commit to user
39
C. Definisi Operasional Variabel
1. Indeks Ketimpangan Pembangunan Ekonomi
Merupakan tingkat penyebaran PDRB per kapita kabupaten, terhadap tingkat rata – rata PDRB per kapita provinsi. Tingkat ketimpangan
pembangunan ekonomi diukur dengan menggunakan Indeks Williamson. Ditunjukkan oleh angka.
2. Proporsi Dana Alokasi Umum
Merupakan perbandingan realisasi dana alokasi umum provinsi yang telah dialokasikan oleh pemerintah pusat kepada daerah dengan total
penerimaan pemerintah pusat. Proporsi Dana Alokasi Umum dinyatakan dalam persen.
3. Rasio Belanja Modal Provinsi Terhadap Pengeluaran Pemerintah
Merupakan realisasi belanja modal provinsi dibagi dengan realisasi total pengeluaran pemerintah pusat. Rasio belanja modal dinyatakan dalam persen.
4. Rasio Pengeluaran Daerah Dengan Total Pengeluaran Pemerintah
Diperoleh dari perbandingan antara realisasi pengeluaran provinsi dengan total pengeluaran pemerintah. Rasio pengeluaran daerah dinyatakan
dalam persen.
D. Metode Analisis Data
1. Ketimpangan Pembangunan Ekonomi di Indonesia
Untuk mengetahui tingkat ketimpangan pembangunan ekonomi antar provinsi di Indonesia digunakan Indeks Williamson. Perhitungan Indeks
Williamson digunakan rumus, sebagai berikut:
commit to user
40 ..………………….3.1
Dimana, Y
i
= PDRB per kapita di kabupaten i Y = PDRB per kapita rata – rata di provinsi
f
i
= jumlah penduduk di kabupaten i N = jumlah penduduk di provinsi
Kriteria yang digunakan dalam penelitian yaitu apabila nilai Indeks Williamson
kurang dari 0,30 termasuk ketimpangan rendah, dan apabila Indeks Williamson berada diantara 0,30 – 0,50 termasuk ketimpangan
sedang. Sedangkan, apabila Indeks Williamson lebih dari 0,50 termasuk ketimpangan tinggi Nuraini, 2000.
2. Pemilihan Model
Pengaruh proporsi dana alokasi umum provinsi, rasio belanja modal provinsi dengan total pengeluaran pemerintah pusat dan rasio pengeluaran
provinsi dengan total pengeluaran pemerintah pusat terhadap tingkat ketimpangan pembangunan ekonomi antar provinsi di Indonesia dianalisis
menggunakan panel data Pooled Data. Panel data merupakan sekelompok data individu dalam beberapa tahun. Fungsi matematis dalam penelitian ini
yaitu ………………..…3.2
commit to user
41 Fungsi 3.2 dapat dimodifikasi ke dalam model ekonometrika menjadi,
berikut ini: … 3.3
Dimana, IW = Indeks Williamson
DAU = Proporsi Dana Alokasi Umum RBM = Rasio Belanja Modal provinsi dengan total pengeluaran pemerintah
RPP = Rasio Pengeluaran pemerintah daerah dengan pemerintah pusat µ
it
= gangguan
stokastik Penelitian ini menggunakan Generalized Least Square GLS. GLS
dipilih karena dalam metode OLS yang umum tidak mengasumsikan bahwa varian variabel adalah heterogen, pada kenyataannya variasi data pada data
campuran cenderung heterogen Gujarati, 2004. Metode GLS yang memperhitungkan heterogenitas yang terdapat pada variabel independen
secara eksplisit sehingga metode ini mampu menghasilkan estimator yang memenuhi kriteria BLUE Best Linier Unbiased Estimator. Dalam Metode
GLS dilakukan dengan memilih Cross Section Weight. Dengan model ini diharapkan akan mengetahui perubahan pembentukan variabel dependen
tingkat ketimpangan pembangunan ekonomi sebagai akibat perubahan variabel – variabel independen yang mempengaruhinya.
Dalam analisa model data panel dikenal, tiga macam pendekatan yang terdiri dari Common Effect Model CEM, Fixed Effect Model FEM, dan
Random Effect Model REM.
a. Common Effect Model CEM
commit to user
42 Merupakan pendekatan paling sederhana yang disebut estimasi
CEM atau pooled least square. Pada pendekatan ini diasumsikan bahwa nilai intersep masing-masing variabel adalah sama, begitu pula slope
koefisien untuk semua unit cross-section dan time series Sukendar dalam Yuniarti, 2008.
b. Fixed Effect Model FEM.
Menurut Gujarati 2004, salah satu cara untuk memperhatikan unit cross section pada model regresi panel adalah dengan mengijinkan
nilai intersep berbeda-beda untuk setiap unit cross section tetapi masih mengasumsikan slope koefisien tetap. Model FEM dapat
dinyatakan sebagai berikut: ……………...
3.4 i = 1, 2, 3, …, N
t = 1, 2, 3, …, T model di atas dikenal sebagai model Fixed Effects karena meskipun
itersep berbeda untuk setiap unit cross section, namun intersep ini tidak berbeda atau konstan untuk setiap time series Gujarati, 2004.
c. Random Effects Model REM
Pada model REM diasumsikan α
i
merupakan variabel random dengan mean
α . Sehingga intersep dapat dinyatakan sebagai Gujarati,
2004 α
i
= α
i
+ ε
i
, dimana ε
i
adalah error random yang mempunyai mean nol dan varian
, ε
i
tidak secara langsung diobservasi atau disebut juga laten. Berikut persamaan dari REM Gujarati, 2004:
……………... 3.5
commit to user
43 i = 1, 2, 3, …, N
t = 1, 2, 3, …, T Dengan
, suku error memuat dua komponen
error yaitu komponen error cross section dan yang merupakan
kombinasi komponen error cross section dan time series. Ketiga model tersebut dipilih yang terbaik untuk dijadikan model dalam
penelitian ini. Pemilihan model dilakukan dengan membandingkan antara model yang satu dengan yang lain, berikut ini:
a. CEM dengan FEM
Untuk membandingkan antara model CEM dengan FEM, mana yang lebih cocok dipakai dalam penelitian ini dilakukan dengan
menggunakan Uji Chow. Hipotesis dalam Uji Chow, sebagai berikut: Ho : Model CEM
H1 : Model FEM Dasar penolakan terhadap hipotesa nol tersebut adalah dengan
menggunakan F Statistik seperti yang dirumuskan oleh Chow:
…….………. 3.6 Dimana:
RSS
1
= Residual Sum Square Merupakan Sum of Square Residual yang diperoleh dari estimasi data panel dengan metode pooled least
squarecommon intercept CEM.
commit to user
44 RSS
2
= Residual Sum Square Merupakan Sum of Square Residual yang diperoleh dari estimasi data panel dengan Fixed Effect Model
FEM. N =
Jumlah data
cross section .
T = Jumlah
data time series
. K
= Jumlah variabel penjelas. Apabila nilai F
hitung
F
tabel
, maka model yang seharusnya digunakan adalah FEM. Sebaliknya, apabila nilai F
hitung
F
tabel
N-1, NT – N – K, maka model yang sebaiknya digunakan adalah CEM.
b. FEM dengan REM
Ada beberapa hal yang harus diperhatikan untuk menentukan pendekatan mana yang dipilih antara Fixed Effects Model dengan
Random Effect Model Judge dalam Aisyah, 2007, sebagai berikut:
1 Jika
εi dan X berkorelasi lebih baik digunakan FEM, dan jika εi dan X tidak berkorelasi lebih baik digunakan CEM.
2 Jika T besar dan N kecil, perbedaan antara keduanya relatif kecil.
Tapi FEM lebih disukai. 3
Jika N besar dan T kecil, digunakan FEM jika unit tidak random dari sampel yang besar dan digunakan CEM jika unit diambil secara
random. 4
Jika N besar dan T kecil dan jika asumsi CEM terpenuhi, estimator CEM lebih efisien dibanding FEM.
Dimana, εi = Random Error Term dengan rata – rata nol dan varian
2 ε
σ
commit to user
45 X
= Variabel bebas N
= Jumlah cross section yang diambil dalam penelitian T
= Jumlah time series yang diambil dalam penelitian
3. Uji Asumsi Klasik
Kategori