TAHUN RPDB (%)
C. Hasil dan Analisis Data
2. Uji Stationeritas dan Derajat Integrasi
Data yang digunakan dalam penelitian ini adalah data runtut waktu atau time series. Untuk data runtut waktu harus memenuhi uji stasionaritas dahulu sebelum data tersebut dianalisis menggunakan metode OLS (Ordinary Least Square). Uji stasionaritas dilakukan dengan uji akar-akar unit (unit root test), uji derajat integrasi (integration test), dan uji kointegrasi (cointegration test). Uji ini sebagai prasyarat untuk melakukan estimasi model dinamis.
a. Uji Akar-akar Unit
Pengujian akar-akar unit untuk semua variabel yang digunakan dalam analisis runtut waktu perlu dilakukan untuk memenuhi
commit to user
kesahihan analisis ECM (Error Correction Model). lni berarti bahwa data yang dipergunakan harus bersifat stasioner, atau dengan kata lain perilaku data yang stasioner memiliki varians yang tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya.
Pengujian stasioneritas data yang dilakukan terhadap seluruh variabel dalam model penelitian yang penulis ajukan, didasarkan pada Dickey Fuller (DF) Test dan Augmented Dickey Fuller (ADF) Test, yang perhitungannya menggunakan bantuan komputer dengan program E-Views 4. Pengujian akar-akar unit dilakukan dengan memasukkan intersep namun tidak memasukkan trend waktu pada uji DF, dan dengan memasukkan intersep dan trend waktu pada uji ADF.
Untuk uji akar-akar unit ini, apabila nilai hitung mutlak DF dan ADF lebih kecil dari nilai kritis mutlak MacKinnon maka variabel tersebut tidak stasioner, sebaliknya jika nilai hitung mutlak DF dan ADF lebih besar dari nilai kritis mutlak MacKinnon maka variabel tersebut stasioner. Hasil uji stasioneritas data dapat dilihat pada tabel 4.4 sebagai berikut:
Tabel 4.4 Nilai Uji Stasioneritas Dengan Metode DF dan ADF pada Ordo 0.
Variabel Nilai Hitung Mutlak
DF ADF
RPDB 1,767258 3,119530
PMA 3,924866* 3,894801**
ULN 0,782125 1,911334
Sumber: Hasil olahan E-Views 4
Keterangan : *** Stasioner pada level 1%
Keterangan : *** Stasioner pada level 5%
commit to user
Dari tabel 4.4 di atas dapat diketahui bahwa pada ordo nol belum semua variabel stasioner. Pada uji DF variabel RPDB dan ULN belum stasioner. Sedangkan pada uji ADF, semua variabel tidak stasioner kecuali variabel PMA. Oleh karena itu perlu dilakukan uji derajat integrasi untuk mengetahui pada derajat berapa semua variabel dalam model akan stasioner
b. Uji Derajat Integrasi
Uji derajat integrasi digunakan untuk mengetahui pada derajat berapa data yang diamati stasioner. Apabila data belum stasioner pada derajat satu maka pengujian harus dilanjutkan pada derajat berikutnya sampai data yang diamati stasioner. Hasil dari uji DF dan uji ADF pada ordo 1 dapat dilihat pada tabel 4.5 berikut.
Tabel 4.5 Nilai Uji Stasioneritas Dengan Metode DF dan ADF pada Ordo 1.
Variabel Nilai Hitung Mutlak
DF ADF
RPDB 3,865477* 3,738701**
PMA 8,117393* 7,893884*
ULN 3,741529** 3,667533** Sumber : Hasil olahan E-Views 4
Keterangan : *** Stasioner pada level 1%
Keterangan : *** Stasioner pada level 5%
Keterangan : *** Stasioner pada level 10%
Dari tabel 4.5 dapat diketahui bahwa koefisien nilai hitung mutlak baik DF maupun ADF semua variabel sudah stasioner (pada a = 5%). Sehingga dapat disimpulkan bahwa variabel RPDB, PMA dan ULN stasioner pada ordo 1.
commit to user 3. Uji Kointegrasi
Setelah uji stasioneritas melalui uji akar-akar unit dan derajat integrasi dipenuhi, maka langkah selanjutnya adalah melakukan uji kointegrasi untuk mengetahui parameter jangka panjang. Uji statistik yang sering dipakai adalah uji CRDW, uji DF dan uji ADF. Namun, dalam penelitian ini digunakan metode Engel-Granger untuk menguji kointegrasi variabel-variabel yang ada, dengan memakai uji statistik DF dan ADF untuk melihat apakah residual regresi kointegrasi stasioner atau tidak. Untuk menghitung nilai DF dan ADF terlebih dahulu adalah membentuk persamaan regresi kointegrasi dengan metode kuadrat terkecil biasa (OLS). Untuk model persamaan regresi kointegrasi dengan metode kuadrat terkecil biasa (OLS) adalah sebagai berikut:
RPDB = c0 + c1PMAt + c2ULNt + et
Hasil akhir dari pengolahan uji kointegrasi ini ditunjukkan oleh tabel 4.6 sebagai berikut:
Tabel 4.6 Hasil Estimasi dengan OLS Dependent Variable: RPDB
Variable Coefficien t
Std. Error t-Statistic Prob. C 7.427706 0.638279 11.63709 0.0000 ULN -1.78E-05 3.70E-06 -4.814050 0.0000 PMA 4.87E-05 2.86E-05 1.699211 0.0987 R-squared 0.431911 Mean dependent var 4.938333 Adjusted R-squared 0.397482 S.D. dependent var 1.194522 S.E. of regression 0.927212 Akaike info criterion 2.766387 Sum squared resid 28.37085 Schwarz criterion 2.898347 Log likelihood -46.79497 F-statistic 12.54477 Durbin-Watson stat 0.902395 Prob(F-statistic) 0.000089 Sumber : Hasil olahan E-Views 4.1
commit to user
Dari hasil regresi kointegrasi diperoleh nilai residunya, kemudian nilai residual tersebut diuji dengan menggunakan uji Dickey Fuller (DF) dan Augmented Dickey Fuller (ADF) untuk melihat apakah nilai residual tersebut stasioner atau tidak. Hasil pengujian dengan uji DF dan ADF adalah sebagai berikut:
Tabel 4.7 Nilai Uji Stasioneritas Dengan Metode DF dan ADF pada Ordo 0.
Variabel Nilai Hitung Mutlak
DF ADF
RESIDU 3,008659** 3,271140*** Sumber : Hasil olahan E-Views 4
Keterangan : *** Stasioner pada level 1%
Kete ** Stasioner pada level 5%
Kete *** Stasioner pada level 10%
Dari tabel 4.7, dapat disimpulkan bahwa koefisien nilai hitung mutlak baik DF maupun ADF pada residual regresi berkointegrasi stasioner pada ordo 0 (pada a = 10%). Dengan kata lain, semua variabel pada model mampu membentuk himpunan variabel yang berkointegrasi. 4. Hasil Estimasi Error Correction Model (ECM)
Pendekatan Model Koreksi Kesalahan (ECM) akan menjelaskan parameter jangka pendek maupun jangka panjang atas variabel-variabel yang mempengaruhi pertumbuhan ekonomi. Hasil pengolahan yang telah dilakukan dengan menggunakan program komputer E-Views 4 dengan model regresi linier ECM ditampilkan hasil pengolahan data sebagai berikut:
commit to user
Tabel 4.8. Estimasi dengan Error Correction Model (ECM). Dependent Variable: DRPDB
Variable Coefficien t
Std. Error t-Statistic Prob. C -2.851858 0.961832 -2.965026 0.0060 DULN 0.369735 0.119005 3.106895 0.0042 DPMA 0.369652 0.118997 3.106389 0.0042 BULN 0.369679 0.119005 3.106405 0.0042 BPMA 0.369658 0.118991 3.106610 0.0042 ECT -0.369670 0.119003 -3.106390 0.0042 R-squared 0.416237 Mean dependent var 0.028000 Adjusted R-squared 0.315588 S.D. dependent var 0.709601 S.E. of regression 0.587048 Akaike info criterion 1.927383 Sum squared resid 9.994122 Schwarz criterion 2.194014 Log likelihood -27.72921 F-statistic 4.135533 Durbin-Watson stat 1.362111 Prob(F-statistic) 0.005875 Sumber : Hasil olahan E-Views 4
Dari Tabel 4.8 di atas, estimasi model dinamis ECM dapat diperoleh fungsi regresi OLS sebagai berikut:
DRPDB = -2,851858 + 0,369652DPMAt + 0,369735DULNt +
0,369658 BPMAt + 0,369679 BULNt - 0,369670ECT
Keterangan
DRPDB :Perubahan pertumbuhan ekonomi dalam jangka panjang (%)
DPMA :Perubahan penanaman modal asing dalam jangka panjang (Juta US$)
DULN :Perubahan aliran neto utang luar negeri dalam jangka panjang (Juta US$)
BPMA :Penanaman modal jangka pendek atau tiga bulan sebelumnya (%)
commit to user
BULN :Pendapatan nasional jangka pendek atau tiga bulan sebelumnya (Juta US$)
ECT : Error Correction Term
Berdasarkan hasil perhitungan dengan analisis ECM untuk model di atas, dapat diketahui besarnya nilai variabel ECT (Error Correction Term) signifikan pada derajat keyakinan 5% dan menunjukkan tanda negatif. ECT tersebut merupakan indikator apakah spesifikasi model dianggap baik atau tidak. Maka dapat disimpulkan spesifikasi model tersebut sudah valid.
Koefisien ECT menunjukkan angka -0,369670 berarti bahwa proporsi biaya keseimbangan dan pergerakan pertumbuhan ekonomi pada periode sebelumnya yang disesuaikan pada periode sekarang adalah sekitar -0,369670%, sedangkan tingkat signifikansi ECT menunjukkan angka 0,0042 berarti signifikan pada tingkat signifikansi 5%. Hal ini berarti bahwa spesifikasi model yang dipakai adalah tepat dan mampu menjelaskan variasi dinamis.
Variabel jangka pendek dari model persamaan tersebut ditunjukkan oleh BPMA dan BULN. Koefisien regresi jangka pendek dari regresi ECM ditunjukkan oleh besarnya koefisien pada variabel-variabel jangka pendek di atas. Variabel jangka panjang dari model persamaan tersebut ditunjukkan oleh DPMA dan DULN. Sedangkan koefisien regresi jangka panjang dengan simulasi dari regresi ECM diperoleh dari :
commit to user
Konstanta: c0 /c5 = -2.851858 / - 0.369670 = 7,7146049
DPMA: (c3 + c5)/c5 =(0.369658 - 0.369670)/ -0.369670 = 0,0000325 DULN: (c4 + c5)/c5 = (0.369679 - 0.369670)/ -0.369670= -0,0000243
Dari hasil simulasi di atas dapat kita lihat bahwa hasil estimasi ECM konsisten dengan hasil yang diperoleh dari regresi kointegrasi. Sebagai contoh, elastisitas pertumbuhan ekonomi jangka panjang ECM sebesar 7,7146049, sedangkan elastisitas pertumbuhan ekonomi regresi kointegrasi sebesar 7,427706.
Tabel 4.9 di bawah ini menunjukkan koefisien jangka panjang dari masing-masing variabel yang diamati, yang terdiri atas koefisien asli ECM dan koefisien yang menunjukkan simulasi ECM jangka panjang.
Tabel 4.9. Koefisien Jangka Panjang dari Estimasi Fungsi
Pertumbuhan Ekonomi dengan Pendekatan ECM.
Variabel Koefisien Asli Koefisien Simulasi Kostantan -2,851858 7,7146049
DPMA 0,369652 0,0000325
DULN 0,369735 -0,0000243
Sumber: Hasil olahan E-Views 4
Dengan demikian hubungan jangka panjang regresi model ECM dapat dituliskan sebagai berikut:
DRPDB = 7,7146049 + 0,0000325DPMAt - 0,0000243DULNt +
commit to user 5. Uji Statistik
a. Uji Statistik t
Uji t adalah uji secara individual semua koefisien regresi yang bertujuan untuk mengetahui besarnya pengaruh dari masing-masing variabel independen terhadap variabe dependennya. Hasil pengujian dengan uji statisik t adalah sebagai berikut: