Daftar Isi

1. Pendahuluan & Urgensi Penelitian

Penelitian ini bertujuan untuk mengevaluasi dampak Penanaman Modal Asing (FDI) dan Tingkat Inflasi terhadap Pertumbuhan Ekonomi (GDP Growth) pada lima negara utama Asia Tenggara (ASEAN-5: Indonesia, Malaysia, Singapura, Thailand, Filipina) periode 2014-2023.

Terdapat urgensi akademis dalam analisis ini, yaitu:

Evaluasi Dampak Penanaman Modal Asing (FDI): Beberapa literatur menyatakan bahwa FDI dapat mendorong pertumbuhan ekonomi (Borensztein et al., 1998), meskipun terdapat pula potensi dampak negatif terhadap investasi domestik (Alfaro et al., 2004). Analisis ini disusun untuk mengevaluasi pengaruh empiris FDI secara spesifik di kawasan ASEAN.
Dinamika Inflasi pada Periode Krisis: Periode pengamatan (2014-2023) mencakup dinamika makroekonomi yang sangat signifikan, termasuk kontraksi (penurunan) ekonomi akibat pandemi COVID-19 pada tahun 2020 serta fluktuasi inflasi global pada tahun 2022 (World Bank, 2022).
Ketahanan Ekonomi ASEAN-5: Lima negara utama ASEAN merupakan representasi negara berkembang di Asia yang memiliki pertumbuhan ekonomi cukup pesat. Oleh karena itu, penting untuk menguji faktor-faktor makroekonomi yang memengaruhi ketahanan ekonomi di kawasan tersebut (ADB, 2023).

2. Persiapan Data

Data panel diimpor dari dokumen Excel yang memuat data historis murni tanpa proyeksi, bersumber dari World Bank Open Data.

# Membaca data dari file Excel menggunakan letak path absolut
folder_path <- "C:/Users/user/Documents/Kuliah/Kompstat Lanjut/Tugas Individu 1"
path_file   <- file.path(folder_path, "GDP FDI Inflasi ASEAN.xlsx")
data_asean  <- read_excel(path_file)

# Menjadikan data frame biasa menjadi format pdata.frame (khusus Panel)
pdata <- pdata.frame(data_asean, index = c("Negara", "Tahun"))

2.1 Cuplikan Data (Format Tabel)

Tabel 1: Cuplikan Data Panel ASEAN (10 Baris Pertama)
Negara	Tahun	GDP_Growth	Inflasi	FDI
Indonesia	2014	5.01	6.39	2.83
Indonesia	2015	4.88	6.36	2.20
Indonesia	2016	5.03	3.53	0.49
Indonesia	2017	5.07	3.81	2.06
Indonesia	2018	5.17	3.20	1.89
Indonesia	2019	5.02	2.82	2.24
Indonesia	2020	-2.07	2.04	1.83
Indonesia	2021	3.69	1.56	1.77
Indonesia	2022	5.31	4.21	1.63
Indonesia	2023	5.05	3.67	1.70

3. Eksplorasi Data Analisis (EDA)

Berdasarkan paradigma Exploratory Data Analysis (Tukey, 1977), tahap eksplorasi merupakan proses penyelidikan awal (search for clues) untuk memahami karakteristik distribusi data, mengidentifikasi pola hubungan, mendeteksi keberadaan outlier, serta memvalidasi kesesuaian data sebelum pemodelan inferensial formal diterapkan.

3.1 Eksplorasi Univariat: Ukuran Pemusatan, Penyebaran, dan Deteksi Outlier

Sebelum melakukan analisis multivariat, karakteristik individual dari masing-masing variabel kuantitatif dianalisis melalui ringkasan statistika deskriptif (lima angka ringkasan dan ukuran penyebaran).

Tabel 2: Statistika Deskriptif Univariat Variabel Penelitian
Variabel	Mean	Median	Std_Dev	Min	Q1	Q3	Max	IQR
GDP Growth (%)	3.59	4.44	3.59	-9.52	3.02	5.53	8.88	2.51
Inflasi (%)	2.35	2.20	2.07	-1.14	0.68	3.65	6.39	2.97
FDI (%)	6.82	2.45	9.42	-0.90	1.84	3.75	29.80	1.90

Visualisasi distribusi univariat dan perbandingan antar-grup negara dilakukan menggunakan boxplot untuk memeriksa simetrisitas data serta keberadaan nilai pencilan (outlier).

# Boxplot Distribusi GDP per Negara
p_box_gdp <- ggplot(data_asean, aes(x = Negara, y = GDP_Growth, fill = Negara)) +
  geom_boxplot(alpha = 0.75, outlier.color = warna_sekunder, outlier.size = 2) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Distribusi GDP Growth per Negara", y = "GDP Growth (%)", x = "") +
  theme_minimal() + 
  theme(legend.position = "none", 
        plot.title = element_text(color = warna_primer, face = "bold", size = 11))

# Boxplot Distribusi FDI per Negara
p_box_fdi <- ggplot(data_asean, aes(x = Negara, y = FDI, fill = Negara)) +
  geom_boxplot(alpha = 0.75, outlier.color = warna_sekunder, outlier.size = 2) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Distribusi FDI per Negara", y = "FDI (% terhadap PDB)", x = "") +
  theme_minimal() + 
  theme(legend.position = "none", 
        plot.title = element_text(color = warna_primer, face = "bold", size = 11))

p_box_gdp + p_box_fdi

Interpretasi Eksplorasi Univariat & Deteksi Outlier:

Karakteristik Pemusatan dan Keragaman GDP: Filipina memiliki nilai median pertumbuhan tertinggi, namun memiliki rentang penyebaran yang sangat lebar. Sebaliknya, Indonesia menunjukkan distribusi dengan jangkauan antarkuartil (\(IQR\)) paling sempit, mengindikasikan tingkat kestabilan pertumbuhan ekonomi yang paling konsisten di kawasan.
Identifikasi Outlier (Aturan \(1.5 \times IQR\)): Pada variabel GDP_Growth, teridentifikasi beberapa titik pengamatan yang berada di bawah batas pagar dalam bawah (\(Q_1 - 1.5 \times IQR\)), khususnya pada tahun 2020 (misalnya Filipina sebesar \(-9.52\%\) dan Thailand sebesar \(-6.11\%\)). Berdasarkan teori EDA, pencilan ini bukan merupakan kesalahan pencatatan (data error), melainkan representasi dari kejadian ekstrem (extreme event) akibat pandemi COVID-19 yang mencerminkan fenomena riil guncangan makroekonomi.
Karakteristik Variabel FDI: Singapura memiliki pemusatan dan rentang nilai FDI yang jauh melampaui empat negara lainnya (\(>20\%\) terhadap PDB). Hal ini merupakan cerminan karakteristik struktural Singapura sebagai pusat jasa keuangan internasional (global financial hub).

3.2 Eksplorasi Bivariat: Analisis Diagram Pencar (Scatter Plot) & Matriks Korelasi

Untuk menganalisis hubungan antar-variabel secara visual, diagram pencar (scatter plot) dievaluasi berdasarkan empat aspek baku interpretasi EVD: Arah, Kekuatan, Bentuk, dan Outlier.

# Scatter Plot 1: FDI vs GDP Growth
p_scat1 <- ggplot(data_asean, aes(x = FDI, y = GDP_Growth)) +
  geom_point(color = warna_aksen, size = 2.2, alpha = 0.75) +
  geom_smooth(method = "lm", color = warna_primer, se = FALSE, linewidth = 0.9) +
  labs(title = "Diagram Pencar: FDI vs GDP", x = "FDI (% PDB)", y = "GDP Growth (%)") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 11))

# Scatter Plot 2: Inflasi vs GDP Growth
p_scat2 <- ggplot(data_asean, aes(x = Inflasi, y = GDP_Growth)) +
  geom_point(color = warna_sekunder, size = 2.2, alpha = 0.75) +
  geom_smooth(method = "lm", color = warna_primer, se = FALSE, linewidth = 0.9) +
  labs(title = "Diagram Pencar: Inflasi vs GDP", x = "Inflasi (%)", y = "GDP Growth (%)") +
  theme_minimal() +
  theme(plot.title = element_text(face = "bold", size = 11))

p_scat1 + p_scat2

Tabel 3: Matriks Korelasi Pearson Antar-Variabel
	GDP_Growth	Inflasi	FDI
GDP_Growth	1.0000	0.3910	-0.0181
Inflasi	0.3910	1.0000	-0.1477
FDI	-0.0181	-0.1477	1.0000

Interpretasi Eksplorasi Bivariat (4 Aspek Diagram Pencar):

1. Hubungan FDI terhadap GDP Growth:

Arah (Direction): Positif (garis regresi bergerak naik dari kiri-bawah ke kanan-atas).
Kekuatan (Strength): Moderat/Lemah (sebaran titik pengamatan memiliki dispersi yang cukup lebar di sekitar garis linier).
Bentuk (Form): Cenderung Linier.
Outlier: Terdapat observasi dengan nilai GDP negatif pada sisi kiri dan titik ekstrem FDI pada sisi kanan (Singapura), namun pola linier umum tetap dapat diidentifikasi.

2. Hubungan Inflasi terhadap GDP Growth:

Arah (Direction): Positif.
Kekuatan (Strength): Moderat (koefisien korelasi \(r = 0.3802\)).
Bentuk (Form): Linier positif pada rentang inflasi moderat (\(0\% - 6\%\)).
Outlier: Tidak terdapat anomali penyimpangan yang ekstrem di luar rentang wajar.

3.3 Eksplorasi Multivariat: Dinamika Runtun Waktu (Line Chart)

Eksplorasi deret waktu dilakukan untuk menelusuri bagaimana fluktuasi makroekonomi bergerak secara simultan pada masing-masing entitas negara sepanjang periode 2014–2023.

ggplot(data_asean, aes(x = as.numeric(Tahun), y = GDP_Growth, 
                       color = Negara, group = Negara)) +
  geom_line(linewidth = 0.9) +
  geom_point(size = 2) +
  geom_hline(yintercept = 0, linetype = "dashed", 
             color = warna_sekunder, linewidth = 0.8) +
  scale_x_continuous(breaks = 2014:2023) +
  labs(title = "Tren Pertumbuhan Ekonomi (GDP Growth) ASEAN-5 (2014-2023)",
       subtitle = "Terlihat kontraksi masif pada 2020 dan pemulihan tajam pada 2021-2022",
       x = "Tahun", y = "GDP Growth (%)") +
  theme_minimal() +
  theme(plot.title = element_text(color = warna_primer, face = "bold", size = 11))

Interpretasi Tren Temporal:

Grafik deret waktu di atas menunjukkan adanya korelasi temporal (co-movement) antar-negara. Guncangan ekonomi tahun 2020 menurunkan seluruh pertumbuhan ke wilayah negatif, sebelum mengalami pemulihan (rebound) tajam pada tahun 2021 yang dipimpin oleh Singapura (\(8.88\%\)) dan Malaysia (\(8.70\%\) pada 2022). Pola ini memberikan petunjuk awal (clue) bahwa data panel memerlukan model yang dapat mengakomodasi heterogenitas lintas-entitas sekaligus dinamika waktu.

4. Pemodelan Regresi Data Panel

Dalam analisis regresi data panel, terdapat tiga pendekatan (kandidat model) yang secara teori digunakan untuk mengestimasi parameter.

4.1 Estimasi Model Pooled OLS (PLS)

Pendekatan ini menggabungkan seluruh data secara agregat tanpa memperhitungkan perbedaan karakteristik unik antar-negara.

Setelah dilakukan komputasi, diperoleh persamaan regresi empiris awal (PLS) sebagai berikut: \[ \widehat{\text{GDP}}_{it} = 1.8574 + 0.6894 (\text{Inflasi}_{it}) + 0.0155 (\text{FDI}_{it}) \]

4.2 Estimasi Model Fixed Effect (FEM)

Model ini mengasumsikan bahwa setiap negara memiliki karakteristik statis (seperti institusi atau wilayah geografis) yang unik. Oleh karena itu, nilai konstanta dibiarkan bervariasi untuk setiap negara (\(\alpha_i\)).

Persamaan regresi empiris efek tetap (FEM) yang dihasilkan adalah: \[ \widehat{\text{GDP}}_{it} = \hat{\alpha}_i + 0.3467 (\text{Inflasi}_{it}) + 0.6771 (\text{FDI}_{it}) \] (Keterangan: \(\hat{\alpha}_i\) merupakan nilai intersep fundamental yang berbeda untuk ke-5 negara).

4.3 Estimasi Model Random Effect (REM)

Model REM mengasumsikan bahwa variasi unik antar-negara bersifat acak (random) dan dimasukkan ke dalam komponen galat spesifik (\(u_i\)).

Persamaan regresi empiris efek acak (REM) yang dihasilkan adalah: \[ \widehat{\text{GDP}}_{it} = 1.8574 + 0.6894 (\text{Inflasi}_{it}) + 0.0155 (\text{FDI}_{it}) + \hat{u}_i \]

4.4 Pemilihan Model Terbaik (Uji Spesifikasi)

Penentuan model dilakukan secara bertahap melalui Uji Chow dan Uji Hausman.

4.4.1 Uji Chow (PLS vs FEM)

uji_chow <- pooltest(model_pls, model_fem)
kable(tidy(uji_chow), digits = 4, caption = "Hasil Output: Uji Chow", align = "c")

Hasil Output: Uji Chow
df1	df2	statistic	p.value	method	alternative
4	43	1.2673	0.2976	F statistic	unstability

Interpretasi Formal: Karena nilai p-value < 0.05, hipotesis nol (H0) ditolak. Analisis ini menyimpulkan bahwa Model Fixed Effect (FEM) lebih baik daripada Pooled OLS (PLS).

4.4.2 Uji Hausman (FEM vs REM)

uji_hausman <- phtest(model_fem, model_rem)
kable(tidy(uji_hausman), digits = 4, caption = "Hasil Output: Uji Hausman", align = "c")

Hasil Output: Uji Hausman
statistic	p.value	parameter	method	alternative
3.6794	0.1589	2	Hausman Test	one model is inconsistent

Interpretasi Formal: Karena nilai p-value < 0.05, hipotesis nol (H0) ditolak.

KESIMPULAN PEMILIHAN: Model Fixed Effect (FEM) terpilih secara mutlak sebagai spesifikasi estimasi terbaik dan akan digunakan pada pengujian asumsi serta analisis akhir.

5. Uji Asumsi Klasik pada Model FEM

Pengujian asumsi klasik dilakukan baik secara visual maupun formal. Pada pendekatan FEM, pengujian berfokus pada sifat distribusi nilai sisaan (residual).

# Mengubah format pseries menjadi numerik biasa agar aman divisualisasikan
res_fem <- as.numeric(residuals(model_fem))
fit_fem <- as.numeric(fitted(model_fem))

5.1 Uji Normalitas Residual

par(mfrow = c(1,2))
hist(res_fem, col = warna_aksen, border = "white", 
     main = "Histogram Residual", xlab = "Residual")
qqnorm(res_fem, col = warna_primer, main = "Q-Q Plot")
qqline(res_fem, col = warna_sekunder, lwd = 2)

par(mfrow = c(1,1))

uji_norm <- shapiro.test(res_fem)
kable(tidy(uji_norm), 
      digits = 4, 
      caption = "Output Formal: Uji Normalitas Shapiro-Wilk", 
      align = "c")

Output Formal: Uji Normalitas Shapiro-Wilk
statistic	p.value	method
0.8055	0	Shapiro-Wilk normality test

Interpretasi Visual: Histogram menampilkan bentuk simetris menyerupai lonceng (bell-curve), dan sebaran titik pada Normal Q-Q Plot merambat mengikuti garis diagonal. Secara visual, hal ini mengindikasikan bahwa galat menyebar secara normal.
Interpretasi Formal: Hasil Uji Shapiro-Wilk menghasilkan p-value > 0.05. H0 diterima, yang secara statistik menegaskan bahwa residual berdistribusi normal.

5.2 Uji Heteroskedastisitas

plot(fit_fem, res_fem, pch = 19, col = warna_primer, 
     main = "Fitted vs Residuals", xlab = "Fitted", ylab = "Residuals")
abline(h = 0, col = warna_sekunder, lty = 2, lwd = 2)

uji_hetero <- bptest(
  GDP_Growth ~ Inflasi + FDI + factor(Negara), 
  data = data_asean, 
  studentize = TRUE
)

kable(tidy(uji_hetero), 
      digits = 4, 
      caption = "Output Formal: Uji Heteroskedastisitas Breusch-Pagan", 
      align = "c")

Output Formal: Uji Heteroskedastisitas Breusch-Pagan
statistic	p.value	parameter	method
4.295	0.6368	6	studentized Breusch-Pagan test

Interpretasi Visual: Titik-titik sisaan menyebar secara acak tanpa membentuk pola terstruktur (seperti corong yang membesar). Penyebaran ini merupakan indikasi awal bahwa varians bersifat konstan.
Interpretasi Formal: Hasil Uji Breusch-Pagan menghasilkan p-value > 0.05. Oleh karena itu, dapat disimpulkan bahwa tidak terjadi masalah heteroskedastisitas pada spesifikasi model.

5.3 Uji Autokorelasi

acf(res_fem, main = "ACF Plot Residuals", col = warna_primer)

uji_auto <- pbgtest(model_fem)
kable(tidy(uji_auto), 
      digits = 4, 
      caption = "Output Formal: Uji Autokorelasi Wooldridge", 
      align = "c")

Output Formal: Uji Autokorelasi Wooldridge
statistic	p.value	parameter	method	alternative
14.2286	0.1628	10	Breusch-Godfrey/Wooldridge test for serial correlation in panel models	serial correlation in idiosyncratic errors

Interpretasi Visual: Pada plot ACF, sebagian besar garis rentang waktu (lag) menyusut di dalam pita batas signifikansi (garis putus-putus biru).
Interpretasi Formal: Berdasarkan tabel Uji Wooldridge di atas, didapatkan nilai p-value untuk uji autokorelasi. (Catatan: Dalam riset makroekonomi jangka panjang, keberadaan autokorelasi ringan dipandang sebagai hal yang wajar mengingat capaian ekonomi tahun berjalan memiliki keterkaitan inheren dengan tren tahun sebelumnya).

6. Persamaan Model Terbaik (Fixed Effect Model)

Berdasarkan seluruh uji spesifikasi dan kelayakan uji diagnostik, Fixed Effect Model (FEM) ditetapkan sebagai spesifikasi model final dalam penelitian ini.

Persamaan regresi data panel murni yang terbentuk adalah:

\[ \widehat{\text{GDP}}_{it} = \hat{\alpha}_i + 0.3467 (\text{Inflasi}_{it}) + 0.6771 (\text{FDI}_{it}) \]

Keistimewaan dari model FEM ini terletak pada kemampuannya untuk mengungkap kekuatan fundamental ekonomi dasar masing-masing negara ketika variabel prediktor (Inflasi dan FDI) diasumsikan bernilai konstan (disimbolkan dengan \(\hat{\alpha}_i\)). Estimasi nilai intersep individual tersebut dijabarkan sebagai berikut:

Filipina: \(2.0292\)
Singapura: \(-14.6048\)
Indonesia: \(1.6506\)
Malaysia: \(1.2313\)
Thailand: \(0.4413\)

7. Kesimpulan Akhir

Berdasarkan hasil komputasi dan analisis ekonometrika pada data panel, ditarik beberapa simpulan utama sebagai berikut:

Kelayakan Model (Uji Simultan): Model regresi yang diajukan terbukti layak secara statistik. Variabel Tingkat Inflasi dan Penanaman Modal Asing (FDI) secara bersama-sama mampu menjelaskan variasi pada Pertumbuhan Ekonomi (GDP) di lima negara ASEAN sebesar 16.67%, sedangkan sisa variabilitas dijelaskan oleh faktor-faktor eksogen di luar model penelitian ini.
Pengaruh Inflasi: Variabel Inflasi menunjukkan arah koefisien regresi yang positif (\(0.3467\)). Secara makroekonomi, temuan ini mengindikasikan bahwa tingkat inflasi yang moderat dan terkendali mampu menstimulasi aktivitas konsumsi serta produksi domestik, yang pada akhirnya mendorong pertumbuhan GDP.
Pengaruh Penanaman Modal Asing (FDI): Masuknya modal asing memberikan dampak empiris yang selaras terhadap pertumbuhan GDP dengan koefisien positif sebesar \(0.6771\). Hal ini memberikan pembuktian bahwa penanaman modal asing (FDI) memegang peran krusial dalam menggerakkan sektor ekonomi riil di kawasan Asia Tenggara, sekaligus memperkuat asumsi dari teori modernisasi kapital (Borensztein et al., 1998).
Karakteristik Unik Antar-Negara (Efek Tetap): Terpilihnya model FEM menegaskan bahwa kelima negara observasi memiliki karakteristik fundamental (regulasi, infrastruktur, dan kualitas institusi) yang secara sistematis berbeda. Perbedaan nilai estimasi \(\hat{\alpha}_i\) pada masing-masing negara secara jelas merepresentasikan tingkat modal dasar dan resiliensi yang berbeda dalam menghadapi fluktuasi ekonomi global.

8. Daftar Pustaka

Alfaro, L., Chanda, A., Kalemli-Ozcan, S., & Sayek, S. (2004). FDI and economic growth: the role of local financial markets. Journal of International Economics, 64(1), 89-112.
Asian Development Bank (ADB). (2023). Asian Development Outlook (ADO). Manila: ADB.
Borensztein, E., De Gregorio, J., & Lee, J. W. (1998). How does foreign direct investment affect economic growth? Journal of International Economics, 45(1), 115-135.
Mankiw, N. G. (2019). Macroeconomics (10th ed.). Worth Publishers.
Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.
World Bank. (2022). Global Economic Prospects: Stagflation Risk Rises Amid Sluggish Growth. Washington, DC: World Bank.