Tabel 2 Keterangan variabel penelitian dan satuannya
Variabel Keterangan
Satuan
i = unit daerah propinsi
t = unit waktu tahun
e = random error
BUMD = Laba BUMD
milyar rupiah DAK
= Dana Alokasi Khusus milyar rupiah
DAPER = Dana Perimbangan
milyar rupiah DAU
= Dana Alokasi Umum milyar rupiah
FISGAP = Kesenjangan
Fiskal milyar
rupiah GINI
= Gini Ratio poin
INV = Investasi PMTB
milyar rupiah LD =
Luas Daerah
km
2
LDAU = Lag
DAU milyar rupiah
LPDKMIS = Lag
Jumlah Penduduk Miskin ribu jiwa
LPJK = Lag
Pajak milyar rupiah
LPENGINFRA = Lag
Pengeluaran Infrastruktur milyar rupiah
LPENGPENDKES = Lag Pengeluaran PendidikanKes milyar rupiah
LPENGTANI = Lag
Pengeluaran Pertanian milyar rupiah
PAD = Penerimaan Asli Daerah
milyar rupiah PADLN
= Penerimaan Asli Daerah Lainnya milyar rupiah
PD = Penerimaan Daerah
milyar rupiah PDL
= Penerimaan Daerah Lainnya milyar rupiah
PDRB = PDRB
milyar rupiah
PDRBTANI = PDRB Sektor Pertanian
milyar rupiah PDRBIND
= PDRB Sektor Industri milyar rupiah
PDRBJASA = PDRB Sektor Jasa
milyar rupiah PDRBLAIN
= PDRB Sektor Lainnya milyar rupiah
PDK = Total Penduduk
ribu jiwa PDKMIS
= Jumlah Penduduk Miskin ribu jiwa
PENGDRH = Pengeluaran Belanja Daerah
milyar rupiah PENGIND
= Pengeluaran Sektor Industri milyar rupiah
PENGINFRA = Pengeluaran Bidang Infrastruktur
milyar rupiah PENGJASA
= Pengeluaran Sektor Jasa milyar rupiah
PENGPEND = Pengeluaran Bidang Pend Kes
milyar rupiah PENGTANI
= Pengeluaran Sektor Pertanian milyar rupiah
PENGLAIN = Pengeluaran Bidang Lainnya
milyar rupiah PJK
= Pajak Daerah milyar rupiah
RET = Retribusi
milyar rupiah
TKTANI = Tenaga
Kerja sektor Pertanian
jiwa TKIND =
Tenaga Kerja
sektor Industri jiwa
TKJASA = Tenaga Kerja sektor Jasa
jiwa
3.2.2.2 Identifikasi dan Estimasi Model
Sistem persamaan simultan tidak dapat diselesaikan dengan menggunakan metode OLS ordinary least square yang biasa digunakan dalam persamaan
tunggal, akan tetapi harus menggunakan metode ILS, 2SLS, maupun 3SLS
berdasarkan hasil identifikasi persamaan. Hal tersebut berarti bahwa sebelum dilakukan pendugaan parameter model, maka harus dilakukan identifikasi terlebih
dahulu pada persamaan struktural dalam model. Dengan demikian dapat diketahui apakah persamaan tersebut dapat teridentifikasi identified atau tidak. Jika
teridentifikasi, apakah bersifat exactly identified atau over identified. Suatu model dikatakan teridentifikasi, jika dapat dinyatakan dalam bentuk statistik unik, yang
menghasilkan estimasi parameter yang unik pula. Menurut Koutsoyianis 1977, suatu persamaan dapat dikatakan
teridentifikasi apabila memenuhi order condition. Kondisi order didasarkan atas kaidah penghitungan variabel-variabel yang dimasukkan dan dikeluarkan dari
suatu persamaan tertentu. Cara yang dilakukan menguji persamaan-persamaan struktural ini adalah dengan mengelompokkan terlebih dahulu persamaan-
persamaan tersebut ke dalam jumlah total persamaan struktural total variabel endogen, jumlah variabel dalam model variabel endogen dan predetermined,
dan jumlah variabel dalam persamaan yang diidentifikasi. Identifikasi dengan order condition diekspresikan sebagai berikut:
K-M ≥ G-I ....................................................................................................25
keterangan: G = Jumlah persamaan struktural yang terdapat dalam model jumlah variabel
endogen dalam model K = Jumlah total variabel dalam model variabel endogen dan predetermined
M = Jumlah variabel endogen dan eksogen yang dimasukkan dalam suatu persamaan
Persamaan dalam suatu sistem tersebut dapat menunjukkan kondisi: 1
K-M G-1, maka persamaan disebut under identified 2
K-M = G-1, maka persamaan disebut just identified 3
K-M G-1 maka persamaan disebut over identified Berdasarkan hasil identifikasi model yang dilakukan, seluruh persamaan
struktural dalam model kebijakan fiskal terhadap kemiskinan ini menunjukkan kondisi overidentified lihat lampiran. Pendugaan terhadap model yang
overidentified tersebut dapat dilakukan dengan menggunakan metode 2SLS atau
3SLS. Model dalam penelitian ini menggunakan program Eviews metode 3SLS
karena lebih efisien. Hal tersebut disebabkan metode 3SLS menggunakan seluruh informasi yang ada dalam model dan mengasumsikan adanya keterkaitan antar
error dalam persamaan.
Selanjutnya, untuk menguji apakah masing-masing variabel penjelas secara individual berpengaruh nyata atau tidak terhadap variabel endogen pada masing-
masing persamaan digunakan statistik uji-t. Sedangkan untuk menguji apakah variabel-variabel penjelas secara bersama-sama berpengaruh nyata atau tidak
tehadap variabel endogen, dilakukan statistik uji-F terhadap masing-masing persamaan.
Elastisitas digunakan untuk mengetahui seberapa besar respon variabel endogen terhadap perubahan variabel eksogen dalam suatu jangka waktu, baik
jangka pendek maupun jangka panjang. Untuk mengetahui seberapa besar respon variabel endogen akibat perubahan variabel eksogen pada jangka pendek, maka
digunakan elastisitas jangka pendek. Elastisitas jangka pendek dirumuskan sebagai berikut:
Y X
E
j j
j
∧
=
β
......................................................................................................... 26 keterangan:
j
E
= elastisitas jangka pendek variabel-j
∧
j
β
= koefisien parameter variabel-j
j
X
= rata-rata variabel eksogen-j
Y
= rata-rata variabel
endogen Elastisitas jangka pendek menggambarkan berapa persen perubahan variabel
endogen akibat dari perubahan variabel eksogen sebesar 1 persen. Sementara itu, untuk mengetahui seberapa besar respon perubahan
variabel endogen akibat perubahan variabel eksogen dalam jangka panjang digunakan elastisitas jangka panjang. Elastisitas jangka panjang tersebut
dirumuskan sebagai berikut:
∧
− =
k j
p
E E
β
1
......................................................................................................... 27 keterangan:
p
E
= elastisitas jangka panjang variabel-j
j
E
= elastisitas jangka pendek variabel-j
∧
j
β
= koefisien parameter variabel-j Elastisitas jangka panjang menggambarkan berapa persen perubahan variabel
endogen akibat perubahan variabel eksogen sebesar 1 persen yang terjadi melalui multiplier effect
Pindyck dan Rubinfield, 1991.
3.2.3.3 Validasi Model
Tujuan validasi model adalah untuk mengetahui tingkat representasi model apabila dibandingkan dengan dunia nyata sebagai dasar untuk melakukan
simulasi. Validasi dapat dilakukan dengan membandingkan nilai aktual dengan nilai dugaan dari penduga endogen. Terdapat berbagai uji validasi model, namun
yang digunakan dalam penelitian ini adalah uji U-Theil Theil’s Inequality Coefficient
, Root Mean Squares Percent Error RMSPE dan Koefisien Determinasi R
2
. Statistik U-Theil’s dirumuskan sebagai berikut:
∑ ∑
∑
= =
=
+ −
=
n t
a t
n t
s t
n t
a t
s t
Y n
Y n
Y Y
n U
1 2
1 2
2 1
1 1
1
.................................................................................28
keterangan:
s t
Y = nilai hasil simulasi dasar dari variabel observasi
a t
Y =
nilai aktual
variabel observasi n
= jumlah periode observasi Nilai U-Theil’s berkisar antara 0 dan 1, dengan kriteria bahwa semakin kecil nilai
U-Theil’s yang dihasilkan, maka semakin baik model tersebut.
Statistik Root Mean Squares Percent Error RMSPE dirumuskan sebagai berikut:
2 1
1
∑
=
⎟ ⎟
⎠ ⎞
⎜ ⎜
⎝ ⎛
− =
n t
a t
a t
s t
Y Y
Y n
RMSPE
....................................................................................29
keterangan:
s t
Y = nilai hasil simulasi dasar dari variabel observasi
a t
Y =
nilai aktual
variabel observasi n
= jumlah periode observasi Model dinyatakan valid apabila nilai RMSPE berada di bawah 100. Sedangkan
statistik Koefisien Determinasi R
2
dinyatakan valid apabila bernilai mendekati 1 Pindyck dan Rubienfield, 1991.
3.3 Simulasi Model
Menurut Sinaga 1997, simulasi adalah suatu pendekatan untuk mengetahui arah sign dan besar size perubahan dari suatu atau beberapa variabel endogen
decision variabel dengan melakukan perubahan satu atau beberapa variabel endogen. Oleh karena itu, simulasi model adalah suatu perubahan yang dilakukan
di dalam model tanpa merubah sistem atau dunia nyata. Simulasi memiliki beberapa tujuan yaitu: 1 melakukan pengujian dan evaluasi terhadap model ex-
post , 2 mengevaluasi kebijakan pada masa lampau backasting, 3 membuat
peramalan pada masa datang ex-ante. Tabel 3 Simulasi dampak kebijakan fiskal terhadap kemiskinan
No Jenis Simulasi
Besar Simulasi 1
Peningkatan Penerimaan Pajak 35
2 Peningkatan Penerimaan BHPBP
45 3
Peningkatan Pengeluaran Pertanian 30
4 Peningkatan Pengeluaran Pendidikan dan
Kesehatan 35
5 Peningkatan Pegeluaran
Infrastruktur 35
6 Peningkatan Pengeluaran Pertanian dan
Pengeluaran Pendidikan dan Kesehatan 30, 35
7 Peningkatan Pengeluaran Pendidikan dan
Kesehatan dan Pengeluaran Infrastruktur 35, 355
8 Peningkatan Pengeluaran Pertanian, Pengeluaran
Pendidikan dan Kesehatan dan Pengeluaran Infrastruktur
30, 35, 35
Simulasi yang dilakukan pada penelitian ini adalah untuk mengevaluasi alternatif kebijakan melalui simulasi historis ex-post simulation. Analisis
simulasi dilakukan untuk mengetahui dampak dari kebijakan fiskal pemerintah daerah dari sisi penerimaan dan pengeluaran yang bersumber dari APBD.
Simulasi model digunakan untuk menerangkan perilaku dan kondisi kinerja fiskal daerah terhadap kemiskinan di Indonesia. Terdapat delapan simulasi kebijakan
yang yang akan dilakukan dan digambarkan melalui tabel 3. Simulasi pertama adalah kenaikan penerimaan pajak sebesar 35 . Simulasi
ini didasarkan pada pertimbangan bahwa dalam masa pelaksanaan desentralisasi fiskal, pemerintah daerah memiliki wewenang untuk mencari dan mengelola
sendiri berbagai sumber-sumber penghasilan daerah. Sumber penghasilan tersebut antara lain penerimaan pajak, sehingga memiliki potensi dalam meningkatkan
sumber pendapatan asli daerah yang cukup besar Hermami, 2007. Besarnya simulasi berdasarkan rata-rata penerimaan pajak pertahun selama tahun 2003-
2009. Simulasi yang kedua adalah kenaikan penerimaan bagi hasil pajak dan
bukan pajak BHPBP. Seperti halnya pajak, bagi hasil pajak dan bukan pajak merupakan salah satu sumber pendapatan daerah. selain itu, salah satu tujuan dari
diberlakukannya desentralisasi adalah dapat menggali potensi daerah dengan lebih efisien dan optimal, sehingga pemerintah daerah dapat membiayai kebutuhan
daerahnya dengan lebih optimal. Peningkatan penerimaan dari bagi hasil pajak dan bukan selain dapat meningkatkan penerimaan daerah guna membiayai
kebutuhan daerahnya, juga sebagai salah satu cara dalam pengoptimalan potensi daerah. Besarnya simulasi bagi penerimaan bagi hasil pajak dan bukan pajak
sebesar 45 ini diperoleh dari rata-rata penerimaan BHPBP per tahun selama tahun 2003-2009
Simulasi ketiga adalah kenaikan pengeluaran pemerintah bidang Pertanian. Besarnya simulasi yaitu 30 yang diperoleh dari rata-rata pengeluaran
pemerintah untuk bidang Pertanian per tahun selama tahun 2002-2009. Pertanian merupakan mata pencaharian mayoritas bagi penduduk miskin. Selain itu,
sebagian besar negara berkembang yang memiliki penduduk miskin relatif besar,
