51
VI HASIL DAN PEMBAHASAN
6.1. Hasil Regresi dengan OLS
6.1.1. Uji Ekonometrika
Sebuah model regresi dikatakan baik berdasarkan kriteria statistik jika memenuhi kebaikan uji ekonometrika dimana uji ini merupakan cara untuk
mengatasi empat masalah dalam regresi berganda, yaitu normalitas, autokorelasi, heteroskedastisitas, dan multikolinearitas. Pada penelitian ini terdapat masalah
multikolinearitas sehingga harus diatasi lebih lanjut agar hasil estimasi dengan menggunakan OLS menjadi valid melalui transformasi dari regresi komponen
utama. Berikut adalah tabel hasil uji regresi klasik sebagai berikut.
Tabel 10. Hasil Regresi OLS Uji Kolmogorov-Smirnov
p-value 0.15 p-valuealfa
Residual menyebar normal
Uji Durbin Watson Nilai DQ
2.55225 duDW4-du Tidak ada autokorelasi
Uji White
p-value t
0.052
p-valuealfa Tidak ada heteroskedastisitas
0.066 0.49
0.428 0.443
0.215
p-value F
0.392
Uji VIF
Nilai VIF
2.004 VIF10 Ada
multikolinearitas 1.201
52.42 6.441
15.811 49.793
Signifikan pada alfa 5 Hasil regresi pada tabel 10, menunjukkan bahwa tiga asumsi klasik dalam
perhitungan ekonometrika telah terpenuhi normalitas, autokorelasi dan heteroskedastisitas pada taraf alpha lima persen 0,05. Namun demikian,
terdapat masalah multikolinearitas dimana nilai VIF 10. Kriteria asumsi klasik
52
multikolinearitas adalah VIF10. Oleh sebab itu, pada penelitian ini terjadi korelasi linier yang mendekati sempurna antar lebih dari dua variabel bebas.
Menurut Suliyanto 2011, beberapa kemungkinan penyebab timbulnya gejala multikolinearitas pada model regresi diantaranya:
1. Kebanyakan variabel ekonomi berubah sepanjang waktu. Besaran-besaran
ekonomi dipengaruhi oleh faktor-faktor yang sama sehingga jika satu faktor mempengaruhi variabel dependen maka seluruh variabel cenderung berubah
dalam satu arah. 2.
Adanya penggunaan nilai lag lagged value dari variabel-variabel bebas tertentu dalam model regresi.
3. Metode pengumpulan data yang dipakai the data collection method employed.
4. Adanya kendala dalam model atau populasi yang menjadi sampel constaint on
the model or ini the population being sampled .
5. Adanya kesalahan spesifikasi model specification model. Hal ini dapat terjadi
karena peneliti memasukkan variabel penjelas yang seharusnya dimasukkan dalam model empiris.
6. Adanya model yang berlebihan an overdetermined model. Hal ini terjadi
ketika model empiris jumlah variabel penjelas yang digunakan melebihi jumlah data observasi.
Beberapa akibat yang timbul jika hasil estimasi model empiris terdapat masalah multikolinearitas diantaranya:
1. Penaksir kuadrat terkecil tidak bias ditentukan indeterminate, meskipun hasil
estimasi yang dihasilkan masih BLUE Best Linier Unbiased Estimator. 2.
Interval kepercayaan confidence interval cenderung meningkat lebih besar sehingga mendorong untuk menerima hipotesis nol antara lain koefisien
populasi adalah nol. 3.
Nilai t-statistik koefisien dari satu atau beberapa variabel penjelas secara statistik tidak signifikan sehingga dapat menyebabkan dikeluarkannya variabel
penjelas dalam suatu model regresi, padahal variabel penjelas tersebut sangat penting perannya dalam menjelaskan variabel tergantung.
4. Penaksir-penaksir OLS dan kesalahan bakunya cenderung tidak stabil dan
sangat sensitif bila ada perubahan data meskipun sangat kecil.
53
5. Jika multikolinearitas tinggi, mungkin R
2
bisa tinggi namun tidak satupun sangat sedikit taksiran koefisien regresi yang signifikan secara statistik.
Walaupun demikian, masalah multikolinearitas dapat diatasi dengan menggunakan beberapa metode. Adapun metode-metode yang dapat digunakan
untuk menangani masalah multikolinearitas diantaranya: 1.
Memperbesar ukuran sampel 2.
Menghilangkan salah satu atau lebih variabel bebas 3.
Menggabungkan data time series dengan data cross section 4.
Melakukan transformasi data 5.
Menggunakan metode Principle Component Regression Regresi Komponen Utama
Pada penelitian ini menggunakan metode regresi komponen utama Principle Component Regression untuk mengatasi permasalahan
multikolinearitas. Dengan demikian, variabel bebas yang memiliki korelasi yang kuat dapat diringkas menjadi sebuah variabel baru yang mampu mencerminkan
variabel pembentuknya
5
. 6.1.2.
Hasil regresi Komponen Utama
Transformai yang dilakukan dengan mengubah bentuk W menjadi Z maka akan menghasilkan persamaan regresi baru dalam bentuk peubah baku. Analisis
ini bertujuan untuk menyederhanakan peubah-peubah yang diamati dengan cara mereduksi dimensinya sehingga masalah multikolinearitas pada penelitian ini
dapat diatasi. Reduksi ini dilakukan terhadap komponen utama yang memiliki akar terkecil atau akar cirri yang nilainya kurang dari satu. Berikut adalah tabel
hasil regresi komponen utama matriks Z.
5
Suliyanto. 2011. Ekonometrika Terapan: Teori dan Aplikasi dengan SPSS. Yogyakarta. Andi Offset.
Hlm 92
54
Tabel 11. Regresi Komponen Utama Komponen Utama
1 2 3 4 5 6
Eigenvalue 3,658 1,324 0,6303
0,2399 0,1204
0,0082 Z1 0,215
0,608 0,714
-0,207 0,177
-0,03 Z2 -0,058
0,753 -0,568 0,3 0,121
-0,045 Z3 -0,498
0,08 0,259 0,368
-0,166 0,718
Z4 -0,493 -0,119
-0,008 -0,159
0,846 -0,049
Z5 -0,459 0,207
-0,162 -0,758
-0,382 0,017
Z6 -0,499 0,022
0,272 0,363
-0,257 -0,692
Berdasarkan tabel 11, nilai eigen yang lebih besar dari satu adalah komponen PC1 dan PC2. Langkah selanjutnya yaitu dengan meregresikan antara
variabel respon terhadap kedua skor komponen tersebut sehingga diperoleh persamaan hasil regresi baru yang valid. Pengujian yang telah dilakukan dengan
menggunakan regresi komponen utama menghasilkan nilai p-value 0.05 sehingga diperoleh model yang signifikan pada taraf 5 lampiran 5 . Dengan
demikian, langkah berikutnya yaitu dengan mentransformasikan model yang di dapat ke Z kemudian ke peubah bebas sehingga diperoleh persamaan:
LnEx = 16.1 -0.4550 LnX
1
-5.7103 LnX
2
+ 0.2636 LnX
3
+ 0.7682 X
4
+ 0.2183 LnX
5
+ 0.7525 LnX
6
…………………………………………………………… 5.1
Persamaan 5.1 menunjukkan hasil regresi yang diformulasikan kembali dalam bentuk awal. Dengan kata lain, persamaan tersebut merupakan hasil regresi
akhir yang lebih baik dengan menghilangkan masalah multikolinieritas. Dengan demikian, dapat disimpulkan berdasarkan hasil pengolahan dengan regresi
komponen utama bahwa produksi LnX
3
, dummy revitalisasi LnX
4
, volume ekspor rumput laut Indonesia LnX
5
dan GDP China LnX
6
memiliki koefisien positif. Sedangkan harga ekspor ke China LnX
1
, nilai tukar LnX
2
memiliki koefisien yang negatif terhadap volume eskpor rumput laut Indonesia ke China.
6.1.3. Uji Statistiik