28

III. METODOLOGI PENELITIAN

3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari berbagai sumber. Jenis data yang digunakan adalah data panel,
yaitu gabungan data cross section dan time series. Data panel yang dikumpulkan
berupa data cross section yang terdiri dari sembilan propinsi di Pulau Sumatera
yaitu Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi, Sumatera Selatan,
Bengkulu, Lampung, dan Kepulauan Bangka Belitung serta data time series
tahunan periode 2003-2010. Adapun data yang digunakan sebagai variabel
penelitian meliputi data PDRB ADHK 2000, jumlah penduduk, jumlah tenaga
kerja, panjang jalan sesuai kondisi (baik dan sedang), jumlah air yang disalurkan
PDAM, jumlah listrik terjual (GWh), dan jumlah rumah sakit serta puskesmas tiap
propinsi dari Tahun 2003 sampai Tahun 2010. Beragam data tersebut diperoleh
dari Badan Pusat Statistik (BPS), Kementerian Kesehatan RI, dan PT. PLN.

3.2 Analisis Konvergensi
Konvergensi pendapatan dapat dilihat dari penurunan dispersi pendapatan
antardaerah dengan menghitung koefisien variasi atau standard deviasi dari
logaritma pendapatan riil per kapita antardaerah dari tahun ke tahun. Konvergensi
dengan pendekatan tersebut dinamakan konvergensi sigma ( sigma ()
convergence). Maka dari itu, untuk mengetahui konvergensi sigma di Pulau
Sumatera akan dihitung standard deviasi dari logaritma pendapatan riil per kapita
(Barro dan Sala-i Martin, Bab 11:2004) di Pulau Sumatera dari tahun ke tahun.
Pendekatan kedua dalam melihat konvergensi adalah konvergensi beta
(beta () convergence). Pendekatan ini menyatakan bahwa konvergensi terjadi
ketika perekonomian yang miskin mampu tumbuh lebih cepat dari perekonomian
yang kaya. Dengan demikian, perekonomian miskin mampu mengejar (catch up)
pendapatan per kapita perekonomian kaya (Barro dan Sala-i Martin, 462:2004).
Untuk melihat hal tersebut terdapat dua jenis konvergensi beta, pertama
konvergensi absolut dan kedua konvergensi kondisional.
29

Konvergensi absolut dilihat dengan tanpa memasukkan variabel kontrol
yang merupakan karakteristik masing-masing daerah. Setiap daerah dianggap
mempunyai kondisi steady state yang sama dan tidak memerhitungkan peran
variabel lain yang berbeda antardaerah. Maka dari itu, untuk melihat pengaruh
infrastruktur dan variabel lainnya yang diperkirakan memengaruhi kondisi steady
state masing-masing daerah, akan dihitung konvergensi kondisional.
Persamaan konvergensi yang digunakan oleh Krismanti (59:2011) untuk
menghitung konvergensi kabupaten/kota di Pulau Jawa adalah:

.. (3.1)
dengan

adalah PDRB per kapita atas dasar harga konstan 2000 dan
pengeluaran rumah tangga per kapita yang telah dideflasi menggunakan harga
tahun 2000 sebagai proksi untuk menghitung pendapatan rumah tangga. Inv
adalah investasi sebagai bentuk modal dan labour adalah tenaga kerja.
Modal, dalam penelitian ini, dilihat dalam bentuk ketersediaan
infrastruktur. Adapun pendapatan dilihat dari PDRB per kapita. Persamaan untuk
menghitung konvergensi kondisional pada penelitian ini, adalah sebagai berikut :

.. (3.2)

dengan :
:

: PDRB per kapita ADHK 2000 propinsi i pada tahun t

: PDRB per kapita ADHK 2000 propinsi i pada tahun sebelumnya

: jumlah rumah sakit dan puskesmas di propinsi i pada tahun t

: jumlah listrik terjual di propinsi i pada tahun t

: jumlah air yang disalurkan di propinsi i pada tahun t

: panjang jalan sesuai kondisi (baik dan sedang) di propinsi i pada

tahun t

: jumlah penduduk yang bekerja di propinsi i pada tahun t

: efek individu
30

: error term
i : propinsi yang diamati (Aceh, Sumatera Utara,..., Lampung)
t : periode penelitian (2003, 2004,..., 2010)
Analisis pada persamaan 3.2 akan memberikan gambaran mengenai proses
konvergensi pendapatan dan pengaruh infrastruktur dalam mendukung
konvergensi pendapatan. Konvergensi terjadi ketika koefisien dari kurang
dari satu. Tingkat konvergensi dinyatakan dengan ln . Adapun waktu yang
diperlukan untuk menutup setengah dari kesenjangan awal yang disebut dengan
half-life of convergence dihitung dengan (Jan dan A.R. Chaudhary, 2011) :

........................ (3.3)

3.3 Metode Analisis
3.3.1 Data Panel
Data panel merupakan data yang terdiri dari data cross section dan data
time series. Jenis data ini memiliki keunggulan dibandingkan dengan data cross
section dan time series. Penggunaan panel data dalam suatu model dapat
membantu menjelaskan perbedaan antarindividu dalam satu waktu dan juga
perbedaan perilaku suatu unit individu antarwaktu. Pada panel data, variabel yang
digunakan memiliki analisis antarindividu dan antarwaktu yang ditandai oleh
penggunaan indeks i untuk individu (i= 1,, N) dan t untuk periode waktu
(t=1,, T). Dengan demikian, model yang dibangun dengan data panel dapat
memberikan model yang lebih realistis daripada cross section dan time series
murni (Verbeek, 341-342:2004).
Kelebihan penggunaan data panel yang dirangkum oleh Baltagi (4-7:2005)
menurut Hsiao, Klevmarken dan Solon adalah sebagai berikut :
1) Heterogenitas antarindividu dapat dikontrol, panel data mengusulkan bahwa
individu bersifat berbeda-beda atau heterogen.
2) Penggunaan panel data dapat memberikan informasi data yang lebih banyak
dan beragam, permasalahan multikolinearitas yang minim, derajat bebas yang
lebih banyak, dan lebih efisien.
31

3) Analisis penyesuaian dinamis (dynamics of adjustment) lebih baik dilakukan
oleh panel data.
4) Panel data lebih unggul dalam mengidentifikasi dan mengukur efek yang tidak
dapat ditemukan pada data cross section murni atau time-series murni.
5) Model pada panel data dapat digunakan untuk membangun dan menguji
model pada perilaku yang lebih kompleks dari pada data cross section murni
atau time-series murni.
Suatu panel data dikatakan balanced panel jika masing-masing unit cross-
section memiliki jumlah observasi time-series yang sama. Sedangkan jika jumlah
observasi time-seriesnya berbeda antar individu atau anggota panel lainnya, maka
disebut unbalanced panel (Gujarati, 640:2003).

3.3.2 Data Panel Dinamis
Manfaat penggunaan data panel salah satunya adalah untuk menganalisis
penyesuaian dinamis (dynamic adjustment). Hubungan dinamis tersebut dapat
dideteksi dari adanya lag variabel dependen pada persamaan regresi. Hal tersebut
dapat ditunjukkan pada persamaan berikut:

; i = 1,, N ; t = 1,, T ..(3.4)

dimana merupakan skalar dan merupakan matriks berukuran dan
merupakan matriks berukuran . Asumsi pada

adalah one-way error

component model, yaitu :

. (3.5)
dengan

adalah efek individu yang diasumsikan

dan

adalah
error term yang diasumsikan

dan

saling bebas satu sama

lain.
Ketika suatu persamaan mengandung lag dari variabel dependen maka
akan muncul masalah berupa korelasi antara variabel

dengan

. Hal itu
dapat dikarenakan

merupakan fungsi dari

dan berarti

juga merupakan
fungsi dari

. Sehingga estimasi dengan panel data statis seperti OLS, fixed effect,
32

dan random effect pada persamaan panel dinamis menjadi bias dan inkonsisten,
meskipun

tidak berkorelasi secara serial (Baltagi, 135-136:2005). Hal itu juga

ditekankan oleh Verbeek (360-361:2004). Konsistensi (robustness) dan efisiensi
mengenai perlakuan

ketika menggunakan Fixed Effect Method (FEM) maupun

Random Effect Method (REM) pada model panel statis bisa didapatkan.
Sedangkan pada panel dinamis hal ini tidaklah sama, karena

tergantung pada

.
Permasalahan inkonsistensi tersebut dapat diatasi dengan menggunakan
pendekatan method of moments atau Generalized Method of Moment (GMM).
Dua jenis prosedur estimasi GMM yang biasa digunakan untuk mengatasi hal
tersebut adalah (Indra, 52:2009) :
1. First-difference GMM (FD-GMM)
2. System GMM (SYS-GMM)

3.3.2.1 First-differenceGMM (FD-GMM)
Ide dari penggunaan FD-GMM pada persamaan panel dinamis, yakni
dengan menghilangkan efek individu, diantaranya diusulkan oleh Arellano dan
Bond (Baltagi, 136:2005). Pada persamaan first difference, instrumen yang tepat
untuk digunakan adalah variabel lag dari level. Estimasi yang konsisten dengan
N dengan T tetap diperoleh dengan melakukan first-difference pada
persamaan di bawah untuk menghilangkan pengaruh individual (

; || < 1 ; t=1,, T ... (3.6)

dengan

dimana

dan

saling bebas
satu sama lain. Sehingga:

; t = 2,, T .... (3.7)

Estimasi dengan OLS pada persamaan di atas akan menghasilkan penduga yang
inkonsisten meskipun jika T, sebab

dan

berkorelasi. Maka
pendekatan instrumen dianjurkan untuk digunakan (Verbeek, 362:2004). Sebagai
contoh,

akan digunakan sebagai instrumen,

berkorelasi dengan
33

tetapi tidak berkorelasi dengan

, dan

tidak berkorelasi
serial. Penduga variabel instrumen untuk adalah sebagai berikut :

.......... (3. 8)
Syarat perlu agar penduga ini konsisten adalah

... (3. 9)
Penduga (3.8) merupakan salah satu penduga yang diajukan oleh Anderson dan
Hsiao. Mereka juga menganjurkan penduga alternatif dimana

digunakan sebagai instrumen. Penduga variabel instrumen bagi adalah:

... (3.10)
Syarat perlu agar penduga tersebut konsisten adalah:

. (3.11)
Penduga variabel instrumen yang kedua (IV(2)) membutuhkan tambahan lag
variabel untuk menciptakan instrumen, sehingga jumlah efektif pada observasi
pada estimasi berkurang satu periode sampel. Kerugian dari pengurangan ukuran
sampel dapat dieliminasi dengan pendekatan metode momen, pendekatan ini juga
dapat menyatukan penduga. Langkah pertama pada pendekatan tersebut adalah
menetapkan kondisi momen (moment condition), yakni:

..... (3.12)
dan

... (3.13)
34

Estimator IV dan IV(2) diberi kondisi momen pada saat estimasi. Semakin banyak
kondisi momen yang digunakan, efisiensi dari penduga akan meningkat. Jika
terdapat ukuran sampel sebanyak T, maka vektor transformasi eror dapat ditulis
sebagai:

(3.14)
dan matriks instrumen berupa

... (3.15)
setiap baris pada matriks

berisi matriks yang valid untuk periode yang

diberikan. Seluruh himpunan kondisi momen dapat ditulis sebagai :

... (3.16)
Dengan kondisi 1+2+3++T-1. Untuk menurunkan estimator GMM, persamaan
(3.16) ditulis sebagai :

.... (3.17)
Estimasi akan dilakukan dengan meminimumkan bentuk kuadrat momen
sampel yang berkoresponden karena jumlah kondisi momen biasanya melebihi
jumlah koefisien yang belum diketahui. Dengan demikian, penduga GMM adalah :

.................... (3.18)
35

Penduga konsisten selama matriks penimbang

merupakan definit positif.

Matriks penimbang yang optimal mampu memberikan penduga yang paling
efisien, yaitu yang memberi matriks kovarian asimtotik terkecil untuk

.
Blundell dan Blond (138:1998) menyatakan bahwa pada sampel yang
berukuran kecil, penduga FD-GMM dapat mengandung bias dan ketidaktepatan.
Selain itu, instrumen berupa lagged level pada persamaan first-difference
merupakan instrumen yang lemah pada FD-GMM. Estimasi dengan least square
pada panel data dengan model AR(1) akan mengasilkan koefisien yang bias ke
atas (biased upward) dan pendugaan dengan fixed effect akan menghasilkan
koefisien yang bias ke bawah (biased downward). Penduga koefisien yang
konsisten dapat diperoleh jika nilai koefisien terdapat di antara penduga least
square atau fixed effect (Firdaus, 220-221:2011). Penduga FD-GMM yang
memiliki nilai di bawah penduga fixed effect kemungkinan disebabkan oleh
instrumen yang lemah (Indra, 57-58:2009).

3.3.2.2 System GMM (SYS-GMM)
Inti dari metode System GMM (SYS-GMM) adalah pengestimasian sistem
persamaan baik pada first-difference maupun pada level. Instrumen yang
digunakan pada level adalah lag first-difference. Asumsi tambahan pada metode
SYS-GMM adalah

, untuk i= 1,..., N. Adapun matriks instrumen

bagi SYS-GMM adalah (Firdaus, 221:2011):

..... (3.19)
Himpunan kondisi momen dapat dituliskan sebagai :

.... (3.20)

.................................................................... (3.21)
Maka System GMM memiliki kombinasi instrumen berupa level pada persamaan
first difference dan instrumen berupa first difference pada persamaan level.
36

Blundell dan Bond (1998) mendapatkan bahwa estimasi dengan model ini
merupakan salah satu cara untuk menghindari masalah bias pada sampel yang
sedikit dan ketidaktepatan yang ada pada FD-GMM pada saat T yang digunakan
kecil.

3.4 Kriteria Model Terbaik
Pada analisis dengan menggunakan model panel dinamis, kriteria yang
digunakan untuk menguji model sedikit berbeda dengan uji pada panel statis.
Pengujian model yang dilakukan adalah uji validitas dan konsistensi. Untuk
menguji validitas instrumen dapat dilakukan dengan melakukan Uji Sargan.
Hipotesis nol pada Uji Sargan adalah instrumen valid, berarti instrumen tidak
bermasalah. Selanjutnya adalah uji konsistensi yang dapat didapat dari statistik
Arellano-Bond m
1
dan m
2
. Jika statistik m
1
menunjukkan nilai yang menolak
hipotesis nol dan m
2
menunjukkan nilai yang menerima hipotesis nol, maka
estimator konsisten. Selain itu, estimator yang tidak bias adalah yang berada di
antara estimator pooled least squares dan fixed effect (Firdaus, 222: 2011).