PEMODELAN SPATIAL AUTOREGRESSIVE WITH AUTOREGRESSIVE

DISTURBANCES DENGAN PROSEDUR GENERALIZED SPATIAL TWO

STAGE LEAST SQUARES (GS2SLS)
Rajuliaddin Ramadhan, Henny Pramoedyo, Maria Bernadetha Mitakda
Jurusan Matematika, F.MIPA, Universitas Brawijaya
Email: rrdhan@gmail.com
Abstrak. Data spasial adalah hasil pengukuran yang memuat informasi tentang lokasi yang berasal dari lokasi berbeda dan
mengindikasikan dependensi antara hasil pengukuran dengan lokasi. Pengaruh dependensi spasial digambarkan dengan
kemiripan sifat antar lokasi yang saling berdekatan. Beberapa model dependensi spasial yang dapat terbentuk berdasarkan
dependensi yang terdapat pada model yaitu Spatial Autoregressive (SAR) dependensi nilai respon antar lokasi, Spatial Error
(SEM) dependensi nilai galat antar lokasi dan model Spatial Autoregressive With Autoregressive Disturbances (SARAR)
dependensi pada nilai respon dan nilai galat antar lokasi. Pemodelan didasarkan pada pengaruh dependensi spasial, sehingga
sebelum dilakukan pemodelan perlu dilakukan pengujian pengaruh spasial yang terkandung dalam data menggunakan
statistik uji Lagrange Multiplier (LM). Uji Lagrange Multiplier merupakan salah satu cara dalam pengujian pengaruh spasial.
Dalam perkembangan, uji ini sering digunakan karena mudah (hanya memerlukan pendugaan di bawah kebenaran hipotesis
nol). Pemodelan SARAR dalam penelitian ini dilakukan karena terdapat dependensi antar nilai respon dan galat. Pemodelan
SARAR dilandasi pada prosedur Generalized Spatial Two Stage Least Squares (GS2SLS) sehingga dihasilkan penduga
konsisten. Berdasarkan hasil pemodelan SARAR dengan prosedur GS2SLS diketahui bahwa faktor-faktor yang berpengaruh
terhadap tingkat kemiskinan adalah rata-rata lama sekolah, angka buta huruf dan angka harapan hidup di kabupaten/kota
tersebut serta tingkat kemiskinan di kabupaten/kota tetangga.
Kata Kunci: Spasial, LM, SARAR, GS2SLS.

1. PENDAHULUAN
Penerapan analisis regresi sudah sangat luas, namun pada penerapannya seringkali ditemukan
bahwa terdapat pengaruh spasial (lokasi) yang mempengaruhi model. Pengabaian pengaruh spasial
dalam model seringkali dapat menyebabkan kesimpulan yang dihasilkan kurang tepat. Oleh karena itu,
terdapat analisis regresi yang memperhatikan adanya pengaruh spasial yang disebut dengan analisis
regresi spasial. Dalam model regresi spasial terdapat salah satu ciri khas yaitu adanya dependensi
(ketergantungan) antar lokasi yang menyebabkan pendugaan model menjadi lebih kompleks. Pengaruh
dependensi spasial digambarkan dengan kemiripan sifat dari lokasi yang saling berdekatan. Pada
pemodelan dependensi spasial terdapat beberapa model yang dapat terbentuk yaitu Spatial
Autoregressive (SAR) yang memiliki dependensi nilai respon antar lokasi, Spatial Error (SEM) yang
memiliki dependensi nilai galat antar lokasi dan model Spatial Autoregressive With Autoregressive
Disturbances (SARAR) yang memiliki dependensi pada nilai respon dan nilai galat antar lokasi.
Pendugaan parameter dengan prosedur generalized spatial two stage least squares (GS2SLS)
digunakan untuk menduga model regresi spasial yang mengandung spatial autoregressive sekaligus
spatial error (SARAR). Pendugaan dengan prosedur ini akan menghasilkan penduga yang bersifat
konsisten (Kelejian dan Prucha, 1998).
Penelitian ini didasarkan pada permasalahan kemiskinan yang merupakan suatu masalah klasik
yang selalu ditemui di setiap daerah, dengan tingkatan berbeda-beda dan telah menjadi salah satu
fokus masalah pemerintah yang mengalami perluasan, seiring dengan semakin kompleksnya faktor
penyebab, indikator maupun permasalahan lain yang melingkupinya. Berdasarkan permasalahan
tersebut penelitian ini bertujuan untuk memodelkan permasalahan kemiskinan dengan memperhatikan
pengaruh spasial menggunakan model SARAR dengan prosedur GS2SLS.
2. TINJAUAN PUSTAKA
2.1 Model Regresi Spasial
Model regresi spasial adalah model yang terbentuk dari regresi umum yang mendapatkan
pengaruh spasial (lokasi). Anselin (1988) mengembangkan model spasial dependensi umum
menggunakan data cross section sebagai berikut:

(
)
(1)
Beberapa model yang dapat dibentuk dari model regresi spasial umum (1) adalah:
1. Jika = 0 dan = 0, persamaan (1) menjadi:
,
yang merupakan model regresi linier klasik tanpa pengaruh spasial.
2. Jika 0 dan = 0, persamaan (1) menjadi:
,
yaitu model spatial autoregressive (SAR) atau spasial lag. Spatial autoregressive terjadi
akibat adanya dependensi nilai respon antar lokasi.
3. Jika = 0 dan 0, maka persamaan (1) menjadi:
,
model spatial autoregressive disturbance atau biasa disebut model spatial autoregressive
(SEM). Spasial error terjadi akibat adanya dependensi nilai galat pada suatu lokasi
berhubungan dengan nilai galat di lokasi lain.
4. Jika 0 dan 0, maka persamaan (1) menjadi:
,
yang merupakan model gabungan antara model SAR dan SEM disebut model spatial
autoregressive with autoregressive disturbances (SARAR). Model ini mengandung
dependensi antar lokasi pada respon sekaligus galat.
2.2 Uji Lagrange Multiplier
Dependensi antar lokasi adalah pembeda antara model regresi umum dan model regresi spasial.
Jika unit pengamatan pada peubah respon saling berhubungan, atau galat antar lokasi saling
berhubungan, maka model regresi spasial dapat dibentuk (Kelejian dan Prucha, 1998).
Dalam analisis regresi spasial dependensi terdapat tahapan penting yang harus dilakukan yaitu
pengujian hipotesis terhadap pengaruh spasial menggunakan statistik uji Lagrange multiplier (LM).
Apabila tahap ini diabaikan akan menghasilkan penduga bersifat tidak efisien dan kesimpulan yang
dihasilkan tidak tepat.
Statistik uji LM untuk model SAR dan SEM sebagai berikut:
SAR:

SEM:
di mana

(
(
(

)
)

) (

)
)

( )

( )

[(
) ]
akan ditolak jika LM > ( ) atau dengan
, yang menyatakan terdapat pengaruh
spasial. Kedua uji LM ini perlu dilakukan untuk mengetahui keberadaan pengaruh spasial. Apabila
kedua uji spasial menghasilkan penolakan
, terdapat pengaruh spatial autoregressive dan spatial
error maka model regresi spasial yang terbentuk adalah model SARAR.
2.3 Prosedur Generalized Spatial Two-Stage Least Squares
Prosedur pendugaan parameter model spatial autoregressive with autoregressive disturbances
(SARAR) dengan prosedur GS2SLS memiliki 3 tahapan. Pada tahap pertama, diterapkan metode twostage least squares (2SLS) dengan peubah instumen H tanpa memperhatikan pengaruh spatial error
yang menghasilkan penduga parameter . Pada tahap kedua, pendugaan parameter spatial error ( )
menggunakan metode generalized moment method (GMM) dengan nilai galat yang diperoleh dari
selisih dan
pada tahap pertama. Kemudian pada tahap ketiga, pendugaan ulang persamaan (2.3)
pada tahap pertama menggunakan 2SLS setelah transformasi Cochran Orcutt dan memperhatikan
pengaruh spatial error dengan mensubstitusikan penduga parameter spatial error ( ) pada tahap

170

kedua untuk mendapatkan penduga parameter spasial () pada model akhir (Kelejian dan Prucha,
1998).
2.4 Matriks Penimbang Spasial
Matriks penimbang spasial (W) adalah unsur penting dalam menggambarkan kedekatan antara
suatu lokasi dengan lokasi lain dan ditentukan berdasarkan informasi atau kedekatan antara suatu
lokasi dengan lokasi lain (neighborhood). LeSage (1999) menyajikan rook contiguity (persinggungan
sisi) untuk mengukur kedekatan lokasi menggunakan asas persinggungan (contiguity) lokasi.
Rook contiguity (persinggungan sisi) mendefinisikan W dengan nilai 1 dan 0, untuk kondisi:
(

)
(

3. METODOLOGI
3.1 Sumber Data
Penelitian ini menggunakan data sekunder yang berasal dari hasil Survei Sosial Ekonomi
Nasional (Susenas) oleh Badan Pusat Statistik (BPS) yang bersumber dari Buku 4 Data Makro Sosial
Ekonomi Jawa Timur 2007-2011 berupa tingkat kemiskinan sebagai peubah respon dan rata-rata lama
sekolah, angka buta huruf, angka harapan hidup serta tingkat pengganguran terbuka sebagai peubah
penjelas di setiap kabupaten/kota Jawa Timur tahun 2010.
3.2 Metode Analisis
Prosedur pemodelan SARAR dengan prosedur GS2SLS adalah (1) menentukan matriks
penimbang spasial; (2) identifikasi keberadaan pengaruh spasial menggunakan uji Lagrange Multiplier
(LM); (3) melakukan pemodelan regresi spasial berdasarkan kesimpulan uji LM; (4) Interpretasi
model yang terbentuk.
4. HASIL DAN PEMBAHASAN
Tahap awal dalam pemodelan adalah menentukan matriks penimbang spasial dan identifikasi
keberadaan pengaruh spasial menggunakan uji LM. Matriks penimbang spasial yang digunakan
berdasarkan pendekatan contiguity yaitu rook contiguity dan hasil yang diperolah berdasarkan uji LM
sebagai berikut:
Tabel 1. Hasil identifikasi keberadaan pengaruh spasial
Uji LM
Spatial autoregressive
Spatial error

Nilai Statistik
Uji
5.4564
7.4579

P-value
0.0195
0.0063

Keputusan
Tolak Ho
Tolak Ho

Kesimpulan
Terdapat pengaruh SAR
Terdapat pengaruh SEM

Berdasarkan kesimpulan uji LM diketahui terdapat pengaruh spasial yaitu pengaruh SAR dan SEM
sehingga dapat dilakukan pemodelan SARAR. Pemodelan SARAR dengan prosedur GS2SLS
menghasilkan model sebagai berikut:
Tabel 2. Hasil pendugaan parameter model SARAR
Peubah
Koefisien P-value
Intersep
-18.0268
0.1528
RLS (X1)
-2.0037
0.0008*
ABH (X2)
0.4629
0.0013*
AHH (X3)
0.5462
0.0123*
TPT (X4)
0.2144
0.2752

0.2556
0.0257*
Keterangan: *) nyata pada = 5% (0.05)

171

Model yang terbentuk setelah model transformasi Cochran Orcutt dikembalikan ke dalam bentuk,
model semula sebagai berikut:

R2 = 89.03%
Model spatial autoregressive with autoregressive disturbances (SARAR) merupakan model
yang memiliki dependensi pada tingkat kemiskinan dan galat antar kabupaten/kota. Model yang
terbentuk dapat menjelaskan 89.03% keragaman dari tingkat kemiskinan.
5. KESIMPULAN
Model spatial autoregressive with autoregressive disturbances (SARAR) dengan prosedur
generalized spatial two stage least squares (GS2SLS) sesuai digunakan jika terdapat dependensi
tingkat kemiskinan dan galat antar kabupaten/kota di Jawa Timur. Berdasarkan model yang dihasilkan
diketahui faktor-faktor yang nyata mempengaruhi tingkat kemiskinan di suatu kabupaten/kota adalah
rata-rata lama sekolah, angka buta huruf dan angka harapan hidup pada kabupaten/kota tersebut serta
tingkat kemiskinan di kabupaten/kota tetangga.
DAFTAR PUSTAKA
Anselin, L., (1988), Spatial Econometrics : Methods and Models, Kluwer Academic Publishers,
Dordrecht.
Kelejian, H.H. dan Prucha, I.R., (1998), A Generalized Spatial Two Stage Least Squares Procedure
for Estimating a Spatial Autoregressive Model with Autoregressive Disturbances, Journal of
Real Estate Finance and Economics, 17 (1), hal. 99-121.
LeSage, J., (1999), The Theory and Practice of Spatial Econometrics, Department of Economics,
University of Toledo.

172