BAB III. METODE PENELITIAN

BAB III. METODE PENELITIAN

3.1. Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder berupa hasil survei tata kelola ekonomi daerah dari KPPOD, terutama provinsi Jawa Timur yang diadakan tahun 2007 dan 2010. Data yang digunakan antara lain variabel-variabel penyusun sub indikator akses akses lahan, infrastruktur, perizinan usaha, biaya transaksi, kapasitas dan integritas bupati/walikota, interaksi Pemda dengan pelaku usaha, Program Pengembangan Usaha Swasta, dan keamanan dan penyelesaian konflik.

Sedangkan data realisasi investasi yang digunakan dalam penelitian ini adalah data investasi tahun 2005-2010 dari Badan Koordinasi dan Penanaman Modal (BKPM) Pusat dan Badan Penanaman Modal Jawa Timur.Selain itu juga digunakan data PDRB riil Kabupaten/Kota di Jawa Timur, investasi pemerintah (belanja modal) per kabupaten/Kota dari Direktorat Jenderal Perimbangan Keuangan,Kementerian Keuangan. Data sekunder lain yang dijadikan acuan dalam penelitian ini antara lain artikel, jurnal, skripsi dan tesis dari perpustakaan IPB, internet dan lembaga lainnya.

3.2. Definisi Operasional Variabel

Merujuk pada latar belakang, permasalahan, tujuan serta hipotesis yang ada, serta didukung oleh tinjauan pustaka dari berbagai sumber,maka ada beberapa variabel yang relevan digunakan dalam penelitian. Variabel-variabel yang digunakan dalam penelitian dapat dijelaskan sebagai berikut.

1. Penanaman Modal Dalam Negeri (PMDN) adalah kegiatan menanam modal untuk melakukan usaha di wilayah negara Republik Indonesia yang dilakukan oleh penanam modal dalam negeri dengan menggunakan modal dalam negeri.

2. Penanaman Modal Asing (PMA) adalah kegiatan menanam modal untuk melakukan usaha di wilayah negara Republik Indonesia yang dilakukan oleh penanam modal asing, baik yang menggunakan modal asing

sepenuhnya maupun yang berpatungan dengan penanam modal dalam negeri.

3. Investasi pemerintah adalah pengeluaran yang dilakukan pemerintah untuk melakukan investasi, baik yang dilakukan sendiri maupun bersama dengan pihak swasta. Pengeluaran rutin tidak termasuk dalam perhitungan ini. 4. Pertumbuhan Ekonomi adalah proses kenaikan output per kapita dalam

jangka panjang atau proses kenaikan kapasitas produksi suatu perekonomian yang diwujudkan dalam bentuk kenaikan pendapatan nasional. Pertumbuhan Ekonomi dihitung dengan mengkalkulasiselisih pendapatan domestik regional bruto (PDRB) tahun ini dengan tahun lalu, dibagi dengan PDRB tahun lalu.

5. Tata kelola pemerintahan daerah adalah indikator kinerja Pemda tingkat kabupaten/kota yang dikuantifikasikan oleh KPPOD dalam survei tata kelola ekonomi daerah di tahun 2007 dan 2010. Dari ke-9 sub indikator, variabel kualitas perda merupakan satu-satunya variabel yang dianalisis langsung ke Peraturan Daerah terkait, sedangkan 8 sub indikator sisanya yaitu akses lahan, izin usaha, interaksi Pemda dengan pelaku usaha, program pengembangan usaha swasta, kapasitas/integritas bupati/walikota, keamanan/penyelesaian sengketa, biaya transaksi dan infrastruktur daerah, langsung ditanyakan persepsinya kepada pelaku usaha melalui kuesioner.

3.3. Metode Analisis 3.3.1. Analisis Deskriptif

Analisis deskriptif digunakan untuk mempermudah mendeskripsikan suatu fenomena sehingga dapat diperoleh gambaran yang eksplanatif dari sejumlah data kuantitatif. Analisis ini disajikan dalam bentuk boxplot dan scatterplot.

3.3.1.1Uji Beda Berpasangan (paired samples t-test)

Tujuan penelitian yang pertama adalah melihat fluktuasi investasi dan mengidentifikasi perbedaan persepsi pelaku usaha di Jawa Timur per periode 2007 dan 2010. Untuk dapat mengidentifikasi perbedaan ini, digunakan analisis

deskriptif berupa analisis uji beda berpasangan (paired samples t-test).Adapun hipotesis dalam uji beda berpasangan/ uji beda rata-rata ini adalah:

H0: d = 0 (2- 1 = 0) H1: d≠ 0

Uji beda rata-rata ini digunakan untuk membandingkan mean (rata-rata) dari suatu sampel yang berpasangan, yaitu sebuah kelompok sampel dengan subjek yang sama namun mengalami dua perlakuan atau pengukuran yang berbeda. Dalam penelitian ini, kelompok sampel adalah responden survei di kabupaten/kota di Jawa Timur yang berjumlah 1927 responden.Dengan demikian diharapkan perbedaan persepsi para responden pelaku usaha dapat teridentifikasi. Adapun cara mengestimasi nilai t-hitung adalah sebagai berikut:

𝑡 =

𝐷 𝑆𝐷

√𝑁

…..………..(3.1)

t = nilai t hitung

D = rata-rata selisih sampel berpasangan

SD = standar deviasi selisih sampel berpasangan N= jumlah sampel

Setelah didapat nilai t hitung, maka t-hitung ini dibandingkan dengan t tabel.Bila t-hitung ≥ t-tabel, berarti terdapat rata-rata perbedaan yang signifikan antara persepsi pelaku usaha mengenai suatu variabel tata kelola pemerintahan.

3.3.1.2. Analisis Korelasi

Uji korelasi bertujuan untuk menguji hubungan antara dua variabel yang tidak menunjukkan hubungan fungsional (bukan hubungan sebab akibat). Uji korelasi tidak membedakan apakah variabel dependen itu termasuk dependen atau independen. Selain itu uji korelasi juga tidak memperhitungkan hubungan sebab akibat. Korelasi yang dinyatakan dalam persentase keeratan hubungan antar

variabel ini dinamakan koefisien korelasi. Koefisien korelasi ini menunjukkan derajat keeratan hubungan antara dua variabel dan arah hubungannya (+ atau -).

Nilai koefisien korelasi berkisar antara -1 sampai +1, yang kriteria pemanfaatannya dijelaskan sebagai berikut:

 Jika, nilai r > 0, artinya telah terjadi hubungan yang linear positif, yaitu makin besar nilai variabel X makin besar pula nilai variabel Y atau makin kecil nilai variabel X makin kecil pula nilai variabel Y.

 Jika, nilai r < 0, artinya telah terjadi hubungan yang linear negatif, yaitu makin besar nilai variabel X makin kecil nilai variabel Y atau makin kecil nilai variabel X maka makin besar pula nilai variabel Y .

 Jika, nilai r = 0, artinya tidak ada hubungan antara variabel X dan variabel Y.

 Jika, nilai r =1 atau r = -1, maka dapat dikatakan telah terjadi hubungan linear sempurna, berupa garis lurus, sedangkan untuk r yang makin mengarah ke angka 0 (nol) maka garis makin tidak lurus.

3.3.1.2.1. Uji Korelasi Pearson

Korelasi Pearson digunakan untuk data dalam jumlah besar dan sebaran normal. Dalam penelitian ini, uji korelasi ini dilakukan untuk mengetahui korelasi data kuantitatif dari masing-masing pertanyaan berskala interval/rasio dengan realisasi investasi. Hipotesis korelasi Pearson adalah sebagai berikut:

H0 : ρ1= 0 H1 : ρ1≠ 0

Koefisien korelasi diformulasikan sebagai berikut:

r

xy

=

𝑛 xy − x y (n x 2−( y)2

…….…….………..(3.2)

r : Koefisien korelasi yang dicari

x : Jumlah nilai variabel x

y : Jumlah nilai variabel y

x2 : Jumlah pangkat dua nilai variabel x

 y2 : Jumlah pangkat dua nilai variabel y N : Banyaknya sampel

Jika rhitung≥ rtabel, maka kesimpulannya H0 ditolak.Dengan demikian terdapat korelasi antara variabel x (tata kelola pemerintahan) dan variabel y (realisasi PMA/PMDN).

3.3.1.3.2. Uji Korelasi Spearman

Korelasi Spearman dan Kendall digunakan untuk data dalam jumlah sedikit dan sebarannya tidak normal. Dalam penelitian ini, uji korelasi Spearman dilakukan untuk melihat korelasi statistik non parametrik, yaitu korelasi pertanyaan survei yang jawabannya berskala ordinal dengan realisasi investasi. Hipotesis korelasi Spearman adalah :

H0 : ρ1 = 0 H1 : ρ1 ≠ 0

Korelasi rank Spearman dapat dihitung dengan rumus sebagai berikut:

rs = 1 –

6 𝑑𝑖²

𝑛(𝑛2−1) ………..(3.3)

dimana di2 =  [(R(Xi) – R(Y))]2

= Jumlah kuadrat selisih variabel X dan Y

Jika rs≥ rtabel, maka maka kesimpulannya H0 ditolak.Dengan demikian terdapat korelasi antara variabel x (tata kelola pemerintahan) dan variabel y (realisasi PMA/PMDN).

3.3.2.Analisis Regresi Data Panel Statis

Regresi data panel statis digunakan untuk menganalisis pengaruh tata kelola pemerintahan daerah terhadap realisasi investasi PMA dan PMDN. Data runtut waktu yang digunakan meliputi 2 periode yaitu 2005-2007 dan 2008-2010, sedangkan individunya meliputi 38 kabupaten/kota di provinsi Jawa Timur.

Seperti yang telah kita ketahui bersama, pendekatan cross section yang memiliki kelemahan telah memotivasi penggunaan model time series. Akan tetapi pendekatan time series ternyata juga memiliki kelemahan sehingga muncul perhatian akan penggunaan data panel yaitu menggunakan informasi gabungan kedua pendekatan tersebut yaitu cross section dan time series.

Menurut Baltagi (2006),penggunaan data panel akan memberikan banyak keuntungan yaitu:

1. Kombinasi data cross section dan time series dalam data panel akan membuat jumlah observasi menjadi lebih besar.

2. Dapat menunjukkan adanya individual heterogeneity.

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

4. Lebih baik untuk studi dynamics of adjustment. Berkaitan dengan observasi cross section yang berulang maka data panel lebih baik dalam mempelajari perubahan dinamis.

5. Data panel lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dengan data cross section ataupun

time series saja.

Selain manfaat tersebut di atas, data panel juga memiliki keterbatasan yaitu (Baltagi, 2006):

1. Masalah desain dan pengumpulan data

Dalam mendesain dan mengumpulkan data panel, seringkali peneliti mengalami masalah dengan ruang lingkup populasi, ketiadaan respon, responden yang tidak mampu mengingat secara tepat, frekuensi wawancara, jeda wawancara, periode referensi, penggunaan bounding dan

2. Distorsi dari kesalahan pengukuran

Kesalahan pengukuran dapat timbul karena respon yang disebabkan pertanyaan yang kurang jelas, kesalahan mengingat, respon gangguan yang tidak disengaja, informan yang tidak sesuai, ketidaktepatan pencatatan respondan efek pewawancara.Tingkat kesalahan yang dapat ditolerir berbeda-beda, tergantung jenis variabelnya.

3. Masalah selektivitas a. Selektivitas individu

Orang biasanya memilih untuk tidak bekerja karena upah yang didapat saat tidak bekerja (misalnya tunjangan pengangguran) lebih besar daripada gaji pekerjaan yang ditawarkan.Dalam kasus ini, kita mengamati karakteristik individunya, dan bukan gajinya. Karena gajinya tidak diamati,sampel ini menjadi tidak sah. Tetapi, jika kita tidak mengamati seluruh data dari orang-orang ini, sampelnya akan menjadi sampel terputus.

b. Ketiadaan respon

Survei yang menyangkut panel data sering menghadapi masalah ketiadaan respon, baik karena menolak untuk menolak untuk ikut serta dalam survei, tidak ada orang di rumah, sampel unit yang tidak dapat dilacak. Ketiadaan respon yang bersifat parsial terjadi ketika ada satu atau beberapa pertanyaan dalam survei tidak terjawab.Sedangkan ketiadaan respon yang bersifat menyeluruh terjadi ketika tidak ada informasi yang tersedia dari rumah tangga yang dijadikan sampel. Di samping kehilangan efisiensi karena ada data yang tidak lengkap, ketiadaan respon ini akan dapat memacu masalah identifikasi yang serius dalam parameter populasi. Makin besar tingkat ketiadaan respon, makin seriuslah masalah identifikasi parameternya.

c. Attrition

Ketiadaan respon yang muncul di cross section data,juga menjadi masalah yang serius di panel data karena beberapa kelompok individu masih tetap tidak ada responnya. Para responden yang diharapkan

mungkin meninggal, pindah domisili atau menganggap biayanya sangat tinggi untuk merespon survei tersebut.

4. Dimensi time series yang pendek

Biasanya data panel mikro mencakup data yang rentangnya pendek untuk setiap individu.

5. Ketergantungan data cross section

Data panel makro untuk negara atau daerah dengan time series yang panjang yang tidak memperhatikan ketergantungan antar daerah akan menjadi referensi penarikan kesimpulan yang menyesatkan. Oleh karena itu, memperhitungkan ketergantungan data cross section ini harus dipertimbangkan dengan mencari test akar unit alternatif.

Secara umum dengan menggunakan data panel akan menghasilkan intersep dan slope koefisien yang berbeda pada setiap observasi dan pada setiap periode waktu, sehingga dalam mengestimasi akan muncul beberapa kemungkinan tentang asumsi intersep dan slope koefisien yaitu:

1. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu. Perbedaan intersep dijelaskan oleh variabel gangguan.

2. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu. 3. Diasumsikan slope tetap tapi intersep berbeda baik antar waktu

maupun antar individu.

4. Diasumsikan intersep dan slope berbeda antar individu.

5. Diasumsikan intersep dan slope berbeda antar waktu dan antar individu.

Secara umum terdapat dua pendekatan dalam metode data panel yaitu

Fixed Effects Model (FEM) dan Random Effects Model (REM). Perbedaan keduanya adalah berdasarkan ada atau tidaknya korelasi antar komponen error

dengan peubah bebas.

Misalkan persamaan regresi data panel sebagai berikut

………..(3.4) dimana y it : nilai dependent variable untuk setiap unit individu i pada periode t

Xit : nilai variabel bebas yang terdiri dari k variabel.

Struktur data panel adalah sebagai berikut :

Pada one way error component, nilai error hanya berasal dari efek individu atau efek waktu saja.

εit = λi + u it……….……(3.5) dimana λi = efek individu (time invariant)

uit = disturbance yang bersifat acak ( uit ~ N(0, ζu2)

Sedangkan pada two way error component , nilai error berasal dari efek waktu dan efek individu , yang dispesifikasikan sebagai berikut:

εit = λi +μt +u it………….………...(3.6) dimana μt = efek waktu (individual invariant).

3.3.2.1. Fixed Effect Model

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

Persamaan FEM untuk one way error component:

yit = αi +λi +X it β + uit………..………...…….……..(3.7)                                         KNT NT NT KN N N KN N N T K T T K K T K T T K K x x x x x x x x x x x x x x x x x x x x x x x x x x x .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 2 1 2 2 2 2 1 1 1 2 1 1 2 22 12 22 222 122 21 221 121 1 21 11 12 212 112 11 211 111 Individu ke-1 Individu ke-2 Individu ke-N Periode 1 Periode 2 Periode T Xit=

Sedangkan untuk two way error component:

yit = αi +λi +μt + X it β + uit………….……….(3.8)

Penduga FEM dapat diestimasi dengan beberapa pendekatan, yaitu Pooled Least Square, Within Group dan Least Square Dummy Variable.

3.3.2.2.Random Effects Model (REM)

REM muncul jika efek individu dan atau efek waktu tidak mempunyai korelasi dengan Xit atau memiliki pola yang sifatnya acak. Keadaan ini membuat komponen error dari efek individu dan efek waktu dimasukkan ke dalam error.

Persamaan REM untuk one way error component:

yit = αi +X it β + uit+λi……..………....(3.9) Sedangkan untuk two way error component:

yit = αi + X it β + uit+λi +μt………..……...……..(3.10)

Adapun asumsi yang digunakan dalam REM adalah:

………...(3.11)

Dari semua asumsi di atas, yang paling penting adalah E ( ηi│xit ) =0, yaitu tidak adanya korelasi antara variabel bebas dengan sisaan (galat). Pengujian asumsi ini menggunakan Hausman test. Uji hipotesis yang digunakan adalah H0 : E ( ηi│xit ) =0 → Tidak ada korelasi antara komponen error dengan peubah bebas ( REM adalah model yang tepat)

H1 : E ( ηi│xit ) ≠ 0 → Ada korelasi antara komponen error dengan peubah bebas (FEM adalah model yang tepat)

H= ( βREM – β FEM) ( M FEM- M REM) -1 (βREM- βFEM) ~ χ2 (k)……..(3.12) Dimana M = matriks kovarians untuk parameter β

k= derajat bebas

Sebagai dasar penolakan Ho, digunakan statistik Hausman dibandingkan dengan chi square.Jika H > χ2

tabel maka komponen error mempunyai korelasi dengan peubah bebas dan artinya model yang valid digunakan adalah FEM. Sedangkan jika H < χ2 tabelmaka error tidak berkorelasi dengan peubah bebas sehingga model yang valid digunakan adalah REM.Penduga REM dapat diestimasi dengan Between Estimator atau Generalized Least Square (GLS).

3.4. Model Determinan Investasi Swasta di Jawa Timur

Dalam menganalisis hubungan antar variabel determinan investasi swasta di Jawa Timur digunakan model umum:

PMDN = f (GROWTH, PUB,PMA, TKED) PMA = f (GROWTH, PUB,PMDN, TKED)

Salah satu alternatif modelnya adalah modifikasi model Agosin dan Machado (2005) diacu dalam Morissey dan Udomkerdmongkol (2010). Adapun variabel-variabel dalam model ini ditransformasikan ke dalam bentuk logaritma natural untuk mempermudah dalam melihat perubahan relatif (elastisitas) antara variabel dependen dan independen serta untuk memperkecil standar deviasi antar variabel. Model yang dimaksud adalah sebagai berikut:

LPMDN it= ( β0 + αi + μt ) + β1LPUB it + β2LPMAit + β3 GROWTHit + ∑ λj DTKBit+ εit

LPMA it = (γ0 + αi + μt ) + γ1LPUB it + γ2LPMDNit + γ3 GROWTHit + ∑ ρj DTKBit+ εit

ket:

PMDNit =Penanaman Modal Dalam Negeri pada kabupaten/kota ke- i tahun ke- t (Rupiah)

PUBit =Belanja modal pada kabupaten/kota ke- i tahun ke-t (Rupiah) PMAit =Penanaman Modal Asing pada kabupaten/kota i tahun

ke-t(Rupiah)

DTKBit = Variabel dummy tata kelola ekonomi daerah kabupaten/kota ke-i (1= baik, 0=buruk)

GROWTHit =Pertumbuhan output riil pada kabupaten/kota ke- i tahun ke t (%) β0 + αi + μt = intersep

β1, β1……, λj =parameter yang diestimasi

i = 38 kabupaten/kota di provinsi Jawa Timur t = 2 periode (2005-2007 dan 2008- 2010)