IV. METODOLOGI PENELITIAN
4.4 M tode Analisis Data
4.4.2 Analisis Faktor-faktor yang Memengaruhi Substitusi Impor dengan
Model regresi berganda yang digunakan adalah model double-log. Variasi ini dipilih karena mengubah variabel ke fungsi logaritma dengan Ln. Ln membuat jarak antar data menjadi tidak terlalu lebar, sehingga dapat terhindar dari heterokedastisitas dan ketidakstasioneran. Hasil regresi pun berupa presentase yang telah mencerminkan elastisitas variabel X terhadap variabel Y.
1. Spesifikasi model ditetapkan sesuai persamaan yang apabila merupakan model double-log menjadi:
Ln Y1 = β0 + β1 LnX1i + β2 LnX2i + β3 LnX3i + … + βk LnXki
2. Peubah Xk merupakan peubah non-stokastik (fixed), artinya sudah ditentukan, bukan peubah acak. Selain itu, tidak ada hubungan linear sempurna antar peubah bebas Xk.
3. a) Komponen sisaan εi mempunyai nilai harapan sama dengan nol, dan ragam konstan untuk semua pengamatan i. E(εi)=0 dan Var(εi)=σ2
.
b) Tidak ada hubungan atau tidak ada korelasi antara sisaan εi sehingga Cov(εi, εj)=0, untuk i≠j.
37
c) Komponen sisaan menyebar normal.
Menurut dalil Gauss-Markov, jika asumsi 1, 2, 3a, dan 3b dipenuhi maka pendugaan parameter koefisien regresi menggunakan metode OLS akan menghasilkan penduga tak bias linier terbaik (BLUE = Best Linier Unbiased Estimator) (Juanda 2009).
Persamaaan faktor-faktor dibuat dengan memasukkan variabel-variabel tertentu ke dalam model. Model regresi berganda adalah persamaan regresi dengan satu peubah tak bebas atau dependent variable (P) dengan lebih dari satu peubah bebas atau independent variable (X1, X2,…, Xn). Fungsi persamaan adalah sebagai berikut:
[P = f (PDB, TI, HKJD, HJI, PJD, KJ, NT)]
Model untuk pendugaan faktor-faktor yang memengaruhi substitusi impor dengan dibuat berdasarkan metode regresi double-log adalah sebagai berikut:
Ln SIJt = β0 - β1 LnNTR + β2 LnHKJ + β3 LnPDB - β4 LnPJL - β5 LnHJI + β6 LnSIJt-1 + β7 DC + εi
Atau dalam bentuk eksponensial menjadi:
SIJ = β0 NTRβ1 HKJβ2 PDBβ3 PJLβ4 HJIβ5 SIJt-1β6 DCβ7 eu dimana:
β0 : Intersep
β1, β2,...β5 : Koefisien regresi
LnSIJ : Substitusi Impor periode ke-t (kg)
LnNTR : Nilai tukar rupiah terhadap dolar (Rp/US $)
LnHKJ : Harga konsumen jeruk di pedesaan periode ke-t (Rp/kg) LnPDB : Produk Domestik Bruto ke-t (Rp/kapita)
38
LnPJL : Produksi jeruk Indonesia pada periode ke-t (ton/bulan) LnHJI : Harga jeruk impor periode ke-t (Rp/kg)
LnSIJt-1 : Substitusi impor tahun periode t-1 (kg)
DC : Dummy pengaruh ACFTA terhadap impor jeruk
εi : Error term periode ke-t
Tanda parameter dugaan yang diharapkan adalah: β2,β5,β6,β7>0 dan β1,β3,β4, <0. Variabel substitusi impor merupakan variabel dependen yang memiliki jumlah yang sama dengan impor jeruk lokal terutama yang berasal dari Cina. Metode statistik yang digunakan untuk menjelaskan hubungan sebab akibat antara substitusi impor dan faktor-faktor yang dianggap dapat memengaruhi adalah regresi linier dengan metode kuadrat terkecil atau Ordinary Least Square (OLS). Model double-log yang memiliki kelebihan yaitu sebuah koefisien regresi individual dapat diinterpretasikan sebagai elastisitas.
Model regresi dalam analisis data diuji kebenaran tanda dan besarannya pada setiap koefisien dugaan berdasarkan teori ekonomi yang digunakan. Apabila tanda pada model sesuai dengan teori ekonomi maka model tersebut dinyatakan layak dan dapat diterima secara ekonomi. Pengujian terhadap model adalah sebagai berikut:
1. Pengujian terhadap model
Pengujian dilakukan guna mengetahui apakah model penduga yang diajukan sudah layak untuk menduga parameter dan fungsi substitusi impor di Indonesia. Uji Fisher atau Uji F dalam Juanda (2009) merupakan pengujian model secara keseluruhan dengan hipotesis pengujian yaitu:
39
H0: β1 = β2 = … = βt = 0 t = 1,2,..,n H1: Minimal ada satu βt yang tidak sama dengan 0 Perhitungan nilai Fhitung menggunakan rumus:
Keterangan:
Dbr = Derajat bebas regresi Dbe = Derajat bebas error KTR = Kuadrat Tengah Regresi KTS = Kuadrat Tengah Sisaan
Kriteria keputusan jika menggunakan taraf nyata α misalnya 5 %. Apabila Fhitung lebih dari Ftabel maka terima H1 atau probability F statistic kurang dari taraf nyata, artinya variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas, begitu pula sebaliknya.
2. Pengujian untuk tiap-tiap parameter
Uji t merupakan uji variabel secara parsial untuk menguji kesignifikanan setiap faktor terhadap produktivitas (Juanda 2009). Uji t yang dilakukan merupakan uji satu sampel dengan uji dua arah yang menggunakan hipotesis sebagai berikut:
H0: βt = 0 t = 1,2,…,n H1: βt ≠ 0
Perhitungan nilai Thitung menggunakan rumus: Keterangan:
Bl = parameter dugaan
40
Kriteria keputusan jika menggunakan taraf nyata α misalnya 5 %. Apabila Thitung lebih dari Ttabel maka terima H1 artinya variabel bebas dalam model berpengaruh nyata terhadap variabel tidak bebas pada taraf nyata 5 %, begitu pula sebaliknya. Selain menggunakan t hitung, nilai p value juga telah menunjukkan kemampuan variabel independen (Xi) dalam menjelaskan variabel dependen (Y). Apabila p value kurang dari taraf nyata, maka tolak H0 yang berarti variabel Xi berpengaruh nyata terhadap variabel Y.
3. Pengujian tingkat keragaman model
Koefisien determinasi (R2) sering diinterpretasikan sebagai proporsi total keragaman Y yang dapat dijelaskan oleh model regresi X terhadap Y (Juanda, 2009). Uji ini bertujuan utnuk mengetahui seberapa besar keragaman variabel tak bebas yaitu substitusi impor jeruk yang dapat diterangkan oleh variabel bebas. Koefisien determinasi dirumuskan sebagai berikut:
Keterangan:
JKR = Jumlah Kuadrat Regresi JKT = Jumlah Kuadrat Total
Apabila R2 semakin mendekati 1, maka semakin besar pula keragaman substitusi impor jeruk yang dapat diterangkan oleh variabel dalam model.
4. Pengujian terhadap Multikolinearitas
Salah satu asumsi dari model regresi berganda adalah bahwa tidak ada hubungan linear sempurna antar peubah bebas dalam model tersebut atau tidak ada multikolinearitas (Juanda 2009). Ada atau tidaknya multikolinearitas dalam suatu model dapat diidentifikasi dengan menggunakan VIF (Variance Inflation
41 Factor) yang menggambarkan kenaikan var (bj) karena korelasi antarpeubah penjelas. Jika nilai VIF lebih dari 10 maka artinya ada multikolinearitas.
5. Pengujian terhadap heterokedastisitas
Pendeteksian terhadap heterokedastisitas dilakukan untuk menghindari ragam sisaan (εt) yang tidak sama.. Pengujian dilakukan dengan menggunakan uji
white dengan hipotesis:
H0: Var(εi)=E(εi2)=σ2 H1: Var(εi)=E(εi2)=σ2
i
Berdasarkan uji white, akan diperoleh nilai probabilitas Chi-Square yang apabila nilainya lebih dari alpha maka artinya terima H0 dan asumsi homokedastisitas terpenuhi. Pelanggaran ini bukan hanya dapat terjadi dalam data cross section, tapi juga untuk data time series (Juanda 2009).
6. Pengujian terhadap normalitas
Uji dilakukan untuk mengetahui apakah residual dalam model menyebar normal atau tidak. Pendeteksian dilakukan dengan menggunakan uji Jarque-Bera dan grafiknya. Apabila nilai probabiliti lebih besar dari taraf nyata yang ditetapkan maka disimpulkan bahwa residual dalam model menyebar normal. 7. Pengujian Terhadap Autokorelasi
Salah satu asumsi dalam model regresi linier adalah bahwa tidak ada autokorelasi atau korelasi antar sisaan (εt) atau dalam pengertian lain adalah sisaan menyebar bebas (Juanda 2009). Akibat autokorelasi yaitu model masih tetap tidak bias, masih konsisten, mempunyai standar error yang bias ke bawah, dan penduga OLS tidak lagi efisien. Uji autokorelasi dilakukan dengan uji Breusch-Godfrey Serial LM Test karena jumlah pengamatan lebih dari 100.
42
Pengujian dengan Breusch-Godfrey Serial LM Test dilihat dari nilai probabilitas
Obs*R Squared. Apabila nilai lebih dari taraf nyata, maka tidak ada autokorelasi, begitu pula sebaliknya.