28 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini berupa data sekunder, yaitu berkaitan dengan data yang waktu dikumpulkannya bukan (tidak harus) untuk memenuhi kebutuhan penelitian yang sedang dihadapi sekarang oleh peneliti (Juanda,2009). Data sekunder yang digunakan berupa data kemiskinan, data pengangguran terbuka, jumlah penduduk pendidikan lulus SMP, jumlah penduduk, angka harapan hidup dan pertumbuhan ekonomi. Data yang menunjang penelitian diperoleh dari Badan Pusat Statistik (BPS) dan perpustakaan IPB, sedangkan informasi yang lain bersumber dari jurnal ilmiah dan buku teks. Data sekunder yang digunakan adalah deret waktu (times series data) untuk kurun waktu 2004-2010 dan data kerat lintang (cross section) yang meliputi 15 Kabupaten/kota di NTT yaitu : Sumba Barat, Sumba Timur, Kupang, Timur Tengah Selatan, Timur Tengah Utara, Belu, Alor, Lembata, Flores Timor, Sikka, Ende, Ngada, Manggarai, Rote Ndao, dan Kota Kupang. 3.2 Metode Analisis Metode analisis yang digunakan untuk untuk menganalisis kondisi kemiskinan dan strategi kebijakan yang lebih efektif dalam upaya pengentasan kemiskinan di NTT digunakan analisis deskriptif. Sedangkan untuk melihat faktor-faktor yang mempengaruhi kemiskinan di NTT digunakan analisis panel data. Pengolahan data dilakukan dengan bantuan program Eviews 6.
29 3.2.1 Analisis Deskriptif Analisis deskriptif dilakukan untuk memberikan gambaran kondisi kemiskinan dan strategi kebijakan yang efektif dalam upaya pengentasan kemiskinan di NTT. Analisis deskriptif digunakan untuk melakukan analisis terhadap data-data kuantitatif dan interpretasi terhadap data-data kuantitatif seperti hasil faktor-faktor yang mempengaruhi kemiskinan. 3.2.2 Analisis Panel Data Dalam melakukan sebuah penelitian, banyaknya data merupakan salah satu syarat agar penelitian tersebut dapat mewakili perilaku dari model yang dikehendaki. Masalah keterbatasan data dalam sebuah penelitian merupakan hal yang sering dialami oleh para peneliti, terkadang dalam penelitian yang menggunakan data series, data yang tersedia terlalu pendek sehingga dalam pengolahan data time series tidak dapat dilakukan. Begitu pula dengan pengolahan data cross section, terkadang jumlah unit data yang dibutuhkan terbatas. Persoalan keterbatasan data seperti itu, dalam ekonometrika dapat diatasi dengan menggunakan analisis panel data. Analisis panel data secara umum dapat didefinisikan sebagai analisis satu kelompok variabel yang tidak saja mempunyai keragaan (dimensi) dalam time series tetapi juga dalam cross section. Penggunaan panel data memberikan banyak keuntungan secara statistik maupun teori ekonomi. Manfaat dari penggunaan data panel antara lain (Baltagi,1995): 1. Memberikan data yang informative, menambah derajat bebas, lebih efisien dan mengurangi kolinearitas antar variabel
30 2. Memungkinkan analisis terhadap sejumlah permasalahan ekonomi yang krusial yang tidak dapat dijawab oleh analisis data runtun waktu atau kerat lintang saja. 3. Memperhitungkan derajat heterogenitas yang lebih besar yang menjadi karakteristik dari individual antar waktu. 4. Adanya fleksibilitas yang lebih tinggi dalam memodelkan perbedaan perilaku antar individu dibandingkan data kerat lintang 5. Dapat menjelaskan dyanamic adjustment secara lebih baik. Dalam model data panel menggunakan data time series adalah : Y t = β 0 + β 1 X t + µ t ; t= 1,2,..,T (3.1) Dimana T adalah banyaknya data Time-Series. Sedangkan model data panel menggunakan data cross section adalah : Y i = β 0 + β 1 X i + µ i ; i= 1,2,..,N (3.2) Dimana N adalah banyaknya data cross section Mengingat data panel merupakan gabungan dari data time series dan cross section, maka model dapat ditulis sebagai berikut : Y it = β 0 + β 1 X it + µ it...(3.3) Terdapat beberapa asumsi dasar yang melandasi penentuan model data panel. Asumsi dasar ini ditentukan oleh conditionality dari variabel bebas (xij) yang digunakan dalam model data panel itu sendiri. Berdasarkan pemiliham model, akan menentukan model estimasi dari model panel yang dipilih. Terdapat tiga metode dalam mengestimasi data panel, yaitu :
31 1. Pooled Least Square (PLS) Dalam metode ini terdapat (K) regresor dalam (X it ), kecuali kosntanta. Metode ini juga dikenal sebagai Common Effect Model (CEM). Jika efek individual (α i ) kostan sepanjang waktu (t) dan spesifik terhadap setiap unit (i) maka modelnya akan sama dengan model regresi biasa. Jika nilai (α i ) sama untuk unitnya, maka OLS akan menghasilkan estimasi yang konsisten dan efisien untuk (α) dan (β). Oleh karena itu, metode ini dapat digunakan dalam mengestimasi model. 2. Fixed Effects Model (FEM) Model ini menggunakan semacam peubah boneka untuk memungkinka n perubahan-perubahan dalam intersep kerat lintang dan runtut waktu akibatnya adanya peubah-peubah yang dihilangkan. Intersep hanya bervariasi terhadap individu namun konstan terhadap waktu sedangkan slopenya konstan baik terhadap individu maupun waktu. Kelemahan model efek tetap adalah penggunaan jumlah derajat kebebasan yang banyak serta penggunaan peubah boneka tidak secara langsung mengidentifikasikan apa yang menyebabkan garis regresi bergeser lintas waktu dan lintas individu. Modelnya ditulis sebagai Υ i = α i + βχ i +ε i. 3. Random Effects Model (REM) Intersepnya bervariasi terhadap individu dan waktu namun slopnya konstan terhadap individu maupun waktu. Metode ini juga dikenal sebagai variance components estimation. Model ini meningkatkan efisiensi proses pendugaan kuadrat terkecil dengan memperhitungkan pengganggupengganggu kerat lintang dan deret waktu. Model estimasinya yang digunakan
32 adalah γ it =α i + βχ it +µ i + ε i dengan (µ i ) adalah nilai gangguan acak pada observasi (i) dan konstan sepanjang waktu. Dapat dikatakan bahwa FEM digunakan atas asumsi bahwa dari gangguan mempunyai pengaruh yang tetap. Sedangkan REM digunakan atas asumsi bahwa gangguan diasumsikan bersifat acak. 3.2.3 Pemilihan Model dalam Pengolahan Data Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan berdasarkan pertimbangan statistic. Hal ini ditunjukan untuk memperoleh dugaan yang efisien. Diagram pengujian statistic untuk memilih model yang digunakan dapat diperlihatkan pada Gambar 3.1 berikut ini Pooled Least Square Chow Test Fixed Effects Model Hausman Test Random Effects Models Gambar 3.1 Pengujian Pemilihan Model dalam Pengolahan Data Panel.
33 3.2.3.1 Uji Chow Test Chow test (uji F-statistik) adalah pengujian untuk memilih apakah model yang digunakan Pooled Least Square atau Fixed Effects. Sebagaimana yang diketahui bahwa terkadang asumsi bahwa setiap unit cross section memiliki perilaku yang sama cenderung tidak realistis mengingat dimungkinkan setiap unit cross section memiliki perilaku yang berbeda. Dalam pengujiannya hipotesa sebagai berikut: H0 : Model Pooled Least Square H1: Model Fixed effects Dasar penolakan terhadap hipotesa nol adalah dengan menggunakan F statistic seperti yang dirumuskan oleh Chow: (3.4 ) Dimana : ESS 1 = Residual Sum Square hasil pendugaan model pooled least square ESS 2 = Residual Sum Square hasil pendugaan model fixed effect N = Jumlah data Cross section T = Jumlah data time series K= Jumlah variabel penjelas Jika nilai CHOW statistics (F stat) hasil pengujian lebih besar dari F-tabel, maka cukup bukti untuk melakukan penerimaan terhadap hipotesa Nol sehingga
34 model yang digunakan adalah fixed effects, dan begitu juga sebaliknya. Pengujian ini disebut sebagai Chow Test karena kemiripannya dengan Chow Test yang digunakan untuk menguji stabilitas parameter. 3.2.3.2 Uji Hausman Test Hausman test adalah pengujian statistic sebagai dasar pertimbangan dalam memilih apakah model fixed effects atau model random effects. Seperti yang kita ketahui bahwa penggunaan model fixed effect mengndung suatu unsur trade off yaitu hilangnya derajat bebas dengan memasukan variabel dummy. Namun, penggunaan metode random effect juga harus memperhatikan ketiadaan pelanggaran asumsi dasar dari setiap komponen galat. Hausman test dilakukan dengan hipotesa sebagai berikut H0 : Model Random Effects H1 : Model Fixed Effects Sebagai dasar penolakan Hipotesa Nol maka digunakan statistic Hausman dan membandingkan dengan Chi-square statistic Hausman dirumuskan dengan : М=(β-b)(M 0 -M 1 ) -1 (β-b)χ 2 (K)..(3.5 ) Dimana β adalah vektor untuk statistic variabel fixed effect, b adalah vektor statistik variabel random effect, M 0 adalah matriks kovarians untuk dugaan random effects dan M i adalah matriks kovarians untuk dugaan fixed effect model. Jika nilai m hasil pengujian lebih besar dari χ 2 tabel atau nilai hausman test lebih besar dari taraf nyata maka cukup bukti untuk melakukan penerimaan terhadap hipotesa nol sehingga model yang digunakan adalah random effects, dan begitu juga sebaliknya.
35 3.2.4 Evaluasi Model 3.2.4.1 Multikolinearitas Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas atau independen. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel. Apabila nilai R 2 yang dihasilkan dalam model regresi sangat tinggi, tetapi secara individual variabel bebas banyak yang tidak signifikan, hal ini merupakan salah satu terjadinya indikasi multikolinearitas. 3.2.4.2 Autokorelasi Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin- Watson(DW) dalam Eviews. Untuk mengatahui ada atau tidaknya autokorelasi, maka dilakukan dengan membandingkan DW statistiknya dengan DW-tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam tabel 3. Tabel 3.1 Kerangka Identifikasi Autokorelasi Nilai Durbin Watson Kesimpulan DW < 1,10 Ada autokorelasi 1,10 < DW < 1,54 Tanpa kesimpulan 1,55 < DW < 2,46 Tidak ada auto korelasi 2,46 < DW < 2,90 Tanpa kesimpulan DW > 2,91 Ada autokorelasi Sumber : Firdaus, 2004
36 3.2.4.3 Heteroskedasitas Suatu fungsi dikatakan baik apabila memenuhi asumsi homoskedasitas atau memiliki ragam error yang sama. Gejala adanya heteroskedasitas dapat ditunjukan oleh probability Obs*R-Squared pada uji White Heteroskedacity. H 0 = γ= 0 H 1 = γ 0 Kriteria uji : Probality Obs*R-Squared < α, maka tolak H o Probality Obs*R-Squared > α, maka terima H 0 3.2.4.4 Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel residual memiliki distribusi normal atau tidak. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai residual mengikuti distribusi normal. Ada beberapa metode untuk mengetahui normal atau tidaknya distribusi residual antara lain Jarque-Bera Test (J-B test)dan metode grafik. Dalam penelitian ini akan menggunakan metode J-B, apabila J-B hitung < nilai χ 2 (Chi- Squared), maka nilai residual terdistribusi normal. 3.3 Model Umum Penelitian Penelitian mengenai pengaruh pertumbuhan ekonomi, pengangguran, jumlah penduduk yang lulus SMP, jumlah populasi, dan angka harapan hidup di
37 Kabupaten/Kota di NTT, menggunakan data time series selama tujuh tahun terakhir yaitu 2004-2010 dan data cross section sebanyak 15 data mewakili Kabupaten/Kota di NTT. Kombinasi atau Pooling menghasilkan 105 observasi dengan fungsi persamaan data panelnya sebagai berikut : Model yang digunakan dalam penelitian ini adalah sebagai berikut: Ln K it = α 0 + β 1 PE it + β 2 SMP it + β 3 PG it + β 4 ln JP it + β 5 ln AH it + µ it.. (3.6) Dimana : Ln K PE SMP = Logaritma natural jumlah penduduk miskin = Persentase pertumbuhan ekonomi = Persentase jumlah penduduk berumur 10 tahun keatas yang lulus SMP PG Ln JP Ln AH β 0 β 1, β 2, β 3 = Persentase tingkat pengangguran terbuka = Logaritma natural jumlah penduduk = Logaritma natural angka harapan hidup = Intersep = Koefisien regresi variabel bebas µ it = Komponen error i = 1,2,3,..15 (data cross section Kabupaten/Kota di NTT) t = 1,2,3,4 (data time series 2004-2010)