Ada tiga teknik yang bisa digunakan dalam regresi data panel yaitu teknik

OLS (Common Effect), Fixed Effect dan Random Effect. Untuk menentukan
teknik yang paling tepat untuk mengestimasi regresi data panel, harus melalui
tiga uji yaitu uji F, uji LM, dan uji Hausman.
Keeiga teknik yang digunakan untuk mengestimasi regresi data panel
yaitu: Common effect, fixed effect, dan random effect.
1) Common Effect
Berikut ini hasil estimasi regresi data panel dengan menggunakan teknik
common effect:
Dari hasil regresi teknik common effect maka diperoleh:

Yit = 1222064 + 228.1603X1 - 17738.57X2 + 1.710752X3 - 0.003152X4 + eit

2) Fixed Effect
Berdasarkan hasil estimasi di atas maka diperoleh persamaan regresi data
panel dengan model fixed effect sebagai berikut:
Yit = β0 + β1Xit+ β2Xit + β3Xit + β4Xit + eit

Dari hasil regresi teknik fixed effect maka diperoleh:

Yit = Fixed Effect + 63.12487X1 - 2683.980X2 + 0.131285X3 - 0.000476X4 + eit

3) Random Effect
Berikut ini hasil estimasi regresi data panel dengan menggunakan teknik
random effect:

Berdasarkan hasil estimasi di atas maka diperoleh persamaan regresi data

panel dengan model random effect sebagai berikut:
Yit = β0 + β1Xit+ β2Xit + β3Xit + β4Xit + eit
Dari hasil regresi teknik Random Effect maka diperoleh:
Yit = Random Effect + 191.4181X1 - 17769.86X2 + 1.684432X3 -0.002483X4 + eit

7.1. Pemilihan Teknik Estimasi Regresi Data Panel

 Ada tiga uji yang digunakan untuk menentukan teknik yang paling tepat
untuk mengestimasi regresi data panel. Tiga uji tersebut yaitu uji statistik F, uji
Lagrange Multiplier (LM) dan uji Hausman.

1) Uji Statistik F
Untuk mengetahui signifikansi teknik Fixed Effect akan diuji
menggunakan uji statistik F. Kegunaan uji statistik F yaitu untuk memilih
antara metode OLS (Common Effect) tanpa variabel dummy atau metode
Fixed Effect.
Menurut Widarjono (2005: 262-263), uji statistik F digunakan untuk
mengetahui apakah teknik regresi data panel dengan Fixed Effect lebih baik
dari model regresi data panel tanpa variabel dummy (Common Effect) dengan
melihat Residual Sum of Squares (RSS). Adapun rumus yang digunakan untuk
uji F statistik yaitu sebagai berikut:
( RSS 1 −RSS 2 )/ m
F=
( RSS 2 ) / ( n−k )
Keterangan :

RSS1 = Residual Sum of Squares, teknik tanpa variabel dummy (Common

Effect)
RSS2 = Residual Sum of Squares, teknik dengan variabel dummy (Fixed
Effect)
m = Jumlah restriksi atau pembatasan di dalam model tanpa variabel
dummy (Rumus m = Jumlah perusahaan – 1 )
n = Jumlah sampel (Observasi)
k = Jumlah parameter dalam model Fixed Effect
Hipotesis:
H0 = OLS tanpa variabel dummy (Common Effect)

VII-2
 Ha = Fixed Effect
Ketentuan:
a) Apabila F hitung ≥ F tabel, maka H 0 ditolak dan Ha diterima, berarti bahwa
model Fixed Effect merupakan model yang tepat.

b) Apabila F hitung ≤ F tabel, maka H 0 diterima dan Ha ditolak, berarti bahwa

model OLS tanpa variabel dummy (Common Effect) merupakan model yang
tepat.
Diketahui:
RSS1 = 580000000000
RSS2 = 264000000000
m = 38 - 1 = 37
n = 38 x 3 = 114
k = 5
Maka, uji F statistik dapat dihitung dengan rumus:
( RSS 1 −RSS 2 )/ m
F=
( RSS 2 ) / ( n−k )
(580. 000 . 000. 000−264 . 000. 000 . 000)/37
F=
( 264 . 000 . 000. 000 ) / ( 114−5 )
8. 540 .540 . 541
F=
2 . 422 .018 . 349
= 3,53
Numerator = 37 dan denumerator = 114 - 5 = 109, pada α = 5% (0,05)
diperoleh nilai F tabel = 1,55. Dari hasil uji F diperoleh nilai F hitung sebesar
3,53; jadi nilai F hitung (3,53) ≥ F tabel (1,55). Maka dapat disimpulkan bahwa
Ho ditolak dan Ha diterima, berarti model Fixed Effect merupakan model yang
tepat.
2) Uji Lagrange Multiplier (LM)

VII-3
 Menurut Widarjono (2005: 264), untuk mengetahui signifikansi teknik
Random Effect akan diuji menggunakan uji Lagrange Multiplier (LM). Uji
Lagrange Multiplier (LM) digunakan untuk memilih antara OLS (Common
Effect) tanpa variabel dummy atau Random Effect. Uji signifikansi Random
Effect ini dikembangkan oleh Bruesch-pagan.
Uji LM digunakan untuk mengetahui apakah model Random Effect lebih
baik dari metode OLS (Common Effect). Nilai statistik LM dihitung berdasarkan
formula sebagai berikut:
2
n T

[ ]
LM =
nT
2(T−1 )
[ ] Σ Σ e it
i=1 t =1
n
Σ Σ
T

i=1 t =1

n
e 2it
−1

=
nT
2(T−1 )
[ Σ ( T ē i )2
i=1
n
Σ Σ
T

i=1 t=1
e2it
−1
]
Keterangan :
n = Jumlah individu
T = Jumlah periode waktu
e = Residual metode OLS
Hipotesis untuk pengujian ini yaitu:
H0 = OLS tanpa variabel dummy (Common Effect)
Ha = Random Effect
Ketentuan:
a) Apabila LM hitung ≥ Tabel chi square, maka H 0 ditolak dan Ha diterima,
berarti bahwa model Random Effect merupakan model yang tepat.
b) Apabila LM hitung ≤ Tabel chi square, maka H 0 diterima dan Ha ditolak,
berarti bahwa model OLS tanpa variabel dummy (Common Effect)
merupakan model yang tepat.
Diketahui:
VII-4
n = 38
T = 3
df = 4
e = 580.000.000.000

2
n T

[ ]
LM =
nT
2(T−1 )
[ ] Σ Σ e it
i=1 t =1
n
Σ Σ
i=1 t =1

n
T
e 2it
−1

=
nT
2(T−1 )
[ i=1
n
Σ ( T ē i )2

Σ Σ
i=1 t=1
T
e2it
−1
]
2
38∗3 (580 . 000 .000 . 0002 )
= 2(3−1) [ 580 . 000 .000 . 000
−1 ]
2
(3 , 36423 )
=
114
4 [ 580 . 000 .000 . 000
−1 ]
2
(1,31125665112 )
= 28,5
[ 580 . 000 .000 . 000
−1 ]
2
= 28,5 (2,260.787.328 - 1)
2
= 28,5 (1,260.787.328)
= 28,5 (1,589.584.686)
= 45,30

Nilai df sebesar 4 pada α = 5% (0,05) diperoleh nilai X 2 tabel sebesar

9,48773. Dari hasil uji Lagrange Multiplier (LM), diperoleh nilai LM hitung
sebesar 45,30. Jadi nilai LM hitung (45,30) ≥ X2 tabel (9,48773) maka dapat

VII-5
 disimpulkan bahwa Ho ditolak dan Ha diterima, berarti model Random Effect
merupakan model yang tepat.
3) Uji Hausman
Dari hasil uji signifikansi dua teknik di atas, diperoleh hasil bahwa
teknik yang paling tepat yaitu Fixed Effect dan Random Effect. Untuk memilih
antara teknik Fixed Effect atau Random Effect maka akan diuji kembali
dengan uji Hausman. Kegunaan uji Hausman yaitu untuk memilih antara Fixed
Effect atau Random Effect.
Uji Hausman digunakan apabila metode Fixed Effect dan Random Effect
lebih baik dari metode OLS (Common Effect). Rumus uji Hausman yaitu:
¿ ¿ ¿
−1
m=q Var( q ) q
Keterangan :
¿ ¿ ¿
[
q = β −β GLS ]
¿ ¿ ¿
Var (q )=Var ( β )−Var ( βGLS )

Hipotesis untuk pengujian ini yaitu:

H0 = Random Effect
Ha = Fixed Effect
Ketentuan:
a) Apabila Hausman hitung ≥ Tabel chi square, maka H0 ditolak dan Ha
diterima, berarti bahwa model Fixed Effect merupakan model yang tepat.
b) Apabila Hausman hitung ≤ Tabel chi square, maka H 0 diterima dan Ha
ditolak, berarti bahwa model Random Effect merupakan model yang tepat.
Uji Hausman ini sangat kompleks sehingga untuk menghitungnya
digunakan alat bantu program Eviews. Hasil uji Hausman yaitu:
¿ ¿ ¿
−1
m=q Var( q ) q = 9,215061

VII-6
 Nilai df sebesar 4, pada α = 5% (0,05) diperoleh nilai X 2 tabel sebesar
9,48773. Dari hasil olah data Hausman hitung dengan menggunakan program
Eviews diperoleh nilai Hausman hitung sebesar 9,215061. Jadi Hausman hitung
(9,215061) ≤ X2 tabel (9,48773) maka dapat disimpulkan bahwa Ho diterima
dan Ha ditolak, berarti model Random Effect merupakan model yang tepat.

Gambar 7.1
Hasil Pengujian Pengolahan Data Panel Pemilihan Model yang Tepat

COMMON
EFFECT
2
LM TEST
Terpilih
1 Random Effect
F TEST RANDOM
Terpilih EFFECT
Fixed Effect
3
HAUSMAN TEST
Terpilih
Random Effect
FIXED
EFFECT

Sumber: Laboratorium Komputer Departemen Ilmu Ekonomi FE-UI

Dari hasil uji signifikansi regresi data panel, terpilih model Random
Effect sebagai model yang tepat. Hasil pengolahan data dengan model
Random Effect dapat dilihat pada tabel berikut.
Tabel 7.1
Hasil Estimasi Regresi Data Panel
Model Random Effect

Dependent Variable: (KMS?)

Method: GLS (Variance Components)
Date: 07/05/08 Time: 19:31
Sample: 2004 2006
Included observations: 3

VII-7
Total panel observations 114
Variable Coefficient Std. Error t-Statistic Prob.
C 1237251. 132746.6 9.320401 0.0000
(APB?) 191.4181 73.42121 2.607122 0.0104
(IPM?) -17769.86 1921.229 -9.249212 0.0000
(PENG?) 1.684432 0.470046 3.583548 0.0005
(PDR?) -0.002483 0.001422 -1.745669 0.0837
Random Effects
_PCT—C 5818.561
_PNRG—C -6699.368
_TGLK—C 27355.21
_TLNG—C -8591.980
_BLTR—C 1515.683
_KDR—C 17064.96
Lanjutan
_MLG—C 34461.60
_LMJ—C -30615.94
_JBR—C 16506.80
_BNYW—C 7608.643
_BDWS—C 338.9293
_STBD—C -61647.71
_PRB—C -9385.129
_PSR—C -31109.06
_SIDO—C -48960.53
_MOJO—C 11150.91
_JOM—C 6702.954
_NGJK—C 3363.729
_MDN—C -31051.95
_MGTN—C -4581.122
_NGWI—C -17234.37
_BOJ—C 75678.75
_TBN—C 27233.22
_LMNG—C 55047.87
_GRES—C 23261.25
_BNGK—C -26270.33
_SMP—C 60585.53
_PMKS—C 3063.056
_SMNP—C -25229.85
_KKDR—C 10046.05
_KBLTR—C 8863.784
_KMLG—C -36407.42
_KPRO—C -29687.55
_KPAS—C -26744.33
_KMOJ—C 14626.05
_KMDN—C 2080.573
_KSBY—C 4114.108
_KBTU—C -22271.59

GLS Transformed Regression

R-squared 0.804051 Mean dependent var 200229.9
Adjusted R-squared 0.796861 S.D. dependent var 137269.4
S.E. of regression 61868.67 Sum squared resid 4.17E+11
Durbin-Watson stat 2.240593
Unweighted Statistics including
Random Effects
R-squared 0.837763 Mean dependent var 200229.9

VII-8
 Adjusted R-squared 0.831809 S.D. dependent var 137269.4
S.E. of regression 56295.66 Sum squared resid 3.45E+11
Durbin-Watson stat 2.706169

Berdasarkan tabel tersebut diperoleh model persamaan regresi linier

berganda sebagai berikut:
Yit = Random Effect + 191.4181X1 - 17769.86X2 + 1.684432X3 -0.002483X4 + eit
β0 = Dari model persamaan regresi tersebut diperoleh nilai intercept atau
konstanta sebesar α (karena regresi dalam bentuk Random Effect, maka
intercept disajikan dengan menunjukkan intercept per Kabupaten/Kota
di Jawa Timur). Hal ini berarti bahwa variabel kemiskinan (Y) sebesar
nilai intercept masing-masing Kabupaten/Kota pada saat variabel APBD
(X1), IPM (X2), Pengangguran (X3) dan PDRB (X4) sebesar nol (konstan).
Nilai intercept berbeda pada masing-masing Kabupaten/Kota
menunjukkan keunikan model tersebut. Di bawah ini disajikan intercept masing-
masing Kabupaten/Kota di Jawa Timur berdasarkan rankingnya, pada teknik
Random Effect.
Tabel 7.2
Ranking Intercept
Pada Teknik Random Effect
Ranking Kode Kab/Kot Nilai Intercept

1 BOJ 75678.75
2 SMP 60585.53
3 LMNG 55047.87
4 MLG 34461.60
5 TGLK 27355.21
6 TBN 27233.22
7 GRES 23261.25
8 KDR 17064.96
9 JBR 16506.80
10 KMOJ 14626.05
11 MOJO 11150.91
12 KKDR 10046.05
13 KBLTR 8863.78
14 BNYW 7608.64
15 JOM 6702.95
16 PCT 5818.56

VII-9
 17 KSBY 4114.11
18 NGJK 3363.73
19 PMKS 3063.06
20 KMDN 2080.57
21 BLTR 1515.68
22 BDWS 338.93
23 MGTN -4581.12
24 PNRG -6699.37
25 TLNG -8591.98
26 PRB -9385.13
27 NGWI -17234.37
28 KBTU -22271.59
Lanjutan
Ranking Kode Kab/Kot Nilai Intercept

29 SMNP -25229.85
30 BNGK -26270.33
31 KPAS -26744.33
32 KPRO -29687.55
33 LMJ -30615.94
34 MDN -31051.95
35 PSR -31109.06
36 KMLG -36407.42
37 SIDO -48960.53
38 STBD -61647.71

β0_BOJ = Intercept tertinggi (ranking pertama) dicapai oleh Kabupaten

Bojonegoro dengan nilai intercept atau konstanta sebesar 75678.75.
Hal ini berarti bahwa variabel kemiskinan sebesar 75678.75 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_SMP = Intercept ranking kedua dicapai oleh Kabupaten Sampang dengan
nilai intercept atau konstanta sebesar 60585.53. Hal ini berarti
bahwa variabel kemiskinan sebesar 60585.53 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_LMNG = Intercept ranking ke-tiga dicapai oleh Kabupaten Lamongan dengan
nilai intercept atau konstanta sebesar 55047.87. Hal ini berarti
bahwa variabel kemiskinan sebesar 55047.87 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_MLG = Intercept ranking ke-empat dicapai oleh Kabupaten Malang dengan
VII-10
 nilai intercept atau konstanta sebesar 34461.60. Hal ini berarti
bahwa variabel kemiskinan sebesar 34461.60 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_TGLK = Intercept ranking ke-lima dicapai oleh Kabupaten Trenggalek dengan
nilai intercept atau konstanta sebesar 27355.21. Hal ini berarti
bahwa variabel kemiskinan sebesar 27355.21 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_TBN = Intercept ranking ke-enam dicapai oleh Kabupaten Tuban dengan
nilai intercept atau konstanta sebesar 27233.22. Hal ini berarti
bahwa variabel kemiskinan sebesar 27233.22 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_GRES =Intercept ranking ke-tujuh dicapai oleh Kabupaten Gresik dengan
nilai intercept atau konstanta sebesar 23261.25. Hal ini berarti
bahwa variabel kemiskinan sebesar 23261.25 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_KDR = Intercept ranking ke-delapan dicapai oleh Kabupaten Kediri dengan
nilai intercept atau konstanta sebesar 17064.96. Hal ini berarti
bahwa variabel kemiskinan sebesar 17064.96 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_JBR = Intercept ranking ke-sembilan dicapai oleh Kabupaten Jember dengan
nilai intercept atau konstanta sebesar 16506.8. Hal ini berarti bahwa
variabel kemiskinan sebesar 16506.8 pada saat variabel APBD, IPM,
Pengangguran dan PDRB sebesar nol (konstan).
β0_KMOJ =Intercept ranking ke-sepuluh dicapai oleh Kota Mojokerto dengan
nilai intercept atau konstanta sebesar 14626.05. Hal ini berarti
bahwa variabel kemiskinan sebesar 14626.05 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_MOJO = Intercept ranking ke-sebelas dicapai oleh Kabupaten Mojokerto
dengan nilai intercept atau konstanta sebesar 11150.91. Hal ini
VII-11
 berarti bahwa variabel kemiskinan sebesar 11150.91 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_KKDR = Intercept ranking ke-dua-belas dicapai oleh Kota Kediri dengan nilai
intercept atau konstanta sebesar 10046.05. Hal ini berarti bahwa
variabel kemiskinan sebesar 10046.05 pada saat variabel APBD, IPM,
Pengangguran dan PDRB sebesar nol (konstan).

β0_KBLTR =Intercept ranking ke-tiga-belas dicapai oleh Kota Blitar dengan nilai
intercept atau konstanta sebesar 8863.784. Hal ini berarti bahwa
variabel kemiskinan sebesar 8863.784 pada saat variabel APBD, IPM,
Pengangguran dan PDRB sebesar nol (konstan).
β0_BNYW = Intercept ranking ke-empat-belas dicapai oleh Kabupaten Banyuwangi
dengan nilai intercept atau konstanta sebesar 7608.643. Hal ini
berarti bahwa variabel kemiskinan sebesar 7608.643 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_JOM = Intercept ranking ke-lima-belas dicapai oleh Kabupaten Jombang
dengan nilai intercept atau konstanta sebesar 6702.954. Hal ini
berarti bahwa variabel kemiskinan sebesar 6702.954 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_PCT = Intercept ranking ke-enam-belas dicapai oleh Kabupaten Pacitan
dengan nilai intercept atau konstanta sebesar 5818.561. Hal ini
berarti bahwa variabel kemiskinan sebesar 5818.561 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_KSBY = Intercept ranking ke-tujuh-belas dicapai oleh Kota Surabaya dengan
nilai intercept atau konstanta sebesar 4114.108. Hal ini berarti
bahwa variabel kemiskinan sebesar 4114.108 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_ NGJK= Intercept ranking ke-delapan-belas dicapai oleh Kabupaten Nganjuk
dengan nilai intercept atau konstanta sebesar 3363.729. Hal ini
VII-12
 berarti bahwa variabel kemiskinan sebesar 3363.729 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_PMKS =Intercept ranking ke-sembilan-belas dicapai oleh Kabupaten
Pamekasan dengan nilai intercept atau konstanta sebesar 3063.056.
Hal ini berarti bahwa variabel kemiskinan sebesar 3063.056 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).

β0_KMDN =Intercept ranking ke-dua-puluh dicapai oleh Kota Madiun dengan

nilai intercept atau konstanta sebesar 2080.573. Hal ini berarti
bahwa variabel kemiskinan sebesar 2080.573 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_BLTR = Intercept ranking ke-dua-puluh-satu dicapai oleh Kabupaten Blitar
dengan nilai intercept atau konstanta sebesar 1515.683. Hal ini
berarti bahwa variabel kemiskinan sebesar 1515.683 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_BDWS = Intercept ranking ke-dua-puluh-dua dicapai oleh Kabupaten
Bondowoso dengan nilai intercept atau konstanta sebesar 338.9293.
Hal ini berarti bahwa variabel kemiskinan sebesar 338.9293 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_MGTN = Intercept ranking ke-dua-puluh-tiga dicapai oleh Kabupaten Magetan
dengan nilai intercept atau konstanta sebesar -4581.122. Hal ini
berarti bahwa variabel kemiskinan sebesar -4581.122 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_PNRG = Intercept ranking ke-dua-puluh-empat dicapai oleh Kabupaten
Ponorogo dengan nilai intercept atau konstanta sebesar -6699.368.
Hal ini berarti bahwa variabel kemiskinan sebesar -6699.368 pada
saat variabel APBD, IPM, Pengangguran dan PDRB sebesar nol
(konstan).
β0_TLNG = Intercept ranking ke-dua-puluh-lima dicapai oleh Kabupaten
VII-13
 Tulungagung dengan nilai intercept atau konstanta sebesar -8591.98.
Hal ini berarti bahwa variabel kemiskinan sebesar -8591.98 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_PRB = Intercept ranking ke-dua-puluh-enam dicapai oleh Kabupaten
Probolinggo dengan nilai intercept atau konstanta sebesar -9385.129.
Hal ini berarti bahwa variabel kemiskinan sebesar -9385.129 pada
saat variabel APBD, IPM, Pengangguran dan PDRB sebesar 0 (konstan).
β0_NGWI = Intercept ranking ke-dua-puluh-tujuh dicapai oleh Kabupaten Ngawi
dengan nilai intercept atau konstanta sebesar -17234.37. Hal ini
berarti bahwa variabel kemiskinan sebesar -17234.37 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_KBTU = Intercept ranking ke-dua-puluh-delapan dicapai oleh Kota Batu
dengan nilai intercept atau konstanta sebesar -22271.59. Hal ini
berarti bahwa variabel kemiskinan sebesar -22271.59 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_SMNP = Intercept ranking ke-dua-puluh-sembilan dicapai oleh Kabupaten
Sumenep dengan nilai intercept atau konstanta sebesar -25229.85.
Hal ini berarti bahwa variabel kemiskinan sebesar -25229.85 pada
saat variabel APBD, IPM, Pengangguran dan PDRB sebesar nol
(konstan).
β0_BNGK =Intercept ranking ke-tiga-puluh dicapai oleh Kabupaten Bangkalan
dengan nilai intercept atau konstanta sebesar -26270.33. Hal ini
berarti bahwa variabel kemiskinan sebesar -26270.33 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_KPAS = Intercept ranking ke-tiga-puluh-satu dicapai oleh Kota Pasuruan
dengan nilai intercept atau konstanta sebesar -26744.33. Hal ini
berarti bahwa variabel kemiskinan sebesar -26744.33 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_KPRO = Intercept ke-tiga-puluh-dua dicapai oleh Kota Probolinggo dengan
VII-14
 nilai intercept atau konstanta sebesar -29687.55. Hal ini berarti
bahwa variabel kemiskinan sebesar -29687.55 pada saat variabel
APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_LMJ = Intercept ranking ke-tiga-puluh-tiga dicapai oleh Kabupaten
Lumajang dengan nilai intercept atau konstanta sebesar -30615.94.
Hal ini berarti bahwa variabel kemiskinan sebesar -30615.94 pada
saat variabel APBD, IPM, Pengangguran dan PDRB sebesar o (konstan).
β0_MDN = Intercept ranking ke-tiga-puluh-empat dicapai oleh Kabupaten
Madiun dengan nilai intercept atau konstanta sebesar -31051.95. Hal
ini berarti bahwa variabel kemiskinan sebesar -31051.95 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_PSR = Intercept ranking ke-tiga-puluh-lima dicapai oleh Kabupaten
Pasuruan dengan nilai intercept atau konstanta sebesar -31109.06.
Hal ini berarti bahwa variabel kemiskinan sebesar -31109.06 pada
saat variabel APBD, IPM, Pengangguran dan PDRB sebesar nol
(konstan).
β0_KMLG = Intercept ranking ke-tiga-puluh-enam dicapai oleh Kota Malang
dengan nilai intercept atau konstanta sebesar -36407.42. Hal ini
berarti bahwa variabel kemiskinan sebesar -36407.42 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_SIDO = Intercept ranking ke-tiga-puluh-tujuh dicapai oleh Kabupaten
Sidoarjo dengan nilai intercept atau konstanta sebesar -48960.53. Hal
ini berarti bahwa variabel kemiskinan sebesar -48960.53 pada saat
variabel APBD, IPM, Pengangguran dan PDRB sebesar nol (konstan).
β0_STBD = Intercept ranking ke-tiga-puluh-delapan dicapai oleh Kabupaten
Situbondo dengan nilai intercept atau konstanta sebesar -61647.71.
Hal ini berarti bahwa variabel kemiskinan sebesar -61647.71 pada
saat variabel APBD, IPM, Pengangguran dan PDRB sebesar nol
(konstan).
VII-15
 Dari penjelasan di atas maka dapat diketahui Kabupaten Bojonegoro
memiliki nilai intersep tertinggi, karena kabupaten Bojonegoro memiliki keunikan
dibandingkan dengan Kabupaten/Kota lain yang ada di Jawa Timur. Keunikan
tersebut bisa terletak pada pengelolaan manajemen keuangan daerahnya dan
lain sebagainya yang tidak disebutkan dalam model regresi pada penelitian ini.
β1 = 191.4181; koefisien regresi variabel APBD (X 1) sebesar 191.4181. Berarti
ada pengaruh positif antara APBD (X1) terhadap jumlah kemiskinan (Y)
sebesar 191.4181. Jika APBD (X 1) naik sebesar 1 rupiah maka jumlah
kemiskinan (Y) akan naik sebesar 191.4181 dan jika APBD (X 1) turun
sebesar 1 rupiah maka jumlah kemiskinan (Y) akan turun sebesar 191.4181.
Asumsi variabel lainnya yaitu IPM, pengangguran dan PDRB tidak
mengalami perubahan atau tetap (cateris paribus).
β2 = -17769.86; koefisien regresi variabel IPM (X2) sebesar -17769.86. Berarti
ada pengaruh negatif antara variabel IPM (X2) terhadap jumlah kemiskinan
(Y) sebesar 17769.86. Jika IPM (X 2) naik sebesar 1% maka jumlah
kemiskinan (Y) akan turun sebesar 17769.86 sedangkan jika IPM (X 2) turun
sebesar 1% maka jumlah kemiskinan (Y) akan naik sebesar 17769.86.
Asumsi variabel lainnya yaitu APBD, pengangguran dan PDRB tidak
mengalami perubahan atau tetap (cateris paribus).
β3 = 1.684432; koefisien regresi variabel pengangguran (X 3) sebesar 1.684432.
Berarti ada pengaruh positif antara jumlah pengangguran (X 3) terhadap
jumlah kemiskinan (Y) sebesar 1.684432. Jika jumlah pengangguran (X 3)
naik sebesar 1 orang maka jumlah kemiskinan (Y) akan naik sebesar
1.684432 dan jika jumlah pengangguran (X 3) turun sebesar 1 orang maka
jumlah kemiskinan (Y) akan turun sebesar 1.684432. Asumsi variabel
lainnya yaitu APBD, IPM dan PDRB tidak mengalami perubahan atau tetap
(cateris paribus).
β4 = -0.002483; koefisien regresi variabel PDRB (X4) sebesar -0.002483. Berarti

VII-16
 ada pengaruh negatif antara PDRB (X4) terhadap jumlah kemiskinan (Y)
sebesar 0.002483. Jika PDRB (X 4) naik sebesar 1 rupiah maka jumlah
kemiskinan (Y) akan turun sebesar 0.002483 sebaliknya jika PDRB (X 4)
turun sebesar 1 rupiah maka jumlah kemiskinan (Y) akan naik sebesar
0.002483. Asumsi variabel lainnya yaitu APBD, IPM dan pengangguran tidak
mengalami perubahan atau tetap (cateris paribus).

7.2. Pengujian Hipotesis

Pengujian hipotesis dilakukan untuk mengetahui ada tidaknya pengaruh
secara nyata hubungan variabel bebas terhadap variabel terikat baik secara
simultan maupun parsial. Pengujian hipotesis ada dua macam yaitu uji simultan
(uji F) dan uji parsial (uji t).
7.2.1. Uji F (Simultan)
Uji F merupakan pengujian untuk mengetahui ada tidaknya pengaruh
secara simultan (serentak) antara seluruh variabel bebas (APBD, IPM,
pengangguran dan PDRB) terhadap variabel terikat (kemiskinan). Nilai F statistik
dapat dihitung dengan rumus:
R2 /k
F=
( 1−R2 ) /(n−k−1 )
Keterangan :
F = Rasio (koefisian penentu)
R2 = Koefisien determinasi
n = Jumlah observasi
k = Jumlah variabel bebas
Diketahui:
R2 = 0.837763
n = 114
k = 4
Nilai df1 sebesar 4, dan df2 = n – k-1 = 114 – 4 - 1 = 109 atau df (4, 109)

VII-17
pada α = 5% (0,05) diperoleh nilai F tabel sebesar 2,53.
Jadi, nilai F hitung dapat dihitung dengan cara:
R2 /k
F=
( 1−R2) /(n−k−1 )
0 ,837763 /4
F=
( 1−0 , 837763 ) / ( 114−4−1 )
0 , 837763/4
F=
0 ,162237 /109
0 ,20944075
F=
0 ,001488412844
= 140,71
Tabel 7.3
Hasil Uji Signifikansi Secara Simultan

Hipotesis Alternatif (Ha) Nilai Kondisi Kesimpulan

Variabel APBD, IPM, jumlah

pengangguran dan PDRB
secara simultan Fhitung = 140,71 Fhitung > Ftabel Ha diterima
berpengaruh signifikan Ftabel = 2,53 140,71 > 2,53 Ho ditolak
terhadap jumlah Pada α (5%)
kemiskinan.

Sumber: Data Diolah

Berdasarkan tabel di atas dapat diketahui bahwa nilai F statistik lebih besar
dari nilai Ftabel, hal tersebut diperjelas dengan gambar kurva di bawah ini.
Gambar 7.2
Kurva Daerah Penerimaan dan Penolakan Ho Pada Uji F

VII-18
 Ho diterima

Ho ditolak

0 2,53 140,71

Nilai Fhitung (140,71) > Ftabel (2,53), hal ini berarti bahwa Ha diterima dan
Ho ditolak. Dengan demikian dapat disimpulkan bahwa variabel bebas (APBD,
IPM, pengangguran dan PDRB) secara simultan berpengaruh signifikan terhadap
variabel terikat (kemiskinan).
7.3.2. Uji t (Parsial)
Uji t merupakan pengujian untuk mengetahui ada tidaknya pengaruh
secara parsial (individu) antara masing-masing variabel bebas (APBD, IPM,
pengangguran dan PDRB) terhadap variabel terikat (kemiskinan).
Dari hasil estimasi regresi data panel dapat diketahui nilai t hitung dan
nilai probabilitas masing-masing variabel bebas. Hasil estimasi tersebut tampak
pada tabel dan gambar berikut.
Tabel 7.4
Hasil Uji Signifikansi Secara Parsial

Hipotesis
Nilai Kondisi Kesimpulan
Alternatif (Ha)

t-hitung = 2,607122
Variabel APBD secara
t-tabel = 2,000
parsial berpengaruh t-hitung > t tabel Ho ditolak
Prob. = 0,0104
signifikan terhadap Prob < α Ha diterima
α = 5%
kemiskinan
(1/2 α = 2,5%)

VII-19
 t-hitung = |9,249212|
variabel IPM secara
t-tabel = 2,000
parsial berpengaruh t-hitung > t tabel Ho ditolak
Prob. = 0,0000
signifikan terhadap Prob < α Ha diterima
α = 5%
kemiskinan
(1/2 α = 2,5%)

variabel t-hitung = 3,583548

pengangguran secara t-tabel = 2,000
t-hitung > t tabel Ho ditolak
parsial berpengaruh Prob. = 0,0005
Prob < α Ha diterima
signifikan terhadap α = 5%
kemiskinan (1/2 α = 2,5%)

Lanjutan
Hipotesis
Nilai Kondisi Kesimpulan
Alternatif (Ha)

Variabel PDRB t-hitung = |1.745669|

secara parsial t-tabel = 2,000
t-hitung < t tabel Ho diterima
berpengaruh Prob. = 0.0837
Prob > α Ha ditolak
signifikan terhadap α = 5%
kemiskinan (1/2 α = 2,5%)

Sumber: Data Diolah

Berikut ini dijelaskan pengaruh signifikansi masing-masing variabel bebas

(APBD, IPM, pengangguran dan PDRB) terhadap variabel terikat (kemiskinan)
yaitu sebagai berikut:
1) Variabel APBD (X1)
Variabel APBD (X1) memiliki nilai t hitung sebesar 2,607122 dan nilai
probabilitas sebesar 0,0104. Hal ini berarti nilai t hitung sebesar (2,607122) >

t tabel (2,000) dan nilai probabilitas 0,0104 < α = 5% ( 1/2 α = 2,5%) maka Ho
ditolak dan Ha diterima, dengan demikian dapat disimpulkan bahwa variabel
APBD (X1) secara parsial berpengaruh signifikan terhadap kemiskinan.
Gambar 7.3
Kurva Daerah Penerimaan dan Penolakan Ho
VII-20
 Untuk Variabel APBD (X1) Pada Uji t Dua arah

Ho Diterima

Ho Ditolak Ho Ditolak

- 2,607122 -2,000 0 2,000 2,607122

2) Variabel IPM (X2)

Variabel IPM (X2) memiliki nilai t hitung sebesar |9,249212| dan nilai
probabilitas sebesar 0,0000. Hal ini berarti nilai t hitung sebesar |9,249212|

> t tabel (2,000) dan nilai probabilitas (0,0000) < α = 5% ( 1/2 α = 2,5%) maka
Ho ditolak dan Ha diterima, dengan demikian dapat disimpulkan bahwa
variabel IPM (X2) secara parsial berpengaruh signifikan terhadap kemiskinan.

Gambar 7.4
Kurva Daerah Penerimaan dan Penolakan Ho
Untuk Variabel IPM (X2) Pada Uji t Dua Arah

Ho Diterima

Ho Ditolak Ho Ditolak

- 9,249212 -2,000 0 2,000 9,249212

3) Variabel Pengangguran (X3)

VII-21
 Variabel pengangguran (X3) memiliki nilai t hitung sebesar 3,583548 dan nilai
probabilitas sebesar 0,0005. Hal ini berarti nilai t hitung sebesar 3,583548 > t

tabel (2,000) dan nilai probabilitas (0,0005) < α = 5% ( 1/2 α = 2,5%) maka Ho
ditolak dan Ha diterima, dengan demikian dapat disimpulkan bahwa variabel
pengangguran (X3) secara parsial berpengaruh signifikan terhadap
kemiskinan.

Gambar 7.5
Kurva Daerah Penerimaan dan Penolakan Ho
Untuk Variabel Pengangguran (X3) Pada Uji t Dua Arah
Ho Diterima

Ho Ditolak Ho Ditolak

-3,583548 -2,000 0 2,000 3,58354

4) Variabel PDRB (X3)

Variabel PDRB (X3) memiliki nilai t hitung sebesar |1.745669| dan nilai
probabilitas sebesar 0,0837. Hal ini berarti nilai t hitung sebesar |1.745669|

< t tabel (2,000) dan nilai probabilitas (0,0837) > α = 5% ( 1/2 α = 2,5%) maka
Ho diterima dan Ha ditolak, dengan demikian dapat disimpulkan bahwa
variabel PDRB (X3) secara parsial tidak berpengaruh signifikan terhadap
VII-22
 kemiskinan.
Gambar 7.6
Kurva Daerah Penerimaan dan Penolakan Ho
Untuk Variabel PDRB (X4) Pada Uji t Dua Arah

Ho Diterima

Ho Ditolak Ho Ditolak

-2,000 -1,745669 0 1,745669 2,000

Koefisien determinasi (R2) sebesar 0.837763 atau 84%. Hal ini berarti
kemampuan variabel bebas yang terdiri dari APBD, IPM, pengangguran dan PDRB
dalam menjelaskan variabel terikat (kemiskinan) sebesar 0.84 (84%), sedangkan
sisanya 16% (1-0.84 = 0.16) dijelaskan oleh variabel lain diluar model yang secara
implisit tercermin pada variabel pengganggu.
7.3. Pengaruh Secara Parsial Masing-masing Variabel Bebas terhadap Variabel
Terikat

Berikut ini dijelaskan pengaruh dari masing-masing variabel bebas yang

terdiri dari APBD, IPM, pengangguran dan PDRB dalam menjelaskan variabel
terikat (kemiskinan) pada Kabupaten/Kota di Jawa Timur tahun 2004-2006.
a. Variabel APBD (X1)
Variabel APBD (X1) memiliki pengaruh yang positif terhadap kemiskinan di
Jawa Timur. Hal ini menunjukkan bahwa semakin tinggi APBD maka jumlah
kemiskinan juga semakin tinggi, dan apabila APBD semakin rendah maka
kemiskinan juga akan semakin rendah.
b. Variabel IPM (X2)
Variabel IPM (X2) memiliki pengaruh yang negatif terhadap kemiskinan di Jawa

VII-23
 Timur. Hal ini menunjukkan bahwa semakin tinggi IPM maka jumlah
kemiskinan akan menurun, dan apabila IPM semakin rendah maka jumlah
kemiskinan semakin meningkat.
c. Variabel Pengangguran (X3)
Variabel pengangguran (X3) memiliki pengaruh yang positif terhadap
kemiskinan di Jawa Timur. Hal ini menunjukkan bahwa semakin tinggi jumlah
pengangguran di Jawa Timur maka jumlah kemiskinan akan meningkat dan
apabila semakin rendah jumlah pengangguran maka jumlah kemiskinan akan
menurun.
d. Variabel PDRB (X4)
Variabel PDRB (X4) memiliki pengaruh yang negatif terhadap kemiskinan di
Jawa Timur. Hal ini menunjukkan bahwa semakin tinggi PDRB maka jumlah
kemiskinan akan menurun, dan apabila PDRB semakin rendah maka jumlah
kemiskinan semakin meningkat.

VII-24