BAB III METODE PENELITIAN. antara tahun Data dalam penelitian ini adalah data dari 20 Negara

Teks penuh

(1)

26 BAB III

METODE PENELITIAN

3.1. Jenis dan Sumber Data

Penelitian ini menggunakan data kuantitatif tahunan pada rentang waktu antara tahun 1981-2008. Data dalam penelitian ini adalah data dari 20 Negara yang mewakili masing-masing tingkatan pertumbuhan ekonomi seluruh dunia berdasarkan klasifikasi menurut World Bank. Keseluruhan negara yang dimaksud adalah Amerika Serikat, Inggris, Itali, Jepang, Perancis, Cina, Argentina, Brazil, Malaysia, Afrika Selatan, Indonesia, India, Philipina, Nigeria, Tonga. Pengolahan data dilakukan dengan perangkat lunak Microsoft Excel 2007, Minitab, dan Eviews 6.

Tabel 3.1 Data, Satuan, Simbol, dan Sumber Data

Variabel Satuan Simbol Sumber

GDP per Kapita US $ GDP World Bank

CO2 Kilotonne CO2 World Bank

Trade per GDP Persen TRD UN-Comtrade

CH4 Kilotonne CH4 EDGAR

N2O Kilotonne N2O EDGAR

Keterangan: Word Bank , tahun 1981-2008

EDGAR (Emission Database for Global Atmospheric Research),tahun 1981-2008

3.2. Metode Analisis Data

Metode analisis yang digunakan adalah metode deskriptif dan kuantitatif. Metode deskriptif adalah metode yang berkaitan dengan pengumpulan dan penyajian gugus data sehingga memberikan informasi yang berguna. Proses

(2)

deskripsi data pada dasarnya meliputi upaya penelusuran dan pengungkapan informasi yang lebih relevan yang terkandung di dalam data dan penyajian hasilnya dalam bentu yang lebih ringkas dan sederhana, sehingga pada akhirnya mengarah pada keperluan adanya penjelasan dan penafsiran.

Metode penelitian ini juga mengandalkan proses kuantitatif untuk mendapatkan gambaran yang terstruktur dan jelas mengenai fenomena perekonomian yang terjadi. Penelitian kuantitatif berlandaskan interpretasi terhadap hasil olahan model dengan metode analisis panel data.

3.3. Spesifikasi Model

Untuk melakukan estimasi pada model data panel, terdapat dua pendekatan yang dapat dilakukan yaitu menggunakan fixed effect atau random effect. Berdasarkan hasil uji, kemudian diputuskan fixed effect yang akan

digunakan dalam penelitian ini. Pencarian model terbaik dalam menentukan pola hubungan pertumbuhan ekonomi dan keterbukaan ekonomi dengan degradasi lingkungan harus dilakukan untuk dapat memberikan gambaran yang akurat akan hubungan pertumbuhan ekonomi dengan degradasi lingkungan. Terdapat tiga model yang akan diestimasi untuk menentukan model terbaik yaitu, model persamaan linear, model persamaan kuadratik, model persamaan kubik.

Linear : Eit = βi + β1 Xit + β4 Yit + εit

Kuadratik : Eit = βi + β1 Xit + β2 (Xit)2 + β4 Yit + εit

Syarat: β2 ≠ 0, Jika β2 < 0 maka membentuk kurva-U terbalik (EKC), sedangkan jika β2 > 0 maka membentuk kurva-U.

(3)

Turning point =

Kubik : Eit = βi + β1 Xit + β2 (Xit)2 + β3 (Xit)3 + β4 Yit + εit

Syarat: β3 ≠ 0, Jika β3 < 0 maka membentuk kurva-N terbalik, sedangkan jika β3 > 0 maka membentuk kurva-N.

Turning point 1 = ²

Turning point 2 = ²

dimana:

Eit : emisi gas rumah kaca (CO2, N2O, dan CH4) untuk negara i pada tahun t

Xit : GDP per kapita untuk negara i pada tahun t

Yit : Tingkat keterbukaan ekonomi negara i pada tahun t βi : konstanta

β1, β2, β3 : koefisien regresi

εit : error term untuk negara i pada tahun t

Untuk dapat menggambarkan pola hubungan antara pertumbuhan dan tingkat keterbukaan ekonomi terhadap degradasi lingkungan secara tepat digunakan beberapa kriteria pemilihan model sehingga model yang terpilih adalah model terbaik dalam pendugaan.

Model terbaik adalah model yang memiliki Adj-R2 tertinggi dan signifikan dengan taraf nyata 5% untuk keseluruhan variabel bebas yang digunakan dalam model. Model juga harus bersifat BLUE (Best Linear Unbiased Estimator)

(4)

3.3.1. Model untuk kasus CO2

Setelah melakukan pengujian untuk mendapatkan model terbaik, didapatkan model persamaan kuadratik yang dapat menggambarkan hubungan antara pertumbuhan ekonomi dan CO2. Adapun model yang digunakan sebagai berikut.

CO2it = βi + β1 GDPit + β2 (GDPit)2 +εi………..………….………(1) CO2 = Karbondioksida (kilotonne)

GDP = GDP per kapita (US$) GDP2 = GDP2 (US$)

LnCO2it = βi + β1 LnGDPit + β2 (LnGDPit)2 + εit.………..……..(2) LnCO2 = Karbondioksida (persen)

LnGDP = GDP per kapita (persen) LnGDP2 = GDP2 (persen)

Analisis yang sama dilakukan dengan menambahkan variabel keterbukaan ekonomi yang direpresentasikan oleh persentase jumlah nilai ekspor dan import terhadap GDP sehingga membentuk persamaan.

CO2it = βi + β1 Xit + β2 (GDPit)2 + β3 (TDR)it +εit…….………..(3)

CO2 = Karbondioksida (kilotonne)

GDP = GDP per kapita (US$) GDP2 = GDP2 (US$)

TRD = Share perdagangan terhadap GDP (persen)

(5)

LnCO2 = Karbondioksida (persen) LnGDP = GDP per kapita (persen) LnGDP2 = GDP2 (persen)

LnTRD = Share perdagangan terhadap GDP (persen)

3.3.2. Model untuk kasus CH4

Untuk kasus CH4, Setelah melakukan pengujian untuk mendapatkan model terbaik, didapatkan model persamaan kubik yang dapat menggambarkan hubungan antara pertumbuhan ekonomi dan CH4. Adapun model yang digunakan sebagai berikut.

CHit = βi + β1 GDPit + β2 (GDPit)2 + β3 (GDPit)3 + εit ………...…………(5) CH4 = Metana (kilotonne)

GDP = GDP per kapita (US$) GDP2 = GDP2 (US$)

GDP3 = GDP3 (US$)

LnCHit = βi + β1 LnGDPit + β2 (LnGDPit)2 + β3 (LnGDPit)3 + ε.………..(6) LnCH4 = Metana (persen)

LnGDP = GDP per kapita (persen) LnGDP2 = GDP2 (persen)

LnGDP3 = GDP3 (persen)

Analisis yang sama dilakukan dengan menambakan variabel keterbukaan ekonomi yang direpresentasikan oleh jumlah persentase nilai ekspor dan import terhadap GDP sehingga membentuk persamaan.

(6)

CH4it = βi + β1 Xit + β2 (GDPit)2 + β3 TRDit +εit …….………..(7) CH4 = Metana (kilotonne)

GDP = GDP per kapita (US$) GDP2 = GDP2 (US$)

TRD = Share perdagangan terhadap GDP (persen)

LnCH4it = βi + β1 LnXit + β2 (LnGDPit)2 + β3 LnTRDit +εit………..(8) LnCH4 = Metana (persen)

LnGDP = GDP per kapita (persen) LnGDP2 = GDP2 (persen)

LnTRD = Share perdagangan terhadap GDP (persen)

3.3.3. Model Untuk Kasus N2O

Pada kasus N2O, setelah melakukan pengujian untuk mendapatkan model terbaik, didapatkan model linear yang dapat menggambarkan hubungan antara pertumbuhan ekonomi dan N2O. Adapun model yang digunakan sebagai berikut. N2Oit = βi + β1 GDPit + εit ………..(9) N2O = Nitrogen Oksida (kilotonne)

GDP = GDP per kapita (US$)

LnN2Oit = βi + β1 LnGDPit + εit ………(10) LnN2O = Nitrogen Oksida (persen)

(7)

Analisis yang sama dilakukan dengan menambakan variabel keterbukaan ekonomi yang direpresentasikan oleh jumlah persentase nilai ekspor dan import terhadap GDP sehingga membentuk persamaan.

N2Oit= βi + β1 (GDPit) + β2 TRDit +εit……….(8) N2O = Nitrogen Oksida (kilotonne)

GDP = GDP per kapita (US$)

TRD = Share perdagangan terhadap GDP (persen)

Ln N2Oit = βi + β1 (LnGDPit) + β2 LnTRDit +εit……….(8) LnN2O = Nitrogen Oksida (persen)

LnGDP = GDP per kapita (persen)

LnTRD = Share perdagangan terhadap GDP (persen)

3.4. Metode Analisis Regresi dan Panel Data

Ketersediaan data untuk mewakili variabel yang akan digunakan dimana kondisinya yaitu data time series pendek dan unit cross section terbatas dapat

diatasi dengan menggunakan metode panel data (pooled data). Penggunaan model

panel data tersebut digunakan dengan tujuan agar diperoleh hasil estimasi yang lebih baik (efisien) dengan meningkatnya jumlah observasi yang berimplikasi pada meningkatnya derajat kebebasan (degree of freedom).

(8)

Penggunaan data panel telah memberikan banyak keuntungan secara statistik maupun teori ekonomi. Manfaat penggunaan panel data adalah sebagai berikut:

1. Mampu mengontrol heterogenitas individu

2. Mengurangi kolinearitas antar variabel, meningkatnya degree of freedom,

lebih bervariasi dan lebih efisien

3. Mampu mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diperoleh dari data cross section murni atau time series murni

Model analisa data panel memiliki tiga macam pendekatan, yaitu pendekatan kuadrat terkecil (pooled least square), pendekatan efek tetap (fixed effect), dan pendekatan efek acak (random effect). Selain itu, di dalam melakukan

pengolahan data panel terdapat juga kriteria pembobotan yang berbeda-beda yaitu

No weighting (semua observasi diberi bobot sama), cross section weight (GLS

dengan menggunakan estimasi varians residual cross section, apabila terdapat

asumsi cross section heteroskedasticity), dan SUR (GLS dengan menggunakan covariance matrix cross section). Metode ini mengoreksi baik heteroskedastisitas

maupun autokorelasi antar unit cross section.

3.5. Pemilihan Pendekatan: Uji Haussman

Alur pengujian statistik untuk memilih pendekatan yang digunakan dapat diperlihatkan pada Gambar 3.1. Penggunaan pendekatan Pooled Least Square

dirasakan kurang sesuai dengan tujuan digunakannya data panel maka dalam penelitian ini hanya mempertimbangkan pendekatan fixed effect dan random

(9)

effect. Dalam memilih apakah fixed atau random effect yang lebih baik, dilakukan

pengujian terhadap asumsi ada tidaknya korelasi antara regresor dan efek individu. Untuk menguji asumsi ini dapat digunakan Haussman Test. Dalam uji ini dirumuskan hipotesis sebagai berikut:

H0 : Model Random Effect H1 : Model Fixed Effect

Jika nilai H hasil pengujian lebih besar dari χ2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya.

Sumber: Firdaus, 2012

Gambar 3.1. Pengujian Pemilihan Model dalam Pengolahan Data Panel

3.6. Pengujian Kriteria Ekonomi dan Statistik

Setelah mendapatkan parameter estimasi, langkah selanjutnya adalah melakukan berbagai macam pengujian terhadap parameter estimasi tersebut serta pengujian terkait model terbaik mana yang akan dipilih diantara fixed dan random. Pengujian tersebut bisa berupa pengujian ekonomi, statistik, dan ekonometrik. Fixed Effect Random Effect Pooled Least Chow Test Hausman Test

(10)

Pengujian dapat dilakukan dengan kriteria ekonomi dan statistik. Pengujian ekonomi dilakukan untuk melihat besaran dan tanda parameter yang akan diestimasi, apakah sesuai dengan teori atau tidak. Sedangkan uji kriteria statistik dilakukan dengan uji koefisien determinasi (R2)

3.6.1. Uji Koefisien Regresi Secara Individual (Uji t)

Uji t–statistik dilakukan untuk menguji apakah variabel independen secara individu mempunyai pengaruh yang signifikan terhadap variabel dependennya. Pengujian ini dilakukan untuk mengetahui secara parsial variabel independen berpengaruh secara signifikan atau tidak terhadap variabel dependen. Dalam pengujian ini dilakukan uji dua arah dengan hipotesa :

H0: βi = 0 (tidak ada pengaruh variabel independen terhadap variabel dependen) H1: βi ≠ 0 (ada pengaruh variabel independen terhadap variabel dependennya) Kriteria pengujian :

1. Ho diterima dan Ha ditolak apabila t tabel > t hitung < t tabel, artinya variabel independen tidak berpengaruh secara signifikan terhadap variabel dependen.

2. Ho ditolak dan Ha diterima apabila t tabel < t hitung > t tabel, artinya variabel independen berpengaruh secara signifikan terhadap variabel

dependent

Sedangkan nilai t hitung adalah : T hitung = βi

(11)

3.6.2. Uji Signifikansi Simultan (Uji f)

Uji-F statistik digunakan untuk menguji apakah keseluruhan variabel independen secara simultan berpengaruh terhadap variabel dependen. Pengujian ini dilakukan dengan hipotesa :

H0 = β1 = β2 = β3 = β4 = 0

(variabel independen secara bersama – sama tidak berpengaruh secara signifikan terhadap variabel dependen).

H1 ≠ β1 ≠ β2 ≠ β3 ≠ β4 ≠ 0

(variabel independen secara bersama – sama berpengaruh secara signifikan terhadap variabel dependen).

Dengan kata lain, dalam penelitian ini bila hasil F hitung menunjukkan hasil yang signifikan berarti variabel pertumbuhan ekonomi, aglomerasi dan variabel moderat secara bersama – sama berpengaruh terhadap kualitas lingkungan

Untuk menghitung F hitung digunakan rumus (Gujarati, 1995) F hitung = R2 / (k-1)

(1 – R2) / (n-k) Dimana :

R2 = koefisien determinasi n = jumlah observasi

(12)

Kriteria Pengujian:

1. H0 diterima dan H1 ditolak apabila F hitung < F tabel, artinya variabel independen secara bersama – sama tidak berpengaruh secara signifikan terhadap variabel dependen.

2. H0 ditolak dan H1 diterima apabila F hitung > F tabel, artinya variabel independen secara bersama – sama berpengaruh secara signifikan terhadap variabel dependen.

3.6.3. Uji Koefisien Determinasi (R2)

Koefisien determinasi (R2) digunakan untuk mengetahui besarnya daya menerangkan dari variabel independen terhadap variabel dependen pada model tersebut. Nilai R2 berkisar antara 0 < R2 < 1 sehingga kesimpulan yang diambil adalah:

1. Nilai R2 yang kecil atau mendekati nol, berarti kemampuan variabel-variabel bebas dalam menjelaskan variabel-variabel tak bebas sangat terbatas.

2. Nilai R2 mendekati satu, berarti variabel-variabel bebas memberikan hampir semua informasi untuk memprediksi variasi variabel tak bebas.

Dalam penelitian ini berarti, bila nilai R2 memberikan hasil yang mendekati angka 1, artinya kualitas lingkungan yang ditinjau dari tingkat emisi CO2, CH4, dan N2O dapat dijelaskan dengan baik oleh variasi variabel independen GDP, GDP2, GDP3, dan atau TDR Sedangkan sisanya (100% - nilai R2) dijelaskan oleh sebab-sebab lain di luar model.

(13)

3.6.4. Uji Autokorelasi

Istilah autokorelasi bisa didefinisikan sebagai korelasi di antara anggota observasi yang diurut menurut waktu (seperti data deret berkala) atau ruang (seperti data lintas sektoral). Uji yang paling dikenal untuk pendeteksian autokorelasi adalah statistik d Durbin-Watson (DW Test). Pengujian dengan DW

Test hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation)

dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada

variabel lag diantar variabel independen. Hipotesis yang akan diuji adalah: H0 : tidak ada autokorelasi (r = 0) H1 : ada autokorelasi (r ≠ 0)

Tabel 3.2 Uji d Durbin-Watson: Aturan Keputusan

Hipotesis nol Keputusan Jika

Tidak ada autokorelasi positif Tidak ada autokorelasi positif Tidak ada autokorelasi negatif Tidak ada autokorelasi negatif Tidak ada autokorelasi positif atau negative

Tolak

Tidak ada keputusan Tolak

Tidak ada keputusan Tidak ditolak 0 < d < dL dL ≤ d ≤ dU 4 - dL < d < 4 4 - dU ≤ d ≤ 4 - dL dU < d < 4 - dU Sumber: Gujarati, 2003 3.6.5. Uji Heterokedastisitas

Suatu asumsi kritis dari model regresi linear klasik adalah bahwa gangguan ui semuanya mempunyai varians yang sama. Jika asumsi ini tidak dipenuhi, maka mempunyai heteroskedasitas. Heteroskedasitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir OLS. Tetapi penaksir ini tidak lagi mempunyai varians minimum atau efisien . Dengan perkataan lain, sehingga tidak lagi memenuhi asumsi BLUE.

(14)

Untuk mendeteksi ada tidaknya pelanggaran ini dengan menggunakan

White Heterocdasticity Test (Gujarati, 1995). Nilai probabilitas Obs*R-squared

dijadikan sebagai acuan untuk menolak atau menerima H0. Hipotesis yang akan diuji:

H0 : homoskedastisitas H1 : heteroskedastisitas Kriteria pengujiannya adalah:

1. Probabilitas Obs*R-squared < taraf nyata , maka tolak H0 2. Probabilitas Obs*R-squared > taraf nyata , maka terima H0

3.6.6. Uji Normalitas

Uji normalitas digunakan untuk mengetahui apakah data terdistribusi normal atau tidak. Dalam penelitian ini menggunakan Jarque-Bera test (J-B test)

untuk melihat apakah data terdistribusi normal atau tidak. Uji ini menggunakan hasil residual dan chi-square probability distribution.

hipotesis yang akan diuji adalah:

H0 : Sampel berasal dari populasi yang berdistribusi normal H1 : Sampel berasal dari populasi yang tidak berdistribusi normal Kriteria pengujian adalah:

1. Bila nilai JB hitung > nilai X2tabel, maka H0 yang menyatakan residual, ut adalah berdistribusi normal ditolak.

2. Bila nilai JB hitung < nilai X2tabel, maka H0 yang menyatakan residual, ut adalah berdistribusi normal diterima.

(15)

3.7. Definisi Operasional

Penelitian ini menggunakan CO2 (carbon dioksida), CH4 (metana), dan N2O (nitrogen oksida) sebagai indikator pencemaran lingkungan karena ketiganya merupakan gas rumah kaca yang berperan aktif dalam meningkatkan suhu bumi melalui efek rumah kaca yang ditimbukan gas buangan tersebut. Gas-gas buangan tersebut ketika dilepaskan di atmosfer akan membentuk lapisan yang menahan pantulan panas matahari yang menyinari bumi seperti prinsip rumah kaca.

1. Emisi Karbondioksida (CO2)

Variabel ini diperoleh dari emisi karbondioksida (CO2) yang dinyatakan dalam

kilotonne. Karbondioksida adalah gas rumah kaca yang penting karena ia

menyerap gelombang inframerah dengan kuat. Karbondioksida dihasilkan oleh semua makhluk hidup pada proses respirasi dan digunakan oleh tumbuhan pada proses fotosintesis. Karbondioksida juga dihasilkan dari hasil samping pembakaran bahan bakar fosil.

2. Emisi Metana (CH4)

Variabel ini diperoleh dari emisi metana (CH4) yang dinyatakan dalam

kilotonne. Metana merupakan komponen utama gas alam yang termasuk gas

rumah kaca. Ia merupakan insulator yang efektif, mampu menangkap panas 20 kali lebih banyak bila dibandingkan karbondioksida. Metana dilepaskan selama produksi dan transportasi batu bara, gas alam, dan minyak bumi. Metana juga dihasilkan dari pembusukan limbah organik di tempat pembuangan sampah (landfill), bahkan dapat keluarkan oleh hewan-hewan

(16)

3. Emisi Nitrogen Oksida (N2O)

Variabel ini diperoleh dari emisi nitrogen oksida (N2O) yang dinyatakan dalam kilotonne. Nitrogen oksida adalah gas insulator panas yang sangat kuat.

Ia dihasilkan terutama dari pembakaran bahan bakar fosil dan oleh lahan pertanian. Nitrogen oksida dapat menangkap panas 300 kali lebih besar dari karbondioksida.

4. GDP per kapita merupakan GDP yang telah dibagi dengan jumlah penduduk dalam suatu negara sehingga GDP per kapita dirasa efektif dalam menggambarkan tingkat pendapatan suatu negara. Penggunaan GPD perkapita dilakukan sebagai pendekatan pertumbuhan ekonomi.

5. Volume perdagangan merupakan penjumlahan dari persentase ekspor terhadap GDP dan persentase impor terhadap GDP yang digunakan untuk mendekati keterbukaan ekonomi.

Figur

Memperbarui...

Referensi

Memperbarui...

Related subjects :