BAB III

METODE PENELITIAN

3.1 Ruang Lingkup Penelitian

Penelitian ini dibatasi pada cakupan permasalahan kemiskinan pada 38

kabupaten/kota di Provinsi Jawa Timur. Penelitian ini bertujuan untuk mengetahui

pengaruh dari kebijakan upah minimum terhadap kemiskinan. Selain itu, penulis

juga ingin mengetahui pengaruh dari variabel lainnya yakni pendidikan yang diukur

dengan Rata-rata Lama Sekolah, dan kesehatan yang diukur dengan Angka Harapan

Hidup. Pemilihan tempat dan periode waktu didasarkan pada ketersediaan data dari

variabel-variabel yang digunakan dalam penelitian ini.

3.2 Metode Pengumpulan Data

Penelitian ini menggunakan data sekunder dengan periode 2010-2017 yang

diperoleh dari berbagai data statistik resmi yang kemudian diolah untuk mengetahui

nilai dari setiap variabel. Pengumpulan data yang dilakukan melalui proses

pencarian data pada website Badan Pusat Statistik, Badan Pusat Statistik Provinsi

Jawa Timur, dan Dinas Tenaga Kerja dan Transmigrasi Provinsi Jawa Timur.

Kemudian melakukan pencatatan data, pengelompokan data, dan pengolahan data.

23

24

3.3 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini berupa data sekunder yang

berbentuk data panel yang diunduh dari website Badan Pusat Statitika dan BPS

Provinsi Jawa Timur serta Dinas Tenaga Kerja dan Transmigrasi Provinsi Jawa

Timur. Data yang diperoleh dari BPS Provinsi Jawa Timur berupa data persentase

penduduk miskin, Rata-rata Lama Sekolah, dan Angka Harapan Hidup. Sedangkan

data upah minimum diperoleh dari website Dinas Tenaga Kerja dan Transmigrasi

Provinsi Jawa Timur. Variabel yang digunakan dalam penelitian ini adalah tingkat

kemiskinan, Upah Minimum Kabupaten/Kota, pendidikan yang diukur dengan

RLS, dan kesehatan yang diukur dengan AHH.

3.4 Model Penelitian

Model yang digunakan dalam penelitian ini merujuk pada model penelitian

yang telah dilakukukan terdahulu dengan menggunakan regresi data panel, yang

didasarkan pada penelitian Stevans & Sessions (2001) dan Olavarria-Gambi (2003)

dengan melakukan penyesuaian dan metode yang dilakukan di dalam model

tersebut. Penyesuaian variabel dilakukan karena keterbatasan data yang dimiliki

oleh lembaga statistik, maka variabel seperti minimum wage coverage, Tingkat

Partisipasi Angkatan Kerja (tidak ada survei di tahun 2016), pertumbuhan pekerja

tahunan, rumah tangga yang dipimpin perempuan, dan Produk Domestik Regional

Bruto (angka masih menggunakan estimasi) tidak digunakan dalam penelitian ini.

Berikut adalah spesifikasi model yang digunakan untuk menganalisis faktor-faktor

yang diduga mempengaruhi tingkat kemiskinan:

25

POVit = β0 + β1lnMWit + β2EDUCit + β3HEALTHit + εit

Di mana:

POV : Persentase penduduk miskin

MW : Upah Minimum Kabuaten/Kota

EDUC : Pendidikan yang diukur dengan RLS

HEALTH : Kesehatan yang diukur dengan AHH

ln : Notasi dalam bentuk logaritma

β0 : Konstanta

β1, β2, β3 : Koefisien regresi

ε : Error term

i : Kabupaten/Kota

t : Tahun

3.5 Operasional Variabel

Pada penelitian ini penulis mennggunakan tingkat kemiskinan sebagai

variabel dependen, sedangkan Upah Minimum Kabupaten/Kota, pendidikan yang

diukur dengan RLS, dan kesehatan yang diukur dengan AHH menjadi variabel

independen. Adapun penjelasan operasional dari variabel dependen dan independen

adalah sebagai berikut:

26

Tabel 3.1 Operasional Variabel

No Notasi Variabel Keterangan Sumber

1

POV

Tingkat

Kemiskinan (%)

Presentase penduduk

miskin atau Head Count

Index (HCI) adalah

persentase penduduk yang

berada di bawah Garis

Kemiskinan.

BPS Jawa

Timur

2

lnMW

Logaritma

natural dari upah

minimum

Kabupaten/Kota

(Rp)

Tingkat upah minimum

yang ditetapkan oleh

pemerintah daerah.

Disnaker-

trans Prov

Jatim

3

EDUC

Pendidikan yang

diukur dengan Rata-rata Lama

Sekolah (tahun)

Rata-rata jumlah tahun belajar yang telah

diselesaikan oleh

penduduk berusia 15 tahun ke atas dan tidak termasuk

tahun yang mengulang

BPS Jawa Timur

4

HEALTH

Kesehatan yang

diukur dengan

Angka Harapan

Hidup (tahun)

Perkiraan rata-rata jumlah

tahun yang akan dijalani

seseorang sejak orang

tersebut lahir

BPS Jawa

Timur

Sumber: BPS Jawa Timur & Disnakertrans Prov Jatim

3.6 Teknik Pengolahan Data

Pengolahan data dalam penelitian ini menggunakan analisis deskriptif

kualitatif dan analisis deskriptif kuantitatif. Analisis deskriptif kualitatif pada

penelitin ini didasarkan pada kajian teoritis berupa materi-materi yang bersumber

dari buku, jurnal, working paper, publikasi resmi, dan artikel. Sedangkan analisis

deskriptif kuantitatif pada penelitian ini menggunakan Panel Data Regression

Model dan untuk mempermudah pengolahan dan perhitungan data menggunakan

softwere Microsoft Excel 2013 dan Stata 14.

27

3.7 Perbandingan Model Regresi

Menurut Gujarati & Porter (2009) terdapat tiga pendekatan yang dapat

digunakan dalam mengestimasi model regresi yang menggunakan data panel yakni

Pooled Least Square, Fixed Effect Model, dan Random Efect Model.

Di mana pendekatan-pendekatan tersebut akan dianalisis untuk menentukan model

regresi yang terbaik.

1. Pooled Least Square

Pendekatan ini merupakan model estimasi yang paling sederhana dengan

menggunakan prinsip Ordinary Least Square (OLS) yaitu dengan cara

meminimalkan jumlah error kuadrat. Pada model ini hanya dilakukan kombinasi

antara data time series dan cross section, serta pendekatan ini tidak memperhatikan

dimensi waktu atau individu, sehingga diasumsikan sifat data sebuah perusahaan

atau wilayah dalam berbagai periode waktu adalah sama.

2. Fixed Effect Model

Pendekatan ini merupakan model estimasi data panel yang berasumsi

perbedaan antar indvidu dapat diakomodasikan oleh perbedaan intersep, tetapi

parameter setiap objek yang ada tidak berubah seiring waktu atau mengabaikan

perbedaan antar waktu. Perbedaan intersep dapat terjadi karena terdapat perbedaan

pada data yang digunakan. Fixed Effect Model dapat dikatakan model terbaik yang

digunakan, ketika jumlah periode waktu lebih panjang jika dibandingkan dengan

jumlah sampel cross section.

28

3. Random Effect Model

Pendekatan ini merupakan model estimasi data panel pada variabel error

yang saling berkorelasi anatar periode waktu pada setiap wilayah. Intersep pada

model ini mewakili nilai rata-rata dari semua nilai intersep cross section serta

intersep tersebut diakomodasi oleh error terms gabungan dari data time series dan

cross section. Random Effect Model dapat dikatakan model terbaik yang digunakan,

ketika jumlah periode waktu lebih pendek jika dibandingkan dengan jumlah sampel

cross section.

3.8 Metode Pengujian

3.8.1 Uji Pemilihan Model

Gujaratai & Porter (2009) menjelaskan tiga pendekatan yang dapat

digunakan dalam mengestimasi model regresi yang menggunakan data panel,

yakni Pooled Least Square, Fixed Effect Model, dan Random Effect Model.

Agar dapat menentukan model regresi yang tepat digunakan dalam penelitian, maka

perlu dilakukannya proses pengujian meliputi uji Chow, uji Hausman, dan Uji

Bruesch-Pagan Lagrangian Multiplier.

3.8.1.1 Uji Chow

Menurut Gujarati & Porter (2009) pengujian ini digunakan untuk

mengetahui antara Pooled Least Square atau Fixed Effect Model yang lebih baik

digunakan dalam penelitian. Dengan hipotesis:

29

H0 : Menggunakan Pooled Least Square

H1 : Menggunakan Fixed Effect Model

Dengan kriteria sebagai berikut:

Apabila nilai (Prob > F) < α maka H0 ditolak, yang artinya Fixed Effect

Model lebih baik digunakan dari pada Pooled Least Square.

Apabila nilai (Prob > F) > α maka H0 tidak dapat ditolak, yang artinya

Poolde Least Square lebih baik digunakan dari pada Fixed Effect Model

3.8.1.2 Uji Hausman

Menurut Gujarati & Porter (2009) pengujian ini digunakan untuk

mengetahui anatara Fixed Effect Model atau Random Effect Model yang lebih baik

digunakan dalam penelitian. Dengan hipotesis:

H0 : Menggunakan Random Effect Model

H1 : Menggunakan Fixed Effect Model

Dengan kriteria sebagai berikut:

Apabila nilai (Prob > Chi2) < α maka H0 ditolak, yang artinya Fixed

Effect Model lebih baik digunakan dari pada Random Effect Model.

Apabila nilai (Prob > Chi2) > α maka H0 tidak dapat ditolak, yang artinya

Random Effect Moel lebih baik digunakan dari pada Fixed Effect Model.

30

3.8.1.3 Uji Breucsh – Pagan Lagrangian Multiplier

Menurut Gujarati & Porter (2009) pengujian ini digunakan untuk

mengetahui antara Random Effect Model atau Pooled Least Square yang lebih baik

digunakan dalam penelitian. Dengan hipotesis:

H0 : Menggunakan Polled Leas Square

H1 : Menggunakan Random Effect Model

Dengan kriteria sebagai berikut:

Apabila nilai (Prob > Chibar) < α maka H0 ditolak, yang artinya Random

Effect Model lebih baik digunakan dari pada Pooled Least Square.

Apabila nilai (Prob > Chibar) > α maka H0 tidak dapat ditolak, yang

artinya Pooled Least Square lebih baik digunakan dari pada

Random Effect Model.

3.8.2 Uji Asumsi Klasik

3.8.2.1 Uji Heteroskedastisitas

Masalah heteroskedastisitas terjadi karena varian dari error terms tidak lagi

konstan. Masalah tersebut berakibat pada nilai standar error yang bervariasi dan

menyebabkan hasil perhitungan uji signifikansi parsial dan simultan menjadi tidak

valid, namun pada faktanya tidak menyebabkan sebuah hasil estimasi menjadi bias

(Gujarati & Porter, 2009). Menurut Wooldridge (2012) masalah heteroskedastisitas

dapat diminimalisir dengan menggunakan robust variance estimate. Jika pada

pemilihan model terbaik didapatkan random effect model, maka masalah

heteroskedastisitas dapat diminimalisir.

31

Kemudian menurut Gujarati & Porter (2009) pada hasil regresi

menggunakan random effect model merupakan estimasi yang dilakukan dengan

Generelize Least Square (GLS) yaitu transformasi variabel sehingga memenuhi

asumsi standar kuadrat terkecil, di mana hasil estimasi dari GLS bersifat

homoskedastis sehingga tidak terdapat masalah heteroskedastisitas. Masalah ini

dapat dideteksi melalui uji Walad Test. Dengan hipotesis yang digunakan pada

pengujian ini adalah:

H0 : Tidak terdapat masalah heterokedastisitas

H1 : Terdapat masalah heteroskedastisitas

Dengan menggunakan kriteria sebagai berikut:

Ketika nilai (Prob > Chi2) < α maka H0 ditolak, hal ini menjelaskan

bahwa dalam model regresi ini terdapat masalah heteroskedastisitas.

Ketika nilai (Prob > Chi2) > α maka H0 tidak dapat ditolak, hal ini

menjelaskan bahwa dalam model regresi ini tidak terdapat masalah

heteroskedastisitas atau data bersifat homoskedastisitas.

3.8.2.2 Uji Autokorelasi

Gujarati & Porter (2009) menjelaskan autokorelasi merupakan masalah

yang diakibatkan adanya hubungan antara error terms, yaitu ketika error terms

pada periode waktu tertentu memiliki hubungan dengan variabel yang ada di

periode waktu lain. Terdapat beberapa aspek yang mengakibatkan masalah ini,

seperti kesalahan dalam penentuan model yang digunakan, terdapat lag waktu

dalam model, serta tidak menggunakan variabel penting dalam model.

32

Masalah ini berakibat pada kriteria yang diestimasi akan menjadi bias,

memiliki varian yang rendah, dan tidak efesien. Jika pemilihan model terbaik

didapatkan random effect model, maka masalah autokolerasi dapat diminimalisir.

Menurut Wooldridge (2012) jika menggunakan random effect model maka dapat

dikatakan tidak terdapat masalah autokorelasi dikarenakan telah menggunakan

Generalized Least Square (GLS). Masalah ini dapat dideteksi dengan melakukan

uji Wooldridge dengan hipotesis:

H0 : Tidak terdapat masalah autokorelasi

H1 : Terdapat masalah autokorelasi

Dengan menggunakan kriteria sebagai berikut:

Ketika nilai (Prob > F) < α maka H0 ditolak, hal ini menjelaskan bahwa

dalam model regresi ini terdapat masalah autokorelasi.

Ketika nilai (Prob > F) > α maka H0 tidak dapat ditolak, hal ini

menjelaskan bahwa dalam model regresi ini tidak terdapat masalah

autokorelasi.

3.8.2.3 Uji Multikolinearitas

Menurut Gujarati & Porter (2009) masalah mutikolinearitas merupakan

masalah yang terjadi ketika terdapat korelasi antara variabel indepeden yang

digunakan dalam model. Tanda-tandanya dapat ditemukan dengan melihat nilai R2

yang besar, akan tetapi variabel independen yang signifikan memiliki pengaruh

yang kecil, atau bahkan tidak memeiliki pengaruh terhadap variabel dependennya.

33

Masalah multikolinearitas dapat diketahui dengan melihat korelasi anatar variabel

independen. Ketika variabel-variabel independen dalam model memiliki koefisien

korelasi lebih dari 0,8 maka dapat dinyatakan dalam model regresi terdapat

masalah multikolinearitas.

Christopher Achen dalam (Gujarati & Porter, 2009) menjelaskan ketika

pada model terdapat masalah multikolinearitas, tidak perlu melakukan uji

perbaikan, karena multikolinearitas tidak melanggar asumsi-asumsi regresi dan

tidak menyebabkan bias pada model, estimasi yang digambarkan akan tetap

konsisten dan standar error akan terestimasi dengan benar.

3.8.3 Uji Statistik

3.8.3.1 Uji Signifikansi Parsial

Uji signifikansi parsial atau uji t dilakukan untuk mengetahui pengaruh

variabel independen secara individual terhadap variabel dependen dalam model.

Pengujian ini dilakukan dengan cara membandingkan nilai Prob.t dengan nilai

signifikansi yang digunakan. Dengan hipotesis:

H0 : Variabel independen tidak memiliki pengaruh signfikan terhadap

variabel dependen

H1 : Variabel independen memiliki pengaruh signifikan terhadap

variabel dependen

34

Dengan menggunakan kriteria sebagai berikut:

Jika nilai Prob.t < α maka H0 ditolak, hal ini menjelaskan bahwa variabel

independen memiliki pengaruh signifikan terhadap variabel

dependennya.

Jika nilai Prob.t > α maka H0 tidak dapat ditolak, hal ini menjelaskan

bahwa variabel independen tidak memiliki pengaruh signifikan terhadap

variabel dependennya.

Menurut StataCorp (2013) apabila hasil estimasi regresi menggunakan

Random Effect Model, maka uji signifikansi parsial dapat dilakukan dengan uji z.

Pada uji ini menggunakan hipotesis yang sama seperti uji t, namun dengan kriteria:

Jika Prob z < α maka H0 ditolak, hal ini menjelaskan bahwa variabel

independen memiliki pengaruh signifikan terhadap variabel

dependennya.

Jika Prob z > α maka H0 tidak dapat ditolak, hal ini menjelaskan bahwa

variabel independen tidak memiliki pengaruh signifikan terhadap

variabel dependennya.

3.8.3.2 Uji Signifikansi Simultan

Uji signifikansi simultan atau uji F ini dilakukan untuk mengetahui

pengaruh dari variabel independen secara keseluruhan terhadap variabel

dependennya. Pengujian ini dilakukan dengan cara membandingkan nilai Prob > F

dengan nilai signifikansi yang digunakan. Dengan hipotesis:

35

H0 : Seluruh variabel independen secara bersama-sama tidak memiliki

pengaruh terhadap variabel dependen

H1 : Seluruh variabel independen secara bersama-sama memiliki

pengaruh terhadap variabel dependen

Dengan kriteria:

Jika nilai Prob F < α maka H0 ditolak, hal ini menjelaskan bahwa seluruh

variabel independen secara bersama-sama memiliki pengaruh terhadap

variabel dependen.

Jika nilai Prob F ≥ α maka H0 tidak dapat ditolak, hal ini menjelaskan bahwa seluruh variabel independen secara bersama-sama tidak memiliki

pengaruh terhadap variabel dependen.

Menurut StataCorp (2013) apabila hasil estimasi regresi menggunakan

Random Effect Model, maka uji signifikansi simultan ini dapat dilakukan dengan

uji Walad Chi-Square. Pada uji ini hipotesis yang digunakan sama dengan uji F,

namun dengan kriteria sebagai berikut:

Jika Prob χ2 < α maka H0 ditolak, hal ini menjelaskan bahwa seluruh

variabel independen secara bersama-sama memiliki pengaruh terhadap

variabel dependen

Jika Prob χ2 > α maka H0 tidak dapat ditolak, hal ini menjelaskan bahwa

seluruh variabel independen secara bersama-sama tidak memiliki

pengaruh terhadap variabel dependen.

36

3.8.3.3 Uji Koefisien Determinasi (R2)

Menurut Gujarati & Porter (2009) koefisien determinasi atau yang biasa

dikenal dengan R-saqured (R2) adalah parameter ringkas yang memberikan

informasi seberapa baik sebuah garis regresi sampel yang sesuai dengan datanya.

R2 merupakan bilangan yang dinyatakan dalam bentuk persen. Persentase tersebut

menjelaskan seberapa besar variabel independen yang digunakan dapat

menjelaskan variabel dependennya. Besaran nilai R2 adalah sekitar kosong hingga

satu. Apabila nilai R-squared mendekati angka satu maka dapat dikatakan model

regresi yang digunakan sangat baik, karena semakin besar variasi variabel

independen yang dapat menjelaskan variabel dependennya.