Jenis, Sumber dan Metode Pengumpulan Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa data panel negara ASEAN 5 (Filipina, Indonesia, Malaysia, Thailand, dan Vietnam) dengan periode pengamatan tahun 2006-2014. Variabel dan data yang digunakan pada analisis ini secara rinci disajikan pada tabel berikut ini:
Tabel 1 Data dan sumber data
Data Variabel Satuan Sumber
Kesempatan kerja L Jiwa ILO statistics,
lembaga statistik masing-masing negara
Investasi asing langsung riil FDI Dolar AS Bank sentral dan lembaga statistik masing-masing negara
PDB riil Y Dolar AS WDI dan lembaga
statistik masing- masing negara.
Upah riil W Dolar AS Lembaga statistik
masing-masing negara, ILO LaborSta
AFTA DAFTA Sebelum AFTA=0;
Definisi operasional variabel: 1. Kesempatan kerja sektoral
Variabel kesempatan kerja sektoral didekati dengan total angkatan kerja yang bekerja pada masing-masing sektor ekonomi di suatu negara dalam satu tahun. Nilai kesempatan kerja sektoral menggambarkan serapan tenaga kerja sektoral di suatu negara dalam satuan jiwa.
2. Foreign Direct Investment (FDI) sektoral
Variabel FDI sektoral didekati dengan total FDI stock sektoral suatu negara dalam satu tahun. Kemudian nilainya di riilkan dengan dibagi dengan deflator PDB. Satuan variabel ini dalam dolar AS.
3. Perekonomian nasional sektoral
Variabel perekonomian nasional sektoral didekati dengan nilai Produk Domestik Bruto (PDB) riil sektoral suatu negara dalam satu tahun dengan satuan dolar AS.
4. Tingkat upah sektoral
Variabel tingkat upah sektoral didekati dengan nilai upah riil sektoral tenaga kerja suatu negara tiap tahunnya. Nilai upah riil sektoral diperoleh dengan membagi tingkat upah nominal terhadap indeks harga konsumen. Satuan variabel ini dalam bentuk dolar AS.
5. AFTA
Variabel AFTA merupakan dummy dari diberlakukannya kerjasama perdagangan bebas antar negara-negara ASEAN tahun 2010. Sebelum diberlakukannya AFTA (2006-2009) diwakilkan dengan angka 0, sementara setelah diberlakukan AFTA (2010-2014) diwakilkan dengan angka 1.
Metode Analisis Data Analisis Deskriptif
Analisis deskriptif digunakan untuk menggambarkan keragaan variabel bebas berupa perkembangan investasi asing langsung atau FDI stock inward, pertumbuhan ekonomi dan tingkat upah serta keragaan kesempatan kerja sebagai variabel terikat tiap tahunnya pada periode pengamatan di masing-masing sektor ekonomi. Semakin terintegrasinya perekonomian antar negara dapat dilihat dari pertumbuhan FDI stock riil ke negara-negara host country. Proksi lain dari integrasi ekonomi adalah kerjasama AFTA sebagai variabel dummy.
Analisis Kuantitatif
Analisis kuantitatif merupakan analisis empiris yang digunakan untuk menjawab pengaruh FDI, PDB, upah dan AFTA terhadap kesempatan kerja ASEAN 5. Dalam analisis empiris tersebut terdapat tiga jenis data yang tersedia yaitu data time series, cross-section, dan pooled (kombinasi dari data time series dan cross-section). Data time series adalah data satu objek yang meliputi beberapa periode waktu. Data cross section adalah data yang terdiri dari beberapa atau banyak objek dalam satu periode waktu. Sedangkan data panel merupakan data yang diperoleh dari data cross section yang diobservasi berulang pada unit yang sama pada waktu yang berbeda. Data panel memiliki sifat yang robust terhadap tipe pelanggaran asumsi Gaus Markov yaitu heterokedastisitas dan normalitas (Wooldrige, 2003). Menurut Baltagi (2005), ada beberapa keuntungan
20
menggunakan data panel dibandingkan dengan data deret waktu dan cross section, antara lain:
1. Karena data panel berhubungan dengan individual, perusahaan, negara dan sebagainya sepanjang waktu, pasti terdapat heterogenitas pada unit-unit tersebut. Dengan metode data panel, estimasi yang dilakukan dapat secara eksplisit memasukkan unsur heterogenitas individu.
2. Dengan menggabungkan observasi data runtun waktu dan cross-section, data panel memberikan data yang lebih informatif, mengurangi kolinearitas antar variabel, meningkatkan derajat bebas (degree of freedom) dan lebih efisien. 3. Dengan mempelajari pengulangan cross-section dari observasi, panel data
lebih sesuai untuk mempelajari dynamic of adjustment.
4. Panel data dapat lebih baik dalam mengidentifikasi dan mengukur dampak dari hal-hal yang tidak dapat diobservasi pada data pure cross-section atau pure time series.
Ada beberapa metode yang biasa digunakan untuk mengestimasi parameter model regresi dengan data panel yaitu pooled least square, fixed effect dan random effect.
1. Pooled Least Square
Metode Pooled Least Square (PLS) merupakan kombinasi dari data cross section dan time series. Estimasi model PLS seperti persamaan berikut:
∑ (18)
Di mana subskrip i menunjukkan identitas data cross section dan t menunjukkan data runtun waktu. Residual dari regresi data panel memiliki komponen yang umum dan spesifik (cross section dan runtun waktu), sehingga secara matematis dapat ditunjukkan pada persamaan 19
(19)
Komponen e merupakan residual yang bersifat umum (common set of error), vi adalah komponen yang spesifik (cross section) dan wi adalah komponen yang spesifik (runtun waktu). Kompenen spesifik vi dan wt disebut juga sebagai unobserved heterogeneity dan harus diestimasi melalui data. Jika diasumsikan tidak terdapat komponen yang spesifik baik pada cross section maupun runtun waktu, maka estimasi dapat dilakukan dengan metode OLS dan interpretasi statistik dapat dilakukan dengan cara yang standar dengan penggunaan data yang berdimensi satu (cross section atau runtun waktu saja). Namun, apabila terdapat heterogenitas baik pada cross section dan/atau runtun waktu maka permodelan residual harus dilakukan secara benar dan empiris.
2. Model fixed effect
Data panel memiliki dua faktor tidak terobservasi yang mempengaruhi variabel tak bebas yang bersifat konstan antar observasi cross section dan konstan antar observasi runtun waktu. Di mana t = T dan I = N. Maka model data panel dengan k variabel bebas dapat ditulis dalam bentuk persamaan (20)
∑ (20)
Komponen u dalam persamaan 3.3 dapat diidentifikasi komponen residual spesifik cross section dan runtun waktu yang bersifat konstan. Sehingga dapat dibuat persamaan berikut:
∑ ∑ (21)
dan adalah variabel dummy sebanyak N-1 dan T-1 untuk mengidentifikasi komponen residual spesifik cross section dan runtun waktu
yang bersifat konstan. Dengan memasukkan persamaan 21 ke 20 akan diperoleh
∑ ∑ ∑ (22)
Persamaan 22 adalah suatu variabel kategorik yang dapat diestimasi dengan OLS.
Dalam permodelan efek tetap, terdapat beberapa kelemahan (Gujarati, 2003 dan Heij, et.al, 2004) yaitu:
a. Masalah kekurangan derajat kebebasan (degree of freedom) akibat jumlah sampel yang terbatas. Rendahnya derajat kebebasan dapat menimbulkan inefisiensi pada parameter yang diestimasi
b. Multikolinearitas yang diakibatkan oleh banyaknya variabel dummy yang diestimasi
c. Keterbatasan kemampuan estimasi, terutama jika terdapat variabel yang bersifat tidak berubah berdasarkan waktu (time invariant).
d. Kemungkinan korelasi antara komponen residual spesifik (cross section dan runtun waktu)
3. Model random effect
Dalam mengestimasi suatu sistem data panel dengan k variabel bebas sebagai berikut:
(23)
Model random effect digunakan ketika unobserved effect a1 dapat diasumsikan tidak berkorelasi dengan satu atau lebih variabel bebas, atau
(24)
Persamaan 24 dapat dimodelkan dengan menggunakan composite error term sebagai berikut:
(25)
Karena ai selalu ada pada composite error term pada setiap periode waktu maka vit mengalami serial correlation. Dapat ditunjukkan bahwa
(26)
Keberadaan serial correlation dapat dikoreksi dengan suatu prosedur GLS. Namun agar prosedur ini efektif maka data harus memiliki N yang lebih besar besar terhadap T. GLS dilakukan dengan melakukan transformasi pada setiap regresor dan variabel terikat melalui suatu koefisien λ, di mana
(27)
Dalam praktik, nilai λ tidak diketahui sehingga harus diestimasi melalui data. Terdapat beberapa usulan perhitungan λ namun yang disarankan oleh Wooldrige (1999), yakni: ̂ ̂ ̂ (28) ̂ ∑ ∑ ∑ ̂ ̂ ̂ ̂ ̂ (29)
Di mana ̂ adalah kuadrat standar kesalahan dari pooled OLS.
Estimator λ ini selanjutnya digunakan untuk mentransformasikan persamaan 23 menjadi
22
̂ ̅ ̂ ̂ ̅ ( ̂ ̅ )
̅ (30)
Hasil transformasi ini menghasilkan quasi demeaned data dan estimator yang diperoleh dari regresi disebut random effect estimator.
Spesifikasi dan Uji Model Spesifikasi Model
Dugaan persamaan yang digunakan untuk menganalisis pengaruh FDI terhadap kesempatan kerja di negara-negara ASEAN 5 ditunjukkan pada persamaan (3.16) merupakan modifikasi dari penelitian-penelitian sebelumnya seperti Cristina Jude et al. (2015), Greenway et al.(1999) serta Jenkins (2006). Estimasi persamaan pengaruh FDI, PDB, tingkat upah dan AFTA terhadap kesempatan kerja pada panel di ASEAN 5 adalah sebagai berikut:
(33)
Keterangan:
L = Kesempatan kerja (jiwa)
FDI = Investasi asing langsung riil (dolar AS) Y = PDB riil (dolar AS)
W = Tingkat upah riil (dolar AS)
DAFTA = sebelum AFTA (tahun 2006- 2009) = 0, setelah AFTA (tahun 2010-2014) = 1
t = tahun pengamatan
ln = logaritma natural = intersep
= koefisien parameter yang diestimasi (i = 1, 2, 3, 4)
= error term
Persamaan diatas digunakan pada lima sektor yaitu sektor pertanian, sektor pertambangan, sektor manufaktur, sektor konstruksi dan sektor jasa. Sehingga terdapat lima persamaan dalam estimasi dalam penelitian ini. Untuk mempermudah dalam pengolahan data diubah dalam bentuk logaritma natural. Koefisien masing-masing variabel dari hasil estimasi sebagai nilai elastisitas variabel eksogen terhadap variabel endogen.
Uji Pemilihan Model
Terdapat beberapa pengujian dalam menentukan model data panel yang paling tepat dan sesuai diantara beberapa pilihan model. Pengujian model data panel dilakukan dengan uji Chow (Likelihood test ratio) dan uji Hausman.
1. Uji Chow (PLS vs FEM)
Uji Chow (Likelihood test ratio) digunakan untuk menentukan model mana yang terbaik antara PLS (Pooled Least Square) dan FEM (Fixed Effect Model). Uji tersebut dilakukan dengan melakukan uji statistik F. Di mana hipotesis nol (H0) dilakukan dengan menggunakan nilai intersep dan kemiringan yang sama. Secara eksplisit formula uji statistik F yang digunakan sebagai berikut:
(31) dengan n merupakan jumlah observasi, T adalah jumlah periode waktu, K mewakili banyaknya parameter dalam model FEM, dan RSS1 serta RSS2 masing-masing adalah residual sum of squares untuk model PLS dan model FEM.
Sehingga dalam pengujian Chow dapat diambil hipotesis sebagai berikut: H0: Model mengikuti PLS
H1: Model mengikuti fixed
Kesimpulan dari uji chow adalah jika p-value kurang dari nilai α, maka H0 ditolak. Sehingga model FEM lebih baik dari model PLS.
2. Uji Hausman (FEM vs REM)
Pada pemilihan model FEM atau REM didasarkan pada apakah heterogenitas bersifat konstan (berkorelasi dengan variabel bebas) atau random. Untuk itu diperlukan suatu tes untuk menguji superioritas suatu model dengan model lain. Hausman (1978) melakukan suatu tes dengan menggunakan REM sebagai acuan (H0). Dasar pemikiran yang digunakan adalah dengan menguji adanya hubungan antara ai dan xitj pada persamaan 3.6. Maka hipotesis yang dibangun adalah:
H0: random effect (individual effect uncorrelated) H1: fixed effect
Dengan menggunakan uji chi-square berikut:
(32)
di mana b merupakan koefisien random effect, β merupakan koefisien fixed effect. Sehingga dapat disimpulkan bahwa jika > atau nilai p- value kurang dari nilai α, maka hipotesis H0 ditolak atau model FEM lebih baik dibandingkan REM.
Uji Kriteria Ekonometrika
Proses selanjutnya setelah melakukan uji pemilihan model, dilakukan uji kriteria ekonometrika yang terdiri dari uji multikolinearitas, uji autokorelasi dan uji heterokedastisitas. Pembahasan ketiga uji kriteria tersebut adalah sebagai berikut:
1. Uji multikolinearitas
Multikolinearitas merupakan adanya hubungan antara variabel independen dalam satu regresi. Tidak adanya multikolinearitas merupakan salah satu asumsi yang harus dipenuhi untuk menghasilkan estimator yang linear tidak bias dengan varian yang minimum. Masalah multikolinearitas sempurna di antara variabel-variabel penjelas memungkinkan tidak adanya kesimpulan atau interpretasi dari koefisien regresi.
Gujarati (2003) menyatakan jika tujuan dari analisis regresi adalah mempredisksi peramalan dan mengestimasi sekelompok koefisien, hal ini dapat dilakukan sejauh kolinearitas yang terjadi merupakan kolinearitas tidak sempurna karena semakin tinggi R2, semakin bagus peramalannya. Multikolinearitas mungkin tidak menyebabkan masalah yang serius ketika terjadi pada saat R2 tinggi dan koefisien dari regresi signifikan secara individual yang ditunjukkan oleh t-value yang lebih tinggi. Multikolineritas tidak dapat sepenuhnya dihilangkan, kemudian meskipun terdapat kolinearitas,
24
estimator OLS masih mempertahankan sifat BLUE. Hal-hal yang dapat dilakukan untuk mengurangi multkolinearitas antara lain mengeluarkan variabel yang terindikasi mempunyai korelasi tinggi dari model, memperoleh data tambahan atau sampel baru serta transformasi variabel.
2. Uji heterokedastisitas
Asumsi dari model regresi linear yang harus terpenuhi agar penduga parameter bersifat BLUE (best linear unbiased estimator) adalah bahwa ragam sisaan ( ) sama atau homogen. Dengan pengertian lain, Var( )=E( )= untuk setiap pengamatan ke-i dari peubah-peubah bebas dalam model regresi. Heteroskedastisitas menunjukkan varians i adalah , yang berarti adanya observasi yang bervariasi ke observasi lain atau varians tidak sama atau tidak konstan. Jika heteroskedastisitas terjadi maka parameter koefisien regresi dengan metode OLS tetap tidak bias, tapi standar errornya bias ke bawah sehingga penduga OLS tidak efisien lagi. Kemudian rutinitas pengujian hipotesis yang seperti biasa tidak bisa diandalkan karena memungkinkan penarikan kesimpulan yang menyesatkan. Menurut Juanda (2009) salah satu teknik yang dapat digunakan untuk mengatasi masalah heteroskedastisitas salah satunya adanya dengan menggunakan metode kuadrat terkecil tertimbang atau genelized least square (GLS).
3. Uji autokorelasi
Autokorelasi menunjukkan adanya korelasi antara anggota observasi yang berlainan waktu. Dengan kata lain bahwa E( ) 0 untuk i j. Model regresi linear klasik mengasumsikan bahwa tidak ada autokorelasi atau korelasi serial antara sisaan ( ). Baik pada kondisi heteroskedastistas atau autokorelasi, estimator kuadrat terkecil biasa meskipun linear dan tak bias, namun tidak efisien lagi atau ragamnya tidak lagi minimum. Hal tersebut menyebabkan estimator tersebut bukan merupakan estimator tak bias linear terbaik (BLUE). Salah satu pengujian untuk mendeteksi masalah autokorelasi adalah uji statistik Durbin-Watson. Masalah autokorelasi dapat diatasi dengan melakukan transformasi yang sesuai pada model, salah satunya adalah dengan menggunakan beberapa jenis dari metode generalized least square/GLS (Gujarati 2003). Aturan keputusan statistik Durbin Watson terangkum pada Tabel 2.
Tabel 2 Uji Durbin-Watson d: selang keputusan
Hipotesis nol Keputusan Jika
Autokorelasi positif
Tidak ada autokorelasi positif Autokorelasi negatif
Tidak ada autokorelasi negatif Tidak ada autokorelasi positif atau negatif Tolak Tidak tentu Tolak Tidak tentu Terima 0<d<dl dl≤d≤du 4-dl<d<4 4-du≤d≤4-dl du<d<4-du Sumber: Juanda (2009) dan Widarjono (2009)
Evaluasi Model
Terdapat beberapa pengujian secara statistik diantaranya uji F, uji t dan koefisien determinasi. Dengan beberapa penjelasan sebagai berikut:
1. Uji F digunakan untuk mengetahui apakah variabel-variabel independen yang digunakan dalam penelitian secara bersama-sama mampu menjelaskan variabel dependen. Hipotesis pengujian yang digunakan adalah sebagai berikut:
H0 : β1 = β2 = … = βk = 0
H1 : minimal ada salah satu βj yang tidak sama dengan nol (j=1,2,…,k) Tolak H0 jika F-statistik > Fα,(k-1,NT-N-K) atau probabilitas (F-statistik < ). Jika H0 ditolak, maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen yang digunakan di dalam model secara bersama-sama mampu menjelaskan variabel dependen.
2. Uji t digunakan untuk mengetahui apakah variabel-variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen. Hipotesis pengujian yang digunakan adalah sebagai berikut:
H0 : βj = 0 H1 : βj ≠ 0
Tolak H0 jika t-statistik > tα/2,(nT-K-1) atau jika probabilitas T < α. Jika H0 ditolak, maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen ke-i secara parsial mempengaruhi variabel dependen secara signifikan.
3. Koefisien determinasi (R2)
Nilai R2 digunakan untuk mengukur seberapa besar tingkat keragaman variabel independen yang digunakan dalam penelitian bisa menjelaskan keragaman variabel dependen. Nilai tersebut menunjukkan seberapa dekat garis regresi yang kita estimasi dengan data sesungguhnya. Nilai R2 terletak antara nol hingga satu dimana semakin mendekati satu maka model akan semakin baik.