A. Lokasi Penelitian BAB III METODE PENELITIAN Lokasi penelitian adalah di Kawasan SWP Gerbangkertosusila Plus yang terdiri dari 12 Kabupaten/Kota yaitu: Kota Surabaya, Kabupaten Sidoarjo, Kabupaten Gresik, Kabupaten dan Kota Mojokerto, Kabupaten Lamongan, Kabupaten Bangkalan, Kabupaten Tuban, Kabupaten Bojonegoro, Kabupaten Jombang, Kabupaten Pasuruan dan Kota Pasuruan yang merupakan daerah pada Provinsi Jawa Timur, dengan objek penelitian adalah tingkat ketimpangan serta faktor penyebab ketimpangan di kawasan SWP Gerbangkertosuila Plus Provinsi Jawa Timur periode tahun 2011 hingga 2015. B. Jenis Penelitian Penelitian ini menggunakan jenis penelitian deskriptif dengan pendekatan kuantitatif yaitu proses pencarian fakta dengan menggambarkan data yang telah ada. Jadi, penelitian ini dilakukan untuk menekankan analisisnya pada datadata numerik (berupa angka) yang diolah dengan metode statistik tertentu dan peneliti berusaha untuk mendeskripsikan secara tepat dan ringkas suatu kondisi pada masa sekarang. C. Definisi Operasional Dalam penelitian ini terdapat 3 variabel yang digunakan, adapun definisi operasional dari ketiga variabel agar dapat di pahami sesuai dengan tujuan peneliti yaitu: 20
21 1. Variabel Dependen (Variabel Terikat) Variabel dependen adalah variabel yang di pengaruhi oleh variabel independen. Variabel dependen yang digunakan dalam penelitian ini adalah hasil dari perhitungan Indeks Williamson (IW) di wilayah Gerbangkerosusila Plus, dimana data tersebut di sajikan dalam bentuk pooled data atau data panel dari tahun 2011 sampai 2015. 2. Variabel Independen (Variabel Bebas) Variabel independen adalah variabel yang mempengaruhi variabel dependen. Variabel independen yang digunakan dalam penelitian ini diantaranya adalah Pendapatan Asli Daerah atau PAD dan Indeks Pembangunan Manusia atau IPM. a. Pendapatan Asli Daerah PAD merupakan realisasi penerimaan daerah yang ada di Kabupaten/Kota di kawasan SWP Gerbangkertosusila Plus yang terletak di Jawa Timur dengan satuan ribu rupiah. b. Indeks Pembangunan Manusia IPM merupakan suatu angka indeks dari hasil perhitung uang digunakan untuk mengukur tingkat kesejahteraan masyarakat di kawasan SWP Gerbangkertosusila Plus Provinsi Jawa Timur. Semua variabel independen Pendapatan Asli Daerah (PAD) dan Indeks Pembangunan Manusia (IPM) di peroleh dari Badan Pusat Statistik (BPS) Jawa Timur dari tahun 2011 sampai 2015. D. Jenis dan Sumber Data Data yang digunakan dalam penelitian ini adalah data sekunder yang bersumber dari BPS Pusat dan BPS Provinsi Jawa Timur. Adapun data yang
22 digunakan adalah data PDRB perkapita Atas Dasar Harga Konstan (ADHK), jumlah penduduk, Pendapatan Asli Daerah (PAD) dan Indeks Pembangunan Manusia (IPM) di Kawasan SWP Gerbangkertosusila Plus Provinsi Jawa Timur dari tahun 2011 sampai 2015. E. Teknik Pengumpulan Data Data yang diperoleh dalam penelitian ini dengan menggunakan 2 metode yakni: 1. Metode Dokumentasi Teknik atau proses untuk memperoleh data dengan jalan mencatat, merekam serta riset yang bersifat deskriptif dan cenderung menggunakan analisis dengan pendekatan induktif data-data untuk pengambilan keputusan, dari input data-data yang telah dipublikasikan oleh lembaga atau instansi yang terkait. 2. Metode Kepustakaan/Literatur Merupakan peneltian dengan mempelajari literatur-literatur di perpustakaan yang berhubungan dengan permasalahan yang diangkat dan digunakan untuk mencari landasan teori sebagai acuan dalam penelitian sehingga dapat melakukan analisa. F. Teknik Analisa Data Setelah data terkumpul dan disusun lalu dilakukan analisis menggunakan program Ms. Excel 2013, Eviews 9 dan Sistem Informasi Geografi (GIS). Adapun analisis data yang digunakan oleh penulis adalah sebagai berikut; 1. Analisis Ketimpangan Untuk menghitung tingkat ketimpangan pembangunan antar Kabupaten/Kota di kawasan SWP Gerbangkertosusila Plus Provinsi Jawa
23 Timur Provinsi Jawa Timur dengan menggunakan Indeks Williamson. Pengujian Indeks Williamson akan menghasilkan angka pada kisaran nilai 0-1. Jika hasil pengujian indeks Williamson tinggi atau mendekatai angka satu, maka ketimpangan yang terjadi pada wilayah tersebut tergolong tinggi. Untuk menghitung tingkat ketimpangan pembangunan wilayah antar Kabupaten/Kota di kawasan SWP Gerbangkertosusila Plus Provinsi Jawa Timur, dapat dianalisis dengan menggunakan indeks ketimpangan pembangunan yang dinamakan Indeks Williamson (Sjahfrizal,2012). Adapun rumus Indeks Williamson adalah sebagai berikut: Dimana: IW = e((yi Ȳ)2 fi n) Ȳ, 0 < IW< 1 IW Yi = Nilai Indeks Ketimpangan Williamson = PDRB perkapita di kabupaten/kota i kawasan Gerbangkertosusila Plus Provinsi Jawa Timur Ȳ Fi = Rata-rata PDRB perkapita di kawasan Gerbangkertosusila Plus = Jumlah penduduk di kabupaten/kota i kawasan Gerbangkertosusila Plus Provinsi Jawa Timur n = Keseluruhan jumlah penduduk di kawasan Gerbangkertosusila Plus Provinsi Jawa Timur Indeks Williamson berkisar antara 0 < IW < 1, dimana semakin mendekati nol artinya wilayah tersebut semakin tidak timpang. Sedangkan
24 bila mendekati satu maka semakin timpang wilayah tersebut (Sjafrizal, 2012). 2. Analisis Regresi Suatu analisis yang biasa pakai dalam ekonometrika adalah analisis regresi yang pada dasarnya adalah studi atas ketergantungan suatu peubah yaitu peubah terikat pada peubah lainnya yang disebut peubah bebas, dengan tujuan untuk mengestimasi dan meramalkan nilai populasi berdasarkan nilai tertentu dari peubah yang diketahui (Gujarati, 2012). a. Model Regresi Data Panel Data yang digunakan dalam penelitian ini adalah data panel. Data panel adalah data yang diperoleh dengan menggabungkan antara croos section dan data time series. Data croos section dalam penelitian ini adalah data dari 12 kab/kota provinsi Jawa Timur, sedangkan data time series dalam penelitian ini adalah data tahun 2011 sampai dengan tahun 2015. Gujarati., dkk (2007) menyatakan bahwa terdapat beberapa keuntungan dalam penggunaan data panel yaitu: 1) Dengan mengkombinasikan time series dan cross section, data panel memberikan data yang lebih informatif, lebih variatif, dan mengurangi kolinieritas antar variabel, derajat kebebasan yang lebih banyak dan efisiensi yang lebih besar. 2) Dengan memperlajari bentuk cross section berulang-ulang dari observasi, data panel lebh baik untuk mempelajari dinamika perubahan.
25 3) Data panel dapat berinteraksi lebih baik dan mengukur efek-efek yang tidak dapat diobservasi dalam cross section murni maupun data time series murni. 4) Data panel memungkinkan kita untuk mempelajari model perilaku yang lebih rumit. 5) Dengan membuat data tersedia dalam jumlah yang lebih banyak, data panel dapat meminimumkan bias yang dapat terjadi bila kita mengagregatkan individu ke dalam agregat yang luas. 6) Secara garis besar data panel dapat memperkaya analisis empiris dengan berbagai cara yang mungkin tidak terjadi jika hanya menggunakan cross section atau time series. 7) Data panel tidak membutuhkan uji ekonometri. Uji ekonometri dilakukan untuk mengetahui apakah spesifikasi model yang digunakan sudah memenuhi asumsi klasik atau tidak. b. Pemilihan Model Estimasi Data Panel Menurut Gujarati (2012) teknik yang digunakan dalam data panel: 1) Model Regresi OLS Pooled atau Model Koefisien Konstan Melalui cara menumpuk data dari 60 observasi dalam penelitian ini dan mengestimasi sebuah regresi besar tanpa memperdulikan sifat cross section dan time series pada data. Dimana : Y it = β 0 + β 1 LogX 1it + β 2 X 2it e it Y = Indeks Williamson i = 1,2
26 t = 2011,2012,2013,2014,2015 β = Konstanta β1 = Koefisien regresi dari X 1 β2 = Koefisien regresi dari X 2 log X 1 X 2 e = Pendapatan Asli Daerah (PAD) = Indeks Pembangunan Manusia (IPM) = Error Term 2) Model Efek Tetap (Fixed Effect) Pendekatan ini menggunakan variabel boneka yang dikenal dengan sebutan model efek tetap (fixed effect) atau Least Square Dummy Variabel atau disebut juga Covariance Model. Pada metode ini, estimasi dapat dilakukan dengan tanpa pembobotan (no weight) atau Least Square Dummy Variabel (LSDV) dan dengan pembobotan (Cross Section Weight) atau General Least Square (GLS). Tujuan dilakukan pembobotan yaitu untuk mengurangi heterogenitas antar unit cross section (Gujarati, 2012). 3) Model Random Effect (REM) Tidak seperti halnya pada model fixed effect atau LSDV, dimana kita memberi setiap maskapai sebuah nilai intersep (tetap), disini kita mengasumsikan bahwa nilai intersep adalah sebuah nilai acak dari populasi yang lebih besar. Y it = β 1 LogX 1it + β 2 X 2it + w it w it = e it + u it
27 Dimana: e it adalah komponen eror yang cross section atau spesifik individual. u it adalah komponen eror gabungan time series dan cross section. c. Uji Kesesuaian Model Untuk menguji kesesuaian atau kebaikan dari tiga metode pada teknik estimasi dengan model data panel, maka digunakan Uji Chow, Uji Lagrange Multiplier dan Uji Hausman : (Khamayanti, 2016). 1) Uji Chow Uji Chow adalah untuk menentukan uji mana di antara kedua metode yakni metode common effect dan metode random effect yang sebaiknya digunakan dalam pemodelan data panel. Hipotesis dalam uji chow ini sebagai berikut : (Khamayanti, 2016). Ho : Model Common Effect Ha : Model Fixed Effect Dasar penolakan terhadap hipotesa nol (Ho) adalah dengan menggunakan F-statistik, seperti rumus berikut : (Khamayanti. 2016). CHOW = (ESS1 ESS2)/(N 1) (ESS2)/(NT N K) Dimana : ESS1 : Residual Sun Square hasil perdugaan model fixed effect
28 ESS2 : Residual Sun Square hasil perdugaan model pooled least square N T K : Jumlah Data Cross Section : Jumlah Data Time Series : Jumlah Variabel Penjelas Statistik chow mengikuti distribusi F-statistik dengan derajat bebas (N-1,NT-N-K). Jika nilai chow statistik (F-statistik) > F tabel, maka Ha diterima, maka yang terpilih adalah model fixed effect, begitu pula sebaliknya. 2) Uji Lagrange Multiplier (LM) Untuk mengetahui signifikan teknik Random Effect akan diuji menggunakan uji Lagrange Multiplier (LM). Uji Lagrange Multiplier (LM) digunakan untuk memilih antara OLS (Common Effect) tanpa variabel dummy atau Random Effect. Uji signifikansi ini dikembangkan oleh Breusch-pagan. Uji LM digunakan untuk mengetahui apakah model Random Effect lebih baik dari metode OLS (Common Effect). Nilai statistik LM dihitung berdasarkan formula sebagai berikut: (Ermawati, 2016). LM = T t=1 ] nt 2(T 1) [ i=1 [ e it n T e it 2 n i=1 t=1 2 1] n i=1 nt = 2(T 1) [ (T ei n T 1] e it 2 i=1 t=1 ) 2
29 Keterangan: n T e = Jumlah Individu = Jumlah Periode Waktu = Residual Metode OLS Hipotesis untuk pengujian ini yaitu: Ho = OLS tanpa variabel dummy (Common Effect) Ha = Random Effect Ketentuan: a) Apabila LM hitung 0.05, maka Ho ditolak dan Ha diterima, berarti bahwa model Random Effect merupakan model yang tepat. b) Apabila LM hitung 0.05, maka Ho diterima dan Ha ditolak, berarti bahwa model OLS tanpa variabel dummy (Common Effect) merupakan model yang tepat. 3) Uji Hausman Uji Hausman yaitu untuk menentukan uji mana diantara kedua metode efek acak (random effect) dan metode (fixed effect) yang sebaiknya dilakukan dalam pemodelan data panel. Hipotesis dalam uji hausman sebagai berikut : (Khamayanti, 2016). Ho : Metode Random Effect Ha : Metode Fixed Effect Dengan rumus sebagai berikut : m = (β b)(m0 M1) 1 (β b)~x 2 (K)
30 Dimana β adalah vektor untuk statistik variabel fixed effect, b adalah vector statistic variabel random effect, M 0 adalah matrik kovarians untuk dugaan fixed effect model dan M 1 adalah matrik kovarians untuk dugaan random effest model. d. Pengujian Hipotesis 1) Uji t Uji t yaitu untuk menguji hubungan regresi secara parsial, dalam uji statistik t pada dasarnya menunjukan seberapa jauh pengaruh suatu variabel penjelas secara individual dalam menerangkan variasi variabel-variabel terkait dengan menggunakan eviews. Uji t menguji apakah suatu hipotesis diterima atau ditolak, dimana untuk kekuatan pada uji t adalah sebagai berikut : (Khamayanti, 2016). Ho : Berarti tidak ada pengaruh yang berarti dari variabel bebas terhadap variabel terkait. Ha :Berarti ada pengaruh yang berarti dari variabel bebas terhadap variabel terkait. Untuk memutuskan hipotesis mana yang diterima dan mana yang ditolak, maka pengujian dilakukan dengan cara membandingkan nilai t hitung dengan t tabel jika : t hit > t tabel : maka Ho ditolak Ha diterima, yang berarti bahwa variabel bebas (X 1, X 2 ) secara parsial berpengaruh positif terhadap variabel terikat (Y) adalah signifikan.
31 t hit < t tabel : maka Ho diterima Ha ditolak, yang berarti bahwa variabel bebas (X 1, X 2 ) secara parsial tidak berpengaruh positif terhadap variabel terikat (Y) adalah tidak signifikan. 2) Uji F Uji statistik f yaitu menunjukkan apakah semua variabel bebas yang dimaksudkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel terikat dilihat dengan menggunakan Eviews. Dengan hipotesis sebagai berikut : (Khamayanti, 2016). Ho : berarti variabel bebas tidak memiliki pengaruh dengan variabel terikat Ha : berarti ada pengaruh secara serentak antara semua variabel bebas terhadap variabel terikat. Dengan kriteria : Apabila F hit > F tabel : maka Ho ditolak Ha diterima, yang berarti bahwa variabel bebas (X 1, X 2 ) secara serentak terhadap variabel terikat (Y) adalah signifikan. Apabila F hit < F tabel : maka Ho diterima Ha ditolak, yang berarti bahwa variabel bebas (X 1, X 2 ) secara serentak terhadap variabel terikat (Y) adalah tidak signifikan. 3) R-Squared Koefisien determinasi (R²) mengukur tingkat ketepatan atau kecocokan dari regresi linier ganda, yaitu merupakan proporsi presentase sumbangan (X 1, X 2 ) dan D 1 terhadap variasi
32 (naik turunnya) Y yang dilihat menggunakan Eviews. Koefisien determinasi dapat dicari dengan menggunakan rumus: (Khamayanti, 2016). Dimana : ESS : Jumlah kuadrat dari regresi TSS : Total jumlah kuadrat R 2 = ESS TSS Besarnya nilai R² berada di antara 0 (nol) dan 1 (satu) yaitu 0 < R² < 1. Jika R² semakin mendekati 1 (satu), maka model tersebut baik dan pengaruh antara variabel terkait Y semakin kuat (erat hubungannya). 3. Sistem Informasi Geografi (SIG) Kuncoro (2002) menyatakan banyaknya ekonom yang tertarik dalam masalah studi lokasi telah mendorong munculnya paradigma baru dalam ilmu ekonomi regional dan perkotaan, yang disebut geografi ekonomi baru. Salah satu trend utama dalam paradigma baru ini adalah digunakannya Sistem Informasi Geografi (SIG) yang merupakan alat analisis yang bermanfaat terutama untuk: (1) mengidentifikasi lokasi industri; (2) di daerah mana mereka cenderung mengelompok secara spasial. Peran SIG dalam mentranformasikan data menjadi informasi dengan mengintegrasikan sejumlah data yang berbeda, menerapkan analisis fokus dan menyajikan output dalam rangka mendukung pengambilan keputusan.
33 Kemampuan SIG dalam penyimpanan, analisis, pemetaan dan membuat model mendorong aplikasi luas dalam berbagai disiplin ilmu, dari teknologi informasi hingga sosial ekonomi maupun analisis yang berkaitan dengan populasi (Kuncoro, 2002).