PERAN PERTUMBUHAN EKONOMI DAN INTERVENSI PEMERINTAH DI BIDANG FISKAL TERHADAP KEMISKINAN, PENGANGGURAN DAN KETIMPANGAN DISTRIBUSI PENDAPATAN

DI INDONESIA PERIODE 2005 - 2008

FERDIAN FADLY 07.5356

JURUSAN

: STATISTIKA

PEMINATAN : EKONOMI

SEKOLAH TINGGI ILMU STATISTIK JAKARTA 2011
1

PERAN PERTUMBUHAN EKONOMI DAN INTERVENSI PEMERINTAH DI BIDANG FISKAL TERHADAP KEMISKINAN, PENGANGGURAN DAN KETIMPANGAN DISTRIBUSI PENDAPATAN DI INDONESIA PERIODE 2005 - 2008

SKRIPSI Diajukan sebagai Salah Satu Syarat untuk Memperoleh Sebutan Sarjana Sains Terapan pada Sekolah Tinggi Ilmu Statistik

Oleh: FERDIAN FADLY 07.5356

SEKOLAH TINGGI ILMU STATISTIK JAKARTA 2011
2

PERAN PERTUMBUHAN EKONOMI DAN INTERVENSI PEMERINTAH DI BIDANG FISKAL TERHADAP KEMISKINAN, PENGANGGURAN DAN KETIMPANGAN DISTRIBUSI PENDAPATAN DI INDONESIA PERIODE 2005 - 2008

Oleh: FERDIAN FADLY 07.5356

Mengetahui/Menyetujui, Ketua Jurusan Statistika Pembimbing

Mohammad Dokhi, Ph.D. NIP 19670612 199101 1 001

Etjih Tasriah, S.E., M.P.P. NIP 19720829 199512 2 001

Tim Penguji

Penguji I

Penguji II

Dr. Hariadi Hadisuwarno, S.E., M.Sc. NIP 19480520 197306 1 001

Drs. Odry Syafwil, M.Si. NIP 19541008 197903 1 004

3

PERNYATAAN Skripsi dengan Judul PERAN PERTUMBUHAN EKONOMI DAN INTERVENSI PEMERINTAH DI BIDANG FISKAL TERHADAP KEMISKINAN, PENGANGGURAN DAN KETIMPANGAN DISTRIBUSI PENDAPATAN DI INDONESIA PERIODE 2005 – 2008

Oleh: FERDIAN FADLY 07.5356

adalah benar-benar hasil penelitian sendiri dan bukan hasil plagiat atau hasil karya orang lain. Jika di kemudian hari diketahui ternyata skripsi ini hasil plagiat atau hasil karya orang lain, penulis bersedia skripsi ini dinyatakan tidak sah dan sebutan Sarjana Sains Terapan dicabut atau dibatalkan.

Jakarta, 16 September 2011

Ferdian Fadly 4

PRAKATA Alhamdulillah, puji syukur penulis ucapkan ke hadirat Allah SWT, karena hanya dengan pertolongan-Nya lah penulis dapat menyelesaikan skripsi yang berjudul “Peran Pertumbuhan Ekonomi dan Intervensi Pemerintah di Bidang Fiskal Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia Periode 2005 - 2008”. Penulis juga mengucapkan terima kasih kepada: 1. Dr. Bambang Heru Sentosa, M. Ec. selaku Ketua Sekolah Tinggi Ilmu Statistik, 2. Ibu Etjih Tasriah, S.E., M.P.P. selaku dosen pembimbing yang telah bersedia meluangkan waktu dan membimbing dengan penuh kesabaran, 3. Bapak Dr. Hariadi Hadisuwarno, S.E., M. Ssc. dan Bapak Drs. Odry Syafwil, M. Si. selaku dosen penguji atas koreksi dan saran yang disampaikan, 4. Ibunda dan almarhum Ayah tercinta serta abang-abangku, Rozi Fadly dan Rizky Fadli beserta keluarga, khususnya Farrel dan Nazifa, 5. Ibu Dr. Budiasih dan Bapak Ahmad Avenzora, S.E., M.S.E. atas sumbangan ide dan penjelasan-penjelasan yang diberikan, 6. Teman-teman seperjuangan angkatan 49 STIS, khususnya keluarga besar The Rumble (Resa, Novia, Yoga, Yoyok, Erika, Imelda, Rais, Meli, Skinz, Mega, Liza, Karina, Nisa, Randy, Jhon, Amriz, dan Asep) 7. Personel Dawel 15 (Taufik, Bang Gusta, Bang Daru, Irfan dan Fridz), 8. Serta semua pihak yang telah membantu penulisan skripsi ini. Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, untuk itu, penulis mengharapkan kritik dan saran dari para pembaca. Akhirnya, terlepas dari segala kekurangan yang ada, penulis berharap skripsi ini dapat bermanfaat bagi banyak pihak. Jakarta, September 2011 Ferdian Fadly 5

ABSTRAK

FERDIAN FADLY, “Peran Pertumbuhan Ekonomi dan Intervensi Pemerintah di Bidang Fiskal Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia Periode 2005 - 2008”.

viii+161 halaman

Kemiskinan, pengangguran dan ketimpangan distribusi pendapatan merupakan permasalahan utama yang dihadapi oleh negara sedang berkembang (NSB), tidak terkecuali Indonesia. Ketiganya saling berkaitan, sehingga upaya pengentasannya tidak bisa dilepaskan satu sama lainnya. Teratasinya ketiga permasalahan ini merupakan indikator penting keberhasilan pembangunan. Tujuan utama

pembangunan bukan untuk menciptakan pertumbuhan ekonomi yang tinggi saja, melainkan juga pertumbuhan ekonomi yang mampu mengentaskan kemiskinan, menanggulangi ketimpangan distribusi pendapatan dan mengurangi tingkat pengangguran. Namun, berdasarkan fakta yang ada di Indonesia, kondisi yang terjadi mengindikasikan hal yang sama sekali berbeda. Pertumbuhan ekonomi tinggi, namun kemiskinan masih sulit teratasi dan distribusi pendapatan diindikasikan semakin timpang. Oleh, karena itu penelitian ini bertujuan untuk menjawab bagaimana sebenarnya peran dari pertumbuhan ekonomi terhadap permasalahan yang ada. Untuk memperkaya analisis, penelitian ini juga melibatkan intervensi pemerintah terutama di bidang fiskal dalam mempengaruhi permasalahan makroekonomi tersebut. Metode analisis yang digunakan adalah model persamaan simultan dengan menggunakan data panel. Hasil penelitian menunjukkan bahwa dengan menurunkan tingkat pengangguran terbuka, pertumbuhan ekonomi menurunkan tingkat kemiskinan dan menyebabkan distribusi pendapatan lebih merata. Oleh karena itu, pertumbuhan harus dipacu terutama pada sektor yang padat karya khususnya sektor pertanian.

Kata kunci: kemiskinan, pengangguran, ketimpangan distribusi pendapatan, intervensi pemerintah, model persamaan simultan, regresi data panel. 6

DAFTAR ISI PRAKATA……………………………………………………………….….... i ABSTRAK………………………………………………………………….… ii

DAFTAR ISI………………………………………………………………….. iii DAFTAR TABEL…………………………………………………………….. v DAFTAR GAMBAR…………………………………………………………. DAFTAR LAMPIRAN………………………………………………………. BAB I PENDAHULUAN……………………………………………….... 1.1 Latar Belakang……………………………….……………… 1.2 Identifikasi dan Batasan Masalah…………………………… 1.3 Perumusan Masalah…………………………………………. 1.4 Tujuan Penelitian……………………………………………. 1.5 Manfaat Penelitian…………………………………………... 1.6 Sistematika Penulisan……………………………………….. BAB II KAJIAN PUSTAKA DAN KERANGKA PIKIR………………... 2.1 Kajian Teori…...…………………………………………….. 2.2 Penelitian Terkait……………………………………………. 2.3 Kerangka Pikir………………………………………………. vi viii 1 1 2 5 6 6 7 8 8 21 22

2.4 Hipotesis Penelitian………………………………………….. 24 BAB III METODOLOGI………………………………………………….. 25

3.1 Ruang Lingkup Penelitian…………………………………… 25 3.2 Metode Pengumpulan Data…………………………………. 3.3 Metode Analisis……………………………………………... BAB IV HASIL DAN PEMBAHASAN…………………………………... 4.1 Gambaran Umum Tingkat Kemiskinan di Indonesia…...…... 4.2 Gambaran Umum TPT di Indonesia………………………… 4.3 Gambaran Umum Ketimpangan Distribusi Pendapatan di Indonesia……………………………………..……………… 4.4 Gambaran Umum Pertumbuhan Ekonomi di Indonesia…..… 4.5 Model Persamaan Simultan……………………………….… 7 70 73 78 25 28 63 63 67

4.6 Peran Pertumbuhan Ekonomi Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia……………………………………………….…. 4.7 Peran Intervensi Pemerintah Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia……………………………………………….…. 4.8 Peran PDRB per Sektor Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia……………………………………………….…. BAB V 116 86 81

KESIMPULAN DAN SARAN…………………………………… 123 5.1 Kesimpulan ………………………………………………….. 123 5.2 Saran…………………………………………………………. 127

DAFTAR PUSTAKA………………………………………………………....

129

LAMPIRAN…………………………………………………………………... 132 RIWAYAT HIDUP………………………………………………………….... 161

8

DAFTAR TABEL

No. Tabel 1 2

Judul Tabel Identifikasi persamaan struktural………………………………………... Garis kemiskinan dan persentase penduduk miskin di Indonesia, tahun 2006………………………………………………………………………

Halaman 61

65

3

Perkembangan PDRB sektor pertanian dan Tingkat Pengangguran Terbuka (TPT) Provinsi Gorontalo periode 2004 – 2008……………….. 70

4

Perkembangan pertumbuhan PDB (%) per sektor di Indonesia tahun 2005 - 2008……………………………...………………………………. 75 80 81 83

5 6 7 8

Model persamaan struktural…………………………………………...... Model persamaan reduced form…………………………………...……. Distribusi pendapatan dan rasio gini Indonesia 2002 – 2008…………… Rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap PDB beberapa negara di Asia tahun 2001 - 2009………...……………...

90 93 100 101 102

9 10 11 12 13

Proporsi pendapatan provinsi di seluruh Indonesia tahun 2005 - 2008.... Skala interval derajat desentralisasi fiskal…………………..…………... Kemandirian fiskal daerah menurut provinsi tahun 2008…………….…. Rasio pajak terhadap PDB beberapa negara tahun 2005.…………….…. Upah Minimum Provinsi (UMP) dan nilai Kebutuhan Hidup Layak (KHL) tahun 2007 – 2008………………………………………………..

108

14

Pengelompokkan pekerja di Indonesia menurut status ketenagakerjaan tahun 2006 dan 2007…………………………………………………….. 113 114

15 16

Perkembangan upah sektor informal di Indonesia tahun 2004 – 2008…. Persamaan pertumbuhan PDRB per sektor terhadap pengangguran, kemiskinan, dan distribusi pendapatan di Indonesia …………………….

117

9

DAFTAR GAMBAR

No. Gambar 1 2 3

Judul Gambar Kurva Kuznets “U terbalik”….……………………………………….. Kerangka pikir ………..………………………………………………. Model peran pertumbuhan ekonomi dan intervensi pemerintah di bidang fiskal terhadap kemiskinan, pengangguran dan ketimpangan distribusi pendapatan ………………………………………………….

Halaman 9 23

24

4

Jumlah penduduk miskin di Indonesia berdasarkan tempat tinggal periode 2005 – 2008 ……….………………………………………..... 63

5

Persentase penduduk miskin di Indonesia berdasarkan tempat tinggal periode 2005 – 2008 ………………………………………………….. 64

6

Persentase penduduk miskin di Indonesia berdasarkan provinsi tahun 2008…………………………………………………………………… 66

7

Perkembangan Tingkat Pengangguran Terbuka (TPT) di Indonesia tahun 2005 – 2008 …..………………………………………………... 67

8

Gambaran Tingkat Pengangguran Terbuka (TPT) di Indonesia berdasarkan provinsi tahun 2005 …..………………………………… 68

9

Gambaran Tingkat Pengangguran Terbuka (TPT) di Indonesia berdasarkan provinsi tahun 2008……...……………………………… 69

10

Perkembangan indeks gini ratio di Indonesia berdasarkan tempat tinggal tahun 2005 – 2008 ……………………………………………. 71

11

Gambaran tingkat ketimpangan distribusi pendapatan di Indonesia berdasarkan provinsi tahun 2005 ..…………………………………… 72

12

Gambaran tingkat ketimpangan distribusi pendapatan di Indonesia berdasarkan provinsi tahun 2008 ..…………………………………… 73

13

Perkembangan PDB atas dasar harga konstan 2000 di Indonesia periode 2005-2008.………………………………………….……...… 74

14

Perkembangan pertumbuhan ekonomi di Indonesia periode 20052008.………...………………………………………………………… 74

15

Proporsi pekerja menurut lapangan usaha utama di Indonesia tahun 10

2008 …………..………………………………………………... 16 17 Teori lingkaran setan kemiskinan (Virtuous Circle) ..……………….. Trade-off finansial dalam pengambilan keputusan untuk melanjutkan sekolah ……………..…………………………………………………. 18 Rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap total pendapatan daerah di Indonesia tahun

77 85

88

2008…………………………………………………………………… 19 Proporsi Pendapatan Asli Daerah (PAD) seluruh provinsi di Indonesia periode 2005 – 2008 .……………………………………… 20 Proporsi dana perimbangan seluruh provinsi di Indonesia periode 2005 – 2008 .………………………………………………………….. 21 Teori fungsi konsumsi ………………………………………………

91

94

97 106

11

DAFTAR LAMPIRAN

No. Lampiran 1 2 3 4 5 6 7 8 9 10

Judul Lampiran Hasil estimasi model persamaan struktural……………...…….… Hasil estimasi model persamaan reduced form………………….. Pengujian variabel endogen…..……………………………….…. Pengujian simultanitas Hausmann……………………….………. Model kemiskinan……………………..………………………… Model pengangguran…………………………………....……….. Model ketimpangan distribusi pendapatan……………...……….. Uji kenormalan persamaan struktural………………...………….. Uji kenormalan persamaan reduced form……………………….. Uji kenormalan persamaan tunggal .……………………………..

Halaman 132 137 142 147 152 154 156 158 159 160

12

BAB I PENDAHULUAN

1.1. Latar Belakang Kemiskinan, pengangguran dan ketimpangan distribusi pendapatan merupakan permasalahan-permasalahan utama yang dihadapi oleh negara sedang berkembang (NSB), tidak terkecuali Indonesia. Ketiga permasalahan tersebut saling berkaitan, dimana beberapa hasil penelitian di berbagai negara menunjukkan adanya hubungan positif yang signifikan antara tingkat

pengangguran, tingkat kemiskinan, dan tingkat ketimpangan distribusi pendapatan (BPS, 2009). Oleh karena itu, upaya pengentasan kemiskinan tidak bisa dilepaskan dari upaya penciptaan lapangan pekerjaan dan pemerataan pendapatan. Intervensi pemerintah dalam menghasilkan kebijakan-kebijakan yang terintegrasi dan simultan diharapkan mampu mengatasi permasalahan-permasalahan

pembangunan ini. Tambunan (2009) mengatakan bahwa sebelum tahun 1970-an,

pembangunan dipandang sebagai proses ekonomi saja. Tinggi rendahnya kemajuan pembangunan di suatu negara hanya diukur berdasarkan tingkat pertumbuhan ekonominya. Pertumbuhan ekonomi diyakini akan menetes dengan sendirinya, menciptakan lapangan pekerjaan dan membuka berbagai peluang ekonomi, sehingga masalah kemiskinan dan ketimpangan distribusi pendapatan dapat teratasi. Inilah yang secara luas dikenal sebagai teori trickle down effect1.

Trickle down effect merupakan salah satu topik penting mengenai pembangunan ekonomi di NSB pada dekade 1950-an hingga 1960-an. Tambunan (2009) menyatakan argumentasi teori yang akan menghasilkan kesimpulan bahwa akan terjadi “efek cucuran ke bawah ini” dikembangkan pertama kali oleh Arthur Lewis (1954), dan diperluas oleh Ranis dan Fei (1968) dan lainnya.

1

13

Pada kenyataannya, sejumlah negara sedang berkembang berhasil mencapai pertumbuhan ekonomi yang tinggi. Namun, masalah-masalah seperti pengangguran, ketimpangan distribusi pendapatan, dan kemiskinan tidak banyak teratasi atau bahkan dalam banyak kasus justru semakin buruk (Todaro, 2003). Untuk kasus di Indonesia, Tambunan (2009) menyatakan sejak PELITA2 I tahun 1969 hingga sekarang, Indonesia memang menikmati laju pertumbuhan ekonomi yang tinggi, tetapi disertai dengan tingkat ketimpangan distribusi pendapatan yang diindikasikan juga semakin tinggi dan jumlah penduduk miskin tetap banyak. Menurut data BPS, tahun 2006, jumlah penduduk miskin di Indonesia mengalami peningkatan menjadi 39,3 juta jiwa atau 17,73 persen dari total penduduk dan tingkat pengangguran terbuka (TPT) mencapai 10,45 persen. Kondisi tersebut diperparah dengan indeks gini ratio yang meningkat dari 0,343 pada tahun 2005 menjadi 0,376 pada tahun 2007, yang menunjukkan bahwa distribusi pendapatan semakin tidak merata. Padahal dalam kurun waktu tersebut, pertumbuhan ekonomi yang dicapai Indonesia antara 5 – 6 persen per tahun.

1.2. Identifikasi dan Batasan Masalah Kemiskinan, pengangguran, dan ketimpangan distribusi pendapatan merupakan masalah kritis di Indonesia. Ketiganya merupakan tantangan nyata dalam pembangunan nasional. Teratasinya ketiga permasalahan ini merupakan indikator penting keberhasilan pembangunan. Menurut Todaro (2003) tujuan utama pembangunan dari suatu negara bukan hanya untuk menciptakan
PELITA, pembangunan lima tahun, merupakan arah dan strategi pembangunan yang tersusun secara sistematik dan bertahap pada masa orde baru, dimulai sejak tahun 1969 PELITA I – PELITA VI berakhir pada tahun 1999 bertujuan untuk menciptakan landasan yang kuat bagi bangsa Indonesia untuk tumbuh dan berkembang atas kekuatan sendiri, yang pelaksanaannya dititikberatkan pada bidang ekonomi.
2

14

pertumbuhan ekonomi yang setinggi-tingginya saja, melainkan juga pertumbuhan ekonomi yang mampu mengentaskan kemiskinan, menanggulangi ketimpangan distribusi pendapatan dan menyediakan lapangan pekerjaan untuk mengurangi tingkat pengangguran. Namun, berdasarkan fakta yang disampaikan pada sub-bab sebelumnya, kondisi yang terjadi mengindikasikan hal yang sama sekali berbeda, jauh dari harapan. Oleh karena itu, hingga kini masih tetap menjadi pertanyaan dan perbincangan dalam studi ekonomi pembangunan adalah bagaimanakah peran dari pertumbuhan ekonomi dalam mengatasi permasalahan kemiskinan, pengangguran dan ketimpangan distribusi pendapatan yang terjadi di Indonesia. Selain pertumbuhan ekonomi, intervensi pemerintah juga diduga berperan dalam permasalahan yang terjadi ini. Pengalaman resesi Amerika Serikat tahun 1930-an mengajarkan bahwa mekanisme pasar tidak mungkin dapat mencapai kondisi keseimbangan secara otomatis. Ketidakseimbangan antara permintaan dan penawaran menyebabkan banyak permasalahan, terutama pengangguran yang berlarut-larut dan berujung kepada kemiskinan yang meningkat. Oleh karena itu, menurut Keyness campur tangan pemerintah diperlukan dalam mengantisipasi adanya kemungkinan kegagalan pasar (market failure) tersebut. Campur tangan pemerintah dalam mengatasi permasalahan yang ada dapat muncul dalam wujud yang berbeda-beda. Dilihat dari sisi pengeluaran, pemerintah memiliki perhatian yang serius untuk memerangi kemiskinan. Menurut data BPS, alokasi anggaran untuk pengentasan kemiskinan meningkat tajam dari Rp 18 triliun pada tahun 2004 menjadi Rp 54 triliun di tahun 2007, dan dinaikkan lagi menjadi Rp 62 triliun pada tahun 2008. Namun anggaran pemerintah pada 15

penelitian ini dibatasi pada pengeluaran kesehatan dan pendidikan saja. Menurut Tambunan (2009), pengeluaran pemerintah untuk pendidikan dan kesehatan merupakan yang terpenting dalam upaya pengentasan kemiskinan. Sedangkan dari sisi penerimaan, peneliti membatasi penerimaan daerah adalah dari pajak daerah dan dana perimbangan yang diberikan pusat (dana alokasi umum dan dana alokasi khusus) untuk mengurangi ketimpangan pembangunan antar daerah. Penerimaan ini diharapkan dapat menjadi sumber pembiayaan dalam melaksanakan berbagai program-program yang menyejahterakan penduduk. Campur tangan pemerintah berikutnya terkait dengan upaya pemerataan pendapatan. Adapun intervensi pemerintah yang digunakan dalam penelitian dan dapat digolongkan kedalam upaya ini diantaranya adalah penetapan upah minimum provinsi (UMP) yang disesuaikan berdasarkan karakteristik dari masing-masing daerah dan pajak penghasilan (PPh). Selain itu, intervensi pemerintah yang digunakan dalam penelitian ini adalah tingkat inflasi, angka melek huruf (AMH) dan proporsi pekerja sektor informal. Penggunaan indikator-indikator tersebut dalam penelitian ini didasarkan pada kenyataan bahwa ketiganya memiliki hubungan yang erat dengan pengangguran, kemiskinan dan ketimpangan distribusi pendapatan. Namun, hal yang perlu kita sadari adalah adanya keterkaitan antara pertumbuhan ekonomi, pengangguran, kemiskinan dan ketimpangan distribusi pendapatan. Keterkaitan ini menyebabkan suatu permasalahan diduga dapat memengaruhi permasalahan yang lain. Sehingga, intervensi pemerintah yang dilakukan dalam mengatasi sebuah permasalahan hendaknya tidak mengakibatkan memburuknya kondisi permasalahan yang lain. Karena jika kondisi demikian 16

terjadi, permasalahan yang ingin diatasi tidak akan terselesaikan dengan baik. Meier (1995) dalam Rindayanti (2009) mendefinisikan pembangunan sebagai suatu proses yang dapat menyebabkan peningkatan pendapatan riil per kapita, tanpa menyebabkan terjadinya peningkatan ketimpangan distribusi pendapatan dan peningkatan jumlah penduduk miskin. Berdasarkan hal-hal tersebut, penelitian mengenai peran pertumbuhan ekonomi dan intervensi pemerintah terhadap kemiskinan, pengangguran, dan ketimpangan distribusi pendapatan perlu dilakukan. Dengan penelitian ini diharapkan dapat diperoleh gambaran mengenai bagaimana kaitan pertumbuhan ekonomi terhadap permasalahan-permasalahan pembangunan tersebut dan bagaimana intervensi pemerintah terintegrasi yang sebaiknya dilakukan dalam upaya mengatasi permasalahan-permasalahan yang ada ini.

1.3. Perumusan masalah Berdasarkan paparan pada bagian latar belakang serta identifikasi dan batasan masalah, maka permasalahan pada penelitian ini dapat dirumuskan dalam pertanyaan-pertanyaan berikut: 1. Bagaimana gambaran umum tingkat kemiskinan, tingkat pengangguran terbuka, tingkat ketimpangan distribusi pendapatan dan pertumbuhan ekonomi di Indonesia? 2. Bagaimana peran pertumbuhan ekonomi dan intervensi pemerintah di bidang fiskal terhadap tingkat kemiskinan, tingkat pengangguran terbuka dan tingkat ketimpangan distribusi pendapatan di Indonesia?

17

3. Bagaimana peran PDRB per sektor terhadap kemiskinan, pengangguran dan ketimpangan distribusi pendapatan di Indonesia?

1.4. Tujuan Penelitian Adapun tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut: 1. Mengetahui gambaran umum tingkat kemiskinan, tingkat pengangguran terbuka, tingkat ketimpangan distribusi pendapatan dan pertumbuhan ekonomi di Indonesia 2. Mengkaji peran pertumbuhan ekonomi dan intervensi pemerintah di bidang fiskal terhadap tingkat kemiskinan, tingkat pengangguran terbuka dan tingkat ketimpangan distribusi pendapatan di Indonesia 3. Mengkaji peran PDRB per sektor terhadap kemiskinan, pengangguran dan ketimpangan distribusi pendapatan di Indonesia

1.5. Manfaat Penelitian Penelitian ini diharapkan dapat memperkaya literatur mengenai kajian terhadap keterkaitan permasalahan makroekonomi di Indonesia dengan

menggunakan pendekatan persamaan simultan, khususnya menggunakan data panel. Selain itu, bagi pengambil kebijakan baik di tingkat pusat maupun daerah, penelitian ini diharapkan dapat menjadi landasan-landasan dalam penyusunan kebijakan. Sehingga pemerintah dapat menghasilkan intervensi-intervensi yang

18

terintegrasi dalam mengatasi permasalahan-permasalahan makroekonomi yang ada.

1.6. Sistematika Penulisan Skripsi ini disajikan dalam lima bab yang secara garis besar dapat dirinci sebagai berikut: BAB I PENDAHULUAN Bab ini memuat latar belakang, identifikasi dan batasan masalah, perumusan masalah, tujuan dan manfaat penelitian serta sistematika penulisan. BAB II LANDASAN TEORI Bab ini berisikan kajian teori, penelitian terkait, kerangka pikir, dan hipotesis penelitian yang diajukan. BAB III METODOLOGI Bab ini memaparkan ruang lingkup penelitian, prosedur pengumpulan data serta metode analisis yang digunakan. BAB IV HASIL DAN PEMBAHASAN Bab ini menyajikan hasil pengolahan data baik berupa tabel, gambar, estimasi model dan pembahasannya untuk mencapai tujuan penelitian. BAB V KESIMPULAN DAN SARAN Bab ini berisi kesimpulan dari penelitian beserta implikasi hasil penelitian dan saran yang direkomendasikan untuk penelitian selanjutnya

19

BAB II KAJIAN PUSTAKA DAN KERANGKA PIKIR

2.1. Kajian Teori Pertumbuhan Ekonomi, Pengangguran, Ketimpangan Distribusi Pendapatan dan Kemiskinan Pertumbuhan ekonomi, tingkat pengangguran terbuka, tingkat

ketimpangan distribusi pendapatan dan tingkat kemiskinan erat kaitannya. Menurut Todaro (2003), pertumbuhan ekonomi, seharusnya menghapus dan mengurangi tingkat kemiskinan, ketimpangan pendapatan dan tingkat

pengangguran. Masih tingginya angka kemiskinan, tingkat pengangguran dan kesenjangan pendapatan tak terlepas dari strategi pembangunan yang diterapkan yaitu terlalu fokus terhadap pertumbuhan ekonomi. Pertumbuhan ekonomi yang dicapai dengan tidak diikuti oleh perluasan kerja yang sebanding mengakibatkan jumlah pengangguran masih besar, tingkat kemiskinan tidak turun secara signifikan, dan kesenjangan pendapatan melebar. Sedangkan pertumbuhan ekonomi yang dibutuhkan adalah pertumbuhan ekonomi yang tidak saja tinggi, tetapi mampu menciptakan lapangan pekerjaan yang banyak, sehingga distribusi pendapatan lebih merata, dan dapat mengentaskan kemiskinan. Pertumbuhan ekonomi yang berkualitas inilah yang menjadi dambaan tiap daerah. Apabila tidak terjadi pertumbuhan ekonomi yang demikian, dampaknya adalah tingkat pengangguran meningkat karena tak tersedia lapangan pekerjaan sehingga jurang kesenjangan pendapatan semakin melebar, tingkat kemiskinan

20

semakin tinggi dan dikhawatirkan hal-hal seperti ini akan menghambat dan memberi efek negatif terhadap pertumbuhan ekonomi ke depannya. Pertumbuhan Ekonomi dan Distribusi Pendapatan Data tahun 1970-an dan 1980-an mengenai pertumbuhan ekonomi dan distribusi pendapatan di banyak negara berkembang, seperti Indonesia,

menunjukkan seakan-akan ada korelasi positif antara laju pertumbuhan dan tingkat ketimpangan distribusi pendapatan: semakin tinggi pertumbuhan PDB atau semakin besar pendapatan per kapita semakin besar perbedaan antara kaum miskin dan kaum kaya. Literatur mengenai perubahan kesenjangan dalam distribusi pendapatan awalnya didominasi oleh apa yang disebut dengan hipotesis Kuznets. Dengan memakai data antar negara (cross section) dan data dari sejumlah survey/observasi di tiap negara (time series), Simon Kuznets menemukan relasi antara kesenjangan pendapatan dan tingkat perdapatan per kapita berbentuk U terbalik. Dimana pada awalnya pertumbuhan ekonomi akan menyebabkan kesenjangan distribusi pendapatan, dan kemudian seiring berjalan waktu pertumbuhan akan menyebabkan pemerataan (Tambunan, 2009).

Koefisin Gini

Produk Nasional bruto per kapita

Gambar 1. Kurva Kuznets “U terbalik”

21

Menurut Wie (1983) banyak ekonom beranggapan bahwa antara pertumbuhan ekonomi yang pesat dan pembagian pendapatan terdapat suatu kondisi “trade-off” yang membawa implikasi kepada pemerataan dalam pembagian pendapatan hanya dapat dicapai jika laju pertumbuhan ekonomi diturunkan (Rahmanita, 2007). Todaro (2003) menjelaskan bahwa saat ini, terutama di negara berkembang, kesejahteraan ekonomi yang dicapai melalui pertumbuhan tidak lagi memadai. Diperlukan pertumbuhan ekonomi yang lebih berkualitas, yaitu pertumbuhan yang berorientasi pada pemerataan (growth with equity). Pengalaman di banyak negara berkembang menunjukkan bahwa pembangunan yang memprioritaskan pada pertumbuhan sering meninggalkan ruang bagi perbaikan distribusi kesejahteraan. Pada dasarnya ada tidaknya ketimpangan pendapatan pada sebuah negara tergantung karakteristik ekonomi yang dimilikinya. Bagaimana cara distribusinya, bagaimana cara memperoleh pertumbuhannya, merupakan hal-hal yang dapat menyebabkan pembagian “kue ekonomi” itu tidak merata. Meier (1978) dalam Rindayanti (2009) mendefinisikan pembangunan ekonomi sebagai suatu proses yang dapat menyebabkan terjadinya peningkatan pendapatan riil per kapita tanpa menyebabkan terjadinya peningkatan kesenjangan distribusi pendapatan dan peningkatan jumlah penduduk miskin. Pemerataan hasil-hasil pembangunan biasanya dikaitkan dengan

ketimpangan. Pada dasarnya ketimpangan distribusi pendapatan hanya merupakan sebagian kecil saja dari ketimpangan. Ada banyak ketimpangan lain yang juga tak kalah penting dengan ketimpangan 22 distribusi pendapatan, diantaranya:

ketimpangan gender, kekuasaan, status, kondisi kerja, dll. Ada beberapa alasan ketimpangan menjadi suatu hal yang perlu diperhatikan. Ketimpangan pendapatan yang ekstrem akan menyebabkan inefisiensi ekonomi. Sebagian penyebabnya adalah pada tingkat pendapatan rata-rata berapapun, ketimpangan yang semakin tinggi akan menyebabkan semakin kecilnya bagian populasi yang memenuhi syarat untuk mendapatkan pinjaman atau sumber kredit yang lain. Lebih lanjut, dengan tingkat ketimpangan yang tinggi, tingkat tabungan secara keseluruhan cenderung rendah. Hal ini dikarenakan, tingkat tabungan marjinal tertinggi biasanya ditemukan pada kelas menengah ke bawah. Sedangkan kelas atas sebagian besar dari pendapatannya justru disimpan di luar negeri dalam bentuk pelarian modal (capital flight) dan konsumsi dilakukan pada barang-barang mewah import. Sehingga ketimpangan pendapatan akan menyebabkan konsumsi terhadap produk domestik menurun (Todaro, 2003). Selain daripada itu, alasan penting lainnya adalah ketimpangan pendapatan akan melemahkan stabilitas sosial dan solidaritas. Lebih celaka lagi, ketimpangan yang tinggi memperkuat kekuatan politis golongan kaya, disamping kekuatan tawar menawar ekonomi mereka. Biasanya kekuatan ini akan digunakan untuk mengarahkan berbagai hasil pembangunan demi kepentingan mereka sendiri. ElSalvador dan Iran merupakan contoh negara dengan ketimpangan tinggi yang telah mengalami berbagai guncangan dalam negeri atau konflik sipil yang berkepanjangan yang telah menelan banyak jiwa dan memundurkan kemajuan pembangunan selama beberapa dekade.

23

Peranan Pemerintah Adam Smith, seorang ahli ekonomi aliran klasik yang mengagungkan mekanisme pasar bebas, menyatakan bahwa ada invisible hands dalam mengatur pembagian sumber daya, dan oleh karenanya peran pemerintah menjadi sangat dibatasi karena akan mengganggu proses ini. Konsep invisible hands kemudian direpresentasikan sebagai mekanisme pasar melalui harga sebagai instrument utamanya. Adapun fungsi pemerintah menurut Smith hanya : untuk memelihara keamanan, untuk menyelenggarakan peradilan, untuk menyediakan barang yang tidak disediakan oleh pihak swasta (seperti: jalan, jembatan, irigasi, dll). Namun, dalam masa sekarang ini, prinsip kebebasan ekonomi dalam praktiknya sulit terealisasi. Adanya prinsip memaksimumkan kepuasan dari masing-masing individu menyebabkan perbenturan kepentingan, pasar tidak selalu mampu menciptakan kondisi keseimbangan (market failure). Depresi di Amerika tahun 1930-an merupakan contoh nyata kegagalan mekanisme pasar dalam mengatasai pengangguran. Untuk itulah, menurut Keyness dibutuhkan intervensi pemerintah untuk mempengaruhi tingkat output dan kesempatan kerja (Pracoyo, 2007). Dalam sistem perekonomian modern, peranan pemerintah dapat dibagi dalam beberapa bagian, yaitu : alokasi, distribusi dan stabilisasi (Dumairy, 1999). Peranan alokasi oleh pemerintah ini sangat dibutuhkan terutama dalam hal penyediaan barang-barang yang tidak dapat disediakan oleh swasta yaitu barangbarang yang bersifat umum atau disebut juga barang publik. Karena dalam sistem perekonomian suatu negara, tidak semua barang dapat disediakan oleh swasta dan dapat diperoleh melalui sistem pasar. Dalam hal seperti ini maka pemerintah harus 24

bisa menyediakan apa yang disebut dengan barang publik tadi. Sedangkan barang yang dapat diperoleh melalui sistem pasar, yaitu melalui transaksi antara penjual dan pembeli disebut barang swasta. Tidak dapat tersedianya barang publik oleh sistem atau mekanisme pasar ini merupakan kegagalan pasar (market failure). Tidak dapat disediakannya barang-barang tersebut oleh sistem pasar dikarenakan manfaat dan barang tersebut tidak dapat dinikmati hanya oleh yang memiliki sendiri, tapi dapat juga dimiliki/dinikmati pula oleh yang lain, dengan kata lain, barang tersebut tidak mempunyai sifat pengecualian seperti halnya barang swasta. Contoh dari barang atau jasa yang tidak dapat disediakan oleh sistem pasar tersebut misalnya: udara bersih, jalan umum, jembatan, biaya kesehatan dan pendidikan, dan lain sebagainya. Dengan kata lain, pemerintah dapat menggunakan kebijakan fiskal berupa pengeluarannya untuk pembangunan rumah miskin, ataupun pengeluaran-pengeluaran untuk menolong kaum miskin seperti pengeluaran untuk kesehatan dan pendidikan. Diharapkan dengan pengeluaran tersebut, secara tidak langsung akan menolong golongan miskin untuk mendapat pemerataan dan kehidupan yang lebih baik. Konsekuensi dari peranan alokasi pemerintah adalah sumber pendapatan. Menurut UU 22/1999 dan UU 25/1999, sumber pendapatan daerah terdiri atas Pendapatan asli daerah (PAD), dana perimbangan dan dana-dana lain yang sah. Pendapatan asli daerah terdiri atas pajak daerah, retribusi daerah, hasil kekayaan daerah dan lain-lain yang merupakan hasil pendapatan dari daerah itu sendiri. Pajak daerah merupakan pungutan yang dilakukan pemerintah daerah berdasarkan peraturan perundang-undangan yang berlaku. Pajak daerah ini dapat dibedakan dalam dua kategori yaitu pajak daerah yang ditetapkan oleh peraturan 25

daerah dan pajak negara yang pengelolaan dan penggunaannya diserahkan kepada daerah. Penerimaan pajak daerah antara lain pajak kendaraan bermotor, bea balik nama kendaraan bermotor, pajak bahan bakar kendaraan bermotor, dan lain-lain. Berbeda dengan pendapatan asli daerah (PAD), dana perimbangan merupakan dana yang bersumber dari pendapatan APBN yang dialokasikan kepada daerah untuk mendanai kebutuhan daerah dalam rangka pelaksanaan desentralisasi. Dana perimbangan terdiri dari bagi hasil pajak/bukan pajak, dana alokasi umum (DAU), dan dana alokasi khusus (DAK). DAU merupakan transfer dana dari pemerintah pusat ke pemerintah daerah yang dimaksudkan untuk menutup kesenjangan fiskal (fiscal gap) dan pemerataan kemampuan fiskal antar daerah dalam rangka membantu kemandirian pemerintah daerah menjalankan fungsi dan tugasnya melayani masyarakat. DAK merupakan dana yang disediakan kepada daerah untuk memenuhi kebutuhan khusus. Ada tiga kriteria dari kebutuhan khusus seperti ditetapkan dalam peraturan perundang-undangan yang berlaku, yaitu: kebutuhan tidak dapat diperhitungkan dengan menggunakan rumus dana alokasi umum, kebutuhan merupakan komitmen atau prioritas nasional, dan kebutuhan untuk membiayai kegiatan reboisasi dan penghijauan oleh daerah penghasil. Dengan demikian DAK pada dasarnya merupakan transfer yang bersifat spesifik untuk tujuan-tujuan yang sudah digariskan. Peran berikutnya yang dilakukan oleh pemerintah adalah peran distribusi. Peranan distribusi dijalankan pemerintah dengan bertujuan untuk

mendistribusikan pendapatan. Salah satu instrumen yang dapat dilakukan pemerintah adalah pajak penghasilan (PPh). PPh merupakan pendapatan bagi hasil 26

dari pajak penghasilan terutang oleh wajib pajak orang pribadi dalam negeri berdasarkan ketentuan pasal 25 dan pasal 29 Undang-Undang tentang pajak penghasilan. Termasuk pendapatan bagi hasil dari pajak atas penghasilan berupa gaji, upah, honorarium, tunjangan dan pembayaran lainnya sehubungan dengan pekerjaan atau jabatan, jasa dan kegiatan yang dilakukan oleh wajib pajak orang pribadi berdasarkan ketentuan pasal 21 Undang-Undang tentang pajak penghasilan yang berlaku. Penetapan upah minimum provinsi (UMP) juga merupakan upaya pemerintah yang bertujuan mengurangi ketimpangan distribusi pendapatan. Hal ini termasuk dalam dasar pertimbangan dari penetapan upah yang tertuang pada pasal 94 UU No. 13 tahun 2003 tentang ketenagakerjaan, selain agar upah tidak melorot dibawah kehidupan minimum untuk pengentasan kemiskinan. Peranan pemerintah yang lain adalah sebagai alat stabilisasi

perekonomian. Peranan stabilisasi pemerintah dibutuhkan jika terjadi gangguan dalam stabilitas perekonomian, seperti: terjadi deflasi, inflasi, penurunan permintaan/penawaran suatu barang, yang nantinya masalah-masalah tersebut akan mengakibatkan timbulnya masalah yang lain secara berturut-turut, seperti pengangguran, stagflasi, dan lain-lain. Dalam menjalankan perekonomian dibutuhkan inflasi yang rendah dan relatif stabil. Inflasi yang rendah dapat menciptakan pertumbuhan ekonomi. Kenaikan harga lebih cepat sedikit dibandingkan biaya produksi, sehingga produsen akan memperoleh keuntungan dan menimbulkan gairah untuk berproduksi. Namun Inflasi yang tinggi, yang menyebabkan harga naik cepat

27

menyebabkan permintaan agregat menurun, sehingga produksi turut berkurang dan akan menciptakan pengangguran. Peran lain yang dapat dilakukan pemerintah yang termasuk dalam penelitian ini adalah pada bidang pendidikan dan ketenagakerjaan. Pada bidang pendidikan, keterwakilan intervensi pemerintah dapat terwakili oleh angka melek huruf (AMH). Target pemerintah pada AMH, menunjukkan campur tangan pemerintah dalam bidang pendidikan tersebut. Kemampuan membaca merupakan akar dari pengetahuan dan pemikiran manusia. Melek huruf dapat dimaknai sebagai kemampuan untuk menjalin hubungan dengan orang lain melalui pembicaraan, membaca, dan menulis, yang diaplikasikan pada kemampuan untuk memanfaatkan media massa dan berbagai teknologi informasi. Tujuan dari melek huruf adalah peningkatan taraf kehidupan masyarakat, keikutsertaan publik, penyelesaian masalah kemanusiaan, dan perluasan kapasitas individu dan sosial masyarakat. Konsep tentang melek huruf menunjukkan adanya hubungan antara tingkat kemampuan baca tulis dan partisipasi sekolah dengan kemiskinan. Sedangkan intervensi pemerintah di bidang ketenagakerjaan adalah

pengembangan sektor informal menjadi sektor formal dalam upaya mengurangi pekerja di sektor informal.

Definisi Operasional Adapun dalam penelitian ini, definisi-definisi operasional yang digunakan peneliti adalah sebagai berikut: Kemiskinan adalah ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. 28

Penduduk Miskin adalah seseorang dengan rata-rata pengeluaran per kapita per bulan di bawah garis kemiskinan. Garis Kemiskinan terdiri dari dua komponen, yaitu Garis Kemiskinan Makanan (GKM) yang merupakan nilai pengeluaran kebutuhan minimum makanan yang disetarakan dengan 2100 kilokalori per kapita per hari; dan Garis Kemiskinan Non-Makanan (GKNM) yang merupakan kebutuhan minimum untuk perumahan, sandang, pendidikan, dan kesehatan. GKM dan GKNM dihitung secara terpisah untuk daerah perkotaan dan perdesaan. Indikator Kemiskinan: a) Head Count Index (P0), yaitu persentase penduduk miskin yang hidup di bawah garis kemiskinan atau tingkat kemiskinan. b) Indeks Kedalaman Kemiskinan (Poverty Gap Index-P1), merupakan ukuran rata-rata kesenjangan pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi nilai indeks, semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinan. c) Indeks Keparahan Kemiskinan (Poverty Severity Index-P2), merupakan gambaran mengenai penyebaran pengeluaran di antara penduduk miskin. Dalam penelitian ini indikator kemiskinan yang digunakan adalah Head Count Index (P0). PDRB merupakan jumlah nilai tambah yang dihaslkan oleh seluruh unit usaha dalam suatu daerah tertentu atau merupakan jumlah nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi selama periode tertentu. Pertumbuhan Ekonomi merupakan pertumbuhan dari PDB/PDRB, dimana PDB/PDRB merupakan jumlah nilai tambah barang dan jasa yang dihasilkan oleh 29

seluruh unit usaha dalam suatu negara/daerah tertentu, atau merupakan jumlah nilai barang dan jasa akhir yang dihasilkan oleh seluruh sektor ekonomi pada suatu negara/daerah tertentu dan pada periode tertentu. Angkatan Kerja adalah penduduk usia kerja (15 tahun ke atas) yang bekerja atau mempunyai pekerjaan tetapi sementara tidak bekerja, dan penganggur. Bekerja adalah kegiatan ekonomi yang dilakukan seseorang dengan maksud memperoleh atau membantu memperoleh pendapatan atau keuntungan, paling sedikit 1 jam (tidak terputus) dalam seminggu yang lalu. Pengangguran merupakan selisih antara angkatan kerja dengan seluruh orang yang bekerja. Tingkat Pengangguran Terbuka merupakan proporsi dari orang yang menganggur dibandingkan dengan jumlah angkatan kerja. Tingkat ketimpangan distribusi pendapatan merupakan ukuran kemerataan pendapatan yang didekati dengan menggunakan angka indeks gini ratio. Tingkat pendidikan pada penelitian ini didekati dengan menggunakan angka melek huruf (AMH). Menurut konsep dan definisi yang dikeluarkan BPS, AMH atau Adult Literacy Rate adalah persentase penduduk usia 15 tahun ke atas yang bisa membaca dan menulis serta mengerti sebuah kalimat sederhana dalam hidupnya sehari-hari. AMH dapat dihitung dengan menggunakan data Susenas Kor pertanyaan “dapat membaca dan menulis”. Pendapatan daerah adalah hak pemerintah daerah yang diakui sebagai penambah nilai kekayaan bersih dalam periode tahun bersangkutan.

30

Pendapatan daerah terdiri dari : 1. Pendapatan Asli Daerah (PAD) 2. Dana perimbangan 3. Lain-lain pendapatan daerah yang sah Pendapatan Asli Daerah (PAD) adalah pendapatan yang diperoleh daerah yang dipungut berdasarkan peraturan daerah sesuai dengan peraturan perundangundangan untuk mengumpulkan dana guna keperluan daerah yang bersangkutan dalam membiayai kegiatannya. PAD terdiri dari pajak daerah, retribusi daerah, hasil perusahaan milik daerah dan pengelolaan kekayaan daerah yang dipisahkan, dan lain-lain pendapatan asli daerah yang sah. Pajak Daerah adalah pungutan yang dilakukan pemerintah daerah berdasarkan peraturan perundang-undangan yang berlaku. Pajak daerah yang merupakan bagian dari pendapatan asli daerah (PAD) ini dapat dibedakan dalam dua kategori yaitu pajak daerah yang ditetapkan oleh peraturan daerah dan pajak negara yang pengelolaan dan penggunaannya diserahkan kepada daerah. Penerimaan pajak daerah antara lain pajak kendaraan bermotor, bea balik nama kendaraan bermotor, pajak bahan bakar kendaraan bermotor, dan lain-lain. Dana Perimbangan adalah dana yang bersumber dari pendapatan APBN yang dialokasikan kepada daerah untuk mendanai kebutuhan daerah dalam rangka pelaksanaan desentralisasi. Dana Perimbangan terdiri dari Bagi Hasil Pajak/Bukan Pajak, Dana Alokasi Umum (DAU), dan Dana Alokasi Khusus (DAK). Dana Alokasi Umum (DAU) adalah transfer dana dari pemerintah pusat ke pemerintah daerah yang dimaksudkan untuk menutup kesenjangan fiskal (fiscal gap) dan pemerataan kemampuan fiskal antar daerah dalam rangka membantu 31

kemandirian pemerintah daerah menjalankan fungsi dan tugasnya melayani masyarakat. Dana Alokasi Khusus (DAK) adalah dana yang disediakan kepada daerah untuk memenuhi kebutuhan khusus. Ada tiga kriteria dari kebutuhan khusus seperti

ditetapkan dalam peraturan perundang-undangan yang berlaku, yaitu: - Kebutuhan tidak dapat diperhitungkan dengan menggunakan rumus dana alokasi umum. - Kebutuhan merupakan komitmen atau prioritas nasional - Kebutuhan untuk membiayai kegiatan reboisasi dan penghijauan oleh daerah penghasil. Dengan demikian DAK pada dasarnya merupakan transfer yang bersifat spesifik untuk tujuan-tujuan yang sudah digariskan. Pajak Penghasilan (PPh) merupakan pendapatan bagi hasil dari pajak penghasilan terutang oleh Wajib Pajak Orang Pribadi dalam negeri berdasarkan ketentuan Pasal 25 dan Pasal 29 Undang-Undang tentang pajak penghasilan yang berlaku. Termasuk pendapatan bagi hasil dari pajak atas penghasilan berupa gaji, upah, honorarium, tunjangan dan pembayaran lainnya sehubungan dengan pekerjaan atau jabatan, jasa dan kegiatan yang dilakukan oleh Wajib Pajak Orang pribadi berdasarkan ketentuan Pasal 21 Undang-Undang tentang Pajak Penghasilan (PPh) yang berlaku. Upah merupakan besarnya balas jasa yang diterima oleh tenaga kerja yang dinyatakan dalam nilai nominal mata uang yang berlaku. Upah Minimum Provinsi (UMP) merupakan besarnya nilai upah minimum yang seharusnya diterima oleh pekerja yang berlaku di suatu provinsi. Upah minimum

32

merupakan upah permulaan yang diterima oleh seorang pekerja atau buruh yang dapat dipergunakan untuk memenuhi kebutuhan hidupnya secara minimal. Inflasi : Perbandingan dari PDRB atas dasar harga berlaku terhadap PDRB atas dasar harga konstan. Inflasi pada penelitian ini sebagai deflator terhadap PDRB

2.2.Penelitian Terkait Yudhoyono (2004) melakukan penelitian dengan judul Pembangunan Pertanian dan Pedesaan sebagai Upaya Mengatasi Kemiskinan dan Pengangguran: Analisis Ekonomi-Politik Kebijakan Fiskal. Menurut Yudhoyono (2004), kemiskinan dan pengangguran masih menjadi masalah utama di Indonesia. Pertumbuhan ekonomi dan stabilitas makro yang telah terjadi belum mencukupi untuk mengurangi angka kemiskinan dan angka pengangguran. Penelitian ini sendiri bertujuan menjawab bagaimana kebijakan fiskal dalam mengurangi beban kemiskinan dan pengangguran. Dengan menggunakan model simultan

menggunakan data series Indonesia dari tahun 1984-2003, beliau mendapatkan bahwa pengeluaran yang disertai dengan kebijakan upah akan mampu mengurangi kemiskinan dan pengangguran. Novriadi (2010) dengan penelitian berjudul Perubahan Struktur Ekonomi dan Tingkat Pengangguran di Indonesia, menggunakan data panel 26 provinsi, dari tahun 2000-2009 memperoleh kesimpulan bahwa pertumbuhan sektor pertanian dan investasi signifikan menurunkan tingkat pengangguran. Publikasi BPS (2009) yang berjudul Analisis Kemiskinan,

Ketenagakerjaan dan Distribusi Pendapatan, dengan menggunakan data panel memperoleh kesimpulan bahwa tingkat pengangguran signifikan mempengaruhi 33

tingkat kemiskinan, namun pertumbuhan ekonomi dan indeks gini ratio tidak signifikan. Hajiji (2010) dengan penelitian berjudul Keterkaitan Antara Pertumbuhan Ekonomi, Ketimpangan Pendapatan dan Pengentasan kemiskinan di Provinsi Riau 2002-2008 yang bertujuan untuk mengetahui faktor-faktor yang mempengaruhi kemiskinan di Provinsi Riau dengan menggunakan data panel 10 kabupaten dari tahun 2002-2008. Beliau memperoleh kesimpulan bahwa pertumbuhan ekonomi dan perbaikan distribusi pendapatan signifikan mengentaskan kemiskinan.

2.3.Kerangka Pikir Penelitian ini difokuskan pada telaah terhadap peran pertumbuhan ekonomi terhadap permasalahan makroekonomi seperti: kemiskinan,

pengangguran dan ketimpangan distribusi pendapatan. Berbeda dengan penelitian sebelumnya yang memodelkan dan menganalisis hubungan antara pertumbuhan ekonomi dan kemiskinan saja, studi ini juga memperhitungkan hubungan antara pertumbuhan ekonomi terhadap pengangguran serta peran tidak langsung dari pertumbuhan ekonomi pendapatan. Di samping itu, untuk memperluas dan memperkaya cakupan analisis terkait pertumbuhan ekonomi dengan permasalahan yang terjadi, sejumlah variabel lain terutama intervensi pemerintah seperti pengeluaran pemerintah untuk kesehatan dan pendidikan, pajak daerah, DAU, DAK, pajak penghasilan, penetapan UMP, pengendalian tingkat inflasi, angka melek huruf dan proporsi orang yang bekerja di sektor informal serta kondisi kemiskinan awal dijadikan 34 terhadap kemiskinan dan ketimpangan distribusi

sebagai variabel eksogen. Secara ringkas, kerangka pikir mengenai keterkaitan antar variabel dalam penelitian ini tersaji melalui bagan berikut:

Intervensi Pemerintah Peran Alokasi Peran Distribusi Peran Stabilisasi

Pertumbuhan Ekonomi

Tingkat Pengangguran Terbuka (TPT)

Konsumsi Rumah Tangga

Distribusi Pendapatan

Tingkat Kemiskinan (HCI)

Gambar 2. Kerangka Pikir Variabel-variabel endogen dan eksogen dalam kerangka pikir secara diagramatik disajikan pada Gambar 3, yang merupakan alur dari model. Diagram tersebut merupakan dasar untuk melakukan permodelan ataupun analisis dalam penelitian ini. 35

Gambar 3. Model Peran Pertumbuhan Ekonomi dan Intervensi Pemerintah di Bidang Fiskal Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan
Keterangan: = Aliran Pengaruh = Variabel Eksogen = Variabel Endogen

2.4. Hipotesis Penelitian 1. Pertumbuhan ekonomi menurunkan tingkat kemiskinan, pengangguran dan ketimpangan distribusi pendapatan. 2. Tingkat pengangguran terbuka (TPT) mempengaruhi kemiskinan dan ketimpangan distribusi pendapatan. 3. Kemiskinan dan ketimpangan distribusi pendapatan menurunkan konsumsi masyarakat. 4. Konsumsi masyarakat mempengaruhi pertumbuhan ekonomi. 5. Intervensi pemerintah mempengaruhi pertumbuhan ekonomi, pengangguran, kemiskinan dan ketimpangan distribusi pendapatan.

36

BAB III METODOLOGI

3.1. Ruang Lingkup Penelitian Penelitian ini berisikan tentang keterkaitan beberapa permasalahan makroekonomi yaitu pertumbuhan ekonomi, tingkat pengangguran, tingkat ketimpangan distribusi pendapatan dan tingkat kemiskinan. Penelitian ini juga mengamati bagaimana peran pemerintah dalam menanggulangi permasalahanpermasalahan makroekonomi tersebut. Penelitian ini menggunakan data cross section dari 30 provinsi, dimana Provinsi Kepulauan Riau, Sulawesi Barat dan Papua Barat tergabung pada provinsi asalnya yaitu Provinsi Riau, Sulawesi Selatan dan Papua. Provinsiprovinsi tersebut diamati selama kurun waktu 4 tahun dalam periode 2005 – 2008. Penelitian ini diharapkan mampu menjawab bagaimana keterkaitan antara permasalahan makroekonomi dan bagaimana intervensi pemerintah turut andil dalam permasalahan ini. 3.2. Metode Pengumpulan Data Semua data yang digunakan dalam penelitian ini, kecuali upah minimum provinsi (UMP) dan pengeluaran pemerintah menurut fungsi kesehatan dan pendidikan merupakan data sekunder yang bersumber dari BPS. Secara lengkap, penjelasan mengenai data yang digunakan adalah sebagai berikut: 1. Data PDB Nasional dan PDRB provinsi atas dasar harga konstan tahun 2000. Dalam penelitian ini, dari data PDRB setiap provinsi dilakukan penghitungan untuk memperoleh pertumbuhan ekonomi. Pertumbuhan ekonomi (Growth) 37

pada tahun tertentu merupakan persentase perubahan dari PDRB tahun tertentu terhadap PDRB tahun sebelumnya. ℎ, =
, , ,

100%

(1)

dimana :

i = provinsi (Aceh, Sumatera Utara,…, Papua) t = tahun (2005, 2006, 2007, 2008)

2. Data persentase penduduk miskin (Head Count Index) Sumber data: publikasi BPS “Data dan Informasi Kemiskinan ; Buku 1: Propinsi” (berbagai tahun) 3. Data tingkat pengangguran terbuka (TPT) Sumber data: publikasi BPS “Indikator Kesejahteraan Rakyat” (berbagai tahun) 4. Data distribusi pendapatan didekati dengan menggunakan gini ratio index BPS melakukan penghitungan distribusi pendapatan menggunakan proxy pengeluaran yang datanya diperoleh dari SUSENAS modul konsumsi pada tahun 2005 dan 2007. Untuk melengkapi data, peneliti melakukan penghitungan menggunakan raw data SUSENAS kor dengan menggunakan rumus penghitungan sebagai berikut : =1− ∑ ( (
,

Dimana : Gini = Gini ratio index untuk mewakili distribusi pendapatan = Persentase penduduk kelompok ke-i
,

+

,(

) ))

(2)

= Persentase kumulatif pendapatan kelompok ke-i = 1, 2, 3, … , n

i

5. Data upah minimum propinsi (UMP) Sumber: Departemen Tenaga Kerja dan Transmigrasi (DEPNAKERTRANS) 38

6. Data konsumsi rumah tangga Data konsumsi rumah tangga yang digunakan dalam penelitian ini merupakan bagian dari komponen penyusun PDRB menurut pengeluaran (expenditure approach) Sumber: BPS 7. Data pengeluaran pemerintah menurut fungsi kesehatan dan pendidikan Sumber : Kementerian Keuangan 8. Data pajak daerah dan pajak penghasilan (PPh) Sumber: BPS Subdit Keuangan Daerah 9. Data dana alokasi umum (DAU) dan dana alokasi khusus (DAK) Sumber : BPS Subdit Keuangan Daerah 10. Angka Melek Huruf (literacy rate) Angka melek huruf untuk melihat peran pemerintah dalam kebijakan bidang pendidikan diperoleh dari publikasi BPS “Indikator Kesejahteraan Rakyat” (berbagai tahun) 11. Data proporsi sektor informal Data ini diperoleh dari publikasi BPS “Data dan Informasi Kemiskinan” 12. Data IHK Data IHK atau indeks harga konsumen digunakan untuk memperoleh tingkat inflasi dimana penelitian ini menggunakan inflasi year on year setiap bulan Maret (March to March). Penghitungan inflasi tidak berbeda jauh dengan penghitungan pertumbuhan ekonomi. Inflasi merupakan persentase perubahan IHK bulan maret pada suatu tahun jika dibandingkan IHK tahun sebelumnya, atau dapat dirumuskan sebagai berikut : 39

In lasi , =

,

,

,

x 100 %

(3)

Dimana : i = provinsi (Aceh, Sumatera Utara, … , Papua ) t = tahun (2005, 2006, 2007, 2008 ) Sumber data : BPS Data yang digunakan untuk analisis inferensia merupakan data panel yang mencakup 30 provinsi dalam periode tahun 2005-2008. Pengolahan data-data tersebut dilakukan dengan menggunakan sejumlah program, yakni: Microsoft Excel 2007, Arc View 3.3 dan Eviews 6.0. Kegiatan pengolahan data dengan menggunakan Microsoft Excel 2007 mencakup penghitungan pertumbuhan ekonomi, distribusi pendapatan (gini ratio index) dan inflasi serta pembuatan tabel dan grafik untuk kepentingan analisis deskriptif. Selain penyajian tabel dan grafik, penelitian ini juga menggunakan peta yang dibuat dengan menggunakan bantuan Arc View 3.3. Sedangkan pengolahan data dengan menggunakan Eviews 6.0 digunakan untuk mengestimasi parameter-parameter model regresi dan statistikstatistik yang digunakan untuk kepentingan analisis inferensia serta uji-uji formal menyangkut pemilihan metode estimasi serta spesifikasi model terbaik.

3.3. Metode Analisis Analisis Deskriptif Analisis deskriptif pada penelitian ini meliputi penyajian melalui tabel, grafik, peta, dan sebagainya. Analisis deskriptif dilakukan pada penelitian ini bertujuan untuk memperoleh gambaran mengenai tingkat kemiskinan,

ketimpangan distribusi pendapatan, tingkat pengangguran dan pertumbuhan ekonomi di Indonesia. 40

Analisis Inferensia Analisis Inferensia pada penelitian ini fokus pada persoalan bagaimana peranan pertumbuhan ekonomi dan intervensi pemerintah di bidang fiskal terhadap tingkat pengangguran, tingkat ketimpangan distribusi pendapatan dan tingkat kemiskinan di Indonesia. Untuk menjawab hal tersebut, peneliti melakukan 2 permodelan yaitu model persamaan simultan (simultaneous

equations model) dan model persamaan tunggal (single equation model). Data yang digunakan untuk analisis inferensia merupakan data panel dari 30 provinsi yang diamati dalam kurun waktu 4 tahun (2005 – 2008).

Analisis Data Panel Data yang digunakan dalam analisis ekonometrika terdiri dari 3 jenis, yaitu data time-series, data cross-section, dan data panel. Pada data time series, satu atau lebih variabel akan diamati pada satu unit observasi dalam kurun waktu tertentu. Sedangkan data cross-section merupakan amatan dari beberapa unit observasi dalam satu titik waktu. Data panel (panel pooled data) merupakan gabungan data cross section dan series. Dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki T periode waktu (t = 1,2,...,T) dan N jumlah individu (i = 1,2,...,N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT. Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel.

41

Dalam penelitian ini, digunakan data yang bersifat balanced panel. Oleh karena data diperoleh dari 30 provinsi yang diamati dalam kurun waktu 4 tahun maka diperoleh 120 observasi. Penggunaan data panel pada dasarnya merupakan solusi atas ketidaktersediaan data time-series yang cukup panjang untuk kepentingan analisis ekonometrika. Menurut Baltagi (2005), penggunaan data panel dalam regresi memiliki beberapa keuntungan, diantaranya : 1. Dengan menggabungkan data time series dan cross section, panel menyediakan data yang lebih banyak dan informasi yang lebih lengkap serta bervariasi. Dengan demikian akan dihasilkan degress of freedom (derajat bebas) yang lebih besar dan mampu meningkatkan presisi dari estimasi yang dilakukan. 2. Data panel mampu mengakomodasi tingkat heterogenitas individuindividu yang tidak diobservasi namun dapat mempengaruhi hasil dari permodelan (individual heterogeneity). Hal ini tidak dapat dilakukan oleh studi time series maupun cross section sehingga dapat menyebabkan hasil yang diperoleh melalui kedua studi ini akan menjadi bias. 3. Data panel dapat digunakan untuk mempelajari kedinamisan data. Artinya dapat digunakan untuk memperoleh informasi bagaimana kondisi individu-individu pada waktu tertentu dibandingkan pada kondisinya pada waktu yang lainnya. 4. Data panel dapat mengidentifikasikan dan mengukur efek yang tidak dapat ditangkap oleh data cross section murni maupun data time series murni.

42

5. Data panel memungkinkan untuk membangun dan menguji model yang bersifat lebih rumit dibandingkan data cross section murni maupun data time series murni. 6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit observasi terlalu banyak. Regresi data panel berbeda dengan regresi time series maupun cross section. Regresi data panel memiliki double subscript pada setiap variabel, dimana i menunjukkan individu dan aspek cross section, sedangkan t menunjukkan waktu sekaligus sebagai aspek time series. Regresi data panel dapat dimodelkan sebagai berikut : = + +

+

= 2005, 2006, 2007, 2008;

= Aceh, Sumut, … , Papua;

(4)

α merupakan konstanta, β berukuran P x 1 merupakan parameter hasil estimasi dan menunjukkan observasi ke-it dari P variabel bebas. merupakan efek merupakan

individu yang berbeda-beda untuk setiap individu ke-i. Sedangkan error regresi seperti halnya pada model regresi klasik.

Model persamaan diatas disebut one-way model atau model satu arah, karena hanya memasukkan efek individu ( ) dalam model. Jika model juga memasukkan efek dari waktu, maka disebut two-way model atau model dua arah dan secara matematis dapat dituliskan sebagai berikut: = + + +

+

= Aceh, Sumut, … , Papua; = 2005, 2006, 2007, 2008;

(5)

dimana

merupakan efek waktu atau komponen tren. Keberadaan

memperbolehkan pergeseran intersep regresi antar waktu. Jika efek waktu bersifat 43

sistematik atau tidak acak, maka komponen ini dapat digantikan oleh sejumlah variabel dummy waktu.

Estimasi Model Regresi dengan Menggunakan Data Panel Tiga macam estimasi model yang dapat digunakan dalam analisis regresi data panel adalah model common effects, fixed effects, dan random effects. Pada dasarnya, perbedaan yang mendasari ketiganya adalah keberadaan efek spesifik individu ( ). Keberadaan efek spesifik individu dan korelasinya dengan variabel penjelas yang teramati ( ) sangat menentukan spesifikasi model yang akan

digunakan.

A. Common Effects Model Model common effects merupakan pendekatan data panel yang paling sederhana. Model ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool, mengestimasinya menggunakan pendekatan kuadrat terkecil/pooled least square. Adapun persamaan regresi dalam model common effects dapat ditulis sebagai berikut: = + + = Aceh, Sumut, … , Papua;

(6)

= 2005, 2006, 2007, 2008;

dimana i menunjukkan cross section (individu) dan t menunjukkan periode waktunya. Dengan asumsi komponen error dalam pengolahan kuadrat terkecil

44

biasa, proses estimasi secara terpisah untuk setiap unit cross section dapat dilakukan. Berdasarkan asumsi struktur matriks varians-kovarians residualnya, pada model common effects, ada 4 metode estimasi yang dapat digunakan, yakni: 1) Ordinary Least Square (OLS), jika struktur matriks varians-kovarians residualnya diasumsikan bersifat homoskedastik dan tidak ada cross sectional correlation. 2) Generalized Least Square (GLS)/ Weighted Least Square (WLS): Cross Sectional Weight, jika struktur matriks varians-kovarians residualnya diasumsikan bersifat heteroskedatik dan tidak ada cross sectional correlation. 3) Feasible Generalized Least Square (FGLS)/ Seemingly Uncorrelated Regression (SUR) atau Maximum Likelihood Estimator (MLE), jika struktur matriks varians-kovarians residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional correlation. 4) Feasible Generalized Least Square (FGLS) dengan proses

autoregressive (AR) pada error term-nya, jika struktur matriks varians-kovarians residualnya diasumsikan bersifat heteroskedastik dan ada korelasi antar waktu pada residualnya. B. Fixed Effects Model Model Fixed effects mengasumsikan bahwa terdapat efek yang berbeda antar individu. Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu, dalam model fixed effects, setiap merupakan

45

parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy yang dapat ditulis sebagai berikut: 0 … 0 … 0 ⋱ ⋮ ⋯ = + +

=

Teknik seperti diatas dinamakan Least square Dummy Variabel (LSDV). Selain diterapkan untuk efek tiap individu , LSDV ini juga dapat mengakomodasi efek waktu yang besifat sistemik. Hal ini dapat dilakukan melalui penambahan variabel dummy waktu di dalam model. Berdasarkan asumsi struktur matriks varians-kovarians residualnya, pada model fixed effects, ada 3 metode estimasi yang dapat digunakan, yakni: 1) Ordinary Least Square (OLS/LSDV), jika struktur matriks varianskovarians residualnya diasumsikan bersifat homoskedastik dan tidak ada cross sectional correlation. 2) Weighted Least Square (WLS), jika struktur matriks varians-kovarians residualnya diasumsikan bersifat heteroskedastik dan tidak ada cross sectional correlation. 3) Seemingly Uncorrelated Regression (SUR), jika struktur matriks

+ 0 ⋮ ⋮ 0 0

+

+

… … ⋮ ⋱ ⋮ …

(7) ⋮ + ⋮

(8)

varians-kovarians residualnya diasumsikan bersifat heteroskedastik dan ada cross sectional correlation. C. Random Effects Model Berbeda dengan fixed effects model, efek spesifik dari masing-masing individu dan tidak berkorelasi dengan variabel penjelas yang teramati ( 46 diperlakukan sebagai bagian dari komponen error yang bersifat acak ), model seperti

ini dinamakan random effects model (REM). Model ini sering disebut juga dengan error component model (ECM). Dengan demikian, persamaan model random effects dapat dituliskan sebagai berikut: = Dimana ∶ + = , )= + ; = Aceh, Sumut, … , Papua; ) = 0; )= ) = 0; =0 + ;

(9)

= 2005, 2006, 2007, 2008;

+

= 0; ≠ ; =

Meskipun komponen error wit bersifat homokedastik, nyatanya terdapat korelasi antara wit dan wit − s (equicorrelation), yakni: ,
)

=

(10)

Karena itu, metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien bagi model random effects. Metode yang tepat untuk mengestimasi model random effects adalah Generalized Least Squares (GLS) dengan asumsi homokedastik dan tidak ada cross-sectional correlation.

Penyeleksian Model Dari ketiga model yang telah dibahas sebelumnya, kemudian dipilih yang mana model yang paling tepat digunakan dalam penelitian. Pemilihan model dapat dilakukan secara formal maupun informal dengan mempertimbangkan beberapa hal tertentu. 47

Judge (1980) menyatakan ada perbedaan mendasar untuk menentukan pilihan antara FEM (Fixed Effects Model) dan ECM (Error Component Model) antara lain sebagai berikut (Gujarati, 2004): 1) Jika T (jumlah data time series) besar dan N (jumlah unit cross-section) kecil, perbedaan antara FEM dan ECM adalah sangat tipis. Oleh karena itu, dapat dilakukan penghitungan secara konvensional. Pada keadaan ini, FEM mungkin lebih disukai. 2) Ketika N besar dan T kecil, estimasi diperoleh dengan dua metode dapat berbeda secara signifikan. Pada ECM, = + , dimana

adalah komponen random cross-section dan pada FEM, ditetapkan dan tidak acak. Jika kita sangat yakin dan percaya bahwa individu, ataupun unit cross-section sampel kita adalah tidak acak, maka FEM lebih cocok digunakan. Jika unit cross-section sampel adalah random/acak, maka ECM lebih cocok digunakan. 3) Komponen error individu dan satu atau lebih regresor berkorelasi,

estimator yang berasal dari ECM adalah bias, sedangkan yang berasal dari FEM adalah unbiased. 4) Jika N besar dan T kecil, serta jika asumsi untuk ECM terpenuhi, maka estimator ECM lebih efisien dibanding estimator FEM. Secara formal, ada tiga prosedur pengujian yang akan digunakan, yaitu uji statistik F yang digunakan untuk memilih antara model common effects atau fixed effects; uji Langrange Multiplier (LM) yang digunakan untuk memilih antara model common effects atau model random effects; dan uji Hausman yang digunakan untuk memilih antara model fixed effects atau model random effects. 48

A. Pengujian Signifikansi Model Fixed Effects Pengujian signifikansi model fixed effects dilakukan dengan uji statistik F. Uji F digunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effects lebih baik dari model regresi common effects. Hipotesis null (H0) yang digunakan adalah model common effects lebih baik, dengan kata lain tidak terdapat perbedaan antar individu. ℎ Adapun uji F statistiknya adalah sebagai berikut: =
( /( )/( ) )

~ ( ; ( − 1); (

− ))

(11)

dimana n = jumlah individu; T = periode observasi; k = jumlah parameter dalam model fixed effects; RSS1 merupakan residual sum of squares common effects model, sedangkan RSS2 merupakan residual sum of squares fixed effects model. Nilai F hitung akan mengikuti distribusi statistik F dengan derajat bebas (df) {n-1} dan {nT-n-k}. Jika nilai statistik F hitung lebih besar daripada F tabel pada α tertentu, maka hipotesis null akan ditolak sehingga dapat disimpulkan teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummy (common effects).

B. Pengujian Signifikansi Model Random Effects Untuk pengujian signifikansi model random effects dapat digunakan uji Langrange Multiplier (LM). Model ini didasarkan pada nilai residual dari model common effects. Hipotesis null (H0) yang digunakan adalah bahwa varians dari efek spesifik individu αi sama dengan nol, yakni σ 2α = 0 , atau dengan kata lain tidak terdapat adanya efek tidak teramati pada komponen error model random

49

effects. Dengan kata lain model common effects lebih baik dari random effects model. Adapun nilai statistik LM dihitung berdasarkan formula sebagai berikut: =
( ) ∑ ∑ (∑ ∑ )

−1

dimana n = jumlah individu; T = jumlah periode waktu dan

~

2

,1

(12) adalah residual

model common effects. LM akan mengikuti distribusi chi-square dengan derajat bebas (df) sebesar 1. Jika LM lebih besar dari chi-square pada tabel dengan signifikansi (alpha tertentu), maka hipotesis null akan ditolak, yang berarti model estimasi yang tepat untuk regresi data panel adalah model random effects daripada model common effects.

C. Hausman Test Terkadang kita berhadapan dengan kondisi dimana random effects model maupun fixed effects model lebih baik dari common effects model. Untuk itu perlu dilakukan Hausman test dalam menentukan model yang sesuai antara model fixed effects atau model random effects. Unsur penting metode pemilihan ini adalah matriks kovarians dari perbedaan vektor − = + − −2 : ,

(13)

dimana sedangkan

adalah estimator efisien yang dihasilkan dari metode fixed effects adalah estimator yang dihasilkan dari metode random effects.

Hasil metode Hausman adalah bahwa perbedaan kovarians dari estimator fixed effects model dengan estimator random effects model adalah 0, sehingga ( − ), = , − =0 (14)

50

Kemudian dengan mensubstitusikan persamaan - persamaan tersebut akan menghasilkan matriks kovarians sebagai berikut: − = − =∑

,

=

(15)

(16)

Selanjutnya mengikuti kriteria Wald, nilai statistik Hausman diatas akan mengikuti distribusi chi-square sebagai berikut: = = −

(17)

Statistik uji Hausman di atas mengikuti distribusi chi-square dengan derajat bebas sebanyak jumlah variabel bebas (k). Hipotesis null pada uji hausman adalah model random lebih baik. jika nilai statistik Hausman lebih besar daripada nilai kritis statistik chi-square, maka hipotesis null akan ditolak, yang berarti model estimasi yang tepat untuk regresi data panel adalah model fixed effects dibanding model random effects. Dalam penelitian ini, penentuan apakah fixed effects model atau random effects model yang akan digunakan selain didasarkan pada sejumlah pertimbangan yang telah disebutkan, juga akan didasarkan pada kriteria ekonomi (make sense secara ekonomi). Kesesuaian tanda hasil estimasi koefisien regresi setiap variabel di dalam model dengan teori dan kewajaran besaran nilai koefisien hasil estimasi tersebut juga menjadi unsur pertimbangan dalam pemilihan model. Selanjutnya, untuk model estimasi regresi data panel terpilih, akan dilakukan pengujian untuk memilih estimator dengan struktur varians-kovarians dari residual yang lebih baik. Namun, jika terpilih model random effects maka pengujian untuk memilih struktur varians-kovarians residual yang lebih baik tidak dilakukan. 51

Strukstur Varians-Kovarians Residual Model Regresi Data Panel Tahapan selanjutnya setelah menentukan model estimasi adalah memilih metode estimasi yang tepat sesuai dengan struktur varians-kovarians residual. Membangun model regresi dengan data panel akan menyebabkan bertambahnya komponen residual, karena adanya dimensi cross-section dan time-series pada data. Kondisi ini menyebabkan matriks varians-kovarians residual menjadi sedikit lebih kompleks bila dibandingkan dengan model regresi klasik yang hanya menggunakan data cross-section atau data time-series. Pada model regresi klasik, pelanggaran terhadap asumsi klasik, terutama heterokedastisitas dan autokerelasi merupakan masalah serius yang

mengakibatkan penduga parameter regresi yang diestimasi dengan OLS tidak lagi bersifat BLUE (best linier unbiased estimator). Ada banyak solusi yang dapat dijalankan bila itu terjadi pada model regresi klasik, diantaranya transformasi variabel dengan berbagai bentuk modifikasi. Dalam pemodelan regresi dengan data panel, terjadinya pelanggaran asumsi regresi linier klasik pada residual adalah hal yang sangat sulit dihindari. Namun berbeda dengan regresi linear klasik, pelanggaran asumsi klasik dapat diakomodasi melalui pemilihan metode estimasi yang disesuaikan dengan struktur varians-kovarians residualnya. Berbagai kemungkinan metode estimasi yang disesuaikan dengan struktur varians-kovarians yang selanjutnya akan dijelaskan ini hanya bisa diterapkan pada model fixed effects dan model common effects.

52

A. Struktur Homoskedastik dan Tidak Ada Cross-sectional Correlation Struktur varians-kovarians residual yang bersifat homoskedastik dan tidak ada cross-sectional correlation adalah sebagai berikut: = E εε = σ 0 ⋮ 0 0 … 0 σ … 0 ⋮ ⋱ ⋮ 0 … σ

Untuk struktur seperti ini metode estimasi yang digunakan adalah Ordinary Least Square. B. Struktur Heteroskedastik dan Tidak Ada Cross-sectional Correlation Struktur varians-kovarians residual yang bersifat heteroskedastik dan tidak ada cross-sectional correlation adalah sebagai berikut: = E εε = σ 0 ⋮ 0 σ 0 ⋮ 0 … 0 … 0 ⋱ ⋮ … σ

Untuk struktur seperti ini metode estimasi yang digunakan adalah Generalized Least Square (GLS)/Weighted Least Square (WLS) Cross-sectional Weight. C. Struktur Heteroskedastik dan Ada Cross-sectional Correlation Struktur varians-kovarians residual yang bersifat heteroskedastik dan ada cross-sectional correlation adalah sebagai berikut: = E εε = σ σ ⋮ σ σ ⋮ … … ⋱ … σ σ

Untuk struktur seperti ini metode estimasi yang digunakan adalah Feasible Generalized Least Square (FGLS)/Seemingly Uncorrelated Regression (SUR): SUR weight atau Maximum Likelihood Estimator (MLE). 53

σ

σ

⋮ σ

D. Struktur Heterokedastik dan Adanya Autokorelasi Pada model ini terjadi korelasi antar dua residual pada periode waktu yang berbeda dalam cross-section yang sama (diasumsikan tidak terjadi cross-sectional correlation). Komponen residual antar waktu diasumsikan mengikuti proses autoregressive dengan lag 1/AR(1). Struktur matrik varians-kovarians residual adalah = E εε = σ 0 0 σ ⋮ ⋮ 0 0 … 0 … 0 ⋱ ⋮ …σ

Metode estimasi yang digunakan adalah Feasible Generalized Least Square (FGLS) dengan proses autoregressive (AR) pada residual (Ekananda, 2004).

Pengujian Asumsi Struktur Varians-kovarians Residual Adapun untuk penentuan metode estimasinya dilakukan pengujian Lagrange Multiplier (LM test pada struktur varians-kovarians residual). Pengujian dilakukan untuk mengetahui apakah struktur varians-kovarians residual memenuhi asumsi homoskedastik atau struktur heteroskedastik dan tidak ada cross-sectional correlation. Hipotesis null (H0) yang digunakan adalah struktur varians-kovarians residual bersifat homoskedastik. Sementara hipotesis alternatifnya (H1) adalah bahwa struktur varian-kovarian residual bersifat heteroskedastik.
H 0 : σ i2 = σ 2 (Struktur varians-kovarians residual homoskedastik). H 1 : σ i2 ≠ σ 2 (Struktur varians-kovarians residual heteroskedastik).

Secara matematis, statistik uji yang digunakan dapat dirumuskan sebagai 54

berikut: = ∑ −1 ~
;

(18)

ˆ dimana T merupakan jumlah periode waktu, n adalah jumlah individu, σ i2 adalah
ˆ varian residual persamaan ke-i pada kondisi homoskedastik, dan σ 2 adalah Mean

Square Error persamaan sistem pada kondisi homoskedastik. Statistik uji LM ini mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak n-1. Jika nilai statistik LM lebih besar dari nilai kritis statistik chisquare, maka hipotesis null akan ditolak, yang berarti struktur varians-kovarians residual bersifat heteroskedastik tanpa ada korelasi antar unit. Metode yang dapat digunakan untuk struktur varians-kovarians residual yang bersifat heteroskedastik adalah Weighted Least Squares (WLS).

Pemilihan Estimator Struktur Heteroskedastik dan Tidak Ada Cross Sectional Correlation atau SUR dengan Uji LM. Pengujian ini dilakukan apabila hasil pengujian LM menunjukkan bahwa struktur varians-kovarians residual bersifat heteroskedastik. Pada pengujian ini, hipotesis null yang digunakan adalah bahwa struktur varians-kovarians residual bersifat heteroskedastik dan tidak ada cross sectional correlation. Sementara hipotesis alternatifnya adalah bahwa struktur varians-kovarians residual bersifat heteroskedastik dan ada cross sectional correlation (Seemingly Uncorrelated Regression/SUR). Statistik uji yang digunakan dirumuskan sebagai berikut: = ∑ ∑ ~
( )/

(19)

55

dimana n adalah jumlah individu, T adalah jumlah periode waktu residual correlation coefficient antara persamaan ke-i dan ke-j.

adalah

Statistik uji LM ini mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak n(n-1)/2. Jika nilai statistik λ lebih besar dari nilai kritis

statistik chi-square maka hipotesis null akan ditolak, yang berarti struktur varianskovarians residual bersifat heteroskedastik dan ada cross sectional correlation (Seemingly Uncorrelated Regression/ SUR).

Model Persamaan Simultan dengan Menggunakan Data Panel Pada model persamaan tunggal terdapat satu variabel tak bebas Y dan beberapa variabel bebas X. Dalam model seperti ini penekanan diberikan kepada peramalan nilai Y ketika nilai X diketahui. Dalam kata lain terdapat hubungan sebab akibat dari X ke Y. Namun dalam banyak kasus ekonomi, kenyataannya variabel ekonomi saling mempengaruhi. Ini terjadi jika Y tidak hanya ditentukan oleh X tetapi beberapa X juga ditentukan oleh Y. Ringkasnya, ada hubungan dua arah (interdependensi), atau simultan antara sejumlah variabel. Hubungan simultan yang terjadi berimplikasi pada estimasi setiap persamaan dan keseluruhan sistem, karena dampak feedback dan dual causality antara sejumlah variabel di satu sisi dan adanya korelasi residual antar persamaan dan antar periode waktu di sisi yang lain. Oleh karena itulah, muncul model persamaan simultan menjadi solusi permasalahan seperti ini. Dalam penelitian ini, hubungan simultan antara variabel penelitian didasarkan pada informasi apriori (Gujarati, 2004), yakni teori dan hasil penelitian empiris. Variabel dalam persamaan simultan dapat dikelompokkan menjadi dua, 56

yaitu : variabel endogen dan variabel eksogen. Variabel endogen merupakan variabel yang nilainya ditentukan oleh model, sedangkan variabel eksogen nilainya ditentukan dari luar model. Dalam penelitian ini variabel

kebijakan/intervensi pemerintah merupakan variabel eksogen. Berikut adalah bentuk umum sistem persamaan simultan dengan menggunakan data panel. Misalkan sebuah sistem persamaan terdiri dari M persamaan, K variabel eksogen, N observasi, dan T periode waktu. Dengan struktur data panel, berarti terdapat sebanyak N observasi untuk setiap persamaan dan M persamaan untuk setiap periode waktu. Karena itu, setiap periode waktu memiliki jumlah variabel endogen, eksogen dan observasi yang sama, untuk setiap periode waktu bentuk struktural setiap persamaan adalah sebagai berikut: + + +
γ γ

+… + +… +

+ +

+ +

+… + +… +

+ +

=0

=0 =0

Dalam notasi matriks, sistem ini dapat dituliskan menjadi
y y …y …γ …γ ⋮ ⋮ ⋱ ⋮ γ γ …γ γ γ + x x …x β β β β

+… +

+

+

+… +

+

dimana :

…β …β ⋮ ⋮ ⋱ ⋮ β β …β

= ε ε …ε

setiap vektor y 1 ...y M merepresentasikan N observasi pada M variabel endogen. Setiap vektor x 1 ... x k merepresentasikan N observasi pada K variabel eksogen. Setiap vektor ε 1 ...ε M merepresentasikan N observasi pada M residual. γ dan β merupakan parameter struktural dari sistem yang akan diestimasi. 57
, ,

Untuk semua (full set) N observasi, struktur di atas dapat dituliskan menjadi + ⋮ = = y y ⋮

(20) ⋯ ⋱ ⋯ y ε ⋯ ε ⋱ ⋮ ⋯ ε

dimana =

x

x

Karena

Γ adalah

⋯ ⋱ ⋯

x

x

x

=

ε

sebuah matriks kuadrat dan diasumsikan nonsingular, maka

bentuk tereduksi untuk semua N observasi dan M variabel endogen adalah sebagai berikut:

Y = − XBΓ −1 + ΕΓ −1
Dengan memisalkan,

(21)

Π = −BΓ −1 dan V = ΕΓ −1 , maka persamaan

diatas dapat dituliskan sebagai berikut:

Y = XΠ + V
Dengan mengestimasi matriks bentuk tereduksi elemen-elemen dari

(22)

Π , selanjutnya dapat diestimasi

B dan V (AlDakhil, 1998).

Identifikasi Model Persamaan Simultan Persamaan struktural dalam sistem harus teridentifikasi (just identified atau overidentified) agar dapat menghasilkan estimasi. Prosedur yang digunakan untuk mengidentifikasi model sistem persamaan simultan pada penelitian ini adalah order condition. Syarat identifikasi dengan order condition adalah sebagai berikut: Suatu model dengan M persamaan simultan, akan identified apabila jumlah variabel 58

eksogen yang tidak terdapat dalam persamaan harus paling sedikit atau sama dengan jumlah variabel endogen yang ada dalam persamaan dikurangi satu. K-k=m–1 (23)

dimana, m adalah jumlah variabel endogen dalam suatu persamaan, K adalah jumlah variabel eksogen dalam sistem, dan k adalah jumlah variabel eksogen dalam suatu persamaan. Jika K - k = m -1, persamaan disebut just identified. Tetapi jika K – k > m - 1, persamaan disebut overidentified. Apabila K - k < m -1, maka persamaan tersebut disebut unidentified (underidentified) yang tidak dapat diselesaikan dengan model persamaan simultan (Gujarati, 2004).

Pengujian Variabel Endogen Tahapan selanjutnya setelah persamaan structural dapat diidentifikasikan adalah pengujian variabel endogen. Penetapan yang mana variabel endogen dan variabel eksogen merupakan tanggung jawab seorang peneliti sehingga hal ini akan tergantung pada masalah yang ada dan berdasarkan informasi apriori yang dimiliki peneliti. Selain itu, Gujarati (2004) memberikan prosedur pengujian endogenitas dengan tes statistik agar penentuan variabel endogen tersebut dapat dibuktikan secara empiris. Prosedur pengujian variabel endogen diawali dengan mengestimasi variabel yang dianggap endogen oleh peneliti melalui persamaan reduced-nya. Kemudian hasil estimasi variabel endogen tersebut diregresikan bersama dengan variabel bebas yang lain pada persamaan structural. Apabila hasil estimasi variabel endogen tersebut signifikan secara statistik maka variabel yang diduga endogen tersebut terbukti mempunyai sifat endogen. Namun, apabila variabel 59

endogen hasil estimasi tersebut tidak signifikan secara statistik maka variabel tersebut tidak bisa berlaku sebagai variabel endogen. Penelitian ini menggunakan 5 variabel endogen, yaitu: log(PDRB), TPT, log(gini), HCI, log(konsumsi). Kelima variabel endogen tersebut terbukti mempunyai sifat endogen yang ditunjukkan oleh Lampiran 3.

Pengujian Simultanitas Hausman Selain pengujian variabel endogen, model persamaan simultan harus melalui tahapan pengujian simultanitas hausman. Tujuan pengujian simultanitas Hausman adalah untuk membuktikan secara empiris bahwa suatu sistem model persamaan benar-benar memiliki hubungan simultan antar persamaan

strukturalnya. Prosedur pengujian simultanitas Hausman diawali dengan mengestimasi variabel endogen melalui persamaan reduced-nya. Kemudian menghitung residual yang diperoleh dari selisih nilai observasi dengan hasil estimasi variabel endogen. Variabel endogen pada persamaan structural tersebut lalu disubstitusikan dengan hasil estimasi dan residual yang diperoleh. Setelah itu regresikan bersama dengan variabel bebas lain pada persamaan structural. Apabila residual variabel endogen tersebut signifikan secara statistik maka variabel endogen terbukti memiliki pengaruh simultan. Namun, apabila residual variabel endogen tersebut tidak signifikan secara statistik maka variabel endogen tidak memiliki pengaruh simultan sehingga model persamaan simultan tidak bisa dilakukan. Pengujian simultanitas Hausman merupakan uji pendahuluan yang harus dilewati dalam model persamaan simultan. Penelitian ini telah melewati tahapan 60

pengujian persamaan simultan seperti yang terlihat pada Lampiran 4 sehingga estimasi model persamaan simultan dapat dilakukan.

Estimasi Model Persamaan Simultan Hubungan simultan antara variabel bebas dan variabel tak bebas pada model persamaan simultan menjadikan estimasi dengan metode Least Squares akan menghasilkan penduga yang bias dan tidak konsisten3 bagi parameter regresi. Ini disebabkan oleh adanya endogenitas pada variabel tak bebas, yakni korelasi antara variabel bebas dan residual (error regresi). Sebagai solusi tidak dapat digunakannya metode Least Squares pada model persamaan simultan, metode-metode seperti Indirect Least Square (ILS), Two Stage Least Squares (2SLS) dan Three Stages Least Squares (3SLS) dapat digunakan. Penggunaan metode-metode ini sangat bergantung pada hasil identifikasi terhadap persamaan struktural. Jika hasil identifikasi justidentified, maka metode ILS dapat digunakan. Tetapi, jika hasil identifikasi overidentified, maka estimasi dengan ILS tidak dapat lagi dilakukan. Karena tidak akan

diperoleh estimator yang unik bagi setiap koefisien regresi persamaan struktural. Sebagai solusi, metode-metode yang digunakan adalah sebagai berikut: A. Two Stage Least Squares (2SLS) Dengan metode 2SLS, setiap persamaan struktural dalam sistem diestimasi satu per satu (equation by equation). Estimasi dilakukan dengan melibatkan semua variabel eksogen yang ada di dalam sistem untuk memperoleh penduga yang unik bagi setiap koefisien regresi persamaan struktural.

3

Bias tak akan hilang meskipun ukuran sampel ditambah mendekati populasi.

61

Estimasi dengan 2SLS menggunakan sejumlah variabel instrumen yang merupakan kombinasi linier dari semua variabel eksogen di dalam sistem bertujuan untuk mendapatkan nilai prediksi bagi variabel-variabel endogen yang muncul sebagai variabel penjelas pada persamaan struktural (Gujarati, 2004). Kelebihan dari metode 2SLS adalah cenderung tidak terpengaruh oleh adanya multikolineritas dan kesalahan spesifikasi model (misspesification).

Misspesification merupakan kesalahan spesifikasi model terjadi ketika variabel yang diperlakukan sebagai eksogen tidak benar-benar eksogen (strictly eksogenous). Tahapan-tahapan estimasi dengan metode 2SLS adalah sebagai berikut: Mengestimasi persamaan bentuk tereduksi (reduced form) dari persamaan struktural. Dengan demikian, diperoleh estimasi persamaan bentuk tereduksi. Menghitung nilai variabel endogen (predicted value) berdasarkan persamaan bentuk tereduksi yang diperoleh pada tahap pertama. Ini dilakukan hanya untuk variabel endogen yang juga muncul pada sisi kanan persamaan struktural dalam sistem. Tahapan terakhir adalah mengestimasi persamaan struktural dengan menggunakan predicted value variabel endogen yang diperoleh pada tahapan yang kedua. B. Three Stages Least Squares (3SLS) Metode 3SLS pada dasarnya tidak jauh berbeda dengan metode 2SLS. Metode ini menerapkan teknik generalized least squares (GLS) pada semua persamaan struktural yang telah diestimasi dengan menggunakan metode 2SLS. Metode 3SLS lebih efisien dibanding metode 2SLS ketika terdapat korelasi 62

residual antar persamaan. Jika hasil estimasi dengan 3SLS tidak jauh berbeda dengan 2SLS, ini mengindikasikan bahwa estimasi dengan metode 3SLS telah mencukupi.

Pengujian Asumsi Klasik Untuk membangun persamaan regresi panel yang terbaik dari kriteria ekonometrika, perlu dilakukan pengujian dan penanganan pada masalah-masalah yang berkaitan dengan pelanggaran asumsi dasar. Berikut ini adalah asumsiasumsi yang diperlukan dalam analisis regresi.

1. Normalitas Pemeriksaan normalitas dilakukan untuk mengetahui apakah residual berdistribusi normal atau tidak. Menurut Gujarati (2004) estimasi pada OLS merupakan fungsi linear dari residual. Oleh karena itu distribusi peluang dari hasil estimasi akan tergantung pada asumsi yang dibuat mengenai distribusi peluang residual-nya. Distribusi peluang dari penduga diperlukan untuk menguji hipotesis dan penarikan kesimpulan, peran pengujian residual diasumsikan berdistribusi normal menjadi penting sekali. Pemeriksaan kenormalan terhadap residual dapat dilakukan menggunakan plot persentil-persentil (P-P Plot). Jika plot mengikuti garis lurus, maka residual mengikuti sebaran normal. Pengujian terhadap asumsi kenormalan ini juga dapat dilakukan dengan uji Kolmogorov-Smirnov yang merupakan uji Goodness of Fit. Uji Kolmogorov Smirnov merupakan pengujian mengenai derajat kesesuaian antara distribusi kumpulan nilai observasi dengan beberapa distribusi teoritis 63

tertentu. Uji ini melibatkan penentuan distribusi kumulatif yang akan terjadi menurut distribusi teoritis yang telah ditentukan dan perbandingan distribusi tersebut dengan distribusi kumulatif nilai amatan. Hipotesis yang digunakan pada pengujian kenormalan adalah: H0: distribusi suatu variabel mengikuti distribusi normal H1: distribusi suatu variabel tidak mengikuti distribusi normal Statistik uji yang akan digunakan dalam uji Kolmogorov-Smirnov yaitu: D = max | ( ) − kondisi H0. ( ) adalah suatu distribusi frekuensi kumulatif dari distribusi teoritis dalam ( ) merupakan distribusi frekuensi kumulatif amatan sebanyak n. , maka H0 tidak ditolak , maka H0 ditolak − ( )| ; i= 1,2,…,n (24)

Aturan pengambilan keputusan dengan tingkat signifikansi α yaitu: Jika D > D Jika D ≤ D

Selain itu penolakan H0 juga dapat dilakukan berdasarkan p-value. Jika < , maka H0 ditolak

2. Non-Autokorelasi Asumsi berikutnya yang harus terpenuhi adalah tidak adanya korelasi antar error atau non-autokorelasi. Kendall dan Buckland dalam Gujarati (2004) mendefinisikan autokorelasi sebagai korelasi antara anggota serangkaian

observasi yang diurutkan menurut waktu (seperti pada data time series) atau ruang (seperti pada data cross-sectional). Dalam konteks regresi, model regresi linear klasik = 0 dimana ≠ . 64 mengasumsikan bahwa residual tidak mengandung

autokorelasi, atau

Adanya masalah autokorelasi akan menghasilkan estimasi koefisien yang konsisten dan tidak bias tetapi varians menjadi besar, atau dengan kata lain hasil penafsiran tidak efisien. Estimasi yang tidak efisien ini menyebabkan nilai thitung cenderung tidak signifikan. Untuk mendeteksi adanya autokorelasi adalah dengan uji Durbin-Watson (DW). Sebagai patokan, nilai DW yang mendekati 2 dianggap bahwa model terbebas dari autokorelasi (Gujarati, 2004). Adapun statistik uji DW untuk data panel (Baltagi, 2005) yaitu: =
∑ ∑ ∑ ∑
, , ,

(25)

Dimana

,

adalah residual dari regresi dengan fixed effects untuk tiap panel i, t

adalah periode waktu, dan N adalah jumlah individu. Nilai statistik dp akan dibandingkan dengan nilai dU dan dL. Nilai dU adalah batas atas pada tabel Durbin Watson dan 0< < adalah nilai batas bawah pada tabel Durbin Watson. Keputusan

yang diambil adalah sebagai berikut: • • • • < < ; terjadi autokorelasi positif dan 4 − < <4− ; tidak dapat disimpulkan

4−

<

Terdapat kriteria lain yang digunakan untuk menentukan ada tidaknya

<

<4−

< 4; terjadi autokorelasi negatif

; tidak ada autokorelasi

korelasi pada residual, yaitu dengan menggunakan koefisien korelasi sampel berorde satu: = 2(1 − ), dimana

=

∑ ̂, ̂, ∑ ̂,

(26)

65

Dari persamaan di atas dapat terlihat jika

jika tidak terdapat serial korelasi diharapkan d akan bernilai di sekitar 2. Sebagai rule of thumb, jika nilai d ternyata 2, maka peneliti bisa mengasumsikan bahwa tidak ada autokorelasi baik positif maupun negatif.

= 0 maka nilai d=2, maka dari itu

3. Homoskedastisitas Heteroskedastisitas berarti adanya varians dari error OLS yang tidak konstan yang disebabkan oleh tingkah laku variabilitas (misalnya: dalam hal disparitas yang mencolok antar daerah) atau perkembangan ketelitian pencatatan data (misalnya dengan semakin canggihnya metode pengumpulan data, tingkat kesalahan pengukuran semakin kecil) atau karena kesalahan spesifikasi (misspecification). Akibatnya varians koefisien-koefisiennya tidak akurat

(overestimate atau underestimate), sehingga hasil uji-nya tidak reliabel. Dalam pemodelan regresi dengan data panel, terjadinya pelanggaran asumsi regresi linier klasik pada residual terutama tidak terpenuhinya asumsi homoskedastisitas merupakan hal yang sangat sulit dihindari, dan tidak seperti pada regresi klasik, pelanggaran tersebut dapat diakomodasi untuk menentukan metode estimasi terbaik bagi spesifikasi model yang digunakan. Seperti yang telah dijelaskan sebelumnya penentuan metode estimasi yang digunakan tergantung pada struktur varians-kovarians residual-nya.

4. Non-Multikolinearitas Multikolinieritas berarti adanya korelasi antar variabel bebas, yang terjadi karena variabel-variabel bebas tersebut memiliki hubungan pada populasi atau 66

hanya pada sampel. Cara mendeteksi adanya kolinieritas: (Nash dan Bradford, 2001) Dengan memeriksa simple pairwise (Pearson) correlation antar variabel

independen. Batas nilai yang disarankan sebagai indikasi kolinieritas serius berbeda-beda (0,8 menurut Berry dan Felman, 1985; dan 0,9 menurut Griffith dan Amerhein, 1997). Nash dan Bradford (2001) menyebutkan bahwa suatu variabel independen berkorelasi tinggi dengan variabel independen lainnya jika lebih dari 0,85. Uji formal untuk mendeteksi keberadaan dari multikoliearitas yaitu dengan melihat nilai Variance Inflation Factor (VIF). Nilai VIF ini

menunjukkan bagaimana varians dari sebuah estimator =

akan meningkat

akibat adanya multikolinearitas. Nilai VIF diperoleh dengan formula berikut: (27) = 1,2, … , − 1 dan merupakan koefisien determinasi dari

dimana

regresi berganda ketika

diregresikan dengan p-2 variabel lainnya dalam

model. Jika nilai VIF lebih dari 10, maka hal tersebut dapat berindikasi bahwa multikolinearitas bersifat serius dan akan mempengaruhi estimasi yang menggunakan OLS karena meskipun estimator tetap bersifat unbiased namun sudah tidak lagi memiliki varians yang minimum. Selain itu,

keberadaan multikolinieritas juga akan membuat estimator bersifat sensitif untuk perubahan yang kecil pada data, sehingga akan mengakibatkan kesalahan (missleading) dalam menginterpretasikan suatu model regresi. Cara mengatasi adanya multikolinieritas antara lain melepas satu atau lebih

67

variabel yang memiliki korelasi yang tinggi, mentransformasi model, atau memperbesar jumlah sampel.

Pengujian Keberartian Model Regresi Model regresi hasil estimasi, selain harus lolos asumsi, hendaklah memenuhi kriteria-kriteria sebagai berikut: 1. Kriteria ekonomi yaitu melihat kesesuaian tanda dan nilai estimasi dengan teori ekonomi dan logika (make sense secara ekonomi). 2. Kriteria statistik yaitu melihat nilai – nilai yang dihasilkan dari pengujian statistik meliputi koefisien determinasi (R2), uji simultan (F test), dan uji parsial (t test). Kriteria diatas dimaksudkan untuk mengetahui apakah model regresi yang diperoleh merupakan model yang tepat untuk menggambarkan hubungan antar variabel dan untuk mengetahui apakah variabel bebas berpengaruh signifikan terhadap variabel tak bebas.

A. Koefisien Determinasi Koefisien determinasi digunakan untuk menentukan seberapa baik garis regresi sampel fit (cocok) pada data (goodness of fit), atau secara verbal koefisien ini mengukur proporsi dari total variasi pada variabel tak bebas Y yang dapat dijelaskan = ∑(
∑( ) )

oleh model

regresi (Gujarati, 1978). Koefisien

determinasi dapat dirumuskan sebagai berikut : = = 1− 68 (28)

dimana SSR: sum square regression, SST: sum square total, SSE: sum square error. Namun, yang perlu diperhatikan disini, koefisien determinasi nilainya sangat dipengaruhi oleh penambahan jumlah variabel bebas, maka perlu

dilakukan penyesuaian. Penyesuaian ini digunakan agar efek dari penambahan variabel dapat hilang dari koefisien determinasi. Koefisien determinasi yang telah disesuaikan (adjusted = 1 − (1 − ) dapat dihitung dengan rumus: ) −1 − − (29)

Koefisien determinasi (R2) ataupun adjusted R2 nilainya berkisar dari 0 hingga 1. Dimana semakin mendekati 1, maka menunjukkan variabel bebas yang kita miliki semakin baik menjelaskan variasi dari variabel dependent.

B. Uji F Uji F dilakukan untuk menguji koefisien regresi apakah variabel bebas secara bersama-sama (simultan) memiliki pengaruh terhadap variabel

dependent. Pengujian ini dilakukan dengan membandingkan nilai F hitung dengan F tabel. Hipotesis yang digunakan: Ho: = =⋯= = 0 (secara simultan tidak ada pengaruh signifikan ≠ 0; i=1,2,…,k. (30)

terhadap variabel tak bebas)

H1: minimal ada satu nilai =(
/( )

Statistik uji F dirumuskan sebagai berikut:
( ) )/( )

69

Hipotesis nol ditolak jika

(

)

berarti minimal ada satu variabel bebas yang signifikan berpengaruh terhadap variabel tidak bebasnya. Keputusan ini dapat juga didasarkan pada perbandingan nilai p-value dengan tingkat signifikansinya (α). Hipotesis null ditolak jika nilai pvalue lebih kecil dari α.

>

(

;

).

Jika keputusan tolak H0

C. Uji t Uji t dilakukan untuk pengujian koefisien regresi secara parsial. Dengan kata lain pelaksanaannya bertujuan untuk melihat signifikansi dari pengaruh peubah bebas secara individu terhadap peubah tak bebas dengan menganggap peubah lain bersifat konstan. Uji ini dilaksanakan dengan membandingkan thitung dengan t-tabel. Hipotesis pengujian: H0: = 0, tidak ada pengaruh yang signifikan dari peubah bebas tertentu ≠ 0, ada pengaruh yang signifikan dari peubah bebas tertentu terhadap peubah tak bebas. terhadap peubah tak bebas.

H1:

Statistik uji yang digunakan adalah statistik uji t-student. Formulanya sebagai berikut: = ( ) (31)

adalah penduga parameter ke-i dan <−

nilai penduga dari parameter ke-i. Hipotesis nol akan ditolak jika
( )

( ) adalah simpangan baku dari

atau

(

).

Keputusan ini dapat juga didasarkan pada

>

70

perbandingan nilai p-value dengan tingkat signifikansinya (α). Hipotesis null ditolak jika nilai p-value lebih kecil dari nilai α. Hal ini berarti secara parsial variabel bebas ke-i signifikan mempengaruhi variabel tidak bebasnya dengan tingkat kepercayaan (1 − ) × 100%. Model Penelitian Untuk menelaah kaitan antara pertumbuhan ekonomi dan permasalahan makroekonomi di Indonesia digunakan model persamaan simultan. Terdapat lima persamaan struktural dan lima persamaan reduced yang digunakan dalam penelitian. Persamaan reduced merupakan regresi dari variabel endogen terhadap seluruh variabel eksogen dalam sistem. Sedangkan persamaan structural masingmasing endogen dirumuskan sebagai berikut:
Log(PDRB)(it) = α +β11Log(Konsumsi)(it)+ β12Log(Expenditure_EH)(it)+ β13Log(DAU)(it) + β14Log(DAK)(it)+ β15Log(pajak)(it)+ β16Inflasi(it)+ β17Informal(it)+ γZ’(i) +ε (32)

TPT(it) = α + β21Log(PDRB)(it)+ β22Log(UMP)it)+ β23Inflasi(it) + β24Informal(it)+ γZ’(i) + ε (33) +β35Log(DAU)(it)+ β36Log(DAK)(it)+ γZ’(i)+ ε

Log(Gini)(it) = α + β31Log(PDRB)(it)+ β32TPT(it)+ β33Log(UMP)it)+ β34Log(PPh)(it) (34)

HCI(it) = α + β41Log(PDRB)(it)+ β42TPT(it) + β43Log(Expenditure_EH)(it)+β44Log(UMP)(it) + β45Inflasi(it) + β46AMH(it)+ β47Initial_poverty(it)+ γZ’(i)+ ε β55Log(PPh)(it)+ γZ’(i) + ε (35)

Log(Konsumsi)(it) = α + β51HCI(it)+ β52Log(Gini)(it)+ β53Inflasi(it)+ β54log(UMP)(it)+ (36)

71

dimana : HCI Log(PDRB) TPT Log(Gini) Log(Konsumsi) Log(Expenditure) = Head Count Index (%) = Logaritma dari Produk Domestik Bruto = Tingkat Pengangguran Terbuka (%) = Logaritma dari indeks gini ratio = Logaritma dari konsumsi rumah tangga/ masyarakat = Logaritma dari pengeluaran pemerintah fungsi kesehatan dan pendidikan Log(DAU) Log(DAK) Log(Pajak) Log(PPh) Log(UMP) Informal AMH Inflasi
γZ’

= Logaritma dari dana alokasi umum = Logaritma dari dana alokasi khusus = Logaritma dari pajak daerah = Logaritma dari pajak penghasilan = Logaritma dari upah minimum provinsi = Proporsi pekerja sektor informal(%) = Literacy rate, angka melek huruf = Tingkat inflasi (%)
= Efek individu

i t ε

= Aceh, Sumut, …, Papua = 2005, 2006, 2007, 2008 = Error model

Model-model tersebut kemudian dilakukan identifikasi model persamaan simultan. Hasilnya seperti yang terlihat pada Tabel 1 , kelima persamaan struktural merupakan persamaan yang overidentified, sehingga dapat dilakukan 72

estimasi

model

persamaan

simultan

dengan

metode

two

stage

least

squares(2SLS). Dimana m = jumlah variabel endogen dalam persamaan struktural; k = jumlah variabel eksogen dalam persamaan structural; K= jumlah variabel eksogen dalam sistem. Tabel 1. Identifikasi Persamaan Simultan Persamaan (1) Log(PDRB) TPT Log(Gini) HCI Log(Konsumsi) m 2 2 3 3 3 k 6 7 4 5 3 K 10 10 10 10 10 K-k > m-1 (5) Ya Ya Ya Ya Ya Identifikasi (6) Overidentified Overidentified Overidentified Overidentified Overidentified

(2) (3) (4)

Selain model persamaan simultan, pada penelitian ini untuk menelaah pertumbuhan sektor apakah yang memiliki pengaruh signifikan terhadap pengentasan tingkat kemiskinan, pengurangan tingkat pengangguran dan perbaikan distribusi pendapatan di Indonesia digunakan 3 model regresi data panel (single equation). Adapun ketiga model regresi data panel tersebut adalah sebagai berikut: TPT(it)= α1 + β11Log(PDRB1)(it) + β12Log(PDRB2)(it) + β13Log(PDRB3)(it) + β14Log(PDRBN)(it) + u1i + ε (37)

HCI(it)= α2 + β21Log(PDRB1)(it) + β22Log(PDRB2)(it) + β23Log(PDRB3)(it) + β24Log(PDRBN)(it) + u2i + ε (38)

GINI(it)= α3 + β11Log(PDRB1)(it) + β32Log(PDRB2)(it) + β33Log(PDRB3)(it) + β34Log(PDRBN)(it) + u3i + ε (39)

73

Dimana : TPT HCI GINI = Tingkat Pengangguran Terbuka (%) = Head Count Index (%) = Logaritma indeks gini ratio

Log(PDRB1) = Logaritma PDRB sektor pertanian Log(PDRB2) = Logaritma PDRB sektor pertambangan Log(PDRB3) = Logaritma PDRB sektor industri pengolahan Log(PDRBN) = Logaritma PDRB sektor non-tradeable ε i t ui = Koefisien individu = Residual model = Aceh, Sumatera Utara, …, Papua; = 2005, 2006, 2007, 2008;

74

BAB IV HASIL DAN PEMBAHASAN

4.1. Gambaran Umum Tingkat Kemiskinan di Indonesia Kemiskinan merupakan salah satu indikator yang dapat menunjukkan emiskinan keberhasilan pembangunan di suatu negara. Tinggi rendahnya angka kemiskinan an dapat menggambarkan kesejahteraan penduduk di suatu negara. Oleh karena itu, angka kemiskinan merupakan salah satu permasalahan mendasar yang biasa menjadi perhatian utama bagi seluruh negara di dunia, tak terkecuali Indonesia.
45 40 Jumlah dalam juta orang 35 30 25 20 15 10 5 0 2005 2006 2007 2008 Total Kota Desa

Sumber : BPS (diolah) Gambar 4. Jumlah penduduk miskin di Indonesia berdasarkan t . tempat tinggal periode 2005 – 2008 Berdasarkan G Gambar 4, jumlah penduduk miskin di Indonesia pada tahun , 2008 adalah 34,96 juta orang atau 15,42 persen dari total penduduk ( n (Gambar 5). Jumlah tersebut tidak begitu mengalami pe ak perubahan jika dibandingkan dengan jumlah penduduk miskin di Indonesia pada tahun 2005 yaitu 35,1 juta jiwa begitupun dari segi persentasenya yaitu 15,97 persen Menurut Faisal Basri persen. enurut 75

(2009), hal tersebut mengindikasikan bahwa pengentasan kemiskinan di Indonesia seperti jalan di tempat. Selain itu, jika diteliti lebih mendalam jumlah penduduk miskin di Indonesia pada tahun 2006 juga sempat meningkat hingga mencapai 39,3 juta jiwa atau 17,75 persen dari total penduduk Indonesia. Menurut World . Bank (2007), hal ini terutama disebabkan oleh meningkatnya angka inflasi kala itu, karena pemerintah menaikkan harga bahan bakar minyak dalam negeri, diikuti na dengan meningkatnya harga beras selama kurun waktu tersebut. eningkatnya

25

20 Persentase penduduk

15 Total 10 Kota Desa 5

0 2005 2006 2007 2008

Sumber : BPS (diolah) Gambar 5. Persentase penduduk miskin di Indonesia berdasarkan tempat tinggal sarkan periode 2005 – 2008 Menurut Kadir (2010 hal. 67), “melonjaknya angka kemiskinan pada (2010, elonjaknya tahun 2006 menunjukkan salah satu dimensi penting dari kemiskinan di Indonesia, yakni tingginya proporsi penduduk yang hidup dengan pengeluaran di sekitar garis kemiskinan (rentan miskin) Banyak penduduk tidak miskin di miskin)”. Indonesia pada dasarnya sangat rentan untuk menjadi miskin (hampir miskin) a atau dengan kata lain tingkat kerentanan untuk jatuh miskin di Indonesia cukup tinggi. 76

Tabel 2. Garis kemiskinan dan persentase penduduk miskin di Indonesia, tahun 2006
Sumber (1) BPS GK per Hari (2) Rp 5.066,57,_ = US$ 1.55 PPP US$ 1 PPP = Rp 3.240,60_ US$ 2 PPP = Rp 6.481,60_ GK per Bulan (3) = Rp 151.997,_ = Rp 97.218,_ = Rp 194.439,_ Persentase Penduduk Miskin (4) 17,8 7,4 49,0

Bank Dunia

Sumber : BPS (2007)

Dengan menggunakan garis kemiskinan Bank Dunia, yakni sebesar 1 dollar dan 2 dollar PPP per hari, maka berdasarkan hasil Survei Sosial Ekonomi Nasional (SUSENAS panel) yang dilakukan oleh BPS, persentase penduduk miskin pada tahun 2006 masing-masing adalah 7,4 persen dan 49,0 persen. Hal ini menunjukkan besarnya jumlah penduduk yang hidup dengan pengeluaran per hari di antara 1 dollar dan 2 dollar PPP, yakni mencapai 42 persen. Dengan demikian, jika terjadi saja sedikit guncangan ekonomi, maka jumlah penduduk miskin akan meningkat secara signifikan (Kadir, 2010). Selain besarnya proporsi penduduk yang rentan miskin, permasalahan lain dari kemiskinan di Indonesia adalah disparitas, baik yang terjadi antara daerah perkotaaan dan perdesaaan maupun antar provinsi. Menurut data BPS (Gambar 4 dan Gambar 5), pada tahun 2008 jumlah penduduk miskin di desa adalah 22,19 juta orang atau 18,93 persen dari total penduduk perdesaan. Jumlah tersebut hampir 2 kalinya dari jumlah penduduk miskin di kota yakni 12,77 juta orang (11,65 persen dari total penduduk perkotaan). Hal ini sepertinya disebabkan oleh ketimpangan kemajuan pembangunan yang terjadi antara daerah perkotaan dan perdesaan. Sebagian besar masyarakat Indonesia hidup di perdesaan dan sebagian 77

besar dari mereka adalah petani. Melihat hal tersebut, sudah seharusnya pembangunan pertanian dan perdesaan tidak lagi dimarjinalkan (Yudhoyono, 2004).

Po DKI =3,86 Po Papua = 35,53

Sumber : BPS (diolah) Gambar 6. Persentase penduduk miskin di Indonesia berdasarkan provinsi tahun 2008 Disparitas kemiskinan tidak terjadi antar perkotaan dan perdesaan saja tetapi juga antar provinsi di Indonesia. Disparitas kemiskinan antar provinsi disebabkan oleh perbedaan karakteristik sosial ekonomi dan perbedaan pola pembangunan yang dilakukan masing-masing provinsi. Gambar 6 dengan jelas menunjukkan bahwa persentase penduduk miskin masing-masing provinsi bervariasi. Dari 30 provinsi yang diteliti, hanya Provinsi DKI Jakarta yang memiliki persentase penduduk miskin dibawah 5 persen yaitu hanya 3,86 persen. Sedangkan, Provinsi Papua dan Papua Barat memiliki persentase penduduk 78

miskin paling tinggi yaitu 35,53 persen.

Selain Provinsi Papua dan Papua Barat,

terdapat 7 provinsi lain yang memiliki persentase penduduk miskin lebih dari 20 penduduk persen, yaitu Provinsi Maluku, Nusa Tenggara Timur, Aceh, Nusa Tenggara , Barat, Lampung, Sulawesi Tengah dan Gorontalo. Hal ini mengindikasikan bahwa masih banyak provinsi di Indonesia yang memiliki tingkat kemiskinan sangat tinggi. Selain itu, dari peta diatas secara jelas juga dapat dilihat bahwa secara umum provinsi-provinsi di kawasan timur Indonesia (KTI) memiliki tingkat provinsi kemiskinan yang lebih tinggi jika dibandingkan dengan provinsi provinsi-provinsi di kawasan barat Indonesia (KBI).

4.2. Gambaran Umum Tingkat Pengangguran Terbuka di Indonesia
12 10 Peresentase penduduk 8 6 4 2 0 2005 2006 2007 2008 10.26 10.45

9.75 8.46

Sumber : BPS (diolah) Gambar 7. Perkembangan Tingkat Pengang Pengangguran Terbuka (TPT) d Indonesia di tahun 200 – 2008 ahun 2005

Selain kemiskinan, masalah krusial lain yang dihadapi oleh Indonesia adalah pengangguran. Dalam periode penelitian, dapat dilihat bahwa terdapat kecenderungan tingkat pengangguran terbuka yang mengalami penurunan dari rungan tahun ke tahun (Gambar 7). Tingkat pengangguran terbuka pada tahun 2005 . 79

mencapai 10,26 persen turun menjadi 8,46 persen pada tahun 2008. Kendati mengalami penurunan, TPT tahun 2008 tersebut masih terbilang cukup tinggi yaitu setara dengan 9,43 juta orang. Namun hal yang patut kita syukuri adalah penurunan tingkat

pengangguran terbuka tidak hanya terjadi pada level nasional saja, melainkan juga pada level provinsi. Gambar 8 dan Gambar 9 menunjukkan keterbandingan tingkat pengangguran terbuka level provinsi pada tahun 2005 dan 2008. Dari gambar-gambar tersebut dapat dilihat bahwa ada perubahan corak warna dominan coklat tua yang berubah menjadi lebih terang yang mengindikasikan terjadinya penurunan tingkat pengangguran terbuka pada sebagian besar provinsi di Indonesia dalam kurun waktu penelitian.

TPT Banten = 16,6%

TPT Gorontalo = 14%

Sumber : BPS (diolah) Gambar 8. Gambaran Tingkat Pengangguran Terbuka (TPT) di Indonesia berdasarkan provinsi tahun 2005

80

Berdasarkan gambar 8, dapat dilihat bahwa pada tahun 2005 terdapat 11 provinsi yang termasuk kelompok provinsi dengan tingkat pengangguran terbuka lebih dari 12,5 persen. Kesebelas provinsi tersebut adalah Aceh, Sumatera Barat, Sumatera Selatan, DKI Jakarta, Jawa Barat, Banten, Sulawesi Utara, Sulawesi Selatan, Gorontalo, Maluku dan Maluku Utara. Sedangkan berdasarkan Gambar 9, dapat dilihat bahwa hanya satu provinsi yang memiliki tingkat pengangguran terbuka yang masih lebih dari 12.5 persen yaitu Provinsi Banten. Hal ini mengindikasikan bahwa tingkat pengangguran yang tinggi selama periode penelitian tersebut telah berkurang.

TPT Banten = 15,18 %

TPT Gorontalo = 5,65 %

Sumber : BPS (diolah) Gambar 9. Gambaran Tingkat Pengangguran Terbuka(TPT) di Indonesia berdasarkan provinsi tahun 2008 Dalam rentang waktu penelitian, Provinsi Gorontalo mencatat penurunan tingkat pengangguran terbuka paling tinggi jika dibandingkan dengan yang lain. Tingkat pengangguran terbuka Provinsi Gorontalo yang semula 14 persen pada 81

tahun 2005 menjadi 5,65 persen pada tahun 2008 atau terjadi penurunan TPT sebesar 8,35 persen. Hal ini tidak terlepas dari peran sektor pertanian yang tumbuh dengan sangat luar biasa di Provinsi Gorontalo (Tabel 3). Pertumbuhan sektor pertanian yang tinggi dapat menyerap jumlah tenaga kerja dalam jumlah banyak sehingga jumlah pengangguran dapat berkurang. Provinsi Gorontalo dapat menjadi contoh yang tepat bagi provinsi lain dalam menurunkan tingkat pengangguran terbukanya lewat pembangunan sektor pertanian. Tabel 3. Perkembangan PDRB sektor pertanian dan Tingkat Pengangguran Terbuka (TPT) Provinsi Gorontalo periode 2004 - 2008
Tahun (1) 2004 2005 2006 2007 2008 PDRB pertanian (juta rupiah) (2) 575.307,4 618.182,1 667.259,9 716.115,4 774.000,0 Pertumbuhan PDRB pertanian (%) (3) 7,5 7,9 7,3 8,1 TPT (%) (4) 14,0 7,6 7,2 5,7

Sumber : BPS (diolah)

4.3. Gambaran Umum Ketimpangan Distribusi Pendapatan di Indonesia Permasalahan berikutnya yang tidak kalah penting dibandingkan permasalahan yang telah dibahas sebelumnya adalah ketimpangan distribusi pendapatan di Indonesia. Dari Gambar 10, dapat dilihat bahwa dalam periode penelitian 2005 – 2008, secara umum terdapat kecenderungan distribusi pendapatan yang semakin tidak merata yang ditunjukkan oleh indeks gini ratio Indonesia yang meningkat dari 0,343 pada tahun 2005 menjadi 0,368 pada tahun 2008. Dari Gambar 10 juga dapat dilihat bahwa distribusi pendapatan yang semakin timpang bukanlah fenomena yang terjadi di level nasional dan perkotaan 82

saja melainkan juga terjadi di perdesaan meskipun pada level yang lebih rendah. Indeks gini ratio perdesaan di Indonesia meningkat dari 0,264 pada tahun 2005 menjadi 0,3 pada tahun 2008. Sedangkan indeks gini ratio perkotaan me meningkat dari 0,338 pada tahun 2005 menjadi 0,367 pada tahun 2008. Hal ini menunjukkan distribusi pendapatan baik di perdesaan maupun di perkotaan semakin tidak merata.
0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0 2005 2006 2007 2008

Kota+Desa Kota Desa

Sumber : BPS (diolah) Gambar 10. Perkembangan indeks gini ratio di Indonesia berdasarkan tempat tinggal tahun 2005 – 2008 inggal

Distribusi pendapatan yang diindikasikan semakin tidak merata juga tribusi terjadi pada level provinsi. Gambar 11 dan Gambar 12 menunjukkan i keterbandingan indeks gini ratio level provinsi pada tahun 2005 dan 200 Dari 2007. gambar tersebut dapat dilihat bahwa ada perubahan corak warna dominan hijau terang yang berubah menjadi lebih gelap Hal tersebut mengindikasikan terjadinya gelap. peningkatan indeks gini ratio yang menunjukkan distribusi pendapatan semakin ibusi tidak merata pada sebagian besar provinsi di Indonesia. Dari Gambar 11, dapat dilihat bahwa pada tahun 2005 hanya ada 12 , provinsi yang memiliki indeks gini ratio lebih dari 0,33. Provinsi tersebut adalah Bengkulu, Lampung, Banten, Jawa Barat, D.I. Yogyakarta, Jawa Timur, Bali, 83

NTT, Papua, Sulawesi Selatan, Gorontalo dan Sulawesi Tenggara. Sedangkan pada tahun 2008 (Gambar 12), selain 12 provinsi tersebut terdapat 4 tambahan provinsi yang memiliki indeks gini ratio lebih dari 0,33 yaitu Provinsi DKI Jakarta, Kalimantan Timur, Kalimantan Selatan dan Maluku Utara. Hal ini mengindikasikan bahwa semakin banyak provinsi yang memiliki distribusi pendapatan yang semakin tidak merata di Indonesia dalam periode penelitian.

Sumber : BPS (diolah) Gambar 11. Gambaran tingkat ketimpangan distribusi pendapatan di Indonesia berdasarkan provinsi tahun 2005

Indikasi distribusi pendapatan yang semakin tidak merata juga didukung oleh fakta lain yang ditemukan pada data penelitian. Dari 30 provinsi yang menjadi observasi penelitian, hanya terdapat 7 provinsi yang mengalami perbaikan indeks gini ratio. Provinsi tersebut adalah Provinsi Aceh, Sumatera Utara, Bengkulu, Bangka Belitung, D.I. Yogyakarta, Jawa Timur dan Sulawesi Tenggara. Namun demikian, hanya 3 provinsi yang berhasil untuk naik ke interval 84

indeks gini ratio yang lebih baik, yaitu Provinsi Sumatera Utara, Provinsi Bangka Belitung dan Provinsi Aceh.

Sumber : BPS (diolah) Gambar 12. Gambaran tingkat ketimpangan distribusi pendapatan di Indonesia berdasarkan provinsi tahun 2007

4.4. Gambaran Umum Pertumbuhan Ekonomi di Indonesia Apabila ditinjau dari sisi Produk Domestik Bruto (PDB), secara umum kinerja perekonomian Indonesia selama periode 2005 – 2008 sudah cukup baik. Berdasarkan Gambar 13, dapat dilihat bahwa selama periode penelitian Produk Domestik Bruto atas dasar harga konstan tahun 2000 (PDB ADHK/PDB riil) cenderung mengalami peningkatan dari 1.750,8 triliun rupiah pada tahun 2005 menjadi 2.082,1 triliun rupiah pada tahun 2008.

85

2200 Dalam triliun rupiah 2100 2000 1900 1800 1700 1600 1500 2005 2006 2007 2008 1750.8 1847.1 1963.1 2082.1

Sumber : BPS (diolah) Gambar 13. Perkembangan PDB atas dasar harga konstan tahun 2000

Pertumbuhan ekonomi yang terjadi dalam kurun waktu tersebut juga cukup tinggi dan cenderung mengalami peningkatan, dari 5,6 persen per tahun pada 2005 menjadi 6,1 persen per tahun pada 2008 (Gambar 14). Meskipun pada tahun 2006 dan tahun 2008, pertumbuhan ekonomi mengalami kontraksi yang disebabkan oleh kenaikan harga BBM dan krisis global namun pengaruhnya tidak terlalu besar; kontraksi tersebut hanya menurunkan pertumbuhan ekonomi sebesar 0,1 persen dan 0,2 persen. Menurut BPS (2009), hal tersebut mengindikasikan bahwa secara umum, kinerja perekonomian dalam rentang 2005 – 2008 menunjukkan kemajuan yang menggembirakan.
6.4 6.2 6 5.8 5.6 5.4 5.2 5 6.3 6.1 5.6

dalam persen

5.5

2005

2006

2007

2008

Sumber : BPS (diolah) Gambar 14. Perkembangan pertumbuhan ekonomi Indonesia periode 2005 - 2008 86

Seperti yang telah dijelaskan sebelumnya, perekonomian Indonesia tumbuh dengan mantap beberapa tahun terakhir. Namun, menurut Faisal Basri (2009) pertumbuhan ekonomi Indonesia itu sendiri tidak berjalan sebagaimana seharusnya, karena ternyata sangat tidak seimbang. Pertumbuhan ekonomi tidak seimbang yang dimaksud oleh beliau adalah pertumbuhan ekonomi Indonesia yang terlalu bertumpu pada perkembangan sektor jasa-jasa yang tidak dapat diperdagangkan secara internasional dengan leluasa (non-tradeable), sedangkan sektor barang yang erat kaitannya dengan produksi dan perdagangan dalam pengertian konvensional (tradeable) mengalami pertumbuhan yang cenderung semakin rendah (Basri, 2009). Tabel 4. Perkembangan pertumbuhan PDB (%) per sektor di Indonesia tahun 2005-2008
Sektor (1) A. Tradeable Pertanian Pertambangan dan Penggalian Manufaktur B. Non-Tradeable Listrik, Gas, Air Konstruksi Perdagangan, Hotel dan Restoran Transportasi dan Komunikasi Keuangan Jasa-Jasa Umum GDP 2005 (2) 3,5 2,5 1,6 4,6 8,0 6,5 7,3 8,6 13,0 7,1 5,2 5,6 2006 (3) 3,7 3,0 2,2 4,6 7,4 5,9 9,0 6,1 13,6 5,7 6,2 5,5 2007 (4) 3,8 3,5 2,0 4,7 9,0 10,4 8,6 8,5 14,4 8,0 6,6 6,3 2008 (5) 3,5 4,8 0,7 3,7 8,5 10,9 7,5 6,9 16,6 8,2 6,2 6,0

Sumber : Basri (2009) Data pada Tabel 4 menegaskan pernyataan yang telah disampaikan sebelumnya. Dari Tabel 4 dapat dilihat bahwa sektor tradeable yang terdiri atas sektor pertanian, pertambangan, dan industri pengolahan dalam periode 2005 – 2008, tingkat pertumbuhannya hanya antara 3,5 – 3,8 persen per tahun. Sektor 87

pertanian, sektor yang paling banyak menyerap tenaga kerja dan paling diandalkan sebagai sumber pendapatan sebagian besar rakyat hanya memiliki tingkat pertumbuhan sebesar 2,5 persen pada tahun 2005. Namun demikian, hal yang patut kita syukuri adalah terdapat kenaikan pertumbuhan sektor pertanian dari tahun ke tahun, yang mengindikasikan bahwa sektor pertanian mulai diperhatikan kembali. Sektor berikutnya yang juga banyak menyerap tenaga kerja adalah sektor industri pengolahan. Dari Tabel 4 juga dapat dilihat bahwa tingkat pertumbuhan sektor industri pengolahan dalam periode 2005 – 2007 stagnan pada kisaran 4,6 – 4,7 persen. Gambaran kontras dapat kita lihat pada sektor non-tradeable yang secara keseluruhan selama periode 2005 – 2008 mengalami pertumbuhan 2 – 3 kali lipat lebih tinggi dari pertumbuhan sektor tradeable. Pertumbuhan sektor nontradeable per tahun dalam periode penelitian antara 7,4 – 9,0 persen. Pertumbuhan PDB sektor non-tradeable terutama ditopang oleh pertumbuhan dari sektor komunikasi dan transportasi dan keuangan yang merupakan sektor-sektor yang padat teknologi dan minim penyerapan tenaga kerja. Dari Tabel 4 juga dapat dilihat bahwa sektor transportasi dan komunikasi memiliki tingkat pertumbuhan antara 13 – 16,6 persen per tahun dalam periode 2005 – 2008. Sektor ini terutama ditopang oleh pertumbuhan subsektor komunikasi lebih spesifik lagi telepon seluler. Sektor keuangan juga memiliki tingkat pertumbuhan yang tinggi. Dalam periode penelitian, sektor keuangan memiliki tingkat pertumbuhan antara 5,7 – 8,2 persen per tahun. Ironinya pertumbuhan nilai tambah yang tinggi terjadi pada sektor-sektor non-tradeable yang padat teknologi dan minim penyerapan tenaga kerja. Hanya 88

segelintir orang yang dapat bekerja di sektor ini. Sedangkan mayoritas penduduk, hanya akan menjadi konsumen saja. Contohnya adalah sektor keuangan subsektor perbankan. Menurut Faisal Basri (2009 hal. 45), “yang dapat menjadi produsen di (2009, sektor ini hanya kalangan professional perbankan, dan mereka inilah yang dapat dan menikmati keuntungan dan buah pertumbuhan yang pesat, sementara orang orang-orang lain sekadar menjadi nasabah atau pasar Berdasarkan Gambar 15, pada tahun pasar”. 2008 penduduk yang bekerja di sektor keuangan hanya 2 persen dari total seluruh penduduk yang bekerja di Indonesia. Contoh lainnya adalah sektor transportasi dan komunikasi subsek subsektor telepon seluler. Hal yang serupa dengan sektor keuangan juga terjadi pada sektor transportasi dan komunikasi dimana orang komunikasi, yang bisa berkerja disana hanya segelintir orang yang memiliki kompetensi dengan spesifikasi tertentu di bidang IT dan orang - orang inilah yang dapat menikmati keuntungan dan buah pertumbuhan yang pesat pada sektor ini, sedangkan mayoritas penduduk hanya akan menjadi konsumen dan berperan menopang sektor ini. Berdasarkan Gambar 15, pada tahun 2008 penduduk yang , bekerja di sektor ini hanya 6 persen dari seluruh penduduk yang bekerja di Indonesia.
Keuangan 2% Jasa-jasa 13% Pertanian 40% Perdagangan 21% Industri 12% Pertambangan 1%

Pengangkutan dan komunikasi 6%

Bangunan 5%

LGA 0%

Sumber : BPS (diolah) Gambar 15. Proporsi pekerja menurut lapangan usaha utama di Indonesia 2008 89

Menurut Todaro (2003, hal. 219), “sudah jelas bahwa pembangunan memerlukan PDB yang tinggi dan pertumbuhan yang cepat. Namun masalah dasarnya bukan hanya bagaimana menumbuhkan PDB, tetapi siapakah yang menumbuhkan PDB, sejumlah besar masyarakat yang ada di dalam sebuah negara ataukah hanya segelintir orang di dalamnya. Jika yang menumbuhkannya hanyalah orang-orang kaya yang berjumlah sedikit, maka manfaat

pertumbuhannya itu pun hanya dinikmati oleh mereka saja, sehingga kemiskinan dan ketimpangan pendapatan akan semakin parah. Namun jika pertumbuhan dihasilkan oleh orang banyak, mereka pulalah yang akan memperoleh manfaat terbesarnya dan manfaat pertumbuhan ekonomi akan terbagi secara lebih merata”.

4.5. Model Persamaan Simultan Untuk menjawab tujuan penelitian yang kedua yaitu menjelaskan peran pertumbuhan ekonomi dan intervensi pemerintah terhadap tingkat kemiskinan, tingkat pengangguran terbuka dan tingkat ketimpangan distribusi pendapatan di Indonesia, penulis menggunakan model persamaan simultan. Model persamaan simultan yang digunakan dalam penelitian terdiri atas 5 persamaan structural dan 5 persamaan reduced. Sebagaimana tersaji pada Tabel 5 dan Tabel 6, hasil estimasi dengan menggunakan Eviews 6.0 menunjukkan bahwa secara umum sebagian besar tanda koefisien dari variabel yang digunakan telah sesuai dengan yang diharapkan (sesuai dengan kriteria ekonomi). Secara statistik, model yang digunakan valid, ditunjukkan oleh nilai F-Statistic semua persamaan structural dan reduced hasil estimasi signifikan pada taraf nyata 1 persen, yang menunjukkan variabel-variabel 90

penjelas yang digunakan pada setiap persamaan structural dan reduced secara simultan (bersama-sama) signifikan dalam mempengaruhi variabel tak bebas. Nilai Adjusted R-Squared dari persamaan-persamaan yang digunakan juga cukup besar, menunjukkan besarnya proporsi variasi dari variabel tak bebas yang bisa dijelaskan oleh variabel bebas di masing-masing model sudah baik. Model estimasi fixed effect digunakan untuk mengestimasi persamaan structural dan persamaan reduced yang ada. Selain itu, terdapat persamaan yang menggunakan metode estimasi cross section weight. Hal ini dikarenakan melalui uji Lagrange Multiplier untuk struktur varians dan kovarians residual secara statistik dapat dibuktikan bahwa struktur varians dan kovarians dari residual yang dimiliki beberapa model adalah heteroskedastik. Oleh karena itu, estimasi dengan metode 2SLS dilakukan dengan EGLS (Cross section weight) untuk

mengakomodasi terjadinya pendugaan yang tidak efisien akibat pelanggaran terhadap asumsi homoskedastisitas. Selain itu, digunakan pula Cross section SUR (PCSE) sebagai injeksi awal pada struktur varians dan kovarians untuk

mengantisipasi adanya gangguan correlation antar cross-section pada saat permodelan. Selain pengujian terhadap asumsi homoskedastisitas, persamaan structural dan persamaan reduced yang digunakan pada model persamaan simultan juga telah lolos asumsi normalitas (Lampiran 8 dan 9). Sedangkan untuk pengujian asumsi non-autokorelasi, penulis menggunakan statistik uji Durbin Watson, dimana semua model secara statistik dapat dinyatakan lolos asumsi nonautokorelasi. Model yang telah melewati tahapan pengujian asumsi dapat diinterpretasikan seperti yang dapat dilihat pada sub-bab berikutnya. 91

Tabel 5. Model persamaan struktural
Persamaan Struktural (1) I Variabel Dependen (2) Log(PDRB) C Log(Konsumsi) Log(Expenditure_EH) Log(DAU) Log(DAK) Log(Pajak_Daerah) Inflasi Informal II TPT C Log(PDRB) Log(UMP) Inflasi Informal III Log(Gini) C Log(PDRB) TPT Log(UMP) Log(PPh) Log(DAU) Log(DAK) IV HCI C Log(PDRB) TPT Log(Expenditure_EH) Log(UMP) Inflasi AMH Initial_poverty V Log(Konsumsi) C HCI Log(Gini) Inflasi Log(UMP) Log(PPh) Variabel Independen (3) Koefisien (4) 0,515026 0,421530 -0,006829 0,083409 0,004507 0,050593 0,000781 0,000432 203,170200 -18,977350 -0,175465 0,027905 -0,011152 -13,656370 1,310323 0,018237 -0,302721 -0,022684 -0,030086 0,092078 77,204150 -1,067156 0,380990 -0,186314 -4,572052 0,033628 -0,317823 0,476724 16,022300 -0,023743 -0,037457 -0,001322 0,168581 -0,016434 ** ** ** ** ** ** ** ** ** ** R-squared Adj. R-squared Prob(F-statistic) DW 0,999990 0,999984 0,000000 2,336123 ** ** ** R-squared Adj. R-squared Prob(F-statistic) DW 0,998559 0,997580 0,000000 2,619161 ** ** ** ** R-squared Adj. R-squared Prob(F-statistic) DW 0,936430 0,895227 0,000000 2,636830 * ** ** R-squared Adj. R-squared Prob(F-statistic) DW 0,965252 0,944776 0,000000 2,158733 ** ** ** R-squared Adj. R-squared Prob(F-statistic) DW Ringkasan Statistik (5) 0,999970 0,999950 0,000000 2,421472

Catatan : **signifikan pada taraf nyata 5 persen ; * taraf nyata 10 persen

92

Tabel 6. Model persamaan reduced form
Persamaan Reduced Form Variabel Independen I Log(PDRB) (1) C Log(Exp_EH) Log(DAU) Log(DAK) Log(Pajak_Daerah) Log(PPh) Log(UMP) Inflasi AMH Initial_poverty Informal (2) 7.285466 -0.007394 0.058078 -0.006500 0.067969 -0.024766 0.335243 0.000618 -0.013522 0.006012 0.000292 ** ** * * ** ** II TPT (3) 103.888000 -0.765999 -1.815072 -1.649230 -0.173907 0.561297 -4.669848 -0.008713 0.253548 -0.432929 -0.085676 ** ** ** ** ** ** ** III Log(Gini) (4) -8.109806 0.003808 -0.007099 0.064772 0.361472 -0.034928 -0.128939 0.003405 -0.007742 0.010926 0.005682 * ** ** ** ** ** ** ** IV HCI (5) 115.295700 -0.388557 -0.323197 -0.620395 -1.922230 0.181279 -6.370804 0.043509 -0.029176 0.344204 -0.010444 ** ** ** ** ** ** ** V Log(Konsumsi) (6) 13.516930 0.008080 0.083596 -0.021476 0.017667 -0.039151 0.224892 -0.001478 0.007198 -0.010260 0.000959 ** ** ** * ** * ** * ** **

R-squared Adjusted R-squared Prob(F-statistic)

0.999753 0.999560 0.000000

0.976477 0.958129 0.000000

0.811668 0.664769 0.000000

0.999837 0.999710 0.000000

0.999987 0.999977 0.000000

Catatan : **signifikan pada taraf nyata 5 persen ; * taraf nyata 10 persen

4.6. Peran Pertumbuhan Ekonomi Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia Dari persamaan structural IV, dapat dinyatakan bahwa pertumbuhan ekonomi tidak terbukti signifikan dalam menurunkan persentase penduduk miskin secara langsung. Namun demikian, sesuai dengan teori Okun’s Law dan bukti empiris dari persamaan structural II, dengan tingkat keyakinan 95 persen, pertumbuhan ekonomi dapat menciptakan lapangan kerja baru yang dapat tersebut dapat menyebabkan

menyerap tenaga kerja, dimana penyerapan penurunan

tingkat pengangguran terbuka (TPT) dengan signifikan. Setiap

pertumbuhan ekonomi sebesar 1 persen menyebabkan penurunan TPT sebesar 18,98 persen saat kondisi cateris paribus. 93

Tingkat pengangguran terbuka (TPT) yang turun menyebabkan penurunan persentase penduduk miskin (HCI). Dengan tingkat keyakinan 95 persen, setiap penurunan tingkat pengangguran terbuka (TPT) sebesar 1 persen dapat

menyebabkan persentase penduduk miskin turun 0,38 persen. Sehingga dapat disimpulkan bahwa meskipun secara langsung tidak memiliki pengaruh, namun dengan menurunkan tingkat pengangguran terbuka, pertumbuhan ekonomi secara tidak langsung dapat menyebabkan penurunan persentase penduduk miskin di Indonesia. Hasil yang diperoleh sesuai dengan penelitian yang dilakukan oleh BPS dalam publikasi “Analisis Kemiskinan, Ketenagakerjaan dan Distribusi Pendapatan” tahun 2009. Dalam publikasi tersebut, BPS menyatakan bahwa pertumbuhan ekonomi tidak terbukti signifikan menurunkan tingkat kemiskinan. Adapun yang signifikan mempengaruhi tingkat kemiskinan adalah tingkat pengangguran terbuka (TPT). Dimana setiap pertumbuhan tingkat pengangguran terbuka sebesar 1 persen dapat menyebabkan tingkat kemiskinan meningkat 0,071 persen. Hasil ini tentu saja memperkuat dugaan bahwa pengangguran merupakan salah satu penyebab kemiskinan. Dari persamaan structural III, dapat disimpulkan bahwa dengan tingkat keyakinan 95 persen pertumbuhan ekonomi secara langsung signifikan menyebabkan distribusi pendapatan semakin timpang di Indonesia. Setiap pertumbuhan ekonomi sebesar 1 persen dapat menyebabkan pertumbuhan indeks gini ratio sebesar 1,31 persen. Hal ini dikarenakan pertumbuhan ekonomi hanya dinikmati oleh sebagian kecil penduduk saja. Berdasarkan data BPS tahun 2008, hampir 45 persen dari “kue pembangunan” dinikmati oleh 20 persen penduduk 94

dengan pendapatan tertinggi, sedangkan 40 persen penduduk dengan pendapatan terendah hanya menikmati 19,5 persen saja. Menurut Todaro (2003), pembangunan sudah jelas memerlukan produk domestik bruto (PDB) yang tinggi dan pertumbuhannya yang cepat. Namun masalah dasarnya bukan hanya bagaimana menciptakan pertumbuhan PDB, tetapi siapakah yang menumbuhkan PDB, sejumlah besar masyarakat yang ada di dalam negara ataukah hanya segelintir orang saja. Jika yang menumbuhkannya hanyalah orang-orang kaya berjumlah sedikit, maka manfaat pertumbuhan PDB itupun hanya akan dinikmati oleh mereka saja, sehingga ketimpangan pendapatan akan semakin parah. Namun jika pertumbuhan dihasilkan oleh orang banyak, mereka pulalah yang akan memperoleh manfaat terbesarnya, dan buah pertumbuhan ekonomi akan terbagi secara lebih merata. Tabel 7. Distribusi pendapatan (%) dan rasio gini Indonesia 2002 - 2008
Kelompok Penduduk (1) 40% terendah 40% menengah 20% teratas Rasio Gini 2002 2003 2004 2005 2006 2007 2008 (2) (3) (4) (5) (6) (7) (8) 20,9 20,6 20,8 18,8 19,8 19,1 19,5 36,9 37,1 37,1 36,4 38,1 36,1 35,7 42,2 42,3 42,1 44,8 42,2 44,8 44,8 0,33 0,32 0,32 0,34 0,36 0,38 0,37

Sumber : Kuncoro (2010) Namun demikian, pertumbuhan ekonomi akan mengurangi tingkat pengangguran terbuka, dimana pengurangan ini akan berdampak negatif pada pertumbuhan indeks gini ratio. Dengan kata lain, berkurangnya tingkat pengangguran terbuka (TPT) dapat menyebabkan distribusi pendapatan lebih merata. Dari persamaan structural III, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa setiap penurunan tingkat pengangguran terbuka (TPT)

sebesar 1 persen dapat berdampak negatif pada pertumbuhan indeks gini ratio 95

sebesar 0,018 persen. Sehingga secara tidak langsung, dapat dikatakan bahwa pertumbuhan ekonomi berdampak negatif pada pertumbuhan ketimpangan distribusi pendapatan. Berkurangnya ketimpangan distribusi pendapatan dan persentase

penduduk miskin akibat penurunan TPT, secara tidak langsung akan semakin mempercepat pertumbuhan ekonomi. Hal ini dikarenakan dengan penurunan persentase penduduk miskin dan distribusi pendapatan yang lebih merata, pengeluaran konsumsi masyarakat menjadi meningkat, dimana peningkatan tersebut secara langsung akan memacu pertumbuhan ekonomi. Dari persamaan structural I, dengan tingkat keyakinan 95 persen, dapat disimpulkan bahwa setiap pertumbuhan konsumsi sebesar 1 persen menyebabkan pertumbuhan ekonomi sebesar 0,42 persen. Menurut Keyness, pengeluaran agregat, dalam hal ini pengeluaran masyarakat atas barang dan jasa, merupakan faktor utama yang menentukan tingkat kegiatan ekonomi yang dicapai suatu negara. Namun sebaliknya, jika persentase penduduk miskin meningkat dan distribusi pendapatan melebar maka pertumbuhan ekonomi secara tidak langsung akan terhambat. Dari persamaan structural V, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa peningkatan Head Count Index (HCI) ataupun persentase penduduk miskin sebesar 1 persen dapat berdampak negatif pada pertumbuhan konsumsi rumah tangga sebesar 0,023 persen. Sedangkan dari persamaan yang sama, setiap pertumbuhan indeks gini ratio sebesar 1 persen dapat berdampak negatif pada pertumbuhan konsumsi rumah tangga sebesar 0,037 persen. Hasil ini sesuai dengan teori virtuous circle, Soeharsono Sagir dalam buku “Kapita Selekta Ekonomi Indonesia” tahun 2009, dimana peningkatan 96

pendapatan penduduk miskin, dalam hal ini penurunan persentase penduduk miskin dan distribusi pendapatan yang lebih merata akan menyebabkan peningkatan konsumsi dan secara tidak langsung akan memacu pertumbuhan ekonomi.
Economic Growth

Increased productive capacity

Productive Capacity

Higher Expenditure

Employment With Rising Productivity

Higher income of the Poor

Sumber : Sagir (2009) Gambar 16. Teori Lingkaran Setan Kemiskinan (Virtuous Circle)

Oleh karena itu, pertumbuhan ekonomi memiliki kaitan yang erat dan peran yang penting sekali dalam mengatasi permasalahan pengangguran, kemiskinan dan ketimpangan distribusi pendapatan. Pertumbuhan ekonomi

harus dipacu terutama pada sektor-sektor tradeable yang dapat menyerap tenaga kerja yang banyak sehingga menurunkan tingkat pengangguran terbuka. Penurunan tingkat pengangguran terbuka dapat menyebabkan

pengurangan tingkat kemiskinan dan distribusi pendapatan yang lebih merata. Kemudian penurunan persentase penduduk miskin dan distribusi pendapatan yang lebih merata secara tidak langsung akan berimplikasi terhadap percepatan laju 97

pertumbuhan ekonomi. Hasil ini sesuai dengan penelitian Faisal Basri dalam buku “Lanskap Ekonomi Indonesia” tahun 2009. Beliau menyatakan bahwa bagi negara berkembang yang jutaan penduduknya masih menganggur, sektor

tradeable atau barang lebih menguntungkan untuk dikembangkan, karena dapat menyerap begitu banyak tenaga kerja dan keuntungannya dapat dinikmati oleh banyak pihak. Namun faktanya, seperti yang telah dijelaskan pada analisis deskriptif, sektor tradeable justru semakin tertekan di Indonesia. Sektor tradeable tumbuh 34 persen per tahun, sedangkan pertumbuhan sektor non-tradeable justru berkisar antara 8 – 9 persen per tahun. Menurut Faisal Basri, pertumbuhan ekonomi yang timpang inilah yang menjadi salah satu penyebab utama, mengapa pengangguran dan kemiskinan sulit teratasi serta ketimpangan distribusi pendapatan semakin melebar padahal pertumbuhan ekonomi Indonesia berkisar antara 5-6 persen per tahun. Penjelasan lebih lanjut mengenai pertumbuhan PDB sektor apa yang harus dikembangkan akan dijelaskan pada sub bab terakhir pada bab ini.

4.7. Peran Intervensi Pemerintah Terhadap Kemiskinan, Pengangguran dan Ketimpangan distribusi Pendapatan Pengeluaran pemerintah menurut fungsi kesehatan dan pendidikan Dari persamaan structural I dan reduced I, secara statistik tidak dapat dibuktikan bahwa pengeluaran pemerintah untuk kesehatan dan pendidikan berpengaruh terhadap pertumbuhan ekonomi. Pada dasarnya, pengeluaran pemerintah merupakan salah satu instrumen penting bagi pemerintah untuk mengendalikan tingkat pertumbuhan 98 ekonomi. Peningkatan pengeluaran

pemerintah merupakan kebijakan fiskal ekspansi dalam upaya meningkatkan pertumbuhan ekonomi. Sedangkan penurunan pengeluaran pemerintah merupakan kebijakan fiskal kontraksi, sebagai upaya menurunkan tingkat pertumbuhan ekonomi. Namun, pengeluaran kesehatan dan pendidikan berbeda karena tidak signifikan mempengaruhi pertumbuhan ekonomi. Menurut Todaro (2003), pengeluaran untuk kesehatan dan pendidikan merupakan investasi modal manusia (human capital investment) dimana

dampaknya terhadap pertumbuhan ekonomi tidak dapat dirasakan pada tahun tersebut namun pada tahun-tahun yang akan datang. Todaro melakukan ilustrasi sederhana untuk menjelaskan hubungan antara pengeluaran untuk kesehatan dan pendidikan terhadap pendapatan. Todaro mengambil contoh pengambilan keputusan seseorang untuk melanjutkan sekolah. Skema Todaro mengasumsikan bahwa seseorang bekerja saat lulus sekolah hingga meninggal di usia 66 tahun, yang merupakan usia harapan hidup penduduk dunia saat itu. Lulusan sekolah dasar dan sekolah tingkat atas diasumsikan masing-masing mulai bekerja pada usia 13 dan 17 tahun. Dari Gambar 17 dapat disimpulkan bahwa bagi seseorang yang memutuskan untuk melanjutkan sekolah ke tingkat atas akan mengorbankan 4 tahun pendapatan yang diperolehnya kalau bekerja karena memilih untuk bersekolah. Hal ini merupakan biaya tidak langsung, di samping itu terdapat biaya langsung berupa uang sekolah, buku-buku dan lain-lain. Namun selama sisa hidupnya, dia akan memperoleh penghasilan yang lebih besar setiap tahunnya daripada jika ia bekerja dengan berbekal ijazah SD saja.

99

Pendapatan Biaya Tidak Langsung Manfaat Lulusan Sekolah Dasar Lulusan Sekolah Atas

13

17 Biaya Langsung

66

Umur

Sumber : Todaro (2003) Gambar 17. Trade-off finansial dalam pengambilan keputusan untuk melanjutkan Sekolah Hal tersebut jika kita analogikan dengan permasalahan yang ada dapat menjelaskan hubungan yang cukup unik antara pengeluaran untuk kesehatan dan pendidikan dengan pertumbuhan ekonomi. Dalam jangka pendek (short term), pengeluaran pemerintah untuk kesehatan dan pendidikan akan terasa seperti biaya “pemborosan”, sehingga dapat menghambat pertumbuhan ekonomi. Namun dalam jangka panjang (long term), pengeluaran pemerintah untuk kesehatan dan pendidikan sekarang akan menghasilkan sumber daya manusia Indonesia yang lebih berkualitas, lebih terampil dan lebih produktif pada masa yang akan datang, sehingga akan memacu pertumbuhan ekonomi, seperti yang dijelaskan dalam ilustrasi sederhana dari Todaro tersebut. Pengeluaran pemerintah untuk kesehatan dan pendidikan penting keberadaannya bagi sebagian besar penduduk, terutama penduduk miskin di Indonesia. Pengeluaran pemerintah untuk kesehatan dan pendidikan secara langsung memang terbukti tidak signifikan menurunkan persentase penduduk 100

miskin seperti yang terlihat di persamaan structural IV. Namun pengeluaran pemerintah untuk kesehatan dan pendidikan bagaimanapun tetap diperlukan dan sangat membantu kaum menengah ke bawah tersebut. Dengan pengeluaran pemerintah untuk kesehatan dan pendidikan dapat berupa subsidi ataupun bantuan langsung, pendapatan yang seharusnya digunakan penduduk untuk biaya mereka manfaatkan

kesehatan dan pendidikan dapat mereka simpan ataupun

untuk membuka usaha yang produktif. Hal ini dibuktikan oleh persamaan reduced II, dimana dengan tingkat keyakinan 95 persen dapat disimpulkan

bahwa pengeluaran pemerintah untuk kesehatan dan pendidikan signifikan menurunkan persentase pengangguran. Setiap pertumbuhan pengeluaran

pemerintah untuk kesehatan dan pendidikan sebesar 1 persen dapat menurunkan TPT sebesar 0,77 persen. Penurunan tingkat pengangguran terbuka berimplikasi terhadap penurunan persentase penduduk miskin. Dari persamaan reduced IV, dapat disimpulkan bahwa, dengan tingkat keyakinan 95 persen pengeluaran pemerintah untuk kesehatan dan pendidikan signifikan dalam menurunkan persentase penduduk miskin. Setiap pertumbuhan pengeluaran pemerintah untuk kesehatan dan pendidikan sebesar 1 persen akan menurunkan tingkat kemiskinan (HCI) Indonesia sebesar 0,39 persen. Oleh karena pengaruhnya yang positif terhadap penurunan TPT dan pengentasan kemiskinan, hendaknya pengeluaran pemerintah untuk kesehatan dan pendidikan lebih ditingkatkan. Tabel 8 menunjukkan proporsi pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap PDB beberapa negara di Asia. 101

Tabel 8. Rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap PDB (%) beberapa negara di Asia tahun 2001 - 2009
Negara (1) Japan Malaysia Australia Thailand Singapore Brunei Darussalam Sri lanka Indonesia Phillippines Bangladesh Kamboja 2001 (2) 10,6 8,8 5,2 5,5 5,4 6,0 3,3 3,3 3,6 3,2 2,1 2002 (3) 10,7 9,4 5,2 5,9 5,3 6,7 3,8 3,3 3,6 3,0 2,7 2003 (4) 10,9 9,1 5,2 5,5 5,3 8,5 3,6 3,9 3,3 2,9 2,5 2004 (5) 10,8 7,4 5,3 5,1 4,4 4,3 3,6 3,4 2,9 2,9 2,4 2005 (6) 10,9 6,8 5,3 4,6 4,1 5,4 4,4 3,3 2,7 2,7 2,3 2006 (7) 10,9 7,1 5,3 4,3 3,7 4,8 4,7 4,0 2,7 2,8 2,4 2007 (8) 11,0 7,5 5,1 4,5 3,7 4,4 4,5 4,1 2,8 2,9 2,4 2008 (9) 11,2 7,8 5,3 5,0 4,1 … 4,0 4,1 2,8 2,7 2,4 2009 (10) … 9,4 5,6 … … … 3,6 … 3,4 … …

Sumber : ADB Database

Dari Tabel 8 dapat dilihat bahwa pengeluaran pemerintah untuk kesehatan dan pendidikan Indonesia relatif lebih kecil dibandingkan negara-negara tetangga, terutama: Singapura, Malaysia, Thailand dan Brunei Darussalam. Proporsi pengeluaran pemerintah untuk kesehatan dan pendidikan terbesar adalah negara Jepang. Jepang kemudian juga secara konsisten bertahan dengan pengeluaran untuk kesehatan dan pendidikan yang lebih dari 10 persen dari PDB-nya tiap tahun. Indonesia sendiri hanya memiliki proporsi pengeluaran pemerintah untuk kesehatan dan pendidikan berkisar 3-4 persen dari PDB tiap tahunnya atau berada pada urutan 8 dari 11 negara pada Tabel 8. Proporsi pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap PDB Indonesia hanya unggul tipis dari Filipina, Bangladesh dan Kamboja. Oleh karena itu, pengeluaran pemerintah untuk kesehatan dan pendidikan Indonesia hendaklah harus ditingkatkan.

102

Aceh RIAU Maluku Jambi DKI Jakarta Sumatera Barat Bengkulu Kalimantan Timur Kalimantan Selatan Nusa Tenggara Timur Kalimantan Tengah Jawa Tengah Sumatera Selatan Kalimantan Barat Sulawesi Tengah Nusa Tenggara Barat Jawa Timur Lampung Gorontalo D.I. Yogyakarta Sulawesi Tenggara Sulawesi Utara Banten Sulawesi Selatan Bangka Belitung Sumatera Utara Maluku Utara Bali PAPUA Jawa Barat 0.00 5.00 10.00 15.00 20.00 25.00

dalam persen

Sumber : BPS (diolah) Gambar 18. Rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap total pendapatan daerah di Indonesia tahun 2008

Permasalahan pengeluaran pemerintah untuk kesehatan dan pendidikan bukan hanya karena proporsinya yang relatif kecil dibandingkan PDB nasional, tetapi juga disparitas rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap total peendapatan daerah (TPD) antar provinsi (Gambar 18). Rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap total 103

pendapatan daerah paling besar adalah Provinsi Aceh yaitu 23,59 persen. Selain Provinsi Aceh, terdapat beberapa provinsi lainnya yang memiliki rasio antara pengeluaran pemerintah untuk kesehatan dan pendidikan yang lebih dari 20 persen yaitu Provinsi Riau, DKI Jakarta, Jambi dan Maluku. Hal ini menunjukkan kepedulian pemerintah provinsi tersebut terhadap kesehatan dan pendidikan penduduknya atau dengan kata lain terhadap kualitas sumber daya manusianya. Meskipun demikian, sebagian besar provinsi justru memiliki rasio pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap total pendapatan daerah yang lebih kecil dari 20 %. Tentu saja, hal ini memprihatinkan, mengingat pengeluaran pemerintah untuk kesehatan dan pendidikan sesuai model yang dibentuk signifikan dalam mengurangi kemiskinan dan pengangguran. Oleh karena itu, pengeluaran pemerintah untuk kesehatan dan pendidikan khususnya di provinsi yang memiliki rasio kurang dari 20 % hendaklah ditingkatkan agar efektif mengurangi penduduk menganggur dan miskin.

Pajak Daerah Berbicara mengenai sisi pengeluaran tentu tidak bisa dilepaskan dari sisi pendapatan. Pendapatan yang diterima oleh daerah akan digunakan untuk pengeluaran-pengeluaran pembangunan, salah satunya pengeluaran krusial yang telah dibahas sebelumnya, yaitu pengeluaran pemerintah untuk kesehatan dan pendidikan. Sumber pendapatan daerah menurut UU 22/1999 dan UU 25/1999 dapat dilihat pada Tabel 9. Dari Tabel 9 dapat dilihat bahwa pendapatan daerah meningkat setiap tahunnya. Pada tahun 2005 total pendapatan provinsi seluruh Indonesia adalah 104

196,9 triliun rupiah meningkat hingga 375,8 triliun rupiah pada tahun 2008. Proporsi terbesar dari total pendapatan provinsi seluruh Indonesia dari dana perimbangan berkisar antara 70 sampai 80 persen tiap tahunnya. Proporsi pendapatan asli daerah (PAD) antara 15 sampai 20 persen tiap tahunnya, sedangkan sisanya merupakan pendapatan lain-lain daerah yang disahkan.

Tabel 9. Proporsi pendapatan provinsi di seluruh Indonesia tahun 2005 – 2008
2005 No (1) 1 1.1 1.2 1.3 1.4 2 2.1.1 2.1.2 2.2 2.3 3 PAD Pajak Daerah Retribusi Daerah Hasil Kekayaan Daerah Lain-lain Dana Perimbangan Bagi Hasil Pajak Bagi Hasil SDA DAU DAK Lain-lain daerah Total pendapatan Jenis Pendapatan (2) Jumlah (miliar) (3) 38.772 28.365 5.233 1.413 3.761 148.723 31.367 24.242 88.776 4.339 9.459 196.954 % (4) 19,7 14,4 2,7 0,7 1,9 75,5 15,9 12,3 45,1 2,2 4,8 100,0 2006 Jumlah (miliar) (5) 44.518 30.347 6.196 1.570 6.405 225.506 42.753 27.490 143.470 11.793 7.859 277.883 % (6) 16,0 10,9 2,2 0,6 2,3 81,2 15,4 9,9 51,6 4,2 2,8 100,0 2007 Jumlah (miliar) (7) 51.538 34.844 7.240 2.208 7.245 244.253 34.521 26.546 165.435 17.751 26.439 322.230 % (8) 16,0 10,8 2,2 0,7 2,2 75,8 10,7 8,2 51,3 5,5 8,2 100,0 2008 Jumlah (miliar) (9) 64.730 44.729 8.046 3.055 8.901 276.106 38.797 37.173 179.024 21.112 34.968 375.805 % (10) 17,2 11,9 2,1 0,8 2,4 73,5 10,3 9,9 47,6 5,6 9,3 100,0

Sumber : BPS (diolah)

Secara umum, pajak daerah memberikan kontribusi terbesar terhadap pendapatan asli daerah (PAD). Proporsi pajak daerah terhadap pendapatan asli daerah antara 68 sampai 75 persen seperti yang terlihat pada Gambar 19. Namun jika dibandingkan dengan total pendapatan provinsi seluruh Indonesia, pajak daerah hanya menyumbang kurang dari 15 persen. Dengan kata lain porsi pajak daerah terhadap total pendapatan provinsi seluruh Indonesia masih relatif kecil seperti ditunjukkan oleh Tabel 9. 105

Sumber : BPS (diolah) Gambar 19. Proporsi Pendapatan Asli Daerah (PAD) seluruh provinsi di . Indonesia periode 2005 - 2008

), Menurut Mustaqiem (2008), fungsi pajak ada dua. Pertama, pajak berfungsi sebagai alat mengatur atau melaksanakan kebijakan di bidang sosial dan ekonomi. Sebagai contoh yaitu dikenakannya pajak yang tinggi terhadap minuman keras, sehingga konsumsi minuman keras dapat dikurangi. K Kedua, pajak berfungsi sebagai sumber dana yang diperuntukkan bagi pembiayaan merupakan

pengeluaran-pengeluaran pengeluaran

pemerintah.

Pengeluaran

pemerintah

instrumen kunci dari kebijakan fiskal, dimana ketika pengeluaran pemerintah meningkat maka pemerintah berarti sedang melakukan ekspansi ekonomi. Dari persamaan structural I, dengan tingkat keyakinan 95 persen dapat , dibuktikan bahwa pajak daerah berpengaruh positif terhadap pertumbuhan ekonomi. Setiap pertumbuhan pajak daerah sebesar 1 persen dapat menyebabkan pertumbuhan ekonomi sebesar 0,05 persen. Selain itu, pajak daerah juga umbuhan signifikan dalam mempengaruhi persentase penduduk miskin. Dari persamaan reduced IV, dapat disimpulkan bahwa dengan tingkat keyakinan 95 persen , pendapatan dari pajak daerah yang digunakan untuk upaya pengentasan untuk 106

kemiskinan signifikan dalam menurunkan persentase penduduk miskin di Indonesia. Setiap pertumbuhan pajak daerah sebesar 1 persen dapat menurunkan persentase penduduk miskin di Indonesia sebesar 1,92 persen. Hasil ini sesuai dengan yang disampaikan Soeharsono Sagir dalam bukunya yang berjudul Kapita Selekta Ekonomi Indonesia tahun 2009, bahwasanya sebagai salah satu instrumen kebijakan fiskal, pajak daerah memiliki sasaran spesifik diantaranya pengentasan kemiskinan dan pengendalian konsumsi atas komoditas yang sifatnya tertiary class dan nonbasic goods. Dari persamaan reduced II, dapat disimpulkan bahwa pajak daerah tidak terbukti signifikan mempengaruhi tingkat pengangguran terbuka. Hal ini dikarenakan proporsi pajak daerah yang relatif kecil dibandingkan total pendapatan daerah. Sehingga pajak daerah tidak cukup signifikan bila diprioritaskan untuk upaya penciptaan lapangan kerja. Pajak daerah yang tidak signifikan menurunkan tingkat pengangguran terbuka secara tidak langsung dapat mengakibatkan ketimpangan distribusi pendapatan melebar. Seperti yang dijelaskan sebelumnya bahwa ketimpangan distribusi pendapatan dipengaruhi oleh tingkat pengangguran terbuka. Dari persamaan reduced III, dapat disimpulkan bahwa dengan tingkat keyakinan 95 persen, pajak daerah terbukti signifikan mempengaruhi ketimpangan distribusi pendapatan. Setiap pertumbuhan pajak daerah sebesar 1 persen dapat menyebabkan pertumbuhan Indeks gini ratio sebesar 0,36 persen. Seperti yang disampaikan sebelumnya, yang menjadi permasalahan adalah proporsi pajak daerah yang relatif kecil jika dibandingkan total pendapatan daerah. Oleh karena itu, pajak daerah harus ditingkatkan agar cukup mampu 107

digunakan untuk membiayai pembangunan-pembangunan yang sifatnya menyerap dan membutuhkan jumlah tenaga kerja yang banyak. Sehingga dengan peningkatan pajak daerah akan menyebabkan persentase pengangguran berkurang.

Pengaruh DAU dan DAK Seperti yang telah dibahas sebelumnya (Tabel 9), sebagian besar total pendapatan provinsi berasal dari dana perimbangan. Dana perimbangan berkontribusi antara 75 sampai 80 persen terhadap total pendapatan. Hal ini mengindikasikan bahwa daerah sangat membutuhkan dana perimbangan terkait dengan terbatasnya kemampuan daerah dalam membiayai pembangunan. Di satu sisi, dana perimbangan dapat menambah kemampuan daerah untuk membiayai belanja daerah. Namun di sisi lain, besarnya dana perimbangan menunjukkan ketergantungan fiskal yang tinggi antara pemerintah daerah terhadap pemerintah pusat. Dana perimbangan terdiri atas bagi hasil (bagi hasil pajak ditambah dengan bagi hasil bukan pajak) antara pemerintah pusat dan pemerintah daerah, dana alokasi umum (DAU) dan dana alokasi khusus (DAK). Total dana perimbangan tahun 2008 berjumlah 276,1 triliun rupiah atau 73,5 persen dari total pendapatan yang diterima seluruh provinsi di Indonesia. Dari Gambar 20 dapat dilihat 73 persen dana perimbangan berasal dari dana alokasi umum (DAU) dan dana alokasi khusus (DAK). Sedangkan, kontribusi bagi hasil terhadap total dana perimbangan hanya 27 persen.

108

8% 14% 13% 65%
Bagi Hasil Pajak Bagi Hasil SDA DAU DAK

Sumber : BPS (diolah) Gambar 20. Proporsi dana perimbangan seluruh provinsi di Indonesia periode . 2005 – 2008

DAU dialokasikan dengan tujuan pemerataan kemampuan keuangan antar daerah (mengatasi horizontal imbalance), dimana penggunaannya ditetapkan , sepenuhnya oleh daerah. Pengalokasian DAU didasarkan atas formula dengan konsep kesenjangan fiskal atau celah fiskal ( (fiscal gap), yaitu selisih antara ), kebutuhan fiskal dengan kapasitas fiskal. Dari persamaan structural I dapat disimpulkan bahwa dengan tingkat keyakinan 95 persen, DAU memiliki pengaruh signifikan dalam memacu pertumbuhan ekonomi. Setiap pertumbuhan DAU sebesar 1 persen dapat menyebabkan pertumbuhan ekonomi sebesar 0,08 persen. Pertumb Pertumbuhan DAU akan menyebabkan peningkatan signifikan pada kemampuan keuangan

pemerintah daerah dalam meningkatkan pembiayaan pengeluaran pengeluaran-pengeluaran pemerintah untuk pembangunan. Hasil ini sesuai dengan teori kebijakan fiskal ekspansi, , dimana peningkatan pengeluaran pengeluaran pemerintah akan memacu

pertumbuhan ekonomi. Hal ini dikarenakan kontribusi DAU yang besar terhadap total pendapatan daerah dan juga peran DAU dalam menutupi kesenjangan fiskal, 109

sehingga pertumbuhan dari DAU akan sangat sensitif sekali mempengaruhi pertumbuhan ekonomi suatu daerah. Pertumbuhan ekonomi dapat mengurangi tingkat pengangguran terbuka dengan signifikan (teori Okun’s Law dan persamaaan structural II). Sehingga, secara tidak langsung pertumbuhan DAU mempengaruhi tingkat pengangguran terbuka dengan signifikan. Hal ini ditunjukkan oleh persamaan reduced II. Dengan tingkat keyakinan 95 persen, dapat disimpulkan bahwa setiap pertumbuhan DAU sebesar 1 persen menyebabkan tingkat pengangguran terbuka turun sebesar 1,8 persen. Selain DAU, pemerintah daerah menerima transfer dana dari pemerintah pusat berupa dana alokasi khusus (DAK). Berbeda dengan DAU, DAK disediakan kepada daerah untuk memenuhi kebutuhan khusus yang bersifat spesifik untuk tujuan-tujuan yang sudah digariskan. Berdasarkan tujuannya, DAK dapat dialokasikan menjadi DAK reboisasi dan DAK non reboisasi. Kegiatan reboisasi ataupun non reboisasi akan menyerap tenaga kerja, dengan kata lain menyebabkan pengangguran berkurang. Dari persamaan reduced II, dapat disimpulkan bahwa dengan tingkat keyakinan 95 persen DAK berpengaruh signifikan terhadap tingkat pengangguran terbuka. Setiap pertumbuhan DAK sebesar 1 persen dapat menyebabkan tingkat pengangguran terbuka turun sebesar 1,65 persen. Berkurangnya tingkat pengangguran terbuka dapat menyebabkan tingkat kemiskinan turun. Sehingga, secara tidak langsung dapat diyakini bahwa DAK berpengaruh signifikan terhadap persentase penduduk miskin. Hasil ini ditunjukkan oleh persamaan reduced IV. Dengan tingkat keyakinan 95 persen

110

dapat disimpulkan bahwa setiap pertumbuhan DAK sebesar 1 persen secara tidak langsung dapat menyebabkan Head Count Index (HCI) turun 0,62 persen. Namun demikian, karena sifatnya yang spesifik dan tujuannya yang bersifat khusus, dana alokasi khusus (DAK) tidak dapat dinikmati oleh sebagian besar penduduk Indonesia. Hal ini menyebabkan distribusi pendapatan semakin tidak merata seperti yang ditunjukkan oleh persamaan reduced III. Dengan tingkat keyakinan 95 persen, dapat disimpulkan bahwa pertumbuhan DAK sebesar 1 persen dapat menyebabkan pertumbuhan indeks gini ratio sebesar 0,065 persen. Selain itu, karena memang untuk tujuan yang khusus dan sudah digariskan, seperti kegiatan reboisasi dan non-reboisasi, pengaruhnya terhadap pertumbuhan ekonomi tidak signifikan (persamaan structural I). Kegiatan reboisasi tersebut misalnya. Pengalokasian DAK untuk reboisasi tentu saja terkesan seperti “pemborosan”, karena pengaruhnya tidak dapat kita rasakan saat itu juga (short term). Akibatnya, secara total DAK menyebabkan penurunan tingkat pertumbuhan ekonomi. Tetapi, pengaruh dari pengalokasian DAK untuk reboisasi dapat dirasakan nanti (long term), ketika biji yang kita tanam pada saat reboisasi telah menghasilkan pohon yang kuat yang berdampak pada lingkungan yang lebih bersih dan nyaman untuk ditinggali. Pemerintah daerah sebaiknya meningkatkan pengeluaran untuk kesehatan dan pendidikan supaya menghasilkan SDM yang lebih berkualitas sehingga pembangunan masa yang akan datang (long term) jauh lebih baik. Konsekuensi dari peningkatan pengeluaran pemerintah adalah peningkatan sumber pendapatan. Seperti yang telah dinyatakan sebelumnya, PAD dalam hal ini diwakili oleh pajak daerah, kontribusinya masih relatif kecil terhadap total pendapatan. Dana 111

perimbangan, yang dalam penelitian ini diwakili oleh DAU dan DAK, terlalu dominan dalam memacu pertumbuhan ekonomi dan mengurangi pengangguran karena kontribusinya yang besar terhadap total pendapatan daerah. Hal ini mengindikasikan kemandirian fiskal yang rendah dari pemerintah daerah. Menurut Smith dan Uppal dalam Tangkilisan (2005), tingkat kemandirian fiskal dapat dilihat dari derajat desentralisasi fiskal suatu daerah. Derajat desentralisasi fiskal dapat diukur salah satunya dari rasio PAD terhadap total pendapatan daerah. Menurut hasil penelitian tim Fisipol UGM derajat desentralisasi fiskal dengan menggunakan skala interval dapat ditunjukkan oleh tabel berikut: Tabel 10. Skala interval derajat desentralisasi fiskal
PAD/TPD (%) (1) 0 - 10,00 10,01 - 20,00 20,01 - 30,00 30,01 - 40,00 40,01 - 50,00 > 50,00 Kemampuan Keuangan Daerah (2) Sangat Kurang Kurang Cukup Sedang Baik Sangat baik

Sumber : Tangkilisan (2005)

Berdasarkan data BPS tahun 2008, dapat ditunjukkan bahwa sebagian besar daerah di Indonesia memiliki kemandirian fiskal daerah yang termasuk kategori kurang dan sangat kurang, yaitu rasio PAD terhadap total pendapatan daerah kurang dari 20 persen. Provinsi DKI Jakarta merupakan provinsi yang memiliki rasio PAD/TPD paling besar dan menunjukkan kemampuan keuangan daerah sangat baik. Provinsi Bali berada pada kategori kemampuan keuangan

daerah sedang. Sedangkan Provinsi Banten, Jawa Barat, D.I. Yogyakarta dan Jawa 112

timur termasuk provinsi yang memiliki kategori kemampuan keuangan daerah cukup. Rincian kemandirian masing-masing provinsi dapat dilihat pada Tabel 11. Tabel 11. Kemandirian fiskal daerah menurut provinsi tahun 2008
PAD (miliar Rp) (2) 10.456 2.337 2.530 7.946 8.090 1.051 6.054 1.033 1.438 3.078 2.818 1.929 912 520 1.131 1.303 1.589 3.035 646 855 486 403 483 644 447 192 540 1.146 246 257 119 526 493 Dana Perimbangan (miliar Rp) (3) 8.703 4.500 5.219 22.354 25.852 3.545 22.637 4.241 6.146 13.246 14.773 10.424 5.093 3.038 6.642 7.907 10.380 19.467 4.839 6.986 3.945 3.568 4.745 6.974 5.012 2.100 6.487 10.891 3.321 3.965 2.146 5.788 11.172 Pendapatan Lain (miliar Rp) (4) 63 740 833 3.318 2.166 623 2.504 287 610 1.486 542 1.238 505 186 552 795 529 2.269 257 435 340 576 366 346 450 289 262 4.190 273 174 79 5.101 2.581 Total Pendapatan (miliar Rp) (5) 19.222 7.577 8.582 33.619 36.107 5.219 31.195 5.561 8.194 17.810 18.134 13.592 6.511 3.744 8.326 10.005 12.498 24.771 5.743 8.276 4.771 4.546 5.593 7.964 5.909 2.581 7.290 16.227 3.840 4.396 2.343 11.415 14.247 Proporsi PAD/Total Pendapatan (%) (6) 54,39 30,84 29,48 23,64 22,40 20,14 19,41 18,58 17,55 17,28 15,54 14,19 14,01 13,88 13,59 13,02 12,71 12,25 11,25 10,33 10,19 8,86 8,63 8,08 7,56 7,44 7,41 7,06 6,40 5,84 5,07 4,61 3,46

Provinsi

Kategori

(1) DKI Jakarta Bali Banten Jawa Barat Jawa Timur D.I.Yogyakarta Jawa Tengah Kep. Riau Kalimantan Selatan Sumatera Utara Riau Sulawesi Selatan Jambi Kep. Bangka Belitung Lampung Sumatera Barat Sumatera Selatan Kalimantan Timur NTB Kalimantan Barat Sulawesi Utara Bengkulu Sulawesi Tenggara Kalimantan Tengah Sulawesi Tengah Gorontalo NTT Aceh Maluku Utara Maluku Sulawesi Barat Papua Papua Barat

(7) Sangat Baik Sedang Cukup Cukup Cukup Cukup Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang Sangat Kurang

Sumber : BPS (diolah) 113

Secara umum, Faisal Basri (2009) menyatakan bahwa pendapatan pajak Indonesia harus ditingkatkan, agar tersedia dana lebih banyak guna memperbesar kapabilitas negara dalam mengatasi berbagai persoalan bangsa yang memang sudah sejak lama terasa mendesak. Publikasi IMF tahun 2005 menunjukkan bahwa rasio pajak terhadap PDB Indonesia relatif lebih kecil jika dibandingkan dengan negara lainnya. Tabel 12 menunjukkan bahwa negara maju dengan nilai PDB yang tinggi biasanya memiliki rasio pajak yang tinggi juga. Tabel 12. Rasio pajak terhadap PDB beberapa negara tahun 2005
No (1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Negara (2) Swedia Denmark Belgia Norwegia Perancis Finlandia Islandia Austria Italia Slovenia Jerman Hungaria Luksemburg Belanda Brasil Inggris Selandia Baru Republik Cheska Spanyol Bulgaria Rasio (3) 51,3 50,3 45,5 44,3 44,0 43,9 42,4 42,0 40,6 40,5 38,8 38,5 38,2 38,2 37,4 37,0 36,6 36,3 35,9 35,6 No (1) 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 Negara (2) Siprus Malta Portugal Polandia Kanada Turki Estonia Australia Irlandia Swiss Latvia Slowakia Lithuania Jepang Rumania Amerika Serikat Korea Selatan Singapura Malaysia INDONESIA Rasio (3) 35,6 35,3 35,3 34,2 33,4 32,3 30,9 30,9 30,8 29,7 29,4 29,3 28,9 27,4 27,3 27,3 28,5 24,2 22,3 13,2

Sumber : Basri (2009) dan IMF Working Paper WP/08/129, Mei 2008

Menurut Faisal Basri, beberapa permasalahan pajak diantaranya : 1. Kesadaran pajak yang rendah di kalangan masyarakat, yang diperburuk oleh minimnya upaya pengenalan pajak. 114

2. Masih tingginya kesulitan riil maupun persepsi pengurusan pajak, yang diperburuk oleh kualitas pelayanan pajak yang rendah. 3. Ketiadaan penggalian potensi pajak secara optimal, terutama akibat

kelemahan kinerja dan etos kerja aparat pelaksana pemungutan pajak. 4. Politisasi dan korupsi pajak. Dengan mengatasi permasalahan tersebut, diharapkan pajak dapat meningkat sehingga negara dapat membiayai kebutuhan-kebutuhan yang diperlukan salah satu contohnya pengeluaran untuk kesehatan dan pendidikan.

Pengaruh Pajak Penghasillan (PPh) Bagi rakyat sebagai pembayar pajak, pada hakikatnya pajak bukanlah beban melainkan tanggung jawab alamiah seluruh warga negara. Seperti yang telah disampaikan sebelumnya, pajak berfungsi sebagai sumber pendapatan yang dapat digunakan untuk membiayai pengeluaran-pengeluaran pemerintah (fungsi budgetair). Pajak penghasilan (PPh) merupakan pajak yang wewenang pemungutannya berada di tangan pemerintah pusat. Selain fungsi budgetair, PPh berfungsi sebagai alat untuk mengatur kehidupan sosial ekonomi masyarakat (fungsi regulerend) terutama berkaitan dengan penghasilan. Fungsi PPh tersebut sesuai dengan peran distributif pemerintah dari sisi penerimaan, yakni pemerintah mengenakan pajak dan memungut sumber-sumber pendapatan untuk kemudian diredistribusikannya secara adil dan proporsional. Dari persamaan reduced III, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa pajak penghasilan terbukti signifikan menurunkan

ketimpangan distribusi pendapatan. Setiap pertumbuhan pajak penghasilan (PPh) 115

sebesar 1 persen berimplikasi negatif terhadap pertumbuhan indeks gini ratio sebesar 0,035 persen. Hasil penelitian yang diperoleh sesuai dengan sasaran utama dari pajak penghasilan yaitu menciptakan distribusi pendapatan yang lebih merata. Namun di sisi lain, pajak penghasilan akan mengurangi pendapatan yang bisa dikonsumsi oleh masyarakat (disposable income). Berkurangnya disposable income menyebabkan konsumsi rumah tangga berkurang. Dari persamaan structural V, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa pajak penghasilan berpengaruh terhadap konsumsi rumah tangga. Setiap pertumbuhan pajak penghasilan sebesar 1 persen menyebabkan pertumbuhan konsumsi rumah tangga berkurang sebesar 0,016 persen. Berdasarkan pemaparan sebelumnya, berkurangnya konsumsi rumah tangga menyebabkan pertumbuhan ekonomi berkurang. Sehingga secara tidak langsung, pajak penghasilan berpengaruh negatif terhadap pertumbuhan ekonomi. Dari persamaan reduced I, dengan

tingkat keyakinan 95 persen dapat disimpulkan bahwa pajak penghasilan (PPh) terbukti signifikan mempengaruhi pertumbuhan ekonomi. Setiap pertumbuhan pajak penghasilan (PPh) sebesar 1 persen menyebabkan pertumbuhan ekonomi berkurang 0,025 persen.

Pengaruh Upah Minimum Provinsi (UMP) Upah Minimum Provinsi (UMP) ditetapkan oleh Gubernur dengan memperhatikan rekomendasi dari dewan pengupahan provinsi, maupun Bupati dan Walikota. Kesepakatan bersama menentukan jumlah upah minimum bertujuan agar buruh dapat menerima upah yang dianggap layak untuk memenuhi kebutuhan hidup. Dalam UU No. 13/2003, pemerintah menetapkan upah 116

minimum berdasarkan nilai kebutuhan hidup layak (KHL). KHL artinya penghitungan harga bahan-bahan keperluan hidup yang mutlak diperlukan bagi seorang buruh untuk bertahan hidup sekedarnya. Dari persamaan structural III, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa UMP signifikan mempengaruhi distribusi pendapatan secara langsung. Setiap pertumbuhan UMP sebesar 1 persen dapat menyebabkan pertumbuhan negatif indeks gini ratio sebesar 0,3 persen. Selain itu UMP juga signifikan dalam mempengaruhi tingkat kemiskinan. Dari persamaan structural IV, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa pertumbuhan UMP sebesar 1 persen dapat menyebabkan HCI turun 4,6 persen. Hasil ini sesuai dengan peran distribusi dari pemerintah dan tujuan dari penetapan UMP yaitu agar buruh dapat menerima upah yang layak untuk memenuhi kebutuhannya. Peningkatan pendapatan yang diterima oleh buruh akibat penetapan UMP signifikan meningkatkan konsumsi. Dari persamaan structural V, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa setiap pertumbuhan UMP sebesar 1 persen menyebabkan pertumbuhan konsumsi rumah tangga sebesar 0,17 persen. Seperti yang diungkapkan dalam bukunya yang sangat terkenal yakni “The General Theory of Employment, Interest and Money”, Keyness menjelaskan bahwa jumlah konsumsi yang dilakukan oleh rumah tangga berhubungan langsung dengan pendapatan yang diterimanya. Hubungan antara keduanya dinamakan fungsi konsumsi. Fungsi konsumsi menggambarkan tingkat konsumsi pada masing-masing tingkat pendapatan sektor rumah tangga. Dari Gambar 21 kita dapat melihat beberapa karakteristik dari kurva konsumsi: 117

1. Kurva Konsumsi memiliki slope yang positif, artinya bila pendapatan (Y) naik maka konsumsinya (C) naik. 2. Kurva konsumsi memotong sumbu C di atas nol, konsumsinya positif. Sebagai contoh para pengangguran, anak-anak, orang yang sudah tua dan tidak berpendapatan tetap melakukan konsumsi walaupun tidak memiliki pendapatan.
C C=f(Y)

Gambar 21. Teori fungsi konsumsi Seperti yang telah dijelaskan sebelumnya, peningkatan konsumsi akan memacu pertumbuhan ekonomi, sebaliknya penurunan konsumsi akan

menghambat pertumbuhan ekonomi. Sehingga secara tidak langsung penetapan UMP akan mempengaruhi pertumbuhan ekonomi. Dari persamaan reduced I, dengan tingkat keyakinan 95 persen, dapat disimpulkan bahwa setiap pertumbuhan UMP sebesar 1 persen menyebabkan pertumbuhan ekonomi sebesar 0,335 persen. Pertumbuhan ekonomi menyebabkan terciptanya banyak lapangan pekerjaan sehingga menyerap banyak tenaga kerja dan mengurangi tingkat pengangguran terbuka. Sehingga secara tidak langsung, UMP mempengaruhi tingkat pengangguran terbuka. Dari persamaan reduced II, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa setiap pertumbuhan UMP sebesar 1 persen akan menyebabkan TPT berkurang 4,7 persen. Pracoyo (2007) 118

menyatakan, “seandainya dalam perekonomian terjadi penurunan tingkat konsumsi masyarakat yang disebabkan oleh penurunan pendapatan maka produsen akan menyikapi hal tersebut dengan cara mengurangi kegiatan produksi. Apabila kegiatan produksi turun maka akan mengurangi jumlah tenaga kerja dan terciptalah pengangguran” (hal. 13). Sebaliknya jika konsumsi masyarakat meningkat akibat peningkatan pendapatan maka produsen akan menyikapi hal tersebut dengan cara menambah kegiatan produksi. Peningkatan kegiatan produksi akan menambah jumlah tenaga kerja dan mengurangi pengangguran. Seperti yang telah disampaikan sebelumnya, berkurangnya tingkat pengangguran terbuka menyebabkan berkurangnya kemiskinan dan distribusi pendapatan. Sehingga selain pengaruh secara langsung (persamaan structural IV dan structural III), UMP juga mempengaruhi kemiskinan dan distribusi pendapatan secara tidak langsung. Dari persamaan reduced IV, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa pengaruh total dari setiap pertumbuhan UMP sebesar 1 persen menyebabkan persentase penduduk miskin (HCI) turun 6,37 persen. Sedangkan dari persamaan reduced III, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa pengaruh total dari setiap pertumbuhan UMP sebesar 1 persen dapat menyebabkan pertumbuhan negatif indeks gini ratio sebesar 0,13 persen. Dari pemaparan diatas dapat disimpulkan bahwa UMP memiliki peran strategis dalam mengatasi masalah pengangguran, kemiskinan dan distribusi pendapatan di Indonesia. Peningkatan UMP dapat mengurangi tingkat kemiskinan, menciptakan distribusi pendapatan yang lebih merata, memacu pertumbuhan ekonomi dan menambah penyerapan tenaga kerja dalam hal ini 119

berarti mengurangi tingkat pengangguran. Oleh karena itu jumlah upah minimum provinsi hendaknya lebih ditingkatkan dan disesuaikan dengan nilai kebutuhan hidup layak. Berdasarkan dari data Depnakertrans (2009), hampir di seluruh provinsi, jumlah UMP yang ditetapkan masih dibawah KHL-nya. Tabel 13. Upah Minimum Provinsi (UMP) dan Nilai Kebutuhan Hidup Layak (KHL) tahun 2007 – 2008
No (1) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Provinsi (2) N.A. Darussalam Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung DKI Jakarta Jawa Barat Jawa Tengah D.I. Yogyakarta Jawa Timur Banten Bali Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Maluku Utara Papua UMP (ribu rupiah) 2007 2008 (3) (4) 850 1.000 761 822 725 800 710 800 658 724 662 743 644 684 555 617 720 813 901 973 517 568 500 547 500 586 448 500 746 837 622 683 645 730 600 650 560 645 666 766 745 825 766 815 750 845 615 670 673 740 640 700 560 760 635 700 660 700 987 1.106 KHL (ribu rupiah) 2007 2008 (5) (6) 920 1.100 714 783 760 871 774 816 693 734 753 1.100 644 715 590 830 979 992 1.055 607 614 586 612 657 687 459 544 764 851 704 711 645 730 735 783 722 777 753 825 768 790 883 935 705 802 635 733 677 755 653 640 600 799 1.091 1.183 1.475 1.090 941 1.639

Sumber : Kuncoro (2010) 120

Berdasarkan Tabel 13, dari 30 provinsi yang diamati pada penelitian ini, hanya 4 provinsi saja yang jumlah UMP nya diatas nilai KHL. Provinsi tersebut adalah Provinsi Sumatera Utara, Kalimantan Selatan, Sulawesi Utara dan Sulawesi Tenggara. Sedangkan provinsi lainnya memiliki UMP yang kurang dari atau sama dengan KHL.

Pengaruh Inflasi Stabilitas ekonomi ditandai oleh rendahnya tingkat inflasi. Tingkat inflasi juga merupakan salah satu faktor yang harus diperhatikan dalam mewujudkan kesejahteraan masyarakat sebagai tujuan akhir pembangunan ekonomi.

Peningkatan pendapatan per kapita dapat menjadi sia-sia jika tidak dibarengi dengan upaya pengendalian inflasi. Untuk itu dalam peranannya sebagai stabilisator, pemerintah harus mengendalikan tingkat inflasi. Dari persamaan structural IV, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa inflasi mempengaruhi tingkat kemiskinan dengan signifikan. Setiap peningkatan inflasi sebesar 1 persen akan menyebabkan persentase penduduk miskin meningkat sebesar 0,034 persen. Hasil ini sesuai dengan penelitian Yusuf (2010) yang membuktikan bahwa tingginya tingkat inflasi akan menyebabkan persentase penduduk miskin meningkat. Dalam penelitiannya, Yusuf (2010) menyatakan bahwa setiap kenaikan inflasi sebesar 1 persen, dapat meningkatkan persentase penduduk miskin 0,1 persen. Dari persamaan reduced III, dengan tingkat keyakinan 95 persen dapat dibuktikan bahwa inflasi mempengaruhi distribusi pendapatan. Setiap kenaikan inflasi sebesar 1 persen dapat menyebabkan pertumbuhan indeks gini ratio 121

sebesar 0,003 persen. Hasil ini sesuai dengan penelitian Sumarlin (1992) dalam Komalasari (1992) yang menyatakan bahwa inflasi akan memberikan beban bagi masyarakat terutama yang berpendapatan tetap (upah dan gaji), karena upah dan gaji relatif tidak mudah disesuaikan dengan tingkat inflasi. Sementara pendapatan kelompok lain (bukan penerima upah dan gaji seperti pedagang, pengusaha, pemilik modal), relatif dapat disesuaikan dengan tingkat inflasi. Dengan demikian, kesenjangan pendapatan antara kelompok penerima upah dan gaji dengan kelompok bukan penerima upah dan gaji semakin besar, yang berarti distribusi pendapatan semakin tidak merata. Kenaikan inflasi jelas menjadi beban bagi masyarakat Indonesia. Naiknya harga sejumlah barang dapat menyebabkan penurunan pendapatan riil masyarakat, yang berarti akan menurunkan daya beli masyarakat. Penurunan daya beli masyarakat akan mengurangi konsumsi rumah tangga. Dari persamaan structural V, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa inflasi mempengaruhi konsumsi rumah tangga. Setiap kenaikan inflasi sebesar 1 persen dapat menyebabkan pertumbuhan konsumsi rumah tangga berkurang 0,001 persen. Hasil ini sesuai dengan penelitian Evans (1969) dalam Dumairy (1999) yang membuktikan bahwa inflasi memiliki pengaruh negatif yang signifikan terhadap konsumsi rumah tangga. Inflasi merupakan indikator kenaikan sejumlah harga barang di pasaran. Dari sisi penawaran, kenaikan harga akan memacu produsen meningkatkan produksinya. Sedangkan dari sisi permintaan, kenaikan harga justru menyebabkan konsumen mengurangi konsumsinya. Ambiguitas dari akibat inflasi ini menyebabkan pengaruh dari inflasi terhadap pertumbuhan ekonomi tidak 122

signifikan. Hasil ini ditunjukkan oleh persamaan structural I dan persamaan reduced I. Selain itu, kenaikan inflasi akan menyebabkan pengangguran meningkat. Mudrajad Kuncoro (2009) menyatakan bahwa ada hubungan positif antara inflasi dengan pengangguran di Indonesia yang tidak sesuai dengan teori kurva Phillips. Teori William Phillips (1958) menunjukkan bahwa ada hubungan negatif antara inflasi dan pengangguran. Apabila inflasi tinggi maka pengangguran rendah dan sebaliknya. Untuk kasus Indonesia, inflasi yang tinggi justru akan menyebabkan gangguan di sisi demand yang menyebabkan pertumbuhan ekonomi kontraksi, yang pada gilirannya menyebabkan pengangguran meningkat. Dari persamaan structural II, dengan tingkat keyakinan 90 persen dapat disimpulkan bahwa setiap kenaikan inflasi sebesar 1 persen menyebabkan persentase pengangguran meningkat 0,028 persen.

Pengaruh Angka Melek Huruf (AMH) Dalam penelitian ini, dari persamaan reduced I, reduced II, dan reduced III dengan tingkat keyakinan 95 persen tidak dapat dibuktikan bahwa AMH berpengaruh terhadap pertumbuhan ekonomi, tingkat pengangguran terbuka dan tingkat ketimpangan distribusi pendapatan. Dari persamaan structural IV, dapat disimpulkan bahwa AMH (literacy rate) secara langsung mempengaruhi tingkat kemiskinan. Setiap kenaikan angka melek huruf sebesar 1 satuan menyebabkan persentase penduduk miskin berkurang 0,32 persen. Namun demikian, karena tidak signifikan memacu pertumbuhan ekonomi, menurunkan tingkat

pengangguran dan tingkat ketimpangan distribusi pendapatan, pengaruh total dari 123

AMH terhadap tingkat kemiskinan menjadi tidak signifikan (persamaan reduced IV). Hal tersebut diduga karena AMH merupakan variabel sosial yang pergerakannya tidak terlalu berfluktuatif dan cenderung konstan dalam periode penelitian sehingga tidak mampu menjelaskan pergerakan dari kemiskinan, pengangguran dan ketimpangan distribusi pendapatan.

Pengaruh Sektor Informal yang Semakin Menjadi Andalan Pada masa krisis moneter tahun 1998, wajar rasanya apabila jutaan orang yang kehilangan pekerjaannya di sektor formal beralih kepada sektor informal untuk menyambung hidup. Banyak pekerja kantoran yang beralih profesi menjadi tukang ojek, membuka warung, montir, tukang sayur dan mencari objekan sana sini (Basri, 2009). Sektor informal merupakan sektor yang terbukti bertahan ketika badai krisis moneter melanda negara Indonesia. Namun sungguh disayangkan kalau ternyata sampai saat ini masih banyak orang Indonesia yang harus bekerja seperti itu. Berdasarkan data BPS, pada tahun 2006 jumlah orang yang bekerja di sektor informal adalah 65,78 juta orang atau 68,9 persen dari jumlah orang yang bekerja. Pada tahun 2007, proporsi orang yang bekerja di sektor informal dibandingkan jumlah orang yang bekerja meningkat menjadi 69,05 persen atau 69 juta orang (Tabel 14). Dari persamaan reduced II, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa perkembangan sektor informal berpengaruh terhadap tingkat pengangguran. Setiap peningkatan proporsi pekerja sektor informal sebesar 1 persen akan mengurangi tingkat pengangguran terbuka sebesar 0,086 persen. Bagi penduduk yang tidak memiliki pekerjaan ataupun bagi yang baru saja kehilangan 124

pekerjaan di sektor formal, beralih profesi menjadi pekerja sektor informal tentu menjadi salah satu solusi bagi mereka. Mereka akan mengusahakan apa saja guna mencari sedikit keuntungan ataupun imbalan sekedar untuk menyambung hidup. Tabel 14. Pengelompokkan pekerja di Indonesia menurut status ketenagakerjaan tahun 2006 dan 2007
Status Ketenagakerjaan (1) Sektor Formal Majikan Pegawai Tetap Sektor Informal Bekerja Sendiri Bekerja Sendiri Plus Asisten Tidak Tetap Buruh Musiman Pertanian Buruh Musiman Non-pertanian Pekerja Tanpa Upah Tetap Total Jumlah Penduduk Indonesia (Juta Jiwa) 2006 (2) 29,67 2,85 26,82 65,78 19,50 19,95 5,54 4,62 16,17 95,46 2007 (3) 30,92 2,88 28,04 69,00 20,32 21,02 5,92 4,46 17,28 99,93 Persentase Pekerja di Indonesia (%) 2006 (4) 31,08 2,99 28,10 68,91 20,43 20,90 5,80 4,84 16,94 100,00 2007 (5) 30,94 2,88 28,06 69,05 20,33 21,03 5,92 4,46 17,29 100,00

Sumber : Kuncoro (2010) Namun, dari persamaan reduced IV, dapat disimpulkan bahwa meskipun memiliki koefisien negatif yang menunjukkan perkembangan sektor informal menurunkan kemiskinan, namun pengaruhnya tidak signifikan. Memang ada beberapa kisah sukses dari orang yang bekerja di sektor informal kemudian dapat melepaskan diri dari jerat kemiskinan. Tetapi, jumlahnya tidak banyak. Sebagian besar dari pekerja sektor informal justru menerima imbalan sangat rendah, sampai-sampai tidak mencukupi untuk memenuhi kebutuhan paling mendasar. Dari Tabel 15 dapat dilihat bahwa upah rata-rata pekerja di sektor informal sedemikian rendahnya. Selain itu kenyataan lain yang lebih mengiris adalah pendapatan riil rata-rata pekerja sektor informal kian merosot. Contohnya pembantu rumah tangga, secara nominal gajinya memang naik tiap tahun, namun kenaikan itu tidak sebanding dengan kenaikan harga-harga sehingga kenyataannya 125

nilai barang dan jasa yang dibeli dengan pendapatan itu dari tahun ke tahun semakin sedikit (Basri, 2009). Tabel 15. Perkembangan upah sektor informal di Indonesia tahun 2004 – 2008
Periode Upah Nominal Rata-rata (Rp) BB* (1) Jan-Jun 2004 Jan-Jun 2005 Jan-Jun 2006 Jan-Jun 2007 Mei 2007 Mei 2008 Keterangan : (2) 26.366 29.943 33.831 35.455 35.608 38.127 * ** BB PPR PRT Sumber : PPR* (3) 6.351 6.865 7.627 7.907 7.927 8.145 PRT** (4) 139.618 151.043 160.396 169.644 170.624 179.616 7,1 2,8 5,3 -3,0 -6,9 -4,6 13,6 13,0 4,8 8,1 11,1 3,7 8,2 6,2 5,8 5,5 -2,8 -1,3 0,3 -4,4 -2,4 0,5 -8,6 -0,4 Pertumbuhan Nominal Tahunan (%) BB (5) PPR (6) PRT (7) Pertumbuhan Riil Tahunan (%) BB (8) PPR (9) PRT (10)

= Rata-Rata upah nominal per hari = Rata-Rata upah nominal per bulan = Buruh Bangunan = Perempuan Penata Rambut = Pembantu Rumah Tangga

Basri (2009)

Dengan upah rata-rata para pekerja sektor informal yang rendah, perkembangan sektor informal selain tidak signifikan menurunkan kemiskinan menyebabkan distribusi pendapatan semakin timpang. Dari persamaan reduced III, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa perkembangan sektor informal signifikan mempengaruhi ketimpangan distribusi pendapatan. Peningkatan proporsi pekerja sektor informal sebesar 1 persen menyebabkan pertumbuhan indeks gini ratio sebesar 0,006 persen. Selain itu, pengaruh perkembangan sektor informal terhadap pertumbuhan ekonomi relatif tidak signifikan seperti yang ditunjukkan oleh persamaan reduced I. Fakta bahwa saat ini hampir 70 persen penduduk bekerja di sektor informal jelas bukan merupakan kenyataan sosial dan ekonomi yang menggembirakan. 126

Menurut Faisal Basri tahun 2009, “semakin kecil sektor informal dalam perekonomian, dan semakin besar sektor formalnya, maka akan semakin baik perekonomian yang bersangkutan” (hal. 67). Seperti yang telah dijelaskan sebelumnya, perkembangan sektor informal memang signifikan menurunkan tingkat pengangguran terbuka. Namun, perkembangan sektor informal memiliki sumbangsih yang kecil terhadap perekonomian. Selain itu, perkembangan sektor informal tidak signifikan dalam menurunkan kemiskinan dan justru menyebabkan distribusi pendapatan semakin tidak merata. Menurut Faisal Basri, banyak alasan untuk memperkecil proporsi orang yang bekerja di sektor informal, diantaranya imbalan bagi para pekerja sektor informal sangat rendah dan pekerja sektor informal tidak dilindungi oleh jaminan sosial apa pun. Di sinilah pentingnya pemerintah turun tangan mengurangi proporsi orang yang bekerja di sektor informal. Pengurangan yang dimaksud disini bukanlah dengan cara melarang ataupun menindas pelakunya, melainkan dengan berusaha segera mengembangkan sektor informal menjadi sektor formal. Selain alasan yang telah disebutkan, pemerintah sendiri memiliki kepentingan untuk berperan aktif dalam mengembangkan sektor informal menjadi sektor formal, yakni untuk memperbesar basis pajak demi kesinambungan pendapatan negara di masa yang akan datang. Faisal Basri menyatakan bahwa sebesar apapun sektor informal, sumbangannya bagi pendapatan negara tidak bisa diharapkan karena mereka tidak membayar pajak. Kalau saja sektor informal bisa dibenahi, maka perekonomian nasional akan memperoleh sumber pendapatan yang besar karena bagaimanapun sebagian besar pekerja di Indonesia bekerja di sektor informal. 127

4.8. Peran PDRB per Sektor Terhadap Kemiskinan, Pengangguran dan Ketimpangan Distribusi Pendapatan di Indonesia Seperti yang telah disampaikan sebelumnya, pertumbuhan ekonomi berkaitan erat dan memiliki peranan penting terhadap pengurangan pengangguran, kemiskinan dan ketimpangan distribusi pendapatan. Hal tersebut membuat penulis berkepentingan untuk mengkaji lebih dalam lagi pertumbuhan PDRB sektor apakah yang harus diprioritaskan untuk dikembangkan dalam upaya mengatasi permasalahan pengangguran, kemiskinan dan ketimpangan distribusi pendapatan. Untuk menjawab tujuan terakhir penelitian yaitu mengetahui pertumbuhan PDRB sektor apa yang harus digiatkan untuk mengurangi pengangguran, tidak memperlebar ketimpangan distribusi pendapatan dan mengentaskan kemiskinan di Indonesia, penulis menggunakan 3 persamaan tunggal (single equation) yaitu persamaan TPT, persamaan GINI dan persamaan HCI. Persamaan TPT menggunakan metode estimasi Fixed effect no weight, sedangkan kedua model lainnya menggunakan metode estimasi Fixed effect cross section weight. Hal ini dikarenakan melalui uji lagrange multiplier untuk struktur varians dan kovarians residual secara statistik dapat dibuktikan bahwa struktur varians dan kovarians dari persamaan GINI dan persamaan HCI adalah heteroskedastik. Karena itu, estimasi keduanya dilakukan dengan EGLS (Cross section weight) untuk mengakomodasi terjadinya pendugaan yang tidak efisien akibat pelanggaran terhadap asumsi homoskedastik. Selain itu, digunakan pula Cross section SUR (PCSE) sebagai injeksi awal pada struktur varians dan kovarians untuk mengantisipasi adanya gangguan correlation antar cross-section pada saat permodelan. 128

Tabel 16. Persamaan pertumbuhan PDRB per sektor terhadap pengangguran, kemiskinan dan distribusi pendapatan di Indonesia
Variabel Independen (1) Log(PDRB1) Log(PDRB2) Log(PDRB3) Log(PDRBN) Initial Poverty Initial Unemployment Konstanta Fixed Effect (Cross) Ringkasan Statistik R-Squared Adjusted R-Squared Prob(F-Stat) 0,977693 0,963902 0,841489 0,780665 0,997143 0,995377 0,000000 Variabel Dependen TPT (2) -12,655210 -0,436103 -7,213001 -5,754548 -0,188623 415,217700 Lampiran ** ** ** ** ** GINI (3) -0,230917 0,120263 0,055459 0,118554 -1,978397 Lampiran ** * ** HCI (4) -16,409880 1,937802 -1,677270 -7,769045 0,225281 392,988100 Lampiran ** ** ** * ** **

0,000000 0,000000 Catatan : **signifikan pada taraf nyata 5 persen ; * taraf nyata 10 persen PDRB1 = PDRB sektor pertanian PDRB2 = PDRB sektor pertambangan PDRB3 = PDRB sektor industri pengolahan PDRBN = PDRB sektor non-tradeable

Selain pengujian terhadap struktur varians dan kovarians untuk pengecekan asumsi homoskedastisitas, ketiga persamaan juga telah melewati pengujian asumsi normalitas (Lampiran 10). Sedangkan untuk pengujian asumsi non-autokorelasi, penulis menggunakan statistik uji Durbin Watson, dimana semua model secara statistik dapat dinyatakan lolos asumsi non-autokorelasi. Selain telah lulus uji asumsi, ketiga model valid digunakan karena memiliki probabilitas (F-Stat) yang kurang dari 0,01 menunjukkan masing-masing model memiliki variabel bebas yang secara bersama-sama dapat mempengaruhi variabel tak bebasnya. Selain itu nilai adjusted R-squared dari persamaan TPT, GINI dan HCI yang masing-masing adalah 96 %, 78 % dan 99 %, menunjukkan bahwa variabel bebas yang digunakan telah dapat menjelaskan variasi dari masing-

129

masing variabel tak bebas dengan sangat baik. Oleh karena itu, ketiga model selanjutnya dapat diinterpretasikan untuk menjawab tujuan terakhir penelitian ini. Dari persamaan TPT, dengan tingkat keyakinan 95 persen dapat dismpulkan bahwa pertumbuhan PDRB sektor pertanian, industri pengolahan dan sektor non-tradeable signifikan menurunkan tingkat pengangguran terbuka. Sedangkan, pertumbuhan PDRB sektor pertambangan tidak dapat dibuktikan secara statistik signifikan menurunkan tingkat pengangguran terbuka. Hal ini dikarenakan sektor pertambangan tidak menyerap jumlah tenaga kerja yang banyak. Berdasarkan data BPS tahun 2008, orang yang bekerja di sektor pertambangan hanya 1 persen dari total pekerja di Indonesia (Gambar 15). Sektor pertanian berkontribusi terbesar dalam pengurangan pengangguran. Setiap pertumbuhan PDRB sektor pertanian sebesar 1 persen dapat mengurangi tingkat pengangguran terbuka sebesar 12,7 persen dalam kondisi yang lain cateris paribus. Sektor pertanian merupakan lapangan pekerjaan utama di negara Indonesia dimana lebih dari 40 persen penduduknya bekerja di sektor ini. Sektor berikutnya yang berkontribusi terbesar dalam pengurangan tingkat pengangguran terbuka (TPT) adalah sektor industri pengolahan. Setiap pertumbuhan PDRB sektor industri pengolahan sebesar satu persen dapat mengurangi tingkat

pengangguran terbuka sebesar 7,21 persen dalam kondisi yang lain cateris paribus. Terakhir, sektor yang berkontribusi dalam pengurangan tingkat pengangguran terbuka adalah sektor non-tradeable. Setiap pertumbuhan PDRB sektor non-tradeable sebesar 1 persen dapat mengurangi tingkat pengangguran terbuka turun sebesar 5,8 persen dalam kondisi yang lain cateris paribus.

130

Selain berkontribusi terhadap pengurangan tingkat pengangguran terbuka, sektor pertanian, industri pengolahan dan non-tradeable juga berperan dalam mempengaruhi tingkat kemiskinan (HCI). Dari persamaan HCI, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa sektor pertanian signifikan dalam menurunkan tingkat kemiskinan (HCI). Sektor pertanian berkontribusi paling besar terhadap penurunan tingkat kemiskinan. Setiap pertumbuhan PDRB sektor pertanian sebesar 1 persen dapat menyebabkan tingkat kemiskinan berkurang sebesar 16,4 persen dalam kondisi yang lain cateris paribus. Temuan ini relevan dengan berbagai hasil penelitian lain yang juga menelaah peran pertumbuhan ouput atau pendapatan di sektor pertanian terhadap pengurangan kemiskinan di perdesaan maupun secara keseluruhan. Hasil penelitian Sumarto dan Suryahadi (2003) menunjukkan pertumbuhan PDRB sektor pertanian signifikan dalam menurunkan poverty headcount di wilayah perdesaan Indonesia, begitupula dengan hasil penelitian Ravallion dan Datt (1996) dalam Tambunan (2009) yang menunjukkan bahwa pertumbuhan PDB di sektor primer, khususnya pertanian, jauh lebih efektif terhadap penurunan kemiskinan dibandingkan sektor lainnya. Bahkan hal ini dinyatakan dengan jelas oleh Mellor (2000) sebagai berikut: There has been a tendency to generalize that economic growth reduces poverty when in fact it is the direct and indirect effect or agricurtural growth that accounts for virtually all the poverty decline (hal. 3). Meskipun tidak seefektif sektor pertanian, pertumbuhan PDRB sektor industri pengolahan dan non-tradeable juga terbukti signifikan dalam menurunkan tingkat kemiskinan. Dari persamaan HCI, setiap pertumbuhan PDRB sektor industri pengolahan dan non-tradeable masing-masing berkontribusi terhadap 131

penurunan kemiskinan sebesar 1,7 persen dan 7,8 persen. Besarnya kontribusi sektor non-tradeable dalam menurunkan kemiskinan diduga disebabkan besarnya kontribusi jasa-jasa terutama dari sektor informal. Hasil penelitian ini relevan dengan penelitian Hasan dan Quibria (2002) dalam Tambunan (2009) dan ADB (1997) yang menunjukkan bahwa pertumbuhan PDB di sektor industri pengolahan mempunyai dampak positif yang sangat besar terhadap peningkatan kesempatan kerja dan penurunan kemiskinan. Dari persamaan HCI, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa pertumbuhan PDRB sektor pertambangan justru dapat menyebabkan peningkatan persentase penduduk miskin. Setiap pertumbuhan PDRB sektor pertambangan sebesar 1 persen menyebabkan peningkatan persentase penduduk miskin sebesar 1,9 persen dalam kondisi yang lain cateris paribus. Dari persamaan GINI, dengan tingkat keyakinan 95 persen dapat disimpulkan bahwa ada dua sektor yang berpengaruh signifikan terhadap indeks gini ratio yaitu sektor pertanian dan sektor pertambangan. Sedangkan sektor industri pengolahan dan non-tradeable secara statistik tidak terbukti signifikan dalam mempengaruhi indeks gini ratio. Dari persamaan tersebut, dapat dinyatakan bahwa setiap pertumbuhan PDRB sektor pertanian sebesar 1 persen dapat menurunkan pertumbuhan indeks gini ratio sebesar 0,23 persen. Sedangkan pertumbuhan PDRB sektor pertambangan justru dapat menyebabkan distribusi pendapatan semakin tidak merata. Setiap pertumbuhan PDRB sektor

pertambangan sebesar 1 persen menyebabkan pertumbuhan indeks gini ratio sebesar 0,12 persen. 132

Setelah kita mengkaji peran pertumbuhan PDRB masing-masing sektor terhadap kemiskinan, pengangguran dan distribusi pendapatan, kita dapat memperoleh beberapa kesimpulan yang menarik. Pertumbuhan PDRB sektor pertambangan secara statistik tidak signifikan dalam menurunkan tingkat pengangguran terbuka dan justru menyebabkan peningkatan persentase penduduk miskin dan pertumbuhan indeks gini ratio yang mengindikasikan distribusi pendapatan semakin timpang (cateris paribus). Pertumbuhan PDRB sektor industri pengolahan dan non-tradeable meskipun signifikan dalam menurunkan tingkat pengangguran terbuka dan tingkat kemiskinan tetapi tidak signifikan dalam mengurangi ketimpangan distribusi pendapatan. Sedangkan, Pertumbuhan PDRB sektor pertanian merupakan satu-satunya pertumbuhan PDRB sektoral yang secara statistik dapat menurunkan tingkat pengangguran terbuka, tingkat kemiskinan sekaligus indeks gini ratio. Sektor pertanian merupakan sumber pendapatan bagi sebagian besar rumah tangga berpendapatan rendah. Dengan demikian upaya pengurangan pengangguran, kemiskinan dan ketimpangan distribusi pendapatan dapat secara efektif dilakukan melalui pembangunan pertanian. Hasil simpulan ini relevan dengan penelitian Yudhoyono (2004) yang menyatakan bahwa pertumbuhan PDRB pertanian lebih efektif dalam pengurangan pengangguran dan kemiskinan. Pertumbuhan PDRB pertanian dapat mendorong pertumbuhan PDRB total. Pertumbuhan PDRB total ini mengakibatkan penurunan persentase pengangguran dan kemiskinan. Dari pemaparan sebelumnya, jelaslah sudah bahwa pertumbuhan PDRB yang terutama harus dikembangkan adalah pertumbuhan PDRB sektor pertanian. 133

Hal ini sesuai dengan pidato Bung Hatta, founding father bangsa Indonesia pada Februari 1946 tentang Ekonomi Indonesia di Masa Depan. Bung Hatta menyebutkan bahwa Indonesia adalah negara agraris maka landasan

pembangunan harus dimulai dari pembangunan pertanian (Wiranto, 2009). Upaya-upaya nyata dari pemerintah perlu dilakukan untuk pembangunan pertanian. Menurut Wiranto (2009), upaya-upaya pemerintah tersebut diantaranya adalah menyediakan dan memperbaiki infrastruktur dasar yang diperlukan dalam pembangunan pertanian, misalnya: pengadaan jalan, jembatan, sistem irigasi, penelitian dan pengembangan serta penyuluhan. Hal yang tidak kalah pentingnya adalah memperkuat pasar sebagai media yang akan mempertemukan transaksi antara sektor hulu dan hilir pertanian. Dan yang terakhir adalah menggandeng pelaku ekonomi swasta (private sector) untuk mengeksekusi kegiatan lanjutan di sektor pertanian, khususnya pemasaran dan pengolahan komoditas pertanian sehingga memiliki keterkaitan dengan sektor non-pertanian. Pertumbuhan PDRB sektor pertanian memang harus lebih ditingkatkan. Pertumbuhan sektor pertanian akan memacu pertumbuhan sektor non-pertanian (Yudhoyono, 2004). Pemerintah menunjukkan kesadaran atas pentingnya hal tersebut dengan melaksanakan kebijakan revitalisasi pertanian. Revitalisasi sendiri berarti menghidupkan kembali. Implikasi dari kebijakan revitalisasi pertanian adalah kecenderungan pertumbuhan PDB sektor pertanian yang meningkat dari 2,5 persen per tahun pada 2005 menjadi 4,8 persen per tahun pada 2008. Menurut Basri (2009), dengan kualitas pertumbuhan yang lebih baik (lebih seimbang), kita dapat meredam permasalahan pengangguran dan pada gilirannya juga mengatasi masalah kemiskinan dan ketimpangan distribusi pendapatan. 134

135

BAB V KESIMPULAN DAN SARAN

5.1

Kesimpulan Beberapa kesimpulan yang dapat dikemukakan berdasarkan hasil dan

pembahasan yaitu: 1. Dalam periode penelitian, tidak terjadi penurunan yang berarti baik dari segi jumlah maupun persentase penduduk miskin. Pada tahun 2006, terjadi peningkatan penduduk miskin yang menunjukkan salah satu dimensi penting dari kemiskinan yaitu tingginya tingkat rentan miskin di Indonesia. Selain itu, permasalahan lain dari kemiskinan adalah disparitas, baik yang terjadi antar perkotaan dengan perdesaan dan antar provinsi. 2. Dalam periode penelitian, terdapat kecenderungan penurunan tingkat pengangguran terbuka (TPT), sedangkan distribusi pendapatan diindikasikan semakin tidak merata baik pada level nasional maupun level provinsi. 3. Apabila ditinjau dari PDB agregat, kinerja perekonomian Indonesia memang tumbuh dengan mantap dalam periode penelitian. Namun, pertumbuhan tersebut tidak seimbang pada berbagai sektor. Pertumbuhan PDB yang tinggi ironisnya terjadi pada sektor non-tradeable yang padat teknologi dan minim tenaga kerja, seperti sektor: keuangan dengan komunikasi dan transportasi. Hal tersebut merupakan salah satu penyebab kemiskinan sulit teratasi dan distribusi pendapatan semakin tidak merata di Indonesia. 4. Pertumbuhan ekonomi memang tidak signifikan menurunkan tingkat kemiskinan (HCI) secara langsung. Namun demikian, dengan menurunkan tingkat pengangguran terbuka (TPT), pertumbuhan ekonomi secara tidak 136

langsung memiliki peran penting dalam menurunkan tingkat kemiskinan. Hal tersebut dikarenakan penurunan TPT menyebabkan HCI berkurang. 5. Dengan menurunkan TPT, pertumbuhan ekonomi secara tidak langsung juga berperan dalam menciptakan distribusi pendapatan yang lebih merata. Namun dalam periode penelitian, sektor yang tumbuh pesat adalah sektor nontradeable yang padat teknologi dan minim tenaga kerja. Kondisi tersebut menyebabkan distribusi pendapatan semakin tidak merata di Indonesia. 6. Pertumbuhan ekonomi memiliki peran dan keterkaitan terhadap kemiskinan, pengangguran dan ketimpangan distribusi pendapatan. Jika kita kaji masingmasing sektor ternyata pertumbuhan PDRB sektor pertambangan tidak signifikan menurunkan TPT. Akibatnya, kemiskinan sulit teratasi dan distribusi pendapatan semakin tidak merata. Pertumbuhan PDRB sektor industri pengolahan dan non-tradeable meskipun signifikan dalam

menurunkan TPT dan HCI, tetapi tidak signifikan dalam mengurangi ketimpangan distribusi pendapatan. Sedangkan pertumbuhan PDRB pertanian merupakan satu-satunya pertumbuhan PDRB sektoral yang secara statistik dapat menurunkan TPT, HCI dan ketimpangan distribusi pendapatan secara sekaligus. 7. Intervensi pemerintah juga berperan dalam mengatasi permasalahan HCI, TPT dan ketimpangan distribusi pendapatan. Pengaruh pengeluaran pemerintah untuk kesehatan dan pendidikan memang tidak signifikan terhadap pertumbuhan ekonomi (short term). Namun, pengeluaran pemerintah untuk kesehatan dan pendidikan signifikan menurunkan TPT dan HCI.

137

8. Pajak daerah signifikan dalam memacu pertumbuhan ekonomi dan menurunkan tingkat kemiskinan. Namun demikian, pajak daerah tidak signifikan menurunkan TPT. Hal tersebut berimplikasi terhadap distribusi pendapatan yang menjadi tidak merata. 9. Dana alokasi umum (DAU) signifikan dalam memacu pertumbuhan ekonomi dan menurunkan TPT. DAU menjadi sumber pendapatan terbesar daerah dalam membiayai pengeluarannya. 10. Dana alokasi khusus (DAK) signifikan menurunkan TPT dan HCI. Namun demikian, karena sifatnya yang spesifik dan tujuannya yang bersifat khusus, DAK tidak dapat dinikmati seluruh masyarakat Indonesia. Hal ini menyebabkan pengaruh DAK terhadap tingkat ketimpangan distribusi pendapatan adalah positif. 11. Pajak penghasilan (PPh) signifikan dalam menciptakan distribusi pendapatan yang lebih merata, hal ini sesuai dengan tujuan dan sasaran yang ingin dicapai-nya. Namun demikian, PPh menyebabkan disposable income berkurang, sehingga konsumsi berkurang dan berimplikasi terhadap pengurangan pertumbuhan ekonomi. 12. Selain PPh, intervensi pemerintah lainnya yang bertujuan untuk menciptakan distribusi pendapatan yang lebih merata adalah penetapan Upah Minimum Provinsi (UMP). Selain signifikan menurunkan tingkat ketimpangan distribusi pendapatan, UMP signifikan menurunkan HCI. Perbaikan tingkat

kesejahteraan (dalam hal ini HCI dan tingkat ketimpangan distribusi pendapatan turun) menyebabkan konsumsi meningkat. Peningkatan tersebut disikapi oleh produsen dengan cara menambah kegiatan produksi. Hal ini 138

menyebabkan terjadinya penyerapan tenaga kerja dan berimplikasi terhadap berkurangnya TPT. 13. Inflasi menyebabkan peningkatan HCI dan distribusi pendapatan semakin tidak merata. Selain itu, kenaikan inflasi menyebabkan penurunan daya beli masyarakat yang berimplikasi terhadap penurunan konsumsi rumah tangga. Inflasi merupakan kenaikan harga sejumlah barang di pasaran. Dari sisi penawaran, produksinya. kenaikan Namun, harga dari akan sisi memacu produsen kenaikan meningkatkan harga justru

permintaan,

menyebabkan konsumen mengurangi konsumsinya. Ambiguitas dari inflasi ini menyebabkan pengaruhnya terhadap pertumbuhan ekonomi tidak signifikan. Akibatnya, pengaruh inflasi terhadap TPT juga tidak signifikan. 14. Tingkat pendidikan dalam penelitian ini, diwakili oleh Angka Melek Huruf (AMH), secara statistik tidak dapat dibuktikan signifikan memengaruhi

tingkat kemiskinan, tingkat pengangguran terbuka dan ketimpangan distribusi pendapatan di Indonesia. 15. Perkembangan sektor informal menurunkan TPT. Namun demikian, upah yang diterima di sektor informal tentu tidak banyak. Akibatnya,

perkembangan sektor informal tidak signifikan dalam menurunkan HCI dan justru mengakibatkan distribusi pendapatan semakin tidak merata. Selain itu, perkembangan sektor informal memiliki sumbangsih yang kecil terhadap pertumbuhan ekonomi.

139

5.2

Saran Berdasarkan kesimpulan hasil penelitian, penulis mengajukan saran

sebagai berikut: 1. Pertumbuhan ekonomi memiliki peran dan keterkaitan penting terhadap kemiskinan, pengangguran dan dan ketimpangan distribusi pendapatan. Oleh karena itu, pertumbuhan ekonomi harus dipacu terutama pada sektor-sektor yang padat karya, lebih spesifik pada sektor pertanian. Adapun upaya yang dapat dilakukan diantaranya adalah penelitian, penyuluhan dan perbaikan infrastruktur dasar yang diperlukan dalam pembangunan pertanian, seperti: pengadaan jalan, jembatan, sistem irigasi dan sebagainya. 2. Setiap intervensi pemerintah memiliki pengaruh yang berbeda terhadap kemiskinan, pengangguran dan ketimpangan distribusi pendapatan, baik positif maupun negatif. Oleh karena itu dibutuhkan intervensi pemerintah yang terintegrasi sebagai upaya mengatasi permasalahan kemiskinan, pengangguran dan ketimpangan distribusi pendapatan. 3. Upaya terintegrasi tersebut diantaranya dapat dilakukan dengan cara: peningkatan pengeluaran pemerintah untuk kesehatan dan pendidikan. Konsekuensi dari peningkatan pengeluaran pemerintah adalah

peningkatan sumber pendapatan. DAU dan DAK terlalu dominan sebagai sumber pendapatan daerah. Padahal tentu saja hal tersebut dapat menjadi beban bagi pemerintah pusat dan menunjukkan tingkat kemandirian fiskal yang rendah dari pemerintah daerah. Oleh karena itu, pendapatan daerah yang harus ditingkatkan adalah PAD itu sendiri, terutama pajak daerah.

140

-

peningkatan UMP yang disesuaikan dengan nilai kebutuhan hidup layak (KHL). Apabila dikombinasikan bersama dengan peningkatan pajak penghasilan (PPh), penetapan UMP dapat sedikit banyak mengurangi trade-off yang terjadi terhadap pertumbuhan ekonomi dan semakin efektif mengurangi ketimpangan distribusi pendapatan.

-

Pengendalian inflasi. Peningkatan UMP tidak akan berarti apabila tidak diiringi oleh upaya pengendalian inflasi. Oleh karena itu, intervensi ini harus berintegrasi satu sama lainnya.

-

Pemberdayaan sektor informal menjadi sektor formal.

4. Pada dasarnya intervensi pemerintah dapat dikelompokkan menjadi kebijakan fiskal dan kebijakan moneter. Untuk itu, saran bagi penelitian selanjutnya yaitu meneliti juga mengenai bagaimana peran intervensi pemerintah di bidang moneter terhadap kemiskinan, pengangguran dan ketimpangan distribusi pendapatan.

141

DAFTAR PUSTAKA

Aldakhil, Khalid I. (1998). A Method for Estimating Simultaneous Equations Models with Time-series and Cross-section Data. Journal King Saud University, Vol.10, 13-28. Riyadh.

Badan Pusat Statistik (BPS). (2007). Memahami Data Strategis yang Dihasilkan BPS. Jakarta: Badan Pusat Statistik.

__________________. (2009). Analisis Kemiskinan, Ketenagakerjaan dan Distribusi Pendapatan. Jakarta: Badan Pusat Statistik.

__________________. Berbagai Edisi. Data dan Informasi Kemiskinan, Buku1: Propinsi. Jakarta: Badan Pusat Statistik.

__________________. Berbagai Edisi. Statistik Indonesia. Jakarta: Badan Pusat Statistik.

Baltagi, Badi H. (2005). Econometric Analysis of Panel Data. New York: John Wiley & Sons.

Basri, Faisal dan Haris Munandar. (2009). Lanskap Ekonomi Indonesia: Kajian dan Renungan Terhadap Masalah-Masalah Struktural, Transformasi Baru, dan Prospek Perekonomian Indonesia. Jakarta: Kencana.

Datt, Gaurav, Martin Ravallion. (1996).Why Some Indian States Done Better Than Others at Reducing Rural Poverty?. Policy Research working Paper No.1594, World Bank, Washington, D.C

Dumairy. (1999). Perekonomian Indonesia. Jakarta: Bumi Aksara.

142

Ekananda, Mahyus. (2005). Analisis Data Panel: Estimasi dengan Struktur Varians-Covarians Residual. Jakarta: Program Pasca Sarjana Universitas Indonesia.

Greene, William. (2003). Econometric Analysis: Fifth edition. United State of America: Prentice Hall.

Gujarati, Damodar. (2004). Basic Econometric: Fourth Edition. Mc.Graw Hill Companies.

Hajiji, Ajid. (2010). Keterkaitan Antara Pertumbuhan Ekonomi, Ketimpangan Pendapatan dan Pengentasan Kemiskinan di Provinsi Riau 2002-2008 [Tesis]. Bogor: Sekolah Pasca Sarjana Institut Pertanian Bogor.

Kadir. (2010). Kaitan Antara Pertumbuhan Sektor Pertanian, Nonpertanian, dan Kemiskinan di Daerah Perdesaan Indonesia: Analisis Data Panel 20022008 [Skripsi]. Jakarta: Sekolah Tinggi Ilmu Statistik.

Komalasari, Farida. (1992). Inflasi di Indonesia: Dampak dan Permasalahannya. Jakarta: STEKPI

Kuncoro, Mudrajad. (2009). Ekonomika Indonesia: Dinamika Lingkungan Bisnis di Tengah Krisis Global. Yogyakarta: UPP STIM YKPN

Kuntoro, Eri. (2007). Hubungan Simultan antara Tingkat Upah dan Penyerapan Tenaga Kerja serta Variabel-variabel yang Mempengaruhinya [Skripsi]. Jakarta: Sekolah Tinggi Ilmu Statistik.

Mankiw, N. Gregory. (2007). Makroekonomi: Edisi Keenam. Jakarta: Erlangga.

Mellor, J.W. (2000). Faster More Equitable Growth: The Relation between Growth in Agriculture and Poverty Reduction. Agricultural Policy Development Project Research Report No.4, Abt Associates Inc., Cambridge, MA. 143

Mustaqiem. (2008). Pajak Daerah Dalam Transisi Otonomi Daerah. Yogyakarta: FH UII Press

Nachrowi, Nachrowi D, Hardius Usman. (2006). Ekonometrika. Jakarta: Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia.

Nash, Maliha S. dan David F. Bradford. (2001). Parametric and Nonparametric (MARS) Logistic Regression for Prediction of A Dichotomous Response Variable with an Example for presence/Absence of an Amphibian. Nevada: US Enviromental Protection Agency (EPA).

Novriadi. (2010). Perubahan Struktur Ekonomi dan Tingkat Pengangguran di Indonesia [Skripsi]. Jakarta: Sekolah Tinggi Ilmu Statistik.

Pracoyo, Tri Kunawangsih dan Antyo Pracoyo. (2007). Aspek Dasar Ekonomi Makro di Indonesia. Jakarta: PT Grasindo.

Rahmanita. (2007). Dampak Pengeluaran Pemerintah Terhadap Pertumbuhan dan Distribusi Pendapatan di Sumatera Utara: Pendekatan SNSE [Disertasi]. Bogor: Sekolah Pasca Sarjana Institut Pertanian Bogor.

Rindayanti, Wiwiek. (2009). Dampak Desentralisasi Fiskal Terhadap Kemiskinan dan Ketahanan Pangan di Wilayah Provinsi Jawa Barat [Disertasi]. Bogor: Sekolah Pasca Sarjana Institut Pertanian Bogor.

Sagir, Soeharsono dkk. (2009). Kapita Selekta Ekonomi Indonesia. Jakarta: Kencana.

Sukirno, Sadono. (2004). Makroekonomi Teori Pengantar Edisi Ketiga. Jakarta: PT RajaGrafindo Persada.

144

Sumarto, Sudarno, and Asep Suryahadi.(2003). The Role of Agricultural Growth in Poverty Reduction in Indonesia. Poverty Module Indonesia, Food and Agriculture Organization (FAO), Rome.

Tambunan, Tulus. (2009). Perekonomian Indonesia. Bogor: Ghalia Indonesia.

Tangkilisan, Hassel Nogi S. (2005). Manajemen Publik. Jakarta: PT Gramedia Widiasarana Indonesia.

Todaro, Michael P. dan Stephen C. Smith. (2003). Pembangunan Ekonomi di Dunia Ketiga. Jakarta: Erlangga.

Wiranto. (2009). Meretas Jalan Baru Ekonomi Indonesia. Jakarta: Institute for Democracy of Indonesia.

Wooldridge, Jeffrey M. (2002). Econometric Analysis of Cross Section and Panel Data. London: MIT Press Cambridge, Massachussets.

World Bank. (2007). Laporan Pencapaian Millenium Development Goals Indonesia 2007. The World Bank.

Yudhoyono, Susilo Bambang. (2004). Pembangunan Pertanian dan Perdesaan Sebagai Upaya Mengatasi Kemiskinan dan Pengangguran di Indonesia: Analisis Ekonomi-Politik Kebijakan Fiskal [Disertasi]. Bogor: Sekolah Pasca Sarjana Institut Pertanian Bogor.

Yusuf, Agusta Briliantono. (2010). Pengaruh Pertumbuhan dan Perubahan Struktur Ekonomi Serta Penyerapan Tenaga Kerja Sektoral Terhadap Tingkat Kemiskinan di Indonesia Periode 2002-2008 [Skripsi]. Jakarta: Sekolah Tinggi Ilmu Statistik.

145

146

LAMPIRAN Lampiran 1. Hasil Estimasi Model Persamaan Struktural 1.1. Persamaan Struktural I
Dependent Variable: LOG(PDRB?) Method: Pooled IV/Two-stage EGLS (Cross-section weights) Date: 06/01/11 Time: 11:30 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Instrument list: C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) Variable C LOG(KONSUMSI?) LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) INFLASI? INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 0.515026 0.421530 -0.006829 0.083409 0.004507 0.050593 0.000781 0.000432 Std. Error 0.894437 0.058740 0.004129 0.016317 0.003032 0.004802 0.000575 0.000644 t-Statistic 0.575811 7.176248 -1.654148 5.111623 1.486652 10.53639 1.359151 0.670940 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.5672 0.0000 0.1040 0.0000 0.1430 0.0000 0.1799 0.5052 -0.072740 0.042669 -0.235683 0.083547 1.287603 -0.261872 -0.407581 0.275612 -0.573811 -1.609978 -1.232865 -0.083098 -1.174355 -1.390093 -0.321720

0.361026 0.597955 0.082769 0.941071 -0.432119 0.356572 -0.774469 0.105746 -0.450988 1.477231 1.124096 0.788870 -0.061656 1.073652 0.484607 Weighted Statistics 0.999970 0.999950 0.026782 25097.26 0.000000 40.000000

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Instrument rank

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat Second-Stage SSR

24.00987 19.14381 0.038014 2.421472 0.074274

Unweighted Statistics R-squared Sum squared resid 0.999711 0.045777 Mean dependent var Durbin-Watson stat 10.17585 1.652551

147

1.2. Persamaan Struktural II
Dependent Variable: TPT? Method: Pooled IV/Two-stage Least Squares Date: 07/30/11 Time: 11:30 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Instrument list: C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(PDRB?) LOG(UMP?) INFLASI? INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 203.1702 -18.97735 -0.175465 0.027905 -0.011152 Std. Error 34.89569 4.434818 1.649899 0.014799 0.016960 t-Statistic 5.822214 -4.279173 -0.106349 1.885634 -0.657535 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0001 0.9157 0.0645 0.5135 -6.223042 -1.233332 -14.25458 -1.850715 22.32836 -12.30120 -8.817650 12.72021 -20.02378 -43.24566 -38.94870 -10.77731 -33.76665 -46.51009 -9.482042

7.171148 27.02455 5.906541 23.54479 -14.03832 14.53015 -28.27079 3.619968 -20.77798 51.48206 49.12065 33.36311 -9.491009 44.02097 25.18035 Effects Specification

Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Instrument rank 0.965252 0.944776 0.744364 44.88177 0.000000 40.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat Second-Stage SSR 8.473667 3.167541 31.02834 2.158733 32.53276

148

1.3. Persamaan Struktural III
Dependent Variable: LOG(GINI?) Method: Pooled IV/Two-stage EGLS (Cross-section weights) Date: 07/30/11 Time: 11:44 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Instrument list: C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(PDRB?) TPT? LOG(UMP?) LOG(PPH?) LOG(DAU?) LOG(DAK?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient -13.65637 1.310323 0.018237 -0.302721 -0.022684 -0.030086 0.092078 Std. Error 1.314291 0.171638 0.008737 0.039752 0.019568 0.032770 0.009545 t-Statistic -10.39067 7.634215 2.087383 -7.615222 -1.159218 -0.918092 9.646257 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0416 0.0000 0.2515 0.3627 0.0000 0.190022 0.030141 0.759031 -0.080827 -1.822919 0.754985 0.950259 -0.653345 1.254033 3.124696 2.665226 0.778776 2.451519 3.068872 0.745097

-0.547512 -1.805872 -0.391521 -1.530684 0.720826 -1.020890 1.834214 -0.248899 1.251095 -2.869348 -3.226300 -2.537489 0.581558 -3.286869 -1.137874 Effects Specification

Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Instrument rank 0.936430 0.895227 0.063713 20.67733 0.000000 40.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat Second-Stage SSR -1.941436 1.853530 0.219206 2.636830 0.239429

Unweighted Statistics R-squared Sum squared resid 0.746391 0.238655 Mean dependent var Durbin-Watson stat -1.111415 2.652541

149

1.4. Persamaan Struktural IV
Dependent Variable: HCI? Method: Pooled IV/Two-stage EGLS (Cross-section weights) Date: 07/30/11 Time: 12:10 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Instrument list: C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(PDRB?) TPT? LOG(EXPENDITURE?) LOG(UMP?) INFLASI? AMH? HCI?(-1) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 77.20415 -1.067156 0.380990 -0.186314 -4.572052 0.033628 -0.317823 0.476724 Std. Error 17.99943 2.711752 0.037953 0.130611 1.863553 0.007987 0.140893 0.091698 t-Statistic 4.289255 -0.393530 10.03850 -1.426488 -2.453406 4.210573 -2.255779 5.198880 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0001 0.6955 0.0000 0.1596 0.0175 0.0001 0.0282 0.0000 -6.225421 0.320414 4.491539 -3.473747 0.149699 -4.190051 -3.686229 -1.198317 2.371130 -6.849015 -0.400951 4.204270 4.876217 -4.100136 10.51990

6.240490 1.171119 -1.262725 -0.073447 -2.578338 2.975648 2.031464 2.724127 -3.602966 -1.017833 -1.004941 1.932717 -1.042319 1.389065 -4.691358 Effects Specification

Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Instrument rank 0.998559 0.997580 0.900468 843.3270 0.000000 40.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat Second-Stage SSR 31.98488 25.25027 42.97470 2.619161 51.95972

Unweighted Statistics R-squared Sum squared resid 0.992131 47.43778 Mean dependent var Durbin-Watson stat 16.90800 2.230026

150

1.5. Persamaan Struktural V
Dependent Variable: LOG(KONSUMSI?) Method: Pooled IV/Two-stage EGLS (Cross-section weights) Date: 07/30/11 Time: 12:29 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Instrument list: C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C HCI? LOG(GINI?) INFLASI? LOG(UMP?) LOG(PPH?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 16.02230 -0.023743 -0.037457 -0.001322 0.168581 -0.016434 Std. Error 0.056784 0.000492 0.006448 0.000249 0.012652 0.003077 t-Statistic 282.1600 -48.26955 -5.808811 -5.316485 13.32470 -5.341199 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 -0.367240 0.164691 -0.363840 -0.326664 -0.077893 -1.070270 -0.700256 0.332955 -0.878502 -2.207772 -1.578640 -0.367785 -1.361040 -2.133424 0.316207

-0.054937 1.355050 0.101961 0.584463 -0.467709 0.917894 -1.046764 0.393123 -1.354584 2.224501 2.540921 2.140336 -0.442773 2.846916 0.881073 Effects Specification

Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Instrument rank 0.999990 0.999984 0.031146 122288.0 0.000000 40.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat Second-Stage SSR 71.88518 203.5407 0.053355 2.336123 0.070237

Unweighted Statistics R-squared Sum squared resid 0.999594 0.059434 Mean dependent var Durbin-Watson stat 16.44430 2.270673

151

Lampiran 2. Hasil Estimasi Model Persamaan Reduced Form 2.1. Persamaan Reduced I
Dependent Variable: LOG(PDRB?) Method: Pooled Least Squares Date: 07/30/11 Time: 06:10 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 White cross-section standard errors & covariance (d.f. corrected) Variable C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 7.285466 -0.007394 0.058078 -0.006500 0.067969 -0.024766 0.335243 0.000618 -0.013522 0.006012 0.000292 0.150253 1.252661 0.245768 1.292197 -0.503454 0.758327 -1.261322 0.237058 -0.924538 2.580831 2.380668 1.682255 -0.315864 2.302308 0.962634 0.999753 0.999560 0.027978 0.039138 220.6163 5184.254 0.000000 Std. Error 0.453664 0.005239 0.014230 0.000835 0.004750 0.009137 0.119270 0.000673 0.008176 0.006936 0.000370 t-Statistic 16.05915 -1.411129 4.081394 -7.788731 14.30866 -2.710703 2.810794 0.919632 -1.653931 0.866752 0.789221 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat Prob. 0.0000 0.1644 0.0002 0.0000 0.0000 0.0092 0.0070 0.3622 0.1044 0.3902 0.4337 -0.146046 -0.189100 -0.593000 -0.004020 1.423012 -0.566271 -0.585067 0.556141 -0.986588 -2.564366 -1.984255 -0.378260 -1.912380 -2.166344 -0.743240 10.17585 1.333677 -4.013695 -2.902668 -3.565663 2.204343

152

2.2. Persamaan Reduced II
Dependent Variable: TPT? Method: Pooled Least Squares Date: 07/30/11 Time: 06:34 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) Variable C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 103.8880 -0.765999 -1.815072 -1.649230 -0.173907 0.561297 -4.669848 -0.008713 0.253548 -0.432929 -0.085676 9.354741 2.441758 0.242691 -4.690861 -6.507008 0.978168 -1.972790 1.374413 -9.106525 -11.45777 3.132270 5.450298 -4.724953 3.994756 0.287206 Std. Error 23.85516 0.154457 0.373567 0.191941 1.433008 0.790541 1.176899 0.023438 0.162037 0.152070 0.017672 t-Statistic 4.354950 -4.959300 -4.858761 -8.592403 -0.121358 0.710017 -3.967928 -0.371765 1.564752 -2.846902 -4.848211 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0001 0.0000 0.0000 0.0000 0.9039 0.4810 0.0002 0.7116 0.1239 0.0064 0.0000 -9.259378 5.558065 3.707529 -1.358267 -5.487450 -4.807610 -2.271524 -1.067711 1.555963 5.573606 1.336188 -1.350791 8.887171 -5.968960 16.15678

Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.976477 0.958129 0.648153 21.00508 -62.22743 53.22033 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 8.473667 3.167541 2.271721 3.382747 2.719752 2.384401

153

2.3. Persamaan Reduced III
Dependent Variable: LOG(GINI?) Method: Pooled Least Squares Date: 07/30/11 Time: 10:01 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable Coefficient Std. Error 1.869567 0.026172 0.030713 0.013976 0.058990 0.014057 0.050068 0.000977 0.007887 0.006002 0.001950 t-Statistic -4.337800 0.145503 -0.231132 4.634479 6.127722 -2.484774 -2.575290 3.483803 -0.981675 1.820497 2.913597 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0001 0.8849 0.8182 0.0000 0.0000 0.0164 0.0130 0.0010 0.3310 0.0747 0.0053 -0.229861 -0.031177 0.180852 -0.049770 0.182322 -0.044198 0.084210 0.404224 0.159367 -0.271842 0.363793 0.762498 0.386634 0.783612 0.027780

C -8.109806 LOG(EXPENDITURE?) 0.003808 LOG(DAU?) -0.007099 LOG(DAK?) 0.064772 LOG(PAJAK?) 0.361472 LOG(PPH?) -0.034928 LOG(UMP?) -0.128939 INFLASI? 0.003405 AMH? -0.007742 HCI?(-1) 0.010926 INFORMAL? 0.005682 Fixed Effects (Cross) _NAD--C -0.245147 _SUMUT--C -0.421460 _SUMBAR--C -0.031404 _RIAU--C -0.020738 _JAMBI--C 0.057281 _SUMSEL--C -0.236988 _BENGKULU--C 0.336959 _LAMPUNG--C -0.089955 _BABEL--C 0.336942 _JAKARTA--C -0.124796 _JABAR--C -0.647263 _JATENG--C -0.820182 _JOGJA--C 0.069148 _JATIM--C -0.887777 _BANTEN--C 0.016935 Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.811668 0.664769 0.059536 0.177227 152.6514 5.525350 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat

-1.111415 0.102827 -2.503365 -1.392339 -2.055334 2.795572

154

2.4. Persamaan Reduced IV
Dependent Variable: HCI? Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 10:10 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 115.2957 -0.388557 -0.323197 -0.620395 -1.922230 0.181279 -6.370804 0.043509 -0.029176 0.344204 -0.010444 8.097929 2.247977 -1.876452 -2.106927 -5.092792 2.552237 0.112239 2.989523 -7.135567 -2.825231 1.403936 5.548487 -0.968505 4.825002 -2.902012 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.999837 0.999710 0.851103 7870.479 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 45.53765 89.82358 36.21881 2.525613 Std. Error 22.59523 0.152026 0.260196 0.072791 0.322009 0.259586 0.579522 0.005065 0.148661 0.073367 0.025102 t-Statistic 5.102658 -2.555858 -1.242130 -8.522919 -5.969487 0.698341 -10.99321 8.590052 -0.196262 4.691530 -0.416077 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0137 0.2200 0.0000 0.0000 0.4882 0.0000 0.0000 0.8452 0.0000 0.6791 -5.974444 3.532396 4.310824 -3.829523 -5.425939 -5.040738 -2.400387 -4.245818 1.431642 0.050582 -0.070081 -0.181407 5.545257 -8.582428 16.01022

Unweighted Statistics R-squared Sum squared resid 0.992521 45.08236 Mean dependent var Durbin-Watson stat 16.90800 2.306401

155

2.5. Persamaan Reduced V
Dependent Variable: LOG(KONSUMSI?) Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 12:42 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Variable C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 13.51693 0.008080 0.083596 -0.021476 0.017667 -0.039151 0.224892 -0.001478 0.007198 -0.010260 0.000959 -0.245013 1.318147 0.106303 0.687990 -0.369949 0.872873 -1.119908 0.316900 -1.222147 2.393574 2.574565 2.060217 -0.360433 2.812051 1.053742 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.999987 0.999977 0.023874 100687.2 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 39.66835 43.08690 0.028498 2.628266 Std. Error 0.371963 0.004551 0.013024 0.008238 0.013175 0.007467 0.038892 0.000664 0.003699 0.002494 0.000549 t-Statistic 36.33941 1.775501 6.418488 -2.607117 1.340943 -5.242977 5.782514 -2.225855 1.945946 -4.113619 1.746408 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0819 0.0000 0.0120 0.1860 0.0000 0.0000 0.0306 0.0573 0.0001 0.0869 -0.162593 0.158052 -0.510872 -0.257291 -0.033749 -0.965155 -0.579571 0.352114 -0.981845 -2.179469 -1.627380 -0.439613 -1.576764 -2.072275 -0.002502

Unweighted Statistics R-squared Sum squared resid 0.999769 0.033856 Mean dependent var Durbin-Watson stat 16.44430 2.233899

156

Lampiran 3. Pengujian Variabel Endogen 3.1. Konsumsi

Dependent Variable: LOG(PDRB?) Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 10:54 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) Variable C LOG(KONSUMSI?) LOGKONS? LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) INFLASI? INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient -3.180956 0.446243 0.288158 -0.011418 0.037820 0.004955 0.028547 0.000808 -0.000363 0.454829 0.205440 0.025465 0.695539 -0.359513 0.100305 -0.440401 0.034889 -0.159923 0.692655 0.395263 0.254400 0.054449 0.332718 0.121712 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.999970 0.999949 0.025087 47609.82 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 23.23277 16.02674 0.032727 2.274597 Std. Error 0.602552 0.048038 0.075960 0.003828 0.014603 0.004063 0.007427 0.000512 0.000733 t-Statistic -5.279143 9.289332 3.793566 -2.982662 2.589899 1.219587 3.843754 1.576202 -0.494542 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0004 0.0043 0.0124 0.2281 0.0003 0.1210 0.6230 -0.032064 0.040243 -0.037730 0.167837 1.248183 -0.000393 -0.243773 0.089166 -0.284259 -0.890061 -0.730552 -0.001489 -0.692178 -0.822139 -0.218619

Unweighted Statistics R-squared Sum squared resid 0.999711 0.045764 Mean dependent var Durbin-Watson stat 10.17585 1.600435

157

3.2. PDRB
Dependent Variable: TPT? Method: Pooled Least Squares Date: 07/30/11 Time: 11:24 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(PDRB?) LOGPDRBCAP? LOG(UMP?) INFLASI? INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient 203.1709 -10.50141 -8.476034 -0.175429 0.027905 -0.011152 7.171168 27.02468 5.906560 23.54490 -14.03838 14.53022 -28.27091 3.619995 -20.77808 51.48230 49.12089 33.36330 -9.491035 44.02122 25.18043 0.968401 0.948867 0.716260 28.21658 -75.50898 49.57574 0.000000 Std. Error 35.06898 1.434234 5.039020 2.085075 0.010540 0.014826 t-Statistic 5.793466 -7.321968 -1.682080 -0.084135 2.647462 -0.752162 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat Prob. 0.0000 0.0000 0.0982 0.9333 0.0106 0.4552 -6.223050 -1.233331 -14.25463 -1.850712 22.32849 -12.30126 -8.817719 12.72025 -20.02388 -43.24590 -38.94889 -10.77736 -33.76685 -46.51032 -9.482088 8.473667 3.167541 2.455755 3.427903 2.847782 2.134924

158

3.3. Tingkat Pengangguran Terbuka (TPT)
Dependent Variable: HCI? Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 12:15 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) Variable C LOG(PDRB?) LOGPDRBCAP? TPTCAP? TPT? LOG(EXPENDITURE?) LOG(UMP?) INFLASI? AMH? HCI?(-1) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 105.8022 5.809458 -11.76875 0.184659 0.223987 -0.209389 -1.570939 0.050044 -0.313178 0.542500 Std. Error 8.626684 2.475071 2.108814 0.053501 0.082471 0.167318 1.172028 0.013906 0.157515 0.052336 t-Statistic 12.26453 2.347189 -5.580743 3.451498 2.715958 -1.251439 -1.340360 3.598651 -1.988248 10.36562 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0228 0.0000 0.0011 0.0090 0.2165 0.1861 0.0007 0.0522 0.0000 -5.598209 -0.057388 1.719712 -2.808565 7.075368 -6.765338 -6.966385 0.876499 -2.858893 -18.57169 -10.33948 1.234714 -5.787398 -15.12392 6.344637

6.059184 7.340717 -0.115169 5.923410 -5.017457 6.328909 -4.464266 3.994446 -8.378027 11.31786 11.36797 11.44081 -2.072008 14.21173 -0.311766 Weighted Statistics 0.999442 0.999026 0.865580 2402.627 0.000000

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

39.56439 52.62042 38.21062 2.634377

Unweighted Statistics R-squared Sum squared resid 0.992677 44.14293 Mean dependent var Durbin-Watson stat 16.90800 2.322061

159

3.4. Gini Ratio
Dependent Variable: LOG(KONSUMSI?) Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 12:31 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C HCI? LOGGINI? LOG(GINI?) INFLASI? LOG(UMP?) LOG(PPH?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 14.62588 -0.006350 0.146471 -0.036555 -0.001844 0.360215 -0.014896 Std. Error 0.071626 0.001181 0.059360 0.040165 0.000212 0.019319 0.007840 t-Statistic 204.1990 -5.377041 2.467491 -0.910123 -8.703451 18.64610 -1.900005 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0168 0.3668 0.0000 0.0000 0.0628 -0.169045 0.025053 -0.538024 -0.223126 0.059172 -0.908254 -0.623823 0.413246 -0.947207 -2.166935 -1.654310 -0.527953 -1.590968 -2.029984 -0.168451

-0.242905 1.382453 0.185240 0.668331 -0.331153 0.879033 -1.117282 0.322627 -1.216337 2.362359 2.634370 2.131785 -0.447124 2.867413 0.971800 Weighted Statistics 0.999936 0.999895 0.027135 24164.08 0.000000

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

29.04801 22.89684 0.039760 2.484583

Unweighted Statistics R-squared Sum squared resid 0.999692 0.045189 Mean dependent var Durbin-Watson stat 16.44430 2.330747

160

3.5. Tingkat Kemiskinan (HCI)
Dependent Variable: LOG(KONSUMSI?) Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 12:32 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C HCI? HCICAP? LOG(GINI?) INFLASI? LOG(UMP?) LOG(PPH?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 15.80040 -0.003255 -0.019619 -0.055662 -0.001385 0.204462 -0.018923 -0.077638 1.353557 0.101435 0.588565 -0.464579 0.916218 -1.049735 0.395989 -1.357381 2.235777 2.559634 2.148920 -0.433985 2.863605 0.889460 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.999986 0.999976 0.026413 107281.8 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 37.70169 41.59136 0.037672 2.407388 Std. Error 0.165764 0.001107 0.001655 0.017867 0.000294 0.025947 0.004094 t-Statistic 95.31888 -2.940376 -11.85289 -3.115287 -4.708293 7.880048 -4.622398 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0048 0.0000 0.0029 0.0000 0.0000 0.0000 -0.355163 0.158238 -0.371177 -0.320593 -0.077442 -1.067189 -0.693739 0.329920 -0.885724 -2.204697 -1.582449 -0.377641 -1.377043 -2.132233 0.287090

Unweighted Statistics R-squared Sum squared resid 0.999711 0.042313 Mean dependent var Durbin-Watson stat 16.44430 2.230290

161

Lampiran 4. Pengujian Simultanitas Hausmann 4.1. Persamaan Struktural I
Dependent Variable: LOG(PDRB?) Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 10:58 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) Variable C RESIDKONS? LOGKONS? LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) INFLASI? INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient -3.180956 0.446243 0.734401 -0.011418 0.037820 0.004955 0.028547 0.000808 -0.000363 Std. Error 0.602552 0.048038 0.056493 0.003828 0.014603 0.004063 0.007427 0.000512 0.000733 t-Statistic -5.279143 9.289332 12.99987 -2.982662 2.589899 1.219587 3.843754 1.576202 -0.494542 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0000 0.0043 0.0124 0.2281 0.0003 0.1210 0.6230 -0.032064 0.040243 -0.037730 0.167837 1.248183 -0.000393 -0.243773 0.089166 -0.284259 -0.890061 -0.730552 -0.001489 -0.692178 -0.822139 -0.218619

0.454829 0.205440 0.025465 0.695539 -0.359513 0.100305 -0.440401 0.034889 -0.159923 0.692655 0.395263 0.254400 0.054449 0.332718 0.121712 Weighted Statistics 0.999970 0.999949 0.025087 47609.82 0.000000

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

23.23277 16.02674 0.032727 2.274597

Unweighted Statistics R-squared Sum squared resid 0.999711 0.045764 Mean dependent var Durbin-Watson stat 10.17585 1.600435

162

4.2. Persamaan Struktural II
Dependent Variable: TPT? Method: Pooled Least Squares Date: 07/30/11 Time: 11:27 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C RESIDLPDRB? LOGPDRBCAP? LOG(UMP?) INFLASI? INFORMAL? Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 203.1709 -10.50141 -18.97745 -0.175429 0.027905 -0.011152 Std. Error 35.06898 1.434234 4.772672 2.085075 0.010540 0.014826 t-Statistic 5.793466 -7.321968 -3.976274 -0.084135 2.647462 -0.752162 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0002 0.9333 0.0106 0.4552 -6.223050 -1.233331 -14.25463 -1.850712 22.32849 -12.30126 -8.817719 12.72025 -20.02388 -43.24590 -38.94889 -10.77736 -33.76685 -46.51032 -9.482088

7.171168 27.02468 5.906560 23.54490 -14.03838 14.53022 -28.27091 3.619995 -20.77808 51.48230 49.12089 33.36330 -9.491035 44.02122 25.18043 Effects Specification

Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.968401 0.948867 0.716260 28.21658 -75.50898 49.57574 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 8.473667 3.167541 2.455755 3.427903 2.847782 2.134924

163

4.3. Persamaan Struktural III
Dependent Variable: LOG(GINI?) Method: Pooled Least Squares Date: 07/30/11 Time: 11:56 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 White cross-section standard errors & covariance (no d.f. correction) Variable C RESIDLPDRB? LOG(PDRB?) RESIDTPT? TPT? LOG(UMP?) LOG(PPH?) LOG(DAU?) LOG(DAK?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) Coefficient -14.19897 -1.086601 1.543485 0.006154 0.002038 -0.372436 -0.007421 -0.081598 0.069828 -0.532794 -2.033306 -0.379283 -1.854793 0.803258 -1.192884 2.085134 -0.315168 1.442592 -3.558020 -3.691275 -2.916967 0.557992 -3.835252 -1.280972 0.776286 0.617104 0.063628 0.210524 144.9040 4.876734 0.000000 Std. Error 4.846987 0.515115 0.415848 0.031233 0.020480 0.019152 0.023016 0.004571 0.026183 t-Statistic -2.929443 -2.109436 3.711654 0.197037 0.099493 -19.44629 -0.322434 -17.85139 2.666942 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat Prob. 0.0050 0.0397 0.0005 0.8446 0.9211 0.0000 0.7484 0.0000 0.0102 0.121440 0.003225 0.837787 -0.090446 -2.146663 0.885686 1.113092 -0.676572 1.503412 3.775534 3.119066 0.832416 2.977943 3.584246 0.861571 -1.111415 0.102827 -2.375645 -1.320170 -1.950016 2.640157

164

4.4. Persamaan Struktural IV
Dependent Variable: HCI? Method: Pooled EGLS (Cross-section weights) Date: 07/30/11 Time: 12:18 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) WARNING: estimated coefficient covariance matrix is of reduced rank Variable C RESIDLPDRB? LOGPDRBCAP? RESIDTPT? TPT? LOG(EXPENDITURE?) LOG(UMP?) INFLASI? AMH? HCI?(-1) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 105.8022 5.809458 -5.959290 -0.184659 0.408646 -0.209389 -1.570939 0.050044 -0.313178 0.542500 Std. Error 8.626684 2.475071 0.910780 0.053501 0.051487 0.167318 1.172028 0.013906 0.157515 0.052336 t-Statistic 12.26453 2.347189 -6.543058 -3.451498 7.936953 -1.251439 -1.340360 3.598651 -1.988248 10.36562 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0228 0.0000 0.0011 0.0000 0.2165 0.1861 0.0007 0.0522 0.0000 -5.598209 -0.057388 1.719712 -2.808565 7.075368 -6.765338 -6.966385 0.876499 -2.858893 -18.57169 -10.33948 1.234714 -5.787398 -15.12392 6.344637

6.059184 7.340717 -0.115169 5.923410 -5.017457 6.328909 -4.464266 3.994446 -8.378027 11.31786 11.36797 11.44081 -2.072008 14.21173 -0.311766 Weighted Statistics 0.999442 0.999026 0.865580 2402.627 0.000000

R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic)

Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

39.56439 52.62042 38.21062 2.634377

Unweighted Statistics R-squared Sum squared resid 0.992677 44.14293 Mean dependent var Durbin-Watson stat 16.90800 2.322061

165

4.5. Persamaan Struktural V
Dependent Variable: LOG(KONSUMSI?) Method: Pooled IV/Two-stage EGLS (Cross-section weights) Date: 09/08/11 Time: 09:59 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Instrument list: C LOG(EXPENDITURE?) LOG(DAU?) LOG(DAK?) LOG(PAJAK?) LOG(PPH?) LOG(UMP?) INFLASI? AMH? HCI?(-1) INFORMAL? White cross-section standard errors & covariance (no d.f. correction) Variable C HCICAP? RESIDHCI? LOGGINI? RESIDGINI? INFLASI? LOG(UMP?) LOG(PPH?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 17.21644 -0.037313 -0.025326 -0.302060 0.341586 -0.002630 -0.025698 -0.015590 0.086187 1.335044 0.032471 0.515240 -0.590136 0.943986 -0.982861 0.456792 -1.482239 2.135400 2.461493 2.128496 -0.426464 2.809607 0.832475 Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) Instrument rank 0.999761 0.999599 0.057075 10791.09 0.000000 40.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat Second-Stage SSR 29.22510 20.35655 0.172649 2.194208 0.098510 Std. Error 1.240826 0.010815 0.012211 0.123807 0.098694 0.000923 0.106384 0.027184 t-Statistic 13.87499 -3.450233 -2.073998 -2.439768 3.461069 -2.849194 -0.241559 -0.573491 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0011 0.0430 0.0181 0.0011 0.0062 0.8101 0.5687 -0.533329 0.274063 -0.220233 -0.420471 -0.199169 -1.201872 -0.750591 0.273581 -0.834471 -2.236722 -1.509859 -0.223982 -1.190880 -2.218944 0.737389

Unweighted Statistics R-squared Sum squared resid 0.999468 0.077884 Mean dependent var Durbin-Watson stat 16.44430 2.297662

166

Lampiran 5. Model Kemiskinan A. Hausman Test (Fixed Effects vs Random Effects)
Correlated Random Effects - Hausman Test Pool: PROV Test cross-section random effects Chi-Sq. Statistic 147.341397

Test Summary Cross-section random

Chi-Sq. d.f. 5

Prob. 0.0000

H0: model random effects lebih baik dari model fixed effects H1: model random effects tidak lebih baik dari model fixed effects Wilayah kritis: χ2(0,05;5) = 11.07 Statistik Uji Hausman= 147.34 Keputusan: H0 ditolak pada taraf nyata 5 persen, model fixed effects.

B. Signifikansi Fixed Effects(Fixed Effects vs Common Effects)
Redundant Fixed Effects Tests Pool: PROV Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square Statistic 5.739439 125.355176 d.f. (29,55) 29 Prob. 0.0000 0.0000

H0: model common effects lebih baik dari model fixed effects H1: model common effects tidak lebih baik dari model fixed effects Wilayah kritis: χ2(0,05;29) = 42.56 Statistik Uji= 125.35 Keputusan: H0 ditolak pada taraf nyata 5 persen, model fixed effects.

167

C. Persamaan HCI
Dependent Variable: HCI? Method: Pooled EGLS (Cross-section weights) Date: 05/16/11 Time: 22:05 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (d.f. corrected) Variable C LOG(PDRB1?) LOG(PDRB2?) LOG(PDRB3?) LOG(PDRB4?+PDRB5?+PDRB6?+ PDRB7?+PDRB8?+PDRB9?) HCI?(-1) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 392.9881 -16.40988 1.937802 -1.677270 -7.769045 0.225281 Std. Error 15.05914 1.812781 0.491501 0.969228 1.027540 0.092009 t-Statistic 26.09632 -9.052325 3.942619 -1.730523 -7.560823 2.448484 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0000 0.0002 0.0891 0.0000 0.0176 -4.760509 -7.582858 -2.243147 3.824584 -11.53291 -9.846062 -0.874205 -17.69850 -0.447797 15.57857 -13.51525 -41.61255 -25.68805 -51.96618 5.710770

11.77288 35.54878 6.154308 8.632812 -15.87316 13.91684 -18.50078 20.64111 -32.09277 -28.50978 47.34313 49.14423 -3.195746 59.23592 8.436313 Effects Specification

Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.997143 0.995377 0.836893 564.6218 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat 26.42413 16.66407 38.52141 2.257844

Unweighted Statistics R-squared Sum squared resid 0.992746 43.72837 Mean dependent var Durbin-Watson stat 16.90800 2.180110

168

Lampiran 6. Model Pengangguran A. Hausman Test (Fixed Effects vs Random Effects)
Correlated Random Effects - Hausman Test Pool: PROV Test cross-section random effects Chi-Sq. Statistic 323.735047

Test Summary Cross-section random

Chi-Sq. d.f. 5

Prob. 0.0000

H0: model random effects lebih baik dari model fixed effects H1: model random effects tidak lebih baik dari model fixed effects Wilayah kritis: χ2(0,05;5) = 11.07 Statistik Uji Hausman= 323.73 Keputusan: H0 ditolak pada taraf nyata 5 persen, model fixed effects.

B. Signifikansi Fixed Effects(Fixed Effects vs Common Effects)
Redundant Fixed Effects Tests Pool: PROV Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square Statistic 18.276115 212.786210 d.f. (29,55) 29 Prob. 0.0000 0.0000

H0: model common effects lebih baik dari model fixed effects H1: model common effects tidak lebih baik dari model fixed effects Wilayah kritis: χ2(0,05;29) = 42.56 Statistik Uji= 212.79 Keputusan: H0 ditolak pada taraf nyata 5 persen, model fixed effects.

169

C. Persamaan TPT
Dependent Variable: TPT? Method: Pooled Least Squares Date: 09/27/11 Time: 01:20 Sample (adjusted): 2006 2008 Included observations: 3 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 90 Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(PDRB1?) LOG(PDRB2?) LOG(PDRB3?) LOG(PDRB4?+PDRB5?+PDRB6?+PDRB7?+ PDRB8?+PDRB9?) TPT?(-1) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient 415.2177 -12.65521 -0.436103 -7.213001 -5.754548 -0.188623 Std. Error 39.72674 4.335084 0.374492 0.620098 1.145535 0.074989 t-Statistic 10.45184 -2.919253 -1.164518 -11.63203 -5.023461 -2.515334 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0000 0.0051 0.2492 0.0000 0.0000 0.0148 -8.718373 -18.28686 -35.17915 3.233471 -13.42285 -0.372339 27.75940 -12.37905 -13.57124 22.34263 -23.92710 -62.37727 -47.90470 -56.29130 -13.92576

10.93571 42.79367 11.00849 24.31785 -13.27070 21.09692 -38.07859 13.06309 -23.71249 5.355250 68.49256 51.33608 -12.33872 63.53310 28.48827 Effects Specification

Cross-section fixed (dummy variables) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.977693 0.963902 0.601812 19.91977 -59.84010 70.89837 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 8.473667 3.167541 2.107558 3.079706 2.499585 2.267986

170

Lampiran 7. Model Ketimpangan Distribusi Pendapatan A. Hausman Test (Fixed Effects vs Random Effects)
Correlated Random Effects - Hausman Test Pool: PROV Test cross-section random effects Chi-Sq. Statistic 8.368427

Test Summary Cross-section random

Chi-Sq. d.f. 4

Prob. 0.0790

H0: model random effects lebih baik dari model fixed effects H1: model random effects tidak lebih baik dari model fixed effects Wilayah kritis: χ2(0,1;4) = 7.78 Statistik Uji Hausman= 8.37 Keputusan: H0 ditolak pada taraf nyata 10 persen, model fixed effects.

B. Signifikansi Fixed Effects(Fixed Effects vs Common Effects)
Redundant Fixed Effects Tests Pool: PROV Test cross-section fixed effects Effects Test Cross-section F Cross-section Chi-square Statistic 6.786081 142.845564 d.f. (29,86) 29 Prob. 0.0000 0.0000

H0: model common effects lebih baik dari model fixed effects H1: model common effects tidak lebih baik dari model fixed effects Wilayah kritis: χ2(0,05;29) = 42.56 Statistik Uji= 142.85 Keputusan: H0 ditolak pada taraf nyata 5 persen, model fixed effects.

171

C. Persamaan GINI
Dependent Variable: LOG(GINI?) Method: Pooled EGLS (Cross-section weights) Date: 05/26/11 Time: 22:43 Sample (adjusted): 2005 2008 Included observations: 4 after adjustments Cross-sections included: 30 Total pool (balanced) observations: 120 Linear estimation after one-step weighting matrix Cross-section SUR (PCSE) standard errors & covariance (no d.f. correction) Variable C LOG(PDRB1?) LOG(PDRB2?) LOG(PDRB3?) LOG(PDRB4?+PDRB5?+PDRB6? +PDRB7?+PDRB8?+PDRB9?) Fixed Effects (Cross) _NAD--C _SUMUT--C _SUMBAR--C _RIAU--C _JAMBI--C _SUMSEL--C _BENGKULU--C _LAMPUNG--C _BABEL--C _JAKARTA--C _JABAR--C _JATENG--C _JOGJA--C _JATIM--C _BANTEN--C Coefficient -1.978397 -0.230917 0.120263 0.055459 0.118554 Std. Error 0.854104 0.129281 0.032417 0.042147 0.081242 t-Statistic -2.316341 -1.786168 3.709927 1.315852 1.459268 _BALI--C _NTB--C _NTT--C _KALBAR--C _KALTENG--C _KALSEL--C _KALTIM--C _SULUT--C _SULTENG--C _SULSEL--C _SULTRA--C _GORONTALO--C _MALUKU--C _MALUT--C _PAPUA--C Prob. 0.0229 0.0776 0.0004 0.1917 0.1481 0.211490 -0.066809 0.514075 0.106966 -0.009256 -0.236013 -0.530402 -0.016365 0.232083 0.017576 0.245975 0.523263 0.359603 0.170020 -0.029797

-0.343152 0.038407 -0.029663 -0.357853 -0.079863 -0.294457 0.385010 0.334815 -0.239891 -1.140076 -0.175571 -0.029738 0.335777 -0.134181 0.238025 Effects Specification

Cross-section fixed (dummy variables) Weighted Statistics R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) 0.841489 0.780665 0.064817 13.83482 0.000000 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat -1.724167 0.893710 0.361305 2.663500

Unweighted Statistics R-squared Sum squared resid 0.712322 0.394222 Mean dependent var Durbin-Watson stat -1.118223 2.410235

172

Lampiran 8. Uji Kenormalan Persamaan Struktural

Probability Jarque-Berra Statistics Residual 1 RESID_NAD RESID_SUMUT RESID_SUMBAR RESID_RIAU RESID_JAMBI RESID_SUMSEL RESID_BENGKULU RESID_LAMPUNG RESID_BABEL RESID_JAKARTA RESID_JABAR RESID_JATENG RESID_JOGJA RESID_JATIM RESID_BANTEN RESID_BALI RESID_NTB RESID_NTT RESID_KALBAR RESID_KALTENG RESID_KALSEL RESID_KALTIM RESID_SULUT RESID_SULTENG RESID_SULSEL RESID_SULTRA RESID_GORONTALO RESID_MALUKU RESID_MALUT RESID_PAPUA 0.868689 0.769133 0.815532 0.828103 0.779583 0.797644 0.768645 0.865782 0.773479 0.867938 0.796475 0.868769 0.778474 0.806264 0.766727 0.820740 0.772303 0.809695 0.846619 0.857744 0.867552 0.856281 0.767618 0.868716 0.865643 0.779099 0.857612 0.866835 0.771982 0.867384 2 0.841476 0.868815 0.821468 0.838135 0.831131 0.830343 0.777849 0.772254 0.812859 0.801682 0.770254 0.863439 0.815096 0.779482 0.814444 0.846650 0.860966 0.868807 0.768609 0.818008 0.782528 0.861666 0.805927 0.775163 0.775249 0.864982 0.815304 0.787804 0.824487 0.780066 Struktural 3 0.805122 0.787388 0.818888 0.769196 0.861567 0.811647 0.767094 0.868810 0.767117 0.800997 0.775489 0.841363 0.855572 0.784722 0.832681 0.857149 0.802222 0.864944 0.799434 0.789460 0.864779 0.767014 0.823464 0.830110 0.811813 0.782516 0.862254 0.779125 0.770169 0.868725 4 0.863757 0.813094 0.770390 0.834168 0.826447 0.848231 0.845639 0.860342 0.859467 0.770198 0.769112 0.779823 0.864950 0.770362 0.798059 0.779848 0.868796 0.785296 0.778119 0.787661 0.823115 0.867200 0.816732 0.771866 0.864929 0.779415 0.810537 0.842254 0.774609 0.857862 5 0.839056 0.862828 0.802670 0.849591 0.829657 0.785621 0.852657 0.858669 0.812030 0.850451 0.804147 0.840893 0.780066 0.854160 0.863806 0.767963 0.839655 0.848321 0.770248 0.801608 0.787812 0.797147 0.868812 0.799136 0.845670 0.860584 0.840363 0.841254 0.815361 0.830136

173

Lampiran 9. Uji Kenormalan Persamaan Reduced Form
Probability Jarque-Berra Statistics Residual 1 RESID_NAD RESID_SUMUT RESID_SUMBAR RESID_RIAU RESID_JAMBI RESID_SUMSEL RESID_BENGKULU RESID_LAMPUNG RESID_BABEL RESID_JAKARTA RESID_JABAR RESID_JATENG RESID_JOGJA RESID_JATIM RESID_BANTEN RESID_BALI RESID_NTB RESID_NTT RESID_KALBAR RESID_KALTENG RESID_KALSEL RESID_KALTIM RESID_SULUT RESID_SULTENG RESID_SULSEL RESID_SULTRA RESID_GORONTALO RESID_MALUKU RESID_MALUT RESID_PAPUA 0.822069 0.859925 0.771856 0.768288 0.868395 0.850402 0.856158 0.836855 0.815499 0.801806 0.776968 0.814809 0.846315 0.819228 0.846558 0.830413 0.8688 0.821956 0.85629 0.856982 0.844302 0.826299 0.767965 0.81051 0.8493 0.82363 0.861072 0.770867 0.801423 0.800738 2 0.784929 0.865187 0.826616 0.868545 0.868037 0.853456 0.866585 0.851406 0.867061 0.774945 0.868658 0.797093 0.76697 0.77585 0.803343 0.838988 0.771319 0.769455 0.800852 0.769521 0.865648 0.771969 0.768889 0.767037 0.793073 0.777348 0.77979 0.778519 0.838363 0.815167 Reduced 3 0.817057 0.768129 0.767121 0.79832 0.766738 0.835374 0.823443 0.812356 0.769606 0.766971 0.770253 0.868488 0.866256 0.836934 0.789842 0.775948 0.789851 0.863604 0.786656 0.867066 0.859798 0.796673 0.846727 0.854581 0.817797 0.858223 0.837398 0.86849 0.76675 0.823787 4 0.868815 0.788691 0.853498 0.837304 0.801244 0.780337 0.76726 0.867856 0.867859 0.808409 0.850905 0.79027 0.827814 0.773375 0.847923 0.774454 0.835111 0.795078 0.778775 0.831287 0.766812 0.86875 0.830916 0.862997 0.812142 0.79905 0.787742 0.76743 0.78632 0.829366 5 0.862228 0.857577 0.77736 0.767816 0.791035 0.805513 0.766873 0.766735 0.868691 0.848424 0.832457 0.867622 0.79358 0.859038 0.767412 0.800706 0.776175 0.790171 0.776243 0.767698 0.865216 0.855067 0.766817 0.867264 0.868229 0.847713 0.790576 0.818659 0.861009 0.781976

174

Lampiran 10. Uji Kenormalan Persamaan Tunggal Residual RESID_NAD RESID_SUMUT RESID_SUMBAR RESID_RIAU RESID_JAMBI RESID_SUMSEL RESID_BENGKULU RESID_LAMPUNG RESID_BABEL RESID_JAKARTA RESID_JABAR RESID_JATENG RESID_JOGJA RESID_JATIM RESID_BANTEN RESID_BALI RESID_NTB RESID_NTT RESID_KALBAR RESID_KALTENG RESID_KALSEL RESID_KALTIM RESID_SULUT RESID_SULTENG RESID_SULSEL RESID_SULTRA RESID_GORONTALO RESID_MALUKU RESID_MALUT RESID_PAPUA Probability JB statistics Gini TPT HCI 0.878160 0.830500 0.713135 0.642891 0.719323 0.765970 0.815172 0.835658 0.734621 0.840595 0.818135 0.762611 0.872690 0.881329 0.677708 0.622043 0.808076 0.862991 0.679593 0.784093 0.835130 0.829774 0.663186 0.696012 0.635345 0.840944 0.679095 0.739379 0.749848 0.683232 0.861514 0.771525 0.817329 0.766733 0.866065 0.766863 0.833500 0.782154 0.847669 0.831201 0.806905 0.852132 0.824252 0.864796 0.766782 0.825112 0.826172 0.868606 0.786524 0.864457 0.810256 0.834722 0.840733 0.820262 0.860215 0.793346 0.825527 0.772791 0.856981 0.811124 0.766728 0.835406 0.818023 0.867159 0.854450 0.768861 0.791584 0.771690 0.860799 0.772025 0.831430 0.796593 0.857299 0.858593 0.867325 0.784322 0.868771 0.817653 0.772805 0.825575 0.807940 0.827008 0.863074 0.821077 0.848165 0.793360 0.767643 0.867396 0.804495 0.785233

175

RIWAYAT HIDUP

Ferdian Fadly, lahir di Pekanbaru pada tanggal 16 Januari 1990 dari pasangan Zul Fadli, B.Sc dan Rosita. Penulis merupakan anak bungsu dari tiga bersaudara. Pada tahun 2001, penulis menyelesaikan pendidikan dasar di SD Negeri 021 Rumbai, Pekanbaru. Kemudian Tahun 2004, penulis menyelesaikan pendidikan menengah pertama di SLTP Negeri 6 Pekanbaru. Kemudian penulis melanjutkan pendidikan di SMA Negeri 8 Pekanbaru dan berhasil lulus pada tahun 2007. Pada tahun yang sama penulis berhasil diterima pada program Diploma IV sekolah Tinggi Ilmu Statistik (STIS) Jakarta. Selama mengikuti pendidikan di STIS, penulis pernah ikut dalam beberapa organisasi kemahasiswaan antara lain menjadi wakil ketua Unit Kegiatan Mahasiswa Kesenian (UKES) pada tahun 2008/2009, wakil ketua Himpunan Mahasiswa Riau (HIMARI) periode 2009, wakil ketua I Praktik Kerja Lapangan 49 STIS, serta kepanitiaaan pada beberapa kegiatan yang diselenggarakan oleh Unit Kegiatan Mahasiswa (UKM) atau kampus STIS. Setelah melewati 4 tahun menempuh pendidikan di kampus STIS, akhirnya pada tahun 2011 dengan izin Allah SWT, penulis berhasil menyelesaikan pendidikan program Diploma IV di STIS Jakarta pada Jurusan Statistika Peminatan Ekonomi dan mempersiapkan diri untuk mengabdi kepada bangsa dan negara Indonesia. Dalam pengabdian, penulis akan berusaha mengembangkan dan membuktikan bahwa statistik memiliki peran penting dalam menciptakan kemajuan dan kesejahteraan Bangsa Indonesia.

176

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times