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

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.

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.


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.


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.


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.

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.


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


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.

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


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


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


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


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


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

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


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


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

Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam...

Documents

Transcript of Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam...