BAB III METODE PENELITIAN
3.1 Populasi dan Sampel Populasi dan sampel merupakan kumpulan dari seluruh elemen atau individu yang merupakan sumber informasi dalam sebuah penelitian. Sampel diartikan sebagai bagian dari populasi atau bagian representative dari sebuah populasi. Populasi ini menggunakan 32 provinsi yang ada di Indonesia. Teknik yang digunakan penulis dalam penelitian ini adalah purposive sampling yaitu teknik pengambilan sampel yang ditentukan oleh penulis sendiri dan didasarkan beberapa pertimbangam dengan kriteria tertentu yang digunakan untuk penelitian. Teknik purposive sampling ini digunakan penulis dikarenakan untuk mendapatkan sampel yang sesuai dan bersifat sama antar sampel satu dan sampel lainnya. Disamping itu juga karena keterbatasan akses data dari peneliti karena tidak semua provinsi memiliki data dengan jumlah tahun yang sama. Provinsi yang digunakan pada penelitian ini adalah provinsi yang berdiri di bawah tahun 2007 yang telah mempunyai kelengkapan data dan dipublikasikan. Data PDRB, presentase penduduk miskin, rasio gini dan angka partisipasi sekolah yang di gunakan adalah data tahunan sesuai dengan tahun yang digunakan penulis untuk observasi.
37
Berdasarkan pertimbangan tersebut sampel yang didapat dan memenuhi kriteria yaitu provinsi yang berdiri dibawah tahun 2007, provinsi tersebut antara lain : 1. Aceh
13. Jawa Barat
23. Sulawesi Utara
2. Sumatera Utara
14. Jawa Tengah
24. Sulawesi tengah
3. Sumatra Barat
15. DIY
25. Sulawesi Selatan
4. Riau
16. Nusa Tenggara
26. Sulawesi tenggara
5. Jambi 6. Sumatra Selatan 7. Bengkulu
Barat 17. Nusa Tenggara Timur
27. Gorontalo 28. Sulawesi Barat 29. Maluku
8. Lampung
18. Bali
30. Maluku Utara
9. Banten
19. Kalimantan barat
31. Papua Barat
10. Bangka Belitung
20. Kalimantan Tengah
32. Papua
11. DKI
21. Kalimantan Selatan
12. Jawa Timur
22. Kalimantan Timur
Sedangkan selebihnya provinsi di Indonesia yang tidak digunakan dalam penelitian karena belum mempunyai data yang lengkap, disamping itu beberapa provinsi di Indonesia belum berdiri pada tahun yang dijadikan penelitian. Dari jumlah provinsi yang digunakan untuk observasi sebanyak 32 provinsi dan merupakan data tahunan dari tahun 2007 hingga tahun 2013, maka jumlah observasi yang di dapat sebanyak 224.
38
3.2 Jenis dan Cara Pengumpulan Data Jenis data yang digunakan berupa data sekunder yang bersifat historis yaitu data PDRB menurut lapangan usaha, rasio gini, presentase penduduk miskin dan angka partisipasi sekolah yang diterbitkan oleh Badan Pusat Statistik dari tahun 2007 sampai tahun 2013. Penelitian ini menggunakan data kuatitatif yaitu data berupa angka atau besaran tertentu yang sudah dipublikasikan. Sumber penunjang lainnya berupa jurnal yang diperlukan, sumber-sumber lain guna untuk menunjang kelengkapan data yang dapat digunakan dalam penelitian ini. Berikut adalah data yang digunakan dalam penelitian ini: 1. Produk Domestik Regional Bruto (PDRB) menurut lapangan usaha 32 provinsi di Indonesia 2. Presentase jumlah penduduk miskin 32 provinsi 3. Angka Partisipasi Sekolah menurut provinsi umur 18-24 tahun 4. Rasio gini 32 provinsi
3.3 Metode pengumpulan Data Metode yang digunakan dalam pengumpulan data adalah dengan melakukan observasi secara langsung dan tidak langsung. Peneliti secara langsung mendatangi Badan Pusat Statistik Provinsi DIY untuk menyalin hard file data yang diperlukan dan secara tidak langsung melalui website Badan Pusat Statistik peneliti mengunduh data yang diperlukan. Adapun
39
situs yang digunakan adalah http://bps.go.id/. Metode lain yang digunakan adalah studi pustaka yaitu dengan mengumpulkan informasi yang relevan melalui jurnal, artikel maupun penelitian terdahulu dari berbagai sumber guna untuk mendukung penelitian dalam memahami dan mempelajari pembahasan. 3.4 Variabel Penelitian Variabel yang digunakan dalam penelitian ini adalah sebagai berikut : 3.4.1 Variabel Dependen Variabel dependen disebut juga variabel terikat adalah tipe variabel yang dijelaskan atau dipengaruhi oleh variabel independen. Dalam penelitian ini variabel yang digunakan adala Rasio GINI. 3.4.2 Variabel Independen Variabel independen adalah tipe variabel yang menjelaskan atau mempengaruhi variabel yang lain atau disebut juga variabel bebas. Variabel-variabel independen yang akan di uji dalam penelitian ini adalah 1.
PDRB Persektor (9 sektor)
2.
Presentase Penduduk Miskin
3.
Angka Partisipasi Sekolah (umur 18-24)
40
3.5 Definisi Operasional variabel Definisi operasional variabel merupakan langkah dalam penelitian untuk menjelaskan setiap variabel yang dijadikan dalam observasi. Berikut adalah definisi operasional variabel yang akan digunakan dalam penelitian: 1.
Rasio Gini Rasio gini adalah ukuran ketidakmerataan atau ketimpangan
agregat (secara keseluruhan) distribusi pendapatan atau kekayaan yang menunjukkan seberapa merata pendapatan dan kekayaan didistribusikan diantara populasi dalam bentuk rasio yang nilainya antara 0 dan 1. Nilai 0 menunjukkan pemerataan yang sempurna dimana setiap orang memiliki jumlah penghasilan atau kekayaan yang sama persis. Nilai 1 menunjukan ketimpangan sempurna yaitu satu orang menguasai semuanya sedangkan yang lainnya tidak memiliki apa-apa. Data yang diperlukan dalam perhitungan gini ratio: a. Jumlah rumah tangga atau penduduk b. Rata-rata pendapatan atau pengeluaran rumah tangga yang sudah dikelompokkan menurut kelasnya. Rumus menghitung rasio gini: k
G
1 i 1
Pi (Qi Qi 1 ) 10.000
Dengan : Pi : presentase rumah tangga atau penduduk pada kelas ke-i 41
Qi : presentase kumulatif total pendapatan atau pengeluaran sampai kelas ke-i 2.
Produk Domestik Regional Bruto (PDRB) Produk Domestik Regional Bruto adalah jumlah nilai tambah
barang dan jasa yang dihasilkan dari seluruh kegiatan perekonomian di suatu daerah. PDRB dapat diartikan dalam tiga pengertian, yaitu : a. Menurut pengertian produksi, PDRB adalah jumlah nilai produk barang dan jasa akhir yang dihasilkan oleh berbagai unit produksi didalam suatu wilayah dalam jangka waktu tertentu (satu tahun). b. Menurut pengertian pendapatan, PDRB adalah jumlah balas jasa yang diterima oleh faktor-faktor produksi yang ikut serta dalam proses produksi diasuatu wilayah atau daerah dalam jangka waktu tertentu (satu tahun). c. Menrut
pengertian
pengeluaran,
PDRB
adalah
jumlah
pengeluaran yang dilakukan untuk konsumsi rumah tangga dan lembaga swasra yang tidak mencari keuntungan, konsumsi pemerintah, pembentukan modal tetap bruto, perubahan stok dan ekspor neto (ekspor dikurangi impor). Data PDRB yang digunakan dalam penelitian ini menggunakan data PDRB atas dasar harga konstan masing-masing sektor (pertanian, pertambangan, industry pengolahan, listrik, gas dan air bersih, konstruksi, perdagangan, hotel dan restoran, pengangkutan dan komunikasi, 42
keuang,real estate dan jasa perusahaan, jasa-jasa). PDRB atas dasar harga konstan adalah jumlah nilai produksi atau pendapatan yang di nilai atas dasar harga tetap (harga pada tahun dasar) yang digunakan selama satu tahun. 3.
Presentase Penduduk Miskin Presentase penduduk miskin adalah jumlah penduduk miskin
disuatu wilayah untuk mempermudah membandingkan suatu wilayah dengan wilayah lainnya. Tingkatan status kemiskinan tersebut bias menjadi alat ukur yang berfungsi sebagai patokan dasar perencanaan jika dibandingkan antar waktu untuk memberikan gambaran kemajuan setelah suatu periode atau perbandingan antar wilayah untuk memberikan gambaran tentang tingkat kemajuan suatu wilayah relative terhadap wilayah lain. Nilai presentase penduduk miskin berkisar antara 0-100. Semakin tinggi presentase menunjukkan tingkat jumlah penduduk miskin disuatu wilayah semakin tinggi. Cara menghitung presentase penduduk miskin sebagai berikut : Po = banyaknya penduduk miskin / jumlah penduduk × 100% 4.
Angka Partisipasi Sekolah (APS) Angka partisipasi sekolah merupakan ukuran daya serap lembaga
pendidikan terhadap penduduk usia sekolah. APS merupakan indikator dasar yang digunakan untuk melihat akses penduduk pada fasilitas pendidikan
khususnya
bagi
penduduk 43
usia
sekolah
di
suatu
wilayah/daerah. Semakin tinggi angka partisipasi sekolah semakin besar jumlah penduduk yang berkesempatan mengenyam pendidikan. Namun demikian meningkatnya APS tidak selalu dapat diartikan sebagai meningkatnya pemerataan kesempatan masyarakat untuk mengenyam pendidikan. APS yang tinggi menunjukkan terbukanya peluang yang lebih besar dalam mengakses pendidikan secara umum. Pada kelompok umur mana peluang tersebut terjadi dapat dilihat dari besarnya APS pada setiap kelompok umur. Table 3.1 Ringkasan Data No
Variabel
Satuan
Periode
Sumber Data
1
PDRB Sektor Pertanian, Perkebunan, Peternakan & kehutanan
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
2
PDRB Sektor Pertambangan dan penggalian
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
3
PDRB Sektor Industri Pengolahan
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
4
PDRB Sektor Listrik, Gas dan Air Bersih
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
5
PDRB Sektor Konstruksi
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
6
PDRB Sektor Perdagangan, Hotel & Restoran
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
7
PDRB Sektor Pengankutan & komunikasi
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
8
PDRB Sektor Keuangan, Real
Dalam Milyar
Mulai dari tahun 2007 –
Badan Pusat Statistik Provinsi
44
9
Estat & Jasa Perusahaan
Rupiah
tahun 2013
DIY
PDRB Sektor
Dalam Milyar Rupiah
Mulai dari tahun 2007 – tahun 2013
Badan Pusat Statistik Provinsi DIY
Jasa-Jasa
3.6
10
Presentase penduduk Miskin
Dalam Persen (%)
Mulai dari tahun 2007 – tahun 2013
Website Badan Pusat Statistik Indonesia
11
Angka Partisipasi Sekolah
Dalam persen (%)
Mulai dari tahun 2007 – tahun 2013
Website Badan Pusat Statistik Indonesia
Metode Analisis Data Penelitian ini bersifat deskriptif sehingga digunakan data
kuantitatif yaitu analisis dengan mengolah data dari hasil yang dinyatakan dalam angka untuk dianalisis dengan perhitungan statistik terhadap objek yang diteliti. 3.6.1
Statistik Deskriptif Statistika deskriptif adalah metode-metode yang berkaitan dengan
pengupulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Dengan statistika deskriptif, kumpulan data yang diperoleh akan tersaji dengan ringkas dan rapih serta dapat memberikan informasi inti dari kumpulan data yang ada. Informasi yang dapat diperoleh dari statistika deskriptif ini antara lain : a.
Ukuran pemusatan data (Measure of central tendency), ukuran pemusatan data yang sering digunakan adalah distribusi frekuensi.
45
b. ukuran penyebaran data, (Measure of spread, ukuran penyebaran data yang sering digunakan standar deviasi ukuran ini cocok digunakan untuk numerik atau continuos. Sementara informasi yang didapat dari statistic deskriptif diantaranya : a. mean atau rata-rata merupakan nilai yang memberi informasi tentang besaran rata-rata yang ada pada data. b. Median merupakan nilai tengah dari rangkaian data yang telah disusun secara berurut. c. Standar deviasi adalah nilai statistic yang digunakan untuk menentukan bagaimana sebaran data dalam sampel, dan seberapa dekat titik data individu ke mean – atau rata-rata – nilai sampel. d. Nilai maksimum adalah nilai yang terbesar dalam rangkaian data sampel e. Nilai minimum adalah terkecil dalam rangkaian data sampel. 3.6.2 Data Panel Metode yang digunakan dalam penelitian ini adalah melakukan analisis regresi data panel dengan menggunakan bantuan program E-views 7. Data panel merupakan gabungan antara data silang (cross-section) dengan data runtut waktu (time series). Penggunaan data panel dapat menjelaskan dua macam informasi yaitu informasi antar unit (crosssection) pada perbedaan antar subjek, dan informasi antar waktu (time 46
series) yang merefleksikan perubahan pada subjek waktu. Dalam regresi data panel ada tiga cara pendekatan yaitu common effect, fixed effect, dan random effect. a. Pendekatan Koefisien Tetap Antar Waktu dan Individu (Common Effect) Teknik yang paling sederhana yaitu dengan menggabungkan data time series dan data cross section disebut metode common effect atau metode OLS (ordinary Least Square). Metode ini tidak memperhatikan perbedaan baik antar waktu maupun antar individu sehingga hasil analisis regresi diasumsikan sama pada individu atau objek dalam berbagai periode waktu b. Pendekatan Slope Konstan tetapi Intersep Berbeda Antar Individu (Fixed effect) Pada pembahasan sebelumnya kita mengasumsikan bahwa intersep maumupun slope adalah sama baik antar waktu maupun antar perusahaan. Namun, asumsi ini jelas sangat jauh dari kenyataan sebenarnya. Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan model memungkinkan adanya intersep yang tidak konstan atau dengan kata lain, intersep ini mungkin berubah untuk setiap individu dan waktu. Pemikiran inilah yang menjadi dasar pemikiran pembentukan model tersebut. Model fixed effect merupakan teknik mengestimasi data panel dengan menggunakan variabel dummy untuk menangkap adanya intersep
47
(Widardjono, 2009:232). Metode ini disebut juga metode LSDV (Least Square Dummy Variables) c. Pendekatan Efek Acak (Random Effect) Pada model efek tetap, perbedaan antar-individu dana tau waktu dicerminkan lewat intercept, maka pada model efek acak, perbedaan tersebut diakomodasikan lewat error. Teknik ini juga memperhitungkan bahwa error mungkin berkolerasi sepanjang time series dan cross section. 3.6.3
Pemilihan Model Data Panel Seperti diketahui terdapat tiga jenis teknik estimasi model regresi
data panel, yaitu model dengan metode OLS (common), model Fixed Effect dan model Random Effect. Pemilihan model terbaik dapat dilakukan dengan du acara pertama, dengan membandingkan antara uji fixed effect dan random effect yang dikenal dengan uji Hausman. Kedua, dengan membandingkan antara common dan fixed effect. Apabila dalam uji yang pertama mendapatkan hasil bahwa model common effect adalah metode terbaik, maka pengujian cukup sampai tahan pertama yakni metode analisis yang digunakan adalah metode common effect. Namun apabila dalam uji pertama mendapatkan hasil bahwa model fixed effect adalah yang terbaik, maka pengujian dilanjutkan pada metode yang kedua yaitu melakukan uji Hausman yaitu dengan membandingkan metode fixed effect dan random effect. 1. Uji Signifikansi Common Effect dan Fixed Effect
48
Setelah melakukan regresi dua model dengan asusmsi bahwa slope dan intersep sama dan model dengan asumsi bahwa slope sama tetapi intersep berbeda. Keputusan untuk menambahkan variabel dummy guna untuk mengetahui bahwa intersep berbeda (Widardjono, 2009) Uji ini digunakan untuk memilih antara model common effect dan fixed effect. Pemilihannya dengan cara melihat nilai probabilitas F statistikanya. H0 : untuk memilij metode Common Effect, jika nilai probabilitas F statistiknya tidak signifikan pada tingkat signifikansi (α) = 5% H1 : untuk memilih metode Fixed Effect, jika nilai probabilitas F statistiknya signifikan pada tingkat signifikansi (α) = 5% 2. Uji Signifikansi Fixed Effect dan Random Effect Ada dua hal untuk mempertimbangkan pemilihan model antara fixed effect dan random effect. Pertama, tentang ada tidaknya korelasi antara error term eit dengan variabel bebas. Jika diasumsikan terjadi korelasi antara eit dengan variabel bebas maka model random effect lebih tepat. Kedua, berkaitan dengan jumlah sampel penelitian, jika sampel yang diambil adalah hanya sebagian kecil dari populasi maka kita akan mendapatkan error term eit yang bersifat random sehingga model random effect lebih tepat. Hausnan mengembangkan suatu uji statistik untuk memilih model antara fixed effect dan random effect yang didasarkan pada LSDV di dalam metode fixed effect dan GLS tidak efisien, namun
49
di lain sisi metode OLS efisien dan GLS tidak efisien, karena itu uji hipotesis nolnya adalah hasil estimasi keduanya tidak berbeda sehingga uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut. H0 = memilih metode random effect, jika nilai probabilitas F statistiknya tidak signifikan pada tingkat signifikansi (α) = 5% H1 : untuk memilih metode fixed effect, jika nilai probabilitas F statistiknya signifikan pada tingkat signifikansi (α) = 5%
Gambar 3.1 Skema Pemilihan Data Panel
Sumber : Jaka Sriyana (2014) 50
3.6.4
Pengujian Hipotesis Untuk melakukan pengujian terhadap hipotesis-hipotesis yang
diajukan,
perlu
dilakukan
adanya
model
regresi
berganda
dan
menggunakan model analisis Uji t dan Uji F. Uji t digunakan untuk menguji secara parsial masing-masing variabel. Hasil uji t dapat dilihat pada table coefficients pada kolom sig (significance) jika probabilitas nilai t atau signifikansi < 0,05 maka dapat dikatakan bahwa terdapat pengaruh antara variabel bebas terhadap variabel terikat secara parsial. Jika probabilitas t atau signifikansi > 0,05 maka dapat dikatakan bahwa tidak terdapat pengaruh yang signifikan antara masing-masing variabel bebas terhadap variabel terikat. Uji F digunakan untuk mengetahui pengaruh variabel bebas secara bersama-sama (simultan0 terhadap variabel terikat. Signifikan berarti hubungan yang terjadi dapat berlaku untuk populasi. Hasil uji F dapat dilihat pada table ANOVA dalam kolom sig. penggunaan tingkat signifikansi beragam, tegantung keinginan peneliti yaitu 0,01 (1%), 0,05 (5%) dan 0,10 (10%). 1. Model Regresi Data Panel Pada tahap ini penulis akan membuat model regresi yang menggambarkan hubungan antara PDRB 9 sektor, Presentase Penduduk Miskin, dan Angka Partisipasi Sekolah terhadap variabel dependen Rasio Gini. Adapun modelnya dituliskan sebagai berikut :
51
GINIDit = β0 + β1(ppk)it + β2(pp)it + β3(ip)it + β4(LGA)it + β5(K)it + β6(PHR)it + β7(PK)it + β8(KRJP)it + β9(jasa)it + β10(PPM)it + β11(APS)it + eit
Keterangan : -
GINIDit = rasio gini (dalam persen)
-
β0 = konstanta
-
β1, β2, β3, β4, β5, β6, β7, β8, β9, β10, dan β11 = koefisien
-
PPKit = Sektor Pertanian Perkebunan & kehutanan (dalam
-
PPit = Sektor Pertambangan dan Penggalian
-
IPit = Sektor Industri Pengolahan
-
LGAit = Sektor Listrik, Gas dan Air Bersih
-
Kit = Sektor Konstruksi
-
PHRit = Sektor Perdagangan, Hotel & Restoran
-
PKit = Sektor Pengangkutan dan Komunikasi
-
KRJPit = Sektor Keuangan, Real Estat & Jasa Perusahaan
-
JASAit = Sektor Jasa-jasa
-
PPMit = Presentase Penduduk Miskin (dalampersen)
-
APSit = Angka partisipasi sekolah (dalam persen)
-
Eit = error
2. Uji Hipotesis a. Uji t statistik Uji ini digunakan untuk membuktikan pengaruh variabel bebas terhadap variabel terikat yaitu pengaruh 9 sektor PDRB, PPM dan APS
terhadap
rasio
gini.
Pengujian
52
ini
dilakukan
dengan
membandingkan nilai t statistik dengan t kritis. Dalam bukunya, widardjono (2009:65) juga menjelaskan bahwa keputusan menolak atau menerima H0 sebagai berikut : -
Jika nilai t statistik > nilai t kritis maka H0 ditolak atau menerima Ha
-
Jika nilai t statistik < nilai t kritis maka Ho diterima atau menolak Ha Penelitian ini juga melakukan uji t statistik berdasarkan pada
tingkat signifikansi atau derajat keyakinan sebesar (α) = 5%. Stiawan (2009) mengungkapkan bahwa analisis didasarkan pada perbandingan antara nilai signifikansi t dengan nilai signifikansi (α) = 5% dimana syaratnya adalah : -
Jika signifikansi t < 0,05 maka Ho ditolak, hal ini berarti variabel independen berpengaruh positif pada variabel dependen
-
Jika signifikansi t > 0,05 maka Ho diterima, hal ini berarti variabel independen tidak berpengaruh pada variabel dependen
b. Uji F Statistik Uji F digunakan untuk menunjukan apakah semua variabel independent 9 sektor PDRB, PPM dan APS mempengaruhi secara bersama-sama variabel rasio gini dengan cara membandingkan nilai F statistic dengan F table. Stiawan (2009) Menyatakan bahwa uji ini dilakukan dengan syarat :
53
-
Jika F statistik < F tabel maka H0 diterima yaitu variabel independen
secara
simultan
tidak
mempengaruhi
variabel
dependen -
Jika F statistik > F tabel maka H1 diterima yaitu variabel independen secara simultan mempengaruhi variabel dependen.
c. Koefisien Determinasi (R2) Pengujian ini bertujuan untuk mengetahui seberapa besar kemampuan model semua variabel independen dalam menerangkan variasi variabel dependen atau untuk mengukur seberapa besar proporsi variabel dependen atau untuk mengukur seberapa besar proporsi variabel dependen dapat dijelaskan oleh semua variabel independen. Nilai koefisien determinasi adalah antara nol atau satu. Dewi (2010) mengungkap bahwa besarnya nilai R2 jika semakin mendekati 0 berarti kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Beasrnya R2 jika mendekati 1 berarti variabel bebas berpengaruh terhadap variasi variabel terikat. Selain itu koefisien determinasi R2 digunakan untuk mengetahui presentase perubahan variasi variabel terikat yang disebabkan oleh variasi variabel bebas.
54
