MEMODELKAN PRODUK DOMESTIK REGIONAL BRUTO DI INDONESIA MENGGUNAKAN REGRESI DATA PANEL SPASIAL
on
E-Jurnal Matematika Vol. 11(3), Agustus 2022, pp. 184-190
DOI: https://doi.org/10.24843/MTK.2022.v11.i03.p379
ISSN: 2303-1751
MEMODELKAN PRODUK DOMESTIK REGIONAL BRUTO DI INDONESIA MENGGUNAKAN REGRESI DATA PANEL
SPASIAL
Ni Kadek Ayu Puji Astuti1, Ni Luh Putu Suciptawati2§, Made Susilawati3
-
1Program Studi Matematika, Falkutas MIPA - Universitas Udayana [Email: [email protected]]
-
2Program Studi Matematika, Falkutas MIPA - Universitas Udayana [Email: [email protected]]
-
3Program Studi Matematika, Falkutas MIPA - Universitas Udayana [Email: [email protected] .id]
§Corresponding Author
ABSTRACT
Gross regional domestic product (GRDP) is one of the important indicators to determine economic conditions in a region. The magnitude of the growth rate of GRDP is developed by the progress of regional economic development, both carried out by the government and the private sector in order to improve the welfare of the population. The purpose of this study is to examine the business sector that has the most significant influence on GRDP in Indonesia by applying spatial panel data regression. The results show that the best model in modeling GRDP in Indonesia is the spatial lag common effect which has an R2 value of 83,13% while the independent variables that are significant to the increase in GRDP can be divided into two, namely significant positive and significant negative effects. The variables that have a significant and positive effect on GRDP are agriculture, forestry, and fisheries (X1), mining and quarrying (X2), electricity and gas supply (X4), water supply, waste management, waste and recycling (X5), construction (X6) ,financial services and insurance (X11), real estate (X12), and other services . (X17)wholesale and retail trade; car and motorcycle repair (X7), transportation and warehousing (X8), company services (X13), education services (X15).
Keywords: GRDP, CEM, FEM, REM, spatial lag common effect model
-
1. PENDAHULUAN
Indonesia merupakan salah satu negara di dunia yang sedang giat dalam melakukan pembangunan di segala bidang, salah satunya pembangunan dalam bidang ekonomi. Pertumbuhan ekonomi dijadikan standar untuk mengukur keberhasilan pembangunan suatu wilayah; rendahnya pertumbuhan ekonomi merupakan salah satu masalah perekonomian jangka panjang. Kondisi ekonomi di suatu wilayah dalam suatu periode tertentu dapat diukur dengan menggunakan indikator yaitu produk domestik regional bruto (PDRB). (BPS Indonesia, 2021). Besarnya tingkat pertumbuhan PDRB mengindikasikan keberhasilan pembangunan ekonomi di suatu wilayah untuk peningkatan kesejahteraan penduduknya.
Menurut BPS Indonesia (2021) PDRB ialah seluruh nilai barang dan jasa akhir dihasilkan seluruh unit ekonomi di suatu wilayah pada
suatu periode tertentu. Hasil survei BPS pada tahun 2016 sampai 2020 nilai PDRB Indonesia mengalami peningkatan maupun penurunan tiap tahunnya. Penurunan terjadi di tahun 2019 sampai 2020 dimana PDRB menunjukkan penurunan sebesar 7,585 milliar rupiah, hal ini disebabkan karena adanya pandemi Covid-19.
Pehitungan PDRB menurut lapangan usaha disebut juga dengan perhitungan PDRB melalui pendekatan produksi. Peranan dari masing-masing kegiatan perekonomian di setiap wilayah dapat digunakan sebagai perhitungan PDRB atas dasar harga berlaku, sehingga dapat mengetahui jenis lapangan usaha menjadi prioritas di masing-masing daerah (BPS Indonesia, 2021).
Beberapa penelitian sebelumnya yang mengkaji kasus PDRB, antara lain oleh Rahman et.al. (2016) penelitian tersebut menggunakan metode analisis regresi data panel. Hasil penelitian tersebut menyimpulkan bahwa secara serentak investasi, pengeluaran pemerintah dan
tenaga kerja berpengaruh positif dan signifikan terhadap PDRB (Rahman et al., 2016).
Penelitian terkait PDRB dilakukan oleh oleh Haryanto et.al. (2018). Penelitian ini menggunakan pendekatan regresi data panel dengan memodelkan PDRB sektor konstruksi di Jawa Timur. Kesimpulan pada penelitian tersebut diperoleh faktor-faktor yang berpengaruh signifikan terhadap PDRB sektor konstruksi yaitu pendapatan asli daerah dan indeks pembangunan manusia (Haryanto et.al., 2018).
Adanya potensi wilayah yang serupa antara provinsi satu dengan provinsi lainnya, sehingga peneliti tertarik menggunakan model regresi data panel spasial. Dalam model regresi data panel spasial memiliki karakteristik yaitu matriks pembobot yang merupakan sebagai penanda adanya hubungan antara suatu wilayah dengan wilayah lain. Dalam beberapa kasus, sering terdapat kasus yang variabel dependen dan galat pada suatu wilayah bergantung dengan variabel dependen atau galat wilayah lain. Hal ini disebut dependensi spasial. Dependensi spasial dibagi menjadi dua, yaitu model mengkaji kebergantungan variabel dependen antarlokasi disebut spatial lag model dan model yang mengkaji kebergantungan dari galat antarlokasi disebut spatial error model (Elhorst, 2014).
-
2. METODE PENELITIAN
-
2.1 Jenis dan Sumber Data
-
Dalam penelitian ini digunakan data sekunder dari tahun 2016 hingga 2020 pada masing-masing Provinsi di Indonesia. Sumber data dari Badan Pusat Statistik (BPS) Nasional berupa data tahunan.
-
2.2 Variabel Penelitian
Variabel dependen (Yit) menggunakan data PDRB dan variabel independen terdiri dari 17 sektor menurut lapangan usaha yaitu terdiri dari pertanian, kehutanan, dan perikanan (X1it), pertambangan dan penggalian (X2it), industri pengolahan (X3it), pengadaan listrik dan gas (X4it), pengadaan air, pengelolaan sampah, limbah dan daur ulang (X5it), konstruksi (X6it), perdagangan besar dan eceran; reparasi mobil dan sepeda motor (X7it), transportasi dan
pergudangan (X8it), penyediaan akomodasi dan makan minum (X9it), informasi dan komunikasi (X10it), jasa keuangan dan asuransi (Xnit), real estat (X12it), jasa perusahaan (X13it),
administrasi pemerintahan, pertahanan dan jaminan sosial wajib (X14it), jasa pendidikan (X15it), jasa kesehatan dan jasa kegiatan sosial (X16it), jasa lainnya (Xnu).
-
1.3 Tahap Analisis
Olah data menggunakan software R.4.1.1 dan langkah penelitian dijabarkan sebagai berikut:
1.
a.
Mengestimasi model CEM, FEM, dan
REM
Common Effect Model (CEM)
17
Yit = a + ∑ βkXkit + uU
k=1
-
b. Fixed Effect Model (FEM)
-
1. FEM Individual
Yit = ∑ Djtai + ∑ βkXkit + uit j=1k=1
-
2. FEM Time
Yit = ∑ Disas + ∑ βkXkit + uit j=1k=1
c.
Random Effect Model (REM)
17
γit = ao +
∑βkXkit + wit k=1
-
2. Melakukan pemilihan estimasi model dengan menggunakan uji Chow untuk melihat ada atau tidak perbedaan intersep antarunit cross section pada model (Baltagi, 2011).
-
• Hipotesis dalam pengujian uji Chow sebagai berikut:
H0 : tidak ada perbedaan intersep antarunit cross section
H1 : minimal ada sepasang antarunit cross section pada intersep berbeda
-
3. Apabila H0 diterima maka tidak ada
perbedaan intersep antarunit cross section sehingga model terpilih yaitu CEM dan lalu akan dilanjutkan ke langkah 6
-
4. Sedangkan jika H0 ditolak berarti terdapat perbedaan intersep antarunit cross section, maka kan dilanjutkan ke tahap uji Hausman.
-
• Hipotesis dalam pengujian uji Hausman sebagai berikut:
H0 : REM konsisten
H1 : REM tidak konsisten
-
5. Apabila H0 diterima maka REM konsisten sehingga model terpilih yaitu REM. Namun, apabila H0 ditolak maka REM tidak konsisten sehingga model terpilih yaitu FEM, kemudian lanjut ke langkah 6.
-
6. Selanjutnya dilakukan uji signifkansi parameter dengan uji F dan uji t terhadap model data panel terpilih
-
7. Melakukan uji asumsi klasik pada data panel terpilih.
-
8. Membentuk matriks pembobot inverse distance dan distandarisasi baris matriks pembobotnya.
-
9. Melakukan uji kebergantungan spasial dengan uji Lagrange Multiplier untuk mengetahui kebergantungan spasial pada unit cross section apakah dalam model mengandung spasial lag atau spasial error.
-
10. Melakukan pendugaan parameter terhadap model data panel spasial terpilih menggunakan penduga Maximum
Likelihood Estimation (MLE)
-
11. Dilakukan uji Wald untuk melihat signifikansi parameter pada data panel spasial
-
12. Interpretasi model dengan model terpilih.
-
3. HASIL DAN PEMBAHASAN
-
3.1 Common Effect Model (CEM)
-
Hasil estimasi CEM ditampilkan pada Tabel 1.
Hasil estimasi pada Tabel 1 didapat nilai Pvaiue = 2,22 × 10-16 dan R2 = 92,023%. Model CEM akan dibandingkan dengan model FEM menggunakan uji Chow
-
3.2 Fixed Effect Model (FEM)
Dalam mengestimasi FEM Individual terdapat variabel dummy individu terdiri dari 34 Provinsi yang ada di Indonesia. Sementara, dalam FEM Time terdapat variabel dummy waktu terdiri dari 2016 sampai 2020. Hasil estimasi model disajikan pada Tabel 2.
Tabel 1. Pendugaan Parameter Common Effects Model
Parameter |
Nilai Estimasi |
Standard Error |
^hitung |
pvalue |
«1 |
15,0752 |
9,965 |
1,5127 |
0,132424 |
P1 |
3,40721 |
0,213 |
15,933 |
2,2×10-16 |
P2 |
1,10171 |
0,102 |
10,751 |
2,2 × 10-16 |
Pl |
-1,1372 |
0,192 |
-5,908 |
2,187 × 10-8 |
Pt |
37,4146 |
5,458 |
6,8542 |
1,68 × 10-10 |
P5 |
99,1234 |
29,87 |
3,3177 |
0,001136 |
P6 |
3,85694 |
0,633 |
6,0906 |
8,819 ×10-9 |
P7 |
-4,4696 |
0,490 |
-9,112 |
4,42 × 10-16 |
P8 |
-1,8300 |
0,832 |
-2,197 |
0,029478 |
Po |
0,18713 |
0,442 |
0,4227 |
0,673125 |
P10 |
2,24391 |
1,214 |
1,8475 |
0,066617 |
P11 |
3,00233 |
1,418 |
2,1160 |
0,035979 |
P12 |
6,66658 |
1,384 |
4,8166 |
3,501 × 10-6 |
P13 |
-11,750 |
2,156 |
-5,449 |
1,992 × 10-7 |
P14 |
-0,1089 |
1,042 |
-0,104 |
0,916888 |
P15 |
-11,147 |
1,672 |
-6,665 |
4,58 × 10-10 |
P16 |
2,79881 |
3,988 |
0,7016 |
0,483977 |
P17 |
26,0414 |
4,254 |
6,1208 |
7,579 × 10-9 |
r hitung |
103,15 | |||
pvalue |
2,22 × 10-16 | |||
R2 |
92,023% |
Sumber: Data diolah 2022
Tabel 2. Pendugaan Parameter Fixed Individual Effects Model | ||||
Par-meter |
Nilai Estimasi |
Standard Error |
^hitung |
pvalue |
αi | ||||
β1 |
0,7903 |
0,703222 |
1,1238 |
0,2633 |
β2 |
0,7095 |
0,263144 |
2,6965 |
0,0081 |
βl |
-0,006 |
0,322518 |
-0,021 |
0,9827 |
β4 |
31,818 |
16,40952 |
1,9390 |
0,0548 |
βs |
10,824 |
91,15926 |
0,1187 |
0,9056 |
β6 |
1,8060 |
1,081773 |
1,6695 |
0,0976 |
β7 |
-2,086 |
0,848161 |
-2,460 |
0,0153 |
β8 |
-0,355 |
1,012389 |
-0,351 |
0,7265 |
β9 |
1,5323 |
1,258365 |
1,2177 |
0,2257 |
β10 |
0,2118 |
1,929523 |
0,1098 |
0,9127 |
β11 |
-1,112 |
1,042731 |
-1,066 |
0,2882 |
β12 |
4,2140 |
2,200882 |
1,9147 |
0,0579 |
β13 |
-5,212 |
3,961193 |
-1,315 |
0,19 |
β14 |
0,782 |
0,807013 |
0,9688 |
0,3345 |
β15 |
-2,383 |
3,689074 |
-0,646 |
0,5195 |
β16 |
10,185 |
4,842815 |
2,1032 |
0,0375 |
β17 |
9,1857 |
7,271107 |
1,2633 |
0,2089 |
r hitung pvalue R2 |
5,2299 1,8× 10-8 42,76% | |||
Sumber: Data diolah 2022 |
Dari estimasi pada Tabel 2. Diperoleh nilai Pvaiue = 1,8 × 10-8 dan R2 = 42,76%.
Table 3. Pendugaan Parameter Fixed Time Effects Model
Parameter |
Nilai Estimasi |
Standard Error |
^hitung |
pvalue |
<$t | ||||
β1 |
3,4359 |
0,2129 |
16,132 |
2,2×10-16 |
β2 |
1,10318 |
0,10192 |
10,8238 |
2,2 × 10-16 |
β3 |
-1,097 |
0,1942 |
-5,65 |
7,869 × 10-8 |
β4 |
37,7193 |
5,4303 |
6,9460 |
1,107 × 10-10 |
β5 |
97,7856 |
29,8828 |
3,2723 |
0,001328 |
β6 |
3,68285 |
0,63862 |
5,7668 |
4,548 × 10-8 |
β7 |
-4,4910 |
0,48994 |
-9,1664 |
3,817 × 10-16 |
β8 |
-1,8490 |
0,84963 |
-2,1763 |
0,031118 |
β9 |
0,23957 |
0,44212 |
0,5419 |
0,588725 |
β10 |
2,17581 |
1,21831 |
1,7859 |
0,076159 |
β11 |
3,51620 |
1,43184 |
2,4557 |
0,015218 |
β12 |
6,74944 |
1,3872 |
4,8654 |
2,894 × 10-6 |
β13 |
-11,808 |
2,155 |
-5,4796 |
1,791 × 10-7 |
β14 |
-0,0073 |
1,04255 |
-0,007 |
0,994429 |
β15 |
-10,998 |
1,67784 |
-6,5550 |
8,684 × 10-10 |
β16 |
1,89111 |
4,06419 |
0,4653 |
0,642393 |
β17 |
25,2591 |
4,24249 |
5,9538 |
1,824 × 10-8 |
r hitung |
103,458 | |||
pvalue |
2,2 × 10-16 | |||
R2 |
92,23 % |
Sumber: Data diolah, 2022
Dari estimasi pada Tabel 3. Diperoleh nilai Pvalue = 2,2 × 10-16 dan R2 = 92,23%.
-
3.3 Random Effect Model (REM)
Hasil estimasi model REM dijabarkan pada Tabel 4.
Tabel 4. Pendugaan Parameter Random Effects Model
Param-eter |
Nilai Estimasi |
Standard Error |
^hitung |
pvalue |
a |
36,3258 |
16,3723 |
2,2187 |
0,026505 |
βι |
2,09496 |
0,3391 |
6,1779 |
6,49 × 10-10 |
02 |
1,16610 |
0,16994 |
6,8618 |
6,8 × 10-12 |
03 |
-0,27485 |
0,23273 |
-1,181 |
0,237614 |
04 |
15,06 |
6,62893 |
2,2719 |
0,023094 |
05 |
41,0142 |
52,3935 |
0,7828 |
0,433739 |
06 |
2,34204 |
0,87575 |
2,6743 |
0,007488 |
07 |
-3,16036 |
0,66306 |
-4,766 |
1,87 × 10-06 |
08 |
0,44104 |
0,94087 |
0,4688 |
0,639246 |
09 |
0,21740 |
0,80290 |
0,2708 |
0,786571 |
010 |
1,82395 |
1,44158 |
1,2652 |
0,205785 |
011 |
-0,95457 |
1,01922 |
-0,936 |
0,348979 |
012 |
7,83521 |
1,50228 |
5,2156 |
1,833 ×10-7 |
013 |
-4,58866 |
2,51182 |
-1,826 |
0,067726 |
014 |
0,73917 |
0,91237 |
0,8102 |
0,417842 |
015 |
-6,54105 |
2,40694 |
-2,717 |
0,006576 |
016 |
3,43449 |
4,36544 |
0,7867 |
0,431431 |
017 |
9,64023 |
4,82915 |
1,9963 |
0,045906 |
F, r hitung |
326,097 | |||
pvalue |
2,22 × 10-16 | |||
R2 |
68,2 % |
Sumber: Data diolah, 2022
Dari estimasi Tabel 4. diperoleh nilai R2 = 68,7% dan pvalue = 2,22 × 10-16
-
3.3 Pemilihan Model Data Panel
Pada uji Chow mempertimbangkan keberadaan intersep masing-masing antarunit cross section. Berdasarkan perhitungan diperoleh bahwa nilai pva,lue = 0.2215 > a = (0,05) dan Fhitung = 1,4467 < Ftabei = (2,432788), maka H0 diterima. Hal tersebut berarti tidak terdapat perbedaan intersep antarunit cross section sehingga model yang terpilih ialah common effects model (CEM).
-
3.4 Pengujian Signifikansi Parameter
Pada penelitian ini ada dua pengujian signifikansi yaitu secara simultan dan parsial. Dengan melihat Tabel 1. Secara simultan diperoleh nilai pvalue = 2,22 × 10-6 < a = (0,05) dan Fhitung = 103,15 > Ftabel =
|1,6922|, sehingga keputusannya H0 ditolak. Hal ini berarti terdapat variabel independen pada model yang berpengaruh terhadap variabel dependen.
Secara parsial dengan memerhatikan Tabel 1. terdapat empat belas variabel independen yang signifikan.
-
3.5 Uji Asumsi Klasik
Table 5. Hasil Uji Asumsi Klasik
No |
Uji |
Hipotesis |
Keputusan | |
1 |
Uji homo kedas tisitas |
Ho : varian residual bersifat homokeda stisitas H1 : varians residual bersifat tidak homokeda stisitas |
BP = 73,91 pvalue = 4,519 × 10-9 d/ = 17 X(0,05;17) = 27,58 |
Tolak H0 |
2 |
Uji autok orela si |
H0 : tidak terdapat autokorela si H1 : terdapat autokorela si |
BW = 0,709 dL = 1,535 dU= 1,97 DW < dL |
Tolak H0 |
3 |
Uji distri busi norm al |
H0: resid ual berdistribu si normal H1 : residual tidak berdistribu si normal |
pvalue = 0,088 |
Tidak cukup bukti untuk meno-lak H0 |
4 |
Uji Multi kolin eritas |
VIF < 10 Tidak terdapat multkoline ritas |
X1 = 1,082 X2 = 1,455 X3 = 1,011 X4 = 1,048 X5 = 1,049 X6 = 1,008 X7 = 1,005 X8 = 1,03 X9 = 1,07 X10 = 1,006 X11 = 1,003 X12 = 1,009 X13 = 1,002 X14 = 1,022 X15 = 1,007 X16 = 1,013 X17 = 1,002 |
Tidak terdapat multi-kolin-eritas |
Sumber: Data diolah 2022
Bedasarkan hasil uji asumsi klasik pada Tabel 5. bahwa masi terdapat beberapa uji asumsi belum terpenuhi yaitu varians residual bersifat tidak homokedastisitas dan ada autokorelasi antar-residual sehingga kemungkinan ada efek kebergantungan spasial pada data.
-
3.6 Uji Kebergantungan Spasial
Setelah mencari matriks pembobot, selanjutnya dilakukan uji kebergantungan spasial dengan uji Lagrange Multiplier. Terdapat dua uji yang dilakukan yaitu uji pengaruh lag spasial dan uji pengaruh error spasial. Hasil kebergantungan spasial disajikan Tabel 6.
Tabel 6. Hasil Uji Lagrange Multiplier (LM)
Model |
Statistik Uji LM |
pvalue |
Spatial lag model |
11,851 |
0,0005762 |
Spatial error model |
1,177 |
0,278 |
Sumber: Data diolah, 2022
Pada Tabel 6. diperoleh pvaiue <α = (0,05) pada model spatial lag model, sehingga keputusan tolak H0. Dengan demikian, terdapat pengaruh lag spasial. Langkah selanjutnya dilakukan estimasi parameter spatial lag common effects model.
-
3.7 Pendugaan Parameter Spatial Lag
Common Effect Model
Pendugaan nilai parameter dalam spatial lag common effect model dilakukan dengan metode maximum likelihood estimation (MLE). Hasil estimasi parameter model spatial lag common effect disajian pada Tabel 7.
Tabel 7. Pendugaan Parameter Spatial Lag Common Effects Model
Parameter |
Nilai Estimasi |
Standard Error |
Wald |
pvalue |
Kons- |
-31,538 |
7,6747 |
-4,109 |
3,96 ×10-5 |
tanta | ||||
β1 |
3,382 |
0,1923 |
17,58 |
2,2 × 10-16 |
β2 |
1.1997 |
0.0921 |
13.02 |
2,2 × 10-16 |
β3 |
-1,305 |
0,168 |
-7,758 |
8,56 × 10-15 |
β4 |
43,686 |
4,2806 |
10,2 |
2,2 × 10-16 |
β5 |
120,46 |
27,591 |
4,366 |
1,26 ×10-5 |
β6 |
3,545 |
0,55 |
6,337 |
2,32 × 10-10 |
β7 |
-3,759 |
0,289 |
-12,97 |
2,2 × 10-16 |
β8 |
-2,278 |
0,723 |
-3,147 |
0,001648 |
β11 |
3,3505 |
1,321 |
2,535 |
0,0112 |
β12 |
5,6224 |
1,1715 |
4,799 |
1,594 × 10-6 |
β13 |
-10,306 |
1,8521 |
-5,56 |
2,62 × 108 |
β15 |
-7,842 |
1,1099 |
-7,06 |
1,59 × 10-12 |
β17 |
23,28 |
3,792 |
6,137 |
8,37 × 10-10 |
Z |
0,2201 |
0,0819 |
2,686 |
0,007219 |
Sumber: Data diolah, 2022
-
3.8 Pengujian Signifikan Parameter Spatial
Lag Common Effect Model
Pengujian signifikan parameter spatial lag model menggunakan uji Wald. Dengan memerhatikan Tabel 7. dengan melihat nilai Pvalue pada parameter λ tersebut kurang dari a = 0,05. Oleh karena itu, terdapat kebergantungan lag terhadap variabel dependen. Sedangkan semua variabel independennya berpengaruh terhadap PDRB yang memiliki nilai pvalue < a = (0,05) dan ∖Wald∖ > Z0,025=(1,96).
-
3.9 Interpretasi Model
Model yang terbentuk yaitu spatial lag common effects dengan nilai R2 sebesar 83,13%, dengan persamaan sebagai berikut:
Ytt = -31,538 + 0,2201 w
∑ wljYjt + 3,382X^ + 1,1997¾t — 1,305¾t
-
7 = 1
+ 43,686 X4/t + 120,46X5/t
+ 3,545‰ - 3,7X7it
-
- 2,278¾t + 3,3505⅛t
+ 5,62 Zi2tt — 10,306⅛ - 7,842⅛t + 23,28X17tt + ⅛ ;
i,; = 1,2,...,34; i ≠ j t = 2016,.,2020
-
a. Nilai koefisien Z = 0,2201 bermakna jika suatu wilayah ke - i dikelilingi oleh wilayah lain sebanyak n, maka pengaruh dari masing-masing kabupaten/kota yang mengelilinginya akan bertambah sebesar 0,2201 kali dari rataan nilai tingkat PDRB yang menjadi tetangga, apabila faktor lain dianggap konstan.
-
b. Variabel independen yang signifikan dan berpengaruh positif terhadap PDRB ialah (X1), (X2),(X5), (X6), (X11), (X12), (X17).
-
c. Variabel independen yang signifikan dan berpengaruh negatif terhadap PDRB yaitu industri pengolahan (X3), (X7), (X8), (X13), (X15).
-
4 KESIMPULAN DAN SARAN
-
4.1 Kesimpulan
Bedasarkan penelitian ini terdapat efek
kebergantungan spasial antardaerah, sehingga
pemodelan menggunakan metode regresi data panel spasial. Model regresi data panel spasial yang terbaik yaitu spatial lag common effect model. Variabel independen yang signifikan dan berpengaruh positif yaitu pertanian, kehutanan, dan perikanan (X1), pertambangan dan penggalian (X2), pengadaan
listrik dan gas (X4), pengadaan air, pengelolaan sampah, limbah dan daur ulang (X5), konstruksi (X6), jasa keuangan dan asuransi (Xii), real estat (X12), jasa lainnya (Xi7), sedangkan variabel
industri pengolahan (X3), perdagangan besar dan eceran; reparasi mobil dan sepeda motor (X7), transportasi dan pergudangan (X8), jasa perusahaan (X13), dan jasa pendidikan (X15), yang mempunyai pengaruh negatif terhadap tingkat PDRB.
-
4.2 Saran
Adapun saran yang dapat diberikan untuk pemerintah yaitu diharapkan dapat mengoptimalkan sektor-sektor yang berpengaruh signifikan terhadap PDRB sehingga dapat memberikan dampak yang lebih besar untuk meningkatkan PDRB, dari peningkatan PDRB secara langsung berdampak pada peningkatan pertumbuhan ekonomi dan juga kesejahteraan masyarakat.
Saran untuk penelitian selanjutnya bisa menggunakan data PDRB menurutt
Kabupaten/Kota.
DAFTAR PUSTAKA
Baltagi, B. H. (2011). Econometrics (5th ed).
John Wiley & Sons Ltd.
BPS Indonesia. (2021). Produk Domestik
Regional Bruto Provinsi-Provinsi Di Indonesia Menurut Lapangan Usaha
Tahun 2016-2020. Badan Pusat Statistik; Badan Pusat Statistik.
Elhorst, J. P. (2014). Spatial Econometrics From Cross-Sectional Data to Spatial Panels (Vol. 16). Springer.
Haryanto, S., & Saryono, A. (2018). Pemodelan PDRB Sektor Konstruksi di Jawa Timur Tahun 2010-2015 dengan Regresi Data Panel. Jurnal MSA (Matematika Dan Statistika Serta Aplikasinya), 6(2), 8–14.
Rahman, A. J., Soelistyo, A., & Hadi, S. (2016). Pengaruh Investasi, Pengeluaran
Pemerintah Dan Tenaga Kerja Terhadap Pdrb Kabupaten/Kota Di Propinsi Banten Tahun 2010-2014. Jurnal Ekonomi
Pembangunan, 14(1), 112.
https://doi.org/10.22219/jep.v14i1.3890
190
Discussion and feedback