Penerapan Regresi Kuantil Spasial Otoregresif Untuk Data Produk Domestik Regional Bruto (Studi Kasus: 113 Kabupaten/Kota Di Pulau Jawa Tahun 2010)
View/ Open
Date
2015Author
Febriyanti, Azzikra
Djuraidah, Anik
Wigena, Aji Hamim
Metadata
Show full item recordAbstract
Analisis regresi digunakan untuk memodelkan hubungan antara peubah respon dengan peubah penjelas. Metode ini memiliki beberapa asumsi yang harus dipenuhi, salah satunya adalah kebebasan antar pengamatan. Apabila suatu pengamatan memiliki efek spasial, yaitu suatu pengamatan pada daerah tertentu dipengaruhi oleh daerah yang berada disekitarnya, maka metode yang digunakan adalah analisis regresi spasial. Pemodelan spasial dapat dilakukan berdasarkan jenis efek spasial yang terjadi pada data yang akan diteliti. Pemodelan spasial otoregresif (spatial autoregressive model/ SAR) dilakukan apabila terdapat ketergantungan spasial pada peubah respon. Pada saat asumsi kehomogenan ragam tidak terpenuhi pada pemodelan SAR, maka permasalahan ini dapat diatasi dengan melakukan pemodelan regresi terboboti (geographically weighted regression/GWR). Alternatif lain dalam menangani permasalahan keheterogenan ragam spasial yaitu dengan model regresi kuantil spasial otoregresif (spatial autoregressive quantile regression/SARQR). Model ini merupakan gabungan antara model SAR dengan regresi kuantil (quantile regression /QR). Pendugaan parameter model SARQR menggunakan metode regresi kuantil peubah instrumen (Instrumetal Variable Quantile Regression/IVQR). Pemodelan GWR terhadap peubah respon nilai PDRB pada 113 kabupaten/kota di Pulau Jawa pada Tahun 2010 pernah dilakukan oleh Fatulloh (2013). Pada penelitian ini, pemodelan nilai PDRB menggunakan model SARQR. Model SARQR dapat mengatasi efek spasial yang terjadi pada data dengan menetapkan beberapa model berbeda pada setiap kelompok kuantil, sehingga dapat ditentukan faktor-faktor yang mempengaruhi nilai PDRB di Pulau Jawa. Data yang digunakan adalah data sekunder yang berasal dari Badan Pusat Statistik (BPS), yaitu data Potensi Desa (PODES), PDRB kabupaten/kota, dan jumlah penduduk tingkat kabupaten/kota. Peubah penjelas yang diamati antara lain, persentase penduduk miskin (X1), rasio fasilitas pendidikan/ jumlah penduduk (X4), angka harapan hidup (X6), potensi desa laut (X11), rasio kepala keluarga menggunakan listrik (X14), jumlah pertokoan dan pasar permanen (X17). Hasil penelitian menunjukkan terdapat lima kelompok kuantil dengan nilai quantile verification skill score (QVSS) terbaik , yaitu kuantil 0.1, 0.5, 0.75, 0.85 dan 0.99. Setiap kelompok memiliki model yang berbeda dengan faktor yang mempengaruhi perubahan nilai PDRB juga berbeda. Kelompok kuantil ke-0.1, 0.25, dan 0.99 dipengaruhi oleh dua faktor yang bepengaruh nyata, yaitu rasio fasilitas pendidikan/jumlah penduduk (X4), dan jumlah pertokoan dan pasar permanen (X17). Sedangkan pada kuantil ke-0.5 dan 0.99 terdapat satu peubah tambahan yaitu potensi desa laut (X11). Semua peubah memiliki nilai dugaan koefisien positif yang berarti kenaikan tiga faktor tersebut akan mengakibatkan kenaikan nilai PDRB di kabupaten/kota Pulau Jawa. Nilai Breusch-Pagan (BP) pada setiap model yang lebih kecil dibandingkan model SAR (BP=8.44). Hal ini menunjukkan bahwa model SARQR tidak hanya mampu mengatasi ketergantungan spasial akan tetapi model ini juga mampu mengatasi keheterogenan ragam yang terjadi pada data nilai PDRB di Pulau Jawa.