MAKALAH GEOSTAT

“MODEL REGRESI SPASIAL UNTUK MENGETAHUI KESENJANGAN

KESEJAHTERAAN ANTAR PROVINSI DI THAILAND BERDASARKAN

PENDAPATAN PERKAPITA TAHUN 2012”

Diajukan untuk Memenuhi Tugas Ujian Tengah Semester 5 Mata Kuliah

Geostatistika 1

Disusun Oleh :

Devina Gilar Fitri Ayu Sumardi

NIM: 15611107

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ISLAM INDONESIA

YOGYAKARTA

2017

ii

KATA PENGANTAR

Alhamdulillahhirabbil a’llamin, rasa syukur terucap atas kehadirat Allah SWT

Yang Maha Esa, karena atas rahmat, berkah, dan hidayah-Nya sehingga penulis dapat

menyusun dan menyelesaikan makalah yang berjudul “Model Regresi Spasial Untuk

Mengetahui Kesenjangan Kesejahteraan Antar Provinsi Di Thailand Berdasarkan

Pendapatan Perkapita Tahun 2011” ini dengan lancar dan sebaik-baiknya.

Makalah ini disusun dan diselesaikan untuk memenuhi tugas akhir semester 4

mata kuliah Sistem Informasi Geografis di Prodi Statistika, FMIPA UII. Penulis juga

tidak lupa mengucapkan terima kasih kepada :

1. Ibu Tuti Purwaningsih, S.Stat., M.Si. selaku dosen pengampu mata kuliah

Geostatistika 1 yang telah memberikan Ilmunya agar makalah ini menjadi lebih

baik,

2. Kedua orang tua, yang selalu mendukung, memotivasi, mendoakan dan memberikan

bantuan baik moril maupun materil untuk kelancaran penyelesaian makalah ini,

3. Serta teman-teman statistika jurusan kebencanaan yang telah saling membantu,

memberi semangat, dan bekerjasama dengan baik.

Atas terselesaikannya makalah ini, penulis berharap pembaca dapat memahami

isi makalah ini dengan mudah, dan mengembangkannya kembali untuk melengkapi

kekurangan yang ada dalam makalah ini.

Penulis menyadari bahwa makalah ini masih jauh dari kesempurnaan, oleh

karena itu penulis membutuhkan kritik dan saran yang membangun agar makalah ini

kedepannya lebih baik lagi dan dapat menjadi referensi ilmu yang berguna.

Yogyakarta, 6 November 2017

Penulis,

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Thailand adalah salah satu negara di Asia Tenggara yang sebagian besar

masyarakatnya memperoleh pendapatan melalui sektor pertanian. Sejak tahun 1961

Thailand telah mengimplementasikan five year development plans sebagai pedoman

dalam pembangunan ekonomi nasional yang menjadikan arah perubahan

perekonomian Thailand menjadi lebih terbuka. Adapun dalam penerapannya strategi

pembangunan ekonomi nasional Thailand ini menemui banyak kendala sehingga

perencanaan tersebut tidak tepat sasaran (Thongpakde, 2010). Adanya kegagalan

pembangunan ekonomi nasional yang terjadi melalui five year development plans

tersebut maka dari tahun 2001 Thailand mulai mengadopsi filosofi sufficiency

economy, yang dicetuskan oleh Raja Thailand Bhumibol Adulyadej sebagai landasan

dalam five year development plans. Penggunaan sufficiency economy sebagai landasan

dalam pembangunan ekonomi nasional tersebut, didasarkan pada pengalaman strategi

pembangunan ekonomi nasional Thailand dari tahun 1961 sampai dengan 1997 yang

hanya berfokus pada cara untuk meningkatkan pertumbuhan ekonomi secara cepat

(NESDB, 2002).

Strategi pembangunan ekonomi nasional yang seperti itu hanyalah memberikan

keuntungan bagi daerah perkotaan, karena pemerataan pembangunan yang dilakukan

lebih dominan terjadi di daerah perkotaan. Hal ini 2 pada akhirnya menyebabkan

terjadinya kesenjangan pendapatan antara daerah perkotaan dengan daerah pedesaan.

Adanya krisis ekonomi pada tahun 1997, telah mengakibatkan semakin banyaknya

masyarakat pedesaan Thailand menjadi lebih miskin. Krisis ekonomi ini pada akhirnya

telah membuka pemikiran pemerintah Thailand untuk menggunakan pendekatan yang

dapat menciptakan kemandirian dalam masyarakatnya, sehingga kesenjangan

pendapatan antara daerah perkotaan dengan daerah pedesaaan dapat diminimalisir

2

(NESDB, 2007). Penggunaan sufficiency economy sebagai landasan pembangunan

ekonomi nasional Thailand sendiri, menekankan bahwa keberhasilan suatu strategi

pembangunan ekonomi nasional haruslah didasarkan pada pengambilan keputusan

yang lebih mengedepankan kesejahteraan rakyat daripada mengejar kemakmuran

ekonomi semata. Dalam hal ini sufficiency economy sebagai suatu landasan

pembangunan ekonomi nasional yang memfokuskan pada bagaimana membangun

pondasi yang kuat dalam masyarakat sehingga masyarakat mampu bertahan dan

memaksimalkan peluang dari setiap perubahan yang ada dalam lingkungan global dan

kawasan (Curry & Sura, 2007: 88).

Melihat arus globalisasi yang semakin menguat, Thailand sebagai salah satu

entitas ASEAN tentunya juga ikut terlibat dalam kegiatan ekonomi secara regional.

Terlebih dengan adanya kesepakatan negara-negara anggota ASEAN melalui Bali

Concord II pada tahun 2003, untuk membentuk suatu kawasan ekonomi yang

terintegrasi melalui ASEAN Economic Community (AEC) di tahun 2015. ASEAN

Economic Community (AEC) sendiri memiliki karakteristik utama untuk menciptakan

pasar tunggal dan basis produksi, kawasan ekonomi yang berdaya saing tinggi,

kawasan dengan pembangunan ekonomi yang merata, serta kawasan ekonomi yang

terintegrasi secara global yang akan terimplementasi secara penuh pada tahun 2015

(Direktorat ASEAN, 2009).

Adanya tantangan yang dihadapi oleh Thailand di kawasan Asia Tenggara

melalui pembentukan ASEAN Economic Community (AEC) juga menjadi factor

penting dalam penerapan strategi pembangunan ekonomi nasional yang dilakukan oleh

pemerintah Thailand. Thailand sebagai salah satu negara anggota ASEAN tentunya

harus mengoptimalkan setiap keputusan yang akan diambil dalam menghadapi

perubahan yang ada dalam kawasan Asia Tenggara, agar bias memberikan kontribusi

bagi pembangunan ekonomi nasionalnya. Pembentukan ASEAN Economic

Community (AEC) yang akan meningkatkan intensitas perpindahan barang dan jasa

diantara negara-negara ASEAN ini tentunya akan menyebabkan suatu tantangan baru

dalam menentukan strategi pembangunan ekonomi nasional di Thailand yang

3

berlandaskan sufficiency economy (NESDB, 2012). Hal inilah yang menarik peneliti

untuk membahas lebih lanjut tentang strategi pembangunan ekonomi nasional yang

dilakukan oleh Thailand dengan berlandaskan sufficiency economy dalam menghadapi

terselenggaranya ASEAN Economic Community (AEC) tahun 2015.

Kembali pada masalah kesenjangan kesejahteraan, kesenjangan tersebut salah

satu tolak ukurnya adalah pendapatan perkapita wilayah tersebut. Kesenjangan

kesejahteraan termasuk dalam permasalahan ekonomi yang mengandung efek spasial,

sehingga permasalahan kesenjangan kesejahteraan antar provinsi di Thailand

berdasarkan pendapatan perkapita antar wilayahnya, dapat dilakukan dengan analisis

menggunakan regresi spasial. Regresi spasial merupakan hasil pengembangan dari

metode regresi linier klasik. Pengembangan tersebut karena adanya pengaruh tempat

atau spasial pada data yang dianalisis.

Pendapatan perkapita memiliki manfaat untuk menggambarkan standard of

living, untuk mengetahui perbandingan tingkat kesejahteraan penduduk suatu wilayah

dengan wilayah lain, dan sebagai pedoman pengambilan kebijakan dalam bidang

ekonomi dan perencanaan pembangunan dimasa mendatang. Negara yang memiliki

pendapatan per kapita yang tinggi umumnya memiliki standard of living tinggi pula.

Perbedaan pendapatan mencerminkan perbedaan kualitas hidup, negara kaya

dicerminkan oleh pendapatan per kapita yang tinggi dan tentunya memiliki kualitas

hidup yang lebih baik.

Adapun faktor-faktor yang dapat mempengaruhi pendapatan perkapita ialah

permintaan dan penawaran agregat, konsumsi dan tabungan, Investasi dan jasa.

Thailand terdiri dari 77 provinsi, dan yang memiliki pendapatan perkapita tertinggi

berdasarkan data dari KNOEMA Thailand tahun 2011 yaitu Provinsi Amnat Charoen

sebesar 30.231 baht dan tertinggi yaitu Provinsi Rayong sebesar 1.234.695 baht. Hal

ini menunjukkan bahwa kesejahteraan antar provinsi di Thailand tersebut belum merata

dengan baik atau terjadi kesenjangan kesejahteraan rakyat dan pembangunan wilayah

tersebut.

4

Secara keseluruhan, rata-rata untuk pendapatan perkapita provinsi negara

Thailand tahun 2011 adalah sebesar 140.771 baht, sehingga pendapatan Thailand

tergolong dalam negara yang memiliki kesenjangan kesejahteraan yang tinggi dimana

tingkat kemakmuran provinsi di Thailand belum merata dengan baik. Ketimpangan ini

tentulah menjadi masalah serius karena menjadikan masyarakat Thailand memiliki

sekat antara tingkat kemakmuran wilayahnya. Kondisi seperti itu harus segera

ditangani dan diketahui sebabnya, sehingga proses kesenjangan tidak semakin melebar,

karena kesempatan yang muncul dari ekonomi terbuka seperti saat ini hanya dapat

dimanfaatkan oleh wilayah, sektor dan golongan ekonomi yang lebih maju.

Oleh karena itu, untuk melihat pengaruh tingkat kesejahteraan tiap provinsi di

Thailand dilakukan analisis regresi spasial menggunakan 6 variabel yang

mempengaruhi pendapatan perkapita sebagai tolak ukur kesejahteraan suatu wilayah.

Dengan analisis ini akan lebih diketahui apakah ada pengaruh spasial yang tidak dapat

diabaikan dalam suatu model regresi, sehingga dalam implementasinya pun

penanggulangan ketimpangan kesejahteraan dapat dilakukan dengan lebih

komprehensif. Secara sederhana, dapat dikatakan bahwa, untuk mengatasi

ketimpangan kesejahteraan di suatu wilayah tertentu di Thailand, maka pemerintah pun

harus memperhatikan keadaan “tetangga” dari wilayah tersebut.

1.2 Batasan Masalah

Pembatasan masalah pada penelitian ini yaitu :

1. Model yang digunakan adalah model regresi spasial

2. Software yang digunakan adalah Geoda

3. Metode yang digunakan adalah Regresi Spasial klasik, Spatial LAG, dan

Spatial Error

1.3 Rumusan Masalah

Berdasarkan latar belakang di atas, maka permasalahan yang timbul adalah :

1. Seberapa besar kesenjangan antar provinsi di Thailand?

5

2. Provinsi manakah yang tingkat kesejahteraannya paling baik dan paling buruk?

3. Bagaimana analisis regresi untuk mengukur kesenjangan kesejahteraan

Thailand menggunakan beberapa metode pada regresi spasial Geoda?

4. Metode manakah yang terbaik untuk mengukur kesenjangan kesejahteraan

provinsi di Thailand?

5. Variabel apa yang paling berpengaruh terhadap pendapatan perkapita provinsi?

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah untuk menjawab rumusan masalah yakniL

1. Mengetahui ukuran kesenjangan antar provinsi di Thailand

2. Mengetahui Provinsi yang memiliki tingkat kesejahteraan yang baik dan buruk

3. Mengetahui hasil dan fungsi dari tiap metode regresi spasial dalam software

Geoda

4. Mendapatkan hasil analisis regresi spasial untuk mengukur kesenjangan

kesejahteraan dengan metode yang terbaik

5. Mengetahui pengaruh variabel yang signifikan terhadap pendapatan perkapita

1.5 Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat bagi pembaca tentang

regresi spasial dan fungsinya. Pendapatan perkapita dapat digunakan untuk membuat

suatu prediksi, antisipasi, kebijakan dan langkah awal yang dilakukan untuk

memperbaiki tingkat kesejahteraan dan pembangunan suatu wilayah. Berdasarkan data

yang digunakan yakni data tiap provinsi di Thailand tahun 2011, maka akan diketahui

tingkat kesejahteraan provinsi “tetangga”nya (secara geografis berdekatan dengan

provinsi tersebut).

6

BAB II

KAJIAN PUSTAKA

Beberapa penelitian yang menggunakan analisis regresi spasial yang dapat

dijadikan contoh atau acuan dalam penyelesaian kasus adalah sebagai berikut:

Tabel 2.1 Penelitian Sebelumnya

No. Nama Penulis Judul Tahun Keterangan

1. Syaadah,

Lailatul Listyani,

Endang.

SPATIAL

AUTOREGRESIVE

MODEL DAN

MATRIKS

PEMBOBOT SPASIAL

ROOK CONTIGUITY

UNTUK

PEMODELAN GINI

RATIO DI

INDONESIA TAHUN

2014

2016 S1 Thesis, UNY

2. Rita Rahmawati,

Diah Safitri,

Octafinnanda Ummu

Fairuzdhiya

ANALISIS SPASIAL

PENGARUH

TINGKAT

PENGANGGURAN

TERHADAP

KEMISKINAN DI

INDONESIA

2016 Ejournal Universitas Diponegoro

(Membahas mengenai spatial

error model (SEM), spatial

autocorrelation, spatial

heterogeneity)

3. Anastasia Indri Tri K APLIKASI REGRESI

SPASIAL UNTUK

PEMODELAN

ANGKA HARAPAN

HIDUP (AHH) DI

PROVINSI JAWA

TENGAH

2014 Skripsi, UNY

(Menjelaskan mengenai model

regresi spasial menggunakan uji

Langrange Multiplier (LM)

7

Lanjutan Tabel 2.1

4. Restu Dewi Kusumo

Astuti, Hasbi Yasin,

Sugito

APLIKASI MODEL

REGRESI SPASIAL

UNTUK

PEMODELAN

ANGKA PARTISIPASI

MURNI JENJANG

PENDIDIKAN SMA

SEDERAJAT DI

PROVINSI JAWA

TENGAH

2013 Journal Gaussian, vol 2, no 4

(Data dianalisis menggunakan

model regresi polinomial)

5. Ansari Saleh Ahmar,

Adiatma

PEMODELAN

KRIMINALITAS

DENGAN

PENDEKATAN

REGRESI SPASIAL DI

PROVINSI

SULAWESI SELATAN

2016 Prosiding Seminar Nasional

VARIANSI

6. Musfika Rati MODEL REGRESI

SPASIAL UNTUK

ANAK TIDAK

BERSEKOLAH USIA

KURANG 15 TAHUN

2013 Skripsi Sarjana Sains Universitas

Sumatera Utara

(mengkaji efektifitas metode

regresi spasial terhadap fakor-

faktor yang mempengaruhi anak

tidak bersekolah usia kurang 15

tahun)

8

BAB III

LANDASAN TEORI

3.1 Statistika Spasial

Statistika spasial adalah metode statistika yang digunakan untuk menganalisis

data spasial. Data spasial adalah data yang memuat informasi “lokasi”, jadi tidak hanya

“apa” yang diukur tetapi menunjukkan lokasi dimana data itu berada. Data-data spasial

dapat berupa informasi mengenai lokasi geografi seperti letak garis lintang dan garis

bujur dari masing-masing wilayah dan perbatasan antar daerah. Secara sederhana data

spasial dinyatakan sebagai informasi alamat. Dalam bentuk yang lain, data spasial

dinyatakan dalam bentuk grid koordinat seperti dalam sajian peta ataupun dalam

bentuk pixel seperti dalam bentuk citra satelit. Dengan demikian pendekatan analisis

statistika spasial biasa disajikan dalam bentuk peta tematik.

Hukum pertama tentang geografi dikemukakan oleh W Tobler. Tobler dalam

Anselin mengemukakan bahwa, semua hal saling berkaitan satu dengan yang lainnya,

tetapi sesuatu yang dekat akan lebih berkaitan dari pada hal yang berjauhan. Hukum

inilah yang menjadi pilar mengenai kajian sains regional. Dapat disimpulkan bahwa

efek spasial merupakan hal yang wajar terjadi antara satu daerah dengan daerah yang

lainnya.

3.2 Regresi Spasial

Regresi spasial merupakan hasil pengembangan dari metode regresi linier

klasik. Regresi spasial pertama kali diperkenalkan oleh Anselin (1988) yang

berdasarkan hukum pertama geografi menyatakan bahwa segala sesuatu saling

berhubungan satu dengan yang lainnya, tetapi sesuatu yang dekat lebih mempunyai

pengaruh daripada sesuatu yang jauh. Metode regresi spasial menggunakan data cross

section. Data cross section merupakan data yang dikumpulkan dalam kurun waktu

tertentu dari sampel (Widarjono, 2007).

9

3.3 Pemodelan Spasial

Analisis regresi spasial memiliki beberapa model utama yaitu Spatial

Autoregressive Model (SAR), Spatial Error Model (SEM) dan Spatial Autoregressive

Moving Average (SARMA). Spatial Autoregressive Model mengasumsikan bahwa

terdapat pengaruh spasial pada variabel terikatnya. Spatial Error Model merupakan

model spasial yang mengandung pengaruh spasial pada errornya. Sedangkan Spatial

Autoregressive Moving Average (SARMA) merupakan gabungan antara Spatial

Autoregressive Model serta Spatial Error Model yaitu model spasial yang mengandung

pengaruh spasial pada variabel terikat maupun error nya.

3.4 Pembobotan Spasial

Komponen yang mendasar pada regresi spasial adalah matriks pembobot spasial

(matriks weighting spatial). Matriks pembobot spasial didapat dari informasi jarak

antara wilayah satu dengan wilayah lainnya (LeSage, 1999). Fungsi dari matriks

pembobot adalah untuk menentukan atau menaksir parameter yang berbeda pada setiap

lokasi pengamatan. Semakin dekat lokasinya maka semakin besar nilai pembobot pada

elemen yang bersesuaian.

Ada beberapa metode untuk mendefinisikan hubungan persinggungan

(contiguity) antar lokasi tersebut. Menurut LeSage (1999) metode tersebut antara lain:

a) Linear contiguity (persinggungan tepi)

b) Rook contiguity (persinggungan sisi)

c) Bhisop contiguity (persinggungan sudut)

d) Double linear contiguity (persinggungan dua tepi)

e) Double rook contiguity (persinggungan dua sisi)

f) Queen contiguity (persinggungan sisi-sudut)

10

BAB IV

METODOLOGI PENELITIAN

4.1 Jenis Penelitian dan Metode Penelitian

Penelitian yang digunakan berdasarkan jenis data dan analisisnya adalah

penelitian kuantitatif, yakni penelitian yang analisisnya lebih fokus pada data-data

numerical yang diolah dengan metode regresi spasial menggunakan software GEODA.

4.2 Data

Pada penelitian ini, dilakukan pengujian terhadap 7 data sekunder yang

diperoleh dari KNOEMA, yakni sebuah website resmi yang menyajikan free data for

statistics, analysis, visualization and sharring. Data yang digunakan pada penelitian

ini ialah data of living conditions by provinces in Thailand yang antara lain :

Tabel 4.1 Data Penelitian

No. Variabel Kode Variabel Jenis

Variabel Satuan Sumber

1 Pendapatan perkapita Y Dependen Baht

knoema.com/a

tlas/Thailand/

Provinces

2 Populasi Populat Independen Orang

3 Pengangguran Unemploy Independen Orang

4 Garis Kemiskinan Poverty Independen Baht

5

Rata-rata Pengeluaran

Bulanan per Rumah

Tangga

Expendit Independen Baht

6

Rata-rata Pendapatan

Bulanan per Rumah

Tangga

Income Independen Baht

Dari data tersebut ingin diketahui “Tingkat kesejahteraan antar provinsi di

Thailand berdasarkan pendapatan perkapita yang dipengaruhi oleh jumlah populasi,

pengangguran, garis kemiskinan, rata-rata pendapatan bulanan tiap rumah tangga, dan

rata-rata pengeluaran bulanan tiap rumah tangga, tahun 2011 dengan menggunakan

regresi spasial pada software Geoda”.

11

BAB V

PEMBAHASAN

5.1 Langkah Kerja menggunakan software Geoda

1. Run Geoda open folder input data source (peta.shp)

2. Tabel Merge table data input data source (data.csv/ data.xls)

Gambar 5.1 Merge Tabel

3. Merge ubah nama variabel yang lebih dari 10 karakter hingga muncul

notifikasi merge successfully seperti berikut,

Gambar 5.2 Merge Tabel Sukses

4. Regression regression masukkan variabel pendapatan perkapita kedalam

kotak variabel dependen, dan variabel bebasnya kedalam kotak covariates

seperti pada gambar berikut,

12

Gambar 5.3 Regression

5. Lalu beri pembobot tanda cek pada kotak pilihan “Weights File” dan pastikan

nama file sudah sesuai dengan nama file penimbang spasial yang digunakan.

Jika belum, klik tombol untuk memilih file penimbang yang sesuai. Maka

akan muncul pengaturan pembobot seperti gambar dibawah,

Gambar 5.4 Weight Files

13

6. Masukkan ID/ kode provinsi sebagai pembobot klik Queen contiguity

create beri nama file pembobot save ok. Kemudian Run untuk melihat

hasil dari regresi

7. Klik histogram untuk memeriksa grafik batang untuk data pembobot seperti

pada gambar berikut,

Gambar 5.6 Connectivity Histogram

5.2 Metode Regresi Spasial

1. Tandai metode Classic Run

2. Tandai metode Spatial Lag Run

3. Tandai metode Spatial Error Run

Gambar 5.7 Metode Regresi Spasial

5.2.1 Metode Indeks Global Moran’s

14

1. Klik space univariates moran’s 1 income percapita ok

Gambar 5.8 Variabel Univariates Moran’s 1

5.3 Hasil Analisis Spasial

5.3.1 Quantile Map Pendapatan Perkapita Tahun 2012 Provinsi di Thailand

pada Model Regresi Spasial

Sebelum melakukan analisis data spasial untuk mengetahui

kesenjangan kesejahteraan, dilakukan pemetaan quantile sederhana untuk

melihat sekilas tingkat pendapatan perkapita provinsi di Thailand tahun 2012.

Gambar 5.12 Peta Persebaran Berdasarkan Tingkat Pendapatan Perkapita

Dari gambar pemetaan diatas dapat dijelaskan bahwa hasil pemetaan

berdasarkan jumlah pendapatan perkapita yang dilambangkan dengan gradasi

warna biru, semakin tua warna birunya maka tingkat pendapatan perkapitanya

15

semakin rendah, begitupun untuk warna biru muda, semakin terang maka

tingkat pendapatannya semakin tinggi. Pemetaan tingkat pendapatan perkapita

ini adalah langkah awal dalam mendeteksi adanya autokorelasi secara sekilas

sebelum melakukan pengujian. Berdasarkan pemetaan diatas, dapat diketahui

bahwa provinsi di wilayah selatan negara Thailand memiliki pendapatan

perkapita yang tinggi kecuali 2 provinsi diujung negara yakni pattani dan

narathiwat. Sedangkan provinsi diwilayah utara dominan memiliki pendapatan

perkapita yang rendah. Dari hal tersebut dapat diketahui bahwa pendapatan

perkapita yang dimiliki oleh tiap provinsi di Thailand masih belum merata.

Adanya ketidakmerataan pendapatan tersebut akan mengindikasikan

adanya kesenjangan kesejahteraan antar provinsi di Thailand. Adanya

perbedaan tingkat pendapatan perkapita tersebut tidak lain disebabkan oleh

adanya pengaruh dari autokorelasi spasial, dimana ada hubungan antara

wilayah 1 dengan wilayah lainnya yang bertetangga seperti halnya wilayah

utara yang didominasi oleh pendapatan perkapita yang rendah, hampir antar

wilayah yang bertetangga memiliki kesamaan tingkat pendapatannya. Selain

itu, adapun pengaruh dari beberapa parameter yang berbeda-beda yang dimiliki

oleh masing-masing provinsi yang dijadikan sebagai faktor penyebab rendah

tingginya pendapatan perkapitanya.

5.3.2 Metode Indeks Global Moran’s

Gambar 5.13 Grafik Indeks Moran’s 1

16

Hasil output Indeks Global Moran’s I diatas digunakan untuk

mengetahui apakah terdapat autokorelasi spasial pada data income. Dari output

diketahui bahwa nilai indeks moran untuk variabel income (pendapatan

perkapita) yakni sebesar 0.363028, nilai tersebut berada pada rentang 0 < I ≤ 1

yang menunjukkan adanya autokorelasi spasial positif, korelasinya termasuk

dalam tingakat korelasi yang sedang, karena semakin mendekati nol maka

korelasi akan semakin lemah. Berarti disimpulkan bahwa antar provinsi satu

dengan yang lainnya tidak memiliki kemiripan nilai atau mengindikasikan

bahwa data tidak berkelompok.

Namun, statistik uji moran memiliki kelemahan yakni kurang sensitif

dalam mendeteksi adanya autokorelasi spasial, karena membutuhkan tingkat

kesalahan yang tinggi. Maka disarankan untuk mencoba metode lainnnya

seperti metode klasik, Lag, dan error.

5.3.3 Metode Klasik

Proses penyusunan model regresi diawali dengan melakukan seleksi

variabel yang signifikan terhadap model. Seleksi variabel dilakukan dengan

menggunakan metode Backward dengan menggunakan α = 5%. Berikut hasil

output regresi klasik,

17

Gambar 5.16 Output Regresi Spasial Klasik

5.3.3.1 Uji Asumsi Regresi Linear

Pada regresi linear terdapat beberapa asumsi yang harus dipenuhi diantaranya

normalitas, multikolinearitas, heteroskedastisitas, dan autokorelasi.

1) Uji Normalitas

Uji non-parametrik kolmogrorov smirnov (K-S) bertujuan untuk

menguji model regresi distribusi normal. Pada test Jarque-bera diperoleh nilai

p-value signifikan sebesar 0,00000 < α (0,05) sehingga tolak H0 maka error data

tidak berdistribusi normal.

3) Uji Heteroskedastisitas

Uji Breusch-Pagan mendeteksi ada atau tidaknya heteroskedastisitas.

Model dianggap baik jika tidak terjadi heteroskedastisitas. Dari hasil uji

Breusch-Pagan menggunakan GeoDa diperoleh nilai p-value untuk model ini

adalah sebesar 0,000 < α (0,05), sehingga tidak signifikan, maka asumsi

kehomogenan variansi tidak terpenuhi.

4) Autokorelasi

Pendeteksian autokorelasi pada data spasial menggunakan Uji Moran’s

I. Hasil output nilai Moran’s I menggunakan program Geoda yakni sebesar

1,9045. Dimana nilai I = 1,9045 > 0 sehingga terdapat autokorelasi positif, hal

ini berarti pola data membentuk kelompok (cluster). Berikut peta kelompok

(cluster) tingkat pendapatan perkapita Provinsi di Thailand

18

Gambar 3.17 Pemetaan Kelompok Pendapatan Perkapita Provinsi di Thailand

Selanjutnya akan diuji autokorelasi antar lokasi menggunakan uji Moran’s I.

Hipotesis yang diuji adalah

H0 : I = 0 (Tidak ada autokorelasi antar lokasi)

H0 : I ≠ 0 (Ada autokorelasi antar lokasi)

Tabel 5.1 Hasil Analisis Moran’s I

Spatial Dependence Nilai P-value Keputusan

Moran’s I 1,9045 0,05684 Tolak H0

Berdasarkan hasil analisis Moran’s I diketahui bahwa nilai dari probabilitas

Moran’s I sebesar 0,05684 < α, sehingga H0 ditolak artinya terdapat

autokorelasi antar lokasi sehingga asumsi kebebasan error tidak terpenuhi.

Regresi Spasial akan digunakan untuk mengatasi autokorelasi spasial pada

kasus tersebut.

5.3.3.2 Analisis Regresi Spasial Data Pendapatan Perkapita Provinsi di Thailand

Pemilihan model regresi spasial dilakukan dengan uji LM sebagai indentifikasi

awal. Berdasarkan pengujian Lagrange Multiplier (LM), model yang akan

dibentuk yaitu Spatial Autoregressive Model (SAR), Spatial Error Model

(SEM) atau keduanya. Matriks pembobot spasial yang digunakan dalam

penulisan ini adalah Queen contiguity yang merupakan gabungan antara Rook

contiguity (persinggungan sisi) dengan Bishop contiguity (persinggungan

19

sudut). Pembobot ini dirasa cukup tepat mengingat bahwa Negara Thailand

mempunyai wilayah yang bersinggungan baik sisi ataupun sudut.

a. Uji Lagrange Multiplier (LM)

Lagrange Multiplier digunakan untuk mendeteksi dependensi spasial

dengan lebih spesifik yaitu SAR, SEM atau keduanya yang biasa disebut

SARMA, diperoleh hasil pengujian LM dengan menggunakan bantuan

program GeoDa yaitu:

Tabel 5.2 Hasil Analisis Dependensi Spasial LM

Uji Spatial Dependence Nilai P-value Keterangan

Lagrange Multiplier (lag) 4,1239 0.04228 SAR

Lagrange Multiplier (error) 1,9104 0.16692 SEM

Lagrange Multiplier (SARMA) 5,1595 0.07579 SARMA

Berdasakan Tabel 5.2 diketahui bahwa p-value dari Lagrange Multiplier (lag)

sebesar 0,04228 < α (0,05) sehingga perlu dilanjutkan ke model Spatial

Autoregressive Model (SAR). P-value Lagrange Multiplier (error) adalah

0,16692 > α (0,05) sehingga pada kasus ini tidak perlu dilanjutkan pada model

Spatial Error Model (SEM).

5.3.4 Metode Spatial Lag

Gambar 5.18 Output Regresi Spasial Lag

20

Model spasial Lag berarti model dibentuk dengan melibatkan peubah lag

spasial dependen. Pengujian kelayakan koefisien model secara parsial

didasarkan pada statistik uji z,

Model yang didapatkan adalah sebagai berikut:

𝑦 = 471556 − 0.355147𝑊𝑦 − 0.010975𝑋1 + 0.47069𝑋2 − 8.26692𝑋3

− 180.842𝑋4 + 0.588454𝑋5

Penentuan variable predictor pada model SAR dapat diuji secara formal dengan

menggunakan uji signifikansi dengan hipotesis sebagai berikut:

H0 : 𝜃 = 0 (Parameter tidak siginifikan) ; H0 : 𝜃 ≠ 0 (Parameter signifikan)

Dari daftar koefisien pada output diatas dapat disimpulkan bahwa koefisien

autoregresif pada kasus kesenjangan kesejahteraan untuk peubah konstan dan

populasi (X1) ialah signifikan secara statistik sebab p-value < 0.05, artinya

faktor lahan perkebunan memberikan pengaruh yang kuat terhadap pendapatan

perkapita wilayah. Sedangkan faktor lainnya seperti rata-rata pengeluaran dan

pendapatan perbulan, garis kemiskinan dan pengangguran, tidak begitu

mempengaruhi, sebab nilai p-value variabel tersebut > 0.05. Jika dilihat spasial

lag-nya, dapat dikatakan bahwa faktor spasial dari lahan perkebunan

mempengaruhi jumlah pendapatan perkapita ditiap wilayah provinsi di

Thailand. Daerah yang mempunyai faktor spasial lokasi yang berdekatan (baik

secara astronomis dan geografis) akan mempengaruhi jumlah pendapatan.

Selanjutnya variable predictor yang signifikan diregresi kembali

sehingga didapat persamaan penduga model SAR yang terbentuk ialah seperti

berikut:

𝑌1̂ = 72837,4 + 0,588398𝜌 − 0,0121364𝑋1

5.3.5 Interpretasi Koefisien Model SAR

Model regresi yang digunakan untuk memodelkan Pendapatan Perkapita

Provinsi di Thailand adalah model SAR dengan persamaan:

𝑌1̂ = 72837,4 + 0,588398𝜌 − 0,0121364𝑋4

21

Koefisien 𝜌 yang nyata menunjukkan bahwa jika suatu wilayah yang dikelilingi

oleh wilayah lain sebanyak n, maka pengaruh dari masing-masing wilayah yang

mengelilinginya dapat diukur sebesar 0,588 dikali rata-rata variabel respon

disekitarnya. Misalnya digambarkan dalam suatu wilayah, diambil satu wilayah

yang diamati, yakni Bangkok adalah sebagai berikut:

1) Provinsi Bangkok memiliki kode wilayah 3 dan berbatasan dengan 6

wilayah yakni provinsi Samut Sakhon dengan kode 58, provinsi Samut

Prakhan dengan kode 57, provinsi Chachoengsao dengan kode 6, provinsi

Pathum Thani dengan kode 37, provinsi Nakhon Pathom dengan kode 27,

dan provinsi Nonthaburi dengan kode 36. Sehingga persamaan regresi

dugaan yang diperoleh sebagai berikut:

𝑌3̂ = 72837,4 + 0.588398 (1

6𝑌58 +

1

6𝑌57 +

1

6𝑌6 +

1

6𝑌37 +

1

6𝑌27 +

1

6𝑌36)

− 0.0121364

Sehingga, jika dijabarkan akan menjadi :

𝑌3̂ = 72837,4 + 0.061238 𝑌58 + 0.09806 𝑌57 + 0.09806 𝑌6 + 0.09806 𝑌37

+ 0.09806 𝑌27 + 0.09806 𝑌36 − 0.0121364𝑋1

Interpretasi persamaan diatas yakni apabila faktor lain dianggap konstan,

maka ketika populasi (X1) naik sebesar 1% maka prediksi nilai rata-rata

pendapatan perkapita Provinsi di Thailand akan turun sebesar 0.0121364

baht. Sehingga pendapatan perkapita Bangkok yang dipengaruhi 6 wilayah

spasialnya/ tetangganya yakni Samut Sakhon, provinsi Samut Prakhan,

provinsi Chachoengsao, provinsi Pathum Thani, provinsi Nakhon Pathom,

dan provinsi Nonthaburi.

5.3.6 Perbandingan Model Regresi Linear dan Model Regresi Spasial

Regresi spasial merupakan hasil pengembangan dari metode regresi

linier klasik. Pengembangan itu berdasarkan adanya pengaruh tempat atau

spasial pada data yang dianalisis (Anselin, 1988). Berdasarkan hal tersebut

peneliti membandingkan hasil persamaan regresi yang diperoleh dari kedua

22

metode tersebut. Koefisien determinasi dapat digunakan untuk menentukan

model terbaik. Semakin nilai mendekati satu maka semakin tinggi pengaruh

variabel prediktor terhadap variabel respon, yang berarti semakin baik

kecocokan model dengan data (Sembiring, 2003). Selain metode yang dapat

digunakan untuk mendapatkan model regresi terbaik, salah satunya adalah

dengan metode Akaike’s Information Criterion (AIC). Menurut metode AIC,

model regresi terbaik adalah model regresi yang mempunyai nilai AIC terkecil

(Widarjono, 2007). Perbandingan dan AIC sebagai berikut:

Tabel 5.4 Nilai dan AIC metode OLS dan SAR

Model R-Squared AIC

OLS 0,316937 2004,51

SAR 0,381866 2001,36

Secara keseluruhan nilai yang dihasilkan model SAR lebih besar daripada

model OLS. Selain itu, nilai AIC yang dihasilkan pada model SAR juga lebih

kecil dibandingkan model OLS. Sehingga dapat disimpulkan bahwa model

SAR lebih baik digunakan dalam memodelkan faktor pendapatan perkapita

provinsi di Thailand.

23

BAB VI

PENUTUP

6.1 Kesimpulan

Dari uraian penjelasan diatas dapat ditarik kesimpulan antara lain:

1. Variabel yang signifikan mempengaruhi pendapatan perkapita provinsi di

Thailand ialah variabel populasi, sebab jika populasi suatu wilayahnya besar

maka pendapatan dan usaha yang diberikan juga semakin banyak.

2. Untuk menentukan analisis yang digunakan, dilihat dari p-value. Pada kasus ini

p-value dari Lagrange Multiplier (lag) sebesar 0,04228 < α (0,05) sehingga

perlu dilanjutkan ke model Spatial Autoregressive Model (SAR) sedangkan p-

value Lagrange Multiplier (error) adalah 0,16692 > α (0,05) sehingga pada

kasus ini tidak perlu dilanjutkan pada model Spatial Error Model (SEM).

3. Secara keseluruhan nilai yang dihasilkan model SAR lebih besar daripada

model OLS. Selain itu, nilai AIC yang dihasilkan pada model SAR juga lebih

kecil dibandingkan model OLS. Sehingga dapat disimpulkan bahwa model

SAR lebih baik digunakan dalam memodelkan faktor pendapatan perkapita

provinsi di Thailand.

24

DAFTAR PUSTAKA

Ambarita, Dedi Setiawan. 2015. Perekonomian Thailand. http://isu-

isuekternal.blogspot.co.id/2015/03/perekonomian-thailand.html. Di akses pada

31 Oktober 2017.

Amelia, Mia, dkk. 2012. Penerapan Regresi Spasial Untuk Data Kemiskinan

Kabupaten di Pulau Jawa Tengah.

http://repository.ipb.ac.id/handle/123456789/58666. Di akses pada 31 Oktober

2017.

Knoema. https://knoema.com/atlas/Thailand

Prasetyo, Rindang. 2014. Panduan Operasional Analisis Data Spasial.

https://www.academia.edu/10758035/Panduan_Operasional_Analisis_Data_S

pasial. Di akses pada 31 Oktober 2017.

Press, Aktual. 2017. Ketimpangan Kesejahteraan di ASEAN Semakin Menanjak,

Indonesia Peringkat Kedua.

http://www.aktualpress.com/read/2017/01/12/ketimpangan-kesejahteraan-di-

asean-semakin-menanjak-indonesia-peringkat-kedua/. Di akses pada 31

Oktober 2017.

Setiadi, Adiz. 2013. Makalah Negara Thailand.

http://adizsetiadi.blogspot.co.id/2013/02/makalah-negara-thailand.html. Di

akses pada 31 Oktober 2017..

Sunyoto, D. 2007. Analisis Regresi dan Korelasi Bivariat. Yogyakarta : Amara Books.

Universitas Diponegoro. 2015. Analisis Spasial Pengaruh Tingkat Pengangguran

Terhadap Kemiskinan di Indonesia.

http://ejournal.undip.ac.id/index.php/media_statistika. Di akses pada 4 Juli

2017.

Wikipedia. https://id.wikipedia.org/wiki/Ekonomi_Thailand. Di akses pada 1

November 2017.