VI HASIL DAN PEMBAHASAN
6.1. Hasil Regresi dengan OLS 1 Uji Ekonometrika
Sebuah model regresi dikatakan baik berdasarkan kriteria statistik jika memenuhi kebaikan uji ekonometrika dimana uji ini merupakan cara untuk mengatasi empat masalah dalam regresi berganda, yaitu normalitas, autokorelasi, heteroskedastisitas, dan multikolinearitas. Pada penelitian ini terdapat masalah multikolinearitas sehingga harus diatasi lebih lanjut agar hasil estimasi dengan menggunakan OLS menjadi valid melalui transformasi dari regresi komponen utama. Berikut adalah tabel hasil uji regresi klasik sebagai berikut.
Tabel 10. Hasil Regresi OLS
Uji Kolmogorov-Smirnov
p-value 0.15 p-value>alfa Residual menyebar normal Uji Durbin Watson
Nilai DQ 2.55225 du<DW<4-du Tidak ada autokorelasi Uji White
p-value (t)
0.052
p-value>alfa Tidak ada heteroskedastisitas 0.066 0.49 0.428 0.443 0.215 p-value (F) 0.392 Uji VIF Nilai VIF 2.004
VIF>10 Ada multikolinearitas
1.201 52.42 6.441 15.811 49.793 Signifikan pada alfa 5%
Hasil regresi pada tabel 10, menunjukkan bahwa tiga asumsi klasik dalam perhitungan ekonometrika telah terpenuhi (normalitas, autokorelasi dan heteroskedastisitas) pada taraf alpha lima persen (0,05). Namun demikian, terdapat masalah multikolinearitas dimana nilai VIF >10. Kriteria asumsi klasik
multikolinearitas adalah VIF<10. Oleh sebab itu, pada penelitian ini terjadi korelasi linier yang mendekati sempurna antar lebih dari dua variabel bebas. Menurut Suliyanto (2011), beberapa kemungkinan penyebab timbulnya gejala multikolinearitas pada model regresi diantaranya:
1. Kebanyakan variabel ekonomi berubah sepanjang waktu. Besaran-besaran ekonomi dipengaruhi oleh faktor-faktor yang sama sehingga jika satu faktor mempengaruhi variabel dependen maka seluruh variabel cenderung berubah dalam satu arah.
2. Adanya penggunaan nilai lag (lagged value) dari variabel-variabel bebas tertentu dalam model regresi.
3. Metode pengumpulan data yang dipakai (the data collection method employed). 4. Adanya kendala dalam model atau populasi yang menjadi sampel (constaint on
the model or ini the population being sampled).
5. Adanya kesalahan spesifikasi model (specification model). Hal ini dapat terjadi karena peneliti memasukkan variabel penjelas yang seharusnya dimasukkan dalam model empiris.
6. Adanya model yang berlebihan (an overdetermined model). Hal ini terjadi ketika model empiris (jumlah variabel penjelas) yang digunakan melebihi jumlah data (observasi).
Beberapa akibat yang timbul jika hasil estimasi model empiris terdapat masalah multikolinearitas diantaranya:
1. Penaksir kuadrat terkecil tidak bias ditentukan (indeterminate), meskipun hasil estimasi yang dihasilkan masih BLUE (Best Linier Unbiased Estimator).
2. Interval kepercayaan (confidence interval) cenderung meningkat lebih besar sehingga mendorong untuk menerima hipotesis nol (antara lain koefisien populasi adalah nol).
3. Nilai t-statistik koefisien dari satu atau beberapa variabel penjelas secara statistik tidak signifikan sehingga dapat menyebabkan dikeluarkannya variabel penjelas dalam suatu model regresi, padahal variabel penjelas tersebut sangat penting perannya dalam menjelaskan variabel tergantung.
4. Penaksir-penaksir OLS dan kesalahan bakunya cenderung tidak stabil dan sangat sensitif bila ada perubahan data meskipun sangat kecil.
5. Jika multikolinearitas tinggi, mungkin R2 bisa tinggi namun tidak satupun (sangat sedikit) taksiran koefisien regresi yang signifikan secara statistik.
Walaupun demikian, masalah multikolinearitas dapat diatasi dengan menggunakan beberapa metode. Adapun metode-metode yang dapat digunakan untuk menangani masalah multikolinearitas diantaranya:
1. Memperbesar ukuran sampel
2. Menghilangkan salah satu atau lebih variabel bebas
3. Menggabungkan data time series dengan data cross section 4. Melakukan transformasi data
5. Menggunakan metode Principle Component Regression (Regresi Komponen Utama)
Pada penelitian ini menggunakan metode regresi komponen utama (Principle Component Regression) untuk mengatasi permasalahan multikolinearitas. Dengan demikian, variabel bebas yang memiliki korelasi yang kuat dapat diringkas menjadi sebuah variabel baru yang mampu mencerminkan variabel pembentuknya5.
6.1.2. Hasil regresi Komponen Utama
Transformai yang dilakukan dengan mengubah bentuk W menjadi Z maka akan menghasilkan persamaan regresi baru dalam bentuk peubah baku. Analisis ini bertujuan untuk menyederhanakan peubah-peubah yang diamati dengan cara mereduksi dimensinya sehingga masalah multikolinearitas pada penelitian ini dapat diatasi. Reduksi ini dilakukan terhadap komponen utama yang memiliki akar terkecil atau akar cirri yang nilainya kurang dari satu. Berikut adalah tabel hasil regresi komponen utama matriks Z.
5
Suliyanto. 2011. Ekonometrika Terapan: Teori dan Aplikasi dengan SPSS. Yogyakarta. Andi
Tabel 11. Regresi Komponen Utama Komponen Utama 1 2 3 4 5 6 Eigenvalue 3,658 1,324 0,6303 0,2399 0,1204 0,0082 Z1 0,215 0,608 0,714 -0,207 0,177 -0,03 Z2 -0,058 0,753 -0,568 0,3 0,121 -0,045 Z3 -0,498 0,08 0,259 0,368 -0,166 0,718 Z4 -0,493 -0,119 -0,008 -0,159 0,846 -0,049 Z5 -0,459 0,207 -0,162 -0,758 -0,382 0,017 Z6 -0,499 0,022 0,272 0,363 -0,257 -0,692
Berdasarkan tabel 11, nilai eigen yang lebih besar dari satu adalah komponen PC1 dan PC2. Langkah selanjutnya yaitu dengan meregresikan antara variabel respon terhadap kedua skor komponen tersebut sehingga diperoleh persamaan hasil regresi baru yang valid. Pengujian yang telah dilakukan dengan menggunakan regresi komponen utama menghasilkan nilai p-value < 0.05% sehingga diperoleh model yang signifikan pada taraf 5% (lampiran 5) . Dengan demikian, langkah berikutnya yaitu dengan mentransformasikan model yang di dapat ke Z kemudian ke peubah bebas sehingga diperoleh persamaan:
LnEx = 16.1 -0.4550 LnX1 -5.7103 LnX2 + 0.2636 LnX3 + 0.7682 X4 + 0.2183 LnX5
+ 0.7525 LnX6……… (5.1)
Persamaan 5.1 menunjukkan hasil regresi yang diformulasikan kembali dalam bentuk awal. Dengan kata lain, persamaan tersebut merupakan hasil regresi akhir yang lebih baik dengan menghilangkan masalah multikolinieritas. Dengan demikian, dapat disimpulkan berdasarkan hasil pengolahan dengan regresi komponen utama bahwa produksi (LnX3), dummy revitalisasi (LnX4), volume ekspor rumput laut Indonesia (LnX5) dan GDP China (LnX6) memiliki koefisien positif. Sedangkan harga ekspor ke China (LnX1), nilai tukar ( LnX2) memiliki koefisien yang negatif terhadap volume eskpor rumput laut Indonesia ke China.
6.1.3. Uji Statistiik 1. Uji F-Statistik
Pada lampiran 5 menunjukkan nilai p-value yaitu sebesar 0.000. Hal tersebut menunjukkan F-statistik signifikan pada taraf nyata (α) lima persen yang artinya terdapat minimal satu peubah bebas yang berpengaruh nyata terhadap peubah
responnya. Salah satu peubah yang memiliki pengaruh signifikan terhadap peubah respon dalam penelitian ini adalah volume ekspor rumput laut ke China.
2. Uji R-Squared
Pada lampiran 5 menunjukkan nilai R-Squared yaitu sebesar 92.8%. Hal tersebut menunjukkan bahwa sebesar 92.8% peubah bebas dalam model penelitian ini yang terdiri dari enam variabel (harga ekspor, nilai tukar, produksi, dummy revitalisasi, volume ekspor dan GDP) dapat mejelaskan peubah respon yaitu volume ekspor rumput laut Indonesia ke China. Sementara itu, 7.2% dijelaskan oleh variabel-variabel yang tidak diikutsertakan dalam model.
3. Uji T-Statistik
Pada tabel di bawah menunjukkan nilai t-hitung dari keenam variabel. Dari keenam variabel memiliki hasil yang signifikan dimana │t-hitung│> 1.96 sehingga terima H0. Pada penelitian ini, semua variabel menunjukkan signifikan pada taraf nyata lima persen. Dengan demikian, variabel-variabel tersebut memiliki pengaruh yang signifikan terhadap volume ekspor rumput laut Indonesia ke China. Berikut adalah tabel hasil uji-t statistika.
Tabel 12. Hasil Uji-t Statistika
Variabel Simpangan baku Koefisien t-hitung Keterangan
X1 0.045651 -0.4550 -9.9671 Significant X2 0.055344 -5.7103 -103.178 Significant X3 0.022912 0.2636 11.50339 Significant X4 0.023601 0.7682 32.5484 Significant X5 0.025448 0.2183 8.578327 Significant X6 0.02225 0.7525 33.82081 Significant
6.2. Faktor-faktor yang Mempengaruhi Ekspor Rumput Laut Indonesia