Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam Dengan Regresi Panel

Transkripsi

1 Senin, 7 Juni Gedung H Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam Dengan Regresi Panel Dosen Pembimbing : Dwi Endah Kusrini, S.Si, M.Si Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya

2 OUTLINE Pendahuluan Tinjauan Pustaka Metodologi Penelitian Kesimpulan dan Saran Analisis dan Pembahasan 2

3 3

4 Latar Belakang Bencana alam mengakibatkan negara-negara berkembang kehilangan 5% dari produk nasional brutonya (Annan dalam Ingleton, 1999). 4

5 Latar Belakang Tsunam i Aceh (2004) Gempa bumi DIY Gunung (2006) meletus Jatim (2014) 5

6 Latar Belakang Penelitian tentang bencana alam Toya & Skidmore (2007) Noy (2009) Melakukan penelitian terkait perkembangan ekonomi dan dampak dari bencana alam Melakukan penelitian konsekuensi makroekonomi yang diakibatkan oleh bencana alam dengan menggunakan regresi data panel Melakukan estimasi kerugian yang terjadi akibat bencana alam Zhong, Liu, pada komoditi gandum di daerah danau Dongting, China & Liu (2010) 6

7 Latar Belakang Penelitian tentang bencana alam Xiaoyan & Xiaofei (2012) Menaksir kerugian yang terjadi akibat bencana alam Mustapha,Mcheick, & Mellouli (2013) Kusumani ngrum (2014) Melakukan pemodelan dan simulasi bencana alam Meneliti tentang kerugian makroekonomi yang disebabkan oleh bencana alam di Pulau Jawa dengan menggunakan metode Spatial Durbin Model 7

8 Latar Belakang Regresi Panel??? Merupakan model regresi yang digunakan pada data panel (gabungan data cross section dan data time series) 8

9 Latar Belakang Penelitian tentang Regresi Panel Astuti (2009) Menganalisis persentase mahasiswa ITS yang lulus tepat waktu dengan menggunakan model fixed effect pada regresi data panel Desi (2010) Menggunakan regresi data panel untuk memodelkan persentase penduduk miskin di Jawa Timur 9

10 Perumusan Masalah Bagaimana karakteristik bencana alam yang terjadi di Pulau Jawa pada periode 2007 hingga 2012? Bagaimana pemodelan kerugian makroekonomi yang diakibatkan bencana alam di Pulau Jawa untuk wilayah kabupaten dengan menggunakan metode regresi panel? 10

11 Tujuan Penelitian Mengidentifikasi karakteristik bencana alam yang pernah terjadi di Pulau Jawa pada periode 2007 hingga Mendapatkan pemodelan kerugian makroekonomi yang diakibatkan bencana alam di Pulau Jawa untuk wilayah kabupaten dengan menggunakan metode regresi panel. 11

12 Manfaat Penelitian Dapat menjadi bahan pembelajaran bagi peneliti terkait metode regresi data panel. Dapat memberikan informasi atau menjadi bahan rujukan bagi pemerintah daerah terkait kerugian makro ekonomi yang diakibatkan oleh bencana alam di Pulau Jawa. 12

13 Batasan Masalah Analisis data panel yang digunakan adalah data panel lengkap (balanced) dengan error komponen satu arah yaitu komponen antar individu atau antar waktu. Wilayah yang dianalisis adalah kabupatenkabupaten di Pulau Jawa. 13

14 14

15 Bencana Berdasarkan UU No. 24 Tahun 2007, bencana adalah peristiwa atau serangkaian peristiwa yang mengancam dan mengganggu kehidupan dan penghidupan masyarakat yang disebabkan oleh faktor alam dan nonalam ataupun faktor manusia sehingga mengakibatkan timbulnya korban jiwa manusia, kerusakan lingkungan, kerugian harta benda, dan dampak psikologis. Secara ekonomi, bencana dapat membawa kerugian secara langsung yaitu kerugian modal saham, secara tidak langsung yaitu mengganggu bisnis dan secara makro ekonomi yaitu menurunnya produk domestik bruto (Mechler, 2003). 15

16 Statistika Deskriptif Statistika deskriptif merupakan metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga dapat memberikan informasi yang berguna (Walpole, 1995). 16

17 Data Panel Gabungan antara data time series dan data cross sectional. Ada 2 macam data panel balanced (seimbang) dan unbalanced (tidak seimbang) Keuntungan menggunakan data panel Dapat mengontrol heterogenitas individual. Lebih informatif, lebih bervariasi, dan lebih efisien. Lebih unggul dalam mempelajari perubahan yang dinamis. dll 17

18 Estimasi Data Panel 5 kemungkinan yang akan terjadi saat menggunakan data panel 1. Intersep dan slope koefisien adalah tetap sepanjang waktu dan individu. [y it = α + X it β + ε it ] 2. Slope koefisien adalah tetap tetapi intersep berbeda antar individu. [y it = α i + X it β + ε it ] 3. Slope koefisien adalah tetap tetapi intersep berbeda antar individu dan waktu. [y it = α it + X it β + ε it ] 4. Semua koefisien (intersep dan slope koefisien) berbeda antar individu. [y it = α i + X it β i + ε it ] 5. Intersep dan slope koefisien berbeda antar individu dan waktu. [y it = α it + X it β it + ε it ] 18

19 Estimasi Data Panel 3 model yang dapat digunakan Common Effect Model (CEM) Model paling sederhana sama dengan model OLS. Pendekatan ini mengasumsikan bahwa nilai intersep dan slope masing-masing variabel adalah sama untuk semua unit cross section dan time series. [y it = α + X it β + ε it ] Fixed Effect Model (FEM) Menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. [y it = α i + X it β + ε it ] Random Effect Model (REM) Mengasumsikan intersep sebagai variabel random. [y it = α + X it β + μ i + ε it ] 19

20 Pemilihan Model Estimasi Regresi Data Panel Uji Chow Digunakan untuk memilih model estimasi terbaik antara model CEM atau model FEM. H 0 : α 1 = α 2 = = α N = α H 1 : α i α Statistik uji : F = RRSS URSS N 1 URSS NT N K (CEM) (FEM) Tolak H 0 apabila F hitung > F N 1,NT N K ;α pada tingkat signifikansi α. 20

21 Pemilihan Model Estimasi Regresi Data Panel Uji Hausman Digunakan untuk memilih model estimasi terbaik antara model REM atau model FEM. H 0 : corr X ij, u ij = 0 (REM) H 1 : corr X ij, u ij 0 (FEM) Statistik uji : W = A 1 var β FEM var β REM A A = β FEM + β REM 2 Tolak H 0 apabila W > χ K;α pada tingkat signifikansi α. 21

22 Pemilihan Model Estimasi Regresi Data Panel Uji Lagrange Multiplier Digunakan untuk menguji apakah terdapat heteroskedastisitas pada model FEM. H 0 : σ i 2 = σ 2 (homoskedastis) H 1 : σ i 2 σ 2 (hetroskedastis) Statistik uji : LM = nt 2 T 1 2 Tolak H 0 apabila LM > χ (N 1;α) N i=1 Tei 2 N T 2 i=1 t=1 e it pada tingkat signifikansi α. 22

23 Kriteria Kebaikan Model Koefisien determinasi R 2 Dapat mengukur proporsi keragaman yang dapat dijelaskan model regresi R 2 = 1 n i=1 n i=1 T t=1 T t=1 y it y it 2 y it y it 2 23

24 Pengujian Parameter Model Uji Serentak Digunakan untuk mengetahui semua pengaruh variabel independen terhadap variabel dependen. H 0 : β 1 = β 2 = = β K = 0 H 1 : minimal ada satu β i 0 Statistik uji : F = MS regresi MS residual i = 1,2,, K Tolak H 0 apabila F hitung lebih besar dari F tabel = F α;(k 1,N k) atau p value < α. 24

25 Pengujian Parameter Model Uji Parsial Digunakan untuk mengetahui variabel independen yang berpengaruh signifikan secara individu terhadap variabel dependen. H 0 : β k = 0 H 1 : β k 0 Statistik uji : t hitung = β k SE(β k ) Tolak H 0 apabila t hitung lebih besar dari tα 2 ;n k. 25

26 Pengujian Asumsi Residual Asumsi Independen Bertujuan untuk mengetahui apakah terdapat korelasi antar error pada waktu t dengan error pada waktu t-1. Dideteksi dengan menggunakan uji Durbin Watson. Asumsi Identik Bertujuan untuk mengetahui adanya ketidaksamaan varians dari error suatu pengamatan dengan pengamatan lainnya. Dideteksi dengan menggunakan uji Glejser yaitu meregresikan absolute residual dengan variabel independen. 26

27 Pengujian Asumsi Residual Asumsi Normal Digunakan uji Kolmogorov Smirnov untuk mengetahui residual model sudah berdistribusi normal atau tidak. H 0 : residual berdistribusi normal H 1 : residual tidak berdistribusi normal Tolak H 0 apabila D > D 1 α atau p value < α. Tidak Terjadi Multikolinearitas Multikolinearitas terjadi apabila ada korelasi antara variabel independen dan dapat diatasi dengan PCA. 27

28 28

29 Sumber Data Sumber data yang digunakan dalam penelitian ini adalah data sekunder dari Badan Nasional Penanggulangan Bencana (BNPB) dan Badan Pusat Statistika (BPS) pada periode 2007 hingga Unit cross section pada penelitian ini adalah kabupaten-kabupaten di Pulau Jawa sedangkan unit time series penelitian ini adalah tahun 2007 hingga Jadi, total ada 83 kabupaten di Pulau Jawa dan ada 6 tahun pengamatan. 29

30 Variabel Penelitian Jumlah Tenaga kerja (X 1it ) (Bappenas, 2006) Jumlah kejadian bencana (X 2i ) Produk domestik regional bruto per kabupaten (Y it ) (Toya & Skidmore, 2007; Noy, 2009) Jumlah kerusakan fasilitas umum (X 3it ) (Noy, 2009) 30

31 Langkah Analisis Untuk mencapai tujuan pertama, maka dilakukan analisis statistika deskriptif pada masing-masing variabel dependen dan variabel independen. Untuk mencapai tujuan kedua, maka dilakukan langkah-langkah sebagai berikut. Mengumpulkan set data panel. Mengidentifikasi adanya kasus multikolinearitas atau tidak. Melakukan estimasi model regresi panel dengan menggunakan uji Chow. Apabila keputusannya adalah gagal tolak H 0 maka model yang digunakan adalah common effect model (CEM), namun bila keputusannya adalah tolak H 0 maka model yang digunakan adalah fixed effect model (FEM) dan dilanjutkan ke langkah 4. Melakukan estimasi model regresi panel dengan menggunakan uji Hausman. Apabila keputusannya adalah gagal tolak H 0 maka model yang digunakan adalah random effect model (REM) dan langkah berhenti, namun bila keputusannya adalah tolak H 0 maka model yang digunakan adalah fixed effect model (FEM) dan dilanjutkan ke langkah 5. 31

32 Langkah Analisis Melakukan estimasi model regresi panel dengan menggunakan uji Lagrange Multiplier. Apabila keputusannya adalah gagal tolak H 0 maka model yang digunakan adalah fixed effect model FEM dan struktur data sudah homogen. Namun bila keputusannya adalah tolak H 0 maka struktur data belum homogen dan model estimasi yang digunakan adalah model fixed effect (FEM) dengan pembobot cross section weight. Melakukan pengujian signifikansi parameter regresi panel. Melakukan pengujian asumsi residual. Menganalisis hasil yang diperoleh. Membuat kesimpulan. 32

33 33

34 Karakteristik Variabel Penelitian Korelasi variabel dependen dan independen Y X1 X2 X1 0,355 0,000 X2 0,284 0,019 0,000 0,669 X3 0,162 0,026 0,103 0,000 0,557 0,021 X1 Korelasi wilayah dua Y X1 X2 0,204 0,009 X1 Korelasi wilayah satu Y X1 X2 0,235 0,087 X2 X3 0,362 0,034 0,000 0,663 0,176 0,079 0,106 0,025 0,320 0,178 X2-0,034 0,101 0,809 0,467 X3 0,431 0,033 0,296 0,001 0,812 0,030 34

35 Karakteristik Variabel Penelitian Korelasi wilayah tiga Korelasi wilayah empat Y X1 X2 X1 0,676 0,000 X2 0,452 0,297 0,026 0,159 X3 0,398 0,358 0,465 0,000 0,086 0,022 Y X1 X2 X1 0,506 0,000 X2 0,255-0,064 0,000 0,307 X3 0,071-0,104 0,137 0,256 0,095 0,028 35

36 Karakteristik Variabel Seluruh Kabupaten Statistika Deskriptif Mean, Min dan Max Variabel N Mean Min Max Kab dengan Nilai Terendah Kab dengan Nilai Tertinggi Y it Pacitan Bekasi X 1it , Sampang Sidoarjo X 2it 498 7, X 3it Beberapa kabupaten Beberapa kabupaten Bogor Bangkalan 36

37 Perkembangan Variabel Tahun Perkembangan PDRB Berlaku Perkembangan jumlah tenaga kerja

38 Perkembangan Variabel Tahun Perkembangan jumlah kejadian bencana Perkembangan jumlah kerusakan FU

39 Perkembangan Variabel Tahun Perkembangan jumlah kejadian bencana Perkembangan jumlah kerusakan FU

40 Perkembangan Variabel Wilayah Satu Rata-rata PDRB wilayah satu Rata-rata jumlah tenaga kerja wilayah satu

41 Perkembangan Variabel Wilayah Satu Rata-rata jumlah kejadian bencana wilayah satu Rata-rata jumlah kerusakan FU wilayah satu

42 Deteksi Multikolinearitas Nilai VIF Y1 X1 1,010 X2 1,106 X3 1,096 Keterangan : Y1 : model Y yang korelasi antara Y dan X1 bernilai positif dan signifikan pada tingkat signifikansi 10 persen. 42

43 Penentuan Model Panel Uji Chow H 0 : α 1 = α 2 = = α i = α = 0 H 1 : minimal ada satu α i yang berbeda Model F hitung F tabel P-value Keputusan Y 1it Antar Individu 86,993 2,157 0,0000 Tolak H 0 Y 1it Antar Waktu 0,117 2,413 0,9890 Gagal Tolak H 0 ln Y 1it Antar 241,837 2,163 0,0000 Tolak H Individu 0 ln Y 1it Antar 0,475 2,417 0,7931 Gagal Tolak H Waktu 0 Model antar individu FEM Model antar waktu CEM 43

44 Penentuan Model Panel Uji Hausman H 0 : corr X ij, u ij = 0 H 1 : corr X ij, u ij 0 Model Wald Chis_tabel P-value Keputusan Y 1it Antar Indiv 0,705 3,8415 0,4010 Gagal Tolak H 0 ln Y 1it Antar Indiv 2,024 5,9915 0,3634 Gagal Tolak H 0 Perbandingan Koefisien Determinasi Model R 2 Y 1it Antar Individu * 21,6801 Y 1it Antar Waktu ** 2,2000 ln Y 1it Antar Individu * 68,6135 ln Y 1it Antar Waktu ** 10,2000 REM 44

45 Estimasi Model Regresi Panel Estimasi intersep ln Y 1it = α 0i + 0,005559X 1it + 0,007750X 2it Diambil contoh PDRB atas dasar harga berlaku untuk Kabupaten Karawang pada tahun 2010 ln Y 1it = 9, , , = 10, Y 1it = e 10, = 53882,22903 Kabupaten α 0i Karawang 9, Bantul 6, Demak 7, Grobogan 9, Gunungkidul 7, Banjarnegara 7, Magelang 7, Rembang 7, Sampang 8, Nilai taksiran PDRB atas dasar harga berlaku Kabupaten Karawang pada tahun 2010 adalah 53882,22903 milyar rupiah, sedangkan nilai sebenarnya adalah sebesar milyar rupiah. Jadi, diperoleh nilai residualnya sebesar ,22903 = 3377,771 milyar rupiah atau 3,377 trilyun rupiah. 45

46 Estimasi Model Regresi Panel Goodness of Fit ln Y it R-squared 0, Adjusted R- squared 0, F-statistic 55,74521 Prob (F-statistic) 0, Nilai Rsquared menjelaskan variabel independen mampu menjelaskan variabilitas Y sebesar 68,6135 %. 46

47 Pengujian Signifikansi Parameter Uji Serentak Goodness of Fit Y it R-squared 0, Adjusted R- squared 0, F-statistic 55,74521 Prob (F-statistic) 0, Nilai p-value kurang dari 5% menghasilkan keputusan tolak H 0. Jadi minimal ada satu variabel independen yang berpengaruh terhadap model. 47

48 Pengujian Signifikansi Parameter Uji Parsial Variabel Koefisien Std. Error Thitung p-value C 7, , , ,0000 X1 0, , , ,0000 X2 0, , , ,0033 Nilai p-value masing-masing variabel kurang dari 5%. Jadi, faktor jumlah tenaga kerja dan jumlah kejadian bencana berpengaruh signifikan terhadap PDRBB. 48

49 Pengujian Asumsi Residual Model ln Y 1it Asumsi Normal Model D P-value Keputusan ln Y 1it 0,181 0,058 Gagal tolak H 0 Asumsi Independen Asumsi Identik Model d D L D U Keputusan ln Y 1it 1, ,4797 1,6359 Tolak H 0 Model F hitung F tabel P-value Keputusan ln Y 1it 0,840 1) 3,179 0,437 Gagal tolak H 0 Asumsi residual yang terpenuhi hanya asumsi normal dan asumsi identik 49

50 50

51 Kesimpulan Secara umum, PDRB atas dasar harga berlaku (Y it ) 83 kabupaten di Pulau Jawa berkorelasi signifikan dengan jumlah tenaga kerja (X 1it ), jumlah kejadian bencana (X 2it ), dan jumlah kerusakan fasilitas umum (X 3it ). Perkembangan PDRB dari tahun 2007 hingga 2012 terus meningkat yang mengindikasikan perekonomian dari 83 kabupaten di Pulau Jawa juga semakin membaik dari tahun ke tahun. Adapun, kabupaten dengan PDRB tertinggi adalah Bekasi sebesar 116,47 triliun rupiah. Kabupaten dengan jumlah tenaga kerja tertinggi adalah Sidoarjo. Kabupaten dengan jumlah kejadian bencana dan jumlah kerusakan fasilitas umum tertinggi masing-masing adalah Bogor dan Bangkalan. Model regresi panel yang sesuai untuk PDRB kabupaten di wilayah satu Pulau Jawa adalah REM. Variabel yang berpengaruh signifikan terhadap PDRB di wilayah satu adalah jumlah tenaga kerja dan jumlah kejadian bencana. 51

52 Saran Pada penelitian ini, wilayah yang diamati hanya kabupaten. Sehingga, untuk penelitian selanjutnya diharapkan memasukkan wilayah kota. Agar hasil estimasi regresi panel semakin akurat maka dapat dilakukan penambahan periode penelitian, menambah variabel independen yang mungkin berpengaruh pada PDRBB atau mengurangi unit cross section yang diamati. Selain itu, bisa melakukan pengembangan metode dengan menggunakan metode panel spasial. Asumsi residual yang tidak dapat dipenuhi pada penelitian ini adalah asumsi independen, sehingga saran untuk penelitian selanjutnya adalah perlu mengatasi asumsi yang tak dapat teratasi tersebut. 52

53 Daftar Pustaka Astuti, A. M. (2009). Fixed Effect Model Pada Regresi Data Panel Studi Kasus Tentang Persentase Mahasiswa Yang Lulus Tepat Waktu Di Institut Teknologi Sepuluh Nopember Surabaya. Tugas Akhir S2 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). England: John Wiley & Sons, Ltd Bappenas. (2006). Laporan Hasil Kajian Penyusunan Model Perencanaan Lintas Wilayah dan Lintas Sektor. Jakarta: Bappenas Bezu, S., Kassie, G. T., Shiferaw, B., & Gilbert, J. R. (2014). Impact Of Improved Maize Adoption On Welfare Of Farm Households In Malawi: A Panel Data Analysis. Journal of World Development, 59 (2014), Daniel, W. (1989). Statistika Non Parametrik. Jakarta: Gramedia Desi, Y. (2010). Pemodelan Persentase Penduduk Miskin Di Provinsi Jawa Timur Tahun Dengan Regresi Data Panel. Tugas Akhir S2 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya 53

54 Daftar Pustaka Fatmawati, I. (2010). Pendekatan Ekonometrika Panel Spasial Untuk Pemodelan PDRB Sektor Industri Di SWP Gerbangkertasusila Dan Malang Pasuruan. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Greene, W. H. (2002). Econometric Analysis (4th ed.). New Jersey: Prentice Hall Gujarati, D. (1999). Ekonometrika Dasar. Jakarta: Erlangga Gujarati, D. N. (2004). Basic Econometrics (4th ed.). The McGraw Hill- Companies Ingleton, J. (1999). Natural Disaster Management. Leicester : Tudor Rose Kementerian Negara Perencanaan Pembangunan Nasional (KNPPN), Badan Perencanaan Pembangunan Nasional (BPPN), & Badan Koordinasi Nasional Penanganan Bencana (BKNPB). (2006). Rencana Aksi Nasional Pengurangan Resiko Bencana. Jakarta: Perum Percetakan Negara RI Kusumaningrum, H. (2014). Pemodelan Ekonometrika Spasial Kerugian Makroekonomi Akibat Bencana Alam. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya 54

55 Daftar Pustaka Lee, N. Y., Moon, H. R., & Weidner, M. (2012). Analysis Of Interactive Fixed Effects Dynamic Linear Panel Regression With Measurement Error. Journal of Economic Letters, 117 (2012), Lee, S. H. (2014). The Relationship Between Growth And Profit: Evidence From Firm Level Panel Data. Journal of Structural Change and Econometric Dynamics, 28 (2014), 1-11 Mechler, R. (2003). Natural Disaster Risk Management and Financing Disaster Losses in Developing Countries. Published Ph.D. Thesis, University of Karlsruhe Melliana, A. (2013). Analisis Statistika Faktor Yang Mempengaruhi Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur Dengan Menggunakan Regresi Panel. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Mustapha, K., Mcheick, H., & Mellouli, S. (2013). Modeling and Simulation Agent Based of Natural Disaster Complex Systems. Journal of Computer Science, 21 (2013), Noy, I. (2009). The Macroeconomic Consequences Of Disasters. Journal of Development Economics, 88 (2009),

56 Daftar Pustaka Syahwal, S. (2011). Penaksiran Parameter Model Regresi Data Panel Dinamis Menggunakan Metode Blundell Dan Bond. Tugas Akhir S1 yang Dipublikasikan, Universitas Indonesia Toya, H., & Skidmore, M. (2007). Economic Development And The Impacts Of Natural Disasters. Journal of Economic Letters, 94 (2007), Walpole, R. E. (1995). Pengantar Statistika (Ketiga ed.). Jakarta: Gramedia Pustaka Utama Westerlund, J., & Urbain, J. P. (2013). On The Implementation And Use Of Factor-Augmented Regressions In Panel Data. Journal of Asian Econometrics, 28 (2013), 3-11 Xiaoyan, D., & Xiaofei, L. (2012). Conceptual Model on Regional Natural Disaster Risk Assessment. Journal of Engineering, 45 (2012), Zhong, L., Liu, L., & Liu, Y. (2010). Natural Disaster Risk Assessment of Grain Production in Dongting Lake Area, China. Journal of Agriculture and Agricultural Science, 1 (2010),

57 57