Religiusitas di kala krisis

Setelah terakhir kali berbincang tentang berbagai metode penentuan siapa yang layak mendapatkan BLT, kali ini saya ingin berbagi tentang kaitan antara krisis ekonomi yang melanda Indonesia tahun 1997/1998 lalu dengan religiusitas warganya yang ditulis oleh Daniel L. Chen.

Saat pertama kali saya membaca judul artikel "Club Goods and Group Identity: Evidence from Islamic Resurgence during the Indonesian Financial Crisis", hal pertama yang terbersit di kepala saya adalah... jeng jeeeeng!!

Ini Islamist insurgence, bukan resurgence

Tapi setelah mengecek ulang artinya, ternyata kata resurgence bermakna "pembaruan" atau "kebangkitan", berbeda dengan insurgence yang berarti "pemberontakan" yang saya bayangkan sebelumnya :D

Nah, jadi artikel ini ternyata mengulas kaitan antara krisis ekonomi dengan bangkitnya ke-Islam-an di Indonesia. Karena keterbatasan data, ke-Islam-an disini didefinisikan sebagai partisipasi di pengajian dan sekolah Islam (madrasah dan pesantren). Jadi apa yang mereka temukan?

Pertama, krisis tahun 1997/1998 mengakibatkan jatuhnya pendapatan riil rumah tangga akibat tingginya inflasi (±78%). Kemudian mengingat 90% warga Indonesia mayoritas mengaku beragama Islam, maka dampak absolut paling besar dari krisis ini menimpa kelompok ini. Chen lalu menghitung dampak jatuhnya pendapatan (yang diproksi dengan pengeluaran) terhadap partisipasi dalam mengikuti pengajian. Hasilnya: jika pendapatan kita jatuh, kita cenderung lebih sering ikut pengajian. Menarik!

Kenduri Cinta oleh Cak Nun. Yang begini termasuk pengajian gak ya?

Kedua, serupa dengan pengajian, keluarga yang pendapatannya jatuh juga cenderung lalu menyekolahkan anaknya ke madrasah atau pesantren, padahal rata-rata biaya di sekolah Islam lebih tinggi dari sekolah negeri!

Sedikit catatan tentang metodologi: dalam menghitung dua temuan diatas, Chen menginstrumen pendapatan dengan luas lahan sawah basah dan apakah individu bekerja sebagai pegawai negeri. Cek ini untuk tahu apa itu instrumental variable method.

Kembali ke temuan penelitian, sebagian pembaca pasti berpikir, "ah jangan-jangan ini gak cuma terjadi di pengajian saja?" Tapi ternyata setelah mengestimasi ulang model regresinya, Chen menemukan bahwa dampak ini hanya terjadi di pengajian dan tidak terjadi di aktivitas lain seperti karang taruna, olahraga, dasawisma, maupun PKK. Bahkan khusus untuk arisan, jatuhnya pendapatan menyebabkan partisipasi di arisan menurun, temuan yang wajar menurut saya.

Ibu-ibu PKK memecahkan rekor mencuci baju terbanyak versi MURI

Kemungkinan lain, orang yang jatuh pendapatannya mungkin punya banyak waktu luang dan karenanya jadi punya kesempatan untuk ikut pengajian. Chen mengatakan bahwa mereka yang paling parah terimbas krisis justru yang paling mau bekerja keras pasca krisis. Nah disini saya agak tidak yakin dengan argumen Chen tadi karena tidak secara eksplisit mengaitkan antara "bekerja keras setelah krisis usai" dengan "punya banyak waktu untuk ikut pengajian".

Temuan lain yang menarik adalah ternyata dengan berpartisipasi di pengajian maka kemungkinan menerima sedekah jadi turun. Artinya, ikut pengajian bisa sedikit mengurangi kebutuhan sehari-hari. Contoh sederhananya, dengan ikut pengajian maka kita dapat ta'jil--atau syukur-syukur bancakan--jadi kita merasa tercukupi, tak perlu menerima sedekah :))

Ini lho bancakan

Nah yang lebih menarik lagi, ternyata kalau di desa atau kecamatan tempat kita tinggal ada lembaga keuangan seperti bank, maka partisipasi di pengajian malah turun saat pendapatan kita jatuh. Jadi ini menguatkan temuan sebelumnya kalau ikut pengajian bisa agak menggantikan peran lembaga formal seperti bank. Dampak krisis terhadap pengajian ini lebih berasa jika desa tempat kita tinggal memiliki ketimpangan pendapatan yang relatif tinggi.

Penelitian yang diterbitkan di Journal of Political Economy tahun 2010 lalu ini memberi cukup banyak informasi tentang bagaimana masyarakat muslim bereaksi terhadap jatuhnya pendapatan saat krisis terjadi. Meski begitu kita mesti cermat dalam membaca metodologi dan hasil di penelitian ini, misalnya mengenai waktu luang yang tadi saya singgung diatas. Selain itu penelitian memakai data rumah tangga, dimana hasil penelitian mungkin hanya mencerminkan preferensi kepala rumah tangga pemberi informasi dan bukan seluruh anggota rumah tangga. Data yang dipakai di penelitian ini bisa diunduh disini.

Sebagai penutup, judul yang dipakai oleh Chen ini menurut saya agak lebay. "Pembaruan Islam" tentu sangat tereduksi maknanya jika kita hanya melihat naiknya partisipasi di pengajian dan sekolah Islam. Ah tapi rasanya munafik kalau saya bilang begitu tapi ga pernah ikut pengajian, jadi ikut pengajian (online), yuk!

Video pengajian Habib Luthfi Pekalongan

Tentang angka 0 dan 1

Pagi kawans! Lama tak bersua dengan blog ini, mari kita isi hari pertama di bulan November ini dengan tulisan yang mungkin tak terlalu populer diantara kita: binary response model!

Sedikit pengantar tentang binary response model
Ya, saya paham kalau pembaca langsung mengernyitkan dahi begitu melihat judul blog ini lalu membaca paragraf pertama di atas: "apa hubungannya angka nol dan satu dan binary response model?" Buat beberapa teman yang cukup akrab dengan matematika tentu tahu bahwa bilangan biner (binary) terdiri dari angka 0 dan 1, tapi apa maksudnya dengan binary response model?

Sebelum beranjak ke apa itu binary response model, ada baiknya kita mulai celoteh pagi ini dengan kilasan singkat tentang ekonometri.

Ekonometri pada dasarnya adalah studi yang menggabungkan metode statistik, matematika, dan teori ekonomi untuk mengatahui hubungan sebab-akibat dari sebuah fenomena ekonomi: jika x (misal harga beras) naik maka y (misal jumlah beras yang dibeli konsumen) turun, seperti yang diprediksi teori permintaan. 

Nah salah satu cabang dari ekonometri adalah binary response model, dimana variabel y diatas hanya terdiri dari angka 0 dan 1. Lalu apa maksudnya dengan angka 0 dan 1? Bilangan biner dipilih biasanya untuk merepresentasikan sebuah fenomena kualitatif.

Misalnya, fenomena tentang pemilu, dimana kita ingin membuktikan apakah faktor-faktor yang kita anggap berandil dibalik menangnya politisi (y=1 jika politisi menang, y=0 jika dia kalah) memang benar adanya. Jadi model ini mencoba menghitung kemungkinan (probabilitas) seorang politisi menang dalam pemilu setelah memperhitungkan faktor-faktor yang mungkin menjadi penyebabnya (variabel x, misalnya kekayaan sang politisi, jumlah pemilih di daerahnya, dan seterusnya).



Linear probability model (LPM)
Bentuk paling dasar dari binary response model adalah linear probability model (LPM) dimana kita mengestimasi parameter dari variabel x dengan pendekatan ordinary least square (OLS). Misalnya hasil estimasi untuk model politisi diatas:

y = 0.05 + 0.6*kekayaan + 0.5*incumbent - 0.9*korupsi + error

Interpretasi dari angka diatas adalah jika politisi tersebut adalah seorang incumbent (nilai variabel incumbent juga binary, incumbent=1 jika dia saat ini juga menjabat) maka probabilitas dia menang pemilu naik 50%, ceteris paribus. Namun jika dia pernah korupsi (korupsi=1) maka kemungkinan dia menang turun 90%.

Sekilas model ini tampak cukup untuk menjawab kebutuhan kita, namun ada satu masalah besar: perkiraan nilai y bisa negatif. Contoh: jika seorang politisi punya kekayaan sebesar Rp0.5 miliar (variabel kekayaan=0.5), dan dia juga sedang menjabat (incumbent=1), namun saat ini sedang dijerat KPK (korupsi=1), maka prediksi nilai y=-0.5. Angka negatif ini jelas tidak masuk akal karena kita menghitung probabilitas seorang politisi memenangkan pemilu, tidak ada probabilitas yang angkanya diluar rentang 0 dan 1.

Nah salah satu cara mengatasi angka prediksi yang negatif adalah dengan mengindeks prediksi dari model ekonometri yang kita pakai dengan model probit atau logit.

Probit dan logit
Formula dalam model probit (distribusi normal) dan logit (distribusi logistic) keduanya memiliki ciri yang khas: angka apapun yang dimasukkan kesitu hasilnya pasti terletak antara 0 dan 1. Jadi ini tentu menjadi solusi bagi model LPM yang saya singgung sebelumnya.

Distribusi logistic

Distribusi normal

Perbedaan logit dan probit hanya pada distribusi datanya: jika kita anggap error terdistribusi normal maka kita pakai probit, namun jika kita asumsikan distribusinya logistic ya kita pakai logit (bahkan bentuk kedua distribusi ini sangat mirip seperti gambar diatas). Sedikit informasi, kebanyakan ekonom lebih menyukai distribusi normal.

Namun sayangnya kita tidak bisa secara langsung menginterpretasikan hasil estimasi model probit/logit. Kenapa begitu? Karena kita mengindeks prediksi dengan formula distribusi normal (probit) atau formula distribusi logistic (logit) yang mana keduanya adalah model non-linear. Misal hasil estimasi dengan logit adalah: 

y = 0.03 + 0.7*kekayaan + 0.5*incumbent - 0.85*korupsi + error

Kita tidak bisa menginterpretasikan angka 0.5 diatas sama seperti dalam model LPM. Instead, kita mesti mengalikan angka tersebut dengan scale factor tertentu. Untungnya bermacam aplikasi statistik saat ini memungkinkan kita untuk mendapatkan angka yang bisa diinterpretasikan secara langsung (seperti dalam LPM) hanya dengan mengetik beberapa perintah saja. Misalnya, dengan Stata kita cukup mengetik: margins, dydx(*) dan, voila!, layar didepan kita akan langsung tersaji sederet angka yang siap diinterpretasikan secara langsung seperti di LPM.

Demikian ulasan singkat tentang binary response model, semoga bisa memberi inspirasi bagi kawan-kawan yang sedang bergelut dengan belajar dan bekerja. Selamat siang.

Stata Center di MIT (ajaib, seperti softwarenya)