IPM - Pendahuluan
IPM - 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.
LANDASAN TEORI
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.
= + + (1)
dengan,
: intersep merupakan efek grup/individu dari unit cross section ke-i dan periode waktu
ke-t.
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,
= + + + (6)
= + +
Suku error gabungan terdiri dari komponen error cross section ( ) dan komponen error
time series ( ).
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
I = 1,2,,N
()/(1)
Statistik uji: F = (7)
/()
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.
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.
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
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)
)
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.
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).
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)
= ( )1 (6)
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)
= ( + )1 (11)
= [ 2 ( + )1 ] = 2 [( + )1 ]
1
= 2 =1 ( (12)
+)
( ) = =1 [ ( ) ln (1 + ( ))] (13)
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
= ( + 2)1 (15)
( )
= [ ( )] +
( )[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)
0 1 = 2 = . . . = = 0
0 = 0
1 : 0, = 1,2, ,
Dimana, ( ) = ( )
Diputuskan untuk menolak 0 apabila nilai t > (,)) atau p-value < , yang artinya variabel ke-j
berpengaruh signifikan terhadap pembentukan model.
1. Tipe Penelitian
Tipe penelitiana yang digunakan adalah studi kasus yaitu menganalisis faktor-faktor yang
mempengaruhi Indeks Pembangunan Manusia (IPM) di Kabupaten Maluku tengah.
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
3. Variabel Penelitian
Variabel penelitian yang akan digunakan pada penelitian ini adalah sebagai berikut.
4. Prosedur Penelitian
1) Analisis menggunakan Regresi Panel
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).
a. Untuk r = 1,,p dapat dihitung nilai ridge parameter pada persamaan (20).
= (19)
b. Digunakan yang meminimumkan perbedaan antara r dan derajat bebas dari model
Regresi Logistik Ridge yang telah didapatkan.
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.
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