III. METODE PENELITIAN

Transkripsi

1 III. METODE PENELITIAN 3.1. Sumber Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang berasal dari berbagai lembaga pemerintah seperti Badan Pusat Statistik (BPS), Badan Koordinasi Penanaman Modal (BKPM) dan Kementrian Keuangan Republik Indonesia (Kemenkeu). Data yang digunakan antara lain PDRB Provinsi Lampung, PDRB kabupaten/kota se-provinsi Lampung, Survei Sosial Ekonomi Nasional (SUSENAS) dan data Potensi Desa (PODES). Data APBD didapat dari Kementrian Keuangan Republik Indonesia sedangkan data investasi swasta diperoleh melalui BKPM. Periode yang diteliti mulai tahun 2004 hingga Data PDRB yang digunakan berdasarkan hasil perhitungan BPS yang diterbitkan dalam berbagai publikasi. Nilai PDRB yang digunakan dalam berbagai perhitungan meliputi PDRB yang memasukkan unsur minyak dan gas bumi (migas) dan tanpa memasukkan unsur migas. PDRB juga ditampilkan dengan membedakan menjadi PDRB atas dasar harga berlaku dan PDRB atas dasar harga konstan tahun Data konsumsi rumah tangga dikumpulkan oleh BPS setiap tahun melalui SUSENAS Kor dan setiap tiga tahun sekali melalui SUSENAS Modul Konsumsi. Pendapatan rumah tangga dihitung melalui pendekatan pengeluaran, yang dianggap lebih mencerminkan keadaan sebenarnya. Dalam Program Penanggulangan Kemiskinan Kabinet Indonesia Bersatu II (Kemeninfo, 2011) pemerintah menyatakan beberapa alasan mengapa pengeluaran/konsumsi merupakan indikator yang lebih baik untuk mengukur kemiskinan, yaitu karena: 1. Bagi masyarakat miskin yang tidak memiliki pendapatan tetap, lebih mudah menanyakan jenis barang (termasuk makanan) dan jasa yang telah dikonsumsi atau dibelanjakannya. 2. Lebih mudah mengkonversi jenis makanan yang dikonsumsi menjadi tingkat kalori yang dikonsumsi. Informasi mengenai tingkat kalori yang dikonsumsi menjadi penting karena tingkat kemiskinan dihubungkan dengan seberapa besar kalori yang dikonsumsi. Batas kemiskinan adalah terpenuhinya kebutuhan dasar makanan minimal yaitu 2100 kalori per orang. 37

2 38 3. Dalam jangka menengah, tingkat pendapatan penduduk miskin akan sama dengan tingkat konsumsinya. Hal ini dikarenakan penduduk miskin tidak mempunyai kelebihan pendapatan yang dapat ditabung Metode Analisis Analisis Deskriptif Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan mendeskripsikan melalui berbagai tabel dan grafik. Analisis deskriptif dalam penelitian ini digunakan untuk melihat dinamika pertumbuhan ekonomi, pembangunan manusia dan pengentasan kemiskinan di Provinsi Lampung selama periode penelitian Analisis Regresi Data Panel Data yang digunakan dalam penelitian ini adalah data panel pada level kabupaten. Data panel adalah data yang memiliki dimensi ruang (individu) dan waktu (Gujarati, 2004). Dalam data panel, data cross section yang sama diobservasi menurut waktu. Baltagi (2005) mengungkapkan bahwa penggunaan data panel memberikan banyak keuntungan, diantaranya sebagai berikut: 1. Mampu mengontrol heterogenitas individu. Estimasi yang dilakukan dapat secara eksplisit memasukkan unsur heterogenitas individu. 2. Dapat memberikan data yang informatif, mengurangi kolinearitas antar peubah, meningkatkan derajat bebas dan lebih efisien. 3. Lebih baik untuk studi dynamics of adjustment. Karena berkaitan dengan observasi cross section yang berulang, maka data panel lebih baik dalam mempelajari perubahan dinamis. 4. Lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section saja atau data time series saja. Selain manfaat yang diperoleh, metode data panel juga memiliki keterbatasan di antaranya adalah: 1. Masalah dalam desain survei panel, pengumpulan dan manajemen data. Masalah yang umum dihadapi diantaranya: cakupan (coverage), nonresponse, kemampuan daya ingat responden (recall), frekuensi dan waktu wawancara.

3 39 2. Distorsi kesalahan pengamatan (measurement errors). Measurement errors umumnya terjadi karena respon yang tidak sesuai. 3. Masalah selektivitas (selectivity) yang mencakup hal-hal berikut: a. Self-selectivity: Permasalahan yang muncul karena data-data yang dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap fenomena yang ada. b. Nonresponse: Permasalahan yang muncul dalam panel data ketika ada ketidaklengkapan jawaban yang diberikan oleh responden (sampel rumah tangga). c. Attrition: Jumlah responden yang cenderung berkurang pada survei lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia atau biaya menemukan responden yang terlalu tinggi 4. Dimensi waktu (time series) yang pendek. Jenis panel mikro biasanya mencakup data tahunan yang relatif pendek untuk setiap individu. 5. Cross-section dependence: Adanya ketergantungan dalam data cross section dapat memberikan inferensi yang salah. Sebagai contoh, apabila macro panel dengan unit analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence akan mengakibatkan inferensi yang salah (misleading inference). Terdapat dua pendekatan yang umum diaplikasikan dalam data panel yaitu Fixed Effects Model (FEM) dan Random Effects Model (REM). Keduanya dibedakan berdasarkan pada asumsi ada atau tidaknya korelasi antara komponen error dengan peubah bebas (Firdaus, 2011). a. Fixed Effect Model (FEM) Pada model FEM, terdapat pola yang tidak acak atau korelasi antara efek individu dan peubah penjelas dengan X it sehingga komponen error dari efek individu dan waktu dapat menjadi bagian dari intersep. Pada pendekatan one way error component, komponen error hanya terdiri dari efek individu sedangkan pada two way error component, selain efek individu juga terdapat efek waktu. Penduga pada FEM dapat dihitung dengan beberapa teknik sebagai berikut: 1. Pooled Least Square (PLS), pendekatan ini mengggunakan gabungan seluruh data (pooled) atau menggabungkan data cross section dan time series murni.

4 40 Unit observasi yang terbentuk adalah NxT observasi, dimana N menunjukkan jumlah unit cross section dan T menunjukkan jumlah series yang digunakan. Ketika data digabungkan menjadi pool data, regresi yang dihasilkan cenderung lebih baik dibandingkan regresi yang menggunakan data cross section atau time series murni. Pendekatan ini memiliki kelemahan yaitu dugaan parameter akan bias, karena variasi atau perbedaan antara individu dan waktu tidak dapat terlihat. 2. Within Group (WG), pendekatan ini digunakan untuk mengatasi masalah bias pada PLS. Teknik yang digunakan adalah dengan menggunakan data deviasi dari rata-rata individu. Kelebihan dari WG adalah dapat menghasilkan parameter yang tidak bias namun kelemahannya adalah nilai varian parameter tersebut relatif lebih besar dari parameter PLS sehingga dugaan WG relatif lebih tidak efisien. Kelemahan lainnya adalah FEM dengan pendekatan WG tidak memiliki intersep sehingga tidak mengakomodir karakteristik time-invariant pada FEM. 3. Least Square Dummy Variable (LSDV), pendekatan ini menggunakan dummy variable untuk dapat merepresentasikan perbedaan intersep. y it = α i + x it β + u it ; i=1,..., N; t=1,..., T dimana u it = μ i + v it untuk one way error component dan u it = μ i + λ t + v it untuk two way error component dimana μ i adalah efek individu λ t adalah efek waktu dan v it adalah error. Kelebihan dari pendekatan LSDV adalah dapat menghasilkan dugaan parameter yang tidak bias dan efisien namun kelemahannya adalah jika jumlah unit observasinya besar maka terlihat cumbersome. b. Random Effects Model (REM) REM digunakan ketika efek individu dan efek waktu tidak berkorelasi dengan X it. Asumsi ini membuat komponen error dari efek individu dan waktu dimasukkan ke dalam error. Model umum yang digunakan untuk one way error component adalah y it = α i + X it β + u it + λ i sedangkan untuk two way error component y it = α i + X it β + u it + λ i + μ t.

5 Pemilihan Model (Hausman Test) Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan berdasarkan pertimbangan statistik. Dalam memilih apakah fixed atau random effects yang lebih baik, dilakukan pengujian terhadap asumsi ada tidaknya korelasi antara regresor dan efek individu. Untuk menguji asumsi ini dapat digunakan uji Hausman. Hipotesis yang diuji adalah sebagai berikut: H 0 : E(τ i x it ) = 0 atau REM adalah model yang tepat H 1 : E(τ i x it ) 0 atau FEM adalah model yang tepat Nilai statistik uji Hausman dibandingkan dengan nilai statistik Chi square. Stastistik Hausman dirumuskan dengan : H = β REM β FEM M FEM M 1 REM (β REM β FEM )~χ 2 (k) dimana M adalah matriks kovarian untuk parameter β dan k adalah derajat bebas. Jika nilai H lebih besar dari χ 2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya Persamaan Simultan Model ekonometrika yang akan digunakan dalam penelitian ini adalah model persamaan simultan. Model persamaan simultan adalah suatu model ekonometrika terdiri dari beberapa persamaan yang perilaku variabel-variabelnya saling berkaitan dan ditentukan secara bersamaan. Alasan pemilihan metode tersebut mengacu pada tujuan penelitian yang ingin melihat pengaruh investasi terhadap kemiskinan. Investasi tidak berpengaruh secara langsung terhadap kemiskinan tetapi berpengaruh terhadap pertumbuhan ekonomi dan pertumbuhan ekonomi tersebut berpengaruh terhadap berbagai faktor yang memengaruhi tingkat kemiskinan. Persamaan simultan adalah suatu himpunan persamaan dimana variabel tak bebas dalam satu atau lebih persamaan merupakan variabel bebas dalam persamaan lainnya. Jika suatu variabel memiliki dua peranan sekaligus maka istilah variabel bebas dan tidak bebas sudah tidak tepat lagi. Dalam persamaan simultan istilah yang digunakan adalah variabel endogen dan variabel predetermined. Variabel endogen adalah variabel yang nilai-nilainya ditentukan dalam model sedangkan variabel predetermined adalah variabel yang nilainya

6 42 ditentukan terlebih dahulu. Variabel predetermined terdiri atas variabel eksogen, yaitu variabel yang nilainya sepenuhnya ditentukan di luar model persamaan dan variabel lagged endogen yaitu variabel yang nilainya ditentukan di dalam sistem persamaan struktural namun berdasarkan nilai yang telah lalu (Juanda, 2009). Untuk menentukan metode yang akan digunakan dalam pendugaan parameter, suatu sistem persamaan harus diidentifikasi terlebih dahulu. Identifikasi model dilakukan dengan rumusan: K M (G 1) (3.1) dimana: K = total peubah dalam model (peubah endogen dan peubah eksogen) M = jumlah peubah endogen dan eksogen yang dimasukkan dalam suatu persamaan tertentu dalam model G = banyaknya persamaan. Kriteria identifikasi model dapat dinyatakan sebagai berikut: 1. Jika K M = (G 1), maka persamaan dalam model dinyatakan teridentifikasi secara tepat. 2. Jika K M < (G 1), maka persamaan dalam model tidak teridentifikasi. 3. Jika K M > (G 1), maka persamaan dalam model dinyatakan teridentifikasi berlebih Pengujian Parameter Model 1. Uji F Uji F diperuntukkan melakukan uji hipotesis koefisien (slope) regresi secara bersamaan. Hipotesis pada uji F adalah: H 0 : β 1 = β 2 = β 3 =.= β k H 1 : Setidaknya terdapat satu slope yang 0 (k adalah banyaknya variabel bebas). Jika nilai statistik uji F memiliki probabilitas < taraf nyata, maka H 0 ditolak. Hal ini berarti minimal terdapat satu variabel bebas yang berpengaruh nyata terhadap variabel terikat, dan berlaku sebaliknya. 2. Uji-t Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah selanjutnya adalah menghitung koefisien regresi secara individu dengan menggunakan uji-t. Hipotesis pada uji t adalah:

7 43 H 0 : βj = 0 H 1 : βj 0 dimana j=1,2,3.k (k adalah banyaknya variabel bebas) Nilai statistik uji t dibandingkan dengan t-tabel. Jika t-hitung > t-tabel maka H 0 ditolak yang berarti variabel bebas ke-j secara nyata berpengaruh terhadap variabel terikat. 3. Koefisien Determinasi (R 2 ) Koefisien determinasi (goodnes of fit) merupakan ukuran yang dapat menginformasikan baik atau tidaknya model regresi yang terestimasi karena mampu mengukur seberapa dekatkah garis regresi yang terestimasi dengan data sesungguhnya. Nilai R 2 mencerminkan seberapa besar variasi dari peubah terikat Y yang dapat diterangkan oleh variabel bebas X. Determinasi sama dengan nol (R 2 =0) berarti variasi Y tidak dapat diterangkan oleh X sama sekali dan jika R 2 =1 maka variasi Y secara keseluruhan dapat diterangkan oleh X Pengujian Asumsi Setelah terpilih model regresi panel terbaik, langkah selanjutnya adalah melakukan uji asumsi. Uji asumsi dilakukan untuk memenuhi persyaratan sebuah model yang akan digunakan. Uji asumsi yang dilakukan dalam penelitian ini adalah uji heteroskedastisitas dan uji autokorelasi. 1. Uji Heteroskedastisitas Salah satu asumsi yang harus dipenuhi agar dugaan parameter dalam model regresi bersifat BLUE (Best Linear Unbiased Estimated) adalah varian dari semua komponen error (u it ) bernilai sama atau konstan. Kondisi demikian disebut sebagai homoskedastis. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastis. Heteroskedastisitas menyebabkan uji hipotesis baik uji-t atau uji-f akan memberikan kesimpulan yang tidak akurat. Untuk mendeteksi heteroskedastisitas dapat dilakukan dengan metode generalized least square yaitu dengan membandingkan sum square residual pada weighted statistics dengan sum square residual pada unweighted statistics. Jika sum square residual pada weighted statistics lebih kecil dari sum square residual pada unweighted statistics, maka terjadi heteroskedastisitas.

8 44 2. Uji Autokorelasi Autokorelasi terjadi jika terdapat korelasi antar observasi dalam satu peubah atau terdapat korelasi antar error masa lalu dengan error masa yang akan datang. Autokorelasi yang kuat dapat menyebabkan variabel yang tidak berhubungan menjadi berhubungan. Bila metode OLS digunakan, maka akan terlihat koefisien signifikansi, atau R 2 yang besar. Pengujian ada tidaknya autokorelasi dalam model dapat dilakukan dengan uji Durbin Watson. Statistik Durbin-Watson (DW) didefinisikan sebagai berikut: DW = n 2 t=2 u t u t 1 n u2 t=1 t (3.2) Nilai statistik DW dibandingkan dengan nilai DW tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Tabel 5. Tabel 5 Kerangka identifikasi autokorelasi Nilai DW 4-dl < DW < 4 4-du < DW < 4 2 < DW < 4-du du < DW < 2 dl < DW < du 0 < DW < dl Sumber: Gujarati, 2004 Hasil Terdapat korelasi serial negatif Hasil tidak dapat ditentukan Tidak terdapat korelasi serial Tidak terdapat korelasi serial Hasil tidak dapat ditentukan Terdapat korelasi serial positif 3.3. Spesifikasi Model Terdapat lima persamaan dalam penelitian ini yaitu persamaan yang menghubungkan investasi dengan pertumbuhan ekonomi, persamaan kedua menghubungkan antara pembangunan manusia dengan pertumbuhan ekonomi, persamaan ketiga yang menghubungkan pertumbuhan ekonomi dengan pengangguran, persamaan keempat yang menghubungkan pertumbuhan ekonomi dengan distribusi pendapatan dan model terakhir yang menghubungkan pembangunan manusia, pengangguran, distribusi pendapatan dengan kemiskinan. Spesifikasi model yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Model Pertumbuhan Pendapatan Perkapita Persamaan pertama merupakan pengembangan dari fungsi produksi Cobb- Douglas Y = AK α L 1 α dimana A adalah teknologi, K adalah kapital dan L adalah tenaga kerja. Pertumbuhan pendapatan perkapita merupakan fungsi dari

9 45 perubahan investasi swasta, perubahan stok kapital/investasi (infrastruktur jalan, dan fasilitas kesehatan), perubahan modal manusia (rasio murid guru pada pendidikan dasar) dan perubahan jumlah tenaga kerja (dibagi menjadi terdidik dan tidak terdidik). TUMBUHKAP it = α 0 + α 1 LN_INVEST it + α 2 LN_JLN it + α 3 LN_SEHAT it + α 4 LN_DIKSAR it + α 5 LN_TKUNSKILL it + α 6 LN_TKSKILL it (3.3) 2. Model Pembangunan Manusia Persamaan kedua merupakan persamaan yang menghubungkan antara pertumbuhan ekonomi dengan pembangunan manusia, merupakan pengembangan model berdasarkan Ramirez et al. (2000) dan Priyanto (2011) yang menghubungkan pertumbuhan ekonomi dan pembangunan manusia berdasarkan konsumsi rumah tangga dan pemerintah. Konsumsi rumah tangga ditentukan oleh pengelola keuangan rumah tangga dan bagaimana ia mengelola konsumsi ditentukan oleh tingkat pendidikannya (Rae, 1999). Konsumsi pemerintah yang memengaruhi pembangunan manusia adalah seberapa besar porsi yang digunakan untuk pendidikan dan kesehatan, dalam penelitian ini variabel yang digunakan adalah persentase pengeluaran pemerintah untuk pendidikan dan kesehatan. Sehingga persamaan ketiga adalah sebagai berikut: IPM it = β 0 + β 1 TUMBUHKAP i(t 1) + β 1 PEM i(t 1) + β 2 SPOUSESLTP it (3.4) 3. Model Pengangguran Berdasarkan hukum Okun, pertumbuhan ekonomi akan mengurangi pengangguran. Ketika pertumbuhan ekonomi melambat, maka pengangguran akan meningkat dan sebaliknya ketika pertumbuhan ekonomi meningkat pengangguran akan berkurang. Persamaan ketiga merupakan salah satu bentuk modifikasi hukum Okun yang menghubungkan antara pertumbuhan pendapatan per kapita dengan jumlah pengangguran. Pengembangan dilakukan dengan menambahkan peran pemerintah melalui variabel persentase pengeluaran pemerintah bagi pendidikan dan kesehatan. PENGANGGURAN it = δ 0 + δ 1 TUMBUHKAP i(t 1) + δ 2 PEM i(t 1) (3.5)

10 46 4. Model Distribusi Pendapatan Persamaan keempat menghubungkan antara pertumbuhan ekonomi dengan distribusi pendapatan. Persamaan ini merupakan pengembangan persamaan Bouguignon (2004) yang menghubungkan antara pertumbuhan ekonomi dengan ketimpangan pendapatan berdasarkan indeks gini. Modifikasi persamaan dilakukan dengan menambahkan variabel pertumbuhan sektor pertanian (TUMBUHTANI) ke dalam persamaan. GINI it = δ 0 + δ 1 TUMBUHKAP i(t 1) + δ 2 TUMBUHTANI it (3.6) 5. Model Kemiskinan Pada tahap kedua untuk mencapai tujuan bagaimana peran pertumbuhan ekonomi dalam pengentasan kemiskinan dikembangkan persamaan keempat. Model kemiskinan yang digunakan mengacu pada model yang dikembangkan oleh Waluyo (2012) dengan menambahkan variabel kualitas manusia (IPM). MISKIN it = γ 0 + γ 1 IPM it + γ 2 GINI it + γ 3 PENGANGGURAN it + γ 4 HARGA it (3.7) Keterangan: TUMBUHKAP = Pertumbuhan PDRB per kapita (persen) TUMBUHTANI = Pertumbuhan PDRB sektor pertanian (persen) INVEST = Nilai investasi PMA dan PMDN (juta Rupiah) JLN = Panjang jalan/luas wilayah kabupaten (Km/Km 2 ) SEHAT = jumlah Puskesmas per penduduk DIKSAR = rasio jumlah murid terhadap guru pada pendidikan dasar TKUNSKILL = Jumlah tenaga kerja dengan pendidikan SLTP (jiwa) TKSKILL = Jumlah tenaga kerja dengan pendidikan > SLTP (jiwa) HARGA = PDRB deflator IPM = Indeks pembangunan manusia PEM = proporsi pengeluaran pemerintah untuk kesehatan dan pendidikan terhadap pengeluaran pemerintah (persen) SPOUSESLTP = persentase pengelola keuangan rumah tangga dengan pendidikan > SLTP (persen) PENGANGGURAN = Tingkat pengangguran (persen) MISKIN = Persentase penduduk miskin/head Count Index (persen)

11 47 GINI = Indeks Gini i = Kabupaten i t = Tahun ke-t Berdasarkan hasil identifikasi model yang dilakukan, seluruh persamaan struktural dalam penelitian ini menunjukkan kondisi teridentifikasi berlebih. Sistem persamaan yang teridentifikasi berlebih dapat diduga parameternya dengan metode two stage least square (2SLS) atau three stage least square (3SLS). Penelitian ini menggunakan metode 2SLS, pada tahap pertama model pertumbuhan dan investasi diestimasi dengan menggunakan OLS antara variabel endogen dengan variabel eksogen. Pada tahap kedua, hasil estimasi dari persamaan pertama digunakan dalam model pengangguran dan distribusi pendapatan kemudian hasil estimasi tersebut digunakan dalam model kemiskinan bersama dengan variabel harga dan pembangunan manusia. Pemilihan model estimasi dilakukan dengan menggunakan software Eviews Definisi Operasional Definisi operasional variabel yang digunakan adalah sebagai berikut: 1. Pertumbuhan ekonomi dihitung berdasarkan pertumbuhan PDRB per kapita atas dasar harga konstan (tahun dasar 2000). 2. Investasi swasta adalah seluruh investasi yang dilakukan oleh sektor swasta baik asing (PMA) maupun dalam negeri (PMDN) yang dideflate menggunakan deflator PDRB sebagai pendekatan inflasi dan untuk PMA selain diriilkan dengan inflasi juga dikonversi menjadi satuan mata uang Rupiah berdasarkan rata-rata kurs tengah pada tahun yang sama. 3. Jalan adalah rasio panjang jalan terhadap luas wilayah kabupaten meliputi jalan dalam kewenangan negara, propinsi dan kabupaten. 4. Pendidikan dasar merupakan variabel yang menggambarkan keterjangkauan penduduk usia sekolah terhadap pendidikan pada tingkat dasar, dihitung menggunakan rasio murid guru pada tingkat pendidikan SD dan SLTP sebagai pendekatan pendidikan dasar 9 tahun. 5. Fasilitas kesehatan menggambarkan keterjangkauan masyarakat pada pelayanan kesehatan dasar, yang dihitung berdasarkan banyaknya Puskesmas yang tersedia per penduduk.

12 48 6. Tenaga kerja tidak terdidik adalah banyaknya penduduk usia kerja yang bekerja dengan pendidikan SLTP. 7. Tenaga kerja terdidik adalah banyaknya penduduk usia kerja yang bekerja dengan pendidikan > SLTP. 8. Pengeluaran pemerintah adalah persentase pengeluaran pemerintah untuk pendidikan dan kesehatan (menggunakan pendekatan fungsi pengeluaran untuk tahun dan bidang pengeluaran untuk anggaran ) terhadap total pengeluaran pemerintah. 9. Pengelola keuangan rumah tangga adalah kepala rumah tangga atau anggota rumah tangga yang dipercayakan untuk mengelola pendapatan, dengan asumsi pendapatan dikelola oleh perempuan/istri maka pengelola keuangan rumah tangga adalah istri atau kepala rumah tangga perempuan atau kepala rumah tangga laki-laki apabila ia tidak memiliki istri. 10. Distribusi pendapatan adalah seberapa merata pendapatan terdistribusi pada masyarakat diindikasikan dengan indeks Gini. 11. Pertumbuhan pertanian dihitung berdasarkan pertumbuhan PDRB sektor pertanian atas dasar harga konstan (tahun dasar 2000) 12. Pengangguran adalah penduduk usia kerja yang tidak bekerja dan mencari pekerjaan. 13. Harga adalah tingkat harga yang dihitung berdasarkan perbandingan output nominal terhadap output riil (deflator PDB) Simulasi Model Simulasi adalah suatu pendekatan dengan melakukan perubahan dari satu atau beberapa variabel eksogen untuk mengetahui arah dan besar perubahan satu atau beberapa variabel endogen akibat perubahan tersebut. Simulasi model adalah suatu perubahan yang dilakukan di dalam model tanpa merubah sistem atau dunia nyata. Simulasi memiliki beberapa tujuan yaitu untuk melakukan pengujian dan evaluasi terhadap model (ex-post), mengevaluasi kebijakan pada masa lampau (backasting) atau membuat peramalan pada masa datang (ex-ante). Simulasi yang dilakukan dalam penelitian ini adalah simulasi historis (expost simulation) untuk mengevaluasi kebijakan yang telah dijalankan. Simulasi pertama bertujuan untuk mengetahui dampak yang terjadi akibat peningkatan

13 49 investasi swasta bagi pengentasan kemiskinan. Kenaikan nilai investasi yang disimulasikan adalah sebesar 11,5 persen, 20 persen dan 35 persen. Besarnya simulasi 11,5 persen berdasarkan target pertumbuhan investasi yang ditetapkan pemerintah agar dapat mengurangi pengangguran dan mengentaskan kemiskinan sedangkan simulasi 20 persen dan 35 persen merupakan simulasi pembanding. Simulasi yang kedua adalah kenaikan proporsi pengeluaran pemerintah untuk pendidikan dan kesehatan. Besarnya simulasi yaitu proporsi pengeluaran pemerintah bagi pendidikan dan kesehatan lebih besar 20 dan 35 persen dari nilai aktualnya. Besaran kenaikan 20 persen berdasarkan proporsi minimal bagi pendidikan yang ditetapkan pemerintah sedangkan kenaikan 35 persen adalah sebagai pembanding dengan pertimbangan variabel eksogen yang digunakan dalam simulasi bukanlah proporsi pengeluaran pemerintah bagi pendidikan saja namun juga bagi kesehatan. Simulasi yang terakhir adalah meningkatkan sebesar 20 persen jumlah infrastruktur jalan, pendidikan dasar dan fasilitas kesehatan secara bersama-sama. Tahapan yang dilakukan sebelum melakukan simulasi model adalah validasi model. Tujuan validasi adalah untuk mengetahui tingkat representasi model apabila dibandingkan dengan dunia nyata. Validasi dapat dilakukan dengan membandingkan nilai aktual dengan nilai dugaan dari peubah endogen. Uji validasi model yang digunakan dalam penelitian ini adalah uji U-Theil (Theil s Inequality Coefficient). Y t s = Y t a = Statistik U-Theil dirumuskan sebagai berikut: keterangan: U = 1 n 1 n n t=1 n t=1 (Y t s Y t a ) 2 Ys 2 t + 1 n n t=1 Y t a 2 nilai hasil simulasi dasar dari variabel observasi nilai aktual variabel observasi n = jumlah periode observasi (3.8) Nilai U-Theil berkisar antara 0 dan 1, dengan kriteria bahwa semakin kecil nilai U-Theil yang dihasilkan, maka semakin baik model tersebut.