29
III. METODE PENELITIAN
3.1. Jenis dan Sumbe r Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data sekunder berupa data panel, yaitu data yang terdiri dari dua bagian : (1) time series dan (2) cross section. Data time series yang digunakan adalah data tahunan selama lima tahun yaitu tahun 2003-2007, sedangkan data cross section sebanyak dua puluh yang menunjukkan jumlah propinsi di Indonesia yang diteliti. Dua puluh propinsi tersebut adalah Sumatera Utara, Sumatera Barat, Riau, Jambi, Sumatera Selatan, Lampung, DKI Jakarta, Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, Banten, Bali, Nusa Tenggara Barat, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur, Sulawesi Utara, dan Papua. Adapun variabel- variabel ekonomi yang digunakan adalah jumlah tenaga kerja, PDRB riil, UMP riil dan investasi riil yang terdiri dari PMDN dan PMA. Sumber data diperoleh dari berbagai instansi dan media terkait yang dengan data yang dibutuhkan dalam penelitian ini. Adapun instansi dan media yang dimaksud adalah BPS, DEPNAKERTRANS, BKPM, perpustakaan, artikel dan internet. 3.2. Metode Analisis Data Penelitian ini menggunakan metode analisis kuantitatif dengan regresi panel data. Pengolahan data dilakukan dengan menggunakan software Microsoft Excel dan E-views 6.1. Hasil pengolahan data dan penjelasan analisisnya dipaparkan dalam bab pembahasan.
30
3.2.1. Regresi Panel Data Data panel (pooled data) atau disebut juga data longitudinal merupakan gabungan antara data cross section dan data time series. 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). Banyak alasan mengapa penggunaan data panel lebih baik pada mode lmodel regresi dibandingkan data time series atau crosss section, di antaranya menurut Baltagi (2008) adalah : 1. Bila data panel berhubungan dengan individu, perusahaan, negara, daerah, dan lain- lain pada waktu tertentu, maka data tersebut heterogen. Teknik penaksiran data panel yang heterogen secara eksplisit dapat dipertimbangkan dalam perhitungan. 2. Kombinasi data time series dan cross section memberikan informasi lebih lengkap, beragam, kurang berkorelasi antar variabel, derajat bebas lebih besar dan lebih efisien. 3. Studi data panel lebih memuaskan untuk menentukan perubahan dinamis dibandingkan studi berulang-berulang dari cross section. 4. Data panel lebih baik mendeteksi dan mengukur efek yang secara sederhana tidak dapat diukur oleh data time series atau cross section. 5. Data panel membantu untuk menganalisis perilaku yang lebih kompleks, misalnya fenomena skala ekonomi dan perubahan teknologi.
31
6. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu atas perusahaan karena unit data lebih banyak. Estimasi model pada penelitian ini menggunakan dua metode, yaitu metode efek tetap (fixed effect) dan metode efek acak (random effect) (Gujarati, 2003). Kedua metode tersebut akan dipilih yang sesuai dengan menggunakan uji Hausman. Hasil pengujian terhadap kedua metode yang telah dilakukan pada estimasi model menunjukkan bahwa metode yang tepat untuk penelitian ini adalah fixed effect. 3.2.2. Metode Fixed Effect Estimasi pada metode Fixed Effect (efek tetap) dapat dilakukan dengan pembobot (cross section weight) atau General Least Square (GLS) atau tanpa pembobot (no weighted) atau Least Square Dummy Variabel (LSDV). Tujuan dilakukannya pembobotan adalah untuk mengurangi heterogenitas antar unit cross section (Gujarati, 2003). Kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa adalah adanya asumsi intersep dan slope dari persamaan regresi yang dianggap konstan, baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Generalisasi secara umum sering dilakukan dengan memasukkan variabel boneka (dummy variabel) untuk memungkinkan terjadinya perbedaan nilai parameter yang berbeda-beda baik lintas unit cross section maupun antar waktu. Pendekatan dengan memasukkan variabel boneka ini dikenal dengan sebutan model efek tetap (fixed effect) atau Least Square Dummy Variabel atau disebut juga Covariance Model. Secara umum, pendekatan fixed effect dapat dituliskan sebagai berikut :
32
yit = αi + x jitβj +
n
aiDi + εi .......................................(3.1)
i 2
di mana : yit
= variabel terikat di waktu t untuk unit cross section i
αi
= intersep yang berubah- ubah antar cross section unit
x jit = variabel bebas j di waktu t untuk unit cross section i βj
= parameter untuk variabel ke j
eit
= komponen error di waktu t untuk unit cross section i Dengan menggunakan pendekatan ini, akan terjadi degree of freedom
sebesar NT
N K . Pertimbangan pemilihan pendekatan yang digunakan ini
didekati dengan menggunakan statistik F yang berusaha memperbandingkan antara nilai jumlah kuadrat error dari proses pendugaan dengan metode kuadrat terkecil dan efek tetap yang telah memasukkan variabel boneka. Secara umum dirumuskan sebagai berikut :
FN
T 2, NT N T
=
ESS1 ESS2 / NT 1 ………………………..(3.2) ESS2 / NT N K
dimana ESS1 dan ESS2 adalah jumlah kuadrat sisa dengan menggunakan metode kuadrat kecil biasa dan model efek tetap, sedangkan statistik F mengikuti distribusi F dengan derajat bebas NT-1 dan NT-N-K. nilai statistik F uji inilah yang kemudian diperbandingkan dengan nilai statistik F tabel yang akan menentukan pilihan model yang akan digunakan.
33
3.2.3. Metode Random Effect Metode efek acak memasukkan parameter-parameter yang berbeda antar daerah maupun antar waktu ke dalam error. Hal inilah yang membuat model efek juga disebut model komponen error (error component model). Penggunaan model efek acak ini dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti yang dilakukan pada model efek tetap. Hal ini berimplikasi parameter yang merupakan hasil estimasi akan menjadi semakin efisien. Keputusan untuk memasukkan variabel boneka dalam model efek tetap tak dapat dipungkiri akan dapat menimbulkan konsekuensi (trade off). Penambahan variabel boneka ini akan dapat mengurangi banyaknya derajat kebebasan (degree of freedom) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Berkaitan dengan hal ini, dalam model data panel dikenal pendekatan ketiga yaitu model random effect (efek acak). Dalam model efek acak, parameterparameter yang berbeda antar daerah maupun antar waktu dimasukkan ke dalam error. Karena hal inilah, model efek acak juga disebut model komponen error (error component model). Bentuk model acak dijelaskan pada persamaan berikut ini : Yit = αit + x jitβj + uit …….………….……………….(3.3) Di mana αit diasumsikan sebagai variabel random dari rata-rata nilai intersep (αi). Nilai intersep untuk masing- masing individu dapat dituliskan : αit = αi + εit
i = 1,2,….,N …....…….………..(3.4)
34
Di mana αi adalah rata-rata intersep, ε it adalah random error (yang tidak bisa diamati) yang mengukur perbedaan karakteristik masing- masing individu. Model efek acak ini kemudian dapat ditulis dengan rumus : Yit = αit + x jitβj + εit + uit ……………………………..(3.5) Yit = αit + x jitβj + ωit ……………………….…………..(3.6) Di mana : ωit = εit + uit ........................................................(3.7) Bentuk ω it terdiri dari komponen error term yaitu εit sebagai komponen cross section dan uit yang merupakan gabungan dari komponen time series error dan komponen error kombinasi. Model efek acak akhirnya dapat ditulis dengan persamaan : Yit = αit + x jitβj + ωit ………………………………..(3.8) ωit = εi + v t + wit ………………………………….(3.9) Di mana εi ~ N(0, δ u2 )
= komponen cross section error
v t ~ N(0, δv 2 )
= komponen time series error
wit ~ N(0, δ w2 ) = komponen error kombinasi Pada persamaan tersebut diasumsikan bahwa error secara individual tidak saling berkorelasi begitu juga dengan error kombinasinya. Penggunaan model efek acak ini dapat menghemat pemakaian derajat kebebasan dan tidak mengurangi jumlahnya seperti pada model efek tetap. Hal ini mengakibatkan parameter yang hasil estimasi menjadi semakin efisien. Penggunaan model efek tetap atau acak ditentukan dengan menggunakan uji Hausman.
35
Namun disamping dengan menggunakan uji Hausman, terdapat beberapa pertimbangan untuk memilih apakah akan menggunakan fixed effect atau random effect. Apabila diasumsikan bahwa ε i dan variabel bebas X berkorelasi, maka fixed effect lebih cocok untuk dipilih. Sebaliknya, apabila ε i dan variabel bebas X tidak berkorelasi, maka
random effect yang lebih baik untuk dipilih. Beberapa
pertimbangan yang dapat dijadikan acuan untuk memilih antara fixed effect atau random effect adalah : 1. Bila T (banyaknya unit time series) besar sedangkan N (jumlah unit cross section) kecil, maka hasil fixed effect dan random effect tidak jauh berbeda sehingga dapat dipilih pendekatan yang lebih mudah untuk dihitung yaitu fixed effect model. 2. Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan akan berbeda jauh. Sehingga apabila diyakini bahwa unit cross section yang dipilih dalam penelitian diambil secara acak (random) maka random effect harus digunakan. Sebaliknya apabila diyakini bahwa unit cross section yang dipilih dalam penelitian tidak diambil secara acak, maka harus meggunakan fixed effect. 3. Apabila komponen error individual (εi) berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan random effect akan bias sementara parameter yang diperoleh dengan fixed effect tidak bias 4. Apabila N besar dan T kecil, dan apabila asumsi yang mendasari random effect dapat terpenuhi, maka random effect lebih efisien dibandingkan fixed effect.
36
3.2.4. Uji Kesesuaian Model Pada penelitian ini, uji kesesuaian model dari kedua metode pada teknik estimasi panel data dapat dilakukan dengan menggunakan Hausman Test. Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita dalam memilih apakah menggunakan model fixed effect atau model random effect. Seperti yang diketahui bahwa penggunaan model fixed effect mengandung suatu unsure trade off yaitu hilangnya derajat kebebasan dengan memasukkan variabel dummy. Namun, penggunaan metode random effect juga harus memperhatikan ketiadaan pelanggaran asumsi dari setiap komponen galat. Pengujian ini dilakukan dengan hipotesa sebagai berikut : H0
:
Model Random Effect
H1
:
Model Fixed Effect
Dasar penolakan hipotesa nol tersebut diperoleh dengan menggunakan pertimbangan statistik Chi-Square. Statistik Hausman dirumuskan dengan : m
b M0
M1
1
b ~
2
K
………………....(3.10)
di mana : 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 hasil pengujian lebih besar dari Chi-Square (χ2 ) tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol sehingga model yang lebih baik digunakan adalah model fixed effect, begitu pula sebaliknya.
37
3.3. Perumusan Model Penelitian Model umum yang digunakan dalam penelitian ini berdasarka n tinjauan teori terhadap fungsi ekonomi dari tingkat penyerapan tenaga kerja dan hasil studi dari Prihartanti
(2007)
yang
menganalisis
tentang
faktor-faktor
yang
mempengaruhi penyerapan tenaga kerja sektor industri di kota Bogor. Model yang digunakan dalam penelitian ini adalah sebagai berikut : TKit = α0 + β0 PDRBriilit + β1 UMPriilit + β2 INriilit + εit ………(3.11) di mana : TK it
= Jumlah tenaga kerja Indonesia propinsi i pada tahun t (per satuan orang)
PDRBit = Nilai Produk Domestik Regional Bruto riil propinsi i pada tahun t (per juta rupiah) UMPit = Nilai Upah Minimum riil Propinsi i pada tahun t (per satu rupiah) INit
= Nilai Investasi riil propinsi i pada tahun t (per juta rupiah)
εit
= Komponen error
3.4. Hipotesis Penelitian Hipotesis dalam penelitian ini didasarkan pada persamaan model penelitian ini yaitu koefisien variabel PDRB (β0 ) > 0, koefisien variabel UMP (β1 ) < 0. (β1 ), dan koefisien variabel investasi (β1 ) > 0. Variabel PDRB dan investasi diduga berpengaruh positif terhadap penyerapan tenaga kerja, sedangkan variabel UMP diduga memberi pengaruh negatif terhadap penyerapan tenaga kerja. 3.5. Uji Hipotesis Uji hipotesis berguna untuk memeriksa atau menguji apakah koefisien regresi yang didapat signifikan (berbeda nyata) atau tidak. Maksud dari signifikan
38
ini adalah suatu nilai koefisien regresi yang secara signifikan tidak sama dengan nol. Jika koefisien slope sama dengan nol, berarti dapat dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikat. Oleh karena itu, untuk kepentingan tersebut semua koefisien regresi harus diuji. Ada dua jenis hipotesis terhadap regresi yang dapat dilakukan. Pertama disebut dengan uji-F, yaitu digunakan untuk menguji koefisien (slope) regresi secara bersama-sama. Kedua disebut dengan uji-t yang digunakan untuk menguji koefisien regresi termasuk intercept secara individu. 3.5.1. Uji Statistik Model Penduga (Uji-F) Uji ini dilakukan untuk mengetahui apakah semua variabel bebas dalam model secara bersamaan berpengaruh terhadap variabel terikat. Pengujian dilakukan dengan menggunakan uji-F yaitu perbandingan nilai kritis F dengan nilai hasil 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 pengujian tersebut adalah sebagai berikut : Perumusan Hipotesis : H0 : β1 = β2 = β3 = βk = 0 H1 : Minimal ada satu nilai β yang tidak sama dengan nol. Jika Fhitung > Ftabel di mana koefisien regresi berada di luar daerah penerimaan H0 maka tolak H0 , artinya variabel bebas secara bersama-sama berpengaruh nyata terhadap variabel terikatnya. Jika F hitung < Ftabel maka terima H0, artinya variabel bebas secara bersama-sama tidak berpengaruh nyata terhadap variabel terikatnya.
39
3.5.2. Uji Statistik untuk Masing-masing Variabel (Uji-t) Setelah melakukan uji koefisien regresi secara keseluruhan, maka langkah selanjutnya adalah menghitung koefisien regresi secara individu, yaitu pengujian hipotesis dari koefisien regresi masing- masing variabel secara parsial atau terpisah. Pengujian ini dikenal dengan sebutan uji-t. Nilai t-hitung digunakan untuk menguji apakah koefisien regresi dari masing- masing variabel bebas secara individu berpengaruh nyata atau tidak terhadap variabel terikatnya. Adapun analisis pengujiannya sebagai berikut: Perumusan Hipotesis : H0 : βi = 0 H1 : βi ≠ 0 ; i = 0, 1, 2, …, k k = koefisien slope Berdasarkan hipotesis tersebut dapat terlihat arti dari pengujian yang dilakukan yaitu berdasarkan data yang tersedia, akan dilakukan pengujian terhadap βi (koefisien regresi populasi), apakah sama dengan nol, yang berarti variabel bebas tidak mempunyai pengaruh yang signifikan terhadap variabel terikat, atau tidak sama dengan nol yang berarti variabel bebas mempunyai pengaruh signifikan terhadap variabel terikat. Penentuan nilai kritis pada penentuan hipotesis terhadap koefisien regresi dapat dilakukan dengan menggunakan tabel distribusi normal dan dengan memperhatikan tingkat signifikansi (α) dan banyaknya sampel (n) yang digunakan. ttabel = t (α / 2), (n-k-1) ……………………………..(3.12)
40
Menghitung nilai t-hitung koefisien variabel bebas : ...…..……………………..(3.13) dengan : βi
= Nilai koefisien regresi atau parameter variabel
Se (βi)
= Simpangan baku untuk βi
Penerimaan atau penolakan H0 : Jika thitung > tTabel maka tolak H0 Jika thitung < tTabel maka terima H0 Apabila keputusan yang diperoleh adalah tolak H0 , maka koefisien βi tidak sama dengan nol yang menunjukkan bahwa βi nyata atau memiliki nilai yang dapat mempengaruhi nilai variabel terikat. 3.5.3. Koefisien Determinasi (R 2 ) Koefisien determinasi, yang dinotasikan dengan R2 , sering secara informal digunakan sebagai statistik untuk kebaikan dari kesesuaian model (goodness of fit), mengukur berapa persentase variasi dalam peubah terikat mampu dijelaskan oleh informasi peubah bebas untuk membandingkan validitas hasil analisis model regresi (H1 benar) (Juanda, 2009). R2 menunjukkan besarnya pengaruh semua variabel bebas terhadap variabel terikat. R2 memilih range antara 0 ≤ R2 ≤ 1. Jika R2 bernilai 1 maka garis regresi menjelaskan 100 persen variasi dalam Y. Sedangkan jika R2 = 0 maka garis regresi tidak menjelaskan variasi dalam Y. Koefisien determinasi dirumuskan sebagai berikut : ………………………………(3.14)
41
di mana: RSS = Jumlah Kuadrat Regresi TSS = Jumlah Kuadrat Total Tidak tepatnya keberadaan titik-titik pada garis regresi disebabkan adanya faktor- faktor lain yang berpengaruh terhadap variabel bebas. Jika tidak ada penyimpangan tentu tidak akan ada error. bila itu terjadi, maka ESS = 0, yang berarti RSS = TSS atau R2 = 1. Dengan kata lain, semua titik observasi berada tepat di garis regresi. Jadi, TSS sesungguhnya adalah variasi dari data, sedangkan RSS adalah variasi dari garis regresi yang dibuat. 3.6. Uji Pelanggaran Asumsi Uji pelanggaran asumsi dilakukan dalam rangka menghasilkan model yang efisien, visibel dan konsisten. Uji pelanggaran asumsi dilakukan dengan mendeteksi gangguan waktu (time-related disturbance), gangguan antara individu atau antar sektor ekonomi, dan gangguan akibat keduanya. 3.6.1. Multikolinearitas Multikolinearitas terjadi jika pada suatu model regresi tak satu pun variabel bebas mempunyai koefisien regresi dari OLS (Ordinary Least Square) yang
signifikan
secara
statistik,
walaupun
nilai
R2
tinggi.
Indikasi
multikolinearitas tercermin dari nilai t dan F statistik hasil regresi. Jika banyak koefisien parameter dari t statistik diduga tidak signifikan sementara F hitungnya signifikan, maka patut diduga ada Multikolinearitas. Multikolinearitas dapat diatasi dengan memberi perlakuan cross section weights, sehingga t-statistik maupun F-hitung menjadi signifikan (Gujarati, 2003).
42
3.6.2. Autokorelasi Autokorelasi atau korelasi serial adalah suatu keadaan di mana kesalahan pengganggu dalam periode tertentu berkorelasi dengan kesalahan pengangu dari periode lainnya. Menurut Pyndick (1991) autokorelasi dapat mempengaruhi efisensi estimatornya. Untuk mendeteksi adanya autokorelasi atau korelasi serial adalah dengan melihat nilai Durbin Watson (DW) dalam Eviews. Menurut Juanda (2009) untuk mengetahui selang nilai statistik Durbin-Watson serta keputusannya dapat digunakan ketentuan sebagai berikut : Tabel 3.1 Selang Nilai Statistik Durbin-Watson serta Keputusannya Nilai DW 4 – d L < DW < 4 4 – d U < DW < 4 – d L 2 < DW < 4 – d U d U < DW < 2 DL < DW < d U 0 < DW < d L
Keputusan Terdapat autokorelasi negatif Hasil t idak dapat ditentukan Tidak ada autokorelasi Tidak ada autokorelasi Hasil t idak dapat ditentukan Terdapat autokorelasi positif
Sumber : Winarno (2007) 3.6.3. Heteroskedastisitas Heteroskedastisitas adalah suatu keadaan di mana varian dari suatu kesalahan pengganggu tidak konstan untuk semua variabel bebas, yaitu: E(Xi, εi) ≠ 0 ……………………………………(3.15) Sehingga Var(εi) ≠ ζ2 ………..………………………….(3.16) Hal ini merupakan pelanggaran salah satu asumsi tentang model regresi linear berdasarkan metode kuadrat terkecil. Salah satu asumsi yang digunakan dalam regresi adalah bahwa Var(ε i) = ζ2 , untuk semua ε, artinya untuk semua kesalahan pengganggu variannya sama. Pada umumnya heteroskedastisitas terjadi di dalam
43
analisis data cross section, yaitu data yang menggambarkan keadaan pada suatu waktu tertentu. Jika pada model dijumpai heteroskedastisitas, maka model menjadi tidak efisien meskipun ada masalah heteroskedastisitas maka hasil regresi akan menjadi misleading (Gujarati, 2003). Pendeteksian terhadap pelanggaran asumsi heteroskedastisitas dilakukan dengan White Heteroscedasticity dalam program Eviews. Dengan uji White, dibandingkan Obs* R-Squared dengan X (Chi-Squared) tabel. Jika nilai Obs* RSquared
lebih kecil daripada X (Chi-Squared) tabel,
maka tidak ada
heteroskedastisitas pada model data panel dalam Eviews. Pengolahan data panel dalam Eviews 6.1 yang menggunakan metode General Least Square (cross section weights) untuk mendeteksi adanya heteroskedastisitas dengan membandingkan Sum Square Resid pada Weight Statistic dengan Sum Squared Resid Unweighted Statistic. Jika Sum Square Resid Weighted Statistic < Sum Squared Resid Unweighted Statistic maka tidak terjadi heteroskedastisitas. heteroskedastisitas
Perlakuan adalah
yang
dengan
Heteroskedasticity (Widarjono, 2007).
diberikan mengestimasi
untuk GLS
menghilangkan dengan
White
