Skripsilengkap

DETERMINAN KETIMPANGAN INDUSTRI MIKRO DAN
KECIL ANTARPROVINSI DI INDONESIA TAHUN 2019
CHRIST EGY NATAMA PARDEDE

111911092
PROGRAM STUDI STATISTIKA PROGRAM DIPLOMA III
POLITEKNIK STATISTIKA STIS

JAKARTA
2022
KARYA ILMIAH TUGAS AKHIR

Diajukan sebagai Salah Satu Syarat untuk Memperoleh Sebutan
Ahli Madya Statistika pada Politeknik Statistika STIS
Oleh:
111911092
PROGRAM STUDI STATISTIKA PROGRAM DIPLOMA III
POLITEKNIK STATISTIKA STIS

JAKARTA
2022
PERNYATAAN
Karya Ilmiah Tugas Akhir dengan Judul
Oleh:
111911092
Adalah benar-benar hasil penelitian sendiri dan bukan hasil plagiat atau
hasil karya orang lain. Jika di kemudian hari diketahui ternyata karya
ilmiah tugas akhir ini hasil plagiat atau hasil karya orang lain, penulis
bersedia jika karya ilmiah tugas akhir ini dinyatakan tidak sah dan
sebutan Ahli Madya Statistika dicabut atau dibatalkan.
Jakarta, XX Juli 2022
Christ Egy Natama Pardede

Oleh:
111911092
Tim Penguji
Penguji I Penguji II
Nama Dosen Penguji I Nama Dosen Penguji II

NIP XXXXXXXXXXXXXXXXXX NIP XXXXXXXXXXXXXXXXXX
Mengetahui/Menyetujui
Program Diploma III Pembimbing

Ketua Program Studi Statistika
Agung Priyo Utomo, S.Si, M.T. Dr. Siti Muchlisoh M.Si.

NIP 197305281995121001 NIP XXXXXXXXXXXXXXXXXX
© Hak Cipta milik Politeknik Statistika STIS, Tahun 2022
Hak Cipta dilindungi undang-undang

1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau
menyebutkan sumbernya.
a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya
ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah.
b. Pengutipan tidak merugikan kepentingan yang wajar Politeknik Statistika
STIS.
2. Dilarang mengumpulkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apapun tanpa seizin Politeknik Statistika STIS.
PRAKATA
Terima kasih kepada Tuhan Yang Maha Esa atas berkat dan kasih karunia yang
Engkau berikan sehingga penulis dapat menyelesaikan tugas akhir yang berjudul
“Determinan Ketimpangan Industri Mikro Dan Kecil Antarprovinsi Di Indonesia
Tahun 2019” . Untuk itu penulis berterima kasih kepada:
1. Ibu Dr. Erni Tri Astuti M.Math. selaku Direktur Politeknik Statistika
STIS;
2. Bapak Agung Priyo Utomo S.Si., M.T. selaku Ketua Prodi DIII
Statistika STIS;
3. Ibu Dr. Siti Muchlisoh M.Si selaku dosen pembimbing yang telah
bersedia meluangkan waktu dan membimbing dengan penuh kesabaran;
4. Bapak/Ibu Dosen selaku dosen penguji yang telah memberikan koreksi
dan saran-saran untuk menyempurnakan tugas akhir ini;
5. Bapak, Ibu, adik, keluarga besar dan teman-teman penulis di kampung
halaman yang senantiasa memberi dukungan serta doanya untuk penulis
dalam pengerjaan tugas akhir ini;
6. Serta semua pihak yang telah membantu penulisan tugas akhir ini.
Penulis menyadari bahwa tugas akhir ini masih mempunyai kekurangan
baik isi maupun susunannya. Oleh karena itu, saran dan kritik yang membangun
sangat penulis harapkan demi perbaikan penulisan tugas akhir ini.
Jakarta, XX Juli 2022
Christ Egy Natama Pardede
i
ABSTRAK
Christ Egy Natama P., “Determinan Ketimpangan Industri Mikro dan Kecil
Antarprovinsi Di Indonesia Tahun 2019”.
viii+102 halaman
Industri skala mikro dan kecil (IMK) memiliki peran yang penting dalam
pembangunan ekonomi di Indonesia. Literatur yang telah ada menunjukkan bahwa
pengembangan IMK berpotensi mengurangi pengangguran, kemiskinan, dan
ketimpangan pendapatan. Namun, sebaran IMK tidak merata antarprovinsi di
Indonesia. Berdasarkan densitas IMK, yaitu jumlah usaha IMK per l00 kilometer
kuadrat luas wilayah provinsi, densitas IMK lebih dominan di Pulau Jawa
dibandingkan di wilayah lainnya. Hal ini mengakibatkan potensi yang dimiliki IMK
tidak dapat dimanfaatkan sepenuhnya di beberapa wilayah Indonesia. Oleh karena
itu, penelitian ini bertujuan untuk memberi gambaran serta mengidentifikasi
penyebab ketimpangan densitas IMK antarprovinsi di Indonesia. Pemodelan regresi
spasial digunakan untuk melihat adanya efek spasial berdasarkan ketetanggaan dan
hubungan perdagangan antarwilayah terhadap densitas IMK di Indonesia. Uji
Moran’s I menunjukkan adanya pengaruh autokorelasi spasial. Dengan
menggunakan Spatial Error Model (SEM), variabel independen yang berpengaruh
signifikan terhadap densitas IMK antara lain rata-rata upah buruh, indeks
spesialisasi industri, persentase jalan dengan kondisi baik dan sedang, pengeluaran
per kapita yang telah disesuaikan dengan paritas daya beli, dan rata-rata tingkat
bunga tetap koperasi simpan pinjam.
Kata kunci : Industri mikro dan kecil, Ketimpangan, Regresi spasial
ii
DAFTAR ISI
PRAKATA ............................................................................................................... I
ABSTRAK ..............................................................................................................II
DAFTAR ISI ......................................................................................................... III
DAFTAR TABEL .................................................................................................. V
DAFTAR GAMBAR ............................................................................................ VI
DAFTAR LAMPIRAN ...................................................................................... VIII
BAB I ...................................................................................................................... 1
1.1 Latar Belakang ................................................................................ 1
1.2 Identifikasi Masalah ........................................................................ 8
1.3 Tujuan Penelitian .......................................................................... 10
1.4 Sistematika Penulisan ................................................................... 10
BAB II ................................................................................................................... 13
2.1 Landasan Teori ............................................................................. 13
2.2 Penelitian Terkait .......................................................................... 43
2.3 Kerangka Pikir .............................................................................. 46
2.4 Hipotesis Penelitian ...................................................................... 49
BAB III ................................................................................................................. 51
3.1 Ruang Lingkup Penelitian ............................................................ 51
3.2 Metode Pengumpulan Data ........................................................... 52
3.3 Metode Analisis ............................................................................ 54
BAB IV ................................................................................................................. 61
iii
4.1 Peta Persebaran Densitas IMK serta Variabel-Variabel yang
Diduga Memengaruhinya di Indonesia Tahun 2019 ..................... 61
4.2 Eksplorasi Data ............................................................................. 69
4.3 Pemodelan Faktor-Faktor memengaruhi Densitas Industri Mikro
dan Kecil dengan Analisis Regresi Spasial ................................... 76
4.4 Estimasi Parameter Model Regresi Spasial Error (SEM) dan
Pengujian Asumsi .......................................................................... 79
4.5 Variabel-Variabel yang Memengaruhi Densitas IMK di Indonesia
Tahun 2019 .................................................................................... 82
BAB V ................................................................................................................... 87
5.1 Kesimpulan.................................................................................... 87
5.2 Saran .............................................................................................. 88
DAFTAR PUSTAKA ............................................................................................ 91
LAMPIRAN .......................................................................................................... 95
RIWAYAT HIDUP ............................................................................................. 102
iv
DAFTAR TABEL
No. Tabel Judul Tabel Halaman
1. Definisi operasional variabel .....................................................................53
2. Uji normalitas Jarque-Bera pada variabel densitas IMK ..........................70
3. Uji normalitas Jarque-Bera pada variabel densitas IMK setelah
transformasi ................................................................................................72
4. Uji RESET Ramsey pada model tanpa transformasi ..................................74
5. Uji RESET Ramsey pada model setelah transformasi................................75
6. Uji Moran I dan Lagrange Multiplier. .......................................................78
7. Hasil estimasi parameter model regresi spasial error (SEM) ....................80
8. Uji asumsi normalitas, homoskedastisitas, multikolinearitas, dan
autokorelasi spasial ....................................................................................81
9. Variance Inflation Factors .........................................................................82
v
DAFTAR GAMBAR
No. Gambar Judul Gambar Halaman
1. Tingkat pendidikan yang ditamatkan pengusaha IMK tahun 2019 ............. 4
2. Tingkat pendidikan yang ditamatkan pekerja IMK tahun 2019 .................. 4
3. Sebaran jumlah usaha/perusahaan IMK menurut provinsi tahun 2019 ....... 5
4. Sebaran densitas IMK menurut provinsi tahun 2019 .................................. 6
5. Kerangka pikir ........................................................................................... 48
6. Alur penelitian ........................................................................................... 59
7. Sebaran densitas IMK menurut provinsi tahun 2019 ................................ 62
8. Sebaran rata-rata upah buruh per sebulan dalam rupiah menurut provinsi
tahun 2019 ................................................................................................. 63
9. Sebaran indeks spesialisasi industri menurut provinsi tahun 2019 ........... 64
10. Sebaran persentase jalan kondisi baik dan sedang menurut provinsi tahun
2019 ........................................................................................................... 65
11. Sebaran rata-rata lama sekolah dalam tahun menurut provinsi tahun
2019 ........................................................................................................... 66
12. Sebaran pengeluaran per kapita yang disesuaikan terhadap paritas daya
beli per tahun dalam ribuan rupiah menurut provinsi tahun 2019 ............. 67
13. Sebaran rata-rata tingkat bunga tetap ksp dalam persen menurut provinsi
tahun 2019 ................................................................................................. 69
14. Histogram dan density plot variabel densitas IMK. .................................. 70
vi
15. Histogram dan density plot variabel densitas IMK setelah transformasi. ..71
16. Scatter plot variabel densitas IMK terhadap masing-masing variabel
independen. ................................................................................................73
17. Scatter plot variabel densitas IMK setelah transformasi variabel dependen
terhadap masing-masing variabel independen. ..........................................73
18. Konektivitas keterkaitan spasial antarprovinsi...........................................77
vii
DAFTAR LAMPIRAN
No. Lampiran Judul Lampiran Halaman
1. Matriks pembobot spasial .......................................................................... 95
2. Data variabel penelitian ............................................................................. 96
3. Persamaan model regresi tanpa transformasi pada variabel dependen ...... 97
4. Uji RESET Ramsey pada model regresi tanpa transformasi variabel
dependen .................................................................................................... 97
5. Persamaan model regresi setelah transformasi variabel dependen ............ 97
6. Uji RESET Ramsey setelah transformasi variabel dependen .................... 97
7. Uji Moran’s I pada variabel dependen ...................................................... 97
8. Uji dependensi spasial Moran’s I dan Lagrange Multiplier pada model
regresi setelah transformasi pada variabel dependen ................................ 98
9. Estimasi parameter model regresi spasial error (SEM) ............................ 99
10. Uji normalitas Jarque-Bera pada residual model SEM........................... 100
11. Uji homoskedastisitas Breusch-Pagan pada residual model SEM.......... 100
12. Uji autokorelasi spasial Moran’s I pada residual model ......................... 100
13. Variance inflation factors ........................................................................ 100
14. Hasil estimasi model regresi spasial error .............................................. 101
viii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pembangunan ekonomi merupakan salah satu upaya penting dalam suatu
negara khususnya negara berkembang. Pertumbuhan ekonomi digunakan sebagai
salah satu indikator dalam mengukur keberhasilan pembangunan ekonomi. Dalam
rangka mencapai sasaran pembangunan jangka menengah tahun 2020-2024,
pertumbuhan ekonomi Indonesia diharapkan meningkat dengan rata-rata 5,7-6,0
persen per tahun (RI, 2020). Salah satu kunci untuk dapat mencapai pertumbuhan
ekonomi tersebut adalah transformasi struktural (RI, 2020). Menurut Todaro &
Smith (2015), transformasi struktural merupakan proses transformasi
perekonomian sedemikian rupa sehingga kontribusi sektor manufaktur terhadap
pendapatan nasional pada akhirnya melampaui kontribusi sektor pertanian.
Transformasi struktural dilakukan karena kelebihan yang dimiliki sektor
industri pengolahan. Menurut Muhtamil (2017), sektor industri pengolahan
memiliki beberapa nilai keunggulan dibandingkan sektor lain karena nilai
kapitalisasi modal yang tertanam sangat besar, kemampuan menyerap tenaga kerja
yang besar, juga kemampuan menciptakan nilai tambah (value added creation) dari
setiap input atau bahan dasar yang diolah. Keunggulan sektor industri pengolahan
dapat dilihat dari kontribusinya terhadap perekonomian Indonesia. Pada tahun
2019, sektor industri pengolahan memiliki kontribusi tertinggi terhadap
1
perekonomian Indonesia sebesar 19,70 persen (BPS, 2020a). Selain itu, industri
pengolahan mampu mempekerjakan tenaga kerja 14,96 persen dari total angkatan
kerja yang ada di Indonesia pada tahun 2019 (BPS, 2020a).
Di era pembangunan yang inklusif, pembangunan ekonomi tidak hanya
terbatas pada pencapaian pertumbuhan ekonomi yang tinggi. Menurut Todaro dan
Smith (2015), pembangunan ekonomi merupakan proses multidimensi yang
melibatkan bermacam-macam perubahan mendasar dalam struktur sosial, sikap
masyarakat, dan lembaga nasional seperti halnya percepatan pertumbuhan,
pengurangan ketimpangan, dan penanggulangan kemiskinan. Oleh karena itu,
pembangunan ekonomi juga berfokus dalam mengurangi kemiskinan,
pengangguran, dan ketimpangan pendapatan.
Rostiana dan Djulius (2019) menjelaskan bahwa salah satu strategi
pengembangan sektor industri yang erat kaitannya dengan pengentasan
kemiskinan, pengangguran, dan ketimpangan adalah pengembangan industri dalam
skala mikro dan kecil. Di beberapa negara, sektor industri pengolahan dalam skala
mikro dan kecil dikelola secara informal oleh masyarakat miskin dan
mempekerjakan pekerja dari keluarga miskin. Buruh kelas rendah relatif
berpendidikan rendah sehingga peluang pekerjaan yang paling mungkin bagi
keluarga kelas bawah adalah pekerjaan informal, dalam banyak kasus usaha skala
kecil. Oleh karena itu, strategi pengembangan industri mikro dan kecil cenderung
memperluas lapangan kerja yang mengarah pada pengurangan pengangguran dan
peningkatan pendapatan (Rostiana & Djulius, 2019).
Pengembangan dan pemerataan IMK juga berpotensi memberi dampak
positif terhadap pencapaian tujuan pembangunan berkelanjutan atau sustainable
2
development goals (SDGs). Menurut Raniya Sobir, konsultan untuk Divisi Urusan
Ekonomi dan Sosial PBB (The United Nations Department of Economic and Social
Affairs) untuk tujuan pembangunan berkelanjutan (SDGs), usaha industri mikro dan
kecil yang termasuk dalam usaha mikro, kecil dan menengah (UMKM) memiliki
peran dan kontribusi dalam mencapai 17 target SDGs (UNDESA, 2020). Usaha
industri mikro dan kecil dapat menciptakan lapangan kerja yang mengangkat orang
keluar dari kemiskinan (UNDESA, 2020). Selain itu, IMK dominan merupakan
usaha/perusahaan informal. Perusahaan informal melibatkan penduduk miskin dan
terpinggirkan sehingga dengan fleksibilitas ekonomi informal, dapat memberikan
peluang bagi masyarakat miskin, termasuk perempuan dan pemuda, untuk
memperoleh penghasilan (UNDESA, 2020).
Di Indonesia, sektor IMK dominan merupakan usaha/perusahaan informal
dan pengusaha serta pekerjanya juga dominan penduduk berpendidikan rendah.
Pada tahun 2019, 97,21 persen usaha/perusahaan IMK berbadan hukum perorangan
atau individu yang umumnya dikaitkan dengan sektor informal (BPS, 2020a).
Selain itu, lebih dari separuh pengusaha IMK di Indonesia, yakni sebesar 54,24
persen atau 2,38 juta orang berpendidikan SD ke bawah sedangkan 77,26 persen
atau 7,39 juta tenaga kerja IMK merupakan lulusan SMP ke bawah (BPS, 2020a).
Oleh karena itu, potensi IMK dalam menyerap pekerja berpendidikan rendah dapat
dijadikan sebagai upaya pengurangan kemiskinan, pengangguran, dan ketimpangan
pendapatan di Indonesia.
3
1 800 000
1 600 000
1 400 000
1 200 000
1 000 000
800 000
600 000
400 000
200 000
0
Tidak SD SMP SMA SMK Diploma Sarjana
Tamat SD (I/II/ III) (I/II/ III)
Sumber : Badan Pusat Statistik, diolah

Gambar 1. Tingkat pendidikan yang ditamatkan pengusaha IMK tahun 2019
4 000 000
3 500 000
3 000 000
2 500 000
2 000 000
1 500 000
1 000 000
500 000
0
Tidak SD SMP SMA SMK Diploma Sarjana
Tamat SD (I/II/ III) (I/II/ III)

Gambar 2. Tingkat pendidikan yang ditamatkan pekerja IMK tahun 2019
Potensi dimiliki sektor IMK tentunya sangat berguna dalam pembangunan
ekonomi di Indonesia. Namun, potensi tersebut masih terhambat karena
ketidakmerataan IMK antarprovinsi di Indonesia. Ketimpangan IMK di Indonesia
dapat dilihat melalui peta sebaran antarprovinsi. Pada Gambar 3, sebaran usaha
IMK di Indonesia berpusat di Pulau Jawa terutama di Provinsi Jawa Tengah, Jawa
4
Timur, dan Jawa Barat menjadi provinsi-provinsi dengan jumlah IMK terbanyak.
Provinsi tersebut masing-masing terdapat lebih dari 500 ribu usaha IMK. Kondisi
ini sangat berbeda dengan Provinsi di Kepulauan Maluku dan Pulau Papua dengan
jumlah usaha masing-masing mencapai kurang dari 30 ribu usaha IMK.

Gambar 3. Sebaran jumlah usaha/perusahaan IMK menurut provinsi tahun 2019
Untuk analisis lebih lanjut perlu digunakan indikator yang standar sebagai
pembanding antarprovinsi. Indikator yang digunakan ialah densitas IMK, yaitu
jumlah usaha IMK dibagi l00 kilometer kuadrat luas wilayah provinsi. Menurut
Chin (2020), normalisasi dengan menggunakan luas wilayah diperlukan untuk
mengendalikan disparitas ukuran antarwilayah. Pada Gambar 4, densitas IMK
relatif berpusat di Pulau Jawa. Provinsi-provinsi di Pulau Jawa sangat mendominasi
dengan nilai densitas IMK lebih dari seribu. Namun, densitas IMK relatif rendah di
Pulau Kalimantan dan Pulau Papua. Semua provinsi di kedua pulau ini memiliki
5
densitas IMK dibawah 50, kecuali Provinsi Kalimantan Selatan dengan densitas
IMK sebesar 149. Hal ini mengindikasi IMK yang diukur dengan densitas terhadap
luas wilayah juga mengalami ketimpangan.

Gambar 4. Sebaran densitas IMK menurut provinsi tahun 2019
Ketimpangan IMK di Indonesia dapat mengindikasikan adanya perbedaan
permasalahan yang dialami usaha IMK di setiap provinsi. Menurut Tambunan
(2012), proporsi UMK di industri manufaktur yang menghadapi permasalahan, baik
dalam jumlah maupun jenis masalah, cukup berbeda antarprovinsi. Tulus
Tambunan (2012) menjelaskan, perbedaan ini bisa terkait dengan perbedaan-
perbedaan dalam berbagai macam karakteristik lokal dari masing-masing provinsi
seperti ketersediaan infrastruktur (dalam jumlah maupun kualitas) seperti
pelabuhan laut atau udara, jalan raya, lokasi industri beserta komponen- komponen
pendukungnya, fasilitas penerangan dan telekomunikasi, serta fasilitas transportasi,
lokasi geografi terutama jaraknya dengan kota-kota penting atau pusat-pusat
6
kegiatan ekonomi dan administrasi pemerintah (seperti Jakarta, Surabaya dan
Makassar), kebijakan-kebijakan pemerintah daerah (Pemda), dan kondisi pasar
lokal (yang sangat ditentukan oleh jumlah penduduk, pendapatan rata-rata
penduduk, lokasi atau akses masyarakat ke pasar, dan persaingan baik antar sesama
UMK maupun antara UMK dengan UMB dan barang-barang impor).
Ketimpangan IMK antarprovinsi di Indonesia dapat dipahami melalui teori
lokasi terutama dari pendekatan industri (industrial location theory). Teori lokasi
industri bertujuan untuk menjelaskan distribusi spasial industri dengan mengacu
pada aspek-aspek lainnya (Webber, 1985). Teori lokasi industri dikembangkan
untuk menyelidiki fakta sederhana bahwa aktivitas industri tidak merata di seluruh
ruang (Webber, 1985). Teori lokasi industri pertama kali dikemukakan oleh Alfred
Weber pada tahun 1909 dan terus berkembang pesat dengan munculnya beberapa
teori lokasi industri yang baru. Alfred Weber (1929) mengemukakan teori biaya
minimum (least cost theory) yang berprinsip bahwa pengusaha industri akan
berlokasi dengan memperhitungkan biaya atau pengeluaran terkecil dalam kegiatan
produksi.
Berdasarkan latar belakang yang dipaparkan, perlu ditemukan penyebab
ketimpangan usaha/perusahaan IMK antarprovinsi di Indonesia. Dalam
menjelaskan ketimpangan usaha/perusahaan IMK digunakan densitas IMK sebagai
unit analisis pada penelitian ini. Oleh karena itu, penelitian ini bertujuan untuk
memberi gambaran serta mengidentifikasi keterkaitan spasial dan determinan
ketimpangan densitas IMK antarprovinsi di Indonesia tahun 2019. Hasil dari
penelitian ini diharapkan dapat memberi penjelasan mengenai penyebab
7
ketimpangan usaha/perusahaan IMK antarprovinsi dan saran dalam mengatasi
permasalahan tersebut.
Analisis yang dilakukan dalam penelitian ini ialah analisis deskriptif dan
analisis inferensial. Model yang akan digunakan dalam analisis inferensial adalah
model regresi spasial. Pemodelan regresi spasial dilakukan untuk
memperhitungkan adanya pengaruh hubungan perdagangan antarprovinsi terhadap
sektor IMK di Indonesia. Pada model regresi spasial, matriks penimbang spasial
diperlukan dalam melakukan estimasi. Pada penelitian ini, penyusunan matriks
pembobot spasial menggunakan teknik customized berdasarkan queen’s contiguity
dan hubungan perdagangan antarprovinsi yang disusun berdasarkan publikasi BPS
yang berjudul “Perdagangan Antar Wilayah Indonesia 2019”. Penelitian yang
dilakukan Firmansyah dan Muchlisoh (2021) menggunakan hubungan perdagangan
antarprovinsi dalam menyusun matriks pembobot spasial dan menyimpulkan
adanya keterkaitan spasial positif pada pendapatan IMK di Indonesia pada tahun
2017 sampai 2019. Hasil penelitian yang dilakukan Santoso dan Wilantari (2017)
juga mengindikasi adanya hubungan spasial positif yang cukup kuat pada usaha
industri di Indonesia. Santoso dan Wilantari (2017) juga menyarankan untuk
penelitian selanjutnya, agar mengembangkan model dengan mempertimbangkan
efek spasial dalam menganalisis sebaran usaha industri di Indonesia.
1.2 Identifikasi Masalah
Industri mikro dan kecil (IMK) memiliki peran yang penting dalam
pembangunan ekonomi di Indonesia. Berdasarkan literatur yang telah ada, IMK
8
berpotensi mengurangi pengangguran, kemiskinan, dan ketimpangan pendapatan.
Di Indonesia, sektor IMK dominan dikelola dan ditenagakerjai oleh penduduk
berpendidikan rendah yang sering dikaitkan dengan penduduk miskin. Oleh karena
itu, pengembangan IMK dapat dijadikan sebagai upaya pemerataan ekonomi dalam
meningkatkan kesejahteraan rakyat khususnya penduduk miskin.
Pengembangan IMK juga menjadi salah satu target dalam Sustainable
Development Goals (SDGs) yaitu target ke-9. Target SDG ke-9 mencakup tiga
bidang, yaitu penyediaan infrastruktur yang tangguh, industrialisasi termasuk
pengembangan usaha industri kecil, dan promosi penelitian serta inovasi
(UNDESA, 2020). Pengembangan IMK dicakup dalam target SDG 9.3 yang
berfokus pada peningkatan peran dan kapasitas usaha industri kecil (UNDESA,
2020).
Potensi IMK sangat berguna bagi pembangunan ekonomi di Indonesia, akan
tetapi potensi tersebut masih terhambat akibat sebaran usaha IMK yang tidak
merata antarprovinsi. Pada tahun 2019, perbedaan jumlah usaha IMK di Pulau Jawa
sangat jauh jika dibandingkan dengan wilayah lain khususnya wilayah bagian
timur. Hal yang sama juga terjadi pada densitas IMK yang berpusat di Pulau Jawa
dan tidak tersebar merata. Ketimpangan tersebut mengakibatkan potensi pada
sektor IMK tidak dimanfaatkan secara merata di Indonesia. Padahal pengembangan
dan pemerataan IMK dapat dijadikan sebagai upaya dalam mengurangi kemiskinan,
pengangguran, dan ketimpangan pendapatan di masing-masing daerah. Selain itu,
target SDGs juga mendorong pengembangan dan pemerataan berkelanjutan sektor
IMK di Indonesia. Permasalahaan ketimpangan usaha IMK perlu diatasi agar
potensi sektor IMK dapat dimanfaatkan di setiap daerah serta upaya pencapaian
9
target SDG. Oleh karena itu, pengidentifikasian penyebab ketimpangan
usaha/perusahaan IMK antarprovinsi di Indonesia dengan ukuran densitas IMK
dilakukan agar diperoleh solusi terhadap permasalahan tersebut.
1.3 Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian ini adalah:
1. Mengetahui gambaran mengenai pola persebaran densitas IMK dan
faktor-faktor yang diduga memengaruhinya di Indonesia tahun
2019.
2. Mengidentifikasi adanya keterkaitan spasial pada densitas IMK
3. Mengidentifikasi faktor-faktor yang menyebabkan ketimpangan
densitas IMK di Indonesia tahun 2019
1.4 Sistematika Penulisan
Penelitian ini berisis dari lima bab yang saling berhubungan. Bab I memuat
latar belakang mengenai potensi yang dimiliki IMK dalam pembangunan ekonomi
dan keadaan usaha IMK yang mengalami ketimpangan antarprovinsi di Indonesia.
Selanjutnya terdapat identifikasi masalah untuk memperkuat dan memperjelas
permasalahan yang ada. Kemudian terdapat tujuan penelitian untuk memperjelas
hasil yang hendak dicapai pada penelitian ini, yaitu bertujuan untuk memberi
gambaran serta mengidentifikasi keterkaitan spasial dan penyebab ketimpangan
densitas IMK antarprovinsi di Indonesia tahun 2019. Berikutnya terdapat
10
sistematika penulisan yang membahas informasi dan tata letak penulisan. Pada Bab
II memuat landasan teori yang berisi tentang teori-teori dan konsep yang digunakan
pada penelitian, kemudian terdapat penelitian terkait untuk memberi ringkasan
tentang penelitian sebelumnya yang berhubungan dengan permasalahan penelitian
ini, selanjutnya terdapat kerangka pikir yang berisi uraian tentang keterkaitan
variabel yang dicakup dalam penelitian, dan bagian terakhir terdapat hipotesis
penelitian yang memuat dugaan atau pernyataan awal hasil penelitian yang akan
dibuktikan melalui hasil akhir penelitian. Pada Bab III memuat ruang lingkup
penelitian yang berisi variabel penelitian, tempat penelitian, dan periode data yang
digunakan dalam penelitian, selanjutnya terdapat metode pengumpulan data yang
menjelaskan sumber data serta prosedur pengumpulan data yang digunakan pada
penelitian, dan bagian terakhir terdapat metode analisis memuat tahapan-tahapan
analisis data yang dilakukan untuk mencapai tujuan penelitian. Bab IV memuat
hasil penelitian berdasarkan data dan metode analisis penelitian yang telah
dipaparkan. Bab terakhir ialah Bab V yang memuat kesimpulan dari hasil penelitian
yang bertujuan untuk menjawab tujuan penelitian dan saran yang dapat diberikan
terkait dengan hasil penelitian yang didapatkan.
11
“… sengaja dikosongkan …”
12
BAB II
KAJIAN PUSTAKA
2.1 Landasan Teori
Industri Pengolahan
Industri pengolahan adalah kegiatan produksi yang mengubah barang dasar
(bahan mentah) menjadi barang jadi/setengah jadi dan atau dari barang yang kurang
nilainya menjadi barang yang lebih tinggi nilainya. Usaha/perusahaan industri
pengolahan adalah unit kegiatan ekonomi yang melakukan/mengusahakan industri
manufaktur; terletak pada suatu bangunan/lokasi tertentu serta ada seorang atau
lebih yang bertanggung jawab atas usaha tersebut, sedangkan Usaha/perusahaan
jasa industri manufaktur adalah unit kegiatan dari suatu industri yang melayani
keperluan pihak lain. Pada kegiatan ini bahan baku disediakan oleh pihak yang
dilayani dan pihak usaha/perusahaan melaksanakan proses pengolahannya dengan
memperoleh pembayaran sebagai balas jasanya atau maklun (BPS, 2020a).
Usaha/perusahaan industri pengolahan juga dapat dibagi menjadi empat
golongan. Penggolongan usaha/perusahaan industri pengolahan ini berdasarkan
banyaknya tenaga kerja yang bekerja tanpa memperhatikan penggunaan mesin dan
besarnya modal usaha/perusahaan tersebut (BPS, 2021a). Penggolongan
usaha/perusahaan industri pengolahan berdasarkan tenaga kerja, yaitu sebagai
berikut :
 Industri Besar : 100 atau lebih tenaga kerja
13
 Industri Menengah : 20 sampai 99 tenaga kerja
 Industri Kecil : 5 sampai 19 tenaga kerja
 Industri Mikro : 1 sampai 5 tenaga kerja
Industri Mikro dan Kecil
Industri mikro dan kecil (IMK) merupakan usaha/perusahaan industri
pengolahan yang tenaga kerjanya dibawah 20 orang. Kegiatan IMK sangat
mendominasi aktivitas ekonomi industri manufaktur di Indonesia dengan jumlah
usaha/perusahaan sebanyak 4,37 juta atau 99,03 persen pada tahun 2016 (BPS,
2017). IMK memiliki peran penting bagi perekonomian di Indonesia. IMK
memiliki potensi yang berguna bagi pembangunan nasional terutama dalam
mengurangi kemiskinan, pengangguran, dan ketimpangan pendapatan. Selain itu,
IMK juga dapat bertahan terhadap krisis ekonomi yang pernah dialami di Indonesia.
Menurut Pratomo ada beberapa faktor yang menyebabkan bertambahnya pelaku
UMKM seperti IMK setelah krisis ekonomi sebagai berikut (BPS, 2017) :
i. Produk UMKM umumnya merupakan barang konsumsi dengan
elastisitas permintaan terhadap pendapatan yang rendah, sehingga
ketika terjadi perubahan tingkat pendapatan (penurunan) akibat krisis
ekonomi, tidak banyak berpengaruh terhadap permintaan barang yang
dihasilkan.
ii. Sebagian besar UKM tidak mendapat modal dari bank sehingga mereka
terhindar dari beban biaya bunga tinggi akibat adanya peningkatan suku
bunga ketika terjadi krisis di sektor perbankan.
14
iii. Hambatan keluar-masuk dalam industri yang ditekuni pelaku UMKM
hampir tidak ada.
iv. Adanya krisis ekonomi menyebabkan sektor formal banyak
memberhentikan pekerjanya. Para penganggur ini akhirnya memasuki
sektor informal, melakukan kegiatan usaha yang umumnya berskala
kecil, akibatnya jumlah pelaku UMKM meningkat.
Teori Biaya Minimum
Teori Biaya Minimum (Least Cost Theory) dikemukakan oleh Alfred Weber
dalam publikasinya yang berjudul Über den Standort der Industrien dalam bahasa
Jerman pada tahun 1909 dan telah diterjemahkan dalam bahasa Inggris oleh C. J.
Friedrich yang berjudul Theory of the Location of Industries pada tahun 1929.
Weber mendasarkan teorinya bahwa pemilihan lokasi industri didasarkan atas
prinsip biaya terkecil (Weber & Friedrich, 1929). Menurut Weber, ada enam
elemen biaya yang penting dalam proses produksi sebagai berikut :
1. Biaya lahan.
2. Biaya gedung, mesin, serta biaya modal tetap lainnya.
3. Biaya pengamanan bahan, tenaga dan bahan bakar.
4. Biaya tenaga kerja.
5. Biaya Transportasi.
6. Tingkat bunga.
7. Tingkat depresiasi modal tetap.
Weber kemudian membuat beberapa asumsi dalam menyederhanakan
modelnya sebagai berikut :
15
1. Unit analisisnya adalah satu negara terisolasi yang homogen dalam hal
iklim, topografi, ras, keterampilan teknis rakyat, dan berada di bawah satu
otoritas politik.
2. Biaya tanah, peralatan bangunan, bunga dan depresiasi modal tetap tidak
berbeda-beda.
3. Ukuran dan lokasi pusat-pusat konsumsi produk industri sama.
4. Lokasi sumber bahan baku diasumsikan sudah diketahui dan tidak merata
5. Mobilitas tenaga kerja secara geografis tetap dan terbatas
6. Adanya kondisi persaingan sempurna dengan sumber daya dan pasar yang
tidak terbatas pada lokasi tertentu dan tidak ada perusahaan yang dapat
memperoleh keuntungan monopolistik dari pilihan lokasinya.
Berdasarkan asumsi-asumsi tersebut, Weber kemudian membuat teori
bertujuan untuk menjelaskan lokasi kegiatan industri dalam tiga faktor ekonomi,
antara lain biaya transportasi, biaya tenaga kerja, dan aglomerasi. Biaya transportasi
menjadi faktor yang penting dalam teori yang dikemukakan oleh Weber. Menurut
Weber, lokasi usaha industri dipilih berdasarkan jarak optimum terhadap lokasi
bahan baku dan lokasi pasar. Selain itu, perbedaan biaya upah tenaga kerja di setiap
wilayah juga merupakan faktor penentu lokasi usaha industri. Dalam
meminimalkan biaya, industri akan memilih lokasi dengan tingkat upah tenaga
kerja yang rendah. Faktor yang terakhir adalah faktor aglomerasi ekonomi.
Aglomerasi adalah istilah yang diberikan untuk pengelompokan kegiatan ekonomi
yang serupa. Adanya aglomerasi industri akan mempermudah industri dalam
memperoleh bahan baku yang diproduksi oleh industri lainnya. Oleh karena itu,
16
pada umumnya usaha industri yang baru memilih lokasi yang berdekatan dengan
industri yang sudah ada.
Faktor-Faktor yang Memengaruhi Densitas IMK
Upah Tenaga Kerja
Teori biaya minimum dari Weber menjelaskan bahwa biaya tenaga kerja
menjadi faktor penentu lokasi suatu usaha industri. Weber juga menekankan
bahwa biaya tenaga kerja yang dimaksud haruslah biaya tenaga kerja riil
(Weber & Friedrich, 1929). Biaya tenaga kerja bervariasi menurut lokasi,
berdasarkan serangkaian faktor seperti biaya perumahan, jumlah dan tingkat
kenaikan pekerja potensial, tingkat industrialisasi wilayah, dan perubahan
ekonomi lokal suatu wilayah (Harrington dan Warf, 2002).
Beberapa penelitian juga sudah dilakukan mengenai pengaruh upah
tenaga kerja terhadap penentuan lokasi usaha industri. Penelitian yang
dilakukan Takano, Tsutsumi, & Kikukawa (2018) menjelaskan upah tenaga
kerja berpengaruh terhadap penentuan lokasi industri kecil di Jepang. Pada
penelitian tersebut penghasilan yang dikenakan pajak per kapita digunakan
sebagai variabel penjelas untuk upah tenaga kerja. Hasilnya, variabel tersebut
memiliki pengaruh yang negatif menunjukkan usaha industri kecil akan relatif
berlokasi di wilayah dengan tingkat upah tenaga kerja yang rendah.
Aglomerasi Industri
Aglomerasi merupakan salah satu faktor penentu lokasi suatu industri
berdasarkan teori biaya minimum dari Weber (Weber & Friedrich, 1929).
Istilah aglomerasi muncul pertama kali pada tahun 1920 oleh Marshall yang
17
mengatakan bahwa aglomerasi ekonomi terjadi ketika suatu industri memilih
lokasi kegiatan produksi yang memungkinkan operasional perusahaan tersebut
dapat berlangsung dalam jangka panjang (BPS, 2017). Menurut Cholis, hal
tersebut akan menguntungkan masyarakat yang ikut mendirikan usaha di sekitar
lokasi tersebut (BPS, 2017). Sementara itu, Montogomery berpendapat bahwa
penghematan aglomerasi merupakan penghematan yang diasosiasikan dengan
pengelompokan perusahaan, tenaga kerja, dan konsumen secara spasial untuk
memperkecil biaya-biaya seperti biaya transportasi, informasi, dan komunikasi
(BPS, 2017). Berdasarkan definisi-definisi tersebut, aglomerasi industri dapat
diartikan sebagai berkumpulnya atau terkonsentrasinya industri pada suatu
lokasi/wilayah. Swardnidi menyebutkan bahwa aglomerasi industri merupakan
salah satu indikator berkembangnya peranan industri manufaktur di suatu
wilayah. Aglomerasi industri dianggap dapat meningkatkan efisiensi yang pada
akhirnya meningkatkan daya saing industri manufaktur (BPS, 2017).
Aglomerasi industri dapat diukur dengan menggunakan Indeks
Spesialisasi Industri (SI). Nilai Indeks Spesialisasi Industri (SI) diatas satu
menunjukkan industri teraglomerasi di provinsi tersebut. Semakan besar nilai
Indeks Spesialisasi Industri (SI) maka semakin besar juga tingkat aglomerasi
industri di wilayah tersebut. Adapun formula yang digunakan untuk
menghitung indeks SI adalah (Capello & Nijkamp, 2009):
𝐸𝑟𝑖
⁄𝐸
𝑘𝑖
𝑆𝐼𝑖 = (1)
𝐸𝑟𝑛
⁄𝐸
𝑘𝑛
Keterangan :
18
𝐸𝑟𝑖 : tenaga kerja industri di provinsi i
𝐸𝑘𝑖 : total tenaga kerja di provinsi i
𝐸𝑟𝑛 : total tenaga kerja industri nasional
𝐸𝑘𝑛 : total tenaga kerja nasional
Pada penelitian yang dilakukan Takano, Tsutsumi, & Kikukawa (2018)
menunjukkan aglomerasi merupakan salah satu faktor penentu lokasi industri
kecil di Jepang. Takano menggunakan indeks SI dalam mengukur aglomerasi
industri. Hasil yang diperoleh menunjukkan aglomerasi industri memiliki
pengaruh positif terhadap lokasi suatu industri kecil. Penelitian lainnya yang
dilakukan An dan Wan (2019) juga menunjukkan hasil yang sama bahwa
aglomerasi yang diukur dengan indeks SI memiliki pengaruh positif terhadap
jumlah industri di suatu wilayah.
Kualitas Infrastruktur Jalan
Infrastruktur jalan berperan penting dalam penentuan lokasi IMK.
Berdasarkan teori Weber (Weber & Friedrich, 1929), biaya transportasi
merupakan salah satu faktor dalam penentu lokasi industri. Menurut Weber
(1929), biaya transportasi akan bervariasi sesuai dengan panjang dan sifat jalan
yang harus dilalui untuk mengantarkan bahan dari tempat produksi dan produk
jadi ke tempat pasar. Infrastruktur jalan dengan kualitas bagus tentunya akan
mempermudah usaha industri dalam melakukan produksi. Akan tetapi, akses
jalan dengan kualitas buruk akan mempersulit kegiatan usaha industri dan dapat
menambah biaya transportasi suatu usaha industri. Hasil penelitian dari Takano,
Tsutsumi, & Kikukawa (2018) menunjukkan faktor aksesibilitas diukur dengan
infrastruktur transportasi memiliki pengaruh signifikan menunjukkan industri
19
akan berjumlah lebih sedikit di daerah dengan aksesibilitas yang ke jalan raya
yang kurang memadai
Modal Manusia
Harington dan Warf (2002) berpendapat bahwa tenaga kerja terampil
juga dapat menjadi faktor penentu lokasi industri. Tenaga kerja terampil dapat
dijadikan input produksi dalam memaksimalkan pendapatan (Harington &
Warf, 2002). Akan tetapi, terdapat kontradiksi bahwa tenaga kerja yang
terampil dengan upah buruh sebagai penentu lokasi industri. Menurut Harington
dan Warf (2002), pekerja yang kurang terampil dapat dipekerjakan dengan upah
dan tunjangan yang lebih rendah sehingga dapat mengurangi biaya pengeluaran.
Penelitian oleh An dan Wan (2019) menunjukkan modal manusia memiliki
pengaruh positif terhadap penentuan lokasi industri kecil di Korea Selatan. An
dan Wan (2019) menggunakan persentase orang yang bekerja dengan gelar
sekolah menengah sebagai variabel independen. Hal ini menunjukkan industri
kecil berlokasi di wilayah dengan tingkat pendidikan yang tinggi.
Tingkat Konsumsi Pasar
Menurut Harrington dan Warf (2002), industri tidak hanya berlokasi
untuk memperkecil biaya produksi tetapi juga memaksimalkan pendapatan
sebagai tujuan utama suatu usaha. Salah satu faktor penentu lokasi industri
dalam memaksimalkan pendapatan adalah karakteristik pasar. Harrington dan
Warf (2002) menjelaskan karakteristik pasar yang berbeda di seluruh wilayah
(dunia, negara, sub-area) dapat memengaruhi pertimbangan antara
meminimalisir biaya atau memaksimalkan pendapatan. Perbedaan karakteristik
20
pasar disebabkan adanya perbedaan elastisitas harga yang dipengaruhi
perbedaan selera, kebutuhan, tingkat pendapatan, atau kemungkinan substitusi.
Harrington dan Warf, jika perbedaan pasar seperti itu ada di seluruh wilayah
yang sedang dipertimbangkan, maka pasar dengan permintaan yang lebih elastis
memberikan daya tarik yang lebih kuat bagi usaha industri untuk berlokasi.
Penelitian An dan Wan (2019) menunjukkan tingkat konsumsi pasar
memiliki pengaruh positif terhadap lokasi industri kecil di Korea. An
menggunakan pendapatan per kapita untuk mengukur tingkat konsumsi pasar.
Wilayah dengan tingkat konsumsi pasar yang tinggi menjadi daya tarik bagi
penentuan lokasi industri kecil.
Tingkat Bunga Koperasi Simpan Pinjam
Menurut Weber (1929), tingkat bunga merupakan merupakan bagian
dari biaya yang berperan penting dalam proses produksi, namun, tingkat bunga
tidak memiliki pengaruh lokasional yang signifikan dalam kaitannya di suatu
wilayah pada suatu negara. Hal ini dikarenakan tingkat bunga tidak memiliki
perbedaan yang signifikan atau sama untuk setiap wilayah di suatu negara
(Weber & Friedrich, 1929). Namun pernyataan Weber hanya mengacu pada
tingkat bunga dari bank karena tingkat bunga bank ditentukan oleh bank sentral
di suatu negara. Di Indonesia, tingkat bunga pada bank umumnya sama di setiap
wilayah karena diatur oleh Bank Indonesia. Akan tetapi, tingkat bunga pada
koperasi simpan pinjam beragam untuk setiap wilayah. Hal ini dikarenakan,
usaha koperasi simpan pinjam dikelola secara mandiri oleh anggota koperasi
tersebut. Selain itu, terdapat juga beberapa pengusaha IMK yang merupakan
anggota koperasi dan modal yang berasal dari koperasi (BPS, 2020a). Oleh
21
karena itu, tingkat bunga pada koperasi simpan pinjam dapat dijadikan faktor
lokasi sebagai modal finansial pada tingkat regional untuk IMK di Indonesia.
Pada penelitian yang dilakukan oleh Sarwoko (2009), koperasi simpan pinjam
memiliki peran yang cukup besar dalam pemenuhan permodalan UMKM di
Kabupaten Malang. Hal ini ditunjukkan dari kemampuan koperasi simpan
pinjam yang mampu menyalurkan kredit modal kerja ke UMKM sebesar
79,81% dari total kredit yang disalurkan.
IMK dan Perdagangan Antarwilayah
Perdagangan antarwilayah mempunyai peran penting dalam perekonomian
masyarakat. Perdagangan antarwilayah menggambarkan rangkaian jalur
perpindahan suatu barang dari satu wilayah ke wilayah yang lain. Ketersediaan dan
kebutuhan komoditas di setiap provinsi yang berbeda-beda serta fluktuasi dan
disparitas harga barang pokok antardaerah yang cukup tinggi menjadi faktor
pendorong terjadinya perdagangan antarwilayah (BPS, 2020e).
Secara umum, Indonesia merupakan negara kepulauan. Akan tetapi, hal ini
tidak membatasi kegiatan perdagangan antarwilayah di Indonesia. Perdagangan
antarwilayah dari pulau ke pulau disebut dengan perdagangan antarpulau.
Berdasarkan Peraturan Menteri Perdagangan Republik Indonesia Nomor 29/M-
DAG/PER/5/2017 Tentang Perdagangan Antarpulau, perdagangan antarpulau
adalah kegiatan perdagangan dan atau pendistribusian barang dari satu pulau ke
pulau lain dalam satu provinsi atau antarprovinsi, yang dilakukan oleh pelaku usaha
perdagangan antarpulau dengan cara menyeberangkan barang dimaksud dengan
menggunakan angkutan laut atau sungai. Dengan demikian, perdagangan
22
antarwilayah dapat diartikan sebagai perdagangan dan pendistribusian barang dari
satu provinsi ke provinsi lain yang berbeda dalam negara yang sama (BPS, 2020e).
Perdagangan antarwilayah merupakan unsur penting dalam proses kegiatan
usaha IMK. Berdasarkan publikasi Profil Industri Mikro dan Kecil 2019 (BPS,
2020a), pemasaran produk hasil usaha/perusahaan IMK di luar kabupaten/kota
dalam satu provinsi dan luar provinsi masing-masing sebesar 7,57 persen dan 2,79
persen. Untuk asal memperoleh bahan baku, terdapat 437 ribu atau 10 persen IMK
yang memperoleh bahan baku dari luar kabupaten/kota dalam satu provinsi
sedangkan untuk IMK yang memperoleh bahan baku dari luar provinsi terdapat 161
ribu atau 3,6 persen IMK (BPS, 2020a). Hal ini menunjukkan perdagangan
antarwilayah berkaitan erat dengan proses kegiatan usaha IMK di Indonesia.
Analisis Regresi
Analisis regresi merupakan sebuah alat statistik yang memanfaatkan relasi
antara dua atau lebih variabel kuantitatif, sehingga nilai dari salah satu variabel
tersebut dapat diprediksi oleh satu atau beberapa variabel lainnya (Neter, 1983).
Selain digunakan untuk memprediksi, regresi juga dapat digunakan untuk
mempelajari hubungan serta mengetahui pengaruh satu atau lebih variabel
independen terhadap variabel dependen. Persamaan regresi linear berganda dengan
p variabel independen dapat dituliskan sebagai berikut :
𝑌𝑖 = 𝛽0 + ∑ 𝛽𝑗 𝑋𝑖𝑗 + 𝜀𝑖 ; 𝑖 = 1,2, … , 𝑛 ; 𝑗 = 1,2, … , 𝑝 (2)

𝑗=1
Keterangan :
23
𝑌𝑖 : variabel dependen pada observasi ke-i
𝑋𝑖 : variabel independen ke-j pada observasi ke-i
𝛽0 : konstanta regresi (intercept)
𝛽𝑗 : koefisien atau parameter regresi ke-j
𝜀𝑖 : residual dari observasi ke-i
Uji Simultan
Uji simultan adalah uji statistik yang digunakan untuk melihat bagaimana
variabel independen secara simultan berpengaruh terhadap variabel dependen.
Hipotesis pada uji simultan sebagai berikut :
𝐻0 ∶ 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0
𝐻1 ∶ 𝑀𝑖𝑛𝑖𝑚𝑎𝑙 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛽𝑗 ≠ 0 ; 𝑗 = 1,2, … , 𝑝
Statistik uji yang digunakan adalah :
𝑅 2 /(𝑛 − 1)
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = ~𝐹 (3)
(1 − 𝑅 2 )/(𝑛 − 𝑝) 𝑝−1;𝑛−𝑝
𝑅 2 merupakan koefisien determinasi, n merupakan banyaknya observasi,
dan p merupakan banyaknya variabel independen. Interpretasi hasil uji simultan
ketika 𝐻0 ditolak jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑝−1;𝑛−𝑝 atau jika nilai p-value kurang dari tingkat
signifikansi yang artinya terdapat satu variabel independen yang secara signifikan
mempengaruhi variabel dependen.
Uji Parsial
24
Uji parsial digunakan untuk melihat signifikan dari pengaruh variabel
independen terhadap variabel dependen secara individu. Hipotesis pada uji parsial
sebagai berikut :
𝐻0 ∶ 𝛽𝑗 = 0 atau tidak terdapat pengaruh antara variabel independen ke-
j terhadap variabel dependen
𝐻1 ∶ 𝛽𝑗 ≠ 0 atau terdapat pengaruh antara variabel independen ke-j
terhadap variabel dependen
𝛽
𝑡ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑠𝑒(𝛽𝑗 ) ~𝑡𝑛−2−𝑝 ; 𝑗 = 1,2, … , 𝑝 (4)
𝑗
𝛽𝑗 merupakan koefisien regresi variabel independen ke-j, 𝑠𝑒(𝛽𝑗 ) merupakan
standar deviasi dari koefisien regresi ke-j, n merupakan banyaknya observasi, dan
p merupakan banyaknya variabel independen. Interpretasi hasil uji simultan ketika
𝐻0 ditolak jika 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑡𝑛−2−𝑝 atau jika nilai p-value kurang dari tingkat
signifikansi yang artinya variabel independen yang diuji secara signifikan
mempengaruhi variabel dependen.
Asumsi – Asumsi Dalam Analisis Regresi
Dalam analisis regresi linear, terdapat asumsi-asumsi yang harus terpenuhi.
Maka dari itu perlu dilakukan pengujian terhadap asumsi-asumsi tersebut. Secara
umum, asumsi-asumsi tersebut yang dimaksud antara lain adalah normalitas,
homoskedastisitas, nonmultikolinearitas, serta nonautokorelasi. Tujuan pengujian
asumsi tersebut adalah agar hasil analisis regresi memiliki estimasi yang akurat,
tidak bias, dan konsisten.
25
Normalitas
Normalitas merupakan salah satu asumsi yang harus terpenuhi dalam
melakukan analisis regresi. Menurut Gujarati (2011), walaupun komponen
residual (error) tidak berdistribusi normal, estimator regresi klasik (OLS) masih
dapat dinyatakan sebagai estimator tidak bias linier terbaik (Best Linear
Unbiased Estimator). Akan tetapi, uji t dan F yang telah digunakan selama ini
mengasumsikan bahwa distribusi probabilitas dari komponen residual harus
mengikuti distribusi normal (Gujarati, 2011).
Pengujian asumsi normalitas dapat dilakukan dengan pengujian secara
statistik yaitu dengan uji Jarque-Bera (Gujarati, 2011). Dalam proses
pengujiannya, uji Jarque-Bera menghitung kemencengan (skewness) dan
keruncingan (kurtosis). Untuk data berdistribusi normal, nilai kemencengan (S)
= 0 dan keruncingan (K) = 3. Uji kenormalan Jarque-Bera memiliki hipotesis
sebagai berikut :
𝐻0 ∶ 𝑆 = 0 𝑑𝑎𝑛 𝐾 = 3 atau residual mengikuti distribusi normal
𝐻1 ∶ 𝑆 ≠ 0 𝑑𝑎𝑛 𝐾 ≠ 3 atau residual tidak mengikuti distribusi normal
Statistik uji yang digunakan adalah (Gujarati, 2011) :
𝑆 2 (𝐾 − 3)2 2
𝐽𝐵 = 𝑛 [ − ] ~𝜒𝛼;2 (5)
6 24
Keterangan :
1 ∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
𝑆 : skala kemencengan (skewness), 𝑆 = 𝑛 𝑠3
1 ∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
𝐾 : skala keruncingan (kurtosis), 𝐾 = 𝑛 𝑠4
𝑛 : banyaknya observasi
26
𝑥𝑖 : nilai observasi ke-𝑖
𝑥̅ : nilai rata-rata 𝑥
𝑠 : standar deviasi 𝑥
Pada uji statistik Jarque-Bera, nilai 𝐽𝐵 mengikuti distribusi chi-square
dengan derajat bebas dua. Keputusan menolak 𝐻0 pada taraf nyata 𝛼 apabila
nilai dari statistik uji 𝐽𝐵 melebihi nilai chi-square tabel dengan derajat bebas p
2
atau 𝐽𝐵 > 𝜒𝛼,2 ). Hal ini menunjukkan terdapat bukti bahwa residual tidak
mengikuti distribusi normal.
Homoskedastisitas
Model regresi linier klasik mengasumsikan bahwa komponen error 𝜀𝑖
dalam model regresi memiliki homoskedastisitas atau kesamaan varians di
seluruh pengamatan, dilambangkan dengan 𝜎2 (Gujarati, 2011).
Homoskedastisitas dapat diartikan sebagai keadaan nilai varians dari residual
adalah sama atau konstan untuk semua observasi. Secara umum,
homoskedastisitas dapat dilambangkan pada persamaan berikut dengan 𝑋
merupakan variabel independen dan n merupakan banyaknya observasi :
𝐸(𝜀 2 𝑖 | 𝑋𝑖 ) = 𝜎 2 𝑖 ; 𝑖 = 1,2, … , 𝑛 (6)
Menurut Gujarati (2011), jika homoskedastisitas tidak terpenuhi atau
terjadi heteroskedastisitas, penduga metode kuadrat terkecil (OLS) tidak lagi
memiliki varians minimum atau efisien. Hal ini menyebabkan penduga tersebut
tidak lagi merupakan penduga tak bias linier terbaik (Best Linear Unbiased
Estimator) melainkan hanya penduga tak bias linier (Gujarati, 2011).
Akibatnya, uji t dan F mungkin tidak dapat diandalkan, sehingga menghasilkan
27
kesimpulan yang salah mengenai signifikansi statistik dari estimasi koefisien
regresi.
Untuk menguji asumsi homoskedastisitas pada data, dapat
menggunakan uji statistik Breusch-Pagan. Uji statistik Breusch-Pagan
memiliki hipotesis sebagai berikut :
𝐻0 ∶ 𝛿0 = 𝛿1 = 𝛿2 = ⋯ = 𝛿𝑗 = 0 (homoskedastik)
𝐻1 ∶ Minimal satu 𝛿𝑗 ≠ 0 (heteroskedastik)
Tahapan uji statistik Breusch-Pagan dapat dilakukan dengan tahap
sebagai berikut (Gujarati, 2011) :
1. Lakukan regresi bantu (auxiliary regression) antara residual 𝜀𝑖 2
terhadap seluruh variabel independen yang digunakan sehingga
diperoleh model regresi sebagai berikut :
𝑝
2
𝜀𝑖 = 𝛿0 + ∑ 𝛿𝑗 𝑋𝑖𝑗 + 𝑣𝑖 (7)
𝑗=1
2. Dari model regresi bantu tersebut, peroleh nilai koefisien determinasi
(𝑅 2 𝑎𝑢𝑥 )
3. Peroleh nilai uji statistik Breusch-Pagan sebagai berikut :
𝐿𝑀 = 𝑛 × 𝑅 2 𝑎𝑢𝑥 ~ 𝜒𝛼,𝑝
2
(8)
Keterangan :
𝜀𝑖 : nilai residual dari model regresi utama
𝑋𝑖𝑗 : variabel independen ke-𝑗 dari model regresi utama
𝑣𝑖 : nilai residual dari model regresi bantu
28
𝛿0 : konstanta dari model regresi bantu
𝛿1 : koefisien atau parameter ke-𝑗 dari model regresi bantu
𝑅 2 𝑎𝑢𝑥 : nilai koefisien determinasi dari model regresi bantu
𝜎2 : matriks varians-kovarians dari model regresi utama
𝑝 : banyaknya variabel dependen
𝛼 : taraf signifikansi
Pada uji statistik Breusch-Pagan, residual harus berdistribusi normal.

2
Keputusan menolak 𝐻0 pada taraf nyata 𝛼 apabila nilai 𝐿𝑀 > 𝜒𝛼,𝑝 . Hal ini
menunjukkan bahwa terdapat bukti adanya heteroskedastisitas pada model. Jika
terdapat heteroskedastisitas pada model, maka perlu dicari upaya perbaikan.
Multikolinearitas
Salah satu asumsi dari model regresi linier klasik (Classical Linear
Regression Model) adalah bahwa tidak ada hubungan linier yang pasti antara
regressors (variabel independen) (Gujarati, 2011). Jika ada satu atau lebih
hubungan seperti itu di antara regressor, hal ini disebut multikolinearitas.
Menurut Gujarati (2011), adanya multikolinearitas dapat menyebabkan
konsekuensi antara lain, penduga OLS masih estimator tidak bias linier terbaik
(Best Linear Unbiased Estimator), namun memiliki varians dan kovarians yang
besar, sehingga membuat estimasi yang tepat menjadi sulit. Akibatnya, interval
kepercayaan cenderung lebih lebar. Oleh karena itu, rasio t dari satu atau lebih
koefisien cenderung tidak signifikan secara statistik. Kemudian beberapa
koefisien regresi secara statistik tidak signifikan, nilai R2 mungkin sangat
tinggi. Penaksir OLS dan standar error-nya sangat sensitif terhadap perubahan
29
kecil dalam data. Menambahkan variabel kolinier ke model regresi yang dipilih
dapat mengubah nilai koefisien variabel lain dalam model.
Ukuran yang paling umum digunakan untuk mendeteksi adanya
multikolinearitas adalah nilai variance inflation factor (VIF). Nilai VIF terbesar
diantara semua variabel bebas di dalam model biasanya digunakan sebagai
indikator seberapa kuatnya multikolinearitas antarvariabel independen. Rumus
VIF adalah sebagai berikut :
1
𝑉𝐼𝐹 = ; 𝑗 = 1,2, … , 𝑝 (9)
(1 − 𝑅𝑗2 )
𝑅𝑗2 adalah koefisien determinasi yang diperoleh model regresi antara
variabel independen ke-j dengan variabel independen yang lain dan p adalah
banyaknya variabel independen. VIF yang lebih besar dari 10 diindikasikan
sebagai multikolinearitas yang berpengaruh terhadap proses penaksiran.
Autokorelasi Spasial
Salah satu asumsi model regresi linier klasik (Classical Linear
Regression Model) ialah komponen residual (error) tidak berkorelasi (Gujarati,
2011). Asumsi ini sering terjadi pada analisis data deret waktu (time series
data). Namun, autokorelasi juga dapat terjadi pada data potong lintang (cross-
sectional data). Literatur deret waktu (time series) berfokus pada
ketergantungan antara pengamatan dari waktu ke waktu dan menggunakan
simbol ''t-1'' untuk menunjukkan variabel lag dalam waktu, sedangkan literatur
ekonometrik spasial berfokus pada ketergantungan antara pengamatan antara
ruang dan menggunakan matriks penimbang spasial untuk menggambarkan
keterkaitan spasial unit geografis dalam sampel (La Sage dan Pace, 2009).
30
Menurut La Sage dan Pace (2009), perlu ditekankan bahwa ekonometrika
spasial bukanlah pengembangan langsung dari ekonometrika deret waktu satu
dimensi ke dua dimensi. Satu perbedaan yang pasti adalah bahwa dua unit
geografis dapat saling mempengaruhi satu sama lain atau simultan, sedangkan
dua pengamatan dalam waktu tidak mempengaruhi secara simultan (La Sage
dan Pace, 2009). Dengan kata lain, autokorelasi spasial berbeda dari
autokorelasi deret waktu karena ketergantungan spasial yang bersifat dua
dimensi dan multi arah (Patterson dan Mills, 2009).
Konsep autokorelasi spasial didasari pada Tobler’s first law yaitu
“segala sesuatu saling berhubungan, namun yang saling berdekatan lebih
berhubungan dibandingkan dengan yang jauh”. Berdasarkan pernyataan
tersebut, maka secara umum autokorelasi spasial mencerminkan situasi ketika
nilai yang diamati di suatu lokasi atau wilayah bergantung pada nilai
pengamatan tetangga di lokasi terdekat (La Sage dan Pace, 2009). Asumsi
autokorelasi spasial memiliki fokus pada ada atau tidaknya korelasi residual di
setiap unit observasi spasial. Jika autokorelasi spasial diabaikan dalam estimasi
koefisien regresi dengan metode kuadrat terkecil (OLS) dapat menyebabkan
hasil yang bias dan tidak konsisten (La Sage dan Pace, 2009).
Pengujian autokorelasi spasial dapat dibedakan berdasarkan ruang
lingkup analisisnya (Fisher dan Getis, 2010). Ada dua lingkup yang digunakan
yaitu global dan lokal. Ruang lingkup global menguji semua elemen secara
bersama-sama dalam pengujian autokorelasinya sedangkan ruang lingkup lokal
hanya menguji pada satu unit spasial tertentu. Pengujian autokorelasi spasial
31
pada ruang lingkup global dapat digunakan uji Moran’s I. Nilai statistik
Moran’s I dapat dituliskan sebagai berikut :
𝑛 ∑𝑛𝑓=1 ∑𝑛𝑔=1(𝑦𝑓 − 𝑦̅)(𝑦𝑔 − 𝑦̅)

𝐼= 𝑛 ,𝑖 ≠ 𝑗 (10)
∑𝑓=1 ∑𝑛𝑔=1 𝑤𝑓𝑔 ∑𝑛𝑖=1(𝑦𝑓 − 𝑦̅)2
Keterangan :
𝑤𝑓𝑔 : matriks pembobot spasial antara observasi ke-i dan ke-j
𝑦𝑓 : variabel y observasi ke-f
𝑦𝑔 : variabel y observasi ke-g
𝑦̅ : nilai rata-rata variabel y
Uji Moran’s I dapat digunakan untuk mengidentifikasi adanya
autokorelasi spasial pada residual. Uji signifikansi Moran’s I sebagai berikut :
𝐼 − 𝐸(𝐼)
𝑍(𝐼) = ~ 𝑍𝛼⁄2 (11)
√𝑉𝑎𝑟(𝐼)
Keterangan :
𝐼 : Nilai statistik Moran’s I
1
𝐸(𝐼) : Nilai ekspektasi Moran’s I ; 𝐸(𝐼) = − 𝑛−1
𝑉𝑎𝑟(𝐼) : Varians Moran’s I ;

2 2
𝑛2 ∑𝑛 𝑛 2 𝑛 𝑛 2 𝑛 𝑛 2
𝑓=1 ∑𝑔=1 𝑤𝑓𝑗𝑔 +3(∑𝑓=1 ∑𝑔=1 𝑤𝑓𝑔 ) −𝑛 ∑𝑓=1(∑𝑔=1 𝑤𝑓𝑔 )
𝑉𝑎𝑟(𝐼) = 2
(𝑛2 −1)(∑𝑛 𝑛 2
𝑓=1 ∑𝑔=1 𝑤𝑓𝑔 )
Pada uji signifikansi Moran’s I, keputusan menolak 𝐻0 pada taraf nyata
𝛼 apabila nilai dari 𝑍(𝐼) > 𝑍𝛼⁄2 . Hal ini menunjukkan bahwa terdapat bukti
adanya autokorelasi spasial pada residual.
32
Eksplorasi Data
Eksplorasi data merupakan hal yang penting dalam melakukan analisis data.
Tujuan dari eksplorasi data ialah untuk mempelajari karakteristik data dan
mengidentifikasi potensi permasalahan yang mungkin terjadi pada data yang
digunakan. Selain itu, eksplorasi data juga dapat digunakan sebagai acuan atau
dasar dalam pembentukan suatu model pada analisis regresi. Menurut Chatterjee
dan Hadi (2012), bentuk model yang merepresentasikan hubungan antara variabel
respon (variabel dependen) dan variabel prediktor (variabel (independen) harus
didasarkan pada latar belakang teoritis atau hipotesis yang akan diuji, namun jika
tidak ada informasi sebelumnya yang tersedia mengenai bentuk model, maka data
dapat digunakan untuk menyarankan model yang akan digunakan. Hubungan antara
variabel respon (variabel dependen) dan variabel prediktor (variabel (independen)
dapat dilihat melalui grafik scatter plot. Selain itu, perlu dilakukan pemeriksaan
terhadap variabel dalam penelitian. Tujuannya ialah untuk memiliki gambaran
umum mengenai distribusi variabel (Chatterjee & Hadi, 2012). Histogram dan
density plot dapat digunakan untuk memeriksa variabel tertentu berdistribusi
normal atau tidak. Distribusi variabel juga dapat diperiksa melalui kemencengan
(skewness) dan keruncingan (kurtosis) serta uji statistik normalitas seperti uji
Jarque-Bera.
Uji Kesalahan Spesifikasi Persamaan Regresi Ramsey (RESET Test)
Dalam analisis regresi linier klasik, model yang digunakan dalam analisis
harus ditentukan dengan spesifikasi yang benar. Menurut Gujarati (2011),
spesifikasi yang benar dimaksud adalah satu atau lebih hal berikut:
33
1. Model tidak mengecualikan variabel "inti".
2. Model tidak menyertakan variabel yang berlebihan.
3. Bentuk fungsional model dipilih dengan tepat.
4. Tidak ada kesalahan pengukuran pada regressand dan regressor.
5. Pencilan dalam data, jika ada, diperhitungkan.
6. Distribusi probabilitas dari istilah kesalahan ditentukan dengan baik.
7. Apa yang terjadi jika regressor adalah stokastik?
8. Masalah Persamaan Simultan: bias simultanitas.
Uji kesalahan spesifikasi persamaan regresi Ramsey atau regression
equation specification error test, disingkat RESET, adalah uji umum untuk
kesalahan spesifikasi model (Gujarati, 2011). Tahapan uji statistik Breusch-Pagan
dapat dilakukan dengan tahap sebagai berikut (Gujarati, 2011) :
1. Lakukan regresi linier pada model awal yang akan diuji sebagai model
terbatas (restricted model) dan peroleh nilai estimasi 𝑦̂.
2. Lakukan regresi pada model bantu (auxiliary regression) sebagai model
tidak terbatas (unrestricted model dengan memasukkan 𝑦̂ 2 , 𝑦̂ 3 ,…, 𝑦̂ 𝑚
berikut :
𝑌𝑖 = 𝛿0 + ∑ 𝛿𝛾𝑗 𝑋𝑖𝑗 + 𝛾1 𝑦̂ 2 𝑖 + 𝛾2 𝑦̂ 3 𝑖 + ⋯ + 𝛾𝑘 𝑦̂ 𝑘 𝑖 + 𝜀𝑖 (12)

𝑗=1
3. Lakukan uji F pada model awal dan model bantu dengan hipotesis serta
uji statistik sebagai berikut.
Hipotesis pada uji simultan sebagai berikut :
𝐻0 ∶ 𝛾1 = 𝛾2 = ⋯ = 𝛾𝑘 = 0
𝐻1 ∶ 𝑀𝑖𝑛𝑖𝑚𝑎𝑙 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛾𝑙 ≠ 0 ; 𝑙 = 1,2, … , 𝑘
34
(𝑆𝑆𝐸𝑟 − 𝑆𝑆𝐸𝑢𝑟 )⁄𝑚

𝐹= ~ 𝐹𝑚,𝑛−(𝑘+1) (13)
𝑆𝑆𝐸𝑢𝑟 ⁄(𝑛 − (𝑘 + 1))
Pada Uji F, 𝑆𝑆𝐸𝑟 merupakan sum square error restricted model, 𝑆𝑆𝐸𝑢𝑟
merupakan sum square error unrestricted model, n merupakan jumlah observasi,
dan k adalah jumlah variabel. Uji RESET ketika menolak 𝐻0 memberi kesimpulan
bahwa terdapat bukti adanya kesalahan spesifikasi model.
Model Regresi Spasial
Regresi spasial merupakan pengembangan dari regresi linier.
Pengembangan tersebut dikarenakan adanya ketergantungan spasial atau
autokorelasi spasial pada data yang dianalisis dapat melanggar asumsi klasik
regresi, yaitu autokorelasi pada residual. Jika menggunakan regresi linear metode
kuadrat terkecil (OLS), maka estimasi yang dihasilkan akan bias dan estimasi
koefisien regresi yang kurang tepat karena asumsi error saling bebas tidak
terpenuhi (La Sage dan Pace, 2009). Oleh karena itu, regresi spasial dikembangkan
untuk mengatasi masalah autokorelasi spasial dengan dengan mempertimbangkan
efek spasial di dalamnya. Persamaan model umum regresi spasial atau dikenal
dengan model Spatial Autoregressive Moving Average (SARMA) dapat dituliskan
sebagai berikut (Anselin, Florax, & Rey, 2004) :
𝑌 = 𝜌𝑊𝑌 + 𝑋𝛽 + 𝑢
𝑢 = 𝜆𝑊𝑢 + 𝜀 (14)
𝜀 ~ 𝑁(0, 𝜎 2 𝐼)
Keterangan :
35
𝑌 : vektor variabel dependen dengan ukuran 𝑛 × 1
𝑋 : matriks variabel independen dengan ukuran (𝑝 + 1) × 𝑛
𝛽 : vektor koefisien parameter regresi dengan ukuran (𝑝 + 1) × 1
𝜌 : parameter koefisien spasial lag variabel dependen
𝜆 : parameter koefisien spasial lag pada error
𝑢 : vektor residual (error) dengan ukuran 𝑛 × 1 yang mengalami
autokorelasi spasial
𝜀 : vektor residual (error) dengan ukuran 𝑛 × 1 yang bersifat
independen dan berdistribusi identik (i.i.d)
𝑊 : matriks pembobot spasial dengan ukuran 𝑛 × 𝑛
𝑝 : banyaknya variabel independen
𝐼 : matriks identitas dengan ukuran 𝑛 × 𝑛
Berdasarkan model SARMA, dapat diperoleh tiga model regresi, yaitu
spasial lag, spasial error dan regresi linier berganda. Model spatial (autoregressive)
lag dependent model atau dikenal dengan Spatial Autoregressive Model (SAR)
merupakan model regresi yang didalamnya terdapat komponen spasial dari variabel
dependen. Komponen lag variabel dependen (𝑊𝑦) ini dijadikan sebagai variabel
independen dalam modelnya dengan 𝜌 sebagai parameter atau koefisien regresinya.
Persamaan model spasial lag atau SAR diperoleh apabila 𝜌 ≠ 0 dan 𝜆 = 0 sehingga
dapat dituliskan sebagai berikut :
𝑌 = 𝜌𝑊𝑌 + 𝑋𝛽 + 𝜀
(15)
𝜀 ~ 𝑁(0, 𝜎 2 𝐼)
36
𝑌 adalah vektor 𝑛 × 1 dari variabel dependen, 𝑋 adalah matriks 𝑛 × (𝑝 +
1) dari variabel independen, 𝑊 adalah matriks 𝑛 × 𝑛 dari pembobot spasial, 𝜀
adalah vektor 𝑛 × 1 dari komponen residual (error) yang bersifat independen dan
berdistribusi identik (independent and identical distribution atau i.i.d), 𝜌 adalah
koefisien autoregresif spasial lag, dan 𝛽 adalah vektor (𝑝 + 1) × 1 dari koefisien
regresi.
Model spatial (autoregressive) error atau dikenal dengan Spatial Error
Model (SEM) merupakan model regresi yang didalamnya terdapat komponen
spasial dari error atau residual. Komponen lag residual (𝑊𝑢) ini dijadikan sebagai
variabel independen dalam modelnya dengan 𝜆 sebagai parameter atau koefisien
regresinya. Parameter ini dimasukkan untuk mendapatkan perkiraan yang lebih
baik untuk koefisien regresi. Persamaan model spasial error atau SEM diperoleh
apabila 𝜌 = 0 dan 𝜆 ≠ 0 sehingga dapat dituliskan sebagai berikut:
𝑌 = 𝑋𝛽 + 𝑢
𝑢 = 𝜆𝑊𝑢 + 𝜀 (16)
𝜀 ~ 𝑁(0, 𝜎 2 𝐼)
𝑌 adalah vektor 𝑛 × 1 dari variabel dependen, 𝑋 adalah matriks 𝑛 × (𝑝 +
1) dari variabel independen, 𝑊 adalah matriks 𝑛 × 𝑛 dari pembobot spasial, 𝑢
adalah vektor 𝑛 × 1 dari komponen residual yang mengalami korelasi spasial, 𝜀
adalah vektor 𝑛 × 1 dari komponen residual (error) yang bersifat independen dan
berdistribusi identik (independent and identical distribution), 𝜆 adalah koefisien
autoregresif spasial error, dan 𝛽 adalah vektor (𝑝 + 1) × 1 dari koefisien regresi.
37
Estimasi parametrik dalam model regresi spasial paling umum didasari pada
prinsip maximum likelihood estimation (MLE). Hal ini dikarenakan estimator
metode kuadrat terkecil (OLS) akan bias dan juga tidak konsisten untuk parameter
model spasial, terlepas dari sifat-sifat komponen residual atau error (Anselin,
1988).
Uji Lagrange Multiplier (LM Test)
Uji Lagrange Multiplier (LM) adalah uji untuk menentukan jika model
memiliki ketergantungan spasial atau tidak. Uji LM juga digunakan untuk
menentukan model spasial antara spasial lag atau spasial error. Uji LM dihitung
dengan nilai residual yang diperoleh dari metode kuadrat terkecil dan matrik
pembobot spasial yang digunakan adalah W. Hipotesis dan uji statistik LM untuk
spasial lag dan spasial error dapat dituliskan sebagai berikut (Anselin, Florax, &
Rey, 2004) :
Hipotesis uji LM untuk spasial lag :
𝐻0 ∶ 𝜌 = 0 atau tidak terdapat dependensi spasial lag
𝐻1 ∶ 𝜌 ≠ 0 atau terdapat dependensi spasial lag
Statistik uji LM untuk spasial lag :
(𝑒 ′ 𝑊𝑦⁄𝜎̂ 2 )2
𝐿𝑀𝜌 = ~ 𝜒 2 (1) (17)
𝑛𝐽̂
Hipotesis uji LM untuk spasial error :
𝐻0 ∶ 𝜆 = 0 atau tidak terdapat dependensi spasial error
𝐻1 ∶ 𝜆 ≠ 0 atau terdapat dependensi spasial error
Statistik uji LM untuk spasial error:
38
[𝑒 ′ 𝑊𝑒⁄𝜎̂ 2 ]2
𝐿𝑀𝜆 = ~ 𝜒 2 (1) (18)
𝑇
Keterangan :
1
𝐽̂ = (𝑊𝑋𝛽)′𝑀(𝑊𝑋𝛽)
𝑛𝜎2
𝑀 = 𝐼 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′
𝑇 = 𝑡𝑟[(𝑊 ′ 𝑊 + 𝑊)𝑊]
𝜎̂ 2 = 𝑒′𝑒/(𝑛 − 𝑝 − 1)
Masing-masing LM-Lag maupun LM-Error mengikuti distribusi Chi-
square. Hipotesis nol (𝐻0 ) akan ditolak pada taraf nyata 𝛼 jika nilai dari statistik
uji lebih besar dari 𝜒 2 (1) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Hal menunjukkan bahwa terdapat
dependensi spasial pada model.
Uji Robust Lagrange Multiplier (RLM Test)
Uji Robust Lagrange Multiplier (RLM) digunakan hanya saat kedua uji
LM-Lag dan uji LM-Error menunjukkan hasil yang signifikan. Statistik uji Robust
Lagrange Multiplier untuk spasial lag dapat dituliskan sebagai berikut (Anselin,
Florax, & Rey, 2004) :
[(𝑒 ′ 𝑊𝑦 − 𝑒 ′ 𝑊𝑒)⁄𝜎̂ 2 ]2
𝑅𝐿𝑀𝜌 = ~ 𝜒 2 (1) (19)
𝑛𝐽̂ − 𝑇
Statistik uji Robust Lagrange Multiplier untuk spasial error dapat dituliskan
sebagai berikut :
39
2
[𝑒 ′ 𝑊𝑒⁄𝜎̂ 2 − 𝑇(𝑛𝐽̂)−1 − 𝑒 ′ 𝑊𝑦⁄𝜎̂ 2 ]
𝑅𝐿𝑀𝜆 = ~ 𝜒 2 (1) (20)
𝑇(1 − 𝑇(𝑛𝐽̂)−1 )
Sama seperti uji LM, kedua uji RLM untuk spasial lag dan spasial error
juga mengikuti distribusi Chi-square. Hipotesis nol (𝐻0 ) akan ditolak pada taraf
nyata 𝛼 jika nilai dari statistik uji lebih besar dari 𝜒 2 (1) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Jika
hasil uji RLM signifikan, maka terdapat dependensi spasial pada model.
Uji Wald (Wald Test)
Uji Wald digunakan untuk menguji signifikansi pengaruh variabel
independen terhadap variabel dependen. Uji Wald dilakukan dengan
membandingkan estimasi parameter regresi dari metode maximum likelihood
dengan estimasi dari standard error. Hipotesis dan uji statistik dalam uji Wald dapat
ditulis sebagai berikut (Anselin, 1988) :
Hipotesis uji Wald :
𝐻0 ∶ 𝛽𝑗 = 0 atau tidak terdapat pengaruh antara variabel independen ke-
j terhadap variabel dependen
𝐻1 ∶ 𝛽𝑗 ≠ 0 atau terdapat pengaruh antara variabel independen ke-j
terhadap variabel dependen
𝛽𝑗
𝑊𝑎𝑙𝑑 = ~𝑁(0,1) ; 𝑗 = 1,2, … , 𝑝 (21)
𝑠𝑒(𝛽𝑗 )
Keterangan :
𝛽𝑗 : koefisien atau parameter regresi ke-j
40
𝑠𝑒(𝛽𝑗 ) : standar deviasi parameter regresi ke-j
𝑝 : banyaknya variabel independen
Pada uji Wald, statistik uji yang digunakan mengikuti distribusi normal
baku. 𝐻0 ditolak apabila |𝑊𝑎𝑙𝑑| > 𝑍𝛼⁄2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. Jika 𝐻0 ditolak maka
terdapat bukti bahwa variabel independen ke-𝑗 berpengaruh terhadap variabel
dependen.
Matriks Pembobot Spasial
Menurut Aldstadt, matriks pembobot spasial merupakan matriks yang
mendefinisikan struktur hubungan spasial di wilayah penelitian (Fisher & Getis,
2010). Dengan kata lain, elemen-elemen dalam matriks pembobot spasial
menunjukkan hubungan atau interaksi antarunit observasi yang bersifat geografis,
seperti negara, provinsi, kota atau unit geografis lainnya. Terdapat beberapa metode
untuk mendefinisikan matriks pembobot spasial, antara lain :
 Contiguity (Persinggungan)
Metode contiguity digunakan untuk menyusun matriks pembobot
spasial dengan konsep hubungan spasial terjadi ketika suatu wilayah
bersentuhan atau bersinggungan dengan wilayah lainnya. Hubungan spasial ini
juga dapat disebut sebagai ketetanggaan. Ada beberapa cara dalam
mendefinisikan ketetanggaan antarwilayah menggunakan metode contiguity,
yaitu Rook Contiguity, Bishop Contiguity, dan Queen Contiguity. Pada metode
rook contiguity, tetangga didefinisikan untuk wilayah yang berbatasan secara
langsung di sepanjang garis perbatasannya akan tetapi wilayah yang hanya
41
menempel di sudut perbatasan tidak tergolong sebagai tetangga. Berlawanan
dengan metode rook contiguity, pada metode bishop contiguity, tetangga
didefinisikan untuk wilayah hanya yang bersentuhan langsung di sudut wilayah
dan wilayah berbatasan sepanjang garis perbatasan, wilayah tersebut tidak
tergolong sebagai tetangga. Queen contiguity merupakan gabungan dari metode
rook contiguity dan bishop contiguity. Pada metode ini, tetangga didefinisikan
untuk wilayah yang bersentuhan langsung baik di sepanjang perbatasan maupun
hanya di sudut wilayah.
 Distance (Jarak)
Metode distance digunakan untuk menyusun matriks pembobot spasial
dengan menggunakan jarak sebagai pembobot spasialnya. Semakin dekat jarak
suatu wilayah maka semakin kuat hubungan ketetanggaannya. Metode ini
memerlukan titik acuan di suatu wilayah untuk mengukur jarak yang pada
umumnya menggunakan titik pusat atau titik tengah wilayah tersebut.
 Customized
Metode Customized digunakan untuk menyusun matriks pembobot
spasial dengan menggunakan definisi yang disusun peneliti sehingga lebih
fleksibel penggunaannya. Menurut Drukker, Peng, Prucha, dan Raciborski
(2013), hubungan spasial tidak hanya terbatas pada ruang geografis, dan sudah
banyak penggunaan konsep spasial dalam situasi lain untuk interaksi cross-
section, seperti interaksi sosial seperti model interaksi sosial dan model
jaringan. Penelitian Bodson dan Peter pada tahun 1975 dalam Anselin (1988)
menggunakan metode customized dengan menyusun matriks pembobot spasial
berdasarkan aksesibilitas umum, yaitu berdasarkan saluran komunikasi
42
antarwilayah. Selain itu, Firmansyah dan Muchlisoh (2021) juga menyusun
matriks pembobot spasial dengan menggunakan menggunakan hubungan
perdagangan antarwilayah dalam menganalisis faktor-faktor yang
memengaruhi pendapatan IMK di Indonesia.
2.2 Penelitian Terkait
Jae Teuk Chin (2020) melakukan penelitian untuk memahami pemilihan
lokasi suatu usaha baru dalam publikasinya yang berjudul “Location Choice of New
Business Establishments: Understanding the Local Context and Neighborhood
Conditions in the United States”. Dalam melakukan analisis, Chin menggunakan
densitas atau kepadatan usaha baru yang merupakan rasio antara jumlah usaha baru
di suatu wilayah terhadap luas wilayahnya. Hasil penelitian menunjukkan ada 3
faktor yang berpengaruh signifikan terhadap keputusan pemilihan lokasi suatu
usaha baru, yaitu faktor ekonomi, faktor demografi dan faktor geografi. Variabel-
variabel yang menjelaskan faktor ekonomi antara lain kepadatan pekerjaan,
banyaknya lapangan kerja dalam jarak 3 mil, dominasi industri, dan rasio penduduk
terhadap pekerjaan. Faktor demografi terdiri atas kepadatan penduduk, persentase
penduduk berkulit putih, rata-rata usia penduduk, dan persentase unit rumah yang
tersedia. Faktor geografi hanya terdiri atas satu variabel, yaitu jarak ke jalan raya
terdekat.
Takano, Tsutsumi, dan Kikukawa (2018) melakukan penelitian mengenai
determinan penentuan lokasi industri pada skala kecil dan besar pada 1652 kota di
Jepang dengan model regresi spasial SLX (spatial lag x model) yang berjudul “
43
Spatial Modeling Of Industrial Location Determinants In Japan: Empirical
Analysis Using Spatial Econometric Approaches ”. Hasil penelitian pada industri
berskala kecil menunjukkan ada beberapa faktor yang menjadi penentu lokasi suatu
industri. Faktor biaya yang diukur dengan upah tenaga kerja memiliki pengaruh
yang negatif menunjukkan jumlah industri akan menjadi sedikit di wilayah dengan
tingkat upah tenaga kerja yang tinggi. Faktor aglomerasi memiliki pengaruh positif
menunjukkan industri relatif berlokasi di wilayah dengan aglomerasi industri yang
tinggi. Faktor aksesibilitas diukur dengan infrastruktur transportasi memiliki
pengaruh signifikan menunjukkan industri akan berjumlah lebih sedikit di daerah
dengan aksesibilitas yang ke jalan raya yang kurang memadai. Faktor yang terakhir
memiliki pengaruh signifikan ialah faktor lahan menunjukkan industri akan
berjumlah lebih banyak di daerah dengan ketersediaan lahan untuk keperluan
industri yang besar.
Penelitian yang dilakukan An dan Wan (2019) juga bertujuan untuk
mengidentifikasi faktor-faktor yang memengaruhi lokasi suatu industri pada 79
kota di Korea Selatan dengan beberapa klasifikasi skala industri yang digunakan,
yaitu industri kecil, industri besar, dan industri berteknologi tinggi. Metode analisis
yang digunakan pada penelitian ini menggunakan analisis spasial. Namun, pada
skala industri kecil tidak terdapat ketergantungan spasial sehingga model yang
digunakan pada analisis inferensial menggunakan regresi linear berganda. Hasil
penelitian menunjukkan ada beberapa variabel yang signifikan, yaitu PDRB,
persentase penduduk sarjana, jumlah lahan industri yang tersedia, aglomerasi, dan
jarak ke pelabuhan internasional.
44
Santoso dan Wilantari (2017) melakukan penelitian mengenai pola spasial
kegiatan industri di Indonesia dalam publikasi yang berjudul “The Spatial
Distribution Of Indonesia’s Manufacturing Industries: An Exploratory Spatial
Data Analysis”. Penelitian ini menganalisis data spasial terkait dengan distribusi
spasial industri manufaktur Indonesia, yang mengkaji apakah terdapat suatu pola
yang bersifat klaster, tersebar, atau acak. Metode analisis yang digunakan ialah
analisis eksplorasi spasial dengan statistik Moran’s I dan Local Indicator of Spatial
Association. Hasil analisis statistik Moran's I, menunjukkan hubungan spasial
positif yang kuat (autokorelasi) di Indonesia dan menunjukkan bahwa fenomena
pola distribusi industri manufaktur dinyatakan mengelompok dan konsentrasi
industri manufaktur berbasis tinggi terlihat pada beberapa provinsi, terutama di
pulau jawa. Dari hasil analisis statistik LISA, tidak dapat dipastikan bahwa terdapat
pengelompokan yang tinggi secara statistik di Indonesia. Hanya beberapa provinsi
yang benar-benar menunjukkan pengelompokan industri yang signifikan dan
provinsi-provinsi tersebut adalah Jawa Barat, Banten, DKI Jakarta, Jawa Tengah,
dan Jawa Timur.
Penelitian Firmansyah dan Muchlisoh (2021) yang berjudul “Faktor-Faktor
yang Memengaruhi Pendapatan Industri Mikro Kecil di Indonesia Tahun 2017 –
2019” bertujuan untuk mengidentifikasi faktor-faktor yang memengaruhi
pendapatan IMK di Indonesia. Metode analisis yang digunakan ialah regresi spasial
data panel. Dalam penyusunan matriks pembobot, digunakan teknik customized
dengan gabungan teknik contiguity queen dan hubungan perdagangan
antarprovinsi. Hasil dari penelitian ialah terdapat keterkaitan spasial atau
autokorelasi spasial antarprovinsi pada pendapatan IMK yang juga terbukti
45
signifikan. Selain itu, disimpulkan bahwa faktor-faktor yang signifikan
memengaruhi pendapatan IMK adalah internet dan bantuan pemerintah.
Penggunaan internet oleh IMK memberikan efek total yang negatif pada
pendapatan IMK. Sedangkan, bantuan pemerintah yang diterima oleh IMK
memengaruhi pendapatan IMK secara positif.
Berdasarkan penelitian yang dilakukan Santoso (2019) dan Firmansyah &
Muchlisoh (2021) mengenai usaha industri di Indonesia termasuk sektor industri
mikro dan kecil, ditemukan efek spasial pada penelitian tersebut. Hal ini menjadi
dasar penelitian ini untuk menggunakan model spasial. Selain itu, variabel
dependen yang akan dianalisis pada penelitian ini menggunakan konsep indikator
yang mirip dengan penelitian yang dilakukan Chin (2020), yaitu jumlah IMK per
luas wilayah. Penelitian ini juga menggunakan konsep yang sama dengan penelitian
Firmansyah dan Muchlisoh (2021) dalam penyusunan matriks pembobot spasial
yang mengacu pada hubungan perdagangan antarwilayah.
2.3 Kerangka Pikir
Dalam penelitian ini ketimpangan IMK di Indonesia dijelaskan dengan
indikator densitas IMK digunakan sebagai unit analisis yaitu jumlah
usaha/perusahaan IMK per l00 kilometer kuadrat luas wilayah provinsi. Selain itu,
terdapat beberapa faktor yang diduga berpengaruh terhadap densitas IMK
berdasarkan kajian teori dan penelitian terkait antara lain upah tenaga kerja,
aglomerasi industri, kualitas infrastruktur jalan, modal manusia, tingkat konsumsi
pasar, dan tingkat bunga koperasi simpan pinjam. Variabel upah tenaga kerja diukur
46
dengan menggunakan rata-rata upah buruh di setiap provinsi Indonesia. Variabel
aglomerasi industri diukur dengan menggunakan indeks spesialisasi industri.
Variabel kualitas infrastruktur jalan diukur dengan menggunakan persentase jalan
dengan kondisi baik dan sedang. Variabel modal manusia diukur dengan
menggunakan rata-rata lama sekolah yang menunjukkan tingkat pendidikan
penduduk di suatu provinsi. Variabel tingkat konsumsi pasar diukur dengan
menggunakan pengeluaran penduduk per kapita selama sebulan yang disesuaikan
terhadap paritas daya beli. Variabel tingkat bunga koperasi simpan pinjam diukur
dengan rata-rata tingkat bunga koperasi simpan pinjam di setiap provinsi. Selain
itu, terdapat kemungkinan pengaruh keterkaitan spasial berdasarkan ketetanggaan
dan hubungan perdagangan yang dapat menjelaskan densitas IMK di Indonesia.
Pola hubungan pada kerangka pikir dapat dilihat pada Gambar 5.
47
Rata-Rata Upah Buruh
(𝑋1 )
Indeks Spesialisasi Industri

(𝑋2 )
Persentase Jalan Kondisi

Baik dan Sedang (𝑋3 )
Densitas IMK (𝑌)
Rata-Rata Lama Sekolah

(𝑋4 )
Keterkaitan
Spasial (𝑊)
Pengeluaran Penduduk Per
Kapita Riil yang
Disesuaikan (𝑋5 )
Rata-Rata Suku Bunga

Tetap Koperasi Simpan
Pinjam (𝑋6 )
Gambar 5. Kerangka pikir
48
2.4 Hipotesis Penelitian
Penelitian ini memiliki beberapa hipotesis yang akan diuji secara statistik.
Hipotesis-hipotesis dalam penelitian ini, yaitu :
a) Terdapat keterkaitan spasial pada densitas IMK antarprovinsi di
Indonesia berdasarkan ketetanggaan dan hubungan perdagangan.
b) Rata-rata upah buruh berpengaruh negatif terhadap densitas IMK.
c) Indeks spesialisasi industri berpengaruh positif terhadap densitas
IMK.
d) Persentase jalan dengan kondisi baik dan sedang berpengaruh positif
terhadap densitas IMK.
e) Rata-rata lama sekolah berpengaruh positif terhadap densitas IMK.
f) Pengeluaran per kapita riil yang disesuaikan dengan paritas daya beli
berpengaruh positif terhadap densitas IMK.
g) Rata-rata tingkat bunga tetap koperasi simpan pinjam berpengaruh
negatif terhadap densitas IMK
49
50
BAB III
METODOLOGI
3.1 Ruang Lingkup Penelitian
Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang
memengaruhi ketimpangan IMK antarprovinsi di Indonesia pada tahun 2019.
Untuk menjelaskan ketimpangan IMK digunakan indikator densitas IMK sebagai
unit analisis, yaitu jumlah usaha IMK per l00 kilometer kuadrat luas wilayah
provinsi. Menurut Chin (2020), normalisasi dengan menggunakan luas wilayah
diperlukan untuk mengendalikan disparitas ukuran antarwilayah. Kemudian,
pengklasifikasian IMK pada penelitian ini menggunakan konsep dari BPS, yaitu
usaha/perusahaan industri tergolong sebagai industri mikro dan kecil (IMK) apabila
mempunyai jumlah tenaga kerja dibawah 20 orang. Pada penelitian ini, unit
observasi mencakup seluruh provinsi di Indonesia yang berjumlah 34 provinsi
dengan periode waktu satu tahun, yaitu tahun 2019. Adapun variabel dependen
yang digunakan pada penelitian ini ialah densitas IMK, yaitu banyaknya unit
usaha/perusahaan IMK per luas wilayah provinsi. Kemudian terdapat enam variabel
independen yang mungkin berpengaruh terhadap densitas IMK menurut provinsi di
Indonesia. Enam variabel independen tersebut antara lain rata-rata upah buruh,
indeks spesialisasi industri, persentase jalan dengan kondisi baik dan sedang, rata-
rata lama sekolah, pengeluaran per kapita yang telah disesuaikan dengan paritas
daya beli, dan rata-rata tingkat bunga koperasi simpan pinjam.
51
3.2 Metode Pengumpulan Data
Sumber Data
Penelitian ini menggunakan data sekunder yang berasal dari Badan Pusat
Statistik. Data sekunder adalah data yang diperoleh dari sumber lain yang telah ada
sebelumnya. Data yang digunakan pada penelitian ini diperoleh dari beberapa
publikasi BPS sebagai berikut :
a) Profil Industri Mikro dan Kecil 2019 digunakan untuk memperoleh data
jumlah usaha/perusahaan IMK menurut provinsi tahun 2019.
b) Statistik Indonesia 2020 digunakan untuk memperoleh data luas wilayah
menurut provinsi tahun 2019
c) Keadaan Angkatan Kerja di Indonesia Agustus 2019 yang digunakan
untuk memperoleh data rata-rata upah/gaji bersih buruh/karyawan
selama sebulan menurut provinsi, jumlah penduduk berumur 15 tahun
ke atas yang bekerja menurut provinsi, dan jumlah penduduk berumur
15 tahun ke atas yang bekerja di lapangan usaha industri pengolahan
menurut provinsi bulan agustus tahun 2019.
d) Statistik Transportasi Darat 2019 digunakan untuk memperoleh data
panjang jalan menurut kondisi dan provinsi untuk seluruh tingkat
kewenangan tahun 2019 yang dikumpulkan oleh Kementerian Pekerjaan
Umum dan Perumahan Rakyat.
e) Indeks Pembangunan Manusia 2019 digunakan untuk memperoleh data
rata-rata lama sekolah menurut provinsi tahun 2019.
52
f) Statistik Koperasi Simpan Pinjam 2020 digunakan untuk memperoleh
data rata-rata tingkat bunga tetap koperasi simpan pinjam menurut
provinsi tahun 2019
g) Perdagangan Antar Wilayah 2019 digunakan sebagai dasar dalam
menyusun matriks pembobot spasial.
Definisi Operasional Variabel
Definisi operasional variabel yang digunakan data penelitian secara garis
besar dapat ditulis pada Tabel 1.
Tabel 1. Definisi operasional variabel
Variabel Definisi Operasional Satuan

(1) (2) (3)
Jumlah usaha IMK di provinsi 𝑈𝑛𝑖𝑡
Densitas IMK Densitas IMK = × 100
Luas wilayah di provinsi dalam km2 /𝐾𝑚2
Rata-rata upah Rata-rata upah/gaji bersih buruh/karyawan per bulan Juta
buruh menurut provinsi bulan agustus tahun 2019. rupiah
tenaga kerja industri di provinsi i
Indeks
total tenaga kerja di provinsi i
spesialisasi 𝐼𝑆𝐼 = Poin
total tenaga kerja industri nasional
industri total tenaga kerja nasional
Persentase jalan Panjang jalan baik dan sedang di provinsi
dengan kondisi 𝐽𝐵𝑆 = × 100% Persen
Total panjang jalan di provinsi
baik dan sedang
Rata-rata waktu yang digunakan penduduk usia 25 tahun
Rata-rata lama
ke atas dalam menjalani pendidikan formal menurut Tahun
sekolah
provinsi.
Pengeluaran per Pengeluaran per kapita yang telah disesuaikan dengan
Juta
kapita riil yang paritas daya beli (purchasing power parity) per tahun
rupiah
disesuaikan menurut provinsi.
Rata-rata
tingkat bunga Rata-rata tingkat bunga pinjaman koperasi simpan pinjam
Persen
tetap koperasi dengan metode tingkat bunga tetap menurut provinsi.
simpan pinjam
53
3.3 Metode Analisis
Metode analisis yang digunakan untuk mencapai tujuan penelitian
yang telah dikemukakan sebelumnya ialah analisis deskriptif dan analisis
inferensial. Analisis deskriptif digunakan untuk mencapai tujuan pertama,
yaitu memberi gambaran mengenai karakteristik dan pola persebaran
densitas IMK beserta variabel-variabel lain yang mungkin berpengaruh
terhadapnya. Kemudian, dilakukan analisis inferensial untuk mencapai
tujuan kedua, yaitu mengidentifikasi faktor-faktor yang memengaruhi
densitas IMK menurut provinsi di Indonesia. Analisis regresi spasial
digunakan sebagai metode analisis inferensial dalam mencapai tujuan
penelitian tersebut.
Berikut tahapan-tahapan analisis inferensial dalam penelitian ini
sebagai berikut :
1. Eksplorasi Data.
Hal ini dilakukan untuk mendeteksi masalah pada data yang
mungkin dapat membuat asumsi regresi tidak terpenuhi. Eksplorasi data
dilakukan dengan mengidentifikasi distribusi variabel dependen dan
hubungan linier antara variabel dependen dan variabel independen.
Selain itu, dilakukan juga pengidentifikasian bentuk fungsional
persamaan regresi yang sesuai dengan uji RESET Ramsey.
2. Penyusunan matriks pembobot spasial.
Dalam penelitian ini, matriks pembobot spasial disusunkan
menggunakan metode customized, yaitu gabungan antara queen’s
54
contiguity dan hubungan perdagangan antarwilayah berdasarkan
publikasi BPS Perdagangan Antar Wilayah 2019. Penggunaan
hubungan perdagangan antarwilayah ini dikarenakan adanya IMK yang
memperoleh bahan baku dari provinsi lain atau melakukan pemasaran
hasil produksi di provinsi lain.
3. Pembentukan persamaan umum model regresi spasial.
Model regresi spasial dibentuk berdasarkan model yang terpilih
dari hasil uji dependensi spasial Lagrange Multiplier (LM). Model
spasial lag (SAR) digunakan jika 𝜆 = 0. Model spasial error (SEM)
digunakan jika 𝜌 = 0. Model regresi linier berganda (OLS) digunakan
jika 𝜆 = 0 dan 𝜌 = 0. Model umum regresi spasial dapat dituliskan
sebagai berikut :
𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾𝑖 = 𝜌 ∑ 𝑤𝑖 𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾𝑖 + 𝛽0 + 𝛽1 𝑈𝑝𝑎ℎ𝑖

𝑗=1,𝑖≠𝑗
+ 𝛽2 𝐼𝑛𝑑𝑒𝑘𝑠 𝑆𝐼𝑖 + 𝛽3 𝐽𝑎𝑙𝑎𝑛𝑖 + 𝛽4 𝑅𝐿𝑆𝑖

(22)
+ 𝛽5 𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝑝𝑒𝑟 𝐾𝑎𝑝𝑖𝑡𝑎𝑖
𝑛
+ 𝛽6 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐵𝑢𝑛𝑔𝑎 𝑖 + 𝜆 ∑ 𝑤𝑖 𝑢𝑖 + 𝜀𝑖
𝑗=1,𝑖≠𝑗
4. Pengujian dependensi spasial dengan uji Moran’s I dan Lagrange
Multiplier.
Prosedur pengujian ketergantungan spasial dengan uji Moran’s
I, Lagrange Multiplier dan Robust Lagrange Multiplier dapat dilakukan
sebagai berikut :
55
i. Uji Moran’s I digunakan untuk mengidentifikasi autokorelasi
spasial pada residual model regresi linier berganda. Apabila
keputusan pada uji Moran’s I menolak 𝐻0 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼
maka dapat disimpulkan bahwa terdapat bukti residual memiliki
autokorelasi spasial. Apabila terdapat autokorelasi spasial pada
residual maka dapat dilanjutkan ke tahap uji Lagrange Multiplier,
namun jika tidak terdapat autokorelasi spasial pada residual maka
model yang digunakan ialah regresi linier berganda (OLS).
ii. Jika pada uji Lagrange Multiplier hanya uji LM-Lag yang
signifikan, maka model regresi yang digunakan adalah model
regresi spasial lag (SAR) dan sebaliknya, jika hanya uji LM-Error
yang signifikan, maka model regresi yang digunakan adalah model
regresi spasial error (SEM).
iii. Jika kedua uji LM signifikan, maka dilakukan uji Robust Lagrange
Multiplier (RLM) untuk spasial lag (RLM-Lag) dan spasial error
(RLM-Error). Keputusan pada uji RLM sama seperti uji LM. Jika
hanya uji RLM -Lag yang signifikan, maka model regresi yang
digunakan adalah model regresi spasial lag (SAR) dan sebaliknya,
jika hanya uji RLM-Error yang signifikan, maka model regresi
yang digunakan adalah model regresi spasial error (SEM).
iv. Namun, apabila kedua uji LM tidak signifikan maka model regresi
spasial tidak dapat digunakan sehingga model yang digunakan ialah
regresi linier berganda (OLS).
5. Melakukan estimasi parameter dan uji signifikansi variabel independen.
56
a. Model Regresi Spasial
Uji Wald digunakan untuk menguji signifikansi pengaruh
variabel independen terhadap variabel dependen dalam model
regresi spasial. Variabel independen ke-𝑗 terbukti berpengaruh
terhadap variabel dependen apabila |𝑊𝑎𝑙𝑑𝑗 | > 𝑍𝛼⁄2 atau 𝑝 −
𝑣𝑎𝑙𝑢𝑒 < 𝛼 dengan keputusan tolak 𝐻0 .
b. Model Regresi Linier Berganda
Uji signifikansi variabel pada regresi linier berganda dapat
menggunakan uji simultan F dan uji parsial t. Uji simultan F
digunakan untuk mengidentifikasi variabel independen yang
berpengaruh secara simultan. Apabila 𝐻0 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼, maka
terdapat bukti bahwa minimal ada satu variabel yang berpengaruh
terhadap variabel dependen. Uji parsial t digunakan untuk
mengidentifikasi variabel independen secara individu. Variabel
independen ke-𝑗 terbukti berpengaruh terhadap variabel dependen
apabila 𝑡𝑗 > 𝑡𝑛−2−𝑝 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 dengan keputusan tolak
𝐻0 .
6. Pengujian asumsi pada model terpilih.
a. Normalitas
Pengujian asumsi normalitas pada residual dapat dilakukan
dengan uji Jarque-Bera. Asumsi normalitas terpenuhi apabila 𝑝 −
𝑣𝑎𝑙𝑢𝑒 > 𝛼 atau gagal tolak 𝐻0 sehingga dapat disimpulkan terdapat
bukti bahwa residual berdistribusi normal.
b. Homoskedastisitas
57
Pengujian asumsi homoskedastisitas pada model dapat
dilakukan dengan uji Breusch-Pagan. Asumsi homoskedastisitas
terpenuhi apabila 𝑝 − 𝑣𝑎𝑙𝑢𝑒 > 𝛼 atau gagal tolak 𝐻0 sehingga
dapat disimpulkan terdapat bukti bahwa varians residual bersifat
konstan pada setiap observasi.
c. Multikolinearitas
Pengujian asumsi multikolinearitas pada variabel
independen dapat dilakukan dengan menggunakan VIF. Asumsi
multikolinearitas terpenuhi apabila tidak ada nilai VIF diatas 10.
d. Autokorelasi Spasial
Autokorelasi spasial perlu diidentifikasi kembali pada
residual model terpilih dengan menggunakan uji Moran’s I. Apabila
keputusan pada uji Moran’s I tolak 𝐻0 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼 maka
dapat disimpulkan bahwa terdapat bukti residual memiliki
autokorelasi spasial.
58
Gambar 6. Alur penelitian
59
60
BAB IV
HASIL DAN PEMBAHASAN
4.1 Peta Persebaran Densitas IMK serta Variabel-Variabel yang Diduga
Memengaruhinya di Indonesia Tahun 2019
Untuk melihat persebaran densitas IMK serta variabel –variabel yang
diduga memengaruhinya dapat digunakan peta tematik. Pada penelitian ini, metode
pengklasifikasian dalam membuat peta tematik menggunakan metode natural
break atau Jenks Optimization Method. Metode ini digunakan pada data
mengelompok secara alami dan jatuh ke dalam kelompok-kelompok kecil dengan
celah atau jeda antar kelompok (Dent, 2009). Penggunaan metode natural break
pada penelitian ini dikarenakan beberapa data variabel memiliki celah antar
kelompok dan tidak berdistribusi normal.
Densitas IMK
Berdasarkan densitas atau kepadatan IMK yang diukur dengan melakukan
rasio terhadap luas wilayah provinsi, Pulau Jawa sangat mendominasi densitas IMK
di Indonesia. Pada Gambar 7, persebaran densitas IMK relatif berpusat di Pulau
Jawa dan Pulau Bali. Provinsi-provinsi di Pulau Jawa sangat mendominasi dengan
nilai densitas IMK lebih dari seribu. Provinsi DKI Jakarta menjadi provinsi paling
mendominasi dengan densitas IMK sebesar 9.477 atau setiap 100 kilometer kuadrat
terdapat 9.477 usaha IMK di Provinsi DKI Jakarta. Adapun provinsi lain di luar
jawa dengan nilai densitas IMK lebih dari seribunya hanya satu, yaitu Provinsi Bali
61
dengan nilai sebesar 2.787 usaha per 100 kilometer kuadrat. Densitas IMK relatif
rendah di Pulau Kalimantan dan Pulau Papua. Semua provinsi di kedua pulau ini
memiliki densitas IMK dibawah 50, kecuali Provinsi Kalimantan Selatan dengan
densitas IMK sebesar 149. Hal ini menunjukkan pola persebaran IMK di Indonesia
mengalami ketimpangan antarprovinsi.
Gambar 7. Sebaran densitas IMK menurut provinsi tahun 2019
Rata-Rata Upah Buruh
Di Indonesia, rata-rata upah buruh tertinggi berada di Provinsi DKI Jakarta.
Padahal Provinsi DKI Jakarta juga merupakan provinsi dengan nilai densitas IMK
tertinggi di Indonesia. Hal ini tentunya tidak sejalan dengan teori lokasi industri
Weber yang menyatakan industri relatif berlokasi di wilayah dengan tingkat upah
buruh rendah. Namun, apabila dilihat secara keseluruhan, rata-rata upah buruh
masih berpotensi untuk menjelaskan pola persebaran lokasi industri di Indonesia.
Pada Gambar 8, terdapat beberapa provinsi seperti DI Yogyakarta, Jawa Tengah,
62
Jawa Timur, Nusa Tenggara Barat, dan Nusa Tenggara Timur memiliki rata-rata
upah buruh yang rendah dan nilai densitas IMK yang tinggi. Selain itu, provinsi
dengan nilai densitas rendah seperti Papua Barat dan Papua memiliki rata-rata upah
buruh yang cukup tinggi. Hal tersebut dapat mengindikasikan bahwa rata-rata upah
buruh dan densitas IMK memiliki hubungan negatif.
Gambar 8. Sebaran rata-rata upah buruh per sebulan dalam rupiah menurut provinsi
tahun 2019
Indeks Spesialisasi Industri
Berdasarkan Gambar 9, provinsi-provinsi di Pulau Jawa memiliki indeks
spesialisasi industri yang tinggi dengan nilai diatas 1 kecuali Provinsi DKI Jakarta.
Hal ini menunjukkan sebagian besar provinsi di Pulau Jawa mengalami aglomerasi
industri. Di luar Pulau Jawa, provinsi dengan nilai indeks spesialisasi industri diatas
1 hanya terdapat satu provinsi, yaitu Provinsi Kepulauan Riau. Adapun nilai indeks
spesialisasi industri terendah terdapat di Provinsi Maluku Utara, Provinsi Papua
Barat, dan Provinsi Papua dengan masing-masing nilai dibawah 0,5. Pola
63
persebaran indeks spesialisasi industri memiliki kemiripan dengan pola persebaran
densitas IMK. Indeks spesialisasi industri dan densitas IMK relatif lebih tinggi di
Pulau Jawa, Pulau Bali, dan Kepulauan Nusa Tenggara. Selain itu, indeks
spesialisasi industri dan densitas IMK juga sama-sama bernilai sangat rendah di
Pulau Papua. Hal ini dapat mengindikasi adanya hubungan positif antara indeks
spesialisasi industri dan densitas IMK di Indonesia.
Gambar 9. Sebaran indeks spesialisasi industri menurut provinsi tahun 2019
Persentase Jalan Kondisi Baik dan Sedang
Berdasarkan Gambar 10, persentase jalan kondisi baik dan sedang sangat
tinggi di Pulau Jawa. Seluruh provinsi di Pulau Jawa memiliki persentase diatas 78
persen yang menunjukkan kualitas infrastruktur jalan sudah mapan. Provinsi di luar
Pulau Jawa dengan persentase jalan kondisi baik dan sedang sangat tinggi hanya
terdapat satu, yaitu Provinsi Bangka Belitung. Provinsi Papua menjadi provinsi
dengan persentase jalan kondisi baik dan sedang terendah sebesar 51,32 persen.
Pola persebaran dengan persentase jalan kondisi baik dan sedang memiliki
64
kemiripan dengan pola persebaran densitas IMK. Kemiripan pola ini dapat
mengindikasikan adanya potensi pengaruh kualitas infrastruktur jalan terhadap
lokasi industri.
Gambar 10. Sebaran persentase jalan kondisi baik dan sedang menurut provinsi tahun
2019
Rata-Rata Lama Sekolah
Dalam mengukur tingkat pendidikan di Indonesia, dapat digunakan
indikator rata-rata lama sekolah (RLS) menurut provinsi. Berdasarkan Gambar 11,
RLS relatif tinggi di Pulau Sumatera. Di Pulau Jawa terdapat 2 provinsi yang relatif
sangat rendah, yaitu Provinsi Jawa Tengah dan Provinsi Jawa Timur. Kedua
provinsi ini memiliki RLS yang sangat rendah, akan tetapi densitas IMK kedua
provinsi tergolong sangat tinggi. Pola yang sama juga terdapat pada Provinsi Nusa
Tenggara Barat dan Nusa Tenggara Timur dengan RLS yang sangat rendah, namun
densitas IMK masih tergolong tinggi. Selain itu, terdapat juga provinsi dengan RLS
yang relatif tinggi tetapi densitas IMK yang rendah seperti Provinsi Kalimantan
65
Utara, Provinsi Kalimantan Timur, Provinsi Maluku, dan Provinsi Maluku Utara.
Kemudian, ditemukan juga pola ketika provinsi tersebut memiliki RLS serta
densitas tinggi seperti Provinsi DKI Jakarta dan Provinsi DI Yogyakarta. Provinsi
DKI Jakarta menjadi provinsi dengan RLS sekaligus densitas IMK yang tertinggi
di Indonesia. Pola lain juga ditemukan ketika RLS dan densitas IMK yang sama-
sama bernilai rendah seperti Provinsi Papua Barat dan Provinsi Papua. Berdasarkan
penjelasan hubungan antara RLS dengan densitas IMK tersebut, terdapat beberapa
provinsi yang sesuai dengan hipotesis, akan tetapi ditemukan juga pola hubungan
yang tidak sesuai dengan hipotesis. Perlu dilakukan analisis lebih lanjut dengan uji
statistik untuk memperoleh kesimpulan yang tepat.
Gambar 11. Sebaran rata-rata lama sekolah dalam tahun menurut provinsi tahun 2019
Pengeluaran per Kapita yang Disesuaikan
Berdasarkan Gambar 12, pengeluaran per kapita relatif tinggi di Pulau Jawa.
Semua provinsi di Pulau Jawa memiliki pengeluaran per kapita yang diatas 11 juta
66
rupiah dalam sebulan. Provinsi DKI Jakarta merupakan provinsi dengan
pengeluaran per kapita tertinggi sebesar 18,52 juta rupiah dalam sebulan.
Pengeluaran per kapita relatif rendah terdapat di wilayah bagian timur seperti
Provinsi Maluku, Maluku Utara, Provinsi Papua, dan Provinsi Papua Barat.
Provinsi Papua menjadi provinsi dengan pengeluaran per kapita terendah sebesar
7,36 juta rupiah dalam sebulan. Selain itu, pengeluaran per kapita juga sangat
rendah di Provinsi Nusa Tenggara Timur. Padahal provinsi tersebut memiliki
densitas IMK yang tergolong tinggi. Namun, jika dilihat secara keseluruhan,
pengeluaran per kapita memiliki pola persebaran yang mirip dengan densitas. Hal
ini menunjukkan adanya kemungkinan pengeluaran per kapita yang berpengaruh
terhadap densitas IMK di Indonesia.
Gambar 12. Sebaran pengeluaran per kapita yang disesuaikan terhadap paritas daya
beli per tahun dalam ribuan rupiah menurut provinsi tahun 2019
67
Rata-Rata Tingkat Bunga Tetap Koperasi Simpan Pinjam
Berdasarkan Gambar 13, rata-rata tingkat bunga tetap KSP di Indonesia
relatif tinggi di Pulau Kalimantan dan Pulau Sulawesi. Provinsi Sulawesi Utara
memiliki rata-rata tingkat bunga tetap tertinggi di Indonesia sebesar 3,46 persen.
Walaupun tingkat bunga tetap sangat tinggi, namun densitas IMK juga tergolong
tinggi di Provinsi Sulawesi Utara. Pola yang sama juga dapat terlihat di Provinsi
Banten dan Provinsi DKI Jakarta. Selain itu, Provinsi Papua memiliki rata-rata
tingkat bunga tetap yang sangat rendah, namun densitas IMK-nya juga rendah. Hal
ini dapat mengindikasikan bahwa tingkat bunga tetap tidak begitu mempengaruhi
densitas IMK secara khusus di provinsi-provinsi tersebut. Namun apabila dilihat
secara keseluruhan, tingkat bunga tetap masih berpotensi memengaruhi densitas
IMK. Di Pulau Kalimantan, tingkat bunga tetap relatif tinggi, akan tetapi densitas
IMK tergolong rendah. Hal yang juga terjadi di Provinsi Maluku, Provinsi Maluku
Utara, dan Provinsi Papua Barat dengan tingkat bunga tetap relatif tinggi, namun
densitas IMK tergolong rendah. Beberapa provinsi juga ditemukan dengan pola
hubungan tingkat bunga tetap relatif rendah dan densitas IMK tergolong tinggi
seperti Provinsi DI Yogyakarta, Provinsi Jawa Tengah, Provinsi Jawa Timur,
Provinsi Bali, Provinsi NTT dan Provinsi NTB. Hal ini mengindikasikan adanya
hubungan negatif antara rata-rata tingkat bunga tetap KSP dan densitas IMK di
Indonesia.
68
Gambar 13. Sebaran rata-rata tingkat bunga tetap KSP dalam persen menurut provinsi
tahun 2019
4.2 Eksplorasi Data
Pada penelitian ini, eksplorasi data dilakukan terlebih dahulu sebelum
melakukan pemodelan analisis regresi. Hal ini dilakukan untuk mendeteksi masalah
pada data yang mungkin dapat membuat asumsi regresi tidak terpenuhi. Eksplorasi
data dilakukan dengan mengidentifikasi kenormalan distribusi variabel dependen
dan hubungan linier antara variabel dependen dan variabel independen.
Salah satu cara mengidentifikasi kenormalan distribusi variabel ialah
dengan menggunakan grafik histogram dan density plot. Berdasarkan Gambar 14,
histogram dan density plot menunjukkan densitas IMK sangat tidak normal dan
memiliki kemencengan positif yang tinggi. Adanya kemencengan yang sangat
besar ini juga mengindikasikan adanya pencilan dengan nilai ekstrim.
Kenormalan distribusi variabel juga dapat diuji dengan menggunakan uji
normalitas Jarque-Bera. Berdasarkan Tabel 2, uji normalitas Jarque-Bera
69
memberikan keputusan tolak 𝐻𝑜 sehingga terdapat bukti jika densitas IMK tidak
berdistribusi normal dengan nilai statistik yang sangat tinggi.
Gambar 14. Histogram dan density plot variabel densitas IMK.
Tabel 2. Uji normalitas Jarque-Bera pada variabel densitas IMK
Uji 𝐽𝐵 2 p-value
𝜒(0,05;2)
(1) (2) (3) (4)
Jarque-Bera Test 298,26 5,9915 0,0000
Chatterjee dan Hadi (2012) menyarankan ketika sebuah variabel memiliki
distribusi yang sangat menceng, variabel tersebut perlu ditransformasi sebelum
melakukan analisis regresi. Untuk variabel dengan kemencengan yang parah,
70
Chatterjee dan Hadi (2012) merekomendasikan untuk menggunakan transformasi
logaritma. Transformasi logaritma hanya dapat digunakan pada data bernilai positif
dan tidak dapat dilakukan jika terdapat nilai negatif.
Transformasi logaritma natural dapat dilakukan pada densitas IMK karena
seluruh observasi bernilai positif. Berdasarkan Gambar 15, setelah dilakukan
transformasi logaritma natural, densitas IMK terlihat mendekati distribusi normal.
Nilai ekstrim juga terlihat telah teratasi setelah dilakukan transformasi logaritma
natural.
Gambar 15. Histogram dan density plot variabel densitas IMK setelah transformasi.
Berdasarkan Tabel 3, kesimpulan uji normalitas Jarque-Bera menolak 𝐻0
sehingga terdapat bukti densitas IMK setelah ditransformasi telah berdistribusi
71
normal. Penggunaan transformasi logaritma natural dapat mengatasi permasalahan
ketidaknormalan pada data densitas IMK.
Tabel 3. Uji normalitas Jarque-Bera pada variabel densitas IMK setelah transformasi
Uji 𝐽𝐵 2 p-value
𝜒(0,05;2)
(1) (2) (3) (4)
Jarque-Bera Test 0,23057 5,9915 0,8911
Hal lain yang perlu diperhatikan sebelum melakukan pemodelan regresi
linier ialah linieritas antara variabel dependen dan variabel independen. Salah satu
asumsi standar dalam analisis regresi ialah bahwa model yang menggambarkan data
harus linier (Chatterjee & Hadi, 2012). Linieritas dapat dilihat dengan
menggunakan scatter plot antara variabel dependen dan variabel independen.
Pada Gambar 16, grafik scatter plot antara variabel densitas IMK terhadap
masing-masing variabel independen mengindikasikan bahwa terdapat hubungan
yang nonlinier. Berdasarkan grafik scatter plot, bentuk hubungan yang
memungkinkan antara variabel densitas IMK terhadap masing-masing variabel
independen ialah hubungan eksponensial. Hal ini dapat mengindikasi kemungkinan
asumsi linieritas tidak terpenuhi ketika melakukan regresi linier. Selain itu, pencilan
ditemukan pada masing-masing grafik scatter plot. Adanya pencilan dapat
berpotensi menjadi masalah saat melakukan analisis regresi linier
Menurut Chatterjee dan Hadi (2012), ada beberapa model regresi nonlinier
dengan transformasi yang sesuai dapat menjadi linier. Salah satu model nonlinier
yang dapat ditransformasi menjadi linier ialah model eksponensial. Hal ini
dilakukan dengan transformasi logaritma natural pada variabel dependen.
72
Gambar 16. Scatter plot variabel densitas IMK terhadap masing-masing variabel
independen.
Gambar 17. Scatter plot variabel densitas IMK setelah transformasi variabel dependen
terhadap masing-masing variabel independen.
73
Berdasarkan Gambar 17, setelah dilakukan transformasi logaritma natural
pada variabel densitas IMK, grafik scatter plot antara variabel dependen terhadap
masing-masing variabel independen terlihat sudah meningkatkan hubungan linier.
Hal ini menunjukkan transformasi logaritma natural pada variabel dependen terlihat
sudah sesuai dilakukan untuk mencapai linieritas. Model dengan transformasi
logaritma natural pada variabel dependen dapat dipertimbangkan sebagai model
alternatif.
Adanya hubungan nonlinier ini dapat mengakibatkan masalah dalam
analisis regresi karena spesifikasi model yang tidak sesuai. Menurut Anselin
(1988), dalam regresi spasial, adanya bentuk lain dari kesalahan spesifikasi selain
autokorelasi spasial residual akan mempengaruhi sifat dari berbagai pengujian dan
estimator khususnya yang relevan dalam hal ini adalah potensi non-normalitas,
heteroskedastisitas dan kesalahan spesifikasi persamaan fungsional. Untuk
mengidentifikasi adanya kesalahan bentuk fungsional persamaan regresi, dapat
dilakukan uji RESET Ramsey. Model yang digunakan untuk menguji kesalahan
spesifikasi pada uji RESET Ramsey ialah model regresi linier berganda sebagai
berikut :
𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾𝑖 = 𝛽0 + 𝛽1 𝑈𝑝𝑎ℎ𝑖 + 𝛽2 𝐼𝑛𝑑𝑒𝑘𝑠 𝑆𝐼𝑖

+ 𝛽3 𝐽𝑎𝑙𝑎𝑛𝑖 + 𝛽4 𝑅𝐿𝑆𝑖 + 𝛽5 𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝑝𝑒𝑟 𝐾𝑎𝑝𝑖𝑡𝑎𝑖 (23)
+ 𝛽6 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐵𝑢𝑛𝑔𝑎 𝑖 + 𝜀𝑖
Tabel 4. Uji RESET Ramsey pada model tanpa transformasi
Uji Nilai Statistik 𝐹2,25 p-value

(1) (2) (3) (3)
RESET test
78,249 3.3852 0,0000
(tanpa transformasi)
74
Berdasarkan Tabel 4, uji RESET Ramsey pada model tanpa transformasi
memberi keputusan menolak 𝐻0 pada taraf signifikansi sebesar 5% (𝛼 = 5%). Hal
ini menunjukkan bahwa terdapat bukti adanya kesalahan spesifikasi persamaan
model regresi. Oleh karena itu, persamaan model ini kemungkinan tidak sesuai dan
perlu digunakan persamaan model lain.
Berdasarkan eksplorasi data, salah satu bentuk model yang dapat
dipertimbangkan ialah model dengan melakukan transformasi logaritma natural
pada variabel dependen. Transformasi logaritma natural pada variabel dependen
dapat membuat distribusi menjadi normal dan mengurangi nilai ekstrim pada data.
Selain itu, transformasi logaritma natural pada variabel dependen juga
meningkatkan linieritas antara variabel dependen dengan variabel independen.
Persamaan regresi dengan transformasi logaritma natural pada variabel dependen
dan hasil uji RESET Ramsey dapat ditulis sebagai berikut :
𝑙𝑛(𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾)𝑖 = 𝛽0 + 𝛽1 𝑈𝑝𝑎ℎ𝑖 + 𝛽2 𝐼𝑛𝑑𝑒𝑘𝑠 𝑆𝐼𝑖

+ 𝛽3 𝐽𝑎𝑙𝑎𝑛𝑖 + 𝛽4 𝑅𝐿𝑆𝑖 + 𝛽5 𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝑝𝑒𝑟 𝐾𝑎𝑝𝑖𝑡𝑎𝑖 (24)
+ 𝛽6 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐵𝑢𝑛𝑔𝑎 𝑖 + 𝜀𝑖
Tabel 5. Uji RESET Ramsey pada model setelah transformasi
Uji Nilai Statistik 𝐹2,25 p-value

(1) (2) (3) (3)
RESET test
1.2243 3.3852 0.3110
(setelah transformasi)
Berdasarkan Tabel 5, uji RESET pada model setelah transformasi memberi
keputusan gagal menolak 𝐻0 pada taraf signifikansi sebesar 5% (𝛼 = 5%). Hal ini
menunjukkan bahwa tidak terdapat cukup bukti adanya kesalahan spesifikasi
persamaan model regresi. Oleh karena itu, persamaan model dengan transformasi
75
logaritma natural pada variabel dependen sudah sesuai dan dapat dilanjutkan ke
tahap analisis berikutnya.
4.3 Pemodelan Faktor-Faktor memengaruhi Densitas Industri Mikro dan
Kecil dengan Analisis Regresi Spasial
Salah satu tujuan dari penelitian ini ialah mengidentifikasi faktor-faktor
yang memengaruhi densitas IMK. Pengidentifikasian ini dilakukan untuk mencari
penyebab ketimpangan IMK antarprovinsi di Indonesia tahun 2019. Adapun faktor-
faktor yang diduga berpengaruh terhadap densitas IMK, yaitu rata-rata upah buruh,
indeks spesialisasi industri, persentase jalan dengan kondisi baik dan sedang, rata-
rata lama sekolah, pengeluaran per kapita yang telah disesuaikan dengan paritas
daya beli, dan rata-rata tingkat bunga koperasi simpan pinjam.
Dalam analisis regresi spasial, tahap awal yang harus dilakukan terlebih
dahulu ialah menyusun matriks pembobot spasial. Pada penelitian ini, penyusunan
matriks pembobot spasial menggunakan teknik customized berdasarkan queen’s
contiguity dan hubungan perdagangan antarprovinsi. Hubungan perdagangan
antarprovinsi diperoleh berdasarkan publikasi BPS yang berjudul “Perdagangan
Antar Wilayah Indonesia 2019”. Dalam publikasi tersebut, terdapat peta
perdagangan antarwilayah yang digunakan sebagai dasar dalam menyusun matriks
pembobot spasial pada penelitian ini. Penggunaan hubungan perdagangan
antarwilayah ini dikarenakan adanya IMK yang memperoleh bahan baku dari
provinsi lain atau melakukan pemasaran hasil produksi di provinsi lain. Oleh karena
itu, untuk memperhitungkan hal tersebut, digunakan hubungan perdagangan
76
antarwilayah dalam menyusun matriks pembobot spasial. Konektivitas keterkaitan
spasial antarprovinsi dapat direpresentasikan pada Gambar 18.
Gambar 18. Konektivitas keterkaitan spasial antarprovinsi
Setelah menyusun matriks pembobot spasial, tahap berikutnya ialah
pemodelan persamaan umum regresi spasial. Model spasial lag (SAR) digunakan
jika 𝜆 = 0. Model spasial error (SEM) digunakan jika 𝜌 = 0. Model regresi linier
berganda (RLB) digunakan jika 𝜆 = 0 dan 𝜌 = 0. Model akhir akan dipilih dengan
menguji signifikansi parameter spasial 𝜌 dan 𝜆 menggunakan uji dependensi spasial
Lagrange Multiplier (LM). Model umum regresi spasial dengan transformasi
logaritma natural pada pada variabel dependen dapat dituliskan sebagai berikut :
𝑛
𝑙𝑛(𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾𝑖 ) = 𝜌 ∑ 𝑤𝑖 𝑙𝑛(𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾𝑖 ) + 𝛽0

𝑗=1,𝑖≠𝑗
+ 𝛽1 𝑈𝑝𝑎ℎ𝑖 + 𝛽2 𝐼𝑛𝑑𝑒𝑘𝑠 𝑆𝐼𝑖 + 𝛽3 𝐽𝑎𝑙𝑎𝑛𝑖 + 𝛽4 𝑅𝐿𝑆𝑖
(25)
+ 𝛽5 𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝑝𝑒𝑟 𝐾𝑎𝑝𝑖𝑡𝑎𝑖
𝑛
𝑗=1,𝑖≠𝑗
77
Model regresi dapat dipilih berdasarkan hasil uji dependensi spasial
menggunakan Moran’s I dan Lagrange Multiplier (LM). Uji Moran’s I digunakan
untuk mengidentifikasi adanya autokorelasi spasial pada residual model regresi
linier berganda. Apabila terdapat autokorelasi spasial pada residual, maka dapat
dilanjutkan dengan uji Lagrange Multiplier (LM) untuk menentukan model yang
akan digunakan.
Tabel 6. Uji Moran I dan Lagrange Multiplier.
Uji Nilai Statistik p-value

(1) (2) (3)
Moran’s I (Densitas IMK) 0,2008 0,0073
Moran’s I (ln Densitas IMK) 0,6029 0,0000
Moran’s I (Residual) 3,8894 0,0001
LM-Lag 2,8083 0,09378
RLM-Lag 0,4423 0,506
LM-Error 8,5158 0,0035
RLM-Error 6,1497 0,01314
Berdasarkan Tabel 6, uji Moran’s I pada variabel densitas IMK baik
sebelum dan setelah transformasi menunjukkan nilai statistik Moran’s I positif dan
signifikan pada taraf signifikansi sebesar 5% (𝛼 = 5%). Nilai positif ini
menunjukkan bahwa nilai densitas IMK di suatu provinsi cenderung mirip dengan
nilai tetangganya dan yang memiliki hubungan perdagangan. Selain itu, uji
Moran’s I yang dilakukan pada residual menunjukkan keputusan menolak 𝐻0 pada
taraf signifikansi sebesar 5% (𝛼 = 5%) maka terdapat bukti bahwa residual
78
memiliki autokorelasi spasial. Karena adanya autokorelasi spasial pada residual
maka uji Lagrange Multiplier dapat dilanjutkan untuk memilih model regresi. Pada
taraf signifikansi sebesar 5% (𝛼 = 5%), uji Lagrange Multiplier untuk spasial
error (LM-Error) memberi kesimpulan untuk menolak 𝐻0 sedangkan uji Lagrange
Multiplier untuk spasial lag (LM-Lag) memberi kesimpulan gagal menolak 𝐻0 . Hal
ini menunjukkan model regresi yang sesuai untuk memodelkan densitas IMK yang
telah ditransformasi dengan logaritma natural ialah model regresi spasial error atau
spatial error model (SEM).
4.4 Estimasi Parameter Model Regresi Spasial Error (SEM) dan
Pengujian Asumsi
Berdasarkan hasil uji Lagrange Multiplier model yang sesuai ialah model
regresi spasial error (SEM). Persamaan model regresi spasial error dapat diperoleh
dari persamaan umum model regresi spasial dengan nilai 𝜌 = 0 dan 𝜆 ≠ 0.
Persamaan tersebut dapat dituliskan sebagai berikut :
𝑙𝑛(𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠 𝐼𝑀𝐾)𝑖 = 𝛽0 + 𝛽1 𝑈𝑝𝑎ℎ𝑖 + 𝛽2 𝐼𝑛𝑑𝑒𝑘𝑠 𝑆𝐼𝑖 + 𝛽3 𝐽𝑎𝑙𝑎𝑛𝑖

+ 𝛽4 𝑅𝐿𝑆𝑖 + 𝛽5 𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝑝𝑒𝑟 𝐾𝑎𝑝𝑖𝑡𝑎𝑖
𝑛
(26)
𝑗=1,𝑖≠𝑗
Estimasi parameter model regresi spasial error dapat dilakukan dengan
menggunakan metode estimasi maximum likelihood. Oleh karena itu, dalam
menguji signifikansi parameter secara parsial menggunakan uji Wald. Hasil
estimasi parameter model regresi linier berganda dan model regresi spasial error
terdapat pada Tabel 7.
79
Tabel 7. Hasil estimasi parameter model regresi spasial error (SEM)
Keputusan
Variabel Independen Koefisien Std Error P-value
(𝛼 = 5%)
(1) (2) (3) (4) (5)
Gagal Tolak
Constant -0.7170 1.0576 0.4978
𝐻0
Rata-Rata Upah Buruh (𝑋1 ) -1.1057 0.2180 0.0000 Tolak 𝐻0
Indeks Spesialisasi Industri (𝑋2 ) 1.8815 0.3630 0.0000 Tolak 𝐻0
Persentase Jalan Baik Dan
0.0566 0.0144 0.0001 Tolak 𝐻0
Sedang (𝑋3 )
Gagal Tolak
Rata- Rata Lama Sekolah (𝑋4 ) 0.1629 0.1632 0.3182
𝐻0
Pengeluaran Per Kapita
0.0003 0.0001 0.0006 Tolak 𝐻0
Disesuaikan (𝑋5 )
Rata-Rata Tingkat Bunga Tetap
-0.4781 0.1885 0.0112 Tolak 𝐻0
KSP (𝑋6 )
Lamda (𝜆) 0,6587 0,1292 0.0000 Tolak 𝐻0
Berdasarkan Tabel 7, variabel-variabel yang berpengaruh signifikan
terhadap densitas IMK dengan menggunakan model spasial error antara lain rata-
rata upah buruh, indeks spesialisasi industri, persentase jalan dengan kondisi baik
dan sedang, pengeluaran per kapita yang telah disesuaikan dengan paritas daya beli,
dan rata-rata tingkat bunga koperasi simpan pinjam. Hanya satu variabel yang tidak
berpengaruh terhadap densitas IMK, yaitu rata-rata lama sekolah. Persamaan model
regresi spasial error dapat ditulis sebagai berikut :
̂ 𝐼𝑀𝐾)𝑖 = −0,7170 − 1,1057𝑈𝑝𝑎ℎ𝑖 + 1,8815 𝐼𝑛𝑑𝑒𝑘𝑠 𝑆𝐼𝑖

𝑙𝑛(𝐷𝑒𝑛𝑠𝑖𝑡𝑎𝑠
+ 0,0566 𝐽𝑎𝑙𝑎𝑛𝑖 + 0,1629 𝑅𝐿𝑆𝑖
+ 0,0003 𝑃𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 𝑝𝑒𝑟 𝐾𝑎𝑝𝑖𝑡𝑎𝑖 (27)
𝑛
− 0,4781 𝑇𝑖𝑛𝑔𝑘𝑎𝑡 𝐵𝑢𝑛𝑔𝑎 𝑖 + 0,6587 ∑ 𝑤𝑖 𝑢𝑖

𝑗=1,𝑖≠𝑗
Sebelum melakukan interpretasi hasil estimasi parameter, perlu dilakukan
terlebih dahulu uji asumsi pada model terpilih, yaitu model regresi spasial error.
80
Pengujian asumsi dilakukan untuk melihat model yang digunakan sudah sesuai atau
belum. Uji asumsi tersebut antara lain normalitas, homoskedastisitas,
multikolinearitas, dan autokorelasi spasial.
Tabel 8. Uji asumsi normalitas, homoskedastisitas, multikolinearitas, dan autokorelasi

spasial
Uji Nilai Statistik Nilai Tabel p-value

(1) (2) (3) (4)
2
Jarque-Bera Test 1,3068 𝜒(0,05;2) = 5,9915 0,5203
2
Breusch-Pagan test 1,977 𝜒(0,05;2) = 5,9915 0,5203
Moran’s I -0,0284 𝑍0,05⁄ = 1,96 0,4941
2
Pengujian asumsi pada model regresi spasial error perlu dilakukan untuk
melihat model yang digunakan sudah sesuai atau belum. Uji asumsi tersebut antara
lain normalitas, homoskedastisitas, autokorelasi spasial, dan multikolinearitas.
Berdasarkan Tabel 8, uji normalitas Jarque-Bera memberi keputusan gagal
menolak 𝐻0 pada taraf signifikansi sebesar 5% (𝛼 = 5%). Hal ini menunjukkan
bahwa terdapat bukti residual berdistribusi normal sehingga asumsi normalitas
sudah terpenuhi. Selain itu, uji Breusch-Pagan juga memberi keputusan gagal
menolak 𝐻0 pada taraf signifikansi sebesar 5% (𝛼 = 5%). Hal ini menunjukkan
bahwa terdapat bukti varians residual bersifat konstan pada setiap observasi
sehingga asumsi homoskedastisitas sudah terpenuhi. Kemudian, uji Moran’s I
memberi keputusan gagal menolak 𝐻0 pada taraf signifikansi sebesar 5% (𝛼 =
5%). Hal ini menunjukkan bahwa terdapat bukti residual sudah tidak berkorelasi
sehingga asumsi autokorelasi spasial pada residual sudah terpenuhi.
81
Pengujian asumsi multikolinearitas pada variabel independen dapat
dilakukan dengan menggunakan VIF. Asumsi multikolinearitas terpenuhi apabila
tidak ada nilai VIF diatas 10. Berdasarkan Tabel 9, nilai VIF tertinggi terdapat pada
variabel pengeluaran per kapita disesuaikan sebesar 3,615. Nilai VIF tertinggi
dibawah 10 mengindikasi bahwa asumsi multikolinearitas sudah terpenuhi.
Tabel 9. Variance Inflation Factors
Variabel Independen 𝑉𝐼𝐹

(1) (2)
Rata-Rata Upah Buruh (𝑋1 ) 1,385
Indeks Spesialisasi Industri (𝑋2 ) 1,558
Persentase Jalan Baik Dan Sedang (𝑋3 ) 2,589
Rata- Rata Lama Sekolah (𝑋4 ) 1,961
Pengeluaran Per Kapita Disesuaikan (𝑋5 ) 3,615
Rata-Rata Tingkat Bunga Tetap KSP (𝑋6 ) 1,253
4.5 Variabel-Variabel yang Memengaruhi Densitas IMK di Indonesia

Tahun 2019
Berdasarkan uji signifikansi parameter dengan menggunakan uji Wald pada
model spasial error, terdapat lima dari enam variabel independen yang berpengaruh
signifikan terhadap densitas IMK antara lain rata-rata upah buruh, indeks
spesialisasi industri, persentase jalan dengan kondisi baik dan sedang, pengeluaran
per kapita yang telah disesuaikan dengan paritas daya beli, dan rata-rata tingkat
bunga tetap koperasi simpan pinjam. Variabel yang tidak berpengaruh signifikan
terhadap densitas IMK ialah rata-rata lama sekolah. Selain itu, parameter spasial
82
error 𝜆 juga berpengaruh signifikan terhadap densitas IMK. Pengaruh signifikan
ini menunjukkan bahwa terdapat pengaruh residual secara spasial terhadap densitas
IMK. Dengan kata lain adanya variabel diluar model yang berpengaruh terhadap
densitas IMK di suatu provinsi dan umum terjadi di antara tetangga provinsi
tersebut.
Rata-rata upah buruh memiliki pengaruh negatif terhadap densitas IMK di
Indonesia. Pengaruh negatif dari rata-rata upah buruh menunjukkan bahwa semakin
tinggi upah di suatu provinsi akan menurunkan densitas IMK atau dengan kata lain
jumlah usaha IMK yang berlokasi di daerah tersebut relatif sedikit. Hal ini sesuai
dengan teori Weber (1929) yang berpendapat bahwa upah tenaga kerja merupakan
faktor yang memengaruhi lokasi industri. Selain itu, penelitian yang dilakukan
Takano, Tsutsumi, & Kikukawa (2018) juga memberi hasil upah tenaga kerja
berpengaruh negatif terhadap lokasi industri.
Indeks spesialisasi industri memiliki pengaruh positif terhadap densitas
IMK di Indonesia. Indeks spesialisasi industri merepresentasikan aglomerasi
industri di suatu provinsi. Hal ini menunjukkan bahwa densitas IMK semakin tinggi
di provinsi dengan tingkat aglomerasi industri yang tinggi. Hasil temuan ini sesuai
dengan teori Weber (1929) bahwa aglomerasi merupakan faktor penentu lokasi
industri. Penelitian yang dilakukan An dan Wan (2019) juga memperoleh hasil
temuan yang sama.
Persentase jalan dengan kondisi baik dan sedang memiliki pengaruh positif
terhadap densitas IMK di Indonesia. Persentase jalan dengan kondisi baik dan
sedang menunjukkan kualitas infrastruktur jalan di suatu provinsi. Pengaruh positif
dari variabel ini menunjukkan semakin tinggi persentase jalan dengan kondisi baik
83
dan sedang, semakin tinggi juga densitas IMK di provinsi tersebut. Dengan kata
lain, kualitas infrastruktur jalan yang mapan di suatu provinsi dapat meningkatkan
usaha IMK untuk berlokasi di provinsi tersebut.
Variabel yang tidak berpengaruh signifikan terhadap densitas IMK ialah
rata-rata lama sekolah. Variabel rata-rata lama sekolah kemungkinan tidak
berpengaruh terhadap densitas IMK di Indonesia karena adanya hubungan tarik-
ulur atau trade-off antara keterampilan tenaga kerja terhadap upah tenaga kerja.
Pengusaha harus memilih antara tenaga kerja terampil dengan upah yang tinggi atau
tenaga kerja kurang terampil dengan upah yang rendah. Usaha/perusahaan IMK
umumnya hanya memiliki modal finansial yang kecil sehingga usaha/perusahaan
IMK relatif memilih tenaga kerja kurang terampil agar upah tenaga kerja rendah.
Hal ini juga menjadi alasan karakteristik tenaga kerja sektor IMK dominan
merupakan penduduk berpendidikan SMA ke bawah. Pengeluaran per kapita
memiliki pengaruh positif yang signifikan terhadap densitas IMK di Indonesia.
Variabel ini digunakan untuk mengukur tingkat konsumsi di suatu provinsi.
Pengaruh positif dari variabel ini menunjukkan bahwa IMK relatif berlokasi di
provinsi dengan tingkat konsumsi yang tinggi. Hal ini sesuai dengan pendapat
Harington dan Warf (2002) bahwa salah satu faktor penentu lokasi industri dalam
memaksimalkan pendapatan adalah karakteristik pasar. Selain itu, penelitian An
dan Wan (2019) juga menunjukkan tingkat konsumsi pasar memiliki pengaruh
positif terhadap lokasi industri kecil di Korea.
Variabel independen terakhir yang berpengaruh signifikan ialah rata-rata
tingkat bunga tetap koperasi simpan pinjam. Hasil temuan ini sesuai dengan
pendapat Harrington dan Warf (2002) bahwa tingkat bunga sebagai modal finansial
84
masih dapat menjadi faktor lokasi selama hal tersebut bisa menjadi sumber
keuntungan untuk berproduksi di suatu lokasi daripada yang lain. Variabel ini
memiliki pengaruh negatif terhadap densitas IMK di Indonesia. Hal ini
menunjukkan bahwa IMK relatif berlokasi di provinsi dengan tingkat bunga
koperasi yang rendah.
Variabel yang tidak berpengaruh signifikan terhadap densitas IMK ialah
rata-rata lama sekolah. Variabel rata-rata lama sekolah kemungkinan tidak
berpengaruh terhadap densitas IMK di Indonesia karena adanya tarik-ulur atau
trade-off antara keterampilan tenaga kerja dan upah tenaga kerja. Pengusaha harus
memilih antara tenaga kerja terampil dengan upah yang tinggi atau tenaga kerja
kurang terampil dengan upah yang rendah. Usaha/perusahaan IMK relatif memiliki
modal finansial yang kecil sehingga usaha/perusahaan IMK relatif memilih tenaga
kerja kurang terampil dengan upah yang rendah. Hal ini juga menjadi alasan
karakteristik tenaga kerja sektor IMK dominan merupakan penduduk
berpendidikan SMA ke bawah.
85
86
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil penelitian yang dibahas sebelumnya, terdapat beberapa
kesimpulan untuk menjawab tujuan penelitian sebagai berikut :
1. Persebaran industri mikro dan kecil (IMK) mengalami ketimpangan
antarprovinsi di Indonesia. Dilihat berdasarkan secara jumlah usaha
maupun densitas berdasarkan wilayah provinsi, IMK relatif berpusat di
pulau Jawa. Selain itu, IMK sangat rendah di wilayah bagian timur
khususnya Pulau Papua.
2. Uji Moran’s I pada densitas IMK menunjukkan adanya keterkaitan
spasial positif antarprovinsi di Indonesia berdasarkan matriks pembobot
spasial dengan teknik customized antara queen’s contiguity dan
hubungan perdagangan antarprovinsi. Hal ini menunjukkan nilai
densitas IMK di suatu provinsi cenderung mirip dengan provinsi lain
yang memiliki hubungan ketetanggaan atau hubungan perdagangan.
3. Dengan menggunakan model regresi spasial error, terdapat lima dari
enam variabel independen yang berpengaruh signifikan terhadap
densitas IMK. Variabel indeks spesialisasi industri, persentase jalan
dengan kondisi baik dan sedang, pengeluaran per kapita yang telah
disesuaikan dengan paritas daya beli memiliki pengaruh positif terhadap
densitas IMK sedangkan rata-rata upah buruh dan rata-rata tingkat
87
bunga tetap koperasi simpan pinjam memiliki pengaruh negatif terhadap
densitas IMK.
5.2 Saran
Berdasarkan kesimpulan dari penelitian ini, terdapat beberapa saran yang
diajukan oleh penulis sebagai berikut :
1. Pemerintah perlu meningkatkan kualitas infrastruktur jalan secara
merata antarprovinsi. Kualitas infrastruktur jalan sangat tinggi di pulau
Jawa akan tetapi, sangat rendah di Pulau Papua. Hal ini menjadi salah
satu penyebab ketimpangan usaha/perusahaan IMK di Indonesia.
2. Pemerintah harus berfokus membangun kawasan industri di luar Pulau
Jawa. Membangun kawasan industri dapat meningkatkan aglomerasi
industri yang menjadi daya tarik pengusaha untuk berlokasi di wilayah
tersebut. Dengan berfokus membangun kawasan industri di luar Pulau
Jawa, maka dapat mengecilkan disparitas industri khususnya IMK
antara Pulau Jawa dan di luar Pulau Jawa.
3. Di Indonesia, IMK dominan merupakan usaha informal sehingga
penentuan upah tenaga kerja tidak selalu berpatokan pada upah
minimum. Oleh karena itu, dalam mengurangi pengeluaran upah tenaga
kerja, pemerintah dapat memberi bantuan finansial bagi pengusaha
IMK. Selain itu, pemerintah juga perlu berupaya dalam mengurangi
usaha informal di sektor IMK.
88
4. Pemerintah perlu meningkatkan daya beli masyarakat untuk menambah
jumlah pengusaha IMK khususnya di provinsi dengan densitas IMK
rendah. Walaupun meningkatkan upah dapat meningkatkan pengeluaran
masyarakat, namun ada beberapa upaya yang dapat meningkatkan daya
beli masyarakat. Salah satu upaya yang dapat dilakukan ialah dengan
pemotongan pajak baik pajak langsung maupun pajak tidak langsung.
Pemotongan pajak langsung dapat meningkatkan pendapatan yang dapat
dibelanjakan (disposable income) sedangkan pemotongan tidak pajak
langsung dapat menurunkan harga barang sehingga daya beli
masyarakat meningkat.
5. Koperasi simpan pinjam dikelola secara mandiri oleh anggotanya. Oleh
karena itu, pemerintah perlu memberi bantuan dalam mengembangkan
koperasi secara merata antarprovinsi di Indonesia. Hal ini dikarenakan
koperasi simpan pinjam (KSP) memiliki peran penting bagi usaha kecil
khususnya IMK sebagai bantuan finansial.
6. Bagi pengusaha IMK, penting untuk meninjau lokasi industri untuk
keberlanjutan usaha. Pemilihan lokasi yang sesuai perlu dilakukan untuk
meminimalisir pengeluaran biaya dan memaksimalkan pendapatan.
Selain itu, perdagangan antarwilayah juga perlu dimanfaatkan oleh
pengusaha IMK untuk memperluas pemasaran dan meningkatkan
pendapatan. Kemudian, pengusaha IMK dapat menjalin kemitraan
dengan koperasi khususnya koperasi simpan pinjam untuk memperoleh
bantuan finansial dan keuntungan lainnya.
89
7. Untuk penelitian selanjutnya, dapat digunakan tingkatan wilayah
kabupaten/kota sebagai unit observasi agar dapat menjelaskan
ketimpangan usaha/perusahaan IMK lebih dalam lagi.
90
DAFTAR PUSTAKA
An, Y., & Wan, L. (2019). Monitoring Spatial Changes in Manufacturing Firms in
Seoul Metropolitan Area Using Firm Life Cycle and Locational Factors.
Sustainability, 11(14), 3808.
Anselin, L. (1988). Spatial econometrics: Methods and models. Dordrecht: Kluwer
Academic Publishers.
Anselin, L., Florax, R. J. G. M., & Rey, S. J. (2004). Advances in spatial
econometrics: Methodology, tools and applications. Berlin: Springer-
Verlag.
Badan Pusat Statistik (BPS). (2017). Sensus Ekonomi 2016 Analisis Hasil Listing
Aglomerasi Industri Manufaktur Di Indonesia. Jakarta: BPS RI.
Badan Pusat Statistik (BPS). (2019). Keadaan Angkatan Kerja di Indonesia Agustus
2019. Jakarta: BPS RI
Badan Pusat Statistik (BPS). (2020a). Profil Industri Mikro dan Kecil 2019. Jakarta:
BPS RI
Badan Pusat Statistik (BPS). (2020b). Statistik Indonesia 2020. Jakarta: BPS RI
Badan Pusat Statistik (BPS). (2020c). Statistik Transportasi Darat 2019. Jakarta:
BPS RI
Badan Pusat Statistik (BPS). (2020d). Indeks Pembangunan Manusia 2019. Jakarta:
BPS RI
Badan Pusat Statistik (BPS). (2020e). Perdagangan Antar Wilayah Tahun 2019.
Jakarta: BPS RI
91
Badan Pusat Statistik (BPS). (2021a). Statistik Industri Manufaktur Indonesia 2019.
Jakarta: BPS RI.
Badan Pusat Statistik (BPS). (2021b). Statistik Koperasi Simpan Pinjam 2020.
Jakarta: BPS RI
Capello, R. & Nijkamp, P. (2009). Handbook of Regional Growth and Development
Theories. Cheltenham: Edward Elgar Publishing Limited
Chatterjee, S., & Hadi, A. S. (2012). Regression Analysis by Example (5th ed.).
Hoboken: John Wiley & Sons.
Chin, J. T. (2020). Location Choice of New Business Establishments:
Understanding the Local Context and Neighborhood Conditions in the
United States. Sustainability, 12(2), 501.
Dent, B. D., Torguson, J., & Hodler, T. W. (2009). Cartography: Thematic map
design (6th ed.). New York : McGraw-Hill Higher Education
Drukker, D. M., Peng, H., Prucha, I. R., & Raciborski, R. (2013). Creating and
Managing Spatial-Weighting Matrices with the Spmat Command. The Stata
Journal, 13(2), 242–286.
Firmansyah, A. A., & Muchlisoh, S. (2021). Faktor-Faktor yang Memengaruhi
Pendapatan Industri Mikro Kecil di Indonesia Tahun 2017 - 2019 [Skripsi].
Jakarta: Politeknik Statistika STIS.
Fischer, M. M. & Getis, A. (2010). Handbook of Applied Spatial Analysis :
Software Tools, Methods and Applications. Berlin: Springer-Verlag.
Gujarati, D. N. (2011). Econometrics by example. Basingstoke: Palgrave
Macmillan.
92
Harrington, J.W. & Warf, B. (2002). Industrial Location: Principles, Practice, and
Policy. London: Routledge.
LeSage, J., & Pace, R.K. (2009). Introduction to Spatial Econometrics. Boca Raton:
Taylor & Francis
Muhtamil, M. (2017). Pengaruh Perkembangan Industri Terhadap Penyerapan
Tenaga Kerja di Provinsi Jambi. Jurnal Perspektif Pembiayaan Dan
Pembangunan Daerah, 4(3), 199 - 206.
Neter, J., Wasserman, W., & Kutner, M. H. (1983). Applied linear regression
models. Homewood, Illinois: R.D. Irwin.
Patterson, K. D., & Mills, T. C. (2009). Palgrave handbook of econometrics (Vol.
2). Basingstoke, England: Palgrave Macmillan.
RI (Republik Indonesia). (2020). Lampiran Peraturan Presiden Republik Indonesia
Nomor 18 Tahun 2020 Tentang Rencana Pembangunan Jangka Menengah
Nasional Tahun 2020-2024. Peraturan Presiden Nomor: 18 Tahun 2020.
Sekretariat Negara. Jakarta
Rostiana, E. & Djulius, H. (2019). Micro, Small, and Medium Scale Industry as
Means of Poverty Reduction. Proceedings of the 1st International
Conference on Economics, Business, Entrepreneurship, and Finance
(ICEBEF 2018), 347-351.
Sarwoko, E. (2009). Analisis Peranan Koperasi Simpan Pinjam/Unit Simpan
Pinjam Dalam Upaya Pengembangan Umkm Di Kabupaten Malang. Jurnal
Ekonomi Modernisasi, 5(3), 172-188.
Santoso, E & Wilantari, R. N. (2017). Geographical Pattern of Economic Activities:
an Evidence from Large and Medium Manufacturing Industries in
93
Indonesia. IOP Conference Series: Earth and Environmental Science
328(1), 12-38.
Todaro, Michael P. & Smith, Stephen C. (2015). Economic Development (12th ed.).
Newyork: Pearson.
Tambunan, T. (2012). Usaha mikro kecil dan menengah di Indonesia : isu-isu
penting. Jakarta : LP3ES
Takano, K., Tsutsumi, M. and Kikukawa, Y. (2018). SPATIAL MODELING OF
INDUSTRIAL LOCATION DETERMINANTS IN JAPAN: EMPIRICAL
ANALYSIS USING SPATIAL ECONOMETRIC APPROACHES. Review
Urban &Regional Devel, 30, 26-43.
UNDESA (United Nations Department of Economic and Social Affairs). (2020).
Micro, Small and Medium sized Enterprises (MSMEs) and their role in
achieving the Sustainable Development Goals (SDGs). Diakses pada 5 Mei
2022 https://sdgs.un.org/publications/micro-small-and-medium-sized-
enterprises-msmes-and-their-role-achieving-sustainable.
Weber, A., & Friedrich, C. J. (1929). Alfred Weber's theory of the location of
industries. Chicago, Ill: The University of Chicago Press.
Webber, M.J. (1985). Industrial Location. Reprint. Edited by Thrall, Grant I. WVU
Research Repository, 2020.
Zhou, M., Yuan, M., Huang, Y., & Lin, K. (2021). Effects of Institutions on Spatial
Patterns of Manufacturing Industries and Policy Implications in
Metropolitan Areas: A Case Study of Wuhan, China. Land, 10(7), 710.
94
LAMPIRAN
Lampiran 1. Matriks Pembobot Spasial
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0.33 0 0.33 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0.25 0 0.25 0.25 0 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
4 0 0.25 0.25 0 0.25 0 0 0 0 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
5 0 0 0.2 0.2 0 0.2 0.2 0 0 0.2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
6 0 0 0 0 0.25 0 0.25 0.25 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
7 0 0 0.25 0 0.25 0.25 0 0.25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
8 0 0 0 0 0 0.33 0.33 0 0 0 0 0 0 0 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0
10 0 0 0 0.33 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 0 0 0.2 0 0 0 0.2 0 0 0 0 0.2 0.2 0 0 0 0 0.2 0 0 0 0 0 0 0
12 0 0 0 0 0 0 0 0 0 0 0.33 0 0.33 0 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
13 0 0 0 0 0 0 0 0 0 0 0 0.33 0 0.33 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
14 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0.14 0.14 0 0 0.14 0.14 0 0 0.14 0.14 0 0 0 0 0.14 0 0 0 0 0 0 0
16 0 0 0 0 0 0 0 0.33 0 0 0.33 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0 0.33 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0 0 0
20 0 0 0 0 0 0 0 0 0.25 0.25 0 0 0 0 0 0 0 0 0 0 0.25 0 0.25 0 0 0 0 0 0 0 0 0 0 0
21 0 0 0 0 0 0 0 0 0 0 0.2 0 0 0 0.2 0 0 0 0 0.2 0 0.2 0.2 0 0 0 0 0 0 0 0 0 0 0
22 0 0 0 0 0 0 0 0 0 0 0.17 0 0 0 0.17 0 0 0 0 0 0.17 0 0.17 0 0 0 0.17 0 0 0.17 0 0 0 0
23 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0.2 0.2 0 0.2 0 0 0 0 0 0.2 0 0 0 0
24 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
25 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0 0 0.33 0 0 0.33 0 0
26 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.17 0 0.17 0.17 0.17 0.17 0 0.17 0 0
27 0 0 0 0 0 0 0 0 0 0 0.17 0 0 0 0.17 0 0 0 0 0 0 0.17 0 0 0 0.17 0 0.17 0 0.17 0 0 0 0
28 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.25 0.25 0 0 0 0.25 0.25 0 0
29 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0.5 0 0 0 0 0 0 0 0
30 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.25 0.25 0 0 0.25 0.25 0 0 0 0 0 0 0
31 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0 0 0 0 0 0 0 0 0.2 0 0 0 0.2 0.2 0.2
32 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.17 0.17 0 0.17 0 0 0.17 0 0.17 0.17
33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0.33 0 0.33
34 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0.33 0.33 0
95
Lampiran 2. Data Variabel Penelitian
No Provinsi 𝑌 ln(𝑌) 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5 𝑋6
1 Aceh 184.48 5.22 2.362 0.55 59.97 9.18 9603 2.27
2 Sumatera Utara 174.23 5.16 2.475 0.66 57.78 9.45 10649 1.43
3 Sumatera Barat 239.72 5.48 2.682 0.63 62.68 8.92 10925 1.20
4 Riau 68.76 4.23 2.800 0.52 60.48 9.03 11255 1.32
5 Jambi 56.25 4.03 2.321 0.37 66.12 8.45 10592 2.22
Sumatera
6 87.68
Selatan 4.47 2.309 0.42 67.30 8.18 10937 2.48
7 Bengkulu 108.77 4.69 2.496 0.39 66.19 8.73 10409 1.41
8 Lampung 274.50 5.61 2.282 0.75 59.09 7.92 10114 2.14
Kep. Bangka
9 138.81
Belitung 4.93 2.937 0.51 79.47 7.98 12959 2.78
Kepulauan
10 207.65
Riau 5.34 4.276 1.59 56.65 9.99 14466 2.71
11 Dki Jakarta 9477.12 9.16 4.463 0.82 95.81 11.06 18527 2.36
12 Jawa Barat 1779.64 7.48 3.338 1.41 79.82 8.37 11152 2.07
13 Jawa Tengah 2781.71 7.93 2.190 1.49 81.83 7.53 11102 1.45
14 D I Yogyakarta 4680.85 8.45 2.312 1.14 78.56 9.38 14394 1.42
15 Jawa Timur 1804.16 7.50 2.480 1.06 78.69 7.59 11739 1.60
16 Banten 1170.86 7.07 3.843 1.61 85.57 8.74 12267 2.94
17 Bali 2787.51 7.93 2.989 1.00 77.05 8.84 14146 1.50
Nusa Tenggara
18 584.10
Barat 6.37 2.340 0.89 69.47 7.27 10640 1.70
Nusa Tenggara
19 287.70
Timur 5.66 2.113 0.68 54.12 7.55 7769 1.48
Kalimantan
20 29.21
Barat 3.37 2.529 0.40 57.56 7.31 9055 1.99
Kalimantan
21 16.58
Tengah 2.81 2.999 0.40 52.07 8.51 11236 1.94
Kalimantan
22 149.06
Selatan 5.00 2.852 0.61 61.23 8.20 12253 1.66
Kalimantan
23 24.83
Timur 3.21 3.906 0.51 61.04 9.70 12359 2.46
Kalimantan
24 9.53
Utara 2.25 3.374 0.53 65.93 8.94 9343 3.04
25 Sulawesi Utara 266.55 5.59 3.315 0.60 69.19 9.43 11115 3.46
Sulawesi
26 138.06
Tengah 4.93 2.456 0.49 52.58 8.75 9604 2.43
Sulawesi
27 277.89
Selatan 5.63 2.855 0.60 62.48 8.26 11118 1.59
Sulawesi
28 129.86
Tenggara 4.87 2.625 0.63 56.61 8.91 9436 1.70
29 Gorontalo 255.08 5.54 2.403 0.52 64.38 7.69 10075 3.00
30 Sulawesi Barat 156.64 5.05 2.161 0.57 51.69 7.73 9235 2.48
31 Maluku 53.30 3.98 2.941 0.61 58.84 9.81 8887 3.20
32 Maluku Utara 44.44 3.79 2.813 0.39 58.43 9.00 8308 2.32
33 Papua Barat 6.55 1.88 3.365 0.26 53.20 7.44 8125 2.52
34 Papua 4.85 1.58 4.001 0.14 51.32 6.65 7336 0.95
96
Lampiran 3. Persamaan model regresi tanpa transformasi pada variabel
dependen
Persamaan.Model.1 = (Densitas.IMK) ~ (Upah.Buruh) + (Indeks.SI) +

(Pers.Jln.Baik.Sedang) + (RLS) + (Pengeluaran.per.Kapita) + (Ting
kat.Bunga.Koperasi)
Persamaan.Model.1
RLB = lm(Persamaan.Model.1,data=spat.data)
Lampiran 4. Uji RESET Ramsey pada model regresi tanpa transformasi

pada variabel dependen
RLB = lm(Persamaan.Model.1,data=spat.data)
RESETtest(RLB)
##
## RESET test
##
## data: RLB
## RESET = 78.249, df1 = 2, df2 = 25, p-value = 1.731e-11
Lampiran 5. Persamaan model regresi setelah transformasi pada variabel

dependen
Persamaan.Model.2 = log(Densitas.IMK) ~ (Upah.Buruh) + (Indeks.SI) + (Pers.Jln.Baik.

Sedang) + (RLS) + (Pengeluaran.per.Kapita) + (Tingkat.Bunga.Koperasi)
Lampiran 6. Uji RESET Ramsey setelah transformasi pada variabel

dependen
RLB.2 = lm(Persamaan.Model.2,data=spat.data)
RESETtest(RLB.2)
##
## RESET test
##
## data: RLB.2
## RESET = 1.2243, df1 = 2, df2 = 25, p-value = 0.311
Lampiran 7. Uji Moran’s I pada variabel dependen
moran.test(Data$Densitas.IMK, listw = listw.wts)

##
## Moran I test under randomisation
##
## data: Data$Densitas.IMK
## weights: listw.wts
##
## Moran I statistic standard deviate = 2.4421, p-value = 0.007302
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.200753707 -0.030303030 0.008952032
97
moran.test(log(Data$Densitas.IMK), listw = listw.wts)
##
##
## data: log(Data$Densitas.IMK)
##
## Moran I statistic standard deviate = 5.015, p-value = 2.652e-07
## 0.60294788 -0.03030303 0.01594469
Lampiran 8. Uji dependensi spasial Moran’s I dan Lagrange Multiplier pada

model regresi setelah transformasi pada variabel dependen
lm.morantest(RLB.2,listw.wts)
##
## Global Moran I for regression residuals
##
## data:
## model: lm(formula = Persamaan.Model.2, data = spat.data)
##
## Moran I statistic standard deviate = 3.8894, p-value = 5.024e-05
## Observed Moran I Expectation Variance
## 0.38977154 -0.08977233 0.01520146
lm.LMtests(RLB.2,listw.wts,test=c("LMlag","LMerr","RLMlag", "RLMerr"))
##
## Lagrange multiplier diagnostics for spatial dependence
##
## data:
##
## LMlag = 2.8083, df = 1, p-value = 0.09378
##
##
##
## data:
##
## LMerr = 8.5158, df = 1, p-value = 0.003521
##
##
##
## data:
98
##
## RLMlag = 0.44227, df = 1, p-value = 0.506
##
##
##
## data:
##
## RLMerr = 6.1497, df = 1, p-value = 0.01314
Lampiran 9. Estimasi parameter model regresi spasial error (SEM)
SEM.2 = errorsarlm(Persamaan.Model.2,data=spat.data, listw.wts)

summary(SEM.2, Nagelkerke = TRUE,Hausman = TRUE)#Lag Error (SEM)
##
## Call:
## errorsarlm(formula = Persamaan.Model.2, data = spat.data, listw = listw.wts)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.04185 -0.42526 -0.03886 0.32764 1.05001
##
## Type: error
## Coefficients: (asymptotic standard errors)
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -7.1699e-01 1.0576e+00 -0.6779 0.4978182
## Upah.Buruh -1.1057e+00 2.1798e-01 -5.0727 3.923e-07
## Indeks.SI 1.8815e+00 3.6295e-01 5.1840 2.172e-07
## Pers.Jln.Baik.Sedang 5.6568e-02 1.4360e-02 3.9391 8.178e-05
## RLS 1.6289e-01 1.6318e-01 0.9982 0.3181689
## Pengeluaran.per.Kapita 3.4101e-04 9.8892e-05 3.4483 0.0005642
## Tingkat.Bunga.Koperasi -4.7812e-01 1.8845e-01 -2.5371 0.0111789
##
## Lambda: 0.6587, LR test value: 11.808, p-value: 0.00058974
## Asymptotic standard error: 0.1292
## z-value: 5.0982, p-value: 3.4288e-07
## Wald statistic: 25.992, p-value: 3.4288e-07
##
## Log likelihood: -29.34549 for error model
## ML residual variance (sigma squared): 0.28287,(sigma: 0.53186)
## Nagelkerke pseudo-R-squared: 0.89842
## Number of observations: 34
## Number of parameters estimated: 9
## AIC: 76.691, (AIC for lm: 86.499)
## Hausman test: -3.6264, df: 7, p-value: 0.82166
99
Lampiran 10. Uji normalitas Jarque-Bera pada residual model SEM
jarque.bera.test(SEM.2$residuals)
##
## Jarque Bera Test
##
## data: SEM.2$residuals
## X-squared = 1.3068, df = 2, p-value = 0.5203
Lampiran 11. Uji homoskedastisitas Breusch-Pagan pada residual model SEM
bptest.Sarlm(SEM.2)
##
## studentized Breusch-Pagan test
##
## data:
## BP = 1.977, df = 6, p-value = 0.9218
Lampiran 12. Uji autokorelasi spasial Moran’s I pada residual model
moran.test(SEM.2$residuals, listw = listw.wts)

##
##
## data: SEM.2$residuals
##
## Moran I statistic standard deviate = 0.014845, p-value = 0.4941
## -0.02841009 -0.03030303 0.01626023
Lampiran 13. Variance Inflation Factors
stargazer(vif(RLB.2), type = "text",

title="VIF",flip = TRUE)
##
## VIF
## ============================
## Upah.Buruh 1.385
## Indeks.SI 1.558
## Pers.Jln.Baik.Sedang 2.589
## RLS 1.961
## Pengeluaran.per.Kapita 3.615
## Tingkat.Bunga.Koperasi 1.253
## ----------------------------
100
Lampiran 14. Hasil Estimasi Model Regresi Spasial Error
𝑛
No. Observasi ln(𝑌)𝑖 ̂𝑖

ln(𝑌) (𝑋𝛽)𝑖 𝜆 ∑ 𝑤𝑖𝑗 𝑢𝑖 𝜀𝑖
𝑖,𝑗=1,𝑖≠𝑗
1 Aceh 5.2175 4.5236 4.7794 -0.2558 0.6940
2 Sumatera Utara 5.1604 5.3802 5.5487 -0.1685 -0.2198
3 Sumatera Barat 5.4795 5.1493 5.6571 -0.5078 0.3302
4 Riau 4.2306 4.8792 5.2587 -0.3794 -0.6486
5 Jambi 4.0299 4.6621 5.0865 -0.4243 -0.6323
6 Sumatera Selatan 4.4737 4.8298 5.1967 -0.3669 -0.3562
7 Bengkulu 4.6893 5.0407 5.3001 -0.2594 -0.3515
8 Lampung 5.6149 4.9312 5.2327 -0.3015 0.6837
9 Kep. Bangka Belitung 4.9331 5.4887 5.8759 -0.3871 -0.5556
10 Kepulauan Riau 5.3359 5.4601 6.0172 -0.5571 -0.1243
11 DKI Jakarta 9.1566 8.2227 8.3052 -0.0825 0.9339
12 Jawa Barat 7.4842 6.9606 6.9328 0.0278 0.5236
13 Jawa Tengah 7.9308 8.6085 8.6161 -0.0076 -0.6777
14 D I Yogyakarta 8.4512 8.8582 9.0724 -0.2142 -0.4070
15 Jawa Timur 7.4978 7.2553 7.4629 -0.2075 0.2425
16 Banten 7.0655 7.4968 7.1049 0.3919 -0.4314
17 Bali 7.9329 7.8071 7.7704 0.0367 0.1258
18 Nusa Tenggara Barat 6.3701 6.6003 6.2937 0.3066 -0.2303
19 Nusa Tenggara Timur 5.6619 4.6119 4.4629 0.1490 1.0500
20 Kalimantan Barat 3.3744 3.2408 3.8268 -0.5860 0.1336
21 Kalimantan Tengah 2.8083 3.8501 3.9567 -0.1066 -1.0419
22 Kalimantan Selatan 5.0044 5.5011 5.4616 0.0396 -0.4968
23 Kalimantan Timur 3.2119 3.6901 3.9978 -0.3078 -0.4782
24 Kalimantan Utara 2.2547 2.9557 3.4734 -0.5177 -0.7010
25 Sulawesi Utara 5.5856 4.8463 4.3300 0.5164 0.7392
26 Sulawesi Tengah 4.9277 4.4816 4.0054 0.4762 0.4461
27 Sulawesi Selatan 5.6272 5.4380 5.1595 0.2785 0.1893
28 Sulawesi Tenggara 4.8665 4.9775 4.6221 0.3554 -0.1110
29 Gorontalo 5.5416 5.2215 4.5042 0.7173 0.3201
30 Sulawesi Barat 5.0539 4.1376 4.1134 0.0242 0.9163
31 Maluku 3.9759 3.9035 3.5998 0.3037 0.0724
32 Maluku Utara 3.7941 3.7608 3.4020 0.3588 0.0333
33 Papua Barat 1.8794 2.1056 1.8420 0.2636 -0.2262
34 Papua 1.5795 1.3239 1.1470 0.1769 0.2556
101
RIWAYAT HIDUP
Penulis bernama Christ Egy Natama Pardede dilahirkan di Kabanjahe,

Sumatera Utara pada tanggal 8 Januari 2002 dari pasangan Jonny Hasudungan
Pardede dan Rehmia Ginting. Penulis merupakan anak pertama dari tiga
bersaudara.
Tahun 2013 penulis menamatkan pendidikan dasarnya dari SD S KATOLIK
ASSISI MEDAN, kemudian pada tahun 2016 penulis manamatkan pendidikan
menengah pertama nya dari SMP N 1 MEDAN. Setelah itu, penulis menamatkan
pendidikan menengah atasnya dari SMA S METHODIST 1 MEDAN pada tahun
2019. Kemudian pada tahun yang sama penulis melanjutkan pendidikan di
Politeknik Statistika STIS.
Akhirnya pada tahun 2022 penulis menamatkan pendidikan di Politeknik
Statistika STIS dengan program Diploma III dengan menyandang gelar Ahli Madya
Statistik (A.Md.Stat.)
102

Skripsilengkap

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsilengkap

Diunggah oleh

Hak Cipta:

Format Tersedia

DETERMINAN KETIMPANGAN INDUSTRI MIKRO DAN

KECIL ANTARPROVINSI DI INDONESIA TAHUN 2019

CHRIST EGY NATAMA PARDEDE

PROGRAM STUDI STATISTIKA PROGRAM DIPLOMA III

POLITEKNIK STATISTIKA STIS

KECIL ANTARPROVINSI DI INDONESIA TAHUN 2019

KARYA ILMIAH TUGAS AKHIR

PROGRAM STUDI STATISTIKA PROGRAM DIPLOMA III

POLITEKNIK STATISTIKA STIS

Karya Ilmiah Tugas Akhir dengan Judul

DETERMINAN KETIMPANGAN INDUSTRI MIKRO DAN

KECIL ANTARPROVINSI DI INDONESIA TAHUN 2019

Jakarta, XX Juli 2022

Christ Egy Natama Pardede

KECIL ANTARPROVINSI DI INDONESIA TAHUN 2019

Nama Dosen Penguji I Nama Dosen Penguji II

Program Diploma III Pembimbing

Agung Priyo Utomo, S.Si, M.T. Dr. Siti Muchlisoh M.Si.

Hak Cipta dilindungi undang-undang

Jakarta, XX Juli 2022

Christ Egy Natama Pardede

Kata kunci : Industri mikro dan kecil, Ketimpangan, Regresi spasial

DAFTAR ISI ......................................................................................................... III

DAFTAR TABEL .................................................................................................. V

DAFTAR GAMBAR ............................................................................................ VI

DAFTAR LAMPIRAN ...................................................................................... VIII

1.1 Latar Belakang ................................................................................ 1

1.2 Identifikasi Masalah ........................................................................ 8

1.3 Tujuan Penelitian .......................................................................... 10

1.4 Sistematika Penulisan ................................................................... 10

2.1 Landasan Teori ............................................................................. 13

2.2 Penelitian Terkait .......................................................................... 43

2.3 Kerangka Pikir .............................................................................. 46

2.4 Hipotesis Penelitian ...................................................................... 49

BAB III ................................................................................................................. 51

3.1 Ruang Lingkup Penelitian ............................................................ 51

3.2 Metode Pengumpulan Data ........................................................... 52

3.3 Metode Analisis ............................................................................ 54

Diduga Memengaruhinya di Indonesia Tahun 2019 ..................... 61

4.2 Eksplorasi Data ............................................................................. 69

4.3 Pemodelan Faktor-Faktor memengaruhi Densitas Industri Mikro

dan Kecil dengan Analisis Regresi Spasial ................................... 76

4.4 Estimasi Parameter Model Regresi Spasial Error (SEM) dan

Pengujian Asumsi .......................................................................... 79

4.5 Variabel-Variabel yang Memengaruhi Densitas IMK di Indonesia

Tahun 2019 .................................................................................... 82

5.2 Saran .............................................................................................. 88

DAFTAR PUSTAKA ............................................................................................ 91

RIWAYAT HIDUP ............................................................................................. 102

No. Tabel Judul Tabel Halaman

1. Definisi operasional variabel .....................................................................53

2. Uji normalitas Jarque-Bera pada variabel densitas IMK ..........................70

3. Uji normalitas Jarque-Bera pada variabel densitas IMK setelah

4. Uji RESET Ramsey pada model tanpa transformasi ..................................74

5. Uji RESET Ramsey pada model setelah transformasi................................75

6. Uji Moran I dan Lagrange Multiplier. .......................................................78

7. Hasil estimasi parameter model regresi spasial error (SEM) ....................80

8. Uji asumsi normalitas, homoskedastisitas, multikolinearitas, dan

autokorelasi spasial ....................................................................................81

9. Variance Inflation Factors .........................................................................82

No. Gambar Judul Gambar Halaman

1. Tingkat pendidikan yang ditamatkan pengusaha IMK tahun 2019 ............. 4

2. Tingkat pendidikan yang ditamatkan pekerja IMK tahun 2019 .................. 4