BAB III METODELOGI PENELITIAN 3.1 Ruang Lingkup Penelitian Penulis membatasi ruang lingkup dalam penelitian ini agar lebih terfokus pada tujuan yang ingin diketahui. Adapun ruang lingkup yang dibahas dalam penelitian ini mencakup 27 kabupaten/kota di Provinsi Jawa Barat. Penelitian ini dilakukan untuk menganalisis pengaruh dari penduduk, PDRB, tingkat pendidikan yang diukur dengan rata-rata lama sekolah, dan kesehatan yang diukur dengan angka harapan hidup terhadap tingkat kemiskinan di 27 kabupaten/kota di provinsi Jawa Barat pada tahun 2013-2017. 3.2 Metode Pengumpulan Data Penelitian ini menggunakan data sekunder dengan jenis data panel. Data sekunder merupakan data yang didapatkan dari pihak kedua, dimana data tersebut bersumber dari Badan Pusat Statistik Provinsi Jawa Barat tahun 2014-2018. Periode waktu yang digunakan dalam penelitian ini dimulai dari tahun 2013 hingga 2017 atau dalam rentang waktu selama 5 tahun. Data yang dikumpulkan untuk melakukan penelitian ini adalah data kemiskinan, penduduk, PDRB, pendidikan yang diambil dari rata-rata lama sekolah, dan kesehatan yang diambil dari angka harapan hidup kabupaten/kota di Provinsi Jawa Barat dari tahun 2013-2017. 43
44 3.3 Model Penelitian Merujuk dari penelitian yang telah dilakukan sebelumnya dengan melakukan beberapa penyesuaian, maka model yang digunakan dalam penelitian ini adalah Panel Data Regression Model. Penulis menggunakan penelitianpenelitian yang telah dilakukan sebelumnya sebagai referensi untuk memilih dan menyesuaikan variabel-variabel yang digunakan dalam penelitian ini. Berikut merupakan model regresi yang digunakan dalam penelitian: Dimana: POVERit = β0 + β1 POPit + β2 GRDPit + β3 EDUCit + β4 HEALTHit + Uit POVER POP GRDP EDUC HEALTH β0 β1-β4 U i : Angka kemiskinan per kabupaten/kota se Jawa Barat : Penduduk per kabupaten/kota se Jawa Barat : PDRB riil kabupaten/kota se Jawa Barat : Pendidikan per kabupaten/kota se Jawa Barat : Kesehatan per kabupaten/kota se Jawa Barat : Intercept atau konstanta : Koefisien-koefisien regresi : Error term : Kabupaten/kota t : Periode tahunan selama tahun 2013 sampai 2017 3.4 Operasionalisasi Variabel Secara spesifik, pada penelitian ini menggunakan angka kemiskinan sebagai variabel dependen. Sedangkan untuk variabel independen menggunakan
45 penduduk, PDRB, pendidikan yang diukur dengan rata-rata lama sekolah, dan kesehatan yang diukur dengan angka harapan hidup. Adapun, definisi operasional daripada variabel-variabel tersebut adalah : Tabel 3.1. Operasionalisasi Variabel-variabel Penelitian No. Notasi Variabel Definisi Satuan 1. POVER Angka Kemiskinan Jumlah penduduk yang memiliki rata-rata pengeluaran per kapita per bulan dibawah garis kemiskinan. 2. POP Penduduk Jumlah penduduk yang tinggal di wilayah kabupaten/kota di Provinsi Jawa Barat 3. GRDP Produk Domestik Regional Bruto 4. EDUC Pendidikan yang diukur dengan rata-rata lama sekolah 5. HEALTH Kesehatan yang diukur dengan angka harapan hidup PDRB atas dasar harga konstan dengan tahun dasar 2010 Rata-rata jumlah tahun belajar yang telah diselesaikan Rata-rata perkiraan umur yang dapat di tempuh oleh seseorang dari sejak lahir Ribu jiwa Ribu jiwa Milyar rupiah Tahun Tahun Sumber: Definisi berdasarkan Badan Pusat Statistik 3.5 Teknik Pengolahan Data Pengolahan data dalam penelitian ini menggunakan pendekatan kuantitatif dan analisis deskriptif. Pendekatan kuantitatif menggunakan metode data panel, metode ini menggabungkan dua jenis data, yaitu data individu (cross-section) dan data berupa deret waktu (time series). Pendekatan kuantitatif pada penelitian ini dilakukan dengan model ekonometrika yang diolah menggunakan software
46 STATA.1.4 untuk mendapatkan hasil penelitian secara matematis. Sementara itu, analisis deskriptif dilakukan dengan cara mencari penelitian-penelitian yang telah dilakukan sebelumnya untuk mengetahui hasil penelitian terdahulu yang sesuai dengan topik penelitian ini. Tujuannya sebagai referensi untuk penelitian yang sedang dilakukan oleh penulis. Menurut Baltagi dalam Gujarati (2009) penelitian yang menggunakan metode data panel mempunyai beberapa keunggulan, antara lain: 1. Data panel dapat mengontrol heterogenitas individu. 2. Data lebih bervariasi dan informatif, derajat kebebasan lebih efisien dan kolinearitas antar variabel bisa diminimalkan karena jumlah observasinya tinggi. 3. Metode panel lebih baik dalam menentukan perubahan dinamis dibandingkan metode cross-section. 4. Dapat digunakan dalam mengidentifikasi dan mengukur pengaruh yang tidak dapat di deteksi oleh data time series atau data cross-section. Sementara itu, menurut Gujarati (2009) estimasi dalam model regresi yang menggunakan Panel Data Regression Model, harus melalui tiga pendekatan untuk memperoleh model terbaik yang bisa digunakan dalam menganalisa metode regresi data panel tersebut. Ketiga pendekatan itu, antara lain: 1. Pooled Least Square Merupakan estimasi model regresi pada data panel dengan menggunakan prinsip Ordinary Least Square (OLS) dengan cara meminimumkan error kuadrat. Model ini menggabungkan data panel yang diterapkan dalam bentuk
47 pooled, jadi model ini menggabungkan antara data time series dan data crosssection. Model ini merupakan model yang paling sederhana diantara dua model lainnya, sebab mengasumsikan intercept dan koefisien slope atau parameter yang konstan antar individu dan antar waktu sehingga bersifat common effect. 2. Fixed Effect Model Merupakan estimasi model regresi yang mengasumsikan bahwa koefisien slope tidak berubah sepanjang waktu (konstan), sedangkan nilai intercept berbeda-beda antar individu (cross-section) tetapi nilai intercept deret waktu (time series) diasumsikan tetap (fixed effect). Model ini sering menambahkan variabel dummy yang bertujuan untuk menghasilkan nilai koefisien slope atau parameter yang berbeda antar individu (cross-section). Karena itu, model ini juga dikenal dengan Least Square Dummy Variable (LSDV). 3. Random Effect Model Merupakan estimasi model regresi pada data panel yang mengasumsikan bahwa nilai koefisien slope tidak berubah sepanjang waktu (konstan), sedangkan nilai intercept berbeda-beda antar individu (cross-section) dan antar waktu (time series) sehingga sifatnya random. Random effect model merupakan model yang digunakan untuk mengatasi kelemahan fixed effect model yang menggunakan variabel dummy yang dapat menyebabkan berkurangnya derajat kebebasan dan pada akhirnya akan berakibat pada berkurangnya efisiensi parameter yang di estimasi. Pada model ini, setiap parameter yang berbeda antar individu maupun antar waktu dimasukkan ke dalam bentuk error.
48 Untuk memilih model terbaik yang akan digunakan dari ketiga pendekatan di atas, maka harus dilakukan pengujian-pengujian, antara lain: 1. Uji Chow Uji Chow merupakan salah satu bentuk pengujian terhadap data panel untuk menentukan metode terbaik yang akan digunakan. Uji Chow dilakukan untuk membandingkan model Pooled Least Square dan Fixed Effect Model (Widarjono 2007). Dalam penelitian ini, uji Chow dilakukan dengan menggunakan software STATA.1.4. Hipotesis uji Chow yang digunakan adalah sebagai berikut : H0 : Model Pooled Least Square H1 : Model Fixed Effect Kriteria: - H0 ditolak apabila P-value < nilai α. - H0 tidak dapat ditolak apabila P-value > nilai α. 2. Uji Hausman Untuk mengestimasi model regresi dengan data panel, terdapat beberapa metode yang biasa digunakan, seperti metode Fixed Effect dan Random Effect. Agar bisa menggunakan metode terbaik, maka harus melakukan pengujian Hausman. Uji Hausman merupakan salah satu metode pengujian yang dilakukan untuk menentukan model terbaik dalam regresi data panel (Wooldridge 2015). Pada penelitian ini, uji hausman dilakukan dengan menggunakan software STATA.1.4. Hipotesis uji Hausman yang digunakan adalah sebagai berikut :
49 H0 : Model Random Effect H1 : Model Fixed Effect Kriteria: - H0 ditolak apabila P-value < α. - H0 tidak dapat ditolak apabila P-value > α. 3.6 Pengujian Statistik 3.6.1 Koefisien Determinasi (R 2 ) Koefisien Determinasi (R 2 ) menginformasikan baik atau tidaknya model regresi yang terestimasi. Nilai R 2 mencerminkan seberapa besar variasi dari variabel dependen dapat diterangkan oleh variabel independen. Menurut Kuncoro (2011) nilai koefisien determinasi (R 2 ) berada di kisaran nol dan satu (0<R 2 <1). Semakin besar nilai R 2 atau semakin mendekati angka 1, berarti variabel independen semakin mampu memberikan hampir semua informasi yang diperlukan dalam menjelaskan perubahan variabel dependen. 3.6.2 Uji Signifikansi Simultan Uji F-statistik bertujuan untuk mengukur apakah semua variabel independen dalam model mempunyai pengaruh secara bersama-sama (simultan) terhadap variabel dependen (Kuncoro 2011). Jadi, uji-f digunakan untuk mengetahui pengaruh seluruh variabel independen terhadap variabel dependen. Tingkat signifikansi dalam pengujian ini beragam, penulis bisa menggunakan tingkat signifikansi pada 1%, 5%, atau 10%. Uji signifikansi simultan bisa diketahui
50 dengan melakukan pengujian Wald Chi-square. Hipotesis yang digunakan adalah sebagai berikut: H0 : Tidak terdapat pengaruh signifikan secara bersama-sama antara variabel independen dengan variabel dependen. H1 : Terdapat pengaruh signifikan secara bersama-sama antara variabel independen dengan variabel dependen. Kriteria : - H0 ditolak jika nilai (Prob>Chi2) < α - H0 tidak dapat ditolak jika nilai (Prob>Chi2) > α 3.6.3 Uji Signifikansi Parsial Uji signifikansi parsial digunakan untuk menguji secara parsial masingmasing variabel independen. Uji ini dilakukan untuk mengukur seberapa jauh pengaruh satu variabel penjelas secara individual dalam menerangkan variasi variabel. Hipotesis yang digunakan dalam uji signifikansi parsial adalah sebagai berikut: H0 : Tidak terdapat pengaruh secara parsial antara variabel independen terhadap variabel dependen. H1 : Terdapat pengaruh secara parsial antara variabel independen terhadap variabel dependen. Kriteria : - H0 ditolak jika probabilitas nilai t < α - H0 tidak dapat ditolak jika probabilitas nilai t > α
51 Sementara itu, jika penelitian menggunakan metode Generalized Least Square (GLS) maka pengujian signifikansi parsial dilakukan dengan melihat probabilitas nilai z. Tetapi, hipotesis dan kriteria pengujian yang digunakan masih tetap sama dengan uji t. 3.7 Pengujian Masalah Asumsi Klasik Pengujian masalah asumsi klasik bertujuan untuk mengetahui apakah model regresi yang digunakan dalam penelitian ini telah valid atau tidak. Menurut Gujarati (2009) model regresi yang valid harus memenuhi kriteria BLUE (Best, Linear, Unbiased, and Estimated). Untuk mengetahuinya, harus dilakukan dengan pengujian Multikolinearitas, Heteroskedastisitas, dan Autokorelasi. 3.7.1 Uji Multikolinearitas Multikolinearitas adalah permasalahan yang timbul di model regresi yang diakibatkan adanya korelasi atau hubungan di antara variabel-variabel independen. Uji multikolinearitas dilakukan untuk mengetahui apakah variabelvariabel independen dalam model regresi mempunyai korelasi atau saling berhubungan satu sama lain atau tidak. Untuk mendeteksi masalah multikolinearitas dapat dilihat dari : 1. Jika terdapat kekuatan korelasi antar variabel independen lebih dari 0.8 maka variabel tersebut memiliki masalah multikolinearitas (Gujarati 2009). 2. Tidak terdapat kesesuaian pada nilai koefisien variabel independen dengan hipotesis. Misal, suatu variabel seharusnya memiliki pengaruh negatif ternyata ditunjukan dengan nilai positif.
52 Untuk mengatasi permasalahan multikolinearitas, kita dapat menambah variabel baru, mengeluarkan variabel yang terindikasi adanya masalah multikolinearitas, transformasi variabel, dan lainnya. 3.7.2 Uji Heteroskedastisitas Heteroskedastisitas terjadi apabila nilai residual dari model tidak memiliki varians yang konstan. Heteroskedastisitas biasanya terjadi pada data cross-section sehingga tidak menutup kemungkinan terjadi heteroskedastisitas pada data panel (Gujarati 2009). Akibat dari adanya masalah heteroskedastisitas akan menyebabkan estimator tidak mempunyai varians yang minimum dan efisien, tetapi heteroskedastisitas tidak menghilangkan sifat ketidakbiasan dan konsistensi estimator. Sementara itu, untuk menguji masalah heteroskedastisitas bisa dengan melakukan Wald test, hipotesis yang digunakan adalah sebagai berikut : H0 : tidak terdapat masalah heteroskedastisitas H1 : terdapat masalah heteroskedastisitas Kriteria : - H0 ditolak apabila nilai (Prob>chi2) < α, maka terdapat masalah heteroskedastisitas di model regresi. - H0 tidak dapat ditolak apabila nilai (Prob>chi2) > α, maka tidak terdapat masalah heteroskedastisitas di model regresi.
53 3.7.3 Uji Autokorelasi Menurut Kuncoro (2011) autokorelasi merupakan masalah yang muncul karena residual yang tidak bebas antar satu observasi ke observasi lainnya. Masalah Autokorelasi terjadi karena error pada individu cenderung dapat mempengaruhi individu yang sama pada periode berikutnya. Permasalahan autokorelasi biasanya terjadi pada data time series (runtut waktu). Berikut merupakan hipotesis pengujian autokorelasi : H0 : model regresi tidak terdapat masalah autokorelasi H1 : model regresi terdapat masalah autokorelasi Kriteria : - H0 ditolak apabila nilai (Prob>F) < α - H0 tidak dapat ditolak apabila nilai (Prob>F) > α Apabila penelitian menggunakan metode Generalized Least Square, maka permasalahan autokorelasi dan heteroskedastisitas dapat teratasi. Permasalahan heteroskedastisitas dapat diatasi dengan estimasi GLS karena metode ini mampu mempertahankan sifat efisiensi estimatornya, tanpa harus menghilangkan sifat ketidakbiasan (unbiased) dan konsistensi estimator (Gujarati, 2009).