36
III. METODE PENELITIAN
3.1.
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang
berupa data panel terdiri dari dua bagian yaitu : (1) time series dan (2) cross section. Data time series yang digunakan dalam penelitian ini adalah data tahunan selama sepuluh tahun dari tahun 2001 – 2010, data cross section sebanyak enam provinsi di Pulau Jawa yang menjadi objek penelitian. Adapun enam provinsi tersebut yaitu DKI Jakarta, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, dan Banten. Variabel yang digunakan adalah jumlah tenaga kerja sektor industri dan jumlah tenaga kerja sektor perdagangan, hotel dan restoran. Upah Minimum Provinsi (UMP) riil, PDRB riil, PMA (Penanaman Modal Asing) dan PMDN (Penanaman Modal Dalam Negeri) di sektor industri dan sektor perdagangan, hotel dan restoran. Sumber data variabel dan pendukung dalam penelitian ini diperoleh dari berbagai instansi dan media terkait. Adapun instansi dan media terkait yang dimaksud adalah Badan Pusat Statistik (BPS), Badan Koordinasi Penanaman Modal
(BKPM),
Kementrian
Tenaga
Kerja
dan
Transmigrasi
(DEPNAKERTRANS), perpustakaan, artikel, jurnal, dan internet. 3.2.
Metode Analisis Data Metode analisis yang digunakan adalah metode deskriptif dan kuantitatif.
Metode deskriptif digunakan untuk mengkaji perkembangan penyerapan tenaga kerja sektor industri dan sektor perdagangan serta variabel-variabel yang memengaruhinya seperti UMP riil, PDRB riil, PMA dan PMDN di masing-
37
masing sektor. Selain itu, metode ini juga digunakan pada hasil yang diperoleh dari analisis data kuantitatif, sehingga diharapkan dapat menggambarkan faktor yang paling memengaruhi dalam memberikan peningkatan menyerap tenaga kerja di sektor industri dan sektor perdagangan, hotel dan restoran di Pulau Jawa Tahun 2001-2010. Metode kuantitatif yang digunakan dalam penelitian ini adalah metode regresi panel data. Metode ini digunakan untuk menganalisis faktor-faktor yang memengaruhi tingkat penyerapan tenaga kerja pada sektor industri dan sektor perdagangan, hotel dan restoran di Pulau Jawa Tahun 2001-2010. Data sekunder diolah dengan menggunakan program komputer Microsoft Excel 2007 dan Eviews 6.0 yang kemudian hasil outputnya akan diinterpretasikan. 3.2.1 Analisis Regresi Panel Data Model penelitian ini membutuhkan data antarsektor dan antarprovinsi (cross section), serta data antartahun (time series) sekaligus. Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu, sedangkan data time series adalah data yang dikumpulkan dari waktu ke waktu terhadap suatu individu (Gujarati, 2003). Penggabungan data antar individu (cross-section) dan antar waktu (time-series) disebut dengan data panel (Baltagi, 2005). Bentuk umum dari model regresi panel data adalah : Yit = α + βXit + εit i = 1,2,3,…., N t = 1,2,3,…., T .......................(3.1) dimana: N
= individu provinsi (observasi)
T
= tahun
38
Secara teoritis, ada beberapa keuntungan yang diperoleh dengan menggunakan data panel dibandingkan dengan data time series atau cross section, diantaranya menurut (Baltagi, 2005) adalah : 1.
Dapat mengontrol heterogenitas individu. Bila data panel berhubungan dengan individu, perusahaan, negara, daerah, dan lain–lain pada waktu tertentu. Teknik estimasi data panel yang heterogen secara eksplisit dapat dipertimbangkan dalam perhitungan.
2.
Kombinasi data time series dan cros section memberikan informasi yang lebih lengkap, beragam, menurunkan kemungkinan kolinearitas antar variabel bebas, dan meningkatkan derajat kebebasan (degree of freedom) dan lebih efisien.
3.
Studi data panel memberikan hasil yang lebih baik untuk menentukan perubahan dinamis (study of dynamics adjustment) dibandingkan studi berulang–ulang dari cross section.
4.
Data panel lebih baik untuk mendeteksi dan mengukur efek yang secara sederahana tidak dapat diukur oleh data time series murni maupun cross section murni.
5.
Data panel dapat membantu dalam menganalisis perilaku yang lebih kompleks.
6.
Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit data yang digunakan lebih banyak. Untuk mengestimasi parameter data panel dalam penelitian ini, digunakan
dua metode pendekatan yaitu:
39
3.2.1.1. Metode Fixed Effect Masalah terbesar yang terjadi dalam pendekatan model kuadrat terkecil adalah asumsi intersep dan slope dari persamaan regresi yang dianggap konstan baik antar individu maupun antar waktu yang mungkin kurang beralasan. Untuk mengatasi masalah tersebut peneliti dapat menggunakan Model Fixed Effect. Fixed Effect Model yaitu model yang didapatkan dengan mempertimbangkan bahwa peubah-peubah yang dihilangkan dapat mengakibatkan perubahan dalam intersep-intersep cross section dan time series. Peubah dummy dapat ditambahkan ke dalam model untuk memungkinkan perubahan-perubahan intersep ini lalu model diduga menggunakan OLS, yaitu : Yi = ∑ αiDi + β Xit + εit .....................................(3.3) Dimana : Yi
= Variabel endogen
Xi
= Variabel eksogen
αi
= Intersep model yang berubah-ubah antar cross section unit
D
= Variabel dummy
β
= parameter
i
= Individu ke - i, t = Periode waktu ke-t
ε
= error/simpangan
3.2.1.2. Metode Random Effect Keputusan untuk memasukan variabel dummy ke dalam model fixed effect tidak dapat dipungkiri akan dapat menimbulkan konsekuensi pengurangan banyaknya derajat kebebasan yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Untuk mengatasi masalah tersebut maka peneliti bisa
40
menggunakan model Random Effect. Dalam model random effect parameter yang berbeda antar individu maupun antar waktu dimasukan ke dalam error. Karena hal inilah model random effect sering disebut juga model komponen error (errror component model). Bentuk model random effect bisa dijelaskan pada persamaan berikut : Yit = α0 + β Xit + εit .........................................(3.4)
εit = Uit + Vit + Wit Dimana : Uit ~ N (0, u²)
= komponen cross section error.
Vit ~ N (0, v²)
= komponen time series error.
Wit ~ N (0, w²)
= komponen combinations error.
Kita juga mengasumsikan bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya. Penggunaan model random effect dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada fixed effect model. Hal ini berimplikasi pada parameter yang merupakan hasil estimasi akan menjadi semakin efisien. 3.2.2. Uji Kesesuaian Model Pemilihan dalam model yang digunakan dalam sebuah penelitian perlu dilakukan pengujian berdasarkan pertimbangan statistik. Hal ini dilakukan untuk memperoleh model yang terbaik agar hasil dugaan yang diperoleh efisien. Uji kesesuaian model dalam penelitian ini dilakukan sebagai berikut :
41
3.2.2.1. Uji Chow (The Chow Test) Dalam menguji kesesuian model penelitian ini, kedua metode baik pooled least square maupun fixed effect model dapat dilakukan dengan menggunakan Uji Chow (Chow Test). Chow test (uji F-statistik) adalah pengujian yang dilakukan untuk memilih apakah model yang digunakan pooled least square atau fixed effect. Sebagaimana diketahui terkadang asumsi bahwa setiap unit cross section memiliki perilaku yang sama cenderung tidak realistis mengingat dimungkinkan setiap unit cross section memiliki prilaku berbeda. Hipotesis dalam pengujian ini dapat dilakukan sebagai berikut : H0 : Model Pooled Least Square H1 : Model Fixed Effect Dasar penolakan terhadap hipotesis nol (H0) adalah dengan menggunakan Fstatistik seperti yang dirumuskan oleh Chow : Chow =
⁄ ⁄
…………….........(3.5)
dimana : ESS1 = Residual Sum Square hasil pendugaan model pooled least square ESS2 = Residual Sum Square hasil pendugaan model fixed effect N
= Jumlah data cross section
T
= Jumlah data time series
K
= Jumlah variabel penjelas Statistik Chow test mengikuti distribusi F-statistik dengan derajat bebas
(N-1, NT-N-K). Jika nilai Chow statistik (F-statistik) hasil pengujian lebih besar dari F-tabel, atau p-value < α maka cukup bukti untuk melakukan penolakan
42
terhadap hipotesa nol (H0) sehingga model yang digunakan adalah model fixed effect, begitu pula sebaliknya. 3.2.2.2. Uji Hausman (The Hausman Test) Uji
Hausman
adalah
suatu
pengujian
statistik
sebagai
dasar
pertimbangan kita dalam memilih apakah menggunakan fixed effect model atau random effect model. Seperti yang diketahui bahwa penggunaan fixed effect model mengandung unsur trade off yaitu hilangnya derajat kebebasan (degree of freedom) karena memasukkan variabel dummy. Akan tetapi penggunaan random effect model juga harus memperhatikan kebebasan dari pelanggaran asumsi dari setiap komponen galat. Pengujian dalam penelitian ini dilakukan dengan hipotesis sebagai berikut : H0
:
Model Random Effect
H1
:
Model Fixed Effect
Dasar dari penolakan hipotesis nol tersebut diperoleh dengan menggunakan pertimbangan statistik Chi-Square. Statistik Hausman dirumuskan dengan persamaan: m = (β – b) (M0 - M1)-1 (β – b) ~ χ2 (K)…….........(3.6) dimana : β
= vektor statistik variabel fixed effect
b
= vektor statistik variabel random effect
(M0)
= matriks kovarian untuk dugaan model fixed effect
(M1)
= matriks kovarian untuk dugaan model random effect
Jika nilai m dari hasil pengujian lebih besar dari Chi-Square (χ2) tabel, atau p-value < α maka cukup bukti untuk melakukan penolakan terhadap hipotesis nol
43
sehingga model yang lebih baik untuk digunakan adalah model fixed effect, begitu pula sebaliknya jika nilai m lebih kecil dari Chi-Square maka tolak hipotesis satu maka yang digunakan adalah model random effect. 3.2.3. Pengujian Parameter Persamaan Regresi Untuk mendapatkan model terbaik, perlu dilakukan pengujian-pengujian sebagai berikut : 3.2.3.1. Uji Statistik F Uji statistik ini dilakukan untuk mengetahui apakah semua variabel bebas dalam model secara bersamaan berpengaruh terhadap variabel terikat. Pengujian ini dilakukan dengan membandingkan nilai kritis F dengan hasil nilai F-hitung. Pengujian pengaruh variabel bebas terhadap variabel terikat dilakukan melalui pengujian besar perubahan variabel terikat yang dapat dijelaskan oleh perubahan nilai semua variabel bebas. Analisis dari pengujian tersebut adalah sebagai berikut: a.
Merumuskan hipotesis Ho : β1 = β2 = ... = βn = 0 ,variabel independen secara simultan tidak berpengaruh signifikan terhadap variabel dependen. Ho : β1 ≠ β2 ≠ ... ≠ βn ≠ 0 ,variabel independen secara simultan berpengaruh signifikan terhadap variabel dependen.
b.
Mencari Nilai F Hitung F(n-1,nT-n-k) = Dimana : R²
: Koefisien Determinasi
²/ /
.........................(3.7)
44
n
: Jumlah Variabel
k
: Jumlah Sampel
t
: Jumlah Unit Waktu
Dalam penelitian ini tingkat signifikansi (α) yang digunakan adalah 5 % dan 1 % artinya resiko kesalahan mengambil keputusan sebesar 5 % dan 1 %. c.
Kriteria Pengujian/Pengambilan Keputusan Jika probabilitas F-Stat < Fα (k-1) (nT-n-k) atau nilai signifikan F > α, maka terima Ho yang artinya tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen. Sebaliknya, Jika probabilitas F-Stat > Fα (k-1) (nT-n-k) atau nilai signifikan F < α, maka tolak Ho yang artinya ada pengarauh yang signifikan dari variabel independen terhapan variabel dependen.
3.2.3.2. Uji Statistik t Uji statistik t dilakukan untuk mengetahui seberapa jauh pengaruh variabel independen secara individu terhadap variabel dependen. a. Merumuskan Hipotesis Uji t Ho : β1 = 0 ,masing-masing variabel independen tidak berpengaruh signifikan terhadap variabel dependen. H1 : β1 ≠ 0 ,masing-masing variabel independen berpengaruh signifikan terhadap variabel dependen. b. Mencari Nilai t Hitung ^
tuji =
^
......................................(3.8)
45
dimana
^
adalah koefisien regresi ke-i,
^
adalah standar error dari
koefisien regresi ke-i. Dalam penelitian ini tingkat signifikansi (α) yang digunakan adalah 5 % dan 1 % artinya resiko kesalahan mengambil keputusan sebesar 5 % dan 1 %. c.
Kriteria Pengujian/Pengambilan Keputusan Jika probabilitas (sig t) > α (0,1) atau t-stat < t
α/2(nT-n-k)
maka terima (Ho),
artinya tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen. Sebaliknya, Jika probabilitas (sig t) < α (0,1) atau t-stat > t α/2(nT-n-k)
maka tolak (Ho), artinya ada pengaruh yang signifikan dari variabel
independen terhadap variabel dependen. 3.2.3.3. Koefisien Determinasi (R²) Koefisien determinasi digunakan secara keseluruhan untuk mengukur ketepatan, seberapa besar presentase total variasi variabel dependen yang mampu dijelaskan oleh model. Nilai koefisien determinasi berada pada selang 0 (nol) – 1 (satu), semakin besar koefisien R² maka semakin besar pengaruh model di dalam menjelaskan variabel dependen. Jika R² yang diperoleh mendekati nilai 1 (satu), maka dapat dikatakan semakin kuat model tersebut dalam menerangkan variasi variabel independen terhadap variabel dependen yang artinya ada hubungan yang sempurna antara variabel independen dengan variabel dependen, sebaliknya jika R² mendekati 0 (nol) maka semakin lemah variasi variabel independen menerangkan variabel dependen yang artinya tidak ada hubungan antara variabel independen dengan variabel dependen.
46
3.2.4. Uji Pelanggaran Asumsi Uji
pelanggaran
asumsi
dalam
model
dilakukan
dalam
rangka
menghasilkan model efisien, visibel, dan konsisten. Uji pelanggaran asumsi dilakukan dengan mendeteksi gangguan waktu (time related disturbance), gangguan antar individu atau antar sektor ekonomi, maupun gangguan yang diakibatkan oleh keduanya. Adapun uji pelanggaran asumsi yang sering dilakukan yaitu : 3.2.4.1. Multikolinearitas Multikolinearitas adalah suatu masalah yang muncul karena adanya dua atau lebih peubah bebas berkorelasi tinggi antara peubah yang satu dengan yang lainnya. Pelanggaran asumsi ini akan menyebabkan kesulitan untuk menduga model yang diinginkan. Untuk mendeteksi ada tidaknya multikolinearitas bisa dilakukan dengan cara melihat hasil uji t dan F statistik. Jika terdapat banyak koefisien parameter t statistik menunjukan hasil yang tidak signifikan, sementara hasil F statistiknya signifikan, maka hal ini mengindikasikan adanya multikolinearitas. Masalah-masalah dari adanya multikolinearitas dapat diatasi dengan berbagai cara yaitu menurut (Gujarati, 2006) mengeluarkan variabel dari model, memperoleh data tambahan atau sampel baru, mengkaji ulang modelnya. 3.2.4.2. Autokolerasi Pelanggaran asumsi ini akan mempengaruhi efisiensi dari estimatornya. Untuk mendeteksi ada tidaknya autokorelasi bisa dilakukan dengan cara melihat nilai Durbin Watson (DW statistik) di dalam Eviews dan membandingkannya dengan DW tabel
47
Tabel 3.1. Selang Nilai Statistik Durbin-Watson Dan Keputusannya Nilai DW 4 < DW < 4 4 < DW < 4 2 < DW < 4 < DW < 2 < DW < 0 < DW < Sumber : (Juanda, 2009)
Hasil Tolak , korelasi serial negatif Hasil tidak dapat ditentukan Terima , tidak ada korelasi serial Terima , tidak ada korelasi serial Hasil tidak dapat ditentukan Tolak , korelasi serial positif
Korelasi serial yang terjadi jika error dari periode waktu yang berbeda saling berkolerasi, yang menyebabkan model menjadi tidak efisien meskipun tidak bias dan konsisten. Untuk mengatasi pelanggaran ini bisa dilakukan dengan cara menambahkan AR(1) atau AR(2) dan seterusnya tergantung berapa banyak autokolerasi yang terdapat di dalam model tersebut. 3.2.4.3. Heteroskedastisitas Heteroskedastisitas terjadi jika ragam sisaan tidak sama untuk tiap pengamatan
ke-i
dari
peubah-peubah
bebas
dalam
model.
Masalah
heteroskedastisitas umumnya terdapat pada data cross section. Pelanggaran asumsi ini akan menyebabkan model menjadi tidak efisien meskipun tidak bias dan konsisten. Untuk mendeteksi pelanggaran asumsi tersebut bisa dilakukan dengan uji-White Heteroscedasticity yang diperoleh dalam program Eviews dengan cara membandingkan nilai Obs* R-Squared dengan X (Chi-Squared). Jika nilai Obs* R-Squared < X (Chi-Squared) tabel, maka tidak terdapat pelanggaran heteroskedastisitas, begitu juga sebaliknya. Uji heteroskedastisitas juga bisa dilakukan dengan menggunakan metode GLS (Cross-Section Weight) atau (CrossSection SUR) yang juga tersedia di dalam program Eviews dimana jika terdapat
48
pelanggaran heteroskedastisitas, makan nilai Sum Squred Resid Weighted Statistic akan lebih kecil dibandingkan dengan nilai Sum Squred Resid Unweighted Statistic. Jika model mengalami masalah tersebut, maka dengan menggunakan metode GLS ( Cross-Section Weight) masalah tersebut sudah dapat teratasi. 3.3. Perumusan Model Penelitian Model umum yang digunakan dalam penelitian ini berdasarkan tinjauan teori terhadap fungsi ekonomi dari model penelitian Ignatia Rohana dan Nachrowi Djalal (2004) yang dipublikasikan dalam jurnal dengan judul Pengaruh Struktur Ekonomi pada Penyerapan Tenaga Kerja Sektoral: Analisis Model Demometrik di 30 Propinsi pada 9 sektor di Indonesia. Adapun tujuan dari penelitian tersebut adalah untuk mengetahui pola struktur ekonomi serta faktor-faktor yang memengaruhi penyerapan tenaga kerja sektoral di Indonesia dari tahun 1980 sampai dengan tahun 2000. Penulis berusaha menerapkan model yang serupa untuk wilayah Pulau Jawa dengan tahun yang berbeda yaitu 2001–2010. Model yang digunakan dalam penelitian ini tidak membahas pengaruh dari penyerapan tenaga kerja di seluruh sektor perekonomian, tetapi hanya menggunakan dua model penelitian yaitu penyerapan tenaga kerja pada sektor industri dan penyerapan tenaga kerja pada sektor perdagangan, hotel dan restoran. Penyerapan tenaga kerja dalam penelitian ini dibahas secara terpisah berdasarkan sektor untuk mengetahui pengaruh variabel bebas di masing-masing sektor yang pada dasarnya memiliki karakteristik berbeda. Bentuk persamaan umum yang digunakan dalam penelitian ini adalah: LnTK_Xit
= α0 + β1 lnUMP_Xit + β2 lnPDRB_Xit + β3 lnPMA_Xit + β4 lnPMDN_Xit + εit ………………………………………… ( 3.9.)
49
dimana : TK_Xit
= Jumlah jenaga kerja sektor X provinsi i tahun ke-t
α0
= Konstanta
UMP_Xit
= UMP riil sektor X provinsi i tahun ke-t
PDRB_Xit
= PDRB riil sektor X provinsi i tahun ke t
PMA_Xit
= PMA sektor X provinsi i tahun ke-t
PMDN_Xit
= PMDN sektor X provinsi i tahun ke-t
Tanda koefisien yang diharapkan adalah : β1 < 0 ; β2 > 0 ; β3 > 0 ; dan β4 > 0 3.3.1. Definisi Operasional Variabel Definisi operasional diperlukan untuk memudahkan dan memahami secara jelas variabel-variabel yang ada dalam persamaan (3.9). Definisi operasionalnya adalah sebagai berikut : 1.
Jumlah tenaga kerja sektor X adalah jumlah penduduk berumur 15 (lima belas) tahun ke atas yang bekerja selama seminggu yang lalu (laki-laki dan perempuan, kota dan desa) untuk sektor X, provinsi i tahun ke t. Dinyatakan dalam satuan orang.
2.
Upah Minimum Provinsi adalah upah minimum masing-masing provinsi yang ditetapkan oleh pemerintah dalam satu tahun. Diubah dalam bentuk riil dan dinyatakan dalam satuan rupiah (Rp).
3.
PDRB riil sektor X adalah PDRB yang dinyatakan Atas Dasar Harga Konstan 2000 (ADHK 2000) di sektor X, provinsi (i) dan dalam satu tahun (t) tertentu. Dinyatakan dalam satuan rupiah (Rp)
50
4.
PMA sektor X adalah PMA yang terealisasi di sektor X, provinsi (i) dan dalam satu tahun (t) tertentu. Dikonversi ke dalam satuan rupiah (Rp)
5.
PMDN sektor X adalah PMDN yang terealisasi di sektor X, provinsi (i) dan dalam satu tahun tertentu. Dinyatakan dalam satuan rupiah (Rp)
