Pemetaan Kemampuan Keuangan Daerah Pemka (1)

Pemetaan Kemampuan Keuangan Daerah Pemkab dan Pemkot di Indonesia (Pendekatan Cluster)

Oleh: Muhammad Fajar (Staf Seksi Statistik Sosial BPS Kab. Waropen)

Abstraksi

Tujuan dari kajian ini membentuk cluster berdasarkan empat variabel yaitu realisasi dari pajak daerah, retribusi daerah, lain-lain PAD yang sah dan DAU. Metode yang digunakan adalah k means cluster, dimana dengan metode Elbow secara empiris menunjukkan adanya empat cluster yang terbentuk. Cluster yang terbentuk yaitu Terbentuk sebanyak 4 cluster, yakni cluster 1 (Daerah berpendapatan tinggi), cluster 2 (Daerah berpendapatan menengah ke atas), cluster 3 (Daerah berpendapatan rendah) dan Cluster 4 (Daerah berpendapatan menengah ke bawah).

Kata kunci: k mean cluster, metode elbow, pemetaan keuangan daerah

1. Latar Belakang

Secara geografis, demografis dan topografis masing-masing Pemerintah Kota (Pemkot) dan Pemerintah Kabupaten (Pemkab) di wilayah NKRI, mempunyai perbedaan potensi sumber daya, baik Sumber Daya Alam (SDA), Sumber Daya Manusia (SDM), maupun Sumber Daya Ekonumi (SDE). Ada Pemkot/Pemkab yang mempunyai SDA yang berlimpah, tetapi ada pula Pemkot/Pemkab yang mempunyai SDA minim. SDM pada Pemkot/Pemkab pada satu wilayah memiliki pendidikan diatas rata serta kompetensi dan keahlian yang dapat dihandalkan, tetapi pada Pemkot/Pemkab lain, SDMnya masih dibawah rata-rata dan perlu adanya peningkatan skill dan kemampuan. Terdapat Pemkot/Pemkab dengan SDE yang baik, tetapi ada pula Pemkot/Pemkab yang masih perlu adanya pembekalan dan pelatihan untuk peningkatan SDE.

Konsekuensi adanya keragaman dalam SDA, SDM dan SDE membuat Pemkot/Pemkab di seluruh Indonesia mengalami perbedaan dalam penerimaan daerah berupa pajak dan retribusi maupun transfer dari Pemerintah Pusat/Propinsi berupa Dana Alokasi Umum (DAU).

Untuk menentukan strategi dan kebijakan yang tepat, perlu dilakukan pemetaan keuangan daerah pada Pemkot dan Pemkab berdasarkan Pendapatan Asli Daerah (PAD) berupa pajak, retribusi dan lain-lain PAD yang sah serta Dana Alokasi Umum (DAU). Selama ini penelitian mengenai pemetaan keuangan daerah khususnya pada Pemkot/Pemkab di seluruh Indonesia belum dilakukan. Untuk itu, penelitian ini akan memetakan keuangan daerah yang dalam hal ini terdiri dari pajak dan retribusi daerah, Lain-lain PAD yang sah dan DAU pada Pemkot/Pemkab. Tujuan paper ini untuk memetakan kemampuan keuangan daerah pada 468 kabupaten/kota di seluruh Indonesia (kecuali Kotamadya-kotamadya dibawah Provinsi DKI Jakarta) pada tahun 2013.

2. Landasan Teori

2.1 Pajak dan Retribusi

Salah satu wujud dari pelaksanaan desentralisasi fiskal adalah pemberian sumber-sumber penerimaan bagi daerah yang dapat digali dan digunakan sendiri sesuai dengan potensinya masing- masing. Sumber-sumber penerimaan tersebut dapat berupa pajak dan retribusi. Kewenangan daerah untuk memungut pajak dan retribusi diatur dengan Undang-Undang (UU) No. 34 Tahun 2000 yang merupakan penyempurnaan dari UU No. 18 Tahun 1997 dan ditindaklanjuti dengan peraturan pelaksanaannya, yaitu Peraturan Pemerintah (PP) No. 65 Tahun 2001 tentang Pajak Daerah dan PP Salah satu wujud dari pelaksanaan desentralisasi fiskal adalah pemberian sumber-sumber penerimaan bagi daerah yang dapat digali dan digunakan sendiri sesuai dengan potensinya masing- masing. Sumber-sumber penerimaan tersebut dapat berupa pajak dan retribusi. Kewenangan daerah untuk memungut pajak dan retribusi diatur dengan Undang-Undang (UU) No. 34 Tahun 2000 yang merupakan penyempurnaan dari UU No. 18 Tahun 1997 dan ditindaklanjuti dengan peraturan pelaksanaannya, yaitu Peraturan Pemerintah (PP) No. 65 Tahun 2001 tentang Pajak Daerah dan PP

Selain jenis pajak dan retribusi yang diatur dalam UU dan PP tersebut, untuk daerah kabupaten/kota juga diberikan kewenangan menetapkan jenis pajak dan retribusi baru sepanjang memenuhi kriteria yang ditetapkan dalam UU, sedangkan untuk daerah propinsi hanya diberikan kewenangan untuk menetapkan jenis retribusi baru di luar yang ditetapkan dalam UU. Berdasarkan peraturan perundang-undangan di bidang perpajakan dan retribusi daerah, daerah diberikan kewenangan untuk memungut 11 jenis pajak dan 27 jenis retribusi. Penetapan jenis pajak dan retribusi tersebut didasarkan pertimbangan bahwa jenis pajak dan retribusi tersebut secara umum dipungut hampir di semua daerah dan merupakan jenis pungutan yang secara teori maupun praktik merupakan jenis pungutan yang baik.

Jenis pajak kabupaten/kota tidak bersifat limitatif artinya kabupaten/kota diberi peluang untuk menggali potensi sumber-sumber keuangannya selain yang ditetapkan secara eksplisit dalam UU No. 34 Tahun 2000 dengan menetapkan sendiri jenis pajak yang bersifat spesifik sepanjang memenuhi kriteria yang ditetapkan dalam UU tersebut. Besarnya tarif definitif untuk pajak kabupaten/kota ditetapkan dengan Peraturan Daerah (Perda), namun tidak boleh lebih tinggi dari tarif maksimum yang telah ditentukan dalam UU. Retribusi daerah terdiri atas 3 (tiga) golongan, yaitu: 1. Retribusi Jasa Umum, yaitu retribusi atas jasa yang disediakan atau diberikan oleh Pemerintah Daerah (Pemda) untuk tujuan kepentingan dan kemanfaatan umum serta dapat dinikmati oleh orang pribadi atau badan; 2. Retribusi Jasa Usaha, yaitu retribusi atas jasa yang disediakan oleh Pemda dengan menganut prinsip komersial karena pada dasarnya dapat pula disediakan oleh sektor swasta; 3. Retribusi Perizinan Tertentu, yaitu retribusi atas kegiatan tertentu Pemda dalam rangka pemberian izin kepada orang pribadi atau badan yang dimaksudkan untuk pembinaan, pengaturan, pengendalian dan pengawasan atas kegiatan pemanfaatan ruang, penggunaan sumber daya alam, barang, prasarana, sarana atau fasilitas tertentu guna melindungi kepentingan umum dan menjaga kelestarian lingkungan.

2.2 Lain-lain PAD yang Sah

Lain-lain pendapatan daerah yang sah ialah pendapatan-pendapatan yang tidak termasuk dalam jenis-jenis pajak daerah, retribusli daerah, pendapatan dinas-dinas. Lain- lain usaha daerah yang sah mempunyai sifat yang pembuka bagi pemerintah daerah untuk melakukan kegiatan yang menghasilkan baik berupa materi dalam kegitan tersebut bertujuan untuk menunjang, melapangkan, atau memantapkan suatu kebijakan daerah disuatu bidang tertentu.

2.3 Dana Alokasi Umum (DAU)

Dana Alokasi Umum (DAU) merupakan transfer pemerintah Pusat kepada Daerah bersifat Block Grant yang berarti kepada Daerah diberi keleluasaan dalam penggunaannya sesuai dengan prioritas dan kebutuhan Daerah dengan tujuan untuk menyeimbangkan kemampuan keuangan antar Daerah. Jumlah keseluruhan DAU ditetapkan sekurang-kurangnya 26% dari Pendapatan Dalam Negeri Neto (PDN) yang ditetapkan dalam Anggaran Pendapatan dan Belanja Negara (APBN). PDN Neto merupakan penerimaan negara yang berasal dari pajak dan bukan pajak setelah dikurangi dengan penerimaan negara yang dibagihasilkan kepada Daerah. DAU untuk suatu daerah ditetapkan berdasarkan kriteria tertentu yang menekankan pada aspek pemerataan dan keadilan yang selaras Dana Alokasi Umum (DAU) merupakan transfer pemerintah Pusat kepada Daerah bersifat Block Grant yang berarti kepada Daerah diberi keleluasaan dalam penggunaannya sesuai dengan prioritas dan kebutuhan Daerah dengan tujuan untuk menyeimbangkan kemampuan keuangan antar Daerah. Jumlah keseluruhan DAU ditetapkan sekurang-kurangnya 26% dari Pendapatan Dalam Negeri Neto (PDN) yang ditetapkan dalam Anggaran Pendapatan dan Belanja Negara (APBN). PDN Neto merupakan penerimaan negara yang berasal dari pajak dan bukan pajak setelah dikurangi dengan penerimaan negara yang dibagihasilkan kepada Daerah. DAU untuk suatu daerah ditetapkan berdasarkan kriteria tertentu yang menekankan pada aspek pemerataan dan keadilan yang selaras

Kebutuhan fiskal daerah merupakan kebutuhan pendanaan daerah untuk melaksanakan fungsi layanan umum. Layanan umum antara lain penyediaan pelayanan kesehatan dan pendidikan, penyediaan infrastruktur, dan pengentasan masyarakat dari kemiskinan. Setiap kebutuhan pendanaan diukur secara berturut-turut dengan jumlah penduduk, luas wilayah, Indeks Kemahalan Konstruksi, Produk Domestik Regional Bruto perkapita, dan Indeks Pembangunan Manusia. Jumlah penduduk merupakan variabel yang mencerminkan kebutuhan akan penyediaan pelayanan publik di setiap daerah. Luas wilayah merupakan variabel mencerminkan kebutuhan atas penyediaan sarana dan prasarana per satuan wilayah daratan. Indeks Kemahalan Konstruksi merupakan cerminan tingkat kesulitan geografis yang dinilai berdasarkan tingkat kemahalan harga prasarana fisik secara relatif antar daerah. Produk Domestik Regional Bruto merupakan cerminan potensi dan aktivitas perekonomian suatu daerah yang dihitung berdasarkan total output produksi kotor dalam suatu wilayah. Indeks Pembangunan Manusia merupakan variabel yang mencerminkan tingkat pencapaian kesejahteraan penduduk atas pelayanan dasar di bidang pendidikan dan kesehatan. Kebutuhan pendanaan suatu Daerah dihitung dengan pendekatan total pengeluaran rata-rata nasional.

Kapasitas fiskal Daerah merupakan sumber pendanaan daerah yang berasal dari Pendapatan Asli Daerah (PAD) dan DBH di luar Dana Reboisasi. Proporsi DAU antara daerah propinsi dan kabupaten/kota ditetapkan berdasarkan imbangan kewenangan antara propinsi dan kabupaten/kota. DAU atas dasar celah fiskal untuk suatu daerah kabupaten/kota dihitung berdasarkan perkalian bobot Daerah kabupaten/kota yang bersangkutan dengan jumlah DAU seluruh daerah kabupaten/kota. Bobot daerah kabupaten/kota merupakan perbandingan antara celah fiskal daerah kabupaten/kota yang bersangkutan dengan total celah fiskal seluruh daerah kabupaten/kota. Daerah yang memiliki nilai celah fiskal sama dengan nol menerima DAU sebesar alokasi dasar. Daerah yang memiliki nilai celah fiskal negatif dan nilai negatif tersebut lebih kecil dari alokasi dasar menerima DAU sebesar alokasi dasar setelah dikurangi hasil celah fiskal. Daerah yang memiliki nilai celah fiskal negatif dan nilai negatif tersebut sama atau lebih besar dari alokasi dasar tidak menerima DAU. Pemerintah Pusat merumuskan formula dan penghitungan DAU dengan memperhatikan pertimbangan Dewan Pertimbangan Otonomi Daerah (DPOD). DPOD adalah lembaga independen yang dibentuk guna memberikan saran dan pertimbangan kepada Presiden dalam rangka penyelenggaraan kebijakan Desentralisasi.

3. Metode Analisis

3.1. Data

Pada Paper ini data yang digunakan merupakan data sekunder yang berasal dari website www.djpk.go.id (Dirjen Perimbangan Keuangan), menggunakan laporan realisasi APBD tahun 2013 pada 468 Kabupaten/Kota seluruh Indonesia (kecuali kotamadya-kotamadya di bawah Provinsi DKI Jakarta) pada komponen Pajak, Daerah, Retribusi Daerah, Lain-lain PAD yang sah dan DAU.

3.2. Alat Analisis

Analisis cluster adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang berada dalam cluster yang sama mempunyai kemiripan satu dengan yang lain di bandingkan dengan anggota cluster lain. Secara khusus, tujuan analisis Analisis cluster adalah teknik untuk mengelompokkan individu atau objek menjadi beberapa kelompok tertentu dimana setiap objek yang berada dalam cluster yang sama mempunyai kemiripan satu dengan yang lain di bandingkan dengan anggota cluster lain. Secara khusus, tujuan analisis

Asumsi pada analisis cluster, yaitu: 1. Sampel yang diambil benar-benar mewakili populasi yang ada, 2. Non Multikolinieritas, maksudnya sebaiknya tidak ada hubungan yang sempurna antar variabel. Seandainya terjadi multikolinieritas, minimal tidak sangat serius minimal kriteria VIF kurang dari 5.

Pada praktiknya, analisis cluster digunakan untuk segmentasi sejumlah konsumen (responden) ke dalam beberapa kelompok (cluster) berdasarkan kemiripan sejumlah atribut yang didefinisikan . Ada dua teknik analisis cluster, yaitu:

1. K-Mean Cluster. K-Mean Cluster adalah analisis statistik yang berguna untuk mengelompokan sejumlah objek ke dalam jumlah kelompok yang sudah ditetapkan di mana karakteristik objek hanya dikelompokan berdasarkan variabel tertentu akan tetapi karakteristik latar belakang objek belum diketahui dengan pasti. Analisis ini sangat efektif dan efisien jika digunakan untuk mengelompokkan objek yang berjumlah besar. berdasarkan pengalaman, K-Mean Cluster ini digunakan untuk objek yang berjumlah lebih dari 100.

2. Hierarchical Cluster. Hierarchical cluster adalah sebuah analisis cluster yang berusaha untuk mengelompokan objek berdasarkan kemiripan yang ada pada objek tersebut di mana objek yang serupa akan dikelompokkan bersama. Tipe analisis cluster ini digunakan bila objek yang akan dikelompokan berjumlah kecil. Biasanya jumlah objek kurang dari 100.

K-means merupakan salah satu algoritma clustering. Tujuan algoritma ini yaitu untuk membagi data menjadi beberapa kelompok. Algoritma ini menerima masukan berupa data tanpa label kelas. Hal ini berbeda dengan supervised learning yang menerima masukan berupa vektor (x 1 ,y 1 ) , (x 2 ,y 2 , …, x i ,y i ), di mana x i merupakan data dari suatu data pelatihan dan y i merupakan label kelas untuk x i . Pada algoritma pembelajaran ini, komputer mengelompokkan sendiri data-data yang menjadi masukannya tanpa mengetahui terlebih dulu target kelasnya. Pembelajaran ini termasuk dalam unsupervised learning. Masukan yang diterima adalah data atau objek dan k buah kelompok (cluster) yang diinginkan. Algoritma ini akan mengelompokkan data atau objek ke dalam k buah kelompok tersebut. Pada setiap cluster terdapat titik pusat (centroid) yang merepresentasikan cluster tersebut.

K-means ditemukan oleh beberapa orang yaitu Lloyd (1957, 1982), Forgey (1965), Friedman and Rubin (1967), and McQueen (1967). Ide dari clustering pertama kali ditemukan oleh Lloyd pada tahun 195, namun hal tersebut baru dipublikasi pada tahun 1982. Pada tahun 1965, Forgey juga mempublikasi teknik yang sama sehingga terkadang dikenal sebagai Lloyd-Forgy pada beberapa sumber. Algoritma untuk melakukan K-Means clustering adalah sebagai berikut:

1. Pilih K buah titik centroid secara acak

2. Kelompokkan data sehingga terbentuk K buah cluster dengan titik centroid dari setiap cluster merupakan titik centroid yang telah dipilih sebelumnya

3. Perbaharui nilai titik centroid

4. Ulangi langkah 2 dan 3 sampai nilai dari titik centroid tidak lagi berubah Proses pengelompokkan data ke dalam suatu cluster dapat dilakukan dengan cara menghitung jarak terdekat dari suatu data ke sebuah titik centroid. Perhitungan jarak Minkowski dapat digunakan untuk menghitung jarak antar 2 buah data. Rumus untuk menghitung jarak tersebut adalah:

Di mana:

g = 1, untuk menghitung jarak Manhattan

g = 2, untuk menghitung jarak Euclidean x i ,x j adalah dua buah data yang akan dihitung jaraknya p = dimensi dari sebuah data

Pembaharuan suatu titik centroid dapat dilakukan dengan rumus berikut:

Di mana: µ k = titik centroid dari cluster ke-K N k = banyaknya data pada cluster ke-K x q = data ke-q pada cluster ke-K

Ada beberapa kelebihan pada algoritma k-means, yaitu:

1. Mudah untuk diimplementasikan dan dijalankan.

2. Waktu yang dibutuhkan untuk menjalankan pembelajaran ini relatif cepat.

3. Mudah untuk diadaptasi.

4. Umum digunakan.

Algoritma k-means memiliki beberapa kelebihan, namun ada kekurangannya juga. Kekurangan dari algoritma tersebut yaitu :

1. Sebelum algoritma dijalankan, k buah titik diinisialisasi secara random sehingga pengelompokkan data yang dihasilkan dapat berbeda-beda. Jika nilai random untuk inisialisasi kurang baik, maka pengelompokkan yang dihasilkan pun menjadi kurang optimal.

2. Dapat terjebak dalam masalah yang disebut curse of dimensionality. Hal ini dapat terjadi jika data pelatihan memiliki dimensi yang sangat tinggi (Contoh jika data pelatihan terdiri dari 2 atribut maka dimensinya adalah 2 dimensi. Namun jika ada 20 atribut, maka akan ada 20 dimensi). Salah satu cara kerja algoritma ini adalah mencari jarak terdekat antara k buah titik dengan titik lainnya. Jika mencari jarak antar titik pada 2 dimensi, masih mudah dilakukan. Namun bagaimana mencari jarak antar titik jika terdapat 20 dimensi. Hal ini akan menjadi sulit.

3. Jika hanya terdapat beberapa titik sampel data, maka cukup mudah untuk menghitung dan mencari titik terdekat dengan k titik yang diinisialisasi secara random. Namun jika terdapat banyak sekali titik data (misalnya satu milyar buah data), maka perhitungan dan pencarian titik terdekat akan membutuhkan waktu yang lama. Proses tersebut dapat dipercepat, namun dibutuhkan struktur data yang lebih rumit seperti kD-Tree atau hashing.

Penentuan Jumlah Optimum Cluster

Metode Elbow merupakan suatu metode yang digunakan untuk menghasilkan informasi dalam menentukan jumlah cluster terbaik dengan cara melihat persentase hasil perbandingan antara jumlah cluster yang akan membentuk siku pada suatu titik. Metode ini memberikan ide/gagasan dengan cara memilih nilai cluster dan kemudian menambah nilai cluster tersebut untuk dijadikan model data dalam penentuan cluster terbaik. Dan selain itu persentase perhitungan yang dihasilkan menjadi pembanding antara jumlah cluster yang ditambah. Hasil persentase yang berbeda dari setiap nilai cluster dapat ditunjukan dengan menggunakan grafik sebagai sumber informasinya. Jika nilai cluster pertama dengan nilai cluster kedua memberikan sudut dalam grafik atau nilainya mengalami penurunan paling besar maka nilai cluster tersebut yang terbaik.

4. Analisis dan Pembahasan

4.1 Pengecekan Multikolinieritas

Pengecekan apakah terjadi multikolinieritas yang serius dengan melihat nilai VIF (Variance In flatio Factor . Jika nilai V)F ≥ 5, maka terjadi multikolinieritas yang serius. Jika nilai VIF < 5, maka tidak terjadi multikoliniritas yang signifikan. Pada lampiran no.1, dengan meregresikan secara bergantian pada setiap variabelnya, nilai VIF yang terjadi kurang dari 5 sehingga dapat dilanjutkan dengan analisis cluster.

4.2 Penentuan Banyaknya Cluster pada k means cluster

Gambar 1. Koefisien Agglomerasi terhadap Stage

Sumber: Data diolah.

Jika dilihat pada grafik diatas dan lampiran no.2, terlihat pada dimulai pada stage 464 dan 463 nilai koefisien mulai menurun stabil. Jika kita lihat objek pada paper ini adalah 468 objek. Sehingga usulan banyaknya cluster yang terbentuk pada kasus ini adalah 468 – 464 = 4 cluster atau 468 – 463 = 5 cluster. Kemudian penentuan cluster tersebut pembulatan statistic dari mean 4 dan 5 yaitu, 4 (pembulatan statistic dari 4.5), jadi banyaknya cluster yang digunakan adalah 4 cluster. Hal tersebut senada pada gambar 2, dimana pada k = 4 titik belok pertama.

Gambar 2. Within Cluster Sum of Squared terhadap Jumlah Cluster 200

Sumber: Data diolah

4.3 Tafsiran Cluster

Tabel 1. Statistik Deskriptif Dari Variabel

Variance Pajak Daerah

34844544131.175 Retribusi Daerah

566693344.118 Lain-lain PAD yg sah

73591979286.891 Valid N (listwise)

Sumber: Data diolah

Tabel 2. Cluster Final Cluster

Pajak Daerah

62834.47151 Retribusi Daerah

26504.51055 Lain-lain PAD yg sah

880998.57526 Sumber: Data diolah

Pada cluster 1, berisi kabupaten/ kota yang memiliki Pajak Daerah yang secara signifikan lebih dari rata-rata. Memiliki Retribusi Daerah, dan Lain-lain PAD yang sah signifikan jauh di atas rata-rata. Dan DAU lebih sedikit dari rata-rata. Artinya daerah pada cluster ini merupakan daerah berpendapatan tinggi.

Pada cluster 2, berisi kabupaten/ kota yang memiliki Pajak Daerah lebih sedikit dari rata-rata. Memiliki Retribusi Daerah, dan Lain-lain PAD yang sah lebih dari rata-rata. DAU sangat signifikan jauh diatas dari rata-rata. Artinya daerah pada cluster ini merupakan daerah berpendapatan menengah ke atas.

Pada cluster 3, berisi kabupaten/ kota yang memiliki Pajak Daerah, Retribusi Daerah, Lain- lain PAD yang sah dan DAU dibawah rata-rata secara keseluruhan. Artinya daerah pada cluster ini merupakan daerah berpendapatan rendah.

Pada cluster 4, berisi kabupaten/ kota yang memiliki Pajak Daerah dan Retribusi daerah lebih sedikit dari rata-rata. Kabupaten/ kota pada cluster ini memiliki Lain-lain PAD yang sah dan DAU lebih dari rata-rata tapi perbedaannya tidak sesignifikan pada cluster 1 dan 2. Artinya daerah pada cluster ini merupakan daerah berpendapatan menengah ke bawah.

4.4 Perbedaan Variabel Pada Cluster yang Terbentuk

Tabel 3. ANOVA

Cluster

Error

df F Sig. Pajak Daerah

Mean Square

df Mean Square

779.676 .000 Retribusi Daerah

253.429 .000 Lain-lain PAD yg sah

109.452 .000 DAU

Jika dilihat pada table diatas, ternyata pada keempat variabel diatas memiliki nilai F yang signifikan artinya bahwa memang terdapat perbedaan besar keempat variabel tersebut pada keempat cluster yang terbentuk.

4.5 Jumlah Anggota Setiap Cluster

Tabel 4. Jumlah Anggota Setiap Cluster

Sumber: Data diolah

Terlihat pada table diatas menunjukkan bahwa pada cluster 1 (Daerah berpendapatan tinggi) terdiri dari dua daerah saja. Cluster 2 (Daerah berpendapatan menengah ke atas) terdiri dari 13 daerah saja. Cluster 3 (Daerah berpendapatan rendah) merupakan cluster yang memiliki anggota terbanyak, yakni sebanyak 335 daerah. Cluster 4 (Daerah berpendapatan menengah ke bawah) terdiri dari 117 daerah.

Dari hasil diatas menunjukkan bahwa mengindikasikan terjadinya kesenjangan pendapatan dan masih banyak daerah di Indonesia yang masih perlu perhatian lebih oleh Pemerintah Pusat. Serta mengindikasikan masih banyak daerah yang belum mampu mengoptimalkan segala potensi yang dimiliki.

5. Simpulan dan Saran

5.1 Simpulan

Berdasarkan hasil pembahasan yang telah dijelaskan dapat diambil beberapa simpulan, yaitu:

1. Terbentuk sebanyak 4 cluster, yakni cluster 1 (Daerah berpendapatan tinggi), cluster 2 (Daerah berpendapatan menengah ke atas), cluster 3 (Daerah berpendapatan rendah) dan Cluster 4 (Daerah berpendapatan menengah ke bawah).

2. Terdapat perbedaan besar keempat variabel (pajak daerah, retribusi daerah, lain-lain pendapatan yang sah dan DAU) tersebut pada keempat cluster yang terbentuk.

3. Mengindikasikan terjadinya kesenjangan pendapatan dan masih banyak daerah di Indonesia yang masih perlu perhatian lebih oleh Pemerintah Pusat. Serta mengindikasikan masih banyak daerah yang belum mampu mengoptimalkan segala potensi yang dimiliki.

5.2 Saran

Untuk penelitian selanjutnya dapat menambahkan variabel lainnya yang mencerminkan perekonomian daerah dan periode yang lebih panjang. Hasil kajian ini dapat dijadikan dasar untuk penelitian mengenai analisis disparitas ekonomi antar daerah.

REFERENSI

Bholowalia, Purnima & Kumar, Arvind, 2014. EBK-Means: A Clustering Techiniques based on Elbow Method and K-Means in WSN. International Journal of Computer Application (0975-8887), IX(105), pp. 17-24

Hair, J.F. JR.,Anderson, R.E, Tatham, R.L. & Black, W.C.,1998, Multivariate Data Analysis, Fifth Edition, Prentice Hall, International, Inc.

Madhulatha, T.S., 2012. An Overview On Clustering Methods. IOSR Journal of Engineering, II(4), pp.719-725

O. Maimon and L. Rokach, 2005, Data Mining and Knowledge Discovery Handbo- ok. Secaucus, NJ, USA: Springer-Verlag New York, Inc.

P.-N. Tan, M. Steinbach, and V. Kumar, 2005, Introduction to Data Mining, (First Edition). Boston, MA, USA: Addison-Wesley Longman Publishing Co., Inc.

S. Russell and P. Norvig, 2010, Artificial Intelligence A Modern Approach. Upper Saddle River, New Jersey 07458: Pearson Education, Inc., 3 ed.

X. Wu and V. Kumar, eds., 2009, The Top Ten Algorithms in Data Mining.Chapman and Hall.

----------------------, 2002, Bahan Workshop Evaluasi Formula DAU TA 2002 dan Penyempurnaannya Untuk DAU TA 2003, Direktorat Jenderal Perimbangan Keuangan Pusat dan Daerah, Jakarta.

----------------------, 2008, Penyelenggaraan Pemerintahan dan Pembangunan Daerah, Departemen Keuangan Republik Indonesia, Jakarta.

----------------------,Undang-Undang No. 32 Tahun 2004 Tentang Pemerintahan Daerah, Penerbit Fokusmedia, Bandung.

----------------------, Undang-Undang No. 33 Tahun 2004 Tentang Pemerintahan Daerah, Penerbit Fokusmedia, Bandung.

http://www.epibiostat.ucsf.edu/biostat/ https://en.wikipedia.org/wiki/K-means%2B%2B

Lampiran

1. Uji Asumsi Non Multikolinieritas

Collinearity Statistics

Model Tolerance VIF

1 (Constant) Retribusi Daerah

.588 1.702 Lain-lain PAD yg

.570 1.755 sah

Dana Alokasi .576

1.735 Umum

a. Dependent Variable: Pajak Daerah

Collinearity Statistics Model

Tolerance VIF

1 (Constant) Pajak Daerah

.692 1.445 Lain-lain PAD yg sah

.523 1.910 Dana Alokasi Umum

a. Dependent Variable: Retribusi Daerah

Collinearity Statistics Model

Tolerance VIF

1 (Constant) Pajak Daerah

.326 3.070 Retribusi

.254 3.938 Daerah

Dana Alokasi .648

1.543 Umum

a. Dependent Variable: Lain-lain PAD yg sah

Collinearity Statistics

Model

Tolerance

VIF

1 (Constant) Pajak Daerah

Retribusi Daerah

Lain-lain PAD yg sah

a. Dependent Variable: Dana Alokasi Umum

2. Penentuan k cluster

Agglomeration Schedule

Cluster Combined Stage Cluster First Appears Next

Stage Cluster 1

Cluster 2 Coefficients

Cluster 1

Cluster 2 Stage

3. Within Sum of Squared (WSS) Menurut Jumlah Cluster

k Within Sum of Squared (WSS)

4. Proses k means cluster

Initial Cluster Centers

Cluster

Pajak Daerah

.00000 40898.90652 Retribusi Daerah

.00000 18890.05631 Lain-lain PAD yg sah

Iteration History a Change in Cluster Centers

a. Convergence achieved due to no or small change in cluster centers. The maximum absolute coordinate change for any center is .000. The current iteration is 8. The minimum distance between initial centers is 1161193.315.

Final Cluster Centers

Cluster

Pajak Daerah

23881.55453 62834.47151 Retribusi Daerah

10675.07452 26504.51055 Lain-lain PAD yg sah

20563.46391 60364.99119 DAU

Distances between Final Cluster Centers

Cluster

df F Sig. Pajak Daerah

Mean Square

df Mean Square

779.676 .000 Retribusi Daerah

253.429 .000 Lain-lain PAD yg sah

318.842 .000 The F tests should be used only for descriptive purposes because the clusters have been chosen to

maximize the differences among cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal.

Number of Cases in each Cluster

Cluster

4 117.000 Valid

468.000 Missing

5. Data

Jarak Ke Kab/Kota

Anggota Cluster ke- titik pusat cluster

Kab. Aceh Selatan

3 97777.84 Kab. Pidie

4 204478.8 Kab. Simeulue

3 93097.01 Kota Langsa

3 61446.82 Kab. Aceh Barat Daya

3 74956.22 Kab. Aceh Barat

3 75318.76 Kab. Aceh Besar

3 184937.44 Kab. Aceh Singkil

3 100618.67 Kab. Aceh Tengah

3 90942.58 Kab. Aceh Tenggara

3 44342.54 Kab. Aceh Timur

3 168087.94 Kab. Aceh Utara

4 202672.3 Kab. Bireuen

4 190305.45 Kota Banda Aceh

3 142286.61 Kota Sabang

3 134065.08 Kota Lhokseumawe

3 13519.35 Kab. Gayo Lues

3 66129.16 Kab. Aceh Jaya

3 95560.72 Kab. Nagan Raya

3 37107.65 Kab. Aceh Tamiang

3 22477.26 Kab. Bener Meriah

3 64530.52 Kab. Pidie Jaya

3 87943.85 Kota Subulussalam

3 184840.88 Kab. Tapanuli Utara

4 234374.09 Kab. Humbang Hasundutan

3 26981.95 Kab. Labuhanbatu Utara

3 30074.84 Kab. Asahan

4 160201.24 Kab. Dairi

3 82183.94 Kab. Deli Serdang

4 428662.15 Kab. Tanah Karo

3 192388.79 Kab. Labuhan Batu

3 87953.61 Kab. Langkat

4 119121.18 Kab. Mandailing Natal

3 191871.84 Kab. Nias

3 101080.24 Kab. Simalungun

4 104756 Kab. Tapanuli Selatan

3 85666.53 Kab. Tapanuli Tengah

Kab. Toba Samosir

3 27585.58 Kota Binjai

3 45943.87 Kota Medan

2 225545.6 Kota Pematang Siantar

3 60920.04 Kota Sibolga

3 98756.43 Kota Tanjung Balai

3 68313.21 Kota Tebing Tinggi

3 66523.15 Kota Padang Sidempuan

3 26863.21 Kab. Pakpak Bharat

3 163225.66 Kab. Serdang Bedagai

3 195471.52 Kab. Samosir

3 53716.57 Kab. Padang Lawas

3 67058.55 Kab. Padang Lawas Utara

3 192331.47 Kab. Labuhanbatu Selatan

3 37477.41 Kab. Nias Utara

3 142909.14 Kab. Nias Barat

3 184844.89 Kab. Agam

4 216171.02 Kab. Limapuluh Kota

3 199571.63 Kab. Kepulauan Mentawai

3 41369.76 Kab. Pesisir Selatan

4 204504.03 Kab. Sijunjung

3 25531.2 Kab. Solok

3 155179.87 Kab. Tanah Datar

3 153833.74 Kota Bukit Tinggi

3 66666.86 Kota Padang Panjang

4 337567.51 Kab. Padang Pariaman

3 199737.1 Kab. Pasaman

3 51364.53 Kota Padang

4 163771.41 Kota Payakumbuh

3 67848.31 Kota Sawahlunto

3 43805.33 Kota Solok

3 118117.73 Kab. Pasaman Barat

3 90748.28 Kab. Dharmasraya

3 39861.63 Kab. Solok Selatan

3 86175.37 Kab. Bengkalis

3 407967.42 Kab. Indragiri Hilir

4 120025.21 Kab. Indragiri Hulu

3 154039.21 Kab. Kuantan Singingi

3 135491.93 Kab. Pelalawan

3 58909.36 Kab. Rokan Hilir

3 53207.56 Kab. Siak

Kab. Kepulauan Meranti

3 94395.87 Kab. Batanghari

3 74567.14 Kab. Kampar

4 196142.42 Kab. Rokan Hulu

3 95439.78 Kota Dumai

3 107032.23 Kota Pekanbaru

4 237796.03 Kab. Bungo

3 95356.05 Kab. Kerinci

3 69667.51 Kab. Merangin

3 131950.62 Kab. Muaro Jambi

3 109439.15 Kab. Sarolangun

3 42024.47 Kab. Tanjung Jabung Barat

3 48609.79 Kab. Tanjung Jabung Timur

3 18862 Kab. Tebo

3 31891.47 Kota Jambi

3 205448.89 Kota Sungai Penuh

3 92565.93 Kab. Lahat

3 133540.1 Kab. Musi Rawas

3 203199.44 Kab. Muara Enim

4 204661.98 Kota Palembang

2 344693.94 Kota Lubuk Linggau

3 56917.97 Kab. Ogan Ilir

3 88601.02 Kab. OKU Timur

4 212548.96 Kab. Ogan Komering Ilir

4 64187.33 Kab. Ogan Komering Ulu

3 83745.5 Kota Prabumulih

3 83266.35 Kota Pagar Alam

3 119651.42 Kab. Banyuasin

4 120991.7 Kab. OKU Selatan

3 33562.71 Kab. Empat Lawang

3 127333.65 Kab. Penukal Abab Lematang Ilir

3 435459.06 Kab. Musi Rawas Utara

3 435465.17 Kab. Bengkulu Selatan

3 25610.8 Kab. Mukomuko

3 37335.57 Kab. Bengkulu Utara

3 52993.73 Kota Bengkulu

3 104917.93 Kab. Kaur

3 108270.41 Kab. Seluma

3 43401.6 Kab. Lebong

3 105302.6 Kab. Kepahiang

Kab. Bengkulu Tengah

3 107220.14 Kab. Lampung Selatan

4 116754.46 Kab. Lampung Barat

3 125956.27 Kab. Lampung Utara

4 140468.81 Kab. Lampung Tengah

4 209958.62 Kab. Lampung Timur

4 70310.59 Kab. Tanggamus

3 168041.6 Kab. Way Kanan

3 85639.89 Kota Bandar Lampung

4 182155.57 Kota Metro

3 69999.99 Kab. Pesawaran

3 106040.13 Kab. Pringsewu

3 67567.96 Kab. Mesuji

3 99434.69 Kab. Tulang Bawang Barat

3 59585.79 Kab. Bandung

2 641800.19 Kab. Bekasi

2 222364.17 Kab. Ciamis

4 424296.88 Kab. Cianjur

4 437598.95 Kab. Garut

4 693113.34 Kab. Indramayu

4 259172.46 Kab. Karawang

2 234108.95 Kab. Kuningan

4 121759.04 Kab. Purwakarta

4 163837.6 Kab. Subang

4 152387.99 Kab. Sumedang

4 159709.94 Kab. Tasikmalaya

4 349843.4 Kota Bandung

2 579733.01 Kota Bekasi

2 195408.74 Kota Bogor

4 344340.74 Kota Sukabumi

3 121263.6 Kota Tasikmalaya

4 225979.81 Kota Cimahi

3 107073.17 Kab. Bogor

2 701262.38 Kab. Cirebon

4 403983.16 Kab. Majalengka

4 119877.26 Kab. Sukabumi

4 457967.05 Kota Cirebon

3 145244.52 Kota Depok

4 408421.58 Kota Banjar

3 122957.17 Kab. Bandung Barat

4 104914.36 Kab. Banjarnegara

Kab. Banyumas

4 267713.03 Kab. Batang

3 213634.55 Kab. Blora

4 136548.65 Kab. Boyolali

4 27701.03 Kab. Brebes

4 220952.66 Kab. Demak

4 143502.36 Kab. Grobogan

4 38421.01 Kab. Karanganyar

4 72526.11 Kab. Kebumen

4 142419.77 Kab. Kendal

4 96837.49 Kab. Klaten

4 187324.75 Kab. Kudus

4 162157.88 Kab. Magelang

4 20428.62 Kab. Pati

4 95730.02 Kab. Pemalang

4 58413.32 Kab. Purworejo

4 94705.6 Kab. Rembang

3 210772.76 Kab. Semarang

4 110392.65 Kab. Sragen

4 42111.01 Kab. Tegal

4 80106.06 Kab. Wonogiri

4 61177.17 Kab. Wonosobo

4 218658.28 Kota Pekalongan

3 61747.6 Kota Salatiga

3 87613.1 Kota Semarang

2 169709.58 Kota Surakarta

4 261676.26 Kota Tegal

3 112649.56 Kab. Gunung Kidul

4 115701.36 Kab. Kulon Progo

3 167310.97 Kota Yogyakarta

3 275153.05 Kab. Bangkalan

4 113463.32 Kab. Blitar

4 76479.75 Kab. Bojonegoro

4 46158.34 Kab. Jember

4 546586.32 Kab. Kediri

4 179398.58 Kab. Lamongan

4 83982.4 Kab. Lumajang

4 67131.08 Kab. Madiun

4 155039.74 Kab. Magetan

4 129730.47 Kab. Malang

4 561643.25 Kab. Mojokerto

Kab. Nganjuk

4 81773.14 Kab. Pamekasan

4 185613.02 Kab. Pasuruan

4 153065.62 Kab. Ponorogo

4 32149.6 Kab. Probolinggo

4 53228.01 Kab. Sampang

4 210590.81 Kab. Sidoarjo

2 210579 Kab. Situbondo

4 195191.05 Kab. Trenggalek

4 154040.18 Kab. Tuban

4 78111.8 Kab. Tulungagung

4 135632.69 Kota Blitar

3 85241.02 Kota Malang

4 224378.64 Kota Mojokerto

3 81775.58 Kota Surabaya

1 417040.04 Kota Batu

3 64917.03 Kab. Bengkayang

3 32004.12 Kab. Landak

3 101401.81 Kab. Kapuas Hulu

4 126830.16 Kab. Ketapang

4 55903.06 Kab. Pontianak

3 32848.58 Kab. Sambas

4 190295.1 Kab. Sintang

4 152850.28 Kota Pontianak

3 251454.89 Kota Singkawang

3 19412.08 Kab. Melawi

3 40912.01 Kab. Kayong Utara

3 94873.06 Kab. Kubu Raya

3 195718.88 Kab. Barito Selatan

3 73916.86 Kab. Barito Utara

3 46269.49 Kab. Kotawaringin Barat

3 135230.33 Kab. Kotawaringin Timur

4 181018.68 Kab. Katingan

3 145895.71 Kab. Seruyan

3 83071.08 Kab. Lamandau

3 56697.01 Kab. Gunung Mas

3 47903.53 Kab. Pulang Pisau

3 32229.86 Kab. Banjar

3 168796.86 Kab. Hulu Sungai Selatan

3 29933.34 Kab. Hulu Sungai Tengah

3 29435.78 Kab. Kotabaru

Kab. Tabalong

3 74431.07 Kab. Tanah Laut

3 66065.56 Kota Banjarbaru

3 76951.22 Kota Banjarmasin

3 216069.97 Kab. Balangan

3 148163.19 Kab. Tanah Bumbu

3 40782.45 Kab. Berau

3 94966.63 Kab. Kutai Kartanegara

3 376298.46 Kab. Kutai Barat

3 168517.56 Kab. Kutai Timur

3 74197.65 Kab. Paser

3 133979.76 Kota Balikpapan

3 322475.82 Kota Bontang

3 298187.67 Kota Samarinda

3 238392.16 Kab. Penajam Paser Utara

3 240940.1 Kab. Mahakam Ulu

3 435465.61 Kab. Bolaang Mongondow

3 25238.83 Kab. Sangihe

3 25700.19 Kota Bitung

3 20363.85 Kota Manado

3 252248.43 Kab. Minahasa Selatan

3 24683.1 Kota Kotamobagu

3 124920.49 Kab. Minahasa Tenggara

3 434024.9 Kab. Kepulauan Sitaro

3 121693.23 Kab. Bolaang Mongondow Timur

3 181915.74 Kab. Banggai

4 182611.93 Kab. Banggai Kepulauan

3 28223.25 Kab. Buol

3 34431.88 Kab. Tolitoli

3 58432.79 Kab. Donggala

3 90453.73 Kab. Morowali

3 182800.86 Kota Palu

3 150199.34 Kab. Parigi Moutong

3 156352.94 Kab. Tojo Una Una

3 25430.64 Kab. Sigi

3 74435.05 Kab. Bantaeng

3 60483.01 Kab. Bone

4 51807.56 Kab. Bulukumba

3 158497.76 Kab. Enrekang

3 391288.46 Kab. Gowa

Kab. Jeneponto

3 65343.65 Kab. Luwu

3 109952.84 Kab. Luwu Utara

3 83475.72 Kab. Maros

3 109643.36 Kab. Pangkajene dan Kepulauan

3 139906.73 Kab. Pinrang

3 141184.86 Kab. Sidenreng Rappang

3 69979.84 Kab. Sinjai

3 46094.15 Kab. Soppeng

3 85953.23 Kab. Takalar

3 53542.11 Kab. Tana Toraja

3 32188.63 Kab. Wajo

3 159527.33 Kota Pare-Pare

3 56529.03 Kota Makassar

2 277518.84 Kota Palopo

3 31119.37 Kab. Luwu Timur

3 60643.99 Kab. Toraja Utara

3 37787.03 Kab. Konawe

3 180191.9 Kab. Kolaka

3 179977.95 Kab. Muna

3 202240.23 Kota Kendari

3 126320.32 Kota Bau-Bau

3 21350.6 Kab. Bombana

3 57512.43 Kab. Kolaka Utara

3 54493.39 Kab. Kolaka Timur

3 435463.91 Kab. Konawe Kepulauan

3 435465.7 Kab. Bangli

3 26954.41 Kab. Gianyar

3 258443.26 Kab. Jembrana

3 22069.07 Kab. Karangasem

3 153395.57 Kab. Klungkung

3 20509.94 Kab. Tabanan

4 226340.54 Kota Denpasar

3 508461.93 Kab. Bima

4 198377.46 Kab. Dompu

3 44307.48 Kab. Lombok Barat

3 181763.83 Kab. Lombok Tengah

4 97074.46 Kab. Lombok Timur

4 73776.54 Kab. Sumbawa

3 214661.3 Kota Mataram

3 88284.34 Kab. Sumbawa Barat

Kab. Lombok Utara

3 120288.26 Kab. Ende

3 74242.63 Kab. Flores Timur

3 49911.51 Kab. Kupang

3 103401.46 Kab. Lembata

3 85453.34 Kab. Sumba Timur

3 84070.51 Kab. Timor Tengah Selatan

3 174002.05 Kab. Timor Tengah Utara

3 36002.35 Kota Kupang

3 96600.06 Kab. Manggarai Barat

3 54981.28 Kab. Sumba Tengah

3 182519.38 Kab. Sumba Barat Daya

3 75419.72 Kab. Manggarai Timur

3 57997.22 Kab. Sabu Raijua

3 165765.76 Kab. Maluku Tenggara Barat

3 31420.1 Kab. Maluku Tenggara

3 61489.87 Kab. Buru

3 83138.55 Kota Ambon

3 120686.42 Kab. Seram Bagian Timur

3 72649.93 Kab. Kepulauan Aru

3 65068.83 Kota Tual

3 170862.91 Kab. Buru Selatan

3 143726.21 Kab. Biak Numfor

3 39126.86 Kab. Jayapura

3 99753.69 Kab. Jayawijaya

3 152153.21 Kab. Mimika

3 103352.17 Kab. Nabire

3 114282.57 Kab. Paniai

3 30627.54 Kab. Puncak Jaya

3 104355.08 Kab. Kepulauan Yapen

3 51891.98 Kota Jayapura

3 158564.01 Kab. Keerom

3 28513.54 Kab. Yahukimo

3 124772.61 Kab. Pegunungan Bintang

4 203513.69 Kab. Tolikara

3 78634.6 Kab. Mappi

3 207183.79 Kab. Asmat

3 345178.04 Kab. Waropen

3 35830.61 Kab. Supiori

3 68380.01 Kab. Mamberamo Raya

Kab. Lanny Jaya

3 88731.08 Kab. Nduga

3 32625.34 Kab. Puncak

3 192279.44 Kab. Halmahera Tengah

3 82010.01 Kota Ternate

3 32180.32 Kab. Halmahera Barat

3 74984.36 Kab. Halmahera Utara

3 88479.66 Kota Tidore Kepulauan

3 26855.75 Kab. Pulau Morotai

3 125337.92 Kab. Pandeglang

4 125435.57 Kab. Serang

4 186431.69 Kab. Tangerang

2 223570.41 Kota Cilegon

3 166642.46 Kota Tangerang

2 403052.95 Kota Serang

3 83076.85 Kota Tangerang Selatan

3 597889.17 Kab. Bangka

3 18061.41 Kota Pangkal Pinang

3 55682.1 Kab. Bangka Selatan

3 73941.83 Kab. Bangka Barat

3 76715.34 Kab. Belitung Timur

3 75820.25 Kab. Gorontalo

3 86725.26 Kab. Pohuwato

3 45980.3 Kab. Bone Bolango

3 71175.73 Kab. Gorontalo Utara

3 148630.11 Kab. Karimun

3 239304.79 Kab. Bintan

3 165914.66 Kab. Natuna

3 256908.67 Kota Batam

3 466561.13 Kota Tanjung Pinang

3 93189.75 Kab. Lingga

3 137019.63 Kab. Kepulauan Anambas

3 201876.53 Kab. Fakfak

3 109772.43 Kab. Manokwari

3 181822.54 Kota Sorong

3 47754.48 Kab. Raja Ampat

3 57062.17 Kab. Sorong Selatan

3 102568.44 Kab. Teluk Bintuni

3 117815.41 Kab. Teluk Wondama

3 87538.74 Kab. Tambrauw

3 72219.4 Kab. Maybrat

Kab. Polewali Mandar

3 124212.03 Kab. Mamasa

3 36758.26 Kab. Nunukan

3 137602.93 Kab. Cilacap

4 326033.01 Kab. Jepara

4 76876.75 Kab. Pekalongan

4 126178.92 Kab. Purbalingga

4 167055.2 Kab. Sukoharjo

4 124144.19 Kab. Temanggung

3 218989.76 Kota Magelang

3 73556.29 Kab. Bantul

4 55101.49 Kab. Sleman

4 219098.26 Kab. Banyuwangi

4 273887.84 Kab. Bondowoso

4 139232.59 Kab. Gresik

4 249774.49 Kab. Jombang

4 71028.94 Kab. Ngawi

4 52108.32 Kab. Pacitan

3 214133.38 Kab. Sumenep

4 64369.49 Kota Kediri

3 144430.65 Kota Madiun

3 44203.22 Kota Pasuruan

3 81409.08 Kota Probolinggo

3 31362.45 Kab. Sanggau

4 216325.79 Kab. Sekadau

3 50187.22 Kota Palangka Raya

3 107896.63 Kab. Sukamara

3 59183.78 Kab. Murung Raya

3 114066.19 Kab. Barito Timur

3 28228.31 Kab. Tapin

3 212195.85 Kab. Minahasa

3 117267.69 Kota Tomohon

3 106381.2 Kab. Minahasa Utara

3 41506.5 Kab. Bolaang Mongondow Utara

3 148590.62 Kab. Poso

3 151642.9 Kab. Kepulauan Selayar

3 28280.08 Kab. Buton

3 104130.56 Kab. Konawe Utara

3 33063.14 Kab. Badung

1 417040.04 Kab. Buleleng

4 86769.97 Kota Bima

Kab. Alor

3 35413.34 Kab. Belu

3 148495.05 Kab. Manggarai

3 31036.68 Kab. Ngada

3 86991.56 Kab. Sikka

3 70826.95 Kab. Sumba Barat

3 129110.47 Kab. Nagekeo

3 103460.98 Kab. Maluku Tengah

4 139626.32 Kab. Merauke

3 433465.09 Kab. Yalimo

3 62517.11 Kab. Dogiyai

3 55612.03 Kab. Halmahera Timur

3 120285.33 Kab. Halmahera Selatan

3 50506.44 Kab. Kepulauan Sula

3 34186.78 Kab. Lebak

4 99549.2 Kab. Belitung

3 63069.45 Kab. Bangka Tengah

3 97913.42 Kab. Boalemo

3 96101.15 Kota Gorontalo

3 37190.75 Kab. Sorong

3 38594.22 Kab. Kaimana

3 70438.08 Kab. Majene

3 31933.04 Kab. Malinau

3 110234.85 Kab. Tana Tidung

Satuan (juta rupiah) tahun 2013 data realisasi