III.
METODE PENELITIAN
Metode penelitian merupakan pendekatan umum untuk membangun topik penelitian secara keseluruhan. Dalam kaitannya dengan hal ini, metode penelitian merupakan sistem atas peraturan-peraturan dan prosedur-prosedur, sebagai dasar penelitian dan bertentangan dengan klaim atas pengetahuan yang secara menyeluruh dievaluasi (Imaduddin, 2006). Bagian ini akan menjelaskan mengenai metode yang digunakan dalam penelitian.
3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder 200 kabupaten/kota di Indonesia dalam bentuk data panel, yaitu gabungan data deret waktu tahunan periode 2006 sampai dengan 2009 dan data cross-section yang diperoleh dari Badan Pusat Statistik dan Direktorat Jenderal Perimbangan Keuangan Kementerian Keuangan Republik Indonesia. Selain itu penulis juga melakukan studi pustaka dengan membaca jurnal, artikel internet serta literaturliteratur yang berkaitan dengan masalah yang diteliti. Data sekunder tersebut meliputi : a) Data Anggaran Pendapatan Belanja Daerah (APBD) dan realisasi APBD, data APBD yang akan digunakan adalah : 1. Belanja modal 2. Total belanja
38
b) Data indikator infrastruktur dasar : 1. Infrastruktur listrik. Ukuran yang digunakan adalah persentase rumah tangga dengan sumber penerangan utama berasal dari listrik PLN. 2. Infrastruktur air bersih. Ukuran yang digunakan adalah persentase rumah tangga dengan sumber air minum yang berasal dari air kemasan dan ledeng. 3. Infrastruktur jalan. Ukuran yang digunakan adalah persentase panjang jalan dengan kondisi baik per luas wilayah. c) Data kemiskinan persentase penduduk miskin di tiap kabupaten/kota di Indonesia.
3.2. Metode Analisis Metode analisis yang digunakan dalam penelitian ini adalah analisis deskriptif dan analisis inferensia, yaitu analisis regresi berganda dengan data panel. Analisis perkembangan kinerja keuangan pemerintah daerah dilakukan dengan menggunakan analisis deskriptif yang akan disajikan dengan bantuan diagram boxplot dan tabel. Sementara metode data panel digunakan untuk menganalisis keterkaitan antara kinerja keuangan pemerintah daerah, ketersediaan infrastruktur, dan kemiskinan. Metode data panel merupakan suatu metode yang digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time series saja atau data cross section saja (Gujarati, 2003). Sedangkan untuk pengolahan data dilakukan dengan menggunakan program Eviews 6.1 dan Microsoft Excel 2007.
39
3.2.1. Analisis Boxplot Analisis deskriptif yang digunakan dalam penelitian ini didasarkan pada grafik dalam bentuk diagram boxplot. Sebagaimana diketahui, data memiliki karakteristik untuk setiap tahun maupun setiap wilayah. Oleh karena itu langkah awal dalam menganalisis data adalah mempelajari karakteristik dari data tersebut. Untuk itu, perlu diketahui pemusatan dan penyebaran data dari nilai tengahnya, nilai ekstrim atau pencilan dan beberapa pengukuran lainnya. Boxplot adalah salah satu teknik untuk mempelajari karakteristik dan distribusi data tersebut (Agustina, 2010). Beberapa manfaat dari penggunaan analisis boxplot adalah : 1.
Melihat derajat penyebaran data yang dapat dilihat dari tinggi atau lebar box. Jika data menyebar, maka box semakin tinggi atau lebar.
2.
Menilai kesimetrisan data. Jika data simetris, garis median akan berada di tengah box dan whisker pada bagian atas dan bagian bawah akan memiliki panjang yang sama. Jika data tidak simetris (condong), median tidak akan berada di tengah box dan salah satu dari whisker lebih panjang dari yang lainnya. Boxplot adalah salah satu cara dalam statistik deskriptif untuk
menggambarkan secara grafik dari data numeris melalui lima ukuran sebagai berikut : 1.
Nilai observasi terkecil
2.
Kuartil pertama (Q1) yang memotong 25% dari data terendah
3.
Median (Q2) atau nilai pertengahan
4.
Kuartil ketiga (Q3) yang memotong 25% dari data tertinggi
5.
Nilai observasi terbesar
40
Boxplot juga menunjukkan adanya nilai pencilan (outlier) dari observasi. Boxplot dapat digunakan untuk menunjukkan perbedaan antara populasi tanpa menggunakan asumsi distribusi statistik yang mendasarinya. Karenanya, boxplot tergolong dalam statistik non-parametrik. Jarak antara bagian-bagian dari box menunjukkan derajat penyebaran dan skewness (kecondongan) dalam data. Boxplot dapat digambarkan secara horizontal maupun vertikal. Hasil pengolahan analisis boxplot dapat diilustrasikan pada Gambar 3.1 berikut.
Perpanjangan whisker, nilai
outlier
tertinggi dalam batas atas
Kuartil ketiga (Q3)
Median (Q2)
Kuartil pertama (Q1)
Perpanjangan whisker, nilai terendah dalam batas bawah Gambar 3.1. Diagram Boxplot
Dari Gambar 3.1. tersebut dapat dijelaskan beberapa hal sebagai berikut : 1.
Garis horisontal bagian bawah box menyajikan kuartil pertama (Q1), sementara bagian atas menyajikan kuartil ketiga (Q3). Bagian dari box adalah bidang yang menyajikan interquartile range (IQR), atau bagian pertengahan dari 50% observasi. Panjang box ditentukan oleh IQR tersebut. IQR adalah ukuran yang terkenal untuk mengukur penyebaran data. Semakin tinggi (jika
41
boxplot vertikal) atau semakin lebar (jika boxplot horisontal) bidang IQR ini, menunjukkan data semakin menyebar. 2.
Garis tengah yang melewati box menyatakan median dari data. Median adalah ukuran yang terkenal untuk lokasi variabel (nilai pusat atau rata-rata).
3.
Garis yang memperpanjang box dinamakan dengan whiskers. Whiskers menunjukkan nilai yang lebih rendah dan lebih tinggi dari kumpulan data yang berada dalam IQR (kecuali outlier). Panjang garis whisker bagian atas adalah kurang dari atau sama dengan Q3 + (1.5 x IQR). Panjang garis whisker bagian bawah adalah lebih besar atau sama dengan Q1 – (1.5 x IQR). Masingmasing garis whisker dimulai dari akhir box.
4.
Nilai yang berada di atas atau di bawah whisker dinamakan nilai outlier atau ekstrim. Suatu nilai dikatakan outlier jika : Q3 + (1.5 x IQR) < outlier ≤ Q3 + (3 x IQR) atau jika Q1 – (1.5 x IQR) > outlier ≥ Q1 – (3 x IQR). Selanjutnya, suatu nilai dikatakan ekstrim jika lebih besar dari Q3 + (3 x IQR) atau lebih kecil dari Q1 – (3 x IQR).
3.2.2. Analisis Data Panel Data panel merupakan gabungan antara data cross section dan data time series. Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu sedangkan data time series merupakan data yang dikumpulkan dari waktu ke waktu terhadap suatu individu. Data umumnya diperoleh melalui survey yang berulang atau dengan mengikuti perkembangan sample selama beberapa kurun waktu. Data panel juga biasa juga disebut dengan time series cross section data, longitudinal data, micropanel data, ataupun cohort analysis.
42
Menurut Baltagi (2001), kelebihan yang diperoleh dari penggunaan data panel adalah : 1.
Mampu mengontrol heterogenitas individu.
2.
Memberikan informasi yang lebih luas, mengurangi kolinearitas di antara variabel, memperbesar derajat bebas, dan lebih efisien.
3.
Data panel lebih baik untuk studi dynamic of adjustment.
4.
Dapat lebih baik untuk mengidentifikasi dan mengukur efek yang tidak dapat dideteksi dalam model data cross section maupun time series.
5.
Lebih sesuai untuk mempelajari dan menguji model perilaku (behavioral models) yang kompleks dibandingkan dengan model data cross section atau time series. Beberapa notasi yang akan digunakan dalam teknik estimasi data panel
antara lain : Yit
= nilai variabel terikat (dependent variable) untuk setiap unit individu (cross section unit) pada periode t dimana i = 1,...,n dan t = 1,...,T.
Xjit
= nilai variabel penjelas (explanatory variable) ke-j untuk setiap unit individu ke-i pada periode t, dimana K variabel penjelas diberi indeks dengan j = 1,...,K. Pembahasan pada penelitian ini dibatasi pada data panel yang bersifat
balanced panel saja, yaitu data panel yang memiliki jumlah observasi yang sama untuk setiap unit individunya, sehingga total observasi yang dimiliki adalah n x T. Dalam analisis model data panel dikenal tiga macam metode yang terdiri dari metode kuadrat terkecil (pooled least square), metode efek tetap (fixed effect), dan
43
metode efek acak (random effect). Ketiga pendekatan yang dilakukan dalam analisis data panel tersebut akan dijelaskan pada bagian berikut ini.
3.2.2.1. Metode Pooled Least Square Metode kuadrat terkecil biasa yang diterapkan dalam data yang berbentuk pool merupakan pendekatan yang paling sederhana dalam pengolahan data panel. Misalkan terdapat persamaan berikut ini : untuk i = 1, 2, ..., N dan t = 1, 2, ..., T
(3.1)
dimana N adalah jumlah unit cross section (individu) dan T adalah jumlah periode waktunya. Dengan mengasumsikan komponen error dalam pengolahan kuadrat terkecil biasa, maka proses estimasi dapat dilakukan secara terpisah untuk setiap unit cross section. Untuk periode t = 1, akan diperoleh persamaan regresi cross section berikut : untuk i = 1, 2, ..., N
(3.2)
yang akan berimplikasi diperolehnya sebanyak T persamaan yang sama. Begitu juga sebaliknya, akan dapat diperoleh persamaan deret waktu sebanyak N persamaan untuk setiap t observasi dengan α dan β konstan sehingga akan diperoleh bentuk regresi yang leih besar dengan melibatkan NT observasi. Akan tetapi, perbedaan antar individu maupun antar waktu tidak dapat terlihat.
3.2.2.2. Metode Efek Tetap (Fixed Effect) Masalah terbesar dalam pendekatan pooled least square adalah asumsi intersep dan slope dari persamaan regresi yang dianggap konstan baik antar individu maupun antar waktu yang mungkin tidak beralasan. Generalisasi secara umum yang sering dilakukan adalah dengan memasukkan variabel boneka
44
(dummy variable) untuk menghasilkan nilai parameter yang berbeda-beda baik lintas unit cross section maupun antar waktu (Baltagi, 2001). Pendekatan fixed effect dapat dituliskan dalam persamaan berikut : (3.3) dimana: = variabel terikat di waktu t untuk unit cross section i = intersep yang berubah-ubah antar cross section unit = parameter untuk variabel ke-j = variabel bebas j di waktu t untuk unit cross section i = komponen error di waktu t untuk unit cross section i Dengan menggunakan pendekatan ini akan terjadi degree of freedom sebesar NT-N-K. Keputusan memasukkan dummy variable ini harus didasarkan pada pertimbangan statistik. Tidak dapat dipungkiri, dengan melakukan penambahan dummy variable ini dapat mengurangi banyaknya degree of freedom yang akhirnya akan mempengaruhi keefisienan dari parameter yang diestimasi.
3.2.2.3. Metode Efek Acak (Random Effect) Keputusan untuk memasukkan dummy variable dalam model efek tetap memiliki konsekuensi berkurangnya degree of freedom yang akhirnya dapat mengurangi efisiensi dari parameter yang diestimasi. Oleh karena itu, dalam model data panel dikenal pendekatan yang ketiga yaitu model random effect (Baltagi, 2001). Bentuk model random effect dapat dijelaskan pada persamaan berikut : (3.4)
45
(3.5) dimana: ~
0,
)
= komponen cross section error
~
0,
)
= komponen time series error
~
0,
)
= komponen error kombinasi
asumsinya adalah bahwa error secara individual juga tidak saling berkorelasi begitu juga dengan error kombinasinya. Dengan menggunakan model random effect, maka dapat menghemat pemakaian degree of freedom dan tidak mengurangi jumlahnya seperti yang dilakukan oleh model fixed effect. Hal ini berimplikasi pada parameter hasil estimasi yang menjadi semakin efisien.
3.2.3.
Pengujian Kesesuaian Model Data Panel Untuk memilih metode serta model mana yang paling tepat dalam
pengolahan data panel, maka terdapat beberapa pengujian yang dapat dilakukan, antara lain : 1. Chow Test, yaitu pengujian untuk memilih apakah model yang digunakan Pooled Least Square (PLS) atau Fixed Effect. Dalam pengujian ini hipotesisnya adalah : H0 = Model Pooled Least Square (Restricted) H1 = Model Fixed Effect (Unrestricted) F statistik yang digunakan yaitu dengan menggunakan rumus berikut : ⁄ ⁄
(3.6)
46
Jika nilai CHOW (F statistik) > FN-1, NT-N-K maka dapat dikatakan sudah cukup bukti untuk menolak H0, sehingga model yang digunakan adalah model Fixed Effect. 2. The Breusch-Pagan LM Test, dimana pengujian ini dilakukan untuk memilih antara random effect dan pooled least square. Uji hipotesisnya adalah : H0 = Pooled Least Square H1 = Random Effect Model Dasar penolakan H0 adalah dengan menggunakan statistik LM test yang berdasarkan distribusi chi square. 3. Hausman Test, yaitu pengujian statistik sebagai dasar pertimbangan dalam memilih apakah menggunakan model fixed effext atau model random effect. Hausman test dilakukan dengan hipotesis sebagai berikut : H0 = Random Effect Model H1 = Fixed Effect Model Sebagai dasar penolakan hipotesis nol yaitu jika statistik Hausman > Chi Square Table atau dapat juga dengan menggunakan nilai probabilitas (pvalue). Jika p-value < tingkat kritis α, maka tolak hipotesis untuk memilih random effect model. Statistik Hausman dirumuskan dengan : ~ X2 (K) Dimana
(3.7)
adalah vektor untuk statistik variabel fixed effect, b adalah vektor
statistik variabel random effect, (M0) adalah matriks kovarians untuk dugaan FEM dan (M1) adalah matriks kovarians untuk dugaan REM.
47
Menurut Nachrowi dan Usman (2006), disamping dengan menggunakan uji statistik (Hausman Test) terdapat beberapa pertimbangan untuk memilih apakah menggunakan fixed effect atau random effect yaitu : a.
Bila T (banyaknya unit time series) besar sedangkan N (jumlah unit cross section) kecil maka hasil fixed effect dan random effect tidak jauh berbeda. Sehingga dapat dipilih pendekatan yang lebih mudah untuk dihitung yaitu fixed effect model.
b.
Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan akan berbeda jauh. Apabila unit cross section yang dipilih dalam penelitian diambil secara acak maka random effect yang harus digunakan. Sebaliknya apabila unit cross section yang dipilih dalam penelitian tidak diambil secara acak maka yang harus digunakan adalah fixed effect.
c.
Apabila komponen error individual
dan variabel bebas x berkorelasi maka
parameter yang diperoleh dengan random effect akan bias sementara parameter yang diperoleh dengan fixed effect tidak bias. d.
Apabila N besar dan T kecil, dan apabila asumsi yang mendasari random effect dapat terpenuhi, maka random effect lebih efisien dibandingkan fixed effect. Pemilihan model yang digunakan dalam sebuah penelitian perlu
dilakukan berdasarkan perhitungan statistik. Hal ini ditujukan untuk memperoleh suatu dugaan yang efisien. Diagram pengujian statistik untuk memilih model yang digunakan diperlihatkan pada Gambar 3.2. berikut.
48
Fixed Effect Hausman Test Random Effect
Chow Test
LM Test Pooled Least Square Sumber : Syahrial, 2004
Gambar 3.2. Pengujian Pemilihan Model dalam Pengolahan Data Panel
3.2.4. Evaluasi Model 3.2.4.1. Uji Kriteria Statistik a.
Koefisien Determinasi (R2) Koefisien determinasi yang dilambangkan dengan R2 adalah suatu angka
yang mengukur keragaman pada variabel tidak bebas yang dapat diterangkan oleh variasi pada model regresi. Nilai ini berkisar antara nol sampai satu (0< R2<1), dengan nilai yang semakin mendekati satu menunjukkan model yang terbentuk mampu menjelaskan keragaman dari variabel tidak bebas, demikian pula sebaliknya. Rumus dari koefisien determinasi adalah :
1
∑
(3.8)
∑
Selain R2, terdapat pengukuran keragaman lainnya yaitu R2-adjusted. R2adjusted adalah nilai R2 yang telah disesuaikan terhadap banyaknya variabel bebas dan banyaknya observasi. Rumus R2-adjusted adalah : R2-adjusted
1
∑
/
∑
/
(3.9)
49
dimana, R2-adjusted = koefisien determinasi yang telah disesuaikan k
= jumlah variabel bebas
n
= jumlah observasi
b. Uji Hipotesis Uji hipotesis berguna untuk memeriksa atau menguji apakah variabelvariabel yang digunakan dalam model regresi signifikan atau tidak. Maksud dari signifikan disini adalah suatu nilai dari parameter regresi yang secara statistik tidak sama dengan nol. Jika nilai koefisien sama dengan nol, maka dapat dikatakan bahwa tidak cukup bukti untuk menyatakan suatu variabel bebas tersebut berpengaruh terhadap variabel tak bebasnya. Ada dua jenis uji hipotesis yang dapat dilakukan terhadap variabel regresi. Uji tersebut adalah Uji-F dan Uji-t. Uji-F digunakan untuk menguji parameter dalam variabel regresi secara bersama-sama, sedangkan Uji-t digunakan untuk menguji parameter-parameter tersebut, termasuk intercept, secara individu. 1. Uji-F Pengujian ini dilakukan untuk mengetahui apakah semua variabel bebas di dalam model secara bersama-sama berpengaruh terhadap variabel tidak bebas. Pengujian dilakukan dengan menggunakan Uji-F, yaitu perbandingan nilai kritis F dengan hasil F-hitung. Pengujian pengaruh variabel bebas terhadap variabel tidak bebas dilakukan melalui pengujian besar perubahan dari variabel tidak bebas yang dapat dijelaskan oleh perubahan nilai semua variabel bebas. Analisis pengujian tersebut adalah sebagai berikut :
50
Perumusan Hipotesis H0 : β1 = β2 = β3 = βk = 0 H1 : minimal ada satu nilai β yang tidak sama dengan nol Uji statistik yang digunakan : Fhitung =
/ /
(3.10)
dimana : e2
= jumlah kuadrat regresi
(1- e2)
= jumlah kuadrat sisa
n
= jumlah pengamatan
k
= jumlah parameter
Kriteria uji : Fhitung > Ftabel,(k-1)(n-k) maka tolak H0 Jika tolak H0 berarti secara bersama-sama variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata α persen, demikian pula sebaliknya. 2. Uji-t Pengujian ini dilakukan untuk mengetahui apakah variabel bebas secara individu (masing-masing) berpengaruh signifikan atau tidak terhadap variabel tidak bebas. Hipotesis : H0 : βk = 0 H1 : βk ≠ 0 Uji statistik yang digunakan,
51
thitung = ttabel =
(3.11) tα,(n-k)
dimana : S(bi) = standar deviasi parameter untuk bi bi
= koefisien ke-i yang diduga
n
= jumlah pengamatan
k
= jumlah parameter
Kriteria uji : thitung > ttabel(n-k) maka tolak H0 Jika tolak H0 berarti secara statistik variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata α persen, demikian pula sebaliknya.
3.2.4.2. Uji Asumsi atau Uji Kriteria Ekonometrik 1. Uji Multikolinearitas Asumsi ini menyatakan bahwa tidak adanya keterkaitan atau hubungan linier antar variabel bebas penyusun model. Jika ada hubungan linier antara dua atau lebih variabel bebas maka dikatakan terjadi multikolinearitas, dan hal tersebut merupakan penyimpangan asumsi. Tingkat multikolinearitas dapat dilihat melalui besarnya nilai VIF (Variance Inflation Factor). Jika nilai VIF sangat besar (mendekati sepuluh) maka terjadi hubungan linier antar variabel. Rumus dari VIF yaitu : VIF =
, j = 1,2,...,k
(3.12)
52
dimana : VIF = Variance Inflation Factor Rj2
= koefisien determinasi dari regresi variabel bebas ke-j
2. Uji Autokorelasi Autokorelasi adalah adanya korelasi antara serangkaian observasi yang diurutkan menurut waktu. Autokorelasi pada umumnya lebih sering terjadi pada data deret waktu (time series) walaupun dapat terjadi pada data cross section. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Ada tidaknya autokorelasi dapat diketahui dengan membandingkan nilai Durbin-Watson (DW) statistik dengan DW-tabel. Kerangka identifikasi autokorelasi terangkum dalam Tabel 3.1. berikut ini. Tabel 3.1. Selang Nilai Statistik Durbin-Watson serta Keputusannya Nilai DW
Keputusan
4-dL < DW < 4
Tolak H0; ada autokorelasi negatif
4-dU < DW < 4-dL
Tidak tentu, coba uji yang lain
dU < DW < 4-dU
Terima H0
dL < DW < dU
Tidak tentu, coba uji yang lain
0 < DW < dL
Tolak H0; ada autokorelasi positif
Sumber : Juanda, 2009
3. Uji Heteroskedastisitas Dalam regresi linear ganda, salah satu asumsi yang harus dipenuhi agar penduga parameter dalam model tersebut bersifat BLUE (Best, Linear, Unbiased estimator) adalah Var (ui) = σ2 (konstan), yang berarti bahwa semua varian
53
mempunyai variasi yang sama. Pada umumnya heteroskedastisitas sering ditemukan pada data cross section. Jika pada model ditemukan masalah heteroskedastisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten.
3.3. Model Statistika untuk Pengujian Hipotesis 3.3.1. Model Analisis Dampak Kinerja Keuangan Daerah terhadap Ketersediaan Infrastruktur Data panel yang digunakan dalam penelitian ini terdiri dari 200 wilayah kabupaten/kota sebagai unit cross section dan empat periode (2006-2009) sebagai unit time series sehingga dihasilkan 800 unit observasi. Untuk menganalisis keterkaitan antara kinerja keuangan daerah dan ketersediaan infrastruktur, maka digunakan tiga variabel dependen yakni ketersediaan infrastruktur yang meliputi infrastruktur listrik, air bersih, dan jalan. Sedangkan variabel independennya adalah kinerja anggaran daerah yang meliputi belanja modal per kapita dan penyerapan belanja modal. Estimasi parameter dilakukan untuk tiap persamaan, masing-masing dengan variabel dependen tersebut. Sehingga ada tiga model yang diestimasi dalam analisis dampak kinerja keuangan daerah terhadap ketersediaan infrastruktur, yaitu: 1.
Model untuk menganalisis dampak kinerja keuangan daerah terhadap infrastruktur listrik ELECTRICITYit = αi + β1ABSORPTIONit + β2CAPEXit + εit
(3.13)
Dimana : ELECTRICITYit
= akses rumah tangga terhadap listrik (persen)
54
ABSORPTIONit
= rasio realisasi belanja modal terhadap anggaran belanja modal (persen)
CAPEXit
= rasio belanja modal terhadap total penduduk (Rp/kapita)
αi
= intersep model yang berubah-ubah tiap kabupaten
β1
= slope variabel ABSORPTION
β2
= slope variabel CAPEX
εit
= error term
i
= kabupaten/kota; i = 1,2,3,...,200
t
= banyaknya time series; t = 1,2,3,4 (mewakili tahun-tahun 2006-2009)
2.
Model untuk menganalisis dampak kinerja keuangan daerah terhadap infrastruktur air bersih WATERit = μi + δ1ABSORPTIONit + δ2CAPEXit + εit
(3.14)
Dimana : WATERit
= akses rumah tangga terhadap air bersih (persen)
ABSORPTIONit
= rasio realisasi belanja modal terhadap anggaran belanja modal (persen)
CAPEXit
= rasio belanja modal terhadap total penduduk (Rp/kapita)
μi
= intersep model yang berubah-ubah tiap kabupaten
δ1
= slope variabel ABSORPTION
δ2
= slope variabel CAPEX
εit
= error term
55
i
= kabupaten/kota; i = 1,2,3,...,200
t
= banyaknya time series; t = 1,2,3,4 (mewakili tahun-tahun 2006-2009)
3.
Model untuk menganalisis dampak kinerja keuangan daerah terhadap infrastruktur jalan ROADit = γi + λ1ABSORPTIONit + λ2CAPEXit + εit
(3.15)
Dimana : ROADit
= panjang jalan dengan kondisi baik per luas wilayah (km/km2)
ABSORPTIONit
= rasio realisasi belanja modal terhadap anggaran belanja modal (persen)
CAPEXit
= rasio belanja modal terhadap total penduduk (Rp/kapita)
γi
= intersep model yang berubah-ubah tiap kabupaten
λ1
= slope variabel ABSORPTION
λ2
= slope variabel CAPEX
εit
= error term
i
= kabupaten/kota; i = 1,2,3,...,200
t
= banyaknya time series; t = 1,2,3,4 (mewakili tahun-tahun 2006-2009)
3.3.2. Model Analisis Dampak Ketersediaan Infrastruktur terhadap Tingkat Kemiskinan Untuk menganalisis dampak ketersediaan infrastruktur terhadap tingkat kemiskinan daerah, maka digunakan satu variabel dependen dan tiga variabel
56
independen. Variabel dependen yang diamati adalah tingkat kemiskinan daerah dengan variabel independennya adalah infrastruktur listrik, air bersih, dan jalan. Model yang diestimasi adalah sebagai berikut : POVERTYit = σi + θ1ELECTRICITYit + θ2WATERit + θ3ROADμit + εit Dimana : POVERTYit
= persentase penduduk miskin (persen)
ELECTRICITYit
= akses rumah tangga terhadap listrik (persen)
WATERit
= akses rumah tangga terhadap air bersih (persen)
ROADit
= panjang jalan dengan kondisi baik per luas wilayah (km/km2)
σi
= intersep model yang berubah-ubah tiap kabupaten
θ1
= slope variabel ELECTRICITY
θ2
= slope variabel WATER
θ3
= slope variabel ROAD
εit
= error term
i
= kabupaten/kota; i = 1,2,3,...,200
t
= banyaknya time series; t = 1,2,3,4 (mewakili tahun-tahun 2006-2009)