III. METODE PENELITIAN

39 III. METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder tersebut merupakan data cross section dari data sembilan indikator Tata Kelola Ekonomi Daerah (TKED) kabupaten dan kota di Provinsi Jawa Tengah tahun 2007 yang diperoleh dari Komite Pemantauan Penyelenggaraan Otonomi Daerah (KPPOD), data Anggaran Pendapatan Belanja Daerah (APBD) diperoleh dari Kementerian Keuangan, serta Produk Domestik Regional Bruto (PDRB) per kapita, pertumbuhan ekonomi dan Indeks Pembangunan Manusia (IPM) diperoleh dari Badan Pusat Statistik Jawa Tengah. Data sekunder lain yang masih terkait dalam penelitian ini diperoleh dari artikel, jurnal, skripsi dan tesis dari perpustakaan IPB, internet dan lembaga lainnya. Tabel 5 Jenis dan sumber data No Variabel Sumber Data Satuan 1. Produk Domestik BPS (PDRB Kabupaten dan Kota di Rupiah Regional Bruto per Provinsi Jawa Tengah) Tahun 2007 kapita (PDRB per kapita) 2. Pertumbuhan Ekonomi BPS (PDRB Kabupaten dan Kota di Provinsi Jawa Tengah) Tahun 2007 persen 3. Belanja Modal Direktorat Jenderal Perimbangan rupiah Pemerintah Keuangan, Kementerian Keuangan 4. Belanja Pendidikan Direktorat Jenderal Perimbangan rupiah Pemerintah Keuangan, Kementerian Keuangan 5. Belanja Kesehatan Direktorat Jenderal Perimbangan rupiah 6. Indeks Tata Kelola Ekonomi Daerah Keuangan, Kementerian Keuangan KPPOD (Tata Kelola Ekonomi Daerah) 2007 skor

40 3.2. Definisi Operasional Operasional data merupakan variabel-variabel pendukung yang digunakan dalam analisis. Varibel-variabel operasional data tersebut akan didefinisikan sebagai berikut. 1. PDRB per kapita adalah rasio PDRB atas harga berlaku terhadap jumlah penduduk dalam satuan rupiah. 2. Pertumbuhan ekonomi adalah peningkatan PDRB atas harga konstan dari tahun 2006 hingga tahun 2007. 3. Belanja modal pemerintah adalah belanja pemerintah dalam APBD yang digunakan untuk pembelian/pembentukan aset tetap seperti gedung, jalan (infrastruktur) dan aset tetap lainnya dalam satuan rupiah. 3. Belanja pendidikan pemerintah adalah pengeluaran pemerintah dalam APBD yang ditujukan dalam rangka peningkatan kualitas pendidikan seperti pembelian buku, fasilitas jaringan internet sekolah, maupun gedung sekolah dalam satuan rupiah. 4. Belanja kesehatan pemerintah adalah pengeluaran pemerintah dalam APBD yang ditujukan dalam rangka peningkatan kualitas kesehatan seperti fasilitas rumah sakit, peralatan medis dan obat-obatan maupun gedung rumah sakit dalam satuan rupiah. 5. IPM adalah indeks komposit yang disusun dari tiga indikator yaitu lama hidup yang diukur denga angkan harapan hidup ketika lahir, pendidikan yang diukur berdasarkan rata-rata lama sekolah dan angka melek huruf penduduk usia 15 tahun ke atas, dan standar hidup yang diukur dengan pengeluaran per kapita (PPP rupiah). Nilai indeks berkisar 0-100.

41 6. Gov merupakan variabel tata kelola ekonomi daerah yang berhubungan secara signifikan dan sejalan dengan teori. 3.3. Metode Analisis Data 3.3.1. Analisis Deskriptif Metode deskriptif merupakan metode yang berkaitan dengan pengumpulan data dan penyajian suatu data sehingga memberikan informasi yang berguna. Proses deskripsi data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk yang lebih ringkas dan sederhana, sehingga pada akhirnya mengarah pada keperluan adanya penjelasan dan penafsiran. Analisis deskriptif dalam penelitian ini digunakan untuk menginterpretasikan data-data kuantitatif secara ringkas dan sederhana. Analisis deskriptif ini mengkaji secara eksploratif mengenai gambaran tentang tata kelola ekonomi daerah dengan PDRB per kapita dan pertumbuhan ekonomi dengan bantuan tabel dan grafik. Adapun pola hubungan antara tata kelola ekonomi daerah dengan PDRB per kapita ditunjukkan dengan boxplot serta scatter plot. 3.3.2. Analisis Korelasi Uji korelasi bertujuan untuk menguji hubungan antara dua variabel yang tidak menunjukkan hubungan fungsional (berhubungan bukan berarti disebabkan). Uji korelasi tidak membedakan jenis variabel apakah variabel dependen maupun independen. Korelasi dinyatakan dalam persentase keeratan hubungan antar variabel yang dinamakan dengan koefisien korelasi. Koefisien korelasi ini yang

42 menunjukkan derajat keeratan hubungan antara dua variabel dan arah hubungannya (+ atau -). Nilai koefisien korelasi berkisar antara sampai +1, yang kriteria pemanfaatannya dijelaskan sebagai berikut: Jika, nilai r > 0, artinya telah terjadi hubungan yang linear positif, yaitu makin besar nilai variabel X makin besar pula nilai variabel Y atau makin kecil nilai variabel X makin kecil pula nilai variabel Y. Jika, nilai r < 0, artinya telah terjadi hubungan yang linear negatif, yaitu makin besar nilai variabel X makin kecil nilai variabel Y atau makin kecil nilai variabel X maka makin besar pula nilai variabel Y. Jika, nilai r = 0, artinya tidak ada hubungan antara variabel X dan variabel Y. Jika, nilai r =1 atau r = -1, maka dapat dikatakan telah terjadi hubungan linear sempurna, berupa garis lurus, sedangkan untuk r yang makin mengarah ke angka 0 (nol) maka garis makin tidak lurus. Uji korelasi terdiri dari uji korelasi Pearson, uji korelasi Spearman dan uji korelasi Kendall. 3.3.2.1. Uji Korelasi Pearson Korelasi Pearson digunakan untuk data dalam jumlah besar dan sebaran normal. Uji korelasi ini dilakukan untuk mengetahui korelasi data kuantitatif (interval atau rasio). Hipoteseis korelasi Pearson adalah sebagai berikut: H 0 : ρ 1 = 0 H 1 : ρ 1 0

43 Koefisien korelasi diformulasikan sebagai berikut: r xy = ( ) ( ( ) (1) r xy x y x 2 y 2 N : Koefisien korelasi yang dicari : Jumlah perkalian variabel x dan y : Jumlah nilai variabel x : Jumlah nilai variabel y : Jumlah pangkat dua nilai variabel x : Jumlah pangkat dua nilai variabel y : Banyaknya sampel x dan variabel y. Jika r hitung r tabel, maka tolak H 0, artinya terdapat korelasi antara variabel 3.3.2.2. Uji Korelasi Spearman Korelasi Spearman dan Kendall digunakan untuk data dalam jumlah sedikit dan sebarannya tidak normal. Uji korelasi ini dilakukan untuk mengukur korelasi pada statistik non parametrik (data ordinal). Hipotesis korelasi Spearman adalah H 0 : ρ 1 = 0 H 1 : ρ 1 0 korelasi rank Spearman dapat dihitung dengan rumus sebagai berikut: r s = 1 ( ) (2) dimana d i 2 = [(R(X i ) R(Y))] 2 = Jumlah kuadrat selisih variabel X dan Y

44 dan variabel y. Jika r s r tabel, maka tolak H 0, artinya terdapat korelasi antara variabel x 3.3.3. Analisis Regresi Berganda Penelitian ini menggunakan analisis regresi berganda dengan tujuan untuk menganalisis keterkaitan hubungan yang signifikan antara sembilan indikator tata kelola ekonomi daerah dengan PDRB per kapita dan pertumbuhan ekonomi kabupaten dan kota Provinsi Jawa Tengah. Estimasi koefisien regresi dilakukan melalui metode Ordinary Least Square (OLS). Salah satu regresi dalam OLS adalah regresi linear berganda. Analisis regresi linear berganda menunjukkan hubungan sebab akibat antara variabel X (variabel bebas) yang merupakan penyebab dan variabel Y (variabel tak bebas) yang merupakan akibat. Analisis linear berganda berfokus pada ketergantungan satu variabel tak bebas terhadap satu atau lebih variabel penjelas (variabel bebas). Secara umum dapat dikatakan bahwa pemakaian metode OLS dalam menaksir parameter model linier berbentuk: Y i = α 0i + α 1 x 1i + α 2 x 2i +.+ α k x ki + ε i (3) Keterangan: i = nomor pengamatan dari 1 sampai N untuk data populasi atau n untuk data contoh. α 0 α n = Intersep model regresi = Koefisien kemiringan parsial X ki Y i ε i = Pengamatan ke-i untuk peubah bebas X k = Pengamatan ke-i untuk peubah bebas Y = Galat pada pengamatan ke-i

45 Asumsi model OLS menurut Juanda (2009), yaitu: i. Spesifikasi model ditetapkan seperti dalam persamaan (3) ii. Peubah X k merupakan peubah non-stokastik (fixed), artinya sudah ditentukan, bukan peubah acak. Selain itu, tidak ada hubungan linear sempurna antar peubah bebas X k. iii. a) Komponen sisaan ε i mempunyai nilai harapan sama dengan nol dan ragam konstan untuk semua pengamatan i. E(ε i )=0 dan Var(ε i )=σ² b) Tidak ada hubungan atau tidak ada korelasi antar sisaan ε i sehingga Cov(ε i, ε j )=0, untuk i j. c) Komponen sisaan menyebar normal. Dalam terminologi statistika, asumsi (iii) ini biasa diringkas dengan simbol ε i ~ N(0, σ²) yang artinya komponen ε i menyebar Normal, Bebas Stokastik, dan Identik, dengan nilai tengah sama dengan nol dan ragam konstan untuk i=1,2,...,n. Semua asumsi di atas jika terpenuhi, maka penaksir OLS dari koefisien regresi adalah penaksir tak bias linear terbaik atau Best Linear Unbiased Estimator (BLUE). 3.4. Model Analisis Berganda Model utama yang digunakan untuk menganalisis pengaruh tata kelola ekonomi daerah terhadap PDRB per kapita kabupaten dan kota Provinsi Jawa Tengah adalah sebagai berikut: PDRBKAP = α 0i + α 1 BM i + α 2 BP i + α 3 IPM i + α 4 GOV i + ε i...(4)

46 Keterangan: PDRBKAP: Pendapatan Domestik Regional Bruto per Kapita kabupaten.kota provinsi Jawa Tengah tahun 2007 (rupiah) BP : Realisasi Belanja Pendidikan Pemerintah kabupaten.kota provinsi Jawa Tengah pada tahun 2007 (rupiah) BM : Realisasi Belanja Modal Pemerintah kabupaten.kota provinsi Jawa Tengah pada tahun 2007 (rupiah) IPM : Indeks Pembangunan Manusia kabupaten.kota provinsi Jawa Tengah tahun 2007 (rupiah) Gov : Variabel tata kelola ekonomi daerah kabupaten.kota provinsi Jawa Tengah tahun 2007 Sementara model utama yang digunakan untuk menganalisis pengaruh tata kelola ekonomi daerah terhadap pertumbuhan ekonomi adalah sebagai berikut: PE = β 0i + β 1ln_BK i + β 2 ln_bp i + β 3ln_IPM i + α 4 GOV i + ε i...(5) Keterangan: PE : Pertumbuhan ekonomi kabupaten.kota provinsi Jawa Tengah tahun 2007 (rupiah) BP : Realisasi Belanja Pendidikan Pemerintah kabupaten.kota provinsi Jawa Tengah pada tahun 2007 (rupiah) BK : Realisasi Belanja Kesehatan Pemerintah kabupaten.kota provinsi Jawa Tengah pada tahun 2007 (rupiah) IPM : Indeks Pembangunan Manusia kabupaten.kota provinsi Jawa Tengah tahun 2007 (rupiah)

47 Gov : Variabel tata kelola ekonomi daerah tahun 2007 Variabel yang akan dimasukan ke dalam model adalah variabel terpilih, yaitu variabel yang mempunyai korelasi yang signifikan dan sesuai teori ekonomi. Setelah itu, model tersebut dianalisis menggunakan kriteria-kriteria uji statistik dan uji ekonometrika agar model tersebut memenuhi persyaratan metode analisis OLS dan terbebas dari masalah-masalah autokorelasi, heteroskedastisitas, dan multikolinearitas. 3.5. Uji Statistik Model 3.5.1. Pengujian Model dengan Menggunakan Uji F-Statistik Uji F-statistik ini digunakan untuk menduga persamaan secara keseluruhan. Uji F-statistik menjelaskan kemampuan variabel bebas secara bersama dalam menjelaskan keragaman dari variabel terikat. Hipotesis yang diuji dari parameter pendugaan persamaan adalah variabel bebas tidak berpengaruh nyata terhadap variabel terikat, hal ini disebut sebagai hipotesis nol (H 0 ) dengan mekanisme sebagai berikut: H 0 : α 1 = α 2 = = α i = 0, (tidak ada pengaruh nyata variabel-variabel dalam persamaan) H1 : minimal salah satu αi 0, (paling sedikit ada satu variabel bebas yang berpengaruh nyata terhadap variabel terikat) Untuk i = 1, 2, 3,, n dan α = dugaan parameter Statistik uji yang dilakukan dalam uji-f (Gujarati, 1993): F hitung= (6)

48 Keterangan: R 2 = Koefisien determinasi n = Banyaknya titik pengamatan k = Jumlah koefisien regresi dugaan Dimana hasil dari F-hitung dibandingkan dengan F tabel (F-tabel = Fα(k-1, n-k)) dengan kriteria uji: F-hitung > Fα(k-1, n-k), maka tolak H 0 F-hitung Fα(k-1, n-k), maka terima H 0 Langkah selanjutnya adalah melakukan pengujian dimana F-hitung dari hasil analisis dibandingkan dengan F -tabel. Jika F -hitung > F -tabel maka tolak H 0, berarti minimal ada satu parameter dugaan yang tidak nol dan berpengaruh nyata terhadap keragaman variabel terikat. Jika F -hitung F -tabel maka terima H 0, berarti secara bersama-sama variabel yang digunakan tidak bisa menjelaskan secara nyata keragaman dari variabel terikat. 3.5.2. Pengujian Hipotesis Parameter Regresi (Uji t) Pengujian ini dilakukan untuk melihat apakah masing-masing variabel bebas berpengaruh pada variabel terikatnya. Hipotesis: H 0 : α i = 0, (tidak ada pengaruh nyata variabel dalam persamaan) H 1 : α i 0, (variabel bebas yang berpengaruh nyata terhadap variabel terikat) Untuk i = 1, 2, 3,, n dan α = dugaan parameter

49 Uji statistik yang digunakan adalah uji-t: t -hitung = β (7) Keterangan: β : Koefisien regresi parsial sampel : Koefisien regresi parsial populasi S b : Simpangan baku koefisien dugaan Dimana hasil dari t-hitung dibandingkan dengan t-tabel (t -tabel = t α/2 (n-k) ) dengan kriteria uji: t -hitung > t α/2 (n-k), maka tolak H 0 t -hitung t α/ 2 (n-k), maka terima H 0 Hasil yang didapatkan dari perbandingan tersebut jika t hitung > t -tabel maka tolak H 0, berarti variabel signifikan berpengaruh nyata pada taraf nyata (α). Hasil yang didapatkan dari perbandingan tersebut jika t -hitung t -tabel maka terima H 0, berarti variabel yang digunakan tidak berpengaruh nyata terhadap variabel terikat. 3.5.3. Koefisien Determinasi (R-Squared) dan Adjusted R-Squared Koefisien determinasi (R-Squared) dan Adjusted R-Squared digunakan untuk melihat sejauh mana variabel bebas mampu menerangkan keragaman variabel tak bebasnya dan untuk melihat seberapa kuat variabel yang dimasukkan ke dalam model dapat menerangkan model tersebut. Menurut Gujarati (1993), terdapat dua sifat R-Squared, yaitu: 1. Merupakan besaran non negatif.

50 2. Batasnya adalah 0 R 2 1, jika R 2 bernilai 1 berarti suatu kecocokan sempurna, sedangkan jika R 2 bernilai 0 berarti tidak ada hubungan antara variabel terikat dengan varibel bebas. Nilai koefisien determinasi dapat dihitung sebagai berikut: R 2 = = = (8) Keterangan: ESS : Jumlah kuadrat yang dijelaskan (Explained Sum Square) TSS : Jumlah kuadrat total (Total Sum Square) Jika terus ditambahkan variabel bebas ke dalam model, maka model akan selalu mendapatkan nilai yang terus naik seiring dengan sehingga Adjusted R- squared bisa juga digunakan untuk melihat sejauhmana variabel bebas mampu menerangkan keragaman variabel tak bebasnya. Adjusted R-squared secara umum memberikan hukuman terhadap penambahan variabel bebas yang tidak mampu menambah daya prediksi suatu model. Nilai Adjusted R-squared tidak akan pernah melebihi nilai R-squared bahkan dapat turun jika ditambahkan variabel bebas yang tidak perlu. Bahkan untuk model yang memiliki kecocokan rendah (goodness of fit), Adjusted R-squared dapat memiliki nilai negatif.

51 3.6. Uji Ekonometrika 3.6.1. Heteroskedastisitas Heteroskedastisitas adalah suatu penyimpangan asumsi OLS dalam bentuk varians gangguan estimasi yang dihasilkan oleh estimasi OLS yang tidak bernilai konstan. Heteroskedastisitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS tetapi penaksir yang dihasilkan tidak lagi mempunyai varian minimum (efisien). Menurut Gujarati (1993), jika terjadi heteroskedastisitas maka akan berakibat sebagai berikut: 1) Estimasi dengan menggunakan OLS tidak akan memiliki varians yang minimum atau estimator tidak efisien. 2) Prediksi (nilai Y untuk X tertentu) dengan estimator dari data yang sebenarnya akan mempunyai varians yang tinggi, sehingga prediksi menjadi tidak efisien. 3) Tidak dapat diterapkannya uji nyata koefisien atau selang kepercayaan dengan menggunakan formula yang berkaitan dengan nilai varians. Pengujian masalah heteroskedastisitas dilakukan dengan menggunakan uji Glejser, yang dilakukan pertama kali pada uji ini adalah mendapatkan residual (u t ) dari regresi OLS, lalu regresikan nilai absolut dari ut ( u t ) terhadap variabel bebas yang diperkirakan mempunyai hubungan yang erat. Uji ini menggunakan nilai probabilitas dari u t, jika hasil regresi siginifikan berarti terdapat masalah heteroskedastisitas. Hipotesis : H 0 : ρ = 0 H 1 : ρ 0

52 Kriteria uji yang digunakan untuk melihat adanya heteroskedastisitas adalah sebagai berikut: 1. Probability u t < α, maka tolak H 0 2. Probability u t > α, maka terima H 0 Keterangan: u t : Residual (galat) Jika H 0 ditolak maka terjadi heteroskedastisitas dalam model, sebaliknya jika H 0 diterima maka tidak ada heteroskedastisitas dalam model. Solusi dari masalah heteroskedastisitas adalah mencari transformasi model asal sehingga model yang baru akan memiliki galat dengan varians yang konstan. 3.6.2. Multikolinearitas Multikolinearitas adalah adanya hubungan linear yang sempurna antara beberapa atau semua variabel yang menjelaskan dari model regresi. Tanda-tanda adanya multikolinearitas adalah sebagai berikut: Tanda tidak sesuai dengan yang diharapkan. R-squared-nya tinggi tetapi uji individu (uji t) tidak banyak bahkan tidak ada yang nyata. Korelasi sederhana antara variabel individu tinggi (r ij tinggi). R 2 lebih kecil dari r ij 2 menunjukkan adanya masalah multikolinearitas. Ada beberapa cara untuk mengetahui multikolinearitas dalam model, salah satunya adalah uji Manquardt, yaitu dengan melihat nilai Variance Inflation Factor (VIF) pada masing-masing variabel bebas. Jika nilai VIF kurang dari sepuluh, maka dapat disimpulkan bahwa dalam persamaan tidak terdapat

53 multikolinearitas. Sebaliknya, jika nilai VIF lebih besar dari sepuluh maka terdapat multikolinearitas dalam persamaan tersebut. Salah satu cara yang dilakukan untuk mengatasi masalah multikolinearitas adalah dengan regresi analisis komponen utama (principal componet analysis). Pendugaan dengan regresi komponen utama akan menghasilkan nilai dugaan yang memiliki tingkat ketelitian yang lebih tinggi, dengan jumlah kuadrat sisaan yang lebih kecil dibandingkan dengan pendugaan metode kuadrat terkecil. Analisis komponen utama pada dasarnya mentransformasi peubah-peubah bebas yang berkorelasi menjadi peubah-peubah baru yang orthogonal dan tidak berkorelasi. Analisis ini bertujuan untuk menyederhanakan peubah-peubah yang diamati dengan cara mereduksi dimensinya. Hal ini dilakukan dengan menghilangkan korelasi di antara peubah melalui transformasi peubah asal ke peubah baru (komponen utama) yang tidak berkorelasi.