METODE PENELITIAN
1. Model Pooled
Model pooled yaitu model yang didapatkan dengan mengkombinasikan atau mengumpulkan semua data cross section dan time series. Model data ini kemudian di duga dengan menggunakan Ordinary Least Square (OLS) yaitu : Yit = α + βXit + εit, dimana : Yit = variabel endogen, Xit = variabel eksogen, α = interesep, β = slope, i = individu ke i t = individu ke-t, ε = error/simpangan.
2. Model Efek Tetap (Fixed Effect)
Masalah terbesar dalam pendekatan model kuadrat terkecil adalah asumsi interesep dan slope dari persamaan regresi yang dianggap konstan baik antar individu maupun antar waktu yang mungkin kurang beralasan. Untuk mengatasi masalah ini maka kita bisa menggunakan Model Efek Tetap (Fixed Effect).
Model Efek Tetap (Fixed Effect) yaitu model yang di dapatkan dengan mempertimbangkan bahwa peubah-peubah yang dihilangkan dapat mengakibatkan perubahan dalam interesep-interesep cross section dan time series. Peubah boneka (dummy) dapat ditambahkan ke dalam model untuk
memungkinkan perubahan-perubahan interesep ini lalu model di duga dengan OLS, yaitu : Yit = αiDi + βXit + εit dimana : Yit = variabel endogen, Xit = variabel eksogen,
αi = interesep model yang berubah-ubah antar cross section unit, β = slope,
D = variabel dummy,
I = individu ke-i, t = periode waktu ke-t, ε =error/simpangan.
3. Model Efek Acak (Random Effect)
Keputusan untuk memasukkan variabel dummy dalam model efek tetap tak dapat dipungkiri akan dapat menimbulkan konsekuensi. Penambahan variabel boneka akan dapat mengurangi banyaknya derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Untuk mengatasi masalah tersebut maka kita bisa menggunakan Model Efek Acak (Random Effect). Dalam model efek acak parameter yang berbeda antar individu maupun antar waktu dimasukkan ke dalam error. Karena hal inilah model efek acak sering juga disebut model komponen error (error component model). Bentuk model efek acak ini bisa dijelaskan pada persamaan berikut :
Yit = αi + βXit + εit εit = uit+ vit+ wit dimana :
uit ~ N(0,δu²) = komponen cross section error, vit ~ N(0,δv²) = komponen time series error, wit ~ N(0,δv²)= komponen combination error,
kita juga mengasumsikan bahwa error secara individual juga tidak saling berkorelasi begitu juga dengan error kombinasinya. Penggunaan model efek acak dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi efisien. Semakin efisien maka model akan semakin baik.
Perumusan Model
Data diolah dengan menggunakan bantuan program Eviews 6 dan Microsoft
Excell 2007. Salah satu langkah dalam penelitian ini adalah merumuskan model
umum yang akan digunakan untuk dianalisis dengan fungsi regresi. Penggunaan regresi ditujukan untuk melihat kemungkinan adanya migrasi dari berbagai variabel yang diestimasi. Keputusan seseorang melakukan migrasi dikarenakan adanya alasan ekonomi dan non ekonomi. Menurut model migrasi Todaro, faktor ekonomi yang menjadi alasan seseorang melakukan migrasi adalah pendapatan di daerah lain yang lebih tinggi serta tersedianya lapangan pekerjaan. Oleh karena itu dipilihlah variabel-variabel yang dapat menjelaskan faktor-faktor yang memengaruhi migrasi masuk. Model umum yang digunakan dalam penelitian ini adalah :
dimana :
MIGit = Jumlah migrasi masuk di masing-masing provinsi, PDRBPKit = Jumlah PDRB per kapita riil masing-masing provinsi, JPit = Jumlah pengangguran terbuka masing-masing provinsi, UMRit = Upah minimum regional masing-masing provinsi,
PTMit = Jumlah penduduk yang menamatkan pendidikan tinggi dan menengah masing-masing provinsi,
D = dummy (0 untuk sebelum otonomi daerah, dan 1 untuk setelah otonomi daerah),
β0 = intersep model yang berubah-ubah tiap provinsi, βi = slope variabel (i = 1,2,3,4,5),
i = provinsi ke- i, t = pada tahun ke- t, ε = error / simpangan.
Model ini diestimasi menggunakan metode ekonometrika dengan data panel, karena model ini menggunakan kombinasi data time series dan cross section. Panel data menyediakan informasi yang cukup kaya untuk perkembangan teknik estimasi dan hasil teoritik. Panel data juga memiliki beberapa keunggulan, diantaranya sebagai berikut (Baltagi, 2005) :
1. Mampu mengontrol heterogenitas individu, panel data memberi peluang perlakuan bahwa unit-unit ekonomi yang dianalisis dalam penelitian ini adalah homogen.
2. Banyak memperoleh informasi lebih banyak, lebih beragam, mengurangi kolinearitas antar variabel, meningkatkan derajat kebebasan serta lebih efisien. Data time series memiliki kecenderungan tingkat kolinearitas yang tinggi, dengan menggunakan panel data, penambahan dimensi cross section dapat memperkaya keragaman dan informasi pada variabel, sehingga akan menghasilkan informasi yang lebih akurat.
3. Panel data lebih baik untuk studi dynamic of adjusment. Salah satu kekurangan apabila menggunakan pendekatan cross section adalah tidak dapat menggambarkan adanya perubahan-perubahan yang terjadi. Dengan menggunakan panel data, dapat diketahui apakah kondisi yang terjadi tersebut permanen atau temporer.
4. Mampu lebih baik dalam mengestimasi dan mengukur efek yang secara sederhana tidak dapat dideteksi oleh pure cross section atau pure time series. 5. Dapat membangun dan menguji model perilaku (behavioral model) yang
lebih kompleks dibanding pure cross section atau data time series.
Pemilihan Model Data Panel
Pemilihan model data panel ditentukan dengan membuat spesifikasi yang dikembangkan oleh Hausman. Spesifikasi tersebut memberikan penilaian dengan menggunakan Uji F. Ada tiga pengujian statistik yang digunakan dalam data panel untuk menentukan model mana yang paling baik untuk dipilih.
1. Uji F atau chi square statistics
Uji F digunakan untuk memilih antara metode PLS tanpa variabel dummy atau Fixed Effects. Uji F statistik disini merupakan uji perbedaan dua regresi
sebagaimana uji Chow. Apabila nilai Chow Statistics (F-stat) hasil pengujian lebih besar dari F-tabel, maka cukup bukti melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model FEM, begitu juga sebaliknya.
2. Hausman Test
Hausman test merupakan pengujian statistik sebagai dasar pertimbangan
dalam pemilihan model FEM atau REM, dengan hipotesis pengujian : H0 : Model REM
H1 : Model FEM
Dasar penolakan H0 menggunakan pertimbangan statistik Chi- square. Jika hasil dari Hausman Test signifikan (probabilitas < α) maka tolak H0. Artinya model FEM adalah model yang digunakan.
3. LM Test
LM test atau Breusch-Pagan LM Test merupakan pertimbangan statistik dalam pemilhan model REM atau PLS, dengan hipotesis pengujian :
H0 : Model PLS H1 : Model REM
Dasar penolakan H0 yaitu dengan cara membandingkan statistik LM dengan nilai
Chi-square. Jik hasil perhitungan nilai LM lebh besar dari X2 tabel maka cukup
bukti untuk melakukan tolak H0 sehingga model yang akan digunakan adalah model REM, begitu juga dengan sebaliknya.
Uji Asumsi Model
Gujarati (2006) menjelaskan, sebagai upaya untuk menghasilkan model yang efisien, tak bias, dan konsisten, maka perlu dilakukan pendeteksian terhadap pelanggaran/gangguan asumsi dasar ekonometrika yang berupa gangguan antar waktu (time-related disturbance), gangguan antar daerah atau antar provinsi (cross sectional disturbance), dan gangguan akibat keduanya. Pengujian model yang perlu dilakukan adalah sebagai berikut:
1). Multikolinearitas
Indikasi multikolinearitas tercermin dengan melihat hasil uji T dan F statistik hasil regresi. Jika banyak koefisien parameter dari tstatistik diduga tidak signifikan sementara dari hasil F hitungnya signifikan, maka patut di duga adanya multikolinearitas. Multikoloinearitas salah satunya dapat dihilangkan dengan membuang variabel yang tidak signifikan.
2). Autokorelasi
Autokorelasi dapat memengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson (DW) dalam Eviews. Untuk mengetahui ada tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistiknya dengan DW-tabel. Korelasi serial ditemukan jika error dari periode waktu yang berbeda saling berkorelasi. Hal ini bisa dideteksi dengan melihat pola random error dari hasil regresi. Pada analisis seperti yang dilakukan pada model, jika ditemukan korelasi serial, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Tabel 3 menunujukkan kriteria untuk menentukan adanya masalah autokorelasi.
Tabel 3 Kerangka identifikasi autokorelasi
Nilai DW Hasil
4-dl < DW < 4 Tolak H0, korelasi serial negative 4-dl < DW < 4-du Hasil tidak dapat ditentukan 2 < DW < 4-du Terima H0, tidak ada korelasi serial du < DW < 2 Terima H0, tidak ada korelasi serial dl < DW < du Hasil idak dapat ditentukan
0 < DW < dl Tolak H0, koelasi serial positif
Sumber : Juanda (2009)
3). Heteroskedastisitas
Dalam regresi linear berganda, salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model tersebut adalah Var (ui) = ζ² (konstan), semua varian mempunyai variasi yang sama. Pada umumnya heteroskedastisitas diperoleh pada data kerat lintang (cross section). Jika pada model dijumpai heteroskodestisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata lain, jika regresi tetap dilakukan meskipun ada masalah heteroskedastisitas maka pada hasil regresi akan terjadi ―misleading‖ (Gujarati, 2006).
Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisitas, digunakan uji White Heteroskedasticity yang diperoleh dari hasil estimasi model. Dengan uji White, membandingkan Obs*R-Squared dengan X (Chi-Squared) tabel, jika nilai Obs*R-Squared lebih kecil dari X (Chi-Squared) tabel maka tidak ada heteroskedastisitas pada model. Dalam pengolahan data panel yang menggunakan metode General Least Square (Cross Section Weights), maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum
Square Resid pada Weighted Statistics dengan Sum Square Resid pada Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics < Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas. Untuk
mengatasi pelanggaran tersebut, model bisa diestimasi dengan metode GLS yaitu dengan White Heteroskedasticity.
Definisi Operasional Variabel
Untuk mengetahui lebih lanjut variabel apa saja yang digunakan dalam model, maka berikut ini adalah definisi operasional dari variabel-variabel tersebut: 1. Migrasi adalah perpindahan penduduk yang relatif permanen dari suatu daerah ke daerah lain. Seseorang dikatakan sebagai migran apabila orang tersebut melintasi batas wilayah administrasi dan lamanya bertempat tinggal di daerah tujuan minimal enam bulan.
2. Produk Domestik Regional Bruto (PDRB) merupakan penjumlahan nilai output bersih perekonomian yang ditimbulkan oleh seluruh kegiatan ekonomi di suatu wilayah tertentu, dan dalam satu kurun waktu tertentu. Sementara itu nilai PDRB per kapita didapatkan dari hasil pembagian pendapatan regional dengan jumlah penduduk di daerah tersebut.
3. Jumlah pengangguran terbuka adalah jumlah penduduk yang termasuk kelompok usia kerja yang selama periode tertentu tidak bekerja, dan bersedia menerima pekerjaan, serta sedang mencari pekerjaan.
4. Upah Minimum Regional (UMR) adalah upah yang ditetapkan oleh pemerintah melalui keputusan menteri yang dinilai dan diukur dari kebutuhan hidup minimum.
5. Jumlah penduduk yang menamatkan pendidikan tinggi dan menengah menggambarkan tingkat pendidikan terakhir penduduk di suatu provinsi.
6. Dummy digunakan untuk membedakan kondisi migrasi pada saat sebelum
dan setelah dilaksanakannya otonomi daerah.