METODE PENELITIAN

PERSENTASE PMA PAR - PMA TOTAL

METODE PENELITIAN

A. Ruang Lingkup Penelitian

Lingkup pembahasan dalam penelitias ini terbatas pada kinerja pariwisata yang diwakili oleh investasi, penyerapan tenaga kerja dan tingkat hunian kamar sebagai indikator konsumsi terhadap kemiskinan yang ada di wilayah Kawasan Timur Indonesia (KTI) yang terpilih selama periode 2010 – 2019. Penelitian ini menggunakan data sekunder dengan satu variabel dependen dan tiga variabel independen yang bersifat kuantitatif. Variabel dependen yang digunakan adalan besaran penduduk miskin di wilayah KTI dan variabel independen yang digunakan mewakili kinerja pariwisata yaitu investasi, penyerapan tenaga kerja sektor pariwisata dan konsumsi wisatawan dari domestik dan mancanegara. Data yang diperoleh dalam penelitian ini adalah data cross section dan time series.

Kawasan Timur Indonesia terpilih adalah 8 wilayah Kawasan Timur Indonesia (KTI) yaitu; DPP Revitalisasi Bali, DPP Lombok Mandalika, DPP Labuan Bajo (ekowisata), DPP Wakatobi (ekowisata), DPP Pulai Morotai, DPP Baru Raja Ampat dskt, DPP BARU Makassar-Selayar-Toraja dskt (ekowisata), DPP BARU Manado dskt (ekowisata) sebagai data cross section. Sedangkan data yang digunakan sebagai data time series adalah data tahun 2010 sampai dengan tahun 2019. Selanjutnya, metode yang digunakan dalam penelitian ini ialah metode data panel statis untuk melihat pengaruh kinerja pariwisata terhadap kemiskinan.

B. Jenis dan Sumber Data

Data pada penelitian ini merupakan data yang bersifat sekunder dan di peroleh dari beberapa lembaga terkait seperti Badan Pusat Statistik dan National Single Window for Investment (NSWi) Badan Koordinasi Penanaman Modal dengan melalui proses observasi terhadap laporan dan hasil publikasi institusi terkait.

C. Teknik Pengumpulan Data

Data dalam penelitian ini menggunakan data data time series dan cross section. Data tersebut diperoleh dari dari beberapa lembaga terkait seperti Badan Pusat Statistik dan National Single Window for Investment (NSWi) Badan Koordinasi Penanaman Modal dan sumber terkait lainnya. Pengumpulan data dalam penelitian ini menggunakan metode sebagai berikut:

a. Observasi terhadap hasil laporan dan hasil publikasi

Pengumpulan data observasi adalah proses perngumpulan data berupa pencarian laporan hasil maupun publikasi dari lembaga atau instansi terkait dengan variabel yang digunakan dalam penelitian.

b. Studi kepustakaan

Studi Kepustakan merupakan cara pengumpulan data dengan membaca, mengutip dan membuat catatan berdasarkan sumber pada bahan pustaka yang memiliki keterkaitan dan mendukung penelitian berupa variabel-variabel yang terkait di dalamnya. Selanjutnya setelah membaca, mengutip dan membuat catatan hasil dari pustaka terkait dipelajari dan dipahami secara sistematis

hubungan antara pustaka dengan permasalahan yang akan dibahas dalam penelitian.

D. Teknik Pengolahan Data 1. Pemilihan Model Estimasi

(Hakim 2016), Pemilihan model estimasi regresi data panel terbagi menjadi tiga pendekatan, yaitu pendekatan pooled least square (PLS), Fixed Effect atau Least Square Dependent Variabel (LSDV), dan Random Effect.

Masing- masing pendekatan memiliki penjelasan sebagai berikut:

a) Pooled Least Square (PLS)

Pendekatan PLS merupakan pendekatan dalam pengelolaan data panel yang paling sederhana. Pendekatan yang menggunakan gabungan dari seluruh data (pooled), sehingga terdapat N x T observasi, dimana N adalah jumlah cross section dan T menunjukkan time series pada penelitian. Pendekatan yang digunakan pada model ini adalah:

𝑌𝐼𝑡 = 𝛼𝑖 + 𝛽𝑋𝑖𝑡 + 𝑢𝑖𝑡 Keterangan :

𝑌𝐼𝑡 = variabel dependen 𝑋𝑖𝑡= variabel independen 𝛼 = intersep

𝛽 = slope 𝑢𝑖𝑡= error

Keterbatasan asumsi (Firdaus 2012), ini dikarenakan model diasumsikan bahwa intersep dan koefisien dari setiap variabel individu dianggap sama. Karena dari itu, model ini dianggap kurang tepat untuk data panel. Metode ini tidak sesuai dikarenakan metode ini tidak dapat membedakan observasi yang berbeda pada periode yang sama ataupun tidak dapat membedakan observasi yang sama pada periode yang berbeda sehingga penggunaan parameter akan menjadi bias.

b) Pendekatan Fixed Effect

(Hakim 2016), Fixed Effect merupakan pendekatan dengan metode yang digunakan antara efek individu dan variabel penjelas memiliki hubungan dengan variabel Xit atau memiliki pola yang bersifat tidak acak. Asumsi ini membuat komponen eror dari efek individu dan waktu yang dimasukkan sebagai bagian dari intersep. Dalam model ini memasukkan variabel dummy (D) dimungkinkan untuk memudahkan adanya perubahan intersep. Dalam pendekatan ini model yang digunakan sebagai berikut:

𝑌𝐼𝑡 = ∑𝛼𝑖𝐷𝑖 + 𝛽𝑋𝑖𝑡 + 𝑢𝑖𝑡

Pada pendekatan ini dilakukan pembobotan (no wighted) atau dengan pembobotan (cross section weight) atau yang sering disebut General Least Square (GLS). Pembobotan pada model inidilakukan dengan tujuan untuk mengurangi heterogenitas antar unit cross section.

c) Pendekatan Random Effect

Pendekatan random effect (Firdaus, 2012), akan digunakan apabila tidak adanya korelasi antara efek individu dan regresor. Hal ini menunjukkan bahwa komponen error dari efek individu dan waktu dimasukan kedalam error. Dalam pendekatan ini model yang digunakan sebagai berikut:

𝑌𝐼𝑡 = 𝛼𝑖 + 𝛽𝑋𝑖𝑡 + 𝜀 𝜀𝑖𝑡 = 𝑢𝑖𝑡 + 𝑉𝑖𝑡 + 𝑊𝑖𝑡 Keterangan :

𝑢𝑖𝑡 : komponen cross section eror 𝑉𝑖 : komponen time series eror 𝑊𝑖 : komponen combinations eror

2. Metode Pemilihan Model

Dalam penentuan model dengan pendekatan terbaik pada metode data panel perlu dilakukan pengujian dengan menggunakan uji statistik. Uji yang dilakukan meliputi uji Chow dan uji Hausman. Tahapan dalam pengujian statistik ini, sebagai berikut:

a) Uji Chow

Uji Chow adalah pengujian statistik sebagai dasar pemilihan model PLS atau model Fixed Effect yang digunakan. Hipotesis yang digunakan pada pengujian ini adalah sebagai berikut :

𝐻₁ : maka menggunakan Fixed Effect dan lanjut uji Hausman

Pengambilan kesimpulan dari uji Chow memiliki pedoman, sebagai berikut:

- Jika nilai probabilitas F > 0,05 artinya H0 diterima, maka menggunakan model PLS.

- Jika nilai probabilitas F < 0,05 artinya H0 ditolak, maka menggunakan model fixed effect atau random effect.

b) Uji Hausman

Selanjutnya dilakukan uji Hausman, data juga di regresikan dengan model random effect, lalu dibandingkan antara fixed effect dan random effect melalui hipotesis berikut:

H0 : maka menggunakan random effect H1 : maka menggunakan fixed effect

Pengambilan kesimpulan dari uji Chow memiliki pedoman, sebagai berikut:

- jika nilai probabilitas Chi Square > 0,05 maka H0 diterima, yang artinya model random effect.

- Jika nilai probabilitas Chi Square < 0,05 maka H1 diterima, yang artinya model fixed effect.

3. Uji Asumsi

Uji asumsi dilakukan untuk memperoleh hasil model yang efisien dan konsisten, sehingga uji ini dilakukan untuk mengetahui ada atau tidaknya

pelanggaran asumsi klasik seperti normalitas, heteroskedastisitas, multikolinearitas, dan autokorelasi.

a) Uji Normalitas

Uji asumsi normalitas dilakukan untuk menganalisis apakah residual (error term) terdistribusi normal atau tidak. Hipotesis yang digunakan dalam uji normalitas, sebagai berikut

H0 : Probabilitas JB > 5% (residual terdistribusi normal) H1 : Probabilitas JB > 5% (residual tidak terdistribusi normal) Jika nilai probabilitas Jarque Bera lebih besar dari taraf nyata (∝=

5%) menandakan residual terdistribusi normal.

b) Uji Heteroskedastisitas

Uji Heteroskedastisitas merupakan uji yang dilakukan untuk menganalisis variasi residual yang tidak sama untuk semua pengamatan. Sedangkan homoskedastisitas memiliki variasi residual yang sama untuk semua pengamatan. Uji heteroskedatisitas dapat dilakukan dengan uji White. Jika. Jika probabilitas signifikasi dari koefisien variabel bebas nilainya lebih besar dari taraf nyata (∝= 0,05) menunjukan bahwa heteroskedastisitas pada data tersebut tidak ditemukan.

c) Uji Multikolinearitas

Uji Multikolinearitas dilakukan untuk menganalisis adanya hubungan linear antara variabel bebas. Multikolinearitas dapat dilihat

dari t– statistik banyak yang tidak signifikan sementara F- statistiknya signifikan. Jika ditemukan multikolinearitas maka pelanggaran ini dapat diatasi dengan melakukan penambahan variabel, mengihlangkan variabel yang tidak signifikan dan pembobotan (cross section weight) atau biasa disebut dengan GLS. Pengujian dapat dilakukan dengan melihat koefisien korelasi antara variabel bebasnya, jika nilai koefisien korelasinya kurang dari 0,8 artinya dalam model tidak terdapat multikolinearitas.

4. Metode Analisis Data Panel a) Analisis Model Panel

(Firdaus 2012) Model data panel merupakan model analisis dari penggabungan data time series dan cross section sehingga jumlah dari observasi yang diteliti menjadi lebih besar. Model dari data panel meningkatkan efisiensi karena meningkatkan derajat kebebasan (degree of freedom).

Metode pada penelitian ini menggunakan analisis regresi linear berganda (multiple regression). (Gujarati and Porter, 2012), Dimana analisis regresi tersebut berkaitan dengan ketergantungan variabel, yaitu variabel dependen, terhadap satu atau lebih variabel lainnya, yaitu variabel penjelas, dengan tujuan untuk mengestimasi dan memperkirakan nilai rata-rata (populasi) variabel dependen dari nilai yang diketahui atau nilai tetap dari variabel penjelas.

Metode untuk menganalisis regresi berganda dalam penelitian ini menggunakan metode analisis data panel (pooled data). Menurut Gujarati and Porter (2012), 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. Menurut Widarjono (2013) penggabungan antara data set deret waktu dengan beberapa wilayah akan menghasilkan sebuah kumpulan data yang dinamakan data panel. Jika jumlah observasi deret waktu sama dengan jumlah observasi tiap unit-nya maka data panel tersebut aka disebut sebagai balanced panel, namun bila tidak sama antar observasinya, maka data tersebut akan disebut unbalanced panel. Analisis dengan menggunakan data panel biasanya lebih memuaskan, tanpa menggunakan treatment khusus, karena bila hasil tidak signifikan data masih bisa ditambahkan observasinya.

Dikarenakan observasi data panel lebih luas, karena adanya data time series dan juga cross section yang digabungkan.

Analisis dengan menggunakan data panel biasanya lebih

tidak signifikan data masih bisa ditambahkan observasinya.

Dikarenakan observasi data panel lebih luas, karena adanya penggabungan data time series dan juga cross section.

Secara umum bentuk persamaan regresinya sebagai berikut:

Yit= α0+ β1X1it +β2X2it+ β3X3it+ εit...(1) Dari model di atas maka model penelitian ini dapat dilihat melalui persamaan berikut:

Persamaan Struktural I

PEit= α0 + β1Iit + β2TKit + β3TKit + εit...(2) Persamaan Struktural II

Kit = α0 + β1Iit + β2TKit + β3THKit+ β3PEit + εit...(3)

Keterangan :

K_it = Kemiskinan di provinsi (i) pada periode (t) PE_it = Laju PDRB di provinsi (i) periode (t) Iit = Investasi di provinsi (i) periode (t)

TKit = Ketimpangan pendapatan di provisnsi (i) periode (t) THKit = Tingkat Hunian Kamar di provinsi (i) periode (t) β0 = Intercept/Konstanta

β1, β₂, β₃ = Koefisien Regresi

εit = Error term di provinsi i pada periode t

b) Analisis Jalur (Path Analysis)

(Muhidin dan Abdurahman, 2007), Metode analisis jalur/path analysis adalah alat analisis statistik yang digunakan untuk menganalisis pola hubungan kausal antar variabel dengan tujuan untuk mengetahui pengaruh langsung dan tidak langsung, baik secara simultan maupun secara parsial beberapa variabel penyebab terhadap sebuah variabel akibat. Pada saat melakukan analisis jalur atau path analysis terlebih dahulu dilakukan pembentukan jalur yang dapat dilihat dari akar kuadrat yang terbentuk dari nilai Koefisien Determinasi (R-Square). Setelah tahapan tersebut dilakukan masing masing variabel yang dibentuk kedalam analisis jalur harus memiliki pengaruh langsung yang signifikan dengan variabel dependen. Jika salah satu variabel yang diuji tidak memenuhi syarat maka variabel tersebut di eliminasi dari pengujian analisis jalur.

Berdasarkan gambar 3.1 analisis jalur teresbut dapat digambarkan dua formulasi struktur yaitu pengaruh langsung dan pengaruh tidak langsung yang diberikan oleh variabel bebas terhadap variabel terikat.

Analisis jalur pada penelitian ini dapat digambarkan sebagai berikut:

Gambar 3.1 Analisis Jalur

Berikut penggambaran struktur dan persaamaan nya secara parsial:

1). Pengaruh Langsung/Direct Efffect

 Pengaruh variabel Investasi terhadap PDRB secara langsung, model persaamaanya sebagai berikut:

I P = βIit; kemudian dapat digambarkan sebagai berikut:

Gambar 3.2

Analisis Jalur X1 terhadap Z Investasi (X1)

Tingkat Hunian Kamar

(X3)

PDRB (Z) Kemiskinan

(Y)

ε

²

ε

¹

βZY

I (X1) P (Z)

βYX1

Y= βYXX1+

ε

¹

ε

¹

Tenaga Kerja

(X2) βYX3

βZX2

 Pengaruh variabel Investasi terhadap Kemiskinan secara langsung, model persaamaanya sebagai berikut:

I K = βIit; kemudian dapat digambarkan sebagai berikut:

Gambar 3.3

Analisis Jalur X1 terhadap Y

 Pengaruh variabel Tenaga Kerja terhadap PDRB secara langsung, model persaamaanya sebagai berikut:

TK P = βTKit; kemudian dapat digambarkan sebagai berikut:

Gambar 3.4

Analisis Jalur X2 terhadap Z

 Pengaruh variabel Investasi terhadap Kemiskinan secara langsung, model persaamaanya sebagai berikut:

TK K= βTKit; kemudian dapat digambarkan sebagai berikut:

Gambar 3.5

Analisis Jalur X2 terhadap Y

I (X1) (Y)

βZX1

Y= _βZXX1+

ε

²

ε

²

TK(X2) P (Z)

βYX2

Y= _βYXX2+

ε

¹

ε

¹

TK(X2) (Y)

βZX2

 Pengaruh variabel Tingkat Hunian Kamar terhadap PDRB secara langsung, model persaamaanya sebagai berikut:

THK P = βTHKit; kemudian dapat digambarkan sebagai berikut:

Gambar 3.6

Analisis Jalur X3 terhadap Z

 Pengaruh variabel Tingkat Hunian Kamar terhadap Kemiskinan secara langsung, model persaamaanya sebagai berikut:

THK K= βTHK_it; kemudian dapat digambarkan sebagai berikut:

Gambar 3.7

Analisis Jalur X3 terhadap Y

 Pengaruh variabel PDRB terhadap Kemiskinan secara langsung, model persaamaanya sebagai berikut:

P K = βK_it; kemudian dapat digambarkan sebagai berikut:

THK(X3) P (Z)

βYX3

Y= βYXX3+

ε

¹

ε

¹

THK(X3) (Y)

βZX3

Y= _βZXX3+

ε

²

ε

²

Gambar 3.8

Analisis Jalur Z terhadap Y

2). Pengaruh Tidak Langsung/Indirect Efffect

 Pengaruh variabel Investasi terhadap Kemiskinan melalui PDRB (variabel intervening), dapat digambarkan sebagai berikut

Gambar 3.9

Analisis Jalur X1 terhadap Y melalui Z

Untuk mengetahui besarnya pengaruh tidak langsung (coefficient melalui mediasi) maka dilakukan perhitungan βZX1 × βYZ = n

 Pengaruh variabel Tenaga Kerja terhadap Kemiskinan melalui PDRB (variabel intervening), dapat digambarkan sebagai berikut:

Gambar 3.10

Analisis Jalur X2 terhadap Y melalui Z P (Z)

I (X1) K(Y)

βZX1 βYZ

P (Z)

βZX2 βYZ

P(Z) K(Y)

βYZ

Y= βYZZ+

ε

¹

ε

1

Untuk mengetahui besarnya pengaruh tidak langsung (coefficient melalui mediasi) maka dilakukan perhitungan βZX2 × βYZ = n

 Pengaruh variabel THK terhadap Kemiskinan melalui PDRB (variabel intervening), dapat digambarkan sebagai berikut:

Gambar 3.11

Analisis Jalur X3 terhadap Y melalui Z

Untuk mengetahui besarnya pengaruh tidak langsung (coefficient melalui mediasi) maka dilakukan perhitungan βZX3 × βYZ = n

Setelah mengetahui nilai koefisien pengaruh tidak langsung atau pengaruh melalui mediasi pada masing-masing variabel eksogen terhadap variabel endogen. Selanjutnya perlu diuji dengan sobel test (uji sobel) , perhitungan tersebut berfungsi untuk mengetahui apakah variabel tersebut signifikan atau tidak. Untuk menghitung tingkat signifikansi menggunakan sobel test dengan cara hitung standar error dari koefisien indirect effect (Sab), model persamaan dari sobel test sebagai berikut:

Sab=√𝑏². 𝑠𝑎²+ 𝑎². 𝑠𝑏²+ 𝑠𝑎². 𝑠𝑏² Keterangan:

P (Z)

THK(X K(Y)

βZX3 βYZ

a : Nilai koefisien dari variabel X ke Y b : Nilai koefisien dari variabel Y ke Z sa : Nilai standart error dari variabel X ke Y sb : Nilai standart error dari variabel Y ke Z

Untuk menguji signifikansi pengaruh tidak langsung, maka perlu diperlukan menghitung nilai t dari koefisien ab dengan formulasi sebagai berikut:

t =^{𝑎 𝑋 𝑏}

𝑆𝑎𝑏

Selanjutnya nilai t hitung dibandingkan dengan nilai t tabel, apabila nilai t hitung > nilai t tabel maka dapat disimpulkan terjadi pengaruh mediasi atau pengaruh secara tidak langsung yang signifikan.

5. Uji Koefisien Determinasi (𝑹^𝟐)

Menurut Gujarati (2012), koefisien determinasi ( 𝑅²) adalah angka yang menunjukkan besaran derajat kemampuan menerangkan variabel bebas terhadap variabel terkait. Koefisien determinasi digunakan untuk mengukur besaran presentase variasi dalam perubahan variabel terikat yang dijelaskan oleh perubahan variabel bebas untuk mengetahui seberapa baik model yang diperoleh dengan data yang digunakan. Nilai koefisien determinasi yaitu 0 <

𝑅²>1. Model dikatakan baik apabila nilai koefisien ini semakin mendekati angka 1 (satu).

6. Uji Hipotesis

Uji Hipotesis dilakukan untuk menganalisis apakah variabel – variabel yang digunakan pada pada medel regresi signifikan atau tidak. Pada model regresi terdapat tiga uji hipotesis yang dapat dilakukan yaitu : uji- F, uji- t, dan Koefisien determinasi.

a) Uji- F

Uji – F digunakan untuk mengetahui pengaruh variabel – variabel bebas terhadap variabel terikat secara bersama – sama. Hipotesis pengujian yang digunakan adalah sebagai berikut :

H0 : variabel independen tidak mempengaruhi variabel dependen.

H1 : variabel independen mempengaruhi variabel dependen.

b) Uji parsial (uji- t)

Uji –t digunakan untuk mengetahui apakah variabel bebas berpengaruh terhadap variabel terikat secara parsial dan signifikan.

Hipotesis pengujian yangdigunakan adalah sebagai berikut :

H0 : variabel independen tidak berpengaruh positif dan signifikan terhadap variabel dependen.

H1 : variabel independen berpengaruh positif dan signifikan terhadap variabel dependen.

BAB IV