Model Ekonomi Usaha Kecil

101 JBPR = Jumlah Kantor Bank Perkreditan Rakyat unit JRT = Jumlah Rumah Tangga unit SBPM = Suku Bunga Kredit Modal Kerja dari Bank Pemerintah persen SBPI = Suku Bunga Kredit Bank Pemerintah untuk Kredit Inv. persen JNB = Jumlah Nasabah Peminjam di BRI-Unit orang JT = Jumlah Simpanan Tabungan Masyarakat di Bank Umum Rp JD = Jumlah Simpanan Deposito Masyarakat di Bank Umum Rp JBRI = Jumlah Kantor BRI-Unit unit RPN = Jumlah Rata-rata Pinjaman per Nasabah di BRI-Unit Rp RNU = Jumlah Rata-rata Peminjam per Kantor BRI-Unit orang KKSP = Kredit Pinjaman dari Koperasi Simpan Pinjam Rp SBSM = Suku Bunga Kredit dari Bank Swasta untuk Kredit Modal Kerja persen JKSP = Jumlah Kantor Koperasi Simpan Pinjam unit JAKO = Jumlah Anggota Koperasi Simpan Pinjam orang AKO = Aset Koperasi Simpan Pinjam Rp JMK = Jumlah Modal Koperasi Simpan Pinjam Rp KBPR = Total Kredit dari BPR Rp KKSP = Total Kredit Pinjaman dari Koperasi Simpan Pinjam Rp KUK = Total Kredit dari KUK Bank Umum Rp

4.4.2.2. Blok Produk Domestik Regional Bruto

10. Produk Domestik Regional Bruto sektor Pertanian PDRB1 : PDRB1= b 80 + b 81 KBPR + b 82 KKSP + b 83 JP + b 84 JAK + U 8 ............................................................... 10 11. Produk Domestik Regional Bruto sektor Industri Pengolahan PDRB2: PDRB2= b 90 + b 91 KKSP + b 92 JP + b 93 JAK + U 9 ........................... 11 12. Produk Domestik Regional Bruto sektor Perdagangan PDRB3: PDRB3= b 100 + b 101 KUK + b 102 JP + b 103 JAK + U 10 ........................ 12 102 13. Produk Domestik Regional Bruto sektor Jasa-jasa PDRB4: PDRB4= b 110 + b 111 KBPR + b 112 KUK + b 113 JP + U 11 ...................... 13 Tanda parameter dugaan yang diharapkan persamaan 10, 11, 12 adalah : b 71 , b 72 , b 73 , b 81 , b 82 , b 83 , b 91 , b 92 b 93, b 101 , b 102 , b 103 , b 111 , b 112 , b 113 dimana: JAK = Jumlah Angkatan Kerja orang JP = Jumlah Penduduk orang PDRBi= Produk Domestik Regional Bruto sektoral PDRB1 sektor Pertanian, PDBR2 sektor Industri Pengolahan, PDBR3 sektor Perdagangan, PDBR4 adalah sektor Jasa-jasa Rp KBPR = Total Kredit dari BPR Rp KKSP = Total Kredit Pinjaman dari Koperasi Simpan Pinjam Rp KUK = Total Kredit dari KUK Bank Umum Rp

4.5. Prosedur Estimasi Model

4.5.1. Identifikasi Model

Sebelum menentukan metode yang digunakan untuk menduga parameter- parameter suatu model, maka model perlu diidentifikasi. Identifikasi dilakukan dengan menggunakan order condition sebagai syarat keharusan, dan metode rank condition sebagai syarat kecukupan. Berdasarkan kriteria rank condition maka suatu persamaan akan teridentifikasi jika dan hanya jika, dimungkinkan untuk membentuk paling sedikit satu determinan bukan nol pada order G–1 dari parameter struktural, pada variabel yang tidak termasuk dalam persamaan yang bersangkutan Intriligator, 1996; Lains, 2006; Manurung et al., 2005. Sementara itu berdasarkan kriteria order condition, agar setiap persamaan dapat teridentifikasikan, maka harus dipenuhi beberapa persyaratan. Rumusan 103 identifikasi model menurut Koutsoyiannis 1977 dalam model persamaan struktural berdasarkan order condition ditentukan oleh: K-M G–1 dimana: K = jumlah total variabel endogen dan predetermined didalam model, M = jumlah variabel endogen dan eksogen dalam suatu persamaan yang sedang diuji dan diidentifikasi, dan G = jumlah persamaan atau jumlah total variabel endogen. Bila sebuah persamaan memperlihatkan kondisi: K–M G–1, persamaan dikatakan tidak teridentifikasi under identified, K–M = G–1, persamaan dikatakan teridentifikasi secara tepat exactly identified , dan K–M G–1, persamaan dikatakan teridentifikasi berlebih over identified, sehingga persamaan dapat diduga parameternya.

4.5.2. Pendugaan

Model 4.5.2.1. Model Ekonomi Usaha Kecil Model ini dikembangkan untuk mencapai tujuan penelitian yang pertama ini, merupakan model persamaan simultan yang tersusun dari 11 persamaan, yaitu 8 persamaan perilaku dan 3 persamaan identitas. Serta 11 variabel endogen dengan variabel predetermined sebanyak 18 yang terdiri atas variabel-variabel eksogen. Masing-masing jumlah nilai K = 29, M = 5, dan G = 11. Setelah melalui pengujian pada setiap persamaan, semua persamaan struktural memenuhi kriteria identifikasi model, dimana K-M G-1 sehingga 29 – 5 11 – 1 atau 24 10. Dengan mempertimbangkan ketersediaan data sampel yang relatif kecil n 104 responden = 90, maka dipilih metode 2SLS two stage least squares method yang relatif kurang sensitif guna menduga parameter struktural Sinaga, 1989.

4.5.2.2. Model Keterkaitan Kredit Dan Ekonomi Wilayah

Model yang dikembangkan dalam penelitian ini merupakan model persamaan simultan yang tersusun dari 13 persamaan terdiri 2 persamaan identitas dan 11 persamaan perilaku, dengan 13 variabel endogen serta variabel predetermined sebanyak 19 yang terdiri atas variabel-variabel eksogen. Masing- masing jumlah nilai K = 32, M = 6, dan G = 13, dimana K – M G – 1 sehingga 32 – 6 13 – 1 atau 26 12. Setelah melalui pengujian setiap persamaan, semua persamaan struktural memenuhi kriteria identifikasi model. Dengan mempertimbangkan ketersediaan data sampel yang relatif kecil n kabupaten = 29 dan n tahun = 6 dan kemungkinan adanya respesifikasi model ketika dilakukan analisis struktural dan simulasi, maka dipilih metode 2SLS two stage least squares method yang relatif kurang sensitif untuk menduga parameter struktural Sinaga, 1989. Teknik estimasi ini menggunakan program Statistical Analysis System Econometric Time-Series SASETS Versi 9.1.

4.5.3. Validasi Model

Model perlu diuji apakah cukup valid bila digunakan untuk simulasi kebijakan. Untuk itu digunakan kriteria statistik yaitu. Root Mean Squares Error RMSE, Root Mean Squares Percentage Error RMSPE, dan U-Theil. Statistik RMSE dan RMSPE menggambarkan seberapa jauh nilai-nilai dugaan variabel endogen tersebut menyimpang dari nilai-nilai aktual, baik itu dalam angka nominal RMSE maupun persentase RMSPE. 105 RMSE = 5 . 2 T 1 t A t P T 1 ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ∑ = − t RMSPE = 100 5 . T 1 t 2 t A t A t P T 1 ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ ∑ = − dimana : RSME = Root Mean Squares Root RSMPE = Root Mean Squares Root Percentage Error T = Jumlah pengamatan dalam simulasi P = Nilai dugaan model predict value A = Nilai pengamatan actual value U – Theil dan UI modification Theil inequality U-Theil juga memiliki kelemahan, karena merupakan fungsi dari predictor itu sendiri yang merupakan salah satu unsur didalam penyebutnya, sehingga tidak dapat digunakan sebagai kriteria untuk membandingkan serta meranking model alternatif. Untuk mengatasi hal ini sering kali digunakan juga UI yang merupakan modifikasi dari U-Theil. Nilai koefisien U berkisar antara 0 dan 1, sedangkan UI diantara 0 dan ~ tak terhingga. Makin kecil nilai ataupun UI, termasuk juga RMSPE, menunjukkan kualitas model yang makin baik. Untuk mengukur U-Theil dan UI adalah sebagai berikut. U-Theil = ∑ ∑ ∑ = = = + − T 1 t 2 t T 1 T 1 t 2 t T 1 T 1 t 2 t t T 1 A P A P UI = ∑ = − − ∑ = − − − − ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ ⎟ ⎠ ⎞ ⎜ ⎝ ⎛ T 1 t 2 1 t A t A T 1 t 2 1 t A t A t A t P 106 Sementara itu Mean Squares Error dapat didekomposisi atas 3 komponen yaitu : 1. UM atau Biased proportion, mengindikasikan systematic error merupakan deviasi antara rata-rata nilai prediksi dengan nilai aktual. 2. UR atau Regression Component, mengindikasikan deviasi slope dari nilai- nilai aktual dengan nilai prediksi. 3. UD atau Residual Component, yang menangkap unsystematic error. Jumlah koefisien dari ketiga komponen tersebut adalah sama dengan satu. Nilai UM dan UR yang makin kecil menunjukkan bahwa model makin baik, sedangkan untuk UD bila nilainya makin besar mendekati 1 berarti model makin baik Pindyck dan Rubenfeld, 1991. Ketiga komponen tersebut masing-masing dapat dirumuskan sebagai berikut. UM = ∑ = − − T 1 t 2 t t 2 A P AM PM T UR = ∑ = − − T 1 t 2 t t 2 A P rSA SP T UD = ∑ = − T 1 t 2 t t 2 2 A P SA r - I T dimana : PM = rata-rata dari nilai prediksi AM = rata-rata dari nilai aktual SP = standard deviasi dari nilai prediksi SA = standar deviasi dari nilai aktual r = koefisien korelasi antara nilai-nilai aktual dengan prediksi T = jumlah pengamatan