Senin, 7 Juni 2014 @ Gedung H
Pemodelan Kerugian Makro Ekonomi Akibat Bencana Alam Dengan Regresi Panel Dosen Pembimbing : Dwi Endah Kusrini, S.Si, M.Si Jurusan Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
OUTLINE
Pendahuluan
Tinjauan Pustaka
Metodologi Penelitian
Kesimpulan dan Saran
Analisis dan Pembahasan 2
3
Latar Belakang
Bencana alam mengakibatkan negara-negara berkembang kehilangan 5% dari produk nasional brutonya (Annan dalam Ingleton, 1999).
4
Latar Belakang Tsunam i Aceh (2004)
Gempa bumi DIY (2006)
Gunung meletus Jatim (2014)
5
Latar Belakang Penelitian tentang bencana alam
Toya & Skidmore (2007)
• Melakukan penelitian terkait perkembangan ekonomi dan dampak dari bencana alam
• Melakukan penelitian konsekuensi makroekonomi yang diakibatkan oleh bencana alam dengan menggunakan regresi Noy (2009) data panel
• Melakukan estimasi kerugian yang terjadi akibat bencana alam Zhong, Liu, pada komoditi gandum di daerah danau Dongting, China & Liu (2010)
6
Latar Belakang Penelitian tentang bencana alam
Xiaoyan • Menaksir kerugian yang terjadi akibat bencana alam & Xiaofei (2012) Mustapha • Melakukan pemodelan dan simulasi bencana alam ,Mcheick, & Mellouli (2013)
• Meneliti tentang kerugian makroekonomi yang disebabkan oleh bencana alam di Pulau Jawa dengan menggunakan Kusumani ngrum metode Spatial Durbin Model (2014)
7
Latar Belakang
Regresi Panel???
Merupakan model regresi yang digunakan pada data panel (gabungan data cross section dan data time series)
8
Latar Belakang Penelitian tentang Regresi Panel
Astuti (2009)
Desi (2010)
• Menganalisis persentase mahasiswa ITS yang lulus tepat waktu dengan menggunakan model fixed effect pada regresi data panel • Menggunakan regresi data panel untuk memodelkan persentase penduduk miskin di Jawa Timur
9
Perumusan Masalah Bagaimana karakteristik bencana alam yang terjadi di Pulau Jawa pada periode 2007 hingga 2012?
Bagaimana pemodelan kerugian makroekonomi yang diakibatkan bencana alam di Pulau Jawa untuk wilayah kabupaten dengan menggunakan metode regresi panel?
10
Tujuan Penelitian Mengidentifikasi karakteristik bencana alam yang pernah terjadi di Pulau Jawa pada periode 2007 hingga 2012.
Mendapatkan pemodelan kerugian makroekonomi yang diakibatkan bencana alam di Pulau Jawa untuk wilayah kabupaten dengan menggunakan metode regresi panel.
11
Manfaat Penelitian Dapat menjadi bahan pembelajaran bagi peneliti terkait metode regresi data panel.
Dapat memberikan informasi atau menjadi bahan rujukan bagi pemerintah daerah terkait kerugian makro ekonomi yang diakibatkan oleh bencana alam di Pulau Jawa.
12
Batasan Masalah Analisis data panel yang digunakan adalah data panel lengkap (balanced) dengan error komponen satu arah yaitu komponen antar individu atau antar waktu.
Wilayah yang dianalisis adalah kabupatenkabupaten di Pulau Jawa.
13
14
Bencana
Berdasarkan UU No. 24 Tahun 2007, bencana adalah peristiwa atau serangkaian peristiwa yang mengancam dan mengganggu kehidupan dan penghidupan masyarakat yang disebabkan oleh faktor alam dan nonalam ataupun faktor manusia sehingga mengakibatkan timbulnya korban jiwa manusia, kerusakan lingkungan, kerugian harta benda, dan dampak psikologis.
Secara ekonomi, bencana dapat membawa kerugian secara langsung yaitu kerugian modal saham, secara tidak langsung yaitu mengganggu bisnis dan secara makro ekonomi yaitu menurunnya produk domestik bruto (Mechler, 2003).
15
Statistika Deskriptif Statistika deskriptif merupakan metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga dapat memberikan informasi yang berguna (Walpole, 1995).
16
Data Panel • Gabungan antara data time series dan data cross sectional. • Ada 2 macam data panel balanced (seimbang) dan unbalanced (tidak seimbang) Keuntungan menggunakan data panel
• • • •
Dapat mengontrol heterogenitas individual. Lebih informatif, lebih bervariasi, dan lebih efisien. Lebih unggul dalam mempelajari perubahan yang dinamis. dll 17
Estimasi Data Panel 5 kemungkinan yang akan terjadi saat menggunakan data panel
1. Intersep dan slope koefisien adalah tetap sepanjang waktu dan individu. [𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡 ] 2. Slope koefisien adalah tetap tetapi intersep berbeda antar individu. [𝑦𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡 ] 3. Slope koefisien adalah tetap tetapi intersep berbeda antar individu dan waktu. [𝑦𝑖𝑡 = 𝛼𝑖𝑡 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡 ] 4. Semua koefisien (intersep dan slope koefisien) berbeda antar individu. [𝑦𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡′ 𝛽𝑖 + 𝜀𝑖𝑡 ] 5. Intersep dan slope koefisien berbeda antar individu dan waktu. [𝑦𝑖𝑡 = 𝛼𝑖𝑡 + 𝑋𝑖𝑡′ 𝛽𝑖𝑡 + 𝜀𝑖𝑡 ] 18
Estimasi Data Panel 3 model yang dapat digunakan
• Common Effect Model (CEM) Model paling sederhana sama dengan model OLS. Pendekatan ini mengasumsikan bahwa nilai intersep dan slope masing-masing variabel adalah sama untuk semua unit cross section dan time series. [𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡 ] • Fixed Effect Model (FEM) Menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. [𝑦𝑖𝑡 = 𝛼𝑖 + 𝑋𝑖𝑡′ 𝛽 + 𝜀𝑖𝑡 ] • Random Effect Model (REM) Mengasumsikan intersep sebagai variabel random. [𝑦𝑖𝑡 = 𝛼 + 𝑋𝑖𝑡′ 𝛽 + 𝜇𝑖 + 𝜀𝑖𝑡 ] 19
Pemilihan Model Estimasi Regresi Data Panel • Uji Chow Digunakan untuk memilih model estimasi terbaik antara model CEM atau model FEM. 𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑁 = 𝛼 (CEM) 𝐻1 : 𝛼𝑖 ≠ 𝛼 (FEM) Statistik uji : 𝐹 =
𝑅𝑅𝑆𝑆−𝑈𝑅𝑆𝑆 𝑁−1 𝑈𝑅𝑆𝑆 𝑁𝑇−𝑁−𝐾
Tolak 𝐻0 apabila 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹 α.
𝑁−1,𝑁𝑇−𝑁−𝐾 ;𝛼
pada tingkat signifikansi
20
Pemilihan Model Estimasi Regresi Data Panel • Uji Hausman Digunakan untuk memilih model estimasi terbaik antara model REM atau model FEM. 𝐻0 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 = 0
(REM)
𝐻1 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 ≠ 0
(FEM)
Statistik uji : 𝑊 = 𝐴′ 𝑣𝑎𝑟 𝛽𝐹𝐸𝑀 − 𝑣𝑎𝑟 𝛽𝑅𝐸𝑀 𝐴 = 𝛽𝐹𝐸𝑀 + 𝛽𝑅𝐸𝑀
−1
𝐴
2 Tolak 𝐻0 apabila 𝑊 > 𝜒𝐾;𝛼 pada tingkat signifikansi α.
21
Pemilihan Model Estimasi Regresi Data Panel • Uji Lagrange Multiplier Digunakan untuk menguji apakah terdapat heteroskedastisitas pada model FEM. 𝐻0 : 𝜎𝑖2 = 𝜎 2 (homoskedastis) 𝐻1 : 𝜎𝑖2 ≠ 𝜎 2 (hetroskedastis) Statistik uji : 𝐿𝑀 =
𝑛𝑇 2 𝑇−1
𝑁 𝑖=1
𝑇𝑒𝑖
2
𝑁 𝑖=1
2 −1 𝑇 𝑒 𝑡=1 𝑖𝑡
−1
2
2 Tolak 𝐻0 apabila 𝐿𝑀 > 𝜒(𝑁−1;𝛼) pada tingkat signifikansi α.
22
Kriteria Kebaikan Model
Koefisien determinasi 𝑅2
𝑅2
=1−
𝑛 𝑖=1 𝑛 𝑖=1
𝑇 𝑡=1 𝑇 𝑡=1
𝑦𝑖𝑡 − 𝑦𝑖𝑡 𝑦𝑖𝑡 − 𝑦𝑖𝑡
2 2
Dapat mengukur proporsi keragaman yang dapat dijelaskan model regresi
23
Pengujian Parameter Model • Uji Serentak Digunakan untuk mengetahui semua pengaruh variabel independen terhadap variabel dependen. 𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝐾 = 0 𝐻1 : minimal ada satu 𝛽𝑖 ≠ 0 𝑖 = 1,2, … , 𝐾
Statistik uji : 𝐹 =
𝑀𝑆𝑟𝑒𝑔𝑟𝑒𝑠𝑖 𝑀𝑆𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙
Tolak 𝐻0 apabila 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 lebih besar dari 𝐹𝑡𝑎𝑏𝑒𝑙 = 𝐹𝛼;(𝑘−1,𝑁−𝑘) atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼.
24
Pengujian Parameter Model • Uji Parsial Digunakan untuk mengetahui variabel independen yang berpengaruh signifikan secara individu terhadap variabel dependen. 𝐻0 : 𝛽𝑘 = 0 𝐻1 : 𝛽𝑘 ≠ 0 Statistik uji : 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 =
𝛽𝑘 𝑆𝐸(𝛽𝑘 )
Tolak 𝐻0 apabila 𝑡ℎ𝑖𝑡𝑢𝑛𝑔 lebih besar dari 𝑡𝛼;𝑛−𝑘 . 2
25
Pengujian Asumsi Residual • Asumsi Independen Bertujuan untuk mengetahui apakah terdapat korelasi antar error pada waktu t dengan error pada waktu t-1. Dideteksi dengan menggunakan uji Durbin Watson. • Asumsi Identik Bertujuan untuk mengetahui adanya ketidaksamaan varians dari error suatu pengamatan dengan pengamatan lainnya. Dideteksi dengan menggunakan uji Glejser yaitu meregresikan absolute residual dengan variabel independen.
26
Pengujian Asumsi Residual • Asumsi Normal Digunakan uji Kolmogorov Smirnov untuk mengetahui residual model sudah berdistribusi normal atau tidak. 𝐻0 : residual berdistribusi normal 𝐻1 : residual tidak berdistribusi normal Tolak 𝐻0 apabila 𝐷 > 𝐷1−𝛼 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 𝛼. • Tidak Terjadi Multikolinearitas Multikolinearitas terjadi apabila ada korelasi antara variabel independen dan dapat diatasi dengan PCA.
27
28
Sumber Data Sumber data yang digunakan dalam penelitian ini adalah data sekunder dari Badan Nasional Penanggulangan Bencana (BNPB) dan Badan Pusat Statistika (BPS) pada periode 2007 hingga 2012. Unit cross section pada penelitian ini adalah kabupaten-kabupaten di Pulau Jawa sedangkan unit time series penelitian ini adalah tahun 2007 hingga 2012. Jadi, total ada 83 kabupaten di Pulau Jawa dan ada 6 tahun pengamatan. 29
Variabel Penelitian Jumlah kejadian bencana (𝑋2𝑖 ) Jumlah Tenaga kerja (X1it) (Bappenas, 2006)
Produk domestik regional bruto per kabupaten (Yit) (Toya & Skidmore, 2007; Noy, 2009)
Jumlah kerusakan fasilitas umum (X3it) (Noy, 2009)
30
Langkah Analisis • •
Untuk mencapai tujuan pertama, maka dilakukan analisis statistika deskriptif pada masing-masing variabel dependen dan variabel independen. Untuk mencapai tujuan kedua, maka dilakukan langkah-langkah sebagai berikut. Mengumpulkan set data panel. Mengidentifikasi adanya kasus multikolinearitas atau tidak. Melakukan estimasi model regresi panel dengan menggunakan uji Chow. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang digunakan adalah common effect model (CEM), namun bila keputusannya adalah tolak 𝐻0 maka model yang digunakan adalah fixed effect model (FEM) dan dilanjutkan ke langkah 4. Melakukan estimasi model regresi panel dengan menggunakan uji Hausman. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang digunakan adalah random effect model (REM) dan langkah berhenti, namun bila keputusannya adalah tolak 𝐻0 maka model yang digunakan adalah fixed effect model (FEM) dan dilanjutkan ke langkah 31 5.
Langkah Analisis
Melakukan estimasi model regresi panel dengan menggunakan uji Lagrange Multiplier. Apabila keputusannya adalah gagal tolak 𝐻0 maka model yang digunakan adalah fixed effect model FEM dan struktur data sudah homogen. Namun bila keputusannya adalah tolak 𝐻0 maka struktur data belum homogen dan model estimasi yang digunakan adalah model fixed effect (FEM) dengan pembobot cross section weight. Melakukan pengujian signifikansi parameter regresi panel. Melakukan pengujian asumsi residual. Menganalisis hasil yang diperoleh. Membuat kesimpulan.
32
33
Karakteristik Variabel Penelitian Korelasi variabel dependen dan independen
X1 X2 X3
Y 0,355 0,000 0,284 0,000 0,162 0,000
X1
X2 Korelasi wilayah dua
0,019 0,669 0,026 0,557
Y 0,103 0,021
Korelasi wilayah satu
Y X1 X2 X3
0,235 0,087 -0,034 0,809 0,431 0,001
X1
X1 X2
X2 X3
0,101 0,467 0,033 0,812
0,296 0,030
0,204 0,009 0,362 0,000 0,176 0,025
X1
0,034 0,663 0,079 0,320
X2
0,106 0,178
34
Karakteristik Variabel Penelitian
Korelasi wilayah tiga
X1 X2 X3
Y 0,676 0,000 0,452 0,026 0,398 0,000
X1
Korelasi wilayah empat
X2 X1
0,297 0,159 0,358 0,086
X2 0,465 0,022
X3
Y X1 0,506 0,000 0,255 -0,064 0,000 0,307 0,071 -0,104 0,256 0,095
X2
0,137 0,028
35
Karakteristik Variabel Seluruh Kabupaten Statistika Deskriptif Mean, Min dan Max
Variabel
N
Mean
Min
Max
Kab dengan Nilai Terendah
Kab dengan Nilai Tertinggi
Pacitan
Bekasi
𝑌𝑖𝑡
498
15970
2321
𝑋1𝑖𝑡
498
247,52
59
𝑋2𝑖𝑡
498
7,697
0
113
Beberapa kabupaten
Bogor
𝑋3𝑖𝑡
498
217
0
17042
Beberapa kabupaten
Bangkalan
116470
735 Sampang
Sidoarjo
36
Perkembangan Variabel Tahun 2007-2012 Perkembangan jumlah tenaga kerja
Perkembangan PDRB Berlaku
20568.86 7 13580.30 1 11816.06 0
2007
2008
16555.10 8 14791.61 4
2009
2010
18506.39 7
2011
2012
228.0843 37
2007
284.8192 77 226.6867 273.8554 47 21 257.8915 66
2008
213.8072 28
2009
2010
2011
2012
37
Perkembangan Variabel Tahun 2007-2012 Perkembangan jumlah kejadian bencana
Perkembangan jumlah kerusakan FU
13.289
518.771 11.433 11.060 341.445 237.590
4.891 187.831
5.506 16.421 0
2007
2008
2009
2010
2011
2012
0 2007
2008
2009
2010
2011
2012
38
Perkembangan Variabel Tahun 2007-2012 Perkembangan jumlah kejadian bencana
Perkembangan jumlah kerusakan FU
518.771
13.289 11.433 11.060
341.445 237.590
4.891 5.506
187.831 16.421
0 2007
2008
2009
2010
2011
2012
0 2007
2008
2009
2010
2011
2012
39
Perkembangan Variabel Wilayah Satu Rata-rata PDRB wilayah satu 60000
53176.33
50000 40000 30000 20000
5703.33 6366.83 6199 10000 6435.67 2009.5 0
7688 5598.5 4747.67
Rata-rata jumlah tenaga kerja wilayah satu 426 450 400 350 262 263.83255 300 221.17 250 186.17 150.83 200 164.33 150 79.17 100 50 0
40
Perkembangan Variabel Wilayah Satu Rata-rata jumlah kejadian bencana wilayah satu
7.83 9 7.33 7.33 7.5 8 6 6.17 7 6 4.33 5 4 2.5 3 2 1 0
3
Rata-rata jumlah kerusakan FU wilayah satu 600 500 400 300 200 100 0
501.83 240.67 5.83 18.5 41
32.67
17.8323.3332.83
41
Deteksi Multikolinearitas Nilai VIF Y1 X1
1,010
X2
1,106
X3
1,096
Keterangan : Y1 : model Y yang korelasi antara Y dan X1 bernilai positif dan signifikan pada tingkat signifikansi 10 persen.
42
Penentuan Model Panel Uji Chow 𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑖 = 𝛼 = 0 𝐻1 : minimal ada satu 𝛼𝑖 yang berbeda
Model 𝑌1𝒊𝒕 Antar Individu 𝑌𝟏𝐢𝐭 Antar Waktu 𝒍𝒏 𝒀𝟏𝒊𝒕 Antar Individu 𝒍𝒏 𝒀𝟏𝒊𝒕 Antar Waktu
Fhitung 86,993 0,117
Ftabel 2,157 2,413
241,837
2,163
0,0000
0,475
2,417
0,7931 Gagal Tolak 𝐻0
Model antar individu FEM
P-value Keputusan 0,0000 Tolak 𝐻0 0,9890 Gagal Tolak 𝐻0
Model antar waktu CEM
Tolak 𝐻0
43
Penentuan Model Panel Uji Hausman 𝐻0 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 = 0 𝐻1 : 𝑐𝑜𝑟𝑟 𝑋𝑖𝑗 , 𝑢𝑖𝑗 ≠ 0
Model 𝑌1𝒊𝒕 Antar Indiv 𝒍𝒏 𝒀𝟏𝒊𝒕 Antar Indiv
Wald 0,705
Chis_tabel 3,8415
P-value Keputusan 0,4010 Gagal Tolak 𝐻0
2,024
5,9915
0,3634 Gagal Tolak 𝐻0
Perbandingan Koefisien Determinasi
REM Model 𝑌1𝑖𝑡 Antar Individu 𝑌1𝑖𝑡 Antar Waktu 𝑙𝑛 𝑌1𝑖𝑡 Antar Individu 𝑙𝑛 𝑌1𝑖𝑡 Antar Waktu
𝑹𝟐 *21,6801 **2,2000 *68,6135 **10,2000
44
Estimasi Model Regresi Panel Estimasi intersep
𝑙𝑛 𝑌1𝑖𝑡 = 𝛼0𝑖 + 0,005559𝑋1𝑖𝑡 + 0,007750𝑋2𝑖𝑡
Diambil contoh PDRB atas dasar harga berlaku untuk Kabupaten Karawang pada tahun 2010 𝑙𝑛 𝑌1𝑖𝑡 = 9,348466 + 0,005559 260 + 0,007750 13
𝑌1𝑖𝑡
= 10,894556 = 𝑒10,894556 = 53882,22903
Kabupaten
𝜶𝟎𝒊
Karawang
9,348466
Bantul
6,646406
Demak
7,132426
Grobogan
9,618633
Gunungkidul
7,497175
Banjarnegara
7,782027
Magelang
7,459258
Rembang
7,554903
Sampang
8,149296
Nilai taksiran PDRB atas dasar harga berlaku Kabupaten Karawang pada tahun 2010 adalah 53882,22903 milyar rupiah, sedangkan nilai sebenarnya adalah sebesar 57260 milyar rupiah. Jadi, diperoleh nilai residualnya sebesar 57260 - 53882,22903 = 3377,771 milyar rupiah atau 3,377 trilyun rupiah.
45
Estimasi Model Regresi Panel Goodness of Fit
𝐥𝐧 𝒀𝒊𝒕
R-squared
0,686135
Adjusted Rsquared
0,673827
F-statistic
55,74521
Prob (F-statistic)
0,000000
Nilai Rsquared menjelaskan variabel independen mampu menjelaskan variabilitas Y sebesar 68,6135 %.
46
Pengujian Signifikansi Parameter Uji Serentak
Goodness of Fit
𝒀𝒊𝒕
R-squared
0,686135
Adjusted Rsquared
0,673827
F-statistic
55,74521
Prob (F-statistic)
0,000000
Nilai p-value kurang dari 5% menghasilkan keputusan tolak 𝐻0 . Jadi minimal ada satu variabel independen yang berpengaruh terhadap model.
47
Pengujian Signifikansi Parameter Uji Parsial
Variabel
Koefisien Std. Error
Thitung
p-value
C
7,687621
0,286431
26,83939
0,0000
X1
0,005559
0,000633
8,780877
0,0000
X2
0,007750
0,002516
3,081064
0,0033
Nilai p-value masing-masing variabel kurang dari 5%. Jadi, faktor jumlah tenaga kerja dan jumlah kejadian bencana berpengaruh signifikan terhadap PDRBB.
48
Pengujian Asumsi Residual Model ln 𝑌1𝑖𝑡 Asumsi Normal Model 𝑙𝑛 𝑌1𝑖𝑡
D 0,181
P-value 0,058
Keputusan Gagal tolak 𝐻0
Asumsi Independen Model 𝑙𝑛 𝑌1𝑖𝑡
𝒅 1,320386
𝑫𝑳 1,4797
𝑫𝑼 Keputusan 1,6359 Tolak 𝐻0
Asumsi Identik Model 𝑙𝑛 𝑌1𝑖𝑡
𝑭𝒉𝒊𝒕𝒖𝒏𝒈 0,840
𝑭𝒕𝒂𝒃𝒆𝒍 1)3,179
P-value Keputusan 0,437 Gagal tolak 𝐻0
Asumsi residual yang terpenuhi hanya asumsi normal dan asumsi identik
49
50
Kesimpulan Secara umum, PDRB atas dasar harga berlaku (𝑌𝑖𝑡 ) 83 kabupaten di Pulau Jawa berkorelasi signifikan dengan jumlah tenaga kerja (𝑋1𝑖𝑡 ), jumlah kejadian bencana (𝑋2𝑖𝑡 ), dan jumlah kerusakan fasilitas umum (𝑋3𝑖𝑡 ). Perkembangan PDRB dari tahun 2007 hingga 2012 terus meningkat yang mengindikasikan perekonomian dari 83 kabupaten di Pulau Jawa juga semakin membaik dari tahun ke tahun. Adapun, kabupaten dengan PDRB tertinggi adalah Bekasi sebesar 116,47 triliun rupiah. Kabupaten dengan jumlah tenaga kerja tertinggi adalah Sidoarjo. Kabupaten dengan jumlah kejadian bencana dan jumlah kerusakan fasilitas umum tertinggi masing-masing adalah Bogor dan Bangkalan. Model regresi panel yang sesuai untuk PDRB kabupaten di wilayah satu Pulau Jawa adalah REM. Variabel yang berpengaruh signifikan terhadap PDRB di wilayah satu adalah jumlah tenaga kerja dan jumlah kejadian bencana.
51
Saran Pada penelitian ini, wilayah yang diamati hanya kabupaten. Sehingga, untuk penelitian selanjutnya diharapkan memasukkan wilayah kota. Agar hasil estimasi regresi panel semakin akurat maka dapat dilakukan penambahan periode penelitian, menambah variabel independen yang mungkin berpengaruh pada PDRBB atau mengurangi unit cross section yang diamati. Selain itu, bisa melakukan pengembangan metode dengan menggunakan metode panel spasial. Asumsi residual yang tidak dapat dipenuhi pada penelitian ini adalah asumsi independen, sehingga saran untuk penelitian selanjutnya adalah perlu mengatasi asumsi yang tak dapat teratasi tersebut. 52
Daftar Pustaka Astuti, A. M. (2009). Fixed Effect Model Pada Regresi Data Panel Studi Kasus Tentang Persentase Mahasiswa Yang Lulus Tepat Waktu Di Institut Teknologi Sepuluh Nopember Surabaya. Tugas Akhir S2 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). England: John Wiley & Sons, Ltd Bappenas. (2006). Laporan Hasil Kajian Penyusunan Model Perencanaan Lintas Wilayah dan Lintas Sektor. Jakarta: Bappenas Bezu, S., Kassie, G. T., Shiferaw, B., & Gilbert, J. R. (2014). Impact Of Improved Maize Adoption On Welfare Of Farm Households In Malawi: A Panel Data Analysis. Journal of World Development, 59 (2014), 120-131 Daniel, W. (1989). Statistika Non Parametrik. Jakarta: Gramedia Desi, Y. (2010). Pemodelan Persentase Penduduk Miskin Di Provinsi Jawa Timur Tahun 2004-2008 Dengan Regresi Data Panel. Tugas Akhir S2 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
53
Daftar Pustaka Fatmawati, I. (2010). Pendekatan Ekonometrika Panel Spasial Untuk Pemodelan PDRB Sektor Industri Di SWP Gerbangkertasusila Dan Malang Pasuruan. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Greene, W. H. (2002). Econometric Analysis (4th ed.). New Jersey: Prentice Hall Gujarati, D. (1999). Ekonometrika Dasar. Jakarta: Erlangga Gujarati, D. N. (2004). Basic Econometrics (4th ed.). The McGraw HillCompanies Ingleton, J. (1999). Natural Disaster Management. Leicester : Tudor Rose Kementerian Negara Perencanaan Pembangunan Nasional (KNPPN), Badan Perencanaan Pembangunan Nasional (BPPN), & Badan Koordinasi Nasional Penanganan Bencana (BKNPB). (2006). Rencana Aksi Nasional Pengurangan Resiko Bencana. Jakarta: Perum Percetakan Negara RI Kusumaningrum, H. (2014). Pemodelan Ekonometrika Spasial Kerugian Makroekonomi Akibat Bencana Alam. Tugas Akhir S1 yang Tidak 54 Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya
Daftar Pustaka Lee, N. Y., Moon, H. R., & Weidner, M. (2012). Analysis Of Interactive Fixed Effects Dynamic Linear Panel Regression With Measurement Error. Journal of Economic Letters, 117 (2012), 239-242 Lee, S. H. (2014). The Relationship Between Growth And Profit: Evidence From Firm Level Panel Data. Journal of Structural Change and Econometric Dynamics, 28 (2014), 1-11 Mechler, R. (2003). Natural Disaster Risk Management and Financing Disaster Losses in Developing Countries. Published Ph.D. Thesis, University of Karlsruhe Melliana, A. (2013). Analisis Statistika Faktor Yang Mempengaruhi Indeks Pembangunan Manusia Di Kabupaten/Kota Provinsi Jawa Timur Dengan Menggunakan Regresi Panel. Tugas Akhir S1 yang Tidak Dipublikasikan, Institut Teknologi Sepuluh Nopember Surabaya Mustapha, K., Mcheick, H., & Mellouli, S. (2013). Modeling and Simulation Agent Based of Natural Disaster Complex Systems. Journal of Computer Science, 21 (2013), 148-155 Noy, I. (2009). The Macroeconomic Consequences Of Disasters. Journal of 55 Development Economics, 88 (2009), 221-231
Daftar Pustaka Syahwal, S. (2011). Penaksiran Parameter Model Regresi Data Panel Dinamis Menggunakan Metode Blundell Dan Bond. Tugas Akhir S1 yang Dipublikasikan, Universitas Indonesia Toya, H., & Skidmore, M. (2007). Economic Development And The Impacts Of Natural Disasters. Journal of Economic Letters, 94 (2007), 20-25 Walpole, R. E. (1995). Pengantar Statistika (Ketiga ed.). Jakarta: Gramedia Pustaka Utama Westerlund, J., & Urbain, J. P. (2013). On The Implementation And Use Of Factor-Augmented Regressions In Panel Data. Journal of Asian Econometrics, 28 (2013), 3-11 Xiaoyan, D., & Xiaofei, L. (2012). Conceptual Model on Regional Natural Disaster Risk Assessment. Journal of Engineering, 45 (2012), 96-100 Zhong, L., Liu, L., & Liu, Y. (2010). Natural Disaster Risk Assessment of Grain Production in Dongting Lake Area, China. Journal of Agriculture and Agricultural Science, 1 (2010), 24-32
56
57
