PEMODELAN INFLASI REGIONAL INDONESIA MENGGUNAKAN REGRESI DATA PANEL STATIS DAN DINAMIS
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* Dengan ini saya menyatakan bahwa skripsi berjudul Pemodelan Inflasi Regional Indonesia Menggunakan Regresi Data Panel Statis dan Dinamis adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2014 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 EVITA SARI. Modelling Indonesia’s Regional Inflation Using Static and Dynamic Panel Data Regression. Supervised by INDAHWATI and NOER AZAM ACHSANI. Inflation is an economic problem that is experienced by every country. Uncontrolled inflation rate causes bad impact in national stability. National inflation rate depends on regional inflation rates. Regional inflation rate in Indonesia varies due to differences in the characteristics of the area, the differences in economic structure and the policy of regional authonomy. This study estimates regional inflation rate model using yearly data in 2006 until 2012 from 31 provinces in Indonesia and uses static and dynamic panel data regression. RMSE, MAE and MAPE of dynamic panel data regression using SYS-GMM procedure have smaller value than static panel data regression using fixed effect model. It means that estimation model which includes the previous year’s inflation rate variable as independent variable is better than estimation model which doesn’t use it. The significant variables that affect inflation rate are regional minimum wages, consumption of electricity and previous year’s inflation rate. 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
Dr Ir Indahwati, M Si Pembimbing I
Prof Dr Ir Noer Azam Achsani, MS Pembimbing II
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.
Bogor, Juli 2014 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 HASIL DAN PEMBAHASAN
10 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 2 3 4 5 6
Perilaku tingkat inflasi di 31 provinsi Koefisien korelasi antar peubah Hasil uji spesifikasi model regresi data panel statis pada model A Pendugaan model efek tetap dengan penanganan asumsi pada model A Hasil pengujian regresi data panel dinamis pada model C Perbandingan hasil pendugaan model efek tetap dan SYS-GMM
11 12 13 14 16 17
DAFTAR GAMBAR 1 Grafik provinsi yang mengalami perbedaan perilaku tingkat inflasi 2 Hasil uji Jarque-Bera model A 3 Hasil uji Jarque-Bera model C
11 15 16
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8
Daftar provinsi dan kota proksi tingkat inflasi Tabel tingkat inflasi regional (dalam %) Diagram pencar peubah tak bebas vs peubah bebas dalam tahun Histogram setiap peubah Pendugaan model gabungan dan model efek acak untuk model A Efek individu setiap provinsi pada model A Hasil regresi data panel statis untuk model B Hasil regresi data panel dinamis pada model D
22 23 24 26 27 28 29 32
PENDAHULUAN Latar Belakang Inflasi merupakan fenomena ekonomi yang dialami oleh setiap negara. Inflasi ditandai dengan naiknya harga-harga secara umum dan berlangsung kontinu. Setiap negara memiliki tujuan makroekonomi dalam stabilitas harga yang sangat berkaitan dalam fenomena inflasi. Inflasi yang tak terkendali dapat menjadi ancaman bagi suatu negara karena dapat mengganggu stabilitas ekonomi, sosial dan politik. Tingkat inflasi yang tinggi secara umum mengakibatkan penurunan nilai riil uang yang dipegang masyarakat dan menurunnya tingkat kesejahteraan masyarakat. Inflasi nasional ditentukan oleh besarnya inflasi masing-masing daerah. Inflasi antar daerah di Indonesia bervariasi karena Indonesia merupakan wilayah kepulauan dengan perbedaan karakteristik antar wilayah dan perbedaan struktur ekonomi serta adanya kebijakan otonomi daerah yang membawa setiap daerah ke arah desentralisasi politik, fiskal dan administrasi. Penanganan masalah inflasi harus dilakukan oleh pemerintah, baik dari sisi moneter, fiskal dan non-moneter. Kebijakan pemerintah pusat untuk mengatasi inflasi direspon dengan tingkat inflasi yang berbeda pada setiap daerah. Penanganan yang lebih spesifik dapat dilakukan di setiap provinsi yang berbeda. Untuk itu perlu adanya pendugaan model inflasi untuk seluruh provinsi di Indonesia dalam kurun waktu tertentu. Data inflasi dan peubah lain yang mempengaruhinya merupakan gabungan dari data deret waktu dan data individu sehingga pendugaan model dilakukan dengan metode regresi data panel. Pemodelan dengan regresi data panel mempunyai dua pendekatan yaitu model regresi data panel statis dan model regresi data panel dinamis. Model regresi data panel dinamis menambahkan lag peubah tak bebas pada peubah bebas. Pembandingan dugaan model regresi data panel statis dan dinamis dilakukan karena dalam teori Kurva Phillips menyatakan bahwa salah satu faktor yang mempengaruhi besarnya tingkat inflasi dalam periode tertentu adalah tingkat inflasi periode sebelumnya. Fibriani (2012) melakukan pemodelan tingkat inflasi Indonesia dengan model fungsi transfer input ganda dan menyimpulkan bahwa tingkat inflasi periode ke-t dipengaruhi oleh tingkat inflasi dua belas bulan sebelumnya memperkuat alasan dalam pemilihan metode data panel dinamis sebagai model pembanding. Metode evaluasi pendugaan yang dipilih untuk membandingkan kedua model dugaan pada penelitian ini adalah Root Mean Square Error, Mean Absolute Error dan Mean Absolute Percentage Error. Penelitian-penelitian berikut menjadi dasar pemilihan peubah bebas yang digunakan. Prasetyo dan Firdaus (2009) melakukan penelitian mengenai pengaruh infrastruktur pada pertumbuhan ekonomi wilayah di Indonesia menggunakan regresi data panel statis. Hasil menunjukan bahwa infrastruktur di Indonesia baik jalan, listrik dan air bersih mempunyai pengaruh terhadap perekonomian di Indonesia. Listrik mempunyai peranan penting dalam proses produksi sedangkan jalan mendukung distribusi barang antar wilayah dan menunjang aktivitas ekonomi. Pada tahun yang sama Beirne (2009) melakukan pemodelan tingkat inflasi pada 10 negara anggota Europian Union dengan menggunakan metode SYS-GMM. Penelitian tersebut menyimpulkan bahwa tingkat inflasi dipengaruhi oleh tingkat
2 inflasi tahun sebelumnya, pendapatan domestik bruto dan tingkat pengangguran. Penelitian mengenai upah dan tingkat inflasi dilakukan oleh Jonsson dan Palmqvist (2004) dengan menggunakan data tahunan Amerika Serikat di sektor barang dan jasa. Hasil menunjukkan bahwa peningkatan upah di Amerika Serikat tidak memberikan pengaruh yang besar dalam peningkatan tingkat inflasi di negara tersebut.
Tujuan Penelitian Penelitian ini bertujuan untuk: 1. Membentuk persamaan regresi data panel statis dan dinamis dengan faktor-faktor ekonomi regional di Indonesia. 2. Memperoleh penduga model terbaik dengan membandingkan persamaan regresi data panel statis dan dinamis.
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.
Regresi Data Panel Statis 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: (1) it it it 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 merupakan respon individu ke-i pada periode ke-t, merupakan skalar, merupakan vektor yang berukuran K x 1 dengan K menyatakan banyaknya peubah penjelas, i t adalah observasi pada amatan ke-i dan periode ke-t pada K peubah penjelas serta diasumsikan sebagai berikut: it
i
dimana i merupakan pengaruh spesifik dari individu yang tidak teramati dan menunjukan galat yang menyebar acak yang tidak berkorelasi diri. i dan bebas satu sama lain.
Model Gabungan Model gabungan tidak memperhatikan efek individu atau tidak ada perbedaan dalam perilaku individu dalam waktu. Persamaan yang digunakan mengikuti bentuk persamaan regresi linier dengan komponen sisaan hanya berasal dari pendugaan tanpa adanya pengaruh individu dan waktu sebagai penyusunnya. Model gabungan mengikuti persamaan (1) dengan i bernilai nol dan vi,t adalah komponen sisaan dari pendugaan model dengan asumsi klasik yaitu vi,t ~ N(0, σv2). Parameter diduga dengan menggunakan Metode Kuadrat Terkecil sehingga ( )menghasilkan penduga koefisien bagi yaitu .
Model Efek Tetap 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: [
]
dengan masing-masing matriks di dalam diagonal adalah , i adalah tvektor T x 1 yang berisi angka satu. Penduga µ adalah ( ) sehingga untuk setiap individu i ̅ ̅ Dugaan ragam sisaan bagi model efek tetap adalah s
(
-
) n -n-
-
(Greene 2012).
4 Model Efek Acak 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 ∑ = sehingga: i ∑= [ ] 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 ( i,t ̅i. )} ( i,t ̅ i. ) ( i,t ̅ i. ) {( dimana
-√
σ v σ
σ v
. Pada umumnya nilai
berada di antara
dan . Jika
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 Uji Chow digunakan untuk memilih penggunaan metode pendugaan antara model gabungan dan model efek tetap. Berikut pengujian menurut Baltagi (2005): H0: µ1 = µ2 = . . . = µn-1 = 0 (model gabungan) H1: minimal terdapat satu µi dimana µi ≠ 0 (model efek tetap) dengan statistik uji ( ) ( ) ( ) ( ) RSSR merupakan Restricted Sum Square Residual atau nilai SSR pada model gabungan dan USSR adalah Unrestricted Sum Square Residual atau SSR pada
5 model efek tetap. Keputusan tolak H0 jika nilai statistik uji Fhitung lebih besar dari F-tabel.
Uji Hausman Uji Hausman digunakan untuk memilih penggunaan metode pendugaan antara model efek acak dan model efek tetap. Berikut adalah hipotesis yang diuji menurut Baltagi (2005): H0: E(ui,t | Xi,t) = 0 (model efek acak) H1: E(ui,t | Xi,t) ≠ 0 (model efek tetap) dengan statistik uji ( ) [ ar( )]( ) dengan REM adalah vektor koefisien peubah penjelas dari model efek acak, FEM adalah vektor koefisien peubah penjelas dari model efek tetap dan K adalah jumlah peubah bebas. Keputusan tolak H0 jika nilai statistik uji 2hitung lebih besar dari 2-tabel. hit
Regresi Data Panel Dinamis Hubungan antara peubah-peubah ekonomi dalam kenyataannya banyak yang bersifat dinamis. Analisis data panel dapat digunakan untuk model yang bersifat dinamis yang dicirikan dengan adanya lag peubah tak bebas diantara peubah-peubah bebas. Model umum regresi data panel dinamis adalah: dengan i bernilai 1, 2, ..., n dan t bernilai 1, 2, ..., T. adalah skalar, i t adalah observasi pada amatan ke-i dan periode ke-t pada K peubah penjelas, adalah vektor peubah penjelas berukuran K x 1 dan diasumsikan sebagai berikut: i
dimana i merupakan pengaruh spesifik dari individu yang tidak teramati dan menunjukan galat yang menyebar acak yang tidak berkorelasi diri. i dan bebas satu sama lain. Penyertaan lag peubah tak bebas ke dalam peubah bebas memberikan perbedaan dalam penduga model. Pada regresi data panel statis baik pada model efek tetap dan model efek acak, pendugaan dengan kuadrat terkecil menunjukkan efisiensi dan konsistensi. Pada data panel dinamis i t merupakan fungsi dari maka i t- juga merupakan fungsi dari i , sehingga pendugaan dengan kuadrat i terkecil (seperti pada data panel statis) akan menghasilkan penduga yang bias dan tidak konsisten meskipun i t tidak mengalami autokorelasi (Baltagi 2005). Untuk mengatasi masalah di atas, metode System-Generalized Method of Moment (SYSGMM) dapat digunakan.
6 SYS-GMM Ide dasar dari penggunaan metode SYS-(GMM) adalah menggunakan lagged level dari yi,t sebagai peubah instrumen persamaan dalam first differences dan menggunakan lagged differences dari yi,t sebagai peubah instrumen persamaan dalam level (Blundell dan Bond 1998), sehingga tidak hanya menggunakan momen kondisi dan matriks peubah instrumen dari model first difference yang ditemukan oleh Arellano dan Bond (1991). Blundell dan Bond (1998) melakukan kombinasi momen kondisi first difference dan momen kondisi level serta matriks variabel instrumen first difference dan matriks peubah instrumen level. Arellano dan Bond (1991) melakukan prosedur first difference pada persamaan regresi data panel dinamis tanpa peubah bebas untuk memperoleh instrumen first difference yang valid (berkorelasi dengan i,t- - i,t- dan tidak berkorelasi dengan
i,t -
) sehingga menghilangkan pengaruh individu (µi):
i,t-
i,t
i,t
i,t
i,t
i,t
i,t
Untuk t = 3 diperoleh yi,1 merupakan peubah instrumen yang valid dan untuk t = 4 diperoleh bahwa yi,1 dan yi,2 adalah peubah instrumen yang valid. Sehingga pada periode T, peubah instrumen validnya adalah (yi,1, yi,2, . . . , yi, T-2). Didefinisikan matriks peubah instrumen Zdif = [Z1’, . . . , ZN’ dengan setiap baris dari Zdif berisi peubah instrumen valid untuk setiap periode: i, i,
dif i
,
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,
∆ lev i
i,
,∆
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 dengan kombinasi momen kondisi
(
∆ (
sys
i,t i,t
))
merupakan kombinasi dari ( dif ∆ i,t ) dan ( matriks peubah instrumen untuk system yaitu: dif
sys
[
dif
p
lev
untuk i = 1, 2, . . .N yang lev i,t )
. Lalu didefinisikan
∆ ∆
]
∆ [ ] 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 ) p
i,t
i,t
i,t
i
dengan matriks peubah instrumen first difference dan matriks peubah instrumen level sebagai berikut: i,
,
, i,
dif i
,
i,
,
,
,
[ ∆
i,
,∆
i,
i,
,∆
,
i,
,
,.. ,
]
i,
∆ lev i
,
i,
,∆
i,
,∆
i,
,∆
i,
,∆
i,
∆
[
i,
,.. ., ∆
i,
,.., ∆
i,
,.. , ∆
i,
]
Dengan meminimumkan jumlah kuadrat terboboti dari momen kondisi sampel (fungsi objektif GMM) dan memilih pembobot yang optimal diperoleh two step consistent estimator sebagai berikut: (̂, ̂ )
(
̂
)
̂
dengan ̂ ∑i i∆ i∆ i i dan ∆ i merupakan diferensing dari sisaan dugaan model menggunakan one step consistent estimator (Behr 2003).
Uji Wald Uji Wald merupakan uji signifikansi model secara simultan untuk mengetahui ada tidaknya hubungan di dalam model. Hipotesis Uji Wald menurut Arellano dan Bond (1991) adalah: H0: Tidak terdapat hubungan di dalam model H1: Terdapat hubungan di dalam model dengan statistik ujinya: w ̂̂ ̂ dengan K merupakan banyaknya parameter yang diduga. Keputusan tolak H0 jika nilai statistik uji w lebih besar dari 2-tabel.
8 Uji Sargan Uji Sargan digunakan untuk mengetahui validitas penggunaan peubah instrumen yang jumlahnya melebihi jumlah parameter yang diduga (kondisi overidentifying restriction). Hipotesisnya adalah: H0: Kondisi overidentifying restriction dalam pendugaan model valid H1: Kondisi overidentifying restriction dalam pendugaan model tidak valid dengan statistik ujinya: 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 Komponen vi,t merupakan sisaan yang diasumsikan tidak mengalami autokorelasi, namun pada pendugaan dalam proses first difference diperoleh (vi,t - vi,t-1), sehingga E(vi,t, vi,t-1) tidak perlu bernilai nol. Namun untuk ordo selanjutnya untuk melihat konsistensi penduga GMM, tetap dikenai asumsi E(vi,t, vi,t-2) = 0 atau tidak adanya autokorelasi antara vi,t dan vi,t-2. Statistik Arellano-Bond digunakan untuk menguji konsistensi penduga yang diperoleh dari proses GMM. Hipotesisnya adalah: H0: Tidak terdapat autokorelasi pada sisaan first difference orde ke-i H1: Terdapat autokorelasi pada sisaan first difference orde ke-i Statistik ujinya adalah: ̂î i
̂ dengan i = 1, 2, mi merupakan statistik Arellano-Bond ke-i, ̂ -i merupakan vektor sisaan lag ke-i dari dugaan persamaan regresi, ̂ merupakan q x 1 vektor yang dipotong untuk menyesuaikan ̂ - dimana q = N (T – 2 – i) dan ̂ merupakan vektor dugaan sisaan pada persamaan (9) dalam Arellano dan Bond (1991, hlm. 282). Statistik Arellano-Bond mengikuti sebaran normal, keputusan tolak H0 apabila mi lebih besar dari Z . Model konsisten apabila terdapat autokorelasi pada sisaan first difference orde ke-1 dan tidak terdapat autokorelasi pada sisaan first difference orde ke-2.
Evaluasi Pendugaan Model 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
i,t
n
]
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
| i,t | ] n
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
P
n
[∑ ∑ | i
t
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 Prosedur Analisis Data Tahapan-tahapan yang dilakukan dalam penelitian ini adalah: 1. Melakukan eksplorasi data untuk melihat karakteristik data secara umum. 2. Melakukan regresi data panel stasis: a. Melakukan pendugaan Model Gabungan. b. Melakukan pendugaan Model Efek Tetap. c. Melakukan Uji Chow Jika H0 diterima, model yang digunakan adalah model gabungan (lanjut ke langkah 2.f). Jika H0 ditolak, model yang sementara dipilih adalah model efek tetap (lanjut ke langkah 2.d). d. Melakukan pendugaan Model Efek Acak. e. Melakukan Uji Hausman Jika H0 diterima, model yang digunakan adalah model efek acak (lanjut ke langkah 2.f). Jika H0 ditolak, model yang digunakan adalah model efek tetap (lanjut ke langkah 2.f). f. Melakukan pengujian asumsi dan mengatasi masalah pelanggaran asumsi pada persamaan regresi data panel statis. 3. Melakukan regresi data panel dinamis: a. Melakukan pendugaan dengan prosedur System – Generalized Method of Moment (SYS – GMM). b. Melakukan uji Sargan. c. Melakukan uji Statistik Arellano - Bond . d. Melakukan pengujian asumsi dan mengatasi masalah pelanggaran asumsi pada persamaan regresi data panel dinamis. 4. Menghitung nilai RMSE, MAE dan MAPE dari model regresi data panel statis dan model regresi data panel dinamis. 5. Memilih model dengan nilai RMSE, MAE dan MAPE paling kecil.
HASIL DAN PEMBAHASAN Eksplorasi Data Inflasi di tingkat provinsi diproksi dengan menggunakan tingkat inflasi di ibukota provinsi atau kota besar yang daftarnya dapat dilihat dalam Lampiran 1. Tabel besarnya inflasi 31 provinsi di Indonesia pada tahun 2006-2012 dapat dilihat dalam Lampiran 2. Pada tabel tersebut tingkat inflasi antar provinsi di Indonesia tidak menunjukkan perbedaan yang jauh, namun provinsi Bangka Belitung mempunyai tingkat inflasi tertinggi diantara provinsi lain pada tahun 2008 yaitu sebesar 18.4%. Bangka Belitung merupakan salah satu provinsi di Indonesia yang terkena dampak dari krisis ekonomi global 2008 lalu, akibatnya pendapatan masyarakat di sektor pertambangan dan perkebunan mengalami penurunan, meningkatnya jumlah pengangguran dan kriminalitas, ditundanya pelaksanaan sejumlah proyek strategis serta permasalahan sosial lainya (Zukhri
11 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 20062012. 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). Tabel 1 Perilaku tingkat inflasi di 31 provinsi Tahun Perilaku tingkat inflasi 2007 2008 2009 2010 2011 2012
Mengalami penurunan Mengalami peningkatan Mengalami penurunan Mengalami peningkatan Mengalami penurunan Beragam
Provinsi yang mengalami perbedaan perilaku inflasi NAD, Sulawesi Utara, Papua
Sulawesi Tenggara Sulawesi Tenggara
18 16 14 12 10 8 6 4 2 0
NAD Sulut Papua Sultara
2006 2007 2008 2009 2010 2011 2012
Rata-rata pertahun
Gambar 1 Grafik provinsi yang mengalami perbedaan perilaku tingkat inflasi Diagram pencar dari peubah bebas vs peubah tak bebas dapat dilihat pada Lampiran 3. Plot menunjukkan hubungan yang relatif homogen dan konstan antar peubah bebas dan peubah tak bebas pada setiap tahunnya. Namun pada tahun 2008 plot berada pada ordinat yang lebih tinggi dari tahun lainya dan cenderung melebar ke kanan atas yang mengindikasikan terjadinya gejolak pada seluruh peubah ekonomi yang diamati. Pada tahun 2008 perekonomian dunia mengalami
12 krisis keuangan yang diawali dengan jatuhnya harga perumahan di Amerika Serikat pada tahun 2006. Pada tahun 2007 beberapa bank di Amerika dan Eropa mengumumkan kerugian besarnya dalam saham dan investasi. Hingga pada tahun 2008 sebuah bank besar di Amerika, Lehman Brothers collapsed (Firdaus 2009). Diagram pencar antara tingkat inflasi dan konsumsi energi listrik memperlihatkan terdapat tujuh provinsi yang secara konsisten memiliki jumlah konsumsi energi listrik yang tinggi yaitu Sumatera Utara, DKI Jakarta, Jawa Barat, Jawa Tengah, Jawa Timur dan Banten. Dari ketujuh provinsi tersebut, enam di antaranya adalah provinsi yang berada di pulau jawa. Menurut Darmawan (2013), masyarakat Indonesia yang belum menikmati listrik adalah mereka yang tinggal di daerah pedalaman yang lebih dari separuhnya tinggal di luar kawasan Jawa-Bali dengan konsumsi listrik per kapita yang sangat rendah. Sedangkan provinsi yang konsisten memiliki produk domestik regional bruto yang tinggi adalah DKI Jakarta, Jawa Barat, Jawa Tengah dan Jawa Timur. Histogram dari setiap peubah dapat dilihat pada Lampiran 4. Semua peubah cenderung memiliki sebaran histogram yang menjulur ke kanan, namun penggunaan Metode Kuadrat Terkecil dan Generalized Method of Moment tidak mensyaratkan data berdistribusi normal. Beirne (2009) melakukan transfomasi logaritma natural pada peubah yang tidak dinyatakan dalam persentasi. Hal tersebut bertujuan agar dugaan koefisien peubah yang dihasilkan adalah elastisitas dari peubah tak bebas terhadap peubah bebas yang dinyatakan dalam persen (Gujarati 2003), oleh karena itu peneliti melakukan transformasi logaritma natural pada peubah upah minimum regional riil, konsumsi energi listrik dan produk domestik regional bruto. Tabel 2 Koefisien korelasi antar peubah INF ROAD U WAGE ELC GDRP
-0.0340 0.0940 -0.2460* -0.1480* -0.1460*
*: Signifikan pada
ROAD
U
WAGE
ELC
0.0080 -0.0060 0.0990 0.2160* 0.2970* -0.0650 0.2250* 0.2890* -0.0190 0.9690* = 5%
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 0.9690. Tingginya koefisien korelasi anatar kedua peubah disebabkan oleh konsumsi energi listrik merupakan salah satu sektor produksi yang dimasukkan ke dalam perhitungan produk domestik regional bruto. Korelasi yang tinggi tersebut mengindikasikan adanya hubungan yang sangat erat antar kedua peubah. Darmawan (2013) mengungkapkan bahwa peningkatan kebutuhan energi listrik suatu wilayah mendorong pertumbuhan ekonomi wilayah tersebut dalam hal ini adalah meningkatkan produk domestik regional bruto. Konsumsi energi listrik suatu wilayah yang tinggi mengindikasikan keadaan infrastruktur yang baik pada wilayah tersebut. Dalam Gujarati (2003) koefisien korelasi yang lebih dari 0.8 dapat menimbulkan masalah multikolonieritas (Gujarati 2003). Kedua peubah tersebut tidak dimasukkan ke dalam pendugaan model secara bersamaan sehingga terdapat empat dugaan model yang terbentuk yaitu model A (konsumsi energi listrik) dan model B (produk domestik regional bruto) dengan regresi data panel statis, model C (konsumsi energi listrik) dan model D (produk domestik regional bruto) dengan model regresi data panel dinamis. Pendugaan model yang dijabarkan dalam tulisan ini adalah pendugaan model A dan C. Pendugaan Model Regresi Data Panel Statis Dugaan model yang pertama dicari adalah model A. Pengujian statistik melalui uji Chow digunakan sebagai pertimbangan dalam memilih model gabungan atau model efek tetap. Hasil pengujian dapat dilihat dalam Tabel 3. Dari hasil pengujian diperoleh Fhitung sebesar 2.0343 dengan nilai p (0.0000) > 5%, maka uji Chow nyata sehingga model sementara yang terpilih dalam penelitian ini adalah model efek tetap. Penentuan pemilihan model antara model efek acak dan model efek tetap dilakukan dengan pengujian statistik melalui uji Hausman. Pada hasil uji Hausman diperoleh nilai 2hitung sebesar 50.5936 dengan nilai p (0.0000) < = 5% maka hipotesis nol ditolak. Sehingga model yang digunakan dalam menduga model A adalah model efek tetap. Pendugaan dengan model gabungan dan model efek acak dapat dilihat dalam Lampiran 5. Tabel 3 Hasil uji spesifikasi model regresi data panel statis pada model A Uji Efek Uji Chow Fhitung Uji Hausman 2
hitung
Statistik
Db
Nilai p
2.0343
(30,182)
0.0000
50.5936
4
0.0000
Pendugaan Model Efek Tetap 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 peubah bebas yang terdapat dalam persamaan kurang mampu menjelaskan keragaman inflasi dari provinsi di Indonesia. Asumsi yang pertama diuji adalah tidak adanya heteroskedastisitas. Heteroskedastisitas muncul dalam berbagai aplikasi, baik pada data cross section maupun data time series. Akibatnya penduga kuadrat terkecil masih tidak bias dan linier namun tidak efisien karena tidak lagi mempunyai ragam yang minimum sehingga pembuatan selang kepercayaan dan pengujian hipotesis tidak bisa dipercaya untuk evaluasi (Greene 2012). Penanganan heteroskedastisitas dapat dilakukan dengan teknik pendugaan Metode Kuadrat Terboboti atau Weighted Least Square (WLS). Sedangkan masalah heteroskedastisitas dapat diketahui dengan membandingkan nilai Sum Square Residual pada Weighted Statistics (SSRW) dengan Sum Square Residual pada Unweighted Statistics (SSRU). Apabila nilai SSRW lebih kecil dari SSRU, diindikasikan adanya masalah heteroskedastisitas (Candra 2010). Pada Tabel 4 (Model A2) terlihat bahwa nilai SSRW (1328.9010) lebih kecil daripada SSRU (1340.1970) maka model yang digunakan adalah model efek tetap dengan pembobotan individu (cross section weight) dan white heteroscedasticity. Pembobotan individu tersebut sudah robust terhadap kasus heteroskedastisitas. Tabel 4 Pendugaan model efek tetap dengan penanganan asumsi pada model A Statistik Fhitung Nilai–p R2 R2adj SSR DWhitung R2 SSR DWhitung
Model A1 2.7923 0.0000 0.3428 0.2200 1335.5180 3.1383
Model A2 Model A3 Weighted Statistics 3.7109 20.6430 0.0000 0.0000 0.4094 0.8630 0.2991 0.8212 1328.9010 432.7370 3.1773 1.9468 Unweighted Statistics 0.3405 0.7284 1340.1970 477.4765 3.1980 1.4012
Model A1: Pendugaan model efek tetap Model A2: Pendugaan model efek tetap dengan pembobotan individu (cross section weight) dan white heteroscedasticity Model A3: Pendugaan model efek tetap dengan pembobotan individu (cross section weight) dan white heteroscedasticity serta penambahan AR(2)
Pengujian asumsi selanjutnya adalah tidak adanya autokorelasi dalam model. Autokorelasi dapat timbul apabila galat dari time series yang berbeda saling berkorelasi. Jika di dalam pendugaan terdapat masalah autokorelasi, penduga tetap konsisten namun koefisien dugaanya tidak efisien dan standar eror yang berbias (Baltagi 2005). Pengujian ada tidaknya masalah autokorelasi dapat dilakukan dengan menggunakan uji Durbin Watson. Pada penelitian ini digunakan 217 observasi dan peubah penjelas sebanyak empat, diperoleh nilai dL 1.7451 dan dU 1.8030. Nilai Durbin Watson (DW) dalam pendugaan dengan pembobotan
15 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
Series: RESID Sample 2006 2012 Observations 155
Jarque-Bera: 4.4446 Nilai-p : 0.1084
12 10 8 6 4 2 0 -37.5
-25.0
-12.5
0.0
12.5
25.0
37.5
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
2.16e-14 0.337812 47.96645 -35.93048 19.59420 0.397693 2.764302
Jarque-Bera Probability
4.444571 0.108361
50.0
Gambar 2 Hasil uji Jarque-Bera model A 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 Pendugaan Model Regresi Data Panel Dinamis Pendugaan model regresi data panel dinamis pada penelitian ini menggunakan prosedur SYS-GMM (Blundell Bond GMM) dengan penduga two step consistent estimator. Uji Wald merupakan uji signifikansi model secara 2 simultan dengan statistik uji hitung berderajat bebas K, K merupakan banyaknya parameter yang diduga. Hipotesis nolnya adalah tidak terdapat hubungan di dalam 2 model. Tabel 5 memperlihatkan hitung dari uji Wald sebesar 109.1300 dengan nilai p sebesar 0.0000 sehingga pada taraf nyata 5% hipotesis nol ditolak. Artinya minimal terdapat satu peubah bebas yang mempengaruhi tingkat inflasi. Tabel 5 Hasil pengujian data panel dinamis pada model C Uji Signifikansi Model 2
Wald hitung) Derajat bebas Nilai p
109.1300 5 0.0000 Uji Sargan
2
28.7069 19 0.0707
hitung
Derajat bebas Nilai p Uji Arellano-Bond Ordo Zhitung Nilai p
1 -2.5274 0.0115
2 -0.7128 0.4760
20
Series: E9 Sample 2006 2012 Observations 186
Jarque-Bera : 1.6383 Nilai-p : 0.4408 16
12
8
4
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
6.024973 6.680262 21.77705 -10.97012 6.976560 -0.178750 2.710879
Jarque-Bera Probability
1.638327 0.440800
0 -10
-5
0
5
10
15
20
Gambar 3 Hasil uji Jarque-Bera model C 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.
Pemilihan Model Terbaik 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 Peubah C ROAD U lnWAGE lnELC lnGDRP INF(-1) R2 RMSE MAE MAPE (%)
Model Efek Tetap Model A Model B 66.1631* 60.6618* 0.0243* 0.0345* 0.2312* 0.0774 -6.9350* -5.1953* -6.6709* -13.3109* 0.8630 19.5309 15.3560 3.5911
*: Signifikan pada
0.8383 36.5859 28.4593 6.3233
SYS-GMM Model C Model D 130.2908* 86.8868* -0.0034 -0.0090 0.7316 0.2426 -31.4261* -35.0748* -7.3683* -2.1783 -0.5248* -0.4958* 9.8881 8.3245 2.2976
14.1395 11.2094 2.7864
= 5%
Evaluasi pendugaan dilakukan dengan membandingkan nilai root mean square error (RMSE), mean absolute error (MAE) dan mean absolute percentage error (MAPE) pada kedua metode. Tabel 6 menunjukkan nilai RMSE, MAE dan MAPE untuk dugaan model regresi data panel statis dan dinamis. Nilai MAPE pada keempat model dugaan menunjukkan nilai di bawah 10% artinya model
18 dugaan yang dibangun memiliki keakuratan yang sangat baik (Mukhopadhyay 2007). Ketiga nilai evaluasi pendugaan dari dugaan model regresi data panel dinamis lebih kecil dari dugaan model regresi data panel statis. Artinya penggunaan regresi data panel dinamis (SYS GMM) lebih baik daripada regresi data panel statis (model efek tetap). Nilai RMSE, MAE dan MAPE pada model C lebih kecil daripada model D sehingga model C adalah model terbaik yang dipilih.
Interpretasi Peubah Berpengaruh 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 dalam perhitungan produk domestik regional bruto. Hubungan negatif antara tingkat inflasi dan produk domestik regional bruto dijelaskan oleh Dye (2014). Apabila produk domestik regional bruto rendah dalam hal ini masyarakat bersaing untuk memperoleh barang dan jasa yang terbatas, tingkat harga akan mengalami peningkatan. Atau dalam hal ini konsumsi energi listrik yang rendah akan meningkatkan tingkat inflasi. Konsumsi energi listrik dapat mewakili peubah produk domestik regional bruto dalam pendugaan model tingkat inflasi serta memiliki keunggulan yaitu dari sisi ketersediaan data terkini. Interpretasi koefisien berikut merupakan interpretasi dugaan koefisien pada model C: -
. .
.5 lnW
- .
. ln
.
Peubah tingkat inflasi tahun sebelumnya secara langsung mempengaruhi peubah tingkat inflasi, nilai koefisienya sebesar -0.5248 dengan nilai p sebesar 0.0000. Artinya peningkatan tingkat inflasi periode sebelumnya sebesar 1% akan menurunkan tingkat inflasi sebesar 0.5248% dengan asumsi ceteris paribus. Peubah upah minimum regional riil mempunyai pengaruh yang negatif terhadap tingkat inflasi. Nilai koefisien regresi dari peubah upah minimum regional riil sebesar -31.4261 dengan nilai p sebesar 0.0000. Artinya tingkat inflasi mengalami penurunan sebesar 31.4261% seiring dengan peningkatan upah minimum regional riil sebesar 1%, secara ceteris paribus. Peubah konsumsi energi listrik berpengaruh secara signifikan terhadap tingkat inflasi. Nilai koefisien dari peubah konsumsi energi listrik sebesar -7.3683 dengan nilai p sebesar 0.047, artinya asumsi ceteris paribus tingkat inflasi akan mengalami penurunan sebesar 7.3683% seiring dengan peningkatan konsumsi energi listrik sebesar 1%.
SIMPULAN DAN SARAN Simpulan Pendugaan model regresi data panel dinamis dengan prosedur SYS-GMM mempunyai RMSE, MAE dan MAPE yang lebih kecil dari pendugaan model regresi data panel statis dengan model efek tetap, artinya model yang memasukkan peubah tingkat inflasi tahun sebelumnya dalam peubah bebasnya lebih baik dari sisi kesalahan pendugaan dibandingkan model yang tidak menggunakan peubah tingkat inflasi tahun sebelumnya. Namun regresi data panel dinamis dengan prosedur SYS-GMM mempunyai satu kelemahan yaitu tidak menghasilkan efek individu dalam pendugaan model. Peneliti dapat melihat efek individu dari hasil dugaan model dengan menggunakan model efek tetap. Pada model terbaik yang dipilih, peubah yang mempengaruhi tingkat inflasi secara signifikan adalah upah minimum provinsi riil, konsumsi energi listrik dan tingkat inflasi tahun sebelumnya.
20 Saran Tingkat inflasi regional di Indonesia diperkirakan mengandung efek spasial atau dengan kata lain tingkat inflasi di suatu provinsi dipengaruhi oleh tingkat inflasi di provinsi sekitarnya. Pemodelan tingkat inflasi dengan menambahkan efek spasial dapat dicoba untuk meningkatkan akurasi hasil dugaan.
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-andinflation.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 SpaceTime 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/2262711176706430507/3681211-1194602678235/43755331198637122429/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 Lampiran 1 Daftar provinsi dan kota proksi tingkat inflasi Provinsi Nangroe Aceh D Sumatera Utara Sumatera Barat Riau Kepulauan Riau Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali Nusa Tenggara Barat Nusa Tenggara Timur Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Maluku Utara Papua
Kota Banda Aceh Kota Medan Kota Padang Kota Pekanbaru Kota Batam Kota Jambi Kota Palembang Kota Bengkulu Kota Bandar Lampung Kota Pangkal Pinang DKI Jakarta Kota Bandung Kota Semarang Kota Yogyakarta Kota Surabaya Kota Serang Kota Denpasar Kota Mataram Kota Kupang Kota Pontianak Kota Palangkaraya Kota Banjarmasin Kota Samarinda Kota Manado Kota Palu Kota Makasar Kendari Gorontalo Ambon Ternate Jayapura
23 Lampiran 2 Tabel tingkat inflasi regional (dalam %)
Provinsi Nangroe Aceh D Sumatera Utara Sumatera Barat Riau Kepulauan Riau Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali NTB NTT Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Maluku Utara Papua Rata-rata Nasional
2006 9.54 5.97 8.05 6.32 4.58 10.66 8.44 6.52 6.03 6.42 6.03 5.33 6.08 10.40 6.71 7.67 4.30 4.17 9.72 6.32 7.72 11.03 6.50 5.09 8.69 7.21 10.57 7.54 4.80 5.12 9.52 7.20 6.60
2007 11.00 6.42 6.90 7.53 4.84 7.42 8.21 5.00 6.58 2.64 6.04 5.25 6.75 7.99 6.27 6.31 5.91 8.76 8.44 8.56 7.96 7.78 9.18 10.13 8.13 5.71 7.53 7.02 5.85 10.43 10.35 7.32 6.59
2008 10.27 10.63 12.68 9.02 8.39 11.57 11.15 13.44 14.82 18.40 11.11 10.23 10.34 9.88 8.73 13.91 9.25 13.01 10.90 11.19 11.65 11.62 12.69 9.71 10.40 11.79 15.28 9.20 9.34 11.25 12.55 11.43 11.06
Tahun Rata2009 2010 2011 2012 rata 3.50 4.64 3.32 0.06 6.05 1.59 7.65 3.54 3.79 5.66 2.05 7.84 5.37 4.16 6.72 1.94 7.00 5.09 3.35 5.75 2.49 7.40 3.76 2.02 4.78 1.85 10.52 2.76 4.22 7.00 2.88 6.02 3.78 2.72 6.17 4.18 9.08 3.96 4.61 6.68 2.17 9.95 4.24 4.30 6.87 1.88 9.36 5.00 6.57 7.18 2.34 6.21 3.97 4.52 5.75 2.11 4.53 2.75 4.02 4.89 5.83 7.11 2.87 4.85 6.26 3.60 7.38 3.88 4.31 6.78 3.39 7.33 4.72 4.39 5.93 4.11 6.18 2.78 4.41 6.48 4.37 8.10 3.75 4.71 5.77 3.14 11.07 6.38 4.10 7.23 6.49 9.97 4.32 5.10 7.85 4.91 8.52 4.91 6.62 7.29 2.85 9.49 5.28 6.73 7.38 3.86 9.06 3.98 5.96 7.61 3.60 7.00 6.23 4.81 7.14 2.31 6.28 0.67 6.04 5.75 5.73 6.40 4.47 5.87 7.10 3.24 6.82 2.87 4.57 6.03 4.60 3.87 5.09 5.25 7.46 4.35 7.43 4.08 5.31 6.42 6.48 8.78 2.85 6.73 6.40 3.88 5.32 4.52 3.29 6.26 1.92 4.48 3.40 4.52 6.68 3.47 7.44 4.02 4.58 6.49 2.78 6.96 3.79 4.30 6.01
24 Lampiran 3 Diagram pencar peubah tak bebas vs peubah bebas dalam tahun
Gambar 1 Tingkat Inflasi vs Luas Jalan Kondisi Baik
Gambar 2 Tingkat Inflasi vs Tingkat Pengangguran Terbuka
Gambar 3 Tingkat Inflasi vs Upah Minimum Regional Riil
25
Gambar 4 Tingkat Inflasi vs Konsumsi Energi Listrik
Gambar 5 Tingkat Inflasi vs Produk Domestik Regional Bruto
26 Lampiran 4 Histogram setiap peubah 24
50
20
Series: INF Sample 2006 2012 Observations 217
Series: ROAD Sample 2006 2012 Observations 217
Mean Median 30 Maximum Minimum Std. Dev. 20 Skewness Kurtosis
6.494332 6.040000 18.40000 0.060000 3.067283 0.700336 3.407697
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
39.34710 38.83000 100.0000 7.620000 10.90378 1.084388 10.24289
10 Jarque-Bera Probability
19.24157 0.000066
Jarque-Bera Probability
516.8491 0.000000
40
16
12
8
4
0 0
2
4
6
8
10
12
14
16
18
0 12.5
25.0
37.5
50.0
62.5
75.0
87.5
100.0
Gambar 2 Luas Jalan Kondisi Baik
Gambar 1 Tingkat Inflasi
24
24
20
16
12
8
4
Series: TPT Sample 2006 2012 20 Observations 217
Series: UMPR Sample 2006 2012 Observations 217
Mean 16 Median Maximum 12 Minimum Std. Dev. Skewness 8 Kurtosis
7.525392 7.040000 16.34000 2.110000 3.120700 0.691711 2.905273
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
6.926826 6.695121 11.44632 4.128732 1.411984 0.765700 3.560663
4 Jarque-Bera Probability
17.38557 0.000168
Jarque-Bera Probability
24.04655 0.000006
0
0 2
4
6
8
10
12
14
4
16
5
7
8
9
10
11
Gambar 4 Upah Minimum Regional Riil
Gambar 3 Tingkat Pengangguran Terbuka
100
6
100
80
60
40
20
Series: KEL Sample 2006 2012 Observations 217 80
Series: PDRB Sample 2006 2012 Observations 217
Mean Median 60 Maximum Minimum Std. Dev. 40 Skewness Kurtosis
4.506309 1.434720 38.16875 0.117230 8.260193 2.534735 8.394187
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
68.34652 30.42500 449.8210 2.176000 97.66736 2.211839 6.975729
495.4542 0.000000
Jarque-Bera Probability
319.8521 0.000000
20
Jarque-Bera Probability
0
0
0
5
10
15
20
25
30
35
Gambar 5 Konsumsi Energi Listrik
0
50
100
150
200
250
300
350
400
Gambar 6 Produk Domestik Regional Bruto
450
27 Lampiran 5 Pendugaan model gabungan dan model efek acak untuk model A Tabel 1 Hasil pendugaan model gabungan Peubah
Koefisien
C ROAD UR lnWAGE lnELC F-hitung Nilai p R2 R2adj Sum Square Residual Durbin Watson
16.3522 0.0077 0.1796 -3.9589 -0.5376
Std. Error
t-hitung
Nilai p
2.2402 0.0188 0.0660 1.0021 0.1510
7.2995 0.4092 2.7223 -3.9504 -3.5615
0.0000 0.6828 0.0070 0.0001 0.0005 7.3947 0.0000 0.1224 0.1059 1783.357 2.7311
Tabel 2 Hasil pendugaan model efek acak Peubah
Koefisien
C ROAD UR lnWAGE lnELC F-hitung Nilai p R2 R2adj Sum Square Residual Durbin Watson
16.352 0.0077 0.1796 -3.9588 -0.5376
Std. Error
t-hitung
Nilai p
2.0923 0.0176 0.0616 0.9360 0.1410
7.8154 0.4381 2.9148 -4.2296 -3.8132
0.0000 0.6617 0.0039 0.0000 0.0002 7.3947 0.0000 0.1224 0.1059 1783.357 2.7311
28 Lampiran 6 Efek individu setiap provinsi pada model A Provinsi Nagroe Aceh D Sumatera Utara Sumatera Barat Riau Kepri Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali NTB NTT Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Maluku Utara Papua
Efek Individu 0.3654 9.2634 2.7974 1.5547 0.9735 -4.6196 4.2798 -8.9532 2.2526 -7.5056 20.5275 15.6366 12.4376 -0.4086 14.9445 8.7010 4.1530 -3.6657 -7.5770 -1.3358 -4.5280 0.6845 2.2679 -4.9316 -8.1138 3.8754 -8.8681 -14.9758 -11.9750 -14.7255 -2.5314
29 Lampiran 7 Hasil regresi data panel statis untuk model B Tabel 1 Hasil uji spesifikasi model Uji Efek Uji Chow Fhitung Uji Hausman 2
hitung
Statistik
Db
Nilai p
2.1649
(30,182)
0.0010
50.0613
4
0.0000
Tabel 2 Pendugaan model efek tetap dengan penanganan asumsi pada model B Model B1
Statistik Fhitung Nilai–p R2 R2adj SSR DWhitung
Model B2 Model B3 Weighted Statistics 3.1603 16.9945 0.0000 0.0000 0.3712 0.8383 0.2538 0.7890 1349.435 471.7707 3.0964 1.8611 Unweighted Statistics 0.3289 0.6821 1363.790 558.8702 3.1023 1.2603
2.6587 0.0000 0.3318 0.2070 1357.782 3.0377
R2 SSR DWhitung
Model B1: Pendugaan model efek tetap Model B2: Pendugaan model efek tetap dengan pembobotan individu (cross section weight) dan white heteroscedasticity Model B3: Pendugaan model efek tetap dengan pembobotan individu (cross section weight) dan white heteroscedasticity serta penambahan AR(2)
16
Jarque-Bera Nilai p
14
Series: RESID Sample 2006 2012 Observations 155
0.5816 0.7477
12 10 8 6 4 2 0 -80
-60
-40
-20
0
20
40
60
Gambar 1 Hasil Uji Jarque-Bera
80
Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
1.02e-13 -0.451363 77.21388 -75.51730 36.70445 0.002070 2.699940
Jarque-Bera Probability
0.581594 0.747668
30
Tabel 3 Hasil pendugaan model gabungan Peubah
Koefisien
C ROAD UR lnWAGE lnGDRP F-hitung Nilai p R2 R2adj Sum Square Residual Durbin Watson
13.6749 -0.0011 0.1555 -3.6303 -0.3935
Std. Error
t-hitung
Nilai p
2.1111 0.0188 0.0667 1.0204 0.1679
6.4776 -0.0574 2.3320 -3.5578 -2.3442
0.0000 0.9543 0.0206 0.0005 0.0200 5.4624 0.0003 0.0934 0.0763 1842.3010 2.6574
Tabel 4 Hasil pendugaan model efek acak Peubah
Koefisien
C ROAD UR lnWAGE lnGDRP F-hitung Nilai p R2 R2adj Sum Square Residual Durbin Watson
13.6749 -0.0011 0.1555 -3.6303 -0.3935
Std. Error
t-hitung
Nilai p
1.9560 0.0174 0.0618 0.9454 0.1555
6.9911 -0.0619 2.5169 -3.8397 -2.5301
0.0000 0.9507 0.0126 0.0002 0.0121 5.4624 0.0003 0.0934 0.0763 1842.3010 2.6574
31
Tabel 5 Efek individu setiap provinsi pada model B Provinsi Nangroe Aceh D Sumatera Utara Sumatera Barat Riau Kepri Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung DKI Jakarta Jawa Barat Jawa Tengah DI Yogyakarta Jawa Timur Banten Bali NTB NTT Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Maluku Maluku Utara Papua
Efek Individu 1.8854 16.8523 2.9508 14.6176 2.4786 -8.1412 8.8782 -18.3727 2.1347 -13.8657 33.4741 27.2173 21.3010 -6.9958 28.5252 12.6819 -2.2935 -5.9207 -11.7910 -0.6862 -5.6676 0.4612 17.2924 -8.5164 -8.6584 5.4625 -13.4585 -33.5674 -27.5759 -31.7768 1.0748
32 Lampiran 7 Hasil regresi data panel dinamis pada model D Tabel 1 Hasil pengujian regresi data panel dinamis Uji Signifikansi Model Wald 2 hitung) Derajat bebas Nilai p
121.8800 5 0.0000 Uji Sargan
2
28.7720 19 0.0697
hitung
Derajat bebas Nilai p Uji Arellano-Bond Ordo Zhitung Nilai p
1 -2.5584 0.0105
2 -0.5660 0.5714
20 Jarque-Bera 1.023 Nilai p 0.599
16
12
8
4
0 -60
-40
-20
0
20
40
Gambar 1 Hasil Uji Jarque-Bera
60
Series: E8 Sample 2006 2012 Observations 186 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis
6.377528 8.571448 62.92249 -62.02767 26.35113 -0.085344 2.679259
Jarque-Bera Probability
1.023069 0.599575
33
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 (20122013). 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).
