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
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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.
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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)
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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)
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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 :
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
DKI Jakarta T11 Kemiskinan11 IPM11 PDRB11
T12 Kemiskinan12 IPM12 PDRB12
T13 Kemiskinan13 IPM13 PDRB13
Jawa Barat T11 Kemiskinan11 IPM11 PDRB11
T12 Kemiskinan12 IPM12 PDRB12
T13 Kemiskinan13 IPM13 PDRB13
Jawa Tengah T11 Kemiskinan11 IPM11 PDRB11
T12 Kemiskinan12 IPM12 PDRB12
T13 Kemiskinan13 IPM13 PDRB13
DIY T11 Kemiskinan11 IPM11 PDRB11
T12 Kemiskinan12 IPM12 PDRB12
T13 Kemiskinan13 IPM13 PDRB13
Jawa Timur T11 Kemiskinan11 IPM11 PDRB11
T12 Kemiskinan12 IPM12 PDRB12
T13 Kemiskinan13 IPM13 PDRB13
Banten T11 Kemiskinan11 IPM11 PDRB11
T12 Kemiskinan12 IPM12 PDRB12
T13 Kemiskinan13 IPM13 PDRB13
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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.
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
data: Kemiskinan ~ PDRB + IPM
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.
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
data: Kemiskinan ~ PDRB + IPM
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
data: Kemiskinan ~ PDRB + IPM
DW = 3.3735, p-value = 0.9995
alternative hypothesis: serial correlation in idiosyncratic errors
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
> #Uji LM Test
> plmtest(fixed.panel)
Lagrange Multiplier Test - (Honda) for balanced panels
data: Kemiskinan ~ PDRB + IPM
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
data: Kemiskinan ~ PDRB + IPM
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)
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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)
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang
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
Regresi Panel dengan Pendekatan Fixed Effect Model (Sarifati) UniversitasMuhammadiyah Semarang