BAB III METODE PENELITIAN
D. Metode Analisis Data
Menurut Winarno (2015) yang dikutip dari bukunya mengatakan bahwa’datapanelmerupakananalisis”data yang”terdiri”dari data seksi silang”(terdapat beberapa objek) atau cross”section’digabung dengan data”runtutan”waktu (berdasarkan waktu) atau time series. Data panel merupakan analisis”yang mengkombinasikan”data”cross section
dengan sejumlah’observasi’yang’telah ditentukan dalam jangka waktu tertentu atau’data’time’series’yang’juga’telah’ditentukan.
Saat menggabungkan data time series dan cross section dapat menambahkan jumlah observasi secara signifikan tanpa melakukan
treatment apapun pada data seperti melakukan logaritma natural.
Sehingga analisis’data’panel’memberikan’hasil’yang’memuaskan’dan mendapatkan hasil yang rinci. Sedangkan model analisis yang digunakan dalam penelitian”ini’yakni”analisis’regresi linear berganda. Model persamaan yang akan diestimasi dalam model regresi penelitian ini adalah sebagai berikut:
Keterangan :
GDPit = Gross Domestic Bruto di negara i pada periode t
𝛽0 = Konstanta/Intercept
1, 2, 3 = Koefisien Regresi
ULNit = Utang Luar Negeri di negara i pada periode t
FDIit = Foreign Direct Investment di negara i pada periode t EDBit = Ease of Doing Business di negara i pada periode t
it = error terms
2. Model’Estimasi
Dalam menganalisis model regresi data panel dapat dilakukan dengan tiga”macam”pendekatan”yaitu:
a. Pendekatan Common Effect Model atau Pooled Least Square (PLS) Model Common Effect Model termasuk”model”regresi”yang paling sederhana”jika”dibandingkan”dua”model’regresi’yang lain. Sederhananya model;ini’hanya”menggabungkan”data’time’series dan cross-section tanpa melihat”koefisien”lainnya yang mungkin dapat mempengaruhi model (Widarjono, 2009). Pada”model”PLS, perilaku individu biasanya”diasumsikan”sama”dalam”berbagai”kurun”waktu.
Hal itu terjadi karena dimensi waktu ataupun individu tidak
terlalu’diperhatikan dalam analisis model ini. b. Pendekatan’Fixed’Effect’Model’(FEM)
Fixed Effect Model (FEM) merupakan model yang menjelaskan
bahwa individu-individu secara cross-section dalam model ini memiliki intersepnya masing-masing. Intersep yang dihasilkan tersebut akan memberikan’pengaruh’yang’berbeda’dari’masing-masing individu. Model ini”juga”sering”disebut”sebagai”teknik Least Squares Dummy
Variable’(LSDV). Untuk’mengestimasi data panel, model ini terkadang”menggunakan”teknik’variable’dummy, yang’mana’variable dummy”dapat melihat’perbedaan intersep’pada masing-masing individu (Gujarati, 2012).
c. Pendekatan’Random’Effect’Model’(REM)
Random”Effect”Model”(REM) merupakan”model regresi yang mengestimasi’data’panel’dengan’memperhitungkan error dari model regresi”yang”dianalisis”dengan”metode Generalized Least Square (GLS). Perbedaan’model’ini dengan’Fixed Effect Model (FEM)
terletak pada error-nya. Pada model REM perbedaan antar individu dan waktu diakomodir melalui error yang dihasilkan. Keuntungan menggunakan REM”yaitu dapat menghilangkan heteroskedastisitas. Model REM membuktikan’bahwa error dapat diperhitungkan karena berkorelasi dengan time’series’dan’cross’section (Suliyanto, 2011). 3. Uji’Spesifikasi’Model
Tahap”pertama yang dilakukan dalam analisis regresi data panel melakukan percobaan”regresi dengan”FEM, kemudian”melakukan”uji Chow untuk”membuktikan model yang tepat di antara FEM dan PLS kemudian dilihat dari nilai probabilitasnya. Jika FEM merupakan
model”yang tepat, maka dilakukan kembali uji Hausman untuk
membuktikan mana di antara FEM dan REM yang”merupakan”model terbaik dari penelitian tersebut. Kemudian tahap terakhir, jika REM”merupakan model yang tepat maka dilakukan LM-test’untuk
memastikan bahwa REM merupakan model’terbaik. Singkatnya, analisis data panel memiliki tiga jenis pendekatan untuk mengestimasi model yaitu uji Chow, uji Hausman dan LM-test.
Setelah”melakukan’berbagai’pengujian untuk estimasi model terbaik, maka”penelitian’ini’hanya’menggunakan’uji’Chow dan uji Hausman. Berikut adalah’penjelasan’dari’uji’spesifikasi’model’antara’lain’sebagai berikut:
a. Uji’Chow
Uji ini untuk”mengetahui”Common’Effect’Model’Model atau
Fixed Effect’Model’(FEM) yang’akan’digunakan’dalam”estimasi. Hipotesisnya adalah”sebagai”berikut:
H0: Common Effect Model H1: Fixed Effect Model
Jika’nilai’probabilitasnya’lebih’kecil’dari’tingkat’signifikansi α = 5% (tingkat kepercayaan 95%) maka H0 ditolak, artinya model panel yang baik untuk”digunakan”adalah”Fixed”Effect”Model’(FEM). Sebaliknya jika H0 diterima, berarti Common Effect Model merupakan model yang harus digunakan dan dianalisis.
b. Uji’Hausman
Setelah’melakukan uji’Chow’dan didapatkan’hasil’H0 ditolak, maka langkah’selanjutnya melakukan uji Hausman. Pada tahap ini, pilihan model adalahmemilihantara”Fixed”Effect”Model (FEM)”atau
penilaian yang diperhitungkan menggunakan Chi-Square Statistic,
sehingga keputusan pemilihan model dapat ditentukan dengan
hipotesis’sebagai’berikut: H0: Random Effect Model H1: Fixed Effect Model
Jika nilai probabilitas lebih kecil dari tingkat signifikansi α = 5% maka’H0 ditolak, yang artinya model data panel yang baik untuk
digunakan adalah Fixed Effect Model (FEM). Namun sebaliknya
jika’H0 diterima, maka Random Effect Model (REM) merupakan
model’yang’tepat untuk digunakan’dan’dianalisis. c. Uji Lagrange Multiplier
Uji Lagrange Multiplier merupakan nilai dari pengujian statistik
untuk menentukan Random Effect Model dan Common Effect Model dari pengujian melalui metode tersebut. Hipotesis dari uji ini yaitu :
H0 : Common Effect Model H1 : Random Effect Model
Nilai Statistik hausman dapat dilihat melalui prob breusch-pagan lebih kecil dari 0.05 yang artinya terima H1 untuk Random Effect
Model. Apabila nilai prob breusch-pagan lebih dari 0.05 yang artinya
terima H0 artinya memakai Common Effect Model.
4. Uji Hipotesis
Uji yang dilakukan’untuk’mengetahui’hubungan’dari
Eviews 10.
a. Uji’t’(Uji’Parsial)
Uji”t”digunakan”untuk menguji apakah setiap variabel bebas (independen) secara masing-masing parsial atau individu memiliki pengaruh’yang signifikan terhadap variabel terikat (dependen) pada tingkat signifikansi”0.05”(5%)”dengan menganggap variabel”bebas bernilai konstan. Langkah-langkah’yang’harus’dilakukan dengan uji t yaitu dengan pengujian: (Nachrowi, 2006).
H0 : masing-masing’variabel bebas tidak ada pengaruh yang signifikan dari’variabel”terikat.
H1 : masing-masing’variabel bebas ada pengaruh yang signifikan dari variabel’terikat.
Bila’probabilitas t-statistic > α 5% artinya variabel bebas tidak signifikan atau tidak mempunyai pengaruh terhadap variabel terikat (H0
terima, H1 tolak). Bila probabilitas t-statistic < α 5% artinya variabel bebas signifikan’atau’mempunyai’pengaruh’terhadap’variabel’terikat (H0 tolak, H1 terima).
b. Uji’Adj’R2 (Adjusted’R’Square)
Menurut Ajija (2011) Uji koefisien determinasi koefisien R2 atau (R 2 adjusted). Koefisien”determinasi"ini”menunjukkan kemampuan garis regresi menerangkan variasi-variabel terikat Y yang dapat dijelaskan oleh variabel bebas’X. Nilai’koefisien’R2 atau’(R2
baik.
c. Uji F (Uji Fisher)
Uji F digunakan untuk”mengetahui’apakah’seluruh’variabel bebas (independen)”secara bersama-sama berpengaruh”terhadap variabel terikat”(dependen)”pada”tingkat signifikansi 5% (0.05). Pengujian semua”koefisien”regresi’secara’bersama-sama’dilakukan dengan uji F dengan pengujiann: (Nachrowi, 2006)
H0 : secara bersama-sama”tidak ada pengaruh yang signifikan antara variabel bebas terhadap variabel terikat.
H1 : secara bersama-sama ada pengaruh yang signifikan antara variabel bebas terhadap variabel terikat.
Bila probabilitas > 0.05 maka variabel bebas tidak signifikan atau tidak mempunyai pengaruh terhadap variabel terikat. Bila probabilitas < 0.05 maka variabel bebas signifikan atau mempunyai pengaruh terhadap variabel terikat.
5. Uji Asumsi Klasik
Jika"terbukti’harus’menggunakan’Fixed’Effect’Model’maka terdapat uji’asumsi’klasik’yang’harus’dipenuhi, terdapat empat uji asumsi klasik yang harus’dipenuhi’di’antaranya’sebagai’berikut:
a. Uji”Normalitas
Uji normalitas merupakan pengujian yang bertujuan untuk mengetahui apakah variabel pengganggu (ui) didistribusikan secara normal atau tidak (Ghozali, 2012). Hasil dari uji normalitas
dapat”dilihat”melalui grafik distribusi’dan’analisis’statistiknya apakah data terdistribusi normal melalui nilai probabilitas yang tertera. Penggunaangrafikdistribusi ini merupakancarayangpalingsederhana untukmelakukan’uji normalitas. Cara ini dilakukan karena bentuk data yang terdistribusi secara normal akan’mengikuti pola distribusi normal di mana bentuk grafiknya mengikuti bentuk lonceng. Kemudian untuk”analisis”statistikdapat menggunakan analisis tingkat kemiringan kurva dibandingkan dengan indikatornya.
b. Uji Multikolinearitas
Uji”multikolinearitasmerupakanpengujianyang”melihat apakah dalam’model’regresi’terdapat’hubungan’atau’korelasi antar variabel bebas (independen). Ketikaadahubungandiantaravariabelindependen dalam penelitian’maka’model’regresi’yang digunakan tidak baik, hubungan antar variabelharus dihindari”(Ghozali, 2012). Cara untuk” endeteksi apakah terdapat korelasi di antara variabel independen dapat”dilihat dari nilai tolerance padaVariance Inflation Factor”(VIF). Nilai”tolerance yang”rendah mengartikan nilai’VIF yang”tinggi (karena VIF = 1/tolerance). Jika”nilai”tolerance > 0,8 maka”terjadi multikolinearitas”pada variabel independendalampenelitian.
c. Uji’Heteroskedastisitas
Ujiheteroskedastisitasmerupakanpengujian’untuk melihat apakah dalam”model”regresi”terjadi”ketidaksamaan”varians dari residual satu pengamatan”ke”pengamatan yang lain (Ghozali, 2012). Cara untuk
mendeteksi’apakah terdapat heteroskedastisitas”atau tidak yaitu dengan melihat grafik’plot antara’nilai prediksi variabel terikat (dependen). Selain itu, cara untuk mendeteksi multikolinearitas
dapat”dilakukan dengan uji Glejser. Uji Glejser dilakukan
dengan”meregresi”nilai absolut residual terhadap’variabel’independen. Jika variabel independen’signifikan secara statistik mempengaruhi variabel”dependen, maka ada indikasi terjadi heteroskedastisitas dan berlaku’juga’kondisi’sebaliknya.
d. Uji’Autokorelasi
Uji autokorelasi merupakan’uji’korelasi pada tempat yang berdekatan datanyayaitu”cross”section. Uji”autokorelasi”menjelaskan korelasi yang terjadiantaratime series, apakahterdapathubungan”yang membentuk suatu”pola”tertentu’antara’data’penelitian tahun ini dengan tahun sebelumnya. Uji”autokorelasi’lebih’menekankan kepada dua data penelitian berdasarkan’rentetanwaktu’yang’digunakan. Cara yang’digunakan’untuk mendeteksi apakah terdapat autokorelasi dalam”suatu penelitian adalah dengan’melihat’nilai’DW
(Durbin-Watson), kriterianya’adalah ketika nilai DW > dU maka penelitian’bebas’dari’autokorelasi negatif dan ketika nilai DW < dU maka’penelitian’bebas’dari’autokorelasi positif. Nilai dU sendiri dapat’dilihat’pada’tabel’Durbin-Watson.