130
Cross-section random 9.724934
3 0.0211
Sumber: Data diolah. Lampiran 5 Dari Tabel 4.5 diatas diperoleh nilai Chi-Square Statistic
adalah 9,724934 dengan nilai Chi-Square tabel dengan d.f.=3 dan α=5 adalah 7,814728. Sehingga nilai Chi-Square statistik
9,724934 Chi-Square tabel 7,814728, maka H0 ditolak dan Ha diterima. Dari pengujian ini dapat disimpulkan bahwa model
yang tepat dalam penelitian ini adalah Fixed Effect Model.
3. Uji Asumsi Klasik
a. Uji Normalitas
Untuk menguji apakah dalam model penelitian, variabel pengganggu atau residual berdistribusi dengan normal atau tidak,
dapat diketahui dengan melihat dan membandingkan nilai Jarque- Bera JB dengan nilai Chi-Square tabel. Menurut Winarno 2011:
5.37, “Jika nilai Jarque-Bera JB Chi-Square Tabel, maka data penelitian berdistribusi normal”. Setelah dilakukan pengujian
dengan menggunakan E-Views 7.0, diperoleh hasil sebagai berikut:
Gambar 4.5 Histogram-Uji Normalitas
131
Sumber: Lampiran 6 Gambar 4.5 menunjukkan bahwa nilai JB hitung sebesar
5,780233, dan nilai Chi- Square Tabel df3, α=5 adalah 7,81.
Dengan nilai Chi-Square tabel 7,81 JB Hitung 5,780233 dan dapat disimpulkan bahwa data penelitian ini berdistribusi normal.
Selain itu dapat dilihat dari nilai probabilitas yang lebih dari α=5 0,05, dengan nilai probabilitas sebesar 0,55570.
b. Uji Multikolinearitas
Pada uji ini dilakukan untuk mengetahui keterkaitan antar variabel independen Produksi Beras, Impor Beras dan Konsumsi
Beras, karena apabila terdapat hubungan antar variabel independen maka data yang akan diteliti akan mengalami masalah
dan akan mempengaruhi hasil penelitian. Menurut Hamja 2012: 23, untuk mengidentifikasi masalah multikolinearitas dapat
132
dilihat dari nilai matriks korelasi, dimana nilainya tidak boleh kurang dari 0,8.
Tabel 4.6 Matriks Korelasi
PRODUKSIBERAS IMPORBERAS KONSUMSIBERAS PRODUKSIBERAS
1.000000 0.147007
0.670848 IMPORBERAS
0.147007 1.000000
0.394934 KONSUMSIBERAS
0.670848 0.394934
1.000000
Sumber: Lampiran 7 Dari tabel diatas dapat diketahui bahwa tidak terdapat masalah
multikolinearitas karena nilai matriks korelasi semua variabel Produksi Beras, Impor Beras dan Konsumsi Beras kurang dari
nilai 0,8 Hamja, 2012: 23.
c. Uji Heteroskedastisitas
Masalah heteroskedastisitas dapat dilihat dengan banyak cara salah satunya dengan melihat Uji Park dan Uji Glejser. Adapun uji
park adalah uji yang menjadikan lnresidu
2
menjadi variabel dependen dan variabel independen diuji bersamanya. Adapun hasil
analisisnya sebagai berikut: Tabel 4.7
Uji Park
Dependent Variable: LOGRES2 Method: Panel Least Squares
Date: 062515 Time: 09:12 Sample adjusted: 2009 2013
Periods included: 5
133
Cross-sections included: 32 Total panel balanced observations: 160
Variable Coefficient
Std. Error t-Statistic
Prob. C
2.542202 1.185842
2.143794 0.0336
PRODUKSIBERAS -0.342190
0.189987 -1.801124
0.0736 DIMPORBERAS
0.145916 0.083992
1.737259 0.0843
DKONSUMSIBERAS -52.03160
28.90227 -1.800260
0.0738 R-squared
0.042626 Mean dependent var 0.238258
Adjusted R-squared 0.024215 S.D. dependent var
2.028726 S.E. of regression
2.004013 Akaike info criterion 4.252862
Sum squared resid 626.5065 Schwarz criterion
4.329742 Log likelihood
-336.2290 Hannan-Quinn criter. 4.284080
F-statistic 2.315243 Durbin-Watson stat
1.740147 ProbF-statistic
0.077959
Sumber: Lampiran 8 Pada tabel 4.7 terlihat bahwa nilai probabilitas variabel
Produksi Beras, Impor Beras dan Konsumsi Beras tidak signifikan, yaitu probabilitas lebih dari α=5 0,05. Maka data penelitian ini
dapat disimpulkan terbebas dari Heteroskedastisitas. Untuk memperkuat hasil analisa agar hasil lebih akurat maka
dilakukan uji selanjutnya dengan uji glejser. Uji glejser sendiri memiliki kemiripan dengan uji park namun letak perbedaannya
adalah variabel dependennya. Bila uji park menggunakan lnresidu
2
, uji glejser menggunakan absolut residual sebagai variabel dependennya. Adapun hasil analisisnya sebagai berikut:
Tabel 4.8 Uji Glejser
Dependent Variable: REABS Method: Panel Least Squares
134
Date: 062515 Time: 09:15 Sample adjusted: 2009 2013
Periods included: 5 Cross-sections included: 32
Total panel balanced observations: 160 Variable
Coefficient Std. Error
t-Statistic Prob.
C 0.928921
0.738119 1.258498
0.2101 PRODUKSIBERAS
0.090175 0.118256
0.762538 0.4469
DIMPORBERAS -0.000310
0.052280 -0.005929
0.9953 DKONSUMSIBERAS
15.72775 17.99000
0.874250 0.3833
R-squared 0.006315 Mean dependent var
1.545626 Adjusted R-squared
-0.012794 S.D. dependent var 1.239479
S.E. of regression 1.247383 Akaike info criterion
3.304654 Sum squared resid
242.7303 Schwarz criterion 3.381533
Log likelihood -260.3723 Hannan-Quinn criter.
3.335872 F-statistic
0.330465 Durbin-Watson stat 2.013620
ProbF-statistic 0.803329
Sumber: Lampiran 9 Pada tabel 4.8 diketahui bahwa nilai probabilitas variabel
Produksi Beras, Impor Beras dan Konsumsi Beras tidak signifikan, yaitu probabilitas lebih dari α=5 0,05. Maka data penelitian ini
dapat disimpulkan terbebas dari Heteroskedastisitas.
d. Uji Autokorelasi
Masalah autokorelasi dapat dilihat dari nilai Durbin Watson DW, dalam penelitian ini menggunakan FEM dan diperoleh nilai
DW sebesar 1,520538 seperti yang dibawah ini. Tabel 4.9
Uji Autokorelasi sebelum Cross section weight Durbin-Watson stat
1.520538 Sumber: Data terlampir. Lampiran 2
135
Dengan nilai 1,520538 maka dapat diketahui bahwa autokorelasi tidak dapat disimpulkan karena berada pada angka
1,34-1,54. Oleh karena itu dilakukan estimasi kembali dengan menggunakan cross section weight dan masalah autokorelasi dapat
teratasi. Adapun uji autokorelasi setelah dilakukan Cross section weight adalah sebagai berikut:
Tabel 4.10 Uji Autokorelasi sesudah Cross section weight
Durbin-Watson stat 2.007921
Sumber: Data terlampir. Lampiran 10 Setelah dilakukan Cross section weight diperoleh nilai durbin
Watson DW sebesar 2,007921. Karena nilai DW lebih besar dari 1,54 DW 1,54 dan juga nilai DW kurang dari 2,15 DW2,15
maka dapat disimpulkan bahwa dalam model penelitian ini terbebas dari autokorelasi.
4. Pengujian Hipotesis