KONVERGENSI INDEKS PEMBANGUNAN MANUSIA DI PROVINSI BANTEN

PILAR HENDRANI

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

BOGOR 2012

PERNYATAAN MENGENAI TESIS

DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa tesis berjudul Konvergensi Indeks

Pembangunan Manusia di Provinsi Banten adalah karya saya dengan arahan dari

Komisi Pembimbing dan belum diajukan dalam bentuk apapun kepada Perguruan

Tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang

diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan

dicantumkan dalam daftar pustaka di bagian akhir tesis ini.

Bogor, Januari 2012

Pilar Hendrani

NRP H 151 070 081

ABSTRACT

PILAR HENDRANI. Convergence Human Development Index in Banten

Provence. Under Supervision ARIEF DARYANTO and D.S PRIYARSONO.

Neoclassical economists stated that the level poorer regions would tend to grow

faster than the richer regions. This is because of the diminishing marginal returns to

capital in the richer regions, as the level of capital per labor is relatively high in these

regions. Which in turn will catch up convergence income (wealth). So it will happen by

itself without the need for government policy. Some economists opposed this theory,

such conditions never happen without any support of government policy. In fact income

convergence that never actually happened, it was economies leads to divergence. Based

on the theory, in this study would like to know whether the Human Development Index

in Banten Provence leading to convergence or divergence during the period 1994-2009.

In which the object of research include (Lebak, Pandeglang, Serang and Tangerang)

Regency, (Tangerang and Cilegon) Municipal. Using panel data regression model in

data analysis techniques are expected to capture the issues can not captured and

explained by analysis time series and cross section. Use of the Human Development

Index as the object of research because as one indicator of achievement of government's

performance in human resource development framework that was introduced by UNDP

in 1990. Based on these results can be concluded there was a tendency in Banten

Human Development Index has led to a marked convergence with the sigma

convergence and beta convergence is negative.

Keywords : Human Development Index, Convergency, Government, Panel Data

RINGKASAN

PILAR HENDRANI. Konvergensi Indeks Pembangunan Manusia di Provinsi Banten. Dibimbing oleh ARIEF DARYANTO dan D.S PRIYARSONO.

Kualitas hidup manusia sejak beberapa dekade terakhir menjadi perhatian semua negara di dunia. Bila sebelumnya pertumbuhan pendapatan menjadi indikator untuk menilai kemakmuran penduduk suatu daerah atau negara. Sejak 1990 UNDP memperkenalkan Indeks Pembangunan Manusia sebagai indikator yang dianggap dapat menggambarkan mengenai kualitas hidup manusia. IPM merupakan indeks komposit yang terdiri atas tingkat pendidikan, tingkat kesehatan dan tingkat daya beli masyarakat. Cara perhitungan ini diharapkan mampu menjawab hasil kebijakan pembangunan yang dilaksanakan dan bagaimana implikasinya terhadap masyarakat. Apakah kesejahteraan masyarakat juga secara keseluruhan membaik, apabila pendapatan yang meningkat cukup tinggi. Atas dasar tersebut, IPM kemudian dijadikan oleh pemerintah banyak negara sebagai alat untuk mengukur keberhasilan dalam menjalankan kebijakan pembangunan.

Keadaaan ini tentunya sekaligus menunjukkan bahwa pemerintah mempunyai peran yang sangat penting dalam menentukan kebijakan pembangunannya yang outputnya adalah terciptanya pembangunan yang berkualitas. Artinya, pada saat bersamaan pula beberapa faktor yang cenderung diabaikan dalam perumusan kebijakan ekonomi yang berfokus hanya pada peningkatan pendapatan sudah mulai bergeser. Fakta menunjukkan bahwa negara yang maju dengan institusi pemerintah yang baik dan transparan dikaitkan dengan pertumbuhan pendapatan, kesehatan nasional dan pencapaian prestasi sosial yang lebih tinggi. Pendapatan, investasi dan pertumbuhan yang lebih tinggi maupun angka harapan hidup yang lebih panjang dapat ditemukan di negara-negara dengan institusi pemerintah yang bersih dan baik dalam menjalankan sistem kebijakan pemerintahan. Singkatnya, pemerintah mempunyai peran penting yang tidak bisa diabaikan kedudukannya dalam suatu negara.

Teori konvergensi menyatakan pendapatan daerah miskin akan tumbuh lebih cepat menyamai pendapatan daerah kaya, logikanya daerah yang rasio modal dan kapitalnya rendah, sehingga pada akhirnya akan tercapai konvergensi pendapatan (kemakmuran. Pendukung teori ini adalah aliran Neoklasik yang pertama kali dilontarkan oleh Robert M Solow dalam jurnal A Contribution to The Theory of Economic Growth” dan Trevor W Swan “Economic Growth and Capital Accumulation” (1956), selanjutnya dikenal Model Pertumbuhan Neoklasik Solow-Swan, yang menggunakan fungsi produksi Cobb-Douglas. Kelompok aliran ini meyakini bahwa setiap daerah atau negara pada akhirnya akan berada pada tingkat yang

sama. Ekstrimnya, disparitas ekonomi yang terjadi di dunia sekarang tidak perlu dirisaukan karena pada akhirnya hilang dengan sendirinya.

Pritchett (1996) menyatakan konvergensi belum pernah, tidak pernah dan tidak akan pernah terjadi selama pemerintah negara berkembang tidak serius dalam menjalankan kebijakan ekonominya. Lebih ekstrim lagi, negara industri sebenarnya membentengi dirinya, tentunya dengan kebijakan terselubung agar konvergensi di negara berkembang tidak akan terjadi. Pertumbuhan ekonomi dunia sebenarnya mengarah pada divergensi bukan konvergensi (Pritchett, 1997) serta bersifat masif antara negara maju dan miskin. Pemerintah atau negara manapun perlu intervensi untuk meningkatkan pertumbuhan pendapatan di wilayah miskin atau terbelakang (Bergstorm, 1998). Ditambahkan oleh Quah (1996) terdapat polarisasi distribusi pendapatan antar tingkat perekonomian di dunia. Pendapat tersebut bertentangan dengan apa yang diyakini oleh kaum Neoklasik bahwa keadaan itu akan berjalan secara otomatis dan alami.

Seperti diketahui konvergensi bisa terjadi melalui beberapa cara, seperti redistribusi pendapatan dari daerah kaya ke daerah miskin, adanya aliran tenaga kerja yang rasionya rendah ke daerah yang rasionya tinggi, mobilitas modal antar wilayah dan difusi teknologi dari wilayah yang sudah maju ke wilayah terbelakang. Kaum Neoklasik juga memasukkan asumsi setiap negara mempunyai teknologi dan preferensi yang sama, tidak ada kendala institusi yang mempengaruhi keluar masuknya modal dan tenaga kerja memperkirakan setiap daerah dalam jangka panjang (steady-state) akan mempunyai pendapatan per kapita yang sama, artinya pemerintah tidak intervensi dalam kebijakan ekonomi. De la Fuente (2000) menyebutkan bahwa wilayah yang relatif terbelakang memiliki potensi untuk tumbuh pesat namun derajat realisasinya tergantung pada kapibilitas sosial untuk mengadopsi teknologi dan lingkungan ekonomi makro yang kondusif bagi investasi dan perubahan struktural.

Kenyataannya tidak demikian, pemerintah harus berperan dalam menentukan dan merumuskan kebijakan yang tepat, agar pembangunan dapat berjalan sesuai rencana (Cashin dan Sahay, 1996). Lebih lanjut Pritchett mengatakan pemahaman konsep konvergensi memberikan impresi yang keliru. Menurutnya ekonomi bukanlah proses otomatis namun membutuhkan suatu proses perencanaan, pengembangan evaluasi dan sebagainya. Pertumbuhan ekonomi yang cepat, bukan berangkat dari keadaan miskin akan tetapi merupakan hasil serangkaian kebijakan yang tepat dan terencana yang diciptakan untuk memfasilitasi pertumbuhan yang cepat dan stabil dengan mempertimbangkan konsep keseimbangan.

Berangkat dari permasalahan diatas, peneliti ingin mengetahui apakah kebijakan pembangunan di Provinsi Banten lebih baik dibandingkan masih bergabung dengan Provinsi Jawa Barat. Pembangunan infrastrukur yang berjalan lambat, kualitas sumber daya manusia yang tercermin dari rendahnya tingkat pendidikan dan kualitas kesehatan

masyarakat serta distribusi pendapatan yang kurang merata. Terbentuknya Provinsi Banten diharapkan meningkatkan kualitas pembangunan yang selama ini terabaikan. Pembagian periode waktu penelitian dimaksudkan melihat perbedaan kualitas pembangunan melalui indikator IPM antara sebelum dan sesudah terbentuknya Provinsi Banten. Selain itu, penelitian ini ingin mengetahui apakah konvergensi IPM di Provinsi Banten lebih cepat dibandingkan dengan periode pemerintahan sebelum pemekaran.

Analisa dalam penelitian ini menggunakan panel data yang menggunakan objek penelitian selama kurun waktu 1994-2009, yakni dimulai dari periode sebelum berdirinya Banten (1994-2000) sampai terbentuknya Banten 2001-2009 sejak dikeluarkannya UU No. 23 tahun 2000 tentang Pembentukkan Provinsi Banten. Berbagai program kerja yang digariskan oleh Pemerintah Pusat dilaksanakan baik Pemerintah Provinsi Banten maupun Pemerintah Daerah Kabupaten dan Kota di Banten. Mulai dari pembangunan infrastruktur dan fasilitas pelayanan publik. Ditambahkan disini dengan digulirkan UU No. 20 tahun 2003 tentang Sistem Pendidikan Nasional yang mengharuskan setiap daerah dalam Anggaran Pendapatan dan Belanja Daerahnya untuk dialokasikan sebesar 20% untuk bidang pendidikan, sebagai bagian rencana Program Belajar 9 tahun. Begitu pula dibidang kesehatan, pemerintah daerah juga wajib mengalokasikan anggaran untuk pelayanan kesehatan terutama masyarakat miskin, dengan harapan tingkat harapan hidup masyarakat di Banten semakin baik. Peran pemerintah daerah dalam penelitian ini tidak dimunculkan dalam variabel kebijakan secara langsung tapi dicerminkan dari pertumbuhan IPM itu sendiri. Keterbatasan data menjadi suatu kendala dalam melakukan analisa estimasi model persamaan peran pemerintah daerah.

Hasil penelitian dengan model persamaan yang merupakan modifikasi Gama (2008) menunjukkan bahwa pembangunan ekonomi di Banten sudah berjalan dengan baik, meskipun oleh sebagian kalangan masih dianggap kurang berhasil. Hal ini dibuktikan dengan nilai β konvergennya negatif yang diartikan bahwa tingkat kemakmuran sudah bergerak saling mendekat (catch up) meskipun relatif lambat. Sedangkan nilai α konvergennya juga negatif –trendnya semakin menurun- meskipun kurang signifikan namun hal ini bisa diartikan kualitas sumber daya manusia pada kabupaten dan kota di Banten semakin merata.

Secara keseluruhan waktu penelitian dibagi atas 2 (dua) periode waktu maka hasil penelitian untuk nilai konvergen IPM menjelaskan bahwa berdirinya Banten turut mempercepat laju pertumbuhan IPM kabupaten dan kota di Banten. Artinya, dengan pemekaran Banten dari Jawa Barat memberikan kontribusi positif terhadap peningkatan kualitas hidup masyarakat. Sejumlah informasi yang diperoleh dari penelitian ini, menghasilkan beberapa usulan kebijakan agar proses pembangunan SDM di Banten melalui indikator Indeks Pembangunan Manusia yang merupakan penilaian kinerja keberhasilan pembangunan daerah, antara lain (1) Pembangunan ekonomi yang lebih terkonsentrasi di wilayah utara dan timur mendorong akselarasi pembangunan lebih

cepat dibanding di wilayah selatan. Tentunya ini mengakibatkan masuknya arus urbanisasi menuju wilayah yang lebih menarik secara ekonomis dan begitu pula investor melihat kondisi ini menarik untuk investasi karena adanya pasar yang menjanjikan. (2) Terbatasnya pembangunan akses infrastruktur di wilayah selatan turut memberikan kontribusi negatif terhadap lambatnya pembangunan ekonomi, dimana pada akhirnya berdampak pada lambatnya pertumbuhan IPM. Oleh karena itu, perlu kordinasi yang intensif untuk menetapkan interdependency policy antara Pemerintah Banten dan Pemerintah Daerah Kabupaten Lebak dan Pandeglang dalam mengembangkan infrastruktur guna mempercepat akselarasi dan membuka akses daerah terisolasi di wilayah selatan. Tentunya adanya kebijakan ini akan mendorong laju pertumbuhan ekonomi di daerah tersebut. (3) Kebijakan yang berkelanjutan dan terintegritas dapat mempercepat konvergensi IPM di wilayah Banten tanpa terkecuali yang bisa dijabarkan secara sederhana melalui Tipologi Klassen. Bagi Banten, optimisme tujuan itu bisa tercapai melihat letak geografis dan didukung oleh pasar yang terus berkembang serta SDM yang cukup berkualitas.

Kata Kunci : Indeks Pembangunan Manusia, Konvergensi dan Peran Pemerintah

© Hak Cipta milik IPB, tahun 2012

Hak Cipta dilindungi Undang-Undang

Dilarang mengutip sebagian atau seluruh karya tulis tanpa mencantumkan atau

menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian,

penulisan karya ilmiah, penyusunan laporan, penulisan kritik dan tinjauan suatu

masalah. Pengutipan tersebut tidak merugikan kepentingan yang wajar IPB.

Dilarang mengumumkan dari memperbanyak sebagian atau seluruh Karya Tulis dalam

bentuk apapun tanpa ijin IPB.

KONVERGENSI INDEKS PEMBANGUNAN MANUSIA DI PROVINSI BANTEN

PILAR HENDRANI

Tesis Sebagai salah satu syarat untuk memperoleh gelar

Magister Sains pada Program Studi Ilmu Ekonomi

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR BOGOR

2012

Judul Tesis : Konvergensi Indeks Pembangunan Manusia di Provinsi Banten Nama : Pilar Hendrani NRP : H 151 070 081 Program Studi : Ilmu Ekonomi

Disetujui, Komisi Pembimbing

Dr. Ir. Arief Daryanto, M.Ec Ketua Anggota

Dr. Ir. D.S Priyarsono, MS

Diketahui,

Ketua Program Studi Ilmu Ekonomi

Dr. Ir. Nunung Nuryartono, M.Si

Tanggal Ujian : 30 Januari 2012

Dekan Sekolah Pascasarjana

Dr. Ir. Dahrul Syah, M.Sc. Agr

Tanggal Lulus :

Penguji Luar Komisi pada Ujian Tesis : Dr. Ir. Nunung Nuryartono, M.Si

PRAKATA

Puji dan syukur penulis panjatkan kepada kehadirat Allah SWT atas segala Rahmat dan KaruniaNya serta salam dan shalawat kepada junjungan kita, Nabi Besar Muhammad Rasulullah sehingga tesis dengan judul Konvergensi Indeks Pembangunan di Provinsi Banten dapat diselesaikan. Tesis ini merupakan salah satu syarat untuk menyelesaikan jenjang pendidikan Pascasarjana dan memperoleh gelar Magister Sains dari Program Studi Ilmu Ekonomi pada Intitut Pertanian Bogor.

Pada bagian ini, penulis mengucapkan terima kasih yang sebesar-besarnya kepada Bapak Dr. Ir. Arief Daryanto, M.Ec selaku Ketua Komisi Pembimbing dan Bapak Dr. Ir. D.S Priyarsono, MS selaku Anggota Komisi Pembimbing yang telah memberikan bimbingan dan masukan dalam menyusun proposal ini. Ucapan terima kasih dan penghargaan juga disampaikan kepada pengelola Program Studi Ilmu Ekonomi Sekolah Pascasarjana Institut Pertanian Bogor Bapak Dr. Ir. Nunung Nuryantoro, M.Si selaku Ketua Program Studi dan Ibu Dr. Ir. Lukytawati Anggraeni, M.Si selaku Sekretaris Program Studi.

Penulis juga menyampaikan ucapan terima kasih kepada Walikota Tangerang Selatan yang telah memberikan kesempatan dan dukungan dalam melanjutkan pendidikan Program Magister pada Program Studi Ilmu Ekonomi di Sekolah Pascasarjana Institut Pertanian Bogor. Ucapan terima kasih juga disampaikan dan penghargaan kepada semua dosen yang telah mengajar penulis dan rekan di kelas Magister Program Studi Ilmu Ekonomi IPB. Dedikasi para dosen yang tinggi dan dukungan rekan-rekan kuliah telah banyak membantu penulis dalam menyelesaikan tesis ini.

Akhir kata, penulis juga mengucapkan terima kasih dan penghargaan yang sebesar-besarnya kepada pihak-pihak lain yang telah membantu namun namanya tidak dapat penulis sebutkan satu persatu. Apabila terdapat kesalahan dalam penulisan tesis ini maka hanya penulis yang bertanggung jawab. Kiranya semoga Allah SWT yang Maha Kuasa dan Maha Pemurah yang akan memberikan balasan kepada pihak-pihak yang telah banyak membantu penulis.

Bogor, Januari 2012

Pilar Hendrani

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 26 Februari 1974 dari pasangan Mukhlis dan Hj. Kapsah. Penulis merupakan anak kedua dari dua bersaudara. Penulis menamatkan pendidikan dasar di SDL SPG Negeri 2 Jakarta, kemudian melanjutkan pada jenjang pendidikan menengah dan atas di SMP Negeri 3 Jakarta dan SMA Negeri 8 Jakarta yang lulus pada tahun 1992. Tahun berikutnya penulis melanjutkan pendidikan tinggi di Unversitas Negeri Brawijaya Malang dengan mengambil jurusan Ilmu Ekonomi dan Studi Pembangunan yang lulus pada tahun 1998. Pada tahun 2007 penulis diterima menjadi mahasiswa program studi Ilmu Ekonomi pada fakultas Ekonomi dan Manajemen di Institut Pertanian Bogor.

Setelah lulus dari program sarjana, penulis sempat berkerja di sejumlah perusahaan swasta nasional di Jakarta sebelum kemudian diterima sebagai Pegawai Negeri Sipil di Banten pada tahun 2002. Dimana pada tahun 2009 memutuskan bergabung sebagai PNS Daerah di lingkungan Pemerintah Kota Tangerang Selatan hingga sekarang.

DAFTAR ISI

Halaman DAFTAR TABEL ...................................................................................................... xv DAFTAR GAMBAR ................................................................................................... xvi DAFTAR LAMPIRAN ............................................................................................... xvii

1 PENDAHULUAN .................................................................................................. 1

1.1. Latar Belakang ................................................................................................ 1 1.2. Perumusan Masalah ........................................................................................ 4 1.3. Tujuan Penelitian ............................................................................................ 5 1.4. Kegunaan Penelitian ...................................................................................... 5

2 TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN ................................ 6 2.1. Tinjauan Teori ................................................................................................ 6

2.1.1. Konsep Konvergensi ............................................................................ 6 2.1.2. Investasi Sumber Daya Manusia .......................................................... 8 2.1.3. Indeks Pembangunan Manusia ............................................................. 9 2.1.4. Konvergensi Dalam Teori Pertumbuhan ............................................. 13 2.1.5 Peran Pemerintah terhadap Pembangunan ........................................... 16 2.1.6 Tipologi Klassen .................................................................................. 19

2.2. Bukti Empiris ................................................................................................ 20 2.3. Hipotesis Penelitian ........................................................................................ 22

3 METODOLOGI PENELITIAN ............................................................................. 23 3.1. Jenis dan Sumber Data ..................................................................................... 23 3.2. Metode Analisa ............................................................................................... 23

3.2.1. Deskriptif ............................................................................................. 24 3.2.2. Statistik ................................................................................................ 24 3.2.3. Model Persamaan .............................................................................. 24 3.2.4. Evaluasi Model .................................................................................... 29 3.2.5. Uji Statistik ......................................................................................... 30

4 GAMBARAN UMUM INDEKS PEMBANGUNAN MANUSIA DI BANTEN ..................................................................................................... 32 4.1. Pendidikan di Banten ....................................................................................... 32 4.2. Kesehatan di Banten ......................................................................................... 32 4.3. Indeks Pembangunan Manusia ........................................................................ 33 5 HASIL DAN PEMBAHASAN .............................................................................. 38

5.1 Analisa Konvergensi IPM di Provinsi Banten ................................................. 38 5.1.1. Sigma Konvergen ................................................................................ 38

5.1.2. Beta Konvergen .................................................................................. 40 5.1.3. Faktor yang mempengaruhi IPM di Banten ........................................ 43

5.2. Pembahasan ...................................................................................................... 45 6 KESIMPULAN DAN SARAN .............................................................................. 49

6.1. Kesimpulan .................................................................................................... 49 6.2. Implikasi Kebijakan ........................................................................................ 49 6.3. Saran ................................................................................................................. 50

DAFTAR PUSTAKA .................................................................................................. 51 LAMPIRAN ................................................................................................................. 54

DAFTAR TABEL No Halaman 2.1 Bukti Empiris Tentang Konvergensi IPM .......................................................... 21 3.1 Model Persamaan untuk Analisis Konvergensi IPM ............................................ 23 4.1 Indikator Pendidikan di Banten ............................................................................ 31 4.2 Indeks Pembangunan Manusia di Banten ........................................................... 33 4.3 Perbandingan Indeks Pembangunan Manusia di Jawa ........................................ 34 5.1 Hasil estimasi σ konvergen diukur berdasarkan SD ............................................. 38 5.2 Hasil estimasi σ konvergen diukur berdasarkan CV ........................................... 39 5.3 Hasil Estimasi β Konvergen Absolut ................................................................... 40 5.4 Hasil Estimasi β Konvergen Absolut Sebelum dan Sesudah Berdirinya Banten ........................................................................... 41 5.5 Hasil Estimasi β Konvergen Kondisional ......................................................... 42 5.6 Hasil estimasi faktor yang mempengaruhi IPM di Banten ................................ 43 5.7 Pangsa Pasar dan Pertumbuhan Sektor Usaha Unggulan Daerah ....................... 46

DAFTAR GAMBAR No Halaman 1.1 Pertumbuhan IPM di Banten ............................................................................. 3 2.1 Komponen Indeks Pembangunan Manusia ....................................................... 12 2.2 Tipologi Klassen .................................................................................................. 19 2.3 Skema Kerangka Berpikir .................................................................................... 22 5.1 Standar Deviasi IPM ............................................................................................. 38 5.2 Koefisien Variasi IPM ........................................................................................... 38 5.3 Struktur Perencanaan Pembangunan Daerah dengan Pendekatan Tipologi Klassen .............................................................................. 45 5.4 Pengembangan Wilayah Menurut Sektor Unggulan ........................................... 47

DAFTAR LAMPIRAN No Halaman Lampiran 1 Model Sigma Konvergen ...................................................................... 52 Lampiran 2 Model Beta Konvergen Absolut ....................................................... 53 Lampiran 3 Model Beta Konvergen Kondisional ................................................... 61 Lampiran 4 Faktor yang mempengaruhi IPM di Banten ........................................ 68 Lampiran 5 Share sektor jasa terhadap PDRB ....................................................... 71 Lampiran 6 IPM Kabupaten dan Kota di Banten ................................................... 72 Lampiran 7 Jumlah Populasi Kabupaten dan Kota di Banten ................................. 73 Lampiran 8 PDRB Kabupaten dan Kota di Banten ................................................. 74

BAB I

PENDAHULUAN

1.1 Latar Belakang

Tema konvergensi mendapat perhatian khusus dalam sejumlah literatur

ekonomi baik dari sisi kebijakan maupun prospek ekonomi, terutama di banyak

negara berkembang (Pritchett, 1996). Bahkan persoalan ini sudah masuk dalam

sejumlah literatur makro dan berkembang menjadi bahasa utama (Rey dan

Montouri, 1998). Berdasarkan penelitian mengenai konvergensi yang ada di

banyak negara (Cashin dan Sahay, 1996); Bergstorm, 1984; Button dan Pantecost,

1994) dinyatakan pendapatan daerah miskin akan tumbuh lebih cepat menyamai

pendapatan daerah kaya. Daerah yang rasio modal dan kapitalnya rendah pada

menerima aliran masuk dari daerah yang rasio dan kapitalnya tinggi sehingga

konvergensi terjadi dengan sendirinya. Pendukung teori ini adalah Neoklasik yang

dilontarkan oleh Robert M Solow dalam artikel yang berjudul “A Contribution to

The Theory of Economic Growth” dan Trevor W Swan dalam artikel “Economic

Growth and Capital Accumulation” (1956), yang dikenal kemudian sebagai

Model Pertumbuhan Neoklasik Solow-Swan, yang menggunakan fungsi produksi

Cobb-Douglas. Kelompok aliran ini meyakini bahwa setiap daerah atau negara

pada akhirnya akan berada pada tingkat yang sama. Ekstrimnya, disparitas

ekonomi yang terjadi di dunia sekarang tidak perlu dirisaukan karena pada

akhirnya dengan hilang dengan sendirinya.

Pritchett (1996) menyatakan konvergensi belum pernah, tidak pernah dan

tidak akan pernah terjadi selama pemerintah negara berkembang tidak serius

dalam menjalankan kebijakan ekonominya. Negara industri sebenarnya

membentengi dirinya, tentunya dengan kebijakan terselubung agar konvergensi di

negara berkembang tidak akan terjadi. Pertumbuhan ekonomi dunia sebenarnya

mengarah pada divergensi bukan konvergensi (Pritchett, 1997) serta bersifat masif

antara negara maju dan miskin. Pemerintah atau negara manapun perlu intervensi

untuk meningkatkan pertumbuhan pendapatan di wilayah miskin atau terbelakang

(Bergstorm, 1998). Ditambahkan oleh Quah (1996) terdapat polarisasi distribusi

pendapatan antar tingkat perekonomian di dunia. Pendapat tersebut bertentangan

dengan apa yang diyakini oleh kaum Neoklasik bahwa keadaan itu akan berjalan

secara otomatis dan alami.

Menurut pertumbuhan ekonomi neoklasik, konvergensi bisa terjadi melalui

beberapa cara, seperti redistribusi pendapatan dari daerah kaya ke daerah miskin,

adanya aliran tenaga kerja yang rasionya rendah ke daerah yang rasionya tinggi,

mobilitas modal antar wilayah dan difusi teknologi dari wilayah yang sudah maju

ke wilayah terbelakang. Kaum Neoklasik juga memasukkan asumsi setiap negara

mempunyai teknologi dan preferensi yang sama, tidak ada kendala institusi yang

mempengaruhi keluar masuknya modal dan tenaga kerja memperkirakan setiap

daerah dalam jangka panjang (steady-state) akan mempunyai pendapatan per

kapita yang sama, artinya pemerintah tidak intervensi dalam kebijakan ekonomi.

De la Fuente (2000) menyebutkan bahwa wilayah yang relatif terbelakang

memiliki potensi untuk tumbuh pesat namun derajat realisasinya tergantung pada

kapibilitas sosial untuk mengadopsi teknologi dan lingkungan ekonomi makro

yang kondusif bagi investasi dan perubahan struktural.

Kenyataannya tidak demikian, pemerintah harus berperan dalam

menentukan dan merumuskan kebijakan yang tepat, agar pembangunan dapat

berjalan sesuai rencana (Cashin dan Sahay, 1996). Lebih lanjut Pritchett

mengatakan pemahaman konsep konvergensi memberikan impresi yang keliru,

menurutnya ekonomi bukanlah proses otomatis namun membutuhkan suatu

proses perencanaan, pengembangan evaluasi dan sebagainya. Pertumbuhan

ekonomi yang cepat, bukan dari keadaan miskin akan tetapi merupakan hasil

serangkaian kebijakan yang tepat dan terencana yang diciptakan untuk

memfasilitasi pertumbuhan yang cepat dan stabil, dengan mempertimbangkan

konsep keseimbangan.

Pernyataan ini didukung oleh Rosentein-Rodan dalam artikelnya “Problem

of Industrialisation of Eastern and South-Eastern Europe”. Teori yang kemudian

dikenal dengan “Big Push Model”, menekankan perlunya rencana dan program

aksi dengan investasi skala besar untuk mempercepat industrialisasi di negara

Eropa Timur dan Tenggara. Saat itu di negara kawasan tersebut sangat

terbelakang dan masih mengandalkan surplus tenaga kerja yang terutama bekerja

di sektor pertanian. Big Push, dorongan yang besar, harus dilakukan untuk

mengatasi ketertinggalan dibanding daerah lain dengan memanfaatkan dampak

jaringan kerja antar daerah melalui economies scale and scope dan keluar dari

keseimbangan yang rendah (Kuncoro, 2009). Perencanaan yang didasari strategi

yang baik dan berkesinambungan akan memberikan kesejahteraan yang terus

meningkat yang disertai disparitas pendapatan semakin rendah. Bila pendapat itu

diterapkan dalam lingkup daerah atau negara, artinya jauh lebih penting

diperhatikan adalah bagaimana menyusun kebijakan pembangunan

berkesinambungan yang dapat mempercepat laju pertumbuhan ekonomi.

Sumber : BPS Banten 2011

Gambar 1. Pertumbuhan IPM di Banten

Lebih lanjut dalam sejumlah literatur terdahulu, indikator pendapatan yang

diukur dari PDRB per kapita banyak digunakan untuk menghitung konvergensi di

suatu daerah. Beberapa penelitian terdahulu menunjukkan bahwa perekonomian

sudah mengarah kepada konvergensi pendapatan, akan tetapi tidak dapat

menjawab mengenai kualitas hidup masyarakat yang dijadikan objek penelitian.

UNDP sejak tahun 1990 mengeluarkan Indeks Pembangunan Manusia, yang

dihitung berdasarkan kemampuan daya beli (pendapatan), angka harapan hidup

dan kualitas pendidikan. Indeks ini diaplikasikan untuk menilai keberhasilan

pembangunan suatu negara karena dianggap lebih mewakili aspek pencapaian

kinerja pemerintah. Berangkat dari pernyataan ini, maka dalam penelitian ini akan

menggunakan IPM sebagai variabel untuk menghitung konvergensi di daerah,

dimana dalam hal ini sesuai judul penelitian adalah Konvergensi IPM di Provinsi

Banten.

Alasan pemilihan judul penelitian ini, IPM dapat menggambarkan mengenai

kualitas hidup masyarakat di Banten seperti yang ditunjukkan dalam gambar 1.

Kesejahteraan masyarakat yang terdiri atas kualitas pendidikan, kualitas kesehatan

dan tingkat daya beli masyarakat di Banten sudah tergambarkan dalam nilai IPM

itu sendiri. Penelitian ini juga bermaksud untuk menjelaskan konvergensi IPM di

Banten berarti pemerataan kualitas hidup dan kesejahtaraan masyarakatnya

semakin meningkat.

1.2 Perumusan Masalah

Pemerintahan di banyak negara manapun di dunia, terlepas dari sistem

bentuk pemerintahan yang dipilih, berharap pembangunan yang mampu

mensejahterakan penduduknya. Hanya saja, kerap kali kebijakan kadang tidak

mengenai sasaran. Ketentuan tentang Otonomi Daerah dan ketentuan tentang

Perimbangan Keuangan Antara Pemerintah Pusat dan Daerah, bertujuan

pemerataan kesejahteraan dalam konteks Model Neoklasik yakni konvergensi

pendapatan yang diimbangi dengan laju pertumbuhan tinggi (asumsi, adanya

stabilitas sosial politik dalam pembangunan). Sehubungan latar belakang diatas

dan kebijakan desentralisasi terutama sejak berdirinya Banten lepas dari Provinsi

Jawa Barat 8 Oktober 2000, penelitian akan menganalisis pertumbuhan Indeks

Pertumbuhan Manusia (IPM) sebelum dan setelah terbentuknya Provinsi Banten.

Secara sederhana akan dirumuskan sebagai berikut :

1. Apakah terjadi konvergensi IPM di Provinsi Banten selama periode 1994-

2009.

2. Faktor apa yang mempengaruhi Pertumbuhan Indeks Pembangunan Manusia di

Banten.

1.3 Tujuan Penelitian

Berdasarkan permasalahan diatas, penelitian ini ingin mengetahui apakah

Kabupaten dan Kota Provinsi Banten, baik semasa bergabung dengan Jawa Barat

dan setelah pembentukan Provinsi Banten. Sejumlah tujuan penelitian ini

diharapkan mampu menjawab pertanyaan diatas adalah sebagai berikut :

1. Menganalisis laju konvergensi IPM di Provinsi Banten selama periode

penelitian, sehingga dapat diketahui kualitas kemajuan kesejahteraan di

Banten.

2. Melakukan estimasi faktor yang mempengaruhi laju pertumbuhan IPM,

sehingga mengetahui kontribusinya terhadap IPM di Provinsi Banten selama

periode 1994-2009.

1.4 Kegunaan Penelitian

Penelitian ini diharapkan memberikan manfaat dalam konteks konvergensi

di Provinsi Banten, khususnya berkaitan dengan IPM (Pendapatan, Kesehatan dan

Pendidikan). Terkait dengan pendapatan Button dan Pantecost (1995), indikasi

temuan yang bisa menandai konvergensi maka akan memudahkan bagi pembuat

kebijakan untuk mengkaji efektifitas portofolio kebijakan yang sudah

dilaksanakan dan mendesain strategi yang lebih baik dimasa depan dalam

menetapkan kebijakan pemerataan pembangunan yang berkualitas di Provinsi

Banten.

BAB II

TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN

2.1 Tinjauan Teori

Sejumlah penelitian yang dilakukan dibanyak negara lebih memperdalam

pada apakah ketimpangan pendapatan antar negara atau wilayah di suatu negara,

cenderung divergensi atau konvergensi, apabila mengacu pada model

pertumbuhan Neoklasik, Barro (1991), Barro dan Sala-i-Martin (1995), Dewhurts

(1998), Garcia dan Sulistianingsih (1998) serta Heng dan Siang (1999). Penelitian

berikut ini akan menerapkan model pertumbuhan neoklasik untuk mengukur

Indeks Pembangunan Manusia di Provinsi Banten. Model tersebut

mengasumsikan adanya kesetaraan dalam bidang pendapatan, teknologi, tingkat

pertumbuhan penduduk, kepemilikan sumber daya, preferensi besaran konsumsi

dan tabungan di semua daerah atau wilayah, maka nantinya menuju konvergensi

pendapatan per kapita dalam jangka panjang. Konvergensi β (beta convergence)

untuk menghitung kecepatan daerah yang awalnya miskin dengan standar hidup

relatif rendah dan rasio modal per tenaga kerja rendah akan tumnuh lebih cepat

selama masa percapaian akan mengejar daerah yang kaya, kedua kelompok ini

nantinya akan menuju tingkat pendapatan yang sama. Sedangkan standar deviasi

(σ konvergensi) selanjutnya disebut sigma convergence untuk sebaran wilayah

pendapatan per kapita.

2.1.1 Konsep Konvergensi

Kedua konsep konvergensi diatas adalah yang biasanya digunakan dalam

literatur konvergensi, De La Fuente (2000), Garcia dan Sulistianingsih (1998),

Lall dan Yilmaz (2000). Adapun Rey dan Montouri (1998) menyebutkan konsep

konvergensi dari perspektif lain, yakni stochastic convergence, yang biasanya

ditemukan dalam penelitian time series. Dua sebelumnya akan ditemui dalam

penelitian cross section. Sigma convergence digunakan alat ukur standar deviasi

penyebaran pendapatan per kapita kabupaten kota di Provinsi Banten, Barro dan

Sala-i-Martin (1995). Ukuran konvergensi ini disebut juga konvergensi aggregat

(aggregate convergence) atau konvergensi bruto (gross convergence). Cara

menghitungnya dengan logaritma standar deviasi per tahun, berikut adalah

rumusan yang biasa dipakai untuk mengukur standar deviasinya :

...……………….

(1)

dimana SD adalah standar deviasi untuk periode t, lnỹt dan lnyit menunjukkan

logaritma rata-rata per kapita kabupaten kota Provinsi Banten periode t dan

logaritma PDRB kabupaten kota i pada periode t, dimana n adalah jumlah

kabupaten kota yang dioservasi. Hasilnya nanti apabila SDt-1 lebih kecil dari SDt

Dengan menghitung σ convergence setiap periode waktu maka akan

diketahui apakah sebuah perekonomian mengarah pada divergensi pada sebelum

pemisahan atau konvergensi setelah pemisahan dari Jawa Barat. Tingkat

pertumbuhan dikatakan konvergensi pasca berdirinya Banten bila nilai σ

convergence semakin menurun. Sementara β convergence digunakan untuk

mengetahui pengaruh faktor yang diperkirakan menentukan tingkat konvergensi.

Beta konvergensi ini punya dua aspek, yakni absolute convergence atau

unconditional convergence yang digunakan mengukur kecepatan pertumbuhan

pendapatan per kapita daerah miskin yang akan menyamai pendapatan per kapita

daerah kaya. Kerangka pemikiran Neoklasik memprediksi koefisien variabel

penjelas bertanda negatif dan signifikan, menunjukkan daerah miskin memang

tumbuh lebih cepat dari daerah kaya. Adapun formula yang digunakan untuk

mengukur absolute convergence (Barro dan Sala-i-Martin, 1995) adalah sebagai

berikut :

dikatakan σ convergence ada begitu sebaliknya.

…………………. (2)

dimana ln adalah natural logaritma, yit PDRB per kapita kabupaten-kota i pada

tahun t, yi0,t merupakan rata-rata galat periode 0 dan T. nilai negatif dan signifikan

antara PDRB awal dan tingkat pertumbuhan PDRB maka dikatakan β

convergence terjadi. Bergstorm (1998) lebih lanjut berpendapat seberapa besar

dampak kebijakan pemerintah maka tercermin dalam β convergence. Kecepatan β

convergence akan semakin tinggi, kalau pemerintah memfokuskan kebijakan

pembangunannya pada peningkatan akumulasi modal di daerah miskin,

pembangunan infrastruktur, meningkatkan kualitas sumber daya manusia melalui

pendidikan dan adanya proses transfer teknologi dengan baik pada industri

setempat, dan mengendalikan tingkat pertumbuhan penduduk (Haryanto, 2001).

Sedangkan stochastic convergence mensyaratkan ramalan jangka panjang

dari perbedaan tingkat pendapatan antara dua perekonomian menuju titik nol (Rey

dan Montouri, 1998). Definisi bisa dilanggar, bila ada shock dalam sebuah

perekonomian dengan jangka waktu tak terbatas. Kondisi dimana adalah sejumlah

shock maka pendapatan mengandung akar unit dan sebab ketentuan stasionaritas

maka konsep ini disebut konvergensi stokastik.

2.1.2 Investasi Sumber Daya Manusia

Sejak zaman Adam Smith, pendidikan telah dikaitkan dengan kemajuan

ekonomi dan sosial yang adil. Namun pada saat ini terdapat literatur yang kecil

namun terus berkembang mengenai ketidakmerataan distribusi pendidikan (Lam

dan Levinson, 1991; Londono, 1990; Maas dan Criel, 1982; Ram,1990). Ketika

data mulai tersedia untuk menghitung distribusi pendidikan, maka disparitasnya

semakin jelas. Penggunaan standar deviasi pencapaian prestasi dalam menempuh

pendidikan disekolah, Birdsall dan Londono (1997) meneliti dampak distribusi

pendidikan yang sangat tidak berkesimanbungan mempunyai dampak negatif

terhadapa pendapatan per kapita di banyak negara, kebijakan ekonomi yang

menindas kekuatan pasar cenderung mengurangi dampak pendidikan terhadap

pertumbuhan ekonomi. Pendapat senada dilontarkan Ravallion dan Datt (1999)

bahwa asosiasi pertumbuhan memberikan kontribusi yang lebih sedikit terhadap

pengurangan kemiskinan di negara yang tingkat iliterasi, produktivitas pertanian

dan standar hidupnya rendah di pedesaan dibanding wilayah perkotaan. Hal ini

menunjukkan distibusi pendidikan mempunyai implikasi kuat terhadap

pertumbuhan yang mengurangi kemiskinan. Pentingnya pembangunan sumber

daya manusia-pendidikan dan kesehatan tampaknya dari hasil penelitian yang

dilakukan oleh Garcia dan Sulistianingsih (1998) mampu mengurangi

ketidaksinambungan regional. Pasalnya, investasi dalam sumber daya manusia

akan memperbaiki standar hidup di pedesaan dan perkotaan yang selanjutnya

dapat meningkatkan produktivitas.

2.1.3 Indeks Pembangunan Manusia

Kualitas pembangunan manusia didefinisikan oleh UNDP sebagai suatu

proses untuk memperluas pilihan bagi penduduk (a process of enlarging people’s

choices). Bahwa Pembangunan Manusia dijelaskan penduduk menjadi pusat

perhatian, dimana penduduk ditempatkan sebagai tujuan akhir (the ultimated end)

sedangkan upaya pembangunan dipandang sebagai sarana (principal means)

untuk mencapai tujuan itu. Guna mencapai hal tersebut harus didukung oleh

empat pilar yakni :

1. Produktivitas, penduduk harus diberdayakan untuk meningkatkan produktivitas

dan berpartisipasi penuh dalam proses penciptaan pendapatan. Pembangunan

ekonomi menjadi himpunan bagian dari model pembangunan manusia.

2. Pemerataan, penduduk harus memiliki kesempatan yang sama mendapatkan

akses terhadap semua sumber daya ekonomi dan sosial. Semua hambatan yang

memperkecil kesempatan untuk memperoleh akses tersebut harus dihapus,

sehingga mereka dapat mengambil manfaat dari kesempatan yang ada dan

berpartisipasi dalam kegiatan produktif yang dapat meningkatkan kualitas

hidup.

3. Kesinambungan, akses terhadap sumber daya ekonomi dan sosial harus

dipastikan dapat dinikmati untuk generasi selanjutnya. Semua sumber daya

fisik, manusia, dan lingkungan selalu diperbaharui.

4. Pemberdayaan, penduduk harus berpartisipasi penuh dalam keputusan dan

proses yang akan menentukan kehidupan mereka, serta berpartisipasi dan

mengambil manfaat dari proses pembangunan.

Laporan tahun 1995 mencantumkan paradigma pembangunan manusia yang

mencakup empat komponen, yaitu: produktivitas, persamaan, kesinambungan,

dan pemberdayaan. Paradigma baru ini mengoreksi prinsip dan pendekatan

pembangunan yang berorientasi pada hal-hal berikut :

1. Teori pertumbuhan ekonomi menekankan pertumbuhan ekonomi sebagai

tujuan akhir pembangunan. Pembangunan manusia menekankan bahwa

walaupun pertumbuhan ekonomi sangat perlu bagi pembangunan manusia,

namun pertumbuhan ekonomi hanyalah merupakan suatu faktor atau cara

(means), bukan suatu tujuan (ends) pembangunan. Sejumlah fakta yang

termuat dalam laporan UNDP menunjukkan tidak adanya hubungan yang

otomatik antara pertumbuhan ekonomi yang tinggi dan kemajuan dalam

pembangunan manusia.

2. Teori-teori formasi modal manusia (human capital formation) dan

pembangunan sumberdaya manusia (human resources development)

memandang manusia sebagai alat untuk meningkatkan pendapatan dan

kekayaan ketimbang menekankan aspek pemberdayaan manusia sebagai

tujuan akhir pembangunan. Teori-teori ini memandang manusia sebagai input

atau faktor produksi yang digunakan untuk meningkatkan produksi. Dengan

demikian, manusia yang tidak atau kurang mampu berproduksi dipandang

sebagai beban. Dalam prinsip pembangunan manusia, tidak dikenal segmen

penduduk yang dianggap sebagai beban dalam pembangunan. Pembangunan

harus dapat menawarkan pilihan-pilihan bagi berbagai segmen penduduk

menurut potensi yang dimiliki dengan memperhatikan kemerdekaan dan

martabat manusia.

3. Pendekatan kebutuhan kesejahteraan manusia (the human welfare need

approach) melihat manusia semata-mata sebagai penerima dalam proses

pembangunan, sedangkan konsep pembangunan manusia menekankan

perlunya memperluas pilihan agar manusia selain dapat menikmati hasil-hasil

pembangunan juga mampu berpartisipasi secara aktif dalam berbagai aspek

pembangunan itu sendiri.

4. Pendekatan kebutuhan dasar (the basic need approach) memusatkan

perhatian pada barang dan jasa yang justru bisa memperluas kesenjangan

kebutuhan antar kelompok penduduk. Pendekatan ini lebih memperhatikan

aspek penyediaan barang dan jasa ketimbang implikasinya terhadap perluasan

pilihan bagi berbagai kelompok penduduk itu.

Konsep pembangunan manusia juga menekankan perlunya kebijakan dan

program yang bersifat segmentatif. Semakin banyak kebijakan-kebijakan khusus

pada segmen-segmen penduduk, semakin berhasilguna kebijakan tersebut.

Misalnya, pengelompokan sasaran pembangunan manusia dapat dilakukan

menurut komposisi umur, jenis kelamin, wilayah, perbedaan pedesaan-perkotaan,

maupun menurut kelompok sosial. Dalam hal ini, Pemerintah dituntut memainkan

peranan yang menentukan dalam mengarahkan proses pembangunan dan jika

perlu melakukan intervensi untuk memastikan bahwa kepentingan pembangunan

manusia terpenuhi. Ukuran peranan Pemerintah dalam hal ini bersifat relatif.

Persoalan adalah fungsi apa yang dimainkan oleh pihak pemerintah dan

bagaimana fungsi itu dilaksanakan, bukan bagaimana besarnya peran pemerintah.

Hal penting lainnya, Pemerintah perlu bermitra dengan pihak swasta, lembaga

swadaya dan organisasi masyarakat, dan lebih-lebih dengan institusi lokal di lini

bawah.

Akhirnya, partisipasi merupakan komponen esensial bagi strategi

pembangunan manusia mengingat ia dapat mengurangi biaya pelayanan publik

serta proyek-proyek investasi dengan mengalihkan pengelolaan dari pemerintah

pusat dan daerah ke institusi lokal di lini bawah (grass root). Sebagai contoh,

pusat-pusat pelayanan kesehatan masyarakat, kursus-kursus kebidanan, pos-pos

pelayanan dan distribusi makanan dapat diurus oleh kelompok-kelompok lokal

ketimbang tenaga-tenaga khusus berbiaya tinggi yang seringkali berasal dari luar

wilayah itu. Dalam hal ini partisipasi dapat berfungsi ganda, yakni sebagai tujuan

akhir dan sekaligus cara pembangunan manusia.

Indeks Pembangunan Manusia (IPM) adalah indikator untuk yang

digunakan untuk menggambarkan sejauh mana suatu wilayah telah menggunakan

sumber daya penduduknya untuk meningkatkan mutu kehidupan manusia di

wilayah tersebut. Oleh karena itu, mutu pembangunan manusia diukur dengan

menggunakan tiga buah variabel, yakni kemampuan hidup secara fisik yang

mencerminkan keberhasilan dalam kesehatan. Kedua, kemampuan memahami,

menguasai dan memanfaatkan alami lingkungan yang merefleksikan keberhasilan

pengembangan pendidikan. Ketiga, besarnya barang dan jasa yang memberikan

keberhasilan mencipta (BPS, 2008). Adapun penghitungan IPM adalah sebagai

berikut :

IPM = ⅓ (Indeks X1 + Indeks X2 + Indeks X3

Dimana

)

Indeks X1 Indeks X

= Indeks Angka Harapan Hidup 2

Indeks X

= Indeks Pendidikan, yakni ⅔ (indeks Melek huruf) + ⅓ (indeks rata-rata sekolah)

3

= Indeks Konsumsi per kapita yang disesuaikan)

Gambar 2.1 Komponen Indeks Pembangunan Manusia

Nilai IPM suatu negara atau wilayah menunjukkan seberapa jauh negara

atau wilayah itu telah mencapai sasaran yang ditentukan yaitu angka harapan

hidup 85 tahun, pendidikan dasar bagi semua lapisan masyarakat (tanpa kecuali),

dan tingkat pengeluaran dan konsumsi yang telah mencapai standar hidup yang

layak. Semakin dekat nilai IPM suatu wilayah terhadap angka 100, semakin dekat

jalan yang harus ditempuh untuk mencapai sasaran itu.

IPM mencakup tiga komponen yang merupakan bentuk penyederhanaan

dari realitas yang kompleks dari luasnya dimensi pembangunan manusia. Pesan

dasar IPM perlu dilengkapi dengan kajian dan analisis yang dapat

mengungkapkan dimensi-dimensi pembangunan manusia yang penting lainnya

(tidak seluruhnya dapat diukur) seperti kebebasan politik, kesinambungan

lingkungan, kemerataan antar generasi.

IPM merupakan alat ukur yang peka untuk dapat memberikan gambaran

perubahan yang terjadi, terutama pada komponen daya beli yang dalam kasus

Indonesia sudah sangat merosot akibat krisis ekonomi yang terjadi sejak

pertengahan tahun 1997. Tingkat kesempatan kerja dalam konteks pembangunan

manusia merupakan terputusnya jembatan yang menghubungkan antara

pertumbuhan ekonomi dengan upaya peningkatan kapasitas dasar penduduk.

Dampak dari krisis ekonomi pada pembangunan manusia adalah dengan

menurunnya daya beli dan ini juga berarti terjadinya penundaan upaya

peningkatan kapasitas fisik dan kapasitas intelektual penduduk. Penurunan

beberapa komponen IPM sebagai akibat kepekaan IPM sebagai alat ukur yang

dapat menangkap perubahan nyata yang dialami penduduk dalam jangka pendek.

2.1.4 Konvergensi dalam Teori Pertumbuhan

Teori pertumbuhan lokal memprediksi adanya ambiguitas dalam masalah

pendapatan per kapita dan periode berikutnya. De la Fuente (2000) mempertegas

lagi, teori ekonomi tidak dapat menggambarkan apakah perekonomian suatu

daerah atau wilayah mengalami konvergensi secara pasti. Hal ini terjadi, sebab

banyak faktor penduga yang mempunyai pengaruh disetiap daerah itu berbeda

atau berderajat tidak sama. Teori ekonomi hanya sebatas mengidentifikasi faktor

atau mekanisme yang sangat menentukan besaran arah dan nilai (konvergensi dan

divergensi).

Perbedaan ini dikarenakan tiga mekanisme (De La Fuente, 2000), seperti

yang ada pada model produksi Cobb-Douglas yakni decreasing return to scale,

artinya jika akumulasi modal semakin besar maka produktivitasnya semakin

rendah, disisi lain insentif untuk menabung dan kontribusi investasi pertumbuhan

investasi akan turun. Hal ini bila dibiarkan dalam jangka panjang akan cenderung

melambankan pertumbuhan ekonominya, seperti yang dialami sejumlah negara

industri, dimana salah satu solusinya adalah relokasi industri. Kedua, kemajuan

teknologi bisa mempunyai pengaruh yang bertolak belakang, disisi lain teknologi

apabila perbedaan intensitas daerah dalam mengadopsi teknologi baru maka

pertumbuhan ekonomi jangka panjangnya akan berbeda, teknologi bisa menjadi

penyebab divergensi sebaliknya mengacu pada asumsi neoklasik yang

mengatakan preferensi teknologi setiap daerah atau negara sama maka faktor

teknologi bisa menjadi pendorong konvergensi. Ketiga, perubahan struktural atau

relokasi faktor produksi antar sektor (Caselli dan Coleman, 1999), biasanya setiap

daerah atau negara dapat dikatakan kelompok negara maju atau miskin, bisa

dilihat sektor mana yang paling banyak penduduknya terkonsentrasi, pertanian

atau industri. Semakin besar dominasi atau tingkat ketergantungan terhadap sektor

pertanian maka daerah atau negara tersebut cenderung miskin dan sebaliknya, bila

negara ekonominya peran sektor industri besar maka negara tersebut cenderung

lebih maju.

Namun dalam perkembangannya, pendapat optimis dipaparkan oleh kaum

neoklasik akan terjadinya konvergensi pendapatan, mendorong langkah untuk

mencari alternatif penjelas lainnya dalam rangka membangun teori pertumbuhan

yang baru. Sejumlah pencetus pertumbuhan endogen membuat pernyataan adanya

kemungkinan non decreasing return to scale terhadap modal, serta memasukkan

unsur teknologi sebagai faktor endogen dan bisa terjadi tingkatan variasi antara

daerah sekaligus merefeleksikan perbedaan struktural. Berkaitan dengan

pendapatan tersebut, teori ini tidak menutup kemungkinan adanya disparitas

pendapatan semakin meningkat (Pritchett, 1997) tidak seperti diperkirakan oleh

kaum neoklasik. Bahkan Grier dan Grier (2007) menambahkan kendati model

neoklasik bisa menjelaskan divergensi pendapatan, bisa saja terjadi selama

variabel yang menentukan dalam steady state juga mengalami hal serupa. Justru

divergensi pendapatan di suatu negara bisa terjadi walaupun didukung oleh

kebijakan konvergensi yang kuat. Kontradiksi inilah yang tidak mampu dijelaskan

Kaum Neoklasik, kecuali jika asumsi adanya variasi sistematis kemajuan

teknologi antar negara tidak sama, yang tercermin dari alokasi anggaran untuk

penelitian dan pengembangan, pembangunan sektor keuangan serta keterlibatan

lembaga yang mengawasi divergensi perekonomian daerah atau negara. Konsep

awalnya berdasarkan Model Pertumbuhan Neoklasik, yang bertujuan melihat

apakah konvergensi IPM terjadi atau divergensi, serta seberapa cepat konvergensi

IPM di Provinsi Banten, tentunya dengan menggunakan variabel yang sudah

ditetapkan sebelumnya, yakni tingkat pertumbuhan PDRB Kabupaten dan Kota,

tingkat kepadatan penduduk per km2

Model yang digunakan merupakan diadaptasi dari aplikasi oleh Lall dan

Yilmaz (2000) untuk kasus antar negara bagian di Amerika Serikat. Variabel

penjelasnya dalam model konvergensi Rapport (1999) hampir serupa hanya

disagregasi komponen lokal di Amerika Serikat lebih terperinci. Sedangkan

model persamaan yang dikembangkan oleh Haryanto (2001) adalah

, share sektor jasa terhadap PDRB.

LYo_t = αo + α1LYo

Yang digunakan untuk mencari unconditional atau absolute β convergence

(konvergensi absolut), yakni

....................... (3)

LYo_t

= tingkat pertumbuhan per kapita atau

yity

= PDRB per kapita pada tahun t io

LY= PDRB per kapita awal

o = log Yα

io

o

α= intersept persamaan

1 = koefisien estimasi LYo atau

β = kecepatan konvergensi

Selanjutnya modelnya dikembangkan oleh Haryanto (2001) berdasarkan

data yang dipilih variabel penjelas adalah bentuk administrasi (kabupaten atau

kota) perlu dibedakan karena wilayah perkotaan dari segi pendapatan, tingkat

pendidikan jumlah tenaga kerja terampil dan dukungan infrastruktur yang relatif

lebih baik ketimbang kabupaten, sebaliknya tingkat pertumbuhan dan jumlah buta

huruf lebih tinggi dibanding masyarakat perkotaan. Namun hal tersebut kemudian

diubah karena hasil kurang baik diganti dengan tingkat kepadatan penduduk per

km2

Pertumbuhan PDRB Per Kapita turut dijadikan faktor berpengaruh karena

pastinya mempunyai kontribusi yang cukup penting dalam pertumbuhan IPM itu

sendiri. Begitu pula dominasi sektor penggerak perekonomian juga turut

menentukan, seperti yang ditemukan oleh Cashin dan Sahay (1996) wilayah yang

perekonomiannya didominasi oleh sektor industri dan jasa biasanya lebih cepat

pembangunannya dari wilayah yang secara tradisional sektor pertanian sebagai

lapangan pekerjaan masyarakat di wilayah tertentu. Berikut adalah model

modifikasi dari Gama (2008) dan Noorbakhsh (2004)

. Hal ini cukup beralasan karena kebetulan Kabupaten Tangerang mempunyai

karakteristik yang hampir mirip dengan perkotaan dan kondisi perekonomiannya

berbeda dengan definisi kabupaten.

LnIPMit = β0 + β1LnKAPit + β2LnPOPSit + β3JASAit + εit

dimana :

................... (4)

LnIPMit

LnKAP

= Laju pertumbuhan IPM daerah i dan tahun t

it

LnPOPS

= Pertumbuhan PDRB per kapita daerah i dan tahun t

it = Kepadatan penduduk per km

JASA

2

it

ε

= Share sektor jasa terhadap PDRB

it

IPM sendiri dianggap dapat merepresentasikan ketiga variabel diatas, sejak

diluncurkan oleh UNDP tahun 1990 antara lain yang dilakukan oleh Konya dan

Guisan (2008) dalam hasil penelitiannya untuk melihat konvergensi IPM sejumlah

negara di Eropa sebelum dan sesudah bergabung dalam Uni Eropa. Atas dasar

tersebut, penelitian ini diharapkan dapat memberikan hasil yang nyata mengenai

konvergensi IPM di Banten. Caranya dengan membagi periode penelitian sebelum

dan sesudah berdirinya Provinsi Banten.

= error term

2.1.5 Peran Pemerintah terhadap Pembangunan

Bila mengikuti asumsi model pertumbuhan neoklasik Solow-Swan, maka

peran pemerintah diabaikan karena konvergensi akan terjadi dengan sendirinya.

Kenyataannya, pemerintah justru memegang peran utama dimanapun pemerintah

di dunia. Fakta di dunia bahwa sebuah negara didukung institusi pemerintah yang

baik dan transparan, maka dikatakan dengan pertumbuhan pendapatan, kesehatan

nasional dan pencapaian prestasi sosial yang lebih tinggi. Capaian tersebut

ditambah angka harapan hidup yang tinggi, dapat ditemui di negara dengan

institusi pemerintah yang efektif, jujur dan meritokratis dengan regulasi yang jelas

dan terpadu, juga dimana aturan hukum ditegakkan dengan adil, kebijakan dan

kerangka kerja legal yang tidak dimanfaatkan kepentingan kelompok tertentu.

Muaranya pemerintah harus mengarahkan sistem pemerintahan yang Good

Governance and Clean Goverment, setelah kedua hal tersebut dijalankan baru

pemerintah bicara menganai target pembangunan.

Pritchett (1997) menegaskan tanpa peran aktif dan serius dari pemerintah,

lupakan konvergensi. Sejumlah penelitian menemukan adanya peran pemerintah

dalam menciptakan konvergensi pendapatan di negaranya. Salah satunya Cashin

dan Sahay (1996) menemukan bukti bahwa peran pemerintah pusat India dalam

mendistribusikan kembali pendapatan dari daerah kaya ke miskin dapat

mendorong terjadinya konvergensi pendapatan, kendati dalam level yang kurang

meyakinkan. Berbeda halnya yang dialami di banyak negara industri, sebut saja

Australia, Jepang, Inggris, Jerman dan Amerika Serikat, karena tingkat

pendidikan dan teknologi antar wilayah di negara tersebut sudah merata dan baik,

sehingga peran pemerintah menjadi optimal.

Kunci keberhasilan konvergensi pendapatan suatu daerah dan negara, lebih

banyak dari kemampuan pemerintah dalam implementasikan kebijakan

membangun perekonomiannya, tentunya harus diimbangi transparansi dan

akuntabilitas ketentuan negara. Contohnya, Korea Selatan dan Taiwan mengubah

perekonomiannya dalam beberapa dekade dari negara berkembang menjadi

negara maju. Hal itu dikarenakan kebijakan pemerintah menempatkan bidang

pendidikan sebagai prioritas utama, pembangunan sumber daya manusia termasuk

dalam investasi (heavy investment education), yang baru bisa dinikmati hasilnya

pada dekade terakhir (Rodrik, 1994). Kebijakan serupa diikuti sejumlah negara

seperti Malaysia dan Singapura. Artinya, prioritas pembangunan mereka bukan

sekedar pada pendapatan saja. Namun lebih dari itu, pemerintahan mereka juga

menempatkan pada pembangunan SDM yang berkualitas. Kebijakan ini

dijalankan secara konsisten yang didukung oleh stabilitas sosial politik yang kuat,

begitu juga penegakkan hukumnya, agar arah dan tujuan kebijakan pembangunan

tidak terdistorsi, seperti korupsi, kolusi dan nepotisme. Sebab pendapatan,

investasi dan pertumbuhan tinggi maupaun angka harapan hidup yang lebih

panjang, dapat berjalan di negara dengan institusi pemerintah yang efektif (World

Bank, 2000), sebaliknya di negara yang institusi yang tercemar oleh korupsi

membawa dampak kualitas pembangunan ekonomi itu sendiri.

Berdasarkan Internasional Transparency, nampak jelas negara yang

pendapatan per kapitanya rendah cenderung menduduki peringkat atas dalam

indeks korupsi, contohnya Indonesia, Nigeria, Bangladesh, Irak, Haiti sedangkan

Singapura, Finlandia, Norwegia adalah negara yang masuk dalam katagori bersih

dan mempunyai tingkat pendapatan per kapita yang cukup tinggi (kelompok

negara maju). Memperbaiki kualitas laporan nasional dengan melibatkan modal

manusia dan alam pada harga bayangan (kendati terdapat berbagai kompleksitas

dalam penghitungannya) merupakan salah satu cara untuk mendapatkan

divergensi antara pertumbuhan dan perbaikan kesejahteraan. Bahkan kemajuan

yang terbatas dalam menilai aset ini belum dimasukkan ke dalam laporan nasional

dan masih ada permasalahan konseptual yang serius mengenai penggabungan

tersebut. Karena beberapa alasan inilah, maka sebuah pendekatan yang lebih

praktis dan moderat adalah mengidentifikasi pola pertumbuhan dan kebijakan

yang terukur yang cenderung mempromosikan kesejahteraan yang lebih besar.

Berangkat dari persoalan yang diatas maka pola pertumbuhan yang

dilaksanakan negara di dunia, terbagi atas tiga pola alternatif. Pertama,

pertumbuhan yang tidak berkesinambungan, dimana ekonomi tumbuh dengan fase

pertumbuhan yang pesat, namun mengalami penurunan yang mengarah kepada

stagnasi atau nyaris stagnan. Kedua, pertumbuhan yang terdistorsi diambil dengan

resiko kerusakan sumber daya alam, misalnya dengan menghargai terlalu rendah,

kurangnya investasi modal manusia, misalnya kurangnya perlindungan yang

memadai terhadap tenaga kerja anak dan subsidi untuk modal fisik, seperti

pengecualian pajak, mengijinkan pajak berutang, memberikan hibah finansial

untuk menghadiahi investasi tertentu dan menyediakan subsidi kredit investasi.

Ketiga, pertumbuhan berkesinambungan melalui akumulasi aset yang terdistorsi

atau seimbang, adanya dukungan publik terhadap pengembangan pendidikan

primer dan sekunder, perbaikan kesehatan publik, perlindungan modal alam. Ini

mencegah penurunan dalam pengembalian untuk aset privat (khusus modal fisik)

dan menyediakan tingkat modal manusia yang minimum dan semakin besar yang

diperlukan untuk memfasilitasi inovasi teknologi dan pertumbuhan produktivitas

faktor total (TFP). Definisi pertumbuhan itu sendiri adalah adanya kenaikan

kapasitas produksi riel suatu wilayah yang disertai kemampuannya dalam

menjaga kenaikan tersebut. Kemudian konsep ini diadopsi dalam teori dan model

pertumbuhan regional (Capello, 2007).

2.1.6 Tipologi Klassen

Alat analisis ini dapat membantu pengambil keputusan di daerah untuk

menetapkan prioritas anggaran daerahnya, terutama yang berkaitan dengan sisi

pengeluaran. Tipologi Klassen digunakan untuk mengidentifikasi persoalan

secara cepat berdasarkan data sebelumnya yang tersedia, terutama berkaitan

dengan perencanaan kebijakan. Analisis ini pada dasarnya membagi daerah

berdasarkan dua indikator utama, yaitu pertumbuhan ekonomi daerah dan

pendapatan per kapita daerah. Melalui analisis ini diperoleh empat karateristik

pola dan struktur pertumbuhan ekonomi yang berbeda, yaitu: daerah cepat-maju

dan cepat-tumbuh (high growth and high income), daerah maju tapi tertekan

(high income but low growth), daerah berkembang cepat (high growth but

income), dan daerah relatif tertinggal (low growth and low income).

Kriteria yang digunakan untuk membagi daerah kabupaten dan kota dalam

penelitian kali ini adalah sebagai berikut. Pertama, daerah cepat-maju dan cepat-

tumbuh adalah daerah yang memiliki tingkat pertumbuhan ekonomi menurut jenis

lapangan usaha dan besarnya kontribusinya terhadap pembentukan PDRB lebih

tinggi dibanding rata-rata Provinsi Banten. Kedua, daerah maju tapi tertekan

adalah daerah yang memiliki kontribusi ekonomi menurut jenis lapangan usaha

terhadap pembentukan PDRB lebih tinggi, tetapi tingkat pertumbuhan ekonomi

menurut jenis lapangan usaha lebih rendah dibanding rata-rata Provinsi Banten.

Ketiga, daerah berkembang cepat adalah daerah yang memiliki pertumbuhan

ekonomi menurut jenis lapangan usaha yang tinggi tetapi kontribusi jenis

lapangan usaha tersebut terhadap PDRB lebih rendah dibanding rata-rata Provinsi

Banten. Keempat, daerah relatif tertinggal adalah daerah yang memiliki tingkat

pertumbuhan ekonomi menurut jenis lapangan usaha dan besarnya kontribusinya

terhadap pembentukan PDRB lebih rendah dibanding rata-rata Provinsi Banten

lebih rendah dibanding rata-rata Provinsi Banten. Dikatakan tinggi apabila

indikator di suatu kabupaten dan kota lebih tinggi dibandingkan rata-rata seluruh

kabupaten dan kota di Provinsi Banten dan digolongkan rendah apabila indikator

di suatu kabupaten dan kota lebih rendah dibandingkan rata-rata seluruh

kabupaten dan kota di Provinsi Banten. Sumber data yang digunakan dalam

Analisa Tipologi Klassen dalam penelitian ini adalah kontribusi jenis lapangan

usaha dalam pembentukan PDRB daerah serta laju pertumbuhannya dibandingkan

rata-rata Banten selama periode 1994-2009.

Gambar 2.2 Tipologi Klassen

2.2 Bukti Empiris

Berbagai persoalan berkaitan dengan kebijakan pemerintahan suatu negara

dalam memacu pertumbuhan ekonomi atau meningkatkan pendapatannya.

Pertanyaannya adalah, seberapa efektif peran pemerintah pusat dalam

mempengaruhi pertumbuhan pendapatan daerah, sehingga mampu mempercepat

konvergensi pendapatan. Sejumlah penelitian menemukan hasil konvergensi

pendapatan yang bervariasi, Cashin dan Sahay (1996), Garcia dan Soelistianingsih

(1999), Rappaport (1999), Haryanto (2001) misalnya, terdapat konvergensi

pendapatan dalam penelitiannya. Kendati demikian, kedua penelitian tersebut

menunjukkan konvergensi pendapatan tidak benar-benar mempunyai pengaruh

yang signifikan, hal ini dikarenakan kebijakan pemerintah yang kurang memadai

dan tidak didukung oleh kualitas sumber daya manusia. Padahal, kualitas sumber

daya manusia yang tinggi dan merata merupakan syarat yang harus terpenuhi

seperti asumsi model pertumbuhan neonklasik, mengenai tingkat preferensi

teknologi yang sama (kualitas pendidikan). Kecepatan konvergensi pendapatan

lebih cepat di kelompok negara maju karena alasan diatas, namun adapula

penelitian yang tidak menemukan pengaruh positif dari kebijakan anggaran (Lall

dan Yilmaz, 2000).

Berdasarkan hasil penelitian terdahulu yang dilaksanakan di sejumlah

negara seperti yang tercantum dalam tabel 2.1, diketahui terdapat kecenderungan

IPM mengarah konvergen. Meskipun hanya sebagian yang menunjukkan bukti

signifikan misalnya penelitian oleh Konya dan Guisan (2008) dan Foulkes (2010).

Ini membuktikan bahwa wilayah atau kawasan yang menjadi objek penelitian

mempunyai tingkat preferensi yang sama, peran pemerintah yang kuat dalam

meningkatkan kualitas SDM. Sementara faktor urbanisasi dianggap penting dalam

mendorong terjadinya konvergensi IPM di daerah tertentu (Foulkes, 2010)

Tabel 2.1 Bukti Empiris tentang Konvergensi IPM

No Peneliti Tujuan Penelitian Sumber Data Wilayah Studi Hasil Penelitian

1 Noorbakhsh (2004)

σ dan β konvergensi IPM

Sampling IPM Negara Asia, Afrika dan Amerika Latin periode 1975-2001

Sejumlah negara Asia, Afrika dan Amerika Latin

Bukti lemah yang menyatakan konvergensi IPM pada negara tersebut

2 Hiranmoy dan K Bhattacarjee (2009)

β Konvergen Absolut IPM

IPM Negara Bagian India periode 1981-2001

Negara Bagian India

Konvergensi IPM tidak terbukti secara signifikan

3 Konya dan Guisan (2008)

σ dan β konvergensi IPM

IPM negara Uni Eropa periode 1975-2004

Negara Uni Eropa

Konvergensi IPM terbukti signifikan

4 David Foulkes (2010)

β konvergensi kondisional IPM

Urbanisasi, Investasi Modal Langsung dan Kelembagaan periode 1970-2001

111 negara di dunia

Urbanisasi berpengaruh signifikan β konvergen kondisional IPM

2.3 Kerangka Pemikiran

Berdasarkan uraian diatas, secara sederhana dapat di katakan kualitas SDM di

Provinsi Banten berpengaruh pada pertumbuhan ekonomi, karena SDM merupakan

salah satu input dalam proses produksi, yang selanjutnya akan mempengaruhi

pembangunan ekonomi. Oleh karena itu perlu perhatian yang serius terhadap

pembangunan SDM. Untuk meningkatkan kualitas SDM, salah satu indikatornya

adalah IPM. Meningkatnya IPM akan berdampak pada pencapaian pembangunan.

Strategi untuk meningkatkan IPM secara efektif adalah dengan mengetahui faktor-

faktor yang mempengaruhi pencapaian IPM, sehingga bisa dijadikan faktor penting

dalam menentukan kebijakan. Secara keseluruhan kerangka pemikiran penelitian

adalah sebagai berikut :

Gambar 2.3 Skema Kerangka Berpikir

2.4 Hipotesis Penelitian

Berdasarkan landasan teori, maka terdapat dua hipotesis, pertama

terjadi konvergensi IPM di Banten. Kedua, PDRB per kapita, kepadatan

penduduk dan share sektor jasa pada PDRB mempunyai pengaruh

signifikan terhadap laju pertumbuhan IPM di Banten.

BAB III METODOLOGI PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang

terdiri atas Indeks Pembangunan Manusia (IPM), sektor perekonomian yang

dominan dan pertumbuhan ekonomi di wilayah kabupaten dan kota di Banten.

Data yang diambil untuk sebagai bahan analisa adalah periode tahun 1994-2009.

Sementara sumber data tersebut berasal dari BPS Jawa Barat (saat Banten masih

bagian Provinsi Jawa Barat) dan BPS Banten sendiri. Berikut adalah data awal

IPM Kabupaten dan Kota di Banten semasa masih menjadi bagian dari Jawa

Barat.

3.2 Metode Analisa

Tentunya dalam menganalisa data menggunakan model yang sudah ada

sebelumnya, yang kemudian dimodifikasi sesuai kebutuhan yang ingin dicapai

dari suatu penelitian. Adapun model persamaan yang akan digunakan untuk

menganalisis konvergensi Indeks Pembangunan Manusia di Provinsi Banten

(tabel 3.1).

Tabel 3.1 Model Persamaan untuk Analisis Konvergensi IPM

Sebelum digunakan dalam menganalisis data maka model persamaan diatas

sebelumnya sudah dilakukan berbagai uji sehingga model tersebut layak

digunakan. Model yang dipakai dalam penelitian ini adalah panel data dengan

menggunakan pendekatan Fixed Effect Model. Panel Corrected Standard Error

(PCSEs) dilakukan untuk menghilangkan masalah Autokorelasi dan

Heteroskedastis.

3.2.1 Deskriptif

Dalam metode ini maka hasil penelitian bisa disampaikan dalam bentuk

tabel, gambar atau grafik sehingga memudahkan untuk membacanya dan

menganalisa secara singkat. Pembagian periode penelitian menjadi dua, bertujuan

untuk melihat pengaruh pembangunan ekonomi sebelum dan sesudah Provinsi

Banten berdiri. IPM selama kurun waktu penelitian perolehan data bersumber dari

BPS Provinsi serta Kabupaten dan Kota di Provinsi Banten dan Jawa Barat berupa

data sekunder.

3.2.2 Statistik

Adalah menjadi keharusan dalam sebuah penelitan, apakah hasilnya bisa

diintepretasikan dengan benar perlu melalui uji statistik. Tujuannya agar angka

yang muncul dapat menceritakan dari rumusan masalah yang diajukan, yang

secara sederhana dihitung melalui uji asumsi klasik.

3.2.3 Model Persamaan

Model yang dibangun ini akan memilih menggunakan pendekatan cross

atau panel data karena dapat di estimasi dengan baik (de la Faunte, 2000).

Pendekatan ini mulai digunakan baru beberapa tahun terakhir, sementara

sebelumnya lebih banyak menggunakan OLS dalam mengestimasi konvergensi

pendapatan (Garcia dan Soelistianingsih, 1998). Perkembangan panel data ini

berkaitan dengan berbagai keunggulan yang dimilikinya. Hsiao (1995)

menyebutkan beberapa keunggulan panel data bagi penelitian bidang ekonomi

ketimbang dua pendekatan sebelumnya adalah panel data biasanya menyediakan

jumlah obeservasi yang lebih banyak sehingga meningkatkan efisiensi estimasi

ekonometrika. Kedua, pendekatan ini memungkinkan peneliti untuk menganalisa

pertanyaan ekonomi yang penting yang tidak bisa dijelaskan dengan data cross

section dan time series.

Juanda (2007) memaparkan keuntungan menggunakan panel data dalam

model regresi dibanding dua pendekatan sebelumnya adalah data panel akan

memberikan informasi yang lebih lengkap, beragam, kurang berkorelasi antar

variabel, derajat bebas lebih besar dan efisien. Kedua, panel data lebih

memuaskan untuk menentukan perubahan dinamis dibanding studi berulang dari

cross section. Ketiga, membantu menganalisa perilaku yang lebih kompleks

seperti fenomena skala ekonomi dan perubahan teknologi. Keempat, mampu

meminimumkan bias yang dihasilkan oleh agregasi individu atau perusahaan

karena unit data lebih banyak. Gabungan dari keduanya sudah terangkum dalam

panel data, sehingga memungkinkan perumusan struktur dinamis yang

komprehentif (Lall dan Yilmaz, 2000).

Kendati memiliki sejumlah keunggulan, penggunaan pendekatan panel data

bukan tanpa kritik. Shioji (1998) mengatakan pendekatan tersebut bisa

menimbulkan bias karena memungkinkan menggunakan periode yang relatif

singkat dan jumlah yang diobservasi terlalu sedikit. Solusinya adalah periode

waktu observasi bukan waktu yang pendek. Selain itu, analisa empiris seperti

model regresi konvergensi times series, panel data maupun kondisional cross

section bisa saja misleading untuk memahami konvergensi (Quah, 1996).

Ada sejumlah penamaan untuk panel data, seperti pooled data,

combination time series dan cross section data, micropanel data, longitudinal

data, event history analysis dan cohort analysis (Gujarati, 2003). Dimana regresi

model ini semakin sering digunakan dalam penelitian ekonomi. Mengapa?

Pertama, kombinasi data time series dan cross section dalam sebuah penelitian

akan memberikan informasi yang lebih banyak, lebih efisien dan lebih banyak

degree of freedom (de la Fuente, 2000). Kedua, pendekatan ini memungkinkan

peneliti untuk menganalisa pertanyaan ekonomi yang penting yang tidak bisa

dijelaskan dengan data cross section dan time series. Pasalnya, cross section

merefleksikan perilaku jangka panjang, sementara time series menunjukkan

pengaruh jangka pendek (Hsiao, 1995).

Terdapat tiga metode pada teknik estimasi model menggunakan data

panel, yaitu Pooled Ordinary Least Square (OLS), Fixed Effect Model (FEM) dan

Random Effect Model (REM). Dari ketiga metode tersebut dipilih model terbaik

menggunakan Chow Test.

1. Pooled Ordinary Least Square (OLS)

Pendekatan yang paling sederhana dalam pengolahan data panel adalah

dengan menggunakan metode kuadrat terkecil biasa, yang diterapkan dalam data

yang berbentuk pool.

∧

Yit = α + βXit ...………….. (6)

Dimana i menunjukkan urutan kabupaten dan kota yang diobservasi pada

data crosssection, sedangkan t menunjukkan periode pada data time-series.

Metode ini asumsi yang digunakan menjadi terbatas karena model tersebut

mengasumsikan bahwa intersep dan koefisien dari setiap variabel sama untuk

setiap kabupaten dan kota yang diobservasi. Hal ini menyebabkan variabel-

variabel yang diabaikan membawa perubahan pada intersep time-series dan cross-

section.

2. Fixed Effect Model (FEM)

Masalah yang timbul pada penggunaan metode pooled OLS yaitu adanya

asumsi bahwa intersep dan koefisien dari setiap variabel sama pada setiap

kabupaten dan kota yang diobservasi. Kesulitan terbesar dalam pendekatan

metode kuadrat terkecil biasa adalah adanya asumsi intersep dan slope dari

persamaan regresi yang dianggap konstan, baik antar daerah maupun antar waktu

yang mungkin tidak beralasan. Generalisasi secara umum sering dilakukan dengan

memasukkan dummy variabel untuk memungkinkan terjadinya perbedaan nilai

parameter yang berbeda-beda, baik lintas unit cross section maupun antar waktu.

Pendekatan ini dikenal dengan sebutan model efek tetap (Fixed Effect Model) atau

Least Square Dummy Variabel atau disebut juga Covariance Model.

Yit = α i + Xitjβ j + α iDi +ε it

i=2

n

∑ ........................... (7)

Dimana :

Yit = variabel terikat di waktu t untuk unit cross section i

αix

= intersep yang berubah-ubah antar cross section unit jit

β = variabel bebas j di waktu t untuk unit cross section i

je

= parameter untuk variabel ke j it

= komponen error di waktu t untuk unit cross section i

Dengan menggunakan pendekatan ini, akan terjadi degree of freedom

sebesar NT-N-K. Keputusan memasukkan variabel boneka ini harus didasarkan

pada pertimbangan statistik. Hal tersebut disebabkan, dengan melakukan

penambahan variabel boneka akan dapat mengurangi jumlah degree of freedom

yang pada akhirnya akan memengaruhi keefisienan dari parameter yang

diestimasi. Pertimbangan pemilihan pendekatan yang digunakan ini didekati

dengan menggunakan statistik F yang berusaha memperbandingkan antara nilai

jumlah kuadrat error dari proses pendugaan dengan metode kuadrat terkecil dan

efek tetap yang telah memasukkan variabel dummy.

FN +T −2,NT −N −T =(ESS1 − ESS2) NT −1

ESS2 (N − T − K) ............................... (8)

Dimana, ESS1 dan ESS2

Pada pendekatan fixed effect, estimasi dapat dilakukan dengan tanpa

pembobot (No Weighted) atau Least Square Dummy Variabel (LSDV) dan dengan

pembobot (Cross Section Weight) atau General Least Square (GLS). Tujuan

dilakukannya pembobotan adalah untuk mengurangi heterogenitas antar unit

cross-section (Gujarati, 2003).

adalah jumlah kuadrat sisa dengan menggunakan

metode kuadrat kecil biasa dan model efek tetap, sedangkan statistik F mengikuti

distribusi F dengan derajat bebas NT-1 dan NT-N-K. Nilai statistik F uji inilah

yang kemudian diperbandingkan dengan nilai statistik F tabel yang akan

menentukan pilihan model yang akan digunakan.

3. Random Effect Model (REM)

Penambahan variabel dummy pada model efek tetap dapat mengurangi

banyaknya derajat kebebasan (degree of freedom) yang pada akhirnya akan

mengurangi efisiensi dari parameter yang diestimasi. Berkaitan dengan hal ini,

dalam model data panel dikenal pendekatan ketiga yaitu model efek acak (random

effect). Dalam model efek acak, parameter yang berbeda antar daerah maupun

antar waktu dimasukkan ke dalam error. Karena hal inilah, model efek acak juga

disebut model komponen error (Error Component Model). Bentuk model acak

dijelaskan pada persamaan berikut ini :

Yit = α i + Xitjβ j +ε it ............................... (9)

ε it = ui + vt + wit ............................... (10)

Dimana

ui ~ N(0, δu2

v

) = komponen cross section error

t ~ N(0, δv2

w

) = komponen time series error

it ~ N(0, δw2

) = komponen combination error

Pada persamaan tersebut diasumsikan bahwa error secara individual tidak

saling berkorelasi begitu juga dengan error kombinasinya. Dengan menggunakan

model efek acak ini, maka dapat menghemat pemakaian derajat kebebasan dan

tidak mengurangi jumlahnya seperti yang dilakukan pada model efek tetap. Hal

ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin

efisien. Keputusan penggunaan model efek tetap atau pun acak ditentukan dengan

menggunakan Haussman Test.

Namun disamping dengan menggunakan tes stasistika (Hausman Test),

terdapat beberapa pertimbangan untuk memilih apakah akan menggunakan

pendekatan efek tetap atau pendekatan efek acak. Apabila diasumsikan bahwa εi

dan variabel bebas X berkorelasi, maka pendekatan efek tetap lebih cocok untuk

dipilih. Sebaliknya, apabila εi

1. Bila T (banyaknya unit time series) besar sedangkan N (jumlah unit cross

section) kecil, maka hasil pendekatan efek tetap dan pendekatan efek acak

tidak jauh berbeda sehingga dapat dipilih pendekatan yang lebih mudah untuk

dan variabel bebas X tidak berkorelasi, maka

pendekatan efek acak yang lebih baik untuk dipilih. Beberapa pertimbangan yang

dapat dijadikan acuan untuk memilih antara pendekatan efek tetap atau

pendekatan efek acak adalah :

dihitung yaitu pendekatan efek tetap

2. Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan akan berbeda

jauh. Sehingga apabila diyakini bahwa unit cross section yang dipilih dalam

penelitian diambil secara acak (random) maka pendekatan efek acak harus

digunakan. Sebaliknya apabila diyakini bahwa unit cross section yang dipilih

dalam penelitian tidak diambil secara acak, maka harus meggunakan

pendekatan efek tetap.

3. Apabila komponen error individual (ε i

4. Apabila N besar dan T kecil, dan apabila asumsi yang mendasari pendekatan

efek acak dapat terpenuhi, maka pendekatan efek acak lebih efisien

dibandingkan pendekatan efek tetap.

) berkorelasi dengan variabel bebas X

maka parameter yang diperoleh dengan pendekatan efek acak akan bias

sementara parameter yang diperoleh dengan pendekatan efek tetap tidak bias

Dengan meregresi variabel tersebut dengan pendekatan panel data,

diharapkan hasil lebih mendekati kenyataan yang ada di lapangan sekaligus

mampu menjawab solusi persoalan yang selama ini mengemuka, yakni “Apakah

pembentukan Provinsi Banten memberikan kontribusi positif bagi kemajuan dan

kesejahteraan rakyatnya?”

3.2.4 Evaluasi Model

Dalam pengujian asumsi klasik bertujuan untuk mengetahui apakah model

yang diteliti mengalami penyimpangan asumsi klasik atau tidak, maka

pemeriksaan terhadap penyimpangan asumsi klasik tersebut harus dilakukan.

Adapun uji asumsi klasik tersebut adalah melihat ada tidaknya autokorelasi,

heteroskedastisitas, dan multikoliniaritas.

1. Autokorelasi

Autokorelasi adalah keadaan dimana faktor pengganggu yang satu dengan

yang lain saling berhubungan. Uji autolorelasi yang paling sederhana adalah

menggunakan Durbin-Watson (DW) Test dengan langkah pengujian adalah

0 < d < dL Menolak Ho : Autokorelasi positif

dL ≤ d ≤ dU Daerah abu-abu : Tidak ada keputusan

dU ≤ d ≤ 4 - dU Menerima Ho : Tidak ada autokorelasi

4 – dU ≤ d ≤ 4 - dL Daerah Abu-abu : Tidak ada keputusan

4 – dL ≤ d ≤ 4 Menolak Ho : Autokorelasi negatif

2. Uji Multikolinearitas

Adanya hubungan linier antara variabel independen dalam suatu regresi

disebut dengan multikolinearitas. Pengujian terhadap gejala multikolinearitas

dapat dilakukan dengan membandingkan nilai R2

dan signifikansi dari variabel

yang digunakan. Sebagai rule of thumb, apabila koefisien korelasi cukup tinggi

sementara terdapat sebagian besar atau semua yang secara parsial tidak signifikan,

diduga terjadi multikolinearitas pada model regresi (Gujarati, 2003). Lebih dari

itu, gejala multikolineritas biasanya timbul pada data time series dimana korelasi

antar variabel independen cukup tinggi. Teknik mengkombinasikan data yang ada

dengan data cross section bertujuan menghilangkan atau setidaknya masalah

multikolineritas.

3. Uji Heteroskedasitas

Heteroskedasitas adalah keadaan dimana faktor gangguan tidak memiliki

varian yang sama. Dalam suatu model apabila dijumpai adanya masalah

heteroskedastisitas maka model akan menjadi tidak efisien meskipun tidak bias

dan konsisten. Gejala adanya heteroskedasitas dapat dideteksi dengan melakukan

Wooldridge Test khusus untuk data panel.

3.2.5 Uji statistik

Pengujian statistik dimaksudkan untuk mengetahui apakah model yang

digunakan merupakan model yang tepat untuk menggambarkan hubungan antar

variabel dan apakah ada hubungan yang signifikan diantara variabel dependen

dengan variabel independen, terdiri atas uji-t, uji-F dan koefisien determinasi R2.

BAB IV

GAMBARAN UMUM INDEKS PEMBANGUNAN MANUSIA

DI PROVINSI BANTEN

4.1 Pendidikan di Banten

Pemerintah Provinsi Banten sejauh ini berupaya melakukan perbaikan tingkat

kesejahteraan masyarakat salah satunya melalui bidang pendidikan. Kualitas

masyarakat di Banten sejak tiga tahun belakang terus mengalami peningkatan. Hal

ini dapat dilihat dari kuantitas yang memiliki kemampuan membaca atau Angka

Melek Huruf dan Rata-Rata Lama Sekolah masing-masing 96,20% dan 8,32 tahun

pada tahun 2010. Data pendidikan di Banten berada diatas rata-rata Nasional yang

hanya 92,91% dan 7,92 tahun.

Membaiknya kualitas penduduk Banten didorong semakin bertambahnya

akses penduduk terhadap pendidikan dapat diukur dengan Angka Partisipasi

Sekolah (APS). Meskipun terus mengalami peningkatan seperti yang ditunjukkan

dalam tabel 4.1, akan tetapi kenaikannya masih di bawah rata-rata Nasional yang

mencapai 98,02% (umur 7-12 tahun), 86,24 % (umur 13-15 tahun) dan 56,01 %

(umur 16-18 tahun). Sementara untuk ketersediaan fasilitas yang diindikasikan

dengan rasio guru dan murid masih dibawah 25. hal ini berarti proses belajar

mengajar pada tingkat SD-SMA berlangsung optimal.

Tabel 4.1 Indikator Pendidikan di Banten

4.2 Kesehatan di Banten

Penurunan secara drastis tingkat Angka Kematian Bayi (AKB) dalam kurun

waktu yang sama menjadi 34 kematian per 1000 kelahiran merupakan pencapaian

yang menggembirakan. Saat yang bersamaan Angka Harapan Hidup (AHH) naik

menjadi 64,90 tahun. Angka kesakitan yang diukur berdasarkan prosentase

penduduk yang mengalami gangguan kesehatan mempunyai kecenderungan yang

semakin menurun menjadi 33,02% (2010) dari sebelumnya 37,17% (2008).

Secara umum kondisi ini terjadi karena tingkat pemahaman penduduk

tentang pentingnya kesehatan semakin meningkat. Ketersedian akses kesehatan

mulai dari klinik kesehatan, puskesmas sampai rumah sakit semakin mudah

terjangkau. Hal ini dibuktikan dengan jumlah persalinan bayi yang ditangani

bidan dan dokter mencapi 71.41% (2010) dibandingkan tahun 2008 sebesar

62.43%. Sebagai gambaran, tercatat jumlah rumah sakit dan puskemas sebanyak

69 buah dan 208 unit yang tersebar di wilayah Banten. Jumlah tenaga medis

cukup banyak, berdasarkan data tahun 2010 terdapat 3.220 dokter umum, dokter

gigi dan spesialis, 5.757 tenaga paramedis serta 2.508 bidan.

4.3 Indeks Pembangunan Manusia

Setelah membaca paparan diatas mengenai kondisi pendidikan dan kesehatan

manusia di Banten, maka tujuan pembangunan itu sendiri adalah pembangunan

kualitas sumber daya manusia. Tentunya, pembangunan manusia merupakan

sebuah proses perubahan kualitas manusia menuju kehidupan yang lebih baik.

Kemajuan pembangunan manusia secara umum dapat ditunjukkan dengan

melihat perkembangan indeks pembangunan manusia (IPM) yang mencerminkan

capaian kemajuan pada tiga dimensi pokok pembangunan manusia yaitu bidang

pendidikan, kesehatan dan ekonomi.

Tingkat pencapaian pembangunan manusia di Banten yang diukur dengan

IPM selama tahun 2008-2010 secara keseluruhan menunjukkan adanya

perbaikan. Hal ini terlihat dari meningkatnya angka IPM dengan reduksi

shortfall atau laju tingkat pencapaian menuju IPM sasaran (IPM ideal = 100)

yang cenderung bertambah besar. Sehingga, IPM Banten terus meningkat dari

69,70 (2008) menjadi 70,48 (2010). Hanya saja, angka tersebut masih lebih

rendah dibanding Nasional yang mencapai 72,27.

Meskipun capaian pembangunan Banten secara kumulatif terendah di Jawa,

apabila dibandingkan DKI Jakarta 77.60 (tertinggi) dan Jawa Timur 71.62

(terendah). Namun berdasarkan progres setahun terakhir, sesungguhnya IPM di

Banten meningkat cukup signifikan. Hal ini dapat diketahui dari nilai reduksi

shortfall tahun 2010 yang mencapai 1,42 %, yang berarti jarak IPM Banten

terhadap IPM ideal pada tahun 2010 sudah berkurang sebesar 1,42%. Lebih tinggi

dibanding capaian DKI Jakarta dan Jawa Tengah yang hanya 1.0% dan 1.38%.

Berdasarkan tingkat pencapaian pembangunan manusia selama periode 2009-

2010 yang ditinjau dari pengamatan sisi spasial di seluruh kabupaten dan kota di

Banten sudah berlangsung dengan baik, IPM mengalami peningkatan cukup baik.

Kecuali Kabupaten Lebak dan Kabupaten Serang pergerakannya melambat.

Angka IPM suatu daerah memperlihatkan jarak yang harus ditempuh untuk mencapai

nilai ideal (100). Angka ini dapat diperbandingkan antar daerah di Indonesia. Tantangan

bagi semua daerah adalah bagaimana menemukan cara yang tepat, dalam hal ini program

pembangunan yang diterapkan masing-masing daerah. Bila diperhatikan pada tabel 4.2

ternyata IPM tertinggi dimiliki oleh daerah yang berada di wilayah utara, seperti

Kabupaten Tangerang, Kota Cilegon dan Kota Tangerang. Sementara pada tahun 2010,

Kota Tangerang Selatan yang merupakan daerah otonomi baru hasil pemekaran dari

Kabupaten Tangerang menempati peringkat pertama IPM sebesar 75.38. Sementara

wilayah selatan menempati peringkat terbawah untuk kualitas pembangunan manusianya

dengan Kabupaten Lebak yang nilai hanya 67.67 tahun 2010.

Tabel 4.2 Indeks Pembangunan Manusia di Banten

Tabel 4.2 Indeks Pembangunan Manusia di Banten

Berdasarkan klasifikasi IPM yang ditetapkan UNDP, maka kabupaten dan kota di

Provinsi Banten berada pada kelompok menengah yakni berada kisaran angka 67,67 –

75,38. Lebih lanjut, meskipun nilai IPM di Banten secara umum mengalami peningkatan

tapi laju pertumbuhannya relatif tidak secepat daerah lain, akibatnya tingkat nasional

peringkat Banten turun menjadi 23 tahun 2009 dari sebelumnya peringkat 11 tahun 2000.

Tabel 4.3 Perbandingan Indeks Pembangunan Manusia di Jawa

Pada tabel 4.3 menjelaskan bahwa penyebaran peringkat IPM ternyata tidak

sepenuhnya terkumpul di Jawa, namun tersebar merata di Indonesia. Peringkat

IPM di Jawa, Banten berada posisi terendah pada peringkat 23 dan tertinggi DKI

Jakarta urutan teratas nasional. Hal ini menunjukkan provinsi di luar Jawa

mempunyai kualitas IPM yang tidak terlalu perbedaaan terlalu jauh, meskipun

dilihat secara rata-rata maka Jawa menduduki peringkat pertama kalau

dibandingkan dengan daerah lain, seperti Sumatera, Sulawesi, Kalimantan dan

Papua. Perkembangan IPM ditentukan oleh perkembangan indikator kompositnya.

Kurun waktu sepuluh tahun umumnya indikator tersebut berkembang secara

steady, kecuali indikator paritas daya beli. Indikator ini berkaitan langsung dengan

income penduduk yang dipengaruhi oleh kinerja perekonomian. Jika iklim

perekonomian kondusif maka mendorong dunia usaha yang menjanjikan.

Terbukanya lapangan pekerjaan memberikan kesempatan bagi penduduk

untuk meningkatkan pendapatannya, yang pada gilirannya akan meningkatkan

daya beli masyarakat. Kondusif tidaknya perekonomian yang dimaksud terutama

ditentukan oleh perkembangan harga (inflasi). Inflasi tinggi akan langsung

menurunkan daya beli masyarakat. Pengendalian terhadap laju inflasi menjadi

sangat penting dalam hal menjaga dan menumbuhkan purchasing power parity

masyarakat.

Turunnya rangking IPM Banten sebagai akibat dari faktor daya beli

masyarakat. Peran nilai PPP paling rendah, tetap mengalami peningkatan namun

tidak secepat komponen lainnya. Bahkan indeks pendidikan yang direpresentasi

oleh adult literacy rate (tingkat melek huruf dewasa) dan mean years schooling

(rata-rata lama sekolah) menunjukkan pertumbuhan yang signifikan. Kenaikan

harga bahan bakar minyak (BBM) pada Oktober 2005 merupakan salah satu

penyebab terjadinya inflasi tahun 2006. Tingginya inflasi berpengaruh langsung

terhadap kemampuan daya beli masyarakat, sekaligus menjelaskan kemampuan

daya beli masyarakat pada tahun 2006 tidak terlalu menggembirakan.

Perekonomian Banten pada tahun 2010 terus membaik, didukung oleh

meningkatnya permintaan domestik dan nasional serta mulai pulihnya kondisi

ekonomi global. Secara riil, ekonomi Banten tumbuh positif dari 4,69% pada

tahun 2009 menjadi 5,94% pada tahun 2010. Akan tetapi, tingkat pertumbuhan

tersebut masih lebih lambat dibanding nasional yang tumbuh mencapai 6,10%.

Secara nominal, level ekonomi Banten tahun 2010 bertambah Rp15,93 Triliun

hingga menjadi Rp148,98 Triliun. Hanya saja, share ekonomi Banten terhadap

ekonomi Nasional justru mengalami penurunan dari 2,37% tahun 2009 menjadi

2.32 % tahun berikutnya.

Dilihat menurut kabupaten dan kota, ekonomi Banten secara nominal

ditopang oleh Kota Tangerang, Kabupaten Tangerang dan Kota Cilegon dengan

kontribusi sebesar 35,60%, 21,75% dan 13,94%. Hal ini dapat dipahami, karena

ekonomi Banten didominasi terutama oleh sektor industri pengolahan yang

terkonsentrasi pada ketiga daerah tersebut. Meskipun demikian, pertumbuhan

ekonomi tertinggi dipegang oleh Kota Tangerang Selatan yaitu dengan tingkat

pertumbuhan mencapai 8,70%. Sedangkan, Kota Tangerang (5,74%) , Kabupaten

Tangerang (4,40%) dan Kota Cilegon 4,83%. Hanya saja, andil terbesar bagi

pertumbuhan ekonomi Banten tetaplah dipegang oleh Kota Tangerang (1,31%),

Kabupaten Tangerang (2,08%) dan Kota Cilegon (0,87%) dari total pertumbuhan

ekonomi Banten yang sebesar 5,94%.

Adanya gambaran ini setidaknya pemerintah kabupaten dan kota bersama

Pemerintah Banten, perlu segera merumuskan sinkronisasi kebijakan yang

terintegrasi. Langkah kebijakan ini harus dilaksanakan dalam rangka percepatan

pembangunan ekonomi daerah yang berkualitas dapat segera tewujud. Lebih

lanjut, meskipun IPM di Banten terus tumbuh namun nilainya masih dibawah rata-

rata nasional. Kenyataan ini menunjukan IPM provinsi lain laju pertumbuhannya

lebih cepat, terutama daerah penghasil migas, seperti sebagian Sumatera,

Kalimantan dan Sulawesi.

BAB V

HASIL DAN PEMBAHASAN

Berdasarkan konsep pertumbuhan model neoklasik tentang konvergensi

maka penelitian ini akan menggunakan dua metode pendekatan yakni sigma dan

beta konvergensi untuk mengetahui apakah Indeks Pembangunan Manusia di

Provinsi Banten selama periode penelitian mengarah ke konvergensi atau

sebaliknya. Begitu pula faktor apa yang mempengaruhi laju pertumbuhan indeks

pembangunan manusia di Banten selama periode 1994-2009.

Sebagai gambaran dalam penelitian ini akan dibagi menjadi dua periode

waktu yakni sebelum dan setelah berdirinya Provinsi Banten. Tujuannya untuk

mengetahui setelah berdirinya Provinsi Banten memberikan dampak positif atau

tidak berpengaruh sama secara signifikan bagi kesejahteraan masyarakat. Analisis

ini juga dimaksudkan untuk membuktikan secara teori bahwa daerah terbelakang

bisa tumbuh lebih cepat dan akhirnya menyamai daerah maju.

Metode kuantitatif digunakan untuk menganalisis penelitian ini

menggunakan data panel enam kabupaten dan kota di Banten sebagai komponen

cross section dan periode waktu penelitian sebagai komponan time series. Sebagai

catatan, Daerah Otonomi Baru (DOB) di Banten setelah tahun 2008 masih

digabungkan dengan daerah induk karena keterbatasan dan penyederhanaan dalam

analisis data.

5.1 Analisis Konvergensi IPM di Provinsi Banten

Teknik analisis yang digunakan untuk mengestimasi konvergensi indeks

pembangunan manusia berdasarkan teori konvergensi yang diperkenalkan oleh

aliran neoklasik, yakni konvergensi bruto (sigma convergence) dan konvergensi

beta (beta convergence).

5.1.1 Sigma Konvergen

Sigma konvergen yang diukur dengan menggunakan Standard Deviation

(SD) dan Coeffient of Variation (CV) dari tahun 1994 – 2009. Hasil estimasi

dengan Ordinary Least Square untuk menghitung SD dan CV terbagi menjadi dua

paruh waktu yakni sebelum dan sesudah terbentuknya Banten. Pada gambar 5.1

memperlihatkan trend sebaran standar deviasi pada periode penelitian

menunjukkan trend positif (β1

=0,0451) dengan signifikan pada level 10%

Gambar 5.1 Standar Deviasi IPM

Gambar 5.2 Koefisien Variasi IPM

Sementara masih dalam gambar yang sama, baik trend sebelum dan sesudah

di Banten mempunyai SD IPM tidak siginifikan pada level α=10% sementara

untuk tren standar deviasi sebelum Banten berdiri (garis berwarna merah) tidak

0.040

0.045

0.050

0.055

0.060

0.065

0.070

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

SD0.040

0.045

0.050

0.055

0.060

0.065

0.070

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

SD0.040

0.045

0.050

0.055

0.060

0.065

0.070

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

SD0.010

0.011

0.012

0.013

0.014

0.015

0.01619

94

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

CV0.010

0.011

0.012

0.013

0.014

0.015

0.01619

94

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

0.010

0.011

0.012

0.013

0.014

0.015

0.01619

94

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

CV

siginifikan pada α = 10%. Hal yang sama juga diperlihatkan oleh trend SD setelah

Banten berdiri (garis berwarna biru) memiliki tren negatif, artinya terjadi

cenderung konvergen hanya saja tidak siginifikan pada level 10%. Berdasarkan

hasil ini, maka σ - konvergen dengan pendekatan standar deviasi kemungkinan

tidak ada baik secara keseluruhan maupun dibagi menjadi periode saat Banten

belum berdiri dan periode setelahnya.

Tabel 5.1 Hasil Estimasi σ-Konvergen diukur berdasarkan SD

Hasil hampir serupa juga ditunjukkan berdasarkan perhitungan koefisien

varians (CV), dimana pada gambar 5.2 memperlihatkan trend sebaran koefisien

variasi dari IPM di Banten tahun 1994 – 2009 cenderung negatif. Hal yang sama

juga terjadi pada trend CV setelah Banten terbentuk. Sebaliknya sebelum Banten

terbentuk malah mempunyai trend positif. Perhitungan CV menggunakan

Ordinary Least Square (OLS) guna mengetahui signifikan variabel terikat CV

dengan variabel penjelas tahun, baik secara keseluruhan maupun dibagi 2 paruh

waktu.

Tabel 5.2 Hasil Estimasi σ-Konvergen diukur berdasarkan CV

Berdasarkan hasil pendekatan standar deviasi (SD) dan koefisien varian (CV)

melalui metode OLS dengan melihat trendnya, tidak diperoleh bukti bahwa

konvergen IPM di Banten. Sigma konvergen sangat dimungkinkan tidak ada atau

tidak dapat diperlihatkan berdasarkan data yang ada.

5.1.2 Beta Konvergen

Menurut teori konvergensi maka perhitungan β konvergen dibedakan

menjadi dua yakni konvergensi absolut dan kondisional. Pada penelitian ini model

persamaan yang digunakan dalam mengestimasi konvergensi absolut adalah

lnIPMit = β0 +β1lnIPMi,t-1 + εit ............................. (11)

Dimana persamaan diatas menggunakan pendekatan Fixed Effect Model setelah

melalui Chow Test dan Hausman Test. Adanya variabel time lagged (IPMi,t-1

Tabel 5.3 Hasil Estimasi β konvergen absolut

)

maka mengharuskan menguji model persamaan dengan Sargan Test dan

Arrelano-Bond Test (dynamic unbalanced panel with algoritm biased correction)

untuk menyatakan kondisi yang diinginkan oleh model panel data dinamis seperti

dalam tabel 5.3.

Dalam mengukur konvergensi beta absolut IPM adalah hasil pengurangan

logaritma natural satu dengan koefisien IPMi,t-1 . Jadi diperoleh hasil sebagai

berikut :

β = ln (1- 0,6957)

= ln (0,3043)

= -1,1897

Hasil β sebesar -1,1897 dengan arah yang negatif, membuktikan bahwa

Indeks Pembangunan Manusia di Banten mengarah ke konvergensi untuk β

konvergen absolut. Pengamatan juga dilakukan untuk melihat apakah terdapat

perbedaan laju konvergensi antara sebelum dan setelah berdirinya Banten, maka

model persamaan dibagi atas dua paruh waktu.

Adapun model persamaan yang digunakan dengan menambahkan dummy

Banten, sehingga dapat diketahui masing-masing laju konvergensinya. Hasil

estimasi model persamaan masih menetapkan Fixed Effect Model dalam panel

data ini. Selain itu, pengujian Sargan Test dan Arellano-Bond Test bertujuan dapat

menghasilkan estimasi terbaik dan layak diinginkan oleh model panel dinamis.

Berikut adalah model persamaan terbaik dan hasil estimasinya pada tabel 5.4

lnIPMit = β0 +β1lnIPMi,t-1 + β2lnIPMi,t-1 x dummy Banten + εit ......... (12)

Berangkat dari model persamaan diatas maka diperoleh β konvergen absolut lebih

cepat laju IPM setelah Banten berdiri dibandingkan masih tergabung dengan

Provinsi Jawa Barat. Buktinya adalah nilai β konvergen IPM berdirinya Banten

nilainya 0,6945 lebih besar dari semasa bergabung dengan Jawa Barat yakni

sebesar 0,6785.

Tabel 5.4 Hasil Estimasi β konvergen absolut sebelum dan berdirinya Banten

Terbentuknya Provinsi Banten ternyata memberikan hasil yang cukup

signifikan, dimana kecepatan konvergensi lebih cepat dari sebelumnya. Angka

konvergensi ini menunjukkan bahwa Provinsi Banten bersama Pemerintah

Kabupaten dan Kota di Banten telah berjalan sesuai maksud dan tujuan pendirian

Provinsi Banten. Sementara pengukuran β konvergen kondisional dengan

mempertimbangkan faktor lainnya untuk dimasukkan dalam model persamaan.

Analisis ini digunakan sebagai perbandingan sehingga berdampak terhadap laju

konvergensi beta itu sendiri. Berikut adalah model persamaan terbaik yang

digunakan untuk mengestimasi konvergensi beta kondisional dan hasil estimasi

pada tabel 5.5.

lnIPMit = β0 +β1lnIPMi,t-1 + β2lnPOPSi,t-1 + β3JASAi,t-1 + εit ..................... (13)

lnIPMit = 1,5223+0,3169lnIPMi,t-1+0,1886lnPOPSi,t-1+0,002JASAi,t-1+ε it

Berdasarkan modifikasi dari model persamaan konvergensi kondisional Ayu

Savitri Gama (2008) maka diperoleh intepretasi hasil sebagai berikut seperti yang

disajikan dalam tabel 5.5. Konvergensi kondisional IPM di Banten ternyata terjadi

selama periode penelitian 1994-2009. Indikatornya adalah nilai masing-masing

faktor yang mempengaruhi konvergensi IPM semuanya bernilai negatif tentunya

setelah dihitung menurut β konvergen absolut. Setiap kenaikan 1% tingkat

kepadatan penduduk per km

.... (14)

2 memberikan kontribusi sebesar 0,3811%. Hal ini

tentunya sesuai dalam teori pertumbuhan neoklasik yang menyatakan kemajuan

suatu daerah banyak ditentukan oleh urbanisasi penduduk daerah tersebut.

Besarnya jumlah penduduk secara ekonomi akan menciptakan peluang ekonomi

baik sebagai daerah pemasaran maupun penyediaan tenaga kerja. Selain itu

kepadatan penduduk di suatu daerah, identik dengan majunya pembangunan

perekonomian daerah tersebut. Jadi secara konsisten dapat dikatakan naiknya

jumlah penduduk pada level tertentu akan mempercepat laju konvergensi

ketimbang daerah yang minim penduduk.

Sementara sektor jasa dianggap berpengaruh signifikan terhadap

konvergensi IPM di Banten, meskipun sumbangannya hanya 0,0021% untuk

setiap kenaikan 1% aktivitas sektor jasa di Provinsi Banten. Selain faktor

urbanisasi penduduk, konsentrasi aktivitas ekonomi yang beralih dari sektor

pertanian ke sektor jasa dan industri dianggap daerah tersebut sudah melangkah

ke produk ekonomi yang modern. Contohnya, daerah terbelakang cenderung

sektor lapangan usahanya didominasi oleh sektor pertanian, sedangkan daerah

maju lebih banyak kontribusi perekonomiannya berasal dari sektor jasa dan

industri. Berangkat dari kondisi ini, sektor jasa relevan berpengaruh terhadap laju

konvergensi Indeks Pembangunan Manusia di Banten.

Tabel 5.5 Estimasi β konvergen kondisional

5.1.3 Faktor yang mempengaruhi pertumbuhan IPM di Banten

Banyak faktor yang mempengaruhi Indeks Pembangunan Manusia di

Provinsi Banten. Model persamaan yang akan digunakan adalah Fix Effect Model

dari Panel Data yang kemudian telah dikoreksi kembali dengan Panel Corrected

Standard Errors (PCSEs) guna menghindari model dari gangguan autokorelasi

dan heteroskedastis. Indeks Pembangunan Manusia yang sekarang digunakan

pemerintah di banyak negara untuk menilai capaian kinerja perekonomian dan

pembangunan ekonomi yang berkualitas. Berdasarkan hasil estimasi model data

panel setelah melalui serangkaian uji, maka diperoleh model terbaik dengan hasil

estimasi sebagai berikut

lnIPMit = β0 + β1lnKAPit + β2lnPOPSi,t-1 + β3JASAit + εit ...................... (15)

lnIPMit = 3,9026+0,0711lnKAPit+0,0128lnPOPSi,t-1+0,0019JASAit+ε it ..... (16)

Sejumlah faktor yang digunakan sebagai variabel bebas seperti PDRB per

Kapita, tingkat kepadatan penduduk per km2 dan share sektor jasa pada PDRB

ternyata berpengaruh signifikan terhadap laju pertumbuhan Indeks Pembangunan

Manusia di Banten selama periode penelitian. Ketiga faktor tersebut

mempengaruhi secara nyata terhadap laju IPM di Banten. Nilai R-Square yang

cukup tinggi sebesar 0,9907 menggambarkan variasi variabel tak bebas dari

persamaan regresi PDRB dapat dijelaskan oleh variabel bebas di dalam persamaan

sebesar 99,07%.

Tabel 5.6 Hasil estimasi faktor yang mempengaruhi IPM di Banten

Indikasi terdapat multikolinearitas dalam persamaan dapat dilihat dari t-

statistik dan F-statistik hasil regresi. Pada tingkat kepercayaan 95% nilai F-test

190.64 dan nilai t-test hasil estimasi menunjukkan semua variabel penjelas

berpengaruh signifikan, sehingga tidak ditemukan multikoliniaritas. Penggunaan

model persamaan terbaik dengan PCSEs sekaligus menghindari adanya gangguan

autokorelasi dan heteroskedastis dalam model persamaan ini.

Adanya kenaikan PDRB per kapita (KAPit) sebesar 1% ternyata

memberikan kenaikan IPMit

Sektor jasa adalah identik dengan kegiatan ekonomi yang dilaksanakan di

daerah sudah maju atau berkembang, berbeda dengan daerah masih tradisional

sektor jasa belum tumbuh karena memang kebutuhan atas jenis lapangan usaha

tersebut belum banyak diminati. Sektor jasa akan tumbuh seiring dengan majunya

sebesar 0,0711%. Indikasi ini membuktikan

pertumbuhan positif dari kemampuan daya beli masyarakat berdampak cukup

besar bagi pertumbuhan IPM. Semakin baik tingkat kesejahteraan maka alokasi

pendapatan yang digunakan untuk konsumsi juga akan meningkat. Demikian,

secara langsung akan meningkatkan kualitas kesehatan dan meningkatnya kualitas

pendidikan masyarakat.

Kepadatan penduduk juga mempunyai peran yang cukup penting dalam

mempercepat laju pertumbuhan konvergensi kabupaten dan kota di Banten.

Sebagai gambaran, wilayah selatan Banten yang jumlah penduduknya relatif

renggang kalau dikomparasikan dengan luas wilayahnya ternyata perkembangan

ekonominya cenderung lamban. Pada batas tertentu, tingkat kepadatan penduduk

di suatu daerah masih dianggap kewajaran yang memberikan keuntungan secara

ekonomis. Masalah urbanisasi dan tingkat kepadatan penduduk perlu dikendalikan

karena justru menimbulkan dampak negatif apabila kurangnya kebijakan yang

mengatur masalah tersebut. Akibatnya, kegiatan ekonomi lebih banyak dan tinggi

intensitasnya di bagian utara Banten. IPM akan naik sebesar 0,0128% seandainya

tingkat kepadatan penduduk meningkat sebesar 1%. Nilai tersebut sebenarnya

akan lebih baik lagi apabila terdapat distribusi penduduk atau aliran migrasi antar

daerah sehingga membuka peluang tumbuhnya aktivitas ekonomi di wilayah

tersebut.

perekonomian suatu wilayah. Adanya korelasi yang linear antara besarnya

kontribusi sektor jasa dalam PDRB terhadap kenaikan Indeks Pembangunan

Manusia, meskipun nilai tidak terlalu besar namun apabila pemerintah daerah

memberikan prioritas kepada kelangsungan kegiatan ekonomi ini kemungkinan

akan berdampak besar terhadap peningkatan IPM. Kenaikan share jasa sebesar

1% akan mendorong laju pertumbuhan IPM sebesar 0,0019%.

5.2 Pembahasan

Setelah memaparkan hasil estimasi model persamaan mengenai konvergensi

Indeks Pembangunan Manusia di Banten dan faktor-faktor apakah yang

mempengaruhi konvergensi Indeks Pembangunan Manusia di Banten, maka

selanjutnya akan membahas mengenai hasil penelitian tersebut. Hasil analisis

dengan menggunakan model persamaan statistik menunjukkan terdapat

kecenderungan Indeks Pembangunan Manusia menuju konvergen. Artinya daerah

yang semula miskin akan mengejar (catch up effect) daerah maju. Sederhananya

arah kesana sudah ada, tinggal bagaimana agar konvergensi IPM bisa lebih cepat

lagi sehingga pemerataan kesejahteraan masyarakat Banten yang kini tersebar di

delapan pemerintah kabupaten dan kota tercapai dalam waktu singkat.

Disinilah peran pemerintah bagamaimana membuat perencanaan,

menyusun, menganalisa dan implementasi kebijakan yang dapat tepat sasaran

sehingga target pembangunan tercapai. Langkah pertama yang mesti dilaksanakan

pemerintah dalam hal ini Pemerintah Banten serta Pemerintah Kabupaten dan

Kota di Banten adalah inventarisasi permasalahan kemudian mengidentifikasi

permasalahan tersebut. Pendekatan Tipologi Klassen biasa sebagai modal

perencanaan pemerintah untuk menyusun dan menetapkan prioritas kebijakan.

Gambar 5.3 merupakan susunan struktur perumusan kebijakan daerah yang

dimulai dengan pengelompokkan target kebijakan yang akan dicapai dan

dilanjutkan dengan langkah kebijakan menurut potensi unggulan daerah.

Gambar 5.3 Struktur Perencanaan Pembangunan Daerah

dengan Pendekatan Tipologi Klassen

Adanya pemetaan ini maka memudahkan pemerintah untuk merumuskan

prioritas kebijakan yang akan dilaksanakan. Contohnya, Pemerintah Provinsi

Banten membuat kebijakan yang sifatnya lintas sektoral di bidang pertanian,

dimana nantinya kebijakan tersebut diprioritaskan untuk dilaksanakan di daerah

Lebak, Tangerang dan Pandeglang. Dasar penetapan pertanian menjadi prioritas

di ketiga daerah tersebut dikarenakan menurut tipologi klassen masuk sektor

unggulan (tabel 5.7). Atas dasar itulah, pemerintah kabupaten dan kota yang

terkait langsung dengan kebijakan ini perlu segera menindaklanjuti dengan

merumuskan kebijakan yang saling mendukung agar terciptanya sinkronisasi

kebijakan antar pemerintah daerah.

Tabel 5.7 Pangsa Pasar dan Pertumbuhan Sektor Usaha Unggulan Daerah

Secara umum berdasarkan hasil analisa Tipologi Klassen, Pemerintah

Kabupaten Lebak perlu menetapkan prioritas kebijakan pembangunan pada sektor

usaha pertanian, peternakan, kehutanan dan perikanan karena mempunyai keunggulan

dibandingkan daerah lain di Banten. Bersama pertambangan dan penggalian serta

bangunan perlu diberikan prioritas kebijakan pembangunan karena dapat mendorong

percepatan pembangunan pada daerah tersebut. Kabupaten Pandeglang mempunyai

sektor unggulan pertambangan dan penggalian, bangunan dan jasa-jasa. Sementara

Kabupaten Tangerang mempunyai keunggulan yang mesti mendapat prioritas

kebijakan dari pemerintah daerah di sektor pertanian dan perikanan, listrik dan gas

serta industri pengolahan.

Selain itu Pemerintah Provinsi Banten bersama Pemerintah Kabupaten dan Kota

di Banten perlu mengintegrasikan kebijakan dalam bentuk grand design kebijakan

pembangunan wilayah di Banten. Tujuannya adalah pembangunan ekonomi

berkualitas yang indikatornya semakin baiknya kualitas pembangunan manusia.

Keberhasilan itu sendiri, nantinya tercermin dari semakin meningkatnya Indeks

Pembangunan Manusia sebagai barometer penilaian kinerja pembangunan. Bukan

hanya keberhasilan satu atau sebagian daerah saja, karena pada tingkatan provinsi

keterpurukan satu wilayah akan mengurangi kualitas capaian keberhasilan

pembangunan itu secara keseluruhan.

Gambar 5.4 Pengembangan Wilayah Menurut Sektor Unggulan

Tampak dalam gambar 5.4 memasuki tahun 2012, Pemerintah Provinsi Banten

membuat pemetaan mengenai pengembangan wilayah Banten yang dibagi

berdasarkan sektor lapangan usaha yang menjadi unggulan, sesuai potensi yang

dimiliki daerah. Pemetaan ini diharapkan memberikan gambaran dan inventarisasi

permasalahan sehingga memudahkan dalam penetapan kebijakan pembangunan.

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan paparan pembahasan diatas diperoleh beberapa hal penting

mengenai “Potret Pembangunan Ekonomi Kabupaten dan Kota di Banten selama

periode tahun 1994-2009 adalah sebagai berikut :

1. Bahwa faktor yang digunakan dalam menganalisa laju pertumbuhan Indeks

Pembangunan Manusia di Provinsi Banten mempunyai pengaruh yang signifikan.

Kepadatan penduduk, share sektor jasa dan PDRB per kapita memberikan

kontribusi terhadap konvergensi IPM di Banten.

2. Laju pertumbuhan IPM di Banten berdasarkan model persamaan diatas mengarah

ke konvergensi. Meskipun cukup lambat pergerakannya tapi sudah mengarah pada

satu titik yang sama. Konvergensi IPM di Banten lebih cepat dibanding sebelum

Banten berdiri. Hal ini menunjukkan kebijakan pembangunan kabupaten dan kota

di Banten sudah berjalan dengan baik, meskipun belum optimal.

6.2 Implikasi Kebijakan

Sejumlah informasi yang diperoleh dari penelitian ini, menghasilkan beberapa

usulan kebijakan agar proses pembangunan SDM di Banten melalui indikator Indeks

Pembangunan Manusia yang merupakan penilaian kinerja keberhasilan pembangunan

daerah, antara lain :

1. Pembangunan ekonomi yang lebih terkonsentrasi di wilayah utara dan timur

mendorong akselarasi pembangunan lebih cepat dibanding di wilayah selatan.

Tentunya ini mengakibatkan masuknya arus urbanisasi menuju wilayah yang lebih

menarik secara ekonomis –diketahui jumlah kepadatan penduduk di wilayah

tersebut lebih tinggi ketimbang wilayah selatan-- dan begitu pula investor melihat

kondisi ini menarik untuk investasi karena adanya pasar yang menjanjikan.

2. Terbatasnya pembangunan akses infrastruktur di wilayah selatan turut memberikan

kontribusi negatif terhadap lambatnya pembangunan ekonomi, dimana pada

akhirnya berdampak pada lambatnya pertumbuhan IPM. Meskipun Pemerintah

Daerah mengalokasikan anggaran yang cukup signifikan untuk bidang pendidikan

dan kesehatan, namun hal tersebut dianggap belum mencukupi. Oleh karena itu,

perlu kordinasi yang intensif antara Pemerintah Banten dan Pemerintah Daerah

Kabupaten Lebak dan Pandeglang dalam mengembangkan infrastruktur guna

mempercepat akselarasi dan membuka akses daerah terisolasi di wilayah selatan.

Tentunya adanya kebijakan ini akan mendorong laju pertumbuhan ekonomi di

daerah tersebut. Penggunaan Tipologi Klassen setidaknya membantu pemerintah

daerah untuk memetakan potensi keunggulan daerah sehingga dapat merumuskan

prioritas kebijakan yang tepat sasaran.

3. Kebijakan yang berkelanjutan dan terintegritas dapat mempercepat konvergensi

IPM di wilayah Banten tanpa terkecuali. Bagi Banten, optimisme tujuan itu bisa

tercapai melihat letak geografis dan didukung oleh pasar yang terus berkembang

serta SDM yang cukup berkualitas.

6.3 Saran

Keterbatasan dalam penelitian ini adalah belum bisa menjelaskan lebih jauh

mengenai perbedaan inflasi antar wilayah yang disebabkan oleh perbedaan kondisi

infrastruktur dan derajat keterbukaan perdagangan. Saran untuk penelitian lebih lanjut

adalah

1. Memasukkan variabel yang mewakili struktur ekonomi wilayah dalam pemodelan

sehingga dapat lebih menjelaskan dan menjawab masalah yang berkaitan dengan

konvergensi di Banten.

2. Melakukan pengembangan model konvergensi yang lebih bisa menangkap

keterkaitan spasial tetapi juga cukup sensitif terhadap perubahan kebijakan

pemerintah yang berdampak pada konvergensi indeks pembangunan manusia di

Banten.

DAFTAR PUSTAKA

Barro, R.J. (1991). Economic Growth in a Cross Section of Countries. Quarterly Journal of Economics, 106, 407-444.

Barro, R.J dan X Sala-i-Martin. 1995. Economic Growth. McGraw Hill

Bergstrom, F. 1984. Regional Policy and Convergence of Real Per Capita Income Among Swedish Counties. SSE/ EFI Working Paper Series in Economics and Finance No. 248

Birdsall, N dan J.L Londono. 1997. Asset Inequality Matters : An assessment of the World Bank’s Approach to poverty Reduction. America Economic Review 87(2) : 32-37

Button, K dan E Pantecost. 1994. Regional Economic Convergence in Great Britain and Germany. CREEF Research Paper 94/95

Capello, R. 2007. Regional Economics. Routledge. New York Caselli, F dan W.J Coleman. 1999. How Region Converge. CEPR Discussion Paper

No. 2191

Cashin, P dan R Sahay. 1996. Regional Economic Growth and Convergence in India. Finance And Development Draft from IMF Working Paper 95/ 58. Internal Migration, Center state Grants And Economic Growth in States Of India. August 1995. Washington.

De la Fuente, A. 2000. Convergence Across Countries and Regions: Theories and Empirics. CEPR Discussion Paper No. 2465

Dewhurst, J.H.L. 1998. Convergence and divergence in regional household incomes per head in the United Kingdom, 1984-93, Applied Economics, Taylor and Francis Journals, vol. 30(1), pages 31-35.

Gama, A.S. 2008. Disparitas Dan Konvergensi Produk Domestik Regional Bruto (PDRB) Per Kapita Antar Kabupaten/ Kota Di Provinsi Bali. INPUT : Jurnal Ekonomi dan Sosial, Vol 2 No. 1, Hal 38-49.

Garcia, J.G. dan L. Soelistianingsih. 1998. Why Do Differences in Provincial Income Persist in Indonesia?. Bulletin of Indonesian Economic Studies 34 (1): 95-120.

Gudjarati, D. 2003. Basic Econometrics. International Edition. McGraw Hill

Garcia, K dan R Grier. 2007. Policy Convergence and Output Divergence. Department of Political Science. Duke University, Durham, North Carolina

Haryanto. 2001. Indonesian Regional Economic Development, A Neoclassical Growth Analysis. Bappenas

Heng, T. M, and Siang, T. C. 1999. A Neoclassical Analysis of the ASEAN and East Asian Growth Experience. ASEAN Economic Bulletin, 16, 149-165.

Juanda, B. 2007. Metodologi Penelitian Ekonomi dan Bisnis. IPB Press, Bogor Konya, L dan M.C Guizan. 2008. What Does The Human Development Index Tell Us

About Convergence?. Applied Econometrics and International Development, Vol. 8-1 (2008)

Kuncoro, M. (2004). Otonomi & Pembangunan Daerah : Reformasi, Perencanaan, Strategi, dan Peluang. Penerbit Erlangga, Jakarta.

Lall, SV dan S Yilmas. 2000. Regional Economic Convergence : Do Policy Instruments make a Difference?. The Institute of Public Policy, George Mason University

Lam, D dan D Levinson. 1991. Declining Inequality in Schooling in Brazil and its effects on Inequality in Earning. Journal Development Economics 37(1-2): 1999-225

Londono, J.L. 1990. Kuznetsian Rales with Attention to Human Capital, Makalah yang dipresentasikan pada The Third Inter-American Seminar in Economics. Rio de Janeiro, Brazil

Lopez, R, V Thomas dan Y Wang. 1998. Addressing the Education Puzzle : The Distribution of Education and Economic Reform. Working Paper Research Policy No. 2031. World Bank, Washington, DC

Maas, J L dan G Criel. 1982. Distribution of Primary School Enrollments in Eastern Afrika. Working Paper No. 115. World Bank, Washington D.C

Noorbakhsh, F. 2004. International Convergence and Inequality of Human Development: 1975-2001. Department of Economics University of Glasgow

--------------------------. 2006. International Convergence or Higher Inequality of Human Development : Evidence for1975-2002. United Nation University. World Institute for Development Economic Research. Research Paper No. 2006/15

Pritchett, L. 1996. Forget Convergence, Divergence Past, Present, and Future. Finance Development. Finance & Development / June 1996

---------------. 1997. Divergence, Big Time. Journal Economic Perspectives, Vol. 11 No. 3 P3-17

Quah, D.T. 1996. Empirics for Economics Growth and Convergence. European Review No. 40, 1353/ 75

Ram, R. 1990. Educational Expansion and Schooling In Equality : International Evidence and Some Implications. Review of Economics and Statistics 72 (2) : 266-74

Rappaport, J. 1999. How does labor mobility affect income convergence?. Journal of Economic Dynamics & Control 29 (2005) 567–581

Roy, H dan K Bhattacharjee. 2009. Convergence of Human Development Across Indian States. Quantitative Approaches to Public Policy. Conference in Honor of Prof. T Khrisna Kumar, Indian Institute of Management Bangalore, India

UNDP. 1990. Human Development Report. Oxford University Press, New York.

Wibisono, Y. 2001. Determinan Pertumbuhan Ekonomi Regional: Studi Empiris Antar Provinsi di Indonesia. Jurnal Ekonomi dan Pembangunan Indonesia Vol 1 No 2, 52-83.

Lampiran 1. Model σ (Sigma) Konvergen ---------------------------------------------------------------------------------------------- log: c:\tmp\IPM_SD_CV.log log type: text opened on: 12 Sep 2011, 05:32:07 . use "C:\tmp\IPM20.dta" . gen tb = t * btn . regress sd t Source | SS df MS Number of obs = 16 -------------+------------------------------ F( 1, 14) = 3.71 Model | .691202468 1 .691202468 Prob > F = 0.0747 Residual | 2.60957206 14 .186398005 R-squared = 0.2094 -------------+------------------------------ Adj R-squared = 0.1529 Total | 3.30077453 15 .220051635 Root MSE = .43174 ------------------------------------------------------------------------------ sd | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- t | .0450882 .0234143 1.93 0.075 -.0051304 .0953069 _cons | 3.208088 .2061256 15.56 0.000 2.765993 3.650184 ------------------------------------------------------------------------------ . regress sd t tb Source | SS df MS Number of obs = 16 -------------+------------------------------ F( 2, 13) = 1.94 Model | .759384022 2 .379692011 Prob > F = 0.1828 Residual | 2.54139051 13 .195491578 R-squared = 0.2301 -------------+------------------------------ Adj R-squared = 0.1116 Total | 3.30077453 15 .220051635 Root MSE = .44214 ------------------------------------------------------------------------------ sd | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- t | .0997297 .0955804 1.04 0.316 -.1067591 .3062185 tb | -.0467373 .0791397 -0.59 0.565 -.2177084 .1242337 _cons | 3.104991 .2739275 11.34 0.000 2.513207 3.696776 ------------------------------------------------------------------------------ . regress cv t Source | SS df MS Number of obs = 16 -------------+------------------------------ F( 1, 14) = 0.18 Model | 7.5901e-06 1 7.5901e-06 Prob > F = 0.6781 Residual | .0005914 14 .000042243 R-squared = 0.0127 -------------+------------------------------ Adj R-squared = -0.0579 Total | .00059899 15 .000039933 Root MSE = .0065 ------------------------------------------------------------------------------ cv | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- t | .0001494 .0003525 0.42 0.678 -.0006066 .0009054 _cons | .0529544 .003103 17.07 0.000 .046299 .0596098 ------------------------------------------------------------------------------ . regress cv t tb Source | SS df MS Number of obs = 16 -------------+------------------------------ F( 2, 13) = 0.26 Model | .000022629 2 .000011315 Prob > F = 0.7785 Residual | .000576361 13 .000044335 R-squared = 0.0378 -------------+------------------------------ Adj R-squared = -0.1103 Total | .00059899 15 .000039933 Root MSE = .00666 ------------------------------------------------------------------------------ cv | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- t | .0009609 .0014394 0.67 0.516 -.0021487 .0040706 tb | -.0006941 .0011918 -0.58 0.570 -.0032689 .0018806 _cons | .0514232 .0041252 12.47 0.000 .0425112 .0603352 ------------------------------------------------------------------------------ . exit, clear

Lampiran 2. Model β (Beta) Konvergen Absolut ---------------------------------------------------------------------------------- log: c:\tmp\IPM_Beta_Ayu_final.log log type: text opened on: 17 Sep 2011, 14:37:01 . use "C:\tmp\IPM5.dta" . xtset kab tahun, yearly panel variable: kab (unbalanced) time variable: tahun, 1994 to 2009 delta: 1 year . * A. Model konvergensi Absolut . * I. Model konvergensi seluruhnya Persamaan : (ln IPM)it = β0 + β1 (ln IPM)it-1 + ε it . ** Static Panel . *** FEM (Fixed Effect Model) . xtreg lipm L.lipm,fe Fixed-effects (within) regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.5224 Obs per group: min = 10 between = 0.9990 avg = 14.2 overall = 0.7360 max = 15 F(1,78) = 85.31 corr(u_i, Xb) = 0.6780 Prob > F = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .6341556 .0686588 9.24 0.000 .4974664 .7708448 _cons | 1.543867 .2874492 5.37 0.000 .9716 2.116135 -------------+---------------------------------------------------------------- sigma_u | .02101986 sigma_e | .0349138 rho | .26603586 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(5, 78) = 2.57 Prob > F = 0.0334 * F(5, 78) = 2.57 dgn Prob = 0.0334 menyatakan uji Chow yang artinya FEM lebih baik dibandingkan

OLS (Prob < 0.1) . est sto fixed * Pengujian asumsi homoskedastisitas . xttest3 Modified Wald test for groupwise heteroskedasticity in fixed effect regression model H0: sigma(i)^2 = sigma^2 for all i chi2 (6) = 1569.49 Prob>chi2 = 0.0000 * Hasil pengujian menyatakan terjadi heteroskedastisitas (Tolak H0) * Pengujian asumsi tidak terjadi autokorelasi . predict y, xb (6 missing values generated) . tsset kab tahun, yearly panel variable: kab (unbalanced) time variable: tahun, 1994 to 2009 delta: 1 year . xtserial y Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation F( 1, 5) = 12.207 Prob > F = 0.0174 * Hasil pengujian menyatakan terjadi autokorelasi (Tolak H0) . drop y

. *** REM (Random Effect Model) . xtreg lipm L.lipm, re Random-effects GLS regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.5224 Obs per group: min = 10 between = 0.9990 avg = 14.2 overall = 0.7360 max = 15 Random effects u_i ~ Gaussian Wald chi2(1) = 231.41 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .8003078 .0526094 15.21 0.000 .6971952 .9034205 _cons | .8483096 .2202729 3.85 0.000 .4165827 1.280037 -------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | .0349138 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------ . est sto random * Uji perbandingan metode, apakah REM atau OLS yang lebih baik . xttest0 Breusch and Pagan Lagrangian multiplier test for random effects lipm[kab,t] = Xb + u[kab] + e[kab,t] Estimated results: | Var sd = sqrt(Var) ---------+----------------------------- lipm | .0049929 .0706607 e | .001219 .0349138 u | 0 0 Test: Var(u) = 0 chi2(1) = 0.01 Prob > chi2 = 0.9330 * Hasil pengujian menyatakan OLS lebih baik dari REM (Terima H0) * Uji Hausman,untuk menguji mana yang lebih baik antara FEM dengan REM . hausman fixed random ---- Coefficients ---- | (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fixed random Difference S.E. -------------+---------------------------------------------------------------- L.lipm | .6341556 .8003078 -.1661522 .0441167 ------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 14.18 Prob>chi2 = 0.0002 * Hasil uji Hausman menyatakan FEM lebih baik dari REM (Tolak H0) . est drop fixed random . *** OLS . regress lipm L.lipm Source | SS df MS Number of obs = 85 -------------+------------------------------ F( 1, 83) = 231.41 Model | .308689422 1 .308689422 Prob > F = 0.0000 Residual | .110716703 83 .001333936 R-squared = 0.7360 -------------+------------------------------ Adj R-squared = 0.7328 Total | .419406125 84 .00499293 Root MSE = .03652 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .8003078 .0526094 15.21 0.000 .6956698 .9049459 _cons | .8483096 .2202729 3.85 0.000 .4101957 1.286424 ------------------------------------------------------------------------------ * Berdasarkan hasil seluruhnya, untuk metode data panel statis, model terbaik adalah FEM

. ** Dynamic Panel . *** Arelano-Bond Estimator . ***** Without Variance Correction . xtabond lipm, lags(1) artests(2) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 70 Wald chi2(1) = 70.54 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .6393151 .0761184 8.40 0.000 .4901258 .7885045 _cons | 1.522268 .3186792 4.78 0.000 .8976685 2.146868 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Instruments for level equation Standard: _cons . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| +-----------------------+ H0: no autocorrelation * Uji validitas instrumen yang digunakan dalam model panel data dinamis . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid chi2(68) = 61.16808 Prob > chi2 = 0.7085 * Hasil pengujian menyatakan bahwa instrumen yang digunakan valid (Terima H0) . ***** With Variance Correction . xtabond lipm, lags(1) artests(2) vce(r) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 70 Wald chi2(1) = 165.48 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ | Robust lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .6393151 .0496982 12.86 0.000 .5419085 .7367217 _cons | 1.522268 .2090735 7.28 0.000 1.112492 1.932045 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Instruments for level equation Standard: _cons * Uji autokorelasi untuk menjamin model panel data dinamis (Arellano-Bond test) . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| | 1 |-1.9051 0.0568 | | 2 | .79587 0.4261 | +-----------------------+ H0: no autocorrelation * Hasil pengujian menyatakan kondisi yang diinginkan oleh model panel data dinamis (m1 tolak H0 dan m2 terima H0)

. estat sargan

Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid cannot calculate Sargan test with vce(robust) chi2(68) = . Prob > chi2 = . . *** Dynamic Unbalance Panel with Bruno (2005) algoritm biased correction . xtlsdvc lipm, i(ab) lsdv first Note: Bias correction initialized by Arellano and Bond estimator Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Wald chi2(.) = . Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 One-step results ------------------------------------------------------------------------------ D.lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | LD. | .6393151 .0756289 8.45 0.000 .4910852 .7875451 ------------------------------------------------------------------------------ Sargan test of over-identifying restrictions: chi2(104) = 61.96 Prob > chi2 = 0.9997 Arellano-Bond test that average autocovariance in residuals of order 1 is 0: H0: no autocorrelation z = -4.34 Pr > z = 0.0000 Arellano-Bond test that average autocovariance in residuals of order 2 is 0: H0: no autocorrelation z = 0.29 Pr > z = 0.7717 * Hasil pengujian dengan uji sargan dan Arellano-Bond test (m1 dan m2

L1. | .6957244 . . . . . ------------------------------------------------------------------------------ II. Model konvergensi setelah Banten berdiri (thn 2000) Persamaan : (ln IPM)

) menyatakan kondisi yang diinginkan oleh model panel data dinamis

LSDV dynamic regression ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .6341556 .0686588 9.24 0.000 .4995868 .7687244 ------------------------------------------------------------------------------ note: Bias correction up to order O(1/T) LSDVC dynamic regression (SE not computed) ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm |

it = α + β (ln IPM)it-1 (ln IPM)it = α + β1 (ln IPM)it-1 + β2 (ln IPM)it-1 × dummy Banten . ** Static Panel . *** FEM (Fixed Effect Model) . xtreg lipm L.lipm llipmb,fe Fixed-effects (within) regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.5998 Obs per group: min = 10 between = 0.9769 avg = 14.2 overall = 0.7087 max = 15 F(2,77) = 57.70 corr(u_i, Xb) = 0.5317 Prob > F = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .4254932 .0832115 5.11 0.000 .2597979 .5911885 llipmb | .0095202 .0024667 3.86 0.000 .0046084 .014432 _cons | 2.38907 .3436422 6.95 0.000 1.704791 3.073349 -------------+---------------------------------------------------------------- sigma_u | .02950713

sigma_e | .03216594 rho | .45696853 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(5, 77) = 5.22 Prob > F = 0.0004 * F(5, 77) = 5.22 dgn Prob = 0.0004 menyatakan uji Chow yang artinya FEM lebih baik dibandingkan

OLS (Prob < 0.1) . est sto fixed * Pengujian asumsi homoskedastisitas . xttest3 Modified Wald test for groupwise heteroskedasticity in fixed effect regression model H0: sigma(i)^2 = sigma^2 for all i chi2 (6) = 1683.81 Prob>chi2 = 0.0000 * Hasil pengujian menyatakan terjadi heteroskedastisitas (Tolak H0) * Pengujian asumsi tidak terjadi autokorelasi . predict y, xb (6 missing values generated) . tsset kab tahun llipmb, yearly too many variables specified r(103); . xtserial y Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation F( 1, 5) = 8.452 Prob > F = 0.0335 * Hasil pengujian menyatakan terjadi autokorelasi (Tolak H0) drop y *** REM (Random Effect Model) . xtreg lipm L.lipm llipmb,re Random-effects GLS regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.5678 Obs per group: min = 10 between = 0.9961 avg = 14.2 overall = 0.7456 max = 15 Random effects u_i ~ Gaussian Wald chi2(2) = 240.38 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .7360916 .0634721 11.60 0.000 .6116885 .8604946 llipmb | .0043833 .0024887 1.76 0.078 -.0004944 .0092611 _cons | 1.1041 .261559 4.22 0.000 .5914536 1.616746 -------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | .03216594 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------ . est sto random * Uji perbandingan metode, apakah REM atau OLS yang lebih baik . xttest0 Breusch and Pagan Lagrangian multiplier test for random effects lipm[kab,t] = Xb + u[kab] + e[kab,t] Estimated results: | Var sd = sqrt(Var) ---------+----------------------------- lipm | .0049929 .0706607 e | .0010346 .0321659 u | 0 0 Test: Var(u) = 0 chi2(1) = 1.28 Prob > chi2 = 0.2588 * Hasil pengujian menyatakan OLS lebih baik dari REM (Terima H0) * Uji Hausman,untuk menguji mana yang lebih baik antara FEM dengan REM

. hausman fixed random ---- Coefficients ---- | (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fixed random Difference S.E. -------------+---------------------------------------------------------------- L.lipm | .4254932 .7360916 -.3105984 .0538094 llipmb | .0095202 .0043833 .0051369 . ------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 32.89 Prob>chi2 = 0.0000 * Hasil uji Hausman menyatakan FEM lebih baik dari REM (Tolak H0) . est drop fixed random . *** OLS . regress lipm L.lipm llipmb Source | SS df MS Number of obs = 85 -------------+------------------------------ F( 2, 82) = 120.19 Model | .312725257 2 .156362628 Prob > F = 0.0000 Residual | .106680868 82 .001300986 R-squared = 0.7456 -------------+------------------------------ Adj R-squared = 0.7394 Total | .419406125 84 .00499293 Root MSE = .03607 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .7360916 .0634721 11.60 0.000 .6098253 .8623578 llipmb | .0043833 .0024887 1.76 0.082 -.0005675 .0093341 _cons | 1.1041 .261559 4.22 0.000 .5837756 1.624424 ------------------------------------------------------------------------------ * Berdasarkan hasil seluruhnya, untuk metode data panel statis, model terbaik adalah FEM . ** Dynamic Panel . *** Arelano-Bond Estimator . ***** Without Variance Correction . xtabond lipm llipmb, lags(1) artests(2) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 70 Wald chi2(2) = 94.20 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .4261232 .0935433 4.56 0.000 .2427817 .6094647 llipmb | .0095089 .0027407 3.47 0.001 .0041373 .0148805 _cons | 2.386467 .3863112 6.18 0.000 1.629311 3.143622 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Standard: D.llipmb Instruments for level equation Standard: _cons . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| +-----------------------+ H0: no autocorrelation * Uji validitas instrumen yang digunakan dalam model panel data dinamis . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid chi2(67) = 59.20448 Prob > chi2 = 0.7400

* Hasil pengujian menyatakan bahwa instrumen yang digunakan valid (Terima H0) . ***** With Variance Correction . xtabond lipm llipmb, lags(1) artests(2) vce(r) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 70 Wald chi2(2) = 978.39 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ | Robust lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .4261232 .0931424 4.57 0.000 .2435675 .6086789 llipmb | .0095089 .0020202 4.71 0.000 .0055495 .0134683 _cons | 2.386467 .3858451 6.19 0.000 1.630224 3.142709 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Standard: D.llipmb Instruments for level equation Standard: _cons * Uji autokorelasi untuk menjamin model panel data dinamis (Arellano-Bond test) . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| | 1 |-1.9704 0.0488 | | 2 | 1.4064 0.1596 | +-----------------------+ H0: no autocorrelation * Hasil pengujian menyatakan kondisi yang diinginkan oleh model panel data dinamis

(m1 tolak H0 dan m2 terima H0) . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid cannot calculate Sargan test with vce(robust) chi2(67) = . Prob > chi2 = . . *** Dynamic Unbalance Panel with Bruno (2005) algoritm correction . xtlsdvc lipm llipmb, i(ab) lsdv first Note: Bias correction initialized by Arellano and Bond estimator Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Wald chi2(.) = . Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 One-step results ------------------------------------------------------------------------------ D.lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | LD. | .4261232 .0929339 4.59 0.000 .2439761 .6082703 llipmb | D1. | .0095089 .0027228 3.49 0.000 .0041723 .0148455 ------------------------------------------------------------------------------ Sargan test of over-identifying restrictions: chi2(104) = 59.98 Prob > chi2 = 0.9998 Arellano-Bond test that average autocovariance in residuals of order 1 is 0: H0: no autocorrelation z = -4.57 Pr > z = 0.0000 Arellano-Bond test that average autocovariance in residuals of order 2 is 0: H0: no autocorrelation z = 0.81 Pr > z = 0.4199 * Hasil pengujian dengan uji sargan dan Arellano-Bond test (m1 dan m2) menyatakan kondisi yang

diinginkan oleh model panel data dinamis LSDV dynamic regression ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+----------------------------------------------------------------

lipm | L1. | .4254932 .0832115 5.11 0.000 .2624016 .5885848 llipmb | .0095202 .0024667 3.86 0.000 .0046856 .0143548 ------------------------------------------------------------------------------ note: Bias correction up to order O(1/T) LSDVC dynamic regression (SE not computed) ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .4926303 . . . . . llipmb | .0080877 . . . . . ------------------------------------------------------------------------------ . exit, clear

Lampiran 3. Model β (Beta) Konvergen Kondisional * B. Model konvergensi Kondisional * I. Model konvergensi seluruhnya (ln IPM)it = β0 + β1 (ln IPM)it-1 + β2 (ln pops)it + β3 (jasa)it . ** Static Panel . *** FEM . xtreg lipm L.lipm lpops jasa,fe Fixed-effects (within) regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.6409 Obs per group: min = 10 between = 0.6515 avg = 14.2 overall = 0.4719 max = 15 F(3,76) = 45.21 corr(u_i, Xb) = -0.9786 Prob > F = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .2483829 .098482 2.52 0.014 .052239 .4445269 lpops | .2174884 .0548466 3.97 0.000 .108252 .3267248 jasa | .0021254 .0012466 1.70 0.092 -.0003575 .0046082 _cons | 1.531391 .293212 5.22 0.000 .947409 2.115374 -------------+---------------------------------------------------------------- sigma_u | .21719992 sigma_e | .0306708 rho | .98044958 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(5, 76) = 5.97 Prob > F = 0.0001 . est sto fixed . xttest3 Modified Wald test for groupwise heteroskedasticity in fixed effect regression model H0: sigma(i)^2 = sigma^2 for all i chi2 (6) = 2131.07 Prob>chi2 = 0.0000 . *** REM . xtreg lipm L.lipm lpops jasa,re Random-effects GLS regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.5392 Obs per group: min = 10 between = 0.9701 avg = 14.2 overall = 0.7626 max = 15 Random effects u_i ~ Gaussian Wald chi2(3) = 260.20 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .6792156 .0646351 10.51 0.000 .5525332 .805898 lpops | .0137889 .0046133 2.99 0.003 .0047469 .0228309 jasa | .000315 .0004068 0.77 0.439 -.0004824 .0011123 _cons | 1.24548 .2492465 5.00 0.000 .7569664 1.733995 -------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | .0306708 rho | 0 (fraction of variance due to u_i) ------------------------------------------------------------------------------ . est sto random . xttest0 Breusch and Pagan Lagrangian multiplier test for random effects lipm[kab,t] = Xb + u[kab] + e[kab,t] Estimated results: | Var sd = sqrt(Var) ---------+-----------------------------

lipm | .0049929 .0706607 e | .0009407 .0306708 u | 0 0 Test: Var(u) = 0 chi2(1) = 0.23 Prob > chi2 = 0.6293 . hausman fixed random ---- Coefficients ---- | (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fixed random Difference S.E. -------------+---------------------------------------------------------------- L.lipm | .2483829 .6792156 -.4308326 .0743035 lpops | .2174884 .0137889 .2036995 .0546522 jasa | .0021254 .000315 .0018104 .0011784 ------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 128.22 Prob>chi2 = 0.0000 . est drop fixed random . *** OLS . regress lipm L.lipm lpops jasa Source | SS df MS Number of obs = 85 -------------+------------------------------ F( 3, 81) = 86.73 Model | .319839404 3 .106613135 Prob > F = 0.0000 Residual | .099566721 81 .001229219 R-squared = 0.7626 -------------+------------------------------ Adj R-squared = 0.7538 Total | .419406125 84 .00499293 Root MSE = .03506 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .6792156 .0646351 10.51 0.000 .5506121 .8078191 lpops | .0137889 .0046133 2.99 0.004 .0046098 .022968 jasa | .000315 .0004068 0.77 0.441 -.0004944 .0011243 _cons | 1.24548 .2492465 5.00 0.000 .7495582 1.741403 ------------------------------------------------------------------------------ . ** Dynamic Panel . *** Arelano-Bond Estimator . ***** Without Variance Correction . xtabond lipm lpops lpops jasa, lags(1) artests(2) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 72 Wald chi2(3) = 141.91 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .1804569 .1027766 1.76 0.079 -.0209816 .3818954 lpops | .2467779 .0566244 4.36 0.000 .1357962 .3577597 jasa | .0029136 .0013285 2.19 0.028 .0003097 .0055175 _cons | 1.578266 .301375 5.24 0.000 .9875823 2.16895 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Standard: D.lpops D.jasa Instruments for level equation Standard: _cons . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| +-----------------------+ H0: no autocorrelation . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid

chi2(68) = 66.90233 Prob > chi2 = 0.5149 . ***** With Variance Correction . xtabond lipm lpops lpops jasa, lags(1) artests(2) vce(r) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 72 Wald chi2(3) = 675.22 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ | Robust lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .1804569 .0876288 2.06 0.039 .0087075 .3522062 lpops | .2467779 .0593802 4.16 0.000 .1303948 .3631611 jasa | .0029136 .0011368 2.56 0.010 .0006854 .0051417 _cons | 1.578266 .3541091 4.46 0.000 .8842252 2.272307 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Standard: D.lpops D.jasa Instruments for level equation Standard: _cons . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| | 1 |-1.9519 0.0510 | | 2 |-1.9465 0.0516 | +-----------------------+ H0: no autocorrelation . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid cannot calculate Sargan test with vce(robust) chi2(68) = . Prob > chi2 = . . *** Dynamic Unbalance Panel with Bruno (2005) algoritm correction . xtlsdvc lipm lpops jasa, i(ab) lsdv first Note: Bias correction initialized by Arellano and Bond estimator Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Wald chi2(.) = . Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 One-step results ------------------------------------------------------------------------------ D.lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | LD. | .1804569 .1020982 1.77 0.077 -.019652 .3805657 lpops | D1. | .2467779 .0562506 4.39 0.000 .1365287 .3570271 jasa | D1. | .0029136 .0013198 2.21 0.027 .0003269 .0055003 ------------------------------------------------------------------------------ Sargan test of over-identifying restrictions: chi2(104) = 67.79 Prob > chi2 = 0.9977 Arellano-Bond test that average autocovariance in residuals of order 1 is 0: H0: no autocorrelation z = -4.67 Pr > z = 0.0000 Arellano-Bond test that average autocovariance in residuals of order 2 is 0: H0: no autocorrelation z = -0.45 Pr > z = 0.6499 LSDV dynamic regression ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .2483829 .098482 2.52 0.012 .0553618 .4414041 lpops | .2174884 .0548466 3.97 0.000 .1099911 .3249857 jasa | .0021254 .0012466 1.70 0.088 -.000318 .0045687 ------------------------------------------------------------------------------

note: Bias correction up to order O(1/T) LSDVC dynamic regression (SE not computed) ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .3169354 . . . . . lpops | .1886062 . . . . . jasa | .0020938 . . . . . ------------------------------------------------------------------------------ * II. Model konvergensi kondisional setelah Banten berdiri (thn 2000) Persamaan :

(ln IPM)it = α + β (ln IPM)it-1 (ln IPM)it = α + β1 (ln IPM)it-1 + β2 (ln IPM)it-1 × dummy Banten + β3 (ln pops)it

+ β4 (jasa)it

. ** Static Panel . *** FEM . xtreg lipm L.lipm llipmb lpops jasa,fe Fixed-effects (within) regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.6701 Obs per group: min = 10 between = 0.6632 avg = 14.2 overall = 0.5673 max = 15 F(4,75) = 38.08 corr(u_i, Xb) = -0.9143 Prob > F = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .2018843 .0967179 2.09 0.040 .0092124 .3945563 llipmb | .0073142 .0028385 2.58 0.012 .0016596 .0129688 lpops | .1163354 .0658891 1.77 0.082 -.0149225 .2475932 jasa | .0031778 .0012702 2.50 0.015 .0006473 .0057082 _cons | 2.386746 .4361484 5.47 0.000 1.517894 3.255599 -------------+---------------------------------------------------------------- sigma_u | .09765745 sigma_e | .02959247 rho | .91589933 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(5, 75) = 4.93 Prob > F = 0.0006 . est sto fixed . xttest3 Modified Wald test for groupwise heteroskedasticity in fixed effect regression model H0: sigma(i)^2 = sigma^2 for all i chi2 (6) = 2228.02 Prob>chi2 = 0.0000 . *** REM . xtreg lipm L.lipm llipmb lpops jasa,re Random-effects GLS regression Number of obs = 85 Group variable: kab Number of groups = 6 R-sq: within = 0.6149 Obs per group: min = 10 between = 0.9610 avg = 14.2 overall = 0.7920 max = 15 Random effects u_i ~ Gaussian Wald chi2(4) = 304.56 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .5067967 .0796148 6.37 0.000 .3507546 .6628389 llipmb | .0082567 .0024567 3.36 0.001 .0034416 .0130718 lpops | .0196624 .0046837 4.20 0.000 .0104825 .0288423 jasa | .0004765 .0003862 1.23 0.217 -.0002804 .0012334 _cons | 1.894966 .3040794 6.23 0.000 1.298981 2.490951 -------------+---------------------------------------------------------------- sigma_u | 0 sigma_e | .02959247 rho | 0 (fraction of variance due to u_i)

------------------------------------------------------------------------------ . est sto random . xttest0 Breusch and Pagan Lagrangian multiplier test for random effects lipm[kab,t] = Xb + u[kab] + e[kab,t] Estimated results: | Var sd = sqrt(Var) ---------+----------------------------- lipm | .0049929 .0706607 e | .0008757 .0295925 u | 0 0 Test: Var(u) = 0 chi2(1) = 0.05 Prob > chi2 = 0.8316 . hausman fixed random ---- Coefficients ---- | (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fixed random Difference S.E. -------------+---------------------------------------------------------------- L.lipm | .2018843 .5067967 -.3049124 .0549166 llipmb | .0073142 .0082567 -.0009425 .0014218 lpops | .1163354 .0196624 .0966729 .0657224 jasa | .0031778 .0004765 .0027013 .0012101 ------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 50.66 Prob>chi2 = 0.0000 (V_b-V_B is not positive definite) . *** OLS . . regress lipm L.lipm llipmb lpops jasa Source | SS df MS Number of obs = 85 -------------+------------------------------ F( 4, 80) = 76.14 Model | .332157963 4 .083039491 Prob > F = 0.0000 Residual | .087248162 80 .001090602 R-squared = 0.7920 -------------+------------------------------ Adj R-squared = 0.7816 Total | .419406125 84 .00499293 Root MSE = .03302 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .5067967 .0796148 6.37 0.000 .3483582 .6652353 llipmb | .0082567 .0024567 3.36 0.001 .0033676 .0131458 lpops | .0196624 .0046837 4.20 0.000 .0103415 .0289833 jasa | .0004765 .0003862 1.23 0.221 -.000292 .001245 _cons | 1.894966 .3040794 6.23 0.000 1.289828 2.500103 ------------------------------------------------------------------------------ . est drop fixed random . ** Dynamic Panel I . *** Arelano-Bond Estimator . ***** Without Variance Correction . xtabond lipm llipmb lpops jasa, lags(1) artests(2) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 72 Wald chi2(4) = 144.94 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .1388802 .1051692 1.32 0.187 -.0672477 .3450081 llipmb | .0070684 .0030838 2.29 0.022 .0010243 .0131125 lpops | .1402614 .0736003 1.91 0.057 -.0039925 .2845153 jasa | .0040615 .0014297 2.84 0.004 .0012594 .0068636 _cons | 2.448486 .4862258 5.04 0.000 1.495501 3.401471 ------------------------------------------------------------------------------ Instruments for differenced equation

GMM-type: L(2/.).lipm Standard: D.llipmb D.lpops D.jasa Instruments for level equation Standard: _cons . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| +-----------------------+ H0: no autocorrelation . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid chi2(67) = 60.59804 Prob > chi2 = 0.6962 . ***** With Variance Correction . xtabond lipm llipmb lpops jasa, lags(1) artests(2) vce(r) Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 Number of instruments = 72 Wald chi2(4) = 521.19 Prob > chi2 = 0.0000 One-step results ------------------------------------------------------------------------------ | Robust lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .1388802 .1118001 1.24 0.214 -.080244 .3580044 llipmb | .0070684 .0028114 2.51 0.012 .0015581 .0125787 lpops | .1402614 .0481492 2.91 0.004 .0458908 .234632 jasa | .0040615 .0011038 3.68 0.000 .0018981 .006225 _cons | 2.448486 .4025344 6.08 0.000 1.659533 3.237439 ------------------------------------------------------------------------------ Instruments for differenced equation GMM-type: L(2/.).lipm Standard: D.llipmb D.lpops D.jasa Instruments for level equation Standard: _cons . estat abond artests not computed for one-step system estimator with vce(gmm) Arellano-Bond test for zero autocorrelation in first-differenced errors +-----------------------+ |Order | z Prob > z| |------+----------------| | 1 |-1.9701 0.0488 | | 2 | .37658 0.7065 | +-----------------------+ H0: no autocorrelation . estat sargan Sargan test of overidentifying restrictions H0: overidentifying restrictions are valid cannot calculate Sargan test with vce(robust) chi2(67) = . Prob > chi2 = . . *** Dynamic Unbalance Panel with Bruno (2005) algoritm correction . xtlsdvc lipm llipmb lpops jasa, i(ab) lsdv first Note: Bias correction initialized by Arellano and Bond estimator Arellano-Bond dynamic panel-data estimation Number of obs = 79 Group variable: kab Number of groups = 6 Wald chi2(.) = . Time variable: tahun Obs per group: min = 9 avg = 13.16667 max = 14 One-step results ------------------------------------------------------------------------------ D.lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | LD. | .1388802 .1044657 1.33 0.184 -.0658689 .3436293 llipmb | D1. | .0070684 .0030632 2.31 0.021 .0010647 .0130721 lpops |

D1. | .1402614 .073108 1.92 0.055 -.0030276 .2835504 jasa | D1. | .0040615 .0014201 2.86 0.004 .0012781 .0068449 ------------------------------------------------------------------------------ Sargan test of over-identifying restrictions: chi2(104) = 61.42 Prob > chi2 = 0.9997 Arellano-Bond test that average autocovariance in residuals of order 1 is 0: H0: no autocorrelation z = -4.95 Pr > z = 0.0000 Arellano-Bond test that average autocovariance in residuals of order 2 is 0: H0: no autocorrelation z = 0.16 Pr > z = 0.8711 LSDV dynamic regression ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .2018843 .0967179 2.09 0.037 .0123207 .391448 llipmb | .0073142 .0028385 2.58 0.010 .0017508 .0128776 lpops | .1163354 .0658891 1.77 0.077 -.0128049 .2454757 jasa | .0031778 .0012702 2.50 0.012 .0006882 .0056674 ------------------------------------------------------------------------------ note: Bias correction up to order O(1/T) LSDVC dynamic regression (SE not computed) ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lipm | L1. | .2644353 . . . . . llipmb | .0070863 . . . . . lpops | .0941052 . . . . . jasa | .0030932 . . . . . ------------------------------------------------------------------------------

Lampiran 4. Faktor yang Mempengaruhi IPM di Banten (ln IPM)it = β0 + β1 (ln ykap)it + β2 (ln pops)it + β3 (jasa)it . xtreg lipm lykap lpops jasa,fe Fixed-effects (within) regression Number of obs = 91 Group variable: kab Number of groups = 6 R-sq: within = 0.7798 Obs per group: min = 11 between = 0.8096 avg = 15.2 overall = 0.4657 max = 16 F(3,82) = 96.79 corr(u_i, Xb) = -0.9917 Prob > F = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lykap | .1705295 .0259285 6.58 0.000 .1189495 .2221095 lpops | .2939825 .0332599 8.84 0.000 .2278179 .3601471 jasa | .0002111 .0009938 0.21 0.832 -.001766 .0021881 _cons | 1.797681 .2063941 8.71 0.000 1.387098 2.208265 -------------+---------------------------------------------------------------- sigma_u | .41228391 sigma_e | .02766836 rho | .99551645 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(5, 82) = 41.41 Prob > F = 0.0000 . est sto fixed . *** REM . xtreg lipm lykap lpops jasa,re Random-effects GLS regression Number of obs = 91 Group variable: kab Number of groups = 6 R-sq: within = 0.5571 Obs per group: min = 11 between = 0.8691 avg = 15.2 overall = 0.5598 max = 16 Random effects u_i ~ Gaussian Wald chi2(3) = 68.21 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lykap | .0926908 .0197372 4.70 0.000 .0540066 .1313749 lpops | .0278609 .015874 1.76 0.079 -.0032516 .0589733 jasa | .0042357 .0010097 4.20 0.000 .0022567 .0062147 _cons | 3.677496 .1048051 35.09 0.000 3.472081 3.88291 -------------+---------------------------------------------------------------- sigma_u | .01944864 sigma_e | .02766836 rho | .33069908 (fraction of variance due to u_i) ------------------------------------------------------------------------------ . est sto random . xttest0 Breusch and Pagan Lagrangian multiplier test for random effects lipm[kab,t] = Xb + u[kab] + e[kab,t] Estimated results: | Var sd = sqrt(Var) ---------+----------------------------- lipm | .0058179 .0762751 e | .0007655 .0276684 u | .0003782 .0194486 Test: Var(u) = 0 chi2(1) = 0.98 Prob > chi2 = 0.3218 . hausman fixed random ---- Coefficients ---- | (b) (B) (b-B) sqrt(diag(V_b-V_B)) | fixed random Difference S.E. -------------+---------------------------------------------------------------- lykap | .1705295 .0926908 .0778387 .0168145 lpops | .2939825 .0278609 .2661216 .0292274 jasa | .0002111 .0042357 -.0040247 . ------------------------------------------------------------------------------ b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg Test: Ho: difference in coefficients not systematic chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)

= 117.33 Prob>chi2 = 0.0000 (V_b-V_B is not positive definite) . est drop fixed random . *** FEM . xtreg lipm lykap lpops jasa,fe Fixed-effects (within) regression Number of obs = 91 Group variable: kab Number of groups = 6 R-sq: within = 0.7798 Obs per group: min = 11 between = 0.8096 avg = 15.2 overall = 0.4657 max = 16 F(3,82) = 96.79 corr(u_i, Xb) = -0.9917 Prob > F = 0.0000 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lykap | .1705295 .0259285 6.58 0.000 .1189495 .2221095 lpops | .2939825 .0332599 8.84 0.000 .2278179 .3601471 jasa | .0002111 .0009938 0.21 0.832 -.001766 .0021881 _cons | 1.797681 .2063941 8.71 0.000 1.387098 2.208265 -------------+---------------------------------------------------------------- sigma_u | .41228391 sigma_e | .02766836 rho | .99551645 (fraction of variance due to u_i) ------------------------------------------------------------------------------ F test that all u_i=0: F(5, 82) = 41.41 Prob > F = 0.0000 . ***** Pengujian asumsi homoskedasitas . xttest3 Modified Wald test for groupwise heteroskedasticity in fixed effect regression model H0: sigma(i)^2 = sigma^2 for all i chi2 (6) = 146.40 Prob>chi2 = 0.0000 . ***** Pengujian asumsi autokorelasi . predict y, xb . tsset kab tahun, yearly panel variable: kab (unbalanced) time variable: tahun, 1994 to 2009 delta: 1 year . xtserial y Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation F( 1, 5) = 51.593 Prob > F = 0.0008 . ***** Model untuk mengatasi pelanggaran asumsi homoskedasitas dan autokorelasi . xtpcse lipm lykap lpops jasa, c(a) Prais-Winsten regression, correlated panels corrected standard errors (PCSEs) Group variable: kab Number of obs = 91 Time variable: tahun Number of groups = 6 Panels: correlated (unbalanced) Obs per group: min = 11 Autocorrelation: common AR(1) avg = 15.16667 Sigma computed by casewise selection max = 16 Estimated covariances = 21 R-squared = 0.9907 Estimated autocorrelations = 1 Wald chi2(3) = 190.64 Estimated coefficients = 4 Prob > chi2 = 0.0000 ------------------------------------------------------------------------------ | Panel-corrected lipm | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- lykap | .0710937 .0096387 7.38 0.000 .0522022 .0899851 lpops | .0128044 .0054987 2.33 0.020 .0020271 .0235817 jasa | .001921 .0004391 4.38 0.000 .0010604 .0027815 _cons | 3.902566 .037324 104.56 0.000 3.829412 3.97572 -------------+---------------------------------------------------------------- rho | .5881015 ------------------------------------------------------------------------------ . drop y . *** OLS . regress lipm lykap lpops jasa

Source | SS df MS Number of obs = 91 -------------+------------------------------ F( 3, 87) = 39.62 Model | .302331423 3 .100777141 Prob > F = 0.0000 Residual | .221279351 87 .002543441 R-squared = 0.5774 -------------+------------------------------ Adj R-squared = 0.5628 Total | .523610774 90 .005817897 Root MSE = .05043 ------------------------------------------------------------------------------ lipm | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- lykap | .058983 .0093625 6.30 0.000 .0403741 .0775919 lpops | .0170311 .0066014 2.58 0.012 .0039102 .030152 jasa | .0016776 .0005486 3.06 0.003 .0005871 .0027681 _cons | 3.907054 .0470099 83.11 0.000 3.813617 4.000491 ------------------------------------------------------------------------------ . exit, clear

Lampiran 5. Share Sektor Jasa Terhadap PDRB

Lampiran 6. IPM Kabupaten dan Kota di Provinsi Banten

Lampiran 7. Jumlah Populasi Kabupaten dan Kota di Banten

Lampiran 8. PDRB Kabupaten dan Kota di Banten