Pemilihan model estimasi

BAB IV ANALISIS DATA DAN PEMBAHASAN

D. Hasil Analisis

1. Pemilihan model estimasi

Permodelan dalam menggunakan teknik regresi data panel dapat dilakukan dengan menggunakan tiga pendekatan alternatif metode dalam pengolahannya. Pendekatan-pendekatan tersebut yaitu (1) Metode Ordinary Least Square (The Pooled OLS Method), (2) Metode Fixed Effect (FEM), (3) dan terakhir metode Random Effect (REM).

1.1Metode Ordinary Least Square (OLS) vs Metode Fixed Effect (FEM)

Metode Ordinary Least Square (OLS) merupakan metode pengolahan data

cross section dan time series dan kemudian data gabungan ini diperlakukan sebagai satu kesatuan pengamatan yang digunakan untuk mengestimasi model dengan metode OLS. Metode ini mengasumsikan slope dan intercept koefisien konstan.

commit to user

Tabel 4.1

Hasil Estimasi Data Panel dengan Pooled OLS

Dependent Variable: PDB? Method: Pooled Least Squares Date: 03/03/11 Time: 13:28 Sample: 2006 2009

Included observations: 4 Total panel observations 60

Variable Coefficient Std. Error t-Statistic Prob. C -1.640908 0.332270 -4.938476 0.0000 TK? 0.314865 0.071662 4.393755 0.0001 I? 0.571944 0.037201 15.37435 0.0000 JUu? 0.094538 0.041356 2.285935 0.0261 R-squared 0.900714 Mean dependent var 4.564795 Adjusted R-squared 0.895395 S.D. dependent var 0.602896 S.E. of regression 0.194993 Sum squared resid 2.129251 F-statistic 169.3417 Durbin-Watson stat 0.027394 Prob(F-statistic) 0.000000

Sumber: Data diolah dengan Eviews 3.0

Berdasarkan hasil estimasi dengan menggunakan metode OLS pada Tabel 4.1 dapat terlihat bahwa nilai R² sebesar 0,900714 atau sebesar 90,07%, atau hampir mendekati 100%. Tingginya nilai R² menunjukkan bahwa variabel independen yang diuji cukup baik dalam menjelaskan variabel dependennya. Dengan nilai DW-statistik sebesar 0,027394 yang rendah (jauh dari range angka 2) yang mengindikasikan adanya autokorelasi positif. Pada metode OLS ternyata variabel independen tenaga kerja, investasi dan jumlah industri signifikan pada tingkat α = 5 %, artinya variabel independen tenaga kerja, investasi dan jumlah industri mempunyai pengaruh yang signifikan terhadap variabel tingkat Produk Domestik Bruto (PDB) di Indonesia.

Metode ini mengasumsikan bahwa nilai intersep antar individual dianggap sama yang mana merupakan asumsi yang sangat membatasi (restricted) (Gujarati, 2006). Sehingga metode ini tidak dapat menangkap gambaran yang sebenarnya atas hubungan yang terjadi

commit to user

antara variable bebas dengan variable terikatnya, begitu pula hubungan diantara masing-masing individual cross section.

Begitu pula seperti yang dijabarkan pada metode pemilihan secara teoritis yang mengatakan bahwa metode OLS terlalu sederhana untuk mendeskripsikan fenomena yang ada. Sehingga yang perlu dilakukan adalah menemukan nature yang spesifik atas hubungan yang terjadi diantara masing-masing individu pada data cross section. Maka dapat dilihat dengan menggunakan metode fixed effect.

commit to user

Tabel 4.2

Hasil estimasi data panel dengan Fixed Effect Model

Dependent Variable: PDB?

Method: GLS (Cross Section Weights) Date: 03/03/11 Time: 13:55

Sample: 2006 2009 Included observations: 4 Total panel observations 60

White Heteroskedasticity-Consistent Standard Errors & Covariance Variable Coefficient Std. Error t-Statistic Prob.

TK? 0.410318 0.028623 14.33504 0.0000 I? 0.259581 0.015161 17.12214 0.0000 JUu? -0.085248 0.038843 -2.194680 0.0314 Fixed Effects _MI_TANI--C 1.125804 _MI_INDUSTRI--C 0.872135 _MI_PHR--C 1.146073 _MI_KEU--C 0.784500 _MI_JASA--C 0.775946 _K_TANI--C -0.152424 _K_INDUSTRI--C 0.787398 _K_PHR--C 1.119590 _K_KEU--C 0.777862 _K_JASA--C 0.536536 _ME_TANI--C 0.582634 _ME_INDUSTRI--C 0.783708 _ME_PHR--C 0.981618 _ME_KEU--C 1.227279 _ME_JASA--C 0.387352 Weighted Statistics

R-squared 0.999996 Mean dependent var 9.214795 Adjusted R-squared 0.999994 S.D. dependent var 7.652817 S.E. of regression 0.018158 Sum squared resid 0.013847 F-statistic 5240138. Durbin-Watson stat 1.948206 Prob(F-statistic) 0.000000

Unweighted Statistics

R-squared 0.999221 Mean dependent var 4.564795 Adjusted R-squared 0.998905 S.D. dependent var 0.602896 S.E. of regression 0.019949 Sum squared resid 0.016714 Durbin-Watson stat 1.236847

Sumber: Data diolah dengan Eviews 3.0

Dari hasil estimasi, terlihat bahwa nilai R² sebesar 0,999996 atau 99,99%. Nilai intersep untuk setiap skala usaha per sektor berbeda yaitu 1.125804 untuk Usaha Mikro Tani,

commit to user

0.872135 untuk Usaha Mikro Industri Pengolahan, 1.146073 untuk Usaha Mikro Perdagangan Hotel dan Restoran, 0.784500 untuk Usaha Mikro Keuangan, 0.775946 untuk Usaha Mikro Jasa, -0.152424 untuk Usaha kecil Tani, 0.787398 untuk Usaha kecil Industri pengolahan, 1.119590 untuk Usaha Kecil Perdagangan Hotel dan Restoran, 0.777862 untuk Usaha Kecil Keuangan, 0.536536 untuk Usaha Kecil Jasa, 0.582634 untuk Usaha Menengah Tani, 0.7873708 untuk Usaha Menengah Industri Pengolahan, 0.981618 untuk Usaha Menengah Perdagangan Hotel dan Restoran , 1.227279 untuk Usaha Menengah Keuangan, 0.387352 untuk Usaha Menengah Jasa, Perbedaan ini mencerminkan terdapat faktor-faktor tertentu yang berbeda dalam mempengaruhi proses urbanisasi pada tiap individu. Dalam menentukan pendekatan mana yang dipilih antara metode OLS atau Fixed effect dalam estimasi data panel maka digunakan Restricted F test, dimana hipotesisnya:

Ho: Metode OLS Ha: Metode Fixed effect

k n R m R R F UR R UR -= / ) 1 ( / ) ( 2 2 2 F = (0,999996- 0,900714)/4 (1-0,999996)/ (60-18) Fhit = 260615,3 Dengan F-tabel (5%) = 2,000 Maka F-hit > F-tabel 260615,3 > 2,000 ; Tolak Ho.

Nilai F hitung signifikan (F hitung > F tabel), maka estimasi dengan metode fixed effect lebih baik dibanding dengan metode OLS.

commit to user

Bagaimanapun, hasil tersebut belum dapat memberikan akhir atas metode pengolahan data. Maka perlu dilihat hasil yang ada dari metode lain yaitu pengujian antara fixed effect dan random effect.

1.2 Metode Fixed Effect (FEM) vs Metode Random Effect (REM)

Metode Random Effect disebut juga dengan pendekatan regresi data panel dengan pendekatan autokorelasi dengan mengasumsikan terdapat korelasi antar observasi baik runtun waktu maupun lintas sektoral.

Menurut Judge (1985), ada beberapa hal yang harus diperhatikan untuk mementukan pendekatan mana yang dipilih (FEM atau ECM) dalam estimasi data panel: 1) Jika e_idan X berkorelasi lebih baik digunakan FEM, dan jikae_idan X tidak

berkorelasi digunakan ECM.

2) Jika T (jumlah series) besar dan N (jumlah unit) kecil, perbedaan antara keduanya relatif kecil. Tetapi FEM lebih disukai.

3) Jika N besar dan T kecil, digunakan FEM jika unit tidak random dari sampel yang besar dan digunakan ECM jika unit diambil secara random.

4) Jika N besar dan T kecil dan jika asumsi ECM terpenuhi, estimator ECM lebih efisien dibanding FEM.

commit to user

Tabel 4.3

Hasil Estimasi Data Panel Dengan Menggunakan Metode Random Effect

Sumber: Data diolah dengan Eviews 3.0 Dependent Variable: PDB?

Method: GLS (Variance Components) Date: 03/03/11 Time: 13:30

Sample: 2006 2009 Included observations: 4 Total panel observations 60

Variable Coefficient Std. Error t-Statistic Prob. C 0.207902 0.381909 0.544375 0.5883 TK? 0.315892 0.073887 4.275306 0.0001 I? 0.342486 0.052676 6.501795 0.0000 JUu? 0.032278 0.043290 0.745633 0.4590 Random Effects _MI_TANI--C 0.201593 _MI_INDUSTRI--C 0.033821 _MI_PHR--C 0.226272 _MI_KEU--C -0.058882 _MI_JASA--C -0.102537 _K_TANI--C -0.660597 _KL_INDUSTRI--C 0.017679 _K_PHR--C 0.200485 _K_KEU--C -0.032207 _K_JASA--C -0.267403 _ME_TANI--C -0.019893 _ME_INDUSTRI--C 0.098009 _ME_PHR--C 0.203690 _ME_KEU--C 0.468030 _ME_JASA--C -0.308062 GLS Transformed Regression

R-squared 0.998811 Mean dependent var 4.564795 Adjusted R-squared 0.998747 S.D. dependent var 0.602896 S.E. of regression 0.021339 Sum squared resid 0.025499 Durbin-Watson stat 1.066375

Unweighted Statistics including Random

Effects

R-squared 0.999186 Mean dependent var 4.564795 Adjusted R-squared 0.999143 S.D. dependent var 0.602896 S.E. of regression 0.017651 Sum squared resid 0.017447 Durbin-Watson stat 1.558544

commit to user

Dari hasil estimasi diatas nilai R² memperlihatkan angka 0.998811 lebih rendah dari hasil fixed effect yaitu 0.999996, dan nilai DW-statistik sebesar 1.066375 memberikan angka yang jauh dari kisaran range angka 2. Hal ini membuktikan bahwa model fixed effet lebih tepat dibandingkan dengan random effect.

Model efek random hanya dapat digunakan jika jumlah individu lebih besar dibandingkan jumlah koefisien termasuk intercept:

1) Apabila data individu lebih banyak dibandingkan data runtun waktu maka diasumsikan untuk memilih model Random Effect.

2) Apabila data runtun waktu lebih banyak dibandingkan data runtun waktu maka uji Fixed Effect yang lebih tepat digunakan.

Namun, saran-saran pemilihan metode fixed effect ataupun metode random effect secara teoritis dan berdasarkan sample bukanlah sesuatu yang mutlak. Akan lebih baik melihat pada uji formal statistik dan pemilihan berdasarkan model mana yang paling baik nilai statistiknya (Nachrowi, 2007).

SE untuk mengukur tingkat ketelitian pemerkira. Makin kecil SE of regression suatu pemerkira, maka makin teliti pemerkira tersebut makin dekat dengan parameter yang akan diperkirakan.

commit to user

Tabel 4.4

Perbandingan Hasil Estimasi

Ordinary Least Square Fixed Effect Random Effect Variabel

Koefisien Koefisien Koefisien

C _{-1.640908 - 0.207902}

TK _{0.314865 0.410318 0.315892}

I _{0.571944 0.259581 0.342486}

JI _{0.094538 -0.085248 0.032278}

R² 0.900714 0.999996 _0.998811 Sumber: Data diolah dengan Eviews 3.0

Yang harus diperhatikan jika menggunakan fixed effect model:

1) Penggunakan variabel dami akan menimbulkan masalah degree of freedom. 2) Kemungkinan terjadi multikolineritas.

3) Fixed Effect Model tidak bisa digunakan untuk mengetahui dampak variabel yang time invariant, misal jenis kelamin, ras, dll

4) Hati-hati dengan error term. Asumsi Klasik error term harus dimodifikasi.

Berdasarkan hasil perhitungan dengan Fixed Effect Model, dapat diperoleh persamaan regresi sebagai berikut:

PDB = C + 0.410318 TK + 0.259581 I -0.085248 JI

(0.0000) (0.0000) (0.0314)

t = (14.33504) (17.12214) (-2.194680)

R-squared 0.999996 F-statistik 5240138

Adjusted R-squared 0.999994 Prob(F-satistic) 0.000000

commit to user

1. Uji Statistik

1) Uji t (t-test)

Uji t merupakan pengujian variabel independen secara individual yang dilakukan untuk melihat apakah variabel independen secara individu berpengaruh secara signifikan terhadap variabel dependen. Apabila nilai t hitung yang diperoleh lebih kecil daripada nilai t tabel yang digunakan, maka Ho diterima yang berarti variabel independen tersebut secara signifikan tidak berbeda dengan nol. Atau sebaliknya jika nilai t hitung yang diperoleh lebih besar daripada nilai t tabel yang digunakan, maka Ho ditolak yang berarti variabel independen tersebut secara signifikan berbeda dengan nol. Cara lain yaitu dengan melihat tingkat signifikansi pada tabel hasil regresi, jika nilai signifikansinya < 0,05 berarti variabel tersebut signifikan pada taraf 5% dan sebaliknya jika nilai signifikansinya > 0,05 berarti variabel tersebut tidak signifikan pada taraf 5%.

Pengujian statistik dilakukan dengan cara membandingkan antara hitung dengan t-tabel. (Gujarati, 2003). t-tabel = { α ; df ( n-k ) } t- hitung = ) ( i Se i b b Keterangan :

α = Level of significance, atau probabilitas menolak hipotesis yang benar. n = Jumlah sampel yang diteliti.

K = Jumlah variabel independen termasuk konstanta. Se = Standar error.

Kriteria pengujian:

- Jika t hitung < t tabel, maka Ho diterima. Berarti variable independen secara individu tidak berpengaruh secara signifikan terhadap variable dependen.

commit to user

- Jika t hitung > t tabel, maka Ho ditolak. Berarti variable independen secara individu berpengaruh secara signifikan dan positif terhadap variabel dependen.

Uji t statistik yang dilakukan menggunakan uji satu sisi (one tail test), dengan tingkat signifikansi α = 5%.

Uji t digunakan untuk menguji hipotesis pertama yang diajukan dalam penelitian ini. Berikut

adalah hasil uji hipotesis tersebut:

a) Uji parameter terhadap Tenaga Kerja Hipotesis:

§ Ho: β1 = 0, artinya variabel Tenaga kerja secara individu tidak berpengaruh signifikan terhadap variabel Tingkat Produk domestik Bruto (PDB) UMKM di Indonesia.

§ Ha: β1 ≠ 0, artinya variabel tenaga kerja secara individu berpengaruh signifikan terhadap variabel Tingkat Produk domestic Bruto (PDB) UMKM di Indonesia. t tabel = (α =0,05 : df=60) = 2,000

t hitung = 14,335

daerah diterima daerah diterima daerah ditolak

-2 2

Gambar 4.1

commit to user

§ Koefisien regresi dari tenaga kerja mempunyai t hitung > t tabel, maka Ho ditolak dan Ha diterima. Dengan kata lain secara individu variabel tenaga kerja berpengaruh positif dan signifikan terhadap Tingkat Produk domestik Bruto (PDB) UMKM di Indonesia

b) Uji parameter terhadap investasi Hipotesis:

§ Ho: β2 = 0, artinya variabel investasi secara individu tidak berpengaruh signifikan terhadap variabel Tingkat Produk domestic Bruto (PDB) UMKM di Indonesia

§ Ha: β2 ≠ 0, artinya variabel investasi secara individu berpengaruh signifikan terhadap variabel Tingkat Produk domestic Bruto (PDB) UMKM di Indonesia t tabel = (α =0,05 : df=60) = 1,656

t hitung = 17,12214

daerah diterima daerah diterima daerah ditolak

-2 2

Gambar 4.2

Daerah hasil uji t terhadap investasi

Koefisien regresi dari variabel investasi (I) mempunyai t hitung > t tabel, maka Ho ditolak dan Ha diterima. Dengan kata lain secara individu variabel Pertumbuhan Penduduk berpengaruh positif dan signifikan terhadap tingkat Produk domestik Bruto (PDB) UMKM di Indonesia .

commit to user

c) Uji parameter terhadap variabel Jumlah Unit Usaha (JUu) Hipotesis:

§ Ho: β3 = 0, artinya variabel Jumlah Unit Usaha (JUu) secara individu tidak berpengaruh signifikan terhadap variabel Tingkat Produk domestik Bruto (PDB) UMKM di Indonesia.

§ Ha: β3 ≠ 0, artinya variabel Jumlah Unit Usaha (JUu) secara individu berpengaruh signifikan terhadap variabel Tingkat Produk domestik Bruto (PDB) UMKM di Indonesia.

t tabel = (α =0,05 : df=60) = 2,000 t hitung = -2,194680

daerah diterima daerah diterima daerah ditolak

-2 2

Gambar 4.3

Daerah hasil uji t terhadap jumlah unit usaha

Koefisien regresi dari variabel jumlah Unit Usaha (JUu) mempunyai t hitung < -t tabel, maka Ho ditolak dan Ha diterima. Dengan kata lain secara individu variabel Jumlah Unit Usaha berpengaruh signifikan terhadap Produk Domestik Bruto UMKM di Indonesia.

2) Uji F

Uji F adalah uji untuk mengetahui apakah variabel independen yang ada secara bersama-sama mempengaruhi variabel dependennya. Nilai F hitung yang diperoleh dari regresi model adalah sebesar 5240138 dengan nilai probabilitas sebesar 0.000000.

commit to user

Dengan menggunakan α= 5%, maka diperoleh F tabel sebesar 19,5 maka F hitung lebih besar dari F tabel, yaitu 1472,063 > 1,55, serta nilai probabilitasnya lebih kecil dari 0,05.

Ho ditolak Ho diterima

19,5 5240138 Gambar 4.4

Uji F

Hal ini berarti bahwa secara bersama-sama variabel tenaga kerja, investasi dan jumlah industri UMKM berpengaruh terhadap pembentukan Produk Domestic Bruto (PDB).

3) Uji R² (Koefisien Determinasi)

Uji R² dimaksudkan untuk menghitung seberapa besar variasi dari variabel dependen dapat dijelaskan oleh variasi variabel independen. Besarnya nilai statistik koefisien determinasi yang telah disesuaikan (Adjusted R Squared) yang diperoleh dari regresi data panel adalah sebesar 0,999996. Ini artinya bahwa sekitar 99,99 % variasi variabel dependen (produk domestik bruto) dapat dijelaskan oleh variasi independen yang dimasukan dalam model yaitu Tenaga Kerja, Investasi dan Jumlah Industri. Sisanya sebanyak 0,1% dijelaskan oleh variasi variabel lain yang tidak dimasukan dalam model.

4) Koefisien Korelasi

Uji ini digunakan untuk mengetahui keeratan (kuat lemahnya) hubungan antara variabel dependen dengan variabel independen. Dari hasil regresi model diperoleh (Adjusted R Squared) sebesar 0,999996, berarti besarnya koefisien korelasi (r) adalah 0,999994. sehingga dapat disimpulkan hubungan antara variabel dependen dan variabel independen sangat kuat.

commit to user

2. Uji Asumsi Klasik 1) Uji Multikolinieritas

Multikolinieritas adalah suatu kondisi dimana terdapat korelasi atau hubungan antar variabel independen. Cara untuk mendeteksi ada tidaknya multikolineritas salah satunya dengan pendekatan Koutsoyiannis, yaitu dengan cara coba-coba memasukkan variabel bebas. Dari hasil coba-coba tersebut variabel dapat dibedakan menjadi tiga macam, yaitu variabel berguna, variabel tidak berguna dan variabel merusak. Apabila nilai R² regresi setiap variabel bebas lebih besar dibandingkan nilai R² regresi utama, maka dapat disimpulkan bahwa dalam persamaan tersebut terjadi multikolinearitas.

Tabel 4.5 Hasil Uji Pendekatan Koutsoyiannis

Variabel ^r

2

R² Keterangan

TK ƒ I JI

0.999833 0,999996 Tidak ada multikolinearitas

I ƒ TK JI

0.997939 0,999996 Tidak ada multikolinearitas

JI ƒ TK I ^{0.999980 0,999996} Tidak ada multikolinearitas

Sumber: Print out Komputer. (2011), data diolah

Berdasarkan tabel di atas, dapat dilihat bahwa nilai R² masing-masing variabel bebas tidak ada yang nilainya melebihi R² regresi awal, sehingga dapat disimpulkan bahwa model terbebas dari masalah multikolonieritas.

2)Uji Heterokedastisitas

Heterokedastisitas terjadi jika muncul dalam fungsi regresi yang mempunyai varian yang tidak sama sehingga penaksir OLS tidak efisien baik dalam sampel kecil maupun besar (tetapi masih tetap bias dan konsisten).

commit to user

Masalah besar yang dijumpai data panel adalah masalah heteroskedastisitas yang bersumber dari variasi data lintas sektoral yang digunakan. Pengujian heteroskedastisitas dilakukan dengan menggunakan fasilitas yang tersedia dari program eviews dengan menggunakan White Heteroskedasticity – Consistent Covariance. Dari hasil Uji White dengan membandingkan nilai OBS*R², diperoleh hasil bahwa X² (α=5%)= 28,8693 > OBS*R² maka berarti dalam model ini tidak terdapat masalah heteroskedastisitas.

3) Uji Autokorelasi

Permodelan dengan panel data dengan menggunakan metode fixed effect adalah satu permodelan yang tidak membutuhkan pemodelan asumsi klasik terbebasnya model dari serial autokorelasi, maka uji asumsi klasik tentang autokorelasi dapat diabaikan (Nachrowi, 2006).

Dari hasil estimasi diperoleh DW statistik sebesar 1,94, dengan n = 60, k=3, level signifikan α=5% maka nilai dl = 1,48 dan du = 1,69 sehingga (4-dl) = 2,31 dan (4-du) = 2,32

Gambar 4.3

Statistik d Durbin Watson

Autokorel asi positif Daerah keragu-raguan Tidak ada autokorelasi Daerah Keragu-raguan Autokorelasi negatif 0 1,48 1,69 2,31 2,32 4

Ternyata nilai Dw statistik sebesar 1,94 terletak di daerah penerimaan Ho. Hal ini berarti model yang diestimasi terbebas dari autokorelasi.

commit to user