Metode Analisis Data LATAR BELAKANG KELUARGA

43

C. Metode Pengumpulan Data

Data yang diperoleh untuk mencapai tujuan dalam penelitian ini diperoleh melalui data sekunder atau pihak ketiga, sehingga tidak diperlukan teknik kuesioner. Periode data yang akan digunakan dalam penelitian ini adalah data sekunder pada tahun 2008-2013 yang didapat dari Badan Pusat Statistik Provinsi Banten. Sebagai pendukung digunakan buku referensi, jurnal, surat kabar serta hasil dari website internet yang terkait dengan masalah tingkat pengangguran terbuka di Provinsi Banten. Menurut Insukrindo 1996 pada skripsi Rully 2015 mengingat ketersediaan data dan kebutuhan jumlah data untuk permodelan yang diperoleh terbatas, maka data tahunan diinterpolasi menjadi data semesteran dengan menggunakan metode interpolasi.

D. Metode Analisis Data

Sesuai dengan permasalahan dan tujuan yang telah dirumuskan maka metode analisis dalam penelitian ini adalah metode analisis kuantitatif, yaitu di mana data yang digunakan dalam penelitian berbentuk angka, dalam penelitian ini metode yang digunakan adalah kuantitatif dengan format deskriptif bertujuan untuk menjelaskan dan meringkaskan berbagai kondisi, berbagai situasi, atau beberapa variabel yang timbul di masyarakat yang menjadi obyek penelitian ini. Dimana metode analisis dalam penelitian ini menggunakan beberapa teknik analisis yaitu: 44 1. Metode Data Panel Metode analisis yang penulis gunakan secara umum menganalisis tentang Pengaruh Produk Domestik Regional Bruto, Upah Minimum KabupatenKota, dan Indeks Pembangunan Manusia terhadap Tingkat Pengangguran di KabupatenKota di Provinsi Banten adalah metode kuantitatif. Data ini berbentuk data time series dari tahun 2008 sampai 2013 dan cross section yang terdiri dari 4 kabupaten dan 4 kota sehingga data yang digunakan adalah pooled data data panel. Gabungan antara data seksi silang cross section dan data runtun waktu time series disebut data panel atau data pool. Data panel diperkenalkan pertama kali oleh Howless pada tahun 1950, merupakan data seksi silang terdiri atas beberapa variabel dan sekaligus terdiri atas beberapa waktu Winarno , 2007 : 9.1. Menurut Gujarati dalam Ajija, dkk 2011 : 52 keuntungan data panel antara lain: a. Bila data panel berhubungan dengan individu, perusahaan, Negara, daerah dan lain-lain pada waktu tertentu, maka data tersebut adalah homogen, sehingga penaksiran dan dapat dipertimbangkan dalam perhitungan. b. Kombinasi data time series dan cross section akan memberi informasi yang lebih lengkap, beragam, kurang berkorelasi antar variabel, derajat bebas lebih besar dan lebih efisien. 45 c. Studi data panel lebih memuaskan untuk menentukan perubahan dinamis dibanding dengan studi berulang dan cross section. d. Data panel lebih baik mendeteksi dan mengukur efek yang secara sederhana tidak dapat diukur oleh data time series atau cross section. e. Data panel membantu studi untuk menganalisisi perilaku yang lebih kompleks, misalnya skala ekonomi dan perubahan teknologi. f. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu atau perusahaan karena unit data yang lebih banyak. 2. Permodelan Data Panel Menurut Nachrowi dan Usman 2006: 311 secara umum terdapat 3 model panel yang sering digunakan: a. Pooled Least Square Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa yang ditetapkan dalam data berbentuk pool, sering disebut pula dengan Pooled Least Square. Pada metode ini, model mengasumsikan bahwa data gabungan yang ada menunjukkan kondisi sesungguhnya dimana nilai intercept dari masing – masing variabel adalah sama dan slope koefisien dari variabel – variabel yang digunakan adalah identik untuk semua unit cross section. Kelemahan metode ini yaitu adanya ketidaksesuaian model dengan keadaan yang sesungguhnya. Dimana kondisi tiap objek saling 46 berbeda, bahkan satu objek pada suatu waktu akan sangat berbeda pada kondisi objek tersebut pada waktu yang lain Winarno, 2007: 9.14. b. Fixed-Effect Model Metode efek tetap ini dapat menunjukkan perbedaan antar objek meskipun dengan koefisien regresi yang sama. Model ini dikenal dengan model Fixed Effect efek tetap.Efek tetap ini dimaksudkan adalah bahwa satu objek, memiliki konstan yang tetap besarnya untuk berbagai periode waktu.Demikian juga dengan koefisien regresinya, tetap besarnya dari waktu ke waktu time invariant. Keuntungan metode efek tetap ini adalah dapat membedakan efek waktu dan tidak perlu mengasumsikan bahwa komponen error tidak berkorelasi dengan variabel bebas yang mungkin sulit dipenuhi.Dan kelemahan model efek tetap ini adalah ketidaksesuaian model dengan keadaan yang sesungguhnya. Kondisi tiap objek saling berbeda, bahkan objek tersebut pada waktu yang lain. c. Random Effect Model Keputusan untuk memasukkan variabel boneka dalam efek tetap fixed effect tak dapat menimbulkan konsekuensi trade off. Penambahan variabel boneka ini akan dapat mengurangi banyaknya 47 derajat kebebasan degree of freedom yang pada akhirnya akan mengurangi effisiensi dari parameter yang diestimasi. Model panel data yang di dalamnya melibatkan korelasi antara error term karena berubahnya waktu karena berbedanya observasi dapat diatasi dengan pendekatan model komponen error error component model atau dissebut juga model efek acak random effect. Efek random random effect digunakan untuk mengatasi kelemahan metode efek tetap fixed effect 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 untuk menganalisis dengan metode efek random ini ada satu syarat, yaitu objek data silang harus lebih besar daripada banyaknya koefisien Winarno, 2007 : 9.17. 3. Pemilihan Model Data Panel Dalam pemilihan model data panel kita perlu melakukan dua tahap, yaitu dengan membandingkan PLS dengan FEM dan dengan pengujian Hausman test untuk menentukan metode mana yang akan dipakai FEM atau REM. a. PLS vs FEM Uji Chow Test Uji Chow test yakni pengujian untuk menentukan model Pooled Least Square PLS atau model Fixed Effect FEM yang paling tepat 48 digunakan dalam mengestimasi data panel. Uji ini dilakukan untuk mengetahui model Pooled Least Square PLS atau FEM yang akan digunakan dalam estimasi. Relatif terhadap Fixed Effect Model, Pooled Least Square adalah restrical model dimana ia menerapkan intercept yang sama untuk seluruh individu. Padahal asumsi bahwa setiap unit cross section memiliki perilaku yang sama cenderung tidak ralistis mengingat dimungkinkan saja setiap unit tersebut memiliki perilaku yang berbeda. Untuk mengujinya dapat digunakan restricted F-Test, dengan hipotesa sebagai berikut: H : Model PLS Restricted H 1 : Model FEM Undrestricted CHOW = RRSS - URSS N – 1 URSS NT-N-K Dimana: RRSS = Restriced Residual Sum Square merupakan Sum Square Residual yang diperoleh dari estimasi data panel dengan metode pooled least squarecommon intercept URSS = Unrestriced Residual Sum Square merupakan Sum Square Residual yang diperoleh dari estimasi data panel dengan metode fixed effect N = Jumlah data cross section T = Jumlah data time series K = Jumlah variabel penjelas independen 49 Pengujian ini mengikuti distribusi F-statistik yaitu jika nilai F- test atau Chow Statistik F-statistik hasil pengujian lebih besar dari F- tabel, maka cukup bukti untuk melakukan penolakan terhadap hipotesa nol sehingga model yang akan digunakan adalah Fixed Effect Model. Dasar penolakan terhadap hipotesis adalah dengan membandingkan F-Statistik dengan F-Tabel. Perbandingan dipakai apabila hasil F hitung lebih besar dari F tabel maka H ditolak yang berarti model yang paling tepat digunakan adalah Fixed Effect Model. Begitupun sebaliknya, jika F-hitung lebih kecil dari F tabel maka H diterima dan model yang digunkana adalah Common Effect Model. b. FEM vs REM Uji Hausman Setelah selesai melakukan uji Chow dan didapatkan model yang tepat, maka selanjutnya menguji model manakan antara model Fixed Effect atau model Random Effect yang paling tepat, pengujian ini disebut sebagai uji Hautsman. Ada beberapa pertimbangan teknis empiris yang dapat digunakan sebagai panduan untuk memilih antara Fixed Effect Model atau Random Effect Model 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 umunya akan didasarkan pada kenyamanan perhitungan, yaitu FEM. 50 2 Bila N besar atau T kecil, maka hasil estimasi kedua pendekatan dapat berbeda signifikan. Jadi, apabila kita pilih dalam penelitian diambil secara acak random maka REM harus digunakan, begitu juga sebaliknya. 3 Apabila cross section error component € i berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan REM akan bias sementara parameter yang diperoleh dengan FEM tidak habis. 4 Apabila N dan T kecil, dan apabila asumsi yang mendasari REM dapat terpenuhi, maka REM lebih efisien dibandingkan tidak bias. Keputusan penggunaan FEM dan REM dapat pula ditentukan dengan menggunakan spesifikasi yang dikembangkan dengan Hausman. Spesifikasi ini akan memberikan penilaian dengan menggunakan Chi-square statistic sehingga keputusan pemilihan model akan dapat ditentukan secara statistik. Pengujian ini dilakukan dengan hipotesa sebagai berikut: H :Random Effect Model H 1 :Fixed Effect Model Setelah dilakukan pengujian ini, hasil dari Hausman test dibandingkan dengan Chi-squarestatistik dengan df = k, di mana k adalah jumlah koefisien variabel yang diestimasi. Jika hasil dari 51 Hausman test signifikan, maka H di tolak, yang berarti metode analisis FEM digunakan. 4. Model Empiris Model persamaan yang akan diestimasi pada penelitian ini adalah sebagai berikut: TP it = β + β 1 PDRB it + β 2 UMK it + β 3 IPM it + ɛt it Dimana: TPT it : Tingkat Pengangguran di daerah i pada periode t PDRB it : Produk Domestik Regional Bruto di daerah i pada periode t UMK it : Upah Minimum KabupatenKota di daerah i pada periode t IPM it : Indeks Pembangunan Manusia di daerah i pada periode t Β ..,β n : koefisien regresi konstan ɛt it : error term Setelah model penelitian diestimasi maka akan diperoleh nilai dan besaran dari masing-masing parameter dalam model persamaan dan besaran dari masing-masing parameter dalam model persamaan diatas. Nilai dari parameter positif atau negatif selanjutnya akan digunakan untuk menguji hipotesis penelitian. 52 5. Uji Asumsi Klasik Uji asumsi klasik dilakukan untuk melihat apakah data terbebas dari masalah normalitas, multikolinieritas, heteroskedastisitas,dan autokorelasi. Uji asumsi klasik ini penting dilakukan untuk menghasilkan estimator yang linier tidak bias dengan varian yang minimum Best Linier Unbiased Estimator = BLUE, yang berarti model tidak mengandung masalah. Asumsi-asumsi tersebut antara lain: a. Uji Normalitas Uji normalitas bertujuan untuk menguji apakah dalam model regresi variabel-variabelnya terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki distribusi data normal atau mendekati normal. Uji normalitas diantaranya dilakukan dengan dua cara, yaitu histogram dan uji Jarque-Bera J-B. Untuk melihat data terdistribusi normal atau tidak adalah dengan meilhat koefisien J-B dan probabilitasnya. Bila nilai J-B tidak signifikan lebih kecil dari 2 maka data terdistribusi normal Winarno, 2011 : 5.37-5.39. b. Uji Multikolinieritas Multikolinieritas adalah kondisi adanya hubungan linier antar variabel independen. Karena melibatkan beberapa variabel independen, maka multikolinieritas tidak akan terjadi pada persamaan regresi sederhana yang terdiri atas satu variabel dependen dan satu variabel independenWinarno, 2011 : 5.1-5.2. 53 Kondisi terjadinya multikolinieritas ditunjukan dengan berbagai informasi antara lain: 1 Nilai R 2 tinggi, tetapivariabel independen banyak yang tidak signifikan. 2 Dengan menghitung koefisien korelasi antarvariabel independen. Apabila koefisiennya rendah, maka tidak terdapat multikolineritas. 3 Dengan melakukanregresi auxiliary. Regresi yang dapat digunakan untuk mengetahui hubungan antara dua atau lebih variabel independen yang secara bersama-sama mempengaruhi satu variabel independen lainnya. Ada beberapa alternatif dalam mengahadapi masalah multikolinieritas alternatif tersebut adalah: 1 Biarkan saja model kita mengandung multikolinieritas, karena estimatornya masih dapat bersifat BLUE. Sifat BLUE tidak terpengaruh oleh ada tidaknya korelasi antarvariabel independen. Namun harus diketahui bahwa multikolinieritas akan menyebabkan standart error yang besar. 2 Menambahkan data penelitian jika memungkinkan, karena masalah multikolinieritas biasanya muncul karena jumlah observasinya sedikit. 3 Menghilangkan satu variabel independen, terutama yang memiliki hubungan linier yang kuat dengan variabel lain. 54 4 Transformasi salah satu atau beberapa variabel, termasuk misalnya dengan melakukan referensi Winarno, 2011: 5.7- 5.8. c. Uji Heterokedastisitas Asumsi dalam model regresi adalah: 1 residual memiliki nilai rata-rata nol, 2 residual memiliki varian yang konstan, dan 3 residual suatu observasi tidak saling berhubungan dengan residual observasi lainnya, sehingga menghasilkan estimator BLUE. Apabila asumsi 1 tidak terpenuhi, yang terpengaruh hanyalah slope estimatimator dan ini tidak membawa konsekuensi serius dalam analisis ekonometris.Sedangkan Asumsi 2 dan 3 dilanggar. Maka akan membawa dampak serius bagi prediksi dengan model yang dibangun. Dalam kenyataannya, nilai residual sulit memiliki varian yang konstan. Hal ini sering terjadi pada data bersifat cross section dibanding time series Winarno, 2011 : 5.8. Ada beberapa metode yang dapat digunakan untuk mengidentifikasi ada tidaknya masalah heterokedastisitas. Beberapa metode tersebut: 1 Metode grafik; 2 Uji Park; 3 Uji Glejser; 4 Uji Korelasi Spearman; 55 5 Uji Goldfeld-Quandt; 6 Uji Bruesh-Pagan-Godfrey; 7 Uji White. Untuk menghilangkan heterokedastisitas, ada beberapa alternatif yang dilakukan. Lamgkah-langkah tersebut antara lain: 1 Metode WLS Weighted Least Square. Metode ini dapat digunakan apabila σ 2 i diketahui. 2 Metode White. Metode ini digunakan apabila besarnya σ 2 i tidak diketahui. 3 Metode Transformasi Winarno, 2011 : 5.24. d. Uji Autokorelasi Menurut Wing Wahyu Winarno 2011 : 5.26 autokorelasi adalah hubungan antara residual satu observasi dengan residual observasi lainnya. Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi pada data masa-masa sebelumnya.Meskipun demikian, tetap dimungkinkan autokorelasi dijUMKai pada data yang bersifat antarobjek cross section. Gujarati dalam Winarno 2011 : 5.26 autokorelasi terjadi karena beberapa sebab, di antaranya: 56 1 Data mengandung pergerakan naik turun secara musiman, misalnya kondisi perekonomian suatu Negara yang kadang menaik dan kadang menurun. 2 Kekeliruan memanipulasi data, misalnya data tahunan dijadikan data kuartalan dengan membagi empat. 3 Data runtun waktu, yang meskipun bila dianalisis dengan model Y t = a + b xt + e t karena datanya juga Y t-1 = a bx t + e t-1 . Dengan demikian akan terjadi hubungan antara data sekarang dan data periode sebelumnya. 4 Data yang dianalisis tidak bersifat stasioner. Dalam pengujian Autokorelasi dengan menggunakan Uji Serial LM Lagrange Multiplier, dimana jika hasil probabilitas 0,05 maka terdapat autokorelasi dan sebaliknya jika dalam hasil uji probabilitas 0,05 maka tidak terdapat autokorelasi. 6. Uji Hipotesis Uji Hipotesis ini digunakan untuk menguji apakah koefisien regresi yang didapat signifikan berbeda nyata. Signifikan yang di maksud adalah suatu nilai keofisien slope sama dengan nol. Jika koefisien slope sama dengan nol, berarti dapat dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikat. Ada dua jenis uji hipotesis terhadap koefisien regres yang dapat dilakukan antara lain: 57 a. Uji Secara Parsial Uji Statistik t Uji t dilakukan untuk seberapa besar pengaruh variabel independen secara parsial terhadap variabel dependen. Uji t dilakukan dengan membandingkan t hitung terhadap t tabel.Menurut Gujarati 2007 nilai t hitung diperoleh dengan rumus sebagai berikut: t-hitung = koef.regresi.bi std.deviasi.bi Dimana: 1 Jika t-hitung lebih besar dari t-tabel, maka H ditolak dan menerima Ha atau dengan kata lain ada pengaruh variabel independen terhadap variabel dependen. 2 Jika t-hitung lebih kecil dari t-tabel, maka H diterima dan menolak Ha atau tidak ada pengaruh variabel independen terhadap variabel dependen. Adapun cara lain yang dapat digunakan adalah setelah melakukan regresi kemudian membandingkan probabilitas t-hitung masing- masing variabel bebas dengan α = 5. Jika probabilitas t-hitung lebih kecil dari α = 5, maka H ditolak. Begitu juga sebaliknya jika probabilitas t- hitung lebih besar dari α = 5 maka H diterima. b. Uji Secara Simultan Uji Statistik F Uji statistik F digunakan untuk menguji koefisien regresi secara simultan atau bersama-sama dari variabel bebas terhadap variabel 58 dependennya. Menurut Gujarati 2003 untuk menghitung nilai F hitung digunakan rumus sebagai berikut: F = R 2 k-1 1-R 2 n-k Dimana: R 2 : Koefisien determinasi majemuk k-1 : Derajat bebas pembilang n-k : Derajat bebas penyebut k : Banyak parameter total yang diperkirakan n : Jumlah sempel. Jika F-hitung lebih besar dari F-tabel, maka H ditolak dan Ha diterima atau ada pengaruh signifikan dari variabel bebas X secara serentak terhadap variabel terikat Y. Begitu pulas sebaliknya, jika F- hitung lebih kecil dari F-tabel, maka H diterima dan menolak Ha yang adtinya tidak ada pengaruh signifikan dari variabel bebas secara serentak terhadap variabel terikat. Adapun cara lain yang dapat digunakan adalah setelah melakukan regresi kemudian akan diperoleh nilai probabilitas F-hitung, yang selanjutnya nilai probabilitas F-statistik ini dibandingka n dengan α = 5. Jika probabilitas F- statistik lebih kecil dari α, maka H ditolak.Begitu pula sebaliknya, jika probabilitas F- statistik lebih besar dari nilai α, maka H diterima. 59 c. Koefisien Determinasi R 2 Koefisien determinasi berganda R 2 berguna untuk mengukur besarnya variabel independen secara keseluruhan terhadap variabel dependennya. R 2 memiliki nilai antara 0 dan 1 0 R 2 1, dimana bila semakin tinggi nilai R 2 , suatu regresi tersebut maka akan semakin baik. Hal ini berarti bahwa keseluruhan variabel bebas secara bersama-sama mampu meneangkan variabel dependennya. Beberapa kegunaan koefisien determinasi adalah sebagai berikut: a. untuk menukur ketepatan suatu garis regresi yang ditetapkan terhaadap suatu kelompok data hasil observasi. b. untuk mengukur proporsi varian Y yang diterangkan oleh pengaruh linier dari variabel bebas.

E. Operasional Variabel Penelitian