Sebelum melakukan pengujian regresi pada data panel, penulis melakukan beberapa pengujian spesifikasi model agar mendapatkan estimasi model yang paling tepat dan baik untuk digunakan. Terdapat tiga uji spesifikasi model antara lain uji Chow, uji Hausman, dan uji Lagrange Multiplier (LM).
1. Uji Chow
Uji Chow dilakukan untuk menentukan model yang digunakan Pooled Least Square atau Fixed Effect Model dalam mengestimasi model. Jika hasil menunjukkan nilai probabilitas cross – section F lebih kecil dari tingkat signifikansi = 5% (0.05), maka H1 diterima. Namun jika menunjukkan nilai probabilitas cross – section F lebih besar dari tingkat signifikansi = 5%
(0.05), maka H0 diterima. Dimana dalam pengujian ini memiliki hipotesis sebagai berikut :
H0 : Common Effect Model H1 : Fixed Effect Model
Berikut adalah hasil uji Chow dengan menggunakan Redundant Fixed Effect Likelihood Ratio.
60 Tabel 4. 1
Uji Chow
Effects Test Statistic d.f. Prob.
\
Cross-section F ]] 20.349500 (7,29) 0.0000
Cross-section Chi-square 71.079018 7 0.0000
Sumber : Hasil Olah Data, 2020
Hasil analisis uji Chow menunjukkan nilai probabilitas pada Cross - Section F yaitu 0.0000, nilai tersebut lebih kecil dari nilai 0.05 (0.0000 <
0.05). Maka dengan hasil tersebut H1 diterima dan model yang diterima yaitu Fixed Effect Model. Dikarenakan model yang terpilih adalah Fixed Effect Model, maka akan dilakukan uji Hausman untuk menentukan Random Effect Model atau Fixed Effect Model yang akan dipilih dalam penelitian.
2. Uji Hausman
Uji Hausman bertujuan untuk menentukan Random Effect Model atau Fixed Effect Model yang akan digunakan dalam penelitian ini. Jika hasil menunjukkan nilai probabilitas cross – section random lebih kecil dari tingkat signifikansi = 5% (0.05), maka H1 diterima. Namun jika menunjukkan nilai probabilitas cross – section random lebih besar dari tingkat signifikansi = 5% (0.05), maka H0 diterima. Dalam pengujian ini memiliki hipotesis sebagai berikut :
H0 : Random Effect Model H1 : Fixed Effect Model
61 Berikut merupakan hasil uji Hausman dengan menggunakan Correlated Random Effect – Hausman Test.
Tabel 4. 2 Uji Hausman
Test Summary
Chi-Sq.
Statistic Chi-Sq. d.f. Prob.
Cross-section random 1.496531 3 0.6831
Sumber : Hasil Olah Data, 2020
Hasil analisis uji Hausman menunjukkan nilai probabilitas pada Cross - Section F yaitu 0.6831, nilai tersebut lebih kecil dari nilai 0.05 (0.6831>
0.05). Maka dengan hasil tersebut H0 diterima dan model yang diterima yaitu Random Effect Model. Dikarenakan model yang terpilih adalah Random Effect Model, maka akan dilakukan uji Lagrange Multiplier untuk menentukan Random Effect Model atau Common Effect Model yang akan dipilih dalam penelitian.
3. Uji Lagrange Multiplier (LM)
Uji Lagrange Multiplier (LM) dilakukan untuk memastikan Random Effect Model atau Common Effect Model model yang terbaik untuk digunakan. Jika hasil menunjukkan nilai probabilitas Breusch-Pagan lebih kecil dari tingkat signifikansi = 5% (0.05), maka H1 diterima. Namun jika menunjukkan nilai probabilitas Breusch-Pagan lebih besar dari tingkat signifikansi = 5% (0.05), maka H0 diterima. Dalam pengujian ini memiliki hipotesis sebagai berikut :
62 H0 : Common Effect Model
H1 : Random Effect Model
Berikut adalah Uji LM dengan menggunakan Breusch-Pagan Random Effect LM Test.
Tabel 4. 3
Uji Lagrange Multiplier
Test Hypothesis
Cross-section Time Both
Breusch-Pagan 44.06551 0.617866 44.68338
(0.0000) (0.4318) (0.0000)
Sumber : Hasil Olah Data, 2020
Hasil uji Lagrange Multiplier menunjukkan bahwa nilai probabilitas pada Breusch-Pagan yaitu 0.0000, nilai tersebut lebih kecil dari nilai 0.05 (0.0000<0.05). maka dengan hasil tersebut H1 diterima maka model yang terbaik untuk digunakan yaitu Random Effect Model. Maka dalam kasus peneliti akan menggunakan Random Effect Model dalam penelitian ini.
4. Random Effect Model
Sesudah dilakukan uji spesifikasi model, hasil yang didapatkan adalah model terbaik untuk digunakan dalam penelitian ini yaitu Random Effect Model. Didapatkan hasil persamaan sebagai berikut.
IPK = 30.81796 0.024976KP + 17.11494EG + 11.67167KR + e Keterangan :
IPK : Indeks Persepsi Korupsi KP : Keterbukaan Perdagangan
EG : E - Government KR : Kualitas Regulasi
63 Tabel 4. 4
Hasil Regresi Data Panel
Dependent Variable: IPK?
Method: Pooled EGLS (Cross-section random effects) Sample: 1 5
Included observations: 5 Cross-sections included: 8
Total pool (balanced) observations: 40
Swamy and Arora estimator of component variances
Variable Coefficient Std. Error t-Statistic Prob.
C 30.81796 4.428108 6.959621 0.0000
Cross-section random 5.937868 0.8669
Idiosyncratic random 2.326208 0.1331
Weighted Statistics
R-squared 0.692509 Mean dependent var 5.526588 Adjusted R-squared 0.666884 S.D. dependent var 3.945367 S.E. of regression 2.277115 Sum squared resid 186.6691 F-statistic 27.02548 Durbin-Watson stat 2.209502 Prob(F-statistic) 0.000000
Unweighted Statistics
R-squared 0.648275 Mean dependent var 32.02500 Sum squared resid 1101.241 Durbin-Watson stat 0.374528
Sumber : Hasil Olah Data, 2020
Berdasarkan hasil regresi di atas dapat dilihat pada kolom coefficient C sebesar 30.81796 yang artinya bahwa nilai IPK akan sebesar 30.81796 ketika tidak dipengaruhi oleh variabel – variabel lain. Pada variabel KP
64 memiliki hubungan yang negatif terhadap variabel IPK dengan nilai
0.024976, artinya ketika terjadi kenaikan 1% pada KP maka akan
menurunkan skor IPK sebesar 0.024976 dengan asumsi variabel lain konstan.
Hal tersebut menandakan adanya suap yang dilakukan dalam perdagangan internasional. Variabel KP memiliki nilai probabilitas 0.2647 maka variabel KP tidak berpengaruh signifikan terhadap variabel IPK karena probabilitas t – statistic variabel KP lebih besar dari (0.05).
Pada variabel EG memiliki hubungan yang positif terhadap variabel IPK dengan nilai 17.11494, artinya peningkatan 1 skor pada EG akan meningkatkan skor IPK sebesar 17.11494 dengan asumsi variabel lain konstan, sehingga korupsi semakin sedikit. Variabel EG memiliki nilai probabilitas sebesar 0.0067 maka variabel EG memiliki pengaruh signifikan terhadap variabel IPK karena probabilitas t – statistic variabel EG lebih kecil dari (0.05).
Pada variabel KR memiliki hubungan yang positif terhadap variabel IPK dengan nilai 11.67167 artinya, ketika terjadi kenaikan 1 skor pada KR maka akan meningkatkan skor IPK sebesar 11.67167 dengan asumsi variabel lain konstan. Dalam kasus ini peningkatan kualitas regulasi dapat mengurangi korupsi. Variabel KR memiliki nilai probabilitas 0.0000 maka variabel KR berpengaruh signifikan terhadap variabel IPK karena probabilitas t – statistic variabel KP lebih kecil dari (0.05).
65
FILIPINA—C -4.740967 26.076993 INDONESIA—C -1.308237 29.509723 KAMBOJA—C -6.572204 24.245756 MALAYSIA—C 1.831822 32.649782
MYANMAR—C 3.606086 34.424046
THAILAND—C -3.310775 27.507185 TIMORLESTE—C 8.968652 39.786612
VIETNAM—C 1.525623 32.343583
Sumber : Hasil Olah Data, 2020
Individual effect merupakan angka yang didapatkan dengan menjumlahkan koefisien dari Indeks Persepsi Korupsi dan koefisien dari individual atau negara – negara yang ada dalam penelitian ini. Individual effect menggambarkan negara secara individual yang memiliki indeks persepsi korupsi yang baik. Semakin tinggi koefisiennya semakin baik negara tersebut mengatasi atau mencegah tindak korupsi. Berikut penjelasan individual :
1) Filipina
𝐼𝑃𝐾 = 26.076993 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Filipina sebesar 26.07993.
2) Indonesia
66 𝐼𝑃𝐾 = 29.509723 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Indonesia sebesar 29.509723.
3) Kamboja
𝐼𝑃𝐾 = 24.245756 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Kamboja sebesar 24.245756.
4) Malaysia
𝐼𝑃𝐾 = 32.649782 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Malaysia sebesar 32.649782.
5) Myanmar
𝐼𝑃𝐾 = 34.424046 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Myanmar sebesar 34.424046.
6) Thailand
67 𝐼𝑃𝐾 = 27.507185 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Thailand sebesar 27.507185.
7) TimorLeste
𝐼𝑃𝐾 = 39.786612 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Timor-Leste sebesar 39.786612.
8) Vietnam
𝐼𝑃𝐾 = 32.343583 − 0.024976𝐾𝑃 + 17.114.94𝐸𝐺 + 1167167𝐾𝑅 + 𝑒
berdasarkan persamaan di atas dapat dilihat jika Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan, maka indeks persepsi korupsi negara Vietnam sebesar 32.343583.
Dari tabel individual effect di atas dapat disimpulkan bahwa jika variabel independen dalam penelitian ini yaitu Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan maka negara Kamboja merupakan negara yang paling besar pengaruhnya dalam penurunan indeks persepsi korupsinya karena Kamboja memiliki coefficient dalam individual effect paling kecil yaitu sebesar -6.572204. Sedangkan jika
68 Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi diasumsikan konstan maka negara yang paling kecil pengaruhnya dalam penurunan indeks persepsi korupsi adalah Timor – Leste karena coefficient dalam individual effect paling tinggi yaitu sebesar 8.968652.
5. Uji Asumsi Klasik
Uji asumsi klasik bertujuan untuk mengetahui dan menguji kelayakan atas model regresi yang digunakan dalam penelitian ini. Pada penelitian ini uji asumsi klasik yang digunakan adalah uji multikolinearitas, uji normalitas, uji heteroskedastisitas, dan uji autokorelasi. Dalam penelitian penulis menggunakan random effect model. Dimana estimasi parameter yang digunakan random effect model adalah GLS (Generalized Least Square).
Dengan menggunakan random effect model, ini tidak perlu uji heteroskedastisitas karena GLS berguna untuk menyembuhkan gejala heteroskedastisitas sehingga dalam model REM diasumsikan terbebas dari heteroskedastisitas (Gujarati & Porter, 2010). Selain itu, metode GLS ini juga dapat mengatasi autokorelasi runtun waktu (time series) serta korelasi antar observasi (cross section) (Gujarati & Porter, 2010).
a. Uji Multikolinearitas
Uji multikolinearitas dalam penelitian ini bertujuan untuk mengetahui atau menguji apakah dalam model regresi terdapat korelasi antara variabel – variabel independen. Pendeteksian multikolinearitas dapat dilakukan dengan melihat beberapa aspek yaitu, jika nilai R2 >
69 0.8 tetapi hanya sedikit hasil uji t – statistik yang signifikan atau bahkan tidak ada yang signifikan. Kemudian”jika”uji F – statistik menunjukkan nilai yang signifikan, tetapi tidak didukung oleh uji t – statistik tiap variabel independen yang juga signifikan (Gujarati & Porter, 2012).
Untuk mengetahui multikolinearitas dalam model regresi antar variabel independen jika nilai tolerance nya melebihi 0.8. Berikut merupakan hasil dari uji multikolinearitas pada penelitian ini.
Tabel 4. 6 Uji Multikolinearitas
KP EG KR
KP 1.000000 0.331069 0.375790 EG 0.331069 1.000000 0.770345 KR 0.375790 0.770345 1.000000
Sumber : Hasil Olah Data, 2020
Hasil dari uji multikolinearitas di atas menunjukkan bahwa nilai koefisien dari variabel independen (Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi) dalam penelitian ini yaitu berada dibawah 0.8. Maka dapat disimpulkan bahwa model yang digunakan dalam penelitian ini tidak terdapat masalah multikolinearitas.
b. Uji Normalitas
Uji normalitas merupakan pengujian yang dilakukan untuk melihat apakah pendistribusian data terdistribusi normal atau tidak pada suatu penelitian. Jika dalam pengujian ternyata data tidak terdistribusi normal akan mempengaruhi hasil dari setiap tes yang dilakukan. Dikatakan
70 terdapat data tidak normal pada sebuah penelitian dapat dilihat melalui prosb Jarque-Berra apabila dibawah 0.05 berarti data tidak terdistribusi normal. Berikut merupakan hasil dari uji Normalitas pada penelitian ini.
Tabel 4. 7
Sumber : Hasil Olah Data, 2020
Dari data di atas dapat dilihat dari prob Jarque-Berra dengan 0.473432 artinya lebih besar dari 0.05 yang pada artinya dalam penelitian ini datanya memiliki persebaran data yang normal sehingga data tersebut dapat digunakan dalam penelitian.
6. Uji Hipotesis
Uji hipotesis dilakukan untuk mengetahui apakan koefisien regresi yang sudah didapat pada penelitian ini signifikan atau tidak. Terdapat tidak uji hipotesis yang dilakukan dalam penelitian ini yaitu uji koefisien determinasi, uji t (uji parsial), dan uji F (uji simultan).
a. Uji Koefisien Determinasi
71 Uji koefisien determinasi merupakan uji yang dilakukan untuk menginterpretasikan seberapa besar variabel independen dalam menjelaskan variabel dependen yang digunakan dalam penelitian ini.
Nilai koefisien determinasi berada di antara nol sampai satu. Jika nilai koefisien determinasi semakin mendekati angka satu maka dapat diartikan bahwa variabel independen mampu menjelaskan pengaruh perubahan pada variabel dependen. Sedangkan jika nilai koefisien determinasi semakin mendekati angka nol maka diartikan bahwa variabel independen tidak memiliki kemampuan dalam menjelaskan pengaruh variabel dependen. Berikut merupakan hasil dari uji koefisien determinasi dalam penelitian ini.
Tabel 4. 8
Uji Koefisien Determinasi
R-squared 0.692509
Adjusted R-squared 0.666884
Sumber Hasil Olah Data, 2020
Hasil dari uji koefisien determinasi diatas menunjukkan bahwa nilai dari Adjusted R – Squared yaitu sebesar 0.6668 dengan Adj. R – Square tersebut menggambarkan determinasi yang sebenarnya. Dari hasil tersebut dapat disimpulkan bahwa variabel independen (Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi) dapat menjelaskan variabel dependen (Indeks Persepsi Korupsi) pada negara – negara di wilayah Asia Tenggara yaitu, Filipina, Indonesia, Kamboja, Malaysia, Myanmar, Thailand, Timor-Leste, dan Vietnam
72 sebesar 66.68%. Sedangkan sisanya yaitu 33.32% dijelaskan oleh variabel lain diluar penelitian ini.
b. Uji t (Uji Parsial)
Uji t digunakan untuk mengetahui signifikansi variabel independen secara parsial terhadap variabel dependen. Dalam menentukan signifikansi tersebut dapat dilihat dengan membandingkan nilai probabilitas dengan tingkat signifikansi = 5% (0.05). Apabila probabilitas kurang dari 0.05 maka berarti setia variabel independen yang diuji memiliki signifikansi yang berarti terima H1 dan tolak H0, namun apabila variabel yang diuji secara parsial tersebut lebih dari 0.05 artinya tolak H1 dan terima H0. Berikut merupakan hipotesis dalam uji parsial dalam penelitian ini.
1) H0 : Tidak ada pengaruh Keterbukaan Perdagangan secara parsial terhadap Indeks Persepsi Korupsi di negara – negara wilayah Asia Tenggara tahun 2010 – 2018.
H1 : Ada pengaruh Keterbukaan Perdagangan secara parsial terhadap Indeks Persepsi Korupsi di negara – negara wilayah Asia Tenggara tahun 2010 – 2018.
2) H0 : Tidak ada pengaruh E - Government secara parsial terhadap Indeks Persepsi Korupsi di negara – negara wilayah Asia Tenggara tahun 2010 – 2018.
73 H1 : Ada pengaruh E - Government secara parsial terhadap Indeks Persepsi Korupsi di negara – negara wilayah Asia Tenggara tahun 2010 – 2018.
3) H0 : Tidak ada pengaruh Kualitas Regulasi secara parsial terhadap Indeks Persepsi Korupsi di negara – negara wilayah Asia Tenggara tahun 2010 – 2018.
H1 : Ada pengaruh Kualitas Regulasi secara parsial terhadap Indeks Persepsi Korupsi di negara – negara wilayah Asia Tenggara tahun 2010 – 2018.
Tabel 4. 9 Uji t - Statistik
Variable Coefficient Std. Error t-Statistic Prob.
C 30.81796 4.428108 6.959621 0.0000
KP? -0.024976 0.022044 -1.133004 0.2647
EG? 17.11494 5.944910 2.878923 0.0067
KR? 11.67167 1.630190 7.159701 0.0000
Sumber: Hasil Olah Data, 2020
Berdasarkan tabel diatas maka didapatkan hasil dari penelitian ini sebagai berikut.
a. Pada variabel Keterbukaan Perdagangan (KP) memiliki nilai probabilitas t – statistic sebesar 0.2647, berarti lebih besar dari tingkat signifikansi (0.2647 > 0.05). Dapat diartikan H0 diterima H1
ditolak.
b. Pada variabel E – Government (EG) memiliki nilai probabilitas t – statistic sebesar 0.2647, berarti lebih kecil dari tingkat signifikansi (0.0067 < 0.05). Dapat diartikan H1 diterima H0 ditolak.
74 c. Pada variabel Kualitas Regulasi (KR) memiliki nilai probabilitas t – statistic sebesar 0.000, berarti lebih kecil dari tingkat signifikansi (0.0000 < 0.05). Dapat diartikan H1 diterima H0 ditolak.
Dari penjelasan hasil uji t di atas dapat disimpulkan bahwa variabel Keterbukaan Perdagangan (KP) tidak memiliki pengaruh yang signifikan terhadap Indeks Persepsi Korupsi (IPK). Sedangkan E – Government (EG) dan Kualitas Regulasi (KR) memiliki pengaruh yang signifikan terhadap Indeks Persepsi Korupsi (IPK) di negara – negara wilayah Asia Tenggara seperti Filipina, Indonesia, Kamboja, Malaysia, Myanmar, Thailand, Timor-Leste, dan Vietnam.
c. Uji F (Uji Simultan)
Uji F digunakan dalam menggambarkan apakah semua variabel independen secara simultan atau keseluruhan dapat berpengaruh terhadap variabel dependen._Dalam menentukan signifikan atau tidaknya variabel independen secara simultan terhadap variabel dependen dapat dilihat dengan membandingkan nilai F hitung dan F tabel. Apabila F hitung < F tabel maka H1 diterima, artinya variabel independen secara simultan mempunyai pengaruh yang signifikan terhadap variabel dependen. Namun apabila F hitung > F tabel maka H0
diterima, artinya variabel independen secara simultan tidak memiliki pengaruh yang signifikan terhadap variabel dependen. Selain itu melihat uji F simultan dapat dilihat dari probabilitas F – statistic, apabila kurang dari = 5% (0.05) artinya variabel secara simultan
75 memiliki pengaruh yang signifikan terhadap variabel dependen namun apabila probabilitas F – statistic lebih besar dari = 5% (0.05) artinya penjelasan variabel secara simultan tidak memiliki pengaruh yang signifikan.
Tabel 4. 10 Uji F
F-statistic 27.02548
Prob(F-statistic) 0.000000
Sumber : Hasil Olah Data, 2020
Berdasarkan hasil regresi random effect model di atas, didapatkan nilai f – statistic sebesar 27.02548 dengan melihat dari nilai probabilitas f – statistic menunjukkan 0.0000, maka nilai probabilitas f – statistic lebih kecil dari tingkat signifikansi = 5% atau 0.05 (0.0000 < 0.05).
Dengan hasil tersebut maka terima H1 dan disimpulkan bahwa variabel independen (Keterbukaan Perdagangan, E – Government, dan Kualitas Regulasi) secara simultan berpengaruh signifikan terhadap variabel dependen (Indeks Persepsi Korupsi) pada negara – negara di wilayah Asia Tenggara yaitu, Filipina, Indonesia, Kamboja, Malaysia, Myanmar, Thailand, Timor-Leste, dan Vietnam.