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
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).
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.
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).
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).
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.
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)
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:
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].
5
4. Gunakan uji Wald untuk melihat variabel independen apa yang benar-benar
berpengaruh terhadap variabel dependen, atau model panelnya.
5. Melakukan diagnostic checking.
Pertama, akan dilihat statistik deskriptif dari data, yakni rata-rata tiap variabelnya
dilihat untuk tiap unsur waktu dan kali-silang.
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.
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.
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.
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.
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.
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.
10
11
12
13