BAB III METODE PENELITIAN A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini merupakan penelitian yang bersifat kuantitatif dengan mengambil data panel, adapun data yang digunakan adalah data kurun waktu (time series) dari tahun 2006-2012 dan data deret lintang (cross section) sebanyak 5 kabupaten/kota (Purbalingga, Kebumen, Wonosobo, Banyumas dan Rembang). Penelitian ini merupakan studi empiris, yakni penelitian ini merupakan penelitian penjelasan yang memfokuskan pada hubungan antara variabel-variabel penelitian dan menguji hipotesis yang telah dirumuskan. Menurut dimensi waktunya, penelitian ini bersifat pooled yaitu observasi yang melibatkan data time series dan cross section pada indikator-indikator pembangunan yang secara tidak langsung mempengaruhi peningkatan kemiskinan tahun 2006 sampai dengan 2012. B. Jenis dan Sumber Data Jenis data yang digunakan adalah data sekunder yaitu data atau informasi yang diperoleh dari pihak lain, berupa data-data yang menunjang dengan penelitian ini. Sumber data yang diperoleh dari Jawa Tengah Dalam Angka terbitan BPS. Penelitian ini menggunakan data panel (pooling data). Data panel (cross sectional time series) adalah sekelompok data individual yang diteliti selama rentang waktu tertentu. 44
Cross section untuk melihat perbedaan antar kabupaten/kota, dan time series untuk mereflesikan perubahan pada kurun waktu tertentu. Data yang diperlukan adalah : 1. Data tingkat kemiskinan daerah untuk masing-masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012. 2. Data Produk Domestik Regional Bruto (PDRB) atas dasar harga konstan 2000 untuk masing-masing masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012. 3. Data Indeks Pembangunan Manusia (IPM) untuk masing-masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012. 4. Data pengangguran yang dilihat dengan penduduk berumur 15 tahun ke atas yang sedang mencari pekerjaan untuk masing-masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012. Adapun sumber data tersebut didapat dari : 1. Data jumlah penduduk miskin daerah untuk masing-masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2005-2012, yaitu dari Jawa Tengah Dalam Angka tahun 2006-2012 2. Data Produk Domestik Regional Bruto (PDRB) atas dasar harga konstan 2000 untuk masing-masing Kabupaten Purbalingga, 45
Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012, yaitu dari Jawa Tengah Dalam Angka tahun 2006-2012 3. Data Indeks Pembangunan Manusia (IPM) untuk masing-masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012, yaitu dari Jawa Tengah Dalam Angka tahun 2006-2012 4. Data pengangguran yang diproksi dengan penduduk berumur 15 tahun ke atas yang sedang mencari pekerjaan untuk masing-masing Kabupaten Purbalingga, Wonosobo, Kebumen, Banyumas dan Rembang tahun 2006-2012, yaitu dari Jawa Tengah Dalam Angka tahun 2006-2012 C. Metode Pengumpulan Data Metode yang digunakan dalam pengumpulan data adalah melalui studi pustaka. Studi pustaka merupakan teknik untuk mendapatkan informasi melalui catatan, literature, dokumentasi dan lain-lain yang masih relevan dengan penelitian ini. Data yang digunakan dalam penelitian ini adalah data sekunder. Pencarian data terutama pada berbagai sumber yang terkait penelitian ini. D. Variabel Penelitian dan Definisi Operasional Untuk mengetahui pengaruh PDRB, IPM dan Pengangguran terhadap kemiskinan maka variabel dependen dan variabel independen penelitian ini adalah : 46
1. Variabel dependen Kemiskinan berarti beberapa jumlah penduduk yang tidak mampu untuk memenuhi kebutuhan pokok yang telah ditetapkan oleh suatu badan yang telah digunakan untuk standar penghitungan kemiskinan di suatu daerah. Atau juga dapat diartikan penduduk yang hidup dibawah garis kemiskinan yang telah ditetapkan oleh Badan Pusat Statistik (BPS). 2. Variabel independen a. Produk Domestik Regional Bruto (PDRB) Produk Domestik Regional Bruto atas harga konstan yaitu jumlah nilai produksi atau pengeluaran atau pendapatan yang dihitung menurut harga tetap, dengan cara menilai kembali atau mendefinisikan berdasarkan harga-harga pada tingkat dasar dengan menggunakan indeks harga konsumen (dalam satuan jiwa) b. Indeks Pembangunan Manusia (IPM) Indek Pembangunan Manusia yaitu dihitung berdasarkan data yang dapat menggambarkan keempat komponen yaitu angka harapan hidup yang mewakili bidang kesehatan, angka melek huruf dan rata-rata lama sekolah mengukur capaian pembangunan di bidang pendidikan, dan kemampuan daya beli masyarakat terhadap sejumlah kebutuhan pokok yang dilihat dari rata-rata besarnya pengeluaran per kapita sebagai pendekatan pendapatan yang mewakili capaian pembangunan untuk hidup layak. c. Pengangguran 47
Pengangguran dinyatakan sebagai penduduk berumur 15 tahun ke atas yang sedang mencari pekerjaan (dalam satuan jiwa) 3. Metode Analisis Penelitian ini menggunakan analisis panel data sebagai alat pengolahan data. Analisis dengan menggunakan panel data adalah kombinasi antara deret waktu (time series) dan deret lintang (cross section). Gujarati (2003) menyatakan bahwa untuk menggambarkan data panel secara singkat, misalkan pada data cross section, nilai dari satu variabel atau lebih dikumpulkan untuk beberapa unit sampel pada beberapa waktu. Dalam data panel, unit cross section yang sama disurvey dalam beberapa waktu. Dalam model panel data, persamaan model dengan data cross section dapat ditulis sebagai berikut : Yi = β0 + β1 Xi + μi ; I = 1, 2,.., N...(3.1) Dimana N adalah banyaknya data cross section sedangkan persamaan model dengan time series adalah : Yt = β0 + β1 Xt + μt; t = 1, 2,., T (3.2) Dimana T adalah banyaknya data time series mengingat data panel merupakan gabungan dari time series dan cross section, maka model dapat ditulis dengan : (3.3) Yit = β0 + β1 Xit + μit.. i = 1, 2,.., N t = 1, 2,.., T dimana : 48
N = banyaknya observasi T = banyaknya waktu N X T = banyaknya data panel Dalam menganalisis pengaruh Laju Pertumbuhan PDRB, IPM dan tingkat pengangguran di kawasan Kabupaten Purbalingga, Kebumen, Wonosobo, Banyumas dan Rembang digunakan analisis regresi linier berganda dengan metode data panel menggunakan pendekatan semua koefisien konstan terhadap waktu dan individu digunakan untuk menghindari angka bias yang muncul dalam sebuah penelitian dengan variabel dependen yaitu presentase penduduk miskin, dan variabel independen yaitu PDRB, IPM dan pengangguran. Model regresinya adalah sebagai berikut : Yit = β0 + β1it Xit + β2it X2it + β3it X3it + βxit + ei..(3.4) Keterangan : Y X1 = Kemiskinan = PDRB X2 = IPM 49
X3 Β0 = Pengangguran = Konstanta β1., β9 = Koefisien Regresi i t = daerah penelitian ke i = waktu/tahun Keunggulan yang dimiliki oleh data panel dibandingkan data time series dan cross section (Gujarati, 2003) yaitu pertama dengan OLS biasa, apabila dilakukan terpisah, diasumsikan bahwa parameter regresi tidak berubah antar waktu (temporal stability) dan tidak berbeda antara unit-unit individualnya (cross sectional unit). Kedua dengan OLS biasa, akan terjadi asumsi yang sempit tentang asumsi klasik; homoscedasticity dan autocorrelation (pasti homokesdastis dan tidak berkorelasi pada variabel kesalahan) Dalam analisis model panel data dikenal tiga macam pendekatan yang terdiri dari pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect), dan pendekatan acak (random effect). Ketiga pendekatan yang dilakukan dalam analisis panel data dapat dijelaskan sebagai berikut : a. Pendekatan kuadrat terkecil (Pooled OLS) Metode kuadrat terkecil biasa yang diterapkan dalam data yang berbentuk pool merupakan pendekatan yang paling sederhana dalam pengolahan data panel. Teknik ini hanya mengkombinasikan data time series dan cross section dengan 50
menggunakan metode OLS dikenal dengan estimasi common effect. Diasumsikan bahwa perilaku data antar variabel sama dalam berbagai kurun waktu. Yit = α + β1x1it + β2x2it + eit (3.5) Untuk i = 1,2 N dan t = 1,2. T Dimana i adalah cross section identifier dan t adalah time series identifier. b. Pendekatan efek tetap (fixed effect) Salah satu kesulitan pada proses panel data adalah bahwa asumsi intersep dan slope yang konsisten sulit terpenuhi. Untuk mengatasi hal tersebut, yang dilakukan dalam panel data adalah dengan memasukkan variabel boneka (dummy variable) untuk mengizinkan terjadinya perbedaan nilai parameter yang berbedabeda baik lintas unit (cross section) maupun antar waktu (time series). Pendekatan dengan memasukkan variabel boneka dikenal dengan sebutan model efek tetap (fixed effect) atau Least Square Dummy Variable. Kita dapat menuliskan pendekatan tersebut dalam persamaan sebagai berikut : Yit = αi + βt X1it + β2 X2it + eit. (3.6) Untuk mengestimasi model fixed effect dimana intersep berbeda antar individu digunakan metode teknik variabel dummy untuk menjelaskan perbedaan intersep tersebut. Model estimasinya sebagai berikut : 51
Yit = αi + α2d2i + α3d3i + α4d4i + β2x2it + β3x3it + μu.(3.7) Dimana : D2i = 1 untuk variabel 1 = 0 untuk variabel lainnya c. Pendekatan Efek Acak (Random Effect) Keputusan untuk memasukkan variabel boneka dalam model efek tetap (fixed effect) tak dapat dipungkiri akan dapat menimbulkan konsekuensi (trade off). Penambahan variabel boneka ini akan dapat mengurangi banyaknya derajat kebebasan (degree of freedom) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Model panel data yang di dalamnya melibatkan korelasi antar error term karena berubahnya waktu karena berbedanya observasi dapat diatasi dengan pendekatan model komponen (error component model) atau disebut juga model efek acak (random effect). Di dalam menjelaskan random effect diasumsikan setiap variabel mempunyai perbedaan internsep. Namun demikian, kita mengasumsikan bahwa intersep adalah variabel random atau stokastik. Model ini sangat berguna jika individual variabel yang kita ambil sebagai sampel adalah dipilih secara random dan merupakan wakil dari populasi. Untuk menjelaskan model random effect dapat ditulis sebagai berikut : 52
Yit = β1ᵢ + β2x2ᵢit + β3x3it + μit...(3.8) Dengan asumsi bahwa variabel random dengan β1 (tidak ada subscript i). Nilai intersep tiap individu adalah : β1i = β1 + ɛi...(3.9) dimana i = 1,2,.N dan ɛi adalah random error term dengan nilai rata-rata nol Dengan mensubstitusikan persamaan (3.9) ke dalam (3.8) didapatkan : Yit = β1i + β2x2it + β3x3it + ɛi + μit = β1 + β2x2it + β3x3it + ωit (3.10) Dimana: Ωit = εi + μi.. (3.11) Error ωit terdiri dari dua komponen error yaitu εi yang merupakan error variasi unit dan μit adalah error dari kombinasi runtun waktu lintas sector. E. Pemilihan Model Regresi Untuk memilih model yang terbaik akan dilakukan beberapa pengujian yakni : commit Pooled to OLS user 53 LM test
Uji CHOW Fixed Effect Random Effect Hausman test Gambar 3.1 Uji pemilihan Model terbaik 1. Uji Likehood Ratio / Uji CHOW, pengujian ini dilakukan untuk memilih model antara pooled OLS dan fixed effect. Uji hipotesisnya adalah : H0 = pooled OLS Hi = fixed effect Sebagai dasar penolakan hipotesis nol yaitu jika cross-section F lebih kecil dari 5% (0.05) maka H0 ditolak dan menerima Hi. 2. Hausman Test, pengujian ini dilakukan untuk memilih model antara fixed effect dan random effect. Uji hipotesisnya adalah : H0 = Random effect model HI = Fixed effect model Sebagai dasar penolakan hipotesis nol yaitu jika statistic hausman > chi square table atau dapat juga dengan menggunakan nilai probabilitas (p-value). Jika p-value < a, maka H0 ditolak dan menerima Hi. 54
F. Uji Asumsi Klasik Dari pemilihan regresi data panel, maka terhadap model yang terpilih dilakukan uji asumsi klasik. Sebelum melakukan analisis data maka data akan diuji sesuai asumsi klasik, jika terjadi penyimpangan akan asumsi klasik digunakan pengujian statistik non parametric sebaliknya asumsi klasik terpenuhi apabila digunakan statistic parametric untuk mendapatkan model regresi yang baik, agar model regresi yang diajukan menunjukkan persamaan yang valid atau BLUE (Best Linier Unbiased Estimator), model tersebut harus memenuhi asumsi-asumsi dasar klasik Ordinary Least Square (OLS). Uji asumsi memilih uji multikolenieritas, heteroskedastisitas, dan autokorelasi (Gujarati, 2003). 1. Uji Multikolenieritas Uji multikolenieritas merupakan pengujian yang dilakukan untuk melihat apakah terdapat hubungan linier di antara variabel-variabel bebas dalam model regresi. Menurut Gujarati (1993) Multikolineritas adalah suatu kondisi sedemikian rupa dimana terdapat korelasi linier antara variabel yang satu dengan variabel bebas yang lain. Cara yang paling mudah untuk mendeteksi ada tidaknya multikolinieritas adalah dengan melihat nilai R², F, nilai t dan correlation matrik. Jika dari hasil pengujian statistic diperoleh nilai R² yang tinggi, uji F yang signifikan, tetapi beberapa atau mungkin seluruh uji t tidak ada yang signifikan, maka model regresi tersebut kemungkinan besar terdapat adanya masalah multikolinieritas. 55
Cara mengatasinya adalah dengan menggunakan informasi sebelumnya untuk mendapatkan variabel yang mempengaruhi, baik yang diperoleh dari teori ekonomi maupun yang diperoleh dari hasil empiris orang atau dengan penambahan data baru. 2. Uji Hesterokedastisitas Salah satu asumsi dasar regresi linier adalah bahwa variasi residual (variabel gangguan) sama untuk semua pengamatan. Jika terjadi suatu keadaan dimana variabel gangguan tidak mempunyai varian yang sama untuk semua observasi, maka dikatakan dalam model regresi tersebut terdapat suatu gejala heterokedastisitas (Gujarati, 2003). Heterokedastisitas akan menyebabkan penarikan koefisien regresi tidak efisien, sehingga kesimpulan yang akan dibuat akan menyesatkan karena terjadi underestimate atau overestimate. 3. Uji Autokorelasi Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalajam pengganggu pada periode t dengan kesalahan pengganggu pada periode sebelumnya (Gujarati, 2003). Untuk menngetahui ada tidaknya gangguan korelasi dapat dilakukan dengan menggunakan Uji Durbin Watson, indikator yang menunjukkan tidak adanya gangguan autokorelasi adalah jika nilai hasil dengan probabilitas lebih besar dari tingkat signifikan 5%. 56
G. Uji Statistik Analisis Regresi 1. Uji F Uji F digunakan untuk menguji apakah variabel PDRB, IPM dan pengangguran secara bersama-sama berpengaruh terhadap kemiskinan. Langkah-langkah yang dilakukan dalam pengujian ini adalah : H0 : β1 = β2 = β3 = 0 (tidak ada pengaruh antar variabel independen terhadap variabel dependen secara bersama-sama). Hi : β1 β2 β3 0 (ada pengaruh antara variabel independen terhadap variabel dependen secara bersama-sama). a. Menentukan criteria pengujian Dengan menggunakan derajat kepercayaan 95% (α = 0.5) dan derajat kebebasan (k-1) dan (n-k), Uji F dilakukan dengan membandingkan nilai F statistic (F hitung) dengan F table. Pengambilan kesimpulan yang dilakukan adalah : Jika F hitung F table, maka H0 ditolak dan Hi diterima, berarti variabel bebas tersebut secara bersama-sama berpengaruh terhadap variabel tergantung. Sedangkan apabila F hitung F table, maka H0 diterima dan Hi ditolak, berarti variabel bebas tersebut secara bersama-sama tidak signifikan mempengaruhi variabel tergantung. b. Kesimpulan Melalui bantuan eviews Uji F dilakukan dengan melihat nilai signifikan F hitung. Apabila nilai signifikan F hitung lebih kecil 57
atau sama dengan α (0.05) maka berarti variabel bebas secara bersama-sama berpengaruh signifikan terhadap variabel tergantung dan demikian sebaliknya. 2. Uji t Uji t digunakan untuk mengetahui seberapa besar pengaruh masing-masing variabel independen terhadap variabel dependen. Cara menguji koefisien regresi secara parsial dengan menggunakan uji t atau t-test dengan tahapan sebagai berikut (Gujarati, 2003) : a. Membuat formulasi hipotesis H0 : βi = 0 H0 : βi 0 b. Tingkat kesalahan atau α = 5% c. Mencari t hitung dengan rumus Dimana : bi : koefisien regresi masing-masing variabel Sbi : standar error koefisien regresi masing-masing variabel : t(a/2,n-k) d. Kesimpulan Apabila atau signifikan lebih dari 0,05maka H0 diterima yang berarti variabel independen tidak berpengaruh signifikan terhadap variabel dependen pada derajat keyakinan tertentu. 58
Apabila atau signifikan kurang dari 0,05 maka H0 ditolak yang berarti variabel independen berpengaruh secara signifikan terhadap variabel dependen pada derajat keyakinan tertentu. 3. Koefisien Determinasi (R²) Koefisien determinasi (R²) menunjukkan kemampuan model regresi dalam menerangkan variasi variabel terikat. Nilai R² berkisar antara nol dan satu (0 < R² < 1). Nilai R² yang kecil atau mendekati nol berarti kemampuan variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Sebaliknya, jika nilai R² mendekati satu berarti variabel independen memberikan hamper semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen (Gujarati, 2003). Koefisien determinasi dapat dirumuskan sebagai berikut : ( ) Dimana : N = Jumlah observasi K = Jumlah variabel bebas R² = Koefisien determinasi 59