40
BAB III METODE PENELITIAN
A. Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah menganalisis pengaruh antara upah minimum, Indeks Pembangunan Manusia (IPM), dan pengangguran terhadap tingkat kemiskinan 38 Kabupaten/Kota di Provinsi Jawa Timur Tahun 2014. B. Jenis dan Sumber Data Penelitian ini menggunakan data sekunder. Data sekunder yang digunakan dalam penelitian ini adalah data deret lintang (cross-section data) yang meliputi 38 kabupaten/kota di Provinsi Jawa Timur. Data tersebut berasal dari Badan Pusat Statistik (BPS) Provinsi Jawa Timur. Data yang dibutuhkan dalam penelitian ini antara lain: 1. Data kemiskinan 38 Kabupaten/Kota Provinsi Jawa Timur Tahun 2014. 2. Data upah minimum 38 Kabupaten/Kota Provinsi Jawa Timur Tahun 2014. 3. Data IPM 38 Kabupaten/Kota Provinsi Jawa Timur Tahun 2014. 4. Data pengangguran 38 Kabupaten/Kota Provinsi Jawa Timur Tahun 2014. C. Definisi Operasional Variabel Variabel yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Variabel Dependen Variabel dependen merupakan variabel yang menjadi variabel utama dalam suatu pengamatan (Kuncoro, 2003). Variabel dependen dalam penelitian ini adalah kemiskinan. Kemiskinan adalah keadaan di mana
40
41
terjadi ketidakmampuan untuk memenuhi kebutuhan dasar seperti makanan, pakaian, tempat berlindung, pendidikan, dan kesehatan (Amalia, 2012). Dalam penelitian ini, kemiskinan diukur dari jumlah penduduk miskin, yaitu penduduk yang memiliki rata-rata pengeluaran perkapita perbulan dibawah garis kemiskinan, yaitu penjumlahan dari Garis Kemiskinan Makanan (GKM) dan Garis Kemiskinan Non Makanan (GKNM). Data tersebut dinyatakan dalam ribu jiwa. 2. Variabel Independen Variabel independen adalah variabel yang dapat mempengaruhi perubahan dalam variabel dependen dan mempunyai hubungan yang positif atau negatif bagi variabel dependen nantinya (Kuncoro, 2003). Variabel independen yang digunakan dalam penelitian ini meliputi: a. Upah minimum, merupakan upah bulanan terendah yang terdiri atas upah pokok termasuk tunjangan tetap yang ditetapkan oleh gubernur sebagai jaringan pengaman (Peraturan Menteri Tenaga Kerja dan Transmigrasi Nomor 7 Tahun 2013 tentang Upah Minimum). Karena dalam penelitian ini wilayah penelitian adalah kabupaten/kota maka data yang digunakan untuk mewakili
upah minimum
adalah data
Upah
Minumum
Kabupaten/Kota (UMK), yaitu upah minimum yang berlaku di kabupaten/kota, dinyatakan dalam rupiah. b. Indeks Pembangunan Manusia (IPM), merupakan salah satu alat ukur yang digunakan untuk menilai kualitas pembangunan manusia. IPM yang digunakan dalam penelitian ini adalah IPM metode baru, yaitu dihitung
42
dari rata-rata indeks kesehatan yang diukur dari Angka Harapan Hidup (AHH), indeks pendidikan yang diukur dari Harapan Lama Sekolah (HLS) dan Rata-rata Lama Sekolah (RLS) dan indeks pengeluaran yang diukur dengan pengeluaran per kapita disesuaikan (BPS, 2015a). Variabel ini dinyatakan dalam satuan indeks. c. Pengangguran, merupakan suatu keadaan di mana seseorang yang tergolong dalam angkatan kerja ingin mendapatkan pekerjaan tetapi belum dapat memperolehnya (Sukirno, 1998). Data yang digunakan adalah Tingkat Pengangguran Terbuka (TPT) yaitu hasil bagi antara jumlah pengangguran terhadap jumlah angkatan kerja. Niai TPT menerangkan angkatan kerja yang tidak terserap pada pasar kerja. Variabel ini dinyatakan dalam satuan persen. D. Teknik Analisis Data Alat analisis yang digunakan dalam penelitian ini adalah Ordinary Least Square (OLS). Analisis regesi adalah studi mengenai ketergantungan suatu variabel dependen (variabel terikat) terhadap variabel independen (variabel independen) untuk mengestimasi atau meramalkan nilai-nilai populasi variabel dependen berdasarkan nilai tetap variabel independen. Tahapan dalam penelitian ini adalah sebagai berikut: 1. Uji Pemilihan Bentuk Fungsi Model Pemilihan model regresi bertujuan untuk menentukan apakah model yang digunakan berbentuk linier atau log linier. Dalam penelitian ini dalam memilih model regresi menggunakan uji MWD (MacKinnon, White,
43
and Davidson). Untuk dapat menerangkan uji MWD, langkah pertama adalah membuat dua model regresi: Model 1: Regresi Liniear K = 0 + 1Upah + 2IPM + 3P + . . . . . . . . . . . . . . . . . (3.1) dimana: K
= Kemiskinan per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
Upah = Upah minimum per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014 IPM
= Indeks Pembangunan Manusia (IPM) per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
P
= Pengangguran per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
0
= Konstanta
1- 3 = Koefisien Variabel Independen
= Faktor pengganggu
Model 2: Regresi Log Liniear LK = 0 + 1LUpah + 2IPM + 3P + . . . . . . . . . . . . . (3.2) dimana: LK
= Kemiskinan per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
Upah = Upah minimum per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014 IPM
= Indeks Pembangunan Manusia (IPM) per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
P
= Pengangguran per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
0
= Konstanta
44
1- 3 = Koefisien Variabel Bebas
= Faktor pengganggu
Adapun langkah-langkah metode MWD menurut Rahayu (2007) adalah sebagai berikut : a. Lakukan stimasi persamaan (3.1) dan (3.2), kemudian didapatkan nilai fitted dari K dan diberi nama KF. Sedangkan nilai fitted dari KF diberi nama LKF. b. Dapatkan nilai Z1 dengan cara mengurangkan nilai log dari KF dengan LKF. c. Dapatkan nilai Z2 dengan cara mengurangkan nilai antilog dari KF dengan LKF. d. Lakukan regresi dengan menggunakan persamaan (3.1) ditambah Z1 sebagai variabel penjelas. K = 0 + 1Upah + 2IPM + 3P + 4Z1 + . . . . . . . . . . . . . . (3.3) Jika Z1 signifikan secara statistik maka H0 (menolak model linier). Sedangkan apabila Z1 tidak signifikan secara statistik maka H0 (menerima model linier). e. Lakukan regresi dengan menggunakan persamaan (3.2) ditambah Z2 sebagai variabel penjelas. LK= 0 + 1LUpah + 2IPM + 3P + 4Z2 + . . . . . . . . . . . . . (3.4)
45
Apabila Z2 signifikan secara statistik maka H0 (model log-linier ditolak). Sedangkan apabila Z1 tidak signifikan secara statistik maka H0 (model log-linier diterima).
2. Ordinary Least Square (OLS) Ordinary Linear Square (OLS) merupakan metode estimasi fungsi regresi yang paling sering digunakan. Kriteria OLS adalah "Line of Best Fit" atau dengan kata lain jumlah kuadrat dari deviasi antara titik-titik observasi dengan garis regresi adalah minimum. Dalam model regresi linear memiliki beberapa asumsi dasar yang harus dipenuhi untuk menghasilkan estimasi yang BLUE, yaitu : Homoscedastic, no-multicollinearity dan no-autocorrelation. Adapun estimator yang baik adalah estimator yang bersifat BLUE menurut Gujarati (2010), yaitu: 1. Bersifat liniear, di mana merupakan fungsi liniear dari sebuah variabel acak, seperti variabel dependen Y dalam sebuah model regresi. 2. Bersifat tidak bias, di mana nilai rata-rata atau nilai ekspektasinya, E (
), sama dengan nilai sebenarnya
.
3. Memiliki varians minimum dari semua kelompok estimator-estimator yang liniear dan tidak bias, sebuah estimator tidak bias dengan varians terkecil dikenal sebagai estimator yang efisien (efficient estimator).
46
E. Model Penelitian Penelitian ini menganalisis pengaruh kemiskinan, upah minimum, Indeks Pembangunan Manusia (IPM), dan pengangguran terhadap tingkat kemiskinan 38 Kabupaten/Kota di Provinsi Jawa Timur. Model persamaan dalam penelitian ini adalah sebagai berikut: K = 0 + 1Upah + 2IPM + 3P+ . . . . . . . . . . . . . . . . . (3.5) Dimana: K
= Kemiskinan per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
Upah
= Upah minimum per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
IPM
= Indeks Pembangunan Manusia (IPM) per Kabupaten/Kota Provinsi Jawa Timur tahun 2014
P
= Pengangguran per Kabupaten/Kota di Provinsi Jawa Timur tahun 2014
0
= Konstanta
1- 3
= Koefisien Variabel Bebas
= Faktor pengganggu
F. Uji Statistik Pengujian hipotesis ini dilakukan untuk menguji signifikasi atau pengaruh variabel independen terhadap variabel dependen. Pengujian hipotesis dilakukan setelah model dinyatakan bebas dari penyimpangan asumsi klasik. Ketiga pengujian yang harus dilakukan dalam uji statistik adalah sebagai berikut:
47
1. Uji Koefisien Parsial (Uji t) Uji t dilakukan untuk melihat pengaruh nyata dari variabel independen terhadap variabel dependen secara parsial. Menurut Supriyanto dan Susilo (2007) uji t adalah uji statistik dari semua koefisien regresi (Two Tail). Tahapan dalam pengujian uji t adalah sebagai berikut: a. Menentukan Hipotesis H0 : 1 = 0. Berarti variabel independen secara individu tidak berpengaruh terhadap variabel dependen. H0 : 1 ≠ 0. Berarti variabel independen secara individu berpengaruh terhadap variabel dependen. b. Menentukan nilai α Nilai α yang dipilih adalah 0,05. c. Melakukan pengujian nilai t thitung =
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3.6)
ttabel = t (α/2, n-k) . . . . . . . . . . . . . . .. . . . . . . . . . . . . . (3.7) dimana: 1 = Koefisien Regresi
SE = Standar Error n = Jumlah observasi k = Jumlah variabel
48
Gambar 3.1 Kurva Uji t Sumber: Supriyanto & Susilo (2007) d. Kriteria Pengujian Pada tingkat signifikansi 5 persen dengan pengujian yang digunakan adalah sebagai berikut: 1) H0 diterima jika thitung > ttabel atau -thitung -ttabel Variabel independen tidak mempengaruhi variabel dependen secara signifikan. 2) H0 ditolak jika thitung ttabel atau -thitung > -ttabel Variabel independen mempengaruhi variabel dependen secara signifikan.
2. Uji Signifikansi Stimulan (Uji F) Uji F dilakukan untuk mengetahui apakah variabel independen secara bersama-sama memiliki pengaruh yang signifikan terhadap variabel dependen. Tahapan dalam uji F dijelaskan sebagai berikut: a. Menentukan Hipotesis H0 : 1 = 2 = 3 = 4 = 0 . Berarti variabel independen secara simultan tidak berpengaruh terhadap variabel dependen.
49
H0 : 1 ≠ 2 ≠ 3 ≠ 4 ≠ 0 . Berarti variabel independen secara simultan berpengaruh terhadap variabel dependen. b. Menentukan α Nilai α yang dipilih adalah 0,05. c. Melakukan Penghitungan Nilai F 1) F tabel Ftabel = α; (N – K) ; (K – 1) dimana: α = derajat signifikasi N = banyak data yang digunakan K = Banyaknya parameter atau koefisien plus konstanta 2) F hitung F=
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . (3.8)
dimana: R2 = Koefisien determinasi berganda K = Jumlah seluruh variabel N = Jumlah seluruh observasi
50
Gambar 3.2 Kurva Uji F Sumber : Gujarati, 2010
d. Kriteria Pengujian Pada tingkat signifikansi 5 persen dengan pengujian yang digunakan adalah sebagai berikut: 1) H0 diterima jika Fhitung < Ftabel Variabel independen secara bersama-sama tidak mempengaruhi variabel dependen secara signifikan. 2) H0 ditolak jika Fhitung > Ftabel Variabel independen secara bersama-sama mempengaruhi variabel dependen secara signifikan. 3. Uji Koefisien Determinasi (R2) Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan suatu model dalam menerangkan variasi variabel terikat. Nilai R2 adalah antara nol dan satu (0 R2 1). Nilai R2 yang kecil (mendekati nol) berarti kemampuan satu variabel dalam menjelaskan variabel dependen amat terbatas. Nilai yang mendekati satu berarti variabel-variabel independen memberikan hampir semua informasi yang dibutuhkan untuk
51
memprediksi variabel dependen. Koefisien determinasi dapat dirumusnya sebagai berikut:
Adjusted R2 =
. . . . . . . . . . . . . . . . . . . . . . . . . . . (3.9)
dimana: R2 = Koefisien determinasi k = Jumlah variabel independen N = Jumlah observasi G. Pengujian Asumsi Klasik Sebelum melakukan analisis data, beberapa asumsi perlu dipenuhi agar dihasilkan estimator yang linear tidak bias. Menurut Gujarati (2010), agar estimator bersifat BLUE (Best Liniear Unbiased Estimator), model tersebut harus memenuhi asumsi-asumsi dasar klasik Ordinary Least Square (OLS). maka perlu dilakukan uji asumsi klasik. Asumsi-asumsi tersebut adalah: 1. Uji Autokorelasi Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu berkorelasi dengan variabel yang pada periode lain, dengan kata lain variabel gangguan yang tidak random. Faktor-faktor yang menyebabkan autokorelasi antara lain kesalahan dalam menentukan model, penggunaan lag pada model, memasukkan variabel yang penting. Akibat dari adanya autokorelasi adalah parameter yang diestimasi menjadi bias dan variannya minimum, sehingga tidak efisien (Gujarati,2010). Model regresi yang baik mensyaratkan tidak adanya autokorelasi.
52
Untuk menguji ada tidaknya masalah autokorelasi dapat melakukan uji Breusch Godfrey (B-G Test). Uji ini dikembangkan oleh T.S. Breusch dan L.G. Godfrey pada tahun 1978. =
+
+
+...+
+
Hipotesis : H0 =
=
=...=
= 0, tidak ada korelasi serial orde p
Ha =
≠
≠...≠
≠ 0, ada korelasi serial
Langkah-langkah pengujiannya berdasarkan Rahayu (2007) adalah sebagai berikut: a. Estimasi persamaan regresi dengan OLS, dapatkan nilai residualnya ( ). b. Regresi
terhadap variabel bebas dan
.....
c. Hitug (n-p)R2 ~ χ2. Jika lebih besar dari nilai chi-square dengan df p, atau jika p-value 5%, menolak hipotesa bahwa setidaknya ada satu koefisien autokorelasi yang berbeda dengan 0. 2. Uji Multikolinearitas Dalam praktiknya, masalah multikolineritas tidak dapat dihindari. Multikolinearitas merupakan hubungan liniear secara sempurna maupun tidak sempurna di antara sebagian atau seluruh varabel penjelas dalam sebuah model regresi (Gujarati, 2010). Untuk menguji ada atau tidaknya masalah multikolinieritas dapat dilakukan dengan menggunakan pendekatan parsial. Pendekatan ini digunakan untuk mengetahui hubungan antara dua
53
variabel dimana variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat tetap (sebagai variabel kontrol). Menurut Rahayu (2007) metode ini disarankan oleh Farrar dan Gruber pada tahun 1967. Langkah-langkah untuk menerapkan metode ini adalah: 1. Lakukan estimasi regresi awal, yaitu melakukan estimasi regresi antara variabel dependen dengan semua variabel independen. 2. Lakukan regresi antara variabel independen. 3. Pedoman yang digunakan, jika nilai R2a (R2 regresi awal) lebih tinggi dari nilai R2 pada regresi antar variabel bebas, maka dalam model empirik tidak terdapat adanya multikolinieritas, dan sebaliknya. 3. Uji Heteroskedastisitas Salah satu asumsi dasar regresi liniear adalah bahwa variasi residual (variabel gangguan) sama untuk semua pengamatan. Jika terjadi suatu keadaan dimana variabel gangguan tidak mempunyai varian yang sama untuk semua observasi, maka dikatakan dalam model regresi tersebut terdapat suatu gejala heteroskedasitas (Gujarati,2003). Hal ini akan menyebabkan penarikan koefisien regresi tidak efisien, sehingga kesimpulan yang akan dibuat akan menyesatkan karena terjadi understimate atau overstimate. Model regresi yang baik adalah tidak mengandung masalah heteroskedasitas. Salah satu cara untuk menguji masalah heteroskedastisitas adalah dengan uji Glejser. Uji Glesjer dilakukan dengan cara meregresikan antara variabel independen dengan nilai absolut residualnya. Sebagai pengertian dasar,
54
residual adalah selisih antara nilai observasi dengan nilai prediksi dan absolut adalah nilai mutlaknya.: │Ut│= a + Xi + vt Dengan menggunakan dasar pengambilan keputusan sebagai berikut: H0 : tidak ada gejala heteroskedasitas. Ha : ada gejala heteroskedasitas. Jika hasil regresi didapatkan nilai signifikansi > 0,05, kesimpulannya adalah menerima H0, artinya tidak terdapat gejala heteroskedasitas. Sebaliknya jika nilai signifikansi 0,05, kesimpulannya adalah menolak H1, yang artinya terdapat gejala heteroskedasitas. 4. Uji Normalitas Uji Normalitas bertujuan untuk mengetahui apakah dalam model regresi, variabel dependen maupun independen mempunyai distribusi normal atau tidak. Model regresi yang baik adalah yang mendekati distribusi normal atau mendekati normal (Ghozali, 2005). Uji normalitas salah satunya dilakukan dengan menggunakan uji Jarque-Bera (JB). JB = n di mana : n = ukuran sampel, S = koefisien skewness, K = koefisien kurtosis. Untuk distribusi normal, S=0 dan K=3, dan nilai JB diharapkan mendekati nol. Hipotesisnya adalah: H0: data berdistribusi normal Ha: data tidak berdistribusi normal
55
Jika hasil pengujian diperoleh nilai probabilitas Jarque-Bera lebih besar daripada tingkat signifikasi (p-value JB > α), maka hipotesis nol diterima yang artinya data berdistribusi normal, sebaliknya jika nilai probabilitas Jarque-Bera lebih kecil daripada tingkat signifikasi (p-value JB α) maka hipotesis nol ditolak yang artinya data tidak berdistribusi normal.
