Jurnal Manajemen Agribisnis

Vol.11, No.2, Oktober 2023

E- ISSN: 2684-7728

Pengaruh Belanja Langsung untuk Sektor Pertanian dan Tenaga Kerja Terserap Terhadap Pertumbuhan Ekonomi dan Tingkat Kemiskinan di Provinsi Sumatera Barat

The Effect of Direct Expenditure for Agriculture Sector and Absorbed Labor on Economic Growth and Poverty Levels in Sumatera Barat Province

Serly Deranti 1*) Harianto 2) Ma’mun Sarma 3)

1) Mahasiswa Magister Program Studi Manajemen Pembangunan Daerah, Institut Pertanian Bogor, Jawa Barat, Indonesia

2,3) Dosen Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor, Jawa Barat, Indonesia

*)Email: sderanti@gmail.com

ABSTRACT

As one of the basic sectors in Sumatera Barat Province is agricultural sector contributes to the highest GRDP and employment absorption every year. This study aims to explain the effect of direct spending of the agricultural sector and absorbed labor on economic growth and poverty rates in Sumatera Barat Province. This study uses secondary data from 19 (nineteen) regencies/cities in West Sumatra Province from 2015 to 2020 which consist of data on the realization of direct expenditure budgets on agricultural sector SKPD (DPTPH, DPKH, DKP, and the Food Service), the number of workers absorbed agricultural sector, economic growth rate, and poverty rate. This secondary data comes from BPS and BPKAD of Sumatera Barat Province. The data analysis method used is path analysis with panel data. The following results were obtained is; 1) Direct spending on agricultural sector has a significant and positive correlation with economic growth and poverty rates; 2) The number of workers absorbed does not significantly affect either economic growth or the poverty rate; 3) The dummy variable between districts or cities has a significant effect on the poverty rate but does not significantly affect economic growth, and 4) Economic growth has a significant and positive correlation with the poverty rate. Researchers suggest that it is important for the government to evaluate agricultural development programs, especially those related to poverty reduction.

Keywords: Direct Expenditure, Economic Growth, Poverty Levels, Agriculture, Path Analysis

ABSTRAK

Sebagai salah satu sektor basis dalam perekonomian, sektor pertanian berkontribusi menyumbang PDRB dan penyerapan terhadap tenaga kerja tertinggi setiap tahun di Provinsi Sumatera Barat. Tujuan dari penelitian ini yaitu menjelaskan pengaruh dari belanja langsung untuk sektor pertanian tenaga kerja terserap dan dummy variable

kabupaten/kota terhadap pertumbuhan ekonomii serta tingkat kemiskinan di Provinsi Sumatera Barat. Jenids data yang digunakan pada penelitian ini yaitu data sekunder yang merupakan daata panel dari 19 (sembilan belas) kabupaten/kota yang ada di Provinsi Sumatera Barat pada tahun 2015-2020, yang terdiri dari data realisasi anggaran belanja langsung pada SKPD sektor pertanian (DPTPH, DPKH, DKP, dan Dinas Pangan), jumlah tenaga kerja terserap, tingkat pertumbuhan ekonomi, dan tingkat kemiskinan. Data sekunder ini bersumber dari BPS dan BPKAD Provinsi Sumatera Barat. Metode analisis datanya yaitu analisis jalur dengan data panel. Dari penelitian ini, didapatkan hasil ; 1) Belanja langsung untuk sektor pertanian memengaruhi secara signifikan dan berkorelasi positif terhadap pertumbuhan ekonomi dan tingkat kemiskinan ; 2) Jumlah tenaga kerja terserap tidak berpengaruh secara signifikan baik terhadap pertumbuhan ekonomi maupun tingkat kemiskinan; 3) Variabel dummy antara kabupaten atau kota berpengaruh signifikan terhadap tingkat kemiskinan namun tidak mempengaruhi secara siginfikan terhadap pertumbuhan ekonomi, dan 4) Pertumbuhan ekonomi mempengaruhi secara signifikan dan berkorelasi positif terhadap tingkat kemiskinan. Peneliti menyarankan penting bagi pemerintah untuk mengevaluasi program-program pengembangan pertanian khususnya terkait penurunan kemiskinan.

Kata Kunci: Pertumbuhan Ekonomi, Belanja Langsung, Tingkat Kemiskinan, Pertanian, Analisis Jalur

PENDAHULUAN

Peran strategis sektor pertanian dalam pembangunan ekonomi adalah sebagai mesin penggerak dan sektor andalan pertumbuhan ekonomi sebab sektor pertanian merupakan pekerjaan pokok bagi sejumlah besar penduduk Indonesia. Peran strategis lainya yaitu sebagai penyumbang devisa, bahan baku industri, sumber pangan utama dan cukup tahan dalam menghadapi krisis ekonomi dan gejolak moneter, hal ini karena produksi yang berbasis pada sumber daya lokal. Keunggulan lain dari sektor pertanian yaitu sebagai salah satu sektor utama yang penghasil bahan baku atau input bagi sektor industri (Laitupa, 2015).

Tabel 1. Kontribusi sektorr pertanian terhadap PDRB dan penyerapan tenaga kerja di Provinsi Sumatera Barat Pada Tahun 2016 - 2020

Tahun

PDRB (dalam juta rupiah)

Jumlah TenagaA KerjaA

Sektor Pertanian

Total

Persentase

Sektor Pertanian

Total   Persentase

2016

47.172.981

196.099.176

24.06

855.583

2.347.911

36,44

2017

50.492.015

213.889.860

23,61

824.649

2.344.972

35,17

2018

53.388.370

230.528.812

23,17

845.173

2.480.405

34,07

2019

54.487.370

245.982.643

22,15

858.516

2.540.040

33,80

2020

54.196.737

242.118.758

22,38

935.132

2.581.824

36,22

Sumber: BPS (2021)

Sebagai salah satu sektor basis ekonomi di Provinsi Sumatera Barat, sektor pertanian berkontribusi dalam menyumbang PDRB terbesar setiap tahunnya. Kontribusi lain sektor pertanian yaitu dalam penyerapan tenaga kerja khususnya tenaga kerja pada wilayah kabupaten. Tabel 1 menunjukkan besarnya kontribusi sektor pertanian terhadap PDRB dan

penyerapan tenaga kerja di Provinsi Sumatera Barat.

Gambar 1 menunjjukan laju pertumbuhan ekonomi di Provinsi Sumatera Barat. Pada gambar meemperlihatkan perkembangan pertumbuhan ekonomi Sumatera Barat dari tahun 2016-2020 cenderung melambat kecuali pada tahun 2017 (terlihat dari pada garis liner pada grafik). Perlambatan terbesar terjadi pada tahun 2020 yang merupakan dampak dari pandemi. Walaupun laju pertumbuhan ekonomi Sumatera Barat selama lima tahun ini memperlihatkan tren yang melambat namun masih diatas pertumbuhan ekonomi nasional.

Gambar 1. Laju pertumbuhan ekonomi Provinsi Sumatera Barat dan Indonesia tahun 2016-2020

Sumber: BPS, 2021

Indikator lain untuk mengukur keberhasilan pembangunan suatu daerah yaitu tingkat kemiskinan, karena dari tingkat kemiskinan mencerminkan tingkat kesejahteraan masyarakatnya. Mewujudkan masyarakat yang sejahtera pada dasarnya merupakan tujuan dari pembangunan daerah, begitu juga halnya dengan pemerintah Provinsi Sumatera Barat. Tingkat kemiskinan digambarkan dengan persentase jumlah penduduk miskin. Gambar 2 memperlihatkan tingkat kemiskinan Provinsi Sumatera Barat. Pada Gambar terlihat tahun 2015 hingga 2020 mengalami penurunan, kecuali pada bulan Maret 2016). Pada Maret 2020, tingkat kemiskinan Provinsi Sumatera Barat adalah 6,28 persen. Selama kurun waktu 2015-2020 ini tingkat kemiskinan di Provinsi Sumatera Barat selalu di bawah tingkat kemiskinan nasional.

Gambar 1. Tingkatt Kemiskinan di Indonesia dan Provinsi Sumatera Barat Tahun 2015-2020

Sumber: Indikator Strategis Provinsi Sumatera Barat, 2019

Belanja langsung dan belanja tidak langsung adalah belanja pemerintah daerah yang diharapkan dapat meningkatkan pertumbuhan ekonomi dan mengatasi masalah kemiskinan. Alokasi anggaran pengeluaran daerah merupakan alat intervensi yang pang efektif untuk memacu kegiatan perekonomian. Belanja daerah dikelompokkan berdasarkan Permendagri Nomor 13 Tahun 2006 tentang Pedoman Pengelolaan Keuangan Daerah, yaitu 1) Belanja langsung yaitu alokasi anggaran berkaitan langsung dalam pelaksanaan program dan kegiatan; dan 2) Belanja tidak langsung yaitu alokasi pengeluaran pemerintah daerah yang berkaitan tidak secara langsung dalam pelaksanaan program dan kegiatan.

Setyanto et al. 2018 menyatakan bahwa pembangunan ekonomi pada negara atau daerah yang sedang berkembang dapat dilakukan dengan menetapkan sektor unggulannya karena sektor unggulan akan memberikan dampak terhadap sektor-sektor ekonomi lainnya baik yang bersifat forward linkage maupun backward linkage, sehingga akan berimplikasi terhadap perekonomian wilayah dan percepatan pertumbuhan ekonomi. Dengan alokasi anggaran yang sama, maka nilai tambah yang dihasilkan oleh sektor unggulan tersebut dapat lebih besar terhadap perekonomian. Cahyani et al.(2021) menyatakan bahwa setiap daerah perlu menentukan sektor unggulannya karena perbedaan karakter, pentingnya melakukan identifikasi dan klasifikasi terhadap sektor-sektor ekonomi daerah yaitu untuk mengetahui sektor basis perekonomian (unggulan), sedang berkembang, sektor yang bersifat potensial untuk dikembangkan, dan yang tertinggal. Pengembangan perekonomian daerah dapat dilakukan dengan menentukan sektor prioritas berdasarkan identifikasi tersebut. Penetapan sektor unggulan dapat dianalisis dengan menggunakan adalah metode Location Quotient (LQ). Hasil perhitungan LQ rata-rata tahun 2015-2019 sektor pertanian di Provinsi Sumatera Barat Tahun 2015-2019 yaitu (1,73), yang artinya sektor pertanian merupakan sektor berpotensi untuk pembangunan daerah (BPS 2021).

Gafar dalam (Sendow et al. 2018) menyatakan kemiskinan tidak dapat digambarkan oleh pertumbuhan ekonomii yang terjadi atau tingkat kemiskinan yang terjadi dipengaruhi

oleh pertumbuhan ekonomi suatu daerah, namun tidak dapat menggambarkan bagaimana kemiskinan tersebut terjadi dan dipengaruhi. Pertumbuhan ekonomi yang terus terjadi tidak langsung dapat dijadikan sebagai acuan berkurangnya tingkat kemiskinan, namun bagi pemerintah daerah dapat dijadikan sebagai indikator untuk mengontrol kemiskinan. Penelitian ini melihat bagaimana pengaruh alokasi belanja langsung untuk sektor pertanian dan tenaga kerja terserap terhadap tingkat pertumbuhan ekonomi dan tingkat kemiskinan di provinsi Sumatera Barat.

METODOLOGI PENELITIAN

Jenis dan Sumber Data

Jenis data yang pada penelitian ini yaitu data panel dari 19 (sembilan belas) kabupaten/kota di Provinsi Sumatera Barat pada tahunn 2016-2020 yang terdiri 1) data realisasi anggaran belanja langsung untuk sektor pertanian; 2) jumlah tenaga kerja terserap pada sektorr pertanian; 3) pertumbuhan ekonomi; dan 4) tingkat kemiskinan. Sumber data pada penelitian ini adalah laporan pertanggungjawaban Bupati/Walikota (BKAD) dan BPS Provinsi Sumatera Barat.

Metode Analisis Data

Metode analisis data pada penelitian ini yaitu analisis jalur (path analysis) dengan data panel. Data panel adalah data yang menggabungkan antara data seksi silang dan runtut waktu (Winarno 2009), sedangkan model analisis jalur adalah analisiss regresi linier berganda yang dikembangkan, dimana hubungan sebab akibat hipotetikal dalam seperangkat variabel lebih dapat diestimasi tingkat kepentingan dan signifikansinya (Webley 1997 cit Pardede dan Manurung 2014). Pola hubungan antara variabel dependen terhadap variabel independen, baik pengaruh langsung maupun pengaruh tidak langsung yang dapat diketahui melalui analisis jalur, serta dapat juga dilakukan pengujian terhadap variabel intervening. Penelitian ini menggunakan program Stata 13.0 sebagai alat analisa datanya.

Berikut langkah kerja metode analisis jalur dengan menggunakan data panel:

  • a)    Melakukan estimasi regresi dengan tiga pendekatan

Tahap pertama dalam metode analisis yaitu mengestimasi model regresi masing-masing substruktur persamaan dengan tiga model penduga, berikut penjelasan masing-masing:

  • 1.    Common Effect Model (CEM)

CEM yaitu estimasi regresi dari model data panel yang paling sederhana, dimana dalam pengkombinasian dari data cross section dan time series, CEM tidak memperhatikan dimensi individu dan waktu karena mengasumsikan bahwa dengan berbagai kurun waktu yang berbeda perilaku data sifatnya sama.

  • 2.    Fixed Effect Model (FEM)

FEM yaitu modell penduga yang mengestimasi regresi dari data panel menggunakan asumsi bahwa perbedaan antar data pada data panel dapat terkomodasi dengan

perbedaan pada intersepnya. Teknik variable dummy digunakan dalam mengestimasi perbedaan intersep pada data panel dengan FEM ini. Model Least Squares Dummy Variable (LSDV) sering juga dinyatakn sebagai nama lain dari estimasi fixed effect model.

  • 3.    Random Effect Model (REM)

REM adalah pendekatan model penduga pada estimasi regresi data panel yang ketiga. Pengestimasian data panel dengan REM adalah terdapat berhubungan antar daerah dan antar waktu dari variabel gangguan. Keuntungan yang didapatkan ketika menggunakan REM yaitu hilangnya pengaruh dari gejala heteroskedastisitas. Generalized Least Square (GLS) merupakan metode untuk melakukan estimasi REM dengan mengasumsikan bahwa model bersifat homokedastisitas dan tidak ada cross sectional correlation.

  • b)    Memilih metode estimasi model regresi terbaik

Setelah melakukan estimasi regresi terhadap ketiga model pada masing-masing substruktur persamaan, kemudian dilakukan pemilihan model data panel yang terbaik menggunakan beberapa uji sebagai berikut, yaitu:

  • 1.    Uji F Statistik (Chow test)

Uji Chow merupakan pengujian yang menggunakan Uji F-Statistik merupakan pengujian untuk mengetahui apakah estimasi model tanpa variabel dummy (CEM) lebih baik daripada regresi data panel dengan FEM dengan melihat sum of residuals (RSS). Uji F-Statistik digunakan dalam pengambilan hipotesis yaitu jika nilai F-hitung yang dari pengujian yang dilakukan lebih kecil dari nilai F-kritis maka dapat diambil kesimpulan terima hipotesis nul yang artinya CEM adalah model penduga lebih baik dari FEM. Hipotesis yang digunakan yaitu:

H0: CEM lebih baik dari FEM

H1: FEM lebih baik dari CEM

  • 2.    Uji Hausman

Uji Hausman dilakukan jika hasil uji Chow menunjukkan bahwa fixed effect model adalah model yang lebih baik. Uji Hausman menggunakan ujii statistik yang mengikuti distribusi statistik chi-square dengan jumlah variabel bebas sebagai derajat kebebasannya (df). Jika nilai statistik chi-square yang didapatkan pada pengujian lebih kecil dari nilai krisis maka kesimpulanya adalah terima hipotesis nul yang artinya REMl adalah model yang lebih baik Hipotesis yang digunakan yaitu:

H0: REM lebih baik dari FEM

H1: FEMlebih baik dari REM

  • 3.    Uji Lagrange Multiplier

Jika hasil pengujian dari uji Hausman menunjukkan bahwa REM merupakan model yang lebih baik, maka dilanjutkan uji selanjutnya yaitu uji lagrange multiplier. Pengujian agrange multiplier ini dilakukan untuk memilih apakah CEM lebih baik jika dibandingkan REM. Uji lagrange multiplier menggunakan distribusi chi-square dengan jumlah variabel independen sebagai derajat bebasnya (df). Jika nilai statistik

lagrange multiplier yang didapatkan lebih besar dari nilai krisis maka kesimpulanya adalah enolak hipotesis nul, artinya model bahwa REM merupakan model yang lebih baik. Hipotesis yang digunakan yaitu:

H0: CEM lebih baik dari REM

H1: REM lebih baik dari CEM

  • c)    Melakukan uji asumsi klasik

Setelah pengujian dilakukan dan didapatkan model penduga terbaik untuk regresi data panel, maka dilanjutkan dengan melakukan uji asumsi klasik yang terdiri dari uji multikolinieritas, uji heteroskedastisitas, uji normalitas dan uji autokorelasi.

  • 1.    Uji Multikolinieritas

Tujuan dari pengujian multikolinearitas pada sebuah model regresi yaitu melihat apakah antara setiap variabel bebas (independen) terdapat hubungan relasi atau korelasi. Hubungan antara variabel harus dihindari karena apabila terdapat hubungan diantara variabel bebas dalam penelitiann menyebabkan model estimasi yang digunakan menjadi tidak baik (Ghozali, 2012). Nilai variance inflation factor (VIF) yang tinggi atau nilai tolerance (1/VIF) digunakan untuk melihat apakah antara variabel bebas adanya hubungan atau tidak. Jika nilai 1/VIF < 0,8 atau nilai VIF < 10 maka dapat diambil kesimpulan tidak ada gejala multikolinearitas.

  • 2.    Uji Heteroskedastisitas

Pengujian heteroskedasitas mempunyai tujuan untuk melihat apakah antara residual satu pengamatan ke pengamatan lain dalam suatu model menunjukkan gejala ketidaksamaan pada varian. Homokedastisitas pada model terjadi jika varian dari residual antar pengamatan tersebut bernilai tetap. Model regresi yang baik yaitu bersifat homokedastisitas dan tidak mengalami heteroskedastisitas (Nachrowi 2008). Breusch-Pagan merupakan salah satu metode untuk melacak keberadaan heterokedastisitas. Hipotesis pada pengujian heteroskedatisitas yaitu:

  • H0: Model tidak terdapat heteroskedastisitas

  • H1: Terdapat heteroskedastisitas pada model

Jika nilai probabilitas z > 0,05 maka signifikan dan H0 diterima dan sebaliknya H0 ditolak jika nilai probabilitass z < 0,05 (atau tidak signifikan). Pada regresi data panel, uji heteroskedastisitas hanya dilakukan jika model terpilih adalah CEM atau FEM. Uji heteroskedastisitas tidak dilakukan pada model yang terpilih REM, karena REM merupakan generalized least square/GLS yang salah merupkan salah satu cara untuk mengatasi BLUE.

  • 3.    Uji Normalitas

Tujuan dari pengujian normalitas yaitu untuk melihat apakah variabel bebas, variabel terikat, atau keduanya terdistribusi mendekati normal (Gujarati 2006). Pengujian normalitas dapat menggunakan dengan uji shapiro-wilk W test.

  • 4.    Uji Autokorelasi

Data panel adalah model regresi menggunakan merupakan model regresi yang

menggabungkan antara data cross section dan data time series. Basuki dan Prawoto (2015) menyatakan bahwa walaupun terdapat data time series pada model yang menggunakan data panel, namun bukan merupakan time series murni. Uji autokorelasi yang pada data yang bukan time series murni tidak mempunyai arti dan hanya akan sia-sia. Oleh sebab itu, dalam penelitian pengujian autokorelasi tidak dilakukan

  • d)    Analisis Jalur

Metode regresi dengan analisis jalur digunakan untuk menguji hubungan sebab akibat antara variabel dependen dan variabel independent, serta melihat berapa besarnya pengaruh kausal tidak langsung, kausal langsung, kausal total dan pengaruh simultan dari seperangkat variabel eksogen terhadap variabel endogen (Sugiyono 2013). Analisis jalur merupakan teknik analisis model regresi berganda yang melihat hubungan sebab akibat antara variabel terikat yang dipengaruhi oleh variabel bebas baik pengaruh langsung maupun tidak langsung (Retherford (1993) cit Pardede dan Manurung 2014). Persamaan path analysis pada penelitian menggunakan dua persamaan yang terdiri atas variabell dependen, variabel independent, dan variabel mediasi/intervening. Variabel dependen terdiri dari pertumbuhan ekoenomi dan tingkat kemiskinan, variabel independent terdiri dari belanja langsung untuk sektor pertanian dan tenaga kerja terserap, sedangkan pertumbuhan ekonomi sebagai variabel mediasinya. Gambar 3 menunjukkan model analisis jalur pada penelitian.

Gambar 3. Model analisis jalur Sumber: Data primer diolah, 2022

Penelitian ini menggunakan dua persamaan, yaitu:

  • 1)    Substruktur persamaan 1

Melihat pengaruh variabel belanja langsung sektor pertaniann (X1), tenaga kerja terserap sektor pertanian (X2), dan variabel dummy kabupaten/kota (X3) terhadap pertumbuhan ekonomi (Y1).

Yiit = a o + a ι Xiit + a 2 X2it + a 3 X3it + μ1.................(1)

  • 2)    Substruktur persamaan 2

Melihat pengaruh langsung dari variabel pertumbuhan ekonomi (Y1), variabel belanja langsung sektor pertaniann (X1), tenaga kerja terserap sektor pertanian (X2), dan variabel dummy kabupaten/kota (X3) terhadap tingkat kemiskinan (Y2).

Y2it = βo + βι Xiit + β2X2it + β3 X3it + β4 Yiit + μ2..............(2)

dimana:

X1it =belanja langsung sektor pertanian

X2it =tenaga kerja terserap sektor pertanian

X3it = variabel dummy kabupaten atau kota

  • Y1 it = pertumbuhan ekonomi

  • Y2 it = tingkat kemiskinan

  • e)    Melakukan uji hipotesis

  • 1)    Uji F

Nazaruddin dan Basuki (2015) menyatakan bahwa tujuan dilakukan penguian model dengan uji F yaitu untuk menguji apakah secara keseluruhan variabel bebas berpengaruh signifikan secara simultan terhadap variabel terikat. Hasil uji F dapat dilihat pada tabel ANOVA, jika nilai signifikansi < a, maka didapatkan kesimpulkan yaitu variabel bebas memengaruhi variabel terikat secara simultan.

  • 2)    Uji Koefisien Determinasi (r2)

Tujuan dari uji ini yaitu untuk dapat melihat besarnya kemampuan variabel bebas secara bersamaan memengaruhi dan menerangkan perubahan variasi variabel terikat. Koefisien determinasi ditentukan dengan melihat nilai r2. Penginterpretasian berapa besarnya pengaruh variabel dependen terhadap variabel independent pada model, maka nilai koefisien determinasi terlebih dahulu dijadikan kedalam bentuk persentase (Ghozali 2006). Pengaruh lain dijelaskan oleh variabel diluar model sebesar nilai seratus persen dikurangi persentase nilai koefisien determinasi yang dihasilkan.

  • 3)    Uji t

Tujuan dilakukan uji t adalah untuk melihat apakah secara parsial setiap variabel bebasi memengaruhi variabel dependen (Ghozali 2018). Jika nilai signifikansi pltl < a yang ditetapkan maka kesimpulanya variabel independent memengaruhi variabel dependen secara parsial, dan sebaliknya. Koefisien regresi menjelaskan arah dan besarnya pengaruh parsial variabel bebas terhadap variabel terikat pada model.

HASIL DAN PEMBAHASAN

  • 1.    Substruktur Persamaan 1

Tahap pertama pada model regresi data panel yaitu melakukan estimasi regresi terhadap tiga model penduga yaitu CEM, FEM, dan REM. Dari hasil estimasi yang sudah dilakukan, kemudian dilakukan pemilihan untuk menentukan model terbaik. Hasil dari uji untuk pemilihan model yaitu:

  • a.    Pemilihan Model Penduga

  • 1)    Uji Chow

Untuk mendapatkan pilihan model penduga yang terbaik antara CEM dan FEM maka dilakukan uji Chow. Dari hasil pengujian didapatkan nilai probabilitas F = 0,2443. Nilai probabilitas F yang diperoleh lebih besar dari α 5% (0,2443 > 0,05), maka dapat diambil kesimpulan terima H0yang artinya bahwa model penduga CEM adalah lebih baik. Karena dari hasil pengujian menunjukkan CEM merupakan model penduga terbaik maka pengujian selanjutnya tidak dilakukan.

  • b.    Uji Asumsi Klasik

Setelah ditentukan common effect model sebagai model penduga terbaik, maka dilakukan pengujian asumsi klasik. Uji asumsi klasik bertujuan memberikan kepastian terhadap ketepatan konsisten, estimasi dan ketidakbiasan pada persamaan regresi yang didapatkan.

  • 1.    Uji Normalitas

Nilai probabiltas > z dari uji normalitas yang didapatkan yaitu Y1= 0,00000, X1=0,00008, X2=0,00000 dan X3=0,9241. Artinya bahwa Y1, X1, dan X2 terdistribusi tidak normal, sedangkan X3 terdisktibusi normal. Pada dasarnya uji normalitas tidak merupakan syarat BLUE (best linier unbiased estimator). Menurut Ghasemi dan Zahediasl (2012) pelanggaran terhadap terjadinya asumsi normalitas pada model dengan jumlah ukuran sampel yang besar (> 30), tidak akan menyebabkan munculnya masalah yang besar, artinya prosedur parametrik tetap dapat digunakan bahkan ketika data terdistribusi tidak normal. Kita dapat mengabaikan distribusi data jika memiliki sampel yang besar.

  • 2.    Uji Multikolinearitas

Multikolinearitas dapat terjadi pada suatu model jika nilai VIF yang dihasilkan bernilai lebih besar dari 10 (sepuluh). Zaenuddin (2015) menyatakan bahwa semakin tinggi koefisien estimasi VIF variabel independen pada suatu model maka dampak multikolinearitas yang ditimbulkan akan semakin berat. Hasil pengujian didapatkan nilai VIF setiap variabel dependen adalah sebagai berikut X1= 4,98, X2=9,36 dan X3=9,77. Dari nilai VIF tersebut terlihat bahwa semua nilai variabel dependen pada model lebih kecil dari 10 (< 10), sehingga kesimpulan dari pengujiannya adalah tidak terlihat ada gejala multikolinearitas pada semua variabel yang diamati.

  • 3.    Heteroskedasititas

Tujuan pengujian ini yaitu melihat apakah terjadi perbedaan varian residual pada suatu periode pengamatan ke periode pengamatan lain. Uji heteroskedastisitas dapat dilihat berdasarkan sebaran grafik variabel bebas dengan residual (unstandardized residual). Didapatkan hasil bahwa nilai residual berada disekitar garis mendatar secara acak. Heteroskedastsitas pada regresi tidak terjadi ketika titik-titik data penelitian menyebar berada di bawah dan di atas sekitar angka nol, tidak mengumpul, tidak membuat sebuah pola, seperti pola gelombang, melebar, dan menyempit atau penyebaranya tidak berpola (Sujarweni 2015). Nilai Prob>chi2 yang didapatkaSn adalah 0,0000 kecil dari α=0.05 (0.0000 < 0.05) sehingga dapat kesimpulanya adalah data dalam penelitian terjadi gejala heteroskedastisitas. Untuk mengatasi BLUE yang disebabkan heteroskedastisitas dilakukan perbaikan dengan metode Generalized Least Squares (GLS). Setelah data bebas dari BLUE didapatkan hasil estimasi model regresi yang bersifat homoskedasitas dan tidak terdapat autokorelasi.

  • c.    Estimasi Model Regresi Substruktur Persamaan 1

Hasil estimasi substruktur persamaan 1 terlihat pada Tabel 3.

Tabel 1. Estimasi Model Substruktur Persamaan 1

Variabel

Koefisien

Std. Eror

t-Statistic

P>ltl

konstanta

2,819

0,543

5,19

0,000

X1

1,410

2,710

5,20

0,000*

X2

-0,00001

0,000

-1,02

0,309

X3

-1,019

1,004

-1,01

0,313

R-Squaredd

0,2167

Prob (F-Statistic)

0,0000*

Sumber: Data primer diolah, 2022

Dari hasil estimasi regresi substruktur 1 dapat ditulis sebagai berikut:

  • Y1it = 2,819 + 1,410 X 1it- 0,00001 X2 it – 1,019X3 it + 78,33

Dimana:

  • X1 = Belanja langsung sektor pertanian

X2 = Tenaga kerja terserap sektor pertanian

X3 = Dummy variabel kabupaten atau kota

Y1 = Pertumbuhan ekonomi

it = Kabupaten/kota ke i tahun ke t

R-square merupakan nilai yang menunjukkan berapa besar pengaruh yang diberikan dari keseluruhan variabel bebas pada suatu model regresi terhadap variabel terikatnya. Nilai R-square berkisar antara 0-1, dimana menunjukkan seberapa besar gabungan dari variabel independent secara bersamaan dalam memengaruhi nilai variabel dependen. Berdasarkan estimasi didapatkan nilai R-Squared 0,2167, artinya pertumbuhan ekonomi di Provinsi Sumatera Barat dapat dijelaskan variabel bebas secara bersamaan sebesar 21,67 persen dan sisanya sebesar 88,33 persen dijelaskan oleh faktor selain variabel bebas dalam model. Nilai signifikansi uji F diperoleh nilai Sig. (F-Statistic) yaitu 0,0000, dimana nilai F-Stattistik ini lebih kecil dari α=1% (0,0000 < 0,01), maka kesimpulanya terima H0, arti variabel bebas secara simultan dapat berpengaruh signifikan terhadap variabel terikat pada taraf nyata 1%.

Uji t-Statistik adalah jenis uji model statistik yang digunakan untuk mengetahui pengaruh dari variabel independent pada suatu model terhadap variabel dependen secara individual atau parsial. Pengaruh dari setiap variabel-variabel bebas terhadap variabel terikat dapat diketahui dari nilai Sig. (t-statistic), apabila nilai Sig. yang diperoleh pada estimasi lebih kecil dari nilai α, maka disimpulkan bahwa variabel bebas tersebut dapat memengaruhi secara signifikan terhadap variabel bebas. Hasil uji t-statistik dijelaskan dibawah ini:

  • 1.    Pengaruh Belanja Langsung Sektor Pertanian Terhadap Pertumbuhan Ekonomi

Pada Tabel 3 terlihat bahwa nilai t-statistik variabel X1 (belanja langsung sektor pertanian) yaitu 0,000 atau nilai t-statistik lebih kecil dari nilai α=1% (0,000 < 0,01) yang berarti variabel independen belanja langsung pada sektor pertanian secara parsial memengaruhi secara signifikan terhadap pertumbuhan ekonomi di Provinsi Sumatera

Barat. Besarnya nilai dari koefisien X1 yaitu 1,410, artinya peningkatan seratus juta belanja langsung pada sektor pertanian akan meningkatkan pertumbuhan ekonomi sebesar 1,410 persen. Merujuk pada penelitian Pangerang et al. 2022) yang menyimpulkan bahwa pengeluaran yang dialokasi oleh pemerintah untuk sektor pertanian di Kabupaten Luwu berpengaruh signifikan dan berkorelasi positif terhadap pertumbuhan ekonomi. Hasil penelitian Dkhar dan De (2018) juga menunjukkan bahwa alokasi pengeluaran pemerintah (belanja publik) untuk pertanian dapat menyebabkan peningkatan PDRB yang tentu saja akan meningkatkan pertumbuhan ekonomi. Pengembangan sektor pertanian dikenal sebagai penggerak pertumbuhan ekonomi, 0leh karena itu, pemerintah harus meningkatkan belanja sektor pertanian dan sektor terkait yang memperkuat hubungan antara segmen yang berbeda melalui rantai nilai. Ini akan menciptakan peluang pendapatan yang akan mengarah pada pembangunan ekonomi negara. Awokuse (2015) menyatakan bahwa pertanian kontribusi potensial terhadap pertumbuhan ekonomi dan pembangunan pertanian merupakan prasyarat untuk industrialisasi. Hasil dari analisis empiris memberikan bukti kuat yang menunjukkan bahwa pertanian merupakan mesin pertumbuhan ekonomi, dan menyarankan peningkatan alokasi sumber daya publik dan swasta untuk riset pertanian dan pengembangan infrastruktur. Penelitian Chandio et al.( 2016) menyimpulkan bahwa anggaran yang dialokasikan oleh Pemerintah Pakistan untuk sektor pertanian berdampak positif bagi perekonomian dan pertumbuhan pertanian.

  • 2.    Pengaruh Tenaga Kerja Terserap pada Sektor Pertanian Terhadap Pertumbuhan Ekonomi

Pada Tabel 3 terlihat bahwa nilai t-statistik variabel X2 (tenaga kerja terserap) yaitu 0,309 atau nilai t-statistik lebih besar dari nilai α=5% (0,309 > 0,05) yang artinya bahwa variabel tenaga kerja terserap pada sektor pertanian tidak memengaruhi signifikan secara parsial terhadap pertumbuhan ekonomi di Provinsi Sumatera Barat.

  • 3.    Pengaruh Dummy Variable Kabupaten atau Kota Terhadap Pertumbuhan Ekonomi Pada Tabel 3 terlihat bahwa nilai t-statistik variabel dummy X3 yaitu 0,313 atau lebih besar dari nilai α=5% (0,313 > 0,05) yang berarti kabupaten atau kota secara parsial tidak memengaruhi secara signifikan terhadap pertumbuhan ekonomi di provinsi Sumatera Barat. Hasil regresi menunjukkan bahwa tidak ada perbedaan yang nyata pengaruh wilayah kabupaten maupun daerah kota terhadap pertumbuhan ekonomi, hal ini dikarenakan sektor pertanian baik di kota maupun kabupaten di Provinsi Sumatera Barat masih merupakan sebagai sektor unggulan yang menyerap banyak tenaga kerja.

  • 2.    Substruktur Persamaan 2

Setelah dilakukan regresi persamaan dengan tiga model penduga yaitu CEM, FEM dan REM, dari hasil analisis tersebut kemudian dilakukan pemilihan model. Pemilihan model penduga terbaik menggunakan uji Chow, uji Hausman dan uji Lagrange Multiplier, berikut hasil pengujiannya:

  • a.    Pemilihan Model Penduga Terbaik

  • 1.    Uji Chow

Dari hasi uji Chow didapatkan nilai probabilitas F=0,000 lebih kecil dari α=5% (0,000 < 0,05), maka diambil kesimpulan tolak H0, sehingga FEM lebih baik dari pada CEM.

Karena dari hasil pengujian dilakakukan menunjukkan bahwa FEM lebih baik, maka dilanjutkan dengan Uji Hausman.

  • 2.    Uji Hausman

Dari hasi uji Hausman didapatkan nilai probabilitas pada chi2=0,5209, dimana nilai probabilitas hasil pengujian ini lebih besar dari α=5% (0,5209 > 0,05), maka diambil kesimpulan terima H0, sehingga REM lebih baik dari FEM. Karena pengujian menunjukkan FEM lebih baik, maka dilakukan uji selanjutnya yaitu Uji LM.

  • 3.    Uji LM

Dari hasi uji LM didapatkan nilai probabilitas pada chibar2=0,000 lebih kecil dari α=5% (0,0000 < 0,05), maka diambil kesimpulan tolak H0, sehingga REM lebih baik dari pada CEM.

  • b.    Uji Asumsi Klasik

Setelah model penduga terbaik sudah ditentukan maka dilakukan pengujian asumsi klasik pada model. Sama halnya dengan substruktur persamaan 1, maka substruktur persamaan 2 ini juga dilakukan uji asumsi klasik seperti yang dijelaskan dibawah ini;

  • 1.    Uji Normalitas

Dari pengujian yang dilakukan, didaptakan nilai probabiltas>z yaitu Y1= 0,00000, X1=0,00008, X2=0,00000 X3=0,92416, dan Y1=0,00000. Artinya bahwa Y2, X1, X2 dan Y1 terdistribusi tidak normal, sedangkan X3 terdistibusi normal. Uji normalitas pada persamaan dengan sampel yang berukuran besar (>40) dapat diabaikan.

  • 2.    Uji Multikolinearitas

Dari pengujian yang dilakukan didaptkan nilai VIF setiap variabel adalah sebagai berikut X1= 5,82, X2=9,33, X3=9,64, dan Y1=3,00. Semua variabel independent pada model nilai VIF-nya lebih kecil dari 10 (< 10), oleh karena itu dapat disimpulkan gejala multikolinearitas tidak terjadi pada semua variabel yang diamati.

  • 3.    Heteroskedasititas

Uji heteroskedastisitas tidak dilakukan pada substruktur persamaan 2 ini, karena model yang terpilih adalah REM. REM merupakan model regresi dengan menggunakan metode Generalized Least Squares (GLS) yang adalah cara mengatasi BLUE, sehingga persamaan sudah terbebas dari gejala

  • c.    Estimasi Model Regresi Substruktur Persamaan-2

Estimasi model regresi substruktur persamaan-2 ditunjukkan pada Tabel 4.

Tabel 4 Estimasi Model Substruktur Persamaan-2

Variabel

Koefisien      Standar eror z-Statistic      P>lzl

Konstanta

X1

X2

X3

Y1

4,180       0,774        3,88          0,000

2,470       6,630        -1,04         0,000

-9,000       8,660        3,27          0,299

3,609        1,104       2,14          0,001

0,038        0,018        5,40          0,032

R-Squared:overall Prob-chi2

0,4463

0,5209

Dari hasil estimasi model, maka dapat ditulis persamaan substruktur persamaan 2 sebagai berikut:

Y2it = 4,180 + 2,470 X 1it – 9,000 X2 it + 3, 039 X3 it + 4,180 Y1 + 55,37

Dimana:

  • X1 = Belanja langsung sektor pertanian

X2 = Tenaga kerja terserap sektor pertanian

X3 = Alokasi anggaran pada kabupaten atau kota (dummy variable)

Y1 = Pertumbuhan ekonomi

Y2 = Tingkat kemiskinan

it = Kabupaten ke i tahun ke t

Nilai R-Squared overall dari hasil estimasi pada model regresi yaitu 0,4463, artinya tingkat kemiskinan di Provinsi Sumatera Barat dapat diepngaruhi dan dijelaskan oleh variabel-variabel independen sebesar 44,63 persen, sedangkan 55,37 persen dipengaruhi oleh faktor selain variabel bebas dalam model. Nilai probilitas diperoleh nilai prob>chi2 yaitu 0,5209, dimana nilai prob>chi2 pada model lebih besar dari α=5% (0,5209 > 0,05), sehungga kesimpulanya adalah tolak H0. Hasil uji F ini memiliki arti bahwa secara simultan variabel bebas tidak berpengaruh secara signifikan terhadap variabel terikat pada taraf nyata 5%. Berikut uji parsial variabel dependen dari substruktur persamaan 2:

  • 1.    Pengaruh Belanja Langsung Sektor Pertanian Terhadap Tingkat Kemiskinan

Pada Tabel 4 menunjukkan nilai siginifikansi plzl variabel X1 (belanja langsung untuk sektor pertanian) yaitu 0,000 atau nilai signifikansi dari hasil regresi yang didapatkan lebih kecil dari nilai α=1% (0,000<0,01) yang berarti variabel independen belanja langsung pada sektor pertanian secara parsial mempengaruhi secara signifikan tingkat kemiskinan di Provinsi Sumatera Barat. Adapun nilai koefisien dari X1 yaitu 2,470, artinya peningkatan seratus juta belanja langsung pada sektor pertanian akan meningkatkan kemiskinan sebesar 2,470 persen. Penelitian Hartina et al. (2019) mendapatkan nilai koefisien anggaran belanja untuk sektor pertanian di Kabupaten Sumbawa yaitu 0,258 yang artinya jika anggaran belanja pemerintah daerah untuk sektor pertanian mengalami kenaikan satu unit sedangkan kondisi variabel-variabel lainnya bernilai tetap maka jumlah penduduk miskin di Kabupaten Sumbawa akan meningkat sebesar 25,8 persen. Alokasi belanja langsung sektor pertanian ternyata tidak dapat mengurangi tingkat kemiskinan. Beberapa faktor penyebabnya yaitu (1) alokasi anggaran/program yang tidak tepat sasaran. Bantuan yang diberikan kepada petani seringkali tidak sesuai dengan kebutuhan petani, seperti bantuan mesin pertanian yang tidak cocok dengan kondisi lahan petani; 2) tidak tersedianya data kemiskinan ditingkat petani, sehingga pemberian bantuan tidak mempertimbangkan tingkat kemiskinan petani penerima bantuan; dan 3) alokasi bantuan yang berulang pada petani/kelompok petani yang sama. seringkali terjadi penerima bantuan/program kegiatan pertanian adalah orang/kelompok petani yang sama setiap tahun.

  • 2.    Pengaruh Tenaga Kerja Terserap pada Sektor Pertanian Terhadap Tingkat Kemiskinan

Pada Tabel 4 terlihat bahwa nilai siginifikansi plzl variabel X2 (tenaga kerja terserap

sektor pertanian) yaitu 0,299 atau nilai siginifikansi plzl lebih besar dari nilai α=5% (0,299 > 0,05) artinya variabel tenaga kerja terserap pada sektor pertanian secara parsial tidak mempengaruhi signifikan terhadap tingkat kemiskinan di provinsi Sumatera Barat.

  • 3.    Pengaruh Varible Dummy Kabupaten atau Kota Terhadap Tingkat Kemiskinan

Pada Tabel 4 terlihat bahwa nilai siginifikansi plzl variabel dummy X3 (kabupaten atau kota) yaitu 0,001 atau nilai signifikansi yang didapatkan lebih kecil dari nilai α=1% (0,000 < 0,01) yang berarti wilayah kabupaten berpotensi untuk menaikkan tingkat kemiskinan di Provinsi Sumataera Barat sebesar 3,039 persen.

  • 4.    Pengaruh Langsung Pertumbuhan Ekonomi Terhadap Tingkat Kemiskinan

Pada Tabel 4 terlihat bahwa nilai siginifikansi plzl variabel mediasi Y1 (pertumbuhan ekonomi) yaitu 0,032 atau nilai signifikansi variabel lebih kecil dari nilai α=5% (0,032 < 0,05) , artinya bahwa variabel mediasi pertumbuhan ekonomi secara parsial tidak mempengaruhi terhadap tingkat kemiskinan di Provinsi Sumatera Barat. Hal ini sejalan dengan penelitian Pananrangi (2012) di Provinsi Sumatera Selatan yang menyimpulkan bahwa pertumbuhann ekonomi belum mampu mengatasi tingkat kemiskinan yang terjadi.

  • 3.    Analisis Jalur/Path Analysis

Setelah dilakukan estimasi regresi kedua substruktur persamaan maka dapat di buat analisis jalurnya. Berdasarkan hasil estimasi maka diagram jalur dapat dibuat seperti ditunjukkan pada Gambar 4.

Gambar 2 Diagram Jalur Hasil Penelitian Sumber: Data primer, 2022

Dari diagram jalur yang sudah didapatkan, kemudian dapat dihitung pengaruh langsung, pengaruh tidak langsung dan pengaruh total antar variabel. Pengaruh langsung dilihat dari koefisien regresi. Pengaruh tidak langsung dihitung dengan cara mengalikan antara koefisien regresi variabel dengan koefisien variabell mediasi (dalam hal ini variabel pertumbuhan ekonomi). Pengaruh total dihitung dengan menjumlahkan antara koefisien regresi varibel dengan koefisien variabel mediasi. Tabel 5 menunjukkan ringkasan dari pengaruh langsung, pengaruh tidak langsung dan pengaruh total hasil analisis jalur.

Tabel 5 Ringkasan dari pengaruh langsung, pengaruh tidak langsung dan pengaruh total

X1                       X2                       X3

PLg  PTLg  PTt    PLg    PTLg    PTt     PLg  PTLg  PTt

Y1

1,410    -     1,410   -0,00001     -     0,000001  -1,019    -       -

1,019

Y2

2,470  0,096  2,509    -9,000      -      -8,961    3,609   0,141   3,648

0,351

Sumber: Data primer diolah, 2022

Keterangan:

PLg = Pengaruh Langsung

PTLg = Pengaruh Tidak Langsung;

PT t = Pengaruh Total

PENUTUP

Kesimpulan

Berdasarkan hasil penelitian disimpulkan bahwa belanja langsung untuk sektor pertanian mempengaruhi secara signifikan dan berkorelasi positif terhadap pertumbuhan ekonomi. Penting bagi pemerintah Provinsi Sumatera Barat untuk meningkatkan alokasi anggaran dan meningkatkan program-program pengembangan sektor pertanian. Jumlah tenaga kerja terserap tidakk mempengaruhi secara signifikan terhadap pertumbuhan ekonomi dan tingkat kemiskinan, sehingga penting bagi pemerintah untuk mengembangkan sektor non-pertanian sebagai alternatif, seperti sektor hulu/pengolahan produk pertanian dan pariwisata pertania. Belanja langsung sektor pertanian berpengaruh postitif terhadap kemiskinan, sehingga perlu dilakukan evaluasi terhadap program-program pengembangan sektor pertanian khususnya yang mendukung penurunan kemiskinan. Pertumbuhan ekonomi berkorelasi positif dan memperngaruhi secara siginfikan terhadap tingkat kemiskinan, sehingga penting dilakukan evaluasi terkait pemerataan pembangunan.

Saran

Penelitian ini terdapat kekurangnya, yaitu belum menganalisis pengaruh masing-masing subsektor pertanian (subsektor pangan, hortikultura, perkebunan dan peternakan) terhadap pertumbuhan ekonomi dan kemiskinan, sehingga peneliti menyaranakan untuk melakukan analisis tersebut pada penelitian berikutnya. Selain itu, peneliti menyarankan untuk memperdalam indentifikasi faktor-faktor yang menyebabkan jumlah dari tenaga kerja terserap tidak berpengaruh terhadap pertumbuhan ekonomi dan tingkat kemiskinan, serta identifikasi faktor yang menyebabkan pertumbuhan ekonomi berkorelasi positif terhadap tingkat kemiskinan.

DAFTAR PUSTAKA

Awokuse TO. 2015. Does agriculture really matter for economic growth in developing countries? Can J Agric Econ., siap terbit.

Basuki AT, Prawoto N. 2015. Analisis Komposisi Pengeluaran Publik Terhadap Pertumbuhan Ekonomi dalam Mendukung Good Governance dalam Memasuki MEA (Studi Empiris Provinsi di Indonesia Tahun 2010-2014). Semin Nas Ekon Manaj dan Akunt Fak Ekon Univ Negeri Padang., siap terbit.

Cahyani NKAFA, Darmawan DP, Arisena GMK. 2021. Analisis Potensi dan Daya Saing Sektor Pertanian di Kabupaten Tabanan. J Manaj Agribisnis. 9(2):357–365.

Chandio AA, Jiang Y, Rehman A, Jingdong L. 2016. Impact of Government Expenditure on Agricultural Sector and Economic Growth in Pakistan Impact of Government Expenditure on Agricultural Sector and Economic Growth in Pakistan. Int J Adv Biotevhnology Res. 7(3).

Dkhar DS, De UK. 2018. Public Expenditure on Agriculture and Economic Growth : A Case Study of Meghalaya. Agric Econ Reseach Rev. 31(2):271–279.

doi:10.5958/0974-0279.2018.00044.7.

Ghasemi A, Zahediasl S. 2012. Normality Test for Statistical Analysis: A Guide for Non-Statisticians. Int J Endonocrinol Metab. 10(2):486–489.

Ghozali I. 2006. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang: Badan Penerbit Universitas Diponegoro.

Ghozali I. 2018. Aplikasi Analisis Multivariate Program IBM SPSS. Ed ke-9. Semarang: Badan Penerbit Universitas Diponegoro.

Hartina L, Irawan E, Cita FP. 2019. Pengaruh Pengeluaran Pemerintah di Sektor Pendidikan Kesehatan, dan Pertanian terhadap Tingkat Kemiskinan di Kabupaten Sumbawa Tahun 2003-2017. Nusant J Econ. 1(1):44–54.

Laitupa AA. 2015. Pengaruh Belanja Tidak Langsung Terhadap Kontribusi Sektor Perkebunan Serta Dampaknya Terhadap Kesempatan Kerja Sektor Pertanian di Provinsi Maluku Abdul. Cita Ekon , J Ekon. IX(2).

Nazaruddin I, Basuki AT. 2015. Analisis Statistik dengan SPSS. Yogyakarta: Danisa Media.

Nurfala S. 2021. Analisis Pengaruh Pertumbuhan Penduduk, IPM, Setengah Menganggur, Tenaga Kerja Sektor Pertanian dan Non Pertanian Terhadap Jumlah Penduduk Miskin di Jawa Barat. Universitas Pasundan.

Pananrangi AIA. 2012. Pengaruh Pertumbuhan Ekonomi Terhadap Tingkat Kemiskinan. J Plano Madani. I(1):29–38.

Pangerang A, Fatmala W, Rahma F, Yunarsi, Husriah. 2022. Pengaruh Pengeluaran Pemerintah Sektor Pertanian dan Investasi Terhadap Tenaga Kerja , Pertumbuhan Ekonomi dan Pendapatan Asli Daerah Kabupaten Luwu. J Ekon dan Bisnis Politek Baubau. 1(1).

Pardede R, Manurung R. 2014. Analisis Jaur/Path Analysis Teori dan Aplikasi Dalam Riset Bisnis. Jakarta: Rineka Cipta.

Sendow RH, Koleangan RAM, Rotinsulu TO. 2018. Fakultas Ekonomi dan Bisnis , Program Study Magister Ilmu Ekonomi Universitas Sam Ratulangi. 19(1):15–32.

Setyanto KA, Harianto H, Budiharsono S. 2018. Analisis Dampak Peningkatan Alokasi Anggaran Pada Sektor Industri Makanan Dan Minuman Terhadap Pembangunan Ekonomi Jawa Tengah. J Manaj Pembang Drh. 10. doi:10.29244/jurnal_mpd.v10i-.22710.

Sugiyono. 2013. Metode Penelitian Kombinasi. Bandung: Alfabeta Bandung.

Sujarweni VW. 2015. SPSS Untuk Penelitian. Yogyakarta: Pustaka Baru.

Winarno W. 2009. Analisis Ekonometrika dan Statistika dengan Eviews. Kedua. Yogyakarta: Sekolah Tinggi Ilmu Manajemen YKPN.

Zaenuddin M. 2015. Isu, Problematika, Dinamika dan Kebijakan Publik. Yogyakarta: Deepublish.

Deranti et al,... |389