iii. metode penelitian 3.1 jenis dan sumber data · pengolahan data dengan microsoft office excel...
TRANSCRIPT
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.