PROPOSAL TUGAS AKHIR

PEMODELAN REGRESI PANEL TERHADAP INDEKS PEMBANGUNAN

MANUSIA (IPM) DI KABUPATEN/KOTA JAWA BARAT

(Studi Kasus Dinas Komunikasi, Informatika, dan Statistik Kabupaten Bandung)

Oleh:

Mohammad Wildan Widiarta

140610140010

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PADJADJARAN

2017

i
 LEMBAR PENGESAHAN

PEMODELAN REGRESI PANEL TERHADAP INDEKS PEMBANGUNAN

MANUSIA (IPM) DI KABUPATEN/KOTA JAWA BARAT

(Studi Kasus Dinas Komunikasi, Informatika, dan Statistik Kabupaten Bandung)

Oleh:

Mohammad Wildan Widiarta

140610140010

Setelah membaca Draft Proposal Tugas Akhir ini dengan seksama, menurut pertimbangan
telah sesuai dengan permasalahan yang ada di tempat mahasiswa melaksanakan magang

penelitian.

Kabupaten Bandung, Agustus 2017

Pembimbing Lapangan

Asep Rochmansyah, S.Si, M.AP

NIP. 19711012 19901 1 001

ii
 DAFTAR ISI
HALAMAN SAMPUL..........................................................................................................................................................................i

LEMBAR PENGESAHAN ..................................................................................................................................................................ii

DAFTAR ISI ...........................................................................................................................................................................................iii

BAB I PENDAHULUAN ..........................................................................................................................................................................1

1.1 Latar Belakang ...........................................................................................................................................................................1

1.2 Identifikasi Masalah ...................................................................................................................................................................2

1.3 Maksud dan Tujuan....................................................................................................................................................................2

1.4 Manfaat Penelitian .....................................................................................................................................................................3

1.5 Batasan Masalah ........................................................................................................................................................................3

BAB II TINJAUAN PUSTAKA ................................................................................................................................................................4

2.1 Pendahuluan ...............................................................................................................................................................................4

2.2 Analisis Regresi .........................................................................................................................................................................4

2.3 Data Panel ..................................................................................................................................................................................4

2.4 Analisis Regresi pada Data Panel...............................................................................................................................................5

2.4.1 Common Effect .....................................................................................................................................................5

2.4.2 Fixed Effect...........................................................................................................................................................6

2.4.3 Random Effect.......................................................................................................................................................6

BAB III PEMODELAN REGRESI PANEL TERHADAP INDEKS PEMBANGUNAN

MANUSIA (IPM) DI KABUPATEN/KOTA JAWA BARAT ......................................................................................8

3.1 Pendahuluan ...............................................................................................................................................................................8

3.2 Pemilihan Model Estimasi Regresi Data Panel ..........................................................................................................................8

3.2.1 Uji Chow ..............................................................................................................................................................8

3.2.2 Uji Hausman .........................................................................................................................................................9

3.3 Pengujian Asumsi Klasik Regresi Data Panel ............................................................................................................................10

3.3.1 Normalitas ............................................................................................................................................................10

3.3.2 Multikoleniaritas ...................................................................................................................................................11

3.3.3 Heteroskedastisitas ...............................................................................................................................................12

3.3.4 Autokorelasi .........................................................................................................................................................13

3.4 Pengujian Parameter Regresi .....................................................................................................................................................13

3.4.1 Uji Keseluruhan (Overall) ....................................................................................................................................14

3.4.2 Uji Sebagian (Parsial)......................................................................................................................................14

3.5 Interpretasi Model .................................................................................................................................................................15

DAFTAR PUSTAKA ............................................................................................................................................................................16

LAMPIRAN .......................................................................................................................................................................................17

LAMPIRAN 1 .......................................................................................................................................................................................17

LAMPIRAN 2 .......................................................................................................................................................................................18

LAMPIRAN 3 .......................................................................................................................................................................................19

LAMPIRAN 4 .......................................................................................................................................................................................20

iii
 BAB I

PENDAHULUAN

1.1 Latar Belakang

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

𝑃̅𝐼𝑃𝑀 = ∑𝑡𝑘 = 1 𝐼𝑃𝑀𝑘+1 − 𝐼𝑃𝑀𝑘

dengan:

t = tahun

n = jauh periode tahun dari data tahun terakhir

𝑃̅𝐼𝑃𝑀 = Rata-rata pertumbuhan IPM

1.2 Identifikasi Masalah

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.

1.3 Maksud dan Tujuan

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.

1.5 Batasan Masalah

Penelitian yang akan dilakukan memiliki beberapa batasan masalah yaitu:

1. Data penelitian merupakan data Indeks Pembangunan Manusia (IPM), Produk

Domestik Regional Bruto per Kapita (PDRB per Kapita), Gini Rasio, dan Jumlah
Penduduk Miskin pada Kota/Kabupaten di Jawa Barat tahun 2010-2016
2. Varibel yang digunakan dalam penelitian ini adalah PDRB per Kapita, Gini Rasio,
dan Jumlah Penduduk Miskin sebagai variabel bebasnya dan IPM sebagai variabel
terikatnya.

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.

2.2. Analisis Regresi

Analisis Regresi merupakan suatu analisis yang digunakan untuk memodelkan
hubungan antara variabel dependen yang biasa dilambangkan Y dengan satu atau lebih
dari satu variabel independen yang biasa dilambangkan X. Analisis regresi dapat dilakukan
pada tiga jenis data, yaitu data time-series, cross-section, dan data panel. Secara umum
model regresi linear untuk sejumlah p variabel prediktor dan jumlah observasi sebesar n
dinyatakan sebagai berikut:

𝑦𝑖 = 𝛼 + ∑𝑝𝑘=1 𝛽𝑘 𝑥𝑘𝑖 + 𝜀𝑖 ; 𝑖 = 1,2, … , 𝑛

dengan:
yi = variabel respon dari observasi ke-i
α = intercept
βk = parameter koefisien regresi dari variabel prediktor ke-k
xki = variabel prediktor ke-k dari observasi ke-i
εi = kekeliruan model yang diasumsikan identik, independen, dan berdistribusi
normal dengan rata-rata nol dan varians konstan.

2.3 Data Panel

Data panel merupakan gabungan antara data time-series dan data cross-section. Data
jenis ini dapat menyajikan efek dari variabel yang terdapat dalam model serta efek
perubahan waktu tiap periode. (Gujarati, 2004).

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.

2.3. Analisis Regresi Data Panel

Regresi data panel dirumuskan untuk membentuk satu model yang dapat melihat
pengaruh variabel prediktor terhadap variabel respon pada berbagai unit cross sectional
maupun time series. Secara umum terdapat dua pendekatan yang digunakan dalam
menduga model dari data panel yaitu model tanpa pengaruh individu (common effect) dan
model dengan pengaruh individu (fixed effect dan random effect).

2.3.1. Common Effect

Model Common Effect adalah pendugaan yang menggabungkan (pooled)
seluruh data time series dan cross section dan menggunakan pendekatan OLS
(Ordinary Least Square) untuk menduga parameternya, (Baltagi, 2005). Persamaan
modelnya dapat dituliskan sebagai berikut:
𝑦𝑖 = 𝛼 + 𝛽𝑥𝑖𝑡 + 𝜀𝑖𝑡 ; 𝑖 = 1,2, … , 𝑛
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 pada unit observasi ke-i dan waktu ke-t.

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.

2.3.3. Random Effect

Berbeda dengan fixed effects model, efek spesifik dari masing-masing
individu diperlakukan sebagai bagian dari komponen error yang bersifat acak dan
tidak berkorelasi dengan variabel penjelas yang teramati. Perbedaan karakteristik
individu dan waktu diakomodasikan pada error dari model. Mengingat ada dua
komponen yang mempunyai kontribusi pada pembentukan error, yaitu individu dan
waktu, maka random error pada random effect juga perlu diurai menjadi error
komponen waktu dan gabungan.
Persamaan modelnya dapat dituliskan sebagai berikut:
𝑦𝑖 = 𝛼𝑖 + 𝛽𝑥𝑖𝑡 + 𝑢𝑖 + 𝜀𝑖𝑡 ; 𝜀𝑖𝑡 = 𝑢𝑖 + 𝑣𝑡 + 𝑤𝑖

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.

3.2 Pemilihan Model Estimasi Regresi Data Panel

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.

3.2.1. Uji Chow

Uji ini digunakan untuk memilih salah satu model pada regresi data panel, yaitu
antara model efek tetap (fixed effect model) dengan model koefisien tetap (common
effect model). Prosedur pengujiannya sebagai berikut (Baltagi, 2005).
Hipotesis:
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑛 = 0 (efek unit cross section secara keseluruhan tidak berarti)
𝐻1 : minimal ada satu 𝛼𝑖 ≠ 0 ; 𝑖 = 1,2, … , 𝑛 (efek wilayah berarti)
Statistik uji:
[𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆/(𝑛−1)
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝑈𝑅𝑆𝑆 ⁄(𝑛𝑇−𝑛−𝐾)

dengan:

n : Jumlah individu (cross section)

T : Jumlah periode waktu (time series)

K : Jumlah variabel penjelas

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

model yang terpilih adalah model efek tetap.

3.2.2. Uji Hausman

Uji ini digunakan untuk memilih model efek acak (random effect model) dengan
model efek tetap (fixed effect model). Uji ini bekerja dengan menguji apakah terdapat
hubungan antara galat pada model (galat komposit) dengan satu atau lebih variabel
penjelas (independen) dalam model.
Dalam perhitungan statistik Uji Hausman diperlukan asumsi bahwa banyaknya
kategori cross section lebih besar dibandingkan jumlah variabel independen (termasuk
konstanta) dalam model. Lebih lanjut, dalam estimasi statistik Uji Hausman diperlukan
estimasi variansi cross section yang positif, yang tidak selalu dapat dipenuhi oleh model.
Apabila kondisi-kondisi ini tidak dipenuhi maka hanya dapat digunakan model fixed
effect. Prosedur pengujiannya sebagai berikut. (Baltagi, 2008).
Hipotesis:
H0 : Korelasi (xit , εit ) = 0
(efek cross sectional tidak berhubungan dengan regresor lain)
H1 : Korelasi (xit , εit ) ≠ 0
(efek cross sectional berhubungan dengan regresor lain)

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.

3.3 Pengujian Asumsi Klasik Regresi Data Panel

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:

H0 : Residual berdistribusi normal

H1 : Residual tidak berdistribusi normal

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

Heteroskedastisitas dapat mengakibatkan pendugaan parameternya tidak efisien

sehingga tidak mempunyai ragam yang minimum. Salah satu usaha untuk mengatasi

heteroskedastisitas ini dapat dilakukan dengan mentransformasikan variabel-

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

bergantung pada pengetahuan kita tentang variabel mana yang menyebabkan

heteroskedastisitas. Langkah analisanya sebagai berikut:

H0 : Homoskedastisitas

H1 : Heteroskedastisitas

Statistik Uji :

Uj Breuch-Pagan

Θ = ½ SSRi

dengan:

Ui didapat dari estimasi regresi yang telah dilakukan.

σ2 =∑ µi2/n

Pi = µi2/ σ2

Regresi Pi2 = g0 + g1 Z1i + g1 Z1i + … + gm Zmi + Vi

Kriteria Uji :

Tolak H0 jika Θ > χ2tabel dengan df = m-1 atau p-value < α

Penanggulangan jika terjadi heteroskedastisitas dapat dilakukan dengan metode

white’s heteroscedasticity-corrected standard error atau dikenal dengan robust

standard error (White, 1980).

12
 3.2.4. Autokorelasi

Uji Autokorelasi digunakan untuk mengetahui ada atau tidaknya

penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara
residual pada satu pengamatan dengan pengamatan lain pada model regresi. Cara
pengamatan autokorelasi dapat dilakukan dengan Durbin-Watson test.

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.

3.4. Pengujian Parameter Regresi

Pengujian parameter ini bertujuan untuk memastikan apakah variabel prediktor
memang berpengaruh pada terhadap variabel respon, baik secara keseluruhan maupun
parsial. Berikut pengujian keseluruhan maupun parsial yang dapat dilakukan.

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)

3.4.2 Uji Sebagian (Parsial)

Uji parameter secara parsial merupakan pengujian terhadap koefisien regresi
secara individual, untuk melihat pengaruh dari masing-masing variabel prediktor
terhadap variabel respon.
Hipotesis
H0 : βk = 0 (tidak terdapat efek variabel ke-k terhadap IPM)
H1 : βk ≠ 0 (terdapat efek variabel ke-k terhadap IPM)

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

3.5 Interpretasi Model

Setelah dilakukan beberapa tahapan untuk membuat model regresi data panel yaitu:

1. Uji Pemilihan model terbaik menggunakan Uji Chow, dan Uji Hausman

2. Pemeriksaan persamaan model regresi data panel terbaik.

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.

Maka selanjutnya model yang telah terbentuk diinterpretasikan dengan mengambil

kesimpulan apakah variabel bebas yang diduga berpengaruh benar-benar berpengaruh
secara signifikan. Kemudian bagaimana model yang terbentuk untuk mengestimasi Indeks
Pembangunan Manusia (IPM) Kota/Kabupaten di Jawa Barat dan tentu saja seberapa besar
kontribusi variabelnya ditunjukkan oleh angka pada parameternya (β).

15
 DAFTAR PUSTAKA

Badan Pusat Statistik Jawa Barat. 2017. Berita Resmi Statistik Indeks Pembangunan Manusia
(IPM) Tahun 2016.

Baltagi, B. H. (2005). Econometrics, Third Edition. Verlag Berlin Heidelberg: Springer.

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

Indeks Pembangunan Manusia (IPM) Kota/Kabupaten di Jawa Barat

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

Gini Rasio Kota/Kabupaten di Jawa barat Tahun 2010-2016

Gini Rasio
No Wilayah Jawa Barat
2010 2011 2012 2013 2014 2015 2016
1 Bogor 0.41 0.41 0.42 0.42 0.39 0.42 0.40
2 Sukabumi 0.26 0.30 0.35 0.35 0.32 0.36 0.33
3 Cianjur 0.31 0.29 0.33 0.33 0.28 0.28 0.36
4 Bandung 0.30 0.36 0.36 0.36 0.37 0.40 0.40
5 Garut 0.31 0.30 0.34 0.34 0.33 0.31 0.35
6 Tasikmalaya 0.31 0.37 0.33 0.33 0.29 0.30 0.30
7 Ciamis 0.31 0.31 0.31 0.31 0.31 0.33 0.33
8 Kuningan 0.28 0.33 0.36 0.36 0.37 0.34 0.33
9 Cirebon 0.31 0.27 0.36 0.36 0.28 0.33 0.36
10 Majalengka 0.31 0.31 0.39 0.39 0.34 0.35 0.36
11 Sumedang 0.28 0.33 0.37 0.37 0.33 0.35 0.37
12 Indramayu 0.27 0.28 0.29 0.29 0.28 0.29 0.26
13 Subang 0.29 0.28 0.33 0.33 0.31 0.33 0.35
14 Purwakarta 0.31 0.34 0.39 0.39 0.37 0.35 0.36
15 Karawang 0.29 0.33 0.34 0.34 0.30 0.34 0.34
16 Bekasi 0.34 0.33 0.36 0.36 0.33 0.35 0.31
17 Bandung Barat 0.30 0.29 0.37 0.37 0.33 0.34 0.36
18 Kota Bogor 0.35 0.39 0.45 0.45 0.36 0.47 0.43
19 Kota Sukabumi 0.35 0.34 0.40 0.40 0.36 0.43 0.42
20 Kota Bandung 0.35 0.41 0.42 0.42 0.48 0.44 0.44
21 Kota Cirebon 0.34 0.38 0.41 0.41 0.40 0.41 0.40
22 Kota Bekasi 0.29 0.37 0.37 0.37 0.33 0.41 0.39
23 Kota Depok 0.32 0.36 0.40 0.40 0.37 0.40 0.40
24 Kota Cimahi 0.29 0.34 0.37 0.37 0.39 0.40 0.42
25 Kota Tasikmalaya 0.34 0.37 0.40 0.40 0.37 0.49 0.42
26 Kota Banjar 0.36 0.37 0.39 0.39 0.32 0.42 0.37

18
 LAMPIRAN 3

Jumlah Penduduk Miskin pada Kota/Kabupaten di Jawa barat Tahun 2010-2016

Jumlah Penduduk Miskin*

No Wilayah Jawa Barat
2010 2011 2012 2013 2014 2015 2016
1 Bogor 477 470,5 451 499,1 479,1 487,1 490,8
2 Sukabumi 249,6 246,1 234,6 222,8 213,6 217,86 198,66
3 Cianjur 311 306,6 292,2 267,9 256,6 273,9 261,39
4 Bandung 296,3 292,2 279,5 271,7 266,8 281,04 272,65
5 Garut 335,6 330,9 315,8 320,9 315,6 325,67 298,52
6 Tasikmalaya 214,6 211,6 201,5 199,3 194,8 208,12 195,61
7 Ciamis 158,5 156,3 147,8 133 130 104,87 98,77
8 Kuningan 152,4 150,3 142,3 139,4 133,6 147,21 144,07
9 Cirebon 333,3 328,6 311,3 307,2 300,5 313,21 288,49
10 Majalengka 181,1 178,6 168,6 164,9 158 167,5 152,5
11 Sumedang 141,4 139,4 132,9 127,4 122 129,03 120,6
12 Indramayu 276 272,1 257,3 251,1 240,7 253,12 237
13 Subang 198,3 195,5 185,4 185,4 177,9 187,17 170,37
14 Purwakarta 90,3 89 85 83,6 80,3 83,94 83,55
15 Karawang 260,3 256,7 245,1 238,6 229 235,03 230,6
16 Bekasi 161,8 159,5 153,1 157,7 156,6 169,2 164,41
17 Bandung Barat 222,9 219,8 209,9 206 197,9 205,69 192,48
18 Kota Bogor 90,2 88,9 84,8 83,3 80,1 79,15 77,28
19 Kota Sukabumi 27,7 27,3 26 25,2 24,1 27,84 27,51
20 Kota Bandung 118,6 116,9 111,4 117,7 115 114,12 107,58
21 Kota Cirebon 35,5 35 33,2 31,9 30,6 31,74 30,15

22 Kota Bekasi 148 145,9 139,8 137,8 139,7 146,94 140,03

23 Kota Depok 49,6 48,9 47 45,9 47,5 49,97 50,56
24 Kota Cimahi 40,1 39,5 37,7 32,3 31,8 34,09 35,07
25 Kota Tasikmalaya 131,6 129,8 123 112,2 104,6 106,78 102,79
26 Kota Banjar 14,9 14,7 13,9 12,8 12,7 13,42 12,74

*dalam ribu jiwa

19
 LAMPIRAN 4

Produk Domestik Regional Bruto (PDRB) per Kapita Kota/Kabupaten di Jawa Barat

Wilayah PDRB Per Kapita*

No
Jawa Barat 2010 2011 2012 2013 2014 2015 2016
1 Bogor 19 21,13314 23,7189 26,12067 28,37672 30,78855 31,3455
2 Sukabumi 12,127 13,19142 14,18407 15,97328 17,54895 19,281 20,7986
3 Cianjur 9,007217 9,885903 10,7426 11,91465 12,93951 14,42185 15,8657
4 Bandung 15,11074 16,45343 17,97946 19,92583 22,0066 24,2757 26,034
5 Garut 10,51271 11,47082 12,258 13,46203 14,67991 15,96143 16,5783
6 Tasikmalaya 9,393048 10,33131 11,12594 12,36702 13,4446 14,79025 15,8856
7 Ciamis 12,07705 13,37368 14,60031 16,16219 17,55049 19,58294 21,1345
8 Kuningan 9,590267 10,54868 11,53068 12,90708 14,297 16,09998 17,9982
9 Cirebon 10,51598 11,56263 12,66379 14,05144 15,44287 16,81368 17,6831
10 Majalengka 11,17143 12,19734 13,47206 14,98771 16,31619 17,97561 18,4789
11 Sumedang 13,3325 14,76699 16,22683 18,00737 19,74699 21,83115 22,7543
12 Indramayu 29,0937 32,74093 35,69593 37,85103 40,2045 38,66072 39,3982
13 Subang 13,67453 15,26677 15,56866 16,52266 17,72194 19,16059 20,3465
14 Purwakarta 32,60833 35,76559 40,19987 45,22173 49,99008 54,40682 55,2891
15 Karawang 46,47049 52,1021 56,5049 63,64339 69,47124 73,50604 74,2124
16 Bekasi 58,09354 62,25916 65,24128 68,64148 72,88074 75,7995 76,7457
Bandung
12,69459 13,80932 15,40409 17,2352 19,05877 20,85349 21,4573
17 Barat
18 Kota Bogor 19,59716 21,2596 23,36983 25,74713 28,27847 30,87699 31,6574
Kota
17,67999 19,43905 21,1104 23,44173 25,84357 28,18027 29,5672
19 Sukabumi
Kota
42,35115 47,42511 53,99191 61,7426 69,8941 78,9085 79,5568
20 Bandung
Kota
34,42532 37,7674 41,10953 45,11336 49,37096 54,31705 55,6589
21 Cirebon
22 Kota Bekasi 17,52196 19,01026 20,69129 22,45373 24,2608 26,09594 27,4536
23 Kota Depok 15,15247 16,23242 17,59191 19,68584 21,5421 23,05356 24,5563
24 Kota Cimahi 24,87898 26,94132 29,32229 32,19894 35,52364 38,60545 39,7843
Kota
14,51829 15,70183 17,09646 18,86511 20,8062 23,17056 24,3756
25 Tasikmalaya
26 Kota Banjar 11,48015 12,69174 13,79856 15,35548 16,68022 18,35785 19,2253

*dalam juta rupiah

20