dengan teori yang menyebutkan bahwa nilai indeks Williamson yaitu antara 0 hingga 1. Oleh karena itu, penelitian ini menganalisis nilai indeks Williamson
yang kedua, tanpa Kota Kediri dan Kota Surabaya, karena nilai yang dihasilkan sesuai dengan teori. Nilai PDRB per kapita di Kota Kediri dan Kota Surabaya
yang sangat jauh dari rata-rata merupakan penyebab dari nilai indeks Williamson yang melebihi 1. Sehingga penelitian ini tidak memasukkan Kota Kediri dan Kota
Surabaya ke dalam perhitungan nilai indeks Williamson yang dianalisis.
3.2.2 Klasifikasi Pertumbuhan Ekonomi Daerah
Klasifikasi pertumbuhan ekonomi daerah dianalisis menggunakan Klassen Typology Tipologi Klassen. Tipologi Klassen membagi daerah berdasarkan dua
indikator utama, yaitu laju pertumbuhan ekonomi dan pendapatan per kapita. Melalui analisis ini diperoleh empat karakteristik pola dan struktur pertumbuhan
ekonomi yang berbeda, yaitu: 1.
Daerah maju dan pertumbuhan cepat, adalah daerah yang memiliki tingkat pertumbuhan ekonomi dan pendapatan per kapita lebih tinggi
dibandingkan provinsi. 2.
Daerah berkembang cepat, adalah daerah yang memiliki tingkatpertumbuhan ekonomi tinggi, tetapi pendapatan per kapitanya
lebih rendahdibandingkan provinsi. 3.
Daerah maju tetapi tertekan, adalah daerah yang memiliki tingkatpertumbuhan ekonomi rendah sedangkan pedapatan per
kapitanya lebih tinggi dibandingkan provinsi.
4. Daerah relatif tertinggal, adalah daerah yang memiliki
tingkatpertumbuhan ekonomi dan pendapatan per kapita lebih rendah dibandingkan provinsi.
Tabel 3.1 Klasifikasi Pola Pertumbuhan Ekonomi Menurut Tipologi Klassen
PDRB per Kapita Laju Pertumbuhan
Pendapatan per Kapita di Atas Rata-rata Provinsi
Pendapatan per Kapita di Bawah Rata-rata Provinsi
Laju Pertumbuhan di atas Rata-rata Provinsi
Daerah Maju dan Pertumbuhan Cepat
Daerah Berkembang Cepat
Laju Pertumbuhan di bawah Rata-rata Provinsi
Daerah Maju Tetapi Tertekan
Daerah Relatif Tertinggal
Sumber: Sjafrizal, 2008
3.2.3 Analisis Faktor-faktor yang Mempengaruhi Laju PDRB
Untuk menganalisis faktor-faktor yang mempengaruhi laju PDRB kabupatenkota di Provinsi Jawa Timur maka menggunakan analisis panel data.
Faktor-faktor yang dianalisis adalah kualitas pendidikan, kesehatan, jumlah pekerja, panjang jalan, produksi air yang disalurkan, luas pertanian teririgasi,
tabungan, dan anggaran pembangunan. LPDRB
it
= α + β
1
PDK
it
+ β
2
KES
it
+ β
3
LNTK
it
+ β
4
LNJLN
it
+ β
5
LNAIR
it
+ β
6
LNPTN
it
+ β
7
LNTAB
it
+ β
8
LNPEM
it
+ e
it
Dimana: α
: Intersep β :
Slope i
: Individu ke-i t
: Periode waktu ke-t LPDRB
: Laju PDRB persen LNDIK
: Logaritma natural rasio murid terhadap guru orang LNKES
: Logaritma natural jumlah penduduk terhadap jumlah dokter orang
LNTK : Logaritma natural jumlah pekerja jiwa
LNJLN : Logaritma
natural panjang jalan km LNAIR :
Logaritma natural produksi air bersih m
3
LNPTN : Logaritma natural luas pertanian teririgasi Ha
LNTAB : Logaritma
natural tabungan Rupiah LNPEM
: Logaritma natural anggaran pembangunan Rupiah e :
Error Berdasarkan hasil analisis data panel akan didapat besarnya nilai t-statistik,
F-statistik, dan R
2
. Nilai t-statistik menunjukkan apakah variabel bebas berpengaruh signifikan secara nyata terhadap variabel terikat. Sedangkan F-
statistik menunjukkan apakah variabel bebas secara bersama-sama berpengaruh signifikan secara nyata terhadap variabel terikat. Nilai R
2
digunakan untuk melihat sejauh mana keragaman yang dapat diterangkan oleh variabel bebas
terhadap variabel terikat. Menurut Baltagi 1995, keunggulan penggunaan metode panel data
dibandingkan time series dan cross-section adalah: 1.
Estimasi data panel dapat menunjukkan adanya heterogenitas dalam tiap individu.
2. Dengan data panel, data lebih informatif dan bervariasi, sehingga
mengurangi kolinearitas antar variabel dan meningkatkan derajat kebebasan degree of freedom, serta lebih efisien.
3. Studi data panel lebih memuaskan untuk menentukan perubahan
dinamis dibandingkan dengan studi berulang dari cross-section.
4. Data panel mampu mendeteksi dan mengukur efek yang secara
sederhana tidak dapat diukur oleh data time series atau cross-section. 5.
Data panel membantu menganalisis perilaku yang lebih kompleks. 6.
Data panel mampu meminimalkan bias yang dihasilkan oleh agregasi individu karena unit data yang banyak.
Dalam analisis model data panel terdapat tiga macam pendekatan yaitu Pooled Least Square PLS, Model Efek Tetap Fixed Effect Model, dan Model
Efek Acak Random Effect Model. Ketiga pendekatan pada model data panel akan dijelaskan berikut ini:
1. Pooled Least Square PLS
Dalam pendekatan ini terdapat regressor K dalam x
it
, kecuali konstanta. Jika efek individual
α
i
konstan sepanjang waktu t dan spesifik terhadap setiap unit i maka modelnya akan sama dengan
model regresi biasa. Jika nilai α
i
sama untuk setiap unitnya, maka OLS akan menghasilkan estimasi yang konsisten dan efisien untuk
α dan β. PLS merupakan pendekatan yang sederhana, namun hasilnya tidak
memadai karena setiap pengamatan diperlakukan seperti pengamatan yang berdiri sendiri.
2. Fixed Effect Model FEM
Asumsi intersep dan slope yang konsisten pada model data panel umumnya sulit terpenuhi. Variabel dummy berguna dalam mengatasi
masalah tersebut, sehingga perbedaan nilai parameter pada cross- section maupun time series diperbolehkan. Pendekatan dengan
memasukkan variabel dummy ini dikenal dengan istilah fixed effect model FEM atau Least Square Dummy Variable LSDV.
3. Random Effect Model REM
Keputusan untuk memasukkan variabel dummy dalam FEM dapat mengurangi besarnya derajat kebebasan, sehingga efisiensi dari
parameter yang diestimasi akan berkurang. Model data panel yang di dalamnya melibatkan korelasi antar error term akibat berubahnya
waktu karena berbedanya observasi dapat diatasi dengan pendekatan model efek acak random effect model.
Untuk menentukan model yang layak digunakan maka model diuji menggunakan uji Hausman. Uji Hausman adalah pengujian statistik sebagai dasar
pertimbangan dalam memilih apakah menggunakan FEM atau REM. Uji Hausman dilakukan dengan hipotesis sebagai berikut:
H : REM
H
1
: FEM Sebagai dasar penolakan H
maka digunakan Statistik Hausman dan membandingkannya dengan Chi-Square. Statistik Hausman dirumuskan dengan:
m = β - bM
- M
1 -1
β - b ~X
2
K Dimana
β adalah vektor untuk statistik variabel fixed effect, b adalah vektor statistik variabel random effect, M
adalah matriks kovarians untuk dugaan fixed effect modeldan M
1
adalah matriks kovarians untuk dugaan random effect model. Jika nilai m hasil pengujian lebih besar dari X
2
-Tabel, atau nilai Hausman Test lebih besar dari taraf nyata, maka tidak cukup bukti untuk melakukan penerimaan
.
ij 2
terhadap H . Sehingga model yang digunakan adalah fixed effect, demikian pula
sebaliknya.
3.3 Pengujian Penyimpangan Asumsi Klasik 3.3.1 Multikolinearitas