konsisten. Treatmen untuk pelanggaran ini adalah dengan menambahkan AR 1 atau AR 2 dan seterusnya, tergantung dari banyaknya autokorelasi pada model
regresi yang kita gunakan.
Tabel 3.1. Kerangka Identifikasi Autokorelasi
Nilai DW Hasil
4-dl DW 4 Tolak Ho, korelasi serial negatif
4-dl DW 4-dl Hasil tidak dapat ditentukan
2 DW 4-du Terima Ho, tidak ada korelasi serial
du DW 2 Terima Ho, tidak ada korelasi serial
dl DW du Hasil tidak dapat ditentukan
0 DW dl Tolak Ho, korelasi serial positif
Sumber : Gujarati 2000
3 Heteroskedastisitas Dalam regresi linear berganda, salah satu asumsi yang harus dipenuhi agar
taksiran parameter dalam model tersebut adalah Var u
i
= σ² konstan, semua
varian mempunyai variasi yang sama. Pada umumnya heteroskedastisitas diperoleh pada data kerat lintang cross section. Jika pada model dijumpai
heteroskodestisitas, maka model menjadi tidak efisien meskipun tidak bias dan konsisten. Dengan kata lain, jika regresi tetap dilakukan meskipun ada masalah
heteroskedastisitas maka pada hasil regresi akan terjadi “misleading” Gujarati, 1995.
Untuk mendeteksi adanya pelanggaran asumsi heteroskedastisitas, digunakan uji-White Heteroskedasticity yang diperoleh dalam program Eviews
4.1. Dengan uji White, membandingkan ObsR-Squared dengan X Chi-Squared tabel, jika nilai ObsR-Squared lebih kecil dari X Chi-Squared tabel maka tidak
ada heteroskedastisitas pada model. Dalam pengolahan data panel dalam Eviews 4.1 yang menggunakan metode General Least Square Cross Section Weights,
maka untuk mendeteksi adanya heteroskedastisitas adalah dengan membandingkan Sum Square Resid pada Weighted Statistics dengan Sum Square
Resid pada Unweighted Statistics. Jika Sum Square Resid pada Weighted Statistics
Sum Square Resid pada Unweighted Statistics, maka terjadi heteroskedastisitas.
Untuk men-treatmen pelanggaran tersebut, bisa mengestimasi GLS dengan White Heteroskedasticity.
IV. HASIL DAN PEMBAHASAN
4.1. Hasil Estimasi Fungsi Migrasi dan Evaluasi Model
Estimasi terhadap fungsi migrasi dalam penelitian ini dilakukan dengan menggunakan program sofware Eviews 4.1 dan metode panel data dengan Model
Efek Tetap Fixed Effect Model. Pemilihan model efek tetap ini dimaksudkan untuk memberikan keleluasaan bagi peneliti untuk melihat heterogenitas tiap
individu dari contoh penelitian. Dengan model efek tetap kita akan membiarkan interesep bervariasi antar individu propinsi, dan perbedaan nilai konstanta ini
diasumsikan sebagai perbedaan antar unit individu. Proses estimasi metode panel data dalam penelitian ini dilakukan dengan
tiga model yaitu Model Pooled, Model Fixed Effects dan Model Random Effects, dari ketiga model tersebut akan dipilih model yang terbaik, model-model yang
didapatkan dapat dilihat pada tabel 4.1.
Tabel 4.1. Hasil Estimasi Panel Data
Model Pooled Model Fixed Effects
Model Random Effect
Variabel Koefisien Probabilitas
Koefisien Probabilitas Koefisien Probabilitas
Konstanta 8,724 0,000 -
- 8,962 0,000
RUMR -0,268 0,149
-0,063 0,000
-0,248 0,849
RPDRB 1,043 0,000
-0,285 0,000
0,1813 0,003
R-square 0,986 0,999
0,729 F-statistik 4367,940
10178,160 -
ProbF-stat 0,000 0,000
- DW
0,739 1,878
1,097
Sumber : Lampiran 6, 8 dan Lampiran 9
Dari model pooled didapatkan bahwa variabel RUMR tidak signifikan pada taraf nyata
α = 5 , nilai probabilitas didapatkan lebih besar dari 5 persen. Pada model pooled ini semua propinsi di Indonesia keragamanya dianggap
homogen. Ini merupakan hal yang salah karena tiap daerah atau propinsi di Indonsesia memiliki keragaman atau kondisi yang berbeda-beda. Sehingga model
ini tidak baik untuk memodelkan masalah migrasi ke Jakarta. Hasil estimasi dengan menggunakan efek tetap fixed effect dapat dilihat
dalam tabel 4.1. Dari hasil estimasi yang diperoleh, maka dapat dilakukan uji asumsi penting ekonometrika yang terdiri dari uji multikolinearitas, autokorelasi
dan heteroskedastisitas. Selain itu kita juga bisa melihat kemampuan model yang digunakan dalam menjelaskan keragaman yang terjadi. Indikasi multikolinearitas
tercermin dengan melihat hasil uji-t dan F-statistik hasil regresi. Dari statistik hasil regresi kita melihat bahwa F-statistik signifikan pada tingkat kepercayaan
95 dengan taraf nyata α = 5 dengan nilai probabilitas F-statistik sebesar
0,0000. Untuk uji signifikansi individu uji-t penulis menggunakan t-statistik dengan taraf nyata
α = 5 dengan derajat bebas 124 yang memiliki t-kritis sebesar 1,645 dan membandingkannya dengan nilai mutlak t-statistik dari hasil
estimasi fungsi migrasi. Berdasarkan hasil estimasi fungsi migrasi kita dapat melihat bahwa semua
variabel yaitu Rasio Pendapatan Domestik Regional Bruto dan Rasio Upah Minimum Regional bersifat signifikan sehingga asumsi adanya multikolinearitas
dapat diabaikan. Uji asumsi ekonometrika yang kedua adalah uji autokorelasi. Hasil estimasi fungsi migrasi dalam penelitian ini menunjukkan bahwa nilai
