III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Pada penelitian ini terdapat dua variabel yang merupakan data dunia dan

satu variabel yang merupakan data nasional. Variabel yang merupakan data dunia

yaitu harga minyak dunia dan harga pangan dunia, sedangkan variabel yang

merupakan data nasional yaitu jumlah uang beredar. Penggunaan data harga

minyak dunia dan harga pangan dunia mengacu pada penelitian-penelitian

terdahulu dan dimaksudkan untuk melihat dampak fenomena guncangan luar

negeri terhadap perekonomian regional. Penggunaan data jumlah uang beredar

pada level nasional, disebabkan tidak tersedianya data jumlah uang beredar pada

level provinsi. Selebihnya penggunaan variabel lainnya merupakan data pada

level provinsi.

Pengguanaan data IHK hanya pada lingkup ibu kota provinsi sebagai

proksi dari inflasi mengacu pada penelitian Subekti (2011), yang menganggap

bahwa ibukota provinsi sebagai pusat pertumbuhan yang akan mempengaruhi

daerah lainnya yang berada pada provinsi yang sama cukup merepresentasikan

tingkat harga pada level provinsi.

Data yang digunakan dalam penelitian ini merupakan data sekunder

berupa data tahunan periode 2001-2010 yang diambil dari publikasi resmi

pemerintah. Variabel, data, satuan dan sumber data yang digunakan dalam

penelitian ini dapat dilihat pada Tabel 3.1. Proses pengolahan data pada penelitian

ini dilakukan dengan menggunakan bantuan paket program software Microsoft

Office Excel 2007 dan Eviews 6.

28

Tabel 3.1 Variabel, Data yang Digunakan dan Sumbernya

Data (Variabel) Data yang digunakan Satuan Sumber Data Inflasi (P) Indeks Harga Konsumen

(IHK) Masing-Masing Ibu Kota Provinsi rebasing :

tahun dasar 2002

Indeks Badan Pusat Statistik (BPS)

Jumlah Uang Beredar (M)

Jumlah Uang Beredar dalam Arti Sempit (M1)

Miliar Rupiah

Bank Indonesia (BI)

Pengeluaran Pemerintah

(GEXP)

Pengeluaran Pemerintah Daerah

Miliar Rupiah

BPS

Pertumbuhan Ekonomi (Y)

Produk Domestik Regional Bruto (PDRB) rebasing :

tahun dasar 2000

Juta Rupiah BPS

Harga Minyak Dunia (OIL_P)

Harga Minyak Dunia US$/Barel Organization of the

Petroleum Exporting Country (OPEC)

Harga Pangan Dunia

(FOOD_P)

Indeks Harga Komoditi Pangan Dunia (55 Komoditi)

Indeks Food Agricultural Organization

(FAO) Tingkat Upah

(W) Upah Minimum Regional (UMR) Masing-Masing

Provinsi

Rupiah BPS

Kondisi Infrastruktur

(KI)

Rasio Panjang Jalan Raya dengan Kondisi Baik dan Luas Wilayah Provinsi

Km/Km BPS 2

3.2 Metode Analisis

3.2.1 Analisis Deskriptif

Metode analisis deskriptif merupakan suatu metode analisis sederhana

yang dapat digunakan untuk menggambarkan kondisi suatu observasi dengan

menyajikannya dalam bentuk tabel, grafik maupun narasi dengan tujuan untuk

memudahkan pembaca dalam menafsirkan hasil observasi.

Metode analisis deskriptif dalam penelitian ini dilakukan untuk

mengetahui gambaran umum mengenai perkembangan laju inflasi yang terjadi di

Pulau Jawa selama kurun waktu 2001-2010 dan juga untuk menggambarkan

29

hubungan antara inflasi dengan variabel-variabel yang memengaruhi pada

peneltian ini.

3.2.2 Analisis Ekonometrika

Metode analisis ekonometrika yang digunakan pada penelitian ini adalah

metode analisis regresi data panel (pooled data). Data panel adalah gabungan dari

data time series dan data cross section. Penggunaan metode data panel sudah

banyak dipakai saat ini sebab adanya kelemahan dalam pendekatan metode cross

section saja atau pendekatan time series. Jika hanya menggunakan metode cross

section saja, pengamatan yang diamati hanya pada titik tertentu saja, sehingga

perkembangan pengamatan tersebut dalam kurun waktu tertentu tidak dapat

diestimasi. Pada pendekatan metode time series juga menimbulkan persoalan

yaitu peubah-peubah yang diobservasi secara agregat hanya dari satu unit individu

sehingga memberi peluang untuk menghasilkan estimasi yang sifatnya bias.

Penggunaan data panel ini merupakan konsekuensi dari kemampuan dan

keterbatasan kedua metode analisis diatas. Penggabungan data cross section dan

time series dalam studi data panel digunakan untuk mengatasi kelemahan dan

menjawab pertanyaan yang tidak dapat dijawab oleh pendekatan metode cross

section dan time series murni. Data cross section yang sama diobservasi menurut

waktu. Jika setiap unit cross section memiliki observasi time series yang sama

maka disebut sebagai balanced panel, sebaliknya jika jumlah observasi berbeda

maka disebut sebagai unbalanced panel.

Beberapa keunggulan dari penggunaan data panel dalam analisis

ekonometrika dikemukakan oleh Baltagi (2005) yaitu, pertama mengontrol

heterogenitas individu. Data panel menyatakan bahwa individu, perusahaan,

tempat atau negara adalah heterogen. Dalam data panel terdiri dari besaran dan

waktu sehingga ada banyak variabel-variabel lain yang mungkin menjadi state-

invariant atau time-invariant yang dapat memengaruhi variabel dependen. Data

panel memberikan peluang perlakuan setiap unit-unit individu yang dianalisis

adalah heterogen. Kedua, data panel memberikan informasi yang lebih banyak

dan beragam, meminimalisasi masalah kolinieritas antar variabel, meningkatkan

30

derajat bebas dan lebih efisien. Pendekatan metode time series dapat

menyebabkan multikoliniearitas, dengan data cross section menambah banyak

variabilitas, menambah lebih banyak informasi sehingga dapat menghasilkan

parameter estimasi yang dapat diandalkan. Ketiga, data panel lebih baik dalam

mempelajari dynamics of adjustment. Distribusi cross section yang kelihatan

stabil dapat menyembunyikan banyak perubahan yang sulit untuk diidentifikasi.

Masa pengangguran, pergantian pekerjaan, tempat tinggal dan pergerakan

pendapatan merupakan contoh data yang lebih baik dipelajari dengan data panel.

Data panel juga cocok untuk mempelajari durasi dari variabel besaran ekonomi

seperti pengangguran, kemiskinan dan inflasi dan juga dapat menjelaskan dalam

kecepatan respon perubahan kebijakan ekonomi.

Data panel juga dibutuhkan untuk mengestimasi hubungan antar massa,

siklus hidup dan intergenerasi (intergenerational). Data panel ini dapat

menghubungkan pengalaman individu dan tingkah laku dalam satu titik waktu

dengan pengalaman dan tingkah laku dalam titik waktu yang berbeda. Keempat,

data panel lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat

dideteksi oleh cross section murni maupun time series murni. Seperti contoh,

dalam menentukan apakah anggota serikat buruh dapat meningkatkan atau

menurunkan upah. Hal ini dapat dijawab dengan mengobservasi seorang pekerja

yang bergerak dari serikat buruh ke nonserikat buruh atau sebaliknya. Dengan

mengasumsikan karakteristik individu yang konstan, dilengkapi dengan variabel

yang lain untuk menentukan apakah keanggotaan serikat buruh memengaruhi

upah dan dengan berapa banyak upah tersebut bisa berpengaruh terhadap

keanggotaan serikat buruh (Friedman dalam Baltagi (2005)). Kelima, model data

panel dapat digunakan untuk mengkonstruksi dan menguji model perilaku secara

kompleks apabila dibandingkan dengan cross section atau time series murni. Pada

kenyataanya, indikator dalam perekonomian sebagian besar bersifat dinamis.

Hubungan dinamis ini dapat diketahui dengan adanya lag variabel endogen yang

terdapat pada variabel eksogen. Verbeek (2004) menjelaskan kelebihan dari

penggunaan metode data panel bila dibandingkan dengan metode cross section

dan time series murni. Kombinasi data cross section dan time series membuat

jumlah data atau observasi yang digunakan dalam model data panel umumnya

31

lebih besar bila dibandingkan dengan model cross section dan time series murni.

Selain itu, variabel penjelas dalam model data panel lebih bervariasi atau

marginal effect dalam dua dimensi (ruang atau individu dan waktu), sehingga

selain dapat dianalisis variasi antar ruang (individu) dan waktu, penduga yang

didasari oleh data panel lebih akurat dibandingkan cross section dan time series

murni. Menurut Baltagi (2005), permasalahan tersebut antara lain: (i) relatif

terbatasnya data karena melibatkan komponen cross section dan time series

menimbulkan masalah desain survei panel, pengumpulan dan manajemen data

(masalah yang umumnya dihadapi diantaranya: coverage, nonresponse,

kemampuan daya ingat responden (recall), frekuensi dan waktu wawancara); (ii)

distorsi kesalahan pengamatan (measurement error) yang umumnya terjadi karena

kegagalan respon (contoh: pertanyaan yang tidak jelas, ketidaktepatan informasi,

dan lain-lain); (iii) masalah selektivitas, yakni: selfselectivity, nonresponse,

attrition (jumlah responden yang terus berkurang pada survei lanjutan); (iv) cross

section dependence (contoh: apabila macropanel data dengan unit analisis negara

atau wilayah dengan deret waktu yang panjang mengabaikan cross-country

dependence maka dapat mengakibatkan kesimpulan-kesimpulan yang tidak tepat

(misleading inference)).

Umumnya terdapat tiga pendekatan yang biasa diaplikasikan pada metode

data panel, yaitu Pooled Least Square (PLS), Fixed Effect Model (FEM) dan

Random Effect Model (REM). Selain itu, didalam melakukan pengolahan data

panel juga terdapat kriteria pembobotan yang berbeda-beda yaitu No weighting

(semua observasi diberi bobot sama), Cross section weight (Generalized Least

Square (GLS) dengan menggunakan estimasi varians residual cross section,

digunakan apabila terdapat pelanggaran asumsi cross section heteroskedasticity),

dan Seemingly Uncorrelated Regression (SUR) (GLS dengan menggunakan

covariance matrix cross section). Metode ini mengoreksi baik heteroskedastisitas

maupun autokorelasi antar unit cross section.

32

3.2.2.1 Pooled Least Square

Pada prinsipnya, pendekatan ini adalah menggunakan gabungan dari

seluruh data (pooled), sehingga terdapat N × T observasi, dimana N menunjukkan

jumlah unit cross-section dan T menunjukkan jumlah time-series yang digunakan.

Persamaan pada estimasi yang menggunakan Pooled Least Square (PLS) dapat

dituliskan dalam bentuk sebagai berikut (Baltagi, 2005):

........................................................................................(3.1)

dimana :

= nilai variabel terikat (dependent variable) untuk setiap unit cross section

= nilai variabel penjelas (explanatory variable) ke-j untuk setiap cross section

α = intercept yang konstan antar waktu dan cross section

= slope untuk variabel ke-j yang konstan antar waktu dan cross section

= komponen error untuk setiap unit cross section ke-i pada periode waktu t.

N adalah jumlah unit cross section, T adalah jumlah periode waktunya dan K

adalah jumlah variabel penjelas.

Keunggulan dalam penggunaan metode PLS adalah dengan

mengkombinasikan semua data cross-section dan data time-series, dapat

meningkatkan derajat kebebasan sehingga dapat memberikan hasil estimasi yang

lebih efisien. Sementara, kelemahan pada metode PLS terletak pada dugaan

parameter akan bias. Parameter yang bias ini disebabkan karena PLS tidak

dapat membedakan observasi yang berbeda pada periode yang sama, atau tidak

dapat membedakan observasi yang sama pada periode yang berbeda (Firdaus,

2011).

3.2.2.2 Fixed Effect Model

Fixed effect model (FEM) memasukkan unsur variabel dummy sehingga

intersept α bervariasi antar individu maupun antar unit waktu. FEM lebih tepat

digunakan jika data yang diteliti ada pada tingkat individu serta jika terdapat

korelasi antara εit dan xit. Persamaan pada estimasi menggunakan FEM dapat

dituliskan dalam bentuk sebagai berikut (Baltagi, 2005):

33

Yit = β1i + β2X2it + β3X3it +

uit

Kelebihan pendekatan FEM adalah dapat menghasilkan dugaan parameter

yang tidak bias dan efisien. Tetapi kelemahannya adalah jika jumlah unit

observasinya besar maka akan mengurangi derajat bebas model, sehingga akan

mengurangi tingkat keakuratan model (Firdaus, 2011).

..............................................................................(3.2)

3.2.2.3 Random Effect Model

Random Effect Model (REM) muncul ketika antara efek individu dan

regresor tidak memiliki korelasi. Asumsi ini membuat komponen error dari efek

individu dimasukkan ke dalam error pada persamaan regresi. Persamaan estimasi

pada REM adalah sebagai berikut (Baltagi, 2005):

…………………………………………………………(3.3)

dengan

dimana :

~ N (0, δu2

~ N (0, δv

) = komponen cross section error 2

~ N (0, δw

) = komponen time series error 2

Asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu

juga dengan error kombinasinya.

) = komponen error kombinasi

3.2.2.4 Pengujian Model

Untuk memilih model mana yang paling tepat digunakan untuk

pengolahan data panel, maka terdapat beberapa pengujian yang dapat dilakukan,

antara lain:

34

1. Chow Test

Chow Test merupakan pengujian untuk memilih apakah model yang

digunakan PLS atau FEM. Dalam pengujian ini dilakukan dengan hipotesis

sebagai berikut:

H0

H

: PLS

1

Dasar penolakan terhadap hipotesis nol tersebut adalah dengan

menggunakan F-statistic seperti yang dirumuskan oleh Chow (1967):

: FEM

……...…………………………(3.4)

dimana:

RRSS = Restricted Residual Sum Square (Sum Square Residual PLS)

URSS = Unrestricted Residual Sum Square (Sum Square Residual FEM)

N = jumlah data cross section

T = jumlah data time series

K = jumlah variabel independen

Dimana pengujian ini mengikuti distribusi F yaitu . Jika

nilai Chow Test (F-statistic) hasil pengujian lebih besar dari F-Tabel, maka cukup

bukti bagi kita untuk melakukan penolakan terhadap H0

2. Hausman Test

sehingga model yang kita

gunakan adalah FEM, begitu juga sebaliknya.

Hausman Test adalah pengujian statistik sebagai dasar pertimbangan kita

dalam memilih apakah menggunakan FEM atau REM. Pengujian ini dilakukan

dengan hipotesis sebagai berikut:

H0

H

: REM

1

Sebagai dasar penolakan H

: FEM

0

…………....(3.5)

maka digunakan statistik Hausman dan

membandingkannya dengan Chi square. Statistik Hausman dirumuskan dengan:

35

dimana M adalah matriks kovarians untuk parameter β dan k adalah derajat bebas

yang merupakan jumlah variabel independen.

Jika nilai statistik Hausman hasil pengujian lebih besar dari , maka

cukup bukti untuk melakukan penolakan terhadap H0

sehingga model yang

digunakan adalah FEM, begitu juga sebaliknya.

3.2.2.5 Metode Evaluasi Model

Setelah selesai melakukan pengolahan data dengan metode analisis data

panel, harus dilakukan evaluasi terhadap model estimasi yang dihasilkan. Metode

estimasi yang dihasilkan melalui metode analisis data panel tersebut harus

dievaluasi berdasarkan tiga kriteria sebagai berikut:

I. Kriteria Ekonometrika

II. Kriteria Statistik

III. Kriteria Ekonomi

I. Kriteria Ekonometrika

Model estimasi regresi linear yang ideal dan optimal harus menghasilkan

estimator yang memenuhi kriteria Best Linear Unbiased Estimator (BLUE),

antara lain sebagai berikut :

a. Estimator linear artinya adalah estimator merupkan sebuah fungsi linear

atas sebuah variabel dependen yang stokastik.

b. Estimator tidak bias artinya nilai ekspektasi sesuai dengan nilai yang

sebenarnya.

c. Estimator harus mempunyai varians yang minimum. Estimator yang tidak

bias dan memiliki varians minimum disebut estimator yang efisien.

Terdapat beberapa permasalahan yang dapat menyebabkan sebuah

estimator dikatakan tidak memenuhi kriteria BLUE jika melanggar beberapa

asumsi antara lain sebagai berikut:

1. Normalitas

Pengujian asumsi normalitas dilakukan untuk melihat apakah error term

mengikuti distribusi normal atau tidak. Jika asumsi normalitas ini tidak dipenuhi

36

maka prosedur pengujian dengan menggunakan uji t-statistic menjadi tidak sah.

Pengujian asumsi normalitas dilakukan dengan Jarque Bera Test atau dengan

melihat plot dari sisaan. Hipotesis dalam pengujian normalitas adalah:

H0

H

: Residual berdistribusi Normal

1

Dasar penolakan H

: Residual tidak berdistribusi Normal

0 dilakukan dengan membandingkan nilai Jarque Bera

dengan taraf nyata α sebesar 0,05, dimana jika nilai Jarque Bera Test lebih besar

dari taraf nyata α 0,05 menandakan H0

2. Multikolinearitas

tidak ditolak dan residual berdistribusi

normal.

Istilah multikolinearitas berarti terdapat hubungan linier sempurna antar

peubah bebas dalam suatu model regresi. Dalam prakteknya, kita sering

dihadapkan dengan masalah peubah-peubah bebas yang tingkat

multikoliniearitasnya tidak sempurna tetapi tinggi. Jika kita berhadapan dengan

adanya peubah-peubah bebas yang seperti ini, maka dugaan parameter koefisien

regresi masih mungkin diperoleh, tetapi interpretasinya akan menjadi sulit.

Gujarati (2003) menyatakan indikasi terjadinya multikolinearitas dapat terlihat

melalui:

a. Nilai R2

b. Korelasi berpasangan yang tinggi antara variabel-variabel independennya.

yang tinggi tetapi sedikit rasio yang signifikan.

c. Melakukan regresi tambahan (auxiliary) dengan memberlakukan variabel

independen sebagai salah satu variabel dependen dan variabel independen

lainnya tetap diberlakukan sebagai variabel independen.

Menurut Juanda (2009), ada beberapa cara untuk mendeteksi adanya

multikolinearitas di dalam suatu model. Pertama atau merupakan syarat cukup

(sufficient condition) adalah melalui Uji koefisien korelasi sederhana (Pearson

correlation coefficient), jika korelasi antar peubah-peubah bebas sangat tinggi dan

nyata, dapat dikatakan terjadi multikolinearitas. Menurut Gujarati (2003), batas

terjadinya korelasi antar variabel bebas adalah tidak boleh lebih dari tanda mutlak

0,8. Kedua atau merupakan syarat perlu (necessary condition) apabila syarat

cukup tidak terpenuhi yaitu, dapat dilakukan dengan melihat nilai Variance

Inflation Factor (VIF), dimana:

37

……………………………………………………………(3.6)

nilai VIF ini menggambarkan kenaikan varians dari dugaan parameter antar

peubah penjelas. Apabila nilai VIF lebih dari 5 atau 10, maka taksiran parameter

kurang baik atau terjadi multikoliniearitas.

Perlu diingat jika tujuan pemodelan hanya untuk peramalan nilai peubah

tak bebas dan bukan untuk mengkaji hubungan atau pengaruh peubah-peubah

bebas terhadap peubah tak bebas, maka masalah multikolinearitas bukan masalah

yang serius. Akan tetapi jika tujuan pemodelan adalah untuk menduga hubungan

atau pengaruh peubah-peubah bebas terhadap peubah tak bebas, maka masalah

multikoliniearitas menjadi masalah yang serius. Oleh karena itu terdapat beberapa

cara yang dapat digunakan untuk mengatasi multikoliniearitas, antara lain

(Juanda, 2009):

a. Memanfaatkan informasi sebelumnya (prior information).

b. Mengeluarkan peubah dengan koliniearitas tinggi, tetapi dapat

menimbulkann bias spesifikasi model.

c. Melakukan transformasi terhadap peubah-peubah dalam model menjadi

bentuk first difference.

d. Menggunakan regresi komponen utama (principal component).

e. Penambahan data baru.

3. Heteroskedastisitas

Salah satu asumsi dasar dari metode regresi linear adalah varians tiap

unsur error adalah suatu angka konstan yang sama dengan δ2

a. Dugaan parameter koefisien regresi tetap tidak bias dan masih konsisten,

tetapi standar errornya dapat bias ke bawah.

. Heteroskedastisitas

terjadi ketika varians tiap unsur error tidak konstan. Guajarati (2003) menyatakan

heteroskedastisitas memiliki beberapa konsekuensi, diantaranya adalah :

b. Perhitungan standar error tidak lagi dapat dipercaya kebenarannya karena

varians tidak minimum sehingga dapat menghasilkan estimasi regresi yang

tidak efisien.

c. Uji hipotesis yang didasarkan pada uji F-statistic dan t-statistic tidak

dipercaya.

38

Cara mendeteksi adanya pelanggaran asumsi heteroskedastisitas dalam

metode data panel dapat dilakukan dengan menggunakan grafik standardized

residual, apabila secara grafis menunjukkan bahwa ragam sisaan menyebar

normal maka dapat dinyatakan tidak terjadi pelanggaran asumsi

heteroskedastisitas.

4. Autokorelasi

Gujarati (2003) menyatakan autokorelasi adalah korelasi antara anggota

serangkaian observasi yang diurutkan menurut waktu seperti dalam data time

series atau diurutkan menurut ruang seperti dalam data cross section. Suatu model

dikatakan memiliki autokorelasi jika error dari periode waktu (time series) yang

berbeda saling berkorelasi. Masalah autokorelasi ini akan menyebabkan model

menjadi tidak efisien meskipun masih tidak bias dan konsisten. Autokorelasi

menyebabkan estimasi standar error dan varian koefisien regresi yang diperoleh

akan underestimate, sehingga R2

Untuk mendeteksi masalah autokorelasi yang paling umum dapat

dilakukan dengan melihat nilai Durbin-Watson statistic pada model dibandingkan

dengan nilai DW-Tabel. Sebuah model dapat dikatakan terbebas dari autokorelasi

jika nilai Durbin-watson statistic terletak di area nonautokorelasi. Penentuan area

tersebut dibantu dengan nilai tabel D

akan besar tetapi di uji t-statistic dan uji F-

statistic menjadi tidak valid.

L dan DU.

H

Jumlah observasi (N) dan jumlah

variabel independen (K). Dengan menggunakan hipotesis pengujian sebagai

berikut:

0

H

: Tidak terdapat autokorelasi

1

Maka aturan pengujiannya adalah sebagai berikut :

: Terdapat autokorelasi

0 < d < DL : tolak H0

D

, ada autokorelasi positif

L ≤ d ≤ DU

D

: daerah ragu-ragu, tidak ada keputusan

U < d < 4 – DU : terima H0

4 - D

, tidak ada autokorelasi

U ≤ d ≤ 4-DL

4 – D

: daerah ragu-ragu, tidak ada keputusan

L < d < 4 : tolak H0

, ada autokorelasi negatif

39

II. Kriteria Statistik

Evaluasi model berdasarkan kriteria statistik dilakukan dengan beberapa

pengujian antara lain sebagai berikut:

a. Koefesien Determinasi (R2

Nilai R

) 2 digunakan untuk mengukur seberapa besar tingkat variabel

independen yang digunakan dalam penelitian dapat menjelaskan variabel

dependen. Nilai tersebut menunjukkan seberapa dekat garis regresi yang kita

estimasi dengan data yang sesungguhnya. Nilai R2

b. Uji F-statistic

terletak antara nol hingga satu

dimana semakin mendekati satu maka model akan semakin baik.

Uji F-statistic digunakan untuk mengetahui apakah variabel-variabel

independen yang digunakan dalam penelitian secara bersama-sama signifikan

memengaruhi variabel dependen. Nilai F-statistic yang besar lebih baik

dibandingkan dengan F-statistic yang rendah. Nilai Prob(F-statistic) merupakan

tingkat signifikansi marginal dari F-statistic. Dengan menggunakan hipotesis

pengujian sebagai berikut:

H0 : β1=β2=…=βk

H

=0

1 : minimal ada salah satu βj

Tolak H

yang tidak sama dengan nol

0 jika F-statistic > F α(k-1,NT-N-K) atau Prob(F-statistic) < α. Jika H0

c. Uji t-statistic

ditolak,

maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa

variabel independen yang digunakan di dalam model secara bersama-sama

signifikan memengaruhi variabel dependen.

Uji t-statistic digunakan untuk mengetahui apakah variabel-variabel

independen secara parsial berpengaruh signifikan terhadap variabel dependen.

Dengan menggunakan hipotesis pengujian sebagai berikut:

H0 : βj

H

= 0

1 : βj

Tolak H

≠ 0

0 jika t-statistic > t α/2(NT-K-1) atau (t-statistic) < t-tabel. Jika H0

ditolak,

maka artinya dengan tingkat keyakinan 1-α kita dapat menyimpulkan bahwa

variabel independen ke-i secara parsial memengaruhi variabel dependen.

40

III. Kriteria Ekonomi

Evaluasi model estimasi berdasarkan kriteria ekonomi dilakukan dengan

membandingkan kesesuaian tanda dan nilai estimator dengan teori ekonomi dan

kesesuaian dengan logika.

3.2.3 Aplikasi Regresi Data Panel

Analisis data panel pada umumnya menggunakan data dalam bentuk level

dengan tujuan untuk memudahkan interpretasi model, namun jika kemudian

penelitian menggunakan data time series yang mengandung tren, maka sebaiknya

dilakukan pengujian unit root, untuk memastikan bahwa hubungan antara peubah

tak bebas dan peubah bebas tidak menunjukkan spurious regression. Bila hasil

pengujian unit root menunjukkan adanya tren pada data level, maka seperti

biasanya, harus dilakukan pembedaan pertama (first differencing) untuk

menghindari hasil yang misleading. Perlu diingat bahwa metode yang digunakan

dalam penelitian ini adalah metode regresi data panel, maka pengujian unit root

yang digunakan bukan menggunakan metode biasa, tetapi menggunakan panel

unit root. Pengujian ini disarankan oleh Baltagi (2005) untuk data panel dengan N

dan T yang relatif tidak besar.

Hipotesis nol yang digunakan dalam pengujian panel unit root sama

seperti pada pengujian unit root untuk data time series murni, hanya saja statistik

uji yang digunakan merupakan pengembangan lebih lanjut dari statistik uji

Augmented Dickey-Fuller (ADF) dan Phillips-Perron (PP). Statistik uji yang

digunakan dalam menguji panel unit root terdiri dari dua jenis, yaitu common unit

root yang terdiri dari statistik uji Levin, Lin and Chu (LLC) dan Breitung’s test;

serta individual unit root yang terdiri dari statistik uji Im, Pesaran and Shin (IPS),

ADF - Fisher test dan PP - Fisher test. Setelah diperoleh hasil pengujian yang

menyatakan bahwa series dari data panel tidak mengandung unit root maka

estimasi bisa dilakukan.

41

3.3 Perumusan Model Penelitian

Rancangan model yang akan diajukan adalah mengacu pada penelitian

Lestari (2003) dengan melakukan beberapa modifikasi pada variabel. Pada model

penelitian ini terdapat tujuh variabel independen, dengan variabel dependennya P

dan variabel independennya adalah M, GEXP, Y, W, KI, OIL_P dan FOOD_P.

Data yang diperoleh pada variabel-variabel tersebut ternyata berbeda satuan dan

berada dalam nilai yang sangat besar. Oleh karena itu, untuk memudahkan dalam

mengolah data dan interpretasi hasil akhir, seluruh variabel yang berbeda satuan

akan ditransformasi sehingga menjadi bentuk satuan yang sama, yaitu dalam

bentuk logaritma natural. Dengan model tersebut diharapkan bahwa hasil regresi

yang diperoleh akan lebih efisien dan mudah untuk diinterpretasikan.

Sesuai dengan keterangan di atas, maka spesifikasi model tersebut secara

ekonometrika akan menjadi model sebagai berikut :

Ln(Pit) = α +β1 Ln(Mit) + β2 Ln(GEXPit) + β3 ln(Yit) + β4 Ln(Wit

β

) +

5 Ln(KIit) + β6 Ln(OIL_Pit) + β7 Ln(FOOD_Pit) +

εit

Model pada persamaan (3.7) merupakan model pada data level, jika

kemudian terdapat unit root pada data level, maka persamaan (3.8) harus dirubah

menjadi persamaan pada first differencing, sehingga akan diperoleh persamaan

sebagai berikut :

……………………..…..(3.7)

Ln(∆Pit) = α +β1 Ln(∆Mit) + β2 Ln(∆GEXPit) + β3 ln(∆Yit) + β4 Ln(∆Wit

β

) +

5 Ln(∆KIit) + β6 Ln(∆OIL_Pit) + β7 Ln(∆FOOD_Pit) +

εit

dimana:

…………...……..…(3.8)

∆P : Perubahan harga (Inflasi)

∆M : Perubahan jumlah uang beredar

∆GEXP : Perubahan pengeluaran pemerintah daerah

∆Y : Perubahan pertumbuhan ekonomi daerah

∆W : Perubahan upah minimum regional

∆KI : Perubahan kondisi infrastruktur daerah

42

∆OIL_P : Perubahan harga minyak dunia

∆FOOD_P : Perubahan harga pangan dunia

Subskrip (i) menandakan kondisi pada provinsi ke-i dan (t) menandakan

pengamatan pada tahun ke-t.