PEMODELAN INDEKS PEMBANGUNAN MANUSIA DENGAN

PENDEKATAN REGRESI DATA PANEL

Oleh:

Rosyida Widadina Ulya (081611833003)

Nozadea Sasmina (081611833017)

Fajar Muhammad A. (081611833028)

S1 Statistika

Fakultas Sains dan Teknologi

Universitas Airlangga

2019
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Indonesia adalah negara yang memiliki penduduk dengan jumlah 264 juta jiwa
dan termasuk negara dengan jumlah penduduk terbesar ketiga di Asia. Jumlah
penduduk yang besar memiliki arti bahwa Indonesia mempunyai sumber daya
manusia yang melimpah. Sumber daya manusia yang besar sangat berpotensi dalam
mendukung pembangunan negara apabila setiap manusianya memiliki kualitas yang
baik. Kualitas sumber daya manusia dapat dipupuk sejak dini melalui pendidikan
baik pendidikan informal maupun formal. Salah satu pendidikan informal adalah
melalui lingkungan tempat manusia tersebut tinggal. Manusia berinteraksi,
mempengaruhi dan dipengaruhi, membentuk dan terbentuk oleh lingkungan
hidupnya (Otto, 1983). Sedangkan pada pendidikan formal adalah melalui sekolah.
Sekolah merupakan salah satu sarana dari proses pembudayaan. Dalam konteks ini
pendidikan disebut sebagai proses untuk memanusiakan manusia. Sebagai mahluk
bio – sosial masyarakat harus memiliki totalitas sebagai manusia yaitu dalam sikap,
usaha, kerja dan dapat menetapkan suatu pendirian dalam tatanan kehidupan
bermasyarakat. Didalam sekolah selain mendapatkan ilmu pelajaran yang telah
ditetapkan, seseorang juga berproses membentuk kepribadian dan perilaku sehingga
dapat diterima menjadi anggota masyarakat. Hal ini mendukung bahwa pendidikan
formal sangat penting, melalui sekolah seseorang mendapatkan bekal hidup dalam
bermasyarakat. Dengan pendidikan formal yang efektif dalam membekali
masyarakat, kualitas dari sumber daya manusia menjadi baik dalam mendukung
perkembangan negara.
Angka partisipasi sekolah merupakan proporsi anak sekolah pada usia jenjang
pendidikan tertentu dalam kelompok usia yang sesuai dengan jenjang pendidikan
tersebut (BPS, 2019). Melalui angka partisipasi sekolah dapat diketahui banyak
penduduk yang mendapatkan fasilitas pendidikan. Faktanya partisipasi sekolah di
Indonesia tidak merata khususnya di wilayah timur Indonesia (Sutrisno, 2018).
Angka partisipasi sekolah yang tidak merata dan rendah mencerminkan bahwa
sistem pendidikan di Indonesia belum optimal. Peningkatan angka partisipasi
sekolah didukung dengan tujuan Indonesia dalam mencapai SDGs pada tahun 2030
yaitu memastikan pendidikan yang inklusif dan berkualitas setara, juga mendukung
kesempatan belajar seumur hidup bagi semua.
Indeks Pembangunan Manusia (IPM) merupakan indikator penting untuk
mengukur keberhasilan dalam upaya membangun kualitas hidup manusia. Selain
itu, IPM dapat menentukan peringkat atau level pembangunan suatu
wilayah/negara. Bagi Indonesia, IPM merupakan data strategis karena selain
sebagai ukuran kinerja Pemerintah, IPM juga digunakan sebagai salah satu alokator
penentuan Dana Alokasi Umum (DAU) (BPS, 2019). Indeks pembangunan manusia
meningkat pada periode pemerintahan Jokowi-Kalla rata-rata sekitar 0,89 persen.
Meningkat dari kategori sedang pada tahun 2014 menjadi tinggi pada tahun 2018.
Menurut Jokowi, peningkatan IPM ini dicapai melalui berbagai program
perlindungan sosial salah satunya dalam pendidikan (Indonesia.go.id, 2019).
Data panel adalah gabungan antara data runtun waktu (time series) dan data
silang (cross section). Data runtun waktu biasanya meliputi satu objek tetapi
meliputi beberapa periode (bisa harian, bulanan, kuartalan, atau tahunan). Data
silang terdiri dari atas beberapa atau banyak objek, sering disebut responden
(misalnya perusahaan) dengan beberapa jenis data (misalnya laba, biaya iklan, laba
ditahan, dan tingkat investasi) dalam suatu periode waktu tertentu. Karena data
panel merupakan gabungan dari data cross section dan data time series maka
tentunya akan mempunyai observasi lebih banyak dibanding data cross section atau
time series saja. Akibatnya, ketika digabungkan menjadi pool data, guna membuat
regresi maka hasilnya cenderung akan lebih baik disbanding regresi yang hanya
menggunakan data cross section atau time series saja (Nachrowi & Usman, 2006).
Regresi data panel merupakan analisis regresi dengan struktur data merupakan
data panel. Menurut Hsiao (1992), keuntungan-keuntungan menggunakan analisis
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 (omitted variable problem). Analisis regresi data panel dipilih karena cocok
dengan tipe data yang digunakan. Selain itu, dengan analisis regresi data panel
penulis dapat mengetahui fluktuasi IPM pada periode waktu tertentu dan perbedaan
IPM di beberapa provinsi pada suatu waktu.
Penelitian terdahulu tentang IPM adalah (1) Penilitian oleh Syaifullah & Malik
(2017) yang berjudul Pengaruh Indeks Pembangunan Manusia dan Produk
Domestik Bruto (PDB) terhadap Tingkat Kemisikinan di ASEAN dengan
menggunakan regresi linier berganda. Hasilnya adalah IPM tidak berpengaruh
terhadap tingkat kemiskinan di ASEAN sedangkan PDB berpengaruh. (2)
penelitian oleh Latuconsina (2017) yang berjudul Analisis Faktor-faktor yang
Mempengaruhi Indeks Pembangunan Manusia Kabupaten Malang Berbasis
Pendekatan Perwilayahan dan Regresi Panel. Hasilnya adalah aspek yang
berpengaruh terhadap IPM pada tipologi I adalah aspek kependudukan dan
kesehatan yang meliputi jumlah penduduk, sarana kesehatan dan tenaga kesehatan;
tipologi II adalah aspek kependudukan dan pendidikan yang meliputi jumlah
penduduk dan sarana pendidikan; serta tipologi III adalah aspek kesehatan yaitu
jumlah tenaga kesehatan.
Berdasarkan uraian diatas penulis akan memodelkan Indeks Pembangunan
Manusia (IPM) dengan metode regresi data panel. Data yang digunakan dalam
penelitian ini adalah IPM dan angka partisipasi sekolah pada provinsi Papua, Papua
Barat, Nusa Tenggara Timur, Sulawesi Barat dan Kalimantan Barat dari tahun 2015
hingga tahun 2018.
1.2. Rumusan Masalah
1. Bagaimana pemodelan Indeks Pembangunan Manusia mengunakan regresi
data panel?
2. Bagaimana estimasi parameter model regresi data panel terbaik?
3. Bagaimana analisis dan interpretasi model regresi panel yang sesuai dengan
Indeks Pembangunan Manusia?
1.3. Tujuan
1. Memodelkan Indeks Pembangunan Manusia mengunakan regresi data
panel
2. Mengestimasi parameter model regresi data panel terbaik.
3. Menganalisis dan menginterpretasi model regresi panel yang sesuai dengan
Indeks Pembangunan Manusia.
1.4. Manfaat
1. Bagi Mahasiswa
Sebagai salah satu referensi dalam mengaplikasikan metode regresi data
panel pada Indeks Pembangunan Manusia.
2. Bagi Pemerintah
Sebagai salah satu acuan dalam melakukan pengembangan kebijakan untuk
meningkatkan kesejahteraan masyarakat.
3. Bagi Masyarakat
Sebagai pengetahuan bagaimana pengaruh angka partisipasi sekolah
terhadap IPM.
 BAB II

TINJAUAN PUSTAKA

2.1. Indeks Pembangunan Manusia

Indeks pembangunan manusia merupakan salah satu alat ukur yang dapat
digunakan untuk menilai kualitas pembangunan manusia, baik dari sisi
dampaknya terhadap kondisi fisik manusia (kesehatan dan kesejahteraan) maupun
yang bersifat non-fisik (intelektualitas). Pembangunan yang berdampak pada
kondisi fisik masyarakat tercermin dalam angka harapan hidup serta kemampuan
daya beli, sedangkan dampak non-fisik dilihat dari kualitas pendidikan
masyarakat.
Indeks pembangunan manusia (IPM) merupakan indikator strategis yang
banyak digunakan untuk melihat upaya dan kinerja program pembangunan secara
menyeluruh di suatu wilayah. Dalam hal ini IPM dianggap sebagai gambaran dari
hasil program pembangunan yang telah dilakukan beberapa tahun sebelumnya.
Demikian juga kemajuan program pembangunan dalam suatu periode dapat diukur
dan ditunjukkan oleh besaran IPM pada awal dan akhir periode tersebut. IPM
merupakan ukuran untuk melihat dampak kinerja pembangunan wilayah yang
mempunyai dimensi yang sangat luas, karena memperlihatkan kualitas penduduk
suatu wilayah dalam hal harapan hidup, intelelektualitas dan standar hidup layak.
Pada pelaksanaan perencanaan pembangunan, IPM juga berfungsi dalam
memberikan tuntunan dalam menentukan prioritas perumusan kebijakan dan
penentuan program pembangunan. Hal ini juga merupakan tuntunan dalam
mengalokasikan anggaran yang sesuai dengan kebijakan umum yang telah
ditentukan oleh pembuat kebijakan dan pengambil keputusan (Susanti, 2013).

2.2. Model Regresi Data Panel

Regresi panel merupakan sekumpulan teknik untuk memodelkan pengaruh
peubah penjelas terhadap peubah respon pada data panel. Data panel sendiri
merupakan data hasil dari pengamatan beberapa individu atau (unit cross-sectional)
yang diamati dalam periode waktu yang berurutan (waktu) (Baltagi, 2005). Model
regresi panel secara umum terbagi atas dua pendekatan yaitu model tanpa pengaruh
individu (common effect) dan model dengan pengaruh individu (fixed effect dan
random effect). Estimasi Model regresi panel bergantung pada asumsi yang dibuat
pada intercept, koefisien slope, dan error , uit (Gujarati, 2003). Berikut beberapa
kemungkinan estimasi model yang terjadi menurut Menurut Jaya dan Sunengsih
(2009) yaitu :
1. Koefisien slope dan intercept konstan pada setiap individu dan waktu
𝑦 = 𝛽 + ∑
𝑖𝑡
𝑝 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ∙
0 𝑘=1 (2.1)
2. Koefisien slope konstan sedangkan intercept bervariasi pada setiap individu
𝑦 = 𝛽 + ∑
𝑖𝑡
𝑝 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ∙
0𝑖 𝑘=1 (2.2)
3. Koefisien slope konstan sedangkan intercept bervariasi pada setiap individu
dan waktu
𝑦𝑖𝑡 = 𝛽0𝑖𝑡 + ∑𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ∙
𝑝
(2.3)
4. Koefisien slope dan intercept bervariasi pada setiap individu
𝑦 = 𝛽 + ∑
𝑖𝑡
𝑝 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ∙
0𝑖 𝑘=1 (2.4)
5. Koefisien slope dan intercept bervariasi pada setiap individu dan waktu
𝑦𝑖𝑡 = 𝛽0𝑖𝑡 + ∑𝑘=1 𝛽𝑘𝑖𝑡 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ∙
𝑝
(2.5)
dengan
𝑖 = 1,2, . . . . . , 𝑁
𝑡 = 1,2, . . . . . , 𝑇
𝑁 adalah banyak unit individu
𝑇 adalah banyak data periode waktu
𝑦𝑖𝑡 adalah nilai variabel respon unit individu ke-i periode waktu ke-t
𝑋𝑖𝑡 adalah nilai variabel prediktor ke-k untuk unit individu ke-i periode
waktu ke-t
𝛽𝑘𝑖𝑡 adalah koefisien slope untuk variabel prediktor 𝑋𝑘
𝜀𝑖𝑡 adalah error pada unit individu ke-i periode waktu ke-t
2.2.1. Common Effect Model (CEM)
Common effect model atau model tanpa pengaruh individu adalah pendugaan
yang menggabungkan (pooled) seluruh data waktu dan individu dengan pendekatan
OLS (Ordinary Least Square) untuk menduga parameternya (Baltagi, 2005).
Adapun persamaan model regresinya adalah sebagai berikut.
𝑦𝑖𝑡 = 𝛼 + ∑𝑝𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ; i = 1,2, … , N ; t = 1,2, … , T (2.6)
dengan
𝑦𝑖𝑡 adalah nilai variabel respon unit individu ke-i periode waktu ke-t
𝑋𝑘𝑖𝑡 adalah nilai variabel prediktor ke- k untuk unit individu ke-i waktu ke-t
𝛽𝑘 adalah koefisien slope untuk variabel prediktor 𝑋𝑘
𝛼 adalah intercept model regresi
𝜀𝑖𝑡 adalah error pada unit individu ke-i periode waktu ke-t
Model CEM pada (2.6) dapat ditulis dalam bentuk matrik sebagai berikut :
𝒚 = 𝑿𝜷 + 𝜺 (2.7)
dengan
𝒚 = (𝑌11 , … , 𝑌1𝑇 , 𝑌21, … , 𝑌2𝑇, … , 𝑌𝑁1, … , 𝑌𝑁𝑇)′

𝟏 X111 X211 ⋯ X𝑝11

⋮ ⋮ ⋮ ⋮ ⋮
𝟏 X11𝑇 X211 ⋯ X𝑝1𝑇
𝟏 X121 X221 ⋯ X𝑝21
⋮ ⋮ ⋮ ⋮ ⋮
X= X12𝑇 X22𝑇 X𝑝2𝑇
𝟏 ⋯
⋮ ⋮ ⋮ ⋮ ⋮
𝟏 X1𝑁1 X2𝑁1 ⋯ X𝑝𝑁1
⋮ ⋮ ⋮ ⋮ ⋮
(𝟏 X1𝑁𝑇 X2𝑁𝑇 ⋯ Xp𝑁𝑇)

𝜷 = (𝛼 , 𝛽1, 𝛽2, … , 𝛽𝑝)′ dan 𝜺 = (𝜀11 , … , 𝜀1𝑇 , 𝜀21, … , 𝜀2𝑇, … , 𝜀𝑁1, … , 𝜀𝑁𝑇)′

Untuk mengestimasi parameter CEM digunakan metode Ordinary Least Square

(OLS) dengan cara meminimumkan jumlah kuadrat error sebagai berikut :
𝜺′𝜺 = (𝒚 − 𝑿𝜷)′(𝒚 − 𝑿𝜷)
= 𝒚′𝒚 − 𝜷′𝑿′𝒚 − 𝒚′𝑿𝜷 + 𝜷′𝑿′𝑿𝜷
= 𝒚′𝒚 − 𝟐𝜷′𝑿′𝒚′ + 𝜷′𝑿′𝑿𝜷 (2.8)
Syarat cukup agar fungsi pada (2.8) mencapai minimum adalah

𝜕(𝜺′𝜺)
=𝟎
∂𝛃

∂(𝐲′𝐲 − 𝟐𝛃′𝐗′𝐲′ + 𝛃′𝐗′𝐗𝛃)

=𝟎
∂𝛃

−𝟐𝑿′𝒚 + 𝟐𝑿′𝑿𝜷̂ = 𝟎 (2.9)

̂ = 𝑿′ 𝒚
𝑿′ 𝑿𝜷

̂ = (𝑿′ 𝑿)−𝟏 𝑿′ 𝒚
(𝑿′ 𝑿)−𝟏 (𝑿′ 𝑿)𝜷
̂ = (𝑿′𝑿)−𝟏𝑿′
𝜷

2.2.2. Fixed Effect Model (FEM)

Hun (2005) mengatakan bahwa pada Fixed Effect Model diasumsikan
koefisien slope bernilai konstan tetapi intercept bersifat tidak konstan. Perbedaan
intersep pada FEM menggambarkan adanya perbedaan karakter parameter pada
unit-unit observasi. Asumsi yang terdapat pada pemilihan metode FEM adalah
variasi yang terletak antar individu, antar waktu, dan keduanya.
a. Fixed Effect Model dengan Efek Individu
Model yang akan diduga dalam pemodelan efek tetap dengan efek individu
adalah sebagai berikut.(Matyas,2008)

𝑦𝑖𝑡 = 𝛼 + ∑𝑝𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ; i = 1,2, … , N ; t = 1,2, … , T (2.10)

Model (2.10) dapat ditulis dalam notasi matriks dengan T observasi untuk individu
i sebagai berikut
𝒚𝒊 = 𝒆𝑻 𝛂𝒊 + 𝑿𝒊𝜷 + 𝜺𝒊 (2.11)

Dengan 𝑦𝑖 adalah vektor T × 1 dari 𝑦𝑖𝑡 , 𝑒𝑇 adalah vektor satuan berdimensi T , 𝑋𝑖

adalah matriks berukuran T × p , dan 𝜀𝑖 adalah vektor error berdimensi T × 1 ,
sehingga didapatkan

𝐲𝟏 𝐞𝑻 𝟎 ⋯ 𝟎 α1 𝐗𝟏 𝜺𝟏
𝐲𝟐 𝟎 𝐞𝑻 ⋯ 𝟎 α2 𝐗𝟐 𝜺𝟐
[ ⋮ ]=[ ][ ]+ [ ]𝛃 + [ ]
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮
𝐲𝑵 𝟎 𝟎 ⋯ 𝐞𝑻 α𝑁 𝐗𝑵 𝜺𝑵

Model (2.11) dapat ditulis dalam notasi matriks sebagai berikut

𝑦 = 𝐷𝑁 𝛼 + 𝑋𝛽 + 𝜀 (2.12)

Matriks 𝐷𝑁 berisi satu set N dummy individu dengan representasi produk kronecker
sebagai berikut

𝐷𝑁 = 𝐼𝑁 ⊗ 𝒆𝑻 (2.13)

Metode estimasi yang digunakan oleh FEM dengan efek individu adalah Ordinary
Least Square (OLS), penduga OLS dari α dan β dapat dituliskan (Matyas,2008).

𝜷̂ = (𝑿′𝑾𝑵 𝑿) − 𝟏𝑿′𝑾𝑵 𝒚 (2.14)

𝟏
𝑾𝑵 = 𝑰𝑵𝑻 𝑫𝑵 (𝑫′𝑵 𝑫𝑵 ) − 𝟏𝑫′𝑵 = 𝑰𝑵𝑻 − 𝑫𝑵 𝑫′𝑵 (2.15)
𝑻
𝟏
𝜶̂ = (𝑫′𝑵 𝑫𝑵 ) − 𝟏 𝑫′𝑵 (𝒚 − 𝑿 𝜷̂ ) = 𝑫′𝑵 (𝒚 − 𝑿 𝜷̂ ) (2.16)
𝑻

b. Fixed Effect Model dengan Efek Waktu

Model yang akan diduga dalam pemodelan efek tetap dengan efek waktu
adalah sebagai berikut.
𝑦𝑖𝑡 = λt + ∑𝑝𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ; i = 1,2, … , N ; t = 1,2, … , T (2.17)

Model (2.17) dapat ditulis dalam notasi matriks dengan N observasi untuk waktu t
sebagai berikut

𝑦𝑖 = 𝐼𝑇 𝜆 + 𝑋𝑖 𝛽 + 𝜀𝑖 ; 𝑖 = 1,2, … , 𝑁 (2.18)

dengan 𝒚𝒊 adalah vektor 𝑇 × 1 dari 𝑦𝑖𝑡 , 𝑰𝑻 adalah matrik identitas 𝑇 × 𝑇, 𝑿𝒊 adalah

matriks berukuran 𝑇 × 𝑝 , dan 𝜺𝒊 adalah vektor error berdimensi 𝑇 × 1 , sehingga
didapatkan

𝐲𝟏 𝑰𝑻 λ 1 𝐗𝟏 𝜺𝟏
𝐲𝟐 𝑰𝑻 λ 2 𝐗𝟐 𝜺𝟐
[ ⋮ ]=[ ][ ]+ [ ]𝛃 + [ ]
⋮ ⋮ ⋮ ⋮
𝐲𝑵 𝑰𝑻 λ 𝑻 𝐗𝑵 𝜺𝑵

Model (2.18) dapat ditulis dalam notasi matriks sebagai berikut

𝑦 = 𝐷𝑇 𝜆 + 𝑋𝛽 + 𝜀 (2.19)

Matriks 𝐷𝑇 berisi satu set T dummy waktu dengan representasi produk kronecker
sebagai berikut

𝑫𝑻 = 𝒆𝑵 ⊗ 𝑰𝑇

Metode estimasi yang digunakan oleh FEM dengan efek waktu adalah Ordinary
Least Square (OLS), penduga OLS dari λ dan β dapat dituliskan (Matyas,2008).

𝛽̂ = (𝑋′𝑊𝑇 𝑋) − 1𝑋′𝑊𝑇 𝑦 (2.20)

𝟏 𝟏
𝑊𝑇 = 𝑰𝑵𝑻 𝑫𝑻 (𝑫′ 𝑻 𝑫𝑻 ) − 1𝑫′ 𝑻 = 𝑰𝑵𝑻 − 𝑫𝑻 𝑫′ 𝑻 = 𝑰𝑵𝑻 − (𝑱𝑁 ⊗ 𝐼𝑇 ) (2.21)
𝑵 𝑵

𝝀̂ = (𝑫′ 𝑻 𝑫𝑻 ) − 𝟏𝑫′ 𝑻 (𝒚 − 𝑿 𝜷̂ ) =
𝟏 ̂)
𝑫′ 𝑻 (𝒚 − 𝑿𝜷 (2.21)
𝑵

c. Fixed Effect Model dengan Efek Individu dan Waktu

Model yang akan diduga dalam pemodelan efek tetap dengan efek individu
dan waktu akan melibatkan dummy efek individu dan dummy efek waktu, dalam
prosesnya tidak semua koefisien N untuk α𝑖 dan koefisien T untuk 𝜆𝑡 dapat
diidentifikasi jika kolom matriks [𝐷𝑁𝐷𝑇] memiliki kolinieritas sempurna (jumlahan
dari kolom pertama 𝐷𝑁𝑒𝑁 = 𝑒𝑁𝑇 sama dengan jumlahan kolom terakhir 𝐷𝑇𝑒𝑇 =

𝑒𝑁𝑇) oleh karena itu untuk identifikasi harus dikurangi satu kolom menjadi N-1 dan
T-1 dummy, dengan model sebagai berikut.

𝑦 = 𝑒𝑁𝑇 𝐶 + 𝐷𝑁−1 𝛼∗ + 𝐷𝑇−1 𝜆∗ + 𝑋𝛽 + 𝜀 (2.23)

Dengan nilai intercept sebagai berikut

Tabel 2.1 Nilai Intercept

i
i<N i=N
t
t<T 𝑐 + 𝛼∗𝑖 + 𝜆∗𝑡 𝑐 + 𝜆∗𝑡
t=T 𝑐 + 𝛼∗𝑖 𝑐
Model (2.23) dapat ditulis dengan notasi matriks sebagai berikut

𝒚 = 𝑫𝜸 + 𝑿𝜷 + 𝜺 (2.24)

Dengan matriks 𝑫 = [𝒆𝑵𝑻 𝑫𝑵−𝟏 𝑫𝑻−𝟏] dan 𝜸′ = [𝒄 𝜶′∗ 𝝀′∗]

Persamaan (2.24) merupakan hasil penggabungan variasi intersep dari efek tetap
pada individu dan waktu. Metode estimasi yang digunakan oleh FEM dengan efek
waktu dan individu adalah Ordinary Least Square (OLS), penduga OLS dari γ dan
β dapat dituliskan (Matyas,2008).

𝜷̂ = (𝑿′𝑾𝑵𝑻 𝑿) − 𝟏𝑿′𝑾𝑵𝑻 𝒚 (2.25)

𝟏 𝟏 𝟏
𝑾𝑵𝑻 = 𝑰𝑵𝑻 − 𝑰𝑵 ⊗ 𝑻 𝑱𝑻 − 𝑱𝑵 ⊗ 𝑰𝑻 + 𝑱𝑵𝑻 (2.26)
𝑵 𝑵𝑻

𝜸̂ = 𝑫′−𝟏 𝑫′(𝒚 − 𝑿𝜷̂) (2.27)

2.2.3. Random Effect Model (REM)
Pada FEM atau model efek tetap, perbedaan karakteristik antar individu dan
waktu diakomodasikan pada intercept sehingga intercept-nya berubah antar waktu
(Nachrowi & Usman, 2006). Sedangkan pada REM atau model efek acak perbedaan
karakteristik individu dan waktu diakomodasikan pada error dari model. Dalam hal
ini pembentukan error dipengaruhi oleh dua komponen yaitu individu dan waktu,
sehingga random error pada REM juga perlu diurai menjadi error untuk komponen
waktu dan error gabungan, dengan persamaan model sebagai berikut
(Gujarati,2003).

𝑦𝑖𝑡 = λt + ∑𝑝𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝜀𝑖𝑡 ; i = 1,2, … , N ; t = 1,2, … , T

𝑦𝑖𝑡 = λt + ∑𝑝𝑘=1 𝛽𝑘 𝑋𝑘𝑖𝑡 + 𝑤𝑖𝑡 (2.28)

dengan

𝜀𝑖 adalah komponen error individu

𝑢𝑖𝑡 adalah komponen error individu dan waktu

𝑤𝑖𝑡 adalah komponen error gabungan

Dengan asumsi error sebagai berikut,

𝜀𝑖 ~ N(0, 𝜎ε2 )
𝑢𝑖𝑡~ N(0, 𝜎u2 )
E (𝜀𝑖 𝑢𝑖𝑡 ) = 0 E (𝜀𝑖 𝜀𝑗 ) = 0 (𝑖 ≠ 𝑗)

𝐸 (𝑢𝑖𝑡 𝑢𝑖𝑠 ) = 𝐸 (𝑢𝑖𝑡 𝑢𝑗𝑡 ) = 𝐸 (𝑢𝑖𝑡 𝑢𝑗𝑠 ) = 0 (𝑖 ≠ 𝑗; 𝑡 ≠ 𝑠) (2.29)

Dari persamaan (2.15) dapat dinyatakan bahwa error tidak saling berkorelasi dan
tidak berautokorelasi antar unit individu dan waktu. Berdasarkan asumsi tersebut
didapat persamaan berikut.

𝐸(𝑤𝑖𝑡 ) = 0

𝑉𝑎𝑟(𝑤𝑖𝑡) = 𝜎𝜀2 + 𝜎𝑢2 (2.30)

Random Effect Model (REM) bisa diestimasi dengan OLS bila 𝜎ε2 = 𝜎u2 = 0 jika
tidak demikian, REM perlu diestimasi dengan metode lain. Adapun metode
estimasi yang digunakan adalah Generalized Least Square (GLS), penduga GLS
dari β dapat dituliskan (Greene,2003).

𝜷̂ = (𝑿′Ω̂−𝟏 𝑿) − 𝟏 (𝑿′Ω̂−𝟏 𝒚) (2.31)

Σ 𝟎 ⋯ 𝟎
𝟎 Σ ⋯ 𝟎
Ω=[ ] (2.32)
⋮ ⋮ ⋱ ⋮
𝟎 𝟎 ⋯ Σ

𝜎µ2 + 𝜎e2 𝜎µ2 ⋯ 𝜎µ2

𝜎µ2 𝜎µ2 + 𝜎e2 ⋯ 𝜎µ2
𝜮= (2.33)
⋮ ⋮ ⋱ ⋮
2
[ 𝜎µ 𝜎µ2 ⋯ 𝜎µ2 + 𝜎e2 ]

2.3. Pemilihan Model Estimasi Regresi Data Panel

Agar dapat memilih model yang terbaik maka dilakukan terlebih dahulu uji
spesifikasi model yang sesuai sebagai berikut.
2.3.1. Uji Chow
Uji Chow digunakan untuk memilih salah satu model pada regresi data panel,
yaitu antara model efek tetap (fixed effect model) dengan model koefisien tetap
(common effect model). Prosedur pengujiannya sebagai berikut (Baltagi, 2005).
Hipotesis:
𝐻0 ∶ 𝛼1 = 𝛼2= ... = 𝛼𝑛 = 0 (efek unit individu secara keseluruhan tidak berarti)
𝐻1 ∶ Minimal ada satu 𝛼𝑖≠ 0; i = 1, 2, .., n (efek unit individu berarti)
Statistik Uji yang digunakan adalah uji F, yaitu :

𝐹hitung = [𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆]/(𝑛−1)
(2.34)
𝑈𝑅𝑆𝑆/(𝑛𝑇−𝑛−𝑘)
Dengan
n adalah jumlah individu;
T adalah jumlah periode waktu;
K adalah jumlah parameter yang diestimasi;
URSS adalah unrestricted error sums of squares yang berasal dari model efek tetap;
Jika nilai 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹(𝑛−1,𝑛𝑇−𝑛−𝐾) atau p-value < 𝛼 (𝛼 = 0,05), maka tolak hipotesis awal
sehingga model yang terpilih adalah model efek tetap.
2.3.2. Uji Hausman
Uji ini digunakan untuk memilih model efek acak (random effect model)
dengan model efek tetap (fixed effect model). Uji ini bekerja dengan menguji apakah
terdapat hubungan antara galat pada model (galat komposit) dengan satu atau lebih
variabel penjelas (independen) dalam model. Hipotesis awalnya adalah tidak
terdapat hubungan antara galat model dengan satu atau lebih variabel penjelas.
Prosedur pengujiannya sebagai berikut (Matyas, 2008). Hipotesis yang digunakan
untuk uji Hausman yaitu:
𝐻0 ∶ Korelasi (𝑋𝑖𝑡,𝛼𝑖) = 0 ( tidak ada korelasi antara efek individu dengan variabel
prediktor, model yang sesuai adalah REM)
𝐻1 : Korelasi (𝑋𝑖𝑡,𝛼𝑖) ≠ 0 ( ada korelasi antara efek individu dengan variabel
prediktor, model yang sesuai adalah FEM)
Statistik uji yang digunakan berdasarkan hipotesis uji Hausman yaitu :

𝑄𝐻 = 𝐴′[𝑣𝑎𝑟(𝛽̂𝐹𝐸𝑀 ) − 𝑣𝑎𝑟(𝛽̂𝑅𝐸𝑀 )]−1 𝐴 (2.35)

dengan 𝐴 = 𝛽̂𝐹𝐸𝑀 − 𝛽̂𝑅𝐸𝑀

𝐻0 ditolak jika nilai statistik uji 𝑄𝐻 > 𝑋α2 atau p-value < 𝛼 (𝛼 = 0,05) ,jika 𝐻0 ditolak
maka ada korelasi antara efek individu dengan variabel prediktor sehingga fixed
effect model lebih sesuai daripada random effect model.
2.3.3. Uji Lagrange Multiplier
Pengujian Lagrange Multiplier digunakan untuk menguji antar model cross
effect dengan model random effect. Hipotesis yang digunakan dalam uji Lagrange
Multiplier yaitu :
𝐻0 : 𝜎u2 = 0 (variansi error efek individu atau waktu = 0)
𝐻1 : 𝜎u2 ≠ 0 (variansi error efek individu atau waktu ≠ 0)
Berdasarkan hipotesis uji Lagrange Multiplier digunakan statistik uji sebagai
berikut:

𝑁𝑇 ∑𝑁 𝑇e
̅𝑖.
LM = [∑𝑁 𝑖=1
∑𝑇 ̅2it
− 1].2 ~ 𝜒2 (1). (2.36)
2(𝑇−1) 𝑖=1 𝑡=1 e

𝐻0 ditolak jika LM > 𝑋α2 atau p-value < 𝛼 (𝛼 = 0,05). Jika 𝐻0 ditolak maka terdapat
random effect yang signifikan dalam data panel, dan model random effect lebih
baik mengatasi heterogenitas daripada model common effect (Baltagi, 2001).

2.4. Pengujian Parameter Model Regresi

Pengujian parameter model regresi dilakukan untuk mengetahui hubungan
antara variabel respon dan variabel prediktor. Uji parameter yang perlu dilakukan
adalah sebagai berikut.
2.4.1. Uji Serentak
Pengujian ini dilakukan untuk mengetahui pengaruh koefisien β secara
serentak terhadap variabel respon dan variabel prediktor. Hipotesis yang digunakan
dalam uji serentak yaitu:
𝐻0 : 𝛽1= 𝛽2 = ⋯ = 𝛽𝑘= 0
𝐻1 : Paling sedikit ada satu 𝛽𝑘 ≠ 0 dengan k = 1, 2,..., K
Berdasarkan hipotesis uji serentak digunakan statistik uji sebagai berikut:

( ∑𝑁 𝑇 ̂it−y̅𝑖 )2 )/𝐾−1
𝑖=1 ∑𝑡=1(y
F = ∑𝑁 𝑇 ̂it )2 /𝑁𝑇−𝐾−1
(2.37)
𝑖=1 ∑𝑡=1(yit− y
dengan
ŷit adalah nilai dugaan individu ke-i untuk periode waktu ke-t pada variabel
respon;
y̅ adalah nilai rata-rata variabel respon pada individu ke-i;
K adalah banyak parameter dalam model;

Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistik uji 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 >
𝐹(𝑛−1,𝑛𝑇−𝑛−𝐾) atau p-value < 𝛼 (𝛼 = 0,05) yang artinya paling sedikit terdapat satu 𝛽𝑘
≠ 0 dengan k = 1, 2,..., K.
2.4.2. Uji Individu
Uji individu dilakukan untuk mengetahui parameter yang berpengaruh
signifikan secara individu terhadap model. . Hipotesis yang digunakan dalam uji
individu yaitu:
𝐻0 : 𝛽𝑘=0
𝐻1 : 𝛽𝑘 ≠ 0 dengan k = 1, 2,..., K
Berdasarkan hipotesis uji serentak digunakan statistik uji sebagai berikut:

̂
𝛽
𝑡𝐻𝑖𝑡𝑢𝑛𝑔 = 𝑘 (2.38)
𝑆𝐸(𝛽̂ )
𝑘

dengan
𝛽̂ k adalah koefisien regresi dugaan pada variabel prediktor ke-k;
𝑆𝐸(𝛽̂ k) adalah standar error dari koefisien regresi pada variabel prediktor ke-k;

Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistic uji t > 𝑡α/2 (NT−K−1)
atau p-value < 𝛼 (𝛼 = 0,05) yang artinya 𝛽𝑘 ≠ 0 dengan k = 1, 2,..., K

2.5. Uji Asumsi Regresi Data Panel

Uji asumsi regresi panel dilakukan untuk mengetahui apakah data variabel
telah memenuhi asumsi klasik atau tidak.
2.5.1. Uji Multikolinieritas
Uji multikolinieritas dilakukan untuk menunjukkan ada tidaknya hubungan
linier yang kuat diantara beberapa variabel prediktor dalam suatu model regresi
linear berganda. Agar didapat model regresi yang baik dimana model regresi yang
baik memiliki variabel prediktor yang saling independen atau tidak berkorelasi.
Terdapat beberapa indikator deteksi adanya multikolinieritas yaitu nilai koefisien
determinasi tinggi (lebih dari 0,8) dan nilai F-statistik uji serentak signifikan namun
tidak ada atau sedikit t-statistik yang signifikan. Untuk menguji multikolinieritas
dapat melihat dari matriks korelasi dari variabel bebas, jika terjadi koefisisen
korelasi lebih dari 0,8 maka terdapat multikolinieritas (Gujarati, 2003).
2.5.2. Uji Normalitas
Uji normalitas dilakukan untuk membuktikan data berdistribusi normal
dengan menguji error data dari hasil regresi. Untuk menguji normalitas digunakan
Uji Jarque-Bera dengan perhitungan skewness dan kurtosis dengan hipotesis:
𝐻0 : Error berdistribusi normal
𝐻1 : Error tidak berdistribusi normal
Berdasarkan hipotesis uji normalitas digunakan statistik uji sebagai berikut:

𝑆𝑘 2 (𝐾−3)2
𝐽𝐵 = 𝑁 [ + ] (2.39)
6 24

dengan
N adalah banyaknya data;
𝑆𝑘 adalah skewness;
K adalah kurtosis;

1 𝑁
̂4
µ ∑ (𝑥 −𝑥̅ )4
𝑁 𝑖=1 𝑖
𝐾 = = (2.40)
̂22
µ 1
( ∑𝑁 (𝑥 −𝑥̅ )2 )
2
𝑁 𝑖=1 𝑖
1 𝑁
̂3
µ ∑ (𝑥 −𝑥̅ )3
𝑁 𝑖=1 𝑖
𝑆𝑘 = = 3/2 (2.41)
̂2 3/2
µ 1
( ∑𝑁 (𝑥 −𝑥̅ )2 )
𝑁 𝑖=1 𝑖
Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistik uji Jarque Bera lebih
dari 𝜒 2 (0,05;2) = 5,99 atau p-value < 𝛼 (𝛼 = 0,05) yang artinya error tidak

berdistribusi normal.
2.5.3. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui apakah ada
ketidaksamaan variansi error untuk seluruh pengamatan pada model regresi linear.
Apabila asumsi heteroskedastisitas tidak terpenuhi maka model regresi dinyatakan
tidak valid sebab variansi membesar dan tidak konsisten sehingga mengakibatkan
penaksir Ordinary Least Square (OLS) tidak efisien. Salah satu uji
heteroskedastisitas yang biasa digunakan adalah dengan uji Park dengan persamaan
(2.32) (Gujarati, 2004). Hipotesis yang digunakan dalam uji Park yaitu:
𝐻0 : Variansi error homoskedastisitas (𝑉𝑎𝑟(𝜀𝑖𝑡|𝑋𝑖𝑡) = 𝛼2)
𝐻1 : Variansi error heterokedastisitas (𝑉𝑎𝑟(𝜀𝑖𝑡|𝑋𝑖𝑡) ≠ 𝛼2)
Karena 𝜎2 tidak diketahui maka dalam model diperkirakan dengan 𝜀𝑖𝑡2 menjadi :

𝑙𝑛 𝜀𝑖𝑡 2 = 𝛼 + 𝛽𝑙𝑛𝑋𝑖𝑡 + 𝑉 (2.42)

Statistik uji yang digunakan untuk uji Park yaitu

( ∑𝑁 𝑇
𝑖=1 ∑𝑡=1(𝑦̂𝑖𝑡 −𝑦̅𝑖 )2 )/𝐾−1
𝐹 = 𝑁 𝑇 ̂ 𝑖𝑡 )2 /𝑁𝑇−𝐾−1
∑𝑖=1 ∑𝑡=1(𝑦𝑖𝑡 − 𝑦
(2.43)

Kriteria uji yang digunakan adalah H0 ditolak jika nilai statistik uji 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 >
𝐹(𝑛−1,𝑛𝑇−𝑛−𝐾) atau p-value < 𝛼 (𝛼 = 0,05) yang artinya paling sedikit terdapat satu 𝛽𝑘
≠ 0 dengan k = 1, 2,..., K. Heteroskedastisitas terjadi jika 𝛽 signifikan. Pada data
panel masalah heteroskedastisitas dapat diatasi dengan White’s robust error.
2.5.4. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui ada tidaknya kovarian antar
error. Digunakan uji Durbin Watson dengan hipotesis sebagai berikut :
𝐻0 : 𝜌 = 0 (tidak terjadi autokorelasi)
𝐻1 : 𝜌 ≠ 0 (terjadi autokorelasi)
Statistik Uji yang digunakan untuk uji autokorelasi yaitu:

∑𝑁 𝑇 ̂ 𝑖𝑡 −𝜀̂ 𝑖𝑡−1)2
𝑖=1 ∑𝑡=1(𝜀
𝑑 = ∑𝑁 𝑇 ̂2 (2.44)
𝑖=1 ∑𝑡=1 𝜀 𝑖𝑡

dengan
ε̂𝑖𝑡 adalah komponen error unit individu ke-i waktu ke-t
ε̂𝑖𝑡−1 adalah komponen error unit individu ke-i waktu ke-t-1
𝐻0 ditolak jika 𝑑 < 𝑑𝑈 atau (4 − 𝑑) < 𝑑𝑈 atau pvalue < α (dengan α = 0,05).
Uji autokorelasi tidak perlu dilakukan apabila model regresi panel yang terpilih
adalah Fixed Effect Model (FEM), sebab FEM tidak menggunakan asumsi
komponen error tidak berkorelasi dengan variabel bebas atau dengan kata lain hasil
uji autokorelasi dapat diabaikan (Nachrowi, 2006).

2.6. Koefisien Determinasi

Koefisien determinasi atau Goodness of Fit yang dinotasikan dengan R2, adalah
suatu ukuran penting dalam regresi yang menginformasikan baik tidaknya suatu
model regresi yang terestimasi (Nachrowi, 2006). Nilai koefisien determinasi
menjelaskan seberapa besar variasi variabel terikat Y yang dapat dijelaskan oleh
variabel bebas X. Nilai koefisien determinasi berkisar antara 0 sampai dengan 1
semakin besar nilai koefisien determinasi suatu model regresi maka semakin baik
model regresi tersebut. Berikut rumus dari koefisien determinasi (Baltagi 2005)

∑𝑁 𝑇 ̂it )2
𝑖=1 ∑𝑡=1(yit− y
𝑅2 = 1 − 𝑁 𝑇
∑𝑖=1 ∑𝑡=1(yit−y̅𝑖 )2
(2.45)

2.7. Angka Partisipasi Sekolah

Angka Partisipasi Sekolah merupakan ukuran daya serap sistem pendidikan
terhadap penduduk usia sekolah dan menjadi indikator untuk mengetahui kamajuan
pendidikan di suatu daerah (Dewi dkk., 2015). APS merupakan indikator dasar yang
digunakan untuk melihat akses penduduk pada fasilitas pendidikan khususnya bagi
penduduk usia sekolah. Semakin tinggi angka partisipasi sekolah (APS). maka
semakin besar jumlah penduduk yang berkesempatan mengenyam pendidikan.
Namun demikian, meningkatnya APS tidak selalu dapat diartikan sebagai
meningkatnya pemerataan kesempatan masyarakat untuk mengenyam pendidikan.
Rumus:
APS (7-12) = {(Jumlah penduduk berumur 7-12 tahun yang masih sekolah : Jumlah
penduduk umur 7─12 tahun) X 100% }

APS (13-15) = {(Jumlah penduduk berumur 13-15 tahun yang masih sekolah :
Jumlah penduduk umur 13-15 tahun) X 100%}

APS (16-18)= {(Jumlah penduduk berumur 16-18 tahun yang masih sekolah :
Jumlah penduduk umur 16-18 tahun) X 100%}

APS (19-24)= {(Jumlah penduduk berumur 19-24 tahun yang masih sekolah :
Jumlah penduduk umur 19-24 tahun) X 100%}

Masalah ekonomi merupakan faktor utama yang menyebabkan rendahnya

angka partisipasi sekolah (APS) dan tingginya angka putus sekolah pada kelompok
masyarakat miskin. Masyarakat yang memiliki kemampuan ekonomi rendah tidak
memiliki dana yang cukup untuk mengirim anak-anak ke sekolah, karena
pendidikan memang membutuhkan biaya yang relatif besar. Bagi masyarakat yang
memiliki kemampuan ekonomi yang rendah, akan mengalami kesulian
mengeluarkan biaya yang dibutuhkan proses pembelajaran. Seiring dengan hal
tersebut, banyak masyarakat miskin yang lebih memilih untuk bekerja dibandingkan
melanjutkan pendidikan yang lebih tinggi. Hal inilah yang menjadi tantangan dalam
dunia pendidikan Indonesia saat ini khsusnya dalam pemerataan pendidikan di
setiap daerah
 BAB III

METODE PENELITIAN

3.1. Sumber data

Data Indeks Pembangunan Manusia (IPM) merupakan data sekunder 4 tahun

terakhir dari tahun 2015 hingga 2018 yang diperoleh dari Badan Pusat Statistik (BPS).
Populasi dalam penelitian ini adalah seluruh provinsi yang ada di Indonesia. Sampel
yang dipilih hanya 5 provinsi berdasarkan 5 IPM terendah pada tahun 2018. Data
Angka Partisipasi Sekolah (APS) juga diperoleh dari Badan Pusat Statistik dengan
tahun yang sama. Data APS memiliki 4 kategori yang didasarkan pada jenjang sekolah.

3.2. Variabel Penelitian

Penelitian ini terdiri dari variabel respon (Y ) dan variabel prediktor ( X ) yang
ditunjukan pada tabel 3.1 sebagai berikut:

Tabel 3.1 Variabel Penelitian

Variabel Keterangan Variabel

Y Indeks Pembangunan Manusia (persentase

X1 Angka Partisipasi Sekolah pada usia 7-12 tahun (persentase)

X2 Angka Partisipasi Sekolah pada usia 13-15 tahun (persentase)

X3 Angka Partisipasi Sekolah pada usia 16-18 tahun (persentase)

X4 Angka Partisipasi Sekolah pada usia 19-24 tahun (persentase)

Struktur data panel yang dioleh berdasarkan variabel penelitianya sebagai berikut:

Provinsi Tahun Y X1 X2 X3 X4

Kalimantan 2015 Y1.1 X1.1.1 X2.1.1 X3.1.1 X4.1.1

Barat 2016 Y1.2 X1.1.2 X2.1.2 X3.1.2 X4.1.2
 2017 Y1.3 X1.1.3 X2.1.3 X3.1.3 X4.1.3
2018 Y1.4 X1.1.4 X2.1.4 X3.1.4 X4.1.4
Y1.5 X1.1.5 X2.1.5 X3.1.5 X4.1.5

Y2.1 X1.2.1 X2.2.1 X3.2.1 X4.2.1

2015
Y2.2 X1.2.2 X2.2.2 X3.2.2 X4.2.2
2016
Papua Y2.3 X1.2.3 X2.2.3 X3.2.3 X4.2.3
2017
Y2.4 X1.2.4 X2.2.4 X3.2.4 X4.2.4
2018
Y2.5 X1.2.5 X2.2.5 X3.2.5 X4.2.5

Y3.1 X1.3.1 X2.3.1 X3.3.1 X4.3.1

2015
Y3.2 X1.3.2 X2.3.2 X3.3.2 X4.3.2
Papua 2016
Y3.3 X1.3.3 X2.3.3 X3.3.3 X4.3.3
Barat 2017
Y3.4 X1.3.4 X2.3.4 X3.3.4 X4.3.4
2018
Y3.5 X1.3.5 X2.3.5 X3.3.5 X4.3.5

Y4.1 X1.4.1 X2.4.1 X3.4.1 X4.4.1

2015
Y4.2 X1.4.2 X2.4.2 X3.4.2 X4.4.2
Nusa 2016
Tenggara Y4.3 X1.4.3 X2.4.3 X3.4.3 X4.4.3
Timur 2017
Y4.4 X1.4.4 X2.4.4 X3.4.4 X4.4.4
2018
Y4.5 X1.4.5 X2.4.5 X3.4.5 X4.4.5

Y5.1 X1.5.1 X2.5.1 X3.5.1 X4.5.1

2015
Y5.2 X1.5.2 X2.5.2 X3.5.2 X4.5.2
Sulawesi 2016
Y5.3 X1.5.3 X2.5.3 X3.5.3 X4.5.3
Barat 2017
Y5.4 X1.5.4 X2.5.4 X3.5.4 X4.5.4
2018
Y5.5 X1.5.5 X2.5.5 X3.5.5 X4.5.5
3.3. Langkah Analisis Data

Langkah-langkah dalam menganalisis data sebagai berikut:

1. Memodelkan Indeks Pembangunan Manusia dengan menggunakan metode

regresi panel dengan langkah sebagai berikut:
a. Menginput data penelitian sesuai struktur data panel dengan software
Microsoft Excel.
b. Mengimpor data yang telah dimasukan pada Microsoft Excel ke dalam
software Eviews.
c. Mmbentuk deklarasi data panel pada software Eviews.
d. Melakukan uji regresi data panel Common Effect Model, Fixed Effect
Model, dan Random Effect Model dengan software Eviews.
e. Membandingkan hasil output regresi panel dari ketiga model.
f. Memilih model estimasi regresi panel yang sesuai berdasarkan uji Chow,
Hausman, dan Lagrange Multiplier dengan langkar berikut:
1.) Melakukan Uji Chow untuk menentukan pilihan antara CEM dan FEM
apabila prob. Cross-section F dan period F< α (α=0.05) maka model
terbaik adalah FEM.
2.) Jika model FEM terpilih maka lakukan uji Hausman dengan software
Eviews. Setelah output Uji Hausman muncul apabila prob. Cross-
section random < α (α=0.05) maka model terbaik adalah FEM daripada
REM.
3.) Apabila pada Uji Chow model yang terbaik adalah CEM maka perlu
dilakukan Uji Lagrange Multiplier untuk menentukan mana model
terbaik diantara CEM dan REM.
4.) Setelah output Uji Lagrange Multiplier muncul apabila P-Value < α
(α=0.05) maka model terbaik adalah REM daripada CEM.
g. Melakukan uji Signifikansi parameter model regresi
1.) Melakukan Uji Serentak
2.) Melakukan Uji Parsial
 h. Melakukan Uji Asumsi Regresi Data Panel
1.) Melakukan Uji Multikolinieritas dengan software Eviews, apbila
koefisien korlasiantar variabel > 0.8.
2.) Melakukan Uji Normalitas dengan software Eviews untuk mengetahui
apakah error berdistribus normal atau tidak. Apabila Jarque-Bera
Probability > α (α=0.05) maka error berdistribusi normal.
3.) Melakukan Uji Heteroskedastisitas dengan Uji Park melalui Software
SPSS
4.) Melakukan Uji Autokorelasi dengan membandingkan nilai Durbin-
Watson pada output software Eviews dengan nilai dL dan dU.
2. Mendapatkan model estimasi regresi data panel yang terbaik.
3. Menganalisis dan menginterpretasi model yang didapat.
DAFTAR PUSTAKA

Baltagi, B.H., 2001, Econometrics Analysis of Panel Data. Chicester,England: John

Wiley & Sons Ltd.

Baltagi, B. H. (2005). Econometrics Analysis of Panel Data (3rd ed). Chisester,

England: John Willey & Sons Ltd.

BPS. (2019) diakses melalui (https://www.bps.go.id/subject/28/pendidikan.html pada

24 Agustus 2019)

BPS. (2019) diakses melalui (https://www.bps.go.id/subject/26/indeks-pembangunan-

manusia.html pada 24 Agustus 2019)

Dewi, V.R., S. Astutik, dan H. Pramoedyo. (2015). Penentuan Faktor-Faktor Yang

Mempengaruhi Angka Partisipasi Sekolah Menggunakan Geographically
Weighted Regression dengan Metode Stepwise. Jurnal Mahasiswa Statistik 3(2):
93—96

Greene, W. H. 2003, Econometric Analysis (5th ed). New Jersey: Prentice Hall
International.

Gujarati, N. D. 2003, Basic Econometrics (4th ed). New York: McGraw-Hilll.

Hun, M. P. 2005, Linear Regression Models for Panel Data Using SAS, STATA,
LIMDEP, and SPSS, The Trustees of Indiana University.

Indonesia.go.id (2019) diakses melalui (https://indonesia.go.id/narasi/indonesia-

dalam-angka/sosial/indeks-pembangunan-manusia-terus-meningkat diakses
pada 24 Agustus 2019)

Jaya, I. G. N. M., dan N. Sunengsih, 2008, Kajian Analisis Regresi dengan Data Panel.
Prosiding Seminar Nasional Penelitian. Yogyakarta: Universitas Negeri
Yogyakarta.

Matyas, L, dan Sevestre, P, 2008, The Econometrics Of Panel Data, Springer, Budapest
Hungary.

Nachrowi, D. N. & H. Usman. (2006). Pendekatan Populer dan Praktis Ekonometrika

untuk Analisis Ekonomi dan Keuangan. Jakarta: Lembaga Penerbit FE UI.

Soemarwoto, Otto. (1983). Ekologi Lingkungan Hidup dan Pembangunan. Jakarta:

Penerbit Djambatan
Susanti, S. (2013). Pengaruh Produk Domestik Regional Bruto, Pengangguran dan
Indeks Pembangunan Manusia terhadap Kemiskinan di Jawa Barat dengan
Menggunakan Analisis Data Panel. Jurnal Matematika Integratif (Vol. 9 No. 1,
April 2013 pp. 1-18).

Sutrisno. (2018). Anak Putus Sekolah Paling Banyak di Indonesia Timur, Papua Termasuk.
Diakses melalui (https://kicaunews.com/2018/04/28/anak-putus-sekolah-paling-
banyak-di-indonesia-timur-papua-termasuk/ pada 24 Agustus 2019)