258
tujuan : pertama, meminimumkan penyimpangan antara nilai aktual dan nilai estimasi variabel dependen; kedua, mengoptimalkan korelasi antara nilai aktual dan nilai
estimasi varaibel dependen berdasarkan data yang ada. Pengujian asumsi-asumsi klasik dalam penelitian ini dilakukan melalui uji multikolinieritas, uji autokorelasi, dan uji
heterokedastisitas.
6.1.1. Uji Multikolinieritas
Multikolinieritas sempurna perfect multicollinierity adalah suatu pelonggaran terhadap asumsi bahwa tidak ada hubungan sempurna antar variabel
independen dalam sebuah persamaan regresi. Multikolinieritas sempurna itu jarang terjadi, yang sering dijumpai adalah multikolinieritas tidak sempurna dimana
dua atau lebih variabel berkorelasi berat pada serangkaian data yang sedang diamati. Walaupun tidak melonggarkan asumsi, namun tetap menyebabkan
persoalan-persoalan yang serius. Apabila ada dua variabel independen berkorelasi secara signifikan dalam suatu rangkaian sampel tertentu, kapan saja satu variabel
itu berubah, maka variabel independen lain akan cenderung berubah juga dan program komputer dengan OLS akan mengalami kesulitan untuk membedakan
pengaruh dari satu variabel independen dengan pengaruh variabel independen yang lain terhadap variabel dependen. Oleh karena itu, dalam sebuah sampel variabel-
variabel independen dapat lebih memiliki irama yang sama daripada dalam sampel yang lain, tekanan multikolinieritas dapat berubah sangat hebat.
Sementara itu, konsekuensi dari suatu multikolinieritas adalah : 1. Hasil-hasil estimasi tetap tidak bias. Apabila sebuah estimasi persamaan
mengandung multikolinieritas, koefisien-koefisien estimasi regresi b
i
akan
259 tetap memusat di seputar
i
pada populasi yang benar apabila semua asumsi klasik dipenuhi oleh suatu persamaan yang terspesifikasi dengan benar.
2. Varian dan standar error akan meningkat. Ini adalah konsekuensi yang pokok pada multikolinieritas. Oleh karena dua atau lebih variabel-variabel penjelas
saling berkorelasi secara signifikan, akan menjadi sulit untuk mengidentifikasi secara tepat efek-efek terpisah dari variabel-variabel yang berkolinieritas.
Ketika sulit membedakan efek dari satu variabel dengan efek dari variabel lain, maka kemudian ada kemungkinan membuat kesalahan-kesalahan besar dalam
mengestimasi
i
sebelum menghadapi multikolinieritas. Akibatnya, koefisien- koefisien estimasi walaupun tetap tidak bias, tetapi berasal dari distribusi yang
mengandung varian yang lebih besar dan demikian juga standar errornya. 3. Nilai t akan turun. Multikolinieritas cenderung menurunkan nilai t pada
koefisien-koefisien estimasi. 4. Hasil-hasil estimasi akan menjadi sangat peka terhadap perubahan-perubahan
spesifikasi. Tambahan atau penghapusan sebuah variabel penjelas atau beberapa observasi akan sering menyebabkan perubahan-perubahan besar pada
nilai-nilai b jika ada multikolinieritas. Jika satu variabel dihapus, walaupun variabel itu nampaknya tidak signifikan, koefisien-koefisien dari variabel-
variabel yang tertinggal di dalam persamaan seringkali akan berubah secara drastis.
Satu cara untuk mendeteksi adanya multikolinieritas adalah dengan memeriksa koefisien-koefisien korelasi sederhana antar variabel-variabel penjelas.
Apabila r adalah tinggi nilai absolutnya, maka diketahui bahwa ada dua variabel penjelas tertentu berkorelasi dan masalah multikolinieritas ada di dalam persamaan
260 itu. Koefisien korelasi yang tinggi menunjukkan indikasi multikolinieritas yang
berat. Beberapa penelitian menentukan 0.8 dan menjadi semakin prihatin terhadap munculnya multikolinieritas apabila koefisien korelasi melebihi 0.8 Sarwoko,
2005. Hasil analisis terhadap faktor-faktor penyebab deindustrialisasi dari sisi
permintaan menunjukkan bahwa korelasi antar variabel-variabel penjelas relatif kecil, di bawah nilai 0.8 seperti dapat dilihat pada Tabel 57 berikut ini. Dengan
demikian, masalah multikolinieritas pada model regresi faktor-faktor penyebab deindustrialisasi dari sisi permintaan relatif kecil atau tidak ada.
Tabel 57. Korelasi Antar Variabel Penjelas Faktor-Faktor Penyebab Deindustrialisasi dari Sisi Permintaan
Variabel SHINVEST SHEXPORT SHIMPNMIGAS
SHINVEST Pearson Correlation
1 0.135
0.378 Sig. 2-tailed
0.617 0.149
SHEXPORT
Pearson Correlation 0.135
1 -0.355
Sig. 2-tailed 0.617
0.177
SHIMPNMIGAS Pearson Correlation
0.378 -0.355
1 Sig. 2-tailed
0.149 0.177
Sumber : Hasil Analisis, 2011
Sementara itu, hasil analisis terhadap faktor-faktor penyebab deindustrialisasi dari sisi penawaran juga menunjukkan bahwa secara umum korelasi antar variabel-
variabel penjelas relatif kecil di bawah nilai 0.8, kecuali untuk korelasi antara variabel UPAH dan HITECHN yang relatif besar yaitu 0.864 seperti dapat dilihat
pada Tabel 58. Dengan demikian, secara umum masalah multikolinieritas pada model regresi faktor-faktor penyebab deindustrialisasi dari sisi penawaran juga
relatif kecil atau tidak ada.
261
Tabel 58. Korelasi Antar Variabel Penjelas Faktor-Faktor Penyebab dari Sisi Penawaran
Variabel LISTRIK
BBM UPAH
HITECHN LISTRIK
Pearson Correlation 1
0.290 0.463
0.327 Sig. 2-tailed
0.243 0.053
0.217
BBM
Pearson Correlation 0.290
1 0.761
0.693 Sig. 2-tailed
0.243 0.000
0.003
UPAH Pearson Correlation
0.463 0.761
1 0.864
Sig. 2-tailed 0.053
0.000 0.000
HITECHN
Pearson Correlation 0.327
0.693 0.864
1 Sig. 2-tailed
0.217 0.003
0.000
Sumber : Hasil Analisis, 2011
Di samping menggunakan uji korelasi untuk melihat ada tidaknya masalah multikolinieritas, salah satu cara lain untuk mengukur multikolinieritas adalah
dengan menggunakan Variance Inflation Factor VIF yang merupakan suatu cara mendeteksi multikolinieritas dengan melihat sejauh mana sebuah varibel penjelas
dapat diterangkan oleh semua varibel penjelas lainnya di dalam persamaan regresi. Terdapat satu VIF untuk masing-masing variabel penjelas di dalam sebuah
persamaan regresi. VIF adalah suatu estimasi besar multikolinieritas meningkatkan varian pada
suatu koefisien estimasi sebuah variabel penjelas. VIF yang tinggi menunjukkan bahwa multikolinieritas telah menaikkan sedikit varian pada koefisien estimasi,
akibatnya menurunkan nilai t. Menganalisis derajat multikolinieritas dengan cara mengevaluasi nilai VIFbi. Semakin tinggi VIF suatu variabel tertentu, semakin
tinggi varian koefisisen estimasi pada variabel tersebut dengan asumsi varian error term adalah konstan. Dengan demikian, semakin tinggi VIF, semakin berat
dampak dari multikolinieritas. Pada umumnya, multikolinieritas dikatakan berat
262 apabila angka VIF dari suatu variabel melebihi 10. Sementara itu, berdasarkan hasil
analisis menunjukkan bahwa pada model regresi faktor-faktor penyebab deindustrialisasi dari sisi permintaan, nilai VIF dari variabel-variabel SHINVEST,
SHEXPORT, dan SHIMPNMIGAS berturut-turut 1.28; 1.06; dan 1.31 dimana nilainya masih jauh di bawah 10. Hal ini menunjukkan bahwa masalah
multikolinieritas pada model regresi faktor-faktor penyebab dari sisi permintaan relatif kecil atau dapat diabaikan. Di sisi lain, berdasarkan hasil analisis
menunjukkan bahwa pada model regresi faktor-faktor penyebab deindustrialisasi dari sisi penawaran, nilai VIF dari variabel-variabel LISTRIK, BBM, UPAH, dan
HITECHN berturut-turut 2.27; 2.47; 9.35; dan 5.20 dimana nilainya masih jauh di bawah 10. Hal ini menunjukkan bahwa masalah multikolinieritas pada model
regresi faktor-faktor penyebab dari sisi penawaran relatif kecil atau dapat diabaikan.
6.1.2. Uji Autokorelasi
