Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota Jawa Barat dengan Spasial Data Panel

PEMODELAN TINGKAT
PRODUK DOMESTIK REGIONAL BRUTO
KABUPATEN/KOTA JAWA BARAT
DENGAN SPASIAL DATA PANEL

NUR HIKMAH

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

ABSTRAK
NUR HIKMAH. Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota Jawa
Barat dengan Spasial Data Panel. Dibimbing oleh YENNI ANGRAINI dan ASEP SAEFUDDIN.
Jawa Barat merupakan provinsi dengan jumlah penduduk terbanyak di Indonesia. Provinsi
ini berada pada posisi ketiga dalam pencapain tingkat PDRB sepulau Jawa setelah DKI Jakarta dan
Jawa Timur. Namun demikian, meski Jawa Barat berada pada posisi ketiga dalam pencapaian
PDRB se-pulau Jawa, masih ditemukan ketimpangan pada tingkat pertumbuhan ekonomi di dalam
kabupaten/kota di Jawa Barat itu sendiri. PDRB merupakan salah satu indikator yang

menggambarkan laju pertumbuhan ekonomi dalam suatu wilayah. Melalui indikator ini dapat
diketahui seberapa besar pergerakan ekonomi yang dicapai. Penelitian ini bertujuan membentuk
persamaan regresi spasial data panel dengan faktor-faktor yang memengaruhi tingkat PDRB di
kabupaten/kota Jawa Barat. Berdasarkan analisis yang dilakukan dengan menggunakan analisis
spasial data panel, didapatkan peubah yang berpengaruh terhadap respon yaitu peubah PAD,
Jumlah Penduduk dan IPM. Sedangkan model terbaik berdasarkan kriteria nilai AIC dan BIC
terkecil dalam pemodelan tingkat PDRB kabupaten/kota Jawa Barat adalah model data panel
dengan pengaruh tetap dengan kebergantungan spasial pada lag.
.
Kata kunci : data panel, spasial data panel, matriks pembobot spasial.

PEMODELAN TINGKAT
PRODUK DOMESTIK REGIONAL BRUTO
KABUPATEN/KOTA JAWA BARAT
DENGAN SPASIAL DATA PANEL

NUR HIKMAH

Skripsi
sebagai salah satu syarat untuk memperoleh gelar

Sarjana Statistika pada
Departemen Statistika
Institut Pertanian Bogor

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

Judul Skripsi
Nama
NRP

: Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota
Jawa Barat dengan Spasial Data Panel
: Nur Hikmah
: G14080024

Menyetujui,

Pembimbing I,

Pembimbing II,

Yenni Angraini, S.Si, M.Si
NIP. 197805112007012001

Dr.Ir. Asep Saefuddin, M.Sc
NIP. 195703161981031004

Mengetahui :
Ketua Departemen Statistika,

Dr. Ir. Hari Wijayanto, M.Si
NIP. 196504211990021001

Tanggal Lulus :

KATA PENGANTAR

Segala puji dan syukur kepada Allah SWT atas kasih sayang, keberkahan dan hidayahNya
sehingga karya ilmiah ini dapat diselesaikan. Shalawat serta salam Penulis panjatkan kepada Nabi
Muhammad SAW yang telah membawa petunjuk untuk para pengikutnya. Karya ilmiah ini
berjudul “Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota Jawa Barat
dengan Spasial Data Panel” sebagai salah satu pemenuhan syarat kelulusan untuk meraih gelar
sarjana.
Selain itu Penulis juga mengucapkan terima kasih kepada
1. Ibu Yenni Angraini, S.Si, M.Si dan Bapak Dr.Ir. Asep Saefuddin M.Sc selaku dosen
pembimbing atas kesabaran, pengarahan, saran, nasehat dan inspirasi yang diberikan selama
pembuatan karya ilmiah ini.
2. Bapak Agus Muhammad Soleh S.Si, M.T selaku dosen penguji luar atas saran dan masukan
untuk karya ilmiah ini.
3. Seluruh Dosen Statistika IPB atas ilmu yang telah diajarkan selama Penulis menjalani
studinya beserta para Staf Administrasi terutama Ibu Markonah dan Ibu Tri.
4. Bapak dan Umi beserta ketiga kakak Penulis atas perjuangan, kasih sayang, dan lirihan doa
yang senantiasa dipanjatkan untuk Penulis, serta untuk Khairunnisa dan Dinar Arga P. terima
kasih atas motivasi, doa dan sharing yang diberikan.
5. Teman-teman satu pembimbing skripsi, Astri F. dan Yulia A. yang sama-sama berjuang untuk
menyelesaikan karya ilmiah, terima kasih untuk support dan diskusinya.
6. Teman-teman satu perjuangan Liara, Gusti, Umi, Syita, Hanik, dan seluruh keluarga di Wisma

Novia II Perwira 100 terima kasih atas kebersamaan dan support selama ini.
7. Seluruh keluarga besar Statistika IPB khususnya kepada Statistika 45.
Akhir kata semoga karya ilmiah ini bermanfaat dan dapat memberikan kontribusi dalam
menambahkan kekayaan keilmuan statistik.

Bogor, Desember 2012

Nur Hikmah

RIWAYAT HIDUP
Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 7 Januari 1990 sebagai anak keempat
dari empat bersaudara dari pasangan Bapak Mamad (Alm) dan Ibu Tinah. Pendidikan dasar
diselesaikan oleh Penulis pada tahun 2002 di SDN Kalibaru 3. Kemudian pada tahun 2005 Penulis
selesai menjalani tingkat pendidikan menengah pertama di SMP N 6 Depok. Tahun 2008 Penulis
berhasil meyelesaikan pendidikan menengah atas di SMA N 3 Depok. Melalui jalur penerimaan
Ujian Seleksi Masuk IPB (USMI) Penulis memasuki tingkat perguruan tinggi di Institut Pertanian
Bogor dengan pilihan Mayor Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis
memilih Ekonomi Pertanian sebagai minor dari Departemen Ekonomi dan Sumberdaya
Lingkungan. Selama perkuliahan Penulis aktif dalam kepanitiaan insidental serta organisasi
kemahasiswaan, diantaranya Unit Lingkung Seni Sunda Gentra Kaheman periode 2009 serta

sebagai anggota di Departemen Sains dalam Himpunan Profesi Gamma Sigma Beta periode
2009/2010 dan 2010/2011. Pada Februari - April 2012 Penulis melaksanakan kegiatan Praktik
Lapang di Perusahaan Umum Bulog, Jakarta Selatan.

DAFTAR ISI
Halaman
DAFTAR GAMBAR .................................................................................................................. viii
DAFTAR TABEL ....................................................................................................................... viii
DAFTAR LAMPIRAN ............................................................................................................... viii
PENDAHULUAN....................................................................................................................... 1
Latar Belakang....................................................................................................................... 1
Tujuan .................................................................................................................................... 1
TINJAUAN PUSTAKA .............................................................................................................. 1
Analisis Data Panel ..................................................................................................................... 1
- Model Gabungan ................................................................................................ 2
- Model Pengaruh Tetap ....................................................................................... 2
- Model Pengaruh Acak ........................................................................................ 2
- Uji Chow ............................................................................................................ 3
- Uji Hausman ...................................................................................................... 3
Analisis Spasial Data Panel ................................................................................................... 3

- Model Spasial Lag Panel .................................................................................... 3
- Model Spasial Galat Panel ................................................................................. 3
- Matriks Pembobot .............................................................................................. 3
- Indeks Moran ..................................................................................................... 4
- Uji Pengganda Lagrange .................................................................................... 4
Kriteria Kebaikan Model ....................................................................................................... 4
DATA DAN METODE .............................................................................................................. 5
Data ....................................................................................................................................... 5
Metode ................................................................................................................................... 5
HASIL DAN PEMBAHASAN ................................................................................................... 5
Eksplorasi Data dan Analisis Deskriptif ................................................................................ 5
Analisis Data Panel ................................................................................................................ 6
- Model Gabungan ................................................................................................ 6
- Model Pengaruh Tetap ....................................................................................... 6
- Uji Chow ............................................................................................................ 6
- Model Pengaruh Acak ........................................................................................ 6
- Uji Hausman ...................................................................................................... 6
Analisis Spasial Data Panel ................................................................................................... 7
- Pembentukan Matriks Pembobot Spasial ........................................................... 7
- Pengujian Indeks Moran ..................................................................................... 7

- Uji Pengganda Lagrange ..................................................................................... 7
- Pendugaan Parameter Analisis Spasial Data Panel ............................................. 7
• Spasial Lag Panel Pengaruh Tetap ................................................................ 7
• Spasial Error Panel Pengaruh Tetap ............................................................. 8
Kriteria Kebaikan Model ....................................................................................................... 9
SIMPULAN DAN SARAN ........................................................................................................10
Simpulan ................................................................................................................................10
Saran ......................................................................................................................................10
DAFTAR PUSTAKA .................................................................................................................10
LAMPIRAN ................................................................................................................................11

DAFTAR GAMBAR
1.
2.
3.
4.
5.

Halaman
Diagram Pencar Moran ........................................................................................................ 7

Diagram Pencar Antara Sisaan dan Nilai Y Duga Pada Model Spasial Lag Panel .............. 8
Plot Kenormalan Sisaan Pada Model Spasial Lag Panel...................................................... 8
Diagram Pencar Antara Sisaan dan Nilai Y Duga Model Spasial Error Panel..................... 9
Plot Kenormalan Sisaan Pada Model Spasial Error Panel ................................................... 9
DAFTAR TABEL

1.
2.
3.
4.
5.
6.
7.

Halaman
Hasil Pendugaan Model Gabungan ..................................................................................... 6
Hasil Pendugaan Model Tetap ............................................................................................ 6
Hasil Pendugaan Model Acak ............................................................................................. 6
Hasil Uji Pengganda Lagrange............................................................................................. 7
Hasil Pendugaan Model Spasial Lag Panel .......................................................................... 8

Hasil Pendugaan Model Spasial Error Panel........................................................................ 8
Perbandingan Nilai Kriteria Kebaikan Model ...................................................................... 9
DAFTAR LAMPIRAN

1.
2.
3.
4.

Halaman
Grafik Pergerakan Tingkat PDRB Kabupaten/Kota Jawa Barat .......................................... 12
Peta Administratif Provinsi Jawa Barat ............................................................................... 13
Matriks Pembobot Spasial Dengan Metode Queen Contiguity ............................................ 14
Dugaan Pengaruh Individu Model Spasial Data Panel......................................................... 15

1

PENDAHULUAN
Latar Belakang
Jawa Barat merupakan provinsi dengan

jumlah penduduk terbanyak di Indonesia.
Provinsi ini berada pada posisi ketiga dalam
pencapain tingkat PDRB sepulau Jawa setelah
DKI Jakarta dan Jawa Timur. Beberapa sektor
yang menjadi potensi dalam menyumbangkan
tingkat PDRB di Jawa Barat terdiri atas sektor
industri,
pertanian,
pertambangan,
perdagangan dan jasa. Namun demikian,
meski Jawa Barat berada pada posisi ketiga
dalam pencapaian PDRB se-pulau Jawa, masih
ditemukan
ketimpangan
pada
tingkat
pertumbuhan
ekonomi
di
dalam
kabupaten/kota di Jawa Barat itu sendiri.
PDRB merupakan salah satu indikator
yang menggambarkan laju pertumbuhan
ekonomi dalam suatu wilayah. Melalui
indikator ini dapat diketahui seberapa besar
pergerakan ekonomi yang dicapai sebagai
dampak dari pembangunan di daerah tersebut.
Informasi mengenai pergerakan ekonomi
beserta faktor-faktor yang memengaruhi
ketimpangan ekonomi yang terjadi antar
wilayah menjadi suatu hal yang menarik untuk
dikaji. Salah satu penelitian terdahulu yang
dilakukan oleh Masli (2009), pendekatan
PDRB digunakan dalam menganalisis faktorfaktor yang memengaruhi pertumbuhan
ekonomi dan ketimpangan regional antar
kabupaten/kota di Jawa Barat. Beberapa faktor
yang
berpengaruh
yaitu
teknologi,
peningkatan
sumber
daya
manusia,
peningkatan pendapatan dan perubahan selera
konsumen. Pada penelitian yang dilakukan
oleh Masli belum memasukkan pengaruh
spasial. Mengabaikan keberadaaan pengaruh
spasial bukan merupakan tindakan yang bijak.
Pada penelitian yang telah dilakukan oleh
Diputra (2011) mengenai pemodelan data
panel spasial dengan dimensi ruang dan
waktu, yang diterapkan pada data PDRB di
kabupaten/kota Provinsi Jambi, didapatkan
kesimpulan yaitu model akan memiliki nilai
R2 yang lebih besar jika memasukkan
pengaruh spasial ke dalam analisis. Hal
tersebut menunjukkan bahwa memasukkan
pengaruh spasial dalam analisis dapat
meningkatkan jumlah keragaman yang
dijelaskan oleh model. Adanya peningkatan
jumlah keragaman disebabkan oleh keragaman
yang dijelaskan model tidak hanya dari
peubah-peubah penjelas yang digunakan tetapi
juga dijelaskan oleh adanya pengaruh spasial.
Berdasarkan alasan tersebut maka pada
penelitian ini menyertakan pengaruh spasial

berupa lokasi (kabupaten/kota) dalam analisis
dengan harapan agar menambahkan informasi
dari model yang terbentuk. Selain itu
pengamatan data PDRB di kota/kabupaten
Jawa Barat dalam penelitian ini dilakukan
pada individu yang sama dalam beberapa
periode waktu tertentu dengan lag yang sama.
Adanya pengamatan yang dilakukan secara
berulang pada individu yang sama serta
dengan memasukkan unsur lokasi didalamnya
memungkinkan adanya kebergantungan antar
pengamatan,
dimana
dapat
terjadi
kemungkinan amatan di suatu lokasi
dipengaruhi oleh amatan di lokasi lain.
Pemasukan unsur lokasi dalam analisis
dapat diselesaikan dengan menggunakan
analisis spasial. Jika suatu data yang memiliki
unsur
spasial
didalamnya
kemudian
diselesaikan tanpa memasukkan unsur spasial,
maka akan mendapatkan model yang tidak
efisien. Model yang tidak efisien merupakan
model dengan nilai ragam yang tidak
minimum.
Pergerakan
ekonomi
kabupaten/kota di Jawa Barat yang dilihat dari
tingkat PDRB ini diduga memiliki pengaruh
spasial antar lokasi, dimana satu lokasi
memengaruhi
lokasi
yang
menjadi
tetangganya. Oleh karena itu analisis statistika
yang dapat digunakan yaitu analisis spasial
data panel.
Tujuan
Penelitian ini bertujuan membentuk
persamaan regresi spasial data panel dengan
faktor-faktor yang memengaruhi tingkat
PDRB di kabupaten/kota Jawa Barat.
TINJAUAN PUSTAKA
Analisis Data Panel
Data panel merupakan kombinasi dari
data deret waktu dan lintas individu. Data
deret waktu merupakan data pengamatan dari
satu atau lebih individu yang diamati dalam
beberapa periode waktu tertentu dengan lag
waktu pengamatan yang sama sedangkan data
lintas individu merupakan nilai dari satu atau
lebih individu yang dikumpulkan untuk unit
amatan dalam satu waktu (Gujarati 2003).
Dengan demikian data panel merupakan data
lintas individu yang diamati secara berulangulang baik pada satu atau lebih individu di
beberapa periode waktu tertentu dengan lag
waktu pengamatan yang sama.
Menurut Baltagi 2005, bentuk persamaan
umum dari analisis regresi data panel adalah
sebagai berikut

2

�

=

+

′

��

+

+��

[1]

i : 1,2,…, N dan t : 1,2,…,T

Model Gabungan
Pada analisis data panel, model yang
tidak memperhatikan pengaruh individu dan
waktu disebut dengan model gabungan. Model
ini
mengasumsikan
koefisien
regresi
(konstanta ataupun kemiringan) yang sama
antar unit analisis dan waktu. Atau dengan
kata lain, model ini merupakan bentuk model
yang sama seperti model regresi linear.
Persamaan model yang digunakan juga
mengikuti bentuk regresi linear dengan
komponen sisaan hanya berasal dari
pendugaan tanpa adanya unsur pengaruh
individu maupun waktu sebagai penyusunnya.
Bentuk persamaan model gabungan yaitu :
=

+

′

��

+��

=

+ ′ .� +

+�.

[4]

Kemudian, mengurangi persamaan [3] dengan
persamaan [4] sehingga didapatkan

dimana
i :
unit lintas individu.
t :
periode waktu.
yit :
respon individu ke- i pada periode
ke t.
α :
konstanta.
β :
vektor berukuran K x 1;
K
menyatakan banyaknya peubah
penjelas.
unit lintas individu pada amatan
�:
ke-i dan periode ke-t.
pengaruh individu yang tidak
:
terobservasi.
sisaan lintas individu pada amatan
� �:
ke-i periode ke-t.

�

.

[2]

Pendugaan parameter dilakukan dengan
menggunakan Metode Kuadrat Terkecil
(MKT). Asumsi yang terdapat pada model ini
yaitu sisaan menyebar normal, bebas dan
identik.( � ~ �(0, � 2 ).

Model Pengaruh Tetap
Model pengaruh tetap ini sesuai jika
digunakan dalam mengamati sejumlah N
individu dan kesimpulan akhir dibatasi hanya
pada perilaku dari segugus data yang diamati.
Pendugaan parameter menggunakan MKT
dengan teknik within. Menurut Baltagi (2005)
untuk fungsi regresi dari model tetap ini
adalah
+ ′ �� + + � �
[3]
� =

Kemudian persamaan [3] jika dirata-ratakan
sepanjang waktu menjadi

�

−

.

= ( ′ � − ′ . )� + ( � � − � . )

[5]

Misal ∗� = � − . , ∗� = ′ � − ′ . dan
� ∗� = � � − � . maka persamaan [5] menjadi
∗
∗
∗
� = �� + � �.

Selain teknik within, pada model
pengaruh tetap juga dikenal adanya teknik
dengan menggunakan penambahan peubah
boneka didalamnya atau biasa dikenal dengan
least squares dummy variables (LSDV).
Model ini juga diduga dengan menggunakan
MKT dan untuk nilai pengamatan pada
koefisien peubah
berupa peubah boneka
(dummy) yang mengizinkan terjadinya
perbedaan nilai parameter yang berbeda-beda
baik pada unit lintas individu maupun deret
waktu (Baltagi 2005).
Model Pengaruh Acak
Dalam Baltagi (2005) dikatakan bahwa
model pengaruh acak merupakan spesifikasi
model yang sesuai jika kita mengambil N
individu secara acak dari populasi yang besar.
Pendugaan parameter dengan menggunakan
MKT akan menghasilkan penduga yang bias
dan tidak efisien, sehingga penggunaan
metode Generalized Least Square dilakukan
dalam pendugaan pada model ini. Persamaan
untuk model pengaruh acak menurut Gujarati
(2003) adalah sebagai berikut:
�

=� +

� =

1

=

�

�

+��

+ µ

[6]

[7]

Dengan mensubstitusikan persamaan [7] ke
persamaan [6] didapatkan model
�

=

�

=

+
=

+
=

�� = µ + ��

�

�

�

�+

+µ +��
��

[8]

[9]
[10]

Adapun asumsi yang terdapat pada model ini
yaitu � ~ N (0, ��2 ), µ ~ N (0, � 2 ),
E(µ , � � ) ≠ 0.

3

Uji Chow
Uji Chow merupakan pengujian hipotesis
antara model gabungan dan model pengaruh
tetap. Dalam Baltagi (2005) hipotesis yang
digunakan dalam pengujian ini adalah:
H0 : model mengikuti model gabungan
H1 : model mengikuti model pengaruh tetap
Statistik uji yang digunakan adalah
F0 

 RRSS  URSS  /  N  1
URSS /( NT  N  K )

[11]

dimana RRSS merupakan restricted residual
sums of squares hasil dari pendugaan
parameter dari model gabungan. URSS
merupakan unrestricted residual sums of
squares hasil dari pendugaan parameter dari
model pengaruh tetap. Jika hipotesis nol benar
ditolak, maka F0 akan menyebar normal
dengan derajat bebas N-1, N(T-1)-K atau jika
nilai p yang diberikan kurang dari α.
Uji Hausman
Uji Hausman merupakan pengujian antara
model tetap dan model acak. Hipotesis awal
yang digunakan adalah model mengikuti
model pengaruh acak dan hipotesis
tandingannya adalah model mengikuti model
pengaruh tetap. Dalam Baltagi (2005), statistik
uji yang digunakan adalah:
[12]
χhit2=�′ [Var(�)]−1 �
dimana � = ���� − ������ . ���� adalah
koefisien model pengaruh acak dan ������
adalah koefisien model pengaruh tetap.
Var � = Var������ − ������� .
Jika
hipotesis nol benar ditolak maka � 2hit akan
menyebar mengikuti sebaran �2 dengan derajat
bebas (k,α), dan k merupakan jumlah koefisien
slope. Kriteria laiinnya yaitu tolak H0 jika nilai
p kurang dari α.
Analisis Spasial Data Panel
Model Spasial Lag Panel
Persamaan untuk model spasial lag panel
adalah sebagai berikut:

�

=

�
=1

�

+ ′ �� + � + � �

[13]

dimana
adalah koefisien spasial

autoregressive,
merupakan elemen dari
matriks W, dimana W merupakan matriks
pembobot spasial dengan elemen-elemen

diagonalnya sama dengan nol yang telah
dinormalisasi (Elhorst 2009).
Model Spasial Error Panel
Persamaan untuk model spasial error
panel adalah sebagai berikut:
[14]
� = ′ �� + � + ε � ;
ε� = �

�

=1

ε� +

�

[15]

dimana ε adalah sisaan spasial autokorelasi
dan ρ adalah koefisien autokorelasi spasial
(Elhorst 2009).
Matriks Pembobot Spasial
Matriks pembobot spasial merupakan
matriks yang menggambarkan kekuatan antar
lokasi dan merupakan matriks contiguity yang
telah mengalami standarisasi. Pendekatan
matriks pembobot ini berdasarkan informasi
kebertetanggaan (neighbourhood).
Pembobotan
dilakukan
dengan
membentuk matriks C dimana cij merupakan
elemen pada baris ke-i dan kolom ke-j. cij akan
bernilai 1 pada daerah yang bertetangga dan 0
selainnya.
Selanjutnya untuk melihat besarnya
pembobotan, dilakukan standarisasi dari
matriks C sehingga terbentuk matriks
pembobot spasial (W). Pola umum yang
digunakan adalah standarisasi terhadap baris.
Hal ini dilakukan dengan membagi setiap
elemen di dalam suatu baris dengan total
nilai di setiap baris tersebut. Jika hal ini
dinotasikan menjadi :

=

�

�
=1 �

[16]

Menurut LeSage (1999) beberapa penentuan
matriks pembobot spasial adalah sebagai
berikut :
 Linear Contiguity : memberikan nilai 1
untuk setiap daerah yang bersisian kanan
dan kiri, serta memberikan nilai 0 untuk
selainnya.
 Rook Contiguity : memberikan nilai 1
untuk setiap daerah yang bersisian kanan,
kiri, atas dan bawah, dan memberikan
nilai 0 untuk selainny.
 Bishop Contiguity : memberikan nilai 1
untuk setiap daerah yang betetaggaan
secara sudut dan memberikan nilai 0
untuk selainnya.
 Queen Contiguity : memberikan nilai 1
untuk setiap daerah yang bersisian kanan,
kiri, atas dan bawah, dan juga yang
bertetanggaan
secara
sudut
dan
memberikan nilai 0 untuk selainnya.

4





Double Linear Contiguity : kriteria
pemberian bobot sama halnya seperti
Linear Contiguity, namun untuk 2 lokasi
dari lokasi awal masih dianggap tetangga,
serta memberikan nilai 0 untuk selainnya.
Double Rook Contiguity : kriteria
pemberian bobot sama halnya seperti
Rook Contiguity, namun untuk 2 lokasi
dari lokasi awal masih dianggap tetangga,
serta memberikan nilai 0 untuk selainnya.

a.

Statistik uji yang digunakan:
e′

I

n
n

n

 wij
i 1 j 1

n
yi
yj
wij

n

 w  y
i 1 j 1

ij

n

i

  yi  y 

[17]

i 1

: banyanknya pengamatan
: nilai rata-rata dari {yi} dari n lokasi
: nilai pada lokasi ke-i
: nilai pada lokasi ke-j
: elemen matriks pembobot spasial baris
ke-i kolom ke-j

Hipotesis yang digunakan adalah sebagai
berikut:
H0 : I = 0 (tidak ada autokorelasi antar lokasi)
H1 : I ≠ 0 (ada autokorelasi antar lokasi)
Nilai harapan diberikan sebagai berikut:

I0 

1
(n  1)

� =

� =
=

[18]

Nilai Indeks Moran antara -1 dan 1 (-1
menunjukkan autukorelasi negatif sempurna
dan 1 menunjukkan autokorelasi positif
sempurna). Jika nilai dari I lebih besar dari
nilai I0 artinya terdapat autokorelasi yang
positif pada data. Sebaliknya jika nilai I < I0
artinya terdapat autokorelasi yang negatif.
Sedangkan jika nilai I = 0 artinya tidak
terdapat autokoreelasi spasial.
Lagrange Multiplier (LM)
Untuk menguji pengaruh interaksi spasial
pada model panel spasial dilakukan pengujian
Lagrange Multiplier. Menurut Anselin et.al
(2006), persamaan Lagrange Multiplier adalah
sebagai berikut:

σ2
J

�
NT

�

−

�
�

′

2

19
[20]
−

′

� ′ � � + ��� �

[21]
[22]

Keputusan tolak H0 jika nilai LMλ >χ2(q)
tabel, dengan q adalah banyaknya
parameter spasial atau jika nilai p < α.

 y  yj  y 
2

� �

LMλ =

Indeks Moran
Indeks moran merupakan statistik uji yang
digunakan untuk melakukan pegujian terhadap
autokorelasi spasial. Statistik ini adalah ukuran
korelasi antara pengamatan yang saling
berdekatan dengan membandingkan nilai di
suatu daerah dengan nilai pengamatan di
daerah lainnya. Persamaan untuk menghitung
nilai Indeks Moran adalah sebagai berikut:
n

Lagrange Multiplier Lag
Hipotesis yang digunakan adalah:
H0: λ=0 (tidak ada ketergantungan lag
spasial)
H1: λ≠0 (ada ketergantungan lag spasial)

b.

Lagrange Multiplier Error
Hipotesis pengujian yang digunakan :
H0 : ρ = 0 (tidak terdapat autokorelasi
spasial error)
H1 : ρ ≠ 0 (terdapat autokorelasi spasial
error)
Statistik uji untuk LMρ adalah :
�′ IT w �/σ2
LMρ =
[23]
TxTw
Dimana Tw adalah teras dari ((W+W’)W),
�2 merupakan ragam dari regresi data
panel, IT merupakan matriks identitas
berukuran TxT, W adalah matriks
pembobot
spasial
yang
telah
dinormalisasi, dan e adalah vektor sisaan
dari model gabungan tanpa ada satupun
pengaruh spasial maupun waktu atau
vektor sisaan dari model data panel
dengan pengaruh tetap/acak dari spasial
dan atau waktu. Keputusan tolak H0 jika
nilai LMρ >χ2(q) tabel, dengan q adalah
banyaknya parameter spasial atau jika
nilai p < α.

Kebaikan Model
Beberapa kriteria kebaikan model yaitu
dengan melakukan pengukuran terhadap nilai
Akaike information criterion (AIC) dan
Bayesian Information Criterian (BIC).
Perhitungan AIC dan BIC adalah sebagai
berikut:
RSS
AIC = n ln
+ 2k
[24]
n

5

BIC = n ln σ2 e + k ln⁡(n)

a.

[25]

Dimana n adalah banyaknya unit amatan. RSS
adalah jumlah kuadrat galat dari hasil
pendugaan dan k merupakan banyaknya
parameter yang diduga. Kriteria pemilihan
model yaitu model dengan nilai AIC dan BIC
terkecil.
DATA DAN METODE
Data
Data yang digunakan dalam penelitian ini
merupakan data sekunder dari Badan
Perencanaan Pembangunan Daerah (Bappeda)
Jawa Barat, serta Jawa Barat dalam Angka
yang diterbitkan oleh Badan Pusat Statistik
(BPS). Unit amatan yang diteliti pada
penelitian ini selama periode 2005-2009 pada
25 kabupaten/kota di Jawa Barat.
Kedua puluh lima kabupaten/ kota
tersebut yaitu Kab. Bogor, Kab. Sukabumi,
Kab. Cianjur, Kab. Bandung, Kab. Garut, Kab.
Tasikmalaya, Kab. Ciamis, Kab. Kuningan,
Kab. Cirebon, Kab. Majalengka, Kab.
Sumedang, Kab. Indramayu, Kab. Subang,
Kab. Purwakarta, Kab. Karawang, Kab.
Bekasi, Kota Bogor, Kota Sukabumi, Kota
Bandung, Kota Cirebon, Kota Bekasi, Kota
Depok, Kota Cimahi, Kota Tasikmalaya, dan
Kota Banjar. Pemilihan kabupaten dan kota
mencakup keseluruhan dari kabupaten dan
kota yang terdapat di Jawa Barat sebelum
adanya pemekaran wilayah pada tahun 2007.
Wilayah Bandung Barat sebagai wilayah hasil
pemekaran pada tahun 2007, dianggap masih
menjadi satu kesatuan dengan wilayah
Kabupaten Bandung.
Sebagai peubah respon yaitu PDRB,
sedangkan untuk peubah penjelas terdiri dari
empat buah yaitu Pendapatan Asli Daerah
(PAD) (X1), jumlah penduduk (X2), total
belanja daerah (X3), dan Indeks Pembangunan
Manusia (IPM) (X4).
Metode
Langkah-langkah yang digunakan dalam
melakukan analisis pada penelitian ini, yaitu:
1. Melakukan eksplorasi data untuk melihat
gambaran umum dari data
2. Melakukan analisis regresi data panel
2.1 Melakukan pendugaan dengan model
gabungan dan pengaruh tetap.
2.2 Melakukan uji Chow untuk memilih
model data panel yang sesuai antara
model gabungan atau model tetap.

3.

Jika terima H0 maka model
gabungan
yang
digunakan.
(pendugaan sampai disini)
b. Jika tolak H0 maka model
pengaruh tetap yang dipilih dan
lanjutkan ke langkah 2.3
2.3 Melakukan pendugaan dengan model
pengaruh acak
2.4 Melakukan Uji Hausman untuk
memilih antara model tetap atau
model acak
a. Jika terima H0 maka model acak
yang
digunakan (pendugaan
sampai disini)
b. Jika tolak H0 maka model
pengaruh tetap yang dipilih
Melakukan analisis spasial data panel
3.1 Menentukan
matriks
pembobot
spasial (W).
3.2 Melihat
kebergantungan
spasial
menggunakan Indeks Moran.
3.3 Menguji pengaruh interaksi spasial
dengan menggunakan uji Lagrange
Multiplier (LM).
3.4 Melakukan pendugaan parameter
model spasial data panel.
3.5 Melihat kebaikan model melalui AIC
dan BIC.
HASIL DAN PEMBAHASAN

Eksplorasi Data
Eksplorasi data yang dilakukan dalam
penelitian ini meliputi pengamatan pergerakan
tingkat PDRB pada periode 2005-2009. Pada
Lampiran 1 dapat dilihat pergerakan PDRB
sejak tahun 2005 hingga tahun 2009
menunjukkan tren nilai yang menaik di setiap
tahunnya untuk semua kota dan kabupaten.
Kontribusi PDRB terbesar untuk Provinsi
Jawa Barat diberikan oleh Kabupaten Bekasi,
dilanjutkan oleh Kota Bandung dan Kabupaten
Bogor. Sedangkan Kota Banjar, Kota
Sukabumi
dan
Kabupaten
Kuningan
merupakan kabupaten/kota yang memberikan
kontribusi terkecil terhadap PDRB di Jawa
Barat. Jika diperhatikan dengan seksama untuk
kabupaten/kota yang memiliki tingkat PDRB
yang tinggi ternyata sebagian besar PDRB
yang tercipta di wilayahnya merupakan
wilayah industrialisasi dan perdagangan, dan
sektor-sektor tersebut merupakan sektor
andalan di Jawa Barat (BPS, 2011).
Dua wilayah dengan tingkat PDRB
tertinggi yakni Kabupaten Bogor dan
Kabupaten Bekasi merupakan wilayah yang
bertetangga langsung dengan wilayah DKI
Jakarta. Kondisi ini memungkinkan bagi

6

kedua wilayah tersebut memiliki kemudahan
akses terhadap wilayah Ibu Kota yang lebih
tinggi
dibandingkan
wilayah
lainnya.
Sedangkan untuk Kota Bandung merupakan
daerah Ibu Kota Provinsi Jawa Barat, sehingga
wilayah ini juga memungkinkan untuk
memiliki tingkat aktivitas ekonomi yang lebih
tinggi daripada wilayah lainnya yang
tergambarkan pada tingkat PDRB yang
dicapai.
Wilayah-wilayah yang saling bertetangga
diduga akan memberikan pengaruh terhadap
wilayah yang bertetangga dengannya.
Berdasarkan hal ini diduga bahwa terdapat
kebergantungan spasial antar wilayah pada
tingkat PDRB di kabupaten/kota di Jawa
Barat. Karena adanya perbedaan satuan yang
cukup besar antara peubah respon dan peubah
penjelas, sebelum melakukan analisis dalam
penelitian ini dilakukan proses transformasi
untuk
keseluruhan
peubah.
Proses
transformasi yang dilakukan tidak hanya pada
peubah respon saja karena untuk menghindari
perubahan pola hubungan antar peubah yang
digunakan. Selain itu hal ini dilakukan untuk
pemenuhan pengujian asumsi sehingga
dilakukan transformasi logaritma natural.
Analisis Data Panel
Spesifikasi Model
Analisis data panel dilakukan untuk
melihat bagaimana pengaruh waktu dan
pengaruh individu yang terdapat di dalam
model. Penelitian ini hanya dilakukan dalam
satu arah untuk melihat pengaruh individu saja
tanpa melihat pengaruh waktu. Terdapat tiga
bentuk model dalam data panel yaitu model
gabungan tanpa adanya pengaruh individu dan
waktu, model pengaruh tetap dan model
pengaruh acak.
Pada Tabel 1 dapat dilihat peubah yang
berpengaruh nyata terhadap respon untuk
model gabungan pada taraf 5 % yaitu X1, X2
dan X4.
Tabel 1 Hasil pendugaan model gabungan
Peubah
Koefisien
Nilai p
C
X1
X2
X3
X4

*nyata pada α = 5 %.

0.698
0.128
0.902
0.027
3.008

0.891
0.015*
0.000*
0.240
0.012*

Selanjutnya setelah dilakukan pengujian
terhadap
model
gabungan
dilakukan

pendugaan model data panel dengan pengaruh
tetap. Pada Tabel 2 dapat dilihat peubah yang
berpengaruh nyata terhadap respon untuk
model pengaruh tetap pada taraf 5 % yaitu X2
dan X4.
Tabel 2 Hasil pendugaan
pengaruh tetap
Peubah

model

panel

Koefisien

Nilai p

-28.981
-0.007
1.591
-0.002
8.684

0.000*
0.762
0.000*
0.786
0.000*

C
X1
X2
X3
X4

*nyata pada α = 5 %.

Uji Chow
Pengujian ini merupakan tahap lanjut untuk
memilih apakah model data panel gabungan
atau model data panel dengan pengaruh tetap
yang sesuai digunakan. Berdasarkan uji Chow
diperoleh nilai F sebesar 25.351 dan nilai p
sebesar 0.000. Nilai p yang didapatkan lebih
kecil dari α = 5 %, hal ini berimplikasi H0
dapat ditolak. Sehingga hasil dari uji Chow
ini menunjukkan bahwa model sementara
yang digunakan adalah model data panel
dengan pengaruh tetap.
Model Pengaruh Acak
Pendugaan model panel dengan pengaruh
acak menunjukkan peubah yang berpengaruh
signifikan yaitu peubah X2 dan X4,
ditunjukkan dengan nilai p kedua peubah
tersebut kurang dari α = 5 %.
Tabel 3 Hasil pendugaan
pengaruh acak
Peubah
Koefisien
C
X1
X2
X3
X4

*nyata pada α = 5 %.

-16.042
-0.000
1.087
-0.002
7.271

model

panel

Nilai p
0.006*
0.994
0.000*
0.806
0.000*

Uji Hausman
Setelah melakukan pendugaan model
pengaruh tetap, selanjutnya dilakukan
pendugaan dengan model pengaruh acak. Uji
Hausman dilakukan untuk memilih model data
panel dengan pengaruh tetap atau model
pengaruh acak yang akan digunakan. Hasil uji
ini menunjukkan nilai χ2 hitung sebesar 14.824
dengan nilai p sebesar 0.005. Nilai p yang
didapat lebih kecil dari α = 5 %. Hal ini

32

7

berimplikasi hipotesis nol dapat ditolak,
artinya model data panel yang digunakan
adalah model data panel pengaruh tetap.

Hasil akhir pada analisis data panel
diperoleh model data panel pengaruh tetap.
Pengaruh tetap inilah yang selanjutnya akan
dimasukkan dalam analisis spasial data panel.

30

27 52

43
93
29

spatially lagged b

31

102
77

18

28

Analisis Spasial Data Panel

82
47

68

118
88

28

29

30

31

32

b

Gambar 1 Diagram pencar Moran.
Matriks Pembobot Spasial
Pembentukan matriks pembobot spasial
untuk melihat kekuatan interaksi yang terjadi
antar lokasi. Metode queen contiguity yang
telah dinormalisasi baris digunakan dalam
penelitian ini. Metode ini memberikan nilai 1
pada setiap daerah yang bersinggungan baik
sisi maupun sudut, dan memberikan nilai 0
untuk selainnya. Dalam menormalisasikan
matriks contiguity menjadi matriks pembobot
spasial dilakukan dengan membagi setiap
unsur dalam matriks contiguity dengan total
nilai setiap barisnya. Sehingga setiap unsur
dapat mewakili bobot spasial dengan nilai
pembobot dari keseluruhan lokasi yang saling
berdekatan. Normalisasi baris juga dapat
memberikan hasil yang lebih akurat karena
bobot setiap lokasi merupakan hasil dari
pembagian dengan jumlah total tetangganya.
Matriks pembobot spasial terlampir pada
Lampiran 3.
Indeks Moran
Tahap awal dalam melakukan analisis
spasial yaitu mengecek keberadaan adanya
pengaruh spasial. Hasil pengujian Indeks
Moran memberikan nilai I sebesar 0.249
dengan nilai p sebesar 0.000. Nilai harapan
dari indeks Moran (I0) sebesar -0.008, dengan
didapatkannya nilai I > I0 dan nilai p yang
kurang dari α (5%), maka cukup bukti untuk
mengatakan bahwa terdapat autokorelasi
spasial positif antar lokasi pada tingkat PDRB
di Provinsi Jawa Barat.
Keberadaan autokorelasi spasial positif
juga dapat dilihat pada Gambar 1. Dimana
pada gambar tersebut Moran’s Scatterplot
menggambarkan kemiringan garis yang
positif. Kemiringan garis positif inilah yang
menunjukkan terdapat autokorelasi yang
bersifat positif antar lokasi.

Uji Pengganda Lagrange
Selain menggunakan Indeks Moran,
pengecekan mengenai adanya kebergantungan
spasial dapat dilakukan melalui pengujian LM.
Tabel 4 Hasil uji pengganda Lagrange
Nilai Chi_kuadrat Nilai p
Uji LM
LM SAR
5.101
3.841
0.023*
LM SEM

20.362

3.841

0.000*

*nyata pada α = 5 %.

Pengujian
ini
untuk
mengetahui
spesifikasi khusus pengaruh kebergantungan
spasial yang terjadi yaitu kebergantungan pada
lag (SAR) atau pada galat (SEM). Pada Tabel
4 dapat dilihat nilai χ2 hitung untuk LM SAR
sebesar 5.101 lebih besar dari nilai χ2 tabel
(3.841) dengan nilai p yaitu 0.023. Untuk nilai
χ2 hitung yang dihasilkan pada LM SEM
sebesar 20.362, lebih besar dari nilai χ2 tabel
(3.841) dengan nilai p yaitu 0.000. Karena
hasil kedua uji pengganda Lagrange ini
memiliki nilai p yang kurang dari α baik pada
LM SAR maupun LM SEM, hal ini
berimplikasi hipotesis nol dapat ditolak.
Sehingga pemodelan kebergantungan spasial
yang dapat dilakukan yaitu Spatial Lag Panel
Model dan Spatial Error Panel Model.
Pendugaan Model
Pengaruh Tetap

Spasial

Lag

Panel

Tabel 5 menunjukkan hasil pemodelan
spasial lag panel dengan pengaruh tetap.
Persamaan model yang terbentuk pada model
spasial lag panel dengan pengaruh tetap ini
yaitu
Lnyit = 0.160

�

=1

Ln

�

+ 0.117 Ln X1 �

+ 0.757 LnX2 �
+ 0.017 Ln X3 �
+ 6.044 LnX4 � +
+��
; ≠

8

0.5
0.0
-0.5

28

29

30

31

32

yduga

Gambar 2 Diagram pencar antara sisaan dan
nilai Y duga pada model spasial lag
panel.

0.5

Merujuk pada Tabel 5 peubah-peubah
yang memiliki nilai p yang lebih kecil dari α
(5%) yaitu peubah X1, X2 dan X4. Sehingga
dapat disimpulkan peubah-peubah tersebut
merupakan peubah yang berpengaruh secara
nyata pada α (5%). Koefisien autoregresi
spasial (lambda) juga menunjukkan nilai p
yang lebih kecil dari α (5%). Hal ini
menunjukkan bahwa terdapat kebergantungan
spasial pada lag dari model spasial data panel
ini. Nilai koefisien aoutoregresi ini dapat
diartikan bahwa korelasi tingkat PDRB pada
satu kota/kabupaten dengan kota/kabupaten
lain yang menjadi tetangganya sebesar exp
(0.160) dikali rata-rata tingkat PDRB di
kota/kabupaten yang mengelilinginya.
Peubah keempat yaitu IPM merupakan
indeks
rataan
dari
tiga
komponen
penyusunnya yaitu pendapatan, tingkat
kesehatan dan pendidikan. Semakin besar nilai
IPM dari suatu lokasi tertentu maka kondisi
atau potensi dari penduduk di lokasi tersebut
dapat dikatakan semakin baik. Koefisien
penduga untuk IPM pun bernilai positif,
artinya semakin besar tingkat IPM maka
PDRB pun meningkat.
Besarnya nilai
pengaruh setiap individu untuk kabupaten dan
kota di Provinsi Jawa Barat pada model
spasial lag panel dapat dilihat pada Lampiran
4.
Pengujian asumsi yang dilakukan pada
model spasial data panel ini yaitu asumsi
kenormalan, kehomogenan ragam dan
autokorelasi pada sisaan. Secara eksplorasi
untuk pengecekan keacakan sisaan dapat
dilihat pada Gambar 2. Pada gambar tersebut
plot antara nilai dugaan dan sisaan memiliki
pola tebaran yang acak, atau dengan kata lain
asumsi sisaan saling bebas terpenuhi. Selain
itu Gambar 2 juga menunjukkan pencaran dari
sebaran galat yang homogen, dengan lebar pita
yang relatif sama. Hal ini mengindikasikan
bahwa ragam sisaan bersifat homogen.
Pengecekan kenormalan sisaan dapat
dilihat melalui plot QQ normal pada Gambar
3. Pada gambar tersebut dapat dilihat, sebaran
sisaan hampir membentuk garis linear yang
menandakan bahwa sisaan menyebar normal.

0.0

0.046*
0.005*
0.000*
0.315jj
0.000*

-0.5

*nyata pada α = 5 %.

0.160
0.117
0.757
0.017
6.044

sisaan

lambda
X1
X2
X3
X4

Selain itu hasil pengujian Jarque Bera (JB)
diperoleh nilai p sebesar 0.297, lebih besar
dari α (5%). Hal ini berimplikasi hipotesis nol
tidak ditolak yang menandakan bahwa asumsi
sisaan menyebar normal terpenuhi.

Sample Quantiles

Tabel 5 Hasil pendugaan model spasial lag
panel dengan pengaruh tetap.
Peubah
Koefisien
Nilai p

-2

-1

0

1

2

Theoretical Quantiles

Gambar 3 Plot kenormalan sisaan pada model
spasial lag panel.
Pendugaan Model Spasial Error Panel
Pengaruh Tetap
Tabel 6 menunjukkan hasil pemodelan
spasial error panel dengan pengaruh tetap.
Persamaan model yang terbentuk pada model
spasial error panel dengan pengaruh tetap ini
yaitu
Ln yit = 0.106 Ln X1 �
+ 0.761 Ln X2 �
+ 0.031 Ln X3 �
+ 5.982 Ln X4 � +

e � = 0.339

�

=1

e� +

�

; ≠

+e�

Merujuk pada Tabel 6 peubah-peubah
yang memiliki nilai p yang lebih kecil dari α
(5%) yaitu peubah X1, X2 dan X4. Sehingga
dapat disimpulkan peubah-peubah tersebut
merupakan peubah yang berpengaruh secara
nyata pada α (5%). Koefisien autokorelasi

9

Tabel 6 Hasil pendugaan model spasial error
panel dengan pengaruh tetap
Peubah
Koefisien
Nilai p
rho
X1
X2
X3
X4

*nyata pada α = 5 %.

0.339
0.106
0.761
0.031
5.982

0.000*
0.004*
0.000*
0.097
0.000*

0.0
-0.5

sisaan

0.5

Pengujian asumsi yang dilakukan pada
model spasial data panel ini yaitu asumsi
kenormalan, kehomogenan ragam dan
autokorelasi.
Secara
eksplorasi
untuk
pengecekan keacakan sisaan dapat dilihat pada
Gambar 4. Pada gambar tersebut plot antara
nilai dugaan dan sisaan memiliki pola tebaran
yang acak, atau dengan kata lain asumsi sisaan
saling bebas terpenuhi. Selain itu Gambar 4
juga menunjukkan pencaran dari sebaran
sisaan yang homogen dengan lebar pita yang
relatif sama. Hal ini mengindikasikan bahwa
ragam sisaan bersifat homogen.

28

29

30

31

32

yduga

Gambar 4 Diagram pencar antara sisaan dan
nilai Y duga pada model spasial
sisaan panel.
Pengecekan kenormalan sisaan dapat
dilihat melalui plot QQ normal pada Gambar
5. Plot sebaran sisaan pada gambar tersebut
hampir membentuk garis linear yang
menandakan bahwa sisaan menyebar normal.

0.5
0.0

Sample Quantiles

Selain itu hasil pengujian Jarque Bera (JB)
diperoleh nilai p sebesar 0.172 lebih besar
dari α (5%). Sehingga hipotesis nol tidak
ditolak, hal ini menandakan bahwa asumsi
sisaan menyebar normal terpenuhi.

-0.5

spasial (rho) juga menunjukkan nilai p yang
lebih kecil dari α. Hal ini menunjukkan bahwa
terdapat pengaruh spasial pada sisaan dari
model spasial data panel ini. Nilai koefisien
aoutokorelasi ini dapat diartikan bahwa
korelasi
spasial
sisaan
pada
satu
kota/kabupaten dengan kota/kabupaten lain
yang menjadi tetangganya sebesar exp (0.339)
dikali rata-rata sisaan di kota/kabupaten yang
mengelilinginya. Besarnya nilai pengaruh
setiap individu untuk kabupaten dan kota di
Provinsi Jawa Barat dapat dilihat pada
Lampiran 4.

-2

-1

0

1

2

Theoretical Quantiles

Gambar 5 Plot kenormalan sisaan pada model
spasial sisaan panel.
Kebaikan Model
Kriteria yang digunakan untuk melihat
kebaikan model yaitu dengan menggunakan
nilai AIC dan BIC. Hasil pemodelan baik
untuk model spasial lag panel dan spasial
sisaan panel memberikan nilai AIC seperti
pada Tabel 7.
Tabel 7 Perbandingan nilai kriteria kebaikan
model
Kriteria
SAR Panel
SEM Panel
AIC
-243.253
-238.144
-222.998
BIC
-233.253
Berdasarkan kriteria nilai AIC dan BIC,
penentuan nilai terbaik yaitu model yang
memiliki nilai AIC dan BIC terkecil. Merujuk
pada Tabel 7, model yang memiliki nilai AIC
dan BIC terkecil yaitu model spasial lag panel
dengan pengaruh tetap.
Namun
demikian
penentuan
pembentukan model spasial data panel juga
dapat dilihat dari hasil pengujian pengganda
Lagrange. Berdasarkan rujukan yang ditulis
oleh Profesor Henk Folmer yang disampaikan
dalam Spatial Econometrics International
Seminar pada September 2012, pemilihan
model spasial data panel dilakukan dengan
melihat nilai hasil uji pengganda Lagrange.
Beliau menyebutkan bahwa kriteria dalam
memilih model yang akan digunakan yaitu
yang memiliki nilai uji pengganda Lagrange
terbesar dan nilai p terkecil. Sehingga jika
terjadi kemungkinan hasil uji pengganda
Lagrange memberikan nilai yang nyata baik
pada lag maupun sisaan, maka yang dipilih

10

adalah model spasial data panel dengan
kriteria nilai uji pengganda Lagrange terbesar
dan nilai p terkecil.
Dengan demikian berdasarkan rujukan
tersebut memilih model spasial error panel
dengan pengaruh tetap dalam pemodelan
tingkat PDRB kabupaten/kota di Jawa Barat
masih dapat digunakan. Selain itu, alasan
untuk tetap mempertahankan model spasial
error panel untuk dapat digunakan yaitu
karena nilai kriteria kebaikan model, baik AIC
maupun BIC menunjukkan rentang nilai yang
tidak terpaut jauh. Sehingga pemilihan model
spasial error panel masih memungkinkan.
SIMPULAN DAN SARAN
Simpulan
Model terbaik yang diperoleh berdasarkan
kriteria nilai AIC dan BIC dalam memodelkan
tingkat PDRB kabupaten/kota di Provinsi
Jawa Barat yaitu model spasial lag panel
dengan pengaruh tetap. Peubah yang
berpengaruh dalam penelitian ini yaitu PAD,
Jumlah Penduduk dan IPM.
Saran
Saran untuk penelitian selanjutnya
modifikasi dalam pembentukan matriks
pembobot spasial dapat dilakukan. Dalam
analisis spasial panel dengan menggunakan
data perekonomian, selain penggunaan matriks
contiguity, pembentukan matriks pembobot
spasial dapat pula dilakukan dengan
pendekatan jarak ekonomi.

DAFTAR PUSTAKA
Anselin, et al. 2006. Spatial Panel Data
Models. In Fischer MM, Getis A (Eds.)
Handbook ofApplied Spatial Analysis,
Ch. Berlin Heidelberg New York:
Springer.
Baltagi B.H. 2005. Econometrics Analysis of
Panel Data. Ed ke-3. England : John
Wiley and Sons, LTD.
BPS. 2011. Jawa Barat dalam Angka 2011.
Kerjasama
Badan
Perencanaan
Pembangunan Daerah Provinsi Jawa Barat
dengan Badan Pusat Statistik Provinsi
Jawa Barat.
Diputra TF. 2011. Pemodelan Data Panel
Spasial Dengan Dimensi Ruang dan
Waktu. [Skripsi]. Departemen Statistika
FMIPA IPB.
Elhorst J.P. 2009. Spatial Panel Data Models.
In Fischer MM, Getis A (Eds.) Handbook
ofApplied Spatial Analysis, Ch. C.2.
Berlin Heidelberg New York: Springer.
Folmer H. 2012. Spatial Econometrics Model
dalam Spatial Econometrics International
Seminar. IPB International Convention
Centre (IICC) Bogor.
Gujarati D.N. 2003. Basic Econometrics. Ed
ke-4. Singapore: The McGraw-Hill
Companies, Inc.
LeSage J.P. 1999.The Theory and Practice of
Spatial Econometrics. Departement of
EconomicsUniversity of Toledo.
Masli L. 2009. Analisis Faktor-Faktor yang
Mempengaruhi Pertumbuhan Ekonomi
dan Ketimpangan Regional Antar
Kabupaten/Kota di Provinsi Jawa
Barat.[Skripsi].STIE STAN.

LAMPIRAN

12

Lampiran 1 Grafik Pergerakan Tingkat PDRB Kabupaten/Kota di Jawa Barat
100
100,000,000.00
Kab. Bogor
Kab. Sukabumi
90
90,000,000.00

Kab. Cianjur
Kab. Bandung
Kab. Garut

80
80,000,000.00

Kab. Tasikmalaya
Kab. Ciamis
70
70,000,000.00

Kab. Kuningan

PDRB (Trilliun Rupiah)

Kab. Cirebon
Kab. Majalengka

60
60,000,000.00

Kab. Sumedang
Kab. Indramayu
50
50,000,000.00

Kab. Subang
Kab. Purwakarta
Kab. Karawang

40
40,000,000.00

Kab. Bekasi
Kota Bogor
Kota Sukabumi

30
30,000,000.00

Kota Bandung
Kota Cirebon
20
20,000,000.00

Kota Bekasi
Kota Depok
Kota Cimahi

10
10,000,000.00

Kota Tasikmalaya
Kota Banjar

2005

2006

2007
Tahun

2008

2009

13

Lampiran 2 Peta Administratif Provinsi Jawa Barat

Kab Bogor

Kota Bogor

Kab Sukabumi

Kab Cianjur

Kab Subang

Kota Cimahi

Kab Bandung

Kota Bandung

Kab Garut

Kab Sumedang

Kab Indramayu

Kab Cirebon

Kab Majalengka

Kota Cirebon

Kab Kuningan

Kab Ciamis

Kab Tasikmalaya

Kota Tasikmalaya

Kota Banjar

0.33

0

0.33

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0.33

0

0.33

0.33

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kota Depok

0

0.5

0

0.5

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kab Bogor

0.14

0.14

0.14

0

0.14

0.14

0

0.14

0

0.14

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kota Bogor

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kab Sukabumi

0

0

0

0.33

0

0

0.33

0

0

0.33

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kota Sukabumi

0

0

0

0

0

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kab Karawang

0.2

0

0

0.2

0

0

0

0

0.2

0.2

0.2

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Kab Purwakarta

0

0

0

0

0

0

0

0.25

0

0.25

0.25

0

0.25

0

0

0

0

0

0

0

0

0

0

0

0

Kab Cianjur

0

0

0

0.17

0

0.17

0

0.17

0.17

0

0

0

0.17

0

0.17

0

0

0

0

0

0

0

0

0

0

Kab Subang

0

0

0

0

0

0

0

0.2

0.2

0

0

0

0.2

0

0

0.2

0.2

0

0

0

0

0

0

0

0

Kota Cimahi

0

0

0

0

0

0

0

0

0

0

0

0

0.5

0.5

0

0

0

0

0

0

0

0

0

0

0

Kab Bandung

0

0

0

0

0

0

0

0

0.14

0.14

0.14

0.14

0

0.14

0.14

0.14

0

0

0

0

0

0

0

0

0

Kota Bandung

0

0

0

0

0

0

0

0

0

0

0

0.5

0.5

0

0

0

0

0

0

0

0

0

0

0

0

Kab Garut

0

0

0

0

0

0

0

0

0

0.25

0

0

0.25

0

0

0.25

0

0

0

0

0

0

0.25

0

0

Kab Sumedang

0

0

0

0

0

0

0

0

0

0

0.2

0

0.2

0

0.2

0

0.2

0

0.2

0

0

0

0

0

0

Kab Indramayu

0

0

0

0

0

0

0

0

0

0

0.25

0

0

0

0

0.25

0

0.25

0.25

0

0

0

0

0

0

Kab Cirebon

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0.25

0

0.25

0.25

0.25

0

0

0

0

Kab Majalengka

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0.2

0.2

0.2

0

0

0.2

0.2

0

0

0

Kota Cirebon

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

Kab Kuningan

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0.33

0.33

0

0

0.33

0

0

0

Kab Ciamis
Kab Tasikmalaya

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0

0
0.33

0
0

0
0

0
0

0.2
0

0
0

0.2
0

0
0.33

0.2
0

0.2
0.33

0.2
0

Kota Tasikmalaya

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0