Jenis dan Metode Pengumpulan Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder dari berbagai publikasi Badan Pusat Statistik (BPS), diantaranya publikasi PDRB, IPM, persentase penduduk miskin, jumlah penduduk, tingkat pengangguran. Data mengenai bantuan sosial yang digunakan dalam penelitian ini bersumber dari Kementrian PDT.
Metode Pengolahan dan Analisis Data Analisis Deskriptif
Analisis deskriptif dalam penelitian ini digunakan untuk menjawab tujuan pertama, yaitu menganalisis dinamika pertumbuhan ekonomi, kemiskinan, dan bantuan sosial. Analisis merujuk pada data tingkat kemiskinan, pertumbuhan ekonomi dan data bantuan sosial dari data BPS dan Kementerian PDT dari tahun 2009 sampai dengan 2013.
Analisis Kuantitatif
Analisis kuantitatif dalam penelitian ini menggunakan analisis persamaan simultan yang digunakan untuk menjawab tujuan penelitian dua dan tiga yaitu menganalisis pengaruh bantuan sosial terhadap pertumbuhan ekonomi kabupaten tertinggal dan menganalisis hubungan antara pertumbuhan ekonomi terhadap tingkat kemiskinan. Analisis simultan digunakan dalam penelitian ini karena model terdiri dari beberapa persamaan yang saling ketergantungan.
Suatu ciri unik dari model persamaan simultan adalah bahwa variabel endogen dalam suatu persamaan mungkin muncul sebagai variabel yang menjelaskan dalam persamaan lain dalam sistem, oleh karena itu variabel eksogen menjadi stokhastik dan biasanya berkorelasi dengan variabel pengganggu dari persamaan yang mana variabel tersebut muncul sebagai variabel yang menjelaskan (Gujarati 1993).
Dalam studi ini dirumuskan model ekonometrika pengaruh bantuan sosial terhadap pertumbuhan ekonomi daerah tertinggal dan hubungan pertumbuhan ekonomi dengan kemiskinan yang merupakan sistem persamaan simultan yang terdiri dari 2 persamaan struktural, yaitu persamaan pertumbuhan ekonomi dan persamaan kemiskinan. Dua pesamaan ini merupakan persamaan simultan dimana pada persamaan pertama PDRB berfungsi sebagai variabel endogen dan pada persamaan kedua PDRB berfungsi sebagai variabel penjelas/predetermined.
Model Penelitian
Penelitian menggunakan model ekonometrika, dimulai dengan langkah spesifikasi model, penaksiran, verifikasi/evaluasi, dan implikasi kebijakan berdasarkan parameter-parameter yang telah ditaksir. Dalam spesifikasi model dirumuskan persamaan-persamaan matematis yang menggambarkan hubungan antara berbagai variabel ekonomi. Spesifikasi
model ekonometrika didasarkan pada teori ekonomi dan adanya informasi yang berhubungan dengan fenomena yang diteliti. Langkah selanjutnya adalah melakukan estimasi atas model yang telah terspesifikasi dan hasil parameter yang didapat, masih dilakukan verifikasi secara statistik untuk menguji hasil estimasi tersebut.
Suatu model dikatakan baik jika model dapat memenuhi:
1. Kriteria Ekonomi (menyangkut tanda dan besar parameter estimasi). 2. Kriteria Statistik (menyangkut uji statistik).
3. Kriteria Ekonometrika (menyangkut asumsi model)
Tahapan penyusunan model simultan dapat dilihat pada Gambar 5.
Gambar 5 Tahapan penyusunan model simultan (Diadopsi dari Sinaga 1998)
Fenomena
Seleksi Variabel yang Relevan Dengan Justifikasi Teori dan Penelitian Terdahulu
Model Ekonomi
Spesifikasi Model (menggunakan sistem
persamaan simultan)
Pengumpulan Data
Estimasi Parameter Model
Evaluasi Kriteria Ekonomi (Tanda dan Besaran) Kriteria Ekonometrika (Penyimpangan Asumsi)
Model merupakan representasi dari suatu fenomena aktual, seperti sistem atau proses aktual. Dengan kata lain, fenomena aktual dapat digambarkan dalam suatu model dalam rangka menjelaskan, memprediksi, atau mengontrol fenomena tersebut. Model ekonometrika menggambarkan suatu sistem dengan suatu rancangan hubungan di antara variabel-variabel secara stokhastik. (Intriligator, Bodkin, dan Hsiao 1996).
Model pada penelitian ini digambarkan dalam 2 persamaan struktural berikut:
PDRBit = β0+ β1bantuan SDMit+ β2bantuan Infras it+ β3bantuan ekonomi it+ β4bantuan daerah khusus it + β5bantuan kelembagaanit+ β6Lag PDRBit +β7POPit+ ε it
KEMISKINANit = β0+β1 PDRBit + β2 Pengangguranit+ β3 IPMit+ β4 Gini Ratioit + εit
PDRBit
KEMISKINAN
= PDRB kabupaten ke-i periode ke-t (Rp)
= Tingkat kemiskinan kabupaten ke-i periode ke-t(%)
bantuansdm it = Bantuan pengembangan sumberdaya kabupaten ke-i periode ke-t (Rp)
bantua Infrasit = Bantuan infrastruktur kabupaten ke-i periode ke-t (Rp)
bantuan ekonomi it
= Bantuan ekonomi dan dunia usaha kabupaten ke-i periode ke-t (Rp)
bantuan daerah khususit
= Bantuan pengembangan daerah khusus kabupaten ke-i periode ke-t (Rp)
bantuan kelembagaan it
= Bantuan sosial dan kelembagaan kabupaten ke-i periode ke-t
POPit =Jumlah penduduk kabupaten ke-i periode ke-t (%) Lag PDRBit = Nilai PDRB tahun sebelumnya kabupaten ke-i
periode ke-t (Rp)
Pengangguran = Pengangguran kabupaten ke-i periode ke-t (%) IPM = IPM kabupaten ke-i periode ke-t (indeks) Gini Ratio = Indeks Gini Kabupaten ke-i periode ke-t (indeks)
Model pertumbuhan ekonomi dianalisis dengan menggunakan variabel bantuan sosial KPDT, serta variabel jumlah penduduk dan nilai Lag PDRB, sedangkan variabel yang digunakan dalam menganalisis pengaruh pertumbuhan ekonomi terhadap kemiskinan adalah variabel PDRB, IPM dan tingkat pengangguran. Pemilihan variabel didalam model merujuk kepada teori yang mendasarinya dan dari hasil penelitian terdahulu. Model pertumbuhan ekonomi merujuk kepada teori permintaan agregat dimana tingkat output dipengaruhi salah satunya oleh pengeluaran pemerintah. Pengeluaran pemerintah yang dianalisis didalam penelitian ini adalah pengeluaran pemerintah pusat melalui Kementerian PDT.
Uji Identifikasi Model
Dalam model persamaan simultan, identifikasi dilakukan pada awal sebelum melakukan penaksiran untuk menentukan apakah suatu model persamaan simultan dapat dilakukan penaksiran atau tidak, dan mengetahui metode penaksiran apa yang sebaiknya digunakan pada persamaan simultan.
Menurut Koutsoyiannis (1997), identifikasi pada dasarnya menentukan pilihan metode apa yang digunakan secara tepat dari model yang akan ditaksir dan ada dua situasi yang mungkin dari pengidentifikasian tersebut, yaitu:
a. Persamaan underidentified
Persamaan underidentified (kurang teridentifikasi), jika bentuk statistiknya tidak unik atau kurang. Jika persamaan underidentified, maka tidak dapat menaksir seluruh parameter dengan teknik ekonometrika manapun, dengan kata lain koefisien persamaan structural tidak diperoleh.
b. Persamaan identified
Persamaan identified (dapat teridentifikasi), jika bentuk statistiknya unik (tunggal). Jika persamaan identified, maka koefisien dalam persamaan simultan secara umum dapat ditaksir, dengan kata lain koefisien persamaan structural memiliki solusi yang unik. Persamaan identified dapat menjadi persamaan exactly identified (tepat teridentifikasi) dan persamaan overidentified
(terlalu teridentifikasi).
Persamaan exactly identified adalah jika diperoleh suatu nilai koefisien yang unik dari parameter strukturalnya dan metode yang sesuai adalah indirect least square (ILS). Sedangkan persamaan overidentified adalah jika diperoleh lebih dari satu nilai koefisien untuk parameter-parameter strukturalnya dan metode yang sesuai adalah two-stage least square (2SLS), three-stage least square (3SLS), limited information maximum likelihood
(LIML), dan full information maximum likelihood (FIML).
Menurut Koutsoyiannis (1977), terdapat dua aturan formal yang digunakan untuk menentukan identifikasi yaitu kondisi orde dan kondisi rank. Dalam penelitian ini uji identifikasi pada model dilakukan dengan menggunakann kondisi orde.
Kondisi orde merupakan suatu kondisi yang diperlukan (necessary, pengembangan kondisi orde dapat dilakukan untuk memenuhi syarat perlu dan cukup (necessary and sufficient conditions). Pemenuhan syarat perlu dan cukup membutuhkan pemahaman yang lebih mendalam karena harus memahami pangkat dari suatu matriks.
Notasi yang digunakan pada kondisi orde ini adalah:
� = Jumlah variabel endogen dalam model persamaan simultan � = Jumlah variabel endogen dalam suatu persamaan tertentu � = Jumlah variabel predetermine dalam model persamaan simultan � = Jumlah variabel predetermine dalam suatu persamaan tertentu
Ada dua cara untuk mengidentifikasi kondisi orde, yang masing-masing sebenarnya menghasilkan hasil yang setara. Gujarati (2012) menyatakan:
1. Model � persamaan simultan agar dapat diidentifkasi setidaknya harus mengeluarkan � − 1 variabel (endogen dan predetermine) yang terdapat dalam model. Koutsoyiannis (1977) menyatakan untuk persamaan yang teridentifikasi, jumlah variabel yang dikeluarkan (endogen dan predetermine) dari model harus sama dengan atau lebih besar dari jumlah variabel endogen dikurangi satu, dinotasikan dengan :
(� − � + � − � ≥ � − 1
Jika variabel yang dikeluarkan tepat sejumlah � − 1 variabel, maka persamaan tersebut tepat teridentifikasi (exactly identified), sedangkan jika variabel yang dikeluarkan lebih dari � − 1, maka persamaan tersebut terlalu teridentifikasi (overidentified)
2. Model � persamaan simultan agar dapat diidentifikasi, jumlah dari variabel predetermine yang dikeluarkan dari persamaan tidak boleh kurang dari jumlah variabel endogen yang dimasukkan dalam persamaan dikurangi satu, dinotasikan dengan: � − � ≥ � − 1
Uji Asumsi Klasik (Multicollinearity, Heteroscedasticity, Autocorrelation) Salah satu asumsi dari model regresi adalah bahwa tidak ada hubungan linear sempurna antar peubah bebas dalam model tersebut. Jika hubungan tersebut ada, maka peubah bebas tersebut berkolinearitas (multicollinearity). Multicollinearity muncul jika dua atau lebih peubah (atau kombinasi peubah) bebas berkorelasi tinggi antara peubah satu dengan peubah yang lainnya. Dalam model penelitian ini hubungan
multicollinearity dilihat dari hasi uji nilai tolerance dan VIF, jika nilai
tolerance < 0.1 dan nilai VIF > 10 maka terjadi multicollinearity antar variabel bebas.
Asumsi model regresi selanjutnya adalah bahwa ragam sisaan (��) sama atau homogen. Asumsi ini disebut homoskedastisitas (homoscedasticity). Jika ragam sisaan tidak sama untuk tiap pengamatan dari peubah bebas dalam model regresi, maka terdapat heteroskedastisitas. Dalam model penelitian ini uji heteroskedastisitas dilihat dari hasil uji nilai Sig untuk masing-masing variabel, jika nilai Sig untuk masing-masing variabel > 0,05 maka tidak terjadi heteroskedastisitas.
Asumsi terakhir yaitu tidak terjadi autokeralasi atau korelasi serial antara sisaan (��). Jika antar sisaan tidak bebas, maka dikatakan ada masalah autokorelasi. Sama halnya dengan masalah heteroskedastisitas, hasil dugaan tidak lagi efisien atau ragamnya tidak lagi minimum jika terjadi autokorelasi. Untuk mendeteksi adanya autokorelasi dapat menggunakan metode uji Durbin Watson (DW). Nilai DW berada pada kisaran nilai 0 sampai 4, dan jika nilainya mendekati 2 maka menunjukkan tidak ada autokorelasi. Matriks metode penelitian dapai dilihat pada Tabel 6.
Tabel 6 Matriks metode penelitian
Tujuan Alat analisis Data Sumber
Data 1. Mengkaji Dinamika Kemiskinan, Pertumbuhan ekonomi dan Bantuan Sosial Kabupaten Tertinggal di KBI dan KTI Deskriptif kualitatif dari tahun 2009-2013 Kemiskinan di daerah
tertinggal di KBI dan KTI
PDRB di daerah
tertinggal di KBI dan KTI Program Bantuan Sosial Kementerian PDT BPS Keme ntrian PDT 2. Menganalisis pengaruh program bantuan sosial Kementerian PDT terhadap pertumbuhan ekonomi kabupaten tertinggal Analisis Persamaan Simultan PDRB kabupaten tertinggal Bantuan pengembangan sdm Bantuan infrastruktur
Bantuan ekonomi dan
dunia usaha Bantuan pengembangan daerah khusus Bantuan kelembagaan sosial Jumlah penduduk BPS Keme nterian PDT 3. Menganalisis hubungan antara pertumbuhan ekonomi dengan penurunan kemiskinan di kabupaten tertinggal Analisis Persamaan Simultan PDRB kabupaten tertinggal Persentase kemiskinan kabupaten tertinggal IPM kabupaten tertinggal Persentase pengangguran di kabupaten tertinggal BPS