Oleh:
140610140010
DEPARTEMEN STATISTIKA
UNIVERSITAS PADJADJARAN
2017
i
LEMBAR PENGESAHAN
Oleh:
140610140010
Setelah membaca Draft Proposal Tugas Akhir ini dengan seksama, menurut pertimbangan
telah sesuai dengan permasalahan yang ada di tempat mahasiswa melaksanakan magang
penelitian.
Pembimbing Lapangan
ii
DAFTAR ISI
HALAMAN SAMPUL..........................................................................................................................................................................i
LAMPIRAN .......................................................................................................................................................................................17
LAMPIRAN 1 .......................................................................................................................................................................................17
LAMPIRAN 2 .......................................................................................................................................................................................18
LAMPIRAN 3 .......................................................................................................................................................................................19
LAMPIRAN 4 .......................................................................................................................................................................................20
iii
BAB I
PENDAHULUAN
Dinas Komunikasi, Informatika, dan Statistik Kabupaten Bandung sebagai salah satu
dinas yang berwenang mempublikasikan informasi publik daerah Kabupaten Bandung.
Dinas ini berintegrasi dengan dinas lainnya baik di Kabupaten Bandung maupun di luar
wilayah Kabupaten Bandung. Informasi publik yang baik dihasilkan dari penyajian
analisis yang representatif terhadap kondisi yang sebenarnya. Untuk menghasilkan hal
tersebut, dibutuhkan data pendukung yang didapatkan baik primer (melakukan sensus atau
survei sendiri) maupun sekunder yang terpercaya.
Salah satu informasi publik yang biasa disajikan adalah indeks pembangunan manusia
(IPM). IPM menyajikan informasi mengenai bagaimana penduduk dapat mengakses hasil
pembangunan dalam memperoleh pendapatan, kesehatan, pendidikan, dan sebagainya
yang dipublikasikan setiap tahunnya (Badan Pusat Statistik, 2014) . Indeks ini seringkali
digunakan untuk mengukur bagaimana perkembangan sumber daya manusia (SDM) atau
masyarakat diukur dari dimensi yang telah ditentukan yaitu dimensi pendidikan, dimensi
kesehatan, dan dimensi pengeluaran. Kenaikan IPM sangat diharapkan bagi pemerintah
setempat karena kualitas dari pemikiran dan perilaku masyarakat semakin berkualitas demi
kemajuan bangsa.
Perkembangan nilai IPM menjadi salah satu perhatian pemerintah Kabupaten Bandung.
Oleh karena itu, dinas terkait yang berwenang biasanya melakukan proyeksi untuk nilai
IPM di masa yang akan datang dengan harapan jika proyeksi yang dihasilkan tidak
meningkat atau bahkan menurun maka akan dilakukan upaya lebih demi peningkatan IPM.
Jika hasil proyeksinya meningkat, maka perhatian terhadap aspek yang mendasari IPM
akan tetap dipertahankan. Proyeksi IPM menjadi hal penting bagi pemerintah setempat
dalam menentukan target dan upaya mencapai IPM pada tahun selanjutnya. Metode yang
biasa digunakan oleh dinas terkait untuk proyeksi IPM sebagai berikut:
1
𝐼𝑃𝑀𝑡+𝑛 = 𝐼𝑃𝑀𝑡 + (𝑃̅𝐼𝑃𝑀 )𝑛
dengan:
t = tahun
Berdasarkan latar belakang masalah yang dijelaskan sebelumnya, bahwa proyeksi nilai
IPM menjadi salah satu perhatian pemerintah Kabupaten Bandung dalam penentuan target
dan upaya yang akan dilakukan pada tahun-tahun berikutnya. Maka perlu dilakukan
proyeksi yang akurat dengan metode peramalan yang ada. Metode yang biasa digunakan
pun kurang akurat untuk memprediksi nilai IPM pada tahun-tahun selanjutnya. Hal ini
terjadi karena data yang tersedia hanya berkisar lima sampai enam tahun. Data yang sangat
sedikit tersebut tidak bisa dilakukan proyeksi dengan model peramalan yang ada karena
datanya terlalu sedikit. Data yang terlalu sedikit mengakibatkan variasi pada data menjadi
tidak tertangkap dengan baik.
Maksud penelitian ini adalah menggunakan pendekatan model regresi data panel
sebagai upaya pengoptimalan proyeksi IPM. Data panel ini dapat memberikan informasi
yang lebih dalam menangkap variasi yang terjadi untuk pengoptimalan proyeksi yang
dibutuhkan. Sedangkan tujuan dari penelitian ini adalah menerapkan metode regresi data
panel untuk mendapatkan model terbaik dan proyeksi untuk Indeks Pembangunan
Manusia (IPM) di Kabupaten Bandung dengan pendekatan data panel Kabupaten/Kota di
Jawa Barat.
2
1.4 Manfaat Penelitian
Manfaat yang didapatkan oleh peneliti dan pembaca yaitu penambahan wawasan
mengenai pendekatan proyeksi dengan menggunakan data panel. Kemudian untuk Dinas
Komunikasi, Informatika, dan Statistik Kabupaten Bandung ataupun dinas terkait di
Kabupaten Bandung yang berwenang terhadap IPM dapat menggunakan model terbaik
yang telah terbentuk untuk proyeksi atau gambaran nilai IPM pada tahun-tahun
selanjutnya.
3
BAB II
TINJAUAN PUSTAKA
2.1. Pendahuluan
Berdasarkan penjelasan bab sebelumnya mengenai pemodelan regresi data panel yang
akan dilakukan untuk Kota/Kabupaten di Jawa Barat. Selanjutnya akan dibahas kajian
pustaka mengenai analisis regresi data panel yang akan dilakukan untuk menghasilkan
model terbaik untuk proyeksi IPM.
4
Keuntungan dalam menggunakan data panel (Baltagi, 2005):
1. Data panel dapat mengendalikan heterogenitas dalam efek individu
2. Data panel memberikan data yang lebih informatif, beragam, kolinieritas antar
variabel lebih kecil, derajat kebebasan semakin besar dan lebih efisien
3. Data panel lebih baik untuk mempelajari dinamika perubahan data karena
melakukan pengulangan observasi cross-section
4. Data panel lebih baik untuk mengidentifikasi dan mengukur efek yang tidak murni
cross-section dan tidak murni time series
5. Data panel memungkinkan untuk mempelajari model yang kompleks karena
terdapat efek individu dan waktu.
5
2.3.2. Fixed Effect
Model Fixed effects mengasumsikan bahwa terdapat efek yang berbeda antar
individu. Model fixed effect merupakan model yang mengasumsikan koefisien slope
konstan tetapi intersep bervariasi antar anggota panel (Gujarati, 2008). Oleh karena
itu, dalam model fixed effects, setiap merupakan parameter yang tidak diketahui dan
akan diestimasi dengan menggunakan teknik variabel dummy. Persamaan modelnya
dapat dituliskan sebagai berikut:
𝑦𝑖 = 𝛼𝑖 + ∑𝑛𝑘=2 𝑎𝑖 𝐷𝑘𝑖 + 𝛽𝑥𝑖𝑡 + 𝜀𝑖𝑡
dengan:
Yit : Variabel respon pada unit observasi ke-i dan waktu ke-t
Xit : Variabel prediktor pada unit observasi ke-i dan waktu ke-t
β : Koefisien slope atau koefisien arah
αi : Intersep model regresi pada unit observasi ke-i
ak : rata-rata nilai peubah respon jika peubah boneka ke-k bernilai satu
dan peubah penjelas bernilai nol.
Dki : peubah boneka ke-k unit pada unit observasi ke-i.
εit : Galat atau komponen error pada unit observasi ke-i dan waktu ke-t.
Pendugaan parameter regresi panel dengan Fixed Effect Model menggunakan
teknik penambahan variabel dummy sehingga metode ini seringkali disebut dengan
Least Square Dummy Variable model. Penambahan variabel dummy diharapkan
mampu mewakili ketidak lengkapan informasi dalam pembuatan model.
6
dengan:
Yit : Variabel respon pada unit observasi ke-i dan waktu ke-t
Xit : Variabel prediktor pada unit observasi ke-i dan waktu ke-t
β : Koefisien slope atau koefisien arah
αi : Intersep model regresi
εit : Galat atau komponen error total
ui : Galat atau komponen error pada unit observasi ke-i
vt : Galat atau komponen error pada waktu ke-i
wit : Galat atau komponen error pada unit observasi ke-i dan waktu ke-t.
Melihat persamaan di atas, maka dapat dinyatakan bahwa MER menganggap
efek rata-rata dari data cross section dan time series direpresentasikan dalam intercept.
Sedangkan deviasi efek secara random untuk data time series direpresentasikan dalam
vt dan deviasi untuk data cross section dinyatakan dalam ui.
Adapun metode estimasi yang digunakan adalah Generalized Least Square
(GLS). GLS merupakan metode estimasi parameter dengan variansi error yang ada
pada model diketahui. GLS merupakan bentuk etimasi least square yang dibuat untuk
mengatasi sifat heteroskedastisitas.
7
BAB III
PEMODELAN REGRESI PANEL TERHADAP INDEKS PEMBANGUNAN
MANUSIA (IPM) DI KABUPATEN/KOTA JAWA BARAT
3.1 Pendahuluan
Pada bab sebelumnya telah dijelaskan dasar teori yang menjadi acuan untuk
pelaksanaan penelitian. Selanjutnya akan dibahas langkah-langkah dalam pembuatan
model regresi dimulai dari penentuan efek pada estimasi data panelnya, kemudian
pemilihan model dengan uji yang ada, dilanjutkan dengan uji asumsi klasik pada regresi,
selanjutnya uji signifikansi, dan kemudian interpretasi model terbaik yang telah terbentuk.
Pemilihan model estimasi regresi yang digunakan adalah uji Chow dan uji Hasuman
untuk menentukan efek model yang terjadi. Terdapat tiga jenis efek model yaitu common
effect, fixed effect, dan random effect.
dengan:
8
RRSS : restricted residual sums of squares yang berasal dari model koefisien
tetap
URSS : unrestricted residual sums of squares yang berasal dari model efek tetap
Kriteria Uji:
Jika nilai 𝐹𝑉𝑎𝑙𝑢𝑒 > 𝐹𝑛−1; 𝑛𝑇−𝑛−𝑘 atau p-value < 𝛼 , maka tolak H0 sehingga
Statistik uji:
Uji Wald
𝑊 = 𝑞̂ ′ [𝑣𝑎𝑟(𝑞̂ ′ )]−1 𝑞̂
′ −1
𝑊 = (𝛽̂𝑓𝑖𝑥𝑒𝑑 − 𝛽̂𝑟𝑎𝑛𝑑𝑜𝑚 ) [𝑣𝑎𝑟 (𝛽̂𝑓𝑖𝑥𝑒𝑑 − 𝛽̂𝑟𝑎𝑛𝑑𝑜𝑚 )] (𝛽̂𝑓𝑖𝑥𝑒𝑑 − 𝛽̂𝑟𝑎𝑛𝑑𝑜𝑚 )
9
dengan:
𝛽̂𝑓𝑖𝑥𝑒𝑑 : vektor estimasi slope model fixed effect
𝛽̂𝑟𝑎𝑛𝑑𝑜𝑚 : vektor estimasi slope model random effect
Kriteria uji:
2
Jika nilai 𝑊 > 𝑋(𝛼;𝑘) atau nilai p-value kurang dari taraf signifikansi yang
ditentukan, maka tolak 𝐻0 sehingga model yang terpilih adalah model efek tetap.
Model regresi data panel akan menjadi model yang terbaik jika model tersebut
memenuhi kriteria BLUE yaitu Best, Linear, Unbiased Estimator. Hal ini dapat dicapai
dengan memenuhi asumsi klasik. Asumsi klasik yang harus dipenuhi adalah normal, non
multikolinearitas, linear, homoskedastisitas dan non autokorelasi. Persamaan yang
terbebas dari kelima masalah pada uji asumsi klasik akan memenuhi kriteria BLUE.
Apabila persamaan yang terbentuk tidak memenuhi kaidah BLUE, maka persamaan
tersebut diragukan kemampuannya dalam menghasilkan nilai-nilai prediksi yang akurat.
3.3.1. Normalitas
Pembuktian data berdistribusi normal perlu dilakukan untuk membuktikan data dari
sampel yang dimiliki berasal dari populasi yang berdistribusi normal. Banyak metode yang
dapat digunakan untuk uji normalitas diantaranya Kolmogorov-Smirnov, Lilliefors, Chi-
Square, dan Shapiro Wilk. Setiap uji normalitas yang ada dapat digunakan untuk kondisi
tertentu dan memiliki kelebihan kekurangan masing-masing
Pengujian asumsi ini akan dilakukan pada residual yang dihasilkan dari model regresi
data panel yang terbentuk. Pengujian normalitas yang digunakan adalah Uji Jarque-Bera.
Uji Jarque-Bera ini menggunakan perhitungan skewness dan kurtosis. Langkah
pengujiannya sebagai berikut:
Hipotesis:
10
Statistik uji:
𝑆𝑘2 (𝐾 − 3)
𝐽𝐵 = 𝑁 [ + ]
6 24
Dengan:
N = Banyaknya data
Sk = Skewness
K = Kurtosis
dengan:
1 𝑁
𝜇̂ 4 ∑𝑖=1(𝑥𝑖 − 𝑥̅ )4
𝐾= 2= 𝑁
2
𝜇̂ 2 1
( ∑𝑁 (𝑥 𝑖 − 𝑥̅ )2)
𝑁 𝑖=1
1 𝑁
𝜇̂ 3 ∑𝑖=1(𝑥𝑖 − 𝑥̅ )3
𝑆𝑘 = 3 = 𝑁
⁄ 3⁄
𝜇̂ 2 2 1 𝑁 2
2
( ∑𝑖=1(𝑥𝑖 − 𝑥̅ ) )
𝑁
Kriteria uji:
2
H0 ditolak jika 𝐽𝐵 > 𝑥(𝛼;2) artinya residual tidak berdistribusi normal.
3.2.2. Multikolinearitas
Multikoliearitas berarti adanya hubungan linear yang pasti pada beberapa atau
semua variabel yang menjelaskan dari model regresi. Koleniaritas ganda
(multikolinearity) menunjukkan adanya lebih dari satu hubungan linear yang
sempurna atau pasti.
Asumsi multikolinearitas adalah asumsi yang menunjukan adanya hubungan
linear yang kuat diantara beberapa variabel prediktor dalam suatu model regresi linear
berganda. Model regresi yang baik memiliki variabel-variabel prediktor yang
independen atau tidak berkorelasi. Penyebab terjadinya kasus multikolinearitas adalah
terdapat korelasi atau hubungan linear yang kuat diantara beberapa variabel prediktor
yang dimasukkan ke dalam model regresi. Indikasi yang dapat dilihat untuk
multikoleniaritas yang terjadi salah satunya adalahi keselurahan model sudah cocok
tapi ternyata terdapat variabel yang tidak cocok dimasukkan ke dalam model.
Pengecekan multikolinearitas dapat dilakukan dengan melihat matriks korelasi dari
variabel bebas apakah korelasinya memiliki hubungan yang kuat yang ditunjukkan
oleh angka yang besar dengan batasan maksimal yang ditentukan.
11
3.2.3. Heterokedastisitas
sehingga tidak mempunyai ragam yang minimum. Salah satu usaha untuk mengatasi
variabelnya. Uji ini dimaksudkan untuk mengetahui apakah varians residual konstan
atau tidak untuk semua pengamatan pada model regresi. Untuk mendeteksi adanya
heterokedastisitas dalam data dapat dilakukan dengan Uji Breuch-Pagan. Uji ini tidak
H0 : Homoskedastisitas
H1 : Heteroskedastisitas
Statistik Uji :
Uj Breuch-Pagan
Θ = ½ SSRi
dengan:
σ2 =∑ µi2/n
Pi = µi2/ σ2
Kriteria Uji :
12
3.2.4. Autokorelasi
Hipotesis:
H0 : Tidak terdapat autokorelasi pada model regresi data panel yang ada
H1 : Terdapat autokorelasi pada model regresi data panel yang ada
Statistik Uji :
Durbin-Watson test
Kriteria Uji:
Autokorelasi Positif:
Jika d < dL maka terdapat autokorelasi positif,
Jika d > dU maka tidak terdapat autokorelasi positif,
Jika dL < d < dU maka pengujian tidak meyakinkan atau tidak dapat disimpulkan.
Autokorelasi Negatif:
Jika (4 - d) < dL maka terdapat autokorelasi negatif,
Jika (4 - d) > dU maka tidak terdapat autokorelasi negatif,
Jika dL < (4 - d) < dU maka pengujian tidak meyakinkan atau tidak dapat
disimpulkan.
13
3.4.1 Uji Keseluruhan (Overall)
Hipotesis:
H0 : β1 = β2 = β3 = βk = 0 (model yang terbentuk berlaku)
H1 : Minimal terdapat satu β tidak sama dengan nol
(model yang terbentuk tidak berlaku)
Statistik Uji:
𝑅 2 /(𝑁 + 𝑇 + 𝐾 − 2)
𝐹= ~𝐹
1 − 𝑅 2 /(𝑁𝑇 − 𝑁 − 𝑇 − 𝐾 + 1) ((𝑁+𝑇+𝐾−2).(𝑁𝑇−𝑁−𝑇−𝐾+1))
dengan:
k : banyaknya variabel bebas.
R2 : koefisien determinasi
N : banyaknya unit individu observasi
T : banyaknya parameter yang diestimasi
Kriteria uji
Tolak Ho jika
𝑅 2 /(𝑁+𝑇+𝐾−2)
𝐹 ≥𝐹= ~𝐹((𝑁+𝑇+𝐾−2).(𝑁𝑇−𝑁−𝑇−𝐾+1)) atau p-value ≤ α
1−𝑅 2 /(𝑁𝑇−𝑁−𝑇−𝐾+1)
Statistik Uji:
𝛽𝑘
𝑡= ~𝑡(𝑁𝑇−𝑁−𝑇−𝐾+1)
𝑆𝐸(𝛽𝑘 )
14
dengan:
𝛽𝑘 : Taksiran nilai koefisien regresi ke-i
𝑆𝐸(𝛽𝑘 ): Standar error untuk taksiran koefisien regresi ke-i
Kriteria uji:
𝛽
Tolak H0 jika 𝑡 ≥ 𝑡 = 𝑆𝐸(𝛽𝑘 ) ~𝑡(𝑁𝑇−𝑁−𝑇−𝐾+1), atau p-value ≤ α.
𝑘
Setelah dilakukan beberapa tahapan untuk membuat model regresi data panel yaitu:
1. Uji Pemilihan model terbaik menggunakan Uji Chow, dan Uji Hausman
3. Uji Asumsi model regresi data panel terbaik antara lain Uji Normalitas
menggunakan uji Jarque-bera, Uji Autokorelasi menggunakan uji Durbin Watson,
dan Uji Multikolinearitas menggunakn VIF. Dilanjutkan uji F dan T untuk
parameter.
15
DAFTAR PUSTAKA
Badan Pusat Statistik Jawa Barat. 2017. Berita Resmi Statistik Indeks Pembangunan Manusia
(IPM) Tahun 2016.
Gujarati, D.N., (2004), Basic Econometrics, Fourth Edition. The McGraw-Hill Companies.
New York
Hsiao, C.1986. Analysis of Panel Data. Cambridge University Press: New York.
16
LAMPIRAN
LAMPIRAN 1
IPM
No Wilayah Jawa Barat
2010 2011 2012 2013 2014 2015 2016
1 Bogor 64.35 64.78 65.66 66.74 67.36 67.77 68,32
2 Sukabumi 60.69 61.14 62.27 63.63 64.07 64.44 65,13
3 Cianjur 58.58 59.38 60.28 61.68 62.08 62.42 62,92
4 Bandung 67.28 67.78 68.13 68.58 69.06 70.05 70,69
5 Garut 60.23 60.55 61.04 61.67 62.23 63.21 63,64
6 Tasikmalaya 60.21 61.05 61.69 62.40 62.79 63.17 63,57
7 Ciamis 64.64 65.48 66.29 67.20 67.64 68.02 68,45
8 Kuningan 64.40 65.04 65.60 66.16 66.63 67.19 67,51
9 Cirebon 63.64 64.17 64.48 65.06 65.53 66.07 66,70
10 Majalengka 62.30 62.67 63.13 63.71 64.07 64.75 65,25
11 Sumedang 66.04 66.16 67.36 68.47 68.76 69.29 69,45
12 Indramayu 60.86 61.47 62.09 62.98 63.55 64.36 64,78
13 Subang 63.54 64.21 64.86 65.48 65.80 66.52 67,14
14 Purwakarta 64.93 65.51 66.30 67.09 67.32 67.84 68,56
15 Karawang 64.58 65.21 65.97 66.61 67.08 67.66 68,19
16 Bekasi 67.58 68.66 69.38 70.09 70.51 71.19 71,83
17 Bandung Barat 61.34 62.36 63.17 63.93 64.27 65.23 65,81
18 Kota Bogor 71.25 71.72 72.25 72.86 73.10 73.65 74,50
19 Kota Sukabumi 67.94 68.67 69.74 70.81 71.19 71.84 72,33
20 Kota Cirebon 70.74 71.49 71.97 72.27 72.93 73.34 73,70
21 Kota Bandung 77.49 78.13 78.30 78.55 78.98 79.67 80,13
22 Kota Bekasi 76.77 77.48 77.71 78.63 78.84 79.63 79,95
23 Kota Depok 76.66 76.96 77.28 78.27 78.58 79.11 79,60
24 Kota Cimahi 73.76 74.41 74.99 75.85 76.06 76.42 76,69
25 Kota Tasikmalaya 66.58 67.18 67.84 68.63 69.04 69.99 70,58
26 Kota Banjar 66.81 67.15 67.53 68.01 68.34 69.31 70,09
17
LAMPIRAN 2
18
LAMPIRAN 3
19
LAMPIRAN 4
Produk Domestik Regional Bruto (PDRB) per Kapita Kota/Kabupaten di Jawa Barat
20