Content uploaded by Pardomuan Robinson Sihombing
Author content
All content in this area was uploaded by Pardomuan Robinson Sihombing on Jun 14, 2023
Content may be subject to copyright.
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
78
Analisis Pengaruh Indeks Pembangunan Manusia, Laju Pertumbuhan Penduduk,
dan Tingkat Pengangguran Terbuka terhadap Kemiskinan di DKI Jakarta
Rama Bhaskara Praja 1)*, Masruri Muchtar 2), Pardomuan Robinson Sihombing 3)
1) 2) Politeknik Keuangan Negara, STAN, Indonesia
3) Badan Pusat Statistik, Indonesia
* E-mail corresponding author: ramabhaskarapraja@gmail.com
Ecoplan
p-ISSN: 2620-6102
e-ISSN: 2615-5575
Submitted:
Apr 06, 2023
Accepted:
May 05, 2023
Published:
May 26, 2023
Keywords: DKI Jakarta;
Human Development Index;
Poverty; Population Growth
Rate; Open Unemployment
Rate
Abstract - The poverty rate has increased rapidly again due to the
Covid-19 Pandemic. DKI Jakarta is one of the top 5 provinces with
the lowest poverty rate in Indonesia, even though it has high
complexity in administering its government. Because of these
achievements, this study aims to find factors that influence poverty
so that it can become a reference for other local governments in
alleviating poverty. This research was conducted using panel data
regression with a fixed effect model. The results showed that
simultaneously poverty headcount index in the t-1 period, human
development index (HDI), open unemployment rate, and population
growth rate significantly affect the poverty headcount index. While
partially, open unemployment and population growth rate positively
and significantly affect the poverty headcount index. On the other
hand, the poverty headcount index in the t-1 period and HDI
positively and insignificantly affect the poverty headcount index.
This research shows that local governments must focus more on
policies to reduce unemployment and population growth rate in the
context of alleviating poverty.
Abstrak - Angka kemiskinan kembali meningkat pesat akibat adanya Pandemi Covid-19. DKI Jakarta
adalah satu dari 5 provinsi yang memiliki tingkat kemiskinan terendah di Indonesia walaupun memiliki
kompleksitas yang tinggi dalam penyelenggaraan pemerintahannya. Karena prestasi tersebut, studi ini
bertujuan untuk menemukan faktor-faktor yang mempengaruhi kemiskinan di DKI Jakarta agar bisa
menjadi referensi bagi pemerintah daerah lainnya dalam mengentaskan kemiskinan. Penelitian dilakukan
menggunakan regresi data panel dengan model fixed effect. Hasil penelitian menunjukkan bahwa secara
simultan indeks pembangunan manusia (IPM), tingkat pengangguran terbuka (TPT), laju pertumbuhan
penduduk dan persentase penduduk miskin pada periode t-1 mempengaruhi secara signifikan terhadap
persentase penduduk miskin. Sedangkan secara parsial, TPT dan laju pertumbuhan penduduk memiliki
pengaruh secara positif dan signifikan terhadap persentase penduduk miskin. Di sisi lain, IPM dan
persentase penduduk miskin pada periode t-1 memiliki pengaruh secara positif dan tidak signifikan
terhadap persentase penduduk miskin. Hal ini menunjukkan bahwa pemerintah daerah harus lebih berfokus
kepada kebijakan untuk mengurangi pengangguran dan menekan laju pertumbuhan penduduk dalam rangka
mengentaskan kemiskinan.
Kata Kunci: DKI Jakarta; Indeks Pembangunan Manusia; Kemiskinan; Pertumbuhan Penduduk; Tingkat
Pengangguran Terbuka
PENDAHULUAN
Kemiskinan adalah masalah yang selalu diperdebatkan di berbagai diskusi ekonomi dan kebijakan publik.
Hingga saat ini, kemiskinan masih menjadi salah satu masalah terbesar yang dihadapi dunia. Sayangnya,
setelah menunjukkan pencapaian dalam pengentasan kemiskinan beberapa tahun belakangan ini, tingkat
kemiskinan kembali meningkat karena adanya Pandemi Covid-19 (Rositawati & Kurniawan, 2022).
Pandemi ini mengharuskan pemerintah untuk menerapkan Pembatasan Sosial Berskala Besar sehingga
membatasi aktivitas masyarakat. Dampak ekonomi yang ditimbulkan dari kebijakan ini sangat luar biasa.
Beberapa diantaranya banyaknya pekerja yang dipecat untuk mengurangi pengeluaran perusahaan dan daya
jual-beli di masyarakat yang berkurang sehingga ekonomi masyarakat merosot (Iskar dkk., 2021).
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
79
Akibatnya, angka kemiskinan meningkat drastis di Indonesia. Hal serupa pun juga terjadi di berbagai
belahan bumi lainnya.
Setiap provinsi di Indonesia baik provinsi besar maupun provinsi yang masih dalam tahap
berkembang pasti memiliki sebagian populasi yang tergolong miskin. Namun, setiap provinsi memiliki
persentase kemiskinan yang berbeda-beda. Dilihat dari tabel persentase kemiskinan di 34 provinsi berikut:
Sumber: BPS
Gambar 1. Persentase Kemiskinan di Indonesia Berdasrkan Provinsi
Dapat dilihat bahwa DKI Jakarta menjadi satu dari 5 provinsi yang memiliki tingkat kemiskinan
terendah baik di tahun 2021 maupun 2022. Padahal sebagai ibukota negara sekaligus pusat perekonomian,
DKI Jakarta memiliki tingkat kepadatan penduduk tertinggi di Indonesia. Selain itu, meskipun pendapatan
per kapita di DKI Jakarta adalah yang tertinggi di Indonesia, garis kemiskinan di DKI Jakarta adalah yang
tertinggi ke-3 di Indonesia. Artinya pengeluaran untuk memenuhi kebutuhan pokok agar bisa hidup layak
di DKI Jakarta lebih tinggi dibandingkan dengan provinsi-provinsi lain. Kedua hal tersebut menyebabkan
DKI Jakarta memiliki kompleksitas yang tinggi dalam penyelenggaraan pemerintahannya. Karena
prestasinya sebagai salah satu provinsi dengan tingkat kemiskinan terendah, peneliti ingin melakukan
kajian terhadap kemiskinan yang ada di DKI Jakarta untuk menemukan faktor-faktor yang mempengaruhi
0 5 10 15 20 25 30
ACEH
SUMATERA UTARA
SUMATERA BARAT
RIAU
JAMBI
SUMATERA SELATAN
BENGKULU
LAMPUNG
KEP. BANGKA BELITUNG
KEP. RIAU
DKI JAKARTA
JAWA BARAT
JAWA TENGAH
DI YOGYAKARTA
JAWA TIMUR
BANTEN
BALI
NUSA TENGGARA BARAT
NUSA TENGGARA TIMUR
KALIMANTAN BARAT
KALIMANTAN TENGAH
KALIMANTAN SELATAN
KALIMANTAN TIMUR
KALIMANTAN UTARA
SULAWESI UTARA
SULAWESI TENGAH
SULAWESI SELATAN
SULAWESI TENGGARA
GORONTALO
SULAWESI BARAT
MALUKU
MALUKU UTARA
PAPUA BARAT
PAPUA
INDONESIA
2021 2022
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
80
kemiskinan dengan tujuan agar penelitian ini bisa dijadikan sebagai referensi bagi pemerintah daerah
lainnya dalam membuat kebijakan untuk mengentaskan kemiskinan.
Beberapa penelitian terdahulu telah membahas beberapa faktor yang mempengaruhi kemiskinan.
Solfida dkk. (2013) meneliti pengaruh IPM, Laju Pertumbuhan Penduduk, dan TPT terhadap persentase
penduduk miskin di Papua Barat. Penelitian ini dilakukan pada Papua Barat yang merupakan salah satu
provinsi termiskin di Indonesia. Priseptian & Primandhana (2022) juga melakukan penelitian terhadap
faktor-faktor yang mempengaruhi persentase penduduk miskin yaitu UMP, IPM, pertumbuhan ekonomi,
dan pengangguran. Penelitian ini dilakukan pada Provinsi Jawa Timur yang merupakan provinsi yang
memiliki tingkat kemiskinan diatas rata-rata. Putra dkk. (2021) juga meneliti mengenai faktor faktor yang
mempengaruhi angka kemiskinan di Kota Blitar berupa pengaruh Laju Pertumbuhan Penduduk, Rasio Gini,
dan Pertumbuhan PDRB per Kapita. Meskipun Kota Blitar memiliki angka persentase penduduk miskin
yang cukup rendah namun angka ini masih lebih tinggi dibandingkan lima kota yang ada di DKI Jakarta.
Penelitian-penelitian lain juga masih menggunakan provinsi-provinsi yang kinerja pengetasan
kemiskinannya masih dibawah DKI Jakarta seperti Banten, Jawa Tengah dan Sumatera Bagian Selatan.
Walaupun telah ada beberapa penelitian yang membahas mengenai faktor-faktor yang mempengaruhi
persentase penduduk miskin, namun belum ada penelitian yang dilakukan terhadap faktor-faktor yang
mempengaruhi kemiskinan di DKI Jakarta yang memiliki tingkat kemiskinan yang rendah meskipun
dengan kompleksitas tinggi dalam penyelenggaraan pemerintahannya. Studi ini akan menguji apakah
faktor-faktor berupa IPM, TPT, dan laju pertumbuhan penduduk dapat mempengaruhi persentase penduduk
miskin.
TINJAUAN PUSTAKA
Literature Review
Beberapa penelitian terkait dengan kemiskinan telah dilakukan oleh sejumlah peneliti sebelumnya. Rujukan
penelitian yang pertama adalah kajian yang dilakukan oleh Sofilda dkk. (2013) dengan judul Human
Development and Poverty in Papua Province (An Analysis of Simultaneous Approach on Panel Data
Regression) meneliti mengenai pengaruh Indeks Pembangunan Manusia (IPM), Laju Pertumbuhan
Penduduk, Tingkat Pengangguran Terbuka (TPT) terhadap persentase penduduk miskin di 20
kabupaten/kota di Papua Barat dari tahun 2007-2011. Hasil penelitian menyimpulkan bahwa IPM memiliki
berpengaruh secara negatif dan signifikan terhadap persentase penduduk miskin. Sedangkan, Laju
pertumbuhan penduduk berpengaruh secara positif dan signifikan terhadap persentase penduduk miskin.
TPT berpengaruh secara positif dan tidak signifikan terhadap persentase penduduk miskin.
Rujukan penelitian yang kedua adalah penelitian yang dilakukan oleh Priseptian & Primandhana
(2022) dengan judul Analisis Faktor-Faktor yang Mempengaruhi Kemiskinan. Kajian ini meneliti mengenai
pengaruh Upah Minimum Provinsi, Indeks Pembangunan Manusia (IPM), pertumbuhan ekonomi, dan
pengangguran terhadap kemiskinan di Provinsi Jawa Timur dari tahun 2005-2020. Hasil penelitian
menyimpulkan bahwa secara simultan UMP, IPM, Pertumbuhan Ekonomi, dan Pengangguran
mempengaruhi kemiskinan. Sedangkan secara parsial masing-masing variabel dependen memiliki
pengaruh yang berbeda terhadap variabel independen. UMP dan pertumbuhan ekonomi memiliki pengaruh
negatif dan signifikan terhadap kemiskinan. Sedangkan pengangguran memiliki pengaruh positif dan
signifikan terhadap kemiskinan. Disisi lain, IPM memiliki pengaruh positif dan tidak signifikan terhadap
kemiskinan.
Rujukan penelitian yang ketiga adalah penelitian yang dilakukan oleh Putra dkk. (2021) dengan
judul Pengaruh Laju Pertumbuhan Penduduk, Gini Ratio, dan Pertumbuhan PDRB per Kapita Terhadap
Angka Kemiskinan di Kota Blitar Tahun 2011-2020. Kajian ini meneliti mengenai pengaruh Laju
Pertumbuhan Penduduk, Rasio Gini, dan Pertumbuhan PDRB per Kapita terhadap angka kemiskinan di
Kota Blitar dari tahun 2011-2020. Hasil penelitian menyimpulkan bahwa Laju Pertumbuhan Penduduk
memiliki pengaruh negatif dan signifikan terhadap angka kemiskinan. Disisi lain, rasio gini memiliki
pengaruh positif dan tidak signifikan terhadap kemiskinan. Sedangkan, pertumbuhan PDRB per Kapita
memiliki pengaruh negatif dan tidak signifikan terhadap angka kemiskinan.
Rujukan penelitian yang keempat adalah penelitian yang dilakukan oleh Hilmi dkk. (2022) dengan
judul Pengaruh Jumlah Penduduk dan Pengangguran Terhadap Tingkat Kemiskinan Di Kabupaten Tolitoli.
Penelitian ini membahas mengenai pengaruh jumlah penduduk dan pengangguran terhadap tingkat
kemiskinan di Kabupaten Tolitoli dari Juni – Agustus 2021. Hasil penelitian ini menyimpulkan bahwa
pengangguran berpengaruh secara negatif dan tidak signifikan terhadap tingkat kemiskinan. Sedangkan
jumlah penduduk berpengaruh secara positif dan tidak signifikan terhadap tingkat kemiskinan.
Rujukan penelitian yang kelima adalah penelitian yang dilakukan oleh Zurisdah (2016) dengan
judul Pengaruh Tingkat Pengangguran Terbuka Terhadap Tingkat Kemiskinan Di Provinsi Banten. Kajian
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
81
ini meneliti mengenai pengaruh Tingkat Pengangguran Terbuka terhadap Tingkat Kemiskinan di Provinsi
Banten dari 2010 – 2013. Hasil penelitian menunjukkan bahwa tingkat pengangguran terbuka berpengaruh
secara positif dan signifikan terhadap kemiskinan.
Rujukan penelitian yang keenam adalah penelitian yang dilakukan oleh Fauzi dkk. (2022) dengan
judul Pengaruh Laju Pertumbuhan Penduduk Terhadap Kemiskinan Di Indonesia. Kajian ini meneliti
mengenai pengaruh dari laju pertumbuhan penduduk terhadap kemiskinan di seluruh provinsi di Indonesia
dari Januari – Desember 2021. Hasil penelitian menunjukkan bahwa laju pertumbuhan penduduk
berpengaruh secara positif dan tidak signifikan terhadap kemiskinan.
Rujukan penelitian yang ketujuh adalah penelitian yang dilakukan oleh Kevin dkk. (2020) dengan
judul Pengaruh Inflasi dan Laju Pertumbuhan Penduduk Terhadap Kemiskinan Di Sumatera Bagian Selatan
Tahun 2011-2018. Kajian ini meneliti tentang pengaruh dari inflasi dan laju pertumbuhan penduduk
terhadap kemiskinan di ibu kota provinsi di Sumatera bagian selatan tahun 2011 – 2018. Hasil penelitian
menunjukkan bahwa secara simultan laju pertumbuhan penduduk dan inflasi berpengaruh secara signifikan
terhadap kemiskinan. Secara parsial, laju pertumbuhan penduduk berpengaruh secara positif dan signifikan
terhadap kemiskinan. Sedangkan inflasi berpengaruh secara positif dan tidak signifikan terhadap
kemiskinan.
Rujukan penelitian yang kedelapan adalah penelitian yang dilakukan oleh Mohini (2022) dengan
judul Analisis Pengaruh Tingkat Pengangguran Terbuka, Tingkat Kesehatan, Indeks Pembangunan
Manusia, dan Upah Minimum Regional Terhadap Tingkat Kemiskinan Di Jawa Tengah Tahun 2019 – 2021.
Kajian ini meneliti tentang pengaruh dari TPT, Tingkat Kesehatan, IPM, dan UMR terhadap tingkat
kemiskinan di Jawa Tengah Tahun 2019 – 2021 menggunakan model fixed effect. Hasil penelitian
menunjukkan bahwa secara simultan TPT, tingkat kesehatan, IPM, dan UMR berpengaruh secara signifikan
terhadap tingkat kemiskinan. Secara parsial, TPT berpengaruh secara negatif dan signifikan terhadap
tingkat kemiskinan. Tingkat kesehatan berpengaruh secara negatif dan tidak signifikan terhadap tingkat
kemiskinan. IPM berpengaruh secara positif dan tidak signifikan terhadap tingkat kemiskinan. UMR
berpengaruh secara positif dan signifikan terhadap tingkat kemiskinan.
Rujukan penelitian yang kesembilan adalah penelitian yang dilakukan oleh Mukhtar et al. (2019)
dengan judul Analisis Pengaruh Indeks Pembangunan Manusia dan Tingkat Pengangguran Terbuka
Terhadap Kemiskinan Di Indonesia. Kajian ini meneliti tentang pengaruh dari IPM dan TPT terhadap
kemiskinan di seluruh provinsi di Indonesia Tahun 2011 – 2014 menggunakan model random effect. Hasil
penelitian menunjukkan bahwa secara simultan IPM dan TPT mempengaruhi kemiskinan di Indonesia.
Secara parsial, IPM berpengaruh secara negatif dan signifikan terhadap kemiskinan. TPT berpengaruh
secara negatif dan tidak signifikan terhadap kemiskinan.
Perbedaan mendasar penelitian ini dengan penelitian-penelitian sebelumnya terletak pada objek
dan periode penelitian. Objek penelitian yang digunakan dalam penelitian ini adalah DKI Jakarta. Penelitian
mengenai pengaruh IPM, laju pertumbuhan penduduk, dan tingkat pengangguran terbuka terhadap
kemiskinan di DKI Jakarta masih belum pernah dilakukan sebelumnya. Selain itu, periode penelitian yang
digunakan dalam penelitian ini adalah selama 5 tahun. Beberapa penelitian sebelumnya yang menggunakan
variabel kemiskinan sebagai variabel dependen menggunakan periode penelitian yang kurang dari satu
tahun seperti penelitian Fauzi dkk. (2021), Hilmi dkk. (2022). Periode penelitian yang hanya satu tahun
hanya akan dapat meng-capture penyebab kemiskinan secara jangka pendek sehingga tidak dapat
menyelesaikan masalah kemiskinan pada jangka menengah dan jangka panjang.
METODE PENELITIAN
Ruang lingkup dalam penelitian ini adalah kabupaten/kota yang ada di Provinsi DKI Jakarta dari tahun
2017-2021. Terdapat data 6 kabupaten/kota selama 5 tahun yang menjadi bahan observasi. Dengan
demikian, total observasi untuk masing-masing variabel adalah sejumlah 30 observasi. Tahun 2017 – 2021
diambil karena keterbatasan data yang tersedia. Tahun 2017 dipilih sebagai tahun awal karena terdapat data
kosong pada tahun 2016 untuk variabel tingkat pengangguran terbuka. Tahun 2021 dipilih sebagai tahun
akhir karena tidak ada data variabel presentase penduduk miskin dan tingkat pengangguran terbuka pada
tahun 2022.
Dalam penelitian ini, penulis menggunakan pendekatan kuantitatif. pendekatan kuantitatif adalah
pendekatan yang bersifat objektif yang menganalisis data bersifat numerik serta menggunakan metode
pengujian statistik. Data yang digunakan adalah data sekunder yang bersumber dari Badan Pusat St atistik
(BPS) Provinsi DKI Jakarta. Jenis data yang digunakan berupa data panel dari 6 kabupaten/kota yang ada
di Provinsi DKI Jakarta selama periode 2017 hingga 2021. Data panel adalah kombinasi dari data cross
section dan time series (Hidayat dkk., 2018). Artinya, data panel adalah data dari beberapa individu yang
diamati dalam kurun waktu tertentu
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
82
Metode analisis yang digunakan adalah analisis deskriptif dengan tabel dan grafik serta analisis
inferensia dengan regresi data panel. Metode analisis regresi digunkana untuk mengetahui pengaruh antara
variabel bebas terhadap variabel terikat (Kurniawan, 2017). Variabel dependen (terikat) yang diuji adalah
persentase penduduk miskin. sedangkan, variabel independen (bebas) yang diuji adalah indeks
pembangunan manusia (IPM), laju pertumbuhan penduduk dan tingkat pengangguran terbuka (TPT).
Bentuk persamaan regresi berganda dalam penelitian ini adalah sebagai berikut:
MKNit = β0 + β1 * IPMit + β2 * LPPit + β3 * TPTit + εit
Keterangan:
MKNit = Persentase penduduk miskin di kabupaten/kota di Provinsi DKI Jakarta dalam satuan
persentase (%)
IPMit = Indeks Pembangunan Manusia di kabupaten/kota di Provinsi DKI Jakarta tanpa
satuan
LPPit = Laju Pertumbuhan Penduduk di kabupaten/kota di Provinsi DKI Jakarta dalam satuan
persentase (%)
TPTit = Tingkat Pengangguran Terbuka di kabupaten/kota di Provinsi DKI Jakarta dalam
satuan persentase (%)
ε = Eror
Hasil analisis regresi ini dilakukan untuk menganalisis pengaruh indeks pembangunan manusia
(IPM), laju pertumbuhan penduduk, dan tingkat pengangguran terbuka (TPT) terhadap kemiskinan di DKI
Jakarta.
Pengujian yang Dilakukan
Uji Chow, uji lagrange multiplier, dan uji hausman dilakukan untuk memilih model panel terbaik di antara
common effect, fixed effect dan random effect. Uji Chow digunakan untuk menentukan pilihan model antara
menggunakan common effect atau fixed effect. Uji lagrange multiplier digunakan untuk menentukan
pilihan model antara menggunakan common effect atau random effect. Uji hausman digunakan untuk
menentukan pilihan model antara fixed effect atau random effect. Dari hasil ketiga pengujian ini akan dapat
ditentukan model terbaik.
Uji asumsi klasik dilakukan untuk memastikan semua data telah Best Linear Unbiased Estimators
(BLUE). Terdapat empat pengujian yang dilakukan yaitu uji normalitas, uji heteroskedastisitas, uji
multikolinearitas, dan uji autokorelasi. Uji normalitas digunakan untuk menguji nilai residual yang ada
dalam model regresi. Uji heteroskedastisitas digunakan untuk menguji apakah model regresi terjadi
ketidaksamaan varian dari residual suatu pengamatan ke pengamatan yang lain. Uji multikolinearitas
digunakan untuk menguji adanya hubungan antara satu variabel independen dengan variabel independen
yang lain dalam model regresi. Uji autokorelasi digunakan untuk menguji adanya korelasi antara residual
suatu observasi pada periode t dengan periode sebelumnya. Apabila model telah lulus keempat pengujian
maka dapat disimpulkan bahwa semua data telah BLUE.
Analisis regresi data panel dilakukan untuk melihat hubungan sebab akibat dari variabel
independen terhadap variabel dependen di model data panel. Terdapat tiga pengujian yang akan dilakukan
ketika melakukan analisis regresi data panel yaitu Uji F, Uji Koefisien Determinasi, dan Uji Parsial. Uji F
digunakan untuk melihat pengaruh variabel independen secara simultan terhadap variabel dependen. Uji
Koefisien Determinasi (R2-adjusted) digunakan untuk memberikan informasi mengenai seberapa besar
model dapat menjelaskan variabel independen. Uji Parsial (Uji Statistik-T) dilakukan untuk melihat
pengaruh variabel independen secara parsial terhadap variabel dependen.
HASIL DAN PEMBAHASAN
Tabel 1. Deskripsi Statistik
Variabel
Mean
Std. Deviasi
Min
Max
Miskin
5,661
3,715
2,73
15,06
IPM
80,092
4,305
70,11
84,90
LPP
1,383
3,760
-6,00
14,21
TPT
7,686
1,905
5,00
12,27
Sumber: Diolah (2022)
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
83
Pembahasan diawali dengan analisis deskriptif statistik variabel-variabel dalam penelitian yang digunakan
untuk mengetahui karakteristik masing-masing variabel. Secara statistik, variabel penelitian memiliki
standar deviasi yang tergolong rendah serta jarak antara minimum, maksimum dan rata -rata tidak terlalu
jauh. Persentase penduduk miskin terdapat di Kota Jakarta Selatan pada tahun 2019 yaitu terkecil sebesar
2,73% dan yang terbesar terdapat di Kabupaten Kepulauan Seribu pada tahun 2021 yaitu sebesar 15,06%.
IPM terkecil terdapat di Kabupaten Kepulauan Seribu pada tahun 2017 yaitu sebesar 70,11 dan yang
terbesar terdapat di Kota Jakarta Selatan tahun 2021 yaitu sebesar 84,90. Laju pertumbuhan penduduk
terkecil terdapat di Kota Jakarta Barat pada tahun 2020 yaitu sebesar -6% dan yang terbesar di Kabupaten
Kepulauan Seribu pada tahun 2020 yaitu sebesar 14,87%. Tingkat Pengangguran Terbuka (TPT) terkecil
terdapat di Kota Jakarta Barat pada tahun 2018 yaitu sebesar 5% dan yang terbesar terdapat di Kota Jakarta
Barat pada tahun 2020 yaitu sebesar 12,27%.
Tabel 2. Hasil Uji Chow, Uji LM, dan Uji Hausman
Pengujian
Prob
Perbandingan Model
Uji Chow
0,000
CE vs FE
Uji LM
0,001
CE vs RE
Uji Hausman
0,000
FE vs RE
Sumber: Diolah (2022)
Sebelum melakukan pengujian hipotesis, terdapat beberapa langkah yang perlu dilakukan yaitu
memilih model yang tepat dan melakukan uji asumsi klasik. Hasil uji chow menunjukkan nilai Prob sebesar
0,000 dibawah alfa 5% maka H1 diterima yang artinya pilihan model fixed effect lebih baik daripada
common effect. Hasil uji lagrange multiplier menghasilkan nilai prob sebesar 0,001 dibawah alfa 5% maka
H1 diterima yang artinya pilihan model random effect lebih baik daripada common effect. Hasil uji
hausman menghasilkan nilai prob sebesar 0,000 dibawah alfa 5% maka H1 diterima yang artinya pilihan
model fixed effect lebih baik daripada random effect. Dari ketiga pengujian diatas disimpulkan bahwa
pilihan model terbaik adalah fixed effect.
Tabel 3. Hasil Uji Asumsi Klasik
Uji Asumsi Klasik
Pengujian
Prob
Uji Normalitas
Skewness and Kurtosis Test
0,5463
Uji Heteroskedastisitas
Breusch-Pagan and Cook-Weisberg test
0,2684
Uji Multikolinearitas
Variance Inflation Factors Test
1,08
Uji Autokorelasi
Wooldridge Test
0,0033
Sumber: Diolah (2022)
Hasil pengujian normalitas dan heteroskedastitsitas terhadap model menunjukkan angka dibawah
5% serta hasil pengujian multikolinearitas dibawah angka 10. Hal ini bahwa menunjukkan model telah
lulus ketiga uji tersebut. Namun, pada pengujian autokorelasi terhadap model didapatkan nilai prob F
sebesar 0,0033 dibawah alfa 5% sehingga menunjukkan data mengalami gejala autokorelasi. Sesuai dengan
pendapat Sihombing (2021), Hal ini dapat diatasi dengan menambahkan lag data pada variabel dependen
atau juga dikenal sebagai model panel dinamis. Oleh karena itu, akan ada tambahan satu variabel
independen pada model yaitu persentase penduduk miskin pada periode t-1. Setelah keempat uji asumsi
klasik telah dilakukan pengujian terhadap model, disimpulkan bahwa data pada model telah BLUE
sehingga dapat dilanjutkan ke proses selanjutnya.
Tabel 4. Hasil Analisis Regresi Data Panel
Variabel
Coefficient
Std. Error
t-Statistic
Prob
Cons
-73,7997
38,7151
-1,91
0,077
IPM
0,9437
0,4935
1,91
0,077
LPP
0,0642
0,0287
2,24
0,042
TPT
0,1882
0,0618
3,05
0,009
Miskin lag-1
0,4063
0,201
2,02
0,063
R2-Adjusted
0,7030
Prob (F-statistic)
0,0001
Sumber: Diolah (2022)
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
84
Pada hasil regresi data panel menggunakan model fixed effect didapatkan tiga hasil uji yaitu Uji
F, Uji Koefisien Determinasi, dan Uji Parsial (Uji Statistik-T). Hasil uji F menunjukkan nilai prob F sebesar
0,0001 dibawah alfa 5% maka H1 diterima yang artinya variabel independen yaitu IPM, TPT, laju
pertumbuhan penduduk, dan persentase penduduk miskin pada periode t-1 secara simultan memiliki
pengaruh yang signifikan terhadap variabel dependen yaitu persentase penduduk miskin. Hasil Uji
Koefisien Determinasi menunjukkan nilai R2-adjusted overall yang cukup tinggi yaitu 0,703. Nilai ini
menunjukkan bahwa 70,3% variabel dependen dapat dijelaskan oleh variabel independen. Sedangkan
29,7% sisanya dijelaskan oleh faktor-faktor lain yang tidak dimasukkan dalam penelitian ini.
Dari hasil Uji Parsial, TPT memiliki pengaruh secara positif dan signifikan terhadap persentase
penduduk miskin. Hasil ini sejalan dengan penelitian yang dilakukan oleh Priseptian & Primandhana (2022)
dan Zurisdah (2016). Hal ini menunjukkan bahwa semakin tinggi pengangguran maka semakin tinggi juga
kemiskinan. Hal ini sejalan dengan pendapat Lincolin Arsyad (1999) dimana terdapat hubungan yang
sangat erat antara tingginya pengangguran dengan kemiskinan. Apabila seseorang tidak bekerja maka tidak
bisa mendapatkan penghasilan sehingga akan sulit untuk memenuhi kebutuhan mereka dan meningkatkan
kemiskinan. Hal ini juga sejalan dengan pendapat Sadono Sukirno (2004) yang menjelaskan efek buruk
dari pengangguran adalah berkurangnya pendapatan masyarakat sehingga dapat mengurangi kemakmuran.
Dilihat dari koefisiennya, apabila TPT meningkat 1% maka akan meningkatkan persentase penduduk
miskin sebanyak 0,18%. Dari hasil ini diharapkan pemerintah daerah dapat memperluas lapangan
pekerjaan, memberikan pelatihan kerja bersertifikat, dan memberikan workshop kewirausahaan sehingga
dapat mengurangi pengangguran yang nantinya akan berdampak pada menurunnya kemiskinan.
Pengaruh yang sama ditunjukkan pada laju pertumbuhan penduduk yang memiliki pengaruh
secara positif dan signifikan terhadap persentase penduduk miskin. Hal ini sejalan dengan penelitian yang
dilakukan oleh Sofilda dkk. (2013) dan Kevin dkk. (2020). Hal ini juga sejalan dengan Teori Malthus (1993)
yang menyebutkan bahwa pertumbuhan penduduk memiliki efek negatif terhadap kesejahteraan. Begitu
juga dengan Teori David Ricardo (1917) yang menjelaskan bahwa laju pertumbuhan penduduk yang terlalu
besar maka akan dapat menyebabkan melimpahnya tenaga kerja sehingga akan berdampak pada upah yang
diterima menurun. Keadaan ini akan dapat meningkatkan kemiskinan karena kesulitan dalam membiayai
hidup minimum. Dilihat dari koefisiennya, apabila laju pertumbuhan penduduk meningkat 1% maka akan
meningkatkan persentase penduduk miskin sebanyak 0,06%. Dari hasil ini diharapkan pemerintah daerah
dapat meningkatkan sosialisasi program-program keluarga berencana sehingga dapat menekan laju
pertumbuhan penduduk yang nantinya akan berdampak terhadap menurunnya kemiskinan.
IPM memiliki pengaruh positif dan tidak signifikan terhadap persentase penduduk miskin. Hal ini
sejalan dengan penelitian yang dilakukan oleh Priseptian & Primandhana (2022) dan Mohini (2022) namun
berbeda dengan penelitian yang dilakukan oleh Mukhtar et al. (2019). Apabila dilihat lebih dalam, DKI
Jakarta memiliki gap yang cukup signifikan pada Kabupaten Kepulauan Seribu dan kota-kota yang berada
di DKI Jakarta. Kota Jakarta Pusat, Utara, Selatan, Timur dan Barat tidak memiliki perbedaan yang cukup
signifikan. Rata-rata IPM pada kelima kota tersebut adalah 81,86 dan rata-rata tingkat kemiskinan sebesar
4,095%. Sedangkan, Kabupaten Kepulauan Seribu memiliki rata-rata IPM 71,23 dan rata-rata tingkat
kemiskinan 12,735%. Selain itu, pada tahun 2017-2021 terlihat penurunan IPM dan tingkat kemiskinan di
DKI Jakarta terutama di Kota Jakarta Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Utara dan Kabupaten
Kepulauan Seribu. Kedua fenomena ini menunjukkan bahwa dari antar kota/kabupaten, penurunan IPM
berdampak pada kenaikan persentase penduduk miskin. Namun dari data antar-tahun, penurunan IPM
berdampak pada penurunan persentase penduduk miskin. Akibat adanya perbedaan pengaruh tersebut,
model menangkap kedua fenomena itu dan kemudian menunjukkan hasil bahwa IPM tidak berpengaruh
secara signifikan terhadap persentase penduduk miskin. Data lag berupa persentase penduduk miskin pada
periode t-1 memiliki pengaruh positif dan tidak signifikan terhadap persentase penduduk miskin pada
periode t. Kedua hasil ini menunjukkan bahwa IPM dan persentase penduduk miskin pada periode t-1 bukan
menjadi faktor penentu persentase penduduk miskin pada periode t.
KESIMPULAN DAN SARAN
Kesimpulan
Secara secara simultan IPM, TPT, Laju Pertumbuhan Penduduk, dan persentase penduduk miskin pada
periode t-1 mempengaruhi secara signifikan terhadap persentase penduduk miskin. Secara parsial, TPT dan
laju pertumbuhan penduduk memiliki pengaruh secara positif dan signifikan terhadap persentase penduduk
miskin. Sedangkan IPM dan persentase penduduk miskin pada periode t-1 memiliki pengaruh secara positif
dan tidak signifikan terhadap persentase penduduk miskin. Hal ini menunjukkan bahwa kedua variabel
tersebut bukan menjadi faktor penentu kemiskinan.
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
85
Harapannya pemerintah daerah dapat memberi perhatian lebih kepada masalah pengangguran dan
laju pertumbuhan penduduk dalam menyelesaikan masalah kemiskinan. Pemerintah daerah dapat berfokus
kepada kebijakan untuk mengurangi pengangguran seperti memperluas lapangan kerja, memberikan
pelatihan kerja bersertifikat, dan memberikan workshop kewirausahaan. Pemerintah daerah juga perlu
berfokus kepada kebijakan untuk menekan laju pertumbuhan penduduk dengan memperbanyak sosialisasi
program keluarga berencana.
Saran
Untuk penelitian selanjutnya, diharapkan peneliti dapat menambah variabel dependen seperti rasio gini,
pertumbuhan ekonomi, dan PDRB per kapita sehingga penelitian menjadi semakin lengkap. Hal lain yang
dapat ditingkatkan adalah jumlah data yang digunakan sebagai observasi. Hal ini dapat dicapai dengan
menambahkan periode waktu yang akan diteliti dan memperluas objek penelitian. Dalam upaya
pengentasan kemiskinan, pemerintah daerah sebagai pemangku kebijakan dapat berfokus pada perluasan
lapangan kerja untuk mengurangi pengangguran dan menekan laju pertumbuhan penduduk.
DAFTAR PUSTAKA
Badan Pusat Statistik. (t.t.-a). Indeks Pembangunan Manusia (IPM) menurut Kabupaten/Kota di Provinsi
DKI Jakarta. Diambil 28 Januari 2023, dari https://jakarta.bps.go.id/indicator/26/744/1/indeks-
pembangunan-manusia-ipm-menurut-kabupaten-kota-administrasi.html
Badan Pusat Statistik. (t.t.-b). Jumlah Penduduk Menurut Kabupaten/Kota di Provinsi DKI Jakarta
(Jiwa). Diambil 28 Januari 2023, dari https://jakarta.bps.go.id/indicator/12/1270/1/jumlah-
penduduk-menurut-kabupaten-kota-di-provinsi-dki-jakarta-.html
Badan Pusat Statistik. (t.t.-c). Tingkat Pengangguran Terbuka (Persen). Diambil 28 Januari 2023, dari
https://jakarta.bps.go.id/indicator/6/45/1/tingkat-pengangguran-terbuka.html
Badan Pusat Statistik. (2008). Indeks Pembangunan Manusia 2006 - 2007.
https://www.bps.go.id/publication/download.html?nrbvfeve=Nzg1MTZhZGI4YWU2ZDk5MmZiM
TZiODg3&xzmn=aHR0cHM6Ly93d3cuYnBzLmdvLmlkL3B1YmxpY2F0aW9uLzIwMDgvMTEv
MjgvNzg1MTZhZGI4YWU2ZDk5MmZiMTZiODg3L2luZGVrcy1wZW1iYW5ndW5hbi1tYW51
c2lhLTIwMDYtMjAwNy5odG1s&twoadfnoarfeauf=MjAyMy0wMS0yOCAyMTo1MjoxNw%3D
%3D
Badan Pusat Statistika. (t.t.). Presentase Penduduk Miskin Menurut Kabupaten/Kota di Provinsi DKI
Jakarta. Diambil 28 Januari 2023, dari https://jakarta.bps.go.id/indicator/23/645/1/garis-
kemiskinan-jumlah-dan-persentase-penduduk-miskin-di-daerah-menurut-kabupaten-kota-di-
provinsi-dki-jakarta.html
Baratz, M. S., & Grigsby, W. G. (1972). Thoughts on poverty and its elimination. Journal of Social
Policy, 1(2), 119–134. https://doi.org/10.1017/S0047279400002348
Berliani, K. (2021). Pengaruh Tingkat Pengangguran, Tingkat Pendidikan dan Laju Pertumbuhan
Penduduk Terhadap Tingkat Kemiskinan Penduduk Provinsi Jawa Barat Tahun 2015-2020. Syntax
Literate ; Jurnal Ilmiah Indonesia, 6(2), 872. https://doi.org/10.36418/syntax-literate.v6i2.2244
Bohari, N. F. (2021). Teori Ekonomi David Ricardo, Thomas Malthus, dan Jean Baptise Say.
https://osf.io/6g2tm/download/?format=pdf
Damanik, R. K., & Sidauruk, S. A. (2020). Pengaruh Jumlah Penduduk Dan Pdrb Terhadap Kemiskinan
Di Provinsi Sumatera Utara. Jurnal Darma Agung, 28(3), 358.
https://doi.org/10.46930/ojsuda.v28i3.800
Fauzi, R. N., Febriani, R. K., & Desmawan, D. (2022). Pengaruh Laju Pertumbuhan Penduduk Terhadap
Kemiskinan Di Indonesia. EBISMEN. https://journal.unimar-
amni.ac.id/index.php/EBISMEN/article/view/85/68\
Hasanah, E., Panjawa, J. L., Prawastowo, & Prakoso, J. A. (2022). How Human Development Effect
Poverty Alleviation in Origin and Expansion Regions? 2 LAK LAK NAZHAT. MIMBAR, 38(1),
90–98. https://doi.org/10.29313/mimbar.v0i0.8
Hendra, R. (2010). Determinan Kemiskinan Absolut Di Kabupaten/Kota Propinsi Sumatera Utara Tahun
2005 - 2007. Tesis. https://lontar.ui.ac.id/file?file=digital/131195-T%2027312-
Determinan%20kemiskinan-Tinjauan%20literatur.pdf
Ecoplan Vol. 6 No. 1, April 2023, hlm 78-86
86
Hidayat, M. J., Hadi, A. F., & Anggraeni, D. (2018). Analisis Regresi Data Panel Terhadap Indeks
Pembangunan Manusia (IPM) Jawa Timur Tahun 2006 - 2015. Majalah Ilmiah Matematika Dan
Statistika, 69–80. https://jurnal.unej.ac.id/index.php/MIMS/indexISSN1411-6669
Hilmi, Marumu, N. H. D., Ramlawati, & Peuru, C. D. (2022). Pengaruh Jumlah Penduduk dan
Pengangguran Terhadap Tingkat Kemiskinan di Kabupaten Tolitoli. Jurnal Ilmiah Ekonomi
Pembangunan, 20–27.
Iskar, I. W. P., Akbar, A. F., Dozan, W., & Yudiansyah, A. M. (2021). DAMPAK PENERAPAN
PEMBATASAN SOSIAL BERSKALA BESAR (PSBB) TERHADAP PENGHIDUPAN PEKERJA
SEKTOR INFORMAL DI PROVINSI DKI JAKARTA. Jurnal Pemerintahan Dan Keamanan
Publik (JP Dan KP), 68–79. https://doi.org/10.33701/jpkp.v3i2.1001
Kevin, K., Putri, A. K., & Nasrun, A. (2020). Pengaruh Inflasi dan Laju Pertumbuhan Penduduk Terhadap
Kemiskinan di Sumatera Bagian Selatan Tahun 2011-2018. SOROT, 15(1).
https://doi.org/10.31258/sorot.15.1.33-42
Kurniawan, C. (2017). Analisis Data Hubungan Antar Variabel Sebagai Metode Alternatif Penentukan
Hubungan Kausalitas. Jurnal Teknik SINTEKS.
https://jurnal.stt.web.id/index.php/Teknik/article/view/61/40
Mukhtar, S., Saptono, A., & Arifin, A. S. (2019). ANALISIS PENGARUH INDEKS PEMBANGUNAN
MANUSIA DAN TINGKAT PENGANGGURAN TERBUKA TERHADAP KEMISKINAN DI
INDONESIA. ECOPLAN: JOURNAL OF ECONOMICS AND DEVELOPMENT STUDIES, 2(2),
77–89. https://doi.org/10.20527/ecoplan.v2i2.20
Mohini, S. S. (2022). Analisis Pengaruh Tingkat Pengangguran Terbuka, Tingkat Kesehatan, Indeks
Pembangunan Manusia, dan Upah Minimum Regional Terhadap Tingkat Kemiskinan Di Jawa
Tengah Tahun 2019 - 2021. SKRIPSI.
Priseptian, L., & Primandhana, W. P. (2022). Analisis Faktor-Faktor yang Mempengaruhi Kemiskinan.
FORUM EKONOMI, 24(1), 45–53. http://journal.feb.unmul.ac.id/index.php/FORUMEKONOMI
Putra, H. P., Diaudin, M., Fahrudin, R., & Suwanan, A. F. (2022). Pengaruh Laju Pertumbuhan Penduduk,
Gini Ratio Dan Pertumbuhan Pdrb Perkapita Terhadap Angka Kemiskinan Di Kota Blitar Tahun
2011-2020. Jurnal Ekonomi Dan Pendidikan, 18(2), 152–161.
https://doi.org/10.21831/jep.v18i2.45888
Rositawati, I., & Kurniawan, R. R. (2022). Peningkatan Jumlah Pengangguran Di Masa Pandemi. OSF
Preprints. https://amp-kontan-co-id.cdn.ampproject.org/v/s/amp.kontan.co.id/news/akibat-pandemi-
covid-19-
Sihombing, P. R. (2021). Corat Coret Catatan Statistisi Pemula. Yayasan Sahabat Alam Rafflesia.
https://www.researchgate.net/publication/357719131_Corat_Coret_Catatan_Statistisi_Pemula
Sofilda, E., Hamzah, M., & Sholeh, A. (2014). Human Development and Poverty in Papua Province (An
Analysis of Simultaneous Approach on Panel Data Regression).
https://papers.ssrn.com/abstract=2382080
Sugiyono. (2014). Metode Penelitian kuantitatif, kualitatif dan R & D. Alfabeta.
Sukmaraga, P. (2011). Analisis Pengaruh Indeks Pembangunan Manusia, PDRB Per Kapita, dan Jumlah
Pengangguran Terhadap Jumlah Penduduk Miskin Di Provinsi Jawa Tengah. SKRIPSI Universitas
Dipenogoro. http://eprints.undip.ac.id/26773/1/skripsi_full.pdf
Todaro, M. P., & Smith, S. C. (2011). Pembangunan Ekonomi (11 ed., Vol. 1). Pearson Education
Limited.
United Nation. (2022). The Sustainable Development Goals Report 2022.
https://unstats.un.org/sdgs/report/2022/The-Sustainable-Development-Goals-Report-2022.pdf
United Nations. (1997). Report On The World Social Situation.
Zurisdah, Z. (2016). Pengaruh Tingkat Pengangguran Terbuka Terhadap Tingkat Kemiskinan Di Provinsi
Banten. SKRIPSI.
