III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang

berasal dari berbagai instansi pemerintah. Data bersumber dari Badan Pusat

Statistik, Direktorat Jendral Perimbangan Keuangan, Kementrian Pendidikan

Nasional dan sumber-sumber lainnya. Data yang digunakan antara lain data angka

partisipasi sekolah untuk usia 7-12 tahun, dan angka partisipasi sekolah untuk usia

13-15 tahun, realisasi belanja anggaran pendidikan dasar perkabupaten/kota,

Alokasi Dana Bantuan Operasional Sekolah (BOS), kemiskinan relatif, PDRB

perkapita. Faktor sosial seperti persentase kepala rumah tangga yang

berpendidikan tamat SMP dan rumah tangga yang memiliki anggota rumah tangga

lebih dari 5 orang diolah menggunakan data SUSENAS Kor tahun 2008-2010.

Periode yang diteliti adalah tahun 2008-2010.

3.2 Analisis Deskriptif

Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan

mendeskripsikan dan mempermudah penafsiran yang dilakukan dengan membaca

tabel dan grafik. Analisis deskriptif pada penelitian ini digunakan untuk melihat

dinamika pendidikan dasar di Indonesia selama periode penelitian. Analisis

disajikan dalam bentuk tabel dan grafik agar dapat dipahami dengan mudah oleh

pembaca.

3.3 Analisis Regresi Data Panel

Data panel digunakan untuk menganalisis faktor-faktor yang memengaruhi

pendidikan dasar. Data panel adalah data yang memiliki dimensi ruang (individu)

dan waktu (Gujarati, 2004). Dalam data panel, data cross section yang sama

diobservasi menurut waktu. Jika setiap unit cross section memiliki jumlah

observasi time series yang sama maka disebut sebagai balanced panel (total

jumlah observasi = N x T). Sebaliknya jika jumlah observasi berbeda untuk setiap

unit cross section maka disebut unbalanced panel.

Baltagi (2005) mengungkapkan bahwa penggunaan data panel

memberikan banyak keuntungan, diantaranya sebagai berikut:

26

1. Mampu mengontrol heterogenitas individu. Estimasi yang dilakukan dapat

secara eksplisit memasukkan unsur heterogenitas individu.

2. Dapat memberikan data yang informatif, mengurangi kolinearitas antar peubah,

meningkatkan derajat bebas dan lebih efisien.

3. Lebih baik untuk studi dynamics of adjustment. Karena berkaitan dengan

observasi cross section yang berulang, maka data panel lebih baik dalam

mempelajari perubahan dinamis.

4. Lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana

tidak dapat diatasi dalam data cross section saja atau data time series saja.

Selain manfaat yang diperoleh dengan penggunaan panel data, metode ini

juga memiliki keterbatasan di antaranya adalah:

1. Masalah dalam desain survei panel, pengumpulan dan manajemen data.

Masalah yang umum dihadapi diantaranya: cakupan (coverage), nonresponse,

kemampuan daya ingat responden (recall), frekuensi dan waktu wawancara.

2. Distorsi kesalahan pengamatan (measurement errors). Measurement errors

umumnya terjadi karena respon yang tidak sesuai.

3. Masalah selektivitas (selectivity) yang mencakup hal-hal berikut:

a. Self-selectivity : permasalahan yang muncul karena data-data yang

dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap

fenomena yang ada.

b. Nonresponse : permasalahan yang muncul dalam panel data ketika ada

ketidaklengkapan jawaban yang diberikan oleh responden (sampel

rumahtangga).

c. Attrition : jumlah responden yang cenderung berkurang pada survei

lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia

atau biaya menemukan responden yang terlalu tinggi

4. Dimensi waktu (time series) yang pendek. Jenis panel mikro biasanya

mencakup data tahunan yang relatif pendek untuk setiap individu.

5. Cross-section dependence. Sebagai contoh, apabila macro panel dengan unit

analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan

cross-country dependence akan mengakibatkan inferensi yang salah

(misleading inference).

27

Analisis data panel secara garis besar dibedakan menjadi dua macam yaitu

statis dan dinamis. Pada analisis data panel dinamis, regressor-nya mengandung

variabel lag dependent-nya, sedangkan pada analisis data panel statis tidak.

Secara umum, terdapat dua pendekatan dalam metode data panel, yaitu

Fixed Effect Model (FEM) dan Random Effect Model (REM). Keduanya

dibedakan berdasarkan ada atau tidaknya korelasi antara komponen error dengan

peubah bebas. Pada pendekatan one way komponen error hanya memasukkan

komponen error yang merupakan efek dari individu ( i ). Pada two way telah

memasukkan efek dari waktu ( t ) ke dalam komponen error, itu diasumsikan tidak

berkorelasi dangan itX . Jadi perbedaan antara FEM dan REM terletak pada ada

atau tidaknya korelasi antara i dan t dengan itX .

3.3.1 Pemilihan Model dalam Pengujian Data Panel

Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan

berdasarkan pertimbangan statistik. Hal ini ditujukan untuk memperoleh dugaan

yang efisien. Diagram pengujian statistik untuk memilih model yang digunakan

dapat diperlihatkan pada Gambar 6.

Gambar 6 Pengujian Pemilihan Model dalam Pengolahan Data Panel

28

Untuk memutuskan apakah akan menggunakan fixed effect atau random

effect menggunakan uji Haussman. Hausman test dilakukan dengan hipotesis

sebagai berikut:

H0: E(τi | xit) = 0 atau REM adalah model yang tepat

H1: E(τi | xit) ≠ 0 atau FEM adalah model yang tepat

Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan

membandingkannya dengan Chi square.

Jika nilai χ2

statistik hasil pengujian lebih besar dari χ2

tabel, maka cukup

bukti untuk melakukan penolakan terhadap H0 sehingga pendekatan yang

digunakan adalah fixed effect, begitu juga sebaliknya.

3.3.2 Uji Asumsi

Uji asumsi dilakukan untuk memenuhi persyaratan sebuah model yang

akan digunakan. Setelah kita memutuskan untuk menggunakan suatu model

tertentu (FEM atau REM) berdasarkan HAUSMAN Test, maka kita dapat

melakukan uji terhadap asumsi yang digunakan dalam model.

1 Uji Homoskedastisitas

Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah

bahwa taksiran parameter dalam model regresi bersifat BLUE (Best Linier

Unbiased Estimate) maka var (ui) harus sama dengan σ2

(konstan), atau semua

residual atau error mempunyai varian yang sama. Kondisi itu disebut dengan

homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut

dengan heteroskedastisitas.

Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan metode

General Least Square (Cross section Weights) yaitu dengan membandingkan sum

square residual pada Weighted Statistics dengan sum square residual unweighted

Statistics. Jika sum square resid pada weighted statistics lebih kecil dari sum

square residual unweighted statistics, maka terjadi heteroskedastisitas.

1. Uji Autokorelasi

Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu

peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji

autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang

digunakan. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk

29

mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson

(DW). Untuk mengetahui ada/tidaknya autokorelasi, maka dilakukan dengan

membandingkan DW-statistiknya dengan DW-tabel. Korelasi serial ditemukan jika

error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi

dengan melihat pola random error dari hasil regresi.

3.3.3 Spesifikasi Model Penelitian

Model yang digunakan untuk mengestimasi determinan pendidikan dasar

dikembangkan dengan beberapa asumsi dasar yaitu sekolah diperlakukan sebagai

unit produksi pada fungsi penawaran. Tidak seperti unit produksi pada fungsi

produksi pada umumnya, sekolah diasumsikan sebagai unit yang bukan

memaksimalkan keuntungan (Bossier, 2004). Sebagian besar studi tentang

efektivitas pendidikan mengikuti pendekatan Education Production Function

(EPF) yang kemudian memodifikasi faktor-faktor input apa saja yang dapat

meningkatkan output. Murillo (2001) dalam Purwanto menggambarkan faktor-

faktor yang memengaruhi hasil pendidikan dengan pendekatan EPF, antara lain:

1. Faktor diri sendiri seperti jenis kelamin, suku bangsa, warna kulit, dll.

2. Faktor keluarga seperti status sosial ekonomi, ukuran keluarga, dan pendidikan

keluarga.

3. Faktor tempat tinggal.

4. Faktor sekolah dan guru, seperti struktur sekolah, jumlah hari sekolah, dan

kulaitas guru.

Glewwe (2002) memformulasikan faktor-faktor yang memengaruhi

pendidikan dengan pendekatan EPF, yaitu:

𝐻 = 𝑐 + 𝛼𝑆 + 𝛽1𝐴1 + ⋯ . +𝛽𝑛𝐴𝑛 + 𝛿1𝑄1 + ⋯+ 𝛿𝑛𝑄𝑛 + 𝜐 (3.1)

Dimana H adalah human capital dengan proxy score hasil test, S adalah

sekolah (biasanya menggunakan lamanya bersekolah). Variabel A

merepresentasikan kemampuan siswa seperti IQ dan Qi mewakili faktor kualitas

sekolah seperti ukuran kelas, kualitas guru, dan lain sebagainya.

Sebagai aspek yang terus berkembang, maka makin banyak faktor yang

perlu dipertimbangkan. Faguet dan Sanchez (2006) menggunakan model yang

merujuk kepada Glewwe (2002) untuk meneliti dampak desentralisasi pada output

pendidikan, yaitu:

30

Δ𝑆𝑚𝑡 = 𝛼 + 휁𝐷𝑚𝑡 + 𝛽𝑅𝑚𝑡 + 𝛾𝑃𝑚𝑡 + 𝛿𝐶𝑚𝑡 + 휀𝑚𝑡 (3.2)

Dimana ∆S adalah kenaikan partisipasi sekolah di sekolah negeri, D

adalah persentase penerimaan dan pengeluaran daerah terhadap pengeluaran

pendidikan di daerah tersebut , R adalah ketersediaan sarana pendidikan, P adalah

variabel politik, dan C adalah variabel sosial ekonomi dan geografis.

Purwanto (2010) dengan menggunakan pendekatan EPF memformulasikan

model ekonometrik untuk melihat hubungan pencapaian pendidikan SD (primary

education) dan SMP (secondary education) dengan pengaruh desentralisasi

anggaran di Indonesia. Model yang digunakan adalah:

𝐸𝑅𝑖𝑡 = αi + γ𝐹𝐷𝑖𝑡 + β𝐼𝐹𝑖𝑡 + δSit + λDit + 𝜖𝑖𝑡 (3.3)

Dimana ER adalah angka partisipasi dari pendidikan, untuk SD

menggunakan angka partisipasi murni (APM) SD sedangkan untuk SMP

menggunakan angka partisipasi kasar (APK) SMP, FD adalah variabel

desentralisasi fiskal dari sisi penerimaan yaitu Dana Alokasi Umum (DAU), Dana

Alokasi Khusus (DAK) dan pendapatan asli daerah. IF adalah variabel

ketersediaan sarana pendidikan yaitu rasio murid guru dan rasio murid sekolah. S

adalah variabel sosial ekonomi yaitu PDRB perkapita, kemiskinan dan angka

melek huruf (proxy pendidikan kepala rumah tangga).

Penelitian ini menggunakan pendekatan EPF dari Glewwe (2002) dan

menggunakan variabel dependen berupa logaritma natural (ln) dari banyaknya

anak usia SD dan SMP yang bersekolah, modifikasi variabel dependen pada

Faguet dan Sanchez (2006) dan memodifikasi variabel pengeluaran pemerintah

dan sosial ekonomi pada Purwanto (2010). Model yang digunakan pada penelitian

ini yaitu:

ln 𝑆𝐾𝑈𝐿_𝑆𝐷𝑖𝑡 = 𝛽0 + 𝛽1 ln 𝐽_𝑅𝐼𝐼𝐿_𝐷𝐼𝐾𝐷𝐴𝑆𝑖𝑡 + 𝛽2 ln𝐵𝑂𝑆_𝑆𝐷𝑖𝑡

+ 𝛽3 ln𝑃𝐷𝑅𝐵𝐾𝐴𝑃𝑖𝑡 + 𝛽4 𝐾𝑅𝑇_𝐴𝑇𝐴𝑆𝑆𝐷𝑖𝑡 + 𝛽5 𝐴𝑅𝑇_5𝑖𝑡

+ 𝛽6 𝑃0𝑖𝑡 +𝛽7 ln𝑅_𝑀𝐺_𝑆𝐷𝑖𝑡 + 𝛽8 ln𝑅_𝑀𝑆_𝑆𝐷𝑖𝑡 + +휀𝑖𝑡

ln 𝑆𝐾𝑈𝐿_𝑆𝑀𝑃𝑖𝑡 = 𝛽0 + 𝛽1 ln 𝐽_𝑅𝐼𝐼𝐿_𝐷𝐼𝐾𝐷𝐴𝑆𝑖𝑡 + 𝛽2 ln𝐵𝑂𝑆_𝑆𝑀𝑃𝑖𝑡 + 𝛽3 ln𝑃𝐷𝑅𝐵𝐾𝐴𝑃𝑖𝑡

+ 𝛽4 𝐾𝑅𝑇_𝐴𝑇𝐴𝑆𝑆𝐷 + 𝛽5 𝐴𝑅𝑇_5𝑖𝑡

+ 𝛽6 𝑃0𝑖𝑡 +𝛽7 ln𝑅_𝑀𝐺_𝑆𝑀𝑃𝑖𝑡 + 𝛽8 ln𝑅_𝑀𝑆_𝑆𝑀𝑃𝑖𝑡 + +휀𝑖𝑡

dengan,

ln 𝑆𝐾𝑈𝐿_𝑆𝐷𝑖𝑡 = Jumlah usia 7-12 tahun yang masih sekolah (jiwa)

31

ln 𝑆𝐾𝑈𝐿_𝑆𝑀𝑃𝑖𝑡 = Jumlah usia 13-15 tahun yang masih sekolah (jiwa)

ln 𝐽_𝑅𝐼𝐼𝐿_𝐷𝐼𝐾𝐷𝐴𝑆𝑖𝑡 = Belanja pendidikan dasar (Rupiah);

ln𝐵𝑂𝑆_𝑆𝐷𝑖𝑡 = Bantuan Operasional Sekolah SD (Rupiah);

ln𝐵𝑂𝑆_𝑆𝑀𝑃𝑖𝑡 = Bantuan Operasional Sekolah SMP (Rupiah);

ln𝑃𝐷𝑅𝐵𝐾𝐴𝑃𝑖𝑡 = Pendapatan Regional Domestik Bruto Perkapita (Juta

Rupiah);

𝐾𝑅𝑇_𝐴𝑇𝐴𝑆𝑆𝐷𝑖𝑡 = Kepala Rumah Tangga (KRT) yang berpendidikan

diatas SD (persen);

𝐴𝑅𝑇_5𝑖𝑡 = Jumlah Rumah Tangga yang memiliki Anggota Rumah

Tangga lebih dari 5 (persen);

𝑃0𝑖𝑡 = Angka Kemiskinan (persen);

ln𝑅_𝑀𝐺_𝑆𝐷𝑖𝑡 = Rasio Murid SD Guru SD;

ln𝑅_𝑀𝑆_𝑆𝐷𝑖𝑡 = Rasio Murid SD Sekolah SD;

ln𝑅_𝑀𝐺_𝑆𝑀𝑃𝑖𝑡 = Rasio Murid SMP Guru SMP;

ln𝑅_𝑀𝑆_𝑆𝑀𝑃𝑖𝑡 = Rasio Murid SMP Sekolah SMP;

k = koefisien parameter pada variabel ; dan

i,t = untuk kabupaten ke-i tahun ke-t

3.4 Analisis Regresi Logistik

Regresi logistik merupakan model regresi untuk menganalisis pengaruh

variabel penjelas terhadap variabel respon yang bersifat biner (dichotomous).

Regresi logistik pada penelitian ini digunakan untuk melihat kecenderungan

seorang anak untuk bersekolah dan tidak bersekolah dilihat dari faktor-faktor

sosial ekonomi di keluarganya. Variabel dependen yang diteliti adalah status

seorang anak yang bersekolah dan tidak bersekolah. Pada regresi logistik, jika

terdapat k variabel penjelas, maka probabilitas untuk mendapat hasil „sukses‟

(y=1) dinyatakan dengan P(Y=1 )() xx sedangkan probabilitas untuk mendapat

hasil „gagal‟ dinyatakan dengan P(Y=0 ).(1) xx Pada penelitian ini untuk

y=1 sebagai Fungsi regresi logistik dinyatakan dalam:

32

k

j

ijj

k

j

ijj

i

x

x

x

0

0

exp1

exp

)(

di mana i=1,2,…,n dan j=0,1,2,…,k

Sedangkan persamaan Y dapat dinyatakan dengan:

Yi = E ii xy

+ i

dengan E ii xy

= ix

ii x 1 jika y=1 dan

ii x jika y=0

Jika variabel independen yang digunakan berskala kategorik, yaitu ordinal

maupun nominal, maka variabel tersebut harus diubah menjadi variabel dummy.

Secara umum, bila suatu variabel mempunyai p kategori, maka diperlukan p-1

variabel dummy (Hosmer dan Lemeshow, 1989).

Regresi logistik merupakan model intrinsik, yaitu model nonlinier yang

dengan suatu transformasi dapat dibawa ke bentuk linear. Untuk mendapatkan

bentuk linier dalam regresi logistik ini, digunakan transformasi logit, yaitu bentuk

log dari odds:

odds =

i

i

x

x

1

Dengan menggunakan transformasi log, maka akan diperoleh bentuk:

g(xi) = ln

i

i

x

x

1

g(xi)= ln

k

j

ijj

k

j

ijj

x

x

0

0

exp1

exp

- ln

k

j

ijj x0

exp1

1

=

k

j

ijj x0

33

Jika dari beberapa variabel penjelas ada yang bersifat diskrit dan berskala

nominal, maka variabel tersebut tidak akan tepat jika dimasukkan ke dalam

model. Hal ini disebabkan angka-angka yang digunakan untuk menyatakan

tingkatan tersebut hanya sebagai identifikasi saja dan tidak mempunyai nilai

numerik. Dalam situasi seperti ini diperlukan variabel dummy sebanyak k-1. Misal

variabel penjelas ke-j, yaitu xj mempunyai kj-1 tingkatan, maka variabel dummy

kj-1 dinotasikan Dju dengan koefisien ju , u=1,2,3,…,kj-1.

Maka model transformasi logit menjadi:

g(x) = kkju

k

u

ju xDxj

1

1

110 ...

3.4.1 Likelihood Ratio Test

Untuk mengetahui peran seluruh variabel penjelas di dalam model secara

bersama-sama, dapat digunakan uji Likelihood Ratio atau uji signifikansi model.

Pengujian ini dilakukan dengan membandingkan nilai observasi terhadap nilai

dugaannya yang diperoleh pada model yang terbentuk dengan model penuh.

Untuk menentukan kelayakan model digunakan statistik uji nisbah

kemungkinan (likelihood ratio test), yaitu statistik uji G.

G = -2ln

penjelasiabeldenganlikelihood

penjelasiabelpalikelihood

var

vartan

= -2 ln

kL

L0

Hipotesis yang digunakan dalam pengujian ini adalah:

H0 : 0....21 k (tidak ada pengaruh seluruh variabel

independen terhadap variabel dependen)

H1 : paling tidak terdapat satu j 0 untuk j = 1,2,3,…,k (ada pengaruh

variabel independen terhadap variabel dependen)

Statistik uji G mengikuti distribusi Khi-Kuadrat dengan derajat bebas p

sehingga hipotesis ditolak jika G > 11,2

kr atau p-value < .

34

3.4.2 Uji Wald

Selain pengujian parameter secara keseluruhan, juga harus dilakukan

pengujian koefisien secara individual. Hipotesis yang digunakan dalam pengujian

secara individual adalah:

H0 : j = 0

H1 : j 0 untuk j = 0,1,2,…,k

Statistik uji yang digunakan adalah:

W =

2

^

^

j

j

se

Hipotesis ditolak jika W > 11,2

kr atau p-value < .

3.4.3 Odds Ratio

Nilai odds ratio merupakan besaran yang digunakan untuk melihat

perbandingan masing-masing kategori dari variabel bebas dalam menerangkan

peubah tak bebas. Nilai ini diperoleh dengan mengeksponensialkan koefisien dari

peubah dalam model regresi logistik yang terbentuk. Dengan kata lain, odds ratio

merupakan perbandingan tingkat resiko antara 2 nilai peubah bebas, misalnya x=1

dan x=0, maka rumus untuk mencari odds ratio adalah sebagai berikut:

010

111

x

x

x

100

0

010

10

exp1

1

exp1

exp

exp1

1

exp1

exp

=

0

10

exp

exp

x

= exp(xi )

35

3.4.4 Spesifikasi Model

Untuk melihat faktor sosial ekonomi dan geografis yang memengaruhi

seorang anak pada usia sekolah di pendidikan dasar untuk bersekolah atau tidak

bersekolah lagi menggunakan model regresi logistik. Model adalah modifikasi

dari Sanchez dan Sbrana (2010). Model dibagi berdasarkan usia sekolah SD dan

usia sekolah SMP yaitu:

PARTSDi = 0 + 1 JKi + 2 DESAi + 3 PDDK_KRTit + 4 LAP_US_KRTit +

5 JARTit + 6EXPCAP + εit

PARTSMPi = 0 + 1 JKi + 2 DESAi + 3 PDDK_KRTit + 4 LAP_US_KRTit +

5 JARTit + 6EXPCAP + εit

Dengan :

PARTSDi = sekolah=1 dan tidak bersekolah lagi=0;

PARTSMPi = sekolah=1 dan tidak bersekolah lagi=0;;

JKi = perempuan=1 dan Laki-laki=0;

DESAi = perdesaan =1 dan Perkotaan =0

PDDK_KRTit (1) = Pendidikan KRT (SD dan tidak sekolah)=1, lainnya=0

PDDK_KRTit (2) = Pendidikan KRT (SMP)=1, lainnya=0

LAP_US_KRTit(1) = Lapangan Usaha KRT sektor primer=1, lainnya=0

LAP_US_KRTit(2) = Lapangan Usaha KRT sektor sekunder=1, lainnya=0

JART =Jumlah anggota rumah tangga dalam rumah tangga (jiwa)

EXPCAP = Pengeluaran Rumah Tangga (puluh ribu rupiah)

3.5 Definisi Operasional

Batasan/definisi operasional peubah-peubah dan istilah-istilah yang

digunakan dalam penelitian ini adalah sebagai berikut:

1. Partisipasi Sekolah umur 7-12 tahun adalah jumlah anak pada usia tersebut

yang sedang bersekolah, dalam penelitian ini anak usia 7-12 tahun yang

bersekolah diasumsikan bersekolah di SD

2. Partisipasi Sekolah umur 13-15 tahun adalah jumlah anak pada usia tersebut

yang sedang bersekolah, dalam penelitian ini anak usia 13-15 tahun yang

bersekolah diasumsikan bersekolah di SMP.

3. Angka putus sekolah adalah proporsi anak menurut kelompok usia sekolah

yang sudah tidak bersekolah lagi atau yang tidak menamatkan suatu jenjang

36

pendidikan tertentu. Adapun kelompok umur yang dimaksud adalah

kelompok umur 7-12 tahun dan 13-15 tahun.

4. Jumlah riil pengeluaran pendidikan dasar adalah jumlah pengeluaran program

pendidikan dasar tiap tahun pada dinas pendidikan kabupaten/kota.

Pendidikan dasar mencakup SD/MI/Paket A dan sederajat dan

SMP/MTs/Paket B dan sederajat. Pengeluaran riil pendidikan dasar dalam

penelitian ini tidak dapat dibedakan antara pengeluaran untuk program SD

atau pun SMP karena keterbatasan data.

5. Produk Domestik Regional Bruto atas dasar harga konstan 2000 (PDRB)

adalah jumlah produksi barang dan jasa yang dihasilkan oleh seluruh aktivitas

ekonomi yang terjadi di masyarakat yang diukur berdasarkan suatu periode

tertentu sebagai tahun dasar sehingga nilainya benar-benar mencerminkan

jumlah produksi yang terbebas dari pengaruh harga.

6. PDRB perkapita adalah PDRB dibagi jumlah penduduk tengah tahun suatu

daerah.

7. Rumahtangga (RT) adalah seorang atau sekelompok orang yang mendiami

sebagian atau seluruh bangunan fisik atau bangunan sensus dan biasanya

tinggal bersama serta makan dari satu dapur. Makan dari satu dapur

mempunyai makna bahwa mereka mengurus kebutuhan sehari-hari bersama

menjadi satu.

8. Kepala Rumah Tangga (KRT) adalah seorang dari sekelompok anggota

rumah tangga yang bertanggungjawab atas kebutuhan sehari-hari

rumahtangga, atau orang yang dianggap/ditunjuk sebagai KRT.

9. Anggota Rumah Tangga (ART) adalah semua orang yang biasanya bertempat

tinggal di suatu RT, baik yang berada di rumah pada waktu pencacahan

maupun sementara sedang tidak ada. ART yang telah bepergian enam bulan

atau lebih, dan ART yang bepergian kurang dari enam bulan tetapi dengan

tujuan pindah/akan meninggalkan rumah enam bulan atau lebih, tidak

dianggap sebagai ART. Orang yang telah tinggal di RT enam bulan atau

lebih, atau yang telah tinggal di RT kurang dari enam bulan tetapi berniat

pindah/bertempat tinggal di RT tersebut enam bulan atau lebih dianggap

sebagai ART.

37

10. Pengeluaran konsumsi rumahtangga sebulan adalah total nilai makanan dan

bukan makanan (barang/jasa) yang diperoleh, dipakai, atau dibayarkan

rumahtangga sebulan untuk konsumsi rumahtangga, tidak termasuk untuk

keperluan usaha rumahtangga atau yang diberikan kepada pihak/orang lain.

11. Pendapatan perkapita untuk model logit pada panelitian ini di proxy dari

pengeluaran per kapita: total pengeluaran rumah tangga dibagi jumlah

anggota rumah tangga dalam satuan ribuan rupiah.

12. Angka Kemiskinan (P0) adalah persentase jumlah penduduk yang berada

dibawah garis kemiskinan terhadap seluruh jumlah penduduk kabupaten/kota.

BPS setiap tahun menetapkan besarnya garis kemiskinan berdasarkan hasil

Susenas modul konsumsi.

13. Lapangan usaha adalah bidang kegiatan dari pekerjaan/ usaha/ perusahaan/

kantor tempat seseorang bekerja. Lapangan Usaha dalam penelitian ini dibagi

berdasarkan 3 sektor yaitu:

a. Sektor primer : pertanian, perkebunan, perikanan, pertambangan

b. Sektor sekunder: industri, listrik, gas, air bersih, konstruksi.

c. Sektor tersier : perdagangan, angkutan, jasa, keuangan.