PENDAHULUAN
Pertumbuhan ekonomi Indonesia mengalami perkembangan fluktuatif pada
periode tahun 2015 sampai dengan tahun 2021. Pada tahun 2016 perekonomian
Indonesia tumbuh 5,15%, kemudian tahun 2017 tumbuh sebesar 5,22%, tahun 2018
tumbuh sebesar 5,42%, tahun 2019 sebesar 4,97%, tahun 2020 terjadi penurunan
sebesar 2,02% yang disebabkan karena kondisi pandemi COVID-19, tahun 2021
perekonomian Indonesia kembali meningkat sebesar 3,70% dari tahun sebelumnya.
Indikator untuk mengukur pertumbuhan ekonomi adalah Produk Domestik Bruto
38
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
(PDB) secara nasional atau Produk Domestik Regional Bruto (PDRB) untuk level
daerah[1]. PDRB merupakan nilai bersih dari barang dan jasa yang dihasilkan dari
kegiatan ekonomi di suatu daerah pada periode tertentu.
Terdapat indikator-indikator pertumbuhan ekonomi sebagaimana hasil
penelitian-penelitian yang telah dilakukan sebelumnya. Investasi luar negeri
memiliki efek positif terhadap pertumbuhan ekonomi, beberapa sektor yang
terdampak positif oleh investasi luar negeri antara lain sektor pertanian, kehutanan,
perikanan, pertambangan, sumber listrik, gas dan air, konstruksi, sektor retail,
perdagangan, hotel, restoran, transportasi dan komunikasi [2]. Kebijakan fiskal
melalui pengeluaran atau belanja pemerintah berfungsi dalam distribusi
penerimaan, pengalokasian sumber daya dan stabilitas perekonomian. Pengeluaran
pemerintah dapat meningkatkan pertumbuhan ekonomi Indonesia. Hubungan
antara belanja pemerintah dan pertumbuhan ekonomi dijelaskan dalam keynesian
cross dimana dampak positif antara belanja pemerintah dengan kenaikan
pertumbuhan ekonomi [3]. Berkurangnya jumlah pengangguran dapat
meningkatkan pertumbuhan ekonomi, kemudian untuk mengurangi jumlah
pengangguran dilakukan melalui penyerapan tenaga kerja dengan menyediakan
lowongan pekerjaan oleh perusahan-perusahaan. Berdasarkan penelitian yang telah
dilakukan sebelumnya diperoleh bahwa tingkat tenaga kerja memberikan pengaruh
positif terhadap pertumbuhan ekonomi di daerah Yogyakarta [4].
Penelitian terdahulu selanjutnya penerapan simultan data panel dinamis
untuk mengidentifikasi faktor-faktor yang berpengaruh pada pertumbuhan
ekonomi di Jawa Tengah pada tahun 2010 sampai 2018 menggunakan GMM
Arellano-Bond. Hasil penelitian berupa persamaan PDRB, dimana variabel-variabel
yang berpengaruh secara signifikan adalah variabel Indeks Pembangunan Manusia
(IPM) dan pengeluaran pemerintah daerah.
Selanjutnya penelitian yang memodelkan rasio ketersediaan beras di
Provinsi Jawa Timur dari tahun 2007 sampai dengan tahun 2017 menggunakan
regresi data panel dinamis dengan metode first-difference GMM dan system GMM
dengan hasil model terbaik adalah first-difference[5]. GMM Berikutnya penelitian
data panel tingkat inflasi menggunakan estimasi FD-GMM Arellano-Bond dan
System Generalized Method of Moment (SYS-GMM) dengan hasil model data panel
dinamis terbaik adalah menggunakan SYS-GMM [6].
Penelitian berikutnya tentang analisi faktor untuk menentukan faktor-faktor
yang mempengaruhi perubahan harga saham farmasi di Bursa Efek Indonesia (BEI)
sekaligus mendapatkan model regresi data panel dinamis menggunakan estimasi
GMM. Kesimpulan yang didapat bahwa model terbaik yaitu System GMM Blundell-
Bond 2-step yang memenuhi semua uji asumsi[7].
Berdasarkan pada latar belakang penelitian-penelitian tersebut, maka
penelitian ini akan menggunakan regresi data panel dinamis dengan pendekatan
Generalized Method of Moment (GMM) Arellano-Bond untuk memodelkan
pertumbuhan ekonomi di Indonesia dengan variabel-variabel sebelumnya yaitu
pengeluaran pemerintah, investasi luar negeri, dan penyerapan tenaga kerja
ditambah lagi dengan variabel pendidikan sebagai variabel independen terhadap
pertumbuhan ekonomi di Indonesia.
39
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
STUDI KEPUSTAKAAN
Regresi data panel dinamis
Regresi data panel dinamis adalah metode regresi yang menambahkan lag
variabel dependen yang dijadikan variabel independent. Persamaan modelnya
dapat ditulis pada persamaan (1)[8].
(1)
dengan
: Unit pengamatan ke-i pada periode t
: Koefesien variabel endogen eksplanatori
: Vektor observasi pada variabel independent (1xK)
: Vektor koefesien variabel predictor (1xK)
: Error regresi panel untuk unit pengamatan ke-i pada periode waktu ke-t
dengan ~ IIDN (0, ) dengan indeks i bernilai 1, 2…, n dan t bernilai 1,2,…,T.
Adapun indeks i menunjukkan dimensi pengamatan, sedangkan indeks t
menunjukkan dimensi time series. Apabila adalah fungsi dari maka
juga fungsi dari . Dengan demikian regressor pada sisi kanan (endogen
eksplanatori) berkorelasi dengan 𝑢 . Model data panel statis seperti OLS
pada model persamaan panel dinamis akan menjadi bias dan tidak konsisten [9].
dengan
: Matriks instrumen
: Estimasi tidak bias dan konsisten untuk dengan L adalah jumlah
instrument variable.
40
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
dengan
: Matriks instrumen
: Estimasi tidak bias dan konsisten untuk dengan L adalah jumlah
variabel instrument.
Maka didapatkan one step estimator system pada persamaan (4).
41
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
nilai α = 0,05 berarti nilai = 1,96. Keputusan ditolak apabila nilai statistik
uji Z > nilai atau nilai Pvalue < α.
dengan
: vektor error pada lag ke-2 dengan orde q =
: vektor error yang dipotong menyesuaikan yang berukuran qx1
Keputusannya adalah tolak apabila > yang berarti GMM tidak
konsisten yang ditunjukkan oleh nilai yang tidak signifikan (gagal tolak )
pada m(2).
Uji Sargan digunakan untuk menentukan validitas penggunaan variabel
instrumen yang jumlahnya > jumlah parameter estimasi. Hipotesis dan statistik
uji Sargan adalah seperti persamaan (9).
: Kondisi overidentifying restriction dalam estimasi model valid
: Kondisi overidentifying restriction dalam estimasi model tidak valid
S= ~ (9)
dengan
: Error dari estimasi model
Keputusannya adalah tolak apabila nilai statistik uji S > nilai tabel chi-square
( ) atau nilai Pvalue < α.
Uji Ketidakbiasan
Apabila Estimasi dengan Ordinary Least Squares (OLS) digunakan untuk
regresi panel dinamis akan menghasilkan estimasi yang bias dan tidak konsisten
disebabkan karena terdapat korelasi lag dependen dengan error, maka digunakan
estimasi GMM sebagai solusinya yang menghasilkan estimasi tak bias, konsisten,
dan efisien[9]. Kriteria ketakbiasan diperoleh dari perbandingan estimator lag
dependen GMM dengan FEM (Fixed Effect Model) yang bersifat biased downward dan
PLS (Pooled Least Squares) yang bersifat biased upwards. Estimator yang tidak bias
nilainya akan berada di antara model FEM dan PLS[9].
METODE PENELITIAN
Tahapan Penelitian
Langkah-langkah yang akan dilakukan dalam penelitian ini adalah sebagai
berikut.
42
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
Sumber Data
Sumber data penelitian ini menggunakan data sekunder yang diambil dari
website Badan Pusat Statistik (BPS) bps.go.id berupa data PDRB dan variabel-
variabel yang diduga berpengaruh kepada pertumbuhan ekonomi di Indonesia yang
berasal dari 33 provinsi yang ada di Indonesia pada periode 2011-2021. Variabel-
variabel yang digunakan dapat dilihat pada Tabel 1.
Model yang dibangun pada penelitian ini yaitu model Produk Domestik Regional
Bruto (PDRB) sebagai berikut.
43
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
P value 0,0000
Pada Tabel 2, dapat dilihat nilai intersep dan slope untuk setiap variabel independent
dengan pendekatan FD-GMM.
Tabel 3. Estimasi Parameter Pendekatan SYS-GMM
Parameter Koefesien Standard Error z P value
0,881681 0,0062081 142,02 0,000
0,0049498 0,0006452 7,67 0,000
0,0647154 0,0017057 37,94 0,000
-0,0449946 0,010481 -4,29 0,000
-0,447323 0,0380243 -11,76 0,000
Uji Wald 604262,89
P value 0,0000
Pada Tabel 3, dapat dilihat nilai intersep dan slope untuk setiap variabel independent
dengan pendekatan SYS-GMM.
Tabel 4 memperlihatkan hasil uji spesifikasi Arellano-Bond pada FD-GMM dan SYS-
GMM. Nilai statistik m(1) pada model dengan pendekatan FD-GMM dan SYS-GMM
> = 1,96 dan nilai Pvalue untuk m(1) < α = 0,05 sehingga kesimpulannya
adalah tolak . Adapun nilai statistik m(2) pada model dengan pendekatan FD-
GMM dan SYS-GMM < = 1,96 serta nilai Pvalue untuk m(2) > α = 0,05
sehingga kesimpulan untuk m(2) adalah gagal tolak . Berdasarkan hal
tersebut dapat disimpulkan bahwa estimasi yang dilakukan baik menggunakan
pendekatan FD-GMM maupun SYS-GMM adalah konsisten dan tidak terjadi
autokorelasi.
Uji spesifikasi yang dilakukan selanjutnya adalah uji Sargan untuk
menentukan validitas penggunaan variabel instrumen yang jumlahnya melebihi
jumlah parameter estimasi. Statistik uji Sargan dinyatakan dalam persamaan (8).
Keputusannya adalah tolak apabila nilai statistik uji S > nilai tabel chi-square
44
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
( ) atau nilai p-value < α. Hasil uji Sargan pada kedua model yaitu FD-GMM
dan SYS-GMM ditunjukkan pada Tabel 5.
Tabel 5. Hasil Uji Sargan FD-GMM dan SYS-GMM
FD-GMM SYS-GMM
Nilai Pvalue Nilai Pvalue
statistik Statistik
32,37514 0,9025 32,90431 0,9863
Tabel 5 menunjukkan hasil uji Sargan pada kedua model yaitu pendekatan FD-
GMM dan SYS-GMM. Nilai statistik uji pada kedua model adalah S > nilai tabel chi-
square ( ) = 60,48 atau nilai p-value > α=0,05. Oleh karena itu keputusannya
adalah gagal tolak baik untuk model FD-GMM maupun model SYS-GMM,
sehingga kesimpulannya bahwa kondisi overidentifying restriction dalam estimasi
model valid.
Pengujian selanjutnya yaitu untuk mengetahui kriteria ketakbiasan dengan
cara membandingkan estimator lag dependen FD-GMM dan SYS-GMM dengan
model FEM (Fixed Effect Model) yang bersifat biased downward dan model PLS (Pooled
Least Squares) yang bersifat biased upwards. Estimator lag yang tak bias berada di
antara model FEM dan PLS. Perbandingan estimator FD-GMM, SYS-GMM dengan
FEM dan PLS dapat dilihat pada Tabel 6.
Tabel 6. Perbandingan Estimator GMM dengan FEM dan PLS
Parameter Koefesien Koefesien Koefesien Koefesien
FD-GMM SYS-GMM FEM PLS
0,6781622 0,881681 0,7986057 1,00147
Dari Tabel 6 dapat dilihat bahwa koefesien model FD-GMM tidak berada di antara
model FEM dan model PLS, tetapi lebih kecil dari koefesien model FEM dan model
PLS. Adapun koefesien SYS-GMM berada di antara model FEM dan PLS. Dengan
demikian model yang memenuhi kriteria ketakbiasan adalah model SYS-GMM.
Berdasarkan Tabel 7, dapat dilihat model terbaik adalah model SYS-GMM karena
seluruh kriteria uji asumsi terpenuhi.
45
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
Interpretasi Hasil
Berdasarkan pendekatan SYS-GMM pada Tabel 2, diperoleh persamaan
SYS-GMM sebagai berikut:
KESIMPULAN
Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa pendekatan
SYS-GMM lebih baik daripada pendekatan FD-GMM untuk memodelkan
pertumbuhan ekonomi di Indonesia. Variabel-variabel yang berpengaruh secara
signifikan terhadap pertumbuhan ekonomi di Indonesia adalah PDRB tahun
sebelumnya, investasi luar negeri ( , pengeluaran pemerintah ( tingkat
partisipasi Angkatan Kerja ( , dan indeks pembangunan manusia ( . Saran
46
Jurnal Bayesian: Jurnal Ilmiah Statistika dan Ekonometrika
p-ISSN: 2775-7463| e-ISSN: 2775-7455 Vol.3 No. 1 Maret 2023
Doi Issue: doi.org/10.46306/bay.v3i1 Doi Article: doi.org/10.46306/bay.v3i1.44
DAFTAR PUSTAKA
Suparmoko, Ekonomi Publik, untuk Keuangan dan Pembangunan Daerah. Yogyakarta:
Andi, 2002.
A. Khaliq and I. Noy, “Foreign direct investment and economic growth: Empirical
evidence from sectoral data in Indonesia,” Work. Pap., 2007, [Online]. Available:
http://www.economics.hawaii.edu/research/workingpapers/WP_07-26.pdf
M. G., Pengantar Ekonomi Makro, Edisi Keti. Jakarta: Salemba Empat, 2006.
M. Arrelano and S. Bond, “Some Tests Of Specification For Panel Data: Monte Carlo
Evidence and An Application to Employment Equations,” Oxford Journals Rev. Econ.
Stud., vol. 58, no. No.2, pp. 277–297, 1991.
B. H. Baltagi, Econometrics Analysis of Panel Data (3rd Ed.), 3rd ed. England: John
Wiley n Sons, Ltd, 2005.
47