BAB I PENDAHULUAN
1.5 Batasan Masalah
Unit penelitian pada penelitian ini adalah lima Kab/Kota di Daerah Istimewa Yogyakarta dengan tahun data yang digunakan adalah data tahun 2010-2016. Pendekatan yang digunakan untuk estimasi model adalah Common Effect Model dan Fixed Effect Model.
5
BAB IITINJAUAN PUSTAKA 2.1 Regresi Data Panel
Secara umum, terdapat tipe-tipe data yang bisa digunakan untuk analisis empiris, seperti data time series, cross section, dan data panel. Pada data time series, pengamatan dilakukan untuk satu variabel atau lebih untuk suatu periode waktu. Sedangkan pada data cross section, nilai pengamatan satu variabel atau lebih didapatkan untuk sejumlah unit sampel atau subjek di waktu yang sama. Pada data panel, unit atau individu yang sama diamati dari waktu ke waktu. Model regresi data panel didapatkan berdasarkan data panel yang merupakan gabungan antara data cross section dan time series (Gujarati, 2009). Struktur data panel secara umum ditunjukkan oleh tabel 2.1 sebagai berikut
Tabel 2.1 Struktur Data Panel Secara Umum Waktu
N : banyaknya unit individu T: banyaknya unit waktu k : banyaknya variabel prediktor
2.2 Estimasi Parameter Regresi Data Panel
Pada regresi data panel, tipe data yang digunakan merupakan gabungan antara data time series (runtun waktu) dan data cross section (individu) (Gujarati, 2012). Dalam penelitian ini, pendekatan yang digunakan adalah pendekatan common effect model dan fixed effect model.
2.2.1 Common Effect Model (CEM)
Pada pendekatan common effect model, estimasi parameter dilakukan pada seluruh data yang digabungkan tanpa memperdulikan waktu dan individu (Gujarati, 2012). Bentuk umum model regresi yang didapatkan dari pendekatan common effect model ditunjukkan oleh persamaan 2.1 sebagai berikut
it
Yit : variabel respon unit individu ke-i dan periode ke-t Xjit : variabel prediktor ke-j, unit individu ke-i, dan periode
ke-t
i : jumlah unit penelitian, di mana i = 1,2,...,N j : jumlah variabel prediktor, di mana j = 1,2,...k t : jumlah waktu penelitian, di mana t = 1,2,...,T εit : residual unit individu ke-i dan periode ke-t
Dalam bentuk matriks, common effect model dapat ditulis
Metode yang digunakan untuk estimasi parameter common effect model adalah Ordinary Least Square atau OLS. Metode ini meminimumkan nilai error kuadrat dengan cara mencari turunan pertama terhadap kemudian disamadengankan nol. Penaksiran OLS untuk adalah sebagai berikut (Draper & Smith, 1992).
1 1
Atau dapat dituliskan dengan persamaan
sebagai berikut
( ) 1 y
X'X X' dimana :y : vektor variabel respon yang berukuran n1 X : matrik variabel bebas berukuran np
: vektor parameter berukuran p1 p : banyaknya parameter
n : banyaknya data
2.2.2 Fixed Effect Model (FEM)
Istilah fixed effect muncul atas adanya fakta bahwa meskipun intersep mungkin berubah untuk tiap subyek, entitas dari tiap-tiap intersep tidak berubah seiring waktu, hal ini disebut time invariant (Gujarati, 2009). Jenis model fixed effect adalah sebagai berikut
a. FEM dengan slope konstan, tetapi intersep bervariasi pada setiap individu. Pada model ini, diasumsikan bahwa efek waktu diabaikan. Jenis FEM ini disebut dengan FEM antar individu. Pada model ini, variabel individu merupakan
(2.2)
(2.3)
(2.3)
variabel yang dijadikan variabel dummy. Model regresi untuk FEM antar individu dapat ditulis sebagai berikut
0 ... 1 1 1 1 ...
it l li N N i it k kit it
Y D D X X Keterangan:
Yit : variabel respon unit individu ke-i dan periode ke-t α0 : intersep model FEM individu
αl : slope unit individu ke-l
Dli : dummy kategori ke-l untuk individu ke-i
Xkit : variabel prediktor ke-k, unit individu ke-i, dan periode ke-t
i : jumlah unit penelitian, di mana i = 1,2,...,N t : jumlah waktu penelitian, di mana t = 1,2,...,T l : jumlah variabel dummy, di mana l = 1, 2, ..., N-1 εit : residual unit individu ke-i dan periode ke-t
b. FEM dengan koefisien slope konstan tetapi koefisien intersep bervariasi pada setiap waktu. Diasumsikan bahwa efek individu diabaikan, namun terdapat efek yang berbeda antar waktu. Indeks t pada intersep menunjukkan bahwa intersep pada masing-masing waktu berbeda sedangkan intersep individu konstan. Variabel dummy pada model ini merupakan variabel dari data time series. Model regresi untuk FEM antar waktu adalah sebagai berikut
0 ... 1 1 1 1 ...
Yit : variabel respon unit individu ke-i dan periode ke-t Dlt : dummy kategori ke-l waktu ke-t
Xkit : variabel prediktor ke-j, unit individu ke-i, dan periode ke-t
εit : residual unit individu ke-i dan periode ke-t
Estimasi parameter untuk FEM dilakukan dengan metode Least Square Dummy Variabel (LSDV), estimasi parameter pada LSDV merupakan metode kuadrat terkecil (OLS) yang melibatkan variabel dummy sebagai salah satu variabel prediktor. Penaksiran dengan Pada FEM, variabel dummy yang dibentuk adalah sebanyak n-1 dengan n adalah jumlah banyaknya individu, dan t-1 untuk t adalah waktu. Hal tersebut digunakan untuk menghindari perangkap variabel dummy, suatu situasi terjadinya kolinirietas sempurna (Gujarati, 2009). Estimasi parameter dengan OLS ditunjukkan pada Persamaan (2.3).
2.3 Pengujian Signifikansi Parameter
Pengujian signifikansi parameter dilakukan untuk mengetahui apakah variabel prediktor berpengaruh signifikan terhadap variabel respon. Pengujian signifikansi parameter dilakukan secara serentak dan parsial.
2.3.1 Signifikansi Parameter secara Serentak
Uji signifikansi secara serentak merupakan metode pengujian signifikansi parameter yang dilakukan untuk mengetahui bagaimana pengaruh dari variabel prediktor secara bersama-sama terhadap variabel respon yang dilakukan dengan analisis varians (ANOVA) (Draper&Smith, 1992).
Pada model CEM dan FEM, statistik uji dan daerah penolakan yang digunakan tidak berbeda, namun perbedaan terletak pada hipotesis yang digunakan. Pada model FEM, terdapat dua parameter yang diuji secara serentak yaitu parameter α dan β.
Hipotesis untuk pengujian secara serentak untuk model CEM adalah sebagai berikut
H0 : 12 ... k 0
H1 : minimal ada satu j 0 j= 1,2,...,k.
Sedangkan hipotesis untuk model FEM, contohnya adalah FEM individu adalah sebagai berikut
H0 : 12 ... N112 ... k 0 H1 : minimal ada satu l 0 atau j 0 j= 1,2,...,k.
Daerah keputusan dari pengujian secara serentak adalah tolak H0 jika F > Fα(k, n-(k+1)). Tabel ANOVA disajikan sebagai berikut
Tabel 2.2 Analysis of Variance (ANOVA) Source DB Jumlah Kuadrat (SS) Kuadrat Rata-rata
(MS) F
Regresi k SSRbX'yNTy2 MSR SSR k
MSR
MSE
Residual NT-(k+1) SSEyy b X'y
( 1) SSR MSE
NT k
Total NT-1 SST yyNTy2
dimana :
y: vektor variabel respon yang berukuran n1 X : matrik variabel bebas berukuran np
b : dugaan vektor n : banyaknya data
k : jumlah variabel prediktor.
2.3.2 Pengujian Signifikani Parameter secara Parsial
Uji parsial adalah metode pengujian yang dilakukan untuk mengetahui pengaruh variabel prediktor terhadap variabel respon secara individu.
1) Common Effect Model
Pengujian signifikansi parameter untuk pendekatan common effect dilakukan dengan hipotesis sebagai berikut
H0 : j 0
H1 : j 0 dengan j = 1, 2, 3,...,k.
Dengan daerah keputusan untuk pengujian parsial adalah
Pengujian signifikansi parameter secara parsial pada fixed effect model dilakukan untuk menguji apakah kategori pada variabel prediktor berpengaruh signifikan terhadap respon.
Terdapat dua parameter yang akan diuji pada uji signifikansi parsial model FEM, untuk parameter α yang menguji efek variabel dummy dan variabel β untuk variabel prediktor lainnya.
Pengujian ini dilakukan dengan hipotesis sebagai berikut H0 : j 0
H1 : j 0 dengan j = 1, 2, 3,...,k.
Dengan statistik uji yang sama dengan uji signifikansi parsial model FEM pada Persamaan (2.6), dan daerah penolakan
tolak H
0jika t > t
(α, n-k).Sedangkan untuk mengetahui apakah dummy berpengaruh signifikan atau tidak digunakan hipotesis sebagai berikut
H0 : l 0
2.4 Multikolinieritas
Istilah multikolinieritas pertama kali ditemukan oleh Ragnar Frisch di mana multikolinieritas berarti adanya hubungan linear yang sempurna atau pasti di antara variabel-variabel prediktor dari model regresi. Beberapa cara untuk mendeketeksi adanya multikolinieritas ada sebagai berikut (Gujarati, 2009) : 1. Nilai R2 tinggi namun hanya sedikit parameter yang
signifikan. Jika nilai R2 tinggi, pada banyak kasus nilai F lebih besar dari Ftabel sehingga akan tolak H0 atau koefisien parameter secara parsial tidak sama dengan nol. Namun, pada kasus adanya multikolinieritas, pada uji parsial akan menunjukkan bahwa koefisien parameter sama dengan nol.
Nilai R2 dinyatakan sebagai berikut
2 SSR 100%
R SST
dengan :
R2 : koefisien determinasi
SSR : Sum Square of Regression (jumlah kuadrat regresi) SST : Sum Square of Total (jumlah kuadrat total)
2. Korelasi yang tinggi antar variabel prediktor.
3. Apabila tanda pada koefisien parameter berbeda dengan koefisien korelasi antara variabel respon dan prediktor, maka terdapat indikasi bahwa terjadi multikolinieritas.
4. Nilai TOL atau Tolerance yang merupakan invers dari Variance Inflation Factor (VIF). Karena kedekatannya dengan nilai VIF maka nilai TOL dapat digunakan untuk mendeteksi multikolinieritas. Apabila nilai TOL semakin mendekati nol, maka derajat kolinieritasnya semakin besar.
2
R2j : koefisien determinasi variabel prediktor ke-j
(2.8) (2.8)
(2.9)
(2.9)
2.5 Pemeriksaan Asumsi Residual IIDN
Asumsi residual IIDN merupakan asumsi-asumsi yang harus dipenuhi dalam analisis regresi. Pemeriksaan asumsi residual IIDN (Identik, Independen, dan Berdistribusi Normal) merupakan uji yang harus dilakukan untuk mengetahui apakah residual yang digunakan memenuhi ketiga asumsi tersebut dalam melakukan pengujian (Sudjana, 1996).
2.5.1 Pengujian Asumsi Identik (Homokedastisitas)
Salah satu asumsi yang regresi linear yang harus dipenuhi adalah homogenitas variansi dari error (homokedastisitas;
homocedastisity). Homokedastisitas berarti bahwa variansi dari error bersifat konstan atau disebut juga identik. Jika kondisi variansi errornya tidak konstan maka disebut heteroskedastisitas.
Salah satu konsekuensi heteroskedastisitas antara lain adalah pengujian parameter regresi dengan statistik uji t menjadi tidak valid (Setiawan&Kusrini, 2010)
Uji asumsi identik dapat dilakukan dengan uji Glejser di mana pada uji Glejser, dilakukan regresi antara nilai fits dan nilai absoulut residual sebagai variabel responnya. Berikut adalah hipotesis untuk uji Glejser berdasarkan model
0 1ˆ
: rata-rata absolut residual NT : banyaknya data
k : jumlah variabel prediktor.
Didapatkan daerah penolakan untuk uji Glejser adalah tolak H0 jika F > Fα(k, n-(k+1)).
2.5.2 Pengujian Asumsi Residual Independen
Asumsi independen yaitu covarians untuk setiap i tidak sama dengan j atau tidak terdapat autokorelasi. Autokorelasi berarti ada hubungan antar residual atau residual bersifat independen (Gujarati D. N., 2009). Pengujian untuk asumsi independen dapat menggunakan metode Durbin-Watson sebagai berikut
d : nilai Durbin-Watson
m: residual ke-i di mana m = 1, 2,...,NT Daerah kritis
Tolak H0 jika d < dL atau d > 4 – dL
2.5.3 Pengujian Asumsi Residual Berdistribusi Normal Pengujian asumsi residual Normal (0,σ2) dapat dilakukan melalui uji Kolmogorov Smirnov (Daniel, 1989). Hipotesis yang digunakan :
(2.11)
(2.11)
H0 : S(x)=F0(x) (Residual berdistribusi normal) H1 : S(x)≠F0(x) (Residual tidak berdistribusi normal) Dengan taraf signifikan sebesar α, maka daerah
S x : proporsi nilai-nilai pengamatan dalam sampel yang kurang dari atau sama dengan nol
0( )
F x : fungsi distribusi frekuensi kumulatif teoritis di bawah hipotesis nol
2.6 Pemilihan Model Terbaik
Untuk memilih model terbaik digunakan uji Chow. Uji Chow adalah pengujian yang dilakukan untuk memilih model terbaik pada regresi data panel, yaitu antara Common Effect Model (CEM) atau Fixed Effect Model (FEM). Hipotesis untuk uji Chow adalah sebagai berikut
H0 : common effect model N : banyaknya data individu T : banyak data time series K : jumlah variabel prediktor
(2.10)
(2.11) (2.12)
(2.13)
Jika F > F(N-1, N(T-1)-K, α) maka pengambilan keputusan adalah tolak H0 yang berarti Fixed Effect Model adalah model terpilih (Baltagi, 2005).
2.7 Ketimpangan Distribusi Pendapatan
Ketimpangan distribusi pendapatan adalah suatu kondisi di mana distribusi pendapatan nasional yang diterima masyarakat tidak merata. Tingkat ketimpangan distribusi pendapatan sering diukur dengan rasio konsentrasi gini yang lebih sering disebut dengan gini rasio atau koefisien gini. Gini rasio didasarkan pada kurva Lorenz, yaitu sebuah kurva pengeluaran kumulatif yang membandingkan distribusi suatu variabel tertentu (pendapatan) dengan distribusi uniform yang mewakili persentase kumulatif penduduk. Pada umumnya, gini rasio digambarkan oleh kurva Lorenz yang ditunjukkan oleh Gambar 2.1 berikut
Gambar 2.1 Kurva Lorenz
Sumbu horizontal menyatakan jumlah penduduk dalam presentase kumulatif. Dari kiri ke kanan, menunjukkan jumlah penduduk dengan urutan pendapatan paling rendah, sedangkan sumbu vertikal menunjukkan bagian dari total pendapatan yang diterima oleh masing-masing kelompok penduduk yang disebutkan pada sumbu horisontal. Garis diagonal menunjukkan garis pemerataan sempurna. Tingkat ketimpangan distribusi tampak dari besar/kecilnya wilayah A. Koefien gini didefinisikan sebagai A/(A+B), di mana A dan B seperti yang ditunjukkan pada
Gambar 2.1. Semakin besar celah wilayah A, semakin timpang tingkat pemerataan pada distribusi pendapatan (Sunarto, 2007).
Secara sistematis, gini rasio dapat dihitung dengan rumus sebagai berikut (Sastra, 2017) :
1 1
Yi : Proporsi jumlah kumulatif pendapatan dalam kelas ke i
2.8 Dana Perimbangan
Dana perimbangan terdiri atas Dana Alokasi Umum (DAU), Dana Alokasi Khusus (DAK), dan Dana Bagi Hasil (DBH). Tujuan dari dana perimbangan adalah untuk peningkatan pelayanan dan kesejahteraan masyarakat, juga bertujuan untuk mengurangi ketimpangan/kesenjangan pendanaan pemerintah antar daerah. Dana Alokasi Umum (DAU) adalah sejumlah dana yang dialokasikan kepada setiap daerah otonom di Indonesia setiap tahunnya sebagai dana pembangunan. Dana Alokasi Khusus (DAK) merupakan alokasi dari APBN tertentu dengan tujuan untuk mendanai kegiatan khusus yang merupakan urusan Pemerintah Daerah dan sesuai dengan prioritas nasional. Dana Bagi Hasil merupakan dana yang bersumber dari pendapatan APBN yang dialokasikan kepada daerah berdasarkan angka persentase tertentu untuk mendanai kebutuhan daerah dalam rangka pelaksanaan desentralisasi (Wikiapbn, 2015).
(2.12)
(2.14)
(Halaman ini sengaja dikosongkan)
19
BAB IIIMETODOLOGI PENELITIAN 3.1 Sumber Data
Data yang digunakan dalam penelitian ini adalah data sekunder berupa data gini rasio per kabupaten/kota yang diperoleh dari Badan Pusat Statistik (BPS) DIY dan data alokasi dana perimbangan yang diperoleh dari Direktoral Jendral Perimbangan Keuangan dengan bukti surat izin dan keaslian data pada Lampiran 34, 34a, 34b, dan Lampiran 35. Data yang digunakan merupakan data pada tahun 2010 hingga 2016 yang dirujuk pada Lampiran 1. Unit sampel pada penelitian ini adalah Kabupaten/Kota Daerah Istimewa Yogyakarta.
3.2 Variabel Penelitian
Variabel yang digunakan dalam penelitian ini adalah sebagai berikut
Tabel 3.1 Variabel Penelitian
Variabel Keterangan
Y Indeks Gini Rasio menurut Kabupaten/Kota Daerah Istimewa Yogyakarta
X1 Dana Alokasi Umum menurut Kabupaten/Kota Daerah Istimewa Yogyakarta
X2 Dana Alokasi Khusus menurut Kabupaten/Kota Daerah Istimewa Yogyakarta
X3 Dana Bagi Hasil menurut Kabupaten/Kota Daerah Istimewa Yogyakarta
Daerah yang digunakan sebagai unit individu merupakan 5 Kabupaten/Kota di Daerah Istimewa Yogyakarta. Data yang digunakan pada penelitian ini adalah data tahun 2010 – 2016 yang akan digunakan sebagai variabel dummy pada model FEM waktu dengan keterangan 2010 (D1), 2011 (D2), 2013 (D3), 2014 (D4), dan 2015 (D5). Untuk model FEM Individu, Kabupaten/Kota di DIY akan digunakan sebagai variabel dummy dengan keterangan
Bantul (D1), Gunungkidul (D2), Sleman (D3), dan Kota Yogyakarta (D4).
Struktur data pada penelitian ini ditunjukkan pada tabel berikut
Tabel 3.2 Struktur Data Penelitian Tahun Kabupaten/Kota
3.3 Langkah Analisis Data
Langkah analisis data yang dilakukan dalam penelitian ini adalah sebagai berikut.
1. Menganalisis dan mendeskripsikan karakteristik indeks rasio gini dan dana perimbangan menurut Kabupaten/Kota di Yogyakarta menggunakan statistika deskriptif.
2. Memeriksa ada atau tidaknya multikolinieritas. Jika terdapat multikolinieritas, maka diatasi dengan Principal Component Regression (PCR).
3. Melakukan estimasi parameter model regresi Common Effect Model dengan menggunakan metode Ordinary Least Square (OLS).
4. Melakukan uji signifikansi model regresi Common Effect Model secara serentak dan parsial.
5. Melakukan uji asumsi residual IIDN dan melakukan penanggulangan untuk asumsi residual IIDN yang tidak terpenuhi untuk CEM.
6. Melakukan estimasi parameter model regresi Fixed Effect Model antar waktu dan antar individu Kabupaten/Kota dengan menggunakan metode Least Square Dummy Variable (LSDV).
7. Melakukan uji signifikansi model regresi Fixed Effect Model antar waktu dan antar individu Kabupaten/Kota secara serentak dan parsial.
8. Melakukan uji asumsi residual IIDN dan melakukan penanggulangan untuk asumsi residual IIDN yang tidak terpenuhi untuk FEM.
9. Memilih model terbaik menggunakan uji Chow.
10. Menginterpretasi hasil analisis data.
11. Menarik kesimpulan.
3.4 Diagram Alir
Diagram alir dari langkah analisis disajikan sebagai berikut
Mengumpulkan data
Statistika deskriptif
Ada multikolinieritas?
Principal component regression (PCR)
A
Ya
Tidak Mulai
D
Gambar 3.1 Diagram Alir
Penentuan model CEM A D
Estimasi parameter dengan OLS
Parameter signifikan secara serentak?
Uji parsial Pengujian asumsi IIDN
Memenuhi asumsi identik?
Memenuhi asumsi independen?
Memenuhi asumsi berdistribusi normal?
B Ya
Ya
Ya
Ya
Tidak
Tidak Tidak
Tidak
Weighted least square
Otoregresi
Transformasi Estimasi parameter
Gambar 3.2 Lanjutan Diagram Alir
Penentuan model FEM B
Estimasi parameter dengan LSDV
Parameter signifikan secara serentak?
Uji parsial Pengujian asumsi IIDN
Memenuhi asumsi identik?
Memenuhi asumsi independen?
Memenuhi asumsi berdistribusi normal?
C Ya
Ya
Ya
Ya
Tidak
Tidak Tidak
Tidak
Weighted least square
Otoregresi
Transformasi Estimasi parameter
Gambar 3.2 Lanjutan Diagram Alir
C
Pemilihan model terbaik
Kesimpulan
Selesai
Gambar 3.2 Lanjutan Diagram Alir
25
BAB IVANALISIS DAN PEMBAHASAN 4.1 Karakteristik Gini Rasio DIY Tahun 2010 – 2016
Gini rasio adalah suatu indeks yang menjelaskan ketimpangan distribusi pendapatan suatu daerah tertentu. Gini rasio Daerah Istimewa Yogyakarta pada tahun 2010 hingga tahun 2016 ditunjukkan pada Gambar 4.1 sebagai berikut
Gambar 4.1 Gini rasio DIY Tahun 2010 – 2016
Gambar 4.1 menunjukkan bahwa gini rasio Kabupaten/Kota di Daerah Istimewa Yogyakarta pada tahun 2011 berada di bawah gini rasio Daerah Istimea Yogyakarta itu sendiri.
Namun dua tahun berikutnya, gini rasio Kabupaten Sleman berada di atas gini rasio provinsi, hingga pada tahun 2013 Kabupaten Sleman berhasil menurunkan gini rasio hingga berada di bawah gini rasio provinsi. Hal tersebut menunjukkan terjadi perbaikan pada pemerataan distribusi di Kabupaten Sleman.
Namun, pada tahun 2013 hingga tahun 2016, gini rasio Kota Yogyakarta terus menerus berada di atas gini rasio provinsi yang ditunjukkan oleh garis biru yang berhimpit dengan garis hijau.
Dapat diartikan bahwa tingkat ketimpangan distribusi pendapatan di Kota Yogyakarta lebih parah dibanding Kabupaten lainnya.
Kabupaten Gunungkidul yang ditunjukkan oleh garis berwarna abu-abu, memiliki tingkat pemerataan distribusi pendapatan yang paling baik dibandingkan Kabupaten/Kota lainnya. Tahun 2010 hingga tahun 2016, gini rasio Gunungkidul selalu yang paling rendah.
4.2 Karakteristik Dana Perimbangan yang Dialokasikan di DIY Tahun 2010 – 2016
Dana perimbangan merupakan dana yang dialokasikan dari pusat ke daerah dalam rangka pelaksanaan otonomi daerah.
ditetapkan. Dana perimbangan terdiri dari tiga jenis yaitu Dana Alokasi Umum, Dana Alokasi Khusus, dan Dana Bagi Hasil.
Berikut adalah dana perimbangan Daerah Istimewa Yogyakarta tahun 2010 hingga tahun 2016.
Gambar 4.2 Dana Perimbangan DIY Tahun 2010 – 2016
Pada Gambar 4.2 dapat dilihat bahwa dana yang dialokasikan di Daerah Istimewa Yogyakarta berfluktuatif tiap tahunnya. Pada tahun 2010, dana perimbangan yang dikucurkan
oleh Pemerintah Pusat mencapai angka 311 milyar, kemudian turun di angka 257 milyar di tahun 2011. Pada tahun 2012 dana perimbangan mengalami kenaikan, namun di tahun-tahun berikutnya terus turun hingga pada tahun 2016 Daerah Istimewa Yogyakarta menerima sekitar 291 milyar dana perimbangan dari Pemerintah Pusat.
Gambar 4.3 berikut menunjukkan bagaimana alokasi dana perimbangan per Kabupaten/kota di Daerah Istimewa Yogyakarta.
Gambar 4.3 Alokasi Dana Perimbangan per Kabupaten/Kota di DIY
Gambar 4.3 menunjukkan bahwa dari jumlah dana perimbangan yang telah dialokasikan di Daerah Istimewa Yogyakarta selama 7 tahun, sejak 2010 hingga 2016, dana perimbangan yang tertinggi pernah dialokasikan pada tahun 2011 di Kabupaten Sleman. Kemudian, pada tahun 2011, jumlah alokasi dana perimbangan cenderung turun di semua Kabupaten/Kota, namun melonjak tinggi lagi pada tahun 2012 di Kabupaten Sleman. Alokasi dana perimbangan terendah dialokasikan di Kabupaten Kulonprogo dan Gunungkidul.
Jika diperhatikan kembali pada Gambar 4.3, besarnya alokasi dana perimbangan dari tahun 2013 hingga tahun 2016
terus bertambah, namun gini rasio di Kabupaten/Kota di Yogyakarta tidak menunjukkan adanya perbaikan pada pemerataan distribusi pendapatan.
4.3 Hubungan Antara Gini Rasio DIY dengan Dana Alokasi Umum, Dana Alokasi Khusus, dan Dana Bagi Hasil
Hubungan antara gini rasio Daerah Istimewa Yogyakarta per Kabupaten/Kota dan dana perimbangan yang terdiri DAU, DAK, dan DBH, ditunjukan oleh nilai koefisien korelasi yang dapat dilihat secara lengkap pada Lampiran 2 dan disajikan pada Tabel 4.1 sebagai berikut :
Tabel 4.1 Koefisien Korelasi DAU DAK DBH Kulonprogo 0,306 0,143 -0,039 Bantul 0,178 0,474 0,511 Gunungkidul 0,094 0,150 0,289 Sleman 0,207 -0,659 -0,095 Kota Yogyakarta 0,753 0,208 -0,389
Berdasarkan Tabel 4.1, diketahui bahwa pada Kabupaten Kulonprogo, nilai koefisien korelasi antara gini rasio dan DAU serta DAK adalah positif. Hal tersebut menunjukkan bahwa jika DAU dan DAK, maka gini rasio di Kulonprogo juga akan makin besar. Berbeda halnya dengan DBH, jika besarnya alokasi DBH di Kulonprogo besar, maka gini rasio akan turun. Begitu pula jika besarnya DBH di Kota Yogyakarta ditambah, makan gini rasio di Kota Yogyakarta akan turun.
Hubungan antara gini rasio dan DAU, DAK, dan DBH di Kabupaten Bantul dan Gunungkidul adalah positif, di mana artinya jika besarnya DAU, DAK, maupun DBH di tambah, maka gini rasio akan naik. Pada Kabupaten Sleman, hubungan linier antara gini rasio dan DAK serta DBH adalah berbanding terbalik, dan berbanding lurus untuk DAU. Hal tersebut menunjukkan bahwa jika besarnya DAK maupun DBH naik, maka gini rasio di
Sleman akan turun. Jika besarnya DAU naik, gini rasio di Sleman akan naik.
4.4 Deteksi Multikolinieritas
Multikolinieritas merupakan hubungan linier yang ada antar variabel prediktor. Deteksi multikolinieritas dapat dilakukan dengan melihat nilai VIF yang dapat dihitung dengan menggunakan Persamaan (2.9). Apabila nilai VIF lebih dari sama dengan 10, maka dapat dikatakan terdapat multikolinieritas.
VIF setiap variabel prediktor berdasarkan output software yang dapat dilihat pada Lampiran 3 dan ringkasannya disajikan pada Tabel 4.2 sebagai berikut :
Tabel 4.2 Nilai VIF
Variabel VIF
Dana Alokasi Umum (DAU) 1,373 Dana Alokasi Khusus (DAK) 1,408 Dana Bagi Hasil (DBH) 1,031
Berdasarkan Tabel 4.2 diketahui bahwa variabel yang digunakan untuk analisis regresi data panel memiliki nilai VIF kurang dari 10. Hal tersebut menunjukkan bahwa tidak terdapat multikolinieritas antar variabel prediktor.
4.5 Regresi Data Panel
Pendekatan regresi data panel yang digunakan pada penelitian ini adalah pemodelan CEM (Common Effect Model) dan pemodelan FEM (Fixed Effect Model). Dari kedua pemodelan tersebut akan dipilih mana pemodelan yang terbaik dalam analisis pengaruh dana perimbangan terhadap gini rasio DIY. Hasil analisis dari penelitian ini adalah sebagai berikut
4.5.1 Analisis Pengaruh Dana Perimbangan dengan Pemodelan CEM (Common Effect Model)
Pemodelan CEM dilakukan dengan menganalisis gabungan semua data tanpa membedakan efek Kabupaten/Kota maupun efek tahun. Hasil pengolahan data secara lengkap disajikan pada Lampiran 4 hingga Lampiran 13.