RIZKI FITRIANA ( )

PEMODELAN PDRB SEKTOR PERTANIAN, INDUSTRI, SERTA

PERDAGANGAN, HOTEL, DAN RESTORAN (PHR) PROPINSI JAWA

TIMUR DENGAN PENDEKATAN EKONOMETRIKA PANEL SPASIAL

RIZKI FITRIANA (1309 105 002)

Pembimbing :

PENDAHULUAN

Latar Belakang

Indikator

pertumbuhan

Ekonomi

PDRB

ADHB

ADHK

Sektor PDRB

1. Pertanian

2. Pertambangan

3. Industri Pengolahan

4. Listrik, Gas, dan Air

5. Bangunan

6. Perdagangan, Hotel, dan Restoran

7. Pengangkutan dan Komunikasi

8. Lembaga Keuangan

Ekonomi Jawa Timur 2010

5.23 6.53 7.14 7.16 0 1 2 3 4 5 6 7 8 1 2 3 4

Pertumbuhan Ekonomi

Jatim 2010

33% 25% 15% 27%

PHR Industri Pertanian Lain-lain

Kontribusi sektor Pertanian, Industri, dan PHR berbeda terhadap

nilai PDRB masing – masing kabupaten / kota di Propinsi Jawa

Timur. Oleh karena itu, penelitian yang bersifat lintas wilayah dan

lintas sektor (Bappenas, 2006) sangat diperlukan di Jawa Timur.

Penelitian Terdahulu

Setiawan,

et al

(2009)

Yunitasari (2009)

Fatmawati (2010)

Model Ekonometrika Spasial

Pertumbuhan Propinsi Kepulauan

Riau, sebagai Dasar Pengembangan

Sistem Pertahanan

Pendekatan Ekonometrika Spasial

Terhadap Produk Domestik Regional Bruto

Sektor Industri di Wilayah Jawa Timur

Pendekatan Ekonometrika Panel Spasial Untuk

Pemodelan PDRB Sektor Industri di SWP

Gerbangkertasusila dan Malang - Pasuruan

Muchlisoh (2008)

Model Regresi Data Panel Dengan Korelasi

_{Error Spasial}

Rumusan Masalah

1. Bagaimana model untuk PDRB sektor Pertanian, sektor Industri, dan Sektor

Perdagangan, Hotel, dan Restoran di Jawa Timur dengan pendekatan model

Panel Spasial?

2. Bagaimana efek spasial pada model PDRB sektor Pertanian, sektor

Industri, dan Sektor Perdagangan, Hotel, dan Restoran di Jawa Timur ?

3. Bagaimana elastisitas masing-masing faktor terhadap PDRB sektor

Pertanian, sektor Industri, dan Sektor Perdagangan, Hotel, dan Restoran di

Jawa Timur ?

Tujuan Penelitian

1. Mendapatkan model untuk PDRB sektor Pertanian, sektor Industri, dan

Sektor Perdagangan, Hotel, dan Restoran di Jawa Timur dengan

pendekatan model Panel Spasial.

2. Mengetahui efek spasial pada model PDRB sektor Pertanian, sektor

Industri, dan Sektor Perdagangan, Hotel, dan Restoran di Jawa Timur.

3. Mengetahui elastisitas masing-masing faktor terhadap PDRB sektor

Pertanian, sektor Industri, dan Sektor Perdagangan, Hotel, dan Restoran

di Jawa Timur.

Manfaat Penelitian

Batasan Masalah

Memberikan informasi bagi pemerintah Propinsi Jawa Timur dan

para

stakeholder

untuk

menentukan

arah

kebijakan

pembangunan perekonomian di setiap kabupaten / kota di

Propinsi Jawa Timur. Selain itu dapat memberikan wawasan

keilmuan mengenai ekonometrika panel spasial.

Data



nilai PDRB sektor Pertanian, Industri Pengolahan, serta

Perdagangan, Hotel, dan Restoran masing – masing kabupaten /

kota Propinsi Jawa Timur berdasarkan harga konstan tahun

2007 – 2009.

Variabel



Variabel yang digunakan oleh Bappenas (2006).

Matriks Pembobot



Rook Contiguity

TINJAUAN PUSTAKA

Fungsi Produksi Cobb - Douglass

i

u

i

i

i

X

X

e

Y

2 3

3

2

1

β

β

β

=

i

i

i

X

u

X

Y

₁

=

ln

₁

+

₂

ln

₂

+

₃

ln

₃

+

ln

β

β

β

Elastisitas

Spesifikasi Model (Bappenas, 2006)

9 8 7 6 5 4 3 2 1

Y

Y

Y

Y

Y

Y

Y

Y

Y

PDRB

=

+

+

+

+

+

+

+

+

Pertanian

Pertambangan

Industri Pengolahan

Listrik, Gas, dan Air

Bangunan

PHR

Transportasi & Angkutan

Lembaga Keuangan

Jasa - Jasa







1 5 4 1 3 1 2 1 1 0 1

=

a

+

a

WG

+

a

IS

+

a

ID

+

a

BMD

+

a

BBJ

+

ε

Y

2 2 3 2 2 1 0 2

=

b

+

b

TK

+

b

BPG

+

b

DT

+

ε

Y

3 5 4 3 3 2 3 1 0 3

=

c

+

c

TK

+

c

IS

+

c

BMD

+

c

BBJ

+

c

BPG

+

ε

Y

4 3 4 2 4 1 0 4

=

d

+

d

TK

+

d

IS

+

d

BBJ

+

ε

Y

5 5 4 5 3 1 2 5 1 0 5 = e +e TK +e ID +e BMD +e BBJ +e BPG +

ε

Y 6 4 3 6 2 6 1 0 6 = f + f TK + f ID + f BMD + f BPG+

ε

Y 7 5 4 3 7 2 7 1 0 7 = g + g TK + g ID + g BMD+g BBJ +g BPG+

ε

Y 8 4 3 8 2 8 1 0 8 = h +hTK +h IS +h BMD+h BPG+

ε

Y 9 5 4 3 9 2 9 1 0 9 =i +i TK +i ID +i BMD+i BBJ +i BPG +

ε

Y

Spesifikasi Model (Bappenas, 2006)

9 8 7 6 5 4 3 2 1

Y

Y

Y

Y

Y

Y

Y

Y

Y

PDRB

=

+

+

+

+

+

+

+

+

Pertanian

Pertambangan

Industri Pengolahan

Listrik, Gas, dan Air

Bangunan

PHR

Transportasi & Angkutan

Lembaga Keuangan

Jasa - Jasa

1 5 4 1 3 1 1 0 1

=

a

+

a

TK

+

a

ID

+

a

BMD

+

a

BBJ

+

ε

Y

2 2 3 2 2 1 0 2

=

b

+

b

TK

+

b

BPG

+

b

DT

+

ε

Y

3 5 4 3 3 1 0 3

=

c

+

c

TK

+

c

BMD

+

c

BBJ

+

c

BPG

+

ε

Y

4 3 4 2 4 1 0 4

=

d

+

d

TK

+

d

IS

+

d

BBJ

+

ε

Y

5 5 4 5 3 1 2 5 1 0 5 = e +e TK +e ID +e BMD +e BBJ +e BPG +

ε

Y 6 4 3 6 1 0 6

=

f

+

f

TK

+

f

BMD

+

f

BPG

+

ε

Y

7 5 4 3 7 2 7 1 0 7 = g + g TK + g ID + g BMD+g BBJ +g BPG+

ε

Y 8 4 3 8 2 8 1 0 8 = h +hTK +h IS +h BMD+h BPG+

ε

Y 9 5 4 3 9 2 9 1 0 9 =i +i TK +i ID +i BMD+i BBJ +i BPG +

ε

Y

Matriks Pembobot Spasial

Rook Contiguity

(Persinggungan sisi) :

W

_ij

=1 untuk lokasi yang

bersisian (

common side

) dengan lokasi yang menjadi

perhatian.

1 2 3 5 4                 0 1 1 0 0 1 0 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 1 0 5 4 3 2 1 5 4 3 2 1                 = 0 5 . 0 5 . 0 0 0 5 . 0 0 5 . 0 0 0 5 . 0 5 . 0 0 0 0 0 0 0 0 1 0 0 0 1 0 W

Model Panel Spasial

Model Spasial Lag (SAR)

Model Spasial Error (SEM)

it i it N j jt ij it

w

y

x

y

=

δ

∑

+

β

+

µ

+

ε

=1 it i it it

x

y

=

β

+

µ

+

φ

it N j it ij it

ρ

w

φ

ε

φ

=

∑

+

=1

Variabel dependen

tergantung pada variabel

dependen tetangga dan

satu set karakteristik lokal.

Variabel dependen tergantung

pada karakteristik local dan

error

yang berkorelasi antar

Estimasi Parameter Model Panel Spasial

Estimasi

Parameter

Fixed Effect Model

Random Effect

Model

Likelihood Ratio Test

(LR

test

)

Fixed Effect

H₀:

µ

₁=

µ

₂=…=

µ

_N=α

H₁: Minimal ada satu

µ

yang berbeda

Statistik uji : -2

s

Daerah kritis : Tolak H₀ jika -2

s

> χ2

(α’,DF) DF : N - 1

Random Effect

H₀: θ = 1 H₁: _θ ≠ 1 Statistik uji : -2

s

Daerah kritis :

Tolak H

₀

jika -2

s

>

χ

2

(α’,DF) DF : 1

Hausman’s Test

H₀:

h

= 0 (

random effect

) H₁:

h

≠ 0 (

fixed effect

) Statistik Uji :

Daerah kritis : Tolak H₀ jika

RE FE

[

ˆ

ˆ

]

]'

ˆ

ˆ

[

β

'

δ

β

'

δ

d

=

−

2 ) 1 , ( +

>

_K

m

χ

_α

d

d

d

'

[var(

)]

−1

=

m

1 * * 2 1 2

)

(

ˆ

)

(

ˆ

)

var(

d

=

σ

_RE

X

•

'

X

• −

−

σ

_FE

X

'

X

−

Pemilihan Model Terbaik

SAR Fixed Effect

R2_(e,I N)

Corr2

SEM Fixed Effect

R2_{( )}

Corr2

SAR Random Effect

R2_{( )}

Corr2

SEM Random Effect

R2_{( )} Corr2 μ I τ β X W I X Y W I e~=Y −ρˆ( _T ⊗ ) −[ −ρˆ( _T ⊗ ) ]ˆ−( _T ⊗ _N)ˆ ) ˆ )] ( ˆ [ , ( 1 2 β X W I I Y∗ _NT − _T ⊗ − * corr δ μ I τ β X W I X Y W I e~=Y −ρˆ( _T ⊗ ) −[ −ρˆ( _T ⊗ ) ]ˆ−( _T ⊗ _N)ˆ ) ˆ , ( 2 β X Y∗ * corr β X Y W I Y e ˆ( ) ˆ ~= *− ⊗ *− * T δ ) ˆ )] ( ˆ [ , ( 1 2 β X W I I Y _NT − _T ⊗ − corr δ β X Y ˆ ~₌  ₋  e ) ˆ , ( 2 β X Y corr e ~ e ~ e ~

Pemeriksaan Asumsi Residual

• Uji Glejser

Identik

• Plot ACF

Independen

• Uji Kolmogorov Smirnov

Distribusi Normal

•

R

2

_{tinggi tetapi sedikit parameter yang signifikan}

• Korelasi parsial antar variabel independen

Analisis Komponen Utama

 Tujuan utama analisis komponen utama adalah menjelaskan struktur varian

kovarian satu set variabel menjadi variabel yang lebih sedikit yang merupakan kombinasi linear variabel tersebut.

 Komponen utama sangat berguna pada analisis regresi jika jumlah variabel

independen relative besar terhadap jumlah observasi dan jika antar variabel independen mempunyai korelasi yang tinggi (Rencher, 2002).

 Komponen utama dari Z didapatkan dari

eigen vector

dari matriks korelasi (_ρ)

 Komponen utama ke i dari variabel terstandarisasi adalah :

 Proporsi varian yang dapat dijelaskan oleh k komponen utama adalah

)

(

)

(

'

'

2 1 1

µ

−

=

=

−

X

V

e

Z

e

Y

_{i i i}

p

k

λ

Sektor Pendukung PDRB

Pertanian

• Tanaman bahan pangan

• Tanaman perkebunan

• Peternakan

• Kehutanan

• Perikanan

Industri

• Makanan,minuman&tem

bakau

• Tekstil

• Kayu dan hasil hutan

• Kertas dan barang

cetakan

• Pupuk,barang

kimia,&karet

• Semen & barang galian

non logam

• Logam dasar, besi, dan

baja

• Alat angkutan dan

mesin

• Barang lainnya

PHR

• Perdagangan

• Hotel

• Restoran

METODOLOGI PENELITIAN

Sumber Data



Data sekunder dari BPS Propinsi Jawa Timur



Data PDRB tiga sektor utama perekonomian Jawa Timur dan faktor

pendukungnya pada setiap kabupaten/kota

1 Kab. Bangkalan 14 Kab. Malang 27 Kab. Trenggalek 2 Kab. Banyuwangi 15 Kab. Mojokerto 28 Kab. Tuban

3 Kab. Blitar 16 Kab. Nganjuk 29 Kab. Tulungagung 4 Kab. Bojonegoro 17 Kab. Ngawi 30 Kota Batu

5 Kab. Bondowoso 18 Kab. Pacitan 31 Kota Blitar 6 Kab. Gresik 19 Kab. Pamekasan 32 Kota Kediri 7 Kab. Jember 20 Kab. Pasuruan 33 Kota Madiun 8 Kab. Jombang 21 Kab. Ponorogo 34 Kota Malang 9 Kab. Kediri 22 Kab. Probolinggo 35 Kota Mojokerto 10 Kab. Lamongan 23 Kab. Sampang 36 Kota Pasuruan 11 Kab. Lumajang 24 Kab. Sidoarjo 37 Kota Probolinggo 12 Kab. Madiun 25 Kab. Situbondo 38 Kota Surabaya 13 Kab. Magetan 26 Kab. Sumenep

Variabel Penelitian

Variabel Respon

• Y

₁

: PDRB sektor Pertanian (Juta Rupiah)

• Y

₂

: PDRB sektor Industri (Juta Rupiah)

• Y

₃

: PDRB sektor Perdagangan, Hotel, dan Restoran (PHR)

(Juta Rupiah)

Variabel Prediktor

• X

₁

: Jumlah tenaga kerja sektor Pertanian (Jiwa)

• X

₂

: Jumlah tenaga kerja sektor Industri (Jiwa)

• X

₃

: Jumlah tenaga kerja sektor Perdagangan, Hotel, dan

Restoran (PHR) (Jiwa)

• X

₄

: Pengeluaran belanja modal (BMD) (Ribu Rupiah)

• X

₅

: Pengeluaran belanja barang dan jasa (BBJ) (Ribu Rupiah)

• X

₆

: Pengeluaran belanja pegawai (BPG) (Ribu Rupiah)

Langkah Analisis Data

1

• Deskripsi Variabel Respon

2

• Membuat matriks Rook Contiguity

3

• Estimasi Parameter

4

• Uji

Likelihood Ratio

5

• Uji

Hausman’s

6

• Memilih model terbaik

7

• Membentuk variabel komponen utama

8

• Mengulangi langkah 3 – 6

9

• Pemeriksaan asumsi residual

10

• Intrepretasi Model

Analisis dan Pembahasan

Pertanian

• Deskripsi PDRB Pertanian • Pemodelan PDRB Pertanian • Intrepretasi Model

Industri

• Deskripsi PDRB Industri • Pemodelan PDRB Industri • Intrepretasi Model

PHR

• Deskripsi PDRB PHR • Pemodelan PDRB PHR • Intrepretasi Model

Deskripsi PDRB Pertanian

sawah 26% pertania n tanah kering 25% hutan 26% lain-lain 23% 0.00 1,000,000.00 2,000,000.00 3,000,000.00 4,000,000.00 5,000,000.00 6,000,000.00 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

Rata-rata PDRB Pertanian (Juta)

Peringkat kabupaten/kota yang mempunyai rata-rata nilai PDRB Pertanian

tertinggi adalah :

1. Kabupaten Banyuwangi

2. Kabupaten Jember

3. Kabupaten Malang

4. Kabupaten Sumenep.

Pemodelan PDRB Pertanian

Uji

Likelihood Ratio

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

776,4626

38

0,0000

SAR

Random Effect

362,9293

1

0,0000

SEM

Fixed Effect

787,3979

38

0,0000

SEM

Random Effect

362,9902

1

0,0000

Uji

Hausman’s

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

5,2867

4

0,2591

SAR

Random Effect

SEM

Fixed Effect

0,1353

4

0,9978

SEM

Random Effect

Pemodelan PDRB Pertanian

Pemilihan Model Terbaik

Estimasi Parameter

Model

R

2

_Corr

2

SAR

Fixed Effect

0,9999

0,1610

SAR Random Effect

0,9998

0,0001

SEM

Fixed Effect

0,9996

0,0212

SEM

Random Effect

0,9998

0,0011

Variabel

Koefisien

P-Value

Const

5,262274

0,000000

Ln

TK_P (X1)

-0,003481

0,581535

Ln

BMD (X4)

-0,005908

0,476791

Ln

BBJ (X5)

-0,008278

0,648041

δ

0,602983

0,000000

R

2

_{= 0,9998}

Corr

2

_{= 0,0001}

Pemodelan PDRB Pertanian

Analisis Komponen Utama

Eigenvalue

1.6409 0.9661 0.3930

Proportion 0.547 0.322 0.131

Cumulative 0.547 0.869 1.000

Variable PC1 PC2 PC3

X1 0.284 -0.940 0.190

X4 0.696 0.066 -0.715

X5 0.659 0.335 0.673

BBJ Ln BMD Ln P TK Ln

Z

Z

Z

PC

_

1

=

0

.

284

_{_}

+

0

.

696

+

0

.

659

Pemodelan PDRB Pertanian dengan PC_1

Uji

Likelihood Ratio

Uji

Hausman’s

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

1042,4887

38

0,0000

SAR

Random Effect

629,4258

1

0,0000

SEM

Fixed Effect

1047,6893

38

0,0000

SEM

Random Effect

624,5420

1

0,0000

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

4,7606

2

0,0925

SAR

Random Effect

SEM

Fixed Effect

0,0112

2

0,9944

SEM

Random Effect

Pemilihan Model Terbaik

Pemodelan PDRB Pertanian dengan PC_1

Model

R

2

_Corr

2

SAR

Fixed Effect

0,9999

0,1853

SAR Random Effect

0,9998

0,0000

SEM

Fixed Effect

0,9996

0,0284

SEM Random Effect 0,9998

0,0003

Estimasi Parameter

Variabel

Koefisien

P-Value

Constant

4,902267

0,000000

PC_1

-0,005407

0,253870

δ

0,606956

0,000000

R

2

_{= 0,9998}

Corr

2

_{= 0,0000}

Variabel

Koefisien

P-Value

Constant

12,923108 0,000000

PC_1

-0,013662 0,001680

ρ

0,707989 0,000000

R

2

_{= 0,9998}

Pemodelan PDRB Pertanian dengan PC_1

Pemeriksaan Asumsi Residual

Asumsi Residual Identik

abs_res = 0.0165 + 0.00045 PC_1

Predictor Coef SE Coef T P

Constant 0.016524 0.001279 12.92 0.000

PC_1 0.000450 0.001003 0.45 0.655

Asumsi Residual Independen

Asumsi Distribusi Normal

0.050 0.025 0.000 -0.025 -0.050 -0.075 99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Pertanian_PC Pe rc en t Mean -0.0005404 StDev 0.02146 N 114 KS 0.060 P-Value >0.150

Probability Plot of Pertanian_PC

Normal 120 100 80 60 40 20 0 0.075 0.050 0.025 0.000 -0.025 -0.050 observasi re si du al

Intrepretasi Model PDRB Pertanian

it i j it ij it it

PC

w

PDRB

Ln

=

−

+

∑

φ

+

µ

+

ε

= 38 1

07989

,

0

1

_

013662

,

0

it i j it ij LnBBJ LnBMD p LnTK it

Z

Z

Z

w

PDRB

Ln

=

−

+

+

+

∑

φ

+

µ

+

ε

= 38 1 _

0

,

696

0

,

659

)

0

,

07989

284

,

0

(

013662

,

0

it i j it ij it LnTK P LnBMD LnBBJ w PDRB Ln = − − − + +

∑

φ +µ +ε = 38 1 07989 , 0 6972 , 0 009 , 0 00951 , 0 _ 00388 , 0

Deskripsi PDRB Industri

0.00 5,000,000.00 10,000,000.00 15,000,000.00 20,000,000.00 25,000,000.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 No Kab / Kota

Rata-rata PDRB Industri (Juta)

Kota Kediri

Sidoarjo

Gresik

Pemodelan PDRB Industri

Uji

Likelihood Ratio

Uji

Hausman’s

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

953,6005

38

0,0000

SAR

Random Effect

557,2247

1

0,0000

SEM

Fixed Effect

930,0296

38

0,0000

SEM

Random Effect

525,4869

1

0,0000

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

-6,4194

5

0,2675

SAR

Random Effect

SEM

Fixed Effect

1,8083

5

0,875

SEM

Random Effect

Pemodelan PDRB Industri

Pemilihan Model Terbaik

Estimasi Parameter

Model

R

2

_Corr

2

SAR

Fixed Effect

0,9999

0,6866

SAR Random Effect

0,9998

0,0184

SEM

Fixed Effect

0,9998

0,6369

SEM

Random Effect

0,9998

0,0277

Variabel

Koefisien

P-Value

Const

5,091629

0,000000

Ln

TK_I (X2)

-0,000466

0,918077

Ln

BMD (X4)

0,003476

0,700869

Ln

BBJ (X5)

-0,004984

0,789334

Ln

BPG (X6)

0,079232

0,000104

δ

0,485985

0,000000

R

2

= 0,9998

Corr

2

_{= 0,0184}

Pemodelan PDRB Industri

Analisis Komponen Utama

Eigenvalue

2.6246 0.6528 0.4118 0.3108

Proportion 0.656 0.163 0.103 0.078

Cumulative 0.656 0.819 0.922 1.000

Variable PC1 PC2 PC3 PC4

X2 0.431 0.870 -0.098 0.218

X4 0.513 -0.226 0.791 0.244

X5 0.505 -0.431 -0.591 0.457

X6 0.544 -0.075 -0.120 -0.827

BPG Ln BBJ Ln BMD Ln I TK Ln

Z

Z

Z

Z

PC

_

1

=

0

,

431

_{_}

+

0

,

513

+

0

,

505

+

0

,

544

Pemodelan PDRB Industri dengan PC_1

Uji

Likelihood Ratio

Uji

Hausman’s

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

956,5773

38

0,0000

SAR

Random Effect

564,0019

1

0,0000

SEM

Fixed Effect

963,1955

38

0,0000

SEM

Random Effect

558,9522

1

0,0000

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

0,9560

2

0,6200

SAR

Random Effect

SEM

Fixed Effect

0,0464

2

0,9771

SEM

Random Effect

Pemilihan Model Terbaik

Pemodelan PDRB Industri dengan PC_1

Estimasi Parameter

Model

R

2

_Corr

2

SAR

Fixed Effect

0,9999

0,4851

SAR Random Effect

0,9998

0,0016

SEM

Fixed Effect

0,9996

0,2656

SEM Random Effect

0,9998

0,0003

Variabel

Koefisien

P-Value

Constant

12,852085 0,000000

PC_1

0,003622 0,505973

ρ

0,706189 0,000000

R

2

_{= 0,9998}

Corr

2

_{= 0,0003}

Variabel

Koefisien

P-Value

Constant

4,468301

0,000001

PC_1

0,009355

0,034459

δ

0,648986

0,000000

R

2

_{= 0,9998}

Pemodelan PDRB Industri dengan PC_1

Pemeriksaan Asumsi Residual

Asumsi Residual Identik

Asumsi Residual Independen

Asumsi Distribusi Normal

abs_res = 0.0182 - 0.000062 PC1

Predictor Coef

SE Coef

T P

Constant 0.018233 0.001378 13.23 0.000

PC_1 -0.0000615 0.0008545 -0.07 0.943

0.08 0.06 0.04 0.02 0.00 -0.02 -0.04 -0.06 -0.08 99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 residual Pe rc en t Mean 4.823749E-17 StDev 0.02345 N 114 KS 0.052 P-Value >0.150

Probability Plot of residual

Normal 120 100 80 60 40 20 0 0.050 0.025 0.000 -0.025 -0.050 -0.075 observasi re si du al

Intrepretasi Model PDRB Industri

it it j jt ij it

w

Ln

PDRB

I

PC

I

PDRB

Ln

=

∑

+

+

+

ε

=

468301

,

4

1

_

009355

.

0

_

648986

,

0

_

38 1 it BPG Ln BBJ Ln BMD Ln I TK Ln j jt ij it

Z

Z

Z

Z

I

PDRB

Ln

w

I

PDRB

Ln

ε

+

+

+

+

+

+

=

∑

=

468301

,

4

00509

,

0

00472

,

0

0048

,

0

00403

,

0

_

648986

,

0

_

_{_} 38 1 it it it it it j jt ij it

BPG

Ln

BBJ

Ln

BMD

Ln

I

TK

Ln

I

PDRB

Ln

w

I

PDRB

Ln

ε

+

+

+

+

+

+

=

∑

=

86205

,

3

00509

,

0

00472

,

0

0048

,

0

_

00403

,

0

_

648986

,

0

_

38 1

Deskripsi PDRB PHR

Surabaya

0.00 5,000,000.00 10,000,000.00 15,000,000.00 20,000,000.00 25,000,000.00 30,000,000.00 35,000,000.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38

Rata-rata PDRB PHR (juta)

Pemodelan PDRB PHR

Uji

Likelihood Ratio

Uji

Hausman’s

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

906,9877

38

0,0000

SAR

Random Effect

516,7256

1

0,0000

SEM

Fixed Effect

870,1065

38

0,0000

SEM

Random Effect

476,7332

1

0,0000

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

3,7520

4

0,4406

SAR

Random Effect

SEM

Fixed Effect

0,6270

4

0,9600

SEM

Random Effect

Pemodelan PDRB PHR

Pemilihan Model Terbaik

Estimasi Parameter

Model

R

2

_Corr

2

SAR

Fixed Effect

0,9998

0,9303

SAR

Random Effect

0,9998

0,0310

SEM

Fixed Effect

0,9977

0,8105

SEM

Random Effect

0,9998

0,0065

Variabel

Koefisien

P-Value

Const

13,057662

0,000000

Ln

TK_PHR (X3)

0,002007

0,565134

Ln

BMD (X4)

-0,002851

0,572628

Ln

BPG (X6)

0,044079

0,146800

ρ

0,915051

0,000000

R

2

= 0,9998

Corr

2

= 0,0065

Pemodelan PDRB PHR

Analisis Komponen Utama

Eigenvalue

2.1945 0.4918 0.3137

Proportion 0.731 0.164 0.105

Cumulative 0.731 0.895 1.000

Variable PC1 PC2 PC3

X3 0.563 -0.713 -0.418

X4 0.564 0.701 -0.436

X6 0.604 0.010 0.797

BPG Ln BMD Ln PHR TK Ln

Z

Z

Z

PC

_

1

=

0

,

563

_{_}

+

0

,

564

+

0

,

604

Pemodelan PDRB PHR dengan PC_1

Uji

Likelihood Ratio

Uji

Hausman’s

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

896,3693

38

0,0000

SAR

Random Effect

506,3348

1

0,0000

SEM

Fixed Effect

915,3983

38

0,0000

SEM

Random Effect

522,0211

1

0,0000

Model

Chi Square

DF

P-Value

SAR

Fixed Effect

2,8501

2

0,2405

SAR

Random Effect

SEM

Fixed Effect

0,0407

2

0,9799

SEM

Random Effect

Pemilihan Model Terbaik

Pemodelan PDRB PHR dengan PC_1

Estimasi Parameter

Model

R

2

_Corr

2

SAR

Fixed Effect

0,9999

0,8107

SAR Random Effect

0,9997

0,0003

SEM

Fixed Effect

0,9973

0,3848

SEM Random Effect

0,9998

0,0000

Variabel

Koefisien

P-Value

Constant

1,681391

0,000188

PC_1

0,008732

0,007540

δ

0,871969

0,000000

R

2

_{= 0,9997}

Corr

2

_{= 0,0003}

Variabel

Koefisien

P-Value

Constant

13,887638 0,000000

PC_1

0,000391

0,906683

ρ

0,927211 0,000000

R

2

_{= 0,9998}

Pemodelan PDRB PHR dengan PC_1

Pemeriksaan Asumsi Residual

Asumsi Residual Identik

Asumsi Residual Independen

Asumsi Distribusi Normal

abs_res = 0.0134 - 0.000753 PC_1

Predictor Coef

SE Coef

T P

Constant 0.0134124 0.0009525 14.08 0.000

PC_1 -0.0007531 0.0006458 -1.17 0.246

0.050 0.025 0.000 -0.025 -0.050 99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 residual Pe rc en t Mean 1.512557E-17 StDev 0.01689 N 114 KS 0.059 P-Value >0.150

Probability Plot of residual

Normal 120 100 80 60 40 20 0 0.050 0.025 0.000 -0.025 -0.050 observasi re si du al Scatterplot residual PHR

Intrepretasi Model PDRB PHR

it it j jt ij it

w

Ln

PDRB

PHR

PC

PHR

PDRB

Ln

=

∑

+

+

+

ε

=

681391

,

1

1

_

008732

.

0

_

871969

,

0

_

38 1 681391 , 1 00527 , 0 00493 , 0 00492 , 0 _ 871969 , 0 _ _ 38 1 + + + + =

∑

= LnBPG LnBMD PHR TK Ln j jt ij it w Ln PDRB PHR Z Z Z PHR PDRB Ln

+

+

=

∑

= it j jt ij it

w

Ln

PDRB

PHR

Ln

TK

PHR

PHR

PDRB

Ln

_

0

,

871969

_

0

,

00492

_

38 1 it

BPG

Ln

BMD

Ln

+

0

,

00527

+

1

,

21478

+

ε

00493

,

0

Kesimpulan dan Saran

Kesimpulan

Pertanian

Model Terbaik :

SEM

random

effect

Interaksi spasial

error = 0,07989

Tanda negatif pada parameter β disebabkan karena korelasi antar

spasial lag.

Industri

Model Terbaik :

SAR

random

effect

Interaksi spasial

lag= 0,648986

Elastisitas

• TK_I = 0,00403 • BMD = 0,0048 • BBJ = 0,00472 • BPG = 0,00509

PHR

Model Terbaik :

SAR

random

effect

Interaksi spasial

lag= 0,871969

Elastisitas

•TK_PHR = 0,00492 • BMD = 0,00493 • BPG = 0,00527

Saran

Karena keterbatasan data maka variabel investasi pemerintah daerah

dan investasi swasta pada masing-masing sektor diabaikan. Selain itu, variabel

upah petani diabaikan pula dan diganti dengan variabel tenaga kerja sektor

Pertanian. Untuk kesempurnaan model maka perlu ditambahkan variabel

investasi pemerintah daerah dan swasta pada masing sektor serta variabel

upah petani. Pada model sektor Pertanian masih terdapat kasus

multikolinearitas antar variabel

spasial lag

, maka perlu dilakukan pemodelan

kembali untuk mengatasi kasus multikolinearitas tersebut.

DAFTAR PUSTAKA

Anselin, Luc. (1988).

Spatial Econometrics : Methods and Models

. Kluwer Academic

Publisher : London.

Bappenas. (2006). Laporan Hasil Kajian Tahun 2006 : Penyusunan Model Perencanaan Lintas Wilayah dan Lintas Sektor. Jakarta : Bappenas.

Bidang Ekonomi Moneter KBI Surabaya. (2010). Kajian Ekonomi Regional Provinsi Jawa Timur Triwulan IV-2010.

http://www.bi.go.id/web/id/DIBI/Info_Publik/Ekonomi_Regional/KER/Jatim/ker_jatim_tw 410.htm (diakses 1 maret 2011, 12:18 wib)

Daniel, Wayne W. (1989).

Statistika Nonparametrik Terapan

. Jakarta: PT. Gramedia.

Elhorst, J.Paul. (2009).

Spatial Panel Data Models

. In Fischer MM, Getis A (Eds)

Handbook of Applied Spatial Analysis

, Ch. C.2. Berlin Heidelberg New York : Springer. Fatmawati, Irma. (2010). Pendekatan Ekonometrika Panel Spasial Untuk Pemodelan PDRB Sektor Industri di SWP Gerbangkertasusila dan Malang - Pasuruan, Tugas Akhir , Institut Teknologi Sepuluh Nopember (ITS), Surabaya.

Gujarati, Damodar N. (2004).

Basic Econometric 4

th

_Edition

_{. The McGraw – Hill}

Lanjutan Daftar Pustaka

Jatimprov.(2004). Mencapai Target Pembangunan Ekonomi Dengan Menjaga Stabilitas Indikator Makro Ekonomi.

(diakses 1 maret 2011, 12:54)

LeSage, James P. (1999).

The Theory and Practice of Spatial Econometrics

.

Department of Economics University of Toledo.

Dwiatmono, Linuwih, Setiawan, Suhartono, Sutikno, Sutijo, dan Wiryadi. (2009). Model Ekonometrika Spasial Pertumbuhan Propinsi Kepulauan Riau, sebagai Dasar

Pengembangan Sistem Pertahanan. Seminar Nasional Statistika IX : Institut Teknologi Sepuluh Nopember

Johnson, R.A. and Wichern, D.W. (2002), Applied Multivariate Statistical Analysis, 5th

ed, New Jersey: Prentice Hall International.Inc.

Muchlisoh, S. (2008), “Model Regresi Data Panel Dengan Korelasi Error Spasial”, Tesis Magister, Institut Teknologi Sepuluh Nopember (ITS), Surabaya.

Rencher, Alvin C. (2002). Methods of Multivariate Analysis 2nd_{ed. John Wiley &}

Sons, Inc : New York.

Widarjono, Agus. (2007). Ekonometrika : Teori dan Aplikasi. Penerbit Ekonisia, Fakultas Ekonomi U2 : Yogyakarta.

Yunitasari, Hanik. (2009). Pendekatan Ekonometrika Spasial Terhadap Produk

Domestik Regional Bruto Sektor Industri di Wilayah Jawa Timur, Tugas Akhir , Institut Teknologi Sepuluh Nopember (ITS), Surabaya.