• Tidak ada hasil yang ditemukan

Pemodelan inflasi regional indonesia menggunakan regresi data panel statis dan dinamis

N/A
N/A
Protected

Academic year: 2017

Membagikan "Pemodelan inflasi regional indonesia menggunakan regresi data panel statis dan dinamis"

Copied!
43
0
0

Teks penuh

(1)

PEMODELAN INFLASI REGIONAL INDONESIA

MENGGUNAKAN REGRESI DATA PANEL STATIS DAN

DINAMIS

EVITA SARI

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)
(3)

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

(4)

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.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada

Departemen Statistika

PEMODELAN INFLASI REGIONAL INDONESIA

MENGGUNAKAN REGRESI DATA PANEL STATIS DAN

DINAMIS

EVITA SARI

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)
(7)

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

(8)

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

(9)

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

TINJAUAN PUSTAKA 2

Inflasi 2

Regresi Data Panel Statis 2

Regresi Data Panel Dinamis 5

Evaluasi Pendugaan Model 8

METODE 9

Data 9

Prosedur Analisis Data 10

HASIL DAN PEMBAHASAN 10

Eksplorasi Data 10

Pendugaan Model Regresi Data Panel Statis 13

Pendugaan Model Regresi Data Panel Dinamis 16

Pemilihan Model Terbaik 17

Interpretasi Peubah Berpengaruh 18

SIMPULAN DAN SARAN 19

Simpulan 19

Saran 20

DAFTAR PUSTAKA 20

LAMPIRAN 22

(10)

DAFTAR TABEL

1 Perilaku tingkat inflasi di 31 provinsi 11

2 Koefisien korelasi antar peubah 12

3 Hasil uji spesifikasi model regresi data panel statis pada model A 13 4 Pendugaan model efek tetap dengan penanganan asumsi pada model A 14 5 Hasil pengujian regresi data panel dinamis pada model C 16 6 Perbandingan hasil pendugaan model efek tetap dan SYS-GMM 17

DAFTAR GAMBAR

1 Grafik provinsi yang mengalami perbedaan perilaku tingkat inflasi 11

2 Hasil uji Jarque-Bera model A 15

3 Hasil uji Jarque-Bera model C 16

DAFTAR LAMPIRAN

1 Daftar provinsi dan kota proksi tingkat inflasi 22

2 Tabel tingkat inflasi regional (dalam %) 23

3 Diagram pencar peubah tak bebas vs peubah bebas dalam tahun 24

4 Histogram setiap peubah 26

5 Pendugaan model gabungan dan model efek acak untuk model A 27

6 Efek individu setiap provinsi pada model A 28

7 Hasil regresi data panel statis untuk model B 29 8 Hasil regresi data panel dinamis pada model D 32

(11)

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.

(12)

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:

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.

(13)

3

it merupakan respon individu ke-i pada periode ke-t, merupakan skalar,

merupakan vektor yang berukuran K x 1 dengan K menyatakan banyaknya peubah penjelas, it adalah observasi pada amatan ke-i dan periode ke-t pada K peubah penjelas serta diasumsikan sebagai berikut:

i

dimana imerupakan pengaruh spesifik dari individu yang tidak teramati dan menunjukan galat yang menyebar acak yang tidak berkorelasi diri. idan 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 ibernilai 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 t- , i adalah vektor T x 1 yang berisi angka satu.

Penduga µ adalah - - sehingga untuk setiap individu i

̅ ̅ Dugaan ragam sisaan bagi model efek tetap adalah

s ( - ) -

(14)

4 model efek acak mengikuti error component model sebagai berikut:

i,t i i,t

dengan [ i,t ] σ σ v , [ i,t i,s ] σ untuk t ≠ s, [ i,t j,s ] untuk semua t dan s jika i ≠ j. Matriks ragam-peragam untuk T amatan pada setiap individu i adalah = i sehingga:

dengan iT adalah T x 1 vektor kolom dari angka 1, maka matriks ragam peragam

untuk n x T amatan adalah:

Pendugaan model dengan Metode Kuadrat Terkecil akan diperoleh penduga konsisten namun komponen galat vi,t mengalami autokorelasi dan galat baku

berbias, sehingga pendugaan dilakukan dengan Generalized Least Square yaitu melakukan OLS setelah data ditansformasi sebagai berikut:

i,t ̅i. ( i,t ̅i.) { i ( i,t ̅i.)}

sehingga bias dari penduga model efek acak akan kecil.

Uji Chow

(15)

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

hit ( )[ 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.

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, it 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 imerupakan pengaruh spesifik dari individu yang tidak teramati dan menunjukan galat yang menyebar acak yang tidak berkorelasi diri. idan 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 it merupakan fungsi dari

(16)

6

SYS-GMM

Ide dasar dari penggunaan metode SYS-(GMM) adalah menggunakan

lagged level dari yi,tsebagai 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- i,t- ) sehingga menghilangkan pengaruh individu (µi):

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:

dif 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:

lev i

Model system merupakan kombinasi model first difference dan model level

(17)

7

dengan kombinasi momen kondisi sys (∆ i,t

i,t ) untuk i = 1, 2, . . .N yang

merupakan kombinasi dari ( difi,t) dan ( lev i,t) . Lalu didefinisikan matriks peubah instrumen untuk system yaitu:

sys [ dif p

penambahan peubah bebas X adalah:

i,t

dengan matriks peubah instrumen first difference dan matriks peubah instrumen

level sebagai berikut:

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 iii 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

(18)

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:

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:

i

̂ 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

(19)

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

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

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)

(20)

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

(21)

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 2006-2012. Tahun 2006 dan 2007 keempat provinsi (NAD, Sulawesi Utara, Papua, Sulawesi Tenggara) cenderung berada di atas rata-rata tingkat inflasi seluruh provinsi pada tahun tersebut. Peningkatan tingkat inflasi di Nangroe Aceh Darussalam disebabkan oleh tingginya permintaan barang dan jasa untuk usaha rekonstruksi pasca bencana tsunami pada tahun 2004, juga terbatasnya respon pasar dalam meningkatkan jumlah barang (Yusran et al 2008).

Tabel 1 Perilaku tingkat inflasi di 31 provinsi Tahun Perilaku tingkat inflasi Provinsi yang mengalami

perbedaan perilaku inflasi 2007 Mengalami penurunan NAD, Sulawesi Utara, Papua 2008 Mengalami peningkatan

2009 Mengalami penurunan

2010 Mengalami peningkatan Sulawesi Tenggara 2011 Mengalami penurunan Sulawesi Tenggara 2012 Beragam

Gambar 1 Grafikprovinsi 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

0

2006 2007 2008 2009 2010 2011 2012

(22)

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

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).

(23)

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 Statistik Db Nilai p

Uji Chow

Fhitung 2.0343 (30,182) 0.0000

Uji Hausman

2

hitung 50.5936 4 0.0000

Pendugaan Model Efek Tetap

(24)

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 Model A1 Model A2 Model A3

SSR 1335.5180 1328.9010 432.7370

DWhitung 3.1383 3.1773 1.9468

Unweighted Statistics

R2 0.3405 0.7284

SSR 1340.1970 477.4765

DWhitung 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

(25)

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.

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

(26)

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 simultan dengan statistik uji 2hitung berderajat bebas K, K merupakan banyaknya

parameter yang diduga. Hipotesis nolnya adalah tidak terdapat hubungan di dalam model. Tabel 5 memperlihatkan 2hitung 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

Wald 2

hitung) 109.1300

Derajat bebas 5

Nilai p 0.0000

Uji Sargan

2

hitung 28.7069

Derajat bebas 19

Nilai p 0.0707

Uji Arellano-Bond

Ordo 1 2

Zhitung -2.5274 -0.7128

Nilai p 0.0115 0.4760

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

0 4 8 12 16 20

-10 -5 0 5 10 15 20

(27)

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 Zhitungsebesar -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 Model Efek Tetap SYS-GMM

Model A Model B Model C Model D

C 66.1631* 60.6618* 130.2908* 86.8868*

ROAD 0.0243* 0.0345* -0.0034 -0.0090 U 0.2312* 0.0774 0.7316 0.2426 lnWAGE -6.9350* -5.1953* -31.4261* -35.0748*

lnELC -6.6709* -7.3683*

lnGDRP -13.3109* -2.1783

INF(-1) -0.5248* -0.4958*

R2 0.8630 0.8383

RMSE 19.5309 36.5859 9.8881 14.1395 MAE 15.3560 28.4593 8.3245 11.2094 MAPE (%) 3.5911 6.3233 2.2976 2.7864

*: Signifikan pada = 5%

(28)

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.

(29)

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

(30)

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-and-inflation.htm.

Fibriani SU. 2012. Pemodelan Tingkat Inflasi Nasional dengan Model Fungsi Transfer Input Ganda [Skripsi]. Bogor (ID): Institut Pertanian Bogor.

Firdaus M. 2009. The Global Economic Crisis and Its Effect on Indonesian Agribusiness Exports? AFBE Journal. 3(2): 283–295.

Gujarati DN. 2003. Basic Econometrics, Fourth Edition. New York (US): Mc Grow Hill.

Greene WH. 2012. Econometric Analysis, Seventh Edition. Boston (US): Pearson. Haug AA, King IP. 2011. Empirical Evidence on Inflation and Unemployment in

the Long Run. Economics Discussion Paper. 1109: 1–25.

Jonsson M, Palmqvist S. 2004. Do Higher Wages Cause Inflation. Sveriges Riskbank Working Paper Series. 159: 1–43.

(31)

21 Marques H, Pino G, Tena JD. 2009. Regional Inflation Dynamics Using

Space-Time Models. Working Paper CRENoS. 2009_15: 1–26. doi: 10.1007/s00181-013-0763-9.

Mankiw NG. 2003. Teori Makroekonomi, Edisi Kelima. Jakarta (ID): Erlangga. Mukhopadhyay SK. 2007. Production Planning and Control Text and Cases,

Second Edition. New Delhi (IN): Prentice Hall of India Private Limited. Prasetyo RB, Firdaus M. 2009. Pengaruh Infrastruktur pada Pertumbuhan

Ekonomi Wilayah di Indonesia. Jurnal Ekonomi dan Kebijakan Pembangunan. 2(2): 222–236.

Roodman D. 2009. How to do xtabond2: An Introduction to Difference and System GMM in Stata. The Stata Journal. 9(1): 86–136.

Solikin. 2004. Kurva Phillips dan Perubahan Struktural di Indonesia : Keberadaan, Linearitas, dan Pembentukan Ekspektasi. Buletin Ekonomi Moneter dan Perbankan. 6(4): 41–75.

Whelan K. 2007. Staggered Price Contrast and Inflation Persistence: Some General Result. International Economic Review. 48(1): 111–145. doi: 10.1111/j.1468-2354.2007.00419.x.

Willmott CJ, Matsuura K. 2005. Advantages of Mean Absolute Error (MAE) over The Root Mean Square Error (RMSE) in Assesing Average Model Performance. Climate Research Journal. 30: 79–82. doi: 10.3354/cr030079. Yusran, Hermansyah E, Musyrafah H, Armas EB. 2008. Perkembangan Ekonomi

Aceh [Internet]. World Bank. hlm 1–4; [diunduh 2014 Jul 4] Tersedia pada http://siteresources.worldbank.org/INTINDONESIA/Resources/226271-

1176706430507/3681211-1194602678235/4375533-1198637122429/AEU_April2008_bh.pdf.

(32)

22

Lampiran 1 Daftar provinsi dan kota proksi tingkat inflasi

(33)

23 Lampiran 2 Tabel tingkat inflasi regional (dalam %)

Provinsi Tahun Rata-

rata 2006 2007 2008 2009 2010 2011 2012

(34)

24

Lampiran 3 Diagram pencarpeubah tak bebas vs peubah bebas dalam tahun

Gambar 1 Tingkat Inflasi vs Luas Jalan Kondisi Baik

Gambar 2 Tingkat Inflasi vs Tingkat Pengangguran Terbuka

(35)

25

Gambar 4 Tingkat Inflasi vs Konsumsi Energi Listrik

(36)

26

Lampiran 4 Histogram setiap peubah

Gambar 2 Luas Jalan Kondisi Baik

0

Gambar 5 Konsumsi Energi Listrik 0

12.5 25.0 37.5 50.0 62.5 75.0 87.5 100.0

(37)

27 Lampiran 5 Pendugaan model gabungan dan model efek acak untuk model A

Tabel 1 Hasil pendugaan model gabungan

Peubah Koefisien Std. Error t-hitung Nilai p

C 16.3522 2.2402 7.2995 0.0000

ROAD 0.0077 0.0188 0.4092 0.6828

UR 0.1796 0.0660 2.7223 0.0070

lnWAGE -3.9589 1.0021 -3.9504 0.0001

lnELC -0.5376 0.1510 -3.5615 0.0005

F-hitung 7.3947

Nilai p 0.0000

R2 0.1224

R2adj 0.1059

Sum Square Residual 1783.357

Durbin Watson 2.7311

Tabel 2 Hasil pendugaan model efek acak

Peubah Koefisien Std. Error t-hitung Nilai p

C 16.352 2.0923 7.8154 0.0000

ROAD 0.0077 0.0176 0.4381 0.6617

UR 0.1796 0.0616 2.9148 0.0039

lnWAGE -3.9588 0.9360 -4.2296 0.0000

lnELC -0.5376 0.1410 -3.8132 0.0002

F-hitung 7.3947

Nilai p 0.0000

R2 0.1224

R2adj 0.1059

Sum Square Residual 1783.357

(38)

28

Lampiran 6 Efek individu setiap provinsi pada model A

(39)

29 Lampiran 7 Hasil regresi data panel statis untuk model B

Tabel 1 Hasil uji spesifikasi model

Uji Efek Statistik Db Nilai p

Uji Chow

Fhitung 2.1649 (30,182) 0.0010

Uji Hausman

2

hitung 50.0613 4 0.0000

Tabel 2 Pendugaan model efek tetap dengan penanganan asumsi pada model B

Statistik Model B1 Model B2 Model B3

Weighted Statistics

Fhitung 2.6587 3.1603 16.9945

Nilai–p 0.0000 0.0000 0.0000

R2 0.3318 0.3712 0.8383

R2adj 0.2070 0.2538 0.7890

SSR 1357.782 1349.435 471.7707

DWhitung 3.0377 3.0964 1.8611

Unweighted Statistics

R2 0.3289 0.6821

SSR 1363.790 558.8702

DWhitung 3.1023 1.2603

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)

Gambar 1 Hasil Uji Jarque-Bera

0 2 4 6 8 10 12 14 16

-80 -60 -40 -20 0 20 40 60 80

(40)

30

Tabel 3 Hasil pendugaan model gabungan

Peubah Koefisien Std. Error t-hitung Nilai p

C 13.6749 2.1111 6.4776 0.0000

ROAD -0.0011 0.0188 -0.0574 0.9543

UR 0.1555 0.0667 2.3320 0.0206

lnWAGE -3.6303 1.0204 -3.5578 0.0005

lnGDRP -0.3935 0.1679 -2.3442 0.0200

F-hitung 5.4624

Nilai p 0.0003

R2 0.0934

R2adj 0.0763

Sum Square Residual 1842.3010

Durbin Watson 2.6574

Tabel 4 Hasil pendugaan model efek acak

Peubah Koefisien Std. Error t-hitung Nilai p

C 13.6749 1.9560 6.9911 0.0000

ROAD -0.0011 0.0174 -0.0619 0.9507

UR 0.1555 0.0618 2.5169 0.0126

lnWAGE -3.6303 0.9454 -3.8397 0.0002

lnGDRP -0.3935 0.1555 -2.5301 0.0121

F-hitung 5.4624

Nilai p 0.0003

R2 0.0934

R2adj 0.0763

Sum Square Residual 1842.3010

(41)

31

Tabel 5 Efek individu setiap provinsi pada model B

(42)

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) 121.8800

Derajat bebas 5

Nilai p 0.0000

Uji Sargan

2

hitung 28.7720

Derajat bebas 19

Nilai p 0.0697

Uji Arellano-Bond

Ordo 1 2

Zhitung -2.5584 -0.5660

Nilai p 0.0105 0.5714

Gambar 1 Hasil Uji Jarque-Bera

0 4 8 12 16 20

-60 -40 -20 0 20 40 60

(43)

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 (2012-2013). Penulis juga mengikuti beberapa kepanitiaan diantaranya Java Cup 2010,

et’s ight gainst rugs , J itan Business imulation , Pemilihan

Gambar

Gambar 1  Grafik provinsi yang mengalami perbedaan
Tabel 2 Koefisien korelasi antar peubah
Tabel 3 Hasil uji spesifikasi model regresi data panel statis pada model A
Tabel 4 Pendugaan model efek tetap dengan penanganan asumsi pada model A
+7

Referensi

Dokumen terkait

Sejalan dengan penelitian yang dilakukan pada referensi [12] Penelitian ini dilakukan pada siswa kelas IV SD Gugus Merbabu. Berdasarkan hasil analisis data yang

Agar pembahasan dalam penelitian ini tidak terlalu meluas, peneliti membatasi berapakah rata-rata nilai kemampuan menemukan pokok-pokok isi dongeng oleh siswa SMP

Aktivitas antioksi dan fikosianin yang diekstraksi dengan aquades lebih tinggi (IC 50 = 110,80 ppm) dibandingkan fikosianin yang diekstraksi dengan buffer fosfat pH 7 (IC 50

Berdasarkan hasil kajian dalam menentukan/memilih metode peramalan data deret waktu yang dianggap tepat untuk digunakan dalam peramalan volume penjualan PT Satriamandiri

Fungsi Kontrol ALU disini adalah meneruskan sinyal kontrol 3-bit dari instruksi dan sinyal enable 1-bit ALUop dari control unit untuk mengoperasikan multiplekser

Perlu perhatian khusus utamanya operasi pada area kepala dan leher utamanya rongga mulut karena berpotensi mempengaruhi tingkat keberhasilan treatment seperti pada operasi

Pelayanan Kesehatan Masyarakat merupakan bagian dari pelayanan kesehatan dengan tujuan utama yaitu untuk meningkatkan kesehatan dan mencegah penyakit

Berdasarkan data yang diperoleh di SMP Negeri 7 Kota Sukabumi pada pembelajaran penjas khususnya atletik nomor lari jarak pendek menunjukan bahwa hasil belajar