62
keterangan: �
� �
= nilai hasil simulasi dasar dari variabel yang diobservasi �
� �
= nilai aktual variabel yang diobservasi Model dinyatakan valid apabila memiliki nilai RMSPE di bawah 100. Sedangkan
koefisien determinasi dinyatakan valid apabila nilainya mendekati 1.
3.2.7 Pengujian Asumsi
Jika model yang terpilih berdasarkan uji Hausman adalah REM maka estimasi dari model diasumsikan best linier unbiased estimator BLUE dan tidak
perlu dilakukan pengujian terhadap tiga asumsi utama model BLUE non- multicolinierity, homoskedasticity, dan non-autocorelation
. Hal ini dikarenakan dua alasan, yaitu: i sifat data panel adalah bebas dari gejala multikolinieritas;
dan ii REM adalah model generalized least square GLS dan estimasi dengan menggunakan GLS secara otomatis sudah mampu mengurangi gejala autokorelasi,
bahkan terbebas dari gejala heteroskedastisitas yang disebabkan variansi sisaan tidak konstan Gujarati, 2004.
Jika model yang terpilih adalah FEM maka perlu dilakukan pengujian terhadap asumsi sisaan, sebagai berikut:
Uji Homoskedastisitas
Asumsi pertama yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE maka varian u
i
harus sama dengan
σ
2
konstan, atau semua residual atau error memiliki varian yang sama. Kondisi itu disebut dengan homoskedastisitas. Apabila varian tidak
konstan atau berubah-ubah disebut dengan heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas dapat digunakan metode GLS cross section weights,
yakni membandingkan jumlah kuadrat residual sum square residual antara weighted statistics
dengan unweighted statistics. Jika jumlah kuadrat residual pada weighted statistics lebih kecil maka dapat disimpulkan terjadi
heteroskedastisitas pada model.
Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antarobservasi dalam satu peubah atau korelasi antara error masa yang lalu dengan error pada saat ini. Uji autokorelasi
63
yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat memengaruhi efisiensi dari penduganya. Untuk mendeteksi
adanya korelasi serial adalah dengan melihat nilai Durbin Watson DW. Prosedur yang dilakukan dengan membandingkan nilai DW-hitung dan DW-tabel.
Kerangka identifikasi autokorelasi terangkum dalam Tabel 3. Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini
bisa dideteksi dengan melihat pola error acak dari hasil regresi.
Tabel 3 Kriteria Identifikasi Autokorelasi
Nilai DW Hasil
4 – dl DW 4 Terdapat korelasi serial negatif
4 – du DW 4- dl Hasil tidak dapat ditentukan
2 DW 4 – du Tidak ada korelasi serial
Du DW 2 Tidak ada korelasi serial
dl DW du Hasil tidak dapat ditentukan
0 DW dl Terdapat korelasi serial positif
Sumber: Gujarati, 2004
3.3 Spesifikasi Model
Spesifikasi model yang digunakan dalam penelitian terdiri dari empat persamaan, yakni:
1 Model Pertumbuhan Model pertumbuhan mengacu pada model pertumbuhan endogen digunakan
Barro 1997 yang telah dimodifikasi. Pertumbuhan pendapatan perkapita merupakan fungsi dari perubahan jumlah pekerja dibagi menjadi pekerja
terampil dan tidak terampil, modal manusia rata-rata usia lama sekolah, perubahan stok kapitalinvestasi, kualitas infrastruktur jalan raya dan listrik
serta pengeluaran pemerintah daerah untuk belanja modalpembangunan. Spesifikasinya adalah:
ln ���
��
= �
+ �
1
ln ���������−
��
+ �
2
���������+
��
+ �
3
ln ���
��
+ �
4
���
��
+ �
5
ln ����
��
+ �
6
ln ���
��
+ �
7
ln ���
��
+ �
��
3.40
2 Model Pengangguran Dalam model ini, pertumbuhan jumlah pencari kerjapengangguran merupakan
fungsi pertumbuhan jumlah angkatan kerja menurut pendidikan, tingkat upah
