Pendahuluan: Ketimpangan Bukan Hanya Soal Angka

Ketimpangan pendapatan sering dibahas dalam laporan tahunan pemerintah, tapi apa yang sebenarnya terjadi di lapangan? Mengapa ada daerah yang selalu tertinggal meski pertumbuhan ekonomi nasional meningkat?

Studi yang dilakukan oleh Chusnul Chotimah dari ITS ini mengajak kita melihat lebih dalam ketimpangan di Jawa Timur dari sisi spasial dan temporal, memanfaatkan data panel dan metode inovatif Geographically Weighted Panel Regression (GWPR). Pendekatan ini memberikan gambaran dinamis dan spesifik lokasi atas perbedaan distribusi pendapatan di 38 kabupaten/kota Jawa Timur selama periode 2010–2014.

Latar Belakang: Ketimpangan yang Kian Meningkat

Jawa Timur adalah kontributor utama ekonomi nasional—menyumbang lebih dari 14% PDB Indonesia. Namun, di balik angka tersebut, terdapat ketimpangan antar wilayah yang mengkhawatirkan. Gini rasio provinsi ini naik dari 0,34 (2010) ke 0,37 (2014)—naik cukup signifikan meskipun masih di bawah rata-rata nasional yang mencapai 0,41 di tahun yang sama.

Ketimpangan ini bukan hanya memicu kecemburuan sosial, tetapi juga menghambat efisiensi ekonomi secara keseluruhan. Beberapa wilayah seperti Surabaya, Sidoarjo, dan Gresik menunjukkan dominasi industri dan perdagangan, sementara wilayah-wilayah seperti Sampang atau Bondowoso tetap bergantung pada sektor pertanian tradisional yang kontribusinya terhadap PDRB rendah meski menyerap banyak tenaga kerja.

Metodologi: Gabungan Kekuatan Spasial dan Temporal

Apa itu GWPR?

Geographically Weighted Panel Regression (GWPR) adalah penggabungan antara:

• Geographically Weighted Regression (GWR) – yang mengakomodasi perbedaan antar wilayah.

• Panel Regression – yang memanfaatkan data lintas waktu dan unit pengamatan.

Model ini memperhitungkan aspek geografis serta dinamika waktu, menjadikannya cocok untuk menganalisis fenomena kompleks seperti ketimpangan pendapatan.

Data & Variabel

Unit analisis: 38 kabupaten/kota di Jawa Timur
Periode waktu: 2010–2014
Variabel respon: Gini rasio
Variabel prediktor:

• PDRB sektor pertanian

• PDRB industri pengolahan

• PDRB perdagangan & reparasi

• PDRB informasi dan komunikasi

• PDRB pembentukan modal tetap bruto (PMTB)

Hasil Utama: Apa yang Menyebabkan Ketimpangan?

1. Kontribusi Sektor Ekonomi Tidak Seimbang

• PDRB pertanian tinggi di wilayah pedesaan, namun kontribusinya ke PDRB rendah.

• PDRB industri dan perdagangan tinggi di wilayah perkotaan dan industrial.

Ini mengindikasikan konflik struktural dalam perekonomian: sektor padat karya tidak sejalan dengan sektor pencetak nilai tambah.

2. Model GWPR Lebih Akurat

Dibandingkan dengan model Fixed Effect biasa (FEM), model GWPR menghasilkan:

• R² = 91,02%

• MSE = 0,0004

🔍 Artinya: model ini mampu menjelaskan 91% variasi ketimpangan pendapatan di Jawa Timur—sangat tinggi untuk data sosial ekonomi.

3. Setiap Daerah Unik

Model menunjukkan bahwa pengaruh variabel prediktor terhadap ketimpangan berbeda-beda di setiap kabupaten/kota. Misalnya:

• Di Jombang, sektor informasi dan komunikasi lebih signifikan.

• Di Probolinggo, sektor perdagangan menjadi penentu utama.

Studi Kasus: Ketimpangan Nyata di Lapangan

• Kabupaten Bangkalan dan Sampang memiliki gini rasio tinggi meski bergantung pada sektor pertanian.

• Kota Surabaya dan Kota Malang, dengan dominasi sektor tersier, justru menunjukkan gini rasio yang relatif rendah.

✍️ Catatan penting: Ketimpangan tidak selalu terjadi karena kemiskinan absolut, tapi karena distribusi pendapatan yang timpang antar golongan.

Kelebihan dan Kritik terhadap Studi

Kelebihan:

• Menggabungkan aspek spasial dan temporal secara simultan.

• Memanfaatkan model statistik tingkat lanjut yang masih jarang digunakan di Indonesia.

• Menyediakan informasi detail berbasis lokasi untuk perumusan kebijakan.

Kritik:

• Periode data terbatas hanya lima tahun (2010–2014).

• Tidak mempertimbangkan variabel seperti pendidikan, infrastruktur, atau tingkat upah minimum kabupaten (UMK).

• Validasi eksternal atau uji robust tidak dilakukan.

Relevansi Industri dan Kebijakan Publik

Hasil penelitian ini bisa digunakan sebagai:

1. Dasar penentuan wilayah prioritas pembangunan – misalnya untuk distribusi dana transfer daerah.

2. Input untuk perencanaan spasial – seperti pengembangan kawasan industri baru di daerah tertinggal.

3. Alat evaluasi program pengentasan kemiskinan dan pemerataan – apakah benar menyasar daerah yang butuh?

Perbandingan dengan Studi Sebelumnya

Beberapa studi sejenis menunjukkan hasil serupa:

• Sylviarani (2017): menunjukkan bahwa PDRB dan pengangguran mempengaruhi ketimpangan di Pulau Jawa.

• Jannah et al. (2017): menggunakan GWR untuk ketimpangan di Jawa Tengah, hasilnya menunjukkan variasi antar lokasi.

Namun, studi oleh Chotimah lebih unggul karena menggunakan pendekatan panel time-series, bukan hanya cross-section, dan menghasilkan pemodelan yang lebih stabil dan prediktif.

Kesimpulan: Saatnya Kebijakan Berbasis Data Spasial

Ketimpangan pendapatan di Jawa Timur bukan masalah tunggal yang bisa diselesaikan dengan kebijakan makroekonomi nasional. Ia memerlukan intervensi lokal spesifik yang berbasis data.

Model GWPR terbukti menjadi alat yang powerful untuk:

• Mengidentifikasi penyebab ketimpangan berbasis lokasi.

• Membantu perencanaan pembangunan yang lebih adil dan merata.

• Mendorong integrasi data spasial dalam pengambilan kebijakan di tingkat daerah.

Sumber:

Chotimah, C. (2019). Pemodelan Ketimpangan Pendapatan di Jawa Timur Menggunakan Geographically Weighted Panel Regression. Tesis Magister Statistika, Institut Teknologi Sepuluh Nopember.
Akses lengkap: Perpustakaan ITS