5.8.2 Analisis Korelasi
Analisis korelasi berfungsi untuk melihat hubungan linier antara dua peubah. Pada model, koefisien korelasi antara peubah tak bebas dan peubah
bebas dapat dijadikan sebagai tahap untuk menentukan arah atau tanda hubungan tersebut. Sedangkan analisis korelasi antar peubah bebas dapat dijadikan sebagai
informasi ada atau tidak adanya multikolinier. Korelasi antara peubah tak bebas dan peubah bebas serta korelasi antar peubah bebas disajikan pada Tabel 5.2.
Tabel 5.2 Korelasi antar peubah
PDK MISKIN
POPU LASI
SMP SHTK
TANI SHTK
IND SHTK
PDG SHTK
JASA POPULASI
0.803 0.000
SMP 0.564
0.782 0.000
0.000 SHTKTANI
0.546 0.353
0.188 0.000
0.000 0.013
SHTKIND -0.338
-0.139 -0.037
-0.588 0.000
0.067 0.627
0.000 SHTKPDG
-0.389 -0.311
-0.296 -0.747
0.062 0.000
0.000 0.000
0.000 0.418
SHTKJASA -0.565
-0.428 -0.389
-0.742 0.099
0.8 0.000
0.000 0.000
0.000 0.193
0.000 PDRBKAP
-0.33 -0.045
0.019 -0.54
0.331 0.382
0.431 0.000
0.553 0.801
0.000 0.000
0.000 0.000
Nilai-p p-value dari setiap korelasi antara dua peubah ditunjukkan oleh nilai yang ada dalam tanda kurung, “ ”. Berdasarkan Tabel 5.2 terlihat bahwa
korelasi antar peubah bebas menunjukkan bahwa nilai-p p-value sebagian besar kurang dari 0.05. Hal ini menunjukkan bahwa sebagian besar antar peubah bebas
berkorelasi secara linier Tabel 5.2. Jumlah penduduk atau populasi merupakan peubah bebas yang mempunyai hubungan positif paling kuat dengan jumlah
penduduk miskin dibandingkan dengan peubah bebas lainnya, yaitu sebesar 0.8 dengan nilai p p-value 0.000, signifikan pada taraf signifikansi 0.05.
Berdasarkan Tabel 5.2 dapat dilihat pula bahwa jumlah penduduk miskin mempunyai hubungan positif dengan jumlah tenaga kerja berpendidikan setara
SMP dan share tenaga kerja sektor pertanian. Hal ini berarti ketika populasi, jumlah tenaga kerja berpendidikan setara SMP dan Share tenaga kerja pertanian
meningkat maka jumlah penduduk miskin akan meningkat. Sementara itu, share tenaga kerja sektor industri, sektor perdagangan, sektor jasa dan PDRB perkapita
mempunyai hubungan negatif dengan jumlah penduduk miskin, hal ini berarti jika faktor-faktor tersebut meningkat maka jumlah penduduk miskin akan menurun.
Korelasi antar peubah bebas signifikan pada taraf signifikansi 5, dan hal ini sebagai informasi awal untuk terjadinya multikolinier.
5.8.3 Model Panel Spasial Dinamis
Dalam pemodelan, jumlah penduduk miskin PDKMISKIN dinotasikan dengan Y dan jumlah penduduk miskin tahun sebelumnya dinotasikan dengan
Ytmin1. Dengan menggunakan peubah bebas X dalam model, artinya bahwa apabila kasus terjadinya korelasi yang signifikan antar peubah bebas tidak
dipertimbangkan, maka diperoleh hasil model panel spasial dinamis sebagai berikut Tabel 5.3.
Tabel 5.3 Analisis ragam model panel spasial dinamis WC sebelum dilakukan PCA GMM3
Theta Stdev
nilait Nilai-p
Ytmin1 0.75777 0.04071 18.61191 0.00000
WY 0.04702 0.02731
1.72140 0.08518 POPULASI
0.02664 0.00909 2.93100 0.00338
SMP -0.01229 0.02005 -0.61311 0.53981
SHTKTANI 0.21436 0.12276
1.74619 0.08078 SHTKIND
0.13639 0.17588 0.77547 0.43806
SHTKPDG -0.06497 0.33433 -0.19432 0.84593
SHTKJASA -0.30268 0.44144 -0.68567 0.49292
PDRBKAP -0.00072 0.00073 -0.99253 0.32094
R
2
=99.72 Berdasarkan Tabel 5.3, terlihat adanya beberapa koefisien pada model yang
berbeda tanda dengan korelasi peubah tersebut dengan jumlah penduduk miskin, yaitu SMP dan SHTKIND. Korelasi SMP dan jumlah penduduk miskin bertanda
positif Tabel 5.2 sedangkan dari hasil pemodelan, koefisien SMP bertanda negatif Tabel 5.3. Hal yang terjadi sebaliknya pada SHTKIND, korelasi antara
SHTKIND dengan jumlah penduduk miskin bertanda negatif sedangkan dari hasil pemodelan koefisien SHTKIND pada bertanda positif Tabel 5.3. Hasil uji
signifikansi terhadap peubah-peubah penjelas tampak bahwa hanya peubah populasi yang mempunyai pengaruh yang signifikan pada taraf signifikansi 5.
Pengaruh peubah tak bebas tahun sebelumnya Ytmin1 dan lag spasial WY juga signifikan pada taraf signifikansi 5.
Masalah multikolinearitas dalam model regresi merupakan hal yang perlu diperhatikan karena dampak yang muncul dari masalah tersebut berpengaruh
terhadap inferensia. Salah satu upaya dalam mengatasi masalah multikolinearitas model adalah dengan mentransformasi peubah-peubah bebas X melalui analisis
komponen utama Principal Component Analysis, PCA. Prinsip dari PCA ini adalah mentransformasi peubah bebas ke dalam peubah baru yang disebut
komponen utama dimana antar komponen utama saling bebas. Setelah dilakukan transformasi, berikutnya komponen–komponen utama Principal Component, PC
dijadikan sebagai peubah bebas bagi model yang dibangun.
Hasil PCA terhadap peubah tenaga kerja lulusan SMP, populasi penduduk, share tenaga kerja empat sektor dominan dan PDRB perkapita disajikan pada
Lampiran 3. Dalam kasus ini pengambilan komponen utama didasarkan pada proporsi kumulatif dan kekonsistenan tanda koefisien pada model dan korelasi
antara peubah bebas dan peubah tak bebas. Untuk PCA dengan menggunakan matriks peragam, sebesar 99.98 dari total keragaman data peubah bebas X
Kategori