Bab 1. Pendahuluan

1.1 Latar Belakang

Produk Domestik Regional Bruto (PDRB) adalah nilai tambah bruto barang dan jasa yang dihasilkan oleh seluruh unit ekonomi dalam suatu wilayah tanpa memperhatikan faktor produksi dimiliki residen atau bukan residen. PDRB per kapita merupakan PDRB suatu daerah dibagi dengan jumlah penduduk. PDRB merupakan indikator penting untuk mengetahui kondisi ekonomi di suatu daerah dalam suatu periode tertentu. PDRB atas harga dasar berlaku (PDRB ADHB) menggambarkan kemampuan sumber daya ekonomi yang dihasilkan oleh suatu daerah.

Pertumbuhan PDRB dipengaruhi oleh berbagai faktor ekonomi. Produktivitas tenaga kerja berperan signifikan dalam mendorong pertumbuhan PDRB karena mencerminkan efisiensi tenaga kerja dalam menghasilkan output. Penelitian oleh Riani, dkk. (2025) menunjukkan bahwa produktivitas tenaga kerja berpengaruh positif terhadap PDRB per kapita di Pulau Jawa. Penelitian oleh Safitri dkk (2025) menunjukkan bahwa PMDN berpengaruh positif dan signifikan terhadap PDRB. Ekspor dan impor menunjukkan keterbukaan ekonomi suatu daerah dan kontribusi perdagangan internasional terhadap pertumbuhan PDRB. Penelitian oleh Nofinawati, dkk (2017) menunjukkan bahwa ekspor dan impor berpengaruh signifikan terhadap PDRB di Provinsi Sumatera Utara. Pengeluaran per kapita atau konsumsi rumah tangga merupakan faktor lain yang penting, karena permintaan domestik dapat memicu aktivitas ekonomi dan meningkatkan PDRB. Penelitian oleh Ahmanda, dkk (2023) menunjukkan bahwa ada hubungan negatif yang signifikan antara pengeluaran perkapita dengan PDRB.

Dalam menganalisis kontribusi faktor-faktor tersebut terhadap PDRB ADHB, metode regresi linear Ordinary Least Squares (OLS) sering digunakan untuk mengestimasi hubungan antara variabel dependen dan independen. Ordinary Least Square (OLS) merupakan metode yang digunakan untuk mengestimasi hubungan antara variabel dependen dan independen. Metode tersebut mengestimasi parameter dalam regresi dengan meminimumkan kuadrat error (Chatterjee, 2015). Salah satu kelemahan regresi linear terletak pada sensitivitasnya terhadap outlier (Kowalskie, 2025). Outlier dapat mengganggu proses analisis data karena menyebabkan residual yang besar dari model yang terbentuk, varians yang besar, dan taksiran interval dengan rentang yang lebar (Soemartini, 2007). Salah satu metode yang umum digunakan untuk mengatasi outlier adalah Regresi Robust (Kowalskie, 2025). Berdasarkan penelitian yang dilakukan oleh Anindika Sari, Eka dkk (2020) diperoleh hasil bahwa metode Robust lebih baik daripada OLS untuk data yang mengandung outlier.

1.2 Identifikasi Masalah

Bagaimana hubungan produktivitas tenaga kerja, PMDN, pengeluaran per kapita, ekspor, dan impor dengan PDRB perkapita menggunakan Regresi OLS?
Bagaimana hubungan produktivitas tenaga kerja, PMDN, pengeluaran per kapita, ekspor, dan impor dengan PDRB perkapita menggunakan Regresi Robust menggunakan M estimator dengan pembobot Huber Loss dan Tukey’s Bisquare?
Bagaimana perbedaan hasil estimasi Regresi OLS dan Regresi Robust M-Estimator dalam mengevaluasi parameter?

1.3 Tujuan

Mengetahui hubungan produktivitas tenaga kerja, PMDN, pengeluaran per kapita, ekspor, dan impor dengan PDRB perkapita menggunakan Regresi OLS.
Mengetahui hubungan produktivitas tenaga kerja, PMDN, pengeluaran per kapita, ekspor, dan impor dengan PDRB perkapita menggunakan Regresi Robust menggunakan M estimator dengan pembobot Huber Loss dan Tukey’s Bisquare.
Membandingkan hasil estimasi Regresi OLS dan Regresi Robust M-Estimator dalam mengevaluasi parameter.

1.4 Keterbatasan

Data yang digunakan dalam penelitian ini terbatas pada tahun 2024 yang dipublikasikan oleh lembaga resmi seperti Badan Pusat Statistik (BPS), Kementerian Ketenagakerjaan, dan Kementerian Perdagangan Republik Indonesia.
Variabel independen yang digunakan dibatasi pada produktivitas tenaga kerja, PMDN, pengeluaran per kapita, ekspor, dan impor.
Metode yang digunakan dalam analisis ini adalah Regresi OLS dan Regresi Robust dengan pembobot Huber Loss dan Tukey’s Bisquare.

Bab 2. Tinjauan Pustaka

2.1 Model yang Digunakan

Regresi Linear Berganda

Model regresi linear berganda sebagai berikut: \[ Y_i = \beta_0 + \sum_{j=1}^{k} \beta_j X_{ji} + \varepsilon_i, \quad i = 1, \dots, n, \; j = 1, \dots, k \]

dengan:
- $Y_i$ : variabel dependen untuk observasi ke-$i$
- $X_{ji}$ : variabel independen ke-$j$ untuk observasi ke-$i$
- $\beta_0$ : intercept
- $\beta_j$ : koefisien regresi variabel independen ke-$j$
- $\varepsilon_i$ : error (residu)
- $n$ : jumlah observasi
- $k$ : jumlah variabel independen

Model regresi linear dengan metode OLS harus memenuhi asumsi BLUE (Best Linear Unbiased Estimator), yaitu

Tidak terjadi heteroskedastisitas, yaitu setiap residual memiliki varians sama. Uji heteroskedastisitas dilakukan dengan uji Breusch-Pagan.
- Hipotesis nol : tidak ada heteroskedastisitas
- Jika p-value < $\alpha$ maka hipotesis nol ditolak, yang artinya terdapat masalah heteroskedastisitas.
Tidak terjadi multikolinearitas, yaitu tidak terdapat hubungan yang kuat antar variabel independen. Multikolinearitas dapat dilihat dari nilai Variance Inflation Factor (VIF) \[ VIF_j = \frac{1}{1 - R_j^2}, \quad j = 1, 2, \ldots, k \] dimana $R_j^2$ adalah koefisien determinasi dari regresi $x_j^2$ dengan variabel lainnya. Menurut Hair, dkk (2010), nilai VIF > 10 menandakan adanya korelasi tinggi antarvariabel prediktor yang dapat menyebabkan ketidakstabilan estimasi koefisien. Menurut Gujarati (2009), jika nilai $R^2$ tinggi tetapi sebagian besar koefisien signifikan, maka multikolinearitas tidak menjadi masalah serius.
Tidak terjadi autokorelasi atau hubungan yang kuat antar unit observasi. Uji autokorelasi dapat dilakukan dengan uji Durbin-Watson.
- Hipotesis nol: tidak ada korelasi
- Jika p-value < $\alpha$ maka hipotesis nol ditolak, yang artinya terdapat masalah autokorelasi.
Residual ($\varepsilon_i$) diasumsikan identik, independen, dan mengikuti distribusi normal dengan rata-rata nol dan varians $\sigma^2$, dapat dituliskan dengan \[ \varepsilon_i \sim \text{i.i.d. } N(0, \sigma^2), \quad i = 1, \dots, n \] Normalitas dapat diuji menggunakan Kolmogorov Smirnov untuk jumlah data besar dan Shapiro Wilk untuk jumlah data kecil.

Outlier Outlier adalah nilai ekstrim yang terletak jauh dari mayoritas titik data lainnya. Outlier dalam sampel dapat menimbulkan bias pada estimasi statistik (Kwak, 2017) Outlier dapat diidentifikasi menggunakan Cook’s Distance dengan rumus sebagai berikut:

\[ D_i = \frac{(y_i - \hat{y}_i)^2}{k \cdot \sigma^2} \left[ \frac{h_{ii}}{(1 - h_{ii})^2} \right] \]

dengan keterangan:

$D_i$ : Cook’s Distance untuk observasi ke-$i$.
$y_i$ : nilai aktual pada observasi ke-$i$.
$\hat{y}_i$ : nilai prediksi pada observasi ke-$i$.
$\sigma^2$ : varians error dari model regresi.
$h_{ii}$ : leverage (elemen diagonal dari matriks $H = X(X'X)^{-1}X'$).
$k$ : jumlah parameter dalam model regresi (termasuk intercept).

Dianggap influential point jika $D_i > \frac{4}{n}$

Regresi Robust

Regresi robust digunakan sebagai alternatif ketika data mengandung outlier. Salah satu metode estimasi dalam regresi robust adalah M-Estimator. M-Esimator menggunakan metode Iteratively Reweighted Least Square (IRLS). M-estimasi meminimalkan:

\[ \hat{\beta} = \arg \min_{\beta} \sum_{i=1}^{n} \rho \left( \frac{y_i - \mathbf{x}_i^T \beta}{\sigma} \right), \]

dengan fungsi loss $\rho(\cdot)$ tertentu dan fungsi influence $\psi = \rho'$. Dua fungsi populer:

Huber loss dengan ambang $c$:

\[ \rho(e) = \begin{cases} \frac{1}{2} e^2, & |e| \le c \\ c|e| - \frac{1}{2} c^2, & |e| > c \end{cases} \quad \psi(e) = \begin{cases} e, & |e| \le c \\ c \, \text{sign}(e), & |e| > c \end{cases} \]

Tukey’s bisquare:

\[ \rho(e) = \begin{cases} \frac{c^2}{6} \left[ 1 - \left( 1 - \left(\frac{e}{c}\right)^2 \right)^3 \right], & |e| \le c \\ \frac{c^2}{6}, & |e| > c \end{cases} \quad \psi(e) = \begin{cases} e \left( 1 - \left(\frac{e}{c}\right)^2 \right)^2, & |e| \le c \\ 0, & |e| > c \end{cases} \] Bobot dengan metode Iteratively Reweighted Least Square (IRLS) dihitung sebagai berikut: \[ w_i = \frac{\psi(e_i)}{e_i}. \]

2.2 Critical Review terhadap Model Alternatif

OLS (Ordinary Least Squares)

Estimator OLS diperoleh dengan meminimalkan jumlah kuadrat residual:

\[ \hat{\boldsymbol{\beta}}_{\text{OLS}} = \arg\min_{\boldsymbol{\beta}} \sum_{i=1}^{n} \left(Y_i - \mathbf{X}_i^\top \boldsymbol{\beta}\right)^2 \]

Karena residual dikuadratkan, observasi dengan outlier memiliki pengaruh yang tinggi. Sehingga estimasi $\hat{\boldsymbol{\beta}}_{\text{OLS}}$ sensitif terhadap outlier.

Regresi Robust

Regresi robust menggunakan fungsi loss $\rho(e_i)$ yang membatasi pengaruh outlier. Estimasi parameter diperoleh dengan:

\[ \hat{\boldsymbol{\beta}}_{\text{robust}} = \arg\min_{\boldsymbol{\beta}} \sum_{i=1}^{n} \rho\left(Y_i - \mathbf{X}_i^\top \boldsymbol{\beta}\right) \]

Fungsi $\rho(\cdot)$:

Huber loss, yang menggabungkan kuadrat residual untuk nilai kecil dan linear untuk residual besar. Metode ini mengurangi pengaruh pencilan tanpa sepenuhnya mengabaikan data tersebut.
Tukey’s biweight, yang memotong pengaruh residual yang terlalu besar.

Regresi robust memiliki keunggulan utama dalam memberikan estimasi yang stabil meskipun data mengandung outlier, terutama pada data multivariat, sehingga model menjadi lebih representatif terhadap mayoritas data (Maronna dkk, 2006).

Bab 3. Metodologi Penelitian

3.1 Data Penelitian

Data yang digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari berbagai publikasi resmi instansi pemerintah Indonesia. Data mencakup 38 provinsi di Indonesia untuk periode tahun 2024. Seluruh data bersumber dari lembaga resmi seperti Badan Pusat Statistik (BPS), Kementerian Ketenagakerjaan, dan Kementerian Perdagangan Republik Indonesia.

Variabel Dependen (Y)

Variabel dependen dalam penelitian ini adalah Produk Domestik Regional Bruto (PDRB) per kapita atas dasar harga berlaku (ADHB) (Ribu Rupiah).

Variabel Independen (X) Variabel independen yang digunakan sebanyak 5, yaitu:

Produktivitas tenaga kerja, yang mencerminkan tingkat efisiensi tenaga kerja dalam menghasilkan output per tenaga kerja (juta rupiah per tenaga kerja)
Penanaman Modal Dalam Negeri (PMDN) yang menunjukkan nilai realisasi investasi domestik (Miliar Rupiah)
Pengeluaran per kapita, yaitu rata-rata pengeluaran rumah tangga per orang per tahun yang digunakan sebagai indikator kesejahteraan ekonomi masyarakat (ribu rupiah per orang per tahun)
Nilai ekspor non-migas, yang mencerminkan kapasitas ekonomi daerah dalam menghasilkan produk yang kompetitif di pasar internasional (Juta US$)
Nilai impor non-migas provinsi, yang mencerminkan tingkat ketergantungan ekonomi daerah terhadap produk dari luar negeri. (Juta US$)

3.2 Alur Penelitian

Bab 4. Hasil Analisis dan Pembahasan

4.1 Regresi Berganda

a. Overall Test

Uji Overall
F.statistics	P.value
1588.496	0.000

Berdasarkan hasil uji overall test diperoleh bahwa nilai p-value sebesar 0.000 < 0.05, sehingga model layak digunakan. Hal ini menunjukkan bahwa secara simultan, variabel independen yang terdiri atas produktivitas tenaga kerja, Penanaman Modal Dalam Negeri (PMDN), pengeluaran per kapita, ekspor, dan impor berpengaruh signifikan terhadap Produk Domestik Regional Bruto (PDRB) per kapita di Indonesia.

b. Partial Test

Uji Parsial dengan OLS
Variabel	Estimate	Std.Error	t.Value	P.value
Intercept	5253.591	10217.063	0.514	0.611
Produktivitas tenaga kerja	803.841	34.066	23.596	0.000*
Penanaman Modal Dalam Negeri	0.025	0.121	0.204	0.840
Pengeluaran per kapita	-0.017	0.937	-0.018	0.986
Ekspor	-0.150	0.324	-0.462	0.647
Impor	0.013	0.187	0.070	0.944
R² = 0.9752 Keterangan: () P-value* < 0.05

Berdasarkan hasil uji partial test diperoleh bahwa variabel produktivitas memiliki nilai p-value < 0.05, yang berarti berpengaruh signifikan terhadap PDRB. Sedangkan variabel PMDN, pengeluaran perkapita, ekspor, dan impor tidak signifikan karena p-value lebih dari 0.05.

Model regresi linier yang diestimasi adalah sebagai berikut:

\[ \hat{Y} = 5253.591 + 803.841X_{\text{Produktivitas}} + 0.025X_{\text{PMDN}} - 0.017X_{\text{Pengeluaran}} - 0.150X_{\text{Ekspor}} + 0.013X_{\text{Impor}} + \varepsilon \]

4.2 Diagnostik Checking

Uji Asumsi
Uji_Asumsi	P.value
Normalitas (Shapiro Wilk)	0.001
Heteroskedastisitas (Breusch-Pagan)	0.007
Autokorelasi (Durbin Watson)	0.844

Berdasarkan hasil uji asumsi, dapat ditunjukkan bahwa:

Uji normalitas (Shapiro-wilk): p-value = 0.001 < 0.05, sehingga residual tidak berdistribusi normal. Asumsi tidak terpenuhi.
Heteroskedastisitas: p-value = 0.007 < 0.05, sehingga terdapat heteroskedastisitas. Asumsi tidak terpenuhi.
Uji autokorelasi (Durbin-Watson): p-value = 0.884 > 0.05, sehingga tidak terdapat autokorelasi residual. Asumsi terpenuhi.

Uji Multikolinearitas
Variabel	VIF
Produktivitas tenaga kerja	2.252
Penanaman Modal Dalam Negeri	4.470
Pengeluaran per kapita	1.783
Ekspor	2.682
Impor	3.624

Berdasarkan hasil uji multikolinearitas, diperoleh bahwa seluruh memiliki nilai VIF di bawah 10 yang menunjukkan tidak adanya kolinearitas yang tinggi. Sehingga asumsi multikolinearitas terpenuhi.

Deteksi Outlier
id	cookd
1	2.256
23	1.315
24	0.643
26	0.202
4	0.140

Berdasarkan uji deteksi outlier dengan Cook’s D, menunjukkan bahwa terdapat lima observasi (id: 1, 23, 24, 26, dan 4) yang memiliki nilai Cook’s D tinggi. Artinya, observasi tersebut merupakan influential points yang memiliki dampak besar terhadap pembentukan model. Keberadaan data ini dapat menggeser garis regresi dan mengakibatkan bias estimasi, sehingga model OLS menjadi kurang representatif terhadap mayoritas data.

Berdasarkan grafik QQ plot menunjukkan bahwa sebagian besar residual mengikuti garis teoretis di bagian tengah, tetapi terdapat beberapa titik yang jauh dari garis yang mengindikasikan keberadaan outlier. Pola ini menandakan bahwa asumsi normalitas residual tidak terpenuhi.

4.3 Regresi Robust

Berdasarkan uji diagnostik pada OLS, diketahui bahwa normalitas residual tidak normal, adanya heteroskedastisitas, dan terdapat data outlier. Menurut Gujarati (2009) heteroskedastisitas pada model dapat disebabkan karena adanya outlier. Untuk mengatasi permasalahan tersebut, digunakan pendekatan regresi robust (robust regression) M-estimasi dengan dua fungsi pembobot, yaitu Huber Loss dan Tukey Bisquare. OLS memberikan bobot sama pada setiap observasi, regresi robust memberikan bobot lebih kecil pada observasi ekstrem, sehingga pengaruh outlier terhadap pembentukan model dapat diminimalkan.

Uji Parsial dengan Regresi Robust
Variabel	Estimate_Huber	Estimate_Tukey	Std.Error_Huber	Std.Error_Tukey	t.Value_Huber	t.Value_Tukey
Intercept	2410.905	1597.631	7333.348	6613.365	0.329	0.242
Produktivitas tenaga kerja	755.893	706.434	24.451	22.051	30.914*	32.037*
Penanaman Modal Dalam Negeri	-0.053	-0.144	0.087	0.078	-0.608	-1.836
Pengeluaran per kapita	0.486	0.840	0.672	0.606	0.723	1.386
Ekspor	0.067	0.245	0.232	0.210	0.288	1.169
Impor	0.188	0.408	0.134	0.121	1.401	3.372*
Keterangan: * \|T-Statistics\| > T-Table (df = 38–5 = 33) = 2.037

Berdasarkan uji parsial dengan regresi robust menggunakan fungsi pembobot Huber Loss, terdapat satu variabel yang signifikan yaitu produktivitas tenaga kerja. Sedangkan regresi robust menggunakan pembobot Tukey Bisquare terdapat dua variabel yang signifikan yaitu produktivitas tenaga kerja dan impor.

Model regresi linier yang diestimasi adalah sebagai berikut:

\[ \hat{Y}_{\text{Huber}} = 2410.905 + 755.893X_{\text{Produktivitas}} - 0.053X_{\text{PMDN}} + 0.486X_{\text{Pengeluaran}} + 0.067X_{\text{Ekspor}} + 0.188X_{\text{Impor}} + \varepsilon \]

\[ \hat{Y}_{\text{Tukey}} = 1597.631 + 706.434X_{\text{Produktivitas}} - 0.144X_{\text{PMDN}} + 0.840X_{\text{Pengeluaran}} + 0.245X_{\text{Ekspor}} + 0.408X_{\text{Impor}} + \varepsilon \]

4.4 Pembahasan

Perbandingan Estimasi Parameter
Variabel	Estimate_OLS	Estimate_Huber	Estimate_Tukey
Intercept	5253.591	2410.905	1597.631
Produktivitas tenaga kerja	803.841	755.893	706.434
Penanaman Modal Dalam Negeri	0.025	-0.053	-0.144
Pengeluaran per kapita	-0.017	0.486	0.840
Ekspor	-0.150	0.067	0.245
Impor	0.013	0.188	0.408

Secara umum, hasil regresi menunjukkan adanya perubahan arah dan besaran koefisien antara model OLS dengan model robust (Huber dan Tukey).

Produktivitas tenaga kerja berpengaruh positif dan signifikan terhadap PDRB per kapita pada seluruh model. Dikutip dari Nada, dkk (2024), Menurut teori Solow yang menegaskan bahwa peningkatan produktivitas tenaga kerja akan meningkatkan output total dan pendapatan per kapita. Hal ini sejalan dengan arah koefisien pada semua model menunjukkan bahwa produktivitas merupakan faktor paling stabil dan dominan dalam mendorong PDRB per kapita.
Penanaman Modal Dalam Negeri (PMDN) menunjukkan tanda positif pada OLS namun berubah menjadi negatif pada model robust (Huber dan Tukey). Perubahan arah ini mengindikasikan bahwa hubungan positif yang terlihat pada OLS kemungkinan dipengaruhi oleh outlier atau data ekstrem. Secara teori, PMDN berpengaruh positif terhadap pertumbuhan ekonomi. Pada kenyataannya, menurut Mendoza (2017, dikutip dalam Hakim & Rosini, 2022) dijelaskan bahwa pengaruh investasi terhadap ketimpangan pendapatan sangat bergantung pada sasaran dan jenis pembangunan. Sementara itu, Chatterjee dan Turnovsky (2012, dikutip dalam Hakim & Rosini, 2022) menunjukkan bahwa investasi publik dapat meningkatkan pendapatan rata-rata namun berpotensi memicu ketimpangan pendapatan (berpengaruh negatif).
Pengeluaran per kapita awalnya bernilai negatif pada model OLS, tetapi berubah menjadi positif setelah dilakukan estimasi robust. Setelah efek pencilan dikoreksi, hasil robust menunjukkan bahwa peningkatan pengeluaran per kapita berhubungan dengan peningkatan PDRB per kapita. Permintaan agregat merupakan total permintaan atas barang dan jasa dalam perekonomian yang terdiri dari pengeluaran konsumsi, investasi, dan pengeluaran pemerintah (Case dan Fair, 2007, dalam Larasati dan Sumarjiyanto, 2022). Karena pengeluaran per kapita merepresentasikan kemampuan konsumsi masyarakat, peningkatan pengeluaran ini menunjukkan peningkatan permintaan barang dan jasa yang dapat meningkatkan PDRB.
Ekspor menunjukkan perubahan tanda dari negatif (OLS) menjadi positif pada model robust (Huber dan Tukey). Menurut Putri dkk (2024), ekspor berdampak positif terhadap PDRB karena memiliki potensi untuk mempengaruhi pertumbuhan ekonomi suatu daerah melalui peningkatan pendapatan, kesejahteraan masyarakat, dan permintaan domestik.
Impor menunjukkan koefisien positif pada seluruh model, dengan nilai yang meningkat pada estimasi robust. Menurut Putri dkk (2024), impor juga dapat berpotensi mempengaruhi pertumbuhan ekonomi suatu daerah, yang pada akhirnya berdampak positif terhadap PDRB.

Perbandingan Standar Error
Variabel	OLS	Huber	Tukey
Std. Error Produktivitas tenaga kerja	34.066	24.451	22.051
Std. Error Penanaman Modal Dalam Negeri	0.121	0.087	0.078
Std. Error Pengeluaran per kapita	0.937	0.672	0.606
Std. Error Ekspor	0.324	0.232	0.210
Std. Error Impor	0.187	0.134	0.121

Berdasarkan perbandingan standard error antar model, terlihat bahwa model Tukey memiliki performa terbaik. Nilai standard error untuk seluruh variabel pada model Tukey lebih kecil dibandingkan OLS dan Huber. Penurunan nilai standar error ini menunjukkan bahwa estimasi koefisien pada model Tukey lebih stabil, serta lebih tahan terhadap pengaruh outlier.

Dengan demikian, model robust Tukey dianggap paling baik digunakan karena menghasilkan arah koefisien yang realistis dan konsisten dengan teori ekonomi. Selain itu, standard error untuk seluruh variabel paling rendah, menunjukkan bahwa model ini mampu merepresentasikan hubungan variabel independen dengan PDRB per kapita dan mampu menangani pengaruh outlier serta heteroskedastisitas. Berdasarkan uji parsial, variabel yang berpengaruh signifikan terhadap PDRB per kapita adalah produktivitas tenaga kerja, sementara variabel PMDN, pengeluaran per kapita, dan ekspor tidak signifikan. Pada model Tukey, impor juga menunjukkan signifikansi, menandakan bahwa selain produktivitas, kontribusi impor terhadap PDRB dapat relevan setelah menyesuaikan pengaruh outlier dan heteroskedastisitas.

Model Regresi terbaik yang diperoleh adalah