Dampak Belanja Pemerintah Sektor Pertanian Terhadap Inklusifitas Pertumbuhan Ekonomi Indonesia Bagian Barat

Abstract

Pertumbuhan inklusif adalah pertumbuhan yang mengutamakan peningkatan pertumbuhan ekonomi, penurunan pengangguran, dan penurunan ketimpangan pendapatan. Metode analisis yang digunakan adalah metode analisis kualitatif dan metode analisis kuantitatif. Metode kualitatif yang digunakan berupa Tipologi Klassen, sedangkan metode kuantitatif yang digunakan adalah analisis regresi berganda data panel statis. Data dimensi sektor (cross-section) berupa 18 provinsi di Indonesia Bagian Barat, sedangkan data dimensi waktu (time-series) berupa data periode 2015 hingga 2019. Tujuan dari penelitian ini, yakni: (1) Menganalisis dan memetakan inklusifitas pertumbuhan ekonomi di Indonesia Bagian Barat (2) Menganalisis dampak belanja pemerintah sektor pertanian terhadap inklusifitas Pertumbuhan Ekonomi di Indonesia Bagian Barat. Variabel terikat yang digunakan dalam penelitian adalah indeks pertumbuhan inklusif yang dihitung berdasarkan ADB (Asian Development Bank). Sementara itu, variabel bebas yang digunakan adalah subsidi pupuk, infrastruktur irigasi, bantuan alat mesin pertanian, infrastruktur jalan pedesaan, dan DAK Pertanian. Variabel bebas yang digunakan bersumber dari Direktorat Jenderal Perimbangan Keuangan dan Kementrian Pertanian. Sedangkan komponen perhitungan indeks pertumbuhan inklusif didapatkan dari Badan Pusat Statistik. Provinsi dengan rata-rata tingkat pertumbuhan inklusif menengah ke atas adalah Provinsi DKI Jakarta, Jawa Timur, Kepulauan Riau, Kepulauan Bangka Belitung, Sumatera Utara, dan DIY Yogyakarta. Sedangkan Provinsi yang kategori menengah ke bawah adalah Provinsi Aceh, Bengkulu, Lampung dan Kalimantan Barat. Analisis tipologi klassen menunjukkan bahwa provinsi yang nilai belanja sektor pertanian dan indeks pertumbuhan inklusif lebih rendah dari rata-rata adalah provinsi Riau, Jambi, Bengkulu, Kalimantan Barat, Kalimantan Tengah. Hasil regresi menunjukkan bahwa melalui uji Chow dan uji Hausman, model FEM adalah model yang paling akurat. Model FEM pada penelitian ini telah dibobotkan dengan Generalized Least Square (GLS) dan Ordinary Least Square (OLS). Melalui uji Chow, didapatkan probabilitas sebesar 0.0000. Sementara itu, melalui uji Hausman, didapatkan probabilitas sebesar 0.0001. Probabilitas dari kedua uji tersebut di bawah taraf nyata (a = 0.05), maka model FEM adalah model yang paling akurat. Hasil penelitian untuk menjawab rumusan masalah kedua adalah variabel subsidi pupuk, irigasi, jalan pedesaan berpengaruh secara positif dan signifikan, variabel alat mesin pertanian dan DAK Pertanian berpengaruh positif namun tidak signifikan. Terdapat saran maupun rekomendasi kebijakan dalam penelitian ini. Pertama, meningkatkan penyediaan data kebutuhan pupuk yang tepat dengan peningkatan kapasitas penyuluh pertanian di setiap wilayah dalam mendukung e-RDKK dan pendampingan Kartu Tani. Kedua, regulasi harus tepat waktu dan perencanaan pengelolaan irigasi yang sistematis. Ketiga, percepatan proses usulan, verifikasi/validasi dan penilaian, peningkatan peran pendamping, monitoring dan evaluasi oleh instansi teknis yang terkait, serta mekanisme pelaporan kegiatan. Keempat, memberikan bantuan alsintan dalam 1 paket dari pra dan pascapanen dan pemberian alsintan harus berdasarkan kebutuhan petani, bersifat bottom-up dan bukan top-down. Kelima, memperbaiki sistem perencaanan dan pelaksanaan anggaran yang tepat waktu. Dan rencana pemberian jenis bantuan sektor pertanian wilayah hendaknya disesuaikan dengan tingkat kebutuhan wilayah tersebut. Wilayah yang lebih maju dengan tingkat pertumbuhan inklusif menengah ke atas lebih diprioritaskan dalam bantuan input seperti subsidi pupuk dan alat mesin pertanian. Wilayah dengan tingkat pertumbuhan inklusif menengah kebawah lebih diprioritaskan untuk bantuan infrastruktur seperti irigasi, jalan pedesaan dan DAK Pertanian.

Inclusive growth prioritizes enhancing economic growth, reducing unemployment, and decreasing income inequality. The analytical methods utilized include qualitative and quantitative analysis. The qualitative method employed is the Klassen Typology, while the quantitative method used is static panel data multiple regression analysis. Cross-sectional data consists of 18 provinces in Western Indonesia, whereas time-series data covers the period from 2015 to 2019. The objectives of this research are: (1) to analyze and map the inclusivity of economic growth in Western Indonesia, and (2) to analyze the impact of government agricultural spending on the inclusivity of economic growth in Western Indonesia. The dependent variable used in the study is the inclusive growth index calculated based on the Asian Development Bank (ADB) methodology. Meanwhile, the independent variables include fertilizer subsidies, irrigation infrastructure, agricultural machinery aid, rural road infrastructure, and Agricultural Sector Special Allocation Fund (DAK). These independent variables are sourced from the Directorate General of Fiscal Balance and the Ministry of Agriculture. The components for calculating the inclusive growth index are obtained from the Central Bureau of Statistics. Provinces with an average inclusive growth rate above the medium level include DKI Jakarta, East Java, Riau Islands, Bangka Belitung Islands, North Sumatra, and DIY Yogyakarta. Meanwhile, provinces categorized below the medium level are Aceh, Bengkulu, Lampung, and West Kalimantan. The Klassen typology analysis indicates that provinces with lower agricultural spending and inclusive growth index than the average include Riau, Jambi, Bengkulu, West Kalimantan, and Central Kalimantan. Regression results show that, using Chow and Hausman tests, the Fixed Effects Model (FEM) is the most accurate model. The FEM in this study has been weighted by Generalized Least Square (GLS) and Ordinary Least Square (OLS). The Chow test yielded a probability of 0.0000, while the Hausman test resulted in a probability of 0.0001. Since the probabilities from both tests are below the significance level (a = 0.05), the FEM is the most accurate model. The research findings in response to the second problem statement indicate that variables such as fertilizer subsidies, irrigation, and rural roads have a positive and significant impact, whereas agricultural machinery and Agricultural DAK have a positive but insignificant effect. There are also policy recommendations from this study. First, to enhance the provision of accurate fertilizer data by increasing the capacity of agricultural extension workers in each region to support e-RDKK and Kartu Tani assistance. Second, regulations should be timely, and irrigation management planning should be systematic. Third, to expedite the proposal process, verification/validation, and assessment, enhance the role of facilitators, and ensure monitoring and evaluation by relevant technical agencies, as well as reporting mechanisms. Fourth, to provide integrated agricultural machinery assistance from pre-harvest to post-harvest based on farmer needs, adopting a bottom-up rather than a top-down approach. Fifth, to improve the timing of planning and budget execution. And the plan for providing types of agricultural sector assistance should be tailored to the needs of the region. More developed areas with higher inclusive growth rates should be prioritized for input assistance such as fertilizer subsidies and agricultural machinery, whereas areas with lower inclusive growth rates should be prioritized for infrastructure assistance such as irrigation, rural roads, and Agricultural DAK.