Anda di halaman 1dari 61

MODEL PANEL SAR PADA DATA KEMISKINAN DI

PROVINSI JAWA TENGAH

Disusun Oleh:
Antoni Ahmat (G151150091)
Yepni Misdalipa (G151150121)
Ira Rosianal Hikmah (G151150341)

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

i
KATA PENGANTAR

Puji dan syukur penulis ucapkan ke hadirat Allah subhanahu wa ta’ala atas segala
karunia-Nya sehingga penulis dapat menyelesaikan laporan yang berjudul MODEL PANEL
SAR PADA DATA KEMISKINAN DI PROVINSI JAWA TENGAH. Tidak lupa shalawat
dan salam selalu dicurahkan kepada junjungan Nabi Muhammad SAW beserta para sahabat
dan umatnya sampai akhir zaman.
Penulisan laporan ini disusun sebagai salah satu syarat untuk memenuhi tugas akhir
Mata Kuliah Statistika Spasial. Laporan ini berisi tentang konsep tentang analisis data panel
spasial dan penerapannya pada data yang ada di lapangan sebagai bentuk pengejawantahan
atas ilmu yang diperoleh selama perkuliahan Statistika Spasial.
Penulis menyadari, masih banyak kekurangan yang terdapat dalam laporan ini. Oleh
karena itu, kritik dan saran yang membangun akan sangat berguna bagi penulis dalam
penulisan ilmiah selanjutnya.

Bogor, Januari 2017

Penulis

ii
DAFTAR ISI

KATA PENGANTAR .......................................................................................................... ii


DAFTAR ISI........................................................................................................................ iii
DAFTAR GAMBAR ........................................................................................................... iv
DAFTAR TABEL .................................................................................................................v
DAFTAR LAMPIRAN ....................................................................................................... vi
BAB 1 PENDAHULUAN
1.1. Latar Belakang .......................................................................................................1
1.2. Tujuan.....................................................................................................................3
BAB 2 TINJAUAN PUSTAKA
2.1. Definisi Kemiskinan ...............................................................................................4
2.2. Analisis Data Panel ................................................................................................5
2.2.1. Model Gabungan ..........................................................................................5
2.2.2. Model Pengaruh Tetap .................................................................................6
2.2.3. Model Pengaruh Acak ..................................................................................6
2.2.4. Uji Chow ......................................................................................................7
2.2.5. Uji Hausman .................................................................................................7
2.2.6. Uji Breusch-Pagan ........................................................................................8
2.3. Analisis Spasial ......................................................................................................8
2.3.1. Matriks Pembobot Spasial ..........................................................................9
2.3.2. Otoregresi Spasial.....................................................................................11
2.4. Analisis Data Panel Spasial ..................................................................................12
2.4.1. Model Panel dengan GSM .......................................................................12
2.4.2. Model Panel dengan SEM ........................................................................13
2.4.3. Model Panel dengan SAR ........................................................................13
2.5. Penduga Maximum Likelihood ............................................................................14
BAB 3 METODOLOGI PENELITIAN
3.1 Data ......................................................................................................................16
3.2 Metode Analisis ....................................................................................................16
BAB 4 PEMBAHASAN
4.1 Eksplorasi Data.....................................................................................................17
4.2 Analisis Data Panel ..............................................................................................21
4.3 Analisis Spasial ....................................................................................................25

iii
4.4 Analisis Data Panel Spasial ...................................................................................29
4.4.1. Pendugaan Parameter Data Panel dengan Regresi Spasial ........................30
4.4.2. Evaluasi Model ...........................................................................................32
BAB 5 KESIMPULAN .......................................................................................................33
DAFTAR PUSTAKA ..........................................................................................................34
LAMPIRAN.........................................................................................................................36

iv
DAFTAR GAMBAR

Gambar 4.1 Jumlah penduduk miskin (Ribu jiwa) Kabupaten di Provinsi Jawa Tengah
periode 2006-2015 .......................................................................................................17
Gambar 4.2 Garis Kemskinan (Rupiah/kapita/bulan) Kabupaten di Provinsi Jawa Tengah
periode 2006-2015 .......................................................................................................17
Gambar 4.3 Persentase penduduk miskin Kabupaten di Provinsi Jawa Tengah periode 2006
2015 .........................................................................................................................18
Gambar 4.4 Indeks Keparahan Kemiskinan Kabupaten di Provinsi Jawa Tengah periode
2006-2015 ....................................................................................................................18
Gambar 4.5 Indeks Kedalaman Kemiskinan Kabupaten di Provinsi Jawa Tengah periode
2006-2015 ....................................................................................................................18
Gambar 4.6 Scatterplot antara peubah respon dengan peubah penjelas ...............................19
Gambar 4.7 Koefisien korelasi antar peubah penjelas dengan peubah respon .....................20
Gambar 4.8 Peta Jumlah Penduduk Miskin (Ribu Jiwa) Kab/Kota di Provinsi Jawa Tengah
Tahun 2015 ..................................................................................................................25
Gambar 4.9. Peta Garis Kemiskinan (Rp/Kapita/Bulan) Kab/Kota di Provinsi Jawa Tengah
Tahun 2015 ..................................................................................................................26
Gambar 4.10 Peta Persentase Penduduk Miskin Kab/Kota di Provinsi Jawa Tengah
Tahun 2015 ..................................................................................................................26
Gambar 4.11 Peta Indeks Keparahan Kemiskinan (Persen) Kab/Kota di Provinsi Jawa Tengah
Tahun 2015 ..................................................................................................................27
Gambar 4.12 Peta Indeks Kedalaman Kemiskinan (Persen) Kab/Kota di Provinsi Jawa
Tengah Tahun 2015 .....................................................................................................28

DAFTAR TABEL
Tabel 3.1 Peubah dalam penelitian ....................................................................................16
Tabel 4.1 Nilai Korelasi Antar Peubah ..............................................................................20
Tabel 4.2 Hasil Uji Breusch-Pagan ....................................................................................21
Tabel 4.3 Hasil Pendugaan Model Pengaruh Tetap ...........................................................22
Tabel 4.4 Hasil Pendugaan Model Pengaruh Acak ............................................................22
Tabel 4.5 Hasil Pendugaan Model Pengaruh Gabungan ....................................................23
Tabel 4.6 Hasil pendugaan model pengaruh gabungan tanpa X2 ......................................23

v
Tabel 4.7 Hasil Uji Chow...................................................................................................24
Tabel 4.8 Hasil Uji Hausman .............................................................................................24
Tabel 4.9 Hasil uji otokorelasi spasial ...............................................................................29
Tabel 4.10 Pendugaan parameter model panel GSM ...........................................................30
Tabel 4.11 Pendugaan parameter model panel GSM (tanpa X1) .........................................30
Tabel 4.12 Pendugaan parameter model panel SEM ............................................................31
Tabel 4.13 Pendugaan parameter model panel SEM (tanpa X1) .........................................31
Tabel 4.14 Pendugaan parameter model panel SAR.............................................................31
Tabel 4.15 Pendugaan parameter model panel SAR (tanpa X1) ..........................................32
Tabel 4.16 Evaluasi model ...................................................................................................32

DAFTAR LAMPIRAN

Lampiran 1 Data Kemiskinan Provinsi Jawa Tengah ...........................................................36


Lampiran 2 Peta Provinsi Jawa Tengah ................................................................................47
Lampiran 3 Matriks Pembobot Kebalikan Jarak ..................................................................47
Lampiran 4 Sintaks R............................................................................................................50

vi
BAB 1
PENDAHULUAN

1.1. Latar Belakang

Indonesia merupakan sebuah negara berkembang dengan jumlah penduduk terbanyak


keempat di dunia. Sebagai negara berkembang, salah satu permasalahan yang sulit untuk
diselesaikan oleh Indonesia adalah masalah kemiskinan. Sejak dulu, permasalahan
kemiskinan menjadi fokus perhatian bagi pemerintah. Sejumlah program dan kebijakan-
kebijakan telah dilaksanakan untuk menekan serta mengurangi angka kemiskinan. Namun
sampai saat ini, jumlah penduduk miskin di Indonesia masih cukup tinggi.
Data Badan Pusat Statistik (BPS) yang dirilis pada September 2015 menyatakan
jumlah penduduk miskin di Indonesia sebanyak 28,51 juta jiwa. Angka ini mengalami sedikit
penurunan dibandingkan data yang dirilis tiga tahun sebelumnya dimana jumlah penduduk
miskin mencapai 28,59 juta jiwa. Hal ini menunjukkan bahwa penurunan jumlah penduduk
miskin relatif landai atau tidak signifikan. Kondisi ini cukup beralasan menngingat keadaan
ekonomi negara yang tidak stabil di tengah naiknya harga-harga kebutuhan pokok yang
menjadikan daya beli masyarakat menurun.
BPS menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic needs
approach) untuk mengukur kemiskinan. Dengan pendekatan ini, kemiskinan dipandang
sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan
non makanan yang diukur dari sisi pengeluaran. Jadi penduduk miskin adalah penduduk yang
memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan. Selain itu,
faktor lain yang menjadi alat ukur BPS untuk menghitung jumlah penduduk miskin yaitu
persentase penduduk miskin (%), Indeks Keparahan Kemiskinan (%), dan Indeks Kedalaman
Kemiskinan (%).
Data yang terdiri dari beberapa objek yang diamati pada satu waktu disebut dengan
data lintas individu (cross section). Sedangkan data yang dikumpulkan dari beberapa waktu
untuk satu objek saja disebut dengan data deret waktu (time series). Penggunaan data
terkadang tidak cukup dengan menggunakan informasi yang diberikan oleh data cross section
atau data time series saja. Penggabungan keduanya mampu mengendalikan keragaman
individu. Selain itu juga mampu memberikan data yang lebih informatif, antar peubah

1
memiliki hubungan (multikolinieritas) yang rendah serta lebih efisien. Penggabungan data
cross section dan data time series ini disebut dengan data panel (Baltagi, 2005).
Pada penelitian ini, objek data yang diperoleh dari BPS adalah lokasi. Seringkali
model regresi data panel diterapkan pada beberapa wilayah sehingga galat/error yang
dihasilkan menjadi heterogen akibat keterkaitan antar wilayah (otokorelasi spasial). Kondisi
seperti ini mengakibatkan perlu dilakukan pertimbangan terhadap analisis kebergantungan
spasial (LeSage, 1999). Sebagai gambaran, salah satu alat pengukuran jumlah penduduk
miskin adalah Indeks Keparahan Kemiskinan, dimana indeks ini memberikan gambaran
mengenai penyebaran pengeluaran diantara penduduk miskin. Jika suatu daerah memiliki
indeks keparahan yang tinggi, maka daerah yang ada di sekitarnya juga akan tinggi, begitu
sebaliknya. Dengan demikian unsur lokasi atau spasial perlu dipertimbangkan.
Regresi spasial merupakan hasil pengembangan dari model linier klasik.
Pengembangan ini berdasarkan pada adanya pengaruh tempat atau spasial pada data yang
dianalisis (Anselin, 1988). Informasi mengenai posisi sangatlah penting karena
memungkinkan untuk mengetahui hubungan suatu elemen di suatu daerah dengan daerah lain
yang saling berdekatan. Dengan melihat kondisi diatas dapat disimpulkan bahwa selain data
panel, data kemiskinan memiliki unsur spasial di dalamnya. Dalam menganalisis data yang
mengandung unsur spasial, maka analisis data tidak akan akurat jika hanya menggunakan
analisis regresi sederhana (Anselin, 1988). Jika menggunakan analisis regresi sederhana maka
akan terjadi kesalahan asumsi seperti nilai residual yang berkorelasi dengan yang lain serta
ragamnya tidak konstan. Sementara jika hanya menggunakan regresi panel saja tanpa
memasukkan unsur spasial akan menghasilkan galat/error yang heterogen yang diakibatkan
keterkaitan antar wilayah (otokorelasi spasial).
Oleh karena itu, dibutuhkan metode pengolahan data yang dapat mengakomodasi hal
tersebut, dalam hal ini adalah regresi panel spasial. Sebelumnya Halim et al (2008) telah
menggunakan regresi spasial untuk memodelkan harga jual apartemen di Surabaya. Selain itu
Anggraeni (2012) menggunakan analisis panel spasial untuk menganalisis faktor yang
mempengaruhi kemiskinan di provinsi Sumatera Selatan. Sementara Meilliana et al (2013)
menggunakan regresi panel untuk menganalisis faktor-faktor yang mempengaruhi IPM di
provinsi Jawa Timur.
Provinsi Jawa Tengah merupakan salah satu provinsi di pulau Jawa dimana diketahui
bahwa pusat ekonomi terpusat di pulau ini. Menurut data BPS tahun 2012 diketahui jumlah
penduduk miskin di Provinsi Jawa Tengah sebanyak 4.86 juta jiwa. Walau secara proporsi
Jawa Tengah bukanlah yang tertinggi, namun berdasarkan kuantitasnya merupakan yang

2
terbesar kedua di Indonesia setelah provinsi Jawa Timur. Hal ini cukup beralasan mengingat
jumlah penduduk di Jawa Tengah merupakan yang terbanyak ketiga di pulau Jawa.
Metyopandi (2014) telah melakukan penelitian untuk memodelkan tingkat kemiskinan di
kabupaten/kota provinsi Jawa Timur. Oleh karena itu, penelitian ini akan memodelkan data
kemiskinan di kabupaten/kota provinsi Jawa Tengah. Hal ini perlu dianalisis lebih lanjut
mengenai faktor yang menyebabkan jumlah penduduk miskin di Jawa Tengah bertambah.
Dengan fakta-fakta tersebut, hasil yang ingin dicapai dari penelitian ini adalah pemodelan
jumlah penduduk miskin Provinsi Jawa Tengah dengan memperhatikan faktor-faktor yang
mempengaruhi baik dari segi ruang maupun waktu. Dengan pemodelan ini diharapkan dapat
diketahui faktor apa saja yang mempengaruhi jumlah penduduk miskin di Jawa Tengah.
Dengan hasil ini diharapkan dapat menjadi salah satu dasar pengambilan kebijakan bagi
pemerintah setempat untuk menekan angka kemiskinan.

1.2. Tujuan Penelitian

Tujuan dari penelitian ini adalah menerapkan analisis panel spasial untuk mengetahui
faktor-faktor yang mempengaruhi jumlah penduduk miskin di provinsi Jawa Tengah.

3
BAB 2
TINJAUAN PUSTAKA

2.1. Definisi Kemiskinan

Definisi kemiskinan telah mengalami perluasan, seiring dengan semakin kompleksnya


faktor penyebab, indikator maupun permasalahan lain yang melingkupinya. Kemiskinan tidak
lagi hanya dianggap sebagai dimensi ekonomi melainkan telah meluas hingga kedimensi
sosial, kesehatan, pendidikan dan politik. Menurut UNDP (United Nation Development
Programme) dalam Cahyat (2004), kemiskinan adalah ketidakmampuan untuk memperluas
pilihan-pilihan hidup, antara lain dengan memasukkan penilaian tidak adanya partisipasi
dalam pengambilan kebijakan publik sebagai salah satu indikator kemiskinan.
Menurut Badan Pusat Statistik, kemiskinan adalah ketidakmampuan dari sisi ekonomi
untuk memenuhi kebutuhan dasar makanan dan non makanan yang diukur dari sisi
pengeluaran. Jadi penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran
perkapita perbulan dibawah garis kemiskinan. Beberapa indikator yang dijadikan alat ukut
untuk menghitung angka kemiskinan adalah persentase penduduk miskin, garis kemiskinan,
Indeks Kedalaman Kemiskinan dan Indeks Keparahan Kemiskinan.
Garis Kemiskinan (GK) merupakan penjumlahan dari Garis Kemiskinan Makanan
(GKM) dan Garis Kemiskinan Non Makanan (GKNM). Penduduk yang memiliki rata-rata
pengeluaran perkapita per bulan dibawah Garis Kemiskinan dikategorikan sebagai penduduk
miskin. Garis Kemiskinan Makanan (GKM) merupakan nilai pengeluaran kebutuhan
minimum makanan yang disetarakan dengan 2100 kilokalori perkapita perhari. Paket
komoditi kebutuhan dasar makanan diwakili oleh 52 jenis komoditi (padi-padian, umbi-
umbian, ikan, daging, telur dan susu, sayuran, kacang-kacangan, buah-buahan, minyak dan
lemak, dll). Garis Kemiskinan Non Makanan (GKNM) adalah kebutuhan minimum untuk
perumahan, sandang, pendidikan dan kesehatan. Paket komoditi kebutuhan dasar non
makanan diwakili oleh 51 jenis komoditi di perkotaan dan 47 jenis komoditi di pedesaan.
Rumus perhitungan GK dinyatakan sebagai berikut:
GK = GKM + GKNM
dimana seseorang dikatakan miskin jika pengeluaran rata-rata per kapita per bulan kurang
dari GK (BPS 2016).
Indeks Keparahan Kemiskinan (Poverty Severity Index) memberikan gambaran
mengenai penyebaran pengeluaran diantara penduduk miskin. Semakin tinggi nilai indeks,

4
semakin tinggi ketimpangan pengeluaran diantara penduduk miskin. Sementara Indeks
Kedalaman Kemiskinan (Poverty Gap Index) merupakan ukuran rata-rata kesenjangan
pengeluaran masing-masing penduduk miskin terhadap garis kemiskinan. Semakin tinggi
nilai indeks, semakin jauh rata-rata pengeluaran penduduk dari garis kemiskinam

2.2. Analisis Data Panel

Data panel merupakan gabungan dari data deret waktu dan data lintas individu. Data
deret waktu merupakan data pengamatan dari satu atau lebih individu yang diamati pada
beberapa periode waktu tertentu dengan lag waktu pengamatan yang sama, sedangkan data
lintas individu merupakan data pengamatan dari satu atau lebih individu yang diamati pada
waktu yang bersamaan (Gujarati, 2004). Dengan demikian, data panel merupakan data lintas
individu yang diamati secara berulang baik pada satu atau lebih individu dalam beberapa
periode waktu tertentu dengan lag waktu pengamtan yang sama. Secara umum Baltagi (2005)
menyatakan persamaan umum dari analisis data panel adalah sebagai berikut;
yit  a  xit   i   it
i=1,2,...,N dan t=1,2,...,T
dimana
i = unit lintas individu
t = periode waktu
yit  respon individu ke-i pada periode ke-t
a  konstanta
  vektor berukuran k x 1; k menyatakan banyaknya peubah penjelas
xit  unit lintas individu pada amatan ke-i dan periode ke-t
i  pengaruh individu yang tidak terobservasi
 it  sisaan lintas individu pada amatan ke-i pada periode ke-t

2.2.1. Model Gabungan

Pada analisis data panel, model gabungan merupakan model yang tidak
memperhatikan pengaruh individu dan waktu. Model ini mengasumsikan koefisien regresi
(konstanta ataupun kemiringan) yang sama antar unit analisis dan waktu. Dengan kata lain,
model ini sama dengan model regresi linier biasa. Model yang digunakan juga mengikuti
bentuk regesi linier dengan komponen sisaannya hanya berasal dari pendugaan tanpa adanya
unsur pengaruh individu dan waktu, dimana modelnya adalah sebagai berikut;

5
yit  a  xit    it
i=1,2,...,N dan t=1,2,...,T
Pendugaan parameter dilakukan dengan menggunakan Metode Kuadrat Terkecil. Asumsi

pada model ini adalah sisaannya menyebar normal, bebas dan identik ( i ~ N (0,  )) .
2

2.2.2. Model Pengaruh Tetap

Model pengaruh tetap ini sesuai jika digunakan dalam mengamati sejumlah N
individu dan kesimpulan akhir dibatasi hanya pada perilaku dari segugus data yang diamati.
Pendugaan parameter menggunakan MKT dengan teknik within. Menurut Baltagi (2005)
untuk fungsi regresi dari model tetap ini adalah
k
yit  a    j x jit  i   it (1)
j 1

Jika persamaan (1) dirata-ratakan sepanjang waktu t maka akan menjadi


yi.  a  xi.  i   i. (2)
Kemudian selisihkan persamaan (1) dan (2) sehingga diperoleh
yit  yi.  a  ( xit  xi. )  ( it   i. ) (3)

y*it  x*it    it*


Misal y*it  yit  yi. x*it  ( xit  xi. ),  it* =( it   i. ) maka persamaan (3) menjadi

Selain teknik within, pada model pengaruh tetap juga dikenal adanya teknik dengan
menggunakan penambahan peubah boneka didalamnya atau biasa dikenal dengan least
squares dummy variables (LSDV). Model ini juga diduga dengan menggunakan MKT dan
untuk nilai pengamatan pada koefisien peubah 𝜇𝑖 berupa peubah boneka (dummy) yang
mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda baik pada unit lintas
individu maupun deret waktu (Baltagi 2005).

2.2.3. Model Pengaruh Acak

Menurut Baltagi (2005) model pengaruh acak merupakan spesifikasi model yang
sesuai jika kita mengambil N individu secara acak dari populasi yang besar. Pendugaan
parameter dengan menggunakan MKT akan menghasilkan penduga yang bias dan tidak
efisien, sehingga penggunaan metode Generalized Least Square dilakukan dalam pendugaan

6
pada model ini. Persamaan untuk model pengaruh acak menurut Gujarati (2004) adalah
sebagai berikut
k
yit  1i    j x jit   it (4)
j 2

1i  1  i (5)
Dengan mensubstitusi persamaan (5) ke (4) diperoleh model sebagai berikut;
k
yit  1    j x jit  i   it (6)
j 2
k
yit  1    j x jit   it (7)
j 2

 it  i   it (8)

 ~ N (0,  2 ), E ( i , X it )  0
Adapun asumsi untuk model diatas adalah  i ~ N (0,   ) , i
2

2.2.4. Uji Chow

Uji Chow digunakan untuk menguji signifikansi antara model gabungan dan model
pengaruh tetap. Hipotesis awal (H0) pada uji Chow adalah tidak terdapat pengaruh individu
terhadap model (model mengikuti model gabungan) dan hipotesis tandingannya (H1) adalah
terdapat satu atau lebih pengaruh individu terhadap model (model mengikuti model pengaruh
tetap). Statistik uji yang digunakan adalah :

( RRSS  URSS ) / ( N  1)
F0 
URSS / ( NT  N  K )
dimana RRSS (Restricted Residual Sums of Square) diperoleh dari jumlah kuadrat galat hasil
pendugaan model gabungan dan URSS (Unrestricted Residual Sums of Square) diperoleh
dari jumlah kuadrat galat hasil pendugaan model pengaruh tetap. Keputusan tolak H0 jika F0
> FN-1,N(T-1)-K atau jika nilai-p < α (Baltagi 2005).

2.2.5. Uji Hausman

Uji Hausman digunakan untuk menguji signifikansi antara model pengaruh acak
dengan model pengaruh tetap. Secara hipotesis bahwa pada suatu populasi, jika individu
diambil secara acak sebagai contoh maka dugaan model data panel adalah model pengaruh

7
acak, namun bila individu yang digunakan merupakan keseluruhan individu dari populasi
tersebut maka cenderung menggunakan model pengaruh tetap.
Hipotesis awal (H0) yang digunakan pada uji ini adalah model mengikuti model
pengaruh acak dan hipotesis tandingannya (H1) adalah model mengikuti model pengaruh
tetap. Statistik uji yang digunakan adalah:
hit
2
 qˆ '[Var (qˆ )]1 qˆ

dengan

qˆ  ˆrandom  ˆ fixed
ˆrandom  vektor koefisien peubah penjelas dari model pengaruh acak
ˆ fixed  vektor koefisien peubah penjelas dari model pengaruh tetap

 hit
2
 (2k , )
Keputusan tolak H0 jika dengan k merupakan dimensi vektor β atau jika nilai-p <
α (Baltagi 2005).

2.2.6 Uji Breusch-Pagan

Menurut Rosadi (2011, 264) dalam Pangestika (2015) Uji Breusch-Pagan digunakan
untuk menguji adanya efek waktu, individu atau keduanya dengan hipotesis sebagai berikut:
Hipotesis:
H 0 : c  0, d  0 (tidak terdapat efek cross sec tion maupun waktu)
H 0c : c  0, d iid , N (0,  d2 ) (tidak terdapat efek cross sec tion )
H1c : c  0, d iid , N (0,  d2 ) (terdapat efek cross sec tion)
H 0d : d  0, c iid , N (0,  d2 ) (tidak terdapat efek waktu )
H1d : d  0, c iid , N (0,  d2 ) (terdapat efek waktu)
Statistik uji: Uji Breusch-Pagan
Dengan taraf signifikansi: 5% dimana wilayah kritiknya adalah tolak hipotesis awal jika nilai
p-value kurang dari taraf signifikansi yang ditentukan.

2.3. Analisis Spasial

Analisis spasial merupakan analisis yang memasukkan pengaruh spasial atau ruang ke
dalam model. Pada analisis spasial selalu ada korelasi antar ruang yang biasa disebut korelasi
spasial. Jadi tiap amatan tidak bebas stokastik (Ward & Gleditsch, 2008). Tipe data spasial

8
antara lain data titik, data garis, data poligon dan data latis. Data titik terbagi menjadi titik
diskret dan titik kontinu. Data garis misalkan peta jalan, sungai atau garis pantai. Data
poligon contohnya seperti peta kebun karena memiliki bentuk segi tidak beraturan. Kemudian
data latis misalkan peta provinsi yang di dalamnya terdapat kabupaten. Ruang-ruang ini
disebut sebagai lokasi (Purwaningsih, 2014).
Ada beberapa macam model spasial antara lain adalah model SAR, SEM dan GSM.
Model SAR memuat informasi otoregresi spasial sedangkan model SEM memuat informasi
otokorelasi antar error pada lokasi-lokasi yang menjadi objek penelitian. Ketika informasi
otoregresi dan otokorelasi error antar lokasi termuat dalam satu model, maka model ini
disebut model GSM. Pembentukan parameter otoregresi dan otokorelasi antar error melalui
proses yang cukup kompleks karena sebelum melakukan analisis, terlebih dahulu dilakukan
pembentukan matriks yang berisi nilai kebersinggungan antar lokasi, matriks ini disebut
dengan matriks pembobot spasial (Purwaningsih, 2014).

2.3.1. Matriks Pembobot Spasial

Matriks pembobot spasial (W) pada dasarnya merupakan matriks yang


menggambarkan hubungan antar wilayah dan diperoleh berdasarkan informasi jarak atau
ketetanggaan. Oleh karena matriks pembobot menunjukan hubungan antara keseluruhan
lokasi, maka dimensi dari matriks ini adalah , dimana adalah banyaknya lokasi atau
banyaknya unit lintas objek (Dubin, 2009). Diagonal dari matriks ini adalah sama dengan nol.
Sedangkan, merupakan elemen dari W yaitu elemen pada baris ke-i dan kolom ke-j, yaitu
menggambarkan hubungan lokasi ke-i dengan lokasi ke-j dengan jika lokasi ke-i
berhubungan dengan lokasi ke-j (Bara W, 2016). Beberapa pendekatan yang dapat dilakukan
untuk menampilkan hubungan spasial antar lokasi, diantaranya adalah konsep persinggungan
(contiguity) dan konsep jarak.
Konsep persinggungan (contiguity) atau konsep kebertetanggaan didasarkan pada
hubungan ketetanggaan secara geografis. Misalkan dengan 𝑖 adalah
matriks ketetanggaan dengan merepresentasikan elemen unit spasial i dan j. Berdasarkan
aturan dalam matriks contiguity, bernilai 1 jika antara dua unit spasial saling bertetangga
atau bersebelahan, dan bernilai 0 jika antara dua unit spasial saling tidak bertetangga (Dubin,
2009). Berikut ini beberapa tipe matriks contiguity :

9
a. Rook Contiguity
Didefinisikan sebagai :
jika lokasi ke-i dan ke-j memiliki persinggungan sisi
jika lainnya
b. Bishop Contiguity
Didefinisikan sebagai :
jika lokasi ke-i dan ke-j memiliki persinggungan sudut
jika lainnya
c. Queen Contiguity
Didefinisikan sebagai :
jika lokasi ke-i dan ke-j memiliki persinggungan sisi dan sudut
jika lainnya

Sedangkan pada konsep jarak, elemen-elemen dari matriks pembobot spasial


direpresentasikan dalam bentuk fungsi jarak. Pada prinsipnya, bobot jarak antara suatu lokasi
dengan lokasi di sekitarnya ditentukan oleh jarak antara kedua daerah tersebut. Semakin
pendek jarak antara lokasi maka bobot yang diberikan akan semakin besar. Hal ini
dikarenakan lokasi yang jaraknya berdekatan umumnya mempunyai karakteristik yang mirip,
berbeda dengan lokasi yang jaraknya jauh, umumnya karakteristik antar lokasi ini akan lebih
bervariasi sehingga bobot yang diberikan akan semakin kecil. Beberapa jenis penentuan
matriks pembobot berdasarkan konsep jarak adalah :
a. K-tetangga terdekat
Pada metode ini, peneliti dapat menentukan sendiri lokasi ke-j sebanyak k lokasi yang
merupakan lokasi terdekat di sekitar lokasi ke-i.
b. Invers dari jarak
Didefinisikan sebagai :
jika

jika lainnya
dengan,
D merupakan suatu batas dari jarak yang ditentukan.
merupakan jarak antara lokasi ke-i dan lokasi ke-j.
Setelah menentukan matriks pembobot spasal yang akan digunakan, selanjutnya
dilakukan normalisasi pada matriks pembobot spasial tersebut. Pada umumnya, untuk

10
normalisasi matriks digunakan normalisasi baris, yaitu matriks tersebut ditransformasi
sehingga jumlah dari masing-masing baris matriks sama dengan satu (Dubin, 2009).

2.3.2. Otokorelasi Spasial

Otokorelasi spasial (spatial autocorrelation) adalah suatu ukuran kemiripan dari


objek di dalam ruang. Definisi yang lain yaitu korelasi antara suatu peubah dengan dirinya
sendiri berdasarkan lokasi, berarti korelasi antara nilai di lokasi ke-i dengan nilai di lokasi ke-
j. Otokorelasi spasial dapat mengukur kemunculan suatu kejadian dalam unit lokasi yang
berdekatan. Otokorelasi spasial mengindikasikan bahwa nilai suatu peubah pada lokasi
tertentu dipengaruhi oleh nilai peubah tersebut pada lokasi yang lain yang letaknya
berdekatan. Masalah penting dalam analisis otokorelasi spasial adalah a) nilai suatu peubah di
daerah r ditentukan oleh peubah yang diukur di beberapa daerah sekelilingnya; dan b) peubah
di daerah r mempengaruhi nilai peubah di daerah sekelilingnya. Jika dari suatu peubah
ditemukan bentuk yang sistematis dalam otokorelasi spasialnya, maka peubah tersebut
dikatakan berotokorelasi secara spasial. Jika lokasi yang berdekatan mirip, maka lokasi
tersebut berotokorelasi spasial positif. Sebaliknya, jika lokasi atau daerah yang berdekatan
tidak mirip maka lokasi tersebut berotokorelasi spasial negatif. Sedangkan bentuk yang acak
mengindikasikan tidak terdapat otokorelasi spasial. Salah satu statistik yang umum digunakan
dalam otokorelasi spasial adalah statistik Moran’s I atau yang disebut juga dengan Indeks
Moran.
Indeks Moran Global didefinisikan sebagai :
n n

n
 w
i 1 j 1
ij ( y i  y )( y j  y )
I n n
 n

 wij
i 1 j 1
(y
i
i  y) 2

dengan,
Indeks Moran Global
Banyaknya lokasi
Nilai pengamatan pada lokasi ke-i, ke-j
̅ Rata-rata nilai pengamatan
pembobot yang diberikan antara lokasi ke-i dan lokasi ke-j.
Pengujian hipotesis untuk Indeks Moran Global adalah :
Hipotesis Uji:

11
(Tidak terdapat otokorelasi spasial)
(Terdapat otokorelasi spasial positif)
(Terdapat otokorelasi spasial negatif)
Statistik Uji:
I  E(I )
Z (I )   N (0,1)
 (I )
dengan,
n n

n
 w
i 1 j 1
ij ( y i  y )( y j  y )
I n n
 n

 wij
i 1 j 1
(y i
i  y) 2

1
E(I )  
(n  1)

n2  wij2  3( wij )2  n ( wij )2


 (I )  ij ij i j

(n  1)( wij )
2 2

ij

Kriteria Uji:
Tolak pada taraf signifikansi jika atau .

2.4. Analisis Data Panel Spasial

Analisis data panel spasial merupakan gabungan data lintas individu dan deret waktu
dengan memperhitungkan pengaruh spasial. Panel spasial merujuk pada data yang
mengandung pengamatan deret waktu pada jumlah unit-unit spasial (kode pos, kabupaten,
wilayah, negara dan sebagainya). Model regresi linear pada data panel yang terdapat interaksi
diantara unit-unit spasialnya, akan memiliki peubah spasial lag pada peubah respon yang
disebut model SAR (Spatial Autoregresive Model) atau peubah spasial proses pada galat yang
biasanya disebut model SEM (Spatial Error Model), sementara jika memiliki peubah spasial
lag dan galat disebut model GSM (General Spatial Model) (Elhorst, 2010). Fokus pada
model otoregresi spasial berhubungan dengan korelasi spasial pada peubah respon,
sedangkan pada model galat spasial fokusnya terdapat pada bentuk sisaan (Anselin, 2009).

2.4.1. Model Panel dengan GSM

12
Model panel dengan memasukkan unsur spasial baik di peubah otoregresif dan
sisaannya merupakan model panel spasial umum dimana Anselin (1988) menyatakannya
dalam bentuk sebagai berikut:

N
yit*   wij yit*  xit* β  i
j 1
N
i   wijit   it
j 1

 it N (0,  2 )
dimana
yit*  vektor peubah respon ukuran nx1
xit*  matrik peubah penjelas n x (p+1)
 =vektor koefisien parameter regresi beukuran (p+1) x 1
  koefisien parameter lag spasial
 = koefisien otoregresi galat/sisaan yang bernilai   1
it  vektor galat yang diasumsikan mengandung otokorelasi berukuran nx1
W=matrik pembobot spasial berukuran n x n

2.4.2. Model Panel dengan SEM

Pada model ini, fokusnya terdapat pada bentuk sisaannya. Model galat spasial
dinyatakan sebagai berikut:
𝜇

dengan adalah bentuk sisaan atau galat dari otokorelasi spasial dan adalah koefisien
otokorelasi spasial. Pendugaan parameter pada model ini menggunakan MLE (Elhorst, 2010).

2.4.3. Model Panel dengan SAR

Pada model ini, peubah respon bergantung pada pengamatan peubah respon pada unit-
unit tetangga. Model lag spasial (otoregresi spasial) dinyatakan sebagai berikut:

13
∑ 𝜇

dengan adalah koefisien otoregresi spasial dan adalah elemen pada matriks pembobot
spasial baris ke-i dan kolom ke-j. Pendugaan parameternya menggunakan MLE
(Elhorst,2010).

2.5. Pendugaan Maximum Likelihood

Dari model SAR diatas dapat dibangun fungsi kemungkinan bagi parameter  ,  ,  2
adalah sebagai berikut:
L(  ,  ,  2 ; y )  f ( y;  ,  ,  2 )
I  W  ( y  Wy  X  )T ( y  Wy  X  ) 
=
(2 ) n /2  n
exp  2 2  (9)
 
Pendugaan  ,  ,  2 diperoleh dengan memaksimalkan fungsi kemungkinan yang ekuivalen
dengan memaksimalkan logaritma dari fungsi kemungkinan pada persamaan (9)
l  ln L(  ,  ,  2 ; y )
 I  W  ( y  Wy  X  )T ( y  Wy  X  )  
= ln 
 
n /2 n
exp  2 2 
 (2 )  
n n ( y  Wy  X  )T ( y  Wy  X  )
  ln(2 )  ln  2  ln I  W 
2 2 2 2
n ( y  Wy  X  )T ( y  Wy  X  )
 C   ln  2  ln I  W  (10)
2 2 2
Untuk mendapatkan penduga bagi  dan  2 fungsi log kemungkinan akan bernilai
maksimum ketika suku terakhir dari persamaan (10) bernilai minimum, sehingga diperoleh
penduga untuk  dan  2 masing-masing adalah

ˆ  ( X T X )1 X T y  ( X T X ) 1 X T ˆWy
( y  ˆWy  X ˆ )T ( y  ˆWy  X ˆ )
ˆ 2 
n


 ( yi  yˆi )  SSE
2

n n
dengan y I adalah peubah respon pada lokasi ke-i, y I adalah nilai penduga peubah respon

pada lokasi i, n adalah banyak pengamatan, dan SS E adalah jumlah kuadrat galat.

14
Namun prosedur ini tidak dapat dilakukan untuk menduga  secara analitik karena
persamaan (10) merupakan model non linier tingkat tinggi pada parameternya dan tidak
terdapat solusi persamaan yang unik untuk persoalan memaksimalkan. Namun menurut Arbia
(2006), penduga untuk dapat diperoleh dengan cara sebagai berikut:
1. Regresikan antara y dan X . Lakukan pendugaan parameter dengan menggunakan MKT
sehingga diperoleh ˆMKT  ( X T X )1 X ' y .

2. Regresikan Wy dengan X . Lakukan pendugaan parameter dengan menggunakan MKT

sehingga diperoleh ˆlag  ( X T X )1 X 'Wy .

3. Hitung galat  MKT  y  X ˆMKT dan  lag  y  X ˆlag .

4. Hitung dugaan untuk  dengan memaksimalkan fungsi log kemungkinan parsial, yaitu:

N 1 
ln  C  ln  ( MKT   lag ) '( MKT   lag )  ln I  W 
2 N 
Pengujian hipotesis untuk penduga  diatas adalah H 0 :   0 dan hipotesis tandingannya

adalah H1 :   0 .

15
16
BAB 3
METODOLOGI PENELITIAN

3.1. Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh
dari Badan Pusat Statistik (BPS). Data panel yang digunakan berupa data jumlah penduduk
miskin, garis kemiskinan, persentase penduduk miskin, Indeks Keparahan Kemiskinan, dan
Indeks Kedalaman Kemiskinan di tiga puluh lima kabupaten/ kota yang ada di Provinsi Jawa
Tengah dengan periode waktu dari tahun 2006 sampai tahun 2015 yang dapat dilihat pada
lampiran 1 dengan keterangan peubah sebagai berikut:

Table 3.1 Peubah dalam Penelitian


Nama Peubah Satuan
Jumlah penduduk miskin (Y) Ribu jiwa
Garis kemiskinan (X1) Rupiah/kapita/bulan
Persentase penduduk miskin (X2) Persen
Indeks Keparahan Kemiskinan (X3) Persen
Indeks Kedalaman Kemiskinan (X4) Persen

3.2. Metode Analisis

Tahapan yang akan dilakukan dalam analisis data panel spasial adalah sebagai
berikut:
1. Eksplorasi Data
Eksplorasi data dilakukan untuk melihat karakteristik dari data secara umum.
2. Melakukan analisis data panel dengan menggunakan uji BP, uji Chow dan uji Hausman
3. Melakukan analisis spasial berupa eksplorasi peta tematik dan Indeks Moran.
4. Melakukan analisis data panel spasial berupa pendugaan parameter beserta
interpretasinya. Menduga parameter pada model data panel spasial dengan menggunakan
metode penduga kemungkinan maksimum (MLE).
5. Pemilihan model terbaik dengan melihat nilai R2 terbesar.

17
18
BAB 4
PEMBAHASAN

4.1. Eksplorasi Data

Eksplorasi data ini dilakukan untuk memberikan gambaran dan informasi yang berguna
dari data tanpa mengambil kesimpulan secara umum. Bentuk eksplorasi data pada penelitian
ini adalah dengan membuat grafik pergerakan peubah-peubah dari waktu ke waktu untuk tiap
kabupaten/ kota di Provinsi Jawa Tengah.

600

400

200

2006 2007 2008 2009 2010


2011 2012 2013 2014 2015

Gambar 4.1 Jumlah penduduk miskin (Ribu jiwa) Kabupaten


di Provinsi Jawa Tengah periode 2006-2015

450000
400000
350000
300000
250000
200000
150000
100000
50000
0

2006 2007 2008 2009 2010


2011 2012 2013 2014 2015

Gambar 4.2 Garis Kemiskinan (Rupiah/kapita/bulan) Kabupaten


di Provinsi Jawa Tengah periode 2006-2015

19
40
35
30
25
20
15
10
5
0
2006 2007 2008 2009 2010
2011 2012 2013 2014 2015

Gambar 4.3 Persentase penduduk miskin Kabupaten


di Provinsi Jawa Tengah periode 2006-2015

3.5
3
2.5
2
1.5
1
0.5
0
2006 2007 2008 2009 2010
2011 2012 2013 2014 2015

Gambar 4.4 Indeks Keparahan Kemiskinan Kabupaten


di Provinsi Jawa Tengah periode 2006-2015
10

0
2006 2007 2008 2009 2010
2011 2012 2013 2014 2015

Gambar 4.5 Indeks Kedalaman Kemiskinan Kabupaten


di Provinsi Jawa Tengah periode 2006-2015

20
Gambar-gambar diatas merupakan pola sebaran peubah-peubah yang dipakai dalam
penelitian. Dari gambar diatas, pengaruh waktu (time series) tidak begitu memberikan
pengaruh pada masing-masing peubah dimana nilai-nilai peubah di tiap kabupaten tidak jauh
berbeda tiap tahunnya, terutama jika dilihat dari peubah jumlah penduduk miskin. Hanya
pada tahun 2008 saja yang memiliki pola yang berbeda. Kondisi ini terlihat jelas pada peubah
indeks keparahan kemiskinan dan indeks kedalaman kemiskinan. Hal ini sangat beralasan
karena tahun 2008 terjadi krisis keuangan global dimana seluruh harga kebutuhan pokok
mengalami kenaikan tajam yang berdampak pada menurunnya daya beli masyarakat. Jadi
secara umum, pengaruh waktu tidak memberikan pengaruh nyata pada peubah-peubah yang
digunakan.
Selanjutnya, gambar berikut menunjukkan hubungan antara Y dengan masing-masing
dari X1, X2, X3, dan X4 dari tahun 2006-2015.

Scatterplot Y vs X1 X2 X3 X4
X1 X2
600

450

300

150

0
100000 200000 300000 400000 10 20 30
Y

X3 X4
600

450

300

150

0
0 1 2 30 2 4 6 8

Gambar 4.6 Scatterplot antara peubah respon dengan peubah penjelas

Pada scatterplot yang ditampilkan pada gambar 4.6, terlihat bahwa X1 mempunyai
korelasi negatif dengan peubah respon dimana plot-plotnya bergerak dari kiri atas ke kanan
bawah. Walaupun begitu, peubah garis kemiskinan memliki korelsi yang cukup kuat dengan
peubah respon. Sementara untuk ketiga peubah lainnya yakni peubah persentase penduduk
miskin (X2), indeks keparahan kemiskinan (X3) dan indeks kedalaman kemiskinan (X4)
memiliki korelasi positif yang kuat. Selanjutnya, grafik di bawah ini memberikan koefisien
korelasi antara peubah Y dengan setiap X pada tahun 2006 hingga 2015.

21
2015
2014
2013
2012
Y-X4
2011
Y-X3
2010
Y-X2
2009
Y-X1
2008
2007
2006

-0.4 -0.2 0 0.2 0.4 0.6 0.8 1

Gambar 4.7 Koefisien korelasi antar peubah penjelas dengan peubah respon

Pada grafik di atas terlihat bahwa keempat peubah memiliki pola hubungan yang
cukup berbeda dengan peubah respon, terutama peubah garis kemiskinan. Diantara keempat
peubah, ternyata peubah garis kemiskinan (X1) memberikan korelasi negatif di tiap tahunnya,
sementara peubah lainnya memberikan korelasi yang positif terhadap peubah jumlah
penduduk miskin. Dari keempat peubah penjelas, yang memberikan pengaruh paling
signifikan adalah peubah persentase penduduk miskin.
Selanjutnya, tabel berikut memberikan nilai korelasi antar peubah.

Tabel 4.1 Nilai Korelasi Antar Peubah


Peubah Y X1 X2 X3 X4
Y 1
X1 -0,31583 1
X2 0,727243 -0,49778 1
X3 0,582413 -0,4133 0,721737 1
X4 0,682481 -0,46363 0,832273 0,97353 1

Pada Tabel 4.1 terlihat adanya hubungan yang cukup erat antar peubah penjelas yaitu
garis kemiskinan (X1), persentase penduduk miskin (X2), indeks keparahan kemiskinan (X3)
dan indeks kedalaman kemiskinan (X4) dengan peubah responnya yaitu jumlah penduduk
miskin (Y).

22
4.2. Analisis Data Panel

Pada tahap ini, dilakukan pendugaan model awal dengan metode pemodelan data panel.
Selanjutnya untuk menguji kesesuaian atau kebaikan model dari kedua metode pada teknik
pendugaan data panel digunakan uji Chow dan uji Hausman. Sebelum melakukan uji Chow
dan Uji Hausman, dilakukan uji Breusch-Pagan terlebih dahulu untuk menguji adanya efek
waktu, individu atau keduanya.

Uji Breusch-Pagan
Hipotesis :
1. Uji efek 2 arah
H 0 : c  0, d  0 (tidak terdapat efek cross sec tion maupun waktu)
H1 : c  0, d  0 dan atau c  0, d  0 (terdapat efek cross sec tion dan atau waktu)
2. Uji efek individu
H 0c : c  0, d iid , N (0,  d2 ) (tidak terdapat efek cross sec tion )
H1c : c  0, d iid , N (0,  d2 ) (terdapat efek cross sec tion)
3. Uji efek waktu
H 0d : d  0, c iid , N (0,  d2 ) (tidak terdapat efek waktu )
H1d : d  0, c iid , N (0,  d2 ) (terdapat efek waktu)

Dalam penelitian ini digunakan taraf nyata sebesar . Hasil uji Breusch-Pagan
diperlihatkan pada table 4.2.

Tabel 4.2 Hasil Uji Breusch-Pagan

Efek Statistik Khi Kuadrat ( ) p-value


Waktu atau Individu
Waktu
Individu

Kriteria Penolakan :
Tolak hipotesis awal jika nilai p-value kurang dari taraf nyata yang ditentukan.
Keputusan :
1. Efek waktu atau individu

23
p-value<5% maka tolak yang berarti cukup bukti untuk menyatakan bahwa terdapat
efek minimal satu (waktu/ individu) pada model.
2. Efek individu
p-value<5% maka tolak yang berarti cukup bukti untuk menyatakan bahwa terdapat
efek waktu pada model.
3. Efek waktu
p-value= 0,1874 >5% maka terima yang berarti tidak cukup bukti untuk menyatakan
bahwa terdapat efek waktu pada model.

Dari hasil di atas, dapat disimpulkan bawah tidak ada pengaruh signifikan yang
diakibatkan oleh waktu. Berdasarkan pengujian Breusch-Pagan di atas, hanya ada efek
individu yang signifikan pada data kemiskinan kab/kota provinsi Jawa Tengah tahun 2006
sampai 2015 sedangkan waktu tidak memberikan pengaruh yang signifikan. Hasil ini
memberikan interpretasi yang sama dengan hasil eksplorasi yang sebelumnya telah
dilakukan.

Selanjutnya, akan diberikan hasil pendugaan model panel pengaruh tetap, acak, dan
gabungan.
Tabel 4.3 Hasil Pendugaan Model Pengaruh Tetap
Peubah Koefisien Nilai-p
X1
X2
X3
X4

Tabel 4.4 Hasil Pendugaan Model Pengaruh Acak


Peubah Koefisien Nilai-p
Intersep
X1
X2
X3

24
X4

Tabel 4.5 Hasil Pendugaan Model Pengaruh Gabungan


Peubah Koefisien Nilai-p
Intersep
X1
X2
X3
X4

Berdasarkan hasil pendugaan parameter model yang ditampikan pada Tabel 4.3, Tabel
4.4 dan Tabel 4.5, terlihat bahwa nilai koefisien dari masing-masing peubah pada model
pengaruh tetap maupun acak nyata pada taraf α=5%. Sedangkan pada model gabungan nilai
koefisien dari peubah X2 tidak nyata. Sehingga dilakukan pemodelan ulang pada model
gabungan dengan mengeluarkan X2 dari model. Sehingga diperoleh hasil pendugaan model
pengaruh gabungan seperti yang ditunjukkan pada Tabel 4.6.

Tabel 4.6 Hasil pendugaan model pengaruh gabungan tanpa X2


Peubah Koefisien Nilai-p
Intersep
X1
X3
X4

Dari ketiga model di atas, yang memiliki terbesar adalah model pengaruh tetap
sehingga diduga bahwa model pengaruh tetap merupakan model terbaik dibanding model

25
pengaruh acak atau model pengaruh gabungan. Untuk lebih jelas, akan dilakukan Uji Chow
dan Uji Hausman untuk mendapatkan model terbaik.

Uji Chow
Pengujian ini dilakukan untuk memilih apakah model yang akan digunakan adalah
model gabungan atau model pengaruh tetap. Hipotesis awal pada uji Chow adalah tidak
terdapat pengaruh individu terhadap model (model mengikuti model gabungan). Dan
hipotesis tandingannya adalah terdapat satu atau lebih pengaruh individu terhadap
model (model mengikuti model pengaruh tetap). Hasil uji Chow ditunjukkan pada Tabel 4.7.

Tabel 4.7 Hasil Uji Chow

Db1
Db2
Nilai.p
F.tabel

Dari hasil di atas, nilai atau α maka hipotesis nol di tolak.


Hipotesis nol ditolak berarti cukup bukti untuk menyatakan bahwa model mengikuti model
pengaruh tetap.

Uji Hausman
Uji Hausman digunakan untuk memilih model yang sesuai antara model pengaruh
tetap dengan model pengaruh acak. Table 4.8 menampilkan hasil uji Hausman.

Tabel 4.8 Hasil Uji Hausman


Db

Nilai-p

26
Berdasarkan Table 4.7, nilai atau α maka hipotesis nol di
tolak. Hipotesis nol ditolak berarti cukup bukti untuk menyatakan bahwa model mengikuti
model pengaruh tetap.

Model Regresi Data Panel

Berdasarkan hasil uji yang telah dilakukan di atas, maka diperoleh model regresi data
panel dengan pengaruh tetap sebagai berikut :
𝜇̂
dengan = , artinya sebesar peubah-peubah bebas pada model mampu
menjelaskan variasi dari peubah terikatnya.

4.3 Analisis Spasial

Peta persebaran jumlah penduduk miskin di kabupaten/kota Provinsi Jawa Tengah


pada tahun 2015 terlihat pada gambar berikut :

Gambar 4.8 Peta Jumlah Penduduk Miskin (Ribu Jiwa) Kab/Kota


di Provinsi Jawa Tengah Tahun 2015

Pada gambar di atas, kab/kota di Provinsi Jawa Tengah dengan jumlah penduduk
miskin tertinggi pada tahun 2015 adalah Kabupaten Brebes, Kabupaten Banyumas,

27
Kabupaten Pemalang, Kabupaten Cilacap, dan Kabupaten Kebumen. Sedangkan kab/kota
dengan jumlah penduduk miskin terendah pada tahun 2015 adalah Kota Tegal, Kota
Pekalongan, Kota Magelang, Kota Salatiga, Kota Surakarta, Kabupaten Sukoharjo, dan
Kabupaten Semarang.

Gambar 4.9. Peta Garis Kemiskinan (Rp/Kapita/Bulan) Kab/Kota


di Provinsi Jawa Tengah Tahun 2015

Pada gambar di atas, kab/kota di Provinsi Jawa Tengah dengan rata-rata pengeluaran
penduduk perkapita per bulan di bawah garis kemiskinan terbesar pada tahun 2015 adalah
Kota Surakarta, Kota Magelang, Kabupaten Pati, Kota Salatiga, dan Kota Semarang.
Sementara wilayah dengan rata-rata pengeluaran penduduk perkapita per bulan di bawah
garis kemiskinan terendah adalah Kabupaten Batang, Kabupaten Banjarnegara, dan
Kabupaten Temanggung.

28
Gambar 4.10 Peta Persentase Penduduk Miskin Kab/Kota
di Provinsi Jawa Tengah Tahun 2015

Pada gambar di atas, kab/kota di Provinsi Jawa Tengah dengan Persentase Penduduk
Miskin tertinggi pada tahun 2015 adalah Kabupaten Wonosobo, Kabupaten Kebumen,
Kabupaten Rembang, Kabupaten Purbalingga, dan Kabupaten Brebes. Sedangkan kab/kota
dengan Persentase Penduduk Miskin terendah adalah Kota Semarang, Kota Salatiga,
Kabupaten Semarang, Kabupaten Jepara, dan Kabupaten Kudus.

Gambar 4.11 Peta Indeks Keparahan Kemiskinan (Persen) Kab/Kota


di Provinsi Jawa Tengah Tahun 2015

29
Pada gambar di atas, kab/kota di Provinsi Jawa Tengah dengan Indeks Keparahan
Kemiskinan tertinggi pada tahun 2015 adalah Kabupaten Wonosobo, Kabupaten Kebumen,
dan Kabupaten Pemalang. Sementara wilayah dengan Indeks Keparahan Kemiskinan
terendah adalah Kota Semarang, Kabupaten Kudus, Kota Pekalongan, dan Kabupaten Jepara.

Gambar 4.12 Peta Indeks Kedalaman Kemiskinan (Persen) Kab/Kota


di Provinsi Jawa Tengah Tahun 2015

Pada gambar di atas, kab/kota di Provinsi Jawa Tengah dengan Indeks Kedalaman
Kemiskinan tertinggi pada tahun 2015 adalah Kabupaten Wonosobo, Kabupaten Kebumen,
dan Kabupaten Pemalang. Sementara wilayah dengan Indeks Keparahan Kemiskinan
terendah adalah Kota Semarang, Kabupaten Kudus, Kota Pekalongan, Kabupaten Sukoharjo,
Kabupaten Semarang, dan Kota Salatiga.
Berdasarkan uraian yang telah dijelaskan sebelumnya, terlihat bahwa peubah
kabupaten/kota yang memiliki kedekatan secara geografis memiliki kemiripan nilai (dapat
dilihat secara visual bahwa warna suatu wilayah yang dihasilkan pada peta-peta di atas
memiliki warna yang mirip). Hal ini mengindikasikan bahwa nilai pengamatan suatu kab/kota
tidak saling bebas melainkan ketergantungan spasial. Ketergantungan spasial terdapat pada
peubah respon dan pada peubah-peubah bebasnya. Nilai peubah yang tidak saling bebas ini
melanggar salah satu asumsi yang digunakan pada regresi klasik sederhana yang mengguakan
metode kuadrat terkecil. Pada data dengan ketergantungan spasial, nilai penduga yang

30
dihasilkan dengan metode kuadrat terkecil akan menjadi bias dan tidak konsisten (LeSage,
2008).
Berdasarkan uraian di atas, akan dilakukan analisis data panel spasial. Akan tetapi,
untuk lebih memastikan apakah suatu kab/kota saling bebas dengan kab/kota lain atau tidak
saling bebas, akan dilakukan pengujian otokorelasi spasial untuk melihat ada atau tidaknya
korelasi antara nilai di lokasi ke-i dengan lokasi ke-j. Sebelum melakukan uji, akan dicari
terlebih dahulu matriks pembobot spasial. Pada penelitian ini digunakan matriks bobot
dengan konsep invers jarak. Matriks pembobot spasial dalam dilihat pada Lampiran 1.
Setelah diperoleh matriks pembobot spasial, akan dilakukan uji otokorelasi spasial
dengan statistik uji yang digunakan adalah Indeks Moran Global.

Hipotesis Uji:
(Tidak terdapat otokorelasi spasial)
(Terdapat otokorelasi spasial positif)
(Terdapat otokorelasi spasial negatif)

Hasil uji otokorelasi ditunjukkan pada tabel 4.9 di bawah ini

Tabel 4.9 Hasil uji otokorelasi spasial


Keterangan
Y
Terdapat otokorelasi spasial positif
X1 Tidak terdapat autokorelasi spasial
X2
Terdapat otokorelasi spasial positif
X3
Terdapat otokorelasi spasial positif
X4
Terdapat otokorelasi spasial positif

31
4.4. Analisis Data Panel Spasial

Pada penelitian ini, digunakan metode maximum likelihood untuk mendapatkan


dugaan parameter model GSM, SEM, dan SAR. Akan dilihat model mana yang terbaik.

4.4.1 Pendugaan Parameter Data Panel dengan Regresi Spasial

Telah dilakukan pengujian sebelumnya bahwa model panel yang sesuai adalah model
pengaruh tetap. Berikut ini merupakan hasil dugaan parameter model GSM pengaruh tetap.

Tabel 4.10 Pendugaan parameter model panel GSM dengan pengaruh tetap
Peubah Koefisien
Rho
Lambda
X1
X2
X3
X4

Dari hasil di atas, terlihat bahwa jika taraf nyata yang digunakan adalah 5% maka
seluruh peubah signifikan kecuali peubah X1. Berikut ini hasil dugaan parameter tanpa
melibatkan peubah X1.

Tabel 4.11 Pendugaan parameter model panel GSM (tanpa X1) dengan pengaruh tetap
Peubah Koefisien
Rho
Lambda
X2
X3
X4

32
Berikut ini merupakan hasil dugaan parameter dengan model SEM dengan pengaruh
tetap.

Tabel 4.12 Pendugaan parameter model panel SEM dengan pengaruh tetap
Peubah Koefisien
Lambda
X1
X2
X3
X4

Dari hasil di atas, terlihat bahwa jika taraf nyata yang digunakan adalah 5% maka
seluruh peubah signifikan kecuali peubah X1. Berikut ini hasil dugaan parameter tanpa
melibatkan peubah X1.

Tabel 4.13 Pendugaan parameter model panel SEM (tanpa X1) dengan pengaruh tetap
Peubah Koefisien
Lambda
X2
X3
X4

Berikut ini merupakan hasil dugaan parameter dengan model SAR dengan pengaruh
tetap.

Tabel 4.14 Pendugaan parameter model panel SAR dengan pengaruh tetap
Peubah Koefisien
Rho
X1
X2

33
X3
X4

Dari hasil di atas, terlihat bahwa jika taraf nyata yang digunakan adalah 5% maka
seluruh peubah signifikan kecuali peubah X1. Berikut ini hasil dugaan parameter tanpa
melibatkan peubah X1.

Tabel 4.15 Pendugaan parameter model panel SAR (tanpa X1) dengan pengaruh tetap
Peubah Koefisien
Rho
X2
X3
X4

4.4.2 Evaluasi Model

Hasil perhitungan pada analisis data panel spasial, didapatkan bahwa model yang
terbaik adalah model spasial otoregresi (SAR) dengan pengaruh tetap karena memiliki nilai
terbesar yang dapat dilihat pada tabel berikut :

Tabel 4.16 Evaluasi model


Model
Panel Pengaruh Tetap
Panel GSM Pengaruh Tetap
Panel SEM Pengaruh Tetap
Panel SAR Pengaruh Tetap

Persamaan model yang terbentuk dari model pengaruh tetap dengan SAR sebagai berikut:
N
yit  0, 268052 wij y jt  0,111578 x2it  0, 638736 x3it  0,911531x4it   it
j 1

34
Model diatas memiliki nilai konstanta yang berbeda-beda untuk setiap lokasi karena
adanya pengaruh lintas lokasi. Dari hasil tersebut, peubah-peubah yang nyata pada α = 5%
adalah peubah X2, X3, X4 serta termasuk peubah autoregresi spasial dari peubah jumlah
penduduk miskin (WY). Nilai koefisien dari WY adalah positif, hal ini menunjukan adanya
korelasi spasial yang positif antar lokasi dari peubah jumlah penduduk miskin di Jawa
Tengah.

35
BAB 5
KESIMPULAN

Pemodelan data kemiskinan di Jawa Tengah dengan menambahkan unsur lokasi


(spasial) memberikan model yang lebih baik dibandingan dengan model panel biasa. Model
panel SAR dengan pengaruh tetap terbukti lebih baik dari model panel biasa, model panel
SEM dan model panel GSM dengan pengaruh tetap bila dilihat dari nilai R2. Berdasarkan
hasil diatas, faktor-faktor yang mempengaruhi angka kemiskinan di provinsi Jawa Tengah
adalah persentase jumlah penduduk miskin, indeks keparahan kemiskinan dan indeks
kedalaman kemiskinan.

36
DAFTAR PUSTAKA

Anggraeni, Yulia. 2012. Analisis Spasial Data Panel untuk Menentukan Faktor-Faktor yang
Mempengaruhi Kemiskinan di Provinsi Sumatera Selatan. [Skripsi]. Bogor : Institut
Pertanian Bogor.
Anselin L. 2009. Spatial Regression. Fotheringham AS, PA Rogerson, editor, Handbook of
Spatial Analysis. London: Sage Publications.
Arisanti, R. 2011. Model Regresi Spasial untuk Deteksi Faktor-Faktor Kemiskinan di
Provinsi Jawa Timur. [Tesis]. Bogor : Institut Pertanian Bogor.
Arumsari, N dan Sutikno. 2010. Pemodelan Kejadian Diare dengan Pendekatan Regresi
Spasial, Studi Kasus: Kabupaten Tuban, Jawa Timur. Seminar Nasional Pascasarjana
X-ITS. Surabaya.
Baltagi, B.H. 2005. Econometrics Analysis of Panel Data Third Edition. John Wiley & Sons.
Chicester, England.
Bara,W. 2016. Pemodelan Data Panel Spasial dengan Komponen Satu Arah (Studi Kasus
Anggaran Sektor Pertanian Jawa Tengah). [Tesis]. Bogor : Institut Pertanian Bogor.
BPS. Kemiskinan. [Internet]. [diunduh 12 Januari 2017]. Jakarta(ID): BPS. hlm berita resmi
statistik. Tersedia pada: https://jateng.bps.go.id/Subjek/view/id/23#subjekViewTab1
|accordion-daftar-subjek1
Cahyat, Ade. 2004. Governance Brief- Bagaimana kemskinan terukur?. Forests and
Governance Programme. CIFOR.
Croissant, Y dan Giovanni. Panel Data Econometrics in R: The plm Package. Journal of
Statistical Software (2008).
Diputra, T.F, dkk. Pemodelan Data Panel Spasial dengan Dimensi Ruang dan Waktu. Forum
Statistika dan Komputasi : Indonesian Journal of Statistics vol 17 (2012).
Dubin R. 2009. Spatial Weights. Fotheringham AS, PA Rogerson, editor, Handbook of
Spatial Analysis. London : Sage Publications.
Elhorst JP. 2010. Spatial Panel Data Models. Fischer MM, A Getis, editor, Handbook of
Applied Spatial Analysis. New York : Springer.
Gujarati DN. 2004. Basic Econometrics 4th Edition. New York: The McGraw-Hil Companies
Halim, S., dkk. 2008. Penentuan Harga Jual Hunian pada Apartemen di Surabaya dengan
Menggunakan Metode Regresi Spasial. Jurnal Teknik Industri 10(2): hal 151-157.

37
Lee J, Wong DWS. 2001. Statistical Analysis ArchView GIS. New York: John Wiley & Sons,
Inc.
LeSage, J.P. 1999. The Theory and Practice of Spatial Econometrics. Dept of Economics
University of Toledo.
Meilliana, A. dkk. 2013. Analisis Statistika Faktor yang Mempengaruhi Indeks Pembangunan
Manusia di Kabupaten/Kota Provinsi Jawa Timur dengan Menggunakan Regresi
Panel. Jurnal Sains dan Seni POMITS vol. 2 No.2 hal d237-d242.
Metyopandi, V, dkk. 2014. Metode Regresi Panel Spasial pada Pemodelan Tingkat
Kemiskinan di Kabupaten / Kota Provinsi Jawa Timur. Jurnal Mahasiswa Statistik vol
2 No 5 hal 325-328.
Pangestika, S. 2015. Analisis Estimasi Model Regresi Data panel dengan Pendekatan
Common Effect Model (CEM), Fixed Effect Model (FEM) dan Random Effect Model
(REM.). [Skripsi]. Semarang : Universitas Negeri Semarang.
Purwaningsih, T. 2014. Kajian Pengaruh Matriks Pembobot Spasial Dalam Model Data Panel
Spasial. [Tesis]. Bogor : Institut Pertanian Bogor.
Ward MD, Gleditsch KS. 2008. Spatial Regression Models. Los Angeles: Sage Publications,
Inc.

38
LAMPIRAN

Lampiran 1 Data Kemiskinan Provinsi Jawa Tengah

No Kab Tahun Y X1 X2 X3 X4
1 Kab Wonosobo 2006 257.5 139766 34.43 2.05 7.1
2 Kab Wonosobo 2007 241.4 144809 32.29 2.01 6.44
3 Kab Wonosobo 2008 207.5 147687 27.72 2.86 8.07
4 Kab Wonosobo 2009 194.02 187932 15.19 1.54 5.14
5 Kab Wonosobo 2010 174.7 203216 23.15 1.09 3.96
6 Kab Wonosobo 2011 183 226827 24.21 1.25 4.52
7 Kab Wonosobo 2012 169.3 242047 22.5 1.04 3.91
8 Kab Wonosobo 2013 170.1 258522 22.08 1.25 4.26
9 Kab Wonosobo 2014 165.8 267548 21.42 1.09 3.91
10 Kab Wonosobo 2015 166.4 275180 21.45 1.6 4.74
11 Kab Wonogiri 2006 262.9 137241 27.01 1.13 4.51
12 Kab Wonogiri 2007 237.4 144144 24.44 1.2 4.46
13 Kab Wonogiri 2008 201.1 155000 20.71 2.06 6.03
14 Kab Wonogiri 2009 184.88 182083 14.73 0.65 2.87
15 Kab Wonogiri 2010 145.5 195080 15.67 0.92 3.02
16 Kab Wonogiri 2011 146.4 207496 15.74 0.89 3.09
17 Kab Wonogiri 2012 135.4 221019 14.67 0.33 1.76
18 Kab Wonogiri 2013 132.2 235728 14.02 0.37 1.74
19 Kab Wonogiri 2014 123.8 244761 13.09 0.34 1.65
20 Kab Wonogiri 2015 123 252903 12.98 0.5 2.1
21 Kab Temanggung 2006 114.9 120580 16.62 0.67 2.68
22 Kab Temanggung 2007 115 129495 16.55 0.37 1.96
23 Kab Temanggung 2008 114.7 146268 16.39 1.5 4.66
24 Kab Temanggung 2009 105.83 164343 16.02 0.76 2.58
25 Kab Temanggung 2010 95.3 178814 13.46 0.34 1.73
26 Kab Temanggung 2011 94.9 198888 13.38 0.45 1.93
27 Kab Temanggung 2012 87.8 212487 12.32 0.41 1.85

39
28 Kab Temanggung 2013 91.1 229548 12.42 0.26 1.46
29 Kab Temanggung 2014 85.5 240845 11.55 0.3 1.51
30 Kab Temanggung 2015 87.5 248866 11.76 0.47 1.99
31 Kab Tegal 2006 289.7 150438 20.71 0.62 2.96
32 Kab Tegal 2007 258.6 159988 18.5 0.7 2.91
33 Kab Tegal 2008 220.7 180878 15.78 0.68 2.7
34 Kab Tegal 2009 195.46 187048 24.39 0.67 2.44
35 Kab Tegal 2010 182.5 204093 13.11 0.35 1.78
36 Kab Tegal 2011 161.1 222700 11.54 0.46 1.89
37 Kab Tegal 2012 149 239207 10.75 0.23 1.14
38 Kab Tegal 2013 149.8 258366 10.58 0.42 1.68
39 Kab Tegal 2014 140.3 271875 9.87 0.32 1.33
40 Kab Tegal 2015 143.5 282861 10.09 0.36 1.5
41 Kab Sukoharjo 2006 126.5 145884 15.63 0.58 2.45
42 Kab Sukoharjo 2007 113.8 161638 14.02 0.46 2.03
43 Kab Sukoharjo 2008 99.1 182624 12.13 0.74 2.63
44 Kab Sukoharjo 2009 94.45 211928 19.08 0.3 1.45
45 Kab Sukoharjo 2010 90.2 227055 10.94 0.34 1.54
46 Kab Sukoharjo 2011 92 240711 11.13 0.35 1.68
47 Kab Sukoharjo 2012 85.1 259184 10.15 0.49 1.78
48 Kab Sukoharjo 2013 84.1 279400 9.87 0.14 0.91
49 Kab Sukoharjo 2014 78.9 291949 9.18 0.14 0.76
50 Kab Sukoharjo 2015 79.9 303030 9.26 0.25 1.09
51 Kab Sragen 2006 201.9 158011 23.72 1.25 4.44
52 Kab Sragen 2007 180.7 168185 21.24 0.57 2.84
53 Kab Sragen 2008 177.1 166014 20.83 0.85 3.5
54 Kab Sragen 2009 167.3 192530 18.68 0.76 3.16
55 Kab Sragen 2010 149.7 206273 17.49 0.66 2.85
56 Kab Sragen 2011 154.3 222267 17.95 0.73 2.89
57 Kab Sragen 2012 142.8 234254 16.72 0.55 2.38
58 Kab Sragen 2013 139 247495 15.93 0.52 2.38
59 Kab Sragen 2014 130.3 255550 14.87 0.45 2.04

40
60 Kab Sragen 2015 130.4 263199 14.86 0.76 2.69
61 Kab Semarang 2006 120.7 150294 13.62 0.53 2.2
62 Kab Semarang 2007 110.1 156597 12.34 0.46 1.91
63 Kab Semarang 2008 102.5 164333 11.37 0.65 2.33
64 Kab Semarang 2009 96.72 189612 15.05 0.34 1.43
65 Kab Semarang 2010 97.9 206308 10.5 0.31 1.45
66 Kab Semarang 2011 96 227471 10.3 0.44 1.6
67 Kab Semarang 2012 88.8 244762 9.4 0.38 1.57
68 Kab Semarang 2013 83.2 263352 8.51 0.17 0.92
69 Kab Semarang 2014 79.8 275612 8.05 0.29 1.2
70 Kab Semarang 2015 81.2 286918 8.15 0.3 1.33
71 Kab Rembang 2006 188.5 152740 33.2 0.99 4.67
72 Kab Rembang 2007 174.3 163449 30.71 1.18 4.83
73 Kab Rembang 2008 154.7 172010 27.21 1.43 5.48
74 Kab Rembang 2009 147.15 200216 15.92 0.78 3.66
75 Kab Rembang 2010 138.5 217846 23.4 0.83 3.5
76 Kab Rembang 2011 140.4 240859 23.71 0.58 2.86
77 Kab Rembang 2012 129.9 261156 21.88 0.6 2.76
78 Kab Rembang 2013 128 284160 20.97 0.88 3.4
79 Kab Rembang 2014 120 299503 19.5 0.65 2.9
80 Kab Rembang 2015 119.1 314596 19.28 0.99 3.47
81 Kab Purworejo 2006 162.3 138748 22.75 0.96 3.89
82 Kab Purworejo 2007 146 148607 20.49 0.58 2.85
83 Kab Purworejo 2008 130 156632 18.22 1.21 4.17
84 Kab Purworejo 2009 121.39 194292 25.91 0.59 2.57
85 Kab Purworejo 2010 115.3 211400 16.61 0.65 2.67
86 Kab Purworejo 2011 121.9 235459 17.51 0.74 2.82
87 Kab Purworejo 2012 112.8 254314 16.32 0.65 2.78
88 Kab Purworejo 2013 109 273481 15.44 0.43 1.98
89 Kab Purworejo 2014 102.1 284409 14.41 0.42 1.85
90 Kab Purworejo 2015 101.2 294158 14.27 0.63 2.43
91 Kab Purbalingga 2006 262.9 146178 32.38 1.48 5.67

41
92 Kab Purbalingga 2007 246.3 148735 30.24 1.6 5.69
93 Kab Purbalingga 2008 221.9 164046 27.12 1.49 5.4
94 Kab Purbalingga 2009 205.01 194529 21.36 1.27 4.6
95 Kab Purbalingga 2010 208.9 210349 24.58 1.08 4
96 Kab Purbalingga 2011 196 230461 23.06 0.67 3.11
97 Kab Purbalingga 2012 181.3 247508 21.19 0.96 3.72
98 Kab Purbalingga 2013 181.1 265262 20.53 0.73 3.2
99 Kab Purbalingga 2014 176 275022 19.75 0.8 3.26
100 Kab Purbalingga 2015 176.5 283366 19.7 0.85 3.37
101 Kab Pemalang 2006 338.2 144570 25.3 0.9 3.74
102 Kab Pemalang 2007 307.1 160105 22.79 0.83 3.43
103 Kab Pemalang 2008 325.2 185526 23.92 0.85 3.59
104 Kab Pemalang 2009 303.73 198295 13.98 1.08 3.98
105 Kab Pemalang 2010 251.8 216365 19.96 0.8 3.19
106 Kab Pemalang 2011 261.2 235316 20.68 0.71 3.09
107 Kab Pemalang 2012 241.7 251986 19.27 0.5 2.51
108 Kab Pemalang 2013 246.8 271861 19.27 0.61 2.71
109 Kab Pemalang 2014 237 287358 18.44 0.53 2.49
110 Kab Pemalang 2015 235.5 298622 18.3 1.24 3.93
111 Kab Pekalongan 2006 190 161603 22.8 0.76 3.37
112 Kab Pekalongan 2007 170 172110 20.31 0.63 2.87
113 Kab Pekalongan 2008 164.3 205028 19.52 1.02 4.23
114 Kab Pekalongan 2009 151.63 210168 22.17 0.52 2.4
115 Kab Pekalongan 2010 136.6 228674 16.29 0.53 2.4
116 Kab Pekalongan 2011 125.9 249958 15 0.42 2.08
117 Kab Pekalongan 2012 116.5 270026 13.85 0.24 1.49
118 Kab Pekalongan 2013 116.5 293039 13.51 0.39 1.96
119 Kab Pekalongan 2014 109.3 306281 12.57 0.42 1.79
120 Kab Pekalongan 2015 112.1 317796 12.84 0.46 1.98
121 Kab Pati 2006 256.5 172821 22.14 0.66 3
122 Kab Pati 2007 228.8 185490 19.79 0.52 2.47
123 Kab Pati 2008 207.2 220352 17.9 2.08 6.01

42
124 Kab Pati 2009 184.05 224390 10.8 0.54 2.22
125 Kab Pati 2010 172.4 244149 14.48 0.68 2.43
126 Kab Pati 2011 175.1 264372 14.69 0.47 2.07
127 Kab Pati 2012 162 288271 13.61 0.35 1.72
128 Kab Pati 2013 157.9 314609 12.94 0.41 1.83
129 Kab Pati 2014 148.1 332228 12.06 0.32 1.54
130 Kab Pati 2015 147.1 347575 11.95 0.55 2.02
131 Kab Magelang 2006 199.1 120111 17.36 0.59 2.74
132 Kab Magelang 2007 200.1 126638 17.37 0.59 2.55
133 Kab Magelang 2008 190.8 146910 16.49 1.69 5.01
134 Kab Magelang 2009 176.49 169158 15.96 0.41 1.99
135 Kab Magelang 2010 167.2 184053 14.14 0.46 2.05
136 Kab Magelang 2011 179.6 204430 15.18 0.44 2.05
137 Kab Magelang 2012 166.2 218950 13.97 0.48 2.09
138 Kab Magelang 2013 171 235430 13.96 0.34 1.72
139 Kab Magelang 2014 160.5 246292 12.98 0.47 2.07
140 Kab Magelang 2015 162.4 253866 13.07 0.32 1.6
141 Kab Kudus 2006 91.6 164758 12.05 0.24 1.34
142 Kab Kudus 2007 82.4 172683 10.73 0.32 1.46
143 Kab Kudus 2008 97.8 217005 12.58 0.71 2.76
144 Kab Kudus 2009 84.86 218411 9.6 0.34 1.56
145 Kab Kudus 2010 70.2 237643 9.01 0.16 0.92
146 Kab Kudus 2011 73.6 256745 9.45 0.2 1.16
147 Kab Kudus 2012 68.1 276317 8.63 0.19 0.92
148 Kab Kudus 2013 70.1 299097 8.62 0.12 0.78
149 Kab Kudus 2014 65.8 314211 7.99 0.15 0.9
150 Kab Kudus 2015 64.1 328404 7.73 0.17 0.9
151 Kota Tegal 2006 24.7 184872 10.4 0.36 1.5
152 Kota Tegal 2007 22.2 197683 9.36 0.19 1.06
153 Kota Tegal 2008 26.8 244380 11.28 0.21 1.42
154 Kota Tegal 2009 23.43 248173 17.48 0.42 1.64
155 Kota Tegal 2010 25.7 270788 10.62 0.44 1.72

43
156 Kota Tegal 2011 25.9 280349 10.81 0.51 1.89
157 Kota Tegal 2012 24 305818 10.04 0.15 0.95
158 Kota Tegal 2013 21.6 333553 8.84 0.18 0.94
159 Kota Tegal 2014 20.9 353301 8.54 0.38 1.38
160 Kota Tegal 2015 20.3 371528 8.26 0.35 1.34
161 Kota Surakarta 2006 77.6 183766 15.21 0.81 2.73
162 Kota Surakarta 2007 69.8 196959 13.64 0.67 2.4
163 Kota Surakarta 2008 83.4 236751 16.13 0.75 2.71
164 Kota Surakarta 2009 77.97 286158 7.82 0.78 2.67
165 Kota Surakarta 2010 69.8 306584 13.96 0.53 2.19
166 Kota Surakarta 2011 64.5 326233 12.9 0.46 1.89
167 Kota Surakarta 2012 59.7 361517 12 0.28 1.33
168 Kota Surakarta 2013 59.7 403121 11.74 0.34 1.63
169 Kota Surakarta 2014 55.9 417807 10.95 0.3 1.48
170 Kota Surakarta 2015 55.7 406840 10.89 0.4 1.74
171 Kota Semarang 2006 77.8 167404 5.33 0.25 0.91
172 Kota Semarang 2007 77.6 171875 5.26 0.19 0.8
173 Kota Semarang 2008 89.6 221357 6 0.29 0.99
174 Kota Semarang 2009 73.14 226271 8.56 0.39 1.02
175 Kota Semarang 2010 79.7 246195 5.12 0.25 0.89
176 Kota Semarang 2011 88.5 272996 5.68 0.18 0.71
177 Kota Semarang 2012 81.9 297848 5.13 0.19 0.8
178 Kota Semarang 2013 86.7 328271 5.25 0.13 0.65
179 Kota Semarang 2014 84.7 348824 5.04 0.08 0.47
180 Kota Semarang 2015 84.3 368477 4.97 0.09 0.5
181 Kota Salatiga 2006 15.2 161527 8.9 0.43 1.55
182 Kota Salatiga 2007 15.6 171722 9.01 0.32 1.33
183 Kota Salatiga 2008 14.9 211260 8.47 0.34 1.28
184 Kota Salatiga 2009 14.05 221701 4.84 0.17 0.83
185 Kota Salatiga 2010 14.2 241223 8.28 0.16 0.94
186 Kota Salatiga 2011 13.3 254726 7.8 0.33 1.3
187 Kota Salatiga 2012 12.3 277039 7.11 0.13 0.77

44
188 Kota Salatiga 2013 11.5 302884 6.4 0.18 0.94
189 Kota Salatiga 2014 10.8 320204 5.93 0.21 0.87
190 Kota Salatiga 2015 10.6 337511 5.8 0.26 1.07
191 Kota Pekalongan 2006 19.9 144066 7.38 0.3 1.25
192 Kota Pekalongan 2007 17.9 151517 6.62 0.19 0.87
193 Kota Pekalongan 2008 28 223167 10.29 0.18 1.03
194 Kota Pekalongan 2009 23.34 231562 9.88 0.26 1.17
195 Kota Pekalongan 2010 26.4 251952 9.36 0.19 1.11
196 Kota Pekalongan 2011 28.3 270663 10.04 0.32 1.37
197 Kota Pekalongan 2012 26.8 294586 9.47 0.19 1.09
198 Kota Pekalongan 2013 24.1 322313 8.26 0.16 0.93
199 Kota Pekalongan 2014 23.6 338398 8.02 0.26 1.14
200 Kota Pekalongan 2015 24.1 352717 8.09 0.15 0.83
201 Kota Magelang 2006 14.5 167813 11.19 0.63 2.07
202 Kota Magelang 2007 13 177920 10.01 0.35 1.48
203 Kota Magelang 2008 14.9 228385 11.16 0.44 1.68
204 Kota Magelang 2009 13.65 237967 14.99 0.51 1.88
205 Kota Magelang 2010 12.4 258921 10.51 0.39 1.61
206 Kota Magelang 2011 13.1 280877 11.06 0.36 1.61
207 Kota Magelang 2012 12.1 313250 10.31 0.33 1.48
208 Kota Magelang 2013 11.8 350554 9.8 0.37 1.45
209 Kota Magelang 2014 11 376143 9.14 0.2 0.94
210 Kota Magelang 2015 10.9 405228 9.05 0.31 1.39
211 Kab Klaten 2006 257.4 191910 22.99 0.83 3.49
212 Kab Klaten 2007 249.1 203205 22.27 0.98 3.71
213 Kab Klaten 2008 243.1 240551 21.72 2.5 7.09
214 Kab Klaten 2009 220.18 241608 11.51 0.73 3.12
215 Kab Klaten 2010 197.4 258854 17.47 0.75 2.95
216 Kab Klaten 2011 203.1 275002 17.95 0.99 3.43
217 Kab Klaten 2012 187.9 296530 16.71 0.47 2.14
218 Kab Klaten 2013 179.5 315566 15.6 0.55 2.37
219 Kab Klaten 2014 168.2 327231 14.56 0.45 2.02

45
220 Kab Klaten 2015 172.3 340484 14.89 0.72 2.72
221 Kab Kendal 2006 198.7 156491 21.59 0.74 3.23
222 Kab Kendal 2007 192.7 171598 20.7 0.73 3.18
223 Kab Kendal 2008 168.2 182113 17.87 1.23 4.02
224 Kab Kendal 2009 152.43 199020 16.61 0.77 2.88
225 Kab Kendal 2010 130.4 216545 14.47 1.3 3.48
226 Kab Kendal 2011 128.6 234475 14.26 0.59 2.21
227 Kab Kendal 2012 119 253276 13.17 0.3 1.59
228 Kab Kendal 2013 117.7 275016 12.68 0.46 1.95
229 Kab Kendal 2014 110.5 289486 11.8 0.41 1.76
230 Kab Kendal 2015 109.3 301449 11.62 0.57 2.17
231 Kab Kebumen 2006 388.7 149986 32.49 1.66 5.97
232 Kab Kebumen 2007 362.4 162301 30.25 1.15 4.77
233 Kab Kebumen 2008 334.9 188042 27.87 2.05 7.05
234 Kab Kebumen 2009 309.61 195589 17.02 1.34 4.87
235 Kab Kebumen 2010 263 211495 22.7 0.92 3.68
236 Kab Kebumen 2011 279.4 234005 24.06 0.96 3.94
237 Kab Kebumen 2012 258.5 250413 22.4 0.75 3.35
238 Kab Kebumen 2013 251.1 267763 21.32 0.91 3.57
239 Kab Kebumen 2014 242.3 277280 20.5 0.61 2.78
240 Kab Kebumen 2015 241.9 292177 20.44 1.19 4.08
241 Kab Karanganyar 2006 148.6 156733 18.69 0.53 2.51
242 Kab Karanganyar 2007 138.9 164134 17.39 0.5 2.46
243 Kab Karanganyar 2008 125.9 173222 15.68 0.78 3.02
244 Kab Karanganyar 2009 118.79 202500 19.7 0.36 1.84
245 Kab Karanganyar 2010 113.8 216954 13.98 0.5 1.98
246 Kab Karanganyar 2011 124.5 236093 15.29 0.41 1.98
247 Kab Karanganyar 2012 115.2 255072 14.07 0.5 2.24
248 Kab Karanganyar 2013 114.4 275865 13.58 0.61 2.36
249 Kab Karanganyar 2014 107.3 288814 12.62 0.48 2.02
250 Kab Karanganyar 2015 106.4 303056 12.46 0.4 1.82
251 Kab Jepara 2006 123.6 163028 11.75 0.4 1.79

46
252 Kab Jepara 2007 111.2 170338 10.44 0.14 0.94
253 Kab Jepara 2008 119.2 201625 11.05 0.46 1.99
254 Kab Jepara 2009 104.74 206549 19.7 0.25 1.14
255 Kab Jepara 2010 111.8 224737 10.18 0.22 1.12
256 Kab Jepara 2011 113.3 242963 10.32 0.25 1.3
257 Kab Jepara 2012 104.8 263266 9.38 0.18 0.94
258 Kab Jepara 2013 106.9 285287 9.23 0.25 1.12
259 Kab Jepara 2014 100.5 299914 8.55 0.23 1.17
260 Kab Jepara 2015 100.6 314422 8.5 0.28 1.28
261 Kab Grobogan 2006 361.9 151133 27.6 0.78 3.63
262 Kab Grobogan 2007 330.4 163581 25.14 0.7 3.46
263 Kab Grobogan 2008 262 165302 19.84 1.23 4.49
264 Kab Grobogan 2009 247.47 205468 17.7 0.55 2.5
265 Kab Grobogan 2010 233.7 223560 17.86 0.52 2.48
266 Kab Grobogan 2011 227.8 242212 17.38 0.63 2.62
267 Kab Grobogan 2012 210.8 260435 16.13 0.61 2.55
268 Kab Grobogan 2013 199 278786 14.87 0.53 2.2
269 Kab Grobogan 2014 186.5 290827 13.86 0.59 2.33
270 Kab Grobogan 2015 184.5 303455 13.68 0.65 2.56
271 Kab Demak 2006 263.5 155282 26.03 1.46 5.09
272 Kab Demak 2007 238.9 167405 23.5 0.85 3.65
273 Kab Demak 2008 217.2 173075 21.24 0.88 3.86
274 Kab Demak 2009 202.24 210260 10.66 1.05 3.68
275 Kab Demak 2010 198.8 228774 18.76 1.14 3.75
276 Kab Demak 2011 192.5 254441 18.21 0.75 3.12
277 Kab Demak 2012 178.1 276041 16.73 0.68 2.75
278 Kab Demak 2013 172.5 299773 15.72 0.47 2.19
279 Kab Demak 2014 162 315570 14.6 0.4 1.9
280 Kab Demak 2015 160.9 328529 14.44 0.6 2.32
281 Kab Cilacap 2006 402.1 135406 24.93 1.08 4.22
282 Kab Cilacap 2007 363.6 141840 22.59 0.76 3.48
283 Kab Cilacap 2008 343.9 161646 21.4 1.35 4.67

47
284 Kab Cilacap 2009 318.75 191167 21.52 0.6 2.76
285 Kab Cilacap 2010 297.2 206714 18.11 0.81 3.04
286 Kab Cilacap 2011 282 224530 17.15 0.6 2.59
287 Kab Cilacap 2012 260.9 240025 15.92 0.5 2.22
288 Kab Cilacap 2013 255.7 256615 15.24 0.45 2.06
289 Kab Cilacap 2014 239.8 265714 14.21 0.61 2.37
290 Kab Cilacap 2015 243.5 273828 14.39 0.76 2.71
291 Kab Brebes 2006 533.1 151922 30.36 1.19 4.93
292 Kab Brebes 2007 492.2 165893 27.93 1.11 4.43
293 Kab Brebes 2008 459.3 192162 25.98 1.36 5.06
294 Kab Brebes 2009 432.4 219119 10.11 1.18 4.36
295 Kab Brebes 2010 398.7 239086 23.01 1.17 4.27
296 Kab Brebes 2011 394.4 261160 22.72 1.23 4.25
297 Kab Brebes 2012 364.9 281601 21.12 0.77 3.07
298 Kab Brebes 2013 367.9 307238 20.82 0.76 3.33
299 Kab Brebes 2014 355.1 327452 20 0.66 2.93
300 Kab Brebes 2015 352 340538 19.79 0.93 3.52
301 Kab Boyolali 2006 184.6 136787 20 0.61 2.78
302 Kab Boyolali 2007 167 152169 18.06 0.55 2.64
303 Kab Boyolali 2008 158.4 161660 17.08 1.01 3.64
304 Kab Boyolali 2009 148.24 195538 19.68 0.59 2.36
305 Kab Boyolali 2010 127.8 209495 13.72 0.71 2.34
306 Kab Boyolali 2011 139.5 223755 14.97 0.49 2.15
307 Kab Boyolali 2012 129.1 235399 13.88 0.51 2.14
308 Kab Boyolali 2013 126.5 247845 13.27 0.56 2.35
309 Kab Boyolali 2014 118.6 255391 12.36 0.32 1.62
310 Kab Boyolali 2015 120 263734 12.45 0.5 2.01
311 Kab Blora 2006 197.6 126957 23.95 0.65 2.93
312 Kab Blora 2007 176.8 132933 21.46 0.66 3.02
313 Kab Blora 2008 155.1 144710 18.79 1.61 5.12
314 Kab Blora 2009 145.95 174951 25.86 0.51 2.38
315 Kab Blora 2010 134.9 190356 16.27 0.61 2.38

48
316 Kab Blora 2011 134.9 206016 16.24 0.51 2.35
317 Kab Blora 2012 124.8 221088 15.1 0.47 2.19
318 Kab Blora 2013 123.8 237850 14.64 0.59 2.39
319 Kab Blora 2014 116 248903 13.66 0.5 2.09
320 Kab Blora 2015 115 257581 13.52 0.54 2.08
321 Kab Batang 2006 134.4 118985 19.99 0.9 3.35
322 Kab Batang 2007 139.8 133680 20.79 0.35 1.9
323 Kab Batang 2008 122 151411 18.08 1.93 5.41
324 Kab Batang 2009 112.17 155558 17.93 0.67 2.66
325 Kab Batang 2010 103.6 169256 14.67 0.54 2.29
326 Kab Batang 2011 95.3 184592 13.47 0.5 2.07
327 Kab Batang 2012 88.2 195983 12.4 0.43 1.89
328 Kab Batang 2013 87.5 208671 11.96 0.49 1.93
329 Kab Batang 2014 82.1 216952 11.13 0.29 1.43
330 Kab Batang 2015 83.5 224437 11.27 0.43 1.8
331 Kab Banyumas 2006 362.2 158253 24.44 1.13 4.28
332 Kab Banyumas 2007 333 164111 22.46 0.73 3.25
333 Kab Banyumas 2008 340.6 189735 22.93 0.93 3.95
334 Kab Banyumas 2009 319.85 208583 24.97 0.75 3.21
335 Kab Banyumas 2010 314.1 225546 20.2 0.99 3.56
336 Kab Banyumas 2011 328.5 249807 21.11 0.99 3.69
337 Kab Banyumas 2012 303.9 271800 19.44 0.91 3.42
338 Kab Banyumas 2013 296.8 295742 18.44 0.83 3.24
339 Kab Banyumas 2014 283.5 309106 17.45 0.56 2.48
340 Kab Banyumas 2015 285.9 320585 17.52 0.71 2.91
341 Kab Banjarnegara 2006 251.3 136765 29.4 1.21 4.73
342 Kab Banjarnegara 2007 232.9 146531 27.18 1.33 4.83
343 Kab Banjarnegara 2008 200.6 158702 23.34 1.72 5.75
344 Kab Banjarnegara 2009 184.02 160345 25.73 0.85 3.42
345 Kab Banjarnegara 2010 166.7 173385 19.17 0.92 3.34
346 Kab Banjarnegara 2011 177.3 192303 20.38 0.74 3.15
347 Kab Banjarnegara 2012 164 205369 18.87 0.94 3.39

49
348 Kab Banjarnegara 2013 166.8 221056 18.71 0.77 2.91
349 Kab Banjarnegara 2014 159.5 229718 17.77 0.73 2.88
350 Kab Banjarnegara 2015 165.4 236399 18.37 0.93 3.51

Lampiran 2 Peta Provinsi Jawa Tengah

Lampiran 3 Matriks Pembobot Kebalikan Jarak

50
Wonosob Wonogi Temanggu Tega Sukoharj Semaran Remban Purworej Purbaling Pemalan Pekalonga ............. Banjarnega
o ri ng l o Sragen g g o ga g n Pati .. ra
1.19 0.75 .............
Wonosobo 0 0.823 3.6669 6 1.0343 0.9255 1.7085 0.5941 3.3721 2.0074 1.5865 2.1846 9 .. 4.0006
0.48 0.85 .............
Wonogiri 0.823 0 0.9214 8 3.3786 1.8894 1.2005 0.8139 0.9398 0.5873 0.5445 0.6107 2 .. 0.6832
Temanggun 0.99 0.95 .............
g 3.6669 0.9214 0 4 1.2394 1.1695 2.9695 0.707 2.1581 1.3795 1.288 1.775 7 .. 2.105
0.52 .............
Tegal 1.1963 0.4877 0.9944 0 0.5574 0.5382 0.7483 0.432 0.9523 2.5848 4.2453 2.1924 6 .. 1.6936
0.55 1.04 .............
Sukoharjo 1.0343 3.3786 1.2394 7 0 3.0524 1.8593 0.908 1.1543 0.6833 0.6357 0.7315 4 .. 0.8219
0.53 1.54 .............
Sragen 0.9255 1.8894 1.1695 8 3.0524 0 1.9159 1.286 0.9396 0.6363 0.6151 0.7104 7 .. 0.7582
0.74 1.28 .............
Semarang 1.7085 1.2005 2.9695 8 1.8593 1.9159 0 0.9016 1.5149 0.9428 0.9059 1.1287 4 .. 1.2356
0.43 2.36 .............
Rembang 0.5941 0.8139 0.707 2 0.908 1.286 0.9016 0 0.5685 0.4718 0.4803 0.5357 5 .. 0.5318
0.95 0.69 .............
Purworejo 3.3721 0.9398 2.1581 2 1.1543 0.9396 1.5149 0.5685 0 1.4899 1.1426 1.3606 5 .. 2.1057
2.58 .............
Purbalingga 2.0074 0.5873 1.3795 5 0.6833 0.6363 0.9428 0.4718 1.4899 0 3.5236 2.9953 0.58 .. 3.9584
4.24 0.59 .............
Pemalang 1.5865 0.5445 1.288 5 0.6357 0.6151 0.9059 0.4803 1.1426 3.5236 0 4.5321 9 .. 2.4961
2.19 0.68 .............
Pekalongan 2.1846 0.6107 1.775 2 0.7315 0.7104 1.1287 0.5357 1.3606 2.9953 4.5321 0 6 .. 3.5361
0.52 .............
Pati 0.7587 0.8523 0.9567 6 1.0444 1.5466 1.284 2.3652 0.6953 0.5796 0.5989 0.6861 0 .. 0.6689
0.84 0.90 .............
Magelang 2.8207 1.1544 3.8201 4 1.6332 1.3348 3.0769 0.7035 2.9597 1.1741 1.0305 1.2904 6 .. 1.6546
0.58 5.40 .............
Kudus 0.8794 0.892 1.1567 2 1.1435 1.6803 1.6269 1.675 0.7878 0.6491 0.6723 0.7849 9 .. 0.7629
6.45 0.52 .............
Tegal 1.0591 0.4648 0.9213 9 0.5301 0.5188 0.7108 0.4276 0.849 1.8899 3.1751 1.9144 1 .. 1.413
1.18 .............
Surakarta 1.0613 2.522 1.3242 0.57 8.4803 4.3716 2.1841 0.994 1.1382 0.6943 0.6536 0.7584 7 .. 0.8405
Kota 1.41 .............
Semarang 1.6105 0.9288 2.8464 0.81 1.2806 1.4534 3.8673 0.9114 1.2585 0.9776 1.0012 1.2833 6 .. 1.2676
51
0.73 1.24 .............
Salatiga 1.6777 1.2801 2.7635 2 2.0541 2.0266 18.2924 0.8966 1.5495 0.9258 0.8805 1.0875 9 .. 1.2079
1.84 0.73 .............
Pekalongan 1.7703 0.597 1.6936 8 0.7181 0.7188 1.1375 0.5615 1.1653 1.9684 3.0921 5.6172 4 .. 2.2567
0.86 0.91 .............
Magelang 3.0349 1.112 4.5423 6 1.5631 1.3147 3.2031 0.7058 2.872 1.2082 1.0665 1.3525 7 .. 1.7296
0.62 .............
Klaten 1.3034 2.2124 1.569 5 4.6983 2.1264 2.3088 0.8061 1.5302 0.7934 0.722 0.8435 0.97 .. 0.9833
1.00 1.06 .............
Kendal 2.2649 0.8188 4.4571 9 1.0762 1.1119 2.5216 0.7476 1.4694 1.2699 1.3232 1.8664 6 .. 1.772
1.30 0.59 .............
Kebumen 2.7058 0.7052 1.5606 4 0.8222 0.719 1.0734 0.4903 2.8232 2.6141 1.5474 1.696 4 .. 3.1736
Karanganya 0.51 1.15 .............
r 0.8825 3.2425 1.058 4 5.0112 4.4777 1.5674 1.0595 0.9461 0.613 0.5811 0.6629 6 .. 0.7241
0.59 3.35 .............
Jepara 0.8328 0.745 1.0691 6 0.9206 1.2202 1.331 1.4231 0.7269 0.6452 0.6869 0.7971 6 .. 0.7465
0.56 2.53 .............
Grobogan 0.9383 1.2518 1.2405 5 1.7692 3.6795 2.0753 1.5733 0.8901 0.6542 0.6513 0.7606 9 .. 0.7808
0.67 .............
Demak 1.1401 0.9365 1.6531 9 1.2709 1.6998 2.5515 1.1836 0.9753 0.7812 0.8074 0.9783 2.24 .. 0.9536
1.86 0.44 .............
Cilacap 0.9924 0.465 0.7949 1 0.515 0.4791 0.6293 0.3756 0.9206 1.8391 1.477 1.1874 1 .. 1.2758
4.34 0.46 .............
Brebes 0.9749 0.4467 0.8212 6 0.5021 0.4825 0.6444 0.3931 0.828 1.8559 2.1628 1.4681 9 .. 1.2889
0.64 1.28 .............
Boyolali 1.3331 1.6404 1.8575 8 3.188 3.0136 4.3506 0.9663 1.3479 0.8039 0.7606 0.909 3 .. 1.0086
0.44 2.07 .............
Blora 0.656 1.0823 0.7883 8 1.2171 1.9497 1.0649 3.2359 0.643 0.5021 0.5014 0.5636 4 .. 0.5736
1.43 0.82 .............
Batang 2.5668 0.6861 2.6811 9 0.8508 0.844 1.4981 0.6154 1.459 1.8792 2.1739 4.1355 2 .. 2.7584
2.33 0.50 .............
Banyumas 1.3841 0.5309 1.0286 9 0.6005 0.5547 0.7674 0.4204 1.2165 3.7379 2.1316 1.6951 3 .. 2.0053
Banjarnega 1.69 0.66 .............
ra 4.0006 0.6832 2.105 4 0.8219 0.7582 1.2356 0.5318 2.1057 3.9584 2.4961 3.5361 9 .. 0

52
Lampiran 4 Sintaks R

data<-read.delim("clipboard", header = T)
a<-scale(data[,3:7])
data1<-cbind(data[,1:2],a)

library(plm)

### uji breusch-pagan ###

plmtest(y~x1+x2+x3+x4,data=data1,type="bp",effect = "time")
plmtest(y~x1+x2+x3+x4,data=data1,type="bp",effect = "individual")
plmtest(y~x1+x2+x3+x4,data=data1,type="bp",effect = "twoways")

### uji chow dan hausman ###

modelpanel1<-plm(y~x1+x2+x3+x4,data=data1,model="random")
summary(modelpanel1)
modelpanel2<-plm(y~x1+x2+x3+x4,data=data1,model="within")
summary(modelpanel2)
modelpanel3<-plm(y~x1+x2+x3+x4,data=data1,model="pooling")
summary(modelpanel3)

modelpanel4<-plm(y~x1+x3+x4,data=data1,model="pooling")
summary(modelpanel4)

### uji chow ###

pFtest(modelpanel2,modelpanel4)

### uji hausman ###

phtest(modelpanel1,modelpanel2)

### peta ###

library(rgdal)
library(spdep)
library(raster)
library(sp)

setwd("D:")
peta.jateng<-readOGR(dsn='peta jawa tengah',layer='KB_JATEN')
plot(peta.jateng)
text(peta.jateng,'NM_KAB',cex=0.5)

peta<-read.delim("clipboard", header = T)
datay<-peta[,2]

53
datax1<-peta[,3]
datax2<-peta[,4]
datax3<-peta[,5]
datax4<-peta[,6]

peta.jateng<-readOGR(dsn='peta jawa tengah',layer='KB_JATEN')


peta.jateng@data<-cbind(datay,peta.jateng@data)
spplot(peta.jateng[,1])

peta.jateng<-readOGR(dsn='peta jawa tengah',layer='KB_JATEN')


peta.jateng@data<-cbind(datax1,peta.jateng@data)
spplot(peta.jateng[,1])

peta.jateng<-readOGR(dsn='peta jawa tengah',layer='KB_JATEN')


peta.jateng@data<-cbind(datax2,peta.jateng@data)
spplot(peta.jateng[,1])

peta.jateng<-readOGR(dsn='peta jawa tengah',layer='KB_JATEN')


peta.jateng@data<-cbind(datax3,peta.jateng@data)
spplot(peta.jateng[,1])

peta.jateng<-readOGR(dsn='peta jawa tengah',layer='KB_JATEN')


peta.jateng@data<-cbind(datax4,peta.jateng@data)
spplot(peta.jateng[,1])

##jarak
lokasi<-coordinates(peta.jateng)
x<-lokasi[,1]
y<-lokasi[,2]
a<-dist(cbind(x,y))

## 1/D ##
d1<-1/a
dd1<-as.matrix(d1)
dlist1<-mat2listw(dd1,style='W')

### Moran Global ###

v1<-as.vector(scale(datay))
moran.test(v1,dlist1)

v2<-as.vector(scale(datax1))
moran.test(v2,dlist1)

v3<-as.vector(scale(datax2))
moran.test(v3,dlist1)

v4<-as.vector(scale(datax3))
moran.test(v4,dlist1)

54
v5<-as.vector(scale(datax4))
moran.test(v5,dlist1)

### Analisis Panel Spasial ###

library(splm)

### GSM ###


coba1<-spml(y~x1+x2+x3+x4,data=data1,listw=dlist1,model="within",lag=TRUE)
summary(coba1)
summary(coba1)$rsqr

coba2<-spml(y~x2+x3+x4,data=data1,listw=dlist1,model="within",lag=TRUE)
summary(coba2)
summary(coba2)$rsqr

### SEM ###

coba3<-spml(y~x1+x2+x3+x4,data=data1,listw=dlist1,model="within",lag=FALSE)
summary(coba3)
summary(coba3)$rsqr

coba4<-spml(y~x2+x3+x4,data=data1,listw=dlist1,model="within",lag=FALSE)
summary(coba4)
summary(coba4)$rsqr

### SAR ###

coba5<-spml(y~x1+x2+x3+x4,data=data1,listw=dlist1,model="within",lag=TRUE,
spatial.error="none")
summary(coba5)
summary(coba5)$rsqr

coba6<-spml(y~x2+x3+x4,data=data1,listw=dlist1,model="within",lag=TRUE,
spatial.error="none")
summary(coba6)
summary(coba6)$rsqr

55