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

ANALISIS DATA PANEL DINAMIS PERTUMBUHAN

EKONOMI DI INDONESIA DENGAN METODE FD-GMM DAN
SYS-GMM

Muhammad Azis Suprayogi1

1Direktorat Jenderal Kekayaan Negara, Kementerian Keuangan RI
Email: azizi@kemenkeu.go.id

ABSTRACT: Economic growth is an increase in economic activity in increasing people's

income in a country for a certain period which can be measured in the form of indicators of
Gross Domestic Product (GDP) at the national level and Regional Gross Domestic Product
(GRDP) at the regional level. There are several factors suspected of influencing economic
growth, including foreign investment, government spending, the percentage of the workforce,
and the Human Development Index (IPM). This study aims to model economic growth in
Indonesia using a dynamic panel data approach with the FD-GMM and SYS-GMM
approaches. The data used in this study comes from the Central Bureau of Statistics in 33
provinces in Indonesia from 2011 to 2021. The results show that the variables of government
spending, foreign investment, labor participation rate, and human development index have a
significant influence on growth. economy in Indonesia.
Key Words: Dynamic Data Panel, Economic growth, FD-GMM, SYS-GMM

ABSTRAK: Pertumbuhan ekonomi adalah peningkatan kegiatan perekonomian

dalam menambah pendapatan masyarakat pada suatu negara pada periode tertentu
yang dapat diukur dalam bentuk indikator Produk Domestik Bruto (PDB) pada leval
nasional dan Produk Domestik Regional Bruto PDRB) pada leval daerah. Terdapat
beberapa faktor yang diduga memengaruhi pertumbuhan ekonomi, antara lain
investasi luar negeri, belanja pemerintah, persentase tenaga kerja, dan Indeks
Pembangunan Manusia (IPM). Penelitian ini bertujuan memodelkan pertumbuhan
ekonomi di Indonesia menggunakan pendekatan data panel dinamis dengan
pendekatan FD-GMM dan SYS-GMM. Data yang digunakan pada penelitian ini
berasal dari Badan Pusat Statistik pada 33 provinsi di Indonesia mulai tahun 2011
sampai dengan tahun 2021. Hasil penelitian menunjukkan bahwa variabel belanja
pemerintah, investasi luar negeri, tingkat partisipasi tenaga kerja, serta indeks
pembangunan manusia memiliki pengaruh signifikan terhadap pertumbuhan
ekonomi di Indonesia.
Kata kunci: Data Panel Dinamis, FD-GMM, Pertumbuhan Ekonomi, SYS-GMM

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].

Metode GMM Arellano-Bond

Metode estimasi GMM Arellano-Bond sering disebut dengan metode
First Difference GMM (FD-GMM). Metode estimasi GMM Arellano-Bond
menghasilkan estimasi yang tidak bias, konsisten dan efisien. Hasil estimasi
GMM Arellano-Bond one step estimator dapat ditulis pada persamaan (2) [8].

dengan
: Matriks instrumen
: Estimasi tidak bias dan konsisten untuk dengan L adalah jumlah
instrument variable.

Metode estimasi SYS-GMM

Metode estimasi System Generalized Method of Moments dari Blundell-
Bond (SYS-GMM) digunakan untuk mengestimasi sistem persamaan dengan
cara kombinasi antara momen first difference dengan momen kondisi level.
Estimator GMM δ didapatkan dengan cara meminimumkan fungsi kuadrat yang
terboboti J(δ) sebagaimana persamaan (3) [8].

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).

Estimator merupakan estimator yang konsisten yang tidak bergantung pada

bobot . Blundell dan Bond mengadaptasi yang diperoleh pada one step
estimator dengan cara mengganti = dengan
= =
Sehingga dihasilkan two step efficient system estimator sebagaimana persamaan (5)

Uji Signifikansi Parameter

Pengujian signifikasi parameter digunakan untuk mengetahui adanya
hubungan di dalam model. Uji Wald digunakan untuk uji signifikasi model
secara serentak. Hipotesis uji yaitu dimana : = = …= = 0 (tidak
terdapat koefesien signifikan pada model), : Paling tidak ada satu koefesien
yang signifikan terhadap model ≠ 0, j=1,2,…,p. Adapun statistik uji Wald
dapat ditulis pada persamaan (6)
w= (K) (6)
dengan
: Invers matriks varian kovarian
K : jumlah variabel independen
ditolak apabila nilai statistik uji Wald lebih besar dari tabel chi-square ( ).
Signifikansi secara parsial digunakan untuk mengetahui ada tidaknya pengaruh
signifikan nilai koefesien pada model. Uji Z digunakan karena jumlah observasi
yang besar [10]. Hipotesis : = 0, hipotesis : ≠ 0, j=1,2,…,p, Adapun
statistik uji Z sesuai persamaan (7).
= (7)

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.

Uji Spesifikasi Model

Uji spesifikasi model pada regresi panel dinamis meliputi uji Arellano-
Bond, uji Sargan dan memenuhi kriteria ketakbiasan. Uji Arellan-Bond dilakukan
untuk uji konsistensi, sedangkan Uji sargan dilakukan untuk mengetahui validitas
penggunaan variabel instrumen yang melebihi jumlah parameter yang diestimasi
(overidentifying restrictions) (Wawro, 2002). Adapun hipotesis uji Arellano-Bond
adalah sebagai berikut:
: Tidak terdapat autokorelasi pada sisaan first difference orde ke-i
: Terdapat autokorelasi pada sisaan first difference orde ke-i
m(2) = ~ N(0,1) (8)

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

1. Melakukan analisis laju pertumbuhan ekonomi di Indonesia serta variabel-

variabel terkait yang diduga memengaruhi pertumbuhan ekonomi.
2. Melakukan analisis matriks korelasi.
3. Melakukan estimasi model dengan pendekatan FD-GMM dan SYS-GMM.
4. Melakukan pengujian spesifikasi parameter pada model (uji Sargan dan uji
Arellano-Bond).
5. Memilih model antara pendekatan FD-GMM dan SYS-GMM.
6. Melakukan pengujian signifikansi parameter model secara serentak (uji Wald)
dan secara parsial (uji Z).
7. Menginterpretasikan hasil yang diperoleh.

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.

Tabel 1. Variabel Penelitian

Variabe Satuan
Keterangan
l
Y Produk Domestik Regional Bruto (PDRB) Miliar Rupiah
Investasi Luar Negeri (ILN) Juta Dollar
Pengeluaran Pemerintah (PP) Miliar Rupiah
Tingkat Partisipasi Angkatan Kerja Persentase
(TPAK)
Indeks Pembangunan Manusia (IPM) Persentase

Model yang dibangun pada penelitian ini yaitu model Produk Domestik Regional
Bruto (PDRB) sebagai berikut.

HASIL DAN PEMBAHASAN

Estimasi Model Regresi Data Panel Dinamis
Pada tahap ini dilakukan pendugaan model regresi data panel dinamis
menggunakan pendekatan first-difference GMM two step estimator dan system GMM
two step estimators.
Tabel 2. Estimasi Parameter Pendekatan FD-GMM
Parameter Koefesien Standard Error z P value
0,6781622 0,0180748 37,52 0,000
0,0110381 0,0011841 9,32 0,000
0,0668307 0,0037475 17,83 0,000
-0,052228 0,015659 -3,34 0,001
0,6784913 0,1075962 6,31 0,000
Uji Wald 133353,63

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.

Uji Spesifikasi Model Regresi Data Panel Dinamis

Uji spesifikasi model regresi data panel dilakukan dengan uji Arellano-Bond
serta uji Sargan. Uji Arellano-Bond dilakukan untuk mendeteksi adanya
autokorelasi antara komponen residual pada model baik FD-GMM maupun SYS-
GMM sebagaimana persamaan (7). Apabila nilai m atau > atau Pvalue
< α, maka tolak . Konsistensi GMM ditunjukkan oleh nilai yang signifikan
(tolak ) pada m (1), sedangkan pada m (2) konsistensi GMM ditunjukkan oleh
nilai yang tidak signifikan (gagal tolak ). Hasil uji Arellano-Bond pada kedua
model yaitu FD-GMM dan SYS-GMM ditunjukkan pada Tabel 4.
Tabel 4. Hasil Uji Spesifikasi Arellano-Bond FD-GMM dan SYS-GMM
FD-GMM SYS-GMM
Nilai Pvalue Nilai Pvalue
statistik Statistik
m(1) -2,9507 0,0032 -3,2 0,0014
m(2) -2,1506 0,0315 -1,8467 0,0648

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.

Pemilihan Model Data Panel Dinamis

Model terbaik dipilih berdasarkan hasil yang memenuhi kriteria uji asumsi
yang diberikan pada Tabel 7.
Tabel 7. Ringkasan Hasil Pengujian
Kriteria FD-GMM SYS-GMM
Uji Sargan Terpenuhi Terpenuhi
Uji Arellano-Bond Terpenuhi Terpenuhi
Ketidakbiasan Tidak Terpenuhi Terpenuhi

Berdasarkan Tabel 7, dapat dilihat model terbaik adalah model SYS-GMM karena
seluruh kriteria uji asumsi terpenuhi.

Uji Signifikansi Parameter

Uji signifikansi parameter terdiri dari uji serentak dan uji parsial. Uji
serentak dilakukan untuk mengetahui pengaruh seluruh variabel independen
terhadap variabel dependen. Uji serentak dilakukan menggunakan uji Wald dengan

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

statistik uji sesuai dengan persamaan (5). Adapun hipotesisnya adalah : = =

…= = 0 (tidak terdapat koefesien signifikan pada model), : paling tidak ada
satu koefesien yang signifikan terhadap model ≠ 0, j=1,2,…,p. ditolak jika
nilai statistik uji w > nilai tabel chi-square ( ) atau nilai p-value < α. Berdasarkan
data pada Tabel 2, nilai statistik uji Wald sebesar 604262,89 > nilai tabel chi-square
( ) sebesar 9,49 dan nilai Pvalue=0,0000 < α = 0,05. Dengan demikian terdapat
variabel independent yang berpengaruh terhadap variabel dependen.
Uji parsial dilakukan untuk mengetahui ada tidaknya pengaruh signifikan
nilai koefesien pada model. Pengujian yang dilakukan menggunakan uji Z dengan
statistik uji sesuai dengan persamaan (6). Adapun hipotesis : = 0, hipotesis
: ≠ 0, j=1,2,…,p dimana nilai α = 0,05 berarti nilai = 1,96. Keputusan
ditolak apabila nilai statistik uji Z > nilai atau nilai p-value < α.
Berdasarkan data pada Tabel 2, lag variabel dependen memiliki nilai statistik uji
Z sebesar 142,02 > nilai tabel chi-square ( ) sebesar 9,49 dan nilai Pvalue=0,0000 <
α = 0,05 yang berarti signifikan berpengaruh terhadap PDRB. Adapun variabel
independen yang berpengaruh signifikan terhadap PDRB yaitu memiliki nilai
Pvalue < α = 0,05 adalah investasi dalam negeri ( , pengeluaran pemerintah
( IPM ( , tingkat hunian hotel berbintang ( , dan tingkat hunian hotel
non berbintang ( .

Interpretasi Hasil
Berdasarkan pendekatan SYS-GMM pada Tabel 2, diperoleh persamaan
SYS-GMM sebagai berikut:

Nilai =0,881681 menjelaskan bahwa apabila terjadi peningkatan PDRB

pada periode sebelumnya sebesar satu satuan maka akan meningkatkan PDRB
sebesar 0,881681 satuan. Nilai =0,0049498 mengindikasikan PDRB meningkat
sebesar 0,0049498 satuan untuk setiap kenaikan satu miliar rupiah investasi luar
negeri. Nilai =0,0647154 mengindikasikan PDRB meningkat sebesar 0,0647154
satuan untuk setiap kenaikan satu miliar rupiah pengeluaran pemerintah. Nilai
=-0,0449946 bermakna setiap peningkatan satu satuan indeks tingkat partisipasi
angkatan kerja, maka dapat menurunkan nilai PDRB sebesar satu satuan. Nilai =-
0,447323 bermakna setiap peningkatan satu persen indek pembangunan manusia,
maka dapat menurunkan nilai PDRB sebesar satu satuan.

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

untuk penelitian selanjutnya adalah melakukan pengujian efek spasial pada

model serta melakukan analisis regresi data panel dinamis spasial.

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.

B. M. Wihda and D. Poerwono, “Analisis Pengaruh Penanaman Modal Dalam

Negeri (PMDN), Penanaman Modal Asing (PMA), Pengeluaran Pemerintah dan
Tenaga Kerja Terhadap Pertumbuhan Ekonomi di D.I Yogyakarta (Tahun 1996-
2012),” Diponegoro J. Econ., vol. 3, no. 1, pp. 1–11, 2014, [Online]. Available:
http://ejournal-s1.undip.ac.id/index.php/jme

N. P. M. UTAMI, I. W. SUMARJAYA, and I. G. A. M. SRINADI, “Memodelkan Rasio

Ketersediaan Beras Menggunakan Regresi Data Panel Dinamis,” E-Jurnal Mat., vol.
8, no. 3, p. 199, 2019, doi: 10.24843/mtk.2019.v08.i03.p253.

M. Dendo, K. Suryowati, and J. Statistika, “Pemodelan Tingkat Inflasi Di Indonesia

Menggunakan Regresi Data Panel Dinamsi Dengan Estimasi Fd-Gmm Arellano-
Bond Dan Sys-Gmm Blundell-Bond,” J. Stat. Ind. dan Komputasi, vol. 06, no. 02, pp.
159–170, 2021.

H. N. Aini, D. Ispriyanti, and S. Suparti, “Analisis Regresi Faktor Panel Dinamis

Blundell-Bond Dengan Estimasi System-Generalized Method of Moment Pada
Saham Farmasi Di Bei,” J. Gaussian, vol. 11, no. 3, pp. 447–457, 2023, doi:
10.14710/j.gauss.11.3.447-457.

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.

D. N. Gujarati, Basic Econometrics, Fifth edit. The Mcgraw-Hill Companies, 2009.

47