Link Dashboard Interaktif

Abstrak

Pertumbuhan ekonomi daerah menjadi salah satu indikator penting dalam menilai keberhasilan pembangunan nasional. Penelitian ini bertujuan untuk menganalisis pengaruh investasi dan sektor industri terhadap Produk Domestik Regional Bruto (PDRB) antarprovinsi di Indonesia dengan mempertimbangkan efek spasial antarwilayah. Analisis dilakukan menggunakan pendekatan ekonometrika spasial yang meliputi model Ordinary Least Squares (OLS), Spatial Autoregressive Model (SAR), Spatial Error Model (SEM), Spatial Durbin Model (SDM), dan Spatial Autocorrelation Model (SAC).

Hasil estimasi menunjukkan bahwa investasi berpengaruh positif dan signifikan terhadap PDRB, sedangkan sektor industri juga memberikan pengaruh positif terhadap pertumbuhan ekonomi daerah. Model OLS awal mengindikasikan adanya autokorelasi spasial berdasarkan uji Moran’s I, sehingga model spasial diterapkan untuk menangkap pengaruh antarwilayah. Model SAR menunjukkan nilai koefisien spasial (ρ) sebesar 0,201 yang signifikan, menandakan adanya keterkaitan ekonomi positif antarprovinsi. Artinya, peningkatan PDRB di suatu provinsi cenderung diikuti oleh peningkatan PDRB di provinsi sekitarnya melalui efek spillover ekonomi.

Temuan ini menegaskan bahwa pertumbuhan ekonomi regional di Indonesia tidak hanya dipengaruhi oleh faktor internal wilayah, tetapi juga oleh interaksi spasial dengan daerah sekitar. Oleh karena itu, kebijakan pembangunan ekonomi sebaiknya dirancang secara terintegrasi antarwilayah untuk mengoptimalkan penyebaran manfaat pertumbuhan dan mengurangi kesenjangan ekonomi regional.

Kata kunci: pertumbuhan ekonomi, PDRB, investasi, industri, ekonometrika spasial

BAB 1 - PENDAHULUAN

1.1 Latar Belakang Masalah

Pertumbuhan ekonomi merupakan indikator utama keberhasilan pembangunan daerah yang diukur melalui Produk Domestik Regional Bruto (PDRB). PDRB menggambarkan nilai total barang dan jasa yang dihasilkan oleh suatu wilayah dalam periode tertentu, sehingga menjadi dasar penting dalam mengevaluasi kinerja pembangunan, menentukan kebijakan ekonomi, dan mengukur tingkat kesejahteraan masyarakat. Tingginya nilai PDRB menunjukkan meningkatnya aktivitas ekonomi dan kapasitas produksi suatu daerah.

Di Indonesia, perkembangan ekonomi antarprovinsi menunjukkan ketimpangan yang cukup signifikan. Provinsi-provinsi di Pulau Jawa, seperti DKI Jakarta, Jawa Barat, dan Jawa Timur, memiliki kontribusi terbesar terhadap total PDB nasional, sedangkan provinsi di kawasan timur Indonesia seperti Maluku dan Papua relatif tertinggal. Ketimpangan ini mencerminkan adanya perbedaan dalam struktur ekonomi, kualitas infrastruktur, ketersediaan sumber daya manusia, serta tingkat investasi dan industrialisasi.

Investasi memiliki peran strategis dalam mendorong pertumbuhan ekonomi daerah melalui peningkatan kapasitas produksi, penciptaan lapangan kerja, dan penyerapan teknologi baru. Sementara itu, sektor industri menjadi penggerak utama dalam menciptakan nilai tambah ekonomi dan meningkatkan daya saing wilayah. Kombinasi antara investasi yang produktif dan pertumbuhan sektor industri yang kuat berpotensi mempercepat pertumbuhan ekonomi suatu daerah.

Namun, aktivitas ekonomi antarwilayah tidak bersifat independen. Adanya keterkaitan geografis menyebabkan pertumbuhan ekonomi di suatu provinsi dapat memengaruhi wilayah lain melalui mekanisme spillover effect, seperti arus perdagangan antarwilayah, mobilitas tenaga kerja, distribusi investasi, serta integrasi rantai pasok industri. Oleh karena itu, pendekatan ekonometrika konvensional seperti Ordinary Least Squares (OLS) sering kali kurang mampu menangkap hubungan spasial tersebut. Analisis spasial menjadi penting untuk mengidentifikasi pola keterkaitan antarwilayah dan memahami bagaimana interaksi tersebut memengaruhi kinerja ekonomi daerah.

Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk menganalisis pengaruh investasi dan industri terhadap PDRB antarprovinsi di Indonesia dengan mempertimbangkan efek spasial menggunakan pendekatan spatial econometrics. Pendekatan ini diharapkan dapat memberikan pemahaman yang lebih komprehensif mengenai hubungan antarwilayah dalam pertumbuhan ekonomi serta menjadi dasar bagi perumusan kebijakan pembangunan regional yang lebih efektif dan merata.

1.2 Identifikasi Masalah

Berdasarkan uraian latar belakang tersebut, dapat diidentifikasi beberapa permasalahan sebagai berikut:

  1. Adanya variasi nilai PDRB antarprovinsi di Indonesia yang menunjukkan ketimpangan pertumbuhan ekonomi daerah.

  2. Terdapat perbedaan tingkat realisasi investasi Penanaman Modal Luar Negeri (PMLN) antarprovinsi yang diduga memengaruhi PDRB secara spasial.

  3. Jumlah perusahaan industri skala mikro dan kecil yang berbeda antarprovinsi juga dapat berpengaruh terhadap tingkat PDRB.

  4. Belum diketahui secara pasti bagaimana hubungan spasial antara investasi, industri, dan PDRB di setiap provinsi di Indonesia.

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk:

  1. Mendeskripsikan pola distribusi spasial dari variabel investasi, industri, dan PDRB di Indonesia.

  2. Mengidentifikasi adanya autokorelasi spasial antarprovinsi.

  3. Menganalisis pengaruh investasi dan industri terhadap PDRB dengan pendekatan spatial econometrics.

  4. Menentukan model spasial terbaik yang mampu menggambarkan hubungan antarvariabel secara signifikan.

1.4 Batasan Penelitian

Untuk menjaga fokus penelitian, batasan penelitian ini adalah sebagai berikut:

  1. Unit analisis yang digunakan adalah provinsi di Indonesia.

  2. Variabel yang digunakan meliputi:

    • Y (PDRB): Produk Domestik Regional Bruto atas dasar harga berlaku per provinsi.

    • X1 (Jumlah Investasi Asing): Realisasi investasi Penanaman Modal Luar Negeri (PMLN).

    • X2 (Jumlah Industri Mikro-Kecil): Jumlah perusahaan industri skala mikro dan kecil.

  3. Data yang digunakan merupakan data cross-section dengan sumber utama dari Badan Pusat Statistik (BPS).

  4. Model spasial yang digunakan mencakup uji autokorelasi spasial (Moran’s I) dan model ekonometrika spasial.

BAB 2- TINJAUAN PUSTAKA

2.1 Landasan Teori

2.1.1 Produk Domestik Regional Bruto (PDRB)

Produk Domestik Regional Bruto (PDRB) merupakan indikator utama yang mencerminkan kinerja ekonomi suatu wilayah. PDRB mengukur nilai tambah yang dihasilkan oleh seluruh unit usaha dalam periode tertentu, baik atas dasar harga berlaku (ADHB) maupun harga konstan (ADHK). Nilai PDRB dipengaruhi oleh faktor-faktor ekonomi seperti investasi, tenaga kerja, dan produktivitas, serta dapat menunjukkan keterkaitan spasial antarwilayah melalui interaksi ekonomi regional.

2.1.2 Investasi

Investasi, khususnya Penanaman Modal Luar Negeri (PMA), memiliki peranan strategis dalam mendorong pertumbuhan ekonomi daerah melalui peningkatan kapasitas produksi dan penciptaan lapangan kerja. Hubungan antara investasi dan PDRB pada umumnya bersifat positif, meskipun tingkat efektivitasnya bergantung pada efisiensi pemanfaatan modal dan kondisi infrastruktur daerah. Selain itu, investasi dapat menimbulkan efek limpahan (spillover) yang memengaruhi aktivitas ekonomi wilayah sekitarnya.

2.1.3 Industri Skala Mikro

Industri skala mikro berperan penting dalam memperkuat struktur ekonomi daerah melalui penyediaan lapangan kerja dan peningkatan kesejahteraan masyarakat. Sektor ini mencerminkan aktivitas ekonomi produktif pada tingkat lokal, di mana peningkatan jumlah unit usaha mikro dapat berkontribusi terhadap pertumbuhan PDRB. Dalam konteks spasial, industri mikro juga berpotensi membentuk kluster ekonomi lokal yang memperkuat keterkaitan antarwilayah secara ekonomi dan sosial.

2.1.4 Analisis Spasial

Analisis spasial merupakan pendekatan yang memperhitungkan pengaruh lokasi geografis dan keterkaitan antarwilayah dalam suatu fenomena. Berdasarkan Hukum Geografi Pertama Tobler, “Everything is related to everything else, but near things are more related than distant things,” wilayah yang berdekatan cenderung memiliki karakteristik serupa, yang disebut autokorelasi spasial. Kondisi ini mencerminkan adanya spatial dependence, yaitu ketergantungan suatu wilayah terhadap kondisi wilayah lain di sekitarnya, di mana nilai suatu variabel di satu lokasi dipengaruhi oleh nilai variabel yang sama di lokasi-lokasi berdekatan.

2.1.5 Autokorelasi Spasial

Autokorelasi spasial menggambarkan hubungan statistik antarwilayah berdasarkan kedekatan geografis, di mana wilayah yang berdekatan cenderung memiliki karakteristik serupa (autokorelasi positif) atau berbeda (autokorelasi negatif) (Cliff & Ord, 1981).

Secara umum, autokorelasi spasial dibagi menjadi dua:

  1. Autokorelasi Global – mengukur pola spasial secara keseluruhan menggunakan indeks Moran’s I dan Geary’s C.

    • Moran’s I mendeteksi arah dan kekuatan hubungan spasial (positif, negatif, atau acak).

    • Geary’s C lebih sensitif terhadap perbedaan lokal antarwilayah; nilai mendekati 0 menunjukkan autokorelasi positif kuat, sedangkan mendekati 2 menunjukkan negatif.

  2. Autokorelasi Lokal (LISA) – mengidentifikasi klaster atau anomali lokal, seperti kelompok nilai tinggi (High-High), rendah (Low-Low), serta pola campuran (High-Low, Low-High).

2.1.6 Model Ordinary Least Squares

Model OLS digunakan sebagai pendekatan dasar sebelum mempertimbangkan komponen spasial. Model ini mengasumsikan bahwa antarobservasi bersifat independen, sehingga hubungan antara variabel dependen dan independen dapat dijelaskan melalui persamaan linear klasik :

\[ y = X\beta + \varepsilon \]

dengan \(y\) adalah vektor variabel dependen (misalnya PDRB per provinsi), \(X\) matriks variabel independen, \(\beta\) parameter yang diestimasi, dan \(\varepsilon\) adalah komponen error yang diasumsikan berdistribusi normal dengan varian homogen dan tanpa autokorelasi spasial. Namun, jika terdapat korelasi spasial antarwilayah, maka model OLS tidak lagi menghasilkan estimasi BLUE (Best Linear Unbiased Estimator).

2.1.7 Model Ekonometrika Spasial

Model ekonometrika spasial merupakan pengembangan dari regresi linier klasik yang memasukkan unsur ketergantungan antarwilayah. Beberapa model yang umum digunakan antara lain:

  1. Spatial Autoregressive Model (SAR)
    Model SAR mengasumsikan bahwa variabel dependen di suatu wilayah dipengaruhi oleh nilai variabel dependen di wilayah lain yang berdekatan.

  2. Spatial Error Model (SEM)
    Model SEM digunakan ketika hubungan spasial terjadi pada komponen error, bukan pada variabel dependen.

  3. Spatial Durbin Model (SDM)
    Model SDM menggabungkan unsur SAR dan SEM, di mana variabel independen juga dipengaruhi oleh tetangga spasialnya.

  4. Spatial Autocorrelation Model (SAC)
    Model SAC yang menggabungkan ketergantungan spasial pada variabel dependen dan ketergantungan spasial pada eror

BAB 3 - METODOLOGI PENELITIAN

3.1 Jenis dan Pendekatan Penelitian

Penelitian ini merupakan penelitian kuantitatif dengan pendekatan analisis ekonometrika spasial. Pendekatan ini digunakan karena mempertimbangkan adanya keterkaitan antarwilayah (spatial dependence) yang dapat memengaruhi hubungan antarvariabel ekonomi provinsi di Indonesia. Pendekatan ini memungkinkan analisis pengaruh langsung (direct effect) dan tidak langsung (indirect effect) melalui mekanisme efek limpahan (spillover effect).

3.2 Lokasi dan Cakupan Penelitian

Penelitian dilakukan pada seluruh provinsi di Indonesia dengan menggunakan data sekunder dari Badan Pusat Statistik (BPS).
Cakupan analisis bersifat lintas ruang (cross-sectional), di mana unit analisis adalah provinsi. Data diambil pada tahun yang sama agar hasil perbandingan antarprovinsi valid.

3.3 Sumber dan Jenis Data

Data yang digunakan bersifat kuantitatif sekunder dan diperoleh dari situs resmi BPS melalui tabel statistik berikut:

Variabel Keterangan Sumber Data Satuan
Y (PDRB) Produk Domestik Regional Bruto atas dasar harga berlaku BPS: PDRB menurut pengeluaran Juta Rupiah
X1 (Investasi) Realisasi Penanaman Modal Luar Negeri (PMA) BPS: Realisasi Investasi PMA Menurut Provinsi Juta USD
X2 (Industri Mikro) Jumlah Perusahaan Industri Skala Mikro BPS: Jumlah Industri Mikro Menurut Provinsi Unit Usaha

3.4 Metode Analisis Data

Metode analisis dilakukan dalam beberapa tahapan utama sebagai berikut:

  1. Analisis Deskriptif Spasial
    • Menyajikan peta tematik (choropleth map) untuk menggambarkan persebaran PDRB, IPM, dan TPAK antarprovinsi.
    • Tujuannya untuk melihat adanya pola spasial atau ketimpangan wilayah secara visual.
  2. Uji Autokorelasi Spasial Global dan Lokal

    • Dilakukan menggunakan Moran’s I dan Geary’s C untuk autokorelasi global.

      Moran’s I:

      \[ I = \frac{n}{\sum_i \sum_j w_{ij}} \cdot \frac{\sum_i \sum_j w_{ij}(x_i - \bar{x})(x_j - \bar{x})} {\sum_i (x_i - \bar{x})^2} \]

      Keterangan:

      • \(I > 0\): Autokorelasi positif (wilayah berdekatan memiliki nilai serupa).
      • \(I < 0\): Autokorelasi negatif (wilayah berdekatan memiliki nilai berlawanan).
      • \(I \approx 0\): Tidak ada pola spasial (acak).

      Geary’s C:

      \[ C = \frac{(n-1)}{2\sum_i \sum_j w_{ij}} \cdot \frac{\sum_i \sum_j w_{ij}(x_i - x_j)^2} {\sum_i (x_i - \bar{x})^2} \]

      Keterangan:

      • \(C < 1\): Autokorelasi positif.
      • \(C > 1\): Autokorelasi negatif.
      • \(C \approx 1\): Tidak ada autokorelasi spasial.

    • Untuk autokorelasi local menggunakan LISA

      \[ I_i = (x_i - \bar{x}) \sum_j w_{ij}(x_j - \bar{x}) \]

      Interpretasi:

      • \(I_i > 0\): Klaster serupa (High-High atau Low-Low).
      • \(I_i < 0\): Hubungan berlawanan (High-Low atau Low-High).

    • Matriks pembobot spasial \(W\) dibangun berdasarkan queen contiguity, di mana dua wilayah dianggap bertetangga apabila memiliki batas bersentuhan.

  3. Pemodelan Ekonometrika Spasial
    • Setelah diketahui adanya autokorelasi, model yang diestimasi meliputi:

      • Spatial Lag Model (SAR)

        \[ Y = \rho W Y + X\beta + \varepsilon \]

        Keterangan:

        • \(Y\): Vektor variabel dependen
        • \(X\): Matriks variabel independen
        • \(W\): Matriks bobot spasial
        • \(\rho\): Koefisien autokorelasi spasial pada variabel dependen
        • \(\varepsilon\): Error term

      • Spatial Error Model (SEM)

        \[ Y = X\beta + u, \quad u = \lambda W u + \varepsilon \]

        Keterangan:

        • \(\lambda\): Koefisien autokorelasi spasial pada error
        • \(\varepsilon\): Komponen error acak
        • Ketergantungan spasial dalam error menunjukkan bahwa faktor-faktor yang tidak teramati di suatu wilayah dapat memengaruhi wilayah sekitarnya.

      • Spatial Durbin Model (SDM)

        \[ Y = \rho W Y + X\beta + W X \theta + \varepsilon \]

        Keterangan:

        • \(W X \theta\): Efek spasial dari variabel independen di wilayah sekitar
        • Model ini dapat merepresentasikan spillover effects, di mana perubahan variabel independen di satu wilayah memengaruhi hasil di wilayah lain.

      • Spatial Autocorrelation Combined (SAC)

        Model SAC (Spatial Autocorrelation Combined) merupakan gabungan antara pendekatan Spatial Lag Model (SAR) dan Spatial Error Model (SEM).
        Model ini digunakan ketika terdapat dependensi spasial baik pada variabel dependen maupun pada komponen error.

        Persamaan model

        \[ Y = \rho W Y + X\beta + u, \quad \text{dengan } u = \lambda W u + \varepsilon \]

        Keterangan

        • \(Y\) : Variabel dependen
        • \(X\) : Variabel independen
        • \(W\) : Matriks bobot spasial (spatial weights matrix)
        • \(\rho\) : Koefisien spatial lag, menunjukkan pengaruh \(Y\) di wilayah tetangga terhadap wilayah tertentu
        • \(\lambda\) : Koefisien spatial error, menunjukkan adanya autokorelasi spasial pada residual
        • \(\varepsilon\) : Komponen error acak yang bersifat iid (independent and identically distributed)
  4. Pemilihan Model Terbaik
    • Dilakukan menggunakan Lagrange Multiplier (LM) test, Likelihood Ratio (LR) test, serta kriteria Akaike Information Criterion (AIC).
    • Model dengan nilai AIC terkecil dan hasil uji yang signifikan akan dipilih sebagai model terbaik.
  5. Interpretasi Efek Langsung dan Tidak Langsung
    • Menggunakan fungsi impacts() untuk memisahkan efek langsung (dalam wilayah) dan efek tidak langsung (spillover) antarwilayah.

Metode ini dipilih karena mampu menangkap hubungan spasial simultan, serta memberikan pemahaman mendalam mengenai pengaruh pembangunan manusia dan tenaga kerja terhadap pertumbuhan ekonomi lintas wilayah.

3.5 Alur Kerja Penelitian

Alur kerja penelitian ini dapat dijabarkan sebagai berikut:

  1. Pengumpulan Data
    • Mengunduh data PDRB, Industri Mikro dan Kecil (IMK), dan Penanaman Modal Asing (PMA) dari Badan Pusat Statistik (BPS), serta shapefile batas administrasi provinsi di Indonesia.
  2. Pengolahan Data Awal
    • Melakukan pembersihan data (data cleaning), menyesuaikan kode dan nama provinsi, serta menggabungkan data numerik dengan data spasial melalui proses spatial join untuk membentuk spatial dataframe.
  3. Eksplorasi dan Visualisasi Deskriptif
    • Menyajikan peta tematik (choropleth map) dan analisis statistik deskriptif guna mengamati pola persebaran PDRB, IMK, dan PMA antarprovinsi serta mengidentifikasi potensi ketimpangan wilayah.
  4. Uji Autokorelasi Spasial (Moran’s I dan LISA)
    • Menguji adanya keterkaitan spasial global dan lokal antarprovinsi dengan menggunakan Moran’s I dan Local Indicators of Spatial Association (LISA) untuk memastikan relevansi penerapan model spasial.
  5. Estimasi Model Ekonometrika Spasial (SAR, SEM, SDM, SAC, GNS)
    • Melakukan estimasi terhadap model Spatial Autoregressive (SAR), Spatial Error (SEM), Spatial Durbin (SDM), dan Spatial Autocorrelation (SAC) guna mengidentifikasi pengaruh IMK dan PMA terhadap PDRB antarprovinsi.
  6. Pemilihan Model Terbaik dan Interpretasi Hasil
    • Membandingkan hasil estimasi model menggunakan Akaike Information Criterion (AIC), serta menginterpretasikan efek langsung (direct effect) dan tidak langsung (spillover effect).
  7. Penyusunan Kesimpulan dan Rekomendasi Kebijakan
    • Merumuskan kesimpulan dari hasil analisis serta menyusun rekomendasi kebijakan terkait penguatan sektor industri mikro-kecil dan optimalisasi investasi asing dalam mendorong pertumbuhan ekonomi berbasis spasial.

Secara keseluruhan, diagram alur kerja penelitian ini dapat dilihat pada Gambar berikut.

## Warning: package 'DiagrammeR' was built under R version 4.3.3

BAB 4 - HASIL dan PEMBAHASAN

4.1 Peta Deskriptif

Visualisasi spasial dilakukan untuk memperlihatkan distribusi PDRB antarprovinsi di Indonesia. Peta tematik (choropleth map) digunakan agar perbedaan intensitas nilai antarwilayah terlihat jelas. Warna yang lebih gelap menandakan nilai PDRB yang lebih tinggi, sedangkan warna terang menunjukkan nilai yang lebih rendah.

Peta persebaran PDRB menunjukkan adanya ketimpangan spasial antarprovinsi di Indonesia. Nilai PDRB tertinggi terkonsentrasi di wilayah barat, khususnya Pulau Jawa, sedangkan wilayah timur seperti Maluku dan Papua menunjukkan nilai yang relatif rendah. Pola ini menegaskan konsentrasi aktivitas ekonomi di pusat pertumbuhan nasional serta indikasi adanya autokorelasi spasial positif antarwilayah.

4.3 Uji Autokorelasi Spasial

Uji autokorelasi spasial dilakukan untuk mengetahui apakah terdapat keterkaitan atau kemiripan nilai PDRB antarprovinsi yang berdekatan secara geografis. Dua statistik utama yang digunakan dalam penelitian ini adalah Moran’s I dan Geary’s C, yang keduanya mengukur sejauh mana distribusi spasial suatu variabel membentuk pola tertentu (acak, mengelompok, atau menyebar).

4.3.1 Uji Global - Moran’s I dan Geary’s C

Tabel Hasil Uji Autokorelasi Spasial

Statistik Uji Nilai Statistik Ekspektasi Variansi Z-Score p-value
Moran’s I 0.495 -0.034 0.027 3.213 0.00066
Geary’s C 0.409 1.000 0.035 3.142 0.00084

Interpretasi

Nilai Moran’s I sebesar 0.495 (p-value < 0.01) menunjukkan adanya autokorelasi spasial positif yang signifikan pada distribusi PDRB antarprovinsi. Hasil Geary’s C sebesar 0.409 memperkuat temuan ini dengan menunjukkan adanya pola pengelompokan wilayah (spatial clustering). Dengan demikian, distribusi PDRB tidak bersifat acak, sehingga penggunaan model ekonometrika spasial relevan untuk analisis hubungan antara PDRB, investasi, dan industri.

4.3.2 Uji Lokal - Local Moran’s I (LISA)*

Setelah diperoleh hasil bahwa PDRB memiliki autokorelasi spasial global yang signifikan, analisis dilanjutkan dengan Local Indicators of Spatial Association (LISA) untuk mengidentifikasi pola spasial lokal. Analisis LISA berguna untuk mengetahui provinsi mana yang termasuk dalam kelompok High-High (HH), Low-Low (LL), High-Low (HL), dan Low-High (LH), berdasarkan nilai PDRB dan tetangga geografisnya.

Tabel Klasifikasi Pola LISA

Kategori Deskripsi Interpretasi Spasial
High-High (HH) Provinsi dengan PDRB tinggi dikelilingi oleh provinsi dengan PDRB tinggi Klaster wilayah maju
Low-Low (LL) Provinsi dengan PDRB rendah dikelilingi oleh provinsi dengan PDRB rendah Klaster wilayah tertinggal
High-Low (HL) Provinsi dengan PDRB tinggi tetapi dikelilingi oleh provinsi dengan PDRB rendah Outlier ekonomi tinggi
Low-High (LH) Provinsi dengan PDRB rendah tetapi dikelilingi oleh provinsi dengan PDRB tinggi Outlier ekonomi rendah

Hasil uji Local Moran’s I (LISA) menunjukkan adanya pola spasial yang jelas pada PDRB antarprovinsi. Wilayah Pulau Jawa membentuk klaster High-High, menandakan konsentrasi ekonomi tinggi, sedangkan Indonesia bagian timur cenderung Low-Low, menunjukkan PDRB rendah yang saling berdekatan. Hal ini mencerminkan adanya ketimpangan spasial ekonomi antarwilayah di Indonesia.

4.4 Estimasi Model

Analisis ini bertujuan untuk mengestimasi pengaruh Investasi dan Industri terhadap Produk Domestik Regional Bruto (PDRB) antarprovinsi di Indonesia dengan mempertimbangkan adanya efek spasial. Lima model digunakan dalam analisis ini, yaitu Model OLS, SAR (Spatial Autoregressive Model), SEM (Spatial Error Model), dan SDM (Spatial Durbin Model).

4.4.1 Permodelan OLS

Tabel Estimasi Model OLS

Variabel Koefisien (Estimate) Standar Error p-Value Keterangan
(Intercept) 87,950.00 118,400.00 0.463 Tidak signifikan
Investasi (X₁) 168.70 40.13 0.000207 Signifikan (p < 0.001)
Industri (X₂) 2.026 0.4584 0.000113 Signifikan (p < 0.001)

Secara parsial, kedua variabel independen berpengaruh positif dan signifikan terhadap PDRB. Variabel Investasi (X₁) memiliki koefisien sebesar 168,70 dengan p-value 0,000207, menunjukkan bahwa peningkatan investasi berkontribusi nyata terhadap pertumbuhan ekonomi regional. Sementara itu, variabel Industri (X₂) dengan koefisien 2,026 dan p-value 0,000113 juga signifikan pada taraf 1%, menandakan bahwa perkembangan sektor industri turut mendorong peningkatan PDRB antarprovinsi di Indonesia. Secara keseluruhan, model OLS signifikan pada taraf kepercayaan 99%, dengan nilai R-squared sebesar 0,6582, yang berarti sekitar 65,82% variasi PDRB dapat dijelaskan oleh kedua variabel tersebut.

Persamaan Model :

\[ \hat{y} = 87{,}950 + 2.026X_{1} + 168.7X_{2} + e \] Uji Diagnostik OLS

Jenis Uji Asumsi Statistik Uji (χ² / BP / VIF) df p-Value Keterangan
Uji Normalitas (Jarque–Bera) 94.07 2 < 2.2e-16 Residual tidak berdistribusi normal
Uji Heteroskedastisitas (Breusch–Pagan) 14.73 2 0.0006332 Terdapat indikasi heteroskedastisitas
Uji Multikolinearitas (VIF)

Investasi = 1.1656

Industri = 1.1656

 – – Tidak terjadi multikolinearitas (VIF < 10)

Hasil Jarque-Bera test menunjukkan nilai X-squared sebesar 94.07 dengan p-value < 0.05, menandakan bahwa residual tidak berdistribusi normal, sehingga asumsi normalitas belum terpenuhi sepenuhnya. Namun, model masih dapat digunakan sebagai dasar sebelum dilakukan analisis spasial lanjutan. Uji Breusch-Pagan menghasilkan BP = 14.73 dengan p-value 0.0006332, yang mengindikasikan adanya heteroskedastisitas atau ketidakkonstanan varians error antarobservasi. Sementara itu, nilai VIF untuk variabel Investasi dan Industri sebesar 1.1656 (<10), menunjukkan tidak adanya multikolinearitas, sehingga kedua variabel independen dapat digunakan secara bersamaan dalam model.

Pengujian Asumsi Indepedensi Spasial

Menggunakan uji moran’s I pada residual model OLS diperoleh :

Statistik Uji Nilai Ekspektasi Varians p-value Keterangan
Moran’s I -0.0515 -0.0345 0.0227 0.545 Tidak terdapat autokorelasi spasial pada residual

Nilai Moran’s I sebesar -0.0515 dengan p-value 0.545 (> 0.05) menunjukkan bahwa residual model OLS tidak memiliki autokorelasi spasial yang signifikan. Artinya, pola penyebaran error antarprovinsi bersifat acak dan tidak menunjukkan keterkaitan spasial. Dengan demikian, asumsi independensi spasial terpenuhi sehingga model OLS dapat dikatakan cukup stabil secara statistik.

Namun demikian, pendekatan ekonometrika spasial tetap dipilih untuk dianalisis lebih lanjut karena hasil uji Moran’s I pada variabel dependen (PDRB) sebelum pemodelan menunjukkan adanya autokorelasi spasial yang signifikan. Hal ini mengindikasikan bahwa fenomena ekonomi antarwilayah memiliki keterkaitan geografis misalnya efek spillover antarprovinsi dalam aktivitas ekonomi. Oleh karena itu, penerapan model spasial seperti SAR, SEM, SDM, tetap relevan untuk mengidentifikasi dan mengukur pengaruh spasial yang tidak dapat ditangkap sepenuhnya oleh model OLS biasa.

4.1.2 Estimasi Model Ekonometrika

Ringkasan hasil estimasi dari masing-masing model disajikan pada tabel berikut.

Model Intercept Investasi (β₁) Industri (β₂) Rho (ρ) Lambda (λ) AIC
SAR 22,619 151.67* 1.71* 0.202 – 999.40
SEM 78,878 174.41* 2.03* – -0.070 1001.79
SDM -24,960 153.89* 1.50* 0.001 – 1000.90
SAC -8,094 151.12* 1.50* 0.292* -0.299 999.48

Keterangan:
- Nilai ρ (Rho) menunjukkan adanya efek spasial lag antarprovinsi.
- Nilai λ (Lambda) mengindikasikan adanya autokorelasi spasial pada komponen error.
- Nilai LogLik digunakan untuk melihat kelayakan model, sedangkan perbandingan model akan dibahas pada subbab berikutnya.

4.4.2 Interpretasi Hasil

Berdasarkan hasil estimasi model spasial pada tabel di atas, seluruh model menunjukkan bahwa Investasi (β₁) dan Industri (β₂) berpengaruh positif dan signifikan terhadap PDRB antarprovinsi di Indonesia. Artinya, peningkatan investasi dan perkembangan sektor industri di suatu wilayah berkontribusi nyata terhadap pertumbuhan ekonomi regional.

  • Model SAR memiliki nilai ρ sebesar 0.202, menandakan adanya efek spasial positif, di mana peningkatan PDRB di suatu provinsi cenderung diikuti peningkatan di wilayah sekitarnya.

  • Model SEM menunjukkan parameter λ sebesar −0.070, yang mengindikasikan adanya autokorelasi spasial pada error, meskipun pengaruhnya relatif kecil.

  • Model SDM menunjukkan nilai ρ yang sangat rendah (0.001), menandakan bahwa pengaruh spasial langsung relatif lemah, namun variabel investasi dan industri tetap signifikan.

  • Model SAC, dengan ρ = 0.292 dan λ = −0.299, memperlihatkan bahwa baik efek spasial pada variabel dependen maupun error berperan dalam menjelaskan variasi PDRB antarwilayah.

Secara keseluruhan, hasil ini menegaskan bahwa model SAR dan SAC lebih mampu menangkap dependensi spasial positif antarprovinsi, di mana wilayah dengan PDRB tinggi cenderung berdekatan dengan wilayah lain yang juga memiliki PDRB tinggi.

4.5 Perbandingan Model

Perbandingan antar model dilakukan untuk menentukan model spasial yang paling sesuai dalam menjelaskan variasi PDRB antarprovinsi di Indonesia. Kriteria yang digunakan adalah nilai Akaike Information Criterion (AIC) dan Log Likelihood (LogLik), di mana model terbaik memiliki nilai AIC terkecil dan LogLik terbesar.

4.5.1 Hasil Perbandingan Model

Model AIC
SAR 999.40
SAC 999.48
SDM 1000.90
SEM 1001.79
OLS 999.91

4.5.2 Analisis Perbandingan

Dari tabel di atas, model SAR memiliki nilai AIC terendah (999.40) yang menunjukkan bahwa model ini memberikan keseimbangan terbaik antara ketepatan estimasi dan kompleksitas model.

4.6 Interpretasi Hasil Model Terbaik SAR

Berdasarkan hasil perbandingan model pada subbab sebelumnya, model Spatial Autoregressive (SAR) dipilih sebagai model terbaik karena memiliki nilai AIC terendah (999.40) dan pengaruh spasial (ρ) yang signifikan. Model ini memperhitungkan hubungan spasial antarwilayah, sehingga nilai PDRB di suatu provinsi tidak hanya dipengaruhi oleh faktor internal (Investasi dan Industri) tetapi juga oleh nilai PDRB dari provinsi-provinsi yang berdekatan.

4.6.1 Hasil Estimasi Model SAR

Variabel Koefisien (Estimate) Std. Error z-value p-value Keterangan
(Intercept) 22,619.00 108,180.00 0.21 0.834 Tidak signifikan
Investasi 151.67 37.92 4.00 0.00006 Signifikan positif
Industri 1.71 0.459 3.73 0.00019 Signifikan positif
ρ (Rho) 0.2018 0.122 1.65 0.099 Efek spasial lemah (tidak signifikan)

4.6.2 Analisis Hasil

Berdasarkan hasil uji Moran’s I terhadap residual model Spatial Autoregressive (SAR) diperoleh nilai Moran’s I statistic sebesar -0.1836 dengan p-value sebesar 0.8299. Nilai ini menunjukkan bahwa tidak terdapat autokorelasi spasial yang signifikan pada residual model SAR. Dengan kata lain, pola spasial pada variabel dependen (PDRB) telah berhasil dijelaskan oleh model, sehingga sisa kesalahan (error) tidak lagi memiliki keterkaitan spasial antarwilayah. Hasil ini menegaskan bahwa model SAR yang digunakan sudah cukup efektif dalam mengakomodasi efek spasial dalam data.

BAB 5 - KESIMPULAN dan SARAN

5.1 Kesimpulan

Penelitian ini bertujuan untuk menganalisis pengaruh Investasi dan Industri terhadap PDRB antarprovinsi di Indonesia dengan mempertimbangkan adanya keterkaitan spasial antarwilayah. Hasil estimasi model OLS menunjukkan bahwa kedua variabel tersebut berpengaruh signifikan terhadap PDRB, namun belum memperhitungkan pengaruh spasial. Uji Moran’s I awal menunjukkan adanya autokorelasi spasial pada data, sehingga diperlukan pendekatan ekonometrika spasial.

Melalui pemodelan Spatial Autoregressive (SAR), diperoleh bahwa koefisien spasial ρ=0.201 dengan p-value 0.099, yang mengindikasikan adanya efek spasial positif antarprovinsi — meskipun tingkat signifikansinya sedang. Artinya, peningkatan PDRB di suatu provinsi cenderung diikuti oleh peningkatan PDRB di provinsi sekitar. Selain itu, variabel Investasi dan Industri tetap berpengaruh positif signifikan terhadap PDRB setelah mempertimbangkan faktor spasial.

Uji Moran’s I pada residual SAR menunjukkan tidak adanya autokorelasi spasial yang tersisa, menandakan bahwa model ini telah berhasil menangkap seluruh pola ketergantungan spasial dalam data. Dengan demikian, model SAR dapat dinyatakan sebagai model yang paling sesuai untuk menggambarkan hubungan spasial antara Investasi, Industri, dan PDRB antarprovinsi di Indonesia.

5.2 Alasan Pemilihan Model SAR

Model SAR dinilai paling tepat karena mampu menangkap keterkaitan spasial antarwilayah yang tidak dapat dijelaskan oleh model regresi klasik. Dalam konteks ekonomi regional, aktivitas ekonomi suatu provinsi dipengaruhi oleh wilayah sekitarnya melalui arus barang, tenaga kerja, dan investasi (LeSage & Pace, 2009). Fenomena spatial spillover effect ini menunjukkan bahwa pertumbuhan ekonomi di wilayah maju dapat mendorong wilayah berdekatan (Anselin, 1995). Dengan memasukkan komponen spatial lag (ρWY), model SAR secara efektif menjelaskan pengaruh simultan antara PDRB suatu provinsi dan rata-rata PDRB tetangganya, sehingga menjadi model yang paling realistis dan kuat dalam menggambarkan dinamika spasial ekonomi Indonesia (Elhorst, 2014; LeSage, 2014).

5.3 Saran

  1. Bagi Peneliti Selanjutnya:
    Disarankan untuk mengembangkan model dengan menambahkan variabel lain yang memiliki efek spasial, seperti tenaga kerja, infrastruktur, ekspor, atau indeks konektivitas antarwilayah. Selain itu, penggunaan data panel spasial akan memberikan gambaran lebih dinamis terhadap perubahan PDRB antarwaktu.

  2. Bagi Pemerintah dan Pembuat Kebijakan:
    Hasil penelitian ini menegaskan pentingnya penerapan kebijakan pembangunan lintas wilayah (interregional policy) yang memperhatikan keterkaitan spasial antarprovinsi. Peningkatan investasi di satu provinsi hendaknya diiringi upaya memperkuat jaringan ekonomi dan infrastruktur di wilayah sekitarnya agar tercipta efek pengganda regional (regional multiplier effect) yang lebih merata.

  3. Bagi Praktisi Ekonomi dan Perencana Pembangunan:
    Model SAR dapat dijadikan alat bantu analisis dalam perencanaan pembangunan berbasis spasial, khususnya untuk mengidentifikasi wilayah prioritas yang berpotensi menimbulkan efek limpahan positif terhadap daerah tetangga.

Daftar Pustaka

Cliff, A. D., & Ord, J. K. (1981). Spatial autocorrelation. Pion.

Dama, H. Y. (2016). Pengaruh Produk Domestik Regional Bruto (PDRB) terhadap tingkat kemiskinan di Kota Manado (2005-2014). Jurnal Ekonomi Pembangunan, 16(3).

INSEE. (n.d.). Spatial econometrics - common models. Retrieved from https://www.insee.fr/en/statistiques/fichier/3635545/imet131-j-chapitre-6.pdf

Lesage, J., & Pace, R. K. (2009). Introduction to spatial econometrics. CRC Press.

Long, J. A. (1997). Global Moran’s I and Global Geary’s C. Northern Kentucky University. Retrieved from https://www.nku.edu/~longa/geomed/ppa/doc/globals/Globals.htm

Maichal, M. (2024). The influence of gross regional domestic product per capita and foreign direct investment on income inequality: An empirical study of 34 provinces in Indonesia. Jurnal Ekonomi dan Sosial, 8(2). https://doi.org/10.18196/jerss.v8i2.23256

Sari, N. I. P. (2023). Analisis faktor – faktor yang mempengaruhi Produk Domestik Regional Bruto Pulau Jawa. Jurnal Ilmiah Ekonomi, 7(1). https://doi.org/10.22219/jie.v7i01.22623

Bivand, R. S. (2023). Spatial econometrics models. In r-spatial.org (Chapter 17). Retrieved from https://r-spatial.org/book/17-Econometrics.html

The effect of micro, small and medium enterprises on economic growth. (2021). Budapest International Research and Critics Institute-Journal (BIRCI-Journal), 4(3), 5697-5704. https://repository.uinjkt.ac.id/dspace/bitstream/123456789/59652/1/17.%20Artikel%20The%20Effect%20of%20Micro%20Agust%202021.pdf

Anselin, L. (1995). Local Indicators of Spatial Association—LISA. Geographical Analysis, 27(2), 93–115. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x

Elhorst, J. P. (2014). Spatial Econometrics: From Cross-Sectional Data to Spatial Panels. Springer.

LeSage, J. P., & Pace, R. K. (2009). Introduction to Spatial Econometrics. CRC Press.

LeSage, J. P. (2014). What Regional Scientists Need to Know about Spatial Econometrics. The Review of Regional Studies, 44(1), 13–32.

LAMPIRAN

===============================================

ANALISIS SPASIAL PDRB vs INVESTASI & INDUSTRI

===============================================

— Setup Library —

library(sf) library(dplyr) library(readxl) library(spdep) library(spatialreg) library(car) library(tmap) library(leaflet) library(DT) library(ggplot2) library(performance) library(lmtest)

— Baca Data dan Shapefile —

setwd(“/Users/ASUS/Downloads/Spatial”) # sesuaikan path kamu

1. Data CSV

data <- read_excel(“UTS SPASIAL PDRB.xlsx”)

2. Shapefile Provinsi Indonesia

shp <- st_read(“gadm41_IDN_1.shp”)

— Penyesuaian Nama Provinsi —

shp\(NAME_1 <- shp\)NAME_1 %>% gsub(“Daerah Istimewa Yogyakarta”, “DI Yogyakarta”, .) %>% gsub(“DKI Jakarta Raya”, “DKI Jakarta”, .) %>% gsub(“Bangka-Belitung”, “Kepulauan Bangka Belitung”, .) %>% gsub(“Riau Islands”, “Kepulauan Riau”, .) %>% gsub(“West Papua”, “Papua Barat”, .) %>% gsub(“Papua Pegunungan|South Papua|Central Papua|Highland Papua”, “Papua”, .) %>% gsub(“Papua Barat Daya”, “Papua Barat”, .) shp\(NAME_1 <- tolower(shp\)NAME_1)

data\(Provinsi <- tolower(trimws(as.character(data\)Provinsi))) data\(Provinsi <- data\)Provinsi %>% gsub(“dki jakarta”, “jakarta raya”, .) %>% gsub(“di yogyakarta”, “yogyakarta”, .) %>% gsub(“kepulauan bangka belitung”, “bangka belitung”, .) %>% gsub(“kepulauan riau”, “kepulauan riau”, .)

— Join Data ke Shapefile —

shp_data <- shp %>% left_join(data, by = c(“NAME_1” = “Provinsi”)) %>% filter(!is.na(PDRB) & !is.na(Investasi) & !is.na(Industri))

shp_data <- st_make_valid(shp_data)

— Eksplorasi Data —

datatable(data, options = list(pageLength = 10)) summary(data)

— Visualisasi PDRB —

pal <- colorNumeric(“YlOrRd”, domain = shp_data\(PDRB, na.color = "transparent") leaflet(shp_data) %>% addProviderTiles(providers\)CartoDB.Positron) %>% addPolygons(fillColor = ~pal(PDRB), weight = 1, color = “white”, fillOpacity = 0.8, label = ~paste0(“”, NAME_1, “
PDRB:”, round(PDRB,2))) %>% addLegend(pal = pal, values = ~PDRB, title = “PDRB”)

=========================================

AUTOKORELASI SPASIAL

=========================================

nb <- poly2nb(shp_data, queen = TRUE, snap = 1e-5) lw <- nb2listw(nb, style = “W”, zero.policy = TRUE)

Uji Global Moran’s I

moran.test(shp_data\(PDRB, lw, zero.policy = TRUE) geary.test(shp_data\)PDRB, lw, zero.policy = TRUE)

Uji Lokal (LISA)

lisa <- localmoran(shp_data\(PDRB, lw, zero.policy = TRUE) shp_data\)LISA <- lisa[, 1] shp_data$Pval <- lisa[, 5]

tmap_mode(“plot”)

tm_shape(shp_data) + tm_polygons(“LISA”, palette = “-RdBu”, title = “Local Moran’s I”) + tm_layout(main.title = “Peta Klaster LISA PDRB”)

tm_shape(shp_data) + tm_polygons(“LISA”, palette = “-RdBu”, title = “Local Moran’s I”)

Getis-Ord G*

gi <- localG(shp_data\(PDRB, lw) shp_data\)Gi <- as.numeric(gi)

tm_shape(shp_data) + tm_polygons(“Gi”, palette = “-RdBu”, title = “Getis-Ord G”) + tm_layout(main.title = ”Peta Klaster Getis_Ord G PDRB”)

tm_shape(shp_data) + tm_polygons(“Gi”, palette = “-RdBu”, title = “Getis-Ord G*“)

=========================================

MODEL EKONOMETRIKA SPASIAL

=========================================

— Model OLS —

ols <- lm(PDRB ~ Investasi + Industri, data = shp_data) summary(ols)

— Model Spasial —

sar <- lagsarlm(PDRB ~ Investasi + Industri, data = shp_data, listw = lw, zero.policy = TRUE) sem <- errorsarlm(PDRB ~ Investasi + Industri, data = shp_data, listw = lw, zero.policy = TRUE) sdm <- lagsarlm(PDRB ~ Investasi + Industri, data = shp_data, listw = lw, type = “mixed”, zero.policy = TRUE) sac <- sacsarlm(PDRB ~ Investasi + Industri, data = shp_data, listw = lw, zero.policy = TRUE) # — Model GNS (General Nesting Spatial Model) — gns <- sacsarlm(PDRB ~ Investasi + Industri, data = shp_data, listw = lw, Durbin = TRUE, zero.policy = TRUE)

— Ringkasan Model —

summary(sar) summary(sem) summary(sdm) summary(sac) summary(gns)

=========================================

Uji Moran’s I pada Residual OLS

=========================================

shp_data\(resid_ols <- residuals(ols) moran_resid <- moran.test(shp_data\)resid_ols, lw, zero.policy = TRUE) print(moran_resid)

=========================================

Perbandingan Model

=========================================

safe_AIC <- function(m) if (is.null(m)) NA else tryCatch(AIC(m), error = function(e) NA) safe_BIC <- function(m) if (is.null(m)) NA else tryCatch(BIC(m), error = function(e) NA)

models <- list(OLS = ols, SAR = sar, SEM = sem, SDM = sdm, SAC = sac, GNS = gns) data.frame( Model = names(models), AIC = sapply(models, safe_AIC), BIC = sapply(models, safe_BIC) )

=========================================

Uji Moran’s I pada Residual Model SAR

=========================================

library(spdep)

1. Ambil residual dari model SAR

resid_sar <- residuals(sar)

2. Lakukan uji Moran’s I

moran_sar <- moran.test(resid_sar, lw, zero.policy = TRUE)

3. Tampilkan hasil uji

print(moran_sar)

Peta Hasil Model (Prediksi SAR)

shp_data$pred_sar <- fitted(sar) tm_shape(shp_data) + tm_polygons(“pred_sar”, palette=“YlGnBu”, title=“Prediksi PDRB (SAR)”)