Keterampilan - Landasan Teori

BAB II TINJAUAN PUSTAKA

A. Landasan Teori

7. Keterampilan

Modal manusia menurut Romer (1996) terdiri dari keterampilan, keahlian, dan pengetahuan dari seseorang (pekerja). Schultz mengemukakan beberapa upaya untuk mengembangkan sumber daya manusia, diantaranya adalah pendidikan yang diorganisasikan secara formal pada tingkat dasar, menengah, dan pendidikan pada tingkat tinggi (Jhingan, 1996; Amiruddin, 2016).

Berdasarkan teori modal manusia yang dikemukakan oleh Theodero Schultz (1960), pendidikan tinggi adalah bentuk investasi penting dalam modal manusia. Hal tersebut yang dapat mengubah manusia menjadi modal manusia yang berharga dengan menanamkan keterampilan dan pengetahuan. Sehingga dapat meningkatkan kemampuan kerja dan produktivitas individu dan mengarah pada pendapatan individu yang lebih tinggi dan pertumbuhan ekonomi nasional yang lebih tinggi serta meningkatnya tingkat daya saing nasional.

Menurut Schwab (2018), pendidikan dalam modal manusia mengukur keterampilan yang dibutuhkan manusia untuk berkembang.

Tingkat umum keterampilan yang dimaksud terdapat pada tenaga kerja dan kuantitas serta kualitas pendidikan. Pendidikan akan menanamkan keterampilan dan kompetensi dalam angkatan kerja. Penduduk dengan berpendidikan tinggi akan menjadi lebih produktif dengan memiliki kemampuan kolektif yang lebih besar untuk melakukan tugas dan mentransfer pengetahuan dengan cepat, serta menciptakan pengetahuan dan pengaplikasian baru.

Dalam hal ini, keterampilan diukur berdasarkan harapan lama sekolah. Menurut United Nations Educational, Scientific and Cultural Organization harapan lama sekolah memiliki definisi sebagai jumlah tahun bersekolah yang diharapkan dapat diterima oleh anak pada usia masuk sekolah jika pola yang berlaku dari tingkat pendaftaran khusus usia tetap ada sepanjang hidup anak. Perhitungan harapan lama sekolah dapat dirumuskan dengan sebagai berikut.

𝐼_𝐻𝐿𝑆 = 𝐻𝐿𝑆 − 𝐻𝐿𝑆_𝑚𝑖𝑛

𝐻𝐿𝑆_{𝑚𝑎𝑘𝑠}− 𝐻𝐿𝑆_𝑚𝑖𝑛 (2.4)

Keterangan: (𝐼_𝐻𝐿𝑆) Indeks Harapan Lama Sekolah, (𝐻𝐿𝑆) Harapan Lama Sekolah, (𝐻𝐿𝑆_𝑚𝑖𝑛) Harapan Lama Sekolah minimal, (𝐻𝐿𝑆_{𝑚𝑎𝑘𝑠}) Harapan Lama Sekolah maksimal.

30 B. Penelitian Terdahulu

Dalam penyusunan penelitian ini, peneliti menggunakan beberapa penelitian terdahulu sebagai acuan penelitian. Berikut adalah beberapa penelitian terdahulu yang digunakan:

Tabel 2.1 Penelitian Terdahulu

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 1. Enabling

31 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 2. The Human

32 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 4. Assessing The

33 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 6. An Empirical

34 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 8. The

35 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 1

36 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan 1

37 N

o. Judul Penulis

(Tahun) Hasil Persamaan Perbedaan Pengaruh

38 C. Kerangka Pemikiran

Berdasarkan uraian landasan teori dan penelitian terdahulu yang telah dipaparkan, untuk menganalisa indikator yang memengaruhi pilar daya saing nasional dalam dimensi lingkungan pendorong dan modal manusia maka variabel-variabel yang digunakan untuk dapat memberi pandangan dalam pemikiran penelitian adalah akses listrik, inflasi, angka harapan hidup, dan harapan lama sekolah sebagai variabel independen (X), sementara daya saing nasional sebagai variabel dependen (Y). Keterkaitan antar variabel tersebut dapat digambarkan sebagai berikut:

Gambar 2.1 Kerangka Pemikiran

Akses Listrik (X1)

Inflasi (X2)

Angka Harapan Hidup

(X3)

Harapan Lama Sekolah

(X4) Parsial

Simultan Daya Saing Nasional

(Y)

39 D. Hubungan Antar Variabel

1. Hubungan Akses Listrik dengan Daya Saing Nasional

Infrastruktur tidak hanya dibutuhkan untuk meningkatkan daya saing untuk mendorong lebih banyak kegiatan investasi, produksi, dan perdagangan, tetapi juga untuk memacu pemerataan pembangunan (Atmaja & Mahalli, 2015). Sektor kelistrikan menjadi faktor kunci yang dapat mendorong dan mempercepat naik-turunnya daya saing suatu perekonomian. Sambodo (2009) dalam Adam (2016) menjelaskan listrik merupakan hal dasar yang dibutuhkan untuk meningkatkan daya saing melalui perannya sebagai faktor kunci dalam mendorong efisiensi dan produktivitas. Terbatasnya kemampuan dalam mendorong produksi listrik akan menghambat upaya suatu negara untuk memperbaiki iklim berbisnis yang dapat mendorong perkembangan investasinya. Hal tersebut dijelaskan kembali oleh Sambodo, bahwa akses listrik merupakan salah satu prasyarat dasar peningkatan kualitas hidup dan penguatan daya saing ekonomi masyarakat dan bangsa. Dengan memperhatikan akses listrik yang memadai dan berkelanjutan bagi rakyatnya, maka negara tersebut akan mampu mencapai tahap pembangunan dan kesejahteraan yang tinggi (Sambodo et al., 2016).

Salah satu yang mendasari pengaruh tingkat daya saing nasional adalah infrastruktur, yang pada akhirnya faktor infrastruktur tersebut dapat ditentukan oleh pasokan listrik. Dalam Palei (2015) menjelaskan bahwa

infrastruktur apa saja termasuk listrik mampu meningkatkan produktivitas dan memiliki dampak positif terhadap daya saing. Ridwan et al. (2018) menemukan pula hubungan positif dan signifikan antara listrik dan daya saing. Seperti halnya dengan Sitorus & Yuliana (2018) yang menemukan hubungan positif antara listrik dengan produktivitas, namun tidak memiliki pengaruh yang signifikan. Hal yang berbeda ditemukan oleh Ridwan et al., (2017) serta Kurniawati & Asyurrahman (2018), dimana terjadi hubungan negatif dan tidak signifikan yang disebabkan oleh penggunaan listrik yang lebih besar proporsinya digunakan oleh kelompok rumah tangga dibandingkan dengan kelompok industri.

2. Hubungan Inflasi dengan Daya Saing Nasional

Tingkat inflasi dan daya saing memiliki hubungan yang dapat dianalisis dari dua sudut pandang. Peningkatan inflasi dapat menentukan peningkatan peluang bisnis yang dijelaskan oleh fakta bahwa tingkat harga yang lebih tinggi dapat meningkatkan ekspektasi pendapatan pengusaha dan dapat mendorong perkembangan bisnis yang secara implisit dapat meningkatkan daya saing (Vidal-Suñé & Lopez-Panisello, 2013; Sayed &

Slimane 2014; Rusu & Roman, 2018; Rusu & Dornean, 2019). Meskipun, negara-negara dengan tingkat inflasi tinggi tidak akan berada di antara negara-negara dengan daya saing tertinggi, akan terdapat peningkatan daya saing tetapi akan tetap berada di antara negara-negara peringkat terbawah (Kristjánsdóttir, 2017).

Peningkatan inflasi juga dapat meningkatkan biaya untuk memulai usaha dan kegiatan yang akan berdampak negatif pada pengusaha (Salman, 2014). Menurut Larossi (2009), peraturan tentang berbisnis yang sering ditunjukkan dengan tingginya biaya untuk memulai dan menjalankan usaha, berpengaruh negatif terhadap kegiatan wirausaha dan dapat menurunkan daya saing. Dalam Dewi & Azman (2019) pengaruh tidak signifikan tehadap daya saing yang terjadi disebabkan oleh pengaruh tidak langsung terhadap penciptaan nilai tambah melalui suku bunga, sehingga pengusaha dengan sumber modal dari bank akan terbebani.

3. Hubungan Angka Harapan Hidup dengan Daya Saing Nasional

Menurut Acemoglu & Johnson (2007), angka harapan hidup yang meningkat maka akan meningkatkan populasi, yang pada awalnya mengurangi rasio modal ke tenaga kerja dan lahan ke tenaga kerja, sehingga menekan pendapatan per kapita. Penurunan tersebut kemudian dikompensasi oleh output yang lebih tinggi karena lebih banyak orang yang memasuki angkatan kerja dan lebih banyak modal diakumulasi.

Kompensasi ini dapat diselesaikan dan bahkan dapat melebihi tingkat pendapatan awal per kapita serta bermanfaat pada produktivitas yang signifikan dari angka harapan hidup yang tinggi. Namun, kompensasi tersebut mungkin juga tidak lengkap jika manfaat dari angka harapan hidup yang tinggi dibatasi dan jika beberapa faktor produksi yang disediakan secara tidak elastis.

Dalam hubungannya dengan daya saing, angka harapan hidup merupakan kriteria terpenting yang memengaruhi skor daya saing suatu negara, negara-negara yang efisien dalam mengubah daya saing menjadi tingkat pembangunan manusia yang lebih tinggi adalah negara-negara dengan angka harapan hidup yang tinggi (Ülengin et al., 2011). Dalam Hamid (2019) menemukan hubungan yang signifikan antara angka harapan hidup terhadap daya saing. Namun, terdapat efek negatif dari kerugian-kerugian lain yang sering diabaikan yang menyebabkan negara-negara memiliki angka harapan hidup pendek dan kesehatan yang buruk (Acemoglu & Johnson, 2007). Ridwan et al. (2017) dan Hendarmin (2019) menemukan efek negatif tersebut, dimana angka harapan hidup tidak akan memengaruhi perubahan daya saing, karena setiap peningkatan angka harapan hidup akan meningkatkan pertumbuhan ekonomi apabila terdapat faktor pertumbuhan lainnya, sehingga secara efektif angka harapan hidup belum berkontribusi langsung dalam peningkatan daya saing.

4. Hubungan Harapan Lama Sekolah dengan Daya Saing Nasional

Pendidikan tinggi dengan adanya harapan lama sekolah membantu perekonomian berkembang pesat dengan menyediakan sumber daya manusia dengan keterampilan professional, teknis, dan manajerial.

Pendidikan tinggi tidak hanya memberikan kontribusi pekerja terdidik, tetapi juga pekerja pengetahuan, untuk pertumbuhan ekonomi yang akan menciptakan negara yang kuat dan mempercepat globalisasi. Pendidikan tinggi merupakan barang atau jasa yang mendorong pertumbuhan ekonomi

dengan membuat masyarakat lebih efisien dan secara bersamaan berkontribusi untuk mengurangi ketimpangan dengan memberikan peluang untuk mobilitas ke atas dan untuk perbaikan pekerjaan, ekonomi, dan sosial. Hal tersebut mengkonfirmasi kontribusi signifikan pendidikan tinggi dengan keterampilan terhadap pertumbuhan dan pembangunan ekonomi dengan daya saing negaranya. (APO, 2019).

Tuntutan untuk pendidikan dan keterampilan yang berkembang seiring dengan perekonomian yang menjadi lebih kompleks. Keterampilan dalam pendidikan merupakan faktor pendorong peningkatan kualitas sumber daya manusia melalui transfer ilmu pengetahuan sebagai modal utama perekonomian yang pada akhirnya mendorong pertumbuhan ekonomi yang berkelanjutan (Huggins dan Izushi, 2013). Hal tersebut sejalan oleh Hamid (2019) dengan adanya pengaruh langsung dari harapan lama sekolah terhadap daya saing yang signifikan dan positif.

E. Hipotesis Penelitian

Sehubungan dengan permasalahan penelitian ini, yaitu mengenai analisis indikator yang memengaruhi pilar daya saing nasional dalam dimensi lingkungan pendorong dan modal manusia di beberapa negara APO (Asian Productivity Organizations), maka perumusan hipotesis yang dapat diajukan adalah sebagai berikut:

1. H0: Tidak ada pengaruh yang signifikan antara akses listrik terhadap daya saing nasional di beberapa negara APO.

H1: Ada pengaruh yang signifikan antara akses listrik terhadap daya saing nasional di beberapa negara APO.

2. H0: Tidak ada pengaruh yang signifikan antara inflasi terhadap daya saing nasional di beberapa negara APO.

H2: Ada pengaruh yang signifikan antara inflasi terhadap daya saing nasional di beberapa negara APO.

3. H0: Tidak ada pengaruh yang signifikan antara angka harapan hidup terhadap daya saing nasional di beberapa negara APO.

H3: Ada pengaruh yang signifikan antara angka harapan hidup terhadap daya saing nasional di beberapa negara APO.

4. H0: Tidak ada pengaruh yang signifikan antara harapan lama sekolah terhadap daya saing nasional di beberapa negara APO.

H4: Ada pengaruh yang signifikan antara harapan lama sekolah terhadap daya saing nasional di beberapa negara APO.

5. H0: Tidak ada pengaruh yang signifikan antara akses listrik, inflasi, angka harapan hidup, dan harapan lama sekolah terhadap daya saing nasional di beberapa negara APO.

H5: Ada pengaruh yang signifikan antara akses listrik, inflasi, angka harapan hidup, dan harapan lama sekolah terhadap daya saing nasional di beberapa negara APO.

45 BAB III

METODE PENELITIAN

A. Populasi dan Sampel

Menurut Sugiyono (2015), definisi dari populasi adalah wilayah generalisasi yang terdiri atas objek atau subjek yang mempunyai kualitas dari karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Dari definisi tersebut dapat dikatakan bahwa populasi merupakan semua individu yang menjadi sumber pengambilan sampel. Populasi yang digunakan dalam penelitian ini adalah negara-negara di Asia-Pasifik yang tergabung dalam Asian Productivity Organizations (APO).

APO merupakan organisasi antar pemerintahan regional Asia Pasifik yang memiliki tujuan untuk meningkatkan produktivitas melalui kerjasama yang menguntungkan diantara negara-negara anggota. Negara-negara ini berkontribusi dalam penggerak produktivitas dengan berbagai pengetahuan, informasi, dan pengalaman.

Berkaitan dengan populasi, menurut Sugiyono (2015) sampel memiliki definisi sebagai bagian dari jumlah dan karakteristik yang dimiliki oleh populasi. Dalam pengambilan sampel, penelitian ini menggunakan metode non problability sampling dengan metode purposive sampling, yaitu metode pengambilan sampel dengan pertimbangan tertentu. Terdapat pertimbangan

atau kriteria tertentu yang harus dipenuhi oleh sampel-sampel yang digunakan dalam penelitian ini, diantaranya:

1. Negara anggota APO yang merupakan negara berkembang.

2. Negara anggota APO yang menyediakan data terkait dengan variabel penelitian selama periode tahun 2014–2018.

3. Negara anggota APO yang memiliki skor daya saing nasional dengan level rendah hingga sedang pada tahun 2018 (skor < 70).

Tabel 3.1

Hasil Purposive Sampling

Kriteria Sampel Jumlah

Jumlah negara yang terdaftar menjadi anggota APO 21 Pengurangan Sampel Kriteria 1:

Negara anggota APO yang bukan negara berkembang.

(4)

Pengurangan Sampel Kriteria 2:

Negara anggota APO yang tidak menyediakan data terkait dengan variabel penelitian selama periode tahun 2014–2018.

(1)

Pengurangan Sampel Kriteria 3:

Negara anggota APO yang memiliki skor daya saing nasional dengan level tinggi pada tahun 2018 (skor ≥ 70).

(2)

Sampel Terpilih 14

Total Sampel

14 × 5 = 70

Dari 70 sampel penelitian yang terpilih, terdapat 14 negara APO yang termasuk diantaranya adalah Bangladesh, India, Indonesia, Iran, Kamboja, Laos, Sri Lanka, Mongolia, Nepal, Pakistan, Filipina, Thailand, Turki, dan Vietnam. Dengan 5 tahun periode penelitian, yaitu dari tahun 2014, 2015, 2016, 2017 hingga tahun 2018.

B. Data dan Sumber Data

Dalam penelitian ini peneliti menggunakan penelitian data kuantitatif, yaitu penelitian yang digunakan untuk meneliti pada populasi atau sampel tertentu yang bersifat kuantitatif/statistik dengan tujuan untuk menguji hipotesis yang telah ditetapkan. Sumber data yang digunakan dalam penelitian ini adalah sumber data sekunder. Data sekunder adalah sumber data yang diperoleh secara tidak langsung, misalnya melalui orang lain atau dokumen (Sugiyono, 2015).

Sumber data yang digunakan merupakan data hasil publikasi dari situs resmi World Economic Forum (WEF) dalam Global Competitiveness Reports untuk memperoleh data mengenai skor daya saing nasional, situs resmi World Bank untuk memperoleh data persentase akses listrik dan inflasi, serta dari situs resmi United Nations Development Progamme (UNDP) dalam Human Developmnet Reports diperoleh data mengenai jumlah tahun angka harapan hidup dan harapan lama sekolah.

48 C. Metode Pengumpulan Data

Pengumpulan data dalam penelitian dilakukan untuk memperoleh bahan-bahan yang relevan, akurat, dan realistis. Metode pengumpulan data merupakan langkah strategis dalam penelitian, karena tujuan utama dari penelitian adalah mendapatka data. Tanpa mengetahui metode pengumpulan data, maka peneliti tidak akan mendapatkan data yang memenuhi standar yang diterapkan (Sugiyono, 2015). Adapun metode pengumpulan data yang digunakan antara lain:

1. Studi Kepustakaan

Metode ini dilakukan dengan memperoleh berbagai data dan informasi yang dijadikan sebagai dasar teori dan acuan dalam penelitian, dengan cara membaca, memahami, mengkaji, dan mengutip literatur-literatur berupa buku, jurnal, dan penelitian terdahulu yang berkaitan dengan penelitian.

2. Riset Internet

Metode ini dilakukan dengan memperoleh berbagai data dan informasi tambahan dari situs-situs internet yang berkaitan dengan berbagai informasi yang dibutuhkan dalam penelitian.

49 D. Metode Analisis Data

Dalam penelitian kuantitatif, metode analisis data yang digunakan akan diarahkan untuk menjawab rumusan masalah melalui pengujian hipotesis yang telah dirumuskan dengan menggunakan uji statistik (Sugiyono, 2015). Metode analisis data yang digunakan dalam penelitian ini adalah analisis regresi data panel dengan perangkat perhitungan software yang digunakan adalah Eviews8.

Adapun metode analisis data yang digunakan dalam penelitian ini adalah sebagai berikut.

1. Analisis Regresi Data Panel

Menurut Basuki & Prawoto (2016) regresi data panel adalah teknik regresi yang menggabungkan data runtut waktu (time series) dengan data silang (cross section). Penggunaan data time series dalam penelitian ini menggunakan rentang waktu lima tahun yaitu dari tahun 2014 hingga tahun 2018. Sedangkan data cross section yang digunakan adalah 14 negara anggota APO yang dijadikan sampel penelitian. Adapun keunggulan dalam menggunakan data panel, diantaranya adalah sebagai berikut:

a. Data panel mampu menyediakan jumlah observasi yang lebih banyak dan memiliki implikasi pada data yang lebih informatif, variatif, dan kolinearitas antara data semakin berkurang, dan derajat kebebasan (degree of freedom) yang lebih besar sehingga dapat memperoleh hasil estimasi yang lebih efisien.

b. Data panel dapat mengatasi masalah yang timbul ketika ada masalah penghilangan variabel (omitted variable).

c. Data panel dapat memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section. Karena data panel mendasarkan diri pada observasi cross section yang berulang-ulang (time series), sehingga metode data panel cocok digunakan sebagai study of dynamic adjustment.

d. Data panel mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengizinkan variabel spesifik individu. Sehingga dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks.

e. Data panel dapat digunakan untuk memininalkan bias yang mungkin ditimbulkan oleh agregasi data individu.

Adapun persamaan model regresi data panel adalah sebagai berikut:

𝑌_𝑖𝑡 = 𝛼 + β𝑋_𝑖𝑡+ 𝑒_𝑖𝑡 (3.1)

Keterangan:

𝑌 = Variabel Dependen α = Konstanta

β = Koefisien Regresi Masing-Masing Variabel Independen

𝑋 = Variabel Independen 𝑖 = Cross Section

𝑡 = Time Series 𝑒 = Error Term

Dari persamaan model regresi data panel diatas, maka persamaan regresi data panel dalam penelitian ini adalah sebagai berikut:

𝐷𝑆𝑁_𝑖𝑡 = 𝛼 + 𝛽₁𝐴𝐿𝑆_𝑖𝑡+ 𝛽₂𝐼𝑁𝐹_𝑖𝑡+ 𝛽₃𝐴𝐻𝐻_𝑖𝑡+ 𝛽₄𝐻𝐿𝑆_𝑖𝑡+ 𝑒_𝑖𝑡 (3.2) Keterangan:

DSN = Daya Saing Nasional ALS = Akses Listrik

INF = Inflasi

AHH = Angka Harapan Hidup HLS = Harapan Lama Sekolah

Dalam analisis data panel, terdapat beberapa metode yang biasa digunakan untuk mengestimasi model regresi dengan data panel. Ada 3 (tiga) model dalam data panel, yaitu common effect model, fixed effect model, dan random effect model.

a. Common Effect Model (CEM)

Dalam menganalisis data dengan penggunaan Common Effect Model (CEM) merupakan metode yang paling sederhana. Karena tidak memperhatikan dimensi waktu maupun individu, sehingga diasumsikan bahwa perilaku data silang sama dalam berbagai kurun waktu. Metode pendugaan parameter ini dapat menggunakan pendekatan Ordinary Least Square (OLS) dengan teknik kuadrat terkecil untuk mengestimasi model data panel. Adapun model persamaan regresinya adalah sebagai berikut: (Basuki & Prawoto, 2016)

𝑌_𝑖𝑡 = 𝛼 + β𝑋_𝑖𝑡+ 𝑒_𝑖𝑡 (3.3)

b. Fixed Effect Model (FEM)

Penggunaan Fixed Effect Model (FEM) dalam menganalisis data mengasumsikan adanya perbedaan antar individu dapat

diakomodasi dari perbedaan intersepnya. Dalam mengestimasi model ini menggunakan teknik penambahan variable dummy atau Least Square Dummy Variabel (LSDV) untuk menangkap adanya perbedaan intersep dengan mengasumsikan bahwa slope konstan tetapi intersep bervariasi antar individu dan antar waktu. Persamaan regresinya dapat ditulis sebagai berikut: (Basuki & Prawoto, 2016)

𝑌_𝑖𝑡 = 𝛼 + β𝐷_𝑖+ β𝑋_𝑖𝑡+ 𝑒_𝑖𝑡 (3.4) Keterangan:

𝐷_𝑖 = variabel dummy untuk cross section i

c. Random Effect Model (REM)

Metode Random Effect Model (REM) mengasumsikan bahwa intersep dan slope berbeda antar individu dan antar waktu. Pada model ini perbedaan antar individu dan waktu diakomodasi oleh eror, dengan mengestimasi data panel dimana variabel gangguan (error term) mungkin saling berhubungan antar waktu dan antar individu. Adapun persamaan regresi yang digunakan adalah sebagai berikut: (Basuki &

Prawoto, 2016)

𝑌_𝑖𝑡 = 𝛼 + 𝛽𝑋_𝑖𝑡+ 𝑣_𝑖𝑡 (3.5)

Keterangan:

𝑣_𝑖𝑡 = 𝜇_𝑖 + 𝑒_𝑖𝑡 𝜇_𝑖 = Konstanta yang bergantung pada i 𝑣_𝑖𝑡 = Konstanta yang bergantung pada i dan t

Nama metode random effect model berasal dari pengertian bahwa variabel gangguan 𝑣_𝑖𝑡 terdiri dari 2 (dua) komponen, yaitu variabel gangguan secara menyeluruh 𝑒_𝑖𝑡 yaitu cross section dan time series, dan variabel gangguan secara individu 𝜇_𝑖. Dalam hal ini variabel gangguan 𝜇_𝑖 adalah berbeda antar individu tetapi tetap antar waktu. Karena itu random effect model juga sering disebut dengan Error Component Model (ECM) atau teknik Generalized Least Square (GLS).

Dalam menentukan apakah model data panel dapat diregresi dengan common effect model, fixed effect model, atau random effect model maka perlu dilakukan beberapa pengujian untuk memilih model yang tepat dan terbaik. Pengujian dapat dilakukan diantaranya dengan sebagai berikut:

a. Uji Chow

Uji Chow merupakan suatu cara pengujian yang dilakukan untuk

mengetahui perbedaan 2 (dua) regresi, apakah analisis regresi data panel dengan fixed effect model lebih baik daripada analisis regresi data panel common effect model. Pengujian dilakukan dengan menggunakan redundant fixed effect – likelihood ratio. Dalam pengujian ini terdapat hipotesis sebagai berikut: (Basuki & Prawoto, 2016)

H0: Common Effect Model H1: Fixed Effect Model Tolak H0 jika nilai Prob. Cross-section F < alpha 10%

54 b. Uji Hausman

Uji Hausman dilakukan apabila hasil pengujian pada uji Chow menolak H0 dan menerima H1, yaitu fixed effect model yang kemudian akan dibandingkan dengan random effect model (Nuryanto &

Pambuko, 2018). Pengujian dilakukan dengan menggunakan correlated random effect – hausman test. Dalam pengujian ini terdapat hipotesis sebagai berikut: (Basuki & Prawoto, 2016)

H0: Random Effect Model H1: Fixed Effect Model Tolak H0 jika nilai Prob. Cross-section random < alpha 10%

2. Uji Asumsi Klasik

Menurut Basuki & Prawoto (2016) uji asumsi klasik yang digunakan dalam regresi linear dengan pendekatan Ordinary Least Square (OLS) meliputi uji linearitas, normalitas, autokorelasi, multikolinearitas, dan heterokedastisitas. Namun demikian, dalam regresi data panel tidak semua pengujian tersebut perlu dilakukan, dikarenakan sebagai berikut:

a. Model sudah diasumsikan bersifat linear, maka uji linearitas hampir tidak dilakukan pada model regresi linear.

b. Pada syarat BLUE (Best Linear Unbias Estimator), uji normalitas tidak termasuk didalamnya, dan beberapa pendapat juga tidak mengharuskan syarat ini untuk sesuatu yang wajib dipenuhi.

c. Pada dasarnya uji autokorelasi pada data yang tidak bersifat time series (cross section atau panel) akan sia-sia, karena autokorelasi hanya akan terjadi pada data time series.

d. Pada saat model regresi linear menggunakan lebih dari satu variabel bebas, maka perlu dilakukan uji multikolinearitas. Karena jika variabel bebas yang digunakan hanya satu, maka tidak mungkin terjadi multikolinearitas.

e. Kondisi data mengandung heterokedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat kepada ciri data cross section dibandingkan data time series.

Dari beberapa pemaparan tersebut, maka dapat disimpulkan bahwa pada model regresi data panel dalam pengujian asumsi klasik hanya memakai uji multikolinearitas dan heterokedastisitas.

a. Uji Multikolinearitas

Multikolinearitas berarti terdapat hubungan linear yang sempurna atau pasti antara beberapa atau semua variabel yang menjelaskan model regresi. Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Multikokolinearitas dapat dideteksi dengan matriks korelasi. Jika koefisien korelasi antar variabel bebas > 0,90 maka dapat disimpulkan bahwa model regresi terdapat masalah multikolinearitas. Sebaliknya, jika koefisien korelasi

< 0,90 maka model regresi terbebas dari multikolinearitas (Ghozali &

Ratmono, 2013).

56 b. Uji Heterokedastisitas

Heteroskedastisitas adalah sifat residual dengan variansi yang

Dalam dokumen ANALISIS INDIKATOR YANG MEMENGARUHI PILAR DAYA SAING NASIONAL DALAM DIMENSI LINGKUNGAN PENDORONG DAN MODAL MANUSIA DI BEBERAPA NEGARA APO (Halaman 45-0)