Pengujian Asumsi Klasik - HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN

B. Pengujian Asumsi Klasik

Pengujian ini untuk melihat apakah model yang diteliti terkena penyimpangan klasik atau tidak. Maka caranya adalah dengan memakai uji sebagai berikut :

1. Uji Multikolinearitas

Multikolinearitas menunjukan adanya hubungan linear diantara variabelvariabel independen (variabel penjelas). Dalam prakteknya multikolinearitas sempurna jarang ditemukan, melainkan dengan kasus

84 multikolinearitas dekat, tinggi, atau tak sempurna. Ada beberapa indikator untuk mendeteksi ada tidaknya multikolinearitas dalam suatu model. Penelitian ini menggunakan indikator pengujian regresi parsial (auxiliary regression) untuk mendeteksi multikolinearitas dengan metode Klien, yaitu dengan membandingkan R² auxiliary regression dengan R² pada model utama. Pertama, lakukan regresi diantara variabel-variabel independen (penjelas). Setelah itu, akan didapatkan nilai R²auxiliary. Jika nilai R² auxiliary lebih besar dari R² pada model utama maka terdapat multikolinearitas.

Tabel 4.8 Regresi Auxiliary Regresi R²* R² (AK)=ƒ(PMA,PMDN,PAD,DT) 0.689682 0.972944 (PMA)=ƒ(AK,PMDN,PAD,DT) 0.755534 0.972944 (PMDN)=ƒ(AK,PMA,PAD,DT) 0.575980 0.972944 (PAD)=ƒ(AK,PMA,PMDN,DT) 0.827132 0.972944 (DT)=ƒ(AK,PMA,PMDN,PAD) 0.577162 0.972944

Sumber : Olah data Eviews 4.0.

R²* = R² hasilauxiliary regression

R² = R² hasil regresi utama

Tabel 4.8 hasil pengujian auxiliary regression diperoleh bahwa terdapat nilai R² auxiliary yang lebih besar dari nilai R² model utama sehingga dapat disimpulkan bahwa terdapat gejala multikolineritas pada model penelitian. Oleh karena itu, dilakukan pengujian lain untuk menguji ada tidaknya multikolinearitas yaitu menggunakan cara melihat koefisien korelasi antar variabel. Apabila koefisien korelasi di bawah angka 0,8 maka dapat dikatakan tidak terdapat

85 multikolinearitas sempurna. Tabel 4.9 menunjukkan bahwa koefisien korelasi antar variabel di bawah 0,8 sehingga dapat disimpulkan tidak terjadi multikolinearitas pada model penelitian.

Tabel 4.9

Koefisien Korelasi antar Variabel Independen

AK PMA PMDN PAD DT AK 1 0.555507243 785 0.493501502 131 0.707677367 574 0.615259049 106 PMA 0.555507243 785 1 0.512565026 334 0.768856435 757 0.572778452 439 PMDN 0.493501502 131 0.512565026 334 1 0.212964507 189 0.152382234 29 PAD 0.707677367 574 0.768856435 757 0.212964507 189 1 0.741742078 895 DT 0.615259049 106 0.572778452 439 0.152382234 29 0.741742078 895 1

Sumber : Olah data Eviews 4.0.

2. Uji Autokorelasi

Autokorelasi adalah korelasi (hubungan) yang terjadi diantara anggota-anggota dari serangkaian pengamatan yang tersusun dalam rangkaian waktu seperti runtut waktu atau time series data atau yang tersusun dalam rangkaian ruang (seperti pada data silang waktu ataucross section data).

86 Tabel 4.10

Uji Autokorelasi dengan Model Langrange Multiplier (LM)

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.399951 Probability 0.678325

Obs*R-squared 1.217251 Probability 0.544098

Test Equation:

Dependent Variable: RESID Method: Least Squares Date: 01/21/11 Time: 15:43

Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

AK 2.722265 8.780424 0.310038 0.7614 PMA -0.468713 3.546715 -0.132154 0.8969 PMDN 0.277810 1.931407 0.143838 0.8878 PAD -0.258420 4.230875 -0.061079 0.9522 DT -1269115. 8937731. -0.141995 0.8893 C -6998491. 19643710 -0.356271 0.7274 RESID(-1) 0.028395 0.365210 0.077749 0.9392 RESID(-2) -0.299889 0.340819 -0.879908 0.3949

R-squared 0.057964 Mean dependent var 6.47E-08

Adjusted R-squared -0.449286 S.D. dependent var 10871699

S.E. of regression 13088034 Akaike info criterion 35.89463

Sum squared resid 2.23E+15 Schwarz criterion 36.29254

Log likelihood -368.8936 F-statistic 0.114272

Durbin-Watson stat 1.965999 Prob(F-statistic) 0.996052

Sumber : Olah data Eviews 4.0

Dari tabel di atas diketahui bahwa koefisien determinasi (R²) sebesar 0.057964. Nilai chi-squares hitung sebesar 1.217251 yang diperoleh dari informasi Obs*R-squares, sedangkan nilai kritischi- squared (²) pada α = 5 % dengan df sebesar 5 adalah 11.07. Karena nilai Chi-squares hitung lebih kecil dari nilai chi-quares kritis (²) maka dapat disimpulkan tidak ada masalah

87 autokorelasi, hal ini juga dibuktikan juga dengan prob chi-squares sebesar 0.544098 yang lebih besar dari nilai α sebesar 0.05 persen.

3. Uji Heteroskedastisitas

Penelitian ini menggunakan teknik White yang prinsipnya adalah meregresikan variable bebas. Variable bebas dikuadratkan terhadap residu dari regresi awal. Jika hasil regresi uji white ini signifikan maka regresi awal yang diuji terkena ganguan heteroskedastisitas.

Adanya heteroskedastisitas dalam model analisis mengakibatkan varian dan koefisien OLStidak lagi minimum dan penaksir-penaksir OLSmenjadi tidak efisien meskipun penaksirOLStetap tidak bias dan konsisten.

Dalam mendeteksi adanya heteroskedastisitas pada penelitian ini, langkah pengujiannya melalui White, antara lain:

a. estimasi persamaan model dan dapatkan residualnya.

b. melakukan regresi pada persamaan berikut yang disebut regresi auxiliary.

c. hipotesis nul dalam uji ini adalah tidak ada heteroskedastisitas. Uji White didasarkan pada jumlah sampel (n) dikalikan dengan R² yang akan mengikuti distribusi chi-square dengan degree of freedom

sebanyak variable independen tidak termasuk konstanta dalam regresi auxiliary.

d. jika nilai chi-squares hitung (n. R²) lebih besar dari nilai ² kritis dengan derajat kepercayaan tertentu (α) mak ada heteroskedastisitas

88 dan sebaliknya jikachi-squares hitung lebih kecil dari nilai ²kritis menunjukkan tidak adanya heteroskedastisitas.

Pengujian Heteroskedastisitas dilakukan dengan bantuan program Eviews 4.0. dan di peroleh hasil regresi seperti pada tabel berikut ini:

Tabel 4.11 Hasil Uji White

White Heteroskedasticity Test:

F-statistic 1.194214 Probability 0.384224

Obs*R-squared 10.37830 Probability 0.320737

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 01/21/11 Time: 15:44 Sample: 1987 2007

Included observations: 21

Variable Coefficient Std. Error t-Statistic Prob.

C 6.93E+14 6.64E+14 1.044638 0.3186 AK -8.18E+08 5.73E+08 -1.427030 0.1813 AK^2 140.9318 92.79431 1.518755 0.1570 PMA 73944176 1.19E+08 0.620791 0.5474 PMA^2 -7.255761 16.06908 -0.451536 0.6604 PMDN 1.86E+08 1.06E+08 1.746189 0.1086 PMDN^2 -18.18281 9.049361 -2.009292 0.0697

PAD 2.13E+08 1.92E+08 1.108769 0.2912

PAD^2 -37.78801 25.18763 -1.500261 0.1617

DT -1.19E+14 1.61E+14 -0.739875 0.4749

R-squared 0.494205 Mean dependent var 1.13E+14

Adjusted R-squared 0.080372 S.D. dependent var 1.67E+14

S.E. of regression 1.60E+14 Akaike info criterion 68.56075

Sum squared resid 2.83E+29 Schwarz criterion 69.05814

Log likelihood -709.8879 F-statistic 1.194214

Durbin-Watson stat 2.885760 Prob(F-statistic) 0.384224

Sumber : Olah data Eviews 4.0

Dari tabel di atas diketahui bahwa koefisien determinasi (R²) sebesar 0.4942050. nilaiChi-squareshitung sebesar 10.37830 yang diperoleh dari informasi

Obs*R-89

squares, sedangkan nilai kritischi-squares(²) pada α = 5 % dengan df 8 adalah 15.51. karena nilaichi-squareshitung (²) lebih kecil dari nilai kritischi-squares

(²) maka dapat disimpulkan tidak ada masalah heteroskedastisitas. Hal ini juga dibuktikan juga dengan probchi-squaressebesar 0.320737 yang lebih besar dari nilai α sebesar 0.05 persen.

4. Uji Normalitas

Uji normalitas yang digunakan pada penelitian ini menggunakan teknik Jarque-Berra. Pedoman yang digunakan adalah apabila nilai Jarque Berra lebih kecil jika dibandingkan dengan nilai ²tabel (dengan α = 5 % ) atau prob < 0,05 maka hipotesis yang menyatakan bahwa data yang digunakan berdistribusi normal ditolak dan sebaliknya, bila prob < 0,05 maka hipotesis yang menyatakan bahwa data yang digunakan berdistribusi normal diterima.

0 1 2 3 4 5 6 -2.0E+07 0.00000 2.0E+07 Series: Residuals Sample 1987 2007 Observations 21 Mean 6.47E-08 Median 557828.3 Maximum 23401984 Minimum -23248584 Std. Dev. 10871699 Skewness -0.031120 Kurtosis 3.102237 Jarque-Bera 0.012535 Probability 0.993752 Gambar 4.2

90 Uji ini menggunakan uji Jarque-Bera atau J– B test dengan membandingkan nilai J- B hitung yang diperoleh dari komputer program eviews 4.0 dengan nilai ²– tabel. Apabila nilai J– B hitung < nilai²– tabel.

Pada gambar di atas bentuk histogramnya sepertinya berdistribusikan secara normal sehingga residualnya kita duga berdistribusi secara normal. Yakni 0.012535 < 0.05 maka hipotesis ini menyatakan bahwa data yang digunakan berdistribusi normal diterima.

5. Uji Linearitas

Uji linearitas sangat penting karena uji ini sekaligus untuk melihat apakah spesifikasi model yang digunakan sudah benar apa tidak. Apakah fungsi yang dgunakan penelitian empiris sebaiknya berbentuk linear, kuadrat atau kubik. Uji linearitas yang ddigunakan dalam penelitian ini adalah metode Ramsey Reset dengan hipotesis:

Ho : Regresi model yang diuji adalah kuadratik

Ha : Regresi model yang diuji adalah tidak kuadratik (linear)

Kriteria yang digunakan adalah jika F hitung signifikan yaitu prob < 0,05 maka Ho diterima yaitu regresinya adalah kuadratik.

Dari table dibawah F hitung = 0.886269 dengan prob = 0.362452. karena probabilitas > 0.05 maka Ho ditolak yang berarti bahwa regresi model yang diuji adalah tidak kuaratik sehingga dapat disimpulkan model yang diuji adalah linear.

91 Tabel 4.12

Uji Linearitas dengan Uji Ramsey Reset Test

Ramsey RESET Test:

F-statistic 0.886269 Probability 0.362452

Log likelihood ratio 1.289020 Probability 0.256229

Test Equation:

Dependent Variable: PDRB Method: Least Squares Date: 01/21/11 Time: 15:52 Sample: 1987 2007

Included observations: 21

Variable Coefficient Std. Error t-Statistic Prob.

AK 32.79866 10.89276 3.011053 0.0093 PMA 14.51111 5.800353 2.501764 0.0254 PMDN 5.384076 2.183825 2.465434 0.0272 PAD 13.74123 6.767630 2.030435 0.0618 DT 29360465 10982807 2.673312 0.0182 C 57950458 16267259 3.562398 0.0031

FITTED^2 -1.08E-09 1.15E-09 -0.941418 0.3625

R-squared 0.974555 Mean dependent var 2.17E+08

Adjusted R-squared 0.963650 S.D. dependent var 66094785

S.E. of regression 12601420 Akaike info criterion 35.79772

Sum squared resid 2.22E+15 Schwarz criterion 36.14589

Log likelihood -368.8760 F-statistic 89.36769

Durbin-Watson stat 1.836922 Prob(F-statistic) 0.000000

Sumber : Data Diolah Eviews 4.0 6. Uji Chow

Analisis regresi dalam data dipengaruhi oleh adanya variabel Dummy, yaitu terjadinya krisis perekonomian di Indonesia dalam beberapa tahun terakhir yang tentunya akan berpengaruh terhadap perkembangan PDRB Provinsi DKI Jakarta pada tahun-tahun tersebut.

Dan dapat dilihat hasil uji chow dengan Eviews 4.0 dan tahun 1997 breakpoint dapat dilihat, bahwa nilai F hitung sebesar 4.199265 sedangkan nilai kritis tabel F dengan= 5% dengan df (5,11) = 3,20. Berdasarkan uji F ini berarti

92 menolak hipotesis nol yang berarti krisis mempnyai pengaruh struktural. Sedangkan pada uji Chow, nilai hitung statistik chi square ( ²) = 22.42224 sedangkan nilai kritis dari statistik chi square dengan =5% dengan df =2 sebesar 5,95 dengan hasil yang sama menolak hipotesis nol.

Tabel 4.13 Uji Chow

Chow Breakpoint Test: 1997

F-statistic 4.199265 Probability 0.022177

Log likelihood ratio 22.42224 Probability 0.000435

Sumber : Data Diolah Eviews 4.0

C. Pengujian Statistik 1. Uji t-hitung

Untuk menentukan parameter dalam model, metode yang digunakan adalah Ordinary Learst Square atau OLS. Dengan model ini diharapkan dapat diperoleh penaksir tidak bias terbaik yakniBLUE. Pada dasarnya isi dari metode tersebut adalah peminimuman error kuadrat.

Pengujian secara parsial dilakukan dengan menggunakan uji t statistik satu sisi terhadap masing-masing variabel independen, dari pengujian regresi didapat nilai t hitung dari masing-masing variabel untuk selanjutnya dibandingkan dengan nilai t tabel. Cara yang dilakukan untuk menentukan nilai t tabel adalah :

T tabel = α df (n-k) Keterangan:

α : Tingkat signifikansi df : Derajat bebas

93 n : Jumlah data

k : jumlah variabel independen termasuk konstanta.

Dengan demikian maka dapat menentukan nilai t-tabel dalam penelitian ini, dengan menggunakan signifikansi sebesar 0.05 serta derajat bebas/df (21-6) sebesar 15 maka nialai t- tabel 1.753, apabila nilai t-hitung > dari nilai t –tabel, maka variabel independen berpengaruh secara signifikan terhadap variabel dependen dan sebaliknya jika nilai t- hitung < dari nilai t- tabel, maka variabel independen tidak berpengaruh signifikan terhadap variabel dependen.

Tabel 4.14

Hasil Regresi antara Variable Dependen dengan Variabel Independen

Dependent Variable: PDRB Method: Least Squares Date: 01/21/11 Time: 15:41 Sample: 1987 2007

Included observations: 21

Variable Coefficient Std. Error t-Statistic Prob.

AK 24.53288 6.422312 3.819944 0.0017 PMA 9.645496 2.622839 3.677502 0.0022 PMDN 3.974152 1.583337 2.509985 0.0240 PAD 8.108178 3.149886 2.574118 0.0212 DT 22775472 8435154. 2.700066 0.0165 C 65190208 14280254 4.565059 0.0004

R-squared 0.972944 Mean dependent var 2.17E+08

Adjusted R-squared 0.963926 S.D. dependent var 66094785

S.E. of regression 12553557 Akaike info criterion 35.76386

Sum squared resid 2.36E+15 Schwarz criterion 36.06230

Log likelihood -369.5206 F-statistic 107.8819

Durbin-Watson stat 1.909549 Prob(F-statistic) 0.000000

Sumber : Data diolah, Eviews 4.0

a. Uji parameter terhadap Angkatan Kerja Dari hasil perhitungan diperoleh nilai t

hitungsebesar 3.819949 dan t

tabelsebesar 1,753pada α = 5% dengan melakukan pengujian satu sisi berarti nilai

94 T

hitung lebih besar dari t

tabel. Hal ini berarti bahwa variabel Angkata Kerja yang bekerja berpengaruh secara signifikan berarah positif terhadap PDRB.

b. Uji Parameter terhadap PMA

Dari hasil perhitungan diperoleh nilai t

hitungsebesar 3.677502 dan t

tabelsebesar 1,753 pada α = 5% dengan melakukan pengujian satu sisi berarti nilai t

hitung lebih besar dari t

tabel. Hal ini berarti bahwa variabel PMDN berpengaruh secara signifikan berarah positif terhadap PDRB.

c. Uji parameter terhadap PMDN

Dari hasil perhitungan diperoleh nilai t

hitungsebesar 2.509985 dan t

tabelsebesar 1,753 pada α = 5% dengan melakukan pengujian satu sisi berarti nilai t

hitung lebih besar dari t

tabel. Hal ini berarti bahwa variabel PMDN berpengaruh secara signifikan berarah positif terhadap PDRB.

d. Uji Parameter terhadap PAD

Dari hasil perhitungan diperoleh nilai t

hitungsebesar 2.574118 dan t

tabelsebesar -1,753 pada α = 5% dengan melakukan pengujian satu sisi berarti nilai t

hitung lebih besar

tabel. Hal ini berarti bahwa variabel PAD berpengaruh secara signifikan terhadap PDRB.

e. Uji Parameter terhadap Dt Krisis Dari hasil perhitungan diperoleh nilai t

hitungsebesar 2.700066 dan t

tabelsebesar -1,753 pada α = 5% dengan melakukan pengujian satu sisi berarti nilai t

95 lebih besar

tabel. Hal ini berarti bahwa variabel Krisis berpengaruh secara signifikan terhadap PDRB.

Tabel 4.15 Tabel hasil Uji t

Variabel

thitung ttabel

Probabilitas Keterangan Kesimpulan AK 3,819944 1,753 0,0017

thitung > ttabel

_Signifikan^Positif PMA 3,677502 1,753 0,0022

t

_hitung

> t

_tabel _Signifikan^Positif PMDN 2,509985 1,753 0,0240

thitung > ttabel

_Signifikan^Positif PAD 2,574118 1,753 0,0212

thitung > ttabel

_Signifikan^Positif

Dtkrisis

ekonomi

2,700066 1,753 0,0165

thitung > ttabel

_Signifikan^Positif Sumber : Data Diolah

2. Pengujian F-statistik

Pengujian ini dilakukan dengan menggunakan uji-F untuk mengetahui pengaruh semua variabel independen dan sejauh mana keeratan semua koefisien regresi variabel independen terhadap variabel dependen. Untuk melaksanakan uji-F digunakan rumus

F hitung = Keterangan :

R²= Koefisien Determinasi n = Banyaknya observasi k = Banyaknya variabel bebas

96 H 0 : ß 1 = ß 2 = ß 3 = ß

4 = 0, variabel independen secara bersama-sama tidak berpengaruh terhadap PDRB. H a: ß 1≠ ß 2≠ ß 3≠ ß

4≠ 0, variabel independen secara bersama-sama berpengaruh terhadap PDRB.

Dari tabel diatas menunjukkan bahwa PDRB dipengaruhi secara bersama-sama oleh variabel Angkatan Kerja yang bekerja, PMA,PMDN,Pendapatan Asli Daerah dan dummy krisis ekonomi dengan hasil yang signifikan. Hal ini dapat dilihat dari F

hitung : 107.8819, lebih besar dari Ftabel: 2,9 yang menunjukkan bahwa variabel tersebut signifikan pada α= 5%.

Tabel 4.16

Hasil Uji-F (uji koefisien regresi secara serempak)

fhitung

Ftabel

Probabilitas Keterangan Kesimpulan 107,8819 ^{k-1 = 5}

n-k = 15

α = 5%

2,90 ^0,00000000

fhitung > ftabel

F signifikan

Dalam dokumen Pengaruh angkatan kerja yang berkerja, investasi PMA, investasi PMDN pendapatan asli daerah terhadap pertumbuhan ekonomi sosial ; studi kasus; Provinsi DKI Jakarta tahun 1987-2007 (Halaman 103-116)