D. Blok Ratio
D.2. Ratio Tenaga Kerja
Rasio tenaga kerja adalah rasio antara tenaga kerja di sektor pertanian dengan tenaga kerja di sektor non pertanian.
RTKit = LTANit / LNTANit …...………... (47) dimana:
RTKit = Rasio Tenaga Kerja
LTANit = Penyerapan Tenaga Kerja Sektor Pertanian (orang) LNTANit
Identifikasi model perlu dilakukan sebelum estimasi model dan sebelum menentukan metode estimasi yang digunakan. Masalah dalam identifikasi model adalah untuk mendapatkan estimasi parameter-parameter persamaan struktural
= Penyerapan Tenaga Kerja Sektor Non Pertanian (orang)
dari parameter-parameter persamaan reduced form (Intriligator, 1978). Identifikasi model ditentukan atas “order condition” sebagai syarat keharusan dan “rank condition” sebagai syarat kecukupan. Dalam identifikasi model persamaan struktural berdasarkan order condition ada beberapa unsur yang harus diperhatikan (Koutsoyiannis, 1977), yaitu:
1. Total jumlah persamaan (total jumlah variabel current endogen) = G 2. Jumlah total variabel yang terdapat pada suatu model (endogenous and preditermined) = K
3. Jumlah variabel (endogenous and exogenous) yang terdapat pada suatu persamaan = M
Menurut order condition, suatu persamaan dapat diidentifikasikan jika jumlah variabel (endogenous and exogenous) yang tidak tercakup dalam suatu persamaan sama atau lebih besar dari jumlah seluruh jumlah persamaan yang terdapat pada suatu model dikurang satu (Johnston, 1972). Dengan demikian rumus identifikasi persaman struktural dari suatu model menurut order condition adalah (Koutsoyiannis, 1977):
(K – M) ≥ (G – 1)
[excluded variables] ≥ [total number of equations – 1]
Jika [K - M] sama dengan [G - 1] maka persamaan dalam model dikatakan
exactly identified, jika [K - M] lebih kecil dari [G - 1] maka persamaan dalam
model dikatakan underidentified, dan jika [K - M] lebih besar dari [G - 1] maka persamaan dalam model dikatakan overidentified (Koutsoyiannis, 1977).
Hasil identifikasi untuk setiap persamaan struktural haruslah exactly
identified atau overidentified untuk dapat menduga parameter-parameternya.
itu tidak teridentifikasi. Karena itu, dalam proses identifikasi diperlukan suatu syarat perlu sekaligus cukup. Hal ini dituangkan dalam rank condition untuk identifikasi yang menyatakan, bahwa dalam suatu persamaan teridentifikasi jika dan hanya jika dimungkinkan untuk membentuk minimal satu determinan bukan nol pada order (G-1) dari pamameter struktural peubah yang tidak termasuk dalam persamaan tersebut. Kondisi rank ditentukan oleh determinan turunan persamaan struktural yang nilainya tidak sama dengan nol (Koutsoyiannis, 1977). Model yang dirumuskan terdiri dari 32 persamaan struktural dan 15 persamaan identitas, oleh karena itu ada 47 variabel endogen. Jumlah variabel eksogen 17 dan lag variabel endogen ada 28. Jumlah maksimum variabel dalam suatu persamaan struktural ada 7 variabel. Berdasarkan order condition maka setiap persamaan struktural adalah overidentified.
5.5. Metode Estimasi Model
Dari hasil identifikasi model, semua persamaan struktural dalam model dinyatakan overidentified, selanjutnya model dapat diestimasi dengan beberapa metode estimasi yang tersedia (Sinaga, 2007). Metode untuk estimasi model antara lain: Two Stage Least Squares (2SLS), Limited Informatian Single
Equation (LISE), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) (Johnston, 1972). Metode 2SLS adalah metode
yang mengestimasi setiap persamaan yang overidentified dari suatu sistem persamaan (Intriligator, 1978). Metode estimasi dalam penelitian ini adalah metode Two Stage Least Squares (2SLS). Metode 2SLS ini dipilih karena menurut pendapat Koutsoyiannis (1977) pada situasi kemungkinan adanya kekeliruan spesifikasi model, tidak dimasukkannya variabel yang relevan,
multikolinieriti, dan auto korelasi, metode tersebut menghasilkan hasil estimasi yang lebih stabil, konsisten, dan asymptotically efficient pada estimasi persamaan
overidentified, terutama untuk ukuran contoh yang kecil. Sementara, metode
3SLS dan FIML menggunakan informasi yang lebih banyak dan lebih sensitif terhadap kesalahan pengukuran maupun spesifikasi model (Koutsoyiannis, 1977).
5.6. Validasi Model
Setelah model diestimasi dengan metode 2SLS, selanjutnya dilakukan validasi model. Validasi model dilakukan untuk mengetahui apakah suatu model cukup valid digunakan untuk suatu analisis simulasi alternatif kebijakan, dengan tujuan manganalisis sejauh mana model tersebut dapat mewakili dunia nyata (Pindyck dan Rubinfeld, 1991). Kriteria statistik yang digunakan untuk validasi model kebijakan fiskal, perubahan struktur output dan tenaga kerja adalah: Root
Mean Square Persent Error (RMSPE) dan Theil’s Inequality Coefficient (U).
RMSPE adalah rata-rata kuadrat terkecil dari proporsi perbedaan nilai estimasi dengan nilai observasi suatu variabel. Jika nilai RMSPE semakin kecil maka estimasi model atau variabel tersebut semakin valid. Nilai statistik RMSPE adalah:
RMSPE = [1/T Σ{(Yp - Ya)/Ya}2
]0.5 ... (48) U (Theil's inequality coefficient) adalah suatu pengukuran sistematik terhadap akurasi peramalan yang diperoleh dari suatu model ekonometrika. Nilai statistik U adalah (Pindyck dan Rubinfeld, 1978):
[1/T Σ (Yp-Ya )2 ] U = ... (49) [ 1/T Σ (Yp) 0.5 2 ]0.5 + [ 1/T Σ (Ya)2 ] dimana : 0.5
Yp = nilai prediksi (forecast) endogenous variable Ya = nilai aktual (realised) endogenous variable n = jumlah observasi
RMSPE = Root Mean Square Percent Error U = Theil's inequality coefficient
Pendugaan model akan semakin valid jika nilai RMSPE dan U semakin kecil. Nilai U berkisar antara 0 dan 1. Jika U = 0 maka pendugaan model sempurna. Sebaliknya, jika nilai U = 1 maka pendugaan model naif.
Informasi yang lebih lengkap mengenai sumber-sumber kesalahan (error) khususnya mengenai proporsi inequality dapat didefinisikan dalam tiga komponen (Pindyck dan Rubinfeld, 1991), yaitu :
UM = [ Yp - Ya ]2 / (1/ T) Σ[ Yp - Ya ]2
... (50) UR = [ Sp - Sa ]2 / (1/ T) Σ [Yp - Ya ]2
..………... (51) UC = 2T [ 1 - r ] Sp.Sa / (1/ T) Σ [Yp -Ya ]2
... (52) UM + US + UC
U
= 1 ... (53) dimana :
Yp = nilai rata-rata pendugaan model Ya = nilai rata-rata pengamatan contoh Sp = simpangan baku nilai pendugaan model Sa = simpangan baku nilai pengamatan contoh
r = koefisien korelasi nilai pendugaan dengan nilai pengamatan contoh
M
adalah kesalahan bias, yaitu perbandingan selisih nilai rata-rata estimasi dan nilai rata-rata observasi kuadrat suatu model atau variabel dengan
rata-rata kuadrat dari selisih nilai estimasi dan nilai observasi suatu model atau variabel. Menurut Pindyck dan Rubinfeld (1991), suatu estimasi model atau variabel dikatakan valid jika UM < 0.2 karena UM merupakan systematic error. Jika nilai UM diatas 0.2 maka model tersebut perlu diperbaiki karena terjadi bias sistematik.
UR adalah kesalahan regresi, yaitu perbandingan antara kuadrat selisih standar deviasi nilai estimasi dan standar deviasi nilai observasi suatu model atau variabel dengan rata-rata kuadrat dari selisih nilai estimasi dan nilai observasi suatu model atau variabel. Jika nilai UR semakin kecil maka estimasi model atau variabel semakin valid.
UD adalah kesalahan distribusi, yaitu ukuran unsystematic error dari estimasi suatu model atau variabel. Semakin mendekati satu nilai UD semakin valid estimasi suatu model atau variabel.
5.7. Simulasi Kebijakan Fiskal
Simulasi kebijakan fiskal dilakukan untuk menganalisis dampak kebijakan fiskal, yakni kebijakan penerimaan dan pengeluaran daerah terhadap variabel endogen yang ingin diteliti. Simulasi pada penelitian ini berupa simulasi historis. Setelah model divalidasi dan memenuhi kriteria statistik, maka model tersebut dijadikan sebagai model dasar simulasi. Peningkatan kebijakan fiskal diskenariokan sebesar 20 persen. Penetapan 20 persen didasarkan atas pertimbangan untuk mengimbangi pertumbuhan penduduk dan inflasi, dan peningkatan pada kebijakan fiskal tersebut pernah mencapai 20 persen.
Skenario 1. Peningkatan Penerimaan Pajak Daerah Sebesar 20 Persen