PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI LAJU PERTUMBUHAN EKONOMI DI PROVINSI MALUKU MENGGUNAKAN REGRESI DATA PANEL

Abstract

Penelitian ini menggunakan metode Regresi Data Panel dengan membandingkan 3 model yakni Model Efek Gabungan (MEG), Model Efek Tetap (MET), dan Model Efek Acak (MEA) untuk melihat secara parsial variabel yang berpengaruh signifikan. Dari hasil analisis data maka model yang terpilih terbaik yaitu MEA. Sehingga berdasarkan analisis data dari model terbaik didapatkan nilai intercept dari masing-masing lokasi pengamatan yang berbeda. Maka dari hasil tersebut dapat disimpulkan bahwa variabel yang berpengaruh signifikan adalah APBN dan TPAK, Jika diamati dari model terpilih maka hal tersebut dapat menjelaskan bahwa pertumbuhan ekonomi akan naik sebesar 0,25 persen jika APBN naik sebesar 1 satuan, sama halnya dengan APBN pertumbuhan ekonomi juga akan meningkat sebesar 0,065 persen jika TPAK naik sebesar 1 satuan dengan anggapan variabel lain bersifat konstan. Sedangkan untuk koefiesien determinasi yang dihasilkan sebesar 0,667 yang berarti bahwa variabel prediktor berpengaruh terhadap variabel respon sebesar 66,7% dan selebihnya dijelaskan oleh variabel lain yang tidak dimasukan dalam model.

This research uses Panel Data Regression method by comparing 3 models namely the Common Effect Model (CEM), Fixed Effect Model (FEM), and Random Effect Model (REM) to see partially the variables that have a significant effect. From the results of data analysis, the best selected model is REM. So based on the data analysis of the best model, the intercept value of each observation location is different. So from these results it can be concluded that the variables that have a significant effect are the APBN and TPAK, if observed from the selected model it can explain that economic growth will increase by 0.25 percent if the APBN increases by 1 unit, as well as the APBN economic growth will also increase by 0.065 percent if TPAK increases by 1 unit assuming other variables are constant. Meanwhile, the resulting coefficient of determination is 0.667, which means that the predictor variable affects the response variable by 66.7% and the rest is explained by other variables not included in the model.