Spesifikasi Model Regresi Uji Asumsi Klasik

41

3.5. Spesifikasi Model Regresi

Berdasarkan penelitian dan kerangka pemikiran sebelumnya, maka analisis data dibatasi pada lima variabel, yaitu variabel kemiskinan KMS, pertumbuhan ekonomi PE, upah minimum UM, tingkat pengangguran terbuka TP, dan inflasi I. Dalam penelitian ini metode yang dipakai adalah metode Pooled Generalized Least Square , yang pada intinya memberikan pembobotan kepada variasi data yang digunakan, yaitu kuadrat varians dari model. Model fungsi regresi yang akan digunakan dalam penelitian ini yaitu model fungsi untuk mengetahui variabel pertumbuhan ekonomi PE, upah minimum UM, tingkat pengangguran terbuka TP, dan inflasi I terhadap kemiskinan di Indonesia KMS. Sementara itu, adanya perbedaan satuan dan besaran variabel bebas dalam persamaan menyebabkan persamaan regresi harus dibuat dengan model logaritma natural. Alasan pemilihan model logaritma natural Imam Gozali, 2005 dalam Whisnu Adhi Saputra, 2011: 69 adalah sebagai berikut: a. Menghindari adanya heterokesdastisitas b. Mengetahui koefisien yang menunjukkan elastisitas c. Mendekatkan skala data Secara ekonometrika hubungan antara pertumbuhan ekonomi PE, upah minimum UM, tingkat pengangguran terbuka TP, dan inflasi I terhadap kemiskinan di Indonesia KMS dapat dianalisis dengan menggunakan persamaan: 42 KMS= α i + β 1 PE it + β 2 logUM it - β 3 TP it + β 4 I it + u it Dimana: KMS : Tingkat Kemiskinan Persen PE : Pertumbuhan Ekonomi Persen logUM : Upah Minimum Rupiah TP : Tingkat Pengangguran Terbuka Persen I : Inflasi Persen αi : Konstanta β 1 dan β 2 : Koefisien regresi untuk masing-masing variabel u : Residual i : 1,2,3,…..,33 data cross section provinsi di Indonesia t : 1,2, dan 3 data time series 2009-2011

3.6. Uji Asumsi Klasik

Sebelum melakukan analisis data maka data diuji sesuai asumsi klasik, jika terjadi penyimpangan akan asumsi klasik digunakan pengujian statistik non parametrik sebaliknya asumsi klasik terpenuhi apabila digunakan statistik parametrik untuk mendapatkan model regresi yang baik, model regresi tersebut harus terbebas dari multikolinearitas, autokorelasi, dan heteroskedastisitas serta data yang dihasilkan harus berdistribusi normal. Sehubungan dengan metode GLS yang dipakai dalam penelitian ini, maka uji asumsi klasik yang akan digunakan hanya sebatas pada uji multikolinieritas dan uji autokorelasi saja. Metode GLS dipilih karena adanya nilai lebih yang dimiliki 43 daripada pemakaian metode OLS dalam mengestimasi parameter regresi. Beberapa alasan mengapa uji asumsi klasik heteroskedastisitas dan normalitas tidak perlu dilakukan dalam penelitian ini diantaranya ialah sebagai berikut : a. Dalam penelitian ini pengujian heteroskedastisitas tidak dilakukan karena model regresi menggunakan metode GLS sehingga terbebas dari permasalahan heteroskedastisitas. b. Uji normalitas hanya digunakan jika jumlah observasi adalah kurang dari 30, untuk mengetahui apakah error term mendekati distribusi normal. Jika jumlah observasi lebih dari 30, maka tidak perlu dilakukan uji normalitas karena distribusi sampling error term telah mendekati normal Ajija, 2011:42. Jumlah observasi yang digunakan dalam penelitian ini mencapai 99 dan telah melebihi syarat batas dimana uji normalitas tidak perlu dilakukan.

3.6.1. Uji Multikolinearitas

Salah satu asumsi model regresi klasik adalah tidak terdapat multikolinearitas diantara variabel independen dalam model regresi. Multikolinearitas berarti adanya hubungan yang erat antara beberapa vaiabel independen atau semua variabel independen dalam model regresi. Uji multikolinieritas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas independen. Model regresi dikatakan baik apabila tidak terjadi korelasi diantara variabel bebas dalam persamaan. 44 Untuk mendeteksi ada atau tidaknya multikolinieritas dapat dilihat dari nilai R 2 , F hitung serta t hitung. Adapun indikasi-indikasi terjadinya mulitikolinieritas menurut Gujarati 2012: 251 adalah sebagai berikut: 1. Jika ditemukan R 2 yang tinggi dan nilai F statistik yang signifikan tetapi sebagian besar nilai t statistik tidak signifikan. 2. Korelasi sederhana yang relatif tinggi 0.8 atau lebih antara satu atau lebih pasang variabel bebas. Jika koefisien korelasi kurang dari 0.8 berarti tidak terjadi multikolinearitas. 3. Regresi bantuan Auxilary Regression dengan cara meregresi masing- masing variabel bebas pada variabel bebas lainnya. Apabila nilai R 2 nya tinggi maka ada indikasi ketergantungan linier yang hampir pasti di antara variabel-variabel bebas. Metode yang digunakan dalam uji multikolinearitas ini adalah metode Klein terhadap nilai korelasi antar variabel, yaitu dengan perbandingan antara R 2 penyesuaian Adjusted R 2 hasil regresi antar variabel bebas. Kemungkinan adanya multikolinearitas apabila Adjusted R 2 model uji variabel bebas dari Adjusted R 2 model utama.

3.6.2. Uji Autokorelasi

Autokorelasi adalah hubungan antara residual suatu observasi dengan residual lainnya Winarno,2009 dalam jurnal Toni Kussetiyono Irawan, 2013: 49. Autokorelasi lebih mudah timbul pada data yang bersifat runtut waktu, karena berdasarkan sifatnya, data masa sekarang dipengaruhi oleh data pada 45 masa-masa sebelumnya serta tetap dimungkinkan autokorelasi dijumpai pada data yang bersifat antarobjek cross section. Uji autokorelasi yang sederhana adalah menggunakan uji DurbinWatson DW. Autokorelasi dapat dideteksi dengan cara membandingkan antara DW statistic dengan DW tabel. Kriteria pengujiannya adalah sebagai berikut : 1. Bila nilai DW statistik terletak antara 0 d dl, H0 yang menyatakan tidak ada autokorelasi positif ditolak. 2. Bila nilai DW statistik terletak antara 4 – dl d 4, H0 yang menyatakan tidak ada autokorelasi negatif ditolak. 3. Bila nilai DW statistik terletak antara du d 4 – du, H0 yang menyatakan tidak ada autokorelasi negatif diterima. 4. Ragu-ragu tidak ada autokorelasi positif bila nilai DW statistik terletak antara dl ≤ d ≤ du. 5. Ragu-ragu tidak ada autokorelasi negatif bila nilai DW statistik terletak antara du ≤ d ≤ 4 – dl. Menurut Gujarati 2012:370 penggunaan metode GLS Generalized Least Square dapat menekankan adanya autokorelasi yang biasanya terjadi pada rumus OLS Ordinary Least Square, sebagai akibat kesalahan estimasi underestimate varians sehingga dengan GLS masalah autokorelasi dapat diatasi. Asumsi terjadinya autokorelasi sering dijumpai pada estimasi yang menggunakan OLS, sedangkan pada estimasi data panel yang menggunakan metode fixed effect baik bersifat LSDV maupun GLS dapat mengabaikan 46 terjadinya autokorelasi karena di dalam metode GLS terdapat pembobotan pada variasi data.

3.6.3. Uji Heteroskedastisitas

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual suatu pengamatan ke pengamatan yang lain. Heteroskedastisitas terjadi apabila variabel gangguan tidak mempunyai varian yang sama untuk semua observasi. Akibat adanya heteroskedastisitas, penaksir OLS tidak bias tetapi tidak efisien. Untuk mendeteksi ada atau tidaknya heteroskedastisitas dalam model maka dapat dilakukan dengan menggunakan white heteroscedasticity-consistent standart errors and covariance yang tersedia dalam program Eviews 6. Uji ini diterapkan pada hasil regresi dengan menggunakan prosedur equations dan metode OLS untuk masing-masing perilaku dalam persamaan simultan. Hasil yang perlu diperhatikan dari uji ini adalah nilai F dan ObsRsquared, secara khusus adalah nilai probability dari ObsRsquared. Dengan uji White, dibandingkan ObsR-squared dengan χ Chi-Squared tabel. Jika nilai ObsR-squared lebih kecil dari pada χ tabel maka tidak ada heteroskedastisitas pada model. 3.7. Pengujian Statistik Analisis Regresi Uji signifikansi merupakan prosedur yang digunakan untuk menguji kesalahan atau kebenaran dari hasil hipotesis nol dari sampel. 47

3.7.1. Koefisien Determinasi R-Square

Suatu model mempunyai kebaikan dan kelemahan jika diterapkan dalam masalah yang berbeda. Untuk mengukur kebaikan suatu model goodnes of fit digunakan koefisien determinasi R 2 . Nilai koefisien determinasi merupakan suatu ukuran yang menunjukkan besar sumbangan dari variabel independen terhadap variabel dependen, atau dengan kata lain koefisien determinasi menunjukkan variasi turunnya Y yang diterangkan oleh pengaruh linier X. Nilai koefisien determinan antara 0 dan 1. Nilai koefisien determinan yang mendekati 0 nol berarti kemampuan semua variabel independen dalam menjelaskan variabel dependen amat terbatas. Nilai koefisien determinan yang mendekati 1 satu berarti variabel-variabel independen hampir memberikan informasi yang dijelaskan untuk mempredikasi variasi variabel dependen. 3.7.2. Uji F-Statistik Uji F-statistik ini dilakukan untuk melihat seberapa besar pengaruh variabel independen secara keseluruhan atau bersama-sama terhadap variabel dependen. Untuk pengujian ini dilakukan hipotesa sebagai berikut: a. H : β 1 = β 2 =0, artinya secara bersama-sama tidak ada pengaruh variabel independen terhadap variabel dependen b. H a : β 1 ≠ β 2 ≠ 0, artinya secara bersama-sama ada pengaruh variabel independen terhadap variabel dependen 48 Pengujian ini dilakukan untuk membandingkan nilai F-hitung dengan F-tabel. Jika F-hitung lebih besar dari F-tabel maka H ditolak, yang berarti variabel independen secara bersama sama mempengaruhi variabel dependen. 3.7.3. Uji t-Statisik Uji Parsial Uji statistik t pada dasarnya untuk menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel dependen dengan hipotesis sebagai berikut Imam Ghozali dalam Usmaliadanti, 2011. Uji ini dapat dilakukan dengan membandingkan t hitung dengan t tabel. Adapun rumus untuk mendapatkan t hitung adalah sebagai berikut: t hitung = bi – bsbi Dimana: bi = koefisien variabel independen ke-i b = nilai hipotesis nol sbi = simpangan baku dari variabel independen ke-i Pada tingkat signifikansi 5 persen dengan kriteria pengujian yang digunakan sebagai berikut: a. Jika t hitung t tabel maka H diterima dan H 1 ditolak, yang artinya salah satu variabel bebas independent tidak mempengaruhi variabel terikat dependent secara signifikan. 49 b. Jika t hitung t tabel maka H ditolak dan H 1 diterima, yang artinya salah satu variabel bebas independent mempengaruhi variabel terikat dependent secara signifikan. 50

BAB IV HASIL PENELITIAN DAN PEMBAHASAN