ANALISIS DAN PEMBAHASAN
B. Analisis Data dan Pembahasan
2) Uji Heteroskedastisitas
Heteroskedastisitas terjadi jika gangguan muncul dalam fungsi regresi yang mempunyai varian yang tidak sama sehingga penaksir OLS tidak efisien, baik dalam sampel kecil maupun sampel besar (tetapi masih tidak bias dan konsisten). Masalah heteroskedastisitas dapat diketahui engan dilakukan d uji Park.
Uji ini dilakukan melalui dua tahap regresi sebagai berikut: a) Melakukan regresi atas model yang digunakan dengan
menggunakan OLS yang kemudian diperoleh nilai
residualnya.
b) Nilai residual yang didapat dari hasil regresi kemudian dikuadratkan, lalu diregresikan dengan variabel independen.
Kemudian dilakukan uji secara statistik apakah αi
berpengaruh secara statistik atau tidak. Hasil regresi
menunjukkan αi tidak signifikan (pada derajat signifikansi 5%), maka tidak terjadi masalah heteroskedastisitas.
Sebaliknya, jika αi signifikan (pada derajat signifikansi 5%), maka terjadi masalah heteroskedastisitas.
Tabel 4.5 Uji Park untuk Mendeteksi Heteroskedastisitas
Variabel Koefisien Std. Error t-Statistic Prob.
C -0.851836 2.223276 -0.383144 0.7057
D(KONS) -1.58E-06 9.46E-05 -0.016740 0.9868
KONS(-1) -0.279835 0.224106 -1.248672 0.2262
D(EKS) 8.92E-06 0.000125 0.071479 0.9437
EKS(-1) -0.279796 0.224095 -1.248560 0.2262
D(TAB) -3.93E-06 1.47E-05 -0.267166 0.7921
TAB(-1) -0.279837 0.224095 -1.248743 0.2262
D(PMA) -1.96E-07 9.27E-05 -0.002117 0.9983
PMA(-1) -0.279841 0.224087 -1.248804 0.2262
ECT_Hetero 0.279835 0.224096 1.248729 0.2262
R-squared 0.079006 F-statistic 0.190630
Adjusted R -0.335441 Prob(F-statistic) 0.992659
Sumber : Hasil olahan E-views 4.0,2009
Hasil pengujian menunjukkan probabilitas semua variabel dalam jangka pendek dan jangka panjang tidak
signifikan pada α = 5% seperti ditunjukkan oleh tabel 4.14.
Dapat disimpulkan dalam model tersebut tidak terdapat masalah heteroskedastisitas.
3) Uji Autokorelasi
Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (seperti pada data deretan waktu) atau ruang(seperti dalam data cross section).
Autokolerasi ini sering terjadi pada analisis yang menggunakan time series.
Penelitian ini menggunakan uji Breusch-Godfrey (
dalam persamaan regresi ECM tersebut dan variabel lag-1 dari nilai residual regresi ECM. Adapun hasil persamaan regresi ECM dapat dituliskan sebagai berikut:
RESIDUt = c0 + c1 DKONSt + c2 DEKSt + c3 DTABt + c4 DPMAt
+ c5 DKONSt-1 + c6 DEKSt-1 + c7 DTABt-1 + c8 PMA
t-1 + c9 ECT + RESIDUt-1 + e t...(4.3)
Dari model tersebut akan didapat nilai R², kemudian nilai ini dimasukkan dalam rumus sebagai berikut: (n- 1)R², dimana n
adalah jumlah observasi. Selanjutnya nilai (n-1) R²
diperbandingkan dengan ² (0,05). Dimana ² (0,05) adalah nilai kritis Chi Square yang ada dalam tabel statistik Chi Square. Jika
(n-1) R² lebih besar dari ², maka terdapat masalah autokorelasi, dan jika sebaliknya maka tidak terjadi masalah autokorelasi. Hasil perhitungan uji Breusch-Godfrey ditunjukkan oleh tabel 4.6
Tabel 4.6. Uji Breusch-Godfrey untuk Mendeteksi Autokorelasi
Variabel Koefisien Std. Error t-Statistic Prob.
D(KONS) 4.32E-06 0.000106 0.040791 0.9678
D(EKS) 5.23E-06 0.000137 0.038244 0.9699
D(PMA) 1.87E-06 9.62E-05 0.019461 0.9847
D(TAB) -2.52E-06 1.67E-05 -0.150459 0.8818
KONS(-1) 0.121438 0.243779 0.498148 0.6236 EKS(-1) 0.121449 0.243794 0.498162 0.6235 PMA(-1) 0.121496 0.243885 0.498168 0.6235 TAB(-1) 0.121484 0.243865 0.498161 0.6235 ECT -0.121477 0.243852 -0.498160 0.6235 RESID(-1) -0.235943 0.362228 -0.651367 0.5219 R-squared 0.010219 Adjusted R-squared -0.413973
Sumber : Hasil olahan E-views 4.0,2009
Hasil pengujian autokorelasi dengan menggunakan
Lagrange Multiplier Test menunjukkan bahwa R2 = 0,010219
sehingga didapatkan (n-1) R2 = (31-1) x 0.010219 = 0,30657. Nilai ² (1) dengan α = 5% adalah 3,84146. Sehingga 0,30657 <
3,84146 dan dapat disimpulkan bahwa tidak terjadi masalah autokorelasi terhadap variabel-variabel di dalam model.
4) Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah variabel terdistribusi secara normal atau tidak. Dalam peneltian ini menggunkan uji Jarque-Bera untuk mengetahui normalitas residual. Jarque-Bera = Dimana : n = ukuran sampel S = koefisien skewness K = koefisen kurtosis
Probabilitas JB lebih kecil dari 5% maka Ho di tolak sedangkan jika nilai JB lebih besar dari 5% maka Ho diterima.
Tabel. 4.7 Uji Normalitas dengan Uji Jarque-Bera Mean -360E-11 Median 0,109245 Maximum 4,828712 Minimum -3,959098 Std. Dev. 1,957523 skewness 0,527424 kurtosis 3,3023989 Jarque- Bera 1,610377 Probabilitas 0,447004
Sumber : Hasil olahan E-views 4.0,2009
Probabilitas J-B menunjukan hasil yang tidak signifikan dengan tingkat signifikansi 5%, seningga Ho diterima. Hal ini berarti bahwa residual berdistribusi normal.
5) Uji Linearitas
Uji linearitas pada dasarnya digunakan untuk menguji asumsi CLRM tentang linearitas model. Uji Ramsey yang dikenal dengan sebutan uji kesalahan spesifikasi umum digunakan untuk mengetahui linearitas. Diperoleh hasil estimasi regresi seperti pada tabel 4.8
Tabel 4.8 Hasil Linearitas dengan Uji Ramsey
F-hitung 0.291568 Probabilitas 0.602320
Log likelihood ratio 0.669538 Probabilitas 0.413213
Hasil estimasi terlihat bahwa nilai F-hitung tidak signifikan. Ini berarti tidak terjadi masalah linearitas atau kesalahan spesifikasi model.
d. Uji Statistik
1) Uji t (Uji Secara Individu)
- Uji t adalah uji secara individual semua koefisien regresi yang bertujuan untuk mengetahui besarnya pengaruh dari masing-masing variabel independen terhadap variabel dependennya. (t-tabel = 1,697 )
- Jika –1,697 < t hitung < 1,697 pada tingkat signifikansi 5%, maka Ho diterima dan Ha ditolak, artinya variable independen tidak mempengaruhi variabel dependen secara signifikan.
- Jika t hitung < –1,697 atau t hitung > 1,697 pada tingkat signifikansi 5%, maka Ho diterima dan Ha ditolak, artinya variable independen mempengaruhi variabel dependen secara signifik. Hasil pengujian uji t adalah sebagai berikut :
a) Pengaruh Variabel Independen Jangka Pendek
Pengujian secara individual dari koefisien regresi masing-masing variabel bebas jangka pendek dengan menggunakan model ECM diperoleh hasil sebagai berikut :
Tabel 4.9 Pengaruh Variabel Independen Jangka Pendek
Variabel t-hitung t-tabel
Kons (-1) -5,66676 1,697
Eks (-1) -5,666916 1,697
Tab (-1) -5,66573 1,697
Pma (-1) -5,665344 1,697
Sumber : Hasil olahan E-views 4.0,2009
(1) Konsumsi Pemerintah
Hasil pengolahan data diperoleh t-hitung variabel KONS(-1) sebesar -5,66676 atau t-hitung < -1,697 Artinya, variabel KONS(-1) secara individu berpengaruh secara statistik terhadap variabel RPDB pada derajat signifikansi 5%.
(2) Ekspor
Hasil pengolahan data diperoleh t-hitung variabel EKS(-1) sebesar -5,666916 atau t-hitung < -1,697. Artinya, variabel EKS(-1) secara individu berpengaruh secara statistik terhadap variabel RPDB pada tingkat signifikansi 5%
(3) Tabungan Domestik
Hasil pengolahan data diperoleh t-hitung variabel TAB(-1) sebesar -5,66573 atau t-hitung < -1,697 . Artinya, variabel TAB(-1) secara individu berpengaruh
secara statistik terhadap variabel RPDB pada tingkat signifikansi 5%
(4) Penanaman Modal Asing
Hasil pengolahan data diperoleh t-hitung variabel PMA (-1) sebesar -5,665344 atau t-hitung < -1,697. Artinya, variabel PMA(-1) secara individu berpengaruh secara statistik terhadap variabel dependen RPDB pada tingkat signifikansi 5%.
b) Pengaruh Variabel Independen Jangka Panjang
Tabel 4.10 Pengaruh Variabel Independen Jangka Panjang
Variabel t-statistik t-tabel.
Kons 1,310435 1,697
Eks 2,235653 1,697
Tab -3,633921 1,697
Pma 1,578561 1,697
Sumber : Hasil olahan E-views 4.0,2009
(1) Konsumsi Pemerintah
Hasil pengolahan data diperoleh t-hitung variabel KONS sebesar 1,310435 < dari t-tabel (1,697). Artinya, variabel KONS secara individu tidak berpengaruh secara
statistik terhadap variabel RPDB pada derajat
(2) Ekspor
Hasil pengolahan data diperoleh t-hitung variabel EKS sebesar 2,235653 > dari t-tabel (1,697) . Artinya, variabel EKS secara individu berpengaruh secara
statistik terhadap variabel RPDB pada tingkat
signifikansi 5% (3) Tabungan Domestik
Hasil pengolahan data diperoleh t-hitung variabel TAB sebesar -3,633921 < dari -t-tabel (-1,697) . Artinya, variabel TAB secara individu berpengaruh secara
statistik terhadap variabel RPDB pada tingkat
signifikansi 5%
(4) Penanaman Modal Asing
Hasil pengolahan data diperoleh t-hitung variabel PMAsebesar 1,578561 < dari t-tabel (1,697) Artinya, variabel PMA secara individu tidak berpengaruh secara statistik terhadap variabel dependen RPDB pada tingkat signifikansi 5%.
2) Uji F (Uji Secara Bersama- Sama)
Uji F adalah uji untuk mengetahui besarnya pengaruh variabel independen terhadap variabel dependen secara bersama-sama. Berdasarkan dari hasil pengolahan yang diperoleh dari model dinamik ECM, nilai F hitung adalah
sebesar 10,55760, dan F tabel adalah 8,64 ( F hitung > F tabel) Hal ini berarti bahwa dalam hasil regresi dengan ECM secara bersama-sama dalam jangka pendek dan jangka panjang variabel konsumsi pemerintah, ekspor, tabungan domestik, dan penanaman modal asing mempunyai pengaruh yang signifikan terhadap pertumbuhan ekonomi pada derajat signifikansi 5%. 3) Koefisien Determinasi (R2)
Goodness of fit (ketepatan model) adalah untuk mengetahui
berapa persen variasi variabel dependen dapat dijelaskan oleh variasi variabel independen. Berdasarkan hasil estimasi
menunjukkan bahwa nilai R2 adalah sebesar 0,818994 yang
berarti 81,8994% faktor jangka pendek dan jangka panjang variabel konsumsi pemerintah, ekspor, tabungan domestik, dan penanaman modal asing, dapat menjelaskan variasi perubahan Indeks Williamson sedangkan sisanya 18,1006% dipengaruhi oleh faktor lain di luar model