Pengaruh Inflasi dan Tingkat Kesehatan Terhadap Tingkat Kemiskinan di Provinsi Jawa Timur

Umi Syarifah

5/16/2022

1 PENDAHULUAN

1.1 Latar Belakang

Pembangunan ekonomi di Indonesia saat ini sedang dihadapkan pada masalah kemiskinan. Pada umumnya di Negara berkembang seperti Indonesia permasalahan pendapatan yang rendah dengan masalah kemiskinan merupakan permasalahan utama dalam pembangunan ekonomi. Dengan demikian dalam tujuan ekonomi kedua masalah tersebut dinyatakan bersamaan sehingga menjadi satu kalimat yaitu peningkatan pendapatan nasional dan pengurangan kemiskinan.

Inflasi merupakan salah satu indikator untuk mengukur tingkat kemiskinan. Inflasi adalah kenaikan harga barang dan jasa secara keseluruhan. Indonesia memiliki tingkat inflasi yang tinggi dan terus berfluktuatif. Bahkan terkadang tingkat inflasi yang terjadi tidak sesuai denan prediksi awal. Jenis inflasi seperti ini dapat menurunkan kinerja atau pertumbuhan ekonomi. Dengan adanya inflasi yang tinggi menyebabkan kemampuan masyarakat untuk memenuhi kebutuhan hidupnya menjadi berkurang.

Masyarakat miskin, hal ini diakibatkan karena keterbatasan ekonomi mereka dalam upaya mempersehat diri dan memenuhi kebutuhan masing-masing. Tingkat kesehatan akan sangat berpengaruh terhadap tingkat kesejahteraan masyarakat dan memiliki keterkaitan yang erat dengan kemiskinan.

Kesehatan merupakan salah satu faktor penting dalam menyukseskan pembangunan terutama untuk meningkatkan kesejahteraan sosial. Masyarakat yang memiliki tingkat kesehatan yang baik akan memiliki tingkat produktivitas kerja yang tinggi, tingkat pendapatan tinggi, tingkat pendidikan tinggi dan sejumlah hal positif lainnya. Permasalahan yang dihadapi oleh pemerintahan di Provinsi Jawa Timur tidak jauh dengan permasalahan yang terjadi di pemerintahan pusat, yaitu tingginya angka kemiskinan. Berikut ini adalah data kemiskinan, inflasi dan kesehatan di Provinsi Jawa Timur.

Tahun Kemiskinan Inflasi Kesehatan
2015 12.31 3.08 70.68
2016 11.95 2.74 70.74
2017 11.48 4.04 70.80
2018 10.92 2.86 70.97
2019 10.28 2.12 71.18
2020 11.27 1.44 71.30

Sumber: Badan Pusat Statistik (BPS) Jawa Timur, www.bps.go.id 2021

Tabel 1: Persentase Kemiskinan, Inflasi dan Kesehatan Provinsi Jawa Timur Periode 2015-2020

Dilihat pada tabel 1 data kesehatan yang dilihat dari Angka Harapan Hidup terus mengalami peningkatan dari tahun 2015-2020. Namun dilihat pada tingkat kemiskinan juga mengalami peningkatan dan penurunan yang tidak stabil. Hal ini tidak sesuai dengan teori yang mengatakan bahwa tingkat kemiskinan dan angka harapan hidup memiliki hubungan yang negatif. Dimana disaat tingkat kemiskinan menurun seharusnya tingkat angka harapan hidup mengalami peningkatan.

Dari data tabel 1 menunjukkan bahwa tingkat inflasi di Indonesia berfluktuatif. Data diatas mendukung bahwa inflasi merupakan salah satu variabel ekonomi yang sulit untuk distabilkan. Secara teori inflasi berhubungan lurus dengan kemiskinan. Namun, di tahun 2017 data menunjukkan ketidaksesuaian. Dimana disaat kemiskinan turun, inflasi meningkat. Berdasarkan uraian di atas, maka penelitian tentang Pengaruh Inflasi dan Angka Harapan Hidup Terhadap Tingkat Kemiskinan di Jawa Timur Periode 2015-2020 menarik untuk dilakukan.

2 METODE PENELITIAN

2.1 Jenis Penelitian

Penelitian ini merupakan jenis penelitian Kuantitatif dengan pendekatan penelitian yang digunakan adalah pendekatan ekonometrika menggunakan model regresi linier berganda dengan metode OLS (Ordinary Least Square). Variabel yang digunakan dalam penelitian ini terdiri dari Tingkat Kemiskinan, Inflasi dan Kesehatan.

2.2 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah menggunakan pengumpulan data melalui data sekunder. Data sekunder yaitu data yang telah dikumpulkan untuk maksud selain menyelesaikan masalah yang sedang dihadapi. Data ini dapat ditemukan dengan cepat. Dalam penelitian ini yang menjadi sumber data sekunder yang diperoleh dari Badan Pusat Statistik (BPS).

2.3 Metode Analisis Data

Metode analisis data dalam penelitian ini menggunakan analisis regresi linier berganda (Multiple Linier Regression Method). Analisis regresi adalah studi mengenai ketergantungan variabel dependen (terikat) dengan satu atau lebih variabel independen (bebas) dengan tujuan untuk mengestimasi atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen berdasarkan nilai variabel independen yang diketahui. Penelitian ini menggunakan teknik analisis regresi berganda karena variabel independen dalam penelitian lebih dari satu. Analisis regresi linier berganda digunakan untuk memperoleh gambaran yang menyeluruh mengenai pengaruh antara variabel Inflasi dan Kesehatan terhadap Tingkat Kemiskinan dengan menggunakan software R. Analisis ini dilakukan dengan tahapan-tahapan sebagai berikut:

1. Uji Asumsi Klasik
Sebelum melakukan analisis regresi berganda dilakukan, maka diperlukan uji asumsi klasik terlebih dahulu untuk memastikan apakah model tersebut tidak terdapat masalah normalitas, autokorelasi, dan linearitas. Jika terpenuhi maka model analisis layak untuk digunakan. Berikut langkah-langkah uji asumsi klasik pada penelitian ini:

a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, residual memiliki distribusi normal.Uji ini juga melihat apakah model regresi yang digunakan sudah baik. Model regresi yang baik memiliki distribusi data yang mendekati normal. Pengujian terhadap residual terdistribusi normal atau tidak dapat menggunakan Jarque-Bera Test. Keputusan terdistribusi normal tidaknya residual secara sederhana dengan membandingkan nilai probabilitas (JB) hitung dengan tingkat alpha 5% (0.05). Apabila probabilitas JB lebih besar dari nilai alpha maka dapat disimpulkan bahwa residual terdistribusi normal dan sebaliknya. Apabila nilai lebih kecil dari alpha maka tidak cukup bukti bahwa residual terdistribusi normal. Pedoman pengambilan keputusan:

  • Nilai signifikansi < 0.05, distribusi adalah tidak normal.
  • Nilai signifikansi > 0.05, distribusi adalah normal.

b. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah yang bebas autokorelasi. Untuk mendeteksi autokorelasi dapat dilakukan uji statistik melalui uji Durbin-Watson (DW Test).

c. Uji Linearitas
Uji linearitas bertujuan untuk menguji apakah keterkaitan antara dua variabel yang bersifat linier. Perhitungan linieritas digunakan untuk mengetahui prediktor data peubah bebas berhubungan secara linier atau tidak dengan peubah terikat. Linieritas merupakan asumsi awal yang seharusnya ada dalam model regresi linier.

2. Pengujian Hipotesis
Untuk mengetahui hipotesis dalam penelitian ini, digunakan uji signifikansi parameter individual (uji parsial t), signifikansi simultan (uji F), uji determinasi (\(R^2\)), dan analisis regresi berganda.

a. Uji Simultan F
Uji statistik F bertujuan untuk mengetahui pengaruh variabel independen secara bersama-sama terhadap variabel dependen dengan melihat nilai signifikansi F.

b. Uji Parsial t
Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual apakah mempunyai pengaruh yang signifikan terhadap variabel dependen. Pengujian ini menggunakan tingkat signifikansi 5% (\(\alpha\) = 0.05). Kriteria pengujian t adalah sebagai berikut:

  • Apabila nilai probabilitas signifikansi < 0.05, maka \(H_0\) ditolak. Artinya variabel independen secara parsial berpengaruh terhadap variabel dependen.
  • Apabila nilai probabilitas signifikansi > 0.05, maka \(H_0\) diterima. Artinya variabel independen secara parsial tidak berpengaruh terhadap variabel dependen.

c. Koefisien Determinasi
Koefisien determinasi (\(R^2\)) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel dependen. \(R^2\) menyatakan koefisien determinasi atau seberapa besar pengaruh variabel independen secara simultan terhadap variabel dependen. Persamaan fungsinya dirumuskan sebagai berikut:

\[ Y = \alpha + \beta_1 X1 + \beta_2 X2 + e \] Dimana:
Y = Tingkat Kemiskinan
X1= Tingkat Inflasi
X2= Tingkat Kesehatan
\(\alpha\) = Konstanta
\(\beta_1 - \beta_2\) = Koefisien regresi berganda
e = Error term

3 SOURCE CODE

3.1 Library yang Dibutuhkan

> # Library(tseries)  --> untuk menerapkan function `jarque.bera.test()` pada uji normalitas
> # Library(lmtest)   --> untuk menerapkan function `dwtest()` pada uji autokorelasi
> # Library(car)      --> untuk menerapkan function `vif()` pada uji linearitas
> # Library(magrittr) --> untuk menerapkan operator pipes

3.2 Pengujian Regresi Linier Berganda

Analisis statistik yang digunakan dalam penelitian ini yaitu regresi linier berganda. Analisis ini digunakan untuk mengetahui besarnya pengaruh variabel-variabel bebas terhadap variabel terikat. Data yang diperoleh dari tiap indikator variabel akan dihitung secara bersama-sama melalui suatu persamaan regresi berganda. Sebelum itu, gunakan fungsi built in dalam R yaitu fungsi lm() untuk melakukan analisis regresi antara variabel Inflasi dan Kesehatan terhadap Tingkat Kemiskinan. Berikut adalah tahapan analisis regresi berganda:

  • Import dataset dari Excel dengan cara File > Import Dataset > From Excel. Disini file Excel yang akan digunakan bernama Jatim.
> library(readxl) #membaca file Excel
> Jatim <- read_excel("C:/Users/Lenovo/Downloads/Prak/Jatim.xlsx")
> View(Jatim) #menampilkan data dari file Excel
  • Setelah itu, definisikan tiap variabelnya:
> Y=Jatim$Kemiskinan
> X1=Jatim$Inflasi
> X2=Jatim$Kesehatan
  • Kemudian buat dataframe yang berisi vector X1, X2, dan Y. Disini dataframe akan disimpan dalam nama DataJatim.
> DataJatim=data.frame(X1,X2,Y)
  • Lalu, gunakan fungsi lm() untuk melakukan analisis regresi berganda, dengan argument Y~X1+X2 sebagai formula untuk pernyataan model regresi berganda dan data=DataJatim sebagai dataframe dengan variabel-variabel yang dinyatakan dalam formula yang kemudian hasil analisisnya akan disimpan dalam obyek bernama reg.
> reg=lm(Y~X1+X2, data=DataJatim)
> print(reg) #menyajikan penduga parameter dari reg

Call:
lm(formula = Y ~ X1 + X2, data = DataJatim)

Coefficients:
(Intercept)           X1           X2  
   266.8902      -0.5009      -3.5825

Berdasarkan pengolahan data dengan menggunakan R, diperoleh hasil regresi linier berganda sebagai berikut:

\[ Y= 266.8902 - 0.5009X1 - 3.5825X2 \]

Persamaan diatas dapat dijelaskan sebagai berikut:

  • Konstanta sebesar 266.8902 artinya bahwa jika Inflasi (X1) dan Kesehatan (X2) dianggap tetap atau nol, maka Tingkat Kemiskinan (Y) nilainya adalah 266.8902.
  • Koefisien regresi variabel Inflasi (X1) sebesar -0.5009 menyatakan bahwa jika terdapat penambahan Tingkat Inflasi sebesar satu persen maka Tingkat Kemiskinan (Y) akan mengalami penurunan sebesar -0.5009.
  • Koefisien regresi variabel Kesehatan (X2) sebesar -3.5825 menyatakan bahwa jika terdapat penambahan Tingkat Kesehatan sebesar satu persen maka Tingkat Kemiskinan (Y) akan mengalami penurunan sebesar -3.5825.

4 HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

4.1.1 Uji Asumsi Klasik

1. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, residual berdistribusi normal. Pengujian terhadap residual terdistribusi normal atau tidak dapat menggunakan Jarque-Bera Test. Uji normalitas juga melihat apakah model regresi yang digunakan sudah baik. Hasil uji normalitas dapat dilihat sebagai berikut:

> library(tseries)
> sisa=residuals(reg) #menghitung sisaan dari persamaan regresi sebelumnya (reg), yang kemudian disimpan dalam obyek bernama sisa
> jarque.bera.test(sisa) #function `lm()` dengan argument obyek berupa sisa

    Jarque Bera Test

data:  sisa
X-squared = 0.36506, df = 2, p-value = 0.8332

Berdasarkan hasil perhitungan diatas dapat disimpulkan bahwa model regresi terdistribusi normal. Hal ini terlihat dari nilai signifikansi JB sebesar 0.8332 yang lebih besar dari nilai alpha 0.05. Maka asumsi klasik tentang normalitas terpenuhi.

2. Uji Autokorelasi
Menguji autokorelasi dalam suatu model bertujuan untuk mengetahui ada tidaknya korelasi antara variabel pengganggu pada periode tertentu dengan variabel sebelumnya. Untuk data time series autokorelasi sering terjadi. Tapi untuk data yang sampelnya crossection jarang terjadi karena variabel pengganggu satu berbeda dengan yang lain. Untuk mengetahui ada tidaknya autokorelasi, dilakukan pengujian dengan uji Durbin Watson, yaitu membandingkan nilai d dari hasil regresi dengan dL dan dU dari tabel Durbin Watson. Berikut ini hasil uji autokorelasi dengan Durbin Watson sebagai berikut:

> library(lmtest)
> dwtest(reg) #function `dwtest()` dengan argument obyek berupa reg

    Durbin-Watson test

data:  reg
DW = 2.2838, p-value = 0.2298
alternative hypothesis: true autocorrelation is greater than 0

Berdasarkan hasil perhitungan diatas dapat dilihat bahwa nilai DW hitung sebesar 2.2838 lebih besar dari 1.539 dan lebih kecil dari 2.481. Serta p-value sebesar 0.2298 yang lebih besar dari nilai alpha 0.05 artinya berada pada daerah tidak ada autokorelasi.

3. Uji Linearitas
Uji linearitas bertujuan untuk menguji apakah antara dua variabel yang bersifat linier. Perhitungan linearitas yang digunakan untuk mengetahui prediktor data peubah bebas berhubungan secara linier atau tidak dengan peubah terikat. Linearitas merupakan asumsi awal yang seharusnya ada dalam model regresi linier. Hasil uji linearitas dapat dilihat sebagai berikut:

> library(car)
> vif(reg) #function `vif()` dengan argument obyek berupa reg
      X1       X2 
2.744887 2.744887

Berdasarkan hasil perhitungan diatas dapat dilihat bahwa nilai keduanya berada di bawah 10 yang mengindikasikan bahwa tidak ada multikolonieritas atau model regresi ini memenuhi asumsi linearitas.

4.1.2 Pengujian Hipotesis

1. Uji Simultan F
Uji Simultan F untuk mengetahui apakah keseluruhan variabel indipenden berpengaruh secara bersama-sama (simultan) terhadap variabel independen. Hasil perhitungan Uji F dalam penelitian ini dapat dilihat sebagai berikut:

> anova(reg) #function `anova()` dengan argument obyek berupa reg untuk memperoleh tabel analisis ragam
Analysis of Variance Table

Response: Y
          Df  Sum Sq Mean Sq F value  Pr(>F)  
X1         1 0.37894 0.37894  1.4571 0.31388  
X2         1 1.47358 1.47358  5.6664 0.09758 .
Residuals  3 0.78017 0.26006                  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Berdasarkan hasil analisis diatas dapat dilihat pengaruh simultan variabel independen Inflasi (X1) dan Kesehatan (X2) terhadap variabel dependen Tingkat Kemiskinan (Y). Dari uji simultan diperoleh nilai F hitung sebesar 1.4571 dengan p-value sebesar 0.31388 untuk Inflasi (X1) dan F hitung sebesar 5.6664 dengan p-value sebesar 0.09758 untuk Kesehatan (X2). Berdasarkan p-value untuk keduanya yang lebih besar dari 0.05 dan 0.1, maka dapat dikatakan bahwa Inflasi dan Kesehatan secara simultan tidak berpengaruh terhadap Tingkat Kemiskinan periode 2015-2020.

2. Uji Parsial t
Uji t dimaksudkan untuk mengetahui apakah terdapat pengaruh secara parsial dari variabel independen (Inflasi dan Kesehatan) terhadap variabel dependen (Tingkat Kemiskinan). Hasil uji t dapat dilihat sebagai berikut:

> model=summary(reg) #function `summary()` dengan argument obyek berupa reg yang akan disimpan dalam obyek bernama model 
> model #memanggil obyek model

Call:
lm(formula = Y ~ X1 + X2, data = DataJatim)

Residuals:
      1       2       3       4       5       6 
 0.1760 -0.1394  0.2567 -0.2853 -0.5436  0.5357 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)  
(Intercept) 266.8902   107.7015   2.478   0.0894 .
X1           -0.5009     0.4284  -1.169   0.3267  
X2           -3.5825     1.5050  -2.380   0.0976 .
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.51 on 3 degrees of freedom
Multiple R-squared:  0.7037,    Adjusted R-squared:  0.5061 
F-statistic: 3.562 on 2 and 3 DF,  p-value: 0.1613

Berdasarkan hasil analisis diatas, maka ditemukan hasil uji t sebagai berikut:

  1. Pengaruh variabel Inflasi terhadap Tingkat Kemiskinan
    Berdasarkan hasil tersebut diperoleh nilai probabilitas signifikansi untuk variabel inflasi sebesar 0.3267 yang lebih besar dari 0.05. Hal ini menunjukkan bahwa inflasi tidak memiliki pengaruh signifikan terhadap tingkat kemiskinan periode 2015-2020.

  2. Pengaruh variabel Kesehatan terhadap Tingkat Kemiskinan
    Berdasarkan hasil tersebut diperoleh nilai probabilitas signifikansi untuk variabel kesehatan sebesar 0.0976 yang lebih kecil dari 0.1. Hal ini menunjukkan bahwa kesehatan memiliki pengaruh signifikan terhadap tingkat kemiskinan periode 2015-2020.

3. Koefisien Determinasi
Koefisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variabel dependen. Nilai koefisien determinasi antara nol dan satu. Nilai R-square yang lebih kecil berarti kemampuan variabel-variabel independen dalam menjelaskan varians variabel dependen sangat terbatas. Hasil koefisien determinasi sebagai berikut:

> library(magrittr)
> R2 = model$r.squared #mendefinisikan R2 sebagai nilai r.squared pada obyek model
> R2 %>% round(4) #memanggil R2 dengan ketentuan pembulatan 4 angka dibelakang koma
[1] 0.7037

Hasil perhitungan koefisien regresi dalam penelitian ini memperoleh nilai R-square sebesar 0.7037. Hal ini berarti variabel independen dapat menjelaskan variansi dari variabel dependen sebesar 70.37% sedangkan sisanya sebesar 29.63% dijelaskan oleh variabel-variabel yang lain diluar variabel penelitian.

4.2 Pembahasan

  1. Pengaruh Inflasi terhadap Tingkat Kemiskinan di Jawa Timur
    Berdasarkan hasil uji regresi linier berganda, diketahui inflasi mempunyai pengaruh yang negatif terhadap tingkat Kemiskinan periode 2015-2020. Koefisien regresi variabel Inflasi (X1) sebesar -0.5009 menyatakan bahwa jika kenaikan inflasi sebesar satu persen maka Tingkat Kemiskinan (Y) akan mengalami penurunan sebesar 0.5009. Koefisien bernilai negatif artinya terjadi hubungan negatif antara inflasi dan tingkat kemiskinan, semakin naik inflasi maka tingkat kemiskinan akan semakin menurun. Hal ini tidak sesuai dengan teori selama ini yang menyatakan kemiskinan dan inflasi berhubungan positif.
    Dalam uji t, diperoleh nilai probabilitas signifikansi sebesar 0.3267 yang lebih besar dari nilai signifikansi yang diharapkan (0.05). Hal ini menunjukkan bahwa inflasi tidak memiliki pengaruh secara signifikan teradap tingkat kemiskinan pada periode 2015-2020. Hasil penelitian ini mendukung hasil penelitian yang dilakukan oleh Siti Walida yang menyatakan bahwa tingkat inflasi berpengaruh negatif terhadap tingkat kemiskinan. Adanya hubungan yang negatif antara inflasi terhadap kemiskinan memberikan implikasi bahwa walaupun data menunjukkan tingkat inflasi yang ada di Provinsi Jawa Timur mengalami fluktuatif, maka tidak berimplikasi terhadap penurunan tingkat kemiskinan di Provinsi Jawa Timur. Disamping itu adanya hasil negatif antara inflasi terhadap kemiskinan, karena adanya kondisi dan situasi di mana daya beli masyarakat dalam suatu daerah bersifat heterogen atau tidak sama, sehingga selanjutnya akan terjadi realokasi barang-barang yang tersedia dari golongan masyarakat yang memiliki daya beli yang relatif rendah kepada golongan masyarakat yang memiliki daya beli yang lebih besar.

  2. Pengaruh Inflasi terhadap Tingkat Kemiskinan di Jawa Timur
    Berdasarkan hasil uji linier berganda, diketahui bahwa variabel Kesehatan berpengaruh negatif terhadap Tingkat Kemiskinan pada periode 2015-2020. Koefisien regresi variabel Kesehatan (X2) sebesar -3.5825 menyatakan bahwa jika kenaikan kesehatan sebesar satu persen maka Tingkat Kemiskinan (Y) akan mengalami penurunan sebesar 3.5825. Koefisien bernilai negatif artinya terjadi hubungan negatif antara kesehatan dan tingkat kemiskinan, semakin naik kesehatan maka tingkat kemiskinan akan semakin menurun.
    Dalam uji t, diperoleh nilai probabilitas signifikansi untuk variabel Kesehatan sebesar 0.0976 yang lebih kecil dari nilai signifikansi 0.1. Hal ini menunjukkan bahwa variabel Kesehatan memiliki pengaruh secara signifikansi terhadap Tingkat Kemiskinan pada periode 2015-2020. Hasil penelitian ini mendukung hasil penelitian yang dilakukan oleh Anggit Yoga Permana, dkk. bahwa kesehatan mempunyai pengaruh negatif dan signifikan terhadap kemiskinan.

5 DAFTAR PUSTAKA

Aisyaturridho. Pengaruh Inflasi dan Tingkat Kesehatan Terhadap Tingkat Kemiskinan di Provinsi Sumatera Utara, Jurnal Samudra Ekonometrika Vol.4, No.2.2020.
Berita Resmi Statistik: Profil Kemiskinan di Jawa Timur Maret 2020.2020.
Bustamin, Siti Walidah. Pengaruh Variabel Ekonomi Makro Terhadap Kemiskinan di Kota Makassar Provinsi Sulawesi Selatan, Jurnal Analisis Vol.4, No. 2.2015.
Dama, Himawan Yudistira dkk. Pengaruh PDRB terhadap Tingkat Kemiskinan di Manado. Jurnal berkala ilmiah efisiensi Vol. 16, No. 13.2016.
Kuncoro, Mudrajad. Ekonometrika Pembangunan; Teori, Masalah, dan Kebijakan, Edisi Keempat. UPP STIM YKPN 2006.
Permana, Anggit Yoga, Fitrie Arianti. Analisis Pengaruh PDRB, Pengangguran, Pendidikan, dan Kesehatan Terhadap Kemiskinan di Jawa Tengah Tahun 2004-2009, Diponegoro journal 0f economics, Vol.1, No.1.2012.
Situs Resmi Badan Pusat Statistik (bps.go.id)
Woyanti, Nenik. Pengaruh PDRB, Pendidikan, Kesehatan, dan Pengangguran Terhadap Tingkat Kemiskinan di Jawa Tengah 2011-2015, Media Ekonomi dan Manajemen, Vol.33, No.1.2018.