BAB III METODOLOGI PENELITIAN
C. Teknik Analisis Data
Pendekatan yang digunakan dalam penelitian ini menggunakan
Penelitian ini sering menggunakan eksperimen (Zeller dalam
Sangadji,2010:26). Selanjutnya Gujarati menjelaskan kembali mengenai
variabel kuantitatif. Variabel kuantitatif merupakan variabel tak bebas yang
bersifat bilangan atau angka, maka dapat ditegaskan kembali bahwa pendekatan kuantitatif merupakan pendekatan yang menekankan pada angka –
angka (Gujarati,2006:1).
Pengolahan data yang digunakan dalam penelitian ini adalah metode
Kuadrat Terkecil atau OLS (Ordinary Least Square) atau analisis kuadrat
terkecil dengan metode analisis kuantitatif pada model regresi linier berganda,
menggunakan software atau alat analisis pendukung Eviews 7.
Dalam penelitian ini menggunakan statistik parametrik, yakni ilmu
statistik yang mempertimbangkan jenis sebaran/ distribusi data, apakah data
tersebut tersebar normal ataua tidak, dan berdasarkan jenisnya menggunakan
statistik inferensial, yakni statistik yang berkenaan dengan cara penarikan
kesimpulanberdasarkan data yang diperoleh dari sampel untuk
menggambarkan karakteristik atau ciri–ciri dari suatu populasi.
Faktor - faktor yang mempengaruhi output industri tekstil,
diantaranya adalah Nilai Bahan Baku, Nilai Bahan Bakar, dan Jumlah Tenaga
Kerja yang dapat dinyatakan dalam fungsi sebagai berikut :
Y=f(X1,X2,X3)
Douglas. Seperti yang telah dipaparkan dalam landasan teori, fungsi Cobb
Douglas adalah suatu fungsi atau persamaan yang melibatkan dua atau lebih
variabel. Variabel pertama disebut variabel independen (bebas), yakni variabel
yang dalam penelitian tersebut akan menjelaskan tentang variabel nilai bahan
baku, nilai bahan bakar, dan jumlah tenaga kerja, sedangkan variabel
selanjutnya adalah variabel dependen (terikat) atau variabel yang menjelaskan
tentang fungsi produksi tersebut.
Sehingga dapat diuraikan dalam penelitian tersebut variabel variabel di
atas dalam model estimasi penelitiannya, sebagai berikut
Out=f(NBBk, NBB, JTK)
Keterangan:
Out = Output Industri Tekstil
NBBk = Nilai Bahan Baku
NBB = Nilai Bahan Bakar
JTK = Jumlah Tenaga Kerja
1. Analisis Data Time Series
Seperti yang telah dijelaskan sebelumnya bahwa penelitian ini
menggunakan model dengan data time series. Menurut Winarno, ada tiga jenis data dalam model ekonomerika, diantaranya, data time series,
Winarno menambahkan kembali karakteristik data runtut waktu adalah
nilainya relatif berubah- ubah seiring dengan berjalannya waktu. Selain
itu, biasanya data jenis ini memilikisatu variabel saja (meskipun dapat
juga ditambah variabel yang lain). Analisis yang digunakan pada jenis
data ini didasarkan pada nilai masa lalu dan pengaruh terhadap
variabelnya (Winarno, 2011:11).
Model dengan data time series :
Yt = α + β Xi + Ɛ i ; t = 1,2,…,T... (3.1)
Keterangan :
Y = Variabel Dependen X = Variabel Independen T = Banyaknya datatime series
2. Model Empiris
Model persamaan yang akan diestimasi sesuai dengan model
matematis fungsi produksi Cobb Douglas apabila dipindahkan dalam
regresi linier berganda adalah sebagai berikut sebagai berikut :
Y= β₀+β₁X₁+β₂X₂+β₃X₃+ ε ... (3.2)
OUT=β₀ +β₁NBBk +β2NBB+β3JTK+ε ... (3.3)
Ln(OUT)=β₀+β₁Ln(NBBk) +β2Ln(NBB)+β3JTK+ε ...(3.4)
Keterangan :
βo,β1,β2,β3 : Koefisien Regresi
LnNBBk : Nilai Bahan Baku ( Ribu Rupiah)
LnNBB : Nilai Bahan Bakar ( Ribu Rupiah)
JTK : Jumlah Tenaga Kerja (Jiwa)
ε :error terms
Pada model persamaan regresi berganda 3.4 menggunakan Ln
(Logaritma Natural) sehingga mengubah masing – masig variabel
menjadi linier. Penggunaan LN bertujuan untuk menghindari non linier
pada persamaan sehingga dengan menggunakan transformasi LN tersebut
mengubah data menjadi linier, selain itu dapat pula menghindari data
pada masalah – masalah pada uji asumsi klasik, khususnya pada uji
normalitas.
3. Uji Asumsi Klasik
Analisis regresi korelasi memerlukan dipengaruhinya berbagai
sumber asumsi agar model dapat digunakan sebagai alat prediksi yang
baik, namun tidak jarang peneliti menghadapi masalah dalam modelnya,
diantaranya; multikolinieritas, heteroskedasticity, otokorelasi, dan
Sebagaimana telah diketahui bahwa model regresi yang baik
apabila bersifat BLUE (Best Linier Unbiased Estimation ). Teori tersebut
dikenal dengan sebutan Teorema Gauss Markov (Nachrowi,2006:11).
1. Uji Normalitas
Uji normalitas merupakan uji dalam analisis statistika yang
menguji data tersebut dalam analisis penelitian terdistribusi
normal. Para peneliti menggunakan pedoman kalau variabel
tersiri atas 30 data, maka data sudah terdistribusi normal
(Winarno;5,2011). Jarque Bera adalah uji stattistik untuk
mengetahui apakah data terdistribusi normal. Probability
menunjukkan kemungkinan nilai Jarque–Bera melebihi (dalam
nilai absolut) nilai terobservasi dibawah hipotesis nol. Nilai
probabilitas yang kecil menunjukkan pada penolakan hipotesis
Uji normalitas dalam penelitian ini dapat dilakukan pada
beberapa variabel sekaligus (tanpa histogram) atau satu persatu
dengan histogram. Sebab itu diperlukan ukuran untuk
memudahkan dalam menguji data terdistribusi normal atau tidak
yaitu dengan melihat nilai JB dan probabilitasnya sebagai
berikut:
a. Bila nilai JB tidak signifikan (lebih kecil dari 2), maka data
terdistribusi normal
b. Bila probabilitas lebih besar dari 5% (bila menggunakan
signifikansi tersebut), maka data berdistribusi normal
(hipotesisnya nol adalah data berdistribusi normal).
2. Uji Multikolinieritas
Menurut Winarno Multikolinieritas adalah kondisi adanya
hubungan linier antar variabel independen. Hubungan yang
melibatkan antar variabel independen, maka kolinieritas akan
terjadi (Winarno;4,2011). Kondisi terjadinya multikolinieritas
1. Nilai R2tinggi, tetapi variabel independen banyak yang tidak
sigifikan.
2. Dengan menghitung koefisien korelasi antar variabel
independen. Apabila koefisiennya rendah maka tidak terdapat
multikoloneritas.
3. Dengan menggunakan regresi auxiliary. Regresi jenis ini
dapat digunakan untuk mengetahui hubungn antara dua atau
lebih variabel independen yang secara bersama – sama
mempengaruhi variabel dependen (terikat).
3. Uji Heterokedastisitas
Seperti telah diutarakan di atas model regresi yang baik
adalah model yang bersifat BLUE (Best Linier Unbiased
Estimation). Menurut Nachrowi bilavar harus sama dengan σ2
(konstan), atau dengan kata lain semua residual atau error
dengan homoskedastis. Sedangkan bila varian tidak konstan
atau berubah – ubah disebut dengan heteroskedastisitas
(Nachrowi,2006:109).
Teknik mendeteksi Heteroskedastisitas salah satu diantaranya
adalah dengan menggunakan uji white. Menurut Winarno, Uji
White menggunakan residual kuadrat sebagai variabel
dependen, dan variabel independennya terdiri atas variabel
independen yang sudah ada, ditambah dengan kuadrat variabel
independen, ditambah lagi dengan perkalian dua variabel
independen. Untuk mengetahui hasil dengan menggunakan uji
tersebut dapat dilihat dari nilai Obs*R-squarenya. Apabila nilai
probabilitasnya lebih kecil dari α = 5%, maka dapat
disimpulkan bahwa data tersebut bersifat heterokedastisitas
(Winarno,2011:5.16).
Autokorelasi dapat terjadi jika observasi yang berturut –
turut sepanjang waktu mempunyai korelasi antar satu dengan
yang lainnya (Nachrowi;185,2006).
Menurut Winarno, Otokorelasi adalah hubungan antara residual
satu observasi dengan residual observasi lainnya. Otokorelasi
lebih mudah timbul pada data yang bersifat runtut waktu, karena
berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data
masa lalu. Otokorelasi dapat berbentuk otokorelasi positif dan
otokorelasi negatif. Dalam runtut waktu, lebih besar
kemungkinan terjadi otokorelasi positif, karena variabel yang
dianalisis biasanya kecenderungan meningkat
(Winarno,2011:5.26). Otokorelasi biasanya terjadi karena
beberapa sebab, diantaranya:
a. Mengandung pergerakan naik turun, secara musiman,
naik dan kadang turun.
b. Kekeliruan dalam manipulasi data, misalnya data tahunan
dijadikan kuartalan dengan membagi empat.
c. Data yang dianalisis tidak bersifat stasioner.
Salah satu uji formal yang populer untuk mendeteksi
otokorelasi adalah uji Durbin Watson. Untuk melihat nilai
statistik DW, memiliki ketentuan, diantaranya
(Nachrowi,2006:191);
1. Jika Statistik DW bernilai 2, maka ρ akan bernilai 0,
yang berarti tidak ada otokorelasi.
2. Jika Statistik DW bernilai 0, maka ρ akan bernilai 1,
yang berarti ada otokorelasi positif.
3. Jika statistik DW bernilai 4, maka ρ akan bernilai
-yang berarti ada otokorelasi negatif.
Namun, untuk menyesuaikannya dengan tabel Durbin
Watson tersebut dalam mengidentifikasi uji autokorelasi
tersebut, dapat diketahui salah. Apabila D-W berada diantara
hingga 2,46 maka model tersebut terdapat autokolerasi.
(Winarno, 2009:5.27).
4. Uji Hipotesis
a. Uji Secara Parsial (uji t)
Uji secara parsial dengan t statistik bertujuan untuk melakukan uji
koefisien regresi secara individu (parsial). Adapun hipotesis yang
digunakan dalam pengujian adalah sebagai berikut
(Nachrowi,2006;18):
H0: βj= 0
H1: βj# 0 j = 0,1,2,...k
K adalah kofisien slope.
Nachrowi menjelaskan kembali, dari hipotesisi tersebut dapat
terlihat arti pengujian yang dilakukan, yaitu berdasarkan data yang
tersedia, akan dilakukan pengujian terhadap βj (Koefisien regresi
populasi), apakah sama dengan nol, yang berarti variabel bebas tidak
mempunyai pengaruh signifikan terhadap variabel terikat, atau tidak
sama dengan nol, yang berarti variabel bebas mempunyai pengaruh
signifikan terhadap variabel terikat.
Untuk regresi sederhana, yang mempunyai dua koefisien regresi
(intercept dan sebuah slope), tentu hipotesis yang dibuat akan sebanyak dua buah, yaitu:
(1) H0: β0= 0 (2) H0: β1= 0
H1: β0# 0 H1: β1# 0
Perhatikan bahwa dalam regresi sederhana uji hipotesis terhadap
slope (β1) baik secara individu (Uji -t) maupun secara bersama sama (Uji F) mempunyai bentuk hipotesis yang sama. Mungkinkah terjadi
perbedaan kesimpulan diantara keduanya?
Uji–t didefinisikan dalam formula sebagai berikut :
Nilai t hitung pada formula tersebut akan dibandingkan dengan
nilai t tabel. Bila ternyata, setelah dihitung |t| > tα2,maka nilai t berada
dalam daerah penolakan, sehingga hipotesis nol (H0) ditolak dan (H1)
pada tingkat kepercayaan 95%, tingkat signifikansi 5% (α = 0,005).
Dan sebaliknya, apabila t hitung lebih kecil dari t tabel, maka nilai t
berada dalam daerah penerimaan, sehingga hipotesis nol (H0) diterima
dan (H1) ditolak pada tingkat kepercayaan dan tingkat signifikansi yang
sama. Dapat dituliskan dalam hipotesis statistik sebagai berikut:
H0 : β = 0, artinya tidak terdapat pengaruh positif dari masing-masing variabel independen terhadap variabel dependen secara
Ha : β # 0, artinya Terdapat pengaruh positif dari masing-masing variabel independen terhadap variabel dependen secara
parsial (individu).
Uji hipotesis pada pemaparan sebelumnya merupakan pengujian
pada hipotesis dua arah, selanjutnya untuk menguji pada pengujian
hipotesis satu arah pada penelitian pada tingkat kepercayaan 95%,
menurut Supranto (2007:176–178 ) adalah sebagai berikut:
H0 : β < 0, artinya tidak ada pengaruh positif dari masing-masing variabel independen terhadap variabel dependen
secara parsial (individu).
Ha : β > 0, artinya ada pengaruh positif dari masing-masing variabel independen terhadap variabel dependen
secara parsial (individu).
Tingkat kepercayaan yang digunakan adalah 95% atau taraf signifikansi
5% (α = 0,05), dengan ketentuan sebagai berikut :
a. Apabila t hitung > t tabel, maka masing – masing variabel independen terdapat pengaruh positif terhadap variabel dependen
(terikat) secara parsial (individu).
b. Apabila t hitung < t tabel, maka tidak terdapat pengaruh positif
terhadap variabel dependen (terikat) secara parsial (individu).
b. Uji Secara Simultan (uji F)
Uji F statistik diperuntukkan untuk melakukan uji hipotesis
Dengan demikian, secara umum hipotesisnya dituliskan sebagai
berikut :
H0 : β = 0, artinya maka tidak terdapat pengaruh yang signifikan
antara variabel independen terhadap variabel
dependen secara simultan (bersama-sama).
Ha : β ≠ 0, artinya terdapat pengaruh yang signifikan antara
variabel independen terhadap variabel dependen
secara simultan (bersama-sama).
Pada tingkat kepercayaan 95% dan tingkat signifikansi 5% (0,005),
dengan ketentuan sebagai berikut:
a. Apabila F hitung > F tabel, maka terdapat pengaruh positif secara
bersama – sama (simultan) pada variabel independen terhadap variabel dependen (terikat).
b. Apabila F hitung < F tabel, maka tidak terdapat pengaruh positif
secara bersama – sama (simultan) pada variabel independen terhadap variabel dependen (terikat).
5. Koefisien Determinasi (R2)
Koefisien determinasi (Goodness of Fit), yang dinotasikan dengan R2, merupakan suatu ukuran yang penting dalam regresi, karena dapat
menginformasikan baik atau tidaknya model regresi yang terestmasi. Atau
dengan kata lain, angka tersebut dapat mengukur seberapa dekatkah garis
Nilai koefisien determinasi (R2) ini mencerminkan seberapa besar variasi
dari variabel terikat Y dapat diterangkan oleh variabel bebas X. Bila nilai
koefisien determinasi sama dengan 0 (R2= 0), artinya variasi dari Y secara
keseluruhan tidak dapat diterangkan oleh variabel X sama sekali.
Sementara bila R2 = 1, artinya variasi dari y secara keseluruhan dapat
diterangkan secara keseluruhan oleh variabel X (Nachrowi,2006;125).