III. METODE PENELITIAN
3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder dari berbagai publikasi Badan Pusat Statistik (BPS), diantaranya publikasi indikator kesejahteraan rakyat dan produk domestik regional bruto, selain itu digunakan pula data Suvei Sosial Ekonomi Nasional (SUSENAS). Data mengenai bantuan stimulus infrastruktur juga digunakan dalam penelitian ini, yang bersumber dari Kementrian PDT. Data yang dihimpun mencakup 199 kabupaten tertinggal yang ditetapkan Kementrian PDT tahun 2005 dan digunakan untuk melakukan analisis deskriptif, sedangkan analisis ekonometrik dilakukan pada 82 kabupaten tertinggal yang secara kontinu mendapatkan bantuan stimulus infrastruktur dari Kementrian PDT tiap tahunnya.
3.2.
Metode Analisis Metode analisis yang digunakan adalah analisis deskriptif dan analisis
ekonometrik. Analisis deskriptif digunakan untuk memberikan deskripsi mengenai dinamika kemiskinan dan ketimpangan pendapatan yang terjadi di kabupaten tertinggal sebelum adanya implementasi program P2IPDT dan setelah adanya implementasi program P2IPDT. Analisis ekonometrik digunakan untuk melihat pengaruh infrastruktur terhadap perekonomian dan kemiskinan. Beberapa metode ekonometrik yang digunakan diantaranya metode data panel statis, data panel dinamis dan panel instrumental variable. Penggunaan berbagai metode estimasi ini diharapkan dapat menunjukkan variasi hasil estimasi, melihat kebaikan, robustness model, serta validitas di antara berbagai metode estimasi yang digunakan.
3.2.1. Analisis Deskriptif Metode analisis deskriptif merupakan suatu metode analisis sederhana yang dapat digunakan untuk menggambarkan kondisi suatu observasi dengan menyajikannya dalam bentuk tabel, grafik maupun narasi dengan tujuan untuk
38 memudahkan pembaca dalam menafsirkan hasil observasi. Salah satu analisis deskriptif yang digunakan adalah teknik analisis kuadran. Analisis kuadran digunakan untuk melihat hubungan dan dinamika pertumbuhan ekonomi dengan ketimpangan serta pertumbuhan ekonomi dan kemiskinan kabupaten tertinggal, pada dua periode waktu, yaitu 2005 dan 2009. Pemilihan Tahun 2005 sebagai tahun awal dimana program P2IPDT belum diimplementasikan, dan Tahun 2009 di pilih untuk melihat kondisi terkini di kabupaten tertinggal. Dua periode waktu tersebut diharapkan dapat memberikan gambaran dinamika pertumbuhan, ketimpangan dan kemiskinan kabupaten tertinggal.
3.2.2. Analisis Pengaruh Bantuan Stimulus Infrastruktur Perekonomian, Ketimpangan dan Penurunan Kemiskinan
terhadap
Studi mengenai peranan program P2IDT dalam mendorong kinerja perekonomian, menurunkan ketimpangan dan kemiskinan ini dilakukan dengan menggunakan metode analisis regresi. Analisis regresi dilakukan dengan tujuan utama adalah untuk memperkirakan nilai dari variabel tak bebas pada nilai variabel bebas tertentu (Supranto, 2000). Berdasarkan pemikiran tersebut penulis menggunakan metode ini untuk menjelaskan pengaruh program P2IDT dalam meningkatkan perekonomian, menurunkan ketimpangan dan kemiskinan. Pada penelitian ini analisis regresi yang digunakan adalah analisis regresi data panel.
3.2.2.1. Analisis Data Panel Analisis data panel adalah bentuk analisis data longitudinal yang cukup populer di kalangan peneliti bidang ilmu sosial dan ilmu perilaku. Data panel adalah data silang dari sekumpulan variabel yang di survei secara periodik. Penggunaan analisis panel data dalam estimasi ekonometrika memiliki beberapa kelebihan dan kelemahan. Baltagi (2005) menyatakan bahwa panel data memiliki kelebihan antara lain: 1. Dapat mengontrol heterogenitas individu 2. Panel data memberikan data yang lebih lengkap dengan kolinieritas yang rendah dan derajat bebas yang lebih besar serta lebih efisien
39 3. Panel data baik digunakan untuk mengkaji mengenai penyesuaian dinamis (dynamic of adjustment) 4. Panel data lebih handal dalam mengidentifikasi dan mengukur efek individu maupun efek waktu yang tidak dapat dilakukan dalam teknik analisis deret waktu (time series) maupun analisis antar individu (cross section) 5. Panel data dapat digunakan untuk membangun dan menguji model dengan perilaku yang kompleks. Namun demikian, analisis panel data memiliki beberapa kelemahan, antara lain: 1. Masalah dalam desain dan pengumpulan data, termasuk masalah cakupan dan kelengkapan data 2. Gangguan yang timbul akibat kesalahan pengukuran (measurement errors) 3. Mengatasi data deret waktu yang pendek 4. Terdapat hubungan antar individu
Analisis Data Panel Statis Analisis data panel statis merupakan analisis data longitudnal yang tidak melibatkan variabel lag dependent dalam model. Terdapat beberapa tipe model analisis data panel statis, antara lain: 1. Constant coefficient model (Pooled OLS) adalah salah satu tipe model data panel yang memiliki koefisien yang konstan untuk intersep dan slope. Untuk model data panel ini dapat menggunakan metode ordinary least squares regression model. 2. Tipe model data panel lainnya adalah fixed effect model (FEM), dimana model ini memiliki konstan slope namun memiliki intersep yang bergantung pada data panel dari serangkaian grup observasi. Model ini dikenal juga sebagai Least Squares Dummy Variable Model, karena sebanyak i-1 variabel dummy digunakan dalam model ini. Persamaan model ini adalah sebagai berikut:
y it = α i + x’ it β + u it ;
i=1,….,N; t=1…..,T
(3.1)
dimana u it =μ i + v it , untuk one way error component dan u it = μ i + λ t + v it untuk two way error component.
40 3. Random Effect Model (REM), dalam model ini terdapat perbedaan intersep untuk setiap individu dan intersep tersebut merupakan variabel random atau stokastik. Sehingga dalam model random effects terdapat dua komponen residual, yakni residual secara menyeluruh ε it dan residual secara individu. Persamaan model random effects dapat ditulis sebagai berikut: (3.2)
Metode estimasi yang digunakan pada model analisis regresi data panel statis, didasarkan pada asumsi struktur matriks varians dan covarians residualnya, yang terdiri dari 3 metode, yaitu: 1. Ordinary Least Square (OLS/LSDV), jika struktur matriks varians-covarians residualnya diasumsikan bersifat homokedastik dan tidak ada cross sectional correlation, 2. Generalized Least Square (GLS)/Weighted Least Square (WLS): Cross Sectional Weight, jika struktur matriks varians-covarians residualnya diasumsikan bersifat heterokedastik dan tidak ada cross sectional correlation, 3. Feasible
Generalized
Least
Square
(FGLS)/Seemingly
Uncorrelated
Regression (SUR), jika struktur matriks varians-covarians residualnya diasumsikan bersifat heterokedastik dan ada cross sectional correlation.
Analisis Data Panel Dinamis Baltagi (2005) menyatakan bahwa hubungan di antara variabel-variabel ekonomi pada kenyataan banyak yang bersifat dinamis. Analisis data panel dinamis dapat digunakan pada model yang bersifat dinamis yang melibatkan variabel lag dependen sebagai variabel regresor di dalam model. Keuntungan penggunaan panel data dinamis adalah bahwa panel data dinamis dapat mengkaji mengenai analisis penyesuaian dinamis (dynamic of adjustment). Sebagai ilustrasi, model data panel dinamis adalah sebagai berikut:
y it = δ y i,t-1 + u it ;
i=1,….,N; t=1…..,T
(3.3)
dengan δ menyatakan suatu skalar, x’ it menyatakan matriks berukuran 1xK dan β matriks berukuran Kx1. Pada model ini, u it diasumsikan mengikuti model one way error component sebagai berikut:
41
u it =μ i + v it dengan u it ~ IID(0,
(3.4)
) menyatakan pengaruh individu dan v it ~ IID(0,
)
menyatakan gangguan yang saling bebas satu sama lain atau dalam beberapa literatur disebut sebagai transient error. Dalam model data panel statis, dapat ditunjukkan adanya konsistensi dan efisiensi baik pada FEM maupun REM terkait perlakuan terhadap model dinamis, situasi ini secara substansi sangat berbeda, karena fungsi dari
maka y i,t-1 juga merupakan fungsi dari
. Karena
. Dalam merupakan
adalah fungsi
dari u it maka akan terjadi korelasi antara variabel regresor y i,t-1 dengan u it . Hal ini akan menyebabkan penduga least square (sebagaimana digunakan pada model data panel statis) menjadi bias dan inkonsisten, bahkan bila
tidak berkorelasi
serial sekalipun. Pendekatan method of moments dapat digunakan untuk mengatasi masalah bias dan inkonsistensi. Arrelano dan Bond menyarankan suatu pendekatan generalized method of moments (GMM). Pendekatan GMM merupakan salah satu yang populer. Setidaknya ada dua alasan yang mendasari, pertama, GMM merupakan common estimator dan memberikan kerangka yang lebih bermanfaat untuk perbandingan dan penilaian. Kedua, GMM memberikan alternatif yang sederhana terhadap estimator lainnya, terutama terhadap maximum likelihood.. Namun demikian, penduga GMM juga tidak terlepas dari kelemahan. Beberapa kelemahan metode GMM, yaitu: (i) GMM estimator adalah asymptotically efficient dalam ukuran contoh besar tetapi kurang efisien dalam ukuran contoh yang terbatas (finite); dan (ii) estimator ini terkadang memerlukan sejumlah implementasi pemrograman sehingga dibutuhkan suatu perangkat lunak (software) yang mendukung aplikasi pendekatan GMM. Terdapat dua jenis prosedur estimasi GMM yang umumnya digunakan untuk mengestimasi model linear autoregresif, yakni: 1. First-difference GMM (FD-GMM atau AB-GMM) 2. System GMM (SYS-GMM)
42 First-differences GMM (AB-GMM) Metode first-differences GMM (AB-GMM) dikembangkan oleh Arellano dan Bond. Metode first-differences dilakukan untuk mendapatkan estimasi δ yang konsisten di mana N → ∞ dengan T dan mengeliminasi pengaruh individual. Persamaan dinamis dengan first-differences kemudian dapat dijabarkan sebagai berikut:
y it - y it-1 = δ (y i,t-1 - y i,t-2 ) + (v it - v it-1 ); t=2,….., T
(3.5)
Pendugaan dengan metode least square (OLS) akan menghasilkan penduga δ yang inkonsisten karena y it dan v it-1 berdasarkan definisi berkorelasi, bahkan bila T → ∞. Untuk itu, transformasi dengan menggunakan first difference ini dapat menggunakan suatu pendekatan variabel instrumen. Sebagai contoh, y i,t-2 akan digunakan sebagai instrumen. Di sini, y i,t-2 berkorelasi dengan (y it - y it-1 ) tetapi tidak berkorelasi dengan, v it-1 dan v it tidak berkorelasi serial. Pendekatan GMM secara umum tidak menekankan bahwa v it ~ IID pada seluruh individu dan waktu, dan matriks penimbang optimal kemudian diestimasi tanpa mengenakan restriksi. Sebagai catatan bahwa, ketidakberadaan autokorelasi dibutuhkan untuk menjamin validitas kondisi momen. Oleh karena pendugaan matriks penimbang optimal tidak terestriksi, maka dimungkinkan (dan sangat dianjurkan
bagi
sampel
berukuran
kecil)
menekankan
ketidakberadaan
autokorelasi pada v it dan juga dikombinasikan dengan asumsi homoskedastis. Jika model data panel dinamis yang mengandung variabel eksogenus, maka Persamaan (3.3) dapat dituliskan kembali menjadi
y it = x’ it β + δ y i,t-1 + µ i + v it Parameter
persamaan
(3.6)
juga
dapat
diestimasi
(3.6) menggunakan
generalisasi variabel instrumen atau pendekatan GMM. Bergantung pada asumsi yang dibuat terhadap x’ it , selain itu sekumpulan instrumen tambahan yang berbeda dapat pula dibangun.
System GMM (SYS-GMM) Pendekatan system GMM berkembang berdasarkan pemikiran Blundell dan Bond. Ide dasar dari penggunaan metode system GMM adalah mengestimasi sistem persamaan baik pada first-differences maupun pada level yang mana
43 instrumen yang digunakan pada level adalah lag first-differences dari deret. Blundell dan Bond dalam Baltagi (2005) menyatakan pentingnya pemanfaatan initial condition dalam menghasilkan penduga yang efisien dari model data panel dinamis ketika T berukuran kecil. Misalkan diberikan model autoregresif data panel dinamis tanpa regresor eksogenus sebagai berikut:
y it = δ y i,t-1 + μ i + v it
(3.7)
dengan E(μ i ) = 0, E(v it ) = 0 dan E(μ i v it ) = 0 untuk i =1, 2,…, N; t = 1, 2,…,T. Dalam hal ini, Blundel dan Bond memfokuskan pada T = 3, oleh karenanya hanya terdapat satu kondisi ortogonal sedemikian sehingga δ tepat teridentifikasi (just identified). Pada System GMM, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari penduga first-difference GMM dengan masalah lemahnya instrumen yang mana hal ini dicirikan dari parameter konsentrasi τ. Analisis Data Panel Instrumental Variable Metode data panel instrumental variable dikenal sebagai solusi dalam mengatasi masalah endogenous regressors, dimana variabel bebas berkorelasi dengan error. Metode instrumental variable merupakan salah satu cara untuk mendapatkan estimasi parameter yang konsisten (Baum, 2009). Verbeek ( 2008) menyatakan bahwa apabila variable bebas dalam model merupakan variabel endogen, maka estimasi dengan OLS menjadi bias dan tidak konsisten, untuk itu diperlukan suatu teknik estimasi yang lebih baik, salah satunya adalah estimasi instrumental variable. Model instrumental variable
dapat direpresentasikan
dalam bentuk persamaan: y it = x it β 1 + ε it
(3.8)
Jika x it merupakan variabel endogen, dimana E(x it ,ε it ) ≠ 0, maka penggunaan estimasi dengan metode OLS tidak lagi menghasilkan estimasi yang tidak bias dan konsisten. Penggunaan teknik instrumental variable dapat mengatasi masalah ini, dengan menggunakan suatu variabel lain (z it ) yang berkorelasi dengan y it , namun tidak berkorelasi dengan error. Variabel z it haruslah memiliki korelasi yang erat dengan x it , sehingga x it memengaruhi y it hanya melalui instrumen z it. Estimasi dengan teknik instrumental variable tersebut dapat menggunakan metode two stage least squares (2SLS) estimator. Secara umum, estimator ini
44 dapat diinterpretasikan sebagai penggunaan estimator yang sama dalam dua tahap. Kedua tahap tersebut dapat diestimasi dengan menggunakan teknik least square estimator. Pada tahap pertama, persamaan reduced form diestimasi dengan menggunakan OLS (regresi variabel endogen dengan semua instrumen). Pada tahap kedua persamaan struktural diestimasi, juga dengan menggunakan OLS, dengan mengganti nilai variabel endogen dengan nilai prediksi dari hasil regresi sebelumnya yang menggunakan persamaan reduced form (Verbeek, 2008). Verbeek (2008) juga menyatakan bahwa permasalahan dapat timbul dalam penggunaan teknik instrumental variable ini adalah pada masalah “lemahnya instrumen”. Masalah ini timbul apabila instrumen yang digunakan memiliki korelasi yang lemah dengan variabel endogennya, sehingga kondisi ini menyebabkan hasil estimasi dengan teknik instrumental variable menjadi bias.
3.2.2.2. Pengaruh Infrastruktur, Perekonomian
Ketimpangan
Pendapatan
terhadap
Analisis mengenai pengaruh infrastruktur dan ketimpangan terhadap perekonomian dalam penelitian ini menggunakan analisis ekonometrik panel data statis dan dinamis. Penggunaan dua metode estimasi ini diharapkan dapat melihat perbandingan hasil estimasi dan melihat kebaikan serta robustness model. Panel data statis digunakan dalam penelitian ini untuk melihat secara sederhana pengaruh infrastruktur dan ketimpangan terhadap perekonomian, tanpa melihat pengaruh waktu (time lag) dalam permodelan. Panel data dinamis juga digunakan dalam penelitian ini, untuk melihat pengaruh waktu mengingat adanya time lag dari pengaruh infrastruktur yang menyebabkan dampak investasi infrastruktur tidak hanya dirasakan pada saat yang sama namun juga pada jangka panjang. Penggunaan model panel data dinamis juga dilakukan mengingat adanya pengaruh ekspektasi nilai output dari para pelaku pasar, yang dapat memengaruhi nilai output saat ini juga menjadi salah satu alasan penggunaan. Persamaan dinamis sederhana yang digunakan dalam penelitian ini, merujuk pada penelitian Calderon dan Serven (2008). Model panel data dinamis pada penelitian tersebut digambarkan ke dalam satu persamaan dinamis sederhana, yaitu:
45 y it – y it-1 = αy it-1 + φ’ K it + γ’Z it + μ t + η t + ε it
(3.9)
= αy it-1 + β’X it + μ t + η i + ε it
(3.10)
Dimana: y
= tingkat output
K
= ukuran ketimpangan pendapatan
Z
= bantuan stimulus infrastruktur
Persamaan 3.9 diperoleh dengan menggabungkan faktor-faktor dari pertumbuhan, ketimpangan dan infrastruktur, dimana X it = (K’ it , Z’ it ) dan β’= (φ’, γ’). Ditinjau dari sisi ekonometrik, persamaan tersebut di atas berpotensi memiliki tiga permasalahan endogeneity. Masalah tersebut antara lain: 1. Permasalahan endogeneity yang muncul akibat adanya lag dependent variabel yang ikut dalam persamaan sebagai variabel bebas yang menyebabkan adanya korelasi antara lag dependent variabel tersebut dengan error. Lag dependent variabel tersebut ternyata juga memiliki pengaruh pada ukuran ketimpangan pendapatan (K) dan bantuan stimulus infrastruktur (Z). Munculnya permasalahan endogeneity tersebut menyebabkan estimasi dengan metode ordinary least square (OLS) menjadi tidak lagi konsisten (Verbeek, 2008). 2. Permasalahan endogeneity juga berpotensi terjadi pada persamaan tersebut mengingat
ketimpangan
(K)
memiliki
memiliki
pengaruh
terhadap
pertumbuhan, sehingga terjadi reverse causality antara pertumbuhan ekonomi dan ketimpangan pendapatan (Heshmati, 2004). 3. Permasalahan endogeneity muncul akibat terdapat banyak faktor yang memengaruhi keputusan pengambil kebijakan dalam menentukan besaran nilai bantuan stimulus infrastruktur. Hal ini menyebabkan variabel bantuan stimulus infrastruktur tidak lagi murni sebagai variabel eksogen yang tidak berkorelasi dengan error, namun menjadi variabel endogen. Kondisi ini menyebabkan perlunya diterapkan teknik estimasi menggunakan variabel instrumen untuk memodelkan faktor-faktor yang memengaruhi nilai bantuan stimulus infrastruktur. Calderon dan Serven (2008) dalam penelitiannya
46 melibatkan lag dependent infrastruktur sebagai instrumen internal dan kepadatan penduduk sebagai instrumen eksternal. Ketiga permasalahan endogeneity tersebut menurut Verbeek (2008) dapat diatasi dengan menerapkan metode generalized method of moment (GMM). Penerapan metode GMM dalam analisis panel data dinamis dapat mengurangi bias pada penggunaan teknik OLS dan standard error yang dihasilkan menjadi lebih efisien jika dibandingkan dengan penggunaan estimasi two stage least square (2SLS). Penggunaan metode analisis panel dinamis meskipun memiliki kelebihan dalam menangani masalah endogeneity (khususnya pada penanganan data dengan pengaruh time lag), namun metode ini hanya dapat diterapkan pada permodelan dengan satu persamaan. Kelemahan ini menyebabkan teknik analisis panel data dinamik tidak dapat digunakan untuk melihat secara simultan pengaruh infrastruktur terhadap penurunan kemiskinan (melalui jalur pertumbuhan). Metode analisis panel instrumental variable digunakan untuk menjawab permasalahan ini, mengingat kelebihan metode ini dalam menangani regresi dengan lebih dari satu persamaan melalui penggunaan variabel instrumen. Pemilihan faktor-faktor yang memengaruhi pertumbuhan ekonomi, didasarkan oleh berbagai variabel yang digunakan dalam penelitian-penelitian terdahulu. Faktor-faktor yang memengaruhi aktifitas perekonomian dan pertumbuhan ekonomi daerah yang dikaji dalam penelitian ini antara lain:
Infrastruktur Infrastruktur, terbukti merupakan senjata yang ampuh dalam mendorong perekonomian.. Hal ini sejalan dengan penelitian yang dilakukan berbagai peneliti, antara lain Aschauer (1989) yang menyatakan bahwa peran pemerintah dalam investasi publik sangatlah penting dalam mendorong pertumbuhan. Penelitian tersebut menyimpulkan bahwa pengeluaran pemerintah positif meningkatkan output dengan elastisitas berkisar antara 0,38 dan 0,56. Penelitian Aschauer diperkuat oleh Munnel (1992) yang menyatakan bahwa investasi publik di bidang infrastruktur berpengaruh positif terhadap pertumbuhan. Canning dan Pedroni (1999) menyimpulkan bahwa infrastruktur telepon dan jalan aspal positif
47 memengaruhi pertumbuhan ekonomi. Prasetyo (2010) juga meneliti mengenai pengaruh infrastruktur. Dalam penelitiannya Prasetyo menyimpulkan bahwa Variabel human capital memiliki dampak terbesar dibandingkan variabel lain dengan elastisitas sebesar 0,34. Variabel listrik dan jalan berpengaruh secara signifikan terhadap pertumbuhan ekonomi regional dengan tingkat elastisitas listrik sebesar 0,33 lebih tinggi daripada jalan (0,13), sedangkan infrastruktur air bersih tidak berpengaruh secara statistik.
Ketimpangan Pendapatan Ketimpangan memengaruhi
pendapatan
perekonomian.
merupakan Heshmati
faktor
(2004)
lain dalam
yang
mampu
penelitiannya
menyimpulkan bahwa ketimpangan pendapatan yang diukur melalui indeks gini, investasi dan pendidikan memiliki pengaruh pada perekonomian. Penelitian ini juga mendukung hipotesis Kuznets yang menyatakan bahwa hubungan antara perekonomian (log PDRB per kapita) dan ketimpangan pendapatan dapat digambarkan sebagai kurva U terbalik. Iradian (2005) meneliti pengaruh ketimpangan (indeks gini), pendapatan per kapita, inflasi dan investasi terhadap pertumbuhan. Penelitian tersebut menyimpulkan bahwa terdapat hubungan negatif antara ketimpangan dan pendapatan dan terdapat hubungan positif antara investasi dan pertumbuhan ekonomi.
Inflasi Penggunaan variabel inflasi sebagai salah satu faktor yang memengaruhi perekonomian didasarkan atas hasil penelitian yang dilakukan oleh Mallik dan Chowdurry (2001) yang menyatakan bahwa inflasi dan pertumbuhan memiliki hubungan jangka panjang yang positif. Motley (1993) menyatakan bahwa negara dengan tingkat inflasi yang rendah memiliki kecenderungan untuk mencapai tingkat pertumbuhan ekonomi yang lebih tinggi. Hasil penelitian dari Li dan Zou (2002) dengan menggunakan analisis panel data dari berbagai negara, menyimpulkan bahwa inflasi dapat menurunkan capaian pertumbuhan ekonomi.
48 Penduduk Faktor demografi merupakan faktor yang cukup penting dalam menentukan perekonomian wilayah. Tingkat fertilitas (Ogawa dan Suits, 1981), pertumbuhan penduduk (Klasen dan Lawson, 2007), tingkat migrasi (Manitoba Bureau of Statistics, 2008) merupakan faktor-faktor
demografi yang
memengaruhi pertumbuhan ekonomi. Indikator demografi yang baik serta tingkat fertilitas yang rendah dapat mendorong peningkatan pembangunan. Berdasarkan penelitian terdahulu, serta merujuk pada penelitian Iradian (2005) maka persamaan (3.9) dan (3.10) dapat dituliskan kembali menjadi: Y it = α it + β 1 Y it-1 + β 2 GINI it + β 3 P2IPDT it + β 4 (P2IPDT it )2 + β 5 INF it-1 + β 6 POP it + β 7 DWIL it + ε it (3.11) Keterangan: Y it
= PDRB per kapita atas dasar harga konstan 2000 kabupaten ke-i periode ke-t
Y it-1
= PDRB per kapita atas dasar harga konstan 2000 kabupaten ke-i periode ke-(t-1)
GINI it
= Indeks gini kabupaten ke-i periode ke-t
P2IPDT it
= Besaran bantuan stimulus infrastruktur kabupaten ke-i periode ke- t (juta rupiah)
(P2IPDT it )2 = Kuadrat Besaran bantuan stimulus infrastruktur kabupaten ke-i periode ke-t (juta rupiah) INF it-1
= Inflasi kabupaten yang didekati dengan nilai GDP deflator kabupaten periode t-1 (persen)
POP it
= Jumlah penduduk kabupaten i periode t (jiwa)
DWIL it
= Dummy variabel wilayah (0=KBI dan 1=KTI)
Model analisis menggunakan persamaan 3.11 di atas tidak mampu menjawab masalah jenis bantuan apa yang paling besar memengaruhi pertumbuhan ekonomi. Faktor ketersediaan data, dimana masing-masing kabupaten tertinggal tidak secara kontinu mendapatkan satu jenis bantuan yang
49 sama tiap tahunnya menyebabkan penulis mengalami sedikit hambatan dalam permodelan. Untuk itu dilakukan permodelan dengan menggunakan dummy variable jenis bantuan seperti pada persamaan di bawah ini: Y it = α it + β 1 Y it-1 + β 2 GINI it + β 3 DTRANSP it + β 4 DENERGI it + β 5 DINFOTEL it + β 6 DSOS it + β 7 DEKON it + β 8 INFit -1 + β 9 POP it + β 10 DWIL it +ε it (3.12) Keterangan: Y it
= PDRB per kapita atas dasar harga konstan 2000 kabupaten ke-i periode ke-t
Y it-1
= PDRB per kapita atas dasar harga konstan 2000 kabupaten ke-i periode ke-(t-1)
DTRANSP it = Dummy variabel bantuan transportasi (0=tidak dapat dan 1=dapat) DENERGI it = Dummy variabel bantuan energi (0=tidak dapat dan 1=dapat) DINFOTEL it = Dummy variabel bantuan infotel (0=tidak dapat dan 1=dapat) DSOS it
= Dummy variabel bantuan sosial (0=tidak dapat dan 1=dapat)
DEKON it
= Dummy variabel bantuan ekonomi (0=tidak dapat dan 1=dapat)
GINI it
= Indeks gini kabupaten ke-i periode ke-t
INF it-1
= Inflasi kabupaten yang didekati dengan nilai GDP deflator kabupaten
POP it
= Jumlah penduduk kabupaten i periode t (jiwa)
DWIL it
= Dummy variabel wilayah (0=KBI dan 1=KTI)
3.2.2.3. Pengaruh Peningkatan Perekonomian terhadap Kemiskinan Dalam penelitian ini, pengaruh peningkatan perekonomian terhadap kemiskinan dikaji dengan menggunakan tiga metode estimasi, yaitu metode panel data statis, panel data dinamis dan panel instrumental variable. Penggunaan metode panel data statis dan dinamis digunakan untuk melihat pengaruh jeda waktu (time lag) sedangkan metode panel instrumental variable digunakan untuk melihat secara langsung (simultan) pengaruh infrastruktur, inflasi dan ketimpangan terhadap kemiskinan lewat jalur perekonomian (PDRB per kapita).
50 Faktor-faktor lain selain PDRB per kapita, dalam penelitian ini juga dilihat pengaruhnya terhadap angka kemiskinan. Pemilihan variabel yang digunakan dalam model, merujuk pada penelitian terdahulu. Berdasarkan pertimbangan tersebut, beberapa variabel dipilih antara lain:
Aktivitas Perekonomian dan Pertumbuhan Ekonomi Bolnick (2000) menyimpulkan bahwa pertumbuhan ekonomi merupakan salah satu instrumen untuk mengurangi kemiskinan di Mozambique. Dalam penelitian juga dinyatakan bahwa analisis pertumbuhan seharusnya tidak hanya dilihat dari perspektif makro ekonomi semata namun juga dalam aspek pembangunan regional dan sektoral. Pernyataan ini diperkuat oleh penelitian dari Siregar dan Wahyuniarti (2007) dalam penelitiannya menyatakan bahwa jumlah orang miskin di Indonesia dipengaruhi oleh besarnya PDRB, jumlah populasi penduduk, tingkat inflasi, pangsa sektor pertanian dan industri terhadap PDRB, serta tingkat pendidikan yang mencerminkan modal manusia (human capital).
Ketimpangan Pendapatan Pertumbuhan ekonomi yang didukung dengan pemerataan pendapatan (ketimpangan yang rendah) dapat menjadi satu faktor yang efektif dalam mengurangi jumlah penduduk miskin.
Pernyataan ini sejalan dengan yang
dikemukakan Gelaw (2010) yang menyatakan bahwa kemiskinan akan tetap tinggi jika pertumbuhan ekonomi diikuti dengan ketimpangan pendapatan.
Jumlah Penduduk Indra (2008) dalam penelitiannya juga memasukkan variabel populasi dengan asumsi bahwa peningkatan jumlah penduduk akan menyebabkan peningkatan jumlah penduduk miskin. Pernyataan ini sejalan dengan penelitian Siregar dan Wahyuniarti (2007). Bedasarkan
penelitian-penelitian
terdahulu,
analisis
pengaruh
pertumbuhan terhadap penurunan kemiskinan dalam penelitian ini dimodelkan seperti pada persamaan (3.13). Persamaan tersebut merujuk pada model yang
51 dikembangkan oleh Iradian (2005) yang telah dimodifikasi, persamaan tersebut adalah sebagai berikut: P it = α i + β 1 P it-1 + β 2 Y it + β 3 GINI it + β 4 EXP it + β 4 ( EXP it )2 + ε it (3.13) Keterangan: P it
= Tingkat kemiskinan (head count poverty) kabupaten ke-i periode ke-t (persen)
P it-1
= Tingkat kemiskinan (head count poverty) kabupaten ke-i periode ke-(t-1) (persen)
Y it
= PDRB per kapita atas dasar harga konstan 2000 kabupaten ke-i periode ke-t (persen)
GINI it
= Indeks gini kabupaten ke-i periode ke-t
EXP it
= Pengeluaran pemerintah kabupaten ke-i tahun ke-t (juta rupiah)
(EXP it )2
= Pengeluaran pemerintah kabupaten ke-i tahun ke-t (juta rupiah)
3.2.3. Uji Spesifikasi Model Data Panel Pada model data panel statis, masalah utama dalam pengujian model adalah penentuan model apakah termasuk model efek tetap atau efek acak. Dalam penelitian ini, mengacu pada penelitian sebelumnya maka hanya analisis panel data dengan model efek tetap yang digunakan, sehingga tidak lagi dilakukan uji haussman untuk menentuakan model efek tetap atau model efek acak yang digunakan. Pada model panel data dinamis, beberapa kriteria ditentukan untuk melihat uji validitas dan uji spesifikasi model, untuk menentukan model dinamis atau penggunaan jenis GMM yang paling sempurna. Kriteria tersebut antara lain adalah: 1. Konsistensi model dengan menggunakan Arellano-Bond m 1 dan m 2 untuk menguji adanya serial korelasi pada residual. 2. Validitas instrumen dengan menggunakan pemeriksaan moment condition dengan menggunakan Uji Sargan.
52 3. Estimasi parameter menggunakan GMM seharusnya menghasilkan estimasi yang tidak bias. Berdasarkan kriteria tersebut maka penduga terbaik haruslah memiliki kriteria konsisten, valid dan tidak bias. 3.2.4. Definisi Operasional Berikut diberikan definisi operasional dari masing-masing variabel yang digunakan dalam model, antara lain: 1. PDRB perkapita (Y) merupakan hasil bagi PDRB atas dasar harga konstan Tahun 2000 dengan jumlah penduduk masing-masing kabupaten. Data diperoleh dari publikasi PDRB kabupaten kota Tahun 2007-2009 yang diperoleh dari BPS. 2. Indeks gini (GINI) meupakan ukuran ketimpangan pendapatan dari sisi pengeluaran per kapita. Angka Indeks gini diperoleh dari perhitungan penulis dengan menggunakan data SUSENAS kor Tahun 2007-2009. 3. Program Percepatan Pembangunan Infrastruktur Pedesaan Daerah Tertinggal
(P2IPDT)
merupakan
besaran
dana bantuan
stimulus
infrastruktur yang diperoleh dari KPDT. Dana bantuan stimulus tersebut merupakan salah satu mata anggaran dalam Anggaran Pendapatan dan Belanja Negara (APBN). 4. Inflasi (INF) merupakan ukuran tingkat perubahan harga di pasar yang juga dapat mencerminkan daya beli masyarakat. Dalam penelitian ini nilai inflasi kabupaten tertinggal didekati dengan nilai PDRB deflator, sehubungan dengan tidak tersedianya data inflasi tingkat kabupaten. 5. Jumlah penduduk (POP) merupakan jumlah penduduk yang dihitung berdasarkan jumlah penduduk pertengahan tahun yang tersedia dalam publikasi PDRB kabupaten/kota BPS. 6. Tingkat kemiskinan (P) merupakan tingkat kemiskinan (headcount poverty) yang dihitung berdasarkan garis kemiskinan BPS. Data tingkat kemiskinan didasarkan pada data yang dikeluarkan oleh BPS berdasarkan data SUSENAS. 7. Pengeluaran pemerintah (EXP) merupakan total belanja yang dikeluarkan oleh pemerintah daerah berdasarkan APBD.
