G14 Esa
G14 Esa
EVITA SARI
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Evita Sari
NIM G14100082
ABSTRAK
EVITA SARI. Pemodelan Inflasi Regional Indonesia Menggunakan Regresi Data
Panel Statis dan Dinamis. Dibimbing oleh INDAHWATI dan NOER AZAM
ACHSANI.
Inflasi merupakan masalah ekonomi yang dialami setiap negara. Inflasi yang
tidak terkendali dapat berdampak buruk bagi perekonomian dan mengganggu
stabilitas nasional. Inflasi nasional ditentukan oleh inflasi daerah. Inflasi regional
di Indonesia besarnya bervariasi karena perbedaan karakteristik daerah dan
adanya kebijakan otonomi daerah. Penelitian ini menduga model tingkat inflasi di
31 provinsi di Indonesia periode 2006-2012 dengan menggunakan regresi data
panel statis dan dinamis. Nilai RMSE, MAE dan MAPE menunjukan angka yang
lebih kecil pada dugaan model regresi data panel dinamis menggunakan prosedur
SYS-GMM daripada dugaan model regresi data panel statis menggunakan model
efek tetap. Model yang memasukkan peubah tingkat inflasi tahun sebelumnya
sebagai peubah bebas lebih baik dari sisi kesalahan pendugaan dibandingkan
model yang tidak menggunakan peubah tingkat inflasi tahun sebelumnya. Peubah
yang mempengaruhi tingkat inflasi secara signifikan adalah upah minimum
provinsi riil, konsumsi energi listrik dan tingkat inflasi tahun sebelumnya.
Kata kunci: inflasi regional, regresi data panel dinamis, regresi data panel statis
ABSTRACT
Keywords: regional inflation, dynamic panel data regression, static panel data
regression
PEMODELAN INFLASI REGIONAL INDONESIA
MENGGUNAKAN REGRESI DATA PANEL STATIS DAN
DINAMIS
EVITA SARI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Judul Skripsi : Pemodelan Inflasi Regional Indonesia Menggunakan Regresi Data
Panel Statis dan Dinamis
Nama : Evita Sari
NIM : G14100082
Disetujui oleh
Diketahui oleh
Dr Ir Anang Kurnia, M Si
Ketua Departemen
Tanggal Lulus:
PRAKATA
Bismillaahirrahmaanirrahiim
Segala puji syukur kepada Allah subhanahu wa ta’ala atas segala limpahan
nikmat hidayah dan karunia-Nya, shalawat serta salam penulis panjatkan pada
nabi Muhammad SAW yang telah membawa petunjuk bagi umatnya. Karya
ilmiah dengan judul Pemodelan Inflasi Regional Indonesia Menggunakan Regresi
Data Panel Statis dan Dinamis penulis susun sebagai salah satu syarat untuk
mendapatkan gelar Sarjana Statistika pada Departemen Statistika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Terima kasih penulis sampaikan kepada ibu Dr. Ir. Indahwati, M.Si dan
bapak Prof. Dr. Ir. Noer Azam Achsani, MS selaku pembimbing atas masukan,
bimbingan dan pengajaran yang diberikan selama penyusunan karya ilmiah ini,
bapak Dr. Farit M Afendi, M. Si selaku penguji yang telah memberikan masukan
dan perbaikan, orang tua tercinta ibu Sumarni, S.Pd, bapak Ngadimin, Am.Pd,
serta dek Kurnia Sari dan dek Ratna Sari atas kasih sayang, doa dan semangat
yang diberikan. Terima kasih kepada Yayasan Supersemar dan Karya Salemba
Empat untuk beasiswa yang diberikan dan membantu penyelesaian studi. Penulis
juga mengucapkan terima kasih kepada Puspita Laksmi Maharani, Fitri Insani,
ST, segenap saudaraku di Pondok Alia, Gabuters, Solikers, Bulliers, KMK dan
seluruh teman-teman Statistika 47 yang selalu memberikan dukungan dan bantuan
mereka sehingga penulis dapat menyelesaikan karya ilmiah ini.
Semoga penelitian ini bermanfaat.
Evita Sari
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
TINJAUAN PUSTAKA 2
Inflasi 2
Regresi Data Panel Statis 2
Regresi Data Panel Dinamis 5
Evaluasi Pendugaan Model 8
METODE 9
Data 9
Prosedur Analisis Data 10
HASIL DAN PEMBAHASAN 10
Eksplorasi Data 10
Pendugaan Model Regresi Data Panel Statis 13
Pendugaan Model Regresi Data Panel Dinamis 16
Pemilihan Model Terbaik 17
Interpretasi Peubah Berpengaruh 18
SIMPULAN DAN SARAN 19
Simpulan 19
Saran 20
DAFTAR PUSTAKA 20
LAMPIRAN 22
RIWAYAT HIDUP 33
DAFTAR TABEL
1 Perilaku tingkat inflasi di 31 provinsi 11
2 Koefisien korelasi antar peubah 12
3 Hasil uji spesifikasi model regresi data panel statis pada model A 13
4 Pendugaan model efek tetap dengan penanganan asumsi pada model A 14
5 Hasil pengujian regresi data panel dinamis pada model C 16
6 Perbandingan hasil pendugaan model efek tetap dan SYS-GMM 17
DAFTAR GAMBAR
1 Grafik provinsi yang mengalami perbedaan perilaku tingkat inflasi 11
2 Hasil uji Jarque-Bera model A 15
3 Hasil uji Jarque-Bera model C 16
DAFTAR LAMPIRAN
1 Daftar provinsi dan kota proksi tingkat inflasi 22
2 Tabel tingkat inflasi regional (dalam %) 23
3 Diagram pencar peubah tak bebas vs peubah bebas dalam tahun 24
4 Histogram setiap peubah 26
5 Pendugaan model gabungan dan model efek acak untuk model A 27
6 Efek individu setiap provinsi pada model A 28
7 Hasil regresi data panel statis untuk model B 29
8 Hasil regresi data panel dinamis pada model D 32
PENDAHULUAN
Latar Belakang
Tujuan Penelitian
TINJAUAN PUSTAKA
Inflasi
Inflasi merupakan peningkatan dalam seluruh tingkat harga barang dan jasa
yang berlangsung secara terus-menerus. Peningkatan tingkat harga yang terjadi
secara sekaligus namun tidak berkepanjangan bukan merupakan inflasi. Inflasi
terjadi karena adanya permintaan atas barang dan jasa yang masih belum
terpenuhi meskipun faktor-faktor produksi sudah sepenuhnya digunakan.
Kelebihan permintaan ini akan menimbulkan kenaikan dalam tingkat harga.
Kurva Phillips dalam bentuk modernnya menyatakan bahwa tingkat inflasi
(π) tergantung pada tiga kekuatan yaitu tingkat inflasi yang diharapkan (πe),
pengangguran siklis (u – un) dan guncangan penawaran (v) (Mankiw 2003).
Asumsi yang dikenakan pada Kurva Phllips adalah adaptive expectation yaitu
orang pernah mengalami inflasi sehingga tingkat inflasi yang diharapkan
diperkirakan berdasarkan tingkat inflasi periode sebelumnya. Studi mengenai
keberadaan Kurva Phillips di Indonesia dilakukan oleh Solikin (2004) yang
menyatakan bahwa untuk tingkat nasional kurva tersebut memang berlaku dan
mengalami perubahan seiring dengan perubahan struktur ekonomi Indonesia.
Data panel merupakan kombinasi dari unsur waktu (time series) dan unsur
individu (cross section). Data panel diperoleh dengan mengamati sejumlah objek
dalam beberapa waktu (Gujarati 2003). Menurut Baltagi (2005) model regresi data
panel secara umum dapat dinyatakan sebagai berikut:
it it it (1)
dimana i bernilai 1, 2, ..., n dan t bernilai 1, 2, ..., T. Indeks i menunjukan dimensi
dari cross section, sedangkan indeks t menunjukan dimensi dari time series.
3
Model Gabungan
Pada model efek tetap, efek individu (µi) diasumsikan sebagai parameter
tetap yang bervariasi sehingga penduga model ini mampu menjelaskan perbedaan
antar individu, vi,t menyebar normal (0,σ2v) bebas stokastik identik, Xi,t bebas
dengan vi,t untuk setiap i dan t. Pemasukan peubah boneka dalam model
memungkinkan untuk melihat perbedaan intersep atau sering dikenal dengan
teknik Least Square Dummy Variables (LSDV). Model efek tetap mengikuti
persamaan (1) dengan i = , D merupakan matriks berukuran nT x n dimana
D = [d1, d2, . ., dn] dan di merupakan peubah boneka pada individu ke-i, dengan i
adalah 1, 2, ... n.
-
Penduga kuadrat terkecil bagi adalah dimana
-
- [ ] . Kolom matriks D orthogonal, sehingga:
[ ]
Pada model efek acak, efek individu (µi) diasumsikan menyebar normal
bebas stokastik identik (0,σ2µ), vi,t menyebar normal (0,σ2v) bebas stokastik identik
dan Xi,t bebas dengan µi dan vi,t untuk setiap i dan t. Menurut Greene (2012) model
efek acak mengikuti persamaan (1) dengan µi merupakan pengaruh acak yang
spesifik pada individu ke-i dan konstan dalam waktu. Komponen sisaan pada
model efek acak mengikuti error component model sebagai berikut:
i,t i i,t
dengan [ i,t ] σ σ v , [ i,t i,s ] σ untuk t ≠ s, [ i,t j,s ]
untuk semua t dan s jika i ≠ j. Matriks ragam-peragam untuk T amatan pada setiap
individu i adalah ∑ = i sehingga:
∑=
[ ]
dengan iT adalah T x 1 vektor kolom dari angka 1, maka matriks ragam peragam
untuk n x T amatan adalah:
∑
∑
[ ] ∑
∑
Pendugaan model dengan Metode Kuadrat Terkecil akan diperoleh penduga
konsisten namun komponen galat vi,t mengalami autokorelasi dan galat baku
berbias, sehingga pendugaan dilakukan dengan Generalized Least Square yaitu
melakukan OLS setelah data ditansformasi sebagai berikut:
( i,t ̅ i. ) ( ) ( i,t ̅ i. ) {( ) i ( i,t ̅i. )}
σ v
dimana -√ . Pada umumnya nilai berada di antara dan . Jika
σ σ v
E(ui,t | Xi,t) = 0, efisiensi akan meningkat. Tetapi jika E(ui,t | Xi,t) ≠ , hasil
pendugaan model efek acak akan berbias. Jika σ2µ >> σ2v , akan mendekati 1
sehingga bias dari penduga model efek acak akan kecil.
Uji Chow
model efek tetap. Keputusan tolak H0 jika nilai statistik uji Fhitung lebih besar dari
F-tabel.
Uji Hausman
SYS-GMM
i,
, i,
dif i
[ i,
,.. ., i, ]
Peubah instrumen level yang valid (berkorelasi dengan yi,t-1 dan tidak berkorelasi
dengan ui,t) diperoleh dari model level regresi data panel dinamis:
i,t i,t i,t
Untuk itu dipilih i,t- - i,t- atau ∆yi,t-1 sebagai peubah instrumen. Pada t = 3
peubah instrumen yang dipilih adalah ∆yi,2 dan pada t = 4 dipilih ∆yi,2 dan ∆yi,3.
Sehingga untuk sejumlah periode T, diperoleh (∆yi,2, ∆yi,3, . . . , ∆yi, T-1) sebagai
instrumen valid. Didefinisikan matriks peubah instrumen Zlev = [Z1’, . . . , ZN’
dengan setiap baris dari Zlev berisi peubah instrumen valid untuk setiap periode:
∆ i,
∆ i,
,∆ i,
lev i
[ ∆ i,
,.. ., ∆ i, ]
Model system merupakan kombinasi model first difference dan model level
sebagai berikut:
∆ ∆ ∆
( i,t ) ( i,t ) ( i,t )
i i,t i,t
7
∆ i,t
dengan kombinasi momen kondisi ( sys ( )) untuk i = 1, 2, . . .N yang
i,t
merupakan kombinasi dari ( dif ∆ i,t ) dan ( lev i,t ) . Lalu didefinisikan
matriks peubah instrumen untuk system yaitu:
dif
∆
dif
sys [ p ] ∆
lev
[ ∆ ]
p
Z lev adalah non-redundant subset dari Zlev dan Zsys. Model system dengan
penambahan peubah bebas X adalah:
∆ ∆ ∆ i,t ∆
( i,t ) ( i,t ) ( ) ( i,t )
i i,t i,t i,t
dengan matriks peubah instrumen first difference dan matriks peubah instrumen
level sebagai berikut:
i,
, ,
i,
, i,
, , ,
dif i
[ i,
, , i,
, ,.. , ]
∆ i,
,∆ i, ,∆ i,
∆ i,
,∆ i,
,∆ i, ,∆ i, ,∆ i,
lev i
[ ∆ i,
,.. ., ∆ i,
,.., ∆ i, ,.. , ∆ i, ]
Uji Wald
Uji Sargan
s ̂ [∑ i ̂i ̂i i] ̂ p
i
dengan ̂ merupakan sisaan bagi penduga model. Keputusan tolak H0 jika nilai
statistik uji s lebih besar dari 2(p-K-1) dengan p merupakan jumlah kolom bagi Z
(Arellano dan Bond 1991).
Uji Arellano-Bond
Blundell dan Bond (1991) menggunakan Root Mean Square Error (RMSE)
dalam evaluasi simulasi pendugaan model dengan prosedur SYS-GMM. RMSE
dihitung dengan:
n
i,t
[∑ ∑ ]
n
i t
9
vi,t merupakan sisaan pada pendugaan model, n merupakan jumlah individu yang
diamati dan T adalah periode waktu yang diamati.
Namun Willmott dan Matsuura (2005) mengungkapkan bahwa penggunaan Mean
Average Error (MAE) lebih baik daripada RMSE. MAE dapat dihitung dengan
rumus sebagai berikut:
n
| i,t |
[∑ ∑ ]
n
i t
Menurut Mukhopadhyay (2007) penggunaan Mean Absolute Percentage
Error (MAPE) dapat memperlihatkan baik tidaknya suatu hasil dugaan model
dilihat dari sisi keakuratanya. Perhitungan MAPE menggunakan nisbah antara
sisaan pada pendugaan model (vi,t) dengan nilai peubah tak bebas ( i,t ). MAPE
dihitung dengan:
n
i,t
P [∑ ∑ | |]
n i,t
i t
Apabila nilai MAPE yang diperoleh lebih dari 30% model hasil dugaan menjadi
kurang akurat.
METODE
Data
Penelitian ini menggunakan data sekunder yang diperoleh dari Badan Pusat
Statistik yang dipublikasikan dalam http//:www.bps.go.id, Publikasi Statistik
Listrik, Publikasi Statistik Transportasi dan Publikasi Keadaan Angkatan Kerja di
Indonesia. Data yang digunakan merupakan data tahunan peubah-peubah ekonomi
dari 31 provinsi di Indonesia pada periode 2006-2012. Provinsi yang tidak
dimasukan dalam penelitian ini adalah Papua Barat, Sulawesi Barat dan
Kalimantan Utara. Papua Barat digabungkan dengan provinsi Papua karena tidak
ada data kota yang dapat digunakan untuk proksi tingkat inflasi provinsi. Sulawesi
Barat baru berdiri pada 2004 sedangkan Kalimantan Utara baru berdiri pada 2012
sehingga belum ada data lengkap pada peubah ekonomi kedua provinsi tersebut.
Peubah tak bebas dalam penelitian ini adalah tingkat inflasi (berdasarkan
IHK) dalam % (INF) dengan peubah bebasnya antara lain:
1. Pendapatan Domestik Regional Bruto atas dasar harga konstan tahun 2000
dalam triliun rupiah (GDRP)
2. Upah Minimum Provinsi Riil (berdasarkan IHK tahun dasar 2007) dalam
ribuan rupiah (WAGE)
3. Tingkat Pengangguran Terbuka dalam % (U)
4. Luas jalan dalam kondisi baik dalam % (ROAD)
5. Konsumsi energi listrik dalam GWh (ELC).
10
Eksplorasi Data
2009). Sedangkan provinsi dengan tingkat inflasi terendah adalah Nangroe Aceh
Darussalam pada tahun 2012 yaitu sebesar 0.06%.
Tabel 1 memperlihatkan ringkasan perilaku tingkat inflasi 31 provinsi dari
tahun ke tahun. Perilaku tingkat inflasi dari tahun 2006 hingga 2011 menunjukan
perubahan yang hampir sama pada seluruh provinsi, namun terdapat empat
provinsi yang menunjukan perbedaan perilaku yaitu Nangroe Aceh Darussalam,
Sulawesi Utara, Papua dan Sulawesi Tenggara. Pada tahun 2012 perubahan
tingkat inflasi di seluruh provinsi cenderung beragam. Grafik 1 memperlihatkan
provinsi yang mengalami perbedaan perilaku inflasi dalam kurun waktu 2006-
2012. Tahun 2006 dan 2007 keempat provinsi (NAD, Sulawesi Utara, Papua,
Sulawesi Tenggara) cenderung berada di atas rata-rata tingkat inflasi seluruh
provinsi pada tahun tersebut. Peningkatan tingkat inflasi di Nangroe Aceh
Darussalam disebabkan oleh tingginya permintaan barang dan jasa untuk usaha
rekonstruksi pasca bencana tsunami pada tahun 2004, juga terbatasnya respon
pasar dalam meningkatkan jumlah barang (Yusran et al 2008).
18
NAD
16
14
Sulut
12
10
Papua
8
6
Sultara
4
2
Rata-rata
0 pertahun
2006 2007 2008 2009 2010 2011 2012
Koefisien korelasi antar peubah dapat dilihat dalam Tabel 2. Nilai korelasi
antara tingkat inflasi dan presentase luas jalan dalam kondisi baik bernilai negatif
meskipun nilai p tidak signifikan. Hal ini memperkuat pendapat yang menyatakan
bahwa rendahnya kondisi infrastruktur jalan yang baik dapat mempersulit
distribusi barang sehingga harga meningkat. Sejalan dengan hal tersebut kondisi
infrastruktur listrik yang kurang terpenuhi di suatu wilayah membuat
masyarakatnya untuk melakukan aktivitas ekonomi atau produksinya. Sedangkan
tingkat inflasi dan tingkat pengangguran dapat berhubungan positif karena inflasi
dapat meningkatkan biaya produksi perusahaan sehingga meningkatkan
pengangguran (Haug dan King 2011).
Konsumsi energi listrik dan produk domestik regional bruto mempunyai
hubungan yang signifikan positif dengan nilai koefisien korelasinya yaitu sebesar
13
Tabel 3 Hasil uji spesifikasi model regresi data panel statis pada model A
Hasil pendugaan dengan model efek tetap dapat dilihat pada Tabel 4 (Model
A1). Koefisien determinasi (R2) menurut hasil dugaan persamaan dengan model
efek tetap yaitu 34.28%. Besarnya R2 yang cukup rendah mengindikasikan bahwa
14
Tabel 4 Pendugaan model efek tetap dengan penanganan asumsi pada model A
individu (cross section weight) dan white heteroscedasticity (Model A2) sebesar
3.1773 yang berada pada (DW > 4 – dL) yaitu (3.1773 > 2.2549) yang
mengindikasikan adanya autokorelasi negatif. Masalah autokorelasi dapat diatasi
dengan menambahkan peubah autoregressive (AR) ke dalam persamaan. Nilai
DW (Model A3) hasil pendugaan setelah dilakukan penambahan AR(2) sebesar
1.9468 (seperti yang terlihat dalam Tabel 4 Model A3) yang berada pada (dU <
DW < 4 – dU) yaitu (1.8030 < 1.9468 < 2.1970). Penambahan AR(2) telah
mengatasi masalah autokorelasi.
Asumsi normalitas pada sisaan diperlukan karena pengujian hipotesis untuk
model dan koefisien menggunakan uji sebaran yang diturunkan dari sebaran
normal. Histogram sisaan dapat dilihat pada Gambar 1. Nilai p pada statistik
Jarque-Bera sebesar 0.1084 > 5%, maka hipotesis nol tidak ditolak dan asumsi
normalitas terpenuhi.
14
Jarque-Bera: 4.4446 Series: RESID
12 Nilai-p : 0.1084 Sample 2006 2012
Observations 155
10
Mean 2.16e-14
Median 0.337812
8
Maximum 47.96645
Minimum -35.93048
6 Std. Dev. 19.59420
Skewness 0.397693
4 Kurtosis 2.764302
2 Jarque-Bera 4.444571
Probability 0.108361
0
-37.5 -25.0 -12.5 0.0 12.5 25.0 37.5 50.0
Pada Tabel 4 (Model A3) terlihat hasil pendugaan model efek tetap dengan
asumsi yang telah terpenuhi. Menurut hasil pendugaan, nilai R2 yang diperoleh
adalah sebesar 86.30% yang artinya sebesar 86.30% keragaman dari tingkat
inflasi dapat dijelaskan oleh luas jalan kondisi baik, tingkat pengangguran
terbuka, upah minimum provinsi riil dan konsumsi energi listrik, sedangkan
sisanya sebesar 13.70% keragaman tingkat inflasi dijelaskan oleh peubah ekonomi
lain yang tidak dimasukan ke dalam dugaan model. Nilai p pada Fhitung (0.0000)
nyata pada = 5% mengindikasikan bahwa terdapat minimal satu peubah bebas
yang berpengaruh nyata terhadap peubah tak bebas dan model dianggap layak
untuk menduga parameter yang ada. Hasil pendugaan di atas memiliki nilai efek
individu yang berbeda di setiap provinsi yang dapat dilihat dalam Lampiran 6.
DKI Jakarta adalah provinsi yang mempunyai nilai efek individu yang paling
tinggi. Apabila diasumsikan seluruh peubah bebas tidak berpengaruh, DKI Jakarta
mempunyai tingkat inflasi yang paling tinggi di antara seluruh provinsi lain.
Sedangkan provinsi yang mempunyai tingkat inflasi terendah adalah Gorontalo.
Hasil pendugaan model B dapat dilihat dalam Lampiran 7. Model yang
terpilih adalah model efek tetap dengan pelanggaran asumsi dan penanganan yang
sama dengan model sebelumnya. Model B diduga dengan model efek tetap
dengan pembobotan individu (cross section weight) dan white heteroscedasticity
serta penambahan AR(2).
16
20
Jarque-Bera : 1.6383 Series: E9
Nilai-p : 0.4408 Sample 2006 2012
16 Observations 186
Mean 6.024973
12 Median 6.680262
Maximum 21.77705
Minimum -10.97012
8 Std. Dev. 6.976560
Skewness -0.178750
Kurtosis 2.710879
4
Jarque-Bera 1.638327
Probability 0.440800
0
-10 -5 0 5 10 15 20
Menurut Arellano dan Bond (1991), terdapat dua kriteria untuk menemukan
penduga model panel dinamis terbaik yaitu instrumen yang digunakan valid dan
diperoleh penduga yang konsisten. Uji Sargan digunakan untuk mengetahui
validitas penggunaan peubah instrumen yang jumlahnya melebihi jumlah
parameter yang diduga (kondisi overidentifying restriction). Seperti yang terlihat
dalam Tabel 5, hasil pengujian dengan nilai 2 hitung sebesar 28.7069 dan nilai p
17
sebesar 0.0707 > taraf nyata 5% sehingga hipotesis nol tidak ditolak. Artinya
kondisi overidentifying restriction dalam pendugaan model valid.
Kekonsistenan penduga diuji dengan Uji Arellano-Bond. Penduga yang
konsisten mempunyai komponen sisaan yang tidak mengalami second order
serial correlation pada persamaan first difference-nya. Tabel 5 menunjukkan pada
orde pertama nilai Zhitung sebesar -2.5274 dengan nilai p sebesar 0.0115 sehingga
hipotesis nol ditolak. Artinya terdapat autokorelasi pada sisaan first difference
ordo pertama. Pada ordo kedua nilai Zhitung sebesar -0.7128 dengan nilai p sebesar
0.4760 sehingga hipotesis nol diterima. Artinya tidak terdapat autokorelasi pada
sisaan first difference ordo kedua. Pengujian dengan uji Arellano-Bond
menunjukkan hasil yang konsisten sehingga sisaan pada model dalam level tidak
mengalami autokorelasi atau sisaan dalam level mengikuti proses random walk.
Peneliti tidak melakukan pengujian asumsi homogenitas karena standar
sisaan yang digunakan adalah robust standar eror yang kekar dengan masalah
heteroskedastisitas (Roodman 2009). Asumsi normalitas diuji dengan
menggunakan uji Jarque-Bera. Histogram sisaan dapat dilihat pada Gambar 3.
Nilai p pada statistik Jarque-Bera sebesar 0.4408 > 5%, maka hipotesis nol
tidak ditolak dan asumsi normalitas terpenuhi. Hasil pendugaan model D dapat
dilihat dalam Lampiran 9.
Berikut adalah nilai koefisien hasil pendugaan dengan regresi data panel
statis (model efek tetap) dan regresi data panel dinamis (SYS GMM):
Tabel 6 Perbandingan hasil pendugaan Model Efek Tetap dan SYS GMM
Pada dugaan model tingkat inflasi dengan menggunakan regresi data panel
dinamis (model C dan D) menunjukkan peubah tingkat inflasi tahun sebelumnya
yang signifikan mempengaruhi tingkat inflasi secara negatif. Hal tersebut sejalan
dengan hubungan antara tingkat inflasi dan peubah tingkat inflasi tahun
sebelumnya yang nyata dengan koefisien korelasi sebesar -0.1670. Hasil serupa
diperoleh oleh Whelan (2007) yang melakukan penelitian mengenai tingkat
inflasi Amerika Serikat dan Euro Area menggunakan staggered price contracting
model. Penelitian tersebut menyimpulkan hubungan antara tingkat inflasi dan
tingkat inflasi tahun sebelumnya menggunakan tiga pemodelan (model Taylor,
model Calvo terpotong dan model berdasarkan peningkatan hazard) adalah
negatif. Marques, Pino dan Tena (2009) melakukan penelitian mengenai tingkat
inflasi pada sektor makanan di negara Chili yang meliputi 98 komoditas makanan
di 23 kota besar di negara tersebut dan menunjukkan bahwa lag tingkat inflasi
merupakan faktor yang paling penting dalam dinamika inflasi yang dibuktikan
dengan persentase komoditas untuk peubah lag tingkat inflasi yang signifikan
sangat tinggi. Meskipun pada penelitian ini tingkat inflasi yang digunakan adalah
tingkat inflasi dari seluruh sektor di Indonesia, koefisien lag tingkat inflasi yang
signifikan sejalan dengan penelitian yang disebutkan.
Upah minimum regional riil secara signifikan mempengaruhi tingkat inflasi
dengan koefisien peubah tersebut pada model C dan model D menunjukkan nilai
yang negatif. Koefisien peubah upah minimum regional riil yang negatif sejalan
dengan penelitian mengenai determinasi inflasi oleh Mohanty dan Klau (2001).
Penelitian tersebut menyimpulkan bahwa penurunan tingkat inflasi dapat
meningkatkan upah minimum riil pada negara di Asia, Eropa dan Afrika.
Guncangan upah dapat memicu terjadinya cost push inflation yaitu inflasi yang
terjadi karena peningkatan biaya produksi atau beban biaya yang tinggi. Hasil
serupa dijumpai pada tulisan Ozcan, Berument dan Neyapti (2004) yang meneliti
mengenai dinamika inflasi di negara Turki. Hubungan antara upah dan inflasi
adalah negatif. Hubungan yang negatif tersebut disebabkan oleh kesenjangan yang
tinggi antara biaya pekerja dan upah yang diterima. Kesenjangan terjadi karena
pembayaran pajak, biaya keamanan sosial dan kompensasi yang tidak
diperhitungkan di dalam upah yang diberikan oleh perusahaan.
Pada model C koefisien regresi konsumsi energi listrik signifikan pada taraf
nyata 5%, sedangkan produk domestik regional bruto pada model D tidak
memberikan pengaruh yang signifikan. Namun kedua peubah tersebut mempunyai
koefisien korelasi positif yang kuat sehingga interpretasinya sejalan. Peningkatan
konsumsi energi listrik akan meningkatkan produk domestik regional bruto karena
konsumsi energi listrik merupakan salah satu sektor produksi yang dimasukkan
19
. .5 . .
- . lnW - . ln
Simpulan
Saran
DAFTAR PUSTAKA
Arellano M, Bond S. 1991. Some Tests of Specification for Panel Data: Monte
Carlo Evidence and An Application to Employment Equations. Oxford
Journal The Review of Economic Studies. 58(2): 277–297. doi:
10.2307/2297968.
Baltagi BH. 2005. Econometric Analysis of Panel Data, Third Edition. Chicester
(EN): John Wiley & Sons.
Beirne J. 2009. Vulnerability of Inflation in The New EU Member States to
Country Specific and Global Factors. Economics Bulletin. 29(2): 1420–1431.
Blundell R, Bond S. 1998. Initial Conditions and Moment Restrictions in
Dynamic Panel Data Models. Journal of Econometrics. 87: 115–143. doi:
10.1016/S0304-4076(98)00009-8.
Behr A. 2003. A Comparison of Dynamic Panel Data Estimator: Monte Carlo
Evidence and An Application to The Investment Function. Discussion
Paper The Deutsche Bundesbank Economic Research Centre. 5(3): 1–28.
Chandra Y. 2010. Analisis Faktor-Faktor yang Mempengaruhi Capital Flight
dengan Pendekatan Regresi Data Panel [Skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Darmawan I. 2013. Kondisi dan Permasalahan Listrik di Indonesia. Jurnal
Ekonomi dan Studi Pembangunan. 5(1): 11–20.
Dye F. 2014. What is the Relationship Between GDRP and Inflation? [Internet].
Spark (NV): Conjecture Corporation. [diunduh 2014 Jun 16]. Tersedia pada:
http://www.wisegeek.com/what-is-the-relationship-between-gdp-and-
inflation.htm.
Fibriani SU. 2012. Pemodelan Tingkat Inflasi Nasional dengan Model Fungsi
Transfer Input Ganda [Skripsi]. Bogor (ID): Institut Pertanian Bogor.
Firdaus M. 2009. The Global Economic Crisis and Its Effect on Indonesian
Agribusiness Exports? AFBE Journal. 3(2): 283–295.
Gujarati DN. 2003. Basic Econometrics, Fourth Edition. New York (US): Mc
Grow Hill.
Greene WH. 2012. Econometric Analysis, Seventh Edition. Boston (US): Pearson.
Haug AA, King IP. 2011. Empirical Evidence on Inflation and Unemployment in
the Long Run. Economics Discussion Paper. 1109: 1–25.
Jonsson M, Palmqvist S. 2004. Do Higher Wages Cause Inflation. Sveriges
Riskbank Working Paper Series. 159: 1–43.
Ozcan KM, Berument H, Neyapti B. 2004. Dynamics of Inflation and Inflation
Inertia in Turkey. Journal of Economic Cooperation. 25(3): 63–86.
21
Marques H, Pino G, Tena JD. 2009. Regional Inflation Dynamics Using Space-
Time Models. Working Paper CRENoS. 2009_15: 1–26. doi:
10.1007/s00181-013-0763-9.
Mankiw NG. 2003. Teori Makroekonomi, Edisi Kelima. Jakarta (ID): Erlangga.
Mukhopadhyay SK. 2007. Production Planning and Control Text and Cases,
Second Edition. New Delhi (IN): Prentice Hall of India Private Limited.
Prasetyo RB, Firdaus M. 2009. Pengaruh Infrastruktur pada Pertumbuhan
Ekonomi Wilayah di Indonesia. Jurnal Ekonomi dan Kebijakan
Pembangunan. 2(2): 222–236.
Roodman D. 2009. How to do xtabond2: An Introduction to Difference and
System GMM in Stata. The Stata Journal. 9(1): 86–136.
Solikin. 2004. Kurva Phillips dan Perubahan Struktural di Indonesia : Keberadaan,
Linearitas, dan Pembentukan Ekspektasi. Buletin Ekonomi Moneter dan
Perbankan. 6(4): 41–75.
Whelan K. 2007. Staggered Price Contrast and Inflation Persistence: Some
General Result. International Economic Review. 48(1): 111–145. doi:
10.1111/j.1468-2354.2007.00419.x.
Willmott CJ, Matsuura K. 2005. Advantages of Mean Absolute Error (MAE) over
The Root Mean Square Error (RMSE) in Assesing Average Model
Performance. Climate Research Journal. 30: 79–82. doi: 10.3354/cr030079.
Yusran, Hermansyah E, Musyrafah H, Armas EB. 2008. Perkembangan Ekonomi
Aceh [Internet]. World Bank. hlm 1–4; [diunduh 2014 Jul 4] Tersedia pada
http://siteresources.worldbank.org/INTINDONESIA/Resources/226271-
1176706430507/3681211-1194602678235/4375533-
1198637122429/AEU_April2008_bh.pdf.
Zukhri N. 2009. Dampak Krisis Ekonomi Global terhadap Kondisi Sosial
Ekonomi di Provinsi Kepulauan Bangka Belitung [Internet]. Pangkalpinang
(ID): Universitas Bangka Belitung. hlm 1–10; [diunduh 2014 Jun 1].
Tersediapada: http://www.ubb.ac.id/artikel_pdf.php?nomorurut_artikel=273.
22
Provinsi Kota
Nangroe Aceh D Banda Aceh
Sumatera Utara Kota Medan
Sumatera Barat Kota Padang
Riau Kota Pekanbaru
Kepulauan Riau Kota Batam
Jambi Kota Jambi
Sumatera Selatan Kota Palembang
Bengkulu Kota Bengkulu
Lampung Kota Bandar Lampung
Bangka Belitung Kota Pangkal Pinang
DKI Jakarta DKI Jakarta
Jawa Barat Kota Bandung
Jawa Tengah Kota Semarang
DI Yogyakarta Kota Yogyakarta
Jawa Timur Kota Surabaya
Banten Kota Serang
Bali Kota Denpasar
Nusa Tenggara Barat Kota Mataram
Nusa Tenggara Timur Kota Kupang
Kalimantan Barat Kota Pontianak
Kalimantan Tengah Kota Palangkaraya
Kalimantan Selatan Kota Banjarmasin
Kalimantan Timur Kota Samarinda
Sulawesi Utara Kota Manado
Sulawesi Tengah Kota Palu
Sulawesi Selatan Kota Makasar
Sulawesi Tenggara Kendari
Gorontalo Gorontalo
Maluku Ambon
Maluku Utara Ternate
Papua Jayapura
23
Tahun Rata-
Provinsi
2006 2007 2008 2009 2010 2011 2012 rata
Nangroe Aceh D 9.54 11.00 10.27 3.50 4.64 3.32 0.06 6.05
Sumatera Utara 5.97 6.42 10.63 1.59 7.65 3.54 3.79 5.66
Sumatera Barat 8.05 6.90 12.68 2.05 7.84 5.37 4.16 6.72
Riau 6.32 7.53 9.02 1.94 7.00 5.09 3.35 5.75
Kepulauan Riau 4.58 4.84 8.39 2.49 7.40 3.76 2.02 4.78
Jambi 10.66 7.42 11.57 1.85 10.52 2.76 4.22 7.00
Sumatera Selatan 8.44 8.21 11.15 2.88 6.02 3.78 2.72 6.17
Bengkulu 6.52 5.00 13.44 4.18 9.08 3.96 4.61 6.68
Lampung 6.03 6.58 14.82 2.17 9.95 4.24 4.30 6.87
Bangka Belitung 6.42 2.64 18.40 1.88 9.36 5.00 6.57 7.18
DKI Jakarta 6.03 6.04 11.11 2.34 6.21 3.97 4.52 5.75
Jawa Barat 5.33 5.25 10.23 2.11 4.53 2.75 4.02 4.89
Jawa Tengah 6.08 6.75 10.34 5.83 7.11 2.87 4.85 6.26
DI Yogyakarta 10.40 7.99 9.88 3.60 7.38 3.88 4.31 6.78
Jawa Timur 6.71 6.27 8.73 3.39 7.33 4.72 4.39 5.93
Banten 7.67 6.31 13.91 4.11 6.18 2.78 4.41 6.48
Bali 4.30 5.91 9.25 4.37 8.10 3.75 4.71 5.77
NTB 4.17 8.76 13.01 3.14 11.07 6.38 4.10 7.23
NTT 9.72 8.44 10.90 6.49 9.97 4.32 5.10 7.85
Kalimantan Barat 6.32 8.56 11.19 4.91 8.52 4.91 6.62 7.29
Kalimantan Tengah 7.72 7.96 11.65 2.85 9.49 5.28 6.73 7.38
Kalimantan Selatan 11.03 7.78 11.62 3.86 9.06 3.98 5.96 7.61
Kalimantan Timur 6.50 9.18 12.69 3.60 7.00 6.23 4.81 7.14
Sulawesi Utara 5.09 10.13 9.71 2.31 6.28 0.67 6.04 5.75
Sulawesi Tengah 8.69 8.13 10.40 5.73 6.40 4.47 5.87 7.10
Sulawesi Selatan 7.21 5.71 11.79 3.24 6.82 2.87 4.57 6.03
Sulawesi Tenggara 10.57 7.53 15.28 4.60 3.87 5.09 5.25 7.46
Gorontalo 7.54 7.02 9.20 4.35 7.43 4.08 5.31 6.42
Maluku 4.80 5.85 9.34 6.48 8.78 2.85 6.73 6.40
Maluku Utara 5.12 10.43 11.25 3.88 5.32 4.52 3.29 6.26
Papua 9.52 10.35 12.55 1.92 4.48 3.40 4.52 6.68
Rata-rata 7.20 7.32 11.43 3.47 7.44 4.02 4.58 6.49
Nasional 6.60 6.59 11.06 2.78 6.96 3.79 4.30 6.01
24
Lampiran 3 Diagram pencar peubah tak bebas vs peubah bebas dalam tahun
24 50
Series: INF Series: ROAD
Sample 2006 2012 Sample 2006 2012
20
Observations 217 Observations 217
40
24 24
Series: TPT Series: UMPR
Sample 2006 2012 Sample 2006 2012
20 20
Observations 217 Observations 217
16 Mean
16 7.525392 Mean 6.926826
Median 7.040000 Median 6.695121
Maximum 16.34000 Maximum 11.44632
12 12
Minimum 2.110000 Minimum 4.128732
Std. Dev. 3.120700 Std. Dev. 1.411984
8 Skewness
8 0.691711 Skewness 0.765700
Kurtosis 2.905273 Kurtosis 3.560663
4 4
Jarque-Bera 17.38557 Jarque-Bera 24.04655
Probability 0.000168 Probability 0.000006
0 0
2 4 6 8 10 12 14 16 4 5 6 7 8 9 10 11
100 100
Series: KEL Series: PDRB
Sample 2006 2012 Sample 2006 2012
80 Observations
80 217 Observations 217
Lampiran 5 Pendugaan model gabungan dan model efek acak untuk model A
Tabel 2 Pendugaan model efek tetap dengan penanganan asumsi pada model B
16
Jarque-Bera 0.5816 Series: RESID
14 Nilai p 0.7477 Sample 2006 2012
Observations 155
12
Mean 1.02e-13
10 Median -0.451363
Maximum 77.21388
8 Minimum -75.51730
Std. Dev. 36.70445
6
Skewness 0.002070
Kurtosis 2.699940
4
Jarque-Bera 0.581594
2
Probability 0.747668
0
-80 -60 -40 -20 0 20 40 60 80
Gambar 1 Hasil Uji Jarque-Bera
30
20
Jarque-Bera 1.023 Series: E8
Nilai p 0.599 Sample 2006 2012
16 Observations 186
Mean 6.377528
12 Median 8.571448
Maximum 62.92249
Minimum -62.02767
8 Std. Dev. 26.35113
Skewness -0.085344
Kurtosis 2.679259
4
Jarque-Bera 1.023069
Probability 0.599575
0
-60 -40 -20 0 20 40 60
RIWAYAT HIDUP
EVITA SARI, lahir di Klaten pada tanggal 15 Mei 1992. Anak pertama dari
pasangan Ngadimin, Am.Pd dan Sumarni, S.Pd dengan dua adik, Kurnia Sari dan
Ratna Sari. Penulis menempuh pendidikan sekolah dasar di Sekolah Dasar Negeri
1 Krajan dan lulus tahun 2004. Kemudian penulis melanjutkan pendidikan di
Sekolah Menengah Pertama Negeri 1 Karanganom sampai tahun 2007. Penulis
menamatkan pendidikannya di Sekolah Menengah Atas Negeri 1 Karanganom
pada tahun 2010 dan pada tahun yang sama penulis diterima sebagai mahasiswi
Departemen Statistika, Institut Pertanian Bogor melalui Ujian Talenta Mandiri.
Selama masa perkuliahan, penulis aktif di Organisasi Mahasiswa Daerah
Keluarga Mahasiswa Klaten (2010-2014) sebagai anggota, Unit Kegiatan
Mahasiswa Century IPB (2010) sebagai sekretaris divisi IT, Badan Eksekutif
Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam sebagai bendahara
Departemen Sainstek (2011-2012) dan sekretaris Departemen Sainstek (2012-
2013). Penulis juga mengikuti beberapa kepanitiaan diantaranya Java Cup 2010,
et’s ight gainst rugs ,J itan Business imulation , Pemilihan
Raya Wilayah FMIPA 2011, Statistika Ria 2011 dan 2012, G-Force 2012,
Exploscience 2012, Pesta Sains Nasional 2011, 2012 dan 2013. Penulis juga
pernah menjadi asisten praktikum mata kuliah Ekonomi Umum (2012) dan
Metode Statistika (2012-2013), pengajar dan data analis di Statistics Centre
(2011-2013). Penulis melakukan praktik lapang pada bulan Juli-Agustus 2013 di
PIXEL Research (PT. Global Insight Indonesia).