analisis pertumbuhan ekonomi wilayah di jawa timur
TRANSCRIPT
TUGAS AKHIR - SS 145561
ANALISIS PERTUMBUHAN EKONOMI WILAYAH DI JAWA TIMUR BERDASARKAN KONDISI INFRASTRUKTUR PADA TAHUN 2013 - 2016
Astry Asih
NRP 10611500000073
Pembimbing
Ir. Mutiah Salamah Chamid, M.Kes
Program Studi Diploma III Departemen Statistika Bisnis
Fakultas Vokasi
Institut Teknologi Sepuluh Nopember
Surabaya 2018
TUGAS AKHIR - SS 145561
ANALISIS PERTUMBUHAN EKONOMI WILAYAH
DI JAWA TIMUR BERDASARKAN KONDISI INFRASTRUKTUR PADA TAHUN 2013 - 2016
Astry Asih NRP 10611500000073
Pembimbing
Ir. Mutiah Salamah Chamid, M.Kes
Program Studi Diploma III
Departemen Statistika Bisnis
Fakultas Vokasi
Institut Teknologi Sepuluh Nopember Surabaya 2018
FINAL PROJECT - SS 145561
ANALYSIS OF REGINAL ECONOMIC GROWTH IN EAST
JAVA BASED ON THE CONDITION OF THE INFRASTRUCTURE IN THE YEARS 2013 - 2016
Astry Asih
NRP 10611500000073
Supervisor Ir. Mutiah Salamah Chamid, M.Kes
Study Programme of Diploma III
Departement of Bussiness Statistics Faculty of Vocations
Institut Teknologi Sepuluh Nopember
Surabaya 2018
iv
ANALISIS PERTUMBUHAN EKONOMI WILAYAH DI
JAWA TIMUR BERDASARKAN KONDISI
INFRASTRUKTUR PADA TAHUN 2013 - 2016
Nama : Astry Asih NRP : 10611500000073 Dapartemen : Statistika Bisnis
Pembimbing : Ir. Mutiah Salamah Chamid, M.Kes
Abstrak
Pertumbuhan ekonomi merupakan indikator penting dalam mengukur pembangunan keberhasilan suatu wilayah. Hal tersebut dapat dilihat dari nilai PDRB yang disalurkan guna pelaksanaan pembangunan ekonomi dibeberapa sektor seperti pendidikan,
kesehatan, air bersih, listrik, pariwisata, dan lain-lain. Perekonomian Jawa Timur pada tahun 2016 mengalami nilai tambah atas harga konstan 2010 sebesar Rp. 1.405,24 triliun. Nilai ini setara dengan 14,65 persen perekonomian nasional dan lebih tinggi dibanding tahun 2015 sebesar 14,53 persen. Besarnya nilai tersebut tidak lepas dari peran 38 kabupaten/kota dengan kondisi geografis dan sosial budaya yang beragam antar wilayah. Beberapa upaya pembangunan proyek infrastruktur dilakukan di
Jawa Timur guna meningkatkan kesejahteraan masyarakat. Oleh karena itu, dalam penelitian ini ingin mengetahui hubungan antara pertumbuhan ekonomi (PDRB) di Jawa Timur dengan kondisi infrastruktur yang mempengaruhi menggunakan analisis regresi. Berdasarkan analisis didapatkan bahwa model terbaik yang terpilih adalah FEM Individu dengan variabel yang berpengaruh signifikan adalah volume air disalurkan, akomodasi hotel dan
sarana kesehatan serta persentase kebaikan model sebesar 99%. Secara keseluruhan Kota Surabaya sebagai kota di Jawa Timur yang unggul dalam beberapa faktor.
Kata Kunci : Infrastruktur, Pertumbuhan Ekonomi, Regresi Data
Panel
v
ANALYSIS OF REGINAL ECONOMIC GROWTH IN
EAST JAVA BASED ON THE CONDITION OF THE
INFRASTRUCTURE IN THE YEARS 2013 - 2016
Name : Astry Asih NRP : 10611500000073 Dapartment : Statistika Bisnis Supervisor : Ir. Mutiah Salamah Chamid, M.Kes
Abstract
Economic growth is an important indicator in measuring the development of a region's success. It can be seen from the value of GRDP that is channeled for the implementation of economic development in some sectors such as education, health,
clean water, electricity, tourism, and others. The economy of East Java in 2016 has added value at constant 2010 prices of Rp. 1,405.24 trillion. This value is equivalent to 14.65 percent of the national economy and higher than the year 2015 of 14.53 percent. The amount of value is not separated from the role of 38 districts / cities with varying geographic and socio-cultural conditions between regions. Several infrastructure development projects were undertaken in East Java to improve community
welfare. Therefore, in this study wanted to know the relationship between economic growth (GRDP) in East Java with the condition of infrastructure that influence using regression analysis. Based on the analysis it is found that the best model chosen is the multiple regression model with the model equation obtained is as well as the percentage of model goodness of 99%. Overall the city of Surabaya as a city in East Java is superior in
several factors such as the volume of water channeled, educational and health facilities.
Keyword: Infrastructure, Economic Growth, Panel Data Regression
vi
KATA PENGANTAR
Puji syukur kehadirat Allah SWT atas limpahan rahmat, hidayah dan karunia-Nya sehingga penulis dapat menyelesaikan penyusunan Tugas Akhir yang berjudul “Analisis Pertumbuhan
Ekonomi Wilayah Di Jawa Timur Berdasarkan Kondisi
Infrastruktur Pada Tahun 2013 - 2016” dengan baik. Penulis menyadari bahwa dalam penyusunan Tugas Akhir ini tidak terlepas dari bantuan dan dukungan dari berbagai pihak. Oleh
karena itu, pada kesempatan ini penulis mengucapkan terima kasih yang sebesar-besarnya kepada: 1. Ir. Mutiah Salamah, M.Kes selaku dosen pembimbing yang
selalu mendukung dan memberikan masukan, saran serta bimbingan selama penyusunan laporan Tugas Akhir ini
2. Dra. Destri Susilanigrum, M.Si sebagai dosen penguji sekaligus validator serta Iis Dewi Ratih, S.Si., M.Si selaku
dosen penguji yang telah memberikan banyak masukan, saran dan bantuan dalam penyelesaian Tugas Akhir ini.
3. Dr. Wahyu Wibowo, S.Si, M.Si selaku Kepala Departemen Statistika Bisnis atas bantuan dan ilmu yang telah diberikan
4. Ir. Sri Pingit Wulandari, M.Si selaku Kepala Program Studi Diploma III Statistika Bisnis Fakultas Vokasi ITS yang banyak membantu memberikan dukungan dalam penyelesaian Tugas Akhir ini.
5. Drs. Brodjol Sutijo S.U, M.Si selaku Sekretaris Departemen Statistika Bisnis sekaligus dosen wali yang selalu memberi motivasi dan membagi ilmunya kepada penulis.
6. Seluruh dosen pengajar beserta karyawan Departemen Statistika Bisnis Fakultas Vokasi ITS yang telah memberikan ilmu serta karyawan Departemen Statistika Bisnis ITS.
7. BPS Provinsi Jawa Timur yang yang telah mengizinkan dan
menyediakan data yang diperlukan dalam penyusunan Tugas Akhir ini.
vii
8. Kedua orang tua penulis, Bapak Totok Prawoto dan Ibu Suminah serta saudara penulis, Arief Edi Kasenda dan Etika Shanty atas segala doa, kasih sayang, motivasi dan perjuangan nya sehingga penulis dapat menyelesaikan Tugas Akhir ini
9. Orang yang selalu memberikan semangat, doa, dukungan, dan
mendengarkan keluh kesah penulis selama proses penyelesaian Laporan Tugas Akhir ini
10. Sahabat tercinta, Yosi, Ajeng, Syafa, Fella, Nastiti, Puput, Nabilah dan Wulan yang senantiasa menemani, menghibur dan memberikan semangat serta saran dalam menyelesaikan Tugas Akhir ini
11. Serta semua pihak yang telah membantu dalam pelaksanaan
maupun dalam pembuatan Laporan Tigas Akhir ini. Akhir kata penulis menyadari bahwa dalam penulisan
Tugas Akhir ini masih jauh dari kesempurnaan sehingga kritik dan saran yang bersifat membangun sangat diperlukan demi perbaikan isi laporan ini kedepannya. Harapan penulis bahwa laporan Tugas Akhir ini dapat memberikan kebermanfaatan kepada berbagai pihak.
Surabaya, 4 Juli 2018 Penulis
viii
DAFTAR ISI
Halaman
HALAMAN JUDUL ................................................................. i LEMBAR PENGESAHAN ..................................................... iii ABSTRAK .............................................................................. iv ABSTRACT .............................................................................. v KATA PENGANTAR ............................................................. vi DAFTAR ISI ......................................................................... viii DAFTAR TABEL .................................................................... x DAFTAR GAMBAR ............................................................... xi
DAFTAR LAMPIRAN .......................................................... xii BAB I PENDAHULUAN 1.1 Latar Belakang ......................................................... 1 1.2 Rumusan Masalah .................................................... 4 1.3 Tujuan ...................................................................... 5 1.4 Manfaat .................................................................... 5 1.5 Batasan Masalah ....................................................... 5
BAB II TINJAUAN PUSTAKA
2.1 Analisis Regresi Data Panel ...................................... 7 2.1.1 Multikolinieritas .............................................. 8
2.1.2 Estimasi Model Regresi Data Panel .................. 9 2.1.3 Pengujian Signifikasi Parameter Secara
Serentak .......................................................... 12 2.1.4 Pengujian Signifikasi Parameter Secara
Parsial ............................................................. 13 2.2 Pemilihan Model Estimasi Regresi Data Panel ........ 15 2.3 Pemeriksaan Asumsi Residual IIDN ....................... 16 2.4 Pertumbuhan Ekonomi ........................................... 19 2.5 Infrastruktur ........................................................... 20 BAB III METODOLOGI PENELITIAN 3.1 Sumber Data ........................................................... 23 3.2 Variabel Penelitian ................................................. 23
3.3 Metode Analisis...................................................... 25
ix
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Karakteristik Data PDRB dan Infrastruktur Jawa
Timur Tahun 2013 – 2016 ...................................... 29 4.2 Deteksi Multikolinieritas ........................................ 33 4.3 Estimasi Model Regresi Panel Metode CEM ........... 33
4.4 Estimasi Model Regresi Panel Metode FEM ........... 36 4.4.1 Estimasi Model FEM Individu ....................... 36 4.4.2 Estimasi Model FEM Waktu .......................... 42 4.5 Pemilihan Model Regresi Data Panel ...................... 46 4.5.1 CEM dengan FEM Efek Individu ................... 47 4.5.2 CEM dengan FEM Efek Waktu ...................... 47 4.5.3 Pemilihan Model Terbaik Berdasarkan R2 ..... 48
4.6 Uji Asumsi Model Regresi Data Panel ..................... 48 4.6.1 Pengujian Asumsi Identik .............................. 49 4.6.2 Pengujian Asumsi Independen ....................... 49 4.6.3 Pengujian Asumsi Distribusi Normal.............. 50 BAB V PENUTUP 5.1 Kesimpulan ............................................................ 53 5.2 Saran ...................................................................... 53
DAFTAR PUSTAKA LAMPIRAN
BIODATA PENULIS
x
DAFTAR TABEL
Halaman
Tabel 2.1 ANOVA............................................................... 13 Tabel 3.1 Variabel Penelitian ............................................... 23 Tabel 3.2 Struktur Data ........................................................ 24
Tabel 4.1 Deteksi Multikolinieritas Berdasarkan Nilai VIF .. 33
Tabel 4.2 Estimasi Parameter Model CEM........................... 34
Tabel 4.3 Uji Serentak Model CEM ..................................... 35
Tabel 4.4 Uji Parsial Model CEM ........................................ 35
Tabel 4.5 Estimasi Parameter Model FEM Individu ............. 37
Tabel 4.6 Uji Serentak Model FEM berdasarkan Efek Individu ............................................................... 38 Tabel 4.7 Uji Parsial untuk Variabel Independen Model FEM Individu....................................................... 39 Tabel 4.8 Uji Perbedaan Dummy Model FEM Individu ....... 40 Tabel 4.9 Estimasi Parameter Model FEM Waktu ................ 42 Tabel 4.10 Uji Serentak Model FEM berdasarkan Efek
Waktu .................................................................. 44 Tabel 4.11 Uji Parsial untuk Variabel Independen Model FEM Waktu ......................................................... 44 Tabel 4.12 Uji Perbedaan Dummy Model FEM Waktu .......... 46
Tabel 4.13 Hasil Uji Chow CEM dengan FEM Individu ........ 47
Tabel 4.14 Hasil Uji Chow CEM dengan FEM Waktu ........... 48 Tabel 4.15 Pemilihan Model Terbaik Berdasarkan R2 ............ 48
Tabel 4.16 Hasil uji Glejser Model FEM Efek Individu ......... 49
Tabel 4.17 Hasil uji Durbin Watson Model FEM Efek Individu ............................................................... 50 Tabel 4.18 Hasil Analisis Regresi Data Panel......................... 51
xi
DAFTAR GAMBAR
Halaman
Gambar 3.1 Diagram Alir ..................................................... 26 Gambar 3.1 Diagram Alir (Lanjutan) .................................... 27 Gambar 4.1 PDRB Kabupaten/Kota Jawa Timur Tahun
2013 – 2016 ....................................................... 29 Gambar 4.2 Volume Air Disalurkan di Kabupaten/Kota
Jawa Timur Tahun 2013 – 2016 ......................... 30 Gambar 4.3 Jumlah Akomodasi Hotel di Kabupaten/Kota
Jawa Timur Tahun 2013 – 2016 ......................... 31
Gambar4.4 Sarana Pendidikan Sekolah Menengah di Kabupaten/Kota Jawa Timur Tahun 2013 – 2016 .................................................................. 31
Gambar 4.5 Sarana Kesehatan di Kabupaten/Kota Jawa Timur Tahun 2013 – 2016.................................. 32
Gambar 4.6 Grafik Distribusi Normal ................................... 51
xii
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Data Pengamatan ............................................ 57 Lampiran 2. Model Regresi CEM dan Deteksi
Multikolinieritas .............................................. 63 Lampiran 3. Uji Signifikansi Parameter Model Regresi
CEM ............................................................... 63 Lampiran 4. Model Regresi FEM Individu .......................... 63 Lampiran 4. Model Regresi FEM Individu (Lanjutan) ......... 64
Lampiran 5. Uji Signifikansi Parameter Model Regresi
FEM Individu.................................................. 64 Lampiran 5. Uji Signifikansi Parameter Model Regresi
FEM Individu (Lanjutan) ................................ 65 Lampiran 6. Model Regresi FEM Waktu ............................. 66
Lampiran 7. Uji Signifikansi Parameter Model Regresi FEM Waktu .................................................... 67
Lampiran 7. Uji Signifikansi Parameter Model Regresi
FEM Waktu (Lanjutan) ................................... 67 Lampiran 8. Perhitungan Uji Chow Model CEM dengan
FEM Individu.................................................. 67 Lampiran 9. Perhitungan Uji Chow Model CEM dengan
FEM Waktu .................................................... 67 Lampiran 10. Pengujian Asumsi Identik Model FEM efek
Individu .......................................................... 67
Lampiran 10. Pengujian Asumsi Identik Model FEM efek Individu (Lanjutan) ......................................... 68
Lampiran 11. Pengujian Asumsi Independen Model FEM efek Individu .................................................. 68
Lampiran 12. Hasil Analisis Model Terbaru CEM................. 68 Lampiran 13. Hasil Analisis Model Terbaru FEM Individu.... 69 Lampiran 13. Hasil Analisis Model Terbaru FEM Individu
(Lanjutan) ....................................................... 70
Lampiran 14. Hasil Analisis Model Terbaru FEM Waktu ...... 70
xiii
Lampiran 14. Hasil Analisis Model Terbaru FEM Waktu (Lanjutan) ....................................................... 71
Lampiran 15. Surat Pengambilan Data .................................. 72 Lampiran 16. Surat Pernyataan Kevalidan Data..................... 73
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pertumbuhan ekonomi merupakan salah satu indikator
yang mengukur keberhasilan pembangunan ekonomi suatu wilayah dalam usaha meningkatkan pemasukkan atau pendapatan perkapita suatu wilayah dengan cara mengolah potensi ekonomi menjadi bentuk riil (Sukirno, 2000). Indikator untuk mengetahui kemajuan perekonomian wilayah/provinsi dapat dilihat dari nilai Produk Domestik Regional Bruto (PDRB). PDRB berpengaruh pada perekonomian dengan cara meredistribusi pendapatan bruto dan kekayaan serta menambah tingkat output. PDRB yang selalu
menurun menyebabkan ketidakpastian bagi pembangunan di daerah dan kesejahteraan masyarakat. Dalam perspektif ini, potensi ekonomi yang dimaksud adalah dengan pembangunan ekonomi yang baik maka akan memperluas akses publik untuk memperoleh sumber-sumber daya yang diperlukan guna mencapai kesejahteraan masyarakat, mempermudah akses publik untuk memperoleh dan menikmati berbagai fasilitas pelayanan
dasar seperti pendidikan, kesehatan, air bersih, listrik, keamanan, dan lain-lain.
Infrastruktur merupakan kebutuhan dasar fisik pengorganisasian sistem terstruktur yang diperlukan untuk jaminan ekonomi sektor publik dan sektor privat sebagai layanan dan fasilitas agar perekonomian dapat berfungsi dengan baik. Infrastruktur memegang peranan penting sebagai salah satu roda
penggerak pembangunan dan pertumbuhan ekonomi karena dapat merangsang peningkatan pendapatan masyarakat melalui aktifitas ekonomi yang semakin meningkat. Pada dasarnya infrastruktur pembangunan dapat dibedakan menjadi dua (2) yaitu: (1) infrastruktur ekonomi yaitu infrastruktur fisik baik yang digunakan dalam proses produksi maupun yang dimanfaatkan oleh masyarakat, meliputi semua prasarana umum seperti tenaga listrik, telekomunikasi, perhubungan, irigasi, air bersih dan
2
sanitari serta pembuangan limbah dan (2) infrastruktur sosial yaitu prasarana sosial seperti kesehatan dan pendidikan.
Jawa Timur sebagai salah satu provinsi di Indonesia yang
mengalami pertumbuhan ekonomi cukup baik pada tahun 2016. Perekonomian Jawa Timur pada tahun 2016 mengalami nilai tambah atas harga konstan 2010 sebesar Rp. 1.405,24 triliun. Nilai ini setara dengan 14,65 persen perekonomian nasional dan lebih tinggi dibanding tahun 2015 sebesar 14,53 persen. Besarnya nilai tambah yang dihasilkan di Jawa Timur tidak lepas dari peran 38 kabupaten/kota dengan kondisi geografis dan sosial budaya yang beragam antar wilayah. Saat ini pemerintah Provinsi Jawa
Timur sedang memprioritaskan sejumlah proyek infrastruktur dalam rangka meningkatkan kesejahteraan masyarakat. Terdapat beberapa proyek strategis yang sedang dilakukan oleh pemerintah Provinsi Jawa Timur misalnya adalah menyediakan air bersih, pemerintah Provinsi Jawa Timur sedang dalam tahap pembangunan Spam Umbulan dimana memberikan manfaat bagi 1,3 juta jiwa. Pembangunan tersebut direncakan mengaliri
beberapa wilayah diantaranya Kabupaten Pasuruan, Kota Pasurun, Kabupaten Sidoarjo, Kota Surabaya, Kabupaten Gresik dan kawasan industri. Bidang kesehatan Provinsi Jawa Timur melakukan program peningkatan sarana prasaran alat RS rujukan regional di RSUD dr. Saiful Anwar Kota Malang, RSUD Ibnu Sina Kab. Gresik, RSUD Haji Surabaya, RSUD Soedono Kota Madiun, RSUD Jombang, RSUD Dr. Soebandi Kab. Jember.
Sebagai rujukan penduduk untuk berobat jalan di Provinsi Jawa Timur, jumlah fasilitas kesehatan tertinggi adalah puskesmas.
Pentingnya infrastruktur dalam memegang peranan sebagai salah satu roda penggerak pembangunan suatu wilayah menjadi penyebab perlunya diketahui hubungan antara pertumbuhan ekonomi (PDRB) di Jawa Timur dengan variabel infrastruktur yang mempengaruhi. Pada penelitian ini variabel yang digunakan adalah air disalurkan, akomodasi hotel, pendidikan dan sarana
kesehatan menurut Kabupaten/Kota di Provinsi Jawa Timur. Variabel tersebut dipilih karena beberapa pertimbangan.
3
Air mempunyai pengaruh terhadap pertumbuhan ekonomi karena dengan terpenuhinya kebutuhan air akan memberikan fasilitas dalam menstransformasi nontradable goods menjadi tradable goods atau dari sektor pertanian menjadi jasa dan manufaktur. Adanya pengurangan waktu dan usaha yang
dibutuhkan untuk mendapatkan air bersih akan mempengaruhi keberangkatan orang untuk bekerja, menjual barang ke pasar, dan proses perpindahan barang produksi. Pembangunan fasilitas pariwisata mempunyai pengaruh terhadap pertumbuhan ekonomi untuk meningkatkan pendapatan suatu wilayah karena dapat menjadi daya tarik bagi wistawan yang berkunjung sehingga meningkatkan investasi keberlanjutan bagi wilayah tersebut.
Infrastruktur pendidikan berperan untuk memberikan kemampuan, pengalaman, serta keahlian kepada masyarakat agar menciptakan sumber daya manusia yang berkualitas yang diperlukan untuk subyek pelaku ekonomi. Sarana kesehatan diperhitungkan untuk dapat menjaga masyarakat agar selalu dalam kondisi sehat sehingga mudah dan memperlancar melakukan kegiatan ekonomi.
Metode yang digunakan untuk menyelesaikan permasalahan dalam penelitian ini adalah analisis regresi data panel. Analisis regresi data panel merupakan metode analisis yang dapat digunakan untuk menganalisis data dan mengambil kesimpulan yang bermakna tentang hubungan ketergantungan variabel terhadap variabel lainnya dengan observasi berupa unit individu yang diamati dari waktu ke waktu. Hubungan yang didapat pada umumnya dinyatakan dalam bentuk persamaan
matematika yang menyatakan hubungan antara variabel bebas (independent variable) dan variabel tak bebas (dependent variable) dalam bentuk persamaan sederhana (Drapper and Smith, 1992).
Penelitian ini mengacu pada penelitian sebelumnya yang dilakukan oleh mahasiswa Program Studi Ekonomi dan Bisnis, Universitas Diponegoro Semarang bernama Fauzani Zamzami
(2014) melakukan penelitian dengan judul “Analisis Pengaruh
4
Infrastruktur Terhadap PDRB Jawa Tengah Tahun 2008 – 2012” dengan menggunakan alat analisis data panel time series, cross section. Variabel independen yang digunakan Jalan, Air, Listrik,
Irigasi Pendidikan, Kesehatan, Perumahan, PNS, Pengeluaran Pembangunan. Berdasarkan hasil pengolahan regresi data panel maka dapat diketahui bahwa dari variabel independen jalan, Irigasi, Pendidikan, PNS dan Pengeluaran pembangunan berpengaruh signifikan terhadap Pdrb Jawa Tengah Tahun 2008 – 2012,sedangkan variabel Air, Listrik, Kesehatan,dan Perumahan tidak berpengaruh signifikan terhadap PDRB Jawa Tengah Tahun 2008-2012.
Upaya pemerintah Provinsi Jawa Timur dalam memperbaiki beberapa infrastruktur di beberapa wilayah Kabupaten/Kota dilakukan analisis dengan metode regresi data panel untuk mengetahui hubungan antara pertumbuhan ekonomi (PDRB) di Jawa Timur dengan infrastruktur yang berpengaruh signifikan sehingga dapat memberikan nilai yang cenderung meningkat setiap tahunnya serta dapat mengetahui kontribusi tiap
Kabupaten/Kota dalam memberikan pertumbuhan ekonomi di Provinsi Jawa Timur. Harapannya adalah infrastruktur yang berpengaruh signifikan tersebut dapat dijadikan sasaran oleh pemerintah dalam melakukan pembangunan di tahun berikutnya.
1.2 Rumusan Masalah
Jawa Timur sebagai salah satu provinsi di Indonesia yang mengalami pertumbuhan ekonomi cukup baik pada tahun 2016. Pada tahun 2016 nilai tambah PDRB atas harga konstan 2010 sebesar Rp. 1.405,24 triliun. Nilai ini setara dengan 14,65 persen perekonomian nasional dan lebih tinggi dibanding tahun 2015
sebesar 14,53 persen. Hal itu dapat dilihat dari upaya pemerintah dalam melakukan beberapa pembangunan infrastruktur air dan pendidikan. Sehingga, permasalahan yang dibahas pada penelitian ini adalah bagaimana karakteristik PDRB dan infrastruktur di Jawa Timur serta bagaimana analisis hubungan infrastruktur seperti air, pariwisata, pendidikan dan kesehatan yang terhadap pendapatan per kapita (PDRB) di Kabupatan/Kota di Jawa Timur.
5
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah di atas, maka tujuan dari penelitian ini adalah sebagai berikut. 1. Mendeskripsikan karakteristik PDRB dan infrastruktur di
Jawa Timur.
2. Menganalisis hubungan antara pertumbuhan ekonomi (PDRB) di Jawa Timur dengan variabel infrastruktur yang mempengaruhinya.
1.4 Manfaat
Manfaat yang dapat diperoleh dengan adanya penelitian ini bagi penulis adalah meningkatkan kemampuan penelitian dengan mengaplikasikan metode statistika sebagai metode dalam penyelesaian permasalahan umum sehingga dapat bermanfaat dalam pengembangan diri. Bagi pembaca dapat memberikan
informasi mengenai kondisi infrastruktur dan pertumbuhan ekonomi di Jawa Timur serta mengetahui infrastruktur mana yang berpengaruh signifikan pada pertumbuhan ekonomi di Jawa Timur.
1.5 Batasan Masalah
Batasan Masalah yang digunakan dalam penelitian ini adalah data dari BPS Jawa Timur mengenai nilai PDRB atas dasar harga konstan 2010 menurut lapangan usaha dan faktor yang mempengaruhi menurut Kabupaten/Kota di Provinsi Jawa Timur tahun 2013-2016 dengan metode analisis untuk
mengestimasi parameter model adalah menggunakan Common Effect Model (CEM) dan Fixed Effect Model (FEM) berdasarkan efek individu dan efek waktu.
6
(Halaman ini sengaja dikosongkan)
7
BAB II
TINJAUAN PUSTAKA
2.1 Analisis Regresi Data Panel
Regresi panel adalah regresi dengan struktur data panel.
Data panel adalah gabungan dari data cross section dan data time series. Data cross section merupakan data dari satu variabel atau lebih yang dikumpulkan untuk beberapa individu dalam satu waktu. Sedangkan data time series merupakan data dari satu variabel atau lebih yang dikumpulkan dari waktu ke waktu. Sehingga dalam data panel, unit cross section yang sama dikumpulkan dari waktu ke waktu (Gujarati & Porter, 2012). Data panel juga dikenal dengan data pooled, kombinasi data runtun-
waktu dan individual dan analisis cohort (Gujarati, 2015). Persamaan model regresi dengan menggunakan data cross section dapat ditulis sebagai berikut.
ikikiiii XXXY ...2211 (2.1)
dengan i = 1,2,...,n, dimana n adalah banyaknya data cross section.
Persamaan model regresi dengan menggunakan data time series dapat ditulis sebagai berikut,
tktktttt XXXY ...2211 (2.2)
dengan t = 1,2,....,T, dimana T adalah banyaknya data time series. Secara umum, persamaan model regresi panel dapat ditulis
sebagai berikut,
itkitkitititit XXXY ...2211 (2.3)
Keterangan :
itY : variabel respon unit individu ke-i dan periode waktu ke-t
it : koefisien intersep dari unit individu ke-i dan periode waktu
ke-t
: ),...,( 2,1 k merupakan koefisien slope dengan k adalah
banyaknya variabel prediktor
8
jitX : variabel prediktor ke-j dari unit individu ke-i dan periode
waktu ke-t
it : error regresi dari individu ke- i untuk periode waktu ke- t
i : unit individu, dimana i = 1, 2, 3, ...,n
t : periode waktu, dimana t = 1, 2, 3, ...,T j : variabel independen, dimana j= 1, 2, 3, ..., k
Ada beberapa keuntungan menggunakan data panel (Gurajati & Porter, 2012), diantaranya sebagai berikut, 1. Data berhubungan dengan individu dari waktu ke waktu dan
terdapat batasan heterogenitas dalam unit-unit 2. Dengan menggabungkan antara observasi cross section dan
time series maka data panel memberikan lebih banyak informasi, lebih banyak variasi, lebih banyak degree of freedom dan lebih efisien.
3. Dengan observasi cross section yang berulang-ulang, maka data panel paling cocok digunakan untuk mempelajari dinamika perubahan.
4. Data panel paling baik digunakan untuk mendeteksi dan mengukur dampak yang secara sederhana tidak bisa dilihat
pada data cross section murni atau time series murni. 5. Data panel dapat meminimumkan bias yang bisa terjadi jika
mengagresi individu-individu ke dalam agresi besar. Sebelum dilakukan analisis regresi data panel perlu diketahui apakah terdapat hubungan linear antar variabel prediktornya menggunakan pendeteksian multikolinieritas sebagai berikut.
2.1.1 Multikolinieritas
Uji asumsi multikolinearitas dilakukan untuk melihat apakah terjadi kasus multikolinearitas. Multikolinearitas adalah adanya hubungan linear yang kuat diantara beberapa variabel prediktor dalam suatu model regresi. Konsekuensi dari adanya kasus multikolinearitas adalah sebagai berikut. Jika terdapat multikolinearitas koefisien regresinya memiliki standar error yang
besar, hal ini berarti koefisien-koefisien tidak dapat diestimasi
9
dengan tingkat keakuratan yang tinggi. Ada beberapa cara untuk mendeteksi multikolinearitas diantaranya sebagai berikut (Gujarati & Porter, 2010). 1. Apabila memperoleh (R2) yang tinggi dalam model tetapi
sedikit sekali bahkan tidak ada satupun parameter regresi yang
signifikan apabila diuji secara parsial dengan menggunakan statistik uji t
2. Apabila diperoleh koefisien korelasi sederhana yang tinggi diantara sepasang-sepasang variabel prediktor.
3. Apabila dalam model regresi diperoleh koefisien regresi dengan tanda yang berbeda dengan koefisien korelasi antara variabel respon dan prediktor.
4. Melihat eigenvalue dan condition index. 5. Melihat nilai Varians Inflation Factor (VIF) pada model
regresi
21
1
j
jR
VIF
(2.4)
Dengan 2
jR adalah koefisien determinasi dari variabel prediktor
Xj yang diregresikan terhadap variabel prediktor lainnya. Jika nilai VIF < 10, tidak terdapat multikolinearitas. Sebaliknya jika nilai VIF ≥ 10 maka terjadi multikolinearitas. 2.1.2 Estimasi Model Regresi Data Panel
Estimasi model pada data panel dilakukan dalam tiga
macam pendekatan yaitu Common Effect Model, Fixed Effect Model dan Random Effect Model. Dalam penelitian ini digunakan pendekatan Common Effect Model dan Fixed Effect Model dengan penjelasan sebagai berikut (Gujarati, 2015).
1) Common Effect Model (CEM) CEM merupakan pendekatan dengan mengestimasi parameter pada seluruh data digabungkan tanpa memperhatikan
individu dan waktu. Pada model CEM konstan atau sama
disetiap individu maupun setiap waktu. (Gujarati & Porter, 2012).
Bentuk umum model regresi dengan pendekatan Common Effect Model adalah sebagai berikut.
10
itkitkititit XXXY ...2211 (2.5)
Model tanpa pengaruh individu (common effect) adalah
pendugaan yang menggabungkan (pooled) seluruh data time series dan cross section dan menggunakan pendekatan OLS (Ordinary Least Square) untuk menduga parameternya. Metode OLS bertujuan untuk meminimumkan jumlah kuadrat error. Penaksiran OSL untuk adalah dengan cara meminimumkan
fungsi total kuadrat error (Drapper and Smith, 1998).
2) Fixed Effect Model (FEM) FEM merupakan pendekatan untuk mengestimasi data panel yang dapat dibeda-bedakan berdasarkan individu dan waktu. Berikut adalah beberpa jenis model FEM (Widarjono, 2013). a. FEM koefisien slope konstan tetapi koefisien intersep
bervariasi pada setiap individu
Pada model ini, diasumsikan bahwa tidak terdapat efek waktu tetapi terdapat efek yang berbeda antar individu. Adapun persamaan regresi dalam FEM dapat ditulis sebagai berikut.
itkitkitinniit XXDDY ...... 11)1(1221 (2.6)
Indeks i pada intersep i menunjukkan bahwa intersep dari
masing-masing individu berbeda, tetapi intersep untuk unit waktu tetap (konstan). Perbedaan intersep tersebut dapat dinyatakan dengan variabel dummy individu. b. FEM koefisien slope konstan tetapi koefisien intersep
bervariasi pada setiap waktu Pada model ini, diasumsikan bahwa tidak terdapat efek
individu tetapi terdapat efek yang berbeda antar waktu. Adapun persamaan regresi dalam FEM dapat ditulis sebagai berikut.
itkitkitiTTtit XXDDY ...... 11)1(1221 (2.7)
Indeks t pada intersep t menunjukkan bahwa intersep dari
masing-masing waktu berbeda, tetapi intersep untuk unit individu tetap (konstan). Perbedaan intersep tersebut dapat dinyatakan dengan variabel dummy waktu.
11
Keterangan :
itY : variabel respon unit individu ke-i dan periode waktu ke-t
i : koefisien intersep dummy individu ke-i, dimana i= 1, 2, 3,
..., n
t : koefisien intersep dummy periode waktu ke-t, dimana
t = 1, 2, 3, ..., T D : variabel dummy individu dan waktu
jβ : ),...,( 2,1 k merupakan koefisien slope dengan k adalah
banyaknya variabel prediktor
jitX : variabel prediktor ke-j dari unit individu ke-i dan periode
waktu ke-t
it : residual unit cross section ke-i untuk periode ke-t
Pendugaan parameter regresi panel dengan Fixed Effect Model dilakukan dengan menggunakan teknik penambahan variabel dummy sehingga metode ini juga disebut dengan Least Square Dummy Variable (LSDV) model. LSDV merupakan estimasi parameter dengan menggunakan metode OLS dengan memasukkan variabel dummy sebagai salah satu variabel prediktornya. LSDV digunakan untuk menduga parameter dengan
metode kuadrat terkecil yang melibatkan variabel dummy sebagai salah satu variabel prediktornya. Pada Fixed Effect Model, variabel dummy yang dibentuk ada sebanyak n-1 dengan n adalah jumlah banyaknya cross section atau waktu. Hal ini dilakukan guna menghindari dummy variable trap yaitu situasi terjadinya kolinieritas sempurna (Gujarati, 2015).
y
T1TXX)(X
(2.8)
ny
y
y
y:
2
1
,
nnknn
k
kk
DDxx
DDxx
DDxx
111
1212212
,111111
......1
:..................
......1
......1
X ,
k
:
1
0
(2.9)
12
Keterangan:
y
: vektor variabel tidak bebas berukuran nx1
X : matrik variabel bebas berukuran nxp
: vektor parameter berukuran px1
D : variabel dummy p : banyak parameter n : banyak data 2.1.3 Pengujian Signifikansi Parameter Secara Serentak
Uji serentak adalah metode pengujian yang dilakukan untuk mengetahui pengaruh variabel bebas secara bersama-sama
terhadap variabel respon. Pengujian secara serentak dilakukan untuk memeriksa keberartian koefisien β secara serentak terhadap
variabel respon. Pengujian serentak pada Common Effect Model (CEM) dan Fixed Effect Model (FEM) dilakukan dengan menggunakan uji F (Draper & Smith, 1998). Hipotesis untuk
model CEM dan FEM adalah sebagai berikut. a. Common Effect Model (CEM) 0...: 210 kH
:1H Minimal ada satu 0j dengan j = 1, 2, ...,k.
b. Fixed Effect Model (FEM) 0.........: 110 kTtnH
:1H Minimal ada satu 0i ; 0t 0j dengan i=1,2,..,n ;
t=1,2,..,T ; j=1,2,..,k Menentukan daerah keputusan dari pengujian serentak adalah
tolak 0H apabila F>Fα(dbR,dbE) artinya semua variabel bebas secara
bersama-sama merupakan prediktor yang signifikan terhadap variabel respon.
)1/(ˆ
)1/(ˆ
1 1
2
1 1
2
kntyy
kyy
MSE
MSRF
n
i
t
t
iit
n
i
t
t
iit (2.10)
13
Dengan
ity : nilai prediksi individu ke-i untuk periode waktu ke-t pada
variabel respon
iy : rata-rata nilai variabel respon pada individu ke-i
k : banyaknya variabel prediktor Tabel ANOVA untuk uji serentak adalah sebagai berikut.
Tabel 2.1 ANOVA
Sumber
Variasi
Derajat
Bebas
Jumlah
Kuadrat
Rataan
Kuadrat Frasio
Regresi K 2ynybT
TX k
ynyb T 2
TX
)1(
2
knybyy
kynyb
TT
T
T
T
X
X
Galat
(sisa) n-(k+1) ybyy TT T
X )1(
kn
ybyy TT TX
Total n-1 2ynyyT
Keterangan: y
: vektor variabel tidak bebas berukuran nx1
X : matrik variabel bebas berukuran nxk
b
: vektor parameter berukuran kx1
k : jumlah variabel prediktor
n : banyaknya individu (cross section)
2.1.4 Pengujian Signifikansi Parameter Secara Parsial
Uji parsial adalah metode pengujian yang dilakukan untuk
mengetahui pengaruh variabel bebas secara individual terhadap variabel. Hipotesis untuk pengujian parsial pada Common Effect Model (CEM) dan Fixed Effect Model (FEM) adalah sebagai berikut (Draper & Smith, 1992). 1) Pengaruh variabel prediktor terhadap variabel respon 0:0 jH
:1H 0j dengan j = 1, 2, ...,k
Menentukan daerah keputusan pengujian parsial adalah tolak 0H
apabila t > )(
2pn
t
, artinya semua variabel bebas secara bersama-
14
sama merupakan penjelas yang signifikan terhadap variabel terikat. Nilai t diperoleh dari rumus sebagai berikut.
)ˆ(
ˆ
j
j
SEt
(2.11)
Dimana
)ˆ( jSE : standart error untuk parameter
j : banyak variabel prediktor, j = 1,2,3,....,k 2) Pengaruh variabel dummy terhadap variabel respon a. Untuk variabel dummy individu
0...: 1210 nH (Variabel dummy individu tidak
berpengaruh signifikan terhadap variabel respon)
H1 : 0i (Mininal ada satu variabel dummy individu ke-i
yang berpengaruh signifikan terhadap variabel respon) dimana i = 1, 2, 3, ..., n-1.
b. Untuk variabel dummy waktu
H0 : 0... 121 T (Variabel dummy waktu tidak
berpengaruh signifikan terhadap variabel dependen) H1 : 0t (Minimal ada satu variabel dummy waktu ke-t
yang berpengaruh signifikan terhadap variabel respon)
dimana t = 1, 2, 3, ..., T-1. Statistik Uji:
MSE
k
bbbbbbSS
F
kjjj
)1(
,...,,,...,, 1110
(2.12)
Dengan df1 = k-1 dan df2 = n-k+1 pada level signifikan α tertentu, dengan k adalah banyaknya kategori dalam variabel prediktor
berskala kategori, dengan daerah penolakan tolak H0 jika
)1();1(, knkFF
15
3) Perbedaan antara dummy dengan dummy kontrol a. Untuk variabel dummy individu
0:0 iH (Tidak ada perbedaan antara variabel dummy
individu ke-i dengan variabel dummy kontrol) H1 : 0i (Ada perbedaan antara variabel dummy individu
ke-i dengan variabel dummy kontrol) dimana i = 1, 2, 3, ..., n.
4) Untuk variabel dummy waktu H0 : 0t (Tidak ada perbedaan variabel dummy waktu ke-t
dengan variabel dummy kontrol) H1 : 0t (Tidak ada perbedaan variabel dummy waktu ke-t
dengan variabel dummy kontrol) dimana t = 1, 2, 3, ..., T.
Statistik Uji :
)ˆ(
ˆ
dummy
dummy
SEt
(2.13)
Daerah kritis : Tolak H0 jika |thitung| > tα/2, (n-p-1) (Draper & Smith, 1992).
2.2 Pemilihan Model Estimasi Regresi Data Panel
Pemilih model terbaik dari Common Effect Model atau Fixed Effect Model menggunakan uji chow. Uji chow adalah pengujian yang dilukan untuk memilih antara CEM atau FEM untuk mengestimasi data panel. Pengujian ini mirip dengan uji F (Asteriou & Hall, 2007). Hipotesis yang digunakan dalam uji
chow adalah sebagai berikut. H0 : 0...21 n (Model CEM yang sesuai)
H1 : minimal ada satu 0i yang berbeda (Model FEM yang
sesuai) dimana i = 1,2,3,...,n Statistik Uji :
)(1
)1(2
22
knnTR
nRRF
LSDV
pooledLSDV
(2.14)
Keterangan:
16
2
LSDVR : R-square untuk Fixed Effect Model
2
pooledR : R-square untuk Common Effect Model
n : jumlah unit cross section
T : jumlah unit time series k : jumlah variabel bebas Pengambilan keputusan adalah tolak H0 apabila F > F(n-1,nT-
n-k,α) artinya FEM sebagai model terpilih (Greenee, 2002).
2.3 Pemeriksaan Asumsi Residual IIDN
Asumsi residual IIDN merupakan asumsi-asumsi yang harus dipenuhi dalam analisis regresi. Pemeriksaan Asumsi Residual IIDN (Identik, Independen, Distribusi Normal) merupakan uji yang harus dilakukan apakah residual yang
digunakan memenuhi ketiga asumsi tersebut dalam melakukan pengujian (Sudjana,1996). Model dikatakan baik apabila residualnya memenuhi asumsi residual IIDN.
a. Pengujian Asumsi Residual Identik
Salah satu asumsi regresi panel yang harus dipenuhi adalah varians dari error harus homogen serta bersifat konstan
2)( itVar atau disebut juga identik. Kebalikannya, bila ternyata
diperoleh kondisi varians error tidak identik berarti terjadi kasus heterokedastisitas. Konsekuensi jika asumsi homokedastisitas tidak terpenuhi adalah estimator OLS tetap tak bias dan konsisten tetapi estimator tersebut tidak lagi efisien baik dalam sampel kecil maupun besar yang berakibat interval kepercayaan menjadi semakin lebar dan pengujian signifikasi menjadi kurang kuat. Untuk mendeteksi adanya kasus heterokedastisitas salah satunya adalah menggunakan uji Glejser (Gujarati & Porter, 2012).
Hipotesis untuk uji Glejser adalah sebagai berikut: Hipotesis
H0 : 01 (Varians residual identik)
H1 : Minimal ada satu 0j (Varians residual tidak identik)
17
Jika k = 1, pengujian Glejser dilakukan dengan cara
meregresikan ie sebagai variabel respon dengan x sebagai
variabel prediktor sehingga model yang diperoleh ii xe 10
Jika k lebih dari 1, pengujian Glejser dilakukan dengan
cara meregresikan ie sebagai variabel respom dengan
iy
sebagai variabel prediktor sehingga model yang diperoleh
ii ye ˆ10
Pengambilan keputusan adalah apabila F>Fα(k,n-p) maka H0 ditolak pada tingkat signifikansi α, artinya residual tidak identik atau terjadi heterokedastisitas Statistik uji:
pnee
pee
MS
MSF
n
i
i
n
i
i
sidual
gresi
1
2
1
2
Re
Re
1
(2.15)
Keterengan :
ie : residual ke-i dengan i = 1,2,…,n
e : rata-rata residual
n : jumlah data
p : jumlah parameter
b. Pengujian Asumsi Residual Independen
Asumsi persyaratan independen yaitu covarians (εi , εj) = 0 untuk setiap i≠j atau tidak terdapat autokorelasi. Autokorelasi berarti ada hubungan antar residual bersifat tidak saling independen. Pemeriksaan asumsi residual bersifat independen juga dapat dilakukan secara inferensia yaitu dengan manggunakan
uji Durbin-Watson (Gujarati & Porter, 2012). Pengujian untuk asumsi independen dapat menggunakan metode Durbin-Watson sebagai berikut. Hipotesis 1. Uji korelasi positif H0 : 0it ( Tidak ada korelasi positif antar residual)
18
H1 : 0 ( Ada korelasi positif antar residual)
2. Uji korelasi negatif
H0 : 0it ( Tidak ada korelasi negatif antar residual)
H1 : 0 ( Ada korelasi negatif antar residual)
3. Uji korelasi positif maupun negatif H0 : 0it ( Tidak ada korelasi positif maupun negatif antar
residual) H1 : 0 ( Ada korelasi positif maupun negatif antar residual)
Daerah penolakan: Tolak H0, apabila d < dL atau d > 4 - dL Gagal tolak H0, apabila d > du atau d < 4 - du
Apabila dL ≤ d ≤du atau 4 – du ≤ d ≤4 – dL maka tidak dapat
disimpulkan yang berarti tidak dapat dideteksi menggunakan metode Durbin-Watson
Statistik uji:
n
i
i
n
i
ii
e
ee
d
1
2
2
2
1
(2.16)
Keterangan : d = nilai d Durbin-Watson dL = batas bawah dari tabel Durbin-Watson du = batas atas dari tabel Durbin-Watson ei = residual ke-i
c. Pengujian Asumsi Residual Berdistribusi Normal Uji kenormalan data juga dapat dilihat dari nilai D yang diperoleh dari hasil uji Kolmogorov Smirnov. Nilai D dibandingkan dengan nilai Dα. Hipotesisnya adalah sebagai berikut: H0 : Fn = F0(x) H1 : Fn ≠ F0(x)
19
Statistik Uji :
)()(sup 0 xFxFD nx
(2.17)
Keterangan : Sup : Supremum dari nilai absolut selisih antara )(xFn
dan
)(0 xF
)(0 xF : Fungsi peluang kumulatif distribusi normal
)(xFn: Fungsi peluang kumulatif distribusi sampel
Daerah Kritis : Tolak H0, jika nilai D < Dα dan residual tidak berdistribusi normal
Jika pengujian normalitas tidak dapat dipenuhi maka dapat dilakukan pendeteksian outlier serta transformasi data.
2.4 Pertumbuhan Ekonomi
Pertumbuhan ekonomi merupakan salah satu indikator
keberhasilan pelaksanaan pembangunan. Pertumbuhan ekonomi dicerminkan dari perubahan Produk Domestik Regional Bruto (PDRB) dalam suatu wilayah. Semakin tinggi PDRB suatu wilayah menandakan semakin baik kegiatan ekonomi diperoleh dari laju pertumbuhan PDRB atas dasar harga konstan (Todaro, 2006). PDRB adalah nilai bersih barang dan jasa-jasa akhir yang dihasilkan oleh berbagai kegiatan ekonomi di suatu daerah dalam periode tertentu (Sasana, 2006).
Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator penting untuk mengetahui kondisi ekonomi di suatu daerah dalam suatu periode tertentu, baik atas dasar harga berlaku maupun atas dasar harga konstan. PDRB atas harga berlaku (nominal) atau at current nominal prices yang menunjukkan sumber daya ekonomi suatu wilayahyang menghasilkan output pada suatu periode yang dinilai atas dasar harga berlaku. PDRB
atas harga berlaku digunakan untuk melihat struktur perekonomian atau penanan setiap sektor dan gambaran perekonomian pada tahun berjalan. PDRB atas dasar harga konstan atau at constan prices digunakan untuk melihat
20
pertumbuhan ekonomi suatu wilayah baik secara keseluruhan maupun sektoral.
2.5 Infrastruktur
Infrastruktur merupakan prasarana sebagai fasilitas-fasilitas fisik yang di kembangkan atau dibutuhkan oleh agen-agen publik untuk fungsi-fungsi pemerintah dalam penyediaan air, tenaga
listrik, pembuangan limbah, transportasi dan pelayanan-pelayanan lainnya untuk memfasilitasi tujuan-tujuan ekonomi dan sosial. Sistem infrastruktur dapat di definisikan sebagai fasilitas-fasilitas atau struktur-struktur dasar, peralatan-peralatan, instalasi-instalasi yang dibangun dan yang dibutuhkan untuk berfungsinya sistem sosial dan sistem ekonomi masyarakat (Kodoatie, 2003). Menurut Kamus Besar Bahasa Indonesia (2008)
infrastruktur dapat diartikan sebagai sarana dan prasarana umum. Sarana umum diketahui sebagai fasilitas publik seperti rumah sakit, jalan, jembatan, sanitasi, telepon, dan sarana lainnya. Dalam World Bank Report infrastruktur dibagi kedalam 3 golongan yaitu : 1. Infrastruktur ekonomi, merupakan aset fisik yang menyediakan jasa dan digunakan dalam produksi dan konsumsi final meliputi
public utilities (telekomunikasi, air minum, sanitasi, dan gas), public works (bendungan, saluran irigasi dan drainase) serta sektor transportasi (jalan, kereta api, angkutan pelabuhan dan lapangan terbang). 2. Infrastruktur sosial, merupakan aset yang mendukung kesehatan dan keahlian masyarakat meliputi pendidikan (sekolah, dan perpustakaan), kesehatan (rumah sakit, pusat kesehatan) serta untuk rekreasi (tanah, museum, dan lain-lain)
3. Infrastruktur administrasi/instansi, meliputi penegak hukum, kontrol administrasi dan koordinasi serta kebudayaan. Pada penelitian ini variabel infrastruktur yang digunakan adalah infrastruktur air, infrastruktur infrastruktur pasriwisata, infrastruktur pendidikan dan infrastruktur kesehatan. Hubungan antara variabel tersebut dengan pertumbuhan ekonomi adalah sebagai berikut.
21
a. Infrastruktur Air Air bersih merupakan kebutuhan vital yang mutlak diperlukan dalam kehidupan manusia sehingga pengadaan sumber daya ini termasuk dalam prioritas pembangunan. Air harus dipandang sebagai barang ekonomi sehingga untuk bisa
mendapatkannya memerlukan pengorbanan baik waktu maupun biaya. Sebagaimana barang ekonomi lainnya, air mempunyai nilai bagi penggunanya, yaitu jumlah maksimum yang bersedia dibayarkan untuk penggunaan sumber daya tersebut, dimana pengguna akan menggunakan air selama manfaat dari tambahan setiap kubik air yang digunakan melebihi biaya yang dikeluarkan (Oktavianus, 2003).
b. Infrastruktur Pariwisata Undang-Undang Nomor 10 Tahun 2009 tentang
Kepariwisataan menyebutkan bahwa penyediaan akomodasi merupakan usaha yang menyediakan pelayanan penginapan yang dapat dilengkapi dengan pelayanan pariwisata lainnya. Klasifikasi hotel adalah suatu sistem pengelompokan hotel-hotel ke dalam berbagai kelas atau tingkatan, berdasarkan penilaian tertentu.
Indonesia menggunakan sistem bintang dalam mengklasifikasikan sebuah hotel. Sistem bintang yang digunakan adalah mulai dari hotel non bintang, hotel bintang satu hingga hotel bintang lima. Menurut Undang-undang Nomor 25 Tahun 2000 tentang PROPENAS (Program Pembangunan Nasional) tahun 2000-2004 bahwa pengembangan pariwisata merupakan bagian dari upaya peningkatan daya saing dan sekaligus meningkatkan devisa negara.
c. Infrastruktur Pendidikan Infrastruktur pendidikan membantu masyarakat untuk
memiliki keterampilan yang menjadi dasar untuk dapat bertahan hidup, karena sebagai pelaku ekonomi yang bekerja untuk mendapatkan upah sehingga memenuhi kebutuhannya. Semakin tinggi tingkat pendidikan seseorang akan meningkatkan pula produktivitas dari individu tersebut (Pamungkas, 2009).
22
d. Infrastruktur Kesehatan Salah satu modal dasar dalam pelaksanaan pembangunan
ekonomi adalah kondisi kesehatan masyarakat yang baik.
Infrastruktur sarana kesehatan diperuntukkan untuk masyarakat guna menjaga kesehatannya agar tetap produktif sebagai pelaku kegiatan ekonomi. Di dalam pembangunan ekonomi juga harus diperhatikan pelaksanaan pembangunan kesehatan (Juanita, 2002). Keduanya ini harus berjalan seimbang agar dapat mencapai tujuan yang diharapkan bagi semua yaitu kemakmuran dan kesejahteraan bagi seluruh rakyat Indonesia. Oleh sebab itu, pembangunan kesehatan merupakan pembangunan yang
dilakukan sebagai investasi untuk membangun kualitas sumber daya manusia
.
23
BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh secara resmi dan valid dari Badan Pusat Statistik Jawa Timur yang ditunjukkan dengan surat keterangan dan kevalidan data pada Lampiran 15 dan 16 yaitu berupa data
kondisi infrastrustur dan PDRB atas dasar harga konstan 2010 menurut lapangan usaha di setiap Kabupaten/Kota pada tahun 2013 hingga 2016 di Jawa Timur yang diperoleh dari Badan Pusat Statistik Provinsi Jawa Timur. Data infrastruktur yang diambil adalah air disalurkan, akomodasi hotel, pendidikan dan sarana kesehatan di setiap Kabupaten/Kota di Provinsi Jawa Timur.
3.2 Variabel Penelitian
Variabel yang digunakan pada penelitian ini adalah sebagai
berikut. Tabel 3.1 Variabel Penelitian
Variabel Keterangan Skala Data Satuan
Y PDRB Rasio Miliar/Tahun
X1 Air Disalurkan Rasio m3
X2 Akomodasi Hotel Rasio Hotel
X3 Sarana Pendidikan Rasio Sekolah
X4 Sarana Kesehatan Rasio Bangunan
Definisi operasional dari variabel yang digunakan adalah sebagai berikut. 1. PDRB
PDRB adalah jumlah nilai tambah bruto yang timbul dari beberapa sektor perekonomian di suatu wilayah dalam jangka waktu tertentu. Pada penelitian ini pertumbuhan ekonomi regional yang digunakan adalah PDRB atas dasar harga konstan 2010 menurut lapangan usaha yaitu berdasarkan kategori pengadaan air, pengelolaan limbah dan sampah; penyediaan akomodasi dan makan minum; jasa pendidikan; jasa kesehatan dan kegiatan
24
sosial dari setiap Kabupaten/Kota di Provinsi Jawa Timur pada Tahun 2013-2016. 2. Air Disalurkan Jumlah kapasitas air bersih per kapita yang disalurkan kepada pelanggan di setiap Provinsi (m3) yang tercatat oleh Perusahaan
Air Minum (PDAM) di setiap Kabupaten/Kota di Provinsi Jawa Timur pada tahun 2013-2016. 3. Akomodasi Hotel
Hotel adalah penyediaan akomodasi secara harian berupa kamar-kamar di dalam satu bangunan yang dilengkapi dengan jasa/fasilitas yang diperlukan. Hotel terdiri dari hotel berbintang dan hotel non-bintang. Dalam penelitian ini akomodasi hotel
adalah banyaknya hotel yang terdapat di setiap Kabupaten/Kota di Provinsi Jawa Timur pada tahun 2013-2016. 4. Sarana Pendidikan Sarana pendidikan yang dimaksud adalah jumlah sarana sekolah SMA dan SMK di Kabupaten/Kota di Jawa Timur Tahun 2013 - 2016. Hal ini dikarenakan dengan banyaknya jumlah sekolah menengah maka dapat diasumsikan semakin banyaknya
jumlah penduduk yang sudah melewati pendidikan dasar 9 tahun. 5. Sarana Kesehatan Sarana kesehatan yang dimaksud adalah jumlah sarana kesehatan seperti rumah sakit dan puskesmas di Kabupaten/Kota di Jawa Timur Tahun 2013 - 2016. Struktur data yang digunakan dalam penelitian ini dijelaskan melalui tabel 3.4 berikut.
Tabel 3.2 Struktur Data
Tahun Kabupaten
/ Kota Y X1 X2` . . X4
2013
1 y(1,2013) x1(1,2013) x2(1,2013) . . x4(1,2013)
2 y(2,2013) x1(2,2013) x2(2,2013) . . x4(2,2013)
: : : : . . :
38 y(38,2013) x1(38,2013) x2(38,2013) . . x4(38,2013)
: : : : : . . :
2016 1 y(1,2016) x1(1,2016) x2(1,2016) . . x4(1,2016)
2 y(2,2016) x1(2,2016) x2(2,2016) . . x4(2,2016)
25
Tahun Kabupaten
/ Kota Y X1 X2` . . X4
: : : : . . :
38 y(38,2016) x1(38,2016) x2(38,2016) . . x4(38,2016)
3.3 Metode Analisis
Metode yang digunakan adalah analisis regresi data panel dengan langkah analisis untuk menyelesaikan permasalahan dalam penelitian ini adalah sebagai berikut. 1. Mengumpulkan data infrastruktur dan PDRB atas harga
konstan 2010 menurut lapangan usaha di Kabupaten/Kota di Jawa Timur Tahun 2013 – 2016 yang terdapat di Lampiran 1.
2. Mendeskripsikan karakteristik data infrastruktur dan PDRB di Kabupaten/Kota di Jawa Timur Tahun 2013 – 2016.
3. Mendeteksi ada atau tidaknya multikolinearitas. 4. Mengestimasi parameter model regresi dengan pendekatan
Common Effect Model - Estimasi menggunakan metode Ordinary Least Square - Pengujian signifikansi parameter model regresi secara
serentak dan parsial 5. Mengestimasi parameter model regresi dengan pendekatan
Fixed Effect Model antar Waktu dan antar Individu di Kabupaten/Kota di jawa Timur - Estimasi menggunakan metode Least Square Dummy
Variable - Pengujian signifikansi parameter model regresi secara
serentak dan parsial 6. Pemilihan model terbaik menggunakan uji Chow untuk
memilih antara CEM dengan FEM antar waktu dan memilih antara CEM dengan FEM antar individu. Apabila dari masing-masing pengujian terpilih FEM maka selanjutnya membandingkan FEM antar waktu dan FEM antar individu menggunakan R-square yang paling tinggi. Apabila salah satu pengujian terpilih FEM dan lainnya terpilih CEM maka FEM
merupakan model terpilih. Apabila masing-masing pengujian terpilih CEM, maka CEM sebagai model terpilih.
26
7. Melakukan pemeriksaan asumsi residual IIDN dari model yang terpilih.
8. Menarik kesimpulan dan saran. Diagram alir dari langkah analisis data disajikan sebagai berikut.
Mulai
Mengumpulkan Data
Analisis Statistika Deskriptif
Mendeteksi
Multikolinieritas
Principal
Component
Regression
Ya
Tidak
Pemilihan Model Terbaik
C
Pendugaan Parameter
CEM dengan OLS
Pendugaan Parameter
FEM dengan LSDV
Pengujian
Signifikasi
Parameter
Variabel
tidak
signifikan
dihilangkan Tidak
Pengujian
Signifikasi
Parameter
Variabel
tidak
signifikan
dihilangkan Tidak
Gambar 3.1 Diagram Alir
27
Gambar 3.1 Diagram Alir (Lanjutan)
C
Menarik Kesimpulan
Selesai
Pemeriksaa Asumsi
Residual IIDN
28
(Halaman ini sengaja dikosongkan)
29
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Karakteristik Data PDRB dan Infrastruktur Jawa
Timur Tahun 2013 – 2016
Penjelasan mengenai karakteristik data PDRB dan Infrastruktur Jawa Timur Tahun 2013 – 2016 dianalisis dengan tujuan untuk mengetahui kondisi pada setiap variabel yang digunakan mengalami peningkatan ataukah penurunan setiap
tahunnya serta memberikan informasi kabupaten/kota yang dominan pada varibel tersebut. Karakteristik data dijelaskan melalui digram grafik pada setiap variabel yaitu PDRB, jumlah air disalurkan, akomodasi hotel, sarana pendidikan dan sarana kesehatan di Jawa Timur Tahun 2013 – 2016. Hasil eksplorasi data dijelaskan melalui grafik diagram garis berikut.
Gambar 4.1 PDRB Kabupaten/Kota Jawa Timur Tahun 2013 – 2016
Gambar 4.1 menunjukkan bahwa peningkatan PDRB menurut harga konstan 2010 di Jawa Timur paling besar berada di Kota Surabaya pada tahun 2016 yaitu 4591068,8 juta rupiah, sehingga selama kurun waktu 2013 – 2016 total PDRB Kota
Surabaya mencapai 218849717 juta rupiah. Angka PDRB paling besar selama kurun waktu 2013 – 2016 juga berada di Kota Surabaya pada tahun 2016 sebesar 61081876,7 juta rupiah. Hal
30
ini dikarenakan Kota surabaya sebagai ibukota Jawa Timur yang memiliki kemampuan di beberapa bidang yang cukup baik sehingga dapat menambah pendapat ekonomi bagi wilayah tersebut. Sedangkan, untuk wilayah lainnya memiliki distribusi PDRB yang berbanding jauh dengan Kota Surabaya.
Gambar 4.2 Volume Air Disalurkan di Kabupaten/Kota Jawa Timur Tahun
2013 – 2016
Gambar 4.2 menunjukkan bahwa peningkatan penyaluran air di Kabupaten/Kota Jawa Timur paling besar terjadi di Kota Surabaya. Pada tahun 2016 penyaluran air paling tinggi berada di
Surabaya sebesar 300.128.337 m3. Kondisi tersebut sangat berbanding jauh dengan kabupaten/kota lainnya yang total penyaluran air selama tahun 2013-2016 tidak mencapai jumlah volume penyaluran air Kota Surabaya sejak tahun 2014. Hal ini karena volume penyaluran air di Surabaya sejak tahun 2013 hingga 2016 terhitung paling tinggi dibandingkan wilayah lain.
Gambar 4.3 menunjukkan bahwa jumlah bangunan hotel di Kabupaten/Kota Jawa Timur paling banyak berada di Kabupaten
Pasuruan pada tahun 2016 yaitu 1079 hotel. Pada awalnya, di tahun 2013 -2014 jumlah hotel di Kab. Pasuruan tidak berbanding jauh dengan Kota Batu, namun di tahun 2015 terjadi peningkatan pembangunan sebanyak 633 hotel di Kab. Pasuruan, sedangkan
31
Kota Batu hanya melakukan pembangunan hotel sebanyak 374 hotel. Perbedaan persentase pembangunan yang hampir mencapai 50% tersebut mengakibatkan jumlah hotel di Kabupaten Pasuruan pada tahun 2016 paling banyak dibandingkan Kabupaten/Kota lainnya.
Gambar 4.3 Jumlah Akomodasi Hotel di Kabupaten/Kota Jawa Timur Tahun
2013 – 2016
Gambar 4.4 Sarana Pendidikan Sekolah Menengah di Kabupaten/Kota Jawa
Timur Tahun 2013 – 2016
Gambar 4.4 menunjukkan bahwa peningkatan pembangunan sekolah di Kabupaten/Kota di Jawa Timur mengalami fluktuatif. Kabupaten Jember mengalami peningkatan pembangunan sekolah paling banyak di tahun 2014 dengan
peningkatan jumlah sekolah sebanyak 60 sekolah dari tahun 2013.
32
Lalu, apabila dilihat keseluruhan jumlah sekolahnya maka Kota Surabaya sebagai wilayah yang memiliki bangunan sekolah menengah atas/kejuruan paling banyak di Jawa Timur tahun 2013-2016 dengan jumlah sekolah paling banyak 283 sekolah di tahun 2013. Kota Surabaya sendiri sebagai wilayah dengan profil
masyarakat berpendidikan. Jenjang pendidikan yang tinggi akan meningkatkan peluang di dunia kerja. Didukung pula dengan tingkat kebutuhan kerja di Surabaya akan lulusan SMA/K di beberapa posisi di Perusahaan. Sehingga, bagi sebagian besar penduduknya pendidikan merupakan hal yang penting.
Gambar 4.5 Sarana Kesehatan di Kabupaten/Kota Jawa Timur Tahun 2013 –
2016
Gambar 4.5 menunjukkan bahwa di setiap tahun tidak banyak terjadi peningkatan akan jumlah sarana kesehatan di
setiap Kabupaten/Kota di Jawa Timur. Namun terdapat peningkatan yang cukup besar yaitu di Kota Surabaya pada tahun 2015 sebanyak 32 sarana kesehatan. Kota Surabaya sebagai wilayah yang memiliki sarana kesehatan berupa rumah sakit dan puskesmas paling banyak hingga tahun 2016 yaitu 124 bangunan. Berdasarkan hasil eksplorasi diatas, dapat diketahui bahwa Kota Surabaya sebagai kota di Jawa Timur yang unggul dalam beberapa faktor seperti volume air disalurkan, sarana pendidikan
33
dan kesehatan. Oleh karena itu, angka PDRB di Surabaya tahun 2013 – 2016 adalah tertinggi dibandingkan kabupaten/kota lain di Jawa Timur. Surabaya sebagai ibu kota Jawa Timur yang memiliki pengembangan dan perbaikan pembangunan yang baik sehingga nilai tambah bruto yang timbul dari beberapa sektor
perekonomian di wilayah Surbaya berjalan dengan baik.
4.2 Deteksi Multikolinieritas
Deteksi multikolinieritas dilakukan untuk mengetahui apakah terdapat hubungan antar variabel prediktor. Sebelum melakukan pemodelan regresi data panel perlu diketahui bahwa variabel yang mempengaruhinya tidak berhubungan satu sama lain yaitu volume air disalurkan, banyak akomodasi hotel, jumlah sekolah menengah atas/kejuruan, dan jumlah sarana kesehatan. Deteksi multikolinieritas dapat dilihat dari nilai Varians Inflation
Factor (VIF). Jika nilai VIF lebih dari sama dengan 10 maka terdapat multikolinieritas. Hasil nilai VIF setiap variabel prediktor berdasarkan Lampiran 2 dengan merujuk pada persamaan 2.4 disajikan melalui Tabel 4.1 berikut.
Tabel 4.1 Deteksi Multikolinieritas Berdasarkan Nilai VIF
Variabel Prediktor VIF
Air Disalurkan 1,802
Akomodasi Hotel 1,008
Sarana Pendidikan (SMA/SMK) 3,451
Sarana Kesehatan 4,374
Berdasarkan Tabel 4.1 diatas menunjukkan bahwa niliai
VIF pada setiap variabel prediktor kurang dari 10 sehingga dapat dikatakan bahwa tidak ada multikolinieritas antar variabel prediktor yang mempengaruhi PDRB Jawa Timur tahun 2013 – 2016.
4.3 Estimasi Model Regresi Panel Metode CEM
Analisis regresi data panel dengan pendekatan CEM dilakukan untuk mengetahui pengaruh faktor-faktor terhadap PDRB Kabupaten/Kota di Jawa Timur. Estimasi parameter untuk
34
menyusun model Common Effect Model berdasarkan Lampiran 2 dengan mengacu pada persamaan 2.5 adalah sebagai berikut.
Tabel 4.2 Estimasi Parameter Model CEM
Prediktor Estimasi Standar Eror Estimasi
Konstan -2800231 679714
X1 0,158396 0,009419
X2 3398 1744
X3 22341 10060
X4 51408 32077
Berdasarkan Tabel 4.2 diatas maka persamaan model CEM yang didapatkan adalah sebagai berikut.
4321 51408223413398158,02800231 XXXXY
Model tersebut menunjukkan bahwa ketika volume air
disalurkan naik sebesar satu m3 maka nilai PDRB bertambah sebesar 0,158 juta rupiah dengan asumsi variabel prediktor lain konstan. Ketika jumlah akomodasi hotel bertambah sebanyak 1 hotel maka nilai PDRB akan bertambah sebesar 3398 juta rupiah. Ketika jumlah sarana pendidikan bertambah sebanyak 1 sekolah maka nilai PDRB akan bertambah sebesar 22341 juta rupiah. Ketika jumlah sarana kesehatan bertambah sebanyak 1 rumah
sakit/puskesmas maka nilai PDRB akan bertambah sebesar 51408 juta rupiah. Kemudian, dari hasil model tersebut dilakukan pengujian signifikasi parameter model sebagai berikut. 1. Uji Signifikansi Parameter Secara Serentak
Uji signifikansi parameter secara serentak pada model Common Effect Model adalah sebagai berikut. Hipotesis :
H0 : 04321 (semua variabel prediktor tidak
berpengaruh signifikan terhadap PDRB Jawa Timur)
H1 : 0j
; j=1,2,3,4 (minimal ada satu variabel prediktor
yang berpengaruh signifikan terhadap PDRB Jawa Timur) Taraf signifikan : α (0,05)
Daerah penolakan : tolak H0 jika F > Fα(k,n-(k+1)) dan P-value < α
35
Hasil analisis uji signifikansi parameter secara serentak berdasarkan Lampiran 3 yang merujuk pada persamaan 2.10 disajikan melalui Tabel 4.3 berikut.
Tabel 4.3 Uji Serentak Model CEM
Sumber DF SS MS F P
Regresi 4 955481×1010 238870×1010 193,76 0,000
Residual 147 181222×1010 1232,81×1010
Total 151 11367×1012
Berdasarkan Tabel 4.3 diatas diperoleh nilai Fhitung sebesar 193,76 yang mana nilai tersebut lebih dari F0,05(4,147) sebesar 2,43328 dan P-value sebesar 0,000 yang kurang dari taraf signifikan α (0,05) sehingga dapat diambil keputusan tolak H0 yang artinya minimal ada satu variabel prediktor yang berpengaruh signifikan terhadap PDRB Jawa Timur.
2. Uji Signifikansi Parameter Secara Parsial
Hasil uji signifikansi parameter secara parsial model Common Effect Model adalah sebagai berikut. Hipotesis :
H0 : 0j
(variabel prediktor ke-j tidak berpengaruh
signifikan terhadap PDRB Jawa Timur) H1 : 0
j ; j=1,2,..,k (variabel prediktor ke-j berpengaruh
signifikan terhadap PDRB Jawa Timur) Taraf signifikan : α (0,05)
Daerah penolakan : tolak H0 jika |t|> )1(
2knT
t dan P-value < α
Hasil analisis uji signifikansi parameter secara parsial berdasarkan Lampiran 3 yang merujuk pada persamaan 2.11 disajikan melalui Tabel 4.4 berikut.
Tabel 4.4 Uji Parsial Model CEM
Prediktor Estimasi |thitung| ttabel P-value
X1 0,158396 16,82 1,9762 0,000
X2 3398 1,95 1,9762 0,053
X3 22341 2,22 1,9762 0,028
X4 51408 1,60 1,9762 0,111
36
Berdasarkan Tabel 4.4 diatas diperoleh nilai |thitung| pada variabel X1 sebesar 16,82 dan variabel X3 sebesar 2,22 yang mana
nilai tersebut lebih dari )147;025,0(t sebesar 1,9672 serta P-value
sebesar 0,000 dan 0,028 yang kurang dari taraf signifikan α (0,05) maka dapat diambil keputusan tolak H0 yang artinya variabel volume air disalurkan dan jumlah sekolah SMA/SMK berpengaruh signifikan terhadap PDRB Jawa Timur.
Sedangkan pada variabel X2 diperoleh nilai |thitung| sebesar 1,95 dan variabel X4 sebesar 1,60 yang mana nilai tersebut kurang
dari )147;025,0(t sebesar 1,9672 serta P-value sebesar 0,053 dan 0,111
yang kurang dari taraf signifikan α (0,05) maka dapat diambil keputusan gagal tolak H0 yang artinya variabel jumlah akomodasi hotes dan jumlah rumah sakit/puskesmas tidak berpengaruh signifikan terhadap PDRB Jawa Timur. Berdasarkan variabel signifikan tersebut terbentuk persamaan model CEM baru yang merujuk pada Lampiran 12 sebagai berikut.
31 34462167,01969862 XXY
4.4 Estimasi Model Regresi Panel Metode FEM
Analisis regresi panel dengan pendekatan FEM dilakukan untuk mengetahui pengaruh infrastruktur terhadap PDRB Kabupaten/Kota di Jawa Timur berdasarkan efek individu yaitu Kabupaten/Kota dan efek waktu. Berikut adalah analisis regresi panel metode FEM berdasarkan efek individu dan FEM berdasarkan efek waktu.
4.4.1 Estimasi Model FEM Individu Pada estimasi model FEM berdasarkan efek individu ini
yang dipilih sebagai variabel dummy adalah Kota Surabaya (D37) dikarenakan wilayah tersebut merupakan ibukota Jawa Timur dan memiliki nilai kontribusi cukup baik di setiap variabel. Estimasi parameter untuk menyusun model Fixed Effect Model Individu berdasarkan Lampiran 4 dengan merujuk pada persamaan 2.6 adalah sebagai berikut.
37
Tabel 4.5 Estimasi Parameter Model FEM Individu
Prediktor Estimasi Standar Eror Estimasi
Konstan 40799236 1521169
X1 0,018138 0,002325
X2 1846,1 644,1
X3 -7482 3858
X4 107234 13054
D1(Pacitan) -42902275 1255176
D2(Ponorogo) -43041688 1115542
D3(Trenggalek) -42176686 1243675
D4(Tulungagung) -43297846 1132352
: : :
D36(Madiun) -40857071 1346343
D37(Batu) -41418263 1530903
Berdasarkan Tabel 4.5 diatas maka persamaan model FEM individu yang didapatkan adalah sebagai berikut.
3836432
1
4141826340857071.....432978464217668643041688
42902275107234748218460181,0407992364321
DDDDD
DXXXXY
Model tersebut menunjukkan bahwa ketika volume air disalurkan naik sebesar satu m3 maka nilai PDRB bertambah sebesar 0,0181 juta rupiah dengan asumsi variabel prediktor lain konstan. Ketika jumlah akomodasi hotel bertambah sebanyak 1 hotel maka nilai PDRB akan bertambah sebesar 1846 juta rupiah. Ketika jumlah sarana pendidikan bertambah sebanyak 1 sekolah
maka nilai PDRB akan berkurang sebesar 7482 juta rupiah. Ketika jumlah sarana kesehatan bertambah sebanyak 1 rumah sakit/puskesmas maka nilai PDRB akan bertambah sebesar 107234 juta rupiah. Nilai D1 sebesar 42902275 menunjukkan bahwa nilai PDRB Kabupaten Pacitan lebih kecil sebesar 42902275 juta rupiah dibandingkan dengan Kota Surabaya. Berdasarkan hasil model tersebut dilakukan pengujian
parameter model sebagai berikut.
38
1. Uji Signifikansi Parameter Secara Serentak Uji signifikansi parameter secara serentak pada model
FEM individu adalah sebagai berikut. Hipotesis :
H0: 0...43213821 (semua variabel
prediktor dan dummy individu tidak berpengaruh signifikan terhadap PDRB Jawa Timur)
H1:Minimal ada satu 0i ; 0j dengan i=1,2,..,38;
j=1,2,3,4 (minimal ada satu variabel prediktor dan dummy individu yang berpengaruh signifikan terhadap PDRB Jawa Timur)
Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika kTnTnFF 11;2;
Hasil analisis uji signifikansi parameter secara serentak berdasarkan Lampiran 5 yang mengacu pada persamaan 2.10 disajikan melalui Tabel 4.6 berikut.
Tabel 4.6 Uji Serentak Model FEM berdasarkan Efek Individu
Sumber DF SS MS F P-value
Regresi 41 113429×1011 2766,56×1011 1261,55 0,000
Residual 110 241,229×1011 2,19299×1011
Total 151 113670×1011
Berdasarkan Tabel 4.6 diatas diperoleh nilai Fhitung sebesar 1261,55 yang lebih dari F0,05(41,110) sebesar 1,49973 sehingga dapat diambil keputusan tolak H0 yang artinya minimal ada satu
variabel prediktor dan dummy individu yang berpengaruh signifikan terhadap PDRB Jawa Timur. 2. Uji Signifikansi Parameter Secara Parsial
Hasil uji signifikansi parameter secara parsial model FEM individu adalah sebagai berikut. a. Untuk variabel independen
Hipotesis :
H0 : 0j (Variabel prediktor ke-j tidak berpengaruh
signifikan terhadap terhadap PDRB Jawa Timur)
39
H1 : 0j (Variabel prediktor ke-j berpengaruh signifikan
terhadap PDRB Jawa Timur) dimana j = 1, 2, 3, 4 Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika |t|> )(
2pn
t dan P-value < α
Hasil analisis uji signifikansi parameter secara parsial untuk variabel independen berdasarkan Lampiran 5 yang merujuk pada
persamaan 2.11 disajikan melalui Tabel 4.7 berikut. Tabel 4.7 Uji Parsial untuk Variabel Independen pada Model FEM Individu
Variabel Estimasi |thitung| ttabel P-value Keputusan
X1 0,018138 7,8 1,967 0,000 Tolak H0
X2 1846,1 2,87 1,967 0,005 Tolak H0
X3 -7482 -1,94 1,967 0,055 Gagal Tolak H0
X4 107234 8,21 1,967 0,000 Tolak H0
Berdasarkan Tabel 4.7 dapat diketahui bahwa dengan nilai
)147;025,0(t sebesar 1,967 dan taraf signifikan α (0,05) maka
variabel volume air disalurkan, jumlah akomodasi hotel, jumlah rumah sakit/puskesmas berpengaruh signifikan terhadap PDRB Jawa Timur. Sedangkan untuk variabel jumlah sekolah SMA/SMK tidak berpengaruh signifikan terhadap PDRB Jawa Timur.
b. Untuk variabel Kabupaten/Kota Hipotesis : H0: 0...
3821 (Kabupaten/Kota tidak berpengaruh
signifikan terhadap PDRB Jawa Timur)
H1 : 0i (Minimal ada satu Kabupaten/Kota ke-i yang
berpengaruh signifikan terhadap PDRB Jawa Timur) dengan i=1,2,..,38
Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika )1();1(, knkFF
Hasil analisis uji signifikansi parameter secara parsial untuk variabel Kabupaten/Kota berdasarkan Lampiran 5 yang mengacu pada persamaan 2.11 adalah sebagai berikut.
40
220
1019299,2
37/))1095548()10((113429)138(,,,,..
11
11114321021
MSE
bbbbbSS
F
n
Berdasarkan hasil perhitungan diatas diperoleh nilai Fhitung
sebesar 220 yang lebih dari F0,05(41,110) sebesar 1,49973 sehingga dapat diambil keputusan tolak H0 yang artinya minimal ada satu Kabupaten/Kota yang berpengaruh signifikan terhadap PDRB Jawa Timur. c. Perbedaan antara variabel dummy dengan dummy kontrol
H0 : 0i (Tidak ada perbedaan antara variabel dummy
individu ke-i dengan variabel dummy Kota Surabaya dalam mempengaruhi PDRB Jawa Timur)
H1 : 0i (Ada perbedaan antara variabel dummy individu
ke-i dengan variabel dummy Kota Surabaya dalam mempengaruhi PDRB Jawa Timur) dimana i = 1, 2, 3, ..., 38
Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika |t|> )(
2pn
t dan P-value < α
Hasil analisis uji signifikansi parameter secara parsial berdasarkan Lampiran 5 yang merujuk pada persamaan 2.13 disajikan melalui Tabel 4.8 berikut.
Tabel 4.8 Uji Perbedaan Dummy Model FEM Individu
Variabel Estimasi |thitung| ttabel P-value Keputusan
D1(Pacitan) -42902275 -34,18 1,967 0,000 Tolak H0
D2(Ponorogo) -43041688 -38,58 1,967 0,000 Tolak H0
D3(Trenggalek) -42176686 -33,91 1,967 0,000 Tolak H0
D4(Tulungagung) -43297846 -38,24 1,967 0,000 Tolak H0
D5(Blitar) -42596898 -35,83 1,967 0,000 Tolak H0
D6(Kediri) -43547533 -41,41 1,967 0,000 Tolak H0
D7(Malang) -42868290 -58,65 1,967 0,000 Tolak H0
D8(Lumajang) -42832496 -36,43 1,967 0,000 Tolak H0
D9(Jember) -42284819 -60,16 1,967 0,000 Tolak H0
41
Variabel Estimasi |thitung| ttabel P-value Keputusan
D10(Banyuwangi) -43595518 -48,12 1,967 0,000 Tolak H0
D11(Bondowoso) -42846187 -36,96 1,967 0,000 Tolak H0
D12(Situbondo) -42126105 -33,28 1,967 0,000 Tolak H0
D13(Probolinggo) -43401871 -42,83 1,967 0,000 Tolak H0
D14(Pasuruan) -41633909 -34,09 1,967 0,000 Tolak H0
D15(Sidoarjo) -39985626 -45,13 1,967 0,000 Tolak H0
D16(Mojokerto) -42674170 -40,32 1,967 0,000 Tolak H0
D17(Jombang) -43171555 -45,29 1,967 0,000 Tolak H0
D18(Nganjuk) -42190090 -35,88 1,967 0,000 Tolak H0
D19(Madiun) -42999712 -34,79 1,967 0,000 Tolak H0
D20(Magetan) -42583016 -34,14 1,967 0,000 Tolak H0
D21(Ngawi) -42383429 -35,02 1,967 0,000 Tolak H0
D22(Bojonegoro) -43986791 -45,15 1,967 0,000 Tolak H0
D23(Tuban) -42889421 -38,5 1,967 0,000 Tolak H0
D24(Lamongan) -43386877 -47,49 1,967 0,000 Tolak H0
D25(Gresik) -43337975 -43,65 1,967 0,000 Tolak H0
D26(Bangkalan) -42507070 -37,95 1,967 0,000 Tolak H0
D27(Sampang) -42021013 -36,69 1,967 0,000 Tolak H0
D28(Pamekasan) -41796248 -38,1 1,967 0,000 Tolak H1
D29(Sumenep) -42935239 -39,91 1,967 0,000 Tolak H2
D30(Kediri) -40674990 -31,37 1,967 0,000 Tolak H3
D31(Blitar) -40979438 -28,76 1,967 0,000 Tolak H4
D32(Malang) -37907867 -35,13 1,967 0,000 Tolak H5
D33(Probolinggo) -41092708 -29,34 1,967 0,000 Tolak H6
D34(Pasuruan) -41234598 -29,03 1,967 0,000 Tolak H7
D35(Mojokerto) -41382875 -29,5 1,967 0,000 Tolak H8
D36(Madiun) -40857071 -30,35 1,967 0,000 Tolak H9
42
Variabel Estimasi |thitung| ttabel P-value Keputusan
37(Batu) -41418263 -27,05 1,967 0,000 Tolak H10
Berdasarkan Tabel 4.8 menunjukkan bahwa dengan nilai
)147;025,0(t sebesar 1,967 dan taraf signifikan α (0,05) diperoleh
nilai thitung pada seluruh kabupaten/kota yang lebih dari 1,967 sehingga dapat diambil keputusan tolak H0 yang berarti ada perbedaan antara seluruh kabupaten/kota di Jawa Timur dengan Kota Surabaya dalam mempengaruhi PDRB Jawa Timur. Berdasarkan variabel signifikan tersebut terbentuk persamaan model FEM individu baru yang merujuk pada
Lampiran 13 sebagai berikut.
37
36432
1
39715858
39327850.....417329054061292141601333
4128905310339717760191,039001399421
D
DDDD
DXXXY
4.4.2 Estimasi Model FEM Waktu Pada estimasi model FEM berdasarkan efek waktu ini yang
dipilih sebagai variabel dummy adalah tahun 2016 karena merupakan tahun terbaru dan mengalami banyak evaluasi atau pembangunan dari tahun sebelumnya. Estimasi parameter untuk
menyusun model Fixed Effect Model Waktu berdasarkan Lampiran 6 dengan merujuk pada persamaan 2.7 adalah sebagai berikut.
Tabel 4.9 Estimasi Parameter Model FEM Waktu
Prediktor Estimasi Standar Eror Estimasi
Konstan -3217745 869083
X1 0,158904 0,009413
X2 3709 1749
X3 23288 10118
X4 51041 32329
D1(2013) 1276210 810159
D2(2014) 250436 809638
D3(2015) -234261 804067
43
Berdasarkan Tabel 4.9 diatas maka persamaan model FEM individu yang didapatkan adalah sebagai berikut..
321 2342612504361276210
51041232883709159,032177454321
DDD
XXXXY
Model tersebut menunjukkan bahwa ketika volume air disalurkan naik sebesar satu m3 maka nilai PDRB bertambah sebesar 0,159 juta rupiah dengan asumsi variabel prediktor lain konstan. Ketika jumlah akomodasi hotel bertambah sebanyak 1
hotel maka nilai PDRB akan berkurang sebesar 3709 juta rupiah. Ketika jumlah sarana pendidikan bertambah sebanyak 1 sekolah maka nilai PDRB akan bertambah sebesar 23228 juta rupiah. Ketika jumlah sarana kesehatan bertambah sebanyak 1 rumah sakit/puskesmas maka nilai PDRB akan berkurang sebesar 51041 juta rupiah. Nilai D1 sebesar 1276210 menunjukkan nilai PDRB tahun 2013 lebih besar 1276210 juta rupiah dibandingkan dengan
tahun 2016. Berdasarkan hasil model tersebut dilakukan pengujian parameter model sebagai berikut. 1. Uji Signifikansi Parameter Secara Serentak
Uji signifikansi parameter secara serentak pada model FEM individu adalah sebagai berikut. Hipotesis :
H0 : 043214321 (semua variabel prediktor
dan dummy waktu tidak berpengaruh signifikan terhadap
PDRB Jawa Timur)
H1 : Minimal ada satu 0t ; 0j dengan t=1,2,3,4 ; j=1,2,3,4
(minimal ada satu variabel prediktor dan dummy waktu yang berpengaruh signifikan terhadap PDRB Jawa Timur)
Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika kTnTnFF 11;2;
Hasil analisis uji signifikansi parameter secara serentak berdasarkan Lampiran 7 yang merujuk pada persamaan 2.10 disajikan melalui Tabel 4.10 berikut.
44
Tabel 4.10 Uji Serentak Model FEM berdasarkan Efek Waktu
Sumber DF SS MS F P-value
Regresi 7 960442×1010 137206×1010 112,09 0,000
Residual 144 176261×1010 1224,04×1010
Total 151 1136703×1010
Berdasarkan Tabel 4.10 diatas diperoleh nilai Fhitung sebesar 112,09 yang lebih dari F0,05(7;144) sebesar 2,07373 dan P-value
sebesar 0,000 yang kurang dari taraf signifikan α (0,05) sehingga dapat diambil keputusan tolak H0 yang artinya minimal ada satu variabel prediktor dan dummy waktu yang berpengaruh signifikan terhadap PDRB Jawa Timur.
2. Uji Signifikansi Parameter Secara Parsial
Hasil uji signifikansi parameter secara parsial model FEM waktu adalah sebagai berikut. a. Untuk variabel independen Hipotesis
H0: 0j (Variabel prediktor ke-j tidak berpengaruh
signifikan terhadap terhadap PDRB Jawa Timur)
H1: 0j (Variabel prediktor ke-j berpengaruh signifikan
terhadap PDRB Jawa Timur) dimana j = 1, 2, 3, 4 Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika |t|> )(
2pn
t dan P-value < α
Hasil analisis uji signifikansi parameter secara parsial berdasarkan Lampiran 7 yang merujuk pada persamaan 2.11 disajikan melalui Tabel 4.11 berikut.
Tabel 4.11 Uji Parsial untuk Variabel Independen Model FEM Waktu
Variabel
Prediktor Estimasi |thitung| ttabel P Keputusan
X1 0,158904 16,88 1,9762 0,000 Tolak H0
X2 3709 2,12 1,9762 0,036 Tolak H0
X3 23288 2,30 1,9762 0,023 Tolak H0
X4 51041 1,58 1,9762 0,116 Gagal Tolak H0
45
Berdasarkan Tabel 4.11 dapat diketahui bahwa dengan nilai
)147;025,0(t sebesar 1,9762 dan taraf signifikan α (0,05) maka
variabel volume air disalurkan, jumlah akomodasi hotel, dan jumlah sekolah berpengaruh signifikan terhadap PDRB Jawa Timur. Sedangkan untuk variabel jumlah rumah sakit/puskesmas SMA/SMK tidak berpengaruh signifikan terhadap PDRB Jawa Timur.
b. Untuk variabel waktu Hipotesis : H0: 0321 (Waktu tidak berpengaruh signifikan terhadap
PDRB Jawa Timur)
H1 : 0t (Minimal ada satu waktu ke-t yang berpengaruh
signifikan terhadap PDRB Jawa Timur) dengan t=1,2,3 Taraf signifikan : α = 0,05
Daerah penolakan : tolak H0 jika )1();1(, knkFF
Hasil analisis uji signifikansi parameter secara parsial untuk variabel Kabupaten/Kota berdasarkan Lampiran 7 yang mengacu
pada persamaan 2.12 adalah berikut
35,110×1224,04
3/))1059,95548()10×((960442)138(,,,,..
10
11104321021
MSE
bbbbbSS
F
n
Berdasarkan hasil perhitungan diatas diperoleh nilai Fhitung
sebesar 1,35 yang kurang dari F0,05(7;144) sebesar 2,07373 sehingga dapat diambil keputusan gagal tolak H0 yang artinya waktu tidak
berpengaruh signifikan terhadap PDRB Jawa Timur. c. Perbedaan antara variabel dummy dengan dummy kontrol Hipotesis
H0: 0t (Tidak ada perbedaan antara variabel dummy waktu
ke-t dengan variabel dummy tahun 2016 dalam
mempengaruhi PDRB Jawa Timur) H1: 0t (Ada perbedaan antara variabel dummy waktu ke-t
dengan variabel dummy tahun 2016 dalam mempengaruhi PDRB Jawa Timur) dimana t = 1,..,4
Taraf signifikan : α = 0,05
46
Daerah penolakan : tolak H0 jika |t|> )(
2pn
t dan P-value < α
Hasil analisis uji signifikansi parameter secara parsial berdasarkan Lampiran 7 yang merujuk pada persamaan 2.13 disajikan melalui Tabel 4.12 berikut.
Tabel 4.12 Uji Parsial Model FEM berdasarkan Efek Waktu
Variabel Prediktor
Estimasi |thitung| ttabel P Keputusan
D1(2013) 1276210 1,57 1,9762 0,118 Gagal Tolak H0
D2(2014) 250436 0,31 1,9762 0,759 Gagal Tolak H0
D3(2015) -234261 -0,29 1,9762 0,769 Gagal Tolak H0
Berdasarkan Tabel 4.12 menunjukkan bahwa dengan nilai
)147;025,0(t sebesar 1,967 dan taraf signifikan α (0,05) diperoleh
nilai thitung pada tahun 2013 hingga 2015 yang kurang dari 1,967 sehingga dapat diambil keputusan gagal tolak H0 yang berarti tidak ada perbedaan antara tahun 2013, 2014, 2015 dengan 2016 dalam mempengaruhi PDRB Jawa Timur. Berdasarkan variabel signifikan tersebut terbentuk
persamaan model FEM individu baru yang merujuk pada Lampiran 14 sebagai berikut.
3
21
179212
1271531303042356143723166,026273513213
D
DDXXXY
4.5 Pemilihan Model Regresi Data Panel Setelah melakukan estimasi model regresi data panel
menggunakan metode CEM dan FEM selanjutnya adalah melakukan pemilihan model terbaik regresi data panel menggunakan analisis uji Chow. Uji Chow ini digunakan untuk memilih salah satu model pada regresi data panel yaitu antara model efek tetap (fixed effect model) dengan model koefisien tetap (common effect model). Pemilihan model dilakukan dengan
memilih CEM dengan FEM individu dan CEM dengan FEM waktu sebagai berikut.
47
4.5.1 CEM dengan FEM Efek Individu
Pemilihan model terbaik regresi data panel antara model CEM dengan model FEM Individu menggunakan hipotesis sebagai berikut.
H0 : Model terbaik yang digunakan yaitu model koefisien tetap
(common effect model) H1 : Model terbaik yang digunakan yaitu model efek tetap
(fixed effect model) individu Statistik uji : Fhitung Taraf signifikan : α = 0,05
Daerah penolakan : Tolak H0 jika hitung
F >K)-n-nT1,-n;(
F
Hasil perhitungan uji chow berdasarkan Lampiran 8 yang merujuk pada persamaan 2.14 disajikan melalui Tabel 4.11 berikut.
Tabel 4.13 Hasil Uji Chow CEM dengan FEM Individu
Fhitung Ftabel
243,783 1,5191
Berdasarkan Tabel 4.13 diperoleh nilai Fhitung pada uji
Chow sebesar 243,783 yang mana lebih dari 10)(0.05,37,1
F sebesar
1,5191, sehingga dapat diambil keputusan tolak H0 yang artinya model terbaik yang digunakan adalah model efek tetap (fixed effect model) berdasarkan efek individu atau wilayah. 4.5.2 CEM dengan FEM Efek Waktu
Pemilihan model terbaik regresi data panel antara model CEM dengan model FEM Individu adalah sebagai berikut. Hipotesis :
H0 : Model terbaik yang digunakan yaitu model koefisien tetap (common effect model)
H1 : Model terbaik yang digunakan yaitu model efek tetap (fixed effect model) waktu
Statistik uji : Fhitung
Taraf signifikan : α = 0,05
Daerah penolakan : Tolak H0 jika hitung
F >K)-n-nT1,-n;(
F
48
Hasil perhitungan uji chow berdasarkan Lampiran 9 yang merujuk pada persamaan 2.14 disajikan melalui Tabel 4.12 berikut.
Tabel 4.14 Hasil Uji Chow CEM dengan FEM Waktu
Fhitung Ftabel
0,1505 1,5191
Berdasarkan Tabel 4.14 diperoleh nilai Fhitung pada uji
Chow sebesar 0,1505 yang mana kurang dari 10)(0.05,37,1
F sebesar
1,5191, sehingga dapat diambil keputusan gagal tolak H0 yang artinya model terbaik yang digunakan adalah model koefisien tetap (common effect model). Berdasarkan hasil pemilihan model terbaik diatas pada
pemilihan CEM dengan FEM individu disimpulkan bahwa FEM individu adalah model terbaik. Kemudian pada pemilihan CEM dengan FEM waktu disimpulkan bahwa CEM adalah model terbaik. Sehingga dalam hal ini apabila kembali pada pemilihan pertama yaitu CEM dengan FEM individu maka FEM individu yang terpilih sebagai model terbaik. 4.5.3 Pemilihan Model Terbaik Berdasarkan R
2
Pemilihan model terbaik ditentukan juga berdasarkan nilai R2 dari ketiga model yaitu CEM, FEM Individu dan FEM waktu adalah sebagai berikut.
Tabel 4.15 Pemilihan Model Terbaik Berdasarkan R2
Model R2
CEM 83,4%
FEM Individu 99,8%
FEM Waktu 84,2%
Berdasarkan Tabel 4.15 menunjukkan bahwa dari nilai R2
didapat model yang terbaik yaitu FEM efek individu karena memiliki R2 tertinggi yaitu sebesar 99,8%. Jadi model terbaik yaitu model Fixed Effect Model berdasarkan efek individu atau dalam penelitian ini adalah Kabupaten/Kota di Jawa Timur.
4.6 Uji Asumsi Model Regresi Data Panel
Pada pengujian pemilihan model terbaik diperoleh model terbaik dalam penelitian ini adalah model FEM berdasarkan efek
49
individu. Selanjutnya, pada model terpilih dilakukan pemeriksaan asumsi residual IIDN dengan menguji apakah residual data yang digunakan telah memenuhi ketiga asumsi tersebut. Hasil pengujian asumsi residual dari model regresi data panel adalah sebagai berikut.
4.6.1 Pengujian Asumsi Identik
Pengujian asumsi residual identik dilakukan dengan menggunakan uji Glejser. Hipotesis yang digunakan merujuk pada sub bab 2.3 mengenai pengujian asumsi residual identik dengan taraf signifikan α sebesar 0,05 dan daerah penolakan yang ditetapkan adalah tolak H0 jika Fhitung > Fα,dbr,dbe.
Hasil analisis uji Glejser berdasarkan Lampiran 10 yang
merujuk pada persamaan 2.15 disajikan melalui Tabel 4.16 berikut.
Tabel 4.16 Hasil uji Glejser Model FEM Efek Individu
Sumber DF SS MS F P-value
Regresi 1 9,38683×1012 9,38683×1012 156,15 0,000
Residual 150 9,01703×1012 60113533424
Total 151 18,40386×1012
Tabel 4.16 menunjukkan bahwa hasil uji Glejser pada model FEM efek individu dengan diperoleh nilai Fhitung sebesar 156,15 yang lebih dari F0,05(1,150) sebesar 3,9042 serta P-value
sebesar 0,000 yang kurang dari taraf signifikan 0,05 maka dapat diambil keputusan tolak H0 yang berarti varians residual data tidak identik. 4.6.2 Pengujian Asumsi Independen
Asumsi residual independen dapat dideteksi salah satunya melalui pengujian durbin watson. Pengujian asumsi residual independen yaitu dengan menggunakan uji Durbin Watson adalah sebagai berikut. Hipotesis : 1. Uji korelasi positif H0 : 0it ( Tidak ada korelasi positif antar residual)
H1 : 0 ( Ada korelasi positif antar residual)
2. Uji korelasi negatif
50
H0 : 0it ( Tidak ada korelasi negatif antar residual)
H1 : 0 ( Ada korelasi negatif antar residual)
3. Uji korelasi positif maupun negatif H0 : 0it ( Tidak ada korelasi positif maupun negatif antar
residual) H1 : 0 ( Ada korelasi positif maupun negatif antar
residual) Dengan menggunakan taraf signifikan α sebesar 0,05 dan
daerah penolakan yang ditetapkan adalah tolak H0, apabila d < dL atau d > 4 - dL dan Gagal tolak H0, apabila d > du atau d < 4 – du.
Hasil analisis uji Durbin Watson berdasarkan Lampiran 11 yang merujuk pada persamaan 2.16 disajikan melalui Tabel 4.17 berikut.
Tabel 4.17 Hasil uji Durbin Watson Model FEM Efek Individu
D 4-dL 4-dU dU dL
2,11000 2,3188 2,2109 1,7891 1,6812
Tabel 4.15 menunjukkan hasil pengujian durbin watson
pada model FEM efek individu didapatkan hasil nilai D sebesar 2,11000 yang mana nilai tersebut lebih dari nilai du dengan jumlah variabel prediktor (k) sebanyak 4 dan jumlah observasi (n) sebanyak 152 sebesar 1,7891 sehingga dapat diambil keputusan gagal tolak H0 yang berarti bahwa tidak ada korelasi positif maupun negatif antar residual. 4.6.3 Pengujian Asumsi Distribusi Normal
Pengujian asumsi distribusi normal dilakukan
menggunakan uji Kolmogorov Smirnov untuk mengetahui apakah residual data berdistribusi normal atau tidak. Hasil analisis merujuk pada persamaan 2.17 disajikan melalui Gambar 4.6 dengan hipotesis sebagi berikut. Hipotesis : H0 : Residual data berdistribusi normal H1 : Residual data tidak berdistribusi normal
Dengan menggunakan taraf signifikan sebesar 0,05 dan daerah penolakan yaitu H0 ditolak jika KShitung>KStabel didapat hasil sebagai berikut.
51
3000000200000010000000-1000000-2000000
99.9
99
95
90
80
70
60504030
20
10
5
1
0.1
RESI1
Percent
Mean -1.99867E-08
StDev 406470
N 152
KS 0.199
P-Value <0,010
Normal
Gambar 4.6 Grafik Distribusi Normal
Berdasarkan Gambar 4.6 yang menunjukkan bahwa nilai KS sebesar 0,199 yang lebih dari KStabel sebesar 0,110 dan P-value
sebesar 0,01 yang kurang dari taraf signifikan sebesar 0,05 maka dapat diambil keputusan tolak H0 yang berarti bahwa residual data tidak berdistribusi normal.
Setelah melakukan analisis regresi data panel diperoleh hasil keseluruhan pada setiap estimasi model data panel untuk mengetahui model mana terbaik disajikan melalui Tabel 4.18 berikut.
Tabel 4.18 Hasil Analisis Regresi Data Panel CEM FEM Individu FEM Waktu
R-Sq 83,4% 99,8% 84,2%
Identik Tidak Tidak Tidak
Independen Ya Ya Ya
Distribusi Normal Tidak Tidak Tidak
Tabel 4.18 menunjukkan bahwa berdasarkan persentase R-Sq diperoleh niai R-Sq tersebar adalah pada FEM individu yaitu sebesar 99,8% serta untuk keseluruhan model data panel hanya memenuhi asumsi independen namun tidak memenuhi asumsi identik dan distribusi normal. Sehingga berdasarkan hasil tersebut
52
dapat dipilih model terbaik untuk penelitian ini adalah FEM individu dengan hasil persamaan model
37
36432
1
39715858
39327850.....417329054061292141601333
4128905310339717760191,039001399421
D
DDDD
DXXXY
Persamaan model diatas menunjukkan bahwa ketika volume air disalurkan naik sebesar satu m3 maka nilai PDRB bertambah sebesar 0,0191 juta rupiah dengan asumsi variabel prediktor lain konstan. Ketika jumlah akomodasi hotel bertambah sebanyak 1 hotel maka nilai PDRB akan bertambah sebesar 1176
juta rupiah. Ketika jumlah sarana kesehatan bertambah sebanyak 1 rumah sakit/puskesmas maka nilai PDRB akan bertambah sebesar 103397 juta rupiah. Nilai D1 sebesar 41289053 menunjukkan bahwa nilai PDRB Kabupaten Pacitan lebih kecil sebesar 42902275 juta rupiah dibandingkan dengan Kota Surabaya. Nilai R-Sq sebesar 99,8% menunjukkan variabilitas variabel respon yaitu PDRB yang mampu dijelaskan model dengan dipengaruhi varibel prediktor seperti volume air
disalurkan, jumlah akomodasi hotel dan sarana kesehatan adalah sebesar 99,8% sedangkan sisanya sebesar 0,02% dijelaskan oleh variabel lain yang tidak termasuk dalam model.
53
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan Hasil analisis pertumbuhan ekonomi Jawa Timur berdasarkan kondisi infrastruktur adalah sebagai berikut. 1. Angka PDRB paling tinggi berada di Kota Surabaya dan
paling rendah berada di Kabupaten Bangkalan. Volume air disalurkan paling besar berada di Kota Surabaya dan paling kecil berada di Kabupaten Mojokerto. Jumlah akomodasi hotel paling banyak berada di Kabupaten Pasuruan dan paling sedikit berada di Kabupaten Bangkalan. Jumlah sarana sekolah yakni SMA/SMK paling banyak berada di Kota Surabaya dan paling sedikit di Kota Pasuruan. Jumlah sarana kesehatan yakni rumah sakit dan puskesmas paling banyak bperada di Kota Surabaya dan
paling sedikit di Kota Blitar. Secara keseluruhan Kota Surabaya sebagai wilayah di Jawa Timur yang unggul dalam beberapa faktor seperti volume air disalurkan, sarana pendidikan dan kesehatan. Oleh karena itu, angka PDRB tertinggi tahun 2013 – 2016 adalah di Surabaya dibandingkan kabupaten/kota lain di Jawa Timur.
2. Model terbaik yang terpilih adalah FEM Individu dengan
varibel volume air disalurkan, jumlah akomodasi hotel dan saran kesehatan sebagai variabel yang signifikan terhadap PDRB Jawa Timur serta persentase variabilitas sebesar 99,8%. Persamaan model regresi FEM individu yang diperoleh adalah sebagai berikut
37
36432
1
39715858
39327850.....417329054061292141601333
4128905310339717760191,039001399421
D
DDDD
DXXXY
5.2 Saran
Pertumbuhan ekonomi Jawa Timur yang tinggi hingga melebihi ekonomi nasional tidak lantas menunjukkan bahwa tingkat kesejahteraan di setiap wilayah kabupaten/kota juga
54
tinggi. Jika dilihat dari kondisi infrastruturnya terdapat beberapa wilayah yang memiliki perbedaan pembangunan infrastruktur yang sangat jauh dibandingkan dengan rata-rata wilayah di Jawa Timur. Hal itu berakibat pada pendapatan regional di sektor tersebut sangat rendah dibandingkan wilayah lainnya. Adanya
ketimpangan pendapatan regional Jawa Timur dapat dijadikan fokus perhatian bagi pemerintah atau masyarakat untuk melakukan perbaikan melalui beberapa faktor yang mempengaruhinya. Seperti hasil yang diperoleh dalam penelitian ini volume air disalurkan, jumlah akomodasi hotel dan sarana kesehatan merupakan faktor yang berpengaruh signifikan bagi pendapatan regional Jawa Timur. Sehingga melalui beberapa
infrastruktur tersebut dapat dilakukan kerjasama dengan badan/lembaga/perusahaan pemberdaya untuk meningkatkan dan mengembangkan infrastruktur tersebut di Provinsi Jawa Timur. Pada penelitian selanjutnya juga disarankan untuk melakukan analisis regresi berganda tanpa memperhatikan pengaruh tahun, sehingga analisis dilakukan setiap atau per tahun.
55
DAFTAR PUSTAKA
Asteriou, D., & Hall, S.G. 2007. Applied Econometrics A Modern Approach. New York : Palgrave Macmillan
Badan Pusat Statistik. 2014. Provinsi Jawa Timur Dalam Angka. Surabaya: Badan Pusat Statistik Provinsi Jawa Timur.
Badan Pusat Statistik. 2015. Provinsi Jawa Timur Dalam Angka. Surabaya: Badan Pusat Statistik Provinsi Jawa Timur.
Badan Pusat Statistik. 2016. Provinsi Jawa Timur Dalam Angka. Surabaya: Badan Pusat Statistik Provinsi Jawa Timur.
Badan Pusat Statistik. 2017. Provinsi Jawa Timur Dalam Angka. Surabaya: Badan Pusat Statistik Provinsi Jawa Timur.
Draper, N.R & Smith, H.1992. Applied Regression Analysis,
Second Edition. Newyork : John Wiley and sons, Inc. Draper, N.R. & Smith, H. 1998. Applied Regression Analysis,
Third Edition. Newyork : John Wiley and sons, Inc.a Gujarati, D. N., & Porter, D. C. 2010. Dasar-dasar Ekonometrika
Edisi 5 buku 1. Eugenia Mardanughara, Sita Wardhani, dan Carlos Mangunsong (trans). Jakarta : Salemba Empat
Gujarati, D. N., & Porter, D. C. 2012. Dasar-dasar Ekonometrika Edisi 5 buku 2. Raden Carlos Mangunsong (trans). Jakarta
: Salemba Empat Gujarati, D. N. 2015. Dasar-Dasar Ekonometrika Edisi 5 Buku II.
Jakarta: Salemba Empat Greene, W. H. 2002. Econometrica Analysis Fifth Edition. New
Jersey: Prentice Hall Juanita, 2002. Kesehatan dan Pembangunan Nasional. Medan:
Tesis Magister AKK FKM USU.
Kodoatie, R.J. 2003. Manajemen dan Rekayasa Infrastruktur. Yogyakarta: Pustaka Pelajar
Oktavianus. 2003. Kiasan dalam Dinamika Masyarakat Minangkabau. Jurnal Linguistika Vol. 10 Tahun 2003. Program Studi Magister dan Doktor Linguistik Universitas Udayana
56
Pamungkas, R. 2009. 10 Tahun Independent Network ndonesia Pergerakan Tanpa Henti. Diakses pada 9 April 2018. www:Independentnetworkindonesia.wordpress.com
Sasana, H. 2006. Analisis Dampak Desentralisasi Fiskal Terhadap Pertumbuhan Ekonomi di Kabupaten/Kota
Provinsi Jawa Tengah. Dinamika Pembangunan Vol. 3 No. 2 2/ Desember 2006: 145-170.
Sudjana. 1996. Teknik Analisis Regresi Dan Korelasi. Bandung: Tarsito
Sukirno, S. 2000. Makro Ekonomi Modern. Jakarta: PT. Raja Grafindo Perkasa.
Todaro, M. 2006. Pengembangan Ekonomi Dunia Ketiga. Edisi
Kedelapan. Jakarta: Penerbit Erlangga Widarjono, A. 2013. Ekonometrika Pengantar dan Aplikasinya
Disertai Panduan Eviews (edisi 4. Yogjakarta : UPP STIM YKPN.
57
LAMPIRAN
Lampiran 1. Data Pengamatan
Kabupaten/Kota Tahun Y X1 X2 X3 X4
Pacitan 2013 467977,44 2753754 13 35 25
Pacitan 2014 506682,35 2604209 23 38 26
Pacitan 2015 534190,89 2979260 27 38 27
Pacitan 2016 563507,1 2475980 27 41 27
Ponorogo 2013 1230022,28 4142675 39 60 37
Ponorogo 2014 1319498 2933148 43 69 37
Ponorogo 2015 1409605 2962381 48 69 37
Ponorogo 2016 1509237 3014313 48 69 37
Trenggalek 2013 795921,5 1752191 11 39 25
Trenggalek 2014 894160,4 1591509 12 45 25
Trenggalek 2015 1256848,5 1720228 12 45 26
Trenggalek 2016 1368451,1 1824251 12 48 26
Tulungagung 2013 1409290,44 3275739 21 46 39
Tulungagung 2014 1539108,2 3537626 22 53 38
Tulungagung 2015 1640984,01 3698355 27 53 43
Tulungagung 2016 1749396,78 3765118 8 55 43
Blitar 2013 1079752,22 1951672 8 46 28
Blitar 2014 1174395,58 2456702 8 53 28
Blitar 2015 1245341,37 3459640 8 53 34
Blitar 2016 1317896,47 2688767 9 54 34
Kediri 2013 1501602,8 2518168 9 64 43
Kediri 2014 1601446,93 1823440 10 75 43
Kediri 2015 1699176,74 3157053 10 75 48
Kediri 2016 1800521,65 2274008 10 76 48
Malang 2013 3084355,49 18390810 104 166 53
58
Kabupaten/Kota Tahun Y X1 X2 X3 X4
Malang 2014 3293014,61 18219422 101 184 54
Malang 2015 3511746,22 18173816 166 184 63
Malang 2016 3742208,5 19944655 166 189 63
Lumajang 2013 721581,5757 5430490 10 55 28
Lumajang 2014 781420,1906 5760235 12 62 28
Lumajang 2015 841324,5509 5938456 17 62 31
Lumajang 2016 893114,7287 6260259 17 63 31
Jember 2013 3139835,18 11780757 26 149 55
Jember 2014 3369476,418 7035556 32 209 55
Jember 2015 3562855,178 7017574 50 209 61
Jember 2016 3805971,018 7190974 50 222 61
Banyuwangi 2013 2294963,7 10302496 50 93 52
Banyuwangi 2014 2461789,3 976340 53 108 53
Banyuwangi 2015 2668919,2 11980736 64 108 58
Banyuwangi 2016 2877707 12474018 64 122 58
Bondowoso 2013 486458,4 243984 14 61 28
Bondowoso 2014 528073,1 2448504 14 70 28
Bondowoso 2015 564053,9 2605185 15 70 29
Bondowoso 2016 599215,1 2635737 15 77 29
Situbondo 2013 644852,8088 5862394 22 37 19
Situbondo 2014 700249,3024 6241776 24 51 21
Situbondo 2015 750548,868 6290569 28 51 22
Situbondo 2016 799526,7582 6459715 28 54 22
Probolinggo 2013 806445,4 357330 52 98 37
Probolinggo 2014 671904,1 3145680 50 107 37
Probolinggo 2015 925100,1 3358162 96 107 39
Probolinggo 2016 987039 3262874 96 115 39
Pasuruan 2013 2992131,47 5243700 442 76 36
59
Kabupaten/Kota Tahun Y X1 X2 X3 X4
Pasuruan 2014 3255896,54 6945362 446 83 36
Pasuruan 2015 4714442,6 5214461 1079 83 39
Pasuruan 2016 5326267,4 5247274 1079 88 39
Sidoarjo 2013 4697736 36391341 56 129 40
Sidoarjo 2014 5086531,3 2690780 66 137 40
Sidoarjo 2015 5473075,8 27589464 81 137 52
Sidoarjo 2016 5907750,4 30949693 81 144 52
Mojokerto 2013 1468151,13 379320 80 83 36
Mojokerto 2014 1602935,75 3171647 101 96 36
Mojokerto 2015 1718900,07 3366675 141 96 38
Mojokerto 2016 1841228,25 3504768 141 97 38
Jombang 2013 1667808 4371310 17 105 45
Jombang 2014 1788881,1 4208763 19 111 45
Jombang 2015 1916797,8 4404938 23 111 47
Jombang 2016 2052127,4 4505044 23 112 47
Nganjuk 2013 804005,35 3290860 13 67 25
Nganjuk 2014 858033,56 3514543 13 72 25
Nganjuk 2015 913894,65 3830911 13 72 26
Nganjuk 2016 975834,31 3214093 13 79 26
Madiun 2013 651224,38 7333736 5 33 28
Madiun 2014 772913,56 8033115 5 39 28
Madiun 2015 824304,07 8784748 7 39 30
Madiun 2016 879847,9 7225614 7 39 30
Magetan 2013 881563,46 1122881 103 43 23
Magetan 2014 951736,87 11682465 106 47 23
Magetan 2015 1017325,12 12413536 122 47 28
Magetan 2016 1086666,01 12410998 122 48 28
Ngawi 2013 892296,17 653104 10 52 26
60
Kabupaten/Kota Tahun Y X1 X2 X3 X4
Ngawi 2014 974861,46 6522880 12 54 27
Ngawi 2015 1038395,46 7062519 14 54 27
Ngawi 2016 1101160,51 7448043 14 56 27
Bojonegoro 2013 909984 5791321 16 97 44
Bojonegoro 2014 985142,4 5998409 19 103 44
Bojonegoro 2015 1055817,7 6667281 22 103 46
Bojonegoro 2016 1123498,9 6874369 22 109 46
Tuban 2013 972620,36 6611377 17 62 36
Tuban 2014 1062617,31 11613338 20 67 36
Tuban 2015 1147213,87 9767362 25 67 37
Tuban 2016 2921187,69 8004466 25 72 37
Lamongan 2013 954345,7 4591935 7 128 41
Lamongan 2014 1036615,5 4964311 6 136 42
Lamongan 2015 1134170,1 5614646 15 136 44
Lamongan 2016 1220975,3 4576627 15 145 44
Gresik 2013 1649595,2 28498876 15 88 40
Gresik 2014 1781859,9 21438190 18 97 41
Gresik 2015 1928315,7 23718746 24 97 46
Gresik 2016 2084392,6 24830308 24 104 46
Bangkalan 2013 147204 33887513 2 89 24
Bangkalan 2014 740209,6 4160001 2 94 24
Bangkalan 2015 731634,4 4508399 3 94 26
Bangkalan 2016 185189,7 4679201 3 119 26
Sampang 2013 401717,1 2499658 4 49 22
Sampang 2014 430960,9 2155668 4 85 22
Sampang 2015 458054,8 2226016 5 85 22
Sampang 2016 490785,9 2453341 5 143 22
Pamekasan 2013 1032235,67 2398640 12 90 21
61
Kabupaten/Kota Tahun Y X1 X2 X3 X4
Pamekasan 2014 517535,9 2395066 12 121 22
Pamekasan 2015 547319,6 2540398 14 121 25
Pamekasan 2016 581808,7 2713713 14 147 25
Sumenep 2013 608718,5 4814101 11 68 31
Sumenep 2014 663021,3 4881268 12 98 31
Sumenep 2015 711170 4708651 14 98 33
Sumenep 2016 775304,6 4775818 14 119 33
Kediri 2013 1584006,48 445820 21 46 14
Kediri 2014 1701526,71 5863127 21 47 14
Kediri 2015 1822791,65 5751273 29 47 21
Kediri 2016 1955882,54 2713428 29 46 21
Blitar 2013 450409,1 1830388 19 20 7
Blitar 2014 485495,73 1810308 19 25 7
Blitar 2015 519398,36 985536 19 25 8
Blitar 2016 556847,83 965817 19 27 8
Malang 2013 5248984,9 3683805 64 92 22
Malang 2014 5721071,4 9899952 68 99 23
Malang 2015 6205272,8 38211366 104 99 39
Malang 2016 6697345,8 30364684 104 111 39
Probolinggo 2013 526969,06 5880500 11 29 8
Probolinggo 2014 562480,99 5921800 15 30 8
Probolinggo 2015 600641,67 5833900 23 30 10
Probolinggo 2016 642228,1 4597680 23 30 10
Pasuruan 2013 414709 4607334 4 21 9
Pasuruan 2014 454292,2 4614564 5 20 9
Pasuruan 2015 487511,1 4603371 6 20 9
Pasuruan 2016 521857,9 4599450 6 21 9
Mojokerto 2013 420578,5 758635 8 21 10
62
Kabupaten/Kota Tahun Y X1 X2 X3 X4
Mojokerto 2014 445907,9 70251 9 22 10
Mojokerto 2015 472487,2 852359 9 22 12
Mojokerto 2016 503153,4 785747 9 22 12
Madiun 2013 1007863,18 840332 30 40 11
Madiun 2014 1083211,64 8971823 30 43 11
Madiun 2015 1157539,8 8980387 37 43 14
Madiun 2016 1226377,68 741371 37 42 14
Surabaya 2013 48752922,4 19650855 109 283 91
Surabaya 2014 52524109,6 280632884 125 282 92
Surabaya 2015 56490807,9 300128337 189 282 124
Surabaya 2016 61081876,7 300128337 189 249 124
Batu 2013 1185858,39 380088 435 21 7
Batu 2014 1284135,09 6653086 437 23 7
Batu 2015 1383864,52 3260780 811 23 10
Batu 2016 1494357 3361458 811 23 10
Keterangan : Y = Produk Domestik Regional Bruto X1 = Volume Air Disalurkan
X2 = Jumlah Akomodasi Hotel X3 = Jumlah Sekolah SMA/SMK X4 = Jumlah Sarana Kesehatan
63
Lampiran 2. Model Regresi CEM dan Deteksi Multikolinieritas Regression Analysis: Y versus X1; X2; X3; X4 The regression equation is
Y = - 2800231 + 0,158 X1 + 3398 X2 + 22341 X3 + 51408
X4
Predictor Coef SE Coef T P VIF
Constant -2800231 679714 -4,12 0,000
X1 0,158396 0,009419 16,82 0,000 1,802
X2 3398 1744 1,95 0,053 1,008
X3 22341 10060 2,22 0,028 3,451
X4 51408 32077 1,60 0,111 4,372
S = 3511133 R-Sq = 84,1% R-Sq(adj) = 83,6%
Lampiran 3. Uji Signifikansi Parameter Model Regresi CEM
Predictor Coef SE Coef T P VIF
Constant -2800231 679714 -4,12 0,000
X1 0,158396 0,009419 16,82 0,000 1,802
X2 3398 1744 1,95 0,053 1,008
X3 22341 10060 2,22 0,028 3,451
X4 51408 32077 1,60 0,111
Analysis of Variance
Source DF SS MS F
P
Regression 4 9,55481E+15 2,38870E+15 193,76
0,000
Residual Error 147 1,81222E+15 1,23281E+13
Total 151 1,13670E+16
Lampiran 4. Model Regresi FEM Individu Regression Analysis: Y versus X1; X2; ... * D37 has all values = 0
* D37 has been removed from the equation.
The regression equation is
Y = 40799236 + 0,0181 X1 + 1846 X2 - 7482 X3 + 107234
X4 - 42902275 D1- 43041688 D2 - 42176686 D3 - 43297846
64
Lampiran 4. Model Regresi FEM Individu (Lanjutan) D4 - 42596898 D5 - 43547533 D6- 42868290 D7 - 42832496
D8 - 42284819 D9 - 43595518 D10 - 42846187 D11 -
42126105 D12 - 43401871 D13 - 41633909 D14 - 39985626
D15 - 42674170 D16- 43171555 D17 - 42190090 D18 -
42999712 D19 - 42583016 D20 - 42383429 D21 - 43986791
D22 - 42889421 D23 - 43386877 D24 - 43337975 D25 -
42507070 D26 - 42021013 D27 - 41796248 D28 - 42935239
D29 - 40674990 D30 - 40979438 D31 - 37907867 D32 -
41092708 D33 - 41234598 D34 - 41382875 D35 - 40857071
D36 - 41418263 D38
S = 468294 R-Sq = 99,8% R-Sq(adj) = 99,7%
Lampiran 5. Uji Signifikansi Parameter Model Regresi FEM Individu Predictor Coef SE Coef T P VIF
Constant 40799236 1521169 26,82 0,000
X1 0,018138 0,002325 7,80 0,000 6,173
X2 1846,1 644,1 2,87 0,005 7,730
X3 -7482 3858 -1,94 0,055 28,524
X4 107234 13054 8,21 0,000 40,710
D1 -42902275 1255176 -34,18 0,000 27,980
D2 -43041688 1115542 -38,58 0,000 22,101
D3 -42176686 1243675 -33,91 0,000 27,470
D4 -43297846 1132352 -38,24 0,000 22,772
D5 -42596898 1188842 -35,83 0,000 25,101
D6 -43547533 1051560 -41,41 0,000 19,639
D7 -42868290 730936 -58,65 0,000 9,489
D8 -42832496 1175598 -36,43 0,000 24,545
D9 -42284819 702892 -60,16 0,000 8,774
D10 -43595518 905982 -48,12 0,000 14,577
D11 -42846187 1159346 -36,96 0,000 23,871
D12 -42126105 1265991 -33,28 0,000 28,464
D13 -43401871 1013276 -42,83 0,000 18,235
D14 -41633909 1221274 -34,09 0,000 26,489
D15 -39985626 886082 -45,13 0,000 13,944
D16 -42674170 1058311 -40,32 0,000 19,892
D17 -43171555 953291 -45,29 0,000 16,140
D18 -42190090 1175724 -35,88 0,000 24,550
D19 -42999712 1236013 -34,79 0,000 27,132
D20 -42583016 1247412 -34,14 0,000 27,635
D21 -42383429 1210228 -35,02 0,000 26,012
65
Lampiran 5. Uji Signifikansi Parameter Model Regresi FEM Individu (Lanjutan) D22 -43986791 974331 -45,15 0,000 16,860
D23 -42889421 1113957 -38,50 0,000 22,038
D24 -43386877 913696 -47,49 0,000 14,827
D25 -43337975 992926 -43,65 0,000 17,510
D26 -42507070 1120148 -37,95 0,000 22,284
D27 -42021013 1145310 -36,69 0,000 23,296
D28 -41796248 1096913 -38,10 0,000 21,369
D29 -42935239 1075762 -39,91 0,000 20,553
D30 -40674990 1296486 -31,37 0,000 29,852
D31 -40979438 1425100 -28,76 0,000 36,069
D32 -37907867 1079001 -35,13 0,000 20,677
D33 -41092708 1400386 -29,34 0,000 34,829
D34 -41234598 1420558 -29,03 0,000 35,839
D35 -41382875 1402773 -29,50 0,000 34,948
D36 -40857071 1346343 -30,35 0,000 32,192
D38 -41418263 1530903 -27,05 0,000 41,623
Analysis of Variance
Source DF SS MS F
P
Regression 41 1,13429E+16 2,76656E+14 1261,55
0,000
Residual Error 110 2,41229E+13 2,19299E+11
Total 151 1,13670E+16
Source DF Seq SS
X1 1 9,12174E+15
X2 1 4,23715E+13
X3 1 3,59031E+14
X4 1 3,16638E+13
66
Lampiran 6. Model Regresi FEM Waktu Regression Analysis: Y versus X1, X2, X3, X4, d1, d2, d3, d4 * d4 has all values = 0
* d4 has been removed from the equation.
The regression equation is
Y = - 3217745 + 0.159 X1 + 3709 X2 + 23288 X3 + 51041
X4 + 1276210 d1 + 250436 d2 - 234261 d3
Predictor Coef SE Coef T P VIF
Constant -3217745 869083 -3.70 0.000
X1 0.158904 0.009413 16.88 0.000 1.813
X2 3709 1749 2.12 0.036 1.021
X3 23288 10118 2.30 0.023 3.516
X4 51041 32329 1.58 0.117 4.473
d1 1276210 810159 1.58 0.117 1.528
d2 250436 809638 0.31 0.758 1.526
d3 -234261 804067 -0.29 0.771 1.505
S = 3498623 R-Sq = 84.5% R-Sq(adj) = 83.7%
Lampiran 7. Uji Signifikansi Parameter Model Regresi FEM
Waktu Predictor Coef SE Coef T P VIF
Constant -3217745 869083 -3,70 0,000
X1 0,158904 0,009413 16,88 0,000 1,813
X2 3709 1749 2,12 0,036 1,021
X3 23288 10118 2,30 0,023 3,515
X4 51041 32329 1,58 0,117 4,473
D1 1276210 810159 1,57 0,118 1,528
D2 250436 809638 0,31 0,758 1,526
D3 -234261 804067 -0,29 0,771 1,505
Analysis of Variance
Source DF SS MS F
P
Regression 7 9.60442E+15 1.37206E+15 112.09
0.000
Residual Error 144 1.76261E+15 1.22404E+13
Total 151 1.13670E+16
67
Lampiran 7. Uji Signifikansi Parameter Model Regresi FEM Waktu (Lanjutan) Source DF Seq SS
X1 1 9,12174E+15
X2 1 4,24396E+13
X3 1 3,59128E+14
X4 1 3,15514E+13
D1 1 4,52096E+13
D2 1 3,31035E+12
D3 1 1,03899E+12
Lampiran 8. Perhitungan Uji Chow Model CEM dengan FEM Individu
783,243
)4384*38(998,01
)138(834,0998,0
)(1
)1(2
22
)(
F
knnTR
nRRF
LSDV
pooledindividuLSDV
Lampiran 9. Perhitungan Uji Chow Model CEM dengan FEM
Waktu
1505,0
)4384*38(842,01
)138(834,0842,0
)(1
)1(
2
22)(
F
knnTR
nRRF
LSDV
pooledwaktuLSDV
Lampiran 10. Pengujian Asumsi Identik Model FEM efek Individu Regression Analysis: ABS2 versus FITS2 The regression equation is
ABS2 = 133638 + 0,0274 FITS2
Predictor Coef SE Coef T P VIF
Constant 133638 20628 6,48 0,000
FITS2 0,027353 0,002262 12,09 0,000 1,000
68
Lampiran 10. Pengujian Asumsi Identik Model FEM efek Individu (Lanjutan) S = 240922 R-Sq = 49,4% R-Sq(adj) = 49,0%
Analysis of Variance
Source DF SS MS F
P
Regression 1 8,48634E+12 8,48634E+12 146,21
0,000
Residual Error 150 8,70651E+12 58043391562
Total 151 1,71929E+13
Lampiran 11. Pengujian Asumsi Independen Model FEM efek Individu Regression Analysis: Y versus X1; X2; ... R denotes an observation with a large standardized
residual.
X denotes an observation whose X value gives it large
leverage.
Durbin-Watson statistic = 2,1666
Lampiran 12. Hasil Analisis Model Terbaru CEM Regression Analysis: Y versus X1, X3 The regression equation is
Y = - 1969862 + 0.167 X1 + 34462 X3
Predictor Coef SE Coef T P
Constant -1969862 568078 -3.47 0.001
X1 0.166733 0.008460 19.71 0.000
X3 34462 6530 5.28 0.000
S = 3563113 R-Sq = 83.4% R-Sq(adj) = 83.1%
Analysis of Variance
Source DF SS MS F
P
Regression 2 9.47536E+15 4.73768E+15 373.17
0.000
Residual Error 149 1.89167E+15 1.26958E+13
Total 151 1.13670E+16
69
Lampiran 13. Hasil Analisis Model Terbaru FEM Individu
Regression Analysis: Y versus X1, X2, ... * D37 has all values = 0
* D37 has been removed from the equation.
The regression equation is
Y = 39001399 + 0.0191 X1 + 1776 X2 + 103397 X4 -
41289053 D1 - 41601333 D2 - 40612921 D3 - 41732905 D4
- 41067396 D5 - 42119232 D6 - 42211568 D7- 41378750 D8
- 41756669 D9 - 42411362 D10 - 41467380 D11 - 40612862
D12- 42261730 D13 - 40267287 D14 - 39058436 D15 -
41424620 D16 - 42021143 D17- 40839275 D18 - 41378255
D19 - 41034458 D20 - 40891299 D21 - 42791633 D22 -
41459918 D23 - 42448437 D24 - 42118312 D25 - 41365154
D26 - 40883297 D27 - 40806700 D28 - 41734736 D29 -
39159712 D30 - 39334277 D31 - 36755808 D32 - 39486985
D33 - 39559644 D34 - 39705550 D35 - 39327850 D36 -
39715858 D38
Predictor Coef SE Coef T P
Constant 39001399 1221075 31.94 0.000
X1 0.019092 0.002300 8.30 0.000
X2 1776.2 651.0 2.73 0.007
X4 103397 13063 7.92 0.000
D1 -41289053 951688 -43.39 0.000
D2 -41601333 842755 -49.36 0.000
D3 -40612921 958676 -42.36 0.000
D4 -41732905 804342 -51.88 0.000
D5 -41067396 900683 -45.60 0.000
D6 -42119232 759968 -55.42 0.000
D7 -42211568 655800 -64.37 0.000
D8 -41378750 916897 -45.13 0.000
D9 -41756669 656021 -63.65 0.000
D10 -42411362 677672 -62.58 0.000
D11 -41467380 927165 -44.72 0.000
D12 -40612862 1009359 -40.24 0.000
D13 -42261730 835558 -50.58 0.000
D14 -40267287 1009873 -39.87 0.000
D15 -39058436 755305 -51.71 0.000
D16 -41424620 850028 -48.73 0.000
D17 -42021143 755544 -55.62 0.000
70
Lampiran 13. Hasil Analisis Model Terbaru FEM Individu (Lanjutan) D18 -40839275 958981 -42.59 0.000
D19 -41378255 921698 -44.89 0.000
D20 -41034458 970305 -42.29 0.000
D21 -40891299 945819 -43.23 0.000
D22 -42791633 764083 -56.00 0.000
D23 -41459918 845635 -49.03 0.000
D24 -42448437 784669 -54.10 0.000
D25 -42118312 777942 -54.14 0.000
D26 -41365154 964744 -42.88 0.000
D27 -40883297 995872 -41.05 0.000
D28 -40806700 983060 -41.51 0.000
D29 -41734736 890759 -46.85 0.000
D30 -39159712 1047480 -37.38 0.000
D31 -39334277 1159368 -33.93 0.000
D32 -36755808 911950 -40.30 0.000
D33 -39486985 1143457 -34.53 0.000
D34 -39559644 1141902 -34.64 0.000
D35 -39705550 1118175 -35.51 0.000
D36 -39327850 1104850 -35.60 0.000
D38 -39715858 1269831 -31.28 0.000
S = 474084 R-Sq = 99.8% R-Sq(adj) = 99.7%
Analysis of Variance
Source DF SS MS F
P
Regression 40 1.13421E+16 2.83552E+14 1261.60
0.000
Residual Error 111 2.49479E+13 2.24756E+11
Total 151 1.13670E+16
Lampiran 14. Hasil Analisis Model Terbaru FEM Waktu Regression Analysis: Y versus X1, X2, X3, d1, d2, d3, d4 * d4 has all values = 0
* d4 has been removed from the equation.
The regression equation is
Y = - 2627351 + 0.166 X1 + 3723 X2 + 35614 X3 +
1303042 d1 + 127153 d2 - 179212 d3
71
Lampiran 14. Hasil Analisis Model Terbaru FEM Waktu (Lanjutan) Predictor Coef SE Coef T P
Constant -2627351 788546 -3.33 0.001
X1 0.165789 0.008385 19.77 0.000
X2 3723 1758 2.12 0.036
X3 35614 6469 5.51 0.000
d1 1303042 814139 1.60 0.112
d2 127153 810001 0.16 0.875
d3 -179212 807435 -0.22 0.825
S = 3516585 R-Sq = 84.2% R-Sq(adj) = 83.6%
Analysis of Variance
Source DF SS MS F
P
Regression 6 9.57391E+15 1.59565E+15 129.03
0.000
Residual Error 145 1.79312E+15 1.23664E+13
Total 151 1.13670E+16
72
Lampiran 15. Surat Keterangan Pengambilan Data
73
Lampiran 16. Surat Pernyataan Kevalidan Data
74
BIODATA PENULIS
Penulis bernama Astry Asih
yang biasa dipanggil Astry.
Penulis lahir di Surabaya, 6
Agustus 1997 sebagai anak
ke-tiga atau anak terakhir dari
pasangan suami istri, Totok
Prawoto dan Suminah.
Penulis telah menempuh
pendidikan formal dimulai
dari TK Karya Bhakti, SDN
Simomulyo IV/101 Surabaya
(2003-2009), SMP Negeri 25
Surabaya (2009-2012), dan SMA Negeri 8 Surabaya (2012-
2015). Setelah lulus dari SMA, penulis melanjutkan studi di
Diploma III Statistika Bisnis ITS Surabaya yang juga
merupakan keluarga besar “HEROES”. Pengalaman yang
pernah dimiliki penulis selama duduk di bangku sekolah
adalah menjadi anggota pengurus OSIS SMPN 25 dan
menjadi pengurus di beberapa ekstrakulikuler yang pernah
diikuti selama masa SMA seperti paduan suara, PMR dan
SKI. Selanjutnya, ketika memasuki perkuliahan di ITS,
penulis juga mengikuti serangkaian kepanitiaan yang
diadakan oleh departemen maupun ITS. Salah satunya
adalah menjadi anggota kepanitiaan di acara tahunan
Statistika yaitu PRS dan menjadi pengurus HIMADATA-
ITS periode 2017/2018. Penulis juga berkesempatan Kerja
Praktek di PT. Telekomunikasi Indonesia Surabaya. Segala
kritik dan saran akan diterima penulis untuk perbaikan
kedepannya. Jika ada keperluan berdiskusi dengan penulis
dapat melalui email [email protected].
76