Jenis dan Sumber Data Metode Pengolahan Data Perumusan Model

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 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.

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 y it variabel terikat dengan x it variabel bebas dimana i menunjukkan individu, t menunjukkan waktu, dan j menunjukkan variabel bebas yang dinyatakan dalam sebuah persamaan berikut: y it = α + βxj it + it 3.1 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 dan x . Persamaan pada estimasi menggunakan Fixed effect model dapat dituliskan dalam bentuk sebagai berikut : Y = β + β X + β X + u Asumsinya adalah bahwa error secara individual tidak saling berkorelasi begitu g paling tepat digunakan untuk Test erupakan pengujian untuk memilih apakah model yang 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, u 2 = komponen cross section error ~ N 0, v 2 = komponen time series error 2 ~ N 0, w = 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 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 H 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 H 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: H : Random Effect Model H 1 : 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 H sehingga mod ng digunakan adalah Fixed Effect Model, begitu pula sebaliknya. .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: H : Residual berdistribusi Normal H 1 : Residual tidak berdistribusi Normal Dasar penolakan H dilakukan dengan membandingkan nilai probabilitas Jarque Bera dengan taraf nyata α sebesar 0,05 dimana jika lebih besar menandakan H 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 2 . 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. 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 R 2 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 D L dan D U. Jumlah observasi N dan jumlah variabel independen K. Dengan menggunakan hipotesis pengujian sebagai berikut: H : Tidak terdapat autokorelasi H 1 : Terdapat autokorelasi Maka aturan pengujiannya adalah sebagai berikut : 0 d D L : tolak H , ada autokorelasi positif D L ≤ d ≤ D U : daerah ragu-ragu, tidak ada keputusan D U d 4 – D U : terima H , tidak ada autokorelasi 4 - D U ≤ d ≤ 4-D L : daerah ragu-ragu, tidak ada keputusan 4 – D L d 4 : tolak H , ada autokorelasi negatif

3.4.2 Kriteria Statistik

Evaluasi model berdasarkan kriteria statistik dilakukan dengan beberapa pengujian antara lain sebagai berikut: a. Koefesien Determinasi R 2 Nilai koefisien determinasi 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 R 2 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 ProbF-statistic merupakan tingkat signifikansi marginal dari F-statistic. Dengan menggunakan hipotesis pengujian sebagai berikut: H : β 1 = β 2 =…= β k =0 H 1 : minimal ada salah satu β j yang tidak sama dengan nol Tolak H jika F-statistic F αk-1,NT-N-K atau ProbF-statistic α. Jika H 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: H : β j = 0 H 1 : β j ≠ 0 Tolak H jika t-statistic t α2NT-K-1 . Jika H 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 : SIGAP it = α +β 1 FDI it + β 2 CPI it + β 3 lnTP it + β 4 GROWTH it + β 5 DKRISIS + it 3.8 dimana: SIGAP it = Kesenjangan Tabungan dan Investasi Domestik terhadap GDP Tahunan data dalam persen FDI it = Persentase Nilai FDI Inflow terhadap GDP Tahunan data dalam persen CPI it = Persentase Tingkat Inflasi Berdasarkan Consumer Price Index Tahunan data dalam persen TP it = Jumlah Populasi Tahunan data dalam jumlah Jiwa GROWTH it = 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