Metode Pengumpulan Data Definisi Operasional

54

C. Metode Pengumpulan Data

Keberhasilan dalam pengumpulan data merupakan syarat bagi keberhasilan suatu penelitian. Sedangkan keberhasilan dalam pengumpulan data tergantung pada metode yang digunakan. Berkaitan dengan hal tersebut maka pengumpulan data diperlukan guna mendapatkan data-data yang obyektif dan lengkap sesuai dengan permasalahan yang diambilM.Nasir:1983; 211. Metode pengumpulan data merupakan suatu cara untuk memperoleh kenyataan yang mengungkapkan data-data yang diperlukan dalam suatu penelitian. Dalam pengumpulan data yang diperlukan dalam penelitian ini digunakan metode dokumentasi dan studi pustaka. Teknik dokumentasi yaitu suatu cara memperoleh data atau informasi tentang hal-hal yang ada kaitannya dengan penelitian dengan jalan melihat kembali laporan tertulis yang lalu baik berupa angka maupun keterangan. Studi pustaka dilakukan dengan mengumpulkan informasi melalui pendalaman literatur-literatur yang berkaitan dengan objek studi M.Nasir:1983;111-131. Data yang digunakan dalam penelitian ini adalah data sekunder yang berupa data panel 35 kabupatenkota di Jawa Tengah pada periode 2005-2009. Data yang digunakan adalah data persentase penduduk miskin, PDRB, angka Harapan Hidup dan Angka Melek Huruf.

D. Metode Analisis

Metode analisis yang digunakan dalam penelitian ini adalah analisis deskriptif kualitatif dan kuantitatif. Analisis deskriptif kualitatif digunakan untuk 55 mendeskripsikan fenomena-fenomena yang berkaitan dengan permasalahan yang diteliti. Sedangkan analisis kuantitatif digunakan untuk menganalisis informasi kualitatif data yang dapat diukur, diuji dan diinformasikan dalam bentuk persamaan, tabel dan sebagainya. Tahapan analisis kualitatif terdiri dari : estimasi model regresi dengan menggunakan data panel, uji asumsi kalsik dan uji statistik. Faktor-faktor yang mempengaruhi kemiskinan dapat digambarkan dengan fungsi sebagai berikut: T = fPDRB, AHH,AMH Tit = βο + β PDRBit + β2 AHHit + β3 AMHit + μit Dimana : T : Persentase penduduk miskin persen PDRB : Produk Domestik Regional Bruto juta rupiah AHH : Angka harapan Hidup tahun AMH : Angka Melek Huruf persen i : cross section t : time series Βο : Intercept β1, β2, …dst : koefisien regresi μ : error term Adanya perbedaan satuan dan besaran variabel bebas dalam persamaan menyebabkan persamaan regresi harus dibuat dengan model logaritma natural. 56 Dalam model penelitian ini logaritma yang digunakan adalah dalam bentuk logaritma-linier log sehingga persamaan menjadi sebagai berikut: Log Tit = Log βο + β Log PDRBit + β2 Log AHHit + β3 Log AMHit + μit Dimana : Log : Log- linear T : Persentase penduduk miskin persen PDRB : Produk Domestik Regional Bruto juta rupiah AHH : Angka harapan Hidup tahun AMH : Angka Melek Huruf persen Βο : Intercept β1, β2, ….dst : koefisien regresi μ : error term

1. Estimasi Regresi Dengan Data Panel

Model regresi dengan data panel secara umum mengakibatkan kesulitan dalam spesifikasi modelnya. Residualnya akan mempunyai tiga kemungkinan yaitu residual time series, cross section maupun gabungan keduanya. Maka tedapat tiga pendekatan dalam menggunakan data panel ini yaitu: 1 Pooled Least Square PLS Metode ini juga dikenal sebagai Common Effect Model CEM. Pada metode ini, model mengasumsikan bahwa data gabungan yang ada, menunjukan kondisi sesungguhnya dimana nilai intersep dari masing – masing variabel adalah sama dan slope 57 koefisien dari variabel – variabel yang digunakan adalah identik untuk semua unit cross section. Kelemahan Dalam model PLS ini yaitu adanya ketidaksesuaian model dengan keadaan yang sebenarnya. Dimana kondisi tiap objek saling berbeda, bahkan satu objek pada suatu waktu akan sangat berbeda dengan kondisi objek tersebut pada waktu yang lain. Wing Wahyu Winaeno, 2007: 9.14 2 Fixed Effect Model FEM Fixed effect efek tetap dalam hal ini maksudnya adalah bahwa satu objek, memiliki konstan yang tetap besaranya untuk berbagai periode waktu. Demikian pula halnya dengan koefisien regresi yang memiliki besaran yang tetap dari waktu ke waktu. Dalam model FEM ini menggunakan peubah boneka untuk memungkinkan peubahan-peubahan dalam intersep-intersep kerat lintang dan runtut waktu akibat adanaya peubah-peubah yang dihilangkan. Model ini mengasumsikan bahwa perbedaan antar unit dapat diketahui dari perbedaan nilai konstanya. Pendekatan dengan memasukkan variabel boneka ini dikenal dengan sebutan model efek tetap fixed effect atau Least Square Dummy Variable LSDV atau disebut juga covariance model. Wing Wahyu Winarno, 2007: 9.15 58 3 Random Effect Models REM Dalam menganalisis regresi data panel, selain menggunakan fixed effect model FEM, analisis regresi dapat pula menggunakan pendekatan efek random random effect. Pendekatan efek random ini digunakan untuk mengatasi kelemahan fixed effect model yang menggunakan variabel semu, sehingga akibatnya model mengalami ketidakpastian. Berbeda dengan FEM yang menggunakan variabel semu, metode efek random menggunakan residual, yang diduga memiliki hubungan antarwaktu dan antarobjek. Wing Wahyu Winarno, 2007: 9.17

2. Pemilihan Metode Data Panel

Dalam pengolahan data panel mekanisme uji untuk menentukan metode pemilihan data panel yang tepat yaitu dengan cara membandingkan metode pendekatan PLS dengan metode pendekatan FEM terlebih dahulu. Jika hasil yang diperoleh menunjukkan model pendekatan PLS yang diterima, maka model pendekatan PLS yang akan dianalisis. Jika model pendekatan FEM yang diterima, ,aka melakukan perbandingan lagi dengan model pendekatan REM. Untuk melakukan model mana yang akan dipakai, maka dilakukan pengujian diantaranya: a. Uji Chow Test yaitu uji yang digunakan untuk mengetahui apakah model Pooled Least Square PLS atau Fixed Effect Model FEM yang akan dipilih untuk estimasi data. Uji 59 ini dapat dilakukan dengan uji restricted F-Test atau uji Chow-Test. dalam pengujian ini dilakukan dengan hipotesa sebagai berikut: Hο : Model PLS Restriced H : Model Fixed Effect Unretriced Dasar penolakan terhadap hipotesa nol tersebut adalah dengan menggunakan F statistic seperti yang dirumuskan sebagai berikut: 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 Pengujian ini mengikuti distribusi F statistic yaitu FN-1, NT-N-K 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 model fixed effect. 60 b. Uji Hausman Test pengujian ini dilakukan untuk menentukan apakah model fixed effect atau random effect yang akan dipilih. Pengujian ini dilakukan dengan hipotesa sebagai berikut: Hο : Model Random Effect H : Model Fexed Effect Dasar penolakan H ο adalah dengan menggunakan pertimbangan statistic Chi- Square . Jika Chi-Square statistik Chi-Square table maka H ο ditolak model yang digunakan adalah Fixed Effect.

3. Uji Asumsi Klasik

Persamaan yang diperoleh dari sebuah estimasi dapat dioperasikan secara statistik jika memenuhi asumsi klasik yaitu memenuhi bebas multikolinearitas, heteroskedastisitas, autokorelasi, serta disturbance term terdistribusi secara normal. 1 Uji Linearitas Salah satu asumsi dari analisis regresi adalah linearitas. Maksudnya apakah garis regresi antara X variabel independen dan Y variabel dependen membentuk garis linear atau tidak. Ada beberapa cara yang dilakukan untuk mengetahui apakah model linear yang digunakan betul-betul cocok dengan keadaannya atau tidak. Jika hasil pengujian mengatakan model linear yang diambil kurang cocok maka harus mengambil model lain yang nonlinear. Pada umumnya ada beberapa macam uji linieritas yang digunakan yaitu: Uji Durbin-Watson, Uji 61 Ramsey atau uji lagrange multiplier, MWD test Mackinnon, H.White, and R.Davidson http:www.konsultanstatistik.com200903uji-asumsi- klasik.html. Pada penelitian ini untuk uji linieritas digunakan uji Durbin-Watson statistik. Uji ini sangat popular digunakan untuk mengetahui ada-tidaknya autokorelasi dalam suatu model regresi yang digunakan dalam studi empiris. Untuk menerapkan uji ini ada beberapa langkah yang perlu dilakukan yaitu: a. lakukan estimasi persamaan model linear awal b. lakukan estimasi persamaan model non linear c. berdasarkan pada nilai statistik Durbin-Watson tabel bandingkan nilai DW statistik dengan DW tabelnya. Jika signifikan atau berada pada daerah autokorelasi positif ataupun autokorelasi negatif, maka spesifikasi 2 model estimasi diatas salah atau mis-specification. 2 Uji Normalitas Distribusi normal adalah suatu distribusi yang relatif sederhana yang hanya melibatkan dua parameter rata-rata atau varian. Ada beberapa uji yang dapat digunakanan untuk mengetahui normal atau tidaknya faktor gangguan, salah satunya yang paling dikenal yaitu uji jarque-bera. Uji ini menggunakan hasil estimasi residual dan chi-square probability distribution. Keuntungan dalam menggunakan uji J-B adalah, kebanyakan program komputer dengan analisis ekonometrika saat ini sudah menampilkan hasil perhitungan J-B hitung. Untuk mengetahui apakah data 62 berdistribusi normal atau tidak adalah sebagai berikut Insukindro, maryatmo, aliman, 2001 :  Bila nilai J-B hitung nilai χ 2 -tabel , maka hipotesis yang menyatakan bahwa data berdistribusi normal ditolak.  Bila nilai J-B hitung nilai χ 2 -tabel , maka hipotesis yang menyatakan bahwa data berdistribusi normal diterima. 3 Uji Heteroskedastisitas Heteroskedastisitas adalah variasi residual tidak sama untuk semua pengamatan. Salah satu uji penting dalam regresi linier klasik adalah bahwa gangguan yang muncul dalam regresi populasi adalah homoskedastisitas yaitu semua gangguan memiliki varians yang sama atau varians setiap gangguan yang dibatasi oleh nilai tertentu mengenai pada variable-variabel independent berbentuk nilai konstan yang sama dengan σ². Dan jika suatu populasi yang dianalisis memiliki gangguan varians yang tidak sama maka mengindikasikan terjadinya gangguan heteroskedastisitas. Untuk mengetahui ada tidaknya heteroskedastisitas dilihat dari nilai Sum Squared Resid Weighted statistics dan Sum Squared resid Unweighted statistics. Apabila nilai Sum squared resid Weighted statistics Sum squaed resid Unweighted statistics maka model teridentifikasi mengandung gejala heteroskedastisitas. 4 Uji Multikolinearitas Multikolinearitas adalah adanya hubungan linear antar variabel independent. Salah satu asumsi model regresi klasik adalah tidak terdapat 63 diantara variable independent dalam model regresi. Multikolinearitas artinya terdapat korelasi yang signifikan diantara dua atau lebih variable independent dalam model regresi Yahya, 2008:93. Pengujian terhadap ada tidaknya multikolinearitas ini dilakukan dengan cara melihat koefisien korelasi antar variabel. Beberapa kaidah untuk mendeteksi ada tidaknya multikolinearitas dalam suatu model empiris Insukindro, Maryatmo, Aliman, 2001 : 69, yaitu sebagai berikut :  Nilai R 2 yang dihasilkan dari hasil estimasi model empiris sangat tinggi, tetapi tingkat signifikan variabel bebas berdasarkan uji t statistik sangat sedikit.  Tolerance and variance inflation factor VIF. VIF mencoba melihat bagaimana varian dari suatu penaksir meningkat seandainya ada multikolinearitas dalam suatu model empiris. Misalkan R 2 dari hasil estimasi regresi secara parsial mendekati satu, maka nilai VIF akan mempunyai nilai tak hingga. Dengan demikian nilai kolinearitas meningkat, maka varian dari penaksir akan meningkat dalam limit yang tak terhingga. Namun menurut Gujarati dalam buku Basic Ekonomerti, persamaan multikolinearitas telah dapat terselesaikan dalam data panel artinya dapat menjadi solusi jika data mengalami multikolinearitas. Sehingga pengujian multikolinearitas tidak dibutuhkan. 64 5 Uji Autokorelasi Uji autokorelasi adalah sebuah uji yang bertujuan untuk mengetahui apakah ada tidaknya korelasi antar variabel. Autokolerasi didefinisikan sebagai kolerasi atau hubungan antara anggota serangkaian observasi yang diurutkan menurut waktu seperti time-series atau ruang cross-section. Masalah kolerasi biasanya muncul dalam data time-series dan tidak menutup kemungkinan dapat terjadi juga dalam data cross-section. Dalam data time-series, autokolerasi terjadi khususnya apabila selang waktu pengamatan sangat pendek. Sedangkan dalam data cross-section, observasi tidak diurutkan, namun tidak menutup kemungkinan autokolerasi dapat terjadi. Cara mendeteksi ada tidaknya masalah autokolerasi salah satunya adalah dengan uji Durbin-Watson. Keunggulan dari uji D-W dalam mendeteksi masalah autokolerasi adalah karena uji ini didasarkan pada residual yang ditaksir. Dimana dalam berbagai program komputer seperti E-views misalnya, secara rutin menampilkan nilai D-W statistik.

4. Pengujian Statistik Analisis Regresi

Uji signifikansi merupakan prosedur yang digunakan untuk diterima atau ditolaknya secara statistik hasil hipotesis nol Ho dari sample keputusan untuk mengolah Ho dibuat berdasarkan nilai uji statistik yang diperoleh dari data yang ada. 65 1 Koefisien Determinan Adjusted R² Nilai Adjusted R² disebut juga koefisien detrminasi. Koefisien determinasi adjusted R² menunjukan seberapa besar persentase variasi variable independent dapat menjelaskan variasi variable dependennya goodness of fit test. Nilai adjusted R² berkisar antara nol dan satu 0Adjusted R²1. Nilai Adjusted R² yang kecil atau mendekati nol berarti kemampuan variable independent dalam menjelaskan variasi variable dependen amat terbatas. Sebaliknya jika nilai Adjusted R² mendekati satu berarti variable independent memberikan hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen dalam model tersebut dapat dikatakan baik. 2 Pengujian Best of Fit Model a. Pengujian koefisien regresi serentak uji F Uji F merupakan alat uji statistik secara bersama-sama atau keseluruhan dari koefisien regresi variabel independen terhadap variabel dependen. Dari uji F dapat diketahui variabel independen yang masuk dalam model memiliki pengaruh secara bersama-sama atau tidak terhadap variabel dependen. Hipotesis nol Ho yang diajukan dalam penelitian ini adalah apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap variabel dependen atau: Ho : β1 = β2 = β3 = β4 = 0 66 Sedangkan hipotesis alternatifnya Hı adalah semua variabel independent mampu mempengaruhi variabel dependen secara bersama-sama. Atau: H1 : β1 = β2 = β3 = β4 ≠ 0 Kriteria dalam uji F yaitu bila niali Fhitung lebih besar dibandingkan dengan nilai F tabel FF α, df, maka Hο ditolak, dan Hı diterima. Atau apabila F-hitung lebih besar dari F-tabel, maka variabel independen berpengaruh signifikan terhadap variabel dependen secara bersama-sama. Sebaliknya, apabila F-hitung lebih kecil dari F-tabel, maka variabel independen tidak berpengaruh signifikan terhadap variabel dependen secara bersama-sama. F-tabel diperoleh dengan derajat kebebasa variasi regresi k banyaknya variabel, dan derajat kebebasan variasi residual n-k-1 banyaknya observasi-banyaknya variabel-1 b. Pengujian koefisien regresi secara individual Uji t Uji t dilakukan untuk mengetahui apakah variabel independen secara individual mempengaruhi variabel dependennya. Hipotesis yang diajukan adalah: Hipotesis 1 H  : β1 ≥ 0,05 PDRB berpengaruh secara signifikan terhadap tingkat kemiskinan H ο : β1 0,05 PDRB tidak berpengaruh negatif dan signifikan terhadap tingkat kemiskinan. 67 Hipotesis 2 H  : β2 ≤ 0,05 Angka Harapan Hidup berpengaruh secara signifikan terhadap tingkat kemiskinan H ο: β2 0,05 Angka Harapan Hidup tidak berpengaruh negatif dan signifikan terhadap tingkat kemiskinan Hipotesis 3 H  : β3 ≥ 0,05 Angka Melek Huruf berpengaruh secara signifikan terhadap tingkat kemiskinan H ο : β3 0,05 Angka Melek Huruf tidak berpengaruh negatif dan signifikan terhadap tingkat kemiskinan Uji t dapat dilakukan dengan dua cara, pertama dengan membandingkan nilai t-hitung dengan t-tabel. Nilai t-hitung dapat diperoleh dari nilai t-statistik pada output eviews, sedangkan nilai t- tabel dapat diperoleh dari tabel t dengan dengan menggunakan degree of freedom df sebesar n-k. Apabila t-hitung lebih besar dari pada t- tabel maka H ο ditolak dan Hı diterima, sebaliknya jika t-hitung lebih kecil daripada t-tabel maka H ο diterima dan Hı ditolak. Cara kedua yaitu dengan membandingkan nilai probalilitas output eviews dengan nilai α. Apabila nilai probabilitas lebih kecil dari nilai α maka Hο ditolak dan Hı diterima, sebaliknya jika nilai probabilitas lebih besar daripada nilai α maka Hο diterima dan Hı ditolak. 68

E. Definisi Operasional

1. Tingkat Kemiskinan T Kemiskinan dalam penelitian ini di ukur dengan besarnya jumlah penduduk miskin absolute menurut kriteria Badan Pusat Statistik BPS di masing masing kabupatenkota Jawa Tengah selama periode 2005-2009. Menurut BPS jumlah penduduk miskin adalah jumlah keseluruhan populasi dengan pengeluaran perkapita berada di bawah ambang batas tertentu yang dinyatakan sebagai garis kemiskinan. Garis kemiskinan merupakan nilai pengeluaran perkapita setiap bulan untuk memenuhi standar minimum kebutuhan- kebutuhan konsumsi pangan dan non pangan oleh seorang individu untuk hidup secara layak BPS,2008:30-32. Kebutuhan minimum makanan menggunakan patokan 2100 kalorihari, kebutuhan non makan meliputi sandang, perumahan, aneka barang dan jasa. Satuan dari variable kemiskinan dalam penelitian ini adalah peresen. 2. Produk Domestik Regional Bruto PDRB Produk Domestik Regional Bruto PDRB adalah jumlah nilai tambah bruto yang dihasilkan seluruh unit usaha dalam wilayah tertentu, atau merupakan jumlah barang dan jasa akhir yang dihasilkan oleh seluruh unit ekonomi. Indikator yang biasanya digunakan untuk mengukur pertumbuhan ekonomi adalah tingkat pertumbuhan Produk Domestik Regional Bruto PDRB riil dari tahun ke tahun. Produk Domestik Regional Bruto PDRB berguna untuk menunjukkan jumlah nilai tambah yang dihasilkan oleh seluruh unit usaha dalam suatu wilayah, atau secara umum PDRB memberikan gambaran kinerja 69 ekonomi makro suatu wilayah dari waktu ke waktu. Nilai PDRB yang digunakan dalam penelitian ini adalah PDRB 35 kabupatenkota Jawa Tengah atas dasar harga konstaan 2000 selama tahun 2005-2009. Satuan dari variabel pertumbuhan ekonomi ini adalah juta rupiah. 3. Angka Harapan Hidup Menurut BPS, Angka harapan hidup adalah rata-rata perkiraan banyaknya tahun yang dapat ditempuh oleh seseorang selama hidup. Dalam penelitian ini angka harapan hidup menggunakan satuan tahun. 4. Angka Melek Huruf Menurut BPS Badan Pusat Statistik melek huruf adalah kemampuan seseorang membaca dan menulis huruf latin atau huruf lainnya selain huruf latin yang masing-masing merupakan keterampilan dasar yang diajarkan di kelas-kelas awal jenjang pendidikan dasar. Angka melek huruf menggambarkan persentase penduduk umur 15 tahun keatas yang mampu baca tulis. Data yang digunakan dalam penelitian ini adalah penduduk melek huruf Jawa Tengah tahun 2005 – 2009 dalam satuan orang. 70

BAB IV HASIL DAN PEMBAHASAN

A. Perkembangan Objek Penelitian

1. Kondisi Geografis

Jawa Tengah adalah sebuah provinsi di Indonesia yang terletak di tengah pulau Jawa tepatnya antara provinsi Jawa Barat dan Jawa Timur. Secara geografis berada di antara 5°40 dan 8°30 Lintang selatan dan antara 108°30 dan 111°30 Bujur Timur termasuk Pulau Karimunjawa. Jarak terjauh dari barat ke timur adalah 263 km dan utara ke selatan 226 km tidak termasuk Pulau Karamunjawa. Secara administratif Provinsi Jawa Tengah terbagi menjadi 29 kabupaten dan 6 kota. Luas wilayah Jawa Tengah pada tahun 2006 tercatat sebesar 3,25 juta hektar atau sekitar 25,04 persen dari luas Pulau Jawa atau 1,70 persen dari luas Indonesia. Luas yang ada, terdiri dari 992 ribu hektar 30,05 persen lahan sawah dan 2,26 juta hektar 69,50 persen bukan lahan sawah. Provinsi Jawa Tengah dengan pusat pemerintahan di Kota Semarang, secara administratif terbagi dalam 35 kabupatenkota 29 kabupaten dan 6 kota dengan 565 kecamatan yang meliputi 7872 desa dan 622 kelurahan. Letak Geogafis Jawa Tengah sangat strategis karena merupakan penghubung jalur darat antara Jawa Timur dengan Jawa Barat dan DKI Jakarta yang perkembangannya sangat pesat. Kondisi strategis ini bisa dimanfaatkan