BAB III METODE PENELITIAN

53 BAB III

METODE PENELITIAN

A. Jenis Penelitian

Penelitian yang digunakan adalah jenis penelitian kuantitatif, dimana peneliti mengambil data, menentukan variabel dan yang kemudian diukur dengan angka agar bisa dilakukan analisa sesuai dengan prosedur statistik yang berlaku. Penelitian dilakukan untuk mengetahui keterkaitan antara pengaruh variabel bebas (independen) terhadap variabel terkait (dependen) yakni pengaruh inflasi, investai, dan pendapatan asli daerah terhadap produk domestik regional bruto (PDRB).

B. Populasi dan Sampel 1. Populasi

Menurut (M. P. B. Sugiyono & Ketujuh, 2004) populasi adalah wilayah generalisasi terdiri atas obyek/subyek yang mempunyai kualitas dan karakteristik tertentu diterapkan peneliti untuk dipelajari dan kemudian di tarik kesimpulan.

Populasi dalam penelitian ini adalah 34 provinsi yang ada di Indonesia.

2. Sampel

Dalam Penelitian ini sampel yang digunakan adalah 34 Provinsi yang ada di Indonesia. Periode yang digunakan sebanyak 5 tahun, jumlah data dalam penelitian.

Inflasi, Investasi, dan Pendaptan Asli Daerah tahun 2016-2020.

C. Jenis Data dan Sumber Data

Jenis data yang digunakan untuk pengumpulan data dan informasi dalam penelitian ini yakni menggunakan data sekunder. Peneliti memperoleh data dari berbagai instansi yang terkait sesuai keperluan penelitan. Instansi-instansi tersebut antara lain Badan Pusat Statistik (BPS), Direktorat Jenderal Perimbangan Keungan (DJPK) dan juga yang bersifat eksternal didapat melalui sumber-sumber di luar dari

54

data yang di publikasikan, dan juga artikel, jurnal, dan internet yang berkaitan dengan variabel-variabel penelitian.

D. Teknik Pengumpulan Data

Jenis data yang digunakan untuk pengumpulan data dan informasi dalam penelitian ini yakni menggunakan data sekunder. Peneliti memperoleh data dari berbagai instansi yang terkait sesuai keperluan penelitian. Instansi-instansi tersebut antara lain Badan Pusat Statistik (BPS). Dan juga yang eksternal didapat melalui sumber-sumber di luar dari data yang di publikasikan, dan juga artikel, jurnal, dan internet yang berkaitan dengan variabel-variabel penelitian.

E. Definisi Operasional Variabel

Definisi operasional dan pengukuran variabel berisi pernyataan tentang arti dan maksud variabel-variabel penelitian, dimaksutkan agar tidak terjadi salah pengertian terhadap variabel yang dibahas serta memudahkan dalam penerapan data yang digunakan. Variabel-variabel yang digunakan dalam menganalisa penelitian ini dapat dijabarkan sebagai berikut:

1. Variabel bebas (Independent variabel)

Variabel bebas merupakan variabel yang keberadaannya tidak dipengaruhi oleh variabel lainny, antara lain:

a. Inflasi (X1)

Inflasi yang dimaksud adalah suatu proses meningkatnya harga-harga secara umum dan terus-menerus, kenaikan harga dari satu atau dua barang saja tidak dapat disebut inflasi kecuali bila kenaikan itu meluas pada barang lainnya.

Variabel ini diukur dari seberapa tinggi harga yang terus-menerus naik setiap tahun pada 34 Provinsi di Inonesia. Data Inflasi diambil dari 34 provinsi yang ada dalam angka di Badan Pusat Statistik.

b. Investasi (X2)

Investasi yang dimaksud dalam penelitian ini adalah akitivitas menempatkan modal baik berupa uang atau aset berharga lainnya ke dalam

55

suatu benda, lembaga atau suatu pihak dengan harapan pemodal atau investor kelak akan mendapatkan keuntungan setelah kurun waktu tertentu. Data Investasi di ambil dari 34 provinsi di Indonesia dalam angka dan Produk Domestik Regional Bruto (PDRB) di 34 provinsi Indonesia Badan Pusat Statistik dari tahun 2016-2020.

c. Pendapatan Asli Daerah (PAD)

Pendapatan Asli Daerah (X3), selanjutnya disebut PAD adalah pendapatan yang diperoleh daerah yang dipungut berdasarkan peraturan daerah sesuai dengan peraturan perundang-undangan. PAD terdiri dari Hasil Pajak Daerah (HPD), Retribusi Daerah (RD), Pendapatan dari Laba Perusahaan Daerah (PLPD).

2. Variabel terikat (Dependent variabel).

Variabel dependen yang di gunakan dalam penelitian ini adalah Produk Domestik Regional Bruto (Y). PDRB adalah jumlah nilai tambah bruto yang timbul dari seluruh sektor perekonomian di daerah tersebut. Variabel ini di ukur berdasarkan PDRB atas harga konstan 34 provinsi Indonesia di BPS ( Badan Pusat Statistik).

Tabel 3.1 Operasional Variabel

No Variabel Simbol Sumber Data Data

1

Produk Domestik Regional Bruto (PDRB)

Y BPS Tahunan

2 Inflasi X1 BPS Tahunan

3 Investasi X2 BPS Tahunan

4

Pendapatan Asli Daerah (PAD)

X3 BPS Tahunan

56 F. Teknik Analisis Data

Untuk mencapai tujuan penelitian yang telah diidentifikasi pada bagian sebelumnya, maka penelitian ini akan menggunakan teknik analisi deskriftif kuantitatif. Secara spesifik, teknik analisis tersebut akan diuraikan sebagai berikut:

Analisi kuantitatif berupa analisis regresi berganda (Multiple Regression Analysis) berkaitan dengan ketergantugan suatu variable, yakni variable dependen dengan satu atau lebih variable independen (variable penjelas) yang digunakan untuk mencapai tujuan kedua, yaitu menganalisis pengaruh inflasi, investasi, dan pendapatan asli daerah pada produk domestik regional bruto.

Penelitian ini menggunakan metode analisis regresi linier berganda dengan metode regresi data panel (pooled data) dengan melalui program software Microsoft Excel 2016 dan E-views 2009, yang mana akan dipilih pendekatan yang terbaik dari common effect, fixed effect, random effect dengan cara menggunakan suatu uji regresi data panel yaitu Uji Chow, Uji Hausman, dan Uji Lagrange Multiplier.

Penelitian ini untuk mengetahui seberapa besar perkembangan dan pengaruh variable independen yaitu jumlah penduduk, investasi dalam negeri, dan belanja langsung terhadap variable dependen yaitu pertumbuhan ekonomi. Model persamaan sebagai berikut:

𝑳𝒐𝒈𝐏𝐃𝐑𝐁_𝒊𝒕= 𝜶 + 𝜷_𝟏𝑳𝒐𝒈𝐈𝐧𝐟𝐥𝐚𝐬𝐢𝐉𝐏_𝒊𝒕+ 𝜷_𝟐𝑳𝒐𝒈𝑰𝒏𝒗𝒆𝒔𝒕𝒂𝒔𝒊_𝒊𝒕+ 𝜷_𝟑𝑳𝒐𝒈𝐏𝐀𝐃_𝒊𝒕+ 𝜺 Keterangan:

PDRB_𝑖𝑡 : PDRB harga konstan Provinsi Indonesia (Miliar Rupiah)

𝛼 : Konstanta

𝛽₁, 𝛽₂, 𝛽₃ : Koefisienregresi

𝐼𝑛𝑓𝑙𝑎𝑠𝑖_𝑖𝑡 : Jumlah Inflasi Provinsi Indonesia i pada tahun t 𝐼𝑛𝑣𝑒𝑠𝑡𝑎𝑠𝑖_𝑖𝑡 : Realisasi Investasi Provinsi Indonesia i pada tahun t

𝑃𝐴𝐷_𝑖𝑡 : Realisasi Pendapatan Asli Daerah Provinsi Indonesiai pada tahun t

𝜀 : error term

Log : Pengolahan data menggunakan Log.

57

Dalam metode estimasi model regresi dengan menggunakan data panel dapat dilakukan melalui tiga pendekatan, yaitu:

1. Commone Effect (CE) / Ordinary Least Square Pooled (OLS)

Model common effect diartikan sebagai pendekatan model data panel paling sederhana yakni hanya menggabungkan antara data indivusi (cross-section) data runtut waktu (time series). Pada model ini memilki kemampuan dalam menjelaskan suatu individu berperilaku berbeda dengan indivisu dan juga sekaligus mengetahui bagaimana perbedaan pola perubahan variable antar waktu. Model ini persis sama dengan model regresi linier berganda yang menggunakan pendekatan Ordinary Least Square (OLS) atau teknik kuadrat terkecil untuk mengestimasi model data panel. Model dari common effect adalah:

𝒀_𝒊𝒕 = 𝜷_𝟎+ 𝜷_𝟏𝑿_𝟏𝒊𝒕+ 𝜷_𝟐𝑿_𝟐𝒊𝒕 + ⋯ + 𝜷_𝒏𝑳𝒐𝒈 𝑿_𝒏𝒊𝒕+ 𝜺_𝒊𝒕 2. Fixed Effect Model (FE)

Pendekatan Fixed Effect merupakan pendekatan yang muncul karena diantara efek individu dan perubah penjelasnya memiliki pola yang sifatnya tidak acak. Hal ini membuat komponen error dari efek individu dan perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya, namun demikian slopnya sama antar variabel. Model estimasi ini menggunakan teknik Least Squares Dummy Variable (LSDV). Berikut adalah model FE dengan menambahkan variabel dummy untuk mengizinkan adanya perubahan intercept:

𝒀_𝒊𝒕 = 𝜷_𝟎𝒊𝒕+ 𝜷_𝟏𝑿_𝟏𝒊𝒕+ 𝜷_𝟐𝑿_𝟐𝒊𝒕 + ⋯ + 𝜷_𝒏𝑳𝒐𝒈 𝑿_𝒏𝒊𝒕+ 𝜺_𝒊𝒕 3. Random Effect Model (RE)

Pendekatan Random Effect disebabkan variasi karena individu dan regresir tidak memiliki korelasi, sehingga menyebabkan komponen error dari efek individu dan waktu dimasukkan ke dalam error. Model ini mengestimasi data panel yang variabel residual diduga memiliki hubungan antar waktu dan antar subjek. Pendekatan model random effect memperbaiki efisiensi proses least

58

square dengan memperhitungkan error dari data cross-section dan time series.

Model RE adalah variasi dari Generalized Least Square (GLS):

𝒀_𝒊𝒕= 𝜷_𝟎𝒊𝒕+ 𝜷_𝟏𝑿_𝟏𝒊𝒕+ 𝜷_𝟐𝑿_𝟐𝒊𝒕+ ⋯ + 𝜷_𝒏𝑳𝒐𝒈 𝑿_𝒏𝒊𝒕+ (𝝅_𝒊+ 𝒖_𝒊𝒕) Dimana 𝑤_𝑖𝑡 = 𝑢_𝑖𝑡 + 𝜀_𝑖𝑡 yaitu error term gabungan 𝑤_𝑖𝑡 terdiri atas dua komponen: 𝑢_𝑖𝑡 yaitu komponen error gabungan time series dan cross-section dan 𝜀_𝑖𝑡 yaitu komponen error cross-section atau spesifik individual.

Penentuan Model Estimasi:

Menggunakan data panel untuk penelitian terdapat beberapa pengujian yang dapat dilakukan untuk memilih model yang paling tepat. Berikut uji yang perlu dilakukan dalam data panel, yaitu:

a. Uji Chow

Uji chow digunakan untuk memilih salah satu model pada regresi data panel, yaitu antara model koefisien tetap (CEM) atau model efek tetap (FEM). Berikut adalah prosedur pengujiannya (Sriyana, 2015).

a) Hipotesis

H0 : 𝛽₀₁= 𝛽₀₂= 𝛽₀₃= ⋯ = 𝛽_0𝑁 (CEM atau efek i dan t tidak berarti) H1 : minimal terdapat satu i dengan 𝛽_0𝑖 ≠ 0 (FEM atau efek i dan t berarti) b) Tingkat signifikansi

α = 5%

c) Daerah kritis

Tolak H0 jika Fhitung > Ftabel atau p-value < α d) Statistik uji

𝐹_{ℎ𝑖𝑡𝑢𝑛𝑔} = (𝑅𝑆𝑆₁− 𝑅𝑆𝑆₂)/(𝑛 − 1) 𝑅𝑆𝑆₂/(𝑛𝑇 − 𝑛 − 𝐾) dimana:

𝑅𝑆𝑆 = ∑^𝑛_𝑡=1(𝑌_𝑖𝑡− (𝛽_0𝑖𝑡+ 𝛽_1𝑖𝑡))² dengan:

RSS1 = residual sum of square dari model CEM

59

RSS2 = residual sum of square dari model FEM n = jumlah unit (cross section)

T = jumlah periode waktu (time series) K = jumlah variabel independen

Yit = variabel dependen unit ke-i periode waktu ke-t 𝛽_0𝑖𝑡= intercept dari model

𝛽_𝑗𝑖𝑡= slope dari model e) Kesimpulan

Apabila H0 ditolak, maka menggunakan FEM b. Uji Haussman

Uji hausman digunakan untuk memilih salah satu model pada regresi data panel, yaitu antara model efek acak (REM) atau model efek tetap (FEM). Fungsi dari uji ini adalah untuk menguji apakah terdapat hubungan antara error pada model dengan satu atau lebih variabel independen dalam model. Berikut adalah prosedur pengujiannya (Sriyana, 2015).

a. Hipotesis

H0 : E(µi,eit) = 0 (REM atau tidak ada hubungan) H1 : E(µi,eit) ≠ 0 (FEM atau ada hubungan) b. Tingkat signifikansi

α = 5%

c. Daerah kritis

Tolak H0 jika w > χ² atau p-value < α d. Statistik uji

̂𝑤 = 𝑞̂𝑉𝑎𝑟 (𝑞̂)⁻¹𝑞̂

dimana:

𝑞̂ = [𝛽̂₀− 𝛽̂_{0𝐺𝐿𝑆}]𝑑𝑎𝑛 𝑉𝑎𝑟(𝑞̂) = 𝑉𝑎(𝛽̂₀) − 𝑉𝑎𝑟(𝛽̂_{0𝐺𝐿𝑆}) 𝛽̂₀ =^{∑ 𝑦 ∑ 𝑥2−∑ 𝑥 ∑ 𝑥𝑦}

(𝑚 ∑ 𝑥²)−∑(𝑥)² dan var = ¹

𝑚 (∑𝑥_𝑖− 𝑋)² dengan:

w = nilai estimasi

60 𝛽̂₀ = intercept dari FEM

𝛽̂_{0𝐺𝐿𝑆} = intercept dari REM

Var = nilai variansi masing-masing model e. Kesimpulan

Apabila H0 ditolak, maka menggunakan FEM, sedangkan apabila keputusan gagal tolak H0 maka menggunakan REM.

Menurut Rosadi (2011) dalam Pangestika (2015) uji ini bertujuan untuk melihat apakah terdapat efek random di dalam panel data. Dalam uji hausman diperlukan asumsi bahwa banyaknya kategori dalam cross section (individu) harus lebih besar dibandingkan jumlah variabel independen 25 (termasuk konstanta) dalam model. Pada uji hausman diperlukan estimasi variansi cross section yang positif, yang tidak selalu dapat dipenuhi oleh model. Apabila kondisi-kondisi seperti ini tidak terpenuhi maka hanya dapat digunakan FEM.

Uji Asumsi Klasik

Setelah dilakukan pemilihan model regresi data panel selanjutnya dilakukan uji asumsi klasik yang pada penelitian ini digunakan pengujian asumsi klasik sebagai berikut:

1. Uji Multikolinieritas

Uji multikolinearitas bertujuan untuk mengetahui apakah ada hubungan linear yang kuat diantara variabel yang menjelaskan model regresi (variabel prediktor). Model yang baik adalah model yang variabel prediktornya tidak memiliki hubungan atau independen. Multikolinearitas terjadi karena terdapat korelasi atau hubungan linear yang kuat diantara beberapa variabel prediktor, sehingga sulit untuk memisahkan pengaruh antara variabel-variabel itu secara individu terhadap variabel dependennya (Pangestika, 2015). Pengujian multikolinearitas dilihat dari besaran tolerance dan VIF (Variance Inflation Factor). Apabila nilai tolerance < 0.1 atau nilai VIF > 10 maka dapat dikatan terjadi multikolinearitas (Hasan, 2006).

61

Beberapa indikator untuk mendeteksi adanya multikolinearitas menurut Gujarati (2006), antara lain:

a. Nilai R² yang terlalu tinggi (lebih dari 0.8) namun tidak ada atau sedikit tstatistik yang signifikan.

b. Nilai F-statistik signifikan namun t-statistik dari masing-masing variabel independen tidak signifikan.

2. Uji Heteroskosdatisistas

Uji heteroskedastisitas bertujuan untuk mengetahui apakah variansi error bersifat tetap konstan (homoskedastisitas) atau berubah-ubah (heteroskedastisitas). Pengujiannya adalah sebagai berikut (Pangestika, 2015).

a. Hipotesis

H0 : 𝑎_𝑖² = 𝑎²(variansi error tetap atau homoskedastisitas)

H1 : minimal ada satu 𝑎_𝑖² ≠ 𝑎² (variansi error berubah-ubah atau heteroskedastisitas); i=1,2,...,N

b. Tingkat signifikansi α = 5%

c. Daerah kritis

Tolak H0 jika LM > χ² (α, N-1) atau p-value < α d. Statistik uji

𝐿𝑀 =^𝑇

2∑ (^𝜎𝑖2

𝜎²− 1)

𝑁𝑖=1 2

dengan:

T = banyaknya data time series N = banyaknya data cross section 𝜎_𝑖²= variansi error persamaan ke-i 𝜎²= variansi error persamaan sistem e. Kesimpulan

Apabila nilai LM > χ² atau p-value < α maka variansi error bersifat heteroskedastisitas.

62 3. Uji Autokorelasi

Autokorelasi adalah suatu keadaan di mana terdapat hubungan di antara residual waktu (error) dalam suatu model regresi, Adanya autokolerasi ./mengakibatkan kesalahan pada estimasi varian dari suatu penaksir menjadi tidak efisien. Penyebab adanya autokorelasi salah satunya adalah kesalahan pada spesifikasi pemodelan ekonometrika atau pola hubungan alami suatu data, biasanya terjadi pada data time series.

Dalam melakukan uji autokorelasi digunakan uji Durbin-Watson untuk mencari masalah dalam autokorelasi (DW test). Uji DW test dilakukan dengan cara membandingkan DW dari hasil statistik dengan DW tabel. Jika nilai durbin- watson < dL atau nilai durbin watson > 4-dL maka diputuskan untuk menolak H0. Jika nilai dU < nilai durbin watson < 4-dU maka gagal tolak H0. Jika nilai dL < d < dU atau 4-dU < d < 4-dL, maka uji durbin watson tidak menghasilkan hasil yang akurat (inconclusive).

Pengujian Hipotesis:

a. Uji F

Uji F digunakan untuk menguji hipotesis koefisien (slope) regresi secara bersamaan. Uji ini juga bertujuan untuk menentukan apakah model yang terpilih layak digunakan atau tidak. Berikut adalah hipotesisnya (Pangestika, 2017).

a) Hipotesis

H0 : 𝛽₁ = 𝛽₂ = 𝛽₃ = ⋯ = 𝛽_𝑘 = 0 H1 : paling tidak ada satu slope ≠ 0 b) Tingkat signifikansi

α = 5%

c) Daerah kritis

Tolak H0 jika nilai Fhitung > Ftabel atau p-value < α d) Statistik uji

𝐹_{ℎ𝑖𝑡𝑢𝑛𝑔} = 𝐸𝑆𝑆/(𝑘 − 1) (𝑖 − 𝐸𝑆𝑆)/(𝑛 − 𝑘)

63 dimana:

𝐸𝑆𝑆 =∑ 𝑌 + ∑ 𝑋. 𝑌 − 𝑚(𝑌)²

∑ 𝑋. 𝑌 − 𝑚(𝑌)² dengan:

ESS = koefisien determinasi n = jumlah observasi

k = jumlah variabel e) Kesimpulan

Apabila nilai Fhitung > Ftabel atau p-value < α maka variabel independen secara bersama-sama berpengaruh terhadap variabel dependen.

b. Uji t

Uji t digunakan untuk menguji hipotesis koefisien (slope) regresi secara individu. Berikut hipotesis uji t menurut Pangestika (2015).

H0 : 𝛽_𝑗 = 0

H1 : 𝛽_𝑗 ≠0; j=0,1,2,...,k (k adalah koefisien slope)

Berdasarkan hipotesis diatas, pengujian akan dilakukan terhadap koefisien regresi populasi apakah sama dengan nol (𝛽_𝑗 = 0), yang berarti variabel independen tidak mempunyai pengaruh yang signifikan terhadap variabel dependen. Namun apabila (𝛽_𝑗 ≠ 0) maka variabel independen mempunyai pengaruh yang signifikan terhadap variabel dependen. Dalam uji regresi sederhana, mempunyai dua koefisien regresi yakni intercept dan slope, sehingga akan dibuat dua buah hipotesis, yakni:

a) Hipotesis

- Untuk intercept H0 : 𝛽_𝑗 = 0 H1 : 𝛽_𝑗 ≠ 0 - Untuk slope

H0 : 𝛽_𝑗 = 0 H1 : 𝛽_𝑗 ≠ 0

64 b) Tingkat signifikansi

α = 5%

c) Daerah kritis

Tolak H0 jika nilai thitung > ttabel atau p-value < α d) Statistik uji

𝑡_{ℎ𝑖𝑡𝑢𝑛𝑔} = ^𝛽̂𝑗

𝑠𝑒(𝛽̂_𝑗) dengan:

𝛽̂_𝑗= koefisien regresi 𝑠𝑒 = standar error e) Kesimpulan

Apabila nilai thitung > ttabel atau p-value < α maka variabel independen berpengaruh signifikan terhadap variabel dependen.

c. Uji Koefisien Determinasi (R-Square)

Menurut Nachrowi & Usman (2006) sebagaimana dikutip Pangestika (2015), koefisien determinasi (Goodness of Fit) adalah suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi. Koefisien determinasi yang biasa dilambangkan dengan R² ini juga dapat mengukur seberapa dekat garis estimasi dengan data yang sesungguhnya.

Nilai R² dapat mencerminkan seberapa besar variabel dependen dapat dijelaskan oleh variabel independennya. Apabila nilai R² = 0 maka variasi dari variabel dependen tidak dapat diterangkan sama sekali oleh variabelindependen.

Sementara apabila nilai R²=1 maka variasi variabel dependen secara keseluruhan dapat diterangkan oleh variabel independen.