SKRIPSI
MARET 2018
i
HALAMAN JUDUL
SKRIPSI
MARET 2018
ii
PERSETUJUAN PEMBIMBING
Pembimbing I Pembimbing II
Mengetahui,
Ketua Jurusan Matematika
FMIPA Universitas Tadulako
iii
PENGESAHAN DEWAN PENGUJI
Disetujui tanggal :
DEWAN PENGUJI
Mengetahui,
Dekan FMIPA
Universitas Tadulako
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.
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.
vii
KATA PENGANTAR
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
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
xiii
DAFTAR SIMBOL
𝑋 : Matrix
p : Variabel
n : Objek
xiv
DAFTAR LAMPIRAN
xv
xvi
xvii
xviii
BAB I
PENDAHULUAN
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.
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.
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?
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
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).
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).
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).
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
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
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
e (1,1,
1 xT
,1) ui (u i1 , , uiT )
Tx1
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:
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).
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
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
dt N (0, d2 )
it N (0, 2 )
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)
Statistik uji:
Wilayah kritik : jika nilai p-value kurang dari taraf signifikan ang ditentukan maka
tolak hipotesis awal (H0)
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 uiui dimana ui yi e i* X i sehingga dieroleh persamaan (4.1)
i 1
N
S uiui
i 1
N
( yi e i* X i )( yi e i* X i )
i 1
N
( yi yi yiei* yi X i i*eyi i*eei* i*eX i X i yi X iei* X i X i )
i 1
N
( yi yi 2 yiei* 2 yi X i 2i*eX i i*ee i* X i X i ) (2.15
i 1
)
S (y y 2 y e
i i i
*
i 2 yi X i 2 i*eX i i*ee i* X i X i )
i 1
i* i*
N
(2 yie 2 X ie 2e i* )
i 1
N N N
2 yie 2 e X i 2ee i* (2.16
i 1 i 1 i 1
)
S
0
i*
N N N
2 yie 2 e X i 2ee i* 0
i 1 i 1 i 1
N N N
yie e X i ee i* 0
i 1 i 1 i 1
N N N
ee i* yie 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
S (y y 2 y e
i i i
*
i 2 yi X i 2 i*eX i i*ee i* X i X i )
i 1
N
(2 yi X i 2 i*eX i 2 X i X i )
i 1
N N N
yi X i i*eX 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*eX i X i X i 0
i 1 i 1 i 1
N N N
X i X i yi X i i*eX 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
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* eee 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
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
yiQQyi yiQQX i X iQQyi X iQQX i
i 1
N
yiQQyi 2 yiQQX i X iQQX i
i 1
N
yiQQyi 2 yiQQX i X iQQX i (2.23
i 1 )
N
N
2 yiQQX i 2 QiX iQX i
i 1
N N
2 yiQQX i 2 QiX iQX i (2.24
i 1 i 1 )
F
0
N N
N
N
QiX iQX i yiQQX i
i 1 i 1
N
N
(Qi) 1 QiX iQX i yi(Qi) 1 QQX i
i 1 i 1
N N
X iQX i yiQX i
i 1 i 1
1
N
N
ˆLSDV X iQX i yiQX 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 iQX i X iQ Var (Y ) X iQX i X iQ
i 1 i 1 i 1 i 1
1 1
N N N N
X iQX i X iQ u2 X i Q X iQX i
i 1 i 1 i 1 i 1
1 1
N N N
X iQX i X iQX i X iQX i u2
i 1 i 1 i 1
1
N
X iQX i I u2
i 1
1
N
I X iQX i
2
u
i 1
1
N
X iQX i
2
u
i 1
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
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 :
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.
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)
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
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.
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)
Kriteria uji : H 0 ditolak jika Fhitung F( , n K ,nT n K ) , artinya bahwa hubungan antara
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.
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.
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 yˆi y untuk setiap i . Makin dekat R2 dengan 0 makin jelek
kecocokan data dengan model.
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.
Mulai
Pengumplan
Data
Uji Asumsi
Uji Hausman
Tolak H0 Terima H0
Uji Breusch-Pangan
Model Umum
Estimasi 23
Model Terbaik
BAB III
METODE PENELITIAN
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
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
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
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.
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.
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 :
Kolmogorov-Smirnov 0.631
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:
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:
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
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.
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:
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:
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:
32
Variable Coefficient Std. Error t-Statistic Prob.
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.
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
Sedangkan untuk model III di lihat dari nilai p-value hanya 1 variabel yang
signifikan pada pertumbuhan ekonomi dan model ini dinamakan model IIIb.
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:
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:
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
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:
X 3it Nilai Belanja Modal (BM) untuk wilayah ke-i dan tahun 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.
Hsio, C. (2003). Analysis of Panel Data. Cambridge, England. Cambridge University Press.
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.
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.
38
LAMPIRAN
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
43
Correlated Random Effects - Hausman Test
Pool: POOLPE
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Effects Specification
44
Correlated Random Effects - Hausman Test
Pool: POOLPE
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Effects Specification
45
Correlated Random Effects - Hausman Test
Pool: POOLPE
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Effects Specification
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
47
Lampiran 6 : Output Software Eviews 9, Hasil uji Breusch-Pangan model II
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
48
Lampiran 7 : Output Software Eviews 9, Hasil uji Breusch-Pangan model III
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
49
Lampiran 8 : Output Software Eviews 9, Hasil Estimasi Model I
Dependent Variable: Y?
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
Effects Specification
S.D. Rho
51
Lampiran 9 : Output Software Eviews 9, Hasil Estimasi Model II
52
Dependent Variable: Y?
Method: Pooled EGLS (Cros s -s ection random effects )
Date: 04/02/18 Tim e: 06:02
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
Effects Specification
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
54
Lampiran 10 : Output Software Eviews 9, Hasil Estimasi Model III
55
Dependent Variable: Y?
Method: Pooled EGLS (Cros s -s ection random effects )
Date: 04/02/18 Tim e: 06:07
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
Effects Specification
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
57