Kata kunci: Data Spatial, Heterogenitas Spatial, Geographically Weigthed Regression, Bandwidth, Fungsi Pembobot

GEOGRAPHICALLY WEIGTHED REGRESSION DALAM MENAKSIR MODEL OUTPUT SEKTOR INDUSTRI MENENGAH BESAR TAHUN 2012 Lani Amaliah1, Nusar Hajarisman2, Anna Chadijah3 1

Program Magister Statistika Terapan UNPAD, [email protected] 2

Program Studi Statistika UNISBA, [email protected] 3

Program Studi Statistika UNPAD, [email protected]

ABSTRAK Secara statistik, jika terdapat heterogenitas dalam data maka untuk mengetahui pengaruh antara variabel dependen dan independen tidak lagi dapat dilakukan dengan analisis regresi biasa, melainkan harus dengan analisis regresi lokal. Pengaruh spatial ini biasanya terjadi pada unit pengamatan yang berupa wilayah/area. Adanya pengaruh spatial ini menyebabkan penaksiran parameter menjadi bias dan variansnya besar. Oleh karena itu dalam mengestimasi parameter dilakukan pembobotan untuk setiap lokasi, sebagai dasar dalam metode Geographically Weighted Regression (GWR). Dalam pembentukan model GWR diperlukan bandwitdh yang optimum untuk menghitung pembobot di setiap lokasi. Studi kasus dari penelitian ini adalah model output sektor Industri Menengah Besar pada tataran propinsi pada Tahun 2012. Dengan uji kesesuaian model, diperoleh hasil bahwa efek spatial berpengaruh terhadap pembentukan model output. Faktor-faktor yang mempengaruhi output di setiap propinsi pada umumnya hampir sama, yaitu pengeluaran perusahaan untuk bahan baku, bahan bakar, listrik dan pajak. Namun, terdapat 5 propinsi yang memiliki model output yang berbeda. Kata kunci: Data Spatial, Heterogenitas Spatial, Geographically Weigthed Regression, Bandwidth, Fungsi Pembobot

1.

Pendahuluan Dalam analisis regresi, metode yang digunakan untuk menaksir parameterparameter dalam model regresi dapat menggunakan Metode Kuadrat Terkecil Biasa (MKTB). Gauss menetapkan asumsi-asumsi untuk MKTB yaitu normalitas residual, homoskedastisitas, tidak terdapat multikoleniaritas dan tidak terdapat autokorelasi.

1

Suatu model regresi yang memenuhi keempat asumsi tadi dikenal sebagai model regresi klasik, standar atau linier umum. MKTB mempunyai sifat Best Linier Unbiased Estimator (BLUE), yaitu penaksir tidak bias dan mempunyai varians yang minimum. Pelanggaran asumsi homoskedasitas, yaitu terjadi apabila varians dari gangguan (disturbance) tidak konstan atau berubah–ubah secara sistematik seiring berubahnya nilai variabel prediktor (heteroskedastisitas). Masalah heteroskedastisitas lebih sering terjadi pada data cross-sectional dibandingkan dengan data deret waktu. Sehingga dapat disimpulkan bahwa salah satu penyebab terjadinya heteroskedastisitas adalah jika unit pengamatan berupa wilayah/area. Misalnya: desa, kecamatan, kabupaten/kota, propinsi atau negara. Suatu kejadian mungkin saja hasilnya bergantung pada wilayah atau lokasi tempat kejadian itu terjadi. Wilayah atau lokasi memiliki sekumpulan data yang berbeda antara satu wilayah dengan wilayah lainnya. Karakteristik dari data spatial ini memberikan dampak dalam estimasi parameter model dasar. Jika terdapat struktur spatial di residual dalam model dan estimasi parameter menggunakan MKTB maka akan menyebabkan penaksir menjadi bias. Penaksir yang bias dapat menaksir terlalu tinggi atau terlalu rendah dari nilai parameter yang sebenarnya, akibatnya tingkat presisi/ketepatan akan berkurang dan pengujian hipotesis menjadi kurang berarti. Oleh karena itu, jika unit pengamatan berupa wilayah/area dan terjadi pelanggaran asumsi homoskedasitas, maka analisis yang dilakukan untuk mengetahui hubungan antara satu variable tak bebas dengan satu atau lebih variable bebas tidak lagi digunakan analisis regresi global, melainkan dengan menggunakan analisis data spatial. Brundson, Fotheringham dan Charlton (1998) mengembangkan sebuah metode untuk menganalisis data spasial yang kemudian diberi nama Geographically Weighted Regression (GWR). Model ini merupakan model regresi linier lokal (locally linier regression) yang menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut dikumpulkan. Variabel koordinat spatial longitude dan lattitude merupakan variable yang digunakan dalam pembobotan untuk penaksiran model GWR. Dalam model GWR, variabel respon ditaksir dengan variabel prediktor yang setiap koefisien regresinya tergantung pada lokasi, hal ini menyebabkan banyaknya parameter yang di taksir menjadi lebih besar dari banyaknya observasi. Semakin banyak observasi maka jumlah parameter akan semakin besar (Leung et.al, 2000). Untuk menyelesaikan masalah ini, Brundson, Fotheringham dan Charlton (1998) mengasumsikan bahwa koefisien regresi menjadi fungsi deterministik dari beberapa variabel lainnya, dan bukan lagi sebagai variabel bebas. Studi kasus untuk penelitian ini adalah mengenai paparan model output pada sektor Industri skala menengah besar di setiap propinsi pada tahun 2012. Sektor industri manufaktur skala menengah besar dalam pembentukan PDB terhadap PDB total secara keseluruhan telah menyumbang sekitar 85%, sedangkan jumlah industri manufaktur skala menengah besar, kurang dari 1% terhadap total jumlah industri. Nilai output pada sektor industri di Indonesia tergantung kepada pengeluaran perusahaan untuk bahan baku, bahan bakar, listrik, pajak, sewa tanah&bangunan dan 2

jumlah tenaga kerja pada setiap propinsi. Selain itu bervariasinya nilai output sektor industri antar daerah juga dipengaruhi kondisi Indonesia sebagai negara kepulauan terbesar di dunia dengan perbedaan karakteristik antar wilayah atau antar propinsi. Dengan menggunakan Geographically Weighted Regression (GWR), dapat diteliti karakteristik nilai output sektor industri, yaitu dengan melihat faktor-faktor apa saja yang mempengaruhi nilai output pada setiap propinsi.

2. 2.1

Tinjauan Pustaka Model Geographically Weighted Regression (GWR). GWR adalah metode statistika yang digunakan untuk menganalisis heterogenitas spatial. Heterogenitas spatial terjadi apabila suatu satu variabel bebas yang sama memberikan respon yang tidak sama pada lokasi yang berbeda dalam satu wilayah penelitian. Model GWR menghasilkan penaksir parameter model yang bersifat lokal untuk setiap titik atau lokasi dimana data tersebut diamati. Model GWR dapat ditulis sebagai berikut: p

yi    k  ui , vi  xik   i , i  1, 2,3,...n

(2.1)

k 1

Dengan yi adalah nilai observasi dari variable respon ke-i, xi1 , xi 2 ,..., xip ) adalah adalah nilai observasi variable prediktor ke-k pada pengamatan ke-i,( koordinat spatial longitude dan latitude pada pengamatan ke-i, adalah koefisien regresi dan adalah error ke-i Persamaan regresi linier parameter adalah kasus khusus dari Persamaan (2.1), dimana parameter dalam persamaan regresi linier diasumsikan invarian spatial. Jadi, Persamaan GWR pada (2.1) menunjukan adanya variasi spatial yang mungkin terdapat dalam model. Pada Persamaan (2.1) dapat dilihat bahwa banyaknya parameter yang tidak diketahui lebih banyak daripada banyaknya observasi. Model seperti ini telah dibahas dalam literature-literatur statistika seperti pada Rosenberg (1973), Hastie dan Tibshirani (1990), dan Loader (1999). Dari literatur-literatur tersebut, dapat disimpulkan bahwa koefisien tidak diasumsikan random, tapi menjadi fungsi deterministik dari beberapa variabel (dalam kasus ini adalah lokasi). Dalam proses GWR, ketika akan mengestimasi parameter di lokasi i adalah dengan melakukan analisis regresi dari titik-titik yang berdekatan, sehingga akan didapatkan estimasi untuk  k  ui , vi  untuk i. Dengan cara yang sama untuk menaksir parameter pada lokasi i berikutnya, adalah dengan mencari titik-titik dari subset yang berdekatan, dan begitu selanjutnya. Estimasi seperti diatas dapat menimbulkan bias dan varians besar. Jika memiliki sampel besar akan menyebabkan proses kalibrasi yang cukup lama (dengan proses kalibrasi yang sudah bias). Oleh karena itu, agar nilai estimasi dari koefisien parameter memiliki nilai standar error yang kecil adalah dengan menambahkan proses kalibrasi, namun semakin besar sampel dan semakin lama proses kalibrasi maka semakin banyak parameter yang akan menyimpang dari

3

subset, dan proses akan semakin bias. Untuk menyelesaikan permasalahan ini maka digunakan pembobotan dalam proses analisisnya, sehingga kalibrasi akan memberikan pengaruh pada titik yang dekat dengan i. Seperti dibahas sebelumnya, bahwa proses GWR mengasumsikan bahwa observe data lokasi ke i mempunyai pengaruh yang lebih besar dalam estimasi  k  ui ,vi  dari pada data dilokasi yang jauh dari i. Oleh karena itu Weighted Least Square (WLS) dilakukan sebagai dasar untuk metode GWR. Dalam GWR observasi di bobot sesuai dengan kedekatannya terhadap lokasi i, sehingga pembobotan tidak lagi konstan namun tergantung pada variasi dari lokasi i. Misalkan pembobot untuk setiap lokasi ke-i adalah w j  ui , vi  , j  1, 2,..., n , maka parameter lokasi  ui , vi  diestimasi dengan menambahkan unsur pembobot pada Persamaan (2.1) dan kemudian meminimumkan jumlah kuadrat error berikut ini: n

n

j 1

j 1



 w j ui,vi   2j   wj ui,vi  y j  0 ui,vi   1 ui,vi  x j1  2 ui,vi  x j 2  ...   p ui,vi  x jp Dalam bentuk matriks: 1 x11 x12 1 x x22 21    1 x p1 x p 2 (

)

x1 p  x2 p    xnp 

 y1  y   2      yn 

(

diag  w1  ui , vi  , w2  ui , vi  ,..., wn  ui , vi  dan

  0  ui , vi      1  ui , vi         p  ui , vi  

)

(

)

Penaksir parameter model GWR untuk setiap lokasi yaitu: ̂( ) ( ( ) ) ( ) (2.2) Karena terdapat n lokasi sampel maka penaksir ini merupakan penaksir setiap baris dari matrik local parameter seluruh lokasi penelitian. Matriksnya adalah:   0  u1 , v1  1  u1 , v1   2  u1 , v1     0  u2 , v2  1  u2 , v2   2  u2 , v2      0  un , vn  1  un , vn   2  un , vn 

 p  u1 , v1     p  u2 , v2  

   p  un , vn  

2.2

Pemilihan Bandwidth Bandwidth dapat dianalogikan sebagai radius suatu lingkaran, sehingga sebuah titik yang berada di dalam radius lingkaran masih dianggap memiliki pengaruh. Jika pembobot yang digunakan adalah fungsi kernel, maka pemilihan

4



2

bandwidth menjadi sangat penting, karena bandwidth digunakan sebagai pengontrol keseimbangan antara kesesuaian kurva terhadap data dan kemulusan data. Nilai bandwidth yang cukup besar akan menyebabkan bias yang semakin besar karena model yang dibentuk terlalu halus (oversmoothing) yang disebabkan oleh banyaknya pengamatan yang digunakan. Nilai bandwidth yang semakin besar menyebabkan model GWR akan mendekati model global. Sebaliknya, nilai bandwidth yang sangat kecil akan memberikan bentuk penyesuaian yang sangat kasar (undersmoothing) sehingga variannya cukup besar. Metode yang akan digunakan untuk mendapatkan bandwidth optimum, adalah pendekatan Cross Validation (CV). Secara matematis nilai CV dapat ditulis sebagai berikut: n

CV    yi  yˆ i  h  

2

i 1

(2.2) dengan yˆ i  h  : nilai penaksir yi (fitting value) dimana pengamatan di lokasi  ui , vi  dihilangkan dalam proses penaksiran Selain metode Cross Validation, terdapat metode lain untuk memilih bandwidth diantaranya Generalized Cross Validation (GCV), Akaike Information Criteria (AIC), dan Bayesian Information Criterion (BIC).

2.3

Pemilihan Fungsi Pembobot (Weight) Pemilihan fungsi pembobot spatial yang digunakan dalam menaksir parameter sangat penting untuk menentukan besarnya pembobot masing-masing lokasi yang berbeda. Dalam penelitian ini, fungsi pembobot yang bisa digunakan adalah fungsi fungsi Kernel Gauss (Kernel fix). Secara sistematis fungsi Kernel Gauss dapat ditulis sebagai berikut :  1  dij 2  w j  ui , vi   exp     2  h     (2.3)

2.4

Uji Breusch-Pagan-Godfrey Analisis data spatial dilakukan jika data yang digunakan memenuhi aspek spatial yaitu memiliki sifat heteroskedastisitas spatial. Heteroskedastisitas spatial dapat dideteksi dengan melakukan uji Breusch-Pagan-Godfrey. Tahapan-tahapan untuk Uji Breusch-Pagan-Godfrey sebagai berikut: 1.

Merumuskan hipotesis: (Homoskedastisitas) (Heteroskedastisitas)

5

2. 3. 4.

5. 6.

Regresikan variabel-variabel yang sedang diamati, taksir parameternya melalui MKTB, kemudian cari nilai residual kuadrat ( ) dari model tersebut Cari nilai varians dengan menggunakan persamaan : , dengan n adalah jumlah unit pengamatan dan SSE adalah jumlah kuadrat error. Regresikan variabel-variabel yang diamati dengan variabel tak bebasnya adalah (

)

Cari nilai , dengan nilai SStotal dan R2 merupakan nilai dari hasil regresi pada Langkah (4) Bandingkan nilai dengan atau nilai p_value dengan . Jika atau nilai p_value , maka Ho ditolak. Hal ini mengindikasikan adanya heteroskedastisitas dalam data

2.5

Pengujian Kesesuaian Model (Goodness of fit) Pengujian ini dilakukan dengan menguji kesesuaian dari koefisien parameter secara serentak, yaitu dengan mengkombinasikan uji regresi linier pada model regresi global dengan model (2.1) untuk data spasial. Uji ini sama juga dengan menguji apakah pembobot w j  ui , vi  yang digunakan dalam proses penaksiran parameter sama dengan satu. Bentuk hipotesis dari pengujian ini adalah sebagai berikut : H 0 : k  ui , vi   k , k  1, 2,..., p (tidak ada perbedaan yang signifikan antara model regresi global dengan GWR), untuk setiap i, i  1, 2,3,..., n H1 : paling sedikit ada satu  k  ui , vi  yang berhubungan dengan lokasi  ui , vi  (ada perbedaan yang signifikan antara model regresi global dan GWR) Secara sistematis nilai statistik uji dapat ditulis sebagai berikut:  SSEOLS  SSEGWR  v1 F SSEGWR

1

(2.4)

   Statistik Uji F akan mendekati sebaran F dengan derajat bebas  ,  v  2 2  dengan SSEOLS : jumlah kuadrat dari model OLS 2 1

2 1

SSEGWR : jumlah kuadrat dari model GWR 1 : nilai dari n  p  1  1 2 : nilai dari n  p  1  21   2 dengan i

 i  tr 1  S  1  S  , i  1, 2 T



S

 : hat matrix dari model GWR

6

Kriteria Uji, Tolak H0 jika F hitung  F

2  2   1 v ,1   2 2 

. Terima dalam hal lainnya.

Jika H0 ditolak, maka ada perbedaan yang signifikan antara model regresi global dan GWR dengan kata lain terdapat efek spatial dalam data. Selanjutnya untuk mengetahui variabel-variabel bebas yang berpengaruh terhadap variabel tak bebas pada setiap lokasi, maka digunakan uji keberartian parameter model. 2.6

Pengujian Parameter Model Pengujian parsial digunakan untuk mengetahui signifikansi parameter  k  ui , vi  terhadap variable respon secara parsial pada model GWR. Bentuk hipotesisnya adalah sebagai berikut: H 0 : k  ui , vi   0 (tidak terdapat pengaruh variabel bebas terhadap variabel tak bebas) H1 : k  ui , vi   0; k  1, 2,..., p (minimal terdapat satu variabel bebas yang berpengaruh terhadap variabel tak bebas) Statistik Uji yang digunakan adalah: ˆ  u , v  T k i i ˆ g kk (2.5) g kk dengan adalah elemen diagonal ke-k dari matrix CCT, ( ( ) ) ( ) Kriteria uji: Tolak H0 jika Thit  t ;df dan terima dalam hal lainnya. 2

2

2.7

Data dan Variable Penelitian Dalam penelitian ini digunakan alat dan bahan yang mendukung proses pelaksanaan penelitian. Data yang digunakan bersumber dari Badan Pusat Statistik yaitu data hasil Survei Tahunan Industri Skala Menengah Besar Tahun 2012. Variabel penelitian yang digunakan untuk menganalisis model output sektor Industri skala Menengah Besar adalah variable input dan jumlah tenaga kerja. Variabel dependen (Y) dan variable independen (X) adalah sebagai berikut: Y : total ouput sektor Industri Skala Menengah Besar per propinsi, dalam rupiah X1 : pengeluaran perusahaan untuk bahan baku, dalam rupiah X2 : pengeluaran perusahaan untuk penggunaan bahan bakar, dalam rupiah X3 : pengeluaran perusahaan untuk penggunaan listrik dan non listrik PLN, dalam rupiah X4 : pengeluaran perusahaan untuk pembayaran pajak, dalam rupiah

7

3 Hasil dan Pembahasan 3.1 Uji Heteroskedastisitas Untuk menguji ada tidaknya variasi spatial dalam data digunakan Uji BreuschPagan-Godfrey dengan hipotesis sebagai berikut: Tabel 3.1 Hasil Uji Breusch-Pagan Heteroskedasticity Test Breusch-Pagan F-statistic 7.082758 Prob. F(4,28) Obs*R-squared 16.59696 Prob. Chi-Square (4) Scaled explained 14.19961 Prob. Chi-Square (4)

0.0005 0.0023 0.0067

Berdasarkan hasil penghitungan dengan software Eviews7 diperoleh nilai probability Chi-Square sebesar 0.0023, nilai ini lebih kecil dari nilai . Hal ini mengindikasikan penolakan Ho, yang berarti bahwa terdapat heteroskedastisitas dalam data. Karena terdapat variasi spatial dalam data, maka analisis regresi yang digunakan untuk pemodelan nilai output adalah metode Geographically Weighted Regression. 3.2

Model GWR Aplikasi dalam pemodelan GWR pada penelitian ini adalah dengan menggunakan paket program GWR4 software. Langkah awal dalam pembentukan model GWR adalah dengan menghitung bandwidth dengan menggunakan Cross Validation seperti pada Persamaan (2.9). Nilai bandwidth setiap lokasi digunakan untuk membentuk matriks pembobot untuk setiap daerah ke-i. Dengan menggunakan software GWR4, diperoleh nilai bandwith sebesar 3,463.1021. Setelah nilai bandwith diketahui, kemudian hitung nilai pembobot untuk setiap lokasi dengan metode Kernel-Gauss seperti pada Persamaan (2.3), dengan menghitung jarak euclidean distance terlebih dahulu. Dengan bantuan program GWR4 diperoleh nilai taksiran ) seperti terlihat pada Lampiran 1. Secara ringkas, parameter di semua lokasi ( nilai taksiran parameter lokal untuk model output sektor Industri M/B dilihat pada Tabel 3.2 Tabel 3.2 Ringkasan Nilai Taksiran Parameter Lokal Model Output Sektor Industri M/B No 1 2 3 4 5

Parameter ̂ ̂ ̂ ̂ ̂

Minimum 896029226.496 0.432392 -1.731553 -13.888823 -8.394670

Maksimum 21051153527.939 1.874821 9.134592 -2.616137 -3.398506

Range 20155124301.442 1.442429 10.866145 11.272687 4.996164

8

Setelah diperoleh hasil estimasi dengan menggunakan GWR, selanjutnya dilihat ada tidaknya perbedaan yang signifikan antara model regresi global dengan model GWR dan diperoleh hasil sebagai berikut: Tabel 3.3 Tabel Anova GWR Model Global Model GWR

SS 5,32.1021 2,83.1021

df 5,000 22,378

F 3,507

Berdasarkan tabel di atas, nilai F hitung= 3,507 lebih besar dari F tabel = ( ) =2,66. Hal ini menunjukan adanya perbedaan yang signifikan antara model regresi global dengan model GWR. Dengan kata lain, faktor spatial berpengaruh secara signifikan terhadap model output sektor industri skala menengah besar di setiap propinsi di Indonesia. Pengujian parameter model dilakukan untuk mengetahui faktor-faktor yang ). Dengan berpengaruh terhadap model output di setiap lokasi ( diperoleh nilai t-tabel= ( )=2,36. Dengan membandingkan nilai t hitung dengan nilai t tabel, maka akan diperoleh faktor-faktor yang berpengaruh terhadap model output di setiap lokasi, seperti terlihat dalam Tabel 3.4. Secara lengkap nilai thitung untuk setiap variabel disetiap lokasi dapat dilihat pada Lampiran 2.

Tabel 3.4 Faktor-Faktor yang Mempengaruhi Model Output Sektor Industri M/B di Setiap Propinsi No

Propinsi

1 2

3

Aceh dan Sumatera Utara Sumatera Barat, Riau, Jambi, Sumatera Selatan, Bengkulu Lampung, Bangka Belitung, Kepulauan Riau, DKI Jakarta, Jawa Barat, Jawa Tengah, D.I Yogyakarta, Jawa Timur, Banten, Bali, NTB, NTT, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Sulawesi Utara, Sulawesi Tengah, Sulawesi Selatan, Sulawesi Tenggara, Gorontalo, Sulawesi Barat, Maluku Utara Maluku dan Papua Barat

4

Papua

Variabel yang berpengaruh X1, X2, dan X4

X1, X2, X3 dan X4

X1, X3, dan X4 Tidak ada variabel yang berpengaruh

Berdasarkan tabel di atas, faktor spatial berpengaruh terhadap penentuan model output sektor Industri Menengah Besar. Secara umum faktor yang 9

mempengaruhi model output sektor Industri adalah pengeluaran perusahaan untuk pembelian bahan baku, bahan bakar, pemakaian listrik & non listrik, dan pembayaran pajak. Namun, pada Propinsi Aceh dan Sumatera Selatan faktor yang mempengaruhi adalah pengeluaran perusahaan untuk pembelian bahan baku, bahan bakar, dan pembayaran pajak. Sedangkan untuk Propinsi Maluku dan Papua Barat, faktor yang mempengaruhi adalah pengeluaran perusahaan untuk pembelian bahan baku, pemakaian listrik & non listrik, dan pembayaran pajak. Pada Propinsi Papua tidak terdapat faktor yang signifikan dalam menentukan model output sektor Industri Menengah Besar.

Daftar Pustaka Brundson, C., Fotheringham, A.S, and Charlton, M., 1998. Geographically Weighted Regression: Modelling spatial non-stationarity, 47: 431-443 Charlton, Martin. & Fotheringham, A.S. 2009. Geographically Weighted Regression White Paper. National Centre for Geocomputation, National University of Ireland Maynooth. Fotheringham, A.S., Brundson, C. dan Charlton, M., 2002. Geographically Weighted Regression, John Willey and Sons, Chichester, UK. Gujarati,D. 1999. Ekonometrika Dasar, Erlangga, Jakarta. Hanum, Herlina. 2011. Perbandingan Metode Stepwise, Best Subset Regression, dan Fraksi dalam Pemilihan Model Regresi Berganda Terbaik, Jurnal Penelitian Sains Volume 14 Nomer 2A. Ilham M, & Dwi A. 2013. Pemodelan Data Kemiskinan di Provinsi Sumatera Barat dengan Metode Geographically Weighted Regression. Media Statistika, Volume 6, No.1:37-49 Leung, Y., Mei , C. & Zhang W. Statistical Test for Spatial non Stationary Based on Geographically Weighted Regression for Disease Association Mapping. Environment and Planning A, 2000, 24:2695-2717 Mei, C.L. Geographically Weighted Regression Technique for Spatial Data Anaysis, School of Science Xi’an Jiaotong University

10

LAMPIRAN 1 Nilai Taksiran Parameter Lokal Model Output Sektor Industri Menengah Besar

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

Propinsi Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung Kepulauan Riau DKI jakarta Jawa Barat Jawa Tengah D.I Yogyakarta Jawa Timur Banten Bali NTB NTT Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Sulawesi Barat Maluku Maluku Utara Papua Barat Papua

̂

̂

15321681279 19760731594 22249381118 23492759597 23410673226 23210132540 22654547607 21344379973 21903570842 24248906244 17986426698 18584675293 13954511825 12042496807 9252088681 19605043074 6478632655 5138160650 4293415450 16608457521 10811724457 7021571795 6697208034 2121450535 2695137487 3077022812 2863335190 2548848065 3301957136 1050035613 1179920402 651084218.7 94449290.25

0.396861 0.393863 0.423274 0.438921 0.449016 0.489737 0.511378 0.611252 0.569226 0.441683 0.759658 0.739136 0.891945 0.956213 1.04794 0.700928 1.16019 1.233069 1.418367 0.728078 0.946306 1.116085 1.133159 1.464149 1.419306 1.372249 1.430235 1.453629 1.345125 1.568116 1.36326 1.451494 1.405721

̂

̂

̂

5.92508 -4.01221 1.478554 5.071329 -2.71951 -1.93852 4.589137 -2.46925 -3.06379 4.323101 -2.42257 -3.45834 4.308227 -2.50377 -3.50929 4.221566 -2.82116 -3.73966 4.174298 -3.01093 -3.73896 3.916691 -3.81183 -4.09074 4.292741 -3.5577 -4.14966 4.228624 -2.36632 -3.65437 3.650212 -5.05363 -4.46694 3.62268 -4.8568 -4.39695 3.743292 -6.28718 -4.85301 3.711608 -6.85508 -5.00456 4.166069 -7.89443 -5.4001 3.592824 -4.49869 -4.26624 4.926142 -9.28966 -5.96462 5.787895 -10.3917 -6.46804 4.976345 -12.1507 -6.51127 5.207208 -5.38523 -4.92798 6.177709 -7.86828 -5.83534 7.072381 -9.89777 -6.59795 7.7478 -10.4423 -6.82659 10.68661 -8.2981 -12.1509 9.659617 -13.7484 -8.49763 9.16657 -13.337 -8.04722 8.974185 -13.8185 -8.11588 9.895601 -13.4669 -9.0507 9.068698 -13.0378 -7.93241 2.611138 4.096902 -12.0612 10.8004 2.32942 -16.1607 1.374085 13.48351 -12.4531 1.895839 15.98914 -4.2922

̂ 18221546244 61339833376 32807368715 82845460700 40361709455 39581137614 25509268837 37682755577 35755887759 66409361295 70690589419 1.3823E+11 86545205211 13804913346 50534465521 1.18817E+11 7252116027 5416127123 -3289077183 27264362813 32681609659 31054588995 40093963651 19064057388 7135763853 41215329633 4897807811 5027354257 5884531530 2763087157 1186090777 3832742172 7241771575

11

LAMPIRAN 2 Faktor-Faktor yang Mempengaruhi Model Output Sektor Industri M/B di Setiap Propinsi No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

Propinsi

̂

̂

̂

̂

̂

Aceh Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Bangka Belitung Kepulauan Riau DKI jakarta Jawa Barat Jawa Tengah D.I Yogyakarta Jawa Timur Banten Bali NTB NTT Kalimantan Barat Kalimantan Tengah Kalimantan Selatan Kalimantan Timur Sulawesi Utara Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Gorontalo Sulawesi Barat Maluku Maluku Utara Papua Barat

3.248 4.069 4.533 4.911 4.908 4.999 4.839 4.861 5.141 5.285 4.588 4.634 4.101 3.783 3.274 4.693 2.586 2.122 1.366 4.642 3.758 3.003 2.988 0.915 1.534 1.666 1.335 1.318 1.881 0.400 0.609 0.254

3.977 4.413 5.111 5.494 5.597 6.055 6.123 6.955 6.971 5.825 7.895 7.757 8.583 8.812 9.187 7.481 9.450 9.453 8.347 8.468 9.492 9.848 9.737 6.092 8.149 8.742 7.756 7.467 9.117 3.910 4.872 3.333

3.563 3.522 3.519 3.537 3.537 3.560 3.488 3.471 3.753 3.646 3.455 3.421 3.583 3.579 3.776 3.361 3.865 3.789 2.704 4.338 4.685 4.797 4.954 3.320 4.165 4.110 3.510 3.936 4.419 1.336 2.548 0.737

-1.997 -2.082 -2.426 -2.636 -2.701 -2.998 -3.033 -3.607 -3.669 -2.864 -4.362 -4.237 -5.057 -5.340 -5.862 -3.998 -6.395 -6.605 -5.700 -4.979 -6.050 -6.632 -6.511 -4.794 -5.941 -6.360 -5.811 -5.535 -6.535 -3.469 -4.172 -2.571

-4.579 -5.154 -5.572 -5.820 -5.860 -6.063 -6.017 -6.345 -6.533 -6.039 -6.740 -6.656 -7.162 -7.311 -7.671 -6.497 -7.982 -7.998 -6.195 -7.371 -8.017 -8.370 -8.342 -6.565 -7.701 -7.823 -7.022 -7.367 -8.129 -3.821 -5.559 -2.855

Papua

0.157

1.850

-0.074

-0.399

-1.239

Variabel yang berpengaruh X1, X2, dan X4 X1, X2, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X2, X3, dan X4 X1, X3, dan X4 X1, X2, X3, dan X4 X1, X3, dan X4 Tidak ada faktor yang mempengaruhi

12

13