Draft Buku Analisis Data Panel Dalam Penelitian Ekonomi Dan Bisnis 2021 Dikompresi
Draft Buku Analisis Data Panel Dalam Penelitian Ekonomi Dan Bisnis 2021 Dikompresi
Yogyakarta : 2021
160 hal.; 17,5 X 24,5 cm
Edisi Pertama, Cetakan Pertama, 2021
ISBN :
Penerbit :
Halaman Sampul
Daftar Isi
Kata Pengantar
Bab 1 Pengertian Ekonometrika 1
Daftar Pustaka
Alhamdulillah, segala puji syukur penulis panjatkan kehadirat Allah SWT, atas segala karunia dan
ridho-NYA, sehingga buku referensi dengan judul “ANALISIS DATA PANEL DALAM PENELITIAN
EKONOMI DAN BISNIS” ini dapat diselesaikan.
Buku Referensi disusun bertujuan untuk memberikan tambahan referensi yang berhubungan
dengan penelitian terdahulu dan hasil penelitian penulis untuk dapat dijadikan referensi bagi para
peneliti selanjutnya.
Oleh karena itu, pada kesempatan ini penulis menyampaikan rasa hormat dan
menghaturkan terima kasih yang sebesar-besarnya, kepada :
1. Bapak Dr. Ir. Gunawan Budiyanto, M.P selaku Rektor Universitas Muhammadiyah
Yogyakarta yang telah memberi kesempatan dan memfasilitasi penyelesaian buku referensi
ini.
2. Bapak Dr. Nano Prawoto, SE, M.Si. selaku Wakil Rektor Bidang Sumberdaya Manusia
Universitas Muhammadiyah Yogyakarta yang telah banyak meluangkan waktu dan motivasi
untuk membantu menyelesaikan bukui ini.
3. Bapak Rizal Yaya, SE., M.Sc. Ph.D., AK selaku Dekan Fakultas Ekonomi dan Bisnis yang
selalu memberikan dorongan dan motivasi dalam menyelesaikan buku ini.
4. Bapak Dr. Imamudin Yuliadi, SE, M.Si. selaku Kepala Program Studi Ilmu Ekonomi FEB
UMY yang telah banyak meluangkan waktu untuk membantu menyelesaikan buku ini.
5. Almarhum Ayahanda Sujatmin dan Almarhumah Ibunda Surtilah, serta Bapak mertua Bapak
H. Ngadi dan Ibu Hj. Basyariah atas segala dukungan dan doanya.
6. Istri saya tercinta Sri Pujiati, SE., atas segala motivasi, perhatian dan doa nya serta
kesabaran menunggu di rumah selama beberapa waktu. Dan Ananda tercinta Nanda, Pandu
dan Dinda yang selalu memberi semangat untuk dapat menyelesaikan buku ini.
Dengan keterbatasan pengalaman, ilmu maupun pustaka yang ditinjau, penulis menyadari
bahwa buku referensi ini masih banyak kekurangan dan pengembangan lanjut agar benar-benar
bermanfaat. Oleh sebab itu, penulis sangat mengharapkan kritik dan saran agar buku referensi ini
lebih sempurna serta sebagai masukan bagi penulis untuk penelitian dan penulisan karya ilmiah di
masa yang akan datang.
Akhir kata, penulis berharap buku referensi ini memberikan manfaat bagi kita semua
terutama untuk pengembangan ilmu pengetahuan bidang ekonomi regional dan ekonomi
pembangunan.
B. Model Ekonometrik
Model adalah representasi yang disederhanakan dari proses dunia nyata. Ia harus
representatif dalam arti bahwa ia harus mengandung ciri-ciri yang menonjol dari fenomena yang
diteliti. Secara umum salah satu tujuan dalam pemodelan adalah memiliki model yang sederhana
untuk menjelaskan suatu fenomena yang kompleks. Sasaran seperti itu terkadang mengarah
pada model yang terlalu disederhanakan dan terkadang asumsi yang dibuat tidak realistis.
Dalam praktiknya, secara umum, semua variabel yang menurut eksperimen relevan untuk
menjelaskan fenomena tersebut disertakan dalam model. Variabel lainnya dibuang ke dalam
keranjang yang disebut "gangguan" di mana gangguan adalah variabel acak. Inilah perbedaan
C. Tujuan ekonometrik:
Tiga tujuan utama ekonometrik adalah sebagai berikut:
1. Perumusan dan spesifikasi model ekonometrik: Model ekonomi dirumuskan dalam
bentuk yang dapat diuji secara empiris. Beberapa model ekonometrik dapat diturunkan
dari model ekonomi. Model tersebut berbeda karena perbedaan pilihan bentuk
fungsional, spesifikasi struktur stokastik dari variabel, dll.
2. Estimasi dan pengujian model: Model diestimasi berdasarkan kumpulan data yang
diamati dan diuji kesesuaiannya. Ini adalah bagian dari inferensi statistik pemodelan.
Berbagai prosedur estimasi digunakan untuk mengetahui nilai numerik dari parameter
model yang tidak diketahui. Berdasarkan berbagai rumusan model statistik, maka dipilih
model yang sesuai dan sesuai.
3. Penggunaan model: Model yang diperoleh digunakan untuk peramalan dan perumusan
kebijakan, yang merupakan bagian penting dalam setiap keputusan kebijakan. Perkiraan
semacam itu membantu pembuat kebijakan untuk menilai kebaikan model yang sesuai
dan mengambil tindakan yang diperlukan untuk menyesuaikan kembali variabel ekonomi
yang relevan. Ekonometrika dan statistik: Ekonometrika berbeda dari statistik
matematika dan statistik ekonomi. Dalam statistik ekonomi, data empiris yang
dikumpulkan dicatat, ditabulasi, dan digunakan untuk menggambarkan pola
perkembangannya dari waktu ke waktu. Statistik ekonomi adalah aspek ekonomi
deskriptif. Ini tidak memberikan penjelasan tentang pengembangan berbagai variabel
atau pengukuran parameter hubungan.
E. Masalah agregasi
Masalah agregasi muncul saat variabel agregat digunakan dalam fungsi. Variabel
agregat seperti itu mungkin melibatkan.
1. Agregasi atas individu: Misalnya, total pendapatan dapat terdiri dari jumlah pendapatan
individu.
Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui
tiga pendekatan, antara lain:
1. Common Effect Model
Merupakan pendekatan model data panel yang paling sederhana karena hanya
mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi
waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam
berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS)
atau teknik kuadrat terkecil untuk mengestimasi model data panel.
2. Fixed Effect Model
Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan
intersepnya. Untuk mengestimasi data panel model Fixed Effects menggunakan teknik variable
dummy untuk menangkap perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi
karena perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya sama antar
perusahaan. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy
Variable (LSDV).
3. Random Effect Model
Model ini akan mengestimasi data panel dimana variabel gangguan mungkin saling
berhubungan antar waktu dan antar individu. Pada model Random Effect perbedaan intersep
diakomodasi oleh error terms masing-masing perusahaan. Keuntungan menggunkan model
Random Effect yakni menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error
Component Model (ECM) atau teknik Generalized Least Square (GLS)
Memenuhi
Ya
Pengujian Hipotesis
Gambar 1
Langkah-Langkah Penelitian Data Panel
10 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tahun GDP POP Kurs GFCF LIR TR Trade IVA
2009 7,653,432,000,000 66,548,197 34.29 1,795,686,000,000 5.96 1,370,973,490,000 9,098,188,909,247 2,958,856,000,000
2010 8,227,953,000,000 66,692,024 31.69 2,003,974,000,000 5.94 1,613,942,200,000 10,429,526,413,952 3,268,640,000,000
2011 8,296,548,000,000 66,902,958 30.49 2,101,553,000,000 6.91 1,850,017,280,000 11,520,956,231,846 3,134,519,000,000
2012 8,896,468,000,000 67,164,130 31.08 2,326,689,000,000 7.10 1,908,089,229,239 12,256,242,432,126 3,362,631,000,000
2013 9,136,861,000,000 67,451,422 30.73 2,303,576,000,000 6.96 2,234,672,960,446 12,129,469,377,752 3,408,964,000,000
2014 9,211,567,000,000 67,725,979 32.48 2,248,499,000,000 6.77 2,104,916,011,848 12,155,262,559,984 3,397,938,000,000
2015 9,472,101,000,000 67,959,359 34.25 2,354,425,000,000 6.56 2,226,639,359,382 12,010,739,741,105 3,473,353,000,000
2016 9,581,084,527,582 70,220,299 38.03 2,239,457,166,099 4.77 2,046,163,554,941 13,100,796,034,461 3,686,402,218,541
2017 9,821,753,731,260 70,740,037 38.40 2,271,216,203,380 4.47 2,114,772,103,119 13,514,300,617,845 3,784,104,999,890
2018 10,062,422,934,937 71,259,775 38.77 2,302,975,240,662 4.17 2,183,380,651,297 13,927,805,201,228 3,881,807,781,239
Sumber : Laporan Bank Dunia
11 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Ada 2 cara meregres data panel dalam program eviews, yaitu :
1. Cara Pertama
b. Buka eviews
12 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Maka akan muncul dilayar
13 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Pilih Object New Object
Muncul dilayar
Isi DATAPANEL
Pilih Pool
14 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Dilayar akan muncul :
Dan isilah
15 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Perhatikan data yang akan kita impor, file tersebut harus dalam keadaan tertutup. Dan yang kita
ingat adalah letak data pertama
Letak data
awal yang
akan di copy
di kursor D3
Pilih Excel
(*.xls)
Klik Open
16 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Lokasi Kursor
di awal data
Jika muncul tampilah diatas, maka upload data panel di eviews sukses
Pilih Estimate
18 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Isilah Variabel terikatnya dan variabel bebasnya dan diakhiri setiap variabel dengan tanda tanya
19 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Model Common Effect
20 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Setelah semua variabel kita log kan (kecuali LIR karena dalam persen) didapat hasil sebagai
berikut :
Menunjukan
angka elastisitas
21 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Model Fixed Effect
Hasil Regresi
22 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Model Random Effect
Hasil Regresi
23 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Pemilihan Metode Pengujian Data Panel
Uji Chow merupakan uji untuk menentukan model terbaik antara Fixed Effect Model dengan
Common/Pool Effect Model. Jika hasilnya menyatakan menerima hipotesis nol maka model yang
terbaik untuk digunakan adalah Common Effect Model. Akan tetapi, jika hasilnya menyatakan
menolak hipotesis nol maka model terbaik yang digunakan adalah Fixed Effect Model, dan
pengujian akan berlanjut ke uji Hausman.
Chow test yakni pengujian untuk menentukan model Common Effect atau Fixed Effect yang paling
tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:
Uji Hausman
Hausman test yakni pengujian untuk menentukan model Fixed Effet atau Random Effect yang paling
tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow adalah:
Jika dari hasil Uji Hausman tersebut menyatakan menerima hipotesis nol maka model yang terbaik
untuk digunakan adalah model Random Effect. Akan tetapi, jika hasilnya menyatakan menolak
hipotesis nol maka model terbaik yang digunakan adalah model Fixed Effect.
Uji Chow
24 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Hasilnya sebagai berikut :
Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak, sehingga model terbaik adalah
Model Fixed Effect
Uji Hausman
25 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Hasil Uji Hausman
Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak, sehingga model terbaik adalah
Model Fixed Effect
Dari hasil Uji Chow dan Uji Hauman memutuskan model terbaik adalah Model Fixed Effect,
sehingga Uji LM tidak perlu kita lakukan.
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared
(OLS) meliputi uji Linieritas, Normalitas, Multikolinieritas, Heteroskedastisitas dan Autokorelasi.
26 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier
dengan pendekatan OLS (Gujarati, 2003)
a. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah
diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk
melihat sejauh mana tingkat linieritasnya.
b. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias
Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang
wajib dipenuhi.
c. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu
variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi
multikolinieritas.
d. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih
dekat ke ciri data cross section dibandingkan time series.
e. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang
tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah
berarti.
Sehingga dalam data panel cukup di uji Multikolinearitas dan Uji Heteroskedastisitas.
Uji Multikolinearitas
Salah satu asumsi regresi linier klasik adalah tidak adanya multikolinearitas sempurna (no perfect
multicolinearity) tidak adanya hubungan linier antara variabel penjelas dalam suatu model regresi.
Istilah ini multikoliniearitas itu sendiri pertama kali diperkenalkan oleh Ragner Frisch tahun 1934.
Menurut Frisch, suatu model regresi dikatakan terkena multikoliniearitas bila terjadi hubungan linier
yang sempurna (perfect) atau pasti (exact) di antara beberapa atau semua variabel bebas dari suatu
model regresi. Akibatnya akan kesulitan untuk dapat melihat pengaruh variabel penjelas terhadap
variabel yang dijelaskan (Maddala, 1992: 269-270).
Untuk menguji multikolinearitas bisa dibandingkan R kuadrat regresi variabel bebas terhadap
variabel terikat dengan R kuadrat regresi antar variable bebasnya. Jika R2 regresi variabel bebas
terhadap variabel terikat lebih besar dari R2 regresi antar variable bebasnya, maka dapat
disimpulkan bahwa model tersebut tidak mengandung multikolinearitas.
Karena model terbaik adalah Fixed Effect Model, maka model inilah yang akan kita uji apakah model
tersebut memenuhi asumsi klasik.
27 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Didapat R21 = 0.999774
28 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Didapat R22 = 0.941266
29 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Lakukan regres seperti dibawah ini dan lihar R24 :
30 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Lakukan regres seperti dibawah ini dan lihar R25 :
31 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Lakukan regres seperti dibawah ini dan lihar R26 :
32 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Didapat R27 = 0.964295
R22 = 0.941266
R23 = 0.995060
R24 = 0.999547
R21 = 0.999774 Lebih besar
R25 = 0.997681
R26 = 0.999616
R27 = 0.964295
Kesimpulan karena R21 > R22, R23, R24, R25, R26, R27 maka model fixed effect tidak mengandung
multikolinearitas.
33 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Uji Heteroskedastisitas
Heteroskedastisitas tidak merusak sifat kebiasan dan konsistensi dari penaksir OLS, tetapi penaksir
tadi tidak lagi efisien yang membuat prosedur pengujian hipotesis yang biasa nilainya diragukan.
Oleh karena itu jika suatu model terkena heteroskedastisitas diperlukan suatu tindakan perbaikan
pada model regresi untuk menghilangkan masalah heteroskedastisitas pada model regresi tersebut.
Lakukan regres terhadap model fixed effect, kemudian klik Proc Make Residuals
34 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Akan muncul dilayar
35 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Lakukan regresi ulang klik Estimate
Gantilah Log(GDP?) dengan Log(abs(resid?)) lalu tekan OK, dan akan muncul dilayar
36 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tidak
Signifikan
37 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
2. Cara Kedua
Buka Eviews
38 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Pilih Balanced Panel dan isi Panel specification
39 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Copy data di Excell
40 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Cara Meregres dengan cara kedua ini
41 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Ganti
Dengan
42 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Untuk Regresi Common Effeck pilih
43 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Untuk Regresi Fixed Effeck pilih
44 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Untuk Regresi Random Effeck pilih
45 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Dan hasil regresinya
Uji Chow
Pilih View Fixed/Random Effect Testing Redundan Fixed Effect – Likelihood Ratio
46 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Kesimpulan :
Uji Hausman
Pilih View Fixed/Random Effect Testing Correlated Random Effect – Hausman Test
47 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Hasil Uji Hauman
Kesimpulan :
Berdasarkan Uji Chow dan Uji Hausman Model Terpilih adalah Model Fixed Effect
Uji Normalitas
48 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Hasil Uji Normalitas
Karena nilai probabilitas < 0,05 maka data tidak berdistribusi normal
Uji Multikolinearitas
49 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Maka akan muncul
Klik OK
Klik Yes
50 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Ceck apakah ada nilai > 0.85
Atau untuk uji multikolinearitas gunakan cara dengan membandingkan R 2 hasil regres variabel
bebas terhadap variabel dengan R2 hasil regres antar variabel bebasnya.
Uji Heteroskedastisitas
51 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Pilih OK
Ganti
Dengan
52 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Dan hasilnya
Tidak signifikan
53 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Hasil Analisis
Hasil regresi tersebut dapat kita susun menjadi persamaan regresi sebagai berikut :
54 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
BAB
3
PENGGUNAAN DATA PANEL
DALAM PENELITIAN EKONOMI
Regresi dengan menggunakan data panel statis akan menghasilkan 3 model persamaan
regresi, yaitu: model commont effect, model fixed effect dan model random effect. Model
commont effect merupakan pendekatan model data panel yang paling sederhana karena hanya
mengkombinasikan data time series dan cross section. Pada model ini tidak diperhatikan dimensi
waktu maupun individu, sehingga diasumsikan bahwa perilaku data perusahaan sama dalam
berbagai kurun waktu. Metode ini bisa menggunakan pendekatan Ordinary Least Square (OLS)
atau teknik kuadrat terkecil untuk mengestimasi model data panel (Lampiran 2).
Model fixed effect adalah model yang mengasumsikan bahwa perbedaan antar individu
dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel model Fixed
Effects menggunakan teknik variable dummy untuk menangkap perbedaan intersep antar
perusahaan, perbedaan intersep bisa terjadi karena perbedaan budaya kerja, manajerial, dan
insentif. Namun demikian slopnya sama antar perusahaan. Model estimasi ini sering juga disebut
dengan teknik Least Squares Dummy Variable (Lampiran 3). Model Random Effect adalah model
yang akan mengestimasi data panel dimana variabel gangguan saling berhubungan antar waktu
dan antar individu. Pada model Random Effect perbedaan intersep diakomodasi oleh error terms
masing-masing perusahaan. Keuntungan menggunkan model Random Effect yakni
menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error Component Model
(ECM) atau teknik Generalized Least Square (Lampiran 4).
Sesuai dengan uraian teknis analisis data maka persamaan regresi yang tepat
digunakan dalam disertasi ini adalah regresi data panel. Fungsi PDRB adalah sebagai
berikut ini ( 3.1):
PDRBti = f(Educti, Healthti, Agricti, Marineti, DAUti, Popti, Povt, FDIti, Opnti, Status)
……………………………………..……….. 3.1.
Dari fungsi PDRB (3.1) dapat dijabarkan persamaan matematika sebagai berikut :
55 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
PDRBti = β0 + β1Educti + β2Healthti + β3Agricti + β4 Marineti + β5 DAUti +
β6Popti + β7Povti + β8FDIti + β9 DOpnti+ β10 DStatus + εt
……………………………………………..…....…..…….. 3.2.
Keterangan :
PDRB : Produk Domestik Regional Bruto
Educ : Belanja Pemerintah Untuk Pendidikan
Health : Belanja Pemerintah Untuk Kesehatan
Agric : Belanja Pemerintah untuk Pertanian
Marine : Belanja Pemerintah Untuk Kelautan dan Perikanan
DAU : Dana Alokasi Umum
Pop : Jumlah Penduduk
Pov : Jumlah Penduduk Miskin
FDI : Investasi Asing
DOpn : Dummy untuk Opini BPK terhadap Laparon Pertangungjawaban
Keuangan Daerah
DStatus : Dummy untuk variabel Status
β (1…2) : Koefisien regresi (angka elastisitas) masing-masing variabel
independen
ε : Error term
t : Waktu
i : Wilayah
Persamaan 3.2 di atas, dapat digunakan untuk mencari koefisien regresi yang
menunjukkan angka elastisitas yaitu nilai β. Nilai koefisien regresi β dapat diartikan
perubahan persentase variabel bebas akan mempengaruhi perubahan prosentase variabel
terikat. Koefisien regresi ini dapat dicari dengan melakukan log (Gujarati, 2003 : 168)
terhadap semua variabel kecuali variabel yang nilainya persen atau pecahan (perubahan
dalam prosen). Variabel PDRB dalam persamaan tersebut dijadikan dalam bentuk
logaritma, dan hasil persamaan 3.3 regresi untuk log PDRB akan menghasilkan arti
pertumbuhan ekonomi. Koefisien yang ingin dicari adalah nilai elastisitas, maka model
regresi dirubah dengan model double log, sehingga log(PDRBti) dapat diartikan sebagai
pertumbuhan ekonomi. Model panel statis yang digunakan dalam penelitian ini
menggunakan model double log (persamaan 3.3).
56 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
2. Metode Estimasi Model Regresi Panel
Tahapan analisis data panel sebagai berikut (Gambar 3.1). Tahapan yang harus
dilakukan untuk melakukan regresi dengan model panel statis dan model panel dinamis
ditunjukan dalam Gambar 3.1. Metode estimasi data panel statis harus melalui tiga
pendekatan (Greene, 2003) pengujian pemilihan model (uji Chow, uji Hausman dan uji LM),
dan jika pengujian dengan uji Chow dan uji Hausman sudah konsinten menolak hipotesis nol
maka uji LM tidak perlu dilakukan. Setelah model terpilih (common effect, fixed effect atau
random effect), kemudian dilakukan pengujian asumsi klasik (Gambar 3.1 tentang panel
statis).
Untuk tahap pengujian regresi panel dinamik melalui pengujian : uji akar unit; uji
penentuan panjang lag, uji stabilitas, uji kointegrasi, uji kausalitas Grangger, regresi model
VECM, impulse respon function dan variance decomposition (Gambar 3.1. tentang Model
Panel Dinamis).
57 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Gambar 3.1
Tahapan Analisis Data Panel
58 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
1) Model Yang Dihasilkan
Model Fixed effects mengasumsikan bahwa terdapat efek yang berbeda antar
individu. Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Model
fixed effects, setiap individu merupakan parameter yang tidak diketahui dan akan
diestimasi dengan menggunakan teknik variabel dummy yang dapat ditulis sebagai
berikut (Gujarati, 2003; Greene, 2003: 285). Persamaan regresi dalam model fixed
effects dapat ditulis seperti dalam persamaan 3.6.
59 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Teknik analisis 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.
Berbeda dengan fixed effects model, efek spesifik dari masing-masing individu
diperlakukan sebagai bagian dari komponen error yang bersifat acak dan tidak
berkorelasi dengan variabel penjelas yang teramati, model seperti ini dinamakan
random effects model (REM). Model ini sering disebut juga dengan error component
model (ECM) (Greene, 2003: 285). Persamaan model random effects dapat dituliskan
seperti persamaan 3.7.
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 (Gujarati, 2003).
Untuk memilih model yang paling tepat digunakan dalam mengelola data panel, terdapat
beberapa pengujian yang dapat dilakukan yakni:
a) Uji Chow (Radundant Test)
Uji Chow adalah pengujian untuk menentukan model Fixed Effet atau
Random Effect yang paling tepat digunakan dalam mengestimasi data panel.
Hipotesis dalam uji chow adalah:
60 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
H0 : Common Effect Model atau pooled OLS
H1 : Fixed Effect
Jika hasil uji Chow menunjukkan nilai probablitas cross section F statistic dibawah
0,05 maka Ho ditolak dan model fixed effect lebih tepat digunakan. Sebaliknya jika
hasil uji Chow menunjukkan nilai probablitas cross section F statistic di atas 0,05
maka Ho diterima dan model common effect lebih tepat digunakan.
b) Uji Hausman
Jika hasil uji Hausman menunjukkan nilai probablitas Chi-Sq. Statistic dibawah
0,05 maka Ho ditolak dan model fixed effect lebih tepat digunakan. Sebaliknya jika
hasil uji Hausman menunjukkan nilai probablitas Chi-Sq. Statistic di atas 0,05 maka
Ho diterima dan model random effect lebih tepat digunakan.
Uji Lagrange Multiplier dilakukan jika uji Chow memilih common effect dan Uji
Hausman memilih random effect, tetapi jika uji Chow dan uji Hasman konsisten
menerima model fixed effect adalah model terbaik, maka uji LM tidak perlu
dilakukan. Untuk mengetahui apakah model Random Effect lebih baik daripada
metode Common Effect digunakan uji Lagrange Multiplier (Greene, 2003: 298).
Hipotesis dalam uji LM sebagai berikut :
Jika nilai Prob. Breusch-Pagan (BP) lebih kecil dari 0,05 maka H0 ditolak, dengan
kata lain model yang cocok adalah Random Effect Model.
Perbedaan mendasar untuk menentukan pilihan antara FEM (Fixed Effects
Model) dan ECM (Error Component Model) antara lain sebagai berikut (Gujarati, 2003):
a) Jika T (jumlah data time series) besar dan N (jumlah unit cross-section) kecil (T lebih
besar dari N), perbedaan antara FEM dan ECM sangat tipis dan dapat dilakukan
penghitungan secara konvensional. Pada keadaan ini, FEM lebih disukai
dibandingkan dengan ECM.
61 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
b) Ketika N lebih besar dari T, estimasi yang diperoleh dengan dua metode dapat
berbeda secara signifikan. Jika sangat yakin dan percaya bahwa individu, ataupun
unit cross-section sampel adalah tidak acak, maka FEM lebih cocok digunakan. Jika
unit cross-section sampel adalah random/acak, maka ECM lebih cocok digunakan.
c) Komponen error individu dan satu atau lebih regresor berkorelasi, estimator yang
berasal dari ECM adalah bias, sedangkan yang berasal dari FEM adalah unbiased.
d) Jika N besar dan T kecil, serta jika asumsi untuk ECM terpenuhi, maka estimator
ECM lebih efisien dibanding estimator FEM.
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan
Ordinary Least Squared (OLS) meliputi uji normalitas. uji autokorelasi, uji
heteroskedastisitas, dan uji multikolinieritas Walaupun demikian, tidak semua uji asumsi
klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS. Uji
asumsi klasik dilakukan untuk model terpilih berdasarkan hasil uji pemilihan model.
a) Uji Normalitas
Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias
Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai
sesuatu yang wajib dipenuhi. Untuk menguji apakah distribusi data normal atau
tidak dapat dilakukan dengan menggunkan uji Jarque-Berra (uji J-B).
b) Uji Autokorelasi
Autokorelasi menunjukkan adanya korelasi antara anggota serangkaian
observasi. Jika model mempunyai korelasi, parameter yang diestimasi menjadi
bias dan variasinya tidak lagi minimum dan model menjadi tidak efisien. Dalam
penelitian ini, untuk mengetahui ada tidaknya autokorelasi dalam model
digunakan uji Lagrange Multiplier (LM).
c) Uji Multikolinearitas
Multikolinieritas adalah adanya hubungan linier antara variabel independen di
dalam model regresi. Untuk menguji ada atau tidaknya multikolinieritas pada
model, peneliti menggunakan metode parsial antar variabel independen. Rule
of thumb dari metode ini adalah jika koefisien korelasi cukup tinggi di atas 0,85
maka diduga ada multikolinieritas dalam model. Sebaliknya jika koefisien
korelasi relatif rendah maka duga model tidak mengandung unsur
multikolinieritas (Ajija dan Dyah, 2011).
d) Uji Heteroskedastisitas
Heteroskedastisitas merupakan masalah regresi yang faktor gangguan tidak
memiliki varian yang sama atau variannya tidak konstan. Hal ini akan
memunculkan berbagai permasalahan yaitu penaksir OLS yang bias, varian
dari koefisien OLS akan salah. Dalam penelitian ini akan menggunakan metode
dengan uji Glejser untuk mendeteksi ada tidaknya heteroske-dastisitas dalam
model regresi.
62 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Berdasarkan Tabel 4.12. diperoleh persamaan regresi data panel untuk common effect,
fixed effect dan random effect sebagai berikut:
Tabel 4.12.
Hasil Regresi Model Common effect, Model Fixed Effect dan Model Randon effect
63 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Model Common Effect (persamaan 4.1)
Uji Chow adalah pengujian untuk menentukan model Fixed Effet atau Polled OLS
yang paling tepat digunakan dalam mengestimasi data panel. Hipotesis dalam uji chow
adalah:
Jika hasil uji Chow menunjukkan nilai probablitas cross section F statistic dibawah 0,05 maka
Ho ditolak dan model fixed effect lebih tepat digunakan. Sebaliknya jika hasil uji Chow
64 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
menunjukkan nilai probablitas cross section F statistic di atas 0,05 maka Ho diterima dan
model common effect lebih tepat digunakan. Berdasarkan hasil perhitungan uji Chow (Tabel
4.13) menunjukkan nilai probablitas cross section F statistic dibawah 0,05 maka Ho ditolak
dan model fixed effect lebih tepat digunakan.
Tabel 4.13
Hasil Uji Chow
Tes Efek F Statistik Probabilitas
Cross-section F 2,578 0,0059***
Sumber : Lampiran 4
Jika hasil uji Hausman menunjukkan nilai probabilitas Chi-Sq. Statistic dibawah 0,05 maka
Ho ditolak dan model fixed effect lebih tepat digunakan. Tetapi sebaliknya jika hasil uji
Hausman menunjukkan nilai probablitas Chi-Sq. Statistic di atas 0,05 maka Ho diterima dan
model random effect lebih tepat digunakan. Berdasarkan hasil perhitungan Hausman test
(Tabel 4.14), maka hipotesis nol ditolak sehingga Model Fixed Effect lebih tepat digunakan
dibandingkan model Common Effect.
Tabel 4.14
Hasil Uji Hausman
Ringkasan hasil Uji Statistik Chi-Square Probabilitas
Cross-section random 58,1863 0,0000***
Sumber : Lampiran 5
Uji Lagrange Multiplier (LM) harus dilakukan jika hasil berada pada dua kondisi
saat melakukan regresi data panel. 1) Hasil uji Chow menunjukkan bahwa metode yang
terbaik adalah Common Effect dari pada fixed effect. 2) Hasi uji Hausman menunjukkan
bahwa metode yang terbaik adalah Random effect dari pada Fixed Effect. Jika salah satu
65 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
atau dua-duanya terpenuhi maka langkah berikutnya adalah melakukan uji Lagrange
Multiplier Test.
Berdasarkan hasil uji Chow (Tabel 4.13) dan uji Hausman (Tabel 4.14) sudah
konsisten memilih model fixed effect, sehingga uji Lagrange Multiplier tidak perlu dilakukan.
Model tebaik ditetapkan dalam penelitian ini adalah model fixed effect.
b. Asumsi Klasik
1) Uji Normalitas
Tujuan dari tes ini adalah untuk mengidentifikasi apakah variabel residual
memiliki distribusi normal. Untuk menguji normalitas dalam data panel, statistik deskriptif
yang digunakan adalah nilai probabilitas Jargue-Bera dapat menunjukkan normalitas
data. Data dikategorikan sebagai normal jika nilainya mendekati 0. Berdasarkan Gambar
4.22 nilai Jarque-Bera 5,524 dan nilai probabilitas 0,063 (0,063 > 0,05), artinya model
persamaan model fixed effect memenuhi asumsi berdistribusi normal.
66 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
2) Uji Autokorelasi
Dalam data panel, autokorelasi tidak dapat dideteksi. masalah ini dapat
diselesaikan dengan mengubah regresi menjadi regresi Generalized Least Square
(GLS), karena GLS adalah salah satu autokorelasi remedial (Gujarati, 2003:475).
3) Test Multikolinearitas
Tujuan dari tes untuk mencari korelasi antara variabel bebas. Masalah
multikolinearitas telah diselesaikan dengan data panel (Gujarati, 2003:364). Masalah
multikolinieritas dalam penelitian ini dapat diabaikan karena menggunakan model
Generalized Least Square (GLS). Hasil pengujian Matrik korelasi dapat dilihat pada
Tabel 4.15. Semua variabel memiliki nilai korelasi dibawah 0,9 kecuali populasi (pop)
dan kemiskinan (pov). Persamaan 4.12 memperlihatkan hasil sebagian besar variabel
bebas memiliki pengaruh terhadap variabel terikat (termasuk variabel penduduk miskin),
dan dalam Tabel 4.35 dan 4.36 menunjukkan bahwa baik dalam jangka pendek maupun
dalam jangka panjang variabel populasi dan penduduk miskin memiliki pengaruh
terhadap perubahan PDRB. Hal ini menunjukkan walaupun terjadi multikolinearitas
(populasi dan poverty) tetapi estimator yang OLS yang diperoleh masih tetap
mempertahankan sifat BLUE.
Tabel 4.15.
Uji Multikolinearitas dengan Matriks Korelasi
67 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
4) Uji Heteroskedastisitas
Tujuan dari tes ini adalah untuk menganalisis model regresi dalam variansi
akuralitas pengamatan residual terhadap pengamatan lain. Masalah heteroske-dastisitas
dalam data panel dapat diatasi dengan uji white pada saat estimasi.
Tabel 4.16.
Hasil Uji Heteroskestisitas
Berdasarkan hasil regresi dengan metode White pada Tabel 4.16. diperoleh
hampir seluruh nilai pada probabilitas diatas angka 0,05 dan nilai probabilitas F hitung
lebih dari 0,05. Hal ini menunjukkan bahwa model fixed effect terhindar dari masalah
heteroskedastisitas atau model regresi memenuhi asumsi homoskedastisitas.
Berdasarkan hasil uji Chow dan Hausman, model Fixed effect adalah model yang
dipilih. Berikut ini hasil analisis pendekatan regresi panel model Fixed Effect :
Log(PDRBti) = 0,972 log(POP)P*** – 0,062 log(POV) – 0,169 Log(DAU) ***+ 0,071
log(EDUC)*** + 0,007 log(HEALTH) + 0,04 log(AGRIC)** + 0,032
log(MARINE)** + 0,057 log(FDI)*** + 0,059 DOPINI*** + 0,290
DSTATUS*** + 16,661
Interpretasi hasil perhitungan model fixed effect adalah sebagai sebagai berikut :
68 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
1) Pengaruh Belanja Pemerintah untuk Pendidikan terhadap Pertumbuhan Ekonomi
N
2013 2014 2015 2016 2017 2018
o Provinsi
1 ACEH 0,145 0,064 -0,019 0,290 0,455 0,182
2 SUMATERA UTARA -0,493 0,538 11,043 0,034 0,136 0,053
3 SUMATERA BARAT 0,280 0,415 0,483 0,044 0,138 0,349
4 RIAU 0,064 0,254 -0,036 0,021 0,103 0,197
5 JAMBI 0,399 0,286 -3,566 0,042 0,146 0,475
SUMATERA
6 SELATAN 0,372 0,321 0,977 0,061 0,145 0,305
7 BENGKULU 0,248 3,317 0,204 7,634 0,077 0,214
8 JAWA TENGAH 0,282 0,250 0,324 0,203 1,258 -1,020
9 DI YOGYAKARTA 0,196 0,671 0,364 -0,167 0,150 0,023
KALIMANTAN
10 SELATAN 0,197 0,150 -0,967 0,198 0,773 -0,085
KALIMANTAN
11 TIMUR -0,124 -1,391 0,045 -0,007 0,478 0,112
13 SULAWESI TENGAH 0,640 0,267 9,229 0,070 0,258 0,188
16 MALUKU 0,325 0,969 0,612 0,336 0,061 0,161
17 PAPUA 0,590 0,067 -3,936 0,109 0,020 -0,238
18 MALUKU UTARA -0,304 2,969 0,227 0,013 -0,181 0,106
19 BANTEN -0,449 0,159 0,273 0,102 -0,152 0,025
20 PAPUA BARAT 0,321 -0,436 0,224 0,043 -0,306 0,049
Rerata 0.158 0,522 0,911 0,531 0,209 0,064
Sumber : Tabel 4.1 dan Tabel 4.2 (diolah)
69 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Nilai rerata elastisitas belanja pemerintah untuk pendidikan terhadap pertumbuhan
ekonomi menunjukkan angka positif dan meningkat dari tahun 2013 hingga tahun 2018
(Tabel 4.17). Nilai rerata elastisitas pengeluaran pemerintah untuk pendidikan terhadap
pertumbuhan ekonomi tahun 2013 sebesar 0,158 artinya pertambahan pengeluaran
pemerintah untuk pendidikan sebesar 1% mengakibatkan peningkatan pertumbuhan
ekonomi sebesar 0,158%. Tahun 2019 nilai rerata elatisitas pengeluaran pemerintah untuk
pendidikan terhadap pertumbuhan ekonomi meningkat menjadi 0,209 artinya pertambahan
belanja pemerintah untuk pendidikan sebesar 1% mengakibatkan peningkatan pertumbuhan
ekonomi sebesar 0,209%. Rata-rata besarnya elastisitas tahun 2013 hingga 2018 sebesar
0,064, peningkatan 1 persen anggaran pendidikan memeliki pengaruh terhadap
pertumbuhan ekonomi sebesar 0,064%.
Setiap tahun biaya pendidikan di Indonesia meningkat rata-rata 15% atau anggaran
pendidikan menjadi penyumbang inflasi di Indonesia. Peningkatan anggaran pendidikan di
awali tahun 2005 dengan munculnya undang-undang guru dan dosen yaitu Undang-undang
No 14 tahun 2005. Undang-undang No 14 tahun 2005 menyebutkan bahwa guru dan dosen
yang telah tersertifikasi berhak memperoleh tunjangan sebesar gaji pokok. Peningkatan
kesejahteraan guru dan dosen belum diimbangi dengan peningkatan kualitas guru dan
dosen, dan akibatnya peningkatan anggaran pendidikan melalui tunjangan profesi guru dan
dosen belum optimal meningkatkan kualitas guru dan murid. Pada tahun 2010 anggarannya
baru untuk profesi guru dan dosen sebesar Rp 10 triliunan, sementara pada 2017 sudah
mencapai lebih dari Rp 50 triliunan dan sempat naik hingga Rp 70 triliun setahun sebelumnya
(dialog publik Persatuan Guru Republik Indonesia bersama Menkeu dan Mendikbud yang
diselenggarakan di Gedung Guru Indonesia, Jakarta (10/7/2018)). Hasil ini sesuai dengan
penelitian yang dilakukan Iqbal & Zahid (1998), Li & Liang (2010) dan Murova & Khan (2017).
Mereka menyimpulkan pengeluaran pemerintah untuk pendidikan memiliki pengaruh positip
terhadap pertumbuhan ekonomi.
Hasil penelitian belanja pendidikan memiliki pengaruh terhadap pertumbuhan
ekonomi daerah ini, mendukung teori Keyns, Rostow dan Musgrave dan teori Neo Klasik.
Teori Keynes peran pemerintah bisa mempengaruhi permintaan agregat, agar
mendekati posisi Full Employment-nya. Permintaan agregat adalah seluruh jumlah uang
yang dibelanjakan oleh seluruh lapisan masyarakat untuk membeli barang dan jasa dalam
satu tahun. Dalam perekonomian tertutup permintaan agregat terdiri dari 3 unsur: a)
Pengeluaran Konsumsi oleh Rumah Tangga (C); b) Pengeluaran Investasi oleh Perusahaan
(I); c) Pengeluaran Pemerintah (G). Pemerintah bisa mempengaruhi permintaan agregat
secara langsung melalui pengeluaran pemerintah dan secara tidak langsung terhadap
pengeluaran konsumsi dan pengeluaran investasi.
Rostow dan Musgrave menghubungkan perkembangan pengeluaran pemerintah
dengan tahap-tahap pembangunan ekonomi dalam Negara. Tahap awal perkembangan
pembangunan ekonomi peran pemerintah sangat besar terutama dalam penyediaan sarana
prasarana, misalnya sarana pendidikan, kesehatan, dan transportasi. Tahap berikutnya
adalah tahap menengah peran investasi swasta menjadi lebih besar tetapi masih diperlukan
peran pemerintah untuk meningkatkan pertumbuhan ekonomi di samping peran pemerintah
menjadi semakin besar.
70 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Peningkatan output perekonomian menurut Solow (Neo Klasik) dipengaruhi oleh
tabungan, pertumbuhan populasi, dan kemajuan teknologi. Tabungan merupakan instrumen
yang dipengaruhi oleh kebijakan fiskal (penerimaan pajak dan belanja negara
mempengaruhi tabungan nasional). Secara tidak langsung kebijakan fiskal ikut mengambil
peran dalam pertumbuhan ekonomi.
Untuk meningkatkan agar belanja pemerintah daerah di bidang pendidikan
mendorong pertumbuhan ekonomi, maka pemerintahan membuat kebijakan penggunaan
anggaran belanja pendidikan dengan Mandatory spending. Mandatory spending adalah
belanja atau pengeluaran negara yang sudah diatur oleh undang-undang. Tujuan mandatory
spending ini adalah untuk mengurangi masalah ketimpangan sosial dan ekonomi daerah.
Mandatory spending dalam tata kelola keuangan pemerintah daerah untuk alokasi anggaran
pendidikan sebesar 20% dari APBD sesuai amanat UUD 1945 pasal 31 ayat (4) dan UU No.
20 tahun 2003 tentang Sistem Pendidikan Nasional pasal 49 ayat (1).
71 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.18
Perkembangan Elastisitas Belanja Pemerintah Untuk
Kesehatan terhadap Pertumbuhan Ekonomi
72 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
pemerintah ke pasar tidak pernah bisa dibenarkan atas dasar peningkatan efisiensi. Ini
konsisten dengan pandangan Austria tentang efisiensi dan diterima secara umum oleh
ekonom Austria kontemporer. Kirzner menyiratkan bahwa mungkin ada pembenaran untuk
intervensi pemerintah atas dasar efisiensi. Dalam kenyataan biaya berobat di Indonesia
sangat tinggi dan menjadi pekerjaan rumah bagi pemerintah saat ini. Salah satu pemicu
mahalnya biaya berobat adalah pengenaan pajak bagi alat kesehatan yang cukup mahal.
Sampai saat ini hampir semua alat kesehatan masih termasuk dalam kategori barang
mewah. Konsekuensinya adalah transaksi alat-alat ini otomatis akan dikenakan Pajak
Penjualan atas Barang Mewah (PPnBM), yang ujung-ujungnya mengerek tarif biaya berobat.
Menurut Kirzner intervensi pemerintah ke pasar tidak pernah bisa dibenarkan atas dasar
peningkatan inefisiensi.
P2
P1
IS2(P=P2 AD2
)
IS1(P=P1 AD1
)
Pendapatan,
Y1 Y2 Pendapatan, Y1 Y2
output, Y
output, Y
Sumber : Mankiw, 2003
Gambar 4.23
Peningkatan Belanja Pemerintah Daerah untuk Kesehatan
Menggeser Permintaan Agregat
Adanya titik toleransi pajak ini merupakan penghambat bagi pemerintah untuk terus
menaikkan pemungutan pajak. Tercapainya perkembangan ekonomi akan menyebabkan
pemungutan pajak menjadi semakin besar walaupun pemerintah tidak menaikkan tarif pajak,
adanya kenaikan penerimaan pajak alat kesehatan ini akan menyebabkan pengeluaran
pemerintah untuk belanja kesehatan meningkat pula. Akan tetapi, apabila kondisi tersebut
terganggu oleh gejolak sosial, misalnya karena wabah penyakit maka pemerintah akan lebih
memperbesar pengeluarannya untuk membiayai kegiatan baru tersebut yaitu dengan
menaikkan tarif pajak. Kebijakan pemerintah menaikkan penerimaan dari sektor pajak
73 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
melalui kenaikan tarif akan mengurangi dana swasta yang seharusnya digunakan untuk
konsumsi dan investasi sehingga tingkat investasi dan konsumsi masyarakat di bidang
kesehatan menjadi turun. Keadaan ini disebut dengan efek pengalihan (displacement effect),
yaitu karena adanya gejolak sosial menyebabkan aktivitas swasta dialihkan pada aktivitas
pemerintah.
74 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.19
Perkembangan Elastisitas Belanja Pemerintah Untuk Pertanian
terhadap Pertumbuhan PDRB
75 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
elastisitas pengeluaran pemerintah untuk perikanan dan kelautan terhadap pertumbuhan
ekonomi pada tahun 2012 sebesar 0,263 artinya pertambahan pengeluaran pemerintah
untuk perikanan dan kelautan sebesar 1% mengakibatkan peningkatan pertumbuhan
ekonomi sebesar 0,263%. Tahun 2018 nilai rerata elastisitas pengeluaran pemerintah untuk
perikanan dan kelautan terhadap pertumbuhan ekonomi menurun menjadi 0,108 artinya
pertambahan pengeluaran pemerintah untuk perikanan dan kelautan sebesar 1%
mengakibatkan peningkatan pertumbuhan ekonomi sebesar 0,108% mengalami penurunan
dibandingkan tahun sebelumnya.
Tabel 4.20
Perkembangan Elastisitas Belanja Pemerintah Untuk Perikanan dan Kelautan
terhadap Pertumbuhan PDRB
Bagi hasil pemerintah pusat terhadap daerah yang diwujudkan dalam bentuk dana
alokasi umum yang digunakan daerah untuk peningkatan pelayanan kepada masyarakat
dalam rangka pelaksanaan otonomi daerah. Dana Alokasi Umum memiliki pengaruh negatif
76 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
terhadap pertumbuhan ekonomi, hal ini ditunjukan dengan nilai rata-rata koefisien regresi
untuk dana alokasi umum sebesar -0,169. Koefisen regresi ini menunjukkan bahwa kenaikan
anggaran dana alokasi umum sebesar 1% akan menurunkan pertumbuhan ekonomi sebesar
0,169% dengan asumsi faktor lain selain Dana Alokasi Umum dianggap tetap. Pengaruh
negatif antara dana alokasi umum terhadap pertumbuhan ekonomi dapat terjadi karena
implementasinya, Dana Alokasi Umum banyak terserap di belanja pegawai menjadi hal yang
krusial di daerah. Karena urgensi dari belanja tidak sejalan dengan pembangunan
masyarakat sesuai dengan kebutuhan dan tuntutan yang ada. Pemberian DAU untuk gaji
pegawai tidak sejalan perampingan pegawai sesuai dengan kebutuhan yang ada. Sehingga
mengurangi kapasitas belanja pembangunan dan pada akhirnya berdampak pada
penurunan pertumbuhan ekonomi.
Permasalahan utama dalam DAU adalah pemerintah pusat tidak berhak mencampuri
penggunaan DAU oleh daerah/kota dengan proporsi adalah 26% dari penerimaan dalam
negeri kemudian 10% diserap oleh propinsi dan 90% untuk seluruh kabupaten/kota. Dana
Alokasi Umum (DAU) menurut UU no 23 tahun 2014 bertujuan mengurangi atau menutup
fiscal gap daerah, sehingga daerah mampu memenuhi kebutuhan berdasar prioritas tertentu,
dan mendorong kemajuan suatu daerah.
Dalam struktur I-Account APBN, DAU merupakan jenis transfer dalam kelompok
Dana Transfer Umum (DTU). Melalui UU No. 15 Tahun 2017 tentang APBN TA 2018,
Pemerintah mengarahkan penggunaan DTU minimal sebesar 25% untuk belanja
infrastruktur daerah yang langsung terkait dengan percepatan pembangunan fasilitas
pelayanan publik dan ekonomi dalam rangka meningkatkan kesempatan kerja, mengurangi
kemiskinan, dan mengurangi kesenjangan penyediaan layanan publik antar daerah. Pada
tahun 2017 dari 508 daerah yang telah menyampaikan laporan keuangan, 229 daerah (20
Provinsi, 209 kab/kota) telah melaporkan penggunaan DTU lebih dari 25% untuk belanja
infrastruktur daerah. 313 daerah (14 Provinsi, 299 kab/kota) telah melaporkan penggunaan
DTU kurang dari 25% untuk belanja infrastruktur daerah. Dari total daerah yang telah
melaporkan laporan keuangannya 61,6% penggunaan anggaran untuk infrastruktur kurang
dari 25%. Pada tahun 2018 dari 534 daerah yang telah menyampaikan laporan keuangan.
246 daerah (21 Provinsi, 225 kab/kota) melaporkan penggunaan DTU lebih dari 25% untuk
belanja infrastruktur daerah. 288 daerah (11 Provinsi, 277 kab/kota) melaporkan
penggunaan DTU kurang dari 25% untuk belanja infrastruktur daerah. Dari total daerah yang
telah melaporkan laporan keuangannya 54% penggunaan anggaran untuk infrastruktur
kurang dari 25%. Penggunaan DAU yang tidak tepat atau tidak untuk prioritas belanja
infrastruktur daerah berakibat pada target pembangunan daerah tidak dapat optimal. Target
pembangunan yang tidak optimal berdampak pada meningkatkan kesempatan kerja,
mengurangi kemiskinan, dan mengurangi kesenjangan penyediaan layanan publik antar
daerah tidak terpenuhi.
Selain itu, sampel provinsi yang digunakan dalam penelitian ini 11 dari 20 provinsi
(55%) adalah provinsi yang kaya sumber daya minyak yang dihasilkan diatas 5 juta barel
menurut Keputusan Menteri ESDM No 4618 K/80/MEM/2016. DAU merupakan dana
perimbangan yang memiliki tujuan utama adalah pengurangan kesenjangan fiskal antar
daerah. Dalam UU 23/2014 telah dinyatakan dengan tegas bahwa DAU dibagikan dengan
77 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
formula yang didasarkan atas alokasi dasar dan kesenjangan fiskal. Alokasi dasar ditetapkan
terutama berdasarkan besarnya belanja pegawai, sedangkan kesenjangan fiskal dihitung
dari selish antara kebutuhan fiskal dan kapasitas fiskal. Bagi daerah yang kesenjangannya
fiskal kecil akan memperoleh DAU yang kecil pula, karena 55% sampel provinsi dengan
status daerah kaya sehingga mendapatkan DAU yang kecil sehingga dalam jangka pendek
peranan DAU dalam pertumbuhan ekonomi belum sesuai dengan yang diharapkan.
Untuk mengatasi tidak efektifnya dana alokasi umum dalam mendorong
pertumbuhan ekonomi, pemerintah harus merubah penganggaran dengan pendekatan
tradisional dengan penganggaran pendekatan kinerja. Penganggaran kinerja disusun
dengan orientasi output. Sistem ini menitikberatkan pada segi penatalaksanaan sehingga
selain efisiensi penggunaan dana juga hasil kerjanya diperiksa. Tolok ukur keberhasilan
sistem anggaran ini adalah performance atau prestasi dari tujuan atau hasil anggaran
dengan menggunakan dana secara efisien. Dengan membangun suatu sistem
penganggaran yang dapat memadukan perencanaan kinerja dengan anggaran tahunan
akan terlihat adanya keterkaitan antara dana yang tersedia dengan hasil yang diharapkan.
Pengaruh positif antara dana alokasi umum terhadap pertumbuhan ekonomi dapat dilihat
dalam Tabel 4.21.
Nilai rerata elastisitas dana alokasi umum terhadap pertumbuhan ekonomi
menunjukkan angka positif dan menurun dari tahun 2012 hingga tahun 2018 (Tabel 4.19).
Nilai rerata elastisitas Dana Alokasi Umum terhadap pertumbuhan ekonomi tahun 2012
sebesar 0,227 artinya pertambahan dana alokasi umum sebesar 1% mengakibatkan
peningkatan pertumbuhan ekonomi sebesar 0,227%. Tahun 2018 nilai rerata elatisitas dana
alokasi umum terhadap pertumbuhan ekonomi menjadi -4,120 artinya pertambahan Dana
Alokasi Umum sebesar 1% mengakibatkan penurunan pertumbuhan ekonomi sebesar
4,12%. Rata-rata elastisitas tahun 2012 hingga tahun 2018 sebesar -0,021, artinya
peningkatan Dana Alokasi Umum sebesar 1% akan mengakibatkan penurunan pertumbuhan
ekonomi sebesar 0,02%.
Tabel 4.21
Perkembangan Elastisitas DAU terhadap Pertumbuhan ekonomi
78 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
DAU merupakan komponen utama dalam pembiayaan otonomi daerah, sehingga
perlu dilakukan pengawasan penggunaan pembiayaan melalui DAU. Lebih dari 80% DAU
digunakan untuk belanja pegawai dan sisanya diserahkan kepada daerah untuk digunakan
dengan persetujuan DPRD. (Kompas, 26 Nop 2001). Atas dasar itu, maka komponen
terbesar DAU dialokasikan untuk pembayaran gaji dan tunjangan PNS (pegawai negeri sipil)
di daerah. Hasil ini sesuai dengan penelitian penelitian Astria (2014) di Sumatera Selatan
hasil penelitiannya menyimpulkan Dana Alokasi Umum memiliki pengaruh negatif (-)
terhadap pertumbuhan ekonomi.
Hasil penelitian ini sesuai dengan teori Model penyebab berkumulatif. Teori tidak
percaya pemerataan pembangunan antar daerah akan dapat dicapai dengan sendirinya
berdasarkan mekanisme pasar. Menurut model ini, ketimpangan pembangunan regional
hanya akan dapat dikurangi melalaui program pemerintah. Apabila hanya diserahkan pada
mekanisme pasar, maka ketimpangan regional akan terus meningkat seiring dengan
peningkatan proses pembangunan. Hasil ini juga mendukung teori Musgrave (1959) dan
Oates (1972) lebih menekankan pentingnya revenue dan expenditure assignment antar level
pemerintahan. Teori ini menjelaskan bagaimana desentralisasi fiskal berpengaruh terhadap
perilaku pemerintah daerah. Jika pemerintah daerah mempunyai kewenangan membuat
peraturan tentang ekonomi lokal, maka campur tangan pemerintah pusat dalam
perekonomian daerah dibatasi. Keterkaitan yang erat antara penerimaan daerah dengan
pengeluaran daerah juga menjadi insentif bagi pemerintah daerah dalam meningkatkan
kemakmuran ekonomi daerah.
Dalam konteks keuangan publik, hasil penelitian ini mendukung pemerintah daerah
mempunyai informasi yang lebih baik dibanding pemerintah pusat tentang kondisi daerah
masing-masing, sehingga pemerintah daerah akan lebih baik dalam pengambilan keputusan
penyediaan barang dan jasa publik dibanding penyediaan hal tersebut oleh pemerintah
pusat. Keadaan ini disebut allocative efficiency. Dana Perimbangan untuk mendukung
kebutuhan pendanaan pelayanan publik di daerah harung menggunakan konsep Value for
Money, serta memerangi korupsi dan penyalahgunaan. DAU bersifat final untuk
memberikan kepastian pendanaan bagi APBD dan penggunaan 25 persen untuk belanja
infrastruktur daerah.
79 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.22.
Elastisitas Pertumbuhan Penduduk terhadap Pertumbuhan Ekonomi Tahun 2014-2018
80 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
bertambahnya angkatan kerja karena bertambahnya jumlah penduduk, dan meningkatnya
produktivitas kerja karena kemajuan tehnologi. Peningkatan jumlah penduduk akan
menambah angkatan kerja, jika peningkatan angkatan kerja dibarengi dengan peningkatan
produktivitas berdampak padapertumbuhan ekonomi.
Konsep pembangunan berkelanjutan adalah proses pembangunan yang
mengoptimalkan manfaat sumber daya alam dan manusia dengan pembangunan.
Pembangunan berkelanjutan diharapkan untuk meningkatkan kesejahteraan masyarakat.
Beberapa tujuan pembangunan berkelanjutan adalah mengentaskan kemiskinan,
menghilangkan dampak kelaparan, kehidupan sehat dan sejahtera, pendidikan berkualitas,
dan masih banyak lainnya. Dalam buku Ekologi Manusia dan Pembangunan Berkelanjutan
(2016) karya Oekan Abdullah, untuk mewujudkan pembangunan berkelanjutan di suatu
negara, peran penduduk sangat penting. Hal ini karena peran penduduk adalah sebagai
subyek dan obyek dari pembangunan berkelanjutan.
81 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.23
Perkembangan Elastisitas Penduduk Miskin terhadap PDRB
No Provinsi 2011 2012 2013 2014 2015 2016 2017 2018 Rerata
1 SUMATERA UTARA 1,447 -0,913 6,315 -1,275 0,429 -1,333 -0,586 -1,029 0,382
2 RIAU 36,882 -1,520 0,339 -1,018 0,016 -0,198 -2,405 -8,222 2,984
3 JAMBI 2,480 -3,345 1,712 3,894 0,344 -0,690 -1,260 10,002 1,642
4 SUMATERA SELATAN -0,930 -1,706 0,921 -2,718 1,257 -3,239 -5,777 -6,418 -2,326
5 BENGKULU -2,623 4,366 2,093 -2,418 1,769 9,347 -0,689 4,331 2,022
6 JAWA TENGAH -1,745 -1,089 -1,430 -0,888 -5,675 -4,562 -0,706 -1,067 -2,145
7 DI YOGYAKARTA -2,179 -5,537 -1,074 -1,760 -0,586 -13,316 -0,943 7,042 -2,294
8 KALIMANTAN SELATAN 2,773 -1,530 -1,484 1,906 7,200 -1,470 0,990 2,032 1,302
9 KALIMANTAN TIMUR -0,539 -2,111 -1,997 0,798 -1,585 -0,286 0,719 -0,169 -0,646
10 MALUKU -0,335 -1,010 -1,171 -4,284 0,607 2,702 -2,290 -1,550 -0,916
11 PAPUA 0,231 1,467 1,025 -0,503 0,882 1,938 2,078 -0,767 0,794
12 MALUKU UTARA -2,625 -0,672 -1,944 -5,328 -0,451 1,163 3,301 1,166 -0,674
13 BANTEN -0,601 -0,923 1,168 -1,331 0,686 -1,130 0,863 -1,501 -0,346
14 PAPUA BARAT -0,601 -0,265 3,239 -3,814 5,243 -2,738 -0,730 1,310 0,205
Rerata 2,260 -1,056 0,551 -1,339 0,724 -0,987 -0,531 0,369 -0,001
Sumber : Tabel 4.1 dan Tabel 4.8 (diolah)
82 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Menurut Škare & Družeta (2016) penting untuk mendasarkan strategi pengentasan
kemiskinan pada pertumbuhan ekonomi yang cepat namun berkelanjutan, ketika jutaan
orang masih hidup dalam kemiskinan, tantangan terpenting bagi pembuat kebijakan adalah
memastikan pra-kondisi kelembagaan dan menggabungkan kebijakan pro-pertumbuhan dan
pro-miskin yang akan memungkinkan kaum miskin untuk berpartisipasi dalam peluang dan
berkontribusi untuk pertumbuhan di masa depan.
Untuk meningkatkan peran penduduk miskin dalam berperan dalam pembangunan,
maka pemerintah pusat dan pemerintah daerah harus meningkatkan relevansi arah
kebijakan, program dan alokasi anggaran pemerintah daerah terhadap kebutuhan intervensi
penanggulangan kemiskinan. Meningkatkan konsolidasi belanja anggaran pemerintah
daerah dengan anggaran pemerintah pusat, dan antar anggaran pemerintah darah untuk
penanggulangan kemiskinan. Melakukan pemberdayaan penduduk miskin melalui program
pemberdayaan kelompok masyarakat miskin dengan pemberian modal usaha melalui
program bantuan langsung pemberdayaan sosial untuk mengelola usaha ekonomi produktif
dan bantuan kredit usaha rakyat dengan bunga pinjaman rendah.
Tabel 4.24
Perkembangan Elastisitas Pengeluaran Pemerintah Untuk Penanaman Modal Asing
terhadap Pertumbuhan PDRB
84 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
unbalanced growth). Investasi potensial dari sudut pendanaan justru terletak di sektor yang
sudah maju yang sudah dilakukan sejumlah investasi. Sektor maju ini sebaiknya dibina dan
hasil dari investasi ini diarahkan untuk prioritas-prioritas yang terletak di sektor-sektor lainya
sehingga ketimpangan dan ketidakseimbangan dalam ekonomi masyarakat dapat teratasi.
Hasil ini juga sesuai dengan Teori Lokasi. Teori lokasi adalah ilmu yang menyelidiki
tata ruang (spatial order) kegiatan ekonomi, atau ilmu yang menyelidiki alokasi geografis dari
sumber-sumber yang langka, serta hubungannya dengan lokasi berbagai macam kegiatan
baik ekonomi maupun sosial (Tarigan, 2018; Sjafrizal, 2012). Analisis ini dapat
dikembangkan untuk melihat bagaimana suatu lokasi yang memiliki potensi dan daya tarik
mempengaruhi orang untuk mendatangi wilayah yang memiliki potensi tersebut. Analisis ini
dapat dikembangkan untuk melihat bagaimana suatu lokasi yang memiliki potensi dan daya
tarik mempengaruhi orang untuk mendatangi wilayah yang memiliki potensi tersebut.
Hasil ini juga sesuai dengan George H. Bort (1960) dengan mendasarkan
analisisnya pada teori ekonomi ekonomi Neo-Klasik. Pertumbuhan ekonomi suatu wilayah
akan sangat ditentukan oleh kemampuan wilayah tersebut untuk meningkatkan kegiatan
produksinya. Kegiatan produksi pada suatu daerah tidak hanya ditentukan oleh potensi
daerah yang bersangkutan, tetapi juga ditentukan pula oleh mobilitas modal antar daerah.
Hasil ini juga sesuai dengan teori Kutub Pertumbuhan. Teori ini berpendapat
bahwa strategi pembangunan ekonomi harus memfokuskan investasi pada sektor tertentu
yaitu kutub pertumbuhan, atau sektor-sektor yang mendorong pembangunan ekonomi
daerah. Tiang pertumbuhan biasanya merupakan industri dasar inti ekonomi regional. Idenya
adalah bahwa ketika kutub ini mulai meluas, hubungan ditempa ke sektor lain ketika.
Untuk mendorong agar investasi dapat mendorong pertumbuhan ekonomi daerah.
Sejak tahun 2014 Investasi kawasan NKRI diarahkan mendukung pengembangan Kawasan
Ekonomi Khusus. KEK merupakan kawasan dengan batas tertentu dalam wilayah hukum
Negara Kesatuan Republik Indonesia yang ditetapkan untuk menyelenggarakan fungsi
dengan manfaat perekonomian tertentu. Tujuan utama pengembangan KEK adalah untuk
menciptakan pertumbuhan ekonomi, pemerataan pembangunan, dan peningkatan daya
saing bangsa. KEK dikembangkan melalui penyiapan kawasan yang memiliki keunggulan
geoekonomi dan geostrategi dan berfungsi untuk menampung kegiatan industri, ekspor,
impor, dan kegiatan ekonomi lain yang memiliki nilai ekonomi tinggi dan daya saing
internasional. Kehadiran KEK diharapkan membangun kemampuan dan daya saing
ekonomi pada level nasional melalui industri- industri dan pariwisata bernilai tambah dan
berantai nilai.
85 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
86 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
BAB
4
PENGGUNAAN PANEL DINAMIS
DALAM PENELITIAN EKONOMI
A. Metode Estimasi Model Regresi Panel Dinamis (Panel VECM)
87 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
𝑝−1
∆𝑦𝑡 = ∏ 𝑦𝑡−1 + ∑𝑖=1 𝑟𝑖 ∆𝑦𝑡−1 + 𝜇𝑡 ………………………… (3.11)
Dimana
∏ = ∑𝑝𝑖=1 𝐴𝑖 − 1, …………………………………. (3.12)
𝑝
𝑟𝑖 = − ∑ 𝐴𝑗
𝑗=𝑖+1
Jika Yt memiliki hubungan kointegrasi, maka ∏ 𝑦𝑡−1 ~𝐼(0) dan rumus (3.11) dapat ditulis
sebagai berikut:
∆𝑦𝑡 = 𝛼𝛽 ′ 𝑦𝑡−1 + ∑𝑝−1
𝑖=1 𝑟𝑖 ∆𝑦𝑡−1 + 𝜇𝑡 …………… (3.13)
𝛽 ′𝑦𝑡−1
= 𝑒𝑐𝑚𝑡−1 adalah istilah koreksi kesalahan, yang mencerminkan hubungan
ekuilibrium jangka panjang antara variabel, dan rumus di atas dapat ditulis sebagai berikut:
∆𝑦𝑡 = 𝛼𝑒𝑐𝑚𝑡−1 + ∑𝑝−1𝑖=1 𝑟𝑖 ∆𝑦𝑡−1 + 𝜇𝑡 ………….. (3.14)
Formula (3.14) adalah model koreksi kesalahan vektor (VECM), di mana setiap
persamaan adalah model koreksi kesalahan.
88 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Matrik Model Panel VECM
∆PDRB β1.1 β2.1 β4.1 β6.1 β8.1 β10.1 β12.1 β14.1 β16.1 β18.1 ∆PDRB(-1)
∆POP β1.2 β2.2 β4.2 β6.2 β8.2 β10.2 β12.2 β14.2 β16.2 β18.2 ∆POP(-1)
∆POV β1.3 β2.3 β4.3 β6.3 β8.3 β10.3 β12.3 β14.3 β16.3 β18.3 ∆POV(-1)
∆DAU β1.4 β2.4 β4.4 β6.4 β8.4 β10.4 β12.4 β14.4 β16.4 β18.4 ∆DAU(-1)
∆EDUC = β1.5 Ecm(-1) + β2.5 β4.5 β6.5 β8.5 β10.5 β12.5 β14.5 β16.5 β18.5 x ∆EDUC(-1)
∆HEALTH β1.6 β2.6 β4.6 β6.6 β8.6 β10.6 β12.6 β14.6 β16.6 β18.6 ∆HEALTH(-1)
∆AGRIC β1.7 β2.7 β4.7 β6.7 β8.7 β10.7 β12.7 β14.7 β16.7 β18.7 ∆AGRIC(-1)
∆MARINE β1.8 β2.8 β4.8 β6.8 β8.8 β10.8 β12.8 β14.8 β16.8 β18.8 ∆MARINE(-1)
∆FDI β1.9 β2.9 β4.9 β6.9 β8.9 β10.9 β12.9 β14.9 β16.9 β18.9 ∆FDI(-1)
β3.1 β5.1 β7.1 β9.1 β11.1 β13.1 β15.1 β17.1 β19.1 ∆PDRB(-2)
β3.2 β5.2 β7.2 β9.2 β11.2 β13.2 β15.2 β17.2 β19.2 ∆POP(-2)
β3.3 β5.3 β7.3 β9.3 β11.3 β13.3 β15.3 β17.3 β19.3 ∆POV(-2)
β3.4 β5.4 β7.4 β9.4 β11.4 β13.4 β15.4 β17.4 β19.4 ∆DAU(-2)
+ β3.5 β5.5 β7.5 β9.5 β11.5 β13.5 β15.5 β17.5 β19.5 x ∆EDUC(-2)
β3.6 β5.6 β7.6 β9.6 β11.6 β13.6 β15.6 β17.6 β19.6 ∆HEALTH(-2)
β3.7 β5.7 β7.7 β9.7 β11.7 β13.7 β15.7 β17.7 β19.7 ∆AGRIC(-2)
β3.8 β5.8 β7.8 β9.8 β11.8 β13.8 β15.8 β17.8 β19.8 ∆MARINE(-2)
β3.9 β5.9 β7.9 β9.9 β11.9 β13.9 β15.9 β17.9 β19.9 ∆FDI(-2)
89 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Model Panel VECM dalam penelitian ini bertujuan untuk mengetahui hubungan
dinamis antara variabel pertumbuhan ekonomi terhadap belanja daerah (pendidikan,
kesehatan, pertanian dan perikanan dan kelautan), dana perimbangan, dan variabel
makroekonomi, yaitu jumlah penduduk, penduduk miskin dan investasi. Kedelapan
variabel endogen tersebut diperlakukan dalam sistem sebagai fungsi dari nilai lag dari
variabel-variabel endogen dimaksud. Selanjutnya, variabel endogen yang akan
digunakan dalam sistem persamaan Panel VECM pada penelitian ini dapat dirumuskan
sebagai berikut :
Yt = [∆PDRB, Educ, Healt, Agric, Marine, DAU, Pop, Pov, FDI]-1 ……. (3.15)
dimana:
∆PDRB = Pertumbuhan Ekonomi berdasarkan PDRB Riil (atas dasar
Harga Konstan Tahun 2010)
Educ = Belanja daerah untuk pendidikan
Health = Belanja daerah untuk kesehatan
Agric = Belanja daerah untuk pertanian
Marine = Belanja daerah untuk perikanan dan kelautan
DAU = Dana Alokasi Umum
Pop = Jumlah penduduk
Pov = Jumlah penduduk miskin
FDI = Investasi asing langsung
90 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
B. Uji Akar Unit
Sebelum melakukan regresi dengan model panel VECM, yang perlu dilakukan
terlebih dahulu adalah mengetahui apakah variabel yang digunakan telah stasioner atau
tidak. Data tidak stasioner jika dilakukan dalam regresi maka akan diperoleh regresi yang
palsu (spurious), timbul fenomena autokorelasi dan juga tidak dapat menggeneralisasi hasil
regresi tersebut untuk waktu yang berbeda (Gujarati, 2003). Selain itu, apabila data yang
akan digunakan telah stasioner, maka dapat menggunakan regresi OLS, namun jika belum
stasioner, data tersebut perlu dilihat stasioneritasnya melalui uji derajat integrasi.
Selanjutnya, data yang tidak stasioner pada tingkat level memiliki kemungkinan akan
terkointegrasi sehingga perlu dilakukan uji kointegrasi. Hasil uji sasioner pada tingkat level
(0) terlihat pada Tabel 4.29.
Untuk mengetahui apakah data time series yang digunakan stasioner atau tidak
stasioner, digunakan uji akar unit (unit roots test). Uji akar unit dilakukan dengan
menggunakan metode Levin, Lin & Chu t*, metode Im, Pesaran and Shin W-stat, metode
Dicky Fuller (DF), maupun dengan metode PP - Fisher Chi-square dengan hipotesis sebagai
berikut:
Hasil uji Im, Pesaran and Shin W-stat, ADF - Fisher Chi-square dan PP - Fisher
Chi-square pada Tabel 4.26 dengan hampir seluruh variabel tidak lolos uji stasioner tingkat
level, kecuali variabel investasi asing langsung (FDI). Pada uji Stasioner Data First Difference
(Tabel 4.27), hasil uji Im, Pesaran and Shin W-stat, ADF - Fisher Chi-square dan PP - Fisher
Chi-square menyimpulkan semua variabel lolos pada uji stasioner pada data first difference.
Hasil uji stasioner pada data first difference (1) disajikan dalam Tabel 4.27.
91 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.27.
Hasil Uji Stasioner Pada Data Level
Metode Levin, Lin & Chu Metode Im, Pesaran and Metode ADF - Fisher Metode PP - Fisher Chi-
Variabel t* Shin W-statistik Chi-square square Kesimpulan
t statistik Probabilitas t statistik Probabilitas t statistik Probabilitas t statistik Probabilitas
PDRB 4,81586 1,0000 2,14572 0,9841 18,8879 0,9982 8,17752 1,0000 No Stasioner
Pop -20,7271 0,0000 -5,05156 0,0000 132,300 0,0000 210,903 0,0000 Stasioner
Pov -4,14732 0,0000 -1,44016 0,0749 49,0515 0,1544 159,736 0,0000 No Stasioner
DAU 6,38030 1,0000 8,58672 1,0000 1,78845 1,0000 0,86631 1,0000 No Stasioner
Educ 10,6916 1,0000 7,38712 1,0000 16,2878 0,9997 11,6642 1,0000 No Stasioner
Health 3,15820 0,9992 4,08508 1,0000 16,4801 0,9996 29,9149 0,8776 No Stasioner
Agric -4,35861 0,0000 -0,75651 0,2247 45,2463 0,2622 42,6015 0,3598 No Stasioner
Marine 2,31574 0,9897 3,42240 0,9997 18,3247 0,9987 37,8613 0,5669 No Stasioner
FDI 2,83470 0,9977 3,07827 0,9990 24,6375 0,9731 34,8940 0,6991 No Stasioner
Sumber : Lampiran 6
Keterangan: ** signifikan pada α = 5%
92 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.28.
Hasil Uji Stasioner Pada Data First Difference
Metode Levin, Lin & Chu Metode Im, Pesaran & Metode ADF - Fisher Metode PP - Fisher Chi-
Variabel t* Shin W-statistik Chi-square square Kesimpulan
t statistik Probabilitas t statistik Probabilitas t statistik Probabilitas t statistik Probabilitas
PDRB -15,6383 0,0000 - - 74,9429 0,0007 - - Stasioner
Pop -30,5648 0,0000 -5,19824 0,0000 146,431 0,0000 201,564 0,0000 Stasioner
Pov -4,71844 0,0000 -2,21544 0,0134 62,1472 0,0140 155,586 0,0000 Stasioner
DAU -4,12396 0,0000 -1,91345 0,0278 62,0070 0,0144 127,445 0,0000 Stasioner
Educ -3,14502 0,0008 - - 78,2985 0,0003 150,487 0,0000 Stasioner
Health -3,63591 0,0001 -4,62150 0,0000 100,377 0,0000 181,307 0,0000 Stasioner
Agric -4,48226 0,0000 -4,04868 0,0000 89,8490 0,0000 168,786 0,0000 Stasioner
Marine - - -3,33154 0,0004 78,5511 0,0003 184,465 0,0000 Stasioner
FDI -1,97074 0,0244 -3,36911 0,0004 89,9020 0,0000 221,900 0,0000 Stasioner
Sumber : Lampiran 6
Keterangan: ** signifikan pada α = 5%
93 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
C. Penentuan Panjang Lag maksimum
Estimasi dengan VECM mensyaratkan data dalam kondisi stasioner. Seluruh data
variabel yang sudah stasioner pada pada tingkat 1st difference maka estimasi diharapkan akan
menghasilkan keluaran model yang valid. Estimasi model VECM dimulai dengan menentukan
berapa panjang lag yang tepat dalam model VECM. Penentuan panjangnya lag optimal
merupakan hal penting dalam pemodelan VECM (Lütkepohl, 2005). Jika lag optimal yang
dimasukan terlalu pendek maka dikuatirkan tidak dapat menjelaskan kedinamisan model secara
menyeluruh. Namun, lag optimal yang terlalu panjang akan menghasilkan estimasi yang tidak
efisien karena berkurangnya degree of freedom (terutama model dengan sampel kecil). Perlu
diketahui terlebih dahulu lag optimal sebelum melakukan estimasi VECM. Berdasarkan Tabel
4.29. panjang lag maksimum dapat dilihat dari banyaknya tanda bintang (*), terlihat tanda bintang
terbanyak berda pada lag 2. Panjang lag optimumnya dalam penelitian ini adalah maksimum 2.
Tabel 4.29
Panjang Lag maksimum
D. Uji Stabilitas
Stabilitas VAR perlu diuji terlebih dahulu sebelum melakukan analisis lebih jauh, karena
jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan tidak stabil
(VECM), maka Impulse Response Function dan Variance Decomposition menjadi tidak valid.
94 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Tabel 4.30
Hasil Uji Stabilitas
Root Modulus
0,9310 0,9310
-0,3390 + 0,7680 0,8395
-0,3390 - 0,7680 0,8395
0,0762 + 0,6770 0,6813
-0,3127 + 0,4437 0,5429
-0,2105 + 0,4930 0,5361
-0,2105 - 0,4930 0,5361
0,5154 0,5154
-0,4052 0,4052
0,2807 - 0,2126 0,3522
0,2807 + 0,2126 0,3522
-0,2511 0,2511
Hasil uji stabilitas (Tabel 4.30) menunjukkan bahwa nilai semua modulus sudah berada
di bawah 1, artinya model yang digunakan sudah memenuhi kriteria stabilitas, sehingga Impulse
Response Function dan Variance Decomposition menjadi valid.
Sumber : Lampiran 9
Gambar 4.29
Inverse Roots of AR Characteristic Polynomial
95 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
Hasil Gambar 4.29 juga menunjukkan titik-titik berada dalam lingkaran, ini
menunjukkan model yang digunakan sudah memenuhi kriteria stabilitas, sehingga Impulse
Response Function dan Variance Decomposition menjadi valid.
E. Uji Kointegrasi
Berdasarkan hasil pengujian panjang lag, yang digunakan untuk dasar uji kointegrasi
untuk mengetahui apakah akan terjadi keseimbangan dalam jangka panjang, yaitu terdapat
kesamaan pergerakan dan stabilitas hubungan diantara variabel-variabel di dalam penelitian ini
atau tidak. Uji kointegrasi dalam penelitian ini dilakukan dengan menggunakan metode
Johansen’s Cointegration Test (Maddala & Wu, 1999). Berikut ini disajikan Tabel 4.31 hasil uji
kointegrasi dengan metode Johansen’s Cointegration Test.
Tabel 4.31 menunjukkan bahwa 5 vektor yang memiliki nilai trace Statistik dan eigen
value lebih besar dari nilai critical value 0,05, hal ini menunjukkan ada kointegrasi (terjadi
pengaruh jangka panjang).
Tabel 4. 31
Hasil Uji Kointegrasi
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0,629294 475,3272 197,3709 0,0001
At most 1 * 0,475902 336,3990 159,5297 0,0000
At most 2 * 0,419854 245,9482 125,6154 0,0000
At most 3 * 0,385294 169,7216 95,75366 0,0000
At most 4 * 0,353620 101,5960 69,81889 0,0000
At most 5 0,159111 40,50451 47,85613 0,2050
At most 6 0,071829 16,24306 29,79707 0,6951
At most 7 0,027061 5,807632 15,49471 0,7181
At most 8 0,013951 1,966950 3,841466 0,1608
Sumber : Lampiran 10
Keterangan
Trace test indicates 5 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Uji kausalitas dilakukan untuk mengetahui apakah suatu variabel endogen dapat
diperlakukan sebagai variabel eksogen. Hal ini bermula dari ketidaktahuan keterpengaruhan
antar variabel. Jika ada dua variabel y dan z, maka apakah y menyebabkan z atau z
menyebabkan y atau berlaku keduanya atau tidak ada hubungan keduanya. Variabel y
menyebabkan variabel z artinya berapa banyak nilai z pada periode sekarang dapat dijelaskan
96 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
oleh nilai z pada periode sebelumnya dan nilai y pada periode sebelumnya. Uji kausalitas dapat
dilakukan dengan berbagai metode diantaranya metode Granger’s Causality (Hurlin & Venet,
2001) dan Error Correction Model Causality. Granger’s Causality digunakan untuk menguji
adanya hubungan kausalitas antara dua variabel. Kekuatan prediksi (predictive power) dari
informasi sebelumnya dapat menunjukkan adanya hubungan kausalitas antara y dan z dalam
jangka waktu lama. Dari hasil yang diperoleh pada Tabel 4.32 diketahui bahwa yang memiliki
hubungan kausalitas adalah yang memiliki nilai probabilitas yang lebih kecil daripada alpha 0,05
dan 0,10 sehingga Ho akan ditolak yang berarti suatu variabel akan mempengaruhi variabel lain.
Dari pengujian Granger (Tabel 4.32), diketahui hubungan timbal-balik/ kausalitas
sebagai berikut:
Tabel 4.32a
Uji Kausalitas Granger
Berdasarkan hasil uji kausalitas Granger yang ditunjukkan pada Tabel 4.32, dapat disimpulkan
hubungan antar variabel sebagai berikut:
1) Variabel populasi (Pop) dan variabel PDRB memiliki hubungan timbal balik; variabel PDRB
memiliki pengaruh terhadap variabel Pop dan variabel Pop memiliki pengaruh terhadap
variabel PDRB.
2) Variabel penduduk miskin (Pov) dan variabel PDRB memiliki hubungan searah; variabel Pov
memiliki pengaruh terhadap variabel PDRB, tetapi varibel PDRB tidak memiliki pengaruh
terhadap variabel Pov.
97 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
3) Variabel Dana Alokasi Umum (DAU) dan variabel PDRB memiliki hubungan dua arah; varibel
PDRB memiliki pengaruh terhadap variabel DAU, dan variabel DAU memiliki pengaruh
terhadap variabel PDRB.
4) Varibel PDRB tidak memiliki pengaruh terhadap variabel pengeluran pemerintah untuk
pendidikan (Educ), dan Variabel Educ juga tidak memiliki pengaruh terhadap variabel PDRB.
Tidak terjadi hubungan antara variabel EDUC terhadap variabel PDRB.
5) Varibel PDRB memiliki pengaruh terhadap variabel pengeluaran pemerintah untuk
kesehatan (Health), tetapi Variabel Health tidak memiliki pengaruh terhadap variabel PDRB.
Hubungan antara variabel PDRB hanya satu arah terhadap variabel Health.
6) Varibel pengeluaran untuk pertanian (Agric) tidak memiliki pengaruh terhadap variabel
PDRB; tetapi Variabel PDRB memiliki pengaruh terhadap variabel Agric; Terjadi hubungan
satu arah anatar variabel PDRB terhadap variabel Agric;
7) Varibel pengeluaran untuk perikanan dan kelautan (Marine) tidak memiliki pengaruh
terhadap variabel PDRB; dan Variabel PDRB tidak memiliki pengaruh terhadap variabel
Marine; variabel Marine dan variabel PDRB tidak memiliki hubungan;
8) Variabel penanaman modal asing (FDI) dan variabel PDRB memiliki hubungan satu arah;
varibel PDRB memiliki pengaruh terhadap variabel FDI dan Variabel FDI tidak memiliki
pengaruh terhadap variabel PDRB.
Tabel 4.32b
Uji Kausalitas Penduduk dan Belanja Daerah
9) Variabel belanja daerah untuk pendidikan (EDUC) dan variabel populasi (Pop) tidak memiliki
hubungan; varibel EDUC tidak memiliki pengaruh terhadap variabel Pop dan Variabel Pop
tidak memiliki pengaruh terhadap variabel EDUC.
10) Variabel belanja daerah untuk Kesehatan (HEALTH) dan variabel populasi (Pop) memiliki
hubungan satu arah; varibel HEALTH memiliki pengaruh terhadap variabel Pop dan Variabel
Pop tidak memiliki pengaruh terhadap variabel HEALTH.
11) Variabel belanja daerah untuk pertanian (AGRIC) dan variabel populasi (Pop) tidak memiliki
hubungan; varibel AGRIC tidak memiliki pengaruh terhadap variabel Pop dan Variabel Pop
tidak memiliki pengaruh terhadap variabel AGRIC.
98 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
12) Variabel belanja daerah untuk perikanan dan kelautan (MARINE) dan variabel populasi (Pop)
tidak memiliki hubungan; varibel MARINE tidak memiliki pengaruh terhadap variabel Pop dan
Variabel Pop tidak memiliki pengaruh terhadap variabel MARINE.
Jika semua variabel telah memenuhi stasioner pada turunan pertama, telah melewati uji
lag optimum, uji stabilitas, dan uji kointegrasi dapat dilanjutkan dengan regresi model koreksi
kesalahan vektor dinamis (Panel VECM). Model untuk Panel VECM tidak menggunakan model
logaritma, karena model dengan logaritma tidak memenuhi uji kointergrasi. Sehingga untuk
memenuhi semua persyaratan model Panel VECM digunakan model tanpa log (tetapi hasil
regresi juga menunjukkan perubahan). Hasil regresi data panel dinamis (P VECM) disajikan
dalam Tabel 4.34 dan Tabel 4.35.
Dalam jangka pendek (Tabel 4.34) pertumbuhan ekonomi daerah (perubahan PDRB)
dipengaruhi secara negatif (-) oleh perubahan anggaran pendidikan tahun lalu, perubahan
anggaran pendidikan 2 tahun lalu, perubahan anggaran pertanian tahun lalu, perubahan
anggaran pertanian 2 tahun lalu, perubahan DAU tahun lalu, perubahan DAU 2 tahun lalu,
perubahan penduduk miskin 2 tahun lalu, dan perubahan investasi asing tahun lalu.
Pertumbuhan ekonomi daerah (perubahan PDRB) dipengaruhi secara positif (+) oleh perubahan
PDRB 2 tahun lalu, perubahan anggaran kesehatan tahun lalu, perubahan anggaran kesehatan
2 tahun lalu, perubahan anggaran kelautan tahun lalu, perubahan anggaran kelautan 2 tahun
lalu, dan perubahan populasi 2 tahun lalu,
Koefisien untuk perubahan anggaran pendidikan tahun lalu sebesar -8,4048 dalam
jangka pendek, dan dari hasil koefisien tersebut dapat dicari angka elastisitasnya (lihat lampiran
14). Angka elastisitas bisa dicari dengan rumus sebagai berikut -8,4048 x
(130.233.266.301/8.354.121.893.132) diperoleh angka elastisitas -0,131, artinya jika terjadi
perubahan peningkatan anggaran pendidikan sebesar 1 persen, maka akan mengakibatkan
perubahan penurunan PDRB sebesar 0,131 persen dengan asumsi faktor lain dianggap tetap.
Realisasi anggaran pendidikan yang sudah sesuai dengan amanat undang-undang, yakni 20
persen dari total anggaran negara harus dioptimalkan terlebih dahulu. anggaran pendidikan
terbagi dalam belanja pemerintah pusat sebesar 33,7 persen, transfer ke daerah dan dana desa
sebesar Rp 63 persen. belanja pusat ternyata bukan berarti hanya untuk Kementerian
Pendidikan dan Kebudayaan (Kemdikbud) melainkan juga terdistribusi sebagai dana fungsi
pendidikan 20 kementerian serta untuk Lembaga Pengelolaan Dana Pendidikan (LPDP). Dari
20 kementerian/lembaga yang mendapatkan alokasi anggaran pendidikan, Kementerian Agama
memperoleh alokasi terbesar, yaitu 35 persen, disusul oleh Kemristekdikti sebesar 26,97 persen,
dan Kemdikbud sebesar 26,77 persen. Selebihnya sekitar 12 persen tersebar di sejumlah
kementerian dan Badan Tenaga Nuklir Nasional serta Perpustakaan Nasional Republik
Indonesia. Kemdikbud yang mengurus pendidikan dasar dan menengah serta Kemristekdikti
untuk pendidikan tinggi, mendapatkan anggaran yang justru lebih kecil dari Kementerian Agama.
Anggaran negara bukan hanya terfokus pada pemenuhan besaran angka melainkan juga
ketepatan dan efektivitas penempatan anggaran. Perlu dilihat lagi apakah anggaran yang besar
sesuai dengan hasil yang diharapkan, atau justru sebaliknya. Sedangkan di Kemdikbud sendiri
99 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
perlu juga dilihat lebih detail sejauh mana anggaran menjangkau persoalan yang perlu
mendapatkan prioritas penanganan.
Bank Pembangunan Asia alias Asian Development Bank (ADB) menyebut anggaran
pendidikan Indonesia tidak efisien. Pasalnya, 20 persen Anggaran Pendapatan dan Belanja
Negara (APBN) yang dialokasikan untuk sektor pendidikan hanya berdampak 3,4 persen
terhadap Produk Domestik Bruto (PDB). Hasil penelitian ini sesuai dengan penelitian Sylwester
(2000), hasil penelitianya menyimpulkan belanja publik untuk pendidikan tidak memiliki pengaruh
secara langsung terhadap pertumbuhan ekonomi, tetapi memiliki memiliki pengaruh negatif (-)
secara tidak langsung terhadap pertumbuhan ekonomi.
Koefisien untuk perubahan anggaran pendidikan tahun lalu sebesar 352,5 dalam jangka
panjang (lihat Tabel 4.35), dan dari hasil koefisien tersebut dapat dicari angka elastisitasnya
(lihat lampiran 14). Angka elastisitas bisa dicari dengan rumus sebagai berikut 352,5 x
(130.233.266.301,861/1,79878E+14) diperoleh angka elastisitas 0,255, artinya jika terjadi
perubahan peningkatan belanja pendidikan sebesar 1 persen, maka akan mengakibatkan
perubahan peningkatan PDRB sebesar 0,255 persen dengan asumsi faktor lain dianggap tetap.
Perubahan pengeluaran pemerintah daerah untuk pendidikan memiliki pengaruh positip
terhadap perubahan PDRB dalam jangka panjang, hasil penelitian ini sesuai dengan penelitian
yang dilakukan Iqbal & Zahid (1998), Li & Liang (2010) dan Murova & Khan (2017) yang
menyimpulkan bahwa pengeluaran pemerintah untuk pendidikan memiliki pengaruh positip (+)
terhadap pertumbuhan ekonomi.
Pengaruh positif jangka panjang antara belanja pemerintah untuk pendidikan terhadap
pertumbuhan ekonomi daerah dapat dijelaskan secara teori seperti pada Gambar 4.30. Model
IS-LM dirancang untuk menjelaskan perekonomian dalam jangka panjang ketika tingkat harga
mempengaruhi ekuilibrium dalam model IS-LM (Mankiw, 2003). Dengan model IS-LM untuk
menjelaskan jangka panjang, kenaikan belanja pemerintah daerah untuk pendidikan
menyebabkan kenaikan/penurunan PDRB.
Gambar 4.30 menunjukkan kenaikan belanja pemerintah daerah untuk pendidikan
menggeser kurva IS dari IS1 ke IS2, pergeseran IS1 ke IS2 mendorong kenaikan permintaan
agregat dari AD1 ke AD2. Kenaikan belanja pemerintah daerah untuk pendidikan menggeser
kurva IS ke kanan untuk setiap tingkat harga dan meningkatkan pendapatan dari Y 1 ke Y2. Jika
P2 > P1 maka akan diperoleh Y1/P1 < Y2/P2, maka peningkatan belanja pemerintah daerah untuk
pendidikan mendorong pertambahan pendapatan daerah dan Jika Y2/P2 < Y1/P1, maka
peningkatan belanja pemerintah daerah untuk pendidikan mengakibatkan penurunan
pendapatan daerah. Sekolah gratis bukan sesuatu yang harus diminta masyarakat karena itu
sudah menjadi hak.
P2
P1
IS2(P=P2 AD2
)
IS1(P=P1 AD1
)
Pendapatan,
Y1 Y2 Pendapatan, Y1 Y2
output, Y
output, Y
Sumber : Mankiw, 2003: hal. 276
Gambar 4.30
Peningkatan Belanja Pemerintah Daerah untuk Pendidikan Menggeser Permintaan Agregat
Di era Presiden Jokowi dicanangkan program Wajib Belajar 12 tahun hingga SMA.
Menurut Undang-Undang anggaran untuk pendidikan 20 persen dari APBN, sehingga beban
untuk biaya pendidikan menjadi berkurang dan dapat dialokasikan untuk kebutuhan lainnya.
Peningkatan belanja daerah untuk pendidikan akan meningkatkan IS dan mendorong
permintaan agregat dan pada akhirnya akan mendorong peningkatan pendapatan daerah.
Dalam jangka pendek, koefisien untuk perubahan anggaran kesehatan tahun lalu
sebesar 8,40. Nilai koefisien tersebut dapat dicari angka elastisitasnya (lihat lampiran 14).
Angka elastisitas bisa kita cari dengan rumus sebagai berikut 8,40 x
(74.627.707.682/8.354.121.893.132) diperoleh angka elastisitas perubahan anggaran
kesehatan lag satu terhadap perubahan PDRB sebesar 0,075, artinya jika terjadi perubahan
peningkatan anggaran kesehatan sebesar 1 persen, maka akan mengakibatkan perubahan
peningkatan PDRB sebesar 0,0751 persen dengan asumsi faktor lain dianggap tetap. Dalam
jangka pendek terjadi pengaruh yang positif antara anggaran kesehatan terhadap pertumbuhan
ekonomi, hasil ini sesuai dengan penelitian yang dilakukan oleh Li & Liang (2010), Naidu &
Chand (2013), Murova & Khan (2017), Silva, et al. (2018), Akingba, et al. (2018) dan Pereira, et
al. (2019).
Koefisien untuk perubahan anggaran kesehatan tahun lalu sebesar -500,94 dalam
jangka panjang (lihat Tabel 4.35), dan dari hasil koefisien tersebut dapat dicari angka
elastisitasnya (lihat lampiran 14). Angka elastisitas bisa dicari dengan rumus sebagai berikut -
500,94 x (74.627.707.682/1.79878E+14) diperoleh angka elastisitas perubahan anggaran
kesehatan lag satu terhadap perubahan PDRB sebesar -0,21, artinya jika terjadi perubahan
Alokasi Alokasi
No Provinsi Anggaran No Provinsi Anggaran
Kesehatan Kesehatan
(%) (%)
1 Sulawesi Tengah 7,4 18 Gorontalo 12,0
2 Sulawesi Utara 8,3 19 N Aceh Darusalam 9,0
3 Maluku Utara 7,9 20 Kalimantan Barat 8,8
4 Bengkulu 7,8 21 Sumatera Selatan 8,3
5 Maluku 7,5 22 Sulawesi Tengah 11,2
6 Papua Barat 6,5 23 Riau 7,7
7 Jambi 8,6 24 Kalimantan Selatan 9,9
8 Bangka Belitung 7,2 25 Nusa Tenggara Barat 9,5
9 Kalimantan Tengah 7,9 26 Kalimantan Timur 7,5
10 Sumatera Barat 7,2 27 Sulawesi Selatan 13,0
11 Kepulauan Riau 9,7 28 D I Yogyakarta 9,2
12 Sulawesi Barat 6,8 29 Bali 8,8
13 Lampung 7,5 30 Jawa Tengah 10,7
14 Kalimantan Utara 7,8 31 Jawa Timur 10,9
15 Papua 7,9 32 Banten 10,0
16 Sumatera Utara 7,9 33 Jawa Barat 12,3
17 Nusa Tenggara Timur 10,8 34 Rerata Nasional 9,2
Sumber : Data DJPK Kemenkeu dan BPS diolah
Jika belanja tidak langsung (gaji dan tunjangan) dikeluarkan dari perhitungan, maka
rata-rata proporsi belanja APBD untuk kesehatan terhadap total APBD secara nasional adalah
9,2% dengan proporsi tertinggi di kabupaten/kota di Provinsi Gorontalo sebesar 12,6% dan
terendah di kabupaten/kota di Provinsi Jambi sebesar 6,5%. Berdasarkan data di atas provinsi
yang telah memenuhi kewajiban minimal 10 persen sebesar 23,5 persen (7 provinsi).
P2
P1
IS2(P=P2 AD2
)
IS1(P=P1 AD1
)
Pendapatan,
Y1 Y2 Pendapatan, Y1 Y2
output, Y
output, Y
Sumber : Mankiw, 2003: hal.276
Gambar 4.31
Peningkatan Belanja Pemerintah Daerah untuk Kesehatan Menggeser Permintaan Agregat
P2
P1
IS2(P=P2 AD2
)
IS1(P=P1 AD1
)
Pendapatan,
Y1 Y2 Pendapatan, Y1 Y2
output, Y
output, Y
Sumber : Mankiw, 2003:hal 276
Gambar 4.32
Peningkatan Belanja Pemerintah Daerah untuk Pertanian Menggeser Permintaan Agregat
Koefisien untuk perubahan anggaran perikanan dan kelautan tahun lalu sebesar
28,860 dalam jangka pendek, dan dari hasil koefisien tersebut dapat dicari angka
elastisitasnya (lihat lampiran 14). Angka elastisitas bisa dicari dengan rumus sebagai berikut
28,860 x (12.473.339.513/8.354.121.893.132) diperoleh angka elastisitas 0,043, artinya jika
terjadi perubahan peningkatan anggaran perikanan dan kelautan sebesar 1 persen, maka
akan mengakibatkan perubahan peningkatan PDRB sebesar 0,043 persen dengan asumsi
faktor lain dianggap tetap. Hasil ini didukung oleh penelitian mengenai pengaruh antara
pengeluaran pemerintah untuk perikanan dan kelautan terhadap pertumbuhan ekonomi yang
dilakukan Huda, et al. (2015), Novianti, dkk. (2014), dan Agustine, et al. (2013), mereka
menyimpulkan pengeluaran pemerintah yang dialokasikan untuk pembangunan infrastruktur
kelautan dan perikanan dapat mendorong pertumbuhan ekonomi.
P2
P1
IS2(P=P2 AD2
)
IS1(P=P1 AD1
)
Pendapatan,
Y1 Y2 Pendapatan, Y1 Y2
output, Y
output, Y
Sumber : Mankiw, 2003: hal. 276
Gambar 4.33
Peningkatan Belanja Pemerintah Daerah untuk Perikanan dan Kelautan
Menggeser Permintaan Agregat
Koefisien untuk perubahan DAU tahun lalu sebesar 674,9 dalam jangka panjang (lihat
Tabel 4.35), dan dari hasil koefisien tersebut dapat dicari angka elastisitasnya (lihat lampiran
14). Angka elastisitas bisa dicari dengan rumus sebagai berikut 674,921x
(182.428.382.845,99/1.79878E+14) diperoleh angka elastisitas 0,6845, artinya jika terjadi
perubahan peningkatan Dana alokasi Umum sebesar 1 persen, maka akan mengakibatkan
perubahan peningkatan PDRB sebesar 0,6845 persen dalam jangka panjang dengan asumsi
faktor lain dianggap tetap. Dana Alokasi Umum memiliki pengaruh positif terhadap pertumbuhan
ekonomi dalam jangka panjang, hasil penelitian ini didukung oleh penelitian Malik, et al. (2006),
Ezcurra & Rodríguez (2011) dan Purbadharmaja, dkk. (2019) yang menyimpulkan Dana Alokasi
Umum di beberapa provinsi di Indonesia dapat mendorong (+) pertumbuhan ekonomi.
Koefisien untuk perubahan populasi dua tahun lalu sebesar 6.579.552 dalam jangka
pendek, dan dari hasil koefisien tersebut dapat dicari angka elastisitasnya (lihat lampiran 14).
Angka elastisitas bias dicari dengan rumus sebagai berikut 6.579.552 x (143.707.4246 dibagi
8.354.121.893.132) diperoleh angka elastisitas 0,097, artinya jika terjadi perubahan peningkatan
Dalam jangka pendek investasi asing langsung memiliki pengaruh negatif (-) terhadap
pertumbuhan ekonomi daerah, hasil ini didukung penelitian Anetor (2020) yang menyimpulkan
bahwa interaksi investasi asing langsung memiliki efek negatif dan signifikan terhadap
pertumbuhan ekonomi di 28 negara Afrika sub-Sahara (SSA) antara periode 1995 dan 2017.
Dalam jangka panjang koefisien untuk perubahan penanaman modal asing tahun lalu
sebesar 8,28 dalam jangka panjang (lihat Tabel 4.35), dan dari hasil koefisien tersebut dapat
dicari angka elastisitasnya (lihat lampiran 14). Angka elastisitas bisa dicari dengan rumus
sebagai berikut 8,2819 x (472.217.219.937/1.79878E+14) diperoleh angka elastisitas 0,067,
artinya jika terjadi perubahan peningkatan penanaman modal asing sebesar 1 persen, maka
akan mengakibatkan perubahan peningkatan PDRB sebesar 0,067 persen dengan asumsi faktor
lain dianggap tetap. Hasil ini didukung penelitian Metwally (2004), Hoang, et al. (2010),
Freckleton, et al. (2012), Arısoy (2012), Chaudhry, et al. (2013) dan Lau & Yip (2019). Mereka
menyimpulkan penanaman modal asing memiliki pengaruh positif (+) terhadap pertumbuhan
ekonomi.
Investasi, sf(k2)
C Y2 Investasi, sf(k1)
Y1 I2
I1
Gambar 4.34
Peningkatan Investasi Asing Meningkatkan Output Per Pekerja
Hasil IRF menunjukkan lamanya waktu yang dibutuhkan dari satu variabel untuk
merespon yang lain. Fungsi response terhadap shock atau guncangan berfungsi untuk melihat
respon dinamika setiap variabel apabila ada suatu guncangan tertentu sebesar satu standard
error. Respon inilah yang menunjukkan adanya pengaruh dari suatu goncangan variabel terikat
terhadap variabel bebas. Jika gambar impulse response menunjukkan pergerakan yang semakin
mendekati titik keseimbangan (convergence) atau kembali ke keseimbangan sebelumnya, ini
berarti respon suatu variabel akibat suatu guncangan (shock) makin lama akan menghilang,
sehingga kejutan tersebut tidak meninggalkan pengaruh permanen terhadap variabel tersebut.
Gambar yang menunjukkan pergeseran yang semakin mendekati keseimbangan dapat dilihat
pada Gambar 4.35.a, Gambar 4.35.b dan Gambar 4.3.c.
Berdasarkan Gambar 4.35.a dapat dijelaskan bahwa, respon PDRB terhadap shock
PDRB adalah positif dari periode ke-1 hingga memasuki dari periode ke-20. Hal ini ditunjukan
111 | A n a l i s i s D a t a P a n e l Dr AgusTri Basuki
dari garis IRF yang berada diatas garis horizontal periode ke-1 sampai periode ke-20, dan
cenderung mengalami penurunan pada periode ke-20. Memasuki periode ke-21 sampai periode
ke-0 respon PDRB terhadap shock PDRB menurun terus (negatif).
Berdasarkan Gambar 4.35.b dapat dijelaskan bahwa, respon jumlah penduduk terhadap
shock PDRB adalah positif dari periode ke-1 hingga memasuki dari periode ke-5. Hal ini
ditunjukan dari garis IRF yang berada diatas garis horizontal periode ke-1 sampai periode ke-5,
dan cenderung mengalami penurunan pada periode ke-5 hingga periode-25 (ditunjukan dengan
hasil IRF yang berada dibawah garis horizontal). Memasuki periode ke-5 sampai periode ke-25
respon jumlah penduduk terhadap shock PDRB adalah negatif.
Berdasarkan Gambar 4.35.c dapat dijelaskan bahwa, respon penduduk miskin terhadap
shock PDRB adalah negatif dari periode ke-1 hingga memasuki dari periode ke-17. Periode ke-
1 sampai dengan periode ke-10 cenderung menurun dan berada di bawah garis horizontal. Pada
periode ke-18 sampai periode ke-30 respon penduduk miskin terhadap shock PDRB adalah
positif.
Berdasarkan Gambar 4.3.6.a dapat dijelaskan bahwa, respon DAU terhadap shock
PDRB adalah meningkat dari periode ke-1 hingga memasuki dari periode ke-25 dan peningkatan
tajam terjadi pada period eke 15, artinya dalam jangka panjang respon DAU terhadap shock
PDRB adalah positif dengan asumsi penggunaan DAU digunakan dengan optimal sesuai
dengan potensi wilayah masing-masing.
Berdasarkan Gambar 4.36.b dapat dijelaskan bahwa, respon pengeluaran daerah untuk
pendidikan terhadap shock PDRB adalah meningkat dari periode ke-1 hingga memasuki periode
ke-25, peningkatan tajam terjadi pada periode 20. Dalam jangka panjang respon pengeluaran
daerah untuk pendidikan terhadap shock PDRB adalah positif. Pendidikan adalah salah satu
cara untuk meningkan sumber daya manusia, peningkatan sumber daya manusia
mengakibatkan peningkatan produktivitas kerja dan selanjunya berdampak pada peningkatan
PDRB.
Gambar 4.36
Respon Pengeluaran Kesehatan (HEALTH), Pengeluran Pertanian (AGRIC) dan
Pengeluaran Perikanan dan Kelautan (MARINE) terhadap Perubahan PDRB
Berdasarkan Gambar 4.36.c dapat dijelaskan bahwa, respon pengeluaran daerah untuk
kesehatan terhadap shock PDRB adalah positif dari periode ke-1 hingga memasuki periode ke-
5, peurunan tajam terjadi pada periode 10 hingga periode 25. Dalam jangka panjang respon
pengeluaran daerah untuk kesehatan terhadap shock PDRB adalah negatif. Sistem kesehatan
adalah istilah yang mencakup pribadi, lembaga, pembiayaan, informasi, komoditas dan strategi
pemerintahan dalam menyediakan layanan pencegahan dan perawatan kepada masyarakat.
Sistem kesehatan diciptakan dengan tujuan dapat merespon kebutuhan dan harapan kesehatan
yang dimiliki masyarakat dalam pemenuhan yang adil dan merata. Kenyataan yang terjadi
sampai saat ini derajat kesehatan masyarakat masih rendah khususnya pada masyarakat
miskin. Salah satu penyebabnya adalah karena mahalnya biaya kesehatan sehingga akses ke
pelayanan kesehatan pada umumnya masih rendah. Asuransi kesehatan adalah salah satu
upaya untuk mengatasi masalah ketidakmampuan terhadap pembiayaan pelayanan kesehatan.
Berdasarkan Gambar 4.37.a dapat dijelaskan bahwa, respon perubahan pengeluaran
pemerintah untuk pertanian terhadap shock PDRB adalah negatif dari periode ke-1 hingga
memasuki periode ke-7. Memasuki periode 8 sampai dengan periode 25 cenderung mengalami
peningkatan dan peningkatan tajam terjadi mulai periode ke-20. Pertanian merupakan
komponen utama yang menopang kehidupan pedesaan dan perkotaan di Indonesia. Apa yang
terjadi di pertanian akan secara langsung akan berpengaruh terhadap perkembangan pedesaan,
dan juga sebaliknya. Pertanian tidak hanya sebatas pertanian dalam artian sempit, namun dalam
artian luas yaitu penghasil produk primer yang terbarukan. Pertanian merupakan sektor yang
memiliki peranan sangat penting dalam perekonomian; menyediakan kebutuhan bahan pangan
yang diperlukan masyarakat untuk menjamin ketahanan pangan; menyediakan bahan baku bagi
industri; sumber tenaga kerja; mengurangi kemiskinan dan peningkatan ketahanan pangan, dan
menyumbang secara nyata bagi pembangunan pedesaan dan pelestarian lingkungan hidup.
Gambar 4.37
Respon Dana Alokasi Umum (DAU), Investasi Asing (FDI) dan Opini BPK (OPN) terhadap
Perubahan PDRB
I. Variance Decomposition
Prediksi varian dekomposisi adalah alat yang menonjol dalam menafsirkan model
rangkaian waktu multivariat linier dan non linier bersama dengan respons impuls (Lanne dan
Nyberg, 2016).
HEALT MARIN
PDRB POP POV DAU EDUC AGRIC FDI
H E
Series1 70.99 0.77 13.38 3.31 2.52 0.06 0.81 4.75 3.42
Gambar 4.38.
Kontribusi Masing-masing Variabel terhadap PDRB period ke-5
Gambar 4.40.
Kontribusi Masing-masing Variabel terhadap PDRB period ke-10
J. Implikasi Kebijakan
Berdasarkan hasil analisis dan kesimpulan, dapat diidentifikasi hasil temuan penelitian
ini sebagai berikut:
Pertama, dalam jangka panjang anggaran kesehatan menyebabkan biaya kesehatan
yang sangat mahal. Undang-Undang Nomor 36 Tahun 2009 tentang Kesehatan, pemerintah
pusat diwajibkan mengalokasikan anggaran kesehatan sebesar 5 persen di dalam Anggaran
Pendapatan Belanja Negara (APBN), sedangkan pemerintah daerah sebesar 10 persen di dalam
Anggaran Pendapatan Belanja Daerah (APBD). Anggaran yang dialokasikan selama ini
mencakup alokasi gaji pegawai di sektor kesehatan. Padahal, pemerintah harus mengalokasikan
5% dari APBN di luar dari gaji pegawai. Akibatnya peningkatan anggaran tidak meningkatkan
kualitas dan kuantitas pelayanan kesehatan masyarakat, apalagi di daerah terpencil.
Kedua, Infrastruktur distribusi logistik laut yang ada saat ini belum mampu menurunkan
biaya angkut yang efisien. Mahalnya biaya logistik disebabkan minimnya infrastruktur yang
tersedia, hal itu menyebabkan harga komoditas pangan termasuk ikan selalu tinggi di pasaran.
Berdasarkan data RPJM Nasional 2015-2019 belanja pembangunan insfrastruktur kelautan
masih minim atau 63 persen dari total belanja perikanan dan kelautan. Disamping itu peran
swasta dalam insfrastruktur kelautan masih minim.
Ketiga, penggunaan Dana Alokasi Umum dalam jangka pendek tidak tepat sasaran.
Dari segi akuntabilitas, alokasi DAU menimbulkan sejumlah tanda tanya. Dana yang berasal dari
APBN harus dipertanggungjawabkan kepada masyarakat. Alokasi dana DAU sebagian besar
dialokasikan untuk pembayaran gaji dan tunjangan pegawai negeri sipil di daerah dan sisanya
diserahkan kepada daerah untuk digunakan dengan persetujuan DPRD. Untuk mengurangi
penggunaan anggaran yang salah sasaran maka dana yang berasal dari DAU perlu diawasi
pengalokasiannya oleh lembaga tertentu dan lebih diprioritaskan untuk kepentingan publik.
Keempat, pernyataan profesional pemeriksa keuangan (BPK) mengenai kewajaran
informasi keuangan yang disajikan dalam laporan keuangan menjadi pendorong pembangunan
daerah. Kriteria pemberian opini yaitu kesesuaian dengan standar akuntansi pemerintahan
kecukupan pengungkapan (adequatedisclosures), kepatuhan terhadap ketentuan peraturan
perundang-undangan, dan efektivitas sistem pengendalian eksternal efektif untuk pencegahan
korupsi yang terjadi di lingkungan pemerintah kabupaten dan kota. Efektifitas pencegahan
korupsi dapat terjadi apabila ada kolaborasi antara hasil audit laporan BPK, Kepolisian Nasional,
Kejaksaan Tinggi, Komisi Pemberasan Korupsi dan masyarakat pengguna jasa pemerintah.
Selain itu pemerintah pusat dan pemerintah daerah harus membuat dan memberlakukan sistem
penganggaran berbasis kinerja. Anggaran harus dapat menyajikan informasi yang jelas
mengenai tujuan, sasaran, hasil, dan manfaat yang diperoleh masyarakat dari suatu kegiatan
atau proyek yang dianggarkan. Anggota masyarakat memiliki hak dan akses yang sama untuk
mengetahui proses anggaran karena menyangkut aspirasi dan kepentingan masyarakat,
terutama pemenuhan kebutuhan-kebutuhan hidup masyarakat. Masyarakat juga berhak untuk
menuntut pertanggungjawaban atas rencana ataupun pelaksanaan anggaran tersebut.
Dari definisi-definisi di atas dapat dsimpulkan bahwa sebenarnya analisis jalur dapat dikatakan
sebagai kepanjangan dari analisis regresi berganda, meski didasarkan sejarah terdapat perbedaan
dasar antara analisis jalur yang bersifat independen terhadap prosedur statistik dalam menentukan
hubungan sebab akibat; sedang regresi linier memang merupakan prosedur statistik yang digunakan
untuk menganalisis hubungan sebab akibat antar variabel yang dikaji.
Model ekonometrika yang digunakan adalah model analisis jalur (path analyse) dengan
pengelolaan data menggunakan EVIEWS. Dari Gambar 1 Model Analisis Jalur dapat diturunkan
persamaan regresinya sebagai berikut:
INV
p1 p7 e1 e2
KURS p2
p3
PJ p6
PDRB POV
p4
IPM
p5
p8
BD
p9
POP
Tahapan dalam melakukan penyelesaian analisis jalur dengan metode data panel sebagai
berikut;
Copy data dari excel ke eviews
Weighted Statistics
Kemudian lakukan cara seperti diatas untuk memperoleh Model Random Effect
Weighted Statistics
Dari 2 model diperoleh dipilih model terbaik dengan menggunakan uji Hausman, dengan
cara model dalam kondisi Random Effect Model klik View Fixed/Random Effect Testing
Correlated Random effect - Hausman Test
Dari hasil uji Hausman dapat disimpulkan bahwa model terbaik adalah Model Random Effect.
Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan Random
Effect. Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary Least
Squared (OLS) dalam teknik estimasinya, sedangkan Random Effect menggunakan Generalized
Least Squares (GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi
linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Autokorelasi,
Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi
klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.
Uji Heteroskedastisitas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data
panel perlu memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari
pelanggaran asumsi-asumsi dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang dipakai,
maka hanya uji heteroskedastisitas saja yang relevan dipakai pada model data panel.
Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk
memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians
dari setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi
tersebut tidak tercapai, dengan kata lain dimana adalah ekspektasi dari eror dan adalah varians
dari eror yang berbeda tiap periode waktu.
Effects Specification
S.D. Rho
Weighted Statistics
Uji Multikolinearitas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel
perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun
demikian, adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model
(persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan
pendugaan parameter, dalam hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya.
Korelasi yang kuat antara variabel bebas dinamakan multikolinieritas.
Nilai seluruh correlation dibawah 0,9 artinya tidak adanya korelasi yang kuat antara variabel bebas
dalam pembentukan sebuah model, atau model tersebut tiding mengandung multikolinearitas.
INV
0.158*** 0,539
PJ
0,350***
KURS -1,31**
PDRB
0,058***
IPM
0,68***
BD
Gambar …..
Catatan : Rumus e1 dapat dicari dengan formula 𝑒1 =(1-R2)1/2
Keterangan: *** signifikan α=1% ** signifikan α=5% * signifikan α=10%
Weighted Statistics
Weighted Statistics
Dari 2 model diperoleh dipilih model terbaik dengan menggunakan uji Hausman,
dengan cara model dalam kondisi Random Effect Model klik View Fixed/Random Effect
Testing Correlated Random effect - Hausman Test
Dari hasil uji Hausman dapat disimpulkan bahwa model terbaik adalah Model Random Effect.
Weighted Statistics
Kesimpulan nilai t da nilai tidak signifikan pada α 5%, hal ini menunjukan bahwa variable
bebas tidak memiliki pengaruh terhadap residuannya.
Nilai seluruh correlation dibawah 0,9 artinya tidak adanya korelasi yang kuat antara variabel
bebas dalam pembentukan sebuah model, atau model tersebut tiding mengandung
multikolinearitas.
0,0032
-0,215***
BD 1,02***
POP
Sobel test merupakan uji untuk mengetahui apakah hubungan yang melalui sebuah variabel
mediasi secara signifikan mampu sebagai mediator dalam hubungan tersebut. Sebagai
contoh pengaruh A terhadap B melalui M. Dalam hal ini variabel M merupakan mediator
hubungan dari A ke B. Untuk menguji seberapa besar peran variabel M memediasi pengaruh
A terhadap B digunakan uji Sobel test. Dimana Sobel test mengunakan uji z dengan rumus
sebagai berikut :
𝑎𝑏
𝑧=
√(𝑏2 𝑆𝐸𝑎2 ) + (𝑎2 𝑆𝐸𝑏2 )
Dimana :
a Koefisien regresi variable independen terhadap variable mediasi
b Koefisien regresi variable mediasi terhadap variable independen
SEa Standard error of estimation dari pengaruh variable independen terhadap
variable mediasi
SEb Standard error of estimation dari pengaruh variable mediasi terhadap variable
independen
INV
0.003230
0.158305 (0.007840)
(0.026217)***
PDRB POV
-0.060263
(0.025635)**
𝑎𝑏
𝑧=
√(𝑏2 𝑆𝐸𝑎2 ) + (𝑎2 𝑆𝐸𝑏2 )
0.1583𝑥(−0,060263)
𝑧=
√(−0,0602632 𝑥0,02622 ) + (0,15832 𝑥0,0256352 )
𝑧 = −2,19
-0.060263
(0.025635)**
PDRB POV
0.683645
(0.033743)***
-0.215387
(0.0337)***
BD
𝑎𝑏
𝑧=
√(𝑏2 𝑆𝐸𝑎2 ) + (𝑎2 𝑆𝐸𝑏2 )
0,683645𝑥(−0,060263)
𝑧=
√(−0,0602632 𝑥0,0337432 ) + (0,6836452 𝑥0,0256352 )
𝑧 = −2,2667
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,2667, karena nilai z
yang diperoleh sebesar -2,2667 > 1.96 dengan tingkat signifikansi 5% maka membuktikan
bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Belanja
Daerah terhadap jumlah penduduk miskin.
PJ
0.350150 -0.060263
(0.098252)*** (0.025635)**
(0.033743)***
PDRB POV
𝑧 = −1,96234
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -1,96234, karena nilai
z yang diperoleh sebesar -1,96234 > 1.96 dengan tingkat signifikansi 5% maka membuktikan
bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Panjnag
jalan terhadap jumlah penduduk miskin.
-0.060263
-1.311313 (0.025635)**
KURS (0.559472)**
(0.033743)***
PDR POV
B
𝑎𝑏
𝑧=
√(𝑏2 𝑆𝐸𝑎2 ) + (𝑎2 𝑆𝐸𝑏2 )
−1,311313𝑥(−0,060263)
𝑧=
√(−0,0602632 𝑥0,5594722 ) + (−1,3113132 𝑥0,0256352 )
𝑧 = 2,327036
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 2,327036, karena nilai
z yang diperoleh sebesar 2,327036 > 1.96 dengan tingkat signifikansi 5% maka
membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan
pengaruh Kurs terhadap jumlah penduduk miskin.
0.058820
PDRB POV
(0.012383)***
IPM *(0.033743)***
𝑎𝑏
𝑧=
√(𝑏2 𝑆𝐸𝑎2 ) + (𝑎2 𝑆𝐸𝑏2 )
0,058820𝑥(−0,060263)
𝑧=
√(−0,0602632 𝑥0,0123832 ) + (0,0588202 𝑥0,0256352 )
𝑧 = −2,10691
Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,10691, karena nilai
z yang diperoleh sebesar -2,10691 > 1.96 dengan tingkat signifikansi 5% maka membuktikan
bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Indek
Pembangunan Manusia terhadap jumlah penduduk miskin.
Hsiao, C. (2014). Analysis of panel data (No. 54). Cambridge university press.
Maddala, G. S., & Lahiri, K. (1992). Introduction to econometrics(Vol. 2). New York: Macmillan.