iii. metode penelitian - repository.ipb.ac.id · partisipasi sekolah untuk usia 7-12 tahun, dan...
TRANSCRIPT
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.