BAB III METODE PENELITIAN A. Lokasi Penelitian Penelitian ini menganalisa tentang indeks pembangunan manusia dan variabel yang mempengaruhinya. Lokasi dalam penelitian ini adalah 29 kabupaten dan 9 kota di provinsi Jawa Timur (Lampiran 3). B. Jenis Penelitian Penelitian ini termasuk dalam penelitian kuantitatif, artinya menguji teori terkait masalah yang diteliti dengan menggunakan data kuantitatif dan/atau berbentuk angka melalui kerangka pikir dan merumuskan hipotesis. C. Definisi Operasional dan Pengukuran Variabel Variabel merupakan titik perhatian dari apa yang diteliti (Arikunto, 2006). Penelitian ini menggunakan 2 (dua) jenis variabel, yaitu: 1. Variabel Dependen Variabel dependen merupakan variabel terikat yang bisa berubah karena pengaruh akibat variabel bebas. Variabel terikat dalam penelitian ini adalah indek pembangunan manusia seluruh kabupaten/kota di provinsi Jawa Timur. IPM adalah indikator yang digunakan untuk mengukur kualitas sumber daya manusia dalam bentuk persen. 2. Variabel Independen Variabel independen merupakan variabel bebas yang dapat memengaruhi atau menjadi penyebab berubahnya variabel terikat. Variabel bebas yang diambil dalam penelitian ini, yaitu: 17
18 a. Produk domestik regional bruto (PDRB) adalah jumlah nilai tambah dari seluruh unit usaha atau jumlah dari nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi dalam suatu wilayah (BPS, 2016). PDRB yang dimaksud sebagai variabel terikat dalam penelitian ini adalah pendapatan domestik regional bruto atas dasar harga berlaku, seluruh kabupaten/kota di provinsi Jawa Timur dalam bentuk milyaran rupiah. b. Upah Minimum. Menurut Peraturan Menteri Tenaga Kerja Republik Indonesia Nomor 21 Tahun 2016 tentang Kebutuhan Hidup Layak, pengertian dari upah minimum adalah upah bulanan terendah yang dari dari upah pokok dan tunjangan tetap. Sedangkan upah minimum yang dimaksud sebagai variabel terikat dalam penelitian ini adalah upah minimum kota seluruh kabupaten/kota di provinsi Jawa Timur dalam bentuk rupiah. c. Jumlah Pengangguran. Definisi dari jumlah pengangguran sendiri adalah jumlah penduduk yang termasuk dalam usia kerja namun tidak bekerja (BPS, 2016). Jumlah pengangguran yang dimaksud sebagai variabel terikat dalam penelitian ini adalah jumlah pengangguran seluruh kabupaten/kota di provinsi Jawa Timur dalam bentuk jiwa. d. Jumlah Penduduk Miskin. Jumlah penduduk miskin adalah total dari penduduk yang mempunyai nilai rata-rata pengeluaran per kapita tiap bulan yang berada di bawah garis kemiskinan. Jumlah penduduk miskin yang dimaksud sebagai variabel terikat dalam penelitian ini adalah jumlah penduduk miskin seluruh kabupaten/kota di provinsi Jawa Timur dalam bentuk jiwa.
19 D. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder adalah data yang diperoleh dari sumber-sumber yang telah ada. Penelitian ini memperoleh data dari publikasi Badan Pusat Statistik Provinsi Jawa Timur, Badan Pusat Statistik kabupaten/kota di provinsi Jawa Timur, dan Peraturan Gubernur Provinsi Jawa Timur. Data yang dimaksud, antara lain: 1. Data indeks pembangunan manusia (IPM) di 38 kabupaten/kota provinsi Jawa Timur secara annual (tahunan) periode 2010 s/d 2015. 2. Data PDRB atas dasar harga berlaku menurut lapangan usaha di 38 kabupaten/kota provinsi Jawa Timur secara annual (tahunan) periode 2010 s/d 2015. 3. Data upah minimum kota (UMK) di 38 kabupaten/kota provinsi Jawa Timur secara annual (tahunan) periode 2010 s/d 2015. 4. Data jumlah pengangguran di 38 kabupaten/kota provinsi Jawa Timur secara annual (tahunan) periode 2010 s/d 2015. 5. Data jumlah penduduk miskin di 38 kabupaten/kota provinsi Jawa Timur secara annual (tahunan) periode 2010 s/d 2015. E. Teknik Pengumpulan Data Penelitian ini sepenuhnya menggunakan metode studi pustaka sebagai metode pengumpulan data. Sebagai pendukung digunakan katalog, laporan, jurnal, buku, surat kabar, artikel, browsing internet. Data diperlukan dalam penelitian ini, yaitu: data panel. Data panel adalah gabungan antara data cross section (data yang
20 dikumpulkan berdasarkan satu waktu dalam banyak obyek) dan data time series (data yang dikumpulkan berdasarkan kurun waktu tertentu dalam satu obyek). F. Teknik Analisis Data Penelitian ini menggunakan analisis deskriptif dengan menggunakan metode statistik ekonometrik melalui model regresi data panel. Data panel bersifat longitudinal yaitu data yang diperoleh atas menetapkan sejumlah sampel cross section dan kemudian diikuti variabel yang diamati dari waktu ke waktu (Ariefianto, 2012:149). Keuntungan menggunakan data panel: meningkatkan ukuran sampel; Data panel paling tepat digunakan untuk mempelajari perubahan; Memudahkan untuk mempelajari masalah yang lebih kompleks (Gujarati & Porter, 2012:262). Dalam hal analisis data digunakan program Eviews-9. Selanjutnya dilakukan estimasi model regresi data panel, pemilihan model regresi data panel, dan pengujian hipotesis sebagai berikut: 1. Estimasi Regresi Data Panel a. Common Effect Model (CEM) Model common effect atau pooled merupakan teknik pendekatan paling sederhana dalam menganilis regresi data panel hanya dengan menggabungkan data time series dan cross section dengan menggunakan metode OLS (ordinary least square) biasa. Model yang mengasumsikan bawa tidak ada heterogenan antar variabel yang tidak terobservasi, karena semua keheterogenan sudah dijelaskan oleh variabel independen. Asumsi bahwa pengaruh dari perubahan X bersifat konstan dalam waktu dan kategori cross section (Rosadi, 2012:272).
21 Adapun variabel dalam penelitian ini dapat dibentuk model estimasi data panel dengan pendekatan common effect sebagai berikut: IPM it = β 0 + β 1 PDRB it + β 2 UMK it + β 3 JPENG it + β 4 KMSKN it + e it Dimana: IPM it : Indeks Pembangunan Manusia (persen) di daerah i pada periode t PDRB it : Pendapatan Domestik Regional Bruto (milyar rupiah) di daerah i pada periode t UMK it : Upah Minimum Kota (rupiah) di daerah i pada periode t JPENG it : Jumlah Pengangguran (jiwa) di daerah i pada periode t KMSKN it : Jumlah Penduduk Miskin (jiwa) di daerah i pada periode t i : cross section t : time series β 0 : Konstanta β 1 β 2 β 3 β 4 : Koefisien Regresi e : error term / residual Dalam model di atas dapat dilihat bahwa ada perbedaan satuan antar variabel. Menurut Nachrowi & Usman (2008:74), bentuk skala pengukuran, dapat digunakan sebagai penentu supaya parameter yang di estimasi memiliki angka yang menarik. Dengan kata lain, satuan ukuran yang digunakan dalam persamaan regresi akan berpengaruh terhadap besaran parameter yang terestimasi. Supaya kesalahan dalam
22 interpretasi dapat diminimalisir, akan lebih baik jika satuan ukuran yang digunakan variabel sama. Untuk itu transformasi persamaan ke dalam bentuk model lin-log (model dimana variabel Y berbentuk linier sedangkan variabel X dalam bentuk logaritma) diperlukan dalam penelitian ini. Transformasi persamaan ke dalam bentuk lin-log sebagai berikut: IPM it = β 0 + β 1 logpdrb it + β 2 logumk it + β 3 logjpeng it + β 4 logkmskn it + e it Dimana: IPM it : Indeks Pembangunan Manusia (persen) di daerah i pada periode t logpdrb it : Pendapatan Domestik Regional Bruto (persen) di daerah i pada periode t logumk it : Upah Minimum Kota (persen) di daerah i pada periode t logjpeng it : Jumlah Pengangguran (persen) di daerah i pada periode t logkmskn it : Jumlah Penduduk Miskin (persen) di daerah i pada periode t i : cross section t : time series β 0 : Konstanta β 1 β 2 β 3 β 4 : Koefisien Regresi e : error term / residual
23 b. Fix Effect Model (FEM) Model ini adalah teknik estimasi data panel dengan variabel dummy untuk menangkap perbedaan intersep. Perbedaan yang dimaksud adalah perbedaan intersep antara cross section namun intersepnya sama antar waktu. Dengan cara menambahkan variabel dummy yang sesuai untuk masing-masing nilai variabel independen. Persamaan model fixed effect dalam bentuk lin-log sebagai berikut: IPM it = β 0 + β 1 logpdrb it + β 2 logumk it + β 3 logjpeng it + β 4 logkmskn it Dimana: + c i + d t + e it IPM it : Indeks Pembangunan Manusia (persen) di daerah i pada periode t logpdrb it : Produk Domestik Regional Bruto (persen) di daerah i pada periode t logumk it : Upah Minimum Kota (persen) di daerah i pada periode t logjpeng it : Tingkat Pengangguran Terbuka (persen) di daerah i pada periode t logkmskn it : Jumlah Penduduk Miskin (persen) di daerah i pada periode t i t β 0 : cross section : time series : Konstanta β 1 β 2 β 3 β 4 : Koefisien Regresi c i d t e : Konstanta yang bergantung pada unit ke-i, tapi tidak pada waktu t : Konstanta yang bergantung pada waktu t, tapi tidak pada unit i : error term / residual
24 c. Random Effect Model (REM) Dengan menggunakan model fixed effect, pengaruh dari semua karakteristik yang bersifat konstan dalam waktu atau dalam unit tidak dapat dilihat. Kemudian juga berakibat berkurangnya derajat kebebasan (degree of freedom) dan pada akhirnya mengurangi efisiensi parameter. Oleh karena itu digunakan model Random Effect dengan menggunakan metode Generalized Least Square (GLS), yang dituliskan sebagai berikut: IPM it = β 0 + β 1 logpdrb it + β 2 logumk it + β 3 logjpeng it + β 4 logkmskn it + v it Dimana: IPM it : Indeks Pembangunan Manusia (persen) di daerah i pada periode t logpdrb it : Produk Domestik Regional Bruto (persen) di daerah i pada periode t logumk it : Upah Minimum Kota (persen) di daerah i pada periode t logjpeng it : Tingkat Pengangguran Terbuka (persen) di daerah i pada periode t logkmskn it : Jumlah Penduduk Miskin (persen) di daerah i pada periode t i t β 0 : cross section : time series : Konstanta β 1 β 2 β 3 β 4 : Koefisien Regresi v i : ci + dt + eti
25 2. Pemilihan Model Regresi Data Panel a. Uji Chow Test Uji Chow Test merupakan uji yang digunakan untuk pemilihan model terbaik yang akan diestimasi antara model common effect dengan model fixed effect. Dengan melakukan uji restricted F-Test atau uji Chow-Test. Hipotesa yang digunakan adalah: H0 H1 : Model CEM lebih sesuai (restricted) : Model FEM lebih sesuai (unrestricted) berikut: Pengujian dengan menggunakan Chow-Test seperti formulasikan sebagai F = (RRSS URSS)/(N 1) (URSS/(NT N K) Dimana: RRSS : Restricted Residual Sum Square, artinya sum square residual yang diperoleh dari estimasi data panel menggunakan metode CEM. URSS : Unrestricted Residual Sum Square, artinya sum square residual yang diperoleh dai estimasi data panel menggunakan FEM. N : Jumlah data cross section T : Jumlah data time series K : Jumlah variabel penjelas
26 Pengujian ini mengikuti distribusi F-statistik yaitu N-1, df = (NT-K) (K-1) pada alpha 5%, apabila nilai F-test lebih besar dari F-tabel, maka hipotesis nol ditolak dan model yang akan digunakan adalah FEM (fixed effect model). b. Uji Hausman Test Pengujian ini dilakukan untuk menentukan yang paling sesuai antara model FEM dengan model REM. Hipotesis yang digunakan adalah: H0 H1 : Model FEM lebih sesuai : Model REM lebih sesuai Uji Hausman menggunakan rumus sebagai berikut: m = q var(q ) 1 q Dimana: q = β OLS β GLS var(q ) = var(β OLS ) var(β GLS ) Kriteria pengujian penolakan hipotesis nol, apabila Probabilitas m lebih kecil dari alpha (5%). 3. Uji Hipotesis a. Uji Secara Simultan (Uji F-Statistik) Untuk mengetahui pengaruh secara bersama-sama variabel bebas terhadap variabel terikat digunakan uji F dengan rumus sebagai berikut: F = ESS P 1 RSS n p Ketentuan hipotesis nol ditolak jika F hitung lebih besar dari Fa/2 atau Probabilitas F-statistik lebih kecil dari alpha (5%).
27 b. Uji Secara Parsial (Uji t-statistik) Sedangkan untuk mengetahui pengaruh antara variabel bebas dengan variabel terikat secara parsial atau individu digunakan uji t dengan rumus sebagai berikut: t = β j β j se(β j) Ketentuan hipotesis nol ditolak jika t hitung lebih besar dari ta/2 atau Probabilitas t-statistik lebih kecil dari alpha (5%). c. Uji Koefisien Determinasi (R 2 ) Untuk menentukan kebaikan model regresi dapat menggunakan koefisien determinasi (R-square/R 2 ). R 2 adalah nilai statistik yang menunjukkan besarnya persentase keragaman variabel terikat yang dapat dijelaskan oleh variabel bebas dalam model regresi, maka kesesuaian model regresi semakin tinggi. Formula yang digunakan dalam menghitung R 2 adalah sebagai berikut: 4. Uji Asumsi Klasik R 2 = 1 n (Y i Y ) 2 i=1 (Y i Y ) 2 n i=1 Menurut Ariefianto (2012), penggunaan Ordinary Least Square (OLS) dalam estimasi regresi linier harus memenuhi syarat asumsi klasik: Gauss-Markov. Dengan tujuan adalah parameter yang digunakan bersifat Best Linier Unbiased Estimator (BLUE). Menurut Basuki (2014), uji asumsi klasik pada regresi data panel hanya menggunakan 2 (dua) uji asumsi klasik, yaitu: uji normalitas dan uji multikolinieritas.
28 a. Uji Normalitas Normalitas merupakan asumsi yang digunakan untuk mengetahui bahwa error/residual sudah terdistribusi normal. Hal tersebut dapat menggunakan uji Jarque-Bera menggunakan program Eviews-9. Hipotesis yang diuji : H0 : error berdistribusi normal H1 : error tidak berdistribusi normal Dengan asumsi H0 ditolak jika p-value < 0,05. b. Uji Multikolinieritas Multikolinieritas merupakan kondisi dimana adanya hubungan antar variabel independen. Menurut Rosadi (2012), untuk mendeteksi adanya multikolinieritas dapat menggunakan metode Klein, yaitu membandingkan nilai koefisien determinasi model regresi utama dengan regresi auxiliary/semu (model estimasi regresi antara variabel independen satu dengan variabel independen yang lain). Tahapan regresi auxiliary pada penelitian ini sebagai berikut: logpdrb it = β 0 + β 1 logumk it + β 2 logjpeng it + β 3 logkmskn it + v it..(r1) logumk it = β 0 + β 1 logpdrb it + β 2 logjpeng it + β 3 logkmskn it + v it..(r2) logjpeng it = β 0 + β 1 logpdrb it + β 2 logumk it + β 3 logkmskn it + v it..(r3) logkmskn it = β 0 + β 1 logpdrb it + β 2 logumk it + β 3 logjpeng it + v it..(r4) Adanya multikoliniernitas jika nilai koefisien determinasi (R 2 ) regresi auxiliary lebih besar dari regresi utama.