ANALISIS SPASIAL DATA PANEL
UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
KEMISKINAN DI PROVINSI SUMATERA SELATAN
YULIA ANGGRAENI
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOBOR
RINGKASAN
YULIA ANGGRAENI. Analisis Spasial Data Panel untuk Menentukan Faktor-faktor yang Mempengaruhi Kemiskinan di Provinsi Sumatera Selatan. Dibimbing oleh YENNI ANGRAINI dan ANANG KURNIA.
Kemiskinan merupakan masalah mendasar yang dihadapi oleh setiap negara. Garis kemiskinan adalah salah satu alat yang digunakan untuk menentukan miskin atau tidaknya seseorang. Seseorang dikatakan miskin apabila pengeluaran per kapita per bulan kurang dari garis kemiskinan. Penanggulangan kemiskinan termasuk dalam program kerja pokok pemerintah Indonesia. Mengetahui faktor-faktor yang mempengaruhi kemiskinan merupakan hal penting dalam menentukan kebijakan yang tepat dalam menanggulangi kemiskinan. Provinsi Sumatera Selatan memiliki angka kemiskinan yang cukup tinggi. Berdasarkan hasil sensus nasional Badan Pusat Statistik (BPS) tahun 2010, Provinsi Sumatera Selatan menduduki urutan ke-10 provinsi termiskin di Indonesia. Untuk itu perlu dikaji faktor-faktor apa saja yang mempengaruhi kemiskinan di Provinsi Sumatera Selatan. Agar hasil yang diperoleh lebih informatif dan beragam maka data yang digunakan lebih dari satu periode waktu. Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Badan Pusat Statistik dari tahun 2006 sampai tahun 2010. Berdasarkan eksplorasi dari data tersebut, beberapa wilayah yang berdekatan memiliki angka kemiskinan yang relatif sama. Hal ini mengindikasikan adanya kemungkinan pengaruh wilayah yang berdekatan terhadap kemiskinan suatu wilayah atau terdapat pengaruh spasial. Oleh karena itu, dalam penelitian ini digunakan analisis spasial data panel. Berdasarkan hasil analisis tersebut, model pengaruh tetap dengan SAR lebih baik digunakan untuk memodelkan kemiskinan di Provinsi Sumatera Selatan. Faktor yang berpengaruh terhadap kemiskinan Provinsi Sumatera Selatan adalah angka melek huruf dan penerimaan pajak. Nilai R2 yang diperoleh adalah sebesar 88.23%.
ANALISIS SPASIAL DATA PANEL
UNTUK MENENTUKAN FAKTOR-FAKTOR YANG MEMPENGARUHI
KEMISKINAN DI PROVINSI SUMATERA SELATAN
YULIA ANGGRAENI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOBOR
Judul : Analisis Spasial Data Panel untuk Menentukan Faktor-faktor yang Mempengaruhi Kemiskinan di Provinsi Sumatera Selatan
Nama : Yulia Anggraeni NRP : G14080079
Disetujui:
Ketua Komisi Pembimbing Anggota Komisi Pembimbing
Yenni Angraini, S.Si, M.Si Dr. Anang Kurnia
NIP. 197805112007012001 NIP. 197308241997021001
Diketahui:
Ketua Departemen Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. Ir. Hari Wijayanto, M.Si NIP. 196504211990021001
PRAKATA
Puji dan syukur penulis haturkan kehadirat Allah SWT atas segala limpahan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan studi Sarjana dan menyelesaikan skripsi ini yang berjudul “Analisis Spasial Data Panel untuk Menentukan Faktor-faktor yang Mempengaruhi Kemiskinan di Provinsi Sumatera Selatan”. Shalawat dan salam semoga selalu tercurah kepada Nabi Muhammad SAW beserta keluarga, sahabat, dan umat beliau hingga akhir jaman.
Ucapan terima kasih atas segala bantuan dan bimbingan yang diberikan, penulis sampaikan kepada:
1. Ibu Yenni Angraini, S.Si, M.Si, dan Bapak Dr. Anang Kurnia selaku dosen pembimbing skripsi
2. Ibu Dra.Itasia Dina Silvianti, M.Si selaku dosen penguji
3. Mamak, Bapak, Yuk Nana, Yuk Apri, Kak Iyen serta keluarga yang selalu memberikan semangat, doa serta dukungan
4. Sahabat-sahabat Alcatraz, Mela, Kiki dan Farah serta, Fida, Niza, Putri dan Cuwie yang selalu memberikan semangat
5. Sahabat tercinta, Arum, Endah dan Opi serta teman seperjuangan, Liara, Enha dan Aci yang dengan setia membantu penulis ketika menemui kesulitan
6. Rekan-rekan Statistika 45
7. Semua pihak yang telah membantu dalam penyelesaian skripsi ini.
Demikian skripsi ini disusun. Besar harapan skripsi ini dapat bermanfaat bagi penulis dan bagi pembaca pada umumnya.
Bogor, Desember 2012
RIWAYAT HIDUP
Penulis dilahirkan di Tanjung Enim pada tanggal 19 Juni 1990 dari pasangan Suharni dan Nurdalia. Penulis merupakan anak keempat dari empat bersaudara dengan nama kakak adalah Agusliana, Apriana dan Chairil Adha. Penulis telah berhasil menyelesaikan pendidikannya di Sekolah Dasar Negeri (SDN) 1 Tanjung Agung pada tahun 2002. Jenjang pendidikan selanjutnya penulis tempuh di Sekolah Menengah Pertama Negeri (SMPN) 1 Tanjung Agung dan lulus tahun 2005. Penulis menamatkan pendidikannya di Sekolah Menengah Atas Negeri (SMAN) 1 Muara Enim pada tahun 2008 dan pada tahun yang sama penulis diterima sebagai mahasiswa Departemen Statistika, Institut Pertanian Bogor (IPB) melalui Seleksi Nasional Masuk Perguruan Tinggi Nasional (SNMPTN).
DAFTAR ISI
Halaman
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... viii
DAFTAR LAMPIRAN ... viii
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan ... 1
TINJAUAN PUSTAKA ... 1
Garis Kemiskinan ... 1
Analisis Data panel ... 1
Model Pengaruh Tetap ... 2
Model Pengaruh Acak ... 2
Analisis Spasial Data Panel ... 2
Model Panel dengan Spasial Lag( SAR) ... 2
Model Panel dengan Galat Spasial (SEM) ... 2
Matriks Pembobot Spasial ... 2
Uji Pengganda Lagrange ... 3
DATA DAN METODE ... 3
Data ... 3
Metode ... 4
HASIL DAN PEMBAHASAN ... 4
Eksplorasi Data ... 4
Analisis Data Panel ... 5
Analisis Spasial Data Panel ... 5
Pendugaan parameter data panel dengan SEM... 5
Pendugaan parameter data panel dengan SAR ... 6
Interpretasi Model ... 7
SIMPULAN ... 8
DAFTAR TABEL
Halaman
Tabel 1 Persentase tingkat kemiskinan Provinsi Sumatera Selatan berdasarkan kabupaten/kota .... 4
Tabel 2 Pendugaan parameter model pengaruh ... 5
Tabel 3 Hasil Uji LM ... 5
Tabel 4 Pendugaan parameter model tetap ... 5
Tabel 5 Uji Glesjer model pengaruh tetap ... 5
Tabel 6 Pendugaan parameter model tetap ... 6
Tabel 7 Uji Glesjer model pengaruh tetap ... 6
Tabel 8 Ukuran kebaikan model ... 7
Tabel 9 Dugaan pengaruh kabupaten/kota ... 7
DAFTAR GAMBAR Halaman Gambar 1 Plot sisaan dengan yduga model pengaruh tetap dengan SEM ... 6
Gambar 2 Uji Kolmogorov-Smirnov model pengaruh tetap dengan SEM ... 6
Gambar 3 Plot sisaan dengan yduga model pengaruh tetap dengan SAR ... 6
Gambar 4 Uji Kolmogorov-Smirnov model pengaruh tetap dengan SAR ... 7
DAFTAR LAMPIRAN Halaman Lampiran 1 Persentase Kemiskinan dan Garis Kemiskinan Kabupaten/Kota Provinsi Sumatera Selatan ... 10
Lampiran 2 Peta Provinsi Sumatera Selatan berdasarkan Tingkat Kemiskinan Nasional... 11
Lampiran 3 Peta Provinsi Sumatera Selatan berdasarkan Tingkat Kemiskinan Nasional dan Tingkat Kemiskinan Provinsi Sumatera Selatan ... 11
Lampiran 4 Perbandingan Model Regresi, Model Pengaruh Tetap dan Model Pengaruh Acak .... 12
Lampiran 5 Matriks Pembobot Spasial ... 12
PENDAHULUAN
Latar Belakang
Kemiskinan merupakan permasalahan mendasar yang menjadi perhatian pemerintah di negara manapun. BPS (2011) melakukan pengukuran kemiskinan dengan menggunakan konsep kemampuan memenuhi kebutuhan dasar (basic needs approach). Dengan pendekatan ini, kemiskinan dipandang sebagai ketidakmampuan dari sisi ekonomi untuk memenuhi kebutuhan dasar makanan dan bukan makanan yang diukur dari sisi pengeluaran. Menurut pendekatan ini, pen-duduk miskin adalah penpen-duduk yang memiliki rata-rata pengeluaran per kapita per bulan kurang dari Garis Kemiskinan (GK). Garis Kemiskinan digunakan untuk menentukan miskin atau tidaknya seseorang (BPS 2011).
Jumlah dan persentase penduduk miskin di Indonesia menurun dari tahun 2004 ke 2005. Pada tahun 2006 jumlah penduduk miskin meningkat disebabkan harga barang-barang kebutuhan pokok naik tinggi dan berdampak parah pada penduduk miskin. Mulai tahun 2007 sampai 2011 jumlah maupun persentase penduduk miskin kembali mengalami penurunan (BPS 2012).
Penanggulangan kemiskinan merupakan program kerja pokok pemerintah agar ter-capainya Indonesia yang mandiri, maju, adil dan makmur berdasarkan UU No.17 tahun 2007. Agar hal tersebut berhasil perlu di-ketahui faktor-faktor apa saja yang pengaruhi kemiskinan sehingga dapat mem-bantu membuat kebijakan yang tepat dalam penanggulangan kemiskinan. Penelitian mengenai faktor-faktor yang mempengaruhi kemiskinan telah banyak dilakukan, salah satunya telah dilakukan oleh Amalia (2012), Pada penelitian tersebut analisis yang digunakan adalah analisis data panel.
Provinsi Sumatera Selatan termasuk provinsi yang memiliki angka kemiskinan yang cukup tinggi. Berdasarkan hasil Sensus Nasional BPS 2010, Sumatera Selatan men-duduki urutan ke-10 provinsi termiskin di Indonesia. Perlu dikaji faktor-faktor yang mempengaruhi kemiskinan di Provinsi Sumatera Selatan untuk menentukan kebijakan yang diambil dalam mengurangi angka kemiskinannya. Dalam penelitian ini faktor-faktor yang mempengaruhi kemiskinan dikaji dalam kurun waktu lebih dari satu periode untuk memberikan hasil yang lebih informatif dan beragam. Data panel yang merupakan gabungan dari data lintas individu dan deret waktu digunakan dalam penelitian ini.
Data yang digunakan dalam penelitian ini adalah data panel kemiskinan provinsi Su-matera Selatan. Dari data tersebut diketahui bahwa beberapa kabupaten/kota yang ber-dekatan memiliki tingkat kemiskinan relatif sama. Hal ini mengindikasikan adanya ke-mungkinan pengaruh wilayah yang berdekatan terhadap kemiskinan suatu wilayah atau terdapat pengaruh spasial. Oleh karena itu, dalam penelitian ini digunakan analisis spasial data panel. Analisis spasial data panel merupakan suatu analisis gabungan data lintas individu dan deret waktu dengan mem-perhitungkan pengaruh spasial.
Tujuan
Tujuan dari penelitian ini adalah me-nerapkan analisis spasial data panel untuk mengetahui faktor-faktor yang mempengaruhi kemiskinan di provinsi Sumatera Selatan.
TINJAUAN PUSTAKA
Garis Kemiskinan
GK merupakan penjumlahan dari Garis Kemiskinan Makanan (GKM) dan Garis Kemiskinan Non-Makanan (GKNM). GKM merupakan nilai pengeluaran kebutuhan minimum makanan yang disetarakan dengan 2100 kalori perkapita perhari, sedangkan GKNM merupakan kebutuhan minimum untuk sandang, papan, pendidikan dan kesehatan. Rumus perhitungan GK dinyatakan sebagai berikut:
GK = GKM + GKNM [1] dimana seseorang dikatakan miskin jika pengeluaran rata-rata per kapita per bulan kurang dari GK (BPS 2008).
Analisis Data panel
Analisis data panel merupakan analisis gabungan antara data lintas individu dan data deret waktu. Data panel diperoleh ketika sejumlah objek diamati dari waktu ke waktu. Jika setiap unit lintas individu memiliki jumlah pengamatan deret waktu yang sama maka data panel seperti ini disebut data panel seimbang dan jika setiap unit lintas individu memiliki jumlah pengamatan deret waktu yang berbeda maka data panel seperti ini disebut data panel tak seimbang (Gujarati 2004). Model regresi data panel secara umum dapat dinyatakan sebagai berikut:
i = 1,….,N, ; t = 1,….,T
dengan i merupakan unit pengamatan, t merupakan unit deret waktu. α merupakan nilai suatu konstanta, β merupakan vektor berukuran K x 1, dan �� merupakan vektor peubah penjelas berukuran K X 1 untuk pengamatan ke-i pada periode waktu ke-t, K merupakan banyaknya peubah penjelas (Baltagi 2005). Model komponen sisaan satu arah untuk model regresi data panel didefinisikan pada persamaan berikut:
� =� +Ɛ� [3]
Sehingga model umum data panel menjadi:
� =�+� �′��+ +Ɛ� [4]
Pada model pengaruh tetap, individu yang digunakan biasanya merupakan individu agregat atau misalnya jika hanya ingin fokus pada N individu tertentu saja. Model pengaruh tetap juga dikenal dengan Least Square
Dummy Variable (LSDV), karena itu nilai
pengamatan pada koefisien � berupa peubah
dummy yang memiliki nilai berbeda-beda
untuk setiap individu ke-i (Baltagi 2005). Pendugaan parameter pada model peng-aruh tetap salah satunya menggunakan pen-duga within, persamaan [4] dirata-ratakan untuk keseluruhan waktu sehingga diperoleh persamaan:
.=�+� ′.�+� +Ɛ . [5]
kemudian dengan mengurangkan persamaan [4] dengan persamaan [5] (within transformation) diperoleh persamaan:
�− .= �′�− �′. �+ (Ɛ�− Ɛ .) [6]
Penduga β diduga dengan menggunakan Metode Kuadrat Terkecil (MKT), sehingga diperoleh :
� = (�∗�′�∗�)−1(�∗′� ∗�) [7] dengan �∗� = �′�− � ′. dan ∗�= � − .
Model Pengaruh Acak
Pada model pengaruh acak, individu yang digunakan merupakan individu yang dipilih secara acak dari populasi yang besar (Baltagi 2005). Pada persamaan [4], τi pada model
pengaruh tetap bersifat tetap (fixed) sedangkan pada model pengaruh acak τi~bsi(0, ��2) sehingga model pengaruh acak menjadi:
� =�+���+� +Ɛ� [8] dimana Ɛ� merupakan sisaan pengamatan ke- i pada periode waktu ke-t. Pendugaan β menggunakan metode kuadrat terkecil terampat (Generilized Least Square) (Gujarati 2004).
Analisis Spasial Data Panel
Analisis spasial data panel merupakan gabungan data lintas individu dan deret waktu dengan memperhitungkan pengaruh spasial. Panel spasial merujuk pada data yang mengandung pengamatan deret waktu pada jumlah unit-unit spasial (kode pos, kabupaten, wilayah, negara dan sebagainya) secara khusus. Saat menetapkan interaksi antara unit-unit spasial, model dapat mengandung peubah dependen spasial lagged atau proses spasial autoregresif pada galat, hal ini dikenal sebagai model spasial lag (SAR) dan model galat spasial (SEM) (Elhosrt 2010).
Model Panel dengan Spasial Lag( SAR)
Pada model spasial lag, peubah respon bergantung pada pengamatan peubah respon pada unit-unit tetangga. Model spasial lag dinyatakan sebagai berikut:
�
∗ =�
� ∗
=1 +�∗��+� + � [9]
dengan λ adalah koefisien spasial autoregresif dan adalah elemen pada matriks pembobot spasial. Pendugaan parameternya meng-gunakan penduga kemungkinan maksimum (Elhorst 2010).
Model Panel dengan Galat Spasial (SEM)
Pada model ini, fokusnya terdapat pada bentuk sisaannya. Model galat spasial dinyatakan sebagai berikut:
dimana �� merupakan galat autokorelasi spa-sial dan ρ merupakan koefisien autokorelasi spasial. Pendugaan parameternya meng-gunakan penduga kemungkinan maksimum (Elhorst 2010).
Matriks Pembobot Spasial
ini berisi nilai nol. Baris ke-i menunjukkan hubungan observasi ke-i terhadap observasi lainnya. Karena matriks pembobot me-nunjukan hubungan antara keseluruhan ob-servasi, maka dimensi dari matriks ini adalah
NxN, dimana N adalah banyaknya observasi
(Dubin 2009 ).
Matriks pembobot dapat dibentuk ber-dasarkan beberapa konsep diantaranya, persinggungan (contiguity), kedalaman dari permukaan laut, transportasi wilayah, jarak terhadap pusat kota dan jarak ekonomi. Pada konsep persinggungan ada tiga tipe per-singgungan, antara lain:
1. Benteng Catur (Rook Contiguity)
Konsep dari benteng catur adalah setiap wilayah yang bersinggungan di sisi baik utara, selatan, timur dan barat dari daerah yang diamati adalah tetangga dan diberikan nilai 1. Sedangkan untuk lainnya 0.
2. Gajah Catur (Bishop Contiguity)
Konsep dari gajah catur adalah setiap wilayah yang bersinggungan sudut dari daerah yang diamati adalah tetangga dan diberikan nilai 1. Sedangkan untuk lainnya 0.
3. Ratu Catur (Queen Contiguity)
Konsep dari gajah catur adalah setiap wilayah yang bersinggungan sisi baik di utara, selatan, timur dan barat serta sudut dari daerah yang diamati adalah tetangga dan diberikan nilai 1. Sedangkan untuk lainnya 0
Setelah menentukan matriks pembobot spasial yang akan digunakan, selanjutnya dilakukan normalisasi pada matriks pembobot spasial tersebut. Pada umumnya, untuk normalisasi matriks digunakan normalisasi baris (row-normalize). Artinya, matriks tersebut di-transformasi sehingga jumlah dari masing-masing baris matriks menjadi sama dengan satu (Dubin 2009).
Uji Pengganda Lagrange
Salah satu uji yang digunakan untuk mengetahui adanya efek interaksi spasial adalah Uji Pengganda Lagrange. Hipotesis Uji Pengganda Lagrange:
1. Model autoregresi spasial
H0 : λ = 0 (tidak ada ketergantungan autoregresi spasial)
H1 : λ ≠ 0 (ada ketergantungan autoregresi spasial)
2. Model galat spasial
H0 : ρ = 0 (tidak ada ketergantungan galat spasial)
H1 : ρ ≠ 0 ada ketergantungan galat
spasial)
Statistik Uji Pengganda Lagrange:
� = [� pengganda Lagrange model autoregresi spasial dan model galat spasial secara berturut-turut,
merupakan simbol perkalian Kronecker, �� matriks identitas berukuran TxT, e merupakan vektor sisaan dari model data panel, W matriks pembobot yang telah dinormalisasi dan � 2 merupakan kuadrat tengah galat pada model data panel. J dan TW didefinisikan sebagaidengan tr merupakan teras matriks. Keputusan tolak H0 jika nilai Statistik Lagrange lebih besar dari χ( )2 dimana q=1 (q merupakan banyaknya parameter spasial) atau nilai p < α (Elhorst 2010).
DATA DAN METODE
Data
Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari BPS periode tahun 2006-2010. Unit amatan pada penelitian ini yaitu 14 kabupaten/kota di Provinsi Sumatera Selatan.
Peubah respon yang adalah tingkat kemiskinan (Y) dengan empat peubah bebas. Keempat peubah bebas tersebut antara lain: 1. Angka melek huruf (X1) ,
2. Tingkat pengangguran terbuka (X2) Tingkat pengangguran terbuka merupakan persentase jumlah penganggur terhadap angkatan kerja (BPS 2011).
4. Tingkat partisipasi angkatan kerja (X4) Tingkat partisipasi angkatan kerja merupakan proporsi antara angkatan kerja dengan penduduk usia kerja. Penduduk usia kerja adalah penduduk yang berusia 15 tahun atau lebih. Sedangkan angkatan kerja adalah tenaga kerja yang aktif secara ekonomi baik yang bekerja maupun yang sedang mencari pekerjaan (BPS 2009). 5. Pertumbuhan ekonomi (X5)
Pertumbuhan ekonomi menunjukkan per-tumbuhan produksi barang dan jasa di suatu wilayah perekonomian dan dalam selang waktu tertentu (BPS 2011). 6. Penerimaan Pajak (X6)
Pemilihan peubah bebas yang digunakan adalah berdasarkan isu strategis dalam Rencana Pembangunan Jangka Menengah Daerah (RPJMD) Provinsi Sumatera Selatan tahun 2008-2013 serta penelitian sebelumnya yaitu penelitian Amalia (2012) mengenai faktor-faktor yang mempengaruhi kemiskinan di NTT. Dari penelitian tersebut, peubah bebas tersebut merupakan peubah-peubah yang berpengaruh terhadap kemiskinan.
Metode
Tahapan-tahapan yang dilakukan dalam penelitian ini adalah:
1. Melakukan eksplorasi data untuk melihat karakteristik data secara umum
2. Melakukan analisis data panel 3. Melakukan analisis spasial data panel
a. Menentukan matriks pembobot spasial
b. Melakukan uji pengganda Lagrange untuk menentukan model SAR atau model SEM yang digunakan
c. Menduga parameter spasial data panel
d. Melakukan pengujian asumsi 4. Melakukan interpretasi model
HASIL DAN PEMBAHASAN
Eksplorasi Data
Persentase kemiskinan serta garis ke-miskinan kabupaten/kota Provinsi Sumatera Selatan untuk tahun 2006 sampai 2010 dapat dilihat pada Lampiran 1. Persentase ke-miskinan merupakan proporsi jumlah penduduk miskin dengan total jumlah penduduk. Penduduk dikatakan miskin jika rata-rata pengeluarannya kurang dari GK. Secara umum, GK untuk tahun 2007 dan 2008 mengalami penurunan dan mengalami
peningkatan untuk tahun 2009 dan 2010. Persentase kemiskinan secara umum meng-alami peningkatan dari tahun 2006 ke 2007, akan tetapi untuk tahun-tahun berikutnya mengalami penurunan.
Persentase rata-rata kemiskinan Provinsi Sumatera Selatan dapat dilihat pada Tabel 1. Kabupaten Musi Banyu Asin, Musi Rawas, dan Lahat adalah daerah dengan rata-rata kemiskinan tertinggi. Ketiga daerah tersebut merupakan kawasan tertinggal yaitu kawasan yang memiliki keterbatasan sumberdaya dan atau aksesibilitas sehingga tidak dapat me-manfaatkan ataupun menangkap peluang ekonomi yang ada (BAPPEDA 2009).
Tabel 1 Persentase tingkat kemiskinan
Kab.Ogan Komering Ilir 21.9%
Kab. Ogan Ilir 20.2%
Kab. Muara Enim 19.7%
Kab. Banyu Asin 17.5%
Kab.Ogan Komering Ulu Selatan 17.3%
Kota Lubuklinggau 16.2%
Kab.Ogan Komering Ulu 16.0% Kab.Ogan Komering Ulu Timur 15.4%
Kota Palembang 11.9%
Kota Prabumulih 11.8%
Kota Pagar Alam 11.4%
Peta Provinsi Sumatera Selatan dapat dilihat pada Lampiran 1. Pada peta tersebut juga dapat dilihat beberapa kabupaten/kota yang berdekatan memiliki tingkat kemiskinan relatif sama. Hal ini mengindikasikan adanya kemungkinan pengaruh wilayah yang ber-dekatan terhadap kemiskinan suatu wilayah atau terdapat pengaruh spasial.
Analisis Data Panel
Hasil pendugaan model regresi, model pengaruh tetap dan model pengaruh acak dapat dilihat pada Lampiran 2. Individu / unit amatan yang digunakan dalam penelitian ini adalah keseluruhan kabupaten / kota yang ada di Provinsi Sumatera Selatan.
Tabel 2 Pendugaan parameter model pengaruh tetap
Peubah Koefisien Nilai-p
C 1.264 0.042*
Berdasarkan Baltagi (2005), jika individu yang diamati merupakan individu agregat / keseluruhan maka model panel yang di-gunakan adalah model pengaruh tetap. Sehingga model panel yang digunakan pada penelitian ini adalah model pengaruh tetap. Hasil pendugaan model pengaruh tetap dapat dilihat pada Tabel 2. Ada 3 peubah yang berpengaruh nyata yaitu X1, X2, dan X6 pada taraf nyata 5%. R2 yang dihasilkan adalah sebesar 82.99%.
Analisis Spasial Data Panel
Tahap pertama yang dilakukan pada analisis ini adalah menguji ada atau tidaknya interaksi spasial dengan menggunakan uji Pengganda Lagrange (LM). Pada uji ini, terdapat dua uji yang dilakukan yaitu uji peng-aruh lag spasial (SAR) dan uji pengpeng-aruh galat spasial (SEM). Sebelum dilakukan uji LM terlebih dahulu menentukan matriks pembobot dan menormalisasikannya. Berdasarkan hasil eksplorasi data, matriks pembobot yang di-gunakan pada penelitian ini adalah matriks pembobot ratu catur (queen contiguity). Ma-triks pembobot spasial dan normalisasinya dapat dilihat pada Lampiran 4 dan Lampiran Nilai-p yang dihasilkan pada tabel tersebut mengindikasikan terdapat pengaruh lag spasial dan pengaruh galat spasial pada taraf nyata 5%. Oleh karena itu, selanjutnya akan dilakukan pendugaan model pengaruh tetap dengan SAR dan SEM.
Pendugaan parameter data panel dengan SEM
Hasil pendugaan parameter model tetap dengan SEM dapat dilihat pada Tabel 4. Dari tabel tersebut dapat dilihat bahwa hanya koefisien X1, X2 , X6 dan ρ berpengaruh nyata sedangkan X3, X4 dan X5 tidak berpengaruh nyata pada taraf nyata 5%. R2 yang dihasilkan adalah sebesar 86.09%. Tabel 4 Pendugaan parameter model tetap
dengan SEM
Peubah Koefisien Nilai-p X1
Setelah diperoleh model spasial data panel yaitu model pengaruh tetap dengan SEM maka langkah selanjutnya adalah melakukan peng-ujian asumsi. Asumsi yang diuji antara lain autokorelasi, kehomogenan ragam dan ke-normalan.
Tabel 5 Uji Glesjer model pengaruh tetap dengan SEM
maka terjadi keheterogenan ragam dan se-baliknya. Berdasarkan hasil uji Gletsjer pada Tabel 5 dapat dilihat bahwa ada tiga peubah bebas yang berpengaruh nyata pada taraf nyata 5%. Hal ini mengindikasikan terjadi ke-heterogenan ragam.
Gambar 1 merupakan plot antara sisaan dengan yduga. Dari gambar tersebut dapat di-lihat plot membentuk pola kuadratik sehingga dapat dikatakan terjadi autokorelasi.
Gambar 1 Plot sisaan dengan yduga model pengaruh tetap dengan SEM
Gambar 2 Uji Kolmogorov-Smirnov model pengaruh tetap dengan SEM
Uji kenormalan sisaan menggunakan uji Kolmogorov-Smirnov (KS). Berdasarkan hasil uji KS pada Gambar 2 diperoleh nilai-p > 0.150, yang artinya sisaan menyebar normal pada taraf nyata 5%.
Pendugaan parameter data panel dengan SAR
Hasil pendugaan parameter model tetap dengan SAR dapat dilihat pada Tabel 6. Dari tabel tersebut dapat dilihat bahwa koefisien X1, X6 dan λ berpengaruh nyata sedangkan X2, X3, X4 dan X5 tidak berpengaruh nyata
pada taraf nyata 5%. R2 yang dihasilkan adalah sebesar 88.82%.
Tabel 6 Pendugaan parameter model tetap dengan SAR
Peubah Koefisien Nilai-p X1
Setelah diperoleh model spasial data panel yaitu model pengaruh tetap dengan SAR maka langkah selanjutnya adalah melakukan peng-ujian asumsi. Asumsi yang diuji antara lain autokorelasi, kehomogenan ragam dan ke-normalan.
Tabel 7 Uji Glesjer model pengaruh tetap dengan SAR
Gambar 3 Plot sisaan dengan yduga model pengaruh tetap dengan SAR
Uji kehomogenan ragam menggunakan uji Gletsjer. Berdasarkan hasil uji Gletsjer pada Tabel 7 dapat dilihat bahwa ada dua peubah bebas yang berpengaruh nyata pada taraf nyata 5%. Hal ini mengindikasikan terjadi keheterogenan ragam.
0.05 0.10 0.15 0.20 0.25 0.30 0.35
-0
0.05 0.10 0.15 0.20 0.25 0.30 0.35
Gambar 3 merupakan plot antara sisaan dengan yduga. Dari gambar tersebut dapat di-lihat plot membentuk pola kuadratik sehingga dapat dikatakan terjadi autokorelasi.
Gambar 4 Uji Kolmogorov-Smirnov model pengaruh tetap dengan SAR
Uji kenormalan sisaan menggunakan uji Kolmogorov-Smirnov (KS). Berdasarkan hasil uji KS pada Gambar 4 diperoleh nilai-p > 0.150, yang artinya sisaan menyebar normal pada taraf nyata 5%.
Interpretasi Model
Kemiskinan suatu wilayah tidak lepas dari pengaruh kemiskinan di wilayah sekitarnya, oleh karena itu model yang cocok digunakan untuk kasus ini adalah model pengaruh tetap dengan SAR. Hal ini juga didukung dengan nilai AIC dan R2 yang diperoleh. Model dikatakan lebih baik jika nilai AIC-nya kecil dan R2 besar. Pada Tabel 8 dapat dilihat bahwa nilai AIC untuk SAR lebih kecil di-bandingkan SEM dan nilai R2 SAR lebih besar dibandingkan SEM. Berdasarkan hal-hal tersebut maka model yang lebih baik untuk memodelkan kemiskinan di Provinsi Sumatera Selatan adalah model pengaruh tetap dengan SAR dengan dua peubah bebas yang berpengaruh nyata yaitu X1 dan X6.
Tabel 8 Ukuran kebaikan model
SEM SAR
Model diatas memiliki nilai konstanta yang berbeda-beda untuk setiap wilayah karena adanya pengaruh cross-section (τi) yang nilainya dapat dilihat pada Tabel 9. R2 yang dihasilkan dari model tersebut adalah
sebesar 88.23%. Artinya, keragaman kemiskinan yang dapat dijelaskan oleh model adalah sebesar 88.23%, sedangkan sisanya dijelaskan oleh faktor-faktor yang tidak dimasukkan ke dalam model.
Koefisien angka melek huruf (X1) di-peroleh sebesar -1.608 yang artinya untuk suatu wilayah ke-i pada periode waktu ke-t jika terjadi kenaikan angka melek huruf sebesar satu persen akan menurunkan persentase tingkat kemiskinannya sebesar 1.608 % dengan asumsi peubah yang lain dianggap tetap. Hal ini berarti bahwa semakin banyak masyarakat yang tidak buta huruf dapat megurangi angka kemiskinan. Karena dengan bisa membaca dapat menambah wawasan serta meningkatkan kualitas masyarakat yang akhirnya dapat mengurangi angka kemiskinan.
Koefisien penerimaan pajak (X6) di-peroleh sebesar -0.559. Artinya untuk suatu wilayah ke-i pada periode waktu ke-t jika terjadi kenaikkan penerimaan pajak sebesar satu persen akan menurunkan persentase tingkat kemiskinannya sebesar 0.559% dengan asumsi peubah yang lain dianggap tetap. Tabel 9 Dugaan pengaruh kabupaten/kota
Kabupaten/kota Pengaruh
Ogan Komering Ulu 0.056
Ogan Komering Ilir -0.075
Muara Enim -0.001
Lahat 0.141
Musi Rawas 0.155
Musi Banyu Asin 0.204
Banyu Asin -0.089
Ogan Komering Ulu Selatan 0.013 Ogan Komering Ulu Timur -0.094
Ogan Ilir 0.060
Koefisien λ yang dihasilkan sebesar 0.499. Hal ini berarti jika suatu wilayah yang dikelilingi oleh wilayah lain sebanyak n, maka pengaruh dari masing-masing wilayah yang mengelilinginya sebesar 0.499 dikalikan rata-rata kemiskinan di sekelilingnya.
SIMPULAN
Model pengaruh tetap dengan SAR lebih baik digunakan untuk diterapkan pada kasus kemiskinan di Provinsi Sumatera Selatan dibandingkan dengan model pengaruh tetap dengan SEM. Terdapat dua peubah bebas yang berpengaruh pada model tersebut yaitu angka melek huruf dan penerimaan pajak. Model tersebut memiliki R2 sebesar 88.23%.
DAFTAR PUSTAKA
Alkaf Y. 2009. Visi, Misi dan Program Kerja Pasangan SBY-Boediono 2009-2014 [terhubungberkala].http://yasiralkaf.word press.com/2009/06/26/visi-misi-dan- program-kerja-pasangan-sby-boediono-2009-2014/
.
[3 Oktober 2012]Amalia R. 2012. Analisis Faktor-Faktor yang Mempengaruhi Kemiskinanan NTT [skripsi]. Bogor : Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Anselin L. 1999. Spatial econometrics. Dallas:
University of Texas.
Baltagi BH. 2005. Econometrics Analysis of Data Panel. Ed ke-3. England : John Wiley and Sons, LTD.
[Bappeda] Badan Perencanaan Pembangunan Daerah. 2009. Rencana Pembangunan
Jangka Menengah Daerah Provinsi
Sumatera Selatan Tahun 2008-2013. Palembang : Badan Perencanaan Pembangunan Daerah
[BPS] Badan Pusat Statistik. 2008. Analisis dan Perhitungan Tingkat Kemiskinan 2008 . Jakarta : Badan Pusat Statistik. [BPS] Badan Pusat Statistik. 2004. Indikator
Kemiskinan dan Pembangunan Manusia. Jakarta : Badan Pusat Statistik.
[BPS] Badan Pusat Statistik. 2009. Laporan Perekonmian Sumatera Selatan 2009. Jakarta : Badan Pusat Statistik.
[BPS] Badan Pusat Statistik. 2011. Data Strategis BPS. Jakarta : Badan Pusat Statistik.
[BPS] Badan Pusat Statistik. 2012. Profil Kemiskinan di Indonesia September 2011. Jakarta : Badan Pusat Statistik.
Dubin R. 2009. Spatial Weight. Foteringham AS, PA Rogerson, editor, handbook of Spatial Analysis. London: Sage Publications.
Elhorst JP. 2010. Spatial Data panel Models. Fiscer MM, A.Getis, editor, Handbook of Applied Spatial Analysis. New York: Springer.
Gujarati DN. 2004. Basic Econometrics 4th
Edition. New York: The McGraw-Hil
Companies.
Lampiran 1 Persentase Kemiskinan dan Garis Kemiskinan Kabupaten/Kota Provinsi Sumatera Selatan
Kabupaten/Kota
Tahun
2006 2007 2008 2009 2010
Persentase Kemiskinan
Garis Kemiskinan
(Rp)
Persentase Kemiskinan
Garis Kemiskinan
(Rp)
Persentase Kemiskinan
Garis Kemiskinan
(Rp)
Persentase Kemiskinan
Garis Kemiskinan
(Rp)
Persentase Kemiskinan
Garis Kemiskinan
(Rp)
Ogan Komering Ulu 17.80% 165070 17.59% 131969 17.80% 152548 14.64% 189810 12.28% 253307
Ogan Komering Ilir 25.93% 180486 24.47% 130382 25.93% 148949 17.67% 173700 15.98% 213543
Muara Enim 21.88% 181651 22.03% 148238 21.88% 167525 17.98% 210095 14.51% 225807
Lahat 29.67% 168011 29.57% 142743 29.67% 181992 23.21% 208836 19.02% 260227
Musi Rawas 34.49% 183581 34.82% 150947 34.49% 188164 24.27% 220070 19.38% 268257
Musi Banyu Asin 35.52% 172180 36.28% 156742 35.52% 154398 25.45% 238773 20.06% 275807
Banyu Asin 19.81% 153640 20.22% 133069 19.81% 134521 15.38% 212328 12.39% 235431
Ogan Komering Ulu Selatan 21.06% 165070 18.42% 113654 21.06% 143400 14.56% 162100 11.53% 199259
Ogan Komering Ulu Timur 18.26% 165070 18.38% 119651 18.26% 172179 12.12% 177015 9.81% 191232
Ogan Ilir 22.67% 180486 23.75% 140912 22.67% 169975 17.78% 205432 13.97% 253074
Palembang 9.23% 210381 9.35% 147221 9.23% 157754 16.66% 244233 15.00% 315634
Prabumulih 9.33% 167307 11.83% 134202 9.33% 130053 15.39% 240418 12.93% 318521
Pagar Alam 11.88% 142196 13.20% 120466 11.88% 174863 10.23% 163329 9.81% 213574
Lampiran 2 Peta Provinsi Sumatera Selatan berdasarkan Tingkat Kemiskinan Nasional
Lampiran 4 Perbandingan Model Regresi, Model Pengaruh Tetap dan Model Pengaruh Acak
Model Regresi Model Pengaruh Tetap Model Pengaruh Acak
Koefisien Nilai-p Koefisien Nilai-p Koefisien Nilai-p
C 1.522 0.045* 1.264 0.042* 1.506 0.083*
*nyata pada taraf nyata 5%
Lampiran 5 Matriks Pembobot Spasial