analisis jalur data panel · 2021. 3. 26. · yang ada di indonesia dari tahun 2015 sampai dengan...

1 | A n a l i s i s J a l u r D a t a P a n e l

Analisis Jalur Data Panel Dr. Agus Tri Basuki

Pengertian Definisi mengenai path analysis (Analisis Jalur) banyak didefinisikan para peneliti diantaranya sebagai berikut: Menurut Robert D. Retherford (1993): “Analisis jalur ialah suatu teknik untuk menganalisis

hubungan sebab akibat yang tejadi pada regresi berganda jika variabel bebasnya mempengaruhi variabel tergantung tidak hanya secara langsung tetapi juga secara tidak langsung”.

Menurut Paul Webley (1997): “Analisis jalur merupakan pengembangan langsung bentuk regresi berganda dengan tujuan untuk memberikan estimasi tingkat kepentingan (magnitude) dan signifikansi (significance) hubungan sebab akibat hipotetikal dalam seperangakat variabel.”

Menurut David Garson (2003): “Model perluasan regresi yang digunakan untuk menguji keselarasan matriks korelasi dengan dua atau lebih model hubungan sebab akibat yang dibandingkan oleh peneliti. Modelnya digambarkan dalam bentuk gambar lingkaran dan panah dimana anak panah tunggal menunjukkan sebagai penyebab. Regresi dikenakan pada masing-masing variabel dalam suatu model sebagai variabel tergantung (pemberi respon) sedang yang lain sebagai penyebab. Pembobotan regresi diprediksikan dalam suatu model yang dibandingkan dengan matriks korelasi yang diobservasi untuk semua variabel dan dilakukan juga penghitungan uji keselarasan statistik.

Menurut Streiner (2005): “Analisis jalur merupakan perluasan dari regresi linier berganda, dan yang memungkinkan analisis model-model yang lebih kompleks”

Dari definisi-definisi di atas dapat dsimpulkan bahwa sebenarnya analisis jalur dapat dikatakan sebagai kepanjangan dari analisis regresi berganda, meski didasarkan sejarah terdapat perbedaan dasar antara analisis jalur yang bersifat independen terhadap prosedur statistik dalam menentukan hubungan sebab akibat; sedang regresi linier memang merupakan prosedur statistik yang digunakan untuk menganalisis hubungan sebab akibat antar variabel yang dikaji. Tujuan menggunakan analisis jalur diantaranya ialah untuk: a. Melihat hubungan antar variabel dengan didasarkan pada model apriori b. Menerangkan mengapa variabel-variabel berkorelasi dengan menggunakan suatu model yang

berurutan secara temporer c. Menggambar dan menguji suatu model matematis dengan menggunakan persamaan yang

mendasarinya d. Mengidentifikasi jalur penyebab suatu variabel tertentu terhadap variabel lain yang

dipengaruhinya.


e. Menghitung besarnya pengaruh satu variabel independen exogenous atau lebih terhadap variabel dependen endogenous lainnya.

Keuntungan menggunakan analisis jalur, diantaranya: a. Kemampuan menguji model keseluruhan dan parameter – parameter individual, b. Kemampuan pemodelan beberapa variabel mediator / perantara, c. Kemampuan mengestimasi dengan menggunakan persamaan yang dapat melihat semua

kemungkinan hubungan sebab akibat pada semua variabel dalam model, d. Kemampuan melakukan dekomposisi korelasi menjadi hubungan yang bersifat sebab akibat

(causal relation), seperti pengaruh langsung (direct effect) dan pengaruh tidak langsung (indirect effect) dan bukan sebab akibat (non-causal association), seperti komponen semu (spurious).

Kelemahan menggunakan analisis jalur, diantaranya: a. Tidak dapat mengurangi dampak kesalahan pengukuran, b. Analisis jalur hanya mempunyai variable – variabel yang dapat diobservasi secara langsung, c. Analisis jalur tidak mempunyai indikator – indikator suatu variabel laten, d. Karena analisis jalur merupakan perpanjangan regresi linier berganda, maka semua asumsi

dalam rumus ini harus diikuti, e. Sebab –akibat dalam model hanya bersifat searah (one direction); tidak boleh bersifat timbal

balik (reciprocal). Asumsi – Asumsi dan Prinsip - Prinsip Dasar Beberapa asumsi dan prinsip – prinsip dasar dalam analisis jalur diantaranya (Sarwono, J. 2014) ialah: a. Linearitas (Linearity).

Hubungan antar variabel bersifat linear, artinya jika digambarkan membentuk garis lurus dari kiri bawah ke kanan atas, seperti gambar di bawah ini:

b. Ko-linier Menunjukkan suatu garis yang sama. Maksudnya jika ada beberapa variabel exogenous mempengaruhi satu variabel endogenous; atau sebaliknya satu variabel exogenous mempengaruhi beberapa variabel endogenous jika ditarik garis lurus akan membentuk garis-garis yang sama.

c. Model Rantai Sebab Akibat Menunjukkan adanya model sebab akibat dimana urutan kejadian akhirnya menuju pada variasi dalam variabel dependen / endogenous, seperti gambar di bawah ini. Dalam gambar dibawah semua urutan kejadian X1, X2, X3, dan X4 menuju ke Y

d. Hubungan sebab akibat yang tertutup (Causal closure) Semua pengaruh langsung satu variabel terhadap variabel lainnya harus disertakan dalam diagram jalur.

e. Koefesien Beta (β)


Merupakan koefesien regresi yang sudah distandarisasi (standardized regression coefficient) yang menunjukkan jumlah perubahan dalam variabel dependen endogenous yang dihubungkan dengan perubahan (kenaikan atau penurunan) dalam satu standar deviasi pada variabel bebas exogenous saat dilakukan pengendalian pengaruh terhadap variabel-variabel independen lainnya. Koefesien beta disebut juga sebagai bobot beta (β). Nilai ini yang digunakan sebagai besaran nilai dalam koefesien jalur (p) atau jumlah pengaruh setiap variabel exogenous terhadap variabel endogenous secara sendiri-sendiri atau disebut sebagai pengaruh parsial.

f. Koefesien Determinasi (R2) Disebut juga sebagai indeks asosiasi. Merupakan nilai yang menunjukkan berapa besar varian dalam satu variabel yang ditentukan atau diterangkan oleh satu atau lebih variasbel lain dan berapa besar varian dalam satu variabel tersebut berhubungan dengan varian dalam variabel lainnya. Dalam statistik bivariat disingkat sebagai r2 sedang dalam multivariat disingkat sebagai R2. Nilai ini yang digunakan sebagai besaran nilai untuk mengekspresikan besarnya jumlah pengaruh semua variabel exogenous terhadap variabel endogenous secara gabungan atau disebut sebagai pengaruh gabungan.

g. Data metrik berskala interval. Semua variabel yang diobservasi mempunyai data berskala interval (scaled values). Jika data belum dalam bentuk skala interval, sebaiknya data diubah dengan menggunakan metode suksesive interval (Method of Successive Interval /MSI) terlebih dahulu. Jika data bukan metrik digunakan maka akan mengecilkan nilai koefesien korelasi. Nilai koefesien korelasi yang kecil akan menyebabkan nilai R2 menjadi semakin kecil. Dengan demikian pemodelan yang dibuat menggunakan analisis jalur tidak akan valid; karena salah satu indikator kesesuaian model yang dibuat dengan teori ialah dengan melihat nilai R2 yang mendekati 1. Jika nilai ini semakin mendekati 1; maka model dianggap baik atau sesuai dengan teori.

h. Variabel - variabel residual tidak berkorelasi dengan salah satu variabel-variabel dalam model. i. Istilah gangguan (disturbance terms) atau variabel residual tidak boleh berkorelasi dengan

semua variabel endogenous dalam model. Jika dilanggar, maka akan berakibat hasil regresi menjadi tidak tepat untuk mengestimasikan parameter-parameter jalur.

j. Multikoliniearitas yang rendah. Multikolinieritas maksudnya dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang sangat tinggi. Jika terjadi hubungan yang tinggi maka kita akan mendapatkan standard error yang besar dari koefesien beta (b) yang digunakan untuk menghilangkan varians biasa dalam melakukan analisis korelasi secara parsial.

k. Recursivitas. Semua anak panah mempunyai satu arah, tidak boleh terjadi pemutaran kembali (looping) atau tidak menunjukkan adanya hubungan timbal balik (reciprocal)

l. Spesifikasi model benar diperlukan untuk menginterpretasi koefesien-koefesien jalur. Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan dari model. Semua koefesien jalur akan merefleksikan kovarians bersama dengan semua variabel yang tidak diukur dan tidak akan dapat diinterpretasi secara tepat dalm kaitannya dengan akibat langsung dan tidak langsung.

m. Input korelasi yang sesuai. Artinya jika kita menggunakan matriks korelasi sebagai masukan, maka korelasi Pearson digunakan untuk dua variabel berskala interval; korelasi polychoric untuk


dua variabel berksala ordinal; tetrachoric untuk dua variabel dikotomi (berskala nominal); polyserial untuk satu variabel interval dan lainnya ordinal; dan biserial untuk satu variabel berskala interval dan lainnya nominal.

n. Tidak terjadi Multikolinieritas. Multikolinieritas terjadi jika antar variabel bebas (exogenous) saling berkorelasi sangat tinggi, misalnya mendekati 1.

o. Merancang model sesuai dengan teori yang sudah ada untuk menunjukan adanya hubungan sebab akibat dalam variabel – variabel yang sedang diteliti. Sebagai contoh: variabel motivasi, IQ dan kedisplinan mempengaruhi prestasi belajar. Berdasarkan hubungan antar variabel yang sesuai teori tersebut, kemudian kita membuat model yang dihipotesikan.

Karena penghitungan analisis jalur menggunakan teknik regresi linier; maka asumsi umum regresi linear sebaiknya diikuti, yaitu: a. Model regresi harus layak. Kelayakan ini diketahui jika angka signifikansi pada ANOVA

sebesar < 0.05 b. Predictor yang digunakan sebagai variable bebas harus layak. Kelayakan ini diketahui jika

angka Standard Error of Estimate < Standard Deviation c. Koefesien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi

signifikan jika T hitung > T table (nilai kritis) d. Tidak boleh terjadi multikolinieritas, artinya tidak boleh terjadi korelasi yang sangat tinggi

antar variable bebas. e. Tidak terjadi otokorelasi. Terjadi otokorelasi jika angka Dubin dan Watson sebesar < 1 dan

> 3 Model ekonometrika yang digunakan adalah model analisis jalur (path analyse) dengan

pengelolaan data menggunakan EVIEWS. Dari Gambar 1 Model Analisis Jalur dapat diturunkan persamaan regresinya sebagai berikut:

PDRB = β0 + β1INV + β2KURS + β3PJ + β4IPM + β5BD + ε1 ……… 1

POV = β0 + β6PDRB + β7INV + β8BD + β9POP + ε2 ……………….. 2 Kemudian persamaan regresi dirubah dalam bentuk persamaan

logaritma dan diperoleh persamaan sebagai berikut:

Log PDRB = β0 + β1LogINV + β2LogKURS + β3LogPJ + β4IPM + β5LogBD + ε1 Log POV = β0 + β6LogPDRB + β7LogINV + β8LogBD + β9LogPOP + ε2 Keterangan: PDRB : Produk Domestik Regional Bruto INV : Investasi KURS : Kurs PJ : Panjang Jalan IPM : Indeks Pembangunan Manusia


BD : Belanja daerah POV : Poverti (Jumlah Penduduk Miskin) POP : Populasi (Julah Penduduk) βo : Konstanta β1, β2, … βn : Koefisien

ε1 : Error sub struktur 1

ε2 : Error sub struktur 2

Log : Logaritma

Gambar 1. Model Analisis Jalur (Path Analysis)

Kemudian setelah persamaan untuk analisis jalur kita susun, maka diperlukan data untuk mendukung persamaan tersebut. Jenis data yang digunakan dalam penelitian ini adalah data kuantitatif. Data kuantitatif merupakan data yang berbentuk bilangan. Sumber yang digunakan adalah data sekunder. Data sekunder adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan penelitian dari sumber-sumber yang telah ada. Sumber data yang digunakan adalah adalah dari Badan Pusat Statistik (BPS), Bank Indonesia, serta World Bank. Data yang digunakan merupakan data gabungan antara cross section dan data time series yang diambil dari 34 provinsi

BD

POP

INV

KURS

PJ

IPM

PDRB POV

p2

p3

p4

p5

p6

p7

p8

p9

e1 e2 p1


yang ada di Indonesia dari tahun 2015 sampai dengan tahun 2019. Pengolahan data pada penelitian ini menggunakan program Eviews 10.

Tabel

Data INV, PJ, POP, IPM, BD, PDRB dan POP

NO PROVINSI TAHUN INV PJ POP IPM BD PDRB POV

1 ACEH

2015 4484.85 23824.00 5002.00 69.45 12611.11 22524.00 859.41

2016 4263.24 23743.00 5096.20 70.00 12653.24 22835.00 841.31

2017 1097.11 24019.00 5189.50 70.60 14813.72 23363.00 829.80

2018 2001.05 23915.00 5281.30 71.19 15335.36 24014.00 831.50

2019 5518.29 23915.00 5371.50 71.90 17177.51 24590.00 809.76

2 SUMATERA

UTARA

2015 10497.45 40528.00 13937.80 69.51 8495.66 31637.00 1508.14

2016 15681.94 40489.00 14102.90 70.00 10976.89 32885.00 1452.55

2017 32207.47 39543.00 14262.10 70.57 13402.54 34184.00 1326.57

2018 26148.68 39114.00 14415.40 71.18 13544.56 35571.00 1291.99

2019 24607.40 39245.00 14562.50 71.74 15827.75 37049.00 1260.50

3 SUMATERA

BARAT

2015 2340.19 23598.00 5196.30 69.98 4326.35 27081.00 349.53

2016 4861.07 23598.00 5259.50 70.73 4876.17 28165.00 376.51

2017 4150.73 22556.00 5321.50 71.24 6363.96 29311.00 359.99

2018 4927.66 22388.00 5382.10 71.73 6822.71 30471.00 353.24

2019 5210.45 22388.00 5441.20 72.39 7150.37 31670.00 343.09

4 RIAU

2015 18956.65 26842.00 6344.40 70.84 10892.86 70770.00 562.92

2016 18290.93 26924.00 6501.00 71.20 10075.13 70569.00 501.59

2017 25205.58 24992.00 6657.90 71.79 9247.19 70755.00 496.39

2018 24013.82 24497.00 6814.90 72.44 8537.82 70740.00 494.26

2019 40665.83 24497.00 6971.70 73.00 9179.05 71122.00 483.92

5 JAMBI

2015 5025.92 13886.00 3402.10 68.89 3604.25 36754.00 311.57

2016 4704.00 13866.00 3459.90 69.62 3381.88 37729.00 290.81

2017 4047.09 13027.00 3515.00 69.99 4583.49 38850.00 278.61

2018 4352.11 13092.00 3570.30 76.65 4869.54 40052.00 281.47

2019 5196.69 13092.00 3624.60 71.26 4828.41 41181.00 273.37

6 SUMATERA SELATAN

2015 19852.91 18620.00 8052.30 67.46 6030.39 31549.00 1112.53

2016 46067.57 18737.00 8160.90 68.24 6627.64 32700.00 1096.50

2017 24226.13 19233.00 8267.00 68.86 8260.83 34060.00 1086.76

2018 25139.01 18989.00 8370.30 69.39 9182.30 35670.00 1076.40

2019 27159.19 18989.00 8470.70 70.02 9713.47 37261.00 1067.16

7 BENGKULU

2015 838.08 9230.00 1874.90 68.59 2436.20 20302.00 322.83

2016 1697.49 9237.00 1904.80 69.33 2491.65 21040.00 325.60

2017 2175.61 9196.00 1934.30 69.95 3243.39 21752.00 302.62



2018 6880.90 9327.00 1963.30 70.64 3202.90 22498.00 303.55

2019 7470.96 9327.00 1991.80 71.21 3639.87 23276.00 298.00

8 LAMPUNG

2015 4657.27 17603.00 8117.30 66.95 4898.78 24582.00 1100.68

2016 7183.27 17603.00 8205.10 67.65 5691.23 25569.00 1139.78

2017 8648.69 21044.00 8289.60 68.25 7017.85 26615.00 1083.74

2018 14230.54 20759.00 8370.50 69.02 7633.03 27742.00 1091.66

2019 4586.34 20759.00 8447.70 69.57 7807.92 28936.00 1041.48

9 KEPULAUAN

BANGKA BELITUNG

2015 2164.55 5525.00 1372.80 69.05 2212.65 33480.00 66.62

2016 2910.08 5525.00 1401.80 69.55 2287.56 34133.00 71.07

2017 3808.90 5485.00 1430.90 69.99 2468.72 34935.00 76.20

2018 3783.37 5536.00 1459.90 70.69 2666.62 35765.00 69.93

2019 4148.22 5536.00 1488.80 71.30 2962.02 36238.00 67.37

10 KEPULAUAN RIAU

2015 9446.42 5338.00 1973.00 73.75 2649.78 78625.00 114.84

2016 7467.13 5115.00 2028.20 73.99 2852.61 80296.00 119.14

2017 2773.12 5686.00 2082.70 74.45 3525.10 79758.00 128.43

2018 16424.06 5686.00 2136.50 74.84 3499.84 81295.00 125.26

2019 24609.02 5686.00 2189.70 75.48 3659.56 83202.00 127.76

11 DKI JAKARTA

2015 65442.32 7094.00 10177.90 78.99 53419.02 142914.00 368.67

2016 57875.12 7094.00 10277.60 79.60 59392.46 149832.00 385.84

2017 109515.36 6732.00 10374.20 80.06 73535.70 157637.00 393.13

2018 119441.75 6732.00 10467.60 80.47 78671.23 165863.00 372.26

2019 119408.62 6732.00 10557.80 80.76 89088.35 174137.00 362.30

12 JAWA BARAT

2015 105438.27 26274.00 46709.60 69.50 28561.85 25846.00 4485.66

2016 103867.21 26205.00 47379.40 70.05 31344.46 26924.00 4168.11

2017 108066.61 26980.00 48037.60 70.69 35512.08 27975.00 3774.41

2018 122988.05 27545.00 48683.70 71.30 36482.71 29161.00 3539.40

2019 131035.98 27545.00 49316.70 72.03 37132.31 30247.00 3375.89

13 JAWA TENGGAH

2015 27141.97 27545.00 33774.10 69.49 18517.59 23887.00 4505.78

2016 37920.23 27574.00 34019.10 69.98 20050.50 24959.00 4493.75

2017 52008.63 30394.00 34257.90 70.52 24349.75 26089.00 3867.42

2018 61833.97 30607.00 34490.80 71.12 26231.24 27291.00 4197.49

2019 56509.90 30670.00 34718.20 71.73 26652.34 28576.00 3679.40

14 DAERAH

ISTIMEWA YOGYAKARTA

2015 1491.53 3874.00 3679.20 77.59 3911.11 22688.00 485.56

2016 1211.95 3874.00 3726.90 78.38 4270.07 23566.00 488.83

2017 789.10 4377.00 3762.20 78.89 5279.62 24534.00 466.33

2018 7309.01 4370.00 3802.90 79.53 5790.57 25777.00 450.25

2019 6501.75 4370.00 3842.90 79.99 6149.11 27190.00 440.89

15 JAWA TIMUR 2015 73907.95 41740.00 38847.60 68.95 24678.65 34272.00 4775.87

2016 61569.08 41740.00 39075.30 69.74 26527.24 35971.00 4638.53



2017 66270.15 40955.00 39293.00 70.27 31851.42 37724.00 4405.27

2018 52642.07 40936.00 39500.90 70.77 35289.76 39588.00 4292.15

2019 57495.14 41192.00 39689.60 71.50 33843.73 41567.00 4056.00

16 BANTEN

2015 43148.19 6969.00 11955.20 70.27 9236.21 30813.00 690.66

2016 49836.88 6976.00 12203.10 70.96 9786.47 31782.00 657.74

2017 56429.43 6927.00 12448.20 71.42 10265.22 32940.00 699.83

2018 59579.73 6817.00 12689.70 71.95 11072.78 34192.00 668.74

2019 46678.25 6918.00 12927.30 72.44 12285.53 35431.00 641.42

17 BALI

2015 8089.96 7879.00 4152.80 73.27 5873.71 31094.00 218.79

2016 6536.56 7879.00 4200.00 73.65 5923.70 32689.00 174.94

2017 12608.22 8678.00 4246.50 74.30 6478.85 34133.00 176.48

2018 16066.10 8722.00 4292.20 74.77 6701.28 35915.00 168.34

2019 13315.03 8722.00 4336.90 75.38 6834.26 37534.00 156.91

18 NUSA TENGGARA

BARAT

2015 9996.02 8169.00 4835.60 65.19 3647.33 18475.00 802.29

2016 7241.20 8169.00 4896.70 65.81 4148.66 19306.00 786.58

2017 7203.19 8525.00 4955.60 66.58 5421.93 19098.00 748.12

2018 7778.92 8504.00 5013.70 67.30 5334.65 18015.00 735.62

2019 7282.00 8504.00 5070.40 68.14 5273.58 18542.00 705.68

19 NUSA TENGGARA

TIMUR

2015 2259.97 21752.00 5120.10 62.67 3570.23 11088.00 1160.53

2016 1604.18 21755.00 5203.50 63.13 4040.76 11469.00 1150.08

2017 2965.07 23193.00 5287.30 63.73 4987.99 11863.00 1134.74

2018 5699.99 23635.00 5371.40 64.39 5059.89 12276.00 1134.11

2019 5515.25 23635.00 5456.20 65.23 5448.45 12714.00 1129.46

20 KALIMANTAN

BARAT

2015 24569.48 15750.00 4789.60 65.59 4207.75 23457.00 405.51

2016 17489.59 18092.00 4861.70 65.88 4503.52 24309.00 390.32

2017 20081.58 18234.00 4932.50 66.26 5562.10 25199.00 388.81

2018 13714.60 18315.00 5001.70 66.98 5872.18 26108.00 369.73

2019 15098.60 18315.00 5069.10 67.65 5910.67 27050.00 370.47

21 KALIMANTAN

TENGGAH

2015 14147.73 15081.00 2495.00 68.53 3546.93 31619.00 148.13

2016 13663.68 15081.00 2550.20 69.13 3587.85 32900.00 137.46

2017 11722.07 17939.00 2605.30 69.79 4412.60 34369.00 137.88

2018 22916.96 17987.00 2660.20 70.42 5250.30 33560.00 136.45

2019 12532.83 17997.00 2714.90 70.91 5456.29 36992.00 131.24

22 KALIMANTAN

SELATAN

2015 15320.15 12805.00 3989.80 68.38 5500.27 27787.00 189.16

2016 9513.94 12805.00 4055.50 69.05 5600.69 28540.00 184.16

2017 6284.90 13614.00 4119.80 69.55 6002.25 29578.00 194.85

2018 11846.15 13477.00 4181.70 70.17 6722.89 30628.00 195.01

2019 15244.68 13477.00 4244.10 70.72 7031.95 31413.00 190.29

23 2015 42462.71 12463.00 4068.60 74.17 9376.31 128603.00 209.98



KALIMANTAN TIMUR

2016 22196.77 12574.00 3501.20 74.59 8212.41 125386.00 211.24

2017 28392.09 13333.00 3575.40 75.12 8765.87 126625.00 218.67

2018 34449.59 13558.00 3648.80 75.83 11210.81 127390.00 222.39

2019 33920.76 13558.00 3721.40 76.61 10769.67 130859.00 220.91

24 KALIMANTAN

UTARA

2015 4107.07 4977.00 642.00 68.76 2628.83 76823.00 40.93

2016 5506.21 5016.00 666.30 69.20 3068.22 76786.00 47.03

2017 2871.95 3183.00 691.10 69.84 2585.44 78915.00 48.56

2018 2331.37 4006.00 716.40 70.56 2560.73 80716.00 49.59

2019 5536.61 4006.00 742.20 71.15 3005.92 83308.00 48.61

25 SULAWESI UTARA

2015 1484.56 9488.00 2412.10 70.39 2818.67 29196.00 217.14

2016 10212.90 9488.00 2436.90 71.05 2985.77 30680.00 200.35

2017 8030.53 9840.00 2461.00 71.66 3891.53 32298.00 194.85

2018 8605.03 10072.00 2484.40 72.20 4080.74 33915.00 189.05

2019 11324.77 10072.00 2507.00 72.99 4524.49 35512.00 188.60

26 SULAWESI TENGGAH

2015 15938.73 16234.00 2876.70 66.76 3037.42 28779.00 406.34

2016 22582.83 16234.00 2921.70 67.47 3253.13 31151.00 413.15

2017 22869.49 16565.00 2966.30 68.11 3708.73 32860.00 423.27

2018 18225.92 16908.00 3010.40 68.88 4106.73 34419.00 413.49

2019 29530.11 16908.00 3064.00 69.50 4323.33 36347.00 404.03

27 SULAWESI SELATAN

2015 12433.67 33215.00 8520.30 69.15 6415.56 29436.00 864.52

2016 8339.51 33222.00 8606.40 69.76 7292.54 31303.00 798.81

2017 11626.41 30679.00 8690.30 70.34 9220.49 33234.00 825.97

2018 12213.57 30476.00 8772.00 70.90 9444.56 35254.00 779.64

2019 9879.04 30476.00 8851.20 71.66 10099.90 37351.00 759.58

28 SULAWESI TENGGARA

2015 4015.68 11424.00 2499.50 69.15 2886.69 29203.00 345.02

2016 6847.48 11424.00 2551.00 69.31 3260.32 30476.00 327.29

2017 13537.46 13064.00 2602.40 69.86 4033.24 31894.00 313.16

2018 11347.66 13235.00 2653.70 70.61 4138.22 33286.00 301.85

2019 17557.12 13235.00 2704.70 71.20 4310.57 34738.00 299.97

29 GORONTALO

2015 189.49 5885.00 1133.20 65.86 1476.33 19474.00 206.52

2016 2373.14 5885.00 1150.80 66.29 1652.70 20427.00 203.69

2017 1447.93 5495.00 1168.20 67.01 1829.86 21478.00 200.91

2018 3257.62 5539.00 1185.50 67.71 1889.29 22541.00 188.30

2019 3225.64 5539.00 1202.60 68.49 1944.67 23642.00 184.71

30 SULAWESI BARAT

2015 1131.39 6942.00 1282.20 62.96 1473.75 20251.00 153.21

2016 360.88 6809.00 1306.50 63.60 1814.45 21068.00 146.90

2017 814.65 5758.00 1331.00 64.30 1977.19 22050.00 149.47

2018 3501.88 5677.00 1355.60 65.10 1907.11 22999.00 152.83

2019 1327.60 5677.00 1380.30 65.73 2135.48 23817.00 151.87



31 MALUKU

2015 82.20 8342.00 1686.50 67.05 2304.54 14740.00 327.77

2016 654.98 8676.00 1715.50 67.60 2831.65 15321.00 331.79

2017 2924.48 10213.00 1744.70 68.19 2845.88 15942.00 320.42

2018 1129.35 10185.00 1773.80 68.87 3083.52 16612.00 317.84

2019 741.93 10185.00 1802.90 69.45 3230.50 17255.00 319.51

32 MALUKU UTARA

2015 921.40 7100.00 1162.30 65.91 1856.13 17534.00 72.64

2016 3281.55 7006.00 1185.90 66.63 2061.13 18177.00 76.40

2017 4240.90 7432.00 1209.30 67.20 2312.01 19193.00 78.28

2018 7530.01 7354.00 1232.60 67.76 2516.32 20322.00 81.93

2019 14701.86 7354.00 1255.80 68.70 2762.09 21171.00 87.18

33 PAPUA BARAT

2015 3630.79 9430.00 871.50 61.73 7506.27 60064.00 225.54

2016 6923.42 9430.00 893.40 62.21 7257.00 61242.00 223.60

2017 1206.72 11867.00 915.40 62.99 7839.00 62164.00 212.86

2018 4205.50 12529.00 937.50 63.74 8098.28 64487.00 213.67

2019 1022.43 12529.00 959.60 64.70 8729.20 64683.00 207.59

34 PAPUA

2015 13649.32 18548.00 3149.40 57.25 12986.63 41377.00 898.21

2016 15919.12 18548.00 3207.40 58.05 13071.34 44342.00 914.87

2017 27285.61 21732.00 3265.20 59.09 14016.06 45578.00 910.42

2018 16501.44 21824.00 3322.50 60.06 14143.11 48075.00 915.22

2019 13648.54 21824.00 3379.30 60.84 13978.12 39854.00 900.95

Tahapan dalam melakukan penyelesaian analisis jalur dengan metode data panel sebagai

berikut;

Copy data dari excel ke eviews


Buka Eviews


Klik File pilih New Workfile

Maka akan muncul tampilan sebagai berikut :


Pilih Workfile structure type dengan Balance Panel

Makan akan muncul tampilan sebagai berikut:


Klik Quick Empty Group (Edit Series)

Letak kursor disamping obs klik Paste


Sebelum Data di Paste Setelah Data di Paste

Selanjutnya kita pilih persamaan regresi untuk persamaan 1 sebagai berikut:

Log PDRB = β0 + β1LogINV + β2LogKURS + β3LogPJ + β4IPM + β5LogBD + ε1

Blok Variabel pdrb, inv, kurs, pj, ipm dan bd kemudian klik kanan dan open as equation

Ketik ke dalam Equation Specification

persamaan log(pdrb) log(inv) log(pj) log(kurs) ipm log(bd) c


Model Fixed Effect

Dependent Variable: LOG(PDRB) Method: Panel EGLS (Cross-section weights) Total panel (balanced) observations: 170 Linear estimation after one-step weighting matrix

Variable Coefficient Std. Error t-Statistic Prob. LOG(INV) 0.019447 0.008589 2.264247 0.0252

LOG(PJ) -0.032193 0.066598 -0.483389 0.6296 LOG(KURS) 0.079739 0.116721 0.683158 0.4957

IPM 0.091834 0.005957 15.41634 0.0000 LOG(BD) 0.247207 0.036568 6.760178 0.0000

C 18.57177 1.289447 14.40289 0.0000 Weighted Statistics R-squared 0.999375 Mean dependent var 101.8675

Adjusted R-squared 0.999194 S.D. dependent var 51.67642 S.E. of regression 0.117329 Sum squared resid 1.803372 F-statistic 5511.612 Durbin-Watson stat 1.496207 Prob(F-statistic) 0.000000


Kemudian lakukan cara seperti diatas untuk memperoleh Model Random Effect

Model Random Effect

Dependent Variable: LOG(PDRB) Method: Panel EGLS (Cross-section random effects) Total panel (balanced) observations: 170

Variable Coefficient Std. Error t-Statistic Prob. LOG(INV) 0.158305 0.026217 6.038298 0.0000

LOG(PJ) 0.350150 0.098252 3.563790 0.0005 LOG(KURS) -1.311313 0.559472 -2.343840 0.0203

IPM 0.058820 0.012383 4.749958 0.0000 LOG(BD) 0.683645 0.079939 8.552080 0.0000

C 16.38881 5.328983 3.075411 0.0025 Weighted Statistics R-squared 0.718247 Mean dependent var 8.410338



Dari 2 persamaan dapat disusun

Model Fixed Effect Model Random Effect

Variable Coefficient t-Statistic Coefficient t-Statistic

LOG(INV) 0.019447 2.264247** 0.158305 6.038298***

LOG(PJ) -0.032193 -0.483389 0.350150 3.563790***

LOG(KURS) 0.079739 0.683158 -1.311313 -2.343840**

IPM 0.091834 15.41634*** 0.058820 4.749958***

LOG(BD) 0.247207 6.760178*** 0.683645 8.552080***

C 18.57177 14.40289*** 16.38881 3.075411***

R-squared 0.999194 0.718247

F-statistic 5511.612 83.61420

Dari 2 model diperoleh dipilih model terbaik dengan menggunakan uji Hausman, dengan

cara model dalam kondisi Random Effect Model klik View Fixed/Random Effect Testing

Correlated Random effect - Hausman Test


Dan hasilnya sebagai berikut:

Dari hasil uji Hausman dapat disimpulkan bahwa model terbaik adalah Model Random Effect.

Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan Random

Effect. Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary Least

Squared (OLS) dalam teknik estimasinya, sedangkan Random Effect menggunakan Generalized

Least Squares (GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi

linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Autokorelasi,

Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi

klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.

Uji Heteroskedastisitas

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data

panel perlu memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari

pelanggaran asumsi-asumsi dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang dipakai,

maka hanya uji heteroskedastisitas saja yang relevan dipakai pada model data panel.

Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk

memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians

dari setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi


tersebut tidak tercapai, dengan kata lain dimana adalah ekspektasi dari eror dan adalah varians

dari eror yang berbeda tiap periode waktu.

Langkah-langkah uji heteroskedastisitas data panel sebagai berikut:

Buka estimasi model terpilih Proc Make Residual Series…

Dalam Name for resid series berinama residrem Kemudian klik Estimate pada Equation Estimation log(residrem^2) c log(inv) log(kurs) log(pj) ipm log(bd)


Hasil Uji heteroskedastisitas sebagai berikut:

Dependent Variable: LOG(RESIDREM^2)

Method: Panel EGLS (Cross-section random effects)

Total panel (balanced) observations: 170 Variable Coefficient Std. Error t-Statistic Prob. LOG(INV) 0.273871 0.073356 3.733432 0.0003

LOG(KURS) 2.205233 1.859690 1.185807 0.2374

LOG(PJ) 0.380863 0.607191 0.627254 0.5314

IPM -0.047500 0.074981 -0.633494 0.5273

LOG(BD) -0.153578 0.552499 -0.277970 0.7814

C -28.07130 14.01052 -2.003588 0.0468 Effects Specification

S.D. Rho Cross-section random 1.643900 0.5149

Idiosyncratic random 1.595658 0.4851 Weighted Statistics R-squared 0.021338 Mean dependent var -1.239077

Adjusted R-squared -0.008500 S.D. dependent var 1.593711

S.E. of regression 1.600469 Sum squared resid 420.0864

F-statistic 0.715134 Durbin-Watson stat 1.948803

Prob(F-statistic) 0.612909


Uji Multikolinearitas

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel

perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun

demikian, adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model

(persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan

pendugaan parameter, dalam hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya.

Korelasi yang kuat antara variabel bebas dinamakan multikolinieritas.

Blok seluruh variable copy Klik Quick Group Statistics Correlations


Hasil Uji Correlation sebagai berikut:

Nilai seluruh correlation dibawah 0,9 artinya tidak adanya korelasi yang kuat antara variabel bebas

dalam pembentukan sebuah model, atau model tersebut tiding mengandung multikolinearitas.

Setelah model terpilih dan lolos pengujian Asumsi Klasik, hasil gambar untuk persamaan

1 bisa kita selesaikan sebagai berikut:

Gambar …..

Catatan : Rumus e1 dapat dicari dengan formula 𝑒1 =(1-R2)1/2

Keterangan: *** signifikan α=1% ** signifikan α=5% * signifikan α=10%

BD

INV

PJ

KURS

IPM

PDRB

0,350***

-1,31**

0,058***

0,68***

0,539 0.158***


Selanjutnya kita pilih persamaan regresi untuk persamaan 2 sebagai berikut:

POV = β0 + β6PDRB + β7INV + β8BD + β9POP + ε2

Blok Variabel POV, PDRB, INV, BD dan POP, kemudian klik kanan dan open as equation

Hasil regresi Fixed Effect Model

Dependent Variable: LOG(POV) Method: Panel EGLS (Period weights) Total panel (balanced) observations: 170

Variable Coefficient Std. Error t-Statistic Prob. C 0.106708 1.704094 0.062619 0.9501

LOG(PDRB) -0.549792 0.087534 -6.280867 0.0000 LOG(INV) -0.084481 0.045402 -1.860753 0.0646 LOG(BD) 0.391414 0.084959 4.607110 0.0000

LOG(POP) 1.319310 0.067212 19.62918 0.0000 Weighted Statistics R-squared 0.851899 Mean dependent var 12.95418



Hasil regresi Random Effect Model

Dependent Variable: LOG(POV) Method: Panel EGLS (Cross-section random effects) Total panel (balanced) observations: 170

Variable Coefficient Std. Error t-Statistic Prob. C 5.656889 1.284291 4.404678 0.0000

LOG(PDRB) -0.060263 0.025635 -2.350777 0.0199 LOG(INV) 0.003230 0.007840 0.411923 0.6809 LOG(BD) -0.215387 0.033743 -6.383066 0.0000

LOG(POP) 1.020009 0.101676 10.03198 0.0000 Weighted Statistics R-squared 0.467822 Mean dependent var 0.648859



Dari 2 persamaan dapat disusun sebagai berikut:

Model Fixed Effect Model Random Effect

Variable Coefficient t-Statistic Coefficient t-Statistic

C 0.106708 0.062619 5.656889 4.404678***

LOG(PDRB) -0.549792 -6.280867*** -0.060263 -2.350777**

LOG(INV) -0.084481 -1.860753* 0.003230 0.411923

LOG(BD) 0.391414 4.607110*** -0.215387 -6.383066***

LOG(POP) 1.319310 19.62918*** 1.020009 10.03198***

R-squared 0.851899 0.467822

F-statistic 115.7622 36.26167

Dari 2 model diperoleh dipilih model terbaik dengan menggunakan uji Hausman,

dengan cara model dalam kondisi Random Effect Model klik View Fixed/Random Effect

Testing Correlated Random effect - Hausman Test

Dari hasil uji Hausman dapat disimpulkan bahwa model terbaik adalah Model Random Effect.

Regresi data panel memberikan alternatif model, Common Effect, Fixed

Effect dan Random Effect. Model Common Effect dan Fixed Effect menggunakan

pendekatan Ordinary Least Squared (OLS) dalam teknik estimasinya, sedangkan Random

Effect menggunakan Generalized Least Squares (GLS) sebagai teknik estimasinya. Uji

asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least


Squared (OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan

Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap

model regresi linier dengan pendekatan OLS.

Uji Heterskodastisitas

Dependent Variable: LOG(RESIDREM2^2)

Method: Panel EGLS (Cross-section random effects)

Total panel (balanced) observations: 170 Variable Coefficient Std. Error t-Statistic Prob. LOG(PDRB) 0.328302 0.181398 1.809847 0.0721

LOG(INV) -0.012732 0.039720 -0.320541 0.7490

LOG(BD) -0.575281 0.266778 -2.156405 0.0325

LOG(POP) -0.153933 0.297269 -0.517824 0.6053

C 6.564250 5.806112 1.130576 0.2599 Weighted Statistics R-squared 0.036565 Mean dependent var -0.275795

Adjusted R-squared 0.013209 S.D. dependent var 0.436717

S.E. of regression 0.433823 Sum squared resid 31.05338

F-statistic 1.565560 Durbin-Watson stat 1.436839

Prob(F-statistic) 0.185867

Hasil Uji Correlation sebagai berikut:

Nilai seluruh correlation dibawah 0,9 artinya tidak adanya korelasi yang kuat antara variabel

bebas dalam pembentukan sebuah model, atau model tersebut tiding mengandung

multikolinearitas.


Catatan : Rumus e2 dapat dicari dengan formula 𝑒2 =(1-R2)1/2

Keterangan: *** signifikan α=1% ** signifikan α=5% * signifikan α=10%

BD

POP

INV

PDRB POV -0,06**

0,0032

-0,215***

1,02***

0,729

BD

POP

INV

PJ

KURS

IPM

PDRB POV

0,350**

*

-1,31**

0,058***

0,68***

-0,06**

0,0032

-0,215***

1,02***

0,539 0,729 0.158***


Uji Mediasi dengan Sobel Test

Sobel test merupakan uji untuk mengetahui apakah hubungan yang melalui sebuah variabel

mediasi secara signifikan mampu sebagai mediator dalam hubungan tersebut. Sebagai

contoh pengaruh A terhadap B melalui M. Dalam hal ini variabel M merupakan mediator

hubungan dari A ke B. Untuk menguji seberapa besar peran variabel M memediasi pengaruh

A terhadap B digunakan uji Sobel test. Dimana Sobel test mengunakan uji z dengan rumus

sebagai berikut :

𝑧 =𝑎𝑏

√(𝑏2𝑆𝐸𝑎2) + (𝑎2𝑆𝐸𝑏

2)

Dimana :

a Koefisien regresi variable independen terhadap variable mediasi b Koefisien regresi variable mediasi terhadap variable independen SEa Standard error of estimation dari pengaruh variable independen terhadap

variable mediasi SEb Standard error of estimation dari pengaruh variable mediasi terhadap variable

independen

𝑧 =𝑎𝑏


2)

𝑧 =0.1583𝑥(−0,060263)

√(−0,0602632𝑥0,02622 ) + (0,15832𝑥0,0256352 )

𝑧 = −2,19

INV

PDRB POV -0.060263

(0.025635)**

0.003230

(0.007840) 0.158305 (0.026217)***


Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,19, karena nilai z

yang diperoleh sebesar -2,19 > 1.96 dengan tingkat signifikansi 5% maka membuktikan

bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Investasi

terhadap jumlah penduduk miskin.

𝑧 =𝑎𝑏


2)

𝑧 =0,683645𝑥(−0,060263)

√(−0,0602632𝑥0,0337432 ) + (0,6836452𝑥0,0256352 )

𝑧 = −2,2667

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,2667, karena nilai z

yang diperoleh sebesar -2,2667 > 1.96 dengan tingkat signifikansi 5% maka membuktikan

bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Belanja

Daerah terhadap jumlah penduduk miskin.

BD

PDRB POV 0.683645 (0.033743)***

-0.060263 (0.025635)**

-0.215387 (0.0337)***

PJ

PDRB POV

0.350150 (0.098252)*** (0.033743)***

-0.060263 (0.025635)**


𝑧 =𝑎𝑏


2)

𝑧 =0,350150𝑥(−0,060263)

√(−0,0602632𝑥0,0982522 ) + (0,3501502𝑥0,0256352 )

𝑧 = −1,96234

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -1,96234, karena nilai

z yang diperoleh sebesar -1,96234 > 1.96 dengan tingkat signifikansi 5% maka membuktikan

bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Panjnag

jalan terhadap jumlah penduduk miskin.

𝑧 =𝑎𝑏


2)

𝑧 =−1,311313𝑥(−0,060263)

√(−0,0602632𝑥0,5594722 ) + (−1,3113132𝑥0,0256352 )

𝑧 = 2,327036

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar 2,327036, karena nilai

z yang diperoleh sebesar 2,327036 > 1.96 dengan tingkat signifikansi 5% maka

membuktikan bahwa Produk Domestik Regional Bruto mampu memediasi hubungan

pengaruh Kurs terhadap jumlah penduduk miskin.

KURS PDR

B

POV

-0.060263 (0.025635)** -1.311313

(0.559472)** (0.033743)***


𝑧 =𝑎𝑏


2)

𝑧 =0,058820𝑥(−0,060263)

√(−0,0602632𝑥0,0123832 ) + (0,0588202𝑥0,0256352 )

𝑧 = −2,10691

Dari hasil perhitungan sobel test di atas mendapatkan nilai z sebesar -2,10691, karena nilai

z yang diperoleh sebesar -2,10691 > 1.96 dengan tingkat signifikansi 5% maka membuktikan

bahwa Produk Domestik Regional Bruto mampu memediasi hubungan pengaruh Indek

Pembangunan Manusia terhadap jumlah penduduk miskin.

Besaran pengaruh langsung dan tak langsung variable bebas

terhadap jumlah penduduk Miskin

Variabel Pengaruh

langsung (%) Pengaruh tidak Langsung (%)

Pengaruh Total (%)

Investasi 0.001 -0.95** -0,949

Panjang Jalan -2,11** -2,11

Kurs 7,90** 7,90

IPM -0,35** -0,35

Belanja Daerah 4,64*** -4,12** 0,52

Populasi 104,04*** 104,04

PDRB 0,36** 0,36

IPM

PDRB POV

-0.060263 (0.025635)**

0.058820 (0.012383)*** *(0.033743)***


Keterangan:

*** signifikan α=1% ** signifikan α=5% * signifikan α=10%

Tahap Uji Hipotesis dan Pembuatan Kesimpulan

1. Pengaruh Investasi terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Investasi tidak berpengaruh secara signifikan terhadap

jumlah penduduk miskin.

Hasil ini terlihat dari nilai probabilitas t hitung > α = 5%.Hal ini menunjukkan bahwa

secara langsung investasi tidak mempengaruhi jumlah penduduk miskin.

2. Pengaruh Investasi terhadap jumlah penduduk miskin melalui mediasi produk domestic

regional bruto

Produk Domestik Regional Bruto memediasi pengaruh investasi terhadap jumlah

penduduk miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel

(Sobel Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi

sebesar -2,19 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05.

Pengaruh langsung investasi terhadap jumlah penduduk miskin adalah sebesar 0,001.

Sedangkan besarnya pengaruh tidak langsung investasi terhadap jumlah penduduk

miskin melalui produk domestic regional bruto adalah -0,95 %.

3. Pengaruh Belanja daerah terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Belanja Daerah berpengaruh secara signifikan terhadap

jumlah penduduk miskin.

Hasil ini terlihat dari nilai probabilitas t hitung < α = 5%.Hal ini menunjukkan bahwa

secara langsung Belanja Daerah mempengaruhi jumlah penduduk miskin.

4. Pengaruh Belanja Daerah terhadap jumlah penduduk miskin melalui mediasi produk

domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh Belanja Daerah terhadap jumlah





Pengaruh langsung Belanja Daerah terhadap Jumlah Penduduk Miskin adalah sebesar

4,64. Sedangkan besarnya pengaruh tidak langsung investasi terhadap jumlah

penduduk miskin melalui produk domestic regional bruto adalah -4,12 %.

5. Pengaruh Panjang Jalan terhadap jumlah penduduk miskin melalui mediasi produk

domestic regional bruto

Produk Domestik Regional Bruto memediasi pengaruh Panjang Jalan terhadap jumlah




Besarnya pengaruh tidak langsung Panjang Jalan terhadap jumlah penduduk miskin

melalui produk domestic regional bruto adalah -2,11 %.

6. Pengaruh Kurs terhadap jumlah penduduk miskin melalui mediasi produk domestic

regional bruto

Produk Domestik Regional Bruto memediasi pengaruh Kurs terhadap jumlah penduduk

miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel

Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi sebesar 2,32

lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Besarnya pengaruh

tidak langsung Kurs terhadap jumlah penduduk miskin melalui produk domestic regional

bruto adalah 7,90 %.

7. Pengaruh IPM terhadap jumlah penduduk miskin melalui mediasi produk domestic

regional bruto

Produk Domestik Regional Bruto memediasi pengaruh IPM terhadap jumlah penduduk

miskin di 34 provinsi periode 2015-2019. Hal ini dibuktikan di dengan Uji Sobel (Sobel

Test) yang menunjukan hasil perhitungan nilai z statistik pengaruh mediasi sebesar -

2,106 lebih besar dari z tabel yaitu 1,96 dengan tingkat signifikansi 0,05. Besarnya

pengaruh tidak langsung IPM terhadap jumlah penduduk miskin melalui produk domestic

regional bruto adalah -0,35 %.


8. Pengaruh Populasi terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Populasi berpengaruh secara signifikan terhadap jumlah

penduduk miskin.


secara langsung Populasi mempengaruhi jumlah penduduk miskin. Besarnya pengaruh

langsung Populasi terhadap jumlah penduduk miskin sebesar 104,04%.

9. Pengaruh Produk Domestik Regional Bruto terhadap Jumlah Penduduk Miskin

Hasil penelitian menunjukan Produk Domestik Regional Bruto berpengaruh secara

signifikan terhadap jumlah penduduk miskin.


secara langsung Produk Domestik Regional Bruto mempengaruhi jumlah penduduk

miskin. Besarnya pengaruh langsung Produk Domestik Regional Bruto terhadap jumlah

penduduk miskin sebesar 0,36%.


DAFTAR PUSTAKA

Gujarati, D. N. (2003). Basic Econometrics” fourth edition McGraw-Hill. New York.

Hsiao, C. (2014). Analysis of panel data (No. 54). Cambridge university press.

Maddala, G. S., & Lahiri, K. (1992). Introduction to econometrics (Vol. 2). New York:

Macmillan.

Sarwono, J. (2014). Path analysis dengan SPSS. Elex Media Komputindo.

Wibisono, Y. (2005). Metode statistik. Gajah Mada University, Yogyakarta.

Widarjono, A. (2009). Ekonometrika pengantar dan aplikasinya. Yogyakarta: Ekonisia.

analisis jalur data panel · 2021. 3. 26. · yang ada di indonesia dari tahun 2015 sampai dengan...

Documents