pada analisis hubungan kemiskinan dan pdrb di … · informasi tentang hubungan tersebut menjadi...

Model Persamaan Simultan dengan Estimasi 2SLS ( Sarifati)

MODEL PERSAMAAN SIMULTAN

PADA ANALISIS HUBUNGAN KEMISKINAN DAN PDRB di

INDONESIA TAHUN 2016

Sarifati(1), Abdul Karim (2) (1)Mahasiswa Statistika Universitas Muhammadiyah Semarang

[email protected], [email protected], [email protected] (2)Dosen Statistika Universitas Muhammadiyah Semarang,

[email protected]

Abstrak

Model simultan merupakan pemodelan untuk beberapa persamaan yang

memiliki hubungan simultan. Kasus ini sering ditemukan diekonometrika, salah

satunya adalah hubungan antara Produk Domestik Regional Bruto (PDRB) dan

kemiskinan. PDRB adalah indikator umum yang digunakan untuk mengetahui

pertumbuhan ekonomi yang terjadi disuatu wilayah. Sementara itu, kemiskinan

merupakan salah satu indikator untuk mengukur kesejahteraan masyarakat.

Informasi tentang hubungan tersebut menjadi penting untuk mendapatkan

gambaran hubungan PDRB dan kemiskinan. Oleh karena itu, penelitian ini

melakukan analisis untuk mendapatkan model simultan antara PDRB dan

kemiskinan. Estimasi parameter yang digunakan adlah Two-Stage-Least square

Estimation (2SLS). Data yang digunakan adalah 34 Provinsi di Indonesia pada

tahun 2016. Dengan α=5% didapatkan kesimpulan bahwa variabel yang signifikan

berpengaruh terhadap PDRB adalah kemiskinan dan ekspor. Sementara itu,

variabel yang signifikan berpengaruh terhadap kemiskinan adalah jumlah

penduduk dan IPM. Model simultan tersebut juga memberikan hasil pada α=5%,

tidak ada hubungan simultan antara PDRB dan kemiskinan.

Kata kunci : PDRB,Kemiskinan, model persamaan simultan

mailto:[email protected]




I. PENDAHULUAN

Menurut jumlah model persamaan, model-model ekonometrika dapat

dikelompokan menjadi sistem persamaan tunggal, Seemingly Unrelated

Regression (SUR), dan persamaan simultan (Simultaneous equation). Sistem

Persamaan Simultan memiliki ciri-ciri terdiri dari beberapa persamaan. Selain itu

secara matematis dan fenomena antar persamaan tersebut ada hubungan (Hill et

al. 2011).

Berbeda dengan sistem persamaan tunggal, model ini memiliki variabel

endogeneous dan eksplanatori pada variabel lain. Akibatnya, variabel tersebut

menjadi bersifat stokastik dan berkorelasi dengan variabel eksplanatori lainnya.

Dalam hal ini estimasi Ordinary Least Square (OLS) tidak dapat digunakan

(Gujarati,2010). Estimasi OLS dalam sistem persamaan simultan akan

menghasilkan estimasi parameter yang bias dan tidak konsistem, beberapa

alternative estimasinya adalah The Reduced-Form Equations, Two-Stagw Least

Square Estimation (2SLS), Insirect Least Square (ILS), dan Three-Stage Least

Squares Estimation (3SLS). Metode 2SLS diperkenalkan oleh Theil (1953) dan

Basmann (1957). Metode ini masih menggunakan aplikasi second-stage OLS.

Metode 2SLS lebih baik dari pada ILS, karena mendapatkan satu estimator untuk

satu parameter dan menghasilkan standard error untuk setiap estimator.

(Gujarati,2010). Lopez-Espin et al.(2011) yang melakukan pengkajian estimasi

2SLS dan ILS.

Kasus-kasus diekonometrika sering mendapatkan hubungan saling

mempengaruhi antar variabel. Seperti pada kasus hubungan antara demand dan

supply. Demand mempengaruhi Supply dan Supply mempengaruhi demand.

Sehingga digunakan sistem persamaan simultan. Penelitian tentang hubungan

simultan adalah Ruxandadan Muraru(2010) yang meneliti hubungan antara

invertasi asing dan pertumbuhan ekonomi di Rumania.

Produk Domestik Regional Bruto (PDRB) adalah indikator umum yang dapat

digunakan untuk mengetahui pertumbuhan ekonomi yang terjadi disuatu wilayah.

Pertumbuhan tesebut dapat dipengaruhi oleh beberapa fakor, diantaranya

infrastruktur ekonomi. Selain itu ekspor, impor, pertumbuhan penduduk dan lain-

lain, dapat pula melengkapi gambaran umum kinerja perekonomian suatu negara.


PDRB yang tinggi akan meningkatkan masyarakat dan menurunkan tingkat

kemiskinan.

Kemiskinan merupakan masalah yang kompleks karena menyangkut

berbagai macam aspek seperti hak untuk terpenuhinya pangan, kesehatan,

pendidikan, perkerjaan dan sebagainya. Apabila jumlah penduduk yang masih

tinggi maka berpengaruh pula pada tingkat pendidikan, pekerjaan dan sebagainya.

Apabila jumlah penduduk yang masih tinggi maka berpengaruh pula pada tingkat

pendidikan, pekerjaan dan aspek kehidupan lainnya, sehingga selanjutnya akan

berpengaruh pula pada PDRB. Oleh karena itu, untuk menganalisis hubungan

antara PDRB dan kemiskinan diperlukan metode sistem persamaan simultan.

Metode edtimasi yang digunakan adalah 2SLS. Penelitian ini menggunakan

metode untuk mendapatkan model persamaan simultas dan mengetahui faktor-

faktor yang signifikan mempengaruhi PDRB dan kemiskinan.

Pertumbuhan ekonomi suatu negara dapat ditunjukan dengan kenaikan

nilai produk domestik regional bruto (PDRB) di wilayah dalam suatu negara. Pada

dasarnya PDRB merupakan jumlah nilai tambah yang diasilkan oleh seluruh unit

usaha dalam suatu daerah tertentu. Besar kecilnya PDRB dipengaruhi oleh

beberapa faktor, diantaranya kemiskinan dan ekspor. Salah satu komponen yang

turut menentukan besarnya PDRB adalah kemiskinan. Menurut konsep

makroekonomi, kemiskinan dipengaruhi juga oleh PDRB, jumlah penduduk dan

IPM (Samsubar Saleh.2002). berdasarkan uraian diatas penulis ingin mengetahui

bagaimana pengaruh PDRB, jumlah penduduk dan IPM terhadap Kemiskinan di

Indonesia.

Grafik 1.1

Kemiskinan di Indonesia Tahun 2016


Sumber : BPS (2016) diolah

Grafik 1.2

Produk Domestik Regional Bruto Indonesia Tahun 2016

Sumber : BPS (2016) diolah

II. TINJAUAN PUSTAKA

1. Produk Domestik Regional Bruto

Rahardjo Adisasmita (2011) berpendapat bahwa indikator yang

dipergunakan untuk mengukur pertumbuhan ekonomi adalah tingkat

pertumbuhan Produk Domestik Regional Bruto (PDRB). Alasan yang

mendasari pemilihan PDRB sebagai suatu indikator mengukur

pertumbuhan ekonomi adalah:

PDRB adalah jumlah nilai tambah yang dihasilkan oleh seluruh aktivitas

produksi di dalam perekonomian daerah. Hal ini berarti peningkatan

841.311452.55

376.51501.59290.811096.5

325.61139.78

71.07119.14385.84

4168.114493.75

488.83

4638.53

657.74174.94

786.581150.08390.32137.46184.16211.2447.03200.35413.15796.81

327.29203.69146.9331.7976.4223.6914.87

010002000300040005000

AC

EH

SUM

ATE

RA

…

JAM

BI

BEN

GK

ULU

KEP

.…

DK

I JA

KA

RTA

JAW

A T

ENG

AH

JAW

A T

IMU

R

BA

LI

NU

SA…

KA

LIM

AN

TA…

KA

LIM

AN

TA…

SULA

WES

I…

SULA

WES

I…

GO

RO

NTA

LO

MA

LUK

U

PA

PU

A B

AR

AT

Kemiskinan Tahun 2016

Kemiskinan

26936.9644557.7637205.34

104961.4

4964343551.4629085.8434260.6146457.43

106785.9

211831

34879.9232100.5329589.0747473.7242310.9646517.4

23742.4216176.1133216.9144091.2736080.97

144827.2

100218

41255.941151.4744061.4638017.5127654.3427535.4721603.9724593.08

74589.655611.37

0

50000

100000

150000

200000

250000

AC

EH

SUM

ATE

RA

…

JAM

BI

BEN

GK

ULU

KEP

. BA

NG

KA

…

DK

I JA

KA

RTA

JAW

A T

ENG

AH

JAW

A T

IMU

R

BA

LI

NU

SA…

KA

LIM

AN

TAN

…

KA

LIM

AN

TAN

…

SULA

WES

I…

SULA

WES

I…

GO

RO

NTA

LO

MA

LUK

U

PA

PU

A B

AR

AT

PDRB Tahun 2016

PDRB


PDRB mencerminkan pula peningkatan balas jasa kepada faktor produksi

yang digunakan dalam aktivitas produksi tersebut.

PDRB dihitung atas dasar konsep arus barang, artinya perhitunagn PDRB

hanya mencakup nilai produk yang dihasilkan pada suatu periode tertentu.

Aliran konsep ini memungkinkan kita untuk membandingkan jumlah

output yang dihasilkan pada tahun ini dengan tahun sebelumnya.

Batas wilayah perhitungan PDRB adalah daerah (perekonomian domestik).

Hal ini memungkinkan untuk mengukur sejauh mana kebijakan-kebijakan

ekonomi yang diterapkan pemerintah mampu mendorong aktivitas

perekonomian domestik.

2. Kemiskinan

Salah satu permasalahan yang dihadapi oleh pemerintah/negara indonesia

adalah kemiskinan, dewasa ini pemerintah belum mampu menghadapi atau

menyelesaikan permasalahan tersebut, padahal setiap mereka yang memimpin

Negara Indonesia selalu membawa kemiskinan sebagai misi utama mereka

disamping misi-misi yang lain.

Remi dan Tjiptoherijanto (2002:1), mengatakan bahwa upaya

menurunkan tingkat kemiskinan telah dimulai awal tahun 1970-an diantaranya

melalui program Bimbingan Masyarakat (Bimas) dan Bantuan Desa (Bandes).

Tetapi upaya tersebut mengalami tahapan jenuh pada pertengahan tahun 1980-an,

yang juga berarti upaya penurunan kemiskinan di tahun 1970-an tidak maksimal,

sehingga jumlah orang miskin pada awal 1990-an kembali naik. Disamping itu

kecenderungan ketidakmerataan pendapatan melebar yang mencakup antar sektor,

antar kelompok, dan ketidakmerataan antar wilayah.

Kondisi kemiskinan Indonesia semakin parah akibat krisis ekonomi pada

tahun 1998. Namun ketika pertumbuhan ekonomi yang sempat menurun akibat

krisis dapat teratasi dan dapat dipulihkan, kemiskinan tetap saja sulit untuk

ditanggulangi. Pada tahun 1999, 27% dari total penduduk Indonesia berada dalam


kemiskinan. Sebanyak 33,9% penduduk desa dan 16,4% penduduk kota adalah

orang miskin. Krisnamurthi dalam Nyayu Neti Arianti, dkk,(2004:3).

Salah satu prasyarat keberhasilan pengentasan kemiskinan adalah dengan

cara mengidentifikasi kelompok sasaran dan wilayah sasaran dengan tepat.

Program pengentasan dan pemulihan nasib orang miskin tergantung dari langkah

awal yaitu ketetapan mengidentifikasi siapa yang dikatakan miskin dan di mana

dia berada. Aspek di mana “si miskin” dapat ditelusuri melalui si miskin itu

sendiri serta melalui pendekatan-pendekatan profil wilayah atau karakter

geografis.

3. Model Persamaan Simultan

Pendekatan yang digunakan untuk mengestimasi persamaan struktural

pada persamaan simultan yaitu model persaman tunggal (limited information

method) dan metode sistem seluruh (full information method).

Dalam metode persamaan tunggal, estimasi terhadap setiap persamaan

struktural dilakukan secara individu dengan memperhitungkan setiap pembatasan

yang ditempatkan, tanpa memperhatikan pembatasan atas persamaan lainnya.

Sebaliknya, dengan metode sistem seluruh persamaan struktural diestimasi secara

bersamaan dengan memasukkan unsur pembatasan pada persamaan tersebut.

Penyelesain sebuah persamaan simultan dengan masalah identifikasi yang berbeda

dapat menggunakan beberapa metode, yaitu :

Metode Indirect Least Squares (ILS)

Metode Two Stage Least Squares (TSLS)

III. METODE PENELITIAN

Dalam penelitian ini data yang digunakan adalah data sekunder PDRB

tahun 2016 di 34 provinsi di Badan Pusat Statistik (BPS). Proses analisis data

pada penelitian ini menggunakan software R.3.42.


Adapun langkah awal analisis data yaitu pertama membuat model

persamaan untuk mengetahui hubungan diantara variabel-variabel yang ada

dengan persamaan simultan. Kemudian mengidentifikasi model persamaan

simultan yang diperoleh dengan syarat order dan syarat rank yaitu menentukan

model regresi awal tanpa me-reducedl menghilangkan variabel yang memiliki

hubungan timbal balik selanjutnya mengolah regresi 2SLS dengan reduced form,

kemudian melakukan uji signifikansi pada model regresi tersebut dengan uji t, uji

F dan koefisien determinan (R2), selanjutnya menginterpretasikan

(Gujarati,[2003]).

Data yang digunakan dalam penelitian ini adalah data sekunder dari Badan

Pusat Statistik. Sampel adalah sejumlah 33 Provinsi di Indonesi. Pemodelan

dalam analisis ini menggunakan 2 sistem persamaa, yaitu :

PDRB = β10 + β11 Kemiskinan + β12Ekspor + ε1

Kemiskinan =β20+β21PDRB + β22 Ekspor + β23 Penduduk + β24 IPM + ε2

Variabel endogen terdiri dari PDRB dan Kemiskinan. Variabel Eksogen adalah

Ekspor, IPM, dan Jumlah Penduduk.

Definisi Operasional masing-masing variabel adalah sebagai berikut :

PDRB Indonesia tahun 2016 atas dasar harga konstan 2010, Sumber dari

Badan Pusat Statistika (BPS) 2016.

Kemiskinan : Jumlah Penduduk Miskin Indonesia tahun 2016, Sumber

dari Badan Pusat Statistika (BPS) 2016.

Ekspor : Ekspor Indonesia tahun 2016, Sumber Bank Indonesia (BI)

Jumlah Penduduk Indonesia tahun 2106, Sumber dari Badan Pusat

Statistika (BPS) 2016.

Indeks Pembangunan Manusia di Indonesia tahun 2016, Sumber dari

Badan Pusat Statistika (BPS) 2016.

Metode analisis yang digunakan adalah: (1) Analisis deskriptif, untuk

mengetahui karakteristik setiap variable. (2) Estimasi parameter menggunakan

2SLS. Model umum persamaan simultan adalah sebagai berikut (Gujarati, 2010):

Y1t = β12 Y2t + β13 Y3t + .... + β1M Y1Mt + γ11X1t + γ12X2t + .... + γ1KXKt + u1t


Dengan :

Y1, Y2, .... , YM = Sejumlah M Variabel endogenous

X1, X2, .... , XK = Sejumlah K Variabel exogenous

u1, u2, .... , uM = Sejumlah M residual

t = Banyaknya observasi

Β = Koefisien (parameter) Variabel endogenous

γ = Koefisien (parameter) Variabel exogenous

IV. ANALISIS DAN PEMBAHASAN

1. Analisis Deskriptif

Karakteristik ekonomi, penduduk dan kemiskinan pada 34 provinsi di

Indonesia tahun 2016 disajikan pada tabel 1. Rata-rata PDRB 34 provinsi di

Indonesia pada tahun 2016 adalah sebesar 51.840,45 milyar rupiah. Provinsi

dengan PDRB terendah adalah Provinsi Nusa Tenggara Timur sebesar 16.176,11

milyar rupih. Sementara itu Provinsi DKI Jakarta memiliki PDRB tertinggi pada

tahun 2016. Rata-rata ekspor Indonesia dari 34 provinsi adalah 3.834,49 (juta

US$). Daerah di Pulau Jawa masih mendominasi kegiatan ekspor ini. Provinsi

DKI Jakarta merupakan pengekspor tertinggi, selanjutanya ada Jawa Timur.

Provinsi di luar Pulau Jawa dengan ekspor yang relatif tinggi adalah Riau,

Kalimantan Timur dan Kepulauan Riau.

Pada bidang kependudukan, BPS mencatat bahwa jumlah penduduk di

Indonesia pada tahun 2016 adalah 261,1 juta jiwa. Sebagian besar penduduk

masih mendominasi Pulau Jawa, dengan penduduk terbanyak ada di Jawa Barat

dengan presentasi terbesar yaitu 18,28%. Provinsi Kalimantan Utara merupakan

daerah yang memiliki presentasi jumlah penduduk paling sedikit, yaitu sebesar

0,25%. Sementara itu Provinsi yang memiliki jumlah penduduk miskin paling

banyak adalah Jawa Timur dengan jumlah penduduk miskin sebanyak 4.638,53

ribu jiwa. Sedangkan Provinsi yang memiliki jumlah penduduk miskin paling

sedikit adalah Provinsi Kalimantan Utara dengan jumlah penduduk miskin

sebanyak 47,03 ribu jiwa. Dari sudut pandang Indeks Pembangunan Manusia,

Provinsi DKI Jakarta mempunyai indeks IPM tertinggi yaitu sebesar 79,6.


Sementara Provinsi Nusa Tenggara Timur mumpunyai indeks IPM terendah yaitu

sebesar 63,13.

Tabel 4.1. Karakteristik Ekonomi, Penduduk dan Kemiskinan di Indonesia

tahun 2016

Karakteristik IPM Penduduk Kemiskinan Ekspor PDRB

(persen) (ribu jiwa) (Juta US$) (juta rupiah)

Minimum 58.05 0.25 47.03 0 16176

Q1 67.5 0.8125 201.19 76.42 30217

Median 69.44 1.5 381.18 944.2 41204

Mean 69.16 2.9403 816.6 3834.49 51840

Q3 70.56 2.9825 830.18 2778.1 47235

Maksimum 79.6 18.28 4638.53 45964.7 211831

Pola hubungan antar variabel, khususnya PDRB dan kemiskinan, dapat

dilihat pada Scatterplot Gambar 4.1. Scatterplot PDRB dan kemiskinan tidak

membentuk pola dan menggrombol dibawah. Hal ini menunjukan bahwa

hubungan nya berkebalikan. Apabila kemiskinan tinggi maka PDRB menurun.

Begitu juga sebaliknya,Apabila PDRB tinggi maka kemiskinan menurun. Seperti

pada Provinsi DKI Jakarta yang memiliki PDRB tertinggi dan kemiskinannya

rendah dibandingkan dengan provinsi lainnya.

Pada Scatterolot ekspor terhadap PDRB diketahui arah polanya naik positif.

Hal ini menunjukan bahwa apabila ekspor tinggi maka PDRB akan naik.

Begitupun sebaliknya apabila ekspor menurun maka PDRB akan menurun.

Kemudian Scatterplot IPM terhadap kemiskinan diketahui bahwa apabila IPM

rendah maka kemiskinan akan tinggi. Dan apabila jumlah penduduk rendah maka

kemiskinan rendah (lihat Gambar 4.1)

Gambar 4.1. Scatterplot antar variabel


2. Model Simultan dengan Estimasi Two-Stage Least Square

Hasil pemodelan simultan pada model PDRB dan kemiskinan pada

persamaan (1) dan (2) disajikan pada Tabel 2. Model tersebut dibentuk dari 33

Provinsi dan dapat dituliskan menjadi :

PDRB = 44218.106– 9.0242 Kemiskinan + 3.909 Ekspor

Kemiskinan = 2,738.62– 0.00038 PDRB +276.74 Juml Pend– 39.27

IPM

Tabel 4.2. Hasil Estimasi Model Simultan dengan 2SLS

Model Variabel Estimasi Parameter

t hitung P Value R2

Model 1 (PDRB) Konstanta 44218.106 9.232 0.000 0.6976

Kemiskinan -9.024 -2.719 0.011

Ekspor 3.909 8.635 0.000

Model 2 (Kemiskinan)

Konstanta 2738.62 2.507 0.018 0.9316

PDRB -0.00038 -0.186 0.854

Juml. Pend 276.74 20.871 0.000

IPM -39.27 -2.338 0.026


Pada model PDRB, Estimasi parameter pada kemiskinan yang bernilai

negatif dan ekspor yang bernilai positif. Ini menunjukkan bahwa apabila PDRB

tinggi maka kemiskinan berkurang, hal ini sesuai dengan kebijakan ekonomi yang

dilakukan pemerintah, dimana pemerintah ingin mengurangi angka kemiskinan

dengan cara meningkatkan PDRBnya. Sedangkan apabila ekspor tinggi maka

PDRB juga tinggi, ini juga sesuai dengan kebijakan ekonomi yang dilakukan

pemerintah, dimana dengan memperbanyak komoditi ekspor maka pertumbuhan

ekonomi baik daerah maupun nasional semakin meningkat. Koefisien determinasi

69.76% menunjukkan bahwa variabel kemiskinan dan ekspor ini mampu

menjelaskan variabelitas model sejumlah 69.76%. Sementara 30.24% dipengaruhi

oleh variabel lain yang belum masuk model. Artinya masih banyak hal-hal yang

mepengaruhi PDRB di Indonesia

Pada model Kemiskinan, Estimasi parameter pada PDRB dan IPM yang

bernilai negatif. Hal ini menunjukkan apabila PDRB dan IPM tinggi maka

kemiskinan rendah, ini sesuai dengan kebijakan dimana menurunkan angka

kemiskinan memerlukan pertumbuhan ekonomi yang stabil dan terus meningkat,

serta kualitas pembangunan manusia yang meningkat. Sedangkan estimasi

parameter pada Jumlah penduduk yang bernilai positif. Hal ini menunjukkan

apabila Jumlah Penduduk tinggi makan kemiskinan juga semakin tinggi.

Koefisien determinasi 93.16% menunjukkan bahwa PDRB, IPM, dan jumlah

penduduk mampu menjelaskan variabilitas model sejumlah 93.16%. Sementara

6.84 % dipengaruhi oleh variabel lain yang belum masuk model.

a. Uji Parsial

Uji t dalam regresi bertujuan untuk melihat signifikansi pengaruh variabel

dependen dengan menganggap variabel lain bersiat konstan. Dengan kata lain,Uji

t bertujuan untuk mengetahui apakah variabel independen (X) secara parsial

(individu) berpengaruh signifikan terhadap variabel dependen (Y)

Tabel4.3. Hasil Uji Parsial Model 1 (PDRB)

Model Variabel Estimasi Parameter

t hitung P Value . α

Model 1 (PDRB)

Konstanta 44218.106 9.232 0.000 0.05

Kemiskinan -9.024 -2.719 0.011


Ekspor 3.909 8.635 0.000

Pada model 1 yaitu PDRB, variabel yang signifikan berpengaruh terhadap

PDRB pada alfa = 5% adalah Kemiskinan dan Ekspor. Hal tersebut di tunjukkan

oleh nilai p-value yang lebih kecil dari α=0,05.

Tabel 4.4. Hasil Uji Parsial Model 2 (Kemiskinan)

Model Variabel Estimasi Parameter t hitung P Value . α


Konstanta 2738.62 2.507 0.018 0.05

PDRB -0.00038 -0.186 0.854

Juml. Pend 276.74 20.871 0.000

IPM -39.27 -2.338 0.026

Pada model 2 yaitu Kemiskinan, variabel yang signifikan berpengarug

terhadap kemiskinan pada alfa = 5% adalah Jumlah Penduduk dan IPM. Hal

tersebut di tunjukkan oleh nilai p-value yang lebih kecil dari alfa=0,05, dengan

masing-masing nilai p-value yaitu 0,000 dan 0,026. Sementara itu variabel yang

tidak signifikan berpengaruh terhadap kemiskinan pada α = 5% adalah PDRB.

Hal ini di tunjukkan oleh nilai p-value yang lebih besar dari α=0,05 yaitu dengan

nilai p-value sebesar 0,854.

b. Uji Signifikansi Simultan

Uji F prinsipnya bertujuan untuk mengetahui apakah ada pengaruh secara

simultan (bersama) dari dua/lebih variabel independen (X) terhadap variabel

dependen (Y). Uji F dipakai untuk melihat pengaruh variabel-variabel independen

secara serentak terhadap variabel dependen.

Tabel 4.5. Hasil Uji Signifikansi Model

Model P-Value . α Keterangan

Model 1 (PDRB 0.000 0.05

Signifikan

Model 2 (Kemiskinan) 0.000 Signifikan

Pada model 1 yaitu PDRB, variabel dependennya yaitu PDRB dan

variabel independent nya yaitu Kemiskinan dan Ekspor. Pada kasus ini variabel


kemiskinan dan ekspor berpengaruh secara simultan terhadap PDRB pada

signifikansi α = 5%. Hal tersebut ditunjukkan dengan nilai p-value yang lebih

kecil dari α=0,05. Sehingga variabel kemiskinan dan ekspor mempunyai pengaruh

yang signifikan terhadap PDRB secara bersama(simultan)

Pada model 2 yaitu kemiskinan, variabel dependen nya yaitu Kemiskinan

dan variabel independentnya yaitu PDRB, jumlah penduduk dan IPM. Pada kasus

ini, variabel independen yaitu PDRB, jumlag penduduk dan IPM berpengaruh

signifikan secara bersama(simultan) terhadap variabel dependen yaitu kemiskinan

pada signifikansi α = 5%. Hal tersebut ditunjukkan dengan nilai p-value yang

lebih kecil dari α =0,05.

c. Uji Asumsi Klasik

Asumsi klasik yang digunakan antara lain asumsi residual berdistribusi

normal (uji normalitas ) , residual identik (uji heterokedastisitas), residual

independen (uji autokorelasi) dan tidak ada multikolinieritas.

Tabel 4.6

Hasil Uji Asumsi Klasik

Model Uji Asumsi Klasik Kriteris Ekonometrika

P-value Kesimpulan

Model 1 (PDRB)

Normalitas p-value > α 0.001 Tolak H0

Autokorelasi p-value > α 0.122 Gagal Tolak H0

Heterokedastisitas p-value > α 0.734 Gagal Tolak H0

Multikolinieritas <10 1.021 Gagal Tolak H0


Normalitas p-value > α 0.051 Gagal Tolak H0

Autokorelasi p-value > α 0.719 Gagal Tolak H0

Heterokedastisitas p-value > α 3.266 x 10-11 Tolak H0

Multikolinieritas <10 1.348 Gagal Tolak H0

Berdasarkan Tabel 4.6 terlihat bahwa p-value normalitas model 1(PDRB)

kurang dari α (0.05). dengan tingkat signifikansi 5% maka dapat disimpulkan

bahwa residual tidak berdistribusi normal dan untuk uji asumsi klasik lainnya

terpenuhi. Berbeda dengan model 2(kemiskinan) p-value yang dihasilkan

menunjukan lebih dari α (0.05) sehingga model 2 berdistribusi normal. Tetapi

untuk uji heterokedastisitas menunjukan p-value kurang dari α (0.05) sehingga

persamaan model 2 (kemiskinan) tidak memenuhi residual identik.


V. SIMPULAN

1. Hasil pemodelan simultan dengan estimasi 2SLS adalah :

PDRB = 44218.106– 9.0242 Kemiskinan + 3.909 Ekspor

Kemiskinan= 2,738.62– 0.00038 PDRB +276.74 Jumlah Penduduk –

39.27 IPM

2. Model 1 (PDRB) : variabel signifikan yang berpengaruh terhadap PDRB pada

α=5% adalah kemiskinan dan ekspor

3. Model 2 (Kemiskinan) : variabel signifikan yang berpengaruh terhadap

kemiskinan pada α=5% adalah jumlah penduduk dan IPM, sementara variabel

PDRB tidak berpengaruh signifikan terhadap kemiskinan

4. Model simultan tersebut juga memberikan hasil bahwa kemiskinan signifikan

mempengaruhi PDRB pada α=5%. Namun PDRB mempengaruhi

kemiskinan. Artinya dengan α=5% tidak ada hubungan simultan antara

PDRB dan kemiskinan.

DAFTAR PUSTAKA

https://sarulmardianto.wordpress.com/kemiskinan-di-indonesia/. Diakses pada 12

Mei 2018.

Bank Indonesia. (2018). Statistik Ekonomi dan Keuangan Daerah (SEKDA).

Diakses pada 10 mei 2018, dari http://www.bi.go.id/id /statistik

/sekda/Default.aspxv

Basmann, R. L. (1957). A Generalized Classical Method of Linear Estimation of

Coefficients in a Structural Equation. Econometrica (25): 77–83.

Gujarati, D. N. (2010). Basic Econometrics. New York: Mc Graw-hill Companies.

ISBN:9780071276252

----------------------(2003). Basic Econometrics. New York: Mc Graw-hill

Companies.

Hill, R. C., Griffiths, W. E., Lim, G. C., Berenson, M.L. (2011). Principles of Econometrics. 4th Edition. United States: John Wiley & Sons, Inc.

https://sarulmardianto.wordpress.com/kemiskinan-di-indonesia/


Lopez-Espin, J. J., Vidal, A. M., Giménez, D. (2012). Two-stage least squares

and indirect least squares algorithms for simultaneous equations models.

Journal of Computational andApplied Mathematics, 236(15): 3676-

3684.

Ruxanda dan Muraru. (2010). FDI and Economic Growth. Evidence From

Simultaneous Equation Models. Romanian Journal of Economic

Forecasting (1/2010): 45-58.

Theil, H. (1953). Repeated Least-Squares Applied to Complete Equation Systems.

The Netherlands:

The Hague The Central Planning Bureau.


Hasil Syntak

> data <- read.csv(file.choose(),header=TRUE)

> data

Provinsi IPM Jumlah.penduduk Kemiskinan Ekspor PDRB

1 ACEH 70.00 1.96 841.31 22.9 26936.96

2 SUMATERA UTARA 70.00 5.46 1452.55 7776.4 44557.76

3 SUMATERA BARAT 70.73 2.03 376.51 1708.3 37205.34

4 RIAU 71.20 2.48 501.59 11232.1 104961.41

5 JAMBI 69.62 1.33 290.81 880.4 49643.00

6 SUMATERA SELATAN 68.24 3.15 1096.50 1154.6 43551.46

7 BENGKULU 69.33 0.73 325.60 57.7 29085.84

8 LAMPUNG 67.65 3.18 1139.78 3134.7 34260.61

9 KEP. BANGKA BELITUNG 69.55 0.54 71.07 1140.3 46457.43

10 KEP. RIAU 73.99 0.77 119.14 8821.9 106785.92

11 DKI JAKARTA 79.60 3.98 385.84 45964.7 211830.97

12 JAWA BARAT 70.05 18.28 4168.11 73.2 34879.92

13 JAWA TENGAH 69.98 13.22 4493.75 5275.7 32100.53

14 DI YOGYAKARTA 78.38 1.44 488.83 13.1 29589.07

15 JAWA TIMUR 69.74 15.21 4638.53 17944.1 47473.72

16 BANTEN 70.96 4.68 657.74 1377.9 42310.96

17 BALI 73.65 1.63 174.94 259.6 46517.40

18 NUSA TENGGARA BARAT 65.81 1.89 786.58 1574.6 23742.42

19 NUSA TENGGARA TIMUR 63.13 2.00 1150.08 30.7 16176.11

20 KALIMANTAN BARAT 65.88 1.87 390.32 623.6 33216.91

21 KALIMANTAN TENGAH 69.13 0.98 137.46 286.4 44091.27

22 KALIMANTAN SELATAN 69.05 1.56 184.16 5702.3 36080.97

23 KALIMANTAN TIMUR 74.59 1.34 211.24 10072.7 144827.24

24 KALIMANTAN UTARA 69.20 0.25 47.03 822.1 100217.98

25 SULAWESI UTARA 71.05 0.94 200.35 849.1 41255.90

26 SULAWESI TENGAH 67.47 1.13 413.15 1161.9 41151.47

27 SULAWESI SELATAN 69.76 3.34 796.81 1154.6 44061.46

28 SULAWESI TENGGARA 69.31 0.98 327.29 111.9 38017.51

29 GORONTALO 66.29 0.44 203.69 4.3 27654.34

30 SULAWESI BARAT 63.60 0.50 146.90 0.0 27535.47

31 MALUKU 67.60 0.66 331.79 86.1 21603.97

32 MALUKU UTARA 66.63 0.45 76.40 34.9 24593.08

33 PAPUA BARAT 62.21 0.34 223.60 11.7 74589.60

34 PAPUA 58.05 1.23 914.87 1008.0 55611.37

>library(systemfit)

> attach(data)

> # Deskriptif Variable

> summary(data)

Provinsi IPM Jumlah.penduduk Kemiskinan Ekspor

PDRB

ACEH : 1 Min. :58.05 Min. : 0.2500 Min. : 47.03 Min. : 0.00

Min. : 16176


BALI : 1 1st Qu.:67.50 1st Qu.: 0.8125 1st Qu.: 201.19 1st Qu.: 76.42

1st Qu.: 30217

BANTEN : 1 Median :69.44 Median : 1.5000 Median : 381.18 Median : 944.20

Median : 41204

BENGKULU : 1 Mean :69.16 Mean : 2.9403 Mean : 816.60 Mean : 3834.49

Mean : 51840

DI YOGYAKARTA: 1 3rd Qu.:70.56 3rd Qu.: 2.9825 3rd Qu.: 830.18 3rd Qu.: 2778.10

3rd Qu.: 47235

DKI JAKARTA : 1 Max. :79.60 Max. :18.2800 Max. :4638.53 Max. :45964.70

Max. :211831

(Other) :28

> # Definisi Variable

> eqPDRB<-PDRB~Kemiskinan+Ekspor

> eqKemiskinan<-Kemiskinan~PDRB+Jumlah.penduduk+IPM

> system<-list(PDRB=eqPDRB,Kemiskinan=eqKemiskinan)

> #OLS Regresi

> Regresi1<-lm(eqPDRB)

> summary(Regresi1)

Call:

lm(formula = eqPDRB)

Residuals:

Min 1Q Median 3Q Max

-29772 -13350 -4728 4445 62192

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 45424.6894 4888.0810 9.293 2.45e-10 ***

Kemiskinan -9.8698 3.2456 -3.041 0.00486 **

Ekspor 3.9012 0.4565 8.545 1.56e-09 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 22000 on 30 degrees of freedom

Multiple R-squared: 0.718, Adjusted R-squared: 0.6992

F-statistic: 38.19 on 2 and 30 DF, p-value: 5.682e-09

>

> ## Asumsi Klasik model 1

> residual1=resid(Regresi1)

> library(car)

>

> qq.plot(residual1,dist="norm",main="Normalitas Q Plot")

Warning message:

'qq.plot' is deprecated.

Use 'qqPlot' instead.

See help("Deprecated") and help("car-deprecated").

> shapiro.test(residual1)

Shapiro-Wilk normality test


data: residual1

W = 0.88231, p-value = 0.00191

> vif(Regresi1)

Kemiskinan Ekspor

1.021138 1.021138

> bptest(Regresi1,studentize=F,data=data)

Breusch-Pagan test

data: Regresi1

BP = 0.61816, df = 2, p-value = 0.7341

>

> dwtest(Regresi1)

Durbin-Watson test

data: Regresi1

DW = 1.6217, p-value = 0.122

alternative hypothesis: true autocorrelation is greater than 0

>

> Regresi2<-lm(eqKemiskinan)

> summary(Regresi2)

Call:

lm(formula = eqKemiskinan)

Residuals:

Min 1Q Median 3Q Max

-864.03 -128.93 -26.29 167.44 843.33

Coefficients:


(Intercept) 2.524e+03 1.046e+03 2.413 0.0223 *

PDRB -1.707e-03 1.597e-03 -1.069 0.2941

Jumlah.penduduk 2.745e+02 1.315e+01 20.873 <2e-16 ***

IPM -3.497e+01 1.573e+01 -2.224 0.0341 *

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 312.1 on 29 degrees of freedom

Multiple R-squared: 0.9398, Adjusted R-squared: 0.9336

F-statistic: 151 on 3 and 29 DF, p-value: < 2.2e-16

> ## Asumsi klasik model2

> residual2=resid(Regresi2)


> qq.plot(residual2,dist="norm",main="Normalitas QQ Plot")

Warning message:

'qq.plot' is deprecated.

Use 'qqPlot' instead.

See help("Deprecated") and help("car-deprecated").

> shapiro.test(residual2)

Shapiro-Wilk normality test

data: residual2

W = 0.93574, p-value = 0.05113

>

> vif(Regresi2)

PDRB Jumlah.penduduk IPM

1.348972 1.035334 1.362482

> bptest(Regresi2,studentize=F,data=data)

Breusch-Pagan test

data: Regresi2

BP = 51.824, df = 3, p-value = 3.266e-11

>

> dwtest(Regresi2)

Durbin-Watson test

data: Regresi2

DW = 2.2721, p-value = 0.7191

alternative hypothesis: true autocorrelation is greater than 0

>

> # 2SLS Estimasi

> inst <-~Ekspor + Jumlah.penduduk + IPM

>tsls <- systemfit(system,”2SLS”,inst=inst,data=data)

> summary(tsls)

systemfit results

method: 2SLS

N DF SSR detRCov OLS-R2 McElroy-R2

system 68 61 14805658372 4.62694e+13 0.716139 0.896777

N DF SSR MSE RMSE R2 Adj R2

PDRB 34 31 14802713079 477506873.5 21851.931 0.715938 0.697611

Kemiskinan 34 30 2945294 98176.5 313.331 0.9378580.931644

The covariance matrix of the residuals


PDRB Kemiskinan

PDRB 477506874 -781347.2

Kemiskinan -781347 98176.5

The correlations of the residuals

PDRB Kemiskinan

PDRB 1.000000 -0.114117

Kemiskinan -0.114117 1.000000

2SLS estimates for 'PDRB' (equation 1)

Model Formula: PDRB ~ Kemiskinan + Ekspor

Instruments: ~Ekspor + Jumlah.penduduk + IPM


(Intercept) 44218.105954 4789.766291 9.23179 2.0862e-10 ***

Kemiskinan -9.024059 3.319484 -2.71851 0.010641 *

Ekspor 3.909618 0.452748 8.63531 9.4242e-10 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1


Number of observations: 34 Degrees of Freedom: 31

SSR: 14802713078.6946 MSE: 477506873.506277 Root MSE: 21851.930659

Multiple R-Squared: 0.715938 Adjusted R-Squared: 0.697611

2SLS estimates for 'Kemiskinan' (equation 2)

Model Formula: Kemiskinan ~ PDRB + Jumlah.penduduk + IPM

Instruments: ~Ekspor + Jumlah.penduduk + IPM


(Intercept) 2.73862e+03 1.09256e+03 2.50662 0.017839 *

PDRB -3.84807e-04 2.06971e-03 -0.18592 0.853756

Jumlah.penduduk 2.76740e+02 1.32592e+01 20.87152 < 2e-16 ***

IPM -3.92681e+01 1.67934e+01 -2.33830 0.026229 *

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1



SSR: 2945293.505688 MSE: 98176.45019 Root MSE: 313.331215


> # 2SLS Estimasi whit different instruments

> summary(fit2sls)

systemfit results

method: 2SLS


N DF SSR detRCov OLS-R2 McElroy-R2

system 68 61 15792289962 5.51437e+13 0.697223 0.88633

N DF SSR MSE RMSE R2 Adj R2

PDRB 34 31 15789032641 509323634 22568.200 0.697010 0.677463

Kemiskinan 34 30 3257321 108577 329.511 0.931275 0.924402

The covariance matrix of the residuals

PDRB Kemiskinan

PDRB 509323634 -396606

Kemiskinan -396606 108577

The correlations of the residuals

PDRB Kemiskinan

PDRB 1.0000000 -0.0533326

Kemiskinan -0.0533326 1.0000000

2SLS estimates for 'PDRB' (equation 1)

Model Formula: PDRB ~ Kemiskinan + Ekspor

Instruments: ~Kemiskinan + Jumlah.penduduk + IPM


(Intercept) 42742.453903 5381.878776 7.94192 5.7627e-09 ***

Kemiskinan -10.362452 3.410850 -3.03809 0.0048009 **

Ekspor 4.579481 0.881653 5.19420 1.2307e-05 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1



SSR: 15789032640.8264 MSE: 509323633.575047 Root MSE: 22568.199609


2SLS estimates for 'Kemiskinan' (equation 2)

Model Formula: Kemiskinan ~ PDRB + Jumlah.penduduk + IPM

Instruments: ~PDRB + Ekspor


(Intercept) 2.40658e+03 4.18099e+09 0e+00 1.00000

PDRB -1.45985e-03 3.51906e+03 0e+00 1.00000

Jumlah.penduduk 3.00851e+02 2.68368e+07 1e-05 0.99999

IPM -3.46863e+01 6.42329e+07 0e+00 1.00000



SSR: 3257320.938214 MSE: 108577.364607 Root MSE: 329.510796

pada analisis hubungan kemiskinan dan pdrb di … · informasi tentang hubungan tersebut menjadi...

Documents