IDENTIFIKASI FAKTOR YANG MEMENGARUHI GINI RATIO DI INDONESIA
on
E-Jurnal Matematika Vol. 11(3), Agustus 2022, pp. 160-166
DOI: https://doi.org/10.24843/MTK.2022.v11.i03.p376
ISSN: 2303-1751
IDENTIFIKASI FAKTOR YANG MEMENGARUHI GINI RATIO DI INDONESIA
Gusti Ayu Made Candra Rini1§, Ni Luh Putu Suciptawati2, Ida Ayu Putu Ari Utari3
-
1 Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: [email protected]]
-
2 Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: [email protected]]
-
3 Program Studi Matematika, Fakultas MIPA – Universitas Udayana [Email: [email protected]] §Corresponding Author
ABSTRACT
Inequality in income distribution is one of the problems that are often experienced by some countries in the world. Income inequality in Indonesia is measured by an indicator named Gini Ratio. BPS Indonesia noted that in March 2021, the Gini Ratio in Indonesia was 0,384. This figure shows that Indonesia belongs to the category of moderate income inequality, which means that income in Indonesia is not well distributed or there is an inequality in income distribution. For this reason, the inequality that occurs needs to be decreased by recognizing the factors that affect it. The purpose of this study was to determine the factors that significantly affect the Indonesia’s Gini Ratio in 2016-2020 by applying panel data regression. The results show that the model chosen to represent the Indonesia’s Gini Ratio in 2016-2020 is a fixed time eject model with R2 of40,282%, which is significantly be ejected by the human development index, population, open unemployment rate, percentage of poor people, and average hourly wage for worker.
Keywords: Gini Ratio, Income Inequality, Indonesia, Panel Data Regression
Salah satu masalah yang kerap dialami negara-negara di dunia yaitu terjadinya ketimpangan distribusi pendapatan antarkelompok masyarakat. Tidak hanya negara berkembang, negara maju juga tidak terlepas dari masalah ketimpangan pendapatan. Ketimpangan yang terjadi dapat memunculkan dampak lanjutan bagi keberlangsungan pembangunan suatu negara, khususnya di bidang ekonomi.
Ketimpangan pendapatan di Indonesia diukur dengan menggunakan indikator Gini Ratio. Dasar dari Gini Ratio adalah kurva Lorenz, sebuah kurva perbandingan distribusi variabel (seperti pendapatan) dengan distribusi seragam yang menggambarkan persentase kumulatif penduduk. Makin dekat kurva dengan garis diagonal yang merupakan garis pemerataan dalam distribusi pendapatan, berarti nilai Gini Ratio semakin kecil, sebaliknya semakin kurva menjauhi garis diagonal berarti nilai Gini Ratio semakin besar (BPS Indonesia, 2022).
Dari Gini Ratio dapat diketahui ukuran tingkat ketimpangan pengeluaran sebagai proksi
pendapatan. Adapun rumusan dari Gini Ratio yaitu:
n
GR = 1-∑fpi×(Fci +Fci-J
i=ι
dengan:
GR = Gini Ratio
fpt = frekuensi penduduk dalam kelas pengeluaran ke-i
Fc. = frekuensi kumulatif dari total
pengeluaran dalam kelas pengeluaran ke
i
Fc = frekuensi kumulatif dari total
pengeluaran dalam kelas pengeluaran ke-
(i-1)
Todaro dan Smith (2006) menyebutkan Gini Ratio merupakan ukuran ketimpangan secara menyeluruh yang bernilai nol hingga satu. Semakin mendekati nol dikatakan distribusi pendapatan makin mendekati pemerataan sempurna. Sebaliknya, apabila makin mendekati satu artinya tingkat ketimpangan pendapatan mendekati ketimpangan sempurna. Negara yang distribusi pendapatannya relatif merata memiliki angka Gini Ratio berkisar dari 0,20 hingga 0,35,
sedangkan negara yang derajat ketimpangannya tinggi memiliki angka Gini Ratio antara 0,50 hingga 0,70.
Tercatat pada Badan Pusat Statistik (BPS) Indonesia, Gini Ratio Indonesia pada Maret 2021 yaitu 0,384. Angka tersebut turun 0,001 poin dari Gini Ratio pada September 2020 yang bernilai 0,385 dan mengalami peningkatan 0,003 poin dari Gini Ratio Maret 2020 yang bernilai 0,381. Berdasarkan tingkatan nilai Gini Ratio, angka Gini Ratio Indonesia menunjukkan bahwa Indonesia tergolong dalam kategori ketimpangan pendapatan sedang, yang berarti pendapatan di Indonesia belum terdistribusi dengan baik atau terjadi ketimpangan dalam distribusi pendapatannya. Untuk itu, perlu adanya perhatian yang serius dari pemerintah Indonesia terhadap ketimpangan yang terjadi dengan memerhatikan faktor yang memengaruhi sehingga besarnya angka Gini Ratio dapat ditekan.
Mengenai faktor yang memengaruhi Gini Ratio, terdapat beberapa penelitian yang telah dilakukan, di antaranya Bantika dkk. (2015) meneliti tentang faktor yang memengaruhi ketimpangan distribusi pendapatan Sulawesi Utara dengan regresi linier berganda, di mana hasil memperlihatkan bahwa Gini Ratio secara signifikan dipengaruhi oleh pertumbuhan ekonomi dan jumlah penduduk. Penelitian lain dilakukan oleh Damanik dkk. (2018) mengenai faktor yang memengaruhi ketimpangan pendapatan melalui pertumbuhan ekonomi di Provinsi Jambi menggunakan analisis jalur, dengan hasil penelitian yaitu secara parsial jumlah penduduk yang bekerja memberi pengaruh positif pada ketimpangan pendapatan.
Berdasarkan pembahasan di atas, penulis bermaksud mengetahui faktor yang memengaruhi Gini Ratio di Indonesia. Dalam penelitian ini digunakan data periode 2016-2020 dengan tujuan agar memberikan hasil yang lebih informatif dalam menganalisis Gini Ratio di Indonesia. Data yang digunakan adalah gabungan data cross section dengan time series,
Penelitian ini menggunakan data sekunder yang diperoleh dari BPS Indonesia. Data tersebut berjenis panel di mana unit cross section berupa 34 provinsi di Indonesia dan tahun 20162020 sebagai unit time series.
yaitu data panel. Pada data panel, unit cross section yang sama diamati selama periode waktu tertentu, sehingga berdimensi ruang dan waktu (Gujarati, 2003). Kerangka umum data panel ditampilkan dalam Tabel 1.
Tabel 1. Kerangka Umum Data Panel
|
Cross |
Time |
Variabel |
Variabel | |
|
Section |
Series |
Respon |
Prediktor | |
|
(i) |
(t) |
(Yit) |
(Xlit) ■■■ |
(xKit) |
|
1 |
1 |
Y11 |
X111 ■ |
XK11 |
|
1 |
2 |
Y12 |
X112 ■ |
XK12 |
|
1 |
T |
Y1T |
■ ■ ■ ■ X11T ■ |
XK1T |
|
2 |
1 |
Y21 |
X121 ■ |
XK21 |
|
2 |
2 |
Y22 |
X122 ■ |
XK22 |
|
2 |
T |
Y2T |
■ ■ ■ X12T ■ |
XK2T |
|
N |
1 |
YV1 |
X1V1 ■ |
XKV1 |
|
N |
2 |
YN2 |
X1V2 ■ |
XKV2 |
|
N |
T |
YVT |
■ ■ ■ X1VT ■ |
XKVT |
Keterangan:
K = banyak variabel prediktor
N = banyak unit cross section
T = banyak unit time series
Jadi pada penelitian ini digunakan metode regresi data panel untuk mengetahui faktor yang signifikan memengaruhi Gini Ratio di Indonesia tahun 2016-2020. Gini Ratio dari provinsi ke-i pada tahun ke-t (Yjt) dianalisis sebagai variabel respon yang diindikasi secara signifikan dipengaruhi oleh lima variabel prediktor yaitu indeks pembangunan manusia (IPM) (X1tt), jumlah penduduk (X2tt), tingkat pengangguran terbuka (TPT) (X3tt), persentase penduduk miskin (X4tt), serta upah rata-rata per jam pekerja (X5tt).
Analisis data dilakukan dengan software R 4.1.1. Adapun tahapan analisis yaitu:
-
1. Membentuk model regresi data panel dengan pendekatan CEM, FEM, dan REM.
-
a. Common Effect Model (CEM)
CEM merupakan model regresi data panel dengan asumsi koefisien intersep dan
slope bersifat konstan pada unit cross section dan unit time series. Pada CEM
digunakan metode ordinary least square (OLS) dalam mengestimasikan parameter (Baltagi, 2005). Bentuk umum persamaan CEM adalah:
K
Y
= a +
∑βkXklt + uft-r k=1
i = 1,2.....N; t = 1,2.....T
-
b. Fixed Effect Model (FEM)
FEM merupakan model dengan asumsi bahwa koefisien intersep berbeda, sedangkan koefisien slope bersifat konstan pada unit cross section dan unit time series (Gujarati dan Porter, 2009). Estimasi parameter FEM menggunakan metode least square dummy variable (LSDV) di mana terdapat dua model, yaitu:
-
1. Fixed individual effect model
N K
^it = ∑ Djtaj + ∑ βk%kit + uit;
7=1 k=1
i,j= 1,2N; t = 1,2T
dengan
_(0 ; jika j ≠ i jt (1;jikaj = i
-
2. Fixed time effect model T K
γit = ∑ DjsaS + ∑ βk%kit + uit'> s=1 k=1
i = 1,2, ...,N; t,s = 1,2, ...,T
dengan
_ (0; jika s ≠ t
iS = {1; jika s = t
-
c. Random Effect Model (REM)
REM adalah model dengan penambahan variabel error terms yang dapat mengatasi permasalahan pada FEM akibat adanya penambahan variabel dummy yang akan menghalangi model aslinya. Dasar dari REM adalah menguraikan intersep pada FEM (Gujarati dan Porter, 2009). Parameter pada REM diestimasi menggunakan metode generalized least square (GLS) (Greene, 2012). Adapun persamaan REM sebagai berikut:
K
^il = α0 + ∑ βk^kit k=1
+ ^it;
i = 1,2.....N; t = 1,2.....T
dengan ωit adalah galat gabungan yaitu
Uit + Si.
-
2. Memilih model regresi data panel dengan uji Chow dan uji Hausman.
-
3. Menguji signifikansi parameter model regresi data panel terpilih secara simultan dan parsial.
-
4. Melakukan uji asumsi klasik agar model yang terbentuk tidak bias, memiliki ketepatan estimasi, dan konsisten.
-
5. Melakukan interpretasi faktor-faktor yang secara signifikan memengaruhi Gini Ratio di Indonesia tahun 2016-2020 berdasarkan model yang terpilih.
Persamaan untuk memodelkan Gini Ratio di Indonesia tahun 2016-2020 dengan pendekatan CEM yaitu:
-
Yit = a + β1^1it + β2^2it + β3^3it + β4%4it + β5X5it + Uit;
i = AC,SU,.,PA;t = 2016,2017,,2020
Nilai estimasi CEM ditampilkan dalam Tabel 2.
Tabel 2. Estimasi Parameter CEM
|
Parameter |
Nilai Estimasi |
^hitung |
Pvalue |
|
a |
1,0481e-02 |
0,1778 |
0,8591 |
|
βl |
4,1743e-03 |
5,2772 |
4,105e-07 |
|
β2 |
1,2040e-06 |
5,1912 |
6,114e-07 |
|
β3 |
-4,7434e-03 |
-3,1348 |
0,0020 |
|
β4 |
3,8144e-03 |
7,0205 |
5,570e-11 |
|
β5 |
1,3879e-06 |
3,2362 |
0,0267 |
|
1 hitung |
16,4298 | ||
|
P value |
3,9496e-13 | ||
|
R2 |
0,33374 |
Sumber: data diolah, 2022
Dalam memodelkan Gini Ratio di Indonesia tahun 2016-2020, digunakan variabel dummy dengan 34 provinsi di Indonesia sebagai dummy wilayah (Djt) dan variabel dummy dengan periode tahun 2016-2020 sebagai dummy tahun (Dis). Persamaan fixed individual effect model dan fixed time effect model untuk memodelkan Gini Ratio di Indonesia tahun 2016-2020 secara berturut-turut yaitu:
N
Yit = ∑ f i a∣ + βιxiit + β2x2it + β3χ3it j=1
+β4χ4it + β5χ5it + uit;
i,j = AC,SU, ...,PA; t = 2016,2017, ...,2020
dan
T
Yit = Σ Disas + β1X1it + β2^2it + β3^3it
S = I
+β4χ4it + β5x5it + uit;
i = AC,SU,.,PA; t,s = 2016,2017,.,2020
Nilai estimasi fixed individual effect model dan fixed time effect model ditunjukkan pada Tabel 3.a dan Tabel 3.b.
Tabel 3.a. Estimasi Parameter Fixed Individual Effect Model
|
Parameter |
Nilai Estimasi |
^hitung |
Pvalue |
|
βl |
-2,8976e-03 |
-1,5336 |
0,1275 |
|
β2 |
-7,1957e-06 |
-1,4045 |
0,1625 |
|
β3 |
4,2620e-04 |
0,2708 |
0,7869 |
|
β4 |
-7,4172e-04 |
-0,3908 |
0,6966 |
|
β5 |
-7,1148e-07 |
-1,4279 |
0,1557 |
|
λ hitung |
5,6546 | ||
|
V r value |
9,3829e-05 | ||
|
R2 |
0,17751 | ||
|
Sumber: data diolah, 2022 | |||
Tabel 3.b. Estimasi Parameter Fixed Time Effect Model
|
Parameter |
Nilai Estimasi |
thitung |
pvalue |
|
βl |
4,7403e-03 |
6,1997 |
4,625e-09 |
|
β2 |
1,3835e-06 |
6,1739 |
5,276e-09 |
|
β3 |
-7,1010e-03 |
-4,6387 |
7,250e-06 |
|
β4 |
3,9004e-03 |
7,5436 |
3,238e-12 |
|
β^ |
2,7241e-06 |
4,1088 |
6,334e-05 |
|
Fhitung |
21,5851 | ||
|
Pvalue |
<2,22e-16 | ||
|
R2 |
0,40282 | ||
|
Sumber: data diolah, 2022 | |||
Berdasarkan Tabel 3.a dan Tabel 3.b, nilai R2 fixed time effect model lebih besar dari nilai R2 fixed individual effect model, dengan demikian estimasi model dengan pendekatan
FEM yang digunakan adalah fixed time effect model.
Persamaan untuk memodelkan Gini Ratio di Indonesia tahun 2016-2020 dengan pendekatan REM yaitu:
Yit = a0+ βixiit + β2x2it + β3^3it + β4^4it
+ β5x5it + uit + εC
i = AC,SU,.,PA;t = 20162017,. 2020
Nilai estimasi REM ditampilkan pada Tabel 4.
Tabel 4. Estimasi Parameter REM
|
Parameter |
Nilai | ||
|
Estimasi |
%hitung |
pvalue | |
|
U0 |
3,3301e-01 |
3,4693 |
0,0005 |
|
βl |
7,7501e-03 |
0,0607 |
0,9516 |
|
β2 |
8,0185e-07 |
1,6356 |
0,1019 |
|
β3 |
1,1685e-03 |
0,8383 |
0,4019 |
|
β4 |
2,1705e-03 |
2,0997 |
0,0356 |
|
β3 |
-1,0895e- |
-2,4140 |
0,0158 |
|
06 | |||
|
y2 ^hitung |
24,1759 | ||
|
P 1 r value |
0,0002 | ||
|
R2 |
0,12847 |
Sumber: data diolah, 2022
Uji Chow dilakukan untuk melihat ada atau tidak perbedaan intersep antarunit, dengan hipotesis yang diuji untuk time effect yaitu: H0:: a2016 = a2017 = "' = a2020
H1: minimal ada satu ap ≠ aq;
p,q = 2016,2017, .,2020
Berdasarkan hasil uji Chow, diperoleh bahwa pvalue = 0,0004 < a = 0,05. Sehingga tidak cukup bukti diterimanya H0, yang berarti terdapat perbedaan intersep antarunit, maka model yang digunakan yaitu FEM dengan time effect atau REM.
Uji Hausman bertujuan menentukan estimasi model yang layak digunakan yaitu FEM dengan time effect atau REM. Hipotesis yang digunakan yaitu:
Ho: E(ωit∖Xit) = 0
H1 : E(ω⅛)≠0
Berdasarkan hasil uji Hausman, diperoleh bahwa Pvaiue = 2,856 × 10-11 < a =
0,05. Dengan demikian tidak cukup bukti untuk terima H0, sehingga model terpilih adalah FEM yakni fixed time effect model.
Signifikansi parameter pada regresi data panel diuji secara simultan dan parsial. Dengan memerhatikan model terpilih yaitu fixed time ejfect model pada Tabel 3.b, diperoleh Pvalue < 2,22 × 10-16 < a = 0,05, sehingga tidak
cukup bukti mengambil keputusan terima H0. Hal ini diartikan bahwa ada variabel prediktor pada model yang signifikan memengaruhi variabel respon.
Pengujian secara parsial terhadap fixed time effect model yang tertera pada Tabel 3.b, menunjukkan bahwa variabel prediktor yang signifikan yaitu memiliki pvaιue < α(0,05) adalah IPM, jumlah penduduk, TPT, persentase penduduk miskin, dan upah rata-rata per jam pekerja.
Uji homoskedastisitas merupakan uji untuk mengetahui apakah varians dari sisaan bersifat homogen. Uji yang dapat dilakukan dalam mengidentifikasi homoskedastisitas yaitu uji Breusch-Pagan-Godfrey dengan hipotesis yang diuji yaitu:
H0: σ1 = σ¾ = •■• = a2 (varians sisaan
bersifat homogen)
H1 : minimal ada satu σ2 ≠ σ,2 (varians sisaan tidak homogen)
Hasil uji Breusch-Pagan-Godfrey adalah Θ = 5,5750 < /^055) = 11,0705. Jadi
diambil keputusan untuk terima H0 yang artinya varians sisaan bersifat homogen.
Uji yang dapat digunakan mengidentifikasi autokorelasi antarsisaan yaitu uji Durbin-Watson. Hasil uji autokorelasi untuk fixed time ejfect model yaitu DW = 0,4649. Menggunakan a = 0,05, n = 170, dan k = 5, diperoleh nilai dl = 1,6890 dan du = 1,8100. Artinya nilai Durbin-Watson untuk model berada di antara 0 dan dl sehingga disimpulkan bahwa ada
autokorelasi positif.
Meski terjadi autokorelasi positif, Greene (2012) menyatakan adanya autokorelasi merupakan hal lumrah mengingat sifat data panel cenderung memiliki trend. Sisaan yang berkorelasi disebabkan oleh amatan data panel mengikuti unit sampel yang sama dalam suatu periode waktu. Berdasarkan sifat data panel tersebut, maka menurut Greene (2012) korelasi antarsisaan tidak sepenuhnya diperhitungkan.
Pengujian normalitas dapat menggunakan uji Jarque-Bera dengan hipotesis yang diuji yaitu:
H0 : sisaan mengikuti sebaran normal
H1 : sisaan tidak mengikuti sebaran normal
Uji Jarque-Bera untuk fixed time effect model memperoleh hasil yaitu nilai JB = 5,9542 <⅛05.2j = 5,9915. Oleh karena itu, diambil keputusan terima H0 yang berarti sisaan mengikuti sebaran normal.
Uji multikolinearitas memiliki tujuan menguji adanya korelasi antarvariabel prediktor yang dapat dilakukan dengan melihat nilai VIF. Hasil uji untuk model ditampilkan pada Tabel 5.
Tabel 5. Hasil Uji Multikolinearitas
|
Variabel |
VIF |
|
*1 |
1,86677 |
|
^2 |
1,22444 |
|
*3 |
1,43204 |
|
*4 |
1,80527 |
|
*5 |
1,36440 |
Sumber: data diolah, 2022
Dari Tabel 5 ditunjukkan bahwa VIF dari tiap-tiap variabel prediktor pada model bernilai <10 yang artinya tidak terjadi multikolinearitas pada model.
Model terbaik untuk menggambarkan Gini Ratio di Indonesia tahun 2016-2020 adalah fixed time effect model sebagai berikut:
Kit = αt + 4,7403 × 10-¾t
+ 1,3835 × 10-6‰
+ 3,9004 × 10-3¾t
+ 2,7241 × 10-‰ + Uit;
i. = 1,2, ^,34; t = 2016,2017, ^,2020 dengan nilai intersep (a) tiap-tiap tahun tertera pada Tabel 6.
Tabel 6. Nilai Intersep Setiap Tahun
|
Parameter |
Nilai Intersep |
|
«2016 |
-0,0292 |
|
«2017 |
-0,0342 |
|
«2018 |
-0,0382 |
|
«2019 |
-0,0513 |
|
«2020 |
-0,0612 |
Sumber: data diolah, 2022
Nilai R2 diperoleh sebesar 0,40282 atau dengan kata lain variabel prediktor dalam fixed time effect model yang terbentuk mampu menjelaskan keragaman data Gini Ratio di Indonesia pada tahun 2016-2020 sebesar 40,282%. Dengan variabel prediktor yang signifikan berpengaruh terhadap Gini Ratio yaitu IPM, jumlah penduduk, TPT, persentase penduduk miskin, dan upah rata-rata per jam pekerja, yang dapat diinterpretasikan sebagai berikut:
-
a. Pada tahun ke-t, koefisien ∕21 = 4,7403 × 10-3 bermakna jika IPM di provinsi ke-i naik satu satuan, maka Gini Ratio di provinsi ke-i naik sebesar 4,7403 × 10-3 satuan, dengan asumsi variabel lain bernilai konstan.
-
b. Pada tahun ke-t, koefisien β2 = 1,3835 × 10-6 bermakna jika jumlah penduduk di provinsi ke-i bertambah sebanyak seribu jiwa, maka Gini Ratio di provinsi ke-i naik sebesar 1,3835 × 10-6 satuan, dengan asumsi variabel lain bernilai konstan.
-
c. Pada tahun ke-t, koefisien β3 = -7,1010 × 10-3 bermakna jika TPT di provinsi ke-i naik satu persen, maka Gini Ratio di provinsi ke-i turun sebesar 7,1010 × 10-3 satuan, dengan asumsi variabel lain bernilai konstan.
-
d. Pada tahun ke-t, koefisien β4 = 3,9004 × 10-3 bermakna jika persentase penduduk miskin di provinsi ke-i naik satu persen, maka Gini Ratio di provinsi ke-i naik sebesar 3,9258 × 10-3 satuan, dengan asumsi variabel lain bernilai konstan.
-
e. Pada tahun ke-t, koefisien β5 = 2,7241 × 10-6 bermakna jika upah rata-rata per jam pekerja di provinsi ke-i naik satu rupiah/jam, maka Gini Ratio di provinsi ke-i naik sebesar 2,7353 × 10-6 satuan, dengan asumsi variabel lain bernilai konstan.
Penelitian ini menyimpulkan bahwa model terbaik yang terpilih untuk menggambarkan Gini Ratio di Indonesia tahun 2016-2020 adalah fixed time efect model dengan nilai R2 sebesar 40,282%. Variabel prediktor yang signifikan memengaruhi Gini Ratio pada 34 provinsi di Indonesia yaitu IPM, jumlah penduduk, TPT, persentase penduduk miskin, dan upah rata-rata per jam pekerja.
Untuk riset lanjutan disarankan dapat menambahkan faktor lain yang lebih berpotensi memengaruhi Gini Ratio, seperti pertumbuhan ekonomi dan rata-rata pengeluaran per kapita per bulan, mengingat terbatasnya kemampuan variabel prediktor dalam penelitian ini untuk menjelaskan Gini Ratio di Indonesia.
DAFTAR PUSTAKA
Baltagi, B. H. 2005. Econometric Analysis of
Panel Data (Third Edit). J. Wiley & Sons.
Bantika, V., Benu, O. L. S., & Kapantow, G. H.
M. 2015. Faktor-faktor yang
Mempengaruhi Ketimpangan Distribusi Pendapatan Di Sulawesi Utara. Jurnal Ilmiah Fakultas Pertanian Universitas Sam Ratulangi, 6(17), 1–33.
BPS Indonesia. 2022. Koefisien Gini. Badan Pusat Statistik.
https://sirusa.bps.go.id/sirusa/index.php/in dikator/22
Damanik, A. M., Zulgani, & Rosmeli. 2018. Faktor-faktor yang Mempengaruhi Ketimpangan Pendapatan Melalui
Pertumbuhan Ekonomi Di Provinsi Jambi. E-Jurnal Perspektif Ekonomi Dan Pembangunan Daerah, 7(1), 15–25.
Greene, W. W. H. . 2012. Econometric analysis 7th Ed. In Prentice Hall. Pearson
Education.
Gujarati, D. N. 2003. Basic Econometric (Fourth Edi). The McGraw-Hili Companies.
Gujarati, D. N., & Porter, D. C. 2009. Basic Econometrics. In Introductory
Econometrics: A Practical Approach (Fifth Edit). McGraw-Hill.
Todaro, M. P., & Smith, S. C. 2006.
Pembangunan Ekonomi (Kesembilan). Erlangga.
166
Discussion and feedback