V. HASIL DAN PEMBAHASAN
Dalam bab ini akan dibahas hasil dari estimasi faktor-faktor yang memengaruhi migrasi ke Provinsi DKI Jakarta sebagai bagian dari investasi
sumber daya manusia. Adapun variabel yang diteliti pada tingkat migrasi ke Jakarta ini adalah besarnya upah minimum regional UMR, Produk Domestik
Regional Bruto tiap provinsi dan dari segi demografi adalah jumlah penduduk dari seluruh provinsi di Indonesia.
5.1. Hasil Estimasi Model
Dalam penelitian ini, estimasi terhadap fungsi migrasi dilakukan dengan menggunakan program software Eviews 6 dan metode panel data dengan Model
Efek Tetap Fixed Effect Model. Pemilihan model efek tetap ini dimaksudkan untuk memberikan keleluasaan untuk melihat heterogenitas tiap individu dari
contoh penelitian. Dengan model efek tetap kita akan membiarkan intersep bervariasi antar individu provinsi, dan perbedaan nilai konstanta ini diasumsikan
sebagai perbedaan antar unit individu. Analisis dengan menggunakan panel data juga dilakukan dengan model
Pooled Least Square PLS dan Random Effect Model. Ketika menguji dengan menggunakan kedua model tersebut, didapatkan hasil estimasi yang tidak sesuai
dengan yang diharapkan. Banyak hasil yang tidak signifikan, nilai R-Square dan nilai Durbin-Watson yang tidak bagus. Selain itu, juga dilakukan pengujian
CHOW dimana membandingkan model PLS dengan Fixed Effect dan Hausman Test dimana membandingkan Random Effect dengan Fixed Effect, dan dari hasil
yang didapatkan menunjukkan bahwa model Fixed Effect yang memberikan hasil terbaik.
Tabel 5.1. Hasil Estimasi Model Migrasi dengan Model Fixed Effect Variabel
Koefisien Std. Error
t-statistik Prob.
Konstanta 10.40660
0.176344 59.01291
0.0000 RUMR
-0.004804 0.001672
-2.872544 0.0054
RPDRB -0.002262
0.000547 -4.136255
0.0001 RJML
0.002244 0.001895
1.184644 0.2402
Weighted Statistics
R-square 0.991075
Residual Sum Squared 45.89406
Prob F-stat 0.000000
Durbin Watson stat 2.044366
Unweighted Statistics
R-square 0.813832
Residual Sum Squared 57.71042
Durbin Watson stat 1.812534
Sumber: Lampiran 12 Berdasarkan Tabel 5.1. didapat uji-F yang signifikan pada taraf nyata 5
persen 0,05, karena nilai probabilitas Fstat sama dengan 0,000 yang lebih kecil dari taraf nyata 0,05. Hal ini berarti minimal ada satu peubah bebas yang
berpengaruh nyata dalam model. Kemudian nilai koefisien determinasi R- squared yang diperoleh sebesar 99,1075 persen yang menunjukkan tingkat
kecocokan model yang tinggi. Interpretasi dari nilai R-squared ini adalah sebesar 99,1075 persen migrasi dapat dijelaskan oleh variabel Upah Minimum Regional,
Produk Domestik Regional Bruto dan jumlah penduduk, sedangkan sisanya sebesar 0,8925 persen dijelaskan oleh faktor-faktor lain di luar persamaan.
1 2
3 4
5 6
7 8
9
-1.5 -1.0
-0.5 0.0
0.5 1.0
Series: Standardized Residuals Sample 2000 2003
Observations 96
Mean -1.39e-17
Median -0.000436
Maximum 1.273742
Minimum -1.702585
Std. Dev. 0.695051
Skewness -0.100463
Kurtosis 2.063378
Jarque-Bera 3.670531
Probability 0.159571
sumber: Lampiran 16
Gambar 5.1. Hasil Uji Normalitas dalm Model Migrasi Fixed Effect-GLS
Tabel 5.2. Hasil Uji Normalitas Model Migrasi ke Jakarta
Model
Jarque-Bera Probability
Migrasi ke Jakarta 3,670531
0,159571
Hasil uji normalitas diperlihatkan dalam Tabel 5.2. Berdasarkan Tabel 5.2. tersebut didapatkan hasil bahwa probabilitas Jaque Bera lebih besar daripada taraf
nyata yang digunakan 0,159571 0,05. Berdasarkan hal tersebut maka sudah cukup bukti untuk menerima H
yang artinya residual dalam model sudah menyebar normal.
Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan metode General Least Square Cross section Weights yaitu dengan membandingkan Sum
Square Resid pada Weighted Statistics dengan Sum Square Resid Unweighted Statistics. Hasil pengolahan di peroleh nilai Sum Square Resid pada Weighted
statistics sebesar 45,894 dan Sum Square Resid Unweighted statistics 57,710 Lampiran 12. Dengan hasil tersebut menunjukkan bahwa sum square Resid pada
Weighted Statistics lebih kecil dari sum square Resid unweighted Statistics. Kondisi tersebut memberikan indikasi bahwa dalam estimasi model terjadi
heteroskedastisitas. Namun dalam Gujarati 2003 dijelaskan bahwa salah satu cara untuk
mengatasi masalah ini adalah dengan memberi perlakuan cross section weight dan white-heteroskedastisity-consistent covariance untuk mengantisipasi data yang
tidak homoskedastisitas. Karena dalam mengestimasi model telah menggunakan metode GLS generalized least square dengan white heteroscedastisity sebagai
pembobot maka masalah heteroskedastisitas sudah dapat teratasi. Selain itu, estimasi GLS dengan menggunakan white-heteroscedasticity pada Eviews 6 juga
didapat dengan memilih View- Actual, Fitted, Residual- Standardized Residual Graph.
-2.4 -2.0
-1.6 -1.2
-0.8 -0.4
0.0 0.4
0.8 1.2
1.6
10 20
30 40
50 60
70 80
90 Standardized Residuals
Sumber: Lampiran 17
Gambar 5.2. Standardized Residual untuk Melihat Homoskedastisitas
Berdasarkan Gambar 5.2, terlihat bahwa ragam dan rataan sudah konstan. Hal ini mengidentifikasikan bahwa model sudah homoskedastisitas.
Uji asumsi ekonometrika selanjutnya adalah uji autokorelasi. Dari tabel Durbin-Watson DW dengan jumlah observarsi n = 24, dan jumlah variabel
independent tertentu tidak termasuk konstanta k = 3, dengan α = 5 di dapat dl = 1,60 , du = 1,73. Hasil output pada Tabel 5.1, didapat nilai DW sebesar
2,044. Dengan demikian, nilai DW berada diantara du dan 4-du. Dengan mengacu pada Gambar 3.1, maka autokorelasi pada model yang diperoleh berada pada
daerah tidak ada autokorelasi. Sama halnya apabila melihat dari Tabel 3.1. Adanya penggunaan data time series diduga dapat menimbulkan pelanggaran
asumsi yaitu autokorelasi. Ada atau tidaknya autokorelasi pada model dapat dilihat pada nilai Durbin Watson
stat
. Hasil pengolahan data terlihat bahwa nilai Durbin Watson
stat
weighted adalah sebesar 2,0443. Oleh karena nilai Durbin Watson
stat
tersebut berkisar antara 1,55-2,46 maka model yang diestimasi dapat dikatakan terbebas dari autokorelasi.
Penggunaan panel data dapat mengabaikan pelanggaran asumsi multikolinieritas, karena adanya penggabungan data time series dan cross section,
sehingga akan lebih banyak variasi data dan lebih sedikitnya korelasi antar variabel. Selain itu, indikasi adanya multikolinieritas atau korelasi antar variabel
pada sebuah model adalah jika dalam uji-F disimpulkan signifikan dan R-squared yang tinggi namun hanya sedikit variabel yang signifikan. Dari hasil pengolahan
data terlihat hanya satu variabel yang tidak signifikan pada taraf nyata 0,05. Variabel tersebut adalah jumlah penduduk. Hal ini berarti dalam pengolahan data
tidak terjadi pelanggaran asumsi multikolinieritas.
5.2. Interpretasi Model
Kategori