Pengaruh Produk Domestik Bruto (PDB) Dan Indeks ... · Pengaruh Produk Domestik Bruto (PDB) Dan...

Pengaruh Produk Domestik Bruto (PDB) Dan Indeks

Pembangunan Manusia ( IPM )Terhadap Angka Kemiskinan Di

Provinsi Jawa Dengan Pendekatan Fixed Effect Model Regresi

Panel

Oleh :

Sarifati(1), Abdul Karim(2)

(1)Mahasiswa Statistika Universitas Muhammadiyah Semarang,[email protected]

(2)Dosen Statistika Universitas Muhammadiyah Semarang,[email protected]

Abstrak

Produk Domestik Bruto (PDB) atau Gross Domestic Product (GDP)adalah perhitungan yangdigunakan oleh suatu negara atau wilayah sebagai ukuranutama bagi aktifitas perekonomian secara geografis. Kemiskinan adalah suatukondisi dimana seseorang atau sekelompok orang tidak mampu memenuhi hak-hak dasarnya untuk mempertahankan dan mengembangkan kehidupan yangbermartabat (Bappenas;2004). Dalam perhitungan kemiskinan telah melibatkankomponen ekonomi maupun non ekonomi. Penelitian ini bertujuan untuk menelitipengaruh PDRB dan IPM terhadap kemiskinan pada 6 Provinsi di Pulau Jawapada tahun 2014-2016. Data yang digunakan merupakan data panel yaitugabungan antara data cross section dan time series, maka kemiskinan dimodelkandengan regresi panel. Untuk mengestimasi model digunakan pendekatan Fixedeffect model (FEM).pemodelan kemiskinan dengan FEM menghasillkan nilai R2

sebesar 13.5%. hasil penelitian menunjukan bahwa PDRB dan IPM berpengaruhnegatif dan tidak signifikan terhadap kemiskinan pada α 0,5.

Kata kunci :Fixed effect model,Kemiskinan, Regresi Panel

Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang

mailto:[email protected]

mailto:[email protected]

I. PENDAHULUAN

Produk Domestik Bruto (PDB) ata Gross Domestic Product (GDP) adalah

perhitungan yangdigunakan oleh suatu negara atau wilayah sebagai ukuran utama

bagi aktifitas perekonomian secara geografis. Berdasarkan laporan Badan Pusat

Statistik (BPS) secara kumulatif PDB di indonesia tumbuh 5.03% pada 2016,

lebih tinggi bila dibandingkan dengan capaiantahun 2015 hanya mencapai 4.88% .

Struktural ekonomi indonesia secara spasial tahun 2016 didominasi oleh

kelompok provinsi di Pulau Jawa yang memberikan kontribusi sebesar 58.49%

terhadap PDB nasional. Provinsi pulau Jawa yang mendongkrak perekonomian

nasional antara lain : DKI Jakarta dengan porsi kontribusi 16.5%, Jawa Timur

15.21%, Jawa Barat 14.05% dan Jawa Tengah 8.35%.

Tetapi jika diteliti lebih lanjut ada indikasi bahwa pertumbuhan ekonomi

tersebut tidak bisa menjadi patokan kesejahteraan. Hal ini dibuktikan dengan

masih tingginya angka kemiskinan di Provinsi Pulau Jawa meski Pulau Jawa

menyumbang PDB paling dominan di Indonesia.

Grafik 1.1

Jumlah Penduduk Miskin Pulau Jawa Tahun 2014-2016

2014 2015 201614500

14600

14700

14800

14900

15000

15100

15200

15300

15400

15143.77

15312.3

14832.8

Kemiskinan

Kemiskinan


Grafik 1.2

Jumlah Penduduk Miskin setiap Provinsi di Pulau Jawa 2014-2016

2014 2015 20160

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

412.79 368.67 385.84

4238.964485.65

4168.11

4561.82 4505.78 4493.75

532.59 485.56 488.83

4748.42 4775.974638.53

649.19 690.67 657.74

DKI JAKARTAJAWA BARATJAWA TENGAHDI YOGYAKARTAJAWA TIMURBANTEN

Berdasarkan data BPS memberikan informasi terkait banyaknya jumlah

penduduk miskin di Indonesia khususnya di Pulau Jawa. Jumlah penduduk miski

di Pulau Jawa tercatat permaret 2014 sebanyak 15.14 juta orang, naik menjadi

15.31 juta orang per maret 2015 dan kembali turun pada posisi Maret 2016

menjadi 14.83 juta orang, meskipun begitu penurunan jumlah penduduk miskin

tidaklah signifikan.

Kemiskinan adalah suatu kondisi dimana seseorang atau sekelompok

orang tidak mampu memenuhi hak-hak dasarnya untuk mempertahankan dan

mengembangkan kehidupan yang bermartabat (Bappenas;2004). Permasalahan

ini dapat melibatkan keseluruhan aspek kehidupan manusia,walaupun seringkali

tidak disadari sebagai masalah oleh orang yang bersangkutan, kemiskinan juga

dapat diartikan sebagai suatu standar tingkat hidup rendah dengan adanya

kekurangan materi pada sejumlah orang atau kelompok.


Dampak yang ditimbulkan dari kemiskinan ada banyak sekali salah

satunya masalah sosial yang meliputi kejahatan, putus sekolah, anak terlantar,

pengemis dan lainnya. Pengentasan kemiskinan perlu ditingkatkan oleh

pemerintah agar pembangunan pertumbuhan ekonomi dapat menjadi instrumen

yang sangat berpengaruh dalam menurunkan kemiskinan. Pembangunan suatu

upaya pemerintah untuk masyarakat yang makmur dan sejahtera salah satu

indikarot yang dijadikantolak ukur adalah Indeks Pembangunan Manusia (IPM)

dengan peningkatan kualitas sumberdaya manusia mampu mendorong

peningkatan produktivitas kerja seseorang sehingga akan mampu membantu

mengurangi angka kemiskinan. Berdasarkan uraian diatas, maka peneliti akan

menganalisa seberapa besar pengaruh produk domestik bruto (PDB), Indeks

Pembangunan Manusia (IPM) terhadap Kemiskinan di Provinsi Pulau Jawa.

II. TINJAUAN PUSTAKA

1. Regresi Data Panel

Data panel merupakan gabungan antara data cross-section dan data timeseries (Gujarati,D.N.2003). pada data panel, unit cross-section yang sama diukurselama beberaoa periode wakti. Jadi,dapa dikatakan data penel memiliki dimensiruang dan waktu. Secara umum, model regresi panel mempunyai formula sebagaiberikut:

y it=αit+β ' X it+eit (1)

Dengan :

yit = unit cross section ke-i untuk periode waktu ke-t it yβ = (β1,β2...βk)adalah vektor konstanta berukuran 1xK dengan K banyaknya variableindependen Xit = (x1it,x2it...xkit)adalah menunjukkan vektor observasi pada variabel independen berukuran αit = (intersep merupakan efek grup/individu dari unit cross section ke-i dan periode waktu ke-t

eit = komponen eror dengan IIDN( 0,σ2)i : 1,2,…,N


t : 1,2,…,T

2. Metode Estimasi Model Regresi Panel

Dalam melakukan estimasi dengan model regresi panel terdapat tiga

pendekatan yang sering digunakan , antara lain common effect model, fixed effect

model,dan random effect model. CEM merupakan pendekatan yng paling

sederhana denganmengabaikan dimensi cross section dan time series. Model CEM

mengasumsikan bahwa intersep masing-masing variabel adalah sama begitu juga

dengan slope koefisien untuk semua unit time series dan cross section. Dalam

mengestimasi parameter CEM bisa menggunakan metode kuadrat terkecil. Pada

model CEM konstan atau sama disetiap individu maupun setiap periode. CEM

dinyatakan dalam model sebagai berikut (Widarjono,2007)

y it=α+β ' X it+e it (2)

Pendekatan FEM menetapkan bahwa adalah sebagai kelompok yang

spesifik atau berbeda dalam constatnt term dalam model regresinya.Formulasi

yang biasa dipakai dalam model mengasumsikan bahwa perbedaan antar unitdapat

dilihat dalam perbedaan constant term. Fixed effect model disini mengasumsikan

bahwa tidak ada time spesific effects dan hanya memfokuskan pada individual

spesific effects dengan model sebagai berikut(Hsiao. C, 2003).

y it=αi+β ' X it+e it (3)

Indeks i pada intersep ( α i¿ menunjukan bahwa intersept dari masing-

masing individu berbeda, namun intersept untuk unit time series tetap (konstan).

Pendekatan REM melibatkan korelasi antar error terms karena berubahnya waktu

maupun unit observasi (Melliana, Ayunda dan Ismaini Zain, 2013).

y it=αit+β ' X it+e it (4)

Dengan asumsi αit adalah variabel random dengan rata-rata α0 sehingga intersept

tiap unit adalah αit = α0 + εi , dimana i= 1,2,...,

Sehingga model menjadi :y it=α0+β ' X it+e it+εit (5)


y it=α0+β ' X it+w it (6)

Suku error gabungan witterdiri dari komponen error cross section (εit ) dan

komponen error time series (eit ).

3. Pengujian Pemilihan Model Regresi Panel

Sebelum model diestimasi, maka dilakukan terlebih dahulu uji

spesifikasi model untuk mengetahui model yang akan dipakai, apakah common

effect, random effect, atau fixed effect.Langkah pertama yang harus dilakukan

adalah memilih antara metode FEM atau CEM. Pengujian fixed effect model

dengan menggunakan uji Chow yang mirip dengan uji F [8] dengan hipotesis

sebagai berikut.

H0 = minimal ada satu yang berbeda

H1 = 1, 2, ..., N

Statistik uji :

F=(RSSS−URSS )/(N−1)

URSS /(NT −N−K )(7)

dimana,

RRSS : sum square residual model OLS

URSS : sum square residual model fix

N : jumlah unit cross section

T : jumlah unit waktu

K : jumlah parameter yang akan diestimasi

Tolak H0 jika |F|>FN-1,N-N-Kberarti intersep untuk semuaunit cross section

tidak sama, maka untuk mengestimasi persamaan regresi digunakan fixed effect

model.Apabila pada pengujian Chow didapatkan kesimpulan model yang sesuai

adalah FEM, maka langkah berikutnya melakukan uji Hausman untuk memilih

antara model FEM atau REM dengan hipotesis sebagai berikut.

H0 : corr(Xit,εit) = 0 (model yang sesuai REM)

H1 : corr(Xit,εit) ≠ 0 (model yang sesuai FEM)


Statistik uji :

(8)

Keputusan menolak H0 jika W >λ2α,k maka model yang tepat adalah FEM.

Apbila hasil dari uji Chow dan hausmand menyimpulkan bahwa model yang tepat

ada FEM, maka berikutnya dilakukan uji Lagrange Multiplier (LM) untuk

mendeteksi adanya heterokedastisitas panel pada model FEM dengan hipotesis

sebagai berikut.

H0 : σ i2=0

H1 : σ i2 ≠ 0

I = 1,2,...,N

Statistik Uji :

LM=nT

2(T−1) (∑i=1

N

⟦T e ⟧2

∑i=1

N

∑t=1

T

e it2

−1)2

(9)

Tolak H0 Jika LM > λ2α,k artinya model FEM memiliki struktur yang

heterokedastik sehingga untuk mengatasinya harus diestimasi dengan metode

cross section weight.

4. Pengujian Parameter Regresi

Pengujian parameter regresi perlu dilakukan untuk mengetahui

hubungan antara variabel independen dan variabel dependen.Pengujian

parameter regresi dilakukan dalam dua tahap yaitu uji secara bersama-sama

(serentak) dan uji parsial.Uji serentak digunakan untuk mengetahui pengaruh

semua variabel independen terhadap variabel dependen dengan hipotesis

sebagai berikut.

H0 : β1=β2=...βk=0H1 : minimal ada satu βk≠0,k=1,2,...,kStatistik uji :


Fhitung=MS regresiMS residual

(10)

H0 ditolak jika Fhitung>Ftabel (Fα;(K-1,N-K), dengan n adalahjumlah

pengamatan dan adalah banyaknya parameter.Uji parsial digunakan untuk

mengetahui variabel independen yang berpengaruh signifikan secara individu

terhadap variabel dependen.Hipotesis yang digunakan untuk uji parsial adalah

sebagai berikut.

H0 : βk=0

H1 : βk ≠ 0

Statistik Uji

βSE(¿¿ k)

t hitung=βk

¿

(11)

Tabel 2.1Variabel Peneliti

Faktor Variabel NotasiKemiskinan Kemiskinan YProduk Domestik RegionalBruto Harga Konstan

Produk Domestik Regional Bruto (PDRB)

X1

Indeks Pembangunan Manusia

Indeks Pembangunan Manusia (IPM)

X2

Tolak H0 jika thitung > ttabel(tα/2,N-K) dengan n adalah jumlah

pengamatan dan k adalah jumlah parameter

5. Pengujian Asumsi Residual

Terdapat beberapa pengujian asumsi yang harus dipenuhi dalam

melakukan analisis menggunakan regresi panel diantaranya asumsi residual

berdistribusi normal, identik, dan independen.Dengan asumsi kenormalan,

estimator OLS mempunyai sifat yang tidak bias, efisien, dan

konsisten.Disamping itu, ditribusi probabilitas untuk estimator OLS dapat

diperoleh dengan mudah, karena sifat distribusi normal setiap fungsi linier dari

variabel yang berdistribusi normal dengan sendirinya didistribusikan secara

normal.Asumsi berikutnya yang harus dipenuhi dalam regresi adalah


homogenitas varians dari residual atau homoskedasitas, artinya residual

dalam fungsi regresi bersifat konstan.Heterogenitas varians atau

heteroskedasitas bisa muncul karena adanya data outliers.

Autokorelasi atau otokorelasi dalam konsep regresi linier berarti

komponen residual berkorelasi berdasarkan urutan waktu (pada data time

series) dan urutan ruang (pada data cross section). Pada model ekonometrika

kasus autokorelasi akan sering terjadi karena pada umumnya model

ekonometrika menggunakan data berkala dengan ketergantungan yang ada pada

pengamatan ke-t dan t-1. Apabila asumsi independen (tidak ada autokorelasi)

tidak terpenuhi, maka metode estimasi dengan OLS tetap tidak bias dan

konsisten, tetapi tidak lagi efisien karena variansi membesar (Setiawan dan

Kusrini, D. E. 2010).

III. METODOLOGI PENELITIAN

Data yang digunakan dalam penelitian ini adalah data sekunder yang

diperoleh dari BPS dengan ruang lingkup penelitian dibatasi pada 6 Provinsi yang

terletak di Pulau Jawa pada tahun 2014-2016. Variabel penelitian yang digunakan

dalam penelitian ini adalah variabel yang berpengaruh terhadap Kemiskinan yang

disajikan pada tabel 3.1

Langkah-langkah analisis dalam penelitian ini adalah sebagai berikut.

1. menganalisis karakteristik untuk variabel respon dan variabel prediktor2. melakukan pengujian untuk memilih model regresi panel meliputi :

a. uji Chowb. Uji Hausmanc. Uji Langrange Multiplier

3. melakukan estimasi dengan metode yang sesuai4. melakukan uji signifikansi parameter model regresi panel5. melakukan uji asumsi klasi dan uji diagnosis lainnya

dengan variabel seperti tabel 3.1 maka struktur data panel sebagai berikutTabel 3.1

Struktur data regresi panel

Provinsi T Kemiskinan IPM PDRB


DKI Jakarta T11 Kemiskinan11 IPM11 PDRB11

T12 Kemiskinan12 IPM12 PDRB12


Jawa Barat T11 Kemiskinan11 IPM11 PDRB11



Jawa Tengah T11 Kemiskinan11 IPM11 PDRB11



DIY T11 Kemiskinan11 IPM11 PDRB11



Jawa Timur T11 Kemiskinan11 IPM11 PDRB11



Banten T11 Kemiskinan11 IPM11 PDRB11



Spesifikasi Model Regresi secara ekonometrika hubungan antara

pertumbuhan ekonomi dan indeks pembangunan manusia terhadap kemiskinan di

provinsi pulai Jawa dapat dianalisis dengan menggunakan persamaan sebagai

berikut ini:

Kemiskinanit=α 0+ β1 IPMit+β2 PDRBit+wit

IV. ANALISIS DAN PEMBAHASAN


1. Deskripsi Kemiskinan Pulau JawaSecara umum, kemiskinan di Pulau Jawa dari tahun 2014 sampai 2016

mengalami naik turun. Pada variabel PDRB tidak memiliki hubungan yang

signifikan terhadap kemiskinan, hal ini dilihat pada tabel 4.1 dengan peningkatan

PDRB setiap tahunnya secara signifikan tetapi tidak diikuti oleh penurunan

kemiskinan. Pada variabel IPM tari tahun 2014 sampai 2015 mengalami

peningkatan. Hal ini menunjukan bahwa pertumbuhan ekonomi dan kualitas SDM

di pulau Jawa tidak signifikan menurunkan kemiskinan.Tabel 4.1

Variabel Kemiskinan, PDRB dan IPM tahun 2014-2016

Variabel Tahun2014 2015 2016

Kemiskinan 15143.77 15312.3 14832.8PDRB 4979136 5251291 5544826 IPM 71.80 72.47 73.12

Karakteristik ekonomi, PDRB dan kemiskinan 6 Provinsi di Pulau Jawa tahun

2014 hingga 2016 di sajikan pada tabel 4.2 . Rata-rata PDRB 6 Provinsi di Pulau

Jawa tahun 2014 hingga 2016 sebesar 876.403 milyar rupiah. Provinsi dengan

PDRB terendah adalah Provinsi DI Yogyakarta tahun 2014 sebesar 79.536,08

milyar rupiah. Sementara itu Provinsi DKI Jakarta tahun 2016 sebesar 1539.377

milyar rupiah. Rata-rata IPM 6 Provinsi di Pulau Jawa tahun 2014 hingga 2016

sebesar 72.46. Provinsi DKI Jakarta sebesar 79.6 di tahun 2016. Sementara IPM

terendah adalah Provinsi Jawa Timur tahun 2014. Hal ini juga berdampak pada

kemiskinan dimana kemiskinan terendah ada pada Provinsi DKI Jakarta sebesar

368.7 ribu jiwa dengan rata-rata jumlah penduduk miskin di 6 Provinsi di Pulau

Jawa sebesar 2516 ribu jiwa.Tabel 4.2

Karakteristik Ekonomi PDRB dan Kemiskinan di Indonesia tahun 2014 - 2016

Karakteristik IPM PDRB Kemiskinan(juta rupiah) (ribu jiwa)

Minimum 68.14 79536 368.7Q1 69.49 373061 499.8Median 70.02 999300 2429.4Mean 72.46 876403 2516


Q3 77.39 1317433 4502.8Maksimum 79.6 1539377 4776

Pola hubungan antar variabel, kemiskinan dapat dilihat pada Scatterplot

Gambar 4.1. Scatterplot kemiskinan terhadap IPM tidak membentuk pola, dimana

polanya menggambarkan bahwa apabila IPM tinggi maka kemiskinan rendah,

begitu juga sebaliknya, apabila IPM rendah maka kemiskinan tinggi.Pada Scatterplot kemiskinan terhadap PDRB juga tidak membentuk pola ,

plotnya menyebar dimana pola tersebut menggambarkan kemiskinan tinggi PDRB

ikut tinggi namun tidak signifikan pergerakannya.Gambar 4.1 Scatterplot antar variabel

2. Estimasi Model Regresi Panel

Kemiskinan di Pulau Jawa akan diestimasi berdasarkan Provinsi dengan

metode regresi panel. Sebelum melakukan estimasi, terlebih dahulu menentukan


model regresi data panel yang sesuai sebagai estimasi. Beberapa metode yang

dipilih antara lain metode comman effect model (CEM),fixed effect model

(FEM), atau random effect model (REM). Setelah diakukan uji dengan ketiga

metode tersebut diperoleh hasil seperti pada tabel 4.2

Tabel 4.2

Estimasi Model

Model Esimasi p value Kesimpulan Model

Uji Chow 0,000 H0 Tolak FEMUji Hausman 0,017 H0 Tolah FEM

Ket: FEM = fixed effect model

Dari tabel 4.2 diperoleh hasil estimasi model regresi panel. Uji chow

merupakan pengujian untuk melihat metode mana yang paling tepat

digunakan antara CEM dan FEM. Perhitungan uji Chow untuk data

Kemiskinan Provinsi di Pulau Jawa diperoleh nilai F hitung = 582.7 dan p

value = 0,000 yang kurang dari α=0,05 maka keputusannya tolak H0 atau dapat

disimpulkan bahwa terdapat efek individu pada metode persamaan Kemiskinan

Provinsi di pulau Jawa, sehingga model yan sesuai FEM. Selanjutnya dilakukan

uji Hausman untuk menentukan metode mana yang paling tepat antara REM dan

FEM. Hasil uji Hausman didapat nilai p value sebesar 0.017 kurang dari α=0,05

maka keputusannya H0 ditolak sehingga dapat disimpulkan model yang sesuai

adalah FEM. Hasil uji Chow dan Uji Hausman menyimpulkan bahwa metode

estimasi yang sesuai adalah FEM.

a. Hasil Estimasi dengan Pendekatan FEM

Setelah melakukan estimasi model dengan pendekatan FEM maka

diperoleh hasil uji regresi panel dengan jumlah data 18, tersiri dari 6

Provinsi di pulau Jawa selama 3 tahun. Berikut hasil statistik Uji Estimasi

Model FEM pada tabel 4.3

Tabel 4.3

Statistik Uji Estimasi Model FEM


R Square 0.135Adjust R-Square -0.471F-Statistik 0.779Total Sum of Squares 72111Residual Sum of Square 62381p-value 0.484

Model Kemiskinan dengan pendekatan FEM memberikan nilai R2

sebesar 13.5% seperti terlampir pada tabel 4.3 artinya variabel PDRB dan

IPM berpengaruh terhadap kemiskinan sebesar 13.5% dan sisanya sebesar

86.5% dipengaruhi oleh variabel lain yang tidak diteliti. Uji simultan F

dihunakan untuk mengetahui ketetapan model. Pada tabel 4.3 telah diketahui

p value sebesar 0.484 yang lebih dari α=0,05, sehingga keputusannya tolak

H0 dan dapat disimpulkan bahwa pada taraf signifikan 5% model regresi

PDRB dan IPM terhadap kemiskinan adalah tidak signifikan.

b. Pengujian Signifikansi Parameter Model Regresi Panel

Selanjutnya dilakukan uji parsial untuk mengetahui variabel independen

yang secara individu tidak berpengaruh signifikan terhadap variabel dependen.

Hasil uji parsial ditampilkan pada tabel 4.4

Tabel 4.4

Estimasi Model FEM

Variabel Koefisien SE P-valueC 0.0002 0.0045 0.0000***PDRB -0.00037 0.0007 0.6342IPM -0.13093 0.623 0.8402

Ket : *** signifikan pada α 0,1

* signifikan pada α=0,5

Uji parsial dengan pendekatan FEM diperoleh nilai P value konstanta

0.000 yang kurang dari α=0,1 maka dapat disimpulkan konstanta signifikan.

Selain itu diperoleh pula nilai P value variabel PDRB sebesar 0.6342 lebih

dari α=0,5 maka dapat disimpulkan bahwa PDRB tidak berpengaruh

signifikan terhadap kemiskinan pada α=0,5. Pada variabel IPM diperoleh P

value 0.8402 lebih dari α=0,5 maka dapat disimpulkan bahwa IPM tidak


berpengaruh signifikan terhadap kemiskinan pada α=0,5. Dari tabel 4.4 maka

diperoleh model regresi panel hubungan antara PDRB dan IPM terhadap

kemiskinan seperti berikut :

Kemiskinanit=0.0002−0,000376 PDRBit−0,13093 IPM it+wit

Berdasarkan model diatas diketahui bahwa IPM dan PDRB berpengaruh

negatif terhadap kemiskinan sehingga untuk setiap kenaikan IPM sebesar 1%

maka akan menurunkan Kemiskinan sebesar 0.0354 begitu juga dengan PDRB

setiap kenaikan 1% maka akan menurunkan kemiskinan sebesar 0.000376.

3. Asumsi Klasik

Setelah diperoleh model terbaik langkah selanjutnya adalah melakukan uji

asumsi klasik.Pengujian asumsi klasik model regresi meliputi uji normalitas, uji

heterokedastisitas, uji Autokorelasi dan uji Multikolinieritas. Diperoleh hasil

sebagai berikut

Tabel 4.5

Hasil Uji Asumsi Klasik

Uji Asumsi Klasik KriteriaEkonometrika

P- value Kesimpulan

Normalitas p-value > α 0.009 Tidak MemenuhiAutokorelasi p-value > α 0.999 MemenuhiHeterokedastisitas p-value > α 0.524 MemenuhiMultikolinieritas p-value > α <10 Memenuhi

Berdasarkan tabel 4.5 diketahui nilai p value uji normalitas menggunakan

uji shapiro nilai p value sebesar 0.009 < α=0.05 maka tolak H0 dengan asumsi H0

data tidak berdistribusi normal. Selanjutnya uji autokorelasi diperoleh p value

sebesar 0.999 > α=0.05 maka H0 diterima sehingga dapat disimpulkan tidak

terjadi autokorelasi. Selanjutnya uji heterokedastisitas diperoleh p value sebesar

0.524 > α=0.05 maka H0 diterima sehingga dapat disimpulkan tidak terjadi

heterokedastisitas. Uji asumsi klasik selanjutnya yaitu uji multikolinieritas dengan


p value masing-masing variabel < 10 maka dapat disimpulkan bahwa data tidak

terjadi multikolinieritas. Sehingga secara keseluruhan hanya uji normalitas yang

tidak memenuhi.

Diagnosis Lainnya Pvalue KesimpulanUji PLM 0,000 Efek Waktu Signifikan

Serial Korelasi 0.009 Terdapat serial korelasi

Unit Roots 0.524 Terdapat Unit Roots

Pengujian selanjutnya dengan diagnosa lain meliputi uji PLM, uji ini untuk

mengetahui effek waktu. Dengan hasil p-value = 0.000 kurang dari α=0,05 maka

H0 ditolak, mhal ini menunjukan bahwa effect waktu signifikan.

Kemudian uji serial korelasi ini berlaku tidak hanya untuk data penel

besar, data panel kecil pun bisa melakukan uji serial korelasi dengan

hasil p-value sebesar 0.009 kurang dari α=0,05 maka H0 ditolak

sehingga terdapat korelasi serial pada regresi panel. Uji roots atau

ADF diperoleh p-value 0.553 lebih dari α=0,05 maka H0 diterima, hal

ini menunjukan bahwa terdapat unit roots.

V. KESIMPULAN

Berdasarkan hasil analisis dan pembahasan pada penelitian dapat diperoleh

kesimpulan sebagai berikut :

1. kemiskinan setiap Provinsi di Pulau Jawa dari tahun 2014 sampai 2016 rata-

rata mengalami penurunan. Secara umum kemiskinan di Pulau Jawa dari tahu

2014 hingga 2016 mengalami naik turun. Berdasarkan uji regresi panel dengan

pendekatan FEM diperoleh hasil bahwa PDRB dan IPM memiliki hubungan

negatif dan tidak signifikan terhadap kemiskinan sehingga untuk menurunkan

kemiskinan maka dapat dilakukan dengan menaikan PDRB dan IPM. Nilai R-

square sebesar 13.5% artinya PDRB dan IPM berpengaruh terhadap

kemiskinan sebesar 13.5% dan sisanya 86.5% dipengaruhi oleh variabel lain

yang tidak diteliti.


2. Hasil uji asumsi klasik diperoleh bahwa data tidak berdistribusi normal, tidak

terjadi autokorelas, tidak terjadi heterokedastisitas dan tidak terjadi

multikolinieritas.3. Penelitian ini mendukung penelitian Muhammad Sri Wahyu Suliswanto 2010

bahwa PDRB dan IPM berpengaruh negatif terhadap kemiskinan namun tidak

signifikan.

DAFTAR PUSTAKA

BPS. 2018. Indeks Pembangunan Manusia Metode Baru 2010-2017

BPS. 2017. Produk domesti reginal bruto meurut Lapangan usaha tahun 2014-

2016

Gujarati, D. N. (2003), Basic Econometrics. Mc Grwa Hill, Inc, New York

Hsiao, C. (2003), Analysis of Panel Data. New York : Cambridge University

Press.

Mailendra, Fitra. 2009. Analisi Dampak Pemekaran Wilayah dan Faktor-Faktor

yang Mempengaruhi Pembangunan Manusia di Propinsi Jawa Barat.

Skripsi. Fakultas Pertanian, Institut Pertanian Bogor.

Torres ,Oscar dan Reyna.(2010). Getting Started in Fixed/Random

Effects Models using R. Princeton Univercity.

Suliswanto,Muhammad.2010.Pengaruh Produk Domestik Bruto(PDB) dan Indeks

Pembangunan Manusia (IPM) Terhadap Angka Kemiskinan Di

Indonesia.Jurnal Ekonomi Pembangunan.Malang


Hasil Syntak

> dataset<-read.csv(file.choose(),header=TRUE)

> dataset

Provinsi Tahun IPM PDRB Kemiskinan

1 DKI JAKARTA 2014 78.39 1373389.13 412.79

2 DKI JAKARTA 2015 78.99 1454345.82 368.67

3 DKI JAKARTA 2016 79.60 1539376.65 385.84

4 JAWA BARAT 2014 68.80 1149216.06 4238.96

5 JAWA BARAT 2015 69.50 1207083.41 4485.65

6 JAWA BARAT 2016 70.05 1275546.48 4168.11

7 JAWA TENGAH 2014 68.78 764959.15 4561.82

8 JAWA TENGAH 2015 69.49 806775.36 4505.78

9 JAWA TENGAH 2016 69.98 849383.56 4493.75

10 DI YOGYAKARTA 2014 76.81 79536.08 532.59

11 DI YOGYAKARTA 2015 77.59 83474.44 485.56

12 DI YOGYAKARTA 2016 78.38 87687.93 488.83

13 JAWA TIMUR 2014 68.14 1262684.50 4748.42

14 JAWA TIMUR 2015 68.95 1331394.99 4775.97

15 JAWA TIMUR 2016 69.74 1405236.11 4638.53

16 BANTEN 2014 69.89 349351.23 649.19

17 BANTEN 2015 70.27 368216.55 690.67

18 BANTEN 2016 70.96 387595.37 657.74

> library(systemfit)

> library(plm)

> library(tseries)

> > #Uji Chow

> chowcommon <- plm(Kemiskinan ~ PDRB + IPM, data=dataset, model = "pooling")

> chowfixed <- plm(Kemiskinan ~ PDRB+ IPM , data=dataset, model = "within")

> pooltest(chowcommon, chowfixed)

F statistic


data: Kemiskinan ~ PDRB + IPM

F = 582.7, df1 = 5, df2 = 10, p-value = 5.469e-12

alternative hypothesis: unstability

> #Uji Hausman

> hausmanrandom <- plm(Kemiskinan ~ PDRB + IPM, data=dataset, model = "random")

> hausmanfixed <- plm(Kemiskinan ~ PDRB + IPM, data=dataset, model = "within")

> phtest(hausmanrandom, hausmanfixed)

Hausman Test


chisq = 8.0948, df = 2, p-value = 0.01747

alternative hypothesis: one model is inconsistent

> #Uji Normalitas

> fixed.panel <- plm(Kemiskinan ~ PDRB + IPM, data=dataset, model = "within")

> res<-resid(fixed.panel)

> jarque.bera.test(res)

Jarque Bera Test

data: res

X-squared = 14.797, df = 2, p-value = 0.0006122

> residual1=resid(fixed.panel)

> library(car)

> qq.plot(residual1,dist="norm",main="Normalitas Q Plot")

Warning message:

'qq.plot' is deprecated.


Use 'qqPlot' instead.

See help("Deprecated") and help("car-deprecated").

> shapiro.test(residual1)

Shapiro-Wilk normality test

data: residual1

W = 0.85194, p-value = 0.009088

> #Uji Multikolinearitas

> OLS <- lm(Kemiskinan ~ PDRB + IPM, data = dataset)

> vif(OLS)

PDRB IPM

1.013864 1.013864

> #Uji Heteroskedastisitas

> pcdtest(Kemiskinan ~ PDRB + IPM, data = dataset, model="within", effect="twoways", index=c("Provinsi", "Tahun"))

Pesaran CD test for cross-sectional dependence in panels


z = -0.63672, p-value = 0.5243

alternative hypothesis: cross-sectional dependence

> #Uji Autokorelasi

> pdwtest(fixed.panel)

Durbin-Watson test for serial correlation in panel models


DW = 3.3735, p-value = 0.9995

alternative hypothesis: serial correlation in idiosyncratic errors


> #Uji LM Test

> plmtest(fixed.panel)

Lagrange Multiplier Test - (Honda) for balanced panels


normal = 4.1218, p-value = 1.88e-05

alternative hypothesis: significant effects

> #estimasi model dengan FEM

> model <-plm(Kemiskinan ~ PDRB + IPM,data=dataset,index=c("Provinsi","Tahun"), model="within")

> summary(model)

Oneway (individual) effect Within Model

Call:

plm(formula = Kemiskinan ~ PDRB + IPM, data = dataset, model = "within",

index = c("Provinsi", "Tahun"))

Balanced Panel: n = 6, T = 3, N = 18

Residuals:

Min. 1st Qu. Median 3rd Qu. Max.

-97.1288 -19.9504 -6.4902 18.1582 187.3998

Coefficients:

Estimate Std. Error t-value Pr(>|t|)

PDRB -3.7699e-04 7.6815e-04 -0.4908 0.6342

IPM -1.3093e+01 6.3271e+01 -0.2069 0.8402

Total Sum of Squares: 72111

Residual Sum of Squares: 62381

R-Squared: 0.13494


Adj. R-Squared: -0.4706

F-statistic: 0.779936 on 2 and 10 DF, p-value: 0.48443

> #testing for serial correlation

> pbgtest(model)

Breusch-Godfrey/Wooldridge test for serial correlation in panel models


chisq = 11.511, df = 3, p-value = 0.00926

alternative hypothesis: serial correlation in idiosyncratic errors

> #Uji Normalitas

> fixed.panel <- plm(Kemiskinan ~ PDRB + IPM, data=dataset, model = "within")

> res<-resid(fixed.panel)

> jarque.bera.test(res)

Jarque Bera Test

data: res

X-squared = 14.797, df = 2, p-value = 0.0006122

> residual1=resid(fixed.panel)

> library(car)

>

> qq.plot(residual1,dist="norm",main="Normalitas Q Plot")

Warning message:

'qq.plot' is deprecated.

Use 'qqPlot' instead.

See help("Deprecated") and help("car-deprecated").

>

> shapiro.test(residual1)


Shapiro-Wilk normality test

data: residual1

W = 0.85194, p-value = 0.009088

> #Uji Signifikansi Parameter

> summary(fixed.panel)

Oneway (individual) effect Within Model

Call:

plm(formula = Kemiskinan ~ PDRB + IPM, data = dataset, model = "within")

Balanced Panel: n = 6, T = 3, N = 18

Residuals:

Min. 1st Qu. Median 3rd Qu. Max.

-97.1288 -19.9504 -6.4902 18.1582 187.3998

Coefficients:

Estimate Std. Error t-value Pr(>|t|)

PDRB -3.7699e-04 7.6815e-04 -0.4908 0.6342

IPM -1.3093e+01 6.3271e+01 -0.2069 0.8402

Total Sum of Squares: 72111

Residual Sum of Squares: 62381

R-Squared: 0.13494

Adj. R-Squared: -0.4706

F-statistic: 0.779936 on 2 and 10 DF, p-value: 0.48443

>

> #Model Akhir Regresi Data Panel

> model <- lm(Kemiskinan ~ PDRB + IPM, data=dataset)

> summary(model)


Call:

lm(formula = Kemiskinan ~ PDRB + IPM, data = dataset)

Residuals:

Min 1Q Median 3Q Max

-2024.7 -632.3 296.1 849.5 1197.3

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 2.694e+04 4.596e+03 5.861 3.13e-05 ***

PDRB 1.429e-03 5.133e-04 2.785 0.0139 *

IPM -3.543e+02 6.230e+01 -5.688 4.31e-05 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1103 on 15 degrees of freedom

Multiple R-squared: 0.7475, Adjusted R-squared: 0.7139

F-statistic: 22.21 on 2 and 15 DF, p-value: 3.284e-05


Pengaruh Produk Domestik Bruto (PDB) Dan Indeks ... · Pengaruh Produk Domestik Bruto (PDB) Dan...

Documents

Transcript of Pengaruh Produk Domestik Bruto (PDB) Dan Indeks ... · Pengaruh Produk Domestik Bruto (PDB) Dan...