Data untuk menghitung pendapatan perkapita berasal dari PDRB kabupatenkota Jawa bagian barat tahun 2003 dan data jumlah penduduk
kabupatenkota berasal dari data PODES 2003.
3.3.1.6.Variabel yang diturunkan dari Data APBD
Variabel proxy indikator kinerja pembangunan daerah selain berasal dari data PDRB kabupatenkota dan juga menggunakan data APBD kabupatenkota
Jawa bagian barat Tahun 2003. Data yang berasal dari APBD tersebut adalah persentase PAD terhadap total penerimaan.
Setelah semua variabel indikator kinerja pembangunan selesai dihitung, maka dilakukan analisis PCA untuk mentransformasikan secara linier satu set
peubah kedalam peubah yang baru yang lebih sederhana dengan ukuran lebih kecil representatif dan ortogonal tidak saling berkorelasi, sehingga diperoleh
Indeks Komposit Kinerja Pembangunan Daerah. Indeks komposit tersebut kemudian dipetakan dalam format digital
berdasarkan kabupatenkota masing-masing dengan dilakukan analisis klasifikasi sehingga mempermudah analisis pola spasial kinerja pembangunan daerah di Jawa
bagian barat.
3.3.2. Analisis Konfigurasi Spasial Pola Pengalokasian Anggaran Belanja
Daerah
Langkah-langkah dalam analisis ini hampir mirip dengan analisis sebelumnya yaitu analisis konfigurasi spasial kinerja pembangunan. Langkah
pertama adalah menentukan dan menghitung variabel-variabel pola pengalokasian anggaran belanja yang diperoleh dari data APBD kabupatenkota tahun 2003.
Data APBD Belanja
PCA Pengeluaran
Bidang per kapitajumlah
Penduduk Pengolahan
Awal
PCA Pengeluaran
Bidang per luas wilayah
Pengeluaran Tak terduga
Indeks diversitas
Pola Pengeluaran
X X
P P
P S
n S
ID
i i
i n
i i
= −
= =
∑
=
ln exp
1
Variabel-variabel Indeks Komposit
Pola Alokasi Anggaran
Data Jumlah Penduduk dan
Luas Wilayah
Faktor Utama Belanja Bidang
per Jumlah Penduduk
Faktor Utama Belanja Bidang
per Luas Wilayah
Peta Administrasi
Jabar Pemetaan
Peta Konfigurasi Spasial Pola Pengalokasian
Anggaran Ke analisis
Autoregresi Spasial
Gambar 3.4. Diagram alir analisis konfigurasi spasial Pola Pengalokasian Anggaran.
3.3.2.1.Penyusunan Variabel Pola Pengalokasian Anggaran Daerah
Variabel-variabel pola pengalokasian anggaran daerah disusun dari data APBD Kabupatenkota Jawa bagian barat tahun 2003 ditambah data jumlah
penduduk dan luas wilayah yang diperoleh dari data PODES 2003. Variabel- variabel tersebut dihitung berdasarkan indeks.
Tabel 3.1. Data-data APBD untuk menyusun variabel proxy pola pengalokasian anggaran daerah.
ASPEK VARIABEL INDIKATOR
Belanja Pegawai+Belanja Aparatur Pemerintah dan
Pengawasan Belanja Pegawai+Belanja
Aparatur Pemerintah dan PengawasanTotal
Belanja Belanja
PendidikanPengembangan SDM Belanja Pendidikan
Total Belanja Belanja Kesehatan
Belanja Kesehatan Total Belanja
Belanja tidak tersangka Belanja tidak
tersangkaTotal Belanja Belanja Modal
Belanja Modal Total Belanja
Rasio Belanja Rutin dan Pembangunan
Belanja Rutinbelanja pembangunan
Total Belanja jumlah penduduk
Realisasi Pengeluaran
APBD
Total Belanja
Total Belanjaluas wilayah
Dana Perimbanganjumlah
penduduk Realisasi
Penerimaan Proporsi Dana Perimbangan
Dana Perimbanganluas wilayah
Catatan: • mulai tahun 2001 diberlakukan desentralisasi fiskal dengan
mengganti dana transfer pemerintah menjadi dana perimbangan • mulai tahun 2003 diberlakukan penganggaran berbasis kinerja dan
tidak ada lagi pemisahan antara belanja rutin dan belanja pembangunan.
Hasil yang diperoleh dari penyusunan dan perhitungan variabel indikator pola pengalokasian anggaran kemudian dilakukan Analisis PCA untuk
mentransformasikan secara linier satu set peubah kedalam peubah yang baru yang lebih sederhana dengan ukuran lebih kecil representatif dan ortogonal tidak
saling berkorelasi, sehingga diperoleh Indeks Komposit Pola Pengalokasian Anggaran Daerah.
Indeks Komposit Pola Pengalokasian Anggaran Daerah tersebut lalu dipetakan dalam format digital untuk mempermudah proses analisis.
3.3.2.2.Analisis Komponen Utama
Analisis komponen utama menggunakan PCA Teknik analisis ini mentransformasikan secara linier satu set peubah kedalam peubah yang baru yang
lebih sederhana dengan ukuran lebih kecil representatif dan ortogonal tidak saling berkorelasi.
Persamaan umum PCA adalah: Y
k
= ak
1
X
1
+ ak
2
X
2
+ ak
3
X
3
+ … + ak
p
X
p
Format data untuk PCA dapat disusun membentuk matriks yang berukuran n x p, dengan n : unit sample jumlah wilayah dan p ; jumlah peubah kolom.
Analisis komponen utama ini dilakukan sampai diperoleh nilai PC Score terbaik, yaitu: PC Score dengan nilai akar ciri eigenvalues diatas 70; jumlah faktor-
faktor baru yang diperoleh pada tabel factor loading dibawah lima; dan korelasi antar variabel-variabel asal dengan faktor-faktor baru pada factor loading dapat
diinterpretasikan secara logis. Adapun maksud dari analisis komponen utama ini adalah untuk mengelompokkan
variabel-variabel menjadi beberapa kelompok. Ada dua tujuan dasar dari PC, yaitu:
• Ortogonalisasi Variabel: mentransformasikan suatu struktur data dengan variabel-variabel yang saling berkorelasi menjadi struktur data baru dengan
variabel-variabel baru yang disebut sebagai Komponen Utama atau Faktor yang tidak saling berkorelasi.
• Penyederhanaan Variabel: banyaknya variabel baru yang dihasilkan, jauh lebih sedikit dari pada variabel asalnya, tapi total kandungan informasinya
total ragamnya relatif tidak berubah. Saefulhakim, 2004. Hasil PCA antara lain:
• Akar ciri eigen value 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. • Proporsi dan komulatif akar ciri, nilai pembobot eigen vector merupakan
parameter yang menggambarkan hubungan setiap peubah dengan komponen utama ke-i.
• PC loading menggambarkan besarnya korelasi antar variable pertama dengan komponen ke-i.
• Component score adalah nilai yang menggambarkan besarnya titik-titik data baru dari hasil komponen utama dan digunakan setelah PCA. PC scores ini
yang digunakan jika terjadi analisis lanjutan setelah PCA. Dalam penelitian ini PCA digunakan sebagai teknik pengolah data indikator
kinerja pembangunan dan indikator pola pengalokasian anggaran yang melalui proses rasionalisasi. Hasil dari PCA tersebut component score menjadi masukan
untuk analisis spatial autoregressive model.
3.3.3. Analisis Hubungan Fungsional Antara Konfigurasi Spasial Pola
