BAB VI KESIMPULAN DAN SARAN
METODE PENELITIAN 3.1 Diagram Alir Penelitian
3.3. Pengolahan Data
Metode pengolahan data yang digunakan dalam penelitian ini adalah metode ekonometri dengan analisis regresi linear berganda dan analisis regresi log linear berganda. Penelitian dirancang untuk mengetahui arah, pengaruh dan kekuatan hubungan dari variabel bebas terhadap variabel tak bebas.
a Variabel bebas (Independent variabel) adalah variabel yang keberadaannya tidak dipengaruhi oleh variabel lain.
Untuk persamaan regresi linear berganda, variabel bebas yang digunakan dalam penelitian ini adalah jumlah unit pasar tradisional, omzet, jumlah pedagang, jumlah tenaga kerja, jumlah pemasok, dan dummy kecamatan (D1 s/d D3).
Sedangkan untuk persamaan regresi log linear berganda variabel bebas dalam penelitian ini adalah Ln jumlah unit pasar tradisional, Ln omzet, Ln jumlah pedagang, Ln jumlah tenaga kerja, Ln jumlah pemasok, dan dummy kecamatan (dummy 1, 2 dan 3)
b Variabel terikat (Dependent variabel) adalah variabel yang tidak bebas yang keberadaannya dipengaruhi oleh variabel bebas.
Pada persamaan regresi linear berganda, variabel terikat dalam penelitian ini adalah nilai Produk Domestik Regional Bruto Tiap Kecamatan di Boyolali. Sedangkan untuk persamaan regresi log linear berganda, variabel terikat dalam penelitian ini adalah Ln Produk Domestik Regional Bruto Tiap Kecamatan di Boyolali.
Persamaan regresi linear berganda yang digunakan yaitu :
ε pedagang jumlah α pemasok jumlah α kerja tenaga jumlah α omzet nilai α l tradisiona pasar unit jumlah α α %PDRB 5 4 3 2 1 0 + + + + + + = ... (3.1) Dimana :
㤸 -㤸 = koefisien dari masing-masing variabel independen = Residual
commit to user
III-4
Sedangkan persamaan regresi log linear yang digunakan adalah sebagai berikut : ε pedagang jumlah Ln pemasok jumlah Ln kerja tenaga jumlah Ln omzet nilai Ln l tradisiona pasar unit jumlah Ln %PDRB 5 4 3 2 1 0 + + + + + + = b b b b b b ... (3.2) Dimana :
뒐 -뒐 = koefisien dari masing-masing variabel independen = Residual
Selanjutnya untuk mengetahui kesesuaian model, maka dilakukan uji Goodness of Fit. Uji Goodness of Fit digunakan untuk menaksir ketepatan suatu model regresi dalam menaksir nilai aktual. Secara statistik, uji ini dapat diukur dari nilai statistik t, nilai statistik F, dan koefisien determinasinya.
Selain itu, agar model tersebut memberikan hasil estimasi terbaik atau (BLUE = Best Linear Unbiased Estimator) maka perlu diadakan pengujian terhadap asumsi regresi klasik. Yang dimaksud dengan tidak adanya penyimpangan dari suatu penaksir adalah nilai hasil estimasi sama dengan nilai parameter yang sebenarnya. Sedangkan penaksir dikatakan terbaik apabila penaksir tersebut memiliki varians terkecil. Adapun asumsi model klasik tersebut adalah (Ananta, 1987 dalam Sutopo, 2004):
1. Nilai rata-rata error terms sama dengan nol
2. Tidak terdapat korelasi serial antar error terms (non-autokorelasi) 3. Sifat homoskedastisity dari error terms (non-heteroskedastisitas)
4. Tidak terdapat kolinearitas antar variabel bebas (non-multikolinier), dimana antar variabel bebas tidak mengandung hubungan linier tertentu 5. Gangguan didistribusikan menurut distribusi normal.
3.3.1 Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Dalam model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel
commit to user
III-5
bebas. Untuk mendeteksi ada atau tidaknya multikolinearitas dalam suatu model, maka cara yang dilakukan adalah sebagai berikut (Ghozali, 2001): 1. Nilai R² yang dihasilkan oleh suatu estimasi model regresi empiris sangat
tinggi, tetapi secara individual variabel-variabel bebas banyak yang tidak signifikan mempengaruhi variabel terikat.
2. Menganalisis matriks korelasi variabel-variabel bebas. Jika antar variabel bebas ada korelasi yang cukup tinggi (umumnya diatas 0.90), maka hal ini merupakan indikasi adanya multikolinearitas. Tidak adanya korelasi yang tinggi antar variabel bebas tidak berarti bebas dari multikolinearitas. Multikolinearitas dapat disebabkan oleh adanya efek kombinasi dua atau lebih variabel bebas.
3. Multikolinearitas yang tinggi juga dapat dilihat dari nilai tolerance dan lawannya yaitu variance inflation factors (VIF). Kedua ukuran tersebut menunjukkan setiap variabel bebas yang dijelaskan oleh variabel bebas lainnya. Dalam pengertian sederhana, setiap variabel bebas menjadi variabel terikat dan diregres terhadap variabel bebas lainnya. Tolerance mengukur variabilitas variabel bebas yang tidak terpilih yang tidak dapat dijelaskan oleh variabel bebas lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/tolerance) dan menunjukkan adanya kolinearitas yang tinggi. Nilai cuttof yang umum dipakai adalah nilai tolerance = 0.10 atau sama dengan nilai VIF diatas 10. Setiap peneliti harus menentukan tingkat kolinearitas yang masih dapat ditolerir. Sebagai misal nilai tolerance 0.10 sama dengan tingkat multikolinearitas 0.95. walaupun multikolinearitas masih dapat dideteksi dengan nilai tolerance dan VIF , tetapi masih belum diketahui variabel- variabel bebas mana yang saling berkorelasi.
3.3.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dan residual satu pengamatan ke pengamatan yang lain. jika varians dari residual satu pengamatan ke
commit to user
III-6
pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Uji heteroskedastisitas dilakukan dengan menggunakan uji Glejser, yang dilakukan dengan meregresikan nilai absolut residual yang diperoleh dari model regresi sebagai variabel dependen terhadap semua variabel independen dalam model regresi. Apabila nilai koefisien regresi dari masing- masing variabel bebas dalam model regresi ini tidak signifikan secara statistik, maka dapat disimpulkan tidak terjadi heteroskedastisitas (Sumodiningrat. 2001).
Menurut Santoso (2001), tujuan dari uji ini adalah melihat apakah ada ketidaksamaan varians dari residual dari suatu pengamatan ke pengamatan lain dari tabel ANOVA. Gujarati (1999), suatu variabel dinyatakan terjadi heteroskedastisitas apabila memiliki probabilitas <0,5. Sebaliknya dinyatakan terjadi homoskedastisitas (yang diharapkan) apabila memiliki probabilitas > 0,5. Santoso (2001). Untuk menilainya berdasarkan grafik scatter plot dimana :
a. Jika tidak ada pola yang jelas serta titik-titik menyebar (secara acak) di atas dan dibawah angka 0 pada sumbu y maka tidak terjadi heteroskedastisitas,
b. Jika ada pola tertentu serta titik-titik yang membentuk pola tertentu diatas dan dibawah angka 0 pada sumbu y maka terjadi heteroskedastisitas.
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam menguji model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang sebelumnya. Jika variance dari satu pengamatan ke pengamatan sebelumnya tetap, maka disebut homoskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Beberapa cara untuk mendeteksi heteroskedastisitas antara lain yaitu dengan melihat scatterplott, uji Park, dan uji Glejser.
commit to user
III-7
Scatterplot dibuat dengan membandingkan antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SRESID). Deteksi ada atau tidaknya heteroskedastisitas dapat dilakukan dengan melihat ada atau tidaknya pola tertentu pada grafik scatterplot antara SRESID dan ZPRED dimana sumbu Y adalah Y yang diprediksi sedangkan sumbu X adalah Y yang sesungguhnya.
3.3.3 Uji Independensi (Autokorelasi)
Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi. Uji autokorelasi dilakukan dengan menggunakan α= 5%. Apabila D-Wa Durbin-Watson (D-W), dengan tingkat kepercayaan terletak antara -2 sampai +2 maka tidak ada autokorelasi (Santoso. 2000)
Menurut Sutanto (2001) suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali. Untuk mengetahui asumsi ini dilakukan dengan cara uji Durbin-Watson dengan ketentuan sbb:
a. Bila nilai durbin antara -2 s.d. +2 berarti asumsi independensi terpenuhi b. Bila nilai durbin dibawah -2 dan diatas. +2 berarti asumsi independensi
tidak terpenuhi.
