1 Pendahuluan

Mini project ini menggunakan data real APBD Murni 2024-2025 yang disusun dari sumber fiskal pemerintah daerah. Analisis difokuskan pada hubungan antara alokasi tahun sebelumnya dan alokasi tahun berikutnya, serta apakah kelompok anggaran menambah daya jelas model. Pendekatan ini relevan karena pengelolaan APBD merupakan bagian penting dari tata kelola fiskal daerah dan evaluasi kinerja anggaran (Direktorat Jenderal Perimbangan Keuangan, Kementerian Keuangan Republik Indonesia 2025; Republik Indonesia 2019). Dari sisi akademik, penggunaan hierarchical regression membantu menunjukkan apakah penambahan blok variabel mampu meningkatkan kualitas model secara bertahap (Faraway 2002). Dalam konteks sektor publik, analisis seperti ini juga sejalan dengan literatur yang menekankan pentingnya pengelolaan risiko, pengendalian, dan pengambilan keputusan yang berbasis bukti (Oulasvirta and Anttiroiko 2017; Bracci et al. 2022).

2 Sumber Data

Sumber data utama yang digunakan adalah file GU MURNI APBD 2024 2025.xlsx, yang memuat pos-pos APBD Murni 2024 dan APBD Murni 2025. Link sumber data yang dapat dicantumkan dalam laporan adalah sebagai berikut:

3 Metode Penelitian

Mini project ini menggunakan hierarchical regression dengan variabel dependen APBD Murni 2025. Tahapan model dibangun sebagai berikut:

  1. Model 1: log(APBD 2025) dijelaskan oleh log(APBD 2024).
  2. Model 2: menambahkan variabel kategori main_group yaitu Pendapatan, Belanja, dan Pembiayaan.
  3. Model 3: menambahkan kedalaman kode rekening (depth) sebagai karakteristik struktur akun.

Transformasi log1p() digunakan untuk menstabilkan skala data karena nilai anggaran sangat besar dan bervariasi. Observasi yang dipakai adalah pos anggaran rinci atau leaf accounts, sehingga total dan subtotal tidak mendominasi model.

knitr::kable(
  head(results$model_data[, c("code_norm", "uraian", "apbd_2024", "apbd_2025", "main_group", "depth")], 10),
  caption = "Cuplikan data analisis (leaf accounts)"
)
Cuplikan data analisis (leaf accounts)
code_norm uraian apbd_2024 apbd_2025 main_group depth
1.1.1 Pendapatan Pajak Daerah 3.981200e+04 3.711664e+12 Pendapatan 3
1.1.2 Pendapatan Retribusi Daerah 6.320586e+11 6.873300e+11 Pendapatan 3
1.1.3 Pendapatan Hasil Pengelolaan Kekayaan Daerah Yang Dipisahkan 6.228530e+10 7.410147e+10 Pendapatan 3
1.1.4 Lain-lain Pendapatan Asli Daerah yang Sah 1.251585e+11 1.564843e+11 Pendapatan 3
1.2.1.1 Dana Bagi Hasil 4.405441e+12 3.413740e+12 Pendapatan 4
1.2.1.2 Dana Alokasi Umum 1.218428e+12 1.248888e+12 Pendapatan 4
1.2.1.3 Dana Alokasi Khusus 7.113296e+11 5.165613e+11 Pendapatan 4
1.2.2.2 Dana Insentif Daerah 1.474516e+10 6.489293e+09 Pendapatan 4
1.2.3 Pendapatan Transfer Antar Daerah 2.825943e+11 2.000000e+11 Pendapatan 3
1.3.1 Pendapatan Hibah 1.824444e+11 6.650000e+09 Pendapatan 3

4 Hasil Deskriptif

headline_view <- results$headline |>
  dplyr::mutate(
    `APBD 2024` = fmt_rp(apbd_2024),
    `APBD 2025` = fmt_rp(apbd_2025),
    `Perubahan (%)` = fmt_pct(pct_change)
  ) |>
  dplyr::select(Item = item, `APBD 2024`, `APBD 2025`, `Perubahan (%)`)

knitr::kable(headline_view, caption = "Ringkasan perubahan APBD 2024-2025")
Ringkasan perubahan APBD 2024-2025
Item APBD 2024 APBD 2025 Perubahan (%)
Pendapatan Rp11.614.484.904.704 Rp10.031.897.562.453 -13.63%
PAD Rp 4.799.502.391.804 Rp 4.629.579.951.953 -3.54%
Pendapatan Transfer Rp 6.632.538.139.900 Rp 5.385.678.960.000 -18.80%
Belanja Rp13.319.205.168.020 Rp11.728.295.956.102 -11.94%
Belanja Operasi Rp 6.759.452.986.154 Rp 6.850.333.234.866 1.34%
Belanja Modal Rp 4.049.849.508.872 Rp 2.931.691.654.845 -27.61%
Belanja Tak Terduga Rp 97.034.514.212 Rp 256.000.000.000 163.82%
Belanja Transfer Rp 2.412.868.158.782 Rp 1.690.271.066.391 -29.95%
Pembiayaan Rp 1.704.720.263.316 Rp 1.696.398.393.649 -0.49% 
results$plot_headline
Perbandingan total pendapatan, belanja, dan pembiayaan

Perbandingan total pendapatan, belanja, dan pembiayaan

Secara deskriptif, total pendapatan turun dari Rp11.614.484.904.704 pada 2024 menjadi Rp10.031.897.562.453 pada 2025 atau sebesar -13.63%. Penurunan tersebut terutama didorong oleh berkurangnya pendapatan transfer yang turun -18.80%, sementara PAD juga turun tetapi lebih moderat, yaitu -3.54%. Di sisi belanja, total belanja turun -11.94%, namun penurunannya tidak merata. Belanja operasi justru naik 1.34%, sedangkan belanja modal turun cukup tajam sebesar -27.61%. Belanja tak terduga meningkat sangat tinggi, yaitu 163.82%, yang dapat dibaca sebagai sinyal kehati-hatian fiskal dalam menghadapi ketidakpastian anggaran (Direktorat Jenderal Perimbangan Keuangan, Kementerian Keuangan Republik Indonesia 2025; Badan Pusat Statistik Provinsi Kalimantan Selatan 2025).

5 Hasil Hierarchical Regression

knitr::kable(results$model_stats, caption = "Ringkasan tiga model hierarchical regression")
Ringkasan tiga model hierarchical regression
model n r_squared adj_r_squared aic bic f_statistic model_p_value
Model 1 26 0.365 0.339 156.40 160.18 13.805 0.001080
Model 2 26 0.521 0.455 153.10 159.39 7.967 0.000888
Model 3 26 0.529 0.440 154.62 162.17 5.903 0.002400 
knitr::kable(results$comparison_table, caption = "Perbandingan model dengan ANOVA")
Perbandingan model dengan ANOVA
step Res.Df RSS Df Sum of Sq F Pr(>F)
1 24 495.1739 NA NA NA NA
2 22 373.8612 2 121.3127 3.4694 0.0499
3 21 367.1526 1 6.7086 0.3837 0.5423 
knitr::kable(results$coefficient_table, caption = "Koefisien regresi tiap model")
Koefisien regresi tiap model
model term estimate std.error statistic p.value
Model 1 (Intercept) 15.2175 2.7918 5.4507 1.33e-05
Model 1 log_apbd_2024 0.4243 0.1142 3.7155 1.08e-03
Model 2 (Intercept) 16.7412 2.8767 5.8195 7.40e-06
Model 2 log_apbd_2024 0.3803 0.1061 3.5827 1.66e-03
Model 2 main_groupPembiayaan -6.5119 2.7191 -2.3948 2.56e-02
Model 2 main_groupPendapatan 0.5851 1.7354 0.3371 7.39e-01
Model 3 (Intercept) 21.3341 7.9680 2.6775 1.41e-02
Model 3 log_apbd_2024 0.3998 0.1122 3.5638 1.83e-03
Model 3 main_groupPembiayaan -6.4089 2.7631 -2.3195 3.05e-02
Model 3 main_groupPendapatan 1.2416 2.0547 0.6043 5.52e-01
Model 3 depth -1.6917 2.7310 -0.6194 5.42e-01 
results$plot_scatter
Hubungan antara log APBD 2024 dan log APBD 2025

Hubungan antara log APBD 2024 dan log APBD 2025 

results$plot_changes
Sepuluh perubahan absolut terbesar antar pos anggaran

Sepuluh perubahan absolut terbesar antar pos anggaran

6 Analisis dan Pembahasan

Berdasarkan hasil pengolahan statistik, pola APBD Murni 2025 masih menunjukkan keterkaitan yang cukup kuat dengan struktur APBD Murni 2024, tetapi hubungan tersebut menjadi lebih informatif ketika kategori anggaran dimasukkan ke dalam model. Pada Model 1, variabel log(APBD 2024) mampu menjelaskan sekitar 0.365 atau 36.50% variasi log(APBD 2025). Hasil ini menandakan bahwa besaran anggaran tahun sebelumnya memang merupakan prediktor dasar yang penting. Namun, ketika variabel main_group ditambahkan pada Model 2, nilai R² meningkat menjadi 0.521 atau 52.10%, sehingga terdapat tambahan daya jelas sekitar 15.60%. Uji perbandingan model juga menunjukkan bahwa peningkatan dari Model 1 ke Model 2 signifikan secara statistik (p = 0.0454). Ini berarti klasifikasi pos sebagai pendapatan, belanja, atau pembiayaan benar-benar membantu menjelaskan variasi alokasi APBD 2025. Sebaliknya, penambahan variabel kedalaman kode rekening pada **Model 3** hanya menaikkanR²menjadi 0.529 atau tambahan sekitar 0.80%, dan peningkatan ini tidak signifikan (p = 0.542). Temuan ini menunjukkan bahwa informasi paling penting bukan terletak pada seberapa dalam kode akun, melainkan pada besaran alokasi sebelumnya dan kelompok fiskal dari masing-masing pos. Secara substantif, hasil deskriptif juga memperlihatkan bahwa penurunan pendapatan transfer diikuti oleh penurunan belanja modal dan belanja transfer, sementara belanja operasi serta belanja tak terduga justru meningkat. Pos dengan penurunan absolut terbesar adalah Dana Bagi Hasil, sedangkan kenaikan absolut terbesar terjadi pada Pendapatan Pajak Daerah. Dengan demikian, mini project ini menunjukkan bahwa perubahan APBD 2025 tidak hanya dipengaruhi oleh level anggaran 2024, tetapi juga oleh orientasi kelompok anggaran. Hasil ini sejalan dengan literatur sektor publik yang menekankan pentingnya memahami struktur fiskal, pengendalian, dan konteks kelembagaan saat mengevaluasi perubahan kebijakan anggaran (Oulasvirta and Anttiroiko 2017; Bracci et al. 2022).

7 Kesimpulan

Mini project ini menunjukkan bahwa hierarchical regression dapat digunakan untuk membaca pola perubahan APBD secara bertahap. Model dasar yang hanya memasukkan APBD 2024 sudah memberikan informasi awal, tetapi model menjadi lebih kuat setelah variabel kelompok anggaran ditambahkan. Temuan ini mengindikasikan bahwa analisis APBD tidak cukup hanya melihat besaran angka tahun sebelumnya, tetapi juga perlu mempertimbangkan klasifikasi fiskalnya. Secara kebijakan, hasil ini dapat membantu menjelaskan mengapa pada 2025 terjadi penyesuaian yang lebih besar pada komponen transfer dan belanja modal dibandingkan komponen operasional. Dengan demikian, pendekatan ini layak digunakan sebagai mini project karena memenuhi aspek data real, analisis statistik, visualisasi, serta penyajian otomatis melalui R Markdown HTML (Direktorat Jenderal Perimbangan Keuangan, Kementerian Keuangan Republik Indonesia 2025; Xie, Allaire, and Grolemund 2018).

Daftar Pustaka

Badan Pusat Statistik Provinsi Kalimantan Selatan. 2025. “Statistik Keuangan Pemerintah Daerah Kabupaten/Kota Provinsi Kalimantan Selatan 2023 Dan 2024.” 2025. https://kalsel.bps.go.id/id/publication/2025/05/22/3619db352b3ebc2f360a4d60/statistik-keuangan-pemerintah-daerah-kabupaten-kota-provinsi-kalimantan-selatan-2023-dan-2024.html.
Bracci, Enrico, Tarik Mouhcine, Tarek Rana, and Danture Wickramasinghe. 2022. “Risk Management and Management Accounting Control Systems in Public Sector Organizations: A Systematic Literature Review.” Public Money & Management 42 (6): 395–402. https://doi.org/10.1080/09540962.2021.1963071.
Direktorat Jenderal Perimbangan Keuangan, Kementerian Keuangan Republik Indonesia. 2025. “Portal Data APBD.” 2025. https://djpk.kemenkeu.go.id/portal/data/apbd.
Faraway, Julian J. 2002. Practical Regression and ANOVA Using r. University of Bath. https://cran.r-project.org/doc/contrib/Faraway-PRA.pdf.
Oulasvirta, Lasse, and Ari-Veikko Anttiroiko. 2017. “Adoption of Comprehensive Risk Management in Local Government.” Local Government Studies 43 (3): 451–74. https://doi.org/10.1080/03003930.2017.1294071.
Republik Indonesia. 2019. “Peraturan Pemerintah Nomor 12 Tahun 2019 Tentang Pengelolaan Keuangan Daerah.” 2019. https://peraturan.bpk.go.id/details/103888/pp-no-12-tahun-2019.
Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Chapman; Hall/CRC. https://bookdown.org/yihui/rmarkdown/.