Analisis Determinan Produk Domestik Regional Bruto Sektor Pertanian Antar Wilayah di Kalimantan Selatan (Pendekatan Geographically Weighted Panel Regression)

Isi Artikel Utama

Tri Norarifin
Nuri Dewi Yanti
Muhammad Fauzi

Abstrak

Sektor pertanian memegang peran strategis dalam perekonomian Indonesia, termasuk di Kalimantan Selatan, namun kontribusinya terhadap PDRB tidak merata antarwilayah. Penelitian ini bertujuan untuk menganalisis determinan PDRB sektor pertanian di Kalimantan Selatan secara global dan spasial. Dengan menggunakan data panel dari 13 kabupaten/kota periode 2020–2024, analisis dilakukan dengan dua pendekatan yaitu regresi data panel global dan Geographically Weighted Panel Regression (GWPR). Hasil penelitian menunjukkan bahwa model GWPR secara signifikan lebih unggul dalam menangkap heterogenitas spasial dibandingkan model global, dengan nilai Cross Validation (CV) sebesar 0,0425 dan R² sebesar 0,7042. Pada tingkat lokal, model GWPR bahkan mampu menjelaskan variasi hingga 86,76% di Kabupaten Tabalong. Secara global, variabel luas lahan perkebunan, belanja modal (lag 1), dan kontribusi sektor pertambangan signifikan memengaruhi PDRB sektor pertanian. Namun, estimasi GWPR mengungkap variasi spasial yang nyata, koefisien luas lahan perkebunan berkisar antara 0,036 hingga 0,233 (tertinggi di Tabalong), belanja modal antara 0,019 hingga 0,050, sementara kontribusi sektor pertambangan menunjukkan pengaruh negatif konsisten (–0,035 hingga –0,006), dengan dampak terkuat di wilayah pusat pertambangan. Temuan ini menegaskan pentingnya pendekatan kebijakan yang berbeda-beda sesuai karakteristik lokal setiap wilayah.

Rincian Artikel

Cara Mengutip
Norarifin, T., Yanti, N. D., & Fauzi, M. (2026). Analisis Determinan Produk Domestik Regional Bruto Sektor Pertanian Antar Wilayah di Kalimantan Selatan (Pendekatan Geographically Weighted Panel Regression). Jurnal Sosial Ekonomi Pertanian, 21(3), 113–128. Diambil dari https://journal.unhas.ac.id/index.php/jsep/article/view/49326
Bagian
Articles

Referensi

Al Azkiya, A., Angraini, Y., & Anisa, R. (2024). Penerapan Geographically Weighted Panel Regression dan Data Envelopment Analysis dalam Pemodelan Kemiskinan di Kalimantan Timur. Journal of Regional and Rural Development Planning (Jurnal Perencanaan Pembangunan Wilayah dan Perdesaan), 8(1), 41–53. https://doi.org/10.29244/jp2wd.2024.8.1.41-53

Badan Pusat Statistik. (2024). Produk Domestik Bruto Indonesia Triwulanan. Badan Pusat Statistik.

Badan Pusat Statistik Kalimantan Selatan. (2025). Kalimantan Selatan dalam Angka 2025. BPS Provinsi Kalimantan Selatan.

Gamayanti, N. F., Junaidi, Fadjryani, & Nur'eni. (2023). Analysis of Spatial Effects on Factors Affecting Rice Production in Central Sulawesi Using Geographically Weighted Panel Regression. BAREKENG: Jurnal Ilmu Matematika dan Terapan, 17(1), 0361–0370. https://doi.org/10.30598/barekengvol17iss1pp0361-0370

Mustaqim, M., Setiawan, S., & Suhartono, S. (2021). Labor absorption and the growth of agricultural output: A simultaneous spatial Durbin panel data model perspective of fiscal decentralization’s impact in Indonesia. Journal of Advanced Research in Law and Economics, 10(4(42)), 18. https://doi.org/10.14505/jarle.v10.4(42).18

Nurhasanah, L., & Muzdalifah. (2024). Pemicu Ketimpangan Pendapatan di Regional Kalimantan Tahun 2015-2020. JIEP: Jurnal Ilmu Ekonomi dan Pembangunan, 7(1), 31–40.

Purba, S. F., Yulianti, A., Astana, S., Hariyadi, Djaenudin, R. D., Simandjorang, B. M. T. V., Haradongan, F., & Istriningsih. (2023). The contribution of agricultural crop production towards the economic growth of Indonesia's agricultural sector. E3S Web of Conferences, 444, 02034. https://doi.org/10.1051/e3sconf/202344402034

Risanti, A. (2022). Analisis Pengaruh Kontribusi PDRB Sektor Pertanian, Pertambangan, Industri, Ekspor, dan Laju Pertumbuhan Penduduk terhadap Tingkat Kemiskinan di Provinsi Kalimantan Selatan Tahun 2019-2021. [Skripsi thesis, Universitas Muhammadiyah Surakarta].

Sunusi, N., & Subarkah, A. (2023). Geographically Weighted Regression with Different Kernels: Application to Model Poverty. Indonesian Journal of Applied Research (IJAR), 4(1), 27–41. https://doi.org/10.30997/ijar.v4i1.283

Sobari, M., & Jaya, I. G. N. M. (2022). Modeling Rice Production in West Java by Means Geographically Weighted Regression. Jurnal Ekonomi dan Statistik Indonesia, 2(3), 316–326. http://dx.doi.org/10.11594/jesi.02.03.08

Sunusi, N., & Subarkah, A. (2023). Geographically Weighted Regression with Different Kernels: Application to Model Poverty. Indonesian Journal of Applied Research (IJAR), 4(1), 27–41. https://doi.org/10.30997/ijar.v4i1.283Suparman, S., Sutomo, M., Anwar, C., & Olilingo, F. Z. (2024). Impact of the Agricultural Sector on Unemployment, Inequality and Rural Poverty: A Panel Regression Analysis in Indonesian Provinces. International Journal of Economics and Financial Issues, 14(6), 250–256. https://doi.org/10.32479/ijefi.16305

Tangka, F. E., Hatidja, D., & Weku, W. C. D. (2024). Pemodelan Geographically Weighted Regression Dengan Pembobot Adaptive Gaussian Kernel Pada PDRB di Indonesia. Jurnal Ilmiah Sains, 24(2), 110–119. https://doi.org/10.35799/jis.v24i2.50366

Artikel Serupa

<< < 1 2 3 4 5 6 7 8 9 10 > >> 

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.