Pemodelan PDRB Sektor Konstruksi Di Jawa Timur Tahun 2010-2015 Dengan Regresi Data Panel
Pemodelan PDRB Sektor Konstruksi Di Jawa Timur Tahun 2010-2015 Dengan Regresi Data Panel
ABSTRAK, Salah satu sektor ekonomi yang strategis Produk Domestik Regional Bruto (PDRB) sektor
dalam perekonomian Jawa Timur yaitu sektor konstruksi. konstruksi.
Produk Domestik Regional Bruto (PDRB) sektor PDRB menjadi salah satu indikator yang
konstruksi dapat digunakan untuk melihat perkembangan
kegiatan ekonomi di bidang konstruksi. Tujuan dalam digunakan untuk mengukur kegiatan ekonomi di
penelitian ini yaitu memperoleh faktor-faktor yang suatu wilayah. Nilai tambah merupakan
memengaruhi PDRB sektor konstruksi kabupaten/kota di perubahan antara produksi barang dan jasa suatu
Jawa Timur 2010-2015. Hasil uji Lagrange Multiplier periode terhadap periode sebelumnya.
menyimpulkan bahwa hanya efek objek yang berpengaruh Perekonomian di suatu wilayah dikatakan
nyata terhadap PDRB sektor konstruksi di Jawa Timur
2010-2015. Model data panel yang sesuai menggambarkan tumbuh dan berkembang jika nilai tambah
PDRB sektor konstruksi di Jawa Timur 2010-2015 adalah tersebut bernilai positif. PDRB atas dasar harga
model pengaruh tetap individu. Peubah yang berpengaruh berlaku atau PDRB nominal disusun berdasarkan
nyata yaitu penduduk yang bekerja di sektor konstruksi, harga yang berlaku pada periode perhitungan,
pendapatan asli daerah (PAD), dan indeks pembangunan dan bertujuan untuk melihat struktur
manusia (IPM). Untuk peubah indeks kemahalan
konstruksi tidak signifikan berpengaruh. Nilai R2 dan R2 perekonomian. Sedangkan PDRB atas dasar
adjusted yang dihasilkan pada model ini yaitu sebesar harga konstan (riil) disusun berdasarkan harga
93,53% dan 92,10%. Penelitian selanjutnya disarankan pada tahun dasar dan bertujuan untuk mengukur
untuk menambahkan faktor kewilayahan, karena pertumbuhan ekonomi.
dimungkinkan adanya pengaruh spasial pada nilai PDRB Perkembangan sektor konstruksi dipengaruhi
konstruksi kabupaten/kota di Jawa Timur.
oleh beberapa faktor seperti pelaku usaha,
Kata Kunci: panel data, construction, GRDP, fixed effect pekerjanya dan rantai pasok[3]. Penelitian
Maharani (2016) menunjukkan bahwa tenaga
1. PENDAHULUAN kerja berpengaruh positif dan nyata terhadap
PDRB di Sumatera Utara[4]. Dalam penelitian
Jawa Timur merupakan sebuah provinsi dengan Sianturi dan Wibowo (2018) menunjukkan hal
jumlah kabupaten/kota paling banyak di yang sejalan, yaitu tenaga kerja berpengaruh
Indonesia. Kondisi ekonomi di Jawa Timur positif dan nyata terhadap PDRB di Jawa
banyak ditentukan oleh besarnya konstribusi Timur[5].
sektor konstruksi terhadap pertumbuhan sektor Penelitian Nasution (2010) memberi kesimpulan
usaha lainnya. Perkembangan sektor konstruksi bahwa pendapatan asli daerah (PAD) memiliki
akan mendukung terciptanya sarana prasarana pengaruh yang positif dan nyata terhadap PDRB
sosial dan ekonomi yang lebih baik sehingga di Provinsi Banten[6]. Putri (2015) meneliti
dapat memacu pertumbuhan sektor ekonomi pengaruh PAD terhadap pertumbuhan ekonomi
lainnya. Badan Pusat Statistik mendefinisikan di kabupaten/kota provinsi jawa tengah dengan
konstruksi sebagai suatu kegiatan ekonomi yang hasil berpengaruh nyata[7]. Sejalan dengan
menghasilkan barang dan jasa berupa bangunan penelitian sebelumnya, Rori (2016) meneliti
pada tempat kedudukannya, baik untuk tempat pengaruh PAD terhadap pertumbuhan ekonomi
tinggal maupun bukan[1]. di Sulawei Utara tahun 2001-2013 dengan hasil
Salah satu sektor ekonomi yang strategis dalam signifikan berpengaruh[8].
perekonomian Jawa Timur yaitu sektor Tingkat kemahalan konstruksi suatu
konstruksi[2]. Data statistik yang aktual, akurat, kabupaten/kota digambarkan dengan suatu
dan berkesinambungan diperlukan untuk indekks yang dibandingkan terhadap kota acuan.
memantau pelaksanaan pembangunan dan Indeks tersebut yaitu indeks kemahalan
mengevaluasi perkembangan sektor konstruksi konstruksi (IKK). Harga-harga yang dihimpun
di Jawa Timur. Perkembangan dari kegiatan dalam IKK harga bahan bangunan/konstruksi,
ekonomi di bidang konstruksi dapat dilihat dari sewa alat berat, dan upah jasa konstruksi di
seluruh kabupaten/kota di Indonesia[9].
8
Jurnal Msa Vol. 6 No. 2 Ed. Juli-Desember 2018
Asumsinya bahwa ketika IKK semakin tinggi parameter model regresi menggunakan
maka berpengaruh dengan meningkatnya PDRB pendekatan distribusi F dan secara parsial
sektor konstruksinya. menggunakan pendekatan distribusi t[15].
Indeks Pembangunan Manusia (IPM) memiliki REGRESI DATA PANEL
pengaruh nyata terhadap PDRB per kapita, Data panel adalah data hasil pengamatan
sebagaimana penelitian Ezkirianto dan Findi A beberapa objek yang sama dalam beberapa
(2013)[10]. Penelitian Nurmainah (2013) juga periode waktu. Secara umum, model regresi data
membuktikan bahwa IPM berpengaruh positif panel dinyatakan sebagai berikut[13]:
dan signifikan terhadap pertumbuhan
ekonomi[11]. Sejalan dengan penelitian 𝑦𝑦𝑖𝑖𝑖𝑖 = 𝛽𝛽0𝑖𝑖𝑖𝑖 + ∑𝑝𝑝𝑘𝑘=1 𝛽𝛽𝑘𝑘 𝑥𝑥𝑘𝑘𝑘𝑘𝑘𝑘 + 𝛿𝛿𝑖𝑖𝑖𝑖 , (2)
sebelumnya, Dewi & Sutrisna (2014)
menunjukkan adanya pengaruh yang signifikan dengan 𝛿𝛿𝑖𝑖𝑖𝑖 = 𝜇𝜇𝑖𝑖 + 𝜀𝜀𝑖𝑖𝑖𝑖
dari komponen IPM terhadap pertumbuhan 𝑦𝑦𝑖𝑖𝑖𝑖 adalah peubah respon objek ke-i dan waktu
ekononomi di Provinsi Bali[12]. ke-t ; 𝛽𝛽0𝑖𝑖𝑖𝑖 adalah konstanta atau intercept dari
Metode regresi merupakan metode statistika objek ke-i dan waktu ke-t ; 𝛽𝛽𝑘𝑘 adalah koefisien
untuk mengetahui hubungan antara peubah peubah penjelas ke-k,; 𝑥𝑥𝑘𝑘𝑘𝑘𝑘𝑘 adalah peubah
respon dengan peubah penjelas. Analisis Regresi penjelas ke-k untuk objek ke-i dan waktu ke-t,
data panel merupakan hasil dari pengamatan 𝜇𝜇𝑖𝑖 merupakan pengaruh faktor objek yang tidak
pada beberapa objek yang diamati dalam terobservasi, sedangkan 𝜀𝜀𝑖𝑖𝑖𝑖 adalah komponen
beberapa periode waktu tertentu[13]. Menurut error untuk objek ke-i dan waktu ke-t.
Lestari & Setyawan (2017), regresi data panel Dalam analisis regresi data panel terdapat tiga
merupakan penggabungan antara regresi data model[16], yaitu:
cross section dan runtun waktu[14]. 1. Model Gabungan (Pooled Model)
Berdasarkan gambaran di atas, apakah faktor- Model ini mengasumsikan tidak adanya
faktor seperti penduduk yang bekerja di sektor perbedaan nilai intersep (β0) dan slope (βk)
konstruksi, PAD, IKK, dan IPM berngaruh nyata pada hasil regresi baik atas dasar perbedaan
terhadap PDRB sektor konstruksi. Tujuan dalam antar objek maupun antar waktu. Model ini
penelitian ini yaitu memperoleh faktor-faktor merupakan model yang paling sederhana.
yang berpengaruh terhadap PDRB sektor 2. Model Pengaruh Tetap (Fixed Effect Model)
konstruksi kabupaten/kota di Jawa Timur Pada model ini, intersep pada regresi yang
menggunakan regresi data panel. dihasilkan dapat dibedakan antar objek
karena setiap objek dianggap mempunyai
2. TINJAUAN PUSTAKA karakteristik tersendiri. Asumsi yang harus
dipenuhi adalah:
MODEL REGRESI LINIER (i) 𝜇𝜇𝑖𝑖 diasumsikan tetap sehingga dapat
Metode regresi linier yang merupakan metode diduga
yang memodelkan hubungan antara peubah (ii) 𝜀𝜀𝑖𝑖𝑖𝑖 menyebar Normal (0,𝜎𝜎𝜀𝜀 2) bebas
respon dan peubah penjelas. Model regresi linier stokastik identik
untuk p peubah penjelas secara umum ditulis (iii)𝑥𝑥𝑖𝑖𝑖𝑖 saling bebas dengan 𝜀𝜀𝑖𝑖𝑖𝑖 untuk setiap i
sebagai berikut: dan t.
𝑦𝑦𝑖𝑖 = 𝛽𝛽0 + ∑𝑝𝑝𝑘𝑘=1 𝛽𝛽𝑘𝑘 𝑥𝑥𝑖𝑖𝑖𝑖 + 𝜀𝜀𝑖𝑖 (0.1) 3. Model Pengaruh Acak (Random Effect
dengan i = 1, 2, ..., n; 𝛽𝛽0 , 𝛽𝛽1 , … , 𝛽𝛽𝑝𝑝 adalah Model)
parameter model dan 𝜀𝜀1 , 𝜀𝜀2 , … , 𝜀𝜀𝑛𝑛 adalah error Objek yang digunakan pada model ini
yang diasumsikan identik, independen, dan biasanya merupakan objek yang dipilih
berdistribusi Normal dengan rata-rata nol dan secara acak dari populasi yang besar. Asumsi
ragam konstan 𝜎𝜎 2 atau (𝜀𝜀𝑖𝑖 ~𝐼𝐼𝐼𝐼𝐼𝐼𝐼𝐼(0, 𝜎𝜎 2 )). yang harus dipenuhi dalam model ini adalah:
Pendugaan parameter regresi dilakukan dengan (i) 𝜇𝜇𝑖𝑖 menyebar Normal (0,𝜎𝜎𝜇𝜇 2 ) bebas
menggunakan metode kuadrat terkecil (MKT) stokastik
atau Ordinary Least Squares (OLS). Pengujian
9
Jurnal MSA Vol. 6 No. 2 Ed. Juli-Desember 2018JURNAL MSA VOL. 6 NO. 2 ED. JULI-
DESEMBER 2018
(ii) 𝜀𝜀𝑖𝑖𝑖𝑖 menyebar Normal (0,𝜎𝜎𝜀𝜀 2) bebas korelasi tinggi dengan PDRB sektor konstruksi
stokastik identic adalah peubah PAD (X2) dengan nilai korelasi
(iii)𝑥𝑥𝑖𝑖𝑖𝑖 saling bebas dengan 𝜇𝜇𝑖𝑖 dan 𝜀𝜀𝑖𝑖𝑖𝑖 untuk sebesar 0,938. Peubah penjelas yang memiliki
setiap i dan t nilai korelasi rendah dengan PDRB adalah
Indeks kemahalan konstruksi (X3) dengan nilai
3. METODOLOGI korelasi sebesar 0,076. Semua peubah penjelas
yang digunakan memiliki nilai korelasi positif
Data yang digunakan dalam penelitian ini adalah dengan PDRB sektor konstruksi.
data sekunder yaitu data PDRB sektor konstruksi
sebagai peubah respon dan empat peubah Tabel 2 Nilai koefisien korelasi antar peubah
penjelas, yaitu jumlah penduduk yang bekerja di Y X1 X2 X3
sektor konstruksi, pendaptan asli daerah (PAD),
indeks kemahalan konstruksi (IKK), dan indeks X1 0,634
pembangunan manusia (IPM). Cakupan data X2 0,938 0,531
penelitian adalah kabupaten/kota di Jawa Timur X3 0,076 -0,047 0,185
tahun 2010-2015. Peubah-peubah yang
X4 0,342 0,040 0,395 0,189
digunakan dalam penelitian ini dapat dilihat pada
tabel 1. Sumber: Data diolah
Tabel 1 Rincian peubah yang digunakan pada Uji multikolinearitas dilakukan untuk
data sekunder mengetahui adanya korelasi di antara peubah-
Peubah Satuan Sumber Data peubah penjelas yang digunakan. Uji ini
PDRB sektor konstruksi dilakukan dengan menghitug nilai VIF (Variance
juta rupiah BPS
(Y) Inflation Factor). Nilai VIF kurang dari 5
Jumlah penduduk yang menunjukkan bahwa tidak terdapat
bekerja di sektor orang BPS multikolinearitas pada peubah penjelas yang
konstruksi (X1 ) dipakai. Data yang digunakan adalah data panel,
Jumlah pendapatan asli sehingga nilai VIF dihitung masing-masing
juta rupiah DJPK
daerah (X2 ) tahun dan secara gabungan. Tabel 3
Indeks kemahalan memperlihatkan bahwa nilai VIF peubah
persen BPS
konstruksi (X3 ) penjelas pada masing-masing tahun dan
Indeks Pembangunan gabungan kurang dari 5, sehingga dapat
persen BPS
Manusia (X4 ) disimpulkan bahwa tidak terdapat
Prosedur Analisis multikolinearitas pada semua peubah penjelas
Langkah-langkah analisis model regresi data yang dipakai dalam penelitian ini.
panel pada PDRB sektor konstruksi di Jawa
Timur, dijelaskan sebagai berikut: Tabel 3 Nilai VIF (Variance Inflation Factor)
1. Menentukan model yang terbaik peubah penjelas
menggunakan uji chow dan uji hausman. VIF (Variance Inflation Factor )
2. Menghitung pengaruh yang tidak Tahun X1 X2 X3 X4
terobservasi menggunakan uji Lagrange
Multiplier. 2010 1,893 2,189 1,491 1,802
3. Membentuk penduga koefisien model 2011 1,743 2,073 1,248 1,582
regresi data panel. 2012 1,648 1,860 1,293 1,368
4. Melakukan pengujian asumsi. 2013 2,099 2,295 1,188 1,345
5. Interpretasi model. 2014 1,455 1,681 1,095 1,348
2015 1,528 1,874 1,089 1,347
4. PEMBAHASAN Gabungan 1,498 1,794 1,077 1,256
Profile Data Sumber: Data diolah
Nilai koefisien korelasi antar peubah tertera pada
Tabel 2. Peubah penjelas yang memiliki nilai
10
Jurnal Msa Vol. 6 No. 2 Ed. Juli-Desember 2018
11
Jurnal MSA Vol. 6 No. 2 Ed. Juli-Desember 2018JURNAL MSA VOL. 6 NO. 2 ED. JULI-
DESEMBER 2018
pada taraf nyata 5 persen, yaitu X3. Sementara Interpretasi Model
untuk X1, X2, dan X4 berpengaruh nyata terhadap Model pengaruh tetap individu dengan
ln(PDRB) pada taraf nyata 5 persen. Nilai R2 transformasi menghasilkan penduga β0 yang
yang dihasilkan dari model ini sebesar 0,9353 berbeda-beda setiap objek, sedangkan penduga β
dan R2 adjusted sebesar 0,9210. Nilai R2 dan R2 lainnya sama. Berdasarkan Uji-F yang yang
adjusted pada model hasil transformasi ringkasannya dapat dilihat pada tabel 8, nilai
mengalami kenaikan dibandingkan dengan untuk statistik F sebesar 671,903 dengan nilai-p
model yang tidak ditransformasi. <2,22×10-16. Hal ini menunjukkan bahwa pada
taraf 5% model yang terbentuk layak untuk
Pemeriksaan Asumsi digunakan dan terdapat minimal satu peubah
Pemeriksaan asumsi kenormalan sisaan model bebas dalam model yang berpengaruh nyata
regresi hasil transformasi dilakukan dengan uji terhadap nilai ln(PDRB) konstruksi di Jawa
Shapiro-Wilk. Uji tersebut menghasilkan nilai Timur. Nilai R2 dan R2 adjusted yang dihasilkan
0,9934 dengan nilai-p sebesar 0,4056. pada model ini yaitu sebesar 93,53 % dan
Berdasarkan uji tersebut dapat disimpulkan 92,10%, artinya bahwa 92,10% keragaman nilai
bahwa sisaan sudah berdistribusi normal, ln(PDRB) konstruksi kabupaten/kota di Jawa
sehingga asumsi kenormalan sisaan terpenuhi. Timur tahun 2010-2015 dapat dijelaskan pada
Pemeriksaan kehomogenan ragam sisaan dilakukan model, sedangkan sisanya dijelaskan oleh
dengan uji Glesjer. Hasil uji Glesjer disajikan pada peubah lain di luar model.
Tabel 8. Tabel tersebut menunjukkan semua peubah Model yang terbentuk dapat dijelaskan pada
bebas memiliki nilai-p lebih dari 0,05 atau dapat persamaan dapat dituliskan dalam bentuk fungsi
disimpulkan bahwa model yang terbentuk tidak logaritma natural yaitu:
mengalami masalah ketidakhomogenan ragam sisaan �
𝐥𝐥𝐥𝐥 𝒚𝒚𝒊𝒊𝒊𝒊 = 𝛽𝛽0𝑖𝑖 + 1,379. 10−6 𝑥𝑥1𝑖𝑖𝑖𝑖 + 9,419. 10−8 𝑥𝑥2𝑖𝑖𝑖𝑖 + 9,917. 10−4 𝑥𝑥3𝑖𝑖𝑖𝑖 +
pada taraf 5 persen. 0,141𝑥𝑥4𝑖𝑖𝑖𝑖
12
Jurnal Msa Vol. 6 No. 2 Ed. Juli-Desember 2018
13
Jurnal MSA Vol. 6 No. 2 Ed. Juli-Desember 2018JURNAL MSA VOL. 6 NO. 2 ED. JULI-
DESEMBER 2018
Tenaga Kerja Terserap dan Indeks
Pembangunan Manusia terhadap
Pertumbuhan Ekonomi dan Kemiskinan".
Jurnal Bisnis dan Ekonomi (JBE) Vol.20
No.2 September 2013:131-141.
[12] Dewi, N.L.S. dan Sutrisna, I.K. 2014.
"Pengaruh Komponen Indeks
Pembangunan Manusia terhadap
Pertumbuhan Ekonomi Provinsi Bali". E-
Jurnal Ekonomi Pembangunan Universitas
Udayana Vol.3 No.3 Maret 2014:106-114.
[13] Baltagi, B.H. 2005. “Econometrics
Analysis of Panel Data. 3rd ed”.
Chichester: J Wiley.
[14] Lestari, A. & Setyawan, Y. 2017. “Analisis
Regresi Data Panel untuk Mengetahui
Faktor yang Mempengaruhi Belanja
Daerah di Provinsi Jawa Tengah”. Jurnal
Statistika Industri dan Komputasi Vol.2
No.1 Januari 2017 :1-11.
[15] Rencher, A.C. dan Schaalje, G.B. 2007.
“Linear Models in Statistics. 2nd ed”. West
Sussex: John Wiley & Sons Ltd.
[16] Handayani, L.M.W. 2017. “Penerapan
Regresi Panel Terboboti Geografis Pada
Produk Domestik Regional Bruto di Jawa
Tengah Tahun 2011-2015”. Tesis. Bogor:
Institut Pertanian Bogor.
14