30 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Penelitian ini dilakukan dengan ruang lingkup nasional, yang dilihat adalah migrasi antar provinsi di Indonesia dengan daerah tujuan DKI Jakarta, sedangkan provinsi lain sebagai daerah asal. Dipilih DKI Jakarta sebagai daerah tujuan, karena provinsi ini memiliki tingkat migrasi masuk semasa hidup dan tingkat migrasi risen tinggi, sementara tingkat migrasi keluarnya rendah (Tabel 1.1). Metode dalam penelitian ini menggunakan data panel dikarenakan dalam penelitian ini terdapat data time series dan cross section. Dalam penelitian ini data yang digunakan adalah data publikasi atau data sekunder berupa data time series lima tahunan (1990, 1995, 2000, 2005, dan 2010) dan data cross section yang terdiri dari data migrasi masuk ke DKI Jakarta, data Produk Domestik Regional Bruto (PDRB) tiap provinsi berdasarkan harga berlaku, data Upah Minimun Regional (UMR) tiap provinsi dan data jumlah penduduk tiap provinsi. Proses pengumpulan data dilakukan melalui penelusuran data ke Badan Pusat Statistik (BPS) pusat, Departemen Tenaga Kerja dan Transmigrasi, media internet, surat kabar, dan literatur-literatur yang berkaitan. Adapun pengambilan data PDRB yang digunakan dalam penelitian ini adalah PDRB berdasarkan harga berlaku. Hal ini dimaksudkan untuk melihat perbandingan kesejahteraan antara daerah provinsi selain Jakarta terhadap Jakarta pada tahun yang bersangkutan. Setiap provinsi memiliki PDRB yang berbedabeda sesuai dengan kondisi perekonomiannya. Selain itu UMR yang digunakan
31 adalah UMR nominal, yaitu nilai UMR pada tahun bersangkutan. Hal ini dapat menunjukkan bahwa penduduk yang melakukan migrasi ke Jakarta hanya melihat besarnya nilai nominal upah yang akan mereka dapatkan pada tahun tersebut atau hanya melihat nilai upah relatif Jakarta terhadap provinsi selain Jakarta, tanpa memerhitungkan nilai riil upah tersebut. Selain itu, pengambilan data jumlah penduduk tiap provinsi juga dilakukan dalam penelitian ini untuk melihat perbandingan dan ketimpangan akan hal kependudukan tiap provinsi yang ada di Indonesia. 3.2. Teknik Pengolahan Data Dalam penelitian ini, data diolah dengan menggunakan program software Eviews 6. Adapun tahap-tahap pengolahan data adalah: pertama, data PDRB berdasarkan harga berlaku tiap provinsi dibagi dengan PDRB berdasarkan harga berlaku DKI Jakarta. Kedua, data UMR tiap provinsi di Indonesia dibagi dengan UMR DKI Jakarta. Ketiga data jumlah penduduk tiap provinsi dibagi dengan jumlah penduduk DKI Jakarta. Ini dimaksudkan karena DKI Jakarta merupakan provinsi utama tujuan migrasi penduduk dari seluruh provinsi di Indonesia. Walaupun dari provinsi DKI Jakarta sendiri ada penduduk yang bermigrasi ke tiap provinsi di Indonesia, namun jumlah penduduk yang masuk DKI Jakarta lebih besar dari pada jumlah penduduk yang pindah ke luar Jakarta. Bentuk fungsi persamaannya adalah sebagai berikut. LnMGR = UMR PDRB JML,, UMR.JKT PDRB.JKT JML.JKT LnMGR = (RUMR, RPDRB, RJML)..(3.1)
32 dimana: MGR UMR UMR.JKT PDRB PDRB.JKT JML JML.JKT RUMR : jumlah migrasi penduduk dari berbagai provinsi ke Jakarta (jiwa), : tingkat UMR tiap provinsi selain Jakarta (rupiah), : tingkat UMR DKI Jakarta (rupiah), : PDRB tiap provinsi selain Jakarta (rupiah), : PDRB DKI Jakarta (rupiah), : jumlah penduduk tiap provinsi selain Jakarta (jiwa), : jumlah penduduk DKI Jakarta (jiwa), : rasio tingkat upah minimum regional tiap provinsi terhadap upah minimum regional Jakarta (persen), RPDRB RJML : rasio tingkat PDRB tiap provinsi terhadap PDRB Jakarta (persen), : rasio jumlah penduduk tiap provinsi terhadap jumlah penduduk Jakarta (persen). 3.3. Perumusan Model Pada penelitian ini digunakan metode panel data dengan fixed effect. Hal ini karena dengan fixed effect dapat diperoleh hasil intercept yang berbeda-beda antar unit cross section. Salah satu langkah dalam penelitian ini adalah menentukan model umum yang digunakan dengan menggunakan analisis fungsi regresi. Penggunaan fungsi regresi ditujukan untuk menangkap berbagai kemungkinan migrasi dan variabel-variabel yang diestimasi. Bentuk model umum yang digunakan dalam penelitian ini adalah sebagai berikut: Ln MGR it = α i + β 1 RUMR it + β 2 RPDRB it + β 3 RJML it + ε it...(3.2)
33 dimana: LnMGR it RUMR it = jumlah migrasi penduduk ke DKI Jakarta (persen), = rasio tingkat upah minimum regional tiap provinsi terhadap upah minimum regional Jakarta (persen), RPDRB it = rasio tingkat PDRB tiap provinsi terhadap PDRB Jakarta (persen), RJML it = rasio jumlah penduduk tiap provinsi terhadap jumlah penduduk Jakarta (persen), α i β 1 β 2 β 3 i t ε = intersep model yang berubah-ubah tiap provinsi, = slope variabel UMR, = slope variabel PDRB, = slope variabel JML, = provinsi ke-i, = pada tahun ke-t, = error/simpangan. 3.4. Definisi Operasional Untuk memahami secara jelas variabel-variabel yang dituliskan dalam persamaan (3.2), maka definisi operasional variabel-variabel tersebut adalah: 1. Migrasi adalah seseorang atau penduduk suatu provinsi pindah melintas batas wilayah provinsi dan lamanya bertempat tinggal di provinsi tujuan paling sedikit enam bulan sebelum pencacahan dilakukan, definisi ini sama dengan yang dipakai oleh sensus penduduk. Tingkat migrasi netto
34 adalah jumlah migrasi masuk yang telah dikurangi migrasi keluar dibagi dengan jumlah penduduk daerah tujuan. 2. Upah Minimum Regional (UMR) adalah upah yang ditetapkan oleh pemerintah melalui keputusan menteri yang dinilai dan diukur dari kebutuhan hidup minimum. 3. Rasio Upah Minimum Regional (RUMR) adalah rasio tingkat upah minimum regional tiap provinsi terhadap upah minimum regional Jakarta. 4. Produk Domestik Regional Bruto (PDRB) didefinisikan sebagai jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu wilayah, atau merupakan jumlah seluruh nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi di suatu wilayah. 5. Rasio Produk Domestik Regional Bruto (RPDRB) adalah rasio tingkat PDRB tiap provinsi terhadap PDRB Jakarta. 6. Jumlah penduduk menggambarkan tingkat kepadatan penduduk tiap provinsi yang ada di Indonesia. 3.5. Uji Hipotesis Uji hipotesis berguna untuk memeriksa atau menguji apakah variabelvariabel yang digunakan dalam model regresi signifikan atau tidak. Maksud dari signifikan ini adalah suatu nilai dari parameter regresi yang secara statistik tidak sama dengan nol. Ada dua jenis uji hipotesis yang dapat dilakukan terhadap variabel regresi. Uji tersebut adalah Uji-F dan Uji-t.
35 3.5.1. Uji-F Uji ini dilakukan untuk mengetahui apakah variabel independen di dalam model secara bersama-sama berpengaruh terhadap variabel dependen yang digunakan. Perumusan hipotesis pada Uji-F adalah : H 0 : β 1 = β 2 = β 3 = β k = 0 H 1 : Minimal ada satu nilai β yang tidak sama dengan nol Kriteria ujinya adalah jika F hitung > F tabel,α,(k-1)(n-k) maka tolak H 0, dimana k adalah jumah variabel (dengan intercept) dan jumlah observasi yang dilambangkan dengan huruf n. Selain itu, jika probabilitas (p-value) < taraf nyata maka sudah cukup bukti untuk menolak H 0. Jika tolak H 0 berarti secara bersama-sama variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata α persen, demikian pula sebaliknya. 3.5.2. Uji-t Pengujian ini dilakukan untuk mengetahui apakah variabel independen secara individu (masing-masing) berpengaruh signifikan atau tidak terhadap variabel independen. Hipotesis yang digunakan adalah sebagai berikut, H0 : βk = 0 H1 : βk 0 Kriteria uji yang digunakan adalah jika t hitung > t α/2,(n-k) maka tolak H 0, dimana jumlah observasi dilambangkan dengan huruf n, dan huruf k melambangkan jumlah variabel (termasuk intercept). Selain itu, jika probabilitas (p-value) lebih kecil dari taraf nyata maka dapat digunakan juga untuk menolak
36 H 0. Jika tolak H 0 berarti variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata α persen, demikian pula sebaliknya. 3.5.3. Koefisien Determinasi Koefisien determinasi yang dilambangkan dengan R 2 adalah suatu angka yang mengukur keragaman pada variabel dependen yang dapat diterangkan oleh variasi pada model regresi. Nilai ini berkisar antara nol sampai satu (0<R 2 <1), dengan nilai yang semakin mendekati satu menunjukkan model yang terbentuk mampu menjelaskan keragaman dari variabel dependen, demikian pula sebaliknya. Rumus dari koefisien determinasi dinyatakan dalam persamaan (3.3). R 2 = 1 -.(3.3) Jika nilai R 2 ini mendekati satu maka model akan semakin baik. Misalkan saja nilai R 2 sebesar 0,98 maka sebesar 98 persen keragaman variabel tak bebas (Y) dapat dijelaskan oleh variabel-variabel bebas yang digunakan di dalam model. 3.6. Uji Asumsi Sebagai uapaya untuk menghasilkan model yang efisien, tak bias, dan konsisten, maka perlu dilakukan pendeteksian terhadap pelanggaran/gangguan asumsi dasar ekonometrika yang berupa gangguan antar waktu (time-related disturbance), gangguan antar daerah atau antar provinsi (cross sectional disturbance), dan gangguan akibat keduanya (Gujarati, 1995). Beberapa asumsi
37 mendasar yang perlu diuji dalam membuat persamaan adalah heteroskedastisitas, multikolinearitas, dan autokorelasi. 3.6.1. Uji Heteroskedastisitas Heteroskedastisitas adalah salah satu penyimpanan pada asumsi klasik statistika. Heteroskedastisitas terjadi jika ragam sisaan tidak konstan, hal ini dilambangkan dengan Var (μ 2 i ) = ζ 2 i. Masalah ini sering terjadi jika ada penggunaan data cross section dalam estimasi model, namun masalah ini juga dapat terjadi dalam data time series. Pada umumnya heteroskedastisistas diperoleh pada data kerat lintang (cross section). Jika pada model dijumpai heteroskedastisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata lain, jika regresi tetap dilakukan meskipun ada masalah heteroskedastisitas maka hasil regresi akan terjadi misleading (Gujarati, 1995). Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisistas, digunakan uji-white Heteroskedasticity yang diperoleh dalam program Eviews 6. Dalam pengolahan data panel dalam Eviews 6 yang menggunakan metode General Least Square (Cross Section Weights) maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Resid pada Weighted Statistics dengan Sum Square Resid pada Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics < Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas. Untuk men-treatmen pelanggaran tersebut, bisa mengestimasi GLS dengan White Heteroskedasticity.
38 3.6.2. Uji Multikolinearitas Multikolinearitas merupakan suatu penyimpangan asumsi akibat adanya keterkaitan atau hubungan linier antar variabel bebas penyusun model. Indikasi adanya multikolinearitas dapat dilihat jika dalam model yang dihasilkan terbukti signifikan secara keseluruhan (uji-f) dan memiliki nilai R-Squared yang tinggi namun banyak variabel yang tidak signifikan (uji-t). salah satu cara mengatasi masalah ini adalah dengan menggabungkan data cross section dengan data time series (Juanda, 2009). 3.6.3. Uji Autokorelasi Menurut Widarjono dalam Guntur (2010), autokorelasi berarti adanya korelasi antara anggota obsevasi satu dengan observasi yang berlainan waktu. Autokorelasi bisa didefinsikan korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat mempengaruhi efisiensi dari estimatornya. Ada beberapa metode untuk uji autokorelasi antara lain metode Breusch- Godfrey dan metode Durbin-Watson (DW). Uji korelasi Durbin-Watson relatif mudah dilakukan karena informasi nilai statistik hitungnya selalu diinformasikan setiap program komputer termasuk dalam Eviews versi 6. untuk mengetahui ada/tidaknya autokorelasi, maka dilakukan dengan membandingkan DW statistiknya dengan DW-tabel. Adapun kerangka identifikasi autokorelasi terangkum dalam Gambar 3.1.
39 Autokorelasi positif Ragu-ragu Tidak ada autokorelasi Ragu-ragu Autokorelasi negatif 0 d L d U 2 4- d U 4- d L 4 Sumber: Widarjono dalam Guntur (2010) Gambar 3.1. Statistik Durbin-Watson Selain itu Untuk mengetahui ada tidaknya autokorelasi juga dapat melihat pada Eviews6 Guide. Dijelaskan bahwa jika nilai DW tersebut sudah lebih dai 1,5 dan mendekati 2 maka dapat dikatakan tidak ada autokorelasi. Berikut adalah Tabel 3.2. yang memperlihatkan distribusi nilai DW dimana nilai tersebut telah disusun oleh Durbin Watson untuk derajat keyakinan 95 persen dan 99 persen. Tabel 3.1. Selang Nilai Statistik Durbin-Watson serta Keputusannya Nilai Durbin-Watson Kesimpulan DW < 1,10 Ada autokorelasi 1,10 < DW < 1,54 Tanpa kesimpulan 1,55 < DW < 2,46 Tidak ada autokorelasi 2,46 < DW < 2,90 Tanpa kesimpulan DW > 2,91 Ada autokorelsi Sumber : Firdaus, 2004 3.6.4. Uji Normalitas Uji normalitas digunakan untuk memeriksa apakah error term menyebar normal atau tidak. Hipotesis yang digunakan adalah, H 0 : error term menyebar normal H 1 : error term tidak menyebar normal
40 Uji normalitas diaplikasikan dengan melakukan tes Jarque Bera, jika nilai probabilitas yang diperoleh lebih besar dari taraf nyata yang digunakan, maka terima H 0 yang berarti error term dalam model sudah menyebar normal.