Anda di halaman 1dari 9

BAB III

METODE PENELITIAN

3.1 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder periode

tahun 2001-2010 mencakup wilayah kabupaten dan kota di Provinsi Jawa Timur.

Kabupaten dan kota yang dianalisis berjumlah 38, terdiri dari 29 kabupaten dan 9

kota. Data yang diperlukan meliputi: (1) jumlah penduduk, (2) PDRB, (3) jumlah

pekerja, (4) luas pertanian teririgasi, (5) panjang jalan, (6) anggaran pembangunan

daerah, (7) produksi air yang disalurkan, (8) tabungan, (9) rasio murid terhadap

guru, (10) rasio dokter setiap puskesmas. Sumber data tersebut diperoleh dari: (1)

BPS Pusat, (2) BPS Provinsi Jawa Timur, dan (3) literatur lain yang mendukung.

Pengolahan data dilakukan dengan bantuan perangkat lunak Microsoft Excel 2010

dan software Eviews 6.

3.2

Metode Analisis

 

Metode yang digunakan untuk menganalisis tingkat kesenjangan ekonomi

antar

wilayah,

analisis

trend

ketimpangan,

dan

analisis

pola

pertumbuhan

ekonomi dilakukan dengan metode deskriptif. Metode kuantitatif digunakan untuk

menganalisis faktor-faktor yang berpengaruh terhadap pertumbuhan PDRB.

3.2.1 Analisis Ketimpangan Ekonomi Antar Wilayah

Ketimpangan ekonomi antar kabupaten/kota di Provinsi Jawa Timur diukur

menggunakan Indeks Williamson. Rumus Indeks Williamson adalah sebagai

berikut:

CV W

Dimana:

=

.

28

CV W

: Indeks Williamson

f i

: Jumlah penduduk kabupaten/kota ke-i (jiwa)

f

:

Jumlah penduduk Provinsi Jawa Timur (jiwa)

Y i

:PDRB per kapita kabupaten/kota ke-i (Rp juta)

Y

:

PDRB per kapita Provinsi Jawa Timur (Rp juta)

Apabila nilai ketimpangan kurang dari 0,35 maka di daerah tersebut terdapat

ketimpangan namun rendah. Jika nilai ketimpangan di atas 0,5 maka ketimpangan

yang ada di daerah tersebut termasuk tinggi. Kriteria yang digunakan untuk

menentukan taraf ketimpangan adalah:

CV W < 0,35

0,35 < CV W < 0,5

CV W > 0,5

: Kesenjangan taraf rendah

: Kesenjangan taraf sedang

: Kesenjangan taraf tinggi

Trend ketimpangan diamati dari perkembangan nilai indeks ketimpangan

ekonomi antar wilayah yang diperoleh dari hasil perhitungan Indeks Williamson

yang digambarkan dalam sebuah grafik. Kemudian dianalisis secara deskriptif

bagaimana trend ketimpangan dalam grafik tersebut dapat terjadi.

Pada penelitian ini terdapat dua indeks Williamson, yaitu nilai indeks

Williamson berdasarkan seluruh kabupaten/kota di Provinsi Jawa Timur dan nilai

indeks Williamson kabupaten/kota di Provinsi Jawa Timur tanpa Kota Kediri dan

Kota Surabaya. Apabila menggunakan nilai indeks Williamson yang pertama,

maka nilai yang dihasilkan yaitu lebih dari 1 (Lampiran 5) sehingga tidak sesuai

29

dengan teori yang menyebutkan bahwa nilai indeks Williamson yaitu antara 0

hingga 1. Oleh karena itu, penelitian ini menganalisis nilai indeks Williamson

yang kedua, tanpa Kota Kediri dan Kota Surabaya, karena nilai yang dihasilkan

sesuai dengan teori. Nilai PDRB per kapita di Kota Kediri dan Kota Surabaya

yang sangat jauh dari rata-rata merupakan penyebab dari nilai indeks Williamson

yang melebihi 1. Sehingga penelitian ini tidak memasukkan Kota Kediri dan Kota

Surabaya ke dalam perhitungan nilai indeks Williamson yang dianalisis.

3.2.2 Klasifikasi Pertumbuhan Ekonomi Daerah

Klasifikasi pertumbuhan ekonomi daerah dianalisis menggunakan Klassen

Typology (Tipologi Klassen). Tipologi Klassen membagi daerah berdasarkan dua

indikator utama, yaitu laju pertumbuhan ekonomi dan pendapatan per kapita.

Melalui analisis ini diperoleh empat karakteristik pola dan struktur pertumbuhan

ekonomi yang berbeda, yaitu:

1.

Daerah maju dan pertumbuhan cepat, adalah daerah yang memiliki

tingkat pertumbuhan ekonomi dan pendapatan per kapita lebih tinggi

dibandingkan provinsi.

 

2.

Daerah

berkembang

cepat,

adalah

daerah

yang

memiliki

tingkatpertumbuhan ekonomi tinggi, tetapi pendapatan per kapitanya

lebih rendahdibandingkan provinsi.

 

3.

Daerah

maju

tetapi

tertekan,

adalah

daerah

yang

memiliki

tingkatpertumbuhan

ekonomi

rendah

sedangkan

pedapatan

per

kapitanya lebih tinggi dibandingkan provinsi.

4.

Daerah

relatif

tertinggal,

adalah

daerah

yang

30

memiliki

tingkatpertumbuhan ekonomi dan pendapatan per kapita lebih rendah

dibandingkan provinsi.

Tabel 3.1 Klasifikasi Pola Pertumbuhan Ekonomi Menurut Tipologi Klassen

PDRB per Kapita Pendapatan per Kapita di Atas Rata-rata Provinsi Pendapatan per Kapita di Bawah
PDRB per Kapita
Pendapatan per Kapita di
Atas Rata-rata Provinsi
Pendapatan per Kapita di
Bawah Rata-rata Provinsi
Laju Pertumbuhan
Laju Pertumbuhan di atas
Rata-rata Provinsi
Daerah Maju dan
Pertumbuhan Cepat
Daerah Berkembang
Cepat
Laju Pertumbuhan di
bawah Rata-rata Provinsi
Daerah Maju Tetapi
Tertekan
Daerah Relatif Tertinggal

Sumber: Sjafrizal, 2008

3.2.3 Analisis Faktor-faktor yang Mempengaruhi Laju PDRB

Untuk

menganalisis

faktor-faktor

yang

mempengaruhi

laju

PDRB

kabupaten/kota di Provinsi Jawa Timur maka menggunakan analisis panel data.

Faktor-faktor

yang

dianalisis

adalah

kualitas

pendidikan,

kesehatan,

jumlah

pekerja, panjang jalan, produksi air yang disalurkan, luas pertanian teririgasi,

tabungan, dan anggaran pembangunan.

LPDRB it

= α + β 1 PDK it + β 2 KES it + β 3 LNTK it + β 4 LNJLN it + β 5 LNAIR it

+ β 6 LNPTN it + β 7 LNTAB it + β 8 LNPEM it + e it

Dimana:

α

: Intersep

β

: Slope

i

: Individu ke-i

t

: Periode waktu ke-t

LPDRB

: Laju PDRB (persen)

LNDIK

: Logaritma natural rasio murid terhadap guru (orang)

LNKES

: Logaritma natural jumlah penduduk terhadap jumlah dokter (orang)

31

LNTK

: Logaritma natural jumlah pekerja (jiwa)

LNJLN

: Logaritma natural panjang jalan (km)

LNAIR

: Logaritma natural produksi air bersih (m 3 )

LNPTN

: Logaritma natural luas pertanian teririgasi (Ha)

LNTAB

: Logaritma natural tabungan (Rupiah)

LNPEM

: Logaritma natural anggaran pembangunan (Rupiah)

e

: Error

Berdasarkan hasil analisis data panel akan didapat besarnya nilai t-statistik,

F-statistik,

dan

R 2 .

Nilai

t-statistik

menunjukkan

apakah

variabel

bebas

berpengaruh signifikan secara nyata terhadap variabel terikat. Sedangkan F-

statistik menunjukkan apakah variabel bebas secara bersama-sama berpengaruh

signifikan secara nyata terhadap variabel terikat. Nilai R 2 digunakan untuk

melihat sejauh mana keragaman yang dapat diterangkan oleh variabel bebas

terhadap variabel terikat.

Menurut

Baltagi

(1995),

keunggulan

penggunaan

metode

panel

data

dibandingkan time series dan cross-section adalah:

1. Estimasi data panel dapat menunjukkan adanya heterogenitas dalam tiap

individu.

2. data

Dengan

panel,

data

lebih

informatif

dan

bervariasi,

sehingga

mengurangi

kolinearitas

antar

variabel

dan

meningkatkan

derajat

kebebasan (degree of freedom), serta lebih efisien.

3. Studi

data

panel

lebih

memuaskan

untuk

menentukan

perubahan

dinamis dibandingkan dengan studi berulang dari cross-section.

4. Data

panel

mampu

mendeteksi

dan

mengukur

efek

yang

32

secara

sederhana tidak dapat diukur oleh data time series atau cross-section.

5. Data panel membantu menganalisis perilaku yang lebih kompleks.

6. Data panel mampu meminimalkan bias yang dihasilkan oleh agregasi

individu karena unit data yang banyak.

Dalam analisis model data panel terdapat tiga macam pendekatan yaitu

Pooled Least Square (PLS), Model Efek Tetap (Fixed Effect Model), dan Model

Efek Acak (Random Effect Model). Ketiga pendekatan pada model data panel

akan dijelaskan berikut ini:

1. Pooled Least Square (PLS)

Dalam pendekatan ini terdapat regressor (K) dalam (x it ), kecuali

konstanta. Jika efek individual (α i ) konstan sepanjang waktu (t) dan

spesifik terhadap setiap unit (i) maka modelnya akan sama dengan

model regresi biasa. Jika nilai α i sama untuk setiap unitnya, maka OLS

akan menghasilkan estimasi yang konsisten dan efisien untuk α dan β.

PLS merupakan pendekatan yang sederhana, namun hasilnya tidak

memadai karena setiap pengamatan diperlakukan seperti pengamatan

yang berdiri sendiri.

2. Fixed Effect Model (FEM)

Asumsi intersep dan slope yang konsisten pada model data panel

umumnya sulit terpenuhi. Variabel dummy berguna dalam mengatasi

masalah

tersebut,

sehingga

perbedaan

nilai

parameter

pada cross-

section

maupun

time

series

diperbolehkan.

Pendekatan

dengan

33

memasukkan variabel dummy ini dikenal dengan istilah fixed effect

model (FEM) atau Least Square Dummy Variable (LSDV).

3. Random Effect Model (REM)

Keputusan untuk memasukkan variabel dummy dalam FEM dapat

mengurangi

besarnya

derajat

kebebasan,

sehingga

efisiensi

dari

parameter yang diestimasi akan berkurang. Model data panel yang di

dalamnya melibatkan korelasi antar error term akibat berubahnya

waktu karena berbedanya observasi dapat diatasi dengan pendekatan

model efek acak (random effect model).

Untuk

menentukan

model

yang

layak

digunakan

maka

model

diuji

menggunakan uji Hausman. Uji Hausman adalah pengujian statistik sebagai dasar

pertimbangan

dalam

memilih

apakah

menggunakan

FEM

atau

REM.

Uji

Hausman dilakukan dengan hipotesis sebagai berikut:

 

H 0 : REM

H 1 : FEM

Sebagai

dasar

penolakan

H 0

maka

digunakan

Statistik

Hausman

dan

membandingkannya dengan Chi-Square. Statistik Hausman dirumuskan dengan:

m = (β - b)(M 0 - M 1 ) -1 (β - b)

~X 2 (K)

Dimana β adalah vektor untuk statistik variabel fixed effect, b adalah vektor

statistik variabel random effect, M 0 adalah matriks kovarians untuk dugaan fixed

effect modeldan M 1 adalah matriks kovarians untuk dugaan random effect model.

Jika nilai m hasil pengujian lebih besar dari X 2 -Tabel, atau nilai Hausman Test

lebih besar dari taraf nyata, maka tidak cukup bukti untuk melakukan penerimaan

34

terhadap H 0 . Sehingga model yang digunakan adalah fixed effect, demikian pula

sebaliknya.

3.3

Pengujian Penyimpangan Asumsi Klasik

 

3.3.1

Multikolinearitas

Multikolinearitas

berarti

terdapatnya

hubungan

linier

yang

sempurna

diantara

beberapa

variabel

yang

menjelaskan

model

regresi.

Indikasi

multikolinearitas tercermin dari nilai t dan F-statistik hasil regresi. Jika banyak

koefisien parameter dari t-statistik diduga tidak signifikan sementara dari hasil F-

hitung signifikan, maka patut dicurigai adanya multikolinearitas. Tanda-tanda

penyebab multikolinearitas yaitu :

R 2 tinggi tetapi uji individu tidak banyak yang nyata atau bahkan tidak

ada yang nyata.

Korelasi sederhana antara variabel individu tinggi (R ij tinggi ).

R 2 < R

ij 2

Nilai koefisien korelasi tidak boleh melebihi rule of thumb 0,8 karena

diduga mengandung multikolinearitas, namun hal ini dapat diabaikan dengan uji

Klen yaitu apabila nilai R 2 lebih besar daripada koefisien korelasi variabel

eksogen.

3.3.2 Autokorelasi

Autokorelasi adalah korelasi antara anggota serangkaian observasi yang

diurutkan

menurut

waktu

dan

ruang.

Akibat

dari

autokorelasi

dapat

mempengaruhi efisiensi dan estimatornya. Dampak lain dari autokorelasi pada

model

adalah

varian

residual

yang

diperoleh

akan

lebih

rendah

daripada

35

semestinya sehingga menyebabkan R 2 menjadi lebih tinggi. Untuk mendeteksi

adanya autokorelasi dapat menggunakan uji Breusch-Godfrey Correlation LM

atau dengan melihat nilai Durbin-Watson.

Hipotesis pada uji Breusch-Godfrey Correlation LM adalah sebagai berikut :

H0

: β = 0, tidak ada autokorelasi

H1

: β ≠ 0, ada autokorelasi

Cara menguji autokorelasi dengan Durbin-Watson (DW) yaitu dengan

melihat nilainya. Apabila nilainya mendekati 2, maka menunjukkan tidak ada

autokorelasi.

3.3.3 Heteroskedastisitas

Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model

BLUE adalah semua variasi dari faktor pengganggu adalah sama. Jika pada model

dijumpai hetersokedastisitas, maka model menjadi tidak efisien meskipun tidak

bias dan konsisten. Dengan kata lain, apabila regresi tetap dilakukan meskipun

ada

masalah

heteroskedastisitas

misleading (Gujarati, 2003).

maka

pada

hasil

regresi

akan

tetap

terjadi

Untuk mendeteksi adanya heteroskedastisitas pada pengolahan data panel

yang menggunakan metode General Least Square (Cross Section Weights) yaitu

dengan membandingkan Sum Square Resid pada Weighted Statistics dengan Sum

Squared Resid Unweighted Statistics. Jika Sum Square Resid pada Weighted

Statistics lebih kecil dari Sum Squared Resid Unweighted Statistics, maka terjadi

heteroskedastisitas.