4.1. Waktu dan Tempat Penelitian BAB IV METODE PENELITIAN Penelitian dilakukan dalam lingkup wilayah Jawa Barat. Pemilihan lokasi dilakukan secara sengaja (purposive) melihat bahwa propinsi Jawa Barat merupakan wilayah dengan jumlah penduduk terbesar di Indonesia dengan geografis yang strategis dan kaya akan sumber daya alam, akan tetapi kemiskinan dan ketimpangan masih relatif tinggi. Oleh karena itu kemiskinan dan ketimpangan menjadi suatu hal yang penting dan harus segera dipecahkan bagi tercapainya masyarakat yang adil dan sejahtera. Penelitian ini akan dilakukan pada Bulan Februari hingga April 2008. 4.2. Jenis dan Sumber Data Data yang digunakan adalah data sekunder. Data data yang digunakan dalam penelitian ini seperti data persentase jumlah penduduk miskin, data angka harapan hidup, angka melek huruf, rata-rata lama sekolah, pengeluaran per kapita yang telah disesuaikan, infrastruktur sosial, pengangguran dan beban ketergantungan. Data-data tersebut dikumpulkan dari Badan Pusat Statistik (BPS) Jawa Barat, Badan Perencanaan dan Pembangunan Daerah (Bappeda) Jawa Barat, hasil penelitian terdahulu, jurnal-jurnal, fasilitas internet, dan bahan literatur lainnya untuk melengkapi data-data yang diperlukan. 4.3. Metode Pengolahan dan Analisis Data Analisis data dalam penelitian ini menggunakan dua metode analisis yaitu analisis deskriptif dan analisis kuantitatif. Analisis deskriptif digunakan untuk melihat perkembangan kemiskinan, angka harapan hidup, angka melek huruf, rata-rata lama sekolah, daya beli, infrastruktur sosial, pengangguran, dan beban
ketergantungan hidup di Jawa Barat. Analisis deskriptif dilakukan dengan membaca tabel dan grafik untuk melihat kecenderungan yang terjadi pada data. Analisis yang digunakan untuk menjawab faktor-faktor yang mempengaruhi kemiskinan dilakukan secara kuantitatif. Data yang digunakan adalah data panel atau pooled data (pooling cross section-time series regression). Unit Cross Section yang digunakan adalah 22 Kabupaten/Kota. Unit Cross Section yang digunakan tidak 25 Kabupaten/Kota karena terdapat keterbatasan data, pada tahun 2003 wilayah Kota Banjar, Kota Cimahi, dan Kota Tasikmalaya baru dilakukan pemekaran, sehingga data-data statistik yang terkait dengan wilayah tersebut, terutama yang berkaitan dengan kependudukan belum dapat diperoleh. Unit time series yang digunakan yaitu 2003, 2004, 2005, dan 2006. Pengolahan data yang digunakan untuk menganalisis faktor yang mempengaruhi kemiskinan di dalam penelitian ini menggunakan program software Microsoft Excel dan E-Views 4.1. Hasil pengolahan data disajikan dalam lampiran. Kemudian untuk menjelaskan hasil analisis, dikutip beberapa bagian dan dituliskan dalam hasil dan pembahasan. 4.3.1. Spesifikasi Model Panel Data Berdasarkan tinjauan pustaka dan kerangka pemikiran yang telah diuraikan pada bab sebelumya dinyatakan bahwa dalam menganalisis faktor-faktor yang mempengaruhi kemiskinan tidak cukup jika hanya dilihat dari sudut pandang ekonomi saja yang digambarkan oleh pengeluaran per kapita. Akan tetapi faktor sosial, pendidikan dan kesehatan, juga harus diperhitungkan sebagai faktor faktor yang mempengaruhi kemiskinan.
Berdasarkan kerangka pemikiran operasional yang telah dijelaskan sebelumnya, maka analisis data dibatasi pada delapan variabel, yaitu persentase jumlah penduduk miskin, angka harapan hidup (AHH), pengeluaran per kapita yang telah disesuaikan, angka melek huruf (AMH), rata-rata lama sekolah, infrastruktur sosial, Angka beban ketergantungan hidup, dan pengangguran. Angka harapan hidup merupakan variabel yang menggambarkan derajat kesehatan masyarakat. Dihipotesiskan bahwa angka harapan hidup (AHH) berhubungan negatif terhadap tingkat kemiskinan. Semakin tinggi angka harapan hidup, mengindikasikan bahwa derajat kesehatan masyarakat semakin baik sehingga produktivitas menjadi meningkat, pendapatan mengalami peningkatan dan akhirnya diharapkan akan menurunkan tingkat kemiskinan. Variabel angka melek huruf (AMH) dan rata-rata lama sekolah (RLS) merupakan indikator pendidikan masyarakat. Seperti halnya variabel angka harapan hidup, angka melek huruf dan rata-rata lama sekolah juga dihipotesiskan berhubungan negatif terhadap tingkat kemiskinan. Semakin tinggi tingkat pendidikan masyarakat yang dicerminkan oleh tingginya angka melek huruf dan rata-rata lama sekolah akan meningkatkan nilai aset dirinya (masyarakat miskin) sehingga meningkatkan posisi tawarnya dalam memperoleh kesempatan kerja. Kemampuan ini mendorong pada peningkatan pendapatan dan akhirnya pengurangan kemiskinan. Selanjutnya variabel daya beli (PPP) sebagai indikator dimensi ekonomi, dihipotesiskan untuk berhubungan negatif terhadap tingkat kemiskinan. Semakin tinggi daya beli masyarakat, indikator dimensi ekonomi, yang diwujudkan oleh suatu kondisi hidup yang layak maka kemampuan masyarakat secara ekonomi
untuk memenuhi kebutuhannya akan semakin tinggi, sehingga tingkat kemiskinan akan semakin rendah. Variabel skor infrastruktur sosial dimasukan kedalam model sebagai variabel yang diduga berpengaruh terhadap kemiskinan untuk menunjukan bagaimana aksesibilitas masyarakat terhadap sarana dan prasarana sosial. Hipotesisnya, variabel skor infrastruktur sosial (INF) ini berhubungan negatif terhadap tingkat kemiskinan. Semakin tinggi skor infrastruktur sosial, artinya semakin tinggi aksesibilitas masyarakat terhadap sarana dan prasarana sosial maka kualitas sumberdaya manusianya akan semakin baik, akhirnya tingkat kemiskinan akan mengalami penurunan karena peningkatan produktivitas. Angka beban ketergantungan (DPNDN) dan tingkat pengangguran terbuka (UNMPLY) dihipotesiskan berhubungan positif dengan tingkat kemiskinan. Semakin tinggi angka beban ketergantungan artinya semakin besar jumlah tanggungan yang membebani penduduk usia produktif sehingga tingkat pendapatan perkapita yang diperoleh akan semakin kecil dan tingkat kemiskinan mengalami peningkatan. Kemudian tingkat pengangguran terbuka semakin tinggi berarti terjadi penurunan standar hidup masyarakat karena menganggur, dengan kata lain, masyarakat tidak memiliki kemampuan untuk memperoleh pendapatan guna memenuhi kebutuhan dasarnya. Sehingga tingkat pengangguran terbuka yang semakin tinggi akan meningkatkan kemiskinan. Berikut adalah spesifikasi model untuk menganalisis bagaimana faktorfaktor yang diidentifikasi mempengaruhi tingkat kemiskinan mempengaruhi tingkat kemiskinan. POV it = α + β 1 ln AHH it + β 2 ln RLS it + β 3 AMH it + β 4 ln PPP it + β 5 ln INF it + β 6 UNMPLY it + β 7 DPNDN it + u it
Dimana: ln POV AHH RLS AMH PPP INF UMPLY DPNDN u i t = Logaritma Natural = Jumlah Penduduk Miskin (persen) = Angka Harapan Hidup (tahun) = Rata-rata lama sekolah (tahun) = Angka Melek Huruf (persen) = Daya Beli (Purchasing Power Parity) (rupiah) = Infrastruktur Sosial = Pengangguran (persen) = Beban ketergantungan hidup (persen) = Variabel pengganggu (error term) = Individu ke-i = Periode waktu ke-t 4.3.2. Evalusi Model Evalusi model dari setiap metode estimasi dilakukan melalui pengujian berdasarkan kriteria ekonomi dan pengujian secara statistik. Evaluasi model berdasarkan kriteria ekonomi dapat dilakukan dengan melihat tanda pada koefisien masing-masing peubah bebas. Dengan demikian sebelum dilakukan estimasi model, perlu disusun hipotesis agar dapat dibandingkan dengan hasil estimasi, sehingga dapat diketahui apakah hasil estimasi tersebut telah sesuai secara ekonomi. Untuk evaluasi model berdasarkan kriteria statistika dapat dilakukan dengan cara uji koefisien regresi (uji t), dan uji statistik R 2.
4.3.2.1. Uji F Uji F ditujukan untuk mengetahui apakah variabel-variabel independen secara bersama-sama memberi pengaruh yang signifikan terhadap variabel dependennya atau tidak. Langkah-langkah yang harus dilakukan dalam Uji F adalah sebagai berikut. 1. Perumusan Hipotesis H 0 : β1 = β2 =. = βk = 0 H1 : minimal ada satu nilai β yang tidak sama dengan nol 2. Perhitungan nilai F-statistik. F-statistik ini dapat diperoleh dari perhitungan komputer atau dengan manual dengan menggunakan formulasi berikut. 3. Bandingkan F-statistic dengan F-Tabel pada α atau bandingkan probabilitas F- statistic (prob(f-statistic)) dengan α ( taraf nyata 5 %). 4. Jika F-statistic > F-tabel pada α atau prob (F-statistic) < α (0.05), maka terima H 1. Artinya, variabel-variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependennya. 4.3.2.2. Uji t Uji t dalam beberapa buku disebut sebagai uji statistik parsial. Uji ini dilakukan untuk mengetahui apakah masing-masing parameter bebas yang dipakai berpengaruh nyata atau tidak terhadap parameter tidak bebas. Langkah-langkah analisisnya antara lain (Ramanathan, 1998). 1. Perumusan hipotesis H 0 : β = β 0 atau variabel bebas (Xi) tidak berpengaruh nyata terhadap variabel tidak bebas (Yi)
H 1 : β β 0 atau variabel bebas (Xi) berpengaruh nyata terhadap variabel tidak bebas (Yi) 2. Perhitungan nilai t-statistik. T-statistik ini dapat diperoleh dari perhitungan komputer atau dengan menggunakan cara manual dengan menggunakan formula sebagai berikut: dengan derajat bebas n k Dimana : = koefisien yang diestimasi = standar error untuk n = jumlah pengamatan k = jumlah variabel bebas dalam model 3. a. Bandingkan dengan t-tabel yaitu nilai t pada df n k dan taraf nyata α untuk one-tailed test dan α/2 untuk two-tailed test. b. uji t-statistik juga dapat dilakukan dengan pendekatan p-value, p-value adalah peluang nilai t lebih besar dari t c. 4. a. Tolak hipotesis nol jika Artinya variabel tersebut berpengaruh nyata terhadap nilai variabel tidak bebas. b. Tolak H 0 atau dapat disimpulkan bahwa koefisien adalah signifikan jika p- value lebih kecil dari taraf nyata α (one tailed t-test) atau α/2 (two tailed t- test). Taraf nyata yang digunakan pada penelitian ini adalah lima persen (5 %).
4.3.2.3. Uji Statistik R 2 (Koefisien Determinasi) Nilai R 2 menunjukan persentase variabel tak bebas dapat dijelaskan oleh variabel bebas. Semakin tinggi nilai R 2 maka semakin baik model karena semakin besar keragaman peubah dependen yang dapat dijelaskan oleh peubah independen. Perhitungan R 2 dapat dilakukan dengan mengikuti rumus berikut (Ramanathan, 1998) : 0 R 2 1 Dimana : ESS = Error Sum Square atau Jumlah Kuadrat Galat RSS = Regression Sum Square atau Jumlah Kuadrat Regresi TSS = Total Sum Square atau Jumlah Kuadrat Total = Variabel pengganggu (error term) dari model yang diestimasi Variabel dependen = Variabel dependen rata-rata 4.3.2.4. Multikolinearitas Multikolinearitas adalah hubungan linier yang kuat antara variabel bebas dalam persamaan regresi berganda (Ramanathan, 1998). Gejala multikolinearitas ini dapat dideteksi dari nilai R 2 tinggi tetapi tidak terdapat atau sedikit sekali koefisien dugaan yang berpengaruh nyata dan tanda koefisien regresi tidak sesuai dengan teori (Gujarati, 1993). Uji formal untuk menentukan ada atau tidaknya multikolinearitas dilakukan jika terdapat suatu keraguan apakah nilai koefisien determinasi termasuk tinggi atau tidak. Akan tetapi jika suatu model sudah dapat ditetapkan memiliki nilai koefisien determinasi yang tinggi, uji formal untuk
menentukan multikolinearitas dapat dideteksi dari dampak yang ditimbulkan akibat adanya multikolinearitas (Nachrowi, 2006). Multikolinearitas dalam pooled data dapat diatasi dengan memberikan pembobotan (cross section weight) atau GLS, sehingga parameter dugaan pada taraf uji tertentu menjadi signifikan (Gujarati, 2003). 4.3.2.5. Heteroskedastisitas Dalam menurunkan suatu model OLS, diasumsikan bahwa residual u t terdistribusi secara identik dengan mean = 0 dan seluruhnya memiliki varian residual yang konstan, yaitu σ 2 sebesar untuk setiap t. Asumsi varian residual ini disebut homoskedastisitas, yang berarti varian residual tersebar secara merata atau semua pengamatan memiliki penyebaran yang sama. Dalam kenyataannya, asumsi ini tidak selalu terpenuhi. Situasi tersebut dinamakan heteroskedastisitas (Ramanathan, 1998). Hal tersebut akan menyebabkan model menjadi tidak efisien meskipun tidak bias dan konsisten. Heteroskedastisitas dapat juga dideteksi dengan membandingkan sum square residual pada weighted statistics dengan sum square residual unweighted statistics. Jika sum square residual pada weighted statistics lebih kecil dibandingkan dengan sum square residual unweighted statistics maka dapat disimpulkan terjadi heteroskedastisitas. Masalah heteroskedastisitas tersebut dapat diatasi dengan metode white Heteroskedasticity yang diestimasi dengan GLS yang diperoleh dari program Eviews 4.1. (Hirantha, 2003 dalam Winniastri, 2007). 4.3.2.6. Autokorelasi Suatu model dikatakan memiliki autokolerasi terjadi jika error dari periode waktu (time series) yang berbeda saling berkorelasi. Masalah autokorelasi ini akan
menyebabkan model menjadi tidak efisien meskipun masih tidak bias dan konsisten. Autokorelasi menyebabkan estimasi standar error dan varian koefisien regresi yang diperoleh akan underestimate. Sehingga R 2 akan besar dan uji-t, uji-f menjadi tidak valid. Autokorelasi yang kuat dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Bila OLS digunakan, maka akan terlihat koefisien signifikansi, dan R 2 yang besar atau disebut juga sebagai regresi lancung atau palsu (Nachrowi, 2006). Untuk mendeteksi ada tidaknya autokorelasi dapat dilakukan uji Durbin Watson (DW) yaitu dengan membandingkan nilai Durbin-Watson dari model dengan DW-Tabel. Jika d < dl, maka terjadi auto korelasi. Jika d > 4-dL, maka ada autokorelasi dan jika du < d < du 4, dapat disimpulkan tidak ada autokorelasi. Untuk mengatasi masalah ini dapat dilakukan metode pembedaan pertama (The First-Differece Methode) (Nachrowi, 2006). Metode Pembedaan Pertama (The First-Differece Methode) memberikan sebuah kriteria untuk menggunakan metode ini jika statistik DW lebih kecil dibandingkan dengan R 2. Pada metode pembedaan pertama tersebut dapat diasumsikan bahwa ρ mendekati satu atau diasumsikan mempunyai autokorelasi yang kuat. Akan tetapi jika diinginkan nilai ρ yang lebih tepat, ρ dapat diestimasi berdasarkan Durbin Watson. Dengan formulasi sebagai berikut. Dimana: = estimasi koefisien korelasi DW = Statistik Durbin-Watson Kemudian data variabel bebas dan variabel terikat ditransformasikan dengan cara:
Setelah ditransformasikan dapat dilakukan estimasi dengan metode Least Square Biasa.