Analisis Regresi Data Panel untuk Mengetahui Faktor-Faktor yang

Memengaruhi PDB per Kapita Negara Anggota ASEAN

pada Tahun 2017-2019

Danny Theodore Dunrui1,*

1
Departemen Matematika, FMIPA, Universitas Gadjah Mada, Yogyakarta, Indonesia
*Corresponding author

Abstrak

Pendapatan Domestik Bruto (PDB) merupakan salah satu ukuran penting untuk
menggambarkan keadaan ekonomi suatu negara. Negara dengan PDB per kapita yang
tinggi umumnya diasosiasikan dengan negara yang maju begitu pula sebaliknya. Penelitian
ini dilakukan untuk melihat faktor-faktor apa saja yang berpengaruh terhadap PDB per
kapita negara-negara anggota ASEAN pada tahun 2017-2019. Analisis dilakukan
menggunakan regresi data panel. Setelah melalui serangkaian pengujian, diperoleh variabel
yang berpengaruh terhadap PDB per kapita negara anggota ASEAN pada tahun 2017-2019
adalah nilai ekspor.

Kata kunci: ASEAN, kondisi ekonomi, produk domestik bruto (PDB), regresi data panel.

PENDAHULUAN

Pendapatan Domestik Bruto (PDB) atau Gross Domestic Product merupakan

salah satu ukuran yang banyak digunakan untuk menggambarkan keadaan ekonomi
suatu negara. BPS sendiri mendefinisikan PDB sebagai jumlah nilai tambah yang
dihasilkan oleh seluruh unit usaha dalam suatu negara tertentu, atau merupakan jumlah
nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi. Adapun, PDB
per kapita merupakan PDB pada waktu tersebut dibagi jumlah populasi negara pada
waktu yang sama.
PDB per kapita kerap digunakan sebagai pembanding dalam menggambarkan
kesejahteraan dan keadaan ekonomi antar negara. Negara dengan PDB per kapita yang
tinggi umumnya diasosiasikan dengan negara yang maju, yakni negara dengan tingkat
pembangunan manusia, kesejahteraan masyarakat, dan perdangangan yang tinggi,
begitu pula sebaliknya.
ASEAN atau Association of Southeast Asian Nations sendiri merupakan
organisasi kawasan yang mewadahi kerja sama dari 10 negara di Asia Tenggara, yakni

1
Brunei Darussalam, Kamboja, Indonesia, Laos, Malaysia, Myanmar, Filipina, Singapura,
Thailand, dan Vietnam. ASEAN didirikan atas dasar kesamaan nasib dan untuk
mendukung kerja sama dalam berbagai bidang di kawasan Asia Tenggara. Kedepannya
sendiri kawasan Asia Tenggara diprediksi akan menjadi salah satu pusat perekonomian
dunia dikarenakan pertumbuhan penduduk dan ekonomi yang tinggi.
Berdasarkan itu dilakukan penelitian untuk melihat faktor-faktor apa saja yang
berpengaruh terhadap PDB per kapita negara-negara anggota ASEAN, dengan faktor-
faktor yang dipilih adalah Indeks Pembangunan Manusia (IPM), populasi, dan nilai
ekspor negara tersebut pada tahun 2017-2019.

METODOLOGI PENELITIAN

Data
Data yang dimiliki merupakan data panel yang terdiri dari unsur kali-silang (cross
section), yakni negara dan unsur waktu dari tahun 2017 hingga 2019. Data diambil dari
laporan ASEAN Statistical Yearbook 2020 yang diterbitkan oleh sekretariat ASEAN.
Variabel dependen dalam kasus ini adalah PDB per kapita, sementara variabel
dependennya adalah Indeks Pembangunan Manusia (IPM), populasi negara (dalam
ribuan), dan nilai ekspor negara tersebut (dalam US$). Penjelasannya lebih jelas
mengenai tiap variabelnya adalah sebagai berikut:
1. PDB per kapita, menunjukkan besaran pendapatan rata-rata penduduk di suatu
negara. PDB per kapita merupakan salah satu indikator dalam mengukur tingkat
kemakmuran suatu negara. Negara dengan nilai PDB per kapita yang tinggi dapat
dikatakan sebagai negara yang maju dan Makmur. PDB per kapita dihitung
dengan persamaan (1).
𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑜𝑑𝑢𝑘 𝐷𝑜𝑚𝑒𝑠𝑡𝑖𝑘 𝐵𝑟𝑢𝑡𝑜 (𝑃𝐷𝐵) 𝑁𝑒𝑔𝑎𝑟𝑎
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑜𝑝𝑢𝑙𝑎𝑠𝑖 𝑁𝑒𝑔𝑎𝑟𝑎 (1)
2. PDB per kapita dalam kasus ini dihitung dalam US$ (Dollar Amerika Serikat)
3. Populasi menunjukkan besarnya populasi penduduk pada tahun tersebut yang
dihitung pada pertengahan tahun tersebut. Dalam kasus ini jumlah populasi yang
ditunjukkan dihitung dalam ribuan.
4. Indeks Pembangunan Manusia (IPM) menunjukkan indikator komposit untuk
mengukur capaian pembangunan kualitas hidup manusia, semakin tinggi nilai
IPM semakin baik. IPM dibentuk berdasarkan tiga dimensi dasar, yakni umur

2
 panjang dan hidup sehat, pengetahuan, dan standar hidup layak. Nilai IPM yang
tinggi menunjukkan standar hidup yang tinggi pula di negara tersebut.
5. Nilai ekspor menunjukkan nilai total ekspor barang suatu negara dalam periode
tersebut. Dalam kasus ini nilai ekspor barang yang ditunjukkan dihitung dalam
nilai miliar US$ (Dollar Amerika Serikat).

Analisis Regresi Data Panel

Data panel merupakan kombinasi dari data kali-silang dan data runtun waktu atau
dapat dikatakan merupakan data yang dikumpulkan dalam kurun waktu tertentu untuk
obyek tertentu berdasarkan beberapa variabel [1]. Analisis data panel dilakukan untuk
melihat pengaruh suatu atau beberapa prediktor terhadap respon dalam kurun waktu
tertentu untuk beberapa obyek. Secara umum, terdapat tiga metode estimasi yang sering
digunakan dalam analisis data panel, yakni model dengan metode estimasi efek umum,
model efek tetap, dan model efek acak.

Model Efek Umum

Pada model efek umum data dihimpun tanpa mempertimbangan unsur kali-silang
atau waktu sehingga menyerupai regresi linear pada umumnya. Metode estimasi
parameter untuk model ini dapat dilakukan dengan metode OLS (Ordinary Least
Square) [2]. Bentuk model ini ditunjukkan dalam persamaan (1).

𝑦𝑖,𝑡 = 𝑥𝑖,𝑡 𝛽𝑖,𝑡 + 𝜀𝑖,𝑡 (2)

Model Efek Tetap

Model efek tetap sejatinya mirip dengan model efek umum. Pada model efek tetap
satu arah sendiri umumnya diasumsikan untuk komponen waktu adalah 0 [2]. Bentuk
model ini ditunjukkan dalam persamaan (2).

𝑦𝑖,𝑡 = 𝑥𝑖,𝑡 𝛽𝑖,𝑡 + 𝑐𝑖 + 𝜀𝑖,𝑡 (3)

Model Efek Acak

Perbedaan model acak ini adalah peubah gangguan mungkin saling berhubungan
antar waktu dan antar individu dalam data. Perbedaan titik potong dalam model ini
diakomodasi oleh komponen galat masing-masing. Adapun, jika menggunakan model
ini dapat menghilangkan heteroskedastisitas. Model ini kerap juga disebut dengan ECM

3
atau Error Component Model di mana estimasi parameter dilakukan dengan metode
Generalized Least Square (GLS) [2]. Persamaan (3) menunjukkan model efek acak ini.

𝑦𝑖,𝑡 = 𝑥𝑖,𝑡 𝛽𝑖,𝑡 + 𝑣𝑖,𝑡 (4)

Pada model ini komponen 𝑣𝑖,𝑡 = 𝑐𝑖 + 𝑑𝑡 + 𝜀𝑖,𝑡 diasumsikan saling bebas dan
berdistribusi identik normal dengan rata-rata 0 dan ragam konstan 𝜎𝑐2 . Lalu, dt
diasumsikan bersifat i.i.d normal dengan mean 0 dan variansi 𝜎𝑑2 , dan 𝜀𝑖,𝑡 bersifat
bersifat i.i.d normal dengan mean 0 dan variansi 𝜎𝜀2 (dimana ci, dt, dan 𝜀𝑖,𝑡 diasumsikan
independen satu dengan lainnya). Jika komponen ci dan dt diasumsikan 0 maka model
terssebut disebut model efek acak satu arah, sedangkan pada keadaan lain disebut model
efek acak dua arah.

Uji Haussmann

Uji ini dilakukan untuk melihat apakah terdapat efek acak di dalam data, dengan
menguji hipotesis yakni 𝐻0 : 𝐸(𝐶𝑖 |𝑋) = 𝐸(𝑢) = 0 atau terdapat efek acak dalam data di
mana jika 𝐻0 ditolak maka model efek tetap lebih baik digunakan [2]. Statistik uji
Haussmann adalah

−1
𝐻 = (𝛽̂𝑂𝐿𝑆 − 𝛽̂𝐹𝐸 )′(𝜎𝐾2 [𝑋 ′ (𝐼𝑁 ⨂𝐸𝑇 )𝑋]−1 − [𝑋 ′ Ω
̂ −1 𝑋] )−1 (𝛽̂𝑂𝐿𝑆 − 𝛽̂𝐹𝐸 ) (5)

di bawah kondisi 𝐻0 konvergen ke 𝜒𝐾2 .

Uji Lagrange Multiplier

Uji ini dilakukan untuk melihat apakah model yang dimiliki adalah model dua
arah, satu arah, atau tidak keduanya (tidak ada efek) [2]. Statistik uji dan hipotesis uji
Wald di adalah:

𝑁𝑇 𝑢̃(𝐼𝑁 ⨂𝐿𝑇 𝐿𝑇 )𝑢̃ 2

𝐿𝑀1 = [1 − ]
2(𝑇 − 1) 𝑢̃′𝑢̃ (6)

𝑁𝑇 𝑢̃(𝐿𝑁 𝐿𝑁 ⨂𝐼𝑇 )𝑢̃ 2 (7)

𝐿𝑀2 = [1 − ]
2(𝑁 − 1) 𝑢̃′𝑢̃

2
𝐻0 : 𝐶 = 0, 𝑑 = 0 (uji efek dua arah) di mana 𝐿𝑀 = 𝐿𝑀2 + 𝐿𝑀1 → 𝜒(2)

4
 2
𝐻0 : 𝐶 = 0, 𝑑𝑡 ~𝑁(0, 𝜎𝑑2 ) (uji efek kali-silang) di mana 𝐿𝑀1 → 𝜒(1)

2
𝐻0 : 𝑑 = 0, 𝐶𝑖 ~𝑁(0, 𝜎𝑐2 ) (uji efek waktu) di mana 𝐿𝑀2 → 𝜒(1)

Uji Wald

Uji Wald merupakan uji signifikansi parameter yang merupakan perluasan dari uji
T dengan tujuan untuk melihat hubungan antar kategori kali-silang. Dengan hipotesis
𝐻0 : 𝑅β = r di mana R ∈ ℛ 𝑁−𝐾 dan 0 ∈ ℛ 𝐾 [2]. Statistik uji Wald adalah

1
𝑊= (𝑅𝛽̂𝐹𝐸 − 𝑟)′(𝑅(𝑋′⨂𝑋)𝑅′)(𝑅𝛽̂𝐹𝐸 − 𝑟) (8)
𝜎̂ 2

2
di bawah kondisi 𝐻0 konvergen dalam distribusi ke 𝜒(1) .

Diagnostic Checking

Diagnostic checking merupakan uji lanjutan opsional terhadap residual yang dapat
dilakukan untuk melihat apakah model yang dibentuk sudah cukup baik atau tidak. Pada
analisis data panel beberapa hal yang dapat diperiksa adalah korelasi serial dan
homoskedastisitas. Model dapat dikatakan baik apabila tidak memiliki korelasi serial
dan homoskedastis. Penanganan untuk heteroskedastitas dapat dilakukan dengan
membentuk heteroscedasticity robust covariance estimator berdasarkan estimator
White [3].

Langkah-langkah Analisis Data Panel

Dalam pengujian model panel, langkah-langkah yang dilakukan adalah sebagai
berikut:
1. Bentuk model awal data panel yang akan diuji, untuk setiap model akan dibuat
dua jenis, yakni untuk efek acak (random effect) dan efek tetap (fixed effect) untuk
kemudian dilakukan uji Hausmann untuk melihat apakah terdapat efek acak di
dalam data panel.
2. Lakukan uji Hausmann terhadap data, jika hipotesis untuk uji Hausmann ditolak,
model efek tetap akan digunakan dalam pemodelan.
3. Lakukan uji Breusch-Pagan untuk melihat apakah ada efek waktu atau kali-silang
dalam data. Jika hipotesis uji Breusch-Pagan tidak ditolak, lakukan analisis
dengan model regresi panel/pooling.

5
4. Gunakan uji Wald untuk melihat variabel independen apa yang benar-benar
berpengaruh terhadap variabel dependen, atau model panelnya.
5. Melakukan diagnostic checking.

HASIL DAN PEMBAHASAN

Pertama, akan dilihat statistik deskriptif dari data, yakni rata-rata tiap variabelnya
dilihat untuk tiap unsur waktu dan kali-silang.

Tabel 1. Rata-rata tiap variabel dalam data untuk tiap tahun.

Variabel
Tahun PDB/Kapita IPM Populasi Nilai Ekspor
(US$) (ribuan) (miliar US$)
2017 12103 0.719 64228 132480
2018 13062 0.723 64906 143605
2019 12970 0.729 65592 142383

Secara keseluruhan dapat terlihat bahwa IPM dan populasi mengalami kenaikan dari
tahun 2017 hingga 2019, adapun PDB per kapita dan nilai ekspor mengalami penurunan
di tahun 2019.

Tabel 2. Rata-rata tiap variabel dalam data untuk negara.

Variabel
Negara PDB/Kapita IPM Populasi Nilai Ekspor
(US$) (ribuan) (miliar US$)
Brunei 29606 0.8415 441 6400
Filipina 3284 0.710 106598 64649
Indonesia 4006 0.706 264143 172175
Kamboja 1535 0.586 15996 12941
Laos 2561 0.606 7012 5373
Malaysia 10765 0.805 32329 234828
Myanmar 1304 0.582 53704 16193
Singapura 64110 0.935 5652 395305
Thailand 7407 0.766 67825 241282
Vietnam 2537 0.697 95385 240747

Berdasarkan hasil di atas diperoleh bahwa negara dengan PDB per kapita, IPM, dan
nilai ekspor tertinggi adalah Singapura, sementara negara dengan populasi tertinggi
adalah Indonesia. Sementara, negara dengan PDB per kapita dan IPM terendah adalah
Myanmar, populasi terkecil adalah Brunei Darussalam, dan nilai ekspor terkecil adalah
Laos.

Penentuan Efek Model

6
Uji Haussmann
Uji ini dilakukan untuk menentukan apakah terdapat efek acak di dalam data
panel atau untuk menentukan apakah model lebih baik menggunakan metode estimasi
efek tetap atau efek acak. Hipotesis awal (H0) adalah bahwa model efek acak lebih
cocok dan hipotesis alternatif (H1) adalah model efek tetap lebih cocok di mana H0
ditolak jika p-value < α sebesar 0.05 atau 5%. Pada tahap ini didapakan p-value 0.3019
maka H0 tidak ditolak sehingga didapatkan kesimpulan bahwa model efek acak lebih
cocok digunakan.

Uji Lagrange Multiplier

Uji ini dilakukan untuk melihat apakah model merupakan model satu arah, atau
dua arah, atau bahkan tidak ada efek keduanya. Hasil uji ini terlihat pada tabel 1.

Tabel 1 Hasil Uji Lagrange Multiplier.

Uji P-Value Kesimpulan
Efek dua arah 2.1 × 10−7 H0 ditolak
Efek kali silang 6.7 × 10−7 H0 ditolak
Efek waktu 0.2024 H0 tidak ditolak

Hipotesis awal (H0) adalah tidak terdapat efek tertentu dan hipotesis alternatif (H1)
terdapat efek tertentu. Berdasarkan hasil pada tabel 1 diperoleh kesimpulan bahwa
model yang dimiliki adalah model efek satu arah dengan efek kali silang.

Uji Parameter Model

Uji parameter model dilakukan melalui uji parsial atau uji Wald yang berdasarkan
statistik T. Uji parsial dilakukan untuk melihat apakah terdapat pengaruh secara parsial
antara tiap variabel independen terhadap variabel dependen atau dapat dikatakan apakah
variabel independen secara statistik benar-benar berpengaruh terhadap variabel
dependen. Pemodelan dilakukan dengan melibatkan semua variabel terlebih dahulu
kemudian mengeluarkan variabel yang tidak siginifikan dimulai dari variabel dengan
nilai p-value terbesar (paling tidak signifikan) atau melakukan backward elimination.

Tabel 2 Hasil Uji Parsial.

Model Variabel P-Value Kesimpulan
Konstan (Intercept) 0.12539 Tidak Signifikan
1
IPM 0.02049 Signifikan

7
 Populasi Negara (dalam
0.03850 Signifikan
ribuan)
Nilai Ekspor (dalam US$) 0.01975 Signifikan
IPM 0.016135 Signifikan
Populasi Negara (dalam
2 0.054097 Tidak Signifikan
ribuan)
Nilai Ekspor (dalam US$) 0.006123 Signifikan
IPM 0.1440 Tidak Signifikan
3
Nilai Ekspor (dalam US$) 0.0123 Signifikan
4 Nilai Ekspor (dalam US$) 0.0003912 Signifikan

Pada model terakhir yakni model keempat diperoleh untuk variabel independen yang
sudah signifikan yakni nilai ekspor.

Evaluasi Model
Setelah dilakukan serangkaian uji pada tahap sebelumnya diperoleh model panel
akhir adalah model panel efek acak satu arah dengan unsur kali-silang dan variabel
independen yang signifikan adalah nilai ekspor.
Selanjutnya akan dilakukan serangkaian uji lanjutan atau diagnostic checking
untuk melihat apakah model ini sudah benar-benar baik atau tidak. Hasil diagnostic
checking tertera pada tabel 3.

Tabel 3 Hasil Diagnostic Checking.

Uji Metode P-Value Kesimpulan
Uji Korelasi Serial Uji Woolridge 0.08152 Tidak ada korelasi serial
Uji Uji Breusch Terdapat
< 2.2 × 10−16
Homoskedastisitas Pagan heteroskedastisitas

Hasil diagnostic checking yang diperoleh menunjukkan asumsi yang tidak terpenuhi
adalah homoskedastisitas.
Dikarenakan adanya heteroskedastisitas yang ditemukan dalam data maka kita
akan membentuk estimator yang tahan terhadap heteroskedastisitas (heteroscedasticity
robust covariance estimator) berdasarkan metode White. Hasil perbandingan sebelum
dan sesudah menggunakan heteroscedasticity robust covariance estimator terlihat pada
tabel 4.
Tabel 4 Hasil Perbandingan Estimator.
Sebelum Sesudah
Peubah
Std. Error P-Value Std. Error P-Value
Nilai Ekspor 0.015384 0.00039 0.033512 0.1144

8
Pada tabel 4 terlihat untuk model ini terdapat perbedaan kesimpulan dalam uji T dengan
matriks kovariansi yang diperoleh dengan metode yang kuat terhadap
heteroskedastisitas, akan tetapi untuk ini variabel tidak signifikan dan memiliki standar
error yang lebih besar maka yang digunakan adalah estimasi dengan metode
sebelumnya. Model akhir dari analisis ini adalah sebagai berikut:

PDB per kapita (US$) = 0.054552 Nilai Ekspor (miliar US$) + ci + εi,t (9)

Nilai residual sum of squares diperoleh sebesar 22826000 dan nilai Adj. R-Square
sebesar 0.22859 atau sekitar 22.859% variansi dalam respon dapat dijelaskan oleh
prediktornya. Nilai 𝑐𝑖 adalah konstanta yang berbeda untuk setiap unsur silang tempat
yang ada. Selanjutnya, diketahui bahwa nilai ekspor berhubungan positif terhadap PDB
maka semakin tinggi nilai eksport semakin tinggi pula PDB per kapita tiap negara.
Adapun, nilai 𝑐𝑖 untuk setiap negara diberikan dalam lampiran.

KESIMPULAN

Penelitian ini dilakukan untuk melihat faktor-faktor apa saja yang berpengaruh
terhadap PDB per kapita negara-negara anggota ASEAN, dengan faktor-faktor yang
dipilih adalah Indeks Pembangunan Manusia (IPM), populasi, dan nilai ekspor negara
tersebut pada tahun 2017-2019. Berdasarkan hasil analisis yang telah dilakukan
didapatkan kesimpulan bahwa ada pengaruh individu, akan tetapi tidak ada pengaruh
waktu, dan dari ketiga faktor yang dipilih didapati hanya nilai ekspor saja yang
berpengaruh signifikan terhadap PDB per kapita. Sementara itu, nilai Adj. R-Squared
yang masih relatif kecil menunjukkan masih banyak faktor-faktor lain yang berpengaruh
terhadap PDB per kapita.

DAFTAR PUSTAKA

[1] Baltagi, B. (2005). Econometric Analysis of Panel Data 3rd Edition. England: JW
& Sons.
[2] Rosadi, D. (2010). Diktat Pengantar Analisis Data Panel. Yogyakarta: Universitas
Gadjah Mada.
[3] Rosadi, D. (2011). Analisis Ekonometrika & Runtun Waktu Terapan dengan R,
Aplikasinya untuk bidang ekonomi, bisnis, dan keuangan. Yogyakarta: ANDI.

LAMPIRAN

9
 Lampiran 1. Data penelitian.

PDB per Populasi (dalam Nilai Ekspor (dalam

Negara Tahun IPM
Kapita ribuan) miliar US$)
Brunei 2017 28806.00 0.853 421.30 5588.30
Brunei 2018 30668.40 0.845 442.40 6571.40
Brunei 2019 29343.30 0.838 459.50 7039.10
Kamboja 2017 1402.40 0.582 15717.70 11278.10
Kamboja 2018 1539.80 0.581 15981.80 12700.30
Kamboja 2019 1663.80 0.594 16289.30 14844.80
Indonesia 2017 3879.80 0.694 261355.50 168828.20
Indonesia 2018 3936.70 0.707 264161.60 180012.70
Indonesia 2019 4201.00 0.718 266911.90 167683.00
Laos 2017 2456.60 0.601 6900.80 4909.70
Laos 2018 2580.30 0.604 7013.00 5400.40
Laos 2019 2645.40 0.613 7123.10 5809.40
Malaysia 2017 10041.00 0.802 32022.50 217722.00
Malaysia 2018 11068.20 0.804 32382.20 248671.70
Malaysia 2019 11184.90 0.81 32581.40 238089.00
Myanmar 2017 1260.00 0.578 53388.00 13878.00
Myanmar 2018 1423.40 0.584 53625.00 16703.70
Myanmar 2019 1229.20 0.583 54100.00 17997.10
Filipina 2017 3133.60 0.699 104921.40 68712.90
Filipina 2018 3235.40 0.712 106598.60 69307.40
Filipina 2019 3483.00 0.718 108274.30 70927.00
Singapura 2017 60922.60 0.932 5612.30 383252.40
Singapura 2018 66174.10 0.935 5638.70 411973.30
Singapura 2019 65233.30 0.938 5703.60 390689.90
Thailand 2017 6752.40 0.755 67653.20 236694.20
Thailand 2018 7467.80 0.765 67831.60 241010.50
Thailand 2019 8000.60 0.777 67989.80 246140.70
Vietnam 2017 2374.00 0.694 94286.00 213931.50
Vietnam 2018 2527.00 0.693 95385.20 243698.70
Vietnam 2019 2711.21 0.704 96484.00 264610.30

Lampiran 2. Hasil luaran program R.

10
11
12
13