Analisis Jalur Data Panel Dr. Agus Tri Basuki

(1)

1 | A n a l i s i s J a l u r D a t a P a n e l

Analisis Jalur Data Panel

Dr. Agus Tri Basuki Pengertian

Definisi mengenai path analysis (Analisis Jalur) banyak didefinisikan para peneliti diantaranya sebagai berikut:

 Menurut Robert D. Retherford (1993): “Analisis jalur ialah suatu teknik untuk menganalisis hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”.

 Menurut Paul Webley (1997): “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangakat variabel.”

 Menurut David Garson (2003): “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik.

 Menurut Streiner (2005): “Analisis jalur merupakan perluasan dari regresi linier berganda, dan yang memungkinkan analisis model-model yang lebih kompleks”

Dari definisi-definisi di atas dapat dsimpulkan bahwa sebenarnya analisis jalur dapat dikatakan sebagai kepanjangan dari analisis regresi berganda, meski didasarkan sejarah terdapat perbedaan dasar antara analisis jalur yang bersifat independen terhadap prosedur statistik dalam menentukan hubungan sebab akibat; sedang regresi linier memang merupakan prosedur statistik yang digunakan untuk menganalisis hubungan sebab akibat antar variabel yang dikaji.

Tujuan menggunakan analisis jalur diantaranya ialah untuk:

a. Melihat hubungan antar variabel dengan didasarkan pada model apriori

b. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang berurutan secara temporer

c. Menggambar dan menguji suatu model matematis dengan menggunakan persamaan yang mendasarinya

d. Mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel lain yang dipengaruhinya.

(2)

e. Menghitung besarnya pengaruh satu variabel independen exogenous atau lebih terhadap variabel dependen endogenous lainnya.

Keuntungan menggunakan analisis jalur, diantaranya:

a. Kemampuan menguji model keseluruhan dan parameter – parameter individual, b. Kemampuan pemodelan beberapa variabel mediator / perantara,

c. Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua kemungkinan hubungan sebab akibat pada semua variabel dalam model,

d. Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat sebab akibat (causal relation), seperti pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal association), seperti komponen semu (spurious).

Kelemahan menggunakan analisis jalur, diantaranya:

a. Tidak dapat mengurangi dampak kesalahan pengukuran,

b. Analisis jalur hanya mempunyai variable – variabel yang dapat diobservasi secara langsung, c. Analisis jalur tidak mempunyai indikator – indikator suatu variabel laten,

d. Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka semua asumsi dalam rumus ini harus diikuti,

e. Sebab –akibat dalam model hanya bersifat searah (one direction); tidak boleh bersifat timbal balik (reciprocal).

Asumsi – Asumsi dan Prinsip - Prinsip Dasar

Beberapa asumsi dan prinsip – prinsip dasar dalam analisis jalur diantaranya (Sarwono, J. 2014)

ialah:

a. Linearitas (Linearity).

Hubungan antar variabel bersifat linear, artinya jika digambarkan membentuk garis lurus dari kiri bawah ke kanan atas, seperti gambar di bawah ini:

b. Ko-linier

Menunjukkan suatu garis yang sama. Maksudnya jika ada beberapa variabel exogenous mempengaruhi satu variabel endogenous; atau sebaliknya satu variabel exogenous mempengaruhi beberapa variabel endogenous jika ditarik garis lurus akan membentuk garis-garis yang sama.

c. Model Rantai Sebab Akibat

Menunjukkan adanya model sebab akibat dimana urutan kejadian akhirnya menuju pada variasi dalam variabel dependen / endogenous, seperti gambar di bawah ini. Dalam gambar dibawah semua urutan kejadian X1, X2, X3, dan X4 menuju ke Y

d. Hubungan sebab akibat yang tertutup (Causal closure)

Semua pengaruh langsung satu variabel terhadap variabel lainnya harus disertakan dalam diagram jalur.

(3)

Merupakan koefesien regresi yang sudah distandarisasi (standardized regression coefficient) yang menunjukkan jumlah perubahan dalam variabel dependen endogenous yang dihubungkan dengan perubahan (kenaikan atau penurunan) dalam satu standar deviasi pada variabel bebas exogenous saat dilakukan pengendalian pengaruh terhadap variabel-variabel independen lainnya. Koefesien beta disebut juga sebagai bobot beta (β). Nilai ini yang digunakan sebagai besaran nilai dalam koefesien jalur (p) atau jumlah pengaruh setiap variabel exogenous terhadap variabel endogenous secara sendiri-sendiri atau disebut sebagai pengaruh parsial.

f. Koefesien Determinasi (R2)

Disebut juga sebagai indeks asosiasi. Merupakan nilai yang menunjukkan berapa besar varian dalam satu variabel yang ditentukan atau diterangkan oleh satu atau lebih variasbel lain dan berapa besar varian dalam satu variabel tersebut berhubungan dengan varian dalam variabel lainnya. Dalam statistik bivariat disingkat sebagai r2 sedang dalam multivariat disingkat sebagai R2. Nilai ini yang digunakan sebagai besaran nilai untuk mengekspresikan besarnya jumlah pengaruh semua variabel exogenous terhadap variabel endogenous secara gabungan atau disebut sebagai pengaruh gabungan.

g. Data metrik berskala interval.

Semua variabel yang diobservasi mempunyai data berskala interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dengan menggunakan metode suksesive interval (Method of Successive Interval /MSI) terlebih dahulu. Jika data bukan metrik digunakan maka akan mengecilkan nilai koefesien korelasi. Nilai koefesien korelasi yang kecil akan menyebabkan nilai R2 menjadi semakin kecil. Dengan demikian pemodelan yang dibuat menggunakan analisis jalur tidak akan valid; karena salah satu indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat nilai R2 yang mendekati 1. Jika nilai ini semakin mendekati 1; maka model dianggap baik atau sesuai dengan teori.

h. Variabel - variabel residual tidak berkorelasi dengan salah satu variabel-variabel dalam model. i. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan semua variabel endogenous dalam model. Jika dilanggar, maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasikan parameter-parameter jalur.

j. Multikoliniearitas yang rendah. Multikolinieritas maksudnya dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang tinggi maka kita akan mendapatkan standard error yang besar dari koefesien beta (b) yang digunakan untuk menghilangkan varians biasa dalam melakukan analisis korelasi secara parsial.

k. Recursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali (looping) atau tidak menunjukkan adanya hubungan timbal balik (reciprocal)

l. Spesifikasi model benar diperlukan untuk menginterpretasi koefesien-koefesien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari model. Semua koefesien jalur akan merefleksikan kovarians bersama dengan semua variabel yang tidak diukur dan tidak akan dapat diinterpretasi secara tepat dalm kaitannya dengan akibat langsung dan tidak langsung.

m. Input korelasi yang sesuai. Artinya jika kita menggunakan matriks korelasi sebagai masukan, maka korelasi Pearson digunakan untuk dua variabel berskala interval; korelasi polychoric untuk

(4)

dua variabel berksala ordinal; tetrachoric untuk dua variabel dikotomi (berskala nominal); polyserial untuk satu variabel interval dan lainnya ordinal; dan biserial untuk satu variabel berskala interval dan lainnya nominal.

n. Tidak terjadi Multikolinieritas. Multikolinieritas terjadi jika antar variabel bebas (exogenous) saling berkorelasi sangat tinggi, misalnya mendekati 1.

o. Merancang model sesuai dengan teori yang sudah ada untuk menunjukan adanya hubungan sebab akibat dalam variabel – variabel yang sedang diteliti. Sebagai contoh: variabel motivasi, IQ dan kedisplinan mempengaruhi prestasi belajar. Berdasarkan hubungan antar variabel yang sesuai teori tersebut, kemudian kita membuat model yang dihipotesikan.

Karena penghitungan analisis jalur menggunakan teknik regresi linier; maka asumsi umum regresi linear sebaiknya diikuti, yaitu:

a. Model regresi harus layak. Kelayakan ini diketahui jika angka signifikansi pada ANOVA sebesar < 0.05

b. Predictor yang digunakan sebagai variable bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation

c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis)

d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi antar variable bebas.

e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Dubin dan Watson sebesar < 1 dan > 3

Model ekonometrika yang digunakan adalah model analisis jalur (path analyse) dengan pengelolaan data menggunakan EVIEWS. Dari Gambar 1 Model Analisis Jalur dapat diturunkan persamaan regresinya sebagai berikut:

PDRB = β0 + β1INV + β2KURS + β3PJ + β4IPM + β5BD + ε1 ……… 1

POV = β0 + β6PDRB + β7INV + β8BD + β9POP + ε2 ……….. 2

Kemudian persamaan regresi dirubah dalam bentuk persamaan logaritma dan diperoleh persamaan sebagai berikut:

Log PDRB = β0 + β1LogINV + β2LogKURS + β3LogPJ + β4IPM + β5LogBD + ε1

Log POV = β0 + β6LogPDRB + β7LogINV + β8LogBD + β9LogPOP + ε2

Keterangan:

PDRB : Produk Domestik Regional Bruto

INV : Investasi

KURS : Kurs

PJ : Panjang Jalan

(5)

BD : Belanja daerah

POV : Poverti (Jumlah Penduduk Miskin) POP : Populasi (Julah Penduduk)

βo : Konstanta

β1, β2, … βn : Koefisien

ε1 : Error sub struktur 1 ε2 : Error sub struktur 2

Log : Logaritma

Gambar 1. Model Analisis Jalur (Path Analysis)

Kemudian setelah persamaan untuk analisis jalur kita susun, maka diperlukan data untuk mendukung persamaan tersebut. Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif. Data kuantitatif merupakan data yang berbentuk bilangan. Sumber yang digunakan adalah data sekunder. Data sekunder adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan penelitian dari sumber-sumber yang telah ada. Sumber data yang digunakan adalah adalah dari Badan Pusat Statistik (BPS), Bank Indonesia, serta World Bank. Data yang digunakan merupakan data gabungan antara cross section dan data time series yang diambil dari 34 provinsi

BD POP INV KURS PJ IPM

PDRB

POV

p2 p3 p4 p5 p6 p7 p8 p9 e1 _e2 p1

(6)

yang ada di Indonesia dari tahun 2015 sampai dengan tahun 2019. Pengolahan data pada penelitian ini menggunakan program Eviews 10.

Tabel

Data INV, PJ, POP, IPM, BD, PDRB dan POP

NO PROVINSI TAHUN INV PJ POP IPM BD PDRB POV

1 ACEH 2015 4484.85 23824.00 5002.00 69.45 12611.11 22524.00 859.41 2016 4263.24 23743.00 5096.20 70.00 12653.24 22835.00 841.31 2017 1097.11 24019.00 5189.50 70.60 14813.72 23363.00 829.80 2018 2001.05 23915.00 5281.30 71.19 15335.36 24014.00 831.50 2019 5518.29 23915.00 5371.50 71.90 17177.51 24590.00 809.76 2 SUMATERA _UTARA 2015 10497.45 40528.00 13937.80 69.51 8495.66 31637.00 1508.14 2016 15681.94 40489.00 14102.90 70.00 10976.89 32885.00 1452.55 2017 32207.47 39543.00 14262.10 70.57 13402.54 34184.00 1326.57 2018 26148.68 39114.00 14415.40 71.18 13544.56 35571.00 1291.99 2019 24607.40 39245.00 14562.50 71.74 15827.75 37049.00 1260.50 3 SUMATERA _BARAT 2015 2340.19 23598.00 5196.30 69.98 4326.35 27081.00 349.53 2016 4861.07 23598.00 5259.50 70.73 4876.17 28165.00 376.51 2017 4150.73 22556.00 5321.50 71.24 6363.96 29311.00 359.99 2018 4927.66 22388.00 5382.10 71.73 6822.71 30471.00 353.24 2019 5210.45 22388.00 5441.20 72.39 7150.37 31670.00 343.09 4 RIAU 2015 18956.65 26842.00 6344.40 70.84 10892.86 70770.00 562.92 2016 18290.93 26924.00 6501.00 71.20 10075.13 70569.00 501.59 2017 25205.58 24992.00 6657.90 71.79 9247.19 70755.00 496.39 2018 24013.82 24497.00 6814.90 72.44 8537.82 70740.00 494.26 2019 40665.83 24497.00 6971.70 73.00 9179.05 71122.00 483.92 5 JAMBI 2015 5025.92 13886.00 3402.10 68.89 3604.25 36754.00 311.57 2016 4704.00 13866.00 3459.90 69.62 3381.88 37729.00 290.81 2017 4047.09 13027.00 3515.00 69.99 4583.49 38850.00 278.61 2018 4352.11 13092.00 3570.30 76.65 4869.54 40052.00 281.47 2019 5196.69 13092.00 3624.60 71.26 4828.41 41181.00 273.37 6 SUMATERA _SELATAN 2015 19852.91 18620.00 8052.30 67.46 6030.39 31549.00 1112.53 2016 46067.57 18737.00 8160.90 68.24 6627.64 32700.00 1096.50 2017 24226.13 19233.00 8267.00 68.86 8260.83 34060.00 1086.76 2018 25139.01 18989.00 8370.30 69.39 9182.30 35670.00 1076.40 2019 27159.19 18989.00 8470.70 70.02 9713.47 37261.00 1067.16 7 BENGKULU 2015 838.08 9230.00 1874.90 68.59 2436.20 20302.00 322.83 2016 1697.49 9237.00 1904.80 69.33 2491.65 21040.00 325.60 2017 2175.61 9196.00 1934.30 69.95 3243.39 21752.00 302.62

(7)

2018 6880.90 9327.00 1963.30 70.64 3202.90 22498.00 303.55 2019 7470.96 9327.00 1991.80 71.21 3639.87 23276.00 298.00 8 LAMPUNG 2015 4657.27 17603.00 8117.30 66.95 4898.78 24582.00 1100.68 2016 7183.27 17603.00 8205.10 67.65 5691.23 25569.00 1139.78 2017 8648.69 21044.00 8289.60 68.25 7017.85 26615.00 1083.74 2018 14230.54 20759.00 8370.50 69.02 7633.03 27742.00 1091.66 2019 4586.34 20759.00 8447.70 69.57 7807.92 28936.00 1041.48 9 KEPULAUAN BANGKA BELITUNG 2015 2164.55 5525.00 1372.80 69.05 2212.65 33480.00 66.62 2016 2910.08 5525.00 1401.80 69.55 2287.56 34133.00 71.07 2017 3808.90 5485.00 1430.90 69.99 2468.72 34935.00 76.20 2018 3783.37 5536.00 1459.90 70.69 2666.62 35765.00 69.93 2019 4148.22 5536.00 1488.80 71.30 2962.02 36238.00 67.37 10 KEPULAUAN RIAU 2015 9446.42 5338.00 1973.00 73.75 2649.78 78625.00 114.84 2016 7467.13 5115.00 2028.20 73.99 2852.61 80296.00 119.14 2017 2773.12 5686.00 2082.70 74.45 3525.10 79758.00 128.43 2018 16424.06 5686.00 2136.50 74.84 3499.84 81295.00 125.26 2019 24609.02 5686.00 2189.70 75.48 3659.56 83202.00 127.76 11 DKI JAKARTA 2015 65442.32 7094.00 10177.90 78.99 53419.02 142914.00 368.67 2016 57875.12 7094.00 10277.60 79.60 59392.46 149832.00 385.84 2017 109515.36 6732.00 10374.20 80.06 73535.70 157637.00 393.13 2018 119441.75 6732.00 10467.60 80.47 78671.23 165863.00 372.26 2019 119408.62 6732.00 10557.80 80.76 89088.35 174137.00 362.30 12 JAWA BARAT 2015 105438.27 26274.00 46709.60 69.50 28561.85 25846.00 4485.66 2016 103867.21 26205.00 47379.40 70.05 31344.46 26924.00 4168.11 2017 108066.61 26980.00 48037.60 70.69 35512.08 27975.00 3774.41 2018 122988.05 27545.00 48683.70 71.30 36482.71 29161.00 3539.40 2019 131035.98 27545.00 49316.70 72.03 37132.31 30247.00 3375.89 13 JAWA TENGGAH 2015 27141.97 27545.00 33774.10 69.49 18517.59 23887.00 4505.78 2016 37920.23 27574.00 34019.10 69.98 20050.50 24959.00 4493.75 2017 52008.63 30394.00 34257.90 70.52 24349.75 26089.00 3867.42 2018 61833.97 30607.00 34490.80 71.12 26231.24 27291.00 4197.49 2019 56509.90 30670.00 34718.20 71.73 26652.34 28576.00 3679.40 14 ISTIMEWA DAERAH YOGYAKARTA 2015 1491.53 3874.00 3679.20 77.59 3911.11 22688.00 485.56 2016 1211.95 3874.00 3726.90 78.38 4270.07 23566.00 488.83 2017 789.10 4377.00 3762.20 78.89 5279.62 24534.00 466.33 2018 7309.01 4370.00 3802.90 79.53 5790.57 25777.00 450.25 2019 6501.75 4370.00 3842.90 79.99 6149.11 27190.00 440.89 15 JAWA TIMUR 2015 73907.95 41740.00 38847.60 68.95 24678.65 34272.00 4775.87 2016 61569.08 41740.00 39075.30 69.74 26527.24 35971.00 4638.53

(8)

2017 66270.15 40955.00 39293.00 70.27 31851.42 37724.00 4405.27 2018 52642.07 40936.00 39500.90 70.77 35289.76 39588.00 4292.15 2019 57495.14 41192.00 39689.60 71.50 33843.73 41567.00 4056.00 16 BANTEN 2015 43148.19 6969.00 11955.20 70.27 9236.21 30813.00 690.66 2016 49836.88 6976.00 12203.10 70.96 9786.47 31782.00 657.74 2017 56429.43 6927.00 12448.20 71.42 10265.22 32940.00 699.83 2018 59579.73 6817.00 12689.70 71.95 11072.78 34192.00 668.74 2019 46678.25 6918.00 12927.30 72.44 12285.53 35431.00 641.42 17 BALI 2015 8089.96 7879.00 4152.80 73.27 5873.71 31094.00 218.79 2016 6536.56 7879.00 4200.00 73.65 5923.70 32689.00 174.94 2017 12608.22 8678.00 4246.50 74.30 6478.85 34133.00 176.48 2018 16066.10 8722.00 4292.20 74.77 6701.28 35915.00 168.34 2019 13315.03 8722.00 4336.90 75.38 6834.26 37534.00 156.91

18 NUSA TENGGARA _BARAT

2015 9996.02 8169.00 4835.60 65.19 3647.33 18475.00 802.29 2016 7241.20 8169.00 4896.70 65.81 4148.66 19306.00 786.58 2017 7203.19 8525.00 4955.60 66.58 5421.93 19098.00 748.12 2018 7778.92 8504.00 5013.70 67.30 5334.65 18015.00 735.62 2019 7282.00 8504.00 5070.40 68.14 5273.58 18542.00 705.68

19 NUSA TENGGARA _TIMUR

2015 2259.97 21752.00 5120.10 62.67 3570.23 11088.00 1160.53 2016 1604.18 21755.00 5203.50 63.13 4040.76 11469.00 1150.08 2017 2965.07 23193.00 5287.30 63.73 4987.99 11863.00 1134.74 2018 5699.99 23635.00 5371.40 64.39 5059.89 12276.00 1134.11 2019 5515.25 23635.00 5456.20 65.23 5448.45 12714.00 1129.46 20 KALIMANTAN _BARAT 2015 24569.48 15750.00 4789.60 65.59 4207.75 23457.00 405.51 2016 17489.59 18092.00 4861.70 65.88 4503.52 24309.00 390.32 2017 20081.58 18234.00 4932.50 66.26 5562.10 25199.00 388.81 2018 13714.60 18315.00 5001.70 66.98 5872.18 26108.00 369.73 2019 15098.60 18315.00 5069.10 67.65 5910.67 27050.00 370.47 21 KALIMANTAN _TENGGAH 2015 14147.73 15081.00 2495.00 68.53 3546.93 31619.00 148.13 2016 13663.68 15081.00 2550.20 69.13 3587.85 32900.00 137.46 2017 11722.07 17939.00 2605.30 69.79 4412.60 34369.00 137.88 2018 22916.96 17987.00 2660.20 70.42 5250.30 33560.00 136.45 2019 12532.83 17997.00 2714.90 70.91 5456.29 36992.00 131.24 22 KALIMANTAN _SELATAN 2015 15320.15 12805.00 3989.80 68.38 5500.27 27787.00 189.16 2016 9513.94 12805.00 4055.50 69.05 5600.69 28540.00 184.16 2017 6284.90 13614.00 4119.80 69.55 6002.25 29578.00 194.85 2018 11846.15 13477.00 4181.70 70.17 6722.89 30628.00 195.01 2019 15244.68 13477.00 4244.10 70.72 7031.95 31413.00 190.29 23 ₂₀₁₅ _42462.71 _12463.00 _{4068.60 74.17} _9376.31 _128603.00 _209.98

(9)

KALIMANTAN TIMUR 2016 22196.77 12574.00 3501.20 74.59 8212.41 125386.00 211.24 2017 28392.09 13333.00 3575.40 75.12 8765.87 126625.00 218.67 2018 34449.59 13558.00 3648.80 75.83 11210.81 127390.00 222.39 2019 33920.76 13558.00 3721.40 76.61 10769.67 130859.00 220.91 24 KALIMANTAN _UTARA 2015 4107.07 4977.00 642.00 68.76 2628.83 76823.00 40.93 2016 5506.21 5016.00 666.30 69.20 3068.22 76786.00 47.03 2017 2871.95 3183.00 691.10 69.84 2585.44 78915.00 48.56 2018 2331.37 4006.00 716.40 70.56 2560.73 80716.00 49.59 2019 5536.61 4006.00 742.20 71.15 3005.92 83308.00 48.61 25 SULAWESI UTARA 2015 1484.56 9488.00 2412.10 70.39 2818.67 29196.00 217.14 2016 10212.90 9488.00 2436.90 71.05 2985.77 30680.00 200.35 2017 8030.53 9840.00 2461.00 71.66 3891.53 32298.00 194.85 2018 8605.03 10072.00 2484.40 72.20 4080.74 33915.00 189.05 2019 11324.77 10072.00 2507.00 72.99 4524.49 35512.00 188.60 26 SULAWESI _TENGGAH 2015 15938.73 16234.00 2876.70 66.76 3037.42 28779.00 406.34 2016 22582.83 16234.00 2921.70 67.47 3253.13 31151.00 413.15 2017 22869.49 16565.00 2966.30 68.11 3708.73 32860.00 423.27 2018 18225.92 16908.00 3010.40 68.88 4106.73 34419.00 413.49 2019 29530.11 16908.00 3064.00 69.50 4323.33 36347.00 404.03 27 SULAWESI _SELATAN 2015 12433.67 33215.00 8520.30 69.15 6415.56 29436.00 864.52 2016 8339.51 33222.00 8606.40 69.76 7292.54 31303.00 798.81 2017 11626.41 30679.00 8690.30 70.34 9220.49 33234.00 825.97 2018 12213.57 30476.00 8772.00 70.90 9444.56 35254.00 779.64 2019 9879.04 30476.00 8851.20 71.66 10099.90 37351.00 759.58 28 _TENGGARASULAWESI 2015 4015.68 11424.00 2499.50 69.15 2886.69 29203.00 345.02 2016 6847.48 11424.00 2551.00 69.31 3260.32 30476.00 327.29 2017 13537.46 13064.00 2602.40 69.86 4033.24 31894.00 313.16 2018 11347.66 13235.00 2653.70 70.61 4138.22 33286.00 301.85 2019 17557.12 13235.00 2704.70 71.20 4310.57 34738.00 299.97 29 GORONTALO 2015 189.49 5885.00 1133.20 65.86 1476.33 19474.00 206.52 2016 2373.14 5885.00 1150.80 66.29 1652.70 20427.00 203.69 2017 1447.93 5495.00 1168.20 67.01 1829.86 21478.00 200.91 2018 3257.62 5539.00 1185.50 67.71 1889.29 22541.00 188.30 2019 3225.64 5539.00 1202.60 68.49 1944.67 23642.00 184.71 30 SULAWESI BARAT 2015 1131.39 6942.00 1282.20 62.96 1473.75 20251.00 153.21 2016 360.88 6809.00 1306.50 63.60 1814.45 21068.00 146.90 2017 814.65 5758.00 1331.00 64.30 1977.19 22050.00 149.47 2018 3501.88 5677.00 1355.60 65.10 1907.11 22999.00 152.83 2019 1327.60 5677.00 1380.30 65.73 2135.48 23817.00 151.87

(10)

31 MALUKU 2015 82.20 8342.00 1686.50 67.05 2304.54 14740.00 327.77 2016 654.98 8676.00 1715.50 67.60 2831.65 15321.00 331.79 2017 2924.48 10213.00 1744.70 68.19 2845.88 15942.00 320.42 2018 1129.35 10185.00 1773.80 68.87 3083.52 16612.00 317.84 2019 741.93 10185.00 1802.90 69.45 3230.50 17255.00 319.51 32 MALUKU UTARA 2015 921.40 7100.00 1162.30 65.91 1856.13 17534.00 72.64 2016 3281.55 7006.00 1185.90 66.63 2061.13 18177.00 76.40 2017 4240.90 7432.00 1209.30 67.20 2312.01 19193.00 78.28 2018 7530.01 7354.00 1232.60 67.76 2516.32 20322.00 81.93 2019 14701.86 7354.00 1255.80 68.70 2762.09 21171.00 87.18 33 PAPUA BARAT 2015 3630.79 9430.00 871.50 61.73 7506.27 60064.00 225.54 2016 6923.42 9430.00 893.40 62.21 7257.00 61242.00 223.60 2017 1206.72 11867.00 915.40 62.99 7839.00 62164.00 212.86 2018 4205.50 12529.00 937.50 63.74 8098.28 64487.00 213.67 2019 1022.43 12529.00 959.60 64.70 8729.20 64683.00 207.59 34 PAPUA 2015 13649.32 18548.00 3149.40 57.25 12986.63 41377.00 898.21 2016 15919.12 18548.00 3207.40 58.05 13071.34 44342.00 914.87 2017 27285.61 21732.00 3265.20 59.09 14016.06 45578.00 910.42 2018 16501.44 21824.00 3322.50 60.06 14143.11 48075.00 915.22 2019 13648.54 21824.00 3379.30 60.84 13978.12 39854.00 900.95

Tahapan dalam melakukan penyelesaian analisis jalur dengan metode data panel sebagai berikut;

(11)

(12)

Klik File  pilih New  Workfile

(13)

Pilih Workfile structure type dengan Balance Panel

(14)

Klik  Quick  Empty Group (Edit Series)

(15)

Sebelum Data di Paste Setelah Data di Paste

Selanjutnya kita pilih persamaan regresi untuk persamaan 1 sebagai berikut:

Log PDRB = β0 + β1LogINV + β2LogKURS + β3LogPJ + β4IPM + β5LogBD + ε1

Blok Variabel pdrb, inv, kurs, pj, ipm dan bd kemudian klik kanan dan open  as equation

Ketik ke dalam Equation Specification

(16)

Model Fixed Effect

Dependent Variable: LOG(PDRB)

Method: Panel EGLS (Cross-section weights) Total panel (balanced) observations: 170

Linear estimation after one-step weighting matrix

Variable Coefficient Std. Error t-Statistic Prob. LOG(INV) 0.019447 0.008589 2.264247 0.0252 LOG(PJ) -0.032193 0.066598 -0.483389 0.6296 LOG(KURS) 0.079739 0.116721 0.683158 0.4957 IPM 0.091834 0.005957 15.41634 0.0000 LOG(BD) 0.247207 0.036568 6.760178 0.0000 C 18.57177 1.289447 14.40289 0.0000 Weighted Statistics

R-squared 0.999375 Mean dependent var 101.8675 Adjusted R-squared 0.999194 S.D. dependent var 51.67642 S.E. of regression 0.117329 Sum squared resid 1.803372 F-statistic 5511.612 Durbin-Watson stat 1.496207 Prob(F-statistic) 0.000000

(17)

Kemudian lakukan cara seperti diatas untuk memperoleh Model Random Effect

Model Random Effect Dependent Variable: LOG(PDRB)

Method: Panel EGLS (Cross-section random effects) Total panel (balanced) observations: 170

Variable Coefficient Std. Error t-Statistic Prob. LOG(INV) 0.158305 0.026217 6.038298 0.0000 LOG(PJ) 0.350150 0.098252 3.563790 0.0005 LOG(KURS) -1.311313 0.559472 -2.343840 0.0203 IPM 0.058820 0.012383 4.749958 0.0000 LOG(BD) 0.683645 0.079939 8.552080 0.0000 C 16.38881 5.328983 3.075411 0.0025 Weighted Statistics

(18)

Dari 2 persamaan dapat disusun

Model Fixed Effect Model Random Effect Variable Coefficient t-Statistic Coefficient t-Statistic LOG(INV) 0.019447 2.264247** 0.158305 6.038298*** LOG(PJ) -0.032193 -0.483389 0.350150 3.563790*** LOG(KURS) 0.079739 0.683158 -1.311313 -2.343840** IPM 0.091834 15.41634*** 0.058820 4.749958*** LOG(BD) 0.247207 6.760178*** 0.683645 8.552080*** C 18.57177 14.40289*** 16.38881 3.075411*** R-squared 0.999194 0.718247 F-statistic 5511.612 83.61420

Dari 2 model diperoleh dipilih model terbaik dengan menggunakan uji Hausman, dengan cara model dalam kondisi Random Effect Model  klik View Fixed/Random Effect Testing  Correlated Random effect - Hausman Test

(19)

Dan hasilnya sebagai berikut:

Dari hasil uji Hausman dapat disimpulkan bahwa model terbaik adalah Model Random Effect.

Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan Random Effect. Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary Least Squared (OLS) dalam teknik estimasinya, sedangkan Random Effect menggunakan Generalized Least Squares (GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.

Uji Heteroskedastisitas

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang dipakai, maka hanya uji heteroskedastisitas saja yang relevan dipakai pada model data panel.

Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians dari setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi

(20)

tersebut tidak tercapai, dengan kata lain dimana adalah ekspektasi dari eror dan adalah varians dari eror yang berbeda tiap periode waktu.

Langkah-langkah uji heteroskedastisitas data panel sebagai berikut: Buka estimasi model terpilih  Proc  Make Residual Series…

Dalam Name for resid series  berinama residrem

Kemudian klik Estimate  pada Equation Estimation

(21)

Hasil Uji heteroskedastisitas sebagai berikut:

Dependent Variable: LOG(RESIDREM^2)

Variable Coefficient Std. Error t-Statistic Prob. LOG(INV) 0.273871 0.073356 3.733432 0.0003 LOG(KURS) 2.205233 1.859690 1.185807 0.2374 LOG(PJ) 0.380863 0.607191 0.627254 0.5314 IPM -0.047500 0.074981 -0.633494 0.5273 LOG(BD) -0.153578 0.552499 -0.277970 0.7814 C -28.07130 14.01052 -2.003588 0.0468 Effects Specification S.D. Rho Cross-section random 1.643900 0.5149 Idiosyncratic random 1.595658 0.4851 Weighted Statistics

R-squared 0.021338 Mean dependent var -1.239077 Adjusted R-squared -0.008500 S.D. dependent var 1.593711 S.E. of regression 1.600469 Sum squared resid 420.0864 F-statistic 0.715134 Durbin-Watson stat 1.948803 Prob(F-statistic) 0.612909

(22)

Uji Multikolinearitas

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun demikian, adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model (persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan pendugaan parameter, dalam hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya. Korelasi yang kuat antara variabel bebas dinamakan multikolinieritas.

(23)

Hasil Uji Correlation sebagai berikut:

Nilai seluruh correlation dibawah 0,9 artinya tidak adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model, atau model tersebut tiding mengandung multikolinearitas.

Setelah model terpilih dan lolos pengujian Asumsi Klasik, hasil gambar untuk persamaan 1 bisa kita selesaikan sebagai berikut:

Gambar …..

Catatan : Rumus e1 dapat dicari dengan formula 𝑒1 =(1-R2₎1/2

Keterangan: *** signifikan α=1% ** signifikan α=5% * signifikan α=10% BD INV PJ KURS IPM

PDRB

0,350*** -1,31** 0,058*** 0,68*** 0,539 0.158***

(24)

Selanjutnya kita pilih persamaan regresi untuk persamaan 2 sebagai berikut: POV = β0 + β6PDRB + β7INV + β8BD + β9POP + ε2

Blok Variabel POV, PDRB, INV, BD dan POP, kemudian klik kanan dan open  as equation

Hasil regresi Fixed Effect Model

Dependent Variable: LOG(POV) Method: Panel EGLS (Period weights) Total panel (balanced) observations: 170

Variable Coefficient Std. Error t-Statistic Prob. C 0.106708 1.704094 0.062619 0.9501 LOG(PDRB) -0.549792 0.087534 -6.280867 0.0000 LOG(INV) -0.084481 0.045402 -1.860753 0.0646 LOG(BD) 0.391414 0.084959 4.607110 0.0000 LOG(POP) 1.319310 0.067212 19.62918 0.0000 Weighted Statistics

(25)

Hasil regresi Random Effect Model

Dependent Variable: LOG(POV)

Variable Coefficient Std. Error t-Statistic Prob.

C 5.656889 1.284291 4.404678 0.0000 LOG(PDRB) -0.060263 0.025635 -2.350777 0.0199 LOG(INV) 0.003230 0.007840 0.411923 0.6809 LOG(BD) -0.215387 0.033743 -6.383066 0.0000 LOG(POP) 1.020009 0.101676 10.03198 0.0000 Weighted Statistics

R-squared 0.467822 Mean dependent var 0.648859

Adjusted R-squared 0.454921 S.D. dependent var 0.073390 S.E. of regression 0.054183 Sum squared resid 0.484412

F-statistic 36.26167 Durbin-Watson stat 0.958777

(26)

Dari 2 persamaan dapat disusun sebagai berikut:

Model Fixed Effect Model Random Effect Variable Coefficient t-Statistic Coefficient t-Statistic

C 0.106708 0.062619 5.656889 4.404678*** LOG(PDRB) -0.549792 -6.280867*** -0.060263 -2.350777** LOG(INV) -0.084481 -1.860753* 0.003230 0.411923 LOG(BD) 0.391414 4.607110*** -0.215387 -6.383066*** LOG(POP) 1.319310 19.62918*** 1.020009 10.03198*** R-squared 0.851899 0.467822 F-statistic 115.7622 36.26167

Dari 2 model diperoleh dipilih model terbaik dengan menggunakan uji Hausman, dengan cara model dalam kondisi Random Effect Model  klik View Fixed/Random Effect Testing  Correlated Random effect - Hausman Test

Dari hasil uji Hausman dapat disimpulkan bahwa model terbaik adalah Model Random Effect.

Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan Random Effect. Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary Least Squared (OLS) dalam teknik estimasinya, sedangkan Random Effect menggunakan Generalized Least Squares (GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least

(27)

Squared (OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.

Uji Heterskodastisitas

Dependent Variable: LOG(RESIDREM2^2)

Variable Coefficient Std. Error t-Statistic Prob. LOG(PDRB) 0.328302 0.181398 1.809847 0.0721 LOG(INV) -0.012732 0.039720 -0.320541 0.7490 LOG(BD) -0.575281 0.266778 -2.156405 0.0325 LOG(POP) -0.153933 0.297269 -0.517824 0.6053 C 6.564250 5.806112 1.130576 0.2599 Weighted Statistics

R-squared 0.036565 Mean dependent var -0.275795 Adjusted R-squared 0.013209 S.D. dependent var 0.436717 S.E. of regression 0.433823 Sum squared resid 31.05338 F-statistic 1.565560 Durbin-Watson stat 1.436839 Prob(F-statistic) 0.185867

Hasil Uji Correlation sebagai berikut:

Nilai seluruh correlation dibawah 0,9 artinya tidak adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model, atau model tersebut tiding mengandung multikolinearitas.

(28)

Catatan : Rumus e2 dapat dicari dengan formula 𝑒2 =(1-R2₎1/2

Keterangan: *** signifikan α=1% ** signifikan α=5% * signifikan α=10% BD POP INV

PDRB

-0,06**

POV

0,0032 -0,215*** 1,02*** 0,729 BD POP INV PJ KURS IPM

PDRB

POV

0,350** * -1,31** 0,058*** 0,68*** -0,06** 0,0032 -0,215*** 1,02*** 0,539 _0,729 0.158***

(29)

Uji Mediasi dengan Sobel Test

Sobel test merupakan uji untuk mengetahui apakah hubungan yang melalui sebuah variabel mediasi secara signifikan mampu sebagai mediator dalam hubungan tersebut. Sebagai contoh pengaruh A terhadap B melalui M. Dalam hal ini variabel M merupakan mediator hubungan dari A ke B. Untuk menguji seberapa besar peran variabel M memediasi pengaruh A terhadap B digunakan uji Sobel test. Dimana Sobel test mengunakan uji z dengan rumus sebagai berikut :

𝑧 = 𝑎𝑏

√(𝑏2_𝑆𝐸

𝑎2) + (𝑎2𝑆𝐸𝑏2)

Dimana :

a Koefisien regresi variable independen terhadap variable mediasi b Koefisien regresi variable mediasi terhadap variable independen

SEa Standard error of estimation dari pengaruh variable independen terhadap

variable mediasi

SEb Standard error of estimation dari pengaruh variable mediasi terhadap variable

independen 𝑧 = 𝑎𝑏 √(𝑏2_𝑆𝐸 𝑎2) + (𝑎2𝑆𝐸𝑏2) 𝑧 = 0.1583𝑥(−0,060263) √(−0,0602632_𝑥0,02622_{) + (0,1583}2_𝑥0,0256352 ₎ 𝑧 = −2,19 INV

PDRB

POV

-0.060263 (0.025635)** 0.003230 (0.007840) 0.158305 (0.026217)***

(30)

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,19, karena nilai z yang diperoleh sebesar -2,19 > 1.96 dengan tingkat signifikansi 5% maka membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Investasi terhadap jumlah penduduk miskin.

𝑧 = 𝑎𝑏 √(𝑏2_𝑆𝐸 𝑎2) + (𝑎2𝑆𝐸𝑏2) 𝑧 = 0,683645𝑥(−0,060263) √(−0,0602632_𝑥0,0337432 _{) + (0,683645}2_𝑥0,0256352₎ 𝑧 = −2,2667

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,2667, karena nilai z yang diperoleh sebesar -2,2667 > 1.96 dengan tingkat signifikansi 5% maka membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Belanja Daerah terhadap jumlah penduduk miskin.

BD

PDRB

POV

0.683645 (0.033743)*** -0.060263 (0.025635)** -0.215387 (0.0337)*** PJ

PDRB

POV

0.350150 (0.098252)*** (0.033743)*** -0.060263 (0.025635)**

(31)

31 | A n a l i s i s J a l u r D a t a P a n e l 𝑧 = 𝑎𝑏 √(𝑏2_𝑆𝐸 𝑎2) + (𝑎2𝑆𝐸𝑏2) 𝑧 = 0,350150𝑥(−0,060263) √(−0,0602632_𝑥0,0982522 _{) + (0,350150}2_𝑥0,0256352₎ 𝑧 = −1,96234

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -1,96234, karena nilai z yang diperoleh sebesar -1,96234 > 1.96 dengan tingkat signifikansi 5% maka membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Panjnag jalan terhadap jumlah penduduk miskin.

𝑧 = 𝑎𝑏 √(𝑏2_𝑆𝐸 𝑎2) + (𝑎2𝑆𝐸𝑏2) 𝑧 = −1,311313𝑥(−0,060263) √(−0,0602632_𝑥0,5594722 _{) + (−1,311313}2_𝑥0,0256352₎ 𝑧 = 2,327036

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 2,327036, karena nilai z yang diperoleh sebesar 2,327036 > 1.96 dengan tingkat signifikansi 5% maka membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Kurs terhadap jumlah penduduk miskin.

KURS

_PDR

B

POV

-0.060263 (0.025635)** -1.311313 (0.559472)** (0.033743)***

(32)

32 | A n a l i s i s J a l u r D a t a P a n e l 𝑧 = 𝑎𝑏 √(𝑏2_𝑆𝐸 𝑎2) + (𝑎2𝑆𝐸𝑏2) 𝑧 = 0,058820𝑥(−0,060263) √(−0,0602632_𝑥0,0123832 _{) + (0,058820}2_𝑥0,0256352₎ 𝑧 = −2,10691

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,10691, karena nilai z yang diperoleh sebesar -2,10691 > 1.96 dengan tingkat signifikansi 5% maka membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Indek Pembangunan Manusia terhadap jumlah penduduk miskin.

Besaran pengaruh langsung dan tak langsung variable bebas terhadap jumlah penduduk Miskin

Variabel _{langsung (%)}Pengaruh Pengaruh tidak _{Langsung (%)} Pengaruh _{Total (%)}

Investasi 0.001 -0.95** -0,949 Panjang Jalan -2,11** -2,11 Kurs 7,90** 7,90 IPM -0,35** -0,35 Belanja Daerah 4,64*** -4,12** 0,52 Populasi 104,04*** 104,04 PDRB 0,36** 0,36 IPM

PDRB

POV

-0.060263 (0.025635)** 0.058820 (0.012383)*** *(0.033743)***

(33)

Keterangan:

*** signifikan α=1% ** signifikan α=5% * signifikan α=10% Tahap Uji Hipotesis dan Pembuatan Kesimpulan

1. Pengaruh Investasi terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Investasi tidak berpengaruh secara signifikan terhadap jumlah penduduk miskin.

Hasil ini terlihat dari nilai probabilitas t hitung > α = 5%.Hal ini menunjukkan bahwa secara langsung investasi tidak mempengaruhi jumlah penduduk miskin.

2. Pengaruh Investasi terhadap jumlah penduduk miskin melalui mediasi produk domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh investasi terhadap jumlah penduduk miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi sebesar -2,19 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Pengaruh langsung investasi terhadap jumlah penduduk miskin adalah sebesar 0,001. Sedangkan besarnya pengaruh tidak langsung investasi terhadap jumlah penduduk miskin melalui produk domestic regional bruto adalah -0,95 %.

3. Pengaruh Belanja daerah terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Belanja Daerah berpengaruh secara signifikan terhadap jumlah penduduk miskin.

Hasil ini terlihat dari nilai probabilitas t hitung < α = 5%.Hal ini menunjukkan bahwa secara langsung Belanja Daerah mempengaruhi jumlah penduduk miskin.

4. Pengaruh Belanja Daerah terhadap jumlah penduduk miskin melalui mediasi produk domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh Belanja Daerah terhadap jumlah penduduk miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi

(34)

sebesar -2,2667 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Pengaruh langsung Belanja Daerah terhadap Jumlah Penduduk Miskin adalah sebesar 4,64. Sedangkan besarnya pengaruh tidak langsung investasi terhadap jumlah penduduk miskin melalui produk domestic regional bruto adalah -4,12 %.

5. Pengaruh Panjang Jalan terhadap jumlah penduduk miskin melalui mediasi produk domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh Panjang Jalan terhadap jumlah penduduk miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi sebesar -1,9623 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Besarnya pengaruh tidak langsung Panjang Jalan terhadap jumlah penduduk miskin melalui produk domestic regional bruto adalah -2,11 %.

6. Pengaruh Kurs terhadap jumlah penduduk miskin melalui mediasi produk domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh Kurs terhadap jumlah penduduk miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi sebesar 2,32 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Besarnya pengaruh tidak langsung Kurs terhadap jumlah penduduk miskin melalui produk domestic regional bruto adalah 7,90 %.

7. Pengaruh IPM terhadap jumlah penduduk miskin melalui mediasi produk domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh IPM terhadap jumlah penduduk miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi sebesar -2,106 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Besarnya pengaruh tidak langsung IPM terhadap jumlah penduduk miskin melalui produk domestic regional bruto adalah -0,35 %.

(35)

8. Pengaruh Populasi terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Populasi berpengaruh secara signifikan terhadap jumlah penduduk miskin.

Hasil ini terlihat dari nilai probabilitas t hitung < α = 5%.Hal ini menunjukkan bahwa secara langsung Populasi mempengaruhi jumlah penduduk miskin. Besarnya pengaruh langsung Populasi terhadap jumlah penduduk miskin sebesar 104,04%.

9. Pengaruh Produk Domestik Regional Bruto terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Produk Domestik Regional Bruto berpengaruh secara signifikan terhadap jumlah penduduk miskin.

Hasil ini terlihat dari nilai probabilitas t hitung < α = 5%.Hal ini menunjukkan bahwa secara langsung Produk Domestik Regional Bruto mempengaruhi jumlah penduduk miskin. Besarnya pengaruh langsung Produk Domestik Regional Bruto terhadap jumlah penduduk miskin sebesar 0,36%.

(36)

DAFTAR PUSTAKA

Gujarati, D. N. (2003). Basic Econometrics” fourth edition McGraw-Hill. New York. Hsiao, C. (2014). Analysis of panel data (No. 54). Cambridge university press.

Maddala, G. S., & Lahiri, K. (1992). Introduction to econometrics (Vol. 2). New York: Macmillan.

Sarwono, J. (2014). Path analysis dengan SPSS. Elex Media Komputindo. Wibisono, Y. (2005). Metode statistik. Gajah Mada University, Yogyakarta.