BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian ini bersumber dari data sekunder mulai dari tahun 2005 sampai dengan tahun 2010. Data tersebut didapat dari beberapa sumber sebagai berikut: 1. Data Penyerapan Tenaga Kerja yang didekati dengan Penduduk usia 15 tahun ke atas yang bekerja diperoleh dari publikasi Sumatera Barat Dalam Angka Tahun 2005 s/d 2010 dan Keadaan Angkatan Kerja di Sumatera Barat Tahun 2008-2010 yang diterbitkan oleh Badan Pusat Statistik Provinsi Sumatera Barat. 2. Data Pengeluaran Pemerintah diperoleh dari publikasi Statistik Keuangan Daerah Kabupaten/Kota yang diterbitkan oleh BPS RI. 3. Data PDRB diperoleh dari publikasi Produk Domestik Regional Bruto Sumatera Barat menurut Kabupaten/Kota yang diterbitkan oleh Badan Pusat Statistik Provinsi Sumatera Barat. 4. Data
Upah
Riil
diperoleh
dari
hasil
pembagian
antara
rata-rata
pendapatan/gaji/upah nominal dengan indeks harga konsumen dikalikan 100, dimana:
rata-rata pendapatan/gaji/upah nominal diperoleh dari publikasi Statistik Upah Buruh dan hasil Survei Angkatan Kerja Nasional,
23
data Indeks Harga Konsumen (IHK) diperoleh dari publikasi Indeks Harga Konsumen Kota Padang Tahun 2005-2010 yang diterbitkan oleh Badan Pusat Statistik Provinsi Sumatera Barat.
3.2 Metode Analisis Pengolahan atas data sekunder yang telah dikumpulkan dari berbagai sumber dilakukan menggunakan beberapa paket program statistik, seperti: Microsoft Excel 2010, dan EViews 6.0. Kegiatan pengolahan data menggunakan Microsoft Excel 2010 menyangkut pembuatan tabel dan analisis. Sementara itu pada pengolahan regresi data panel, penulis menggunakan paket program EViews 6.0.
3.2.1 Analisis Deskriptif Analisis deskriptif merupakan bentuk analisis sederhana yang bertujuan mendeskripsikan dan mempermudah penafsiran yang dilakukan dengan memberikan pemaparan dalam bentuk tabel, grafik, dan diagram. Analisis deskriptif ini digunakan untuk menggambarkan situasi ketenagakerjaan secara umum meliputi jumlah angkatan kerja, penyerapan tenaga kerja dan pengangguran. Selain itu, juga untuk menggambarkan deskripsi variabel-variabel yang mempengaruhi penyerapan tenaga kerja yaitu pengeluaran pemerintah, PDRB, dah upah riil.
24
3.2.2 Analisis Regresi Data Panel Analisis regresi data panel digunakan untuk melihat pengaruh pengeluaran pemerintah, PDRB dan Upah Riil terhadap Penyerapan Tenaga Kerja di Provinsi Sumatera Barat melalui persamaan strukturalnya. Data panel diperoleh dengan menggabungkan data cross section dan time series. Penggunaan model regresi data panel memungkinkan peneliti untuk dapat menangkap karakteristik antar individu dan antar waktu yang bisa saja berbedabeda. Regresi dengan menggunakan panel data / data panel / pooled data, memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series (Gujarati, 2004:637), diantaranya sebagai berikut: 1. Data panel mampu menyediakan data yang lebih banyak, sehingga dapat memberikan informasi yang lebih lengkap. Sehingga diperoleh degree of freedom (df) yang lebih besar sehingga estimasi yang dihasilkan lebih baik. 2. Dengan menggabungkan informasi dari data time series dan cross section dapat mengatasi masalah yang timbul karena ada masalah penghilangan variabel (omitted variable). 3. Data panel mampu mengurangi kolinearitas antarvariabel. 4. Data panel lebih baik dalam mendeteksi dan mengukur efek yang secara sederhana tidak mampu dilakukan oleh data time series murni dan cross section murni. 5. Dapat menguji dan membangun model perilaku yang lebih kompleks. Sebagai contoh, fenomena seperti skala ekonomi dan perubahan teknologi.
25
6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregat individu, karena data yang diobservasi lebih banyak. Model regresi linear pada data panel dapat dituliskan sebagai berikut: (3.1) Dimana: i = 1,……, N; N adalah jumlah individu/cross-sectional units (kabupaten/kota) t = 1,…….,T; T adalah jumlah periode waktu (6 yaitu dari tahun 2005-2010) Pada
ada sebanyak k slope (tidak termasuk intersep) yang menunjukkan
jumlah variabel bebas yang digunakan dalam model. Sedangkan
merupakan
efek individu yang dapat bernilai konstan sepanjang periode t atau bahkan berbeda-beda untuk setiap individu ke-i. Apabila
diasumsikan sama untuk
setiap unit, maka model itu dapat disebut juga sebagai model regresi klasik (classical regression model), dimana metode Ordinary Least Square (OLS) akan menghasilkan penduga yang konsisten dan efisien untuk
dan
. Apabila
diasumsikan berbeda-beda antar cross-section unit, dan slope konstan, maka terdapat dua model regresi data panel yang mungkin yaitu model fixed effects atau model random effects. Apabila perbedaan intersep antar cross-sectional units tersebut merupakan variabel random atau stochastic maka model random effects-lah yang sesuai. Sementara itu error dalam model regresi data panel dapat dituliskan sebagai berikut:
26
(3.2) dimana = time specific effects (residual yang terjadi karena pengaruh perbedaan waktu) = individual specific effects (residual yang terjadi karena perbedaan karakteristik setiap individu) = efek hanya pada observasi it.
Untuk menyederhanakan analisis biasanya sering diasumsikan
= 0
(tidak ada pengaruh spesifik waktu/no time specific effects/time invariant). Terdapat tiga jenis estimasi standar untuk regresi data panel yaitu common effects Model (pooled regression), fixed effects model (Least Square Dummy Variables estimation, LSDV estimation) dan random effects model.
3.2.2.1 Model Common Effects (Pooled Regression) Model common effects merupakan pendekatan data panel yang paling sederhana, yakni dengan hanya mengkombinasikan data cross-section dalam bentuk pool. untuk i = 1,2,…..,19
Dari persamaan (3.2), apabila
= 0 dan
t = 1,2,…,6
= 0,
(3.3)
maka model
tersebut adalah model pooled regression (common effects), yang dapat diestimasi dengan metode Least Square, namun asumsi
jarang sekali terpenuhi pada
model regresi data panel. Model ini tidak memperhatikan dimensi individu maupun waktu, sehingga diasumsikan bahwa perilaku individu sama dalam
27
berbagai kurun waktu. Kelemahan model ini adalah ketidakseuaian model dengan keadaan sebenarnya. Kondisi tiap obyek dapat berbeda dan kondisi suatu obyek satu waktu dengan waktu yang lain dapat berbeda. Pada model ini asumsi regresi linear klasik dengan metode OLS berlaku sepenuhnya.
3.2.2.2 Model Fixed Effects Model ini mengasumsikan bahwa perbedaan antar individu dapat diakomodasi dari perbedaan intersepnya. Namun intersep masing-masing crosssection bersifat fixed, tidak random. Untuk mengestimasi model fixed effects dengan intersep berbeda antar individu, maka digunakan teknik variabel dummy. Model estimasi ini sering disebut dengan teknik Least Square Dummy Variable (LSDV). Model persamaan panel fixed effects dengan asumsi tidak ada pengaruh periode waktu (no time specific effects) dapat dituliskan sebagai berikut: untuk i = 1,2,…..,19
t = 1,2,…,6
(3.4)
Model pada persamaan (3.3) juga dapat dituliskan dalam bentuk stack model berdasarkan individu cross-section yaitu:
[ ]
[
]
[
]
[
]
[
]
[ ]
Dimana: = vektor berukuran T x 1 = matriks berukuran T x k , dengan k adalah jumlah variabel bebas
= vektor berukuran k x 1 yang berisi parameter tidak diketahui (slope)
(3.5)
28
= vektor berukuran T x 1 = vektor berukuran T x 1 Metode fixed effects, digunakan apabila error term
terdiri dari: (3.6)
3.2.2.3 Model Random Effects Estimasi data panel dengan fixed effects melalui teknik variabel dummy sering menunjukkan ketidakpastian model yang digunakan. Untuk mengatasi masalah ini kita bisa menggunakan metode random effects yang mengasumsikan bahwa individual effects ( ) bersifat random dan tidak berkorelasi dengan variabel bebasnya. Dengan asumsi tidak ada pengaruh waktu (no time specific effects) maka dalam model random effects terdapat dua komponen residual, yaitu residual yang tidak terukur oleh pengaruh individu dan waktu (
) dan residual
secara individu ( ). Persamaan regresi untuk model random effects dengan asumsi no time effects dapat ditulis sebagai berikut: untuk i = 1,2,…..,19
t = 1,2,…,6
(3.7)
dimana Ada beberapa asumsi yang harus dipenuhi dalam model random effects, yaitu:
E( E( E( ,
= E( )=0 =0
= 0 ; E(
,
= 0 ; E( ,
dimana t ≠ s dan i ≠ j dimana i ≠ j
) = E(
,
)=0
29
3.2.2.4 Pemilihan Model Estimasi Data Panel 1. Signifikansi Fixed Effects Model Signifikansi model fixed effects dapat dilakukan dengan statistik uji F. Statistik uji F digunakan untuk mengetahui apakah teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummy(common effects) dengan melihat residual sum of squares (RSS). Hipotesis yang digunakan adalah: H0 : nilai intersep sama untuk setiap individu crosssection H1 : sekurang-kurangnya ada 1 intercept yang berbeda Adapun statistik uji F-nya dapat dituliskan sebagai berikut: (3.8) dimana: N
= jumlah individu
k
= jumlah variabel bebas/ regressor = residual sum of squares teknik tanpa variabel dummy = residual sum of squares teknik fixed effects dengan variabel dummy.
Nilai statistik
akan mengikuti distribusi statistik F dengan derajat
bebas (df) sebanyak N-1 dan NT-N-k. Jika nilai statistik daripada
lebih besar
pada tingkat signifikansi tertentu, maka hipotesis null akan
ditolak, yang berarti asumsi koefisien intersept dan slope adalah sama tidak
30
berlaku, sehingga teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variable dummy (common effects). 2. Signifikansi Random Efects Model Untuk mengetahui apakah model random effects lebih baik dari model common effects, dapat digunakan uji Lagrange Multiplier (LM) yang dikembangkan oleh Bruesch-Pagan. Metode ini didasarkan pada nilai residual dari metode common effects. Hipotesis null (H0) yang digunakan adalah bahwa intersep bukan merupakan variabel random atau stochastic. Dengan kata lain varians dari residual
bernilai nol.
Adapun nilai Breusch-Pagan LM statistik dapat dihitung berdasarkan formula sebagai berikut: ∑
[∑
|∑
]
∑
∑
[∑
|
∑
]
Dimana N = jumlah individu; T = jumlah periode waktu dan
(3.9)
(3.10) adalah residual
metode common effects (OLS). Uji LM ini didasarkan pada distribusi chi-square dengan derajat bebas (df) sebesar 1. Jika hasil LM statistik lebih besar dari nilai kritis statistik chi-square, maka hipotesis null akan ditolak, yang berarti estimasi yang tepat untuk regresi data panel adalah metode random effects daripada metode common effects.
31
3. Signifikansi Hausman Untuk mengetahui model yang terbaik antara fixed effects dengan random effects digunakan signifikansi Hausman. Uji signifikansi Hausman menggunakan hipotesis null residual persamaan panel tidak berkorelasi dengan variabel bebasnya yang berarti model random effects lebih baik dibandingkan model fixed effects.
Adapun nilai statistik Hausman dapat dihitung berdasarkan formula sebagai berikut: ̂ dimana ̂
̂
̂
⌊̂
̂
(3.11) ⌋ dan
⌊ ̂⌋
⌊ ̂⌋
⌊̂
⌋
Statistik uji Hausman mengikuti distribusi statistik chi-square dengan derajat bebas sebanyak jumlah variabel independen (k). Jika nilai statistik Hausman lebih besar daripada nilai kritis statistik chi-square, maka hipotesis null akan ditolak, yang berarti estimasi yang tepat untuk regresi data panel adalah model fixed effects dibandingkan dengan model random effects.
3.2.2.5 Pengujian Asumsi 1. Asumsi Normalitas Pengujian asumsi normalitas dilakukan untuk melihat apakah error term mengikuti distribusi normal. Jika asumsi tidak terpenuhi maka prosedur pengujian
32
menggunakan uji-t menjadi tidak sah. Pengujian dilakukan dengan uji Jarque Bera atau dengan melihat plot dari sisaan. Hipotesis dalam pengujian normalitas adalah: H0 : error term mengikuti distribusi normal H1 : error term tidak mengikuti distribusi normal. Keputusan diambil dengan membandingkan nilai probabilitas Jarque Bera dengan taraf nyata α = 0,05. Jika nilai probabilitas Jarque Bera lebih dari α = 0,05 maka dapat disimpulkan bahwa error term terdistribusi dengan normal. 2. Asumsi Autokorelasi Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa sekarang. Metode untuk mendeteksi adanya korelasi serial dilakukan dengan dengan membandingkan nilai Durbin Watson (DW) dari penghitungan dengan nilai DW tabel. Hipotesis dalam pengujian autokorekasi adalah: H0 : tidak ada Otokorelasi positif atau negatif H1 : terdapat masalah Otokorelasi positif atau negatif. Kriteria pengujian:
0
dL
dU
2
4 - dU
Tidak ada kesimpulan
Tidak ada kesimpulan Tolak H0 Ada masalah Otokorelasi positif
4 - dL
Tidak Tolak H0 tidak ada masalah Otokorelasi
positif/negatif
4
Tolak H0 Ada masalah Otokorelasi negatif
d
33
Tolak H0 bila
Nilai d hitung atau nilai Durbin Watson Model lebih besar daripada nilai Durbin Watson table batas bawah (dL) yang berarti terdapat masalah otokorelasi positif (dw < dL)
Atau, nilai d hitung atau nilai Durbin Watson Model terletak antara nilai (4–dL < dw < 4) yang berarti terdapat masalah otokorelasi negatif
Tidak tolak H0 bila
Nilai d hitung atau nilai Durbin Watson Model terletak antara nilai (dU < dw < 4-dU)
3. Asumsi Homoskedastisitas Heteroskedastisitas berarti bahwa variasi residual tidak sama untuk semua pengamatan. Heteroskedastisitas bertentangan dengan salah satu asumsi dasar regresi homoskedastisitas yaitu variasi residual sama untuk semua pengamatan. Untuk mendeteksi adanya heteroskedastisitas dalam model dilakukan menggunakan metode General Least Square (Cross section Weights) yaitu dengan membandingkan sum square Resid pada Weighted Statistics dengan sum square Resid unweighted Statistics. Jika sum square Resid pada Weighted Statistics lebih kecil
dari
sum
heteroskedastisitas.
square
Resid
unweighted
Statistics,
maka
terjadi
Untuk mengatasi masalah heteroskedastisitas, model
diestimasi dengan menggunakan white-heteroscedasticity
34
3.2.2.6 Pengujian Parameter Model Pengujian parameter model bertujuan untuk mengetahui kelayakan model dan apakah koefisien yang diestimasi telah sesuai dengan teori atau hipotesis. Pengujian ini meliputi koefisien determinasi (R2), uji koefisien regresi parsial (uji t) dan uji koefisien regresi secara menyeluruh (F-test/uji F). 1.
Uji-F Uji-F digunakan untuk melakukan uji hipotesis koefisien (slope) regresi
secara menyeluruh/bersamaan. Uji-F memperlihatkan ada tidaknya pengaruh variabel independen terhadap variabel dependen secara bersama-sama. Hipotesis dalam uji-F adalah : Ho : β1 = β2 =….. = 0 H1 : β1 ≠ β2 ≠ … ≠ 0 Kriteria pengujiannya adalah jika nilai nilai
>
atau
probabilitas F-statistic < taraf nyata, maka keputusannya adalah tolak H0. Dengan menolak H0 berarti minimal ada satu peubah bebas yang berpengaruh nyata terhadap tak bebas. 2.
Uji-t Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah
selanjutnya adalah menguji koefisien regresi secara parsial menggunakan uji-t. Hipotesis pada uji-t adalah : H0 : βi = 0 , H1 : βi ≠ 0.
35
Keputusan dalam pengujian ini dilakukan dengan membandingkan nilai dengan >
atau dengan melihat nilai probabilitas dari
. Jika nilai
atau jika nilai probabilitas t < α = 0,05 maka tolak H0, sehingga
kesimpulannya adalah peubah bebas secara parsial signifikan memengaruhi peubah tak bebas. 3.
Koefisien Determinasi (R2) Koefisien determinasi (Goodness of Fit) merupakan suatu ukuran yang
penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi. Nilai R2 mencerminkan seberapa besar variasi dari tak bebas dapat diterangkan oleh peubah bebas X atau seberapa besar keragaman peubah tak bebas yang mampu dijelaskan oleh model. Jika R2 = 0, maka variasi dari Y tidak dapat diterangkan oleh X sama sekali dan jika R2 = 1 berarti variasi dari Y secara keseluruhan dapat diterangkan oleh X.
3.2.2.7 Model Penelitian Secara matematis pengaruh pengeluaran pemerintah, PDRB, upah riil dapat digambarkan dalam fungsi sebagai berikut : (3.12) Keterangan: Emp
: Employment/ penyerapan tenaga kerja (jiwa)
G
: Goverment Expenditure/ Pengeluaran Pemerintah (juta Rp.)
PDRB : Produk Domestik Regional Bruto (milyar Rp.) WP
: Wage per Price/ Upah Riil (Rp.)
36
i
: urutan kabupaten/kota
t
: series tahun 2005-2010
α
: intersep
β1 - β3 : parameter pengeluaran pemerintah, PDRB, dan upah riil : error term
