bab iii metode penelitian 1.1 lokasi...
TRANSCRIPT
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)