Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam...
-
Upload
nguyenquynh -
Category
Documents
-
view
230 -
download
0
Transcript of Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam...
Pemodelan Kerugian Makro
Ekonomi Akibat Bencana Alam
Dengan Regresi Panel
Dosen Pembimbing :
Dwi Endah Kusrini, S.Si, M.Si
Jurusan Statistika Fakultas Matematika dan Ilmu
Pengetahuan Alam Institut Teknologi Sepuluh Nopember
Surabaya
Senin, 7 Juni 2014 @ Gedung H
OUTLINE
2
Pendahuluan Tinjauan Pustaka
Metodologi Penelitian
Analisis dan Pembahasan
Kesimpulan dan Saran
3
Latar Belakang
4
Bencana alam mengakibatkan
negara-negara berkembang
kehilangan 5% dari produk
nasional brutonya (Annan
dalam Ingleton, 1999).
Latar Belakang
5
Tsunam
i Aceh
(2004)
Gempa
bumi DIY
(2006)
Gunung
meletus
Jatim (2014)
Latar Belakang
6
Penelitian tentang bencana alam
Toya & Skidmore
(2007)
• Melakukan penelitian terkait perkembangan ekonomi dan dampak dari bencana alam
Noy (2009)
• Melakukan penelitian konsekuensi makroekonomi yang diakibatkan oleh bencana alam dengan menggunakan regresi data panel
Zhong, Liu, & Liu (2010)
• Melakukan estimasi kerugian yang terjadi akibat bencana alam pada komoditi gandum di daerah danau Dongting, China
Latar Belakang
7
Penelitian tentang bencana alam
Xiaoyan & Xiaofei
(2012)
• Menaksir kerugian yang terjadi akibat bencana alam
Mustapha,Mcheick, & Mellouli
(2013)
• Melakukan pemodelan dan simulasi bencana alam
Kusumaningrum (2014)
• Meneliti tentang kerugian makroekonomi yang disebabkan oleh bencana alam di Pulau Jawa dengan menggunakan metode Spatial Durbin Model
Latar Belakang
8
Regresi
Panel???
Merupakan model
regresi yang digunakan
pada data panel
(gabungan data cross
section dan data time
series)
Latar Belakang
9
Penelitian tentang Regresi Panel
Astuti (2009)
• Menganalisis persentase mahasiswa ITS yang lulus tepat waktu dengan menggunakan model fixed effect pada regresi data panel
Desi (2010)
• Menggunakan regresi data panel untuk memodelkan persentase penduduk miskin di Jawa Timur
Perumusan Masalah
10
Bagaimana karakteristik bencana alam yang terjadi di Pulau Jawa pada periode 2007 hingga 2012?
Bagaimana pemodelan kerugian makroekonomi yang diakibatkan bencana alam di Pulau Jawa untuk wilayah kabupaten dengan menggunakan metode regresi panel?
Tujuan Penelitian
11
Mengidentifikasi karakteristik bencana alam yang pernah terjadi di Pulau Jawa pada periode 2007 hingga 2012.
Mendapatkan pemodelan kerugian makroekonomi yang diakibatkan bencana alam di Pulau Jawa untuk wilayah kabupaten dengan menggunakan metode regresi panel.
Manfaat Penelitian
12
Dapat menjadi bahan pembelajaran bagi peneliti terkait metode regresi data panel.
Dapat memberikan informasi atau menjadi bahan rujukan bagi pemerintah daerah terkait kerugian makro ekonomi yang diakibatkan oleh bencana alam di Pulau Jawa.
Batasan Masalah
13
Analisis data panel yang digunakan adalah data panel lengkap (balanced) dengan error komponen satu arah yaitu komponen antar individu atau antar waktu.
Wilayah yang dianalisis adalah kabupaten-kabupaten di Pulau Jawa.
14
Bencana
15
Berdasarkan UU No. 24 Tahun
2007, bencana adalah peristiwa atau
serangkaian peristiwa yang mengancam
dan mengganggu kehidupan dan
penghidupan masyarakat yang
disebabkan oleh faktor alam dan
nonalam ataupun faktor manusia
sehingga mengakibatkan timbulnya
korban jiwa manusia, kerusakan
lingkungan, kerugian harta benda, dan
dampak psikologis.
Secara ekonomi, bencana
dapat membawa kerugian
secara langsung yaitu
kerugian modal saham,
secara tidak langsung
yaitu mengganggu bisnis
dan secara makro ekonomi
yaitu menurunnya produk
domestik bruto (Mechler,
2003).
Statistika Deskriptif
16
Statistika deskriptif merupakan
metode-metode yang berkaitan
dengan pengumpulan dan
penyajian suatu gugus data
sehingga dapat memberikan
informasi yang berguna (Walpole,
1995).
Data Panel
17
• Gabungan antara data time series dan data cross sectional.
• Ada 2 macam data panel balanced (seimbang) dan unbalanced (tidak seimbang)
• Dapat mengontrol heterogenitas individual. • Lebih informatif, lebih bervariasi, dan lebih efisien. • Lebih unggul dalam mempelajari perubahan yang dinamis. • dll
Keuntungan menggunakan data panel
Estimasi Data Panel
18
1. Intersep dan slope koefisien adalah tetap sepanjang waktu dan
individu. [𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡]
2. Slope koefisien adalah tetap tetapi intersep berbeda antar individu.
[𝑦𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡]
3. Slope koefisien adalah tetap tetapi intersep berbeda antar individu
dan waktu. [𝑦𝑖𝑡 = 𝛼𝑖𝑡 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡]
4. Semua koefisien (intersep dan slope koefisien) berbeda antar
individu. [𝑦𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡′ 𝛽𝑖 + 𝜀𝑖𝑡]
5. Intersep dan slope koefisien berbeda antar individu dan waktu.
[𝑦𝑖𝑡 = 𝛼𝑖𝑡 + 𝑋𝑖𝑡′ 𝛽𝑖𝑡 + 𝜀𝑖𝑡]
5 kemungkinan yang akan terjadi saat
menggunakan data panel
Estimasi Data Panel
19
• Common Effect Model (CEM)
Model paling sederhana sama dengan model OLS. Pendekatan ini
mengasumsikan bahwa nilai intersep dan slope masing-masing
variabel adalah sama untuk semua unit cross section dan time
series. [𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡]
• Fixed Effect Model (FEM)
Menggunakan variabel dummy untuk menangkap adanya
perbedaan intersep. [𝑦𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡]
• Random Effect Model (REM)
Mengasumsikan intersep sebagai variabel random.
[𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝜇𝑖 + 𝜀𝑖𝑡]
3 model yang dapat digunakan
Pemilihan Model Estimasi
Regresi Data Panel
20
• Uji Chow
Digunakan untuk memilih model estimasi terbaik antara model CEM
atau model FEM.
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑁 = 𝛼 (CEM)
𝐻1 : 𝛼𝑖 ≠ 𝛼 (FEM)
Statistik uji : 𝐹 =𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆
𝑁−1𝑈𝑅𝑆𝑆
𝑁𝑇−𝑁−𝐾
Tolak 𝐻0 apabila 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹 𝑁−1,𝑁𝑇−𝑁−𝐾 ;𝛼 pada tingkat signifikansi
α.
Pemilihan Model Estimasi
Regresi Data Panel
21
• Uji Hausman
Digunakan untuk memilih model estimasi terbaik antara model REM
atau model FEM.
𝐻0 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 = 0 (REM)
𝐻1 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 ≠ 0 (FEM)
Statistik uji : 𝑊 = 𝐴′ 𝑣𝑎𝑟 𝛽 𝐹𝐸𝑀 − 𝑣𝑎𝑟 𝛽 𝑅𝐸𝑀−1
𝐴
𝐴 = 𝛽 𝐹𝐸𝑀 + 𝛽 𝑅𝐸𝑀
Tolak 𝐻0 apabila 𝑊 > 𝜒𝐾;𝛼2 pada tingkat signifikansi α.
Pemilihan Model Estimasi
Regresi Data Panel
22
• Uji Lagrange Multiplier
Digunakan untuk menguji apakah terdapat heteroskedastisitas pada
model FEM.
𝐻0 : 𝜎𝑖2 = 𝜎2 (homoskedastis)
𝐻1 : 𝜎𝑖2 ≠ 𝜎2 (hetroskedastis)
Statistik uji : 𝐿𝑀 =𝑛𝑇
2 𝑇−1 𝑇𝑒 𝑖
2𝑁𝑖=1 𝑒𝑖𝑡
2𝑇𝑡=1
𝑁𝑖=1
−1− 1
2
Tolak 𝐻0 apabila 𝐿𝑀 > 𝜒(𝑁−1;𝛼)2 pada tingkat signifikansi α.
Kriteria Kebaikan Model
23
Koefisien determinasi 𝑅2
Dapat mengukur proporsi keragaman
yang dapat dijelaskan model regresi
𝑅2 = 1 − 𝑦𝑖𝑡 − 𝑦 𝑖𝑡
2𝑇𝑡=1
𝑛𝑖=1
𝑦𝑖𝑡 − 𝑦 𝑖𝑡2𝑇
𝑡=1𝑛𝑖=1
Pengujian Parameter Model
24
• Uji Serentak
Digunakan untuk mengetahui semua pengaruh variabel
independen terhadap variabel dependen.
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝐾 = 0
𝐻1 : minimal ada satu 𝛽𝑖 ≠ 0 𝑖 = 1,2, … , 𝐾
Statistik uji : 𝐹 =𝑀𝑆𝑟𝑒𝑔𝑟𝑒𝑠𝑖
𝑀𝑆𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
Tolak 𝐻0 apabila 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 lebih besar dari 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹𝛼;(𝑘−1,𝑁−𝑘)
atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
Pengujian Parameter Model
25
• Uji Parsial
Digunakan untuk mengetahui variabel independen yang
berpengaruh signifikan secara individu terhadap variabel
dependen.
𝐻0 : 𝛽𝑘 = 0
𝐻1 : 𝛽𝑘 ≠ 0
Statistik uji : 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =𝛽 𝑘
𝑆𝐸(𝛽 𝑘)
Tolak 𝐻0 apabila 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 lebih besar dari 𝑡𝛼
2;𝑛−𝑘.
Pengujian Asumsi Residual
26
• Asumsi Independen
Bertujuan untuk mengetahui apakah terdapat korelasi antar error
pada waktu t dengan error pada waktu t-1.
Dideteksi dengan menggunakan uji Durbin Watson.
• Asumsi Identik
Bertujuan untuk mengetahui adanya ketidaksamaan varians dari
error suatu pengamatan dengan pengamatan lainnya. Dideteksi
dengan menggunakan uji Glejser yaitu meregresikan absolute
residual dengan variabel independen.
Pengujian Asumsi Residual
27
• Asumsi Normal
Digunakan uji Kolmogorov Smirnov untuk mengetahui residual
model sudah berdistribusi normal atau tidak.
𝐻0 : residual berdistribusi normal
𝐻1 : residual tidak berdistribusi normal
Tolak 𝐻0 apabila 𝐷 > 𝐷1−𝛼 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
• Tidak Terjadi Multikolinearitas
Multikolinearitas terjadi apabila ada korelasi antara variabel
independen dan dapat diatasi dengan PCA.
28
Sumber Data
29
Sumber data yang digunakan dalam
penelitian ini adalah data sekunder dari
Badan Nasional Penanggulangan
Bencana (BNPB) dan Badan Pusat
Statistika (BPS) pada periode 2007 hingga
2012.
Unit cross section pada penelitian ini
adalah kabupaten-kabupaten di Pulau
Jawa sedangkan unit time series penelitian
ini adalah tahun 2007 hingga 2012. Jadi,
total ada 83 kabupaten di Pulau Jawa dan
ada 6 tahun pengamatan.
Variabel Penelitian
30
Produk domestik
regional bruto per kabupaten (Yit) (Toya &
Skidmore, 2007; Noy, 2009)
Jumlah Tenaga kerja
(X1it) (Bappenas,
2006)
Jumlah kejadian
bencana (𝑋2𝑖)
Jumlah kerusakan
fasilitas umum (X3it) (Noy,
2009)
Langkah Analisis
31
• Untuk mencapai tujuan pertama, maka dilakukan analisis statistika
deskriptif pada masing-masing variabel dependen dan variabel independen.
• Untuk mencapai tujuan kedua, maka dilakukan langkah-langkah sebagai
berikut.
Mengumpulkan set data panel.
Mengidentifikasi adanya kasus multikolinearitas atau tidak.
Melakukan estimasi model regresi panel dengan menggunakan uji
Chow. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang
digunakan adalah common effect model (CEM), namun bila
keputusannya adalah tolak 𝐻0 maka model yang digunakan adalah fixed
effect model (FEM) dan dilanjutkan ke langkah 4.
Melakukan estimasi model regresi panel dengan menggunakan uji
Hausman. Apabila keputusannya adalah gagal tolak 𝐻0 maka model
yang digunakan adalah random effect model (REM) dan langkah
berhenti, namun bila keputusannya adalah tolak 𝐻0 maka model yang
digunakan adalah fixed effect model (FEM) dan dilanjutkan ke langkah
5.
Langkah Analisis
32
Melakukan estimasi model regresi panel dengan menggunakan uji
Lagrange Multiplier. Apabila keputusannya adalah gagal tolak 𝐻0 maka
model yang digunakan adalah fixed effect model FEM dan struktur data
sudah homogen. Namun bila keputusannya adalah tolak 𝐻0 maka struktur
data belum homogen dan model estimasi yang digunakan adalah model
fixed effect (FEM) dengan pembobot cross section weight.
Melakukan pengujian signifikansi parameter regresi panel.
Melakukan pengujian asumsi residual.
Menganalisis hasil yang diperoleh.
Membuat kesimpulan.
33
Karakteristik Variabel Penelitian
34
Y X1 X2
X1 0,355
0,000
X2 0,284 0,019
0,000 0,669
X3 0,162 0,026 0,103
0,000 0,557 0,021
Korelasi variabel dependen dan independen
Korelasi wilayah satu
Y X1 X2
X1 0,235
0,087
X2 -0,034 0,101
0,809 0,467
X3 0,431 0,033 0,296
0,001 0,812 0,030
Y X1 X2
X1 0,204
0,009
X2 0,362 0,034
0,000 0,663
X3 0,176 0,079 0,106
0,025 0,320 0,178
Korelasi wilayah dua
Karakteristik Variabel Penelitian
35
Korelasi wilayah tiga Korelasi wilayah empat
Y X1 X2
X1 0,676
0,000
X2 0,452 0,297
0,026 0,159
X3 0,398 0,358 0,465
0,000 0,086 0,022
Y X1 X2
X1 0,506
0,000
X2 0,255 -0,064
0,000 0,307
X3 0,071 -0,104 0,137
0,256 0,095 0,028
Karakteristik Variabel Seluruh
Kabupaten
36
Statistika Deskriptif Mean, Min dan Max
Variabel N Mean Min Max
Kab
dengan
Nilai
Terendah
Kab dengan
Nilai Tertinggi
𝑌𝑖𝑡 498 15970 2321 116470 Pacitan Bekasi
𝑋1𝑖𝑡 498 247,52 59 735 Sampang Sidoarjo
𝑋2𝑖𝑡 498 7,697 0 113 Beberapa
kabupaten Bogor
𝑋3𝑖𝑡 498 217 0 17042 Beberapa
kabupaten Bangkalan
Perkembangan Variabel Tahun
2007-2012
37
Perkembangan PDRB Berlaku
11816.060
13580.301
14791.614
16555.108 18506.39
7
20568.867
2007 2008 2009 2010 2011 2012
Perkembangan jumlah tenaga kerja
228.084337
257.891566
273.855421
284.819277
213.807228
226.686747
2007 2008 2009 2010 2011 2012
Perkembangan Variabel Tahun
2007-2012
38
Perkembangan jumlah kejadian bencana Perkembangan jumlah kerusakan FU
0
4.891
5.506
13.289
11.060
11.433
2007 2008 2009 2010 2011 2012
0
16.421
187.831
518.771
341.445 237.590
2007 2008 2009 2010 2011 2012
Perkembangan Variabel Tahun
2007-2012
39
Perkembangan jumlah kejadian bencana Perkembangan jumlah kerusakan FU
0
4.891
5.506
13.289
11.060
11.433
2007 2008 2009 2010 2011 20120
16.421
187.831
518.771
341.445 237.590
2007 2008 2009 2010 2011 2012
Perkembangan Variabel Wilayah
Satu
40
Rata-rata PDRB wilayah satu Rata-rata jumlah tenaga kerja wilayah satu
6435.67 2009.5
5703.33 6199
6366.83
53176.33
7688 4747.67
5598.5
0
10000
20000
30000
40000
50000
60000
164.33
426
262
186.17 221.17
263.83 255
150.83
79.17
050
100150200250300350400450
Perkembangan Variabel Wilayah
Satu
41
Rata-rata jumlah kejadian bencana wilayah satu Rata-rata jumlah kerusakan FU wilayah satu
7.33 6 6.17
7.83
2.5
4.33
7.33 7.5
3
0123456789
5.83 18.5 41
240.67
32.67
501.83
17.83 23.33 32.83 0
100200300400500600
Deteksi Multikolinearitas
42
Nilai VIF
Keterangan :
Y1 : model Y yang korelasi antara Y dan X1 bernilai positif dan signifikan pada tingkat
signifikansi 10 persen.
Y1
X1 1,010
X2 1,106
X3 1,096
Penentuan Model Panel
43
Uji Chow
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑖 = 𝛼 = 0
𝐻1 : minimal ada satu 𝛼𝑖 yang berbeda
Model Fhitung Ftabel P-value Keputusan
𝑌1𝒊𝒕 Antar Individu 86,993 2,157 0,0000 Tolak 𝐻0
𝑌𝟏𝐢𝐭 Antar Waktu 0,117 2,413 0,9890 Gagal Tolak 𝐻0
𝒍𝒏 𝒀𝟏𝒊𝒕 Antar
Individu 241,837 2,163 0,0000 Tolak 𝐻0
𝒍𝒏 𝒀𝟏𝒊𝒕 Antar
Waktu 0,475 2,417 0,7931 Gagal Tolak 𝐻0
Model antar
individu FEM
Model antar waktu
CEM
Penentuan Model Panel
44
Uji Hausman
𝐻0 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 = 0
𝐻1 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 ≠ 0
Model Wald Chis_tabel P-value Keputusan
𝑌1𝒊𝒕 Antar Indiv 0,705 3,8415 0,4010 Gagal Tolak 𝐻0
𝒍𝒏 𝒀𝟏𝒊𝒕 Antar
Indiv 2,024 5,9915 0,3634 Gagal Tolak 𝐻0
REM
Model 𝑹𝟐
𝑌1𝑖𝑡 Antar Individu *21,6801
𝑌1𝑖𝑡 Antar Waktu **2,2000
𝑙𝑛 𝑌1𝑖𝑡 Antar Individu *68,6135
𝑙𝑛 𝑌1𝑖𝑡 Antar Waktu **10,2000
Perbandingan Koefisien Determinasi
Estimasi Model Regresi Panel
45
𝑙𝑛 𝑌 1𝑖𝑡 = 𝛼 0𝑖 + 0,005559𝑋1𝑖𝑡 + 0,007750𝑋2𝑖𝑡
Diambil contoh PDRB atas dasar harga berlaku
untuk Kabupaten Karawang pada tahun 2010
𝑙𝑛 𝑌 1𝑖𝑡 = 9,348466 + 0,005559 260 + 0,007750 13
= 10,894556
𝑌 1𝑖𝑡 = 𝑒10,894556 = 53882,22903
Nilai taksiran PDRB atas dasar harga berlaku Kabupaten Karawang pada
tahun 2010 adalah 53882,22903 milyar rupiah, sedangkan nilai sebenarnya
adalah sebesar 57260 milyar rupiah. Jadi, diperoleh nilai residualnya sebesar
57260 - 53882,22903 = 3377,771 milyar rupiah atau 3,377 trilyun rupiah.
Kabupaten 𝜶 𝟎𝒊
Karawang 9,348466
Bantul 6,646406
Demak 7,132426
Grobogan 9,618633
Gunungkidul 7,497175
Banjarnegara 7,782027
Magelang 7,459258
Rembang 7,554903
Sampang 8,149296
Estimasi intersep
Estimasi Model Regresi Panel
46
Goodness of Fit 𝐥𝐧 𝒀 𝒊𝒕
R-squared 0,686135
Adjusted R-
squared 0,673827
F-statistic 55,74521
Prob (F-statistic) 0,000000
Nilai Rsquared
menjelaskan
variabel independen
mampu
menjelaskan
variabilitas Y
sebesar 68,6135 %.
Pengujian Signifikansi
Parameter
47
Goodness of Fit 𝒀 𝒊𝒕
R-squared 0,686135
Adjusted R-
squared 0,673827
F-statistic 55,74521
Prob (F-statistic) 0,000000
Nilai p-value kurang
dari 5%
menghasilkan
keputusan tolak 𝐻0.
Jadi minimal ada
satu variabel
independen yang
berpengaruh
terhadap model.
Uji Serentak
Pengujian Signifikansi
Parameter
48
Nilai p-value
masing-masing
variabel kurang dari
5%. Jadi, faktor
jumlah tenaga kerja
dan jumlah kejadian
bencana
berpengaruh
signifikan terhadap
PDRBB.
Uji Parsial
Variabel Koefisien Std. Error Thitung p-value
C 7,687621 0,286431 26,83939 0,0000
X1 0,005559 0,000633 8,780877 0,0000
X2 0,007750 0,002516 3,081064 0,0033
Pengujian Asumsi Residual
49
Model ln 𝑌1𝑖𝑡
Asumsi Normal
Asumsi Identik
Asumsi Independen
Asumsi residual yang terpenuhi hanya asumsi normal dan asumsi identik
Model D P-value Keputusan
𝑙𝑛 𝑌1𝑖𝑡 0,181 0,058 Gagal tolak 𝐻0
Model 𝒅 𝑫𝑳 𝑫𝑼 Keputusan
𝑙𝑛 𝑌1𝑖𝑡 1,320386 1,4797 1,6359 Tolak 𝐻0
Model 𝑭𝒉𝒊𝒕𝒖𝒏𝒈 𝑭𝒕𝒂𝒃𝒆𝒍 P-value Keputusan
𝑙𝑛 𝑌1𝑖𝑡 0,840 1)3,179 0,437 Gagal tolak 𝐻0
50
Kesimpulan
51
Secara umum, PDRB atas dasar harga berlaku (𝑌𝑖𝑡) 83 kabupaten di Pulau
Jawa berkorelasi signifikan dengan jumlah tenaga kerja (𝑋1𝑖𝑡), jumlah kejadian
bencana (𝑋2𝑖𝑡), dan jumlah kerusakan fasilitas umum (𝑋3𝑖𝑡). Perkembangan
PDRB dari tahun 2007 hingga 2012 terus meningkat yang mengindikasikan
perekonomian dari 83 kabupaten di Pulau Jawa juga semakin membaik dari
tahun ke tahun. Adapun, kabupaten dengan PDRB tertinggi adalah Bekasi
sebesar 116,47 triliun rupiah. Kabupaten dengan jumlah tenaga kerja tertinggi
adalah Sidoarjo. Kabupaten dengan jumlah kejadian bencana dan jumlah
kerusakan fasilitas umum tertinggi masing-masing adalah Bogor dan
Bangkalan.
Model regresi panel yang sesuai untuk PDRB kabupaten di wilayah satu Pulau
Jawa adalah REM. Variabel yang berpengaruh signifikan terhadap PDRB di
wilayah satu adalah jumlah tenaga kerja dan jumlah kejadian bencana.
Saran
52
Pada penelitian ini, wilayah yang diamati hanya kabupaten.
Sehingga, untuk penelitian selanjutnya diharapkan memasukkan
wilayah kota.
Agar hasil estimasi regresi panel semakin akurat maka dapat
dilakukan penambahan periode penelitian, menambah variabel
independen yang mungkin berpengaruh pada PDRBB atau
mengurangi unit cross section yang diamati. Selain itu, bisa
melakukan pengembangan metode dengan menggunakan metode
panel spasial.
Asumsi residual yang tidak dapat dipenuhi pada penelitian ini
adalah asumsi independen, sehingga saran untuk penelitian
selanjutnya adalah perlu mengatasi asumsi yang tak dapat teratasi
tersebut.
Daftar Pustaka
53
Astuti, A. M. (2009). Fixed Effect Model Pada Regresi Data Panel Studi Kasus
Tentang Persentase Mahasiswa Yang Lulus Tepat Waktu Di Institut
Teknologi Sepuluh Nopember Surabaya. Tugas Akhir S2 yang Tidak
Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). England:
John Wiley & Sons, Ltd
Bappenas. (2006). Laporan Hasil Kajian Penyusunan Model Perencanaan
Lintas Wilayah dan Lintas Sektor. Jakarta: Bappenas
Bezu, S., Kassie, G. T., Shiferaw, B., & Gilbert, J. R. (2014). Impact Of
Improved Maize Adoption On Welfare Of Farm Households In Malawi: A
Panel Data Analysis. Journal of World Development, 59 (2014), 120-131
Daniel, W. (1989). Statistika Non Parametrik. Jakarta: Gramedia
Desi, Y. (2010). Pemodelan Persentase Penduduk Miskin Di Provinsi Jawa
Timur Tahun 2004-2008 Dengan Regresi Data Panel. Tugas Akhir S2
yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember
Surabaya
Daftar Pustaka
54
Fatmawati, I. (2010). Pendekatan Ekonometrika Panel Spasial Untuk
Pemodelan PDRB Sektor Industri Di SWP Gerbangkertasusila Dan
Malang Pasuruan. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut
Teknologi Sepuluh Nopember Surabaya
Greene, W. H. (2002). Econometric Analysis (4th ed.). New Jersey: Prentice
Hall
Gujarati, D. (1999). Ekonometrika Dasar. Jakarta: Erlangga
Gujarati, D. N. (2004). Basic Econometrics (4th ed.). The McGraw Hill-
Companies
Ingleton, J. (1999). Natural Disaster Management. Leicester : Tudor Rose
Kementerian Negara Perencanaan Pembangunan Nasional (KNPPN), Badan
Perencanaan Pembangunan Nasional (BPPN), & Badan Koordinasi
Nasional Penanganan Bencana (BKNPB). (2006). Rencana Aksi
Nasional Pengurangan Resiko Bencana. Jakarta: Perum Percetakan
Negara RI
Kusumaningrum, H. (2014). Pemodelan Ekonometrika Spasial Kerugian
Makroekonomi Akibat Bencana Alam. Tugas Akhir S1 yang Tidak
Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
Daftar Pustaka
55
Lee, N. Y., Moon, H. R., & Weidner, M. (2012). Analysis Of Interactive Fixed
Effects Dynamic Linear Panel Regression With Measurement Error.
Journal of Economic Letters, 117 (2012), 239-242
Lee, S. H. (2014). The Relationship Between Growth And Profit: Evidence
From Firm Level Panel Data. Journal of Structural Change and
Econometric Dynamics, 28 (2014), 1-11
Mechler, R. (2003). Natural Disaster Risk Management and Financing Disaster
Losses in Developing Countries. Published Ph.D. Thesis, University of
Karlsruhe
Melliana, A. (2013). Analisis Statistika Faktor Yang Mempengaruhi Indeks
Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur
Dengan Menggunakan Regresi Panel. Tugas Akhir S1 yang Tidak
Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
Mustapha, K., Mcheick, H., & Mellouli, S. (2013). Modeling and Simulation
Agent Based of Natural Disaster Complex Systems. Journal of
Computer Science, 21 (2013), 148-155
Noy, I. (2009). The Macroeconomic Consequences Of Disasters. Journal of
Development Economics, 88 (2009), 221-231
Daftar Pustaka
56
Syahwal, S. (2011). Penaksiran Parameter Model Regresi Data Panel Dinamis
Menggunakan Metode Blundell Dan Bond. Tugas Akhir S1 yang
Dipublikasikan, Universitas Indonesia
Toya, H., & Skidmore, M. (2007). Economic Development And The Impacts Of
Natural Disasters. Journal of Economic Letters, 94 (2007), 20-25
Walpole, R. E. (1995). Pengantar Statistika (Ketiga ed.). Jakarta: Gramedia
Pustaka Utama
Westerlund, J., & Urbain, J. P. (2013). On The Implementation And Use Of
Factor-Augmented Regressions In Panel Data. Journal of Asian
Econometrics, 28 (2013), 3-11
Xiaoyan, D., & Xiaofei, L. (2012). Conceptual Model on Regional Natural
Disaster Risk Assessment. Journal of Engineering, 45 (2012), 96-100
Zhong, L., Liu, L., & Liu, Y. (2010). Natural Disaster Risk Assessment of Grain
Production in Dongting Lake Area, China. Journal of Agriculture and
Agricultural Science, 1 (2010), 24-32
57