Analisis Neraca Audited Pemerintah Provinsi Kalimantan Selatan Tahun 2024-2025 dengan Hierarchical Regression
Agustini Kusuma Wardhani
2026-06-11
1. Pendahuluan
Laporan keuangan pemerintah daerah merupakan salah satu instrumen penting untuk menilai kondisi keuangan, pertanggungjawaban pelaksanaan anggaran, serta kualitas pengelolaan sumber daya ekonomi daerah. Salah satu bagian penting dalam laporan keuangan tersebut adalah neraca. Neraca menggambarkan posisi keuangan pemerintah daerah pada tanggal tertentu, yang terdiri atas aset, kewajiban, dan ekuitas.
Dalam konteks pemerintah daerah, neraca memiliki peran penting karena dapat menunjukkan seberapa besar aset yang dikuasai pemerintah, bagaimana perkembangan kewajiban, serta bagaimana ekuitas pemerintah daerah terbentuk. Informasi tersebut dapat digunakan untuk melihat kondisi keuangan daerah secara umum, khususnya terkait struktur aset, kemampuan memenuhi kewajiban jangka pendek, serta dominasi aset tetap dalam laporan keuangan.
Laporan ini menggunakan data Neraca Audited Pemerintah Provinsi Kalimantan Selatan Tahun 2024 dan 2025. Data tersebut dianalisis menggunakan pendekatan deskriptif kuantitatif dan hierarchical regression menggunakan R. Pemilihan hierarchical regression dilakukan untuk melihat pola hubungan antara nilai akun neraca tahun 2024 dengan nilai akun neraca tahun 2025.
Secara umum, data neraca hanya terdiri atas dua periode, yaitu tahun 2024 dan 2025. Oleh karena itu, data ini tidak diperlakukan sebagai data time series panjang, melainkan sebagai data cross-section berdasarkan akun-akun neraca. Dengan pendekatan ini, setiap akun neraca diperlakukan sebagai satu unit observasi. Nilai akun tahun 2025 dijadikan sebagai variabel dependen, sedangkan nilai akun tahun 2024, kelompok akun, subkelompok akun, dan tanda nilai akun digunakan sebagai variabel independen secara bertahap.
Hierarchical regression dalam penelitian ini tidak dimaksudkan untuk membuktikan hubungan sebab-akibat secara mutlak. Analisis ini lebih tepat dipahami sebagai alat untuk melihat sejauh mana nilai akun tahun sebelumnya dan klasifikasi akun dapat menjelaskan variasi nilai akun tahun berjalan.
2. Metode Penelitian
Penelitian ini menggunakan metode deskriptif kuantitatif dengan alat analisis hierarchical regression menggunakan R. Unit analisis dalam penelitian ini adalah akun-akun neraca. Nilai neraca tahun 2025 digunakan sebagai variabel dependen, sedangkan nilai neraca tahun 2024, kelompok akun, subkelompok akun, dan tanda nilai akun digunakan sebagai variabel independen bertahap.
Model hierarchical regression digunakan dengan tiga tahap:
- Model 1: nilai neraca 2024;
- Model 2: nilai neraca 2024 dan kelompok utama akun;
- Model 3: nilai neraca 2024, kelompok utama akun, subkelompok akun, dan tanda nilai akun.
Regresi ini digunakan untuk menganalisis pola keterkaitan nilai akun neraca antarperiode, bukan untuk menyimpulkan hubungan sebab-akibat.
Unit analisis dalam penelitian ini adalah akun-akun neraca. Akun-akun tersebut mencakup akun aset lancar, investasi jangka panjang, aset tetap, aset lainnya, properti investasi, kewajiban, dan ekuitas. Setiap akun yang memiliki nilai numerik tahun 2024 dan 2025 dijadikan sebagai satu observasi dalam model analisis.
Dalam data model, terdapat 60 observasi akun yang digunakan setelah proses pembersihan data. Akun yang tidak memiliki nilai numerik atau hanya berfungsi sebagai judul kelompok tidak dimasukkan dalam model regresi.
Variabel Penelitian
Variabel yang digunakan dalam hierarchical regression adalah sebagai berikut:
Variabel dependen:
- log_2025, yaitu nilai logaritmik dari nilai akun neraca tahun 2025.
Variabel independen:
log_2024, yaitu nilai logaritmik dari nilai akun neraca tahun 2024.
main_group, yaitu kelompok utama akun, seperti aset, kewajiban, ekuitas, dan lainnya.
sub_group, yaitu subkelompok akun, seperti kas, piutang, persediaan, investasi, aset tetap, kewajiban, dan ekuitas.
sign_2024, yaitu tanda nilai akun tahun 2024, apakah positif, negatif, atau nol.
Nilai logaritmik digunakan karena nilai akun neraca memiliki skala yang sangat besar dan berbeda-beda antar akun. Transformasi logaritmik membantu memperkecil perbedaan skala agar model regresi lebih stabil.
3. Paket yang Digunakan
required_packages <- c(
"readxl", "dplyr", "stringr", "purrr", "tidyr",
"ggplot2", "broom", "knitr", "scales", "tibble", "rmarkdown"
)
install_if_missing <- function(pkg) {
if (!requireNamespace(pkg, quietly = TRUE)) {
install.packages(pkg, dependencies = TRUE)
}
}
invisible(lapply(required_packages, install_if_missing))
suppressPackageStartupMessages({
library(readxl)
library(dplyr)
library(stringr)
library(purrr)
library(tidyr)
library(ggplot2)
library(broom)
library(knitr)
library(scales)
library(tibble)
library(rmarkdown)
})4. Fungsi Bantu
parse_rupiah <- function(x) {
x <- as.character(x)
x <- str_trim(x)
x[x == "-"] <- "0"
x[x %in% c("", "NA", "NaN", "NULL")] <- NA_character_
as.numeric(str_replace_all(x, "[^0-9\\-\\.]", ""))
}
fmt_rp <- function(x) {
paste0("Rp", format(round(x, 0), big.mark = ".", decimal.mark = ",", scientific = FALSE))
}
fmt_pct <- function(x) {
ifelse(is.na(x), NA_character_, paste0(sprintf("%.2f", x), "%"))
}5. Membaca dan Membersihkan Data
input_file <- "NERACA AUDITED 2024-2025.xlsx"
raw_data <- read_excel(
path = input_file,
sheet = "Neraca",
skip = 5
)
names(raw_data)[1:4] <- c("no", "uraian", "neraca_2025", "neraca_2024")
cleaned_data <- raw_data %>%
mutate(
no = str_trim(as.character(no)),
uraian = str_squish(as.character(uraian)),
neraca_2025 = as.numeric(neraca_2025),
neraca_2024 = as.numeric(neraca_2024)
) %>%
filter(!(is.na(uraian) | uraian == "")) %>%
mutate(
uraian_upper = str_to_upper(uraian)
)
head(cleaned_data, 10) %>%
knitr::kable(caption = "Contoh Data Neraca Setelah Dibersihkan")| no | uraian | neraca_2025 | neraca_2024 | uraian_upper |
|---|---|---|---|---|
| 1 | ASET | NA | NA | ASET |
| 2 | ASET LANCAR | NA | NA | ASET LANCAR |
| 3 | Kas di Kas Daerah | 2.775508e+12 | 2.783755e+12 | KAS DI KAS DAERAH |
| 4 | Kas di Bendahara Pengeluaran | 0.000000e+00 | 1.000000e+05 | KAS DI BENDAHARA PENGELUARAN |
| 5 | Kas di Bendahara Penerimaan | 7.763081e+04 | 2.311575e+06 | KAS DI BENDAHARA PENERIMAAN |
| 6 | Kas di BLUD | 1.917752e+11 | 1.969310e+11 | KAS DI BLUD |
| 7 | Kas di Sekolah | 4.151315e+09 | 2.491567e+09 | KAS DI SEKOLAH |
| 8 | Kas Lainnya | 0.000000e+00 | 0.000000e+00 | KAS LAINNYA |
| 9 | Setara Kas | 0.000000e+00 | 0.000000e+00 | SETARA KAS |
| 10 | Piutang | NA | NA | PIUTANG |
6. Membentuk Kelompok Akun
model_data <- cleaned_data %>%
mutate(
main_group = case_when(
str_detect(uraian_upper, "ASET|KAS|PIUTANG|PERSEDIAAN|INVESTASI|TANAH|PERALATAN|GEDUNG|JALAN|KONSTRUKSI|AKUMULASI|ASET LAINNYA") ~ "Aset",
str_detect(uraian_upper, "KEWAJIBAN|UTANG") ~ "Kewajiban",
str_detect(uraian_upper, "EKUITAS") ~ "Ekuitas",
TRUE ~ "Lainnya"
),
sub_group = case_when(
str_detect(uraian_upper, "KAS") ~ "Kas",
str_detect(uraian_upper, "PIUTANG") ~ "Piutang",
str_detect(uraian_upper, "PERSEDIAAN") ~ "Persediaan",
str_detect(uraian_upper, "INVESTASI") ~ "Investasi",
str_detect(uraian_upper, "TANAH") ~ "Tanah",
str_detect(uraian_upper, "PERALATAN|MESIN") ~ "Peralatan dan Mesin",
str_detect(uraian_upper, "GEDUNG|BANGUNAN") ~ "Gedung dan Bangunan",
str_detect(uraian_upper, "JALAN|IRIGASI|JARINGAN") ~ "Jalan, Irigasi dan Jaringan",
str_detect(uraian_upper, "KONSTRUKSI") ~ "Konstruksi Dalam Pengerjaan",
str_detect(uraian_upper, "AKUMULASI|PENYUSUTAN") ~ "Akumulasi Penyusutan",
str_detect(uraian_upper, "UTANG|KEWAJIBAN") ~ "Kewajiban",
str_detect(uraian_upper, "EKUITAS") ~ "Ekuitas",
TRUE ~ "Lainnya"
),
sign_2024 = case_when(
neraca_2024 > 0 ~ "Positif",
neraca_2024 < 0 ~ "Negatif",
neraca_2024 == 0 ~ "Nol",
TRUE ~ "Tidak Ada"
)
) %>%
filter(!is.na(neraca_2025), !is.na(neraca_2024)) %>%
filter(!(neraca_2025 == 0 & neraca_2024 == 0)) %>%
mutate(
log_2025 = log1p(abs(neraca_2025)),
log_2024 = log1p(abs(neraca_2024)),
change_abs = neraca_2025 - neraca_2024,
change_pct = if_else(neraca_2024 != 0, change_abs / abs(neraca_2024) * 100, NA_real_),
kategori_perubahan = case_when(
change_abs > 0 ~ "Meningkat",
change_abs < 0 ~ "Menurun",
change_abs == 0 ~ "Tetap",
TRUE ~ "Tidak Dapat Dihitung"
)
)
model_data %>%
select(uraian, main_group, sub_group, neraca_2024, neraca_2025, change_abs, kategori_perubahan) %>%
head(15) %>%
knitr::kable(caption = "Data Model untuk Hierarchical Regression")| uraian | main_group | sub_group | neraca_2024 | neraca_2025 | change_abs | kategori_perubahan |
|---|---|---|---|---|---|---|
| Kas di Kas Daerah | Aset | Kas | 2783755094263 | 2.775508e+12 | -8247367790 | Menurun |
| Kas di Bendahara Pengeluaran | Aset | Kas | 100000 | 0.000000e+00 | -100000 | Menurun |
| Kas di Bendahara Penerimaan | Aset | Kas | 2311575 | 7.763081e+04 | -2233944 | Menurun |
| Kas di BLUD | Aset | Kas | 196931022977 | 1.917752e+11 | -5155853775 | Menurun |
| Kas di Sekolah | Aset | Kas | 2491566697 | 4.151315e+09 | 1659748404 | Meningkat |
| Piutang Pajak Daerah | Aset | Piutang | 146097382790 | 1.416321e+11 | -4465304234 | Menurun |
| Penyisihan Piutang Pajak | Aset | Piutang | -146097382790 | -1.416321e+11 | 4465304234 | Meningkat |
| Piutang Retribusi | Aset | Piutang | 19991589600 | 2.209662e+10 | 2105034578 | Meningkat |
| Penyisihan Piutang Retribusi | Aset | Piutang | -7461375740 | -9.578257e+09 | -2116881116 | Menurun |
| Piutang Retribusi Netto | Aset | Piutang | 12530213860 | 1.251837e+10 | -11846538 | Menurun |
| Piutang Hasil Pengelolaan Kekayaan Daerah yang Dipisahkan | Aset | Piutang | 1236750326 | 0.000000e+00 | -1236750326 | Menurun |
| Penyisihan Piutang Hasil Pengelolaan Kekayaan Daerah yang Dipisahkan | Aset | Piutang | -6183752 | 0.000000e+00 | 6183752 | Meningkat |
| Piutang Hasil Pengelolaan Kekayaan Daerah yang Dipisahkan Netto | Aset | Piutang | 1230566574 | 0.000000e+00 | -1230566574 | Menurun |
| Piutang Lain-Lain PAD yang Sah | Aset | Piutang | 38335566284 | 3.326203e+09 | -35009363094 | Menurun |
| Penyisihan Piutang Lain-Lain PAD yang Sah | Aset | Piutang | -191454081 | -6.115727e+07 | 130296815 | Meningkat |
7. Analisis Deskriptif
summary_table <- model_data %>%
summarise(
jumlah_observasi = n(),
total_2024 = sum(neraca_2024, na.rm = TRUE),
total_2025 = sum(neraca_2025, na.rm = TRUE),
perubahan_total = total_2025 - total_2024,
rata_rata_2024 = mean(neraca_2024, na.rm = TRUE),
rata_rata_2025 = mean(neraca_2025, na.rm = TRUE)
)
summary_table %>%
mutate(
total_2024 = fmt_rp(total_2024),
total_2025 = fmt_rp(total_2025),
perubahan_total = fmt_rp(perubahan_total),
rata_rata_2024 = fmt_rp(rata_rata_2024),
rata_rata_2025 = fmt_rp(rata_rata_2025)
) %>%
knitr::kable(caption = "Statistik Deskriptif Neraca")| jumlah_observasi | total_2024 | total_2025 | perubahan_total | rata_rata_2024 | rata_rata_2025 |
|---|---|---|---|---|---|
| 60 | Rp161.733.876.276.509 | Rp170.311.295.995.985 | Rp8.577.419.719.476 | Rp2.695.564.604.608 | Rp2.838.521.599.933 |
8. Analisis Horizontal
model_data %>%
select(uraian, neraca_2024, neraca_2025, change_abs, change_pct, kategori_perubahan) %>%
arrange(desc(abs(change_abs))) %>%
head(20) %>%
mutate(
neraca_2024 = fmt_rp(neraca_2024),
neraca_2025 = fmt_rp(neraca_2025),
change_abs = fmt_rp(change_abs),
change_pct = fmt_pct(change_pct)
) %>%
knitr::kable(caption = "Dua Puluh Perubahan Absolut Terbesar pada Akun Neraca")| uraian | neraca_2024 | neraca_2025 | change_abs | change_pct | kategori_perubahan |
|---|---|---|---|---|---|
| Jumlah Aset Tetap (48 s.d.54) | Rp19.646.288.706.690 | Rp21.897.274.826.976 | Rp2.250.986.120.287 | 11.46% | Meningkat |
| Jalan, Irigasi dan Jaringan | Rp 9.140.894.998.625 | Rp10.697.387.978.697 | Rp1.556.492.980.072 | 17.03% | Meningkat |
| TOTAL ASET (37+46+55+58+69+73) | Rp26.440.540.570.099 | Rp27.927.237.832.345 | Rp1.486.697.262.246 | 5.62% | Meningkat |
| TOTAL KEWAJIBAN DAN EKUITAS (82+85) | Rp26.440.540.570.099 | Rp27.927.237.832.345 | Rp1.486.697.262.246 | 5.62% | Meningkat |
| Ekuitas | Rp25.656.932.208.298 | Rp27.044.222.651.576 | Rp1.387.290.443.278 | 5.41% | Meningkat |
| Jumlah Ekuitas | Rp25.656.932.208.298 | Rp27.044.222.651.576 | Rp1.387.290.443.278 | 5.41% | Meningkat |
| Akumulasi Penyusutan Aset Tetap | Rp-8.855.075.915.726 | Rp-9.769.938.779.132 | Rp -914.862.863.405 | -10.33% | Menurun |
| Gedung dan Bangunan | Rp 5.769.505.180.716 | Rp 6.386.849.439.237 | Rp 617.344.258.522 | 10.70% | Meningkat |
| Konstruksi Dalam Pengerjaan | Rp 938.084.860.875 | Rp 1.419.045.226.526 | Rp 480.960.365.651 | 51.27% | Meningkat |
| Jumlah Aset Lancar (3+4+5+6+7+8+9+13+16+19+22+25+28+31+34+35+36) | Rp 4.770.037.274.172 | Rp 4.327.441.937.201 | Rp -442.595.336.971 | -9.28% | Menurun |
| Peralatan dan Mesin | Rp 3.958.699.562.736 | Rp 4.391.131.233.490 | Rp 432.431.670.754 | 10.92% | Meningkat |
| Dana Transfer Treasury Deposit Facility (TDF) | Rp 329.465.667.000 | Rp 0 | Rp -329.465.667.000 | -100.00% | Menurun |
| Piutang Transfer Pemerintah Pusat/Dana Perimbangan | Rp 1.399.241.985.000 | Rp 1.073.559.610.000 | Rp -325.682.375.000 | -23.28% | Menurun |
| Piutang Transfer Pemerintah Pusat/Dana Perimbangan Netto | Rp 1.399.241.985.000 | Rp 1.073.559.610.000 | Rp -325.682.375.000 | -23.28% | Menurun |
| Jumlah Aset Lainnya (61+64+67+68) | Rp 625.268.145.572 | Rp 360.697.255.823 | Rp -264.570.889.749 | -42.31% | Menurun |
| Aset Tidak Berwujud | Rp 130.008.216.543 | Rp 267.340.266.202 | Rp 137.332.049.659 | 105.63% | Meningkat |
| Jumlah Kewajiban Jangka Pendek (77 s.d 81) | Rp 783.608.361.801 | Rp 883.015.180.769 | Rp 99.406.818.968 | 12.69% | Meningkat |
| Utang Belanja | Rp 749.981.155.000 | Rp 835.411.873.075 | Rp 85.430.718.075 | 11.39% | Meningkat |
| Aset Tidak Berwujud Netto | Rp 63.490.168.228 | Rp 146.696.083.669 | Rp 83.205.915.441 | 131.05% | Meningkat |
| Total Investasi Jangka Panjang (42+45) | Rp 1.353.677.849.106 | Rp 1.298.014.729.311 | Rp -55.663.119.795 | -4.11% | Menurun |
9. Hierarchical Regression
model_1 <- lm(log_2025 ~ log_2024, data = model_data)
model_2 <- lm(log_2025 ~ log_2024 + main_group, data = model_data)
model_3 <- lm(log_2025 ~ log_2024 + main_group + sub_group + sign_2024, data = model_data)
model_stats <- bind_rows(
glance(model_1) %>% mutate(model = "Model 1"),
glance(model_2) %>% mutate(model = "Model 2"),
glance(model_3) %>% mutate(model = "Model 3")
) %>%
transmute(
model,
n = nobs,
r_squared = round(r.squared, 3),
adj_r_squared = round(adj.r.squared, 3),
aic = round(AIC, 2),
bic = round(BIC, 2),
f_statistic = round(statistic, 3),
model_p_value = signif(p.value, 3)
)
model_stats %>%
knitr::kable(caption = "Ringkasan Model Hierarchical Regression")| model | n | r_squared | adj_r_squared | aic | bic | f_statistic | model_p_value |
|---|---|---|---|---|---|---|---|
| Model 1 | 60 | 0.605 | 0.598 | 407.11 | 413.39 | 88.933 | 0e+00 |
| Model 2 | 60 | 0.700 | 0.678 | 396.67 | 409.24 | 32.065 | 0e+00 |
| Model 3 | 60 | 0.717 | 0.620 | 415.24 | 450.84 | 7.416 | 1e-07 |
10. Perbandingan Model
comparison_table <- anova(model_1, model_2, model_3) %>%
as.data.frame() %>%
rownames_to_column("step") %>%
mutate(across(where(is.numeric), ~ round(., 4)))
comparison_table %>%
knitr::kable(caption = "Perbandingan Model dengan ANOVA")| step | Res.Df | RSS | Df | Sum of Sq | F | Pr(>F) |
|---|---|---|---|---|---|---|
| 1 | 58 | 2812.021 | NA | NA | NA | NA |
| 2 | 55 | 2137.987 | 3 | 674.0337 | 4.8961 | 0.0051 |
| 3 | 44 | 2019.130 | 11 | 118.8572 | 0.2355 | 0.9935 |
11. Koefisien Regresi
coefficient_table <- bind_rows(
tidy(model_1) %>% mutate(model = "Model 1"),
tidy(model_2) %>% mutate(model = "Model 2"),
tidy(model_3) %>% mutate(model = "Model 3")
) %>%
mutate(
estimate = round(estimate, 4),
std.error = round(std.error, 4),
statistic = round(statistic, 4),
p.value = signif(p.value, 3)
) %>%
select(model, term, estimate, std.error, statistic, p.value)
coefficient_table %>%
knitr::kable(caption = "Koefisien Hierarchical Regression")| model | term | estimate | std.error | statistic | p.value |
|---|---|---|---|---|---|
| Model 1 | (Intercept) | -27.4469 | 5.1847 | -5.2939 | 1.90e-06 |
| Model 1 | log_2024 | 1.9438 | 0.2061 | 9.4304 | 0.00e+00 |
| Model 2 | (Intercept) | -21.2051 | 5.0736 | -4.1795 | 1.05e-04 |
| Model 2 | log_2024 | 1.7647 | 0.2001 | 8.8207 | 0.00e+00 |
| Model 2 | main_groupEkuitas | -2.3515 | 4.6625 | -0.5043 | 6.16e-01 |
| Model 2 | main_groupKewajiban | -3.3298 | 2.9578 | -1.1258 | 2.65e-01 |
| Model 2 | main_groupLainnya | -9.6583 | 2.3662 | -4.0818 | 1.46e-04 |
| Model 3 | (Intercept) | -25.7523 | 9.0514 | -2.8451 | 6.71e-03 |
| Model 3 | log_2024 | 1.9341 | 0.2780 | 6.9568 | 0.00e+00 |
| Model 3 | main_groupEkuitas | 0.0952 | 7.2677 | 0.0131 | 9.90e-01 |
| Model 3 | main_groupKewajiban | -0.1285 | 6.3688 | -0.0202 | 9.84e-01 |
| Model 3 | main_groupLainnya | -9.6638 | 3.4317 | -2.8160 | 7.25e-03 |
| Model 3 | sub_groupEkuitas | NA | NA | NA | NA |
| Model 3 | sub_groupGedung dan Bangunan | 1.5382 | 8.7137 | 0.1765 | 8.61e-01 |
| Model 3 | sub_groupInvestasi | 2.1468 | 6.1562 | 0.3487 | 7.29e-01 |
| Model 3 | sub_groupJalan, Irigasi dan Jaringan | 1.1639 | 8.7087 | 0.1336 | 8.94e-01 |
| Model 3 | sub_groupKas | 6.8568 | 6.8798 | 0.9966 | 3.24e-01 |
| Model 3 | sub_groupKewajiban | NA | NA | NA | NA |
| Model 3 | sub_groupKonstruksi Dalam Pengerjaan | 3.5473 | 8.7517 | 0.4053 | 6.87e-01 |
| Model 3 | sub_groupLainnya | 3.2985 | 5.8293 | 0.5659 | 5.74e-01 |
| Model 3 | sub_groupPeralatan dan Mesin | 1.8920 | 8.7192 | 0.2170 | 8.29e-01 |
| Model 3 | sub_groupPersediaan | 4.1729 | 8.7922 | 0.4746 | 6.37e-01 |
| Model 3 | sub_groupPiutang | 2.0207 | 5.7013 | 0.3544 | 7.25e-01 |
| Model 3 | sub_groupTanah | 1.0929 | 8.7095 | 0.1255 | 9.01e-01 |
| Model 3 | sign_2024Positif | -3.1326 | 2.7804 | -1.1267 | 2.66e-01 |
12. Visualisasi Scatter Plot
ggplot(model_data, aes(x = log_2024, y = log_2025, color = main_group)) +
geom_point(size = 3, alpha = 0.8) +
geom_smooth(method = "lm", se = FALSE) +
labs(
title = "Scatter Plot Log Neraca 2024 dan Log Neraca 2025",
x = "log(1 + |Nilai Neraca 2024|)",
y = "log(1 + |Nilai Neraca 2025|)",
color = "Kelompok Akun"
) +
theme_minimal(base_size = 12)
13. Visualisasi Perubahan Terbesar
model_data %>%
arrange(desc(abs(change_abs))) %>%
slice_head(n = 10) %>%
mutate(uraian = str_trunc(uraian, 42)) %>%
ggplot(aes(x = reorder(uraian, change_abs), y = change_abs)) +
geom_col() +
coord_flip() +
scale_y_continuous(labels = label_number(big.mark = ".", decimal.mark = ",")) +
labs(
title = "10 Perubahan Absolut Terbesar Akun Neraca",
x = NULL,
y = "Perubahan Nilai Neraca (Rp)"
) +
theme_minimal(base_size = 12)
14. Analisis Hasil Statistik
Berdasarkan data neraca, total aset Pemerintah Provinsi Kalimantan Selatan meningkat dari Rp26,44 triliun pada tahun 2024 menjadi Rp27,93 triliun pada tahun 2025. Kenaikan tersebut sebesar Rp1,49 triliun atau sekitar 5,62 persen. Kenaikan total aset menunjukkan bahwa secara umum terdapat peningkatan sumber daya ekonomi yang dikuasai pemerintah daerah.
Aset lancar mengalami penurunan dari Rp4,77 triliun pada tahun 2024 menjadi Rp4,33 triliun pada tahun 2025. Penurunan tersebut sebesar Rp442,60 miliar atau sekitar 9,28 persen. Penurunan aset lancar menunjukkan bahwa komponen yang bersifat jangka pendek, seperti kas, piutang, dan persediaan, mengalami penurunan dibandingkan tahun sebelumnya.
Sebaliknya, aset tetap mengalami kenaikan signifikan. Aset tetap meningkat dari Rp19,65 triliun pada tahun 2024 menjadi Rp21,90 triliun pada tahun 2025. Kenaikan tersebut sebesar Rp2,25 triliun atau sekitar 11,46 persen. Kenaikan aset tetap menjadi faktor utama peningkatan total aset. Hal ini mengindikasikan bahwa struktur aset pemerintah daerah semakin didominasi oleh aset tetap, terutama infrastruktur, gedung, peralatan, dan konstruksi dalam pengerjaan.
Aset lainnya mengalami penurunan dari Rp625,27 miliar pada tahun 2024 menjadi Rp360,70 miliar pada tahun 2025. Penurunan tersebut sebesar Rp264,57 miliar atau sekitar 42,31 persen. Penurunan ini menunjukkan adanya perubahan cukup besar pada kelompok aset nonlancar selain aset tetap dan investasi jangka panjang.
Kewajiban jangka pendek meningkat dari Rp783,61 miliar pada tahun 2024 menjadi Rp883,02 miliar pada tahun 2025. Kenaikannya sebesar Rp99,41 miliar atau sekitar 12,69 persen. Meskipun kewajiban meningkat, nilainya masih relatif kecil dibandingkan total aset. Ekuitas juga meningkat dari Rp25,66 triliun pada tahun 2024 menjadi Rp27,04 triliun pada tahun 2025, atau naik sekitar Rp1,39 triliun.
14.1. Analisis Horizontal
Analisis horizontal menunjukkan bahwa tidak semua akun bergerak dalam arah yang sama. Dari 60 akun yang digunakan dalam model, sebanyak 24 akun mengalami peningkatan dan 36 akun mengalami penurunan. Hal ini menunjukkan bahwa meskipun total aset meningkat, beberapa akun neraca mengalami penurunan cukup besar.
Kenaikan terbesar terjadi pada kelompok aset tetap, terutama Jalan, Irigasi dan Jaringan; Gedung dan Bangunan; Konstruksi Dalam Pengerjaan; serta Peralatan dan Mesin. Kenaikan pada akun-akun tersebut menunjukkan adanya penambahan atau kapitalisasi aset tetap selama tahun berjalan.
Penurunan terbesar antara lain terjadi pada aset lancar dan aset lainnya. Penurunan aset lancar terutama terlihat dari berkurangnya beberapa komponen piutang dan kas tertentu. Sementara itu, penurunan aset lainnya dipengaruhi oleh berkurangnya komponen aset tertentu yang pada tahun sebelumnya masih tercatat dalam neraca.
Secara keseluruhan, hasil analisis horizontal menunjukkan bahwa perubahan neraca lebih banyak dipengaruhi oleh kenaikan aset tetap daripada kenaikan aset lancar. Dengan kata lain, peningkatan total aset lebih mencerminkan bertambahnya aset jangka panjang dibandingkan bertambahnya aset yang mudah dicairkan dalam jangka pendek.
14.2. Analisis Rasio Sederhana
Rasio lancar tahun 2025 sebesar 4,90 kali, sedangkan tahun 2024 sebesar 6,09 kali. Penurunan ini menunjukkan bahwa kemampuan aset lancar dalam menutup kewajiban jangka pendek masih kuat, tetapi mengalami penurunan dibandingkan tahun sebelumnya. Nilai rasio di atas 1 tetap menunjukkan bahwa aset lancar masih lebih besar daripada kewajiban jangka pendek.
Rasio kewajiban terhadap total aset meningkat dari 2,96 persen pada tahun 2024 menjadi 3,16 persen pada tahun 2025. Kenaikan ini menunjukkan bahwa porsi kewajiban terhadap total aset sedikit meningkat. Namun, persentasenya masih relatif kecil, sehingga struktur neraca masih didominasi oleh ekuitas.
Rasio ekuitas terhadap total aset mengalami sedikit penurunan dari 97,04 persen pada tahun 2024 menjadi 96,84 persen pada tahun 2025. Meskipun turun, rasio tersebut tetap sangat tinggi. Artinya, sebagian besar aset pemerintah daerah masih ditopang oleh ekuitas.
Rasio aset tetap terhadap total aset meningkat dari 74,30 persen pada tahun 2024 menjadi 78,41 persen pada tahun 2025. Kenaikan ini penting karena menunjukkan bahwa neraca semakin didominasi oleh aset tetap. Kondisi ini wajar bagi pemerintah daerah karena sebagian besar asetnya berupa tanah, gedung, jalan, irigasi, jaringan, dan aset infrastruktur lainnya.
Sebaliknya, rasio aset lancar terhadap total aset turun dari 18,04 persen menjadi 15,50 persen. Penurunan ini menunjukkan bahwa proporsi aset jangka pendek terhadap total aset semakin kecil.
14.3. Hasil Hierarchical Regression
Hierarchical regression dilakukan dengan tiga model. Perbandingan model dilakukan dengan melihat nilai R-squared, adjusted R-squared, AIC, BIC, dan hasil ANOVA antar model.
Model 1 menggunakan log nilai neraca tahun 2024 sebagai prediktor tunggal terhadap log nilai neraca tahun 2025.
log_2025 = β0 + β1 log_2024 + ε
Model 3:
log_2025 = β0 + β1 log_2024 + β2 main_group + β3 sub_group + β4 sign_2024 + ε
Model 2 menambahkan variabel kelompok utama akun.
log_2025 = β0 + β1 log_2024 + β2 main_group + ε
Model 3 menambahkan subkelompok akun dan tanda nilai akun tahun 2024.
log_2025 = β0 + β1 log_2024 + β2 main_group + β3 sub_group + β4 sign_2024 + ε
Hasil Model 1 menunjukkan nilai R-squared sebesar 0,605 dan adjusted R-squared sebesar 0,598. Artinya, nilai akun neraca tahun 2024 mampu menjelaskan sekitar 60,5 persen variasi nilai akun neraca tahun 2025. Hasil ini menunjukkan bahwa nilai akun tahun sebelumnya memiliki hubungan yang cukup kuat dengan nilai akun tahun berjalan.
Model 2 menghasilkan R-squared sebesar 0,700 dan adjusted R-squared sebesar 0,678. Nilai ini lebih tinggi dibandingkan Model 1. Artinya, penambahan variabel kelompok utama akun meningkatkan kemampuan model dalam menjelaskan variasi nilai akun tahun 2025. Hasil ANOVA menunjukkan bahwa peningkatan dari Model 1 ke Model 2 signifikan, sehingga kelompok akun memberikan informasi tambahan yang berguna.
Model 3 menghasilkan R-squared sebesar 0,717, tetapi adjusted R-squared turun menjadi 0,620. Walaupun R-squared meningkat, adjusted R-squared menurun. Selain itu, nilai AIC dan BIC pada Model 3 menjadi lebih tinggi dibandingkan Model 2. Hasil ANOVA dari Model 2 ke Model 3 juga tidak menunjukkan peningkatan yang signifikan. Dengan demikian, penambahan subkelompok akun dan tanda nilai akun tidak memberikan perbaikan model yang berarti.
Berdasarkan hasil tersebut, Model 2 dapat dianggap sebagai model yang paling baik dan paling sederhana. Model 2 mampu memberikan keseimbangan antara kemampuan menjelaskan variasi data dan kesederhanaan model. Model ini menunjukkan bahwa nilai akun tahun 2024 dan kelompok utama akun merupakan kombinasi variabel yang cukup baik untuk menjelaskan nilai akun neraca tahun 2025.
Secara substantif, hasil analisis menunjukkan bahwa neraca pemerintah daerah memiliki sifat berkelanjutan. Nilai akun tahun sebelumnya cenderung menjadi dasar bagi nilai akun tahun berikutnya. Hal ini terutama terlihat pada akun-akun besar seperti aset tetap, ekuitas, akumulasi penyusutan, dan kewajiban.
Kenaikan aset tetap menunjukkan adanya peningkatan aset jangka panjang yang dimiliki pemerintah daerah. Peningkatan ini dapat menjadi indikator adanya belanja modal, penyelesaian pekerjaan konstruksi, kapitalisasi aset, atau penyesuaian nilai aset tetap. Namun, peningkatan aset tetap juga perlu diikuti dengan penatausahaan aset yang baik, seperti pencatatan KIB, penyusutan, inventarisasi, rekonsiliasi, dan pengamanan aset.
Penurunan aset lancar menunjukkan perubahan pada kemampuan likuiditas jangka pendek. Walaupun rasio lancar masih tinggi, penurunannya tetap perlu diperhatikan karena aset lancar berhubungan dengan kemampuan pemerintah daerah dalam memenuhi kewajiban jangka pendek.
Kenaikan kewajiban jangka pendek menunjukkan adanya peningkatan utang atau kewajiban yang harus diselesaikan dalam waktu dekat. Namun, karena rasio kewajiban terhadap total aset masih rendah, peningkatan kewajiban tersebut belum menunjukkan tekanan keuangan yang besar terhadap neraca pemerintah daerah.
Hasil hierarchical regression juga menunjukkan bahwa pengelompokan akun penting dalam menjelaskan variasi nilai neraca. Artinya, akun aset, kewajiban, dan ekuitas memiliki karakteristik yang berbeda. Oleh karena itu, analisis neraca tidak cukup hanya melihat angka total, tetapi juga perlu melihat struktur dan kelompok akun yang membentuk total tersebut.
15. Kesimpulan
Berdasarkan hasil analisis, dapat disimpulkan bahwa total aset Pemerintah Provinsi Kalimantan Selatan meningkat dari tahun 2024 ke tahun 2025. Kenaikan tersebut terutama dipengaruhi oleh peningkatan aset tetap. Aset lancar mengalami penurunan, sedangkan kewajiban jangka pendek dan ekuitas mengalami peningkatan.
Rasio lancar menunjukkan bahwa kemampuan pemerintah daerah dalam memenuhi kewajiban jangka pendek masih kuat, meskipun menurun dibandingkan tahun sebelumnya. Rasio kewajiban terhadap total aset masih rendah, sehingga struktur neraca masih didominasi oleh ekuitas. Rasio aset tetap terhadap total aset meningkat, yang menunjukkan bahwa struktur aset pemerintah daerah semakin didominasi oleh aset jangka panjang.
Hasil hierarchical regression menunjukkan bahwa nilai akun neraca tahun 2024 dapat menjelaskan sebagian besar variasi nilai akun neraca tahun 2025. Penambahan kelompok utama akun pada Model 2 meningkatkan kemampuan penjelasan model secara signifikan. Namun, penambahan subkelompok akun dan tanda nilai akun pada Model 3 tidak memberikan peningkatan yang berarti. Oleh karena itu, Model 2 merupakan model yang paling tepat digunakan.
Secara keseluruhan, analisis ini menunjukkan bahwa neraca Pemerintah Provinsi Kalimantan Selatan tahun 2024–2025 mengalami penguatan pada sisi aset tetap, tetapi diikuti dengan penurunan porsi aset lancar. Hasil ini memberikan gambaran bahwa pengelolaan aset tetap, rekonsiliasi data aset, dan penatausahaan barang milik daerah tetap menjadi aspek penting dalam menjaga kualitas penyajian neraca pemerintah daerah.
16. Daftar Pustaka
Badan Pemeriksa Keuangan Republik Indonesia Perwakilan Provinsi Kalimantan Selatan. (2025). BPK Serahkan LHP atas LKPD Pemerintah Provinsi Kalimantan Selatan Tahun 2024.
Pemerintah Republik Indonesia. (2010). Peraturan Pemerintah Nomor 71 Tahun 2010 tentang Standar Akuntansi Pemerintahan.
PPID Utama Provinsi Kalimantan Selatan. (2025). Dokumen Laporan Keuangan Pemerintah Provinsi Kalimantan Selatan Tahun Anggaran 2024.