25 3. METODE 3.1. Kerangka Pemikiran Berdasarkan hasil-hasil penelitian terdahulu serta mengacu kepada latar belakang penelitian, rumusan masalah, dan tujuan penelitian maka dapat dibuat suatu bentuk kerangka pemikiran sebagai berikut : Kebijakan Otonomi Daerah Pemekaran Daerah Belanja pemerintah Infrastruktur Tenaga Kerja Layanan publik dan administrasi Efisiensi produksi dan distribusi Produktifitas masyarakat Pertumbuhan ekonomi Gambar 3. Kerangka Pemikiran Dari diagram di atas dapat dijelaskan bahwa pemekaran daerah merupakan salah satu bentuk implementasi dari kebijakan desentralisasi dan otonomi daerah. Melalui pemekaran daerah, beberapa kewenangan yang didesentralisasikan diharapkan dapat lebih efisien dan sesuai dengan kondisi daerah. Di antaranya, alokasi belanja pemerintah akan lebih sesuai dengan kebutuhan daerah, infrastruktur dapat lebih tersedia dan terpelihara secara baik, serta penyediaan lapangan kerja dapat disesuaikan potensi dan sumber daya yang dimiliki daerah. Besarnya belanja pemerintah akan berkait pada kualitas penyediaan layanan publik dan administrasi yang optimal. Sedangkan ketersediaan infrastruktur yang baik akan menciptakan efisiensi produksi dan distribusi barang. Sementara itu, jumlah tenaga kerja yang terserap akan meningkatkan produktifitas. Ketiga hal tersebut jika berjalan dengan baik akan mampu meningkatkan pertumbuhan ekonomi dan kesejahteraan masyarakat di daerah tersebut. Dengan kerangka pemikiran tersebut, penelitian ini akan melakukan analisis untuk mengetahui pengaruh variabel belanja pemerintah, infrastruktur, dan tenaga kerja terhadap pertumbuhan ekonomi di daerah pemekaran. Sebagai variabel dependennya adalah pertumbuhan ekonomi. Sedangkan variabel independen dalam penelitian ini meliputi: belanja pemerintah, infrasturktur, dan tenaga kerja.
26 3.2. Definisi Operasional Variabel Penelitian ini melibatkan variabel: pertumbuhan ekonomi, belanja pemerintah, infrastruktur, dan tenaga kerja. Masing-masing variabel didefinisikan sebagai berikut: a. Pertumbuhan ekonomi adalah tingkat pertumbuhan ekonomi dengan menggunakan indikator angka PDRB Tanpa Minyak dan Gas dari kabupaten/kota hasil pemekaran atas dasar harga konstan tahun 2000 dalam milyar rupiah. b. Belanja pemerintah yaitu realisasi belanja pemerintah kabupaten/ kota hasil pemekaran dalam milyar rupiah. c. Infrastruktur adalah kondisi infrastruktur dengan mengambil proxy berupa rasio panjang jalan yang menjadi wewenang pemerintah daerah kabupaten/ kota terhadap luas wilayah kabupaten/kota hasil pemekaran yang bersangkutan dalam kilometer per kilometer persegi. d. Tenaga Kerja adalah jumlah kesempatan kerja, yakni: penduduk usia 15 tahun ke atas yang sedang bekerja menurut lapangan pekerjaan utama yang ada di kabupaten/kota hasil pemekaran dalam orang. 3.3. Jenis Penelitian Jenis penelitian dari segi pendekatan dibagi menjadi dua macam yaitu, pendekatan kuantitatif dan pendekatan kualitatif. Sedangkan dalam penelitian ini menggunakan pendekatan kuantitatif. Pendekatan kuantitatif pada dasarnya menekankan analisisnya pada data-data numerikal (angka) yang diolah dengan metode statistika. Pada dasarnya, pendekatan kuantitatif dilakukan pada penelitian inferensial (dalam rangka pengujian hipotesis) dan menyandarkan kesimpulan hasilnya pada suatu probabilitas kesalahan penolakan hipotesis nihil. Dengan metode kuantitatif akan diperoleh signifikansi perbedaan kelompok atau signifikansi hubungan antar variabel yang diteliti. 3.4. Populasi dan Sampel Populasi penelitian ini adalah pemerintah kabupaten/kota hasil pemekaran daerah di seluruh Indonesia yang penetapannya dilakukan setelah ditetapkan dan diberlakukannya UU Nomor 22 Tahun 1999 tentang otonomi daerah dan telah berusia lebih dari 5 tahun (per 31 Desember 2010). Sedangkan sampel yang diambil adalah 45 (empat puluh lima) kabupaten/kota hasil pemekaran. 3.5. Penentuan Sampel dan Teknik Sampling Berdasarkan ruang lingkup studi, sampel diambil dari 135 kabupaten/kota hasil pemekaran yang ditetapkan sebagai daerah otonom baru pada periode 1999-2005 2. Namun, tidak semua kabupaten/kota yang ditetapkan dalam periode tersebut dijadikan sampel. Wilayah pemekaran di Pulau Jawa tidak dapat dijadikan sampel karena pola pembentukan daerah otonom barunya relatif mirip, 2 Penentuan rentang waktu 1999-2005 didasarkan pada asumsi bahwa daerah baru hasil pemekaran yang dijadikan sampel telah berusia 3 tahun atau lebih per 31 Desember 2008. Sedangkan penentuan 31 Desember 2008 sebagai basis perhitungan usia daerah sampel didasarkan pada lingkup studi ini yang melakukan analisis data mulai tahun 2008 hingga 2010.
yakni dari Kabupaten menjadi Kota. Selain itu, yang juga tidak dimasukkan ke dalam sampel adalah daerah konflik atau daerah yang menghadapi bencana alam. Hal ini dimaksudkan untuk menghilangkan kekhususan ataupun kondisi darurat yang dihadapi oleh pemerintah daerah di masing-masing tipe daerah dimaksud. Dengan kerangka sampel seperti itu maka kabupaten/kota hasil pemekaran yang dijadikan sampel hanya diambil dari 26 provinsi. Angka tersebut berasal dari 34 provinsi seluruh Indonesia dikurangi 8 provinsi, yakni: 6 provinsi di pulau Jawa (DKI Jakarta, Jawa Barat, Banten, Jawa Tengah, Jawa Timur, dan DI Yogyakarta), 1 provinsi yang tidak memiliki daerah pemekaran (Bali), dan 1 provinsi yang baru berdiri (Kalimantan Utara). Dari ke-26 provinsi tersebut terdapat 135 kabupaten/kota hasil pemekaran yang memenuhi syarat untuk dijadikan sampel. Dengan teknik random sampling, terpilih 45 kabupaten/kota hasil pemekaran daerah sebagai sampel dalam kajian ini. 3.6. Sumber Data Data yang dipergunakan dalam penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dari hasil wawancara terhadap responden dan narasumber yang dinilai kompeten dengan permasahan yang diteliti. Sedangkan data sekunder adalah data yang diperoleh lewat pihak lain, tidak langsung diperoleh dari peneliti dari subyek penelitiannya. Data sekunder biasanya berwujud data dokumentasi atau data laporan yang telah tersedia. Data sekunder yang dipakai adalah Laporan Keuangan Pemerintah Daerah (LKPD) dari 45 pemerintah kabupaten/kota hasil pemekaran yang dijadikan sampel dalam penelitian ini. Data LKPD yang diperoleh dari Badan Pemeriksa Keuangan (BPK) ini diperlukan untuk mengetahui besar realisasi belanja pemerintah dari kabupaten/kota yang dijadikan sampel. Data yang dianalisis berasal dari LKPD periode tahun 2008-2010. Selain itu, data sekunder yang lain adalah data dari Badan Pusat Statistik (BPS), khususnya yang berkaitan dengan data pertumbuhan ekonomi (PDRB) dan infrastruktur. Untuk data jumlah tenaga kerja diambil dari Pusat Data dan Informasi Ketenagakerjaan, Kementerian Tenaga Kerja dan Transmigrasi. Berbeda dengan belanja pemerintah, data mengenai pertumbuhan ekonomi (PDRB), infrastruktur, dan tenaga kerja yang dianalisis berasal dari periode 2008-2010. Hal ini karena nilai belanja pemerintah baru teraktualisasikan setelah setahun berjalan sehingga harus dilihat dari data setahun sebelumnya. 3.7. Analisis Data Tujuan penelitian ini adalah ingin menganalisis pengaruh variabel independen terhadap variabel dependennya. Di sisi lain, penelitian ini melibatkan data yang bersifat time series (runtut waktu) dan cross section (lintas bagian). Sifat time series terlihat dari diambilnya kurun waktu 3 tahun, sedangkan cross section terlihat dari dijadikannya 45 kabupaten/kota sebagai sampel. Mempertimbangkan hal itu, analisis data yang digunakan dalam penelitian ini adalah metode regresi data panel. Data panel adalah gabungan antara data time series dengan data cross section. 27
28 Sesuai dengan tujuan penelitian tersebut serta mengacu pada model Solow dalam menganalisis pertumbuhan ekonomi, maka dalam penelitian ini model persamaan regresi yang digunakan adalah sebagai berikut: dimana: lny it = β 0 + ln β 1 G it + ln β 2 I it + ln β 3 L it + µ it ln = logaritma natural Y = PDRB (dalam milyar rupiah) β = konstanta G = belanja pemerintah (dalam milyar rupiah) I = rasio panjang jalan terhadap wilayah (dalam km/km 2 ) L = kesempatan kerja (dalam orang) µ = residu i = unit cross section (kab/kota hasil pemekaran) t = tahun yang diteliti Untuk melakukan analisis data dengan metode tersebut, penelitian ini akan menggunakan bantuan program Eviews 6.0. 3.7.1. Regresi Data Panel Menurut Gujarati (2004), data panel (pooled data) atau yang disebut juga data longitudinal merupakan gabungan antara data cross section dan data time series. Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu, sedangkan data time series merupakan data yang dikumpulkan dari waktu ke waktu terhadap suatu individu. Metode data panel merupakan suatu metode yang digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time series atau cross section.dengan penjelasan tersebut, regresi data panel berbeda dengan regresi time series maupun regresi cross section. Regresi data panel memiliki dua subscription pada setiap variabel, yakni i dan t, dimana i menunjukkan aspek cross section dan t menunjukkan aspek time series. Adapun keuntungan-keuntungan menggunakan analisis regresi data panel, sebagaimana dipaparkan oleh Baltagi (1995) antara lain: 1. Mengatasi masalah heterogenitas individu (individual heterogenity). 2. Memberikan data yang lebih informatif, mengurangi masalah kolinieritas pada variabel, mengatasi masalah penghilangan variabel (ommited variable), dan menghasilkan degree of freedom yang lebih besar. 3. Mempelajari perubahan yang bersifat dinamis (dynamics of adjustment). 4. Dapat mengidentifikasi dan menghitung efek yang tidak dapat dilakukan pada analisis time series atau cross section murni. 5. Dapat mengurangi bias dalam pengestimasian karena data cukup banyak. 3.7.2. Tahapan Analisis dengan Regresi Data Panel Sebagaimana analisis dengan menggunakan regresi sederhana, untuk melakukan analisis regresi data panel juga harus mengikuti tahapan-tahapan tertentu.
29 Estimasi Model Uji Kesesuaian Model Uji Asumsi Klasik Interpretasi Gambar 4. Tahapan Analisis Regresi Data Panel Secara garis besar, tahapan dalam analisis regresi data panel diawali dengan melakukan estimasi terhadap model-model persamaan regresinya. Setelah itu dilanjutkan dengan melakukan uji kesesuaian model untuk menentukan manakah model persamaan regresi yang paling tepat digunakan dalam penelitian ini. Selanjutnya, dari model persamaan yang paling sesuai tersebut dilakukan uji asumsi klasik. Jika uji asumsi klasik telah dilakukan, baru kemudian model persamaan tersebut dapat diinterpretasi. 3.7.3. Estimasi Model Regresi Data Panel Biasanya dengan menggunakan data panel akan dihasilkan intersep dan koefisien slope yang berbeda pada setiap individu (kabupaten/kota) dan setiap periode waktu. Oleh karena itu, di dalam mengestimasi persamaan akan sangat tergantung dari asumsi yang dibuat tentang intersep, koefisien slope, dan variabel gangguannya. Untuk mengestimasi parameter model regresi dengan data panel, terdapat 3 model yang biasa digunakan, yaitu: a. Common Effects Model Merupakan pendekatan model data panel yang paling sederhana karena hanya dengan mengkombinasikan data time series dan cross section dalam bentuk pool, dan menggunakan teknik kuadrat terkecil atau least square untuk mengestimasi koefisiennya. Oleh karena itu, model ini juga sering disebut Pooled Least Square (PLS). Pada model ini tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku individu tidak berbeda dalam berbagai kurun waktu. Metode yang dapat digunakan untuk mengestimasi model ini adalah Ordinary Least Sequare (OLS) atau teknik kuadrat terkecil. b. Fixed Effects Model Asumsi pembuatan model yang menghasilkan intersep konstan untuk setiap individu (i) dan waktu (t) dianggap kurang realistik sehingga dibutuhkan model yang lebih dapat menangkap perbedaan tersebut. Model efek tetap (Fixed Effects), model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Untuk mengestimasi model Fixed Effects dengan intersep berbeda antar individu, maka digunakan teknik variabel dummy. Model estimasi ini sering juga disebut dengan teknik Least Squares Dummy Variable (LSDV). c. Random Effects Model Di dalam mengestimasi data panel dengan model Fixed Effects melalui teknik LSDV menunjukkan ketidakpastian model yang digunakan. Untuk mengatasi masalah ini bisa digunakan variable residual yang dikenal sebagai model
30 Random Effects. Pada model ini, akan dipilih estimasi data panel dimana residual mungkin saling berhubungan antar waktu dan antar individu. Oleh karena itu, pada model ini diasumsikan bahwa ada perbedaan intersep untuk setiap individu dan intersep tersebut merupakan variable random atau stakastik. Sehingga dalam model ini terdapat dua komponen residual, yaitu residual secara menyeluruh, yang merupakan kombinasi time series dan cross section, dan residual secara individu yang merupakan karakteristik random dari observasi unit ke-i dan tetap sepanjang waktu. 3.7.4. Penentuan Model Regresi Data Panel yang Sesuai Untuk menentukan model regresi data panel mana yang paling sesuai untuk penelitian ini, apakah Common Effects Model, Fixed Effects Model, atau Random Effects Model, perlu dilakukan sejumlah pengujian. Alat uji yang biasa digunakan adalah: a. Uji Statistik F atau Likelihood Ratio Alat pengujian untuk menentukan apakah model Common Effect atau Fixed Effect yang paling tepat digunakan dalam mengestimasi data panel. b. Uji Hausman Alat pengujian statistik untuk memilih apakah model Fixed Effect atau model Random Effect yang paling tepat digunakan. c. Uji Lagrange Multiplier Pengujian untuk mengetahui mana yang lebih baik antara model Random Effect dengan model Common Effect. 3.7.5. Uji Asumsi Klasik Suatu fungsi regresi yang diperoleh dari hasil perhitungan pendugaan dengan metode kuadrat terkecil (OLS) dari koefisien regresi adalah penduga tak bias linear terbaik (best linear unbiased estimator-blue) apabila asumsi-asumsi yang mendasari model tersebut terpenuhi. Sebaliknya jika ada (paling tidak: satu) asumsi dalam model regresi yang tidak dapat dipenuhi oleh fungsi regresi yang diperoleh maka kebenaran pendugaan dan atau pengujian hipotesis untuk pengambilan keputusan itu diragukan (Firdaus, 2011). Oleh karena itu agar model regresi BLUE (Best Linear Unbiased Estimator) maka perlu dilakukan uji asumsi klasik terlebih dahulu. Uji persyaratan analisis untuk regresi yang sering digunakan adalah sebagai berikut: a. Uji Normalitas Uji normalitas digunakan untuk mengetahui apakah data berdistribusi normal atau tidak. Dalam penelitian ini menggunakan uji Jarque-Bera untuk melihat apakah data terdistribusi normal atau tidak. Uji ini menggunakan hasil residual dan chi-square probability distribution, hipotesis yang akan diuji adalah : Ho : Sampel berasal dari populasi yang berdistribusi normal Ha : Sampel berasal dari populasi yang tidak berdistribusi normal Kriteria pengujian adalah bila nilai chi square tabel > nilai JB hitung, maka Ho yang menyatakan residual berdistribusi normal diterima. Sebaliknya, bila nilai chi square tabel < nilai JB hitung, maka Ho yang menyatakan residual berdistribusi normal ditolak.
b. Uji Multikolinieritas Uji multikolinieritas bertujuan untuk menguji, apakah pada model regresi ditemukan adanya korelasi antar variabel bebas (independent variable). Model regresi yang baik seharusnya tidak terjadi korelasi tinggi di antara variabelvariabel bebas. Bila terjadi hubungan linear yang sempurna di antara beberapa atau semua variabel bebas dari suatu model regresi maka dikatakan terdapat masalah multikolinieritas dalam model tersebut. Masalah multikolinieritas mengakibatkan adanya kesulitan untuk dapat memisahkan pengaruh variabel penjelas terhadap variabel yang dijelaskan. Untuk mendeteksi ada tidaknya gejala multikolinieritas dapat dilakukan dengan menggunakan korelasi parsial (examination of partial correlation). Metode ini dimunculkan oleh Farrar dan Glaubel, metodenya adalah dengan melihat nilai R 2 dari model utama yang diestimasi dan nilai R 2 dari regresi antar variabel bebasnya. Bila R 2 model utama lebih tinggi dibandingkan R 2 dari regresi antar variabel-variabel bebasnya, dikatakan tidak terdapat masalah multikolinieritas. c. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah dalam model regresi linier terdapat korelasi antara serangkaian data observasi cross section atau time series-nya. Salah satu cara untuk mendeteksi gejala autokorelasi digunakan uji Durbin Watson. Caranya dengan membandingkan nilai Durbin Watson (d- hitung ) dengan nilai d- tabel. Hasil perbandingan akan menghasilkan kesimpulan seperti kriteria sebagai berikut: 1. Jika d < dl, berarti terdapat autokorelasi positif 2. Jika d > (4 dl), berarti terdapat autokorelasi negatif 3. Jika du < d < (4 dl), berarti tidak terdapat autokorelasi 4. Jika dl < d < du atau (4 du), berarti tidak dapat disimpulkan Berikut ini adalah daerah pengujian Durbin Watson: 31 d. Uji Heteroskedastisitas Uji heteroskedastisitas digunakan untuk mengetahui apakah terjadi penyimpangan model karena gangguan varian yang berbeda antar data observasi satu dengan data obsevasi lainnya. Heteroskedastisitas muncul apabila error atau residual model yang diamati tidak memiliki varian yang konstan dari satu observasi ke obsevasi lainnya. Konsekuensi adanya heteroskedastisitas dalam model regresi adalah estimator yang diperoleh menjadi tidak efisien. Cara melakukan uji heteroskedastisitas adalah dengan melakukan regresi antara harga mutlak residual (error) dengan variabel-variabel bebas.
32 Hipotesisnya adalah: Ho : Tidak terdapat pelanggaran heterokedastisitas atau asumsi homokedastisitas terpenuhi Ha : Terdapat pelanggaran heterokedastisitas atau asumsi homokedastisitas tidak terpenuhi Kriteria pengujiannya adalah apabila p-value dari persamaan lebih besar dari α, hal ini berarti data dari model yang diestimasi tidak terdapat pelanggaran asumsi heterokedastisitas atau Ho diterima. Sebaliknya apabila p-value lebih kecil dari α, maka Ho ditolak, yang berarti terdapat pelanggaran asumsi heterokedastisitas. 3.8. Pengujian Hipotesis Uji statistik terhadap variabel penelitian dilakukan dengan analisis regresi data panel. Untuk membuktikan hipotesis ada atau tidaknya pengaruh yang signifikan atau kuat maka dilakukan dengan uji F (F-Test). Sedangkan untuk mengetahui tingkat determinasi atau kemampuan model dalam menjelaskan perubahan nilai variabel dependen dilakukan dengan melihat koefisien determinasi (R 2 ). 3.8.1. Pengujian arti keseluruhan regresi (Uji F) Untuk mengetahui apakah semua variabel independen yang digunakan dalam model regresi secara bersama-sama berpengaruh terhadap variabel dependen perlu dilakukan pengujian koefisien regresi secara serempak. Pengujian ini dilakukan dengan menggunakan derajat signifikansi nilai F. Ho = Belanja Pemerintah, Infrastruktur, dan Tenaga Kerja tidak berpengaruh terhadap PDRB. Hi = Belanja Pemerintah, Infrastruktur, dan Tenaga Kerja berpengaruh terhadap PDRB. Dasar pengambilan keputusan: a. Jika probabilitas (p-value) > 0,05 (α) maka Ho diterima. b. Jika probabilitas (p-value) < 0,05 (α) maka Ho ditolak. 3.8.2. Pengujian koefisien regresi parsial (Uji t) Untuk mengetahui pengaruh variable bebas secara parsial atau individu terhadap variable tidak bebas dengan asumsi variabel yang lain konstan. Pengujian ini dilakukan dengan melihat derajat signifikansi masing-masing variable bebas. Ho = Belanja Pemerintah tidak berpengaruh terhadap PDRB H 1 = Belanja Pemerintah berpengaruh terhadap PDRB Ho = Infrastruktur tidak berpengaruh terhadap PDRB. H 2 = Infrastruktur berpengaruh terhadap PDRB Ho = Tenaga Kerja tidak berpengaruh terhadap PDRB H 3 = Tenaga Kerja berpengaruh terhadap PDRB Dasar pengambilan keputusan: a. Jika probabilitas (p-value) > 0,05 (α) maka Ho diterima. b. Jika probabilitas (p-value) < 0,05 (α) maka Ho ditolak
3.8.3. Koefisien Determinasi (R 2 ) Besarnya koefisien determinasi (R 2 ) adalah 0 sampai 1. Semakin mendekati 1 besarnya koefisien determinasi suatu persamaan regresi semakin besar pula pengaruh semua variabel independen terhadap variabel dependen (semakin besar kemampuan model yang dihasilkan dalam menjelaskan perubahan nilai variabel dependen). Sebaliknya semakin mendekati nol besarnya koefisien determinasi suatu persamaan regresi berarti semakin kecil pula pengaruh semua variabel independen terhadap nilai veriabel dependen. 33