Kerangka Berpikir
Secara umum kebijakan pembangunan daerah dapat memberikan kontribusi terhadap fenomena-fenomena yang bersifat aktual dan mendasar. Fenomena-fenomena tersebut akan mempengaruhi pelaksanaan pembangunan wilayah secara langsung maupun tidak langsung melalui mekanismenya masing-masing yang akan berimplikasi pada konsep atau kerangka analisis pembangunan wilayah. Pentingnya perencanaan pembangunan daerah yang akan dijadikan sebagai kebijakan umum pembangunan oleh pemerintah daerah, harus didasarkan pada kerangka logika keilmuan serta kondisi dan potensi daerah yang terjadi di lapangan, dan bukan pada pendugaan-pendugaan yang tanpa dasar.
Selain itu, pemahaman mengenai struktur perekonomian wilayah sangat penting dilakukan dalam pengambil kebijakan pembangunan daerah. Pengembangan wilayah yang berbasis ilmu pengetahuan akan semakin mengarahkan pengelolaan pembangunan (khususnya dalam penganggaran) kepada pencapaian kinerja yang lebih maju sesuai dengan yang dicita-citakan (Saefulhakim 2008).
Pola kebijakan anggaran yang akan menjadi acuan dalam pelaksanaan program/kegiatan pembangunan tahunan tersebut harus berdasarkan potensi dan kondisi daerah yang aktual. Selain dengan memperhatikan keterbatasan segala sumberdaya yang tersedia, pola kebijakan anggaran juga harus memperhatikan keterkaitan sektoral dan daerahnya dalam suatu wilayah tertentu. Hal ini penting dilakukan agar dalam pengelolaan segala sumberdaya yang ada dapat dimanfaatkan sebesar-besarnya untuk kesejahteraan masyarakat secara efektif, efisien dan saling menguntungkan (mutualism simbiosis).
Atas dasar berbagai literatur pada uraian sebelumnya serta pemahaman tersebut maka dibangun kerangka pemikiran penelitian seperti yang terlihat pada Gambar 7 berikut.
Gambar 7 Kerangka Umum Pemikiran Penelitian. KETERKAITAN ANTAR DAERAH KAB/KOTA
DI WILAYAH PROVINSI BANTEN
EFEKTIFITAS DAN EFISIENSI
POTENSI DAN KONDISI DAERAH
SUMBER DAYA ALAM SUMBER DAYA MANUSIA SUMBER DAYA SOSIAL SUMBER DAYA BUATAN SUMBER DANA DAERAH JEJARING ANTAR DAERAH
KETERKAITAN ANTAR SEKTOR
POLA PENGANGGARAN
TIDAK
KINERJA PEMBANGUNAN DAERAH MENURUN
STRUKTUR HUBUNGAN SEKTORAL DAN DAERAH
YANG SALING MENGUATKAN REVISI YA
KINERJA PEMBANGUNAN
DAERAH MENINGKAT
KONDISI EKSISTING WILAYAH PROVINSI BANTEN: PERTUMBUHAN EKONOMI MELAMBAT KESENJANGAN PENDAPATAN MENINGKAT KEMISKINAN/PENGANGGURAN MASIH PADA LEVEL YANG LEBIH TINGGI DARI TINGKAT NASIONAL. KEBIJAKAN UMUM PEMBANGUNAN DAERAH YA TIDAK KONTRA-PRODUKTIF
Kerangka Analisis Penelitian
Analisis model spasial perencanaan dan koordinasi penganggaran terhadap peningkatan kinerja pembangunan daerah Provinsi Banten, secara umum dilakukan melalui beberapa proses tahapan analisis yang ditempuh seperti pada Gambar 8 berikut.
Gambar 8 Kerangka Analisis Penelitian.
2 Tipologi Wilayah Provinsi Banten Berdasarkan Kinerja Pembangunan Daerah PDRB ADHK Kab/Kota Provinsi BantenTahun 2003-2007 APBD Kab/Kota Provinsi Banten Tahun 2003-2007 Data Kependudukan Kab/Kota Provinsi Banten Tahun 2003-2007
Data Aliran Barang Tahun 2006 dan Kebalikan Jarak Variabel Kependuduk an Variabel Penganggaran Belanja Variabel Kinerja Pembangunan Daerah Matriks Kontiguitas Interaksi Spasial
Principal Components Analysis (Factor Analysis)
Akar Ciri
1
Factor
Score Loadings Factor
Parameter Fungsi Indeks
Tipologi Wilayah Provinsi Banten Berdasarkan Pola Penganggaran 1 oWij, dWij, dan rWij
Model Spasial Perencanaan dan Koordinasi Penganggaran untuk Meningkatkan Kinerja Pembangunan Daerah Provinsi Banten
Forward Stepwise General Regresion Model
Lokasi dan Waktu Penelitian
Wilayah Penelitian ini mencakup wilayah administratif Provinsi Banten. Unit analisis adalah daerah kabupaten/kota meliputi 6 kabupaten/kota, yaitu Kabupaten Pandeglang, Kabupaten Lebak, Kabupaten Tangerang, Kabupaten Serang, Kota Tangerang dan Kota Cilegon. Sedangkan waktu penelitian direncanakan mulai bulan Juli 2008 sampai September 2008.
Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh melalui cara studi literatur dan survei langsung ke daerah kabupaten/kota di wilayah Provinsi Banten. Data ini diperoleh dari berbagai SKPD terkait seperti Badan Perencanaan Pembangunan Daerah (Bappeda) Provinsi Banten, Badan Pusat Statistik (BPS) Provinsi Banten, Bappeda Kabupaten/Kota di wilayah Banten, Departemen Perhubungan dan instansi-instansi terkait lainnya.
Data-data sekunder yang digunakan untuk mencapai tujuan penelitian, dibagi ke dalam dua tahap, yaitu:
1. Pengumpulan data dasar, diantaranya adalah:
- Data Produk Domestik Regional Bruto (PDRB) kabupaten/kota di wilayah Provinsi Banten tahun 2003 sampai dengan tahun 2007, atas dasar harga berlaku dan atas dasar harga konstan
- Data Anggaran Pendapatan dan Belanja (APBD) kabupaten/kota di wilayah Provinsi Banten tahun 2003 sampai dengan tahun 2007
- Data Hasil Survei Asal Tujuan Transportasi Nasional (Provinsi Banten) Tahun 2006. Selain itu, data-data publikasi dari Badan Pusat Statistik (BPS) Provinsi Banten dan instansi terkait lainnya digunakan dalam penelitian ini sebagai pelengkap hasil analisis, termasuk peta administrasi Provinsi Banten.
2. Identifikasi variabel, dilakukan dengan beberapa analisis diantaranya adalah: - Rasio
- Indeks diversitas entropy - Location Quotient (LQ).
Tabel 3 Matrik Tujuan, Metode, Data dan Sumber Data dalam Penelitian Tujuan Metode Analisis Variabel/
Parameter
Data dan Sumber Data Mengidentifikasi tipologi wilayah Provinsi Banten berdasarkan pola penganggaran Principal Components Analysis (Factor Analysis) Data aspek: Kinerja Pembangunan daerah, Struktur Ekonomi Daerah, Struktur Harga-harga, Kependudukan, Struktur Anggaran Penerima, dan Struktur Anggaran Pengeluaran.
PDRB dan APBD (Bappeda Banten dan Bappeda kab/kota Provinsi Banten) Mengidentifikasi tipologi wilayah Provinsi Banten berdasarkan kinerja pembangunan. Principal Components Analysis (Factor Analysis) Data aspek: Kinerja Pembangunan daerah, Struktur Ekonomi Daerah, Struktur Harga-harga, Kependudukan, Struktur Anggaran Penerima, dan Struktur Anggaran Pengeluaran.
PDRB dan APBD (Bappeda Banten dan Bappeda kab/kota Provinsi Banten) Membangun model spasial hubungan perencanaan dan koordinasi penganggaran untuk meningkatkan kinerja pembangunan daerah Provinsi Banten. Analisis forward stepwise General Regression Model Matriks Kontiguitas Interaksi Spasial berdasarkan intensitas Aliran Barang dan Kebalikan Jarak, data hasil olahan.
Departemen
Perhubungan, semua hasil analisis
Metode Analisis
Keragaman dan Pemusatan Aktivitas Perekonomian Wilayah
Ukuran tingkat perkembangan suatu wilayah dalam perspektif ekonomi dapat ditunjukkan dari semakin bertambah dan meluasnya komponen/aktivitas perekonomian dalam suatu wilayah. Misalnya semakin meningkatnya alternatif sumber pendapatan wilayah dan aktifitas perekonomian di wilayah tersebut, maka akan semakin luas pula hubungan yang dapat dijalin antara sub wilayah dalam sistem tersebut maupun dengan sistem sekitarnya (Panuju dan Rustiadi 2005). Perluasan jumlah komponen aktivitas ini dapat dianalisis dengan menghitung indeks diversifikasi dengan konsep entropy.
Selain tingkat keragaman aktivitas perekonomian, pengembangan suatu wilayah dalam aspek ekonomi juga dapat ditentukan melalui peranan sektor-sektor pembangunan dalam mencapai target pertumbuhan yang diikuti oleh kegiatan investasi pembangunan, baik investasi pemerintah atau swasta. Ketersediaan sumberdaya suatu daerah yang terbatas memaksa ketelitian pemerintah daerah untuk menentukan berbagai skala prioritas pembangunan. Untuk itu perlu diidentifikasikan suatu pemusatan aktivitas ekonomi yang diharapkan dapat menggerakkan aktivitas pada sektor-sektor perekonomian lainnya.
Untuk mengetahui indikasi aktivitas sektor perekonomian pada suatu wilayah dilakukan melalui analisis Location Quotient (LQ) sehingga mendapatkan pembobotan pusat aktivitas sektor-sektor perekonomian pada suatu lokasi tertentu.
1. Analisis Perkembangan Sistem (Entropy)
Tingkat perkembangan sistem perekonomian suatu daerah ditunjukan dengan adanya peningkatan jumlah komponen sistem perekonomian serta penyebarannya (jangkauan spasial). Pendekatan tingkat perkembangan sistem perekonomian di wilayah Provinsi Banten dalam penelitian ini dianalisis dengan menghitung indeks diversitas melalui konsep entropy.
Prinsip pengertian indeks entropy ini adalah semakin beragam aktifitas atau semakin luas jangkauan spasial, maka semakin tinggi entropi wilayah. Artinya wilayah tersebut semakin berkembang (Panuju dan Rustiadi, 2005).
Penggunaan indeks diversitas entropy dalam penelitian ini adalah untuk mengidetifikasi variabel indikator, diantaranya:
- Indeks diversitas sektor ekonomi (PDRB 2003-2007) dan
- Indeks diversitas bidang pengeluaran belanja langsung (APBD Kabupaten/Kota 2003-2007)
Persamaan umum entropy ini adalah sebagai berikut:
Dimana: Pi adalah peluang yang dihitung dari persamaan: Xi/Xi.
X1 X2 X3 … Xn = x
X1/x X2/x X3/x …. Xn/x = 1
Jika tabel terdiri dari baris dan kolom yang cukup banyak seperti Tabel berikut:
X11 X21 X31 X41 Xp1
X12
X1q X2q Xpq
Maka, persamaan untuk menghitung peluang titik pada kolom ke-i dan baris ke-j adalah:
Pij=Xij/Xij
S 0 S = tingkat perkembangan
Nilai S akan selalu 0
Untuk mengidentifikasi tingkat perkembangan maka terdapat ketentuan jika indeks S semakin tinggi maka tingkat perkembangan semakin tinggi.
oporsi
P
n i i1
Pr
1
i iP
P
S
n i n j ij ijP
P
S
1 1ln
I – O Sektor 1 2 3 4 Sektor 1 Produk si 2 3 Xij 4Jika digambarkan dalam suatu grafik, hubungan antara nilai S dengan seluruh kemungkinan peluangnya akan berbentuk kurva kuadratik berikut ini:
S
O
1 1 Pi
n
Dari grafik tersebut diketahui nilai maksimum entropi diperoleh pada saat nilai peluangnya sama dengan 1/n, dimana n adalah jumlah titik (sektor/komponen/jangkauan spasial).
2. Analisis Location Quotient (LQ)
Analisis model LQ digunakan untuk melihat sektor basis atau non basis pada suatu wilayah perencanaan dan dapat mengidentifikasi sektor unggulan atau keunggulan komparatif suatu wilayah (Panuju dan Rustiadi, 2005). Analisis dalam penelitian ini digunakan untuk mengidentifikasi variabel indikator pada data PDRB kabupaten/kota dengan 9 sektor, meliputi sektor: (1) pertanian; (2) pertambangan & penggalian; (3) industri pengolahan; (4) listrik & air bersih; (5) bangunan; perdagangan, (6) hotel & restoran; (7) pengangkutan & komunikasi; (8) keuangan, persewaan & jasa perusahaan; (9) dan Jasa-jasa. Selain itu, data APBD kabupaten/kota dengan 24 bidang penganggaran belanja langsung di Provinsi Banten juga menggunakan analisis LQ untuk mengindentifikasi variabel indikator.
Nilai LQ diketahui melalui rumus sebagai berikut: . . ..
/
/
ij i ij jX
X
LQ
X
X
Keterangan:LQij = bobot lokasi/lokal kabupaten/kota i untuk sektor/bidang j. Xij = derajat aktivitas sektor/bidang j pada kabupaten/kota i. Xi. = derajat aktivitas total di kabupaten/kota i.
X.j = derajat aktivitas total sektor/bidang j di Provinsi Banten. X.. = total seluruh sektor/bidang di Provinsi Banten.
Kriteria penilaian dalam penentuan ukuran derajat basis (bobot lokasi) adalah jika nilai indeks LQ lebih besar atau sama dengan satu (LQ≥1), maka pada lokasi tersebut terjadi pemusatan aktivitas, sedangkan apabila nilainya kurang dari satu (LQ<1) berarti pada lokasi tersebut tidak terjadi pemusatan aktivitas pada kegiatan perekonomian wilayah Provinsi Banten.
3. Analisis Komponen Utama (Principal Components Analysis/PCA)
Untuk mengetahui tingkat korelasi atau keterkaitan antar variabel-variabel indikator perkembangan suatu wilayah biasa digunakan teknik komputasi melalui analisis faktor atau Factor Analysis (FA) dalam Principal Components Analysis (PCA) (Harman 1967). Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hali ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal
component.
Keuntungan penggunaan Principal Components Analysis (PCA) dengan metode lain yaitu: (1) dapat menghilangkan korelasi secara bersih (korelasi = 0), sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih; (2) dapat digunakan untuk segala kondisi data/penelitian; (3) dapat dipergunakan tanpa mengurangi jumlah variabel asal; (4) meskipun metode regresi dengan PCA ini memiliki tingkat kesulitan yang tinggi, kesimpulan yang diberikan lebih akurat dibandingkan dengan penggunaan metode lain (Soemartini 2008).
Teknik ekstraksi data dengan Principal Components Analysis (PCA) pada dasarnya adalah dengan memaksimalkan keragaman dalam 1 (satu) variabel/faktor yang baru dan meminimalkan keragaman dengan variabel/faktor yang lain menjadi variabel yang saling bebas (independent).
Langkah-langkah yang dilakukan dalam analisa ini adalah : 1. Ortogonalisasi Variabel
Tujuannya adalah membuat variabel baru Z (=1,2,...,qp) yang memiliki
karakteristik:
a. satu sama lain tidak saling berkorelasi, yakni: r’ = 0,
b. nilai rataan masing-masing, tetap sama dengan nol, dan
c. nilai ragam masing-masing Z sama dengan 0, dimana = p. 2. Penyederhanaan jumlah variabel
Mengurutkan masing-masing factor/komponen utama (F) yang dihasilkan, dari yang memiliki eigenvalue () tertinggi hingga terendah, yakni :
a. memilih faktor-faktor atau komponen-komponen utama yang memiliki
1, artinya faktor atau komponen utama yang memiliki kandungan informasi (ragam) setara dengan informasi yang terkandung dalam satu variabel asal,
b. membuang faktor atau komponen utama yang mempunyai eigenvalue antar dua faktor atau komponen utama yang berdekatan/tidak begitu signifikan, jika (-( - 1)) < 1, sebagai alternatif lain digunakan juga
metode The Scree Test dipekenalkan oleh Catell dimana dari hasil scee
plot yang dipilih adalah yang paling curam,
c. menentukan faktor-faktor atau komponen-komponen utama yang memiliki koefisien korelasi nyata minimal satu variabel asal. Kriteria yang digunakan adalah | rj| 0.7 Hal ini dimaksudkan agar setiap
faktor atau komponen utama yang terpilih, paling tidak memiliki satu penciri dominan dari variabel asalnya.
Hasil Principal Components Analysis (PCA) antara lain:
o Akar ciri (eigenvalue) merupakan suatu nilai yang menunjukkan keragaman dari peubah komponen utama dihasilkan dari analisis, semakin besar nilai
eigen value maka semakin besar pula keragaman data awal yang mampu
dijelaskan oleh data baru.
o Proporsi dan komulatif akar ciri, nilai pembobot (eigen vector) merupakan parameter yang menggambarkan hubungan setiap peubah dengan komponen utama ke-i.
o Component score adalah nilai yang menggambarkan besarnya titik-titik data
baru dari hasil komponen utama dan digunakan setelah PCA.
o PC loading menggambarkan besarnya korelasi antar variabel awal dengan
komponen ke-i. PC scores ini yang digunakan jika terjadi analisis lanjutan setelah PCA. Factor Loadings (L) adalah sama dengan Factor Score
Coefficients (C) kali Eigenvalue Faktor atau Komponen Utamanya ().
Gambar 9 Tahapan Analisis Principal Components Analysis.
Seleksi variabel indikator dalam penelitian ini digunakan metode Analisis Komponen Utama (Principal Components Analysis/PCA) dengan teknik komputasi melalui aplikasi STATISTICA for Windows. Data yang akan dianalisa diantaranya adalah data: (1) LQ PDRB kabupaten/kota tahun 2003 sampai dengan
Set Variabel
PCA (Analysis Factor)
Factor Loading
Adakah variabel
factor loading yang
tidak nyata untuk semua factor?
Tidak Ada
Ada
Selesai
Pilah data (set data variabel)
tahun 2007 dan indeks diversitasnya; dan (2) LQ APBD kabupaten/kota tahun 2003 sampai dengan tahun 2007 dan diversitasnya.
4. Tipologi Wilayah Berdasarkan Pola Penganggaran dan Kinerja Pembangunan Daerah
Analisis tipologi digunakan untuk klasifikasi berdasarkan suatu karateristik tertentu di daerah kabupaten/kota, melalui indeks komposit dari factor score hasil PCA yang distandarisasi (skala nilai 1 sampai dengan 9) (Saefulhakim 2008), dengan rumus:
8 1 i i i i i i i i A MIN A X MAX A MIN A Keterangan: iX nilai hasil standarisasi untuk kabupaten/kota ke-i
i
A nilai hasil dari factor score untuk masing-masing kabupaten/kota ke-i. Nilai hasil standarisasi ini dikelompokan ke dalam 9 kategori, yaitu: 1. nilai 0-1 untuk kategori sangat rendah sekali
2. nilai 1-2 untuk kategori sangat rendah 3. nilai 2-3 untuk kategori rendah 4. nilai 3-4 untuk kategori agak rendah 5. nilai 4-5 untuk kategori sedang 6. nilai 5-6 untuk kategori agak tinggi 7. nilai 6-7 untuk kategori tinggi 8. nilai 7-8 untuk kategori sangat tinggi
9. nilai 8-9 untuk kategori sangat tinggi sekali.
Gambaran klasifikasi suatu wilayah di unit analisis wilayah sampel berdasarkan suatu karakteristik tertentu dalam penelitian ini disajikan selain dalam bentuk Tabel 4, juga disajikan secara spasial untuk melihat sebarannya.
Hasil analisis inilah yang digunakan sebagai dasar untuk membangun model spasial perencanaan dan koordinasi penganggaran untuk meningkatkan kinerja pembangunan daerah dalam pengambilan skala prioritas penganggaran pada perumusan kebijakan pembangunan daerah.
5. Analisis Ekonometrika Spasial (Spatial Durbin Model)
Analisis model durbin spasial (Spatial Durbin Model) dilakukan untuk dapat mengakomodasikan fenomena keterkaitan aktivitas ekonomi antar daerah kabupaten/kota di Provinsi Banten dengan menggunakan matriks kontiguitas spasial (Saefulhakim 2008). Pada prinsipnya hampir sama dengan regresi berbobot, dengan variabel yang menjadi pembobot adalah faktor lokasi. Kedekatan (jarak antar lokasi) dan itensitas aliran barang antar lokasi dalam suatu aktivitas ekonomi menyebabkan munculnya fenomena keterkaitan antar daerah atau interaksi spasial.
Model ini merupakan pengembangan dari model regresi sederhana yang telah mengakomodasikan fenomena interaksi spasial, baik dalam variabel tujuan maupun dalam variabel penjelasnya. Misalnya untuk mengetahui peningkatan kinerja pembangunan daerah dalam suatu wilayah tidak hanya dipengaruhi oleh variabel bebas, namun juga dipengaruhi oleh variabel lain, yaitu hubungan/koordinasi spasial. Pada penelitian ini, pendugaan parameter model disusun dalam kerangka Model Durbin Spasial dengan penyusunan variabel berdasarkan pertimbangan konsep ilmu ekonomi dasar pada Model Input-Output (Model I-O).
Model menggunakan matriks kontiguitas spasial untuk mengetahui pengaruh keterkaitan penganggaran antar daerah, dalam penelitian ini berdasarkan 2 (dua) jenis kontiguitas spasial, yaitu:
- Matriks kontiguitas spasial antar daerah berdasarkan data aliran barang (W ). Semakin besar intensitas aliran barang antar suatu daerah, maka f
semakin tinggi keterkaitan antar daerah tersebut. Dengan demikian dapat dikatakan bahwa aktivitas ekonomi dalam suatu daerah tidak hanya membutuhkan input lokal (dalam daerah sendiri) saja namun juga membutuhkan input dari luar daerah (impor), begitu pun sebaliknya (ekspor). Hal ini menunjukan bahwa suatu aktivitas ekonomi untuk menghasilkan output secara efektif dan efisien memerlukan adanya hubungan mitra dagang (kerjasama/koordinasi).
- Matriks kontiguitas spasial antar daerah berdasarkan data jarak antar daerah (Wr). Semakin besar nilai jarak antar daerah, maka keterkaitan
antar daerah tersebut akan semakin kecil (berbanding terbalik). Dengan kata lain bahwa semakin jauh jarak antar daerah tertentu, maka hubungan antar daerah yang terjadi akan semakin relatif berkurang. Hal ini dapat menunjukan bahwa peristiwa yang terjadi pada suatu daerah tidak hanya dipengaruhi oleh daerah itu sendiri, namun juga dipengaruhi oleh daerah lain atau daerah tetangga yang terkait.
Pendekatan Model Durbin Spasial dalam penelitian ini menggunakan rumus sebagai berikut: , , , , , , , , , , , , , , , , , , ln ln ln ln ln ln ln i k k l k k i l p k i p l p r r f f l k i j j l l k i j j l l l r r f f p k i j j p p k i j j p i k p p Kpd Kpd Ipd W Kpd W Kpd W Ipd W Ipd
Keterangan:Variabel tujuan dan variabel-variabel penjelas model.
,
lnKpdi k logaritma natural indeks komposit kinerja pembangunan daerah ke-k, yang tiap selnya berisi nilai variabel tersebut untuk tiap daerah ke-i (i alias j).
,
lnIpdi p logaritma natural variabel indeks komposit potensi ekonomi daerah (struktur ekonomi daerah, struktur harga-harga, kependudukan, struktur anggaran penerimaan, dan struktur anggaran pengeluaran) ke-p, yang tiap selnya berisi nilai variabel tersebut untuk tiap daerah ke-i (i alias j).
Parameter-parameter model yang menunjukan pengaruh masing-masing variabel penjelas terhadap variabel indeks kinerja pembangunan daerah ke-k di daerah ke-i, sebagai berikut:
k = nilai tengah umum variabel indeks komposit kinerja pembangunan
daerah ke-k
l,k = pengaruh indeks komposit kinerja pembangunan daerah ke-l di
daerah sendiri terhadap variabel indeks komposit kinerja pembangunan daerah ke-k di daerah sendiri
r
l,k = pengaruh indeks komposit kinerja pembangunan daerah ke-l di
daerah-daerah tetangga terhadap variabel indeks komposit kinerja pembangunan ekonomi ke-k di daerah sendiri
f
l,k = pengaruh indeks komposit kinerja pembangunan daerah ke-l di
daerah-daerah mitra pembeli barang terhadap indeks komposit kinerja pembangunan daerah ke-k di daerah sendiri
p,k = pengaruh indeks komposit potensi ekonomi daerah (struktur ekonomi
daerah, struktur harga-harga, kependudukan, struktur anggaran penerimaan dan struktur anggaran pengeluaran) ke-p di daerah sendiri terhadap indeks komposit kinerja pembangunan daerah ke-k di daerah sendiri
r
p,k = pengaruh indeks komposit potensi ekonomi daerah (struktur ekonomi
daerah, struktur harga-harga, kependudukan, struktur anggaran penerimaan, dan struktur anggaran pengeluaran) ke-p di daerah-daerah tetangga terhadap indeks komposit kinerja pembangunan daerah ke-k di daerah sendiri
f
p,k = pengaruh indeks komposit potensi ekonomi daerah (struktur ekonomi
daerah, struktur harga-harga, kependudukan, struktur anggaran penerimaan, dan struktur anggaran pengeluaran) ke-p di daerah-daerah pembeli barang terhadap indeks komposit kinerja pembangunan daerah ke-k di daerah sendiri
i,k = galat pendugaan indeks komposit kinerja pembangunan daerah ke-k
untuk daerah ke-i
6. Pendugaan Parameter Model (Forward stepwise General Regression Model)
Tahapan awal dilakukan pendugaan paramter-parameter model dengan menggunakan sistem penambahan variabel penjelas satu-satu secara bertahap dimulai dari yang paling berkontribusi nyata (Forward Stepwise General
Regression Model). Proses seleksi variabel indeks yang berperan nyata dalam
model, digunakan Perangkat lunak STATISTICA for Windows (Saefulhakim 2008). Kriteria yang berperan nyata (significant) adalah jika nilai koefisiennya
nyata sampai dengan tarap nyata p 0.05, sedangkan variabel indeks yang tidak nyata dieliminasikan dari model (lihat Gambar 10).
Gambar 10 Tahapan Proses Analisis Penelitian.
Data Variabel Dasar PCA (Factor Analysis) Proses seleksi variabel indikator Analisis Variabel Indikator
Ukuran dan Perhitungan variabel indikator: 1. Rasio 2. Diversitas 3. Pemusatan Penganggaran Ekonomi Kependudukan Kinerja pembangunan Kontiguitas Spasial A S P E K D A T A Penyusunan Indeks Komposit Level Aktual Variabel Indikator Factor score Penyusunan Matriks Kontiguitas Spasial Parameter Fungsi Indeks Komposit Matriks Kontiguitas Spasial Forward stepwise General Regression Model Klasifikasi fungsi indeks Tipologi Wlayah Berdasarkan Pola penganggaran dan Kinerja Pembangunan Daerah
Model Spasial Perencanaan dan Koordinasi Penganggaran untuk
Meningkatkan Kinerja Pembangunan Daerah
