III. METODE PENELITIAN
3.3 Metode Analisis Data
Metode analisis data menggunakan dua metode analisis yaitu analisis deskriptif dan analisis kuantitatif. Metode deskriptif adalah metode yang berkaitan dengan pengumpulan dan penyajian data-data untuk menyajikan informasi didalam suatu kumpulan data supaya mudah di interpretasikan. Analisi kuantitatif yang digunakan dalam penelitian ini adalah model analisis Panel Data. Metode ini digunakan untuk menganalisis faktor-faktor yang memengaruhi pembangunan manusia di Provinsi Papua.
3.3.1 Metode Analisis Deskriptif
Analisis deskriptif memberikan informasi yang relevan yang terkandung dalam data dan penyajian hasilnya dalam bentuk yang lebih sederhana dan ringkas sehingga diperoleh penjelasan dan penafsiran yang dibutuhkan dalam menjawab permasalahan yang diajukan. Penyusunan tabel, grafik dan diagram dan besaran- besaran nilai lain di berbagai sumber terkait termasuk dalam kategori analisis deskriptif ini. Metode analisis deskriptif ini digunakan untuk menganalisis perkembangan indeks pembangunan manusia dan komponennya disetiap kabupaten/kota di Provinsi Papua.
3.3.2 Analisis Panel Data
Menurut Gujarati (2004), data panel (pooled data) atau yang disebut juga data longitudinal merupakan gabungan antara data cross section dan data time series. Data
cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu, sedangkan data time series merupakan data yang dikumpulkan dari waktu
ke waktu terhadap suatu individu. Metode data panel merupakan suatu metode yang digunakan untuk melakukan analisis empirik yang tidak mungkin dilakukan jika hanya menggunakan data time series atau cross section.
Kelebihan yang diperoleh dari penggunaan data panel :
1. Dapat mengendalikan heterogenitas individu atau unit cross section.
2. Dapat memberikan informasi yang lebih luas, mengurangi kolinearitas diantara variabel, memperbesar derajat bebas dan lebih efisien.
3. Dapat diandalkan untuk mengidentifikasi dan mengukur efek yang tidak dapat dideteksi dalam model data cross section maupun time series.
4. Lebih sesuai untuk mempelajari dan menguji model pelaku (behavioral models) yang compleks dibandingkan dengan model data cross section maupun
time series.
5. Dapat diandalkan untuk studi dynamic of adjusmant.
Estimasi model menggunakan data panel dapat dilakukan dengan tiga metode, yaitu metode kuadrat terkecil (pooled least square), metode efek tetap (fixed effect) dan efek random (random effect).
3.3.2.1 Metode Pooled Least Square
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan motode kuadrat terkecil biasa, yang diterapkan dalam data yang berbentuk pool. Misalnya dalam persamaan berikut ini :
Yu = + xjitβj+ εij untuk i= 1,2,....,N....…….……..…..(3.1)
Yang akan berimplikasi diperolehnya persamaan sebanyak T persamaan yang sama. Begitu juga sebaliknya, akan dapat diperoleh persamaan deret waktu (time series) sebanyak N persamaan untuk setiap T observasi. Namun, untuk mendapatkan parameter α dan β yang konstan dan efisien, dapat diperoleh dalam bentuk regresi yang lebih besar dengan melibatkan sebanyak NT observasi. Akan tetapi jika menggunakan metode Pooled Least Square, perbedaan antar individu maupun antar waktu tidak akan terlibat.
Diamana :
N = Jumlah data cross section T = Jumlah data time series 3.3.2.2 Metode Efek Tetap (Fixed Effect)
Kesulitan terbesar dalam metode kuadrat terkecil biasa adalah adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan, baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Generalisasi secara umum sering dilakukan adalah dengan memasukkan variabel boneka (dummy variabel ) untuk menghasilkan nilai parameter yang berbeda-beda baik lintas unit cross section
maupun time series (Baltagi, 2001).
Persamaan fixed effect dapat dituliskan dalam persamaan berikut ini :
Yit= αi + βjxjit + eit……….……….…..….(3.2) Dimana:
Yit = variabel terikat di waktu t untuk unit cross section i
αi = intersep yang berubah-ubah antar cross section unit βj = parameter untuk variabel ke j
xjit = variabel bebas j di waktu t untuk unit cross section i eit = komponen error di waktu t untuk unit cross section i
Dengan menggunakan pendekatan ini akan terjadi degree of freedom. Keputusan memasukan variabel boneka ini harus didasarkan pada pertimbangan statistik. Tidak dapat kita pungkiri, dengan melakukan penambahan variabel boneka ini akan dapat mengurangi banyaknya degree of freedom yang akhirnya akan mempengaruhi keefisienan dari parameter yang diestimasi. Pada metode fixed effect, estimasi dapat dilakukan tanpa pembobot (no weighted) atau Least Square Dummy Variable (LSDV) dan dengan pembobotan (cross section weight) atau General Least Square (GLS). Tujuan dilakukannya pembobotan adalah untuk mengurangi heterogenitas antar unit cross section (Gujarati, 2004).
3.3.2.3 Metode Efek Random (Random Effect)
Keputusan untuk memasukan variabel dummy dalam model fixed Effect
mengurangi efisiensi dari parameter yang diestimasi. Oleh karena itu, dalam model data panel dikenal pendekatan yang ketiga yaitu model efek acak (Baltagi, 2001).
Model ini dapat dijelaskan melalui persamaan berikut:
Yit = α1t+ βjxjit + uit………...………(3.3)
dimana α1t diasumsikan sebagai variabel random dari rata-rata nilai intersep (α1). Nilai intersep untuk masing-masing individu dapat dituliskan:
α1t = α1 + it i = 1 ,2,…N……….……….(3.4)
dimana α1 adalah rata-rata dari seluruh intersep, i adalah random error (yang tidak bisa diamati) yang mengukur perbedaan karakteristik masing-masing individu.
Bentuk model efek acak ini kemudian dapat ditulis dengan rumus: Yit= α1 + βjxj it + it + uit
Yit = α1 + βjxj it + ωit………..…………(3.5)
Dimana : ωit = it + uit.
Bentuk ωit terdiri dari dua komponen error term yaitu i sebagai komponen cross section dan uit yang merupakan gabungan dari komponen time series error dan komponen error kombinasi.
Bentuk model efek acak akhirnya dapat ditulis dengan rumus: Yit= α1 + βjxj it+ ωit dengan
ωit= i + vt + wit………...……...(3.6)
dimana : i~ N ( 0, _ ) = komponen cross section error vi~ N ( 0, v_ ) = komponen time series error
wit~ N ( 0, _ ) = komponen error kombinasi
asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya.
Dengan menggunakan model efek acak, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan oleh model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien.