PENDAHULUAN

LATAR BELAKANG

Pembangunan di suatu daerah merupakan suatu upaya yang dilakukan oleh pemerintah daerah
terkait kesejahteraan masyarakat serta mewujudkan kemakmuran masyarakat. Salah satu
pembangunan yang menjadi perhatian pemerintah daerah adalah pembangunan manusia yang
diukur menggunakan indikator yang disebut Indeks Pembangunan Manusia (IPM). Indeks
Pembangunan Manusia merupakan ukuran yang dapat digunakan untuk melihat upaya dan
kinerja pembangunan suatu wilayah (UNDP, 1990). Ukuran kinerja pembangunan secara
menyeluruh yang dibentuk dari pendekatan tiga dimensi mencakup pengetahuan, umur panjang
dan sehat, serta kehidupan yang layak.

Maluku Tengah sebagai salah satu kabupaten di Provinsi Maluku, letaknya diapit oleh kabupaten
Seram Bagian Barat di sebelah barat dan Seram Bagian Timur di sebelah timur. Selama tahun
2010 sampai dengan 2016 IPM Kabupaten Maluku Tengah cenderung mengalami peningkatan,
berturut-turut nilainya adalah 66,12; 66,64; 67,30; 68,69. Namun tidak menutup kemungkinan
nilainya akan menurun tergantung dari pergerakan masing-masing variabel yang mempengaruhi.
Penelitian sebelumnya menyebutkan faktor yang mempengaruhi IPM antara lain PDRB, rasio
guru-murid, kepadatan penduduk, dan presentase rumah tangga dengan akses air bersih. Karena
nilai variabel penyusun IPM yang tidak menentu, maka hal ini menjadi krusial untuk diteliti.
Pada penelitian ini akan dicari faktor yang dapat mempengaruhi IPM sehingga nantinya dapat
memberikan masukan kepada pemerintah sektor apa saja yang harus ditingkatkan oleh
pemerintah daerah agar IPM di daerahnya dapat terus meningkat.

Disamping itu, melihat nilai IPM yang terus meningkat setiap tahun diduga terdapat efek waktu
dalam perhitungannya. Faktor-faktor di setiap sektor pembentuk IPM akan cenderung memiliki
hubungan yang kuat satu sama lainnya karena antar faktor-faktor tersebut saling mempengaruhi,
sehingga pada penelitian ini digunakan metode regresi panel dan metode regresi logistik ridge
untuk mengetahui faktor yang mempengaruhi IPM. Dimana akan dibandingkan hasil dari kedua
metode tersebut.

RUMUSAN MASALAH

Bagaimana karakteristik variabel yang diduga berpengaruh terhadap IPM di Kabupaten Maluku
tengah?

TUJUAN PENELITIAN

Berdasarkan uraian rumusan masalah diatas, maka tujuan penelitian ini adalah mendeskripsikan
karakterisik variabel yang diduga berpengaruh terhadap Indeks Pembangunan Manusia (IPM) di
Kabupaten Maluku Tengah dengan metode regresi panel dan metode regresi logistik ridge.

MANFAAT PENELITIAN
Hasil penelitian ini diharapkan dapat memberikan masukan kepada pemerintah provinsi Jatim
dalam memilih kebijakan dan mengalokasikan anggaran yang lebih efektif dalam meningkatkan
variabel IPM, sehingga meningkatkan kesejahteraan masyarakat di setiap daerah.

TINJAUAN PUSTAKA REGRESI PANEL

A. Indeks Pembangunan Manusia

Pembangunan manusia didefinisikan sebagai suatu kegiatan dalam upaya meningkatkan

kesejahteraan masyarakat di berbagai aspek kehidupan yang dilakukan secara terencana dan
berkelanjutan dengan memanfaatkan dan memperhitungkan kemampuan sumber daya, informasi
dan kemajuan ilmu pengetahuan dan teknologi, serta memperhatikan perkembangan social.
Indeks Pembangunan Manusia merupakan ukuran yang dapat digunakan untuk melihat upaya
dan kinerja pembangunan suatu wilayah (UNDP, 1990).

LANDASAN TEORI

A. REGRESI DATA PANEL

Data panel merupakan gabungan antara data cross-section dan data time series. Pada data panel,
unit cross-section yang sama diukur selama beberapa periode waktu. Jadi, dapat dikatakan data
panel memiliki dimensi ruang dan waktu.

Secara umum, model regresi panel mempunyai formula sebagai berikut.

= + + (1)

dengan,

: unit cross section ke-i untuk periode waktu ke-t.

: (1 , 2 , . . . . , ) adalah vektor konstanta berukuran 1xK dengan K banyaknya variabel

independen.

: (1 , 2 , , ) menunjukkan vektor observasi pada variabel independen berukuran

1xK.

: intersep merupakan efek grup/individu dari unit cross section ke-i dan periode waktu
ke-t.

: komponen eror dengan IIDN (0, 2 )

i : 1,2,,N

t : 1,2,,T
 B. 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 yang paling sederhana dengan mengabaikan 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 cros section. Dalam
mengestimasi parameter CEM bisa menggunakan metode kuadrat terkecil. Pada model CEM
konstan atau sama di setiap individu maupun setiap periode. CEM dinyatakan dalam model
sebagai berikut:

= + + (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 unit dapat 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.

= + + (3)

Indeks i pada intersep ( ) menunjukkan bahwa intersept dari masing-masing individu berbeda,
namun intersep untuk unit time series tetap (konstan).

Pendekatan REM melibatkan korelasi antar error terms karena berubahnya waktu maupun unit
observasi.

= + + (4)

Dengan asumsi adalah variabel random dengan rata-rata sehingga intersep tiap unit
adalah,

= 0 + , dimana i= 1,2,..,N (5)

Sehingga modelnya menjadi:

= + + + (6)

= + +

Suku error gabungan terdiri dari komponen error cross section ( ) dan komponen error
time series ( ).

C. 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 dengan
hipotesis sebagai berikut.

0 1 = 2 = . . . = = = 0

1 : minimal ada satu 1 yang berbeda

I = 1,2,,N
()/(1)
Statistik uji: F = (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 0 jika || > 1, berarti intersep untuk semua unit 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.

0 : corr( , ) = 0 (model yang sesuai REM)

1 : corr( , ) 0 (model yang sesuai REM)

Statistik uji:
1
= ( )[( ) ( )] ( ) (8)
2
Keputusan menolak 0 jika > , maka model yang tepat adalah FEM, namun jika
sebaliknya maka model yang tepat adalah REM.

Apabila hasil dari uji Chow dan Hausman menyimpulkan bahwa model yang tepat ada FEM,
maka berikutnya dilakukan uji Lagrange Multiplier (LM) untuk mendeteksi adanya
heteroskedasitas panel pada model FEM dengan hipotesis sebagai berikut.
0 : 2 = 0

1 : 2 0

I= 1,2,,N
2
[ ]2
Statistik uji: = 2(1) [=1 2 1] (9)
=1 =1

2
Tolak 0 jika > , artinya model FEM memiliki struktur yang heteroskedastik sehingga
untuk mengatasinya harus diestimasi dengan metode cross section weight.

D. 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.

0 1 = 2 = . . . = = 0

1 : minimal ada satu 0, = 1,2,3, ,

Statistik uji: = (10)

0 ditolak jika > (;(1, ) ), dengan n adalah jumlah pengamatan dan k

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.

0 : = 0

1 : 0

Statistik uji: = ( (11)
)

0 ditolak jika | | > (, ), dengan n adalah jumlah pengamatan dan k adalah

2
banyaknya parameter.

E. 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. Konsekuensi dari
heteroskedasitas adalah estimator yang dihasilkan tidak lagi efisien dan berakibat interval
kepercayaan menjadi semakin melebar sehingga pengujian signifikansi menjadi kurang kuat.

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.

TINJAUAN PUSTAKA REGRESI LOGISTIK RIDGE

A. MULTIKOLINIERITAS

Multikolinieritas merupakan suatu kondisi dimana terjadi korelasi yang tinggi di antara variabel
prediktor atau dapat dikatakan antar variabel prediktor tidak bersifat saling bebas. Variance
Inflation Factor (VIF) dapat digunakan sebagai kriteria untuk mendeteksi kasus multikolinieritas
pada regresi linier yang memiliki lebih dari dua variabel prediktor. Nilai VIF untuk parameter
regresi ke-j diformulasikan pada per-samaan (1).
1
= 12 (1)

Dengan 2 merupakan koefisien determinasi antara dengan variabel prediktor lainnya pada
persamaan regresi, dimana j = 1, 2, ..., p. Apabila nilai > 10, maka dapat diindikasikan
bahwa terdapat kasus multikolinieritas yang serius. Hal-hal yang akan terjadi apabila kasus
multiko-linieritas tidak diatasi adalah variansi estimasi menjadi besar, interval kepercayaan
menjadi lebar, dikarenakan variansi dan standar error besar. Kemudian pengujian signifikansi
secara parsial menjadi tidak signifikan. Serta koefisien determinasi ( 2 ) tinggi, tetapi sedikit
variabel prediktor yang signifikan.
 B. Regresi Logistik

Model Regresi Logistik digunakan untuk menggambarkan hubungan antara variabel respon
dengan satu atau beberapa buah variabel prediktor. Variabel dependen dalam regresi logistik
merupakan variabel kualitatif. Apabila kategori dalam variabel dependen berupa
biner/dikotomus, maka variabel dependen (Y) mengikuti distribusi Binomial dengan parameter
i, dimana untuk setiap pengamatan ke-i ditulis pada persamaan (2).

Binomial (1, ) (2)

1
Dengan fungsi probabilitas ( ) = ( ( )) (1 ( )) , dimana = 0,1.

( ) adalah probabilitas dari kejadian ke-i. Apabila = 1, maka ( ) = ( ) dan apabila

= 0, maka nilai ( ) = 1 ( ).

Bentuk persamaan Regresi Logistik ditunjukkan pada persamaan (3).

( )
( ) = 1+( ) (3)

Dimana 0 = konstanta, 1 = koefisien regresi dan j = banyak-nya variabel prediktor.

Transformasi logit dari ( )) ditampilkan pada persamaan (4).

Logit [ ( )] = = 0 = 1 1 + 1 1 + 2 2 + + (4)

Estimasi parameter dalam regresi logistik digunakan metode Maximum Likelihood Estimator
(MLE) karena distribusi dari variabel respon telah diketahui. MLE didapatkan dengan cara
memaksimumkan logaritma fungsi likelihood.

(, ) = [ ( )] [1 ( )]1
=1

ln (, ) = =1 [ ( ) ln (1 + ( ))] (5)

Hasil estimasi parameter adalah

= ( )1 (6)

Dimana z merupakan vektor n 1 dengan:

( )

= [ ( )] + ( )[1

( )]
(7)

Matriks kovarian untuk ditampilkan pada persamaan berikut.

 1
( ) = ( [ (1 )]) (8)

Regresi Ridge adalah salah satu metode yang dapat digunakan untuk mengatasi kasus
multikolinieritas. Metode ini ditujukan untuk mengatasi kondisi buruk yang diakibatkan oleh
korelasi yang tinggi antara beberapa variabel prediktor dalam model regresi, yang dapat
menghasilkan hasil estimasi dari parameter model regresi menjadi tidak stabil. Estimasi
parameter regresi ridge menggunakan metode Least Square (LS) dengan menambahkan bilangan
positif kecil pada diagonal matriks , sehingga bias yang terjadi dapat dikendalikan.
Bilangan positif kecil bernilai antara 0 dan 1, sehingga estimasi ridge akan bias terhadap
parameter , tetapi cenderung lebih stabil.

Kebaikan estimator ridge diukur dengan menggunakan Mean Square Error (MSE) pada
persamaan (9).

( ) = [( )] + [( )] [( )] (9)

Estimasi parameter Regresi Ridge didasarkan pada regresi linier dengan menambahkan dengan
ridge parameter () pada elemen diagonal matriks . Sehingga fungsi obyektif ditampilkan
pada persamaan (10).

( ) = ( ) ( ) + (10)

Estimasi parameter untuk Regresi Ridge,

= ( + )1 (11)

Nilai MSE regresi ridge adalah pada persamaan berikut.

= [ 2 ( + )1 ] = 2 [( + )1 ]
1
= 2 =1 ( (12)
+)

C. REGRESI LOGISTIK RIDGE

Fungsi obyektif untuk Regresi Logistik Ridge,

( ) = =1 ln[ ( )] + =1(1 ) ln[1 ( )]

( ) = =1 [ ( ) ln (1 + ( ))] (13)

Dimana merupakan koefisien parameter untuk Regresi Logistik Ridge. Sedangkan

merupakan respon berupa kategorik yang mengikuti distribusi Binomial (1, ) dan
merupakan vektor untuk setiap observasi yang diambil dari matriks variabel prediktor berukuran
n h+1. Selanjutnya diturunkan secara parsial terhadap :
)
(
= ( ) 2

Kemudian dilanjutkan pada turunan kedua menjadi:

)
2 ( )
(
= [ ] = 2

dimana, = [ ( )[1 ( )]] .

Estimasi parameter Regresi Logistik Ridge menggunakan metode MLE dengan iterasi Newton-
Raphson yang akan digunakan untuk memaksimumkan fungsi objektif pada persamaan (13).
Diekspansikan di sekitar menurut Deret Taylor dan didapatkan persamaan berikut.

( )
|

)
( )
2 (
| = | ( 0 ) (14)
=0
=
0

Hasil penurunan disubtistusikan ke dalam persamaan (14) menghasilkan persamaan (15).

= ( + 2)1 (15)

Dengan z merupakan vektor berukuran n 1, dimana :

( )
= [ ( )] +
( )[1 ( )]

Dengan menambahkan ridge parameter untuk Regresi Logistik Ridge pada elemen diagonal
matriks kovarian Regresi Logistik, maka formula variansi pada persamaan (16).
1
( ) = ( [ (1 )] + ) (16)

D. PENGUJIAN SIGNIFIKANSI PARAMETER

Pengujian signifikansi parameter secara serentak dilakukan dengan menggunakan Likelihood

Ratio Test, dimana hipotesis yang digunakan adalah :

0 1 = 2 = . . . = = 0

1 : minimal ada satu 0, = 1,2,3, ,

Statistik uji Likelihood Ratio Test sebagai berikut.

= 2 (0 ) = 2[ln(0 ) ln(1 )] (17)
1

Nilai 2[ln(0 ) ln(1 )] mengikuti distribusi chi-square dengan df = p. Jika 2[ln(0 )

ln(1 )] (p,), maka diputus-kan untuk menolak 0 yang artinya model berpengaruh signifi-
kan, sehingga uji signifikansi parameter dapat dilanjutkan dengan pengujian secara parsial untuk
mengetahui variabel-variabel prediktor yang signifikan terhadap peluang sukses. Pengujian
signifikansi parameter secara parsial dilakukan dilakukan dengan menggunakan Wald test.
Hipotesis yang digunakan adalah :

0 = 0

1 : 0, = 1,2, ,

Statistik uji Wald test ditampilkan sebagai berikut.

= ( ) (18)

Dimana, ( ) = ( )

Diputuskan untuk menolak 0 apabila nilai t > (,)) atau p-value < , yang artinya variabel ke-j
berpengaruh signifikan terhadap pembentukan model.

BAB III METODOLOGI PENELITIAN

1. Tipe Penelitian
Tipe penelitiana yang digunakan adalah studi kasus yaitu menganalisis faktor-faktor yang
mempengaruhi Indeks Pembangunan Manusia (IPM) di Kabupaten Maluku tengah.

2. Bahan dan Materi Penelitian

Bahan atau materi yang digunakan dalam penelitian ini berupa data sekunder yang diperoleh

dari BPS dengan ruang lingkup penelitian dibatasi pada 15 kecamatan di Kabupaten Maluku

Tengah pada tahun 2010-2016.

3. Variabel Penelitian
Variabel penelitian yang akan digunakan pada penelitian ini adalah sebagai berikut.

Faktor Variabel Notasi

Indeks Pembangunan Indeks Pembangunan Manusia (IPM) Y
Manusia
Pendidikan Rasio guru siswa SMP/MTs 1
Rasio sekolah murid SMP/MTs 2
Angka Partisipasi SMP/MTs (APS) 3
Kesehatan Jumlah sarana kesehatan 4
Rumah tangga dengan akses air bersih 5
Kependudukan Kepadatan penduduk 6
Tingkat partisipasi angkatan kerja (TPAK) 7
PDRB Perkapita 8

4. Prosedur Penelitian
1) Analisis menggunakan Regresi Panel

Langkah-langkah analisis dalam penelitian ini adalah sebagai berikut.

1. Menganalisis karakteristik untuk variabel respon dan variabel prediktor.

2. Mendeteksi adanya kasus multikolinieritas.

3. Melakukan pengujian untuk memilih model regresi panel dengan :

a. Melakukan uji Chow.

b. Melakukan uji Hausman.

c. Melakukan uji Lagrange Multiplier

4. Melakukan estimasi dengan metode yang sesuai.

5. Melakukan uji signifikansi parameter model regresi panel.

6. Melakukan uji asumsi residual identik, independen, dan berdistribusi normal.

2) Analisis menggunakan metode Regresi Logistik Ridge

1. Pengumpulan data IPM Kabupaten Maluku Tengah Tahun 2010 - 2016.

2. Analisis deskriptif pada IPM Provinsi Jawa Timur dan faktor-faktor di setiap sektor yang
mempengaruhinya, yaitu kesehatan, pendidikan dan kependudukan.
3. Pemeriksaan kasus multikolinieritas dengan menggunakan nilai Variance Inflation Factor
(VIF) untuk masing-masing variabel prediktor (X).

4. Pemilihan nilai ridge parameter ( ) :

a. Untuk r = 1,,p dapat dihitung nilai ridge parameter pada persamaan (20).

= (19)

dimana merupakan r koefisien pertama Principal Component Regresi Logistik (PCLR).

b. Digunakan yang meminimumkan perbedaan antara r dan derajat bebas dari model
Regresi Logistik Ridge yang telah didapatkan.

5. Pemodelan menggunakan metode Regresi Logistik Ridge.

a. Pengujian signifikansi parameter Regresi Logistik Ridge secara serentak dan parsial.
b. Interpretasi model lengkap Regresi Logistik Ridge.

6. Pemilihan model Regresi Logistik Ridge terbaik dengan menggunakan metode backward
elimination.

a. Pengujian signifikansi parameter Regresi Logistik Ridge secara serentak dan parsial.
b. Interpretasi model terbaik Regresi Logistik Ridge yang didapatkan dari hasil backward
elimination.

5. TEKNIK ANALISA DATA

1. Uji multikolinieritas
2. Uji Chow
3. Uji Hausman
4. Uji LM
5. Uji Asumsi Residual
6. Uji Individu
7. Uji Serentak
8. Estimasi Parameter