PEMODELAN TINGKAT PRODUK DOMESTIK REGIONAL BRUTO KABUPATEN/KOTA JAWA BARAT DENGAN SPASIAL DATA PANEL NUR HIKMAH

PEMODELAN TINGKAT PRODUK DOMESTIK REGIONAL BRUTO KABUPATEN/KOTA JAWA BARAT DENGAN SPASIAL DATA PANEL NUR HIKMAH DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

ABSTRAK NUR HIKMAH. Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota Jawa Barat dengan Spasial Data Panel. Dibimbing oleh YENNI ANGRAINI dan ASEP SAEFUDDIN. Jawa Barat merupakan provinsi dengan jumlah penduduk terbanyak di Indonesia. Provinsi ini berada pada posisi ketiga dalam pencapain tingkat PDRB sepulau Jawa setelah DKI Jakarta dan Jawa Timur. Namun demikian, meski Jawa Barat berada pada posisi ketiga dalam pencapaian PDRB se-pulau Jawa, masih ditemukan ketimpangan pada tingkat pertumbuhan ekonomi di dalam kabupaten/kota di Jawa Barat itu sendiri. PDRB merupakan salah satu indikator yang menggambarkan laju pertumbuhan ekonomi dalam suatu wilayah. Melalui indikator ini dapat diketahui seberapa besar pergerakan ekonomi yang dicapai. Penelitian ini bertujuan membentuk persamaan regresi spasial data panel dengan faktor-faktor yang memengaruhi tingkat PDRB di kabupaten/kota Jawa Barat. Berdasarkan analisis yang dilakukan dengan menggunakan analisis spasial data panel, didapatkan peubah yang berpengaruh terhadap respon yaitu peubah PAD, Jumlah Penduduk dan IPM. Sedangkan model terbaik berdasarkan kriteria nilai AIC dan BIC terkecil dalam pemodelan tingkat PDRB kabupaten/kota Jawa Barat adalah model data panel dengan pengaruh tetap dengan kebergantungan spasial pada lag.. Kata kunci : data panel, spasial data panel, matriks pembobot spasial.

PEMODELAN TINGKAT PRODUK DOMESTIK REGIONAL BRUTO KABUPATEN/KOTA JAWA BARAT DENGAN SPASIAL DATA PANEL NUR HIKMAH Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika Institut Pertanian Bogor DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012

Judul Skripsi Nama NRP : Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota Jawa Barat dengan Spasial Data Panel : Nur Hikmah : G14080024 Menyetujui, Pembimbing I, Pembimbing II, Yenni Angraini, S.Si, M.Si Dr.Ir. Asep Saefuddin, M.Sc NIP. 197805112007012001 NIP. 195703161981031004 Mengetahui : Ketua Departemen Statistika, Dr. Ir. Hari Wijayanto, M.Si NIP. 196504211990021001 Tanggal Lulus :

KATA PENGANTAR Segala puji dan syukur kepada Allah SWT atas kasih sayang, keberkahan dan hidayahnya sehingga karya ilmiah ini dapat diselesaikan. Shalawat serta salam Penulis panjatkan kepada Nabi Muhammad SAW yang telah membawa petunjuk untuk para pengikutnya. Karya ilmiah ini berjudul Pemodelan Tingkat Produk Domestik Regional Bruto Kabupaten/Kota Jawa Barat dengan Spasial Data Panel sebagai salah satu pemenuhan syarat kelulusan untuk meraih gelar sarjana. Selain itu Penulis juga mengucapkan terima kasih kepada 1. Ibu Yenni Angraini, S.Si, M.Si dan Bapak Dr.Ir. Asep Saefuddin M.Sc selaku dosen pembimbing atas kesabaran, pengarahan, saran, nasehat dan inspirasi yang diberikan selama pembuatan karya ilmiah ini. 2. Bapak Agus Muhammad Soleh S.Si, M.T selaku dosen penguji luar atas saran dan masukan untuk karya ilmiah ini. 3. Seluruh Dosen Statistika IPB atas ilmu yang telah diajarkan selama Penulis menjalani studinya beserta para Staf Administrasi terutama Ibu Markonah dan Ibu Tri. 4. Bapak dan Umi beserta ketiga kakak Penulis atas perjuangan, kasih sayang, dan lirihan doa yang senantiasa dipanjatkan untuk Penulis, serta untuk Khairunnisa dan Dinar Arga P. terima kasih atas motivasi, doa dan sharing yang diberikan. 5. Teman-teman satu pembimbing skripsi, Astri F. dan Yulia A. yang sama-sama berjuang untuk menyelesaikan karya ilmiah, terima kasih untuk support dan diskusinya. 6. Teman-teman satu perjuangan Liara, Gusti, Umi, Syita, Hanik, dan seluruh keluarga di Wisma Novia II Perwira 100 terima kasih atas kebersamaan dan support selama ini. 7. Seluruh keluarga besar Statistika IPB khususnya kepada Statistika 45. Akhir kata semoga karya ilmiah ini bermanfaat dan dapat memberikan kontribusi dalam menambahkan kekayaan keilmuan statistik. Bogor, Desember 2012 Nur Hikmah

RIWAYAT HIDUP Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 7 Januari 1990 sebagai anak keempat dari empat bersaudara dari pasangan Bapak Mamad (Alm) dan Ibu Tinah. Pendidikan dasar diselesaikan oleh Penulis pada tahun 2002 di SDN Kalibaru 3. Kemudian pada tahun 2005 Penulis selesai menjalani tingkat pendidikan menengah pertama di SMP N 6 Depok. Tahun 2008 Penulis berhasil meyelesaikan pendidikan menengah atas di SMA N 3 Depok. Melalui jalur penerimaan Ujian Seleksi Masuk IPB (USMI) Penulis memasuki tingkat perguruan tinggi di Institut Pertanian Bogor dengan pilihan Mayor Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis memilih Ekonomi Pertanian sebagai minor dari Departemen Ekonomi dan Sumberdaya Lingkungan. Selama perkuliahan Penulis aktif dalam kepanitiaan insidental serta organisasi kemahasiswaan, diantaranya Unit Lingkung Seni Sunda Gentra Kaheman periode 2009 serta sebagai anggota di Departemen Sains dalam Himpunan Profesi Gamma Sigma Beta periode 2009/2010 dan 2010/2011. Pada Februari - April 2012 Penulis melaksanakan kegiatan Praktik Lapang di Perusahaan Umum Bulog, Jakarta Selatan.

DAFTAR ISI Halaman DAFTAR GAMBAR... viii DAFTAR TABEL... viii DAFTAR LAMPIRAN... viii PENDAHULUAN... 1 Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA... 1 Analisis Data Panel... 1 - Model Gabungan... 2 - Model Pengaruh Tetap... 2 - Model Pengaruh Acak... 2 - Uji Chow... 3 - Uji Hausman... 3 Analisis Spasial Data Panel... 3 - Model Spasial Lag Panel... 3 - Model Spasial Galat Panel... 3 - Matriks Pembobot... 3 - Indeks Moran... 4 - Uji Pengganda Lagrange... 4 Kriteria Kebaikan Model... 4 DATA DAN METODE... 5 Data... 5 Metode... 5 HASIL DAN PEMBAHASAN... 5 Eksplorasi Data dan Analisis Deskriptif... 5 Analisis Data Panel... 6 - Model Gabungan... 6 - Model Pengaruh Tetap... 6 - Uji Chow... 6 - Model Pengaruh Acak... 6 - Uji Hausman... 6 Analisis Spasial Data Panel... 7 - Pembentukan Matriks Pembobot Spasial... 7 - Pengujian Indeks Moran... 7 - Uji Pengganda Lagrange... 7 - Pendugaan Parameter Analisis Spasial Data Panel... 7 Spasial Lag Panel Pengaruh Tetap... 7 Spasial Error Panel Pengaruh Tetap... 8 Kriteria Kebaikan Model... 9 SIMPULAN DAN SARAN... 10 Simpulan... 10 Saran... 10 DAFTAR PUSTAKA... 10 LAMPIRAN... 11

DAFTAR GAMBAR Halaman 1. Diagram Pencar Moran... 7 2. Diagram Pencar Antara Sisaan dan Nilai Y Duga Pada Model Spasial Lag Panel... 8 3. Plot Kenormalan Sisaan Pada Model Spasial Lag Panel... 8 4. Diagram Pencar Antara Sisaan dan Nilai Y Duga Model Spasial Error Panel... 9 5. Plot Kenormalan Sisaan Pada Model Spasial Error Panel... 9 DAFTAR TABEL Halaman 1. Hasil Pendugaan Model Gabungan... 6 2. Hasil Pendugaan Model Tetap... 6 3. Hasil Pendugaan Model Acak... 6 4. Hasil Uji Pengganda Lagrange... 7 5. Hasil Pendugaan Model Spasial Lag Panel... 8 6. Hasil Pendugaan Model Spasial Error Panel... 8 7. Perbandingan Nilai Kriteria Kebaikan Model... 9 DAFTAR LAMPIRAN Halaman 1. Grafik Pergerakan Tingkat PDRB Kabupaten/Kota Jawa Barat... 12 2. Peta Administratif Provinsi Jawa Barat... 13 3. Matriks Pembobot Spasial Dengan Metode Queen Contiguity... 14 4. Dugaan Pengaruh Individu Model Spasial Data Panel... 15

1 PENDAHULUAN Latar Belakang Jawa Barat merupakan provinsi dengan jumlah penduduk terbanyak di Indonesia. Provinsi ini berada pada posisi ketiga dalam pencapain tingkat PDRB sepulau Jawa setelah DKI Jakarta dan Jawa Timur. Beberapa sektor yang menjadi potensi dalam menyumbangkan tingkat PDRB di Jawa Barat terdiri atas sektor industri, pertanian, pertambangan, perdagangan dan jasa. Namun demikian, meski Jawa Barat berada pada posisi ketiga dalam pencapaian PDRB se-pulau Jawa, masih ditemukan ketimpangan pada tingkat pertumbuhan ekonomi di dalam kabupaten/kota di Jawa Barat itu sendiri. PDRB merupakan salah satu indikator yang menggambarkan laju pertumbuhan ekonomi dalam suatu wilayah. Melalui indikator ini dapat diketahui seberapa besar pergerakan ekonomi yang dicapai sebagai dampak dari pembangunan di daerah tersebut. Informasi mengenai pergerakan ekonomi beserta faktor-faktor yang memengaruhi ketimpangan ekonomi yang terjadi antar wilayah menjadi suatu hal yang menarik untuk dikaji. Salah satu penelitian terdahulu yang dilakukan oleh Masli (2009), pendekatan PDRB digunakan dalam menganalisis faktorfaktor yang memengaruhi pertumbuhan ekonomi dan ketimpangan regional antar kabupaten/kota di Jawa Barat. Beberapa faktor yang berpengaruh yaitu teknologi, peningkatan sumber daya manusia, peningkatan pendapatan dan perubahan selera konsumen. Pada penelitian yang dilakukan oleh Masli belum memasukkan pengaruh spasial. Mengabaikan keberadaaan pengaruh spasial bukan merupakan tindakan yang bijak. Pada penelitian yang telah dilakukan oleh Diputra (2011) mengenai pemodelan data panel spasial dengan dimensi ruang dan waktu, yang diterapkan pada data PDRB di kabupaten/kota Provinsi Jambi, didapatkan kesimpulan yaitu model akan memiliki nilai R 2 yang lebih besar jika memasukkan pengaruh spasial ke dalam analisis. Hal tersebut menunjukkan bahwa memasukkan pengaruh spasial dalam analisis dapat meningkatkan jumlah keragaman yang dijelaskan oleh model. Adanya peningkatan jumlah keragaman disebabkan oleh keragaman yang dijelaskan model tidak hanya dari peubah-peubah penjelas yang digunakan tetapi juga dijelaskan oleh adanya pengaruh spasial. Berdasarkan alasan tersebut maka pada penelitian ini menyertakan pengaruh spasial berupa lokasi (kabupaten/kota) dalam analisis dengan harapan agar menambahkan informasi dari model yang terbentuk. Selain itu pengamatan data PDRB di kota/kabupaten Jawa Barat dalam penelitian ini dilakukan pada individu yang sama dalam beberapa periode waktu tertentu dengan lag yang sama. Adanya pengamatan yang dilakukan secara berulang pada individu yang sama serta dengan memasukkan unsur lokasi didalamnya memungkinkan adanya kebergantungan antar pengamatan, dimana dapat terjadi kemungkinan amatan di suatu lokasi dipengaruhi oleh amatan di lokasi lain. Pemasukan unsur lokasi dalam analisis dapat diselesaikan dengan menggunakan analisis spasial. Jika suatu data yang memiliki unsur spasial didalamnya kemudian diselesaikan tanpa memasukkan unsur spasial, maka akan mendapatkan model yang tidak efisien. Model yang tidak efisien merupakan model dengan nilai ragam yang tidak minimum. Pergerakan ekonomi kabupaten/kota di Jawa Barat yang dilihat dari tingkat PDRB ini diduga memiliki pengaruh spasial antar lokasi, dimana satu lokasi memengaruhi lokasi yang menjadi tetangganya. Oleh karena itu analisis statistika yang dapat digunakan yaitu analisis spasial data panel. Tujuan Penelitian ini bertujuan membentuk persamaan regresi spasial data panel dengan faktor-faktor yang memengaruhi tingkat PDRB di kabupaten/kota Jawa Barat. TINJAUAN PUSTAKA Analisis Data Panel Data panel merupakan kombinasi dari data deret waktu dan lintas individu. Data deret waktu merupakan data pengamatan dari satu atau lebih individu yang diamati dalam beberapa periode waktu tertentu dengan lag waktu pengamatan yang sama sedangkan data lintas individu merupakan nilai dari satu atau lebih individu yang dikumpulkan untuk unit amatan dalam satu waktu (Gujarati 2003). Dengan demikian data panel merupakan data lintas individu yang diamati secara berulangulang baik pada satu atau lebih individu di beberapa periode waktu tertentu dengan lag waktu pengamatan yang sama. Menurut Baltagi 2005, bentuk persamaan umum dari analisis regresi data panel adalah sebagai berikut

2 y it = α + x itβ + μ i + ε it [1] i : 1,2,, N dan t : 1,2,,T dimana i : unit lintas individu. t : periode waktu. y it : respon individu ke- i pada periode ke t. α : konstanta. β : vektor berukuran K x 1; K menyatakan banyaknya peubah penjelas. x it : unit lintas individu pada amatan ke-i dan periode ke-t. μ i : pengaruh individu yang tidak terobservasi. ε it : sisaan lintas individu pada amatan ke-i periode ke-t. Model Gabungan Pada analisis data panel, model yang tidak memperhatikan pengaruh individu dan waktu disebut dengan model gabungan. Model ini mengasumsikan koefisien regresi (konstanta ataupun kemiringan) yang sama antar unit analisis dan waktu. Atau dengan kata lain, model ini merupakan bentuk model yang sama seperti model regresi linear. Persamaan model yang digunakan juga mengikuti bentuk regresi linear dengan komponen sisaan hanya berasal dari pendugaan tanpa adanya unsur pengaruh individu maupun waktu sebagai penyusunnya. Bentuk persamaan model gabungan yaitu : y it = α + x itβ + ε it [2] Pendugaan parameter dilakukan dengan menggunakan Metode Kuadrat Terkecil (MKT). Asumsi yang terdapat pada model ini yaitu sisaan menyebar normal, bebas dan identik.( ε i ~ N(0, σ 2 ). Model Pengaruh Tetap Model pengaruh tetap ini sesuai jika digunakan dalam mengamati sejumlah N individu dan kesimpulan akhir dibatasi hanya pada perilaku dari segugus data yang diamati. Pendugaan parameter menggunakan MKT dengan teknik within. Menurut Baltagi (2005) untuk fungsi regresi dari model tetap ini adalah y it = α + x itβ + μ i + ε it [3] Kemudian persamaan [3] jika dirata-ratakan sepanjang waktu menjadi y i. = α + x i. β + μ i + εi. [4] Kemudian, mengurangi persamaan [3] dengan persamaan [4] sehingga didapatkan y it y i. = (x it x i. )β + ( ε it εi.) [5] Misal y it = y it y i., x it = x it x i. dan ε it = ε it εi. maka persamaan [5] menjadi y it = x it β + ε it. Selain teknik within, pada model pengaruh tetap juga dikenal adanya teknik dengan menggunakan penambahan peubah boneka didalamnya atau biasa dikenal dengan least squares dummy variables (LSDV). Model ini juga diduga dengan menggunakan MKT dan untuk nilai pengamatan pada koefisien peubah μ i berupa peubah boneka (dummy) yang mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda baik pada unit lintas individu maupun deret waktu (Baltagi 2005). Model Pengaruh Acak Dalam Baltagi (2005) dikatakan bahwa model pengaruh acak merupakan spesifikasi model yang sesuai jika kita mengambil N individu secara acak dari populasi yang besar. Pendugaan parameter dengan menggunakan MKT akan menghasilkan penduga yang bias dan tidak efisien, sehingga penggunaan metode Generalized Least Square dilakukan dalam pendugaan pada model ini. Persamaan untuk model pengaruh acak menurut Gujarati (2003) adalah sebagai berikut: k y it = β 1i + β j x jit + ε it [6] j=2 β 1i = β 1 + µ i [7] Dengan mensubstitusikan persamaan [7] ke persamaan [6] didapatkan model y it = β 1 + y it = β 1 + k j=2 k j=2 β j x jit + µ i + ε it [8] β j x jit + τ it [9] τ it = µ i + ε it [10] Adapun asumsi yang terdapat pada model ini yaitu ε i ~ N (0, σ ε 2 ), µ i ~ N (0, σ μ 2 ), E(µ i, X it ) 0.

3 Uji Chow Uji Chow merupakan pengujian hipotesis antara model gabungan dan model pengaruh tetap. Dalam Baltagi (2005) hipotesis yang digunakan dalam pengujian ini adalah: H 0 : model mengikuti model gabungan H 1 : model mengikuti model pengaruh tetap Statistik uji yang digunakan adalah RRSS URSS / N 1 F [11] 0 URSS /( NT N K) dimana RRSS merupakan restricted residual sums of squares hasil dari pendugaan parameter dari model gabungan. URSS merupakan unrestricted residual sums of squares hasil dari pendugaan parameter dari model pengaruh tetap. Jika hipotesis nol benar ditolak, maka F 0 akan menyebar normal dengan derajat bebas N-1, N(T-1)-K atau jika nilai p yang diberikan kurang dari α. Uji Hausman Uji Hausman merupakan pengujian antara model tetap dan model acak. Hipotesis awal yang digunakan adalah model mengikuti model pengaruh acak dan hipotesis tandingannya adalah model mengikuti model pengaruh tetap. Dalam Baltagi (2005), statistik uji yang digunakan adalah: χ hit 2 =q [Var(q)] 1 q [12] dimana q = β acak β tetap. β acak adalah koefisien model pengaruh acak dan β tetap adalah koefisien model pengaruh tetap. Var q = Varβ tetap Varβ acak. Jika hipotesis nol benar ditolak maka χ 2 hit akan menyebar mengikuti sebaran χ 2 dengan derajat bebas (k,α), dan k merupakan jumlah koefisien slope. Kriteria laiinnya yaitu tolak H 0 jika nilai p kurang dari α. Analisis Spasial Data Panel Model Spasial Lag Panel Persamaan untuk model spasial lag panel adalah sebagai berikut: y it = λ N j =1 w ij y jt + x it β + μ i + ε it [13] dimana adalah koefisien spasial autoregressive, w ij merupakan elemen dari matriks W, dimana W merupakan matriks pembobot spasial dengan elemen-elemen diagonalnya sama dengan nol yang telah dinormalisasi (Elhorst 2009). Model Spasial Error Panel Persamaan untuk model spasial error panel adalah sebagai berikut: y it = x it β + μ i + ε it ; [14] ε it = ρ N j =1 w ij ε it + v it [15] dimana ε adalah sisaan spasial autokorelasi dan ρ adalah koefisien autokorelasi spasial (Elhorst 2009). Matriks Pembobot Spasial Matriks pembobot spasial merupakan matriks yang menggambarkan kekuatan antar lokasi dan merupakan matriks contiguity yang telah mengalami standarisasi. Pendekatan matriks pembobot ini berdasarkan informasi kebertetanggaan (neighbourhood). Pembobotan dilakukan dengan membentuk matriks C dimana c ij merupakan elemen pada baris ke-i dan kolom ke-j. c ij akan bernilai 1 pada daerah yang bertetangga dan 0 selainnya. Selanjutnya untuk melihat besarnya pembobotan, dilakukan standarisasi dari matriks C sehingga terbentuk matriks pembobot spasial (W). Pola umum yang digunakan adalah standarisasi terhadap baris. Hal ini dilakukan dengan membagi setiap elemen di dalam suatu baris dengan total nilai di setiap baris tersebut. Jika hal ini dinotasikan menjadi : w ij = c ij n [16] i=1 c ij Menurut LeSage (1999) beberapa penentuan matriks pembobot spasial adalah sebagai berikut : Linear Contiguity : memberikan nilai 1 untuk setiap daerah yang bersisian kanan dan kiri, serta memberikan nilai 0 untuk selainnya. Rook Contiguity : memberikan nilai 1 untuk setiap daerah yang bersisian kanan, kiri, atas dan bawah, dan memberikan nilai 0 untuk selainny. Bishop Contiguity : memberikan nilai 1 untuk setiap daerah yang betetaggaan secara sudut dan memberikan nilai 0 untuk selainnya. Queen Contiguity : memberikan nilai 1 untuk setiap daerah yang bersisian kanan, kiri, atas dan bawah, dan juga yang bertetanggaan secara sudut dan memberikan nilai 0 untuk selainnya.

4 Double Linear Contiguity : kriteria pemberian bobot sama halnya seperti Linear Contiguity, namun untuk 2 lokasi dari lokasi awal masih dianggap tetangga, serta memberikan nilai 0 untuk selainnya. Double Rook Contiguity : kriteria pemberian bobot sama halnya seperti Rook Contiguity, namun untuk 2 lokasi dari lokasi awal masih dianggap tetangga, serta memberikan nilai 0 untuk selainnya. Indeks Moran Indeks moran merupakan statistik uji yang digunakan untuk melakukan pegujian terhadap autokorelasi spasial. Statistik ini adalah ukuran korelasi antara pengamatan yang saling berdekatan dengan membandingkan nilai di suatu daerah dengan nilai pengamatan di daerah lainnya. Persamaan untuk menghitung nilai Indeks Moran adalah sebagai berikut: I n i 1 j 1 n n n ij i 1 j 1 i 1 n n w y y y y ij i j w y y i 2 [17] n : banyanknya pengamatan y : nilai rata-rata dari {y i } dari n lokasi y i : nilai pada lokasi ke-i y j : nilai pada lokasi ke-j w ij : elemen matriks pembobot spasial baris ke-i kolom ke-j Hipotesis yang digunakan adalah sebagai berikut: H 0 : I = 0 (tidak ada autokorelasi antar lokasi) H 1 : I 0 (ada autokorelasi antar lokasi) Nilai harapan diberikan sebagai berikut: I 0 1 ( n 1) [18] Nilai Indeks Moran antara -1 dan 1 (-1 menunjukkan autukorelasi negatif sempurna dan 1 menunjukkan autokorelasi positif sempurna). Jika nilai dari I lebih besar dari nilai I 0 artinya terdapat autokorelasi yang positif pada data. Sebaliknya jika nilai I < I 0 artinya terdapat autokorelasi yang negatif. Sedangkan jika nilai I = 0 artinya tidak terdapat autokoreelasi spasial. Lagrange Multiplier (LM) Untuk menguji pengaruh interaksi spasial pada model panel spasial dilakukan pengujian Lagrange Multiplier. Menurut Anselin et.al (2006), persamaan Lagrange Multiplier adalah sebagai berikut: a. Lagrange Multiplier Lag Hipotesis yang digunakan adalah: H 0 : λ=0 (tidak ada ketergantungan lag spasial) H 1 : λ 0 (ada ketergantungan lag spasial) Statistik uji yang digunakan: LM λ = e I T W Y σ 2 J 2 19 g 1 = I T W Xβ [20] g 2 = I NT X X X 1 X [21] J = 1 σ 2 g 1 g 2 g 1 + TT w σ 2 [22] Keputusan tolak H 0 jika nilai LM λ >χ 2 (q) tabel, dengan q adalah banyaknya parameter spasial atau jika nilai p < α. b. Lagrange Multiplier Error Hipotesis pengujian yang digunakan : H 0 : ρ = 0 (tidak terdapat autokorelasi spasial error) H 1 : ρ 0 (terdapat autokorelasi spasial error) Statistik uji untuk LM ρ adalah : LM ρ = e I T w e/σ 2 [23] TxT w Dimana T w adalah teras dari ((W+W )W), σ 2 merupakan ragam dari regresi data panel, I T merupakan matriks identitas berukuran TxT, W adalah matriks pembobot spasial yang telah dinormalisasi, dan e adalah vektor sisaan dari model gabungan tanpa ada satupun pengaruh spasial maupun waktu atau vektor sisaan dari model data panel dengan pengaruh tetap/acak dari spasial dan atau waktu. Keputusan tolak H 0 jika nilai LM ρ >χ 2 (q) tabel, dengan q adalah banyaknya parameter spasial atau jika nilai p < α. Kebaikan Model Beberapa kriteria kebaikan model yaitu dengan melakukan pengukuran terhadap nilai Akaike information criterion (AIC) dan Bayesian Information Criterian (BIC). Perhitungan AIC dan BIC adalah sebagai berikut: AIC = n ln RSS + 2k [24] n

5 BIC = n ln σ 2 e + k ln (n) [25] Dimana n adalah banyaknya unit amatan. RSS adalah jumlah kuadrat galat dari hasil pendugaan dan k merupakan banyaknya parameter yang diduga. Kriteria pemilihan model yaitu model dengan nilai AIC dan BIC terkecil. DATA DAN METODE Data Data yang digunakan dalam penelitian ini merupakan data sekunder dari Badan Perencanaan Pembangunan Daerah (Bappeda) Jawa Barat, serta Jawa Barat dalam Angka yang diterbitkan oleh Badan Pusat Statistik (BPS). Unit amatan yang diteliti pada penelitian ini selama periode 2005-2009 pada 25 kabupaten/kota di Jawa Barat. Kedua puluh lima kabupaten/ kota tersebut yaitu Kab. Bogor, Kab. Sukabumi, Kab. Cianjur, Kab. Bandung, Kab. Garut, Kab. Tasikmalaya, Kab. Ciamis, Kab. Kuningan, Kab. Cirebon, Kab. Majalengka, Kab. Sumedang, Kab. Indramayu, Kab. Subang, Kab. Purwakarta, Kab. Karawang, Kab. Bekasi, Kota Bogor, Kota Sukabumi, Kota Bandung, Kota Cirebon, Kota Bekasi, Kota Depok, Kota Cimahi, Kota Tasikmalaya, dan Kota Banjar. Pemilihan kabupaten dan kota mencakup keseluruhan dari kabupaten dan kota yang terdapat di Jawa Barat sebelum adanya pemekaran wilayah pada tahun 2007. Wilayah Bandung Barat sebagai wilayah hasil pemekaran pada tahun 2007, dianggap masih menjadi satu kesatuan dengan wilayah Kabupaten Bandung. Sebagai peubah respon yaitu PDRB, sedangkan untuk peubah penjelas terdiri dari empat buah yaitu Pendapatan Asli Daerah (PAD) (X1), jumlah penduduk (X2), total belanja daerah (X3), dan Indeks Pembangunan Manusia (IPM) (X4). Metode Langkah-langkah yang digunakan dalam melakukan analisis pada penelitian ini, yaitu: 1. Melakukan eksplorasi data untuk melihat gambaran umum dari data 2. Melakukan analisis regresi data panel 2.1 Melakukan pendugaan dengan model gabungan dan pengaruh tetap. 2.2 Melakukan uji Chow untuk memilih model data panel yang sesuai antara model gabungan atau model tetap. a. Jika terima H 0 maka model gabungan yang digunakan. (pendugaan sampai disini) b. Jika tolak H 0 maka model pengaruh tetap yang dipilih dan lanjutkan ke langkah 2.3 2.3 Melakukan pendugaan dengan model pengaruh acak 2.4 Melakukan Uji Hausman untuk memilih antara model tetap atau model acak a. Jika terima H 0 maka model acak yang digunakan (pendugaan sampai disini) b. Jika tolak H 0 maka model pengaruh tetap yang dipilih 3. Melakukan analisis spasial data panel 3.1 Menentukan matriks pembobot spasial (W). 3.2 Melihat kebergantungan spasial menggunakan Indeks Moran. 3.3 Menguji pengaruh interaksi spasial dengan menggunakan uji Lagrange Multiplier (LM). 3.4 Melakukan pendugaan parameter model spasial data panel. 3.5 Melihat kebaikan model melalui AIC dan BIC. HASIL DAN PEMBAHASAN Eksplorasi Data Eksplorasi data yang dilakukan dalam penelitian ini meliputi pengamatan pergerakan tingkat PDRB pada periode 2005-2009. Pada Lampiran 1 dapat dilihat pergerakan PDRB sejak tahun 2005 hingga tahun 2009 menunjukkan tren nilai yang menaik di setiap tahunnya untuk semua kota dan kabupaten. Kontribusi PDRB terbesar untuk Provinsi Jawa Barat diberikan oleh Kabupaten Bekasi, dilanjutkan oleh Kota Bandung dan Kabupaten Bogor. Sedangkan Kota Banjar, Kota Sukabumi dan Kabupaten Kuningan merupakan kabupaten/kota yang memberikan kontribusi terkecil terhadap PDRB di Jawa Barat. Jika diperhatikan dengan seksama untuk kabupaten/kota yang memiliki tingkat PDRB yang tinggi ternyata sebagian besar PDRB yang tercipta di wilayahnya merupakan wilayah industrialisasi dan perdagangan, dan sektor-sektor tersebut merupakan sektor andalan di Jawa Barat (BPS, 2011). Dua wilayah dengan tingkat PDRB tertinggi yakni Kabupaten Bogor dan Kabupaten Bekasi merupakan wilayah yang bertetangga langsung dengan wilayah DKI Jakarta. Kondisi ini memungkinkan bagi

6 kedua wilayah tersebut memiliki kemudahan akses terhadap wilayah Ibu Kota yang lebih tinggi dibandingkan wilayah lainnya. Sedangkan untuk Kota Bandung merupakan daerah Ibu Kota Provinsi Jawa Barat, sehingga wilayah ini juga memungkinkan untuk memiliki tingkat aktivitas ekonomi yang lebih tinggi daripada wilayah lainnya yang tergambarkan pada tingkat PDRB yang dicapai. Wilayah-wilayah yang saling bertetangga diduga akan memberikan pengaruh terhadap wilayah yang bertetangga dengannya. Berdasarkan hal ini diduga bahwa terdapat kebergantungan spasial antar wilayah pada tingkat PDRB di kabupaten/kota di Jawa Barat. Karena adanya perbedaan satuan yang cukup besar antara peubah respon dan peubah penjelas, sebelum melakukan analisis dalam penelitian ini dilakukan proses transformasi untuk keseluruhan peubah. Proses transformasi yang dilakukan tidak hanya pada peubah respon saja karena untuk menghindari perubahan pola hubungan antar peubah yang digunakan. Selain itu hal ini dilakukan untuk pemenuhan pengujian asumsi sehingga dilakukan transformasi logaritma natural. Analisis Data Panel Spesifikasi Model Analisis data panel dilakukan untuk melihat bagaimana pengaruh waktu dan pengaruh individu yang terdapat di dalam model. Penelitian ini hanya dilakukan dalam satu arah untuk melihat pengaruh individu saja tanpa melihat pengaruh waktu. Terdapat tiga bentuk model dalam data panel yaitu model gabungan tanpa adanya pengaruh individu dan waktu, model pengaruh tetap dan model pengaruh acak. Pada Tabel 1 dapat dilihat peubah yang berpengaruh nyata terhadap respon untuk model gabungan pada taraf 5 % yaitu X1, X2 dan X4. Tabel 1 Hasil pendugaan model gabungan Peubah Koefisien Nilai p C 0.698 0.891 X1 0.128 0.015* X2 0.902 0.000* X3 0.027 0.240 X4 3.008 0.012* *nyata pada α = 5 %. Selanjutnya setelah dilakukan pengujian terhadap model gabungan dilakukan pendugaan model data panel dengan pengaruh tetap. Pada Tabel 2 dapat dilihat peubah yang berpengaruh nyata terhadap respon untuk model pengaruh tetap pada taraf 5 % yaitu X2 dan X4. Tabel 2 Hasil pendugaan model pengaruh tetap Peubah Koefisien Nilai p panel C -28.981 0.000* X1-0.007 0.762 X2 1.591 0.000* X3-0.002 0.786 X4 8.684 0.000* *nyata pada α = 5 %. Uji Chow Pengujian ini merupakan tahap lanjut untuk memilih apakah model data panel gabungan atau model data panel dengan pengaruh tetap yang sesuai digunakan. Berdasarkan uji Chow diperoleh nilai F sebesar 25.351 dan nilai p sebesar 0.000. Nilai p yang didapatkan lebih kecil dari α = 5 %, hal ini berimplikasi H 0 dapat ditolak. Sehingga hasil dari uji Chow ini menunjukkan bahwa model sementara yang digunakan adalah model data panel dengan pengaruh tetap. Model Pengaruh Acak Pendugaan model panel dengan pengaruh acak menunjukkan peubah yang berpengaruh signifikan yaitu peubah X2 dan X4, ditunjukkan dengan nilai p kedua peubah tersebut kurang dari α = 5 %. Tabel 3 Hasil pendugaan model panel pengaruh acak Peubah Koefisien Nilai p C -16.042 0.006* X1-0.000 0.994 X2 1.087 0.000* X3-0.002 0.806 X4 7.271 0.000* *nyata pada α = 5 %. Uji Hausman Setelah melakukan pendugaan model pengaruh tetap, selanjutnya dilakukan pendugaan dengan model pengaruh acak. Uji Hausman dilakukan untuk memilih model data panel dengan pengaruh tetap atau model pengaruh acak yang akan digunakan. Hasil uji ini menunjukkan nilai χ 2 hitung sebesar 14.824 dengan nilai p sebesar 0.005. Nilai p yang didapat lebih kecil dari α = 5 %. Hal ini

spatially lagged b 28 29 30 31 32 7 berimplikasi hipotesis nol dapat ditolak, artinya model data panel yang digunakan adalah model data panel pengaruh tetap. 18 47 82 102 77 27 52 Analisis Spasial Data Panel Hasil akhir pada analisis data panel diperoleh model data panel pengaruh tetap. Pengaruh tetap inilah yang selanjutnya akan dimasukkan dalam analisis spasial data panel. Matriks Pembobot Spasial Pembentukan matriks pembobot spasial untuk melihat kekuatan interaksi yang terjadi antar lokasi. Metode queen contiguity yang telah dinormalisasi baris digunakan dalam penelitian ini. Metode ini memberikan nilai 1 pada setiap daerah yang bersinggungan baik sisi maupun sudut, dan memberikan nilai 0 untuk selainnya. Dalam menormalisasikan matriks contiguity menjadi matriks pembobot spasial dilakukan dengan membagi setiap unsur dalam matriks contiguity dengan total nilai setiap barisnya. Sehingga setiap unsur dapat mewakili bobot spasial dengan nilai pembobot dari keseluruhan lokasi yang saling berdekatan. Normalisasi baris juga dapat memberikan hasil yang lebih akurat karena bobot setiap lokasi merupakan hasil dari pembagian dengan jumlah total tetangganya. Matriks pembobot spasial terlampir pada Lampiran 3. Indeks Moran Tahap awal dalam melakukan analisis spasial yaitu mengecek keberadaan adanya pengaruh spasial. Hasil pengujian Indeks Moran memberikan nilai I sebesar 0.249 dengan nilai p sebesar 0.000. Nilai harapan dari indeks Moran (I 0 ) sebesar -0.008, dengan didapatkannya nilai I > I 0 dan nilai p yang kurang dari α (5%), maka cukup bukti untuk mengatakan bahwa terdapat autokorelasi spasial positif antar lokasi pada tingkat PDRB di Provinsi Jawa Barat. Keberadaan autokorelasi spasial positif juga dapat dilihat pada Gambar 1. Dimana pada gambar tersebut Moran s Scatterplot menggambarkan kemiringan garis yang positif. Kemiringan garis positif inilah yang menunjukkan terdapat autokorelasi yang bersifat positif antar lokasi. Gambar 1 Diagram pencar Moran. Uji Pengganda Lagrange Selain menggunakan Indeks Moran, pengecekan mengenai adanya kebergantungan spasial dapat dilakukan melalui pengujian LM. Tabel 4 Hasil uji pengganda Lagrange Uji LM Nilai Chi_kuadrat Nilai p LM SAR 5.101 3.841 0.023* LM SEM 20.362 3.841 0.000* *nyata pada α = 5 %. Pengujian ini untuk mengetahui spesifikasi khusus pengaruh kebergantungan spasial yang terjadi yaitu kebergantungan pada lag (SAR) atau pada galat (SEM). Pada Tabel 4 dapat dilihat nilai χ 2 hitung untuk LM SAR sebesar 5.101 lebih besar dari nilai χ 2 tabel (3.841) dengan nilai p yaitu 0.023. Untuk nilai χ 2 hitung yang dihasilkan pada LM SEM sebesar 20.362, lebih besar dari nilai χ 2 tabel (3.841) dengan nilai p yaitu 0.000. Karena hasil kedua uji pengganda Lagrange ini memiliki nilai p yang kurang dari α baik pada LM SAR maupun LM SEM, hal ini berimplikasi hipotesis nol dapat ditolak. Sehingga pemodelan kebergantungan spasial yang dapat dilakukan yaitu Spatial Lag Panel Model dan Spatial Error Panel Model. Pendugaan Model Spasial Lag Panel Pengaruh Tetap Tabel 5 menunjukkan hasil pemodelan spasial lag panel dengan pengaruh tetap. Persamaan model yang terbentuk pada model spasial lag panel dengan pengaruh tetap ini yaitu Lny it = 0.160 43 68 93 118 28 29 30 31 32 N j =1 b 88 w ij Lny jt + 0.117 Ln X1 it + 0.757 LnX2 it + 0.017 Ln X3 it + 6.044 LnX4 it + μ i + e it ; i j

Sample Quantiles -0.5 0.0 0.5 sisaan -0.5 0.0 0.5 8 Tabel 5 Hasil pendugaan model spasial lag panel dengan pengaruh tetap. Peubah Koefisien Nilai p lambda 0.160 0.046* X1 0.117 0.005* X2 0.757 0.000* X3 0.017 0.315jj X4 6.044 0.000* *nyata pada α = 5 %. Merujuk pada Tabel 5 peubah-peubah yang memiliki nilai p yang lebih kecil dari α (5%) yaitu peubah X1, X2 dan X4. Sehingga dapat disimpulkan peubah-peubah tersebut merupakan peubah yang berpengaruh secara nyata pada α (5%). Koefisien autoregresi spasial (lambda) juga menunjukkan nilai p yang lebih kecil dari α (5%). Hal ini menunjukkan bahwa terdapat kebergantungan spasial pada lag dari model spasial data panel ini. Nilai koefisien aoutoregresi ini dapat diartikan bahwa korelasi tingkat PDRB pada satu kota/kabupaten dengan kota/kabupaten lain yang menjadi tetangganya sebesar exp (0.160) dikali rata-rata tingkat PDRB di kota/kabupaten yang mengelilinginya. Peubah keempat yaitu IPM merupakan indeks rataan dari tiga komponen penyusunnya yaitu pendapatan, tingkat kesehatan dan pendidikan. Semakin besar nilai IPM dari suatu lokasi tertentu maka kondisi atau potensi dari penduduk di lokasi tersebut dapat dikatakan semakin baik. Koefisien penduga untuk IPM pun bernilai positif, artinya semakin besar tingkat IPM maka PDRB pun meningkat. Besarnya nilai pengaruh setiap individu untuk kabupaten dan kota di Provinsi Jawa Barat pada model spasial lag panel dapat dilihat pada Lampiran 4. Pengujian asumsi yang dilakukan pada model spasial data panel ini yaitu asumsi kenormalan, kehomogenan ragam dan autokorelasi pada sisaan. Secara eksplorasi untuk pengecekan keacakan sisaan dapat dilihat pada Gambar 2. Pada gambar tersebut plot antara nilai dugaan dan sisaan memiliki pola tebaran yang acak, atau dengan kata lain asumsi sisaan saling bebas terpenuhi. Selain itu Gambar 2 juga menunjukkan pencaran dari sebaran galat yang homogen, dengan lebar pita yang relatif sama. Hal ini mengindikasikan bahwa ragam sisaan bersifat homogen. Pengecekan kenormalan sisaan dapat dilihat melalui plot QQ normal pada Gambar 3. Pada gambar tersebut dapat dilihat, sebaran sisaan hampir membentuk garis linear yang menandakan bahwa sisaan menyebar normal. Selain itu hasil pengujian Jarque Bera (JB) diperoleh nilai p sebesar 0.297, lebih besar dari α (5%). Hal ini berimplikasi hipotesis nol tidak ditolak yang menandakan bahwa asumsi sisaan menyebar normal terpenuhi. Gambar 2 Diagram pencar antara sisaan dan nilai Y duga pada model spasial lag panel. Gambar 3 Plot kenormalan sisaan pada model spasial lag panel. Pendugaan Model Spasial Error Panel Pengaruh Tetap Tabel 6 menunjukkan hasil pemodelan spasial error panel dengan pengaruh tetap. Persamaan model yang terbentuk pada model spasial error panel dengan pengaruh tetap ini yaitu Ln y it = 0.106 Ln X1 it + 0.761 Ln X2 it + 0.031 Ln X3 it + 5.982 Ln X4 it + μ i + e it e it = 0.339 28 29 30 31 32 N j =1 w ij yduga -2-1 0 1 2 Theoretical Quantiles e jt + v it ; i j Merujuk pada Tabel 6 peubah-peubah yang memiliki nilai p yang lebih kecil dari α (5%) yaitu peubah X1, X2 dan X4. Sehingga dapat disimpulkan peubah-peubah tersebut merupakan peubah yang berpengaruh secara nyata pada α (5%). Koefisien autokorelasi

sisaan -0.5 0.0 0.5 Sample Quantiles -0.5 0.0 0.5 9 spasial (rho) juga menunjukkan nilai p yang lebih kecil dari α. Hal ini menunjukkan bahwa terdapat pengaruh spasial pada sisaan dari model spasial data panel ini. Nilai koefisien aoutokorelasi ini dapat diartikan bahwa korelasi spasial sisaan pada satu kota/kabupaten dengan kota/kabupaten lain yang menjadi tetangganya sebesar exp (0.339) dikali rata-rata sisaan di kota/kabupaten yang mengelilinginya. Besarnya nilai pengaruh setiap individu untuk kabupaten dan kota di Provinsi Jawa Barat dapat dilihat pada Lampiran 4. Tabel 6 Hasil pendugaan model spasial error panel dengan pengaruh tetap Peubah Koefisien Nilai p rho 0.339 0.000* X1 0.106 0.004* X2 0.761 0.000* X3 0.031 0.097 X4 5.982 0.000* *nyata pada α = 5 %. Pengujian asumsi yang dilakukan pada model spasial data panel ini yaitu asumsi kenormalan, kehomogenan ragam dan autokorelasi. Secara eksplorasi untuk pengecekan keacakan sisaan dapat dilihat pada Gambar 4. Pada gambar tersebut plot antara nilai dugaan dan sisaan memiliki pola tebaran yang acak, atau dengan kata lain asumsi sisaan saling bebas terpenuhi. Selain itu Gambar 4 juga menunjukkan pencaran dari sebaran sisaan yang homogen dengan lebar pita yang relatif sama. Hal ini mengindikasikan bahwa ragam sisaan bersifat homogen. 28 29 30 31 32 yduga Gambar 4 Diagram pencar antara sisaan dan nilai Y duga pada model spasial sisaan panel. Pengecekan kenormalan sisaan dapat dilihat melalui plot QQ normal pada Gambar 5. Plot sebaran sisaan pada gambar tersebut hampir membentuk garis linear yang menandakan bahwa sisaan menyebar normal. Selain itu hasil pengujian Jarque Bera (JB) diperoleh nilai p sebesar 0.172 lebih besar dari α (5%). Sehingga hipotesis nol tidak ditolak, hal ini menandakan bahwa asumsi sisaan menyebar normal terpenuhi. Gambar 5 Plot kenormalan sisaan pada model spasial sisaan panel. Kebaikan Model Kriteria yang digunakan untuk melihat kebaikan model yaitu dengan menggunakan nilai AIC dan BIC. Hasil pemodelan baik untuk model spasial lag panel dan spasial sisaan panel memberikan nilai AIC seperti pada Tabel 7. Tabel 7 Perbandingan nilai kriteria kebaikan model Kriteria SAR Panel SEM Panel AIC BIC -2-1 0 1 2 Theoretical Quantiles -243.253-233.253-238.144-222.998 Berdasarkan kriteria nilai AIC dan BIC, penentuan nilai terbaik yaitu model yang memiliki nilai AIC dan BIC terkecil. Merujuk pada Tabel 7, model yang memiliki nilai AIC dan BIC terkecil yaitu model spasial lag panel dengan pengaruh tetap. Namun demikian penentuan pembentukan model spasial data panel juga dapat dilihat dari hasil pengujian pengganda Lagrange. Berdasarkan rujukan yang ditulis oleh Profesor Henk Folmer yang disampaikan dalam Spatial Econometrics International Seminar pada September 2012, pemilihan model spasial data panel dilakukan dengan melihat nilai hasil uji pengganda Lagrange. Beliau menyebutkan bahwa kriteria dalam memilih model yang akan digunakan yaitu yang memiliki nilai uji pengganda Lagrange terbesar dan nilai p terkecil. Sehingga jika terjadi kemungkinan hasil uji pengganda Lagrange memberikan nilai yang nyata baik pada lag maupun sisaan, maka yang dipilih

10 adalah model spasial data panel dengan kriteria nilai uji pengganda Lagrange terbesar dan nilai p terkecil. Dengan demikian berdasarkan rujukan tersebut memilih model spasial error panel dengan pengaruh tetap dalam pemodelan tingkat PDRB kabupaten/kota di Jawa Barat masih dapat digunakan. Selain itu, alasan untuk tetap mempertahankan model spasial error panel untuk dapat digunakan yaitu karena nilai kriteria kebaikan model, baik AIC maupun BIC menunjukkan rentang nilai yang tidak terpaut jauh. Sehingga pemilihan model spasial error panel masih memungkinkan. SIMPULAN DAN SARAN Simpulan Model terbaik yang diperoleh berdasarkan kriteria nilai AIC dan BIC dalam memodelkan tingkat PDRB kabupaten/kota di Provinsi Jawa Barat yaitu model spasial lag panel dengan pengaruh tetap. Peubah yang berpengaruh dalam penelitian ini yaitu PAD, Jumlah Penduduk dan IPM. Saran Saran untuk penelitian selanjutnya modifikasi dalam pembentukan matriks pembobot spasial dapat dilakukan. Dalam analisis spasial panel dengan menggunakan data perekonomian, selain penggunaan matriks contiguity, pembentukan matriks pembobot spasial dapat pula dilakukan dengan pendekatan jarak ekonomi. DAFTAR PUSTAKA Anselin, et al. 2006. Spatial Panel Data Models. In Fischer MM, Getis A (Eds.) Handbook ofapplied Spatial Analysis, Ch. Berlin Heidelberg New York: Springer. Baltagi B.H. 2005. Econometrics Analysis of Panel Data. Ed ke-3. England : John Wiley and Sons, LTD. BPS. 2011. Jawa Barat dalam Angka 2011. Kerjasama Badan Perencanaan Pembangunan Daerah Provinsi Jawa Barat dengan Badan Pusat Statistik Provinsi Jawa Barat. Diputra TF. 2011. Pemodelan Data Panel Spasial Dengan Dimensi Ruang dan Waktu. [Skripsi]. Departemen Statistika FMIPA IPB. Elhorst J.P. 2009. Spatial Panel Data Models. In Fischer MM, Getis A (Eds.) Handbook ofapplied Spatial Analysis, Ch. C.2. Berlin Heidelberg New York: Springer. Folmer H. 2012. Spatial Econometrics Model dalam Spatial Econometrics International Seminar. IPB International Convention Centre (IICC) Bogor. Gujarati D.N. 2003. Basic Econometrics. Ed ke-4. Singapore: The McGraw-Hill Companies, Inc. LeSage J.P. 1999.The Theory and Practice of Spatial Econometrics. Departement of EconomicsUniversity of Toledo. Masli L. 2009. Analisis Faktor-Faktor yang Mempengaruhi Pertumbuhan Ekonomi dan Ketimpangan Regional Antar Kabupaten/Kota di Provinsi Jawa Barat.[Skripsi].STIE STAN.

LAMPIRAN

12 Lampiran 1 Grafik Pergerakan Tingkat PDRB Kabupaten/Kota di Jawa Barat 100,000,000.00 90,000,000.00 Kab. Bogor Kab. Sukabumi Kab. Cianjur Kab. Bandung PDRB (Trilliun Rupiah) 80,000,000.00 70,000,000.00 60,000,000.00 50,000,000.00 40,000,000.00 30,000,000.00 20,000,000.00 10,000,000.00 Kab. Garut Kab. Tasikmalaya Kab. Ciamis Kab. Kuningan Kab. Cirebon Kab. Majalengka Kab. Sumedang Kab. Indramayu Kab. Subang Kab. Purwakarta Kab. Karawang Kab. Bekasi Kota Bogor Kota Sukabumi Kota Bandung Kota Cirebon Kota Bekasi Kota Depok Kota Cimahi Kota Tasikmalaya - 2005 2006 2007 2008 2009 Tahun Kota Banjar

Lampiran 2 Peta Administratif Provinsi Jawa Barat 13

Lampiran 3 Matriks Pembobot Spasial Dengan Metode Queen Contiguity Kab Bekasi Kota Bekasi Kota Depok Kab Bogor Kota Bogor Kab Sukabumi Kota Sukabumi Kab Karawang Kab Purwakarta Kab Cianjur Kab Subang Kota Cimahi Kab Bandung Kota Bandung Kab Garut Kab Sumedang Kab Indramayu Kab Cirebon Kab Majalengka Kota Cirebon Kab Kuningan Kab Ciamis Kab Tasikmalaya Kota Tasikmalaya Kota Banjar Kab Bekasi 0 0.33 0 0.33 0 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kota Bekasi 0.33 0 0.33 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kota Depok 0 0.5 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kab Bogor 0.14 0.14 0.14 0 0.14 0.14 0 0.14 0 0.14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kota Bogor 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kab Sukabumi 0 0 0 0.33 0 0 0.33 0 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kota Sukabumi 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kab Karawang 0.2 0 0 0.2 0 0 0 0 0.2 0.2 0.2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 Kab Purwakarta 0 0 0 0 0 0 0 0.25 0 0.25 0.25 0 0.25 0 0 0 0 0 0 0 0 0 0 0 0 Kab Cianjur 0 0 0 0.17 0 0.17 0 0.17 0.17 0 0 0 0.17 0 0.17 0 0 0 0 0 0 0 0 0 0 Kab Subang 0 0 0 0 0 0 0 0.2 0.2 0 0 0 0.2 0 0 0.2 0.2 0 0 0 0 0 0 0 0 Kota Cimahi 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0.5 0 0 0 0 0 0 0 0 0 0 0 Kab Bandung 0 0 0 0 0 0 0 0 0.14 0.14 0.14 0.14 0 0.14 0.14 0.14 0 0 0 0 0 0 0 0 0 Kota Bandung 0 0 0 0 0 0 0 0 0 0 0 0.5 0.5 0 0 0 0 0 0 0 0 0 0 0 0 Kab Garut 0 0 0 0 0 0 0 0 0 0.25 0 0 0.25 0 0 0.25 0 0 0 0 0 0 0.25 0 0 Kab Sumedang 0 0 0 0 0 0 0 0 0 0 0.2 0 0.2 0 0.2 0 0.2 0 0.2 0 0 0 0 0 0 Kab Indramayu 0 0 0 0 0 0 0 0 0 0 0.25 0 0 0 0 0.25 0 0.25 0.25 0 0 0 0 0 0 Kab Cirebon 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.25 0 0.25 0.25 0.25 0 0 0 0 Kab Majalengka 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0.2 0.2 0 0 0.2 0.2 0 0 0 Kota Cirebon 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 Kab Kuningan 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0.33 0 0 0.33 0 0 0 Kab Ciamis 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.2 0 0.2 0 0.2 0.2 0.2 Kab Tasikmalaya 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.33 0 0 0 0 0 0 0.33 0 0.33 0 Kota Tasikmalaya 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5 0.5 0 0 Kota Banjar 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0

15 Lampiran 4 Dugaan Pengaruh Individu untuk Model Spasial Panel Data (a) Dugaan Pengaruh Individu SAR Kab/Kota μ i Kab. Bogor 0.835 Kab. Sukabumi 0.705 Kab. Cianjur 0.194 Kab. Bandung -0.175 Kab. Garut -0.063 Kab. Tasikmalaya 0.116 Kab. Ciamis 0.754 Kab. Kuningan 0.877 Kab. Cirebon 0.082 Kab. Majalengka -0.292 Kab. Sumedang 0.133 Kab. Indramayu 0.110 Kab. Subang -0.308 Kab. Purwakarta -0.156 Kab. Karawang -0.484 Kab. Bekasi 0.133 Kota Bogor -0.373 Kota Sukabumi -0.361 Kota Bandung -0.322 Kota Cirebon -0.282 Kota Bekasi 0.241 Kota Depok -0.161 Kota Cimahi -0.714 Kota Tasikmalaya -0.244 Kota Banjar -0.244 (b) Dugaan Pengaruh Individu SEM Kab/Kota Kab. Bogor 0.789 Kab. Sukabumi 0.643 Kab. Cianjur 0.147 Kab. Bandung -0.211 Kab. Garut -0.015 Kab. Tasikmalaya 0.070 Kab. Ciamis 0.763 Kab. Kuningan 0.829 Kab. Cirebon 0.117 Kab. Majalengka -0.334 Kab. Sumedang 0.131 Kab. Indramayu 0.138 Kab. Subang -0.284 Kab. Purwakarta -0.182 Kab. Karawang -0.401 Kab. Bekasi 0.168 Kota Bogor -0.324 Kota Sukabumi -0.390 Kota Bandung -0.311 Kota Cirebon -0.224 Kota Bekasi 0.254 Kota Depok -0.235 Kota Cimahi -0.632 Kota Tasikmalaya -0.284 Kota Banjar -0.222 μ i