BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Penelitian ini menggunakan data kuantitatif tahunan pada rentang waktu antara tahun 1981-2008. Data dalam penelitian ini adalah data dari 20 Negara yang mewakili masing-masing tingkatan pertumbuhan ekonomi seluruh dunia berdasarkan klasifikasi menurut World Bank. Keseluruhan negara yang dimaksud adalah Amerika Serikat, Inggris, Itali, Jepang, Perancis, Cina, Argentina, Brazil, Malaysia, Afrika Selatan, Indonesia, India, Philipina, Nigeria, Tonga. Pengolahan data dilakukan dengan perangkat lunak Microsoft Excel 2007, Minitab, dan Eviews 6. Tabel 3.1 Data, Satuan, Simbol, dan Sumber Data Variabel Satuan Simbol Sumber GDP per Kapita US $ GDP World Bank CO 2 Kilotonne CO2 World Bank Trade per GDP Persen TRD UN-Comtrade CH 4 Kilotonne CH4 EDGAR N 2 O Kilotonne N2O EDGAR Keterangan: Word Bank, tahun 1981-2008 EDGAR (Emission Database for Global Atmospheric Research),tahun 1981-2008 3.2. Metode Analisis Data Metode analisis yang digunakan adalah metode deskriptif dan kuantitatif. Metode deskriptif adalah metode yang berkaitan dengan pengumpulan dan penyajian gugus data sehingga memberikan informasi yang berguna. Proses 26
27 deskripsi data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang lebih relevan yang terkandung di dalam data dan penyajian hasilnya dalam bentu yang lebih ringkas dan sederhana, sehingga pada akhirnya mengarah pada keperluan adanya penjelasan dan penafsiran. Metode penelitian ini juga mengandalkan proses kuantitatif untuk mendapatkan gambaran yang terstruktur dan jelas mengenai fenomena perekonomian yang terjadi. Penelitian kuantitatif berlandaskan interpretasi terhadap hasil olahan model dengan metode analisis panel data. 3.3. Spesifikasi Model Untuk melakukan estimasi pada model data panel, terdapat dua pendekatan yang dapat dilakukan yaitu menggunakan fixed effect atau random effect. Berdasarkan hasil uji, kemudian diputuskan fixed effect yang akan digunakan dalam penelitian ini. Pencarian model terbaik dalam menentukan pola hubungan pertumbuhan ekonomi dan keterbukaan ekonomi dengan degradasi lingkungan harus dilakukan untuk dapat memberikan gambaran yang akurat akan hubungan pertumbuhan ekonomi dengan degradasi lingkungan. Terdapat tiga model yang akan diestimasi untuk menentukan model terbaik yaitu, model persamaan linear, model persamaan kuadratik, model persamaan kubik. Linear Kuadratik : E it = β i + β 1 X it + β 4 Y it + ε it : E it = β i + β 1 X it + β 2 (X it ) 2 + β 4 Y it + ε it Syarat: β 2 0, Jika β 2 < 0 maka membentuk kurva-u terbalik (EKC), sedangkan jika β 2 > 0 maka membentuk kurva-u.
28 Turning point = Kubik : E it = β i + β 1 X it + β 2 (X it ) 2 + β 3 (X it ) 3 + β 4 Y it + ε it Syarat: β 3 0, Jika β 3 < 0 maka membentuk kurva-n terbalik, sedangkan jika β 3 > 0 maka membentuk kurva-n. Turning point 1 = Turning point 2 = ² ² dimana: E it : emisi gas rumah kaca (CO 2, N 2 O, dan CH 4 ) untuk negara i pada tahun t X it Y it β i β 1, β 2, β 3 ε it : GDP per kapita untuk negara i pada tahun t : Tingkat keterbukaan ekonomi negara i pada tahun t : konstanta : koefisien regresi : error term untuk negara i pada tahun t Untuk dapat menggambarkan pola hubungan antara pertumbuhan dan tingkat keterbukaan ekonomi terhadap degradasi lingkungan secara tepat digunakan beberapa kriteria pemilihan model sehingga model yang terpilih adalah model terbaik dalam pendugaan. Model terbaik adalah model yang memiliki Adj-R 2 tertinggi dan signifikan dengan taraf nyata 5% untuk keseluruhan variabel bebas yang digunakan dalam model. Model juga harus bersifat BLUE (Best Linear Unbiased Estimator)
29 3.3.1. Model untuk kasus CO 2 Setelah melakukan pengujian untuk mendapatkan model terbaik, didapatkan model persamaan kuadratik yang dapat menggambarkan hubungan antara pertumbuhan ekonomi dan CO 2. Adapun model yang digunakan sebagai berikut. CO 2it = β i + β 1 GDP it + β 2 (GDP it ) 2 + ε i... (1) CO 2 GDP GDP 2 = Karbondioksida (kilotonne) = GDP per kapita (US$) = GDP 2 (US$) LnCO 2it = β i + β 1 LnGDP it + β 2 (LnGDP it ) 2 + ε it..... (2) LnCO 2 LnGDP LnGDP 2 = Karbondioksida (persen) = GDP per kapita (persen) = GDP 2 (persen) Analisis yang sama dilakukan dengan menambahkan variabel keterbukaan ekonomi yang direpresentasikan oleh persentase jumlah nilai ekspor dan import terhadap GDP sehingga membentuk persamaan. CO 2it = β i + β 1 X it + β 2 (GDP it ) 2 + β 3 (TDR) it +ε it... (3) CO 2 GDP GDP 2 TRD = Karbondioksida (kilotonne) = GDP per kapita (US$) = GDP 2 (US$) = Share perdagangan terhadap GDP (persen) LnCO 2it = β i + β 1 LnX it + β 2 (LnGDP it ) 2 + β 3 (LnTDR) it +ε it (4)
30 LnCO 2 LnGDP LnGDP 2 LnTRD = Karbondioksida (persen) = GDP per kapita (persen) = GDP 2 (persen) = Share perdagangan terhadap GDP (persen) 3.3.2. Model untuk kasus CH 4 Untuk kasus CH 4, Setelah melakukan pengujian untuk mendapatkan model terbaik, didapatkan model persamaan kubik yang dapat menggambarkan hubungan antara pertumbuhan ekonomi dan CH 4. Adapun model yang digunakan sebagai berikut. CH it = β i + β 1 GDP it + β 2 (GDP it ) 2 + β 3 (GDP it ) 3 + ε it... (5) CH 4 GDP GDP 2 GDP 3 = Metana (kilotonne) = GDP per kapita (US$) = GDP 2 (US$) = GDP 3 (US$) LnCH it = β i + β 1 LnGDP it + β 2 (LnGDP it ) 2 + β 3 (LnGDP it ) 3 + ε...(6) LnCH 4 LnGDP LnGDP 2 LnGDP 3 = Metana (persen) = GDP per kapita (persen) = GDP 2 (persen) = GDP 3 (persen) Analisis yang sama dilakukan dengan menambakan variabel keterbukaan ekonomi yang direpresentasikan oleh jumlah persentase nilai ekspor dan import terhadap GDP sehingga membentuk persamaan.
31 CH 4it = β i + β 1 X it + β 2 (GDP it ) 2 + β 3 TRD it +ε it...(7) CH 4 GDP GDP 2 TRD = Metana (kilotonne) = GDP per kapita (US$) = GDP 2 (US$) = Share perdagangan terhadap GDP (persen) LnCH 4it = β i + β 1 LnX it + β 2 (LnGDP it ) 2 + β 3 LnTRD it +ε it..(8) LnCH 4 LnGDP LnGDP 2 LnTRD = Metana (persen) = GDP per kapita (persen) = GDP 2 (persen) = Share perdagangan terhadap GDP (persen) 3.3.3. Model Untuk Kasus N 2 O Pada kasus N 2 O, setelah melakukan pengujian untuk mendapatkan model terbaik, didapatkan model linear yang dapat menggambarkan hubungan antara pertumbuhan ekonomi dan N 2 O. Adapun model yang digunakan sebagai berikut. N 2 O it = β i + β 1 GDP it + ε it..(9) N 2 O GDP = Nitrogen Oksida (kilotonne) = GDP per kapita (US$) LnN 2 O it = β i + β 1 LnGDP it + ε it (10) LnN 2 O LnGDP = Nitrogen Oksida (persen) = GDP per kapita (persen)
32 Analisis yang sama dilakukan dengan menambakan variabel keterbukaan ekonomi yang direpresentasikan oleh jumlah persentase nilai ekspor dan import terhadap GDP sehingga membentuk persamaan. N 2 O it = β i + β 1 (GDP it ) + β 2 TRD it +ε it.(8) N 2 O GDP TRD = Nitrogen Oksida (kilotonne) = GDP per kapita (US$) = Share perdagangan terhadap GDP (persen) Ln N 2 O it = β i + β 1 (LnGDP it ) + β 2 LnTRD it +ε it.(8) LnN 2 O LnGDP LnTRD = Nitrogen Oksida (persen) = GDP per kapita (persen) = Share perdagangan terhadap GDP (persen) 3.4. Metode Analisis Regresi dan Panel Data Ketersediaan data untuk mewakili variabel yang akan digunakan dimana kondisinya yaitu data time series pendek dan unit cross section terbatas dapat diatasi dengan menggunakan metode panel data (pooled data). Penggunaan model panel data tersebut digunakan dengan tujuan agar diperoleh hasil estimasi yang lebih baik (efisien) dengan meningkatnya jumlah observasi yang berimplikasi pada meningkatnya derajat kebebasan (degree of freedom).
33 Penggunaan data panel telah memberikan banyak keuntungan secara statistik maupun teori ekonomi. Manfaat penggunaan panel data adalah sebagai berikut: 1. Mampu mengontrol heterogenitas individu 2. Mengurangi kolinearitas antar variabel, meningkatnya degree of freedom, lebih bervariasi dan lebih efisien 3. Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diperoleh dari data cross section murni atau time series murni Model analisa data panel memiliki tiga macam pendekatan, yaitu pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect), dan pendekatan efek acak (random effect). Selain itu, di dalam melakukan pengolahan data panel terdapat juga kriteria pembobotan yang berbeda-beda yaitu No weighting (semua observasi diberi bobot sama), cross section weight (GLS dengan menggunakan estimasi varians residual cross section, apabila terdapat asumsi cross section heteroskedasticity), dan SUR (GLS dengan menggunakan covariance matrix cross section). Metode ini mengoreksi baik heteroskedastisitas maupun autokorelasi antar unit cross section. 3.5. Pemilihan Pendekatan: Uji Haussman Alur pengujian statistik untuk memilih pendekatan yang digunakan dapat diperlihatkan pada Gambar 3.1. Penggunaan pendekatan Pooled Least Square dirasakan kurang sesuai dengan tujuan digunakannya data panel maka dalam penelitian ini hanya mempertimbangkan pendekatan fixed effect dan random
34 effect. Dalam memilih apakah fixed atau random effect yang lebih baik, dilakukan pengujian terhadap asumsi ada tidaknya korelasi antara regresor dan efek individu. Untuk menguji asumsi ini dapat digunakan Haussman Test. Dalam uji ini dirumuskan hipotesis sebagai berikut: H 0 H 1 : Model Random Effect : Model Fixed Effect Jika nilai H hasil pengujian lebih besar dari χ 2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H 0 sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya. Chow Test Fixed Effect Pooled Least Hausman Test Random Effect Sumber: Firdaus, 2012 Gambar 3.1. Pengujian Pemilihan Model dalam Pengolahan Data Panel 3.6. Pengujian Kriteria Ekonomi dan Statistik Setelah mendapatkan parameter estimasi, langkah selanjutnya adalah melakukan berbagai macam pengujian terhadap parameter estimasi tersebut serta pengujian terkait model terbaik mana yang akan dipilih diantara fixed dan random. Pengujian tersebut bisa berupa pengujian ekonomi, statistik, dan ekonometrik.
35 Pengujian dapat dilakukan dengan kriteria ekonomi dan statistik. Pengujian ekonomi dilakukan untuk melihat besaran dan tanda parameter yang akan diestimasi, apakah sesuai dengan teori atau tidak. Sedangkan uji kriteria statistik dilakukan dengan uji koefisien determinasi (R 2 ) 3.6.1. Uji Koefisien Regresi Secara Individual (Uji t) Uji t statistik dilakukan untuk menguji apakah variabel independen secara individu mempunyai pengaruh yang signifikan terhadap variabel dependennya. Pengujian ini dilakukan untuk mengetahui secara parsial variabel independen berpengaruh secara signifikan atau tidak terhadap variabel dependen. Dalam pengujian ini dilakukan uji dua arah dengan hipotesa : H 0 : βi = 0 (tidak ada pengaruh variabel independen terhadap variabel dependen) H 1 : βi 0 (ada pengaruh variabel independen terhadap variabel dependennya) Kriteria pengujian : 1. Ho diterima dan Ha ditolak apabila t tabel > t hitung < t tabel, artinya variabel independen tidak berpengaruh secara signifikan terhadap variabel dependen. 2. Ho ditolak dan Ha diterima apabila t tabel < t hitung > t tabel, artinya variabel independen berpengaruh secara signifikan terhadap variabel dependent Sedangkan nilai t hitung adalah : T hitung = βi Se (βi)
36 3.6.2. Uji Signifikansi Simultan (Uji f) Uji-F statistik digunakan untuk menguji apakah keseluruhan variabel independen secara simultan berpengaruh terhadap variabel dependen. Pengujian ini dilakukan dengan hipotesa : H 0 = β1 = β2 = β3 = β4 = 0 (variabel independen secara bersama sama tidak berpengaruh secara signifikan terhadap variabel dependen). H 1 β1 β2 β3 β4 0 (variabel independen secara bersama sama berpengaruh secara signifikan terhadap variabel dependen). Dengan kata lain, dalam penelitian ini bila hasil F hitung menunjukkan hasil yang signifikan berarti variabel pertumbuhan ekonomi, aglomerasi dan variabel moderat secara bersama sama berpengaruh terhadap kualitas lingkungan F hitung = Dimana : Untuk menghitung F hitung digunakan rumus (Gujarati, 1995) R 2 / (k-1) (1 R 2 ) / (n-k) R 2 = koefisien determinasi n = jumlah observasi k = jumlah variabel independen termasuk konstanta
37 Kriteria Pengujian: 1. H 0 diterima dan H 1 ditolak apabila F hitung < F tabel, artinya variabel independen secara bersama sama tidak berpengaruh secara signifikan terhadap variabel dependen. 2. H 0 ditolak dan H 1 diterima apabila F hitung > F tabel, artinya variabel independen secara bersama sama berpengaruh secara signifikan terhadap variabel dependen. 3.6.3. Uji Koefisien Determinasi (R 2 ) Koefisien determinasi (R 2 ) digunakan untuk mengetahui besarnya daya menerangkan dari variabel independen terhadap variabel dependen pada model tersebut. Nilai R 2 berkisar antara 0 < R 2 < 1 sehingga kesimpulan yang diambil adalah: 1. Nilai R 2 yang kecil atau mendekati nol, berarti kemampuan variabel-variabel bebas dalam menjelaskan variabel-variabel tak bebas sangat terbatas. 2. Nilai R 2 mendekati satu, berarti variabel-variabel bebas memberikan hampir semua informasi untuk memprediksi variasi variabel tak bebas. Dalam penelitian ini berarti, bila nilai R 2 memberikan hasil yang mendekati angka 1, artinya kualitas lingkungan yang ditinjau dari tingkat emisi CO 2, CH 4, dan N 2 O dapat dijelaskan dengan baik oleh variasi variabel independen GDP, GDP 2, GDP 3, dan atau TDR Sedangkan sisanya (100% - nilai R 2 ) dijelaskan oleh sebab-sebab lain di luar model.
38 3.6.4. Uji Autokorelasi Istilah autokorelasi bisa didefinisikan sebagai korelasi di antara anggota observasi yang diurut menurut waktu (seperti data deret berkala) atau ruang (seperti data lintas sektoral). Uji yang paling dikenal untuk pendeteksian autokorelasi adalah statistik d Durbin-Watson (DW Test). Pengujian dengan DW Test hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag diantar variabel independen. Hipotesis yang akan diuji adalah: H 0 : tidak ada autokorelasi (r = 0) H 1 : ada autokorelasi (r 0) Tabel 3.2 Uji d Durbin-Watson: Aturan Keputusan Hipotesis nol Keputusan Jika Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif Tidak ada autokorelasi positif Tolak Tidak ada keputusan Tolak Tidak ada keputusan Tidak ditolak 0 < d < d L d L d d U 4 - d L < d < 4 4 - d U d 4 - d L d U < d < 4 - d U atau negative Sumber: Gujarati, 2003 3.6.5. Uji Heterokedastisitas Suatu asumsi kritis dari model regresi linear klasik adalah bahwa gangguan u i semuanya mempunyai varians yang sama. Jika asumsi ini tidak dipenuhi, maka mempunyai heteroskedasitas. Heteroskedasitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS. Tetapi penaksir ini tidak lagi mempunyai varians minimum atau efisien. Dengan perkataan lain, sehingga tidak lagi memenuhi asumsi BLUE.
39 Untuk mendeteksi ada tidaknya pelanggaran ini dengan menggunakan White Heterocdasticity Test (Gujarati, 1995). Nilai probabilitas Obs*R-squared dijadikan sebagai acuan untuk menolak atau menerima H 0. Hipotesis yang akan diuji: H 0 : homoskedastisitas H 1 : heteroskedastisitas Kriteria pengujiannya adalah: 1. Probabilitas Obs*R-squared < taraf nyata, maka tolak H 0 2. Probabilitas Obs*R-squared > taraf nyata, maka terima H 0 3.6.6. Uji Normalitas Uji normalitas digunakan untuk mengetahui apakah data terdistribusi normal atau tidak. Dalam penelitian ini menggunakan Jarque-Bera test (J-B test) untuk melihat apakah data terdistribusi normal atau tidak. Uji ini menggunakan hasil residual dan chi-square probability distribution. hipotesis yang akan diuji adalah: H 0 : Sampel berasal dari populasi yang berdistribusi normal H 1 : Sampel berasal dari populasi yang tidak berdistribusi normal Kriteria pengujian adalah: 1. Bila nilai JB hitung > nilai X 2 tabel, maka H 0 yang menyatakan residual, ut adalah berdistribusi normal ditolak. 2. Bila nilai JB hitung < nilai X 2 tabel, maka H 0 yang menyatakan residual, ut adalah berdistribusi normal diterima.
40 3.7. Definisi Operasional Penelitian ini menggunakan CO 2 (carbon dioksida), CH 4 (metana), dan N 2 O (nitrogen oksida) sebagai indikator pencemaran lingkungan karena ketiganya merupakan gas rumah kaca yang berperan aktif dalam meningkatkan suhu bumi melalui efek rumah kaca yang ditimbukan gas buangan tersebut. Gas-gas buangan tersebut ketika dilepaskan di atmosfer akan membentuk lapisan yang menahan pantulan panas matahari yang menyinari bumi seperti prinsip rumah kaca. 1. Emisi Karbondioksida (CO 2 ) Variabel ini diperoleh dari emisi karbondioksida (CO 2 ) yang dinyatakan dalam kilotonne. Karbondioksida adalah gas rumah kaca yang penting karena ia menyerap gelombang inframerah dengan kuat. Karbondioksida dihasilkan oleh semua makhluk hidup pada proses respirasi dan digunakan oleh tumbuhan pada proses fotosintesis. Karbondioksida juga dihasilkan dari hasil samping pembakaran bahan bakar fosil. 2. Emisi Metana (CH 4 ) Variabel ini diperoleh dari emisi metana (CH 4 ) yang dinyatakan dalam kilotonne. Metana merupakan komponen utama gas alam yang termasuk gas rumah kaca. Ia merupakan insulator yang efektif, mampu menangkap panas 20 kali lebih banyak bila dibandingkan karbondioksida. Metana dilepaskan selama produksi dan transportasi batu bara, gas alam, dan minyak bumi. Metana juga dihasilkan dari pembusukan limbah organik di tempat pembuangan sampah (landfill), bahkan dapat keluarkan oleh hewan-hewan tertentu, terutama sapi, sebagai produk samping dari pencernaan.
41 3. Emisi Nitrogen Oksida (N 2 O) Variabel ini diperoleh dari emisi nitrogen oksida (N 2 O) yang dinyatakan dalam kilotonne. Nitrogen oksida adalah gas insulator panas yang sangat kuat. Ia dihasilkan terutama dari pembakaran bahan bakar fosil dan oleh lahan pertanian. Nitrogen oksida dapat menangkap panas 300 kali lebih besar dari karbondioksida. 4. GDP per kapita merupakan GDP yang telah dibagi dengan jumlah penduduk dalam suatu negara sehingga GDP per kapita dirasa efektif dalam menggambarkan tingkat pendapatan suatu negara. Penggunaan GPD perkapita dilakukan sebagai pendekatan pertumbuhan ekonomi. 5. Volume perdagangan merupakan penjumlahan dari persentase ekspor terhadap GDP dan persentase impor terhadap GDP yang digunakan untuk mendekati keterbukaan ekonomi.