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:

28  

∑ .CVW =

Dimana:

CVW : Indeks Williamson

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

f : Jumlah penduduk Provinsi Jawa Timur (jiwa)

Yi :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:

CVW < 0,35 : Kesenjangan taraf rendah

0,35 < CVW< 0,5 : Kesenjangan taraf sedang

CVW > 0,5 : 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.

30  

4. Daerah relatif tertinggal, adalah daerah yang memiliki

tingkatpertumbuhan ekonomi dan pendapatan per kapita lebih rendah

dibandingkan provinsi.

Tabel 3.1 Klasifikasi Pola Pertumbuhan Ekonomi Menurut Tipologi Klassen

PDRB per Kapita

Laju Pertumbuhan

Pendapatan per Kapita di Atas Rata-rata Provinsi

Pendapatan per Kapita di Bawah Rata-rata Provinsi

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.

LPDRBit = α + β1 PDKit + β2KESit + β3 LNTKit + β4 LNJLNit + β5 LNAIRit

+ β6 LNPTNit + β7 LNTABit + β8 LNPEMit + eit

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 (m3)

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 R2. 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 R2 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. Dengan data 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.

32  

4. Data panel mampu mendeteksi dan mengukur efek yang 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 (xit), kecuali

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

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

model regresi biasa. Jika nilai αi 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:

H0 : REM

H1 : FEM

Sebagai dasar penolakan H0 maka digunakan Statistik Hausman dan

membandingkannya dengan Chi-Square. Statistik Hausman dirumuskan dengan:

m = (β - b)(M0 - M1)-1(β - b) ~X2 (K)

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

statistik variabel random effect, M0 adalah matriks kovarians untuk dugaan fixed

effect modeldan M1 adalah matriks kovarians untuk dugaan random effect model.

Jika nilai m hasil pengujian lebih besar dari X2-Tabel, atau nilai Hausman Test

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

34  

).

ij2

terhadap H0. 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 :

• R2 tinggi tetapi uji individu tidak banyak yang nyata atau bahkan tidak

ada yang nyata.

• Korelasi sederhana antara variabel individu tinggi (Rij tinggi

• R2< R

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 R2 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 R2 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 maka pada hasil regresi akan tetap terjadi

misleading (Gujarati, 2003).

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.