A. Sumber Data
Metode penelitian dilakukan dengan mengumpulkan data sekunder yang berbentuk time series selama periode waktu 2005-2015 di Sumatera Barat yang diperoleh dari Badan Pusat Statistik (BPS) Sumatera Barat, Bank Indonesia, Studi Kepustakaan dan Literatur yang terkait.
B. Analisis Data
1. Model Analisis Data
Model dalam penelitian ini menggunakan analisis regresi berganda dengan metode kuadrat terkecil sederhana (Ordinary Least Square).1 Di dalam model, konsumsi masyarakat (variabel dependen) mempunyai hubungan dengan pendapatan dan suku bunga deposito berjangka 12 Bulan (variabel independen) yang diformulasikan sebagai berikut:
Y = f (X1, X2)
Secara matematis perubahan konsumsi (Y) dipengaruhi oleh perubahan PDRB perkapita (X1) dan tingkat suku bunga (X2). Dalam bentuk persamaan regresi linear berganda, dapat ditulis sebagai berikut :
Y = β0 + β1X1 + β2X2 + μ
Y = Pengeluaran konsumsi Sumatera Barat (dalam jutaan rupiah) X1 = Pendapatan PDRB perkapita Sumatera Barat (dalam rupiah) X2 = Suku bunga deposito berjangka 12 Bulan (dalam persen %)
µ = Distrurbance term
β0 = Konstanta
β1,β2 = Parameter yang akan ditaksir
1 Damodar Gujarati, Ekonomitrika Dasar, (Jakarta: Erlangga, 1999), h. 23
2. Defenisi Variabel
Berdasarkan penjelasan diatas :
a. Variabel dependen adalah konsumsi yang berarti kegiatan manusia dalam menggunakan atau memakai barang-barang dan jasa-jasa untuk memenuhi kebutuhan yang dihitung berdasarkan harga konstan 2000. b. Variabel independen, terdiri dari :
1. PDRB perkapita (X1)
PDRB perkapita merupakan nilai dari seluruh barang dan jasa yang dihasilkan di sumatera barat berdasarkan harga konstan 2000. Dimana dalam pendapatan (PDRB) perkapita menggambarkan struktur perekonomian dan laju pertumbuhan ekonomi suatu daerah baik secara agregat maupun sektoral.
2. Suku bunga Deposito Bank Umum berjangka 12 Bulan (X2)
Suku bunga berjangka 12 Bulan adalah tingkat suku bunga deposito yang berlaku pada valas atau berjangka 12 Bulan setelah diperhitungkan dengan mengurangi adanya inflasi.
3. Metode Analisis Data 1. Uji Asumsi Klasik
Suatu model penelitian yang baik harus memenuhi beberapa persyaratan pengujian. Salah satunya adalah melalui uji asumsi klasik agar
mendapat model regresi yang baik atau yang lebih dikenal dengan istilah BLUE (Best Linear Unbiased Estimator). Beberapa uji asumsi klasik yang digunakan dalam penelitian ini adalah sebagai berikut:
a. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah dalam model regresi terhadap variabel penganggu atau residual memiliki distribusi secara normal atau tidak. Model regresi yang baik adalah memiliki data yang terdistribusi secara normal atau mendekati normal. Ada dua cara yang dilakukan untuk mengetahui apakah data terdistribusi secara normal atau tidak, yaitu dengan cara:
a) Analisis Grafik, dasar dalam pengambilan keputusannya adalah: 1) Jika data menyebar disekitar garis diagonal dan mengikuti arah
garis diagonal, maka model regresi memenuhi asumsi normalitas.
2) Jika data menyebar jauh dari garis diagonal dan atau tidak mengikuti arah garis diagonal, maka model regresi tidak memenuhi asumsi normalitas.
b) Analisis Statistik, uji normalitas data dapat juga dilakukan dengan menggunakan analisis statistik melalui uji Kolmogorov Smirnov (K-S Test), dasar pengambilan keputusannya adalah:
1) Apabila probabilitas nilai Z uji K-S signifikan secara statistik maka Ho ditolak, yang berarti data terdistribusi tidak normal.
2) Apabila probabilitas nilai Z uji K-S tidak signifikan secara statistik maka Ho diterima, yang berarti data terdistribusi normal.
Hipotesis : Ho = Data residual terdistribusi normal Ha = Data residual tidak terdistribusi normal b. Uji Multikolinearitas
Multikolinearitas adalah adanya hubungan linear yang sempurna atau pasti diantara beberapa atau semua variabel yang menjelaskan dari model regresi.2 Uji multikolinearitas digunakan untuk mengetahui apakah model regresi ditemukan adanya korelasi antara variabel bebas. Model regresi yang baik adalah tidak terjadi kolerasi diantara variabel bebas. Untuk mendeteksi ada tidaknya multikolinieritas dalam suatu model regresi dapat dilihat dari tolerance
value atau variance inflation factor (VIF). Dasar pengambilan keputusannya adalah sebagai berikut:
1) Jika nilai tolerance > 0,10 dan nilai VIF < 10, maka dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel independen dalam model regresi.
2) Jika nilai tolerance < 0,10 dan nilai VIF > 10, maka dapat disimpulkan bahwa ada multikolinieritas antar variabel independen dalam model regresi.
c. Uji Autokorelasi
Autokorelasi adalah adanya korelasi antara variable itu sendiri, pada pengamatan yang berbeda waktu atau individu.3Uji Autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1 (sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi dapat dilakukan dengan Uji Darbin Watson (DW Test).
Hipotesis : Ho = tidak ada autokorelasi dalam model Ha = ada autokorelasi dalam model
Ketentuan dalam melihat ada tidaknya autokorelasi dengan menggunakan DW adalah sebagai berikut:
1) Jika d lebih kecil dari dU atau lebih besar dari (4-dL), maka hipotesis ditolak, yang berarti terdapat autokorelasi.
2) Jika d terletak antara dU dan (4-dL), maka hipotesis diterima, yang berarti tidak ada autokorelasi.
3) Jika d terletak antara dL dan dU atau antara (4-dU) dan (4-dL), maka tidak menghasilkan kesimpulan yang pasti.
d. Uji Heteroskedastisitas
Heteroskedastisitas adalah satu keadaan dimana varian dari kesalahan penganggu tidak kontans untuk semua nilai variabel bebas. Cara memprediksi ada tidaknya heteroskedastisitas pada suatu model dapat dilihat dari pola gambar scatterplot model tersebut. Analisis pada
gambar scatterplot yang menyatakan model regresi linier berganda tidak terdapat heteroskedastisitas jika:
1) Titik-titik data menyebar diatas dan dibawah atau sekitar angka 0 2) Titik-titik data tidak mengumpul hanya diatas atau dibawah saja. 3) Penyebaran titik-titik data tidak boleh membentuk pola
bergelombang melebar kemudian menyempit dan melebar lagi. 4) Penyebaran titik-titik data sebaiknya tidak berpola.
Salah satu cara untuk melihat apakah model terbebas dari masalah heteroskedastisitas adalah bisa melalui metode statistik dengan menggunakan salah satu dari Uji White, Uji Park dan Uji Glejser.4
2. Pengujian Hipotesis
Pengujian hipotesis yang digunakan dalam penelitian ini adalah sebagai berikut:
a. Koefisien Determinasi (R2)
R2 digunakan untuk melihat kemampuan variabel-variabel independen (variabel bebas) mempengaruhi variabel dependen (variabel terikat). Koefisien determinasi (R2) memiliki probabilitas 0 ≤
4 Adryan Setyadharma, Uji Asumsi Klasik Dengan SPSS 16, (Semarang: Erlanga 2010), h.8
R2 ≤ 1. Artinya, apabila nilai R2 mendekati 0 berarti kemampuan variabel independent unttuk menjelaskan variabel dependent sangat kecil. Apabila nilai R2 mendekati 1, berarti kemampuan variabel independent untuk menjelaskan variabel dependent semakin besar. b. Uji F (F-Test)
Untuk mengetahui pengaruh variabel independent secara bersama-sama terhadap variabel dependent dilakukan uji F. Jika nilai F-hitung lebih besar dari F-tabel maka keseluruhan variabel independent berpengaruh nyata (signifikan) terhadap variabel dependen. Sebaliknya jika F-hitung kecil dari F-tabel maka variabel independent secara parsial tidak berpengaruh nyata terhadap variabel dependen. Secara statistik rumus yang digunakan adalah 5 :
F- Test R2 ∕(k−1)
(1−R2)∕(n−k)
Dimana :
R2 : koefisien penentuan berganda K : jumlah variabel bebas
n : jumlah observasi
k-1 : V1 (degree of freedom numerator) n-k : V2 (degree of freedo denomerator) c. Uji t (t-Test)
Uji t statistik merupakan suatu pengujian yang bertujuan untuk mengetahui apakah masing-masing koefisien regresi signifikan atau
tidak terhadap variabel dependen, dengan menganggap variabel dependen lainnya konstan. Dalam uji-t digunakan hipotesis berikut :
Ho : bi = 0 Ha : bi ≠ 0
Dimana bi adalah koefisien variabel independent, ke-i adalah nilai paramenter hipotesis, biasanya b dianggap = 0. Artinya tidak ada pengaruh variabel X1 terhadap Y bila nilai t-hitung > t-tabel maka pada tingkat kepercayaan tertentu (derajat kepercayaan 5%) Ho ditolak. Hal ini bereti bahwa variabel dependen yang diuji berpengaruh secara nyata (signifikan) terhadap variabel dependen. Nilai t-hitung diperoleh dengan rumus :
t –hitung bi−b
Sbi
dimana :
Bi : koefisien variabel independent ke-i B : nilai hipotesis nol
Sbi : simpangan baku dari variabel independent ke-i
Kriteria pengambilan keputusan :
Ho : bi = 0 : Ho diterima (t-hitung < t-tabel) artinya variabel independent secara parsial tidak berpengaruh nyata terhadap variabel dependen.
Ha : bi ≠ 0 : Ha diterima (t-hitung > t-tabel) artinya variabel independent secara parsial berpengaruh nyata terhadap variabel
