33

BAB III

METODE PENELITIAN

1.1 Lokasi Penelitian

Untuk mendapatkan data yang diperlukan dalam penelitian ini, penulis

melakukan penelitian pada 12 Kabupaten/Kota yang tergabung dalam koridor utara

selatan Jawa Timur yaitu Kabupaten Gresik, Kabupaten Pasuruan, Kabupaten

Mojokerto, Kabupaten Sidoarjo, Kabupaten Malang, Kabupaten Blitar, Kota

Surabaya, Kota Batu, Kota Pasuruan, Kota Mojokerto, Kota Malang dan Kota

Blitar. Hal dikarenakan kabupaten/kota yang berada pada koridor tersebut

merupakan pusat-pusat perekonomian di Jawa Timur. Selain itu dari segi kuantitas,

segi ketersediaan maupun secara pemakaian, infrastruktur di koridor utara selatan

lebih tinggi dibandingkan dengan di koridor lainnya di Provinsi Jawa Timur.

1.2 Jenis Penelitian

Penelitian ini dilakukan dengan menggunakan metode deskriptif kuantitatif

yang menjelaskan mengenai pengaruh infrastruktur jalan, listrik dan belanja

pendidikan terhadap PDRB kabupaten/kota di koridor utara selatan Jawa Timur.

dan metode studi kepustakaan dalam pengumpulan data terkait. Menurut Nazir

(1988:111) studi kepustakaan merupakan teknik pengumpulan data dengan

mengadakan studi penelaahan terhadap buku-buku, literatur-literatur, catatan-

catatan, dan laporan-laporan yang ada hubungannya dengan masalah yang

dipecahkan.

Deskriptif yaitu meneliti status sekelompok manusia, suatu objek, suatu

kondisi, suatu sistem pemikiran, ataupun suatu peristiwa pada masa sekarang.

Tujuan dari penelitian deskriptif ini adalah untuk membuat deskripsi, gambaran

34

atau lukisan secara sistematis, faktual dan akurat mengenani fakta-fakta, sifat-sifat

serta hubungan antar fenomena yang diselidiki (Nazir, 2005:54).

1.3 Definisi Operasional dan Pengukuran Variabel

Penelitian ini menggunakan 4 variabel, yaitu terdiri dari 1 variabel dependen

(Y) dan 3 variabel independen (X1, X2, X3). Selanjutnya variabel independen

dalam penelitian ini meliputi infrastruktur ekonomi dan belanja pemerintah.

Infrastruktur ekonomi didalamnya terdiri dari dari panjang jalan dan penjualan

listrik. Belanja pemerintah yaitu belanja pendidikan. Keselurahan variabel dalam

kurun waktu 4 tahun 2012-2015 dengan 12 Kabupaten/Kota di koridor utara selatan

Jawa Timur. Untuk menjelaskan variabel-variabel yang akan dianalisis dalam

penelitian ini, maka perlu dirumuskan definisi operasional sebagai berikut:

1.3.1 Variabel Terikat/Dependent (Y)

PDRB, merupakan salah satu indikator keberhasilan. Untuk melihat kondisi

ekonomi suatu negara dapat terlihat dari angka PDB, dan untuk daerah dapat di lihat

dari angka PDRB. PDRB dalam penelitian ini menggunakan PDRB Atas Dasar

Harga Konstan 2010 di masing-masing kabupaten/kota di koridor utara selatan

Jawa Timur dengan satuan (Juta Rupiah) dari tahun 2012 - 2015.

1.3.2 Variabel Bebas/Independent (X) 1. Infrastruktur panjang jalan (X1), menurut kondisi fisik jalan terbagi menjadi

kondisi baik, sedang, rusak dan rusak berat. Dalam penelitian ini hanya

menggunakan data panjang jalan dalam kondisi baik dan sedang

perkabupaten/kota di koridor utara selatan Jawa Timur dari tahun 2012-2015

dengan satuan (Km), karena jalan kondisi rusak dan rusak berat hanya

memiliki sedikit nilai ekonomisnya.

35

2. Infrastruktur listrik (X2), menggunakan data penjualan listrik

perkabupaten/kota di koridor utara selatan Jawa Timur dari tahun 2012 –

2015 dengan satuan (MWh).

3. Belanja pendidikan (X3), menggunakan data belanja pemerintah dibidang

pendidikan perkabupaten/kota di koridor utara selatan Jawa Timur dari tahun

2012 – 2015 dengan satuan (milyar rupiah). Hal ini dikarenakan dengan

banyaknya jumlah sekolah menengah berarti dapat diasumsikan semakin

banyaknya jumlah penduduk yang sudah melewati pendidikan dasar 9 tahun.

3.4 Jenis dan Sumber Data

Jenis data yang digunakan adalah data sekunder yang diperoleh dari buku-

buku, literatur, internet, catatan-catatan, serta sumber lain yang menunjang dan

berhubungan dengan masalah penelitian. Data yang dipergunakan dalam analisis

ekonometrika dapat berupa data time series, data cross section, atau data panel.

Data panel (panel pooled data) merupakan gabungan data cross section dan data

time series. Penelitian ini menggunakan data panel (pooling data), yaitu

sekelompok data individual yang diteliti selama rentang waktu tertentu.

Cakupan yang digunakan dalam penelitian ini adalah data kurun waktu (time

series) dari tahun 2012-2015 dan data deret lintang (cross section) sebanyak 6

kabupaten dan 6 kota yang tergabung dalam koridor utara selatan jawa Timur.

Sumber data yang digunakan dalam penelitian ini diperoleh dari publikasi Badan

Pusat Statistik (BPS) kabupaten/kota yang tergabung dalam koridor utara selatan

Jawa Timur, DJPK Depkeu RI dan instansi terkait.

36

3.5 Teknik Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah

metode dokumentasi atau studi pustaka, sehingga tidak diperlukan teknik sampling

serta kuesioner. Pengumpulan data melalui dokumen dalam bentuk tertulis maupun

elektronik dari lembaga atau institusi mengenai variabel dan data pendukung yang

digunakan dalam penelitian. Data yang diperoleh kemudian disusun dan diolah

sesuai kepentingan penelitian.

3.6 Metode Analisis Data

Metode analisis dalam penelitian ini menggunakan metode analisis

ekonometrika yaitu analisis regresi data panel. Analisis ini digunakan untuk

menganalisis pengaruh infrastruktur terhadap PDRB di kabupaten/kota koridor

utara selatan Jawa Timur. Data panel merupakan pergerakan waktu ke waktu dari

unit-unit individual sehingga semua pengguanaan data panel dapat dikatakan

sebagai regresi data panel (Gujarati dan Porter, 2012:235). Analisis estimasi regresi

data panel dalam pengujian ini menggunakan program Eviews 9.0 dan program

Spss 16.0 untuk pengujian asumsi klasik.

3.6.1 Uji Asumsi Klasik

Sebelum dilakukan pengujian model estimasi regresi, supaya model yang

diestimasi hasilnya tidak bias atau BLUE (Best Linier Unbiased Estimator), maka

model regresi tersebut harus memenuhi asumsi dasar klasik. Menurut Basuki

(2015:72) pada regresi data panel, tidak semua uji asumsi klasik yang ada pada

metode OLS dipakai, hanya multikolinieritas dan heteroskedastisitas saja yang

diperlukan. Dengan demikian uji asumsi klasik yang digunakan sebagai berikut:

37

3.6.1.1 Uji Multikolinieritas

Uji multikolinearitas bertujuan untuk menguji apakah model regresi

ditemukan adanya korelasi antarvariabel independen (bebas). Model regresi yang

baik seharusnya tidak terjadi korelasi diantara variabel independen. Dalam

penelitian ini menggunakan uji multikolinieritas dengan TOL (Tolerance) dan VIF

(Variance Inflation Factor). Kriteria dalam pengujian ini jika nilai TOL > 0,10 dan

nilai VIF < 10,0 maka model dinyatakan tidak terdapat gejala multikolinier

(Suliyanto, 2011:90-91).

3.6.1.2 Uji Heteroskedastisitas

Uji heteroskedastisitas digunakan untuk menguji apakah terjadi

ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya,

umumnya terjadi pada data cross-section. Untuk menguji ada atau tidaknya

heteroskedastisitas dalam penelitian ini digunakan metode Glejser dengan

meregresikan semua variabel bebas terhadap nilai mutlak residualnya |e|. Jika

terdapat pengaruh variabel bebas yang signifikan terhadap nilai mutlak residualnya

maka dalam model terdapat masalah heteroskedastisitas. Dalam bukunya Suliyanto

(2011:98) persamaan yang digunakan untuk uji Glejser sebagai berikut:

|𝑢𝑖 | = α + 𝛃𝑋𝑖 + 𝜐𝑖 (3.1)

Keterangan: |𝑢𝑖 | = Nilai residual mutlak, 𝑋𝑖 = Variabel bebas

Jika 𝛃 signifikan maka terdapat pengaruh variabel bebas terhadap nilai

residual mutlak sehingga dinyatakan bahwa terdapat gejala heterskedastisitas,

demikian sebaliknya. Kriteria dalam pengujian ini jika nilai probabilitas (Sig. > α

(0,05)), maka dapat dipastikan model tidak mengandung gejala heteroskedastisitas.

38

3.6.2 Estimasi Data Panel

Data panel (panel pooled data) merupakan gabungan data cross section dan

data time series. Menurut Gujarati (2012, dalam Zamzami, 2014) beberapa

keuntungan penggunaan data panel yaitu a) mengingat penggunaan data panel juga

meliputi data cross section dalam rentang waktu tertentu, maka data panel akan

memperhitungkan secara eksplisit heterogenitas tersebut. b) Dengan

pengkombinasian, data akan memberikan informasi yang lebih baik, tingkat

kolinearitas yang lebih kecil antar variabel dan lebih efisien. c) Penggunaan data

panel mampu meminimalisasi bias yang dihasilkan jika meregresikan data individu

ke dalam agregasi yang luas.

Dalam model data panel persamaan model dengan menggunakan data cross-

section dapat ditulis sebagai berikut (Baltagi, 1995 dalam Zamzami, 2014):

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + ɛ𝑖; 𝑖 = 1,2,…𝑁 (3.3)

Dimana N adalah banyaknya data cross-section. Sedangkan model persamaan

dengan time-series adalah:

𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡 + ɛ𝑡; 𝑡 = 1,2,…𝑇 (3.4)

Dimana T adalah banyaknya data time-series. Mengingat data panel

merupakan gabungan dari time-series dan cross-section, maka model dapat ditulis

dengan:

𝑌𝑖𝑡 = 𝛽0 + 𝛽1 𝑋𝑖𝑡 + ɛ𝑖𝑡 , i = 1, 2, ..., N ; t = 1, 2, ...,T (3.5)

dimana :

N = banyaknya observasi

T = banyaknya waktu

39

N × T = banyaknya data panel

𝑌𝑖𝑡 = nilai variabel terikat (PDRB) cross section ke-i time series ke-t

𝑋𝑖𝑡 = nilai variabel bebas (infrastruktur jalan, listrik dan belanja pendidikan) ke-

k untuk cross section ke-i tahun ke-t

𝛽0 = konstanta (intercept)

𝛽1 = parameter yang ditaksir

ɛ𝑖𝑡 = Unsur gangguan populasi

Pada model regresi klasik, gangguan (error terms/disturbance) selalu

dinyatakan bersifat homoskedastik dan serial uncorrelated. Implikasinya,

penggunaan metode Ordinary Least Square (OLS) akan menghasilkan penduga

yang bersifat Best Linier Unbiased Estimator (BLUE). Asumsi tersebut tidak dapat

diterapkan kepada metode data panel yang disusun berdasarkan atas beberapa

individu untuk beberapa periode. Hal ini dikarenakan bertambahnya gangguang

yang menjadi 3 macam yaitu gangguan antarwaktu (time series disturbance)

antarindividu (cross section disturbance) serta gangguan antarwaktu dan

antarindividu (Ekananda, 2015:369 dalam Amiruddin, 2016).

Wibowo (2016) menjelaskan dalam melakukan analisa data panel dikenal tiga

macam model pendekatan yaitu, 1) Pendekatan Kuadrat Terkecil (Pooled Least

Square/Common Effect), 2) Pendekatan Efek Tetap (Fixed Effect), 3) Pendekatan

Efek Acak (Random Effect). Dalam penelitian ini digunakan dua model pendekatan

yaitu Pendekatan Efek Tetap (Fixed Effect Model) dan Pendekatan Efek Acak

(Random Effect Model).

40

3.6.2.1 Pendekatan Efek Tetap (Fixed Effect Model)

Metode estimasi ini mengasumsikan bahwa setiap objek memiliki intersep

yang berbeda tetapi memiliki koefisien yang sama. Untuk membedakan antara

objek yang satu dengan yang lainnya maka digunakan variabel dummy atau variabel

semu sehingga metode ini juga disebut Least Square Dummy Variables (LSDV).

Pada umumnya, model efek tetap menggunakan 2 asumsi berbeda sebagai

dasar proses estimasi yaitu pertama, slope regresi konstan tetapi inercept bervariasi

antarunit. Kedua, asumsi slope konstan tetapi intercept bervariasi berdasar antarunit

dan waktu (Sriyana, 2014:115 dalam Amiruddin, 2016).

1. Slope Konstan tetapi Intercept Bervariasi Antarunit/Individu

Asumsi ini menjelaskan bahwa estimasi data panel menghasilkan persamaan

yang menggambarkan slope konstan, tetapi itercept berbeda sebagai akibat adanya

perbedaan antarindividu/unit. Hal ini dikarenakan intercept hanya dipengaruhi oleh

individu saja sedangkan perbedaan waktu diabaikan karena dianggap bahwa waktu

tidak berkontribusi terhadap perubahan intercept. Model persamaan sebagai

berikut:

𝑌𝑖𝑡 = 𝛽01 + ∑ 𝛽𝑘𝑛𝑘=1 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡 (3.6)

Dimana,

i = banyaknya individu/unit observasi

t = banyaknya waktu

n = banyaknya variabel bebas

n x t = banyaknya data panel

𝑢 = error term

41

Metode estimasi yang dipakai untuk asumsi ini adalah Least Square Dummy

Variabel (LSDV) dengan memasukkan variabel boneka (dummy variabel) untuk

menjelaskan terjadinya nilai intercept yang berbeda-beda sebagai akibat perbedaan

lintas unit (cross section).

Ekananda (2014:143 dalam Amiruddin, 2016) menyatakan LSDV pada

regresi tunggal berganda dimana pemilihan model terbaiknya harus memenuhi uji

asumsi klasik. Namun metode LSDV dalam asumsi ini mempunyai kelemahan,

yaitu masih adanya kemungkinan ketidaksesuaian model dengan keadaan yang

sesungguhnya dimana kondisi tiap objek saling berbeda, bahkan satu objek pada

suatu waktu akan sangat berbeda dengan kondisi objek tersebut pada waktu yang

lain. Selain metode estimasi LSDV terdapat metode PLS yaitu metode estimasi efek

tetap (fixed effect) yang digunakan secara langsung dalam model data panel tanpa

menggunakan variabel dummy.

2. Slope Konstan tetapi Intercept Bervariasi Antarindividu dan Waktu

Asumsi ini menjelaskan bahwa estimasi data panel menghasilkan persamaan

yang menggambarkan slope konstan, tetapi intercept berbeda sebagai akibat adanya

perbedaan antarindividu/unit maupun perbedaan periode waktu data yang

dianalisis. Model persamaan sebagai berikut:

𝑌𝑖𝑡 = 𝛽01𝑡 + ∑ 𝛽𝑘𝑛𝑘=1 𝑋𝑘𝑖𝑡 + 𝑢𝑖𝑡 (3.7)

Persamaan 3.7 subscript intercept (𝛽0) terdiri dari huruf i yang

melambangkan individu/unit/objek serta huruf i yang melambangkan periode. Hal

ini dikarenakan intercept tidak hanya dipengaruhi oleh perbedaan individu saja

tetapi juga dipengaruhi oleh perbedaan waktu. Slope yang melambangkan 𝛽𝑘

42

dianggap tetap untuk masing-masing individu maupun untuk masing-masing

periode waktu. Jadi peerbedaan dengan asumsi sebelumya tertelak pada perubahan

intercept sebagai akibat perubahan pada waktu data.

3.6.2.2 Pendekatan Efek Acak (Random Effect Model)

Metode ini tidak menggunakan variabel dummy seperti yang digunakan pada

metode fixed effect. Metode ini menggunakan residual yang diduga memiliki

hubungan antarwaktu dan antarobjek. Model random effect mengasumsikan bahwa

setiap variabel mempunyai perbedaan intercept dan slope hasil estimasi yang

disebabkan oleh perbedaan antar individu dan antar waktu secara langsung, tetapi

intersep tersebut bersifat random atau stokastik. Metode Generalized Least Square

(GLS) digunakan untuk mengestimasi model regresi ini sebagai pengganti metode

OLS. Model persamaan sebagai berikut:

𝑌𝑖𝑡 = 𝛽1 + 𝛽2 𝑋2𝑖𝑡 + 𝛽3 𝑋3𝑖𝑡 + ɛ𝑖 + 𝑢𝑖𝑡

= 𝛽1 + 𝛽2 𝑋2𝑖𝑡 + 𝛽3 𝑋3𝑖𝑡 + 𝑤𝑖𝑡 (3.8)

Dari persamaan 3.8 bahwa 𝑤𝑖𝑡= ɛ𝑖 + 𝑢𝑖𝑡 adalah error term gabungan 𝑤𝑖𝑡 yang

terdiri dari dua komponen, yaitu komponen error yang cross section atau spesifik

individual, dan 𝑢𝑖𝑡 yaitu komponen error gabungan time series dan cross section

yang bisa disebut dengan bentuk khas individu. Sehingga diasumsikan sifat model

REM ini adalah homokedastik.

3.6.3 Pemilihan Model Estimasi

Berdasarkan penjelasan dua pendekatan model diatas yaitu Pendekatan Efek

Tetap (Fixed Effect Model) dan Pendekatan Efek Acak (Random Effect Model),

maka selanjutnya dilakukan pengujian untuk penentuan model pendekatan terbaik

43

yang bertujuan agar pendekatan tersebut sesuai dengan tujuan penelitian dan

karakteristik data.

Gujarati (2013:255) menjelaskan dari hasil observasi Judge sebagai berikut:

1. Jika T (jumlah data time-series) adalah besar dan N (jumlah unit cross-

section) adalah kecil, kemungkinan akan ada sedikit perbedaan nilai parameter yang

diestimasi oleh FEM dan REM. Oleh karena itu, pemilihannya berdasarkan

kenyamanan perhitungan saja. Dalam hal ini, FEM lebih disukai.

2. Jika data diambil dari sample individu atas suatu populasi yang besar secara

acak, maka random effect model (REM) yang dipilih. Namun jika sampel

merupakan seluruh populasi yang dipilih, maka fixed effect model (FEM)

merupakan metode yang lebih tepat.

3. Jika komponen error individual ɛ𝑖𝑡 dan satu atau lebih variabel independen

saling berkorelasi, maka estimator random effect model (REM) adalah bias,

sedangkan yang diambil dari fixed effect model (FEM) tidak bias.

4. Jika N besar dan T kecil, dan jika asumsi yang mendasari REM terpenuhi,

maka estimator REM akan lebih kuat daripada FEM.

3.7 Pengujian Hipotesis

3.7.1 Uji Simultan (F-statistik)

Uji F digunakan untuk menguji apakah variabel bebas (independent variable)

secara bersama-sama berpengaruh terhadap variabel tidak bebas (dependent

variable). Pengujian semua koefisien penaksiran regresi secara bersama-sama

dilakukan dengan uji f dengan langkah-langkah sebagai berikut :

1. Merumuskan hipotesa, yaitu :

44

𝐻0 : 𝛽1 = 𝛽2 = 𝛽3= 𝛽4 # 0 , artinya secara bersama-sama ada pengaruh yang

signifikan dari variabel bebas terhadap variabel tidak bebas.

2. Menentukan tingkat confident of level (α=5%) dan degree of freedom (df)

dengan rumus (𝑁1 = k – 1 dan 𝑁2 = n – k – 1) untuk mengetahui F –tabel.

3. Mencari nilai F-tabel dengan rumus :

F= (𝑅2/𝑘)

(1−𝑅2)/(𝑛−𝑘−1) (3.9)

dimana :

𝑅2 : Koefisien determinan

n : Banyaknya observasi

k : Banyaknya variabel-variabel bebas

4. Membandingkan hasil F-hitung dengan F-tabel dengan kriteria sebagai

berikut :

f-hitung < f-tabel, berarti 𝐻0 diterima dan 𝐻1 ditolak (tidak signifikan)

f-hitung > f-tabel, berarti 𝐻0 ditolak dan 𝐻1 diterima (signifikan)

3.7.2 Uji Parsial (t-statistik)

Uji t ini digunakan untuk mendeteksi seberapa baik variabel bebas

(independent variable) dapat menjelaskan variabel tidak bebas (dependent

variable) secara individu. Langkah-langkah yang harus dilakukan dengan uji t

sebagai berikut :

1. Merumuskan hipotesis, yaitu :

45

𝐻1 : 𝛽1 # 0 artinya secara individual ada pengaruh yang signifikan dari

variabel bebas ke – 1 terhadap variabel tidak bebas.

2. Menentukan tingkat confident of level (α = 5 dan degree of freedom (df)

dengan rumus (n-k) untuk mengetahui T-tabel.

3. Mencari nilai t-hitung dengan rumus :

Tβ = β

𝑆𝐸 (𝛽1) (3.10)

dimana ;

𝛽1 : Penafsiran koefisien 𝛽1

𝑆𝐸𝛽1 : Standar error 𝛽1

I : Angka 1,2,3

4. Membandingkan hasil t-hitung dengan t-tabel dengan kriteria sebagai berikut:

t-hitung < +t-tabel atau t-hitung > -t-tabel, maka 𝐻0 diterima dan 𝐻1 ditolak, artinya

tidak ada pengaruh antara variabel independen terhadap variabel dependen.

t-hitung > +t-tabel atau t-hitung < -t-tabel, maka 𝐻0ditolak dan 𝐻1 diterima, artinya

ada pengaruh antara variabel independen terhadap variabel dependen.

3.8 Uji Koefisien Determinasi (R²)

Uji R² atau uji koefisien digunakan untuk mengukur sebaik mana variabel

tidak bebas dijelaskan oleh variabel total dari variabel bebas di dalam model regresi.

Ukurannya adalah semakin tinggi nilai R², garis regresi sampel juga akan semakin

baik seperti dirumuskan sebagai berikut :

R²= 𝐸𝑆𝑆

𝑅𝑆𝑆 (3.11)

dimana :

46

ESS : Jumlah kuadrat yang dijelaskan

RSS : Jumlah total kuadrat yang merupakan penjumlahan dari ESS dan kuadrat

residual (RSS)

3.9 Estimasi Model Regresi

Dalam penelitian ini model yang digunakan yaitu teori pertumbuhan endogen

Romer yang merupakan pengembangan dan pembaharuan dari teori pertumbuhan

ekonomi neoklasik Solow. Romer (2012:123 dalam Amiruddin 2016) menyatakan

bahwa input pengetahuan atau teknologi dalam model teori Solow belum dapat

dijelaskan secara rinci sebagai variabel eksogeneus sehingga variabel tersebut

menjadi sebuah misteri yang mempengaruhi pendapatan atau output. Pada model

penelitian ini pendekatan yang digunakan adalah agregat fungsi produksi (agregat

production function) dari teori pertumbuhan endogen Romer dalam bentuk

persamaan:

Y = F (A, K, H) (3.12)

Y adalah total output, A adalah penelitian dan pengembangan yang dilakukan

oleh setiap perusahaan dalam perekonomian, K adalah akumulasi modal fisik, dan

H adalah akumulasi modal insani. Penelitian ini mendefinisikan A sebagai

teknologi yang diproduksi yang diproksikan dengan infrastruktur listrik, K adalah

akumulasi modal yang diproksikan dengan infrastruktur jalan, H adalah akumulasi

modal insani yang diproksikan dengan belanja pendidikan., sedangkan Y adalah

Produk Domestik Regional Bruto (PDRB). Selanjutnya model penelitian dapat

diformulasikan sebagai berikut:

Y = f (INFJLN, INFLISTR, BLJPDK) (3.13)

47

Dengan menggabungkan persamaan 3.12 dan 3.13 sehingga dapat dituliskan

dalam bentuk persamaan regresi linear menggunakan ln (logaritma natural) pada

persamaan berikut:

𝐿𝑁_𝑃𝐷𝑅𝐵𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑛𝐽𝐿𝑁𝑖𝑡 + 𝛽2𝑙𝑛𝐿𝑆𝑇𝑅𝑖𝑡 + 𝛽3𝑙𝑛𝑃𝐷𝐾𝑖𝑡 + ɛ𝑖𝑡 (3.14)

Dimana:

Y = Produk Domestik regional Bruto (PDRB) atas harga konstan 2010 di

kabupaten/kota koridor utara selatan Jawa Timur tahun 2012-2015

𝛽0 = intercept/konstanta

JLN = total panjang jalan kondisi baik dan sedang (km) di kabupaten/kota

koridor utara selatan Jawa Timur tahun 2012-2015

LTR = jumlah listrik yang terjual/konsumsi listrik (MWh) di kabupaten/kota

koridor utara selatan Jawa Timur tahun 2012-2015

PDK = belanja pendidikan (milyar rupiah) di kabupaten/kota koridor utara

selatan Jawa Timur tahun 2012-2015

𝛃 (1-3) = koefisien variabel independen (JLN, LSTR, PDK)

ɛ𝑖𝑡 = error terms/disturbance

i = individu/kabupaten/kota

t = periode waktu (2012-2015)