III. METODE PENELITIAN

3.1 Jenis dan Sumber Data

Jenis data yang digunakan dalam penelitian ini adalah data sekunder

berupa data panel (pooled data) yang merupakan gabungan data silang (cross

section) dan data runtun waktu (time series) selama kurun waktu 1996-2010 pada

delapan negara ASEAN 5+3 yaitu Indonesia, Malaysia, Singapura, Thailand,

Filipina, Korea Selatan, Jepang dan China. Jenis data panel yang digunakan dalam

penelitian ini adalah balanced panel dimana setiap unit cross section memliki

jumlah observasi time series yang sama. Sumber data yang digunakan berasal dari

World Bank dan Asian Development Bank (ADB).

Tabel 1. Variabel, Data yang Digunakan, dan Sumber Data

Variabel Data yang Digunakan Sumber Data

(1) (2) (3) SIGAP Persentase Kesenjangan antara Tabungan

Domestik dan Investasi Domestik terhadap GDP Tahunan (data dalam persen)

ADB

FDI Persentase Nilai FDI Inflow terhadap GDP Tahunan (data dalam persen)

World Bank

CPI Persentase Tingkat Inflasi Berdasarkan Consumer Price Index Tahunan (data dalam persen)

World Bank

TP Jumlah Populasi Tahunan (data dalam jumlah jiwa)

World Bank

GROWTH Tingkat Rata-Rata Pertumbuhan Ekonomi Tahunan (data dalam persen)

World Bank

DKRISIS Variabel dummy krisis

3.2 Metode Pengolahan Data

Pengolahan atas data sekunder untuk variabel kesenjangan tabungan dan

investasi, FDI Inflow, tingkat inflasi, total populasi, pertumbuhan ekonomi dan

dummy krisis ekonomi untuk mengetahui faktor-faktor yang memengaruhi

kesenjangan tabungan dan investasi domestik menggunakan beberapa paket

program statistik seperti Microsoft Office Excel 2007 dan EViews 6.0. Kegiatan

pengolahan data dengan Microsoft Office Excel 2007 meliputi pembuatan tabel

28

dan grafik untuk analisis deskriptif. Pengujian signifikasi analisis regresi data

panel menggunakan EViews 6.0 sebagai program pengolahan datanya.

3.3 Metode Analisis Data

Metode analisis data yang digunakan antara lain metode analisis deksriptif

dan metode analisis inferensia. Metode analisis deskriptif digunakan untuk

memberikan gambaran umum mengenai kondisi kesenjangan tabungan dan

investasi domestik di negara ASEAN 5+3 meliputi perkembangan tabungan dan

investasi domestik dan beberapa variabel lain seperti FDI, tingkat inflasi, total

populasi, pertumbuhan ekonomi dan krisis ekonomi di negara ASEAN 5+3.

Metode analisis inferensia yang dilakukan untuk mengestimasi model ini

adalah pendekatan ekonometrika dengan metode analisis regresi data panel.

Baltagi (2008) menyatakan bahwa keunggulan penggunaan analisis data panel

antara lain sebagai berikut :

1. Analisis data panel memiliki kontrol terhadap heterogenitas data individual

dalam satu periode waktu.

2. Analisis data panel menyajikan data yang lebih informatif, lebih bervariasi,

memiliki kolinearitas antar variabel yang kecil, memiliki derajat kebebasan

yang lebih besar dan lebih efisien.

3. Analisis data panel lebih tepat dalam mempelajari dinamika penyesuaian

(dynamics of change).

4. Analisis data panel dapat lebih baik mengidentifikasi dan mengukur pengaruh

yang secara sederhana tidak dapat terdeteksi dalam data cross section atau

time series saja.

5. Model analisis data panel dapat digunakan untuk membuat dan menguji

model perilaku yang lebih kompleks dibandingkan analisis data cross section

murni atau time series murni.

6. Analisis data panel pada level mikro dapat meminimisasi atau menghilangkan

bias yang terjadi akibat agregasi data ke level makro.

29

3.3.1 Uji Stasioneritas Data Panel

Analisis data panel umumnya menggunakan data dalam bentuk level

dengan tujuan untuk memudahkan interpretasi model, namun jika kemudian

penelitian menggunakan data dengan series yang yang mengandung tren, maka

perlu dilakukan pengujian unit root, untuk memastikan bahwa hubungan antara

variabel dependen dan variabel independen 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 terjadinya hasil yang misleading. Perlu diingat

bahwa karena data yang digunakan dalam penelitian adalah data panel, maka

pengujian unit root yang digunakan bukan menggunakan metode yang 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 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 dilaksanakan.

3.3.2 Metode Estimasi Regresi Data Panel

Data panel adalah satu set observasi yang terdiri dari beberapa individu

pada suatu periode tertentu. Observasi tersebut merupakan pasangan yit (variabel

terikat) dengan xit (variabel bebas) dimana i menunjukkan individu, t

menunjukkan waktu, dan j menunjukkan variabel bebas yang dinyatakan dalam

sebuah persamaan berikut:

yit = α + βxjit + εit (3.1)

30

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

komponen error dalam pengolahan kuadrat

2. Fixed Effect Model

emasukkan unsur variabel dummy sehingga intersept

it it

it 1i 2 2it 3 3it it (3.3)

Metode estimasi regresi data panel dengan menggunakan data panel dapat

dilakukan melalui tiga pendekatan, antara lain :

1. Pooled Least Square Model

Pooled Least Square Model merupakan metode estimasi model regresi

data panel yang paling sederhana dengan asumsi intercept dan koefisien slope

yang konstan antar waktu dan cross section (Common Effect). Persamaan pada

estimasi menggunakan Pooled Least Square Model dapat dituliskan dalam bentuk

sebagai berikut :

(3.2)

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.

adalah jumlah variabel penjelas.

Dengan mengasumsikan

terkecil biasa, kita dapat melakukan proses estimasi secara terpisah untuk setiap

cross section. Kelemahan Pooled Least Square Model ini adalah dugaan

parameter β akan bias karena tidak dapat membedakan observasi yang berbeda

pada periode yang sama serta tidak dapat membedakan observasi yang sama pada

periode yang berbeda.

Fixed effect model m

α bervariasi antar individu maupun antar unit waktu. Fixed effect model lebih

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

korelasi antara ε dan x . Persamaan pada estimasi menggunakan Fixed effect

model dapat dituliskan dalam bentuk sebagai berikut :

Y = β + β X + β X + u

31

Asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu

g paling tepat digunakan untuk

Test

erupakan pengujian untuk memilih apakah model yang

0

1

Keputusan memasukkan variabel dummy ini harus didasarkan pada

pertimbangan statistik. Penambahan variabel dummy ini akan dapat mengurangi

banyaknya degree of freedom yang akhirnya akan memengaruhi keefisienan dari

parameter yang diestimasi. Kelebihan pendekatan ini adalah dapat menghasilkan

dugaan parameter β yang tidak bias dan efisien. Tetapi kelemahannya jika jumlah

unit observasinya besar maka akan terlihat rumit.

3. Random Effect Model

Random Effect Model disebut juga komponen error (error component

model) karena di dalam model ini parameter yang berbeda antar unit cross section

maupun antar waktu yang dimasukkan ke dalam error. Persamaan pada estimasi

menggunakan Random Effect Model dapat dituliskan dalam bentuk sebagai

berikut :

(3.4)

dengan (3.5)

dimana :

~ N (0, δu2) = komponen cross section error

~ N (0, δv2) = komponen time series error 2~ N (0, δw ) = komponen error kombinasi

juga dengan error kombinasinya.

3.3.3 Pengujian Model Data Panel Statis

Untuk memilih model mana yan

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

antara lain:

1. Chow

Chow Test m

digunakan Pooled Least Square Model atau Fixed Effect Model. Dalam pengujian

ini dilakukan dengan hipotesis sebagai berikut:

H : Pooled Least Square Model

H : Fixed Effect Model

32

n terhadap hipotesis nol tersebut adalah dengan

ngg

/

Dasar penolaka

me unakan F-Statistic seperti yang dirumuskan oleh Chow: / ~ , (3.6)

dimana:

tricted Residual Sum Square (Sum Square Residual PLS)

ed)

en

uti distribusi F yaitu , . Jika

lai C

2. Hausman Test

dalah pengujian statistik sebagai dasar pertimbangan kita

enolakan H0 maka digunakan statistik Hausman dan

emba e

)

dimana M adalah matriks kovarians untuk parameter β dan k adalah deraj

sar dari , maka cukup bukti

el ya

RRSS = Res

URSS = Unrestricted Residual Sum Square (Sum Square Residual Fix

N = jumlah data cross section

T = jumlah data time series

K = jumlah variabel independ

Dimana pengujian ini mengik

ni HOW Statistics (F Statistic) hasil pengujian lebih besar dari F Tabel, maka

cukup bukti bagi kita untuk melakukan penolakan terhadap H0 sehingga model

yang kita gunakan adalah Fixed Effect Model, begitu juga sebaliknya.

Hausman Test a

dalam memilih apakah menggunakan Fixed Effect Model atau Random Effect

Model. Pengujian ini dilakukan dengan hipotesis sebagai berikut:

H0 : Random Effect Model

H1 : Fixed Effect Model

Sebagai dasar p

m ndingkannya dengan Chi squar . Statistik Hausman dirumuskan dengan:

~ (3.7

at bebas

yang merupakan jumlah variabel independen.

Jika nilai H hasil pengujian lebih be

untuk melakukan penolakan terhadap H0 sehingga mod ng digunakan adalah

Fixed Effect Model, begitu pula sebaliknya.

33

.4 Metode Evaluasi Model

Setelah hasil pengolahan data dengan metode analisis data panel selesai

asi terhadap model estimasi yang dihasilkan.

etrika

Model estimasi regresi linear yang ideal dan optimal harus menghasilkan

a Best Linear Unbiased Estimator (BLUE) yang

ntara

n yang stokastik.

iliki varians minimum disebut estimator yang efisien.

Pengujian asumsi normalitas dilakukan untuk melihat apakah error term

al atau tidak. Jika asumsi normalitas ini tidak dipenuhi

aka p

3

dilakukan, harus dilakukan evalu

Metode estimasi yang dihasilkan melalui metode analisis data panel tersebut harus

dievaluasi berdasarkan tiga kriteria sebagai berikut:

1. Kriteria Ekonometrika

2. Kriteria Statistik

3. Kriteria Ekonomi

3.4.1 Kriteria Ekonom

estimator yang memenuhi kriteri

a lain sebagai berikut :

a. Estimator linear artinya adalah estimator merupakan sebuah fungsi linear atas

sebuah variabel depende

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

sebenarnya.

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

bias dan mem

Terdapat beberapa permasalahan yang dapat menyebabkan sebuah estimator

tidak dapat memenuhi asumsi kriteria BLUE antara lain sebagai berikut:

1. Normalitas

mengikuti distribusi norm

m rosedur pengujian dengan menggunakan uji t-statistic menjadi tidak sah.

Pengujian asumsi normalitas dapat dilakukan dengan Jarque Bera Test atau

dengan melihat plot dari sisaan. Hipotesis dalam pengujian normalitas adalah:

H0 : Residual berdistribusi Normal

H1 : Residual tidak berdistribusi Normal

34

Dasar penolakan H0 dilakukan dengan membandingkan nilai probabilitas

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

menandakan H0 tidak ditolak dan residual berdistribusi normal.

2. Multikolinearitas

Istilah multikolinearitas berarti terdapat hubungan linier antar variabel

independennya. Gujarati (2006) menyatakan indikasi terjadinya multikolinearitas

dapat terlihat melalui:

a. Nilai R-squared yang tinggi tetapi sedikit rasio yang signifikan.

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

c. Melakukan regresi tambahan (auxiliary) dengan memberlakukan variabel

independen sebagai salah satu variabel dependen dan variabel independen

lainnya tetap diberlakukan sebagai variabel independen.

Cara untuk mendeteksi multikolinearitas adalah dengan menghitung

korelasi antara dua variabel bebas. Serta cara untuk mengatasi masalah

multikolinearitas antara lain biasanya dilakukan dengan menambah jumlah data

atau mengurangi jumlah data observasi, menambah atau mengurangi jumlah

variabel independennya yang memiliki hubungan linear dengan variabel lainnya,

mengkombinasikan data cross section dan time series, mengganti data, dan

mentransformasi variabel.

3. Heteroskedastisitas

Salah satu asumsi dasar dari metode regresi linear adalah varians tiap

unsur error adalah suatu angka konstan yang sama dengan δ2. Heteroskedastisitas

terjadi ketika varians tiap unsur error tidak konstan. Guajarati (2006) menyatakan

heteroskedastisitas memiliki beberapa konsekuensi, diantaranya adalah :

a. Estimator OLS masih linier dan masih tidak bias, tetapi varians tidak

minimum sehingga hanya memenuhi karakteristik Linier Unbiased

Estimator (LUE).

b. Perhitungan standar error tidak lagi dapat dipercaya kebenarannya karena

varians tidak minimum sehingga dapat menghasilkan estimasi regresi yang

tidak efisien.

35

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

dipercaya.

Uji heteroskedastisitas dapat diatasi mengggunakan metode GLS Weight

Cross-section yang tersedia dalam program EVIEWS 6.0.

4. Autokorelasi

Gujarati (2006) 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 akan besar tetapi di uji t-statistic dan uji F-

statistic menjadi tidak valid.

Untuk masalah autokorelasi pengujiannya dilakukan dengan melihat

Durbin-Watson stat yang nilainya telah disediakan dalam program EVIEWS 6.0

dibandingkan dengan DW-Tabel. Sebuah model dapat dikatakan terbebas dari

autokorelasi jika nilai Durbin-watson stat terletak di area nonautokorelasi.

Penentuan area tersebut dibantu dengan nilai tabel DL dan DU. Jumlah observasi

(N) dan jumlah variabel independen (K). Dengan menggunakan hipotesis

pengujian sebagai berikut:

H0 : Tidak terdapat autokorelasi

H1 : Terdapat autokorelasi

Maka aturan pengujiannya adalah sebagai berikut :

0 < d < DL : tolak H0, ada autokorelasi positif

DL ≤ d ≤ DU : daerah ragu-ragu, tidak ada keputusan

DU < d < 4 – DU : terima H0, tidak ada autokorelasi

4 - DU ≤ d ≤ 4-DL : daerah ragu-ragu, tidak ada keputusan

4 – DL < d < 4 : tolak H0, ada autokorelasi negatif

36

3.4.2 Kriteria Statistik

Evaluasi model berdasarkan kriteria statistik dilakukan dengan beberapa

pengujian antara lain sebagai berikut:

a. Koefesien Determinasi (R2)

Nilai koefisien determinasi (R2) 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 terletak antara

nol hingga satu dimana semakin mendekati satu maka model akan semakin baik.

b. Uji F-statistic

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=0

H1 : minimal ada salah satu βj yang tidak sama dengan nol

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

c. Uji t-statistic

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 = 0

H1 : βj ≠ 0

37

Tolak H0 jika t-statistic > t α/2(NT-K-1). Jika H0 ditolak, maka artinya dengan tingkat

keyakinan 1-α kita dapat menyimpulkan bahwa variabel independen ke-i secara

parsial memengaruhi variabel dependen.

3.4.3 Kriteria Ekonomi

Evaluasi model estimasi berdasarkan kriteria ekonomi dilakukan dengan

membandingkan kesesuaian tanda dan nilai estimator dengan teori ekonomi dan

kesesuaian dengan logika.

3.5 Perumusan Model

Rancangan model yang akan diajukan adalah model regresi linear dengan

lima variabel independen, dengan variabel dependennya SIGAP dan variabel

independennya adalah FDI, CPI, TP, GROWTH, dan DKRISIS. Data yang

diperoleh pada variabel-variabel tersebut ternyata berbeda satuan. Variabel

SIGAP, FDI, CPI, dan GROWTH disajikan dalam satuan persentase, sedangkan

variabel TP disajikan dalam satuan jumlah jiwa. Oleh karena itu, untuk

memudahkan dalam mengolah data dan interpretasi hasil akhir, variabel

independen TP yang berbeda satuan akan ditransformasi sehingga menjadi bentuk

satuan yang sama, yaitu dalam bentuk log natural, sedangkan untuk variabel

DKRISIS yang tidak memiliki satuan, tidak ditransformasi karena tidak akan

diinterpretasikan hasilnya. 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 :

SIGAPit = α +β1FDIit + β2CPIit + β3ln(TPit) + β4GROWTHit + β5DKRISIS + εit

(3.8)

dimana:

SIGAPit = Kesenjangan Tabungan dan Investasi Domestik terhadap GDP

Tahunan (data dalam persen)

FDIit = Persentase Nilai FDI Inflow terhadap GDP Tahunan (data dalam

persen)

38

CPIit = Persentase Tingkat Inflasi Berdasarkan Consumer Price Index

Tahunan (data dalam persen)

TPit = Jumlah Populasi Tahunan (data dalam jumlah Jiwa)

GROWTHit = Tingkat Rata-rata Pertumbuhan Ekonomi Tahunan (data dalam

persen)

DKRISIS = Variabel dummy yang mengindikasikan terjadinya krisis ekonomi

dimana nilainya sama dengan satu pada saat krisis ekonomi dan

nilainya sama dengan nol pada saat bukan krisis ekonomi.

3.6 Definisi Operasional Variabel

Definisi operasional variabel yang digunakan dalam model penelitian ini

antara lain:

a. SIGAP

Variabel SIGAP merupakan variabel yang merepresentasikan kesenjangan

tabungan dan investasi domestik. Nilai variabel SIGAP merupakan nilai akhir dari

pengurangan Gross Domestic Saving terhadap Gross Domestic Capital Formation

atas dasar persentase terhadap GDP Tahunan.

b. FDI

Variabel FDI merupakan variabel yang merepresentasikan Penanaman

Modal Asing Langsung. Nilai variabel FDI ini merupakan nilai FDI Inflow suatu

negara selama satu tahun dibagi nilai GDP.

c. CPI

Variabel CPI merupakan variabel yang merepresentasikan tingkat inflasi

suatu negara berdasarkan Consumer Price Index selama satu tahun pada suatu

negara.

d. TP

Variabel TP merupakan variabel yang merepresentasikan jumlah populasi

manusia di suatu negara dalam satuan jumlah jiwa.

e. GROWTH

Variabel GROWTH merupakan variabel yang merepresentasikan

pertumbuhan ekonomi. Nilai variabel GROWTH ini merupakan nilai tingkat rata-

39

rata pertumbuhan Gross Domestic Product (GDP) Riil per tahun atas dasar harga

konstan tahunan dalam persentase.

f. DKRISIS

Variabel DKRISIS merupakan variabel dummy yang digunakan dalam

persamaan regresi karena variabel tersebut sifatnya kualitatif. Suatu cara untuk

membuat data kuantitatif dari data kualitatif adalah dengan cara memberikan nilai

satu atau nol. Dalam penelitian ini digunakan variabel DKRISIS untuk

menerangkan pertumbuhan ekonomi pada saat krisis, baik krisis moneter Asia

tahun 1997-1998, krisis minyak dunia tahun 2005, maupun krisis keuangan tahun

2008-2009, sedangkan nilai nol diberikan pada pertumbuhan ekonomi pada saat

tidak krisis.