markup XML. 2.6 Unified Modeling Language (UML) Unified Modeling Language (UML) adalah merupakan serangkaian konvensi pemodelan yang digunakan untuk mendeskripsikan software sistem dengan terminologi objek (Binus Center, Object Oriented Analysis and Design with UML). UML sebagai suatu bahasa permodelan standar banyak digunakan untuk menulis rancangan software. Hal itu karena UML dapat digunakan untuk visualisasi, spesifikasi, konstruksi dan dokumentasi suatu software yang intensif dari suatu sistem. TAHUN 4, VOLUME 1, JUNI 2012

107


Sebagai pemodelan visual banyak keuntungan yang bisa didapat dari karakteristik UML. Salah satunya yakni UML mempunyai terminologi yang ketat hanya untuk setiap aspek pemodelan (Dan Pilone & Neil Pitman, 2005). Hal ini diperlukan guna mengurangi ambiguitas dan kebingungan sebanyak mungkin. 2.7 Basis Data Basis data diartikan sebagai suatu koleksi data komputer yang terintegrasi, diorganisasikan, dan disimpan dengan suatu cara yang memudahkan pengambilan kembali (Mcleod, 2001). Istilah basis data mengacu pada koleksi dari data-data yang saling berhubungan, dan perangkat lunaknya

mengacu sebagai sistem manajemen basis data (basis data management

system/DBMS). Konsep dasar dari basis data adalah kumpulan dari catatan-catatan, atau potongan dari pengetahuan. Sebuah basis data memiliki penjelasan terstruktur dari jenis fakta yang tersimpan di dalamnya: penjelasan ini disebut skema. Skema menggambarkan obyek yang diwakili suatu basis data, dan hubungan di antara obyek tersebut. Ada banyak cara untuk mengorganisasi skema, atau memodelkan struktur basis data: ini dikenal sebagai model basis data atau model data. Model yang umum digunakan sekarang adalah model relasional, yang mewakili semua informasi dalam bentuk tabel-tabel yang saling berhubungan dimana setiap tabel terdiri dari baris dan kolom. Dalam model ini, hubungan antar tabel diwakili dengan keterkaitan diantara candidate key dan foreign key yang ada pada tabel. 2.8 Rapid Application Development (RAD) RAD merupakan salah satu metode pengembangan sistem yang menekankan pada siklus pembangunan cepat. Dalam metode RAD, prototipe yang dibuat selalu dikembangkan sehingga menjadi sistem yang final. RAD ikut melibatkan pengguna untuk berperan aktif dalam pengembangan sistem sehingga pengguna dapat melihat sistem yang akan dibuat secara lebih cepat. 2.9 Object Oriented Analyses and Design (OOAD) OOAD merupakan metode pengembangan sistem yang berbasis objek. Metode ini terdiri dari tiga aspek yakni Object Oriented Analysis (OOA), Object Oriented Design (OOD), dan Object Oriented Programming (OOP). OOA digunakan untuk menentukan rancangan kebutuhan dan keseluruhan arsitektur dari sistem sedangkan OOD digunakan untuk merancang desain bagi solusi kebutuhan tersebut. Kemudian desain tersebut diimplementasikan dengan menggunakan OOP. 108



III.

METODE PENELITIAN

Metodologi yang digunakan dalam perancangan Sistem Penyusunan Neraca Produksi Sektoral Industri Besar dan Sedang ini adalah Design Research Methodology dengan menggunakan alat bantu Unified Modelling Language (UML) dan Entity Relationship Diagram (ERD). Design Research Methodology merupakan metode penelitian yang bertujuan untuk membuat atau mengubah sebuah artefak dengan tujuan untuk mengembangkan fitur baru atau mengembangkan yang sudah ada (Vijay & William, 2008). Tahap-tahap yang dilakukan dalam Design Research Methodology adalah: a.

Awareness of the problem

Menentukan domain permasalahan yang ingin diteliti, yakni dengan menentukan bagaimana membantu pengguna dalam menyusun tabel neraca produksi sektoral IBS agar efisien, b.

Suggestion Dalam tahap ini, peneliti akan melakukan analisis terhadap kebutuhan pengguna dalam

melakukan penyusunan neraca produksi sektoral IBS dan mengidentifikasi sistem usulan yang dapat diberikan untuk menjawab permasalahan tersebut. c.

Development Pada tahap ini peneliti melakukan perancangan dan pembangunan sistem usulan, mulai

dari perancangan arsitektur, model sistem, dan pembuatan prototipe sistem. Metode RAD dan OOAD akan digunakan untuk melakukan perancangan dan pengembangan sistem. d.

Evaluation Pada tahap ini peneliti melakukan uji coba dan evaluasi terhadap prototipe yang dibuat.

Ada beberapa metode pengujian yang akan dilakukan, yaitu uji unit, gabungan dan sistem serta uji coba fungsi. Dari hasil pengujian akan didapat evaluasi yang akan menjadi masukan untuk perbaikan pada tahap pengembangan selanjutnya. e.

Conclusions Tahap ini merupakan tahap terakhir dalam metode ini. Dalam tahap ini, dihasilkan

produk akhir yang berupa aplikasi yang dapat membantu pengguna dalam melakukan penyusunan neraca produksi sektoral IBS sekaligus mengefisienkan waktunya.


109


IV.

ANALISIS DAN PEMBAHASAN

4.1 Sistem Berjalan Pemilik Data

Penyerahan Tabel Karakteristik Industri Besar dan Sedang Menurut Skala Usaha, KBLI, dan Status Badan Hukum Hasil Sensus Ekonomi

Penyerahan Tabel Kuantitas & Nilai Pemakaian Bahan Baku menurut Jenis Barang

Pengguna Data

Subdit Neraca Barang dan Jasa Tabel Karakteristik IBS Menurut Skala Usaha, KBLI, & Status Badan Hukum

Database PDB Memasukkan Data Dasar

Pembersihan Data

Tabel Kuantitas & Nilai Pemakaian Bahan Baku menurut Jenis Barang

Penandaan Input (destinasi) Penerimaan File Data

Penggabungan data dan Pembagian pekerjaan

Sistem Penyusunan Neraca Produksi Sektoral IBS

Pengecekan Kewajaran Hasil TITO (Rasio NTB)

Penyerahan Tabel Kuantitas dan Nilai Barang Hasil Produksi menurut Jenis Barang

Tabel Kuantitas & Nilai Barang Hasil Produksi menurut Jenis Barang

Penerimaan Data

Pencetakan Data Neraca Produksi

Kustomisasi Tampilan Neraca Produksi Penyerahan Data Neraca Produksi

Tabel Neraca Produksi Sektoral Industri Besar dan Sedang

Manajemen data master dan pengguna

Gambar 1. Diagram Alir Proses Berjalan Dari gambar di atas, proses awal penyusunan neraca produksi ialah penerimaan data IBS. Data tersebut berupa tiga tabel yakni Tabel Banyaknya serta Nilai Barang Hasil Produksi menurut Jenis Barang, Tabel Banyaknya serta Nilainya Pemakaian Bahan Baku menurut Jenis Barang, dan Tabel Karakteristik Industri Besar dan Sedang Menurut Skala Usaha, KBLI, dan Status Badan Hukum Hasil Sensus Ekonomi. Tabel-tabel tersebut diserahkan dalam bentuk softcopy file pada worksheet Ms. Excel. Data tersebut kemudian diterima dan dikumpulkan. Karena beban kerja yang berat, tim TITO kemudian membagi pekerjaan berdasarkan KBLI (terdapat sekitar 20.000 jenis barang pada Tabel Banyaknya serta Nilai Barang Hasil Produksi menurut Jenis Barang dan sekitar 22.000 jenis bahan baku pada Tabel Banyaknya serta Nilainya Pemakaian Bahan Baku menurut Jenis Barang). Tiap petugas TITO kemudian melakukan cleaning kode dan pembuatan tabel hasil TITO. Setelah semua tabel hasil TITO dibuat kemudian petugas yang ditunjuk akan melakukan rekapitulasi dan penyimpanan pada worksheet Ms. Excel. Dari file yang disimpan tersebut kemudian disusun Tabel Neraca Produksi Sektor Industri Besar dan Sedang sesuai dengan kebutuhan pengguna data dan dicetak untuk kemudian diserahkan 110



berupa hardcopy kepada pengguna data. Masalah dari proses yang ada saat ini adalah sebagai berikut. 1)

Alat bantu yang ada belum bisa mengoptimalkan proses. Alat bantu yang

digunakan saat ini yakni aplikasi pengolah angka Ms. Excel. Aplikasi ini tidak mendukung fungsi khusus yang diperlukan untuk mengotomatisasi proses pengolahan data. Akibatnya dibutuhkan langkah-langkah tambahan menggunakan lembar kerja yang membutuhkan pembuatan lembar kerja dengan formula tertentu, aktivitas pemindahan data yang tinggi (berupa copy-paste data) yang berakibat pada penambahan waktu pengolahan sesuai dengan volume data yang diolah. 2)

Data historis yang penting belum terdokumentasi dan termanfaatkan. Data hasil

pengolahan sebelumnya sudah disimpan sebagai data historis tetapi penggunaannya belum bisa dioptimalkan untuk pengolahan data saat ini. Hal ini karena belum adanya alat bantu yang mengumpulkan dan mengintegrasikan data historis tersebut agar bisa digunakan untuk pengolahan data mendatang. Data historis tersebut meliputi data perbaikan kode. 3)

Pengelolaan data masih berbasiskan file. Pengelolaan data berbasiskan file sangat

menyulitkan dalam hal integrasi data. Hal ini mengakibatkan kerawanan terjadinya kehilangan atau kerusakan data. Selain itu perubahan pada data juga sulit untuk ditelusuri. 4)

Validasi dilakukan secara manual. Proses balancing yang dilakukan pada saat

tahap rekap hasil TITO sangat menentukan dalam kewajaran hasil pengolahan data, tetapi selama ini proses balancing masih dilakukan secara manual. Padahal proses ini berupa validasi dan pengecekan yang mengontrol perubahan hasil secara langsung. 4.2 Rancangan Sistem Proses manual yang saat ini dilakukan untuk menyusun neraca produksi sektoral IBS belum dapat diefisienkan waktunya kecuali dengan melakukan penambahan operator. Sedangkan kegiatan penyusunan neraca produksi sektoral merupakan kegiatan vital yang dilakukan dalam lingkup sistem. Oleh karena itu sistem yang ada perlu dikembangkan dengan membangun suatu aplikasi penyusunan neraca produksi sektoral IBS. Berikut rancangan arsitektur aplikasi penyusunan neraca produksi sektoral IBS (Gambar 2).


111


Gambar 2. Rancangan Arsitektur Aplikasi Pengembangan aplikasi meliputi integrasi pada penyimpanan data yang dilakukan dengan menggunakan basis data (nomor 1 pada gambar). Selain itu aplikasi yang dibangun menggunakan library Lucene yang terintegrasi dengan aplikasi, pengidentifikasian baris data dapat dilakukan secara otomatis dan hasil pencarian dapat diurutkan sesuai dengan kemiripan kata kunci yang paling tinggi. Di sisi lain index yang dihasilkan dari Lucene harus dapat digunakan oleh semua client (nomor 4) dalam sistem dan harus merupakan satu index tunggal. Oleh karena itu, fungsi pencarian kode dibangun dengan menggunakan web service sehingga index yang digunakan dapat digunakan oleh semua client yang dapat mengakses web service (nomor 2) tersebut. Service pencarian kode KKI selanjutnya diakses oleh aplikasi melalui jaringan LAN. Web service

Lucene

ini

menyediakan

service

insert_new_kki

dan

get_kki_kode.

Fungsi

insert_new_kki digunakan untuk menambahkan kode KKI dan deskripsi ke dalam index yang digunakan setiap kali ada komoditi baru yang tidak teridentifikasi pada hasil pencarian sebelumnya. Sedangkan fungsi get_kki_kode digunakan untuk mencari kode KKI dari keyword berupa deskripsi yang ada. Web service akan mengindeks field dari basis data berupa id_doc, kode kki dan deskripsinya, tetapi field kode kki dan deskripsi tidak disimpan dalam index. Oleh karena itu, web service harus mengambil field kode_kki dari basis data sehingga web service berhubungan langsung dengan basis data. Aplikasi juga akan terhubung ke internet (nomor 3) untuk melakukan pencarian keterangan dari deskripsi kode KKI yang tidak baku. Dengan memperoleh keterangan deskripsi yang tidak baku akan diperoleh deskripsi baku sehingga didapatkan kode KKI yang sesuai. Alur proses yang digambarkan pada diagram alir proses berjalan (Gambar 1) menunjukkan bahwa proses penyusunan neraca produksi merupakan proses yang berurut pada beberapa prosesnya sehingga use case-nya tidak bisa saling mendahului. Pada use case diagram rancangan muncul satu actor sebagai administrator dari sistem yang mempunyai kewenangan melakukan 112



manajemen terhadap proyek penyusunan neraca produksi secara keseluruhan. Karena kekhususan perannya dalam proses penyusunan, sistem menyediakan fungsionalitas yang mendukung pekerjaannya yakni pengelolaan data dasar, pengelolaan data master, pengelolaan pekerjaan, dan pengelolaan petugas. Fungsionalitas tersebut hanya bisa digunakan oleh actor administrator yang telah dilakukan autentifikasinya melalui fungsi login. Sedangkan actor petugas TITO merupakan petugas yang mempunyai tanggung jawab terhadap KBLI tertentu. Fungsionalitas yang disediakan yakni pembersihan data, destinasi, dan laporan. Fungsi tersebut dijembatani dengan fungsi simpan dan update data untuk melakukan integrasi dengan pekerjaan petugas TITO yang lain. Berikut gambaran use case diagram sistem usulan (Gambar 3). Sistem Penyusunan Neraca Produksi Sektoral IBS Manajemen Data Dasar

Manajemen Data Master

<>

<>

<>

Manajemen Petugas

Administrator Manajemen Pekerjaan

Login

<>

«extends» <>

Pembersihan Kode «extends»

Simpan dan Update Data

<>

Destinasi

<>

Petugas TITO

Laporan «extends»

Gambar 3. Diagram Use case Sistem Usulan

Berikut penjelasan fungsi- fungsi yang didukung aplikasi: 1.

Fungsi-Fungsi Umum Aplikasi


113


Fungsi-fungsi ini meliputi autentifikasi untuk menjamin keamanan, manajemen file berupa manajemen file master dan file data mentah (memasukkan data dari ekstensi file Excel untuk dibaca) serta dokumen jadi, serta fungsi fungsi standar aplikasi (setting pengguna, dan sebagainya). 2.

Fungsi Pembersihan Kode (Cleaning Kode)

Fungsi-fungsi pada kategori ini mendukung aktivitas pembersihan kode KKI pada data mentah (data produk dan data bahan), termasuk mencari keterangan tentang komoditi pada internet. Selain itu juga memungkinkan pengguna untuk mengupdate data master kode guna updating keyword kode (yang berupa kode KBLI, KKI, dan sebagainya). 3.

Fungsi Destinasi

Fungsi-fungsi pada kategori ini mendukung aktifitas pendestinasian produk menjadi tabel hasil TITO sebagai output akhir proses TITO dan juga fungsi pengecekan terhadap kewajaran hasil proses TITO. 4.

Penyusunan Tabel Neraca Produksi IBS tipe T

Fungsi-fungsi pada kategori ini mendukung aktifitas penyusunan tabel hasil TITO (balancing) menjadi Tabel Neraca Produksi Sektoral tipe T sesuai dengan kustomisasi format penyusunan yang diinginkan pengguna. Selain itu harus disediakan juga fungsi untuk pencetakan laporan dan penyimpanan laporan ke dalam format Excel (*.xls).

4.3 Implementasi 1. Proses Autentifikasi Keseluruhan menu dapat berfungsi apabila pengguna sudah masuk ke dalam sistem melalui proses login (Gambar 4). Pada saat login, pengguna harus memasukkan nama pengguna dan kata kunci.

Gambar 4 Tampilan Dialog Login

114



Setelah melalui dialog login, pengguna yang terdaftar dalam sistem dapat mengakses menu pada fom utama aplikasi. Form utama aplikasi memiliki menu yang berbeda untuk masing masing level pengguna. Gambar 5 memperlihatkan form utama aplikasi yang ditampilkan jika pengguna dengan level petugas berhasil login.

Gambar 5 Form Utama

2. Proses Pembersihan Kode KKI Pada form utama dengan level petugas, menu yang disediakan yakni menu File, Load, Report, dan Setting. Untuk melakukan proses pembersihan kode, petugas harus membuka layar pembersihan kode dengan memilih menu Load kemudian memilih submenu Cleaning code worksheet. Berikut tampilan layar pembersihan kode (Gambar 6).


115


Gambar 6 Tampilan Worksheet Pembersihan Kode Tampilan layar pembersihan kode yang terlihat pada gambar di atas terdiri dari empat komponen. Komponen nomor satu pada gambar yakni komponen menu navigasi yang terdiri dari menu tabel bahan, tabel produk, dan browser. Menu yang dipilih akan menampilkan tree berupa kode KBLI establishment yang sesuai dengan KBLI yang menjadi penanggung jawab pengguna. Kemudian komponen nomor dua pada gambar yakni worksheet pembersihan kode. Komponen ini menampilkan data bahan atau data produk yang KBLI establishmentnya terpilih pada tree menu navigasi. Pada bagian pojok kanan atas terdapat status worksheet yang sedang dikerjakan. Status “NOT CLEAR” berarti masih ada baris data pada worksheet yang belum memiliki kode. Sebaliknya status “CLEAR” berarti semua komoditi sudah memiliki kode dan akan ditampilkan dengan warna hijau.

Pada komponen ini pembersihan dilakukan dengan memilih kode pada tabel yang telah disarankan oleh aplikasi. Pengguna memilih kode pada baris berwarna kuning. Baris berwarna kuning tersebut mengindikasikan bahwa aplikasi memiliki saran kode untuk baris tersebut. Gambar 1 memperlihatkan tampilan pada saat pemilihan kode.

116



Gambar 2 Tampilan Drop Down List Saran Tampilan saran berupa drop down list yang berupa kode dan deskripsi yang berasal dari master KKI dan menampilkan sebanyak 10 item saran dengan urutan saran paling atas merupakan saran yang paling sesuai dengan deskripsi item data. Pada drop down list saran juga terdapat pilihan “masukkan kode” untuk memasukkan kode jika semua kode yang disarankan tidak sesuai dengan deskripsi yang ada. Sedangkan pilihan “Lihat semua saran” akan menampilkan dialog yang berisi semua kode yang ditemukan oleh aplikasi sesuai dengan kata kunci deskripsi. Pengguna dapat memilih kode dari dialog tersebut jika ternyata 10 kode teratas yang ditampilkan tidak sesuai (Gambar 3).

Gambar 8 Tampilan Dialog Tampil Semua Saran Untuk kode yang tidak dapat ditemukan oleh aplikasi pada master KKI dapat dicari keterangannya melalui internet. Alternatif ini dapat dilakukan dengan melakukan klik kanan pada baris data yang akan dicari dan memilih alamat pencarian yang diinginkan. Selain itu tombol untuk melakukan pencarian dengan internet juga disediakan dengan sumber pencarian yaitu Google (www.google.com) dan Wikipedia (www.wikipedia.org) (Gambar 9).


117


Gambar 9 Tampilan Pencarian Keterangan Kode Melalui Internet 3. Proses Destinasi Setelah data bahan baku dan data produk dibersihkan kemudian pengguna dapat memulai proses destinasi. Aplikasi menyediakan worksheet destinasi (TITO) yang digunakan untuk melakukan proses destinasi (Gambar 4). Worksheet ini ditampilkan ketika pengguna memilih sub menu TITO Worksheet pada menu Load. Aplikasi secara otomatis akan mencari pasangan data bahan dan data produk dari KBLI establishment yang telah bersih kodenya. Berikut tampilan worksheet destinasi.

Gambar 10 Tampilan Worksheet Destinasi 118



Dari gambar di atas, dapat dilihat bahwa worksheet terdiri dari tiga komponen, berurut dari komponen pertama yakni navisi tabel, tabel destinasi, dan tabel rincian jenis barang yang dihasilkan. Penandaan pada komoditi dilakukan pada tabel destinasi dengan mencentang cell yang bersesuaian. Untuk mengetahui produk yang dihasilkan oleh KBLI yang akan dicentang, pengguna dapat melihat pada tabel rincian barang (komponen 2 pada gambar) yang dapat dinavigasikan dengan memilih header dari masing masing kolom (header berwarna biru pada komponen 1 gambar). Lebih lanjut tentang komponen 1 dapat dilihat pada Gambar 11.

Gambar 11 Tampilan Kontrol Rasio NTB Gambar 11 memperlihatkan mekanisme kontrol yang disediakan aplikasi pada saat pengguna melakukan destinasi. Baris pada kolom Clear (nomor 1) berwarna merah dan hijau merupakan control bagi penandaan komoditi. Jika komoditi belum ditandai sama sekali pada KBLI maka baris akan berwarna merah, sebaliknya jika sudah maka akan berwarna hijau. Header kolom (nomor 2) pada tabel menunjukkan tiga informasi yakni rasio NTB (nomor 5) yang merupakan alat kontrol bagi nilai yang didestinasikan ketika pengguna menandai komoditi, kode KBLI (nomor 4), dan nilai total nilai produk KBLI tersebut (nomor 6). Nilai rasio NTB pada header otomatis akan berubah sesuai dengan hasil penghitungan rasio NTB. Jika rasio NTB bernilai negatif maka header akan berwarna merah. Sedangkan kontrol penandaan dilihat pada nilai rasio NTB dari industri yang sedang didestinasi (nomor 3) dimana setiap bahan yang didestinasikan ke KBLI tertentu nilai rasio NTB akhirnya (nomor 4) harus mendekati nilai tersebut. Pada bagian komoditi non bahan baku, penandaan telah dilakukan secara otomatis oleh aplikasi. Jika pengguna mengubah penandaan maka akan muncul dialog peringatan, apakah akan dilanjutkan atau dibatalkan. Berikut tampilan dialog peringatan pengubahan marking standar (Gambar 12).


119


Gambar 12 Tampilan Dialog Peringatan Pengubahan Marking Standar 4. Proses Penyusunan Tabel Neraca Produksi Setelah proses destinasi untuk semua KBLI selesai, Administrator dapat menyusun tabel Neraca Produksi melalui menu report kemudian pilih submenu create neraca. Berikut jendela penyusunan neraca (Gambar 13).

Gambar 13. Tampilan Penyusunan Neraca

Administrator dapat menyusun neraca sesuai dengan template yang tersimpan atau melakukan customisasi KBLI yang akan ditampilkan pada neraca pada dialog ini. Antarmuka keluaran berupa tabel neraca produksi sektoral IBS yang dapat dilihat pada panel Tabel T Account yang dapat diakses dari menu navigasi kiri. Berikut tampilan panel tabel T Account (Gambar 14). 120



Gambar 14 Tampilan Panel Tabel T Account Neraca 4.4 Uji Coba Dalam penelitian ini strategi uji coba bottom-up dipilih karena dapat menemukan permasalahan dari level paling bawah. Strategi ini dilakukan dengan menguji dari unit paling kecil sampai modul level atas yakni dimulai dari pengujian unit (unit test), lalu dilanjutkan dengan pengujian gabungan (integration test), dan pengujian sistem (system test). Berikut pengujian yang akan dilakukan beserta metode pendekatannya.


121


Tabel 1 Daftar Uji yang Dilakukan

Jenis pengujian Metode Pengujian Unit White Box Pengujian Gabungan White Box Pengujian Sistem Black Box

Instrumen NetBeans IDE 6.7.1 dan JUnit 4.5 NetBeans IDE 6.7.1 dan JUnit 4.5 Test Case Neraca Produksi 2007 dan Microsoft Excel

Pengujian unit dilakukan dengan memperhatikan apakah semua jalur independen telah digunakan paling tidak satu kali dan juga memperhatikan apakah semua keputusan logis dari sisi true atau false sudah digunakan. Berikut ini gambar mengenai class test unit yang digunakan untuk mengecek keluaran dari proses pengambilan deskripsi KBLI dari kode KBLI yang diberikan pada class sel_kbli_desk (Gambar 5).

Gambar 15 Class Unit Testing Dari gambar di atas dapat dilihat method assertEquals digunakan untuk menghasilkan keluaran test sukses atau gagal. Nilai yang diujikan berupa string dengan masukan “15111” dan hasil yang diharapkan adalah “Industri Pemotongan Hewan”. Setelah dijalankan berikut hasil dari pengujian class tersebut (Gambar 6).

122



Gambar 16 Hasil Pengujian Class Unit Testing Pengujian gabungan dilakukan pada kumpulan class yang mendukung suatu use case sistem. Berikut contoh uji coba white box pada use case login yang dilakukan untuk mendapatkan level suatu pengguna. Parameter yang dikirim yakni berupa username dan password. Berikut class test case yang digunakan (Gambar 6).

Gambar 17 Class Integration Testing Dari gambar di atas dapat dilihat dua test yang digunakan. Method pertama menguji keluaran dengan mengirim parameter username “Admin” dan password “admin”. Sedangkan level yang TAHUN 4, VOLUME 1, JUNI 2012

123


diharapkan yakni “Administrator”. Sedangkan kelas kedua mengharapkan hasil yang tidak sama dengan yang diharapkan yakni dengan method assertFalse. Berikut hasil dari kedua test di atas yang menunjukkan bahwa kedua test sukses (Gambar 18).

Gambar 18 Output Class Integration Testing Pengujian sistem yang dilakukan yakni dengan uji kesesuaian hasil yakni dengan membandingkan hasil yang diperoleh pada program aplikasi dengan publikasi hasil perhitungan dengan menggunakan worksheet Excel. Perbandingan dilakukan dengan menggunakan data hasil Neraca Produksi tahun 2006 Nasional. Uji dilakukan dengan memilih data beberapa KBLI establishment dan memasukkannya ke dalam sistem melalui aplikasi. Kemudian data tersebut diproses untuk memperoleh neraca produksi. Hasilnya dibandingkan dengan neraca produksi yang diproses dengan menggunakan worksheet Ms. Excel. Perbandingan tabel neraca produksi hasil penghitungan dengan menggunakan worksheet Ms. Excel dan aplikasi dapat dilihat sebagai berikut (Gambar 19 dan Gambar 20).

124



Neraca Produksi Industri Besar Sedang KBLI 15201 (Industri Susu) Tahun 2008 INPUT Uraian Input Antara Bahan Baku dan 1 Penolong 1133

Perkebunan Kelapa Kelapa

Lainnya 2 Listrik dibeli Jumlahyang Bahan 3 Bakar, Listrik, dan Sewa gedung, 4 mesin, alat2 Jasa industri yang 5 dibayarkan 6 Biaya lainnya Input Primer (Nilai Tambah Bruto)

OUTPUT

%

Nilai

Nilai (000 Rp)

%

66.70 1 Barang barang yang dihasilkan

17.315.409.991

99.10

Susu kental skimmed (non fat) manis beraroma

4.463.950.277

25.50

47.961.064 0.27

Susu bubuk full cream tidak beraroma

4.432.523.745

25.40

47.961.064 0.27

Lainnya

1.831.983

0.00

2 Jasa Industri

65.932.327

0.40

3 Selisih nilai stok barang 1/2 jadi

93.313.920

0.50

17.474.656.238

100.00

11.655.801.992

10.071.225.906 57.60

10.023.264.842 57.33 110.132.215 0.60 248.161.856 1.40 51.523.693 0.30 12.103.859 0.10 1.260.247.576 7.20

1 Upah dan Gaji

259.434.388 1.50

2 Surplus Usaha

5.350.576.807 30.60

3 Penyusutan 4 Pajak Tak Langsung Jumlah

Uraian

-208.843.048 1.20 17.474.656.238 100.00

Jumlah

Gambar 19. Hasil Keluaran Ms. Excel


125


Neraca Produksi Industri Besar Sedang KBLI 15201 (Industri Susu) Tahun 2008 Input Uraian 1-

Total Total Input BahanAntara Baku dan 1A Penolong

01133 Perkebunan Kelapa

01133 -

Output Nilai (000 Rp)

%

11.655.801.992

66.70 3A Barang barang yang dihasilkan

10.071.225.906

57.60

47.961.064 0.27

Kelapa

47.961.064

Lainnya Jumlah Bahan Bakar, Listrik, 1B dan Pelumas

10.023.264.842

1

Bensin

2

Solar/HSD/ ADO

3

Minyak Tanah

4

Batubara

5

Gas dari PGN

6

LPG

7

Bahan Bakar Lainnya

8

Pelumas

9

Listrik PLN

10

Listrik Non PLN

11 Barang Jasa industri Jumlah Non Bahan 1C Baku 1D Jumlah Jasa- Jasa Sewa gedung, mesin, 1 alat2 Bunga atas pinjaman 2 (netto) 2-

3 Primer Biaya(Nilai lainnya Input Tambah Bruto)

2A Upah dan Gaji 1 2

Upah/gaji Lainnya

2B Surplus Usaha 1

Sewa tanah

2

Sumbangan, derma, dsj Lainnya (bagian dari surplus usaha)

3

2C Penyusutan 2D Pajak Tak Langsung 1 Jumlah

Pajak Tak Langsung

Uraian

248.161.856

0.27

-

Lainnya Susu kental skimmed (non fat) manis 15201 '0208 beraroma Susu bubuk full cream tidak 15201 '0101 beraroma

57.33 3B Jasa Industri 1.40 3C Selisih nilai stok barang 1/2 jadi

5.687.727

0.00

68.695.781

0.40

589.956

0.00

7.846

0.00

1.738.662

0.00

415.898

0.00

46.731.197

0.30

1.989.346

0.00

110.132.215

0.60

69.363

0.00

12.103.859

0.10

0

0.00

1.336.414.229

7.60

51.523.693

0.30

24.642.959

0.10

1.260.247.576

7.20

5.818.854.245

33.30

259.434.388

1.50

187.444.972

1.10

71.989.416

0.40

5.350.576.807

30.60

15.751

0.00

3.139.884

0.00

5.347.421.171

30.60

-

-

208.843.048

1.20

208.843.048

1.20

17.474.656.238 100.00

Nilai

Jumlah

%

17.315.409.991

99.10

1.831.983

0.00

4.463.950.277

25.50

4.432.523.745

25.40

65.932.327

0.40

93.313.920

0.50

17.474.656.238

100.00

Gambar 19. Hasil Keluaran Aplikasi

126



V.

KESIMPULAN DAN SARAN

Dari hasil pada tahapan penelitian yang telah dilakukan pada Sistem Penyusunan Neraca Produksi Sektoral IBS dapat diambil kesimpulan sebagai berikut. 1. Berdasarkan hasil analisis sistem berjalan diketahui bahwa sistem yang ada saat ini belum memiliki aplikasi khusus yang dapat membantu penyusunan neraca produksi sektoral IBS dengan metode TITO sehingga diperlukan sistem yang dapat membantu penyusunan neraca produksi sektoral IBS dengan mekanisme penyimpanan data dengan menggunakan basis data dan tahapan kerja yang sesuai dengan proses saat ini. 2. Dari hasil analisis kebutuhan kemudian dilakukan perancangan sistem penyusunan neraca produksi sektoral IBS yang sesuai dengan kebutuhan meliputi rancangan proses, basis data, dan rancangan antarmuka. 3. Implementasi dari rancangan sistem diterapkan pada proses development dengan membangun aplikasi program yang mampu melakukan proses penyusunan neraca produksi sektoral IBS dengan metode TITO. 4. Sistem yang dibangun berupa prototype telah melalui tahap ujicoba dan evaluasi. Ujicoba yang dilakukan meliputi ujicoba unit, gabungan, dan sistem. Hasil pengujian menjadi evaluasi bagi tahapan ini. Dari hasil evaluasi diambil kesimpulan bahwa sistem aplikasi penyusunan neraca produksi sektoral IBS dapat menghasilkan neraca produksi sektoral IBS dengan metode TITO. Berikut adalah saran untuk proses pemeliharaan dan pengembangan sistem selanjutnya. 1. Untuk mengakomodasi kebutuhan masukan data yang dinamis, sistem dapat dikembangkan dengan fungsi pengelolaan kolom data masukan berupa penambahan, pengubahan, maupun penghapusan kolom. 2. Sistem selanjutnya dapat dilengkapi dengan mekanisme pengecekan kewajaran hasil neraca nasional melalui neraca produksi nasional hasil agregat provinsi. 3. Saran penandaan komoditi bahan baku pada proses destinasi dapat dikembangkan dengan menggunakan pertimbangan nilai yang dihasilkan selain dengan menggunakan penandaan sebelumnya. 4. Aplikasi sebaiknya lebih informative dalam membantu pengguna awam menyusun neraca produksi sektoral IBS dengan menambahkan pesan atau panduan dan peringatan jika terdapat kesalahan. TAHUN 4, VOLUME 1, JUNI 2012

127


5. Pada pengembangan selanjutnya data-data history destinasi dapat digunakan untuk menyarankan penandaan pada proses TITO.

DAFTAR PUSTAKA

Badan Pusat Statistik. 2000. Teknik Penyusunan Tabel Input Output. Jakarta: BPS. Badan

Pusat

Statistik.

1998.

Pedoman

Praktis

Penghitungan

PDRB

Kabupaten/Kotamadya (Pengertian Dasar). Jakarta: CV. Rioma Whitten, Jeffery L.; Bentley, Lonnie D.; dan Dittman, Kevin C. 2004. Metode Desain dan Analisis Sistem (Edisi Keenam). Yogyakarta: ANDI. Mcleod, Raymond, Jr., dan Schell, George. 2001. Sistem Informasi Manajemen (Jilid 1, Edisi Ketujuh). Jakarta: PT Prenhallindo Hatcher, Erik; Gospodnetic, Otis; dan McCandless, Michael. 2009. Lucene in Action (Second Edition). Tidak diketahui : Manning Publication. Wikipedia.Web service.http://en.wikipedia.org/wiki/Web service/. Diakses 1 Juni 2010. Developer. Flowchart Diagram. http://www.patton-patton.com. Diakses 1 Juni 2010. Powell, Gavin. 2006. Beginning Database Design. Indiana: Wiley Publishing Inc. Beynon-Davies, Paul. 2004. Database Systems (Third Edition). New York: Palgrave Macmillan. Binus Center. Object Oriented Analysis and Design with UML (versi 1.1).2005. Pitman, Neil; Pilone, Dan. 2005. UML 2.0 in a Nutshell.USA : O'Reilly Media, Inc. Quatrani, Terry. 1999. Visual Modelling with Rastional Rose 2000 and UML (Second Edition). Addison Wesley Longman, Inc. Hamilton, Kim dan Miles, Russell. Learning UML 2.0. United States of America : O'Reilly Media, Inc. O’Docherty, Mike.2005. Object-Oriented Analysis and Design Understanding System Development with UML 2.0. USA : John Wiley & Sons Ltd. Schildt, Herb dan Naughton, Patrick. Java 2: The Complete Reference.1999.California: The McGraw-Hill Companies. K. Vaishnavi, Vijay dan Kuechler Jr., William. Design Science Research Method and Pattern : Innovating Information and Communication Technology.

New York: Auerbach

Publication. http://epp.eurostat.ec.europa.eu/statistics_explained/index.php/Glossary:Production_account 128


JURNAL APLIKASI STATISTIKA & KOMPUTASI STATISTIK

Recommend Documents