Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
PEMODELAN KEMISKINAN DI PROVINSI JAWABARAT
DENGAN MENGGUNAKAN PENDEKATAN SEEMINGLY
UNRELATED REGRESSION (SUR) SPASIAL
SKRIPSI
diajukan untuk memenuhi sebagian syarat untuk memperoleh gelar
Sarjana Bidang Matematika
oleh
Fitria’s Rahayu Ramdhani
NIM 1104074
DEPARTEMEN PENDIDIKAN MATEMATIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PENDIDIKAN INDONESIA
PEMODELAN KEMISKINAN DI PROVINSI JAWA BARAT DENGAN MENGGUNAKAN PENDEKATAN SEEMINGLY UNRELATED
REGRESSION (SUR) SPASIAL
Oleh
Fitria’s Rahayu Ramdhani
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Pendidikan pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan
Alam
© Fitria’s Rahayu Ramdhani 2015
Universitas Pendidikan Indonesia
Agustus 2015
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian,
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
ABSTRAK
Penerapan persamaan regresi dalam sebuah kasus seringkali memiliki keterkaitan dengan persamaan yang lain. Jika sebuah persamaan saling berkaitan dikarenakan error regresinya saling berkorelasi, maka pendekatan yang dapat digunakan adalah Seemmingly Unrelated Regression (SUR). Pendekatan SUR dapat diaplikasikan pada data kemiskinan. Salah satu Provinsi di Indonesia yang memiliki jumlah penduduk miskin yang tinggi adalah Provinsi Jawa Barat .Jumlah persentase kemiskinan di Provinsi Jawa Barat mengalami penurunan setiap tahun namun angka penurunan tersebut belum mencapai target yang sudah direncanakan oleh pemerintah.Sehingga dilakukan pemodelan kemiskinan untuk mendapatkan faktor-faktor penyebab kemiskinan di Provinsi Jawa Barat. Sehingga dapat dilakukan langkah- langkah pencegahan atau perbaikan oleh para pengambil kebijakan. Berdasarkan pengujian Moran’s I diperoleh bahwa terdapat dependensi spasial pada data kemiskinan di Provinsi Jawa Barat. Berdasarkan hasil pengujian Lagrange Multiplier diperoleh bahwa model SUR-Spasial untuk data kemiskinan di Provinsi Jawa Barat adalah SUR-Spatial Lag Model (SUR-SLM) pada
� = %. Estimasi parameter SUR-SLM dilakukan dengan Maximum Likelihood Estimation (MLE). Berdasarkan model SUR-SLM didapati bahwa variabel yang berpengaruh signifikan terhadap kemiskinan dengan kategori miskin dan kategori hampir miskin pada � = % adalah rata- rata lama sekolah dan pengangguran terbuka.
ii
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
ABSTRACT
The application of the regression equation in a case often have linkages with other equations. If an equation related to each other because the regression errors are correlated, then the approach can be used is Seemmingly Unrelated Regression (SUR). SUR approach can be applied to data on poverty. One of the provinces in Indonesia which has a high number of poor people in the provinces of West Java. The number of percentage of poverty in West Java Province has decreased every year, but the rate of decline has not reached the target that has been planned by government.So that modeling poverty to gain factors causes of poverty in West Java Province. So it can be preventive or corrective measures by policy makers. Based on testing Moran's I found that there is a spatial dependencies in data on poverty in West Java Province. Based on test results obtained that Lagrange Multiplier SUR-Spatial models for data on poverty in West Java province is SUR-Spatial Lag Model (SUR-SLM) at � = %. SUR-SLM parameter estimation carried out by Maximum Likelihood Estimation (MLE). SUR-SLM based models found that the variables that significantly influence poverty with poor category and the category of near-poor at � = % is the average old school and open unemployment.
DAFTAR ISI
LEMBAR PENGESAHANLEMBAR PERNYATAAN
ABSTRAK ... i
KATA PENGANTAR ... iii
UCAPAN TERIMA KASIH ... iv
DAFTAR ISI ... v
DAFTAR TABEL ...viii
DAFTAR GAMBAR ... x
DAFTAR LAMPIRAN ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 5
1.3 Batasan Masalah... 6
1.4 Tujuan Penulisan ... 6
1.5 Manfaat Penulisan ... 6
BAB II LANDASAN TEORI ... 7
2.1Kerangka Teori... 7
2.1.1 Kemiskinan ... 7
2.1.1.1 Dimensi Kemiskinan ... 8
2.1.1.2 Kategori Rumah Tangga Miskin ... 12
2.1.2.3Ukuran Kemiskinan ... 12
2.1.2 Indeks Pembangunan Mmanusia (IPM) ... 16
2.1.3 Pengangguran Terbuka ... 17
2.1.4 Pengaruh IPM Terhadap Kemiskinan ... 17
vi
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
2.3 Regresi Berganda (Multiple Regression) ... 20
2.4 Metode Ordinary Least Square ... 22
2.5 Asumsi- asumsi Pada Regresi Linear Berganda ... 28
2.5.1 Asumsi Normalitas ... 28
2.5.2 Asumsi Multikolinearitas ... 29
2.5.3 Asumsi Heterokedastisitas ... 31
2.5.4 Asumsi Autokorelasi ... 32
2.6 Uji Signifikansi ... 33
2.6.1 Uji Signifikansi Simultan (Uji F) ... 34
2.6.2 Uji Signifikansi Parameter Parsial (Uji t) ... 34
2.6.3 Uji Koefesiwn Determinasi (Uji � ) ... 35
BAB III Seemingly Unrelated Regression (SUR) Spasial ... 36
3.1 Seemingly Unrelated Regression (SUR) ... 36
3.1.1 Korelasi kesebayaan (contemporaneous correlation) ... 36
3.2 Analisis Spasial ... 37
3.2.1 Regresi Spasial ... 37
3.2.1.1Spatial Autoregresive Model (SAR) ... 38
3.2.1.2Spastial Error Model (SEM) ... 39
3.2.2 Depedensi Spasial ... 39
3.2.2.1Morans’s I ... 39
3.2.2.2 Lagrange Multiplier (LM) Test ... 40
3.2.3 Heterogenitas Spasial (Spatial Heterogenity) ... 42
3.2.4 Matriks Pembobot Spasial ... 42
3.3 Seemingly Unrelated Regression (SUR) Spasial ... 44
3.3.1 Model SUR-SARAR ... 44
3.3.2 Model SUR-SLM ... 46
3.3.3 Model SUR-SEM ... 46
3.4 Pengujian Efek Spasial pada Model SUR ... 46
BAB IV HASIL DAN PEMBAHASAN ... 51
4.1 Identifikasi Pola Hubungan Antar Variabel ... 51
4.2 Asumsi Klasik ... 57
4.2.1 Uji Normalitas ... 57
4.2.2 Uji Mutikolinearitas ... 59
4.2.3 Uji Autokorelasi ... 60
4.2.4 Uji haterokedastisitas ... 62
4.3 Analisis Regresi Linear Berganda ... 63
4.3.1 Uji Simultan dan Parsial ... 66
4.3.1.1 Uji Signifikansi Parameter Parsial (Uji t) ... 66
4.3.1.2 Uji Signifikansi Simultan (Uji F) ... 67
4.3.2 Koefesien Determinasi �2 ... 68
4.4 Seemingly Unrelated Regression (SUR) ... 69
4.5 Pengujian Aspek Spasial ... 72
4.6 Pemodelan SUR-Spasial ... 74
4.7 Interpretasi Model SUR-Spasial ... 75
BAB V KESIMPULAN DAN SARAN ... 77
5.1 Kesimpulan ... 77
5.2 Saran ... 78
DAFTAR PUSTAKA ... v
LAMPIRAN ... 79
viii
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
DAFTAR TABEL
Tabel 1.1 Jumlah dan Persentase Penduduk Miskin Menurut Provinsi di
Indonesia Tahun 2013-2014 ... 2
Tabel 2.1 Data Hasil Pengamatan dari n Responden ... 20
Tabel 4.1a Output Uji Normalitas untuk residual variabel kemiskinan dengan
kategori sangat miskin ... 58
Tabel 4.1b Output Uji Normalitas untuk residual variabel kemiskinan dengan
kategori miskin ... 58
Tabel 4.1c Output Uji Normalitas untuk residual variabel kemiskinan dengan
kategori hampir miskin ... 59
Tabel 4.2 Output Pengujian Multikolinearitas ... 60
Tabel 4.3a Output Uji Breusch-Godfrey untuk variabel kemiskinan dengan
kategori sangat miskin ... 61
Tabel 4.3b Output Uji Breusch-Godfrey untuk variabel kemiskinan dengan
kategori miskin ... 61
Tabel 4.3c Output Uji Breusch-Godfrey untuk variabel kemiskinan dengan
kategori hampir miskin ... 61
Tabel 4.4a Output Uji White untuk variabel kemiskinan dengan kategori sangat
miskin ... 62
Tabel 4.4b Output Uji White untuk variabel kemiskinan dengan kategori miskin
... 62
Tabel 4.4c Output Uji White untuk variabel kemiskinan dengan kategori hampir
miskin ... 62
Tabel 4.5a Output Uji ANOVA untuk model kemiskinan dengan kategori sangat
miskin ... 64
Tabel 4.5b Output Uji ANOVA untuk model kemiskinan dengan kategori
miskin ... 64
Tabel 4.5c Output Uji ANOVA untuk model kemiskinan dengan kategori
hampir miskin ... 64
Tabel 4.6a Output nilai koefesien untuk variabel miskin ... 65
Tabel 4.7a Output Uji Koefisien determinasi (R²) untuk variabel miskin ... 68
Tabel 4.7b Output Uji Koefisien determinasi (R²) untuk variabel hampir miskin
... 69
Tabel 4.8 Residual Correlation matriks ... 69
Tabel 4.9 Output uji Seemingly Unrelated Regression (SUR) ... 71
Tabel 4.10a Output Uji depedensi spasial dengan metode moran’s I untuk model
kemiskinan kategori miskin ... 72
Tabel 4.10b Output Uji heterogenitas spasial dengan metode Breusch-Pagan
untuk model kemiskinan kategori miskin ... 72
Tabel 4.10c Output Uji depedensi spasial dengan metode moran’s I untuk model
kemiskinan kategori hampir miskin ... 73
Tabel 4.10d Output Uji heterogenitas spasial dengan metode Breusch-Pagan
untuk model kemiskinan kategori hampir miskin ... 73
Tabel 4.11 Lagrange Multiplier (LM) Test ... 74
x
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
DAFTAR GAMBAR
Gambar 2.1 Kerangka Pemikiran ... 19
Gambar 2.2 Berbagai garis Regresi Sample Data Jumlah Permintaan Barang Dan Harganya ... 23
Gambar 3.3 Tahapan Pengujian SUR Spasial ... 47
Gambar 4.1a Pola Hubungan Variabel Sangat miskin dengan Variabel AMH . 51 Gambar 4.1b Pola Hubungan Variabel Sangat miskin dengan Variabel AHH .. 51
Gambar 4.1c Pola Hubungan Variabel Sangat miskin dengan Variabel RRLS 52 Gambar 4.1d Pola Hubungan Variabel Sangat miskin dengan Variabel PK ... 52
Gambar 4.1e Pola Hubungan Variabel Sangat miskin dengan Variabel PT ... 52
Gambar 4.2a Pola Hubungan Variabel Miskin dengan Variabel AMH... 53
Gambar 4.2b Pola Hubungan VariabelMiskin dengan Variabel AHH ... 53
Gambar 4.2c Pola Hubungan Variabel Miskin dengan Variabel RRLS ... 54
Gambar 4.2d Pola Hubungan Variabel Miskin dengan Variabel PK... 54
Gambar 4.2e Pola Hubungan Variabel Miskin dengan Variabel PT ... 54
Gambar 4.3a Pola Hubungan Variabel Hampir miskin dengan Variabel AMH 55 Gambar 4.3b Pola Hubungan Variabel Hampir miskin dengan Variabel AHH . 55 Gambar 4.3c Pola Hubungan Variabel Hampirmiskin dengan Variabel RRLS 56 Gambar 4.3d Pola Hubungan Variabel Hampir miskin dengan Variabel PK .... 56
DAFTAR LAMPIRAN
LAMPIRAN 1 Estimasi Parameter Model SUR-Spasial dengan metode
Maximum Likelihood Estimation (MLE). ... 79
LAMPIRAN 2 Data Kemiskinan Berdasarkan Kategori Sangat Miskin, Miskin, dan Hampir Miskin dan Faktor- faktor yang Diduga Mempengaruh ... 92
LAMPIRAN 3 Matriks Pembobot Spasial yang Belum Distandartkan ... 93
LAMPIRAN 4 Matriks Pembobot Spasial yang Sudah Distandartkan ... 94
LAMPIRAN 5 Tabel distribusi t ... 95
LAMPIRAN 6 Tabel distribusi F pada � = % ... 99
LAMPIRAN 7 Tabel distribusi Chi-square (df=1-50) ...103
1
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
BAB I
PENDAHULUAN
1.1. Latar Belakang Penelitian
Semakin berkembangnya zaman, maka semakin banyak pula
permasalahan-permasalahan yang harus dihadapi suatu negara. Mulai dari
permasalahan politik, budaya, pendidikan, perekonomian, dan masih banyak lagi
permasalahan lainnya. Salah satu permasalahan yang sejak dulu sampai saat ini
belum berakhir dan menjadi permasalahan yang tengah dihadapi dunia khususnya
negara-negara berkembang adalah permasalahan kemiskinan.
Kemiskinan di negara Indonesia merupakan suatu permasalahan yang
sampai saat ini belum dapat terselesaikan dan belum menunjukkan tanda-tanda
akan berakhir pasca terjadinya krisis ekonomi pada tahun 1998. Pada tahun 1998
negara Indonesia mengalami krisis dan moneter yang mengakibatkan tingkat
pertumbuhan perekonomian di Indonesia memiliki nilai minus yakni
masingmasing pada tahun 1998 sebesar 13,13 persen dan pada tahun 1999 mencapai
-1,29 persen. Dampak dari krisis ini menyebabkan jumlah penduduk miskin di
Indonesia semakin meningkat. Menurut data Badan Pusat Statistik (BPS)
kemiskinan di Indonesia dalam kurun waktu Maret sampai dengan September
2013 mengalami peningkatan. Data terakhir yang dilansir oleh media sosial
http://www.portalkbr.com/, jumlah penduduk miskin Indonesia meningkat dari
28,07 juta orang pada Maret 2013 menjadi 28,55 juta orang pada September 2013
atau meningkat 480.000 orang. Peningkatan tersebut mendorong angka
kemiskinan naik dari 11,37 persen menjadi 11,47 persen.
Sampai saat ini belum ada kriteria yang baku dalam mengidentifikasi
penduduk miskin, begitu beragamnya pengertian serta kriteria yang dikemukakan
oleh berbagai sumber baik itu instansi/badan/dinas terkait atau pendapat para ahli
dalam bidang yang bersesuaian. Secara singkat kemiskinan seringkali dipahami
sebagai rendahnya tingkat kesejahteraan semata, padahal kemiskinan merupakan
permasalahan yang begitu kompleks dimana permasalahan tersebut tidak hanya
ditentukan oleh satu faktor tertentu saja. Hal ini karena kemiskinan juga
berhubungan dengan faktor- faktor lain seperti ekonomi, sosial, budaya, dan lain
sebagainya. (Suryawati,2005)
Permasalahan kemiskinan tidak hanya menjadi catatan penting untuk
pemerintah Indonesia, namun menjadi cacatan yang penting juga untuk
pemerintah Jawa Barat. Perhatikan Tabel 1.1 berikut ini.
TABEL 1.1
Jumlah dan Persentase Penduduk Miskin Menurut Provinsi di Indonesia Tahun 2013 - 2014
Sumatera Selatan 1108,21 1085,80 14,06 13,62
Bangka Belitung 70,90 67,23 5,25 4,97
Nusa Tenggara Timur 1009,15 991,88 20,24 19,60
Kalimantan Barat 394,17 381,92 8,74 8,07
Kalimantan Tengah 145,36 148,83 6,23 6,07
Kalimantan Selatan 183,27 189,50 4,76 4,81
Kalimantan Timur 255,91 252,68 6,38 6,31
Sulawesi Tenggara 326,71 314,09 13,73 12,77
3
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Propinsi
Indonesia 28553,93 27727,78 11,47 10,96
Sumber : BPS, Badan Pusat Stastistik
Berdasarkan Tabel 1.1, diperoleh informasi bahwa Provinsi Jawa Barat
menempati posisi ketiga di Indonesia dengan jumlah penduduk miskin (JPM)
terbanyak yaitu sekitar 4,3 juta jiwa atau 9,61 persen pada tahun 2013 dan 4,2 juta
jiwa atau 9,18 persen pada tahun 2014.
Tercatat pada tahun 2008, persentase JPM di Provinsi Jawa Barat berada
Meskipun persentase penduduk miskin di Jawa Barat mengalami penurunan dari
tahun ke tahun namun angka penurunan tersebut masih belum mencapai angka
yang ditargetkan oleh pemerintah Provinsi Jawa Barat yaitu sebesar 1 persen
pertahun. Mengacu pada permasalahan tersebut maka, penanggulan kemiskinan
harus ditingkatkan dengan cara mengatasi berbagai kendala yang mempengaruhi
angka pertumbuhan kemiskinan tersebut. Agar hal tersebut dapat tercapai perlu
diketahui faktor-faktor apa saja yang dapat mempengaruhi pertumbuhan
kemiskinan di Provinsi Jawa Barat sehingga nantinya dapat membantu membuat
kebijakan publik yang efektif untuk mengurangi tingkat kemiskinan di Provinsi
Jawa Barat.
Penelitian tentang kemiskinan sudah banyak dilakukan salah satunya
oleh Nia Kurniawati Hidayat pada tahun 2008. Penelitian tersebut meneliti
mengenai pengaruh komponen indeks pembangunan manusia terhadap
kemiskinan di Provinsi Jawa Barat. Adapun komponen Indeks Pembangunan
Manusia (IPM) yang digunakan sebagai faktor-faktor yang diduga mempengaruhi
sosial, angka beban ketergantungan, angka harapan hidup, rata-rata lama sekolah,
kemampuan daya beli, dan tingkat pengangguran. Dengan menggunakan metode
regresi data panel diperoleh bahwa angka harapan hidup, rata-rata lama sekolah,
kemampuan daya beli dan tingkat pengangguran berpengaruh signifikan terhadap
kemiskinan di Provinsi Jawa Barat.
Pada tahun 2011 penelitian tentang kemiskinan juga pernah dilakukan
oleh Prima Sukmaraga. Penelitian tersebut meneliti mengenai pengaruh indeks
pembangunan manusia, PDRB, dan jumlah pengangguran terhadap jumlah
penduduk miskin di Provinsi Jawa Tengah. Adapun data yang digunakan pada
penelitian tersebut adalah data antar ruang (cross section) Kabupaten/Kota di
Provinsi Jawa Tengah Tahun 2008, dengan metode yang digunakan adalah
metode Ordinary Least Square (OLS). Hasil dari penelitian tersebut menunjukkan
bahwa variabel Indeks Pembangunan Manusia (IPM) dan Produk Domestik
Regional Brito (PDRB) berpengaruh negatif dan signifikan terhadap jumlah
penduduk miskin di Provinsi Jawa Tengah dan jumlah pengangguran berpengaruh
positif dan signifikan terhadap jumlah penduduk miskin di Provinsi Jawa Tengah.
Selain itu, pada tahun 2012 penelitian tentang kemiskinan juga pernah
dilakukan oleh Yulia Anggraeni. Pada penelitian ini memperhatikan pengaruh
aspek spasial dalam menentukan faktor- faktor apa saja yang mempengaruhi
kemiskinan di Provinsi Sumatera Selatan. Adapun Faktor-faktor yang digunakan
pada penelitian ini adalah angka melek huruf, tingkat pengangguran terbuka,
jumlah penduduk, tingkat pasrtisipasi angkatan kerja, pertumbuhan ekonomi dan
penerimaan pajak. Dengan menggunakan metode ekonometrika panel spasial
diperoleh hasil penelitian yang menunjukkan bahwa angka melek huruf dan
penerimaan pajak merupakan faktor-faktor yang berpengaruh secara signifikan
terhadap angka kemiskinan di Provinsi Sumatera Selatan.
Penelitian-penelitian tersebut di atas masih menggunakan model
ekonometrika tunggal. Sehingga, perlu dilakukan penelitian dengan menggunakan
model tak tunggal Penelitian ini merupakan perluasan dari suatu model yang
terdiri dari beberapa persamaan, variabel respon dan variabel prediktor tidak
bersifat dua arah, tetapi antar persamaan terjadi hubungan satu sama lain yaitu
5
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Seemingly Unrelated Regression (SUR). Estimasi parameter pada model SUR
memiliki beberapa kelebihan antara lain lebih efisien karena estimasi parameter
dilakukan secara serempak dan melibatkan korelasi galat contemporaneous dalam
perhitungan. Korelasi galat contemporaneous terjadi apabila pada unit waktu yang
sama, galat pada persamaan yang berbeda berkorelasi. Hal ini merupakan
penyebab koefisien yang seharusnya signifikan tidak dapat ditangkap oleh
estimasi metode OLS pada regresi linear klasik.
Adapun variabel dependen yang diamati adalah Indeks Pembangunan
Manusia, dan pendapatan perkapita karena di nilai memiliki kontribusi yang besar
terhadap angka kemiskinan di Provinsi Jawa Barat. Jenis data yang digunakan
dalam penelitian ini adalah crosssection karena faktor-faktor yang mempengaruhi
kemiskinan dikaji dalam satu periode dan data berasal dari berbagai
kabupaten/kota yang ada di provinsi Jawa Barat. Data yang digunakan dalam
penelitian ini adalah data crosssection kemiskinan di Provinsi Jawa Barat pada
tahun 2011. Berdasarkan data tersebut diketahui bahwa beberapa kabupaten/kota
yang berdekatan memiliki tingkat kemiskinan yang relatif sama. Hal ini
mengindikasikan adanya kemungkinan pengaruh wilayah yang berdekatan
terhadap kemiskinan suatu wilayah atau terdapat pengaruh spasial. Analisis data
crosssectional spasial adalah analisis data dimana banyak kasus (orang,
perusahaan, negara dan lain-lain) diamati pada satu periode waktu yang dengan
memperhitungkan pengaruh spasial.
1.2. Perumusan Masalah Penelitian
Berdasarkan latar belakang di atas, maka rumusan masalah pada penelitian
ini, adalah sebagai berikut
1. Bagaimana pemodelan tingkat kemiskinan di Provinsi Jawa Barat dengan
menggunakan metode spasial Seemingly Unrelated Regression (SUR) ?
2. Faktor-Faktor apa saja yang berpengaruh secara signifikan terhadap
1.3. Batasan Masalah
Batasan masalah yang ditentukan dalam penelitian ini adalah sebagai
berikut.
Estimasi parameter yang digunakan adalah Maximum Likelihood Estimator
(MLE).
1.4. Tujuan Penelitian
Berdasarkan rumusan masalah di atas, maka tujuan penulisan skripsi ini
adalah sebagai berikut:
1. Memperoleh model kemiskinan di Provinsi Jawa Barat dengan menggunakan
metode Seemingly Unrelated Regression (SUR) Spasial.
2. Mengetahui faktor-faktor yang berpengaruh secara signifikan terhadap
kemiskinan di Provinsi Jawa Barat.
1.5. Manfaat Penelitian
Adapun manfaat yang diharapkan dari penelitian ini adalah :
1.5.1.Manfaat Teoritis
Menambah wawasan mengenai metode Seemingly Unrelated Regression
(SUR) dalam pemodelan kemiskinan di Provinsi Jawa Barat.
1.5.2.Manfaat Praktis
Pembaca dapat mengetahui faktor-faktor apa sajakah yang mempengaruhi
presentase penduduk miskin di Provinsi Jawa Barat. Selain itu juga, penelitian ini
dapat memberikan informasi bagi pemerintah Provinsi Jawa Barat untuk
menentukan arah kebijakan pembangunan perekonomian masing-masing
36
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
BAB III
Seemingly Unrelated Regression (SUR) Spasial
3.1. Seemingly Unrelated Regression (SUR)
Seemingly Unrelated Regression (SUR) merupakan sebuah pengembangan
dari model regresi linear yang terdiri dari beberapa persamaan regresi yang
berhubungan karena galat antara persamaan yang berbeda saling berkorelasi.
Setiap persamaan memiliki variabel dependen yang berbeda dan dimungkinkan
memiliki himpunan variabel independen yang berbeda-beda. Model Seemingly
Unrelated Regression (SUR) dengan variabel dependen adalah sebagai berikut:
= � + � ; = , , … , (3.1)
atau dapat dituliskan dalam bentuk matrik sebagai berikut:
[ ]=[ ⋱ ]
dimana menyatakan banyaknya variabel dependen, menyatakan banyaknya
observasi, menyatakan vektor pengamatan variabel dependen berukuran
× , menyatakan matriks variabel independen berukuran × , �
menyatakan vektor koefisien variabel independen berukuran × , dan
� menyatakan vektor galat berukuran × .
3.1.1.Korelasi Kesebayaan (contemporaneous correlation)
Korelasi kesebayaan (contemporaneous correlation) merupakan ukuran
hubungan antara galat dari persamaan yang berbeda pada waktu yang sama
(Dofour 2002, hlm 2). Uji SUR dapat dilakukan jika galat antara persamaan yang
berbeda saling berkorelasi atau dengan kata lain terdapat korelasi kesebayaan
(contemporaneous correlation) antara komponen � .
Pengujian korelasi kesebayaan dapat dilakukan dengan menggunakan
statistik uji lagrange multiplier, sebagai berikut
1. PERUMUSAN HIPOTESIS
: Tidak terdapat contemporaneous correlation
2. STATISTIK UJI
Analisis spasial adalah analisis yang digunakan untuk mendapatkan
informasi pengamatan yang dipengaruhi efek ruang atau lokasi. Pengaruh efek
lokasi atau spasial itu disajikan dalam bentuk koordinat lokasi atau pembobotan.
Berdasarkan tipe pembobotannya, analisis spasial dapat dibedakan menjadi
analisis dengan pendekatan titik dan pendekatan area. Pendekatan titik adalah
metode yang menggunakan informasi jarak (distance) sebagai pembobotnya.
Sedangkan pendekatan area adalah menggunakan persinggungan antar lokasi yang
berdekatan. Ukuran kedekatan bergantung pada pengetahuan tentang ukuran dan
bentuk observasi unit yang digambarkan pada peta. (LeSage, 1999).
Jenis pemodelan spasial dengan pendekatan titik diantaranya adalah
Geographically Weighted Regression (GWR), Geographically Weighted Poisson
Regression (GWPR), Geographically Weighted Logistic Regression (GWLR),
Space-Time Autoregressive (STAR), dan Generalized Space Time Autregressive
(GSTAR). Menurut LeSage (2011), jenis pemodelan spasial dengan pendekatan
area diantaranya adalah Mixed Regressive-Autoregressive atau Spatial
Autoregressive Models (SAR), Spatial Error Models (SEM), Spatial Durbin
Model (SDM), Conditional Autoregressive Models(CAR), Spatial Autoregressive
Moving Average (SARMA), dan panel data.
38
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Regresi spasial merupakan suatu penggabungan metode regresi dengan
memperhatikan efek spasial yang direpresentasikan dalam matriks pembobot
spasial yang elemennya menunjukan adanya persinggungan wilayah ataupun
kedekatan wilayah.
Persamaan umum regresi spasial adalah sebagai berikut
= � + � + � (3.4)
� = � � + � (3.5)
�~ , � �
Dengan merupakan vektor variabel dependen berukuran × , merupakan
matriks variabel independen dengan ukuran × , � merupakan vektor koefesien
parameter regresi dengan ukuran × , �merupakan parameter koefesien spasial
lag variabel dependen, � merupakan parameter koefesien spasial lag pada error, �
merupakan vektor error persamaan 3.4 berukuran × , � merupakan vektor
error dari persamaan (3.5) berukuran × , merupakan matriks pembobot
dengan ukuran × , merupakan banyaknya pengamatan atau lokasi
( = , , , … , ), merupakan jumlah variabel independen, � merupakan
matriks identitas dengan ukuran × .
3.2.1.1.Spatial Autoregressive Model (SAR)
Menurut Anselin (1988), model spatial autoregresive atau juga biasa
disebut dengan spatial lag model (SLM) adalah model yang mengkombinasikan
model regresi sederhana dengan lag spasial pada variabel dependen dengan
menggunakan data cross section. SLM terbentuk apabila = dan � = ,
sehingga model ini mengasumsikan bahwa proses autoregressive hanya pada
variabel respon (Lee dan Yu, 2010).
Model umum spatial lag model (SLM) adalah sebagai berikut :
= � + � + � (3.6)
Dimana �~ , � � .
Model pada persamaan (3.6) mengasumsikan bahwa proses
autoregressive hanya pada variabel dependen. Pada persamaan (3.6) tersebut,
atau daerah yang berimpitan dengan , tanpa adanya eksplanatori variabel yang
lain.
3.2.1.2.Spatial Error Model (SEM)
Apabila nilai � ≠ dan = , maka model regresi spasial akan
menjadi spatial error model (SEM) dengan bentuk persamaannya sebagai berikut:
= � + � � + � (3.7)
dimana �~ , � � .
� � menunjukkan spasial terstruktur � pada spasially dependent error � . SEM merupakan model regresi linear yang pada peubah galatnya terdapat korelasi
spasial.
3.2.2.Dependensi spasial
Dependensi spasial menggambarkan adanya hubungan fungsional apa
yang terjadi pada suatu titik dalam ruang dan apa yang terjadi di tempat lain
(Anselin, 1988). Dependensi spasial terjadi akibat adanya dependensi dalam data
wilayah. Tobler I (1979) menyatakan bahwa segala sesuatu yang berhubungan
dengan hal yang lain tetapi sesuatu yang lebih dekat mempunyai hubungan yang
lebih besar. Penyelesaian yang dilakukan jika ada efek dependensi spasial adalah
dengan pendekatan area.
Anselin (1988) menyatakan bahwa uji untuk mengetahui dependensi
spasial dalam error suatu model adalah dengan menggunakan Morans’I dan
Langrange Multiplier (LM).
3.2.2.1.Moran’s I
Moran’s I digunakan untuk melihat nilai autokorelasi spasial, yang mana
digunakan untuk mengidentifikasi suatu lokasi dari pengelompokan spasial atau
autokorelasi spasial. Menurut Lembo (2006) dalam Kartika (2007) autokorelasi
spasial adalah korelasi antara variabel dengan dirinya sendiri berdasarkan ruang.
1. PENGUJIAN HIPOTESIS
: = (tidak terdapat dependensi spasial)
40
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
2. STATISTIK UJI ( Clif dan Ord (1981) dalam Anselin (1988))
= −�( )
merupakan varians moran’s I, � merupakan nilai ekspetasi moran’s I.
3. KRITERIA PENGUJIAN
Menolak jika | ℎ |> . nilai dari indeks adalah antara − dan .
Apabila > � , maka hal ini berarti nilai autokorelasi bernilai positif. hal
ini mempunyai makna bahwa pola data berbentuk kelompok (cluster). Apabila
< � , maka hal ini berarti nilai autokorelasi bernilai negatif. hal ini
mempunyai makna bahwa pola data menyebar, dan apabila = � , maka
hal ini berarti tidak terdapat autokorelasi spasial.
3.2.2.2.UJI Lagrange Multiplier (LM)
Uji lagrange multiplier (LM) digunakan sebagai dasar untuk memilih
model regresi spasial yang sesuai (LeSage, 2009: 156). Tahapan pertama pada uji
LM ini adalah melakukan pembuatan model regresi sederhana melalui ordinary
least square (OLS). Tahapan selanjutnya yaitu melakukan identifikasi keberadaan
ini mempunyai makna bahwa model yang sesuai adalah SEM (spatial error
model), dan apabila signifikan, hal ini mempunyai makna bahwa model
yang sesuai adalah SLM (spasial lag model). apabila � dan keduanya
signifikan, maka hal ini mempunyai makna bahwa model yang sesuai adalah
spatial autoregressive moving average (SARMA). Apabila dan
keduanya signifikan, proses selanjutnya yaitu melakukan uji Robust Lagrange
Multiplier.
Berikut ini adalah pengujian lagrange multiplier lag ( )
1. PERUMUSAN HIPOTESIS
adalah matriks pembobot pada persamaan (3.4).
Seperti telah dikemukakan sebelumnya bahwa uji lagrange multiplier error
( � digunakan untuk mengidentifikasi model SEM. Berikut ini adalah
42
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
dimana matriks adalah matriks pembobot pada persamaan (3.5),
= [ + ∗ ], dan � =� �.
3. KRITERIA PENGUJIAN
Menolak apabila > , atau − < .
3.2.3. Heterogenitas Spasial (Spatial Heterogenity)
Efek heterogenitas adalah efek yang menunjukkan adanya keragaman
antar lokasi. Oleh karena itu, setiap lokasi mempunyai struktur dan parameter
hubungan yang berbeda. pengujian efek heterogenitas spasial dapat diketahui
dengan menggunakan uji breusch-pagan (BP test). Perumusan hipotesis pada uji
breusch-pagan (BP test) adalah sebagai berikut:
: � = � = = � (Homokedastisitas)
: paling tidak ada satu � ≠ � , dimana ≠ (Heterokedastisitas)
Statistik uji yang digunakan pada uji Breusch-Pagan adalah sebagai berikut
(Anselin, 1988):
variabel perdiktor yang telah dinormalstandarkan.
Kriteria pengujian pada uji breusch-pagan (bp test) adalah menolak ,
apabila � > � + , atau − < .
3.2.4. Matriks Pembobot Spasial
Matriks pembobot spasial (W) adalah unsur penting dalam
menggambarkan kedekatan antara suatu area dengan area lain dan ditentukan
berdasarkan informasi atau kedekatan antara suatu area dengan area lain
(neighborhood). Matriks pembobot spasial (W) dapat diketahui berdasarkan jarak
1999). Terdapat beberapa macam persinggungan (contiguity) antara lain sebagai
berikut.
1. Linear Contiguity (Persinggungan Tepi)
Metode ini mendefinisikan = untuk area yang berada di tepi kiri
maupun kanan dari area yang mendapatkan perhatian dan = untuk area
lainnya.
2. Rook Contiguity (Persinggungan Sisi)
Metode ini mendefinisikan = untuk area yang bersinggungan sisi
dengan area yang mendapatkan perhatian dan = untuk area lainnya.
3. Bhisop Contiguity (Persinggungan Sudut)
Metode ini mendefinisikan = untuk area yang titik sudutnya bertemu
dengan area yang mendapatkan perhatian dan = untuk area lainnya.
4. Double Linear Contiguity (Persinggungan Dua Tepi)
Metode ini mendefinisikan = untuk dua entity area yang berada di tepi
kiri maupun kanan dari area yang mendapatkan perhatian dan = untuk
area lainnya.
5. Double Rook Contiguity (Persinggungan Dua Sisi)
Metode ini mendefinisikan = untuk dua entity area yang berada di tepi
kiri, kanan, selatan, maupun utara dari area yang mendapatkan perhatian dan
= untuk area lainnya.
6. Queen Contiguity (Persinggungan Sisi-Sudut)
Metode ini mendefinisikan = untuk area yang bersisian atau titik
sudutnya bertemu dengan area yang mendapatkan perhatian dan =
untuk lokasi lainnya
44
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Metode ini mendefinisikan = untuk area yang bersisian atau area
dengan karakterisrik yang sama dengan area yang mendapatkan perhatian dan
= untuk lokasi lainnya.
3.3. Seemingly Unrelated Regression (SUR) Spasial
SUR spasial pada dasarnya memiliki kesamaan spesifikasi dengan model
SUR yang ditambahkan efek spasial pada setiap persamaannya (Mur dan Lopez,
2010). Istilah SUR spasial diperkenalkan pertama kali oleh Anselin (1988) dengan
mengacu pada model space-time. Karakteristik model SUR spasial ini yaitu
adanya heterogenitas yang terbatas, sehingga koefesien regresi diasumsikan sama
untuk setiap individu.
Model umum SUR spasial adalah sebuah model dengan struktur
autoregresif yang terdapat pada persamaan utama ataupun error. Model SUR
yang struktur autoregresifnya terdapat pada persamaan model dan komponen
errornya disebut model SUR-SARAR (spasial autoregresif autoregresif). Model
SUR spasial yang struktur autoregresifnya hanya terdapat pada persamaan
modelnya saja disebut model SUR-SLM (spatial lag model), sedangkan model
SUR spasial yang struktur autoregresifnya hanya terdapat pada komponen
errornya saja disebut model SUR-SEM (spatial error model).
3.3.1. Model SUR-SARAR
Model SUR-SARAR merupakan suatu bentuk pengembangan dari model
SUR yang mengakomodasi adanya efek spasial yang terdapat pada model. Model
SUR-SARAR merupakan model SUR dimana struktur autoregresifnya terdapat
pada persamaan model dan juga pada komponen error. Model umum
SUR-SARAR adalah sebagai berikut (Mur dan Lopez, 2010) :
= � + � + � (3.16)
� = � � + � (3.17)
�~ , � �
Persamaan (3.16) dapat juga dinyatakan sebagai berikut:
� − � = � + �
� − � = � + �
� = � + � ; = (� − ) (3.18)
Persamaan (3.17) dapat juga dinyatakan sebagai berikut: � = � � + �
� − � � = �
� − � � = �
� = � ; = (� − � ) (3.19)
Persamaan (3.18) dan persamaan (3.19) dapat dinyatakan sebagai persamaan
tunggal berikut ini.
� = � + �
� = � , �~ , � � (3.20)
dengan keterangan bentuk-bentuk matriks sebagai berikut:
= [ … ]
model SUR spasial ditentukan dalam perumusan berikut ini.
46
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Estimasi parameter pada model SUR-SARAR dilakukan dengan
menggunakan pendekatan maximum likelihood (ML) (Mur dan Lopez, 2010).
Fungsi − ℎ dari error pada persamaan (3.20) sebagai berikut.
ln L ; � = − ln − |Σ| + ∑ = | |+ ∑ = | |− −
SUR-SARAR dimana struktur autoregresifnya hanya terdapat pada persamaan
utamanya saja dan model SUR-SLM dipilih pada saat nilai � = . Model
SUR-SLM secara umum dirumuskan sebagai berikut (Mur dan Lopez,2010)
� = � + �, �~ , � � (3.23)
dengan struktur komponen seperti yang telah dikemukakan pada pembahasan
sebelumnya. Fungsi − ℎ dari error persamaan (3.23) sebagai berikut
ln L ; � = − ln − |Σ|+∑= | |− − Ω− B − (3.24)
dengan � = { , �, , , … , } merupakan vektor dari parameter dan Ω− =
Σ− ⊗
3.3.3. Model SUR-SEM
MODEL SUR-SEM merupakan bentuk khusus dari SUR-SARAR dimana
struktur autoregresif hanya terdapat pada komponen errornya saja. Model
SUR-SEM secara umum Dirumuskan sebagai berikut (Mur dan Lopez, 2010)
� = � + �
� = � , �~ , � � (3.25)
dengan struktur komponennya seperti yang telah dikemukakan pada pembahasan
sebelumnya. Fungsi − ℎ dari error persamaan (3.25) sebagai berikut.
ln L ; � = − ln − |Σ| + ∑ = | |− −
� �Ω− B −
(3.26)
dengan � = { , �, � , � , … , � } merupakan vektor dari parameter dan Ω− =
3.4. Pengujian Efek Spasial pada Model SUR
Perbedaan dari ketiga jenis model SUR spasial tersebut terletak pada
bagian efek spasialnya, apakah bagian pengamatan efek spasialnya tersebut
terdapat pada persamaan utama, ataukah terdapat pada komponen error, atau
terdapat pada keduanya yaitu pada persamaan utama dan komponen errornya.
Untuk mengetahui apakah efek spasial pada model SUR tersebut terletak pada
persamaan utama, ataukah terletak pada komponen error, atau terletak pada
keduanya perlu dilakukan pengujian terhadap model SUR dengan menggunakan
uji lagrange multiplier (LM), uji robust lagrange multiplier dan uji marginal
lagrange (mur dan lopez, 2010). Adapun prosedur pengujian sur-spasial
ditunjukan dalam diagram berikut.
Gambar 3.3 Alur pengujian SUR-Spasials
Tahapan pengujian yang pertama kali dilakukan pada prosedur pengujian
SUR-spasial ini adalah pengujian untuk mengetahui keberadaan efek spasial. Uji
yang digunakan pada pengujian ini adalah uji lagrange multiplier (LM) untuk
48
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Berikut ini adalah uji lagrange multiplier (LM) untuk SUR-SLM ( (Mur
Persamaan (3.27) asimtotik dengan distribusi sehingga ditolak jika
> .
Persamaan (3.28) asimtotik dengan distribusi sehingga ditolak jika
� > .
Apabila pada pengujian dan � memperoleh hasil hipotesis
nya diterima, yang mempunyai makna bahwa tidak terdapat efek spasial pada
model SUR dan apabila pada pengujian dan � memperoleh hasil
hipotesis nya ditolak maka pengujian dilanjutkan dengan pengujian .
= [ �| �| ] [��− �
Persamaan (3.29) asimtotik dengan distribusi sehingga ditolak jika
> .
Apabila pada pengujian diterima, maka hal ini mempunyai
makna bahwa model yang sesuai adalah SUR dengan efek spasial yang dapat
diabaikan. Sedangkan apabila diperoleh hasil pengujian yaitu ditolak,
maka tahapan selanjutnya yaitu melakukan pengujian robust LM.
Berikut ini adalah uji robustlagrange multiplier (LM) untuk SUR-SLM ( ∗
(Mur dan Lopez, 2010)
Persamaan (3.30) asimtotik dengan distribusi sehingga ditolak jika
50
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
∗
Persamaan (3.31) asimtotik dengan distribusi sehingga ditolak jika
� > .
Adapun metode dan tahapan analisis yang digunakan dalam memodelkan
kemiskinan di Provinsi Jawa Barat adalah sebagai berikut.
1. Melakukan deskripsi variabel sebagai gambaran awal kemiskinan di Provinsi
Jawa Barat beserta dengan faktor- faktor yang diduga mempengaruhi
kemiskinan di provinsi jawa barat.
2. Mengidentifikasi pola hubungan antara variabel dependen dan variabel
independen.
3. Melakukan standarisasi data.
4. Melakukan pemodelan dengan regresi linear berganda.
5. Menentukan matriks pembobot spasial dengan menggunakan pembobot
costumsize contiguity.
6. Melakukan pengujian aspek spasial (heterogenitas spasial dan dependensi
spasial )
7. Melakukan pemodelan spasial dengan menggunakan uji Lagrange Multiplier
(LM).
77
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
BAB V
KESIMPULAN DAN SARAN
5.1.Kesimpulan
Berdasarkan hasil penelitian yang sudah dilakukan yaitu pemodelan
kemiskinan di Provinsi Jawa Barat dengan pendekatan SUR Spasial diperoleh
beberapa hal sebagai berikut :
1. Data yang digunakan di dalam pemodelan memenuhi aspek depedensi spasial
dan heterogenitas spasial sehingga pemodelan SUR dengan memperhatikan
aspek spasial dapat dilakukan. Dengan menggunkaan nilai � = % model
yang digunakan adalah model SUR-SLM. Hasil pemodelan SUR-SLM
diperoleh bahwa faktor- faktor yang diduga mempengaruhi kemiskinan
dengan kategori sangat miskin tidak berpengaruh secara signifikan terhadap
kemiskinan dengan kategori sangat miskin
Untuk pemodelan kemiskinan di Provinsi Jawa Barat dengan kategori miskin
pada � = % diperoleh bahwa AHH,AMH dan PK tidak berpengaruh
signifikan sedangkan RRLS dan PT berpengaruh signifikan terhadap
kemiskinan di Provinsi Jawa Barat dengan kategori miskin.Sehingga dapat
dimodelkan sebagai berikut
�̂ = − , + , Wijyj− , RRLS + , PT
Untuk pemodelan kemiskinan di Provinsi Jawa Barat dengan kategori hampir
miskin pada � = % diperoleh bahwa AHH,AMH dan PK tidak
berpengaruh signifikan sedangkan RRLS dan PT berpengaruh signifikan
terhadap kemiskinan di Provinsi Jawa Barat dengan kategori hampir
miskin.Sehingga dapat dimodelkan sebagai berikut
�
̂ = , + , Wijyj− , 9 RRLS + , 9 PT
2. Berdasarkan hasil yang diperoleh diatas maka dapat disimpulkan bahwa pada
nilai � = , faktor- faktor yang mempengaruhi kemiskinan di Provinsi Jawa
5.2.Saran
Pada penelitian selanjutnya dapat digunakan data panel untuk digunakan
sebagai penelitian sehingga peneliti dapat memperoleh informasi yang lebih
Fitria’s Rahayu Ramdhani, 2015
Pemodelan Kemiskinan Di Provinsi Jawa Barat Dengan Menggunakan Pendekatan Seemingly Unrelated Regression (SUR) Spasial
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR PUSTAKA
Anggraeni, Y. (2012) Analisis Spasial Data Panel Untuk Menentukan Faktor-
Faktor yang Mempengaruhi Kemiskinan di Provinsi Sumatera Selatan
(Skripsi). Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor. Bogor
Anselin, L., (1988a), “A test for Spatial Autocorrelation in Seemingly Unrelated Regressions”, Economics Letters, 28, 335-341
Anselin, L., (1988b), “Spatial Econometrics: Methods and Models”, Kluwer Academic Publisher: Dordrecht
Baltagi, B., (1980), “Onseemingly unrelated regressions with error components”, Econometrica, 48, 1547-1551
Baltagi, B. H. dan Pirotte, A. (2009). Seemingly Unrelated Regressions With
Spatial Error Components. Department of Economics and Center for
Policy Research : New York, USA
Baltagi, B.H. dan Bresson, G. (2009). ML estimationand LM tests for panel SUR
with spatial lag and spatial errors: An application to hedonic housing
prices in Paris. Department of Economics and Center for Policy Research
: New York, USA
BPS. (2010). Jabar Dalam Angka Tahun 2011, BPS Provinsi Jawa Barat :
Bandung
BPS. (2010). Data dan Informasi Kemiskinan 2011, BPS Provinsi Jawa Barat :
Bandung
Cliff, A. dan J. Ord, (1981), “Spatial Processes, Models and Applications”, Pion: London
Dermawan, D.A. (2012) Seemingly Unrelated Regression (SUR) Spasial Untuk
Memodelkan Kecelakaan Lalu Lintas Di Kabupaten Tuban (Tesis).
Fakultas Matematika Dan Ilmu Pengetahuan Alam, Institut Teknologi
Sepuluh November. Surabaya
Gujarati, Damodar, 2003, Basic Econometrics, Fourth Edition. McGraw-Hill
Hanum, D. (2014) Studi Tentang Seemingly Unrelated Regression Untuk Data
Panel Dengan Model Gravitasi (Studi Kasus : Perdagangan Ekspor
Indonesia). (Tesis). Fakultas Matematika Dan Ilmu Pengetahuan Alam,
Institut Teknologi Sepuluh November. Surabaya
Hidayat, N.K. (2008) Analisis Hubungan Komponen Indeks Pembangunan
Manusia Dengan Kemiskinan Di Provinsi Jawabarat. (Skripsi). Fakultas
Pertanian, Institut Pertanian Bogor, Bogor.
Kapoor, M., H. Kelejian dan I. Prucha, (2007), “Panel Data Models with Spatially Correlated Error Components”, Journal of Econometrics, 140, 97-130
LeSage, J.P. (1999), The Theory and Practice of Spatial Econometrics,
Departement of Economics University of Toledo.
Mur, et al. (2010). Testing for Spatial Effects in Seemingly Unrelated Regressions.
Journal of Spatial Economic Analysis 5, 400-443
Mur, J. dan. Lopez, F. (2010). Spatial SUR models: Specification, Testing and
Selection. University of Zaragoza, Spain : Zaragoza
Sudjana, (2003), Teknik Analisis Regresi dan Korelasi. Edisi Ketiga. Tarsito,
Bandung
Sukamaraga, P. (2011) Analisis Pengaruh Indeks Pembangunan Manusia, PDRB
per kapita, dan Jumlah Pengangguran Terhadap Jumlah Penduduk Miskin
di Provinsi Jawa Tengah. (Skripsi). Fakultas Ekonomi, Universitas
Dipenogoro. Semarang
The World Bank Group. 2000. http://www.worldbank.org/
Zellner, A., (1962), “An Efficient Method of Estimating Seemingly Unrelated
Regression and Test of Aggregation Bias”, Journal of the American