III. METODE PENELITIAN

III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang berasal dari berbagai instansi pemerintah terutama Badan Pusat Statistik. Data yang digunakan antara lain angka kemiskinan, jumlah penduduk, jumlah pekerja sektor pertanian, tingkat pendidikan, UMP, PBRB perkapita, pengangguran, infrastruktur serta data-data lainnya yang relevan dengan penelitian. Periode yang diteliti mulai tahun 2000 sampai dengan 2009.

Pengolahan data dalam penelitian ini menggunakan software Excel dan Eviews 6. Software Excel digunakan untuk membuat tabel dan grafik demi menunjang analisis deskriptif. Program Eviews 6 digunakan untuk membuat analisis regresi data panel mengenai faktor-faktor yang memengaruhi kemiskinan.

3.2 Analisis Deskriptif

Analisis deskriptif disajikan dalam bentuk tabel dan grafik untuk memudahkan pemahaman dan penafsiran. Analisis deskriptif pada penelitian ini digunakan untuk memberikan gambaran kondisi sosial dan ekonomi Kawasan Barat Indonesia dan Kawasan Timur dan ulasan rumusan kebijakan penanggulangan kemiskinan di masing-masing kawasan.

3.3 Analisis Regresi Data Panel

Untuk mengetahui faktor-faktor yang memengaruhi kemiskinan digunakan analisis regresi data panel. Penggunaan data panel dimaksudkan untuk mengkombinasikan antara data cross section dan data time series sehingga jumlah observasi menjadi banyak. Marginal effect dari peubah penjelas dapat dilihat dari dua dimensi, yaitu individu dan waktu sehingga parameter yang diestimasi akan lebih akurat dibandingkan dengan model lain.

Baltagi (2005) mengungkapkan bahwa penggunaan data panel memberikan banyak keuntungan, antara lain:

1. Mampu mengontrol heterogenitas individu. Dengan metode ini estimasi yang dilakukan dapat secara eksplisit memasukkan unsur heterogenitas individu.

2. Dapat memberikan data yang informatif, mengurangi kolinearitas antar peubah, meningkatkan derajat bebas dan lebih efisien.

3. Lebih baik untuk studi dynamics of adjustment. Karena berkaitan dengan observasi cross section yang berulang, maka data panel lebih baik dalam mempelajari perubahan dinamis.

4. Lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section saja atau data time series saja.

Selain manfaat yang diperoleh dengan penggunaan panel data, metode ini juga memiliki keterbatasan di antaranya adalah:

1. Masalah dalam desain survei panel, pengumpulan dan manajemen data. Masalah yang umum dihadapi diantaranya: cakupan (coverage), nonresponse, kemampuan daya ingat responden (recall), frekuensi dan waktu wawancara.

2. Distorsi kesalahan pengamatan (measurement errors). Measurement errors umumnya terjadi karena respon yang tidak sesuai.

3. Masalah selektivitas (selectivity) yang mencakup hal-hal berikut:

a. Self-selectivity : permasalahan yang muncul karena data-data yang dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap fenomena yang ada.

b. Nonresponse : permasalahan yang muncul dalam panel data ketika ada ketidaklengkapan jawaban yang diberikan oleh responden (sampel rumahtangga).

c. Attrition : jumlah responden yang cenderung berkurang pada survei lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia atau biaya menemukan responden yang terlalu tinggi

4. Dimensi waktu (time series) yang pendek. Jenis panel mikro biasanya mencakup data tahunan yang relatif pendek untuk setiap individu.

5. Cross-section dependence. Sebagai contoh, apabila macro panel dengan unit analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence akan mengakibatkan inferensi yang salah (misleading inference).

Analisis data panel dibedakan menjadi dua macam yaitu statis dan dinamis. Analisis data panel dinamis, regressor-nya mengandung lag variabel dependent-nya, sedangkan pada analisis data panel statis tidak. Penelitian ini menggunakan analisis data panel statis sehingga pembahasannya dibatasi untuk analisis statis saja.

Secara umum, terdapat dua pendekatan dalam metode data panel, yaitu Fixed Effect Model (FEM) dan Random Effect Model (REM). Keduanya dibedakan berdasarkan ada atau tidaknya korelasi antara komponen error dengan peubah bebas (Baltagi 2005; Widarjono 2009)

Misalkan diberikan persamaan regresi data panel sebagai berikut:

y_it a_i X_it_k _it

dimana: y : nilai dependent variable untuk setiap unit individu i pada periode t it dimana i = 1, …, n dan t = 1, …, T

i

a : unobserved heterogenity

βk : matriks koefisien regresi, k = 1, ..., K dimana K = jumlah variabel bebas

it

X : nilai variabel bebas yang terdiri dari sejumlah K variabel.

Pada one way, komponen error dispesifikasikan dalam bentuk:

it i it  u



dimana: _i : efek individu (time invariant) it

u : disturbance yang besifat acak (uit ~N(0,u2))

Untuk two way, komponen error dispesifikasikan dalam bentuk: it

t i

it   u



Pada pendekatan one way komponen error hanya memasukkan komponen error yang merupakan efek dari individu (_i). Pada two way telah memasukkan efek dari waktu (t) ke dalam komponen error, u diasumsikan tidak berkorelasi it dangan X_it. Jadi perbedaan antara FEM dan REM terletak pada ada atau tidaknya korelasi antara _idan _tdengan X_it.

(1) Fixed Effect Model (FEM)

FEM digunakan ketika efek individu dan efek waktu mempunyai korelasi dengan Xit atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu dan waktu dapat menjadi bagian dari intecept.

Untuk one way komponen error:

it it i i it a X u y     

Sedangkan untuk two way komponen error:

it it t i i it a X u y     

Penduga FEM dapat dihitung dengan beberapa teknik, yaitu Pooled Least Square (PLS), Within Group (WG), Least Square Dummy Variable (LSDV), dan Two Way Error Component Fixed Effect Model.

(2) Random Effect Model (REM)

REM digunakan ketika efek individu dan efek waktu tidak berkorelasi dengan X_it atau memiliki pola yang sifatnya acak. Keadaan ini membuat komponen error dari efek individu dan efek waktu dimasukkan ke dalam error.

Untuk one way komponen error:

i it it i it a X u y     

Untuk two way komponen error:

t i it it i it a X u y      

Asumsi dasar yang harus dipenuhi dalam model REM adalah sebagai berikut:



uit | i



0 E 



2



2 | _{i u} it u E  



_i |x_it



0

E untuk semua i dan t



2



2

| _

_i x_it 

E untuk semua i dan t

 

uit j 0

E  untuk semua i, t, dan j



u_itu_js



0

E untuk i j dan ts

 

i j 0

E  untuk i j

Dimana untuk:

One way error component: _i _i

Two way error component: _i _i _t

Dari semua asumsi di atas, yang paling penting adalah E



_i |x_it



0. Pengujian asumsi ini menggunakan HAUSMAN test. Uji hipotesis yang digunakan adalah:

H0 : E



i|xit



0 Tidak ada korelasi antara komponen error dengan peubah bebas

H1 : E



i|xit



0 Ada korelasi antara komponen error dengan peubah bebas







M M







 

k

H REM FEM FEM REM REM FEM

2 1 ' ~ ˆ ˆ ˆ ˆ _{   }      

dimana M : matriks kovarians untuk parameter  k : derajat bebas

ˆ : matriks koefisien regresi hasil estimasi

Jika H > _tabel2 maka komponen error mempunyai korelasi dengan peubah bebas dan artinya model yang valid digunakan adalah FEM.

Penduga REM dapat dihitung dengan dua cara yaitu pendekatan Between Estimator (BE) dan Generalized Least Square (GLS).

3.3.1 Pemilihan Model Terbaik

Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan berdasarkan pertimbangan statistik. Hal ini ditujukan untuk memperoleh dugaan yang efisien.

Untuk memutuskan apakah akan menggunakan fixed effect atau random effect menggunakan uji Haussman. Hausman test dilakukan dengan hipotesis sebagai berikut:

H0: E(τi | xit) = 0 atau REM adalah model yang tepat H1: E(τi | xit) ≠ 0 atau FEM adalah model yang tepat

Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan

membandingkannya dengan Chi square.

Jika nilai χ2 statistik hasil pengujian lebih besar dari χ2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga pendekatan yang

digunakan adalah fixed effect, begitu juga sebaliknya.

3.3.2 Uji Asumsi

Setelah kita memutuskan untuk menggunakan suatu model tertentu (FEM atau REM), maka kita dapat melakukan uji asumsi.

(1) Uji Homoskedastisitas

Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE (Best Linier Unbiased Estimate) maka var (ui) harus sama dengan σ2 (konstan), atau semua residual atau error mempunyai varian yang sama. Kondisi itu disebut dengan homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut dengan heteroskedastisitas.

Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan metode White test. Uji ini pertama kali diperkenalkan oleh White pada tahun 1980. Statistik uji white menyebar menurut sebaran Khi-kuadrat dengan derajat bebas jumlah variabel bebas (χ2(α;db)). Secara manual, uji ini dilakukan dengan meregresi

dapatkan nilai squared. Kriteria yang digunakan adalah apabila Obs*R-squared lebih besar dari χ2(α;db) maka dapat disimpulkan terdapat

heteroskedastisitas dalam model.

Cara lain untuk mendeteksi adanya heteroskedastisitas dalam model dapat juga menggunakan hasil estimasi dengan General Least Square (Cross section Weights) yaitu dengan membandingkan sum square Resid pada Weighted Statistics dengan sum square Resid unweighted Statistics. Jika sum square Resid pada Weighted Statistics lebih kecil dari sum square Resid unweighted Statistics, maka terjadi heteroskedastisitas dalam model (Greene, 2002).

(2) Uji Autokorelasi

Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Uji autokorelasi yang dilakukan tergantung pada jenis data dan sifat model yang digunakan. Autokorelasi dapat memengaruhi efisiensi dari estimatornya. Untuk mendeteksi adanya korelasi serial adalah dengan melihat nilai Durbin Watson (DW). Untuk mengetahui ada/tidaknya autokorelasi, maka dilakukan dengan membandingkan DW-statistiknya dengan DW-tabel (Widarjono 2009).

Tabel 1 Kerangka identifikasi autokorelasi

Nilai statistik d Hasil

4 – dl < d < 4 Ada autokorelasi negatif 4 – du < d < 4- dl Tidak ada keputusan

2 < d < 4 – du Tidak ada autokorelasi du < d < 2 Tidak ada autokorelasi dl < d < du Tidak ada keputusan

0 < d < dl ada autokorelasi positif

Sumber: Widarjono 2009 Keterangan:

3.3.3 Evaluasi Model (1) Uji-F

Uji-F digunakan untuk melakukan uji hipotesis koefisien (slope) regresi secara bersamaan. Jika nilai probabilitas F-statistic < taraf nyata, maka tolak H0

dan itu artinya minimal ada satu peubah bebas yang berpengaruh nyata terhadap peubah terikat, dan berlaku sebaliknya.

(2) Uji-t

Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah selanjutnya adalah menghitung koefisien regresi secara individu dengan menggunakan uji-t. Jika terdapat model regresi data panel sebagai berikut:

y_it a_i X_it_k _it

Hipotesis pada uji-t adalah :

H0 : βk = 0

H1 : βk ≠ 0

Jika t-hitung > t-tabel maka H0 ditolak yang berarti peubah bebas secara

statistik nyata pada taraf nyata yang telah ditetapkan dalam penelitian, dan berlaku hal yang sebaliknya. Jika nilai probabilitas t-statistic < taraf nyata, maka tolak H0

dan berarti bahwa peubah bebas nyata secara statistik.

(3) Koefisien Determinasi (R2)

Koefisien determinasi (Goodness of Fit) merupakan suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi. Nilai R2 mencerminkan seberapa besar variasi dari peubah terikat Y dapat diterangkan oleh peubah bebas X. Jika R2 = 0, maka variasi dari Y tidak dapat diterangkan oleh X sama sekali; jika R2 = 1, artinya bahwa variasi dari Y secara keseluruhan dapat diterangkan oleh X.

(3) Uji Normalitas

Uji normalitas dilakukan untuk memeriksa apakah error term mendekati distribusi normal atau tidak. Jika asumsi normalitas tidak terpenuhi maka prosedur pengujian menggunakan statistik t menjadi tidak sah. Uji normalitas error term dilakukan dengan menggunakan uji Jarque Bera. Berdasarkan nilai probabilitas Jarque Bera yang lebih besar dari taraf nyata 5%, maka dapat disimpulkan bahwa error term terdistribusi dengan normal.

3.3.4 Spesifikasi Model Penelitian

Model dalam penelitian ini mengacu model yang telah digunakan oleh Siregar dan Wahyuniarti (2007) dengan dilakukan modifikasi sebagai berikut:

No. Model acuan Model Penelitian

1 Semua variabel dalam bentuk asli Semua variabel dalam bentuk logaritma natural (LN)

2. Terdapat 9 variabel bebas, yaitu: Terdapat 10 variabel bebas, yaitu: a. Jumlah penduduk a. Jumlah penduduk

b. Share pertanian terhadap PDRB b. Jumlah pekerja sector pertanian c. Persentase lulusan sekolah

menengah pertama

c. Jumlah penduduk lulusan setingkat SMP

d. Persentase lulusan sekolah menengah atas

d. Jumlah penduduk lulusan setingkat SMU

e. Persentase lulusan pendidikan diploma

e. Jumlah penduduk lulusan diatas SMU

f. Share industri terhadap PDRB f. Upah Minimum Provinsi

g. PDRB g. PDRB perkapita

h. Inflasi h. Pengangguran

i. Dummy Krisis i. Infrastruktur jalan j. Infrastruktur listrik

Model regresi panel diaplikasikan di Kawasan Barat Indonesia dan Kawasan Timur Indonesia. Model diaplikasikan dalam bentuk logaritma natural untuk mendapatkan nilai dugaan elastisitas dari setiap variabel bebas. Secara

umum, definisi elastisitas yaitu daya kepekaan variabel tidak bebas terhadap perubahan yang terjadi pada variabel bebas.

Model regresi panel yang digunakan dalam penelitian adalah sebagai berikut: LN_MISKINit = β0 + β1 LN_PDDKit + β2 LN_TANIit + β 3 LN_SMPit + β4 LN_SMUit + β5 LN_PTit + β6 LN_UMPit + β7 LN_PDRBKPTit + β8 LN_NGANGGURit + Β9 LN_JLNit + β10 LN_LISTRIKit + εit Keterangan: i : provinsi t : tahun LN : Logaritma natural

MISKIN : Jumlah penduduk miskin

β0 : Unobserved heterogenity

β k : Elastisitas dugaan ; k = 1,2,...,10

PDDK : Jumlah penduduk

TANI : Jumlah pekerja sektor pertanian

SMP : Jumlah lulusan setingkat SMP

SMU : Jumlah lulusan setingkat SMU

PT : Jumlah lulusan setingkat Diploma ke atas

UMP : Upah Minimum Provinsi

PDRBKPT : PDRB atas dasar harga konstan tahun 2000 dibagi jumlah penduduk pertengahan tahun

NGANGGUR : Jumlah pengangguran terbuka

JALAN : Panjang jalan/kendaraan

LISTRIK : Energi listrik terjual/banyaknya rumah tangga

ε : Komponen Error

3.3.5 Definisi Operasional

Pada bab 2 telah dijelaskan faktor-faktor yang berpengaruh terhadap kemiskinan. Berdasarkan faktor-faktor tersebut, berikut definisi operasional beberapa variabel yang digunakan dalam penelitian berdasarkan konsep BPS. 1 Jumlah penduduk miskin adalah jumlah penduduk yang mempunyai

pengeluaran perkapita per bulan dibawah garis kemiskinan. Jumlah penduduk miskin dihitung dengan satuan ribu orang.

2 Jumlah penduduk menyatakan semua orang yang berdomisili di wilayah teritorial selama 6 bulan atau lebih dan atau mereka yang berdomisili kurang dari 6 bulan tetapi bertujuan menetap. Jumlah penduduk dihitung dengan satuan ribu orang.

3 Bekerja di sektor pertanian adalah melakukan pekerjaan dengan maksud memperoleh atau membantu memperoleh pendapatan atau keuntungan dan lamanya bekerja paling sedikit 1 jam secara terus menerus dalam seminggu yang lalu (termasuk pekerja keluarga tanpa upah yang membantu dalam suatu usaha/kegiatan ekonomi) pada lapangan usaha pertanian. Jumlah pekerja sektor pertanian dihitng dalam satuan ribu orang.

4 Tingkat pendidikan adalah jenjang pendidikan yang telah ditempuh penduduk sampai lulus dan mendapatkan bukti kelulusan berupa ijazah/STTB.

5 Upah minimum provinsi adalah upah minimum yang telah ditetapkan pemerintah untuk meningkatkan kesejahteraan pekerja. Nilai upah minimum disepakati oleh serikat buruh, pengusaha dan pemerintah. Satuan yang upah minimum provinsi adalah ribu rupiah.

6 PDRB perkapita adalah penjumlahan seluruh komponen nilai tambah bruto yang mampu diciptakan oleh sektor-sektor ekonomi atas berbagai aktivitas produksinya yang dihitung berdasarkan harga konstan tahun 2000, dibagi dengan jumlah penduduk pertengahan tahun. Satuan PDRB perkapita adalah juta rupiah.

7 Pengangguran terbuka adalah angkatan kerja yang sedang mencari pekerjaan. Pengangguran dihitung dalam satuan ribu orang.

8 Infrastruktur jalan adalah panjang jalan total (satuan km). Panjang jalan merupakan gabungan jalan negara, provinsi, dan kabupaten/kota yang berada di provinsi tersebut. Dalam penelitian ini infrastruktur jalan merupakan rasio antara panjang jalan dengan jumlah kendaraan.

9 Infrastruktur listrik adalah total energi listrik dari PLN yang terjual (satuan GWh) dibagi dengan jumlah rumahtangga.