BAB III METODOLOGI PENELITIAN
3.1
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder berupa
data panel (pooled data) yang merupakan gabungan data silang (cross section) dan data runtun waktu (time series) selama kurun waktu 1980-2009. Data panel digunakan untuk mengatasi masalah keterbatasan data cross section dan time series dengan menghasilkan estimasi yang lebih efisien melalui peningkatan jumlah observasi yang berimplikasi meningkatkan derajat kebebasan (degree of freedom). Jenis data panel yang digunakan dalam penelitian ini adalah balanced panel dimana setiap unit cross section memiliki jumlah observasi time series yang sama. Sumber data yang digunakan berasal dari United Nation Conference on Trade and Development (UNCTAD) dan World Bank. Tabel 3.1 Variabel, Data yang Digunakan, dan Sumber Data Variabel Data Yang Digunakan (1) (2) GROWTH Tingkat Rata-Rata Pertumbuhan Ekonomi Tahunan (data dalam persen) FDI Persentase Nilai FDI Inflow terhadap GDP Tahunan (data dalam persen) GFCF Persentase Nilai Gross Fixed Capital Formation (GFCF) atau Pembentukan Modal Tetap Bruto (PMTDB) terhadap GDP Tahunan (data dalam persen) NX Persentase Nilai Ekspor Neto terhadap GDP Tahunan (data dalam persen) LF Jumlah Labour Force atau Angkatan Kerja Tahunan (data dalam Ribu Jiwa) DKRISIS Variabel Dummy Krisis
Sumber Data (3) UNCTAD, World Bank UNCTAD UNCTAD
UNCTAD UNCTAD
28
3.2
Metode Pengolahan Data Pengolahan atas data sekunder untuk variabel GROWTH, FDI, GFCF, LF,
NX, dan DKRISIS untuk mengetahui pengaruh FDI terhadap pertumbuhan ekonomi negara ASEAN menggunakan beberapa paket program statistik seperti Microsoft Office Excel 2010, dan EViews 6.0. Kegiatan pengolahan data dengan Microsoft Office Excel 2010 meliputi pembuatan tabel dan grafik untuk analisis deskriptif. Pengujian signifikansi analisis regresi linier berganda data panel menggunakan EViews 6.0 sebagai program pengolahan datanya.
3.3
Metode Analisis Data Sesuai dengan tinjauan literatur, hal yang akan dianalisis dalam penelitian
ini adalah pengaruh FDI terhadap pertumbuhan ekonomi negara ASEAN. Metode analisis data yang digunakan antara lain metode analisis deskriptif dan metode analisis inferensia. Metode analisis deskriptif digunakan untuk memberikan gambaran umum mengenai kondisi perekonomian di negara ASEAN meliputi perkembangan pertumbuhan ekonomi, FDI, dan beberapa variabel lain seperti PMTB, angkatan kerja, ekspor neto, dan krisis ekonomi di negara ASEAN. Metode analisis inferensia yang dilakukan untuk mengestimasi model ini adalah pendekatan ekonometrika dengan metode analisis regresi linier berganda data panel. Baltagi (2005) menyatakan bahwa keunggulan penggunaan metode analisis data panel antara lain sebagai berikut: 1.
Analisis data panel memiliki kontrol terhadap heterogenitas data individual dalam suatu periode waktu.
29
2.
Analisis data panel menyajikan data yang lebih informatif, lebih bervariasi, memiliki kolinearitas antar variabel yang kecil, memiliki derajat kebebasan yang lebih besar, dan lebih efisien.
3.
Analisis data panel lebih tepat dalam mempelajari dinamika penyesuaian (dynamics of change).
4.
Analisis data panel dapat lebih baik mengidentifikasi dan mengukur pengaruh-pengaruh yang secara sederhana tidak dapat terdeteksi dalam data cross section atau time series saja.
5.
Model analisis data panel dapat digunakan untuk membuat dan menguji model perilaku yang lebih kompleks dibandingkan analisis data cross section murni atau time series murni.
6.
Analisis data panel pada
level mikro
dapat
meminimisasi atau
menghilangkan bias yang terjadi akibat agregasi data ke level makro. 7.
Analisis data panel pada level makro memiliki time series yang lebih panjang tidak seperti masalah jenis distribusi yang tidak standar dari unit root tests dalam analisis data time series. Estimasi pada data panel bergantung kepada asumsi yang diberikan pada
intercept, koefisien slope, dan error term. Kemungkinan dari asumsi tersebut adalah sebagai berikut: 1.
Diasumsikan bahwa intercept dan koefisien slope konstan antar waktu dan cross section serta error term melingkupi perbedaan baik dalam waktu maupun cross section. Pendekatan yang paling sederhana adalah asumsi ini karena dengan diberikan asumsi bahwa intercept dan koefisien slope
30
konstan antar waktu dan cross section serta error term maka dimensi ruang dan waktu diabaikan dan bentuk estimasinya seperti metode Ordinary Least Square (OLS). 2.
Diasumsikan bahwa koefisien slope konstan tetapi intercept berbeda untuk setiap cross section.
3.
Diasumsikan bahwa koefisien slope konstan tetapi intercept berbeda untuk setiap cross section antar waktu.
4.
Diasumsikan bahwa semua koefisien baik intercept dan koefisien slope berbeda untuk setiap cross section.
5.
Diasumsikan bahwa semua koefisien baik intercept dan koefisien slope berbeda untuk setiap cross section antar waktu. Metode estimasi model regresi dengan menggunakan data panel dapat
dilakukan melalui tiga pendekatan, antara lain: 1.
Metode Pooled Least Square Model Pooled Least Square Model merupakan metode estimasi model regresi data
panel yang paling sederhana dengan asumsi intercept dan koefisien slope yang konstan antar waktu dan cross section (Common Effect). Pada dasarnya, Pooled Least Square Model merupakan metode yang meminimumkan jumlah error kuadrat sama seperti OLS, tetapi data yang digunakan bukan data time series saja atau cross section saja melainkan data panel yang diterapkan dalam bentuk pooled. Persamaan pada estimasi menggunakan Pooled Least Square Model dapat dituliskan dalam bentuk sebagai berikut: Yit =
+ xjit j+
it
untuk i = 1, 2, ..., N dan t = 1, 2, ..., T……………….(3.1)
31
dimana: Yit
= nilai variabel terikat (dependent variable) untuk setiap unit cross section ke-i pada periode waktu t dimana i = 1,…,N dan t = 1,…,T
Xjit
= nilai variabel penjelas (explanatory variable) ke-j untuk setiap unit cross section ke-i pada periode waktu t dimana K variabel penjelas diberi indeks dengan j = 1,…,K. = intercept yang konstan antar waktu dan cross section
j
= koefisien slope atau parameter untuk variabel ke-j yang konstan antar waktu dan cross section
it
= komponen error untuk setiap unit cross section ke-i pada periode waktu t
N adalah jumlah unit cross section, T adalah jumlah periode waktunya, dan K adalah jumlah variabel penjelas. Dengan mengasumsi komponen error dalam pengolahan kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap cross section. Untuk periode t = 1, akan diperoleh persamaan regresi cross section Yi1 = + xjit
j
+
i1
untuk i = 1, β, … N sebanyak T persamaan yang sama dan
sebaliknya akan diperoleh persamaan deret waktu (time series) sebanyak N persamaan untuk setiap T observasi. Namun, untuk mendapatkan parameter
dan
yang konstan dan efisien, akan dapat diperoleh dalam bentuk regresi yang lebih besar dengan melibatkan sebanyak NT observasi. Kelemahan Pooled Least Square Model ini adalah dugaan parameter
akan bias karena tidak dapat
membedakan observasi yang berbeda pada periode yang sama serta tidak dapat membedakan observasi yang sama pada periode yang berbeda. Setiap observasi
32
diperlakukan seperti observasi yang berdiri sendiri dengan mengasumsikan bahwa data gabungan yang ada menunjukkan kondisi yang sesungguhnya dan hasil analisis regresi berlaku untuk semua unit cross section dan pada semua waktu. 2.
Metode Fixed Effect Model Fixed Effect Model merupakan metode estimasi model regresi data panel
dengan asumsi koefisien slope kontan dan intercept berbeda antar unit cross section tetapi intercept konstan antar waktu (Fixed Effect). Fixed Effect Model mengatasi permasalahan asumsi Pooled Least Square Model yang sulit dipenuhi. Generalisasi secara umum sering dilakukan adalah dengan memasukan variabel dummy untuk menghasilkan nilai koefisien slope atau parameter yang berbedabeda antar unit cross section (Baltagi, 2005). Pendekatan dengan memasukkan variabel dummy ini dikenal dengan sebutan Fixed Effect Model atau Least Square Dummy Variable (LSDV) atau disebut juga Covariance Model. Persamaan pada estimasi menggunakan Fixed Effect Model dapat dituliskan dalam bentuk sebagai berikut: Yit = i+
j
xjit +
Di+ eit …………………………………………(3.2)
dimana: Yit
= nilai variabel terikat (dependent variable) untuk setiap unit cross section ke-i pada periode waktu t dimana i = 1,…,N dan t = 1,…,T
Xjit
= nilai variabel penjelas (explanatory variable) ke-j untuk setiap unit cross section ke-i pada periode waktu t dimana K variabel penjelas diberi indeks dengan j = 1,…,K.
i
= intercept yang berubah-ubah antar unit cross section
33
j
= koefisien slope atau parameter untuk variabel ke-j yang berbeda antar unit cross section
eit
= komponen error untuk setiap unit cross section ke-i pada periode waktu t
N adalah jumlah unit cross section, T adalah jumlah periode waktunya, dan K adalah jumlah variabel penjelas. Dengan menggunakan pendekatan ini akan terjadi pengurangan degree of freedom sebesar NT-N-K. Keputusan memasukan variabel dummy ini harus didasarkan pada pertimbangan statistik. Penambahan variabel dummy ini akan dapat mengurangi banyaknya degree of freedom yang akhirnya akan memengaruhi keefisienan dari parameter yang diestimasi. Kelebihan pendekatan LSDV ini adalah dapat menghasilkan dugaan parameter
yang tidak bias dan
efisien. Tetapi kelemahannya jika jumlah unit observasinya besar maka akan terlihat rumit. 3.
Metode Random Effect Model Random Effect Model merupakan metode estimasi model regresi data panel
dengan asumsi koefisien slope kontan dan intercept berbeda antar individu dan antar waktu (Random Effect). Keputusan untuk memasukan variabel dummy dalam Fixed Effect Model memiliki konsekuensi berkurangnya degree of freedom yang akhirnya dapat mengurangi efisiensi dari parameter yang diestimasi. Oleh karena itu, dalam model data panel dikenal pendekatan yang ketiga yaitu Random Effect Model (Baltagi, 2005). Random Effect Model disebut juga model komponen error (error component model) karena di dalam model ini parameter yang berbeda antar unit cross section maupun antar waktu dimasukkan ke dalam error.
34
Persamaan pada estimasi menggunakan Random Effect Model dapat dituliskan dalam bentuk sebagai berikut: Yit =
1
+ jxjit +
it dengan
it =
ui + vt + wit …………………………………..(3.3)
dimana ui ~ N ( 0, u2) = komponen cross section error vt ~ N ( 0, v2 ) = komponen time series error wit ~ N ( 0, w2 ) = komponen error kombinasi asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya. Dengan menggunakan Random Effect Model, maka dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan oleh Fixed Effect Model. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien dan model yang dihasilkan semakin baik. Dasar pemilihan antara Fixed Effect Model dan Random Effect Model menurut Gujarati (2004) adalah sebagai berikut: 1.
Jika T (jumlah data time series) besar dan N (jumlah data dari cross section) kecil, maka akan menunjukkan bahwa tidak ada perbedaan nilai parameter yang diestimasi oleh Fixed Effect Model dan Random Effect Model. Pemilihan model terbaik dilakukan berdasarkan kemudahan penghitungan sehingga Fixed Effect Model lebih baik.
2.
Ketika N besar dan T kecil, estimasi yang diperoleh dari kedua metode akan memiliki perbedaan yang signifikan. Jadi, apabila kita meyakini bahwa unit
35
cross section yang kita pilih dalam penelitian diambil secara acak maka Random Effect Model harus digunakan. Sebaliknya, apabila kita meyakini bahwa unit cross section yang kita pilih dalam penelitian tidak diambil secara acak maka kita harus menggunakan Fixed Effect Model. 3.
Jika komponen error individual berkorelasi dengan variabel independen X maka parameter yang diperoleh dengan Random Effect Model akan bias sementara parameter yang diperoleh dengan Fixed Effect Model tidak bias.
4.
Apabila N besar dan T kecil, dan apabila asumsi yang mendasari random effect dapat terpenuhi, maka Random Effect Model akan lebih efisien dari Fixed Effect Model. Untuk memilih model mana yang paling tepat digunakan untuk pengolahan
data panel, maka terdapat beberapa pengujian yang dapat dilakukan, antara lain: 1.
Chow Test adalah pengujian untuk memilih apakah model yang digunakan Pooled Least Square Model atau Fixed Effect Model. Dalam pengujian ini dilakukan dengan hipotesis sebagai berikut: H0: Pooled Least Square Model H1: Fixed Effect Model Dasar
penolakan
terhadap
hipotesis
nol
tersebut
adalah
dengan
menggunakan F Statistic seperti yang dirumuskan oleh Chow: Chow =
~F
(N – 1, NT – N – K)………………………...(3.4)
Dimana: RRSS = Restricted Residual Sum Square (Sum Square Residual PLS) URSS = Unrestricted Residual Sum Square (Sum Square Residual Fixed)
36
N = Jumlah data cross section T = Jumlah data time series K = Jumlah variabel independen Dimana pengujian ini mengikuti distribusi F yaitu F
(N – 1, NT – N – K).
Jika
nilai CHOW Statistics (F Statistic) hasil pengujian lebih besar dari F Tabel, maka cukup bukti bagi kita untuk melakukan penolakan terhadap H0 sehingga model yang kita gunakan adalah Fixed Effect Model, begitu juga sebaliknya. 2.
Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita dalam memilih apakah menggunakan Fixed Effect Model atau Random Effect Model. Pengujian ini dilakukan dengan hipotesis sebagai berikut: H0: Random Effects Model H1: Fixed Effects Model Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan membandingkannya dengan Chi square. Statistik Hausman dirumuskan dengan: H=(
REM
–
fEM
)‟ (MFEM –MREM)-1 (
REM
–
fEM
) ~
dimana M adalah matriks kovarians untuk parameter
2
(k)……………(3.5) dan k adalah derajat
bebas yang merupakan jumlah variabel independen. Jika nilai H hasil pengujian lebih besar dari
2
(k), maka cukup bukti untuk
melakukan penolakan terhadap H0 sehingga model yang digunakan adalah Fixed Effect Model, begitu juga sebaliknya.
37
3.
Untuk memilih antara Random Effect Model dan Pooled Least Square Model digunakan The Breusch-Pagan LM Test dengan menggunakan hipotesis sebagai berikut: H0: Pooled Least Square Model H1: Random Effect Model Nilai Breusch-Pagan LM statistik dapat dihitung berdasarkan formula sebagai berikut: ( w ˆ )2 NT i t it 1 ~ 2 LM 2 ˆ 2(T 1) w i t it 2
(3.6)
Dimana N adalah jumlah individu, T adalah jumlah periode waktu, dan Wit adalah residual Pooled Least Square Model. The Breusch-Pagan LM Test ini didasarkan pada distribusi Chi square dengan derajat bebas sebesar satu. Jika hasil Breusch-Pagan LM statistik lebih besar dari nilai
2
(1), maka Ho
ditolak yang berarti Random Effect Model lebih baik daripada Pooled Least Square Model.
3.4
Metode Evaluasi Model Setelah hasil pengolahan data dengan metode analisis data panel selesai
dilakukan, harus dilakukan evaluasi terhadap model estimasi yang dihasilkan. Model estimasi yang dihasilkan melalui metode analisis data panel tersebut harus dievaluasi berdasarkan beberapa kriteria sebagai berikut:
38
1.
Kriteria Ekonometrika Widarjono (2009) menyatakan bahwa model estimasi regresi linear yang
ideal dan optimal harus menghasilkan estimator yang memenuhi kriteria Best Linear Unbiased Estimator (BLUE) yang antara lain sebagai berikut: a.
Estimator linear artinya adalah estimator merupakan sebuah fungsi linear atas sebuah variabel dependen yang stokastik.
b.
Estimator tidak bias artinya adalah nilai ekspektasi sesuai dengan nilai sebenarnya.
c.
Estimator harus mempunyai varians yang minimum. Estimator yang tidak bias dan memiliki varians minimum disebut estimator yang efisien. Asumsi yang harus dipenuhi untuk memperoleh estimator yang memenuhi
kriteria BLUE antara lain sebagai berikut: a.
Hubungan antara variabel dependen dengan variabel independen harus bersifat linear dalam parameter.
b.
Variabel independen merupakan variabel yang bersifat nonstokastik,yaitu memiliki nilai tetap dan dapat dikendalikan untuk berbagai observasi atau sampel yang berulang-ulang. Apabila variabel independennya lebih dari satu maka diasumsikan tidak ada hubungan linear antara satu variabel independen yang satu dengan variabel independen yang lain.
c.
Nilai harapan (expected value) atau rata-rata dari variabel error
i
adalah nol
atau dapat dinyatakan dengan E( i/Xi) = 0. d.
Varian dari variabel error ei adalah sama (homoskedastisitas) atau dapat dinyatakan dengan Var ( i/Xi) =
2
.
39
e.
Variabel error independen secara statistik dan tidak terdapat serial korelasi antar error dengan variabel independen atau dapat dinyatakan dengan Cov( i, j) = 0 dan Cov( i, Xt) = 0.
f.
Error berdistribusi normal atau dapat dinyatakan dengan ~N (0,
2
).
Nachrowi dan Usman (2005) menyatakan bahwa beberapa permasalahan yang bisa menyebabkan sebuah estimator tidak dapat memenuhi asumsi kriteria BLUE antara lain sebagai berikut: a.
Normalitas Pengujian asumsi normalitas dilakukan untuk melihat apakah error term
mengikuti distribusi normal atau tidak. Jika asumsi normalitas ini tidak dipenuhi maka prosedur pengujian dengan menggunakan uji t-statistic menjadi tidak sah. Pengujian asumsi normalitas dapat dilakukan dengan Jarque Bera Test atau dengan melihat plot dari sisaan. Hipotesi dalam pengujian normalitas adalah: H0: Residual berdistribusi Normal H1: Residual tidak berdistribusi Normal Dasar penolakan H0 diilakukan dengan membandingkan nilai Jarque Bera dengan taraf nyata
sebesar 0,05 dimana jika lebih besar maka artinya H0 tidak ditolak
dan residual berdistribusi Normal. b.
Multikolinearitas Istilah multikolinearitas berarti terdapat hubungan linier antara variabel
independennya.
Winarno
(2007)
menyatakan bahwa
multikolinearitas dapat terlihat melalui:
indikasi terjadinya
40
1.
Nilai R-squared yang tinggi tetapi variabel independennya banyak yang tidak signifikan.
2.
Nilai perhitungan koefisien korelasi antar variabel independennya. Apabila nilai koefisien korelasinya lebih rendah dari 0,80, maka dapat disimpulkan bahwa tidak terjadi multikolinearitas.
3.
Melakukan regresi auxiliary dengan memberlakukan variabel independen sebagai salah satu variabel dependen dan variabel independen lainnya tetap diberlakukan sebagai variabel independen. Untuk mengatasi masalah multikolinearitas antara lain biasanya dilakukan
dengan menambah jumlah data atau mengurangi jumlah data observasi, menambah atau mengurangi jumlah variabel independennya yang memiliki hubungan linear dengan variabel lainnya, mengkombinasikan data cross section dan time series, mengganti data, dan mentransformasi variabel. c.
Heteroskedastisitas Salah satu asumsi dasar dari metode regresi linear adalah varians tiap unsur
error adalah suatu angka konstan yang sama dengan
2.
Heteroskedastisitas terjadi
ketika varians tiap unsur error tidak konstan. Winarno (2007) menyatakan bahwa heteroskedastisitas dapat menyebabkan: 1.
Estimator tidak lagi mempunyai varians yang minimum (tidak lagi Best), sehingga hanya memenuhi karakteristik LUE (Linear Unbiased Estimator)
2.
Perhitungan standar error tidak lagi dapat dipercaya kebenarannya karena varians tidak minimum sehingga dapat menghasilkan estimasi regresi yang tidak efisien.
41
3.
Uji hipotesis yang didasarkan pada uji F-Statistic dan t-statistic tidak dapat dipercaya. Uji heteroskedastisitas dapat menggunakan metode GLS Weights Crosssection weight yang tersedia dalam program EViews 6.0 di mana jika terdapat masalah heteroskedastisitas, nilai Sum squared resid Weighted Statistic akan lebih kecil dibandingkan nilai Sum squared resid Unweighted Statistic. Jika model mengalami masalah ini, dengan menggunakan metode GLS Weights Cross-section weight tersebut masalah sudah teratasi.
d.
Autokorelasi Winarno (2007) menyatakan bahwa autokorelasi adalah hubungan antara
residual atau observasi dengan residual observasi lainnya, sedangkan Gujarati (2004) mendefinisikan autokorelasi sebagai korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data time series atau diurutkan menurut ruang seperti dalam data cross section. Suatu model dikatakan memiliki autokorelasi jika error dari periode waktu (time series) yang berbeda saling berkorelasi. Masalah autokorelasi ini akan menyebabkan model menjadi tidak efisien meskipun masih tidak bias dan konsisten. Autokorelasi menyebabkan estimasi standar error dan varian koefisien regresi yang diperoleh akan underestimate, sehingga R2 akan besar tetapi uji tStatistic dan uji F-Statistic menjadi tidak valid. Autokorelasi yang kuat juga dapat menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Bila OLS digunakan, maka akan terlihat koefisien signifikan dan R2 yang besar atau juga disebut sebagai regresi lancung atau palsu.
42
Untuk masalah autokorelasi pengujiannya dilakukan dengan melihat Durbin-Watson stat yang nilainya telah disediakan dalam program EViews 6.0 dibandingkan dengan DW-tabel. Sebuah model dapat dikatakan terbebas dari autokorelasi jika nilai Durbin-Watson stat-nya terletak di area nonautokorelasi. Penentuan area tersebut dibantu dengan nilai tabel DL dan DU, jumlah observasi (N) dan jumlah variabel independen (K). Dengan menggunakan hipotesis pengujian sebagai berikut: H0: Tidak terdapat autokorelasi H1 : Terdapat autokorelasi maka aturan pengujiannya adalah sebagai berikut: 0 < d
: tolak H0, ada autokorelasi positif
DL d DU
: daerah
DU < d < 4 – Du
: terima H0, tidak ada autokorelasi
4 – DU d 4 – DL
: daerah ragu-ragu, tidak ada keputusan
4 – DL < d < 4
: tolak H0, ada autokorelasi negatif
2.
ragu-ragu, tidak ada keputusan
Kriteria Statistik Evaluasi model estimasi berdasarkan kriteria statistik dilakukan dengan
melakukan beberapa pengujian yang antara lain sebagai berikut: a.
Koefisien Determinasi (R2) Widarjono (2009) menyatakan bahwa nilai koefisien determinasi (R2)
mengukur tingkat seberapa besar variabel-variabel independen yang digunakan dalam
penelitian dapat
menjelaskan variabel dependen.
Nilai tersebut
menunjukkan seberapa dekat garis regresi yang kita estimasi dengan data yang
43
sesungguhnya. Nilai R2 terletak antara nol hingga satu dimana semakin mendekati satu maka model semakin baik. b.
Uji F-Statistic Uji F-Statistic digunakan untuk mengetahui apakah variabel-variabel
independen yang digunakan didalam penelitian secara bersama-sama signifikan memengaruhi variabel dependen. Nilai F-Statistic yang besar lebih baik dibandingkan dengan nilai F-Statistic yang rendah. Nilai Prob(F-Statistic) merupakan tingkat signifikansi marginal dari F-Statistic. Dengan menggunakan hipotesis pengujian sebagai berikut: H0:
1
=
2
=… =
k
=0
H1: minimal ada salah satu Tolak H0 jika F-Statistic > F
j
yang tidak sama dengan nol
(k – 1, NT – N – K)
atau Prob(F-Statistic ) < . Jika Ho
ditolak, maka artinya dengan tingkat keyakinan1-
kita dapat menyimpulkan
bahwa variabel independen yang digunakan di dalam model secara bersama-sama signifikan memengaruhi variabel dependen. c.
Uji t-Statistic Uji t-Statistic digunakan untuk mengetahui apakah variabel-variabel
independen secara parsial berpengaruh signifikan terhadap variabel dependen. Dengan menggunakan hipotesis pengujian sebagai berikut: H0:
j
=0
H1:
j
≠0
44
Tolak H0 jika t-Statistic > t
/β ( NT – K – 1)
artinya dengan tingkat keyakinan 1 –
atau t-Statistic < . Jika Ho ditolak, maka kita dapat menyimpulkan bahwa variabel
independen ke-i secara parsial signifikan memengaruhi variabel dependen. 3.
Kriteria Ekonomi Evaluasi model estimasi berdasarkan kriteria ekonomi dilakukan dengan
membandingkan kesesuaian tanda dan nilai estimator dengan teori dan logika.
3.5
Spesifikasi model Rancangan model yang akan diajukan adalah model regresi linear dengan
lima variabel independen, dengan variabel dependennya GROWTH dan variabel independennya adalah FDI, GFCF, LF, NX, dan DKRISIS. Data yang diperoleh pada variabel-variabel tersebut ternyata berbeda satuan. Variabel GROWTH, FDI, GFCF, dan NX disajikan dalam satuan persentase, sedangkan variabel LF disajikan dalam satuan ribu jiwa. Oleh karena itu, untuk memudahkan dalam mengolah data dan interpretasi hasil akhirnya, variabel independen LF yang berbeda satuan akan ditransformasi sehingga menjadi bentuk satuan yang sama, yaitu dalam bentuk log natural, sedangkan untuk variabel DKRISIS yang tidak memiliki satuan, tidak ditransformasi karena tidak akan diinterpretasi hasilnya. Dengan model tersebut, diharapkan bahwa hasil regresi yang diperoleh akan lebih efisien dan mudah untuk diinterprestasikan. Sesuai dengan keterangan di atas, maka spesifikasi model tersebut secara ekonometrika akan menjadi model sebagai berikut: GROWTHt =
+
1FDIt
+
2GFCFt
+
3 ln(LFt)
+
4NXt
+
5DKRISIS
+ t..(3.7)
45
dimana : GROWTHt = Tingkat Rata-Rata Pertumbuhan Ekonomi Tahunan (data dalam persen) FDIt
= Persentase Nilai FDI Inflow terhadap GDP Tahunan (data dalam persen)
GFCFt
= Persentase Nilai Gross Fixed Capital Formation (GFCF) atau Pembentukan Modal Tetap Bruto (PMTB) terhadap GDP Tahunan (data dalam persen)
NXt
= Persentase Nilai ekspor neto terhadap GDP Tahunan (data dalam persen)
LFt
= Jumlah Labour Force atau Angkatan Kerja Tahunan (data dalam Ribu Jiwa)
DKRISIS = Variabel Dummy yang mengindikasikan terjadinya krisis ekonomi dimana nilainya sama dengan satu pada saat krisis ekonomi dan nilainya sama dengan nol pada saat bukan krisis ekonomi
3.6
Definisi Operasional Variabel Definisi operasional variabel yang digunakan dalam model penelitian ini
antara lain: 1)
GROWTH Variabel
GROWTH
merupakan
variabel
yang
merepresentasikan
pertumbuhan ekonomi. Nilai variabel GROWTH ini merupakan nilai tingkat rata-Rata pertumbuhan Gross Domestic Product (GDP) Riil atau
46
Pendapatan Domestik Bruto (PDB) Atas Dasar Harga Konstan (ADHK) Tahunan di dalam persentase. 2)
FDI Variabel FDI merupakan variabel yang merepresentasikan Penanaman Modal Asing Langsung. Nilai variabel FDI ini merupakan Nilai FDI Inflow suatu negara selama satu tahun dibagi nilai GDP.
3)
GFCF Variabel GFCF merupakan variabel yang merepresentasikan Nilai PMTB yang merupakan pendekatan terhadap nilai investasi domestik di suatu negara. Nilai variabel GFCF ini merupakan nilai PMTB suatu negara selama satu tahun dibagi nilai GDP.
4)
LF Variabel LF merupakan variabel yang merepresentasikan jumlah modal manusia disuatu negara. Nilai variabel LF ini merupakan jumlah angkatan kerja yaitu jumlah penduduk usia produktif 15-24 tahun yang sudah bekerja, yang sudah memiliki perkerjaan tetapi sementara tidak bekerja maupun yang sedang aktif mencari pekerjaan selama satu tahun di suatu negara.
5)
NX Variabel NX merupakan variabel yang merepresentasikan keterbukaan perdagangan internasional antar negara. Nilai variabel NX ini merupakan nilai ekspor neto antar negara yaitu pengurangan nilai ekspor suatu negara selama satu tahun dibagi nilai GDP dengan nilai impor suatu negara selama satu tahun dibagi nilai GDP.
47
6)
DKRISIS Variabel DKRISIS merupakan variabel dummy digunakan dalam persamaan regresi karena variabel tersebut sifatnya kualitatif. Suatu cara untuk membuat data kuantitatif dari data kualitatif ialah dengan cara memberikan nilai satu atau nol. Dalam penelitian ini digunakan variabel DKRISIS untuk melihat pengaruh dari krisis ekonomi. Atribut satu digunakan untuk menerangkan pertumbuhan ekonomi pada saat krisis, baik krisis moneter Asia tahun 1997-1997, krisis minyak dunia tahun 2005, maupun krisis keuangan
tahun 2008-2009,
sedangkan
nilai
pertumbuhan ekonomi pada saat tidak terjadi krisis.
nol diberikan pada
