TUGAS 1 PENGANTAR ILMU KOMPUTER. Tristania Artamevia, Shinta, Nurfajrina Zatil

HALAMAN SAMPUL
PENERAPAN ANALISIS BIPLOT PADA INDIKATOR

KESEHATAN DI KABUPATEN PARIGI MOUTONG
SKRIPSI
SURYA WIDYAWAN SUMANTIO

G 501 14 022
PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO
MARET 2018
i
HALAMAN JUDUL
PENERAPAN ANALISIS BIPLOT PADA INDIKATOR

KESEHATAN DI KABUPATEN PARIGI MOUTONG
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Persyaratan

dalam Menyelesaikan Program Sarjana Strata Satu (S1)
Program Studi Statistika Jurusan Matematika FMIPA
Universitas Tadulako
SURYA WIDYAWAN SUMANTIO

G 501 14 022
PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TADULAKO
MARET 2018
ii
PERSETUJUAN PEMBIMBING
Judul : Penerapan Analisis Biplot Pada Indikator Kesehatan

di Kabupaten Parigi Moutong
Nama : Surya Widyawan Sumantio
Stambuk : G 501 14 022
Telah diperiksa dan disetujui untuk diajukan pada Seminar Hasil
Palu, 27 Februari 2018
Pembimbing I Pembimbing II
Nur’eni, S.Si., M.Si Desy Lusiyanti, S.Si., M.Si

NIP. 197107071998032003 NIDN. 0028128802
Mengetahui,
Ketua Jurusan Matematika
FMIPA Universitas Tadulako
Junaidi, M.Si., Ph.D

NIP. 197402262000121001
iii
PENGESAHAN DEWAN PENGUJI
Judul : Penerapan Analisis Biplot Pada Indikator Kesehatan

di Kabupaten Parigi Moutong
Nama : Surya Widyawan Sumantio
Stambuk : G 501 14 022
Disetujui tanggal :
DEWAN PENGUJI
Ketua :Junaidi M.Si., Ph.D ..........................
Sekretaris :Nur’eni S.Si., M.Si ..........................
Penguji 1 :Mohammad Fajri S.Si., M.Si ..........................
Penguji 2 :Rais S.Si., M.Si ..........................
Penguji 3 :Iut Tri Utami S.Si., M.Si ..........................
Penguji 4 :Fadjryani ST., M.Si ..........................

Penguji 5 :Lilies Handayani S.Si., M.Si ..........................
Mengetahui,
Dekan FMIPA
Universitas Tadulako
Dr. M. Rusydi, M.Si

NIP. 19631113199203 1 001
iv
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam tugas akhir ini tidak terdapat karya yang pernah
diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan sepanjang
pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan
oleh orang lain, kecuali yang secara tertulis diacu dalam naskah dan disebutkan dalam daftar
pustaka.
Palu, Februari 2018

Penulis,
Muhammad Alkifar Masdin

G 501 14 003
v
ABSTRAK
Analisis biplot adalah salah satu upaya untuk menggambarkan data-data yang ada pada tabel
ringkasan dalam grafik berdimensi dua. Tujuan dari penelitian ini adalah untuk mencari
kelompok dan hubungan dari tiap indikator-indikator kesehatan yang ada di kabupaten parigi
Moutong melalui grafik biplot. Data-data yang digunakan ialah data kesehatan yang terdiri dari
empat indikartor dan delapan variabel. Prosedur analisis biplot terdiri dari beberapa tahapan yaitu
membuat deskriptif tiap variabel yang digunakan, membuat matriks variabel X, SVD, mencari
matriks U,L dan A, menentukan nilai-niali singular dan vector, membuat grafik analisis biplot
dan menginterpretasi. Dalam penelitian ini penulis dibantu dengan menggunakan aplikasi
statistika yaitu R dan Minitab. Analisis biplot dapat diterapkan untuk mengetahuai informasi
mengenai posisi relative, kemiripan karakteristik antar objek maupun keragaman variabel pada
indicator kesehatan yang ada di kabupaten Parigi Moutong. Hasil dari penelitian ini yang
diperoleh adalah indicator kesehatan yang ada di kabupaten Parigi moutong mempunyai
karakteristik yang hampir sama dalam artian di setiap daerah atau kecamatn-kecamatan yang ada
di kabupaten Parigi Moutong mempunyai tingkat kesehatan yang hampir sama ditiap daerahnya.
Kata Kunci : Indikator Kesehatan, SVD, Biplot
vi
ABSTRACT
Biplot analysis is one attempt to describe the data contained in the summary table in the two-
dimensional graph. The purpose of this study was to search for the groups and relationships of
each health indicator in the district of Parigi Moutong through the biplot chart. The data used is
health data consisting of four indikartor and eight variables. The biplot analysis procedure
consists of several stages of descriptive of each variable used, making the X variable matrix,
SVD, finding the matrices U, L and A, determining singular and vector values, creating biplot
analysis graphs and interpreting. In this study the authors assisted by using statistical applications
namely R and Minitab. Biplot analysis can be applied to know information about relative
position, similarity between object characteristics and variability of variables in health indicators
in Parigi Moutong district. The result of this research is health indicator that exist in Parigi
moutong district has almost same characteristics in the sense that in every region or sub-district
in Parigi Moutong district have the same level of health in each region.
Keywords: Health Indicator, SVD, Biplot
vii
KATA PENGANTAR
Assalaamu’alaikum Warahmatullaahi Wabarakaatuh
Alhamdulillaahirabbil’aalamiin, puji syukur atas ke-hadirat ALLAH SWT, karena atas

rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan penulisan skripsi ini.
Penyusunan skripsi ini dimaksudkan untuk memenuhi persyaratan dalam memperoleh gelar
sarjana Strata (S1) pada Program Studi Statistika Jurusan Matematika Fakultas Matematika dan
Ilmu Pengetahuan Alam Universitas Tadulako. Penulis menyadari bahwa dalam penyusunan
skripsi ini tidak terlepas dari dukungan, doa, kerjasama, maupun bimbingan dari beberapa pihak.
Oleh karena itu, penulis mengucapkan terima kasih, rasa hormat serta penghargaan kepada Pak
Rais, S.Si., M.Si. selaku pembimbing I dan Ibu Lilies Handayani, S.Si., M.Si selaku
pembimbing II, yang didalam kesibukannya masih berkenan memberikan bimbingan terbaiknya
dengan penuh kesabaran, keikhlasan dan ketelitian sehingga penulisan skripsi ini dapat
terselesaikan.
Pada kesempatan ini, penulis tidak lupa pula mengucapkan terima kasih dan penghargaan
yang sebesar-besarnya, kepada yang terhormat :
1. Prof. Dr. Ir. Muhammad Basir, SE., MS selaku Rektor Universitas Tadulako
2. Bapak Dr. M. Rusydi H, M.Si selaku Dekan Fakultas Mipa Universitas Tadulako
3. Bapak Junaidi, M.Si., Ph.D selaku ketua Jurusan Matematika Fakultas MIPA Universitas
Tadulako
4. Ibu Selvy Musdalifah, S.Si., M.Si selaku Sekretaris Jurusan Matematika Fakultas MIPA
Universitas Tadulako.
5. Ibu Nur’eni, S.Si., M.Si selaku Ketua Program Studi Statistika Jurusan Matematika Fakultas
MIPA Universitas Tadulako.
6. Ibu Fadjryani, ST., M.Si selaku Ketua Laboratorium Statistika Terapan Jurusan Matematika
Fakultas MIPA Universitas Tadulako.
7. Bapak Rais, S.Si., M.Si selaku Ketua Laboratorium Statistika Dasar Jurusan Matematika
Fakultas MIPA Universitas Tadulako.
8. Ibu Iut Tri Utami, S.Si., M.Si, ibu Hartayuni Sain, S.Si., M.Si, ibu Lilies Handayani, S.Si.,
M.Si, Bapak Muhammad Ikbal Thola, S.Si., M.Si., dan seluruh dosen Fakultas Mipa
Universitas Tadulako.
viii
9. Segenap Staf Tata Usaha Fakultas MIPA Universitas Tadulako.
10. Orang tua kandung penulis ayahanda tercinta Ahmad Sudiyono dan ibunda tercinta
Fitrhiya Latdjogka yang telah menjadi terang di dalam gelapku dan selalu mendoakan,
mendidik, memberi kasih sayang yang tulus, dan mengorbankan segalanya demi
penyelesaian studi penulis.
11. Saudara kandung penulis Dwi Adinda Maura. yang telah memberi semangat dan selalu ada
dalam proses penyelesaian skripsi ini.
12. Teman-teman seperjuangan (Angkatan 2014) Kasmi, Kifar, Mila, Pupu, Rahmat, Retno,
Iska, Sarifa, Riri, Iting, Fira, Liani, Sakina, Agus, Fattah, Bagus, William, Arfah, Ira, Tuti,
Anti, Arifa, Linda, Noni, Erlita, Nolfi, Fitri, Rain, Heni, Cici, Luluk, dan Riskia yang sama-
sama berjuang menuntut ilmu dan bertahan di program Studi Statistika. Terima kasih atas
segala kekompakan dan kerjasamanya, sukses selalu buat kalian.
13. Keluarga Besar HIMASTIKA FMIPA UNTAD (Angkatan 2012 – 2017).
14. Seluruh Pegawai Badan Pusat Statistik Kota Palu yang telah memberikan kesempatan
kepada penulis atas pengalaman kerja selama melaksanakan tugas magang.
15. Teman-teman KKN Posko Desa Tondo Kecamatan Sirenja Kabupaten Donggala (Angkatan
78) Riski, reyn, Aan, Sry, Dian dan Wiwit. Terima kasih atas pengalaman selama 1 bulan
dalam bekerja sama.
Akhir kata penulis menyadari skripsi ini masih jauh dari kesempurnaan. Oleh karena itu
penulis mengharapkan kritik dan saran yang membangun. Semoga skripsi ini dapat bermanfaat
bagi semua pihak.
Palu, Maret 2018
Penulis
ix
DAFTAR ISI
HALAMAN SAMPUL .................................................................................................................................. i

HALAMAN JUDUL .................................................................................................................................... ii
PERSETUJUAN PEMBIMBING................................................................................................................ iii
PENGESAHAN DEWAN PENGUJI .......................................................................................................... iv
P E R N Y A T A A N .................................................................................................................................. v
ABSTRAK .................................................................................................................................................. vi
ABSTRACT................................................................................................................................................ vii
KATA PENGANTAR ............................................................................................................................... viii
DAFTAR ISI................................................................................................................................................. x
DAFTAR GAMBAR .................................................................................................................................xiii
DAFTAR SIMBOL ....................................................................................................................................xiv
DAFTAR LAMPIRAN ............................................................................................................................... xv
BAB I ............................................................................................................................................................ 1
PENDAHULUAN ........................................................................................................................................ 1
1.1 Latar Belakang ............................................................................................................................ 1
1.2 Rumusan Masalah ...................................................................................................................... 3
1.3 Tujuan Penelitian ........................................................................................................................ 3
1.4 Manfaat Penelitian ...................................................................................................................... 3
BAB II........................................................................................................................................................... 4
TINJAUAN PUSTAKA ............................................................................................................................... 4
2.1 Pengertian Pertumbuhan Ekonomi ........................................................................................... 4
2.1.1 Pengertian Pendapatan Asli Daerah (PAD) ..................................................................... 4
2.1.2 Pengertian Dana Perimbangan (DP) ................................................................................. 5
2.1.3 Pengertian Belanja Modal (BM) ........................................................................................ 5
2.2 Regresi Data Panel ...................................................................................................................... 6
2.2.1 Fixed Effect Model (FEM) .................................................................................................. 9
2.2.2 Random Effect Model (REM) ............................................................................................. 9
2.3 Uji Spesifikasi Model ................................................................................................................ 10
1. Uji Hausman .............................................................................................................................. 10
x
2. Uji Breusch- Pagan ................................................................................................................... 11
2.4 Estimasi Parameter model ....................................................................................................... 11
1.3.1 Estimasi Parameter model ............................................................................................... 11
2.5 Pengujian Asumsi Data Panel .................................................................................................. 17
2.4.1 Uji Normalitas ................................................................................................................... 18
2.4.2 Uji Autokorelasi ................................................................................................................ 18
2.4.3 Uji Multikolinearitas......................................................................................................... 19
2.4.4 Uji Heteroskedastisitas ..................................................................................................... 20
2.6 Uji Signifikasi ............................................................................................................................ 20
2.5.1 Uji Serentak (Uji-F) .......................................................................................................... 20
2.5.2 Uji Parsial (Uji-t)............................................................................................................... 21
2.5.3 Pengujian Koefisien Determinasi..................................................................................... 22
2.7 Kerangka Pikir .......................................................................................................................... 23
BAB III ....................................................................................................................................................... 24
METODE PENELITIAN ............................................................................................................................ 24
3.1 Lokasi dan Tempat Penelitian ................................................................................................. 24
3.2 Populasi dan Sampel ................................................................................................................. 24
3.3 Sumber dan Jenis Data ............................................................................................................. 24
3.4 Prosedur Pengolahan Data ....................................................................................................... 25
3.5 Analisis Data .............................................................................................................................. 26
BAB IV ....................................................................................................................................................... 27
HASIL DAN PEMBAHASAN................................................................................................................... 27
4.1 Hasil Penelitian.......................................................................................................................... 27
4.1.1 Analisis Deskripsi Data......................................................................................................... 27
4.1.2 Uji Asumsi Klasik.............................................................................................................. 28
4.1.3 Analisis Model ................................................................................................................... 31
4.1.4 Estimasi Model .................................................................................................................. 32
4.1.5 Pemilihan Model Terbaik ................................................................................................. 33
BAB V ........................................................................................................................................................ 35
KESIMPULAN DAN SARAN................................................................................................................... 35
5.1 Kesimpulan ................................................................................................................................ 35
5.2 Saran .......................................................................................................................................... 36
xi
DAFTAR PUSTAKA ................................................................................................................................ 37
LAMPIRAN................................................................................................................................................ 39
xii
DAFTAR GAMBAR
Gambar 4.1 : Diagram Kasus Penyakit DBD 20
Gambar 4.2 : Diagram Kasus Penyakit HIV/AIDS 21
Gambar 4.3 : Diagram Kasus Penyakit TB 22
Gambar 4.4 : Diagram Jumlah Kelahiran 22
Gambar 4.5 : Diagram Kasus Kematian Bayi 23
Gambar 4.6 : Diagram Kasus Kematian Ibu 24
Gambar 4.7 : Diagram Fasilitas Kesehatan 42
Gambar 4.8 : Diagram Tenaga Medis 42
Gambar 4.9 : Pembagian Kelompok Biplot 30
Gambar 4.10 : Korelasi Antar Variabel 31
Gambar 4.11: Korelasi dan Kelompok Biplot 32
xiii
DAFTAR SIMBOL
𝑋 : Matrix
p : Variabel
n : Objek
U dan A : Matrix denagn kolom ortonormal
𝐿 : Matrix diagonal dengan ukuran (r × r)
𝑢𝑖𝑘 : adalah elemen ke-(i,k)
𝑎𝑗𝑘 : adalah elemen ke-(j,k)
gi* dan j* : masing-masing berisi elemen unsure gi dan j
2Xij : unsure pendekatan matrix X pada dimensi 2
G : titik-titik koordinat dari n objek
H : titk-titik koordinat dari p variabel
xiv
DAFTAR LAMPIRAN
Lampiran 1 : Data indikator Kesehatan Kabupaten Parigi Moutong dalam

angka kesakitan 38

angka kelahiran 39

angka kematian 40

sarana prasarana kesehatan. 41
Lampiran 5 : Program R membuat matriks X. 42
Lampiran 6 : Program R membuat nilai SV 43
Lampiran 7 : Program R mencari nilai matriks U 44
Lampiran 8 : Program R mencari nilai matriks L 45
Lampiran 9 : Program R mencari nilai matriks A 45
Lampiran 10 : Program R mencari nilai matriks G 46
Lampiran 11 : Program R mencari nilai matriks H 47
Lampiran 12 : Program R mencari nilai matriks 48
xv
xvi
xvii
xviii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pertumbuhan ekonomi merupakan indikator penting untuk melihat keberhasilan suatu

negara. Menurut (Prasetyo, 2009) mengatakan pertumbuhan ekonomi dapat bernilai
positif dan negatif dikatakan bernilai positif apabila pertumbuhan ekonomi tersebut
mengalami kenaikan sebaliknya dikatakan bernilai negatif apabila pertumbuhan ekonomi
mengalami penurunan. Pada dasarnya negara-negara yang telah maju memiliki
perekonomian yang sudah merata. Semakin tinggi pertumbuhan perekonomian suatu
negara maka angka kemiskinan dan pengangguran akan semakin rendah. Oleh sebab itu
setiap negara berusaha keras untuk mencapai pertumbuhan ekonomi yang optimal.
Pertumbuhan ekonomi di Indonesia mengalami perkembangan yang fluktuatif setelah

terjadi krisis ekonomi nasional pada akhir abad ke-20an. Pada periode 2009 hanya
tumbuh sebesar 4,63% akibat krisis global, di tahun 2010 sebesar 6,22%, di tahun 2011
sebesar 6,49%, kemudian pada tahun 2012 sebesar 6,26% sedangkan pada tahun 2013
sebesar 5,78% (BPS, 2015).
Penelitian pertumbuhan ekonomi pernah dilakukan oleh Yunisa (2014) mengenai

pengaruh dana perimbangan, pendapatan asli daerah dan belanja modal terhadap
pertumbuhan ekonomi. Penelitian tersebut menggunakan analisis regesi berganda yang
menghasilkan bahwa dana perimbangan dan pendapatan asli daerah berpengaruh
signifikan terhadap pertumbuhan ekonomi. Penelitian lainnya oleh Setiawati dkk (2007)
mengenai analisis pengaruh Pendapatan Asli Daerah (PAD), Dana Alokasi Umum
(DAU), Dana Alosi Khusus (DAK), dan Belanja Pembangunan terhadap pertumbuhan
ekonomi, kemiskinan dan pengangguran. Hasil dari penelitian tersebut meyatakan bahwa
PAD berpengaruh positif terhadap pertumbuhan ekonomi. Demikian juga penelitian
menurut Pattawe (2016) meneliti tentang pertumbuhan ekonomi dengan mengamati
1
Pengaruh Pendapatan Asli Daerah (PAD), Dana Perimbangan (DP), dan Belanja Modal
(BM) terhadap Pertumbuhan Ekonomi menggunakan Analisis Jalur. Dari hasil
penelitiannya diperoleh bahwa PAD dan DP berpengaruh signifikan terhadap
pertumbuhan ekonomi.
Melihat adanya penelitian-penelitian terdahulu dengan analisis regresi berganda dan

analisis jalur menunjukan bahwa PAD dan DP berpengaruh signifikan terhadap
pertumbuhan ekonomi di Indonesia. Oleh sebab itu, identifikasi berbagai macam faktor
yang mempengaruhinya termasuk peran pemerintah menarik dikaji lebih dalam namun
dengan analisis yang berbeda. Faktor-faktor yang mempengaruhi pertumbuhan ekonomi
dapat dianalisis menggunakan analisis statsistika, dalam hal ini yang sering digunakan
adalah analisis regresi. Analisis regresi merupakan salah satu analisis untuk melihat
hubungan sebab akibat yaitu digunakan untuk memahami variabel bebas mana saja yang
berhubungan dengan variabel terikat. Salah satu pengembangan dari analisis regresi
adalah regresi data panel
Regresi data panel merupakan gabungan dari data time series dan data cross section.
Keuntungan menggunakan regresi data panel, yaitu mampu mengontrol heterogenan
individual dengan data cross section diasumsikan homogen tanpa ada pengaruh lain yang
masuk misalnya waktu, sedangkan pada data time series, data yang diperoleh akan
berubah setiap periode waktu. Penggabungan dari dua data ini dapat mengatasi masalah
yang timbul karena penghilangan variabel, memberikan data yang lebih informatif,
membangun dan menguji model yang lebih kompleks dibadingkan dengan menggunakan
data atau cross section (Ratnasari, 2014). Secara umum model regresi data panel
beraneka ragam dan dapat ditaksir melalui tiga pendekatan, yakni pendekatan Common
Effect Model (COM), Fixed Effect Model (FEM) dan Random Effect Model (REM).
Model yang cocok untuk menganalisis data panel pada pertumbuhan ekonomi diperoleh
dari uji spesifikasi model data panel. Adapun uji-uji tersebut adalah uji Chow, uji
Husman, dan uji Lagrange Multiplier (LM).
2
Berdasarkan latar belakang di atas peneliti tertarik untuk melakukan penelitian
menggunakan analisis regresi data panel untuk mengetahui model terbaik dan mengetahui
faktor-faktor yang paling signifikan terhadap pertumbuhan ekonomi di Indonesia.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah dalam penulisan ini adalah sebagai
berikut :
1. Bagaimana menentukan model pertumbuhan ekonomi di Indonesia dengan regresi
data panel?
2. Apa saja faktor-faktor yang berpengaruh signifikan terhadap pertumbuhan ekonomi
di Indonesia menggunakan regresi data panel?
1.3 Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah sebagai berikut :

1. Untuk mengetahui model pertumbuhan ekonomi menggunakan regresi data panel.
2. Untuk mengetahui faktor-faktor yang berpengaruh signifikan terhadap pertumbuhan
ekonomi di Indonesia menggunakan regresi data panel.
1.4 Manfaat Penelitian
Menambah wawasan dalam ilmu statistika, terutama tentang analisis regresi yang
berkaitan dengan regresi data panel dan sebagai salah satu bahan pertimbangan dan
referensi serta memberikan informasi yang dapat mendukung tujuan pihak yang ingin
melakukan penelitian yang berhubungan dengan analisi regresi data panel.
3
BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Pertumbuhan Ekonomi
Pertumbuhan ekonomi merupakan salah satu indikator keberhasilan pembangunan suatu

perekonomian. Kesejahteraan dan kemajuan suatu perekonomian ditentukan oleh besarnya
pertumbuhan yang ditunjukan oleh perubahan output nasional. Adanya perubahan output
dalam perekonomian merupakan analisis ekonomi jangka pendek. Secara umum
pertumbuhan ekonomi dapat diukur dengan beragam cara antara lain melalui angka
Produk Domestik Regional Bruto (PDRB), investasi, inflasi, pajak dan retribusi,
pinjaman, dan pelayanan bidang ekonomi (Ma’ruf dkk, 2008).
Menurut Todaro yang dikutip Apriana dkk (2010), terdapat tiga faktor atau komponen
utama dalam pertumbuhan ekonomi dari setiap bangsa, ketiganya adalah:
1. Akumulasi modal yang meliputi semua bentuk atau jenis investasi baru yang
ditanamkan pada tanah, peralatan fisik, dan modal atau sumber daya manusia.
2. Pertumbuhan penduduk beberapa tahun selanjutnya yang akan memperbanyak jumlah
akumulasi kapital.
3. Kemajuan teknologi.
Melihat dari tiga aspek tesebut dapat disimpulkan bahwa faktor-faktor yang mempengaruhi
pertumbuhan ekonominya itu investasi luar negri dan dalam negri, pendapatan asli daerah,
dana perimbangan, belanja modal, pendidikan, Dana Alokasi Umum (DAU), Dana Alokasi
Khusus (DAK) dan lain sebagainya. Namun dalam hal ini hanya tiga faktor yang akan
diteliti dalam peneliti ini yaitu, Pendapatan Asli Daerah, Dana Perimbangan dan Belanja
Modal. Dimana ketiga faktor ini dapat berpengaruh terhadap kemandirian daerah yaitu
mampu memenuhi kebutuhannnya serta dapat memakmurkan masyrakatnya dan kemudian
masyarakatnya dapat merangsang peningkatan ekonomi regionalnya (Apriana dkk, 2010).
2.1.1 Pengertian Pendapatan Asli Daerah (PAD)
4
Pada Penjelasan UU No. 33 Tahun 2004, Pendapatan Asli Daerah (PAD)
merupakan pendapatan daerah yang bersumber dari hasil pajak daerah, hasil
retribusi Daerah, basil pengelolaan kekayaan daerah yang dipisahkan, dan lain-lain
pendapatan asli daerah yang sah, yang bertujuan untuk memberikan keleluasaan
kepada daerah dalam menggali pendanaan dalampelaksanaan otonomi daerah sebagai
mewujudan asas desentralisasi. Sumber-sumber pendapatan daerah yaitu dari hasil
pajak daerah, hasil retribusi daerah, hasil perusahaan milik daerah, dan hasil
pendapatan daerah yang sah lainnya (Apriana dkk, 2010).
2.1.2 Pengertian Dana Perimbangan (DP)
Undang-undang No. 33 Tahun 2004 menjelaskan bahwa dana perimbangan adalah

dana yang bersumber dari pendapatan APBN yang dialokasikan kepada Daerah
untuk mendanai kebutuhan Daerah dalam rangka pelaksanaan Desentralisasi. Dana
perimbangan bertujuan mengurangi kesenjangan fiskal antara Pemerintah dan
Pemerintahan Daerah dan antar-Pemerintah Daerah (Yunisa, 2014).
Kebijakan perimbangan keuangan atau ditekankan pada empat tujuan utama, yaitu:
1. Memberikan sumber dana bagi daerah otonom untuk melaksanakan urusan yang
diserahkan yang menjadi tanggungjawabnya;
2. Mengurangi kesenjangan fiskal antara pemerintah pusat dan pemerintah daerah,
dan antar pemerintah daerah;
3. Meningkatkan kesejahteraan dan pelayanan publik dan mengurangi kesenjangan
kesejahteraan dan pelayanan publik antar daerah; serta
4. Meningkatkan efisiensi, efektifitas dan akuntabilitas pengelolaan sumber daya
daerah, khususnya sumber daya keuangan.
2.1.3 Pengertian Belanja Modal (BM)
Menurut Kementrian Keuangan Republik Indonesia Direktorat Jendral

Anggaran, Belanja modal merupakan pengeluaran anggaran yang digunakan
dalam rangka memperoleh atau menambah aset tetap dam aset lainnya yang
memberi manfaat lebih dari satu periode akuntansi serta melebihi batasan minimal
5
kapitalisasi aset tetap atau aset lainnya yang ditetapkan pemerintah. Ada lima
kategori dalam belanja modal yaitu belanja modal tanah, belanja modal peralatan
mesin, belanja modal gedung dan pembangunan, belanja modal jalan, irigasi dan
jaringan, dan belanja modal fisik lainnya (Yovita, 2011).
2.2 Regresi Data Panel
Data panel adalah data yang merupakan hasil dari pengamatan pada beberapa individu atau
data tabel silang (cross-section) yang merupakan masing-masing diamati dalam beberapa
periode waktu yang berurutan (time series). keuntungan menggunakan analisi regresi data
panel adalah memperoleh hasil estimasi yang lebih baik karena seiring dengan peningkatan
jumlah observasi yang otomatis berimplikasi pada peningkatan derajat kebebasan (degree
of freedom) dan menghindari kesalahan penghilangan variabel.
Data cross section merupakan data yang terdiri dari jumlah individu yang dikumpulkan
pada suatu waktu tertentu. Model dengan data cross section sebagai berikut :
Yi    i X i   i i  1, 2,..., N (2.1
)
Dengan,
N = banyaknya data Cross section
Sedangkan data runtun waktu (time series) merupakan data yang terdiri dari satu individu
tetapi meliputi beberapa periode waktu tertentu. Model dengan data runtun waktusebagai
berikut :
Yt    t X t   t t  1, 2,..., T (2.2
)
Dengan,
T= banyaknya data runtun waktu
Regresi panel merupakan tehnik untuk memodelkan pengaruh variabel independen

terhadap variabel dependen pada data panel. Bentuk umum regresi data penel adalah
sebagai berikut:
Yit   it*  it X it  uit i  1, 2,..., N t  1, 2,..., T (2.3
)
6
uit = ci  dt   it
 it N (0,  2 I )
Dimana,
Yit : Observasi dari unit ke-i dan diamati pada periode waktu ke-t
 it* : Intersept; efek individu dari unit cross-section ke-i dan waktu ke-t
 it : koefisien slop ntuk semua unit
X it : Variabel bebas untuk unit cross-section ke-i dan waktu ke-t
 it : Error individu ke-i waktu ke-t.
e  0 0
 y1     x1  1 
  0 * e  *  0
Y            N*       
  1   2  
 yN         xN   N 
0 0  
e
Dimana,
 yi1   x1i1 x2i1 xki1  ui1 
y  x x xki 2  u 
yi   i 2  , X i   1i 2 2i 2 
, ui   i 2 
     
Tx1 Txk Tx1
 yiT   x1iT x2iT xkiT  uiT 
e  (1,1,
1 xT
,1) ui  (u i1 , , uiT )
Tx1
Eui  0 Eui ui   u2 IT Eui uj  0 bila i  j
Bedasarkan persamaan (2.3), maka terdapat beberapa model umum

1. Jika ci  0 dan dt  0 , maka persamaan menjadi:
Yit    it X it   it (2.4

)
7
Persamaan ini disebut Common Effect Model (CEM) atau regresi linier klasik yaitu
model tanpa pengaruh individu (Cross-section) maupun waktu (time series) sehingga
diasumsikan bahwa perilaku antara individu sama dalam berbagai kurun waktu.
Model ini dapat di estimasi dengan metode OLS.
2. Jika dt  0 ci  0 , maka persamaan menjadi:
Yit   it*  it X it  ci   it (2.5

)
Persamaan ini disebut model komponen satu arah dimana model regresi ini hanya di
pengaruhi oleh salah satu komponen yaitu komponen individu (cross-section) artinya
tidak ada pengaruh waktu didalam model.
3. Jika ci  0 dt  0 , maka persaan menjadi :
Yit   it*  it X it  dt   it (2.6

)
Persamaan ini disebut model komponen satu arah dimana model regresi ini hanya di
pengaruhi oleh salah satu komponen yaitu komponen waktu (time series) artinya
tidak ada pengaruh individu didalam model.
4. Jika ci  0 dan dt  0 maka persamaan menjadi :
Yit   it*  it X it  ci  dt   it (2.7

)
Persamaan ini disebut model komponen dua arah dimana model regresi memuat
komponen individu (cross-section) dan waktu (time series) artinya terdapat pengaruh
individu dan waktu di dalam model.
Secara umum, dengan menggunakan data panel akan dihasilkan intersep dan slope
koefisien yang berbeda-beda pada setiap individu dan setiap periode waktu. Oleh karena
itu, dalam mengistimasi (2.4) akan sangat tergantung pada asumsi yang dibuat tentang
intersep, slope koefisien dan variabel gangguannya (Hsiao, 2000) berikut asumsi tersebut.
1. Intersep dan slope tetap sepanjang waktu dan individu serta perbedaan intersep dan
slope djelaskan oleh variabel gangguan. Modelnya di tulis pada (2.1)
2. Slope tetap, tetapi ntersep berbeda antara individu. Modelnya sebagai berikut.
Yit   i   X it  uit
(2.8
)
8
3. Slope tetap, teapi intersep berbeda aik antara waktu maupun anara idividu. Modenya
sebagai berikut.
Yit   it   X it  uit (2.9
)
4. Intersep dan slope berbeda antara individu. Modelnya sebagai berikut.
Yit   it  i X it  uit (2.10
)
5. Intersep dan slope berbeda antar waktu dan antar individu. Modelnya sebagai berikut.
Yit   it  i X it  uit (2.11
)
Berdasarkan asumsi pengaruh atau effect yang digunakan dalam regersi data panel, model
regresi data panel dibagi menjadi 2 yaitu Fixed Effect Model (FEM) dan Random Effect
Model (REM).
2.2.1 Fixed Effect Model (FEM)
FEM adalah metode regresi yang mengestimasi data panel dengan menambahkan
variabel dummy. FEM untuk data panel, pemilihan individu dan waktu ditentukan
secara fixed oleh peneliti, sehingga pengaruh hanya sebatas pada individu dan waktu
yang ditentukan tersebut. Dengan demikian, efek dari individu dan waktu
diasumsikan sebagai fixed parameter dan hasil taksirannya berupa suatu kontanta
yang merupakan salah satu komponen pembentuk intercept pada model. Perbedaan
karakteristik individu dan waktu diakomodasikan pada intersepnya berubah antara
individu dan waktu. Berikut adalah persamaan regresi komponen satu arah pada
FEM dengan penambahan variabel dummy:
N
Yit      k Dki   X it   it (2.12)
K 2
Dimana, D = (d1,d2,...,dk) merupakan variabel dummy untuk unit ke-i penggunaan

variabel dummy inilah yang membuat estimasi pada FEM disebut Least Square
Dummy Variabel (LSDV).
2.2.2 Random Effect Model (REM)
9
REM merupakan model regresi yang mengestimasi data panel dengan menghitung
error dari model regresi dengan metode Genaralized Least Square (GLS). Pada
REM untuk data panel, pemilihan individu dan waktu dilakukan secara acak,
sehingga pengaruh dari individu dan waktu diasumsikan merupakan variabel acak.
Karena itu pada REM untuk data panel, perbedaan karakteristik individu dan waktu
diakomodasikan pada error dari model. Persamaan REM dapat ditulis sebagai
berikut:
Yit   it*  it X it  uit ; uit = ci  dt   it
Dimana, (2.13
)
ci  Komponen error cross-section
d t  Komponen error time series
 it  Komponen error gabungan

Adapun asumsi yang digunakan komponen error tersebut adalah :
ci N (0,  c2 )
dt N (0,  d2 )
 it N (0,  2 )
2.3 Uji Spesifikasi Model
Dari ke tiga model yang telah diestimasi akan dipilih model mana yang paling tepat/sesuai
dengan tujuan penelitian. Ada tahap uji (test) yang dapat dijadikan alat dalam memilih
model regresi data panel yaitu:
1. Uji Hausman
Uji Hausman dapat didefinisikan sebagai pengujian statistik untuk memilih apakah
model Fixed Effect atau Random Effect yang paling tepat digunakan. Pengujian uji
Hausman dilakukan dengan hipotesis berikut:
H0 : Random Effect Model
H1 : Fixed Effect Model
Statistik ujinya:
(2.14 10
)
 obs
2
 (   OLS ) 1 (   GLS )
Jika nilai statistik Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan model
yang tepat adalah model Fixed Effect sedangkan sebaliknya bila nilai statistik
Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah model Random
Effect.(Rosadi, 2012)
2. Uji Breusch- Pagan

Uji ini bertujuan untuk melihat apakah terdapat efek cross-section / time series atau
keduanya.
Hipotesis:
H 0 : c  0, d  0 atau tidak terdapat efek cross-section maupun waktu
H 0 : c  0, dt iid , N (0,  d2 ) atau tidak terdapat efek cross-section
H 0 : c  0, dt iid , N (0,  d2 ) atau terdapat efek cross-section
H 0 : d  0, ct iid , N (0,  d2 ) atau tidak terdapat efek waktu
H 0 : d  0, ct iid , N (0,  d2 ) atau terdapat efek waktu
Statistik uji:
Wilayah kritik : jika nilai p-value kurang dari taraf signifikan ang ditentukan maka
tolak hipotesis awal (H0)
2.4 Estimasi Parameter model
1.3.1 Estimasi Parameter model
1. Ordinary Least Square (OLS) Estimation
Data panel tentunya akan mempunyai observasi lebih banyak dibanding data
tabel silang atau runtun waktu saja. Akibatnya, ketika data digabungkan guna
membuat regresi data panel maka hasilnya cenderung akan lebih baik dibanding
regresi yang hanya menggunakan data tabel silang atau runtun waktu saja.
11
Pada estimasi dengan metode OlS estimator yang diperoleh adalah BLUE (Best
Linier Unbiased Estimator) dengan parameter yang diestimasi adalah  i* dan  .
Adapun kajian estimasi sebagai berikut:
N
Misal, S   uiui dimana ui  yi  e i*  X i  sehingga dieroleh persamaan (4.1)
i 1
N
S   uiui
i 1
N
  ( yi  e i*  X i  )( yi  e i*  X i  )
i 1
N
  ( yi yi  yiei*  yi X i   i*eyi  i*eei*  i*eX i    X i yi   X iei*   X i X i  )
i 1
N
  ( yi yi  2 yiei*  2 yi X i   2i*eX i   i*ee i*   X i X i  ) (2.15
i 1
)
Selanjutnya (2.4) diturunkan terhadap  i* sehingga di peroleh (2.15)
S  (y  y  2 y e
i i i
*
i  2 yi X i   2 i*eX i    i*ee i*    X i X i  )
 i 1
 i*  i*
N
  (2 yie  2 X ie  2e i* )
i 1
N N N
 2 yie  2 e X i  2ee  i* (2.16
i 1 i 1 i 1
)
Selanjutnya (2.16) disamakan dengan nol. Tahapannya sebagai berukut:
S
0
 i*
N N N
2 yie  2  e X i  2ee  i*  0
i 1 i 1 i 1
N N N
 yie   e X i  ee  i*  0
i 1 i 1 i 1
N N N
ee  i*   yie   e X i
i 1 i 1 i 1
12
N N N
    yi    X i
i 1
*
i
i 1 i 1 i  1, 2,..., N
ˆ  yi    X i
*
i
(2.17
)
Setelah ˆ i* ditemukan, selanjutnya dilakukan estimasi  . Langkah pertama
dilakukan adalah (2.4) diturunkan dengan  . taapannya sebagai berikut:
S  (y  y  2 y e
i i i
*
i  2 yi X i   2 i*eX i    i*ee i*    X i X i  )
 i 1
 
N
  (2 yi X i  2 i*eX i  2   X i X i )
i 1
N N N
  yi X i    i*eX i    X i X i (2.18
i 1 i 1 i 1 )
Selanjutnya (2.18) disamakan dengan nol sehingga diperoleh (2.19)
S
0

N N N
 yi X i    i*eX i    X i X i  0
i 1 i 1 i 1
N N N
  X i X i   yi X i    i*eX i
i 1 i 1 i 1
N N N
  X  X   y  X  [ y   X ]X
i 1
i i
i 1
i i
i 1
i i i
N N N
  X i X i   yi X i   [ yi X i    X i X i ]
i 1 i 1 i 1
N N N N
  X i X i   yi X i   yi X i     X i X i
i 1 i 1 i 1 i 1
N N N N
   X iX i     X iX i   yi X i   yi X i

i 1 i 1 i 1 i 1
N N
  [ X i X i  X i X i ]   yi X i  NX i yi
i 1 i 1
N N
  [( X i  X i )( X i  X i )]   ( X i  X )  ( yi  yi )
i 1 i 1
1
N  N 
ÔLS    [( X i  X i )( X i  X i )]   ( X i  X i )  ( yi  yi )  (2.19
 i 1   i 1 
)
13
2. Least Square Dummy Variable (LSDV)
Estimasi parameter dengan metode LSDV tidak berbeda jauh dengan metode
OLS. Tahapannya sama dengan metode OLS, tetapi pada LSDV digunakan
variabel dummy karena nilai observasi variabel untuk koefisien  i* diambil dari
variabel dummy. Selanjutnya, membuat persamaan yang ekuivalent dengan
persamaan (4.1) dengan matriks transformasi yang berukuran T x T dan
idempotent (Hsiao, 2002), yakni :
1
Q  IT  ee (2.20
T )
Untuk menghilangkan efek individu  i* agar dapat mengukur pengamatan
individu sebagai deviasi dari means individu terhadap waktu, maka subtitusikan
(2.14) pada (2.9) di kedua ruas persamaan, sedemikian hingga di peroleh
persamaan (2.16)
Qyi  Qe i*  QX i   Qui
 1 
  IT  ee e i*  QX i   Qui
 T 
 1 
 e i*  eee i*   QX i   Qui
 T 
 1 
 e i*  e i* T   QX i   Qui
 T 
 0  QX i   Qui
 QX i   Qui i  1, 2,..., n (2.21
) parameter pada
Dengan menggunakan tahapan dari metode estimasi OLS, maka
(2.16) dapat diestimasi, sebagai berikut.
Dari persamaan (2.16) diubah ke dalam bentuk seperti pada persamaan berikut .
Qui  Qyi  QX i 
(2.22
)
Misalkan F   (Qui )(Qui ) . dengan menurunkan secara parsial, maka diperoleh
i 1
persamaan (4.18). Selanjutnya, (4.18) diturunkan terhadap  sehingga diperoleh
14
(4.19). kemudian (4.19) disamakan dengan nol hingga di temukan ˆLSDV . Tahap
analisis sebagai berikut.
N
F   (Qyi  QX i  )(Qyi  QX i
i 1
N
   yiQQyi  yiQQX i     X iQQyi    X iQQX i  
i 1
N
   yiQQyi  2 yiQQX i     X iQQX i  
i 1
N
   yiQQyi  2 yiQQX i     X iQQX i   (2.23
i 1 )
N
F   yQQy  2 yQQX     X QQX  

i i i i i i
 i 1
 
N
   2 yiQQX i  2  QiX iQX i 
i 1
N N
  2 yiQQX i   2 QiX iQX i (2.24
i 1 i 1 )
F
0

N N
 2 yQQX   2 QX QX

i 1
i i
i 1
i i i 0
N N
 2 QiX iQX i  2 yiQQX i

i 1 i 1
 N
  N

   QiX iQX i     yiQQX i 
 i 1   i 1 
 N
  N

   (Qi) 1 QiX iQX i     yi(Qi) 1 QQX i 
 i 1   i 1 
N  N 
   X iQX i     yiQX i 
 i 1   i 1 
1
 N
  N

ˆLSDV    X iQX i    yiQX i  (2.25
 i 1   i 1  )
Estimator kovarians dari ˆLSDV unbias dan konsisten ketika N or T atau keduanya
invinit. Sehingga matriks varians kovariansnya sebagai berikut:
15
 N 1
 N 
LSDV )  Var    X i QX i 
Var ( ˆ 
  y QX  
  i 1   i 1
i i


 N   N  
1
 Var    X i QX i    X i Qyi  

  i 1   i 1  

1 
 N   N  
1
N 
   X i QX i  Var   X i Qyi     X i QX i  
 
 i 1   i 1    i 1  
N
1
 N   N 1
 N 
   X iQX i    X iQ  Var (Y )    X iQX i   X iQ 
 i 1   i 1    i 1  i 1 
 
1 1
N  N  N  N 
   X iQX i    X iQ   u2   X i Q    X iQX i 
 i 1   i 1   i 1   i 1 
1 1
N  N  N 
   X iQX i    X iQX i    X iQX i   u2
 i 1   i 1   i 1 
1
N 
   X iQX i  I u2
 i 1 
1
N 
  I   X iQX i 
2
u
 i 1 
1
N 
    X iQX i 
2
u
 i 1 
3. Generalized Least Squares (GLS) Estimation

Untuk REM, pendugaan parameternya dilakukan menggunakan Generalized
Least Square (GLS) jika matriks diketahui, namun jika tidak diketahui dilakukan
dengan FGLS yaitu menduga elemen matriks  . Pada REM ketidak lengkapan
informasi untuk setiap unit cross section dipandang sebagai error sehingga
adalah bagian dari unsur gangguan. Model REM dapat dituliskan dapat dituliskan
sebagai berikut.
k
Yit      k X kit  ( i  en ) (2.26
k 1 )
Asumsi:
16
i N (0,  2 ) E ( i  j )  0; i  j
eit N ( N (0,  u2 E ( i it )  0
E (eit , eis )  E (eit , e jt )  E (eit , e js )  0; i  j; t  s
Untuk data –data tabel silang ke-i persamaan da atas dapat ditulis
yt  X i   (i1  ei ). Varians komponen dari unsur gangguan ( i 1  ei ) untuk
unit data tabel silang ke-i adalah :
 2   e2  2  2 
 2 
  2   e2  2 
  
 
 2 2
   2  e 
2
Varians komponen  identik untuk setiap unit data tabel silang. Sehingga varian
komponen untuk seluruh observasi dapat ditulis:
 0 0 
0 0 

W 
 
 
0 0 
Jika nilai  diketahui maka persamaan dapat diduga dengan menggunakan
Generalized Least Square (GLS) dengan ˆ  ( X W 1 X )1 ( X W 1 y ). jika  tidak
diketahui maka  perlu diduga dengan menggunakan ˆ e2 dan ˆ 2 , sehingga
persamaan di atas diduga dengan ˆ  ( X Wˆ 1 X )1 ( X Wˆ 1 y ) dimana

ee
ˆ e2  dengan ê  y  X ˆ adalah residu dari Least Squared Dummy
NT  N  K
ˆ12  ˆ e2
Variable (SLDV), Sedangkan eˆ  2
.
T
2.5 Pengujian Asumsi Data Panel
Menurut Yudiatmaja, model regresi data panel dapat disebut sebagai model yang baik jika
model tersebut memenuhi kriteria Best, Linear, Unbiased dan Estimato (BLUE). BLUE
dapat di capai bila memenuhi asumsi klasik. Apabila persamaan yang terbentuk tidak
17
memenuhi kaida BLUE, maka persamaan tersebut diragukan kemampuannya dalam
menghasilkan nilai-nilai prediksi yang akurat. Tetapi bukan berarti persamaan tersebut
tidak bisa digunakan dalam memprediksi. Agar suatu persamaan tersebut dapat
dikategorikan memenuhi kaida BLUE, maka data yang digunakan harus memenuhi
beberapa asumsi yang sering di kenal dengan istilah uji asumsi klasik. Adapun uji asumsi
klasik sebagai berikut :
2.4.1 Uji Normalitas
Uji kenormalan digunakan untuk melihat kenormalan galat dan uji yang digunakan
adalah Kolmogorov-Smirnov (KS). Uji ini membandingkan serangkaian data pada
sampel terhadap distribusi normal serangkaian nilai dengan mean dan standar deviasi
yang sama.
Hipotesis pada uji Kolmogorov-Smirnov sebagai berikut :
H0 = Galat berdistribusi normal
H1 = Galat tidak berdistribusi normal
Dengan menentukan α sebesar 0,05 dan membandingkan dengan nilai kritis (p-
value). Jika p-value > α maka terima H0. Artinya data terdistribusi secara normal.
2.4.2 Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah terdapat korelasi antara anggota
serangkaian observasi yang diurutkan menurut waktu (seperti data time series) dan
ruang (seperti data cross section). Metode pengujian yang digunakan dalam
penelitian ini adalah uji Run Test.
Run Test sebagai bagian statistik noo-parametrik dapat digunakan untuk menguji
apakah antara residual terdapat korelasi yang tinggi atau tidak. jika antara residual
18
tidak terdapat hubungan korelasi maka maka dikatakan residual adalah acak atau
random. Run Test diguanakan untuk melihat apakah residual terjadi secara random
atau tidak.
Hipotesis pengujian
H 0 : Residual Random (acak)
H1 : Residual tidak Random

Kriteria uji :
Tolak H0 jika p-value uji Run Test > 0.05, sebaliknya tolak H1 jika p-value uji Run
Test < 0.05 .
2.4.3 Uji Multikolinearitas
Uji multikolinearitas ini bertujuan untuk menguji apakah dalam model regresi panel
ditemukan adanya korelasi antar variabel independen. Model yang baik adalah model
yang tidak terjadi korelasi antar variabel independennya.
Menurut Gujarati (2004), salah satu cara untuk mengidentifikasi adanya kasus
multikolinieritas yaitu dengan melihat nilai Variance Inflating Factor (VIF) yang
lebih dari 10. Nilai VIF menunjukan bagaimana variansi dari hasil taksiran parameter
meningkat karena adanya multikolinieritas. Rumus untuk menentukan nilai VIF
adalah sebagai berikut:
1
VIF  (2.27
1  R 2j )
dimana,
R2j = koefisien determinasi
Masalah multikolinieritas juga dapat diatasi dengan beberapa cara, diantaranya yaitu
dengan mengeluarkan variabel bebas yang berkorelasi tinggi, melakukan
transformasi data, menambah data, menggunakan regresi ridge atau dapat juga
menggunakan Principal Component Analysis (PCA).
19
2.4.4 Uji Heteroskedastisitas
Dalam asumsi klasik untuk menguji apakah terjadi pelanggaran terhadap

heteroskedastisitas dapat dilakukan dengan uji Park. Pengujian dilakukan dengan
meregresikan nilai log residual kuadrat sebagai variabel dependen dengan variabel
independennya.
Hipotesis pengujian hetroskedastisitas :
H0 = Tidak ada heteroskedastisitas
H1 = ada hetroskedastisitas
Uji ini mengasumsikan bahwa  i2 adalah fungsi dari variabel bebas Xi. Fungsi yang
di anjurkan adalah :
 i2   2 X i evi (2.28
Atau bisa dinyatakan dalam bentuk : )
ln  i2  ln  2   ln X i  Vi (2.39
)
Karena  i2 tidak diketahui maka Park menyarankan menggunakan residual dari hasil
regresi ( ei2 ) sebagai proyeksi dan menyarankan untuk melakukan regresi persamaan
sebagai berikut :
ln ei2  ln  2   ln X i  Vi (2.30
)
Jika  tidak signifikan artinya tidak terdapat heteroskedastisitas.
2.6 Uji Signifikasi
2.5.1 Uji Serentak (Uji-F)
Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen dalam
model mempunyai pengaruh secara bersama-sama terhadap variabel dependen. Uji-F
diperuntukan guna melakukan uji hipotesis koefisien (kemiringan) regresi secara
bersamaan. Dengan demikian, secara umum hipotesisnya dituliskan sebagai berikut :
H 0 : 1  2  3  ...  k  0
20
H1 : Tidak demikian (paling tidak ada satu kemirigan yang  0)
Dimana k adalah variabel bebas.

Statistik uji :
R 2 / (n  K  1) (2.31
Fhitung 
(1  R 2 ) / (nT  n  K ) )
Dengan :
R 2 = Koefisien determinasi
n = Jumlah data silang
T = Jumlah data runtun waktu
K = Jumlah variabel Independen
Kriteria uji : H 0 ditolak jika Fhitung  F( , n  K ,nT  n  K ) , artinya bahwa hubungan antara
semua variabel independent dan variabel dependen berpengaruh signifikan (Gujarati,

2003).
2.5.2 Uji Parsial (Uji-t)
Untuk mengetahui pengaruh signifikan setiap variabel independen terhadap variabel

dependen menggunakan uji t. Adapun hipotesis dalam uji ini adalah sebagai berikut:
H0 :  j  0
j = 0,1,2,..., k (k adalah koefisien kemiringan)
H1 :  j  0
Dari hipotesis tersebut dapat terlihat arti dari pengujian yang dilakukan, yaitu
berdasarkan data yang tersedia akan dilakukan pengujian terhadap koefisien regresi
apakah sama dengan nol yang berarti variabel bebas tidak mempunyai pengaruh
signifikan terhadap variabel terikat, atau tidak sama dengan nol yang berarti variabel
bebas mempunyai pengaruh signifikan terhadap variabel terikat.
Uji t didefinisikan sebagai berikut :

bj   j
t (2.32
s.e(b j )
)
21
Tetapi karena akan diuji apakah sama dengan nol, maka nilai dalam persamaan harus
diganti dengan nol. Maka formula uji t menjadi,
bj
t (2.33
s.e(b j ) )
Nilai di atas akan dibandingkan dengan nilai t tabel. Bila ternyata setelah dihitung
thitung  t( /2 nT  n  K ), maka nilai t berada dalam daerah penolakan, sehingga hipotesis
nol ditolak pada tingkat kepercayaan (1-  )-100%. Dalam hal ini dapat dikatakan
bahwa  j signifikan secara statistika.
2.5.3 Pengujian Koefisien Determinasi
Koefisien R2 dapar di hitung dengan menggunakan
  Yˆ  Y 
2
i JKR
R2   (2.34
 Y  Y 
2
i
JKT )
Dengan,
JKR = variasi total
JKT = variasi karena regresi
Jika peubah variabel X terhadap variabel Y besar maka diharapkan JKR cukup besar
dibandingkan dengan JKS. R2 = 0 bila JKR=0 atau JKS = JKT, dan R2 =1 bila JKR =
JKT atau JKS = 0 . JKR = 0 yî  y untuk setiap i . Makin dekat R2 dengan 0 makin jelek
kecocokan data dengan model.
Adjusted dapat di hitung dengan menggunakan

 n  1   JKS 
Ra2  1     (2.35
 n  K   JKT  )
Dengan,
n= banyaknya observasi
Adjusted-R2 lebih dipilih dari pada R2 karena R2 mempunyai kelemahan yaitu setiap
pertambahan variabel independen nilai R2 selalu bertambah, tidak peduli apakah
22
variabel tersebut berpengaruh secara signifikan terhadap variabel dependen.
Sedangkan nilai adjusted- R2 dapat naik atau turun apabila satu variabel independen
prediktor yang baik maka nilai adjusted akan naik atau sebaliknya. Variabel
independen merupakan prediktor yang baik artinya variasi total y dapat diterangkan
oleh regresi atau variabel X.
2.7 Kerangka Pikir
Mulai
Pengumplan
Data
Uji Asumsi
Uji Hausman
Tolak H0 Terima H0
Fixed Effect Random Effect
Uji Breusch-Pangan
Model Umum
Estimasi 23
Model Terbaik
BAB III
METODE PENELITIAN
3.1 Lokasi dan Tempat Penelitian
Penelitian ini dilakukan di Laboratorium Statistika Terapan Prodi Statistika Jurusan

Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Tadulako.
3.2 Populasi dan Sampel

Populasi yang digunakan dalam peneitian ini adalah pertumbuhan ekonomi di Indonesia
yang meliputi data yang diambil dari masing – masing provinsi di Indonesia. Sedangkan
sampel yang di ambil adalah masing-masing data provinsi yang ada di indonesia dari
tahun 2011-2015.
3.3 Sumber dan Jenis Data
Penelitian ini menggunakan data sekunder yang diperoleh dari Klinik Statistika yaitu
berupa data kuantitatif data yang berupa angka-angka mengenai pertumbuhan ekonomi
dari tahun 2011-2015. Variabel penelitian yang digunakan terdiri dari variabel respon (Y)
yaitu pertumbuhan ekonomi dengan tiga variabel prediktor (X) yaitu Pendapatan Asli
Daerah (PAD), Dana Perimbangan (DP) dan Belanja Modal (BM).
Berikut ini adalah defenisi variabel oprasional dari setiap variabel-variabel penelitian
yaitu :
1. Variabel respon (Y)
Pertumbuhan ekonomi (Y) merupakan proses kapasitas produksi suatu perekonomian
yang diwujudkan dalam bentuk kenaikan pendapatan nasional.
𝑃𝐷𝐵 𝑟𝑖𝑖𝑙 𝑡𝑎ℎ𝑢𝑛 𝑠𝑒𝑘𝑎𝑟𝑎𝑛𝑔−𝑃𝐷𝐵 𝑟𝑖𝑖𝑙 𝑡𝑎ℎ𝑢𝑛 𝑘𝑒𝑚𝑎𝑟𝑖𝑛
PE = x 100 %
𝑃𝐷𝐵 𝑟𝑖𝑖𝑙 𝑡𝑎𝑢𝑛 𝑘𝑒𝑚𝑎𝑟𝑖𝑛
2. Variabel prediktor (X)

X1 : Pendapatan Asli Daerah (PAD) merupakan semua penerimaan
24
daerah yang berasal dari sumber ekonomi asli daerah yaitu penerimaan hasil pajak,
hasil perusahaan milik daerah, hasil retibusi atau pungutan daerah sebagai pemberian
izin dan hasil penerimaan dari kabupaten kota disetiap profinsi di Indonesia.
𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛 𝐴𝑠𝑙𝑖 𝐷𝑎𝑒𝑟𝑎ℎ
PAD = x 100 %
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑛𝑑𝑢𝑑𝑢𝑘
X2 : Dana Perimbangan (DP) merupakan hasil dari penerimaan angggaran pendapatan

dan Belanja Negara (APBN) yaitu penerimaan pajak bumi dan bangunan disetiap
profinsi di Indonesia.
𝐷𝑎𝑛𝑎 𝑃𝑒𝑟𝑖𝑚𝑏𝑎𝑛𝑔𝑎𝑛
DP = 𝑃𝑒𝑛𝑑𝑎𝑝𝑎𝑡𝑎𝑛 𝐷𝑎𝑒𝑟𝑎ℎ x 100 %
X3 : Belanja Modal (BM) merupakan pengeluaran yang dilakukan dalam rangka

pembentukan modal yang sifatnya mempertahankan atau menembah masa manfaat
serta meningkatkan kapasitas dan kulitas aset.
𝐵𝑒𝑙𝑎𝑛𝑗𝑎 𝑀𝑜𝑑𝑎𝑙
BM = 𝑇𝑜𝑡𝑎𝑙 𝐵𝑒𝑙𝑎𝑛𝑗𝑎 𝐷𝑎𝑒𝑟𝑎ℎ x 100 %
3.4 Prosedur Pengolahan Data
Prosedur pengolahan data yang digunakan dalam penelitian ini adalah sebagai berikut :
1. Pengambilan data sekunder
2. Mengestimasi parameter model regresi data panel pada data pertumbuhan ekonomi
dari tahun 2011-2015 dengan pendekatan Common Effect Model (CEM), Fixed Effect
Model (FEM) dan Random Effect Model (REM). Metode yang digunakan adalah
OLS, LSDV dan GLS.
3. Melakukan uji pemilihan model terbaik menggunakan uji Chow, uji Hausman dan
Lagrange Multiplier (LM).
4. Melakukan uji asumsi klasik yaitu uji normalitas, multikolinieritas, heteroskestisitas
dan autokorelasi.
5. Melakukan uji signifikan yaitu uji-F, uji-t dan koefisien determinasi
6. Interpetasi
7. Kesimpulan
25
3.5 Analisis Data
Data penelitian yang telah tersedia akan diolah menggunakan metode regresi data panel
dibantu dengan software Eviews. Hasil selanjutnya akan dianalisis dan dimodelkan
dengan menggunakan teori-teori yang telah dipaparkan dalam tinjauan pustaka.
26
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Penelitian
4.1.1 Analisis Deskripsi Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang merupakan
gabungan dari data time series dan cros-section dari tahun 2011-2015 yaitu selama 5
tahun. Data diperoleh dari Klinik Statistika. Penelitian ini menggunakan empat
veriabel, tiga variabel independen yaitu Pendapatan Asli Daerah (PAD), Dana
Perimbangan (DP), dan Belanja Modal (BM). Sedangan veriabel dependen adalah
pertumbuhan ekonomi di Indonesia yang diukur dengan PDB per kapita.
Tabel 4.1 Statistik deskritif pertumbuhan ekonomi
N Minimum Maximum Mean Std. Deviation Variance

1. Pertumb
PE 165 9.61 14.19 11.6652 1.17439 1.379
uhan
BM 165 25.63 31.45 27.2438 .91787 .842
Ekonomi
PAD 165 25.16 31.15 27.9198 1.26179 1.592
(Y)
DP 165 26.96 30.08 28.0520 .58088 .337
Pertumb
Valid N
uhan 165
(listwise)
ekonomi
adalah suatu proses dimana meningkatnya pendapatan tanpa mengaitkannya
dengan tingkat pertumbuhan penduduk, tingkat pertumbuhan penduduk
umumnya sering dikaitkan dengan pembangunan ekonomi. Pada tabel 4.1 di atas
menunjukan bahwa pendapatn ekonomi tertinggi sebesar 14.19/miliar, sedangkan
terrendah sebesar 9,61/miliar. Adapun rata–rata pertumbuhan ekonomi di
indonesia sebesar 11.6652/miliar, sedangkan varians untuk pertumbuhan
ekonomi di indonesia sebesar 1.379 /miliar.
2. Pendapatan Asli Daerah (PAD)
27
PAD dalah penerimaan yang diperoleh daerah dari sumber-sumber dalam
wilayahnya sendiri yang dipungut berdasarkan peraturan daerah sesuai dengan
peraturan perundang-undangan yang berlaku. Pada tabel 4.1 menunjukan bahwa
nilai rata-rata dari PAD di Indonesia sebesar 27.9198/miliar dengan varians
sebesar 1.592/miliar. Nilai PAD tertinggi berada di provinsi EF pada tahun 2013
sebesar 31.15/miliar, sedangkan nilai PAD terrendah berada di provinsi M pada
tahun 2015 sebesar 25.16/miliar .
3. Dana Perimbangan
Dana Perimbangan (DP) adalah dana yang bersumber dari pendapatan APBN
yang dialokasikan kepada daerah (otonom) untuk mendanai kebutuhan daerah
dalam rangka pelaksanaan Desentralisasi. Pada tabel 4.1 menunjukan bahwa rata-
rata DP di Indonesia sebesar 28.0520 /miliar dengan nilai varians sebesar 0.337
/miliar. Nilai DP tertinggi berada di provinsi I tahun 2014 sebesar 31.08 /miliar,
sedangkan DP terrendah bearada di provinsi F pada tahun 2013 sebesar 26.96
/miliar.
4. Belanja Modal
Belanja Modal (BM) adalah pengeluaran yang dilakukan dalam rangka
pembentukan modal yang sifatnya menambah aset tetap / inventaris. Pada tabel
4.1 menujukan bahwa rata – rata BM di Indonesia sebesar 27.2438 /miliar dengan
nilai varians sebesar 0.842 /miliar. Nilai BM tertinggi berada di provinsi Q di
tahun 2013 sebesar 31.45/miliar, sedangkan BM terrendah berada di provinsi M
di tahun 2011.
4.1.2 Uji Asumsi Klasik
Pada regresi data panel terdapat beberapa asumsi yang harus di penuhi, yaitu:
1. Normalitas
28
Uji Kolmogorof Smirnov dilakukan untuk mengetahui kenormalan distribusi
beberapa data. Dikatakan berdistribusi normal apabila p-value > 0.05 . Hasil
output uji Kolmogorof Smirnov dapat di lihat pada tabel dibawah ini :
Tabel 4.2 Uji Kolmogorov-Smirnov

Unstandardized
Test
Residual
Kolmogorov-Smirnov 0.631
Asymp Sig. (2-tailed) 0.821
Dari tabel 4.2 di atas, dapat dilihat bahwa nilai signifikan > 0.05 artinya dalam
penelitian ini residualnya berdistribusi normal.
2. Multikolinearitas
Tidak terjadi multikolinearitas yaitu, tidak ada hubungan yang pasti antara
variabel – variabel bebas. Multikolinearitas dapat di lihat dari Variance Inflation
Factor (VIF), jika nilai VIF ≥ 10 maka terjadi multikolinearitas. Hasil yang
diperoleh dengan menggunakan program SPSS V.16 berdasarkan data seperti
tabel 4.1 di bawah ini:
Tabel 4.3 Variance
Inflation Variabel PAD DP BM Faktor (VIF)
VIF 2.167 3.025 2.943
Berdasarkan tabel 4.3 diatas nilai Variance Inflation Faktor (VIF) untuk seluruh
Variabel < dari 10, sehingga dapat disimpulkan dalam penelitian ini tidak terjadi
multikolinearitas.
29
3. Autokorelasi
Untuk mendeteksi ada tidaknya autokorelasi, maka digunakan uji Run Test dan
di bandingakan dengan alfa 5%. Hasil pengujian pada penelitian ini dapat di
lihat pada tabel 4.2 di bawah ini:
Tabel 4.4 Run Test

Unstandardized
Test
Residual
Number of Runs
81
Z
-.390
Asymp. Sig. (2-tailed)
.697
Berdasarkan tabel 4.4 diatas, dengan menggunakan run Test dapat dilihat nilai
Asymp. Sig. (2-tailed) >0,05 maka tolak H0 dan terima H1 artinya dalam
penelitian ini asumsinya terpenuhi yaitu tidak terjadi outokorelasi.
4. Heteroskedastisitas
Dalam asumsi klasik untuk menguji apakah terjadi pelanggaran terhadap

heterokedastisitas dapat dilakukan dengan Uji Park Test, jika nilai sig. > 0.05
maka tidak terjadi heteroskedastisitas. Hasil pengujian uji Park Test dapat dilihat
pada tabel dibawah ini:
Tabel 2.5 Park Test

Variabel PAD DP BM
Sig. 0.255 0.075 0.61
30
Berdasarkan tabel 2.5 di atas, pada masing – masing variabel dengan
menggunakan persamaan (4.26) diperoleh nilai sig. > dari 0.05 . hal ini
menunjukan bahwa tidak terjadi heteroskedastisitas, artinya data ini bersifat
homogen.
4.1.3 Analisis Model
Ada beberapa model yang akan di estimasi
1. Model I
Pertumbuhan Ekonomi = b1 PAD + b2 DP + b3 BM
2. Model II
Pertumbuhan Ekonomi = b1 PAD + b2 DP
3. Model III
Pertumbuhan Ekonomi = b1 PAD + b3 BM
1. Uji Hausman
Untuk analisis dari model, pertama akan dilakukan uji Hausman. Berikut adalah
hasil pengujian Hausman dari beberapa model di atas:
Tabel 4.1 Rangkuman hasil uji Hausman

Model Statistik Uji p-value Kesimpulan uji untuk
tingka kesalahan 5 %
Model I 2.765817 0.4292 Hipotesis H0 diterima,
digunakan model efek
Rancom
Model II 3.281839 0.1938 Hipotesis H0 diterima,
digunakan model efek
Rancom
Model 1.076730 0.5837 Hipotesis H0 diterima,
31
III digunakan model efek
Rancom
2. Uji Breusch-Pangan
Setelah di dapat dari uji Hausman bahwa mendekatan model random yang akan
di gunakan dalam model selanjutnyaaan di uji Breusch-Pangan dimana uji ini
digunakan untuk adanya efek waktu, individu atau keduanya. Berikut adalah hasil
uji Breusch-Pangan:
Tabel 4.1 Rangkuman hasil Uji Breusch-Pangan

Model Hipotesis p-value Kesimpulan uji untuk
tingka kesalahan 5 %
Model I H0 : ci = 0 0.6812 H0 diterima, tidak terdpat
efek cross-section
Model II H0 : ci = 0 0.6821 H0 diterima, tidak terdpat
efek cross-section
Model III H0 : ci = 0 0.6830 H0 diterima, tidak terdpat
efek cross-section
4.1.4 Estimasi Model
Berdasarkan pada hasil analisis sebelumnya bahwa ketiga model akan menggunakan
efek Random dengan efek individu pada persamaan (2.24), berikut adalah hasil
estimasi setiap model:
Tabel 4.3 output hasil estimasi model I
32
Variable Coefficient Std. Error t-Statistic Prob.
C -20.88887 1.555213 -13.43152 0.0000

X1? 0.751642 0.036546 20.56689 0.0000
X2? 0.514674 0.089845 5.728437 0.0000
X3? -0.105320 0.055817 -1.886891 0.0610
Pada model I terlihat dari p-value bahwa hanya dua variabel yang signifikan terhadap
Y (pertumbuhan Ekonomi) dengan taraf kepercayaan 5 %, yaitu variabel X1 (PAD)
dan variabel X2 (DP), sedangkan variabel X3 (BM) tidak signifikan, untuk model ini
akan dinamakan model Ib.
Tabel 4.3 output hasil estimasi model II
C -20.36908 1.535115 -13.26877 0.0000

X1? 0.731100 0.034507 21.18715 0.0000
X2? 0.414304 0.073106 5.667163 0.0000
Untuk model II di peroleh kesimpulan variabel yang signifikan sama dengan model 1
di atas. Terlihat dari p-value bahwa semua variabel berpengaruh terhadap
pertumuhan ekonomi, model ini akan dinamakan model IIb
Tabel 4.3 output hasil estimasi model III
C -13.66757 0.978606 -13.96636 0.0000

X1? 0.826568 0.036615 22.57469 0.0000
X3? 0.082774 0.049466 1.673359 0.0962
Sedangkan untuk model III di lihat dari nilai p-value hanya 1 variabel yang
signifikan pada pertumbuhan ekonomi dan model ini dinamakan model IIIb.
4.1.5 Pemilihan Model Terbaik
33
Terlihat dari keseluruhan hasil analisis di atas terdapat 2 model terbaik, yakni model
IIb dan IIIb. Dari kedua model tersebut akan dipilih lagi yang paling terbaik, berikut
adalah hasilnya:
Tabel 4.3 Rangkuman Hasil Estimasi Model

Model IIb Model IIIb
R-Square 0.887 0,870
Adjusted R-Square 0,886 0,868
Sum Squared resid 22,89 27,46
Berdasarkan tabel 4.3 diatas, dengan memandang nilai R-Square dan Adjusted
R-Square yang terbesar dan nilai Standar error untuk tabel di atas, menggunakan
prinsip kesederhanaan (parsimony) dan memandang nilai jumlahan kuadrat error
(Sum Squared resid) minimal, dapat disimpukan model terbaik adalah model IIb,
yakni model Random Effect dengan efek individu / cross-section:
Yît  -20.36908  0.731100X1it  0.414304X 2it  ci  uit
Dengan nilai ci untuk setiap wilayah dapat di lihat pada lampiran 4, sedangkan
untuk hasil otput model IIb diatas, di peroleh beberapa model panel yang dapat
kita lihat pada lampiran 5.
34
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisis pada bab IV, maka dapat diperoleh beberapa kesimpulan sebagai
berikut:
1. Setelah memenuhi uji Asumsi dan pemilihan model terbaik, maka model regresi data
panel yang lebih sesuai untuk pemodelan pertumbuhan ekonomi di seluruh kabupaten
di Indonesia dari tahun 2011-2015 adalah Random Effect Model (REM) , dengan model
persamaan hasil estimasi sebagai berikut:
Yît  -20.36908  0.731100X1it  0.414304X 2it  ci  uit

Dengan,
Yît  Nilai variabel dependen (Pertumbuhan Ekonomi) untuk wilayah ke-

i dan tahun ke-t
X1it  Nilai Pendapatan Asli Daerah (PAD) untuk wilayah ke-i dan tahun
ke-t.
X 2it  Nilai Dana Perimbangan (DP) untuk wilayah ke-i dan tahun ke-t.
X 3it  Nilai Belanja Modal (BM) untuk wilayah ke-i dan tahun ke-t.
uit  Error untuk wilayah ke-i dan waktu ke-t
2. Dari Random Effect Model (REM) di dapat Adjusted R 2  0,886 atau 88,6 %
pertumbuhan ekonomi dapat dijelaskan oleh Pendapan asli daerah (PAD) dan Dana
Perimbangan (DP). Sedangkan 11, 4 % atau 0,114 pertumbuhan ekonomi dapat
dijelaskan oleh faktor lain diluar penelitian.
35
5.2 Saran
Penulis menyarankan karna dilihat dari nilai Adjusted R2 ada faktor lain yang mempengaruhi
pertumbuhan ekonomi di Indonesia selain faktor-faktor dalam penelitian sebaiknya bagi
pembaca yang ingin menggali lagi masalah pertumbuhan ekonomi di Indonesia menggunakan
data panel sebaiknya menambah faktor lain untuk penelitian selanjutnya.
36
DAFTAR PUSTAKA
Apriana, D; Rudy S (2010). Analisis Hubungan Antar Belanja Modal, Pendapatan Asli
Daerah (PAD), Kemandirian Daerah dan Pertumbuhan Ekonomi Daerah.
Yogyakarta : Universitas Muhammadiya Yogyakata.
[BPS] Badan Pusat Statistik. (2015). Pendapatan Nasional Indonesia. Diperoleh dari website
Badan Pusat Statistik: Diakses pada 14 Agustus 2107.
Gujarati, D (2003). Ekonometrika dasar. Zain, S. (Penerjamah); Hutauruk, G. (editor).

Jakarta:Erlangga. Terjemahan dari Basic Econometrics
Hsio, C. (2003). Analysis of Panel Data. Cambridge, England. Cambridge University Press.
Ma’ruf, A; Lestari, W., (2008). Pertumbuhan Ekonomi Indonesia Determinan dan

Prospeknya. Yogyakarta: Universitas Muhammadiya Yogyakarta.
Nachrowi, D. N. & H. Usman. 2006. Pendekatan Populer dan Praktis Ekonometrika

untuk Analisis Ekonomi dan Keuangan. Jakarta: Lembaga Penerbit FE UI.
Pangestika, S. (2015). Analisis Estimasi Model Regresi Data Panel dengan Pendekatan
Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect
Model (REM). Skiripsi. Fakultas Matematika dan Ilmu pengetahuan Alam,
Universitas Negeri Semarang, Semarang.
Prasetyo, RB; Firdaus, M; (2009). Pengaruh Infrastruktur Pada Pertumbuhan Ekonomi

Wilayah di Indonesia. Bogor : Institut Peranian Bogor.
Pattaw, A (2016). Pengaruh Pendapatan Asli Daerah (PAD), Dana Perimbangan (DP), dan
Belanja Modal (BM) terhadap Pertumbuhan Ekonomi menggunakan Analisis
Jalur.
Ratnasari, NP. (2014). Jurnal Aplikasi Regresi Data Panel Dengan Pendekatan Fixed Effect
Model (Studi Kasus: PT PLN Gianyar). Bali : Universitas Udayana.
Rosadi, D. (2012). Ekonometrika dan Analisis Runtun Waktu Terapan dengan Eviews.
Yogyakarta: C. V. Andi Offset.
Setiyawati, A; Hamzah, A (2007). Analisis Pengaruh Pndapatan Asli Daerah (PAD), Dana
Alokasi Umum (DAU), Dana Alosi Khusus (DAK) Dan Belanja Pembangunan
Terhadap Pertumbuhan Ekonomi, Kemiskinan dan Pengangguran. Universitas
Trunojoyol
37
Widarjono, Agus. 2005. Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan Bisnis.
Yogyakarta: Ekonisia FE UII
Yunisa, Raisya (2014). Pengaruh Dana Perimbangan, Pendapata Asli Daerah, Belanja Modal
terhadap Pertumbuhan Ekonomi. Universitas Komputer Indonesia.
Yovita, FM; (2011). Pengaruh Pertumbuhan Ekonomi, Pendapatan Asli Daerah, Dana
Alokasi Umum terhadap Pengalokasian Anggaran Belanja Modal. Semarang :
Universitas Diponegoro.
Yudiatmaja, F. 2013. Analisis Regresi dengan Menggunakan Aplikasi Komputer Statistika

SPSS. Jakarta: Gramedia Pustaka Utama.
38
LAMPIRAN
Lampiran 1: Data Penelitian
Profinsi Tahun Y X1 X2 X3
A 2011 11.53 27.41 28.45 28.02
A 2012 12.71 28.91 27.95 27.69
A 2013 11.56 27.83 27.56 26.99
A 2014 12.18 28.25 28.32 27.76
A 2015 12.87 28.42 28.8 27.93
B 2011 11.41 27.62 27.7 26.97
B 2012 10.25 26.81 27.29 26.12
B 2013 11.92 27.95 27.69 27.17
B 2014 10.48 26.85 27.28 26.91
B 2015 11.62 27.15 27.85 26.28
C 2011 13.89 30.51 29.84 29.62
C 2012 13.72 29.77 28.56 27.3
C 2013 13.34 29.35 28.3 26.86
C 2014 11.08 27.49 27.31 25.68
C 2015 13.81 29.82 28.56 27.68
D 2011 12.51 28.69 27.47 27.3
D 2012 11.45 28.18 27.28 26.15
D 2013 11.16 27.33 27.47 26.83
D 2014 10.69 26.69 27.51 26
D 2015 11.36 27.71 27.67 26.76
E 2011 10.94 27.43 27.71 26.79
E 2012 11.35 28.26 27.81 27.11
E 2013 12.94 29.14 29.3 28.21
E 2014 10.85 27.01 27.32 26.18
E 2015 10.85 26.98 27.49 26.06
F 2011 12.05 28.3 27.73 26.87
F 2012 10.79 26.57 27.43 26.56
F 2013 9.75 25.46 26.96 26.16
F 2014 9.65 25.78 26.97 25.68
F 2015 9.82 26.13 27.44 26.26
G 2011 9.61 25.16 27.26 25.96
G 2012 10.63 26.62 28.27 27.98
G 2013 11.62 25.75 28.03 27.13
G 2014 11.56 27.53 28.49 27.43
G 2015 12.77 29.03 28.1 27.41
H 2011 11.62 27.83 27.77 27.19
39
H 2012 12.24 28.33 28.5 27.65
H 2013 12.92 28.58 28.92 28.3
H 2014 11.49 27.63 27.92 27.25
H 2015 10.32 26.9 27.51 26.39
I 2011 11.99 28.14 27.88 27.45
I 2012 10.55 26.81 27.43 26.4
I 2013 11.69 27.31 28.1 26.29
I 2014 13.95 30.72 30.08 29.8
I 2015 13.78 29.93 28.67 27.76
J 2011 13.39 29.52 28.47 27.14
J 2012 11.13 27.64 27.52 26.1
J 2013 13.87 29.89 28.75 27.69
J 2014 12.58 28.85 27.65 27.55
J 2015 11.51 28.34 27.53 26.56
K 2011 11.12 27.34 27.68 26.73
K 2012 10.74 26.85 27.73 26.22
K 2013 11.42 27.78 27.85 26.59
K 2014 11.01 27.59 27.89 27.18
K 2015 11.42 28.54 28.06 27.41
L 2011 13.01 29.32 29.43 28.55
L 2012 10.91 27.17 27.56 26.58
L 2013 10.95 27.13 27.67 26.51
L 2014 12.13 28.42 27.93 26.66
L 2015 10.89 26.81 27.65 26.04
M 2011 9.85 25.67 27.23 25.63
M 2012 9.72 25.92 27.18 25.65
M 2013 9.88 26.31 27.59 25.93
M 2014 9.68 25.49 27.48 26.76
M 2015 10.67 27.16 28.38 27.9
N 2011 11.57 25.89 28.05 27.47
N 2012 11.6 27.91 28.62 28.13
N 2013 12.84 29.04 28.17 27.36
N 2014 11.68 27.94 27.85 27.26
N 2015 12.3 28.33 28.61 27.48
O 2011 12.96 28.63 28.91 28.44
O 2012 11.56 27.69 28.03 27.57
O 2013 10.38 26.99 27.61 26.35
O 2014 12.05 28.2 27.96 27.41
O 2015 10.6 26.93 27.53 26.72
P 2011 11.76 27.53 28.19 26.7
P 2012 14.02 30.92 29.87 30
40
P 2013 13.84 30.15 28.71 27.87
P 2014 13.45 29.74 28.53 27.63
P 2015 11.18 27.83 27.59 26.64
Q 2011 13.93 30.08 28.76 27.79
Q 2012 12.65 29.05 27.75 27.42
Q 2013 11.58 28.56 27.61 31.45
Q 2014 11.1 27.48 27.7 26.83
Q 2015 10.8 26.98 27.78 26.14
R 2011 11.47 27.93 27.95 26.92
R 2012 11.08 27.72 28 27.57
R 2013 11.48 28.55 28.04 27.92
R 2014 13.06 29.4 29.31 28.93
R 2015 10.98 27.4 27.66 26.68
S 2011 11.04 27.22 27.78 26.6
S 2012 12.22 28.57 27.98 26.92
S 2013 11 26.97 27.78 26.79
S 2014 9.94 25.76 27.37 25.94
S 2015 9.8 26.09 27.31 25.94
T 2011 9.95 26.44 27.66 25.99
T 2012 9.75 25.83 27.57 26.69
T 2013 10.7 27.17 28.55 27.83
T 2014 11.59 26.19 28.73 27.45
T 2015 11.64 28.18 28.57 28.51
U 2011 12.95 29.12 28.23 27.77
U 2012 11.8 28.18 27.92 27.39
U 2013 12.4 28.52 28.72 27.32
U 2014 13.01 28.81 29.07 27.16
U 2015 11.7 27.88 28.05 27.43
V 2011 10.5 27.23 27.73 26.44
V 2012 12.15 28.45 28.02 27.55
V 2013 10.7 27.06 27.66 26.45
V 2014 11.89 27.7 28.14 27.3
V 2015 14.13 31.07 29.9 29.97
W 2011 13.95 30.34 28.81 27.94
W 2012 13.55 29.93 28.56 28.08
W 2013 11.28 28.01 27.64 26.82
W 2014 14.05 30.3 28.88 27.82
W 2015 12.76 29.22 27.78 27.26
X 2011 11.71 28.7 27.65 26.64
X 2012 11.2 27.74 27.82 26.77
X 2013 10.9 27.36 27.88 26.73
41
X 2014 11.58 28.11 28.06 26.92
X 2015 11.21 27.86 28.07 27.43
Y 2011 11.58 28.7 28.05 27.86
Y 2012 13.01 29.53 29.08 28.42
Y 2013 11.1 27.57 27.72 26.95
Y 2014 11.18 27.44 27.85 26.35
Y 2015 12.36 28.74 28.06 27.24
Z 2011 11.13 27.12 27.84 27.04
Z 2012 10.09 26.13 27.48 26.31
Z 2013 9.94 26.36 27.41 26.17
Z 2014 10.07 26.78 27.78 26.63
Z 2015 9.86 26.04 27.72 26.78
AB 2011 10.83 27.57 28.6 28.16
AB 2012 11.71 26.45 28.65 27.81
AB 2013 11.63 28.31 28.08 28.34
AB 2014 13 29.22 28.05 27.56
AB 2015 11.85 28.26 27.96 27.39
CD 2011 12.45 28.56 28.48 27.67
CD 2012 13.01 28.88 28.57 28.33
CD 2013 11.74 27.85 27.98 27.4
CD 2014 10.55 27.28 27.82 26.9
CD 2015 12.2 28.44 28.05 27.49
EF 2011 10.74 27.07 27.75 26.18
EF 2012 11.95 27.64 27.85 26.56
EF 2013 14.19 31.15 29.4 29.96
EF 2014 14 30.41 28.55 28.46
EF 2015 13.6 30.02 28.45 28.55
GH 2011 11.33 28.1 27.65 27.17
GH 2012 14.1 30.37 28.77 28.45
GH 2013 12.82 29.23 27.61 27.99
GH 2014 11.77 28.74 27.7 27.06
GH 2015 11.39 27.95 28 27.45
IJ 2011 10.95 27.51 28.01 27.13
IJ 2012 11.63 28.16 28.13 26.63
IJ 2013 11.28 27.79 28.15 27.59
IJ 2014 11.62 28.62 28.09 27.83
IJ 2015 12.99 29.23 29.02 28.33
KL 2011 11.16 27.64 27.79 27.35
KL 2012 11.32 27.53 28.07 26.82
KL 2013 12.43 28.82 28.1 27.47
KL 2014 11.2 27.23 27.96 27.25
42
KL 2015 10.17 26.33 27.62 26.82
MN 2011 10 26.39 27.56 26.56
MN 2012 10.12 26.69 28 27.02
MN 2013 9.92 26.19 27.9 26.77
MN 2014 10.87 27.54 28.81 28.68
MN 2015 11.79 26.5 28.55 28.15
Lampiran 2 : Output Software Eviews 9, Hasil uji Hausman model I
43
Correlated Random Effects - Hausman Test
Pool: POOLPE
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 2.765817 3 0.4292
Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob.
X1? 0.705049 0.751642 0.001242 0.1861

X2? 0.568527 0.514674 0.002163 0.2469
X3? -0.108387 -0.105320 0.000703 0.9079
Cross-section random effects test equation:

Dependent Variable: Y?
Method: Panel Least Squares
Date: 03/29/18 Time: 00:24
Sample: 2011 2015
Included observations: 5
Cross-sections included: 33
Total pool (balanced) observations: 165
C -21.01512 1.742099 -12.06310 0.0000

X1? 0.705049 0.050767 13.88785 0.0000
X2? 0.568527 0.101169 5.619586 0.0000
X3? -0.108387 0.061795 -1.753986 0.0818
Effects Specification
Cross-section fixed (dummy variables)
R-squared 0.921276 Mean dependent var 11.66515

Adjusted R-squared 0.899917 S.D. dependent var 1.174389
S.E. of regression 0.371529 Akaike info criterion 1.047852
Sum squared resid 17.80638 Schwarz criterion 1.725513
Log likelihood -50.44778 Hannan-Quinn criter. 1.322938
F-statistic 43.13241 Durbin-Watson stat 2.718863
Prob(F-statistic) 0.000000
Lampiran 3 : Output Software Eviews 9, Hasil uji Hausman model II
44
Pool: POOLPE
Chi-Sq.
X1? 0.672341 0.731100 0.001074 0.0730

X2? 0.477087 0.414304 0.002293 0.1898

Date: 03/29/18 Time: 00:28
Sample: 2011 2015
C -20.48975 1.729807 -11.84510 0.0000

X1? 0.672341 0.047594 14.12657 0.0000
X2? 0.477087 0.087392 5.459144 0.0000

Lampiran 4 : Output Software Eviews 9, Hasil uji Hausman model III
45
Pool: POOLPE
Chi-Sq.
X1? 0.818041 0.826568 0.001344 0.8160

X3? 0.070556 0.082774 0.001017 0.7017

Date: 03/29/18 Time: 00:31
Sample: 2011 2015
C -13.09663 1.138520 -11.50321 0.0000

X1? 0.818041 0.051809 15.78949 0.0000
X3? 0.070556 0.058859 1.198739 0.2328

46
Lampiran 5 : Output Software Eviews 9, Hasil uji Breusch-Pangan model I
Lagrange Multiplier Tests for Random Effects
Null hypotheses: No effects
Alternative hypotheses: Two-sided (Breusch-Pagan) and one-sided
(all others) alternatives
Test Hypothesis
Cross-section Time Both
Breusch-Pagan 0.108354 0.060414 0.168768

(0.7420) (0.8058) (0.6812)
Honda -0.329171 -0.245793 -0.406561

-- -- --
King-Wu -0.329171 -0.245793 -0.341459

-- -- --
Standardized Honda -0.183181 0.067173 -4.892870

-- (0.4732)
--
Standardized King-Wu -0.183181 0.067173 -3.416824
-- (0.4732) --
Gourierioux, et al.* -- -- 0.000000
(>= 0.10)
*Mixed chi-square asymptotic critical values:

1% 7.289
5% 4.321
10% 2.952
47
Lampiran 6 : Output Software Eviews 9, Hasil uji Breusch-Pangan model II
Test Hypothesis
Breusch-Pagan 0.099700 0.068021 0.167721

(0.7522) (0.7942) (0.6821)
Honda -0.315753 -0.260808 -0.407690

-- -- --
King-Wu -0.315753 -0.260808 -0.351143

-- -- --

-- (0.4790)
--
-- (0.4790) --
(>= 0.10)

1% 7.289
5% 4.321
10% 2.952
48
Lampiran 7 : Output Software Eviews 9, Hasil uji Breusch-Pangan model III
Test Hypothesis
Breusch-Pagan 0.124620 0.042197 0.166817

(0.7241) (0.8372) (0.6830)
Honda -0.353015 -0.205420 -0.394873

-- -- --
King-Wu -0.353015 -0.205420 -0.311344

-- -- --

-- (0.4568)
--
-- (0.4568) --
(>= 0.10)

1% 7.289
5% 4.321
10% 2.952
49
Lampiran 8 : Output Software Eviews 9, Hasil Estimasi Model I
Method: Pooled EGLS (Cros s -s ection random effects )
Date: 04/02/18 Tim e: 05:55
Sam ple: 2011 2015
Included obs ervations : 5
Cros s -s ections included: 33
Total pool (balanced) obs ervations : 165
Swam y and Arora es tim ator of com ponent variances
Variable Coefficient Std. Error t-Statis tic Prob.
C -20.88887 1.555213 -13.43152 0.0000

X1? 0.751642 0.036546 20.56689 0.0000
X2? 0.514674 0.089845 5.728437 0.0000
X3? -0.105320 0.055817 -1.886891 0.0610
Random Effects (Cros s )
_A--C 0.073500
_B--C 0.038652
_C--C 0.047049
_D--C 0.038090
_E--C -0.035512
_F--C 0.035967
_G--C 0.105539
_H--C 0.020045
_I--C 0.016837
_J--C 0.037279
_K--C -0.060780
_L--C -0.003137
_M--C -0.049250
_N--C 0.085952
_O--C 0.012338
_P--C -0.004800
_Q--C 0.026827
_R--C -0.076942
_S--C 0.002592
_T--C -0.038490
_U--C 0.028373
_V--C -0.044080
_W--C 0.028791
_X--C -0.085032
_Y--C -0.056141
_Z--C -0.059750
_AB--C 0.015610
_CD--C 0.020794
_EF--C 0.031061
_GH--C -0.002279
_IJ--C -0.082829
_KL--C -0.009811
_MN--C -0.056465
S.D. Rho
Cros s -s ection random 0.098501 0.0657

Idios yncratic random 0.371529 0.9343
Weighted Statis tics
R-s quared 0.888613 Mean dependent var 10.03436

Adjus ted R-s quared 0.886538 S.D. dependent var 1.102177
S.E. of regres s ion 0.371259 Sum s quared res id 22.19114
F-s tatis tic 428.1389 Durbin-Wats on s tat 2.226735
Prob(F-s tatis tic) 0.000000
50
Unweighted Statis tics

Sum s quared res id 23.68063 Durbin-Wats on s tat 2.086675
Y_A = 0.0735003351164 - 20.8888656683 + 0.751641796539*X1_A + 0.514674252075*X2_A -
0.105320304732*X3_A
Y_B = 0.0386524296267 - 20.8888656683 + 0.751641796539*X1_B + 0.514674252075*X2_B -

0.105320304732*X3_B
Y_C = 0.0470493811237 - 20.8888656683 + 0.751641796539*X1_C + 0.514674252075*X2_C -

0.105320304732*X3_C
Y_D = 0.0380902058954 - 20.8888656683 + 0.751641796539*X1_D + 0.514674252075*X2_D -

0.105320304732*X3_D
Y_E = -0.0355116101212 - 20.8888656683 + 0.751641796539*X1_E + 0.514674252075*X2_E -

0.105320304732*X3_E
Y_F = 0.0359668370906 - 20.8888656683 + 0.751641796539*X1_F + 0.514674252075*X2_F -

0.105320304732*X3_F
Y_G = 0.105539327977 - 20.8888656683 + 0.751641796539*X1_G + 0.514674252075*X2_G -

0.105320304732*X3_G
Y_H = 0.0200447614514 - 20.8888656683 + 0.751641796539*X1_H + 0.514674252075*X2_H -

0.105320304732*X3_H
Y_I = 0.0168367216433 - 20.8888656683 + 0.751641796539*X1_I + 0.514674252075*X2_I -

0.105320304732*X3_I
Y_J = 0.0372789230549 - 20.8888656683 + 0.751641796539*X1_J + 0.514674252075*X2_J -

0.105320304732*X3_J
Y_K = -0.0607799533841 - 20.8888656683 + 0.751641796539*X1_K + 0.514674252075*X2_K -

0.105320304732*X3_K
Y_L = -0.00313744367352 - 20.8888656683 + 0.751641796539*X1_L + 0.514674252075*X2_L -

0.105320304732*X3_L
Y_M = -0.0492500144726 - 20.8888656683 + 0.751641796539*X1_M + 0.514674252075*X2_M -

0.105320304732*X3_M
Y_N = 0.0859522352452 - 20.8888656683 + 0.751641796539*X1_N + 0.514674252075*X2_N -

0.105320304732*X3_N
Y_O = 0.0123383095028 - 20.8888656683 + 0.751641796539*X1_O + 0.514674252075*X2_O -

0.105320304732*X3_O
Y_P = -0.00479989521705 - 20.8888656683 + 0.751641796539*X1_P + 0.514674252075*X2_P -

0.105320304732*X3_P
Y_Q = 0.0268271359213 - 20.8888656683 + 0.751641796539*X1_Q + 0.514674252075*X2_Q -

0.105320304732*X3_Q
Y_R = -0.0769421773965 - 20.8888656683 + 0.751641796539*X1_R + 0.514674252075*X2_R -

0.105320304732*X3_R
Y_S = 0.00259234508466 - 20.8888656683 + 0.751641796539*X1_S + 0.514674252075*X2_S -

0.105320304732*X3_S
Y_T = -0.0384904580474 - 20.8888656683 + 0.751641796539*X1_T + 0.514674252075*X2_T -

0.105320304732*X3_T
Y_U = 0.0283727788391 - 20.8888656683 + 0.751641796539*X1_U + 0.514674252075*X2_U -

0.105320304732*X3_U
Y_V = -0.044080314741 - 20.8888656683 + 0.751641796539*X1_V + 0.514674252075*X2_V -

0.105320304732*X3_V
51
Lampiran 9 : Output Software Eviews 9, Hasil Estimasi Model II
52
Date: 04/02/18 Tim e: 06:02
Sam ple: 2011 2015
C -20.36908 1.535115 -13.26877 0.0000

X1? 0.731100 0.034507 21.18715 0.0000
X2? 0.414304 0.073106 5.667163 0.0000
_A--C 0.057444
_B--C 0.032137
_C--C 0.052924
_D--C 0.033775
_E--C -0.025129
_F--C 0.029339
_G--C 0.086151
_H--C 0.015816
_I--C 0.018962
_J--C 0.040113
_K--C -0.048233
_L--C 0.005344
_M--C -0.040713
_N--C 0.070740
_O--C 0.007239
_P--C 0.001362
_Q--C 0.006346
_R--C -0.069808
_S--C 0.007423
_T--C -0.035709
_U--C 0.030651
_V--C -0.037610
_W--C 0.030431
_X--C -0.067922
_Y--C -0.046403
_Z--C -0.051285
_AB--C 0.004117
_CD--C 0.014565
_EF--C 0.024083
_GH--C -0.008840
_IJ--C -0.070205
_KL--C -0.011088
_MN--C -0.056017
S.D. Rho



53
Estimation Command:
=====================
LS(CX=R, B) Y? X1? X2?
Estimation Equations:
=====================
Y_A = 0.0574439616718 - 20.369081277 + 0.731100168159*X1_A + 0.414303758179*X2_A
Y_B = 0.0321373553878 - 20.369081277 + 0.731100168159*X1_B + 0.414303758179*X2_B
Y_C = 0.0529243407842 - 20.369081277 + 0.731100168159*X1_C + 0.414303758179*X2_C
Y_D = 0.0337746342307 - 20.369081277 + 0.731100168159*X1_D + 0.414303758179*X2_D
Y_E = -0.0251292262937 - 20.369081277 + 0.731100168159*X1_E + 0.414303758179*X2_E
Y_F = 0.0293389164068 - 20.369081277 + 0.731100168159*X1_F + 0.414303758179*X2_F
Y_G = 0.086150530066 - 20.369081277 + 0.731100168159*X1_G + 0.414303758179*X2_G
Y_H = 0.0158156401571 - 20.369081277 + 0.731100168159*X1_H + 0.414303758179*X2_H
Y_I = 0.0189622853027 - 20.369081277 + 0.731100168159*X1_I + 0.414303758179*X2_I
Y_J = 0.0401130284257 - 20.369081277 + 0.731100168159*X1_J + 0.414303758179*X2_J
Y_K = -0.0482329878477 - 20.369081277 + 0.731100168159*X1_K + 0.414303758179*X2_K
Y_L = 0.00534414191227 - 20.369081277 + 0.731100168159*X1_L + 0.414303758179*X2_L
Y_M = -0.0407133161631 - 20.369081277 + 0.731100168159*X1_M + 0.414303758179*X2_M
Y_N = 0.0707403759948 - 20.369081277 + 0.731100168159*X1_N + 0.414303758179*X2_N
Y_O = 0.00723885471586 - 20.369081277 + 0.731100168159*X1_O + 0.414303758179*X2_O
Y_P = 0.0013619828039 - 20.369081277 + 0.731100168159*X1_P + 0.414303758179*X2_P
Y_Q = 0.00634565339394 - 20.369081277 + 0.731100168159*X1_Q + 0.414303758179*X2_Q
Y_R = -0.0698081387238 - 20.369081277 + 0.731100168159*X1_R + 0.414303758179*X2_R
Y_S = 0.00742322600292 - 20.369081277 + 0.731100168159*X1_S + 0.414303758179*X2_S
Y_T = -0.0357086000837 - 20.369081277 + 0.731100168159*X1_T + 0.414303758179*X2_T
Y_U = 0.0306507412419 - 20.369081277 + 0.731100168159*X1_U + 0.414303758179*X2_U
Y_V = -0.0376100654767 - 20.369081277 + 0.731100168159*X1_V + 0.414303758179*X2_V
Y_W = 0.0304309671953 - 20.369081277 + 0.731100168159*X1_W + 0.414303758179*X2_W
Y_X = -0.0679218320047 - 20.369081277 + 0.731100168159*X1_X + 0.414303758179*X2_X
Y_Y = -0.0464028062769 - 20.369081277 + 0.731100168159*X1_Y + 0.414303758179*X2_Y
Y_Z = -0.0512852243558 - 20.369081277 + 0.731100168159*X1_Z + 0.414303758179*X2_Z
Y_AB = 0.00411735354009 - 20.369081277 + 0.731100168159*X1_AB + 0.414303758179*X2_AB
Y_CD = 0.0145653278714 - 20.369081277 + 0.731100168159*X1_CD + 0.414303758179*X2_CD
Y_EF = 0.0240832619004 - 20.369081277 + 0.731100168159*X1_EF + 0.414303758179*X2_EF
Y_GH = -0.00884003056363 - 20.369081277 + 0.731100168159*X1_GH + 0.414303758179*X2_GH
Y_IJ = -0.0702054158434 - 20.369081277 + 0.731100168159*X1_IJ + 0.414303758179*X2_IJ
54
Lampiran 10 : Output Software Eviews 9, Hasil Estimasi Model III
55
Date: 04/02/18 Tim e: 06:07
Sam ple: 2011 2015
C -13.66757 0.978606 -13.96636 0.0000

X1? 0.826568 0.036615 22.57469 0.0000
X3? 0.082774 0.049466 1.673359 0.0962
_A--C 0.036927
_B--C 0.006754
_C--C 0.037891
_D--C -0.001847
_E--C -0.016511
_F--C 0.005673
_G--C 0.067568
_H--C 0.013545
_I--C 0.021430
_J--C 0.011498
_K--C -0.033286
_L--C 0.009373
_M--C -0.018972
_N--C 0.053810
_O--C 0.004421
_P--C 0.007632
_Q--C -0.018156
_R--C -0.043215
_S--C 0.003638
_T--C 0.001896
_U--C 0.029249
_V--C -0.018214
_W--C 0.009536
_X--C -0.047670
_Y--C -0.030790
_Z--C -0.028697
_AB--C 0.007416
_CD--C 0.009070
_EF--C 0.009258
_GH--C -0.028568
_IJ--C -0.038072
_KL--C -0.008570
_MN--C -0.014018
S.D. Rho



56
Estimation Command:
=====================
LS(CX=R, B) Y? X1? X3?
Estimation Equations:
=====================
Y_A = 0.0369265990724 - 13.6675697886 + 0.826568116877*X1_A + 0.0827743655681*X3_A
Y_B = 0.00675411445234 - 13.6675697886 + 0.826568116877*X1_B + 0.0827743655681*X3_B
Y_C = 0.0378908701113 - 13.6675697886 + 0.826568116877*X1_C + 0.0827743655681*X3_C
Y_D = -0.00184700848097 - 13.6675697886 + 0.826568116877*X1_D + 0.0827743655681*X3_D
Y_E = -0.0165105361917 - 13.6675697886 + 0.826568116877*X1_E + 0.0827743655681*X3_E
Y_F = 0.00567342290942 - 13.6675697886 + 0.826568116877*X1_F + 0.0827743655681*X3_F
Y_G = 0.0675678386642 - 13.6675697886 + 0.826568116877*X1_G + 0.0827743655681*X3_G
Y_H = 0.0135449908163 - 13.6675697886 + 0.826568116877*X1_H + 0.0827743655681*X3_H
Y_I = 0.021429802013 - 13.6675697886 + 0.826568116877*X1_I + 0.0827743655681*X3_I
Y_J = 0.0114982626561 - 13.6675697886 + 0.826568116877*X1_J + 0.0827743655681*X3_J
Y_K = -0.033286191393 - 13.6675697886 + 0.826568116877*X1_K + 0.0827743655681*X3_K
Y_L = 0.00937301121841 - 13.6675697886 + 0.826568116877*X1_L + 0.0827743655681*X3_L
Y_M = -0.0189716392209 - 13.6675697886 + 0.826568116877*X1_M + 0.0827743655681*X3_M
Y_N = 0.0538096895025 - 13.6675697886 + 0.826568116877*X1_N + 0.0827743655681*X3_N
Y_O = 0.00442123184267 - 13.6675697886 + 0.826568116877*X1_O + 0.0827743655681*X3_O
Y_P = 0.00763192244802 - 13.6675697886 + 0.826568116877*X1_P + 0.0827743655681*X3_P
Y_Q = -0.0181564236078 - 13.6675697886 + 0.826568116877*X1_Q + 0.0827743655681*X3_Q
Y_R = -0.043214524115 - 13.6675697886 + 0.826568116877*X1_R + 0.0827743655681*X3_R
Y_S = 0.0036382708004 - 13.6675697886 + 0.826568116877*X1_S + 0.0827743655681*X3_S
Y_T = 0.00189561882197 - 13.6675697886 + 0.826568116877*X1_T + 0.0827743655681*X3_T
Y_U = 0.0292492278395 - 13.6675697886 + 0.826568116877*X1_U + 0.0827743655681*X3_U
Y_V = -0.0182136537745 - 13.6675697886 + 0.826568116877*X1_V + 0.0827743655681*X3_V
Y_W = 0.00953569407744 - 13.6675697886 + 0.826568116877*X1_W + 0.0827743655681*X3_W
Y_X = -0.0476701008511 - 13.6675697886 + 0.826568116877*X1_X + 0.0827743655681*X3_X
Y_Y = -0.0307904836295 - 13.6675697886 + 0.826568116877*X1_Y + 0.0827743655681*X3_Y
Y_Z = -0.0286967005729 - 13.6675697886 + 0.826568116877*X1_Z + 0.0827743655681*X3_Z
Y_AB = 0.00741645423166 - 13.6675697886 + 0.826568116877*X1_AB + 0.0827743655681*X3_AB
Y_CD = 0.00906997642802 - 13.6675697886 + 0.826568116877*X1_CD + 0.0827743655681*X3_CD
Y_EF = 0.00925783507212 - 13.6675697886 + 0.826568116877*X1_EF + 0.0827743655681*X3_EF
Y_GH = -0.028568217175 - 13.6675697886 + 0.826568116877*X1_GH + 0.0827743655681*X3_GH
Y_IJ = -0.0380717533164 - 13.6675697886 + 0.826568116877*X1_IJ + 0.0827743655681*X3_IJ
57

TUGAS 1 PENGANTAR ILMU KOMPUTER. Tristania Artamevia, Shinta, Nurfajrina Zatil

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

TUGAS 1 PENGANTAR ILMU KOMPUTER. Tristania Artamevia, Shinta, Nurfajrina Zatil

Diunggah oleh

Hak Cipta:

Format Tersedia

HALAMAN SAMPUL

PENERAPAN ANALISIS BIPLOT PADA INDIKATOR

SURYA WIDYAWAN SUMANTIO

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

PENERAPAN ANALISIS BIPLOT PADA INDIKATOR

Diajukan untuk Memenuhi Salah Satu Persyaratan

SURYA WIDYAWAN SUMANTIO

PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA

Judul : Penerapan Analisis Biplot Pada Indikator Kesehatan

Nama : Surya Widyawan Sumantio

Stambuk : G 501 14 022

Telah diperiksa dan disetujui untuk diajukan pada Seminar Hasil

Palu, 27 Februari 2018

Nur’eni, S.Si., M.Si Desy Lusiyanti, S.Si., M.Si

Junaidi, M.Si., Ph.D

Judul : Penerapan Analisis Biplot Pada Indikator Kesehatan

Nama : Surya Widyawan Sumantio

Stambuk : G 501 14 022

Ketua :Junaidi M.Si., Ph.D ..........................

Sekretaris :Nur’eni S.Si., M.Si ..........................

Penguji 1 :Mohammad Fajri S.Si., M.Si ..........................

Penguji 2 :Rais S.Si., M.Si ..........................

Penguji 3 :Iut Tri Utami S.Si., M.Si ..........................

Penguji 4 :Fadjryani ST., M.Si ..........................

Dr. M. Rusydi, M.Si

Palu, Februari 2018

Muhammad Alkifar Masdin

Keywords: Health Indicator, SVD, Biplot

Assalaamu’alaikum Warahmatullaahi Wabarakaatuh

Alhamdulillaahirabbil’aalamiin, puji syukur atas ke-hadirat ALLAH SWT, karena atas

HALAMAN SAMPUL .................................................................................................................................. i

Gambar 4.1 : Diagram Kasus Penyakit DBD 20

Gambar 4.2 : Diagram Kasus Penyakit HIV/AIDS 21

Gambar 4.3 : Diagram Kasus Penyakit TB 22

Gambar 4.4 : Diagram Jumlah Kelahiran 22

Gambar 4.5 : Diagram Kasus Kematian Bayi 23

Gambar 4.6 : Diagram Kasus Kematian Ibu 24

Gambar 4.7 : Diagram Fasilitas Kesehatan 42

Gambar 4.8 : Diagram Tenaga Medis 42

Gambar 4.9 : Pembagian Kelompok Biplot 30

Gambar 4.10 : Korelasi Antar Variabel 31

Gambar 4.11: Korelasi dan Kelompok Biplot 32

U dan A : Matrix denagn kolom ortonormal

𝐿 : Matrix diagonal dengan ukuran (r × r)

𝑢𝑖𝑘 : adalah elemen ke-(i,k)

𝑎𝑗𝑘 : adalah elemen ke-(j,k)

gi* dan j* : masing-masing berisi elemen unsure gi dan j

2Xij : unsure pendekatan matrix X pada dimensi 2

G : titik-titik koordinat dari n objek

H : titk-titik koordinat dari p variabel

Lampiran 1 : Data indikator Kesehatan Kabupaten Parigi Moutong dalam

Lampiran 2 : Data indikator Kesehatan Kabupaten Parigi Moutong dalam

Lampiran 3 : Data indikator Kesehatan Kabupaten Parigi Moutong dalam

Lampiran 4 : Data indikator Kesehatan Kabupaten Parigi Moutong dalam

Lampiran 5 : Program R membuat matriks X. 42

Lampiran 6 : Program R membuat nilai SV 43

Lampiran 7 : Program R mencari nilai matriks U 44

Lampiran 8 : Program R mencari nilai matriks L 45

Lampiran 9 : Program R mencari nilai matriks A 45

Lampiran 10 : Program R mencari nilai matriks G 46

Lampiran 11 : Program R mencari nilai matriks H 47

Lampiran 12 : Program R mencari nilai matriks 48

1.1 Latar Belakang