36
3.4.3.3. Spesifikasi Model Regresi Data Panel
Dalam model Regresi Data Panel untuk penelitian ini, peubah tak bebas dependent variable adalah perkembangan indeks koefisien variasi Williamson
di tujuh region selama 2000-2010. Untuk peubah bebas independent variable adalah perkembangan kontribusipangsa share empat sektor ekonomi utama
sektor pertanian; pertambangan dan penggalian; industri manufaktur; dan perdagangan dan jasa terhadap perekonomian di tujuh region selama 2000-2010.
Pemilihan kontribusi empat sektor sekonomi sebagai variabel independen karena masih besarnya kontribusi empat sektor ekonomi utama tersebut terhadap
perekonomian regional selama 2000-2020. Dengan demikian, spesifikasi model Regresi Data Panel dalam penelitian ini sebagai berikut:
= +
+ +
+ +
......................3.16 dimana:
DR
it
= Disparitas regional Indeks Williamson region ke-i dan tahun ke-t
α
i
= Koefisien intersep region ke-i, yang merupakan skalar
β =
Koefisien slope dengan dimensi K x 1, K = banyaknya peubah bebas SP
1it
= Pangsa sektor pertanian region ke-i dan tahun ke-t
STG
2it
= Pangsa sektor pertambangan dan penggalian region ke-i dan tahun ke-t
SIM
3it
= Pangsa sektor industri manufaktur region ke-i dan tahun ke-t
SPJ
4it
= Pangsa sektor perdagangan dan jasa region ke-i, tahun ke-t
u
it
= μ
i
+ ν
it
, dimana μ
i
menunjukkan efek spesifik individu yang unobservable dan
ν
it
menunjukkan faktor gangguan disturbance sisanya i
= 1, 2, ..., N, menunjukkan region Sumatera, Jawa-Bali, Nusa Tenggara,
Kalimantan, Sulawesi, Maluku, dan Papua t
= 1, 2, ..., T, menunjukkan dimensi deret waktu tahun 2000-2010
3.4.4. Analisis Tipologi Wilayah
Dalam penelitian ini, untuk menganalisis tipologi wilayah berdasarkan perkembangan struktur ekonomi dan disparitas regional di tujuh region selama
2000-2010 digunakan Analisis Gerombol Cluster Analysis. Analisis Cluster pertama kali dikemukan oleh Tryon pada tahun 1939, yang menjelaskan tentang
algoritma dari metode untuk mengelompokkan objek yang memiliki kemiripan berdasarkan pertimbangan kategori tertentu Statsoft, 1984. Analisis Cluster
bertujuan untuk melakukan pengelompokan objek berdasarkan tingkat kemiripan. Menurut Saefulhakim 2008, tingkat kemiripan antar objek dapat digambarkan
melalui nilai keragaman danatau jarak. Semakin kecil nilai keragaman antar objek yang satu dengan objek yang lain, maka karakteristik akan semakin mirip.
Demikian juga, semakin dekat jarak antar objek yang satu dengan objek yang lain, maka karakteristik juga akan semakin mirip.
Dalam kaitannya dengan analisis tipologi wilayah, secara prinsif Analisis Cluster dilakukan melalui dua tahapan, yaitu: i identifikasi tingkat kemiripan
antar individu wilayah region berdasarkan karakteristikkategoripenciri tertentu dapat diukur melalui pendekatan perhitungan jarak atau nilai keragaman dan ii
pembentukan kelompok wilayah berdasarkan aturan atau definisi pengelompokan tertentu yang digunakan serta disesuaikan dengan logika dan teori setiap bidang
ilmu. Dalam Analisis Cluster, tingkat kemiripan menjadi penting maka perlu dilakukan standarisasi data untuk setiap karakteristikkategoripenciri utama yang
berbeda. Standarisasi data dapat dilakukan dengan menggunakan persamaan sebagai berikut:
37
.
=
. .
.
…...................................................................................................3.17 dimana:
Z
i.j
= Data terstandarisasi untuk wilayah ke-i dan karakteristikkategori
penciri utama ke-j X
i.j
= Data asal untuk wilayah ke-i dan karakteristikkategoripenciri utama
ke-j X
i.j
= Nilai rata-rata wilayah ke-i untuk setiap karakteristikkategori penciri
utama ke-j Stdev X
i.j
= Nilai simpangan baku standar deviasi wilayah ke-i untuk setiap
karakteristikkategoripenciri utama ke-j
3.4.4.1. Euclidean Distance
Untuk data kuantitatif skala interval dan rasio yang dapat diolah dengan operasi penjumlahan, pengurangan, perkalian, dan pembangian, maka
perhitungan jarak antar individu didasarkan karakteristikkategoripenciri utama tertentu, salah satunya dapat digunakan Euclidean Distance. Euclidean Distance
merupakan perhitungan jarak antar individu yang didasarkan pada jarak geometris atau jarak garis lurus pada suatu ruang multidimensi. Metode Euclidean Distance
merupakan metode yang paling umum digunakan dalam Analisis Cluster. Persamaan untuk menghitung euclidean distance dikembangkan dari persamaan
Phytagoras. Secara matematis dapat dituliskan sebagai berikut:
= +
… … … … … … … … … … … … … … … … … … . .3.18 Karena OI
1
= j
1
i
2
– j
1
i
1
dan OI
2
= j
2
i
2
–j
2
i
1
, maka persamaan 3.18 menjadi: =
− +
− … … … . . … … … … … … … . .3.19
Maka persamaan 3.19 dapat dituliskan persamaan untuk menghitung Euclidean Distance, sebagai berikut:
.
=
.
−
.
… … … … … … … … … … … … . . … … . … … . .3.20 dimana:
d
i.j
= Jarak antara individu ke-i dengan individu ke-i’ yang diukur dalam
beberapa karakteristikkategoripenciri utama ke-j X
i.j
= Ukuran individu ke-i dalam karakteristikkategoripenciri utama ke-j
i =
Individu ke-i j
= Karakteristikkategoripenciri utama ke-j
3.4.4.2. Ward Method
Metode ini secara pronsip berbeda dengan yang lain, karena menggunakan pendekatan ragam untuk mengevaluasi jarak antar cluster. Metode Ward mencoba
menemukan pasangan objek atau cluster dimana penggabungan dari keduanya akan menghasilkan nilai jumlah kuadrat jarak terkecil antara objek dan centroid
dari cluster tersebut. Jumlah kuadrat jarak inilah yang dapat juga disebut dengan istilah “error” dalam analisis ragam Anova. Dengan demikian, pembentukan
Kategori