BAB III
METODE PENELITIAN
3.1. Pendekatan Penelitian
Penelitian ini menggunakan pendekatan kuantitatif, yaitu dengan menggabungkan pengujian hipotesis dengan data yang diukur sehingga akan mendapatkan hasil yang berupa pembuktian. Model dalam penelitian ini akan diestimasi dan diuji dengan menggunakan metode regresi data panel, yaitu gabungan dari jenis data runtut waktu (time series) dan data deret lintang (cross section).
3.2. Identifikasi Variabel
Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut:
1) Variabel bebas atau variabel independen (Variabel X), yaitu variabel yang dapat mempengaruhi perubahan dalam variabel terikat. Dalam penelitian ini, yang termasuk variabel independen adalah, sebagai berikut:
1. Capital-labor ratio dengan proksi pembentukan modal tetap bruto dan angkatan kerja yang bekerja (X1)
2. Pendidikan dengan proksi rata-rata lama sekolah (X2) 3. Kesehatan dengan proksi angka harapan hidup (X3)
2) Variabel terikat atau variabel dependen (Variabel Y), yaitu variabel yang dipengaruhi oleh variabel bebas. Dalam penelitian ini, variabel dependen yang digunakan adalah pertumbuhan produktivitas tenaga kerja.
3.3. Identifikasi Operasional Variabel
Agar tidak terjadi kesalahan dalam mengartikan variabel-variabel yang disebutkan di atas, berikut dijelaskan pengertian dari masing-masing variabel tersebut:
1. Capital-labor ratio
Dalam penelitian ini, capital-labor ratio dihitung dengan membandingkan pertumbuhan PMTB (Pembentukan Modal Tetap Bruto) dan pertumbuhan angkatan kerja yang bekerja di setiap provinsi di Indonesia dalam kurun waktu 2004-2013 dan dinyatakan dalam satuan persen.
2. Pendidikan (X1)
Dalam penelitian ini, tingkat pendidikan diukur dari rata-rata lama sekolah (Mean Years of Schooling) di setiap provinsi di Indonesia dalam kurun waktu 2004-2013 yang dinyatakan dalam satuan tahun.
3. Kesehatan (X2)
Dalam penelitian ini, tingkat kesehatan diukur dari angka harapan hidup (life expectancy) di setiap provinsi di Indonesia dalam kurun waktu 2004-2013 yang
dinyatakan dalam satuhan tahun.
4. Pertumbuhan produktivitas tenaga kerja adalah suatu ukuran efisiensi penggunaan sumber daya manusia dalam suatu proses produksi. Dalam
penelitian ini, pertumbuhan produktivitas tenaga kerja (Y) diukur dengan membandingkan pertumbuhan PDRB (Produk Domestik Regional Bruto) dan pertumbuhan angkatan kerja yang bekerja di setiap provinsi di Indonesia dalam kurun waktu 2004-2013 dan dinyatakan dalam satuan persen.
3.4. Jenis dan Sumber Data
Dalam penelitian ini, jenis dan sumber data yang digunakan adalah data sekunder yang diperoleh dari berbagai macam literatur, jurnal, skripsi, dan lain- lain yang didapat dari internet dan instansi yang terkait, yaitu BPS (Badan Pusat Statistik) dan The WorldBank. Sedangkan jenis data regresi yang digunakan adalah data panel (Pooled data), yaitu gabungan antara data runtut waktu (Time series) dari tahun 2004-2013 dengan data deret lintang (cross section) yang
meliputi 32 provinsi di Indonesia. Penulis hanya menggunakan 32 provinsi karena ada satu provinsi (Kepulauan Riau) yang merupakan outlier dalam penelitian ini dimana ada data yang sangat menyimpang jauh dari data provinsi lainnya.
3.5. Prosedur Pengumpulan Data
Pengumpulan data dalam penelitian ini diawali dengan studi literatur dari berbagai macam buku, jurnal, internet, dan sumber lainnya untuk mendapatkan teori-teori dan bahan acuan yang sesuai dengan topik permasalahan yang akan dibahas. Selanjutnya, pengumpulan data sekunder yang diperoleh dari Badan Pusat Statistik yang kemudian diolah dengan metode yang relevan dengan penelitian ini.
3.6. Teknik Analisis
3.6.1 Model Regresi Data Panel
Untuk rumusan masalah yang pertama, penelitian ini menggunakan fungsi produksi Cobb-Douglas sebagai dasar untuk membentuk model analisis, yaitu sebagai berikut:
Q = A f (K, L) ………(3.1) Dimana :
Q = Total Produksi
A = Total Factor Productivity K = Modal (capital)
L = Tenaga kerja (labor)
Karena dalam penelitian ini hanya akan melihat produktivitas parsial, yaitu produktivitas tenaga kerja, serta melihat pengaruh dari pendidikan dan juga kesehatan, maka fungsi produksi dimodifikasi menjadi sebagai berikut (Total factor productivity diasumsikan konstan):
= A f ( , X1, X2 )………....…(3.2)
� = A f ( X1,, X2, X3 )………..…….. .
� sebagai variabel dependen (pertumbuhan produktivitas tenaga kerja) yang dipengaruhi oleh tiga variabel independen, yaitu capital-labor ratio, pendidikan, dan kesehatan dinyatakan dalam bentuk persamaan regresi berganda sebagai berikut:
Ln Y(it)= Ln A + β1 Ln X1(it) + β2 X2(it) + β3X3(it) + eit………...…… . Dimana :
Ln Y = Pertumbuhan produktivitas tenaga kerja Ln X1 = capital-labor ratio
X2 = Rata-rata lama sekolah X3 = Angka harapan hidup Ln A = Kemajuan teknologi β1, β2, β3 = Koefisien regresi
e = error / variabel pengganggu
Dalam penelitian ini, estimasi yang digunakan adalah estimasi data panel, yaitu gabungan antara data runtut waktu (time series) dan cross section. Yang dapat menjelaskan dua jenis informasi, yaitu informasi perbedaan antar individu (data cross section) dan informasi perubahan periode waktu (data time series).
Terdapat tiga metode dalam metode regresi data panel, yaitu PLS (Pooled Least Square), FEM (Fixed Effect Model), dan REM (Random Effect Model). Dari tiga
metode tersebut, akan dipilih jenis pendekatan yang paling sesuai. Berikut meerupakan penjelasan ketiga metode yang bisa digunakan untuk mengestimasi model regresi panel:
1. Pooled Least Square (PLS)
Pendekatan PLS merupakan metode estimasi data panel yang paling sederhana dimana hanya dilakukan kombinasi terhadap data time series dan cross section tanpa memperhatikan dimensi objek maupun waktu. Pendekatan ini diasumsikan bahwa intercept dan slope dari persamaan regresi dianggap konstan. Selain itu diasumsikan juga bahwa error term (µit) terdistribusi secara
independen dan varians yang konstan. Model data panel dengan pendekatan PLS adalah sebagai berikut (Gujarati, 2012:239):
Yit= β1+ β2X2it + β3X3it + .... + βnXnit + µit ...(3.5) 2. Fixed Effect Model (FEM)
Dalam pendekatan FEM ini, digunakan variabel dummy dalam teknik estimasi data panel untuk mengetahui adanya perbedaan intercept. Variabel dummy ini berguna untuk menangkap adanya perbedaan intercept antar individu dan antar waktu. Model data panel untuk FEM adalah sebagai berikut:
Yit= α1+ α2D2+ .... + αnDn+ β2X2it+ .... + βnXnit + µit ... (3.6) 3. Random Effect Model (REM)
Pendekatan REM merupakan teknik estimasi data panel yang memperhitungkan adanya variabel gangguan (error) yang saling berhubungan baik antara waktu maupun antar individu yang dicerminkan lewat intercept yang diakomodasi lewat error yang mungkin berkorelasi sepanjang cross section dan time series. Model data panel untuk REM adalah sebagai berikut :
Yit= β1+ β2X2it+ β3X3it+ .... + βnXnit+ µit + �i ... (3.7)
3.6.2 Pengukuran Pertumbuhan Produktivitas Tenaga Kerja
Untuk rumusan masalah kedua, penulis melihat gambaran pertumbuhan produktivitas tenaga kerja yang dijelaskan secara deskriptif. Menurut Nicholson (2008:296), menghitung produktivitas tenaga kerja sama dengan menghitung produksi rata-rata (average product), sehingga untuk melihat pertumbuhan produktivitas tenaga kerja (Y) dihitung dengan rumus sebagai berikut:
Y = ℎ � �
Per Te Ker ……...……….. (3.8) Dalam menjawab rumusan masalah kedua, penulis menggambarkan dalam grafik scatter plot 4 kuadran dengan melihat dari dua sisi, yaitu pertumbuhan
produktivitas tenaga kerja dari hasil rata-rata selama 10 tahun periode penelitian di 32 provinsi di Indonesia dan membandingkannya dengan rata-rata pertumbuhan ekonomi selama 10 tahun periode penelitian di 32 provinsi di Indonesia dengan proksi PDRB provinsi (dalam konstan). Menurut fungsi produksi agregat Cobb Douglas dijelaskan bahwa tenaga kerja merupakan salah satu sumber utama pertumbuhan ekonomi. Oleh karena itu, peningkatan pada produktivitas tenaga kerja akan mendorong pertumbuhan ekonomi.
Dalam grafik scatter plot dibagi menjadi 4 kuadran, yaitu kuadran I, kuadran II, kuadran III, dan kuadran IV. Kuadran I terdiri dari provinsi-provinsi dengan nilai pertumbuhan produktivitas tenaga kerja dan pertumbuhan output yang positif. Kuadran II terdiri dari provinsi-provinsi dengan pertumbuhan produktivitas tenaga kerja yang bernilai negatif dan pertumbuhan output yang bernilai positif. Kuadran III terdiri dari provinsi-provinsi dengan pertumbuhan output dan pertumbuhan produktivitas tenaga kerja yang bernilai negatif. Dan kuadran IV terdiri dari provinsi-provinsi dengan nilai pertumbuhan produktivitas yang positif dan pertumbuhan output yang bernilai negatif.
3.6.3 Pemilihan Estimasi Data Panel 3.6.2.1 Uji F-restricted
Uji F-restrictred digunakan untuk memilih antara pendekatan PLS dan
FEM. Uji ini merupakan uji perbedaan dua regresi untuk menentukan teknik regresi data panel yang lebih baik diantara PLS dan FEM dengan cara melihat Residual Sum of Square (RSS). Uji F-restricted ini sering pula disebut Uji Chow
yaitu sebagai berikut :
� � = − /
1 − / − �
Keterangan :
= R2 metode PLS = R2metode FEM
m = jumlah restricted variable n = jumlah sampel
k = jumlah variabel penjelas dan elemen cross section Dengan hipotesis dan kriteria sebagai berikut :
H0 :Pooled Least Square (PLS) H1 :Fixed Effect Model (FEM)
1. Jika nilai Fhitung< FTabel pada tingkat keyakinan (� maka hipotesis H0 tidak ditolak. Hal ini mengGambarkan teknik estimasi yang digunakan adalah model PLS.
2. Jika nilai Fhitung> FTabel pada tingkat keyakinan (� maka hipotesis H0 ditolak.
Hal ini mengGambarkan teknik estimasi yang digunakan adalah model FEM.
3.6.2.2 Uji Hausman
Uji Hausman digunakan untuk memilih diantara pendekatan REM dan FEM dengan membuat hipotesis sebagai berikut :
H0 : Random Effect Model (REM) H1 : Fixed Effect Model (FEM)
Pedoman yang akan digunakan dalam pengambilan kesimpulan uji Hausman adalah sebagai berikut :
1. Jika �ℎ� �� �ℎ� < �ℎ� �� � atau apabila P-value Chi Square>α maka hipotesis H0 tidak ditolak. Hal ini mengGambarkan teknik estimasi yang digunakan adalah model REM.
2. Jika �ℎ� �� �ℎ� > �ℎ� �� � atau apabila P-value Chi Square<α maka hipotesis H0 ditolak. Hal ini mengGambarkan teknik estimasi yang digunakan adalah model FEM.
3.6.3 Pengujian Statistik Model 3.6.3.1 Uji t-Statistik (Parsial)
Uji t-Statistik ini dilakukan untuk melihat signifikansi pengaruh individual (parsial) dari variabel-variabel bebas dalam model terhadap variabel terikatnya. Salah satu cara untuk melakukan uji t-statistik ini adalah dengan menggunakan konsep P-value yaitu dengan membandingkan nilai P-value (nilai
probabilitas tiap variabel) dengan tingkat signifikansi yang digunakan. Hipotesis dalam penelitian ini secara statistik dapat dirumuskan sebagai berikut :
1. H0 :βi = 0 (artinya tidak ada pengaruh antara variabel bebas terhadap variabel terikat)
2. H1 :βi ≠ 0 (artinya terdapat pengaruh antara variabel bebas terhadap variabel terikat)
Adapun kriteria untuk menolak atau menerima hipotesis adalah sebagai berikut :
a. Jika P-value < α maka H0 ditolak.
b. Jika P-value > α maka H0 tidak ditolak.
3.6.3.2 Uji F-Statistik (Simultan)
Uji F-statistik ini bertujuan untuk mengetahui apakah variabel bebas secara bersama-sama mampu menjelaskan variabel terikat. Uji F-statistik dapat dilakukan dengan cara membandingkan nilai �ℎ� dan � . Sama halnya dengan uji t-statistik, dalam uji F-statistik ini juga mengguakan hipotesis, yaitu sebagai berikut :
1. H0 : β1 = β2 = β3 = ... βn = 0 (artinya tidak ada pengaruh secara simultan dari variabel bebas terhadap variabel terikat).
2. H1 : Paling tidak ada satu koefisien variabel bebas yang dapat dipakai sebagai estimator model.
Adapun kriteria untuk menolak atau menerima hipotesis adalah sebagai berikut :
a. Jika P-value > α atau �ℎ� >� , maka H0 tidak ditolak.
b. Jika P-value < α atau �ℎ� <� , maka H0 ditolak.
3.6.3.3 Koefisien Determinasi (R2)
Koefisien determinasi merupakan angka yang menunjukkan besarmya derajat kemampuan menerangkan variabel bebas terhadap variabel terikat dari suatu fungsi tersebut (Gujarati, 2004:536). Dengan kata lain bahwa R2 dapat mengukur tingkat keberhasilan model regresi yang digunakan dalam memprediksi nilai variabel terikat. Nilai R2 berkisar antara 0 sampai dengan 1, yaitu dengan ketentuan sebagai berikut :
1. Jika R2 semakin mendekati angka 1, maka hubungan antara variabel bebas dengan variabel terikat semakin dekat, dengan kata lain model tersebut dapat dinilai baik.
2. Jika R2 semakin menjauhi angka 1, maka hubungan antara variabel bebas dengan variabel terikat tidak dekat, dengan kata lain model tersebut dapat dinilai kurang baik.
3. Jika R2sama dengan nol, variabel bebas tidak mampu atau lemah dalam menjelaskan variabel terikat.
4. Jika R2sama dengan 1, dapat diartikan bahwa variabel bebas dapat menjelaskan variabel terikat secara sempurna.
3.6.4 Pengujian Asumsi Klasik
Dalam melakukan estimasi persamaan linier dengan menggunkan metode OLS, maka asumsi-asumsi dari OLS harus dipenuhi. Jika asumsi tersebut tidak
dipenuhi, maka tidak akan menghasilkan nilai parameter yang BLUE (Best Linier Unbiased Estimator). Ada tiga cara untuk mendeteksi asumsi-asumsi OLS, yaitu:
1. uji asumsi berkaitan dengan masalah adanya hubungan antara variabel independen dalam regresi berganda (multikolinearitas).
2. uji adanya varian residual yang tidak konstan (heteroskedastisitas).
3. uji adanya hubungan residual antara satu observasi dengan observasi yang lain (autokorelasi).
3.6.4.1. Uji Heteroskedastisitas
Heteroskedastisitas merupakan keadaan dimana varians dari setiap gangguan tidak konstan. Untuk mendeteksi adanya masalah heteroskedastisitas dapat dilihat pada residual dari hasil estimasi. Jika residual bergerak konstan artinya tidak ada heteroskedastisitas dan jika membentuk suatu pola tertentu maka mengindikasikan adanya heteroskedastisitas.
Terdapat berbagai cara pendeteksian heteroskedastisitas, antara lain uji Park, uji Glejser, uji White, uji Breusch-Pagan, dan uji Goldfeld-Quant. Dalam penelitian ini, heteroskedastisitas dideteksi menggunakan uji Breusch-Pagan.
Pengujian heteroskedastisitas dilakukan dengan hipotesis sebagai berikut:
H0 : Tidak terdapat heteroskedastisitas H1 : Terdapat heteroskedastisitas
Dengan ketentuan H0 ditolak jika probabilitas F lebih kecil dari tingkat signifikansi 5%. Sedangkan H0 diterima jika probabilitas F lebih besar dari tingkat signifikansi 5%.
3.6.4.2. Uji Multikolinearitas
Multikolinearitas adalah adanya hubungan linear yang signifikan antara beberapa atau semua variabel independen dalam model regresi. Hubungan linier antar variabel independen dapat terjadi dalam bentuk hubungan yang sempurna dan hubungan linier yang kurang sempurna. Adanya multikolinearitas masih menghasilkan estimator yang BLUE, tetapi menyebabkan suatu model mempunyai varian yang besar (Widarjono, 2005: 132).
Untuk mendeteksi ada tidaknya multikolinearitas dapat dilihat dari koefisien korelasi (r2) dari masing-masing variabel independen melalui uji Pearson Correlation Coefficient. Pengujian multikolinearitas dilakukan dengan
hipotesis sebagai berikut:
H0 : Tidak terdapat multikolinearitas H1 : Terdapat multikolinearitas
Dengan ketentuan jika VIF memiliki nilai yang tinggi atau lebih besar dari 0,8 berarti terjadi multikolinearitas atau H0 ditolak. Sedangkan jika VIF memiliki nilai lebih kecil dari 0,8 berarti tidak terjadi multikolinearitas atau H0 diterima.
Selain itu, pendeteksian multikolinearitas juga dapat dilakukan dengan Pairwise Correlation Test. Jika nilai dari setiap variabel lebih besar dari 0,8, maka model regresi terindikasi adanya multikolinearitas.
3.6.4.3. Uji Autokorelasi
Autokorelasi adalah adanya korelasi antara satu variabel gangguan dengan variabel gangguan lain (Widarjono, 2005:155). Penyebab terjadinya autokorelasi antara lain karena adanya faktor-faktor kelambanan (inersia), adanya faktor-faktor
lain yang tidak dimasukkan ke dalam model, bentuk fungsi yang tidak tepat, penggunaan lag pada model, dan adanya manipulasi data.
Pengujian terhadap autokorelasi dilakukan dengan dengan hipotesis sebagai berikut:
H0: Tidak terdapat autokorelasi H1: Terdapat autokorelasi
Dengan ketentuan H0 ditolak atau terdapat autokorelasi jika nilai probabilitas F lebih kecil dari tingkat signifikansi 5%. Sedangkan H0 diterima atau tidak terdapat autokorelasi jika nilai probabilitas F lebih besar atau sama dengan tingkat signifikansi 5%.
