48
BAB III METODE PENELITIAN
A. Ruang Lingkup Penelitian Penelitian dilakukan di Kabupaten/Kota yang berada di Provinsi Banten. Pemilihan lokasi di Kabupaten/Kota disebabkan karena berdasarkan hasil evaluasi Kementrian Dalam Negeri, menunjukan 63 Kabupaten/Kota hasil pemekaran wilayah dinilai gagal menerapkan otonomi daerah. Kabupaten/Kota baru baik yang berada di Pulau jawa maupun diluar Pulau jawa sehingga membebani APBN (Tjahjo Kumolo dalam redaksi harian terbit, 2015). Provinsi Banten memiliki 2 Kota baru hasil pemekaran wilayah ditahun 2007 dan 2008. Berdasarkan hal tersebut maka data yang digunakan dalam penelitian ini berupa data panel. Data yang diambil pada masing-masing Kabupaten/Kota bersifat tahunan yaitu dari tahun 2010 sampai 2014. Pemilihan tahun penelitian dari 2010 sampai 2014 disebabkan karena terjadi penurunan peran PAD dan kenaikan peran dana perimbangan dalam pendapatan daerah. Kondisi keuangan daerah di Provinsi Banten sebelum tahun 2010 peran PAD lebih tinggi dibandingkan peran dana perimbangan dalam pendapatan daerah.
49
B. Jenis dan sumber data Penelitian ini menggunakan data sekunder jenis data panel. Data panel (pooled data) merupakan gabungan antara data time series dan cross section (Ekananda, 2016: 1).
Data time series menggunakan
tahun pengamatan 2010-2014, sedangkan data cross section terdiri dari 8 Kabupaten/Kota di Provinsi Banten. Data diperoleh dari BPS Banten, BPS Nasional, Bappeda, DJPK, dan Dinas lainnya yang terkait. Data sekunder yang dikumpulkan adalah : 1. Data PDRB ADHK 2000 dan ADHK 2010 menurut Kabupaten/Kota di Provinsi Banten dan Provinsi Jawa Barat tahun 2001-2014 yang diperoleh dari BPS Banten. 2. Data PDB ADHK 2000 dan 2010 menurut Provinsi di Indonesia tahun 2001-2014 yang diperoleh dari BPS Nasional. 3. Data realisasi PAD, DBH, DAU, DAK, dan LLPS Kabupaten/Kota di Provinsi Banten tahun 2010-2014. Data diperoleh dari Direktorat jendral perimbangan keuangan (DJPK) Kementrian Keuangan RI. C. Variabel Penelitian dan Definisi Operasional Penelitian Penulis mengelompokkan varibel penelitian menjadi variabel dependen
dan
pertumbuhan
variabel ekonomi
independen. (PDRB).
Varibel
Variabel
dependen berupa independen
adalah
pendapatan daerah yang terdiri dari Pendapatana asli daerah (PAD), Dana alokasi umu (DAU), Dana alokasi khusus (DAK), dan Lain-Lain Pendapatan Daerah Yang Sah (LLPS). Definisi dari masing-masing variabel sebagai berikut :
50
1. Pertumbuhan ekonomi Pertumbuhan
ekonomi
adalah
perkembangan
suatu
perekonomian dalam suatu tahun tertentu dibandingkan dengan tahun sebelumnya. Perkembangan tersebut dilihat dari nilai Produk Domestik Regional Bruto atau PDRB (Sukirno, 2006 dalam Badrudin, 2012). PDRB yang digunakan adalah ADHK 2000 dikarenakan pada PDRB ADHK faktor inflasi telah dikeluarkan. Inflasi akan mengakibatkan nominal PDRB menjadi lebih besar, namun tidak representatif. Besarnya nilai PDRB bukan berarti terjadi kenaikan pendapatan melainkan karena harga yang tinggi akibat inflasi (Tarigan, 2004:21). Satuan yang digunakan miliar rupiah. 2. Pendapatan Daerah Pendapatan daerah adalah hak pemerintah daerah yang diakui sebagai penambah nilai kekayaan bersih dalam periode tahun bersangkutan [UU No.33/2004]. Berikut ini penjelasan mengenai komponen sumber pendapatan daerah. 1) Pendapatana asli daerah (PAD) PAD adalah pendapatan daerah yang diperoleh dari pungutan pemerintah daerah kepada masyarakat berdasarkan peraturan daerah sesuai dengan peraturan perundang-undangan yang berlaku [UU No.33/2004]. Data yang digunakan adalah realisasi PAD Kabupaten/Kota di Provinsi Banten tahun 20102014. Satuan yang digunakan miliar rupiah.
51
2) Dana Perimbangan Dana yang bersumber dari APBN yang diberikan oleh pemerintah pusat kepada pemerintah daerah dalam bentuk DBH, DAU, dan DAK yang disalurkan melalui mekanisme transfer ke daerah [UU No.33/2004]. Dana perimbangan terdiri dari : a. Dana alokasi umum (DAU) DAU adalah dana yang bersumber dari APBN yang dialokasikan kepada pemerintah daerah untuk mendanai kebutuhan daerah guna kelancaran urusan pemerintahan [UU No.33/2004]. Data yang digunakan adalah realisasi DAU Kabupaten/Kota di Provinsi Banten tahun 2010-2014. Satuan yang digunakan miliar rupiah. b. Dana bagi hasil (DBH) DBH merupakan dana yang bersumber dari APBN yang dialokasikan kepada daerah berdasarkan angka persentase untuk mendanai kebutuhan Daerah [UU No.3/2004]. Data yang digunakan adalah Realisasi DBH Pajak dan SDA Kabupaten/Kota di Provinsi Banten tahun 2010-2014. Satuan yang digunakan miliar rupiah. c. Dana Alokasi khusus (DAK) DAK adalah dana yang bersumber dari APBN yang dialokasikan kepada daerah tertentu dengan tujuan untuk membantu mendanai kegiatan khusus yang merupakan urusan daerah dan sesuai dengan prioritas nasional [UU No.33/2004].
52
Data yang digunakan adalah realisasi DAK Kabupaten/Kota di Provinsi Banten tahun 2010-2014. Satuan yang digunakan miliar rupiah. 3) Lain-lain pendapatan daerah yang sah (LLPS) LLPS yang sah adalah semua jenis pendapatan yang sah yang tidak masuk kepada kategori PAD dan dana perimbangan [UU No.33/2004, Pasal 3]. Data yang digunakan adalah realisasi lain-lain pendapatan daerah yang sah Kabupaten/Kota di Provinsi Banten tahun 2010-2014. Satuan yang digunakan miliar rupiah. D. Metode Analisis Data Penelitian ini menggunakan analisis kuantitatif dengan regresi data panel. Hal ini disebabkan karena data yang digunakan adalah data panel. Pengolahan data menggunakan bantuan software E-Views 6 untuk mempermudah analisis. Sebelum dilakukan estimasi model, maka perlu dilakukan uji penyesuaian data (konversi tahun dasar PDRB) dan Uji pemilihan bentuk fungsi model empiris. 1. Konversi Tahun Dasar PDRB Pergantian tahun dasar oleh BPS dilakukan setiap 5 atau 10 sesuai rekomendasi dari PBB. Sampai saat ini BPS telah melakukan perubahan tahun dasar sebanyak 6 kali yaitu tahun 1960, 1973, 1983, 1993, 2000, dan 2010. Dampak perubahan tahun dasar berupa (BPS, 2) :
53
1) Meningkatknya nominal PDRB, berubahnya struktur, dan pertumbuhan PDRB 2) Merubah
besaran
indikator
makro
seperti
struktur
dan
pertumbuhan ekonomi 3) Menyebabkan perubahan pada input data untuk modeling dan forecasting. Data PDRB yang tersedia adalah PDRB ADHK 2000 dan 2010, maka perlu dilakukan penyesuaian tahun dasar menjadi ADHK 2000. Berikut ini formula penyamaan tahun dasar (Ace Partadiredja,1999 dalam Adi Raharjo, 2006:64) : PDRBt =
x PDRB Tahun 2014**..................(3.1)
Dimana: PDRB Tahun 2012 ADHK 2000 sebagai tahun dasar. PDRBt
: PDRB yang akan dikonversikan.
PDRB Tahun 2012* : PDRB Tahun 2012 ADHK 2010 PDRB Tahun 2012** : PDRB tahun 2014 ADHK 2000
2. Estimasi Pemilihan Fungsi Model Empiris Uji ini penting dilakukan untuk menentukan bentuk fungsi model empiris yang sesuai, apakah bentuk linier atau log-linier. Pemilihan bentuk fungsi model terbaik dilakukan dengan Uji MWD Test atau disebut sebagai metode MacKinnon, White dan Davidson (Aisyah, 2007:80). Berikut ini langkah-langkah uji MWD dengan bantuan software eviews 6, dengan dua bentuk model yang akan diuji yaitu:
54
PDRB = α0+α1PADit+.....+µit............(3.2)
Ho : Model Linier
Ha : Model Log-linier LPDRBit=α0+α1LPADit...+µit.............(3.3) 1) Melakukan regresi dengan persamaan linier kemudian didapatkan nilai fitted dari PDRB, yang dinamai dengan PDRBF. 2) Melakukan regresi dengan persamaan log-linier kemudian didapatkan nilai fitted dari log PDRB, yang dinamai dengan LPDRBF. 3) Mencari nilai Z1 dengan cara nilai fitted PDRB dari persamaan log-linier dikurangi nilai fitted PDRB dipersamaan linier. Jika dalam eviews 6 dengan klik Genr lalu masukan Z1 = log(PDRBF) - LPDRBF 4) Mencari nilai Z2 dengan cara nilai fitted PDRB dari persamaan linier dikurangi nilai fitted PDRB dipersamaan log-linier. Jika dalam eviews 6 dengan klik Genr lalu masukan Z2 = exp(LPDRBF)-PDRBF 5) Melakukan
regresi
dengan
persamaan
linier
yang
mengikutsertakan Z1 6) Melakukan
regresi
dengan
persamaan
log-linier
yang
mengikutsertakan Z2 7) Bandingkan nilai Z1 dan Z2 dengan taraf signifikansi 5% : a. Jika nilai Z1 < 0,05 (signifikan), maka menolak Ho b. Jika nilai Z1 > 0,05 (Tidak signifikan), maka menerima Ho c. Jika nilai Z2 < 0,05 (signifikan), maka menolak Ha d. Jika nilai Z2 > 0,05 (Tidak signifikan), maka menerima Ha
55
Berikut ini aturan pengambilan keputusan pada uji MWD adalah sebagai berikut. Tabel 3.1. Kriteria Pengabilan Keputusan Uji MWD Hipotesis nol Hipotesis Alternatif Ha (Ho) tidak menolak menolak tidak model linier dan linier model linier tepat menolak tepat model linier dan log linier menolak model log linier tepat tidak tepat Sumber:
Agus Widarjono, 2013:76
3. Estimasi Model Berikut ini model fungsi yang akan digunakan untuk melihat pengaruh dari masing-masing sumber pendapatan daerah terhadap pertumbuhan ekonomi: PDRB = f(PAD, DBH, DAU, DAK, LLPS).................................(3.4) Selanjutnya, model fungsi ditransformasikan dalam persamaan ekonometrik berupa :
PDRBit=α0+α1PADit+α2DBHit+α3DAUit+α4DAKit+α5LLPSit+ µit...........................................................................................(3.5) Dimana: i PDRB PAD DBH DAU DAK LLPS
= 1,2......N, t = 1,2......T = Pertumbuhan ekonomi = Pendapatan asli daerah = Dana bagi hasil = Dana alokasi umum = Dana alokasi khusus = Lain-lain pendapatan yang sah = konstata, µ = error
α0 α1,2,3 = koefisien regresi dari parameter yang diestimasi n nxt
= banyaknya observasi, t = waktu = banyaknya data panel
56
Mengingat jenis data yang dipakai adalah data panel, maka terdapat tiga pilihan model estimasi regresi yang dapat digunakan untuk mengestimasi persamaan ekonometrika yang telah sebelumnya telah dirumuskan. Berikut ini tiga pilihan model estimasi. 1) Common Effect Model (CEM) Common effext model merupakan model yang tidak memperhatikan heterogenitas individu, semua dianggap sama Gujarati (2012). Data time series dan cross section yang digabungkan (pool data) diasumsikan memiliki koefisien regresi yang sama. Model common effect dalam menduga parameter menggunakan Ordinary Least Square (OLS) (Baltagi, 2005 dalam Pangestika, 2015:16). Berdasarkan hal tersebut kelemahan dari model common efect adalah ketidaksesuaian model dengan realitas yang sebenarnya (Hariyanto, 2012:43). 2) Fixed Effect Model (FEM) Fixed Effect Model adalah model yang memperhatikan adanya keberagaman atau heterogenitas antar individu yang diakomodasikan dalam variabel dummy, sehingga estimator pada metode ini seringkali disebut dengan Least Square Dummy Variable model (LSDV) (Ekananda, 2016: 99). FEM memiliki koefisien regresi (slope) yang bernilai konstan atau tetap antar cross section maupun antar waktu, sedangkan intercept antar cross section berbeda namun intercept antar waktu sama (time invariant) (Hariyanto, 2012:43).
57
3) Random Effect Model (REM) Model FEM dijelaskan bahwa heterogenitas antar series dan antar cross section diakomodasikan lewat variabel dummy. Penggunaan variabel dummy mengakibatkan
berkurangnya
degree of freedom yang berdampak efisiensi pada paramater yang akan diestimasi (Gujarati dan Porter, 2012: 249). Heterogenitas individu pada Random effect model diakomodasikan lewat komponen error, sehingga metode ini bisa juga disebut sebagai error componen model (ECM) (Gujarati dan Porter, 2012: 250). 4. Pemilihan model estimasi regresi Untuk menentukan jenis model mana yang akan dipakai dalam melakukan estimasi model regresi dengan menggunakan data panel perlu dilakukan beberapa uji untuk mendapatkan model terbaik yaitu: 1) Uji Likehood Uji yang dilakukan untuk memilih model terbaik antara fixed effect model (FEM) dengan model common effect model (CEM). Hipotesis dalam uji likehood adalah sebagai berikut : Ho
: common effect model (CEM)
Ha
: fixed effect model (FEM)
Fhitung diperoleh dari Df1 = (n-1, n*t-n-k), Dimana: n : jumlah cross section t : jumlah time series k : jumlah variabel independen
58
Hasil pengujian yang menunjukan nilai Cross-section F > Fhitung dan nilai probabilitas (Prob.) < taraf signifikansi, maka Ho ditolak. Kesimpulannya Model efek tetap fixed effect model terpilih sebagai model yang terbaik. Common effect model terpilih sebagai model terbaik, jika dari hasil pengujian nilai cross-section F < Fhitung dan nilai probabilitas (prob.) > taraf signifikansi, maka Ho diterima dan Ha ditolak (Aisyah, 2007:174). Pengujian likehood didapatkan kesimpulan model yang sesuai adalah FEM, maka langkah berikutnya melakukan uji Hausman untuk membandingkan antara model FEM atau REM (Melliana dan Zain: 3). 2) Uji Hausman Uji yang dilakukan untuk menentukan model terbaik antara fixed effect model (FEM) atau Random effect model (REM). Hipotesis dalam uji hausman adalah sebagai berikut : Ho
: Random effect model (REM)
Ha
: fixed effect model (FEM)
X2 tabel diperoleh dari Df = jumlah variabel independen. Statistik hausman mengikuti distribusi chi-square tabel. Jika dari hasil pengujian didapatkan nilai cross section-random > chi-square tabel, maka Ho ditolak. Kesimpulannya fixed effect model (FEM) terpilih menjadi model terbaik. Random effect model (REM) terpilih menjadi model yang terbaik, jika nilai cross section-random < chi-square tabel, maka Ho diterima (Ekananda, 2016:135).
59
E. Uji Asumsi Klasik Salah satu tujuan dari analisis data panel adalah untuk melihat keberagaman individu, sehingga ketika dilakukan penyembuhan akan menyebabkan hilangnya keberagaman individu. Uji asumsi klasik pada analisis data panel memiliki tujuan yang berbeda dengan pengujian asumsi klasik di OLS. Uji asumsi klasik bertujuan untuk menentukan estimator manakah yang sesuai untuk melakukan estimasi pada data panel (Ekananda, 2016:253). Berikut ini adalah pengujian asumsi klasik yang dilakukan dalam penelitian ini. 1. Uji Normalitas Uji normalitas berguna untuk mengetahui apakah residual dari suatu model berdistribusi normal atau tidak. Asumsi normalitas berkaitan dengan uji t dan uji F, ketika residual berdistribusi tidak normal maka hasil uji t dan F tidak valid. Penelitian ini menggunakan uji Jarque-Bera (JB) untuk mengetahui normal atau tidaknya distribusi residualnya, dengan hipotesis sebagai berikut : Ho
: Residual berdistribusi normal
Ha
: Residual tidak berdistribusi normal
X2 tabel diperoleh dari Df = jumlah variabel independen. Uji JB test mengikuti distribusi chi-square tabel dengan degree of freedom sebanyak variabel independen. Residual berdistribusi normal, jika hasil dari pengujian menunjukan nilai JB < chi-square tabel dan nilai prob JB > taraf signifikansi, maka Ho diterima (Aisyah, 2007:100).
60
2. Uji Multikolinearitas Penyebab
munculnya
multikolinearitas
karena
adanya
hubungan atau korelasi antar variabel independen (Gujarati, 2006:184). Adanya multikolinearitas dalam suatu model akan menyebabkan koefisien regresi yang ditaksir banyak yang tidak signifikan sedangkan R2 tinggi, mengakibatkan arah koefisien menjadi bias (Gujarati, 2006:68). Berikut ini beberapa indikasi adanya Multikolinearitas (Winarno, 2011: 5.2). 1) Nilai R2 yang tinggi namun hasil uji t banyak yang tidak signifikan. 2) Koefisien antar variabel independen tinggi diatas 0,8 (Gujarati, 2006: 68). 3) Dengan melakukan uji korelasi parsial, jika nilai R2a lebih kecil dibandingkan nilai R2 pada regresi atar variabel bebas, maka model memiliki multikolinearitas (Aisyah, 2007:109). Berdasarkan
indikasi
tersebut
diatas,
penelitian
ini
menggunakan koefisien korelasi antar variabel independen untuk melihat ada atau tidaknya multikolinieritas. Jika koefisien antar variabel kurang dari 0,8 maka tidak ada multikolinearitas.
61
3. Uji Autokorelasi Autokorelasi menunjukkan adanya korelasi antar observasi yang diurutkan berdasarkan waktu atau time series (Gujarati dan Porter, 2012:8). Autokorelasi menyebabkan estimator menjadi bias dan tidak efisien karena uji t dan uji F tidak bisa diaplikasikan secara benar (Gujarati dan Porter, 2012:29). Deteksi Autokorelasi menggunakan uji Durbin-Watson. Uji DW merupakan pengujian autokorelasi yang paling populer, tetapi memiliki kelemahan berupa adanya zona tidak berkeputusan (ragu-ragu). Peneliti tidak dapat menyimpulkan ada tidaknya autokorelasi (Gujarati dan Porter, 2012:38). Berikut ini aturan pengambilan keputusan pada uji DW adalah sebagai berikut: Tabel 3.2. Kriteria Pengambilan Keputusan Uji DW Hipotesis Nol Keputusan Jika Tidak ada autokorelasi positif Tolak 0 < d < dL Tidak ada Tidak ada autokorelasi positif dL ≤ d ≤ Du keputusan Tidak ada autokorelasi negatif Tolak 4 - dL < d < 4 Tidak ada Tidak ada autokorelasi negatif 4 - dU ≤ d ≤ 4 - dL keputusan Tidak ada autokorelasi baik Terima dU < d < 4 - Du positif maupun negatif S Sumber:
(Gujarati dan Porter, 2012:37)
Dimana, Nilai DWtabel
: (n,k)
N
: Jumlah observasi
K
: Jumlah variabel independen.
62
Autokorelasi pada model data panel menyebabkan tidak dapat digunakannya pendekatan OLS untuk melakukan estimasi. Hal ini disebabkan karena pada metode OLS mengasumsikan tidak ada keberagaman residu antar waktu (time series) dan antar individu (cross section) (Ekananda, 2016: 199). Berdasarkan hal tersebut estimator yang sesuai adalah Generalized Least Suare atau GLS (Gujarati dan Porter, 2012:43). GLS merupakan estimator yang mempertimbangkan keberagaman data. GLS menganggap bahwa informasi heterogenitas baik antar periode maupun waktu individu digunakan sebagai informasi yang penting (Ekananda, 2016: 199). 4. Uji Heteroskedastisitas Heteroskedastisitas adalah keadaan dimana varian pada model berubah-ubah atau tidak konstan (Gujarati, 2006: 82). Penelitian ini menggunakan uji park untuk mendeteksi gejala heteroskedastisitas yang terjadi dalam model persamaan regresi, dengan hipotesis sebagai berikut : Ho
: ada gejala heteroskedastisitas
Ha
: tidak ada gejala heteroskedastisitas
thitung diperoleh dari Df = (α/2, n*t-n-k) Dimana : n
: jumlah cross section
t
: jumlah time series
k
: jumlah variabel independen
α
: Tingkat signifikansi
63
Hasil pengujian yang menunjukan nilai thitung > ttabel dan probabilitas < taraf signifikan, maka Ho diterima. Kesimpulannya terdapat
gejala
heteroskedastisitas.
Hasil
pengujian
yang
menunjukan nilai thitung < ttabel dan probabilitas > taraf signifikan, maka
Ho
ditolak.
heteroskedastisitas
Kesimpulannya
(Sumodinigrat,
tidak
2002:
207
terdapat
gejala
dalam
Purusa,
2016:48). F. Uji Statistik Uji yang terakhir adalah uji statistik untuk melihat baik atau buruknya regresi yang dibuat (Nachrowi & Usman, 2006 dalam Pangestika, 2015: 38). Uji statistik terdiri dari uji t statistik (uji secara individu), uji F statistik (analisis varians), dan uji koefisien determinasinya (R). 1. Uji secara Individu (Uji t statistik) Uji t dilakukan untuk mengetahui pengaruh pada masingmasing variabel independen terhadap variabel dependen, dengan hipotesis adalah sebagai berikut : Ho
: Variabel independen tidak berpengaruh signifikan
Ha
: Variabel independen berpengaruh signifikan.
Ttabel
: Df : (α/2, n*t -n –k) ,
Dimana : n
: jumlah cross section
t
: jumlah time series
k
: jumlah variabel independen, α : tingkat signifikansi
64
Pengujian dilakukan dengan membandingkan nilai Thitung dengan nilai Ttabel, dan nilai probabilitas terhadap taraf signifikansi. Jika hasil pengujian Thitung > Ttabel atau Thitung < -Ttabel dan probabilitas < taraf signifikansi, maka Ho ditolak. Kesimpulannya secara statistik variabel independen signifikan mempengaruhi variabel dependen. Hasil pengujian yang menunjukan Thitung > Ttabel atau Thitung < -Ttabel dan probabilitas > taraf signifikans, maka Ho diterima.
Kesimpulannya
secara
statistik
variabel
dependen
signifikan tidak mempengaruhi variabel dependen. 2. Uji F statistik (Analisis Varians) Uji ini digunakan untuk menguji signifikansi secara bersamasama atas semua koefisien regresi terhadap varaibel dependen, dengan hipotesis yang digunakan adalah sebagai berikut : Ho
: α1, α2, α3, α4, α5 = 0 (tidak ada pengaruh)
Ha
: α1, α2, α3, α4, α5 ≠ 0 (ada pengaruh)
Ftabel
: Df1 : (n-1, n*t-n-k),
Dimana : n
: jumlah cross section
t
: jumlah time series
k
: jumlah variabel independen, α : tingkat signifikansi
65
Pengujian dilakukan dengan membandingkan Fhitung terhadap Ftabel dan membandingkan probabilitas terhadap taraf signifikansi. Jika hasil pengujian nilai Fhitung > Ftabel dan Nilai probabilitas < taraf signifikansi, maka Ho ditolak. Kesimpulannya adalah semua variabel independen berpengaruh signifikan terhadap varaibel dependen. Semua variabel independen tidak berpengaruh terhadap variabel dependen, jika hasil Fhitung > Ftabel dan Nilai probabilitas > taraf signifikansi, maka Ho diterima. 3. Uji koefisien determinasinya (R2) Uji ini digunakan untuk mengetahui berapa % variasi variabel dependen dapat dijelaskan oleh variasi variabel independen. Pengujian dilakukan dengan menggunakan nilai Adjusted R-Squared hasil regresi. Semakin tinggi yaitu mendekati 1 maka nilai Adjusted R-Squared menunjukan bahwa model dapat dipercaya atau diandalkan.
