BAB IV ANALISIS DAN PEMBAHASAN
B. Hasil Analisis dan Pembahasan
2. Pemilihan Model Terbaik
Model yang digunakan secara umum adalah sebagai berikut:
� � � �� = + � �� �− +
( � �� ) + � �� + ���
Dimana:
HargaBerasit : Harga eceran rata-rata beras provinsi i pada
periode t
125 periode t
ImporBerasit : Total Impor Beras di provinsi i pada periode t KonsumsiBerasit : Total Konsumsi Beras di provinsi i pada periode t
β0 : Intercept/Konstanta
β1,β2,β3,β4 : Koefisien regresi eit : error term
Selanjutnya kita memilih model mana yang terbaik untuk digunakan pada persamaan diatas, adapun model-model yang ada pada regresi data panel adalah sebagai berikut:
a. Pooled Least Square (PLS)
Pertama yang harus dilakukan untuk memulai mengolah data yaitu dengan menggunakan metode Pooled Least Square (PLS), dimana metode ini merupakan salah satu syarat untuk melakukan uji F-restricted. Dari hasil pengolahan yang dilakukan melalui E- Views 7.0 diperoleh hasil sebagai berikut:
Tabel 4.1
Regresi Data Panel: Pooled Least Square (PLS)
Sumber: Data diolah. Lampiran 2
R-squared 0.364734
126 Tabel 4.1 memperlihatkan hasil estimasi dari regresi data panel dengan menggunakan metode PLS, dimana R-Squared yang diperoleh sebesar 0,364734, artinya sebesar 36,47% variabel Harga Beras pada 32 Provinsi di Indonesia dapat dijelaskan oleh Produksi Beras, Impor Beras, dan Konsumsi Beras pada 32 Provinsi di Indonesia. Sedangkan 63,53% variabel Harga Beras dijelaskan oleh variabel lain yang tidak termasuk dalam penelitian ini.
b. Fixed Effect Model (FEM)
Setelah hasil dari PLS diperoleh, maka dapat dilakukan uji selanjutnya yaitu dengan metode Fixed Effect Model (FEM). Hal ini dilakukan agar hasil yang diperoleh antara PLS dengan FEM dapat dibandingkan dan dilihat kesesuaiannya, sehingga dapat dijadikan sebagai model penelitian. Dari hasil pengolahan E- Views 7.0 diperoleh hasil sebagai berikut:
Tabel 4.2
Regresi Data Panel: Fixed Effect Model (FEM)
R-squared 0.650028
Adjusted R-squared 0.554836
Sumber: Data diolah. Lampiran 2
Tabel 4.2 memperlihatkan hasil estimasi dari regresi data panel dengan menggunakan metode PLS, dimana R-Squared yang
127 diperoleh sebesar 0,650028, artinya sebesar 65% variabel Harga Beras pada 32 Provinsi di Indonesia dapat dijelaskan oleh Produksi Beras, Impor Beras, dan Konsumsi Beras pada 32 Provinsi di Indonesia. Sedangkan 35% variabel Harga Beras dijelaskan oleh variabel lain yang tidak masuk ke dalam penelitian ini.
c. Pooled Least Square vs Fixed Effect Model (Uji Chow)
Uji Chow merupakan salah satu uji yang digunakan untuk mengetahui apakah teknik regresi Pooled Least Square (PLS) lebih baik dari pada Fixed Effect Model (FEM). Untuk mengetahui model data panel yang akan digunakan, maka digunakan uji F-
Restricted dengan cara membandingkan F-Statistik dan F-Tabel. Sebelum membandingkan, maka dibuat terlebih dahulu hipotesisnya sebagai berikut:
H0: Model Pooled Least Square (Restricted) Ha: Model Fixed Effect (Unrestricted)
Dari hasil regresi berdasarkan metode PLS dan FEM menggunakan E-Views 7.0 diperoleh F-Statistik seperti yang terlihat dalam Tabel 4.3 berikut ini:
Tabel 4.3 F-Restricted
128
Redundant Fixed Effects Tests Equation: FIXED
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 3.287068 (31,125) 0.0000
Cross-section Chi-square 95.390675 31 0.0000
Sumber: Data diolah. Lampiran 3
Dari tabel 4.3 diperoleh nilai F-Statistik 3,287068, dengan nilai F-Tabel pada df (31,125) α = 5% adalah 1,524 sehingga nilai F-Statistik > F-Tabel, maka H0 ditolak dan Ha diterima, sehingga model data panel yang digunakan adalah Fixed Effect Model
(FEM).
d. Random Effect Model (REM)
Setelah ditentukan bahwa Fixed Effect merupakan model yang sesuai dengan penelitian ini melalui pengujian F-Restricted. Untuk melihat bahwa model ini merupakan model yang tepat, maka perlu dilakukan pengujian selanjutnya dengan membandingkan antara model FEM dan REM pada uji Hausman. Dari hasil pengolahan E- Views 7.0 didapatkan hasil sebagai berikut:
Tabel 4.4
Regresi Data Panel: Random Effect Model
R-squared 0.250395
Adjusted R-squared 0.235979
Sumber: Data diolah. Lampiran 4
129 data panel dengan menggunakan PLS, dimana R-Squared yang diperoleh sebesar 0,250395, artinya sebesar 25,03% variabel Harga Beras pada 32 Provinsi di Indonesia dapat dijelaskan oleh Produksi Beras, Impor Beras dan Konsumsi Beras. Sedangkan 74,97% variabel Harga Beras dijelaskan oleh variabel lain yang tidak termasuk dalam penelitian ini.
e. FEM vs REM (Uji Hausman)
Pengujian ini dilakukan untuk mengetahui model data panel yang sesuai dalam penelitian antara FEM dan REM. Pengujian ini dengan cara membandingkan nilai Chi-Square statistik dengan nilai Chi-Square tabel. Sebelum membandingkan, maka dibuat hipotesis terlebih dahulu yaitu sebagai berikut:
H0: Model Random Effect Ha: Model Fixed Effect
Dari hasil regresi dengan E-Views 7.0 melalui Uji Hausman, diperoleh hasil sebagai berikut pada tabel 4.5:
Tabel 4.5 Uji Hausman Correlated Random Effects - Hausman Test
Equation: RANDOM
Test cross-section random effects
Test Summary
Chi-Sq.
130
Cross-section random 9.724934 3 0.0211
Sumber: Data diolah. Lampiran 5
Dari Tabel 4.5 diatas diperoleh nilai Chi-Square Statistic adalah 9,724934 dengan nilai Chi-Square tabel dengan d.f.=3 dan
α=5% adalah 7,814728. Sehingga nilai Chi-Square statistik (9,724934) > Chi-Square tabel (7,814728), maka H0 ditolak dan Ha diterima. Dari pengujian ini dapat disimpulkan bahwa model yang tepat dalam penelitian ini adalah Fixed Effect Model.
3. Uji Asumsi Klasik a. Uji Normalitas
Untuk menguji apakah dalam model penelitian, variabel pengganggu atau residual berdistribusi dengan normal atau tidak, dapat diketahui dengan melihat dan membandingkan nilai Jarque- Bera (JB) dengan nilai Chi-Square tabel. Menurut Winarno (2011:
5.37), “Jika nilai Jarque-Bera (JB) < Chi-Square Tabel, maka data
penelitian berdistribusi normal”. Setelah dilakukan pengujian dengan menggunakan E-Views 7.0, diperoleh hasil sebagai berikut:
Gambar 4.5
131 Sumber: Lampiran 6
Gambar 4.5 menunjukkan bahwa nilai JB hitung sebesar 5,780233, dan nilai Chi-Square Tabel df(3), α=5% adalah 7,81. Dengan nilai Chi-Square tabel (7,81) > JB Hitung (5,780233) dan dapat disimpulkan bahwa data penelitian ini berdistribusi normal.
Selain itu dapat dilihat dari nilai probabilitas yang lebih dari α=5%
(0,05), dengan nilai probabilitas sebesar 0,55570.
b. Uji Multikolinearitas
Pada uji ini dilakukan untuk mengetahui keterkaitan antar variabel independen (Produksi Beras, Impor Beras dan Konsumsi Beras), karena apabila terdapat hubungan antar variabel independen maka data yang akan diteliti akan mengalami masalah dan akan mempengaruhi hasil penelitian. Menurut Hamja (2012: 23), untuk mengidentifikasi masalah multikolinearitas dapat
132 dilihat dari nilai matriks korelasi, dimana nilainya tidak boleh kurang dari 0,8.
Tabel 4.6 Matriks Korelasi
PRODUKSIBERAS IMPORBERAS KONSUMSIBERAS
PRODUKSIBERAS 1.000000 0.147007 0.670848
IMPORBERAS 0.147007 1.000000 0.394934
KONSUMSIBERAS 0.670848 0.394934 1.000000
Sumber: Lampiran 7
Dari tabel diatas dapat diketahui bahwa tidak terdapat masalah multikolinearitas karena nilai matriks korelasi semua variabel (Produksi Beras, Impor Beras dan Konsumsi Beras) kurang dari nilai 0,8 (Hamja, 2012: 23).
c. Uji Heteroskedastisitas
Masalah heteroskedastisitas dapat dilihat dengan banyak cara salah satunya dengan melihat Uji Park dan Uji Glejser. Adapun uji park adalah uji yang menjadikan ln(residu2) menjadi variabel dependen dan variabel independen diuji bersamanya. Adapun hasil analisisnya sebagai berikut:
Tabel 4.7 Uji Park Dependent Variable: LOG(RES2) Method: Panel Least Squares Date: 06/25/15 Time: 09:12 Sample (adjusted): 2009 2013 Periods included: 5
133
Cross-sections included: 32
Total panel (balanced) observations: 160
Variable Coefficient Std. Error t-Statistic Prob.
C 2.542202 1.185842 2.143794 0.0336
PRODUKSIBERAS -0.342190 0.189987 -1.801124 0.0736
D(IMPORBERAS) 0.145916 0.083992 1.737259 0.0843
D(KONSUMSIBERAS) -52.03160 28.90227 -1.800260 0.0738
R-squared 0.042626 Mean dependent var 0.238258
Adjusted R-squared 0.024215 S.D. dependent var 2.028726
S.E. of regression 2.004013 Akaike info criterion 4.252862
Sum squared resid 626.5065 Schwarz criterion 4.329742
Log likelihood -336.2290 Hannan-Quinn criter. 4.284080
F-statistic 2.315243 Durbin-Watson stat 1.740147
Prob(F-statistic) 0.077959
Sumber: Lampiran 8
Pada tabel 4.7 terlihat bahwa nilai probabilitas variabel Produksi Beras, Impor Beras dan Konsumsi Beras tidak signifikan,
yaitu probabilitas lebih dari α=5% (0,05). Maka data penelitian ini
dapat disimpulkan terbebas dari Heteroskedastisitas.
Untuk memperkuat hasil analisa agar hasil lebih akurat maka dilakukan uji selanjutnya dengan uji glejser. Uji glejser sendiri memiliki kemiripan dengan uji park namun letak perbedaannya adalah variabel dependennya. Bila uji park menggunakan ln(residu2), uji glejser menggunakan absolut residual sebagai variabel dependennya. Adapun hasil analisisnya sebagai berikut:
Tabel 4.8 Uji Glejser Dependent Variable: REABS
134
Date: 06/25/15 Time: 09:15 Sample (adjusted): 2009 2013 Periods included: 5
Cross-sections included: 32
Total panel (balanced) observations: 160
Variable Coefficient Std. Error t-Statistic Prob.
C 0.928921 0.738119 1.258498 0.2101
PRODUKSIBERAS 0.090175 0.118256 0.762538 0.4469
D(IMPORBERAS) -0.000310 0.052280 -0.005929 0.9953
D(KONSUMSIBERAS) 15.72775 17.99000 0.874250 0.3833
R-squared 0.006315 Mean dependent var 1.545626
Adjusted R-squared -0.012794 S.D. dependent var 1.239479
S.E. of regression 1.247383 Akaike info criterion 3.304654
Sum squared resid 242.7303 Schwarz criterion 3.381533
Log likelihood -260.3723 Hannan-Quinn criter. 3.335872
F-statistic 0.330465 Durbin-Watson stat 2.013620
Prob(F-statistic) 0.803329
Sumber: Lampiran 9
Pada tabel 4.8 diketahui bahwa nilai probabilitas variabel Produksi Beras, Impor Beras dan Konsumsi Beras tidak signifikan,
yaitu probabilitas lebih dari α=5% (0,05). Maka data penelitian ini
dapat disimpulkan terbebas dari Heteroskedastisitas.
d. Uji Autokorelasi
Masalah autokorelasi dapat dilihat dari nilai Durbin Watson (DW), dalam penelitian ini menggunakan FEM dan diperoleh nilai DW sebesar 1,520538 seperti yang dibawah ini.
Tabel 4.9
Uji Autokorelasi sebelum Cross section weight
Durbin-Watson stat 1.520538 Sumber: Data terlampir. Lampiran 2
135 Dengan nilai 1,520538 maka dapat diketahui bahwa autokorelasi tidak dapat disimpulkan karena berada pada angka 1,34-1,54. Oleh karena itu dilakukan estimasi kembali dengan menggunakan cross section weight dan masalah autokorelasi dapat teratasi. Adapun uji autokorelasi setelah dilakukan Cross section weight adalah sebagai berikut:
Tabel 4.10
Uji Autokorelasi sesudah Cross section weight
Durbin-Watson stat 2.007921 Sumber: Data terlampir. Lampiran 10
Setelah dilakukan Cross section weight diperoleh nilai durbin Watson (DW) sebesar 2,007921. Karena nilai DW lebih besar dari 1,54 (DW> 1,54) dan juga nilai DW kurang dari 2,15 (DW<2,15) maka dapat disimpulkan bahwa dalam model penelitian ini terbebas dari autokorelasi.
