ANALISIS REGRESI TOBIT SPASIAL:
Studi Kasus Penggunaan Internet di Pulau Jawa
oleh:
Andhie Surya Mustari
NRP. 1310 201 719
Pembimbing:
Dr. Dra. Ismaini Zain, M.Si.
Program Magister – Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember
Seminar Tesis,
O U T L I N E
Pendahuluan
Kesimpulan dan Saran
Metode Penelitian
Kajian Pustaka
LATAR BELAKANG (1)
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran 3LATAR BELAKANG (2)
Faktor-faktor yang Mempengaruhi Penggunaan Internet di Pulau Jawa
Data Kewilayahan
Variabel Respon yang Bersifat Kategorik dan
Terbatas
Analisis Data Kategorik
Data Dikotomi: Tinggi – Rendah
Analisis Regresi Probit
Data Tersensor: Tinggi – Rendah Bervariasi
Analisis Regresi Tobit
Variabel Respon yang Memiliki Efek Korelasi
Spasial
Analisis Regresi Spasial
Bagaimana Pemodelan Data Penggunaan Internet di Pulau Jawa
Menggunakan Model Regresi Tobit Spasial?
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
RUMUSAN MASALAH
Bagaimana pembentukan model dan
metode penaksiran parameter model regresi
Tobit spasial?
Bagaimana penyusunan algoritma dan
pemrogram untuk pembentukan model
regresi Tobit spasial?
Bagaimana aplikasi model regresi Tobit
spasial untuk menganalisis penggunaan
internet di Pulau Jawa?
5 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
TUJUAN PENELITIAN
Mengkaji pembentukan model dan
penaksiran parameter dari model regresi
Tobit spasial
Menyusun algoritma dan pemrogram untuk
pembentukan model regresi Tobit spasial
Memodelkan data penggunaan internet di
Pulau Jawa menggunakan model regresi
Tobit spasial
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranMANFAAT PENELITIAN
Pengembangan wawasan keilmuan dan
pengetahuan mengenai model regresi Tobit
spasial.
Memberikan alternatif metode analisis untuk
meneliti variabel respon tersensor dengan
korelasi spasial.
Pengembangan program sederhana untuk
pembentukan model regresi Tobit spasial.
Sebagai masukan bagi pengambil keputusan
mengenai kebijakan pembangunan bidang
telekomunikasi.
7 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranBATASAN PENELITIAN
observasi
Observasi penelitian
sebanyak 118
kabupaten/kota di enam
provinsi di Pulau Jawa.
sensor
Variabel respon tersensor
pada kabupaten/kota
dengan persentase
penduduk pengguna
internet di atas 16 persen.
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranDATA TERSENSOR
50 40 30 20 10 0 30 25 20 15 10 5 0Persentase Penduduk Berpendidikan SMA atau lebih
P e rs e n ta se P e n g g u n a I n te rn e t Scatterplot of y vs x03 9 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
MODEL TOBIT
Tobin’s Probit Model (1958):
𝑦
𝑖
=
𝑦
𝜏 jika 𝑦
𝑖
∗
= 𝒙
𝑖
𝜷 + 𝜀
𝑖
jika 𝑦
𝑖
∗
< 𝜏
𝑖
∗
≥ 𝜏
dimana
𝑦
𝑖= variabel respon yang berdistribusi normal tersensor,
𝜏 = konstanta nilai batasan sensor (𝜏 > 𝑦
∗),
𝒙
𝑖= variabel prediktor,
𝜷 = parameter model, dan
𝜺 ~ 𝑁 0, 𝜍
2.
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranMODEL SPASIAL
Bentuk umum model spasial (Anselin, 1988):
𝒚 = 𝜌 𝑾𝒚 + 𝑿𝜷 + 𝒖
𝒖 = 𝜆 𝑾𝒖 + 𝜺
Atau
𝒚 = 𝑰 − 𝜌𝑾
;1𝑿𝜷 + 𝑰 − 𝜌𝑾
;1𝑰 − 𝜆𝑾
;1𝜺
Dimana 𝜺 ~ 𝑁 0, 𝜍
2𝒚 = variabel respon
𝑿 = variabel prediktor
𝜷 = parameter model regresi
𝜌 = koefisien korelasi spasial lag
𝜆 = koefisien korelasi spasial error
𝑾 = matriks penimbang spasial
11 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
UJI EFEK KORELASI SPASIAL
Uji efek korelasi spasial lag:
𝐻0: 𝜌 = 0 lawan 𝐻1: 𝜌 ≠ 0
Statistik uji LM-lag:
𝐿𝑀𝑙𝑎𝑔 = 𝒆
′𝑾𝒚 𝜍2 2 𝐷
Uji efek korelasi spasial error:
𝐻0: 𝜆 = 0 lawan 𝐻1: 𝜆 ≠ 0
Statistik uji LM-err:
𝐿𝑀𝑙𝑎𝑔 = 𝒆 ′𝑾𝒆 𝜍2 2 𝑇 dimana 𝜍2 = 𝒆T𝒆 𝑛 𝐷 = 𝑾𝑿𝜷 T 𝑰 − 𝑿 𝑿T𝑿 ;1𝑿T 𝑾𝑿𝜷 𝜍2+ 𝑇 𝑇 = tr 𝑾T+ 𝑾 𝑾 𝐻0 ditolak apabila 𝐿𝑀 > 𝜒2
𝛼,1 atau p-value lebih kecil dari nilai 𝛼
(Anselin, 1999) Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
UJI HETEROSKEDASTISITAS
Uji heteroskedastisitas
𝐻
0: 𝜍
12= 𝜍
22= ⋯ = 𝜍
𝑛2= 𝜍
2(homoskedastisitas)
𝐻
1: minimal ada satu 𝜍
𝑖2≠ 𝜍
2(heteroskedastisitas)
Nilai Statistik Uji Breusch Pagan (1979):
𝐵𝑃 =
1
2
𝒇
′𝑿 𝑿
′𝑿
;1𝑿
′𝒇
dengan elemen vektor f adalah
𝑓
𝑖=
𝑒
𝑖2𝜍
2− 1
dimana 𝑒
𝑖adalah residual observasi ke-𝑖 hasil regresi linier,
𝑖 = 1,2, … , 𝑛, 𝜍
2= 𝒆
T𝒆 𝑛
, 𝑿 adalah matriks 𝑛 × 𝑝 + 1 dari
observasi dengan elemen kolom pertama merupakan vektor satu,
dan 𝑝 adalah jumlah variabel prediktor. 𝐻
0ditolak apabila
𝐵𝑃 > 𝜒
2 𝛼,𝑝.
13 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranUJI PARAMETER
Pengujian Parameter
𝐻
0: 𝛽
𝑘= 0
𝐻
1: 𝛽
𝑘≠ 0, 𝑘 = 1,2, … , 𝑝
Statistik uji Wald (Long, 1997):
𝑊
𝑘=
𝛽
𝑘𝑉𝑎𝑟 𝛽
𝑘Tolak 𝐻
0apabila nilai 𝑊
𝑘> 𝑍
𝛼2
atau p-value lebih kecil dari nilai 𝛼.
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
PENELITIAN TOBIT SPASIAL
LeSage (2000) merumuskan model Tobit SARheteroskedastic dengan metode MCMC Gibbs
sampler dan mengaplikasikannya pada data harga
perumahan di Boston tahun 1978.
Kaliba (2002) mengembangkan model Tobit SAC menggunakan modul aplikasi Maximum
Likelihood 4 dari paket program GAUSS pada data pedesaan di Tanzania.
Langyintuo dan Mekuria (2008) menggunakan metode maksimum likelihood untuk membentuk model Tobit SAC pada data petani di Mozambique.
LeSage dan Pace (2009) menggunakan data simulasi yang dibangkitkan oleh Koop (2003) untuk membentuk model Tobit spasial
menggunakan metode Bayesian MCMC.
15 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
MARKOV CHAIN MONTE
CARLO (MCMC)
MCMC merupakan suatu teknik metode simulasi yang
membangkitkan sejumlah sampel dari distribusi data yang telah diketahui (Chib dan Greenberg, 1996).
Ide dasar dari teknik MCMC adalah daripada menghitung suatu fungsi kepadatan peluang 𝑝 𝜽 𝒚 , lebih baik mengambil sampel random dalam jumlah besar dari 𝑝 𝜽 𝒚 untuk mengetahui bentuk probabilitas tersebut secara tepat. (Casella dan George, 1992)
Dengan ukuran sampel random yang cukup besar, ditandai dengan besarnya jumlah iterasi MCMC, nilai rata-rata dan standar
deviasinya dapat dihitung secara akurat (Casella dan George, 1992).
LeSage (1999) menjelaskan bahwa algoritma MCMC Gibbs sampler akan memberi kemudahan estimasi parameter untuk model regresi Tobit spasial daripada harus memecahkan sejumlah persamaan
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
GIBBS SAMPLER
Algoritma Gibbs sampler :
1. Tentukan nilai inisiasi awal 𝜽
0= 𝜃
1 0, 𝜃
2 0, … , 𝜃
𝑝 02. Lakukan langkah di bawah sejumlah 𝑡 = 1: 𝑚,
dimana 𝑚 = jumlah iterasi.
Bangkitkan nilai 𝜃
1 𝑡~ 𝑝 𝜃
1𝒚, 𝜃
2 𝑡;1, 𝜃
3 𝑡;1, … , 𝜃
𝑝 𝑡;1Bangkitkan nilai 𝜃
2 𝑡~ 𝑝 𝜃
2𝒚, 𝜃
1 𝑡, 𝜃
3 𝑡;1, … , 𝜃
𝑝 𝑡;1…
Bangkitkan nilai 𝜃
𝑝 𝑡~ 𝑝 𝜃
𝑝𝒚, 𝜃
1 𝑡, 𝜃
2 𝑡, … , 𝜃
𝑝;1 𝑡3. Tentukan hasil estimasi 𝜽 dengan cara
𝜽 =
1
𝑚
𝜃
𝑡 𝑚 𝑡<1 17 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranMETROPOLIS HASTINGS
Algoritma Metropolis Hastings :
1. Hitung peluang penerimaan 𝜽
∗sebagai 𝜽
𝑡.
𝑝 𝜽
∗, 𝜃
𝑡;1= min 1 ,
𝑝 𝜽
∗𝒚 𝑓 𝜽
𝑡;1𝜽
∗𝑝 𝜽
𝑡;1𝒚 𝑓 𝜽
∗𝜽
𝑡;12. Bangkitkan angka random 𝑞 ~ Uniform(0,1).
3. Terima 𝜽
∗sebagai nilai baru dari 𝜽
𝑡apabila
𝑝 𝜽
∗, 𝜽
𝑡;1> 𝑞.
Jika tidak, nilai 𝜽
𝑡;1tidak berubah atau 𝜽
𝑡= 𝜽
𝑡;1.
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
PENGGUNAAN INTERNET (1)
Pembangunan teknologi informasi dan komunikasi (TIK) suatu
negara memiliki hubungan yang positif dengan pertumbuhan
ekonomi. Artinya, pembangunan TIK akan memberikan efek
berantai kepada meningkatnya pertumbuhan ekonomi (Kominfo,
2010).
Rao dan Pattnaik (2006) menyatakan bahwa pertumbuhan TIK
telah membuka kesempatan bagi masyarakat untuk lebih
memanfaatkan fasilitas pembangunan sosial ekonomi dan budaya
secara lebih modern.
Pembangunan TIK memberikan pengaruh ekonomi yang luas, baik
secara langsung maupun tidak langsung, meningkatkan
kesejahteraan dan pembangunan fasilitas sosial ekonomi (ITU,
2010).
19 Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan SaranPENGGUNAAN INTERNET (2)
Michailidis dkk. (2011) mengungkapkan bahwa pengguna internet di pedesaan Yunani dipengaruhi oleh tingkat pendapatan, harga dari akses internet, kepemilikan PC, tempat tinggal, serta variabel sosial demografi seperti; jenis kelamin, jumlah penduduk muda yang tinggal satu rumah, umur, tingkat pendidikan, dan status pekerjaan.Menggunakan data dari 154 negara, Howard dan Mazaheri (2009) menemukan bahwa kesenjangan penggunaan TIK (telepon seluler, komputer, dan bandwidth internet) dipengaruhi oleh; investasi asing, perdagangan, jumlah penduduk, populasi perkotaan, literacy rate,
konsumsi, telepon kabel, serta sembilan variabel lain yang menjelaskan regulasi pemerintah.
Andonova dan Serrano (2007) menjelaskan bahwa perkembangan TIK dan pertumbuhan pemanfaatan internet lebih banyak dipengaruhi oleh faktor perhatian pemerintah dan regulasi yang berlaku di wilayah tersebut.
Pendahuluan Kajian Pustaka Metode Penelitian Analisis dan Pembahasan Kesimpulan dan Saran
SUMBER DATA
Sumber data yang digunakan dalam penelitian ini adalah data olahan
hasil Susenas 2010, Sakernas 2010, dan Podes 2008, serta data
sekunder yang diambil dari publikasi PDRB kabupaten/kota di
Indonesia tahun 2005–2009. Adapun matriks penimbang spasial
disusun berdasarkan metode queen contiguity, menggunakan peta
digital hasil kegiatan updating peta sensus penduduk 2010.
VARIABEL PENELITIAN
Var. Deskripsi Var. Deskripsi
𝒚 Persentase Pengguna Internet 𝒙8 Pendapatan perkapita.
𝒙1 Persentase penduduk yang tinggal di
perkotaan. 𝒙9 Laju pertumbuhan ekonomi. 𝒙2 Persentase penduduk usia sekolah
menengah hingga perguruan tinggi. 𝒙10 Persentase belanja pembangunan daerah untuk telekomunikasi. 𝒙3 Persentase penduduk lulusan SMA
hingga perguruan tinggi. 𝒙11 Persentase rumah tangga dengan telepon rumah. 𝒙4 Rata-rata lama sekolah. 𝒙12 Persentase rumah tangga dengan
desktop PC/laptop/notebook.
𝒙5 Tingkat partisipasi angkatan kerja
(TPAK). 𝒙13 Persentase rumah tangga dengan telepon genggam. 𝒙6 Persentase pekerja kerah putih. 𝒙14 Persentase desa/kelurahan yang
memiliki warung internet (warnet). 𝒙7 Rata-rata persentase pengeluaran
rumah tangga untuk telekomunikasi perbulan.
𝒙15 Persentase desa/kelurahan yang tersedia sinyal telepon seluler.
PETA DIGITAL
METODE PENELITIAN (1)
Menentukan teknik pembangkitan angka random yang berdistribusi normal terpotong untuk
melengkapi data yang tersensor.
Menentukan bentuk korelasi spasial dan efek heteroskedastisitas dari model regresi Tobit spasial yang akan dibentuk.
Menentukan bentuk persamaan likelihood dari
model regresi Tobit spasial (𝑳 𝜍2, 𝑽, 𝜷, 𝜌 𝒚 ).
Menentukan probabilita prior dari masing-masing parameter berdasarkan hasil studi literatur.
Menentukan distribusi posterior dari masing-masing parameter dengan syarat parameter lainnya diketahui.
Pembentukan model dan estimasi parameter dari model
METODE PENELITIAN (2)
Menyusun algoritma dan program untuk menguji bentuk korelasi spasial dan efek heteroskedastisitas error dari model regresi Tobit spasial yang akan dibentuk.
Menyusun algoritma Gibbs sampler untuk estimasi
parameter model regresi Tobit spasial (𝜍2, 𝑽, dan 𝜷) dari
distribusi posterior bersyarat yang telah terbentuk. Menyusun algoritma Metropolis within Gibbs untuk
estimasi koefisien model regresi Tobit spasial (𝜌 atau 𝜆) dari distribusi posterior bersyarat yang telah terbentuk.
Menyusun algoritma Slice Sampling untuk
membangkitkan angka random yang berdistribusi normal terpotong dalam rangka melengkapi data yang tersensor.
Menyusun algoritma uji parameter, kemudian merangkainya dengan algoritma-algoritma di atas menjadi satu kesatuan program.
Penyusunan algoritma dan pemrograman
untuk pembentukan model regresi Tobit
spasial
METODE PENELITIAN (3)
Pemodelan data penggunaan internet di Pulau Jawa menggunakan model regresi Tobit
spasial Analisis Deskriptif • Deskriptif variabel respon • Deskriptif variabel prediktor • Koefisien korelasi, scatter plot, dan regresi linier sederhana antara variabel respon terhadap masing-masing variabel prediktor Pemodelan Data • Penyusunan matriks penimbang spasial • Pengujian efek korelasi spasial dan heteroskedastisitas • Estimasi paramter
menggunakan program yang telah dibuat • Pemilihan variabel menggunakan backward elimination Interpretasi Model
MODEL TOBIT SPASIAL
Model regresi Tobit spasial merupakan penerapan model regresi spasial pada data yang tersensor. Sehingga dengan menggabungkan model spasial ke dalam model Tobit, akan diperoleh suatu model umum regresi Tobit spasial sebagaimana berikut.
𝒚 = 𝒚∗ = 𝑰 − 𝜌𝑾 ;1𝑿𝜷 + 𝑰 − 𝜌𝑾 ;1 𝑰 − 𝜆𝑾 ;1𝜺 jika 𝑦𝑖∗ < 𝜏 𝝉 jika 𝑦𝑖∗ ≥ 𝜏 dimana 𝜺 ~ 𝑁 𝟎, 𝜍2𝑽 , 𝑽 = 𝑰 jika varians error homogen.
𝑽 = diag 𝑣𝑖 jika varians error heterogen. 𝒚 = variabel respon tersensor,
𝒚∗ = data dengan informasi yang lengkap,
𝜏 = konstanta yang menjadi batasan sensor,
𝑿 = variabel prediktor yang lengkap untuk seluruh observasi. 𝜌 = koefisien korelasi spasial lag,
𝜆 = koefisien korelasi spasial error, 𝜷 = vektor dari parameter model,
𝑾 = matriks penimbang spasial dengan elemen diagonalnya bernilai nol.
Pendahuluan Pustaka Kajian Penelitian Metode Pembahasan Analisis dan Kesimpulan dan Saran 27
DISTRIBUSI NORMAL
TERPOTONG
Estimasi parameter model regresi Tobit spasial dilakukan dengan asumsi awal
bahwa vektor variabel respon 𝒚 merupakan data dengan informasi yang
lengkap, tidak tersensor, dan memiliki korelasi spasial (LeSage, 2000)
𝒚 ~ Censored Normal
𝒚
∗~ Normal 𝜇
𝑦∗, 𝜍
𝑦2∗𝜇
𝑦∗= 𝑰 − 𝜌𝑾
;1𝑿𝜷
FUNGSI LIKELIHOOD DAN
PENETAPAN PRIOR
Fungsi Likelihood dari model regresi spasial:
𝐿 𝜍
2, 𝑽, 𝜷, 𝜌, 𝜆 𝒚 = 2𝜋𝜍
2 ;1 2𝐼 − 𝜌𝑊 𝐼 − 𝜆𝑊
𝑛𝜈
𝑖𝑖;1 2𝑖<1
exp −
1
2𝜍
2𝜺
′𝑽
;1𝜺
dimana 𝜺 = 𝑰 − 𝜆𝑾
𝑰 − 𝜌𝑾 𝒚 − 𝑿𝜷
Priors (LeSage, 2000 dan Lacombe(2008):
𝜍
2~ 𝐼𝐺 𝑎, 𝑏 ,
𝑎 = 𝑏 = 0
𝑟 𝑣
𝑖~ 𝑖𝑖𝑑 𝜒
2 𝑟,
𝑖 = 1,2, … , 𝑛
𝜷 ~ 𝑀𝑁 𝟎, 10
12𝑰 𝜌, 𝜆 ~ 𝑈 𝜑
𝑚𝑖𝑛 ;1, 𝜑
𝑚𝑎𝑥;1Pendahuluan Pustaka Kajian Penelitian Metode Pembahasan Analisis dan Kesimpulan dan Saran 29
DISTRIBUSI POSTERIOR
BERSYARAT
Distribusi posterior bersyarat untuk 𝜍
2:
1
𝜍
2𝜺
′𝑽
;1𝜺 ~ 𝜒
2𝑛:4Distribusi posterior bersyarat untuk 𝜈
𝑖𝑖:
1
𝜈
𝑖𝑖𝜀
𝑖2𝜍
2+ 𝑟 ~ 𝜒
2𝑟:1Distribusi posterior bersyarat untuk 𝜷:
𝑝 𝜷 𝜍
2, 𝑽, 𝜌, 𝜆 ∝ exp −
1
2𝜍
2𝑩 𝑨𝒚 − 𝑿𝜷
′𝑽
;1𝑩 𝑨𝒚 − 𝑿𝜷
Distribusi posterior bersyarat untuk 𝜌 atau 𝜆:
𝑝 𝜌, 𝜆 𝜍
2, 𝑽, 𝜷 ∝ 𝐼 − 𝜌𝑊 𝐼 − 𝜆𝑊 exp −
1
2𝜍
2𝜺
′𝑽
;1𝜺
dimana 𝑨 = 𝑰 − 𝜌𝑾 , 𝑩 = 𝑰 − 𝜆𝑾 , dan 𝜺 = 𝑩 𝑨𝒚 − 𝑿𝜷
ALGORITMA
• Algoritma MCMC Gibbs sampler dilakukan dengan cara membangkitkan
angka random yang mengikuti distribusi posterior bersyarat dari
masing-masing parameter, sebanyak jumlah iterasi yang diinginkan.
• Algoritma Metropolis within Gibbs digunakan pada bentuk distribusi
posterior yang tidak standar, seperti untuk parameter 𝜌 atau parameter 𝜆
• Hasil uji Lagrange digunakan untuk menentukan bentuk dari model
spasial, apakah spasial lag (𝜆 = 0) atau spasial error (𝜌 = 0).
• Hasil uji Breusch Pagan digunakan untuk menentukan nilai 𝑽, menjadi
𝑽 = 𝑰 ketika terjadi kondisi homoskedastisitas.
• Algoritma Slice sampling digunakan untuk membangkitkan angka random
yang berdistribusi normal terpotong dalam rangka melengkapi data yang
tersensor.
Pendahuluan Pustaka Kajian Penelitian Metode Pembahasan Analisis dan Kesimpulan dan Saran 31
PEMODELAN AWAL
Parameter Koefisien Statistik Uji Wald p-Value
(1) (2) (3) (4) 𝜌 -0,1725 -3,3492 0,0000 𝛽0 -10,1064 -11,0939 0,0000 𝛽1 0,0157 5,9022 0,0000 𝛃𝟐 0,0010 0,0515 0,4795 𝛽𝟑 0,2350 11,0525 0,0000 𝛽𝟒 0,5995 10,3880 0,0000
Parameter Koefisien Statistik Uji Wald p-Value
(1) (2) (3) (4) 𝛽𝟓 -0,0265 -3,5396 0,0002 𝛽𝟔 -0,0845 -4,9484 0,0000 𝛽𝟕 -0,6389 -2,9998 0,0014 𝜷𝟖 -1,39E-06 -0,7111 0,2385 𝛽𝟗 -0,1301 -3,5615 0,0002 𝛽𝟏𝟎 -0,3746 -2,2284 0,0129 𝜷𝟏𝟏 -0,0142 -0,5955 0,2758 𝜷𝟏𝟐 0,0227 0,9147 0,1802 𝛽𝟏𝟑 0,1035 7,1374 0,0000 𝛽𝟏𝟒 -0,0109 -2,0316 0,0211 𝛽𝟏𝟓 0,0797 26,7382 0,0000 𝝈𝟐 1,8306 – –
Statistik Uji Nilai p-Value
(1) (2) (3) LM-lag 13,5172 0,0000 LM-err 3,7714 0,0521 Breusch Pagan 18,5709 0,2338
BACKWARD ELIMINATION
Statistik Uji
Tahap II Tahap III Tahap IV Tahap V
14 Variabel 13 Variabel 12 Variabel 11 Variabel Nilai p-Value Nilai p-Value Nilai p-Value Nilai p-Value
(1) (2) (3) (4) (5) (6) (7) (8) (9)
LM-lag 13,5644 2,31e-004 13,5139 2,37e-004 13,4566 2,44e-004 13,4013 2,51e-004
LM-err 3,8177 0,0507 3,7622 0,0524 3,7649 0,0523 3,7502 0,0528
Breusch Pagan 18,5895 0,1812 18,5082 0,1392 16,3583 0,1754 15,8739 0,1459
Variabel
Dikeluarkan: 𝒙2 𝒙8 𝒙11 𝒙12
Pendahuluan Pustaka Kajian Penelitian Metode Pembahasan Analisis dan Kesimpulan dan Saran 33
ESTIMASI PARAMETER
Parameter
Jumlah Iterasi = 5000
Waktu Iterasi = 203,9420 Koefisien Uji Wald Statistik p-Value
(1) (2) (3) (4) 𝜌 -0,1785 -3,8133 6,87e-005 𝛽0 -10,1730 -9,6037 0,0000 𝛽1 0,0153 6,7232 0,0000 𝛽3 0,2437 13,2672 0,0000 𝛽4 0,6021 9,8691 0,0000 𝛽5 -0,0277 -4,1378 0,0000 𝛽6 -0,0795 -4,7580 0,0000 (1) (2) (3) (4) 𝛽7 -0,6797 -3,5718 0,0002 𝛽9 -0,1456 -4,5033 0,0000 𝛽10 -0,3507 -2,3030 0,0106 𝛽13 0,1064 8,3142 0,0000 𝛽14 -0,0129 -3,4958 0,0002 𝛽15 0,0801 25,9867 0,0000 𝜍2 1,8284 – –
PEMODELAN AKHIR
Model regresi Tobit spasial lag
untuk data penggunaan internet di Pulau Jawa adalah sebagai berikut:
Untuk kabupaten/kota dengan kategori penggunaan internet yang rendah:
𝑦
𝑖= −10,173 − 0,179
𝑛𝑤
𝑖𝑗𝑦
𝑗𝑗<1,𝑗≠𝑖
+ 0,015𝑥
1𝑖+ 0,244𝑥
3𝑖+ 0,602𝑥
4𝑖− 0,028𝑥
5𝑖− 0,080𝑥
6𝑖− 0,680𝑥
7𝑖− 0,146𝑥
9𝑖− 0,351𝑥
10𝑖+ 0,106𝑥
13𝑖− 0,013𝑥
14𝑖+ 0,080𝑥
15𝑖Untuk kabupaten/kota dengan kategori penggunaan internet yang tinggi:
𝑦
𝑖= 16
Pendahuluan Pustaka Kajian Penelitian Metode Pembahasan Analisis dan Kesimpulan dan Saran 35
INTERPRETASI MODEL
Penduduk perkotaan
Tingkat pendidikan
Lama sekolah
Telepon genggam
Sinyal telepon seluler
TPAK
Pekerja profesional
Belanja telekomunikasi
rumah tangga
Pertumbuhan ekonomi
Pembangunan
telekomunikasi daerah
Fasilitas warnet
KESIMPULAN DAN SARAN
37
Metode MCMC Gibbs Sampler yang digunakan dalam penelitian ini menggunakan
pendekatan inferensia Bayesian dengan statistik uji
Wald sebagai uji parameter.
Pada penelitian selanjutnya, disarankan untuk mengganti metode pengujian parameter menggunakan Bayesian Highest
Posterior Density (HPD) serta
Bayes Factor sebagai uji model. Hasil uji Breusch Pagan memperlihatkan
varians error yang homogen
Pada penelitian selanjutnya, disarankan untuk mengaplikasikan model pada data dengan
varians error yang heterogen. • Pemodelan data kewilayahan, sebaiknya
memperhitungkan adanya efek korelasi spasial. • Untuk data kewilayahan yang mengandung
nilai-nilai tersensor, sebaiknya menggunakan model regresi Tobit spasial.
• Metode MCMC Gibbs sampler dengan pendekatan inferensia Bayesian dapat digunakan sebagai estimasi parameter.
KESIMPULAN DAN SARAN
Variabel yang mewakili karakteristik demografi dan ketersediaan infrastruktur
memiliki pengaruh positif terhadap penggunaan internet di kabupaten/kota di
Pulau Jawa
Untuk meningkatkan penggunaan internet, disarankan untuk meningkatkan
status daerah pedesaan menjadi perkotaan melalui pembangunan infrastruktur dan perluasan jaringan
telepon seluler,serta meningkatkan Variabel sosial ekonomi berpengaruh
negatif terhadap penggunaan internet di kabupaten/kota kategori rendah, hal tersebut disebabkan oleh faktor budaya
dan ketidaksiapan penduduknya dalam menerima teknologi internet.
Kesimpulan tersebut perlu diperkuat melalui suatu penelitian technology
acceptance model (TAM) yang melibatkan
variabel budaya menggunakan metode
structural equation model (SEM) Penggunaan internet di suatu kabupaten/kota kategori rendah
dipengaruhi secara negatif oleh penggunaan internet di kabupaten/kota sekitarnya.
Untuk meningkatkan penggunaan internet di daerah kategori rendah,
disarankan adanya kerjasama positif dari kabupaten/kota berkategori tinggi di sekitarnya.
DAFTAR PUSTAKA
39
Anselin, L. (1999). Spatial Econometrics. Dallas: University of Texas.
BPS. (2011). Statistik Komunikasi dan Teknologi Informasi Tahun 2010. Jakarta: Badan Pusat Statistik.
Breusch, T., & Pagan, A. (1979). A Simple Test for Heteroscedasticity and Random Coefficient
Variation. Econometrica, Vol. 47, No. 5, 1287-1294. Casella, G., & George, E. I. (1992). Explaining the Gibbs
Sampler. The American Statistician, Vol. 46, No. 3, 167-335.
Chib, S., & Greenberg, E. (1996). Markov chain monte carlo simulation methods in econometrics.
Econometrics Theory, Vol. 12, 409-431.
Hastings, W. (1970). Monte Carlo Sampling Methods using Markov Chains and Their Applications. Biometrika, Vol. 57, No. 1, 97-109.
Kaliba, A. R. (2002). Dissertation: Participatory Evaluation of Community Based Water and
Sanitation Programes: The Case of Central Tanzania. Mahattan: Kansas State University.
Lacombe, D. J. (2008, July 24). An Introduction to Bayesian Inference in Spatial Econometrics. Retrieved
November 13, 2011, from
http://ssrn.com/abstract=1244261.
Langyintuo, A. S., & Mekuria, M. (2008). Assessing the Influence of Neighborhood Effects on the Adoption of Improved Agricultural Technologies in Developing Agriculture. AfJARE, Vol. 2, No. 2, 151-169.
LeSage, J. P. (2000). Bayesian Estimation of Limited Dependent Variable Spatial Autoregressive Models. Geographical Analysis, Vol. 32, No. 1, 19-35.
LeSage, J., & Pace, R. K. (2009). Introduction to Spatial Econometrics. New York: CRC Press.
Long, J. S. (1997). Regression Models for Categorical and Limited Dependent Variables. California: Sage
Publications, Inc.
Michailidis, A., Partalidou, M., Nastis, S. A., Klavdianou, A. P., & Charatsari, C. (2011). Who Goes Online? Evidence of Internet Use Patterns from Rural Greece.