BAB III

METODOLOGI PENELITIAN

3.1. Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder (time

series) yang diperoleh dari beberapa lembaga dan instansi pemerintah, antara lain

berasal dari Badan Pusat Statistik (BPS) Provinsi Jawa Timur, Badan Koordinasi

Penanaman Modal Provinsi Jawa Timur dan Bank Indonesia serta beberapa situs

website yang mendukung dan berhubungan dengan penelitian ini. Data-data yang

digunakan adalah data penanaman modal asing yang disetujui pemerintah Provinsi

Jawa Timur, PDRB Provinsi Jawa Timur atas dasar harga berlaku, keterbukaan

ekonomi, inflasi dan upah minimum provinsi.

Tabel 3.1. Variabel-Variabel yang Digunakan dalam Penelitian

Variabel Satuan Sumber Simbol

Penanaman Modal Asing yang

disetujui

000 USD Badan Koordinasi

Penanaman Modal

(BKPM) Provinsi

Jawa Timur

PMA

Produk Domestik Regional

Bruto (PDRB) Provinsi Jawa

Timur atas dasar harga berlaku

Juta Rp Badan Pusat Statistik

(BPS) Provinsi Jawa

Timur

PDRB

Keterbukaan ekonomi dengan

proxy rasio jumlah ekspor dan

impor terhadap PDRB

persen Badan Pusat Statistik

(BPS) Provinsi Jawa

Timur

OPEN

Inflasi persen Badan Pusat Statistik

(BPS) Provinsi Jawa

Timur

INF

Upah Minimum Provinsi Rupiah Badan Pusat Statistik

(BPS) Provinsi Jawa

Timur

UMP

29

Data yang digunakan dalam penelitian ini merupakan data tahunan periode

1996 sampai dengan periode 2010. Tabel 3.1 menjelaskan tentang variabel-

variabel yang digunakan dalam penelitian ini beserta satuan, sumber dan

simbolnya.

3.2. Metode Analisis Data

Penelitian ini dilakukan untuk mengidentifikasi faktor-faktor yang

mempengaruhi Penanaman Modal Asing (PMA) di Provinsi Jawa Timur.

Memberikan gambaran tentang perkembangan penanaman modal asing periode

1996-2010 kepada Pemerintah Provinsi Jawa Timur sehingga dapat dijadikan

sebagai acuan pengambilan kebijakan untuk mendorong peningkatan Penanaman

Modal Asing (PMA) sebagai salah satu modal dalam melaksanakan pembangunan

yang selanjutnya diharapkan dapat meningkatkan laju pertumbuhan ekonomi.

Analisis kuantitatif dilakukan dengan menggunakan regresi linier berganda.

Metode analisis data yang digunakan adalah Ordinary Least Square (OLS). Untuk

memudahkan dalam melakukan pengolahan data yang digunakan dalam penelitian

ini, maka data tersebut dimasukkan ke dalam Microsoft Exel dan diolah dengan

menggunakan Eviews 6.0.

3.2.1. Analisis Deskriptif

Analisis deskriptif merupakan analisis penggambaran dari apa yang akan

dibicarakan lebih jauh. Adapun penyajiannya digunakan uraian dan grafik.

30

Analisis ini digunakan untuk menggambarkan keberadaan penanaman modal

asing di Provinsi Jawa Timur. Dalam penelitian ini, analisis deskriptif yang

digunakan menekankan pada aspek perkembangan aliran penanaman modal asing

serta aliran penanaman modal asing per sektor.

3.2.2. Metode Regresi Linier Berganda

Analisis regresi merupakan suatu alat analisis untuk mengetahui pengaruh

variabel bebas terhadap variabel tak bebas yang dinyatakan dalam koefisien

regresi. Variabel bebas adalah variabel yang nilainya dapat ditentukan dan bersifat

menerangkan variabel tak bebas yang nilainya tergantung kepada variabel bebas.

Dalam analisis regresi diketahui dua bentuk model yaitu model persamaan tunggal

dan model persamaan simultan. Pada model persamaan tunggal ada satu variabel

tak bebas Y yang diterangkan oleh satu atau beberapa variabel X. Sementara

dalam persamaan simultan suatu variabel Y tidak hanya ditentukan oleh variabel

X tetapi beberapa variabel X juga ditentukan oleh variabel Y atau ada dua variabel

Y1 dan Y2 yang dipengaruhi secara bersama-sama oleh suatu variabel X. Adapun

dalam penelitian ini menggunakan analisis regresi dengan model persamaan

tunggal yaitu analisis regresi linier berganda.

Ordinary Least Square (OLS) merupakan salah satu metode yang sering

digunakan karena kemudahannya dalam mengolah data. Gujarati (1993)

menyatakan bahwa ada beberapa asumsi yang harus dipenuhi dalam model ini

diantaranya adalah :

31

1. Semua penaksir tak bias linier atau penaksir OLS mempunyai varians

minimum.

2. Varians tiap unsur disturbance ei tergantung (conditional) pada nilai yang

dipilih dari variabel yang menjelaskan adalah suatu angka konstan yang

sama dengan yang merupakan asumsi homoskedastisitas yaitu varians

yang sama.

3. Tidak ada autokorelasi artinya tidak ada korelasi antara anggota

serangkaian observasi yang diurutkan menurut waktu (seperti dalam data

deret waktu) atau seperti dalam data cross sectional.

4. Variabel yang menjelaskan adalah non stokastik yaitu terdiri dari angka-

angka yang tetap (fixed) dan ei didistribusikan secara normal.

5. Tidak ada multikolinearitas antara variabel yang menjelaskan X.

Jika asumsi ini terpenuhi maka penaksiran OLS koefisien regresi menjadi

BLUE (Best Linier Unbiassed Estimator). Salah satu regresi dalam OLS adalah

regresi berganda. Analisis regresi linier berganda menunjukkan hubungan sebab

akibat antara variabel X (variable eksogen) yang merupakan penyebab dari

variabel Y (variable endogen) yang merupakan akibat. Analisis regresi linier

berganda digunakan untuk menguraikan pengaruh varibel-variabel yang

menjelaskan (eksogen) yang mempengaruhi varibel bebasnya (endogen). Regresi

linier berganda tidak hanya melihat keterkaitan antar variabel-variabel namun juga

mengukur besarnya hubungan kausalitasnya.

32

3.2.3. Model Umum Analisis Regresi Linier Berganda

Gujarati (1993), model umum analisis regresi linier berganda dapat

dituliskan sebagai berikut :

(3.1.)

Dimana :

Y : Variabel endogen atau variabel tak bebas

i : Periode

: Intersep atau nilai Y saat X = 0

: Variabel eksogen atau variabel bebas

: Parameter dari

: Error term atau derajat kesalahan

3.2.4. Model Analisis Penelitian

Dalam penelitian ini variabel yang digunakan dalam menganalisis faktor-

faktor yang mempengaruhi PMA di Provinsi Jawa Timur adalah PDRB dan nilai

tukar rupiah terhadap dolar Amerika. PDRB digunakan karena PDRB

menggambarkan besarnya pangsa pasar, nilai tukar menggambarkan kestabilan

moneter suatu Negara/wilayah. Sehingga model analisis regresi linier berganda

dalam penelitian ini adalah sebagai berikut :

(3.2)

Dimana :

PMA : Penanaman Modal Asing (000 USD)

PDRB : Produk Domestik Regional Bruto (Juta Rupiah)

33

OPEN : Keterbukaan ekonomi (persen)

INF : Inflasi (persen)

UMP : Upah minimum provinsi (Rupiah)

: Error term atau derajat kesalahan

3.3. Pengujian Kriteria Ekonomi dan Statistik

Pengujian dapat dilakukan dengan kriteria ekonomi dan statistik.

Pengujian kriteria ekonomi dilakukan untuk melihat besaran dan tanda parameter

yang akan diestimasi, apakah sesuai dengan teori atau tidak. Sedangkan pengujian

statistik dimaksudkan untuk mengetahui apakah model yang digunakan

merupakan model yang tepat untuk menggambarkan hubungan antar variabel.

Selain itu untuk mengetahui apakah ada hubungan yang signifikan diantara

variabel-variabel dependen dengan variabel independen.

3.3.1. Uji t

Uji t digunakan untuk melihat apakah masing-masing variabel bebas

(variable eksogen) secara parsial berpengaruh pada variabel tak bebasnya

(variable endogen). Selain itu juga untuk melihat keabsahan dari hipotesis dan

membuktikan bahwa koefisien regresi dalam model secara statistik signifikan atau

tidak.

Hipotesis : : = 0

: ≠ 0,I = 1,2,3,…,n.

34

Statistik uji yang dilakukan dalam uji t adalah sebagai berikut :

(3.4)

Hasil t-hitung dibandingkan dengan t-tabel .

Dimana :

b : Koefisien regresi parsial sampel

B : Koefisien regresi parsial populasi

Sb : Simpangan baku koefisien dugaan

Kriteria uji yang digunakan dalam melakukan uji-t adalah sebagai berikut :

1. Apabila nilai t-hitung lebih besar dari nilai , maka tolak H0. Hal

ini berarti bahwa variabel yang digunakan berpengaruh nyata terhadap

variabel tak bebas (variable endogen).

2. Apabila nilai t-hitung lebih kecil dari nilai , maka terima H0. Hal

ini berarti variabel yang digunakan tidak berpengaruh nyata terhadap

variabel tak bebas (variabel eksogen).

3.3.2. Uji F

Uji F dilakukan untuk melihat apakah variabel-variabel bebas (variable

eksogen) secara serempak berpengaruh nyata pada variabel terikatnya (variable

endogen). Apabila uji F lebih kecil dari taraf nyata artinya H0 diterima, hal ini

menandakan bahwa ada minimal satu variabel yang berpengaruh secara signifikan

atau berpengaruh nyata pada keragaman variabel terikatnya.

Mekanisme untuk menguji hipotesis dari parameter dugaan secara serentak

(uji F-statistik) adalah sebagai berikut :

35

Hipotesis : :

: minimal ada satu

Untuk i = 1, 2, 3, …, k

= dugaan parameter

Statistik uji yang dilakukan dalam uji-F adalah sebagai berikut :

⁄

⁄ (3.5)

Keterangan :

Hasil dari F-hitung dibandingkan dengan F-tabel (F-tabel = , dimana :

R2 = Koefisien determinasi

n = Banyaknya data

K = Jumlah koefisien regresi dugaan

Kriteria uji yang digunakan dalam pengujian model penduga adalah

sebagai berikut :

1. Apabila nilai F-hitung lebih besar dari , maka tolak H0.

Maksudnya adalah terdapat minimal parameter dugaan yang tidak nol dan

berpengaruh nyata terhadap keragaman variabel tak bebas.

2. Apabila nilai F-hitung lebih kecil dari , maka terima H0. Hal ini

berarti secara bersamaan variabel yang digunakan tidak bisa menjelaskan

secara nyata keragamaan dari variabel tak bebas.

3.3.3. Uji Koefisien Determinasi (R2)

Uji koefisien determinasi R2 (R

2 adjusted) digunakan untuk melihat sejauh

mana variabel bebas mampu menerangkan keragaman variabel terikatnya. Nilai

36

R2 mengukur tingkat keberhasilan model regresi yang digunakan dalam

memprediksi nilai variabel terikatnya. Menurut Gujarati (1993) terdapat dua sifat

R2 yaitu :

1. Merupakan besaran non negatif.

2. Batasnya adalah antara 0 dan 1. Jika R2 bernilai 1 berarti suatu kecocokan

sempurna, sedangkan jika R2 bernilai 0 berarti tidak ada hubungan antara

variabel terikat dengan variabel bebasnya.

R2 =

= 1 -

= 1 – ∑

∑

a atau (3.6)

= 1 -

(3.7)

Dimana :

ESS = Jumlah kuadrat yang dijelaskan (explained sum square)

TSS = Jumlah kuadrat total (total sum square)

= Varians residual

= Varians sampel dari Y

Salah satu masalah jika menggunakan ukuran R-squared untuk menilai

baik buruknya suatu model adalah mendapatkan nilai yang terus naik seiring

dengan pertambahan variabel bebas ke dalam model sehingga adjusted R-squared

secara umum memberikan penalty atau hukuman terhadap penambahan variabel

bebas yang tidak mampu menambah daya prediksi suatu model. Nilai adjusted R-

37

squared tidak akan pernah melebihi nilai R-squared bahkan bisa turun jika

ditambahkan variabel bebas yang tidak perlu. Bahkan model yang memiliki

kecocokan rendah (goodness of fit), adjusted R-squared dapat memiliki nilai

negative. Nilai Adjusted R-squared dapat dihitung sebagai berikut :

(3.8)

k adalah banyaknya parameter dalam model termasuk faktor intersep.

3.3.4. Uji Kriteria Ekonometrika

1. Uji Normalitas

Kenormalan sisaan diperlukan agar dihasilkan nilai estimasi parameter

yang tidak bias, efisien dan konsisten. Selain itu, pengujian parameter dalam

analisis regresi menggunakan nilai kritis distribusi t dan F yang keduanya berasal

dari distribusi normal. Pemeriksaan kenormalan sisaan dapat dlakukan melalui

Plot Persentil-Persentil (P-P Plot), jika nilai sisaan membentuk garis lurus maka

sisaan berdistribusi normal.

Pengujian asumsi kenormalan secara formal dapat dilakukan dengan uji

Kolmogorov-Smirnov yang merupakan suatu uji mengenai tingkat kesesuaian

antara distribusi serangkaian nilai sisaan dengan distribusi normal. Hipotesis yang

digunakan adalah :

H0 : distribusi sisaan mengikuti distribusi normal

H1 : distribusi sisaan tidak mengikuti distribusi normal

38

Statistik uji :

D = maksimum F0(Xi) – Sn(Xi) dengan i = 1, 2, 3, …, n.

F0(X) merupakan distribusi frekuensi kumulatif teoritis mengikuti distribusi

normal, sedangkan Sn(X) merupakan distribusi frekuensi kumulatif sisaan yang

diamati sesuai jumlah sampel.

Pada pengujian dengan tingkat kepercayaan sebesar (1-α) persen dapat

diambil keputusan menerima H0 jika D < Dtabel dan menolak H0 jika D ≥ Dtabel.

Dtabel merupakan nilai kritis dari tabel Kolmogorov-Smirnov. Selain itu

pengambilan keputusan dapat didasarkan pada nilai p-value yaitu jika p-value ≥ α

maka H0 diterima, sedangkan jika p-value < α maka H0 ditolak.

2. Autokorelasi

Secara harfiah autokorelasi berarti adanya korelasi antara anggota

observasi dengan observasi lain yang berlainan waktu atau disebut juga serial

correlation. Menurut Gujarati (1993), dalam model regresi akan terjadi

autokorelasi apabila terjadi bentuk fungsi yang tidak tepat, peubah penting

dihilangkan dari model, terjadi interpolasi data. Untuk mendeteksi ada tidaknya

autokorelasi first degree dapat digunakan nilai Durbin-Watson (DW) dari hasil

regresi, namun untuk melihat autokorelasi pada tingkat yang lebih tinggi

digunakan Uji Breuch Godfrey Serrial Corelation Lagrange LM Test.

Autokorelasi akan menyebabkan diantaranya sebagai berikut :

a. Dugaan parameter tidak bias.

b. Nilai galat baku mengalami autokorelasi, sehingga ramalan tidak efisien.

39

c. Ragam galat tidak jelas.

d. Terjadi pendugaan kurang tepat pada ragam galat (standar error

underestimated), sehingga Sb underestimated. Oleh karena itu, t

overestimate cenderung lebih besar dari yang sebenarnya.

H0 = β = 0 (tidak terdapat serial autokorelasi)

H1 = β ≠ 0 (terdapat serial autokorelasi)

Kriteria uji yang digunakan untuk melihat adanya autokorelasi adalah sebagai

berikut :

1. Apabila nilai obs*R-squared lebih besar dari taraf nyata yang digunakan,

maka model persamaan yang digunakan tidak mengalami masalah

autokorelasi.

2. Apabila nilai obs*R-squared lebih kecil dari taraf nyata yang digunakan,

maka model persamaan yang digunakan mengalami masalah autokorelasi.

Solusi dari masalah autokorelasi yaitu dengan menghilangkan variabel yang

sebenarnya tidak berpengaruh terhadap variabel bebas. Jika terjadi kesalahan

dalam spesifikasi model, hal ini dapat diatasi dengan mentransformasi model,

misalnya dari model linier menjadi non linier atau sebaliknya.

3. Heterokedastisitas

Seringkali pada data yang dianalisis ditemukan masalah varians residual

yang bervariasi (heterokedastisitas), sementara itu analisis regresi menghendaki

asumsi bahwa residual memiliki varians konstan (homokedastisitas).

Heterokedastisitas terjadi apabila ada pelanggaran pada asumsi regresi. Hal

40

tersebut ditandai dengan varians tidak tetap. Heterokedastisitas tidak merusak sifat

ketidakstabilan dan konsistensi dari penaksir OLS, tetapi penaksir dihasilkan tidak

lagi mempunyai varians minimum (efisien). Menurut Gujarati (1993), jika terjadi

heterokedastisitas maka akan berakibat sebagai berikut :

1. Estimasi dengan menggunakan OLS tidak akan memiliki varians yang

minimum atau estimator tidak efisien.

2. Prediksi (nilai Y untuk X tertentu) dengan estimator dari data yang

sebenarnya akan mempunyai varians yang tinggi, sehingga prediksi tidak

efisien.

3. Tidak akan ditetapkannya uji nyata koefisien atau selang kepercayaan

dengan menggunakan formula yang berkaitan dengan varians.

Secara umum ada beberapa cara atau teknik yang dapat digunakan untuk

mendeteksi adanya heterokedastisitas, yaitu :

1. Uji Park.

2. Uji Breusch Pagan Godfrey.

3. Uji White (White General Heterokedastisity Test).

Dalam penelitian ini untuk menguji ada tidaknya heterokedastisitas dengan

menggunakan Breusch Pagan Godfrey dan White General Heteroskedastisity

Test. Kriteria uji yang digunakan untuk melihat adanya heterokedastisitas adalah

jika nilai probability obs*R-squared lebih besar dari taraf nyata yang digunakan,

maka model persamaan yang digunakan tidak mengalami masalah

heterokedastisitas. Sebaliknya jika nilai probability obs*R-squared lebih kecil dari

41

taraf nyata yang digunakan, maka persamaan tersebut mengalami masalah

heterokedastisitas.

Untuk mengatasi masalah heterokedastisitas ada beberapa teknik,

diantaranya :

a. Metode Generalized Least Square (GLS).

b. Transformasi dengan logaritma.

4. Uji Multikolinearitas

Pada regresi linier berganda digunakan lebih dari satu variabel bebas untuk

menjelaskan variabel tak bebas. Asumsi yang harus dipenuhi adalah bahwa antar

variabel bebas ini tidak terdapat korelasi sehingga estimasi parameter koefisien

regresi dari masing-masing variabel bebas benar-benar mencerminkan

pengaruhnya terhadap variabel tak bebas. Multikolinearitas terjadi apabila pada

regresi linier berganda terjadi hubungan antar variabel bebas atau terjadi karena

adanya korelasi yang nyata antar peubah bebas. Pelanggaran asumsi ini akan

menyebabkan kesulitan untuk menduga yang diinginkan.

Menurut Gujarati (1993), untuk mendeteksi ada tidaknya multikolinieritas

adalah dengan memperlihatkan hasil probabilitas t-statistik hasil regresi. Jika

banyak koefisien parameter yang diduga menunjukkan hasil yang tidak signifikan,

maka hal ini mengindikasikan adanya multikolinieritas. Salah satu cara yang

paling mudah untuk mengatasi pelanggaran ini adalah dengan menghilangkan

salah satu variabel yang tidak signifikan tersebut. Hal ini sering tidak dilakukan

karena dapat menyebabkan bias parameter spesifikasi pada model. Kemudian cara

42

lain adalah dengan mencari variabel instrumental yang berkorelasi dengan

variabel terikat tetapi tidak berkorelasi dengan variabel bebas lainnya. Hal ini

agak sulit dilakukan mengingat tidak adanya informasi tentang tipe variabel

tersebut. Ada beberapa cara untuk mendeteksi ada tidaknya multikolinieritas,

salah satunya yaitu melalui correlation matric, dimana batas terjadinya korelasi

antar sesama variabel bebas adalah tidak lebih dari │0,80│.

Selain correlation matric dapat juga menggunakan Uji Klien, apabila

terdapat nilai korelasi yang lebih tinggi dari │0,80│, maka menurut Uji Klien

multikolinieritas dapat diabaikan selama nilai korelasi tersebut tidak melebihi

Adjusted R-squared. Jika tetap menggunakan OLS dalam menghitung estimasi

parameter model regresi linier berganda yang mengandung multikolinieritas maka

kita harus menghadapi konsekuensi sebagai berikut :

1. Estimator yang dihasilkan masih merupakan BLUE (Best Linear Unbiased

Estimator) tetapi memiliki varians dan kovarians yang besar sehingga sulit

mendapatkan estimasi yang tepat.

2. Interval estimasi akan cenderung melebar, sehingga nilai statistik hitung t

akan kecil akibatnya variabel bebas tidak signifikan secara individual

meskipun secara simultan signifikan.

3. Nilai korelasi simultan R-square tinggi tetapi korelasi parsial rendah.

3.4. Beberapa Kelemahan Metode Ordinary Least Square (OLS)

Ketika menggunakan data runtun waktu (time series), seringkali muncul

kesulitan-kesulitan yang sama sekali tidak dijumpai pada saat menggunakan data

43

seksi silang (cross section). Sebagian besar kesulitan tersebut berkaitan dengan

urutan pengamatan. Ada hal yang menjadi kelemahan metode Ordinary Least

Square (OLS) dengan menggunakan data time series (Gujarati, 1993) antara lain :

1. Suatu kondisi dimana satu variabel time series berubah secara konsisten

dan terprediksi sebelum variabel lain yang ditentukan demikian. Jika suatu

variabel mendahului variabel yang lain, tidak dapat dipastikan bahwa

variabel pertama tersebut menyebabkan variabel lain berubah.

2. Variabel-variabel independen Nampak lebih signifikan dari sebenarnya,

yaitu apabila variabel-variabel itu memiliki trend menarik yang sama

dengan variabel dependennya dalam kurun waktu periode sampel.

3. Terkadang variabel time series tidak stasioner. Maksudnya rata-rata dan

variannya tidak konstan sepanjang waktu dan nilai kovarian antara dua

periode waktu tergantung dari jarak atau lag antara kedua periode dari

waktu sesungguhnya dimana kovarian itu dihitung dan bukan dari periode

pada waktu.

4. Variabel time series terkadang tidak mempunyai kointegrasi yaitu dalam

jangka waktu tertentu tidak terdapat keseimbangan.

5. Sulit untuk menentukan kapan sebuah variabel tersebut penting

sebagaimana dijelaskan dalam teori atau sebaliknya teorinya kurang jelas,

maka akan muncul dilema.