69
Angka, Produk Domestik Regional Bruto menurut Kabupaten Kota di Jawa Barat, Data Sosial Ekonomi Masyarakat Jawa Barat, serta website Jawa Barat
dan kabupaten kota, dan disamping juga data yang berasal dari sumber- sumber lain yang relevan dalam penelitian ini.
2. Metode Pengumpulan Data
a Field Research Penulis
melakukan penelitian
ke tempat-tempat
yang menyediakan data-data sekunder yang diperlukan sebagai bahan referensi
seperti Badan Pusat Statistik. b Library Research
Landasan dan teori yang kuat sangat dibutuhkan dalam pemecahan masalah, sehingga penulis melakukan penelitian kepustakaan dengan
menggunakan buku-buku, artikel-artikel ilmiah, jurnal, majalah, data-data dari internet, dan sumber-sumber dokumentasi lainnya yang berhubungan
dengan penelitian.
D. Metode Analisis Data
1. Metode Data Panel
Data panel merupakan gabungan antara data lintas waktu time series
dan data lintas individu cross section, dimana unit cross section yang sama diukur pada waktu yang berbeda. Analisis data panel digunakan
70
untuk mengamati hubungan antara satu variabel terikat dependent variable dengan satu atau lebih variabel bebas independent variable.
Penggunaan data panel mampu memberikan banyak keunggulan secara statistik maupun secara teori ekonomi, antara lain Gujarati; 2003 :
1. Data panel mampu memperhitungkan heterogenitas individu secara eksplisit dengan mengizinkan variabel spesifik individu sehingga membuat
data panel dapat digunakan untuk menguji dan membangun model perilaku yang lebih kompleks.
2. Jika efek spesifik adalah signifikan berkorelasi dengan variabel penjelas lainnya, maka penggunaan data panel akan mengurangi masalah omitted-
variables secara substansial.
3. Data panel mendasarkan diri pada observasi cross section yang berulang- ulang sehingga metode data panel cocok digunakan untuk study of
dynamic adjustment. 4. Tingginya jumlah observasi berimplikasi pada data yang lebih informatif,
lebih variatif, kolinearitas antar variabel yang semakin berkurang, dan peningkatan derajat kebebasan degree of freedom sehingga dapat
diperoleh hasil estimasi yang lebih efisien. Keunggulan-keunggulan tersebut diatas memiliki implikasi pada
tidak diperlukan pengujian asumsi klasik dalam model data panel, sesuai apa yang ada dalam beberapa literatur yang digunakan dalam penelitian ini
Maddala, 1998; Pindyck dan Rubinfield, 1991; dan Gujarati, 2003.
71
2. Estimasi Model Data Panel
Pada dasarnya ada tiga teknik untuk meregresi data panel Baltagi, 2002; Gujarati, 2003; Maddala, 1993; Pindyck dan Rubinfield, 1998, yaitu:
pendekatan OLS biasa Pooled Least Square, pendekatan efek tetap Fixed Effect Model
, dan pendekatan efek acak Random Effect Model.
a. Pendekatan Kuadrat Terkecil Pooled Least Squares
Merupakan teknik yang paling sederhana dengan mengasumsikan bahwa data gabungan yang ada menunjukkan kondisi yang sesungguhnya.
Yaitu dengan menggabungkan pooled seluruh data time series dan cross section
dan kemudian mengestimasi model dengan menggunakan metode ordinary least square
OLS. Hasil analisis regresi ini dianggap berlaku pada semua objek pada semua waktu.
Kelemahan asumsi ini adalah ketidaksesuaian model dengan keadaan yang sesungguhnya. Kondisi tiap objek saling berbeda, bahkan
satu objek pada suatu waktu akan sangat berbeda pada kondisi objek tersebut pada waktu yang lain Wing Wahyu Winarno; 2007; hlm 9.14 .
b. Pendekatan Efek Tetap Fixed Effect Model
Model ini dapat menunjukkan perbedaan konstan antarobjek, meskipun dengan koefisien regresor yang sama. Model ini juga
memperhitungkan kemungkinan bahwa peneliti menghadapi masalah omitted variables
yang mungkin membawa perubahan pada intercept time
72
series atau cross section. Model FEM dengan efek tetap maksudnya adalah
bahwa satu objek, memiliki konstan yang tetap besarnya untuk berbagai periode waktu. Demikian pula dengan koefisien regresinya yang besarnya
tetap dari waktu ke waktu time invariant Wing Wahyu Winarno; 2007;
hlm 9.14 .
Untuk membedakan satu objek dengan objek lainnya digunakan dummy variable
, oleh karena itu model ini dikenal juga dengan Least Squares Dummy Variables
LSDV. Hsiao 2005:30 menjelaskan bahwa variabel dummy memungkinkan sebuah model dengan variabel yang
hilang dalam periode observasi. Variabel tersebut baik yang secara spesifik untuk daerah tertentu tapi tidak berubah sepanjang waktu, maupun karena
variabel yang hilang tersebut spesifik pada waktu tertentu untuk seluruh daerah.
Di dalam pemaparan estimasi efek tetap unbalanced panel, Wooldridge 2006 menjelaskan bahwa data yang hilang attrition terkait
dengan eror yang bersifat idiosyncratic, faktor yang luput dari pengamatan sepanjang waktu, dapat menghasilkan estimasi yang bersifat bias. Namun
demikian, manfaat dari estimasi fixed effect adalah bahwa attrition yang terkait dengan faktor yang luput dari pengamatan, akan ditampung dalam
Pi ,sehingga hasil estimasi masih dapat diandalkan unbiased.
73
c. Pendekatan Efek Acak Random Effect Model
Pendekatan random effect digunakan untuk mengatasi kelemahan metode efek tetap yang menggunakan variabel semu, sehingga model
mengalami ketidakpastian. Tanpa menggunakan variabel semu, metode efek random menggunakan residual, yang diduga memiliki hubungan
antarwaktu dan antarobjek. Namun, terdapat satu syarat untuk menganalisis dengan
menggunakan metode efek random, yaitu objek data silang harus lebih besar dari banyaknya koefisien. Wing Wahyu Winarno; 2007; hlm 9.15.
Tabel 3.1 Perbedaan Fixed Effect Model dan Random Effect Model
Perbedaan Fixed Effect ModeL
Random Effects Model
Model
it K
k kit
k i
it
X Y
1 1
it i
K k
kit k
it
X Y
Intersep Berbeda untuk tiap unit
cross section Konstan
Varians Error
Konstan Berbeda untuk tiap unit cross
section Slopes
Konstan Konstan
Metode LSDV
GLS-FGLS Hipotesis
Uji F Uji Lagrange Multiplier LM
Sumber: I.G Nyoman Mindra Jaya, Kajian Analisis Regresi dengan Data Panel
3. Pemilihan Metode Estimasi dalam Data Panel
Ada 2 tahap dalam memilih metode estimasi dalam data panel. Pertama-tama kita akan membandingkan PLS dengan FEM terlebih dahulu.
74
Kemudian dilakukan uji F-test. Jika hasil menunjukkan model PLS yang diterima, maka model PLS-lah yang akan dianalisa. Tapi jika model FEM
yang diterima, maka tahap kedua dijalankan, yakni melakukan perbandingan lagi dengan model REM. Setelah itu dilakukan pengujian dengan Haussman
test untuk menentukan model mana yang akan dipakai, apakah FEM atau REM.
a. PLS vs FEM
Relatif terhadap Fixed Effect Model, Pooled Least Square adalah restricted model
dimana ia menerapkan intercept yang sama untuk seluruh individu. Padahal asumsi bahwa setiap unit cross section memiliki perilaku
yang sama cenderung tidak realistis mengingat dimungkinkan saja setiap unit tersebut memiliki perilaku yang berbeda. Untuk mengujinya dapat
digunakan restricted F-test, dengan hipotesis sebagai berikut: H
o
: Model PLS Restricted H
1
: Model Fixed Effect Unresticted Dimana restricted F-test dirumuskan sebagai berikut :
F = R
2 UR
– R
2 R
m 1 - R
2 UR
df dimana:
R
2 UR
= unrestricted R
2
; m = df for numerator N-1
R
2 R
= restricted R
2 ;
df = df for denominator NT-N-k
N = Jumlah data cross section
75
T = Jumlah data time series
K = Jumlah Koefisien Variabel
Jika nilai F-hitung F-tabel maka H ditolak, artinya model panel
yang baik untuk digunakan adalah Fixed Effect Model, dan sebaliknya. Jika H
o
diterima, berarti model PLS yang dipakai dan dianalisis. Namun jika H
o
ditolak, maka model FEM harus diuji kembali untuk memilih apakah akan memakai model FEM atau REM baru dianalisis.
b. FEM vs REM
Ada beberapa pertimbangan teknis-empiris yang dapat digunakan sebagai panduan untuk memilih antara fixed effect atau random effect ToT
untuk Pengajar Ekonomi FEUI, 2006 yaitu : 1. Bila T jumlah unit time series besar sedangkan N jumlah unit cross
section kecil, maka hasil FEM dan REM tidak jauh berbeda. Dalam hal
ini pilihan umumnya akan didasarkan pada kenyamanan perhitungan, yaitu FEM.
2. Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan dapat berbeda secara signifikan. Jadi, apabila kita meyakini bahwa unit cross
section yang kita pilih dalam penelitian diambil secara acak random
maka REM harus digunakan. Sebaliknya, apabila kita meyakini bahwa unit cross section yang kita pilih dalam penelitian tidak diambil secara
acak maka kita menggunakan FEM.
76
3. Apabila cross-section error component ε
i
berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan REM akan bias
sementara parameter yang diperoleh dengan FEM tidak bias. 4. Apabila N besar dan T kecil, dan apabila asumsi yang mendasari REM
dapat terpenuhi, maka REM lebih efisien dibandingkan FEM. Keputusan penggunaan FEM dan REM dapat pula ditentukan
dengan menggunakan spesifikasi yang dikembangkan oleh Hausmann. Spesifikasi ini akan memberikan penilaian dengan menggunakan Chi-
square statistics sehingga keputusan pemilihan model akan dapat
ditentukan secara statistik. Pengujian ini dilakukan dengan hipotesa sebagai berikut:
H
o
: Random Effects Model H
1
: Fixed Effect Model Setelah dilakukan pengujian ini, hasil dari Haussman test
dibandingkan dengan Chi-square statistics dengan df=k, dimana k adalah jumlah koefisien variabel yang diestimasi. Jika hasil dari Haussman test
signifikan, maka H
o
ditolak, yang berarti FEM digunakan.
4. Metode Dummy Variabel
Untuk tujuan mengatasi permasalahan-permasalahan yang timbul dalam analisis regresi, dapat diaplikasikan dengan memasukkan variabel
dummy berupa otonomi daerah. Hal ini dikarenakan selama periode penelitian terdapat hal penting yang dapat memungkinkan terjadinya bias
77
analisis apabila hanya melakukan regresi tanpa membedakan adanya perubahan kebijakan, yaitu otonomi daerah yang berimplikasi pada
desentralisasi fiskal. Menurut Gujarati 2003, untuk mengatasi permasalahan yang
timbul akibat adanya shock perubahan kebijakan, dimungkinkan 4 hal untuk mengatasinya. Pertama, Concident Regression, langkah ini mengasumsikan
bahwa intercep dan slope koefisien adalah sama pada sebelum dan sesudah shock. Kedua, Parallel Regression, langkah ini mengasumsikan bahwa
intercep berbeda dan slope koefisien adalah sama pada sebelum dan sesudah shock. Ketiga, Concurrent Regression, langkah ini mengasumsikan bahwa
intercep sama dan slope koefisien berbeda pada sebelum dan sesudah shock. Dan keempat, Desimiliar Regression, langkah ini mengasumsikan bahwa
antara intercep dan slope koefisien adalah berbeda pada sebelum dan sesudah shock.
5. Model Empiris