III. METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data panel (pooled data) yang merupakan gabungan data silang (cross section) dan data runtun waktu (time series) selama kurun waktu 1996-2010 pada delapan negara ASEAN 5+3 yaitu Indonesia, Malaysia, Singapura, Thailand, Filipina, Korea Selatan, Jepang dan China. Jenis data panel yang digunakan dalam penelitian ini adalah balanced panel dimana setiap unit cross section memliki jumlah observasi time series yang sama. Sumber data yang digunakan berasal dari World Bank dan Asian Development Bank (ADB). Tabel 1. Variabel, Data yang Digunakan, dan Sumber Data Variabel Data yang Digunakan Sumber Data (1) (2) (3) SIGAP Persentase Kesenjangan antara Tabungan ADB Domestik dan Investasi Domestik terhadap GDP Tahunan (data dalam persen) FDI Persentase Nilai FDI Inflow terhadap GDP World Bank Tahunan (data dalam persen) CPI Persentase Tingkat Inflasi Berdasarkan Consumer Price Index Tahunan (data dalam persen) World Bank TP Jumlah Populasi Tahunan (data dalam jumlah World Bank jiwa) GROWTH Tingkat Rata-Rata Pertumbuhan Ekonomi World Bank Tahunan (data dalam persen) DKRISIS Variabel dummy krisis 3.2 Metode Pengolahan Data Pengolahan atas data sekunder untuk variabel kesenjangan tabungan dan investasi, FDI Inflow, tingkat inflasi, total populasi, pertumbuhan ekonomi dan dummy krisis ekonomi untuk mengetahui faktor-faktor yang memengaruhi kesenjangan tabungan dan investasi domestik menggunakan beberapa paket program statistik seperti Microsoft Office Excel 2007 dan EViews 6.0. Kegiatan pengolahan data dengan Microsoft Office Excel 2007 meliputi pembuatan tabel
28 dan grafik untuk analisis deskriptif. Pengujian signifikasi analisis regresi data panel menggunakan EViews 6.0 sebagai program pengolahan datanya. 3.3 Metode Analisis Data Metode analisis data yang digunakan antara lain metode analisis deksriptif dan metode analisis inferensia. Metode analisis deskriptif digunakan untuk memberikan gambaran umum mengenai kondisi kesenjangan tabungan dan investasi domestik di negara ASEAN 5+3 meliputi perkembangan tabungan dan investasi domestik dan beberapa variabel lain seperti FDI, tingkat inflasi, total populasi, pertumbuhan ekonomi dan krisis ekonomi di negara ASEAN 5+3. Metode analisis inferensia yang dilakukan untuk mengestimasi model ini adalah pendekatan ekonometrika dengan metode analisis regresi data panel. Baltagi (2008) menyatakan bahwa keunggulan penggunaan analisis data panel antara lain sebagai berikut : 1. Analisis data panel memiliki kontrol terhadap heterogenitas data individual dalam satu periode waktu. 2. Analisis data panel menyajikan data yang lebih informatif, lebih bervariasi, memiliki kolinearitas antar variabel yang kecil, memiliki derajat kebebasan yang lebih besar dan lebih efisien. 3. Analisis data panel lebih tepat dalam mempelajari dinamika penyesuaian (dynamics of change). 4. Analisis data panel dapat lebih baik mengidentifikasi dan mengukur pengaruh yang secara sederhana tidak dapat terdeteksi dalam data cross section atau time series saja. 5. Model analisis data panel dapat digunakan untuk membuat dan menguji model perilaku yang lebih kompleks dibandingkan analisis data cross section murni atau time series murni. 6. Analisis data panel pada level mikro dapat meminimisasi atau menghilangkan bias yang terjadi akibat agregasi data ke level makro.
29 3.3.1 Uji Stasioneritas Data Panel Analisis data panel umumnya menggunakan data dalam bentuk level dengan tujuan untuk memudahkan interpretasi model, namun jika kemudian penelitian menggunakan data dengan series yang yang mengandung tren, maka perlu dilakukan pengujian unit root, untuk memastikan bahwa hubungan antara variabel dependen dan variabel independen tidak menunjukkan spurious regression. Bila hasil pengujian unit root menunjukkan adanya tren pada data level, maka seperti biasanya, harus dilakukan pembedaan pertama (first differencing) untuk menghindari terjadinya hasil yang misleading. Perlu diingat bahwa karena data yang digunakan dalam penelitian adalah data panel, maka pengujian unit root yang digunakan bukan menggunakan metode yang biasa, tetapi menggunakan panel unit root. Pengujian ini disarankan oleh Baltagi (2005) untuk data panel dengan N dan T yang relatif tidak besar. Hipotesis nol yang digunakan dalam pengujian panel unit root sama seperti pada pengujian unit root untuk data time series murni, hanya saja statistik uji yang digunakan merupakan pengembangan lebih lanjut dari statistik uji Augmented Dickey Fuller (ADF) dan Phillips Perron (PP). Statistik uji yang digunakan dalam menguji panel unit root terdiri dari dua jenis, yaitu common unit root yang terdiri dari statistik uji Levin, Lin and Chu (LLC) dan Breitung s test; serta individual unit root yang terdiri statistik uji Im, Pesaran and Shin (IPS), ADF Fisher test dan PP Fisher test. Setelah diperoleh hasil pengujian yang menyatakan bahwa series dari data panel tidak mengandung unit root maka estimasi bisa dilaksanakan. 3.3.2 Metode Estimasi Regresi Data Panel Data panel adalah satu set observasi yang terdiri dari beberapa individu pada suatu periode tertentu. Observasi tersebut merupakan pasangan y it (variabel terikat) dengan x it (variabel bebas) dimana i menunjukkan individu, t menunjukkan waktu, dan j menunjukkan variabel bebas yang dinyatakan dalam sebuah persamaan berikut: y it = α + βxj it + ε it (3.1)
30 Metode estimasi regresi data panel dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, antara lain : 1. Pooled Least Square Model Pooled Least Square Model merupakan metode estimasi model regresi data panel yang paling sederhana dengan asumsi intercept dan koefisien slope yang konstan antar waktu dan cross section (Common Effect). Persamaan pada estimasi menggunakan Pooled Least Square Model dapat dituliskan dalam bentuk sebagai berikut : (3.2) dimana : = nilai variabel terikat (dependent variable) untuk setiap unit cross section = nilai variabel penjelas (explanatory variable) ke-j untuk setiap cross section α = intercept yang konstan antar waktu dan cross section = slope untuk variabel ke-j yang konstan antar waktu dan cross section = komponen error untuk setiap unit cross section ke-i pada periode waktu t. N adalah jumlah unit cross section, T adalah jumlah periode waktunya dan K adalah jumlah variabel penjelas. Dengan mengasumsikan komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap cross section. Kelemahan Pooled Least Square Model ini adalah dugaan parameter β akan bias karena tidak dapat membedakan observasi yang berbeda pada periode yang sama serta tidak dapat membedakan observasi yang sama pada periode yang berbeda. 2. Fixed Effect Model Fixed effect model memasukkan unsur variabel dummy sehingga intersept α bervariasi antar individu maupun antar unit waktu. Fixed effect model lebih tepat digunakan jika data yang diteliti ada pada tingkat individu serta jika terdapat korelasi antara ε dan x. Persamaan pada estimasi menggunakan Fixed effect it it model dapat dituliskan dalam bentuk sebagai berikut : Y = β + β X + β X + u it 1i 2 2it 3 3it it (3.3)
31 Keputusan memasukkan variabel dummy ini harus didasarkan pada pertimbangan statistik. Penambahan variabel dummy ini akan dapat mengurangi banyaknya degree of freedom yang akhirnya akan memengaruhi keefisienan dari parameter yang diestimasi. Kelebihan pendekatan ini adalah dapat menghasilkan dugaan parameter β yang tidak bias dan efisien. Tetapi kelemahannya jika jumlah unit observasinya besar maka akan terlihat rumit. 3. Random Effect Model Random Effect Model disebut juga komponen error (error component model) karena di dalam model ini parameter yang berbeda antar unit cross section maupun antar waktu yang dimasukkan ke dalam error. Persamaan pada estimasi menggunakan Random Effect Model dapat dituliskan dalam bentuk sebagai berikut : (3.4) dengan (3.5) dimana : ~ N (0, δu 2 ) = komponen cross section error ~ N (0, δv 2 ) = komponen time series error 2 ~ N (0, δw ) = komponen error kombinasi Asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya. 3.3.3 Pengujian Model Data Panel Statis Untuk memilih model mana yang paling tepat digunakan untuk pengolahan data panel, maka terdapat beberapa pengujian yang dapat dilakukan, antara lain: 1. Chow Test Chow Test merupakan pengujian untuk memilih apakah model yang digunakan Pooled Least Square Model atau Fixed Effect Model. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut: H : Pooled Least Square Model 0 H : Fixed Effect Model 1
32 Dasar penolakan terhadap hipotesis nol tersebut adalah dengan menggunakan F-Statistic seperti yang dirumuskan oleh Chow: / ~, (3.6) / dimana: RRSS = Restricted Residual Sum Square (Sum Square Residual PLS) URSS = Unrestricted Residual Sum Square (Sum Square Residual Fixed) N = jumlah data cross section T = jumlah data time series K = jumlah variabel independen Dimana pengujian ini mengikuti distribusi F yaitu,. Jika nilai CHOW Statistics (F Statistic) hasil pengujian lebih besar dari F Tabel, maka cukup bukti bagi kita untuk melakukan penolakan terhadap H 0 sehingga model yang kita gunakan adalah Fixed Effect Model, begitu juga sebaliknya. 2. Hausman Test Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita dalam memilih apakah menggunakan Fixed Effect Model atau Random Effect Model. Pengujian ini dilakukan dengan hipotesis sebagai berikut: H 0 : Random Effect Model H 1 : Fixed Effect Model Sebagai dasar penolakan H 0 maka digunakan statistik Hausman dan membandingkannya dengan Chi squar e. Statistik Hausman dirumuskan dengan: ~ (3.7) dimana M adalah matriks kovarians untuk parameter β dan k adalah derajat bebas yang merupakan jumlah variabel independen. Jika nilai H hasil pengujian lebih besar dari, maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga model yang digunakan adalah Fixed Effect Model, begitu pula sebaliknya.
33 3.4 Metode Evaluasi Model Setelah hasil pengolahan data dengan metode analisis data panel selesai dilakukan, harus dilakukan evaluasi terhadap model estimasi yang dihasilkan. Metode estimasi yang dihasilkan melalui metode analisis data panel tersebut harus dievaluasi berdasarkan tiga kriteria sebagai berikut: 1. Kriteria Ekonometrika 2. Kriteria Statistik 3. Kriteria Ekonomi 3.4.1 Kriteria Ekonometrika Model estimasi regresi linear yang ideal dan optimal harus menghasilkan estimator yang memenuhi kriteria Best Linear Unbiased Estimator (BLUE) yang antara lain sebagai berikut : a. Estimator linear artinya adalah estimator merupakan sebuah fungsi linear atas sebuah variabel dependen yang stokastik. b. Estimator tidak bias artinya nilai ekspektasi sesuai dengan nilai yang sebenarnya. c. Estimator harus mempunyai varians yang minimum. Estimator yang tidak bias dan memiliki varians minimum disebut estimator yang efisien. Terdapat beberapa permasalahan yang dapat menyebabkan sebuah estimator tidak dapat memenuhi asumsi kriteria BLUE antara lain sebagai berikut: 1. Normalitas Pengujian asumsi normalitas dilakukan untuk melihat apakah error term mengikuti distribusi normal atau tidak. Jika asumsi normalitas ini tidak dipenuhi maka prosedur pengujian dengan menggunakan uji t-statistic menjadi tidak sah. Pengujian asumsi normalitas dapat dilakukan dengan Jarque Bera Test atau dengan melihat plot dari sisaan. Hipotesis dalam pengujian normalitas adalah: H 0 : Residual berdistribusi Normal H 1 : Residual tidak berdistribusi Normal
34 Dasar penolakan H 0 dilakukan dengan membandingkan nilai probabilitas Jarque Bera dengan taraf nyata α sebesar 0,05 dimana jika lebih besar menandakan H 0 tidak ditolak dan residual berdistribusi normal. 2. Multikolinearitas Istilah multikolinearitas berarti terdapat hubungan linier antar variabel independennya. Gujarati (2006) menyatakan indikasi terjadinya multikolinearitas dapat terlihat melalui: a. Nilai R-squared yang tinggi tetapi sedikit rasio yang signifikan. b. Korelasi berpasangan yang tinggi antara variabel-variabel independennya. c. Melakukan regresi tambahan (auxiliary) dengan memberlakukan variabel independen sebagai salah satu variabel dependen dan variabel independen lainnya tetap diberlakukan sebagai variabel independen. Cara untuk mendeteksi multikolinearitas adalah dengan menghitung korelasi antara dua variabel bebas. Serta cara untuk mengatasi masalah multikolinearitas antara lain biasanya dilakukan dengan menambah jumlah data atau mengurangi jumlah data observasi, menambah atau mengurangi jumlah variabel independennya yang memiliki hubungan linear dengan variabel lainnya, mengkombinasikan data cross section dan time series, mengganti data, dan mentransformasi variabel. 3. Heteroskedastisitas Salah satu asumsi dasar dari metode regresi linear adalah varians tiap unsur error adalah suatu angka konstan yang sama dengan δ 2. Heteroskedastisitas terjadi ketika varians tiap unsur error tidak konstan. Guajarati (2006) menyatakan heteroskedastisitas memiliki beberapa konsekuensi, diantaranya adalah : a. Estimator OLS masih linier dan masih tidak bias, tetapi varians tidak minimum sehingga hanya memenuhi karakteristik Linier Unbiased Estimator (LUE). b. Perhitungan standar error tidak lagi dapat dipercaya kebenarannya karena varians tidak minimum sehingga dapat menghasilkan estimasi regresi yang tidak efisien.
35 c. Uji hipotesis yang didasarkan pada uji F-statistic dan t-statistic tidak dipercaya. Uji heteroskedastisitas dapat diatasi mengggunakan metode GLS Weight Cross-section yang tersedia dalam program EVIEWS 6.0. 4. Autokorelasi Gujarati (2006) menyatakan autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data time series atau diurutkan menurut ruang seperti dalam data cross section. Suatu model dikatakan memiliki autokorelasi 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 tetapi di uji t-statistic dan uji F- statistic menjadi tidak valid. Untuk masalah autokorelasi pengujiannya dilakukan dengan melihat Durbin-Watson stat yang nilainya telah disediakan dalam program EVIEWS 6.0 dibandingkan dengan DW-Tabel. Sebuah model dapat dikatakan terbebas dari autokorelasi jika nilai Durbin-watson stat terletak di area nonautokorelasi. Penentuan area tersebut dibantu dengan nilai tabel D L dan D U. Jumlah observasi (N) dan jumlah variabel independen (K). Dengan menggunakan hipotesis pengujian sebagai berikut: H 0 : Tidak terdapat autokorelasi H 1 : Terdapat autokorelasi Maka aturan pengujiannya adalah sebagai berikut : 0 < d < D L : tolak H 0, ada autokorelasi positif D L d D U : daerah ragu-ragu, tidak ada keputusan D U < d < 4 D U : terima H 0, tidak ada autokorelasi 4 - D U d 4-D L : daerah ragu-ragu, tidak ada keputusan 4 D L < d < 4 : tolak H 0, ada autokorelasi negatif
36 3.4.2 Kriteria Statistik Evaluasi model berdasarkan kriteria statistik dilakukan dengan beberapa pengujian antara lain sebagai berikut: a. Koefesien Determinasi (R 2 ) Nilai koefisien determinasi (R 2 ) digunakan untuk mengukur seberapa besar tingkat variabel independen yang digunakan dalam penelitian dapat menjelaskan variabel dependen. Nilai tersebut menunjukkan seberapa dekat garis regresi yang kita estimasi dengan data yang sesungguhnya. Nilai R 2 terletak antara nol hingga satu dimana semakin mendekati satu maka model akan semakin baik. b. Uji F-statistic Uji F-statistic digunakan untuk mengetahui apakah variabel-variabel independen yang digunakan dalam penelitian secara bersama-sama signifikan memengaruhi variabel dependen. Nilai F-statistic yang besar lebih baik dibandingkan dengan F-statistic yang rendah. Nilai Prob(F-statistic) merupakan tingkat signifikansi marginal dari F-statistic. Dengan menggunakan hipotesis pengujian sebagai berikut: H 0 : β 1 =β 2 = =β k =0 H 1 : minimal ada salah satu β j yang tidak sama dengan nol Tolak H 0 jika F-statistic > F α(k-1,nt-n-k) atau Prob(F-statistic) < α. Jika H 0 ditolak, maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen yang digunakan di dalam model secara bersama-sama signifikan memengaruhi variabel dependen. c. Uji t-statistic Uji t-statistic digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen. Dengan menggunakan hipotesis pengujian sebagai berikut: H 0 : β j = 0 H 1 : β j 0
37 Tolak H 0 jika t-statistic > t α/2(nt-k-1). Jika H 0 ditolak, maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen ke-i secara parsial memengaruhi variabel dependen. 3.4.3 Kriteria Ekonomi Evaluasi model estimasi berdasarkan kriteria ekonomi dilakukan dengan membandingkan kesesuaian tanda dan nilai estimator dengan teori ekonomi dan kesesuaian dengan logika. 3.5 Perumusan Model Rancangan model yang akan diajukan adalah model regresi linear dengan lima variabel independen, dengan variabel dependennya SIGAP dan variabel independennya adalah FDI, CPI, TP, GROWTH, dan DKRISIS. Data yang diperoleh pada variabel-variabel tersebut ternyata berbeda satuan. Variabel SIGAP, FDI, CPI, dan GROWTH disajikan dalam satuan persentase, sedangkan variabel TP disajikan dalam satuan jumlah jiwa. Oleh karena itu, untuk memudahkan dalam mengolah data dan interpretasi hasil akhir, variabel independen TP yang berbeda satuan akan ditransformasi sehingga menjadi bentuk satuan yang sama, yaitu dalam bentuk log natural, sedangkan untuk variabel DKRISIS yang tidak memiliki satuan, tidak ditransformasi karena tidak akan diinterpretasikan hasilnya. Dengan model tersebut diharapkan bahwa hasil regresi yang diperoleh akan lebih efisien dan mudah untuk diinterpretasikan. Sesuai dengan keterangan di atas, maka spesifikasi model tersebut secara ekonometrika akan menjadi model sebagai berikut : SIGAP it = α +β 1 FDI it + β 2 CPI it + β 3 ln(tp it ) + β 4 GROWTH it + β 5 DKRISIS + ε it (3.8) dimana: SIGAP it = Kesenjangan Tabungan dan Investasi Domestik terhadap GDP Tahunan (data dalam persen) FDI it = Persentase Nilai FDI Inflow terhadap GDP Tahunan (data dalam persen)
38 CPI it = Persentase Tingkat Inflasi Berdasarkan Consumer Price Index Tahunan (data dalam persen) TP it = Jumlah Populasi Tahunan (data dalam jumlah Jiwa) GROWTH it = Tingkat Rata-rata Pertumbuhan Ekonomi Tahunan (data dalam persen) DKRISIS = Variabel dummy yang mengindikasikan terjadinya krisis ekonomi dimana nilainya sama dengan satu pada saat krisis ekonomi dan nilainya sama dengan nol pada saat bukan krisis ekonomi. 3.6 Definisi Operasional Variabel Definisi operasional variabel yang digunakan dalam model penelitian ini antara lain: a. SIGAP Variabel SIGAP merupakan variabel yang merepresentasikan kesenjangan tabungan dan investasi domestik. Nilai variabel SIGAP merupakan nilai akhir dari pengurangan Gross Domestic Saving terhadap Gross Domestic Capital Formation atas dasar persentase terhadap GDP Tahunan. b. FDI Variabel FDI merupakan variabel yang merepresentasikan Penanaman Modal Asing Langsung. Nilai variabel FDI ini merupakan nilai FDI Inflow suatu negara selama satu tahun dibagi nilai GDP. c. CPI Variabel CPI merupakan variabel yang merepresentasikan tingkat inflasi suatu negara berdasarkan Consumer Price Index selama satu tahun pada suatu negara. d. TP Variabel TP merupakan variabel yang merepresentasikan jumlah populasi manusia di suatu negara dalam satuan jumlah jiwa. e. GROWTH Variabel GROWTH merupakan variabel yang merepresentasikan pertumbuhan ekonomi. Nilai variabel GROWTH ini merupakan nilai tingkat rata-
39 rata pertumbuhan Gross Domestic Product (GDP) Riil per tahun atas dasar harga konstan tahunan dalam persentase. f. DKRISIS Variabel DKRISIS merupakan variabel dummy yang digunakan dalam persamaan regresi karena variabel tersebut sifatnya kualitatif. Suatu cara untuk membuat data kuantitatif dari data kualitatif adalah dengan cara memberikan nilai satu atau nol. Dalam penelitian ini digunakan variabel DKRISIS untuk menerangkan pertumbuhan ekonomi pada saat krisis, baik krisis moneter Asia tahun 1997-1998, krisis minyak dunia tahun 2005, maupun krisis keuangan tahun 2008-2009, sedangkan nilai nol diberikan pada pertumbuhan ekonomi pada saat tidak krisis.