41 BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Penelitian ini merupakan kajian tentang faktor-faktor yang mempengaruhi kemiskinan terhadap ekonomi Indonesia dalam waktu 1996-2013, oleh karena pada periode tersebut adalah periode permulaan masalah krisis ekonomi dan periode pemulihannya. Adapun faktor-faktor yang mempengaruhi kemiskinan terhadap ekonomi Indonesia yang dianalisis adalah inflasi, pengangguran dan angka partisipasi sekolah. B. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder dan berbentuk time series. Sumber Data yang digunakan yaitu data dari Badan Pusat Statistik (BPS) dan data dari World Bank. Data yang digunakan dalam penelitian ini yaitu; 1. Kemiskinan Indonesia tahun 1996 s/d 2013. 2. Inflasi Indonesia tahun 1996 s/d 2013. 3. Angka pengangguran Indonesia tahun 1996 s/d 2013. 4. Angka partisipasi pendidikan menengah atau tingkat SMA/SMK/MA Indonesia tahun 1996 s/d 2013.
42 C. Teknik Pengumpulan Data Data yang digunakan dalam penelitian ini merupakan data sekunder dan berbentuk time series yang diperoleh dengan cara servei di Internet dari website World Bank dan Badan Pusat Statistik Indonesia. D. Definisi Operasional Variabel Beberapa definisi operasional variable dalam penelitian ini memiliki batasan sebagai berikut : a. Kemiskinan adalah persentase yang mejelaskan kebutuhan penduduk berdasarkan PPP (purchasing power parity) dibawah garis kemiskinan pada hitungan pendapatan dibawah 1 US Dollar perhari (%). b. Inflasi adalah pengukuran pertahunan pada angka perubahan secara mutlak pada harga barang dan jasa, yang mana menunjukan angka perubahan harga kecenderungan meningkat pada keseluruhan yang berdasarkan nilai tetap pada mata uang setempat (%). c. Pengangguran adalah persentase penduduk usia kerja yang belum mempunyai perkerjaan tapi ada kesempatan kerja dan sedang mencari perkerjaan dan tidak mencari kerja karena tidak munkin mendapatkan pekerjaan (%). d. Pendidikan adalah jumlah pendaftaran sekolah tingkat menengah dalam perbandingan bruto terhadap total pendaftaran pendidikan tingkat menengah yang sudah menyelesaikan persyaratan pendidikan dasar dan bertujuan memandirikannya dan pembangunan manusia memalui mata pelajaran atau penampilannya (%).
43 E. Teknik Analisis Data Teknik analisis data yang digunakan dalam penelitian ini adalah metode analisis data kuantitatif. Alat analisis data yang digunakan adalah Eviews 6 adalah sebuah program komputer yang digunakan untuk menganalisa sebuah data dengan analisis statistik. Teknik analisis data yang mengunakan adalah regresi berganda untuk mengetahui pengaruh variabel Inflasi (X1), Pengangguran (X2) dan Angka Patisipasi Sekolah (X3) terhadap Kemiskinan (Y). Model ekonometrika (Gujarati, 2004) : Y = β 1 + β 2 X + β 3 X 2 + β 4 X 3 + e.. (1) Untuk teknik analisis data yang mengunakan adalah regresi liniear berganda. Model persamaannya adalah sebagai berikut: Y = α + β 1 X 1 + β 2 X 2 + β 3 X 3 + e. (2) Untuk memperoleh linear bentuk persamaan (2) maka persamaan tersebut dilinearkan dengan menggunakan Double-Log, sehingga diperoleh : lny = β 0 + β 1 lnx 1 + β 2 lnx 2 + β 3 lnx 3 + e (3)
44 Keterangan : lny lnx 1 lnx 2 lnx 3 β 0 β 1 β 2 β 3 e = Logaritma Kemiskinan = Logaritma Inflasi = Logaritma Pengangguran = Logaritma Angka Patisipasi Sekolah = intersep = Koefisien Inflasi (X1) = Koefisien Pengangguran (X2) = Koefisien Angka Patisipasi (X3) = disturbance error 1. Uji Statistik Proses analisa yang akan dilakukan melalui variabel-variabel independen yang meliputi uji t (uji individual), uji F (uji signifikan secara bersama-sama) dan uji R 2 (uji koefisien determinasi). Uji t (uji Parsial atau uji invidual) Uji t menguji signifikan dari koefisien regresi secara invidual, uji signifikan untuk membuktikan kebenaran atau kesalahan dan untuk mengetahui variabel independen secara invidual mempengaruhi variabel dependen. Uji t dilakukan dengan membandingkan nilai t statistik dengan t tabel. Dengan ini pengujian dilakukan dengan uji 1 arah dengan tingkat kepercayaan 95% atau nilai kritis yang berhubung dengan t α = t 0,05 atau derajat kesalahan (α) = 5 % (Gujarati, 2010).
45 Hipotesis yang telah diajukan di atas dirumuskan sebagai berikut: 1. H o1 : β 1 0 artinya, tidak ada pengaruh positif dari Inflasi terhadap kemiskinan di Indonesia. H a1 : β 1 > 0 artinya, terdapat pengaruh positif dari Inflasi terhadap kemiskinan di Indonesia. 2. H o2 : β 2 0 artinya, tidak ada pengaruh positif dari penganguran terhadap kemiskinan di Indonesia. H a2 : β 2 > 0 artinya, terdapat pengaruh positif dari penganguran terhadap kemiskinan di Indonesia. 3. H o3 : β 3 0 artinya, tidak ada pengaruh negatif dari pendidikan terhadap kemiskinan di Indonesia. H a3 : β 3 < 0 artinya, terdapat pengaruh negatif dari pendidikan terhadap kemiskinan di Indonesia. Melakukan nilai hitung t sebagai berikut: i. Nilai t tabel = t α ; N-K. Keterangan: α N K = derajat signifikan = jumlah sampel = banyaknya parameter Keterangan: ii. Nilai t hitung = β i Se(β i ) β i = koefisien regresi Se(β i ) = standard error koefisien regresi
46 iii. Pengujian berdasarkan grafik f(t) Grafik 3.1 Daerah Kritis Uji t Arah Kanan Ho diterima Ho ditolak 0 t α, N-K (t) Sumber: Gujarati (2010:151-152) Kesimpulan a. Apa bila nilai t hitung < t tabel, maka Ho diterima. Artinya variabel independen tidak berpengaruh terhadap variabel dependen secara signifikan b. Apabila nilai t tabel < t hitung, maka Ho ditolak. Artinya variabel independen berpengaruh terhadap variabel dependen decara signifikan.
47 f(t) Grafik 3.2 Daerah Kritis Uji t Arah Kiri Ho ditolak Ho diterima - t α, N-K 0 (t) Sumber: Gujarati (2010:151-152) Kesimpulan: a. Apabila nilai t hitung < - t tabel, maka Ho ditolak. Artinya variabel independen berpengaruh terhadap variabel dependen secara signifikan. b. Apabila t hitung > - t tabel, maka Ho diterima. Artinya variabel independen tidak berpengaruh terhadap variabel dependen secara sigfikan. Atau criteria penolakan atau criteria keputusan dari hipotesis di atas adalah sebagai berikut : a) Jika tingkat signifikan lebih besar dari 5% maka dapat disimpulkan bahwa Ho diterima, sebaliknya Ha ditolak. b) Jika tingkat signifikan lebih kecil dari 5% maka dapat disimpulkan bahwa Ho ditolak, sebaliknya Ha diterima.
48 Uji F (signifikan bersama-sama) Uji F digunakan untuk menguji apakah secara statistik bahwa koefisien regresi dari variable independen secara bersama-sama memberikan pengaruh yang bermakna dengan membandingkan nilai probabilitas (F-statistik) dengan F table, dengan ketentuan jika F- statistik > F table maka H 0 ditolak dan H a diterima berarti variable independen berpengaruh signifikan terhadap variable dependen secara bersama-sama. Tingkat kepercayaan 95% atau nilai kritis yang berhubung dengan F α = F 0,05 atau derajat kesalahan (α) = 5 % (Gujarati, 2010:306). Hipotesis yang telah diajukan di atas dirumuskan sebagai berikut: Ho: β 1 =β 2 =β 3 = 0 Berarti variabel X 1, X 2, X 3, X 4 dan X 5 tidak berpengaruh terhadap variabel Y Ha: β 1 β 2 β 3 0 Berarti X 1, X 2, dan X 3 berpengaruh terhadap variabel Y Melakukan perhitungan nilai F sebagai berikut: i. Nilai F tabel = f α:k-1:n-k Keterangan: N = jumlah sampel K = banyaknya parameter ii. Nilai F hitung = R 2 /(k 1) 1 R 2 (N K) Keterangan: R 2 = koefisien regresi N = jumlah sampel K = banyaknya parameter
49 f(f) Pengujian Bedasarkan Grafik Grafik 3.3 Kurva Distribusi F p-value Ho diterima Ho ditolak F (α) K-1; N-K (F) Sumber: Barbara dan CNX Kesimpulan a. Apabila nilai F hitung < F tabel atau memiliki tingkat signifikan > 0.05 (5%), maka Ho diterima sebaliknya Ha ditolak. Artinya variabel X 1, X 2, dan X 3 tidak berpengaruh terhadap variabel Y secara signifikan. b. Apabila nilai F hitung > F tabel atau memiliki tingkat signifikan < 0.05 (5%) maka Ho ditolak, sebaliknya Ha diterima. Artinya variabel X 1, X 2, dan X 3 berpengaruh terhadap variabel Y secara signifikan. c. Apabila α < p-value maka tidak ditolak Ho Koefisien Determinasi (R 2 ) Koefisien determinasi (R 2 ) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi varabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R 2 yang kecil berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen
50 memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variabel-variabel dependen (Gujarati, 2010:255). rumus: Secara umum koefisien determinasi yang sudah disesuaikan ditulis dengan R 2 = 1- (1-R 2 ) N 1 N K Dimana : R 2 = Koefisien determinasi K N = Banyaknya variabel bebas yang digunakan = Jumlah sampel atau observasi i. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel penggangu atau residual memiliki distribusi normal. Model yang baik adalah memiliki nilai residual yang terdistribusi normal. Dengan uji normal diketahui bahwa ada uji histogram, uji normal Probability Plot, Skewness dan Kurtosis atau uji Kolmogorov Smirnov diketahui nilai residual mengikuti distribusi normal. Uji normalitas kita asumsikan bahwa u i mengikuti distribusi probalitas dengan distribusi normal dengan rata-rata nol dan varians konstan σ 2. Histogram residual merupakan metode grafis yang paling sederhana digunakan untuk mengetahui apakah bentuk dari Probability Distribution Function (PDF) dari variabel random berbentuk distribusi normal atau tidak. Jika histogram residual memnyerupai grafik distribusi normal maka bisa dikatakan bahwa residual mempunyai distribusi normal dan grafik distribusi normal dibagi
51 dua akan mempunyai bagian yang sama yang berbentuk grafik distribusi normal ini menyurapai lonceng (Supranto, 2004). a. Uji Asumsi Klasik Uji Asumsi klasik adalah persyaratan statistik yang dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Uji Asumsi Klasik yang digunakan pada penelitian ini adalah uji multikolinieritas, uji heteroskedastisitas, uji autokorelasi dengan ini yang ada berikut; iiii. Uji Multikolonearitas Uji multikolinearitas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variable bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variable bebas. Untuk membuktikan bahwa adanya multikolinearitas menyebabkan adanya varian yang besar. Menurut Agus (2013;102) Variance dan standard error dimana korelasi antara variable independen dalam regresi berganda. Jika korelasi antara varibel independen mendekati 1 maka varian dari independen terus akan naik, jika korelasi = 1 maka varian menjadi tidak terbatas, dan jika korelasi nilainya mendekati 1 maka kovarian antara variable bebas juga terus naik. Untuk melihat kecepatan kenaikan varian dan kovarian dapat diamati melihat nilai Variance Inflating Factor (VIF). VIF dihitung dengan menggunakan formula berikut; VIF = 1 (1 r 2 12 )
52 VIF ini menunjukkan bagaimana varian dari estimator menaik (inflating) dengan adanya dengan adanya multikolineritas. Ketika r 2 12 mendekati 1 maka nilai VIF tidak terbatas, jika kolinieritas antar variable bebas naik maka varian dari estimator juga naik dan jadi nilai tidak terbatas. Sebaliknya jika kolinieritas antar variable bebas maka nilai VIF menjadi 1. Untuk mengatahui deteksi multikolinieritas yaitu model yang mempunyai standard error besar dan nilai statistic t yang rendah, dengan demikian merupakan indikasi awal adanya masalah multikolinieritas dalam model. Untuk mengatahui deteksi pada multikolinieritas melalui Variance Inflation Factor dan Tolerance yaitu dimana R j 2 mendekati 1 atau kolinieritas antar variable independen maka VIF akan naik dan mendekati tak terhingga jika nilainya R j 2 = 1. Dengan demikian jika nilai VIF semakin besar maka diduga (to guess) ada multikolinieritas dimana kita melihat aturan main (rule of thumb) jika nilai VIF melebihi angka 10 maka di katakana ada multikolinieritas karena nilai R j 2 melebihi dari 0.09 (Agus, 2013: 108). iii. Uji Heteroskedastisitas Uji Heteroskedasitas digunakan untuk mengetahui ada tidaknya penyimpangan ketidaksamaan varian dari residual untuk semua pengamatan pada model regresi. Prasyarat yang harus tidak adanya pengangu u i pada satu/lebih variable bebas sehingga pegangu u i tersebut tidak random. Kriteria yang digunakan untuk menyatakan apakah terjadi heterokedastisitas atau tidak di antara data pengamatan dapat dijelaskan dengan menggunakan koefisien signifikansi.
53 Koefisien signifikan harus dibandingkan dengan tingkat signifikan yang ditetapkan (sig < 0.05), yang mana variable independen berpengaruhi pada variable dependen. Maka ada heteroskedastisitas padanya, jika koefisien signifikan lebih besar dari tingkat signifikan yang ditetapkan maka tidak terjadi heteroskedastisitas. Untuk metode pengujiannya yaitu mengunakan Uji Park dan Uji White. Uji White adalah pengujian umum ada tidaknya misspesifikasi model, pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model dan uji park adalah metode pengujian grafis bahwa σ i 2 adalah sebagian fungsi dari variable penjelas X i di mana v i adalah gangguan stokastik, sebagai berikut; lnσ i 2 = lnσ 2 +βlnx i + v i Dimana v i yaitu skokastik pengangguran Apabila β secara statistik signifikan, maka heteroskedastisitas terjadi pada data. Jika tidak signifikan, kita dapat menerima asumsi homoskedastisitas. Uji park ada dua tahap, tahap pertama lakukan regresi OLS dengan mengabaikan heteroskedastisitas. Tahap kedua, kita melakukan regresi (Gujarati, 2004). Kriteria uji White adalah jika : Obs* R square > X 2 tabel, maka ada heteroskedasitas Obs* R square < X 2 tabel, maka tidak ada heteroskedasitas, atau Prob Obs* R square < 0.05, maka ada heteroskedasitas Prob Obs* R square > 0.05, maka tidak ada heteroskedasitas
54 ii. Uji Autokorelasi Uji autokorelasi bertujuan menguji apakah terjadi dalam model regresi linier berganda ada korelasi kesalahan penganggu u i antara anggota serangkaian oservasi yang diurutkan menurut waktu atau sesuatu periode t (Gujarati, 2003:442 ). Oleh karena dalam model regresi linier berganda juga harus bebas dari autokorelasi dengan mengunakan rumusan berikut: Dengan ini penelitian mendeteksi adanya autokerelasi dalam model penelitian ini dilakukan melalui uji Durbin-Watson (uji DW) dengan ketentuan sebagai berikut: 1. Jika nilai DW terletak antara batas atas atau upper bound (du) dan (4- du), maka koefisien autokorelasi sama dengan nol, berarti tidak ada autokorelasi. 2. Jika nilai DW lebih rendah dari pada batas bawah atau lower bound (dl), maka koefisien autokorelasi lebih besar dari pada nol, berarti ada autokorelasi positif. 3. Jika nilai DW lebih besar daripada (4-dl), maka koefisien autokorelasi lebih kecil daripada nol, berarti ada autokorelasi negative.
55 4. Jika nilai DW terletak di antara atas (du) dan batas bawah (dl) ada DW terletak antara (4-du) dan (4-dl), maka hasilnya tidak dapat disimpulkan. 5. Jika nilai DW terletak antara (4-du) dan (4-dl), maka hasilnya tidak dapat.