BAB III METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang terdiri atas Indeks Pembangunan Manusia (IPM), sektor perekonomian yang dominan dan pertumbuhan ekonomi di wilayah kabupaten dan kota di Banten. Data yang diambil untuk sebagai bahan analisa adalah periode tahun 1994-2009. Sementara sumber data tersebut berasal dari BPS Jawa Barat (saat Banten masih bagian Provinsi Jawa Barat) dan BPS Banten sendiri. Berikut adalah data awal IPM Kabupaten dan Kota di Banten semasa masih menjadi bagian dari Jawa Barat. 3.2 Metode Analisa Tentunya dalam menganalisa data menggunakan model yang sudah ada sebelumnya, yang kemudian dimodifikasi sesuai kebutuhan yang ingin dicapai dari suatu penelitian. Adapun model persamaan yang akan digunakan untuk menganalisis konvergensi Indeks Pembangunan Manusia di Provinsi Banten (tabel 3.1). Tabel 3.1 Model Persamaan untuk Analisis Konvergensi IPM Sebelum digunakan dalam menganalisis data maka model persamaan diatas sebelumnya sudah dilakukan berbagai uji sehingga model tersebut layak digunakan. Model yang dipakai dalam penelitian ini adalah panel data dengan menggunakan pendekatan Fixed Effect Model. Panel Corrected Standard Error
(PCSEs) dilakukan untuk menghilangkan masalah Autokorelasi dan Heteroskedastis. 3.2.1 Deskriptif Dalam metode ini maka hasil penelitian bisa disampaikan dalam bentuk tabel, gambar atau grafik sehingga memudahkan untuk membacanya dan menganalisa secara singkat. Pembagian periode penelitian menjadi dua, bertujuan untuk melihat pengaruh pembangunan ekonomi sebelum dan sesudah Provinsi Banten berdiri. IPM selama kurun waktu penelitian perolehan data bersumber dari BPS Provinsi serta Kabupaten dan Kota di Provinsi Banten dan Jawa Barat berupa data sekunder. 3.2.2 Statistik Adalah menjadi keharusan dalam sebuah penelitan, apakah hasilnya bisa diintepretasikan dengan benar perlu melalui uji statistik. Tujuannya agar angka yang muncul dapat menceritakan dari rumusan masalah yang diajukan, yang secara sederhana dihitung melalui uji asumsi klasik. 3.2.3 Model Persamaan Model yang dibangun ini akan memilih menggunakan pendekatan cross atau panel data karena dapat di estimasi dengan baik (de la Faunte, 2000). Pendekatan ini mulai digunakan baru beberapa tahun terakhir, sementara sebelumnya lebih banyak menggunakan OLS dalam mengestimasi konvergensi pendapatan (Garcia dan Soelistianingsih, 1998). Perkembangan panel data ini berkaitan dengan berbagai keunggulan yang dimilikinya. Hsiao (1995) menyebutkan beberapa keunggulan panel data bagi penelitian bidang ekonomi ketimbang dua pendekatan sebelumnya adalah panel data biasanya menyediakan jumlah obeservasi yang lebih banyak sehingga meningkatkan efisiensi estimasi ekonometrika. Kedua, pendekatan ini memungkinkan peneliti untuk menganalisa pertanyaan ekonomi yang penting yang tidak bisa dijelaskan dengan data cross section dan time series.
Juanda (2007) memaparkan keuntungan menggunakan panel data dalam model regresi dibanding dua pendekatan sebelumnya adalah data panel akan memberikan informasi yang lebih lengkap, beragam, kurang berkorelasi antar variabel, derajat bebas lebih besar dan efisien. Kedua, panel data lebih memuaskan untuk menentukan perubahan dinamis dibanding studi berulang dari cross section. Ketiga, membantu menganalisa perilaku yang lebih kompleks seperti fenomena skala ekonomi dan perubahan teknologi. Keempat, mampu meminimumkan bias yang dihasilkan oleh agregasi individu atau perusahaan karena unit data lebih banyak. Gabungan dari keduanya sudah terangkum dalam panel data, sehingga memungkinkan perumusan struktur dinamis yang komprehentif (Lall dan Yilmaz, 2000). Kendati memiliki sejumlah keunggulan, penggunaan pendekatan panel data bukan tanpa kritik. Shioji (1998) mengatakan pendekatan tersebut bisa menimbulkan bias karena memungkinkan menggunakan periode yang relatif singkat dan jumlah yang diobservasi terlalu sedikit. Solusinya adalah periode waktu observasi bukan waktu yang pendek. Selain itu, analisa empiris seperti model regresi konvergensi times series, panel data maupun kondisional cross section bisa saja misleading untuk memahami konvergensi (Quah, 1996). Ada sejumlah penamaan untuk panel data, seperti pooled data, combination time series dan cross section data, micropanel data, longitudinal data, event history analysis dan cohort analysis (Gujarati, 2003). Dimana regresi model ini semakin sering digunakan dalam penelitian ekonomi. Mengapa? Pertama, kombinasi data time series dan cross section dalam sebuah penelitian akan memberikan informasi yang lebih banyak, lebih efisien dan lebih banyak degree of freedom (de la Fuente, 2000). Kedua, pendekatan ini memungkinkan peneliti untuk menganalisa pertanyaan ekonomi yang penting yang tidak bisa dijelaskan dengan data cross section dan time series. Pasalnya, cross section merefleksikan perilaku jangka panjang, sementara time series menunjukkan pengaruh jangka pendek (Hsiao, 1995). Terdapat tiga metode pada teknik estimasi model menggunakan data panel, yaitu Pooled Ordinary Least Square (OLS), Fixed Effect Model (FEM) dan
Random Effect Model (REM). Dari ketiga metode tersebut dipilih model terbaik menggunakan Chow Test. 1. Pooled Ordinary Least Square (OLS) Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa, yang diterapkan dalam data yang berbentuk pool. = α + βx Yit it..... (6) Dimana i menunjukkan urutan kabupaten dan kota yang diobservasi pada data crosssection, sedangkan t menunjukkan periode pada data time-series. Metode ini asumsi yang digunakan menjadi terbatas karena model tersebut mengasumsikan bahwa intersep dan koefisien dari setiap variabel sama untuk setiap kabupaten dan kota yang diobservasi. Hal ini menyebabkan variabelvariabel yang diabaikan membawa perubahan pada intersep time-series dan crosssection. 2. Fixed Effect Model (FEM) Masalah yang timbul pada penggunaan metode pooled OLS yaitu adanya asumsi bahwa intersep dan koefisien dari setiap variabel sama pada setiap kabupaten dan kota yang diobservasi. Kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa adalah adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan, baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Generalisasi secara umum sering dilakukan dengan memasukkan dummy variabel untuk memungkinkan terjadinya perbedaan nilai parameter yang berbeda-beda, baik lintas unit cross section maupun antar waktu. Pendekatan ini dikenal dengan sebutan model efek tetap (Fixed Effect Model) atau Least Square Dummy Variabel atau disebut juga Covariance Model. Y it = α i + X it j β j + n i=2 α i D i +ε it... (7) Dimana : Y it = variabel terikat di waktu t untuk unit cross section i
α i j x it β e j it = = intersep yang berubah-ubah antar cross section unit = variabel bebas j di waktu t untuk unit cross section i = parameter untuk variabel ke j komponen error di waktu t untuk unit cross section i Dengan menggunakan pendekatan ini, akan terjadi degree of freedom sebesar NT-N-K. Keputusan memasukkan variabel boneka ini harus didasarkan pada pertimbangan statistik. Hal tersebut disebabkan, dengan melakukan penambahan variabel boneka akan dapat mengurangi jumlah degree of freedom yang pada akhirnya akan memengaruhi keefisienan dari parameter yang diestimasi. Pertimbangan pemilihan pendekatan yang digunakan ini didekati dengan menggunakan statistik F yang berusaha memperbandingkan antara nilai jumlah kuadrat error dari proses pendugaan dengan metode kuadrat terkecil dan efek tetap yang telah memasukkan variabel dummy. F N +T 2,NT N T = (ESS 1 ESS 2) NT 1 ESS 2 (N T K)... (8) Dimana, ESS 1 dan ESS 2 adalah jumlah kuadrat sisa dengan menggunakan metode kuadrat kecil biasa dan model efek tetap, sedangkan statistik F mengikuti distribusi F dengan derajat bebas NT-1 dan NT-N-K. Nilai statistik F uji inilah yang kemudian diperbandingkan dengan nilai statistik F tabel yang akan menentukan pilihan model yang akan digunakan. Pada pendekatan fixed effect, estimasi dapat dilakukan dengan tanpa pembobot (No Weighted) atau Least Square Dummy Variabel (LSDV) dan dengan pembobot (Cross Section Weight) atau General Least Square (GLS). Tujuan dilakukannya pembobotan adalah untuk mengurangi heterogenitas antar unit cross-section (Gujarati, 2003). 3. Random Effect Model (REM) Penambahan variabel dummy pada model efek tetap dapat mengurangi banyaknya derajat kebebasan (degree of freedom) yang pada akhirnya akan
mengurangi efisiensi dari parameter yang diestimasi. Berkaitan dengan hal ini, dalam model data panel dikenal pendekatan ketiga yaitu model efek acak (random effect). Dalam model efek acak, parameter yang berbeda antar daerah maupun antar waktu dimasukkan ke dalam error. Karena hal inilah, model efek acak juga disebut model komponen error (Error Component Model). Bentuk model acak dijelaskan pada persamaan berikut ini : Y it = α i + X j it β j +ε it... (9) ε it = u i + v t + w it... (10) Dimana u i ~ N(0, δu 2 ) = komponen cross section error vt ~ N(0, δv 2 ) = komponen time series error wit ~ N(0, δw 2 ) = komponen combination error Pada persamaan tersebut diasumsikan bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya. Dengan menggunakan model efek acak ini, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien. Keputusan penggunaan model efek tetap atau pun acak ditentukan dengan menggunakan Haussman Test. Namun disamping dengan menggunakan tes stasistika (Hausman Test), terdapat beberapa pertimbangan untuk memilih apakah akan menggunakan pendekatan efek tetap atau pendekatan efek acak. Apabila diasumsikan bahwa εi dan variabel bebas X berkorelasi, maka pendekatan efek tetap lebih cocok untuk dipilih. Sebaliknya, apabila ε i dan variabel bebas X tidak berkorelasi, maka pendekatan efek acak yang lebih baik untuk dipilih. Beberapa pertimbangan yang dapat dijadikan acuan untuk memilih antara pendekatan efek tetap atau pendekatan efek acak adalah : 1. Bila T (banyaknya unit time series) besar sedangkan N (jumlah unit cross section) kecil, maka hasil pendekatan efek tetap dan pendekatan efek acak tidak jauh berbeda sehingga dapat dipilih pendekatan yang lebih mudah untuk
dihitung yaitu pendekatan efek tetap 2. Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan akan berbeda jauh. Sehingga apabila diyakini bahwa unit cross section yang dipilih dalam penelitian diambil secara acak (random) maka pendekatan efek acak harus digunakan. Sebaliknya apabila diyakini bahwa unit cross section yang dipilih dalam penelitian tidak diambil secara acak, maka harus meggunakan pendekatan efek tetap. 3. Apabila komponen error individual (ε i ) berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan pendekatan efek acak akan bias sementara parameter yang diperoleh dengan pendekatan efek tetap tidak bias 4. Apabila N besar dan T kecil, dan apabila asumsi yang mendasari pendekatan efek acak dapat terpenuhi, maka pendekatan efek acak lebih efisien dibandingkan pendekatan efek tetap. Dengan meregresi variabel tersebut dengan pendekatan panel data, diharapkan hasil lebih mendekati kenyataan yang ada di lapangan sekaligus mampu menjawab solusi persoalan yang selama ini mengemuka, yakni Apakah pembentukan Provinsi Banten memberikan kontribusi positif bagi kemajuan dan kesejahteraan rakyatnya? 3.2.4 Evaluasi Model Dalam pengujian asumsi klasik bertujuan untuk mengetahui apakah model yang diteliti mengalami penyimpangan asumsi klasik atau tidak, maka pemeriksaan terhadap penyimpangan asumsi klasik tersebut harus dilakukan. Adapun uji asumsi klasik tersebut adalah melihat ada tidaknya autokorelasi, heteroskedastisitas, dan multikoliniaritas. 1. Autokorelasi Autokorelasi adalah keadaan dimana faktor pengganggu yang satu dengan yang lain saling berhubungan. Uji autolorelasi yang paling sederhana adalah menggunakan Durbin-Watson (DW) Test dengan langkah pengujian adalah
0 < d < dl Menolak Ho : Autokorelasi positif dl d du Daerah abu-abu : Tidak ada keputusan du d 4 - du Menerima Ho : Tidak ada autokorelasi 4 du d 4 - dl Daerah Abu-abu : Tidak ada keputusan 4 dl d 4 Menolak Ho : Autokorelasi negatif 2. Uji Multikolinearitas Adanya hubungan linier antara variabel independen dalam suatu regresi disebut dengan multikolinearitas. Pengujian terhadap gejala multikolinearitas dapat dilakukan dengan membandingkan nilai R 2 dan signifikansi dari variabel yang digunakan. Sebagai rule of thumb, apabila koefisien korelasi cukup tinggi sementara terdapat sebagian besar atau semua yang secara parsial tidak signifikan, diduga terjadi multikolinearitas pada model regresi (Gujarati, 2003). Lebih dari itu, gejala multikolineritas biasanya timbul pada data time series dimana korelasi antar variabel independen cukup tinggi. Teknik mengkombinasikan data yang ada dengan data cross section bertujuan menghilangkan atau setidaknya masalah multikolineritas. 3. Uji Heteroskedasitas Heteroskedasitas adalah keadaan dimana faktor gangguan tidak memiliki varian yang sama. Dalam suatu model apabila dijumpai adanya masalah heteroskedastisitas maka model akan menjadi tidak efisien meskipun tidak bias dan konsisten. Gejala adanya heteroskedasitas dapat dideteksi dengan melakukan Wooldridge Test khusus untuk data panel. 3.2.5 Uji statistik Pengujian statistik dimaksudkan untuk mengetahui apakah model yang digunakan merupakan model yang tepat untuk menggambarkan hubungan antar variabel dan apakah ada hubungan yang signifikan diantara variabel dependen dengan variabel independen, terdiri atas uji-t, uji-f dan koefisien determinasi R 2.