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
Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Masalah ini timbul karena residual tidak bebas dari satu
observasi ke observasi lainnya. Dengan kata lain masalah ini seringkali ditemukan apabila menggunakan data runtut waktu. Hal ini disebabkan karena “gangguan” pada
individu kelompok yang sama pada periode berikutnya; pada data cross secsional , masalah autokorelasi relatif jarang terjadi karena gangguan pada observasi yang
berbeda berasal dari individu kelompok yang berbeda. Untuk mendeteksi ada tidaknya autokorelasi dilakukan uji Durbin-Watson DW-Test dengan ketentuan :
1. Bila nilai DW lebih besar daripada batas atas upper bound, U, maka koefisien autokorelasi sama dengan nol, artinya tidak ada autokorelasi positif;
263
2. Bila nilai DW lebih rendah daripada batas bawah lower bound, L, maka koefisien autokorelasi lebih besar daripada nol, artinya ada autokorelasi positif.
3. Bila nilai DW terletak diantara batas atas dan batas bawah, maka tidak dapat disimpulkan.
Hasil analisis menunjukkan bahwa model regresi untuk melihat faktor-faktor penyebab deindustrialisasi dari sisi permintaan menghasilkan nilai DW sebesar 1.09,
sehingga tidak dapat disimpulkan apakah ada masalah autokorelasi atau tidak. Sementara itu, model regresi untuk melihat faktor-faktor penyebab deindustrialisasi
dari sisi penawaran menghasilkan nilai DW sebesar 2.40, artinya tidak ada korelasi positif. Dari hasil analisis ini dapat disimpulkan bahwa tidak terdapat masalah
autokorelasi yang serius pada model regresi linier faktor-faktor penyebab deindustrialisasi baik dari sisi permintaan maupun penawaran.
6.1.3. Uji Heteroskedastisitas
Heteroskedastisitas muncul apabila kesalahan atau residual dari model yang diamati tidak memiliki varian yang konstan dari satu observasi ke observasi lainnya.
Artinya setiap observasi mempunyai reliabilitas yang berbeda akibat pertumbahan dalam kondisi yang melatarbelakangi tidak terangkumnya dalam spesifikasi model.
Gejala heteroskedastisitas lebih sering dijumpai dalam data silang daripada data runtut waktu, namun juga sering juga muncul dalam analisis yang menggunakan data rata-
rata. Metode yang digunakan untuk mendeteksi masalah heterokedastisitas salah
satunya dapat menggunakan metode Park. Metode Park mengandung prosedur dua tahap. Tahap pertama, melakukan estimasi suatu model persamaan regresi tanpa
mempersoalkan apakah data mengandung heterokedastisitas atau tidak. Selanjutnya persamaan diestimasi dengan menggunakan metode OLS sehingga akan menghasilkan
264
nilai estimasi residual e. Karena umumnya nilai varian tidak diketahui, maka hal ini dapat ditaksir dengan menggunakan e
2
sebagai proxy. Langkah ini merupakan prosedur kedua dari Metode Park. Selanjutnya dilakukan transpormasi logaritma
natural terhadap variabel-variabel penjelas dan nilai residual yang dikuadratkan. Koefisien-koefisien parameter yang baru jika ternyata signifikan secara statistik, maka
hal ini akan mengindikasikan adanya kehadiran heterokedastisitas pada data yang digunakan. Sebaliknya jika tidak signifikan secara statistik, maka dapat disimpulkan
bahwa disturbance
error bersifat
homoscedasticity. Persamaan-persamaan
ekonometrika untuk menguji adanya heterokedastisitas selengkapnya dapat dilihat pada Lampiran 2.
Berdasarkan hasil pengujian menggunakan metode Park untuk model regresi linier faktor-faktor penyebab deindustrialisasi dari sisi permintaan menunjukkan bahwa
koefisien-koefisien parameter tidak signifikan secara statatis seperti dapat dilihat pada Tabel 59. Hal ini menunjukkan bahwa disturbance error pada model regresi faktor-
faktor penyebab deindustrialisasi dari sisi permintaan bersifat homoscedasticity sehingga masih memenuhi asumsi yang dipersyaratkan dalam metode OLS.
Tabel 59. Hasil Uji Heterokedastisitas Mengggunakan Metode Park untuk Model Regresi Linier Faktor Penyebab Deindustrialiasi dari Sisi Permintaan
Variabel
Penduga Parameter
Standar error t-hitung
Peluang
INTERCEPT LN_SHCREDIT
LN_SHEXPORT LN_SHIMPNMIGAS
60.32264 -5.41261
-12.5804 2.479466
89.78418 3.797712
18.95221 6.144147
0.67 -1.43
-0.66 0.40
0.5169 0.1845
0.5218 0.6950
Sumber : Hasil Analisis, 2011
Sementara itu, berdasarkan hasil pengujian menggunakan metode Park untuk model regresi linier faktor-faktor penyebab deindustrialisasi dari sisi penawaran
menunjukkan bahwa koefisien-koefisien parameter tidak signifikan secara statistik
265
seperti dapat dilihat pada Tabel 60. Hal ini juga menunjukkan bahwa disturbance error pada model regresi faktor-faktor penyebab deindustrialisasi dari sisi penawaran
bersifat homoscedasticity sehingga masih memenuhi asumsi yang dipersyaratkan dalam metode OLS.
Tabel 60. Hasil Uji Heterokedastisitas Mengggunakan Metode Park untuk Model Regresi Linier Faktor Penyebab Deindustrialiasi dari Sisi Penawaran
Variabel
Penduga Parameter
Standar error t-hitung
Peluang
INTERCEPT LN_LISTRIK
LN_BBM LN_UPAH
LN_HITECHN 36.12160
-5.93856 -1.16275
4.653973 0.099864
64.57299 6.124644
1.649667 8.620693
2.237193 0.56
-0.97 0.70
0.54 0.04
0.5871 0.3531
0.4956 0.6001
0.9652
Sumber : Hasil Analisis, 2011
Berdasarkan hasil pengujian terhadap asumsi-asumsi yang telah dilakukan di atas dapat disimpulkan bahwa model regresi linier faktor-faktor penyebab
deindustrialisasi baik dari sisi permintaan maupun penawaran masih memenuhi asumsi-asumsi yang dipersyaratkan dalam metode OLS yaitu bahwa model-model
regresi linier tersebut tidak terdapat masalah serius mengenai multikolinieritas, disturbance error tidak terjadi autokorelasi, dan disturbance error bersifat
homoscedasticity. Dengan demikian metode OLS dapat digunakan untuk mengestimasi parameter faktor-faktor penyebab deindustrialisasi baik dari sisi
permintaan maupun dari sisi penawaran.
6.2. Perkembangan Pangsa Nilai Tambah Sektor Industri