MEMODELKAN PRODUK DOMESTIK REGIONAL BRUTO DI INDONESIA MENGGUNAKAN REGRESI DATA PANEL SPASIAL

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 Suciptawati^2§, Made Susilawati³

• ¹Program Studi Matematika, Falkutas MIPA - Universitas Udayana [Email: ayupujiastuti123@gmail.com]

• ²Program Studi Matematika, Falkutas MIPA - Universitas Udayana [Email: suciptawati@unud.ac.id]

• ³Program Studi Matematika, Falkutas MIPA - Universitas Udayana [Email: mdsusilawati@unud.ac .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 (Y_it) menggunakan data PDRB dan variabel independen terdiri dari 17 sektor menurut lapangan usaha yaitu terdiri dari pertanian, kehutanan, dan perikanan (X₁i_t), pertambangan dan penggalian (X₂i_t), industri pengolahan (X₃i_t), pengadaan listrik dan gas (X₄i_t), pengadaan air, pengelolaan sampah, limbah dan daur ulang (X_5it), konstruksi (X₆i_t), perdagangan besar dan eceran; reparasi mobil dan sepeda motor  (X7i_t), transportasi dan

pergudangan (X₈i_t), penyediaan akomodasi dan makan minum (X9i_t), informasi dan komunikasi (X₁0i_t), jasa keuangan dan asuransi (Xni_t), real estat    (X₁₂i_t), jasa    perusahaan    (X13i_t),

administrasi pemerintahan, pertahanan dan jaminan sosial wajib (X₁₄i_t), jasa pendidikan (X₁₅i_t), jasa kesehatan dan jasa kegiatan sosial ⁽X16it), jasa lainnya (X_nu).

• 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 +} ∑ ^βk^Xkit ^{+ u}U

k=1

• b. Fixed Effect Model (FEM)

• 1.    FEM Individual

3417

^Yit = ∑ Djt^ai ⁺ ∑ ^βk^Xkit ^{+ u}it j=1k=1

• 2.    FEM Time

3417

^Yit = ∑ Di_sa_s + ∑ ^βk^Xkit ^{+ u}it j=1k=1

c.

Random Effect Model (REM)

17

^γit = ^ao +

∑βkXk_it + w_it 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 P_value = 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 p_value = 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 p_va,_lue = 0.2215 > a = (0,05) dan F_hitung = 1,4467 < F_ta_bei = (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 p_value = 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 p_vaiue <^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 P_value 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 p_value < 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:

Y_tt = -31,538 + 0,2201 w

∑ w_ljY_jt + 3,382X^ + 1,1997¾t — 1,305¾t

• 7 = 1

+ 43,686 X_4/t + 120,46X_5/t

+ 3,545‰ - 3,7X_7it

• - 2,278¾t + 3,3505⅛t

+ 5,62 Zi2tt — 10,306⅛ - 7,842⅛t + 23,28X_17tt ⁺ 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 (X_ii), real estat (X₁₂), jasa lainnya (X_i7),   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