17

BAB III

METODE PENELITIAN

A. Lokasi Penelitian

Penelitian ini menganalisa tentang indeks pembangunan manusia dan

variabel yang mempengaruhinya. Lokasi dalam penelitian ini adalah 29 kabupaten

dan 9 kota di provinsi Jawa Timur (Lampiran 3).

B. Jenis Penelitian

Penelitian ini termasuk dalam penelitian kuantitatif, artinya menguji teori

terkait masalah yang diteliti dengan menggunakan data kuantitatif dan/atau

berbentuk angka melalui kerangka pikir dan merumuskan hipotesis.

C. Definisi Operasional dan Pengukuran Variabel

Variabel merupakan titik perhatian dari apa yang diteliti (Arikunto, 2006).

Penelitian ini menggunakan 2 (dua) jenis variabel, yaitu:

1. Variabel Dependen

Variabel dependen merupakan variabel terikat yang bisa berubah karena

pengaruh akibat variabel bebas. Variabel terikat dalam penelitian ini adalah indek

pembangunan manusia seluruh kabupaten/kota di provinsi Jawa Timur. IPM adalah

indikator yang digunakan untuk mengukur kualitas sumber daya manusia dalam

bentuk persen.

2. Variabel Independen

Variabel independen merupakan variabel bebas yang dapat memengaruhi

atau menjadi penyebab berubahnya variabel terikat. Variabel bebas yang diambil

dalam penelitian ini, yaitu:

18

a. Produk domestik regional bruto (PDRB) adalah jumlah nilai tambah dari

seluruh unit usaha atau jumlah dari nilai barang dan jasa akhir yang dihasilkan

oleh seluruh unit ekonomi dalam suatu wilayah (BPS, 2016). PDRB yang

dimaksud sebagai variabel terikat dalam penelitian ini adalah pendapatan

domestik regional bruto atas dasar harga berlaku, seluruh kabupaten/kota di

provinsi Jawa Timur dalam bentuk milyaran rupiah.

b. Upah Minimum. Menurut Peraturan Menteri Tenaga Kerja Republik Indonesia

Nomor 21 Tahun 2016 tentang Kebutuhan Hidup Layak, pengertian dari upah

minimum adalah upah bulanan terendah yang dari dari upah pokok dan

tunjangan tetap. Sedangkan upah minimum yang dimaksud sebagai variabel

terikat dalam penelitian ini adalah upah minimum kota seluruh kabupaten/kota

di provinsi Jawa Timur dalam bentuk rupiah.

c. Jumlah Pengangguran. Definisi dari jumlah pengangguran sendiri adalah

jumlah penduduk yang termasuk dalam usia kerja namun tidak bekerja (BPS,

2016). Jumlah pengangguran yang dimaksud sebagai variabel terikat dalam

penelitian ini adalah jumlah pengangguran seluruh kabupaten/kota di provinsi

Jawa Timur dalam bentuk jiwa.

d. Jumlah Penduduk Miskin. Jumlah penduduk miskin adalah total dari penduduk

yang mempunyai nilai rata-rata pengeluaran per kapita tiap bulan yang berada

di bawah garis kemiskinan. Jumlah penduduk miskin yang dimaksud sebagai

variabel terikat dalam penelitian ini adalah jumlah penduduk miskin seluruh

kabupaten/kota di provinsi Jawa Timur dalam bentuk jiwa.

19

D. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder. Data

sekunder adalah data yang diperoleh dari sumber-sumber yang telah ada. Penelitian

ini memperoleh data dari publikasi Badan Pusat Statistik Provinsi Jawa Timur,

Badan Pusat Statistik kabupaten/kota di provinsi Jawa Timur, dan Peraturan

Gubernur Provinsi Jawa Timur. Data yang dimaksud, antara lain:

1. Data indeks pembangunan manusia (IPM) di 38 kabupaten/kota provinsi

Jawa Timur secara annual (tahunan) periode 2010 s/d 2015.

2. Data PDRB atas dasar harga berlaku menurut lapangan usaha di 38

kabupaten/kota provinsi Jawa Timur secara annual (tahunan) periode 2010

s/d 2015.

3. Data upah minimum kota (UMK) di 38 kabupaten/kota provinsi Jawa Timur

secara annual (tahunan) periode 2010 s/d 2015.

4. Data jumlah pengangguran di 38 kabupaten/kota provinsi Jawa Timur secara

annual (tahunan) periode 2010 s/d 2015.

5. Data jumlah penduduk miskin di 38 kabupaten/kota provinsi Jawa Timur

secara annual (tahunan) periode 2010 s/d 2015.

E. Teknik Pengumpulan Data

Penelitian ini sepenuhnya menggunakan metode studi pustaka sebagai

metode pengumpulan data. Sebagai pendukung digunakan katalog, laporan, jurnal,

buku, surat kabar, artikel, browsing internet. Data diperlukan dalam penelitian ini,

yaitu: data panel. Data panel adalah gabungan antara data cross section (data yang

20

dikumpulkan berdasarkan satu waktu dalam banyak obyek) dan data time series

(data yang dikumpulkan berdasarkan kurun waktu tertentu dalam satu obyek).

F. Teknik Analisis Data

Penelitian ini menggunakan analisis deskriptif dengan menggunakan metode

statistik ekonometrik melalui model regresi data panel. Data panel bersifat

longitudinal yaitu data yang diperoleh atas menetapkan sejumlah sampel cross

section dan kemudian diikuti variabel yang diamati dari waktu ke waktu

(Ariefianto, 2012:149). Keuntungan menggunakan data panel: meningkatkan

ukuran sampel; Data panel paling tepat digunakan untuk mempelajari perubahan;

Memudahkan untuk mempelajari masalah yang lebih kompleks (Gujarati & Porter,

2012:262).

Dalam hal analisis data digunakan program Eviews-9. Selanjutnya dilakukan

estimasi model regresi data panel, pemilihan model regresi data panel, dan

pengujian hipotesis sebagai berikut:

1. Estimasi Regresi Data Panel

a. Common Effect Model (CEM)

Model common effect atau pooled merupakan teknik pendekatan paling

sederhana dalam menganilis regresi data panel hanya dengan menggabungkan data

time series dan cross section dengan menggunakan metode OLS (ordinary least

square) biasa. Model yang mengasumsikan bawa tidak ada heterogenan antar

variabel yang tidak terobservasi, karena semua keheterogenan sudah dijelaskan

oleh variabel independen. Asumsi bahwa pengaruh dari perubahan X bersifat

konstan dalam waktu dan kategori cross section (Rosadi, 2012:272).

21

Adapun variabel dalam penelitian ini dapat dibentuk model estimasi data

panel dengan pendekatan common effect sebagai berikut:

𝐼𝑃𝑀𝑖𝑡 = 𝛽0 + 𝛽1𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑈𝑀𝐾𝑖𝑡 + 𝛽3𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝛽4𝐾𝑀𝑆𝐾𝑁𝑖𝑡 + 𝑒𝑖𝑡

Dimana:

IPMit : Indeks Pembangunan Manusia (persen) di daerah i pada periode t

PDRBit : Pendapatan Domestik Regional Bruto (milyar rupiah) di daerah i pada

periode t

UMKit : Upah Minimum Kota (rupiah) di daerah i pada periode t

JPENGit : Jumlah Pengangguran (jiwa) di daerah i pada periode t

KMSKNit : Jumlah Penduduk Miskin (jiwa) di daerah i pada periode t

i : cross section

t : time series

β0 : Konstanta

β1β2β3β4 : Koefisien Regresi

e : error term / residual

Dalam model di atas dapat dilihat bahwa ada perbedaan satuan antar variabel.

Menurut Nachrowi & Usman (2008:74), bentuk skala pengukuran, dapat digunakan

sebagai penentu supaya parameter yang di estimasi memiliki angka yang menarik.

Dengan kata lain, satuan ukuran yang digunakan dalam persamaan regresi akan

berpengaruh terhadap besaran parameter yang terestimasi. Supaya kesalahan dalam

22

interpretasi dapat diminimalisir, akan lebih baik jika satuan ukuran yang digunakan

variabel sama. Untuk itu transformasi persamaan ke dalam bentuk model lin-Log

(model dimana variabel Y berbentuk linier sedangkan variabel X dalam bentuk

logaritma) diperlukan dalam penelitian ini. Transformasi persamaan ke dalam

bentuk lin-Log sebagai berikut:

𝐼𝑃𝑀𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝛽4𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡

+ 𝑒𝑖𝑡

Dimana:

IPMit : Indeks Pembangunan Manusia (persen) di daerah i pada periode t

logPDRBit : Pendapatan Domestik Regional Bruto (persen) di daerah i pada

periode t

logUMKit : Upah Minimum Kota (persen) di daerah i pada periode t

logJPENGit : Jumlah Pengangguran (persen) di daerah i pada periode t

log𝐾𝑀𝑆𝐾𝑁it : Jumlah Penduduk Miskin (persen) di daerah i pada periode t

i : cross section

t : time series

β0 : Konstanta

β1β2β3β4 : Koefisien Regresi

e : error term / residual

23

b. Fix Effect Model (FEM)

Model ini adalah teknik estimasi data panel dengan variabel dummy untuk

menangkap perbedaan intersep. Perbedaan yang dimaksud adalah perbedaan

intersep antara cross section namun intersepnya sama antar waktu. Dengan cara

menambahkan variabel dummy yang sesuai untuk masing-masing nilai variabel

independen. Persamaan model fixed effect dalam bentuk lin-Log sebagai berikut:

𝐼𝑃𝑀𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝛽4𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡

+ 𝑐𝑖 + 𝑑𝑡 + 𝑒𝑖𝑡

Dimana:

IPMit : Indeks Pembangunan Manusia (persen) di daerah i pada periode t

logPDRBit : Produk Domestik Regional Bruto (persen) di daerah i pada periode t

logUMKit : Upah Minimum Kota (persen) di daerah i pada periode t

logJPENGit : Tingkat Pengangguran Terbuka (persen) di daerah i pada periode t

log𝐾𝑀𝑆𝐾𝑁it : Jumlah Penduduk Miskin (persen) di daerah i pada periode t

i : cross section

t : time series

β0 : Konstanta

β1β2β3β4 : Koefisien Regresi

ci : Konstanta yang bergantung pada unit ke-i, tapi tidak pada waktu t

dt : Konstanta yang bergantung pada waktu t, tapi tidak pada unit i

e : error term / residual

24

c. Random Effect Model (REM)

Dengan menggunakan model fixed effect, pengaruh dari semua karakteristik

yang bersifat konstan dalam waktu atau dalam unit tidak dapat dilihat. Kemudian

juga berakibat berkurangnya derajat kebebasan (degree of freedom) dan pada

akhirnya mengurangi efisiensi parameter. Oleh karena itu digunakan model

Random Effect dengan menggunakan metode Generalized Least Square (GLS),

yang dituliskan sebagai berikut:

𝐼𝑃𝑀𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝛽4𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡

+ 𝑣𝑖𝑡

Dimana:

IPMit : Indeks Pembangunan Manusia (persen) di daerah i pada periode t

logPDRBit : Produk Domestik Regional Bruto (persen) di daerah i pada periode t

logUMKit : Upah Minimum Kota (persen) di daerah i pada periode t

logJPENGit : Tingkat Pengangguran Terbuka (persen) di daerah i pada periode t

log𝐾𝑀𝑆𝐾𝑁it : Jumlah Penduduk Miskin (persen) di daerah i pada periode t

i : cross section

t : time series

β0 : Konstanta

β1β2β3β4 : Koefisien Regresi

vi : ci + dt + eti

25

2. Pemilihan Model Regresi Data Panel

a. Uji Chow Test

Uji Chow Test merupakan uji yang digunakan untuk pemilihan model terbaik

yang akan diestimasi antara model common effect dengan model fixed effect.

Dengan melakukan uji restricted F-Test atau uji Chow-Test. Hipotesa yang

digunakan adalah:

H0 : Model CEM lebih sesuai (restricted)

H1 : Model FEM lebih sesuai (unrestricted)

Pengujian dengan menggunakan Chow-Test seperti formulasikan sebagai

berikut:

𝐹 =(𝑅𝑅𝑆𝑆 − 𝑈𝑅𝑆𝑆)/(𝑁 − 1)

(𝑈𝑅𝑆𝑆/(𝑁𝑇 − 𝑁 − 𝐾)

Dimana:

RRSS : Restricted Residual Sum Square, artinya sum square residual yang

diperoleh dari estimasi data panel menggunakan metode CEM.

URSS : Unrestricted Residual Sum Square, artinya sum square residual yang

diperoleh dai estimasi data panel menggunakan FEM.

N : Jumlah data cross section

T : Jumlah data time series

K : Jumlah variabel penjelas

26

Pengujian ini mengikuti distribusi F-statistik yaitu N-1, df = (NT-K) (K-1)

pada alpha 5%, apabila nilai F-test lebih besar dari F-tabel, maka hipotesis nol

ditolak dan model yang akan digunakan adalah FEM (fixed effect model).

b. Uji Hausman Test

Pengujian ini dilakukan untuk menentukan yang paling sesuai antara model

FEM dengan model REM. Hipotesis yang digunakan adalah:

H0 : Model FEM lebih sesuai

H1 : Model REM lebih sesuai

Uji Hausman menggunakan rumus sebagai berikut:

𝑚 = �̂�′𝑣𝑎𝑟(�̂�)−1�̂�

Dimana:

�̂� = ⌊�̂�𝑂𝐿𝑆 − �̂�𝐺𝐿𝑆⌋

𝑣𝑎𝑟(�̂�) = ⌊𝑣𝑎𝑟(�̂�𝑂𝐿𝑆) − 𝑣𝑎𝑟(�̂�𝐺𝐿𝑆)⌋

Kriteria pengujian penolakan hipotesis nol, apabila Probabilitas m lebih kecil

dari alpha (5%).

3. Uji Hipotesis

a. Uji Secara Simultan (Uji F-Statistik)

Untuk mengetahui pengaruh secara bersama-sama variabel bebas terhadap

variabel terikat digunakan uji F dengan rumus sebagai berikut:

𝐹 =𝐸𝑆𝑆

𝑃 − 1⁄

𝑅𝑆𝑆𝑛 − 𝑝⁄

Ketentuan hipotesis nol ditolak jika F hitung lebih besar dari Fa/2 atau

Probabilitas F-statistik lebih kecil dari alpha (5%).

27

b. Uji Secara Parsial (Uji t-Statistik)

Sedangkan untuk mengetahui pengaruh antara variabel bebas dengan variabel

terikat secara parsial atau individu digunakan uji t dengan rumus sebagai berikut:

𝑡 =�̂�𝑗 − 𝛽𝑗

𝑠𝑒(�̂�𝑗)

Ketentuan hipotesis nol ditolak jika t hitung lebih besar dari ta/2 atau

Probabilitas t-statistik lebih kecil dari alpha (5%).

c. Uji Koefisien Determinasi (R2)

Untuk menentukan kebaikan model regresi dapat menggunakan koefisien

determinasi (R-square/R2). R2 adalah nilai statistik yang menunjukkan besarnya

persentase keragaman variabel terikat yang dapat dijelaskan oleh variabel bebas

dalam model regresi, maka kesesuaian model regresi semakin tinggi. Formula yang

digunakan dalam menghitung R2 adalah sebagai berikut:

𝑅2 = 1 −∑ (�̂�𝑖 − �̅�)

2𝑛𝑖=1

∑ (𝑌𝑖 − �̅�)2𝑛𝑖=1

4. Uji Asumsi Klasik

Menurut Ariefianto (2012), penggunaan Ordinary Least Square (OLS) dalam

estimasi regresi linier harus memenuhi syarat asumsi klasik: Gauss-Markov.

Dengan tujuan adalah parameter yang digunakan bersifat Best Linier Unbiased

Estimator (BLUE).

Menurut Basuki (2014), uji asumsi klasik pada regresi data panel hanya

menggunakan 2 (dua) uji asumsi klasik, yaitu: uji normalitas dan uji

multikolinieritas.

28

a. Uji Normalitas

Normalitas merupakan asumsi yang digunakan untuk mengetahui bahwa

error/residual sudah terdistribusi normal. Hal tersebut dapat menggunakan uji

Jarque-Bera menggunakan program Eviews-9.

Hipotesis yang diuji :

H0 : error berdistribusi normal

H1 : error tidak berdistribusi normal

Dengan asumsi H0 ditolak jika p-value < 0,05.

b. Uji Multikolinieritas

Multikolinieritas merupakan kondisi dimana adanya hubungan antar variabel

independen. Menurut Rosadi (2012), untuk mendeteksi adanya multikolinieritas

dapat menggunakan metode Klein, yaitu membandingkan nilai koefisien

determinasi model regresi utama dengan regresi auxiliary/semu (model estimasi

regresi antara variabel independen satu dengan variabel independen yang lain).

Tahapan regresi auxiliary pada penelitian ini sebagai berikut:

𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡 + 𝑣𝑖𝑡 ..(R1)

𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡 + 𝑣𝑖𝑡 ..(R2)

𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡 + 𝑣𝑖𝑡 ..(R3)

𝑙𝑜𝑔𝐾𝑀𝑆𝐾𝑁𝑖𝑡 = 𝛽0 + 𝛽1𝑙𝑜𝑔𝑃𝐷𝑅𝐵𝑖𝑡 + 𝛽2𝑙𝑜𝑔𝑈𝑀𝐾𝑖𝑡 + 𝛽3𝑙𝑜𝑔𝐽𝑃𝐸𝑁𝐺𝑖𝑡 + 𝑣𝑖𝑡 ..(R4)

Adanya multikoliniernitas jika nilai koefisien determinasi (R2) regresi

auxiliary lebih besar dari regresi utama.