45
BAB III METODE PENELITIAN A. Objek Penelitian Obyek penelitian merupakan sasaran untuk mendapatkan suatu data. Obyek penelitian dalam penelitian ini adalah Kontribusi Usaha Kecil Menengah (UKM) yang ada di tiga kota/kabupaten di DIYogyakarta yaitu Kota Yogyakarta, Kabupaten Bantul, dan Kabupaten Kulon Progo. Dengan variabel yang digunakan adalah penyerapan tenaga kerja UKM, ekspor UKM, dan investasi UKM. Sementara subyek yang digunakan dalam penelitian ini adalah pertumbuhan ekonomi daerah yang dicerminkan dalam Produk Domestik Regional Bruto (PDRB) di Provinsi DIYogyakarta tahun 2000 sampai dengan 2014.
B. Jenis dan Sumber Data 1. Jenis Data Data yang digunakan merupakan data sekunder, yaitu daa yang diperoleh secara tidak langsung, biasanya diperoleh dari tangan kedua baik dari responden maupun instansi yang melakukan pengumpulan data untuk keperluan penelitian dari pengguna (Supangat, 2008). Data yang digunakan dalam penelitian ini menggunakan data indikator makro UKM dibatasi dengan menggunakan variabel kinerja UKM seperti; penyerapan tenaga kerja UKM, ekspor UKM, dan investasi UKM yang berada
46
di tiga wilayah di Provinsi DIYogyakarta yaitu; Kota Yogyakarta, Kabupaten Bantul, dan Kabupaten Kulon Progo. Selain itu data yang digunakan adalah data kurun waktu (time series) di Provinsi DIYogyakarta tahun 2000-2014 dan data deret lintang (cross section) sebanyak tiga wilayah kabupaten/kota di Provinsi DIYogyakarta yaitu Kabupaten Bantul, Kabupaten Kulon Progo, dan Kota Yogyakarta. 2. Sumber Data Data sekunder yang digunakan dalam penelitian ini diperoleh dari Badan Pusat Statistik (BPS) Provinsi DIYogyakarta, BPS Kabupaten Bantul, BPS Kota Yogyakarta, dan literatur-literatur lainya seperti buku-buku, website pemerintah, serta jurnal ekonomi.
C. Teknik Pengumpulan Data Data yang digunakan untuk penelitian ini bersumber dari Badan Pusat Statistik (BPS) Provinsi DIYogyakarta, BPS Kabupaten Bantul, BPS Kota Yogyakarta. Dengan melakukan penelitian ke tempat yang menyediakan data-data sekunder dan juga melakukan studi kepustakaan dengan menggunakan bukubuku, artikel-artikel ilmiah, jurnal, majalah, website pemerintah, data-data di internet, dan sumber lain yang berkaitan dengan penelitian ini.
47
D. Definisi Operasional Variabel Penelitian Definisi operasional merupakan petunjuk bagaimana variabel-variabel dalam penelitian diukur. Definisi operasional merupakan definisi yang diberikan kepada variable dengan cara memberikan arti atau menspesifikasikan kegiatan atau memberikan operasional yang diperlukan untuk mengukur variabel tersebut (Nasir, 1999). Untuk memperjelas dan mempermudah pemahaman terhadap variabelvariabel yang akan dianalisis dalam penelitian ini, maka perlu dirumuskan defenisi operasional sebagai berikut :
1. Dependen Variabel Variabel dependen dalam penelitian ini adalah PDRB. Dalam hal ini PDRB adalah jumlah nilai tambah yang dihasilkan oleh seluruh jumlah unit usaha dalam suatu daerah/wilayah tertentu, atau merupakan jumlah nilai barang dan jasa akhir yang dihasilkan oleh seluruh unit kegiatan ekonomi dalam suatu daerah/wilayah pada suatu periode tertentu. PDRB digunakan sebagai ukuran pertumbuhan ekonomi. Data PDRB yang digunakan adalah PDRB yang ada di tiga kota/kabupaten di DIYogyakarta yaitu Kota Yogyakarta, Kabupaten Bantul, dan Kabupaten Kulon Progo pada tahun 2000-2014 (dalam Rp juta). 2. Independen Variabel adalah variabel yang menjadi sebab terjadinya (terpengaruhnya) variabel dependen (variabel tak bebas). Yaitu :
48
a. Penyerapan tenaga kerja UKM Penyerapan tenaga kerja yang dimaksud merupakan penduduk dalam usia kerja yang dapat menghasilkan produksi barang dan jasa. Penyerapan tenaga kerja dalam penelitian ini adalah jumlah penyerapan tenaga kerja yang bekerja pada UKM tiga wilayah yatiu; Kota Yogyakarta, Kabupaten Bantul, dan Kabupaten Kulon Progo pada tahun 2000-2014 (dalam satuan orang). b. Ekspor UKM Ekspor dalam hal ini adalah total produk UKM yang diproduksi langsung oleh UKM dengan cara mengeluarkan barang dari dalam ke luar wilayah pabean
suatu
Negara
ke
Negara
lain.
Variabel
ini
menjelaskan
perkembangan ekspor UKM yang berkembang di tiga wilayah yatiu; Kota Yogyakarta, Kabupaten Bantul, dan Kabupaten Kulon Progo pada tahun 2000-2014 (dalam Rp juta). c. Investasi UKM Investasi yang dimaksud adalah penanaman modal untuk sektor UKM untuk satu atau lebih aktiva yang dimiliki biasanya berjangka waktu lama dengan harapan mendapat keuntungan di masa datang (dalam Rp juta).
E. Uji Kualitas Data 1. Uji Multikoleniearitas Uji Multikolinearitas bertujuan untuk menguji ada tidaknya korelasi diantara variabel bebas. Model regresi yang baik seharusnya tidak terjadi korelasi diantara
49
variabel bebas. Jika terjadi korelasi maka dinamakan terdapat problem multikolinearitas. Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Gujarati (2012), masalah multikoleniaritas dapat dideteksi dari gejala sebagai berikut : 1) Bila nilai R² yang dihasilkan sangat tinggi, tetapi secara individual variabelvariabel independen banyak yang tidak signifikan mempengeruhi variabel independen. 2) Melakukan regresi parsial dengan cara : -
Melakukan estimasi model awal dalam persamaan sehingga didapat nilai R².
-
Melakukan auxiliary regression pada masing-masing variabel penjelas.
-
Bandingkan nilai R² dalam model persamaan awal dengan R² pada model persamaan regresi parsial, jika nilai regresi parsial lebih tinggi maka didalamnya terdapat multikolinearitas.
-
Melakukan korelasi antar variabel independen. Bila nilai korelasi independen lebih dari 0,85 maka terdapat multikolinearitas.
2. Uji Heteroskedastisitas Permasalahan
kedua
yaitu
ada
atau
tidaknya
heteroskedastisitas.
Heteroskedastisitas timbul apabila nilai residual dari model tidak memiliki varians yang konstan. Artinya, setiap observasi memiliki reliabilitas yang berbeda-beda yang diakibatkan dari perubahan kondisi yang melatarbelakangi tidak terangkum
50
dalam model (Kuncoro, 2011). Pada permasalahan heteroskedastisitas, dicurigai memang terdapat heteroskedastisitas dalam model ini mengingat data yang ada merupakan perpaduan data cross section dan time series. Dalam Gujarati (2012) permasalahan heteroskedastisitas, varians dari estimator-estimator OLS tidak menggunakan rumus-rumus OLS biasa. Namun jika menggunakan rumus OLS biasa, uji t dan uji F berdasarkan hasil tersebut dapat
memberikan
kesimpulan
yang
salah.
Maka,
mendokumentasikan
konsekuensi-konsekuensi dari adanya heteroskedastisitas akan lebih mudah dibanding mendeteksinya. Terdapat beberapa metode pengujian yang dapat dgunakan untuk mendeteksi ada atau tidaknya masalah heterosekdastisitas, diantaranya; Uji Park, dan Uji Glesjer.
a. Uji Park Dalam uji Park, mensyaratkan suatu bentuk spesifik antara
dan variabel
bebas untuk mengetahui ada tidaknya masalah heteroskedastisitas. Jika nilai probabilitas masing-masing variabel > α = 0.05 atau lebih besar dari tingkat signifikansi maka tidak terdapat permasalahan hetersokedastisitas. Sementara kriteria dalam pengujian adalah sebagai berikut : Ho : tidak terdapat masalah heteroskedastisitas H1 : terdapat permasalahan heteroskedastisitas.
51
b. Uji Glesjer Uji Glesjer dilakukan dengan cara melakukan regresi antara variabel independen dengan nilai absolut residualnya (Gujarati, 2003). Apabila nilai signifikansi antara variabel independen dengan absolut residual lebih dari 0,05 maka tidak terjadi permasalahan hetersokedastisitas (Fajriasari, 2013). Menurut Gujarati (2003) uji Glesjer dapat dilakukan dengan meregres nilai absolut residual terhadap variabel bebasnya dengan persamaan sebagai berikut : i = a + βXi + vi Sementara dalam data panel, Implikasi terjadi masalah heteroskedastistas dapat diperbaiki dengan menggunakan model Cross-section Weight.
3. Uji Autokorelasi Menurut Imam Ghozali (dalam Tambunan, 2013), uji autokorelasi digunakan untuk mengetahui apakah dalam model regresi linear terdapat korelasi antara kesalahan penggganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya), jika terjadi korelasi artinya terdapat masalah autokorelasi. Autokorelasi muncul karena terdapat observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah autokorelasi muncul karena residual (kesalahan pengganggu) tidak bebas dari suatu observasi ke observasi lainnya. Autokorelasi dapat dideteksi melalui metode Durbin-Watson (DW) dengan asumsi variabel gangguannya hanya berhubungan dengan variabel gangguan periode sebelumnya (lag pertama) yang dikenal dengan model autogresif tingkat
52
pertama dan variabel independen tidak mengandung variabel independen yang merupakan kelembanan dari variabel dependen. Dasar pengambilan keputusan sebagai berikut; a) Jika DW lebih kecil dari dL atau lebih besar dari (4-dL), maka hipotesis nol ditolak, yang berarti ada autokorelasi. b) Jika Du < DW < 4-dU .maka hipotesis nol diterima, yang berarti tidak ada autokorelasi. c) Jika DW terletak antara dL dan dU atau diantara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti. Terdapat salah satu cara yang dapat digunakan untuk mengetahui ada atau tidaknya autokorelasi. Prosedur tersebut dapat menggunakan metode CochraneOrcutt. Dalam metode ini autokorelasi dihilangkan secara bertahap dari bentuk yang paling sederhana pada skema autokorelasi berderajat satu. (Gunawan, 2007).Metode ini merupakan alternative untuk memperoleh nilai struktur autokorelasi (ρ) yang tidak diketahui. Metode ini menggunakan nilai estimasi residual untuk menghitung ρ, Setelah nilai ρ diketahui maka akan dilakukan transformasi pada masing-masing variabel. Kemudian hasil yang didapatkan akan diregresi kembali agar tidak mengandung masalah autokorelasi.
F. Uji Hipotsis dan Analisis Data Metode analisis data yang digunakan dalam penelitian ini adalah model data runtut waktu (time series) dan data silang (cross section). Analisis data dalam
53
penelitian ini dengan menggunakan Regresi Data Panel.Data tersebut diperoleh dari berbagai tahun. Data yang digunakan dalam penelitian ini dari tahun 20002014. Pengolahan data yang digunakan untuk menganalisis adalah program software Microsoft Excel dan E-Views 7.0.
1. Model Estimasi Penelitian Untuk mempermudah dan mengurangi kesalahan secara manual dalam pengolahan data dalam analisis ini, maka digunakan alat bantu software pengolah data Eviews 7.0 Model persamaan data panel dalam penelitian ini merupakan gabungan dari data cross section dan data time series adalah sebagai berikut:
Keterangan : = Produk Domestik Regional Bruto (PDRB) sebagai variabel terikat (dependent) = Penyerapan tenaga kerja = Ekspor = Investasi = sentinitas ke-i = periode ke-
54
2. Estimasi Pendekatan Data Panel Dalam mengestimasi parameter model dengan menggunakan data panel, ditawarkan beberapa teknik, yaitu :
a. Pooled Least Squares (PLS) Teknik ini merupakan teknik paling sederhana untuk mengestimasi parameter model data panel, dengan cara mengkombinasikan data cross section dan time series sebagai satu kesatuan tanpa melihat adanya perbedaan waktu dan entinas (individu). Pendekatan yang sering digunakan adalah metode Ordinary Least Squares (OLS). Metode ini dikenal dengan estimasi Common Effect. Dalam model Common Effect mengabaikan adanya perbedaan dimensi individu maupun waktu atau dengan kata lain perilaku data antar individu sama dalam berbagai kurun waktu. Model Common Effect sama seperrti OLS dengan meminimumkan jumlah kuadrat, tetapi data yang digunakan bukan data time series atau data cross section saja melainkan data panel yang diterapkan dalam bentuk pooled. Bentuk untuk model Ordinary Least Squares (OLS) adalah :
55
b. Model Efek Tetap (Fixed Effect) Teknik model Fixed Effect adalah teknik mengestimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Asumsi dalam model ini bahwa koefisien slope konstan tetapi intersep bervariasi sepanjang unit individu. Pendekatan dengan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least Squares Dummy Variabel (LSDV) atau disebut juga dengan Covariance Model. Persamaan estimasi dengan menggunakan Fixed Effect Model adalah sebagai berikut :
Dimana : Yit = Variabel terikat untuk individu ke-I dan waktu ke-t Xit = Variabel bebas untuk individu ke-I dan waktu ke-t Wit dan Zit variabel dummy yang didefinisikan sebagai berikut: Wit = 1 ; untuk individu i;i = 1,2, …, N = 0 ; lainnya Zit = 1 ; untuk periode t;t = 1,2,… T = 0 ; lainnya
c. Model Efek Random (Random Effect) Random Effect Model merupakan model estimasi regresi panel dengan asumsi koefisien slope konstan dan intersep berbeda antara individu dan antar waktu (Random Effect). Pada model Random Effect digunakan untuk mengatasi
56
permasalahan yang ditimbulkan oleh model Fixed Effect . Dimasukannya variabel dummy di dalam Fixed Effect Model bertujuan untuk mewakili ketidaktahuan tentang model yang sebenarnya. Namun, ini juga membawa konsekwensi berkurangnya derajat kebebasan (degree of freedom) yang pada akhirnya mengurangi efesiensi parameter. Permasalahan ini dapat diatasi dengan menggunakan variabel gangguan (error terms) yang dikenal dengan metode Random Effect. Sehingga dengan memperhitungkan error terdapat kemungkinan korelasi sepanjang time series dan cross section. Model yang tepat untuk digunakan dalam mengestimasi Random Effect adalah Generalized Least Squares (GLS) sebagai estimatornya, karena dapat meningkatkan efisiensi dari least Squares. Dengan demikian, persamaan dalam Random Effect Model dapat dinyatakan sebagai berikut :
Dimana : ui = komponen error cross section vt = komponen error time series wit = komponen error gabungan Asumsi-asumsi yang biasa digunakan oleh REM adalah ut ~ N (0, σu2) ; vt ~ N (0, σv2) ; wit ~ N (0, σw2)
57
Dari persamaan diatas, dapat dilihat bahwa komponen error individual tidak terkorelasi satu sama lain dan tidak ada autokorelasi baik antara unit cross section dan time series. Sehingga dapat dinyatakan bahwa Random Effect menganggap efek rata-rata dari ata cross section dan time series ditunjukkan dalam intercept. Dan deviasi efek secara random yang dinyatakan dalam ui pada data cross section. Telah diketahui bahwa :
Maka dapat disimpulkan bahwa varians eror tersebut dapat ditulis sebagai berikut :
3. Uji Regresi Data Panel Di dalam analisis regresi data panel terdapat tiga jenis teknik estimasi model regresi data panel, yaitu model dengan metode Pooled Least Squares (PLS), Fixed Effect Model dan Random Effect Model. Maka dari ketiga teknik estimasi tersebut perlu dipilih pendekatan mana yang terbaik. Nantinya pendekatan yang telah terpilih dapat digunakan untuk memprediksi model regresi dari penelitian yang dilakukan. Berikut beberapa uji yang dapat dilakukan untuk mendapatkan pendekatan terbaik dalam analisis regresi data panel :
58
a. Uji F Restricted (Chow Test) Uji Chow merupakan pengujian untuk menentukan model Fixed Effect atau Common Effect yang lebih tepat digunakan dalam mengestimasi data panel. Setelah dilakukan regresi dua model yaitu model dengan asumsi bahwa slope dan intersep sama deengan asumsi bahwa slope sama tetapi beda intersep. Padahal asumsinya adalah setiap unit cross section memiliki persamaan perilaku yang cenderung sama tidak realistis mengingat bisa saja setiap unit memiliki perbedaan perilaku. Hipotesis yang digunakan adalah : H0 : Common Effect Model H1 : Fixed Effect Model Dasar penolakan terhadap hipotesis diatas adalah dengan membandingkan perhitungan F statistik dengan F tabel. Perbandingan dipakai apabila hasil F hitung lebih besar dari F tabel, maka H0 ditolak yang artinya model yang lebih tepat digunakan adalah Fixed Effect Model. Sebaliknya, jika F hitung lebih kecil dari F tabel, maka H0 diterima dan model yang lebih tepat digunakan adalah Common Effect Model. Rumus perhitungan F statistik untuk Uji Chow :
Keterangan : R2 Fixed Effect : R2 Common Effect N
: Jumlah individual (cross section)
59
T
: Jumlah series waktu (time series)
K
: Jumlah variabel independen
Sedangkan F tabel didapat dari: |
|
b. Uji Hausman Untuk memilih apakah metode Fixed Effect atau Random Effect yang lebih tepat digunakan dalam melakukan analisis, perlu dilakukan pengujian Hausman test. Uji ini dikembangkan oleh Hausman didasarkan bahwa LSDV dalam model Fixed Effect dan GLS adalah efisien sedangkan model OLS tidak efisien, di lain pihak alternatifnya metode OLS efisien dan GLS tidak efisien. Karena itu uji hipotesis nulnya adalah hasil dari estimasi keduanya tidak berbeda. Sehingga uji Hausman dapat dilakukan berdasarkan perbedaan estimasi tersebut. Dengan hipotesis pengujian adalah sebagai berikut : H0 : Random Effect Model H1 : Fixed Effect Model
Statistik Uji Hausman ini mengikuti distribusi dari statistik Chi-Squaress dengan degree of freedom sebanyak k, dimana k merupakan jumlah variabel independen. Jika nilai statistik Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan model yang tepat adalah model Fixed Effect . Sebaliknya, jika nilai
60
statistik Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah Random Effect.
4. Uji Parameter Model (Uji Statistik) a. Koefisien Determinasi (R2) Pengujian ini dimaksudkan untuk mengetahui berapa besar angka R-Squares variabel terikat dipengaruhi oleh variabel bebas dan seberapa besar sisa angka RSquares yang dipengaruhi oleh faktor lain diluar dari penelitian. Pengujian ini dilihat dari angka R-Squares yang telah dirubah dalam bentuk persen (%), maka angka yang menentukan variabel terikat dipengaruhi oleh variabel bebas. Dan ketika angka 100 mengurangi angka R-Squares dalam bentuk persen (%) maka angka tersebut dipengaruhi oleh faktor lain diluar dari penelitian. Nilai R2 terletak antara 0 (nol) hingga satu. Semakin mendekati satu maka model dapat dikatakan membaik. Nilai R2 dapat bernilai negatif jika tidak menggunakan intersep atau konstanta. R2.
b. Uji F-Statistik Pengujian ini akan memperlihatkan hubungan atau pengaruh antar variabel independen secara bersama-sama terhadap variabel dependen, sebagai berikut: H0 : βi = 0, maka variabel independen secara bersama-sama tidak mempengaruhi variabel independen.
61
Hi : βi ≠ 0, maka variabel independen secara bersama-sama mempengaruhi variabel dependen. Hasil pengujian adalah; H0 diterima (tidak signifikan) jika F hitung < Ftabel (df = n-k) H0 ditolak (signifikan) jika F hitung > F tabel (df = n-k) Dimana :
= Koefisien determinasi K : Jumlah variabel N : Jumlah pengamatan
b. Uji t-Statistik Dengan pengujian ini bermaksud untuk melihat hubungan atau pengaruh antara variabel independen secara individual terhadap variabel dependen. Jika t tabel ≥ t hitung, H0 diterima berarti variabel independen secara individual tidak berpengaruh terhadap variabel dependen. Jika t tabel < t hitung, H0 ditolak. Artinya, variabel independen secara individu berpengaruh terhadap variabel dependen.
